CN107817772A - 一种柔性作业车间调度优化方法 - Google Patents
一种柔性作业车间调度优化方法 Download PDFInfo
- Publication number
- CN107817772A CN107817772A CN201710965924.9A CN201710965924A CN107817772A CN 107817772 A CN107817772 A CN 107817772A CN 201710965924 A CN201710965924 A CN 201710965924A CN 107817772 A CN107817772 A CN 107817772A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- individual
- firefly
- formula
- 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 82
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 241000131894 Lampyris noctiluca Species 0.000 claims abstract description 71
- 238000002922 simulated annealing Methods 0.000 claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 241000254158 Lampyridae Species 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 44
- 238000000137 annealing Methods 0.000 claims description 28
- GNBHRKFJIUUOQI-UHFFFAOYSA-N fluorescein Chemical compound O1C(=O)C2=CC=CC=C2C21C1=CC=C(O)C=C1OC1=CC(O)=CC=C21 GNBHRKFJIUUOQI-UHFFFAOYSA-N 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000001476 gene delivery Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000006872 improvement Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- UPLPHRJJTCUQAY-WIRWPRASSA-N 2,3-thioepoxy madol Chemical compound C([C@@H]1CC2)[C@@H]3S[C@@H]3C[C@]1(C)[C@@H]1[C@@H]2[C@@H]2CC[C@](C)(O)[C@@]2(C)CC1 UPLPHRJJTCUQAY-WIRWPRASSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm 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
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
一种柔性作业车间调度优化方法，将Metropolis准则和正弦自适应步长应用于萤火虫算法，进行离散问题优化求解。在构建数学模型的基础上,随机产生离散组合问题的初始解种群，再按照模拟退火中的Metropolis准则进行个体领域内局部搜索，产生新个体，计算新个体与原个体之间的内能差，并以一定的概率接受新个体，最后利用正弦自适应步长的离散型萤火虫算法进行每一代的全局搜索，直到搜索到最优解。该方法能够更好地在全局空间内搜索FJSP问题的最优解，具有更好的搜索精度、搜索效率和稳定性，这对于求解诸如车间作业调度等离散型问题具有重要意义和显著的工程实际应用价值。
Description
技术领域
该发明涉及离散型组合问题的智能优化技术领域，特别是柔性作业车间调度优化技术领域。
背景技术
典型的组合优化问题包括旅行商问题(Traveling Salesman Problem－TSP)、作业车间调度问题(Job-Shop Scheduling Problem-JSP)、流程车间调度(Flow-shopScheduling Problem)、0-1背包问题(Knapsack Problem)、装箱问题(Bin PackingProblem)等。其中传统的JSP主要确定作业车间的加工顺序，而柔性作业车间调度问题(Flexible Job-Shop Scheduling Problem-FJSP)则是先进制造系统运筹技术、管理技术与优化技术发展的重要内容，其在确定加工顺序的同时，确定各个工序被分配到哪台机床上，使得问题更为复杂。这些问题典型的组合优化问题都被证明是NP难问题，无最优解精确算法，目前倾向于用智能算法来解决此问题，如遗传算法、禁忌搜索算法、粒子群算法、蚁群算法等智能优化算法，其中近年来萤火虫算法因其简单易懂、参数少和易实现等优点也在JSP问题中得到广泛应用。
但在应用的过程中，发现单一的萤火虫算法存在精度不高、容易陷入局部最优等缺点，于是采用一些办法提高萤火虫算法的搜索性能并应用于离散优化问题中，尽管产生了一定的效果，但是并没有得到实质性的改进。
发明内容
