CN105373845A - 制造企业车间的混合智能调度优化方法 - Google Patents

Abstract

本发明公开了一种制造企业车间的混合智能调度优化方法，步骤如下：初始化HS算法和SA算法的相关参数；根据不同的生产任务，输入每个任务所涉及的加工信息；使用基于工序的编码方式对问题进行编码，然后使用随机生成方式生成和声记忆库HM初始解；使用SA算法对所有初始解进行邻域变换，如果变换后的解好于原解则接收，否则以SA算法中随温度递减的概率接收；采用学习和声记忆库、变量微调、随机生成新音调三种机制生成新解；用SA算法对新解进行领域变换和决定是否接收新解；建立目标优化函数，根据优化结果更新HM；若运行了最大迭代次数，输出最优和声解，画出系统的调度甘特图。本发明具有硬件要求低、更容易找到最优解的优点。

Description

制造企业车间的混合智能调度优化方法

技术领域

本发明涉及车间作业调度技术领域，特别是一种制造企业车间混合智能调度优化方法。

背景技术

制造企业车间系统是一个包含多个生产任务和多个可用资源(机器)的制造系统。该系统的混合智能调度优化是根据生产任务和可用资源的不同，综合多种智能优化算法来自动寻找最优任务调度方法的过程。使用作业调度优化所得到的任务调度顺序可以提高设备利用率、缩短生产周期、增加生产柔性，最终实现降低企业生产成本、降低生产能耗和提高企业经济效益。

为寻求更优的车间作业调度方法，公开号为CN101303749A的专利根据客户传入的需求信息，生成车间作业任务清单，然后根据系统产能和任务清单，使用调度决策模块来生成调度流程，最后再按照作业任务排列表的内容进行任务执行。然而，专利CN101303749A中车间作业调度的核心模块——决策模块使用的是基于二阶优化遗传算法的，虽然解决了车间作业调度问题中的系统瓶颈问题，但是其计算过程中需要大量存储空间来保存个体信息，硬件要求较高，且计算过程需要耗费大量时间。

发明内容

本发明的目的在于提供一种存储空间大大减少、计算速度快、搜索结果更优的制造企业车间混合智能调度优化方法。

实现本发明目的的技术解决方案为：一种制造企业车间的混合智能调度优化方法，具体步骤如下：

(1)初始化HS算法和SA算法的相关参数，包括和声记忆库大小HMS，和声记忆库考虑概率HMCR，变量微调概率PAR，变量微调幅度BW和最大迭代次数NI；

(2)根据不同的生产任务，输入每个任务所涉及的加工信息；

(3)根据输入的加工信息，使用基于工序的编码方式对问题进行编码，然后使用随机生成方式生成和声记忆库HM中HMS个初始解；

(4)使用SA算法对和声记忆库中HMS个初始解进行邻域变换，如果变换后的解好于原解则接收，否则以SA算法中随温度递减的概率接收；

(5)采用学习和声记忆库、变量微调、随机生成新音调三种生成机制生成新解；

(6)使用和步骤(4)相同的方法，用SA算法对步骤(5)中产生的新解进行领域变换和决定是否接收新解；

(7)建立目标优化函数，以最小化最大完工时间为优化目标，根据优化结果更新和声记忆库HM，如果新解好于和声记忆库HM中的最劣解，则用新解替换劣解；

(8)检查算法终止条件：判断是否已运行了最大迭代次数NI，如果没有则跳转到步骤(5)，否则进入步骤(9)；

(9)算法输出：输出和声记忆库HM中的最优和声解，并由最优和声解中的决策变量得出所有工件调度的顺序，包括所有工件的每个工序的加工机器、加工耗时、加工开始时间、加工结束时间和系统总的加工时间，画出系统的调度甘特图。

