CN111242503A - 一种基于两层遗传算法的多目标柔性作业车间调度方法 - Google Patents
一种基于两层遗传算法的多目标柔性作业车间调度方法 Download PDFInfo
- Publication number
- CN111242503A CN111242503A CN202010076205.3A CN202010076205A CN111242503A CN 111242503 A CN111242503 A CN 111242503A CN 202010076205 A CN202010076205 A CN 202010076205A CN 111242503 A CN111242503 A CN 111242503A
- Authority
- CN
- China
- Prior art keywords
- population
- chromosome
- chromosomes
- genetic algorithm
- sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 230000002068 genetic effect Effects 0.000 title claims abstract description 60
- 230000035772 mutation Effects 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 210000000349 chromosome Anatomy 0.000 claims description 105
- 108090000623 proteins and genes Proteins 0.000 claims description 31
- 238000005457 optimization Methods 0.000 claims description 23
- 238000011423 initialization method Methods 0.000 claims description 8
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 claims description 3
- 238000009401 outcrossing Methods 0.000 claims description 3
- 230000007306 turnover Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
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
- G06Q10/06—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
- 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
- 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)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于双层遗传算法的多目标柔性作业车间调度方法,其特征是改进传统的遗传算法,使经过该遗传算法在有限时间内优化后的种群拥有较高的质量;同时,更改传统遗传算法对多目标问题的求解模式,提出一种双层求解的框架,相比于传统的遗传算法在求解质量上有明显提升。本发明优化了交叉策略、变异策略并删除了选择算子。本发明将上述改进遗传算法结合快速非支配排序和拥挤度计算模块,并为其设计了一种特殊的流程框架,将其称作双层遗传算法。该算法可以在有限的时间内获得优秀的非支配解集,拥有很好的实用性,能够很好地运用到实际车间调度中。
Description
技术邻域
本发明涉及一种生产调度技术,尤其是一种柔性车间高度技术,具体地说是一种基于两层遗传算法的多目标柔性作业车间调度方法。
背景技术
目前激烈的市场竞争,客户对产品呈现爆炸性的多样化、个性化的需求。企业产品的生产模式将逐渐由以往以企业为主导转变为以用户为主导。面对这种变化,传统以人工手动调度的方式已经不再能够满足企业的要求,必须采用信息化、智能化的手段对该问题进行处理。车间调度技术是实现制造企业高效率、高柔性和高可靠性的关键因素之一。一般研究车间调度问题时,都会以经典的作业车间调度问题为基础进行研究:每个工件包含多道工序,每道工序只能在一台机器上加工,并且仅仅能加工一次,加工时间是确定的,每个工件工序之间有先后顺序约束。本文在此基础上针对柔性作业车间调度问题进行研究,与作业车间调度相比,它的每一道工序都可以在给定的多台机器上进行加工。
现实中,对于柔性作业车间调度问题,管理者往往会对多个优化目标存在要求。然而,仅仅针对单目标进行求解所得出的方案往往会在其它目标上表现非常差,不符合实际加工的需要,因此多目标调度问题的求解就非常有必要。针对多目标优化问题的遗传算法通常是使用快速非支配排序与拥挤度计算方法对其种群进行筛选,但遗传算法所获得的非支配解集往往都集中在某个特定的范围,无法在全局的情况下获得优秀的解,其在迭代多次后往往就陷入了局部最优的困境,此时由于种群多样性不够优秀,无法再继续搜索。
