CN107703900A - 一种高效的优化调度方法 - Google Patents
一种高效的优化调度方法 Download PDFInfo
- Publication number
- CN107703900A CN107703900A CN201711116302.5A CN201711116302A CN107703900A CN 107703900 A CN107703900 A CN 107703900A CN 201711116302 A CN201711116302 A CN 201711116302A CN 107703900 A CN107703900 A CN 107703900A
- Authority
- CN
- China
- Prior art keywords
- size
- sequence
- max
- individual
- stage
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims description 20
- 238000010521 absorption reaction Methods 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 6
- 230000037431 insertion Effects 0.000 claims description 6
- 241000254158 Lampyridae Species 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000010845 search algorithm Methods 0.000 abstract description 2
- 241000131894 Lampyris noctiluca Species 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction 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]
- G05B19/41865—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] or 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
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高效的优化调度方法。利用基于变邻域搜索算法的群智能优化方法对多处理机任务混合流水车间调度问题进行求解,在萤火虫算法中引入了包含5种领域结构的变领域搜索算法,增加了种群的多样性,加强了算法的局部搜索能力,提升算法的搜索精度,并且提出了一种工作调整规则,加快算法的收敛速度,使得本方法能高效地生成最优调度方案。本发明能够有效缩短处理机的空闲等待时间,从而提高生产效率,提升调度后产生的经济效益。
Description
技术领域
本发明涉及生产调度领域,具体地,涉及一种高效的优化调度方法。
背景技术
混合流水车间问题(hybrid flow-shop scheduling problem,HFSP)最早由Salvador于1973年基于石油工业背景提出。HFSP具有很强的工程背景,大量生产、制造、装配、运输、合成过程中的调度问题以及互联网服务、集装箱搬运等问题均可归结为HFSP。随着现代生产技术和并行计算机系统的快速发展,许多实际多阶段调度问题要求在每个阶段工件由几台处理器同时加工。因此,多处理机任务混合流水车间调度问题(hybrid flow-shop scheduling problem with multiprocessor tasks,HFSPMT)在实际生产过程中有着更为广泛的应用。
HFSPMT的求解算法可分为精确求解算法、启发式方法与智能算法三个大类。由于HFSPMT属于复杂的NP-hard问题,精确求解算法和启发式方法在实际求解过程中无法取得令人满意的表现。随着智能算法研究的不断深入,目前有多种智能算法用于求解HFSPMT。然而,不少算法在求解过程中容易陷入局部最优,同时在求解复杂的大规模问题时存在着算法收敛速度较慢、求解结果非最优的缺陷。
发明内容
为了克服目前HFSPMT求解算法易陷入局部最优,以及算法求解速度慢、调度方案非最优的不足,本发明目的在于提供一种能够高效求解HFSPMT,具有很强全局搜索能力的优化调度方法。
本发明解决其技术问题所采用的技术方案是:一种高效的优化调度方法,应用基于变邻域搜索的萤火虫算法和新的解码算法。萤火虫算法作为一种新的群智能方法,可以提高问题的求解速度与精度。变邻域搜索可以改变算法的邻域结构,拓展算法的搜索范围。新的解码算法则能使算法生成最优的调度方案。具体过程包括以下几个步骤:
