CN109102211B - 改进布谷鸟搜索的高端装备批处理机调度方法及系统 - Google Patents

Abstract

本发明实施例提供了一种改进布谷鸟搜索的高端装备批处理机调度方法及系统。首先根据工件数量、机器的数量和第一预定数值为每台机器分配工件，并确定每台机器的每个加工批次需要加工的工件，之后生成初始种群，利用布谷鸟算法中的莱维飞行操作，更新当前种群，计算改进后的个体适应度值，并与改进前的个体的适应度值进行比较，保留适应度值大的个体；利用随机概率和交叉变异操作，遗弃更新得到的种群中的个体，最后，输出全局最优解。上述技术方案确定了每个工件将分配至具体的机器，该机器上的工件的组批方式，批的加工顺序，能够最小化制造跨度，提高生产效率，解决了学习效应情形下的平行机批调度问题。

Description

改进布谷鸟搜索的高端装备批处理机调度方法及系统

技术领域

本发明涉及调度领域，具体涉及一种改进布谷鸟搜索的高端装备批处理机调度方法及系统。

背景技术

在一类特定的半导体生产环境中，多个半导体芯片(后简称工件)被放置在一个特制板中进行烧焊。同时进行加工的工件称为一批，具有这样批加工能力的机器称为平行批处理机。随着工厂生产越多的产品，工人积累经验，若工件越晚开始加工，工件的加工时间会越短。这类具有学习效应的工件调度问题最初由Ho(1993)提出，是一个典型的组合优化问题。不同于传统调度问题中每个工件具有固定的加工时间，在时间依赖学习效应情形下，越晚开始加工，工件的加工持续时间会越短。根据工件特定的加工形式，设计出合理有效的加工规则和调度算法，可以大幅提升企业生产运营效率，提高企业的总体竞争力。因此，对学习效应情形下考虑平行机批调度问题进行研究具有很强的现实意义。

虽然近年来也有很多文献开始研究具有学习效应的调度问题，但是同时考虑学习效应和平行批处理机的研究较少。通过文献的查找，也没有发现有研究者将学习效应，平行批加工和平行机同时考虑而构建复杂的调度模型。而在现实的生产环境中，这些因素同时存在。这一复杂问题的解决是破解企业生产难题的关键，而传统的调度模型并不能解决这一问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于改进布谷鸟搜索的高端装备批处理机调度方法及系统，解决了解决学习效应情形下的平行机批调度问题，能够最小化制造跨度，提高生产效率。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明实施例提供了一种改进布谷鸟搜索的高端装备批处理机调度方法，所述方法包括如下步骤:

获取工件数量、机器数量；

设置迭代代数、种群规模、每代迭代次数、全局最优解；

根据工件数量和机器的数量，确定生成小数的数量，并根据生成小数的数量生成对应个数的小数；

根据机器的数量，确定需要获取的小数的数量，并根据需要获取的小数的数量，从生成的小数中获取最大的对应个数的小数；

根据获取的小数，为每台机器分配工件；

根据第一预定数值将每台机器需要加工的工件进行分批，得到每台机器的每个加工批次需要加工的工件；

根据每台机器的每个加工批次需要加工的工件和种群规模，生成初始种群；

利用布谷鸟算法中的莱维飞行操作，更新当前种群，计算改进后的个体适应度值，并与改进前的个体的适应度值进行比较，保留适应度值大的个体；

利用随机概率和交叉变异操作，遗弃更新得到的种群中的个体；

更新当前种群的全局最优解，并根据置迭代代数和每代迭代次数，判断迭代终止条件是否满足，若是则返回生成初始种群的步骤，否则输出当前的全局最优解。

进一步地，所述方法在确定每台机器的每个加工批次需要加工的工件之后，还包括如下步骤：

在每台机器上将所有的加工批次，按照完工时间的非增序进行排列；

计算每台机器的制造时间跨度。

进一步地，所述利用布谷鸟算法中的莱维飞行操作，更新当前种群，包括：

对当前种群的第i个体，根据当前迭代次数t，得到在当前迭代次数下第i个体第j个位置所对应的步长：

令i＝i+1，判断i≥Pop_num是否成立，若不成立，则利用莱维飞行公式，更新第i个体的第j个位置的值：

Lévy(λ)＝t^-λ,(1<λ≤3)

