CN107357267A - 基于离散花朵授粉算法求解混合流水线调度问题的方法 - Google Patents
基于离散花朵授粉算法求解混合流水线调度问题的方法 Download PDFInfo
- Publication number
- CN107357267A CN107357267A CN201710430604.3A CN201710430604A CN107357267A CN 107357267 A CN107357267 A CN 107357267A CN 201710430604 A CN201710430604 A CN 201710430604A CN 107357267 A CN107357267 A CN 107357267A
- Authority
- CN
- China
- Prior art keywords
- flower
- flower position
- algorithm
- discrete
- pollination
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 77
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 42
- 230000010152 pollination Effects 0.000 title claims abstract description 36
- 238000009826 distribution Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 230000010153 self-pollination Effects 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 14
- MPBKAOHKPAKJDA-VCHYOVAHSA-N 2-(3-aminopropyl)-1-[(e)-(2,2-difluoro-1-phenylethylidene)amino]guanidine Chemical compound NCCCN=C(N)N\N=C(\C(F)F)C1=CC=CC=C1 MPBKAOHKPAKJDA-VCHYOVAHSA-N 0.000 description 9
- 238000005457 optimization Methods 0.000 description 5
- 102100030386 Granzyme A Human genes 0.000 description 4
- 101001009599 Homo sapiens Granzyme A Proteins 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005555 metalworking Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000009955 starching Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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] or computer integrated manufacturing [CIM]
- G05B19/41885—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] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
Abstract
本发明属于生产制造技术领域，公开了一种基于离散花朵授粉算法求解混合流水线调度问题的方法，其包括：S1：设置目标参数，生成初始化种群；S2：对种群的花朵位置进行解码；S3：计算花朵位置的适应度值，并选择最优的花朵位置；S4：对花朵位置进行更新操作；S5：对比更新后和更新前的花朵位置适应度值，并保留适应度值较低的花朵位置；S6：对比更新后和最优的花朵位置适应度值，并保留适应度值较低的花朵位置；S7：执行动态自适应变化工件块的变领域搜索；S8：判断是否满足终止条件，如果是，则输出最优花朵位置及其适应度值，并结束；如果否，则返回步骤S3。该方法可行且有效，丰富了求解混合流水线调度问题的方法。
Description
【技术领域】
本发明涉及生产制造技术领域，特别涉及一种基于离散花朵授粉算法求解混合流水线调度问题的方法。
【背景技术】
在化工制造、制药生产、钢铁铸造等现实生产的调度过程都可以归结为求解混合流水线调度问题。混合流水线调度问题作为传统流水线调度问题的扩展和延伸，其特征在于加工工件存在多个加工序列，且加工序列中至少有一个加工序列存在两台及以上的加工机器，属于组合优化问题。
