CN114493337A - 基于改进粒子群遗传混合算法的柔性作业车间调度方法 - Google Patents

基于改进粒子群遗传混合算法的柔性作业车间调度方法 Download PDF

Info

Publication number
CN114493337A
CN114493337A CN202210137830.3A CN202210137830A CN114493337A CN 114493337 A CN114493337 A CN 114493337A CN 202210137830 A CN202210137830 A CN 202210137830A CN 114493337 A CN114493337 A CN 114493337A
Authority
CN
China
Prior art keywords
population
genetic
individual
optimal
particle swarm
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
Application number
CN202210137830.3A
Other languages
English (en)
Inventor
王力
吕飞
李爱景
戴建国
刘新贤
谢英杰
韩利强
张建勋
黄石磊
王志勇
齐先勇
王根旺
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.)
China Tobacco Henan Industrial Co Ltd
Original Assignee
China Tobacco Henan Industrial Co Ltd
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 China Tobacco Henan Industrial Co Ltd filed Critical China Tobacco Henan Industrial Co Ltd
Priority to CN202210137830.3A priority Critical patent/CN114493337A/zh
Publication of CN114493337A publication Critical patent/CN114493337A/zh
Pending legal-status Critical Current

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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (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粒子群遗传混合算法的柔性作业车间调度方法，其包括：初始化参数；初始化种群；求解初始化种群的适应度值，并记录个体和种群的最优位置和最优染色体；根据上一代种群的最优值更新粒子速度和位置；采用基于精英解保留和轮盘赌的复合选择策略进行选择操作；采用ESI和FEC策略对遗传种群进行选择操作、交叉操作和变异操作，若进化到更优个体，则替换相应个体；采用变邻域搜索算法对遗传种群进行搜索，若进化到更优个体，则替换相应个体，生成下子代；判断是否终止迭代搜索；判断是否满足迭代终止条件。本发明提供的基于改进粒子群遗传混合算法的柔性作业车间调度方法，能够相互弥补缺点，并增加局部搜索的能力。

