CN110490372A - 一种求解大规模车间作业调度问题的混合分布式进化方法 - Google Patents

一种求解大规模车间作业调度问题的混合分布式进化方法 Download PDF

Info

Publication number
CN110490372A
CN110490372A CN201910683442.3A CN201910683442A CN110490372A CN 110490372 A CN110490372 A CN 110490372A CN 201910683442 A CN201910683442 A CN 201910683442A CN 110490372 A CN110490372 A CN 110490372A
Authority
CN
China
Prior art keywords
individual
population
bayesian network
sub
indicate
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
Application number
CN201910683442.3A
Other languages
English (en)
Other versions
CN110490372B (zh
Inventor
李小霞
杨洁
朱荣银
李悦川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN201910683442.3A priority Critical patent/CN110490372B/zh
Publication of CN110490372A publication Critical patent/CN110490372A/zh
Application granted granted Critical
Publication of CN110490372B publication Critical patent/CN110490372B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种求解大规模车间作业调度问题的混合分布式进化方法，该方法采用两层结构：L1基于种群的分布式进化层：采用排序划分方法，将调度方案作为个体组成种群，将种群划分为多个子种群，各子种群采用相同或不同的进化算法分别进化，进化过程中采用间隔性信息交换的方法，实现子种群之间的进化协作；L2基于维度的分布式进化层：生成贝叶斯网络用于表示调度方案中各维度变量间的关系，根据得到的贝叶斯网络对维度变量进行分组，从而将大规模优化问题划分为多个中小规模子问题分别进化，进化过程中每个子问题中个体的适应度评价，通过选取参考向量的方法实现。本发明能实现大规模车间作业调度问题的混合分布式进化，输出得到最优调度方案。

Description

一种求解大规模车间作业调度问题的混合分布式进化方法
技术领域
本发明涉及智能制造领域，尤其涉及一种求解大规模车间作业调度问题的混合分布式进化方法。
背景技术
如何在最短的时间内为大规模车间作业调度问题找出最优解，是智能制造领域亟待解决的关键问题之一。目前，对于大规模优化问题的研究聚焦于协同进化算法，而且已经形成了以已定或随机个数进行维度划分的较成熟的协同进化算法架构，此种算法架构采用“分治”的思想，将问题划分为多个子问题进行进化，从而有效地提升算法的搜索能力，能够很好地求解完全可分割的大规模优化问题。然而，大规模车间作业调度问题是一种实际生产中的大规模优化问题，其涉及的维度变量间存在较复杂的耦合关系，属于部分可分割的大规模优化问题。对于部分可分割的大规模优化问题，已有的协同进化算法架构忽略了变量间的耦合关系，在维度划分上呈现出很大的盲目性，从而大大限制了进化过程，很难获得好的进化效果。作为另一种分布式进化算法架构，种群分布式进化架构将待进化种群划分为多个子种群，分别寻优，并交互协同，从而避免单个种群向同一方向进化产生的局部最优问题，提高进化算法的寻优效果。故而，在求解大规模车间作业调度问题时，应从两个方面考虑：(1)学习维度变量间的耦合关系，基于变量间的耦合关系，实现维度划分(即降维)；(2)划分种群，实现多个子种群的协同进化，以提高进化效果。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种求解大规模车间作业调度问题的混合分布式进化方法，采用排序划分方法实现初始调度方案种群划分，得到多个子种群，采用贝叶斯网络学习大规模优化问题中变量间的关系，对每个子种群实现维度变量分组，构建出融合种群分布和维度分布的双层混合进化方法用于求解大规模优化问题。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种求解大规模车间作业调度问题的混合分布式进化方法，对车间的若干个调度方案，采用混合分布式进化方法进行调度方案的选择，每个调度方案均包括多个工序，该方法采用两层结构，输出最优调度方案，该方法包括以下步骤：
L1基于种群的分布式进化层：采用排序划分方法，将调度方案作为个体组成种群，将种群划分为多个子种群，各子种群采用相同或不同的进化算法分别进化，进化过程中采用间隔性信息交换的方法，实现子种群之间的进化协作；
