CN113807611B - 一种基于解可信度与双档案群智优化的作业车间调度方法 - Google Patents

一种基于解可信度与双档案群智优化的作业车间调度方法 Download PDF

Info

Publication number
CN113807611B
CN113807611B CN202111182722.XA CN202111182722A CN113807611B CN 113807611 B CN113807611 B CN 113807611B CN 202111182722 A CN202111182722 A CN 202111182722A CN 113807611 B CN113807611 B CN 113807611B
Authority
CN
China
Prior art keywords
file
particles
solution
optimization
particle
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.)
Active
Application number
CN202111182722.XA
Other languages
English (en)
Other versions
CN113807611A (zh
Inventor
宋威
张宇嘉
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN202111182722.XA priority Critical patent/CN113807611B/zh
Publication of CN113807611A publication Critical patent/CN113807611A/zh
Application granted granted Critical
Publication of CN113807611B publication Critical patent/CN113807611B/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
    • G06Q10/06—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于解可信度与双档案群智优化的作业车间调度方法，包括，初始化参数，并根据订单参数获取约束条件以及搜索空间；随机产生粒子初始位置，并获取初始解，建立优化率档案O与精英档案E；从优化率档案O与精英档案E中选取榜样指导种群学习，并根据解可信度D对搜索策略进行调整；更新种群，并更新种群中每个粒子的历史最优适应值以及精英档案E和优化率档案O；根据历史最优适应值选取全局最优个体并通过编码获得当前解；判断是否满足结束条件，若满足则输出最小完工时间；若不满足则重新计算解可信度D；本发明能有效解决复杂作业车间调度问题，实现车间生产的排产与调度管理，提高企业的生产效率。

