CN114240091A - 一种基于自适应分层策略的柔性作业车间调度方法 - Google Patents
一种基于自适应分层策略的柔性作业车间调度方法 Download PDFInfo
- Publication number
- CN114240091A CN114240091A CN202111444736.4A CN202111444736A CN114240091A CN 114240091 A CN114240091 A CN 114240091A CN 202111444736 A CN202111444736 A CN 202111444736A CN 114240091 A CN114240091 A CN 114240091A
- Authority
- CN
- China
- Prior art keywords
- population
- individuals
- individual
- dominant
- layer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 12
- 230000008901 benefit Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 15
- 238000005457 optimization Methods 0.000 description 11
- 239000002245 particle Substances 0.000 description 10
- 238000002922 simulated annealing Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010353 genetic engineering Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 206010036590 Premature baby Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004083 survival effect 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)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于自适应分层策略的柔性作业车间调度方法,包括以下步骤:初始化生成初始种群;判断种群是否收敛,若为是,则输出种群中的最优解,否则对种群Pt进行遗传操作,得到子代种群Qt,合并Pt和Qt得到组合种群Rt;对Rt中的所有个体进行非支配排序和拥挤度计算,通过精英保留策略自Rt中选出N个个体作为新的种群。与现有技术相比,本发明设计了自适应分层策略,在精英保留策略中,动态的选择不同非支配层的个体进入下一代,同时为了考虑算法的收敛性和稳定性,在选择过程中尽量保持非支配层中靠前的个体保持较高的选中概率,这样保留了种群中的优良个体,也增加了种群的多样性,增加了种群的丰富度,提升调度结果的最优值。
Description
技术领域
本发明涉及柔性作业车间调度方法优化技术领域,尤其是涉及一种基于自适应分层策略的柔性作业车间调度方法。
背景技术
调度问题是制造流程规划和管理中最关键的问题之一。这个领域最困难的问题之一是作业车间调度问题(Job-shop Scheduling Problem,JSP),该问题中,一组机器需处理一组工件,每个工件由一系列具有先后顺序约束的工序形成,每个工序只需要一台机器,机器一直可用,可以一次处理一个操作而不会中断。决策内容包括如何对机器上的工序进行排序,已优化给定的性能指标。JSP的典型性能指标是完工时间(makespan),即完成所有工作所需的时间,JSP是一个众所周知的NP难题。而柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)是经典JSP的拓展,对于n个待加工工件进行加工,每个工件具有一个或者多个加工工序,每个工件依据加工流程中的工序进行排产。考虑到柔性车间中所有机器的性能、型号和用途等不尽相同,因此调度问题是将各个工序分配到各台机器上,并合理安排工序的加工次序和时间,以满足企业生产的性能指标。柔性作业车间调度问题由于更加逼近实际的多样化生产环境,因此增加了计算复杂性和求解难度。柔性作业车间调度问题常见的解决方法有模拟退火(Simulated Annealing,SA)、粒子群算法(Particle Swarm Optimization,PSO)和遗传算法(Genetic Algorithm,GA)等。