令j＝j+1，判断j≥n+m-1是否成立，若成立，执行返回计算第i个体第j个位置所对应的步长；否则，返回更新第i个体的第j个位置的值的步骤；

其中，

为点乘号，α_max表示步长最大值，α_min表示步长最小值。

进一步地，所述利用随机概率和交叉变异操作，遗弃更新得到的种群中的个体，包括：

利用如下公式计算当前迭代次数t所对应的遗弃概率：

对于当前种群的个体i，生成一个随机数P，若

保留当前个体；否则，遗弃当前个体；

求解当前种群每个个体的适应度值并排序，以概率p从当前种群较优的前100p％个个体中选取一个个体

从种群中选择除去个体i的另外两个个体记为

和

按照以下公式更新当前迭代次数的μ_F值：

μ_F＝(1-c)μ_F+c·L(S_F)

其中L(S_F)为Lehmer平均值，按照以下公式计算：

S_F为当前种群已经变异的个体数量；

当前个体对应的F_i值按照如下公式进行计算：

其中I_1/3代表在当前种群中适应度值排序前1/3的个体；如果当前个体在前1/3个体中，则按照(0,1.2)之间的均匀分布得到F_i的值；否则，按照(μ_F,0.1)之间的正态分布求得F_i的值；

按照以下公式更新当前迭代次数的μ_CR值：

μ_CR＝(1-c)μ_CR+c·mean(S_CR)

S_CR为当前种群已经交叉成功的个体数量，mean(S_CR)即为普通的求均值操作；

根据得到的μ_CR值更新当前个体i的交叉概率CR_i：

CR_i＝randn_i(μ_CR,0.1)

按照(μ_CR,0.1)之间的正态分布求得CR_i的值；

运用下式对当前个体

的值进行更新，得到新的个体记作

对当前个体的第j个位置进行交叉操作：生成一个随机数randb(j)，如果其大于CR_i，则将变异后第j个位置上的值赋给当前个体

对应位置的值；否则，则保留变异前第j个位置的值；

令j＝j+1，若j>n+m-1，返回生成一个随机数P的步骤；否则，返回对当前个体的第j个位置进行交叉操作的步骤。

第一方面，本发明实施例提供了一种改进布谷鸟搜索的高端装备批处理机调度系统，所述系统包括:

获取模块，用于获取工件数量、机器数量；

设置模块，用于设置迭代代数、种群规模、每代迭代次数、全局最优解；

小数生成模块，用于根据工件数量和机器的数量，确定生成小数的数量，根据生成小数的数量生成对应个数的小数；根据机器的数量，确定需要获取的小数的数量，根据需要获取的小数的数量，从生成的小数中获取最大的对应个数的小数；

工件分配模块，用于根据获取的小数，为每台机器分配工件；

批次确定模块，用于根据第一预定数值将每台机器需要加工的工件进行分批，得到每台机器的每个加工批次需要加工的工件；

初始化模块，用于根据每台机器的每个加工批次需要加工的工件和种群规模，生成初始种群；

种群更新模块，用于利用布谷鸟算法中的莱维飞行操作，更新当前种群，计算改进后的个体适应度值，并与改进前的个体的适应度值进行比较，保留适应度值大的个体；

个体更新模块，用于利用随机概率和交叉变异操作，遗弃更新得到的种群中的个体；

最优输出模块，用于更新当前种群的全局最优解，并根据置迭代代数和每代迭代次数，判断迭代终止条件是否满足，若是则返回生成初始种群的步骤，否则输出当前的全局最优解。

进一步地，所述系统还包括：

排序计算模块，用于在每台机器上将所有的加工批次，按照完工时间的非增序进行排列，并计算每台机器的制造时间跨度。

进一步地，所述种群更新模块具体用于：

对当前种群的第i个体，根据当前迭代次数t，得到在当前迭代次数下第i个体第j个位置所对应的步长：

令i＝i+1，判断i≥Pop_num是否成立，若不成立，则利用莱维飞行公式，更新第i个体的第j个位置的值：

Lévy(λ)＝t^-λ,(1<λ≤3)

令j＝j+1，判断j≥n+m-1是否成立，若成立，执行返回计算第i个体第j个位置所对应的步长；否则，返回更新第i个体的第j个位置的值的步骤；

其中，

为点乘号，α_max表示步长最大值，α_min表示步长最小值。

进一步地，所述个体更新模块具体用于：

利用如下公式计算当前迭代次数t所对应的遗弃概率：

对于当前种群的个体i，生成一个随机数P，若

保留当前个体；否则，遗弃当前个体；

求解当前种群每个个体的适应度值并排序，以概率p从当前种群较优的前100p％个个体中选取一个个体

从种群中选择除去个体i的另外两个个体记为

和

按照以下公式更新当前迭代次数的μ_F值：

μ_F＝(1-c)μ_F+c·L(S_F)

