等图书馆网络等途径下载相关的文献资源。在对这些文献资料加以研究的基础上，为本论文的分析打下扎实的理论性基础。
第二，建模法。根据前人文献资料的基础上，同时结合本论文的实际课题及其研究的方向，对如何优化生产调度基于模拟退火算法的工具上来展开系统化的研究，构建起适合的模型结构体系框架。
2模拟退火算法理论概述
2.1VFSA理论简述
模拟退火的定义是基于熔融金属状态下相关粒子的统计力学以及组合最优化理论中具体获解步骤的类似性而确定的。根据统计力学理论可知，倘若粒子所处的环境温度为T，且相应的状态为r，根据相关的研究可知，其函数式可以用波兹曼概率分布关系式来加以表达如下：
Pr(E(r))?1E(r)exp[?] （2-1） Z(T)kbT上述式子（2-1）中的E(r)所表示的是粒子处于r状态下具体能量的参量；其中，kb?0，表示的是波兹曼常量；而T表示的是绝对温度，其量纲数值是1；而Z(T)所表示的是概率分布的标准化参量，其函数式表达如下：
Z(T)??exp[?s?DE(s)] （2-2） kbT当粒子所处的环境温度为T时，我们基于金属内部粒子所处的状态来确定规律，学者Metropolis等人所得出的结论是：假定粒子所处的最初环境i表示的是当下的环境，且其对应的能量可以用参量Ei来表示，那么对其进行必要的随机微扰处理，然后相应地总结出1个新的环境j，其对应的能量我们用Ej来表示。倘若Ej?Ei，那么j表示是即是关键的状态；倘若Ej?Ei，那么由于存在着热运动的现象，能否确定j处于关键的状态，即要考虑的是固体所处本状态下的概率来加以判别。根据相关的实验可知，固体分别在状态i以及j时，相应的概率比例数应该是对应的波兹曼因子的比值，用函数式表示如下：
r?exp[(Ei?Ej)/kbT],r?1 （2-3）
我们借助于随机数据发生器来获得位于[0,1]区间中的随机参量?，倘若
r??，那么新状态j则应为关键的状态，那么即用j来代替i而表示的是当下的
状态，反之，则依旧用i来表述当下的状态，然后循环进行上述新状况下的生产
步骤。
在学术上，我们将上述接受新状况的规则命名为Metropolis定则，对应的演算方法确定为Metropolis演算方法。
在SA体系中运用了以上的定则，因此，变成全局中的寻找优化的演算方法。
Metropolis定则及其演算方法的优势在于：中间求解时在确定的接受概率下挣脱
局部极小，规避进入局部极小点的几率，接着，在一定掌握好度的退火温度环境中进行求解，并寻觅得到最优解。倘若无Metropolis定则，自然难以称得上是全局的寻优，其演算方法至多为一类局部化的算法，无法获得真正意义上的最优解。本论文主要绘制出以往的SA步骤图(如下图2-1所示)，其相关的原理在前人Ingber L以及ArtsE，Korst J等学者的著作中有所涉及。
随机地挑选出最初化的模型结构m0，演算有关能量的函数E(m0)。 由于模型扰动出现新的模型结构，其表达式为m1= m0+?m0，演算有关能量的函数E(m1)。 ?E?E(m1)?E(m0) Y N ?E?0? m0= m1 新型模型基于Metropolis定则接受 迟缓地减少温度 达到收敛的要求为止
图2-1 传统型SA步骤图示
根据上图2-1可知，Metropolis演算方法中含有的内循环以及外循环数量均为1个。所谓的是内循环指的是处于相同温度环境下的数次扰动所出现的相异性的模型状况，同时基于Metropolis定则来接受新的模型，因而其控制的依据为模型扰动的次数；外循环主要含纳了温度减少环境下的模拟退火算法有关的迭代次数增加及其终止时所对应的要求。因而，大体上迭代次数是最为主要的掌控因子。
就理论层面而言，SA可以被认为是全局最优的演算方法，然而在将其运用
于生活中时，考虑到实际的效率问题，而会对原先的算法加以改进，其目的在于确保其能够于有限的时间中按时完成。学者杨辉、重力、康立山以及Kirkpatrick S，Gdatt CD，Vecchi M P等人涉及到了一些比较实用的SA演算方法，而VFSA则是使用的频率最多的一种。它让原先处于理论阶段的模拟退火算法进入到运用的新阶段，拥有了应付实际生活问题的功能。以后，张霖斌，姚振兴，纪晨、师学明以及王家映等学者都根据此算法据此展开了不同程度的分析。、VFSA的演算方法的具体步骤是和SA相一致的，仅仅是为了确保演算能够于有限的时间中实现的缘故，而特意地在如下的几个环节上展开了重点的分析。
2.1.1模型扰动
在SA环境下，可以产生新模型的的方式是对当下的模型施加一定的扰动后才获得的，一般而言，高斯分布法是使用得最为频繁的一种方法，但VFSA所使用的方法借助于温度参量，其具体方法类似于Cauchy的分布法，若用函数式表达话，即表示如下式子：
mi??mi?yi(Bi?Ai) (2-4)
yi?Tsgn(u?0.5)[(1?1/T)|2u?1|?1] （2-5）
上述式子中的mi所表示的是当下模型内的第i个参量；而u所表示的是在区间[0,1]范围[0，1]内布局匀整状态下的随机数；而[Ai,Bi]所表示的是具体mi取值的区间；mi?所表示的是通过扰动之后所获得的模型的第i个参量，同时，mi?∈[Ai,Bi]。采用Cauchy分布法构建新型模型的长处在于：有非常明显的温度演变现象，即高温环境中有极大的搜寻空间，而处于低温环境下其搜寻的空间局限于当下模型的四周。同时，因为它有的“尾巴”比较地平整均匀，这就造成了该方法可以比较方便地且在短时间内快速地挣脱出局部的极值。该改进化了方法能够有效地推进SA的收敛速度。
2.1.2接受概率
通过广义层面上的Boltzmann?Gibbs的布局可知，我们能够推导出新的接收概率的函数关系式如下：