CN105550825B - 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法 - Google Patents

云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法 Download PDF

Info

Publication number
CN105550825B
CN105550825B CN201610027855.2A CN201610027855A CN105550825B CN 105550825 B CN105550825 B CN 105550825B CN 201610027855 A CN201610027855 A CN 201610027855A CN 105550825 B CN105550825 B CN 105550825B
Authority
CN
China
Prior art keywords
flexible
steps
mapreduce
population
fitness
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610027855.2A
Other languages
English (en)
Other versions
CN105550825A (zh
Inventor
王江晴
帖军
毛腾跃
孙翀
雷建云
周斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN201610027855.2A priority Critical patent/CN105550825B/zh
Publication of CN105550825A publication Critical patent/CN105550825A/zh
Application granted granted Critical
Publication of CN105550825B publication Critical patent/CN105550825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39167—Resources scheduling and balancing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开了一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，包括：接收远程提交的柔性作业车间调度问题，通过云计算弹性计算方式根据计算任务和任务需求分配计算资源，所述柔性作业车间调度问题包括：计算任务、及对所述计算任务的计算时间和计算精度的任务需求；根据第一步分配的计算资源，对用户提交的柔性作业车间调度问题建模并对计算任务进行编码，再使用MapReduce并行化基因算法求解，最终给出调度结果。本发明采取MapReduce模型可以满足用户的时间和精度上的需求，能有效降低算法求解时间和提高解质量。

