CN111210125A

CN111210125A - 一种基于历史信息指导的多目标工件批调度方法及装置

Info

Publication number: CN111210125A
Application number: CN201911376115.XA
Authority: CN
Inventors: 贾兆红; 高乐羊; 唐俊
Original assignee: Anhui University
Current assignee: Anhui University
Priority date: 2019-12-27
Filing date: 2019-12-27
Publication date: 2020-05-29
Anticipated expiration: 2039-12-27
Also published as: CN111210125B

Abstract

本发明实施例提供了一种基于历史信息指导的多目标工件批调度方法及装置，方法包括：1)、在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体；2)、以最小化早到延迟惩罚为目标对各个当前种群中的各个个体对应的调度方案进行优化，得到优化后的当前种群；3)、运用基于分解的思想淘汰掉其中第一预设数量个个体，更新各个子种群的历史信息矩阵；获取新个体的生成参数，并根据新个体的生成参数生成第二预设数量个补充个体；4)、将精英个体与补充个体的组合作为当前种群，获取当前种群中的帕累托非支配个体，并将前种群中的帕累托非支配个体加入到非支配解集中，更新非支配解集；返回执行步骤2)，直至达到最大迭代次数，并将最后一次迭代后得到的更新后的非支配集中的调度方案作为目标调度方案。本发明实施例可以使订单的实际完成时间更加接近于合同上的订单交付时间。

Description

一种基于历史信息指导的多目标工件批调度方法及装置

技术领域

本发明涉及工件批调度领域，具体涉及一种基于历史信息指导的多目标工件批调度方法及装置。

背景技术

批处理机调度作为经典调度的一个分支广泛存在于众多工业制造系统如，铸造业、家具制造业、金属加工业、航空制造业，制药工业，以及物流运输业之中。平行机调度是批处理机调度中的典型模型。在平行机调度过程中，总完工时间(makespan)以及能耗(TEC)作为批处理机调度性能的重要衡量指标被广泛应用，因此极小化总完工时间和能耗被选定为所研究调度问题的其中两个优化目标。与此同时，总完工时间这个性能指标的缺点也非常明显，它并不能在准时调度的角度反映调度策略的优劣。随着企业与生产商对于时间准时性和准时调度的需求日益增加，基于交付时间的性能衡量指标也变得越来越重要，例如，客户满意度、商品库存等。如果，订单在交付时间之前完成，则可以避免订单延迟所带来的惩罚，如客户满意度的下降；但是与此同时商品的库存成本也会随之增加。由此可见，使订单在合同上的交付日期准时加工完成并交付是最理想的。因此，如何使订单的实际完成时间更加接近于合同上的订单交付时间是亟待解决的技术问题。

发明内容

本发明所要解决的技术问题在于如何提供一种基于历史信息指导的多目标工件批调度方法及装置以使订单的实际完成时间更加接近于合同上的订单交付时间。

本发明通过以下技术手段实现解决上述技术问题的：

本发明实施例提供了一种基于历史信息指导的多目标工件批调度方法，所述方法包括：1)、在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体，其中，所述约束条件包括：机器的容量、工件尺寸、同一工件仅能调度一次、最小化能源消耗以及最小加工时间中的一种或组合；

2)、以最小化早到延迟惩罚为目标对各个当前种群中的各个个体对应的调度方案进行优化，得到优化后的当前种群；

3)、将当前种群分为若干个子种群，针对每一个子种群，运用基于分解的思想淘汰掉其中第一预设数量个个体，将剩余的个体作为精英个体；根据所述子种群中各个精英个体的调度方案更新各个子种群的历史信息矩阵；根据更新后的历史信息矩阵以及随机变量获取新个体的生成参数，并根据所述新个体的生成参数生成第二预设数量个补充个体；

4)、将所述精英个体与所述补充个体的组合作为当前种群，获取所述当前种群中的帕累托非支配个体，并将所述当前种群中的帕累托非支配个体加入到非支配解集中，更新所述非支配解集；返回执行步骤2)，直至达到最大迭代次数，并将最后一次迭代后得到的更新后的非支配集中的调度方案作为目标调度方案。

本发明实施例将传统调度衡量指标(makespan和TEC)作为所研究调度问题的其中两个优化目标。由于在实际生产环境中不同的订单有着不同的程度的延迟惩罚和库存成本，所以本文将极小化总加权早到延迟惩罚作为所研究调度问题的另一个优化目标，进而可以使订单的实际完成时间更加接近于合同上的订单交付时间。

本发明实施例提供了一种基于历史信息指导的多目标工件批调度装置，所述装置包括：调度模块，用于在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体，其中，所述约束条件包括：机器的容量、工件尺寸、同一工件仅能调度一次、最小化能源消耗以及最小加工时间中的一种或组合；

优化模块，用于以最小化早到延迟惩罚为目标对各个当前种群中的各个个体对应的调度方案进行优化，得到优化后的当前种群；

更新模块，用于将当前种群分为若干个子种群，针对每一个子种群，运用基于分解的思想淘汰掉其中第一预设数量个个体，将剩余的个体作为精英个体；根据所述子种群中各个精英个体的调度方案更新各个子种群的历史信息矩阵；根据更新后的历史信息矩阵以及随机变量获取新个体的生成参数，并根据所述新个体的生成参数生成第二预设数量个补充个体；

返回模块，用于将所述精英个体与所述补充个体的组合作为当前种群，获取所述当前种群中的帕累托非支配个体，并将所述当前种群中的帕累托非支配个体加入到非支配解集中，更新所述非支配解集；触发优化模块，直至达到最大迭代次数，并将最后一次迭代后得到的更新后的非支配集中的调度方案作为目标调度方案。

发明的优点在于：(1)

(2)局部竞争和内部替换作为两个新颖有效的策略在HGEA/D-L算法中被提出。局部竞争策略是基于批的浪费空间比率和工件的加权早到延迟惩罚两个结构指标而制定的。这两个指标可以用来引导工件位置的调整，以寻找优质的邻域个体来和当前个体竞争。在内部替换策略中，基于分解的精英保留策略将目标空间划分成若干个子空间，对应子空间中个体的集合被称为对应子空间的子种群。然后，在保证子种群包含个体数尽可能相等的前提下，淘汰一半数量的个体，保留另一半作为精英个体。随后，通过历代精英个体更新的历史信息矩阵来引导一半数量新个体的生成。最后，这两部分个体组成了下一代的种群。两个策略相辅相成，可以在可期时间内搜索到高质量且分布广的可行解。