1)已知一个包含n个工作的集合J={1,2,…,n},在有k个阶段的流水线上被处理,每个阶段i有mi个平行处理机,i=1,2,…,k,将每个工作视作k个任务的一个序列,每个阶段的任务必须在前一阶段的任务完成后才能够被处理。一件工作中的每个任务都需要对应阶段的一个或多个处理机同时连续地处理一段时间。用sizeij与pij表示工作j在阶段i所需的处理机数量与花费的时间;i=1,2,…,k,j∈J。将求解问题需要的size和p矩阵输入系统。
2)参数设置,种群个体数N、最大迭代次数tmax、随机参数α、个体吸引力β0、介质吸收率γ;其中令N=20,tmax=500,α=0.5,β0=0.2,γ=1。
3)种群个体初始化。
生成种群X=(x1,x2,…,xN),种群中的第s个个体xs=(xs1,…,xsn),xsj为0~n之间的实数,s∈{1,2,…,N},j∈{1,2,…,n}。由于个体xs的坐标是连续的实数,而工作序列是离散的整数序列,用最小排序方法将连续坐标转化为工作序列,即将个体xs=(xs1,…,xsn)的各个维度从小到大排序,排序的序号构成的整数序列作为初始工作序列π1。
4)计算每个个体对应的最大完成时间Cmax。
萤火虫算法的目标函数为序列对应的最大完成时间Cmax。本发明基于先到先得的原则,根据前一阶段各工作的完成时间顺序构造下一阶段的工作序列,然后根据一定规则对生成的工作序列进行适当调整,灵活地进行工作排序,减少加工过程的空闲时间,最终得到最优的调度方案及最大完成时间Cmax。
4.1)i=1时,根据构造出第1个阶段的调度方案。其中h∈J,π1(h)表示序列π1中第h个元素的值,表示工作π1(h)在第1个阶段所需的处理机数量。
4.2)将第i阶段的各工作加工完成时间进行非递减顺序排序,得到第i+1个阶段的调度序列πi+1。对于任意的πi(h)和πi(l),h,l∈J,当且h<l时,进行πi+1排序时假定
4.3)令j=1,根据适当规则调整序列πi+1中第j和j+1个工作的次序。
对于阶段i中相邻的三个工作A,B,C,即A=πi,p,B=πi,p+1,C=πi,p+2。根据STiA与STiB的关系,可分别提出以下规则来得到更优的处理序列。
a.STiA>STiB
规则1-i,若sizeiB+sizeiC>mi,sizeiA+sizeiC>mi,则交换A与B的处理顺序。
规则1-ii,若sizeiB+sizeiC≤mi,sizeiA+sizeiC>mi,sizeiA+sizeiB>mi,且max{{STiB+piB,STiA}+piA,STiC}<max{STiA+piA+piB,STiC+piC},则交换A与B的处理顺序。
规则1-iii,若sizeiB+sizeiC>mi,sizeiA+sizeiC≤mi,则交换A与B的处理顺序。
规则1-iv,若sizeiB+sizeiC≤mi,sizeiA+sizeiC≤mi,则交换A与B的处理顺序。
b.STiA=STiB
规则2,若sizeiA+sizeiB>mi,sizeiB+sizeiC>mi,sizeiA+sizeiC≤mi,则交换A与B的处理顺序。
c.STiA<STiB
规则3,若STiA+piA>STiB,sizeiA+sizeiB>mi,sizeiB+sizeiC>mi,sizeiA+sizeiC≤mi,则交换A与B的处理顺序。
其中,STiA、STiB、STiC分别表示工作A、B、C在阶段i的最早开始时间,sizeiA、sizeiB、sizeiC分别表示工作A、B、C在阶段i所需的处理机数量,piA、piB、piC分别表示工作A、B、C在阶段i的处理时间,mi表示阶段i的处理机总量
4.4)若j=n-2计算πi+1中各工作的完成时间,继续;否则j=j+1,转至步骤4.3)。
4.5)若i=k-1,πi+1各工作的完成时间中最大值即为目标函数最大完成时间Cmax,继续;否则i=i+1,转步骤4.2)。
4.6)将该个体Cmax与全局最优值Gbest进行比较,若Cmax<Gbest,则令Gbest=Cmax,同时i=1,2,…,k,用记录该个体在阶段i的调度序列πi。
5)对个体进行变邻域搜索。设计了5种产生最优解邻域的方法,大大提升了种群多样性。在求解大规模问题时,可以用较短的时间获得全局最优解。
5.1)确定五种邻域结构Nnum,num=1,2,3,4,5,初始化参数P=20,count=0,令V=π1,BV=V。五种邻域结构如下:
a.两点交换。随机产生两个交换位置,交换两个位置上的元素。例如,对于个体“231476589”,随机产生两个交换位置2和8,交换两个位置上的元素得到序列“281476539”。
b.插入。随机产生两个元素位置,将大位置处的元素插入小位置处的元素前面,小位置及其之后的元素按顺序向后顺延。例如,对于个体“231476589”,随机产生两个元素位置3和7,执行插入操作后可以得到新序列为“235147689”。
c.反转逆序。随机产生两个元素位置,将两点之间的元素逆序排列。例如,对于个体“231476589”,随机产生两个元素位置3和7,执行反转逆序操作后可以得到新序列为“235674189”。
d.打乱互换。随机产生一些元素位置,打乱这些元素的顺序。例如,对于个体“231476589”,随机产生四个元素位置1、5、7、8,元素顺序为“2758”,随机打乱元素顺序得到“5872”,最终新序列为“531486729”。
e.NEH插入,随机产生一个元素位置,在原有序列中将该元素删去。针对每一个可插入位置,假设将该元素插入后,计算目前整个排序的完成时间,选择能使完成时间最小的位置。
5.2)如果count<P,则令num=1;否则,结束变邻域搜索,并将BV对应的Cmax与全局最优值Gbest进行比较,若Cmax<Gbest,则令Gbest=Cmax,同时i=1,2,…,k,用记录该个体在阶段i的调度序列πi。
5.3)按照邻域结构Nnum随机产生一个新解V',比较新解V'与初始解V对应的适应度值,即序列对应的Cmax。
5.4)若f(V')<f(V),则令BV=V',适应度值更小的新解代替初始解,继续在邻域结构Nnum内搜索;否则,num=num+1。
5.5)若num>5,则count=count+1,返回步骤5.2);否则,返回步骤5.3),进入下一个邻域结构搜索。
6)对于每个个体,如在种群中有Cmax更小的个体,则按照下式向该个体移动:
其中,xs与xb为两个体的位置,rsb为两个体之间的欧几里德距离。β0为距离为0时的吸引力,常数γ为介质的吸收率,α为[0,1]间的值,R为[0,1]间的随机数,使个体在向更亮个体移动的同时存在一定的随机移动。
7)迭代次数达到tmax输出Gbest和调度方案i=1,2,…,k,否则转至步骤4)。
本发明的技术构思为:利用基于变邻域搜索算法的群智能优化方法对多处理机任务混合流水车间调度问题进行求解,改变算法的邻域结构,提升种群多样性,使算法避免陷入局部最优。
本发明的有益效果主要表现在:所述的高效的优化调度方法具有很强的局部搜索能力,能够迅速高效地搜索到全局最优解,并生成最优调度方案。
附图说明
图1是本发明的流程图;
图2是根据技术方案4.3)中规则1-i交换工作A,B的示意图;
图3是根据技术方案4.3)中规则1-ii交换工作A,B的示意图;
图4是根据技术方案4.3)中规则2交换工作A,B的示意图;
图5是根据技术方案4.3)中规则2交换工作A,B的示意图;
图6是根据技术方案4.3)中规则3交换工作A,B的示意图;
图7是根据技术方案4.3)中规则3调整调度方案的示意图;
图8是变邻域算法的流程图;
图9是示例的已知数据;
图10是示例的调度结果甘特图。
具体实施方式
下面根据附图具体说明本发明。
假设2阶段混合流水车间要安排9个工作,每个阶段有5个处理机。操作时间和每个工作需要的处理机参照图9。
参照图1。本方法流程包括以下几个步骤:
1)矩阵size和p的值根据图9输入。
2)参数设置,种群个体数N、最大迭代次数tmax、随机参数α、个体吸引力β0、介质吸收率γ;其中令N=20,tmax=500,α=0.5,β0=0.2,γ=1。
3)种群个体初始化。
生成种群X=(x1,x2,…,xN),种群中的第s个个体xs=(xs1,…,xs9),xsj为0~9之间的实数,s∈{1,2,…,N},j∈{1,2,…,9}。由于个体xs的坐标是连续的实数,而工作序列是离散的整数序列,用最小排序方法将连续坐标转化为工作序列,即将个体xs=(xs1,…,xs9)的各个维度从小到大排序,排序的序号构成的整数序列作为初始工作序列π1。以表1为例,来说明π1:
表1最小排序方法示例
j | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
xsj | 1.89 | 0.65 | 1.24 | 2.43 | 5.89 | 5.12 | 3.95 | 7.53 | 8.27 |
π1中位置 | 3 | 1 | 2 | 4 | 7 | 6 | 5 | 8 | 9 |
根据表1所示的最小排序方法,得到第1阶段的工作序列π1=(231476589)。
4)计算每个个体对应的最大完成时间Cmax,整个过程参照图10。
萤火虫算法的目标函数为序列对应的最大完成时间Cmax。本发明基于先到先得的原则,根据前一阶段各工作的完成时间顺序构造下一阶段的工作序列,然后根据一定规则对生成的工作序列进行适当调整,灵活地进行工作排序,减少加工过程的空闲时间,最终得到最优的调度方案及最大完成时间Cmax。
4.1)i=1时,根据构造出第1个阶段的调度方案,h∈{1,2,…,9},π1(h)表示序列π1中第h个元素的值,表示工作π1(h)在第1个阶段所需的处理机数量。根据π1=(231476589)和相应的处理机要求从0时刻开始分配任务,整个过程保证调度方案不违背序列π1的先后关系,最后得到阶段1所有工作的调度方案,参照图9。
4.2)将第1阶段的各工作加工完成时间进行非递减顺序排序,得到第2个阶段的调度序列π2=(213764859)。
4.3)令j=1,根据规则开始调整序列π2中第j和j+1个工作的次序。
调整过程中发现,对于任意相邻的三个工作A,B,C,都有STiA<STiB。对照规则3,只有j=5时满足条件,交换A与B的处理顺序可得到π2=(213746859)。具体过程如图2-7所示。
4.4)若j=7计算π2中各工作的完成时间,继续;否则j=j+1,转至步骤4.3)。
4.5)i=k-1,因此π2=(213746859)各工作的完成时间中最大值即为目标函数最大完成时间Cmax,Cmax=20,调度方案参照图10。
4.6)将该个体Cmax=20与全局最优值Gbest进行比较,若Cmax<Gbest,则令Gbest=Cmax,同时记录该个体在两个阶段的调度序列π1和π2。
5)对个体进行变邻域搜索。
5.1)确定五种邻域结构Nnum,num=1,2,3,4,5,初始化参数P=20,count=0,令V=π1,BV=V。五种邻域结构如下:
a.两点交换。随机产生两个交换位置,交换两个位置上的元素。例如,对于个体“231476589”,随机产生两个交换位置2和8,交换两个位置上的元素得到序列“281476539”。
b.插入。随机产生两个元素位置,将大位置处的元素插入小位置处的元素前面,小位置及其之后的元素按顺序向后顺延。例如,对于个体“231476589”,随机产生两个元素位置3和7,执行插入操作后可以得到新序列为“235147689”。
c.反转逆序。随机产生两个元素位置,将两点之间的元素逆序排列。例如,对于个体“231476589”,随机产生两个元素位置3和7,执行反转逆序操作后可以得到新序列为“235674189”。
d.打乱互换。随机产生一些元素位置,打乱这些元素的顺序。例如,对于个体“231476589”,随机产生四个元素位置1、5、7、8,元素顺序为“2758”,随机打乱元素顺序得到“5872”,最终新序列为“531486729”。
e.NEH插入,随机产生一个元素位置,在原有序列中将该元素删去。针对每一个可插入位置,假设将该元素插入后,计算目前整个排序的完成时间,选择能使完成时间最小的位置。
5.2)如果count<P,则令num=1;否则,结束变邻域搜索,并将BV对应的Cmax与全局最优值Gbest进行比较,若Cmax<Gbest,则令Gbest=Cmax,同时记录该个体在两个阶段的调度序列π1和π2。
5.3)按照邻域结构Nnum随机产生一个新解V',比较新解V'与初始解V对应的适应度值,即序列对应的Cmax。
5.4)若f(V')<f(V),则令BV=V',适应度值更小的新解代替初始解,继续在邻域结构Nnum内搜索;否则,num=num+1。
5.5)若num>5,则count=count+1,返回步骤5.2);否则,返回步骤5.3),进入下一个邻域结构搜索。
6)对于每个个体,如在种群中有Cmax更小的个体,则按照下式向该个体移动:
其中,xs与xb为两个体的位置,rsb为两个体之间的欧几里德距离。β0为距离为0时的吸引力,常数γ为介质的吸收率,α为[0,1]间的值,R为[0,1]间的随机数,使个体在向更亮个体移动的同时存在一定的随机移动。
7)迭代次数达到tmax输出Gbest和调度方案否则转至步骤4)。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (1)
1.一种高效的优化调度方法。其特征是:应用基于变邻域搜索的萤火虫算法和新的解码算法,能有效求解多处理机任务混合流水车间调度问题,生成最优调度方案。具体过程包括以下几个步骤:
1)已知一个包含n个工作的集合J={1,2,…,n},在有k个阶段的流水线上被处理,每个阶段i有mi个平行处理机,i=1,2,…,k,将每个工作视作k个任务的一个序列,每个阶段的任务必须在前一阶段的任务完成后才能够被处理。一件工作中的每个任务都需要对应阶段的一个或多个处理机同时连续地处理一段时间。用sizeij与pij表示工作j在阶段i所需的处理机数量与花费的时间;i=1,2,…,k,j∈J。将求解问题需要的size和p矩阵输入系统。
2)参数设置,种群个体数N、最大迭代次数tmax、随机参数α、个体吸引力β0、介质吸收率γ;其中令N=20,tmax=500,α=0.5,β0=0.2,γ=1。
3)种群个体初始化。
生成种群X=(x1,x2,…,xN),种群中的第s个个体xs=(xs1,…,xsn),xsj为0~n之间的实数,s∈{1,2,…,N},j∈{1,2,…,n}。由于个体xs的坐标是连续的实数,而工作序列是离散的整数序列,用最小排序方法将连续坐标转化为工作序列,即将个体xs=(xs1,…,xsn)的各个维度从小到大排序,排序的序号构成的整数序列作为初始工作序列π1。
4)计算每个个体对应的最大完成时间Cmax。
萤火虫算法的目标函数为序列对应的最大完成时间Cmax。本发明基于先到先得的原则,根据前一阶段各工作的完成时间顺序构造下一阶段的工作序列,然后根据一定规则对生成的工作序列进行适当调整,灵活地进行工作排序,减少加工过程的空闲时间,最终得到最优的调度方案及最大完成时间Cmax。
4.1)i=1时,根据构造出第1个阶段的调度方案。其中h∈J,π1(h)表示序列π1中第h个元素的值,表示工作π1(h)在第1个阶段所需的处理机数量。
4.2)将第i阶段的各工作加工完成时间进行非递减顺序排序,得到第i+1个阶段的调度序列πi+1。对于任意的πi(h)和πi(l),h,l∈J,当且h<l时,进行πi+1排序时假定
4.3)令j=1,根据适当规则调整序列πi+1中第j和j+1个工作的次序。
对于阶段i中相邻的三个工作A,B,C,即A=πi,p,B=πi,p+1,C=πi,p+2。根据STiA与STiB的关系,可分别提出以下规则来得到更优的处理序列。