L2基于维度的分布式进化层：生成贝叶斯网络用于表示调度方案中各维度变量间的关系，根据得到的贝叶斯网络对维度变量进行分组，从而将大规模优化问题划分为多个中小规模子问题分别进化，进化过程中每个子问题中个体的适应度评价，通过选取参考向量的方法实现；
通过将若干个调度方案作为待进化种群，分别从横向和纵向上进行基于种群和基于维度的划分，从而实现混合分布式进化，输出最优调度方案，将最优调度方案交由车间执行。
进一步地，本发明的该方法中采用的排序划分方法为：
步骤1.1、初始化若干调度方案组成待进化种群，将待进化种群中个体按适应度大小进行升序排列；
步骤1.2、设置子种群数量为n，并对子种群进行编号为(1,2,3,...,n)；
步骤1.3、按照如下公式，建立个体与子种群的对应关系；
个体分配的子种群编号＝个体适应度次序％子种群数量
步骤1.4、根据步骤1.3所得的个体与子种群的对应关系，将个体划分至对应子种群中。
进一步地，本发明的该方法中采用的间隔性信息交换方法为：
步骤2.1、初始化信息交换间隔代数Tc、迭代计数Count和总迭代次数Iter；
步骤2.2、各子种群使用相应的进化算法分别实现Tc代进化，更新迭代计数Count；
步骤2.3、通过比较各子种群中个体的适应度，为各子种群选择出相应的最优个体和最差个体，并将选出的最优个体存储于所有子种群均可访问的公共存储空间中；
步骤2.4、为每个子种群，从公共存储空间随机取出一个来自其他子种群的最优个体，并用取出的最优个体替换子种群中的最差个体；
步骤2.5、判断迭代计数值Count是否达到总迭代次数Iter，若是，则结束，否则，转向步骤2.2。
进一步地，本发明的该方法中生成贝叶斯网络的方法为：
步骤3.1、随机生成NB，NB>1，个N×N的矩阵BN；
其中，N表示待优化调度问题的总工序数，bij∈{0,1}表示问题中工序Oi和工序Oj在贝叶斯网络中是否相关，若bij＝1，则在贝叶斯网络中与工序Oi和工序Oj对应的结点间存在有向边Nodei→Nodej；若bij＝0，则表示在贝叶斯网络中与工序Oi和工序Oj对应的结点间无有向边；
步骤3.2、采用有向无环图调整方法，对生成的NB个矩阵BN进行调整，得到相应的NB个新矩阵BN’，使每个BN’均能映射为一个有向无环图，从而由调整所得的NB个BN’组成初始贝叶斯网络种群；
步骤3.3、采用基于评分的进化算法优化步骤3.2所得的初始贝叶斯网络种群，得到最优贝叶斯网络，用于表示维度变量间的关系。
进一步地，本发明的步骤3.2中的有向无环图调整方法为：
步骤3.2.1、根据矩阵BN中各元素bij的取值，构建有向图Graph；
步骤3.2.2、将矩阵BN对角线上的元素设为0，并删除有向图Graph中的边Nodei→Nodej；
步骤3.2.3、初始化工序计数i＝1，待优化调度问题的总工序数记为N；
步骤3.2.4、对工序Oi，在有向图Graph中遍历工序Oi子孙结点，若其子孙结点中包含其本身，则删除子孙结点中指向工序Oi的结点与工序Oi连接的边，同时将矩阵BN中相应元素设置为0；
步骤3.2.5、更新工序计数i＝i+1，若i≤N，则转向步骤3.2.4，否则，结束。
进一步地，本发明的步骤3.3中基于评分的进化算法为：
步骤3.3.1、随机生成若干个调度方案个体，选出其中的优秀个体组成初始调度方案种群；
步骤3.3.2、初始化迭代次数T、迭代计数t、变异概率p；
步骤3.3.3、以初始调度方案种群为数据集，使用贝叶斯网络评分公式计算当前贝叶斯网络种群中的每个个体的评分，作为相应贝叶斯网络个体的适应度值；
步骤3.3.4、使用锦标赛机制从当前贝叶斯网络种群中，选取n个贝叶斯网络个体，n≥2；
步骤3.3.5、将选取的贝叶斯网络个体两两交叉，生成新的贝叶斯网络个体；其方法为：
随机生成行号i1、i2，列号j1、j2，交换位置，使i1<i2；
将两个贝叶斯网络个体从第i1行第j1列元素开始至第i2行第j2元素，进行交换产生新的贝叶斯网络个体；
步骤3.3.6、为当前贝叶斯网络种群中的每个个体生成相应的随机数r，若r>p，则对相应的贝叶斯网络个体执行变异操作；其方法为：
随机生成行号i1、i2，列号j1、j2，交换位置，使i1<i2；
对贝叶斯网络个体中从第i1行第j1列至第i2行第j2的相应元素值进行判断，若元素值为0，则变异为1；若元素值为1则变异为0；
步骤3.3.7、对当前贝叶斯网络种群中的所有个体，使用权利要求4所述的有向无环图调整方法进行调整；
步骤3.3.8、更新迭代计数t＝t+1，若当前t≤T，则转向步骤3.3.3，否则，输出当前贝叶斯网络种群中最优的贝叶斯网络个体。
进一步地，本发明的步骤3.3.3中的贝叶斯网络评分公式如下：
BIC(G|D)＝BICL(G|D)+BICM(G|D)
其中，BICL(G|D)表示贝叶斯网络在工序加工位置关系上的评分，BICM(G|D)表示贝叶斯网络在工序机器关系上的评分，G代表需要评分的贝叶斯网络，D代表生成的优解方案初始种群，n代表优化调度问题中工序总数,m代表优解方案初始种群大小，Oi表示第i个工序，j表示工序Oi在图中的父节点集取第j个状态,k表示工序Oi取第k个状态,qi表示工序Oi在图中的父节点集的可取状态数，L代表表示工序Oi的可取状态数，BICL(G|D)计算公式中代表工序Oi取位置状态k时其父节点集取位置状态j的样本量,表示工序Oi父节点集取位置状态j的样本量；BICM(G|D)计算公式中代表工序Oi取位置状态k时其父节点集取位置状态j的样本量,表示工序Oi父节点集取位置状态j的样本量。
