概要：本章介紹了造船企業跨車間集成作業計劃問題的NP性質，分析了遺傳算法（GA）、蟻群算法（ACO）這兩種近期發展迅速的智能算法的尋優原理及特點，介紹了一種結合這兩種算法的組合智能算法（GA.ACO）的算法流程，提出了一種新的組合智能算法（HACO），並給出了其算法流程。
由於2階段以上的FSP等基本作業計劃問題即屬於NP問題［19］，而本書所研究的造船企業跨車間集成作業計劃問題更為複雜，因此其顯然屬於NP問題。對於NP問題，必須采用啟發式規則或智能優化算法進行求解，其中智能優化算法比啟發式規則具有更好的尋優精度，而組合智能算法往往又比單個智能算法具有更好的尋優性能［75~77］。本書將在現有智能優化算法的基礎上，開發一種新的組合智能算法進行問題求解，並與原來的算法進行性能對比。鑒於本書第4章至第6章都將采用這些算法，因此這章給予統一介紹。
清華大學的金鋒等［104］、北京航空航天大學的段海濱等［105］指出，在現代智能算法中，ACO算法和GA算法是20世紀末發展起來的兩種新型算法。它們均是基於對原有信息的更新進行尋優。ACO算法采用正反饋原理，加快了進化過程，並且其具有很強的並行性，個體之間不斷進行信息交流和傳遞，有利於發現較好解。單個個體容易收斂於局部最優，多個個體通過合作，可很快地收斂於解空間的某一子集。ACO算法存在的問題是容易出現停滯現象，即搜索進行到一定程度後，所有個體所發現的解完全一致，不能對解空間進一步進行搜索。遺傳算法是通過對染色體進行遺傳操作，使其適應值得以更新。清華大學的王淩等［107］認為，GA算法具有快速隨機的全局搜索能力，但對於係統中的反饋信息利用卻無能為力，當求解到一定範圍時，往往要做大量、無為的冗餘迭代，求精確解效率低。
本書將組合GA算法和ACO算法這兩種智能算法構建混雜蟻群算法，充分發揮GA算法並行搜索、魯棒性強、適應性廣和搜索效率高等優點，以及ACO算法的智能搜索、全局優化、分布式計算、穩健性強、易與其他方法結合等優點，達到運算效率高、運算結果集中度和滿意度高的效果。下麵先分別介紹ACO算法和GA算法的原理、特點等，然後再介紹其組合算法。