Description

一种基于解可信度与双档案群智优化的作业车间调度方法
技术领域
本发明涉及作业车间调度的技术领域，尤其涉及一种基于解可信度与双档案群智优化的作业车间调度方法。
背景技术
生产调度是指在一定约束条件下通过合理地分配资源来完成一批给定的任务或者作业，以达到性能指标的最优化。在客户需求日趋多样化和个性化的市场竞争环境下，“按订单”生产已经成为目前生产方式的主流。但现代大规模制造型企业，生产环节多，协作关系复杂，生产连续性强，情况变化快，某些任务或者作业的资源分配或生产顺序一旦出现错误，往往会波及整个生产系统的运行。因此，如何优化生产作业调度，有效提高资源的利用率和生产的效率，是当前企业生产当中迫切需要解决的问题。
早在60年代，人们就开始了对车间生产调度问题的研究。Giffler和Thompson在1960年提出了用于车间生产调度的优先分派规则方法。Gere,W.S.在1966年提出了用于车间生产调度问题一组基于优先分派规则的启发式算法。由于车间生产调度问题的复杂性和困难性，从问题产生直到今日，为了得到一个理想的解决方案，许多研究人员对该问题进行了大量的研究，产生了各种各样的方法来求解该问题。
求解车间生产调度问题的早期，主要采用的是最优化求解方法，包括数学规划法、枚举法、分枝定界法、拉格朗日松弛法等。最优化求解方法规则简单，容易实现，但在实际生产调度中存在许多不足，例如：数学规划法在有限时间内只能解决一些非常简单的问题；枚举法无法保证能获得可行解；分支定界法在解决大规模问题时需耗费巨大的计算时间，同时对初始上下界敏感；拉格朗日松弛法需要对问题再加工，受算法参数的影响较大。
近年来，随着计算机技术的飞速发展，Kennedy和Eberhart在1995年提出的粒子群优化算法(PSO,Particle Swarm Optimization)是一种基于种群的群体智能算法。由于该算法概念简单、易于实现且计算开销小的特点，在过去的20年中吸引了很多学者和研究人员的注意。并在面对复杂优化问题时，PSO已经被证明是有效且强大的。
PSO算法利用群体优势在解空间进行搜索，具有较强的并行性和稳定性，在解决优化问题时具有较好的搜索能力。但是PSO算法容易产生早熟收敛(尤其是处理复杂的多峰调度优化问题)且局部寻优能力较差。PSO算法容易陷入局部最小，主要原因在于种群在搜索空间中多样性的丢失，以及种群中所有粒子均向全局最优粒子靠拢，导致陷入局部最优解。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于解可信度与双档案群智优化的作业车间调度方法，能够解决复杂作业车间调度问题，实现车间生产的排产与调度管理，提高企业的生产效率。
为解决上述技术问题，本发明提供如下技术方案：包括，初始化参数，并根据订单参数获取约束条件以及搜索空间；随机产生粒子初始位置，结合所述约束条件和搜索空间并通过编码获得初始解，建立优化率档案O与精英档案E；从优化率档案O与精英档案E中选取榜样指导种群学习，并根据解可信度D对搜索策略进行调整；更新所述种群，并更新种群中每个粒子的历史最优适应值以及精英档案E和优化率档案O；根据所述历史最优适应值选取全局最优个体并通过编码获得当前解；判断是否满足结束条件，若满足则输出最小完工时间；若不满足则重新计算解可信度D。
作为本发明所述的基于解可信度与双档案群智优化的作业车间调度方法的一种优选方案，其中：所述初始化参数包括，设置算法种群规模和最大迭代次数。
作为本发明所述的基于解可信度与双档案群智优化的作业车间调度方法的一种优选方案，其中：还包括，所述订单参数包括需生产的工件数量和工件的工序要求；所述约束条件为工件的工序顺序约束，所述搜索空间为粒子的搜索范围，搜索空间的维数为任务总加工工序数M，其中，每一维的范围是0～单个工件的工序数。
作为本发明所述的基于解可信度与双档案群智优化的作业车间调度方法的一种优选方案，其中：所述编码包括，将所有维度上的粒子的编码位置从小到大进行排列，获得排列后的索引R＝[r1,r2,…rM]；将排序后的索引按工件总数进行取余，获得与个体位置对应的工序编码P＝[p1,p2,…pM]；其中，每个粒子的编码位置为X＝[x1,x2,…xM]，x为粒子每个维度上的编码位置，r为粒子每个维度上排列后的索引，p为粒子每个维度上的工序编码。
作为本发明所述的基于解可信度与双档案群智优化的作业车间调度方法的一种优选方案，其中：建立所述精英档案E包括，建立一个档案大小为N的精英档案E，将种群中所有粒子根据每个粒子的历史最优适应值按升序进行排列，选取其中排列顺序靠前的N个粒子存储到所述精英档案E中，所述精英档案E如下式：
Figure BDA0003297921190000031
其中，
Figure BDA0003297921190000032
为第t次迭代的第i个粒子，
Figure BDA0003297921190000033
为第i个粒子第t次迭代时的历史最优适应值Pbest。
作为本发明所述的基于解可信度与双档案群智优化的作业车间调度方法的一种优选方案，其中：所述解可信度D包括，利用精英档案E中的N个粒子计算解可信度D，所述解可信度D的公式如下所示：
Figure BDA0003297921190000034
Figure BDA0003297921190000035
