CN107578178B - 基于变邻域搜索和引力搜索混合算法的调度方法及系统 - Google Patents

基于变邻域搜索和引力搜索混合算法的调度方法及系统 Download PDF

Info

Publication number
CN107578178B
CN107578178B CN201710824708.2A CN201710824708A CN107578178B CN 107578178 B CN107578178 B CN 107578178B CN 201710824708 A CN201710824708 A CN 201710824708A CN 107578178 B CN107578178 B CN 107578178B
Authority
CN
China
Prior art keywords
individual
algorithm
solution
workpiece
population
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
CN201710824708.2A
Other languages
English (en)
Other versions
CN107578178A (zh
Inventor
裴军
范雯娟
刘心报
张强
孔敏
陆少军
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201710824708.2A priority Critical patent/CN107578178B/zh
Publication of CN107578178A publication Critical patent/CN107578178A/zh
Application granted granted Critical
Publication of CN107578178B publication Critical patent/CN107578178B/zh
Priority to US16/127,337 priority patent/US10402404B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2453—Query optimisation
    • G06F16/24534—Query rewriting; Transformation
    • G06F16/24542—Plan optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种基于变邻域搜索和引力搜索混合算法的调度方法及系统，该方法包括：1设定算法的参数；2初始化算法初始解；3执行基于GSA的局部搜索；4更新初始解；5判断算法执行的终止条件是否满足，若满足则输出算法搜索的全局最优解，否则返回步骤3；本发明能针对基于位置学习效应和线性启动时间的连续批加工调度问题，求得近似最优解，从而使得企业能在最大限度上充分利用其生产资源，降低生产成本，并提高企业服务水平和顾客满意度水平。

