CN112749776A - 一种基于改进混合遗传算法的作业车间调度方法 - Google Patents
一种基于改进混合遗传算法的作业车间调度方法 Download PDFInfo
- Publication number
- CN112749776A CN112749776A CN202110036257.2A CN202110036257A CN112749776A CN 112749776 A CN112749776 A CN 112749776A CN 202110036257 A CN202110036257 A CN 202110036257A CN 112749776 A CN112749776 A CN 112749776A
- Authority
- CN
- China
- Prior art keywords
- individual
- job shop
- individuals
- population
- genetic algorithm
- 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 80
- 230000002068 genetic effect Effects 0.000 title claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000002922 simulated annealing Methods 0.000 claims abstract description 15
- 238000010187 selection method Methods 0.000 claims abstract description 6
- 210000000349 chromosome Anatomy 0.000 claims description 33
- 230000010076 replication Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000003754 machining Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000007514 turning Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000006386 memory function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/04—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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进混合遗传算法的作业车间调度方法,涉及作业车间调度优化技术领域;本发明首先建立作业车间调度模型;然后确定了调度问题的约束条件,包括工序约束、机器约束和时间约束;接着把混合遗传算法进行基于工序的编码,并设置混合遗传算法求解作业车间调度问题的相关参数;然后计算每一个个体的适应度值;随后对个体进行轮盘赌选择法,选择适应度高的个体参与下一阶段的遗传操作;然后对个体进行IPOX交叉;再对个体进行随即变异;对个体进行局部搜索;在选择操作中取前10%适应度高的个体放入种群中,不参与交叉、变异、模拟退火操作;判断算法是否达到最大迭代次数,如果是则算法结束;如果未达到最大迭代次数,则重新计算每一个个体的适应度值。
Description
技术领域
本发明涉及一种基于改进的混合算法作业车间生产,属于作业车间调度优化技术领域调度的优化。
背景技术
作业车间调度问题(Job Shop Scheduling Problem,JSP)是对实际生产调度问题模型的一种简化。目前,对车间调度问题的研究已经受到了研究者们的广泛关注,并取得重大进展。JSP问题具有不确定性、复杂性、多约束条件以及多资源相互协调等特点。
目前针对JSP问题的求解,寻找和设计高效的算法仍然是生产调度领域的重要目标。考虑到作业车间问题的复杂性,通常研究该问题的方法有最优化和启发式算法,最优化方法包括拉格朗日松弛法、分支定界法、数学规划法等,这些方法虽然能够取得较好的结果,但在实际工程应用中却难以得到很好的实现。启发式算法包括遗传算法、模拟退火算法、粒子群算法、蚁群算法等。这些算法结构简单、容易实现,能够在解决JSP问题上取得满意的结果。在众多智能算法中,遗传算法用于求解JSP问题最为广泛,在JSP的研究中已取得一定效果。
发明内容
本发明所要解决的技术问题是针对背景技术中传统遗传算法局部搜索能力弱,容易陷入局部最优、过早收敛的问题提供一种基于改进混合遗传算法的作业车间调度方法。
本发明为解决上述技术问题采用以下技术方案:
一种基于改进混合遗传算法的作业车间调度方法,包括以下步骤:
步骤1、建立作业车间调度模型;
步骤2、确定调度的约束条件;
步骤3、初始化种群以及设置参数;
步骤4、计算适应度值;
步骤5、个体进行轮盘赌选择法;
步骤6、个体进行IPOX交叉,交叉概率采用自适应公式进行调整;
步骤7、个体进行随机变异,变异概率采用自适应公式进行调整;
步骤8、个体进行模拟退火操作;