其中，
Figure BDA0003297921190000036
为精英档案E中第i个粒子的适应值，N是精英档案E中存储的粒子个数；Ui为第i个粒子的适应值占档案中所有粒子适应值之和的比例。
作为本发明所述的基于解可信度与双档案群智优化的作业车间调度方法的一种优选方案，其中：建立所述优化率档案O包括，计算优化率Or(Xit)：
Figure BDA0003297921190000037
将所有粒子按照优化率降序排序，选取其中排列顺序靠前的N个粒子存储到档案O中，所述优化率档案O如下式：
Figure BDA0003297921190000038
其中，
Figure BDA0003297921190000041
为第i个粒子在第t次迭代时的适应值，
Figure BDA0003297921190000042
为第t次迭代的第N个粒子。
作为本发明所述的基于解可信度与双档案群智优化的作业车间调度方法的一种优选方案，其中：更新所述种群包括，
Figure BDA0003297921190000043
Figure BDA0003297921190000044
其中，
Figure BDA0003297921190000045
为第i个粒子在第t次迭代时的速度，更新
Figure BDA0003297921190000046
即为所述搜索策略；
Figure BDA0003297921190000047
为第i个粒子在第t次迭代时的位置；r1和r2为两个[0,1]之间的随机数；ω为惯性系数，随着迭代次数从0.9至0.4线性下降；c1和c2分别为自我学习系数和社会学习系数；
Figure BDA0003297921190000048
和
Figure BDA0003297921190000049
分别是从优化率档案O和精英档案E中选取的作为个体学习的榜样粒子。
作为本发明所述的基于解可信度与双档案群智优化的作业车间调度方法的一种优选方案，其中：选取榜样包括，在所述优化率档案O与精英档案E中，第k个粒子被选中作为榜样的概率Prob(k)为：
Figure BDA00032979211900000410
将寻找到最优解区域的粒子定义为进入收敛状态的粒子，它们占精英档案中全部粒子的比例定义为ρ，数量为ρN，并将ρN假设为整数；
进入收敛状态的ρN个粒子满足以下条件：
f(Pbest1)＝f(Pbest2)＝...＝f(PbestρN)＝a
未进入收敛状态的(1-ρ)N个粒子满足以下条件：
f(PbestρN+1)＝f(PbestρN+2)＝...＝f(PbestN)＝b
从中可以得知：
a＜＜b
其中，f(PbestρN)为进入收敛状态的第ρN个粒子的适应值，假设进入收敛状态的ρN个粒子的适应值相等，都等于a；f(PbestN)为未进入收敛状态的第(1-ρ)N粒子的适应值，假设未进入收敛状态的(1-ρ)N个粒子的适应值相等，都等于b。
作为本发明所述的基于解可信度与双档案群智优化的作业车间调度方法的一种优选方案，其中：所述结束条件为迭代次数达到最大或者已经确定找到最优目标。
本发明的有益效果：本发明能有效解决复杂作业车间调度问题，实现车间生产的排产与调度管理，提高企业的生产效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的基于解可信度与双档案群智优化的作业车间调度方法的编码流程示意示意图；
图2为本发明第一个实施例所述的基于解可信度与双档案群智优化的作业车间调度方法的粒子解可信度D关于进入收敛态粒子占档案中粒子的比例ρ的示意图；
图3为本发明第二个实施例所述的基于解可信度与双档案群智优化的作业车间调度方法的甘特图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～图2，为本发明的第一个实施例，该实施例提供了一种基于解可信度与双档案群智优化的作业车间调度方法，包括：
S1：初始化参数，并根据订单参数获取约束条件以及搜索空间。
设置算法种群规模和最大迭代次数，根据订单参数获取约束条件以及搜索空间。
其中，订单参数包括需生产的工件数量和工件的工序要求；约束条件为工件的工序顺序约束，搜索空间为粒子的搜索范围，搜索空间的维数为任务总加工工序数M(即所有工件的工序数之和)，其中，每一维的范围是0～单个工件的工序数。
S2：随机产生粒子初始位置，结合约束条件和搜索空间并通过编码获得初始解，建立优化率档案O与精英档案E。
首先利用基于工序的编码方式进行编码，工序编码由工件号组成，总长度为任务总加工工序数M；在解码时，按照从左往右的顺序对工序编码安排加工，工件号第一次出现表示该工件的第一道工序被加工，工件号第二次出现表示该工件第二道工序被加工。
由于作业车间调度问题是一个离散问题，因此粒子每次更新都需要将个体位置转换为工序编码，因此本实施例设计如下方法实现从连续解空间中个体位置到离散工序编码的有效转换，其步骤为：
(1)将所有维度上的粒子的编码位置从小到大进行排列，获得排列后的索引R＝[r1,r2,…rM]。
(2)将排序后的索引按工件总数进行取余，获得与个体位置对应的工序编码P＝[p1,p2,…pM]；
其中，每个粒子的编码位置为X＝[x1,x2,…xM]，x为粒子每个维度上的编码位置，r为粒子每个维度上排列后的索引，p为粒子每个维度上的工序编码。