其中L(S_F)为Lehmer平均值，按照以下公式计算：

S_F为当前种群已经变异的个体数量；

当前个体对应的F_i值按照如下公式进行计算：

其中I_1/3代表在当前种群中适应度值排序前1/3的个体；如果当前个体在前1/3个体中，则按照(0,1.2)之间的均匀分布得到F_i的值；否则，按照(μ_F,0.1)之间的正态分布求得F_i的值；

按照以下公式更新当前迭代次数的μ_CR值：

μ_CR＝(1-c)μ_CR+c·mean(S_CR)

S_CR为当前种群已经交叉成功的个体数量，mean(S_CR)即为普通的求均值操作；

根据得到的μ_CR值更新当前个体i的交叉概率CR_i：

CR_i＝randn_i(μ_CR,0.1)

按照(μ_CR,0.1)之间的正态分布求得CR_i的值；

运用下式对当前个体

的值进行更新，得到新的个体记作

对当前个体的第j个位置进行交叉操作：生成一个随机数randb(j)，如果其大于CR_i，则将变异后第j个位置上的值赋给当前个体

对应位置的值；否则，则保留变异前第j个位置的值；

令j＝j+1，若j>n+m-1，返回生成一个随机数P的步骤；否则，返回对当前个体的第j个位置进行交叉操作的步骤。

(三)有益效果

本发明实施例提供了一种改进布谷鸟搜索的高端装备批处理机调度方法及系统。具备以下有益效果：

本发明实施例首先根据工件数量、机器的数量和第一预定数值为每台机器分配工件，并确定每台机器的每个加工批次需要加工的工件，之后根据每台机器的每个加工批次需要加工的工件和种群规模，生成初始种群，之后，利用布谷鸟算法中的莱维飞行操作，更新当前种群，计算改进后的个体适应度值，并与改进前的个体的适应度值进行比较，保留适应度值大的个体；利用随机概率和交叉变异操作，遗弃更新得到的种群中的个体，最后，更新当前种群的全局最优解，并根据置迭代代数和每代迭代次数，判断迭代终止条件是否满足，若是则返回生成初始种群的步骤，否则输出当前的全局最优解。上述技术方案确定了每个工件将分配至具体的机器，该机器上的工件的组批方式，批的加工顺序，能够最小化制造跨度，解决了学习效应情形下的平行机批调度问题，为复杂环境下的企业生产进度管理提供新方法，从而提高生产效率，提升企业的竞争力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示意性的示出了本发明一实施例的改进布谷鸟搜索的高端装备批处理机调度方法的流程图。

图2示意性的示出了本发明另一实施例的改进布谷鸟搜索的高端装备批处理机调度方法的流程图。

图3示意性的示出了本发明一实施例的改进布谷鸟搜索的高端装备批处理机调度系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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作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。

一种改进布谷鸟搜索的高端装备批处理机调度方法，如图1所示，所述方法包括如下步骤:

100、获取工件数量、机器数量；

110、设置迭代代数、种群规模、每代迭代次数、全局最优解；

120、根据工件数量和机器的数量，确定生成小数的数量，并根据生成小数的数量生成对应个数的小数；根据机器的数量，确定需要获取的小数的数量，并根据需要获取的小数的数量，从生成的小数中获取最大的对应个数的小数；根据获取的小数，为每台机器分配工件；

130、根据第一预定数值将每台机器需要加工的工件进行分批，得到每台机器的每个加工批次需要加工的工件；

140、根据每台机器的每个加工批次需要加工的工件和种群规模，生成初始种群；

150、利用布谷鸟算法中的莱维飞行操作，更新当前种群，计算改进后的个体适应度值，并与改进前的个体的适应度值进行比较，保留适应度值大的个体；

具体地可以利用如下步骤实现步骤150：

1501、对当前种群的第i个体，根据当前迭代次数t，得到在当前迭代次数下第i个体第j个位置所对应的步长：

1502、令i＝i+1，判断i≥Pop_num是否成立，若不成立，则利用莱维飞行公式，更新第i个体的第j个位置的值：

Lévy(λ)＝t^-λ,(1<λ≤3)

