CN113505974A - 一种基于烟花算法和遗传算法的多目标排程方法 - Google Patents
一种基于烟花算法和遗传算法的多目标排程方法 Download PDFInfo
- Publication number
- CN113505974A CN113505974A CN202110682625.0A CN202110682625A CN113505974A CN 113505974 A CN113505974 A CN 113505974A CN 202110682625 A CN202110682625 A CN 202110682625A CN 113505974 A CN113505974 A CN 113505974A
- Authority
- CN
- China
- Prior art keywords
- population
- firework
- individual
- individuals
- group
- 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 75
- 230000002068 genetic effect Effects 0.000 title claims abstract description 48
- 238000004880 explosion Methods 0.000 claims abstract description 47
- 238000012248 genetic selection Methods 0.000 claims abstract description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 103
- 238000004519 manufacturing process Methods 0.000 claims description 33
- 230000003044 adaptive effect Effects 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 24
- 230000035772 mutation Effects 0.000 claims description 12
- 230000001174 ascending effect Effects 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 210000000349 chromosome Anatomy 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000010923 batch production Methods 0.000 abstract description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 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)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于烟花算法和遗传算法的多目标排程方法，特点是设定初始参数；生成初始种群，将初始种群作为当前种群开始迭代；计算当前种群的非支配解并判断是否产生新的非支配解，若是，则将新的非支配解输入至最优解集中；若不是，则判断是否达到设定的迭代总数，若是，则输出最优解集；若不是，则计算烟花规模得到烟花群；对烟花群进行烟花爆炸操、高斯变异操作；进行遗传选择；进行烟花选择；进行种群交叉操作；进行种群变异操作，并将进行种群变异操作后的种群作为当前种群继续迭代；优点是本发明结合了遗传算法和烟花算法，具有收敛速度快、求解精度高的优点，从而有效地提高了多品种小批量生产模式下的排程效率和排程精度。
Description
技术领域
本发明涉及生产排程技术领域，尤其是一种基于烟花算法和遗传算法的多目标排程方法。
背景技术
随着客户需求日益多样化，市场竞争愈加激烈，多品种小批量的生产方式逐渐流行起来；多品种小批量是指在一定工期内，需要生产的商品的种类很多，而每个商品种类需要生产的数量较少；多品种小批量的生产方式的复杂度较高，生产排程的难度也很大，这给生产排程带来了极大的挑战。
在多目标排程中，由于多品种小批量生产模式下，生产需求复杂多变，时常出现生产需求超出生产设备负荷的情况，因此需要求出多项指标最优的生产计划，传统的遗传算法只能求得单项指标最优的生产计划，不能有效求出多项指标最优的生产计划；且现有的多目标排程方法在求解复杂的多目标排程问题时，求得的帕累托最优解集不够全面，即求解精度还不够高。
发明内容
本发明所要解决的技术问题是提供一种基于烟花算法和遗传算法的多目标排程方法，不但提高了排程求解的精度，而且提高了排程求解的效率。
本发明解决上述技术问题所采用的技术方案为：一种基于烟花算法和遗传算法的多目标排程方法，包括以下步骤：
S1设定初始参数，所述的初始参数包括精英规模H、种群规模G、变异次数、迭代总数和最优解集；
S2获取多目标排程的多个优化目标，根据设定的种群规模，对多个优化目标采用二阶段式的方法生成初始种群，将初始种群作为当前种群开始进行迭代；
S3计算当前种群中每个个体的帕累托强度值，将每个个体的帕累托强度值作为每个个体的适应值，并将帕累托强度值小于1的个体所对应的生产计划作为当前种群的非支配解；
S4判断是否产生新的当前种群的非支配解，若是，则将新的当前种群的非支配解输入至最优解集中；若不是，则进入步骤S5；
S5判断是否达到设定的迭代总数，若是，则终止并输出最优解集；若不是，则进入步骤S6；
