CN110956319A - 一种基于免疫遗传算法的单件车间调度方法 - Google Patents
一种基于免疫遗传算法的单件车间调度方法 Download PDFInfo
- Publication number
- CN110956319A CN110956319A CN201911162889.2A CN201911162889A CN110956319A CN 110956319 A CN110956319 A CN 110956319A CN 201911162889 A CN201911162889 A CN 201911162889A CN 110956319 A CN110956319 A CN 110956319A
- Authority
- CN
- China
- Prior art keywords
- individual
- machine
- individuals
- scheduling
- vaccine
- 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
Images
Classifications
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明公开了一种基于免疫遗传算法的单件车间调度方法,操作步骤为:步骤1:确定运行参数,步骤2:生成初始种群,步骤3:个体适应度计算,步骤4:更新记忆细胞库,步骤5:个体浓度评价,步骤6:个体促进与抑制,步骤7:交叉操作,步骤8:变异操作,步骤9:疫苗提取,步骤10:疫苗接种,步骤11:免疫选择,步骤12:精英保留策略,步骤13:终止判别。采用本发明的方法在求解单件车间调度时,能更加有效地求得满意的调度方案,提高生产效率。
Description
技术领域
本发明涉及一种基于免疫遗传算法的单件车间调度方法,在遗传算法中加入优质个体加工顺序疫苗的提取与接种等操作,用混合而成的免疫遗传算法来求解单件车间调度问题。
背景技术
作业调度是安排生产作业计划中的一个重要环节,其主要工作是在已知订单上的产品种类、数量以及制作工时后,确定工件的加工顺序,并分配相应的生产设备进行生产加工。对同一批待加工工件,不同的投产安排会产生不同的完工时间。因此,作业调度的目的就是通过合理的工件加工顺序排程,缩短生产周期。
在求解车间作业调度问题时,常用的方法有:运筹学的经典方法、基于启发式规则的构造性算法、人工智能算法等。其中运筹学的经典方法,包括动态规划、纯整数规划、混合整数规划、分枝定界法等,此类方法可以解决一些有代表性的小规模问题,但无法用于求解大规模的问题。基于启发式规则的构造性算法易于实现,可以用于处理复杂的调度问题,但由于对问题的处理较为粗糙,往往解的质量不够理想。人工智能算法包括遗传算法、蚁群算法、粒子群算法、免疫算法和神经网络算法等,此类算法往往能在人们可接受的时间内得到问题的满意解甚至是最优解,因此此类算法也被广泛地用于求解车间作业调度问题的研究中。
在人工智能算法中,遗传算法因其具有不依赖于问题的具体领域,搜索以群体的形式进行,具有潜在的并行性,对问题的求解有很强的鲁棒性等特点,成为求解车间调度问题的研究热点之一。在常见的车间调度问题中,流水车间作业调度问题是单件车间作业调度问题的特殊形式,因此单件车间调度问题相对于流水车间调度问题更具有一般性。在使用遗传算法求解单件车间调度问题时,易出现早熟收敛现象,使得算法在寻优过程中陷入局部最优,难以达到较好的寻优效果,因此有必要展开研究,对遗传算法进行改进。通过在遗传算法中加入优质个体加工顺序疫苗的提取与接种等操作,用混合而成的免疫遗传算法来改善算法在单件车间调度问题中的求解性能。
发明内容
本发明目的在于为改善遗传算法在求解单件车间作业调度问题中存在的易出现早熟收敛、陷入局部最优等问题,提出一种基于免疫遗传算法的单件车间调度方法,提高算法的寻优性能。
为达到上述目的,本发明采用如下技术方案:
一种基于免疫遗传算法的单件车间调度方法,操作步骤如下:
步骤1:确定运行参数,步骤2:生成初始种群,步骤3:个体适应度计算,步骤4:更新记忆细胞库,步骤5:个体浓度评价,步骤6:个体促进与抑制,步骤7:交叉操作,步骤8:变异操作,步骤9:疫苗提取,步骤10:疫苗接种,步骤11:免疫选择,步骤12:精英保留策略,步骤13:终止判别。
针对以上步骤进行具体说明如下:
步骤1、确定运行参数:
免疫遗传算法的运行参数:种群规模一般取20-100,交叉概率一般取0.4-0.99,变异概率一般取0.0001-0.1,迭代次数一般取100-500,选择调节系数一般取0-1,疫苗母体比例一般取5%-20%,疫苗概率一般取70%-90%,接种比例一般取0.05-0.2,记忆细胞库个体数一般取1-2,初始退火温度一般取500-1500。
步骤2、初始种群生成:
初始种群生成方法:随机生成一定规模的初始种群。种群的个体的编码形式为基于工序的编码,每条码的工件号分布位置随机而定,在生成一定数量的个体后结合记忆细胞库中的个体组成初始种群。例如对于n工件m工序的Job-shop问题,个体工序码有n×m个基因位,每个基因位上的数字代表工件号,而同一数字出现的次序代表其相应的工序。如一个4工件3工序的问题,采用基于工序的编码方法随机生成一个个体工序码[4 2 2 3 1 2 3 41 3 4 1],其中工序码中第一个位置的4,是4第一次出现在工序码中,表示工件4的第一道工序;工序码中第八个位置的4,是4第二次出现在工序码中,表示工件4的第二道工序;工序码中第十一个位置的4,是4第三次出现在工序码中,表示工件4的第三道工序。
步骤3、个体适应度计算:
计算个体适应度时,将个体工序码进行半解码得到最后的总完工时间。即根据各工件各工序在工序码中出现的顺序,在满足工艺约束和设备约束的前提下,将每道工序插入到对应机器上道工序的完工时间后进行加工,最后获得总完工时间。然后将总完工时间的倒数作为适应度值,显然适应度值大则表示完工时间短。
步骤4、更新记忆细胞库:
通过比较当前的最优个体与记忆细胞库中的个体,保存其中较优的个体进入记忆细胞库,完成记忆细胞库的更新。在进化过程中,对记忆细胞库进行更新,可以保证记忆细胞的质量,确保较好的个体能进入初始种群,提升算法的收敛速度。
步骤5、个体浓度评价:
个体的浓度采用基于矢量矩的计算方法。将个体与种群中其他个体的矢量距之和的倒数作为个体的浓度评价标准,个体的矢量距越大,其与种群中其他个体的差异性也就越大,其对应的浓度也就越小。
步骤6、个体促进与抑制:
个体的促进与抑制,即选择操作。采用的选择方法为比例选择方法,每个个体的选择概率由个体的适应度值及浓度两部分加权得到。个体的适应度值越大、浓度越小,其加权得到的选择概率就越大。通过适应度值及浓度两部分加权得到的选择概率可以有效进行个体的促进与抑制,抑制浓度过高的个体参与进化,能一定程度上避免近亲繁殖和早熟收敛现象的发生。
步骤7、交叉操作:
交叉操作采用POX交叉算法对被选两个个体进行交叉操作,具体操作过程为,首先选定需要保留的工件,复制父代个体中需要保留的工件到子代个体中,并保留它们的位置。其次将另一父代交叉个体中的非保留工件的基因顺序依次替换保留工件以外的基因位置,得到交叉操作后的个体工序码。通过此方法进行交叉操作具有不破坏染色体可行性,无需进行基因修正的优点,且能更好地继承父代的优良特征。
步骤8、变异操作:
变异操作采用逆序变异方法对被选个体进行变异操作,首先随机选定个体工序码中两个不相邻位置间的基因座位置,将两基因座之间的基因进行逆序排列,得到变异后的个体。采用逆序变异的优点是改变的个体信息较多,而且变异后不会破坏个体的可行性。
步骤9、疫苗提取操作:
疫苗的提取过程是对从种群中适应度较高的个体生成的工件加工顺序中提取,因此称之为优质个体加工顺序疫苗。优质个体加工顺序疫苗的提取方法为首先选择种群中适应度较高的个体作为疫苗母体,然后统计这些个体对应的的调度方案中各机器上的工件加工顺序,将每台机器上的工件加工次序中出现概率较大的工件号作为疫苗。
具体的疫苗提取操作步骤如下:
第一步,选取疫苗母体,按一定疫苗比例选取种群中适应度较高的个体作为疫苗母体。
第二步,提取工件加工顺序,对每个疫苗母体通过半解码的方式进行解码,获取疫苗母体所对应调度方案中每台机器上的工件加工顺序。