本发明公开了一种基于改进离散型萤火虫算法的具有更好的搜索精度、搜索效率和稳定性的柔性作业车间调度优化方法。
本发明的目的是这样实现的：一种柔性作业车间调度优化方法，建立柔性作业车间调度问题的数学模型，并采用模拟退火算法中的Metropolis准则应用于萤火虫优化技术，选择合适的退火操作参数，并且对步长进行正弦自适应调整，形成改进的优化技术，进行离散问题优化求解；
其特征在于：首先随机产生离散组合问题的初始解种群，包括四个步骤：
第一、建立柔性作业车间调度的数学优化模型；
根据对柔性作业车间调度问题的分析，假设J为工件的集合(J＝{J1,J2,…,Jn})，每个工件是由q个工序按序组成，O为全部工序的集合O＝{O1,O2,…,On}，Oi为第i个工件的工序集合Oi＝{oi1,oi2,…,oiq}，i∈(1,n)，M为机器的集合(M＝{M1,M2,…,Mm})；工件的加工顺序已经确定，其中假设Sk是工序k(k∈O)的起始时间，Pk是工序k的加工时间，Ck是工序k的完工时间，Cmax是最后一道工序的完工时间；Eh是在机器h(h∈M)上的工序集合，FJSP问题的目标函数公式如下：
约束方程如公式(2)-(4)：
Sk≥0,Pk≥0 k＝O1,O2...On； (2)
Sk-Sk-1≥Pk-1 k＝O1,O2...,On； (3)
Sk-Sj≥Pk or Sj-Sk≥Pj (k,j)∈Eh,h∈M (4)
式(3)中，Sk-1是工序k-1的起始时间；Pk-1是工序k-1的加工时间；式(4)中，Sj是工序j的起始时间；Pj是工序j的加工时间；
公式(2)表示开始时间和加工时间非负，公式(3)约束了不同工序中的相同工件的加工顺序，公式(4)表明同一时刻机器只能加工一个工件。
第二、根据实验和规则设置改进萤火虫算法的所需参数，其中包括种群规模N，萤火虫种群的最大遗传代数MAXGEN，萤火虫算法的挥发因子rho，适应度的提取比例k，初始荧光素浓度I0，初始步长因子s’，浮动变化步长因子s0,目标函数f(x)，退火的初始温度与终止温度T0、Tend，各温度下的退火次数gen，退火因子q；
第三、初始化萤火虫的位置，使其随机分布在离散问题的解空间的各个位置上；
第四、按照公式(5)计算各个萤火虫的荧光素浓度，从萤火虫种群中筛选出荧光素浓度最高的优秀个体；
I(t)＝I(t-1)×(1-rho)+k×f(x) (5)
其中I(t)表示当代萤火虫的荧光素浓度，目标函数的值越优荧光素浓度越高。I(t-1)表示上一代萤火虫的荧光素浓度，rho用于模拟现实中萤火虫光芒随着传播逐渐衰减的特性，k用于模拟现实个体将其基因传递到基因库的能力。f(x)表示设立的目标函数值，在离散组合问题中用于衡量个体的完成时间，完成时间越短，目标函数越高。
其次在初始解种群或每一代移动后的种群中筛选出最优解的个体，并使其按照模拟退火中的Metropolis准则操作的方式个体领域内进行局部搜索，包括三个步骤；
第五、在最优秀个体i的领域内产生新个体inew；
第六、计算新解与原解之间的内能差df；
第七、根据下式的概率P接受新解inew
其中T为当代退火温度，是上一代退火温度与退火因子的乘积，根据式(7)可验证并修订初始温度T0、终止温度Tend和退火因子q：
Tend＝T0×qgen (7)
式中gen表示采取模拟退火的操作的迭代次数。虽然模拟退火的基态温度理论值为0，但此迭代公式无法式Tend达到0，因此取Tend为一个近似0的数，为了保证能够在一定时间范围内收敛到全局解，根据经验gen取130次，Tend取1×10-3。迭代次数已知，又因初始温度的选取需远大于目标函数的差值，使条件(6)成立。因此T0的取值应满足下式：
T0≥100df (8)
根据式(3)和式(4)可以确定q的实验取值范围为0-0.9，此时按照公式(7)退火因子与初始温度一一对应的关系，初始温度的范围在103-6.2×109中。取不同的退火因子反复实验得到对应的最优解，对比解的分布规律，当选择理想退火因子的范围在0.8-0.9之间时，最优解最令人满意。再根据初始温度的范围，确定出退火因子为0.9，初始温度为1000度。
最后利用离散型萤火虫算法进行每一代的全局搜索，包括四个步骤：
第八、开始进行萤火虫种群中萤火虫个体的移动，根据正弦自适应步长公式计算出萤火虫个体i的移动步长
式中，s’表示初始步长因子，s0表示浮动变化步长因子，Imax表示最优萤火虫个体的荧光素浓度，Imean表示萤火虫种群的荧光素浓度均值，Ii表示参与步长变化的萤火虫个体荧光素浓度。
第九、再按照下式进行萤火虫种群中的个体i向荧光素浓度更高的个体j移动的位置更新
式中xi、xj表示萤火虫种群中个体i和个体j的空间位置。s是自适应移动步长，模拟萤火虫个体移动时候步伐长度。disij表示个体i和个体j的空间距离，用来更加真实的模拟现实过程中萤火虫的移动。
第十、当达到最大搜索代数的时候则转入下一步骤，否则转入第四步骤更新计算各个萤火虫的荧光素浓度，继续搜索最优解。
第十一、输出最优的完工时间及最优完工时间所对应的调度解。
本专利提出了在解决FJSP问题时，采用一种结合模拟退火的改进萤火虫优化技术，即在当代萤火虫的最优秀个体产生其领域范围内的随机移动时，引入模拟退火算法中的Metropolis准则使个体以一定的概率接受较差个体解的位置，从而使完全跳出局部最优解成为可能。由于模拟退火过程与萤火虫搜索过程均是在本代内进行，相较与其他代数整体操作的混合优化技术【王吉权,王福林.萤火虫算法的改进分析及应用[J].计算机应用,2014,34(09):2552-2556.】，该优化技术受工厂规模的影响风险较小。同时根据实验结果调整初始参数，采用正弦自适应步长的方法进行优化技术的进一步改进，因此，该方法能够(1)提高搜索能力，有效的防止FJSP问题陷入局部最优，获取全局解(2)缩减优化时间(3)优化技术稳定性得到保证。与现有技术相比，本发明的有益效果是：