模拟退火算法最早由Kirkpatrick等于1983年提出。模拟退火算法来源于晶体冷却过程。当固体处于非最低能状态时,给固体加热再冷却的过程中伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解,即概率性地跳出局部最优解并最终趋于全局最优。模拟退火算法的应用比较广泛,可以用来高效求解NP完全问题,如旅行商问题、最大截问题、0-1背包问题等。然而,其存在参数难以控制、收敛速度慢、需要多次才能获得最优值的缺点。而算法中的参数设置也对算法性能有较大影响,如温度T的初始值设置。初始温度设置较高,则搜索到全局最优解的可能性大,但因此要花费大量的计算时间;反之,可以节约计算时间,但全局搜索性能可能会受到影响。同时,退火速度也会影响算法的全局搜索性能。
粒子群算法是由Kennedy和Eberhart在研究鸟类和鱼类的群体行为基础上提出的一种群智能算法。其思想来源于人工生命和演化计算理论,通过模仿鸟群飞行觅食行为,每个优化问题的解都是搜索空间中的一只鸟,称之为“粒子”。所有粒子都有一个被优化函数决定的适应值,以及决定飞翔方向和距离的速度。粒子们通过追随当前的最优粒子在解空间中进行搜索,直至搜索到最优解。粒子群算法采用实数求解,需要调整的参数较少,易于实现。但是该算法也存在易于陷入局部最优,且容易出现早熟的问题。在计算粒子速度时,惯性权重的选取对算法的性能有较大的影响。如果w值较大,则有利于跳出局部最优,进行全局寻优;而w值较小,则有利于局部寻优,加速算法收敛。常见的解决方法是将w值随着迭代次数的增加而线性减少。但其仍然依赖迭代次数的选取,而不能反映实际粒子的变化情况与实际优化搜索过程。
遗传算法来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说。其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解算法。它通过模拟自然选择和自然遗传过程中发生的繁殖、交配和变异现象,根据适者生存、优胜劣汰的自然法则,通过选择、交叉和变异等遗传操作,使群体逐代进行到搜索空间中更好的区域,直至获得最优解。遗传算法有三个基本算子:选择、交叉和变异。算法的求解精度依赖于交叉概率和变异概率等参数的选择。目前这些参数选择大部分是依靠经验。遗传算法虽然有利于全局搜索,然而其仍然存在局部搜索能力不足、搜索到最优解或满意解的速度太慢、易陷入局部最优解和选择压力过大造成的早熟收敛等问题。
中国专利CN201511025319.0、CN201910283031.5、CN202110037735.1等对遗传算法进行了改进,目标是更高效的解决FJSSP,提升解的质量,但是仍然存在局部搜索能力差、容易出现早熟等缺点。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于自适应分层策略的柔性作业车间调度方法,设计了自适应分层策略,在精英保留策略中,动态的选择不同非支配层的个体进入下一代,同时为了考虑算法的收敛性和稳定性,在选择过程中尽量保持非支配层中靠前的个体保持较高的选中概率,这样保留了种群中的优良个体,也增加了种群的多样性,增加了种群的丰富度,提升调度结果的最优值。
本发明的目的可以通过以下技术方案来实现:
一种基于自适应分层策略的柔性作业车间调度方法,包括以下步骤:
S1、初始化生成规模为N的初始种群P0,对初始种群P0中的所有个体进行非支配排序,令t=0;
S2、判断种群是否收敛,若为是,则输出种群Pt中的最优解,若为否,则执行步骤S3;
S3、对种群Pt进行遗传操作,得到种群Pt的子代种群Qt,合并种群Pt和种群Qt得到组合种群Rt=Pt∪Qt;
S4、对组合种群Rt中的所有个体进行非支配排序和拥挤度计算,通过精英保留策略自组合种群Rt中选出N个个体,令t增加1,将选出的N个个体作为新的种群Pt,执行步骤S2。
优选的,对种群进行非支配排序包括以下步骤:
A1、根据预设置的目标函数,计算每个个体的目标函数值,所述目标函数最少有2个;
A2、根据每个个体的目标函数值定义个体之间的支配关系,确定种群中每个个体的支配数和支配集,个体p的支配数表示种群中支配个体p的个体数,个体p的支配集表示种群中被个体p所支配的个体的集合,令l=1;
A3、找到种群中支配数为0的个体,并保存在支配层Fl中,对于支配层Fl中的每个个体p,其所支配的个体集合为Sp,遍历Sp并将Sp中每个个体的支配数减1;
A4、令l增加1,执行步骤A3,直至种群为空,种群中的所有个体被分层保存在不同的支配层中,同一支配层中的个体的非支配序相同,支配层Fl中的个体的非支配序为l。
优选的,步骤S4中,对同一支配层中的K个个体计算每个个体的拥挤度,具体为:
B1、获取每个个体在各个目标函数下的函数值,令j=1;
B2、根据各个个体在目标函数j下的函数值对个体进行排序;
B3、个体i排序后位于第k位,则个体i在目标函数j下的拥挤度cdj(i)为:
B3、目标函数的总数为m,若j>m,则执行步骤B4,否则,令j增加1,执行步骤B2;
B4、个体i的拥挤度cd(i)的计算公式为:
其中,m表示目标函数的总数。
优选的,所述精英保留策略为:
C1、令l=1,初始化一个空的选中集合;
C2、遍历支配层Fl,定义支配层Fl的选择概率cpl,支配层Fl中的任一个体有cpl的概率被选中,有1-cpl的概率不被选中,在支配层Fl中选中了numl个个体;
C3、如果N-num>numl,则将在支配层Fl中选中的numl个个体放入选中集合,在支配层Fl中删除被选中的个体,执行步骤C4,否则,执行步骤C5,其中,N为种群规模,num表示选中集合中的个体数目;
C4、如果l<L,则令l增加1,执行步骤C2,否则,令l=1,执行步骤C2,其中,L表示支配层的个数;
C5、获取被选中的numl个个体的拥挤度,选择拥挤度较大的前N-num个个体放入选中集合,并输出选中集合作为被选中的N个个体。
优选的,支配层Fl的选择概率cpt=1-pl/pop,其中,pl为支配层Fl中的个体数目,pop为组合种群Rt中的个体数目。
优选的,所述遗传操作包括选择操作、交叉操作和变异操作;对种群Pt进行选择操作具体为:
使用锦标赛选择算法,从种群Pt中随机抽取一定个体,选择其中较优的送入子代种群Qt,如果t=0,则根据个体的非支配序确定个体的优劣,非支配序越低个体越优;如果t>0,则根据个体的非支配序和拥挤度确定个体的优劣,非支配序不同时,非支配序越低个体越优,非支配序相同时,拥挤度越大个体越优。
优选的,对种群Pt进行交叉操作具体为:
从种群Pt中选择两个个体,使用单点交叉的方式,随机选择一个位点,将两个个体的位点部分进行交叉以得到两个新的个体送入子代种群Qt。
优选的,对种群Pt进行变异操作具体为:
从种群Pt中选择一个个体,随机选择一个位点,采用单点变异的方式对个体的位点部分进行变异,得到新的个体送入子代种群Qt。
优选的,种群收敛时,根据个体的非支配序和拥挤度确定个体的优劣,非支配序不同时,非支配序越低个体越优,非支配序相同时,拥挤度越大个体越优。
优选的,如果满足收敛条件,则种群收敛,所述收敛条件包括:t的值等于预设置的最大迭代次数。
与现有技术相比,本发明具有以下有益效果:
(1)使用快速非支配排序算法,将改进的遗传算法应用于柔性作业车间调度问题上,具有快速的全局寻优能力,能够快速跳出局部极值,进而改善了传统遗传算法应用于柔性作业车间调度问题中早熟和搜索性能差的问题。采用本发明的方法进行柔性作业车间调度,可以提升种群的多样性和解集精度,同时提升企业生产效率,保证企业的经济效益。
(2)设计了自适应分层策略,在精英保留策略中,动态的选择不同非支配层的个体进入下一代,同时为了考虑算法的收敛性和稳定性,在选择过程中尽量保持非支配层中靠前的个体保持较高的选中概率,这样保留了种群中的优良个体,也增加了种群的多样性,增加了种群的丰富度,提升调度结果的最优值。且自适应分层策略还可以移植到其他多目标应用场景中,具有一定的通用性,且易于推广。
(3)通过精英保留策略将较好的个体保留到下一代,有助于提高种群多样性与分布均匀性。
附图说明
图1为本发明的流程图;
图2为自适应分层策略的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
在附图中,结构相同的部件以相同数字标号表示,各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的,本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰,附图中有些地方适当夸大了部件。
实施例1:
多目标优化问题与单目标优化问题有很大差异。当只有一个目标函数时,人们可以寻找到最好的解,这个解优于其他所有解,通常是函数值全局最大或最小,即全局最优解。而当存在多个目标函数时,由于目标函数之间存在冲突无法比较,所以很难找到一个解使得所有的目标函数同时最优,也就是说,一个解可能对于某个目标函数是最好的,但对于其他的目标函数却不是最好的,甚至是最差的。因此引入了非支配排序来对个体进行评价。
假定有2个目标函数a和b,fa(1)为个体1在目标函数a下的函数值,fb(2)为个体2在目标函数b下的函数值:
fa(x1)>fa(x2)说明在目标函数a下个体x1优于个体x2,fa(x1)=fa(x2)说明在目标函数a下个体x1与个体x2优劣度相同,fa(x1)<fa(x2)说明在目标函数a下个体x1劣于个体x2;目标函数b下的比较同理。
如果fa(1)>fa(2)且fb(1)>fb(2),或者fa(1)=fa(2)且fb(1)>fb(2),或者fa(1)>fa(2)且fb(1)=fb(2),则个体1支配个体2;
如果fa(1)>fa(2)且fb(1)<fb(2),或者fa(1)<fa(2)且fb(1)>fb(2),或者fa(1)=fa(2)且fb(1)=fb(2),则个体1与个体2互不支配;