第三步,统计工件加工顺序,完成第二步工作后对每台机器上的工件加工顺序中的有效信息进行分析,通过概率方法统计出各机器工件加工顺序的对应位置出现同工件号的概率。
第四步,制作疫苗矩阵,在统计分析后,提取每台机器上的工件加工次序中出现概率超过疫苗概率值的工件号作为疫苗,并保存在疫苗矩阵中。
步骤10、疫苗接种操作:
选取种群中适应度较差的个体作为待接种个体,并将上述优质个体加工顺序疫苗接种到待接种个体对应的各机器上。
具体的疫苗接种方法如下:
第一步,选取待接种个体,选择种群中适应度较低的个体作为待接种个体。
第二步,提取机器号,通过半解码的方式对待接种个体进行解码,得到染色体各基因对应的机器号。
第三步,构建加工顺序矩阵,根据待接种个体的染色体各基因和其对应的机器号,制作各台机器上工件的加工顺序矩阵。
第四步,接种疫苗,将疫苗矩阵中机器上的工件加工顺序接种到待接种个体工件加工顺序矩阵中的相同位置;如果接种后各个机器上存在元素重复的情况,则需要对未进行疫苗接种重复元素进行替换,将矩阵中各机器上缺少的工件按原来机器上的加工顺序依次插入到重复元素所在的位置,从而得到接种后的各机器上的的工件加工顺序矩阵。
第五步,重构染色体结构,在保持待接种个体各基因对应的机器号不变的情况下,将完成接种后的工件加工顺序矩阵中每台机器上的工件加工队列依次插入到机器码中相同机器号所对应的位置,完成染色体的接种。
步骤11、免疫选择操作:
对已完成疫苗接种疫苗的个体进行免疫检测并进行退火选择操作。在免疫检测时,若完成疫苗接种后个体适应度值得到提升,则将接种后的个体替代接种前的个体加入当代种群,反之则认为接种后的个体出现了退化现象,并放弃替代,在完成免疫检测后,全部个体将根据退火选择概率进行选择,选中的个体直接进入下一代种群。
步骤12、精英保留策略:
在种群中保留进化过程中的最优个体,并用其取代种群中适应度最差的个体,保证进化过程中已找到的最优个体始终参与到每一代的进化过程中,提高算法的寻优效率。
步骤13、终止判别:
判断是否满足终止条件,即代数达到算法运行前设定的最大世代数,若满足则停止,并输出最优调度方案,不满足则转至步骤3,继续进行进化操作。
与现有技术相比,本发明具有如下的优点:
本发明提出的基于免疫遗传算法的单件车间调度方法与标准的遗传算法在求解单件车间作业调度方法相比,在求解效果上得到了有效的提升。这是由于本方法在种群中个体进行选择、交叉、变异这三步遗传操作后,导入了免疫操作。即统计种群中适应度较高的个体的调度方案,然后选择各机器上大概率出现的工件加工顺序作为疫苗,接种种群中适应度较低的个体,有效地提高被接种个体的适应度值,进而提高种群的平均适应度值,加快算法的收敛速度。因此在采用本发明的方法在求解单件车间调度时,能更加有效地求得满意的调度方案,提高生产效率。
附图说明
图1为基于免疫遗传算法的单件车间调度方法的流程图。
图2为POX交叉算子的操作示意图。
图3为逆序变异算子的操作示意图。
图4为优质个体加工顺序疫苗的提取示意图。
图5为优质个体加工顺序疫苗的接种示意图。
图6为求解LA17问题的甘特图。
具体实施方法
下面结合附图和实施例对本发明作进一步说明。
如图1所示,一种基于免疫遗传算法的单件车间调度方法,操作步骤如下:步骤1:确定运行参数,步骤2:生成初始种群,步骤3:个体适应度计算,步骤4:更新记忆细胞库,步骤5:个体浓度评价,步骤6:个体促进与抑制,步骤7:交叉操作,步骤8:变异操作,步骤9:疫苗提取,步骤10:疫苗接种,步骤11:免疫选择,步骤12:精英保留策略,步骤13:终止判别。
针对以上步骤进行具体说明如下:
步骤1、确定运行参数:
免疫遗传算法的运行参数:种群规模一般取20-100,交叉概率一般取0.4-0.99,变异概率一般取0.0001-0.1,迭代次数一般取100-500,选择调节系数一般取0-1,疫苗母体比例一般取5%-20%,疫苗概率一般取70%-90%,接种比例一般取0.05-0.2,记忆细胞库个体数一般取1-2,初始退火温度一般取500-1500。
步骤2、初始种群生成:
初始种群生成方法:随机生成一定规模的初始种群。种群的个体的编码形式为基于工序的编码,每条码的工件号分布位置随机而定,在生成一定数量的个体后结合记忆细胞库中的个体组成初始种群。例如对于n工件m工序的Job-shop问题,个体工序码有n×m个基因位,每个基因位上的数字代表工件号,而同一数字出现的次序代表其相应的工序。如一个4工件3工序的问题,采用基于工序的编码方法随机生成一个个体工序码[4 2 2 3 1 2 3 41 3 4 1],其中工序码中第一个位置的4,是4第一次出现在工序码中,表示工件4的第一道工序;工序码中第八个位置的4,是4第二次出现在工序码中,表示工件4的第二道工序;工序码中第十一个位置的4,是4第三次出现在工序码中,表示工件4的第三道工序。
步骤3、个体适应度计算:
计算个体适应度时,将个体工序码进行半解码得到最后的总完工时间。即根据各工件各工序在工序码中出现的顺序,在满足工艺约束和设备约束的前提下,将每道工序插入到对应机器上道工序的完工时间后进行加工,最后获得总完工时间。然后将总完工时间的倒数作为适应度值,显然适应度值大则表示完工时间短。
步骤4、更新记忆细胞库:
通过比较当前的最优个体与记忆细胞库中的个体,保存其中较优的个体进入记忆细胞库,完成记忆细胞库的更新。在进化过程中,对记忆细胞库进行更新,可以保证记忆细胞的质量,确保较好的个体能进入初始种群,提升算法的收敛速度。
步骤5、个体浓度评价:
个体的浓度采用基于矢量矩的计算方法。将个体与种群中其他个体的矢量距之和的倒数作为个体的浓度评价标准,个体的矢量距越大,其与种群中其他个体的差异性也就越大,其对应的浓度也就越小。
步骤6、个体促进与抑制:
个体的促进与抑制,即选择操作。采用的选择方法为比例选择方法,每个个体的选择概率由个体的适应度值及浓度两部分加权得到。个体的适应度值越大、浓度越小,其加权得到的选择概率就越大。通过适应度值及浓度两部分加权得到的选择概率可以有效进行个体的促进与抑制,抑制浓度过高的个体参与进化,能一定程度上避免近亲繁殖和早熟收敛现象的发生。
步骤7、交叉操作:
交叉操作采用POX交叉算法对被选两个个体进行交叉操作,具体POX交叉操作如图2所示,首先确定工件1、3为保留工件,并保留它们的位置到子代个体中,其次将另一父代交叉个体中的非保留工件的基因顺序依次替换保留工件以外的基因位置,得到交叉后的个体工序码。通过此方法进行交叉操作具有不破坏染色体可行性,无需进行基因修正的优点,且能更好地继承父代的优良特征。
步骤8、变异操作:
采用逆序变异方法对被选个体进行变异操作。具体逆序变异方法如图3所示,首先随机选定个体工序码中两个不相邻位置间的基因座位置,在图中选择的基因座位置为4和7。未变异前两基因座之间的基因顺序为3132,然后对两基因座之间的基因顺序进行逆序排列,变异后的基因顺序为2313,并最终确定变异后的个体。采用逆序变异的操作,能改变较多的个体信息,而且不会破坏个体的可行性。
步骤9、疫苗提取操作:
将优质个体工件加工顺序作为疫苗进行提取时,具体的接种步骤如图4所示。
第一步,选取疫苗母体,根据疫苗母体比例,选取种群中适应度较高的个体作为疫苗母体。在本实施例中种群的大小设为20,疫苗母体比例为20%,则疫苗母体为4个。图中仅列出其中两个疫苗母体,分别为132332121、233121123。
第二步,提取工件加工顺序,根据表1中记录的工件各工序对应的机器号信息,对每个疫苗母体通过解码,可以获取对应调度方案中每台机器上的工件加工顺序。例如图中为132332121的疫苗母体,解码后得到在机器上的工件加工顺序为:机器M1:工件J1,工件J3,工件J2;机器M2:工件J2,工件J3,工件J1;机器M3:工件J3,工件J1,工件J2。
表1 工件工序机器号表
第三步,统计工件加工顺序,在对疫苗母体进行解码后,需要对每台机器上的工件加工顺序中的有效信息进行分析,以概率统计的方法统计出各机器工件加工顺序的对应位置上出现同工件号的概率。
第四步,制作疫苗矩阵,在统计分析后,提取每台机器上的工件加工次序中出现超过疫苗概率设定值的工件号作为疫苗,填入到疫苗矩阵中。图4中的疫苗概率值设为70%,可以得到疫苗矩阵值为:机器1上第三个加工的工件为工件2、机器2上第一个加工的工件为工件2、机器2上第三个加工的工件为工件1、机器3上第一个加工的工件为工件3。
步骤10、疫苗接种操作:
将疫苗接种到适应度较差个体的基因座上时,具体的接种步骤如图5所示。
第一步,选取待接种个体,选择种群中适应度较低的个体作为待接种个体。本实施中选取到待接种个体为321132123。
第二步,提取机器号,通过半解码的方式对待接种个体进行解码,得到染色体各基因对应的机器号。对于待接种个体321132123,各基因对应的机器号从前至后分别为机器M3、M2、M1、M3、M1、M1、M2、M3、M2。
第三步,构建加工顺序矩阵,根据待接种个体的染色体各基因和其对应的机器号,制作各台机器上工件的加工顺序矩阵。其中机器M1上的工件加工顺序为工件1、工件3、工件2;机器M2上的工件加工顺序为工件2、工件1、工件3;机器M3上的工件加工顺序为工件3、工件1、工件2。
第四步,接种疫苗,将疫苗矩阵中机器上的工件加工顺序接种到待接种个体工件加工顺序矩阵中的相同位置。在本实施例子中,图中方框所在的位置的元素需要进行疫苗接种。如果接种后各个机器上存在元素重复的情况,则需要对未进行疫苗接种重复元素进行替换,将矩阵中各机器上缺少的工件号按原来机器上的加工顺序依次插入到重复元素所在的位置,从而得到接种后的各机器上的工件加工顺序矩阵。
第五步,重构染色体结构,在保持待接种个体各基因对应的机器号不变的情况下,即保持待接种个体各基因对应的机器号从前至后分别为M3、M2、M1、M3、M1、M1、M2、M3、M2的情况下,将完成接种后的工件加工顺序矩阵中每台机器上的工件加工队列依次插入到机器码中相同机器号所对应的位置,完成染色体的接种。
步骤11、免疫选择操作:
对已完成疫苗接种的个体进行免疫检测并进行退火选择操作。在免疫检测时,若完成疫苗接种后个体适应度值得到提升,则将接种后的个体替代接种前的个体加入当代种群,反之则认为接种后的个体出现了退化现象,并放弃替代。在完成免疫检测后,通过退火选择选取种群中的个体进入下一代种群。
步骤12、精英保留策略:
在种群中保留进化过程中的最优个体,并用其取代种群中适应度最差的个体。保证进化过程中已找到的最优个体始终参与到每一代的进化过程中,提高算法寻优的效率。
步骤13、终止判别:
判断是否满足终止条件,即代数达到算法运行前设定的最大世代数,若满足则停止,并输出最优调度方案,不满足则转至步骤3,继续进行进化操作。
提供一个案例测试,选用的案例是Lawrence提出的标准测试案例LA17,此案例是规模大小为10工件、10工序的JSP案例。表2记录了案例中工件的工艺信息,其中,括号内的第一位数字表示该工件该工序所用设备号,第二位数字表示该工件该工序的加工时间。如工件1的第一道工序在机器5上进行加工,所需的加工时间为18。
表2 LA17问题工件加工工艺信息
实验参数:种群规模为50,终止代数为300,交叉概率为0.85,变异概率为0.05,选择调节系数为0.5,疫苗母体比例为20%,疫苗概率为70%,接种比例为0.1,记忆细胞库个体数为1,初始退火温度为500。使用基于免疫遗传算法的单件车间调度方法对案例LA17进行计算,求得的最优解为801。图6为甘特图,图中横坐标代表完工时间,纵坐标代表设备编号,图中线段上的数字代表工件号,相同数字的线段从左到右依次代表该工件的第 1、2、…道工序,线段的长度则代表工件各工序的加工时间。
Claims (14)
1.一种基于免疫遗传算法的单件车间调度方法,其特征在于,操作步骤如下:
步骤1:确定运行参数,步骤2:生成初始种群,步骤3:个体适应度计算,步骤4:更新记忆细胞库,步骤5:个体浓度评价,步骤6:个体促进与抑制,步骤7:交叉操作,步骤8:变异操作,步骤9:疫苗提取,步骤10:疫苗接种,步骤11:免疫选择,步骤12:精英保留策略,步骤13:终止判别。
2.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤1中,算法开始前需要确定的运行参数总共有十个,分别为种群规模、交叉概率、变异概率、最大迭代次数、选择调节系数、疫苗母体比例、疫苗概率、接种比例、记忆细胞库个体数、初始退火温度。