Description

基于变邻域搜索和引力搜索混合算法的调度方法及系统
技术领域
本发明实施例涉及软件技术领域，具体涉及一种基于变邻域搜索和引力搜索混合算法的调度方法及系统。
背景技术
在铝厂实际加工铝制品的过程中，圆柱铝锭在挤压机上进行处理，该处理机实际上这是一个批处理机器，在每个批内机器对一个接一个的工件进行加工。考虑到生产实际情况，在处理每一批的铝锭时，有一段必要的随时间变化的装置时间。并且，随着时间的推移，生产效率会不断改善，即铝锭的实际处理时间取决于其位置或其所在批所处的序列位置。也就是说，如果一个铝锭在后面的位置加工，那么它将花费更少的时间完成挤压过程。由此可见，铝锭的处理时间可以表示为与其位置相关的递减函数。在这个生产场景中，单机和平行机的配置都有不同的生产需求。因此，该调度系统针对单机和平行机两种情况下的实际生产调度情况均给出了相应的求解策略。变邻域搜索算法(VNS)是Mladenovic和Hansen于1997年提出的；万有引力算法于2009年被首次提出，也是一种高效的优化算法。近年来，已有许多学者对此类算法进行了广泛的研究并且应用在很多实际的组合优化问题中。
然而，在进行发明创造的过程中发明人发现，现有技术存在以下缺陷：(1)在研究问题上，一方面，以往的文献中研究考虑固定的加工时间，而在实际环境中，优于机器的恶化和学习效用，工件的实际加工时间和批装置时间往往会与工件的位置和批的开始装置时间有关；另一方面，很少有文献和方法涉及考虑恶化和学习的平行机加工系统，特别是以最大提前时间为优化目标，而该问题在一些实际应用过程中决定着企业的生产效率和服务质量。(2)在研究方法上，影响变邻域搜索算法性能的因素主要有：初始解的质量、邻域结构以及邻域结构内的搜索策略。在某些情况下，初始解和邻域结构的局限性会使得变邻域搜索算法很早陷入局部最优，无法得到较好的调度方案。
发明内容
本发明实施例提供了一种基于变邻域搜索和引力搜索混合算法的调度方法及系统，用以解决上述至少一个技术问题。
第一方面，本发明实施例提供一种基于变邻域搜索和引力搜索混合算法的调度方法，包括：
S1、初始化算法的输入参数，包括工件数量n，工件基本加工时间pi，学习因子a，启动时间的线性因子θ，加工机器的容量C；
S2、设定改进VNS算法的执行参数，VNS算法部分包括初始解Xs，最大迭代次数Imax，最小邻域结构索引值omin，当前邻域结构索引值o，最大邻域结构索引值omax；局部搜索算法部分包括最大迭代次数itmax，当前迭代次数it＝1，局部搜索算法种群规模Q；此外，全局最优解Xbest＝Xs；
S3、设置o＝omin；
S4、在当前全局最优解Xbest的第o个邻域中随机选择Q个个体，用以初始化基于局部搜索算法局部搜索中的种群个体集合S；
S5、执行局部搜索算法获得局部近似最优解X'；
S6、判断若X'优于当前全局最优解Xbest，则将X'赋给Xbest，并转到步骤S3；否则将o+1赋给o，并判断o是否不大于omax，若成立则转到步骤S4，否则转到步骤S7；
S7、将I+1赋值给I，判断I≤Imax是否成立，若成立则执行步骤S3，否则结束算法，输出当前全局最优解。
第二方面，本发明实施例提供一种基于变邻域搜索和引力搜索混合算法的调度系统，包括：
处理单元，用于执行以下步骤：
S1、初始化算法的输入参数，包括工件数量n，工件基本加工时间pi，学习因子a，启动时间的线性因子θ，加工机器的容量C；
S2、设定改进VNS算法的执行参数，VNS算法部分包括初始解Xs，最大迭代次数Imax，最小邻域结构索引值omin，当前邻域结构索引值o，最大邻域结构索引值omax；局部搜索算法部分包括最大迭代次数itmax，当前迭代次数it＝1，局部搜索算法种群规模Q；此外，全局最优解Xbest＝Xs；
S3、设置o＝omin；
S4、在当前全局最优解Xbest的第o个邻域中随机选择Q个个体，用以初始化基于局部搜索算法局部搜索中的种群个体集合S；
S5、执行局部搜索算法获得局部近似最优解X'；
S6、判断若X'优于当前全局最优解Xbest，则将X'赋给Xbest，并转到步骤S3；否则将o+1赋给o，并判断o是否不大于omax，若成立则转到步骤S4，否则转到步骤S7；
S7、将I+1赋值给I，判断I≤Imax是否成立，若成立则执行步骤S3，否则结束算法；
输出单元，用于输出当前全局最优解。
本发明能针对基于位置学习效应和线性启动时间的连续批加工调度问题，求得近似最优解，从而使得企业能在最大限度上充分利用其生产资源，降低生产成本，并提高企业服务水平和顾客满意度水平。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例提供的一种基于变邻域搜索和引力搜索混合算法的调度方法流程图；
图2是本发明实施例提供的一种基于变邻域搜索和引力搜索混合算法的调度系统结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
