CN106875031B - 一种多车间作业调度方法及装置 - Google Patents

一种多车间作业调度方法及装置 Download PDF

Info

Publication number
CN106875031B
CN106875031B CN201611189064.6A CN201611189064A CN106875031B CN 106875031 B CN106875031 B CN 106875031B CN 201611189064 A CN201611189064 A CN 201611189064A CN 106875031 B CN106875031 B CN 106875031B
Authority
CN
China
Prior art keywords
population
current
individuals
evolution
mathematical model
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
CN201611189064.6A
Other languages
English (en)
Other versions
CN106875031A (zh
Inventor
林秋镇
王娜
陈剑勇
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.)
Shenzhen University
Original Assignee
Shenzhen University
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 Shenzhen University filed Critical Shenzhen University
Priority to CN201611189064.6A priority Critical patent/CN106875031B/zh
Publication of CN106875031A publication Critical patent/CN106875031A/zh
Application granted granted Critical
Publication of CN106875031B publication Critical patent/CN106875031B/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用计算机技术领域，提供了一种多车间作业调度方法及装置，该方法包括：当接收到多车间作业调度的请求时，建立多车间作业调度的数学模型，使用预设的动态种群策略和双模式差分进化算子对数学模型的当前种群中的个体进行进化，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件，此时将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，从而得到多车间作业调度的解决方案，提高了多车间作业调度过程中的收敛能力和鲁棒性。

