Random job arrivals that happen frequently in manufacturing practice may create a need for dynamic scheduling. This paper considers an issue of how to reschedule the randomly arrived new jobs to pursue both performance and stability of a schedule in a job shop. Firstly, a mixed integer programming model is established to minimize three objectives, including the discontinuity rate of new jobs during the processing, the makespan deviation of initial schedule, and the sequence deviation on machines. Secondly, four match-up strategies from references are modified to determine the rescheduling horizon. Once new jobs arrive, the rescheduling process is immediately triggered with ongoing operations remain. The ongoing operations are treated as machine unavailable constraints (MUC) in the rescheduling horizon. Then, a particle swarm optimization (PSO) algorithm with improvements is proposed to solve the dynamic job shop scheduling problem. Improvement strategies consist of a modified decoding scheme considering MUC, a population initialization approach by designing a new transformation mechanism, and a novel particle movement method by introducing position changes and a random inertia weight. Lastly, extensive experiments are conducted on several instances. The experiments results show that the modified rescheduling strategies are statistically and significantly better than the compared strategies. Moreover, comparative studies with five variants of PSO algorithm and three state-of-the-art meta-heuristics demonstrate the high performance of the improved PSO algorithm.

在制造实践中经常发生的随机作业到达可能需要动态调度。本文考虑了一个问题，即如何重新安排随机到达的新工作，以在工作车间中追求工作表的性能和稳定性。首先，建立混合整数规划模型以最小化三个目标，包括加工过程中新作业的不连续率，初始计划的制造期偏差和机器上的顺序偏差。其次，对参考文献中的四种匹配策略进行了修改，以确定重新安排的时间范围。一旦有新作业到达，就立即触发重新计划过程，并保持正在进行的操作。在重新计划的范围内，正在进行的操作被视为机器不可用约束（MUC）。然后，为了解决动态作业车间调度问题，提出了一种改进的粒子群优化算法。改进策略包括考虑了MUC的修改后的解码方案，通过设计新的变换机制的总体初始化方法以及通过引入位置变化和随机惯性权重的新颖粒子运动方法。最后，在几种情况下进行了广泛的实验。实验结果表明，改进后的调度策略在统计上明显优于比较策略。此外，对PSO算法的五个变体和三种最新的元启发式算法的比较研究证明了改进的PSO算法的高性能。改进策略包括考虑了MUC的修改后的解码方案，通过设计新的变换机制的总体初始化方法以及通过引入位置变化和随机惯性权重的新颖粒子运动方法。最后，在几种情况下进行了广泛的实验。实验结果表明，改进后的调度策略在统计上明显优于比较策略。此外，对PSO算法的五个变体和三种最新的元启发式算法的比较研究证明了改进的PSO算法的高性能。改进策略包括考虑了MUC的修改后的解码方案，通过设计新的变换机制的总体初始化方法以及通过引入位置变化和随机惯性权重的新颖粒子运动方法。最后，在几种情况下进行了广泛的实验。实验结果表明，改进后的调度策略在统计上明显优于比较策略。此外，对PSO算法的五个变体和三种最新的元启发式算法的比较研究证明了改进的PSO算法的高性能。通过引入位置变化和随机惯性权重的一种新颖的粒子运动方法。最后，在几种情况下进行了广泛的实验。实验结果表明，改进后的调度策略在统计上明显优于比较策略。此外，对PSO算法的五个变体和三种最新的元启发式算法的比较研究证明了改进的PSO算法的高性能。通过引入位置变化和随机惯性权重的一种新颖的粒子运动方法。最后，在几种情况下进行了广泛的实验。实验结果表明，改进后的调度策略在统计上明显优于比较策略。此外，对PSO算法的五个变体和三种最新的元启发式算法的比较研究证明了改进的PSO算法的高性能。