本发明实施例考虑平行机连续批加工情形下的生产调度问题，在该问题中，工件具有差异的一般加工时间，其实际加工时间与其所在的位置有关，批具有和开始时间相关的装置时间，优化目标为最小化最大提前期。根据问题特点，设计了有效的智能算法，解决该组合优化问题，促进企业生产效率的提升，实现精准化生产，提高顾客满意水平。
为便于理解，下面首先对本发明实施例要解决的问题进行详细说明，具体来说：
(1)生产加工工件的集合为J＝{J1,...,Ji,...,Jn}，工件Ji的一般加工时间记为pi。
(2)加工机器为多台相同的连续批处理机，处理机的容量均为c，工件分配至处理机上成批进行加工，规定每个批中工件数量之和不能超过c。
(3)批的加工时间由批中所有工件加工时间之和确定，特定的批一旦形成，不能将该批中的工件移出，且不可在该批中添加新工件。
(4)由于企业和客户对于精准化生产和零库存管理的要求越来越高，需要优化的目标设定为最小化工件最大的提前完工时间。
基于此，本发明的一个实施例提供了一种基于变邻域搜索和引力搜索混合算法的调度方法，如图1所示，包括：
S1、初始化算法的输入参数，包括工件数量n，工件基本加工时间pi，学习因子a，启动时间的线性因子θ，加工机器的容量C；
S2、设定改进VNS算法的执行参数，VNS算法部分包括初始解Xs，最大迭代次数Imax，最小邻域结构索引值omin，当前邻域结构索引值o，最大邻域结构索引值omax；局部搜索算法部分包括最大迭代次数itmax，当前迭代次数it＝1，局部搜索算法种群规模Q；此外，全局最优解Xbest＝Xs；
S3、设置o＝omin；
S4、在当前全局最优解Xbest的第o个邻域中随机选择Q个个体，用以初始化基于局部搜索算法局部搜索中的种群个体集合S；
S5、执行局部搜索算法获得局部近似最优解X'；
S6、判断若X'优于当前全局最优解Xbest，则将X'赋给Xbest，并转到步骤S3；否则将o+1赋给o，并判断o是否不大于omax，若成立则转到步骤S4，否则转到步骤S7；
S7、将I+1赋值给I，判断I≤Imax是否成立，若成立则执行步骤S3，否则结束算法，输出当前全局最优解。
本发明能针对基于位置学习效应和线性启动时间的连续批加工调度问题，求得近似最优解，从而使得企业能在最大限度上充分利用其生产资源，降低生产成本，并提高企业服务水平和顾客满意度水平。
在具体实施时，在步骤S4中的在当前全局最优解Xbest的第o个邻域中随机选择Q个个体步骤之前，所述方法还可以包括：设定邻域结构；其中，所述设定邻域结构，可以包括：
步骤S1’：定义变量x，y，g＝1，获得输入的初始解X，变量o；
步骤S2’：随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y；
步骤S3’：选择X中的第x个和第y个元素，将这两个元素进行交换，得到新的解X'；
步骤S4’：令g＝g+1，判断g≤o是否成立，若成立，则返回步骤S2’；否则，执行步骤S5’；
步骤S5’：计算适应度值，判断解X'是否优于初始解X，若是，则输出解X'；否则，输出解解X。
在具体实施时，步骤S5中执行局部搜索算法获得局部近似最优解X'，可以包括：
步骤S51：在当前全局最优解的某一邻域随机选择Q个解，作为基于GSA局部搜索算法的初始解；其中，局部搜索算法的第it代种群中的第j个个体定义为1≤it≤itmax，j＝1,2,...,Q，d＝1,2,...,n，其中表示第it代种群中的第j个个体在第d维上的位置；令it＝1；
步骤S52：计算第it代种群中每个个体的适应度值，其中j个个体的适应度值记为fitj(it)；
步骤S53：更新第it代种群的最差worst(it)和最优个体best(it)；
步骤S54：按照以下公式计算当前种群每个个体的质量；其中Mj(it)表示当前种群的第j个个体的质量；
步骤S55：按照以下公式计算当前种群每个个体的每一维上的加速度；其中，第j个个体第d维的加速度记为
步骤S56：按照以下公式更新当前种群每个个体的每一维上的位置和速度；第j个个体的第d维的速度记为
步骤S57：判断it≤itmax是否成立，若成立，则令it＝it+1，并转到步骤S52，否则结束算法，输出局部最优近似解。
在具体实施时，计算适应度值，可以包括：
步骤S1”：将工件序列按照加工时间非减序进行排序，设定参数h＝1；
步骤S2”：将序列中前c个工件组成第h个批，并将其从列表中删除，获得剩余序列，将h+1赋值给h；
步骤S3”：如果工件序列中还有剩余工件，则将序列中前个工件组成第h个批，并将其从列表中删除，获得剩余序列；
步骤S4”：将h+1赋值给h；
步骤S5”：如果序列中还有剩余工件，则将序列中前c个工件组成第h个批，并将其从列表中删除，获得剩余序列，返回步骤S4”；否则，执行步骤S6”；
步骤S6”：按照批形成顺序对各批进行加工，计算最大提前时间
若n＜c成立，则
否则，
其中，θ表示装置时间恶化率，n表示工件总数，c表示机器能力，即每批最大工件个数，表示不超过x的最大整数；
步骤S6”：根据步骤S1”-S6”计算每个机器上的最优最大提前时间将所有机器中，计算得到的最大值作为输出的适应度值Emax。
