CN101256648A - 一种应用在生产排程系统的基于订单结构的遗传操作算子 - Google Patents

Abstract

本发明提供了一种应用在生产排程系统的基于订单结构的遗传操作算子，对可行解池和不可行解池内的解选择性进行选择、交叉、变异操作，得到各种遗传解，为之后的排程优化，提供一个基础。此种遗传操作算子通过交叉变异方式处理多层次BOM结构的复杂工艺的订单排程问题，在遗传操作过程中，维持产品BOM结构，使遗传算法的设计简单，优化不受限制性条件的约束。而选择算子使群体进行了优胜劣汰的进化，使整体品质得以提高，并对劣解的适当选择，防止群体成熟前收敛，或者遗传算法搜索引向局部极值点，在很大程度上提升了遗传算法收敛性的效果和速度。

Description

一种应用在生产排程系统的基于订单结构的遗传操作算子

技术领域

本发明涉及一种应用在生产排程系统中的遗传操作算子，用于处理多层次BOM结构的复杂工艺的订单排程问题。

背景技术

遗传算法是一种基于基因学和遗传学机理产生的直接搜索优化方法，它通过基因串的选择、交叉、变异，来寻求最佳解决方案。近年来，这种算法作为一种通用的优化算法，因其编码技术和遗传操作比较简单、优化不受限制性条件的约束、尤其是具有并行计算能力和全局解空间搜索能力，被广泛的应用在各行各业。生产排程问题——即如何合理利用有限的资源达到预期的生产目标，也可以通过这种算法进行优化解决。

应用遗传算法来解决生产排程问题可以通过以下步骤来实现：首先，对参与排程的工单进行置换编码，生成初始化种群；然后，选择优秀个体作为父代种群，进行交叉、变异，生成子代种群，再对子代种群进行解码操作，得到排程方案；再对排程方案进行约束条件检验，保留优秀个体；重复进行以上选择、交叉、变异操作和约束条件检验两个步骤，直至最优个体达到优化目标。

在此过程中应用遗传算法来解决生产排程问题实质上是通过遗传操作，即选择、交叉、变异操作，来不断产生新的基因，并淘汰劣等基因、保持优良基因，逐步优化完善方案的。因此遗传操作的设计成为能否得到高质量优化排程方案的关键。

Job Shop(车间)调度问题是许多实际生产调度问题的简化模型，是一个典型的NP-hard问题，是目前研究的最广泛的一类典型调度问题。但针对传统Job Shop调度问题设计的遗传算法，尤其是遗传操作的设计，在处理具有多层次BOM(Bill of Material，物料清单)结构的工艺复杂的订单时具有一定的局限性。

发明内容

本发明的目的在于提供一种应用在生产排程系统的基于订单结构的遗传操作算子，对可行解池和不可行解池内的解选择性进行选择、交叉、变异操作，得到各种遗传解，为之后的排程优化，提供一个基础。

在具体应用遗传算法解决排程问题时，遗传操作是针对已有的遗传基因串，即排程方案解，进行的。已生成的解可以根据是否符合约束条件，分作可行解和不可行解，分别存入可行解池和不可行解池。为了避免无解状况和增强多样性，遗传算方法在这两个解池的基础上选择优秀个体，选择性进行交叉、变异操作，生成下一代基因串，为排程方案解的优胜劣汰提供基础，选择、交叉、变异操作包括以下特征：

1.选择是通过设置选择率κ为阈值来实现的：若可行解池中个体数目与种群规模的比值小于κ，则可行解池中全部个体作为父代种群；若可行解池中解的数目与种群规模的比值大于κ，则从可行解池中选择种群规模的κ倍的个体作为父代种群，并从不可行解池中选择部分个体补足所需种群规模，即使得不可行解池中选择的个体数目与之前在可行解池选择的个体数目之和达到种群规模；此处种群规模为计算前预定义的父代种群的大小；

2.交叉是从父代种群中选取一对代表排程方案的基因串个体，并选择交叉操作算子进行交叉操作生成一对新的个体，存入子代种群，直至子代个数达到交叉率所规定的足够数目；

3.变异是从父代种群中选取一个代表排程方案的基因串个体，并选择变异操作算子进行变异操作生成一个新的个体，存入子代种群，直至子代个数达到变异率所规定的足够数目；

所述1中的选择率κ阈值设置的范围为

所述1中可行解池中解的数目与种群规模的比值大于κ情况下对可行解池中解的选择，是通过按解适应度值的高低作为其被选择到的概率，由轮盘赌方式来实现的。

所述1中不可行解池中解的选择，是按解的适应度值由高至低的次序来选择的。

所述2中的交叉操作算子，为三种交叉操作算子：a.两段式交叉操作算子：一父代基因串分两段和另一父代基因串进行比较、删除、替换，生成子代基因串；b.订单位置不变交叉操作算子：一父代基因串保留同一订单所涉及工单或工序的基因位，其他基因位由另一父代基因串的非所述订单所涉及工单或工序的基因位进行补充，生成子代基因串；c.订单加工顺序改变交叉操作算子：一父代基因串中同一订单所涉及工单或工序的基因位由另一父代基因串的所述订单所涉及工单或工序的基因位进行替换，生成子代基因串。其中，两段式交叉操作算子包括三种子算子：保留父代基因串前段、或保留父代基因串后段、或保留父代基因串较长段。

所述3中的变异操作算子包括以下两种交变异操作算子：a.产品加工顺序重排列变异算子：父代基因串交换同一订单所涉及工单或工序的基因位顺序，生成子代基因串；b.在可行范围内随机插入变异算子：父代基因串随机选择某个点插入到串中的不同随机位置，而可插入的可行范围受订单加工顺序的约束，变异点多与等于一个。

此外，当连续进行交叉、变异操作，选择交叉算子、变异操作时：交叉操作算子选择两段式交叉算子时，变异操作算子选择在可行范围内随机插入变异算子；当交叉操作算子选择订单位置不变交叉操作算子时，变异操作算子选择在可行范围内随机插入变异算子；当交叉操作算子选择加工顺序重排列改变交叉操作算子时，变异操作算子选择产品加工顺序重排列变异算子。

本发明的有意效果是：通过交叉变异方式能够处理多层次BOM结构的复杂工艺的订单排程问题，在遗传操作过程中，维持产品BOM结构，拓展了遗传算法在生产排程领域中的应用，使遗传算法的设计简单，优化不受限制性条件的约束，具有并行计算能力和全局解空间搜索能力的优点在选定排程过程中得到显现。而选择算子在遗传算法中表现为优良个体在下一代群体中具有较强的繁殖能力，而劣质个体则逐渐被淘汰，群体的整体品质得以提高。并且通过对劣解的适当选择，防止群体成熟前收敛，或者遗传算法搜索引向局部极值点。在很大程度上提升了遗传算法收敛性的效果和速度。从而为得到一个最优化排程方案奠定了良好的基础，最终提高了企业生产资源的使用效率，降低了成本，增加了企业的竞争力。

附图说明

图1遗传算法选择操作流程图。

图2遗传算法交叉操作流程图。

图3遗传算法变异操作流程图。

具体实施方式

下面结合附图和实施例对本发明进一步说明。

应用在生产排程系统的基于订单结构的遗传操作算子，包括包括选择、交叉、和变异，在实际实施时可以酌情选择实施以上三种操作一种或两种，本最佳实施例将就三种操作都进行仔细阐述，具体设计如下：

1.选择：

从可行解池和不可行解池中选择优秀个体作为父代种群，流程请参阅图1，

即遗传算法选择操作流程图，具体包括以下步骤：

1)设置选择率κ，所述κ的取值范围为

2)判断可行解池中个体数目是否小于种群规模的κ倍：如果是，执行步骤3，否则执行步骤4；

3)可行解池中全部个体插入父代种群，执行步骤5；

4)可行解池中按解的适应度值的高低作为其被选择到的概率，由轮盘赌方式选择种群规模种群规模的κ倍的个体插入父代种群；

5)在不可行解池中按照适应度值高低顺序选择剩余解插入父代种群，使得总的父代种群达到种群规模。

2.交叉：父代种群之间进行交叉操作生成子代种群个体，流程请参阅图2，即遗传算法交叉操作流程图，具体包括以下步骤：

1)计算交叉次数；

2)从父代种群中随机选择两个个体；

3)根据迭代次数，确定交叉算子：两段式交叉方式，或订单位置不变交叉方式，或订单加工顺序改变交叉方式；

4)根据选定的交叉方式两个父代基因串进行交叉，设两个父代基因串为P₁、P₂，生成的子代基因串为Q₁、Q₂：

a)两段式交叉方式：将输入的父代基因串P₁分为两段，其中一段直接保留赋值给子代基因串Q₁，并将该段与父代基因串P₂比较，删除P₂中相同的基因位，将P₂中剩余基因赋值给子代基因串Q₁空值基因位，生成子代基因串Q₁。交换P₁、P₂，并执行同样操作，生成子代基因串Q₂。

两段式交叉方式中，有三种子方式：保留父代基因串前段、保留父代基因串后代、保留父代基因串较长的一段。我们将子代个体的产生分为三部分，分别用这三种方式。

b)订单位置不变交叉方式：在父代基因串P₁中随机查找一个基因位，由此得到该基因位对应的工单。由该工单找到对应的需要加工的订单。在基因串P₁中查找所有属于该订单的所有工单的所有工序，并赋值给子代基因串Q₁中相同的基因位。父代基因串P₂中删除所有属于该订单的所有工单的所有工序，并将剩余的基因依次赋值给Q₁中空值基因位。生成子基因串Q₁。交换P₁、P₂，并执行同样操作，生成子代基因串Q₂。

c)订单加工顺序改变交叉方式：在父代基因串P₁中随机查找一个基因位，由此得到该基因位对应的工单。由该工单找到对应的需要加工的订单。在基因串P₁中查找所有属于该订单的所有工单的所有工序，在P₂中查找所有属于该订单的所有工单的所有工序。P₁中所有属于该订单的所有工单的所有工序用P₂中所有属于该订单的所有工单的所有工序所代替，产生子代基因串Q₁。交换P₁、P₂，并执行同样操作，生成子代基因串Q₂。

5)将新生成的子代基因串个体Q₁、Q₂插入子代种群；

6)是否达到目标交叉次数：如是，结束交叉操作；如否，回到步骤2；

3.父代种群之间进行变异操作生成子代种群个体，流程请参阅图3，即遗传算法变异操作流程图，具体包括以下步骤：

1)计算变异次数；

2)从种群中随机选择一个体；

3)根据已选择的交叉算子，确定变异算子：产品加工顺序重排列变异算子或在可行范围内随机插入变异算子；

4)根据选定的变异方式对给定基因串进行变异：

a)产品加工顺序重排列变异算子：在基因串中随机查找一个基因位，由此得到该基因位对应的工单。由该工单找到对应的需要加工的订单。在基因串中查找所有属于该订单的所有工单的所有工序。保留这些工序在原基因串中的位置不变，但是改变这些工序之间的先后顺序，由此产生新基因串。

b)在可行范围内随机插入变异算子：在基因串中随机查找一个基因位，由此得到该基因位对应的工单。由该工单找到对应的需要加工的订单中该工单的所有上层工单集合和下层工单集合。从该基因位起向左遍历，第一个值属于下层工单集合的基因位作为该基因位的左结点。从该基因位起向右遍历，第一个值属于上层工单集合的基因位作为该基因位的右结点。将该基因位删除并在左右结点范围之间随机插入来实现变异。该过程可重复进行多次，直到满足该新个体与原个体相比，有足够的差异度。

5)将新生成的基因串个体插入子代种群；

6)是否达到目标变异次数：如是，结束交叉操；如否，回到步骤2；

综上所述仅为发明的较佳实施例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应为本发明的技术范畴。

Claims (8)

1.一种应用在生产排程系统的基于订单结构的遗传操作算子，包括选择、和/或交叉、和/或变异，其特征在于：

①选择是通过设置选择率κ为阈值来实现的：若可行解池中个体数目与种群规模的比值小于κ，则可行解池中全部个体作为父代种群；若可行解池中解的数目与种群规模的比值大于κ，则从可行解池中选择种群规模的κ倍的个体作为父代种群，并从不可行解池中选择部分个体补足所需种群规模，即使得不可行解池中选择的个体数目与之前在可行解池选择的个体数目之和达到种群规模；此处种群规模为计算前预定义的父代种群的大小；

②交叉是从父代种群中选取一对代表排程方案的基因串个体，并选择交叉操作算子进行交叉操作生成一对新的个体，存入子代种群，直至子代个数达到交叉率所规定的足够数目；

③变异是从父代种群中选取一个代表排程方案的基因串个体，并选择变异操作算子进行变异操作生成一个新的个体，存入子代种群，直至子代个数达到变异率所规定的足够数目；

2.根据权利要求1所述的应用在生产排程系统的基于订单结构的遗传操作算子，其特征在于：

所述①中的选择率κ阈值设置的范围为

3.根据权利要求1所述的应用在生产排程系统的基于订单结构的遗传操作算子，其特征在于：

所述①中可行解池中解的数目与种群规模的比值大于κ情况下对可行解池中解的选择，是通过按解适应度值的高低作为其被选择到的概率，由轮盘赌方式来实现的。

4.根据权利要求1所述的应用在生产排程系统的基于订单结构的遗传操作算子，其特征在于：

所述①中不可行解池中解的选择，是按解的适应度值由高至低的次序来选择的。

5.根据权利要求1所述的应用在生产排程系统的基于订单结构的遗传操作算子，其特征在于：

所述②中的交叉操作算子，为三种交叉操作算子：a.两段式交叉操作算子：

一父代基因串分两段和另一父代基因串进行比较、删除、替换，生成子代基因串；b.订单位置不变交叉操作算子：一父代基因串保留同一订单所涉及工单或工序的基因位，其他基因位由另一父代基因串的非所述订单所涉及工单或工序的基因位进行补充，生成子代基因串；c.订单加工顺序改变交叉操作算子：一父代基因串中同一订单所涉及工单或工序的基因位由另一父代基因串的所述订单所涉及工单或工序的基因位进行替换，生成子代基因串。

6.根据权利要求5所述的应用在生产排程系统的基于订单结构的遗传操作算子，其特征在于：

所述的两段式交叉操作算子包括三种子算子：保留父代基因串前段、或保留父代基因串后段、或保留父代基因串较长段。

7.根据权利要求1所述的应用在生产排程系统的基于订单结构的遗传操作算子，其特征在于：

所述③中的变异操作算子包括以下两种交变异操作算子：a.产品加工顺序重排列变异算子：父代基因串交换同一订单所涉及工单或工序的基因位顺序，生成子代基因串；b.在可行范围内随机插入变异算子：父代基因串随机选择某个点插入到串中的不同随机位置，而可插入的可行范围受订单加工顺序的约束，变异点多与等于一个。

8.根据权利要求7所述的应用在生产排程系统的基于订单结构的遗传操作算子，进行交叉、变异操作，选择交叉算子、变异操作时，其特征在于：

当交叉操作算子选择两段式交叉算子时，变异操作算子选择在可行范围内随机插入变异算子；当交叉操作算子选择订单位置不变交叉操作算子时，变异操作算子选择在可行范围内随机插入变异算子；当交叉操作算子选择加工顺序重排列改变交叉操作算子时，变异操作算子选择产品加工顺序重排列变异算子。

Images