S6根据基于收敛情况的动态调节机制计算烟花规模，并记为f：
S7从当前种群中随机选取f个个体作为烟花群；
S8对烟花群进行烟花爆炸操作，得到爆炸火花群；
S9对爆炸火花群进行高斯变异操作，得到高斯火花群，并将高斯火花群加入到爆炸火花群中，得到更新后的火花群；
S10根据设定的精英规模，采用精英保留结合锦标赛选择的策略对当前种群进行遗传选择，得到下一代种群；
S11采用基于距离的轮盘赌策略从烟花群和更新后的火花群中选择f个个体，组成烟花选择后的种群；
S12采用顺序交叉算子对下一代种群和烟花选择后的种群进行种群交叉操作，得到交叉后的种群；
S13根据设定的变异次数，利用基于互换方式的变异操作对交叉后的种群进行种群变异操作，得到遗传种群，并将遗传种群作为当前种群返回步骤S3。
所述的步骤S2中所述的对多个优化目标采用二阶段式的方法生成初始种群的具体方法为：对每个优化目标进行单目标排程，得到每个优化目标对应的种群，混合得到的所有优化目标对应的种群并组成初始种群。
所述的单目标排程的具体方法包括以下步骤：
①获取每个优化目标对应的待加工的工件，根据设定的种群规模和基于工序的编码方式对待加工的工件进行处理，并随机生成初始种群，初始种群中的每个个体对应一条染色体，每条染色体中包含其对应的基因序列，每个基因序列对应一个生产计划，生产计划是指所有待加工的工件在对应的生产设备上生产的生产顺序，将初始种群作为当前种群开始迭代；
②基于工序约束对当前种群采用基于互补集的交叉算子进行种群交叉操作，得到父代种群与子代种群，父代种群是指进行种群交叉操作前的当前种群，子代种群是指进行种群交叉操作后得到的种群；
②-1在[1，n)区间，生成一个随机数k，其中，n表示待加工的工件的总数；
②-2从父代种群中随机选择两个父代个体，并记为P1和P2，同时遍历P1和P2的基因序列，选取P1和P2的基因序列中小于或等于k的基因元素组成子代个体S1的基因序列，得到子代个体S1，选取P1和P2的基因序列中大于k的基因元素组成子代个体S2的基因序列，得到子代个体S2；
②-3重复步骤②-2，直至父代种群中的所有个体都完成步骤②-2的操作，混合得到的所有子代个体作为子代种群；
③采用基于互换方式的变异操作对父代种群和子代种群进行种群变异操作，得到遗传种群；
③-1对父代种群和子代种群中的所有个体根据适应值进行升序排序，并选取前H个个体进行复制保留形成精英种群；
③-2利用基于互换方式的变异操作对父代种群和子代种群进行变异操作得到变异后的种群；
③-2-1对于父代种群和子代种群中的每个个体，随机选取其基因序列中两个不同位置，并交换这两个位置上对应的基因元素；
③-2-2重复步骤③-2-1，直至交换次数达到设定的变异次数，得到变异后的个体；
③-2-3重复步骤③-2-1至步骤③-2-2，直至父代种群和子代种群中的所有个体都完成步骤③-2-1至步骤③-2-2的操作，混合得到的所有变异后的个体得到变异后的种群；
③-3将精英种群加入变异后的种群得到遗传种群；
④根据基于收敛情况的动态调节机制计算烟花规模，并记为f，
其中，c表示收敛指数，a表示预设的烟花规模开始随着收敛指数增长的阈值，b表示预设的烟花规模的上限值；
⑤在遗传种群中随机选取f个个体作为烟花群；
⑥对烟花群进行烟花爆炸操作，得到爆炸火花群；
⑦对烟花群进行高斯变异操作，得到高斯火花群；
⑧-1，对遗传种群中的每个个体根据适应值进行升序排序，并选取前H个个体作为精英个体进行保留；
⑧-2采用基于距离的轮盘赌策略从烟花群、爆炸火花群和高斯火花群中选择f个个体，组成烟花选择后的种群；能够筛选出聚集程度比较低的群体，使个体尽可能分散的分布在解空间，以此提高种群的多样性。
⑧-3基于适应值的轮盘赌选择从遗传种群中选择G-H-f个个体，组成遗传选择后的种群；
⑧-4混合精英个体、烟花选择后的种群和遗传选择后的种群得到混合后的种群；使得收敛速度较快的同时保持了种群的多样性。
⑨判断是否达到设定的迭代总数，若是，则终止并输出混合后的种群；若不是，则将混合后的种群作为当前种群并返回步骤②继续进行迭代。
所述的步骤S3中所述的计算当前种群中每个个体的帕累托强度值的具体方法为：将当前种群中第i个个体的帕累托强度值记为F(xi)，F(xi)＝R(xi)+D(xi)，其中，
N表示当前种群，S(xj)＝|{xj|(xj∈N)(xi＜xj，dz表示当前种群中第i个个体到第z个邻近个体之间的距离，z取种群规模大小的平方根或立方根。
所述的步骤S10的具体方法为：
S10-1对当前种群中的所有个体按照帕累托强度值进行升序排序，并选取前H个个体进行保留并加入至下一代种群；
S10-2重复从当前种群中根据锦标赛选择法选择进入下一代种群的个体，直至下一代种群的数量满足设定的种群规模，得到下一代种群。
所述的步骤S12的具体方法为：
S12-1在[0，size)区间，生成两个随机数a′和b′，且a′＜b′，其中size表示基因序列的长度；
S12-2令P1′、P2′表示两个随机从下一代种群和烟花选择后的种群中选择的个体所对应的父代基因序列，令E1、E2表示两个子代基因序列，将P1′中从位置a′到位置b′的基因片段复制到E1的同位置处并记录该复制的基因片段上的基因元素，将P2′中从位置a′到位置b′的基因片段复制到E2的同位置处并记录该复制的基因片段上的基因元素；
S12-3令P2′从位置b′的下一个位置开始循环构造一个新的基因序列并记为P2"，在P2"中找到对应E1中记录的基因元素并删除，并将删除后的P2″中的基因元素按顺序循环填入E1位置b′之后的位置上，完成E1的构造，得到E1对应的子代个体；令P1′从位置b′的下一个位置开始循环构造一个新的基因序列并记为P1"，在P1"中找到对应E2中记录的基因元素并删除，并将删除的P1″中的基因元素按顺序循环填入E2位置b′之后的位置上，完成E2的构造，得到E2对应的子代个体；