(1)提高全局搜索能力，避免优化过程陷入局部最优
由于模拟退火算法中的Metropolis准则，能以一定的概率跳出局部最优，从而可以避免目标函数过早收敛。但由于模拟退火算法的搜索原理，使其在全局的搜索能力比较弱。介于此特点，本专利利用模拟退火算法的强大局部搜索能力和萤火虫算法的全局搜索能力，提出一种引入模拟退火进行最佳萤火虫个体移动的改进萤火虫算法。这样在提高全局搜索能力的同时，避免优化过程陷入局部最优。
(2)保证最优个体不被破坏
同时采用自适应步长的方法，用荧光素来控制步长大小，使荧光素较低的个体移动幅度较大，荧光素浓度较高的个体移动幅度较小，采用正弦的形式，以免在获取全局解的附近由于步长过大破坏最优个体。
(3)提高大规模求解的计算稳定性
经过测试，在中小规模的离散问题中，该算法与传统算法的目标值波动范围差距不大，其中模拟退火算法是最稳定的。然而，随着规模的增加，传统萤火虫算法和模拟退火算法的目标值波动范围也增加，而改进的萤火虫算法的目标值波动的变化不显着。可见，改进的萤火虫算法受规模的影响较小，稳定性更好。
本发明将Metropolis准则和正弦自适应步长应用于萤火虫算法的FJSP优化技术，进行离散问题优化求解。该方法在构建数学模型的基础上,随机产生离散组合问题的初始解种群，再按照模拟退火中的Metropolis准则操作的方式进行个体领域内局部搜索，产生新个体，计算新个体与原个体之间的内能差，并以一定的概率接受新个体，最后利用正弦自适应步长的离散型萤火虫算法进行每一代的全局搜索，直到搜索到最优解。该方法是一种离散型混合萤火虫优化技术(SA_FA)，用模拟退火操作替代传统萤火虫优化技术中的随机扰动，使其能够更好地在全局空间内搜索FJSP问题的最优解。该算法与传统的萤火虫、模拟退火等优化技术相比，有更好的搜索精度、搜索效率和稳定性，这对于求解诸如车间作业调度、路径规划等离散型问题具有重要的意义和显著的工程实际应用价值。
附图说明
图1发明流程图。
图2 5×5机器可加工工序数图。
图3 10×10机器可加工工序数图。
图4 20×16机器可加工工序数图。
图5传统萤火虫算法5×5规模迭代图。
图6模拟退火算法5×5规模迭代图。
图7改进萤火虫算法5×5规模迭代图。
图8传统萤火虫算法10×10规模迭代图。
图9模拟退火算法10×10规模迭代图。
图10改进萤火虫算法10×10规模迭代图。
图11传统萤火虫算法20×16规模迭代图。
图12模拟退火算法20×16规模迭代图。
图13改进萤火虫算法20×16规模迭代图。
图14模拟退火算法最优解的波动图。
图15萤火虫算法最优解的波动图。
图16改进萤火虫算法最优解的波动图。
图17 ROV混合萤火虫算法5×5迭代图。
图18 ROV混合萤火虫算法10×10迭代图。
图19 ROV混合萤火虫算法20×16迭代图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的描述。
实施实例1
采用5×5规模的JSP问题，即5个工件在5台机器上进行加工。每一个工件包括四个工序，加工的工序顺序为oi1、oi2、oi3、oi4。其中oi1和oi3为加工操作，只能选择在加工的机器上操作；oi2和oi4为检测操作，只能选择在检测的机器上操作。而机器的分布为机器1,2,4为加工机器，机器3,5为检测机器。其中机器与工序的约束如表1所示。
表1 5×5规模JSP的机器工序约束
为了更加直观的表达，各个机器上可以加工的工序数量如图2所示。
实施实例2
实例2采用10×10规模的JSP问题，即10个工件在10台机器上进行加工。其中每个工件的工序约束与实例1相同，在实例2中。前6台机器为加工机器，后4台机器为检测机器，各个机器上可以加工的工序数量如图3所示。
实施实例3
实例2采用20×16规模的JSP问题，即20个工件在16台机器上进行加工。其中每个工件的工序约束与实例1相同，在实例3中。前10台机器为加工机器，后6台机器为检测机器，各个机器上可以加工的工序数量如图4所示。
具体操作
按照公式(1)-(4)建立实例1的优化数学模型：
目标函数：
约束方程：
Sk≥0,Pk≥0 k＝O1,O2,O3,O4；
Sk-Sk-1≥Pk-1 k＝O1,O2,O3,O4；
Sk-Sj≥Pk or Sj-Sk≥Pj (k,j)∈Eh,h∈(1,2,...,5)
其他两个实例操作方式一致，获得数学模型后，按照初始参数选用的原则和依据，设立萤火虫种群规模N为40，取荧光素挥发因子rho为0.4，适应度提取比例k为0.6，初始步长因子s’为5，步长浮动变化s0为1，最大遗传代数为200代，初始温度为1000度，链长为8。
采用MATLAB编程，随机初始化萤火虫的位置，按照公式(5)计算各个萤火虫的荧光素浓度，从萤火虫种群中筛选出荧光素浓度最高的优秀个体；在初始解种群或每一代移动后的种群中筛选出最优解的个体，并使其按照模拟退火中的Metropolis准则操作(公式6、7、8)的方式个体领域内进行局部搜索，利用离散型萤火虫算法进行每一代的全局搜索，根据正弦自适应步长公式(9)计算出萤火虫个体移动步长，再按照公式(10)进行萤火虫种群中的个体位置更新，循环迭代直到达到最大迭代代数后，输出最优完工时间及对应的调度解。
三个不同规模的实例分别运用传统萤火虫算法、本专利的改进萤火虫算法和模拟退火算法各运算十次，以进行相关数据比较，说明该发明中优化方法的有效性。计算后各规模的JSP问题的最优解的过程迭代如图5到图19所示，在图中，FA代表传统萤火虫算法，SA代表模拟退火算法，SA_FA代表改进的萤火虫算法。根据不同的实验数据结果，对性能进行比较，从以下数据可见最小完成时间/搜索能力、稳定性和避免局部最优的能力等性能指标都得到了较大的提高。
