CN109858816A - 一种采用蚁狮算法进行生产调度的方法 - Google Patents
一种采用蚁狮算法进行生产调度的方法 Download PDFInfo
- Publication number
- CN109858816A CN109858816A CN201910106801.9A CN201910106801A CN109858816A CN 109858816 A CN109858816 A CN 109858816A CN 201910106801 A CN201910106801 A CN 201910106801A CN 109858816 A CN109858816 A CN 109858816A
- Authority
- CN
- China
- Prior art keywords
- ant
- lion
- ant lion
- product
- production scheduling
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种采用蚁狮算法进行生产调度的方法,将车间每个产品的生产序列作为可行解。每一个蚂蚁代表一种可行解,轮盘赌决定的蚁狮代表局部最优解。经过多次迭代之后,选中的精英蚁狮代表全局最优解。主要步骤设定蚁狮算法参数;对生产调度问题进行建模;采用G&T算法产生初代蚂蚁,并将蚂蚁、蚁狮的位置储存在矩阵中;蚂蚁随机游走;轮盘赌决定蚂蚁被蚁狮捕获,选出精英蚁狮;当达到蚁狮迭代次数之后,输出精英蚁狮代表的全局最优解。本发明有着较高的搜索最优解的能力,参数调节方便。
Description
技术领域
本发明属于生产车间调度领域,具体是一种采用蚁狮算法进行车间生产调度的方法,用于车间作业的调度管理。
背景技术
生产调度问题是现代加工技术、生产制造产业中常见的一种问题。由于生产调度问题本身具有复杂性和不确定性,现代企业产品生产环节多,产线情况复杂且变化频繁,某些任务或作业在资源分配上的错误会影响到整个产线的运行,影响生产效率。可以将生产调度问题表现为:m个产品在n个机器上加工,每件产品有其自己的加工工艺要求,已知每件产品加工顺序和加工时间。安排每件产品在机器上的加工顺序,使其最优从而增加产线效率是当前企业迫切需要解决的问题。
自从二十世纪五十年代以来,研究人员就生产调度问题提出了大量的解决方案。一般有确定性最优化方法、基于离散事件动态系统的解析模型方法、退火算法。但是在实际生产调度中存在许多的不足,例如:确定性最优化方法计算存在复杂性;基于离散事件动态系统的解析模型方法,如果作业或者产品需求变动则须要调节模型结构,对于高级调度规则建模很困难;退火算法收敛消耗时间过长,很难应用于实际生产。
蚁狮算法(Ant Lion Optimizer)ALO澳大利亚作者Seyedali Mirjalili 2015年在其论文“The Ant Lion Optimizer”中首次提到,通过模仿蚁狮的捕食行为而提出。蚁狮算法包括蚂蚁、蚁狮和精英蚁狮。蚂蚁代表随机解,蚂蚁的游走,最终会落入哪一个蚁狮的陷阱通过轮盘赌策略选择,适应度越高的蚁狮有着更高捕获蚂蚁的机会。蚁狮代表着局部最优解。随着每次蚂蚁的随机游走,以蚂蚁和蚁狮的评价值来进行更新。在蚁狮更新之后选取适应度最好的蚁狮来作为精英蚁狮,精英蚁狮代表着全局最优解。通过多次迭代,则可以得到全局最优解。
发明内容
为了解决现代加工技术、生产制造产业中生产调度问题,本发明开拓性地提供一种采用蚁狮算法进行生产调度的方法,能明显提高生产调度效率。
本发明的方法所采用的技术方案是:一种采用蚁狮算法进行生产调度的方法,其特征在于,包括以下步骤:
步骤1:设定生产调度中利用的蚁狮算法参数,包括加工的产品数量、机器数量、产品约束条件、蚂蚁数量,蚁狮迭代次数;
步骤2:生成初始蚂蚁;
步骤3:所有蚂蚁的位置存储在矩阵Mant中,蚁狮的位置储存在矩阵Mantlion中
其中,n是蚂蚁的数量,d是变量的数量,A代表蚂蚁,AL代表蚁狮;
步骤4:蚂蚁在优化的每一步都随机行走来更新自己的位置;
步骤5:采用轮盘赌的方法来决定蚂蚁被哪只蚁狮捕获,适应度越高的蚁狮有着越强的捕食能力,当蚂蚁被捕获,蚁狮根据蚂蚁的位置更新自身新的位置;
步骤6:选出精英蚁狮;
每次迭代获得适应度最好的蚁狮被认为是精英蚁狮Xelite,它影响着迭代过程中所有蚂蚁的游走,随着迭代次数的增加,上界和下界减小,每个蚂蚁,轮盘赌蚁狮,精英蚁狮都视作一个可行解,这个可行解表示为一串加工序列,如果没有达到迭代次数则跳转回步骤3;
步骤7:当达到蚁狮迭代次数之后,算法结束,输出精英蚁狮代表的全局最优解,即加工序列。
本发明的有益效果是:本算法模仿蚁狮捕食蚂蚁的行为,具有搜索能力强。显示出很好的收敛性能和准确性,避免局部最优和鲁棒性。对解决生产车间调度问题具有很强的适应性。
附图说明
图1是本发明实施例的方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种采用蚁狮算法进行生产调度的方法,包括以下步骤:
步骤1:设定生产调度中利用的蚁狮算法参数,包括加工的产品数量、机器数量、产品约束条件、蚂蚁数量,蚁狮迭代次数;
步骤2:生成初始蚂蚁;
步骤2.1:采用Giffler&Tompson(G&T)算法随机生成一组随机初代蚂蚁(随机解),并将其中适应度最优的解设置为蚁狮(局部最优);
步骤2.2:可以将本生产调度问题描述为m个产品在n台机器上加工,产品i在机器j上的加工时间为oij(i=1,2,...,m;j=1,2,...,n),p(ji,k)表示产品ji在机器k上的加工完成时间,产品生产调度方案为(j1,j2,...,jm)。产品j1在第k-1台机器上的完成时间加上产品j1在第k台机器上的加工时间为:
产品j1在第1台机器上的加工时间为产品ji-1在第1台机器上的完工时间加上ji在第一台机器上的完工时间:
产品ji在第k台机器上的完工时间为产品ji-1在第k台机器上的完工时间与产品ji在第k-1台机器上的完工时间的较大者加上产品ji在第k台机器上的加工时间:
m个产品在n个机器均已完成花费的最大时间为:
pmax=p(jm,n);
最小化最大完成时间目标函数为:
min pmax=min p(jm,n);
步骤3:所有蚂蚁(jm)的位置存储在矩阵Mant中,蚁狮的位置储存在矩阵Mantlion中,n是蚂蚁的数量,d是变量的数量。
其中,n是蚂蚁的数量,d是变量的数量(A代表蚂蚁,AL代表蚁狮);
步骤4:蚂蚁在优化的每一步都随机行走来更新自己的位置。
随机行走的蚂蚁表示为(cumsum,tn),
xt=[0,cumsum(2r(t1)-1),cumsum(2r(t2)-1)],...,cumsum(2r(tn)-1)
其中,xt蚂蚁随机游走的位置,cumsum是累积和,tn是最大迭代次数;
为了保证蚂蚁在搜索空间内随机游走需要使用如下公式进行最大-最小标准化处理:
其中,ai是第i个变量的随机游走的最小值,di是第i个变量的随机游走的最大值,是第t次迭代时第i个变量的最小值,第t次迭代时第i个变量的最大值,ci是第i个变量的最小值,是第t次迭代时第i个变量的值。
步骤5:采用轮盘赌的方法来决定蚂蚁被哪只蚁狮捕获,蚁狮越强,狩猎蚂蚁的概率越高。当蚂蚁被捕获,蚁狮根据蚂蚁的位置更新自身新的位置:
其中t表示当前迭代,表示在第t次迭代时第j个蚁狮的位置,在第t次迭代时第i个蚂蚁的位置。
步骤6:每次迭代获得适应度最好的蚁狮被认为是精英蚁狮Xelite,它影响着迭代过程中所有蚂蚁的游走。需要同时考虑精英蚁狮Xelite和轮盘赌蚁狮Xrw和它们陷阱的大小(上下限)
其中是轮盘赌蚁狮Xrw或者蚁狮Xelite第d个变量,随着迭代次数的增加,上界和下界减小。每个蚂蚁,轮盘赌蚁狮,精英蚁狮都可以被视作一个可行解,这个可行解表示为一串加工序列。如果没有达到迭代次数则跳转回步骤3;
步骤7:当达到蚁狮迭代次数之后,算法结束。输出精英蚁狮代表的全局最优解(即加工序列)。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (4)
1.一种采用蚁狮算法进行生产调度的方法,其特征在于,包括以下步骤:
步骤1:设定生产调度中利用的蚁狮算法参数,包括加工的产品数量、机器数量、产品约束条件、蚂蚁数量,蚁狮迭代次数;
步骤2:生成初始蚂蚁;
步骤3:所有蚂蚁的位置存储在矩阵Mant中,蚁狮的位置储存在矩阵Mantlion中
其中,n是蚂蚁的数量,d是变量的数量,A代表蚂蚁,AL代表蚁狮;
步骤4:蚂蚁在优化的每一步都随机行走来更新自己的位置;
步骤5:采用轮盘赌的方法来决定蚂蚁被哪只蚁狮捕获,适应度越高的蚁狮有着越强的捕食能力,当蚂蚁被捕获,蚁狮根据蚂蚁的位置更新自身新的位置;
步骤6:选出精英蚁狮;
每次迭代获得适应度最好的蚁狮被认为是精英蚁狮Xelite,它影响着迭代过程中所有蚂蚁的游走,随着迭代次数的增加,上界和下界减小,每个蚂蚁,轮盘赌蚁狮,精英蚁狮都视作一个可行解,这个可行解表示为一串加工序列,如果没有达到迭代次数则跳转回步骤3;
步骤7:当达到蚁狮迭代次数之后,算法结束,输出精英蚁狮代表的全局最优解,即加工序列。
2.根据权利要求1所述的采用蚁狮算法进行生产调度的方法,其特征在于,步骤2的具体实现包括以下子步骤:
步骤2.1:随机生成一组随机初代蚂蚁,并将其中适应度最优的解设置为蚁狮;
步骤2.2:为生产调度问题进行建模;
将生产调度问题描述为m个产品在n台机器上加工,产品i在机器j上的加工时间为oij,其中i=1,2,…,m;j=1,2,…,n;p(ji,k)表示产品ji在机器k上的加工完成时间;(j1,j2,…,jm(为产品生产调度方案;p(j1,k(表示产品j1在第k-1台机器上的完成时间加上产品j1在第k台机器上的加工时间,其中i=2,...,m;k=2,...,n;p(ji,1)表示产品j1在第1台机器上的加工时间,其中i=2,...,m;p(j1,k)表示产品ji在第k台机器上的完工时间,其中i=2,...,m;k=2,...,n;m个产品在n个机器均已完成花费的最大时间为pmax,最小化最大完成时间为min pmax;
步骤2.3:所有蚂蚁的位置存储在矩阵Mant中,蚁狮的位置储存在矩阵Mantlion中
其中,n是蚂蚁的数量,d是变量的数量,A代表蚂蚁,AL代表蚁狮。
3.根据权利要求1所述的采用蚁狮算法进行生产调度的方法,其特征在于,步骤4的具体实现过程是:
随机行走的蚂蚁表示为,
xt=[0,cumsum(2r(t1)-1),cumsum(2r(t2)-1)],...,cumsum(2r(tn)-1)
其中,xt蚂蚁随机游走的位置,cumsum是累积和,tn是最大迭代次数;
为了保证蚂蚁在搜索空间内随机游走需要使用如下公式进行最大-最小标准化处理:
其中,ai是第i个变量的随机游走的最小值,di是第i个变量的随机游走的最大值,是第t次迭代时第i个变量的最小值,第t次迭代时第i个变量的最大值,ci是第i个变量的最小值,是第t次迭代时第i个变量的值。
4.根据权利要求1所述的采用蚁狮算法进行生产调度的方法,其特征在于,步骤5的具体实现过程是:
其中t表示当前迭代,表示在第t次迭代时第j个蚁狮的位置,在第t次迭代时第i个蚂蚁的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910106801.9A CN109858816A (zh) | 2019-02-02 | 2019-02-02 | 一种采用蚁狮算法进行生产调度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910106801.9A CN109858816A (zh) | 2019-02-02 | 2019-02-02 | 一种采用蚁狮算法进行生产调度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109858816A true CN109858816A (zh) | 2019-06-07 |
Family
ID=66897565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910106801.9A Pending CN109858816A (zh) | 2019-02-02 | 2019-02-02 | 一种采用蚁狮算法进行生产调度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858816A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027759A (zh) * | 2019-11-28 | 2020-04-17 | 湖北工业大学 | 一种基于蚁狮算法的城市交通应急调度方法 |
CN111752247A (zh) * | 2020-07-02 | 2020-10-09 | 昆明理工大学 | 一种用于高温合金切削加工生产的优化调度方法 |
CN112668864A (zh) * | 2020-12-24 | 2021-04-16 | 山东大学 | 一种基于狮群算法的车间生产排产方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274038A (zh) * | 2017-07-31 | 2017-10-20 | 上海电力学院 | 一种基于蚁狮优化的lssvm年用电量预测方法 |
CN109062664A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 基于蚁狮优化算法的云计算任务调度方法 |
-
2019
- 2019-02-02 CN CN201910106801.9A patent/CN109858816A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274038A (zh) * | 2017-07-31 | 2017-10-20 | 上海电力学院 | 一种基于蚁狮优化的lssvm年用电量预测方法 |
CN109062664A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 基于蚁狮优化算法的云计算任务调度方法 |
Non-Patent Citations (5)
Title |
---|
MILICA PETROVIĆ ET AL.: "《The Ant Lion Optimization Algorithm for Integrated Process Planning and Scheduling》", 《APPLIED MECHANICS AND MATERIALS SUBMITTED》, pages 188 - 191 * |
MILICA PETROVIĆ ET AL.: "《The Ant Lion Optimization Algorithm for Integrated Process Planning and Scheduling》", 《APPLIED MECHANICS AND MATERIALS》, 19 April 2016 (2016-04-19), pages 188 - 191 * |
吴伟民;张晶晶;林志毅;苏庆;: "双重反馈机制的蚁狮算法", 计算机工程与应用, no. 12, pages 37 * |
张振兴等: "自适应Tent混沌搜索的蚁狮优化算法", 《哈尔滨工业大学学报》, no. 05, 25 April 2018 (2018-04-25), pages 158 - 165 * |
陈艺璇等: "基于纳什均衡迁移学习的碳能复合流自律优化", 《控制理论与应用》, no. 05, 15 May 2018 (2018-05-15), pages 95 - 108 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027759A (zh) * | 2019-11-28 | 2020-04-17 | 湖北工业大学 | 一种基于蚁狮算法的城市交通应急调度方法 |
CN111752247A (zh) * | 2020-07-02 | 2020-10-09 | 昆明理工大学 | 一种用于高温合金切削加工生产的优化调度方法 |
CN111752247B (zh) * | 2020-07-02 | 2021-05-14 | 昆明理工大学 | 一种用于高温合金切削加工生产的优化调度方法 |
CN112668864A (zh) * | 2020-12-24 | 2021-04-16 | 山东大学 | 一种基于狮群算法的车间生产排产方法及系统 |
CN112668864B (zh) * | 2020-12-24 | 2022-06-07 | 山东大学 | 一种基于狮群算法的车间生产排产方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858816A (zh) | 一种采用蚁狮算法进行生产调度的方法 | |
CN108960483A (zh) | 卫星调度方法、处理系统以及软件程序产品 | |
Mishra et al. | Assembly sequence optimization using a flower pollination algorithm-based approach | |
Pedlar et al. | The implementation of assisted migrationin Canadian forests | |
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 | |
CN107239335A (zh) | 分布式系统的作业调度系统及方法 | |
CN110751358A (zh) | 一种机场地面服务人员的排班方法、电子设备及存储介质 | |
CN110363323A (zh) | 一种周期性客户拜访路线的智能规划方法、系统及设备 | |
CN110515845B (zh) | 基于改进ipo策略的组合测试用例优化生成方法 | |
CN104463355A (zh) | 一种基于测试模型的小卫星测试规划系统 | |
CN113496313A (zh) | 一种总装车间物料需求预测方法 | |
CN112785054A (zh) | 一种基于库存推移的多制约因素综合型生产订单排程系统 | |
Parwita et al. | Optimization of COCOMO II coefficients using Cuckoo optimization algorithm to improve the accuracy of effort estimation | |
Raimondo et al. | Interspecific synchrony among foliage‐feeding forest Lepidoptera species and the potential role of generalist predators as synchronizing agents | |
CN110191015A (zh) | 基于cpi指标的云服务性能智能预测方法和装置 | |
Weisberg et al. | Model-based assessment of aspen responses to elk herbivory in Rocky Mountain National Park, USA | |
Ames et al. | Calibration of simulation platforms including highly interweaved processes: the MAELIA multi-agent platform | |
Moriguchi et al. | Identification of effective implementations of simulated annealing for optimizing thinning schedules for single forest stands | |
CN102024213A (zh) | 任务制定方法和装置 | |
CN110263173A (zh) | 一种快速提升文本分类性能的机器学习方法和装置 | |
CN114282645B (zh) | 一种基于dqn的时空众包任务分配方法 | |
CN113985739B (zh) | 一种基于改进智能水滴算法的装配序列优化方法 | |
Effendi et al. | Implementation of bat algorithm for cocomo ii optimization | |
Sharma et al. | Desert sparrow optimisation algorithm for permutation flowshop scheduling problems | |
Uher et al. | Forecasting electricity consumption in Czech Republic |
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 |