S12-4重复步骤S12-2至步骤S12-3，直至下一代种群和烟花选择后的种群中的所有个体都完成步骤S12-2至步骤S12-3的操作，将得到的所有子代个体混合组成交叉后的种群，能够使种群多样性进一步加强，有助于算法求解得到均匀的帕累托最优曲面。
所述的基于互换方式的变异操作的具体方法为：
S13-1对于交叉后的种群中的每个个体，随机选取其基因序列中两个不同位置，并交换这两个位置上对应的基因元素；
S13-2重复步骤S13-1，直至交换次数达到设定的变异次数，得到变异后的个体；
S13-3重复步骤S13-1至步骤S13-2，直至交叉后的种群中的所有个体都完成步骤S13-1至步骤S13-2的操作，混合得到的所有变异后的个体得到变异后的种群；
S13-4将精英种群加入变异后的种群得到遗传种群。
所述的烟花爆炸操作的具体方法为：
在[0，RL]区间，生成一个随机数k′，其中，RL表示第L个烟花个体的爆炸半径，
xL表示烟花群的第L个烟花个体，1≤L≤N′，N′表示烟花群中烟花个体的总数，f(xL)表示第L个烟花个体的适应值，Fmin是指烟花群中适应值最好的烟花个体对应的适应值，r表示预设的爆炸半径参数，ε表示常数，
q表示预设的爆炸半径常数；
随机交换第L个烟花个体xL的基因序列中两个不同位置上的基因元素，重复k′次后，得到xL对应的爆炸火花；
重复上述步骤SL次，得到SL个爆炸火花并组成爆炸火花群，其中，SL表示第L个烟花个体的火花数量，
Fmax是指烟花群中适应值最差的烟花个体对应的适应值，m表示预设的火花数量参数，
p表示预设的火花数量常数。通过基因序列的互换次数代替解空间的位移，互换的次数越多，则表示生成的火花解离初始解越远。
所述的高斯变异操作的具体方法为：
选择一个服从标准高斯分布随机数的绝对值k"；
从烟花群中随机选择一个个体，随机选取并交换该个体的基因序列中两个不同位置上的基因元素，重复k"次后，得到该个体对应的高斯火花；
重复上述步骤，直至生成的高斯火花数达到烟花规模，将所有得到的高斯火花作为高斯火花群。
所述的适应值的选择方式为选取每个个体对应的生产计划中所有工件的完成时间的最大值作为该个体的适应值，适应值越小，则对应的生产计划越好。
与现有技术相比，本发明的优点在于设定初始参数；获取多目标排程的多个优化目标，对多个优化目标采用二阶段式的方法生成初始种群，将初始种群作为当前种群开始进行迭代；计算当前种群中每个个体的帕累托强度值，将每个个体的帕累托强度值作为每个个体的适应值，并将帕累托强度值小于1的个体所对应的生产计划作为当前种群的非支配解；判断是否产生新的当前种群的非支配解，若是，则将新的当前种群的非支配解输入至最优解集中；若不是，则进入下一步；判断是否达到设定的迭代总数，若是，则终止并输出最优解集；若不是，则进入下一步；根据基于收敛情况的动态调节机制计算烟花规模，并记为f；从当前种群中随机选取f个个体作为烟花群；对烟花群进行烟花爆炸操作，得到爆炸火花群；对爆炸火花群进行高斯变异操作，得到高斯火花群，并将高斯火花群加入到爆炸火花群中，得到更新后的火花群；采用精英保留结合锦标赛选择的策略对当前种群进行遗传选择，得到下一代种群；采用基于距离的轮盘赌策略从烟花群和更新后的火花群中选择f个个体，组成烟花选择后的种群；采用顺序交叉算子对下一代种群和烟花选择后的种群进行种群交叉操作，得到交叉后的种群；利用基于互换方式的变异操作对交叉后的种群进行种群变异操作，得到遗传种群，并将遗传种群作为当前种群继续迭代；本发明结合了遗传算法和烟花算法，具有收敛速度快、求解精度高的优点，从而有效地提高了多品种小批量生产模式下的排程效率和排程精度。
附图说明
图1为本发明的总体流程示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图所示，一种基于烟花算法和遗传算法的多目标排程方法，包括以下步骤：
S1设定初始参数，初始参数包括精英规模H、种群规模G、变异次数、迭代总数和最优解集；
S2获取多目标排程的多个优化目标，根据设定的种群规模，对多个优化目标采用二阶段式的方法生成初始种群，将初始种群作为当前种群开始进行迭代；
S3计算当前种群中每个个体的帕累托强度值，将每个个体的帕累托强度值作为每个个体的适应值，并将帕累托强度值小于1的个体所对应的生产计划作为当前种群的非支配解；
步骤S3中计算当前种群中每个个体的帕累托强度值的具体方法为：将当前种群中第i个个体的帕累托强度值记为F(xi)，F(xi)＝R(xi)+D(xi)，其中，
N表示当前种群，S(xj)＝|{xj|(xj∈N)(xi＜xj)}|，dz表示当前种群中第i个个体到第z个邻近个体之间的距离，z取种群规模大小的平方根或立方根；
S4判断是否产生新的当前种群的非支配解，若是，则将新的当前种群的非支配解输入至最优解集中；若不是，则进入步骤S5；
S5判断是否达到设定的迭代总数，若是，则终止并输出最优解集；若不是，则进入步骤S6；
S6根据基于收敛情况的动态调节机制计算烟花规模，并记为f：
S7从当前种群中随机选取f个个体作为烟花群；
S8对烟花群进行烟花爆炸操作，得到爆炸火花群；
S9对爆炸火花群进行高斯变异操作，得到高斯火花群，并将高斯火花群加入到爆炸火花群中，得到更新后的火花群；
S10根据设定的精英规模，采用精英保留结合锦标赛选择的策略对当前种群进行遗传选择，得到下一代种群：
S10-1对当前种群中的所有个体按照帕累托强度值进行升序排序，并选取前H个个体进行保留并加入至下一代种群；
S10-2重复从当前种群中根据锦标赛选择法选择进入下一代种群的个体，直至下一代种群的数量满足设定的种群规模，得到下一代种群；
S11采用基于距离的轮盘赌策略从烟花群和更新后的火花群中选择f个个体，组成烟花选择后的种群；