附图说明

图1为本发明提供的基于历史信息指导的多目标工件批调度方法的流程示意图；

图2为本发明提供的基于历史信息指导的多目标工件批调度方法的原理示意图；

图3为本发明实施例提供的参考向量分布示意图；

图4为本发明实施例提供的一个可行解样例示意图；

图5为本发明实施例提供的一种基于历史信息指导的多目标工件批调度方法中所有的工件都完成交换后所呈现的一种工件分布示意图；

图6为本发明实施例提供的一种基于历史信息指导的多目标工件批调度方法中所有的工件都完成交换后所呈现的另一种工件分布示意图；

图7为本发明实施例提供的

的更新过程示意图；

图8为本发明实施例提供的

的更新过程示意图；

图9为本发明实施例提供的

的更新过程示意图；

图10为本发明实施例中第一目标矩阵的生成过程；

图11为本发明实施例中第二目标矩阵的生成过程；

图12为本发明实施例中

中a与i直接的对应关系的生成过程；

图13为本发明实施例中提供的可行的调度方案示意图；

图14为本发明实施例“MN1S2A2-1”的非支配个体散点图；

图15为本发明实施例“MN2S1A3-1”的非支配个体散点图；

图16为本发明提供的基于历史信息指导的多目标工件批调度装置的结构示意图。

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，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。

实施例1

图1为本发明提供的基于历史信息指导的多目标工件批调度方法的流程示意图，图2为本发明提供的基于历史信息指导的多目标工件批调度方法的原理示意图，如图1和图2所示，所述方法包括：

S101：在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体，其中，所述约束条件包括：机器的容量、工件尺寸、同一工件仅能调度一次、最小化能源消耗以及最小加工时间中的一种或组合。

首先，如图2所示，对本发明实施例提供了一种HGEA/D-L(History-GuidedEvolutionary Algorithm based on Decomposition with Local competition，历史信息指导的带有局部竞争策略的分解进化算法)的算法框架进行介绍，该算法主要体现在S102-S104步骤中。算法的输入包括：种群规模N，最大迭代次数t_max，参考向量V。非支配个体集合A作为算法的输出保存了已经早到的非支配个体。算法3-5行，初始种群P₀、空个体集合A、历史信息矩阵H₀被分别初始化。主循环包含了两个主要策略。在第7行的局部竞争策略中，优秀的邻域个体替代较差的已有个体。在第8-9行的内部替换策略中，基于分解的精英保留策略将淘汰N/2个个体。随后，算法通过利用剩下N/2个被视为精英的个体来更新历史信息矩阵，并且在更新后历史信息矩阵的指导下生成N/2个新个体。在算法第10行，精英个体和新个体合并成为下一代的新种群。在算法第11行，算法通过帕累托占用规则更新非支配个体集合A，具体伪代码如下：

算法1HGEA/D-L算法框架

1：输入：种群规模N，最大迭代次数t_max，参考向量V；

2：输出：非支配个体集合A；

3：随机初始化一个规模为N初始种群P₀；

4：初始化一个空的非支配个体集合A；

5：初始化历史信息矩阵H₀；

6：while t＜t_max do

7：P_t'＝LC(P_t)；/*局部竞争策略*/

8：P_t+1＝EP(V,P_t')；/*精英保留策略淘汰N/2个体*/

9：H_t+1,Q＝UG(H_t)；/*更新历史信息，生成N/2新个体*/

10：P_t+1＝P_t+1∪Q；

11：将P_t+1中的非支配个体加入集合A并更新A；

12：t＝t+1；

13：end while

被研究的问题通过3-field表示法可以表示为Q_m∣p-batch，p_j，s_j，d_j，α_j，β_j，v_i，e_i，C∣(C_max，TEC，TWET)。假设n个工件被分配成b个批在m个平行异速机上加工。每一个工件J_j(j＝1，2，...，n)都具有5个属性，分别是加工时间p_j，工件尺寸s_j，交付时间d_j，早到惩罚权重α_j以及延迟惩罚权重β_j。生成的批用B表示。每一个批B_k(k＝1，2，...，b)都包含复数个工件，在同一个批中的工件被同时加工。每一台机器M_i(i＝1，2，...，m)则具有机器速度v_i，单位机器能耗e_i和机器容量C，其中v_i由机器M_i的加工速度除以标准加工速度而得。所有的机器和工件在调度开始时都是可用的，且已经开始加工的批在加工完成前不能被中断。为了描述该问题的混合整数模型，接下来将会给出参数和决定变量的定义。

参数：i机器索引，i＝1，2，...，m；J工件索引，j＝1，2，...，n；k批索引，k＝1，2，...，b；p_j工件j的加工时间；s_j工件j的尺寸；d_j工件j的交付时间；α_j工件j的早到惩罚权重；β_j工件j的延迟惩罚权重；v_i机器i的加工速度；e_i机器i的加工能耗；C机器的容量；P_ki第k个批在机器i上的加工时间；S_ki第k个批在机器i上的开始时间；C_ki第k个批在机器i上的完成时间；决策变量：

接下来，问题的混合整数模型如下：

表示了调度问题的三个优化目标，即最小化总完工时间，电能消耗和总加权早到延迟惩罚。

约束：

表示了每个批只能分配给一个确定的机器；

每个工件只能分配给确定机器的一个批中加工；

表示每个批中工件尺寸之和不得超过机器的容量；

P_ki≥p_jY_jki/υ_i i＝1,...,m；j＝1,...,n；k＝1,...,b，表示批的加工时间等于批中工件的最大加工时间除以机器速度；

S_ki＝C_(k-1)i k＝1,...,b；i＝1,...,m，表示机器中的批是无缝加工的，即批的调度时间为零；

C_ki＝S_ki+P_ki k＝1,...,b；i＝1,...,m，表示批的完工时间等于批的开始时间加批的加工时间

S_o,i＝0 i＝1,...,m表示所有机器都在调度开始时可以加工；

C_max≥C_ki k＝1,...,b；i＝1,...,m，表示总完工时间；

表示工件早到时间；

表示工件延迟时间。

示例性的，本发明实施例需要一组预先生成的参考向量作为输入。图3为本发明实施例提供的参考向量分布示意图，如图3所示，通过simplex-lattice设计法生成均匀分布在超平面的参考点。随后，通过连接原点到参考点获得一组参考向量。最后，将所有参考向量转化成单位向量。

为了获得更好的多样性，N个初始个体被随机生成。每一个初始个体x都可以被表示为一个由n个实数组成的临时向量，X＝{x₁，x₂，…，x_n}，其中x_j∈[1，m+1)。x_j的整数部分代表了工件J_j所属机器的索引，x_j的小数部分反映了工件J_j在所属机器上的加工优先级。一个可行的调度方案可以由X通过两个步骤解码而得。第一步，对每台机器上的工件按顺序索引的非递减顺序进行排序。表1为各个机器上的工件排序表，如表1所示，前3行分别给出了样例工件的索引、加工时间和尺寸。表1的第4行给出了每个工件的x_j。显而易见，工件J_j所属机器的索引等于

例如，工件J₁与J₂被分配到机器M₁，而工件J₃被分配到机器M₂。同一机器上工件的处理顺序由x_j小数部分的非递减顺序决定。所以，从表1可知，机器M₁和M₂上工件的加工顺序分别为(J₂，J₁，J₇)，(J₆，J₃，J₅，J₈，J₄)。

表1

j	1	2	3	4	5	6	7	8
									pj	43	14	34	8	29	18	27	28
sj	16	6	9	21	13	30	24	4
									xj	1.75	1.24	2.28	2.85	2.43	2.05	1.92	2.73

然后，在满足机器容量限制的条件下，将工件分批。经过上述两步后，一个可行的调度方案就生成了。表1中的实例经过解码后可以得到如图4所示的调度方案，图4为本发明实施例提供的一种基于历史信息指导的多目标工件批调度方法中其中一个可行解样例示意图。如图4所示，实例中的所有机器的容量为40，机器M₁和M₂的加工速度分别是2和1。然后，按照上述方式进而得到若干个解，将每一个解作为一个个体，得到当前种群。

S102：以最小化早到延迟惩罚为目标对各个当前种群中的各个个体对应的调度方案进行优化，得到优化后的当前种群，这个优化策略称之为局部竞争策略；

具体的说，为了极小化目标TWET，工件的加工应该尽可能准时完成，每个工件的加权早到延迟惩罚(WET)应该尽可能得低。与此同时，由于每个工件的加工时间和尺寸都不相同，最小化批的空间浪费比可以同时优化总完工时间和TEC。所以，为了加速HGEA/D-L的收敛，这里提出了一个局部竞争策略。通过这个策略，可以达到使工件尽可能在交付时间完成和降低批的空间浪费比的目的。在每一次迭代开始时，算法对现有个体执行一次局部竞争策略。该策略由局部优化和个体竞争两部分组成。局部优化是针对所述当前种群中的每一个个体，将所述个体作为当前个体，将当前个体对应的调度方案中的第一个批作为当前批，针对所述当前批中的每一个当前工件，获取所述当前调度方案对应的最小化早到延迟惩罚。下面是局部竞争策略的两个步骤：

21)、工件交换：在满足机器容量约束的条件下，每一个工件都尝试与其他批的工件交换，以寻求工件的WET尽可能小。利用公式，

选择与当前待交换工件J_λ交换的工件J_v，使得两工件交换后对应的早到延迟惩罚之和最小，其中，J_v为最终被选择交换的工件；

为在函数取最大值时求解自变量函数；J_λ为当前待交换工件；J_μ为除当前待交换工件之外的其他与当前工件模拟交换的工件；_Ω为除当前待交换工件之外的其他与当前工件模拟交换的工件的集合；

为工件J_λ的早到惩罚权重；

为工件J_λ的早到时间；

为工件J_λ的与工件J_μ模拟交换后的早到时间；

为工件J_λ的延迟惩罚权重；

为工件J_λ的延迟时间；

为工件J_λ的与工件J_μ模拟交换后的延迟时间；

为工件J_μ的早到惩罚权重；

为工件J_μ的早到时间；

为工件J_μ的与工件J_λ模拟交换后的早到时间；

为工件J_μ的延迟惩罚权重；

为工件J_μ的延迟时间；

为工件J_μ的与工件J_λ模拟交换后的延迟时间；

随后，判断

是否大于零；若大于零代表了工件J_λ和J_v的交换确实可以带来早到延迟惩罚的下降，即可以将工件J_v与当前工件J_λ交换位置；

22)、工件插入：将完工时间较长批中的工件尽可能的向完工时间较短的批中插入，与此同时尽可能保证工件的WET在插入后减小。值得注意的是，如果工件插入操作使得原来的批为空，则在插入操作后直接删除这个批。判断条件

和

可以筛选出插入批B_u不违反机器容量约束且被早到延迟惩罚下降的工件。其中，C为批的总容量；

为工件J_μ的尺寸；B_u为当前批；J_μ为已调度至当前批中的工件；

为工件J_λ的模拟插入到当前批B_u后的早到时间；

为工件J_λ的模拟插入到当前批B_u后的延迟时间。为了保证种群个体的多样性，工件插入步骤被设定了50％的执行几率。

21)-22)步骤的伪代码可以为：

算法2局部竞争算法

其中算法1到10行为步骤21)，算法11到22行为步骤22)。为了使得局部竞争算法更容易理解，下面给出了利用局部竞争算法优化图4例子的详细过程。表2为本发明实施例中所有工件的交付时间，如表2所示，同时为了便于理解，这里假设工件的早到和延迟惩罚为1。

表2

j	1	2	3	4	5	6	7	8
									dj	50	48	38	15	29	26	34	55

首先，执行算法第1-10行的工件交换方法。由图4可知，批B₁、B₂、B₃和B₄的完工时间分别为21.5、35、34和63。按照批的完工时间升序排序后，所得到的批序列为(B₁，B₃，B₂，B₄)。根据第2-9行所示，算法将按照(J₂，J₁，J₆，J₃，J₇，J₅，J₈，J₄)的顺序轮询所有工件，判断并执行工件交换的操作。，如图4所示，以批B₁中的工件J₂为例，只有工件J₃，J₄，J₅和J₈和工件J₂交换后满足机器容量约束。根据算法第5行的公式和第6行的条件，工件J₄和J₂交换可以最大化减少工件的WET。图5为本发明实施例提供的经过步骤21)的工件交换后所有的工件所呈现的一种工件分布示意图。

在可以最大化减少工件的WET的情况下，第二步，执行算法第10-22行的工件插入方法。根据图5可以计算得出，不存在能够满足插入批B1后工件WET下降条件的工件。如图5所示，在批B3和B4中，工件J1插入批B2能够最大化降低工件的WET。工件J₁插入批B₂后，则不存在满足插入条件的工件。图6为本发明实施例提供的经过步骤22)的工件插入后所有的工件所呈现的另一种工件分布示意图。