进一步地，本发明的该方法中的贝叶斯网络个体两两交叉的方法为：
步骤4.1、根据如下互信息计算公式，计算贝叶斯网络中相连变量间的互信息；
I(OA；OB)＝IL(OA；OB)+IM(OA；OB)
其中，OA，OB表示两个不同的工序,IL(OA；OB)表示两工序之间的位置互信息，IM(OA；OB)表示两工序之间的机器互信息；p(lA＝i,lB＝j)表示工序OA选择位置i同时工序OB选择位置j的概率，p(lA＝i)表示工序OA选择位置i的概率，p(lB＝j)表示工序OB选择位置j的概率；L表示工序的可选位置总数；p(mA＝i,mB＝j)表示工序OA选择机器i同时工序OB选择机器j的概率，p(mA＝i)表示工序OA选择机器i的概率，p(mB＝j)表示工序OB选择机器j的概率；MA表示工序OA的可选机器总数，MB表示工序OB的可选机器总数；
步骤4.2、计算所有互信息的标准差和平均值；
步骤4.3、按互信息>平均值+2*标准差，平均值+2*标准差>互信息>平均值+标准差，平均值+标准差>互信息>平均值，平均值>互信息>平均值-标准差，平均值-标准差>互信息>平均值-2*标准差，互信息<平均值-2*标准差进行分层，按次序分别记为第1层，第2层...，第6层，将与互信息对应的工序，按其互信息所在分层分别进行存储；
步骤4.4、设置所有工序为未分组工序，设置已分组工序数为0，分组数为0；
步骤4.5、从第1层出发，依次读取当前分层中存储的工序对；若工序对中两个工序均未被分组，则创建新的分组将两个工序加入，同时将工序标为已分组工序，已分组工序数加2，分组数加1，该分组中工序数加2；若一个工序已被分至某组，则另一工序也分至改组，已分组工序数加1，该分组中工序数加1；若两个工序均被分组，则忽略该工序；
步骤4.6、逐层学习直到所有工序均被分组；
步骤4.7、输出分组结果，包括：分组组数、各分组中工序数和各分组中包含的工序。
进一步地，本发明的该方法中参考向量选取方法为：
步骤5.1、根据待优化大规模车间作业调度问题，计算种群中各个体的适应度，选择最优个体作为初始参考向量，存储于公共存储空间中；
步骤5.2、各子问题对应的种群每进化一代，判断新生成个体的适应度是否优于上一代的最优个体，若是，则替换上一代的最优个体，作为下一代的参考向量，并将其存储于公共存储空间；否则，按照概率公式，判断是否接受较差的新个体替换上一轮的最优个体，作为下一代的参考向量，就选出新的最优个体比较各子问题最佳个体适应度；若不接受较差的新个体，则访问公共存储空间，随机选取一个优质个体替代上一代的最优个体，作为下一代的参考向量。
进一步地，本发明的步骤5.2中的概率公式为：
其中，T为常量，根据实际大规模车间作业调度优化问题进行指定，random为随机数，Hbfit为上一代参考向量的适应度，Nbest为新生成个体的适应度。
本发明产生的有益效果是：
1.种群分布式进化算法架构通过对待进化调度方案种群横向分割，支持多个进化算法同时对子种群进行优化。维度分布式算法架构通过对待进化调度方案种群纵向分割，增强对子问题的搜索力度。二者均能在一定程度上避免算法陷入局部最优，提升算法的寻优能力，将两个框架进行混合得到混合分布式进化方法，能进一步提升算法优化效果。
2.本发明通过种群分布式进化算法架构对待进化调度方案种群进行基于种群划分，将待进化种群划分为多个子种群，通过种群分布式进化算法架构对待进化调度方案子种群进行基于维度的划分，将其进一步划分为子问题种群。多个子问题种群之间分布进化，极大提升算法在种群上的寻优速度。
3.采用贝叶斯网络结构学习工序间关系对工序进行分组，充分考虑大规模车间作业调度问题中变量间的耦合关系，有效减少分组造成的信息丢失，提升优化效果。同时采用Metropolis准则对参考向量进行更新，避免算法陷入局部最优。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1为本发明一种求解大规模车间作业调度问题的混合分布式进化方法示意图；
图2为本发明基于贝叶斯网络的分组方法；
图3为柔性车间调度标准测试集MK01。
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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，L1层基于种群的分布式进化层采用排序划分方法，将待进化种群划分为多个子种群，各子种群采用相同或不同的进化算法分别进化，进化过程中采用间隔性信息交换的方法，实现子种群之间的进化协作。L1层包含以下具体实施步骤：
其中，L1中排序划分方法的具体实施步骤如下：
步骤1.1、初始化若干调度方案组成待进化种群，将待进化种群中个体按适应度大小进行升序排列；
步骤1.2、设置子种群数量为n，并对子种群进行编号为(1,2,3,...,n)；
步骤1.3、按照如下公式，建立个体与子种群的对应关系；
个体分配的子种群编号＝个体适应度次序％子种群数量
