CN112001526A - 一种基于优化小生境遗传算法的资源调度优化方法 - Google Patents
一种基于优化小生境遗传算法的资源调度优化方法 Download PDFInfo
- Publication number
- CN112001526A CN112001526A CN202010715802.6A CN202010715802A CN112001526A CN 112001526 A CN112001526 A CN 112001526A CN 202010715802 A CN202010715802 A CN 202010715802A CN 112001526 A CN112001526 A CN 112001526A
- Authority
- CN
- China
- Prior art keywords
- objective function
- resource scheduling
- function
- algorithm
- individuals
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 86
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000002068 genetic effect Effects 0.000 title claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000035772 mutation Effects 0.000 claims abstract description 15
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 230000008030 elimination Effects 0.000 claims abstract description 4
- 238000003379 elimination reaction Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 75
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 239000002994 raw material Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003016 pheromone Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 206010036590 Premature baby Diseases 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
Abstract
本发明公开了一种基于优化小生境遗传算法的资源调度方法，包括下述步骤：S1.以建立多目标函数和多约束条件为基础，建立资源调度优化数学模型；S2.基于权值粒子群算法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；S3.根据K均值聚类算法把种群分为K个聚类并确定聚类中心；S4.选择、自适应交叉、自适应变异和小生境淘汰操作；S5.判断是否满足终止条件得到最终资源调度方式。本发明针对资源调度中现存的多目标求解难和易陷入局部最优解等问题，对基于优化小生境遗传算法的资源调度方法中的多目标函数确定权值、小生境半径和交叉和变异算子这三个过程进行改进，并且有效显著降低资源调度方式的成本并且降低加工时间。
Description
技术领域
本发明涉及资源调度领域，具体涉及一种基于小生境遗传算法的多目标优化方法解决资源调度问题。
背景技术
随着传统制造向智能制造的转变，如何降低成本和减少资源浪费等成为研究热点。应用智能优化算法研究更有效、更科学和更便捷的资源调度方法是改变当前资源调度优化过程单凭资源调度的经验的重要途径和必然方法。
近年来，资源调度问题一直是工业生产中提高生产效率的重中之重，越来越多的研究人员将智能优化方法应用于资源调度领域。传统的生产车间调度优化算法大多为蚁群算法、神经网络、模拟退火等，文章[王万良等.基于Hopfield神经网络的作业车间资源调度方法[J].自动化学报，2002，028(005):838-844.]采用基于Hopfield神经网络解决资源调度问题，可稳定输出为可行的车间调度方案；文章[黄学文等.基于蚁群算法的多加工路线柔性车间调度问题[J].计算机集成制造系统，2018.]针对具有工艺路径柔性和机器柔性的多加工路线柔性车间调度问题，通过引入额外的节点信息素，改进信息素更新策略和状态转移规则，实现了蚁群算法求解。这些方法能够解决模型资源调度较为简单的问题，但是在资源调度模型中约束条件越来越复杂情况下，难以得到最佳资源调度方式，且收敛速度较慢、易陷入局部最优，具有局限性，不适合处理复杂的资源调度模型。目前已有学者将智能优化算法应用于资源调度优化计算，有效的解决了传统计算资源调度模型存在的问题。文章[袁帅鹏等.多目标炼钢—连铸资源调度的改进带精英策略的快速非支配排序遗传算法[J].计算机集成制造系统，2019，25(01):119-128.] 针对炼钢连铸调度的特殊工艺要求，提出一种基于自适应网格法的择优策略来改进带精英策略的快速非支配排序遗传算法，有效克服了使用传统Pareto支配法择优策略在解决离散问题时容易丢失有用信息的缺陷。随着工厂的需求逐渐增加，传统智能优化算法出现了新的问题：不仅需要考虑完成生产任务的问题，也要同时考虑成本和资源的问题，因此，如何求得多目标函数的最佳资源调度方式并满足复杂的约束条件成为新的问题焦点。
发明内容
为了解决现有技术问题，本发明提供一种基于小生境遗传算法的多目标优化方法，首先建立以生产成本、运输成本和生产时间为优化目标，以资源总量、设备工时和生产总量等为约束条件的多目标优化模型。其次，采用基于权值粒子群算法将多目标优化问题转化为单目标优化问题。最后，根据工厂生产的实际执行因素，将基于K均值聚类算法优化小生境遗传算法与实际工厂生产过程相结合，合理地生成资源调度方式，达到减小生产成本、降低运输产本、缩短生产时间的效果。
为解决上述技术问题，本发明所采取的技术方案是：
一种基于小生境遗传算法的多目标优化方法，包括下述步骤：
S1：建立生产成本、运输成本和生产时间的多目标函数，提出资源总量、设备工时和生产总量为多约束条件，建立资源调度优化数学模型；
S2：针对多目标的特点提出一种基于权值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；
S3：初始化种群，随机生成M个个体，并计算各个个体的适应度值，对每个个体的适应度进行计算按降序排列，并记忆前N个个体；
S4：根据基于优化K均值聚类算法把种群分为K个聚类并确定聚类中心；
S5：进行选择操作，采用最优保存策略，个体依适应度值高低进行排序，选取适应度值高的一半个体作为父代，在每个聚类中随机选取个体进行自适应交叉和变异，产生新个体然后进入下一代种群；
S6：小生境淘汰操作，将S3得到的M个个体记忆的N个个体合并起来，得到一个含有M+N个个体的新群体，在每一个聚类中计算每两个个体Gi和Gj的适应度大小，并对其中适应度较低的个体加罚函数；
S7：计算新的适应度并记忆前N个个体；
S8：若满足终止条件，则输出算法结果，算法完成，若不满足终止条件，则将种群及种群代数计数器更新。
进一步的，所述步骤S1中，建立资源调度优化数学模型为：
目标函数为生产成本，公式如下：
其中，F表示生产成本，n表示有n种产品，ci表示第i种产品的生产成本(元 /件)，xi表示第i种产品的生产量。
目标函数为运输成本，公式如下：
其中，Y表示运输成本，n表示有n种产品，ti表示第i种产品的运输成本(元 /件)，xi表示第i种产品的生产量。
目标函数为生产时间，公式如下：
其中，S表示加工时间，n表示有n种产品，ji表示第i种产品的加工时间(小时/件)，xi表示第i种产品的生产量。
约束条件为资源总量，公式如下：
其中，xi表示第i种产品的生产量，yi表示第i种产品的原材料用量，n表示有n种产品，M是原材料的总库存量。
约束条件为设备工时，公式如下：
其中，xi表示第i种产品的生产量，si表示第i种产品的设备工时，n表示有 n种产品，S是设备的可工作的总工时。
约束条件为生产总量，公式如下：
其中，xi表示第i种产品的生产量，n表示有n种产品，Z是各产品的生产总量。
进一步的，所述步骤S2中，利用基于权值粒子群优化方法对多目标函数对资源调度优化多目标数学模型进行加权处理，包括以下步骤：
1-1)已知有3个目标函数，利用粒子群算法分别求出各子目标函数的最优解，记做Xi,i＝1,2,3；
1-2)将各目标函数得到的最优解代入不同的目标函数，获取相应的目标函数值fi(Xj)，即fi(Xj)表示第j个目标函数的最优解代入第i个目标函数的函数值， Xj表示第j个目标函数的最优值。
1-3)计算在不同最优解Xj时各目标函数的差值
其中，
表示第j个目标函数的最优解Xj代入到第i个目标函数得到的函数值与第i个目标函数的最小值之间的差值。
1-4)按照公式计算第i个目标函数的平均差值；
其中，ui表示第i个目标函数的平均差值，j表示第j个目标函数，m表示共有m个目标函数，
表示取不同最优解Xj各目标函数的差值，由于
所以按照m-1计算平均差值。
1-5)按照公式计算权重系数λi
其中，m表示m个目标函数，ui表示第i个目标函数的平均差值，uj表示第 j个目标函数的平均差值，λi表示权值；
1-6)为了均衡有效解的范围，将上述加权系数按大小进行排序，按照差值大的目标函数乘以较小的加权系数，差值小的目标函数乘以较大的加权系数，重新构造目标函数。
进一步的，所述步骤S4中，利用基于K均值聚类算法来确定小生境半径，具体为：
使用评价指标和密度来优化K均值聚类算法的K值，将参数的不确定性对聚类结果的影响降到最低。用基于K均值聚类算法就可以无需事先确定小生境的数目和半径，可以通过轮廓系数来确定K值，以此来提高算法的准确性，加快算法的收敛速度。
若初始值选取不合适，可能无法得到合理的聚类结果。轮廓系数可以更好的确定K的取值，可以通过枚举，令k从3到一个固定值如8，在每个K值上重复运行数次K-means均值聚类算法，并计算当前K的平均轮廓系数，最后选取轮廓系数最大的值对应的K作为最终的小生境数目。
进一步的，所述步骤S5中，自适应的交叉和变异算子，具体为：
其中，Pc(x)为第x代的交叉概率，Pc为交叉概率的初始化参数，GEN为总的进化代数，x表示进化代数。
其中，Pm(x)为第x代的变异概率，Pm为变异概率的初始化参数，GEN为总的进化代数，x表示进化代数。
采用上述技术方案所产生的有益效果在于：
本发明提出的一种基于小生境遗传算法的多目标优化方法针对资源调度中现存的存在的多目标求值难，易陷入局部最优解等问题，本发明基于小生境遗传算法的多目标优化方法对确定多目标权值、小生境半径和交叉和变异算子这三个过程进行改进。本发明改进后小生境遗传算法称为一种基于小生境遗传算法的多目标优化方法(Multi-objective optimization based on Niche Genetic Algorithm，简称MO-NGA)，该方法与传统资源调度相比既增加了目标函数的考虑，又能满足约束条件的限制，从而解决资源调度问题。
本发明与传统粒子群算法和小生境遗传算法相比：(1)提出一种基于权值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；(2)根据基于K均值聚类算法把种群分为K个聚类并确定聚类中心来确定小生境半径；(3)在小生境遗传算法中加入了自适应的交叉和变异算子，使其在解决复杂的全局优化问题时也能展现出良好的鲁棒性；(4)资源调度数学模型的建立，并且提出资源调度数学模型和基于小生境遗传算法的多目标优化方法结合，根据实际资源调度过程，从而达到提高生产效率及节约成本等的要求。
将本发明提出的方法应用于某工厂的资源调度，通过试验分析，验证了提出的MO-NGA资源调度模型的有效性，相比其他智能优化算法生产成本平均下降了158元，运输成本平均下降了305元，生产时间缩短了116小时，能够实现资源调度的合理生产。
附图说明
图1是一种基于小生境遗传算法的多目标优化方法流程图；
图2是基于权值粒子群优化方法流程图；
图3是Sigmoid函数图；
图4是K＝3的轮廓系数图；
图5是K＝4的轮廓系数图；
图6是K＝5的轮廓系数图；
图7是K＝6的轮廓系数图；
图8是K＝7的轮廓系数图；
图9是K＝8的轮廓系数图；
图10是十种不同生产线采用不同算法的生产成本对比图；
图11是十种不同生产线采用不同算法的运输成本对比图；
图12是十种不同生产线采用不同算法的生产时间对比图；
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明以资源调度为载体，以MO-NGA算法作为主要的算法框架，其流程图如图1所示，包括下述步骤：
S1.建立生产成本、运输成本和生产时间的多目标函数，提出生产过程中的资源总量、设备工时和生产总量为多约束条件，建立资源调度优化数学模型。
本发明的试验验证构建了资源调度优化数学模型，目标函数为生产成本，公式如下：
其中，F表示生产成本，n表示有n种产品，ci表示第i种产品的生产成本(元 /件)，xi表示第i种产品的生产量。
目标函数为运输成本，公式如下：
其中，Y表示运输成本，n表示有n种产品，ti表示第i种产品的运输成本(元 /件)，xi表示第i种产品的生产量。
目标函数为生产时间，公式如下：
其中，S表示加工时间，n表示有n种产品，ji表示第i种产品的加工时间(小时/件)，xi表示第i种产品的生产量。
约束条件为资源总量，公式如下：
其中，xi表示第i种产品的生产量，yi表示第i种产品的原材料用量，n表示有n种产品，M是原材料的总库存量。
约束条件为设备工时，公式如下：
其中，xi表示第i种产品的生产量，si表示第i种产品的设备工时，n表示有 n种产品，S是设备的可工作的总工时。
约束条件为生产总量，公式如下：
其中，xi表示第i种产品的生产量，n表示有n种产品，Z是各产品的生产总量。
S2.针对多目标的特点提出一种基于权值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题。
资源调度优化中某一目标函数的差值是指取不同资源调度方式时与最优值之间的差距。
本文提出的基于权值粒子群算法步骤描述如下，算法流程图如图2所示。
1-1)已知有3个目标函数，利用粒子群算法分别求出各子目标函数的最优解，记做Xi,i＝1,2,3；
1-2)将各目标函数得到的最优解代入不同的目标函数，获取相应的目标函数值fi(Xj)，即fi(Xj)表示第j个目标函数的最优解代入第i个目标函数的函数值，Xj表示第j个目标函数的最优值。
1-3)计算在不同最优解Xj时各目标函数的差值
其中，
表示第j个目标函数的最优解Xj代入到第i个目标函数得到的函数值与第i个目标函数的最小值之间的差值。
1-4)按照公式计算第i个目标函数的平均差值；
其中，ui表示第i个目标函数的平均差值，j表示第j个目标函数，m表示共有m个目标函数，
表示取不同最优解Xj各目标函数的差值，由于
所以按照m-1计算平均差值。
1-5)按照公式计算权重系数λi
其中，m表示m个目标函数，ui表示第i个目标函数的平均差值，uj表示第 j个目标函数的平均差值，λi表示权值；
1-6)为了均衡有效解的范围，将上述加权系数按大小进行排序，按照差值大的目标函数乘以较小的加权系数，差值小的目标函数乘以较大的加权系数，重新构造目标函数。
S3.初始化种群，随机生成M个个体，并计算各个个体的适应度值，对每个个体的适应度进行计算按降序排列，并记忆前N个个体；
S4.根据基于K均值聚类算法把种群分为K个聚类并确定聚类中心。
使用评价指标和密度来优化K均值聚类算法的K值和初始类中心，将参数的不确定性对聚类结果的影响降到最低。用基于K均值聚类算法就可以无需事先确定小生境的数目和半径，可以通过轮廓系数来确定K值，以此来提高算法的准确性，加快算法的收敛速度。
若初始值选取不合适，可能无法得到合理的聚类结果。轮廓系数可以更好的确定K的取值，可以通过枚举，令k从3到一个固定值如8，在每个K值上重复运行数次K-means均值聚类算法，并计算当前K的平均轮廓系数，最后选取轮廓系数最大的值对应的K作为最终的小生境数目。
S5：进行选择操作，采用最优保存策略，个体依适应度值高低进行排序，选取适应度值高的一半个体作为父代，在每个聚类中随机选取个体进行自适应交叉和变异，产生新个体然后进入下一代种群。
交叉和变异操作是小生境遗传算法中十分重要的两个操作，常见的小生境遗传算法采用固定的交叉和变异概率，对于求解一般的全局最优问题具有较好的鲁棒性，而在解决一些复杂的优化问题时存在早熟和稳定性差的缺点。通过引入 Sigmoid函数，使得交叉概率和变异概率呈现出S型，具体函数如图3所示。本发明提出一种自适应的交叉和变异算子，具体为：
其中，Pc(x)为第x代的交叉概率，Pc为交叉概率的初始化参数，GEN为总的进化代数，x表示进化代数。
其中，Pm(x)为第x代的变异概率，Pm为变异概率的初始化参数，GEN为总的进化代数，x表示进化代数。
S6：小生境淘汰操作，将S3得到的M个个体记忆的N个个体合并起来，得到一个含有M+N个个体的新群体，在每一个聚类中计算每两个个体Gi和Gj的适应度大小，并对其中适应度较低的个体加罚函数；
S7：计算新的适应度并记忆前N个个体；
S8：若满足终止条件，则输出算法结果，算法完成，若不满足终止条件，则将种群及种群代数计数器更新。
基于上述步骤，本发明有效解决资源调度优化问题，首先该方法建立生产成本、运输成本和生产时间的多目标函数，提出生产过程中的资源总量、设备工时和生产总量为多约束条件，建立资源调度优化数学模型。其次，针对多目标的特点提出一种基于权值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题。最后，将得到的单目标函数利用基于K均值聚类算法优化自适应小生境遗传算法得到最佳资源调度方式。本发明显著降低资源调度方式的成本和时间，同时克服了资源调度优化中多变量、多约束、多目标等特性带来的问题，实现了工厂降低成本，提高经济效益。
本发明基于小生境遗传算法的多目标优化方法的试验验证：
1、数据描述
试验数据来源于某工厂。数据是各种产品中所需各原材料用量、所需设备工时、运输成本和生产成本。具体如表1所示：
表1各产品的有关参数
首先建立资源调度优化是多目标数学模型，然后利用粒子群算法计算每个单目标函数的最优解，因为生产成本、运输成本和生产时间存在一定的数量级差距，因此将数据进行规范化处理，按比例缩放，使之落入一个小的特定区间，去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。
计算单个目标函数的最优解，结果如表2所示。
表2各目标函数的最大最小值
由
得到各规范化目标函数：
其中，
表示生产成本的规范函数，F表示生产成本。
其中，
表示运输成本的规范函数，Y表示运输成本。
其中，
表示生产时间的规范函数，S表示生产时间。
通过上述公式可以得到规范化的结果，如表3所示。
表3单目标函数最优解
根据表3，进行差值计算，计算结果如表4所示。
表4差值结果
根据表4的差值取到其平均值和平均值之和，在进行比值计算得到在进行比值计算得到λ1＝0.49，λ2＝0.46，λ3＝0.05，根据差值的平均值可以看出，生产时间的差值最小即权重应该最大，同理可得，生产时间权重最大，其次运输成本，最后是生产成本。最终结果得到单目标函数：
其中，
表示生产成本的规范函数，
表示运输成本的规范函数，
表示生产时间的规范函数。
f即反映了该资源调度的成本，f值越小则成本越低。
用轮廓系数(Silhouette Coefficient)来选取聚类的类别数，轮廓系数结合了凝聚度和分离度，能够较好的用于评价聚类结果的优劣。轮廓系数的计算方式如下：
其中，a(i)表示i向量到所有它属于的簇中其它点的平均距离，b(i)表示i向量到各个非本身所在簇的所有点平均距离的最小值。轮廓系数的取值范围为[-1，1]，越趋近于1代表内聚度和分离度都相对较优。若大多数结点都有很高的轮廓系数值，那么聚类适当。反之则说明分类过多或者过少。将簇类别的取值范围定于3～8之间进行讨论。令初始聚类数目k从3到8递增，分别计算相应k值下聚类结果总的轮廓系数st，实验结果如图4-9所示，计算结果如表5所示。对比st可知，当聚类数目k为4时，聚类结果总的轮廓系数最大，聚类效果最好。因此本文选取初始聚类数目为4。
表5轮廓系数平均值
设置参数，种群数为100，基因编码长度为20，最大进化代数500，初始交叉概率为0.24，初始变异概率为0.81。实验结果如表6所示。
表6实验结果
通过表6的资源调度方式计算他们的生产成本，运输成本以及生产时间。结果如表7所示。
表7实验结果
通过上面的表格可以看到，MO-NGA得到最终资源调度方式，生产成本，运输成本以及生产时间明显小于粒子群和遗传算法计算得到的结果，从f值可以看出，MO-NGA的成本最低。为了验证算法的有效性采用十种不同生产线进行对比，生产成本对比结果如图10所示，由图10可以看出，MO-NGA算法明显低于粒子群和遗传算法计算的结果。运输成本对比结果如图11所示，由图11可以看出，MO-NGA算法明显低于粒子群和遗传算法计算的结果。生产时间对比结果如图12所示，由图12可以看出，MO-NGA算法明显低于粒子群和遗传算法计算的结果。过上述对比图可以看出，该模型较为稳定。
5、结论
为解决资源调度优化过程中参与产品种类多、约束条件多和优化目标多等问题，本文提出了一种基于小生境遗传算法的多目标优化方法的资源调度优化模型，采用基于权值粒子群算法将资源调度优化多目标模型转为单目标模型，并采用基于K均值聚类算法优化自适应小生境遗传算法来求解单目标函数，使得能过够获得成本更小同时时间更少的资源调度方式。通过试验分析，验证了提出的 MO-NGA优化资源调度模型的有效性，相比其他智能优化算法生产成本平均下降了158元，运输成本平均下降了305元，生产时间缩短了116小时，能够实现资源调度的合理生产。
Claims (3)
1.一种基于优化小生境遗传算法的资源调度方法，其特征在于，包括下述步骤：
S1：建立生产成本、运输成本和生产时间的多目标函数，提出生产过程中的资源总量、设备工时和生产总量为多约束条件，建立资源调度优化数学模型；
S2：针对多目标的特点提出一种基于权值粒子群优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；
S3：初始化种群，随机生成M个个体，并计算每个个体的适应度值，对每个个体的适应度进行计算按降序排列，并记忆前N个个体；
S4：根据基于K均值聚类算法把种群分为K个聚类并确定聚类中心；
S5：进行选择操作，在每个聚类中随机选取个体进行自适应交叉和变异；
S6：小生境淘汰操作，将S3得到的M个个体记忆的N个个体合并起来，得到了一个含有M+N个个体的新群体，确定新群体中的个体属于哪个聚类，在每一个聚类中计算每两个个体Gi和Gj的适应度大小，并对其中适应度较低的个体加罚函数；
S7：计算新的适应度并记忆前N个个体；
S8：若满足终止条件，则输出算法结果，算法完成，若不满足终止条件，则将种群及种群代数计数器更新。
2.根据权利要求1所述的一种基于优化小生境遗传算法的资源调度方法，其特征在于：所述步骤S2中，采用基于权值粒子群优化方法决定资源调度中多目标函数权值的计算，步骤如下：
1-1)已知有3个目标函数，利用粒子群算法分别求出各子目标函数的最优解，记做Xi,i＝1,2,3；
1-2)将各目标函数得到的最优解代入不同的目标函数，获取相应的目标函数值fi(Xj)，即fi(Xj)表示第j个目标函数的最优解代入第i个目标函数的函数值，Xj表示第j个目标函数的最优解；
1-3)计算在不同最优解xj时各目标函数的差值
其中，
表示第j个目标函数的最优解Xj代入到第i个目标函数得到的函数值与第i个目标函数的最小值之间的差值。
1-4)按照公式计算第i个目标函数的平均差值；
其中，ui表示第i个目标函数的平均差值，j表示第j个目标函数，m表示共有m个目标函数，
表示取不同最优解Xj各目标函数的差值，由于
所以按照m-1计算平均差值。
1-5)按照公式计算权重系数λi
其中，m表示m个目标函数，ui表示第i个目标函数的平均差值，uj表示第j个目标函数的平均差值，λi表示权值；
1-6)为了均衡有效解的范围，将上述加权系数按大小进行排序，按照差值大的目标函数乘以较小的加权系数，差值小的目标函数乘以较大的加权系数，重新构造目标函数。
3.根据权利要求1所述的一种基于优化小生境遗传算法的资源调度方法，其特征在于：所述步骤S5中，通过引入Sigmoid函数，使得交叉概率和变异概率呈现出S型，自适应的交叉和变异算子，具体为：
其中，Pc(x)为第x代的交叉概率，Pc为交叉概率的初始化参数，GEN为总的进化代数，x表示进化代数；
其中，Pm(x)为第x代的变异概率，Pm为变异概率的初始化参数，GEN为总的进化代数，x表示进化代数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010715802.6A CN112001526A (zh) | 2020-07-23 | 2020-07-23 | 一种基于优化小生境遗传算法的资源调度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010715802.6A CN112001526A (zh) | 2020-07-23 | 2020-07-23 | 一种基于优化小生境遗传算法的资源调度优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112001526A true CN112001526A (zh) | 2020-11-27 |
Family
ID=73467691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010715802.6A Pending CN112001526A (zh) | 2020-07-23 | 2020-07-23 | 一种基于优化小生境遗传算法的资源调度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001526A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836846A (zh) * | 2020-12-02 | 2021-05-25 | 红云红河烟草(集团)有限责任公司 | 一种卷烟发货多库点多方向联运调度双层优化算法 |
| CN113050422A (zh) * | 2021-03-09 | 2021-06-29 | 东北大学 | 基于maximin函数多目标优化算法的多机器人调度方法 |
| CN113225370A (zh) * | 2021-03-08 | 2021-08-06 | 河北工业大学 | 一种基于物联网的区块链多目标优化方法 |
| CN113255216A (zh) * | 2021-05-24 | 2021-08-13 | 中冶赛迪重庆信息技术有限公司 | 一种炼钢生产调度方法、系统、介质及电子终端 |
| CN113721462A (zh) * | 2021-08-03 | 2021-11-30 | 西安交通大学 | 一种刀具确定条件下的多目标切削参数优化方法及系统 |
| CN114565239A (zh) * | 2022-02-15 | 2022-05-31 | 石河子大学 | 用于产业园区的综合低碳能源调度方法及系统 |
| CN117574185A (zh) * | 2024-01-19 | 2024-02-20 | 北京志翔科技股份有限公司 | 计量设备的处理方法、装置及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020099929A1 (en) * | 2000-11-14 | 2002-07-25 | Yaochu Jin | Multi-objective optimization |
| CN111208796A (zh) * | 2020-04-21 | 2020-05-29 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于聚类小生境遗传算法的车间生产作业排程方法 |
| CN111260157A (zh) * | 2020-02-21 | 2020-06-09 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于优化小生境遗传算法的熔炼配料优化方法 |
-
2020
- 2020-07-23 CN CN202010715802.6A patent/CN112001526A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020099929A1 (en) * | 2000-11-14 | 2002-07-25 | Yaochu Jin | Multi-objective optimization |
| CN111260157A (zh) * | 2020-02-21 | 2020-06-09 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于优化小生境遗传算法的熔炼配料优化方法 |
| CN111208796A (zh) * | 2020-04-21 | 2020-05-29 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于聚类小生境遗传算法的车间生产作业排程方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836846A (zh) * | 2020-12-02 | 2021-05-25 | 红云红河烟草(集团)有限责任公司 | 一种卷烟发货多库点多方向联运调度双层优化算法 |
| CN112836846B (zh) * | 2020-12-02 | 2022-07-08 | 红云红河烟草(集团)有限责任公司 | 一种卷烟发货多库点多方向联运调度双层优化算法 |
| CN113225370A (zh) * | 2021-03-08 | 2021-08-06 | 河北工业大学 | 一种基于物联网的区块链多目标优化方法 |
| CN113225370B (zh) * | 2021-03-08 | 2022-09-20 | 河北工业大学 | 一种基于物联网的区块链多目标优化方法 |
| CN113050422A (zh) * | 2021-03-09 | 2021-06-29 | 东北大学 | 基于maximin函数多目标优化算法的多机器人调度方法 |
| CN113050422B (zh) * | 2021-03-09 | 2022-02-22 | 东北大学 | 基于maximin函数多目标优化算法的多机器人调度方法 |
| CN113255216A (zh) * | 2021-05-24 | 2021-08-13 | 中冶赛迪重庆信息技术有限公司 | 一种炼钢生产调度方法、系统、介质及电子终端 |
| CN113721462A (zh) * | 2021-08-03 | 2021-11-30 | 西安交通大学 | 一种刀具确定条件下的多目标切削参数优化方法及系统 |
| CN114565239A (zh) * | 2022-02-15 | 2022-05-31 | 石河子大学 | 用于产业园区的综合低碳能源调度方法及系统 |
| CN117574185A (zh) * | 2024-01-19 | 2024-02-20 | 北京志翔科技股份有限公司 | 计量设备的处理方法、装置及设备 |
| CN117574185B (zh) * | 2024-01-19 | 2024-05-31 | 北京志翔科技股份有限公司 | 计量设备的处理方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001526A (zh) | 一种基于优化小生境遗传算法的资源调度优化方法 | |
| CN111208796B (zh) | 一种基于聚类小生境遗传算法的车间生产作业排程方法 | |
| CN111260157B (zh) | 一种基于优化小生境遗传算法的熔炼配料优化方法 | |
| CN107705157A (zh) | 基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统 | |
| Han et al. | Ant colony optimization for assembly sequence planning based on parameters optimization | |
| CN112907150B (zh) | 一种基于遗传算法的生产排程方法 | |
| Yan | Research on green suppliers' evaluation based on AHP & genetic algorithm | |
| CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
| CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
| CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
| CN112396301A (zh) | 基于能源大数据驱动的电力用户需求响应特性控制方法 | |
| CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
| Mortezaei et al. | Multi-objective aggregate production planning model with fuzzy parameters and its solving methods | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN113705098A (zh) | 一种基于pca和ga-bp网络的风道加热器建模方法 | |
| MirRokni | Applying genetic algorithm in architecture and neural network training | |
| CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
| CN114117917B (zh) | 一种多目标优化的舰船磁偶极子阵列建模方法 | |
| CN114234392B (zh) | 一种基于改进pso-lstm的空调负荷精细预测方法 | |
| CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
| CN114528094A (zh) | 基于lstm和遗传算法的分布式系统资源优化分配方法 | |
| CN114202063A (zh) | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 | |
| Gai et al. | Research on prediction model of National Railway Freight Volume based on GA-BP network | |
| Zhang et al. | Application of combined neural network based on entropy method in smart city forecast problem | |
| Li et al. | The research on the reliability prediction method of distribution system |
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 |