优化方法最小完成时间与搜索性能比较
在以下迭代图中，横坐标表示迭代次数，纵坐标表示当代萤火虫群体中的最优解。最开始出现最小完工时间的代数就是最小收敛代数。当最小收敛代数过小就证明该算法容易陷入局部最优。会导致搜索的平均值很差。最小完成时间对应于最小的纵坐标值，表示该算法在缩放JSP问题中可以实现的搜索精度。最小完工时间越小，最优解就越优秀，搜索能力就越强。
从以上迭代过程图中可以看出模拟退火算法具有非常强的局部搜索能力，并且能够在小规模JSP问题中跳出局部最优解。从图7和图6中可以看出，模拟退火算法在5×5规模中的搜索的最优解是152，最小收敛代数是103。而改进的萤火虫算法的最优解是147。而结合了模拟退火的改进萤火虫算法比传统的萤火虫算法和模拟退火算法有更强大的搜索能力，能够在解空间内搜索到更优秀的解。除此之外，从图5和图7中可以看出改进的萤火虫算法的最小收敛代数是15而传统的萤火虫算法是2，并且传统的萤火虫算法搜索到的最优解是165，更加证明传统的萤火虫算法容易过早陷入局部最优。
当规模增加到10×10时的时候，改进的萤火虫算法和模拟退火算法的搜索精度是一样的。从图9和图10看出这两种算法的最优解是423，而从图8中可以看出传统萤火虫算法是430。
然而，当规模增大到20×16时，模拟退火算法全局搜索能力弱的缺点就彰显出来了，搜索到的解也不理想。而改进的萤火虫算法的全局搜索能力要更强大，从图11和图12可以看出模拟退火算法搜索到的最优解是814而改进的萤火虫算法的只有773。
可以看出，在中小型JSP问题中，改进的萤火虫算法的搜索精度与模拟退火算法相同。而且比传统的萤火虫算法更好。在大规模的JSP问题中，改进的萤火虫算法的搜索精度是三种算法中最好的。同时，由于模拟退火算法中的Metropolis准则的特点，改进的萤火虫算法的最优解的最小收敛生成要高于传统萤火虫算法。从上述不同规模的迭代图可以看出，改进的萤火虫算法的最小收敛代数是传统萤火虫算法的两倍以上。
优化方法稳定性比较
为了比较所选择的三种算法的稳定性，图14-16显示了三种算法在三种规模中10次运算所得到的最优解的波动。
从图14到图16可以看出，在中小规模的JSP问题中，三种算法的目标值波动范围差距不大，而模拟退火算法是最稳定的。然而，随着规模的增加，传统萤火虫算法和模拟退火算法的目标值波动范围也增加，而改进的萤火虫算法的目标值波动的变化不显着。在20×16规模的JSP问题中，模拟退火和传统萤火虫算法波动值分别为6％和6.5％，而萤火虫算法的改进率仅为4.1％。可以看出，改进的萤火虫算法受尺度的影响较小，稳定性更好。
优化方法避免局部最优的能力比较
为了证明该算法能够有效地跳出局部最优解，实现更好的解决方案，本文选取文献【刘长平,叶春明.置换流水车间调度问题的萤火虫算法求解[J].工业工程与管理,2012,17(03):56-59+65】.中的ROV规则萤火虫混合算法与模拟退火萤火虫混合算法在相同的JSP问题中进行运算比较。
其中ROV规则的混合算法在不同规模的JSP问题中的迭代图见图17-19。ROV混合萤火虫算法和改进的萤火虫算法的10次运算结果的统计性能结果如表3所示：
表3 ROV混合萤火虫算法与模拟退火混合萤火虫算法在JSP问题中的对比
从表3可以看出虽然ROV规则萤火虫混合算法虽然在搜索精度上要优于单一的萤火虫算法，在中小规模的JSP问题中也可以达到改进的萤火虫算法的搜索精度。例如，在5×5尺度上，这两种算法的最优解是相同的，比传统的萤火虫算法更好。但是从最小收敛代数中可以看出，该混合算法仍然容易陷入局部最优中。在5×5规模的JSP问题中，图17所示的ROV混合萤火虫算法的最小收敛代数为6，而图7所示改进的萤火虫算法为15，证明改进的萤火虫算法更能避免陷入局部最优，不会过早收敛。在20×16规模上，表3所示的ROV混合算法平均最小完成时间Cmean为840.4，而改进的萤火虫算法仅为806.7。但对于在20×16规模上，图19所示的ROV混合萤火虫算法的最优解是806，而改进的萤火虫算法更佳，只有773，所以随着规模的增加ROV规则萤火虫混合算法的最优解比改进的萤火虫算法要差。
由此可见，本专利所采用的优化方法，在解决柔性作业车间调度问题时，无论在搜索性能、规模变大后的算法稳定、以及跳出局部解获得全局解的能力上，都由于传统的基于萤火虫算法的优化方法。
Claims (3)
1.一种柔性作业车间调度优化方法，其特征在于：建立柔性作业车间调度问题的数学模型，并采用模拟退火算法中的Metropolis准则应用于萤火虫优化技术，选择合适的退火操作参数，并且对步长进行正弦自适应调整，形成改进的优化技术，进行离散问题优化求解；
首先随机产生离散组合问题的初始解种群，包括四个步骤：
第一、建立柔性作业车间调度的数学优化模型；
根据对柔性作业车间调度问题的分析，假设J为工件的集合(J＝{J1,J2,…,Jn})，每个工件是由q个工序按序组成，O为全部工序的集合O＝{O1,O2,…,On}，Oi为第i个工件的工序集合Oi＝{oi1,oi2,…,oiq}，i∈(1,n)，M为机器的集合(M＝{M1,M2,…,Mm})；工件的加工顺序已经确定，其中假设Sk是工序k(k∈O)的起始时间，Pk是工序k的加工时间，Ck是工序k的完工时间，Cmax是最后一道工序的完工时间；Eh是在机器h(h∈M)上的工序集合，FJSP问题的目标函数公式如下：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>M</mi>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