基于同样的发明构思，本发明又一实施例提供了一种基于变邻域搜索和引力搜索混合算法的调度系统，如图2所示，包括：
处理单元201，用于执行以下步骤：
S1、初始化算法的输入参数，包括工件数量n，工件基本加工时间pi，学习因子a，启动时间的线性因子θ，加工机器的容量C；
S2、设定改进VNS算法的执行参数，VNS算法部分包括初始解Xs，最大迭代次数Imax，最小邻域结构索引值omin，当前邻域结构索引值o，最大邻域结构索引值omax；局部搜索算法部分包括最大迭代次数itmax，当前迭代次数it＝1，局部搜索算法种群规模Q；此外，全局最优解Xbest＝Xs；
S3、设置o＝omin；
S4、在当前全局最优解Xbest的第o个邻域中随机选择Q个个体，用以初始化基于局部搜索算法局部搜索中的种群个体集合S；
S5、执行局部搜索算法获得局部近似最优解X'；
S6、判断若X'优于当前全局最优解Xbest，则将X'赋给Xbest，并转到步骤S3；否则将o+1赋给o，并判断o是否不大于omax，若成立则转到步骤S4，否则转到步骤S7；
S7、将I+1赋值给I，判断I≤Imax是否成立，若成立则执行步骤S3，否则结束算法；
输出单元202，用于输出当前全局最优解。
可选地，所述执行单元201在执行步骤S4中的在当前全局最优解Xbest的第o个邻域中随机选择Q个个体步骤之前，还执行设定邻域结构的步骤；其中，设定邻域结构，可以包括：
步骤S1’：定义变量x，y，g＝1，获得输入的初始解X，变量o；
步骤S2’：随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y；
步骤S3’：选择X中的第x个和第y个元素，将这两个元素进行交换，得到新的解X'；
步骤S4’：令g＝g+1，判断g≤o是否成立，若成立，则返回步骤S2’；否则，执行步骤S5’；
步骤S5’：计算适应度值，判断解X'是否优于初始解X，若是，则输出解X'；否则，输出解解X。
可选地，所述执行单元201在步骤S5中执行局部搜索算法获得局部近似最优解X'，可以包括：
步骤S51：在当前全局最优解的某一邻域随机选择Q个解，作为基于GSA局部搜索算法的初始解；其中，局部搜索算法的第it代种群中的第j个个体定义为1≤it≤itmax，j＝1,2,...,Q，d＝1,2,...,n，其中表示第it代种群中的第j个个体在第d维上的位置；令it＝1；
步骤S52：计算第it代种群中每个个体的适应度值，其中j个个体的适应度值记为fitj(it)；
步骤S53：更新第it代种群的最差worst(it)和最优个体best(it)；
步骤S54：按照以下公式计算当前种群每个个体的质量；其中Mj(it)表示当前种群的第j个个体的质量；
步骤S55：按照以下公式计算当前种群每个个体的每一维上的加速度；其中，第j个个体第d维的加速度记为
步骤S56：按照以下公式更新当前种群每个个体的每一维上的位置和速度；第j个个体的第d维的速度记为
步骤S57：判断it≤itmax是否成立，若成立，则令it＝it+1，并转到步骤S52，否则结束算法，输出局部最优近似解。
可选地，所述执行单元201计算适应度值，可以包括：
步骤S1”：将工件序列按照加工时间非减序进行排序，设定参数h＝1；
步骤S2”：将序列中前c个工件组成第h个批，并将其从列表中删除，获得剩余序列，将h+1赋值给h；
步骤S3”：如果工件序列中还有剩余工件，则将序列中前c个工件组成第h个批，并将其从列表中删除，获得剩余序列；
步骤S4”：将h+1赋值给h；
步骤S5”：如果序列中还有剩余工件，则将序列中前c个工件组成第h个批，并将其从列表中删除，获得剩余序列，返回步骤S4”；否则，执行步骤S6”；
步骤S6”：按照批形成顺序对各批进行加工，计算最大提前时间
若n＜c成立，则
否则，
其中，θ表示装置时间恶化率，n表示工件总数，c表示机器能力，即每批最大工件个数，表示不超过x的最大整数；
步骤S6”：根据步骤S1”-S6”计算每个机器上的最优最大提前时间将所有机器中，计算得到的最大值作为输出的适应度值Emax。
由于本实施例所介绍的基于变邻域搜索和引力搜索混合算法的调度系统为可以执行本发明实施例中的基于变邻域搜索和引力搜索混合算法的调度方法的系统，故而基于本发明实施例中所介绍的基于变邻域搜索和引力搜索混合算法的调度的方法，本领域所属技术人员能够了解本实施例的基于变邻域搜索和引力搜索混合算法的调度系统的具体实施方式以及其各种变化形式，所以在此对于该基于变邻域搜索和引力搜索混合算法的调度系统如何实现本发明实施例中的基于变邻域搜索和引力搜索混合算法的调度方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中基于变邻域搜索和引力搜索混合算法的调度方法所采用的系统，都属于本申请所欲保护的范围。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

Claims (6)

1.一种基于变邻域搜索和引力搜索混合算法的调度方法，其特征在于，包括：
S1、初始化算法的输入参数，包括工件数量n，工件基本加工时间pi，学习因子a，启动时间的线性因子θ，加工机器的容量C；
S2、设定改进VNS算法的执行参数，VNS算法部分包括初始解Xs，最大迭代次数Imax，最小邻域结构索引值omin，当前邻域结构索引值o，最大邻域结构索引值omax；局部搜索算法部分包括最大迭代次数itmax，当前迭代次数it＝1，局部搜索算法种群规模Q；此外，全局最优解Xbest＝Xs；
S3、设置o＝omin；
S4、在当前全局最优解Xbest的第o个邻域中随机选择Q个个体，用以初始化基于局部搜索算法局部搜索中的种群个体集合S；
S5、执行局部搜索算法获得局部近似最优解X'；
S6、判断若X'优于当前全局最优解Xbest，则将X'赋给Xbest，并转到步骤S3；否则将o+1赋给o，并判断o是否不大于omax，若成立则转到步骤S4，否则转到步骤S7；
S7、将I+1赋值给I，判断I≤Imax是否成立，若成立则执行步骤S3，否则结束算法，输出当前全局最优解；
所述步骤S4中的在当前全局最优解Xbest的第o个邻域中随机选择Q个个体步骤之前，所述方法还包括：设定邻域结构；
其中，所述设定邻域结构，包括：
步骤S1’：定义变量x，y，g＝1，获得输入的初始解X，变量o；
步骤S2’：随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y；
步骤S3’：选择X中的第x个和第y个元素，将这两个元素进行交换，得到新的解X'；
步骤S4’：令g＝g+1，判断g≤o是否成立，若成立，则返回步骤S2’；否则，执行步骤S5’；
步骤S5’：计算适应度值，判断解X'是否优于初始解X，若是，则输出解X'；否则，输出解解X。
2.根据权利要求1所述的方法，其特征在于，步骤S5中执行局部搜索算法获得局部近似最优解X'，包括：
步骤S51：在当前全局最优解的某一邻域随机选择Q个解，作为基于GSA局部搜索算法的初始解；其中，局部搜索算法的第it代种群中的第j个个体定义为1≤it≤itmax，j＝1,2,...,Q，d＝1,2,...,n，其中表示第it代种群中的第j个个体在第d维上的位置；令it＝1；
步骤S52：计算第it代种群中每个个体的适应度值，其中j个个体的适应度值记为fitj(it)；
步骤S53：更新第it代种群的最差worst(it)和最优个体best(it)；
步骤S54：按照以下公式计算当前种群每个个体的质量；其中Mj(it)表示当前种群的第j个个体的质量；
步骤S55：按照以下公式计算当前种群每个个体的每一维上的加速度；其中，第j个个体第d维的加速度记为
步骤S56：按照以下公式更新当前种群每个个体的每一维上的位置和速度；第j个个体的第d维的速度记为
步骤S57：判断it≤itmax是否成立，若成立，则令it＝it+1，并转到步骤S52，否则结束算法，输出局部最优近似解。
3.根据权利要求1或2所述的方法，其特征在于，计算适应度值，包括：
步骤S1”：将工件序列按照加工时间非减序进行排序，设定参数h＝1；
步骤S2”：将序列中前c个工件组成第h个批，并将其从列表中删除，获得剩余序列，将h+1赋值给h；
步骤S3”：如果工件序列中还有剩余工件，则将序列中前个工件组成第h个批，并将其从列表中删除，获得剩余序列；
步骤S4”：将h+1赋值给h；
步骤S5”：如果序列中还有剩余工件，则将序列中前c个工件组成第h个批，并将其从列表中删除，获得剩余序列，返回步骤S4”；否则，执行步骤S6”；
步骤S6”：按照批形成顺序对各批进行加工，计算最大提前时间
若n＜c成立，则
否则，
其中，θ表示装置时间恶化率，n表示工件总数，c表示机器能力，即每批最大工件个数，表示不超过x的最大整数；
步骤S6”：根据步骤S1”-S6”计算每个机器上的最优最大提前时间将所有机器中，计算得到的最大值作为输出的适应度值Emax。
4.一种基于变邻域搜索和引力搜索混合算法的调度系统，其特征在于，包括：
处理单元，用于执行以下步骤：
S1、初始化算法的输入参数，包括工件数量n，工件基本加工时间pi，学习因子a，启动时间的线性因子θ，加工机器的容量C；
S2、设定改进VNS算法的执行参数，VNS算法部分包括初始解Xs，最大迭代次数Imax，最小邻域结构索引值omin，当前邻域结构索引值o，最大邻域结构索引值omax；局部搜索算法部分包括最大迭代次数itmax，当前迭代次数it＝1，局部搜索算法种群规模Q；此外，全局最优解Xbest＝Xs；
S3、设置o＝omin；
S4、在当前全局最优解Xbest的第o个邻域中随机选择Q个个体，用以初始化基于局部搜索算法局部搜索中的种群个体集合S；
S5、执行局部搜索算法获得局部近似最优解X'；
S6、判断若X'优于当前全局最优解Xbest，则将X'赋给Xbest，并转到步骤S3；否则将o+1赋给o，并判断o是否不大于omax，若成立则转到步骤S4，否则转到步骤S7；
S7、将I+1赋值给I，判断I≤Imax是否成立，若成立则执行步骤S3，否则结束算法；
输出单元，用于输出当前全局最优解；
所述执行单元在执行步骤S4中的在当前全局最优解Xbest的第o个邻域中随机选择Q个个体步骤之前，还执行设定邻域结构的步骤；
其中，所述设定邻域结构，包括：
步骤S1’：定义变量x，y，g＝1，获得输入的初始解X，变量o；
步骤S2’：随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y；
步骤S3’：选择X中的第x个和第y个元素，将这两个元素进行交换，得到新的解X'；
步骤S4’：令g＝g+1，判断g≤o是否成立，若成立，则返回步骤S2’；否则，执行步骤S5’；
步骤S5’：计算适应度值，判断解X'是否优于初始解X，若是，则输出解X'；否则，输出解解X。
5.根据权利要求4所述的系统，其特征在于，所述执行单元在步骤S5中执行局部搜索算法获得局部近似最优解X'，包括：
步骤S51：在当前全局最优解的某一邻域随机选择Q个解，作为基于GSA局部搜索算法的初始解；其中，局部搜索算法的第it代种群中的第j个个体定义为1≤it≤itmax，j＝1,2,...,Q，d＝1,2,...,n，其中表示第it代种群中的第j个个体在第d维上的位置；令it＝1；
步骤S52：计算第it代种群中每个个体的适应度值，其中j个个体的适应度值记为fitj(it)；
步骤S53：更新第it代种群的最差worst(it)和最优个体best(it)；
步骤S54：按照以下公式计算当前种群每个个体的质量；其中Mj(it)表示当前种群的第j个个体的质量；
步骤S55：按照以下公式计算当前种群每个个体的每一维上的加速度；其中，第j个个体第d维的加速度记为
步骤S56：按照以下公式更新当前种群每个个体的每一维上的位置和速度；第j个个体的第d维的速度记为
步骤S57：判断it≤itmax是否成立，若成立，则令it＝it+1，并转到步骤S52，否则结束算法，输出局部最优近似解。
6.根据权利要求4或5所述的系统，其特征在于，所述执行单元计算适应度值，包括：
步骤S1”：将工件序列按照加工时间非减序进行排序，设定参数h＝1；
步骤S2”：将序列中前c个工件组成第h个批，并将其从列表中删除，获得剩余序列，将h+1赋值给h；
步骤S3”：如果工件序列中还有剩余工件，则将序列中前c个工件组成第h个批，并将其从列表中删除，获得剩余序列；
步骤S4”：将h+1赋值给h；
步骤S5”：如果序列中还有剩余工件，则将序列中前c个工件组成第h个批，并将其从列表中删除，获得剩余序列，返回步骤S4”；否则，执行步骤S6”；
步骤S6”：按照批形成顺序对各批进行加工，计算最大提前时间
若n＜c成立，则
否则，
其中，θ表示装置时间恶化率，n表示工件总数，c表示机器能力，即每批最大工件个数，表示不超过x的最大整数；
步骤S6”：根据步骤S1”-S6”计算每个机器上的最优最大提前时间将所有机器中，计算得到的最大值作为输出的适应度值Emax。
CN201710824708.2A 2017-09-11 2017-09-11 基于变邻域搜索和引力搜索混合算法的调度方法及系统 Active CN107578178B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710824708.2A CN107578178B (zh) 2017-09-11 2017-09-11 基于变邻域搜索和引力搜索混合算法的调度方法及系统
US16/127,337 US10402404B2 (en) 2017-09-11 2018-09-11 Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710824708.2A CN107578178B (zh) 2017-09-11 2017-09-11 基于变邻域搜索和引力搜索混合算法的调度方法及系统