由于粒子当前位置具有一定的随机性，并且最优的位置及适应值未知，直接利用粒子当前位置及适应值无法评价种群的进化状态，为了有效评价种群的进化状态，本发明首先建立一个档案大小为N的基于历史信息的精英档案E，具体的，将种群中所有粒子根据每个粒子的历史最优适应值按升序进行排列(粒子的适应值越低代表该粒子越好)，选取其中排列顺序靠前的N个粒子存储到精英档案E中，精英档案E如下式：
Figure BDA0003297921190000071
其中，
Figure BDA0003297921190000072
为第t次迭代的第i个粒子，
Figure BDA0003297921190000073
为第i个粒子第t次迭代时的历史最优适应值Pbest。
进一步的，利用精英档案E中的N个粒子计算解可信度D，解可信度D的公式如下所示：
Figure BDA0003297921190000074
Figure BDA0003297921190000075
其中，
Figure BDA0003297921190000076
为精英档案E中第i个粒子的适应值，N是精英档案E中存储的粒子个数；Ui为第i个粒子的适应值占档案中所有粒子适应值之和的比例。
与此同时，为了保证种群的多样性，本发明还建立了同等大小的建立优化率档案O，用于指导种群中的粒子学习，具体的，
(1)计算优化率
Figure BDA0003297921190000081
Figure BDA0003297921190000082
(2)将所有粒子按照优化率降序(粒子的优化率越高越好)排序，选取其中排列顺序靠前的N个粒子存储到档案O中，优化率档案O如下式：
Figure BDA0003297921190000083
其中，
Figure BDA0003297921190000084
为第i个粒子在第t次迭代时的适应值，
Figure BDA0003297921190000085
为第t次迭代的第N个粒子。
S3：从优化率档案O与精英档案E中选取榜样指导种群学习，并根据解可信度D对搜索策略进行调整。
为了保证优化率较好的粒子和历史适应值较高精英粒子能有更大的概率被选为个体学习的榜样，在优化率档案O与精英档案E中，第k个粒子被选中作为榜样的概率为：
Figure BDA0003297921190000086
由于寻找到最优解区域的粒子适应值往往很低，本实施例将寻找到最优解区域的粒子定义为进入收敛状态的粒子，它们占精英档案中全部粒子的比例定义为ρ，数量为ρN，并将ρN假设为整数；
进入收敛状态的ρN个粒子满足以下条件：
f(pbest1)＝f(pbest2)＝...＝f(pbestρN)＝a
未进入收敛状态的(1-ρ)N个粒子满足以下条件：
f(pbestρN+1)＝f(pbestρN+2)＝...＝f(pbestN)＝b
从中可以得知：
a＜＜b
其中，f(pbestρN)为进入收敛状态的第ρN个粒子的适应值，假设进入收敛状态的ρN个粒子的适应值相等，都等于a；f(pbestN)为未进入收敛状态的第(1-ρ)N粒子的适应值，假设未进入收敛状态的(1-ρ)N个粒子的适应值相等，都等于b。
基于以上假设可以将解可信度D改写为：
Figure BDA0003297921190000091
其中：
Figure BDA0003297921190000092
Figure BDA0003297921190000093
结合上式可得到：
Figure BDA0003297921190000094
将D对ρ求偏导可得：
Figure BDA0003297921190000095
继续求二阶导可得：
Figure BDA0003297921190000096
可以确定D是一个关于ρ的单调递减凸函数，如图2所示。
单调递减凸函数的特点是在迭代的早期，当只有很少部分粒子进入收敛态时，D的变化幅度较小，由于粒子的更新公式(即搜索策略)是随着D的变化而改变的，早期D值变化幅度较小，粒子也会从优化率档案中学习更多的信息，保证前期种群学习的多样性；随着进入收敛态的粒子数量增多，D的下降速度也会加快，粒子更倾向于向精英档案中榜样粒子的学习，并且向其学习的力度(1-D)也会快速增加，从而让粒子在后期加速向精英粒子的学习，有利于算法的收敛。
根据解可信度D对搜索策略进行调整，搜索策略如下式：
Figure BDA0003297921190000097
S4：更新种群，并更新种群中每个粒子的历史最优适应值以及精英档案E和优化率档案O。
分别根据下式更新种群：
Figure BDA0003297921190000101
Figure BDA0003297921190000102
其中，
Figure BDA0003297921190000103
为第i个粒子在第t次迭代时的速度，更新
Figure BDA0003297921190000104
即为搜索策略；
Figure BDA0003297921190000105
为第i个粒子在第t次迭代时的位置；r1和r2为两个[0,1]之间的随机数；ω为惯性系数，随着迭代次数从0.9至0.4线性下降；c1和c2分别为自我学习系数和社会学习系数；
Figure BDA0003297921190000106
和
Figure BDA0003297921190000107
分别是从优化率档案O和精英档案E中选取的作为个体学习的榜样粒子。