步骤9、个体进行10%的精英保留策略;
步骤10、判断算法是否达到最大迭代次数,如果是则算法结束;如果未达到最大迭代次数,则跳转到步骤4。
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,在步骤5中,个体进行轮盘赌选择法,具体包含如下步骤:
步骤5.2、产生一个随机数θ∈(0,1),如果θ≤q(1),则选择第一个个体,否则的话,如果q(v-1)≤θ≤q(v),则选择第v个个体,将这个步骤循环N次,得到所需规模的种群即可。
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,步骤6中,个体进行IPOX交叉,交叉概率采用自适应公式进行调整,具体包含如下步骤:
步骤6.1、随机选择两个染色体P1和P2作为父代;
步骤6.2、将工件集{1,2,3,...,n}随机划分为两个非空子集合J1和J2;
步骤6.3、复制父代染色体P1中包含在中的元素到J1中的元素到C1中,并保留原来的顺序;复制父代染色体P2中包含在J1中的元素到C2中,并保留原来的顺序;
步骤6.4、复制父代染色体P1中包含在J2中的元素到C2中,并保留他们的顺序;复制父代染色体P2中包含在J2中的元素到C1中,并保留他们的顺序;
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,步骤7中,个体进行随机变异,变异概率采用自适应公式进行调整,具体包含如下步骤:
步骤7.1、随机选择一个染色体H;
步骤7.2、然后随机选择两个位置,将位置上的基因互换,得到新的染色体H';
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,步骤8中,个体进行模拟退火操作,具体包含如下步骤:
步骤8.1、从经变异操作生成的种群中挑选适应度最高的个体作为初始解v,令当前状态S=v。
步骤8.2、设置S为当前状态,循环计数器d=1,种群计数器O=1,Markov链长L;
步骤8.3、从种群中随机选择一个个体,与状态S进行SWAP操作,产生新状态S'=v',计算增量dE=f(v')-f(v);
步骤8.4、如果dE<0,则接受S'作为当前状态;如果dE>0,则以概率exp(-dE/TK)接受S'作为当前解;
步骤8.5、对当前状态S'进行局部基因段倒序操作得到新状态S”=v”,计算其适应度。如果f(v”)>f(v'),则接受S”作为当前状态,令S=S”;否则,保持S'作为当前状态,令S=S'。保存当前状态,d=d+1,转步骤3;
步骤8.6、判断d>L是否为真,若是,终止内循环;
步骤8.7、对内循环生成的L个个体进行适应度排序,选择其中最高的个体进入新种群并作为下一个温度迭代的初始解,O=O+1;
步骤8.9、重复执行步骤3-8,直到生成的解达到种群规模,终止操作。
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,步骤2确定调度的约束条件包括:
(1)同一个工件的每道工序有固定的加工顺序,必须在前一道工序加工完毕后才能进行加工;
(2)在加工过程中,一台机器每次只能加工一个工件的其中一道工序;
(3)直到工件加工完才能中断机器;
(4)每一个工件都有其各自的加工路线,并且是事先确定的,不能改变的。
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,步骤2所述工序约束是指同一个工件的工序有加工顺序的约束,某一时刻同一道工序只能在一台机器上加工,
cik-pik+M(1-aihk)≥cih,
clk-cik+M(1-xilk)≥plk
cik≥0
xijk=0或1
其中cik和pik分别表示工件i在机器k上的完成时间和加工时间,M是一个足够大的正数,
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明加入自适应调整的遗传操作以及精英保留策略,并对模拟退火算子进行改进,增加记忆功能以防止遗失当前最优解;
2、本发明对当前状态,采用多次搜索策略代替单次比较方式,以接受区域内的最优状态;
3、本发明加入升温策略,从而激活各个状态的接受概率。
4、本发明改进的策略不仅避免算法陷入局部最优,同时加快了收敛速度,提高算法的寻优能力。
附图说明
图1是本发明的算法流程图;
图2是本发明工序编码示意图;
图3是本发明IPOX交叉示意图;
图4是本发明LA03问题最优调度甘特图;
图5是本发明LA03问题的迭代图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
如图1所示,为本算法的流程图。
一种基于改进混合遗传算法的作业车间调度方法,包括以下步骤:
步骤1、建立作业车间调度模型;
将最大完成时间最小作为模型的目标函数,并用数学模型进行如下描述:
生产周期,即工序的最大完成时间:
F=min{max(Ci)} (1)
其中Ci表示工件i的完工时间,i=1,2,3,...,n,n是待加工工件的数量;
步骤2、确定调度的约束条件;包括工序约束、机器约束和时间约束;
(1)同一个工件的每道工序有固定的加工顺序,必须在前一道工序加工完毕后才能进行加工。
(2)在加工过程中,一台机器每次只能加工一个工件的其中一道工序。