3.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤2中,初始种群生成方法为:个体的编码为工序码,每条码工件号分布位置随机而定,在生成一定数量的个体后结合记忆细胞库中的个体组成初始种群。
4.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤3中,个体适应度计算是:通过半解码的方式对个体工序码进行解码,即根据各工件各工序在工序码中出现的顺序,对个体中各工件工序选择机器进行安排,得到总完工时间,最后将总完工时间的倒数作为个体的适应度值,显然完工时间短则适应度值大。
5.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤4中,更新记忆细胞库,是通过比较当前的最优个体与记忆细胞库中的个体,保存其中较优的个体进入记忆细胞库。
6.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤5中,个体浓度评价方法为基于矢量矩的计算方法,通过计算个体的矢量距来确定个体的浓度。
7.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤6中,个体促进与抑制,即采用比例选择法进行选择操作,选择概率由个体的适应度及浓度两部分加权得到。
8.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤7中,交叉操作采用POX交叉算法对被选的两个个体进行交叉操作。
9.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤8中,变异操作是采用逆序变异的方法对被选个体进行变异操作。
10.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤9中,疫苗提取操作是对种群中优质个体解码得到的调度方案中每台机器上的工件加工顺序进行统计分析,并将各机器上大概率出现在工件加工顺序对应位置上的工件号作为疫苗进行提取,具体操作步骤如下:
第一步,选取疫苗母体,按一定疫苗比例选取种群中适应度较高的个体作为疫苗母体;
第二步,提取工件加工顺序,对每个疫苗母体通过半解码的方式进行解码,获取疫苗母体所对应调度方案中每台机器上的工件加工顺序;
第三步,统计工件加工顺序,完成第二步工作后对每台机器上的工件加工顺序中的有效信息进行分析,通过概率方法统计出各机器工件加工顺序的对应位置出现同工件号的概率;
第四步,制作疫苗矩阵,在统计分析后,提取每台机器上的工件加工次序中出现概率超过疫苗概率值的工件号作为疫苗,并保存在疫苗矩阵中。
11.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤10中,疫苗接种操作是将疫苗接种到种群中较差的个体每台机器的工件加工顺序中去,并实现接种后个体工序码的重构,即改善其调度方案,具体操作步骤如下:
第一步,选取待接种个体,选择种群中适应度较低的个体作为待接种个体;
第二步,提取机器号,通过半解码的方式对待接种个体进行解码,得到染色体各基因对应的机器号;
第三步,构建加工顺序矩阵,根据待接种个体的染色体各基因和其对应的机器号,制作各台机器上工件的加工顺序矩阵;
第四步,接种疫苗,将疫苗矩阵中机器上的工件加工顺序接种到待接种个体工件加工顺序矩阵中的相同位置;如果接种后各个机器上存在元素重复的情况,则需要对未进行疫苗接种重复元素进行替换,将矩阵中各机器上缺少的工件按原来机器上的加工顺序依次插入到重复元素所在的位置,从而得到接种后的各机器上的的工件加工顺序矩阵;
第五步,重构染色体结构,在保持待接种个体各基因对应的机器号不变的情况下,将完成接种后的工件加工顺序矩阵中每台机器上的工件加工队列依次插入到机器码中相同机器号所对应的位置,完成染色体的接种。
12.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤11中,免疫选择操作是对被接种的个体进行免疫检测并进行退火选择操作,在免疫检测时若完成疫苗接种后个体适应度值得到提升,则将接种后的个体替代接种前的个体加入当代种群,反之则认为接种后的个体出现了退化现象,放弃替代;继而,通过退火选择,选取部分个体进入下一代种群。