根据解可信度D的分析可知，D随着迭代呈现下降的驱势，因而在搜索策略中，随着迭代进行，种群中各粒子向优化率档案O中选取的榜样学习逐渐减少，向精英档案E中选取的榜样学习逐渐增加，有利于算法后期的收敛。
S5：根据历史最优适应值选取全局最优个体并通过编码获得当前解。
编码的步骤如下：
(1)将所有维度上的粒子的编码位置从小到大进行排列，获得排列后的索引R＝[r1,r2,…rM]。
(2)将排序后的索引按工件总数进行取余，获得与个体位置对应的工序编码P＝[p1,p2,…pM]；
其中，每个粒子的编码位置为X＝[x1,x2,…xM]，x为粒子每个维度上的编码位置，r为粒子每个维度上排列后的索引，p为粒子每个维度上的工序编码。
S6：判断是否满足结束条件，若满足则输出最小完工时间；若不满足则重新计算解可信度D。
结束条件为迭代次数达到最大或者已经确定找到最优目标。
实施例2
为了对本方法中采用的技术效果加以验证说明，本实施例选择粒子群算法和采用本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
江苏某零件厂，车间内有车床，铣床，钻床，磨床，镗床，刨床机床，在生产一个零件时，往往需要在多个机床上进行加工。并且车间往往需要同时生产多个工件，繁杂的工序加上多个工件同时生产的需求导致车间管理一度很混乱，对此我们设计具有解可信度和双档案的群智优化算法来解决这一复杂的车间的调度问题。
某日工厂接到一批订单共需生产6种不同的工件，我们将工件编号为工件1-工件6，将车床，铣床，刨床，磨床，钻床，镗床分别编号为1-6，工件各工序所需使用的机器及加工时间如表1所示。
表1：工件各工序所需使用的机器及加工时间、
Figure BDA0003297921190000111
表1给出加工每个工件各个工序所涉及的机器及加工时间，表中不仅给出了每一个工件在所有机器上的工艺约束，也给出了其在每一台机器上加工的时间；例如，对于工件2而言，其在机器上加工顺序为：2→3→5→6→1→4；加工时间为：8，5，10，10，10，4；即工件2第1道工序的加工时间P21＝8，工件2第3道工序的加工时间P23＝10，本方法的具体实施步骤如下：
步骤1：设定解可信度和双档案群智优化算法的参数：种群大小100，进化代数500，档案的大小10。
步骤2：输入当前订单的相关参数，获取约束条件以及搜索空间。
步骤3：随机生成种群的初始解：随机产生的粒子位置为:(2.52,4.13,5.39,2.63,2.61,5.36,5.23,2.49,2.64,1.87,2.01,2.04,2.68,5.19,2.18,2.14,5.25,2.24,2.21,5.34,3.80,2.31,1.09,4.29,1.03,2.39,3.09,2.48,0.49,3.50,4.01,3.58,1.10,0.85,3.59,0.32)，排序后得到的索引为：(18,29,36,20,19,35,32,17,21,7,8,9,22,31,11,10,33,13,12,34,27,14,5,30,4,15,23,16,2,24,28,25,6,3,26,1)，对工件数6取余加1(避免出现工件0)后得到工序编码(1,6,1,3,2,6,3,6,4,2,3,4,5,2,6,5,4,2,1,5,4,3,6,1,5,4,6,5,3,1,5,2,1,4,3,2)，利用随机产生的初始种群，初始优化率档案与精英档案。
步骤4：计算出当前的解可信度D。
步骤5：根据解可信度对搜索策略进行调整，更新种群，并更新每个粒子的Pbest，以及精英档案E与优化率档案O。
步骤6：根据适应值选出当前全局最优个体。
步骤7：判断是否满足结束条件，若满足则算法结束，输出最小完工时间。若不满足则跳转至步骤4。
在实例中，得出的最优解为55，该解的甘特图如图3所示。
为了与粒子群算法进行对比，本发明与粒子群算法进行了30次对比实验，虽然两种方法都能得到最优解55，但是粒子群算法的寻优成功率只有27％，而本方法的寻优成功率达到了93％。
可见，利用本方法能有效解决复杂作业车间调度问题，实现车间生产的排产与调度管理，提高企业的生产效率。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种基于解可信度与双档案群智优化的作业车间调度方法，其特征在于：包括，
初始化参数，并根据订单参数获取约束条件以及搜索空间；
随机产生粒子初始位置，结合所述约束条件和搜索空间并通过编码获得初始解，建立优化率档案O与精英档案E；
从优化率档案O与精英档案E中选取榜样指导种群学习，并根据解可信度D对搜索策略进行调整；
更新所述种群，并更新种群中每个粒子的历史最优适应值以及精英档案E和优化率档案O；
根据所述历史最优适应值选取全局最优个体并通过编码获得当前解；判断是否满足结束条件，若满足则输出最小完工时间；若不满足则重新计算解可信度D；
还包括，
所述订单参数包括需生产的工件数量和工件的工序要求；
所述约束条件为工件的工序顺序约束，所述搜索空间为粒子的搜索范围，搜索空间的维数为任务总加工工序数M，其中，每一维的范围是0～单个工件的工序数；
所述解可信度D包括，
利用精英档案E中的N个粒子计算解可信度D，所述解可信度D的公式如下所示：
Figure FDA0004003524590000011