Description

基于改进粒子群遗传混合算法的柔性作业车间调度方法
技术领域
本发明涉及作业车间调度技术领域，尤其涉及一种基于改进粒子群遗传混合算法的柔性作业车间调度方法。
背景技术
柔性作业车间调度问题(Flexible Job-shop Scheduling Problem，FJSP)是传统作业车间调度问题(Job-shop Scheduling Problem，JSP)的扩展，在JSP中仅考虑工件具有唯一确定的加工工艺路线的情况。而在FJSP中每道工序可以在多台机器上加工，而且工件具有可选择的加工路线，并且在不同的机器上加工所需的时间不同，因此它的研究不仅具有重大的现实意义，而且具有深远的理论意义。FJSP减少了机器约束，扩大了可行解的搜索范围，增加了问题的复杂度，是非确定多项式(Non-deterministic Polynomial，NP)疑难问题。
现有的针对FJSP的研究方法主要分为精确算法、启发式规则和元启发式算法如模拟退火、遗传算法等。一些智能算法如遗传算法(Genetic Algorithm，GA)、粒子群(Particle Swarm Optimization，PSO)等方法由于其简单高效的特点被广泛应用于FJSP问题，但仍存在着许多问题。GA方法存在初试种群的选择有依赖性，收敛性差，而PSO方法存在种群多样性差，精度不高，局部搜索能力差的问题。
发明内容
本发明的目的是提供一种基于改进粒子群遗传混合算法的柔性作业车间调度方法，以解决上述现有技术中的问题，能够相互弥补缺点，并增加局部搜索的能力。
本发明提供了一种基于改进粒子群遗传混合算法的柔性作业车间调度方法，其中，包括以下步骤：
步骤S1、初始化参数，以工序的最长完工时间最小作为目标函数，建立柔性作业车间调度模型；
步骤S2、初始化种群p(g)，生成种群大小的粒子，进行双层编码，同时将生成的种群赋值给遗传算法的染色体；
步骤S3、求解初始化种群的适应度值，并记录个体和种群的最优位置和最优染色体；
步骤S4、根据上一代种群的最优值更新粒子的速度和位置，计算更新后的粒子群的适应度值，保留最优值，若粒子群中产生较好的个体，则替换到相应的遗传染色体中；
步骤S5、采用基于精英解保留和轮盘赌的复合选择策略进行遗传算法的选择操作；
步骤S6、采用相似个体消除策略和染色体适应度搜索策略对遗传种群进行选择操作、交叉操作和变异操作，若进化到更优的个体，则对相应的个体进行替换并更新个体最优适应度值或全局最优值；
步骤S7、采用变邻域搜索算法对遗传种群进行搜索，计算适应值，若进化到更优的个体，则对相应的个体进行替换，并更新个体最优适应度值或全局最优值，生成下子代p(g+1)；
步骤S8、根据设置的最大搜索邻域次数Gmax，判断是否终止迭代搜索，若迭代终止，则执行进行步骤S9，若迭代未终止，则执行步骤S7；
步骤S9、根据最大迭代次数Gend，判断是否满足迭代终止条件，若满足条件，则输出最终结果，如不满足，则返回步骤S4。
如上所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其中，优选的是，所述步骤S1、初始化参数，以工序的最长完工时间最小作为目标函数，建立柔性作业车间调度模型，具体包括：
对柔性作业车间调度问题进行数学化表示；
初始化参数，设置种群个体数量为P_SIZE，最大迭代次数为Gmax，结束条件为Gend，粒子的速度范围为v，惯性权重为w，第一学习因子为c1，第二学习因子为c2，变异概率值为Pc，交叉概率值为Pm；
确定柔性作业车间调度问题的优化指标。
如上所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其中，优选的是，所述对柔性作业车间调度问题进行数学化表示，具体包括：
设有n个工件在m台机器上加工，每个工件最多经过h道工序，则工件集合为O＝{O1,O2,...,On}，工序集合为J＝{J1,J2,...,Jn}，其中,Ji＝{ji1,ji2,...，jik,...,jih}，i＝1,2,…,n，k＝1,2,…,h，jik表示第i个工件的第k道工序；机器集合为M＝{M1,M2,…,Mm}，其中，Mi＝{mi1,mi2,…,mik,…,mih}，i＝1,2,…,n，k＝1,2,…,h，mik表示第i个工件的第k道工序进行加工的机器；工件的各工序加工时间集合为T＝{T1,T2,…,Tn}，其中，Ti＝{ti1,ti2,…,tik,…,tim}，i＝1,2,…,n，k＝1,2,…,m，t表示第i个工件的第k道工序加工所需要的时间。
如上所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其中，优选的是，所述确定柔性作业车间调度问题的优化指标，具体包括：
采用最大完工时间作为优化指标，并设置柔性作业车间调度约束条件，
最大完工时间
Figure BDA0003505669940000031
表示所有工件的所有工序在合适的加工工艺下最大完工时间最小，其中，柔性作业车间调度约束条件为：
Tijk≤Si(j-1)k，表示某工序进行加工只能等前一道完成方可开始，
Tijk-Sijk＝Fijk，表示一道工序的加工必须一直进行直至结束，
Tijk≤Ti′j′k′，表示每台设备不能同时加工两道工序，
其中，Fi表示工件i的完成时间，Tijk表示工件i的第j道工序在机器k上加工的完工时间，Sijk表示工件i的第j道工序在机器k上加工的开始时间。
如上所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其中，优选的是，所述步骤S2、初始化种群p(g)，生成种群大小的粒子，进行双层编码，同时将生成的种群赋值给遗传算法的染色体，具体包括：