如果fa(1)<fa(2)且fb(1)<fb(2),或者fa(1)=fa(2)且fb(1)<fb(2),或者fa(1)<fa(2)且fb(1)=fb(2),则个体2支配个体1;
同理,有更多目标函数时,可以根据在不同目标函数下的函数值对个体进行非支配排序。
本申请提供了一种基于自适应分层策略的柔性作业车间调度方法,如图1所示,包括以下步骤:
S1、初始化生成规模为N的初始种群P0,N>1,可以为50、100等,对初始种群P0中的所有个体进行非支配排序,令t=0;
S2、判断种群是否收敛,若为是,则输出种群Pt中的最优解,若为否,则执行步骤S3;
S3、对种群Pt进行遗传操作,得到种群Pt的子代种群Qt,合并种群Pt和种群Qt得到组合种群Rt=Pt∪Qt;
S4、对组合种群Rt中的所有个体进行非支配排序和拥挤度计算,通过精英保留策略自组合种群Rt中选出N个个体,令t增加1,将选出的N个个体作为新的种群Pt,执行步骤S2。
其中,步骤S1和步骤S4中,对种群进行非支配排序包括以下步骤:
A1、根据预设置的目标函数,计算每个个体的目标函数值,目标函数最少有2个;
A2、根据每个个体的目标函数值定义个体之间的支配关系,确定种群中每个个体的支配数和支配集,个体p的支配数表示种群中支配个体p的个体的数量,个体p的支配集表示种群中被个体p所支配的个体的集合,令l=1;
A3、找到种群中支配数为0的个体,并保存在支配层Fl中,对于支配层Fl中的每个个体p,其所支配的个体集合为Sp,遍历Sp并将Sp中每个个体的支配数减1;
A4、令l增加1,执行步骤A3,直至种群为空,种群中的所有个体被分层保存在不同的支配层中,同一支配层中的个体的非支配序相同,支配层Fl中的个体的非支配序为l。
其中,步骤S4中,对同一支配层中的K个个体计算每个个体的拥挤度,具体为:
B1、获取每个个体在各个目标函数下的函数值,令j=1;
B2、根据各个个体在目标函数j下的函数值对个体进行排序;
B3、个体i排序后位于第k位,则个体i在目标函数j下的拥挤度cdj(i)为:
其中,fj k+1表示排序后位于第k+1位的个体在目标函数j下的函数值,fj k-1表示排序后位于第k-1位的个体在目标函数j下的函数值;
B3、目标函数的总数为m,若j>m,则执行步骤B4,否则,令j增加1,执行步骤B2;
B4、个体i的拥挤度cd(i)的计算公式为:
其中,m表示目标函数的总数。
步骤S4中,精英保留策略为:
C1、令l=1,初始化一个空的选中集合;
C2、遍历支配层Fl,定义支配层Fl的选择概率cpl,支配层Fl中的任一个体有cpl的概率被选中,有1-cpl的概率不被选中,在支配层Fl中选中了numl个个体;
本实施例中,支配层Fl的选择概率cpl=1-pl/pop,其中,pl为支配层Fl中的个体数目,pop为组合种群Rt中的个体数目。
C3、如果N-num>numl,则将在支配层Fl中选中的numl个个体放入选中集合,在支配层Fl中删除被选中的个体,执行步骤C4,否则,执行步骤C5,其中,N为种群规模,num表示选中集合中的个体数目;
C4、如果l<L,则令l增加1,执行步骤C2,否则,令l=1,执行步骤C2,其中,L表示支配层的个数;
C5、获取被选中的numl个个体的拥挤度,选择拥挤度较大的前N-num个个体放入选中集合,并输出选中集合作为被选中的N个个体。
步骤S3中,遗传操作包括选择操作、交叉操作和变异操作;对种群Pt进行选择操作具体为:使用锦标赛选择算法,从种群Pt中随机抽取一定个体,选择其中较优的送入子代种群Qt,如果t=0,则根据个体的非支配序确定个体的优劣,非支配序越低个体越优;如果t>0,则根据个体的非支配序和拥挤度确定个体的优劣,非支配序不同时,非支配序越低个体越优,非支配序相同时,拥挤度越大个体越优。
对种群Pt进行交叉操作具体为:从种群Pt中选择两个个体,使用单点交叉的方式,随机选择一个位点,将两个个体的位点部分进行交叉以得到两个新的个体送入子代种群Qt。
对种群Pt进行变异操作具体为:从种群Pt中选择一个个体,随机选择一个位点,采用单点变异的方式对个体的位点部分进行变异,得到新的个体送入子代种群Qt。
如果满足收敛条件,则种群收敛,收敛条件包括:t的值等于预设置的最大迭代次数,其他实施方式中,也可以根据时间需求、计算资源要求等设计其他的收敛条件,如记录种群中非支配序最低即最优的个体,判断这些个体在各个目标函数下的函数值是否满足预设置的阈值,若满足,则终止算法。
种群收敛时,根据个体的非支配序和拥挤度确定个体的优劣,输出最优的个体。非支配序不同时,非支配序越低个体越优,非支配序相同时,拥挤度越大个体越优。如果当前种群为P0时就满足了收敛条件,则可以将非支配序最低即最优的个体输出,如果非支配序最低的个体为多个,还可以再进行拥挤度计算,输出其中拥挤度最大的个体。