<mi>m</mi>
<mi>i</mi>
<mi>z</mi>
<mi>e</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>O</mi>
</mrow>
</munder>
<mo>{</mo>
<msub>
<mi>C</mi>
<mi>k</mi>
</msub>
<mo>}</mo>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mi>k</mi>
<mo>&Element;</mo>
<mi>O</mi>
</mrow>
</munder>
<mo>{</mo>
<msub>
<mi>S</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mi>k</mi>
</msub>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
约束方程如公式(2)-(4)：
Sk≥0,Pk≥0 k＝O1,O2...On； (2)
Sk-Sk-1≥Pk-1 k＝O1,O2...,On； (3)
Sk-Sj≥Pk or Sj-Sk≥Pj (k,j)∈Eh,h∈M (4)
式(3)中，Sk-1是工序k-1的起始时间；Pk-1是工序k-1的加工时间；式(4)中，Sj是工序j的起始时间；Pj是工序j的加工时间；
公式(2)表示开始时间和加工时间非负，公式(3)约束了不同工序中的相同工件的加工顺序，公式(4)表明同一时刻机器只能加工一个工件；
第二、根据实验和规则设置改进萤火虫算法的所需参数，其中包括种群规模N，萤火虫种群的最大遗传代数MAXGEN，萤火虫算法的挥发因子rho，适应度的提取比例k，初始荧光素浓度I0，初始步长因子s’，浮动变化步长因子s0,目标函数f(x)，退火的初始温度与终止温度T0、Tend，各温度下的退火次数gen，退火因子q；
第三、初始化萤火虫的位置，使其随机分布在离散问题的解空间的各个位置上；
第四、按照公式(5)计算各个萤火虫的荧光素浓度，从萤火虫种群中筛选出荧光素浓度最高的优秀个体；
I(t)＝I(t-1)×(1-rho)+k×f(x) (5)
其中I(t)表示当代萤火虫的荧光素浓度，目标函数的值越优荧光素浓度越高；I(t-1)表示上一代萤火虫的荧光素浓度，rho用于模拟现实中萤火虫光芒随着传播逐渐衰减的特性，k用于模拟现实个体将其基因传递到基因库的能力；f(x)表示设立的目标函数值，在离散组合问题中用于衡量个体的完成时间，完成时间越短，目标函数越高；
其次在初始解种群或每一代移动后的种群中筛选出最优解的个体，并使其按照模拟退火中的Metropolis准则操作的方式个体领域内进行局部搜索，包括三个步骤；
第五、在最优秀个体i的领域内产生新个体inew；
第六、计算新解与原解之间的内能差df；
第七、根据以下概率公式(6)的概率P接受新解inew
<mrow>
<mi>p</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow>
<mi>d</mi>
<mi>f</mi>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>d</mi>
<mi>f</mi>
<mo>/</mo>
<mi>T</mi>
</mrow>
</msup>
</mtd>
<mtd>
<mrow>
<mi>d</mi>
<mi>f</mi>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
其中T为当代退火温度，是上一代退火温度与退火因子的乘积，根据迭代公式(7)可验证并修订初始温度T0、终止温度Tend和退火因子q：
Tend＝T0×qgen (7)
式中gen表示需要采取模拟退火的操作的萤火虫种群的迭代次数；虽然模拟退火的基态温度理论值为0，但此迭代公式无法使Tend达到0，因此取Tend为一个近似0的数，为了保证能够在一定时间范围内收敛到全局解，根据经验gen取130次，Tend取1×10-3；迭代次数已知，又因初始温度的选取需远大于目标函数的差值，使条件(6)成立；因此T0的取值应满足下式：
T0≥100df (8)
根据式(3)和式(4)可以确定q的实验取值范围为0-0.9，此时按照公式(7)退火因子与初始温度一一对应的关系，初始温度的范围在103-6.2×109中；取不同的退火因子反复实验得到对应的最优解，对比解的分布规律，当选择理想退火因子的范围在0.8-0.9之间时，最优解最令人满意；再根据初始温度的范围，确定出退火因子为0.9，初始温度为1000度；
最后利用离散型萤火虫算法进行每一代的全局搜索，包括四个步骤：
第八、开始进行萤火虫种群中萤火虫个体的移动，根据正弦自适应步长公式计算出萤火虫个体i的移动步长s
<mrow>
<mi>s</mi>
<mo>=</mo>
<msub>
<mi>s</mi>
<mn>0</mn>
</msub>
<mo>&times;</mo>
<mi>sin</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mfrac>
<mrow>
<msub>
<mi>I</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msup>
<mi>s</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，s’表示初始步长因子，s0表示浮动变化步长因子，Imax表示最优萤火虫个体的荧光素浓度，Imean表示萤火虫种群的荧光素浓度均值，Ii表示参与步长变化的萤火虫个体荧光素浓度；