1503、令j＝j+1，判断j≥n+m-1是否成立，若成立，执行返回计算第i个体第j个位置所对应的步长；否则，返回更新第i个体的第j个位置的值的步骤；

其中，

为点乘号，α_max表示步长最大值，α_min表示步长最小值。

160、利用随机概率和交叉变异操作，遗弃更新得到的种群中的个体；

具体地，可以利用如下步骤实现步骤160：

1601、利用如下公式计算当前迭代次数t所对应的遗弃概率：

对于当前种群的个体i，生成一个随机数P，若

保留当前个体；否则，遗弃当前个体；

1602、求解当前种群每个个体的适应度值并排序，以概率p从当前种群较优的前100p％个个体中选取一个个体

1603、从种群中选择除去个体i的另外两个个体记为

和

按照以下公式更新当前迭代次数的μ_F值：

μ_F＝(1-c)μ_F+c·L(S_F)

其中L(S_F)为Lehmer平均值，按照以下公式计算：

S_F为当前种群已经变异的个体数量；

1604、当前个体对应的F_i值按照如下公式进行计算：

其中I_1/3代表在当前种群中适应度值排序前1/3的个体；如果当前个体在前1/3个体中，则按照(0,1.2)之间的均匀分布得到F_i的值；否则，按照(μ_F,0.1)之间的正态分布求得F_i的值；

1605、按照以下公式更新当前迭代次数的μ_CR值：

μ_CR＝(1-c)μ_CR+c·mean(S_CR)

S_CR为当前种群已经交叉成功的个体数量，mean(S_CR)即为普通的求均值操作；

1606、根据得到的μ_CR值更新当前个体i的交叉概率CR_i：

CR_i＝randn_i(μ_CR,0.1)

按照(μ_CR,0.1)之间的正态分布求得CR_i的值；

1607、运用下式对当前个体

的值进行更新，得到新的个体记作

1608、对当前个体的第j个位置进行交叉操作：生成一个随机数randb(j)，如果其大于CR_i，则将变异后第j个位置上的值赋给当前个体

对应位置的值；否则，则保留变异前第j个位置的值；

1609、令j＝j+1，若j>n+m-1，返回生成一个随机数P的步骤；否则，返回对当前个体的第j个位置进行交叉操作的步骤。

170、更新当前种群的全局最优解，并根据置迭代代数和每代迭代次数，判断迭代终止条件是否满足，若是则返回生成初始种群的步骤，否则输出当前的全局最优解。

进一步地，本实施例的方法，在步骤130之后，还可以包括如下步骤：

在每台机器上将所有的加工批次，按照完工时间的非增序进行排列；计算每台机器的制造时间跨度。

本实施例能针对基于以加工时间学习效应的平行批加工调度问题，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。

下面再通过一个具体的实施例对本发明的改进布谷鸟搜索的高端装备批处理机调度方法进行详细的说明。如图2所示，本实施例的改进布谷鸟搜索的高端装备批处理机调度方法包括如下步骤：

210、设置参数，并生成初始种群。

这里，参数包括工件数量n，机器数量m,生产加工工件的集合为J＝{J₁,J₂,…,J_n}，工件J_j的普通加工时间记为a_j，实际加工时间为p_j，学习因子b，机器的容量C，截断参数D。其中，加工机器为m台平行批处理机，该处理机的容量为C，工件在加工时可自由进行组批并在处理机上以平行批的形式加工，规定每个批中工件尺寸之和不能超过机器容量C。批的完工时间等于批中所有工件的最大完工时间，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。

另外，本步骤中的参数还包括设定混合布谷鸟搜索差分进化算法的执行参数，CS-JADE算法包括最大迭代次数It_num，种群规模Pop_num，算法每代迭代次数Run_num，步长最大最小值α_max和α_min，遗弃概率最大最小值p_max和p_min，算法初始解

全局最优解X_best＝X_s，当前迭代次数t＝1。

本步骤中，结合编码、解码方式，随机生成初始种群Pop，获得Pop_num个初始解，计算当前迭代次数t的遗弃概率

第i个个体对应的交叉概率CR_i，变异概率F_i。

220、生成当前迭代算法的参数P_a，CR_i，F_i。

在执行步骤230之前，本需要执行如下生成初始种群的步骤：

步骤1：依据编码规则先依次将n个工件分配至m台平行批处理机上：给定一个有n+m-1个随机小数的序列，对应于n个工件和m-1个flag。取其中最大的m-1个小数作为flag，{flag₀，flag₁，…，flag_m-1}。工件序列的第1个至第flag₀的工件放至第1台机器，第flag₀+1个工件至第flag₁个工件放至第2台机器，…，直到所有的工件分配到机器上。在每台机器上，工件按照其普通加工时间的非增序进行排列。

步骤2：在每台机器上，将前c个工件组成第一批，并从工件列表中删除，再将剩余列表中前c个工件组成一批，并从工件列表中删除，以此类推，直到工件列表中所有工件安排完毕，最后剩余的

个工件组成一批。其中n_i表示第i个机器上的工件个数，c表示机器同时能加工的工件个数，

表示不小于

的最小整数。

步骤3：在每台机器上将所有的批次按照批次完工时间的非增序进行排列，并计算其制造时间跨度。

步骤4：根据每台机器的每个加工批次需要加工的工件和种群规模，生成初始种群。

230、利用改进的莱维飞行跟新种群中的个体。

具体地，步骤230可以包括如下步骤：

步骤1：对当前种群的第i个体，根据当前迭代次数t，得到在当前迭代次数下第i个体第j个位置所对应的步长：

令i＝i+1，判断i≥Pop_num是否成立，若成立，执行步骤3；否则，执行步骤2。

步骤2：利用莱维飞行公式：

Lévy(λ)＝t^-λ,(1<λ≤3)

更新第i个体的第j个位置的值。其中，

为点乘号，λ为(1,3]之间的常数。令j＝j+1，判断j≥n+m-1是否成立，若成立，执行步骤1；否则，执行步骤240。

240、计算改进后个体的适应度值，保留适应度较好的个体。

本步骤计算改进前和改进后第i个体的适应度值。若适应度值较好，则保留改进后的适应度值，否则保留改进前的个体。

250、生成随机概率p，判断p<P_a，是否成立，如果成立，则保留当前个体，并执行步骤280，否则，遗弃当前个体，并执行步骤260。

260、运用JADE中的交叉变异操作跟新个体。

具体地，步骤260可以包括如下步骤：

步骤1：计算当前迭代次数t所对应的遗弃概率，具体如下：

步骤2：对于当前种群的个体i，运用下式生成一个随机数P，若

保留当前个体；否则，遗弃当前个体，转步骤3。

步骤3：求解当前种群每个个体的适应度值并排序。以概率p从当前种群较优的前100p％个个体中选取一个个体

步骤4：从种群中选择除去个体i的另外两个个体记为

和

步骤5：按照以下公式更新当前迭代次数的μ_F值：

μ_F＝(1-c)μ_F+c·L(S_F)

其中L(S_F)为Lehmer平均值，按照以下公式计算：

S_F为当前种群已经变异的个体数量。

步骤6：当前个体对应的F_i值按照如下公式进行计算：

其中I_1/3代表在当前种群中适应度值排序前1/3的个体。如果当前个体在前1/3个体中，则按照(0,1.2)之间的均匀分布得到F_i的值；否则，按照(μ_F,0.1)之间的正态分布求得F_i的值。

步骤7：按照以下公式更新当前迭代次数的μ_CR值：

μ_CR＝(1-c)μ_CR+c·mean(S_CR)

S_CR为当前种群已经交叉成功的个体数量，mean(S_CR)即为普通的求均值操作。

步骤8：根据步骤7得到的μ_CR值更新当前个体i的交叉概率CR_i

CR_i＝randn_i(μ_CR,0.1)

按照(μ_CR,0.1)之间的正态分布求得CR_i的值。

并运用下式对当前个体

的值进行更新，得到新的个体记作

步骤9：对当前个体的第j个位置进行交叉操作：生成一个随机数randb(j)，如果其大于CR_i，则将变异后第j个位置上的值赋给当前个体

对应位置的值；否则，则保留变异前第j个位置的值。令j＝j+1，若j>n+m-1，执行步骤2；否则，执行步骤9。

270、对当前种群适应度值大小进行排序，记录当前最优解。

280、判断终止条件是否满足，如果满足，输出当前的最优解，否则返回步骤220。

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，本实施例将需要优化的目标设定为最小化工件的制造时间跨度。

本实施例针对带有基于工件开始加工时间学习效应的平行机生产调度问题进行研究，这里工件在机器上以平行批的方式进行加工。本实施例通过混合布谷鸟搜索算法和差分进化算法，首先将需要处理的工件进行编码，将工件分配到各个平行机上，并根据分批策略把工件分配到相应的批中，即调度方案，并得出相应个体的适应度值。通过执行混合算法中的变异、交叉操作，对种群进行局部搜索，不断提高种群的质量。通过迭代以上步骤，在解空间内不断搜索，最终求得近似最优解。改进的布谷鸟搜索算法在收敛速度和搜索的解质量方面表现出了良好的性能。通过本实施的方法，解决了考虑学习效应的平行批平行机生产调度问题，提升企业在生产的管理水平，降低了企业的生产成本。本发明在差分进化算法中设计了基于迭代次数的多个自适应参数，并与问题特性相结合，使得求解的邻域解质量较高。

对应于上述实施例的改进布谷鸟搜索的高端装备批处理机调度方法，本发明实施例还提供了一种改进布谷鸟搜索的高端装备批处理机调度系统，如图3所示，所述系统包括:

获取模块，用于获取工件数量、机器数量；

设置模块，用于设置迭代代数、种群规模、每代迭代次数、全局最优解；

小数生成模块，用于根据工件数量和机器的数量，确定生成小数的数量，根据生成小数的数量生成对应个数的小数；根据机器的数量，确定需要获取的小数的数量，根据需要获取的小数的数量，从生成的小数中获取最大的对应个数的小数；

工件分配模块，用于根据获取的小数，为每台机器分配工件；

批次确定模块，用于根据第一预定数值将每台机器需要加工的工件进行分批，得到每台机器的每个加工批次需要加工的工件；

初始化模块，用于根据每台机器的每个加工批次需要加工的工件和种群规模，生成初始种群；

种群更新模块，用于利用布谷鸟算法中的莱维飞行操作，更新当前种群，计算改进后的个体适应度值，并与改进前的个体的适应度值进行比较，保留适应度值大的个体；

个体更新模块，用于利用随机概率和交叉变异操作，遗弃更新得到的种群中的个体；

最优输出模块，用于更新当前种群的全局最优解，并根据置迭代代数和每代迭代次数，判断迭代终止条件是否满足，若是则返回生成初始种群的步骤，否则输出当前的全局最优解。

进一步地，本实施例的系统还包括：

排序计算模块，用于在每台机器上将所有的加工批次，按照完工时间的非增序进行排列，并计算每台机器的制造时间跨度。

上述种群更新模块具体用于：

对当前种群的第i个体，根据当前迭代次数t，得到在当前迭代次数下第i个体第j个位置所对应的步长：

令i＝i+1，判断i≥Pop_num是否成立，若不成立，则利用莱维飞行公式，更新第i个体的第j个位置的值：

Lévy(λ)＝t^-λ,(1<λ≤3)

令j＝j+1，判断j≥n+m-1是否成立，若成立，执行返回计算第i个体第j个位置所对应的步长；否则，返回更新第i个体的第j个位置的值的步骤；

其中，

为点乘号，α_max表示步长最大值，α_min表示步长最小值。

上述个体更新模块具体用于：

利用如下公式计算当前迭代次数t所对应的遗弃概率：

对于当前种群的个体i，生成一个随机数P，若

保留当前个体；否则，遗弃当前个体；

求解当前种群每个个体的适应度值并排序，以概率p从当前种群较优的前100p％个个体中选取一个个体

从种群中选择除去个体i的另外两个个体记为

和

按照以下公式更新当前迭代次数的μ_F值：

μ_F＝(1-c)μ_F+c·L(S_F)

其中L(S_F)为Lehmer平均值，按照以下公式计算：

S_F为当前种群已经变异的个体数量；

当前个体对应的F_i值按照如下公式进行计算：

其中I_1/3代表在当前种群中适应度值排序前1/3的个体；如果当前个体在前1/3个体中，则按照(0,1.2)之间的均匀分布得到F_i的值；否则，按照(μ_F,0.1)之间的正态分布求得F_i的值；

按照以下公式更新当前迭代次数的μ_CR值：

μ_CR＝(1-c)μ_CR+c·mean(S_CR)

S_CR为当前种群已经交叉成功的个体数量，mean(S_CR)即为普通的求均值操作；

根据得到的μ_CR值更新当前个体i的交叉概率CR_i：

CR_i＝randn_i(μ_CR,0.1)

按照(μ_CR,0.1)之间的正态分布求得CR_i的值；

运用下式对当前个体

的值进行更新，得到新的个体记作

对当前个体的第j个位置进行交叉操作：生成一个随机数randb(j)，如果其大于CR_i，则将变异后第j个位置上的值赋给当前个体

对应位置的值；否则，则保留变异前第j个位置的值；

令j＝j+1，若j>n+m-1，返回生成一个随机数P的步骤；否则，返回对当前个体的第j个位置进行交叉操作的步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种改进布谷鸟搜索的高端装备批处理机调度方法，其特征在于，所述方法包括如下步骤:

获取工件数量、机器数量；

设置迭代代数、种群规模、每代迭代次数、全局最优解；

根据工件数量和机器的数量，确定生成小数的数量，并根据生成小数的数量生成对应个数的小数；

根据机器的数量，确定需要获取的小数的数量，并根据需要获取的小数的数量，从生成的小数中获取最大的对应个数的小数；

根据获取的小数，为每台机器分配工件；

根据第一预定数值将每台机器需要加工的工件进行分批，得到每台机器的每个加工批次需要加工的工件；

根据每台机器的每个加工批次需要加工的工件和种群规模，生成初始种群；

利用布谷鸟算法中的莱维飞行操作，更新当前种群，计算改进后的个体适应度值，并与改进前的个体的适应度值进行比较，保留适应度值大的个体；

利用随机概率和交叉变异操作，遗弃更新得到的种群中的个体；

更新当前种群的全局最优解，并根据置迭代代数和每代迭代次数，判断迭代终止条件是否满足，若是则返回生成初始种群的步骤，否则输出当前的全局最优解；

所述利用布谷鸟算法中的莱维飞行操作，更新当前种群，包括：

对当前种群的第i个体，根据当前迭代次数t，得到在当前迭代次数下第i个体第j个位置所对应的步长：

令i＝i+1，判断i≥Pop_num是否成立，若不成立，则利用莱维飞行公式，更新第i个体的第j个位置的值：

Lévy(λ)＝t^-λ，(1＜λ≤3)

令j＝j+1，判断j≥n+m-1是否成立，若成立，执行返回计算第i个体第j个位置所对应的步长；否则，返回更新第i个体的第j个位置的值的步骤；

其中，

为点乘号，α_max表示步长最大值，α_min表示步长最小值；

其中，It_num表示最大迭代次数；Pop_num表示种群规模。

2.根据权利要求1所述的方法，其特征在于，所述方法在确定每台机器的每个加工批次需要加工的工件之后，还包括如下步骤：

在每台机器上将所有的加工批次，按照完工时间的非增序进行排列；

计算每台机器的制造时间跨度。

3.根据权利要求1所述的方法，其特征在于，所述利用随机概率和交叉变异操作，遗弃更新得到的种群中的个体，包括：

利用如下公式计算当前迭代次数t所对应的遗弃概率：

对于当前种群的个体i，生成一个随机数P，若

保留当前个体；否则，遗弃当前个体；

求解当前种群每个个体的适应度值并排序，以概率p从当前种群较优的前100p％个个体中选取一个个体

从种群中选择除去个体i的另外两个个体记为

和

按照以下公式更新当前迭代次数的μ_F值：

μ_F＝(1-c)μ_F+c·L(S_F)

其中L(S_F)为Lehmer平均值，按照以下公式计算：

S_F为当前种群已经变异的个体数量；

当前个体对应的F_i值按照如下公式进行计算：

其中I_1/3代表在当前种群中适应度值排序前1/3的个体；如果当前个体在前1/3个体中，则按照(0，1.2)之间的均匀分布得到F_i的值；否则，按照(μ_F，0.1)之间的正态分布求得F_i的值；

按照以下公式更新当前迭代次数的μ_CR值：

μ_CR＝(1-c)μ_CR+c·mean(S_CR)

S_CR为当前种群已经交叉成功的个体数量，mean(S_CR)即为普通的求均值操作；

根据得到的μ_CR值更新当前个体i的交叉概率CR_i：

CR_i＝randn_i(μ_CR，0.1)

按照(μ_CR，0.1)之间的正态分布求得CR_i的值；

运用下式对当前个体

的值进行更新，得到新的个体记作

对当前个体的第j个位置进行交叉操作：生成一个随机数randb(j)，如果其大于CR_i，则将变异后第j个位置上的值赋给当前个体

对应位置的值；否则，则保留变异前第j个位置的值；

令j＝j+1，若j＞n+m-1，返回生成一个随机数P的步骤；否则，返回对当前个体的第j个位置进行交叉操作的步骤；

其中，It_num表示最大迭代次数；p_max和p_min分别表示遗弃概率最大和最小值。

4.一种改进布谷鸟搜索的高端装备批处理机调度系统，其特征在于，所述系统包括：

获取模块，用于获取工件数量、机器数量；

设置模块，用于设置迭代代数、种群规模、每代迭代次数、全局最优解；

小数生成模块，用于根据工件数量和机器的数量，确定生成小数的数量，根据生成小数的数量生成对应个数的小数；根据机器的数量，确定需要获取的小数的数量，根据需要获取的小数的数量，从生成的小数中获取最大的对应个数的小数；

工件分配模块，用于根据获取的小数，为每台机器分配工件；

批次确定模块，用于根据第一预定数值将每台机器需要加工的工件进行分批，得到每台机器的每个加工批次需要加工的工件；

初始化模块，用于根据每台机器的每个加工批次需要加工的工件和种群规模，生成初始种群；

种群更新模块，用于利用布谷鸟算法中的莱维飞行操作，更新当前种群，计算改进后的个体适应度值，并与改进前的个体的适应度值进行比较，保留适应度值大的个体；

个体更新模块，用于利用随机概率和交叉变异操作，遗弃更新得到的种群中的个体；

最优输出模块，用于更新当前种群的全局最优解，并根据置迭代代数和每代迭代次数，判断迭代终止条件是否满足，若是则返回生成初始种群的步骤，否则输出当前的全局最优解；

所述种群更新模块具体用于：

对当前种群的第i个体，根据当前迭代次数t，得到在当前迭代次数下第i个体第j个位置所对应的步长：

令i＝i+1，判断i≥Pop_num是否成立，若不成立，则利用莱维飞行公式，更新第i个体的第j个位置的值：

Lévy(λ)＝t^-λ，(1＜λ≤3)

令j＝j+1，判断j≥n+m-1是否成立，若成立，执行返回计算第i个体第j个位置所对应的步长；否则，返回更新第i个体的第j个位置的值的步骤；

其中，

为点乘号，α_max表示步长最大值，α_min表示步长最小值。

5.根据权利要求4所述的系统，其特征在于，所述系统还包括：

排序计算模块，用于在每台机器上将所有的加工批次，按照完工时间的非增序进行排列，并计算每台机器的制造时间跨度。

6.根据权利要求4所述的系统，其特征在于，所述个体更新模块具体用于：

利用如下公式计算当前迭代次数t所对应的遗弃概率：

对于当前种群的个体i，生成一个随机数P，若

保留当前个体；否则，遗弃当前个体；

求解当前种群每个个体的适应度值并排序，以概率p从当前种群较优的前100p％个个体中选取一个个体

从种群中选择除去个体i的另外两个个体记为

和

按照以下公式更新当前迭代次数的μ_F值：

μ_F＝(1-c)μ_F+c·L(S_F)

其中L(S_F)为Lehmer平均值，按照以下公式计算：

S_F为当前种群已经变异的个体数量；

当前个体对应的F_i值按照如下公式进行计算：

其中I_1/3代表在当前种群中适应度值排序前1/3的个体；如果当前个体在前1/3个体中，则按照(0，1.2)之间的均匀分布得到F_i的值；否则，按照(μ_F，0.1)之间的正态分布求得F_i的值；

按照以下公式更新当前迭代次数的μ_CR值：

μ_CR＝(1-c)μ_CR+c·mean(S_CR)

S_CR为当前种群已经交叉成功的个体数量，mean(S_CR)即为普通的求均值操作；

根据得到的μ_CR值更新当前个体i的交叉概率CR_i：

CR_i＝randn_i(μ_CR，0.1)

按照(μ_CR，0.1)之间的正态分布求得CR_i的值；

运用下式对当前个体

的值进行更新，得到新的个体记作

对当前个体的第j个位置进行交叉操作：生成一个随机数randb(j)，如果其大于CR_i，则将变异后第j个位置上的值赋给当前个体

对应位置的值；否则，则保留变异前第j个位置的值；

令j＝j+1，若j＞n+m-1，返回生成一个随机数P的步骤；否则，返回对当前个体的第j个位置进行交叉操作的步骤。

Images