S103：将当前种群分为若干个子种群，针对每一个子种群，运用基于分解的思想淘汰掉其中第一预设数量个个体，将剩余的个体作为精英个体；根据所述子种群中各个精英个体的调度方案更新各个子种群的历史信息矩阵；根据更新后的历史信息矩阵以及随机变量获取新个体的生成参数，并根据所述新个体的生成参数生成第二预设数量个补充个体；

示例性的，在本步骤中将会有N/2个较差的个体被淘汰，N/2个新个体在历史信息的引导下加入当前种群。因此，内部替换策略包括两个阶段，基于分解的精英保留和历史信息指导的个体生成。

首先，类似于其他基于分解的进化算法，本发明实施例提供的HGEA/D-L算法会将现有个体分配到由参考向量划分的多个子种群中。随后，HGEA/D-L会对每个子种群都进行一次精英保留。以其中一个子种群为例，基于分解的精英保留策略包含三个步骤，目标值标准化，种群划分和均匀精英保留。

目标值标准化：由于所有的参考向量都是单位向量，所以每个个体的目标向量都需要进行同步的标准化调整。这里f_t，I表示个体I在第t次迭代的目标向量，其包含了三个目标值，即f_t，I＝(f_t，I，1，f_t，I，2，f_t，I，3)。

和

则分别代表了第t次迭代的种群中各个目标的最大和最小值集合。如下是第t代中个体I的第o个目标值f_t，I，o的标准化公式，

将当前次迭代中优化后个体的组合作为当前种群，并利用公式，

对当前种群中的各个个体的目标向量进行标准化处理，其中，f′_t,I,o为标准化后的第I个个体的目标向量中的第O个目标值；f_t,i,o为第I个个体的目标向量中的第O个目标值；

为I个体的目标向量中的第O个目标值的最小值；

为I个体的目标向量中的第O个目标值的最大值；I为I个体的目标向量的数量；P_t为当前次迭代中个体的集合；O为个体的目标向量中包括的目标值的个数；

种群划分：在目标值标准化之后，种群P_t将被划分成|V|个子种群，分别表示为

算法将按照个体I的目标向量与各参考向量夹角的大小，将I划分夹角最小的参考向量所属的子种群。

根据标准化处理后的目标向量以及各个子种群对应的预设的参考向量，利用公式，

计算优化后的个体对应的标准化后的目标向量与各个参考向量之间的夹角，并将当前种群中优化后的个体划分至与自身夹角最小的参考向量对应的子种群中，其中，cosθ_t,I,g为个体I的标准化后的目标向量与参考向量g之间的夹角；f′_t,I为目标向量标准化后的个体I的目标向量；t为第t次迭代中对应的当前次迭代的序号；||f′_t,I||为进行目标向量标准化后的个体I的目标向量的模；||v_g||为参考向量g的模；v_g为第g个参考向量；P_t为第t次迭代中对应的当前种群；g为当前种群对应的第g个子种群；V为子种群的数量；利用公式，D_t,I,o＝||f′_t,I,o||I∈{1,2,...,|P_t|}.，计算进行目标向量标准化后的个体到原点的距离；这里θ_t，I，g代表了目标向量f′_t,I与参考向量v_g之前的夹角。因此，当且仅当f′_t,I与参考向量v_g的COS值最大时，个体I被划分到子种群

中。以此同时，个体I到原点的距离表示为D_t，I。D_t，I可以反映个体I的收敛程度，通常D_t，I值越小个体I离帕累托前列越近。

均匀精英保留：基于上述提到的D_t，I，N/2个精英个体将被从当前种群P_t选出并进入下一代种群P_t+1，未被选中的个体将被直接删除。选择精英个体的过程中，需尽量保证每个子种群的精英个体数量相等。也就是说，要均匀的在各个子种群中选取精英个体。下面的伪代码详细描述了均匀精英保留策略的过程。

算法3精英保留策略

其具体可以为：选择每个子种群中个体到原点的距离较小的一半数量的个体，作为精英个体加入下一代种群，各子种群选择的精英数量尽量保持一样。

在精英保留策略选取了N/2个精英个体并将其加入下一代种群P_t+1后，这些个体上的历史信息会被提取出来，以更新历史信息矩阵。随后，算法需要生成另一半有竞争力的个体加入P_t+1。因此，这个策略分为两步，更新历史信息矩阵和新个体生成。

历史信息被表示为三个矩阵，H₁、H₂和H₃。每一个子种群

都拥有一组历史信息矩阵，

和

根据所述精英个体，利用公式，

以

为初始值，利用公式，

更新历史信息矩阵中工件j在第g个子种群中的加工优先级、第g个子种群中加工工件数量排第a位的机器加工工件的数量、第g个子种群中机器M_i是加工工件数量排第a机器的概率，其中，

为第L次更新后历史信息矩阵中工件j在第g个子种群中的加工优先级，

的值越小，相对应的工件J_j在第g个子种群的加工优先级越高。；L为更新次数，且L小于等于

N为精英个体的数量；

为第L-1次更新后历史信息矩阵中工件j在第g个子种群中的加工优先级；n为子种群g中包含的工件的数量；φ_g,I为子种群

和个体I之间匹配关系，且

C_j,I为个体I中工件J_j的完工时间；j为工件的序号；n为工件的数量；g为子种群的序号；V为子种群的数量；

为第L次更新后第g个子种群中加工工件数量排第a位的机器加工工件的数量；

为第L-1次更新后第g个子种群中加工工件数量排第a位的机器加工工件的数量；∑为求和函数；

为机器M_i和加工工件数量排第a名机器之间的匹配关系，且

U_i,I为机器M_i的工件加工数量；

为第L次更新后第g个子种群中机器M_i是加工工件数量排第a机器的概率；γ_t为自适应学习速度，且

t_max为最大迭代次数；m为机器数量；这里C_j，I和U_i，I分别代表了在个体I中工件J_j的完工时间和机器M_i的工件加工数量。自适应学习速度γ_t是一个在0.3到0.7之间的一个实数。为了避免算法在优化过程中陷入局部最优，γ_t被设定随着迭代数t的增大而增大

利用公式，

更新历史信息矩阵中的优先级矩阵、机器加工工件的数量矩阵以及工件数量与机器的匹配概率矩阵，其中，

为历史信息矩阵中的优先级矩阵；

为机器加工工件的数量矩阵；

为工件数量与机器的匹配概率矩阵。

下面结合具体实例，对更新历史信息矩阵的更新过程进行说明。

1、表3为本发明实施例提供的

的示例，如表3所示，包含了2台机器和8个工件的

样例。这里L和a分别代表了更新次数和机器顺序索引。L＝0意味着

是初始化的状态，L＝1则代表

已经通过一个精英个体更新了一次。因此，第二行的数字代表了

的初始值。a＝1和a＝2分别代表了所有机器中加工工件数量排第一和第二的机器。因此，

中的元素

代表了在第g子种群中加工工件数量排第a位的机器加工工件的数量。需要强调的是，顺序索引a是不同于机器索引i的。如图6所示，当L＝0时，

中的所有元素都为0，这意味着尚且没有工件被加工。当L＝1时，两个机器分别加工了5个和3个工件，但是对应机器的索引不需要被指定。

表3

2、第g个子种群中a和i之前的匹配概率矩阵即

中的元素

代表了在第g个子种群中机器M_i是加工工件数量排第a机器的概率。H₃的初始化公式如下：

表4为本发明实施例提供的对应于表3的

初始值，其中每个元素的初始值均为1/m。表5为本发明实施例提供的对应于表3的

更新后的值，如表4和表5所示，

表4

表5

如表5所示，

意味着机器M₁加工工件的数量有25％的概率多于机器M₂加工工件的数量，即75％的概率少于。对于每一个子种群来说，

第a行的数据代表了每一个机器加工工件数量排第a名的概率，

第i列的数据代表了在所有机器中机器M_i加工工件数量获得各种排名的概率。因此，对于每一个

都具有一条显而易见的属性，那就是每一行或者列的数字之和都等于1.

然后，根据上文中种群划分方法，图4中的个体I被分配给第g个子种群。

图7为本发明实施例提供的

的更新过程示意图；图8为本发明实施例提供的

的更新过程示意图；图9为本发明实施例提供的

的更新过程示意图；如图7-9所示，图7提供了一个更新第g个子种群历史信息矩阵

的例子。其中，

代表了

的初始值。根据

的计算公式，利用个体I中工件的完工时间，

被更新，获得

类似于图7，图8提供了一个更新第g个子种群历史信息矩阵

的例子。其中，

和

分别代表了

的初始值和通过

的计算公式，以及

的计算公式更新一次后的值。图9展示了

的更新过程，其中矩阵初始值

为0.5。同样的，通过

的计算公式更新一次后的

称之为

最后，生成新的N/2个新的个体加入到当前种群中。在HGEA/D-L算法中，新个体的生成分为三个步骤：历史信息源的选择，过渡数据的生成和可行调度的生成。

(i)历史信息源的选择：在HGEA/D-L算法中，每个子种群都具有相对应的历史信息源，以用来生成接近自身种群的新个体。为了提高算法对于计算性能的利用率和尽可能的探索决策空间，应该尽可能在个体数量较少的子种群附近生成新个体。这样做同时也可以有效的保证个体的多样性。因此，算法将子种群的个体数量转换成了种群选择概率，然后通过轮盘赌的方法来决定新个体的生成将选择哪一个历史信息源。

(ii)过渡数据的生成：图10为本发明实施例中第一目标矩阵的生成过程；图11为本发明实施例中第二目标矩阵的生成过程；图12为本发明实施例中

中a与i直接的对应关系的生成过程；如图10-12所示，在构建可行的调度之前，算法还需要利用所选择的历史信息源生成一系列的过渡数据。当生成过渡数据时，算法将会用到一个自定义的计算操作

对于两个v维向量H和Y，计算操作

被定义如下：

算法通过下述三个步骤来生成过渡数据：

(a)计算

这里δ是一个与

同维的随机变量，其中每一个元素都是一个随机实数。随后，通过将

中元素进行非降序排序来获得工件顺序。

(b)计算

这里ε是一个与

同维的随机变量。随后，通过计算

获得一个1*m向量R＝(r₁，r₂，…，r_m)。最后，通过计算

获得一个1*m向量W＝(w₁，w₂，…，w_m)。这里W中的元素w_a代表了算法估算出的工件加工数量排第a名的机器应当加工工件的数量。需要注意的是，为了保证W中的元素之和为n，第m个元素的计算公式为

(c)通过轮盘赌确定

中a与i直接的对应关系，具体伪代码如下所示：

算法4确定a和i之间的关系

上文随机变量δ和ε值的设定将参照下文参数设定部分。基于图9，图10和图11中的历史信息矩阵，生成过渡数据的三个步骤分别如图12，图13和图14所示。最终，通过a与i的对应关系和向量W，每台机器应当加工工件的数量可以被确定。

(iii)可行调度的生成：通过已经获得的过渡数据，算法可以生成一个可行的调度方案。根据已经生成的工件顺序，将这些工件根据机器容量限制分批。按照这些批的索引升序排序后，按顺序将所有批分配给机器，并且保证满足如下两个条件。其一，保证批分配给机器时，该机器已经分配到的工件数量不超过向量W中对应的数量；其二，保证批分配给所选机器后，该批的完工时间相对于分配到其他机器的完工时间是最小的。利用图10-12中的过渡数据，所生成的可行调度如图13所示，图13为本发明实施例中提供的可行的调度方案示意图，四个批被构建，每个批都具有两个工件。首先，批B₁被分配给加工速度最快的机器M₁。下一步是分配批B₂。由于批B₂分配给机器M₁和M₂后计算得到的完工时间分别是38.5和34，所以选择由机器M₂加工批B₂。类似地，批B₃被分配给机器M₁加工。最后，尽管批B₄分配给机器M₁的完工时间仍小于分配给机器M₂的完工时间，但是机器M₁的加工工件数已经超过了对应的限制，所以选择由机器M₂加工批B₄。

S104：将所述精英个体与所述补充个体的组合作为当前种群，获取所述当前种群中的帕累托非支配个体，并将所述当前种群中的帕累托非支配个体加入到非支配解集中，更新所述非支配解集；返回执行步骤2)，直至达到最大迭代次数，并将最后一次迭代后得到的更新后的非支配集中的调度方案作为目标调度方案。