第九、再按照下式进行萤火虫种群中的个体i向荧光素浓度更高的个体j移动的位置更新
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>s</mi>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>dis</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式中xi、xj表示萤火虫种群中个体i和个体j的空间位置；s是萤火虫i的移动步长，即自适应移动步长，模拟萤火虫个体移动时候步伐长度；disij表示个体i和个体j的空间距离，用来更加真实的模拟现实过程中萤火虫的移动；
第十、当达到最大搜索代数的时候则转入下一步骤，否则转入第四步骤更新计算各个萤火虫的荧光素浓度，继续搜索最优解；
第十一、输出最优的完工时间及最优完工时间所对应的调度解。
2.根据权利要求1所述的一种柔性作业车间调度优化方法，其特征在于：随机产生离散组合问题的初始解种群之后，其按照模拟退火中的Metropolis准则操作的方式个体领域内进行局部搜索，在最优秀个体的领域内产生新个体，再计算新解与原解之间的内能差，并以概率公式(6)接受新解，保证算法以相应的概率跳出局部解，再进行全局搜索。
3.根据权利要求1所述的一种柔性作业车间调度优化方法，其特征在于：为了满足引入模拟退火后，改进离散型萤火虫算法的计算效率，基于实验和公式(6)、(7)、(8)修正各初始参数，其中模拟退火操作次数gen＝130次，Tend＝1×10-3度，退火因子q＝0.9，初始温度T0＝1000度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710965924.9A CN107817772B (zh) | 2017-10-17 | 2017-10-17 | 一种柔性作业车间调度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710965924.9A CN107817772B (zh) | 2017-10-17 | 2017-10-17 | 一种柔性作业车间调度优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107817772A true CN107817772A (zh) | 2018-03-20 |
| CN107817772B CN107817772B (zh) | 2019-07-12 |
Family
ID=61608010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710965924.9A Active CN107817772B (zh) | 2017-10-17 | 2017-10-17 | 一种柔性作业车间调度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107817772B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108897962A (zh) * | 2018-07-05 | 2018-11-27 | 西北工业大学 | 一种基于非线性无网格法的柔性机构拓扑优化设计方法 |
| CN108960585A (zh) * | 2018-06-14 | 2018-12-07 | 广东工业大学 | 一种带硬时间窗的远程健康监护线下服务任务调度方法 |
| CN109242101A (zh) * | 2018-10-19 | 2019-01-18 | 西南交通大学 | 基于遗传模拟退火算法的柔性制造系统生产能力配置方法 |
| CN109270904A (zh) * | 2018-10-22 | 2019-01-25 | 中车青岛四方机车车辆股份有限公司 | 一种柔性作业车间批量动态调度优化方法 |
| CN109409774A (zh) * | 2018-11-14 | 2019-03-01 | 合肥工业大学智能制造技术研究院 | 用于智能制造数字化车间的调度方法、系统及存储介质 |
| CN109491344A (zh) * | 2018-12-12 | 2019-03-19 | 合肥工业大学 | 面向航天发动机研制过程的智能协同调度方法和系统 |
| CN109634231A (zh) * | 2018-11-22 | 2019-04-16 | 合肥工业大学 | 基于遗传模拟退火算法的成形车间节能调度方法 |
| CN111007823A (zh) * | 2019-12-25 | 2020-04-14 | 北京理工大学 | 柔性作业车间动态调度方法及装置 |
| CN111176753A (zh) * | 2019-12-20 | 2020-05-19 | 贝壳技术有限公司 | 云资源优化配置方法、装置、电子设备及可读存储介质 |
| CN111445525A (zh) * | 2020-04-08 | 2020-07-24 | 深圳市瑞立视多媒体科技有限公司 | 相机安装位置的布局方法、装置、设备及存储介质 |
| CN113377073A (zh) * | 2021-06-28 | 2021-09-10 | 西南交通大学 | 一种基于双层多智能体系统的柔性作业车间调度优化方法 |
| CN113408951A (zh) * | 2021-07-16 | 2021-09-17 | 山东大学 | 一种基于动态信息累计狮群最优柔性调度方法及系统 |