生成初始种群P0后,将初始种群P0进行非支配排序,先找出不能被任何个体支配的个体,放入支配层F1,支配层F1中的个体的非支配序为rank1,再找出剩余个体中不能被任何个体支配的个体,放入支配层F2,支配层F2中的个体的非支配序为rank2,依次进行,直至将初始种群P0中的所有个体分层。再根据个体的非支配序进行选择、交叉和变异操作,非支配序越低,说明个体越优,得到种群Q0,合并P0和Q0得到R0,对种群R0中的个体进行非支配排序和拥挤度计算,使用精英保留策略从R0中选择N个个体作为种群P1;
一般情况下种群P0不会出现最优的方案,因此种群P0只进行非支配排序,根据非支配序进行选择、交叉和变异操作。对于后续的种群,由于使用精英保留策略时,选择的N个个体是从不同的非支配层中选取的,因此可以直接根据个体的非支配序和拥挤度判断个体的优劣,进行选择、交叉和变异操作。
如图2所示,使用精英保留策略选择新一代种群时,本申请设计了自适应分层策略,合并种群Rt进行非支配排序后共分为L个支配层。与顺序选取不同,不是依次将支配层F1、支配层F2、…中的个体送入新一代种群,直至选中N个个体,而是在不同支配层中均进行个体选择,支配层F1、支配层F2、…、支配层FL中的个体均按照一定的概率送入新一代种群,如图2中每个支配层的虚线上半部分送入新一代种群。考虑到非支配序较低的个体的数量较少,将支配层Fl的选择概率cpl设为1-pl/pop,也就是非支配序较低的个体有较高的概率被选中,这样既保留了优良个体,也保证了种群的多样性。而且,每一次迭代中,新的种群中非支配层的分层情况不一样,支配层Fl的选择概率也是自适应变化的。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于自适应分层策略的柔性作业车间调度方法,其特征在于,包括以下步骤:
S1、初始化生成规模为N的初始种群P0,对初始种群P0中的所有个体进行非支配排序,令t=0;
S2、判断种群是否收敛,若为是,则输出种群Pt中的最优解,若为否,则执行步骤S3;
S3、对种群Pt进行遗传操作,得到种群Pt的子代种群Qt,合并种群Pt和种群Qt得到组合种群Rt=Pt∪Qt;
S4、对组合种群Rt中的所有个体进行非支配排序和拥挤度计算,通过精英保留策略自组合种群Rt中选出N个个体,令t增加1,将选出的N个个体作为新的种群Pt,执行步骤S2。
2.根据权利要求1所述的一种基于自适应分层策略的柔性作业车间调度方法,其特征在于,对种群进行非支配排序包括以下步骤:
A1、根据预设置的目标函数,计算每个个体的目标函数值,所述目标函数最少有2个;
A2、根据每个个体的目标函数值定义个体之间的支配关系,确定种群中每个个体的支配数和支配集,个体p的支配数表示种群中支配个体p的个体数,个体p的支配集表示种群中被个体p所支配的个体的集合,令l=1;
A3、找到种群中支配数为0的个体,并保存在支配层Fl中,对于支配层Fl中的每个个体p,其所支配的个体集合为Sp,遍历Sp并将Sp中每个个体的支配数减1;
A4、令l增加1,执行步骤A3,直至种群为空,种群中的所有个体被分层保存在不同的支配层中,同一支配层中的个体的非支配序相同,支配层Fl中的个体的非支配序为l。
3.根据权利要求2所述的一种基于自适应分层策略的柔性作业车间调度方法,其特征在于,步骤S4中,对同一支配层中的K个个体计算每个个体的拥挤度,具体为:
B1、获取每个个体在各个目标函数下的函数值,令j=1;
B2、根据各个个体在目标函数j下的函数值对个体进行排序;
B3、个体i排序后位于第k位,则个体i在目标函数j下的拥挤度cdj(i)为:
其中,fj k+1表示排序后位于第k+1位的个体在目标函数j下的函数值,fj k-1表示排序后位于第k-1位的个体在目标函数j下的函数值;
B3、目标函数的总数为m,若j>m,则执行步骤B4,否则,令j增加1,执行步骤B2;
B4、个体i的拥挤度cd(i)的计算公式为:
其中,m表示目标函数的总数。
4.根据权利要求3所述的一种基于自适应分层策略的柔性作业车间调度方法,其特征在于,所述精英保留策略为:
C1、令l=1,初始化一个空的选中集合;
C2、遍历支配层Fl,定义支配层Fl的选择概率cpl,支配层Fl中的任一个体有cpl的概率被选中,有1-cpl的概率不被选中,在支配层Fl中选中了numl个个体;
C3、如果N-num>numl,则将在支配层Fl中选中的numl个个体放入选中集合,在支配层Fl中删除被选中的个体,执行步骤C4,否则,执行步骤C5,其中,N为种群规模,num表示选中集合中的个体数目;
C4、如果l<L,则令l增加1,执行步骤C2,否则,令l=1,执行步骤C2,其中,L表示支配层的个数;
C5、获取被选中的numl个个体的拥挤度,选择拥挤度较大的前N-num个个体放入选中集合,并输出选中集合作为被选中的N个个体。
5.根据权利要求4所述的一种基于自适应分层策略的柔性作业车间调度方法,其特征在于,支配层Fl的选择概率cpt=1-pl/pop,其中,pl为支配层Fl中的个体数目,pop为组合种群Rt中的个体数目。
6.根据权利要求3所述的一种基于自适应分层策略的柔性作业车间调度方法,其特征在于,所述遗传操作包括选择操作、交叉操作和变异操作;对种群Pt进行选择操作具体为:
使用锦标赛选择算法,从种群Pt中随机抽取一定个体,选择其中较优的送入子代种群Qt,如果t=0,则根据个体的非支配序确定个体的优劣,非支配序越低个体越优;如果t>0,则根据个体的非支配序和拥挤度确定个体的优劣,非支配序不同时,非支配序越低个体越优,非支配序相同时,拥挤度越大个体越优。
7.根据权利要求6所述的一种基于自适应分层策略的柔性作业车间调度方法,其特征在于,对种群Pt进行交叉操作具体为:
从种群Pt中选择两个个体,使用单点交叉的方式,随机选择一个位点,将两个个体的位点部分进行交叉以得到两个新的个体送入子代种群Qt。
8.根据权利要求6所述的一种基于自适应分层策略的柔性作业车间调度方法,其特征在于,对种群Pt进行变异操作具体为:
从种群Pt中选择一个个体,随机选择一个位点,采用单点变异的方式对个体的位点部分进行变异,得到新的个体送入子代种群Qt。
9.根据权利要求3所述的一种基于自适应分层策略的柔性作业车间调度方法,其特征在于,种群收敛时,根据个体的非支配序和拥挤度确定个体的优劣,非支配序不同时,非支配序越低个体越优,非支配序相同时,拥挤度越大个体越优。
10.根据权利要求1所述的一种基于自适应分层策略的柔性作业车间调度方法,其特征在于,如果满足收敛条件,则种群收敛,所述收敛条件包括:t的值等于预设置的最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111444736.4A CN114240091A (zh) | 2021-11-30 | 2021-11-30 | 一种基于自适应分层策略的柔性作业车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111444736.4A CN114240091A (zh) | 2021-11-30 | 2021-11-30 | 一种基于自适应分层策略的柔性作业车间调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114240091A true CN114240091A (zh) | 2022-03-25 |
Family
ID=80752262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111444736.4A Pending CN114240091A (zh) | 2021-11-30 | 2021-11-30 | 一种基于自适应分层策略的柔性作业车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114240091A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115371685A (zh) * | 2022-10-24 | 2022-11-22 | 成都市以太节点科技有限公司 | 工控场景下无人设备优势路径规划方法、装置及存储介质 |
CN116822884A (zh) * | 2023-06-30 | 2023-09-29 | 上海海事大学 | 一种柔性制造系统中多天车协同调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866898A (zh) * | 2015-05-22 | 2015-08-26 | 大连理工大学 | 一种基于协同混合人工鱼群模型的多目标柔性作业车间调度方法 |
CN110414863A (zh) * | 2019-08-06 | 2019-11-05 | 河海大学常州校区 | 一种智能制造车间资源调度方法 |
CN110598863A (zh) * | 2019-09-05 | 2019-12-20 | 南宁师范大学 | 协同进化的多目标差分进化方法 |
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 |
-
2021
- 2021-11-30 CN CN202111444736.4A patent/CN114240091A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866898A (zh) * | 2015-05-22 | 2015-08-26 | 大连理工大学 | 一种基于协同混合人工鱼群模型的多目标柔性作业车间调度方法 |
CN110414863A (zh) * | 2019-08-06 | 2019-11-05 | 河海大学常州校区 | 一种智能制造车间资源调度方法 |
CN110598863A (zh) * | 2019-09-05 | 2019-12-20 | 南宁师范大学 | 协同进化的多目标差分进化方法 |