S12采用顺序交叉算子对下一代种群和烟花选择后的种群进行种群交叉操作，得到交叉后的种群：
S12-1在[0，size)区间，生成两个随机数a′和b′，且a′＜b′，其中size表示基因序列的长度；
S12-2令P1′、P2′表示两个随机从下一代种群和烟花选择后的种群中选择的个体所对应的父代基因序列，令E1、E2表示两个子代基因序列，将P1′中从位置a′到位置b′的基因片段复制到E1的同位置处并记录该复制的基因片段上的基因元素，将P2′中从位置a′到位置b′的基因片段复制到E2的同位置处并记录该复制的基因片段上的基因元素；
S12-3令P2′从位置b′的下一个位置开始循环构造一个新的基因序列并记为P2"，在P2"中找到对应E1中记录的基因元素并删除，并将删除后的P2″中的基因元素按顺序循环填入E1位置b′之后的位置上，完成E1的构造，得到E1对应的子代个体；令P1′从位置b′的下一个位置开始循环构造一个新的基因序列并记为P1"，在P1"中找到对应E2中记录的基因元素并删除，并将删除的P1″中的基因元素按顺序循环填入E2位置b′之后的位置上，完成E2的构造，得到E2对应的子代个体；
S12-4重复步骤S12-2至步骤S12-3，直至下一代种群和烟花选择后的种群中的所有个体都完成步骤S12-2至步骤S12-3的操作，将得到的所有子代个体混合组成交叉后的种群；
S13根据设定的变异次数，利用基于互换方式的变异操作对交叉后的种群进行种群变异操作，得到遗传种群，并将遗传种群作为当前种群返回步骤S3；
基于互换方式的变异操作的具体方法为：
S13-1对于交叉后的种群中的每个个体，随机选取其基因序列中两个不同位置，并交换这两个位置上对应的基因元素；
S13-2重复步骤S13-1，直至交换次数达到设定的变异次数，得到变异后的个体；
S13-3重复步骤S13-1至步骤S13-2，直至交叉后的种群中的所有个体都完成步骤S13-1至步骤S13-2的操作，混合得到的所有变异后的个体得到变异后的种群；
S13-4将精英种群加入变异后的种群得到遗传种群。
步骤S2中对多个优化目标采用二阶段式的方法生成初始种群的具体方法为：对每个优化目标进行单目标排程，得到每个优化目标对应的种群，混合得到的所有优化目标对应的种群并组成初始种群。
单目标排程的具体方法包括以下步骤：
①获取每个优化目标对应的待加工的工件，根据设定的种群规模和基于工序的编码方式对待加工的工件进行处理，并随机生成初始种群，初始种群中的每个个体对应一条染色体，每条染色体中包含其对应的基因序列，每个基因序列对应一个生产计划，生产计划是指所有待加工的工件在对应的生产设备上生产的生产顺序，将初始种群作为当前种群开始迭代；
适应值的选择方式为选取每个个体对应的生产计划中所有工件的完成时间的最大值作为该个体的适应值；
②基于工序约束对当前种群采用基于互补集的交叉算子进行种群交叉操作，得到父代种群与子代种群，父代种群是指进行种群交叉操作前的当前种群，子代种群是指进行种群交叉操作后得到的种群；
②-1在[1，n)区间，生成一个随机数k，其中，n表示待加工的工件的总数；
②-2从父代种群中随机选择两个父代个体，并记为P1和P2，同时遍历P1和P2的基因序列，选取P1和P2的基因序列中小于或等于k的基因元素组成子代个体S1的基因序列，得到子代个体S1，选取P1和P2的基因序列中大于k的基因元素组成子代个体S2的基因序列，得到子代个体S2；
②-3重复步骤②-2，直至父代种群中的所有个体都完成步骤②-2的操作，混合得到的所有子代个体作为子代种群；
③采用基于互换方式的变异操作对父代种群和子代种群进行种群变异操作，得到遗传种群；
③-1对父代种群和子代种群中的所有个体根据适应值进行升序排序，并选取前H个个体进行复制保留形成精英种群；
③-2利用基于互换方式的变异操作对父代种群和子代种群进行变异操作得到变异后的种群；
③-2-1对于父代种群和子代种群中的每个个体，随机选取其基因序列中两个不同位置，并交换这两个位置上对应的基因元素；
③-2-2重复步骤③-2-1，直至交换次数达到设定的变异次数，得到变异后的个体；
③-2-3重复步骤③-2-1至步骤③-2-2，直至父代种群和子代种群中的所有个体都完成步骤③-2-1至步骤③-2-2的操作，混合得到的所有变异后的个体得到变异后的种群；
③-3将精英种群加入变异后的种群得到遗传种群；
④根据基于收敛情况的动态调节机制计算烟花规模，并记为f，
其中，c表示收敛指数，a表示预设的烟花规模开始随着收敛指数增长的阈值，b表示预设的烟花规模的上限值；
⑤在遗传种群中随机选取f个个体作为烟花群；
⑥对烟花群进行烟花爆炸操作，得到爆炸火花群；
⑦对烟花群进行高斯变异操作，得到高斯火花群；
⑧-1，对遗传种群中的每个个体根据适应值进行升序排序，并选取前H个个体作为精英个体进行保留；
⑧-2采用基于距离的轮盘赌策略从烟花群、爆炸火花群和高斯火花群中选择f个个体，组成烟花选择后的种群；
⑧-3基于适应值的轮盘赌选择从遗传种群中选择G-H-f个个体，组成遗传选择后的种群；
⑧-4混合精英个体、烟花选择后的种群和遗传选择后的种群得到混合后的种群；
⑨判断是否达到设定的迭代总数，若是，则终止并输出混合后的种群；若不是，则将混合后的种群作为当前种群并返回步骤②继续进行迭代。
在本实施例中，烟花爆炸操作的具体方法为：
在[0，RL]区间，生成一个随机数k′，其中，RL表示第L个烟花个体的爆炸半径，
xL表示烟花群的第L个烟花个体，1≤L≤N′，N′表示烟花群中烟花个体的总数，f(xL)表示第L个烟花个体的适应值，Fmin是指烟花群中适应值最好的烟花个体对应的适应值，r表示预设的爆炸半径参数，ε表示常数，
q表示预设的爆炸半径常数；
随机交换第L个烟花个体xL的基因序列中两个不同位置上的基因元素，重复k′次后，得到xL对应的爆炸火花；
