1.一种阻塞流水车间调度问题的改进麻雀搜索优化方法，其特征在于：应用新的种群初始化方案、改进的种群搜索策略、设计的局部强化机制优化阻塞流水车间调度问题，以得到的更好的阻塞流水车间调度方案，提高生产效率；具体过程包括以下步骤：步骤1：参数初始化，麻雀种群初始化；

步骤2：平均划分多个子群，并进行交互学习；

步骤3：根据适应度值选择并更新精英解集；

步骤4：根据改进的发现者位置更新策略更新麻雀种群中发现者个体的位置；

步骤5：据改进的加入者位置更新策略更新麻雀种群中发现者个体的位置，即整个麻雀种群中的最优个体和每个子群中的最优个体共同指导加入者位置的更新；

步骤6：根据警戒者位置更新策略更新警戒者个体的位置；

步骤7：对精英解集中的个体进行局部强化，对精英解集中的个体依次执行三种不同的近邻启发式操作；

步骤8：更新局部最优和全局最优个体位置信息；

步骤9：是否满足停止条件，满足则转至步骤10；否则，迭代次数加一并转至步骤2；

步骤10：输出全局最优麻雀个体位置和适应度值并退出。

2.根据权利要求1所述的一种阻塞流水车间调度问题的改进麻雀搜索优化方法，其特征在于：步骤1中，具体包括：

S1.1已知有一组n个工件来自集合J＝{1,2，…，n}要在m台机器上进行加工M＝{1,

2,…，m}；每个工件i∈J都有m个操作{O(i,1),O(i,2),…,O(i,m)}，且每个工件在m个机器上的加工顺序是一样的；每两台机器之间不存在缓存区，如果机器k+1正忙于加工前一个工件，工件i必须在机器k上被阻止，导致该机器也无法加工后续工件；调度目标是找到能够产生最小总加工时间的工件生产序列；

S1.2采用整数编码方式对生产序列进行编码处理，麻雀种群中的个体xi＝(xi,1,xi,2,K xi,n)的每一维xi,j都是0到1之间的实数，将麻雀个体的n个实数按照最小排列准则记录对应顺序并将此顺序序列记为工件生产序列πi；

S1.3参数初始化，所述参数包括种群大小sizepop、最大迭代次数maxgen、发现者所占比例P_percent、上界ub、下界lb、动态权重最大值wmax和最小值wmin；其中令sizepop＝100，maxgen＝500，_percent＝0.2b＝1，lb＝0，wmax＝0.9，wmin＝0.6；

S1.4采用改进Tent混沌映射和设计的基于分解的启发式算法协同使用产生初始化种群，使得初始种群具有预设质量和多样性。

3.根据权利要求2所述的一种阻塞流水车间调度问题的改进麻雀搜索优化方法，其特征在于：S1.4中，协同初始化方案具体为：S1.4.1改进Tent混沌序列

作为分段线性的一种一维映射，Tent混沌映射具有形式简单、功率谱密度均匀的特点；

且Tent映射相较于Logistic映射遍历性更好，并被证明能够为优化算法产生混沌序列，改进Tent混沌映射表达式为：

经过贝努力移位变换可表示为：

式中，rand(0,1)是[0,1]范围内的随机数，使用改进Tent混沌映射产生初始种群时随机生成，根据上式迭代产生整个种群的初始解；NP为混沌序列粒子数，xi为第i个麻雀个体；

S1.4.2反向学习

反向学习思想是对原始解执行反向操作，具体表达式为：x′i＝lb+ub‑xi

式中，lb为麻雀个体搜索空间的下界，ub为麻雀个体搜索空间的上界；

应用反向学习思想对已经生成的NP个初始解XNP＝{x1,x2,...,xNP}进行反向学习得到NP个反向解X′NP＝{x′1,x′2,...,x′NP}；将XNP和X′NP混合成一个具有2NP个初始解的群体，然后根据适应度值排序选出适应度值较小的NP个初始解；

S1.4.3基于分解的启发式算法

1.4.3.1随机初始化NP个麻雀个体的初始解；

1.4.3.2破坏和重建阶段：在破坏阶段，对每个个体随机选择q个元素移除，q＝0.01×sizepop×n；在重建阶段，移除的作业将按顺序重新插入麻雀个体的随机位置；如果新解适应度值更好，则替换旧的解；否则，保留旧解；

1.4.3.3局部细化：对所有麻雀个体执行交换操作；即随机选择麻雀个体的两个元素进行交换，若交换后的适应度值更好则替换当前解，并一直执行下去，直到交换后适应度值不比当前解更好为止；

S1.4.4协同使用

由于两种方法会生成不同的初始解决方案，所以他们是协同使用的，即NP＝sizepop/

2；一半个体由改进Tent混沌映射产生，一半个体由基于分解的启发式算法生成。

4.根据权利要求1所述的一种阻塞流水车间调度问题的改进麻雀搜索优化方法，其特征在于：步骤2中，具体包括：将种群sizepop平均分为N个子群，子群之间进行交互学习，执行多群动态学习策略；