步骤1.4、根据步骤1.3所得的个体与子种群的对应关系，将个体划分至对应子种群中。
L1中采用的间隔性信息交换的具体实施步骤如下：：
步骤2.1、初始化信息交换间隔代数Tc＝20、迭代计数Count＝0和总迭代次数Iter＝1000；
步骤2.2、各子种群使用相应的进化算法分别实现20代进化，更新迭代计数Count；
步骤2.3、通过比较各子种群中个体的适应度，为各子种群选择出相应的最优个体和最差个体，并将选出的最优个体存储于所有子种群均可访问的公共存储空间中；
步骤2.4、为每个子种群，从公共存储空间随机取出一个来自其他子种群的最优个体，并用取出的最优个体替换子种群中的最差个体；
步骤2.5、判断迭代计数值Count是否达到总迭代次数Iter，若是，则结束，否则，转向步骤2.2。
子种群使用图1所示L2层所述维度分布式协同进化架构进行更新，首先如图2所示生成贝叶斯网络用于表示维度变量间的关系，根据得到的贝叶斯网络对维度变量进行分组，根据分组结果将大规模优化问题划分为多个中小规模子问题分别进化，进化过程中每个子问题中个体的适应度评价，通过选取参考向量的方法实现。具体方法如下：
L2中生成贝叶斯网络的具体实施步骤如下：：
步骤3.1、随机生成NB(NB＝100)个55×55的矩阵BN；
其中，N表示待优化调度问题的总工序数，bij∈{0,1}表示问题中工序Oi和工序Oj在贝叶斯网络中是否相关，若bij＝1，则在贝叶斯网络中与工序Oi和工序Oj对应的结点间存在有向边Nodei→Nodej；若bij＝0，则表示在贝叶斯网络中与工序Oi和工序Oj对应的结点间无有向边；
步骤3.2、采用有向无环图调整方法，对生成的100个矩阵BN进行调整，得到相应的100个新矩阵BN’，使每个BN’均能映射为一个有向无环图，从而由调整所得的100个BN’组成初始贝叶斯网络种群；
步骤3.3、采用基于评分的进化算法优化步骤3.2所得的初始贝叶斯网络种群，得到最优贝叶斯网络，用于表示维度变量间的关系。
步骤3.2中的有向无环图调整方法为：
步骤3.2.1、根据矩阵BN中各元素bij的取值，构建有向图Graph；
步骤3.2.2、将矩阵BN对角线上的元素设为0，并删除有向图Graph中的边Nodei→Nodej；
步骤3.2.3、初始化工序计数i＝1，待优化调度问题的总工序数记为N＝55；
步骤3.2.4、对工序Oi，在有向图Graph中遍历工序Oi子孙结点，若其子孙结点中包含其本身，则删除子孙结点中指向工序Oi的结点与工序Oi连接的边，同时将矩阵BN中相应元素设置为0；
步骤3.2.5、更新工序计数i＝i+1，若i≤N，则转向步骤3.2.4，否则，结束。
步骤3.3中基于评分的进化算法为：
步骤3.3.1、随机生成若干个调度方案个体，选出其中的优秀个体组成初始调度方案种群；
步骤3.3.2、初始化迭代次数T＝1000、迭代计数t＝0、变异概率p＝0.3；
步骤3.3.3、以初始调度方案种群为数据集，使用贝叶斯网络评分公式计算当前贝叶斯网络种群中的每个个体的评分，作为相应贝叶斯网络个体的适应度值；
步骤3.3.4、使用锦标赛机制从当前贝叶斯网络种群中，选取2个贝叶斯网络个体，n≥2；
步骤3.3.5、将选取的贝叶斯网络个体两两交叉，生成新的贝叶斯网络个体；其方法为：
随机生成行号i1、i2，列号j1、j2，交换位置，使i1<i2；
将两个贝叶斯网络个体从第i1行第j1列元素开始至第i2行第j2元素，进行交换产生新的贝叶斯网络个体；
步骤3.3.6、为当前贝叶斯网络种群中的每个个体生成相应的随机数r，若r>p，则对相应的贝叶斯网络个体执行变异操作；其方法为：
随机生成行号i1、i2，列号j1、j2，交换位置，使i1<i2；
对贝叶斯网络个体中从第i1行第j1列至第i2行第j2的相应元素值进行判断，若元素值为0，则变异为1；若元素值为1则变异为0；
步骤3.3.7、对当前贝叶斯网络种群中的所有个体，使用权利要求4所述的有向无环图调整方法进行调整；
步骤3.3.8、更新迭代计数t＝t+1，若当前t≤T，则转向步骤3.3.3，否则，输出当前贝叶斯网络种群中最优的贝叶斯网络个体。
步骤3.3.3中的贝叶斯网络评分公式如下：
BIC(G|D)＝BICL(G|D)+BICM(G|D)
其中，BICL(G|D)表示贝叶斯网络在工序加工位置关系上的评分，BICM(G|D)表示贝叶斯网络在工序机器关系上的评分，G代表需要评分的贝叶斯网络，D代表生成的优解方案初始种群，n代表优化调度问题中工序总数,m代表优解方案初始种群大小，Oi表示第i个工序，j表示工序Oi在图中的父节点集取第j个状态,k表示工序Oi取第k个状态,qi表示工序Oi在图中的父节点集的可取状态数，L代表表示工序Oi的可取状态数，BICL(G|D)计算公式中代表工序Oi取位置状态k时其父节点集取位置状态j的样本量,表示工序Oi父节点集取位置状态j的样本量；BICM(G|D)计算公式中代表工序Oi取位置状态k时其父节点集取位置状态j的样本量,表示工序Oi父节点集取位置状态j的样本量。
L2中的贝叶斯网络个体两两交叉的具体实施步骤如下：
步骤4.1、根据如下互信息计算公式，计算贝叶斯网络中相连变量间的互信息；
I(OA；OB)＝IL(OA；OB)+IM(OA；OB)