需要说明的是，本发明S104步骤完成非支配解集更新后若达不到最大迭代次数将跳转至S102步骤进行下一次迭代，本发明实施例在此不再赘述。

为了对本发明实施例的技术效果进行说明，本发明将HGEA/D-L算法与其他两种多目标算法作对比，以实验结果为依据来评价各个算法的性能。两个对比算法分别是Cheng等人提出的RVEA和Deb和jain提出的NSGA-III。由于对比算法不能直接用来求解所研究问题，所以对比算法在编解码部分有一些相关的修改。表6提供了生成本发明实施例所使用的参数列表，

表6

如表6所示，参数A用于调整工件交付日期的紧急程度。A的值从集合{0.5，1，1.5}中选择，分别表示交付日期的紧急，正常和宽松。工件的完工时间随机生成与[p_j，AC_max]内，其中C_max为通过FirstFit规则求得的最大完工时间。为了缩减实验时间，实验在工件和机器规模方面，仅考虑了(n＝150，m＝3)和(n＝300，m＝5)两组组合的情况。最终，根据本发明实施例参数的不同组合，生成了18组随机本发明实施例，每组本发明实施例包含十个本发明实施例。

根据预实验的结果和其他文献关于参数设置的建议，将一些参数的值设置为：simplex-lattice设计参数为(13，0)；参考向量数量为105；种群规模为200；迭代总次数为200；ε∈[0,2]；δ∈[0.8,1.2]。

为了衡量对目标对比算法的性能，本文使用的评价指标包含：反转时代距离(IGD)、覆盖率(C)和假设检验的P值，可以从各个方面比较不同算法间的优劣。

表7为算法RVEA，NSGA-III，HGEA/D，RVEA-L，NSGA-III-L和本发明实施例提供的HGEA/D-L算法在每一组本发明实施例上的实验结果对比。这里RVEA，NSGA-III和HGEA/D代表了一组未使用局部竞争策略的算法；RVEA-L，NSGA-III-L和HGEA/D-L则代表了一组使用局部竞争策略的算法。第一列根据表6列出了每一个本发明实施例组所对应的编码。第二行中的“IGD”和“SD”分别代表了算法对应各本发明实施例组的平均IGD值和平均IGD的标准方差。对于每个本发明实施例组中的每个本发明实施例，每个算法都会执行10次。最后，每个算法对于每组本发明实施例的实验结果都会记录求和并算出平均IGD值和平均IGD的标准方差。另外，最后一行提供了每一列数据的总平均值；每一组本发明实施例的“IGD”和“SD”最优值将加粗显示。

表7

表7的第2-7列展示了未使用局部竞争策略的三个算法的对比结果，这里不难看出算法HGEA/D在每一组本发明实施例上的IGD值都比比其他两种算法优秀。结果表明，该算法虽然没有考虑局部竞争策略，但其收敛性能仍优于其他两种算法。也就是说，算法HGEA/D的内部替换策略可以更有效率的探索搜索空间，比算法RVEA和NSGA-III的交叉变异策略更加适合解决此类研究问题。

表7的第8-13列展示了带有局部竞争策略的三个算法的实验对比结果。RVEA-L、NSGA-III-L和HGEA/D-L在每个实例组上的平均IGD值明显优于不使用局部竞争策略的对应算法。结果表明，局部竞争策略能够增强算法的探索能力。可以看出，HGEA/D-L在所有组实例上的平均IGD值都优于RVEA-L和NSGA-III-L。也就是说，在局部竞争和内部替换的综合作用下，HGEA/D-L有能力找到更接近真实的帕累托前沿的个体。此外，最后一列HGEA/D-L的平均SD值都比其他算法小很多，说明采用上述两种策略的HGEA/D-L比其他算法更稳定。

表8给出了三个比较算法对每个本发明实施例组的平均覆盖率和假设检验结果。每个算法对每个本发明实施例十次运行所获得个体的非支配解集和用于覆盖率的计算。每组10个本发明实施例的平均覆盖率值是每组的最终结果。

表8

如表8所示，从第2-5列，可以发现HGEA/D-L在所有本发明实施例组上的性能都优于其他算法。从第6-9列的假设检验结果可以看出，HGEA/D-L与其他两种算法在所有本发明实施例上的结果都存在显著性差异。因此，HGEA/D-L的表现在每个本发明实施例中都明显优于NSGA-III和RVEA。

图14为本发明实施例“MN1S2A2-1”的非支配个体散点图；图15为本发明实施例“MN2S1A3-1”的非支配个体散点图；如图14和图15所示，“MN1S2A2-1”和“MN2S1A3-1”分别代表了本发明实施例组“MN1S2A2”和“MN2S1A3”的第一个本发明实施例。为了让散点图更加具有可读性，这里采取了在二维直角坐标中展现非支配个体的分布而不是三维直角坐标。每个算法在每个本发明实施例上获得的个体由在这个本发明实施例上的每个算法十次运行中发现的个体组成。个体对应的点越接近坐标轴，对应的目标个体的质量越好。由图14可知，代表HGEA/D-L算法所获得个体的红点在三个目标方向都更接近坐标轴，这表明HGEA/D-L获得的个体质量远优于其他算法。与图14类似，图15也显示了HGEA/D-L与RVEA和NSGA-III算法相比的优越性能。

批处理机的调度问题的解具有特定的结构特征。例如，被分配到同一个批的工件共同决定了批的空间利用率和加工时间；批的加工顺序影响了批中工件的早到延迟惩罚。其二，作为一个NP难的多约束组合优化问题，它的解的结构特征难以被有效的表述和利用。因此，基于上述两点考虑，本文提出了一个历史信息引导的基于分解的带有局部竞争的进化算法(HGEA/D-L)，HGEA/D-L采用局部竞争策略加速收敛；其次，利用从精英个体中提取的历史信息来生成下一种群，进一步提高了算法的挖掘能力。因此，本发明实施例使用批调度问题解的结构指标作为优化依据和历史信息主体，通过结构特征的积累和学习，可以适应求解大规模批调度问题的算法；而且本发明实施例提供了一种新的优化策略来代替传统的交叉变异策略。综上所述，HGEA/D-L算法的整体性能优于其他比较算法，说明了该算法的有效性和高效性。原因有两个方面。

另外，工件调度问题有两大类传统的解决方法。其一，是通过分支限界法、动态规划算法求得问题的最优解。但是，此类方法无法解决复杂且规模庞大的批调度问题。其二，是以进化算法为代表的群智能算法。进化算法、粒子群算法等类似算法，由于依赖的交叉变异策略不适合批调度问题的求解，而难以获得质量高的调度方案。

为了解决上述问题，局部竞争和内部替换作为两个新颖有效的策略在HGEA/D-L算法中被提出。局部竞争策略是基于批的浪费空间比率和工件的加权早到延迟惩罚两个结构指标而制定的。这两个指标可以用来引导工件位置的调整，以寻找优质的邻域个体来和当前个体竞争。在内部替换策略中，基于分解的精英保留策略将目标空间划分成若干个子空间，对应子空间中个体的集合被称为对应子空间的子种群。然后，在保证子种群包含个体数尽可能相等的前提下，淘汰一半数量的个体，保留另一半作为精英个体。随后，通过历代精英个体更新的历史信息矩阵来引导一半数量新个体的生成。最后，这两部分个体组成了下一代的种群。两个策略相辅相成，可以在可期时间内搜索到高质量且分布广的可行解。

实施例2

与本发明图1所示实施例相对应，本发明还提供了一种基于历史信息指导的多目标工件批调度装置。

图16为本发明提供的基于历史信息指导的多目标工件批调度装置的结构示意图，如图16所示，所述装置包括：

调度模块1601，用于在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体，其中，所述约束条件包括：机器的容量、工件尺寸、同一工件仅能调度一次、最小化能源消耗以及最小加工时间中的一种或组合；

优化模块1602，用于以最小化早到延迟惩罚为目标对各个当前种群中的各个个体对应的调度方案进行优化，得到优化后的当前种群；

更新模块1603，用于将当前种群分为若干个子种群，针对每一个子种群，运用基于分解的思想淘汰掉其中第一预设数量个个体，将剩余的个体作为精英个体；根据所述子种群中各个精英个体的调度方案更新各个子种群的历史信息矩阵；根据更新后的历史信息矩阵以及随机变量获取新个体的生成参数，并根据所述新个体的生成参数生成第二预设数量个补充个体；

返回模块1604，用于将所述精英个体与所述补充个体的组合作为当前种群，获取所述当前种群中的帕累托非支配个体，并将所述当前种群中的帕累托非支配个体加入到非支配解集中，更新所述非支配解集；触发优化模块1602，直至达到最大迭代次数，并将最后一次迭代后得到的更新后的非支配集中的调度方案作为目标调度方案。

本发明实施例将准时调度的目标可以表示为极小化总早到延迟时间。由于在实际生产环境中不同的订单有着不同的程度的延迟惩罚和库存成本，所以本文将极小化总加权早到延迟惩罚作为所研究调度问题的另一个优化目标，进而可以使订单的实际完成时间更加接近于合同上的订单交付时间。

在本发明实施例的一种具体实施方式中，所述优化模块1602，用于：

21)、针对所述当前种群中的每一个个体，将所述个体作为当前个体，将当前个体对应的调度方案中的第一个批作为当前批，针对所述当前批中的每一个当前工件，获取所述当前调度方案对应的最小化早到延迟惩罚；

22)、在满足所述约束条件的情况下，将所述当前工件与除当前批之外的其他批中的各个工件进行模拟交换，计算所述当前调度方案对应的最小化早到延迟惩罚与模拟交换后的得到的若干个新的调度方案对应的最小化早到延迟惩罚之差的最大值，在所述最大值大于零时，将该差值的最大值对应的工件与所述当前工件交换位置；

23)、将该差值的最大值对应的工件与所述当前工件交换位置后得到的调度方案作为当前调度方案，将所述当前批的下一个批作为当前批，并返回执行步骤21)中所述获取所述当前调度方案对应的最小化早到延迟惩罚的步骤，直至所有的批都被遍历。

12、根据权利要求11所述的一种基于历史信息指导的多目标工件批调度装置，其特征在于，所述优化模块，用于：

利用公式，

获取所述当前调度方案对应的最小化早到延迟惩罚与模拟交换后的得到的若干个新的调度方案对应的最小化早到延迟惩罚之差的最大值对应的工件，其中，

J_v为当前调度方案对应的最小化早到延迟惩罚与模拟交换后的得到的若干个新的调度方案对应的最小化早到延迟惩罚之差的最大值对应的工件；

为在函数取最大值时求解自变量函数；J_λ为当前工件；J_μ为除当前工件之外的其他与当前工件模拟交换的工件；_Ω为除当前工件之外的其他与当前工件模拟交换的工件的集合；

为工件J_λ的早到惩罚权重；

为工件J_λ的早到时间；

为工件J_λ的与工件J_μ模拟交换后的早到时间；

为工件J_λ的延迟惩罚权重；

为工件J_λ的延迟时间；

为工件J_λ的与工件J_μ模拟交换后的延迟时间；

为工件J_μ的早到惩罚权重；

为工件J_μ的早到时间；

为工件J_μ的与工件J_λ模拟交换后的早到时间；

为工件J_μ的延迟惩罚权重；

为工件J_μ的延迟时间；

为工件J_μ的与工件J_λ模拟交换后的延迟时间；判断

是否大于零；若是，将工件J_v与当前工件J_λ交换位置。

24)、根据预设的概率值执行步骤25)，

25)、将当前调度方案中的第一个批作为当前批，在满足所述约束条件的情况下，将当前批之外的其他批中的工件模拟插入到当前批中，并判断公式，

是否成立，其中，

C为批的总容量；

为工件J_λ的模拟插入到当前批B_u后的早到时间；

为工件J_λ的模拟插入到当前批B_u后的延迟时间；

26)、若是，将工件J_λ插入到当前批中，得到的新的调度方案，将所述新的调度方案加入到当前种群中，然后，将所述当前批的下一个批作为当前批，并返回执行所述将当前批之外的其他批中的工件模拟插入到当前批中的步骤，直至当前调度方案中所有的批都被遍历，其中，所述当前种群为调度方案的集合。

判断步骤25)中的当前调度方案与步骤26)中得到的新的调度方案之间进行帕累托优化，并将支配解代替被支配解加入到当前种群中，或者将不存在帕累托支配关系的两个解加入到当前种群中，其中，所述解为调度方案。

在本发明实施例的一种具体实施方式中，所述参考向量的生成过程包括：通过simplex-lattice设计法生成均匀分布在超平面的参考点；获取所述参考点到超平面所在坐标系的原点的子参考向量；将所述子参考向量转换为单位向量，将所述单位向量的组合作为参考向量。

在本发明实施例的一种具体实施方式中，所述更新模块1603，用于：将当前次迭代中优化后个体的组合作为当前种群，并对当前种群中的各个个体的目标向量进行标准化处理；根据标准化处理后的目标向量以及各个子种群对应的预设的参考向量，利用公式，

