CN111950761A - 面向高端装备复杂分层任务网络的研制资源集成调度方法 - Google Patents

面向高端装备复杂分层任务网络的研制资源集成调度方法 Download PDF

Info

Publication number
CN111950761A
CN111950761A CN202010621925.3A CN202010621925A CN111950761A CN 111950761 A CN111950761 A CN 111950761A CN 202010621925 A CN202010621925 A CN 202010621925A CN 111950761 A CN111950761 A CN 111950761A
Authority
CN
China
Prior art keywords
neighborhood
solution
task
neighborhood structure
development
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
CN202010621925.3A
Other languages
English (en)
Other versions
CN111950761B (zh
Inventor
裴军
王浩鑫
严平
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010621925.3A priority Critical patent/CN111950761B/zh
Publication of CN111950761A publication Critical patent/CN111950761A/zh
Application granted granted Critical
Publication of CN111950761B publication Critical patent/CN111950761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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)
  • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种面向高端装备复杂分层任务网络的研制资源集成调度方法，本发明基于任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数；然后设定算法的执行参数，初始化算法初始解；在Shaking邻域操作中更新初始解；由初始解在概率获取的局部搜索领域结构中进行局部搜索并计算在局部搜索中所获得个体的适应度值；更新初始解，并更新局部搜索领域结构中的权重；判断算法是否满足终止条件，若是则输出全局最优解，否则返回在Shaking邻域操作中更新初始解。本发明可以对存在复杂分层研制任务网络的多类型研制资源协同集成调度问题，求得近似最优解，从而最大限度地提升高端装备制造企业的资源利用效率和运行效率。