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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115371685A (zh) * | 2022-10-24 | 2022-11-22 | 成都市以太节点科技有限公司 | 工控场景下无人设备优势路径规划方法、装置及存储介质 |
CN115371685B (zh) * | 2022-10-24 | 2023-03-24 | 成都市以太节点科技有限公司 | 工控场景下无人设备优势路径规划方法、装置及存储介质 |
CN116822884A (zh) * | 2023-06-30 | 2023-09-29 | 上海海事大学 | 一种柔性制造系统中多天车协同调度方法 |
CN116822884B (zh) * | 2023-06-30 | 2024-05-31 | 上海海事大学 | 一种柔性制造系统中多天车协同调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints | |
CN112346839B (zh) | 一种基于进化算法的关联任务调度方法 | |
Bao et al. | Comparison and analysis of the selection mechanism in the artificial bee colony algorithm | |
CN114240091A (zh) | 一种基于自适应分层策略的柔性作业车间调度方法 | |
CN112180853A (zh) | 基于多种群策略的柔性作业车间调度混合优化方法 | |
CN113805545B (zh) | 一种考虑批处理的柔性流水车间组合调度规则生成方法 | |
CN110084512B (zh) | 一种面向智能仓储系统的多机器人任务分配方法 | |
Zolfaghari et al. | Comparative study of simulated annealing, genetic algorithms and tabu search for solving binary and comprehensive machine-grouping problems | |
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 | |
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 | |
CN105809297A (zh) | 一种基于多目标差分进化算法的火电厂环境经济调度方法 | |
Teekeng et al. | A combination of shuffled frog leaping and fuzzy logic for flexible job-shop scheduling problems | |
CN109670655A (zh) | 一种电力系统多目标粒子群优化调度方法 | |
CN114841581A (zh) | 基于gep-vns进化动态作业车间调度规则中的特征选择方法 | |
Chen et al. | Application of novel clonal algorithm in multiobjective optimization | |
CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
CN113157381B (zh) | 基于非支配排序和猫头鹰搜索的多工作流调度方法 | |
Liang et al. | Improved nsga2 algorithm to solve multi-objective flexible job shop scheduling problem | |
Huang et al. | An improved biogeography-based optimization algorithm for flow shop scheduling problem | |
CN116307214A (zh) | 一种基于nsga-ii算法的自动配棉方法及相关装置 | |
CN116739254A (zh) | 一种水面无人集群多目标快速分配方法 | |
CN116300756A (zh) | 带运输机器人柔性制造车间的双目标优化调度方法及系统 | |
CN110334442A (zh) | 一种加工tc4钛合金工件的车削参数预测方法 | |
CN114757439A (zh) | 一种多目标制造任务优化分配方法 | |
CN113283755A (zh) | 一种车间智能调度决策方法 |
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 |