采用双层编码方法，初始化种群p(g)，生成种群大小的粒子，其中，前半部分基于工序进行编码，由工件的工序序号构成，确定工序的加工顺序；后半部分基于机器进行编码，由工件工序的相应加工机器的序号构成，确定工序选择的机器，同时将生成的种群赋值给遗传算法的染色体，解码过程为编码的逆过程。
如上所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其中，优选的是，所述步骤S3、求解初始化种群的适应度值，并记录个体和种群的最优位置和最优染色体，具体包括：
根据工件完工时间，通过以下公式计算初始化种群p(g)的适应度值Fi，
Figure BDA0003505669940000041
其中，Fi表示适应度值，f(x)表示工件完工时间；
记录个体和种群的最优位置及最优染色体。
如上所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其中，优选的是，所述步骤S4、根据上一代种群的最优值更新粒子的速度和位置，计算更新后的粒子群的适应度值，保留最优值，若粒子群中产生较好的个体，则替换到相应的遗传染色体中，具体包括：
根据上一代种群的最优值更新粒子的速度v和位置l，计算更新后的粒子群的适应度值Fi，保留最优值，若粒子群中产生较好的个体，则替换到相应的遗传染色体中，通过以下公式计算粒子更新速度：
v＝w*v+c1*r1(lbest-npresent)+c2*r2*(pbest-npresent)
其中，v表示粒子的速度，w表示惯性权重，c1表示第一学习因子，c2表示第二学习因子，r1和r2表示随机数，lbest表示当前个体的最佳位置，npresent表示当前位置，
通过以下公式计算粒子更新位置：
n′present＝npresent+v
n′present表示npresent的后一个位置。
如上所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其中，优选的是，所述步骤S5、采用基于精英解保留和轮盘赌的复合选择策略进行遗传算法的选择操作，具体包括：
采用精英解保留和轮盘赌法复合策略选择，将每一次迭代时的种群中适应度最优前10％的精英个体直接进化到下一代，
其中，通过以下公式计算个体i被选中的概率P，
Figure BDA0003505669940000042
通过以下公式计算个体i的累计概率Q，
Figure BDA0003505669940000051
如上所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其中，优选的是，所述步骤S6、采用相似个体消除策略和染色体适应度搜索策略对遗传种群进行选择操作、交叉操作和变异操作，若进化到更优的个体，则对相应的个体进行替换并更新个体最优适应度值或全局最优值，具体包括：
在采用轮盘赌法选择后进行交叉和变异操作，其中，
通过以下公式计算交叉概率，
Figure BDA0003505669940000052
其中，Pc表示交叉概率，gmax表示每代群体中个体的最大适应度值，gavg表示每代群体的平均适应度值，g′表示被选择交叉的两个个体中较大的适应度值，g表示被选择变异个体的适应度值，k1,k2∈(0,1)
通过以下公式计算变异概率，
Figure BDA0003505669940000053
其中，Pm表示变异概率，k3,k4∈(0,1)
通过调整k1、k2、k3、k4在区间(0,1)内取值，可以自适应调整交叉概率Pc和变异概率Pm；
若进化到更优的个体，则对相应的个体进行替换并更新个体最优适应度值或全局最优值；
在经过遗传操作之后通过相似个体消除策略，消除种群中的相似个体；
在选择操作前通过染色体适应度搜索策略，以使所得的解以不同形式出现，提高解的质量。
如上所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其中，优选的是，所述步骤S7、采用变邻域搜索算法对遗传种群进行搜索，计算适应值，若进化到更优的个体，则对相应的个体进行替换，并更新个体最优适应度值或全局最优值，生成下子代p(g+1)，具体包括：
在遗传算法后采用变邻域搜索算法对遗传种群进行搜索，其中，所述变邻域搜索算法包括insert算子、inverse算子、swap算子和pairwise算子中的至少一个，具体包括：
对遗传种群进行邻域搜索，计数t＝1；
计算邻域解的适应度值，将适应度最好的解与历史最优解和个体最优解进行对比，并用较优解覆盖种群中的染色体，t＝t+1。
本发明提供一种基于改进粒子群遗传混合算法的柔性作业车间调度方法，该混合算法将粒子群算法(PSO)与改进的遗传算法(GA)相结合，并加入变邻域搜索算法(VNS)，采取动态链接策略，先初始化参数，然后初始化种群，进而求初始化种群的适应度值并记录个体和种群的最优位置及最优染色体，执行粒子群算法，更新速度与位置，再执行优化的遗传算法，对遗传种群进行领域搜索，最终获得最优解；通过将改进的遗传算法和粒子群优化算法采用动态链接策略，并加入变邻域搜索算法强化局部搜索，从而提高算法的收敛速度和性能，从而求得最优解；本发明通过改进粒子群遗传混合算法，弥补了PSO种群多样性差、易早熟的缺点，弥补了GA收敛速度慢的缺点，并加入VNS，弥补了局部寻优能力差的缺点，增强了算法的性能和实用性，提高柔性作业车间调度效率。
附图说明
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：
图1为本发明提供的基于改进粒子群遗传混合算法的柔性作业车间调度方法的实施例的流程图；