13.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤12中,精英保留策略是:将进化过程中的最优个体替换当代种群中适应度值最差的个体。
14.根据权利要求1所述的一种基于免疫遗传算法的单件车间调度方法,其特征在于,所述步骤13中,终止判别是:判断当前世代数是否已达到最大世代数,达到则停止运算,并输出求得的最优调度方案;未达到则转至步骤3,继续进行进化操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162889.2A CN110956319A (zh) | 2019-11-25 | 2019-11-25 | 一种基于免疫遗传算法的单件车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162889.2A CN110956319A (zh) | 2019-11-25 | 2019-11-25 | 一种基于免疫遗传算法的单件车间调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110956319A true CN110956319A (zh) | 2020-04-03 |
Family
ID=69978181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911162889.2A Pending CN110956319A (zh) | 2019-11-25 | 2019-11-25 | 一种基于免疫遗传算法的单件车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956319A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114167937A (zh) * | 2022-02-12 | 2022-03-11 | 武汉理工大学 | 一种基于粒子群算法改进的热电最大功率跟踪方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630380A (zh) * | 2009-07-08 | 2010-01-20 | 西安电子科技大学 | 基于多种群进化机制的作业车间调度方法 |
CN104036381A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 基于免疫遗传算法的单车型流水线物流运输调度方法 |
CN104281917A (zh) * | 2014-09-26 | 2015-01-14 | 东华大学 | 基于自适应遗传和克隆选择算法的模糊作业车间调度方法 |
CN108805403A (zh) * | 2018-05-02 | 2018-11-13 | 上海大学 | 一种基于改进遗传算法的单件车间调度方法 |
CN109816262A (zh) * | 2019-01-31 | 2019-05-28 | 贵州大学 | 采用改良免疫遗传算法的柔性作业车间调度方法 |
-
2019
- 2019-11-25 CN CN201911162889.2A patent/CN110956319A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630380A (zh) * | 2009-07-08 | 2010-01-20 | 西安电子科技大学 | 基于多种群进化机制的作业车间调度方法 |
CN104036381A (zh) * | 2014-06-26 | 2014-09-10 | 广东工业大学 | 基于免疫遗传算法的单车型流水线物流运输调度方法 |
CN104281917A (zh) * | 2014-09-26 | 2015-01-14 | 东华大学 | 基于自适应遗传和克隆选择算法的模糊作业车间调度方法 |
CN108805403A (zh) * | 2018-05-02 | 2018-11-13 | 上海大学 | 一种基于改进遗传算法的单件车间调度方法 |
CN109816262A (zh) * | 2019-01-31 | 2019-05-28 | 贵州大学 | 采用改良免疫遗传算法的柔性作业车间调度方法 |
Non-Patent Citations (2)
Title |
---|
余建军 等: "基于免疫算法的多目标柔性job-shop调度研究", 《系统工程学报》 * |
孔德瑞 等: "基于关键路径疫苗的免疫遗传算法求解JSP问题", 《工业控制计算机》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114167937A (zh) * | 2022-02-12 | 2022-03-11 | 武汉理工大学 | 一种基于粒子群算法改进的热电最大功率跟踪方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107862411B (zh) | 一种大规模柔性作业车间调度优化方法 | |
CN110956319A (zh) | 一种基于免疫遗传算法的单件车间调度方法 | |
CN104636813B (zh) | 一种求解车间作业调度问题的混合遗传模拟退火算法 | |
CN103530702B (zh) | 一种基于瓶颈设备分解的大规模作业车间调度方法 | |
Kolen et al. | Genetic local search in combinatorial optimization | |
CN109816262A (zh) | 采用改良免疫遗传算法的柔性作业车间调度方法 | |
CN106971236A (zh) | 一种基于遗传算法的柔性作业车间分批调度方法 | |
Belloch et al. | Phylogeny of the genus Kluyveromyces inferred from the mitochondrial cytochrome-c oxidase II gene. | |
CN112749776A (zh) | 一种基于改进混合遗传算法的作业车间调度方法 | |
CN108805403A (zh) | 一种基于改进遗传算法的单件车间调度方法 | |
CN109543899B (zh) | 基于深度学习的二维轮廓排样定序方法 | |
CN106610652A (zh) | 改进编码方式的遗传算法解分布式柔性作业车间调度问题 | |
CN112561225B (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN113822525B (zh) | 基于改进遗传算法的柔性作业车间多目标调度方法及系统 | |
CN112686474B (zh) | 一种基于改进的水波优化算法的可并行装配线平衡方法 | |
JP2012044883A (ja) | 特性が改変された細胞の生産方法 | |
CN114492895A (zh) | 汽车发动机柔性产线分批与调度方法 | |
CN110648050B (zh) | 一种传统流水线装配向单元式装配方式转换的重构方法 | |
CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
CN107577918A (zh) | 基于遗传算法和隐马尔可夫模型的CpG岛识别方法、装置 | |
CN112926837B (zh) | 基于数据驱动改进遗传算法求解作业车间调度问题的方法 | |
CN107437121A (zh) | 适用于多机器同时处理单工件的生产工艺过程控制方法 | |
CN109255484A (zh) | 数据驱动的离散制造资源协同优化方法及系统 | |
CN106610640A (zh) | 针对多目标柔性作业车间调度的含禁忌表的遗传与局部搜索算法 | |
CN112327792A (zh) | 一种改进的帝国竞争算法求解柔性作业车间机器故障的动态调度方法 |
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 |