传统求解混合流水线调度问题(HFSP,即Hybrid Flow-shop SchedulingProblem)的方法主要有精确计算法和启发式算法。精确计算法只适合于所求解规模较小问题的情况，随着问题规模不断的增大，其计算时间难以接受；启发式算法虽然能够在较短的时间内构造出问题域的解，但解的质量难以保证。有鉴于此，近年来，基于计算智能的方法，包括蚁群算法、人工神经网络、模糊系统、遗传算法、免疫算法等计算智能算法成功运用到了求解混合流水线调度问题上，并能够在可行的时间复杂度下获得问题的最优解或近似最优解。然而在求解混合流水线调度问题中，采用单一的算法往往易陷入“早熟”，造成优化精度低。
花朵授粉算法是模拟花朵授粉过程提出的一种智能仿生算法，该算法具有结构简单、参数设置少、较强的全局搜索性能以及易实现等优点。目前许多学者在该算法的基础上提出部分改进，并推广到工农业生产问题的求解，如束优化问题、经济负荷分配问题、优化上浆桁架结构问题、优化分布式系统中电容器位置和大小和聚类分析等。
因此，根据混合流水线调度问题具有离散性的特点，构建一种基于离散的花朵授粉算法来求解混合流水线调度问题对于丰富求解混合流水线调度问题的方法、提高混合流水线调度的精准性具有重要意义。
【发明内容】
本发明的发明目的在于：针对上述存在的问题，提供一种基于离散花朵授粉算法求解混合流水线调度问题的方法，该方法为解决混合流水线调度问题提供了一种可行且有效的新方案，丰富了求解混合流水线调度问题的方法，有效提高了混合流水线调度的精准性。
为达到上述目的，本发明所采用的技术方案是：
一种基于离散花朵授粉算法求解混合流水线调度问题的方法，包括以下具体步骤：
S1：设置离散花朵授粉算法的目标参数，生成离散的初始化种群；其中，所述目标参数包括种群规模、授粉方式选择概率、最大工件块和最大迭代次数；
S2：对所述初始化种群中的花朵位置进行解码；
S3：计算所述初始化种群中花朵位置的适应度值，并选择最优的花朵位置；
S4：采用更新操作方法，对所述初始化种群的花朵位置进行更新操作；
S5：将更新后的花朵位置适应度值与更新前的花朵位置适应度值进行对比，并保留适应度值较低的花朵位置；
S6：将更新后的花朵位置适应度值与最优的花朵位置适应度值进行对比，并保留适应度值较低的花朵位置；
S7：执行动态自适应变化工件块的变领域搜索；
S8：判断是否满足终止条件，如果是，则输出最优花朵位置及其适应度值，并结束；如果否，则返回步骤S3。
进一步的，步骤S1中，所述初始化种群由随机方式和LR算法相结合生成，其生成步骤如下：
S11：采用LR算法产生m(m<size)个花朵位置放入初始种群，并计第i个花朵位置为xi＝(xi,1,xi,2,...,xi,n)；其中，n为工件个数，size为种群规模；
S12：若m＝size，则初始化结束；否则，随机产生一个可行解y＝(y1,y2,...,yn)；
S13：若可行解y不同于初始种群中的其它花朵位置，则把该可行解y放入初始种群中，此时m＝m+1；否则，将y丢弃；
S14：返回步骤S12，直至初始化结束。
进一步的，步骤S4中，所述更新操作方法为：
针对所述初始种群中的每个花朵位置，产生一个随机数r，若r>Pa，则花朵位置按照方程执行离散的花朵交叉授粉更新操作；否则，花朵位置按照方程执行离散的自花授粉更新操作；其中，Pa为授粉方式选择概率，xbest为最优花朵位置，j、k均为变量，缩放因子ε为满足[0,1]之间的均匀分布随机数，表示加法运算，Θ表示减法运算，表示乘法运算。
进一步的，所述加法运算表示两个不同花朵位置进行交叉操作，其运算规则包括以下步骤：
S411：设待进行减法操作的两个花朵位置分别为ui＝(ui,1,...ui,k,...ui,n)和 uj＝(uj,1...uj,2,...uj,n)，vi为进行减法后的结果；
S412：产生两个随机交叉点s和e，且s＜e≤n；
S413：把ui中的(ui,s,...ui,k,...ui,e)赋值给(vi,s,...vi,k,...vi,e)；
S414：删除uj中vi已有的花朵位置，并记录uj中剩余的花朵位置，并记为 m[1,...,n-(e-s+1)]；
S415：设计数器k＝1；
S416：若e+k＞n，则变量l＝[(e+k)+n]％n，否则l＝e+k；其中，％表示求余运算；
S417：执行vi(l)＝m(k)；
S418：如果k＞n-(e-s+1)，则结束算法，并输出vi；否则执行k＝k+1，并返回步骤S416。
进一步的，所述减法运算Θ表示两个不同的花朵位置进行相减操作，结果为置换序列，其运算规则包括以下步骤：
S421：设待进行减法操作的两个花朵位置分别为ui＝(ui,1,...ui,k,...ui,n)和 uj＝(uj,1,...uj,k,...uj,n)，vi为进行减法后的结果；
S422：设计数器k＝1；
S423：搜索ui(k)在uj中的位置index；
S424：如果k＜index，则先交换ui(k)和ui(index)的值后，进入步骤S425；否则，直接进入步骤S425；
S425：如果k＜n，执行k＝k+1，并返回步骤S423，否则进入步骤S426；
S426：执行uj＝ui，并结束算法。
进一步的，所述乘法运算为根据缩放因子ε乘以减法运算的结果，运算结果为依ε概率保留减法运算的结果，其运算规则包括：