Description

一种多车间作业调度方法及装置
技术领域
本发明属于计算机技术领域，尤其涉及一种多车间作业调度方法及装置。
背景技术
多车间作业调度是一个典型的非确定多项式(NP)难题。整数规划法、混合整数规划法和动态规划法等数学规划法可以用来进行多车间作业调度，但是这些数学规划法的计算过程复杂性较高，使得这些方法的运用受到限制。在整数规划中，枚举方法和拉氏松弛法是其中应用最多的两种方法，枚举方法的主要缺点是：由于存在整数约束对于较大的调度问题需要很大的时间，拉氏松弛法删除了整数约束加入相应的代价，虽然在可行时间里能解决复杂的车间问题，但是其收敛能力存在局限性。
局部搜索算法和模拟退火法也可以用来进行多车间作业调度，然而局部搜索算法在遇到局部极值的时候容易陷入局部最优的问题，而模拟退火法虽有可能跳出局部极小，但模拟退火法的收敛速度较慢。还有一种新兴的收敛速度快的进化算法也可以用来进行多车间作业调度，但是在计算过程中可能出现早熟收敛和停滞的问题，导致还没找到最优的方案就已经收敛并结束计算。
综上所述，现有的多车间作业调度方法的收敛能力不佳、容易陷入局部最优的陷阱、可行性较低、鲁棒性不佳，因而难以有效地解决多车间作业调度问题。
发明内容
本发明的目的在于提供一种多车间作业调度方法及装置，旨在解决现有的解决多车间作业调度的方法收敛能力不佳、容易陷入局部最优的陷阱、可行性较低的问题。
一方面，本发明提供了一种多车间作业调度方法，该方法包括下述步骤：
当接收到多车间作业调度的请求时，根据多车间作业调度的作业参数，建立多车间作业调度的数学模型；
对数学模型的当前种群中的个体进行进化，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件；
当当前进化代数满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，输出数学模型中待求参数的解对应的多车间作业调度的解决方案；
对数学模型的当前种群中的个体进行进化的步骤，包括：
统计预先获取的数学模型当前种群中的当前非支配个体的数量，根据当前非支配个体的数量，使用预设的动态种群策略获取当前种群的大小PN，根据当前非支配个体的拥挤程度和PN，确定当前种群中保留的个体，使用预设的双模式差分进化算子对当前种群中的个体进行进化，获取进化后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作。
另一方面，本发明提供了一种多车间作业调度装置，该装置包括：
模型建立模块，用于当接收到多车间作业调度的请求时，根据多车间作业调度的作业参数，建立多车间作业调度的数学模型；
种群进化模块，用于对数学模型的当前种群中的个体进行进化，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件；以及
输出模块，用于当当前进化代数满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，输出数学模型中待求参数的解对应的多车间作业调度的解决方案；
其中，该种群进化模块包括：
种群进化子模块，用于统计预先获取的数学模型当前种群中的当前非支配个体的数量，根据当前非支配个体的数量，使用预设的动态种群策略获取当前种群的大小PN，根据当前非支配个体的拥挤程度和PN，确定当前种群中保留的个体，使用预设的双模式差分进化算子对当前种群中的个体进行进化，获取进化后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作。
本发明在接收到多车间作业调度的请求后，根据多车间作业调度的作业参数，建立多车间作业调度的数学模型，对数学模型的当前种群中的个体进行进化，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件，此时将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，输出数学模型中待求参数的解对应的多车间作业调度的解决方案，以得到多车间作业调度的解决方案，提高了收敛能力和鲁棒性，进而提高了多车间作业调度的可行性。
附图说明
图1是本发明实施例一提供的多车间作业调度方法的实现流程图；
图2是本发明实施例二提供的多车间作业调度方法的实现流程图；
图3是本发明实施例三提供的多车间作业调度装置的结构示意图；
图4是本发明实施例四提供的多车间作业调度装置的结构示意图；
图5是本发明实施例五提供的多车间作业调度装置的结构示意图；以及
图6是本发明实施例五提供的种群进化子模块的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的多车间作业调度方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，当接收到多车间作业调度的请求时，根据多车间作业调度的作业参数，建立多车间作业调度的数学模型。
在本发明实施例中，当接收到多车间作业调度的请求时，接收多车间作业的作业参数，以用于建立多车间作业调度的数学模型。作为示例地，多车间作业的作业参数可以包括需要加工的工件数N、每个工件需要经历的工序数nj、可用于加工的机器台数M以及工件和机器的加工约束条件等。建立多车间作业调度的数学模型时，具体地，可以将多车间作业调度中的加工成本f1(x)、加工时间f2(x)和产品质量f3(x)分别表示为：