(3)直到工件加工完才能中断机器。
(4)每一个工件都有其各自的加工路线,并且是事先确定的,不能改变的。
定义如下数学符号用于问题的数学描述:
n:工件总数
m:机器总数
i,l:工件号 i,l=1,2,3,...,n
h,k:机器号 h,k=1,2,3,...,m
Ci:工件i的完工时间
Oij:第i个工件的第j道工序
cik:工件i在机器k上的完成时间
pik:工件i在机器k上的加工时间
约束条件如下:
cik-pik+M(1-aihk)≥cih (2)
clk-cik+M(1-xilk)≥plk (3)
cik≥0 (4)
xilk=0或1 (5)
公式(2)~(5)表示工艺约束条件决定的各工件的各操作的先后加工顺序以及加工各个工件的各机器的先后顺序,其中M为一个足够大的正数。
步骤3、初始化种群以及设置参数;
首先,要把混合遗传算法进行基于工序的编码,每一条染色体代表一种可行的调度方案,即种群中的一个个体。其中每一个数字代表工件号,数字出现的次数代表这个工件的第几道工序;
其次,设置混合遗传算法求解作业车间调度问题的相关参数,包括种群大小N,最大迭代次数maxgen,初始温度T1,末温Tmin,降温系数α,Markov链长L;算法的终止条件是迭代次数完成;
步骤4、计算适应度值;
其中Mt(v)表示个体v对应的最大完成时间,Max和Min分别表示种群中Mt(v)的最大值和最小值;
步骤5、个体进行轮盘赌选择法;选择适应度高的个体参与下一阶段的遗传操作;
步骤5.2、产生一个随机数θ∈(0,1),如果θ≤q(1),则选择第一个个体,否则的话,如果q(v-1)≤θ≤q(v),则选择第v个个体,将这个步骤循环N次,得到所需规模的种群即可
步骤6、个体进行IPOX交叉,交叉概率采用自适应公式进行调整;调整公式为:
式中:fmin为种群中最小的目标函数值;f'为被选择的两个父代个体中较小的目标函数值;favg为种群的平均目标函数值;gen为当前迭代次数;k1为调整参数,取值范围为(0,1)。
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,步骤6中,个体进行IPOX交叉,交叉概率采用自适应公式进行调整,具体包含如下步骤:
步骤6.1、随机选择两个染色体P1和P2作为父代;
步骤6.2、将工件集{1,2,3,...,n}随机划分为两个非空子集合J1和J2;
步骤6.3、复制父代染色体P1中包含在中的元素到J1中的元素到C1中,并保留原来的顺序;复制父代染色体P2中包含在J1中的元素到C2中,并保留原来的顺序;
步骤6.4、复制父代染色体P1中包含在J2中的元素到C2中,并保留他们的顺序;复制父代染色体P2中包含在J2中的元素到C1中,并保留他们的顺序;
步骤7、个体进行随机变异,变异概率采用自适应公式进行调整;调整公式为:
式中:fmin为种群中最小的目标函数值;f为当前被选择的个体目标函数值;favg为种群的平均目标函数值;gen为当前迭代次数;k2为调整参数,取值范围为(0,1)。
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,步骤7中,个体进行随机变异,变异概率采用自适应公式进行调整,具体包含如下步骤:
步骤7.1、随机选择一个染色体H;
步骤7.2、然后随机选择两个位置,将位置上的基因互换,得到新的染色体H';
步骤8、采用改进的模拟退火算子,对个体进行局部搜索操作,具体操作按照下面的步骤进行:
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,步骤8中,个体进行模拟退火操作,具体包含如下步骤:
步骤8.1、从经变异操作生成的种群中挑选适应度最高的个体作为初始解v,令当前状态S=v。
步骤8.2、设置S为当前状态,循环计数器d=1,种群计数器O=1,Markov链长L;
步骤8.3、从种群中随机选择一个个体,与状态S进行SWAP操作,产生新状态S'=v',计算增量dE=f(v')-f(v);
步骤8.4、如果dE<0,则接受S'作为当前状态;如果dE>0,则以概率exp(-dE/TK)接受S'作为当前解;
步骤8.5、对当前状态S'进行局部基因段倒序操作得到新状态S”=v”,计算其适应度。如果f(v”)>f(v'),则接受S”作为当前状态,令S=S”;否则,保持S'作为当前状态,令S=S'。保存当前状态,d=d+1,转步骤3;
步骤8.6、判断d>L是否为真,若是,终止内循环;
步骤8.7、对内循环生成的L个个体进行适应度排序,选择其中最高的个体进入新种群并作为下一个温度迭代的初始解,O=O+1;
步骤8.9、重复执行步骤3-8,直到生成的解达到种群规模,终止操作。
步骤9、在选择操作中取前10%适应度高的个体放入种群中,不参与交叉、变异、模拟退火操作;
步骤10、判断算法是否达到最大迭代次数,如果是则算法结束;如果未达到最大迭代次数,则跳转到步骤4。
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,步骤2确定调度的约束条件包括:
(1)同一个工件的每道工序有固定的加工顺序,必须在前一道工序加工完毕后才能进行加工。
(2)在加工过程中,一台机器每次只能加工一个工件的其中一道工序。
(3)直到工件加工完才能中断机器。