(1)离散的花朵交叉授粉更新操作的乘法运算规则按以下方程进行表示：
(2)离散的自花授粉更新操作的乘法运算规则按以下方程进行表示：
其中，levy(λ)是一个服从Levy分布的随机数。
进一步的，步骤S7中，所述执行动态自适应变化工件块的变领域搜索的具体过程包括：
S71：计算当前最优花朵位置ubest的适应度值cmax(ubest)，其中计ubest＝(u(1),u(2)...u(n))；
S72：按照方程计算当前工件块的工件个数step；其中，max_step为最大工件块，iter为当前迭代次数，itermax为最大迭代次数；
S73：产生一个随机花朵位置s∈(1,n)，并从花朵位置s开始删除当前最优花朵位置ubest中连续step个工件组成的工件块；设被删除的工件组成的工件块序列为 vdelete＝(v(1),v(2)...v(step))，则剩余工件组成的工件块序列为vleave＝(v'(1),v'(2)...v'(n-step))；
S74：设变量k的初始值为K＝1；
S75：将vdelete(k)依次插入到vleave中的相应位置，并保留最好位置；
S76：若k<step，则k＝k+1，并返回步骤S74；否则，得到一个新解v，并进入步骤S77；
S77：如果目标适应度值Cmax(ubest)＞Cmax(v)，则令ubest＝v；否则，保持ubest不变，并结束过程。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明的方法具体采用一种基于排列的编码和解码的方法，根据混合流水线调度问题具有离散性的特点，对花朵授粉算法的相关操作重新进行定义，提出了离散的花朵授粉算法；同时，为了加快算法的局部搜索能力，构建了一种基于动态自适应变化工件块的变领域搜索策略，将以上两者进行结合，可为解决混合流水线调度问题提供了一种可行且有效的新方案，丰富了求解混合流水线调度问题的方法，有效提高了混合流水线调度的精准性。
【附图说明】
图1是本发明一种基于离散花朵授粉算法求解混合流水线调度问题的方法流程图。
如下具体实施方式将结合上述附图进一步说明本发明。
【具体实施方式】
下面将结合本发明的附图，来对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅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的实施例，都属于本发明的保护范围。
本发明实施例公开了一种基于离散花朵授粉算法求解混合流水线调度问题的方法，该方法是针对以最小化任务完成时间为目标的混合流水线调度问题(HFSP,即HybirdFlow-shop Scheduling Problem)而提出的。
需要说明的是：
(1)HFSP问题的具体描述为：有n个待加工的工件连续在S道工序上以流水线的方式进行加工，以某项调度指标为目标，确定n个工件在每道工序上的加工顺序以及每道工序在机器上的分配，并且工件在加工过程中必须满足以下加工约束条件：(1)每个工件的加工具有相同的工序，工序的加工顺序是预先确定的；(2)每个工件包括一步或多步加工工序，且每步加工都在不同的机器上进行；(3)至少存在一道工序可以在多台机器上加工；(4)同一台加工机器在同一时刻只能加工一个工件；(5)同一工件的同一工序在相同的时刻只能被一台机器加工。其中，工件序号为Ji(i＝1,2,...,n)，n为加工工件数，m为加工机器数，πk(k＝1,2,...,s)加工第k道工序的机器数量，ti,j表示工件Ji在机器Mj(j＝1,2,...,m)上的加工时间，starti,k代表工件i在第k道工序加工的开始时间，ci,k表示工件i在第k道工序加工的完工时间，最大完工时间为cmax，机器Mj的释放时间为Rj，则混合流水线调度(HFSP)的数学模型如下所示：
min(Cmax)＝min(max{C1,S,C2,S,...,Cn-1,S}) (1)
si,k＝max{Ci,k-1,Rj},i＝1,2,...,n；k＝1,2,...,s；ui,k+1,j＝1 (4)
Ci,k＝starti,k+ti,j,ui,k+1,j＝1 (5)
其中，式(1)表示以最小化最大完工时间为求解的问题目标，式(2)确保同一工件的同一工序在相同的时刻只能被一台机器加工，式(3)限制同一台加工机器在同一时刻只能加工一个工件，式(4)和式(5)表示工件的各道工序的加工开始时间和完成时间的约束关系。
(2)LR算法：本发明中的LR算法是由LI J Y和REEVES C R于2001年在文献《Constructive and composite heuristic solutions to the P//SCi schedulingproblem》中提出的一种启发式算法，该方法综合考虑机器空闲时间和未调度工件对调度指标的影响，具有较好的优化性能。
针对上述提出的问题，本发明实施例提供了一种基于离散花朵授粉算法求解混合流水线调度问题的方法，如图1所示，该方法具体包括：
S1：设置离散花朵授粉算法的目标参数，生成离散的初始化种群；其中，所述目标参数包括种群规模、授粉方式选择概率、最大工件块和最大迭代次数；