Figure GDA0002446052500000041
Figure GDA0002446052500000042
其中，cijk表示第j个工件在的第i道工序在第k个机器上加工所需要的成本，xijk表示第j个工件的第i道工序是否选择在k机器上加工，xijk＝0表示未选中，xijk＝1表示选中，tijk表示第j个工件的第i道工序在第k个机器上加工所需要的时间，qijk为第j个工件的第i道工序在第k个机器上的加工质量衡量度，优选地，综合考虑加工成本、交货期、修补时间、维修成本等因素的影响，该加工质量衡量度可以采用0.01～1.00区间段的数值表示，从而优化了多车间作业调度的数学模型，进而提高了多车间作业调度方案的精确性。
优选地，建立多车间作业调度的数学模型后，预先对种群进化的运行参数和终止代数进行设置。之后，随机生成数学模型的初始种群，计算初始种群中个体的目标函数值，根据计算得到的目标函数值获取初始种群中的当前非支配个体，将获取的当前非支配个体组成当前种群，并将当前种群的当前进化代数设置为第一代，以用于种群进化。
在步骤S102中，对数学模型的当前种群中的个体进行进化。
在本发明实施例中，对数学模型的当前种群中的个体进行进化时，优选地，根据非支配个体的个数与预设的阀值的大小关系，使用动态种群策略(DPS)确定种群的大小PN，从而避免种群的大小对算法的收敛性和收敛速度的影响，提高解决多车间作业调度的可行性，然后在当前种群中使用预设的双模式差分进化算子对大小为PN的种群中的个体进行进化，从而避免在多车间作业调度的过程中陷入局部最优的陷阱，提高收敛能力，进而提高多车间作业调度的可行性。
在步骤S103中，判断当前种群的当前进化代数是否满足预设的种群进化终止条件，是则执行步骤S104，否则执行步骤S105。
在步骤S104中，当当前进化代数满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，输出数学模型中待求参数的解对应的多车间作业调度的解决方案。
在本发明实施例中，当当前进化代数满足预设的种群进化终止条件时，进化后的当前种群中的非支配个体即为多车间作业调度的数学模型的解或要求解的参数，之后根据这些参数即可得到多车间作业调度的方案，从而快速地向用户返回优化的多车间作业调度方案，提高了用户作业的效率。
在步骤S105中，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，并跳转至步骤S102，以重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件。
在本发明实施例中，使用预设的动态种群策略和双模式差分进化算子对数学模型的当前种群中的个体进行进化，从而避免种群的大小对算法的收敛性和收敛速度的影响，避免在多车间作业调度的过程中陷入局部最优的陷阱，提高了解决多车间作业调度的可行性，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件，此时将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，以得到多车间作业调度的解决方案，从而快速得到多车间作业调度的优化方案，提高了多车间作业调度效率。
实施例二：
图2示出了本发明实施例二提供的多车间作业调度方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S201中，当接收到多车间作业调度的请求时，根据多车间作业调度的作业参数，建立多车间作业调度的数学模型。
在步骤S202中，计算当前种群中的当前非支配个体的拥挤距离，根据当前非支配个体的拥挤距离，选择当前非支配个体中拥挤距离超过预设值的个体组成当前活跃种群。
在本发明实施例中，计算当前种群中的当前非支配个体的拥挤距离，拥挤距离为评判个体与相邻个体间距离远近的参数，由于拥挤距离大的个体进化的机会较多，种群的多样性就得到更好的维持，因而拥挤距离的大小可以反映种群多样性的优劣。将计算得到的拥挤距离按照降序排列，根据预设的运行参数，选择拥挤距离较大的个体组成当前活跃种群，从而使得当前活跃种群中的个体可以保持种群多样性，进而提高多车间作业调度的鲁棒性。
在步骤S203中，根据当前非支配个体的数量，使用预设的动态种群策略确定种群的大小PN。
在本发明实施例中，根据非支配个体的数量与预设的阀值的大小关系，引入动态种群策略(DPS)确定种群的大小PN，从而避免种群的大小对算法的收敛性和收敛速度的影响，提高了解决多车间作业调度的可行性。具体地，种群的大小PN可以按照以下方法进行计算：当非支配个体的个数超过预设的阀值时，将非支配个体的个数每次减去20直至减到20，当非支配个体的个数小于20时，将非支配个体的个数每次增加20直至增加到100。
在步骤S204中，对当前活跃种群中的个体进行克隆，直至当前活跃种群中的个体数达到PN，用当前活跃种群中的PN个个体替换当前种群中的全部个体。
在本发明实施例中，当前活跃种群中的个体数PN的计算公式为
Figure GDA0002446052500000071
其中，ai为前活跃种群中的个体，qi为每个需要复制ai的个数(i＝1,2…NC)。qi的计算公式为
Figure GDA0002446052500000072
其中，fit(ai)表示ai的拥挤距离，因而拥挤距离大的个体可复制的个数多，从而使得当前种群中拥挤距离大的个体所占比重较大，进而加快收敛速度。