Description

面向高端装备复杂分层任务网络的研制资源集成调度方法
技术领域
本发明涉及任务调度技术领域，具体涉及一种面向高端装备复杂分层任务网络的研制资源集成调度方法。
背景技术
在航空、航天、船舶等涉及到高端装备制造的领域，这些装备产品的制造工艺复杂，研制制造任务个性化强，产业周期很长。其中在一些高端装备制造企业，其产品研制过程由产品维度和过程维度组成，产品维度和过程维度内部又存在个性化的复杂层级划分，产品维度向下又可以划分到更加复杂多样的产品模块和产品构件，过程维度向下又可以划分到具体的复杂研制过程。
以往的文献综述中对解决高端装备复杂分层混合研制任务项目的调度方法，大多是对任务采用多模式执行的方式，其中不同的执行模式代表着不同的可再生资源或者不可再生资源的分配量和相应的执行时间。这本质上是一种简化，将所有的具体控制的资源共归结为可再生资源和不可再生资源两类，再匹配自己设定的执行模式，进行任务调度排产。
然而，对任务采用多模式执行的方式对于高端装备复杂分层混合研制项目任务排产并不能精确调度，势必会因此产生资源闲置浪费，降低整体的研制资源利用效率。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种面向高端装备复杂分层任务网络的研制资源集成调度方法，有力地对项目中多类型资源进行集成调度，解决了现有的调度方法对研制资源的利用效率低的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明提供一种面向高端装备复杂分层任务网络的研制资源集成调度方法，所述方法由计算机执行，包括以下步骤：
S1、获取高端装备复杂分层混合研制任务的任务数据，基于所述任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数；
S2、设定算法的执行参数，所述执行参数包括：变邻域搜索算法局部搜索邻域结构的初始权重、最大迭代次数和种群中的个体数量；
S3、基于变邻域搜索算法对所述高端装备复杂分层混合研制任务的任务数据进行编码，并生成初始解X0，所述初始解X0中每一位编码对应了一个研制任务所用的资源，其位置对应了其在研制任务网络中的相对生产研制顺序，编码的适应度值对应了编码个体对应的解；
S4、基于变邻域搜索算法的Shaking操作处理所述初始解X0，通过变邻域搜索算法中的邻域结构获得个体种群；获取所述个体种群中的最优个体，通过最优个体更新初始解，得到新解X′；
S5、基于轮盘赌概率选择获取局部搜索邻域结构，基于新解X′和局部搜索邻域结构获得邻域，在邻域中搜索最优解X″；
S6、将局部搜索的最优解X″与新解X′进行对比，若局部搜索的最优解X″优于新解X′，最优解X″则为全局最优解，并提高获得该最优解的局部搜索邻域结构的所占权重，反之降低获得该最优解的局部搜索邻域结构的所占权重，并返回步骤S5；
S7、判断当前的次数是否达到所述最大迭代次数，若是，则输出当前的全局最优解；否则，根据返回步骤S4。
优选的，所述变邻域搜索算法的输入参数包括：
研制任务网络中具体的项目研制的工件数量n；
项目研制工件对应的研制任务数量m；
对应研制工作任务需利用的资源Mi＝{Mi1，Mi2，...，Mix}，Mi表示项目i中的所需要的资源类型集，Mix表示的是项目i中研制排列顺序在第x位的研制工作任务所需的具体资源编号。
优选的，在步骤S4中，所述基于变邻域搜索算法的Shaking操作处理初始解X0，通过邻域结构获得个体种群前，所述方法还包括：
设定算法Shaking操作的邻域结构，设定的Shaking操作扰动邻域集为Nk，k＝1，2，3，...kmax，包括：
S41、定义变量x，y，g＝1，获得输入的初始解X0，当前迭代数为k；
S42、随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y；
S43、选择X0中的第x个和第y个元素，将这两个元素进行交换，得到新的解X1，并令X0＝X1；
S44、令g＝g+1，判断g≤k是否成立，若成立，则返回步骤S42；否则，执行步骤S45；
S45、扰动编码个体中工作任务的所用类型资源，对X0中的所有位置的工作任务按照
Figure BDA0002565448640000041
0≤b≤0.5的概率对工作任务所用资源进行扰动，随机random()资源集中的一个具体资源作为工作任务所用资源，得到最优个体Xmin；
S46、计算适应度值，判断最优个体Xmin是否优于初始解X0，若是，则输出新解X′等于最优个体Xmin；否则，输出新解X′等于初始解X0。
优选的，在步骤S4中，所述获取所述个体种群中的最优个体的方法包括：
基于贪婪算法获得种群中的最优个体。
优选的，在步骤S5中，所述基于轮盘赌概率选择获取局部搜索的邻域结构，包括：
S51a、在初始设定算法参数的环节，对于变邻域搜索算法的局部搜索邻域结构集Nl，l＝1，2，3，...lmax，其中各个邻域结构对应的初始权重为
Figure BDA0002565448640000042
初始在未知局部搜索邻域结构有效性的前提下，默认初始邻域结构权重相等；
S52a、由各局部搜索邻域结构的权重，结合轮盘赌的概率公式
Figure BDA0002565448640000043
Figure BDA0002565448640000044
可计算每个邻域结构的累积概率
Figure BDA0002565448640000045
即对应每个个体之前所有个体的选择概率之和；
S53a、随机生成r＝random(0，1)，如果Ql＞r＞Ql-1，则选择邻域结构Nl进行局部搜索。
优选的，在步骤S5中，所述邻域结构包括：
邻域结构1：定义变量x，随机产生一个在区间[1，n]范围内的整数，赋值给变量x，对新解X′中的位置为x左侧所有的的编码倒序处理，之后对所有位置的资源选择以概率
Figure BDA0002565448640000051
进行随机random()；
邻域结构2：定义变量x，随机产生一个在区间[1，n]范围内的整数，赋值给变量x，对新解X′中的位置为x右侧所有的的编码倒序处理，之后对所有位置的资源选择以概率
Figure BDA0002565448640000052
进行随机random()；
邻域结构3：定义变量x，y，随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y，其中，x≤y，对新解X′中的位置为x，y之间的编码进行倒序处理，之后对所有位置的资源选择以概率
Figure BDA0002565448640000053
进行随机random()；
邻域结构4：定义变量x，y，随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y，其中，x≤y，对新解X′中的位于位置为x，y两侧的编码进行倒序处理，之后对所有位置的资源选择以概率
Figure BDA0002565448640000054
进行随机random()；
邻域结构5：定义变量x，y，随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y，其中，x≤y，将新解X′中的位于位置为x，y两侧的编码进行交换，之后对所有位置的资源选择以概率
Figure BDA0002565448640000055
进行随机random()；
邻域结构6：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z，其中，x＜y<z，将新解X′中x位置的任务替换到y位置，y位置的任务替换到z位置，z位置的任务替换到x位置，之后对所有位置的资源选择以概率
Figure BDA0002565448640000061
进行随机random()；
邻域结构7：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z，其中，x＜y<z，将位于新解X′中x，z位置两侧的代码倒序，x，y和y，z位置内部的代码交换，之后对所有位置的资源选择以概率
Figure BDA0002565448640000062
进行随机random()；
邻域结构8：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z，其中，x＜y<z，将位于新解X′中x，z位置两侧的代码交换，x，y和y，z位置内部的代码倒序，之后对所有位置的资源选择以概率
Figure BDA0002565448640000063
进行随机random()；
邻域结构9：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z，其中，x＜y<z，将位于新解X′中x，z位置两侧的代码以及x，y和y，z位置内部的代码倒序，之后对所有位置的资源选择以概率
Figure BDA0002565448640000064
进行随机random()；
邻域结构10：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z，其中，x＜y<z，将位于新解X′中x，z位置两侧的代码以及x，y和y，z位置内部的代码按顺序替换，之后对所有位置的资源选择以概率
Figure BDA0002565448640000065
进行随机random()。
优选的，所述步骤S6具体包括：
S61、由初始解X0通过Shaking操作获得的新解即局部搜索的初始解X′，与局部搜索的最优解X″进行比较。
S62、通过对比X″与X′的适应度值的大小，在每一次迭代循环中通过公式
Figure BDA0002565448640000071
动态改变当前局部搜索邻域结构所占的权重，Ωi为邻域结构的权重，其中λ为固定参数，
Figure BDA0002565448640000072
的参数值由以下判断公式取得：
Figure BDA0002565448640000073
S63、如果X″的适应度值优于X′，则获得X″对应的邻域结构权重Ωi＝λΩi+(1-λ)ω1，对应的所占权重提升，在下一轮轮盘赌概率选择邻域结构中会有更大比例被选中；相反X″对应的邻域结构权重Ωi＝λΩi+(1-λ)ω2，对应的所占权重下降，在下一轮轮盘赌概率选择邻域结构中会有比例将会降低。
本发明还提供一种面向高端装备复杂分层任务网络的研制资源集成的调度系统，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
S1、获取高端装备复杂分层混合研制任务的任务数据，基于所述任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数；
S2、设定算法的执行参数，所述执行参数包括：变邻域搜索算法局部搜索邻域结构的初始权重、最大迭代次数和种群中的个体数量；
S3、基于变邻域搜索算法对所述高端装备复杂分层混合研制任务的任务数据进行编码，并生成初始解X0，所述初始解X0中每一位编码对应了一个研制任务所用的资源，其位置对应了其在研制任务网络中的相对生产研制顺序，编码的适应度值对应了编码个体对应的解；
S4、基于变邻域搜索算法的Shaking操作处理所述初始解X0，通过变邻域搜索算法中的邻域结构获得个体种群；获取所述个体种群中的最优个体，通过最优个体更新初始解，得到新解X′；
S5、基于轮盘赌概率选择获取局部搜索邻域结构，基于新解X′和局部搜索邻域结构获得邻域，在邻域中搜索最优解X″；
S6、将局部搜索的最优解X″与新解X′进行对比，若局部搜索的最优解X″优于新解X′，最优解X″则为全局最优解，并提高获得该最优解的局部搜索邻域结构的所占权重，反之降低获得该最优解的局部搜索邻域结构的所占权重，并返回步骤S5；
S7、判断当前的次数是否达到所述最大迭代次数，若是，则输出当前的全局最优解；否则，根据返回步骤S4。
(三)有益效果
本发明提供了一种面向高端装备复杂分层任务网络的研制资源集成调度方法。与现有技术相比，具备以下有益效果：
本发明首先获取任务高端装备复杂分层混合研制任务的任务数据，基于所述任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数；然后设定算法的执行参数，初始化算法初始解；在Shaking邻域操作中更新初始解；由该初始解在概率获取的领域结构中进行局部搜索并计算在局部搜索所获得个体的适应度值；更新初始解，并更新局部搜索领域结构中的权重；判断算法的执行的终止条件是否满足，若满足则输出算法搜索的全局最优解，否则返回在Shaking邻域操作中更新初始解。本发明可以对存在复杂分层混合研制任务网络的研制资源协同调度问题，求得近似最优解，能够有力地对多类型项目资源进行集成调度匹配，从而最大限度地提升高端装备制造企业的资源利用效率和运行效率，降低生产成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例面向高端装备复杂分层任务网络的研制资源集成调度方法的框图。
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，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。
本申请实施例通过提供一种面向高端装备复杂分层任务网络的研制资源集成调度方法，解决了现有的调度方法对研制资源的利用效率低的技术问题，有力的对项目中多类型研制资源机型集成调度，实现提高对研制资源的利用效率，降低生产成本。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
本发明实施例首先获取任务高端装备复杂分层混合研制任务的任务数据，基于所述任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数；然后设定算法的执行参数，初始化算法初始解；在Shaking邻域操作中更新初始解；由该初始解在概率获取的领域结构中进行局部搜索并计算在局部搜索所获得个体的适应度值；更新初始解，并更新局部搜索领域结构中的权重；判断算法的执行的终止条件是否满足，若满足则输出算法搜索的全局最优解，否则返回在Shaking邻域操作中更新初始解。本发明实施例可以对存在分层复杂混合研制任务网络的研制资源协同调度问题，求得近似最优解，有效地集成调度了项目中的多类型研制资源，从而最大限度地提升高端装备制造企业的资源利用效率和运行效率，降低生产成本。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种面向高端装备复杂分层任务网络的研制资源集成调度方法，该方法由计算机执行，如图1所示，包括步骤S1～S7：
S1、获取任务高端装备复杂分层混合研制任务的任务数据，基于任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数；
S2、设定算法的执行参数，执行参数包括：变邻域搜索算法局部搜索邻域结构的初始权重、最大迭代次数和种群中的个体数量；
S3、基于变邻域搜索算法对高端装备复杂分层混合研制任务的任务数据进行编码，并生成初始解X0，初始解X0中每一位编码对应了一个研制任务所用的资源，其位置对应了其在研制任务网络中的相对生产研制顺序，编码的适应度值对应了编码个体对应的解；
S4、基于变邻域搜索算法的Shaking操作处理初始解X0，通过变邻域搜索算法中的邻域结构获得个体种群；获取个体种群中的最优个体，通过最优个体更新初始解，得到新解X′；
S5、基于轮盘赌概率选择获取局部搜索邻域结构，基于新解X′和局部搜索邻域结构获得邻域，在邻域中搜索最优解X″；
S6、将局部搜索的最优解X″与新解X′进行对比，若局部搜索的最优解X″优于新解X′，最优解X″则为全局最优解，并提高获得该最优解的局部搜索邻域结构的所占权重，反之降低获得该最优解的局部搜索邻域结构的所占权重，并返回步骤S5；
S7、判断当前的次数是否达到最大迭代次数，若是，则输出当前的全局最优解；否则，根据返回步骤S4。
本发明实施例可以对存在复杂分层混合研制任务网络的研制资源协同调度问题，求得近似最优解，有效地提升了多类型研制资源的集成调度效率，从而最大限度地提升高端装备制造企业的资源利用效率和运行效率，降低生产成本。
下面对各个步骤进行详细描述：
在步骤S1中，获取任务高端装备复杂分层混合研制任务的任务数据，基于任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数。具体为：
通过人工录入的方式获取任务高端装备复杂分层混合研制任务的任务数据，基于任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数。变邻域搜索算法的输入参数包括：研制任务网络中具体的项目研制的工件数量m；项目研制工件对应的研制任务数量m；对应研制工作任务需利用的资源类型和数量Mi＝{Mi1，Mi2，...，Mix}，Mi表示项目i中的所需要的资源类型集，Mix表示的是项目i中研制排列顺序在第x位的研制工作任务所需的具体资源编号；对应的项目的交货期D和工件研制任务的里程碑Di，i＝1，2，…，n，n是项目i中的研制工件数量。由于实际的资源限制、工序和技术要求、项目硬性规定等原因会对无论是项目层面还是研制工件层面都可能会出现历程碑约束。但是这里的Di，i＝1，2，…，n并不一定都是有效的，如若工件没有实际的里程碑约束，这里的Di即设置为+∞。
在步骤S2中，设定算法的执行参数。具体为：
执行参数包括：变邻域搜索算法局部搜索邻域结构的初始权重
Figure BDA0002565448640000121
最大迭代次数Imax和种群中的个体数量Q。
在步骤S3中，基于变邻域搜索算法对高端装备复杂分层混合研制任务的任务数据进行编码，并生成初始解X0，初始解X0中每一位编码对应了一个研制任务所用的资源，其位置对应了其在研制任务网络中的相对生产研制顺序，编码的适应度值对应了编码个体对应的解。具体为：
根据复杂分层混合研制任务网络中的研制任务对应的所需的资源类型Mi和项目研制工件对应的研制任务数量m，以及混合研制任务网络中层级链接和紧前紧后约束关系，生成一个算法初始解
Figure BDA0002565448640000131
Figure BDA0002565448640000132
其中0≤it≤Imax，其中的
Figure BDA0002565448640000133
对应表示的就是第d个项目工件研制任务在第it代所使用的其所需资源类型下的具体工作任务，
Figure BDA0002565448640000134
需要理解的是，在实际研制加工过程中：
S31、项目工件研制工作任务的数量会远远大于项目中人员、机械的数量，所以代码中考虑了各个项目工件的研制任务对应的所需具体资源以及相对应的研制任务的加工顺序，这也就定向反映了实际研制制造过程中，当不同研制工作任务存在相同所需资源冲突时，编码顺序则相对应反映了研制任务的加工顺序即对研制任务网络关系的反映；
S32、在具体项目工件研制任务对应的所需资源类型集中，可供选择的具体资源有很多，他们虽然都可以对该项目工件研制任务进行加工制造，但是彼此之间存在加工效率和能力的差异，这些参数直接对应到具体的资源，而对这些具体资源的选择、排序利用，其中就存在着很大的优化空间。
在步骤S4中，基于变邻域搜索算法的Shaking操作处理初始解X0，通过邻域结构获得个体种群；获取个体种群中的最优个体，通过最优个体更新初始解，得到新解X′。具体为：
由步骤S3获得的初始解X0，选择第k个邻域结构(初始k＝1)，通过变邻域搜索算法的震荡(Shaking)操作，获得数量为Q的个体种群，计算种群中Q个个体的适应度值，并由贪婪算法获得种群中的最优个体Xmin，并更新新解X′＝Xmin。通过邻域结构获得个体种群前，需要设定的震荡(Shaking)操作扰动邻域集为Nk，k＝1，2，3，...kmax，包括：
S41、定义变量x，y，g＝1，获得输入的初始解X0，当前迭代数为k。
S42、随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y。
S43、选择初始解X0中的第x个和第y个元素，将这两个元素进行交换，得到新的解X1。
S44、令g＝g+1，判断g≤k是否成立，若成立，则返回步骤S42；否则，执行步骤S45。
S45、扰动编码个体中工作任务的所用类型资源，对初始解X0中的所有位置的工作任务按照
Figure BDA0002565448640000141
0≤b≤0.5的概率对工作任务所用资源进行扰动，随机random()资源集中的一个具体资源作为工作任务所用资源，得到最优个体Xmin。
S46、计算适应度值，判断最优个体Xmin是否优于初始解X0，若是，则输出新解X′＝Xmin；否则，输出新解X′＝X0。
这里对应的是生成kmax个震荡(Shaking)邻域结构，震荡(Shaking)操作相当于由初始解按照一定规则跳到可行域的另一个点，这样就避免了在同一个初始解下不断迭代，从而容易陷入局部最优的情况，提高了算法的全局搜索能力。
在步骤S5中，基于轮盘赌概率选择获取局部搜索的邻域结构，由(Shaking)操作获得的新解X′和这里获得的邻域结构可得到搜索邻域，在这个邻域中进行局部搜索并获得局部最优解X″。具体为：
需要说明的是，由于变邻域搜索算法(VNS)局部搜索算法的只有在邻域结构中搜索到比初始解更优的解才会重新循环局部搜索的邻域结构，这里为了将更有效的邻域结构提前搜索，从而减少不必要的迭代次数和减少时间，在变邻域搜索算法加入了权重选择策略：轮盘赌概率选择。具体实施过程如下：
S51a、在初始设定算法参数的环节，对于变邻域搜索算法的局部搜索邻域结构集Nl，l＝1，2，3，...lmax，其中各个邻域结构对应的初始权重为
Figure BDA0002565448640000151
初始在未知局部搜索邻域结构有效性的前提下，默认初始邻域结构权重相等；
S52a、由各局部搜索邻域结构的权重，结合轮盘赌的概率公式
Figure BDA0002565448640000152
Figure BDA0002565448640000153
可计算每个邻域结构的累积概率
Figure BDA0002565448640000154
即对应每个个体之前所有个体的选择概率之和；
S53a、随机生成r＝random(0，1)，如果Ql＞r＞Ql-1,则选择邻域结构Nl进行局部搜索。
由轮盘赌概率权重策略得到的邻域结构Nl，我们将会由X′在该邻域结构内生成数量为Q的个体种群。考虑到由于高端装备制造企业多项目研制任务的规模庞大、数量繁多、约束关系的复杂性导致可行域的范围广和结构复杂的特点，局部搜索算法邻域结构集的设置中，共设置了10中不同的邻域结构：