进一步地，步骤(2)所述每个任务所涉及的加工信息包括任务的加工工序、批量数、需要的机器以及在该机器上需要的加工时间。

进一步地，步骤(3)所述使用随机生成方式生成和声记忆库HM中HMS个初始解，具体为：按照系统中各工件的工序数量顺序编码成一系列重复的工件，即为新和声解的决策变量，然后给每个决策变量随机产生加工优先值v＝rand(1,N_O)，其中N_O为决策变量个数，最后根据优先值v对所有决策变量进行降序排序，如果两个决策变量优先值相同，则先出现的决策变量排前面。

进一步地，步骤(4)所述使用SA算法对和声记忆库中HMS个初始解进行邻域变换，具体为：对每个和声解进行随机2邻域交换，随机2邻域交换是随机产生两个不大于N_O的正整数，对处于这两处位置的决策变量的加工优先值进行交换；计算邻域交换后的新和声解与原和声解的目标函数差值delta，根据模拟退火的原理：如果delta小于0，直接使用新和声解代替原和声解；相反delta大于等于0，则以exp(-(E(x')-E(x))/T)的随SA温度递减的概率接受新和声解，其中函数E()为系统调度的目标函数，如系统最小的完工时间，x'为新产生的和声解向量、x为原和声解向量、T为SA算法所采用的温度参数。

进一步地，步骤(5)所述采用学习和声记忆库、变量微调、随机生成新音调三种生成机制生成新解，具体为：使用基于工件号的升序排序AOJ规则，对和声记忆库HM中的所有和声解进行基于工件号的非递减排序；以和声记忆库考虑概率HMCR从和声记忆库HM中使用学习和声记忆库的方式来生产新解，即此时新解中的每个决策变量随机选自于和声记忆库HM中和声解的对应决策变量，然后再以变量微调概率PAR进行变量微调，调整的最大幅度为变量微调幅度BW；以1-HMCR的概率采用随机生成新音调的方式生成新解；所述学习和声记忆库、变量微调、随机生成新音调分别如下：

a)学习和声记忆库

随机生成一个0到1之间的随机数rand，将rand和记忆库取值概率HMCR比较，若rand小于等于HMCR则新解的每个决策变量分别随机选自于和声记忆库HM中和声解的对应决策变量；

b)变量微调

采用学习和声记忆库的方式产生新解之后，以微调概率PAR对各决策变量所对应的加工优先值进行随机调整，调整的最大幅度为变量微调幅度BW；

c)随机生成新音调

按照步骤(3)所述的方式生成新的和声解。

进一步地，步骤(7)所述建立优化函数，以系统最小的完工时间为优化目标，根据优化结果更新和声记忆库，具体如下：

建立优化函数，以系统最小的完工时间为优化目标，公式定义如下：

$f\left(x\right)=min\{max(s_{ij}+t_{ij}):\∀J_i\∈J,M_j\∈M\}$

其中集合J＝{J₁,J₂,...,J_n}表示n个不同的工件，集合M＝{M₁,M₂,...,M_m}表示m台不同的机器，s_ij表示工件J_i在机器M_j上的加工开始时间，t_ij表示工件J_i在机器M_j上的本次加工持续时间；i表示工件编号且i＝1,2,…,n，j表示机器编号且j＝1,2,…,m；

如果步骤(5)中新产生的和声解向量x'的目标函数值f(x')比和声记忆库HM中目标函数值f(x)最差的好，则把x'放入和声记忆库HM中，同时将和声记忆库HM中最差的和声解从和声记忆库HM中删除；否则直接丢弃x'。