(4)每一个工件都有其各自的加工路线,并且是事先确定的,不能改变的。
作为本发明一种基于改进混合遗传算法的作业车间调度方法的进一步优选方案,步骤2所述工序约束是指同一个工件的工序有加工顺序的约束,某一时刻同一道工序只能在一台机器上加工,
cik-pik+M(1-aihk)≥cih,
clk-cik+M(1-xilk)≥plk
cik≥0
xijk=0或1
其中cik和pik分别表示工件i在机器k上的完成时间和加工时间,M是一个足够大的正数,
实施实例1
采用LA03算例的作业车间调度问题,即10个工件在5台机器上进行加工。(行代表工件号,列代表工序号,表一的数字代表机器号,表二的数字代表对应加工时间)LA03作业车间调度问题机器约束如表1所示。LA03作业车间调度问题时间约束如表2所示。
表1
2 | 3 | 1 | 5 | 4 |
3 | 2 | 1 | 5 | 4 |
3 | 4 | 5 | 1 | 2 |
5 | 1 | 3 | 2 | 4 |
5 | 1 | 2 | 4 | 3 |
5 | 1 | 2 | 3 | 4 |
4 | 3 | 1 | 5 | 2 |
5 | 2 | 1 | 3 | 4 |
5 | 1 | 4 | 3 | 2 |
5 | 2 | 1 | 3 | 4 |
表2
23 | 45 | 82 | 84 | 38 |
21 | 29 | 18 | 41 | 50 |
38 | 54 | 16 | 52 | 52 |
37 | 54 | 74 | 62 | 57 |
57 | 81 | 61 | 68 | 30 |
81 | 79 | 89 | 89 | 11 |
33 | 20 | 91 | 20 | 66 |
24 | 84 | 32 | 55 | 8 |
56 | 7 | 54 | 64 | 39 |
40 | 83 | 19 | 8 | 7 |
按照目标函数与约束条件建立数学优化模型。
建立数学模型之后,选取适当的初始参数,设立种群大小N=200,最大迭代次数maxgen=100,初始温度T1=2000,末温Tmin=0。001,降温系数α=0。99,Markov链长L=200。
本发明采用随机方式实现种群初始化,保证了种群的多样性。
工序串编码如图2所示,假设工序串为[133212132],则第一个3表示第三个工件的第一道工序,第二个3表示第三个工件的第二道工序,以此类推。数字代表工件号,数字第几次出现就代表是该工件的第几道工序,所以图2中的加工顺序为。O11→O31→O32→O21→O12→O22→O13→O33→O23
为了避免传统计算适应度方法难以很好的区分个体优劣的缺点,对适应度函数进行了改进,公式如(6)所示,改进之后个体之间的区分大大提高,使得优秀的个体能够以很高的概率遗传至下一代,而差的个体则被淘汰,从根本上体现了遗传算法“优胜劣汰”的思想。
选择操作则采用轮盘赌方法,公式如(7)、(8)所示。
交叉操作采用IPOX交叉法,可以避免冲突检测。
交叉概率采用自适应公式进行调整,公式(9)。
具体操作步骤如下:
步骤1:随机选择两个染色体P1和P2作为父代。
步骤2:将工件集{1,2,3,...,n}随机划分为两个非空子集合J1和J2。
步骤3:复制父代染色体P1中包含在J1中的元素到C1中,并保留原来的顺序;复制父代染色体P2中包含在J1中的元素到C2中,并保留原来的顺序。
步骤4:复制父代染色体P1中包含在J2中的元素到C2中,并保留他们的顺序;复制父代染色体P2中包含在J2中的元素到C1中,并保留他们的顺序。
变异操作采用随机变异方法。
变异概率采用自适应公式进行调整,公式(10)。
具体操作按照下面的步骤进行:
步骤1:随机选择一个染色体H。
步骤2:然后随机选择两个位置,将位置上的基因互换,得到新的染色体H'。
局部搜索采用模拟退火算子,并对算子进行三方面改进。
具体操作步骤如下:
步骤1:从经变异操作生成的种群中挑选适应度最高的个体作为初始解v,令当前状态S=v。
步骤2:设置S为当前状态,循环计数器d=1,种群计数器O=1,Markov链长L;
步骤3:从种群中随机选择一个个体,与状态S进行SWAP操作,产生新状态S'=v',计算增量dE=f(v')-f(v);
步骤4:如果dE<0,则接受S'作为当前状态;如果dE>0,则以概率exp(-dE/TK)接受S'作为当前解;
步骤5:对当前状态S'进行局部基因段倒序操作得到新状态S”=v”,计算其适应度。如果f(v”)>f(v'),则接受作S”为当前状态,令S=S”;否则,保持S'作为当前状态,令S=S'。保存当前状态,,转d=d+1步骤3;
步骤6:判断d>L是否为真,若是,终止内循环;
步骤7:对内循环生成的L个个体进行适应度排序,选择其中最高的个体进入新种群并作为下一个温度迭代的初始解,O=O+1;
步骤9:重复执行步骤3-8,直到生成的解达到种群规模,终止操作;
精英保留策略是在选择操作中取前10%适应度高的个体放入种群中,不参与交叉、变异、模拟退火操作,这样可以防止后面的遗传操作对好的个体产生破坏,有利于种群的进化。
从图4可以看出,本文算法在LA03算例中可以找到最优解,说明改进的混合遗传算法具有良好的寻优能力。从图5的收敛曲线图可以看到,收敛速度十分快,在14代的时候就已经收敛到全局最优,并且曲线快速下降,没有陷入局部最优,说明改进的混合遗传算法很好的解决了传统遗传算法容易陷入局部最优以及收敛慢的缺陷。