图2为本发明提供的基于改进粒子群遗传混合算法的柔性作业车间调度方法的实施例的算法逻辑图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。对示例性实施例的描述仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。本公开可以以许多不同的形式实现，不限于这里所述的实施例。提供这些实施例是为了使本公开透彻且完整，并且向本领域技术人员充分表达本公开的范围。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、材料的组分、数字表达式和数值应被解释为仅仅是示例性的，而不是作为限制。
本公开中使用的“第一”、“第二”：以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的部分。“包括”或者“包含”等类似的词语意指在该词前的要素涵盖在该词后列举的要素，并不排除也涵盖其他要素的可能。“上”、“下”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后，则该相对位置关系也可能相应地改变。
在本公开中，当描述到特定部件位于第一部件和第二部件之间时，在该特定部件与第一部件或第二部件之间可以存在居间部件，也可以不存在居间部件。当描述到特定部件连接其它部件时，该特定部件可以与所述其它部件直接连接而不具有居间部件，也可以不与所述其它部件直接连接而具有居间部件。
本公开使用的所有术语(包括技术术语或者科学术语)与本公开所属领域的普通技术人员理解的含义相同，除非另外特别定义。还应当理解，在诸如通用字典中定义的术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为说明书的一部分。
如图1和图2所示，本实施例提供的基于改进粒子群遗传混合算法的柔性作业车间调度方法在实际执行过程中，具体包括如下步骤：
步骤S1、初始化参数，以工序的最长完工时间最小作为目标函数，建立柔性作业车间调度模型。
在本发明的基于改进粒子群遗传混合算法的柔性作业车间调度方法的一种实施方式中，所述步骤S1具体可以包括：
步骤S11、对柔性作业车间调度问题进行数学化表示。
柔性作业车间调度问题为给定各工序的加工时间，确定机器的所有工件的加工次序和加工时间，首先针对工序最大完工时间最小的柔性作业车间调度问题，建立模型，模型的建立过程为：设有n个工件在m台机器上加工，每个工件最多经过h道工序，则工件集合为O＝{O1,O2,…,On}，工序集合为J＝{J1,J2,…,Jn}，其中,Ji＝{ji1,ji2,…，jik,…,jih}，i＝1,2,…,n，k＝1,2,…,h，jik表示第i个工件的第k道工序，当工件的工序数少于h时，例如某一工件oe只有f道工序，e＝1，2,…，n，f<h，则jef+1,jef+2,...,jeh的取值设为0；
机器集合为M＝{M1,M2,...,Mm}，其中，Mi＝{mi1,mi2,...,mik,...,mih}，i＝1,2,…,n，k＝1,2,…,h，mik表示第i个工件的第k道工序进行加工的机器，当工件的工序数少于h时，例如某一工件oe只有f道工序，e＝1，2,…，n，f<h，则mef+1,mef+2,...,meh的取值设为0；
工件的各工序加工时间集合为T＝{T1,T2,...,Tn}，其中，Ti＝{ti1,ti2,...,tik,...,tim}，i＝1,2,…,n，k＝1,2,…,m，t表示第i个工件的第k道工序加工所需要的时间，当工件的工序数少于h时，例如某一工件oe只有f道工序，e＝1，2,…，n，f<h，则tef+1,tef+2,...,teh的取值设为0。
步骤S12、初始化参数，设置种群个体数量为P_SIZE，最大迭代次数为Gmax，结束条件为Gend，粒子的速度范围为v，惯性权重为w，第一学习因子为c1，第二学习因子为c2，变异概率值为Pc，交叉概率值为Pm。
步骤S13、确定柔性作业车间调度问题的优化指标。
具体而言，采用最大完工时间作为优化指标，并设置柔性作业车间调度约束条件，
最大完工时间
Figure BDA0003505669940000081
表示所有工件的所有工序在合适的加工工艺下最大完工时间最小，其中，柔性作业车间调度约束条件为：
Tijk≤Si(j-1)k，表示某工序进行加工只能等前一道完成方可开始，
Tijk-Sijk＝Fijk，表示一道工序的加工必须一直进行直至结束，
Tijk≤Ti′j′k′，表示每台设备不能同时加工两道工序，
其中，Fi表示工件i的完成时间，Tijk表示工件i的第j道工序在机器k上加工的完工时间，Sijk表示工件i的第j道工序在机器k上加工的开始时间。
步骤S2、初始化种群p(g)，生成种群大小的粒子，进行双层编码，同时将生成的种群赋值给遗传算法的染色体。
具体地，采用双层编码方法，初始化种群p(g)，生成种群大小的粒子，其中，前半部分基于工序进行编码，由工件的工序序号构成，确定工序的加工顺序；后半部分基于机器进行编码，由工件工序的相应加工机器的序号构成，确定工序选择的机器，同时将生成的种群赋值给遗传算法的染色体，解码过程为编码的逆过程。
表格1所示的编码方法，如果工序J11、J12、J13、J21、J22、J23、J31、J32、J33对应的加工机器分别是M4、M5、M1、M2、M1、M3、M1、M2、M3，则对应的机器编码部分4 5 1 2 1 3 1 2 3。如果工序的加工顺序为J13、J22、J33、J21、J11、J32、J31、J12、J23，则工序编码部分为1 2 3 2 1 3 3 12，在具体实现中，可以根据加工方案进行合理编码，解码视为编码的逆过程。
表1编码方法表格
Figure BDA0003505669940000091
步骤S3、求解初始化种群的适应度值，并记录个体和种群的最优位置和最优染色体。
具体地，根据工件完工时间，通过以下公式计算初始化种群p(g)的适应度值Fi，
Figure BDA0003505669940000101
其中，Fi表示适应度值，f(x)表示工件完工时间；并记录个体和种群的最优位置及最优染色体