综上所述,为了提高车间的生产效率,降低车间的运行成本,寻找到一种高效的人工智能算法对多目标柔性作业车间调度问题进行优化十分有必要。
发明内容
本发明的目的是针对现有的车间调度使用的单遗传算法应用于多目标搜索时存在所获得的非支配解集往往都集中在某个特定的范围,无法在全局的情况下获得优秀的解,其在迭代多次后往往就陷入了局部最优的困境,此时由于种群多样性不够优秀,无法再继续搜索的问题,发明一种基于双层遗传算法的多目标柔性作业车间调度方法,它基于快速非支配排序与拥挤度计算,通过双层设计从而优化种群质量,提高算法运行效率,实现车间的快速调度。
本发明的技术方案:
一种基于双层遗传算法的多目标柔性作业车间调度方法,其特征是改进传统的遗传算法,使经过该遗传算法在有限时间内优化后的种群拥有较高的质量;同时,更改传统遗传算法对多目标问题的求解模式,提出一种双层求解的框架,相比于传统的遗传算法在求解质量上有明显提升,它包括步骤如下:
首先,采用机器序列和工序序列相配合的编码方式作为编码格式:机器序列中每个基因分别代表了第几个工件的第几道工序所选择的加工机器;工序序列中,每个基因代表了工件号,根据其在染色体中出现的位置表示其代表第几道工序;
其次,采用全主动调度的解码方式作为解码方式:其有以下两种具体的方式,分别为贪婪式解码与翻转染色体解码;
其中:
贪婪式解码:即根据染色体的工序序列的先后顺序,在满足工序先后约束的情况下将工序插入到机器对应的最佳可行的加工时刻上;
翻转染色体解码:根据染色体的工序序列,从后向前排序,即在满足工序约束的前提下,先排列工序号较大的工序,再排列工序号较小的工序,同时按照贪婪式解码的规则将工序块尽量向前排。其真正的加工过程是将解码后的甘特图翻转过来,用于指导真正的加工过程;
全主动调度的解码方式即在以上两种解码方式中选择目标函数值较小的解码方式作为实际使用的解码方式;
第三,初始化:
若目标函数为最大完工时间最小,则采用以下初始化方式:针对机器序列的初始化方法采用全局搜索、局部搜索和随机初始化的方案,将其比例分别设置为0.2、0.2、0.6,同时针对机器序列的排序采用优先选择余下加工时间最长、优先选择余下操作数最多、随机选择的方案,其中各方案所占的比率分别为:0.4、0.4、0.2;若目标函数为其他,则采用完全随机的初始化方法;
第四,交叉方式:
工序序列交叉采用的交叉方式选择优先操作交叉算子和全局位置交叉算子,两种交叉算子各有50%的概率使用;
机器序列交叉方式采用随机交叉方式,即随机生成一个长度为机器序列长度,值为0或1的辅助序列,当该序列中元素为零时,交叉后生成的机器序列选用对应位置的父代1的基因,否则选用父代2的基因;
第五,变异方式:
针对染色体的机器序列的变异,随机从其机器序列中选出一个基因,根据该基因找到所属的工序,从其可选机器集中随机选择一个机器号,代替该基因;针对染色体的工序序列的变异,随机从工序序列中选择一个基因,并从该工序序列中随机选择一个位置进行插入操作;
第六,改进交叉策略和变异策略:
按照上述交叉方式,将工序序列交叉N次,N为机器数量;工序序列每交叉一次,机器序列交叉M次,M为工件数量;交叉后共生成2×N×M个染色体,将这些染色体分成两组,然后将两个父染色体分别加入其中,取出两个最优的染色体,作为下一代染色体;
按照上述变异方式,对当前种群中满足变异概率的染色体进行了变异操作后,将变异后的染色体放入一个集合中,与当前种群中最差的染色体进行比较,若比最差染色体更优秀,则代替,否则不变;
第七,删除选择算子:通过删除选择算子的方式,可以有效提高算法的稳定性和搜索深度;
第八,改进遗传算法模块:
步骤1:设置参数:种群规模N,交叉率α,变异率β;
步骤2:如果没有初始种群,则根据当前的目标函数,使用一定的初始化策略生成初始化种群,否则使用传递下来的初始种群。设置进化次数为0。
步骤3:计算各染色体的目标函数值,该值表征了个体的优劣程度。
步骤4:交叉。将种群打乱,从前向后,每两个染色体分为一组,对每组染色体随机生成一个概率值判断是否小于交叉概率α,若小于,则按照交叉策略对其进行交叉操作。
步骤5:变异。对种群中每一个元素随机生成一个概率值判断是否小于变异概率β,若小于,则按照变异策略对种群进行优化。
步骤6:进化次数自增,如果进化次数超过最大迭代次数,进入步骤7,否则返回步骤3。
步骤7:输出当前的染色体种群。
仅改进遗传算法模块是不足以满足多目标求解的要求,必须使用一定的算法框架才能很好地发挥该模块的作用;
第九,利用快速非支配排序与拥挤度计算模块优先输出拥挤度值较大的元素:
由于处理的是多目标优化问题,因此必须使用一种方法对种群内元素进行排序;假设A和B是多目标优化问题的一个解;若A在各个目标函数下的值均不劣于B在各个目标函数下的值,同时A至少存在一个函数值比B对应的函数值优秀,则称作A支配B。若A不支配B,B也不支配A,则称A无差别于B;根据种群中各元素间的支配关系,可将种群按优到劣分为多层;对于同一层的元素,其相互间存在拥挤度关系;该模块的输出规则为优先输出属于较优层级的元素,当层级相同时,优先输出拥挤度值较大的元素;