S2：对所述初始化种群中的花朵位置进行解码；
S3：计算所述初始化种群中花朵位置的适应度值，并选择最优的花朵位置；
S4：采用更新操作方法，对所述初始化种群的花朵位置进行更新操作；
S5：将更新后的花朵位置适应度值与更新前的花朵位置适应度值进行对比，并保留适应度值较低的花朵位置，即将适应度值较低的花朵位置作为新的花朵位置；
S6：将更新后的花朵位置适应度值与最优的花朵位置适应度值进行对比，并保留适应度值较低的花朵位置，即将适应度值较低的花朵位置作为新的最优花朵位置；
S7：执行动态自适应变化工件块的变领域搜索；
S8：判断是否满足终止条件，如果是，则输出最优花朵位置及其适应度值，并结束；如果否，则返回步骤S3。
进一步的，步骤S1中，所述初始化种群由随机方式和LR算法相结合生成，其生成步骤如下：
S11：采用LR算法产生m(m<size)个花朵位置放入初始种群，并计第i个花朵位置为xi＝(xi,1,xi,2,...,xi,n)；其中，n为工件个数，size为种群规模；
S12：若m＝size，则初始化结束；否则，随机产生一个可行解y＝(y1,y2,...,yn)；
S13：若可行解y不同于初始种群中的其它花朵位置，则把该可行解y放入初始种群中，此时m＝m+1；否则，将y丢弃；
S14：返回步骤S12，直至初始化结束。
进一步的，步骤S2中，所述解码包括工件的排序和加工机器的选择两个部分，其具体过程包括：
S21：在第一道工序中，各工件按照编码顺序确定加工次序，并将工件分配至当前加工速度最快的机器上进行加工；
S22：在第二道工序中，各工件根据前一道工序的加工完成时间确定加工次序，前一道工序先完工的工件优先加工，若前一道工序有多个工件同时完工，则随机确定上述工件的加工次序，并分配至当前加工速度最快的机器上进行加工；
S23：重复步骤S22，直到完成所有加工工序。
进一步的，步骤S4中，所述更新操作方法为：
针对所述初始种群中的每个花朵位置，产生一个随机数r，若r>Pa，则花朵位置按照方程执行离散的花朵交叉授粉更新操作；否则，花朵位置按照方程执行离散的自花授粉更新操作；其中，Pa为授粉方式选择概率，xbest为最优花朵位置，j、k均为变量，缩放因子ε为满足[0,1]之间的均匀分布随机数，表示加法运算，Θ表示减法运算，表示乘法运算。
进一步的，所述加法运算表示两个不同花朵位置进行交叉操作，其运算规则包括以下步骤：
S411：设待进行减法操作的两个花朵位置分别为ui＝(ui,1,...ui,k,...ui,n)和 uj＝(uj,1...uj,2,...uj,n)，vi为进行减法后的结果；
S412：产生两个随机交叉点s和e，且s＜e≤n；
S413：把ui中的(ui,s,...ui,k,...ui,e)赋值给(vi,s,...vi,k,...vi,e)；
S414：删除uj中vi已有的花朵位置，并记录uj中剩余的花朵位置，并记为 m[1,...,n-(e-s+1)]；
S415：设计数器k＝1；
S416：若e+k＞n，则变量l＝[(e+k)+n]％n，否则l＝e+k；其中，％表示求余运算；
S417：执行vi(l)＝m(k)；
S418：如果k＞n-(e-s+1)，则结束算法，并输出vi；否则执行k＝k+1，并返回步骤S416。
进一步的，所述减法运算Θ表示两个不同的花朵位置进行相减操作，结果为置换序列，其运算规则包括以下步骤：
S421：设待进行减法操作的两个花朵位置分别为ui＝(ui,1,...ui,k,...ui,n)和 uj＝(uj,1,...uj,k,...uj,n)，vi为进行减法后的结果；
S422：设计数器k＝1；
S423：搜索ui(k)在uj中的位置index；
S424：如果k＜index，则先交换ui(k)和ui(index)的值后，进入步骤S425；否则，直接进入步骤S425；
S425：如果k＜n，执行k＝k+1，并返回步骤S423，否则进入步骤S426；
S426：执行uj＝ui，并结束算法。
进一步的，所述乘法运算为根据缩放因子ε乘以减法运算的结果，运算结果为依ε概率保留减法运算的结果，其运算规则包括：
(1)离散的花朵交叉授粉更新操作的乘法运算规则按以下方程进行表示：
(2)离散的自花授粉更新操作的乘法运算规则按以下方程进行表示：
其中，levy(λ)是一个服从Levy分布的随机数。
进一步的，步骤S7中，所述执行动态自适应变化工件块的变领域搜索的具体过程包括：
S71：计算当前最优花朵位置ubest的适应度值cmax(ubest)，其中计ubest＝(u(1),u(2)...u(n))；
S72：按照方程计算当前工件块的工件个数step；其中，max_step为最大工件块，iter为当前迭代次数，itermax为最大迭代次数；
S73：产生一个随机花朵位置s∈(1,n)，并从花朵位置s开始删除当前最优花朵位置ubest中连续step个工件组成的工件块；设被删除的工件组成的工件块序列为 vdelete＝(v(1),v(2)...v(step))，则剩余工件组成的工件块序列为vleave＝(v'(1),v'(2)...v'(n-step))；
S74：设变量k的初始值为K＝1；
S75：将vdelete(k)依次插入到vleave中的相应位置，并保留最好位置；
S76：若k<step，则k＝k+1，并返回步骤S74；否则，得到一个新解v，并进入步骤S77；
S77：如果目标适应度值Cmax(ubest)＞Cmax(v)，则令ubest＝v；否则，保持ubest不变，并结束过程。
效果验证：为了验证本发明基于离散花朵授粉算法的性能，将算法在操作系统为Win 8， CPU为Intel Core i5-4210U 2.4GHZ，内存为4GB平台上采用Matlab 2012a编码进行测试。算法的参数设置如下：种群规模size＝50，授粉方式选择概率:Pa＝0.8，最大工件块的工件个数：stepmax＝4，选取了2个具有代表性的测试问题对本发明的算法进行测试，且每个测试实例独立运行10次。
(1)测试问题
测试问题1：该测试问题对应于汽车发动机生产厂对应的金加工车间的加工过程，该加工过程具有12个待加工工件，每个工件都包含车、刨和磨这3道工序，每道工序能够并行加工的机床分别为3台、2台和4台；其具体加工处理时间如表1所示：
表1测试问题1的具体加工处理时间表(h)
测试问题2：该测试问题对应于某钢铁生产企业中的炼钢、精炼、连铸和轧制过程，其一共具有12个待加工工件，9台加工机器，4道加工工序，每一道工序加工的并行机器数分别为3、3、2和2；其具体具体加工处理时间如表2所示：
表2测试问题2的具体加工处理时间表(h)
(2)测试结果比较与分析
为了验证算法的优越性，对于测试问题1，分别将遗传算法(Genetic Algorithm，GA)，差分进化算法(Differential evolution algorithm，DE)，人工蜂群算法(Anartificial bee colony algorithm，ABC)，分布式估计算法(Estimation ofDistribution Algorithm， EDA)与本文所提出的离散花朵授粉算法(Discrete FlowerPollination Algorithm，DFPA) 算法进行比较；对于测试问题2，分别将DE算法、ABC、EDA与DFPA算法进行比较。比较统计结果如表3所示：
表3 DFPA算法与GA、DE、ABC和EDA比较的统计结果
从表3中可以看出：平均值、最优解和迭代次数越小，说明算法的性能越好。针对问题 1：在最优解方面，DFPA得到的最优解明显好于GA算法的29和DE算法的24，与ABC和EDA的最优解相同为23；在平均值值上，DFPA的平均值为23.2，比GA算法的29.4、DE算法的 24.2以及EDA算法的23.4都要优，与ABC算法持平，但在迭代次数上，DFPA只要少于100 次迭代就能够获得最优解。针对问题2，采用DE算法所获得的最优解为299，DFPA、EDA算法和ABC算法所求得的最优解都为297；在平均值值上，DFPA比DE算法的309.6、EDA算法的297.2都要少，且DFPA所获得的迭代次数要远小于另外两种算法的迭代次数。因此，由上可知，本发明的算法性能好，其为解决混合流水线调度问题提供了一种可行且有效的新方案，丰富了求解混合流水线调度问题的方法，有效提高了混合流水线调度的精准性。
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所提示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。
Claims (7)
1.一种基于离散花朵授粉算法求解混合流水线调度问题的方法，其特征在于，包括以下具体步骤：
S1：设置离散花朵授粉算法的目标参数，生成离散的初始化种群；其中，所述目标参数包括种群规模、授粉方式选择概率、最大工件块和最大迭代次数；
S2：对所述初始化种群中的花朵位置进行解码；
S3：计算所述初始化种群中花朵位置的适应度值，并选择最优的花朵位置；
S4：采用更新操作方法，对所述初始化种群的花朵位置进行更新操作；
S5：将更新后的花朵位置适应度值与更新前的花朵位置适应度值进行对比，并保留适应度值较低的花朵位置；
S6：将更新后的花朵位置适应度值与最优的花朵位置适应度值进行对比，并保留适应度值较低的花朵位置；
S7：执行动态自适应变化工件块的变领域搜索；
S8：判断是否满足终止条件，如果是，则输出最优花朵位置及其适应度值，并结束；如果否，则返回步骤S3。
2.根据权利要求1所述一种基于离散花朵授粉算法求解混合流水线调度问题的方法，其特征在于，步骤S1中，所述初始化种群由随机方式和LR算法相结合生成，其生成步骤如下：
S11：采用LR算法产生m(m<size)个花朵位置放入初始种群，并计第i个花朵位置为xi＝(xi,1,xi,2,...,xi,n)；其中，n为工件个数，size为种群规模；
S12：若m＝size，则初始化结束；否则，随机产生一个可行解y＝(y1,y2,...,yn)；
S13：若可行解y不同于初始种群中的其它花朵位置，则把该可行解y放入初始种群中，此时m＝m+1；否则，将y丢弃；
S14：返回步骤S12，直至初始化结束。
3.根据权利要求1所述一种基于离散花朵授粉算法求解混合流水线调度问题的方法，其特征在于，步骤S4中，所述更新操作方法为：
针对所述初始种群中的每个花朵位置，产生一个随机数r，若r>Pa，则花朵位置按照方程执行离散的花朵交叉授粉更新操作；否则，花朵位置按照方程执行离散的自花授粉更新操作；其中，Pa为授粉方式选择概率，xbest为最优花朵位置，j、k均为变量，缩放因子ε为满足[0,1]之间的均匀分布随机数，表示加法运算，Θ表示减法运算，表示乘法运算。
4.根据权利要求3所述一种基于离散花朵授粉算法求解混合流水线调度问题的方法，其特征在于，所述加法运算表示两个不同花朵位置进行交叉操作，其运算规则包括以下步骤：
S411：设待进行减法操作的两个花朵位置分别为ui＝(ui,1,...ui,k,...ui,n)和uj＝(uj,1...uj,2,...uj,n)，vi为进行减法后的结果；
S412：产生两个随机交叉点s和e，且s＜e≤n；
S413：把ui中的(ui,s,...ui,k,...ui,e)赋值给(vi,s,...vi,k,...vi,e)；
S414：删除uj中vi已有的花朵位置，并记录uj中剩余的花朵位置，并记为m[1,...,n-(e-s+1)]；
S415：设计数器k＝1；
S416：若e+k＞n，则变量l＝[(e+k)+n]％n，否则l＝e+k；其中，％表示求余运算；
S417：执行vi(l)＝m(k)；
S418：如果k＞n-(e-s+1)，则结束算法，并输出vi；否则执行k＝k+1，并返回步骤S416。
5.根据权利要求3所述一种基于离散花朵授粉算法求解混合流水线调度问题的方法，其特征在于，所述减法运算Θ表示两个不同的花朵位置进行相减操作，结果为置换序列，其运算规则包括以下步骤：
S421：设待进行减法操作的两个花朵位置分别为ui＝(ui,1,...ui,k,...ui,n)和uj＝(uj,1,...uj,k,...uj,n)，vi为进行减法后的结果；
S422：设计数器k＝1；
S423：搜索ui(k)在uj中的位置index；
S424：如果k＜index，则先交换ui(k)和ui(index)的值后，进入步骤S425；否则，直接进入步骤S425；
S425：如果k＜n，执行k＝k+1，并返回步骤S423，否则进入步骤S426；
S426：执行uj＝ui，并结束算法。
6.根据权利要求3所述一种基于离散花朵授粉算法求解混合流水线调度问题的方法，其特征在于，所述乘法运算为根据缩放因子ε乘以减法运算的结果，运算结果为依ε概率保留减法运算的结果，其运算规则包括：
(1)离散的花朵交叉授粉更新操作的乘法运算规则按以下方程进行表示：
(2)离散的自花授粉更新操作的乘法运算规则按以下方程进行表示：
其中，levy(λ)是一个服从Levy分布的随机数。
7.根据权利要求1所述一种基于离散花朵授粉算法求解混合流水线调度问题的方法，其特征在于，步骤S7中，所述执行动态自适应变化工件块的变领域搜索的具体过程包括：
S71：计算当前最优花朵位置ubest的适应度值cmax(ubest)，其中计ubest＝(u(1),u(2)...u(n))；
S72：按照方程计算当前工件块的工件个数step；其中，max_step为最大工件块，iter为当前迭代次数，itermax为最大迭代次数；
S73：产生一个随机花朵位置s∈(1,n)，并从花朵位置s开始删除当前最优花朵位置ubest中连续step个工件组成的工件块；设被删除的工件组成的工件块序列为vdelete＝(v(1),v(2)...v(step))，则剩余工件组成的工件块序列为vleave＝(v'(1),v'(2)...v'(n-step))；
S74：设变量k的初始值为K＝1；
S75：将vdelete(k)依次插入到vleave中的相应位置，并保留最好位置；
S76：若k<step，则k＝k+1，并返回步骤S74；否则，得到一个新解v，并进入步骤S77；
S77：如果目标适应度值Cmax(ubest)＞Cmax(v)，则令ubest＝v；否则，保持ubest不变，并结束过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710430604.3A CN107357267B (zh) | 2017-06-09 | 2017-06-09 | 基于离散花朵授粉算法求解混合流水线调度问题的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710430604.3A CN107357267B (zh) | 2017-06-09 | 2017-06-09 | 基于离散花朵授粉算法求解混合流水线调度问题的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107357267A true CN107357267A (zh) | 2017-11-17 |
| CN107357267B CN107357267B (zh) | 2019-11-05 |
Family
ID=60272696
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710430604.3A Active CN107357267B (zh) | 2017-06-09 | 2017-06-09 | 基于离散花朵授粉算法求解混合流水线调度问题的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107357267B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685259A (zh) * | 2018-12-12 | 2019-04-26 | 聊城大学 | 基于多模态特性感知的混合流水调度进化优化方法 |
| CN109871953A (zh) * | 2019-01-25 | 2019-06-11 | 浙江大学 | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 |
| CN110245780A (zh) * | 2019-05-14 | 2019-09-17 | 杭州电子科技大学 | 一种应用于钢铁加热炉系统的调度优化方法 |
| CN114488788A (zh) * | 2021-11-30 | 2022-05-13 | 浙江大学 | 概率自适应花授粉优化的高超声速飞行器再入段控制器 |
| CN114967615A (zh) * | 2022-05-18 | 2022-08-30 | 电子科技大学 | 一种基于离散花朵授粉算法的装配车间调度集成优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020152102A1 (en) * | 1998-11-30 | 2002-10-17 | Brodersen Karen Cheung | State models for monitoring process |
| WO2016037631A1 (de) * | 2014-09-12 | 2016-03-17 | Abb Technology Ag | System und verfahren zur simulation eines ortsabhängigen und mehrstufigen produktionsprozesses |
| CN106485314A (zh) * | 2016-09-21 | 2017-03-08 | 常熟理工学院 | 一种基于自适应高斯变异的花朵授粉算法的优化方法 |
| CN106504030A (zh) * | 2016-11-10 | 2017-03-15 | 重庆医药数据信息科技有限公司 | 基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法 |
-
2017
- 2017-06-09 CN CN201710430604.3A patent/CN107357267B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020152102A1 (en) * | 1998-11-30 | 2002-10-17 | Brodersen Karen Cheung | State models for monitoring process |
| WO2016037631A1 (de) * | 2014-09-12 | 2016-03-17 | Abb Technology Ag | System und verfahren zur simulation eines ortsabhängigen und mehrstufigen produktionsprozesses |
| CN106485314A (zh) * | 2016-09-21 | 2017-03-08 | 常熟理工学院 | 一种基于自适应高斯变异的花朵授粉算法的优化方法 |
| CN106504030A (zh) * | 2016-11-10 | 2017-03-15 | 重庆医药数据信息科技有限公司 | 基于混沌正弦映射的花朵授粉优化算法的支持向量机药品预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 肖辉辉 等: "基于族群机制的花朵授粉算法", 《火力与指挥控制》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685259A (zh) * | 2018-12-12 | 2019-04-26 | 聊城大学 | 基于多模态特性感知的混合流水调度进化优化方法 |
| CN109871953A (zh) * | 2019-01-25 | 2019-06-11 | 浙江大学 | fpRNA遗传算法的重油裂解过程小波神经网络建模方法 |
| CN110245780A (zh) * | 2019-05-14 | 2019-09-17 | 杭州电子科技大学 | 一种应用于钢铁加热炉系统的调度优化方法 |
| CN114488788A (zh) * | 2021-11-30 | 2022-05-13 | 浙江大学 | 概率自适应花授粉优化的高超声速飞行器再入段控制器 |
| CN114967615A (zh) * | 2022-05-18 | 2022-08-30 | 电子科技大学 | 一种基于离散花朵授粉算法的装配车间调度集成优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107357267B (zh) | 2019-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107357267A (zh) | 基于离散花朵授粉算法求解混合流水线调度问题的方法 | |
| CN110598941A (zh) | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 | |
| CN108805403A (zh) | 一种基于改进遗传算法的单件车间调度方法 | |
| CN111756653A (zh) | 基于图神经网络深度强化学习的多coflow调度方法 | |
| CN106611230A (zh) | 结合关键工序的遗传局部搜索算法求解柔性作业车间调度 | |
| CN103440525B (zh) | 基于Vague值相似度量改进算法的湖库水华应急治理决策方法 | |
| CN111160755B (zh) | 一种基于dqn的飞机大修车间实时调度方法 | |
| CN112215364A (zh) | 一种基于强化学习的敌-友深度确定性策略方法及系统 | |
| CN105023056B (zh) | 基于群智能强化学习的电网最优碳能复合流获取方法 | |
| CN111401693B (zh) | 一种带机器人运输的柔性车间调度优化方法及系统 | |
| CN114066122B (zh) | 一种基于多策略水波优化算法的调度方法 | |
| CN115454005A (zh) | 一种面向有限运输资源场景的制造车间动态智能调度方法及装置 | |
| CN109034479A (zh) | 一种基于差分进化算法的多目标调度方法及装置 | |
| CN109902872A (zh) | 一种性能预测模型与产品研发相结合的方法和装置 | |
| CN117891220A (zh) | 一种基于多智能体深度强化学习的分布式混合流水车间调度方法 | |
| CN112327792A (zh) | 一种改进的帝国竞争算法求解柔性作业车间机器故障的动态调度方法 | |
| CN112884367A (zh) | 考虑多技能员工约束的高端装备研发过程多项目协同调度方法及系统 | |
| CN107590616B (zh) | 改进的帝国竞争算法解决柔性作业车间调度问题 | |
| Zarandi et al. | A type 2 fuzzy multi agent based system for scheduling of steel production | |
| Zhao | A Floyd-like algorithm for optimization of mix-valued logical control networks | |
| CN107609781B (zh) | 一种基于改进帝国竞争算法的柔性作业车间调度方法 | |
| CN113780871B (zh) | 一种多目标低碳柔性作业车间调度方法 | |
| CN113759841B (zh) | 一种多目标优化的机床柔性车间调度方法及系统 | |
| Liu et al. | Improved collaborative particle swarm algorithm for job shop scheduling optimization | |
| CN112712251A (zh) | 一种应用于驳船管理系统中的船舶智能调度算法 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20171117 Assignee: Guangxi Baixin New Materials Co.,Ltd. Assignor: BAISE University Contract record no.: X2023980046196 Denomination of invention: A Method for Solving Hybrid Pipeline Scheduling Problems Based on Discrete Flower Pollination Algorithm Granted publication date: 20191105 License type: Common License Record date: 20231108 |
|
| OL01 | Intention to license declared |