步骤S4、根据上一代种群的最优值更新粒子的速度和位置，计算更新后的粒子群的适应度值，保留最优值，若粒子群中产生较好的个体，则替换到相应的遗传染色体中。
在本发明的基于改进粒子群遗传混合算法的柔性作业车间调度方法的一种实施方式中，所述步骤S4具体可以包括：
步骤S41、根据上一代种群的最优值更新粒子的速度v和位置l，计算更新后的粒子群的适应度值Fi，保留最优值，若粒子群中产生较好的个体，则替换到相应的遗传染色体中，通过以下公式计算粒子更新速度：
v＝w*v+c1*r1(lbest-npresent)+c2*r2*(pbest-npresent)
其中，v表示粒子的速度，w表示惯性权重，c1表示第一学习因子，c2表示第二学习因子，r1和r2表示随机数，lbest表示当前个体的最佳位置，npresent表示当前位置。
步骤S42、通过以下公式计算粒子更新位置：
n′present＝npresent+v
n′present表示npresent的后一个位置。
步骤S5、采用基于精英解保留和轮盘赌的复合选择策略进行遗传算法的选择操作。
具体地，采用精英解保留和轮盘赌法复合策略选择，将每一次迭代时的种群中适应度最优前10％的精英个体直接进化到下一代，其余个体通过轮盘赌的选择方法获得，
其中，通过以下公式计算个体i被选中的概率P，
Figure BDA0003505669940000102
通过以下公式计算个体i的累计概率Q，
Figure BDA0003505669940000103
步骤S6、采用相似个体消除(Elimination of the Similar Individuals，ESI)策略和染色体适应度搜索(Fitness Exploration of Chromosome，FEC)策略对遗传种群进行选择操作、交叉操作和变异操作，若进化到更优的个体，则对相应的个体进行替换并更新个体最优适应度值或全局最优值。
在本发明的基于改进粒子群遗传混合算法的柔性作业车间调度方法的一种实施方式中，所述步骤S6具体可以包括：
步骤S61、在采用轮盘赌法选择后进行交叉和变异操作，其中，
通过以下公式计算交叉概率，
Figure BDA0003505669940000111
其中，Pc表示交叉概率，gmax表示每代群体中个体的最大适应度值，gavg表示每代群体的平均适应度值，g′表示被选择交叉的两个个体中较大的适应度值，g表示被选择变异个体的适应度值，k1,k2∈(0,1)
通过以下公式计算变异概率，
Figure BDA0003505669940000112
其中，Pm表示变异概率，k3,k4∈(0,1)
通过调整k1、k2、k3、k4在区间(0,1)内取值，可以自适应调整交叉概率Pc和变异概率Pm。
交叉概率和变异概率是其搜索能力和收敛速度的重要影响因素。本发明提出了自适应的交叉概率Pc和变异概率Pm。
步骤S62、若进化到更优的个体，则对相应的个体进行替换并更新个体最优适应度值或全局最优值。
步骤S63、在经过遗传操作之后通过相似个体消除(ESI)策略，消除种群中的相似个体。
通过ESI策略，可以保留适应度较高的个体，因此可以提高算法的搜索效率。
步骤S64、在选择操作前通过染色体适应度搜索策略，以使所得的解以不同形式出现，提高解的质量。
通过FEC策略，可以解决所得的解在一定程度上会以不同形式出现，提高解的质量。
步骤S7、采用变邻域搜索算法对遗传种群进行搜索，计算适应值，若进化到更优的个体，则对相应的个体进行替换，并更新个体最优适应度值或全局最优值，生成下子代p(g+1)。
具体地，在本发明中，在遗传算法后采用变邻域搜索算法对遗传种群进行搜索，其中，所述变邻域搜索算法包括insert算子、inverse算子、swap算子和pairwise算子中的至少一个，具体包括：
对遗传种群进行邻域搜索，计数t＝1；
计算邻域解的适应度值，将适应度最好的解与历史最优解和个体最优解进行对比，并用较优解覆盖种群中的染色体，t＝t+1。
通过将变邻域搜索的四种搜索算子添加到混合算法中，可以扩大染色体的邻域解，因此可以有效地提高粒子群遗传算法的局部寻优能力，因此，可以扩大局部搜索范围，增强局部搜索能力。下面分别对四周搜索算子进行介绍。
insert算子，例如位置2，6，则把6位置的基因插入2基因的后面位置上，原来的3-5基因往后顺延；
inverse算子，随机取两个位置，将位置之间的基因进行反转。
swap算子，执行两点交换操作，随机取两个位置，将位置之间的基因进行交换。
Pairwis算子，将相邻的两个成对基因位置互换，即第一个和第二个基因互换位置，第三个和第四个基因互换位置，以此类推。
步骤S8、根据设置的最大搜索邻域次数Gmax，判断是否终止迭代搜索，若迭代终止，则执行进行步骤S9，若迭代未终止，则执行步骤S7。
步骤S9、根据最大迭代次数Gend，判断是否满足迭代终止条件，若满足条件，则输出最终结果，如不满足，则返回步骤S4。
本发明实施例提供的基于改进粒子群遗传混合算法的柔性作业车间调度方法，该混合算法将粒子群算法(PSO)与改进的遗传算法(GA)相结合，并加入变邻域搜索算法(VNS)，采取动态链接策略，先初始化参数，然后初始化种群，进而求初始化种群的适应度值并记录个体和种群的最优位置及最优染色体，执行粒子群算法，更新速度与位置，再执行优化的遗传算法，对遗传种群进行领域搜索，最终获得最优解；通过将改进的遗传算法和粒子群优化算法采用动态链接策略，并加入变邻域搜索算法强化局部搜索，从而提高算法的收敛速度和性能，从而求得最优解；本发明通过改进粒子群遗传混合算法，弥补了PSO种群多样性差、易早熟的缺点，弥补了GA收敛速度慢的缺点，并加入VNS，弥补了局部寻优能力差的缺点，增强了算法的性能和实用性，提高柔性作业车间调度效率。
至此，已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。

Claims (10)

1.一种基于改进粒子群遗传混合算法的柔性作业车间调度方法，其特征在于，包括如下步骤：
步骤S1、初始化参数，以工序的最长完工时间最小作为目标函数，建立柔性作业车间调度模型；
步骤S2、初始化种群p(g)，生成种群大小的粒子，进行双层编码，同时将生成的种群赋值给遗传算法的染色体；
步骤S3、求解初始化种群的适应度值，并记录个体和种群的最优位置和最优染色体；
步骤S4、根据上一代种群的最优值更新粒子的速度和位置，计算更新后的粒子群的适应度值，保留最优值，若粒子群中产生较好的个体，则替换到相应的遗传染色体中；
步骤S5、采用基于精英解保留和轮盘赌的复合选择策略进行遗传算法的选择操作；
步骤S6、采用相似个体消除策略和染色体适应度搜索策略对遗传种群进行选择操作、交叉操作和变异操作，若进化到更优的个体，则对相应的个体进行替换并更新个体最优适应度值或全局最优值；
步骤S7、采用变邻域搜索算法对遗传种群进行搜索，计算适应值，若进化到更优的个体，则对相应的个体进行替换，并更新个体最优适应度值或全局最优值，生成下子代p(g+1)；
步骤S8、根据设置的最大搜索邻域次数Gmax，判断是否终止迭代搜索，若迭代终止，则执行进行步骤S9，若迭代未终止，则执行步骤S7；
步骤S9、根据最大迭代次数Gend，判断是否满足迭代终止条件，若满足条件，则输出最终结果，如不满足，则返回步骤S4。
2.根据权利要求1所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其特征在于，所述步骤S1、初始化参数，以工序的最长完工时间最小作为目标函数，建立柔性作业车间调度模型，具体包括：
对柔性作业车间调度问题进行数学化表示；
初始化参数，设置种群个体数量为P_SIZE，最大迭代次数为Gmax，结束条件为Gend，粒子的速度范围为v，惯性权重为w，第一学习因子为c1，第二学习因子为c2，变异概率值为Pc，交叉概率值为Pm；
确定柔性作业车间调度问题的优化指标。
3.根据权利要求2所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其特征在于，所述对柔性作业车间调度问题进行数学化表示，具体包括：
设有n个工件在m台机器上加工，每个工件最多经过h道工序，则工件集合为O＝{O1,O2,...,On}，工序集合为J＝{J1,J2,...,Jn}，其中,Ji＝{ji1,ji2,...，jik,...,jih}，i＝1,2,…,n，k＝1,2,…,h，jik表示第i个工件的第k道工序；机器集合为M＝{M1,M2,...,Mm}，其中，Mi＝{mi1,mi2,...,mik,...,mih}，i＝1,2,…,n，k＝1,2,…,h，mik表示第i个工件的第k道工序进行加工的机器；工件的各工序加工时间集合为T＝{T1,T2,...,Tn}，其中，Ti＝{ti1,ti2,...,tik,...,tim}，i＝1,2,…,n，k＝1,2,…,m，t表示第i个工件的第k道工序加工所需要的时间。
4.根据权利要求3所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其特征在于，所述确定柔性作业车间调度问题的优化指标，具体包括：
采用最大完工时间作为优化指标，并设置柔性作业车间调度约束条件，
最大完工时间
Figure FDA0003505669930000021
表示所有工件的所有工序在合适的加工工艺下最大完工时间最小，其中，柔性作业车间调度约束条件为：
Tijk≤Si(j-1)k，表示某工序进行加工只能等前一道完成方可开始，
Tijk-Sijk＝Fijk，表示一道工序的加工必须一直进行直至结束，
Tijk≤Ti′j′k′，表示每台设备不能同时加工两道工序，
其中，Fi表示工件i的完成时间，Tijk表示工件i的第j道工序在机器k上加工的完工时间，Sijk表示工件i的第j道工序在机器k上加工的开始时间。
5.根据权利要求3所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其特征在于，所述步骤S2、初始化种群p(g)，生成种群大小的粒子，进行双层编码，同时将生成的种群赋值给遗传算法的染色体，具体包括：
采用双层编码方法，初始化种群p(g)，生成种群大小的粒子，其中，前半部分基于工序进行编码，由工件的工序序号构成，确定工序的加工顺序；后半部分基于机器进行编码，由工件工序的相应加工机器的序号构成，确定工序选择的机器，同时将生成的种群赋值给遗传算法的染色体，解码过程为编码的逆过程。
6.根据权利要求1所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其特征在于，所述步骤S3、求解初始化种群的适应度值，并记录个体和种群的最优位置和最优染色体，具体包括：
根据工件完工时间，通过以下公式计算初始化种群p(g)的适应度值Fi，
Figure FDA0003505669930000031
其中，Fi表示适应度值，f(x)表示工件完工时间；
记录个体和种群的最优位置及最优染色体。
7.根据权利要求1所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其特征在于，所述步骤S4、根据上一代种群的最优值更新粒子的速度和位置，计算更新后的粒子群的适应度值，保留最优值，若粒子群中产生较好的个体，则替换到相应的遗传染色体中，具体包括：
根据上一代种群的最优值更新粒子的速度v和位置l，计算更新后的粒子群的适应度值Fi，保留最优值，若粒子群中产生较好的个体，则替换到相应的遗传染色体中，通过以下公式计算粒子更新速度：
v＝w*v+c1*r1(lbest-npresent)+c2*r2*(pbest-npresent)
其中，v表示粒子的速度，w表示惯性权重，c1表示第一学习因子，c2表示第二学习因子，r1和r2表示随机数，lbest表示当前个体的最佳位置，npresent表示当前位置，
通过以下公式计算粒子更新位置：
n′present＝npresent+v
n′present表示npresent的后一个位置。
8.根据权利要求1所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其特征在于，所述步骤S5、采用基于精英解保留和轮盘赌的复合选择策略进行遗传算法的选择操作，具体包括：
采用精英解保留和轮盘赌法复合策略选择，将每一次迭代时的种群中适应度最优前10％的精英个体直接进化到下一代，
其中，通过以下公式计算个体i被选中的概率P，
Figure FDA0003505669930000041
通过以下公式计算个体i的累计概率Q，
Figure FDA0003505669930000042
9.根据权利要求1所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其特征在于，所述步骤S6、采用相似个体消除策略和染色体适应度搜索策略对遗传种群进行选择操作、交叉操作和变异操作，若进化到更优的个体，则对相应的个体进行替换并更新个体最优适应度值或全局最优值，具体包括：
在采用轮盘赌法选择后进行交叉和变异操作，其中，
通过以下公式计算交叉概率，
Figure FDA0003505669930000043
其中，Pc表示交叉概率，gmax表示每代群体中个体的最大适应度值，gavg表示每代群体的平均适应度值，g′表示被选择交叉的两个个体中较大的适应度值，g表示被选择变异个体的适应度值，k1,k2∈(0,1)
通过以下公式计算变异概率，
Figure FDA0003505669930000044
其中，Pm表示变异概率，k3,k4∈(0,1)
通过调整k1、k2、k3、k4在区间(0,1)内取值，可以自适应调整交叉概率Pc和变异概率Pm；
若进化到更优的个体，则对相应的个体进行替换并更新个体最优适应度值或全局最优值；
在经过遗传操作之后通过相似个体消除策略，消除种群中的相似个体；
在选择操作前通过染色体适应度搜索策略，以使所得的解以不同形式出现，提高解的质量。
10.根据权利要求1所述的基于改进粒子群遗传混合算法的柔性作业车间调度方法，其特征在于，所述步骤S7、采用变邻域搜索算法对遗传种群进行搜索，计算适应值，若进化到更优的个体，则对相应的个体进行替换，并更新个体最优适应度值或全局最优值，生成下子代p(g+1)，具体包括：
在遗传算法后采用变邻域搜索算法对遗传种群进行搜索，其中，所述变邻域搜索算法包括insert算子、inverse算子、swap算子和pairwise算子中的至少一个，具体包括：
对遗传种群进行邻域搜索，计数t＝1；
计算邻域解的适应度值，将适应度最好的解与历史最优解和个体最优解进行对比，并用较优解覆盖种群中的染色体，t＝t+1。
CN202210137830.3A 2022-02-15 2022-02-15 基于改进粒子群遗传混合算法的柔性作业车间调度方法 Pending CN114493337A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210137830.3A CN114493337A (zh) 2022-02-15 2022-02-15 基于改进粒子群遗传混合算法的柔性作业车间调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210137830.3A CN114493337A (zh) 2022-02-15 2022-02-15 基于改进粒子群遗传混合算法的柔性作业车间调度方法

Publications (1)

Publication Number Publication Date
CN114493337A true CN114493337A (zh) 2022-05-13

Family

ID=81481321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210137830.3A Pending CN114493337A (zh) 2022-02-15 2022-02-15 基于改进粒子群遗传混合算法的柔性作业车间调度方法

Country Status (1)

Country Link
CN (1) CN114493337A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943489A (zh) * 2022-07-22 2022-08-26 浙江中控技术股份有限公司 一种基于改进遗传算法的生产排产方法和装置
CN115545539A (zh) * 2022-10-27 2022-12-30 西安电子科技大学广州研究院 基于惩罚因子和启发式搜索的警务人员智能调度方法
CN115564146A (zh) * 2022-11-18 2023-01-03 吉林大学 一种以改进的粒子群算法为内核的分组车间作业调度方法
CN116227874A (zh) * 2023-03-10 2023-06-06 东北农业大学 一种基于遗传算法的柔性作业车间调度方法和装置
CN116300763A (zh) * 2023-03-31 2023-06-23 华中科技大学 考虑机器配置的混合流水车间数学启发式调度方法及系统

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114943489A (zh) * 2022-07-22 2022-08-26 浙江中控技术股份有限公司 一种基于改进遗传算法的生产排产方法和装置
CN114943489B (zh) * 2022-07-22 2022-10-21 浙江中控技术股份有限公司 一种基于改进遗传算法的生产排产方法和装置
CN115545539A (zh) * 2022-10-27 2022-12-30 西安电子科技大学广州研究院 基于惩罚因子和启发式搜索的警务人员智能调度方法
CN115564146A (zh) * 2022-11-18 2023-01-03 吉林大学 一种以改进的粒子群算法为内核的分组车间作业调度方法
CN115564146B (zh) * 2022-11-18 2023-04-07 吉林大学 一种以改进的粒子群算法为内核的分组车间作业调度方法
CN116227874A (zh) * 2023-03-10 2023-06-06 东北农业大学 一种基于遗传算法的柔性作业车间调度方法和装置
CN116227874B (zh) * 2023-03-10 2023-08-29 东北农业大学 一种基于遗传算法的柔性作业车间调度方法和装置
CN116300763A (zh) * 2023-03-31 2023-06-23 华中科技大学 考虑机器配置的混合流水车间数学启发式调度方法及系统
CN116300763B (zh) * 2023-03-31 2024-05-24 华中科技大学 考虑机器配置的混合流水车间数学启发式调度方法及系统

Similar Documents

Publication Publication Date Title
CN114493337A (zh) 基于改进粒子群遗传混合算法的柔性作业车间调度方法
CN108460463B (zh) 基于改进遗传算法的高端装备流水线生产调度方法
CN111242503B (zh) 一种基于两层遗传算法的多目标柔性作业车间调度方法
Yamada et al. Genetic algorithms for job-shop scheduling problems
CN104268722B (zh) 基于多目标进化算法的动态柔性作业车间调度方法
Lian et al. A novel particle swarm optimization algorithm for permutation flow-shop scheduling to minimize makespan
CN111382915B (zh) 一种共融agv的柔性作业车间调度方法
Ahmadizar et al. A novel hybrid genetic algorithm for the open shop scheduling problem
CN112381343B (zh) 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法
CN106611231A (zh) 一种混合粒子群禁忌搜索算法求解作业车间调度问题
CN113341889B (zh) 带装配阶段和能耗的分布式阻塞流水车间调度方法及系统
CN110738365A (zh) 一种基于粒子群算法的柔性作业车间生产调度方法
CN109917754B (zh) 一种基于多种群分布估计算法的机器人装配单元多目标布局优化方法
CN113570112B (zh) 求解考虑合作的带时间窗的车辆路径问题的优化算法
CN117852825B (zh) 基于深度学习的含中心资源柔性制造系统的无死锁调度方法
CN115981262B (zh) 基于imoea的液压缸零部件车间生产调度方法
CN114519455A (zh) 一种带运输过程的分布式柔性车间调度方法及系统
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
CN113689066A (zh) 一种基于nsga-ii算法的物联网车间调度方法
CN115907399A (zh) 一种面向电子产品的离散制造柔性生产的智能调度方法
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
CN118192472A (zh) 一种柔性作业车间调度问题的改进星雀优化方法
CN114648232A (zh) 基于改进黑猩猩优化算法的云端化资源柔性作业调度方法
CN106611220A (zh) 一种新的混合算法求解柔性作业车间调度问题
CN112183817A (zh) 一种柔性车间调度方法

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