在步骤S205中，使用预设的交叉算子对得到的数量为PN的个体进行重组，使用预设的双模式差分进化算子对重组后的PN个个体进行变异，得到新的子代。
在本发明实施例中，使用预设的交叉算子对得到的数量为PN的个体进行重组时，在工序层中采用单行交叉算子进行重组，以保持工序的先后顺序，具体地，随机的生成工件数i和j，查找工件i的第j-1和j+1个工序在染色体中的位置，选取夹在这两个位置之间的基因进行堆积排序，生成新的基因段替换原来的基因段，其中，随机生成的进行重组的工件数i和j，不能是第一个和最后一个工件的工件数，在机器层中采用两点交叉算子进行重组，首先在相互配对的两个个体基因上随机设置两个交叉点，然后交换两个个体在所设定的两个交叉点之间的部分染色体。
对重组后的PN个个体进行变异时，使用预设的双模式差分进化算子进行变异，该预设的双模式差分进化算子的表达式为
Figure GDA0002446052500000081
其中，
Figure GDA0002446052500000082
和
Figure GDA0002446052500000083
是从种群中选择出来的个体，F1和F2是比例因子，范围在[0，1]之间。F1和F2的计算公式为F1＝Cauchy(Fm,0.1)，
Figure GDA0002446052500000084
Fm为柯西(Cauchy)分布中的参数，rand为随机产生的处于0到1之间的数，p为预设的数，且p的数值处于0到1之间。具体地，将Fm初始化为0.5，Fm根据子代种群的提升进行更新，更新的计算公式为
Figure GDA0002446052500000085
当且仅当产生的子代中的个体优于父代中的个体时，Fsuccess收集F2的值，当Fsuccess超过种群大小的10％时，更新Fm。
由于车间调度问题为整数规划问题，因而，优选地，对产生的子代对应的编码数值向下取整，以得到对应的整数编码。
在步骤S206中，将得到的新的子代加入到当前种群中，获取该加入新的子代后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作。
在步骤S207中，判断当前种群的当前进化代数是否满足预设的种群进化终止条件，是则执行步骤S208，否则执行步骤S209。
在步骤S208中，当当前进化代数满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，输出数学模型中待求参数的解对应的多车间作业调度的解决方案。
在步骤S209中，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，并跳转至步骤S202，以重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件。
在本发明实施例中，通过使用预设的动态种群策略获取当前种群的大小PN，根据当前非支配个体的拥挤程度和PN，确定当前种群中保留的个体，从而避免种群的大小对算法的收敛性和收敛速度的影响，提高了解决多车间作业调度的可行性，确定了当前种群中的个体之后，使用预设的双模式差分进化算子对当前种群中的个体进行进化，获取进化后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作，从而避免了在多车间作业调度的过程中陷入局部最优的陷阱，提高收敛能力，进而提高多车间作业调度的可行性，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件，此时，将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，从而快速得到多车间作业调度的方案，提高了多车间作业调度效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
实施例三：
图3示出了本发明实施例三提供的多车间作业调度装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
模型建立模块31，用于当接收到多车间作业调度的请求时，根据多车间作业调度的作业参数，建立多车间作业调度的数学模型。
在本发明实施例中，当接收到多车间作业调度的请求时，模型建立模块接收多车间作业的作业参数，以用于建立多车间作业调度的数学模型。作为示例地，多车间作业的作业参数可以包括需要加工的工件数N、每个工件需要经历的工序数nj、可用于加工的机器台数M以及工件和机器的加工约束条件等。建立多车间作业调度的数学模型时，具体地，可以将多车间作业调度中的加工成本f1(x)、加工时间f2(x)和产品质量f3(x)分别表示为：
Figure GDA0002446052500000091
Figure GDA0002446052500000092
其中，cijk表示第j个工件在的第i道工序在第k个机器上加工所需要的成本，xijk表示第j个工件的第i道工序是否选择在k机器上加工，xijk＝0表示未选中，xijk＝1表示选中，tijk表示第j个工件的第i道工序在第k个机器上加工所需要的时间，qijk为第j个工件的第i道工序在第k个机器上的加工质量衡量度，优选地，综合考虑加工成本、交货期、修补时间、维修成本等因素的影响，该加工质量衡量度可以采用0.01～1.00区间段的数值表示，从而优化了多车间作业调度的数学模型，进而提高了多车间作业调度方案的精确性。
