CN109858816A - 一种采用蚁狮算法进行生产调度的方法 - Google Patents

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

一种采用蚁狮算法进行生产调度的方法

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M_ant中，蚁狮的位置储存在矩阵M_antlion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X_elite，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o_ij(i＝1，2，...，m；j＝1，2，...，n)，p(j_i，k)表示产品j_i在机器k上的加工完成时间，产品生产调度方案为(j₁，j₂，...，j_m)。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j_i-1在第1台机器上的完工时间加上j_i在第一台机器上的完工时间：

产品j_i在第k台机器上的完工时间为产品j_i-1在第k台机器上的完工时间与产品j_i在第k-1台机器上的完工时间的较大者加上产品j_i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：

p_max＝p(j_m，n)；

最小化最大完成时间目标函数为：

min p_max＝min p(j_m，n)；

步骤3：所有蚂蚁(j_m)的位置存储在矩阵M_ant中，蚁狮的位置储存在矩阵M_antlion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，t_n)，

x_t＝[0，cumsum(2r(t₁)-1)，cumsum(2r(t₂)-1)]，...，cumsum(2r(t_n)-1)

其中，x_t蚂蚁随机游走的位置，cumsum是累积和，t_n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，a_i是第i个变量的随机游走的最小值，d_i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，c_i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X_elite，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X_elite和轮盘赌蚁狮X_rw和它们陷阱的大小(上下限)

其中是轮盘赌蚁狮X_rw或者蚁狮X_elite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M_ant中，蚁狮的位置储存在矩阵M_antlion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X_elite，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o_ij，其中i＝1,2,…,m；j＝1,2,…,n；p(j_i,k）表示产品j_i在机器k上的加工完成时间；(j₁,j₂,…,j_m(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(j_i，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j_i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p_max，最小化最大完成时间为min p_max；

步骤2.3：所有蚂蚁的位置存储在矩阵M_ant中，蚁狮的位置储存在矩阵M_antlion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，

x_t＝[0，cumsum(2r(t₁)-1)，cumsum(2r(t₂)-1)]，...，cumsum(2r(t_n)-1)

其中，x_t蚂蚁随机游走的位置，cumsum是累积和，t_n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，a_i是第i个变量的随机游走的最小值，d_i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，c_i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。