本发明提出一种基于改进混合遗传算法的作业车间调度方法,将该算法改进后用于求解作业车间调度问题。针对以最小化最大完工时间为优化目标的作业车间调度问题,提出了一种改进的混合遗传模拟退火算法,从个体适应度函数、染色体交叉以及变异概率、模拟退火算子三方面进行相应的改进。与传统适应度计算方法相比,改进的适应度能够更好地区分个体差异,保证优良个体在选择中进入下一阶段;采用自适应交叉和变异概率能够根据个体适应度和迭代次数而改变,保证了算法在前期以较高的概率拥有的较强的寻优能力,而在后期以较小的保证优秀个体不被破坏,同时使得算法尽快收敛;在模拟退火算子中,又加入了记忆功能、局部搜索以及升温策略,进一步强化算法的性能。
最后应说明的几点是:首先,在本申请的描述中,需要说明的是,除非另有规定和限定,术语“安装”、“相连”、“连接”应做广义理解,可以是机械连接或电连接,也可以是两个元件内部的连通,可以是直接相连,“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变,则相对位置关系可能发生改变;
其次:本发明公开实施例附图中,只涉及到与本公开实施例涉及到的结构,其他结构可参考通常设计,在不冲突情况下,本发明同一实施例及不同实施例可以相互组合;
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于改进混合遗传算法的作业车间调度方法,其特征在于,包括以下步骤:
步骤1、建立作业车间调度模型;
步骤2、确定调度的约束条件;
步骤3、初始化种群以及设置参数;
步骤4、计算适应度值;
步骤5、个体进行轮盘赌选择法;
步骤6、个体进行IPOX交叉,交叉概率采用自适应公式进行调整;
步骤7、个体进行随机变异,变异概率采用自适应公式进行调整;
步骤8、个体进行模拟退火操作;
步骤9、个体进行10%的精英保留策略;
步骤10、判断算法是否达到最大迭代次数,如果是则算法结束;如果未达到最大迭代次数,则跳转到步骤4。
3.根据权利要求1所述的一种基于改进混合遗传算法的作业车间调度方法,其特征在于:步骤6中,个体进行IPOX交叉,交叉概率采用自适应公式进行调整,具体包含如下步骤:
步骤6.1、随机选择两个染色体P1和P2作为父代;
步骤6.2、将工件集{1,2,3,...,n}随机划分为两个非空子集合J1和J2;
步骤6.3、复制父代染色体P1中包含在中的元素到J1中的元素到C1中,并保留原来的顺序;复制父代染色体P2中包含在J1中的元素到C2中,并保留原来的顺序;
步骤6.4、复制父代染色体P1中包含在J2中的元素到C2中,并保留他们的顺序;复制父代染色体P2中包含在J2中的元素到C1中,并保留他们的顺序。
4.根据权利要求1所述的一种基于改进混合遗传算法的作业车间调度方法,其特征在于:步骤7中个体进行随机变异,变异概率采用自适应公式进行调整,具体包含如下步骤:
步骤7.1、随机选择一个染色体H;
步骤7.2、然后随机选择两个位置,将位置上的基因互换,得到新的染色体H'。
5.根据权利要求1所述的一种基于改进混合遗传算法的作业车间调度方法,其特征在于:步骤8中,个体进行模拟退火操作,具体包含如下步骤:
步骤8.1、从经变异操作生成的种群中挑选适应度最高的个体作为初始解v,令当前状态S=v;
步骤8.2、设置S为当前状态,循环计数器d=1,种群计数器O=1,Markov链长L;
步骤8.3、从种群中随机选择一个个体,与状态S进行SWAP操作,产生新状态S'=v',计算增量dE=f(v')-f(v);
步骤8.4、如果dE<0,则接受S'作为当前状态;如果dE>0,则以概率exp(-dE/TK)接受S'作为当前解;
步骤8.5、对当前状态S'进行局部基因段倒序操作得到新状态S”=v”,计算其适应度。如果f(v”)>f(v'),则接受S”作为当前状态,令S=S”;否则,保持S'作为当前状态,令S=S'。保存当前状态,d=d+1,转步骤3;
步骤8.6、判断d>L是否为真,若是,终止内循环;
步骤8.7、对内循环生成的L个个体进行适应度排序,选择其中最高的个体进入新种群并作为下一个温度迭代的初始解,O=O+1;
步骤8.9、重复执行步骤3-8,直到生成的解达到种群规模,终止操作。
6.根据权利要求1所述基于改进的混合遗传算法的作业车间调度方法,其特征是,步骤2,确定调度的约束条件包括:
(1)同一个工件的每道工序有固定的加工顺序,必须在前一道工序加工完毕后才能进行加工;
(2)在加工过程中,一台机器每次只能加工一个工件的其中一道工序;
(3)直到工件加工完才能中断机器;
(4)每一个工件都有其各自的加工路线,并且是事先确定的,不能改变的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110036257.2A CN112749776B (zh) | 2021-01-12 | 2021-01-12 | 一种基于改进混合遗传算法的作业车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110036257.2A CN112749776B (zh) | 2021-01-12 | 2021-01-12 | 一种基于改进混合遗传算法的作业车间调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749776A true CN112749776A (zh) | 2021-05-04 |
