CN101364292A - 一种asp模式下企业间生产调度优化方法 - Google Patents

Abstract

一种ASP模式下企业间生产调度优化方法，包括以下步骤：(1)ASP平台企业将生产任务发布到ASP外协平台；(2)设定量子进化算法的参数；(3)进行编码；(4)解码过程，得到整数编码种群Q(t)；再由随机键编码得到工序序列；(5)对Q(t)中的每一条染色体根据适应度函数计算其适应度值；(6)取种群Q(t)中拥有最小适应度值的染色体q_best，q_best对应的二进制染色体为种群R(t)中的最优个体T_best，对应的量子染色体为种群P(t)中的最优个体p_best；(7)对照T_best和R_i (t)，对种群P(t)进行量子交叉和量子变异；(8)利用量子旋转门进行状态更新；(9)得到最优的调度方案。本发明能有效增进企业群间的协作生产共享、提高资源利用率、操作简单、可快速得到有效的生产调度结果。

Description

一种ASP模式下企业间生产调度优化方法

技术领域

本发明涉及一种企业生产调度优化方法，尤其是一种ASP模式下企业间生产调度优化方法。

背景技术

网络经济时代的到来，给中小制造企业提供了新的机遇与竞争压力，随着客户化、小批量、多品种、快速交货的生产要求不断增加，旧有的单独生产的模式已经不能与之相匹配，需要建立一种新的网络化制造模式。由于中小企业自身的特点，他们面对生产订单，如何通过网络在企业联盟的众多制造资源中寻找满足一定约束条件的制造资源，对制造资源进行快速高效的集成重组，从而缩短产品的生产周期、降低成本，使企业保持竞争的优势，是一个亟待解决的问题。

2006年至今，浙江网通为中小制造业信息化构建ASP平台，现已在浙江省内进行了试点推广，ASP平台上提供的SCM(供应链管理系统)也在浙江宁波、嘉兴等地的多家中小制造企业投入了使用，取得了良好的市场效应。企业可以向ASP外协平台注册自己的剩余加工能力，也可在需要的时候向ASP外协平台提出外协请求。企业之间可以通过ASP平台来实现网上制造资源的共享，通过ASP的外协平台来对企业间的生产任务进行调度，得到最佳的生产计划。

企业间的生产调度问题可转化为柔性作业车间调度问题，并可描述为：假定在时刻T进行调度，则取该时刻ASP平台获得的所有还未安排的待加工工件(由订单分解而来)作为调度任务。每个工件对应一个与客户满意度相关联的模糊交货期，并由一定加工次序的工序组成。各道工序可由多台属于不同公司的机器加工，并在不同机器上对应着不同的加工时间。各台机器可能在不同的地域，且并非总处于空闲状态，对应的可用时间由该机器所属公司根据自己的生产情况提供。工件在不同地域的机器上转换时需耗费一定的时间及运输成本。调度需解决的问题是：为每个工件每道工序分配加工机器，并确定机器上工序的加工顺序以及开始、结束加工时间，在满足约束条件的同时，优化调度目标。

虽然对车间调度问题的研究已经有几十年的历史，提出了一大批调度方法，但至今尚未形成一套系统的理论与方法，已有方法可归结为以下几大类：数学规划方法、基于规则的调度方法、基于知识的调度方法、启发式图搜索法、局部搜索方法等。最近发展起来的基于生物学、物理学和人工智能的一些具有全局优化性能且通用性强的局部搜索算法。研究较多的有模拟退火(SA)遗传算法(GA)、禁忌搜索(TS)、进化规划(EP)、进化策略(ES)和混沌搜索(CS)等。

现有的调度方法存在的缺陷：不能有效增进企业群间的协作生产共享、资源利用率低、操作麻烦、运算速度慢。

发明内容

为了克服已有的企业间的生产调度优化方法的不能有效增进企业群间的协作生产共享、资料利用率低、操作麻烦、运算速度慢的不足，本发明提供一种能有效增进企业群间的协作生产共享、提高资源利用率、操作简单、可快速得到有效的生产调度结果的ASP模式下企业间生产调度优化方法。

本发明解决其技术问题所采用的技术方案是：

一种ASP模式下企业间生产调度优化方法，所述优化方法包括以下步骤：

(1)、ASP平台企业将生产任务发布到ASP外协平台，记N为待加工的工件总数，组成调度任务集JB＝{J₁，J₂，...，J_N}，J_i为第i个工件，对应交货期为 $d_i=(d_i^L,d_i^U),$ 工序序列集OP＝{op₁，op₂，...，op_N}， ${\mathrm{op}}_i=\{{\mathrm{op}}_{i1},{\mathrm{op}}_{i2},...,{\mathrm{op}}_{{\mathrm{in}}_i}\}$ 为工件J_i的工序序列，op_ij∈WR，表示工件J_i的第j道工序，n_i为工件J_i所包含的工序总数，其中，工序集WR＝{W₁，W₂，...，W_Q}表示所有工序的集合，W_i表示第i个工序代码，该集合里的工序不重复，N为工序总数；

记H为ASP平台提供的可用机器数，机器集EC＝{E₁，E₂，...，E_H}，E_i表示第i台机器编号；机器加工时间集为T_E＝{et₁，et₂，...，et_H}，机器空闲时间集为TE_A＝{te_a₁，te_a₂，...，te_a_H}；CP_i表示机器i的加工成本，工序与机器的关系集W_E＝{w_e_ij|1<＝i<＝Q，1<＝j<＝H}，如果w_e_ij＝1，则表示工序W_i可以在机器E_j上加工；如果w_e_ij＝0，则表示工序W_i不能在机器E_j上加工；记工件从机器i到机器j的运输时间为TF_ij，运输成本为CT_ij；

(2)、设定量子进化算法的参数：包括种群规模、迭代次数，种群规模表示初始调度方案的数量，迭代次数表示算法在解空间中的搜索次数；

(3)、进行编码：设置迭代次数t＝0，随机初始化种群 $P\left(t\right)=\{p_1^t,\&CenterDot;\&CenterDot;\&CenterDot;,p_n^t\},$ 为第t代种群中的第j个个体，且 $p_j^t=\left[\begin{array}{c}{\mathrm{\&alpha;}}_1^t\\ {\mathrm{\&beta;}}_1^t\end{array}\right|\left.\begin{array}{c}{\mathrm{\&alpha;}}_2^t\\ {\mathrm{\&beta;}}_2^t\end{array}\right|\&CenterDot;\&CenterDot;\&CenterDot;\left.\begin{array}{c}{\mathrm{\&alpha;}}_m^t\\ {\mathrm{\&beta;}}_m^t\end{array}\right],$ |α_i|²+|β_i|²＝1，i＝1，2，…，m，m为量子染色体的长度，m满足 $m=({\log }_2\left(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\right)+1)*\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i;$

(4)、解码过程：将量子染色体转化为二进制编码，得到二进制种群R(t)；将二进制编码看成随机键编码，得到整数编码种群Q(t)；再由随机键编码得到工序序列，根据步骤(1)中提供的工序与机器的对应关系、加工时间、加工费用信息，对工序的可选机器集中的每一台机器进行计算，以最小化完工时间或最小化成本费为目标，选取最小数值的机器；

(5)、对Q(t)中的每一条染色体根据适应度函数计算其适应度值，所述适应度函数为：

MIN fitness＝w₁*T_min+w₂*f(●)

其中，T_min表示最大完工时间；f(●)表示加工费用函数；w₁、w₂为权重，且w₁+w₂＝1；

(6)、取种群Q(t)中拥有最小适应度值的染色体q_best，那么q_best对应的二进制染色体为种群R(t)中的最优个体r_best，对应的量子染色体为种群P(t)中的最优个体p_best；

(7)、对照r_best和R_i(t)，对种群P(t)进行量子交叉和量子变异；

(8)、利用量子旋转门进行状态更新；

(9)、判断是否达到最大迭代次数，如果没有达到，进行下一次迭代过程：t＝t+1，并重复(4)～(8)；如果达到最大迭代次数，对最优解进行解码，得到最优的调度方案。

作为优选的一种方案：所述的步骤(4)包括：

(4.1)、根据中概率幅的取值情况构造长度为m的二进制串

其具体方法：产生[0，1]上的一个随机数s，若 ${\left|{\mathrm{\&alpha;}}_i^t\right|}^2>s,$ 则对应取值为1，否则为0，由此得到二进制种群R(t)；

(4.2)、将二进制种群R(t)转化为整数编码种群Q(t)；

(4.3)、根据种群Q(t)，确定工件的加工序列，采用基于工序的编码方式：每个基因代表一道工序，同一工件的工序指定相同的符号；

(4.4)、对染色体的每一位基因确定机器的选用方案：采用基于规则的方法，根据步骤(1)中提供的工序与机器的对应关系、加工时间、加工费用信息，对工序的可选机器集中的每一台机器，得到相应的适应度函数值，选取获得最小适应度函数值的机器。

作为优选的另一种方案：所述的步骤(8)中，由量子旋转门更新量子位概率幅来实现：

$\left[\begin{array}{c}{\mathrm{\&alpha;}}_i^{\&prime;}\\ {\mathrm{\&beta;}}_i^{\&prime;}\end{array}\right]=U\left({\mathrm{\&theta;}}_i\right)\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\&theta;}}_i\right)& -\sin \left({\mathrm{\&theta;}}_i\right)\\ \sin \left({\mathrm{\&theta;}}_i\right)& \cos \left({\mathrm{\&theta;}}_i\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right];$

其中，[α_i，β_i]^T为第i个量子位概率幅，θ_i为旋转角，且满足：

θ_i＝s(α_i，β_i)Δθ_i

θ_i大小和方向的调整策略如表1所示：

表1 量子旋转门的调整策略

r_i和b_i分别表示解r与当前最优个体b的第i个量子位对应的二进制位，f(●)为目标函数，Δθ_i和s(α_i，β_i)为旋转角的幅度和旋转方向。

本发明的技术构思为：量子进化算法(Quantum-inspired EvolutionaryAlgorithm，QEA)是在概率进化算法的基础上发展起来的新的进化算法。它采用量子比特染色体编码，通过量子门变异来进化染色体，然后观察量子染色体的状态来生成二进制解，最后通过对量子门叠加态的作用实现进化操作。本发明采用量子进化算法来进行企业间生产任务的分配，提供了一条新的思路和行之有效的实现途径。

量子进化算法(QEA)将量子系统中的量子叠加性和并行性与传统的进化算法相结合，建立在量子的态矢量表达基础上，将量子的概率幅标时应用于染色体的编码，使一个染色体能够表征多个态的叠加，比传统的进化算法更具并行性。QEA算法原理简单，易于实现；种群分散性好，小种群个体可以对应多个个体的编码；群力搜索，具有极强的全局搜索能力；协同搜索，具有利用当前最优个体信息算法意义不搜索的能力；收敛速度快，能够很快的发现最优解；易于与其他算法混合。

本发明的有益效果主要表现在：1、能有效增进企业群间的协作生产共享、提高资源利用率；2、操作简单、可快速得到有效的生产调度结果；3、在ASP模式下实现低成本、高质量和短周期的生产任务制造。

附图说明

图1是ASP模式下企业间生产调度优化方法的流程图。

图2是ASP模式下企业间生产调度系统的原理框图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种ASP模式下企业间生产调度优化方法，包括以下步骤：

(1)、ASP平台企业将生产任务发布到ASP外协平台，记N为待加工的工件总数，组成调度任务集JB＝{J₁，J₂，...，J_N}。J_i为第i个工件，对应交货期为 $d_i=(d_i^L,d_i^U).$ 工序序列集OP＝{op₁，op₂，...，op_N}， ${\mathrm{op}}_i=\{{\mathrm{op}}_{i1},{\mathrm{op}}_{i2},...,{\mathrm{op}}_{{\mathrm{in}}_i}\}$ 为工件J_i的工序序列，op_ij∈WR，表示工件J_i的第j道工序，n_i为工件J_i所包含的工序总数。其中，工序集WR＝{W₁，W₂，...，W_Q}表示所有工序的集合，W_i表示第i个工序代码。该集合里的工序不重复，N为工序总数。

记H为ASP平台提供的可用机器数，机器集EC＝{E₁，E₂，...，E_H}，E_i表示第i台机器编号。机器加工时间集为T_E＝{et₁，et₂，...，et_H}，机器空闲时间集为TE_A＝{te_a₁，te_a₂，...，te_a_H}。CP_i表示机器i的加工成本。工序与机器的关系集W_E＝{w_e_ij|1<＝i<＝Q，1<＝j<＝H}，如果w_e_ij＝1，则表示工序W_i可以在机器E_j上加工；如果w_e_ij＝0，则表示工序W_i不能在机器E_j上加工。记工件从机器i到机器j的运输时间为TF_ij，运输成本为CT_ij。该调度问题以最小化完工时间、最小化成本费用为目标。所以适应度函数为：

MIN fitness＝w₁*T_min+w₂*f(●)

其中，T_min表示最大完工时间；f(●)表示加工费用函数；w₁、w₂为权重，且w₁+w₂＝1，具体取值可视情况而定。

(2)、设定量子进化算法的参数：包括种群规模、迭代次数。种群规模表示初始调度方案的数量，迭代次数表示算法在解空间中的搜索次数。

(3)、根据上述步骤的信息，进行编码：

设置迭代次数t＝0，随机初始化种群 $P\left(t\right)=\{p_1^t,\&CenterDot;\&CenterDot;\&CenterDot;,p_n^t\},$

为第t代种群中的第j个个体，且 $p_j^t=\left[\begin{array}{c}{\mathrm{\&alpha;}}_1^t\\ {\mathrm{\&beta;}}_1^t\end{array}\right|\left.\begin{array}{c}{\mathrm{\&alpha;}}_2^t\\ {\mathrm{\&beta;}}_2^t\end{array}\right|\&CenterDot;\&CenterDot;\&CenterDot;\left.\begin{array}{c}{\mathrm{\&alpha;}}_m^t\\ {\mathrm{\&beta;}}_m^t\end{array}\right],$ |α_i|²+|β_i|²＝1，i＝1，2，…，m，m为量子染色体的长度，m满足 $m=({\log }_2\left(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\right)+1)*\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i.$

(4)、解码过程：该发明采用量子进化方法，而对该调度问题需要解决的是对所有加工工件的工序排列，一般采用基于整数的编码方案。因此需要将量子染色体转化为第一步中要求的基于工序的整数编码，采用如下方案：1、将量子染色体转化为二进制编码；2、将二进制编码看成随机键编码；3、由随机键编码得到工序序列。

第一步：根据

中概率幅的取值情况构造长度为m的二进制串

其具体方法：产生[0，1]上的一个随机数s，若 ${\left|{\mathrm{\&alpha;}}_i^t\right|}^2>s,$ 则对应取值为1，否则为0。由此得到二进制种群R(t)。

第二步：将二进制种群R(t)转化为整数编码种群Q(t)。

第三步：根据种群Q(t)，确定工件的加工序列，采用基于工序的编码方式：每个基因代表一道工序，同一工件的工序指定相同的符号。假定得到的种群Q(t)中的一个个体为[011220]，设Q_ij为工件i的第j道工序，依照工艺约束，该染色体对应的有序操作表为[Q₁₁ Q₂₁ Q₂₂ Q₁₂ Q₁₃ Q₂₃]。

第四步：对染色体的每一位基因确定机器的选用方案：在上一步加工序列已确定的基础上采用基于规则的方法，根据步骤(1)中提供的工序与机器的对应关系、加工时间、加工费用等信息，对工序的可选机器集中的每一台机器，能得到相应的适应度函数值，选取获得最小适应度函数值的机器。

(5)、对Q(t)中的每一条染色体根据步骤(1)中的适应度函数计算其适应度值。

(6)、取种群Q(t)中拥有最小适应度值的染色体q_best，那么q_best对应的二进制染色体为种群R(t)中的最优个体r_best，对应的量子染色体为种群P(t)中的最优个体p_best。

(7)、对照r_best和R_i(t)，对种群P(t)进行量子交叉和量子变异。

(8)、利用量子旋转门进行状态更新：在量子进化算法中，量子门是最终实现进化操作的执行机构，最常用的为量子旋转门，进化过程由量子旋转门更新量子位概率幅来实现：

$\left[\begin{array}{c}{\mathrm{\&alpha;}}_i^{\&prime;}\\ {\mathrm{\&beta;}}_i^{\&prime;}\end{array}\right]=U\left({\mathrm{\&theta;}}_i\right)\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\&theta;}}_i\right)& -\sin \left({\mathrm{\&theta;}}_i\right)\\ \sin \left({\mathrm{\&theta;}}_i\right)& \cos \left({\mathrm{\&theta;}}_i\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right]$

其中，[α_i，β_i]^T为第i个量子位概率幅，θ_i为旋转角，且满足：

θ_i＝s(α_i，β_i)Δθ_i

θ_i大小和方向的调整策略如表1所示：

表1 量子旋转门的调整策略

r_i和b_i分别表示解r与当前最优个体b的第i个量子位对应的二进制位，f(●)为目标函数，Δθ_i和s(α_i，β_i)为旋转角的幅度和旋转方向。

(9)、判断是否达到最大迭代次数，如果没有达到，进行下一次迭代过程：t＝t+1，并重复(4)～(8)；如果达到最大迭代次数，对最优解进行解码，得到最优的调度方案。

(10)、企业根据调度方案，进行生产派工，即：需要外协的部分通过ASP外协平台向相应企业发出外协生产任务申请，得到生产外协企业的生产确认后，安排自有的生产计划。如外协企业拒绝加工，则根据情况，重新进行生产调度，即重新重复(1)～(9).

(11)、ASP平台生产协助企业在得到生产协助单后，根据自身情况，如确认可以进行生产，则向请求企业发出生产确认单，并将生产协助单插入到自己的生产计划表中，进行生产；如不能生产，则拒绝生产协助单，并相应撤回自己的剩余加工能力。

参照图2，应用本实施例的方法实现的企业间生产调度系统主要包括：外协平台子系统、智能算法子系统。

所述的外协平台子信息系统包括：

ASP企业外协生产能力注册：该功能主要给ASP平台上的成员企业提供剩余加工能力注册，主要包括机器型号、可加工工艺、预定加工费用、机器可使用日期范围以及企业的基本信息(地点、联系人、联系方式等等)，这些是企业间生产调度所必需的基本信息。

外协订单发布：盟主企业将外协订单发布功能将外协订单发布到ASP外协平台上，为下一步的企业间生产调度做准备。

外协订单确认：成员企业如果接受加工计划，可以确定委外订单，并将确定信息范围给盟主企业。

安排生产计划：成员企业将委外订单插入到自有的加工计划中，并进行生产排程。

所述的智能算法子系统包括：

加工时间最短调度：优化的目标是此次加工任务时间最少，该调度具有以下功能：

1.1 智能算法调度：采用本发明的生产调度方案进行生产调度，显示调度结果，为下一步生成委外单做准备，调度的过程如图1所示。

1.2 生成委外单：对满意的调度结果生成生产委外单，并发送到相应企业。

1.3 图形化结果显示：使用甘特图将调度结果显示出来；

制造费用最少调度：优化的目标是此次加工费用最少，该调度具有以下功能：

2.1 智能算法调度：采用本发明的生产调度方案进行生产调度，显示调度结果，为下一步生成委外单做准备，调度的过程如图1所示。

2.2 生成委外单：对满意的调度结果生成生产委外单，并发送到相应企业。

2.3 图形化结果显示：使用甘特图将调度结果显示出来。

Claims (2)

1、一种ASP模式下企业间生产调度优化方法，其特征在于：所述优化方法包括以下步骤：

(1)、ASP平台企业将生产任务发布到ASP外协平台，记N为待加工的工件总数，组成调度任务集JB＝{J₁，J₂，...，J_N}，J_i为第i个工件，对应交货期为 $d_i=(d_i^L,d_i^U),$ 工序序列集OP＝{op₁，op₂，...，op_N}， ${\mathrm{op}}_i=\{{\mathrm{op}}_{i1},{\mathrm{op}}_{i2},...,{\mathrm{op}}_{{\mathrm{in}}_i}\}$ 为工件J_i的工序序列， ${\mathrm{op}}_{\mathrm{ij}}\&Element;\mathrm{WR},$ 表示工件J_i的第j道工序，n_i为工件J_i所包含的工序总数，其中，工序集WR＝{W₁，W₁，...，W_Q}表示所有工序的集合，W_i表示第i个工序代码，该集合里的工序不重复，N为工序总数；

记H为ASP平台提供的可用机器数，机器集EC＝{E₁，E₂，...，E_H}，E_i表示第i台机器编号；机器加工时间集为T_E＝{et₁，et₂，...，et_H}，机器空闲时间集为TE_A＝{te_a₁，te_a₂，...，te_a_H}；CP_i表示机器i的加工成本，工序与机器的关系集W_E＝{w_e_ij|1<＝i<＝Q，1<＝j<＝H}，如果w_e_ij＝1，则表示工序W_i可以在机器E_j上加工；如果w_e_ij＝0，则表示工序W_i不能在机器E_j上加工；记工件从机器i到机器j的运输时间为TF_ij，运输成本为CT_ij；

(2)、设定量子进化算法的参数：包括种群规模、迭代次数，种群规模表示初始调度方案的数量，迭代次数表示算法在解空间中的搜索次数；

(3)、进行编码：设置迭代次数t＝0，随机初始化种群 $P\left(t\right)=\{p_1^t,\&CenterDot;\&CenterDot;\&CenterDot;,p_n^t\},$

为第t代种群中的第j个个体，且 $p_j^t=\left[\begin{array}{c}{\mathrm{\&alpha;}}_1^t\\ {\mathrm{\&beta;}}_1^t\end{array}\right|\left.\begin{array}{c}{\mathrm{\&alpha;}}_2^t\\ {\mathrm{\&beta;}}_2^t\end{array}\right|\&CenterDot;\&CenterDot;\&CenterDot;\left.\begin{array}{c}{\mathrm{\&alpha;}}_m^t\\ {\mathrm{\&beta;}}_m^t\end{array}\right],$ ${\left|{\mathrm{\&alpha;}}_i\right|}^2+{\left|{\mathrm{\&beta;}}_i\right|}^2=1;$ i＝1，2，…，m，m为量子染色体的长度，m满足 $m=({\log }_2\left(\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i\right)+1)*\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{n}_i;$

(4)、解码过程：将量子染色体转化为二进制编码，得到二进制种群R(t)；将二进制编码看成随机键编码，得到整数编码种群Q(t)；再由随机键编码得到工序序列，根据步骤(1)中提供的工序与机器的对应关系、加工时间、加工费用信息，对工序的可选机器集中的每一台机器进行计算，以最小化完工时间或最小化成本费为目标，选取最小数值的机器；

(5)、对Q(t)中的每一条染色体根据适应度函数计算其适应度值，所述适应度函数为：

MIN fitness＝w₁*T_min+w₂*f(·)

其中，T_min表示最大完工时间；f(·)表示加工费用函数；w₁、w₂为权重，且w₁+w₂＝1；

(6)、取种群Q(t)中拥有最小适应度值的染色体q_best，那么q_best对应的二进制染色体为种群R(t)中的最优个体r_best，对应的量子染色体为种群P(t)中的最优个体p_best；

(7)、对照r_best和R_i(t)，对种群P(t)进行量子交叉和量子变异；

(8)、利用量子旋转门进行状态更新；

(9)、判断是否达到最大迭代次数，如果没有达到，进行下一次迭代过程：t＝t+1，并重复(4)～(8)；如果达到最大迭代次数，对最优解进行解码，得到最优的调度方案。

2、如权利要求1所述的一种ASP模式下企业间生产调度优化方法，其特征在于：所述的步骤(4)包括：

(4.1)、根据

中概率幅的取值情况构造长度为m的二进制串

其具体方法：产生[0，1]上的一个随机数s，若 ${\left|{\mathrm{\&alpha;}}_i^t\right|}^2>s,$ 则对应取值为1，否则为0，由此得到二进制种群R(t)；

(4.2)、将二进制种群R(t)转化为整数编码种群Q(t)；

(4.3)、根据种群Q(t)，确定工件的加工序列，采用基于工序的编码方式：每个基因代表一道工序，同一工件的工序指定相同的符号；

(4.4)、对染色体的每一位基因确定机器的选用方案：采用基于规则的方法，根据步骤(1)中提供的工序与机器的对应关系、加工时间、加工费用信息，对工序的可选机器集中的每一台机器，得到相应的适应度函数值，选取获得最小适应度函数值的机器。

3、如权利要求1或2所述的一种ASP模式下企业间生产调度优化方法，其特征在于：所述的步骤(8)中，由量子旋转门更新量子位概率幅来实现：

$\left[\begin{array}{c}{\mathrm{\&alpha;}}_i^{\&prime;}\\ {\mathrm{\&beta;}}_i^{\&prime;}\end{array}\right]=U\left({\mathrm{\&theta;}}_i\right)\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right]=\left[\begin{array}{cc}\cos \left({\mathrm{\&theta;}}_i\right)& -\sin \left({\mathrm{\&theta;}}_i\right)\\ \sin \left({\mathrm{\&theta;}}_i\right)& \cos \left({\mathrm{\&theta;}}_i\right)\end{array}\right]\left[\begin{array}{c}{\mathrm{\&alpha;}}_i\\ {\mathrm{\&beta;}}_i\end{array}\right];$

其中，[α_i，β_i]^T为第i个量子位概率幅，θ_i为旋转角，且满足：

θ_i＝s(α_i，β_i)Δθ_i

θ_i大小和方向的调整策略如表1所示：

        表1 量子旋转门的调整策略

r_i和b_i分别表示解r与当前最优个体b的第i个量子位对应的二进制位，f(·)为目标函数，Δθ_i和s(α_i，β_i)为旋转角的幅度和旋转方向。

Images