本发明与现有技术相比，其显著优点为：(1)根据不同的任务需求和资源信息，使用基于和声搜索(HarmonySearch，HS)和模拟退火(SimulatedAnnealingAlgorithm，SA)的混合算法(IHSSA)作为决策模块的最优调度方法的搜索算法，其占用的存储空间与和声库大小(HMS，一般最多取值为几十)成正比，所以在解决相同问题时需要的存储空间大大减少；(2)上述IHSSA算法采纳了HS算法存储空间小和SA算法以递减的概率接收较差解的优点，搜索解空间大、搜索能力强、收敛速度快，因此在只改变使用算法的基础上，对硬件的要求降低、搜索到最优解耗时较短，即计算速度更快，搜索结果更优；(3)通过生成任务的录入、最优调度方法的搜索和调度结果的输出，实现了制造企业车间作业调度的自动化和优化。

附图说明

图1为发明制造企业车间的混合智能调度优化方法的流程图。

图2为本发明实施例中获得的最优解对应的车间作业调度甘特图。

具体实施方式

本发明根据不同的任务需求和资源信息，使用基于和声搜索(HarmonySearch，HS)和模拟退火(SimulatedAnnealingAlgorithm，SA)的混合算法(IHSSA)作为决策模块的最优调度方法的搜索算法，和遗传算法相比，其占用的存储空间与和声库大小(HMS，一般最多取值为几十)成正比，而遗传算法的存储空间和种群个体数(一般取值1000以上)成正比，所以在解决相同问题时需要的存储空间大大减少，同时计算速度更快，搜索结果更优。本发明能够解决已有调度方法硬件要求高、容易陷入局部解的问题。

本发明制造企业车间的混合智能调度优化方法，包括生产任务和资源信息的录入、最优车间调度方法的搜索和最优调度方法的输出，结合图1，具体步骤如下：

(1)初始化HS算法和SA算法的相关参数，包括和声记忆库大小(HarmonyMemorySize，HMS)，和声记忆库考虑概率(HarmonyMemoryConsideringRate，HMCR)，变量微调概率(PitchAdjustingRate,PAR)，变量微调幅度BW和最大迭代次数NI；

(2)根据不同的生产任务，输入每个任务所涉及的加工信息；包括任务的加工工序、批量数、需要的机器以及在该机器上需要的加工时间。输入文件由二部分组成：

第一部分：

工件的数量可用的机器数量批量值

第二部分：

工件i的工序数

加工工件i工序j的机器号在该机器上的加工该工序需要的时间；

第一部分描述的是该车间作业系统需要调度的所有作业的基本信息，包括工件数量和可用的机器数量，用空格隔开。第二部分描述的是每个工件的详细信息，包含两行数据，第一行是该工件所包含的工序数量，第二行是可以完成工件某一道工序的加工工作的机器号及在该机器上进行加工所需要的时间。每个工序的加工机器号和对应时间之间用空格隔开，同一工序不同的加工方式也使用空格隔开，不同工序的加工机器号和加工时间用英文分号隔开，最后一个工序的加工描述后边也要加英文分号，用来和上一行的工序数量共同决定一个工件所有工序描述的结束。为了便于算法读入，英文分号前后也要加上空格。

(3)根据输入的加工信息，使用基于工序的编码方式对问题进行编码，然后使用随机生成方式生成和声记忆库(HarmonyMemory，HM)中HMS个初始解，具体为：

按照系统中各工件的工序数量顺序编码成一系列重复的工件，即为新和声解的决策变量，然后给每个决策变量随机产生加工优先值v＝rand(1,N_O)，其中N_O为决策变量个数，最后根据优先值v对所有决策变量进行降序排序，如果两个决策变量优先值相同，则先出现的决策变量排前面。

(4)使用SA算法对和声记忆库中HMS个初始解进行邻域变换，如果变换后的解好于原解则接收，否则以SA算法中随温度递减的概率接收，具体为：

对每个和声解进行随机2邻域交换，随机2邻域交换是随机产生两个不大于N_O的正整数，对处于这两处位置的决策变量的加工优先值进行交换；计算邻域交换后的新和声解与原和声解的目标函数差值delta，根据模拟退火的原理：如果delta小于0，直接使用新和声解代替原和声解；相反delta大于等于0，则以exp(-(E(x')-E(x))/T)的随SA温度递减的概率接受新和声解，其中函数E()为系统调度的目标函数，如系统最小的完工时间，x'为新产生的和声解向量、x为原和声解向量、T为SA算法所采用的温度参数。