第十,利用双层遗传算法框架进行调度方案的优化:
该算法的步骤分为两层:其中步骤1到步骤4属于第一层,步骤5到步骤10属于第二层;
步骤1:每一个目标都生成大小为N的染色体种群;当目标函数为最小化最大完工时间时,使用该目标函数专属的初始化方式,否则使用随机初始化方式;
步骤2:将每一种群分别放入设定了不同的目标函数的遗传算法模块中,设定种群最大迭代次数为S1,输出优化后的种群;
步骤3:将每一个目标优化后的种群混合在一起,分别计算当前种群中各目标函数的最大值fjmax和最小值fjmin并记录下来;
步骤4:使用快速非支配排序和拥挤度计算,选择最优的N个染色体作为下一层的初始染色体种群;
步骤5:这是第二层中第一次寻优,则使用从第一层传下的初始种群,并保存为当前种群的非支配解,同时设定寻优次数为1,否则将第二层寻优所获得的种群加上第一层传下的种群,使用快速非支配排序和拥挤度计算策略,选择最优的N各染色体作为初始种群;
步骤6:依照以下的公式生成目标函数,其中各目标函数的相关权重λj为随机生成,各权重相加和为1,以该目标函数作为这一次改进遗传算法模块的目标函数;
目标函数:
其中:fi代表第i个染色体的目标函数值;k为目标数目;fij代表第i个染色体的第j个目标对应的目标函数值;fjmax、fjmin代表在第一层中所获得的各个目标函数的最大值和最小值;λj代表各目标所占的权重;
步骤7:将步骤5传得的种群放入到改进遗传算法模块中,作为该模块的初始种群,目标函数为步骤6所生成的目标函数,并设置遗传算法模块的最大迭代次数为S2;
步骤8:将步骤7获取的种群进行快速非支配排序和拥挤度计算,保留非支配解。寻优次数增加1;
步骤9:判断寻优次数是否达到最大寻优次数R,如果达到,则进入步骤10,否则返回步骤5;
步骤10:将步骤8所保留的非支配解集混合在一起,进行快速非支配排序,并输出非支配解。
本发明的有益效果是:
本发明解决了多目标柔性作业车间调度中相关算法所存在的稳定性差,搜索深度不够,无法对多目标中单一目标进行深入搜索的问题。
本发明通过改进的遗传算法,优化了交叉策略、变异策略并删除了选择算子。基于该改进遗传算法,本发明将改进遗传算法结合快速非支配排序和拥挤度计算模块,并为其设计了一种特殊的流程框架(双层遗传算法)。该算法可以在有限的时间内获得优秀的非支配解集,拥有很好的实用性,能够很好地运用到实际车间调度中。
附图说明
图1为本发明的双层遗传算法流程框架图。
图2为本发明中所用的改进遗传算法模块。
图3为案例Mk01所求出的非支配解目标函数值为[40,38,162]的一个甘特图。
具体实施方式
下面结合附图的实施例对本发明作进一步的说明。
如图1-2所示。
一种基于双层遗传算法的多目标柔性作业车间调度方法,它改进传统的遗传算法,使经过该遗传算法在有限时间内优化后的种群拥有较高的质量;同时,更改传统遗传算法对多目标问题的求解模式,提出一种双层求解的框架,相比于传统的遗传算法在求解质量上有明显提升,它包括步骤如下:
首先,采用机器序列和工序序列相配合的编码方式作为编码格式:机器序列中每个基因分别代表了第几个工件的第几道工序所选择的加工机器;工序序列中,每个基因代表了工件号,根据其在染色体中出现的位置表示其代表第几道工序;
其次,采用全主动调度的解码方式作为解码方式:其有以下两种具体的方式,分别为贪婪式解码与翻转染色体解码;
其中:
贪婪式解码:即根据染色体的工序序列的先后顺序,在满足工序先后约束的情况下将工序插入到机器对应的最佳可行的加工时刻上;
翻转染色体解码:根据染色体的工序序列,从后向前排序,即在满足工序约束的前提下,先排列工序号较大的工序,再排列工序号较小的工序,同时按照贪婪式解码的规则将工序块尽量向前排。其真正的加工过程是将解码后的甘特图翻转过来,用于指导真正的加工过程;
全主动调度的解码方式即在以上两种解码方式中选择目标函数值较小的解码方式作为实际使用的解码方式;
第三,初始化:
若目标函数为最大完工时间最小,则采用以下初始化方式:针对机器序列的初始化方法采用全局搜索、局部搜索和随机初始化的方案,将其比例分别设置为0.2、0.2、0.6,同时针对机器序列的排序采用优先选择余下加工时间最长、优先选择余下操作数最多、随机选择的方案,其中各方案所占的比率分别为:0.4、0.4、0.2;若目标函数为其他,则采用完全随机的初始化方法;
第四,交叉方式:
工序序列交叉采用的交叉方式选择优先操作交叉算子和全局位置交叉算子,两种交叉算子各有50%的概率使用;
机器序列交叉方式采用随机交叉方式,即随机生成一个长度为机器序列长度,值为0或1的辅助序列,当该序列中元素为零时,交叉后生成的机器序列选用对应位置的父代1的基因,否则选用父代2的基因;
第五,变异方式:
针对染色体的机器序列的变异,随机从其机器序列中选出一个基因,根据该基因找到所属的工序,从其可选机器集中随机选择一个机器号,代替该基因;针对染色体的工序序列的变异,随机从工序序列中选择一个基因,并从该工序序列中随机选择一个位置进行插入操作;
第六,改进交叉策略和变异策略:
按照上述交叉方式,将工序序列交叉N次,N为机器数量;工序序列每交叉一次,机器序列交叉M次,M为工件数量;交叉后共生成2×N×M个染色体,将这些染色体分成两组,然后将两个父染色体分别加入其中,取出两个最优的染色体,作为下一代染色体;
按照上述变异方式,对当前种群中满足变异概率的染色体进行了变异操作后,将变异后的染色体放入一个集合中,与当前种群中最差的染色体进行比较,若比最差染色体更优秀,则代替,否则不变;
第七,删除选择算子:通过删除选择算子的方式,可以有效提高算法的稳定性和搜索深度;
第八,改进遗传算法模块:如图2所示。
步骤1:设置参数:种群规模N,交叉率α,变异率β;
步骤2:如果没有初始种群,则根据当前的目标函数,使用一定的初始化策略生成初始化种群,否则使用传递下来的初始种群。设置进化次数为0。
步骤3:计算各染色体的目标函数值,该值表征了个体的优劣程度。
步骤4:交叉。将种群打乱,从前向后,每两个染色体分为一组,对每组染色体随机生成一个概率值判断是否小于交叉概率α,若小于,则按照交叉策略对其进行交叉操作。
步骤5:变异。对种群中每一个元素随机生成一个概率值判断是否小于变异概率β,若小于,则按照变异策略对种群进行优化。
步骤6:进化次数自增,如果进化次数超过最大迭代次数,进入步骤7,否则返回步骤3。
步骤7:输出当前的染色体种群。
仅改进遗传算法模块是不足以满足多目标求解的要求,必须使用一定的算法框架才能很好地发挥该模块的作用;
第九,利用快速非支配排序与拥挤度计算模块优先输出拥挤度值较大的元素:
由于处理的是多目标优化问题,因此必须使用一种方法对种群内元素进行排序;假设A和B是多目标优化问题的一个解;若A在各个目标函数下的值均不劣于B在各个目标函数下的值,同时A至少存在一个函数值比B对应的函数值优秀,则称作A支配B。若A不支配B,B也不支配A,则称A无差别于B;根据种群中各元素间的支配关系,可将种群按优到劣分为多层;对于同一层的元素,其相互间存在拥挤度关系;该模块的输出规则为优先输出属于较优层级的元素,当层级相同时,优先输出拥挤度值较大的元素;
第十,利用双层遗传算法框架进行调度方案的优化:
该算法的步骤分为两层:其中步骤1到步骤4属于第一层,步骤5到步骤10属于第二层;如图1所示。
步骤1:每一个目标都生成大小为N的染色体种群;当目标函数为最小化最大完工时间时,使用该目标函数专属的初始化方式,否则使用随机初始化方式;
步骤2:将每一种群分别放入设定了不同的目标函数的遗传算法模块中,设定种群最大迭代次数为S1,输出优化后的种群;
步骤3:将每一个目标优化后的种群混合在一起,分别计算当前种群中各目标函数的最大值fjmax和最小值fjmin并记录下来;
步骤4:使用快速非支配排序和拥挤度计算,选择最优的N个染色体作为下一层的初始染色体种群;
步骤5:这是第二层中第一次寻优,则使用从第一层传下的初始种群,并保存为当前种群的非支配解,同时设定寻优次数为1,否则将第二层寻优所获得的种群加上第一层传下的种群,使用快速非支配排序和拥挤度计算策略,选择最优的N各染色体作为初始种群;
步骤6:依照以下的公式生成目标函数,其中各目标函数的相关权重λj为随机生成,各权重相加和为1,以该目标函数作为这一次改进遗传算法模块的目标函数;
目标函数:
其中:fi代表第i个染色体的目标函数值;k为目标数目;fij代表第i个染色体的第j个目标对应的目标函数值;fjmax、fjmin代表在第一层中所获得的各个目标函数的最大值和最小值;λj代表各目标所占的权重;
步骤7:将步骤5传得的种群放入到改进遗传算法模块中,作为该模块的初始种群,目标函数为步骤6所生成的目标函数,并设置遗传算法模块的最大迭代次数为S2;
步骤8:将步骤7获取的种群进行快速非支配排序和拥挤度计算,保留非支配解。寻优次数增加1;
步骤9:判断寻优次数是否达到最大寻优次数R,如果达到,则进入步骤10,否则返回步骤5;
步骤10:将步骤8所保留的非支配解集混合在一起,进行快速非支配排序,并输出非支配解。
实施例:
如图3所示。
以Mk01案例为例,该案例是一个10个工件,6个可选加工工序,总工序数量为55的一个经典的柔性作业车间调度案例,分别以最大工件完工时间f1、最大机器负载f2、机器总负载f3为优化目标进行柔性作业车间调度多目标优化。
Mk01案例的详细数据如表1所示:
使用该案例可求得的非支配前沿如表2所示:
本发明未涉及部分与现有技术相同或可采用现有技术加以实现。
Claims (5)
1.一种基于双层遗传算法的多目标柔性作业车间调度方法,其特征是改进传统的遗传算法,使经过该遗传算法在有限时间内优化后的种群拥有较高的质量;同时,更改传统遗传算法对多目标问题的求解模式,提出一种双层求解的框架,相比于传统的遗传算法在求解质量上有明显提升,它包括步骤如下:
首先,采用机器序列和工序序列相配合的编码方式作为编码格式:机器序列中每个基因分别代表了第几个工件的第几道工序所选择的加工机器;工序序列中,每个基因代表了工件号,根据其在染色体中出现的位置表示其代表第几道工序;
其次,采用全主动调度的解码方式作为解码方式:其有以下两种具体的方式,分别为贪婪式解码与翻转染色体解码;