邻域结构1：定义变量x，随机产生一个在区间[1，n]范围内的整数，赋值给变量x，对新解X′中的位置为x左侧所有的(包括x位置)的编码倒序处理，之后对所有位置的资源选择以概率
Figure BDA0002565448640000161
进行随机random()；
邻域结构2：定义变量x，随机产生一个在区间[1，n]范围内的整数，赋值给变量x，对新解X′中的位置为x右侧所有的(包括x位置)的编码倒序处理，之后对所有位置的资源选择以概率
Figure BDA0002565448640000162
进行随机random()；
邻域结构3：定义变量x，y，随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y(x≤y)，对新解X′中的位置为x，y之间的编码(不包括x，y位置)进行倒序处理，之后对所有位置的资源选择以概率
Figure BDA0002565448640000163
进行随机random()；
邻域结构4：定义变量x，y，随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y(x≤y)，对新解X′中的位于位置为x，y两侧的编码(不包括x，y位置)进行倒序处理，之后对所有位置的资源选择以概率
Figure BDA0002565448640000164
进行随机random()；
邻域结构5：定义变量x，y，随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y(x≤y)，将新解X′中的位于位置为x，y两侧的编码(不包括x，y位置)进行交换，之后对所有位置的资源选择以概率
Figure BDA0002565448640000165
进行随机random()；
邻域结构6：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z(x＜y＜z),将新解X′中x位置的任务替换到y位置，y位置的任务替换到z位置，z位置的任务替换到x位置，之后对所有位置的资源选择以概率
Figure BDA0002565448640000171
进行随机random()；
邻域结构7：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z(x＜y＜z),将位于新解X′中x，z位置两侧的代码倒序，x，y和y，z位置内部的代码交换，之后对所有位置的资源选择以概率
Figure BDA0002565448640000172
进行随机random()；
邻域结构8：定义变量x，y，z不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z(x＜y＜z),将位于新解X′中x，z位置两侧的代码交换，x，y和y，z位置内部的代码倒序，之后对所有位置的资源选择以概率
Figure BDA0002565448640000173
进行随机random()；
邻域结构9：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z(x＜y＜z)，将位于新解X′中x，z位置两侧的代码以及x，y和y，z位置内部的代码倒序，之后对所有位置的资源选择以概率
Figure BDA0002565448640000174
进行随机random()；
邻域结构10：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z(x＜y＜z)，将位于新解X′中x，z位置两侧的代码以及x，y和y，z位置内部的代码按顺序替换，之后对所有位置的资源选择以概率
Figure BDA0002565448640000175
进行随机random()。
由概率获得局部搜索邻域结构Nl，则对应着邻域结构l。以新解
Figure BDA0002565448640000181
并以邻域结构4为例。由邻域结构4可知，我们随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y(x≤y)，对新解X′中的位于位置为x，y两侧的编码(不包括x，y位置)进行倒序处理，生成个体编码如下所示：
Figure BDA0002565448640000182
之后对所有位置的资源选择以概率
Figure BDA0002565448640000183
进行随机random()；生成如下编码：
Figure BDA0002565448640000184
Figure BDA0002565448640000185
编码个体中带′的编码则说明是经过概率选择的，未带′的编码说明是未经概率选中的，编码
Figure BDA0002565448640000186
的下标x代表的是该编码对应工件研制任务的加工顺序位置。之后需要对编码采取纠正策略，使得编码的序号要在类型资源集的范围内，保证编码的正确性。这里的新解X′即初始解在算法局部搜索邻域结构4中获得的一个个体，在该邻域结构下随机生成Q个个体，构成局部搜索的种群。后计算种群中所有个体的适应度值：
S51b、由于在高端装备研制企业中，考虑到其复杂分层混合研制任务网络中模块间的层级链接关系以及模块下构件存在的多层级紧前紧后约束的工件加工关系。同时基于实际的研发制造情况，每一种工件的研制工作任务都有相应的资源类型约束限制，即一种研制工作任务只能在对应资源类型中选择具体资源作为使用资源，而具体的资源之间存在能力差异(对应到实际过程中就是人员的工作效率和机械的加工速度)。
S52b、单个项目工件研制任务(以
Figure BDA0002565448640000187
为例)，由上新解X′的编码可知，
Figure BDA0002565448640000188
的对应的是在gTasks列表(项目研制工作任务集)中的第二位工作的所用的具体资源编号，则研制任务集中第二位工作的实际加工时间
Figure BDA0002565448640000191
即等于基础加工时间(p2)除以该编码中赋给该工作资源的能力
Figure BDA0002565448640000192
相对应该工作的完工时间等于该工作的开始时间(其所有直接紧前任务完工时间的最大值)加上该工作的实际完成时间：
Figure BDA0002565448640000193
S53b、
Figure BDA0002565448640000194
的下标在整个个体中的大小代表着其在所有项目工作研制任务中的相对加工顺序，该加工顺序是一定的，前提是必须满足多层混合研制任务网络层级链接关系和构件紧前紧后关系，目的是在存在并列关系的研制任务，且存在同类型资源需求的状况下时(即存在同类资源需求冲突时)，此时编码中的相对加工顺序将会决定研制任务的加工顺序，通过算法的迭代找出相应的最优解。
S54b、通过该种方法计算出gTasks列表(项目研制工作任务集)中所有研制任务的实际完工时间和结束时间，通关遍历所有研制任务的完工时间找出最大的完工时间即为复杂分层混合研制任务的makespan(完工时间)，通过最大完工时间的研制任务往前追溯即能够找到关键路径。获得的局部搜索邻域机构中获得的最优个体编码为X″。
在步骤S6中，根据局部搜索的最优解X″与新解X′进行对比，如果局部搜索的最优解X″优于新解X′，最优解X″则为全局最优解，并提高获得该最优解的局部搜索邻域结构的所占权重，反之降低获得该最优解的局部搜索邻域结构的所占权重，并返回步骤S5。具体为：
S61、由初始解X0通过震荡(Shaking)操作获得的新解即局部搜索的初始解X′，与局部搜索的最优解X″进行比较。
S62、通过对比X″与X′的适应度值的大小，在每一次迭代循环中通过公式
Figure BDA0002565448640000201
动态改变当前局部搜索邻域结构所占的权重，Ωo为邻域结构的权重，其中λ为固定参数，
Figure BDA0002565448640000202
的参数值由以下判断公式取得：
Figure BDA0002565448640000203
S63、如果X″的适应度值优于X′，则获得X″对应的邻域结构权重Ωi＝λΩi+(1-λ)ω1，对应的所占权重提升，在下一轮轮盘赌概率选择邻域结构中会有更大比例被选中。相反X″对应的邻域结构权重Ωi＝λΩi+(1-λ)ω2，对应的所占权重下降，在下一轮轮盘赌概率选择邻域结构中会有比例将会降低。对于算法局部搜索邻域结构权重的实时更新，配合轮盘赌概率选择机制和VNS的迭代特点有效提高了算法全局搜索的优化效率和性能。
S7、判断当前的次数是否达到上述最大迭代次数Imax，若是，则输出当前的全局最优解；否则，根据返回步骤S4。
本发明实施例还提供了一种面向高端装备复杂分层任务网络的研制资源集成调度系统，上述系统包括计算机，上述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，上述至少一个存储单元中存储有至少一条指令，上述至少一条指令由上述至少一个处理单元加载并执行以实现以下步骤：
S1、获取任务高端装备复杂分层混合研制任务的任务数据，基于任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数；
S2、设定算法的执行参数，执行参数包括：变邻域搜索算法局部搜索邻域结构的初始权重、最大迭代次数和种群中的个体数量；
S3、基于变邻域搜索算法对高端装备复杂分层混合研制任务的任务数据进行编码，并生成初始解X0，初始解X0中每一位编码对应了一个研制任务所用的资源，其位置对应了其在研制任务网络中的相对生产研制顺序，编码的适应度值对应了编码个体对应的解；
S4、基于变邻域搜索算法的Shaking操作处理初始解X0，通过变邻域搜索算法中的邻域结构获得个体种群；获取个体种群中的最优个体，通过最优个体更新初始解，得到新解X′；
S5、基于轮盘赌概率选择获取局部搜索邻域结构，基于新解X′和局部搜索邻域结构获得邻域，在邻域中搜索最优解X″；
S6、将局部搜索的最优解X″与新解X′进行对比，若局部搜索的最优解X″优于新解X′，最优解X″则为全局最优解，并提高获得该最优解的局部搜索邻域结构的所占权重，反之降低获得该最优解的局部搜索邻域结构的所占权重，并返回步骤S5；
S7、判断当前的次数是否达到最大迭代次数，若是，则输出当前的全局最优解；否则，根据返回步骤S4。
可理解的是，本发明实施例提供的上述面向高端装备复杂分层任务网络的研制资源集成的调度系统与上述面向高端装备复杂分层任务网络的研制资源集成调度方法相对应，其有关内容的解释、举例、有益效果等部分可以参考面向高端装备复杂分层任务网络的研制资源集成调度方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例可以对存在复杂分层混合研制任务网络的研制资源协同调度问题，求得近似最优解，有力地对项目中多种研制资源进行集成调度，从而最大限度地提升高端装备制造企业的资源利用效率和运行效率，降低生产成本。
2、本发明实施例中的变邻域搜索算法在收敛速度和搜索的解质量方面表现出了良好的性能，有效解决了复杂分层混合研制任务网络的研制资源集成调度问题。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种面向高端装备复杂分层任务网络的研制资源集成调度方法，其特征在于，所述方法由计算机执行，包括以下步骤：
S1、获取高端装备复杂分层混合研制任务的任务数据，基于所述任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数；
S2、设定算法的执行参数，所述执行参数包括：变邻域搜索算法局部搜索邻域结构的初始权重、最大迭代次数和种群中的个体数量；
S3、基于变邻域搜索算法对所述高端装备复杂分层混合研制任务的任务数据进行编码，并生成初始解X0，所述初始解X0中每一位编码对应了一个研制任务所用的资源，其位置对应了其在研制任务网络中的相对生产研制顺序，编码的适应度值对应了编码个体对应的解；
S4、基于变邻域搜索算法的Shaking操作处理所述初始解X0，通过变邻域搜索算法中的邻域结构获得个体种群；获取所述个体种群中的最优个体，通过最优个体更新初始解，得到新解X′；
S5、基于轮盘赌概率选择获取局部搜索邻域结构，基于新解X′和局部搜索邻域结构获得邻域，在邻域中搜索最优解X″；
S6、将局部搜索的最优解X″与新解X′进行对比，若局部搜索的最优解X″优于新解X′，最优解X″则为全局最优解，并提高获得该最优解的局部搜索邻域结构的所占权重，反之降低获得该最优解的局部搜索邻域结构的所占权重，并返回步骤S5；
S7、判断当前的次数是否达到所述最大迭代次数，若是，则输出当前的全局最优解；否则，根据返回步骤S4。
2.如权利要求1所述的方法，其特征在于，所述变邻域搜索算法的输入参数包括：
研制任务网络中具体的项目研制的工件数量n；
项目研制工件对应的研制任务数量m；
对应研制工作任务需利用的资源Mi＝{Mi1，Mi2，...，Mix}，Mi表示项目i中的所需要的资源类型集，Mix表示的是项目i中研制排列顺序在第x位的研制工作任务所需的具体资源编号。
3.如权利要求1所述的方法，其特征在于，在步骤S4中，所述基于变邻域搜索算法的Shaking操作处理初始解X0，通过邻域结构获得个体种群前，所述方法还包括：
设定算法Shaking操作的邻域结构，设定的Shaking操作扰动邻域集为Nk，k＝1，2，3，...kmax，包括：
S41、定义变量x，y，g＝1，获得输入的初始解X0，当前迭代数为k；
S42、随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y；
S43、选择X0中的第x个和第y个元素，将这两个元素进行交换，得到新的解X1，并令X0＝X1；
S44、令g＝g+1，判断g≤k是否成立，若成立，则返回步骤S42；否则，执行步骤S45；
S45、扰动编码个体中工作任务的所用类型资源，对X0中的所有位置的工作任务按照
Figure FDA0002565448630000021
均概率对工作任务所用资源进行扰动，随机random()资源集中的一个具体资源作为工作任务所用资源，得到最优个体Xmin；
S46、计算适应度值，判断最优个体Xmin是否优于初始解X0，若是，则输出新解X′等于最优个体Xmin；否则，输出新解X′等于初始解X0。
4.如权利要求1所述的方法，其特征在于，在步骤S4中，所述获取所述个体种群中的最优个体的方法包括：
基于贪婪算法获得种群中的最优个体。
5.根据权利要求1所述的方法，其特征在于，在步骤S5中，所述基于轮盘赌概率选择获取局部搜索的邻域结构，包括：
S51a、在初始设定算法参数的环节，对于变邻域搜索算法的局部搜索邻域结构集Nl，l＝1，2，3，...lmax，其中各个邻域结构对应的初始权重为
Figure FDA0002565448630000031
初始在未知局部搜索邻域结构有效性的前提下，默认初始邻域结构权重相等；
S52a、由各局部搜索邻域结构的权重，结合轮盘赌的概率公式
Figure FDA0002565448630000032
Figure FDA0002565448630000033
可计算每个邻域结构的累积概率
Figure FDA0002565448630000034
即对应每个个体之前所有个体的选择概率之和；
S53a、随机生成r＝random(0，1)，如果Ql＞r＞Ql-1，则选择邻域结构Nl进行局部搜索。
6.根据权利要求1所述的方法，其特征在于，在步骤S5中，所述邻域结构包括：
邻域结构1：定义变量x，随机产生一个在区间[1，n]范围内的整数，赋值给变量x，对新解X′中的位置为x左侧所有的的编码倒序处理，之后对所有位置的资源选择以概率
Figure FDA0002565448630000041
进行随机random()；
邻域结构2：定义变量x，随机产生一个在区间[1，n]范围内的整数，赋值给变量x，对新解X′中的位置为x右侧所有的的编码倒序处理，之后对所有位置的资源选择以概率
Figure FDA0002565448630000046
进行随机random()；
邻域结构3：定义变量x，y，随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y，其中，x≤y，对新解X′中的位置为x，y之间的编码进行倒序处理，之后对所有位置的资源选择以概率
Figure FDA0002565448630000042
进行随机random()；
邻域结构4：定义变量x，y，随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y，其中，x≤y，对新解X′中的位于位置为x，y两侧的编码进行倒序处理，之后对所有位置的资源选择以概率
Figure FDA0002565448630000043
进行随机random()；
邻域结构5：定义变量x，y，随机产生两个在区间[1，n]范围内的整数，赋值给变量x，y，其中，x≤y，将新解X′中的位于位置为x，y两侧的编码进行交换，之后对所有位置的资源选择以概率
Figure FDA0002565448630000044
进行随机random()；
邻域结构6：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z，其中，x＜y＜z，将新解X′中x位置的任务替换到y位置，y位置的任务替换到z位置，z位置的任务替换到x位置，之后对所有位置的资源选择以概率
Figure FDA0002565448630000045
进行随机random()；
邻域结构7：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z，其中，x＜y＜z，将位于新解X′中x，z位置两侧的代码倒序，x，y和y，z位置内部的代码交换，之后对所有位置的资源选择以概率
Figure FDA0002565448630000051
进行随机random()；
邻域结构8：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z，其中，x＜y＜z，将位于新解X′中x，z位置两侧的代码交换，x，y和y，z位置内部的代码倒序，之后对所有位置的资源选择以概率
Figure FDA0002565448630000052
进行随机random()；
邻域结构9：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z，其中，x＜y＜z，将位于新解X′中x，z位置两侧的代码以及x，y和y，z位置内部的代码倒序，之后对所有位置的资源选择以概率
Figure FDA0002565448630000053
进行随机random()；
邻域结构10：定义变量x，y，z，不放回式，随机取得三个在区间[1，n]范围内的整数，赋值给变量x，y，z，其中，x＜y＜z，将位于新解X′中x，z位置两侧的代码以及x，y和y，z位置内部的代码按顺序替换，之后对所有位置的资源选择以概率
Figure FDA0002565448630000054
进行随机random()。
7.根据权利要求1所述的方法，其特征在于，所述步骤S6具体包括：
S61、由初始解X0通过Shaking操作获得的新解即局部搜索的初始解X′，与局部搜索的最优解X″进行比较。
S62、通过对比X″与X′的适应度值的大小，在每一次迭代循环中通过公式
Figure FDA0002565448630000055
动态改变当前局部搜索邻域结构所占的权重，Ωi为邻域结构的权重，其中λ为固定参数，
Figure FDA0002565448630000056
的参数值由以下判断公式取得：
Figure FDA0002565448630000061
S63、如果X″的适应度值优于X′，则获得X″对应的邻域结构权重Ωi＝λΩi+(1-λ)ω1，对应的所占权重提升，在下一轮轮盘赌概率选择邻域结构中会有更大比例被选中；相反X″对应的邻域结构权重Ωi＝λΩi+(1-λ)ω2，对应的所占权重下降，在下一轮轮盘赌概率选择邻域结构中会有比例将会降低。
8.一种面向高端装备复杂分层任务网络的研制资源集成调度系统，其特征在于，所述系统包括计算机，所述计算机包括：
至少一个存储单元；
至少一个处理单元；
其中，所述至少一个存储单元中存储有至少一条指令，所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤：
S1、获取任务高端装备复杂分层混合研制任务的任务数据，基于所述任务高端装备复杂分层混合研制任务的任务数据设置变邻域搜索算法的输入参数；
S2、设定算法的执行参数，所述执行参数包括：变邻域搜索算法局部搜索邻域结构的初始权重、最大迭代次数和种群中的个体数量；
S3、基于变邻域搜索算法对所述高端装备复杂分层混合研制任务的任务数据进行编码，并生成初始解X0，所述初始解X0中每一位编码对应了一个研制任务所用的资源，其位置对应了其在研制任务网络中的相对生产研制顺序，编码的适应度值对应了编码个体对应的解；
S4、基于变邻域搜索算法的Shaking操作处理所述初始解X0，通过变邻域搜索算法中的邻域结构获得个体种群；获取所述个体种群中的最优个体，通过最优个体更新初始解，得到新解X′；
S5、基于轮盘赌概率选择获取局部搜索邻域结构，基于新解X′和局部搜索邻域结构获得邻域，在邻域中搜索最优解X″；
S6、将局部搜索的最优解X″与新解X′进行对比，若局部搜索的最优解X″优于新解X′，最优解X″则为全局最优解，并提高获得该最优解的局部搜索邻域结构的所占权重，反之降低获得该最优解的局部搜索邻域结构的所占权重，并返回步骤S5；
S7、判断当前的次数是否达到所述最大迭代次数，若是，则输出当前的全局最优解；否则，根据返回步骤S4。
CN202010621925.3A 2020-07-01 2020-07-01 面向高端装备复杂分层任务网络的研制资源集成调度方法 Active CN111950761B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010621925.3A CN111950761B (zh) 2020-07-01 2020-07-01 面向高端装备复杂分层任务网络的研制资源集成调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010621925.3A CN111950761B (zh) 2020-07-01 2020-07-01 面向高端装备复杂分层任务网络的研制资源集成调度方法

Publications (2)

Publication Number Publication Date
CN111950761A true CN111950761A (zh) 2020-11-17
CN111950761B CN111950761B (zh) 2022-11-15

Family

ID=73337829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010621925.3A Active CN111950761B (zh) 2020-07-01 2020-07-01 面向高端装备复杂分层任务网络的研制资源集成调度方法

Country Status (1)

Country Link
CN (1) CN111950761B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884367A (zh) * 2021-03-23 2021-06-01 合肥工业大学 考虑多技能员工约束的高端装备研发过程多项目协同调度方法及系统
CN113642763A (zh) * 2021-06-30 2021-11-12 合肥工业大学 基于预算约束的高端装备研制资源配置与优化调度方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880798A (zh) * 2012-09-20 2013-01-16 浪潮电子信息产业股份有限公司 一种求解多车场带时间窗车辆路径问题的变邻域搜索算法
CN103366021A (zh) * 2013-08-07 2013-10-23 浪潮(北京)电子信息产业有限公司 一种云计算平台上的变邻域搜索方法及系统
CN107230023A (zh) * 2017-06-12 2017-10-03 合肥工业大学 基于改进和声搜索的生产和运输协同调度方法和系统
CN107437138A (zh) * 2017-06-12 2017-12-05 合肥工业大学 基于改进引力搜索算法的生产运输协同调度方法及系统
CN107578178A (zh) * 2017-09-11 2018-01-12 合肥工业大学 基于变邻域搜索和引力搜索混合算法的调度方法及系统
CN107590603A (zh) * 2017-09-11 2018-01-16 合肥工业大学 基于改进变邻域搜索和差分进化算法的调度方法及系统
US20190080271A1 (en) * 2017-09-11 2019-03-14 Hefei University Of Technology Coordinated Production and Transportation Scheduling Method and System Based on Improved Tabu Search Algorithm
CN110516978A (zh) * 2019-09-02 2019-11-29 上海无线电设备研究所 一种电子产品调测生产线混流排产方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880798A (zh) * 2012-09-20 2013-01-16 浪潮电子信息产业股份有限公司 一种求解多车场带时间窗车辆路径问题的变邻域搜索算法
CN103366021A (zh) * 2013-08-07 2013-10-23 浪潮(北京)电子信息产业有限公司 一种云计算平台上的变邻域搜索方法及系统
CN107230023A (zh) * 2017-06-12 2017-10-03 合肥工业大学 基于改进和声搜索的生产和运输协同调度方法和系统
CN107437138A (zh) * 2017-06-12 2017-12-05 合肥工业大学 基于改进引力搜索算法的生产运输协同调度方法及系统
CN107578178A (zh) * 2017-09-11 2018-01-12 合肥工业大学 基于变邻域搜索和引力搜索混合算法的调度方法及系统
CN107590603A (zh) * 2017-09-11 2018-01-16 合肥工业大学 基于改进变邻域搜索和差分进化算法的调度方法及系统
US20190080244A1 (en) * 2017-09-11 2019-03-14 Hefei University Of Technology Scheduling method and system based on improved variable neighborhood search and differential evolution algorithm
US20190080271A1 (en) * 2017-09-11 2019-03-14 Hefei University Of Technology Coordinated Production and Transportation Scheduling Method and System Based on Improved Tabu Search Algorithm
CN110516978A (zh) * 2019-09-02 2019-11-29 上海无线电设备研究所 一种电子产品调测生产线混流排产方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MEHMET SEVKLI 等: ""A modified Variable Neighborhood Search for minimizing the makespan on identical parallel machines"", 《2009 INTERNATIONAL CONFERENCE ON COMPUTERS & INDUSTRIAL ENGINEERING》 *
潘胜: "基于变领域遗传算法的生产流水线物流调度", 《信息技术》 *
王丹敬 等: ""基于变邻域搜索的可重入流水车间调度"", 《控制工程》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884367A (zh) * 2021-03-23 2021-06-01 合肥工业大学 考虑多技能员工约束的高端装备研发过程多项目协同调度方法及系统
CN112884367B (zh) * 2021-03-23 2022-09-30 合肥工业大学 多技能员工约束的装备研发多项目协同调度方法及系统
CN113642763A (zh) * 2021-06-30 2021-11-12 合肥工业大学 基于预算约束的高端装备研制资源配置与优化调度方法
CN113642763B (zh) * 2021-06-30 2023-06-09 合肥工业大学 基于预算约束的高端装备研制资源配置与优化调度方法

Also Published As

Publication number Publication date
CN111950761B (zh) 2022-11-15

Similar Documents

Publication Publication Date Title
Neufeld et al. A systematic review of multi-objective hybrid flow shop scheduling
Xiao et al. A cooperative coevolution hyper-heuristic framework for workflow scheduling problem
CN111950761B (zh) 面向高端装备复杂分层任务网络的研制资源集成调度方法
CN107656799B (zh) 一种多云环境下考虑通信和计算代价的工作流调度方法
Genova et al. A survey of solving approaches for multiple objective flexible job shop scheduling problems
Kamthe et al. A stochastic approach to estimating earliest start times of nodes for scheduling DAGs on heterogeneous distributed computing systems
Zuo et al. A robust scheduling method based on a multi-objective immune algorithm
Shuvo et al. A hybrid metaheuristic method for solving resource constrained project scheduling problem
Wang et al. Intelligent optimization under multiple factories: Hybrid flow shop scheduling problem with blocking constraints using an advanced iterated greedy algorithm
Piri et al. Developing a new model for simultaneous scheduling of two grand projects based on game theory and solving the model with Benders decomposition
Zheng et al. Solving multi-objective two-sided assembly line balancing problems by harmony search algorithm based on pareto entropy
Xu et al. Solving distributed low carbon scheduling problem for large complex equipment manufacturing using an improved hybrid artificial bee colony algorithm
CN112884370B (zh) 考虑订单插单的高端装备研制过程多项目重调度方法及系统
Li et al. SLA-based task offloading for energy consumption constrained workflows in fog computing
In et al. Policy-based scheduling and resource allocation for multimedia communication on grid computing environment
Geng et al. Multi-objective re-entrant hybrid flow shop scheduling problem considering fuzzy processing time and delivery time
Wang et al. An integrated approach to reactive scheduling subject to machine breakdown
Pinto et al. Formulating and solving a multi-mode resource-collaboration and constrained scheduling problem (MRCCSP)
Zheng et al. Unrelated parallel machine scheduling with job splitting, setup time, learning effect, processing cost and machine eligibility
González et al. Efficient approaches for solving a multiobjective energy-aware job shop scheduling problem
CN117057551B (zh) 考虑协作机器人的多工序作业调度问题的解决方法和装置
Hwang et al. A performance evaluation of multiprocessor scheduling with genetic algorithm
Yuan et al. Cost-effective heuristics for workflow scheduling in grid computing economy
Nearchou et al. Heuristic solutions for the economic manpower shift planning problem
Wang et al. A Feedback Learning-Based Memetic Algorithm for Energy-Aware Distributed Flexible Job-Shop Scheduling With Transportation Constraints

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