Publications (2)

Publication Number Publication Date
CN107578178A CN107578178A (zh) 2018-01-12
CN107578178B true CN107578178B (zh) 2018-08-28

Family

ID=61036289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710824708.2A Active CN107578178B (zh) 2017-09-11 2017-09-11 基于变邻域搜索和引力搜索混合算法的调度方法及系统

Country Status (2)

Country Link
US (1) US10402404B2 (zh)
CN (1) CN107578178B (zh)

Families Citing this family (65)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523109B (zh) * 2018-09-27 2022-12-06 江汉大学 一种作业调度方法
CN109509548B (zh) * 2018-11-15 2021-08-24 合肥工业大学 门诊患者的医疗服务调度方法、系统和存储介质
CN110276475B (zh) * 2019-05-23 2023-05-26 温州大学 一种断路器自动化装配生产的优化配置方法
CN110689216B (zh) * 2019-08-02 2023-01-03 湘潭大学 一种基于混合果蝇算法的机器人装配单元混合产品jit节能生产优化方法
CN110728001B (zh) * 2019-09-29 2023-08-04 温州大学 一种基于多策略增强的哈里斯老鹰算法的工程优化方法
CN111091344B (zh) * 2019-11-15 2023-09-22 珠海丰实科技有限责任公司 基于爬山算法与并行扰动混合搜索的排课方法
CN111045785B (zh) * 2019-11-25 2023-04-07 哈尔滨工业大学 一种基于二进制引力搜索的节能虚拟机放置方法
CN110867858B (zh) * 2019-11-29 2023-09-26 沈阳工业大学 基于云计算的多能源系统多源储能装置容量配置方法
CN111160711B (zh) * 2019-12-06 2022-09-16 安徽大学 一种基于蚁群算法的平行机批调度方法
CN111128315B (zh) * 2019-12-13 2023-08-11 桂林理工大学 一种基于引力搜索算法的地聚物混凝土配合比方法
CN111259314B (zh) * 2020-01-16 2023-04-07 西安建筑科技大学 一种分布式混凝土预制构件流水车间生产调度方法
CN111242503B (zh) * 2020-01-21 2022-02-18 南京航空航天大学 一种基于两层遗传算法的多目标柔性作业车间调度方法
CN111859771B (zh) * 2020-06-19 2024-02-23 湖南科技大学 一种基于改进樽海鞘群算法的多通道水冷散热器优化方法
CN111798119B (zh) * 2020-06-30 2023-11-07 西安建筑科技大学 一种预制构件流水车间订单接受与调度集成优化方法
CN111950761B (zh) * 2020-07-01 2022-11-15 合肥工业大学 面向高端装备复杂分层任务网络的研制资源集成调度方法
CN111651905A (zh) * 2020-07-09 2020-09-11 中国人民解放军国防科技大学 考虑时间依赖转换时间的敏捷卫星调度方法
CN111859793B (zh) * 2020-07-13 2022-07-15 南通大学 一种基于协同引力搜索算法的造纸过程模型辨识方法
CN112085705B (zh) * 2020-08-11 2024-03-15 温州大学 一种基于改进樽海鞘群算法的图像分割方法及装置
CN112001618B (zh) * 2020-08-18 2023-09-05 西安建筑科技大学 一种工期指派、订单接受与生产调度集成优化方法
CN112017733B (zh) * 2020-08-24 2022-11-11 郑州大学 一种基于粒子群算法的高聚物浆液参数识别方法
CN112001678B (zh) * 2020-08-26 2022-07-19 莆田烟草物流有限公司 一种降低烟草配送里程的方法
CN112183933A (zh) * 2020-08-28 2021-01-05 中国电力科学研究院有限公司 基于混合变邻域进化算法的检定流水线调度方法及系统
CN111985162B (zh) * 2020-08-28 2024-04-26 华中科技大学 一种基于深度学习的置换流水车间控制方法及系统
CN112199172B (zh) * 2020-09-25 2024-05-24 桂林理工大学 一种面向异构多核处理器的混合式任务调度方法
CN112396214B (zh) * 2020-10-12 2023-09-01 安徽师范大学 基于改进教学优化算法的熔炼车间调度方法和系统
CN112231984B (zh) * 2020-10-23 2023-09-15 安庆师范大学 求解大规模cvrp的有效方法及电子设备
CN112256349A (zh) * 2020-10-26 2021-01-22 重庆邮电大学 一种基于ssa-sa算法的移动边缘计算任务卸载方法
CN112330001A (zh) * 2020-10-27 2021-02-05 河南大学 一种基于离散蝙蝠算法的物流配送车辆路径优化方法
CN112308195B (zh) * 2020-11-02 2023-12-05 重庆理工大学 模拟局部代价来求解DCOPs的方法
CN112330011B (zh) * 2020-11-02 2022-10-14 杭州五代通信与大数据研究院 一种基于变邻域搜索的ict基础设施选址方法
CN112396307B (zh) * 2020-11-10 2023-11-21 福建恒达锐视信息科技有限公司 一种基于蝙蝠算法的服装生产柔性流水车间调度方法