优选地，建立多车间作业调度的数学模型后，预先对种群进化的运行参数和终止代数进行设置。之后，随机生成数学模型的初始种群，计算初始种群中个体的目标函数值，根据计算得到的目标函数值获取初始种群中的当前非支配个体，将获取的当前非支配个体组成当前种群，并将当前种群的当前进化代数设置为第一代，以用于种群进化。
种群进化模块32，用于对数学模型的当前种群中的个体进行进化，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件。
在本发明实施例中，对数学模型的当前种群中的个体进行进化时，具体地，种群进化模块根据非支配个体的个数与预设的阀值的大小关系，使用动态种群策略(DPS)确定种群的大小PN，从而避免种群的大小对算法的收敛性和收敛速度的影响，提高了解决多车间作业调度的可行性，然后种群进化模块在当前种群中使用预设的双模式差分进化算子对大小为PN的种群中的个体进行进化，从而避免在多车间作业调度的过程中陷入局部最优的陷阱，提高收敛能力，进而提高多车间作业调度的可行性。
对数学模型的当前种群中的个体进行进化之后，判断当前种群的当前进化代数是否满足预设的种群进化终止条件，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件。
输出模块33，用于当当前进化代数满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，输出数学模型中待求参数的解对应的多车间作业调度的解决方案。
在本发明实施例中，种群进化模块使用预设的动态种群策略和双模式差分进化算子对数学模型的当前种群中的个体进行进化，从而避免种群的大小对算法的收敛性和收敛速度的影响，避免在多车间作业调度的过程中陷入局部最优的陷阱，提高了解决多车间作业调度的可行性，对数学模型的当前种群中的个体进行进化之后，判断前种群的当前进化代数是否满足预设的种群进化终止条件，当当前种群的当前进化代数不满足预设的种群进化终止条件时，种群进化模块将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件，此时输出模块将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，并输出数学模型中待求参数的解对应的多车间作业调度的解决方案，从而快速得到多车间作业调度的优化方案，提高了多车间作业调度效率。
在本发明实施例中，多车间作业调度装置的各模块可由相应的硬件或软件模块实现，各模块可以为独立的软、硬件模块，也可以集成为一个软、硬件模块，在此不用以限制本发明。
实施例四：
图4示出了本发明实施例四提供的多车间作业调度装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
模型建立模块41，用于当接收到多车间作业调度的请求时，根据多车间作业调度的作业参数，建立多车间作业调度的数学模型。
初始化模块42，用于预设种群进化的运行参数和终止代数，随机生成初始种群；
个体获取模块43，用于计算初始种群中个体的目标函数值，根据计算得到的目标函数值获取初始种群中的当前非支配个体；
第一设置模块44，用于将获取的当前非支配个体组成当前种群，并将当前种群的当前进化代数设置为第一代；
种群进化模块45，用于对数学模型的当前种群中的个体进行进化，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件；
输出模块46，用于当当前进化代数满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，输出数学模型中待求参数的解对应的多车间作业调度的解决方案。
在本发明实施例中，模型建立模块建立数学模型之后，第一设置模块对第一代进化的当前种群进行设置，种群进化模块对数学模型的当前种群中的个体进行进化，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件，从而避免在多车间作业调度的过程中陷入局部最优的陷阱，提高了收敛能力，进而提高了多车间作业调度的可行性，此时输出模块将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，并输出数学模型中待求参数的解对应的多车间作业调度的解决方案，从而快速得到多车间作业调度的优化方案，提高了多车间作业调度效率。
在本发明实施例中，多车间作业调度装置的各模块可由相应的硬件或软件模块实现，各模块可以为独立的软、硬件模块，也可以集成为一个软、硬件模块，在此不用以限制本发明。
实施例五：
图5示出了本发明实施例五提供的多车间作业调度装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
模型建立模块51，用于当接收到多车间作业调度的请求时，根据多车间作业调度的作业参数，建立多车间作业调度的数学模型。
种群进化模块52，用于对数学模型的当前种群中的个体进行进化，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件。