重复上述步骤SL次，得到SL个爆炸火花并组成爆炸火花群，其中，SL表示第L个烟花个体的火花数量，
Fmax是指烟花群中适应值最差的烟花个体对应的适应值，m表示预设的火花数量参数，
p表示预设的火花数量常数；
在本实施例中，m取N′的五倍，r取N′与基因序列总长度之积的十分之一，ε是一个极小的常数，防止分母为零。
在本实施例中，高斯变异操作的具体方法为：
选择一个服从标准高斯分布随机数的绝对值k"；
从烟花群中随机选择一个个体，随机选取并交换该个体的基因序列中两个不同位置上的基因元素，重复k"次后，得到该个体对应的高斯火花；
重复上述步骤，直至生成的高斯火花数达到烟花规模，将所有得到的高斯火花作为高斯火花群。
本实施例中，基于工序的编码方式的具体方法为：针对n个工件m台设备的问题，对应的染色体的基因序列的长度为n×m，是一个所有工序的一个排列，在该基因序列中，其每一个元素对应的值是[1，n]之间的某个数，这个数对应了工件在加工序列中的位置，因为一个工件对应着多道工序，所以同一个数字会在序列中出现多次，一个数字在序列中出现的次序对应了该工件的工序顺序，其特点是任意基因串的排列均能表示可行的调度。
在进行解码的过程中，按照基因序列的先后顺序，将对应的工序排程到生产设备上去，工序在排到生产设备上时，寻找工序能够排入的最早时间，并在该时间排入这道工序，即从零时刻开始寻找空闲时间片段，找到的第一个能够容纳该工序加工过程的空闲片段，以这个空闲片段的时间开始加工。
Claims (10)
1.一种基于烟花算法和遗传算法的多目标排程方法，其特征在于包括以下步骤：
S1设定初始参数，所述的初始参数包括精英规模H、种群规模G、变异次数、迭代总数和最优解集；
S2获取多目标排程的多个优化目标，根据设定的种群规模，对多个优化目标采用二阶段式的方法生成初始种群，将初始种群作为当前种群开始进行迭代；
S3计算当前种群中每个个体的帕累托强度值，将每个个体的帕累托强度值作为每个个体的适应值，并将帕累托强度值小于1的个体所对应的生产计划作为当前种群的非支配解；
S4判断是否产生新的当前种群的非支配解，若是，则将新的当前种群的非支配解输入至最优解集中；若不是，则进入步骤S5；
S5判断是否达到设定的迭代总数，若是，则终止并输出最优解集；若不是，则进入步骤S6；
S6根据基于收敛情况的动态调节机制计算烟花规模，并记为f：
S7从当前种群中随机选取f个个体作为烟花群；
S8对烟花群进行烟花爆炸操作，得到爆炸火花群；
S9对爆炸火花群进行高斯变异操作，得到高斯火花群，并将高斯火花群加入到爆炸火花群中，得到更新后的火花群；
S10根据设定的精英规模，采用精英保留结合锦标赛选择的策略对当前种群进行遗传选择，得到下一代种群；
S11采用基于距离的轮盘赌策略从烟花群和更新后的火花群中选择f个个体，组成烟花选择后的种群；
S12采用顺序交叉算子对下一代种群和烟花选择后的种群进行种群交叉操作，得到交叉后的种群；
S13根据设定的变异次数，利用基于互换方式的变异操作对交叉后的种群进行种群变异操作，得到遗传种群，并将遗传种群作为当前种群返回步骤S3。
2.根据权利要求1所述的一种基于烟花算法和遗传算法的多目标排程方法，其特征在于所述的步骤S2中所述的对多个优化目标采用二阶段式的方法生成初始种群的具体方法为：对每个优化目标进行单目标排程，得到每个优化目标对应的种群，混合得到的所有优化目标对应的种群并组成初始种群。
3.根据权利要求2所述的一种基于烟花算法和遗传算法的多目标排程方法，其特征在于所述的单目标排程的具体方法包括以下步骤：
①获取每个优化目标对应的待加工的工件，根据设定的种群规模和基于工序的编码方式对待加工的工件进行处理，并随机生成初始种群，初始种群中的每个个体对应一条染色体，每条染色体中包含其对应的基因序列，每个基因序列对应一个生产计划，生产计划是指所有待加工的工件在对应的生产设备上生产的生产顺序，将初始种群作为当前种群开始迭代；
②基于工序约束对当前种群采用基于互补集的交叉算子进行种群交叉操作，得到父代种群与子代种群，父代种群是指进行种群交叉操作前的当前种群，子代种群是指进行种群交叉操作后得到的种群；
②-1在[1，n)区间，生成一个随机数k，其中，n表示待加工的工件的总数；
②-2从父代种群中随机选择两个父代个体，并记为P1和P2，同时遍历P1和P2的基因序列，选取P1和P2的基因序列中小于或等于k的基因元素组成子代个体S1的基因序列，得到子代个体S1，选取P1和P2的基因序列中大于k的基因元素组成子代个体S2的基因序列，得到子代个体S2；
②-3重复步骤②-2，直至父代种群中的所有个体都完成步骤②-2的操作，混合得到的所有子代个体作为子代种群；
③采用基于互换方式的变异操作对父代种群和子代种群进行种群变异操作，得到遗传种群；
③-1对父代种群和子代种群中的所有个体根据适应值进行升序排序，并选取前H个个体进行复制保留形成精英种群；
③-2利用基于互换方式的变异操作对父代种群和子代种群进行变异操作得到变异后的种群；
③-2-1对于父代种群和子代种群中的每个个体，随机选取其基因序列中两个不同位置，并交换这两个位置上对应的基因元素；
③-2-2重复步骤③-2-1，直至交换次数达到设定的变异次数，得到变异后的个体；
③-2-3重复步骤③-2-1至步骤③-2-2，直至父代种群和子代种群中的所有个体都完成步骤③-2-1至步骤③-2-2的操作，混合得到的所有变异后的个体得到变异后的种群；
③-3将精英种群加入变异后的种群得到遗传种群；
④根据基于收敛情况的动态调节机制计算烟花规模，并记为f，
其中，c表示收敛指数，a表示预设的烟花规模开始随着收敛指数增长的阈值，b表示预设的烟花规模的上限值；
⑤在遗传种群中随机选取f个个体作为烟花群；
⑥对烟花群进行烟花爆炸操作，得到爆炸火花群；
⑦对烟花群进行高斯变异操作，得到高斯火花群；
⑧-1，对遗传种群中的每个个体根据适应值进行升序排序，并选取前H个个体作为精英个体进行保留；
⑧-2采用基于距离的轮盘赌策略从烟花群、爆炸火花群和高斯火花群中选择f个个体，组成烟花选择后的种群；
⑧-3基于适应值的轮盘赌选择从遗传种群中选择G-H-f个个体，组成遗传选择后的种群；
⑧-4混合精英个体、烟花选择后的种群和遗传选择后的种群得到混合后的种群；
⑨判断是否达到设定的迭代总数，若是，则终止并输出混合后的种群；若不是，则将混合后的种群作为当前种群并返回步骤②继续进行迭代。
4.根据权利要求1所述的一种基于烟花算法和遗传算法的多目标排程方法，其特征在于所述的步骤S3中所述的计算当前种群中每个个体的帕累托强度值的具体方法为：将当前种群中第i个个体的帕累托强度值记为F(xi)，F(xi)＝R(xi)+D(xi)，其中，
N表示当前种群，
dz表示当前种群中第i个个体到第z个邻近个体之间的距离，z取种群规模大小的平方根或立方根。
5.根据权利要求1所述的一种基于烟花算法和遗传算法的多目标排程方法，其特征在于所述的步骤S10的具体方法为：
S10-1对当前种群中的所有个体按照帕累托强度值进行升序排序，并选取前H个个体进行保留并加入至下一代种群；
S10-2重复从当前种群中根据锦标赛选择法选择进入下一代种群的个体，直至下一代种群的数量满足设定的种群规模，得到下一代种群。
6.根据权利要求1所述的一种基于烟花算法和遗传算法的多目标排程方法，其特征在于所述的步骤S12的具体方法为：
S12-1在[0，size)区间，生成两个随机数a′和b′，且a′＜b′，其中size表示基因序列的长度；
S12-2令P1′、P2′表示两个随机从下一代种群和烟花选择后的种群中选择的个体所对应的父代基因序列，令E1、E2表示两个子代基因序列，将P1′中从位置a′到位置b′的基因片段复制到E1的同位置处并记录该复制的基因片段上的基因元素，将P2′中从位置a′到位置b′的基因片段复制到E2的同位置处并记录该复制的基因片段上的基因元素；
S12-3令P2′从位置b′的下一个位置开始循环构造一个新的基因序列并记为P2"，在P2"中找到对应E1中记录的基因元素并删除，并将删除后的P2″中的基因元素按顺序循环填入E1位置b′之后的位置上，完成E1的构造，得到E1对应的子代个体；令P1′从位置b′的下一个位置开始循环构造一个新的基因序列并记为P1"，在P1"中找到对应E2中记录的基因元素并删除，并将删除的P1″中的基因元素按顺序循环填入E2位置b′之后的位置上，完成E2的构造，得到E2对应的子代个体；
S12-4重复步骤S12-2至步骤S12-3，直至下一代种群和烟花选择后的种群中的所有个体都完成步骤S12-2至步骤S12-3的操作，将得到的所有子代个体混合组成交叉后的种群。
7.根据权利要求1所述的一种基于烟花算法和遗传算法的多目标排程方法，其特征在于所述的基于互换方式的变异操作的具体方法为：
S13-1对于交叉后的种群中的每个个体，随机选取其基因序列中两个不同位置，并交换这两个位置上对应的基因元素；
S13-2重复步骤S13-1，直至交换次数达到设定的变异次数，得到变异后的个体；
S13-3重复步骤S13-1至步骤S13-2，直至交叉后的种群中的所有个体都完成步骤S13-1至步骤S13-2的操作，混合得到的所有变异后的个体得到变异后的种群；
S13-4将精英种群加入变异后的种群得到遗传种群。
8.根据权利要求1或3所述的一种基于烟花算法和遗传算法的多目标排程方法，其特征在于所述的烟花爆炸操作的具体方法为：
在[0，RL]区间，生成一个随机数k′，其中，RL表示第L个烟花个体的爆炸半径，
xL表示烟花群的第L个烟花个体，1≤L≤N′，N′表示烟花群中烟花个体的总数，f(xL)表示第L个烟花个体的适应值，Fmin是指烟花群中适应值最好的烟花个体对应的适应值，r表示预设的爆炸半径参数，ε表示常数，
q表示预设的爆炸半径常数；
随机交换第L个烟花个体xL的基因序列中两个不同位置上的基因元素，重复k′次后，得到xL对应的爆炸火花；
重复上述步骤SL次，得到SL个爆炸火花并组成爆炸火花群，其中，SL表示第L个烟花个体的火花数量，
Fmax是指烟花群中适应值最差的烟花个体对应的适应值，m表示预设的火花数量参数，
p表示预设的火花数量常数。
9.根据权利要求1或3所述的一种基于烟花算法和遗传算法的多目标排程方法，其特征在于所述的高斯变异操作的具体方法为：
选择一个服从标准高斯分布随机数的绝对值k"；
从烟花群中随机选择一个个体，随机选取并交换该个体的基因序列中两个不同位置上的基因元素，重复k"次后，得到该个体对应的高斯火花；
重复上述步骤，直至生成的高斯火花数达到烟花规模，将所有得到的高斯火花作为高斯火花群。
10.根据权利要求3所述的一种基于烟花算法和遗传算法的多目标排程方法，其特征在于所述的适应值的选择方式为选取每个个体对应的生产计划中所有工件的完成时间的最大值作为该个体的适应值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110682625.0A CN113505974B (zh) | 2021-06-18 | 2021-06-18 | 一种基于烟花算法和遗传算法的多目标排程方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110682625.0A CN113505974B (zh) | 2021-06-18 | 2021-06-18 | 一种基于烟花算法和遗传算法的多目标排程方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113505974A true CN113505974A (zh) | 2021-10-15 |