Description

云计算环境下的基于MapReduce并行化的柔性工厂作业调度 方法
技术领域
本发明涉及柔性工厂作业问题的求解方法，尤其涉及一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法。
背景技术
生产调度优化是先进制造技术和现代管理技术的核心技术，国内外许多学者进行了研究，但是大多数研究对的是经典作业调度问题JSP(Job-Shop Scheduling Problem)的优化。在经典JSP中，每个工件的工序顺序是预先确定，并且每道工序在指定的机器上加工。而在实际生产中，允许工序在多台机器中的任意一台上加工，这类问题就是柔性作业车间调度问题FJSP(Flexible Job-Shop Scheduling Problem)减少了机器约束，扩大了可行解的搜索范围，增加了问题的难度。FJSP是经典JSP的扩展，它不仅需要确定工序加工的顺序，还要给每个工序分配机器，因此是比JSP更复杂的NP-hard问题。目前，解决的方法主要可归为两类：精确方法和近似方法。精确方法包括分支定界法、整数规划法等，但只能求解较小规模的FJSP问题。近似方法包括优先分配规则法、遗传算法、禁忌搜索算法和模拟退火算法等，能较快地得到问题的较优解，满足实际问题的需要。目前求解FJSP的近似方法可以分为两类：分级方法和集成方法。分级方法的原理主要基于每道工序的加工机器确定后，FJSP就转化为经典的JSP；集成方法是将分配工序机器(路径柔性)和确定工序在机器上的加工顺序同时考虑，该方法难度较大，但是一般能得到更好的结果。
遗传算法借鉴了“物竞天择、适者生存”的进化准则，具有隐含并行性和全局解空间搜索的特点，在生产调度领域得到广泛的应用。但是FJSP问题不仅要给给每个工序分配加工机器，还需要确定每台机器上工序的加工顺序，比传统的调度问题更具复杂性。
尽管目前国内外已有许多学者对如何利用遗传算法高效求解FJSP做了研究，但大部分研究仅仅停留在FJSP问题向遗传算法的转换问题上(即：问题编码和代价函数的确立问题)，并没有考虑利用算法的底层计算环境和实现方法来提高FJSP问题的求解效率和求解精度。传统的算法实现是基于单节点计算环境下的考量，目前几乎没有相关方法去考虑在云计算环境下的分布式计算模型下的算法实现。
发明内容
针对上述问题中存在的不足之处，本发明提供一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法。
为实现上述目的，本发明提供一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，包括：
第一步、接收远程提交的柔性作业车间调度问题，通过云计算弹性计算方式根据计算任务和任务需求分配计算资源，所述柔性作业车间调度问题包括：计算任务、及对所述计算任务的计算时间和计算精度的任务需求；
第二步、根据第一步分配的计算资源，对用户提交的柔性作业车间调度问题建模并对计算任务进行编码，再使用MapReduce并行化基因算法求解，最终给出调度结果。
作为本发明的进一步改进，所述第二步包括以下步骤：
步骤1、根据柔性作业车间调度问题随机产生初始解个体，并形成初始种群；
步骤2、根据柔性作业车间调度问题确定性能指标；采用所述性能指标作为适应度计算的目标函数，计算个体的适应度，所述性能指标包括：最小化最大完工时间、最小化机器上最大负荷、最小化工件总拖期；
步骤3、利用所述初始种群和所述个体的适应度，根据柔性作业车间调度问题生成下代种群；
步骤4、判断子代是否达到终止条件，若满足则输出适应度最高个体，算法结束；否则重复步骤3；
步骤5、建立并行化基因算法的MapReduce结构，并建立步骤1-4与mapper和reducer的映射关系。
作为本发明的进一步改进，所述步骤1包括：
步骤11、设定每个mapper中的工作方式，通过分布式执行，生成工序串集OSet；所述工作方式为：参照车间加工时间表和工件集JOBS，随机生成可行工序串O；初始时，工序串O为空串，即O＝[]；
步骤12、使用一个reducer对所述工序串集去重；
步骤13、将去重的工序串集转换为初始种群，用于完成对工序随机分配机器的工作。
作为本发明的进一步改进，所述步骤11采用如下方式转换：
步骤111、若工件集JOBS为空，则输出工序串O，算法结束；
步骤112、随机从工件集JOBS中选择一个工件Ji，若Ji中剩余工序数Ji.#undo为0，则将其从JOBS集合中移出，否则将Ji中剩余工序数减1；
步骤113、工序串O追加i。
作为本发明的进一步改进，所述步骤13的具体分配方法为：在可用机器集中随机选择3台机器，分别以0.1、0.2和0.7的概率选择耗时低、中和高的机器；若可用机器为2台则以0.2和0.8的概率选择耗时高和低的机器。