计算优化后的个体对应的标准化后的目标向量与各个参考向量之间的夹角，并将当前种群中优化后的个体划分至与自身夹角最小的参考向量对应的子种群中，其中，

cosθ_t,I,g为个体I的标准化后的目标向量与参考向量g之间的夹角；f′_t,I为目标向量标准化后的个体I的目标向量；t为第t次迭代中对应的当前次迭代的序号；||f′_t,I||为进行目标向量标准化后的个体I的目标向量的模；||v_g||为参考向量g的模；v_g为第g个参考向量；P_t为第t次迭代中对应的当前种群；g为当前种群对应的第g个子种群；V为子种群的数量；利用公式，D_t,I,o＝||f′_t,I,o||I∈{1,2,...,|P_t|}.，计算进行目标向量标准化后的个体到原点的距离；针对每一个子种群，将所述子种群中一半的个体作为精英个体保留，其中，所述精英个体到原点的距离均小于所述子种群中除精英个体以外的其他个体到原点的距离的最小值；根据所述精英个体更新各个子种群的历史信息矩阵；利用公式，

计算历史信息矩阵中的优先级矩阵对应的第一目标矩阵，其中，

为第一目标矩阵；

为历史信息矩阵中的优先级矩阵；

为预设的计算操作，且

δ为与

同维的随机变量；利用公式，

计算机器加工工件的数量矩阵对应的第二目标矩阵，根据第二目标矩阵，利用公式

计算出中间向量中各个元素的值，且R为1*m维向量，R＝(r₁，r₂，…，r_m)；然后，根据中间向量R，利用公式，

计算目标向量中的各个元素的值，目标向量为1*m向量，且目标向量W＝(w₁，w₂，…，w_m)，其中，

为机器加工工件的数量矩阵；

为第二目标矩阵；ε为与

同维的随机变量；目标向量W中的元素w_a为算法估算出的工件加工数量排第a名的机器应当加工工件的数量；目标向量中的第m个元素的计算公式为

利用轮盘赌算法确定

中a与i直接的对应关系；将第一目标矩阵、目标向量以及

中a与i直接的对应关系作为限制条件，生成

个可行的调度方案；根据已经生成调度方案对应的工件调度顺序，将这些工件根据机器容量限制分批；按照这些批的索引升序排序后，按顺序将所有批分配给机器，，且在进行批的分配时，使该批分配给所选机器后，该批的完工时间相对于分配到其他机器的完工时间最小。

在本发明实施例的一种具体实施方式中，所述更新模块1603，用于：

利用公式，

对当前种群中的各个个体的目标向量进行标准化处理，其中，

f′_t,I,o为标准化后的第I个个体的目标向量中的第O个目标值；f_t,i,o为第I个个体的目标向量中的第O个目标值；

为I个体的目标向量中的第O个目标值的最小值；

为I个体的目标向量中的第O个目标值的最大值；I为I个体的目标向量的数量；P_t为当前次迭代中个体的集合；0为个体的目标向量中包括的目标值的个数。

根据所述精英个体，利用公式，

以

为初始值，利用公式，

为第L次更新后历史信息矩阵中工件j在第g个子种群中的加工优先级；L为更新次数，且L小于等于

N为精英个体的数量；

和个体I之间匹配关系，且

为机器M_i和加工工件数量排第a名机器之间的匹配关系，且

U_i,I为机器M_i的工件加工数量；

t_max为最大迭代次数；m为机器数量；

利用公式，

为历史信息矩阵中的优先级矩阵；

为机器加工工件的数量矩阵；

为工件数量与机器的匹配概率矩阵。

Claims

1.一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述方法包括：

1)、在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体，其中，所述约束条件包括：机器的容量、工件尺寸、同一工件仅能调度一次、最小化能源消耗以及最小加工时间中的一种或组合；

2.根据权利要求1所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述步骤2)，包括：

3.根据权利要求2所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述步骤22)，包括：

利用公式，

为工件J_λ的早到惩罚权重；

为工件J_λ的早到时间；

为工件J_λ的与工件J_μ模拟交换后的早到时间；

为工件J_λ的延迟惩罚权重；

为工件J_λ的延迟时间；

为工件J_λ的与工件J_μ模拟交换后的延迟时间；

为工件J_μ的早到惩罚权重；

为工件J_μ的早到时间；

为工件J_μ的与工件J_λ模拟交换后的早到时间；

为工件J_μ的延迟惩罚权重；

为工件J_μ的延迟时间；

为工件J_μ的与工件J_λ模拟交换后的延迟时间；

判断

是否大于零；

若是，将工件J_v与当前工件J_λ交换位置。

4.根据权利要求3所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述步骤2)中在步骤23)之后，还包括：

24)、根据预设的概率值执行步骤25)，

是否成立，其中，

C为批的总容量；

为工件J_λ的模拟插入到当前批B_u后的早到时间；

为工件J_λ的模拟插入到当前批B_u后的延迟时间；

5.根据权利要求4所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述将所述新的调度方案加入到当前种群中，包括：

6.根据权利要求1所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述参考向量的生成过程包括：

通过simplex-lattice设计法生成均匀分布在超平面的参考点；

获取所述参考点到超平面所在坐标系的原点的子参考向量；

将所述子参考向量转换为单位向量，将所述单位向量的组合作为参考向量。

7.根据权利要求6所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述步骤3)，包括：

将当前次迭代中优化后个体的组合作为当前种群，并对当前种群中的各个个体的目标向量进行标准化处理；

cosθ_t,I,g为个体I的标准化后的目标向量与参考向量g之间的夹角；f′_t,I为目标向量标准化后的个体I的目标向量；t为第t次迭代中对应的当前次迭代的序号；||f′_t,I||为进行目标向量标准化后的个体I的目标向量的模；||v_g||为参考向量g的模；v_g为第g个参考向量；P_t为第t次迭代中对应的当前种群；g为当前种群对应的第g个子种群；V为子种群的数量；

利用公式，D_t,I,o＝||f′_t,I,o||I∈{1,2,...,|P_t|}.，计算进行目标向量标准化后的个体到原点的距离；

针对每一个子种群，将所述子种群中一半的个体作为精英个体保留，其中，所述精英个体到原点的距离均小于所述子种群中除精英个体以外的其他个体到原点的距离的最小值；

根据所述精英个体更新各个子种群的历史信息矩阵；

利用公式，