其中，OA，OB表示两个不同的工序,IL(OA；OB)表示两工序之间的位置互信息，IM(OA；OB)表示两工序之间的机器互信息；p(lA＝i,lB＝j)表示工序OA选择位置i同时工序OB选择位置j的概率，p(lA＝i)表示工序OA选择位置i的概率，p(lB＝j)表示工序OB选择位置j的概率；L表示工序的可选位置总数；p(mA＝i,mB＝j)表示工序OA选择机器i同时工序OB选择机器j的概率，p(mA＝i)表示工序OA选择机器i的概率，p(mB＝j)表示工序OB选择机器j的概率；MA表示工序OA的可选机器总数，MB表示工序OB的可选机器总数；
步骤4.2、计算所有互信息的标准差和平均值；
步骤4.3、按互信息>平均值+2*标准差，平均值+2*标准差>互信息>平均值+标准差，平均值+标准差>互信息>平均值，平均值>互信息>平均值-标准差，平均值-标准差>互信息>平均值-2*标准差，互信息<平均值-2*标准差进行分层，按次序分别记为第1层，第2层...，第6层，将与互信息对应的工序，按其互信息所在分层分别进行存储；
步骤4.4、设置所有工序为未分组工序，设置已分组工序数为0，分组数为0；
步骤4.5、从第1层出发，依次读取当前分层中存储的工序对；若工序对中两个工序均未被分组，则创建新的分组将两个工序加入，同时将工序标为已分组工序，已分组工序数加2，分组数加1，该分组中工序数加2；若一个工序已被分至某组，则另一工序也分至改组，已分组工序数加1，该分组中工序数加1；若两个工序均被分组，则忽略该工序；
步骤4.6、逐层学习直到所有工序均被分组；
步骤4.7、输出分组结果，包括：分组组数、各分组中工序数和各分组中包含的工序。
L2中参考向量选取方法的具体实施步骤如下：
步骤5.1、根据待优化大规模车间作业调度问题，计算种群中各个体的适应度，选择最优个体作为初始参考向量，存储于公共存储空间中；
步骤5.2、各子问题对应的种群每进化一代，判断新生成个体的适应度是否优于上一代的最优个体，若是，则替换上一代的最优个体，作为下一代的参考向量，并将其存储于公共存储空间；否则，按照概率公式，判断是否接受较差的新个体替换上一轮的最优个体，作为下一代的参考向量，就选出新的最优个体比较各子问题最佳个体适应度；若不接受较差的新个体，则访问公共存储空间，随机选取一个优质个体替代上一代的最优个体，作为下一代的参考向量。
步骤5.2中的概率公式为：
其中，T由经验值设置为100，random为随机数，Hbfit为上一代参考向量的适应度，Nbest为新生成个体的适应度。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，对车间的若干个调度方案，采用混合分布式进化方法进行调度方案的选择，每个调度方案均包括多个工序，该方法采用两层结构，输出最优调度方案，该方法包括以下步骤：
L1基于种群的分布式进化层：采用排序划分方法，将调度方案作为个体组成种群，将种群划分为多个子种群，各子种群采用相同或不同的进化算法分别进化，进化过程中采用间隔性信息交换的方法，实现子种群之间的进化协作；
L2基于维度的分布式进化层：生成贝叶斯网络用于表示调度方案中各维度变量间的关系，根据得到的贝叶斯网络对维度变量进行分组，从而将大规模优化问题划分为多个中小规模子问题分别进化，进化过程中每个子问题中个体的适应度评价，通过选取参考向量的方法实现；
通过将若干个调度方案作为待进化种群，分别从横向和纵向上进行基于种群和基于维度的划分，从而实现混合分布式进化，输出最优调度方案，将最优调度方案交由车间执行。
2.根据权利要求1所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，该方法中采用的排序划分方法为：
步骤1.1、初始化若干调度方案组成待进化种群，将待进化种群中个体按适应度大小进行升序排列；
步骤1.2、设置子种群数量为n，并对子种群进行编号为(1,2,3,...,n)；
步骤1.3、按照如下公式，建立个体与子种群的对应关系；
个体分配的子种群编号＝个体适应度次序％子种群数量
步骤1.4、根据步骤1.3所得的个体与子种群的对应关系，将个体划分至对应子种群中。
3.根据权利要求2所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，该方法中采用的间隔性信息交换方法为：
步骤2.1、初始化信息交换间隔代数Tc、迭代计数Count和总迭代次数Iter；
步骤2.2、各子种群使用相应的进化算法分别实现Tc代进化，更新迭代计数Count；
步骤2.3、通过比较各子种群中个体的适应度，为各子种群选择出相应的最优个体和最差个体，并将选出的最优个体存储于所有子种群均可访问的公共存储空间中；
步骤2.4、为每个子种群，从公共存储空间随机取出一个来自其他子种群的最优个体，并用取出的最优个体替换子种群中的最差个体；
步骤2.5、判断迭代计数值Count是否达到总迭代次数Iter，若是，则结束，否则，转向步骤2.2。
4.根据权利要求1所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，该方法中生成贝叶斯网络的方法为：
步骤3.1、随机生成NB，NB>1，个N×N的矩阵BN；
其中，N表示待优化调度问题的总工序数，bij∈{0,1}表示问题中工序Oi和工序Oj在贝叶斯网络中是否相关，若bij＝1，则在贝叶斯网络中与工序Oi和工序Oj对应的结点间存在有向边Nodei→Nodej；若bij＝0，则表示在贝叶斯网络中与工序Oi和工序Oj对应的结点间无有向边；
步骤3.2、采用有向无环图调整方法，对生成的NB个矩阵BN进行调整，得到相应的NB个新矩阵BN’，使每个BN’均能映射为一个有向无环图，从而由调整所得的NB个BN’组成初始贝叶斯网络种群；
步骤3.3、采用基于评分的进化算法优化步骤3.2所得的初始贝叶斯网络种群，得到最优贝叶斯网络，用于表示维度变量间的关系。
5.根据权利要求4所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，步骤3.2中的有向无环图调整方法为：
步骤3.2.1、根据矩阵BN中各元素bij的取值，构建有向图Graph；
步骤3.2.2、将矩阵BN对角线上的元素设为0，并删除有向图Graph中的边Nodei→Nodej；
步骤3.2.3、初始化工序计数i＝1，待优化调度问题的总工序数记为N；
步骤3.2.4、对工序Oi，在有向图Graph中遍历工序Oi子孙结点，若其子孙结点中包含其本身，则删除子孙结点中指向工序Oi的结点与工序Oi连接的边，同时将矩阵BN中相应元素设置为0；
步骤3.2.5、更新工序计数i＝i+1，若i≤N，则转向步骤3.2.4，否则，结束。
6.根据权利要求4所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，步骤3.3中基于评分的进化算法为：
步骤3.3.1、随机生成若干个调度方案个体，选出其中的优秀个体组成初始调度方案种群；
步骤3.3.2、初始化迭代次数T、迭代计数t、变异概率p；
步骤3.3.3、以初始调度方案种群为数据集，使用贝叶斯网络评分公式计算当前贝叶斯网络种群中的每个个体的评分，作为相应贝叶斯网络个体的适应度值；
步骤3.3.4、使用锦标赛机制从当前贝叶斯网络种群中，选取n个贝叶斯网络个体，n≥2；
步骤3.3.5、将选取的贝叶斯网络个体两两交叉，生成新的贝叶斯网络个体；其方法为：
随机生成行号i1、i2，列号j1、j2，交换位置，使i1<i2；
将两个贝叶斯网络个体从第i1行第j1列元素开始至第i2行第j2元素，进行交换产生新的贝叶斯网络个体；
步骤3.3.6、为当前贝叶斯网络种群中的每个个体生成相应的随机数r，若r>p，则对相应的贝叶斯网络个体执行变异操作；其方法为：
随机生成行号i1、i2，列号j1、j2，交换位置，使i1<i2；
对贝叶斯网络个体中从第i1行第j1列至第i2行第j2的相应元素值进行判断，若元素值为0，则变异为1；若元素值为1则变异为0；
步骤3.3.7、对当前贝叶斯网络种群中的所有个体，使用权利要求4所述的有向无环图调整方法进行调整；
步骤3.3.8、更新迭代计数t＝t+1，若当前t≤T，则转向步骤3.3.3，否则，输出当前贝叶斯网络种群中最优的贝叶斯网络个体。
7.根据权利要求6所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，步骤3.3.3中的贝叶斯网络评分公式如下：
BIC(G|D)＝BICL(G|D)+BICM(G|D)
其中，BICL(G|D)表示贝叶斯网络在工序加工位置关系上的评分，BICM(G|D)表示贝叶斯网络在工序机器关系上的评分，G代表需要评分的贝叶斯网络，D代表生成的优解方案初始种群，n代表优化调度问题中工序总数,m代表优解方案初始种群大小，Oi表示第i个工序，j表示工序Oi在图中的父节点集取第j个状态,k表示工序Oi取第k个状态,qi表示工序Oi在图中的父节点集的可取状态数，L代表表示工序Oi的可取状态数，BICL(G|D)计算公式中代表工序Oi取位置状态k时其父节点集取位置状态j的样本量,表示工序Oi父节点集取位置状态j的样本量；BICM(G|D)计算公式中代表工序Oi取位置状态k时其父节点集取位置状态j的样本量,表示工序Oi父节点集取位置状态j的样本量。
8.根据权利要求6所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，该方法中的贝叶斯网络个体两两交叉的方法为：
步骤4.1、根据如下互信息计算公式，计算贝叶斯网络中相连变量间的互信息；
I(OA；OB)＝IL(OA；OB)+IM(OA；OB)
其中，OA，OB表示两个不同的工序,IL(OA；OB)表示两工序之间的位置互信息，IM(OA；OB)表示两工序之间的机器互信息；p(lA＝i,lB＝j)表示工序OA选择位置i同时工序OB选择位置j的概率，p(lA＝i)表示工序OA选择位置i的概率，p(lB＝j)表示工序OB选择位置j的概率；L表示工序的可选位置总数；p(mA＝i,mB＝j)表示工序OA选择机器i同时工序OB选择机器j的概率，p(mA＝i)表示工序OA选择机器i的概率，p(mB＝j)表示工序OB选择机器j的概率；MA表示工序OA的可选机器总数，MB表示工序OB的可选机器总数；
步骤4.2、计算所有互信息的标准差和平均值；
步骤4.3、按互信息>平均值+2*标准差，平均值+2*标准差>互信息>平均值+标准差，平均值+标准差>互信息>平均值，平均值>互信息>平均值-标准差，平均值-标准差>互信息>平均值-2*标准差，互信息<平均值-2*标准差进行分层，按次序分别记为第1层，第2层...，第6层，将与互信息对应的工序，按其互信息所在分层分别进行存储；
步骤4.4、设置所有工序为未分组工序，设置已分组工序数为0，分组数为0；
步骤4.5、从第1层出发，依次读取当前分层中存储的工序对；若工序对中两个工序均未被分组，则创建新的分组将两个工序加入，同时将工序标为已分组工序，已分组工序数加2，分组数加1，该分组中工序数加2；若一个工序已被分至某组，则另一工序也分至改组，已分组工序数加1，该分组中工序数加1；若两个工序均被分组，则忽略该工序；
步骤4.6、逐层学习直到所有工序均被分组；
步骤4.7、输出分组结果，包括：分组组数、各分组中工序数和各分组中包含的工序。
9.根据权利要求1所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，该方法中参考向量选取方法为：
步骤5.1、根据待优化大规模车间作业调度问题，计算种群中各个体的适应度，选择最优个体作为初始参考向量，存储于公共存储空间中；
步骤5.2、各子问题对应的种群每进化一代，判断新生成个体的适应度是否优于上一代的最优个体，若是，则替换上一代的最优个体，作为下一代的参考向量，并将其存储于公共存储空间；否则，按照概率公式，判断是否接受较差的新个体替换上一轮的最优个体，作为下一代的参考向量，就选出新的最优个体比较各子问题最佳个体适应度；若不接受较差的新个体，则访问公共存储空间，随机选取一个优质个体替代上一代的最优个体，作为下一代的参考向量。
10.根据权利要求9所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，步骤5.2中的概率公式为：
其中，T为常量，根据实际大规模车间作业调度优化问题进行指定，random为随机数，Hbfit为上一代参考向量的适应度，Nbest为新生成个体的适应度。
CN201910683442.3A 2019-07-26 2019-07-26 一种求解大规模车间作业调度问题的混合分布式进化方法 Active CN110490372B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910683442.3A CN110490372B (zh) 2019-07-26 2019-07-26 一种求解大规模车间作业调度问题的混合分布式进化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910683442.3A CN110490372B (zh) 2019-07-26 2019-07-26 一种求解大规模车间作业调度问题的混合分布式进化方法

Publications (2)

Publication Number Publication Date
CN110490372A true CN110490372A (zh) 2019-11-22
CN110490372B CN110490372B (zh) 2022-03-01

Family

ID=68548535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910683442.3A Active CN110490372B (zh) 2019-07-26 2019-07-26 一种求解大规模车间作业调度问题的混合分布式进化方法

Country Status (1)

Country Link
CN (1) CN110490372B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222268A (zh) * 2011-06-02 2011-10-19 西安电子科技大学 基于多种群混合粒子群算法的流水车间调度方法
CN105512954A (zh) * 2015-11-30 2016-04-20 清华大学 一种针对大规模柔性作业车间调度的集成搜索方法
CN107807518A (zh) * 2017-09-05 2018-03-16 昆明理工大学 一种化工生产原料蒸馏过程的多目标优化调度方法
CN109784603A (zh) * 2018-11-15 2019-05-21 长安大学 一种基于混合鲸鱼群算法求解柔性作业车间调度的方法
CN112766659A (zh) * 2020-12-31 2021-05-07 山东师范大学 一种分布式混合流水车间调度方法、介质和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222268A (zh) * 2011-06-02 2011-10-19 西安电子科技大学 基于多种群混合粒子群算法的流水车间调度方法
CN105512954A (zh) * 2015-11-30 2016-04-20 清华大学 一种针对大规模柔性作业车间调度的集成搜索方法
CN107807518A (zh) * 2017-09-05 2018-03-16 昆明理工大学 一种化工生产原料蒸馏过程的多目标优化调度方法
CN109784603A (zh) * 2018-11-15 2019-05-21 长安大学 一种基于混合鲸鱼群算法求解柔性作业车间调度的方法
CN112766659A (zh) * 2020-12-31 2021-05-07 山东师范大学 一种分布式混合流水车间调度方法、介质和系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
JIAO HONG: ""Brhavior of Crossover Operators in NSGA-III for Large-Scale Optimization Problems"", 《INFORMATION SCIENCES》 *
SHENG WANG: ""A Systematic Approach of Process Planning and Scheduling Optimization for Sustainable Machining"", 《SUSTAINABLE MANUFACTURING AND REMANUFACTURING MANAGEMENT》 *
XIAOXIA LI: ""A honey-bee mating optimization approach of collaborative process planning and scheduling for sustainable manufacturing"", 《PROCEEDINGS OF THE 2013 IEEE 17TH INTERNATIONAL CONFERENCE ON COMPUTER SUPPORTED COOPERATIVE WORK IN DESIGN (CSCWD)》 *
李小霞: ""面向低制造能耗的车间作业调度优化仿真系统"", 《系统仿真学报》 *

Also Published As

Publication number Publication date
CN110490372B (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN107392402B (zh) 基于改进禁忌搜索算法的生产运输协同调度方法及系统
Tang et al. Diversity-adaptive parallel memetic algorithm for solving large scale combinatorial optimization problems
CN110287031A (zh) 一种减少分布式机器学习通信开销的方法
CN108460463A (zh) 基于改进遗传算法的高端装备流水线生产调度方法
CN105843666B (zh) 云计算中基于多目标优化的虚拟机放置方法
CN105469118B (zh) 基于核函数的融合主动学习和非参半监督聚类的稀有类别检测方法
CN106528989B (zh) 一种分布式并行sph仿真方法
CN104572297A (zh) 一种基于遗传算法的Hadoop作业调度方法
CN110147372A (zh) 一种面向htap的分布式数据库智能混合存储方法
CN108717460A (zh) 一种在区块链中达成共识的方法及装置
Pan et al. Manifold learning-inspired mating restriction for evolutionary multiobjective optimization with complicated pareto sets
CN107704985A (zh) 一种动态策略的差分进化柔性车间优化调度方法
CN109598742A (zh) 一种基于ssd算法的目标跟踪方法及系统
CN108647859A (zh) 知识驱动的置换流水线双种群协同学习策略与优化方法
Xu et al. A short survey and challenges for multiobjective evolutionary algorithms based on decomposition
Hwang et al. A genetic-algorithm-based heuristic for the GT cell formation problem
CN109765870A (zh) 一种云制造环境下机床装备资源单一动态服务网络组合优选方法
CN110490372A (zh) 一种求解大规模车间作业调度问题的混合分布式进化方法
CN114037251A (zh) 一种基于Petri网的制造系统成本最小化资源配置方法
CN109978051A (zh) 基于混合神经网络的监督分类方法
Wang et al. Research and improvement on K-means clustering algorithm
CN109343479A (zh) 基于多目标自适应和声搜索算法的Flowshop生产调度方法及系统
CN108563913A (zh) 一种多晶硅还原炉还原过程能耗预测方法、系统
CN107730065A (zh) 基于改进变邻域搜索算法的生产调度方法及系统
CN107730072A (zh) 基于改进人工免疫算法的平行机成组调度方法及系统

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