Figure FDA0004003524590000012
其中,
Figure FDA0004003524590000013
为精英档案E中第i个粒子的适应值,N是精英档案E中存储的粒子个数；Ui为第i个粒子的适应值占档案中所有粒子适应值之和的比例。
2.如权利要求1所述的基于解可信度与双档案群智优化的作业车间调度方法，其特征在于：所述初始化参数包括，
设置算法种群规模和最大迭代次数。
3.如权利要求2所述的基于解可信度与双档案群智优化的作业车间调度方法，其特征在于：所述编码包括，
将所有维度上的粒子的编码位置从小到大进行排列,获得排列后的索引R＝[r1,r2,…rM]；
将排序后的索引按工件总数进行取余,获得与个体位置对应的工序编码P＝[p1,p2,…pM]；
其中,每个粒子的编码位置为X＝[x1,x2,…xM],x为粒子每个维度上的编码位置，r为粒子每个维度上排列后的索引，p为粒子每个维度上的工序编码。
4.如权利要求3所述的基于解可信度与双档案群智优化的作业车间调度方法，其特征在于：建立所述精英档案E包括，
建立一个档案大小为N的精英档案E，将种群中所有粒子根据每个粒子的历史最优适应值按升序进行排列，选取其中排列顺序靠前的N个粒子存储到所述精英档案E中，所述精英档案E如下式：
Figure FDA0004003524590000021
其中，
Figure FDA0004003524590000022
为第t次迭代的第i个粒子，
Figure FDA0004003524590000023
为第i个粒子第t次迭代时的历史最优适应值Pbest。
5.如权利要求4所述的基于解可信度与双档案群智优化的作业车间调度方法,其特征在于：建立所述优化率档案O包括,
计算优化率
Figure FDA0004003524590000024
Figure FDA0004003524590000025
将所有粒子按照优化率降序排序,选取其中排列顺序靠前的N个粒子存储到档案O中,所述优化率档案O如下式:
Figure FDA0004003524590000026
其中,
Figure FDA0004003524590000027
为第i个粒子在第t次迭代时的适应值,
Figure FDA0004003524590000028
为第t次迭代的第N个粒子。
6.如权利要求5所述的基于解可信度与双档案群智优化的作业车间调度方法，其特征在于：更新所述种群包括，
Figure FDA0004003524590000029
Figure FDA00040035245900000210
其中,
Figure FDA0004003524590000031
为第i个粒子在第t次迭代时的速度,更新
Figure FDA0004003524590000032
即为所述搜索策略；
Figure FDA0004003524590000033
为第i个粒子在第t次迭代时的位置；r1和r2为两个[0,1]之间的随机数；ω为惯性系数,随着迭代次数从0.9至0.4线性下降；c1和c2分别为自我学习系数和社会学习系数；
Figure FDA0004003524590000034
和
Figure FDA0004003524590000035
分别是从优化率档案O和精英档案E中选取的作为个体学习的榜样粒子。
7.如权利要求6所述的基于解可信度与双档案群智优化的作业车间调度方法,其特征在于：选取榜样包括,
在所述优化率档案O与精英档案E中,第k个粒子被选中作为榜样的概率Prob(k)为:
Figure FDA0004003524590000036
将寻找到最优解区域的粒子定义为进入收敛状态的粒子,它们占精英档案中全部粒子的比例定义为ρ,数量为ρN,并将ρN假设为整数；
进入收敛状态的ρN个粒子满足以下条件:
f(Pbest1)＝f(Pbest2)＝…＝f(PbestρN)＝a
末进入收敛状态的(1-ρ)N个粒子满足以下条件:
f(PbestρN+1)＝f(PbestρN+2)＝…＝f(PbestN)＝b
从中可以得知:
a＜＜b
其中,f(PbestρN)为进入收敛状态的第ρN个粒子的适应值,假设进入收敛状态的ρN个粒子的适应值相等,都等于a；f(PbestN)为末进入收敛状态的第(1-ρ)N粒子的适应值,假设末进入收玫状态的(1-ρ)N个粒子的适应值相等,都等于b。
8.如权利要求7所述的基于解可信度与双档案群智优化的作业车间调度方法，其特征在于：所述结束条件为迭代次数达到最大或者已经确定找到最优目标。
CN202111182722.XA 2021-10-11 2021-10-11 一种基于解可信度与双档案群智优化的作业车间调度方法 Active CN113807611B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111182722.XA CN113807611B (zh) 2021-10-11 2021-10-11 一种基于解可信度与双档案群智优化的作业车间调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111182722.XA CN113807611B (zh) 2021-10-11 2021-10-11 一种基于解可信度与双档案群智优化的作业车间调度方法