| CN113505974B CN113505974B (zh) | 2024-04-09 |
Family
ID=78010283
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110682625.0A Active CN113505974B (zh) | 2021-06-18 | 2021-06-18 | 一种基于烟花算法和遗传算法的多目标排程方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505974B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505975A (zh) * | 2021-06-18 | 2021-10-15 | 宁波沙塔信息技术有限公司 | 一种基于遗传算法和烟花算法的插单排程方法 |
| CN115145225A (zh) * | 2022-06-23 | 2022-10-04 | 福州大学 | 一种基于烟花算法的异形海绵切割路径优化方法 |
| CN116757243A (zh) * | 2023-06-27 | 2023-09-15 | 哈尔滨工程大学 | 基于混沌Levy多目标烟花算法的多任务分配方法 |
| CN116776552A (zh) * | 2023-05-17 | 2023-09-19 | 苏州大学 | 热管约束组件布局的混合优化方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704319A (zh) * | 2017-10-18 | 2018-02-16 | 哈尔滨工程大学 | 改进烟花算法的cmp任务调度方法 |
| CN108898511A (zh) * | 2018-06-15 | 2018-11-27 | 广东工业大学 | 一种支持移峰型电力需求响应的生产调度方法 |
| CN110097267A (zh) * | 2019-04-19 | 2019-08-06 | 天津大学 | 一种基于改进烟花算法的多目标多机器人任务分配方法 |
| CN110417015A (zh) * | 2019-06-18 | 2019-11-05 | 湖北追日电气股份有限公司 | 基于模型预测控制的微电网多目标优化调度方法及系统 |
| CN110533152A (zh) * | 2019-08-12 | 2019-12-03 | 哈尔滨工程大学 | 一种基于改进烟花算法在cmp架构下的任务调度方法 |
| CN110717264A (zh) * | 2019-09-30 | 2020-01-21 | 南昌大学 | 用于产品外形多目标优化设计的改进强度帕累托进化算法 |
| CN112257297A (zh) * | 2020-11-27 | 2021-01-22 | 西南交通大学 | 一种基于改进烟花算法的焊接车间综合调度方法 |
| CN113505975A (zh) * | 2021-06-18 | 2021-10-15 | 宁波沙塔信息技术有限公司 | 一种基于遗传算法和烟花算法的插单排程方法 |
-
2021
- 2021-06-18 CN CN202110682625.0A patent/CN113505974B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107704319A (zh) * | 2017-10-18 | 2018-02-16 | 哈尔滨工程大学 | 改进烟花算法的cmp任务调度方法 |
| CN108898511A (zh) * | 2018-06-15 | 2018-11-27 | 广东工业大学 | 一种支持移峰型电力需求响应的生产调度方法 |
| CN110097267A (zh) * | 2019-04-19 | 2019-08-06 | 天津大学 | 一种基于改进烟花算法的多目标多机器人任务分配方法 |
| CN110417015A (zh) * | 2019-06-18 | 2019-11-05 | 湖北追日电气股份有限公司 | 基于模型预测控制的微电网多目标优化调度方法及系统 |
| CN110533152A (zh) * | 2019-08-12 | 2019-12-03 | 哈尔滨工程大学 | 一种基于改进烟花算法在cmp架构下的任务调度方法 |
| CN110717264A (zh) * | 2019-09-30 | 2020-01-21 | 南昌大学 | 用于产品外形多目标优化设计的改进强度帕累托进化算法 |
| CN112257297A (zh) * | 2020-11-27 | 2021-01-22 | 西南交通大学 | 一种基于改进烟花算法的焊接车间综合调度方法 |
| CN113505975A (zh) * | 2021-06-18 | 2021-10-15 | 宁波沙塔信息技术有限公司 | 一种基于遗传算法和烟花算法的插单排程方法 |
Non-Patent Citations (8)
| Title |
|---|
| JINGMEI LI 等: ""Task scheduling algorithm based on fireworks algorithm"", 《WIRELESS COMMUNICATIONS AND NETWORKING》, pages 1 - 8 * |
| 任亚涛等: ""基于时域信息的粒径分布及光学常数重建"", 《北京航空航天大学学报》, vol. 43, no. 11, pages 2193 - 2198 * |