作为本发明的进一步改进，所述步骤2中个体适应度的计算具体包括：
最小化最大完工时间：设Ci是工件Ji的完工时间，则最大完工时间Cmax最小的目标函数为：min{maxCi,i＝1,…,n}；
最小化机器上最大负荷：设Wj是机器Mj上的负荷或机器Mj上的工作量,则机器上最大负荷Wmax最小的目标函数为：min{maxWj,j＝1,…,m}；
最小化工件总拖期：设Di为工件Ji的交货期,则时间最小的目标函数为:
Figure BDA0000907749030000031
作为本发明的进一步改进，所述步骤3通过杂交或变异的方法生成下代种群，下代种群包括3类个体：
第一类、优秀的父代个体集：选择1％适应度的父代个体直接作为复制到下一代种群；
第二类、交叉算子重组生成；选择2个优秀父代通过交叉生成，即：随机从种群中选择2组子种群，每组子种群包含总数的10％，选择每个子种群适应度最高的个体进行杂交，对两个体杂交n次，从2个父代和和2n个子代中选择适应度最高的2个个体放入下一代种群；
第三类、个体变异：对第一类和第二类中的个体，按变异概率Pm选择个体进行变异操作。
作为本发明的进一步改进，所述步骤4中判断子代是否达到终止条件的标准为：观察两代子群中具有最佳适应度个体在性能指标下的收敛情况，若收敛小于预设阈值则认为算法结束。
作为本发明的进一步改进，所述步骤5的具体方法包括：对于步骤1-4建立mapper和reducer的映射关系，其中每个步骤中mapper和reducer均按照5:1的比例设置进行数据处理。
与现有技术相比，本发明的有益效果为：
本发明公开的一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，采取MapReduce模型，能很好的支持云计算环境。利用云计算环境的弹性计算方式，将柔性作业车间调度问题FJSP实现为一种云端服务。用户可以远程提交计算任务并提出时间和精度上的需求，云端接受任务后，根据任务的规模和需求分配计算资源，并利用MapReduce来对柔性作业车间调度问题FJSP进行并行化计算，最后将结果甘特图反馈给用户；相比传统的单节点计算方法，本发明可以满足用户的时间和精度上的需求；
本发明使用分布式计算模型，分布式计算模型求解FJSP问题从能有效降低算法求解时间和提高解质量，FJSP问题这类计算任务，属于计算密集型任务并且会产生海量的中间数据集，因此仅仅依靠传统的单计算节点求解对单机要求太高，通过分布式计算模型可以很好解决该问题。
附图说明
图1为本发明一种实施例中的MapReduce体系框架图；
图2本发明一种实施例的的两父代杂交生成子代示例图；
图3本发明一种实施例的的个体变异示意图；
图4本发明一种实施例的基于机器的编码图；
图5本发明一种实施例的最优解基因串序列图；
图6本发明一种实施例的解码之后的甘特图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述：
实施例1：本发明所述的一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，MapReduce是一种编程模型，用于大规模数据集(大于1TB)的并行运算。利用云计算环境的弹性计算方式，将FJSP实现为一种云端服务。用户可以远程提交计算任务并提出时间和精度上的需求，云端接受任务后，根据任务的规模和需求分配计算资源，并利用MapReduce来对FJSP进行并行化计算，最后将结果甘特图反馈给用户。相比传统的单节点计算方法，本发明可以满足用户的时间和精度上的需求。
该方法主要包括两个部分的工作：
第一步、云计算环境的搭建：接收远程提交的柔性作业车间调度问题，通过云计算弹性计算方式根据计算任务和任务需求分配计算资源，所述柔性作业车间调度问题包括：计算任务、及对所述计算任务的计算时间和计算精度的任务需求；
第二步、根据第一步分配的计算资源，对用户提交的柔性作业车间调度问题建模并对计算任务进行编码，再使用MapReduce并行化基因算法求解，最终给出调度结果。
其中，MapReduce并行化基因算法求解FJSP问题的流程如图1所示，主要包含两阶段共5个步骤。第一个阶段包含前四个步骤，主要描述并行化基于算法本身，其中涵盖了编码方式、适应度计算和淘汰策略、交叉和变异机制、新种群生成方法等，与传统基因算法不同的是，为了并行化基因算法，本发明在描述此步骤1-4，为了解决问题中的数据依赖，需要对步骤细分，使得细分步骤适合MapReduce模式；第二个阶段，是构建并行化基因算法的MapReduce框架，要建立上述细分步骤与各mapper和Reducer间的映射关系，此部分工作在第5步骤中完成。第二步包括以下步骤：
步骤1、根据柔性作业车间调度问题随机产生初始解个体，并形成初始种群；
对于步骤1，主要完成初始的可行解种群的构造工作。随机产生可行的初始解个体是其主要工作。
初始解个体应是形如<t1,t2,...,tn>的序列，其中tx＝(Oij,Mt)表示第i个工件的第j个工序Oij运行在编号为Mt的机器上。注意到柔性工厂作业调度问题要求同一个工件中的工序要保证良序关系而不同工件间的工序不存在良序关系，因此构造可行解时，我们先随机构造可行的工序序列，再为该工序序列中每个工序随机分配机器。具体步骤如下：
步骤(11)生成工序串集OSet(mapper1X)
分布式执行，每个mapper中完成如下工作。参照车间加工时间表和工件集JOBS，随机生成可行工序串O。初始时，工序串O为空串，即O＝[]；
采取如下方式转换：
步骤(111)若工件集JOBS为空，则输出工序串O，算法结束；
步骤(112)随机从工件集JOBS中选择一个工件Ji，若Ji中剩余工序数Ji.#undo为0(即：Ji.#undo＝＝0)，则将其从JOBS集合中移出(即：JOBS＝JOBS-{Ji})，否则将Ji中剩余工序数减1，(即：Ji.#undo-＝1)；
步骤(113)工序串O追加i(即：O.append(i))；
步骤(12)工序串集去重(reducer1X)
由于步骤(11)中的结果，是分布式计算的结果，所以在不同的worker上产生的工序集会产生部分冗余，该步骤中使用一个reducer去冗余。
步骤(13)工序串集转换为初始种群(mapper2X)
这部分主要完成对工序随机分配机器的工作。具体分配方法为：在可用机器集中随机选择3台机器，分别以0.1、0.2和0.7的概率选择耗时低、中和高的机器；若可用机器为2台则以0.2和0.8的概率选择耗时高和低的机器。
步骤2、根据柔性作业车间调度问题确定性能指标；采用所述性能指标作为适应度计算的目标函数，计算个体的适应度，所述性能指标包括：最小化最大完工时间、最小化机器上最大负荷、最小化工件总拖期；
对于步骤2，主要完成个体适应度计算的工作。个体的适应度值在淘汰和新种群生成过程中要被使用。个体适应值的计算可以采取下列三种性能指标。按照用户关注点不同，可以选择任意性能指标作为适应度计算目标函数。
(1)最小化最大完工时间设Ci是工件Ji的完工时间,则最大完工时间Cmax最小的目标函数为:min{maxCi,i＝1,…,n}；
(2)最小化机器上最大负荷设Wj是机器Mj上的负荷(或机器Mj上的工作量)，则机器上最大负荷Wmax最小的目标函数为:min{maxWj,j＝1,…,m}；
(3)最小化工件总拖期设Di为工件Ji的交货期，则时间最小的目标函数为：
Figure BDA0000907749030000071
步骤3、利用所述初始种群和所述个体的适应度，根据柔性作业车间调度问题生成下代种群；
对于步骤3，主要通过杂交和变异的方法生成新一代的种群。
下代种群主要由3类个体构成：
步骤(31)优秀的父代个体集选择top(1％)适应度的父代个体直接作为复制到下一代种群(reducer31X)
步骤(32)交叉算子重组生成锦标赛选择2个优秀父代通过交叉生成，即：随机从种群中选择2组子种群(每组子种群包含总数的10％)，选择每个子种群适应度最高的个体进行杂交，对两个体杂交n次，从2个父代和和2n个子代中选择适应度最高的2个个体放入下一代种群。(reducer32X)
步骤(33)个体变异对(31)和(32)中个体，按变异概率Pm选择个体进行变异操作。
交叉方法可描述为：从工件集中随机选择60％的工件数构成工件子集，将该工件子集随机划分为2组，每组对应一个父个体，构造2个子个体，每个子个体需要从两个父个体中继承其对应的分组的工件工序位置，剩余40％的工件被随机分配到可行解中的空余位置中(分配方法与步骤112相同)。图2给出了一个交叉方法的过程示例，其中J为工件集，J中任意元素表示为(工件号，工序数)，P1和P2分别为父代个体，C1和C2分别为子代个体。
变异操作可描述为：在一个可行解中随机选择两个不同工件的(工序，机器)元素进行位置互换。图3给出了一个变异操作的示例，其中随机选中了两个基因片断进行交互，值得注意的是，若2个基因片段中内容一致则该变异无效变异。
步骤4、判断子代是否达到终止条件，若满足则输出适应度最高个体，算法结束；否则重复步骤3；
对于步骤4，对判断算法结束的判断，主要是观察两代子群中具有最佳适应度个体在性能指标下的收敛情况，若收敛小于预设阈值则认为算法结束。
步骤5、建立并行化基因算法的MapReduce结构，并建立步骤1-4与mapper和reducer的映射关系。对于步骤1-4建立mapper和reducer的映射关系，其中每个步骤中mapper和reducer均按照5:1的比例设置进行数据处理。其中：mapper就是对一些非结构化或者半结构化的数据进行一定的结构化处理；reducer则是对mapper处理后的数据进行分析再处理。
对于步骤5，主要是构建并行化基因算法的MapReduce体系结构，为了适应MapReduce的模式，前四个步骤对基因算法做了很好封装。如图1所示，在云计算环境中，计算节点根被划分Master和Worker两类角色，Worker节点根据功能不同一部分做Map操作，一部分作为Reduce操作。初始时，步骤1对应Seed Population，该部分同样可以使用MapReduce进行，限于篇幅图1中未列出；Master确定算法是否结束并将种群进行shuffle和分块后分别交给MapPhase的多个Mapper均进行适应计算，即步骤2中工作；在1’reducephase阶段，有多个reducer分别完成步骤(31)、步骤(32)和步骤(33)中的工作；在2’reducephase阶段一个reducer综合上一阶段的各部分结果后，生成新的种群。
实施例2：本发明所述的一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，柔性作业车间调度问题的加工时间表如表1所示：
表1柔性作业车间调度问题的加工时间表
Figure BDA0000907749030000081
步骤1、根据柔性作业车间调度问题随机产生初始解个体，并形成初始种群
FJSP不仅要确定工序的加工顺序，还要为每道工序选择一台合适的机器，因此编码分为两部分：
(1)基于工序的编码(确定工序的加工先后顺序)
通过多个mapper的分布式执行，首先生成多个工序串集，然后使用一个reducer对工序串集去重，得到一个初始工序集如下：
O<sub>41</sub> O<sub>21</sub> O<sub>31</sub> O<sub>11</sub> O<sub>32</sub> O<sub>22</sub> O<sub>23</sub> O<sub>42</sub> O<sub>12</sub> O<sub>33</sub> O<sub>13</sub> O<sub>43</sub>
由以上工序集得到基于工序编码的基因串为：
4 2 3 1 3 2 2 4 1 3 1 4
(2)基于机器的编码：确定每道工序的加工机器，如图4所示。
步骤2、根据柔性作业车间调度问题确定性能指标；采用所述性能指标作为适应度计算的目标函数，计算个体的适应度，所述性能指标包括：最小化最大完工时间、最小化机器上最大负荷、最小化工件总拖期。
步骤3、通过杂交变异生成新一代种群，过程如图3，直至子代满足终止条件。
最终生成的最优解基因串序列如图5所示。
图5表示的工序极其加工机器的顺序序列为：
(O11,M1),(O21,M4),(O22,M4),(O31,M3),(O41,M2),(O42,M1),(O23,M1),(O12,M2),(O13,M3),(O32,M4),(O33,M2),(O43,M2)
加工时间序列为[212221132213]。
解码之后的甘特图如图6所示。
本发明公开的一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，采取MapReduce模型，能很好的支持云计算环境。利用云计算环境的弹性计算方式，将柔性作业车间调度问题FJSP实现为一种云端服务。用户可以远程提交计算任务并提出时间和精度上的需求，云端接受任务后，根据任务的规模和需求分配计算资源，并利用MapReduce来对柔性作业车间调度问题FJSP进行并行化计算，最后将结果甘特图反馈给用户；相比传统的单节点计算方法，本发明可以满足用户的时间和精度上的需求。本发明使用分布式计算模型，分布式计算模型求解FJSP问题从能有效降低算法求解时间和提高解质量，FJSP问题这类计算任务，属于计算密集型任务并且会产生海量的中间数据集，因此仅仅依靠传统的单计算节点求解对单机要求太高，通过分布式计算模型可以很好解决该问题。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，其特征在于，包括：
第一步、接收远程提交的柔性作业车间调度问题，通过云计算弹性计算方式根据计算任务和任务需求分配计算资源，所述柔性作业车间调度问题包括：计算任务及对所述计算任务的计算时间和计算精度的任务需求；
第二步、根据第一步分配的计算资源，对用户提交的柔性作业车间调度问题建模并对计算任务进行编码，再使用MapReduce并行化基因算法求解，最终给出调度结果；
其中，为了解决柔性作业车间调度问题中的数据依赖，需要对步骤细分，使得细分步骤能够使用MapReduce并行化基因算法求解；
相应地，所述第二步包括以下步骤：
步骤1、根据柔性作业车间调度问题随机产生初始解个体，并形成初始种群；
步骤2、根据柔性作业车间调度问题确定性能指标；采用所述性能指标作为适应度计算的目标函数，交由map阶段的多个mapper计算个体的适应度，所述性能指标包括：最小化最大完工时间、最小化机器上最大负荷、最小化工件总拖期；
步骤3、利用所述初始种群和所述个体的适应度，根据柔性作业车间调度问题生成下代种群，所述生成下代种群包括两个reduce阶段，第一个reduce阶段由多个reducer完成，第二reduce阶段由一个reducer对第一个reduce阶段的各部分结果进行综合，进而生成所述下代种群；
步骤4、判断子代是否达到终止条件，若满足则输出适应度最高个体，算法结束；否则重复步骤3；
步骤5、建立并行化基因算法的MapReduce结构，并建立步骤1-4与mapper和reducer的映射关系，mapper用于对非结构化或者半结构化的数据进行结构化处理，reducer用于对mapper处理后的数据进行分析再处理；
其中，所述步骤1包括：
步骤11、设定每个mapper中的工作方式，通过分布式执行，生成工序串集OSet；所述工作方式为：参照车间加工时间表和工件集JOBS，随机生成可行工序串O；初始时，工序串O为空串，即O＝[]；
步骤12、使用一个reducer对所述工序串集去重；
步骤13、利用另一个mapper将去重的工序串集转换为初始种群，用于完成对工序随机分配机器的工作；
所述步骤11采用如下方式转换：
步骤111、若工件集JOBS为空，则输出工序串O，算法结束；
步骤112、随机从工件集JOBS中选择一个工件Ji，若Ji中剩余工序数Ji.#undo为0，则将其从JOBS集合中移出，否则将Ji中剩余工序数减1；
步骤113、工序串O追加i；
所述步骤2中个体适应度的计算具体包括：
最小化最大完工时间：设Ci是工件Ji的完工时间，则最大完工时间Cmax最小的目标函数为：min{maxCi,i＝1,…,n}；
最小化机器上最大负荷：设Wj是机器Mj上的负荷或机器Mj上的工作量,则机器上最大负荷Wmax最小的目标函数为：min{maxWj,j＝1,…,m}；
最小化工件总拖期：设Di为工件Ji的交货期,则时间最小的目标函数为:
Figure FDA0003076973530000021
2.如权利要求1所述的云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，其特征在于，所述步骤13的具体分配方法为：在可用机器集中随机选择3台机器，分别以0.1、0.2和0.7的概率选择耗时低、中和高的机器；若可用机器为2台则以0.2和0.8的概率选择耗时高和低的机器。
3.如权利要求1所述的云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，其特征在于，所述步骤3通过杂交或变异的方法生成下代种群，下代种群包括3类个体：
第一类、优秀的父代个体集：选择1％适应度的父代个体直接作为复制到下一代种群；
第二类、交叉算子重组生成；选择2个优秀父代通过交叉生成，即：随机从种群中选择2组子种群，每组子种群包含总数的10％，选择每个子种群适应度最高的个体进行杂交，对两个体杂交n次，从2个父代和2n个子代中选择适应度最高的2个个体放入下一代种群；
第三类、个体变异：对第一类和第二类中的个体，按变异概率Pm选择个体进行变异操作。
4.如权利要求1所述的云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，其特征在于，所述步骤4中判断子代是否达到终止条件的标准为：观察两代子群中具有最佳适应度个体在性能指标下的收敛情况，若收敛小于预设阈值则认为算法结束。
5.如权利要求1所述的云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，其特征在于，所述步骤5的具体方法包括：对于步骤1-2建立mapper和reducer的映射关系，其中每个步骤中mapper和reducer均按照5:1的比例设置进行数据处理。
CN201610027855.2A 2016-01-15 2016-01-15 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法 Active CN105550825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610027855.2A CN105550825B (zh) 2016-01-15 2016-01-15 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610027855.2A CN105550825B (zh) 2016-01-15 2016-01-15 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法

Publications (2)

Publication Number Publication Date
CN105550825A CN105550825A (zh) 2016-05-04
CN105550825B true CN105550825B (zh) 2021-07-02

Family

ID=55830005

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610027855.2A Active CN105550825B (zh) 2016-01-15 2016-01-15 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法

Country Status (1)

Country Link
CN (1) CN105550825B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106527381B (zh) * 2016-12-14 2019-05-17 北京化工大学 一种面向并行批处理机动态调度的快速评估方法
CN108445853B (zh) * 2018-04-25 2019-12-31 苏州华亚智能科技股份有限公司 一种基于云数据的产能共享车间
CN110276481B (zh) * 2019-05-31 2021-11-26 清华大学 一种分布式混合流水线调度优化方法
CN110969362B (zh) * 2019-12-09 2023-09-22 山东师范大学 一种云计算系统下多目标任务调度方法及系统
CN113159657B (zh) * 2021-06-23 2021-09-21 江苏中车数字科技有限公司 工序的执行资源分配方法、装置和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662743A (zh) * 2012-04-13 2012-09-12 南京信息工程大学 一种启发式粗粒度并行网格任务调度方法
CN103729694A (zh) * 2013-12-26 2014-04-16 陕西科技大学 基于多色集合层次结构的改进ga求解柔性车间调度的方法
CN104199820A (zh) * 2014-07-03 2014-12-10 浙江大学 云平台MapReduce工作流调度优化方法
CN105005501A (zh) * 2015-07-02 2015-10-28 中国地质大学（武汉） 一种面向云数据中心的二阶任务优化调度方法
CN105159762A (zh) * 2015-08-03 2015-12-16 冷明 基于贪心策略的启发式云计算任务调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102662743A (zh) * 2012-04-13 2012-09-12 南京信息工程大学 一种启发式粗粒度并行网格任务调度方法
CN103729694A (zh) * 2013-12-26 2014-04-16 陕西科技大学 基于多色集合层次结构的改进ga求解柔性车间调度的方法
CN104199820A (zh) * 2014-07-03 2014-12-10 浙江大学 云平台MapReduce工作流调度优化方法
CN105005501A (zh) * 2015-07-02 2015-10-28 中国地质大学（武汉） 一种面向云数据中心的二阶任务优化调度方法
CN105159762A (zh) * 2015-08-03 2015-12-16 冷明 基于贪心策略的启发式云计算任务调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
工件工序可并行的作业车间调度模型与求解;刘晓平等;《计算机辅助设计与图形学学报》;20120131;第24卷(第1期);第120-127页 *

Also Published As

Publication number Publication date
CN105550825A (zh) 2016-05-04

Similar Documents

Publication Publication Date Title
CN105550825B (zh) 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法
Afzalirad et al. Resource-constrained unrelated parallel machine scheduling problem with sequence dependent setup times, precedence constraints and machine eligibility restrictions
US20210373888A1 (en) Multi-objective optimization method and system for master production plan of casting parallel workshops
Kumar et al. Independent task scheduling in cloud computing by improved genetic algorithm
Zhang et al. Multi-objective scheduling simulation of flexible job-shop based on multi-population genetic algorithm
CN104035816A (zh) 一种基于改进nsga-ii的云计算任务调度方法
CN104572297A (zh) 一种基于遗传算法的Hadoop作业调度方法
CN113139710B (zh) 一种基于遗传算法的多资源并行任务高级计划排程方法
CN106611288A (zh) 一种改进的柔性流水车间调度问题的求解算法
CN110414863A (zh) 一种智能制造车间资源调度方法
CN108427602B (zh) 一种分布式计算任务的协同调度方法及装置
Al-Hawari et al. Development of a genetic algorithm for multi-objective assembly line balancing using multiple assignment approach
Huang et al. An improved genetic algorithm for job-shop scheduling problem with process sequence flexibility
CN108053152A (zh) 基于多色集合的改进遗传算法求解动态车间调度的方法
CN109193807A (zh) 一种电力系统经济调度方法及系统
Tigane et al. Multiobjective approach for deteriorating jobs scheduling for a sustainable manufacturing system
CN116700176A (zh) 一种基于强化学习的分布式阻塞流水车间调度优化系统
CN111082971B (zh) 一种面向云负载测试的共享式资源分配方法
CN106327053B (zh) 一种基于多模式集合的纺织工艺推荐模型的构建方法
Pooranian et al. Independent task scheduling in grid computing based on queen bee algorithm
CN107437138B (zh) 基于改进引力搜索算法的生产运输协同调度方法及系统
CN111026534B (zh) 云计算环境下基于多种群遗传算法的工作流执行优化方法
CN112486651A (zh) 一种基于改进遗传算法的云测试平台任务调度方法
Yusof et al. Constraint-chromosome genetic algorithm for flexible manufacturing system machine-loading problem
Hassam et al. Minimizing makespan on identical parallel machines

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant