CN107767035A - 一种基于遗传算法的电能表检测混合流水线调度方法 - Google Patents
一种基于遗传算法的电能表检测混合流水线调度方法 Download PDFInfo
- Publication number
- CN107767035A CN107767035A CN201710901522.2A CN201710901522A CN107767035A CN 107767035 A CN107767035 A CN 107767035A CN 201710901522 A CN201710901522 A CN 201710901522A CN 107767035 A CN107767035 A CN 107767035A
- Authority
- CN
- China
- Prior art keywords
- population
- individual
- electric energy
- calibrating
- energy meter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 14
- 230000002068 genetic effect Effects 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 230000035772 mutation Effects 0.000 claims abstract description 22
- 238000009434 installation Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 12
- 102100030386 Granzyme A Human genes 0.000 claims description 11
- 101001009599 Homo sapiens Granzyme A Proteins 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 description 14
- 238000012545 processing Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (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
本发明涉及电能表检测技术领域，具体涉及一种基于遗传算法的电能表检测混合流水线调度方法，包括：随机生成种群规模为N的初始化种群；计算所述种群中每个个体的目标值，以及每个个体的非支配等级和拥挤度；对种群中的个体进行交叉和变异操作得到子种群；将种群和子种群进行结合，计算结合后的种群中每个个体的目标值，以及每个个体的非支配等级和拥挤度；结合后的种群中每个个体的非支配等级和拥挤度选择N个个体形成新种群。本发明的调度方法兼顾了单一目标和多目标的模型，增加了调度方法的灵活性，同时具有更好的收敛性和多样性。
Description
技术领域
本发明涉及电能表检测技术领域，具体涉及一种基于遗传算法的电能表检 测混合流水线调度方法。
背景技术
现有技术中的电能表自动检定流水线的调度方法不够灵活，出现异常后恢 复生产慢且无法同时满足多个目标。
鉴于此，克服以上现有技术中的缺陷，提供一种新的电能表检测混合流水 线调度方法成为本领域亟待解决的技术问题。
发明内容
本发明的目的在于针对现有技术的上述缺陷，提供一种基于遗传算法的电 能表检测混合流水线调度方法。
本发明的目的可通过以下的技术措施来实现：
本发明提供了一种基于遗传算法的电能表检测混合流水线调度方法，于现 有技术相比，其不同之处在于，该调度方法包括：
步骤S1：随机生成种群规模为N的初始化种群；
步骤S2：计算所述种群中每个个体在至少一个目标下的目标值，并根据所 得至少一个目标值计算种群中每个个体的非支配等级和拥挤度；
步骤S3：判断是否满足终止条件，如果是，则输出最优解；如果否，则进 入步骤S4；
步骤S4：对所述种群中的个体进行交叉和变异操作，得到子种群；
步骤S5：将所述种群和所述子种群进行结合，计算结合后的种群中每个个 体在至少一个目标下的目标值，并根据所得至少一个目标值计算结合后的种群 中每个个体的非支配等级和拥挤度；
步骤S6：根据计算所得结合后的种群中每个个体的非支配等级和拥挤度， 选择非支配等级低且拥挤度大的N个个体形成新种群，并返回步骤S2。
优选地，在步骤S1之前还包括如下步骤：建立电能表检测多目标HFSP模 型。
优选地，初始化的种群中的每个个体采用矩阵编码，其中，第j行为所有电 能表在第j+1个检定环节中所在的检定装置序号的排列，最后一行为所有电能表 在第1个检定环节中所在的检定装置序号的排列。
优选地，初始化的种群中的每个个体采用矩阵Am×n进行编码，
其中，m为检定环节总数，n为待检测电能表总数， ɑji为(1，Mj+1)中随机的一个整数，Mj为第j个检定环节中检定装置总数，Mm+1＝M1，1≤j≤m，1≤i≤n。
优选地，在步骤S1中，对参数进行初始化，随机生成初始化的种群，其中， 所述参数包括种群规模N、交叉概率和变异概率。
优选地，在步骤S2和步骤S5中，所述目标为最短检定时间、最小检定成 本和最低检定出错率中的一个或多个。
优选地，所述最短检定时间的优化目标值计算公式为f1(t)＝Min[maxcim]，其 中，t为个体序号，1≤t≤N，n为电能表总数，i＝1,2,...,n，cim为第i个电能表的 调度时间；
所述最小检定成本的优化目标值计算公式为其中，Mj为第j道环节所有的检定装置数；Yijk表示电能表i是否在环节j的第k 个装置进行检定，若进行，则为1，否则为0；Fjk为第j道环节中第k个装置的 单位工作时间的平均费用；Pijk为电能表i在环节j第k台装置的检定时间；
所述最低检定出错率的优化目标值计算公式为
其中，Ejk为第j道环节的第k台装置的检定 正确率；Yijk表示电能表i是否在环节j的第k个装置进行检定，若进行，则为1， 否则为0。
优选地，在步骤S4中，从所述种群中随机选取两个个体以一预设交叉概率 对随机的一段位置进行交换。
优选地，在步骤S4中，以一预设变异概率对种群中的个体进行二进制变异。
优选地，在步骤S2和步骤S5中，所述计算种群中每个个体的拥挤度包括：
通过拥挤度计算公式计算每个个体的拥挤度，所述拥挤度计算公式为：
其中，CD(t)表示个体t的拥挤度距离，fg(t+1)和fg(t-1)分别表示个体t+1和个体t-1在目标g下的目标值，g∈(1,2,…,G)，G表 示目标总数，fgmax和fgmin分别表示在目标g下最大目标值和最小目标值。
优选地，在步骤S4中，根据种群迭代次数调整交叉概率和变异概率，采用 自适应全局算法对当前种群中每个个体进行自适应交叉和变异以得到子种群。
本发明的基于遗传算法的电能表检测混合流水线调度方法通过计算每个个 体在至少一个目标下的目标值，并根据所得至少一个目标值计算种群中每个个 体的非支配等级和拥挤度，兼顾了单一目标和多目标的模型，增加了调度方法 的灵活性，同时具有更好的收敛性和多样性。
附图说明
图1是现有技术中的关于HFSP问题的示例图。
图2是本发明实施例的调度方法流程图。
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，下面结合附图和具 体实施例对本发明作进一步详细说明。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。
为了使本揭示内容的叙述更加详尽与完备，下文针对本发明的实施方式与 具体实施例提出了说明性的描述；但这并非实施或运用本发明具体实施例的唯 一形式。实施方式中涵盖了多个具体实施例的特征以及用以建构与操作这些具 体实施例的方法步骤与其顺序。然而，亦可利用其它具体实施例来达成相同或 均等的功能与步骤顺序。
电能表自动化检定任务的分配本质上为混合流水线问题(Hybrid Flow-shopProblem，HFSP)。图1所示的现有技术中HFSP问题可以描述为：n个待加工工 件将要在流水线中经历m个环节的加工，至少存在一个环节存在多个加工装置， 每个工件需要经过每个环节，且可以选择在每个环节的任意装置上检加工，已 知所有工件在不同环节的加工时间，确定所有工件的加工顺序以及在每个环节 所选装置。在解决HFSP问题时，可以基于总体加工时间、交货期限、库存等单 个性能进行设计，也可以基于多目标综合性能进行设计。
具体到电能表检测混合流水线调度问题中，本发明实施例中的HFSP问题在 如下几个方面进行了假设：
(1)各个电能表之间相互独立；(2)已知电能表在每一个环节的并行检定 装置上的检测时间；(3)电能表的检定顺序依照到达顺序来检定的原则；(4) 检定顺序不能预先设定；(5)同一时刻，一台检定装备只能检定一台电能表的 某一个环节；(6)检定一开始，便不能中断；(7)电能表的检定过程为连续的， 两个环节之间不存在停留，环节之间的移动时间计算在检定时间内；(8)电能 表之间的转换不需要时间；(9)检定装置可以连续工作；(10)每个电能表的检 定优先级一样。
基于以上的十个约束条件，建立如下电能表检测多目标HFSP模型。
参数设置如下：
m为检定环节数；
n为待检电能表数；
Cij为电能表i在第j道环节的检定结束时间；
Mj为第j道环节所有的检定装置数；
Fjk为第j道环节中第k个装置的单位工作时间的平均费用；
Pijk为电能表i在环节j第k台装置的检定时间；
Yijk表示电能表i是否在环节j的第k个装置进行检定，若进行，则为1，否 则为0；
Ejk为第j道环节的第k台装置的检定正确率；
Sij表示电能表i在环节j的开始检定时间；
xil表示电能表i是否在l的位置，若是则为1，否则为0。
最短检定时间的优化目标值计算公式为f1(t)＝Min[maxcim]，其中，t为个体序号，1≤t≤N，n为电能表总数，i＝1,2,...,n，cim为第i个电能表的调度时间；
最小检定成本的优化目标值计算公式为其中，Mj为第j道环节所有的检定装置数；Yijk表示电能表i是否在环节j的第k个 装置进行检定，若进行，则为1，否则为0；Fjk为第j道环节中第k个装置的单 位工作时间的平均费用；Pijk为电能表i在环节j第k台装置的检定时间；
最低检定出错率的优化目标值计算公式为
其中，Ejk为第j道环节的第k台装置的检定 正确率；Yijk表示电能表i是否在环节j的第k个装置进行检定，若进行，则为1， 否则为0。
上述三个计算公式需要满足以下约束条件：
MinF＝{f1(t),f2(t),f3(t)} (1)
Cij＝Sij+Pij，i＝1,2,...,n；j＝1,2,...,m (5)
Cij≤Si(j+1)，i＝1,2,...,n；j＝1,2,...,m (6)
式(1)表示基于三个目标的最优选择，式(2)与式(3)表示所有电能表 的一个全排列，式(4)表示任一个环节，每个电能表只能由该环节的一个检定 装置检定，式(5)表示同一环节电能表的完工时间为开始时间与检定时间之和， 式(6)表示后面环节的开始时间在前道环节结束之后。
本发明实施例提供了一种基于遗传算法的电能表检测混合流水线调度方 法，请参阅图2所示，该调度方法包括：
步骤S0：建立电能表检测多目标HFSP模型；
步骤S1：随机生成种群规模为N的初始化种群；
步骤S2：计算所述种群中每个个体在至少一个目标下的目标值，并根据所 得至少一个目标值计算种群中每个个体的非支配等级和拥挤度；
步骤S3：判断是否满足终止条件，如果是，则输出最优解；如果否，则进 入步骤S4；
步骤S4：对所述种群中的个体进行交叉和变异操作，得到子种群；
步骤S5：将所述种群和所述子种群进行结合，计算结合后的种群中每个个 体在至少一个目标下的目标值，并根据所得至少一个目标值计算结合后的种群 中每个个体的非支配等级和拥挤度；
步骤S6：根据计算所得结合后的种群中每个个体的非支配等级和拥挤度， 选择非支配等级低且拥挤度大的N个个体形成新种群，并返回步骤S2。
本发明实施例步骤S0中所建立的电能表检测多目标HFSP模型参见前述， 步骤S2和S5中目标值的计算均基于所建立的电能表检测多目标HFSP模型进 行。
本发明实施例的调度方法采用基于NSGA-Ⅱ的算法：首选，随机产生大小 为N的初始种群Pi；然后，经过对初始种群进行选择、交叉、变异等一系列操 作，形成子种群Qi，两个种群合并形成大小为2N的结合后的种群Ri，对种群Ri进行非劣排序分层，求出每一层的拥挤度，根据拥挤度与非支配关系建立新 的种群Pi+1；最后，通过选择、交叉、变异等产生子种群Qi+1；不断重复上述 操作。
所述种群中的每个个体为一条染色体，一条染色体为编码形成的一串字符 串，针对混合流水线调度问题，在对染色体进行编码时必须考虑到电能表的检 测顺序，在染色体和电能表的检测顺序之间建立一种映射关系。
在一个优选实施方式中，为了提高求解速度以及改善解的收敛性，染色体 采用矩阵编码，其中，矩阵的第j行为所有电能表在第j+1个检定环节中所在的 检定装置序号的排列，最后一行为所有电能表在第1个检定环节中所在的检定 装置序号的排列。具体地，每个个体采用矩阵Am×n进行编码，
其中，m为检定环节总数，n为待检测电能表总数， ɑji为(1，Mj+1)中随机的一个整数，Mj为第j个检定环节中检定装置总数，Mm+1＝M1，1≤j≤m，1≤i≤n。通过对ɑji进行向下取整，获得电能表i在环节j上检定的 装置号。这个矩阵中会出现多个电能表在一个环节的同一个装置上检定的现象。 对于这种现象，则根据ɑji的升序来安排顺序；如果ɑji＝ɑjk，则随机安排；当j>1 时，根据电能表在前一环节的结束时间来安排检定顺序。在本发明实施例中， 种群中的个体编号为t，t∈(1，N)。
在本发明实施例中，当具有多个目标时，通过计算可得到每一个目标的目标 值，非支配排序是指：如果某一个个体ta的一个或者多个目标值均优于另外一 个个体tb，两个个体的其他目标的目标值相同，那么称ta支配tb，根据支配关系 给个体分配非支配等级，按照非支配等级由低到高对个体进行排序，其中，等 级低的个体支配等级高的个体。具体为：把种群中非支配排序最高的个体赋值 为1(rank＝1)；接着把非支配等级为1的个体忽略；用同样的方法对剩下的个体 进行非劣分层排序，并给每个个体赋予非支配等级值，直到所有的个体被赋值 完毕(rank＝2,3…..)，非支配等级值越小说明个体越优。也就是说，每个个体对 应的为优先级，而不是确定的函数值，多个个体可能处于同一个非支配等级， 非支配等级相同的多个个体还需要进行进一步排序。
在本发明实施例中，当只有一个目标时，按照目标值进行非支配等级排序， 目标值相同的个体非支配等级相同。
对于非支配等级相同的多个个体，进一步进行拥挤度计算，根据拥挤度进 行排序，拥挤度用拥挤距离来衡量，拥挤距离是指在种群中具有相同非支配等 级的个体中相邻两点在各子目标函数上的相对距离之和。拥挤距离可以描述在 一个个体周围一定距离内其他个体的数量，数量多则表明这个范围内个体集中。 选择拥挤距离大的个体可以保持种群的多样性、防止过多的个体集中在一定范 围内。具体地，所述拥挤度计算公式为：
其中，CD(t)表示个体t的拥挤度距离，fg(t+1)和fg(t-1)分别表示个体t+1和个体t-1在目标g下的目标值，g∈(1,2,…,G)，G表 示目标总数，fgmax和fgmin分别表示在目标g下最大目标值和最小目标值。
种群选择：在步骤S6中，通过对非支配等级与拥挤度的比较，来选择更优 的染色体，做法为任选两个染色体ta和tb，对比其非支配等级值，选择等级值 小的染色体，若等级值相等，则比较拥挤度，选择拥挤度大的染色体。当被选 择的个体数目达到初始种群数目是就构成了新的种群。
种群交叉：遗传算法根据交叉与变异来产生新的染色体，交叉使父代染色 体中优势基因传到子代中。不同的编码方式，会采用不同的交叉操作，来确保 子代可以满足模型里的约束条件。本发明中采用多点交叉，交叉操作中存在交 叉概率参数，不同的交叉概率会得到不同的结果，比如交叉概率为0.3，则它产 生1的概率为0.3，产生0的概率为0.7，当产生1时，对应位置上的基因执行 交叉操作。产生0时则不执行交叉操作。在一个优选实施方式中，可以用一个 固定的交叉概率进行种群交叉，例如，在步骤S4中，从所述种群中随机选取两 个个体以一预设交叉概率对随机的一段位置进行交换。在另一个优选实施方式中，交叉概率可以自适应调整，为一个变化的概率，例如，在步骤S4中，根据 种群迭代次数调整交叉概率，采用自适应全局算法对当前种群中每个个体进行 自适应交叉。
种群变异：变异操作是新个体产生的一种辅助方法，它是指将染色体中的 基因代码用与之相等位的基因替换，从而形成一个新的染色体。变异操作可以 避免局部搜索与部分最优解丢失，可以保证种群的多样性。在进行变异操作时， 染色体根据事先制定的变异概率进行变异。变异操作同样要考虑变异后新个体 的合理性，变异操作的对象是染色体中的基因，对简单地二进制编码的个体来 说变异就是将1变为0或将0变为1。在一个优选实施方式中，可以用一个固定 的变异概率进行种群交叉，例如，在步骤S4中，以一预设变异概率对种群中的 个体进行二进制变异。在另一个优选实施方式中，变异概率可以自适应调整，为一个变化的概率，例如，在步骤S4中，根据种群迭代次数调整变异概率，采 用自适应全局算法对当前种群中每个个体进行自适应变异。
在一个优选实施方式中，在步骤S1中，对参数进行初始化，随机生成初始 化的种群，其中，所述参数包括种群规模N、交叉概率和变异概率。
在一个优选实施方式中，本发明实施例中的目标包括：最短检定时间、最 小检定成本和最低检定出错率。最短检定时间：检定完成时间与检定效率成反 比，越短的检定完成时间，意味着更大的检定效率。最小检定成本：降低检定 成本，可以提高企业利润。最低检定出错率(最优检定品质)：实际中，多种因 素影响合格，在电能表自动化检定线中，通过选择出错率低的装置进行检定来 提高检定品质，本发明用所有电能表检定后的出错率之和来表示检定品质，当 所有批次检定的出错率之和越小，说明检定品质越好。根据上述混合流水线模 型，最短检定时间、最小检定成本和最低检定出错率通过如下方式计算：
最短检定时间的优化目标值计算公式为f1(t)＝Min[maxcim]，其中，t为个体序号，1≤t≤N，n为电能表总数，i＝1,2,...,n，cim为第i个电能表的调度时间；
最小检定成本的优化目标值计算公式为其中，Mj为第j道环节所有的检定装置数；Yijk表示电能表i是否在环节j的第k个 装置进行检定，若进行，则为1，否则为0；Fjk为第j道环节中第k个装置的单 位工作时间的平均费用；Pijk为电能表i在环节j第k台装置的检定时间；
最低检定出错率的优化目标值计算公式为
其中，Ejk为第j道环节的第k台装置的检定 正确率；Yijk表示电能表i是否在环节j的第k个装置进行检定，若进行，则为1， 否则为0。
上述三个计算公式需要满足以下约束条件：
MinF＝{f1(t),f2(t),f3(t)} (1)
Cij＝Sij+Pij，i＝1,2,...,n；j＝1,2,...,m (5)
Cij≤Si(j+1)，i＝1,2,...,n；j＝1,2,...,m (6)
式(1)表示基于三个目标的最优选择，式(2)与式(3)表示所有电能表 的一个全排列，式(4)表示任一个环节，每个电能表只能由该环节的一个检定 装置检定，式(5)表示同一环节电能表的完工时间为开始时间与检定时间之和， 式(6)表示后面环节的开始时间在前道环节结束之后。
在步骤S3中，所述终止条件可以为达到迭代次数，所述终止条件也可以是 最优解的目标值达到某一预设阈值。
本发明的基于遗传算法的电能表检测混合流水线调度方法通过计算每个个 体在至少一个目标下的目标值，并根据所得至少一个目标值计算种群中每个个 体的非支配等级和拥挤度，兼顾了单一目标和多目标的模型，增加了调度方法 的灵活性，同时具有更好的收敛性和多样性。
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 (11)
1.一种基于遗传算法的电能表检测混合流水线调度方法，其特征在于，该调度方法包括：
步骤S1：随机生成种群规模为N的初始化种群；
步骤S2：计算所述种群中每个个体在至少一个目标下的目标值，并根据所得至少一个目标值计算种群中每个个体的非支配等级和拥挤度；
步骤S3：判断是否满足终止条件，如果是，则输出最优解；如果否，则进入步骤S4；
步骤S4：对所述种群中的个体进行交叉和变异操作，得到子种群；
步骤S5：将所述种群和所述子种群进行结合，计算结合后的种群中每个个体在至少一个目标下的目标值，并根据所得至少一个目标值计算结合后的种群中每个个体的非支配等级和拥挤度；
步骤S6：根据计算所得结合后的种群中每个个体的非支配等级和拥挤度，选择非支配等级低且拥挤度大的N个个体形成新种群，并返回步骤S2。
2.根据权利要求1所述的调度方法，其特征在于，在步骤S1之前还包括如下步骤：建立电能表检测多目标HFSP模型。
3.根据权利要求1所述的调度方法，其特征在于，初始化的种群中的每个个体采用矩阵编码，其中，第j行为所有电能表在第j+1个检定环节中所在的检定装置序号的排列，最后一行为所有电能表在第1个检定环节中所在的检定装置序号的排列。
4.根据权利要求1或3所述的调度方法，其特征在于，初始化的种群中的每个个体采用矩阵Am×n进行编码，
其中，m为检定环节总数，n为待检测电能表总数，ɑji为(1，Mj+1)中随机的一个整数，Mj为第j个检定环节中检定装置总数，Mm+1＝M1，1≤j≤m，1≤i≤n。
5.根据权利要求1所述的调度方法，其特征在于，在步骤S1中，对参数进行初始化，随机生成初始化的种群，其中，所述参数包括种群规模N、交叉概率和变异概率。
6.根据权利要求1所述的调度方法，其特征在于，在步骤S2和步骤S5中，所述目标为最短检定时间、最小检定成本和最低检定出错率中的一个或多个。
7.根据权利要求6所述的调度方法，其特征在于，所述最短检定时间的优化目标值计算公式为f1(t)＝Min[maxcim]，其中，t为个体序号，1≤t≤N，n为电能表总数，i＝1,2,...,n，cim为第i个电能表的调度时间；
所述最小检定成本的优化目标值计算公式为其中，Mj为第j道环节所有的检定装置数；Yijk表示电能表i是否在环节j的第k个装置进行检定，若进行，则为1，否则为0；Fjk为第j道环节中第k个装置的单位工作时间的平均费用；Pijk为电能表i在环节j第k台装置的检定时间；
所述最低检定出错率的优化目标值计算公式为
其中，Ejk为第j道环节的第k台装置的检定正确率；Yijk表示电能表i是否在环节j的第k个装置进行检定，若进行，则为1，否则为0。
8.根据权利要求1所述的调度方法，其特征在于，在步骤S4中，从所述种群中随机选取两个个体以一预设交叉概率对随机的一段位置进行交换。
9.根据权利要求1所述的调度方法，其特征在于，在步骤S4中，以一预设变异概率对种群中的个体进行二进制变异。
10.根据权利要求1所述的调度方法，其特征在于，在步骤S2和步骤S5中，所述计算种群中每个个体的拥挤度包括：
通过拥挤度计算公式计算每个个体的拥挤度，所述拥挤度计算公式为：
其中，CD(t)表示个体t的拥挤度距离，fg(t+1)和fg(t-1)分别表示个体t+1和个体t-1在目标g下的目标值，g∈(1,2,…,G)，G表示目标总数，fgmax和fgmin分别表示在目标g下最大目标值和最小目标值。
11.根据权利要求1所述的调度方法，其特征在于，在步骤S4中，根据种群迭代次数调整交叉概率和变异概率，采用自适应全局算法对当前种群中每个个体进行自适应交叉和变异以得到子种群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710901522.2A CN107767035A (zh) | 2017-09-28 | 2017-09-28 | 一种基于遗传算法的电能表检测混合流水线调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710901522.2A CN107767035A (zh) | 2017-09-28 | 2017-09-28 | 一种基于遗传算法的电能表检测混合流水线调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107767035A true CN107767035A (zh) | 2018-03-06 |
Family
ID=61267286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710901522.2A Pending CN107767035A (zh) | 2017-09-28 | 2017-09-28 | 一种基于遗传算法的电能表检测混合流水线调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107767035A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022028A (zh) * | 2021-11-22 | 2022-02-08 | 江苏科技大学 | 一种自动化混合流水线调度布局集成优化方法 |
| CN115616472A (zh) * | 2022-11-30 | 2023-01-17 | 北京志翔科技股份有限公司 | 电能表误差模型的参数优化、误差确定方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550771A (zh) * | 2015-12-09 | 2016-05-04 | 中冶南方工程技术有限公司 | 一种基于nsga-ii的炼钢连铸生产调度的多目标优化方法 |
| CN105741181A (zh) * | 2016-02-03 | 2016-07-06 | 四川索牌科技股份有限公司 | 一种不同并行机混合流水线车间调度方法 |
| CN106959675A (zh) * | 2017-03-21 | 2017-07-18 | 山东大学 | 一种面向流水车间的多目标调度优化方法 |
-
2017
- 2017-09-28 CN CN201710901522.2A patent/CN107767035A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105550771A (zh) * | 2015-12-09 | 2016-05-04 | 中冶南方工程技术有限公司 | 一种基于nsga-ii的炼钢连铸生产调度的多目标优化方法 |
| CN105741181A (zh) * | 2016-02-03 | 2016-07-06 | 四川索牌科技股份有限公司 | 一种不同并行机混合流水线车间调度方法 |
| CN106959675A (zh) * | 2017-03-21 | 2017-07-18 | 山东大学 | 一种面向流水车间的多目标调度优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘胜军 等: "NSGA-II算法求解混合流水车间多目标调度问题", 《工业经济论坛》 * |
| 周清华 等: "基于自适应遗传算法的混合流水车间调度研究", 《科技广场》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114022028A (zh) * | 2021-11-22 | 2022-02-08 | 江苏科技大学 | 一种自动化混合流水线调度布局集成优化方法 |
| CN115616472A (zh) * | 2022-11-30 | 2023-01-17 | 北京志翔科技股份有限公司 | 电能表误差模型的参数优化、误差确定方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506956B (zh) | 基于改进粒子群算法供应链生产运输协同调度方法及系统 | |
| CN105243458B (zh) | 一种基于多目标混合蛙跳差分算法的水库调度方法 | |
| CN107784380A (zh) | 一种巡检最短路径的优化方法及优化系统 | |
| CN106959675A (zh) | 一种面向流水车间的多目标调度优化方法 | |
| CN103399868B (zh) | 一种外贸物流路径的优化方法 | |
| CN106845642B (zh) | 一种带约束云工作流调度的自适应多目标进化方法 | |
| CN105929690B (zh) | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 | |
| CN109919532B (zh) | 一种物流节点确定方法及装置 | |
| CN104842564A (zh) | 一种基于nsga-ii的三维打印多任务优化调度方法 | |
| CN109816204A (zh) | 一种基于ga-svm的地铁运营安全态势预测方法 | |
| CN102163300A (zh) | 基于蚁群优化算法的故障诊断规则优化方法 | |
| CN107146039A (zh) | 一种多目标协同控制的定制式混流装配生产方法及装置 | |
| CN108563875A (zh) | 基于多目标优化的模拟电路测点和频率联合优选方法 | |
| CN110471274A (zh) | 基于改进统一粒子群算法的机械零件加工流水线调度方法 | |
| CN109193807A (zh) | 一种电力系统经济调度方法及系统 | |
| CN107704985A (zh) | 一种动态策略的差分进化柔性车间优化调度方法 | |
| CN107767035A (zh) | 一种基于遗传算法的电能表检测混合流水线调度方法 | |
| CN111369000A (zh) | 一种基于分解的高维多目标进化方法 | |
| CN105260787A (zh) | 一种基于遗传算法的分拣作业均衡调度方法 | |
| CN101261702A (zh) | 一种基于逐层优化的排程方案评价及选择方法 | |
| CN103353895A (zh) | 一种配电网线损数据的预处理方法 | |
| CN104599026A (zh) | 一种供应商选择方法 | |
| Qu et al. | Parallel genetic algorithm model based on AHP and neural networks for enterprise comprehensive business | |
| CN110648037A (zh) | 一种整车生产评价方法及装置 | |
| CN109102203A (zh) | 一种基于多串染色体遗传算法的目标分配优化方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180306 |