| 张蓓: ""烟花爆炸算法研究"", 万方数据, pages 15 - 45 * |
| 白晓波等: ""改进的烟花算法优化粒子滤波研究"", 《计算机科学与探索》, pages 1827 - 1842 * |
| 赵伟;郭乙江;: "一种烟花算法的优化", 科技通报, no. 06, 30 June 2018 (2018-06-30), pages 201 - 204 * |
| 路永和等: ""基于二进制烟花算法的特征选择方法"", 《情报学报》, vol. 36, no. 3, pages 249 - 259 * |
| 马焱等: ""基于改进烟花-蚁群算法的海流环境下水下无人潜航器的避障路径规划"", 《导航与控制》, vol. 18, no. 1, pages 51 - 59 * |
| 黄伟建等: ""基于烟花算法的云计算多目标任务调度"", 《计算机应用研究》, vol. 34, no. 6, pages 1718 - 1731 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113505975A (zh) * | 2021-06-18 | 2021-10-15 | 宁波沙塔信息技术有限公司 | 一种基于遗传算法和烟花算法的插单排程方法 |
| CN113505975B (zh) * | 2021-06-18 | 2024-04-09 | 宁波沙塔信息技术有限公司 | 一种基于遗传算法和烟花算法的插单排程方法 |
| CN115145225A (zh) * | 2022-06-23 | 2022-10-04 | 福州大学 | 一种基于烟花算法的异形海绵切割路径优化方法 |
| CN116776552A (zh) * | 2023-05-17 | 2023-09-19 | 苏州大学 | 热管约束组件布局的混合优化方法 |
| CN116757243A (zh) * | 2023-06-27 | 2023-09-15 | 哈尔滨工程大学 | 基于混沌Levy多目标烟花算法的多任务分配方法 |
| CN116757243B (zh) * | 2023-06-27 | 2024-01-23 | 哈尔滨工程大学 | 基于混沌Levy多目标烟花算法的多任务分配方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113505974B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113505974A (zh) | 一种基于烟花算法和遗传算法的多目标排程方法 | |
| CN109636011B (zh) | 一种基于改进的变邻域遗传算法的多班制计划排程法 | |
| CN110097267B (zh) | 一种基于改进烟花算法的多目标多机器人任务分配方法 | |
| CN112113666A (zh) | 一种基于自适应发射率模型的多光谱测温装置及其测温方法 | |
| CN111079987A (zh) | 基于遗传算法的半导体车间生产调度方法 | |
| CN116560313A (zh) | 一种多目标柔性作业车间问题的遗传算法优化调度方法 | |
| CN111815040A (zh) | 一种用于智能仓库的订单处理和货架指派方法 | |
| 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 | |
| CN112926837A (zh) | 基于数据驱动改进遗传算法求解作业车间调度问题的方法 | |
| CN116307213A (zh) | 一种基于nsga-iii算法的自动配棉方法及装置 | |
| CN116596900A (zh) | 石墨坩埚的制造方法及其系统 | |
| CN103950930B (zh) | 一种用于电石生产配料的控制方法 | |
| CN111652413A (zh) | 基于多Agent分布式海量数据处理的工业电力负荷预测方法 | |
| CN113505975B (zh) | 一种基于遗传算法和烟花算法的插单排程方法 | |
| Li et al. | A novel hybrid multi-objective particle swarm optimization algorithm with an adaptive resource allocation strategy | |
| CN102629290B (zh) | 一种多股流板翅式换热器流体通道排列的优化设计方法 | |
| CN111985841A (zh) | 一种基于改进遗传算法的注塑车间调度方法及系统 | |
| CN116501272A (zh) | 一种基于改进遗传算法的3d打印订单任务调度方法 | |
| CN116307214A (zh) | 一种基于nsga-ii算法的自动配棉方法及相关装置 | |
| CN103942448B (zh) | 一种磁性材料生产的组炉方法 | |
| Firouzi et al. | A new evolutionary algorithm for cluster analysis | |
| CN106709572A (zh) | 一种数据处理方法及设备 | |
| CN115049123A (zh) | 基于GA-XGBoost模型的高炉铁水硅含量预测方法 | |
| CN115392616A (zh) | 一种知识挖掘结合遗传算法的多目标离散车间调度方法 | |
| CN111461911B (zh) | 一种基于混合nsga-ii的加工工件虚拟单元构建方法 |
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 |