(5)采用学习和声记忆库、变量微调、随机生成新音调三种生成机制生成新解，具体为：

使用基于工件号的升序排序AOJ规则，对和声记忆库HM中的所有和声解进行基于工件号的非递减排序。以和声记忆库考虑概率HMCR从和声记忆库HM中使用学习和声记忆库的方式来生产新解，即此时新解中的每个决策变量随机选自于和声记忆库HM中和声解的对应决策变量，然后再以变量微调概率PAR进行变量微调，调整的最大幅度为变量微调幅度BW；以1-HMCR的概率采用随机生成新音调的方式生成新解；所述学习和声记忆库、变量微调、随机生成新音调分别如下：

a)学习和声记忆库

随机生成一个0到1之间的随机数rand，将rand和记忆库取值概率HMCR比较，若rand小于等于记忆库取值概率HMCR则新解的每个决策变量分别随机选自于和声记忆库HM中和声解的对应决策变量；

b)变量微调

采用学习和声记忆库的方式产生新解之后，以微调概率PAR(通常取值为0.3)对各决策变量所对应的加工优先值进行随机调整，调整的最大幅度为变量微调幅度BW；

c)随机生成新音调

按照步骤(3)所述的方式生成新的和声解。

(6)使用和步骤(4)相同的方法，用SA算法对步骤(5)中产生的新解进行领域变换和决定是否接收新解；

(7)建立目标优化函数，以最小化最大完工时间为优化目标，根据优化结果更新和声记忆库HM，如果新解好于和声记忆库HM中的最劣解，则用新解替换劣解，具体如下：

建立优化函数，以系统最小的完工时间为优化目标，公式定义如下：

$f\left(x\right)=min\{max(s_{ij}+t_{ij}):\∀J_i\∈J,M_j\∈M\}$

其中集合J＝{J₁,J₂,...,J_n}表示n个不同的工件，集合M＝{M₁,M₂,...,M_m}表示m台不同的机器，s_ij表示工件J_i在机器M_j上的加工开始时间，t_ij表示工件J_i在机器M_j上的本次加工持续时间；i表示工件编号且i＝1,2,…,n，j表示机器编号且j＝1,2,…,m；

如果步骤(5)中新产生的和声解向量x'的目标函数值f(x')比和声记忆库HM中目标函数值f(x)最差的好，则把x'放入和声记忆库HM中，同时将和声记忆库HM中最差的和声解从和声记忆库HM中删除；否则直接丢弃x'。

(8)检查算法终止条件：判断是否已运行了最大迭代次数NI，如果没有则跳转到步骤(5)，否则进入步骤(9)；

(9)算法输出：输出和声记忆库HM中的最优和声解，并由最优和声解中的决策变量得出所有工件调度的顺序，包括所有工件的每个工序的加工机器、加工耗时、加工开始时间、加工结束时间和系统总的加工时间，画出系统的调度甘特图。

下面结合具体实施例对本发明做进一步详细说明。

实施例1

本实施例制造企业车间的混合智能调度优化方法，步骤如下：

(1)初始化HS算法的相关参数和SA算法的相关参数。

(2)根据不同的生产任务，输入每个任务所涉及的加工信息，包括任务的加工步骤、批量数、需要的机器以及在该机器上需要的加工时间。

表1车间作业实例

表1是一个车间作业的实例，用本发明规定的输入文件格式可以表示为：

331

3

1826；37；28；

2

315；11429310；

3

210312；24；39；

第1行的数据表示本次车间作业调度共有3个工件，可使用的机器数目为3，批量值为1。第2行数据表示第一个工件共有3个工序。第3行的数据使用3个分号进行分隔，分隔开的数据表示某个工序可使用的机器号以及在该机器上加工该工序所需要的时间。在读入到第一个分号之前，都是工件1的工序1可能使用的加工方法。第3行的第一个分号之前有两对数据，表示工件1的工序1可以在机器1加工，需要的加工时间为8，也可以在机器2上加工，对应的加工时间为6。第3行后面的数据分别表示工件1的工序2可以在机器3上进行加工，需要时间为7，工件1的工序3可以在机器2上进行加工，需要时间为8。第4行到第7行是工件2和工件3的详细信息。在输入文件中，工件i的工序数对应的数据在第2i行，对应的各工序可选加工信息在2i+1中。

按照系统中各工件的工序数量顺序编码成一系列重复的工件，即为新和声解的决策变量，然后给每个决策变量随机产生加工优先值v＝rand(1,N_O)，其中N_O为决策变量个数，最后根据优先值v对所有决策变量进行降序排序，如果两个决策变量优先值相同，则先出现的决策变量排前面。

(3)根据输入的信息，使用基于工序的编码方式对问题的解进行编码。每个解含有的决策变量个数为所有工件的工序个数总和，每个决策变量由(v,i)组成的数据对组成，其中v为对应工件工序的加工优先值，是一个小于所有工件的工序个数总和的随机整数；i为工件编号，i在解中重复的次数由J_i所含的工序数量决定。先按照系统中各工件的工序数量顺序编码成一系列重复的工件，然后给每个决策变量随机产生加工优先值，最后根据优先值v对所有决策变量进行降序排序，如果两个决策变量优先值相同，则先出现的决策变量排前面。例如表1中的车间作业实例可能的一个解为：

{(7,3)(7,3)(6,1)(4,2)(3,1)(2,2)(1,1)(1,3)}

共需要生成HMS个如上所示的初始解，当HMS＝3时，和声记忆库的解如下所示：

$\left\{\begin{array}{cccccccc}\left(7,3\right)& \left(7,3\right)& \left(6,1\right)& \left(4,2\right)& \left(3,1\right)& \left(2,2\right)& \left(1,1\right)& \left(1,3\right)\\ \left(9,3\right)& \left(8,2\right)& \left(6,1\right)& \left(5,2\right)& \left(3,1\right)& \left(2,3\right)& \left(2,3\right)& \left(1,1\right)\\ \left(8,3\right)& \left(7,1\right)& \left(5,1\right)& \left(3,2\right)& \left(2,3\right)& \left(2,2\right)& \left(2,1\right)& \left(1,3\right)\end{array}\right\}$

在专利CN101303749A中，对该实例，需要生成100个初始解放入基因库，本发明所占空间仅为其3％，初始解生成时间也大大减少。

(4)使用SA算法对所有初始解进行2邻域交换，并使用其结果取代原和声解。在SA算法中，对每个和声进行随机2邻域交换。对于步骤(3)中的第一个解，如果生成的两个随机数分别为0和2，则将(7,3)和(6,1)中的v值进行交换，得到的解如下：

{(6,3)(7,3)(7,1)(4,2)(3,1)(2,2)(1,1)(1,3)}

根据v值大小对新解进行排序，得到的调度解为：

{(7,3)(7,1)(6,3)(4,2)(3,1)(2,2)(1,1)(1,3)}

(5)用三种生成机制生成新解：学习和声记忆库；变量微调；随机生成新音调。对(3)的和声记忆库中的所有解使用AOJ规则排序，得到的和声记忆库如下：

$\left\{\begin{array}{cccccccc}(6,1)& (3,1)& (1,1)& (4,2)& (2,2)& (7,3)& (7,3)& (1,3)\\ (6,1)& (3,1)& (1,1)& (5,2)& (8,2)& (9,3)& (2,3)& (2,3)\\ (7,1)& (5,1)& (2,1)& (3,2)& (2,2)& (8,3)& (2,3)& (1,3)\end{array}\right\}$