| CN117132181A (zh) * | 2023-08-21 | 2023-11-28 | 北京工业大学 | 一种分布式柔性生产与运输协同调度方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866898A (zh) * | 2015-05-22 | 2015-08-26 | 大连理工大学 | 一种基于协同混合人工鱼群模型的多目标柔性作业车间调度方法 |
| CN106611215A (zh) * | 2016-05-14 | 2017-05-03 | 四川用联信息技术有限公司 | 一种新的布谷鸟搜索算法解决作业车间调度问题 |
| CN106707990A (zh) * | 2016-12-19 | 2017-05-24 | 湘潭大学 | 一种基于离散萤火虫算法的多目标柔性作业车间调度方法 |
-
2017
- 2017-10-17 CN CN201710965924.9A patent/CN107817772B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104866898A (zh) * | 2015-05-22 | 2015-08-26 | 大连理工大学 | 一种基于协同混合人工鱼群模型的多目标柔性作业车间调度方法 |
| CN106611215A (zh) * | 2016-05-14 | 2017-05-03 | 四川用联信息技术有限公司 | 一种新的布谷鸟搜索算法解决作业车间调度问题 |
| CN106707990A (zh) * | 2016-12-19 | 2017-05-24 | 湘潭大学 | 一种基于离散萤火虫算法的多目标柔性作业车间调度方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘长平等: "置换流水车间调度问题的萤火虫算法求解", 《工业工程与管理》 * |
| 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 信息科技辑》 * |
| 王铭波等: "基于模拟退火机制的多种群萤火虫算法", 《计算机应用》 * |
| 谢耀辉: "基于混沌优化和VFSA的萤火虫算法研究和应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 陶文华等: "求解作业车间调度问题的改进萤火虫算法", 《电子设计工程》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108960585B (zh) * | 2018-06-14 | 2022-02-11 | 广东工业大学 | 一种带硬时间窗的远程健康监护线下服务任务调度方法 |
| CN108960585A (zh) * | 2018-06-14 | 2018-12-07 | 广东工业大学 | 一种带硬时间窗的远程健康监护线下服务任务调度方法 |
| CN108897962A (zh) * | 2018-07-05 | 2018-11-27 | 西北工业大学 | 一种基于非线性无网格法的柔性机构拓扑优化设计方法 |
| CN109242101A (zh) * | 2018-10-19 | 2019-01-18 | 西南交通大学 | 基于遗传模拟退火算法的柔性制造系统生产能力配置方法 |
| CN109242101B (zh) * | 2018-10-19 | 2019-07-26 | 西南交通大学 | 基于遗传模拟退火算法的柔性制造系统生产能力配置方法 |
| CN109270904A (zh) * | 2018-10-22 | 2019-01-25 | 中车青岛四方机车车辆股份有限公司 | 一种柔性作业车间批量动态调度优化方法 |
| CN109409774A (zh) * | 2018-11-14 | 2019-03-01 | 合肥工业大学智能制造技术研究院 | 用于智能制造数字化车间的调度方法、系统及存储介质 |
| CN109634231A (zh) * | 2018-11-22 | 2019-04-16 | 合肥工业大学 | 基于遗传模拟退火算法的成形车间节能调度方法 |
| CN109491344A (zh) * | 2018-12-12 | 2019-03-19 | 合肥工业大学 | 面向航天发动机研制过程的智能协同调度方法和系统 |
| CN109491344B (zh) * | 2018-12-12 | 2020-07-07 | 合肥工业大学 | 面向航天发动机研制过程的智能协同调度方法和系统 |
| CN111176753A (zh) * | 2019-12-20 | 2020-05-19 | 贝壳技术有限公司 | 云资源优化配置方法、装置、电子设备及可读存储介质 |
| CN111007823A (zh) * | 2019-12-25 | 2020-04-14 | 北京理工大学 | 柔性作业车间动态调度方法及装置 |
| CN111445525A (zh) * | 2020-04-08 | 2020-07-24 | 深圳市瑞立视多媒体科技有限公司 | 相机安装位置的布局方法、装置、设备及存储介质 |
| CN113377073A (zh) * | 2021-06-28 | 2021-09-10 | 西南交通大学 | 一种基于双层多智能体系统的柔性作业车间调度优化方法 |
| CN113408951A (zh) * | 2021-07-16 | 2021-09-17 | 山东大学 | 一种基于动态信息累计狮群最优柔性调度方法及系统 |