在本发明实施例中，建立多车间作业调度的数学模型之后，对当前种群中的个体进行进化。优选地，计算当前种群中的当前非支配个体种群中个体的拥挤距离，根据计算得到的拥挤距离，选择当前非支配个体中拥挤距离超过预设值的个体组成当前活跃种群，从而使得当前活跃种群中的个体可以保持种群多样性，进而提高多车间作业调度的鲁棒性，然后根据当前非支配个体的数量，使用预设的动态种群策略确定种群的大小PN，对当前活跃种群中的个体进行克隆，直至当前活跃种群中的个体数达到PN，用当前活跃种群中的PN个个体替换当前种群中的全部个体，从而使得当前种群中拥挤距离大的个体所占比重较大，进而加快收敛速度，得到包含PN个当前非支配个体的当前种群后，使用预设的交叉算子对当前种群中的PN个个体进行重组，使用预设的双模式差分进化算子对重组后的PN个个体进行变异，得到新的子代，再将得到的新的子代加入到当前种群中，获取该加入新的子代后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作，从而避免在多车间作业调度的过程中陷入局部最优的陷阱，提高收敛能力，进而提高多车间作业调度的可行性。
对数学模型的当前种群中的个体进行进化之后，判断当前种群的当前进化代数是否满足预设的种群进化终止条件，当当前种群的当前进化代数不满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型下一代的当前种群，重复执行对数学模型的当前种群中的个体进行进化的步骤，直至当前进化代数满足种群进化终止条件。
输出模块53，用于当当前进化代数满足预设的种群进化终止条件时，将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，输出数学模型中待求参数的解对应的多车间作业调度的解决方案。
因而，优选地，该种群进化模块52包括：
种群进化子模块521，用于统计预先获取的数学模型当前种群中的当前非支配个体的数量，根据当前非支配个体的数量，使用预设的动态种群策略获取当前种群的大小PN，根据当前非支配个体的拥挤程度和PN，确定当前种群中保留的个体，使用预设的双模式差分进化算子对当前种群中的个体进行进化，获取进化后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作；
优选地，如图6所示，该种群进化子模块521包括：
个体选择模块5211，用于计算当前种群中的当前非支配个体的拥挤距离，根据当前非支配个体的拥挤距离，选择当前非支配个体中拥挤距离超过预设值的个体组成当前活跃种群；
数量确定模块5212，用于使用预设的动态种群策略，根据当前非支配个体的数量，确定种群的大小PN；
个体确定模块5213，用于对当前活跃种群中的个体进行克隆，直至当前活跃种群中的个体数量达到PN，用当前活跃种群中的PN个个体替换当前种群中的全部个体；
子代生成模块5214，用于使用预设的交叉算子对得到的数量为PN的个体进行重组，使用预设的双模式差分进化算子对重组后的PN个个体进行变异，得到新的子代；以及
进化子模块5215，用于将得到的新的子代加入到当前种群中，获取加入新的子代后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作。
在本发明实施例中，通过使用预设的动态种群策略获取当前种群的大小PN，根据当前非支配个体的拥挤程度和PN，确定当前种群中保留的个体，从而避免种群的大小对算法的收敛性和收敛速度的影响，提高了解决多车间作业调度的可行性，确定了当前种群中的个体之后，种群进化模块使用预设的双模式差分进化算子对当前种群中的个体进行进化，获取进化后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作，从而避免了在多车间作业调度的过程中陷入局部最优的陷阱，提高收敛能力，进而提高多车间作业调度的可行性，此时设置模块将进化后的当前种群中的非支配个体设置为数学模型中待求参数的解，从而快速得到多车间作业调度的方案，提高了多车间作业调度效率。
在本发明实施例中，多车间作业调度装置的各模块可由相应的硬件或软件模块实现，各模块可以为独立的软、硬件模块，也可以集成为一个软、硬件模块，在此不用以限制本发明。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多车间作业调度方法，其特征在于，所述方法包括下述步骤：
当接收到多车间作业调度的请求时，根据所述多车间作业调度的作业参数，建立所述多车间作业调度的数学模型；
对所述数学模型的当前种群中的个体进行进化，当所述当前种群的当前进化代数不满足预设的种群进化终止条件时，将所述进化后的当前种群中的非支配个体设置为所述数学模型下一代的当前种群，重复执行对所述数学模型的当前种群中的个体进行进化的步骤，直至所述当前进化代数满足所述种群进化终止条件；
当所述当前进化代数满足所述预设的种群进化终止条件时，将所述进化后的当前种群中的非支配个体设置为所述数学模型中待求参数的解，输出所述数学模型中待求参数的解对应的所述多车间作业调度的解决方案；
对所述数学模型的当前种群中的个体进行进化的步骤，包括：
统计预先获取的所述数学模型当前种群中的当前非支配个体的数量，根据所述当前非支配个体的数量，使用预设的动态种群策略获取所述当前种群的大小PN，根据所述当前非支配个体的拥挤程度和所述PN，确定所述当前种群中保留的个体，使用预设的双模式差分进化算子对所述当前种群中的个体进行进化，获取所述进化后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作。
2.如权利要求1所述的方法，其特征在于，建立所述多车间作业调度的数学模型的步骤之后，对所述数学模型的当前种群中的个体进行进化的步骤之前，所述方法还包括：
预设种群进化的运行参数和终止代数，随机生成初始种群。
3.如权利要求2所述的方法，其特征在于，建立所述多车间作业调度的数学模型的步骤之后，对所述数学模型的当前种群中的个体进行进化的步骤之前，所述方法还包括：
计算所述初始种群中个体的目标函数值，根据所述计算得到的目标函数值获取所述初始种群中的当前非支配个体；
将所述获取的当前非支配个体组成当前种群，并将所述当前种群的当前进化代数设置为第一代。
4.如权利要求1所述的方法，其特征在于，获取所述数学模型当前种群中的当前非支配个体，根据所述当前非支配个体的数量，使用预设的动态种群策略获取所述当前种群的大小PN，根据所述当前非支配个体的拥挤程度和所述PN，确定所述当前种群中保留的个体的步骤，包括：
计算所述当前种群中的当前非支配个体的拥挤距离，根据所述当前非支配个体的拥挤距离，选择所述当前非支配个体中拥挤距离超过预设值的个体组成当前活跃种群；
根据所述当前非支配个体的数量，使用所述预设的动态种群策略确定种群的大小PN；
对所述当前活跃种群中的个体进行克隆，直至所述当前活跃种群中的个体数量达到PN，用所述当前活跃种群中的PN个个体替换当前种群中的全部个体。
5.如权利要求1所述的方法，其特征在于，使用预设的双模式差分进化算子对所述当前种群中的个体进行进化，并对当前进化代数进行加1操作的步骤，包括：
使用预设的交叉算子对所述得到的数量为PN的个体进行重组，使用预设的双模式差分进化算子对所述重组后的PN个个体进行变异，得到新的子代；
将所述得到的新的子代加入到当前种群中，获取所述加入新的子代后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作。
6.一种多车间作业调度装置，其特征在于，所述装置包括：
模型建立模块，用于当接收到多车间作业调度的请求时，根据所述多车间作业调度的作业参数，建立所述多车间作业调度的数学模型；
种群进化模块，用于对所述数学模型的当前种群中的个体进行进化，当所述当前种群的当前进化代数不满足预设的种群进化终止条件时，将所述进化后的当前种群中的非支配个体设置为所述数学模型下一代的当前种群，重复执行对所述数学模型的当前种群中的个体进行进化的步骤，直至所述当前进化代数满足所述种群进化终止条件；以及
输出模块，用于当所述当前进化代数满足所述预设的种群进化终止条件时，将所述进化后的当前种群中的非支配个体设置为所述数学模型中待求参数的解，输出所述数学模型中待求参数的解对应的所述多车间作业调度的解决方案；
其中，所述种群进化模块包括：
种群进化子模块，用于统计预先获取的所述数学模型当前种群中的当前非支配个体的数量，根据所述当前非支配个体的数量，使用预设的动态种群策略获取所述当前种群的大小PN，根据所述当前非支配个体的拥挤程度和所述PN，确定所述当前种群中保留的个体，使用预设的双模式差分进化算子对所述当前种群中的个体进行进化，获取所述进化后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作。
7.如权利要求6所述的装置，其特征在于，所述装置还包括：
初始化模块，用于预设种群进化的运行参数和终止代数，随机生成初始种群。
8.如权利要求7所述的装置，其特征在于，所述装置还包括：
个体获取模块，用于计算所述初始种群中个体的目标函数值，根据所述计算得到的目标函数值获取所述初始种群中的当前非支配个体；以及
第一设置模块，用于将所述获取的当前非支配个体组成当前种群，并将所述当前种群的当前进化代数设置为第一代。
9.如权利要求6所述的装置，其特征在于，所述种群进化子模块包括：
个体选择模块，用于计算所述当前种群中的当前非支配个体的拥挤距离，根据所述当前非支配个体的拥挤距离，选择所述当前非支配个体中拥挤距离超过预设值的个体组成当前活跃种群；
数量确定模块，用于使用所述预设的动态种群策略，根据所述当前非支配个体的数量，确定种群的大小PN；以及
个体确定模块，用于对所述当前活跃种群中的个体进行克隆，直至所述当前活跃种群中的个体数量达到PN，用所述当前活跃种群中的PN个个体替换当前种群中的全部个体。
10.如权利要求6所述的装置，其特征在于，所述种群进化子模块包括：
子代生成模块，用于使用预设的交叉算子对所述得到的数量为PN的个体进行重组，使用预设的双模式差分进化算子对所述重组后的PN个个体进行变异，得到新的子代；以及
进化子模块，用于将所述得到的新的子代加入到当前种群中，获取所述加入新的子代后的当前种群中的当前非支配个体，并对当前进化代数进行加1操作。
CN201611189064.6A 2016-12-21 2016-12-21 一种多车间作业调度方法及装置 Active CN106875031B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611189064.6A CN106875031B (zh) 2016-12-21 2016-12-21 一种多车间作业调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611189064.6A CN106875031B (zh) 2016-12-21 2016-12-21 一种多车间作业调度方法及装置

Publications (2)

Publication Number Publication Date
CN106875031A CN106875031A (zh) 2017-06-20
CN106875031B true CN106875031B (zh) 2020-07-07

Family

ID=59164949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611189064.6A Active CN106875031B (zh) 2016-12-21 2016-12-21 一种多车间作业调度方法及装置

Country Status (1)

Country Link
CN (1) CN106875031B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109492797A (zh) * 2018-10-16 2019-03-19 华南理工大学 运用多种群协作差分进化算法优化周期性交通调度时刻表的方法
CN110262432A (zh) * 2019-07-08 2019-09-20 哈尔滨工程大学 一种基于自适应模拟退火算法的分段车间调度优化方法
CN116341281B (zh) * 2023-05-12 2023-08-15 中国恩菲工程技术有限公司 作业率的确定方法及系统、存储介质、终端

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5651098A (en) * 1993-10-07 1997-07-22 Hitachi Engineering Co., Ltd. Planning method and system
CN104778497A (zh) * 2015-05-05 2015-07-15 重庆大学 一种加工过程中工艺参数自学习优化的滚齿加工方法
CN104914835A (zh) * 2015-05-22 2015-09-16 齐鲁工业大学 一种柔性作业车间调度多目标的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8015127B2 (en) * 2006-09-12 2011-09-06 New York University System, method, and computer-accessible medium for providing a multi-objective evolutionary optimization of agent-based models

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5651098A (en) * 1993-10-07 1997-07-22 Hitachi Engineering Co., Ltd. Planning method and system
CN104778497A (zh) * 2015-05-05 2015-07-15 重庆大学 一种加工过程中工艺参数自学习优化的滚齿加工方法
CN104914835A (zh) * 2015-05-22 2015-09-16 齐鲁工业大学 一种柔性作业车间调度多目标的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A novel multi-objective particle swarm optimization with multiple search strategies;Qiuzhen Lin,et al.;《European Journal of Operational Research》;20150708;全文 *
基于动态种群多策略差分进化模型的多目标进化算法;王亚辉等;《电子学报》;20160615;全文 *
基于改进非支配排序的云模型进化多目标柔性作业车间调度;彭建刚等;《机械工程学报》;20140630;全文 *

Also Published As

Publication number Publication date
CN106875031A (zh) 2017-06-20

Similar Documents

Publication Publication Date Title
CN107590603B (zh) 基于改进变邻域搜索和差分进化算法的调度方法及系统
CN107301473B (zh) 基于改进遗传算法的同类平行机批调度方法及系统
CN108320057B (zh) 一种基于有限制稳定配对策略的柔性作业车间调度方法
WO2021036658A1 (zh) 用于铸造并行车间主生产计划的多目标优化方法及系统
Long et al. Scheduling a realistic hybrid flow shop with stage skipping and adjustable processing time in steel plants
CN106875031B (zh) 一种多车间作业调度方法及装置
CN108460463B (zh) 基于改进遗传算法的高端装备流水线生产调度方法
US10114913B2 (en) Method and system for determining welding sequences
CN113805545A (zh) 一种考虑批处理的柔性流水车间组合调度规则生成方法
CN112580922A (zh) 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法
Jia et al. Minimizing makespan for arbitrary size jobs with release times on P-batch machines with arbitrary capacities
CN109193807A (zh) 一种电力系统经济调度方法及系统
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
CN109298930A (zh) 一种基于多目标优化的云工作流调度方法及装置
CN114266509A (zh) 随机贪婪初始种群遗传算法求解柔性作业车间调度方法
CN104281917A (zh) 基于自适应遗传和克隆选择算法的模糊作业车间调度方法
CN109117985B (zh) 一种基于矩阵与遗传算法的管网压力监测点优化布置方法
Nidhiry et al. Scheduling optimization of a flexible manufacturing system using a modified NSGA-II algorithm
CN117555305A (zh) 一种基于nsgaii的多目标可变子批柔性车间作业调度方法
Rifai et al. Multi-operator hybrid genetic algorithm-simulated annealing for reentrant permutation flow-shop scheduling
CN110705844A (zh) 基于非强制空闲时间的作业车间调度方案鲁棒优化方法
CN115730432A (zh) 物联网数据处理任务的调度方法及系统、设备、存储介质
CN113220437B (zh) 一种工作流多目标调度方法及装置
Qiao et al. Improving the optimization performance of NSGA-II algorithm by experiment design methods
CN110399968B (zh) 基于效用函数的系统级测试性设计多目标优化方法

Legal Events

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