CN112395463B (zh) * 2020-11-16 2024-02-23 深信服科技股份有限公司 数据的存储方法、装置、设备以及计算机可读存储介质
CN112668901B (zh) * 2020-12-31 2024-04-19 重庆大学 一种考虑能耗的钢厂生产调度方法及系统
CN112766659B (zh) * 2020-12-31 2023-04-18 山东师范大学 一种分布式混合流水车间调度方法、介质和系统
CN114091717A (zh) * 2021-01-11 2022-02-25 北京京东振世信息技术有限公司 一种选址方法和装置
CN112862212B (zh) * 2021-03-09 2022-03-11 无锡弘宜智能科技有限公司 基于改进麻雀搜索算法的多agv调度方法、装置及设备
CN112884367B (zh) * 2021-03-23 2022-09-30 合肥工业大学 多技能员工约束的装备研发多项目协同调度方法及系统
CN113111572B (zh) * 2021-03-23 2023-04-07 合肥工业大学 航空发动机剩余寿命预测方法及系统
CN113313348B (zh) * 2021-04-20 2022-09-30 合肥工业大学 卫星任务规划方法、装置、存储介质和电子设备
CN113313349B (zh) * 2021-04-20 2022-09-23 合肥工业大学 卫星任务资源匹配优化方法、装置、存储介质和电子设备
CN113177781B (zh) * 2021-05-17 2022-09-30 合肥工业大学 基于变邻域和遗传算子的生产组装协同调度方法及系统
CN113393111B (zh) * 2021-06-09 2024-06-14 东南大学 基于变邻域禁忌搜索算法的跨境运输双边接驳车辆调度方法
CN113313412A (zh) * 2021-06-18 2021-08-27 河海大学 一种基于改良圈算法的公共自行车调度模型
CN113642763B (zh) * 2021-06-30 2023-06-09 合肥工业大学 基于预算约束的高端装备研制资源配置与优化调度方法
CN113689922B (zh) * 2021-07-19 2022-05-17 南通大学 一种基于改进混沌引力搜索算法的活性污泥过程辨识方法
CN113705812B (zh) * 2021-07-19 2024-02-27 合肥工业大学 基于混合并行遗传和变邻域算法的生产调度方法和系统
CN113778654B (zh) * 2021-09-27 2023-05-16 国网湖南省电力有限公司 基于粒子群优化算法的并行任务调度方法
CN113886672B (zh) * 2021-10-21 2024-05-21 大连理工大学 一种基于局部搜索和种群增强进化策略的网络关键节点识别方法
CN114065614B (zh) * 2021-11-01 2024-04-30 哈尔滨工业大学 基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质
CN114358234B (zh) * 2021-12-16 2023-12-01 西北大学 一种基于改进蝙蝠算法的云平台的资源调度方法
CN114462191B (zh) * 2021-12-23 2024-06-28 合肥工业大学 一种考虑恶化效应和资源分配的芯片制造智能调度方法
CN114265380B (zh) * 2022-03-02 2022-05-24 合肥工业大学 基于vns的高端装备制造鲁棒性调度方法和装置
CN114861417B (zh) * 2022-04-14 2024-04-19 中国人民解放军国防科技大学 基于变邻域搜索的多阶段武器目标分配方法
CN114626765B (zh) * 2022-05-07 2022-09-16 河南科技学院 一种动力锂电池化成智能调度方法
CN114925915B (zh) * 2022-05-23 2023-03-21 广东工业大学 一种针对大规模下料的切割路径规划方法及系统
CN114995162B (zh) * 2022-08-01 2022-11-08 季华实验室 多机器人的任务分配方法、装置、电子设备及存储介质
CN115441936B (zh) * 2022-09-02 2023-09-26 合肥工业大学 一种基于变邻域搜索启发式的中继卫星任务调度方法
CN115375193B (zh) * 2022-10-24 2023-02-10 埃克斯工业有限公司 双目标生产调度优化方法、装置、设备及可读存储介质
CN116663806B (zh) * 2023-05-09 2024-06-18 西南交通大学 考虑不同作业场景的人机协作拆卸线设置方法
CN116400028B (zh) * 2023-05-29 2023-08-22 湖南汇湘轩生物科技股份有限公司 一种基于气味传感器的香精质量检测方法、系统及介质
CN116629450B (zh) * 2023-06-19 2024-02-27 合肥工业大学 一种基于动态规划和vns的装备供应链调度方法和系统
CN116859711B (zh) * 2023-06-27 2024-04-12 中科沃业江苏生物有限公司 一种基于iabc优化模糊pid的恒流泵控制系统
CN116993027B (zh) * 2023-09-27 2023-12-26 中国水利水电科学研究院 一种改进的水工程联合调度优化方法
CN117648552A (zh) * 2023-12-18 2024-03-05 深圳世纪前沿量化科技有限公司 一种基于云计算的量化数据处理方法
CN117829550B (zh) * 2024-03-04 2024-05-24 聊城大学 分布式可重入异构混合流水车间批次调度的求解方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103366021A (zh) * 2013-08-07 2013-10-23 浪潮(北京)电子信息产业有限公司 一种云计算平台上的变邻域搜索方法及系统
CN103577900A (zh) * 2013-11-19 2014-02-12 天津工业大学 基于分散变邻域搜索的阻塞流水车间调度方法
CN103593719B (zh) * 2013-11-29 2016-08-17 湘潭大学 一种基于板坯与合同优化匹配的轧制节能方法

Also Published As

Publication number Publication date
US20190079975A1 (en) 2019-03-14
US10402404B2 (en) 2019-09-03
CN107578178A (zh) 2018-01-12

Similar Documents

Publication Publication Date Title
CN107578178B (zh) 基于变邻域搜索和引力搜索混合算法的调度方法及系统
Schuster et al. Approximative procedures for no-wait job shop scheduling
US11295196B2 (en) Apparatus and methods for neural network operations supporting fixed point numbers of short bit length
US10401840B2 (en) Method and system for scheduling parallel processing machines based on hybrid shuffled frog leaping algorithm and variable neighborhood search algorithm
US10936284B2 (en) Apparatus and methods for neural network operations supporting floating point numbers of short bit length
Kim et al. Unrelated parallel machine scheduling with setup times and a total weighted tardiness objective
Mukhopadhyay et al. A heuristic procedure for loading problems in flexible manufacturing systems
CN110969362B (zh) 一种云计算系统下多目标任务调度方法及系统
CN101051382A (zh) 于图形处理单元中提供共享属性计算电路的系统及方法
CN103257896B (zh) 一种云环境下的Max-D作业调度方法
CN112668789A (zh) 一种柔性作业车间带准备工序的自适应分批调度方法
CN107918806B (zh) 一种智能的优化调度方法
Khorasanian et al. An iterated greedy algorithm for solving the blocking flow shop scheduling problem with total flow time criteria
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
CN110659119B (zh) 一种图片处理方法、装置及系统
US20070156769A1 (en) Partition elimination system for a database that uses a multi-level partitioning definition
Santos et al. Iterated greedy with random variable neighborhood descent for scheduling jobs on parallel machines with deterioration effect
CN109102211B (zh) 改进布谷鸟搜索的高端装备批处理机调度方法及系统
CN1115639C (zh) 数据转换装置和方法
CN112633295B (zh) 面向循环任务的预测方法、装置、电子设备及存储介质
CN110442619B (zh) 搜索结果排序方法、装置、电子设备及存储介质
CN106611215A (zh) 一种新的布谷鸟搜索算法解决作业车间调度问题
Nurdiansyah et al. An Improved Differential Evolution Algorithm for Permutation Flow Shop Scheduling Problem.
CN112070210A (zh) 一种基于fpga的多并行策略卷积网络加速器
CN1659593A (zh) 累积直方图的计算方法

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