CN112749776B CN112749776B (zh) | 2023-08-15 |
Family
ID=75650878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110036257.2A Active CN112749776B (zh) | 2021-01-12 | 2021-01-12 | 一种基于改进混合遗传算法的作业车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749776B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095733A (zh) * | 2021-05-10 | 2021-07-09 | 北京化工大学 | 一种基于改进遗传算法求解单机械臂转移作业车间调度方法 |
CN113326581A (zh) * | 2021-05-28 | 2021-08-31 | 江麓机电集团有限公司 | 一种基于组合生产和设备故障约束的遗传调度方法 |
CN113379225A (zh) * | 2021-06-07 | 2021-09-10 | 南京理工大学 | 一种基于矩阵编码遗传算法的作业调度方法 |
CN114442580A (zh) * | 2022-02-09 | 2022-05-06 | 南京工业大学 | 一种基于强化遗传算法的流水车间调度方法及系统 |
CN116090788A (zh) * | 2023-02-27 | 2023-05-09 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1758285A1 (en) * | 2005-08-26 | 2007-02-28 | NTT DoCoMo, Inc. | Method and system for generating sequences with specific characteristics using adaptive genetic algorithm |
CN103985120A (zh) * | 2014-05-13 | 2014-08-13 | 西北工业大学 | 一种遥感图像多目标关联的方法 |
CN104539360A (zh) * | 2014-12-12 | 2015-04-22 | 北京邮电大学 | 一种可见光通信接收信号功率优化方法与装置 |
CN104636813A (zh) * | 2013-11-12 | 2015-05-20 | 中国科学院沈阳计算技术研究所有限公司 | 一种求解车间作业调度问题的混合遗传模拟退火算法 |
CN104820977A (zh) * | 2015-05-22 | 2015-08-05 | 无锡职业技术学院 | 一种基于自适应遗传算法的bp神经网络图像复原算法 |
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
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 |
US20180260714A1 (en) * | 2017-03-10 | 2018-09-13 | Yun Li | Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics |
CN108985500A (zh) * | 2018-06-28 | 2018-12-11 | 兰州交通大学 | 基于改进模拟退火算法的城际列车开行方案优化方法 |
CN109409583A (zh) * | 2018-10-08 | 2019-03-01 | 吉林大学 | 低压配电网络降损重构方法 |
CN109856976A (zh) * | 2019-03-12 | 2019-06-07 | 哈尔滨工程大学 | 一种基于自适应交叉粒子群优化的气垫船航迹跟踪自抗扰控制方法 |
US20190385308A1 (en) * | 2018-06-13 | 2019-12-19 | Satish G. Kandlikar | Detection and Characterization of Cancerous Tumors |
WO2020134145A1 (zh) * | 2018-12-26 | 2020-07-02 | 中兴通讯股份有限公司 | 时频空资源分配方法、计算机装置及计算机可读存储介质 |
US20200302098A1 (en) * | 2019-03-18 | 2020-09-24 | Lawrence Livermore National Security, Llc | Spliced soft-core interaction potential for filling small-scale enclosures |
CN111898299A (zh) * | 2020-07-25 | 2020-11-06 | 福建工程学院 | 一种基于有限元模型数值仿真的pcr基座制造参数优化方法 |
-
2021
- 2021-01-12 CN CN202110036257.2A patent/CN112749776B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1758285A1 (en) * | 2005-08-26 | 2007-02-28 | NTT DoCoMo, Inc. | Method and system for generating sequences with specific characteristics using adaptive genetic algorithm |
CN104636813A (zh) * | 2013-11-12 | 2015-05-20 | 中国科学院沈阳计算技术研究所有限公司 | 一种求解车间作业调度问题的混合遗传模拟退火算法 |
CN103985120A (zh) * | 2014-05-13 | 2014-08-13 | 西北工业大学 | 一种遥感图像多目标关联的方法 |
CN104539360A (zh) * | 2014-12-12 | 2015-04-22 | 北京邮电大学 | 一种可见光通信接收信号功率优化方法与装置 |
WO2016165392A1 (zh) * | 2015-04-17 | 2016-10-20 | 华南理工大学 | 一种基于遗传算法的云计算资源调度方法 |
CN104820977A (zh) * | 2015-05-22 | 2015-08-05 | 无锡职业技术学院 | 一种基于自适应遗传算法的bp神经网络图像复原算法 |
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 |
US20180260714A1 (en) * | 2017-03-10 | 2018-09-13 | Yun Li | Global optimization, search and machine learning method based on the lamarckian principle of inheritance of acquired characteristics |
US20190385308A1 (en) * | 2018-06-13 | 2019-12-19 | Satish G. Kandlikar | Detection and Characterization of Cancerous Tumors |
CN108985500A (zh) * | 2018-06-28 | 2018-12-11 | 兰州交通大学 | 基于改进模拟退火算法的城际列车开行方案优化方法 |
CN109409583A (zh) * | 2018-10-08 | 2019-03-01 | 吉林大学 | 低压配电网络降损重构方法 |
WO2020134145A1 (zh) * | 2018-12-26 | 2020-07-02 | 中兴通讯股份有限公司 | 时频空资源分配方法、计算机装置及计算机可读存储介质 |
CN109856976A (zh) * | 2019-03-12 | 2019-06-07 | 哈尔滨工程大学 | 一种基于自适应交叉粒子群优化的气垫船航迹跟踪自抗扰控制方法 |
US20200302098A1 (en) * | 2019-03-18 | 2020-09-24 | Lawrence Livermore National Security, Llc | Spliced soft-core interaction potential for filling small-scale enclosures |
CN111898299A (zh) * | 2020-07-25 | 2020-11-06 | 福建工程学院 | 一种基于有限元模型数值仿真的pcr基座制造参数优化方法 |
Non-Patent Citations (6)
Title |
---|
CHUN YAN等: ""Improved adaptive genetic algorithm for the vehicle insurance fraud identification model based on a BP Nueral Network"", 《THEORETICAL COMPUTER SCIENCE》, vol. 817, no. 12, pages 12 - 23, XP086105496, DOI: 10.1016/j.tcs.2019.06.025 * |
SHI FEI等: ""Hybrid algorithm based on improved extended shifting bottleneck procedure and GA for assembly job shop scheduling problem"", 《INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH》, vol. 58, no. 9, pages 2604 - 2625 * |
何斌等: ""一种求解作业车间调度问题的改进遗传算法"", 《制造业自动化》, vol. 40, no. 8, pages 113 - 117 * |