a.STiA>STiB
规则1-i,若sizeiB+sizeiC>mi,sizeiA+sizeiC>mi,则交换A与B的处理顺序。
规则1-ii,若sizeiB+sizeiC≤mi,sizeiA+sizeiC>mi,sizeiA+sizeiB>mi,且max{{STiB+piB,STiA}+piA,STiC}<max{STiA+piA+piB,STiC+piC},则交换A与B的处理顺序。
规则1-iii,若sizeiB+sizeiC>mi,sizeiA+sizeiC≤mi,则交换A与B的处理顺序。
规则1-iv,若sizeiB+sizeiC≤mi,sizeiA+sizeiC≤mi,则交换A与B的处理顺序。
b.STiA=STiB
规则2,若sizeiA+sizeiB>mi,sizeiB+sizeiC>mi,sizeiA+sizeiC≤mi,则交换A与B的处理顺序。
c.STiA<STiB
规则3,若STiA+piA>STiB,sizeiA+sizeiB>mi,sizeiB+sizeiC>mi,sizeiA+sizeiC≤mi,则交换A与B的处理顺序。
其中,STiA、STiB、STiC分别表示工作A、B、C在阶段i的最早开始时间,sizeiA、sizeiB、sizeiC分别表示工作A、B、C在阶段i所需的处理机数量,piA、piB、piC分别表示工作A、B、C在阶段i的处理时间,mi表示阶段i的处理机总量
4.4)若j=n-2计算πi+1中各工作的完成时间,继续;否则j=j+1,转至步骤4.3)。
4.5)若i=k-1,πi+1各工作的完成时间中最大值即为目标函数最大完成时间Cmax,继续;否则i=i+1,转步骤4.2)。
4.6)将该个体i完工时间Cmax,i与全局最优值Gbest进行比较,其中Gbest=max(Cmax,i),i=1,2,…,N,若Cmax,i<Gbest,则令Gbest=Cmax,i,同时用记录该个体在阶段i的调度序列πi。
5)对个体进行变邻域搜索。设计了5种产生最优解邻域的方法,大大提升了种群多样性。在求解大规模问题时,可以用较短的时间获得全局最优解。
5.1)确定五种邻域结构Nnum,num=1,2,3,4,5,初始化参数P=20,计数值count=0,令V=π1,BV=V。五种邻域结构如下:
a.两点交换。随机产生两个交换位置,交换两个位置上的元素。例如,对于个体“231476589”,随机产生两个交换位置2和8,交换两个位置上的元素得到序列“281476539”。
b.插入。随机产生两个元素位置,将大位置处的元素插入小位置处的元素前面,小位置及其之后的元素按顺序向后顺延。例如,对于个体“231476589”,随机产生两个元素位置3和7,执行插入操作后可以得到新序列为“235147689”。
c.反转逆序。随机产生两个元素位置,将两点之间的元素逆序排列。例如,对于个体“231476589”,随机产生两个元素位置3和7,执行反转逆序操作后可以得到新序列为“235674189”。
d.打乱互换。随机产生一些元素位置,打乱这些元素的顺序。例如,对于个体“231476589”,随机产生四个元素位置1、5、7、8,元素顺序为“2758”,随机打乱元素顺序得到“5872”,最终新序列为“531486729”。
e.NEH插入,随机产生一个元素位置,在原有序列中将该元素删去。针对每一个可插入位置,假设将该元素插入后,计算目前整个排序的完成时间,选择能使完成时间最小的位置。
5.2)如果count<P,则令num=1;否则,结束变邻域搜索,并将BV对应的Cmax与全局最优值Gbest进行比较,若Cmax<Gbest,则令Gbest=Cmax,同时用记录该个体在阶段i的调度序列πi。
5.3)按照邻域结构Nnum随机产生一个新解V',比较新解V'与初始解V对应的适应度值,即序列对应的Cmax。
5.4)若f(V')<f(V),则令BV=V',适应度值更小的新解代替初始解,继续在邻域结构Nnum内搜索;否则,num=num+1。
5.5)若num>5,则count=count+1,返回步骤5.2);否则,返回步骤5.3),进入下一个邻域结构搜索。
6)对于每个个体,如在种群中有Cmax更小的个体,则按照下式向该个体移动:
<mrow>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<msup>
<msub>
<mi>&gamma;r</mi>
<mrow>
<mi>s</mi>
<mi>b</mi>
</mrow>
</msub>
<mn>2</mn>
</msup>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>b</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>s</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>R</mi>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,xs与xb为两个体的位置,rsb为两个体之间的欧几里德距离。β0为距离为0时的吸引力,常数γ为介质的吸收率,α为[0,1]间的值,R为[0,1]间的随机数,使个体在向更亮个体移动的同时存在一定的随机移动。