所述多群动态学习策略指的是在每一次迭代中，对大小为sizepop的麻雀种群的N个子群分别进行适应度排序，每个子群中都存在一个最差的个体和一个最优的个体；对每一个子群中最差的个体执行操作：随机在N‑1个麻雀子群中选择一个邻域子群，将邻域子群中最优个体的位置信息替换当前最差个体的位置信息，组成新的麻雀种群位置矩阵。

5.根据权利要求1所述的一种阻塞流水车间调度问题的改进麻雀搜索优化方法，其特征在于：步骤3中，选取各个子群中的最优个体组成精英解集，如麻雀种群大小为sizepop＝

100，分为十个子群，精英解ES＝{pop1_best,pop2_best,...,pop10_best}。

6.根据权利要求1所述的一种阻塞流水车间调度问题的改进麻雀搜索优化方法，其特征在于：步骤4中，所述改进的发现者位置更新策略具体表现方式为：式中， 表示第t次迭代中麻雀个体i在第j维的位置信息，w为动态权重因子，rands(1)表示生成一个(‑1,1)的随机数，Q是一个服从正态分布的随机数，L表示元素都为1的大小为1×n的矩阵，wmax是动态权重因子的最大值，wmin为动态权重因子最小值；

改变了当预警值R2小于安全阈值ST时的发现者的位置更新公式，并引入了动态权重因子，其随着迭代次数的增加线性的减小，使其在迭代初期具有较大的值，能够更好地进行全局探索，在迭代后期自适应地减小，从而更好地迚行局部搜索，同时提高收敛速度；

7.根据权利要求1所述的一种阻塞流水车间调度问题的改进麻雀搜索优化方法，其特征在于：步骤5中，所述改进的加入者位置更新策略具体表现方式为：本过程设置了概率阈值Ps，每个加入者个体在每次迭代中都有两种并行的更新方式；

随机生成一个随机数rand∈(0,1)，若rand

8.根据权利要求1所述的一种阻塞流水车间调度问题的改进麻雀搜索优化方法，其特征在于：步骤6中，所述警戒者位置更新策略具体包括：假设意识到危险的麻雀占总数量的10％:20％，每次迭代过程中随机在种群中选择

10％:20％的个体作为侦察者执行侦查预警行为，则侦察者的位置更新公式如下：式中， 为当前全局最优位置；β为步长控制参数，服从(0,1)正态分布；K为[‑1,1]范围内的随机数；ε为一个避免出现零除误差的最小常数；fi为表示当前麻雀个体的适应度值；fg为表示当前全局最佳适应度值；fw为表示当前全局最差适应度值；

当fi>fg，表示当前麻雀个体处在种群边缘的位置，容易被捕食者所攻击，需要向种群中心靠拢；当fi＝fg时，表示处于种群中心的个体意识到危险，需要离开最佳位置向其他麻雀靠拢以减少被捕食的风险。

9.根据权利要求1所述的一种阻塞流水车间调度问题的改进麻雀搜索优化方法，其特征在于：步骤7中，所述对精英解集中的个体进行局部强化具体过程为：对精英解集中的每个精英个体来说，首先使用插入反向块邻近启发式；其次将概率参数LS应用交换或插入邻近启发式操作；最后设计了一种新的交叉操作；具体来说，三种不同的近邻启发式技术设计如下：

(1)插入反向块邻近启发式

对于精英个体X_ES选取两个不同的随机位置，并反转它们之间的所有作业对，以产生修改后的新精英个体X_ES'；每次该启发式检查修改后的新精英个体序列是否优于原始精英个体，如果更好即f(X_ES')

(2)交换或插入邻近启发式

执行插入反向块邻近试探法后，调用交换或插入邻近试探法，我们使用最小二乘参数(使用概率参数LS)来确定选择插入或交换相邻启发式规则的概率，其工作原理如下：式中，Insert表示执行插入操作，Swap表示执行交换操作，U[0,1]表示从均匀分布中生成一个随机数；

在交换邻近试探中，使用最佳改进选择策略，由此精英个体每个位置信息与其他位置信息逐一交换，并且保留导致最佳状态的交换过程；另一方面，插入邻近试探法作为一个移位过程，由此每个被选定的位置被循环移位，并且导致最佳改进的插入位置被选择；

(3)精英解集近邻插入

这是局部强化的最后一个邻近启发式算法，其工作原理如下：随机确定一个数n1(n1

10.根据权利要求1所述的一种阻塞流水车间调度问题的改进麻雀搜索优化方法，其特征在于：步骤8中，更新局部最优和全局最优个体位置信息具体为：根据适应度值更新第t次迭代后的每个个体的位置和全局最优解；若第t次迭代后个体xi的适应度值小于第t‑1次迭代后的适应度值，则更新xi的位置，否则保持上一代的麻雀个体位置。