Publications (2)

Publication Number Publication Date
CN113807611A CN113807611A (zh) 2021-12-17
CN113807611B true CN113807611B (zh) 2023-04-14

Family

ID=78939230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111182722.XA Active CN113807611B (zh) 2021-10-11 2021-10-11 一种基于解可信度与双档案群智优化的作业车间调度方法

Country Status (1)

Country Link
CN (1) CN113807611B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106611231A (zh) * 2016-01-08 2017-05-03 四川用联信息技术有限公司 一种混合粒子群禁忌搜索算法求解作业车间调度问题
CN108053119B (zh) * 2017-12-15 2021-07-30 兰州理工大学 一种求解零等待流水车间调度问题的改进粒子群优化方法
CN110471274A (zh) * 2019-08-12 2019-11-19 余姚市浙江大学机器人研究中心 基于改进统一粒子群算法的机械零件加工流水线调度方法
CN112180853A (zh) * 2020-09-14 2021-01-05 上海电机学院 基于多种群策略的柔性作业车间调度混合优化方法
CN112926837B (zh) * 2021-02-04 2023-09-12 郑州轻工业大学 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

Also Published As

Publication number Publication date
CN113807611A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN110956266A (zh) 基于层次分析法的多电源电力系统多目标优化调度方法
CN111047272B (zh) 一种用于多语言协同开发的项目调度方法及装置
CN105929690B (zh) 一种基于分解多目标进化算法的柔性车间鲁棒调度方法
CN105652791A (zh) 订单驱动的离散制造过程能耗优化方法
CN113139710B (zh) 一种基于遗传算法的多资源并行任务高级计划排程方法
Sankar et al. A multiobjective genetic algorithm for scheduling a flexible manufacturing system
CN107451747A (zh) 基于自适应非支配遗传算法的车间调度系统及其工作方法
CN110909787A (zh) 基于聚类的进化算法进行多目标批调度优化的方法和系统
CN108460463A (zh) 基于改进遗传算法的高端装备流水线生产调度方法
CN115130789A (zh) 一种基于改进灰狼优化算法的分布式制造智能调度方法
CN114912346A (zh) 基于学习能力的技能规划配置和车间调度集成优化方法
CN113960971B (zh) 一种基于行为决策网络粒子群优化的柔性车间调度方法
CN113807611B (zh) 一种基于解可信度与双档案群智优化的作业车间调度方法
CN101894063B (zh) 一种用于微处理器功能验证的测试程序生成方法及装置
CN109615115A (zh) 一种面向任务可靠性的集成生产任务调度方法
CN112148446A (zh) 一种用于多技能资源受限项目调度的进化策略算法
CN112364430A (zh) 基于灵敏度矩阵的多目标建筑性能化设计专家系统及方法
CN117010275A (zh) 一种基于多相似实例的零件加工工艺重用修正方法
CN116757411A (zh) 一种面向航天复杂构件的双资源柔性作业车间调度方法
CN115730799A (zh) 一种柔性装配作业车间生产任务调度方法、系统及设备
CN116108982A (zh) 一种水库群多目标调度合作搜索方法及系统
CN114237166A (zh) 基于改进spea2算法求解多转速节能调度问题的方法
Dhall et al. An improved artificial immune system for solving loading problems in flexible manufacturing systems
CN116663861B (zh) 装配式构件生产鲁棒性和资源均衡结合的调度优化方法
CN117215275B (zh) 一种基于遗传编程的柔性车间大规模动态双效调度方法

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