7)迭代次数达到tmax输出Gbest和调度方案否则转至步骤4)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711116302.5A CN107703900A (zh) | 2017-11-13 | 2017-11-13 | 一种高效的优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711116302.5A CN107703900A (zh) | 2017-11-13 | 2017-11-13 | 一种高效的优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107703900A true CN107703900A (zh) | 2018-02-16 |
Family
ID=61179335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711116302.5A Pending CN107703900A (zh) | 2017-11-13 | 2017-11-13 | 一种高效的优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107703900A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681789A (zh) * | 2018-05-09 | 2018-10-19 | 浙江财经大学 | 一种云制造服务优化方法 |
CN109255484A (zh) * | 2018-09-12 | 2019-01-22 | 合肥工业大学 | 数据驱动的离散制造资源协同优化方法及系统 |
CN110458326A (zh) * | 2019-07-05 | 2019-11-15 | 清华大学 | 一种分布式阻塞型流水线调度的混合群智能优化方法 |
CN111159896A (zh) * | 2019-12-30 | 2020-05-15 | 天津大学 | 基于萤火虫算法的误差自适应修正河道水流计算方法 |
CN112734590A (zh) * | 2020-11-18 | 2021-04-30 | 国网青海省电力公司 | 基于内点法和变领域搜索的动态规划法的二阶段区域电网无功优化方法 |
CN113770701A (zh) * | 2021-09-13 | 2021-12-10 | 岚图汽车科技有限公司 | 车身部件焊接装配系统及焊接装配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073311A (zh) * | 2010-12-17 | 2011-05-25 | 浙江大学 | 基于离散量子微粒群算法的机器零件加工流水线调度方法 |
CN107329461A (zh) * | 2016-04-28 | 2017-11-07 | 中移(杭州)信息技术有限公司 | 一种流水线车间调度方法和装置 |
-
2017
- 2017-11-13 CN CN201711116302.5A patent/CN107703900A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073311A (zh) * | 2010-12-17 | 2011-05-25 | 浙江大学 | 基于离散量子微粒群算法的机器零件加工流水线调度方法 |
CN107329461A (zh) * | 2016-04-28 | 2017-11-07 | 中移(杭州)信息技术有限公司 | 一种流水线车间调度方法和装置 |
Non-Patent Citations (2)
Title |
---|
崔琪等: "变邻域改进遗传算法求解混合流水车间调度问题", 《计算机集成制造系统》 * |
彭郎军: "基于萤火虫算法的柔性作业车间调度问题研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108681789A (zh) * | 2018-05-09 | 2018-10-19 | 浙江财经大学 | 一种云制造服务优化方法 |
CN108681789B (zh) * | 2018-05-09 | 2021-10-08 | 浙江财经大学 | 一种云制造服务优化方法 |
CN109255484A (zh) * | 2018-09-12 | 2019-01-22 | 合肥工业大学 | 数据驱动的离散制造资源协同优化方法及系统 |
CN109255484B (zh) * | 2018-09-12 | 2021-09-14 | 合肥工业大学 | 数据驱动的离散制造资源协同优化方法及系统 |
CN110458326A (zh) * | 2019-07-05 | 2019-11-15 | 清华大学 | 一种分布式阻塞型流水线调度的混合群智能优化方法 |
CN110458326B (zh) * | 2019-07-05 | 2021-12-10 | 清华大学 | 一种分布式阻塞型流水线调度的混合群智能优化方法 |
CN111159896A (zh) * | 2019-12-30 | 2020-05-15 | 天津大学 | 基于萤火虫算法的误差自适应修正河道水流计算方法 |
CN111159896B (zh) * | 2019-12-30 | 2021-02-09 | 天津大学 | 基于萤火虫算法的误差自适应修正河道水流计算方法 |
CN112734590A (zh) * | 2020-11-18 | 2021-04-30 | 国网青海省电力公司 | 基于内点法和变领域搜索的动态规划法的二阶段区域电网无功优化方法 |
CN112734590B (zh) * | 2020-11-18 | 2023-12-19 | 国网青海省电力公司 | 基于内点法和变领域搜索的动态规划法的二阶段区域电网无功优化方法 |
CN113770701A (zh) * | 2021-09-13 | 2021-12-10 | 岚图汽车科技有限公司 | 车身部件焊接装配系统及焊接装配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107703900A (zh) | 一种高效的优化调度方法 | |
CN107918806B (zh) | 一种智能的优化调度方法 | |
CN102364447B (zh) | 一种优化多任务间通信能耗的作业调度方法 | |
CN102866912A (zh) | 一种单指令集异构多核系统静态任务调度方法 | |
CN106611288A (zh) | 一种改进的柔性流水车间调度问题的求解算法 | |
CN106874112B (zh) | 一种结合负载均衡的工作流回填方法 | |
CN112783172A (zh) | 基于离散鲸鱼优化算法的agv与机器集成调度方法 | |
Zheng et al. | Ant colony optimisation algorithms for two-stage permutation flow shop with batch processing machines and nonidentical job sizes | |
Xianzhou et al. | An improved genetic algorithm for dual-resource constrained flexible job shop scheduling | |
CN107831740A (zh) | 一种应用于笔记本零件的分布式生产制造过程中的优化调度方法 | |
CN110780985A (zh) | 一种有限时间的并行任务调度方法与装置 | |
CN109445386A (zh) | 一种基于onba的云制造任务最短生产时间调度方法 | |
Kim et al. | Scheduling of dual-gripper robotic cells with reinforcement learning | |
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 | |
CN111210125B (zh) | 一种基于历史信息指导的多目标工件批调度方法及装置 | |
CN107831746A (zh) | 一种高效的航空发动机装配车间调度系统 | |
CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
CN109074348A (zh) | 用于对输入数据集进行迭代聚类的设备和迭代方法 | |
CN107909200A (zh) | 一种高效的集装箱码头装卸调度装置 | |
Lou et al. | Improved hybrid immune clonal selection genetic algorithm and its application in hybrid shop scheduling | |
CN107808222A (zh) | 一种智能的集装箱码头装卸调度装置 | |
CN108107848B (zh) | 一种基于最小空闲时间的流水线车间调度方法 | |
CN116070826A (zh) | 一种铁路货车车身喷涂作业并行机调度方法 | |
CN116011723A (zh) | 基于哈里斯鹰算法的焦化炼焦混合流水车间智能调度方法及应用 | |
CN110689216B (zh) | 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 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
RJ01 | Rejection of invention patent application after publication |