1.一種基于人工蜂群算法的煉鋼連鑄調度方法，簡稱為ABCMA，其特征在于，在保證種群多樣性的前提下加快了種群的收斂速度，從而實現了在較短時間內產生理想的工件排序，進而指導煉鋼連鑄過程中的混合流水車間調度，包括以下步驟：

步驟1)設置煉鋼連鑄調度過程中的相關參數；

所述的相關參數包括需要加工的全部工件數目、鑄件個數、每個階段的機器數目；每個鑄件包含的工件數目、鑄件在第三個加工階段所屬的連鑄機編號以及每個連鑄機上的鑄件排序；工件在每個階段的加工時間、工件在不同階段的傳送時間、鑄件的建立時間；

步驟2)對實際的煉鋼連鑄調度過程進行分析，其包括煉鋼-精煉-連鑄三個加工階段；考慮不同約束條件對調度結果的影響，建立煉鋼連鑄調度過程中需要優化的目標函數，依據目標函數和各種約束條件，建立煉鋼連鑄調度的數學模型；

所述的煉鋼連鑄調度過程中需要優化的目標函數包括：工件逗留時間懲罰、第三個加工階段鑄件提前開始懲罰、第三個加工階段鑄件拖后開始懲罰；

所述的煉鋼連鑄調度的數學模型即綜合目標函數和約束條件所得，目標函數為工件逗留時間、鑄件提前/拖后執行造成的懲罰乘以懲罰系數之后的總和；所述的約束條件包括：工件在不同加工階段之間的轉換時間約束、第三個加工階段鑄件的建立時間約束、第三個加工階段每個鑄件上所有工件的連續加工約束、某一時刻一臺機器只能加工一個工件并且一個工件只能在一臺機器上進行加工的約束；

步驟3)根據得到的數學模型，初始化ABCMA參數，并初始化種群；

步驟4)采用ABCMA為種群中的個體產生子代個體，并采用排序值將子代個體進行離散化得到包含所有工件編號的排序；確定每臺機器上的工件排序，結合煉鋼連鑄調度過程中的約束條件，確定每個工件在不同階段的開始時間、完成時間，并以此來計算目標函數值；根據目標函數值，采用貪婪選擇方法對種群中的個體進行更新；

所述的ABCMA包括以下步驟：

4.1)在決策空間中隨機選擇NP個個體構成初始種群，個體表示一個包含所有工件的排序，x_i，j是的第j個工件編號，初始化種群最大迭代次數maxcycle，蜜源舍棄參數limit，JADE算法相關參數q，c，μ_F，μ_CR，以及存檔集合當前代數cycle＝0；其中，

F_i是JADE中個體的縮放因子，CR_i是JADE中個體的交叉控制參數，q用于確定種群中最好的前[q*NP]個個體，q∈(0,1]，[q*NP]是對q*NP進行四舍五入取整，c用于控制F_i和CR_i的自適應程度，μ_F和μ_CR分別為F_i和CR_i的自適應參數；

4.2)計算種群中個體的目標函數值

4.3)判斷迭代次數是否達到maxcycle，若已達到則停止迭代，輸出具有最小目標函數值的個體及其對應的目標函數值；否則轉4.4)；

4.4)按照公式(1)(2)更新個體的CR_i值；

CR_i＝randn_i(μ_CR,0.1) (1)

μ_CR＝(1-c)*μ_CR+c*mean_A(S_CR) (2)

其中，randn_i(μ_CR,0.1)表示以μ_CR為均值、以0.1為標準差的正態分布函數；S_CR是當前代中所有成功的CR_i的集合，mean_A(·)是算術平均值；

4.5)按照公式(3)(4)更新個體的F_i值；

F_i＝randc_i(μ_F,0.1) (3)

μ_F＝(1-c)*μ_F+c*mean_L(S_F) (4)

其中，randc_i(μ_F,0.1)表示以μ_F為位置參數、以0.1為規模參數的柯西分布；S_F是當前代中所有成功的F_i的集合；mean_L(·)是萊默平均值，通過公式(5)獲得：

4.6)利用公式(6)對種群中的個體進行變異操作，得到變異向量

其中，是從當前種群最好的前[q*NP]個個體中隨機選擇的一個個體，q∈(0,1]，[q*NP]是對q*NP進行四舍五入取整，是從當前種群中隨機選出的不同于的個體，是從存檔集合中隨機選出的不同于和的個體；

4.7)對和采用JADE的交叉算子產生試驗向量所用交叉算子為公式(7)所示的二項式交叉；

其中，j_rand是在[1,n]之間隨機選擇的整數，n是問題總維度，rand(0,1)是在[0,1]之間均勻分布的隨機數，由于j_rand的存在能夠保證不同于

4.8)計算試驗向量對應的目標函數值采用貪婪選擇方法對個體進行更新：若則否則保持不變；

4.9)如果替換了則將存儲至集合A，將F_i和CR_i分別存儲至S_F和S_CR，并且limit保持不變；否則limit＝limit+1；

4.10)如果集合A中的個體數大于NP，個體數記為|A|，則隨機刪除(|A|-NP)個個體；

4.11)利用公式(8)計算每個個體對應的概率p_i；

其中，是個體的目標函數值，代表了第i個食物源的花蜜量，NP是食物源的數目，也是種群中的個體數目；

4.12)依照概率p_i選擇個體，利用公式(9)為選擇的個體產生子代個體；

v_i,j＝x_i,j+rand(-1,1)(x_i,j-x_k,j) (9)

其中，k表示任意一個不同于i的個體編號，j∈[1,n]表示第j個維度，n是問題總維度，rand(-1,1)表示在[-1,1]之間均勻分布的隨機數；

4.13)計算的目標函數值采用貪婪選擇方法對個體進行更新：若則否則保持不變；

4.14)如果替換了則將存儲至集合A，并且limit保持不變，否則limit＝limit+1；

4.15)如果集合A中的個體數即|A|大于NP，則隨機刪除(|A|-NP)個個體；

4.16)若某個個體的limit值達到了設定的上限，則將該個體刪除，如果達到上限的個體有多個，則隨機刪除其中一個，并采用公式(10)產生一個新的個體：

v_i,j＝x_min,j+rand(0,1)(x_max,j-x_min,j) (10)

其中，j∈[1,n]表示第j個維度，n是問題總維度，x_max,j和x_min,j分別是第j維的上下限，rand(0,1)表示在[0,1]之間均勻分布的隨機數；

4.17)記錄具有最小目標函數值的個體及其對應的目標函數值，cycle＝cycle+1，并轉至4.3)；

在上述過程中，4.4)-4.10)為雇傭蜂階段，4.11)-4.15)為觀察蜂階段，4.16)為偵查蜂階段；

步驟5)判斷是否滿足停止條件，若滿足，結束運行并記錄具有最小目標函數值的個體及其對應的目標函數值；否則轉到步驟4)。