周鑫等: ""求解车间作业调度问题的混合遗传模拟退火算法"", 《小型微型计算机系统》, vol. 36, no. 2, pages 370 - 374 * |
张雪艳等: ""基于改进自适应遗传算法的柔性作业车间调度问题研究"", 《机械制造》, vol. 54, no. 622, pages 1 - 5 * |
沈静珠等: ""模拟退火在石化系统优化计算中的应用及其改进"", 《石油学报》, vol. 11, no. 3, pages 87 - 95 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095733A (zh) * | 2021-05-10 | 2021-07-09 | 北京化工大学 | 一种基于改进遗传算法求解单机械臂转移作业车间调度方法 |
CN113326581A (zh) * | 2021-05-28 | 2021-08-31 | 江麓机电集团有限公司 | 一种基于组合生产和设备故障约束的遗传调度方法 |
CN113326581B (zh) * | 2021-05-28 | 2022-07-19 | 江麓机电集团有限公司 | 一种基于组合生产和设备故障约束的遗传调度方法 |
CN113379225A (zh) * | 2021-06-07 | 2021-09-10 | 南京理工大学 | 一种基于矩阵编码遗传算法的作业调度方法 |
CN114442580A (zh) * | 2022-02-09 | 2022-05-06 | 南京工业大学 | 一种基于强化遗传算法的流水车间调度方法及系统 |
CN116090788A (zh) * | 2023-02-27 | 2023-05-09 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
CN116090788B (zh) * | 2023-02-27 | 2023-12-22 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112749776B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112749776A (zh) | 一种基于改进混合遗传算法的作业车间调度方法 | |
CN107862411B (zh) | 一种大规模柔性作业车间调度优化方法 | |
CN104636813B (zh) | 一种求解车间作业调度问题的混合遗传模拟退火算法 | |
CN111667071B (zh) | 一种基于改进遗传算法的传统作业车间调度方法 | |
CN106611379A (zh) | 一种改进文化基因算法求解多目标柔性作业车间调度问题 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
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 | |
CN113610233B (zh) | 一种基于改进遗传算法的柔性作业车间调度方法 | |
CN110543151A (zh) | 基于改进nsga-ⅱ求解车间节能调度问题的方法 | |
CN111353738B (zh) | 一种应用改进的混合免疫算法优化物流配送中心选址方法 | |
CN111967654A (zh) | 一种基于混合遗传算法求解柔性作业车间调度的方法 | |
CN111401693B (zh) | 一种带机器人运输的柔性车间调度优化方法及系统 | |
CN107329461A (zh) | 一种流水线车间调度方法和装置 | |
CN112488315A (zh) | 一种基于深度强化学习和遗传算法的分批调度优化方法 | |
CN108470210A (zh) | 一种深度学习中超参数的优化选取方法 | |
CN114266509A (zh) | 随机贪婪初始种群遗传算法求解柔性作业车间调度方法 | |
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 | |
CN112668789A (zh) | 一种柔性作业车间带准备工序的自适应分批调度方法 | |
CN113569483A (zh) | 基于人工蜂群算法求解多目标柔性作业车间调度的方法 | |
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 | |
CN117075545A (zh) | 一种多目标柔性作业车间调度方法、电子设备、介质 | |
CN114595633A (zh) | 一种基于多约束的多目标柔性作业车间节能调度方法 | |
CN111814359B (zh) | 一种面向离散制造的集成车间调度与装配序列规划方法 | |
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 | |
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 |
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 |