再从HM中取决策变量的取值时，每个和声的相同决策变量对应的工件号是相同的，因此不会出现改变各个工件号个数的情况。假如新和声的所有决策变量的取值还是都来自于HM，生成的8个随机数序列为0、0、1、2、0、1、1、0，生成的新和声如下所示：

{(6,1)(3,1)(1,1)(3,2)(2,2)(9,3)(2,3)(1,3)}

根据v值大小排序后，得到的包含调度信息的新解为：

{(9,3)(6,1)(3,1)(3,2)(2,2)(2,3)(1,1)(1,3)}

(6)使用和步骤(4)相同的方法，用SA算法对新解进行搜索，用最终的搜索结果作为新解取代HS算法生成的新解。假设SA搜索到的解为原新解。

(7)更新和声记忆库。新解的目标函数值为56，而和声记忆库中原来3个解的目标函数值分别为44、48和51，新解没有优于和声记忆库中最差解，直接丢弃新解。

(8)检查算法终止条件。判断算法是否已获得了满足要求的最优解或者已运行了最大迭代次数NI，如果是，则终止算法执行，否则跳转到(5)继续执行。

(9)算法输出。最终得到的是所有工件调度的顺序，其中包括所有工件的每个工序的加工机器、加工耗时、加工开始时间和加工结束时间。根据最优解的调度信息，可以画出调度甘特图。IHSSA算法获得的最优解{(7,3)(7,3)(6,1)(4,2)(3,1)(2,2)(1,1)(1,3)}，对应的机器加工矩阵和加工时间矩阵分别为：

$\left[\begin{array}{ccc}1& 3& 2\\ 3& 2& *\\ 3& 2& 3\end{array}\right]$ 和 $\left[\begin{array}{ccc}8& 7& 8\\ 15& 9& *\\ 12& 4& 9\end{array}\right],$

该解的调度甘特图如图2所示。

综上所述，本发明通过生成任务的录入、最优调度方法的搜索和调度结果的输出，采用HS方法与SA算法相结合的方式，解决了已有方法对硬件的要求高和容易陷入局部最优解的问题，实现了制造企业车间作业调度的自动化和优化。

Claims (6)

1.一种制造企业车间的混合智能调度优化方法，其特征在于，具体步骤如下：

(1)初始化HS算法和SA算法的相关参数，包括和声记忆库大小HMS，和声记忆库考虑概率HMCR，变量微调概率PAR，变量微调幅度BW和最大迭代次数NI；

(2)根据不同的生产任务，输入每个任务所涉及的加工信息；

(3)根据输入的加工信息，使用基于工序的编码方式对问题进行编码，然后使用随机生成方式生成和声记忆库HM中HMS个初始解；

(4)使用SA算法对所有HMS个初始解进行邻域变换，如果变换后的解好于原解则接收，否则以SA算法中随温度递减的概率接收；

(5)采用学习和声记忆库、变量微调、随机生成新音调三种生成机制生成新解；

(6)使用和步骤(4)相同的方法，用SA算法对步骤(5)中产生的新解进行领域变换和决定是否接收新解；

(7)建立目标优化函数，以最小化最大完工时间为优化目标，根据优化结果更新和声记忆库HM，如果新解好于和声记忆库HM中的最劣解，则用新解替换劣解；

(8)检查算法终止条件：判断是否已运行了最大迭代次数NI，如果没有则跳转到步骤(5)，否则进入步骤(9)；

(9)算法输出：输出和声记忆库HM中的最优和声解，并由最优和声解中的决策变量得出所有工件调度的顺序，包括所有工件的每个工序的加工机器、加工耗时、加工开始时间、加工结束时间和系统总的加工时间，画出系统的调度甘特图。

2.根据权利要求1所述的制造企业车间的混合智能调度优化方法，其特征在于，步骤(2)所述每个任务所涉及的加工信息包括任务的加工工序、批量数、需要的机器以及在该机器上需要的加工时间。

3.根据权利要求1所述的制造企业车间的混合智能调度优化方法，其特征在于，步骤(3)所述使用随机生成方式生成和声记忆库HM中HMS个初始解，具体为：

按照系统中各工件的工序数量顺序编码成一系列重复的工件，即为新和声解的决策变量，然后给每个决策变量随机产生加工优先值v＝rand(1,N_O)，其中N_O为决策变量个数，最后根据优先值v对所有决策变量进行降序排序，如果两个决策变量优先值相同，则先出现的决策变量排前面。

4.根据权利要求1所述的制造企业车间的混合智能调度优化方法，其特征在于，步骤(4)所述使用SA算法对所有HMS个初始解进行邻域变换，具体为：

对每个和声解进行随机2邻域交换，随机2邻域交换是随机产生两个不大于N_O的正整数，对处于这两处位置的决策变量的加工优先值进行交换；计算邻域交换后的新和声解与原和声解的目标函数差值delta，根据模拟退火的原理：如果delta小于0，直接使用新和声解代替原和声解；相反delta大于等于0，则以exp(-(E(x')-E(x))/T)的随SA温度递减的概率接受新和声解，其中函数E()为系统调度的目标函数，如系统最小的完工时间，x'为新产生的和声解向量、x为原和声解向量、T为SA算法的温度参数。

5.根据权利要求1所述的制造企业车间的混合智能调度优化方法，其特征在于，步骤(5)所述采用学习和声记忆库、变量微调、随机生成新音调三种生成机制生成新解，具体为：

使用基于工件号的升序排序AOJ规则，对和声记忆库HM中的所有和声解进行基于工件号的非递减排序；以和声记忆库考虑概率HMCR从和声记忆库HM中使用学习和声记忆库的方式来生产新解，即此时新解中的每个决策变量随机选自于和声记忆库HM中和声解的对应决策变量，然后再以变量微调概率PAR进行变量微调，调整的最大幅度为变量微调幅度BW；以1-HMCR的概率采用随机生成新音调的方式生成新解；所述学习和声记忆库、变量微调、随机生成新音调分别如下：

a)学习和声记忆库

随机生成一个0到1之间的随机数rand，将rand和记忆库取值概率HMCR比较，若rand小于等于HMCR则新解的每个决策变量分别随机选自于和声记忆库HM中和声解的对应决策变量；

b)变量微调

采用学习和声记忆库的方式产生新解之后，以微调概率PAR对各决策变量所对应的加工优先值进行随机调整，调整的最大幅度为变量微调幅度BW；

c)随机生成新音调

按照步骤(3)所述的方式生成新的和声解。

6.根据权利要求1所述的制造企业车间的混合智能调度优化方法，其特征在于，步骤(7)所述建立优化函数，以系统最小的完工时间为优化目标，根据优化结果更新和声记忆库，具体如下：

建立优化函数，以系统最小的完工时间为优化目标，公式定义如下：

$f\left(x\right)=min\{max(s_{ij}+t_{ij}):\∀J_i\∈J,M_j\∈M\}$

其中集合J＝{J₁,J₂,...,J_n}表示n个不同的工件，集合M＝{M₁,M₂,...,M_m}表示m台不同的机器，s_ij表示工件J_i在机器M_j上的加工开始时间，t_ij表示工件J_i在机器M_j上的本次加工持续时间；i表示工件编号且i＝1,2,…,n，j表示机器编号且j＝1,2,…,m；

如果步骤(5)中新产生的和声解向量x'的目标函数值f(x')比和声记忆库HM中目标函数值f(x)最差的好，则把x'放入和声记忆库HM中，同时将和声记忆库HM中最差的和声解从和声记忆库HM中删除；否则直接丢弃x'。