| CN113408951B (zh) * | 2021-07-16 | 2022-08-12 | 山东大学 | 一种基于动态信息累计狮群最优柔性调度方法及系统 |
| CN117132181A (zh) * | 2023-08-21 | 2023-11-28 | 北京工业大学 | 一种分布式柔性生产与运输协同调度方法 |
| CN117132181B (zh) * | 2023-08-21 | 2024-05-28 | 北京工业大学 | 一种分布式柔性生产与运输协同调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107817772B (zh) | 2019-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107817772A (zh) | 一种柔性作业车间调度优化方法 | |
| Shao et al. | A novel discrete water wave optimization algorithm for blocking flow-shop scheduling problem with sequence-dependent setup times | |
| Wang et al. | A two-phase differential evolution for uniform designs in constrained experimental domains | |
| Yifei et al. | Research on intelligent welding robot path optimization based on GA and PSO algorithms | |
| Zhang et al. | Scale-free fully informed particle swarm optimization algorithm | |
| Li et al. | Rules-based heuristic approach for the U-shaped assembly line balancing problem | |
| Panda et al. | Evolutionary techniques for model order reduction of large scale linear systems | |
| Qu et al. | An improved TLBO based memetic algorithm for aerodynamic shape optimization | |
| CN108133258A (zh) | 一种混合全局优化方法 | |
| CN106502092A (zh) | 一种采用改进混合粒子群算法的热工过程模型参数辨识方法 | |
| CN106779372A (zh) | 基于改进免疫禁忌算法的农机调度方法 | |
| CN108399450A (zh) | 基于生物进化原则的改进粒子群算法 | |
| CN104616062B (zh) | 一种基于多目标遗传规划的非线性系统辨识方法 | |
| CN103914587B (zh) | 一种基于模拟退火/回火现场可编程门阵列布局的方法 | |
| CN105203106A (zh) | 一种基于模拟退火粒子群算法的wMPS网络布局优化方法 | |
| CN110363343A (zh) | 一种混合自适应的水电站群智能优化调度方法及系统 | |
| Yan et al. | A fast evolutionary algorithm for traveling salesman problem | |
| CN104657442B (zh) | 基于局部搜索的多目标社区发现方法 | |
| Khajehzadeh et al. | Opposition-based firefly algorithm for earth slope stability evaluation | |
| CN106777849A (zh) | 一种用于求解给定边框约束的vlsi版图设计方法 | |
| Panda et al. | Reduction of linear time-invariant systems using Routh-approximation and PSO | |
| Lin et al. | Multi-agent simulated annealing algorithm with parallel adaptive multiple sampling for protein structure prediction in AB off-lattice model | |
| Janssen et al. | Möbius evolver: Competitive exploration of urban massing strategies | |
| Gao et al. | An adaptive framework to select the coordinate systems for evolutionary algorithms | |
| Panda et al. | Model reduction of linear systems by conventional and evolutionary techniques |
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 |