其中:
贪婪式解码:即根据染色体的工序序列的先后顺序,在满足工序先后约束的情况下将工序插入到机器对应的最佳可行的加工时刻上;
翻转染色体解码:根据染色体的工序序列,从后向前排序,即在满足工序约束的前提下,先排列工序号较大的工序,再排列工序号较小的工序,同时按照贪婪式解码的规则将工序块尽量向前排。其真正的加工过程是将解码后的甘特图翻转过来,用于指导真正的加工过程;
全主动调度的解码方式即在以上两种解码方式中选择目标函数值较小的解码方式作为实际使用的解码方式;
第三,初始化:
若目标函数为最大完工时间最小,则采用以下初始化方式:针对机器序列的初始化方法采用全局搜索、局部搜索和随机初始化的方案,同时针对机器序列的排序采用优先选择余下加工时间最长、优先选择余下操作数最多、随机选择的方案;若目标函数为其他,则采用完全随机的初始化方法;
第四,交叉方式:
工序序列交叉采用的交叉方式选择优先操作交叉算子和全局位置交叉算子,两种交叉算子各有50%的概率使用;
机器序列交叉方式采用随机交叉方式,即随机生成一个长度为机器序列长度,值为0或1的辅助序列,当该序列中元素为零时,交叉后生成的机器序列选用对应位置的父代1的基因,否则选用父代2的基因;
第五,变异方式:
针对染色体的机器序列的变异,随机从其机器序列中选出一个基因,根据该基因找到所属的工序,从其可选机器集中随机选择一个机器号,代替该基因;针对染色体的工序序列的变异,随机从工序序列中选择一个基因,并从该工序序列中随机选择一个位置进行插入操作;
第六,改进交叉策略和变异策略:
按照上述交叉方式,将工序序列交叉N次,N为机器数量;工序序列每交叉一次,机器序列交叉M次,M为工件数量;交叉后共生成2×N×M个染色体,将这些染色体分成两组,然后将两个父染色体分别加入其中,取出两个最优的染色体,作为下一代染色体;
按照上述变异方式,对当前种群中满足变异概率的染色体进行了变异操作后,将变异后的染色体放入一个集合中,与当前种群中最差的染色体进行比较,若比最差染色体更优秀,则代替,否则不变;
第七,删除选择算子:通过删除选择算子的方式,可以有效提高算法的稳定性和搜索深度;
第八,改进遗传算法模块。
仅改进遗传算法模块是不足以满足多目标求解的要求,必须使用一定的算法框架才能很好地发挥该模块的作用;
第九,利用快速非支配排序与拥挤度计算模块优先输出拥挤度值较大的元素:
由于处理的是多目标优化问题,因此必须使用一种方法对种群内元素进行排序;假设A和B是多目标优化问题的一个解;若A在各个目标函数下的值均不劣于B在各个目标函数下的值,同时A至少存在一个函数值比B对应的函数值优秀,则称作A支配B。若A不支配B,B也不支配A,则称A无差别于B;根据种群中各元素间的支配关系,可将种群按优到劣分为多层;对于同一层的元素,其相互间存在拥挤度关系;该模块的输出规则为优先输出属于较优层级的元素,当层级相同时,优先输出拥挤度值较大的元素;
第十,利用双层遗传算法框架进行调度方案的优化:
该算法的步骤分为两层:其中步骤1到步骤4属于第一层,步骤5到步骤10属于第二层;
步骤1:每一个目标都生成大小为N的染色体种群;当目标函数为最小化最大完工时间时,使用该目标函数专属的初始化方式,否则使用随机初始化方式;
步骤2:将每一种群分别放入设定了不同的目标函数的遗传算法模块中,设定种群最大迭代次数为S1,输出优化后的种群;
步骤3:将每一个目标优化后的种群混合在一起,分别计算当前种群中各目标函数的最大值fjmax和最小值fjmin并记录下来;
步骤4:使用快速非支配排序和拥挤度计算,选择最优的N个染色体作为下一层的初始染色体种群;
步骤5:这是第二层中第一次寻优,则使用从第一层传下的初始种群,并保存为当前种群的非支配解,同时设定寻优次数为1,否则将第二层寻优所获得的种群加上第一层传下的种群,使用快速非支配排序和拥挤度计算策略,选择最优的N各染色体作为初始种群;
步骤6:依照以下的公式生成目标函数,其中各目标函数的相关权重λj为随机生成,各权重相加和为1,以该目标函数作为这一次改进遗传算法模块的目标函数;
目标函数:
其中:fi代表第i个染色体的目标函数值;k为目标数目;fij代表第i个染色体的第j个目标对应的目标函数值;fjmax、fjmin代表在第一层中所获得的各个目标函数的最大值和最小值;λj代表各目标所占的权重;
步骤7:将步骤5传得的种群放入到改进遗传算法模块中,作为该模块的初始种群,目标函数为步骤6所生成的目标函数,并设置遗传算法模块的最大迭代次数为S2;
步骤8:将步骤7获取的种群进行快速非支配排序和拥挤度计算,保留非支配解。寻优次数增加1;
步骤9:判断寻优次数是否达到最大寻优次数R,如果达到,则进入步骤10,否则返回步骤5;
步骤10:将步骤8所保留的非支配解集混合在一起,进行快速非支配排序,并输出非支配解。
2.根据权利要求1所述的方法,其特征是所述的改进遗传算法包含以下步骤:
步骤1:设置参数:种群规模N,交叉率α,变异率β;
步骤2:如果没有初始种群,则根据当前的目标函数,使用一定的初始化策略生成初始化种群,否则使用传递下来的初始种群。设置进化次数为0;
步骤3:计算各染色体的目标函数值,该值表征了个体的优劣程度;
步骤4:交叉。将种群打乱,从前向后,每两个染色体分为一组,对每组染色体随机生成一个概率值判断是否小于交叉概率α,若小于,则按照一定交叉策略对其进行交叉操作;
步骤5:变异。对种群中每一个元素随机生成一个概率值判断是否小于变异概率β,若小于,则按照一定的变异策略对其进行变异操作;
步骤6:进化次数自增,如果进化次数超过最大迭代次数,进入步骤7,否则返回步骤3;
步骤7:输出当前的染色体种群。
3.根据要求2所述的方法,其特征所述的改进交叉策略包括以下步骤:
步骤1:将工序序列交叉N次,N为机器数量;工序序列每交叉一次,机器序列交叉M次,M为工件数量;
步骤2:交叉后共生成2×N×M个染色体,然后将两个父染色体加入交叉所生成的染色体组中,取出两个最优的染色体,作为下一代染色体。
4.根据要求2所述的方法,其特征是所述的改进变异策略包括以下步骤:
步骤1:针对染色体的机器序列的变异,随机从其机器序列中选出一个基因,根据该基因找到所属的工序,从其可选机器集中随机选择一个机器号,代替该基因。针对染色体的工序序列的变异,随机从工序序列中选择一个基因,并从该工序序列中随机选择一个位置进行插入操作;
步骤2:对当前种群中满足变异概率的染色体进行了变异操作后,将变异后的染色体放入一个集合中,与当前种群中最差的染色体进行比较,若比最差染色体更优秀,则代替,否则不变。
5.根据要求1所述初始化方法,其特征在于当优化目标为最大工件完工时间时,机器序列采用包括:全局选择、局部选择和随机选择的初始化方法,三种方法在初始化种群中所占的比分别为:0.2、0.2、0.6;工序序列采用包括:剩余加工时间最长、剩余操作数最多和随机选择的初始化方法,三种方法在初始化种群中所占的比分别为:0.4、0.4、0.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076205.3A CN111242503B (zh) | 2020-01-21 | 2020-01-21 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076205.3A CN111242503B (zh) | 2020-01-21 | 2020-01-21 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242503A true CN111242503A (zh) | 2020-06-05 |
CN111242503B CN111242503B (zh) | 2022-02-18 |
Family
ID=70872954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076205.3A Active CN111242503B (zh) | 2020-01-21 | 2020-01-21 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242503B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053002A (zh) * | 2020-09-11 | 2020-12-08 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
CN112099354A (zh) * | 2020-09-14 | 2020-12-18 | 江南大学 | 一种面向污水处理过程的智能多目标优化控制方法 |
CN112381343A (zh) * | 2020-09-30 | 2021-02-19 | 北京工业大学 | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 |
CN112907150A (zh) * | 2021-04-07 | 2021-06-04 | 江苏西格数据科技有限公司 | 一种基于遗传算法的生产排程方法 |
CN112926844A (zh) * | 2021-02-08 | 2021-06-08 | 中车广东轨道交通车辆有限公司 | 装配线调度方法、终端以及计算机可读存储介质 |
CN113011767A (zh) * | 2021-03-30 | 2021-06-22 | 大连交通大学 | 一种多目标柔性作业车间调度用混合遗传方法 |
CN113283819A (zh) * | 2021-07-21 | 2021-08-20 | 武汉科技大学 | 基于规则解码的Job Shop调度问题求解方法及系统 |
CN113568385A (zh) * | 2021-07-30 | 2021-10-29 | 中国计量大学 | 一种基于多品种混流装配模式下的排产方法 |
CN115883475A (zh) * | 2023-02-28 | 2023-03-31 | 北京理工大学 | 面向智能网联汽车的时间敏感网络流量调度方法及系统 |
CN116227874A (zh) * | 2023-03-10 | 2023-06-06 | 东北农业大学 | 一种基于遗传算法的柔性作业车间调度方法和装置 |
CN116596293A (zh) * | 2023-07-18 | 2023-08-15 | 西安电子科技大学广州研究院 | 基于遗传算法的分布式全流程作业车间调度方法及终端 |
CN117057485A (zh) * | 2023-10-11 | 2023-11-14 | 山东天鼎舟工业科技有限公司 | 一种用于铸件加工生产的调度方法及系统 |
CN117215275A (zh) * | 2023-11-08 | 2023-12-12 | 北京理工大学 | 一种基于遗传编程的柔性车间大规模动态双效调度方法 |
WO2024119336A1 (zh) * | 2022-12-05 | 2024-06-13 | 中国科学院深圳先进技术研究院 | 多目标联合调度方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106610653A (zh) * | 2015-12-25 | 2017-05-03 | 四川用联信息技术有限公司 | 一种自交叉遗传算法解柔性作业车间调度问题 |
CN106611219A (zh) * | 2015-12-17 | 2017-05-03 | 四川用联信息技术有限公司 | 针对多目标优化问题的导引式局部搜索遗传算法 |
CN106610654A (zh) * | 2015-12-29 | 2017-05-03 | 四川用联信息技术有限公司 | 针对柔性作业车间调度的改进遗传算法 |
US20180357584A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
-
2020
- 2020-01-21 CN CN202010076205.3A patent/CN111242503B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611219A (zh) * | 2015-12-17 | 2017-05-03 | 四川用联信息技术有限公司 | 针对多目标优化问题的导引式局部搜索遗传算法 |
CN106610653A (zh) * | 2015-12-25 | 2017-05-03 | 四川用联信息技术有限公司 | 一种自交叉遗传算法解柔性作业车间调度问题 |
CN106610654A (zh) * | 2015-12-29 | 2017-05-03 | 四川用联信息技术有限公司 | 针对柔性作业车间调度的改进遗传算法 |
US20180357584A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112053002A (zh) * | 2020-09-11 | 2020-12-08 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
CN112053002B (zh) * | 2020-09-11 | 2023-07-07 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
CN112099354A (zh) * | 2020-09-14 | 2020-12-18 | 江南大学 | 一种面向污水处理过程的智能多目标优化控制方法 |
CN112099354B (zh) * | 2020-09-14 | 2022-07-29 | 江南大学 | 一种面向污水处理过程的智能多目标优化控制方法 |
CN112381343A (zh) * | 2020-09-30 | 2021-02-19 | 北京工业大学 | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 |
CN112381343B (zh) * | 2020-09-30 | 2024-06-21 | 北京工业大学 | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 |
CN112926844A (zh) * | 2021-02-08 | 2021-06-08 | 中车广东轨道交通车辆有限公司 | 装配线调度方法、终端以及计算机可读存储介质 |
CN113011767A (zh) * | 2021-03-30 | 2021-06-22 | 大连交通大学 | 一种多目标柔性作业车间调度用混合遗传方法 |
CN112907150A (zh) * | 2021-04-07 | 2021-06-04 | 江苏西格数据科技有限公司 | 一种基于遗传算法的生产排程方法 |
CN113283819A (zh) * | 2021-07-21 | 2021-08-20 | 武汉科技大学 | 基于规则解码的Job Shop调度问题求解方法及系统 |
CN113568385A (zh) * | 2021-07-30 | 2021-10-29 | 中国计量大学 | 一种基于多品种混流装配模式下的排产方法 |
WO2024119336A1 (zh) * | 2022-12-05 | 2024-06-13 | 中国科学院深圳先进技术研究院 | 多目标联合调度方法、装置、电子设备及存储介质 |
CN115883475A (zh) * | 2023-02-28 | 2023-03-31 | 北京理工大学 | 面向智能网联汽车的时间敏感网络流量调度方法及系统 |
CN116227874A (zh) * | 2023-03-10 | 2023-06-06 | 东北农业大学 | 一种基于遗传算法的柔性作业车间调度方法和装置 |
CN116227874B (zh) * | 2023-03-10 | 2023-08-29 | 东北农业大学 | 一种基于遗传算法的柔性作业车间调度方法和装置 |
CN116596293B (zh) * | 2023-07-18 | 2024-02-23 | 西安电子科技大学广州研究院 | 基于遗传算法的分布式全流程作业车间调度方法及终端 |
CN116596293A (zh) * | 2023-07-18 | 2023-08-15 | 西安电子科技大学广州研究院 | 基于遗传算法的分布式全流程作业车间调度方法及终端 |
CN117057485A (zh) * | 2023-10-11 | 2023-11-14 | 山东天鼎舟工业科技有限公司 | 一种用于铸件加工生产的调度方法及系统 |
CN117057485B (zh) * | 2023-10-11 | 2024-01-09 | 山东天鼎舟工业科技有限公司 | 一种用于铸件加工生产的调度方法及系统 |
CN117215275A (zh) * | 2023-11-08 | 2023-12-12 | 北京理工大学 | 一种基于遗传编程的柔性车间大规模动态双效调度方法 |
CN117215275B (zh) * | 2023-11-08 | 2024-02-13 | 北京理工大学 | 一种基于遗传编程的柔性车间大规模动态双效调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111242503B (zh) | 2022-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242503B (zh) | 一种基于两层遗传算法的多目标柔性作业车间调度方法 | |
CN111325443B (zh) | 一种基于灾变机制的改进遗传算法求解柔性作业车间调度的方法 | |
CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN111382915B (zh) | 一种共融agv的柔性作业车间调度方法 | |
CN112381273B (zh) | 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 | |
CN117035364A (zh) | 基于改进混合模因算法的分布式异构流水车间调度方法 | |
CN110738365A (zh) | 一种基于粒子群算法的柔性作业车间生产调度方法 | |
CN115796510A (zh) | 一种基于改进的变邻域遗传算法的多目标柔性作业车间调度方法 | |
CN117075545A (zh) | 一种多目标柔性作业车间调度方法、电子设备、介质 | |
CN117314078B (zh) | 基于Petri网和神经网络的柔性制造系统的无死锁调度方法 | |
CN117077975A (zh) | 基于混合初始化模因算法的分布式异构流水车间调度方法 | |
CN117555305A (zh) | 一种基于nsgaii的多目标可变子批柔性车间作业调度方法 | |
CN111665799B (zh) | 一种基于协同算法的时间约束型并行机节能调度方法 | |
CN116757411A (zh) | 一种面向航天复杂构件的双资源柔性作业车间调度方法 | |
CN115981262B (zh) | 基于imoea的液压缸零部件车间生产调度方法 | |
CN112183817A (zh) | 一种柔性车间调度方法 | |
CN113792494B (zh) | 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法 | |
CN113011767A (zh) | 一种多目标柔性作业车间调度用混合遗传方法 | |
CN114676987B (zh) | 一种基于超启发式算法的智能柔性作业车间主动调度方法 | |
CN115700647A (zh) | 一种基于禁忌搜索遗传算法的车间柔性作业调度方法 | |
CN115167294A (zh) | 一种差异化订单齐套交付的多目标并行机调度方法 | |
CN113780871A (zh) | 一种多目标低碳柔性作业车间调度方法 | |
CN117634856B (zh) | 基于超启发式樽海鞘算法的液压缸制造联合调度方法 | |
CN117875189B (zh) | 一种基于ga优化gro的立体仓库空间布局方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |