CN115238995A

CN115238995A - 一种复杂过程的智能调度优化方法

Info

Publication number: CN115238995A
Application number: CN202210876529.4A
Authority: CN
Inventors: 曹政才; 林诚然; 周利杰; 马倩
Original assignee: Beijing University of Chemical Technology
Current assignee: Beijing University of Chemical Technology
Priority date: 2022-07-25
Filing date: 2022-07-25
Publication date: 2022-10-25

Abstract

本发明公开了一种用于复杂过程的智能调度优化方法，其中，方法包括以下步骤：根据实际情况确定工件数量以及机器数量，生成包含P个向量的原始种群，每个向量表示所有工件分配到各个机器的一种方案，以及这种方案下各工件的加工顺序；采用独热编码将种群映射到欧式空间；训练自编码神经网络，并对独热编码向量进行降维产生低维种群；对原始种群和低维种群各自采用进化算法迭代产生临时种群；利用自编码神经网络的解码模块对低维临时种群进行升维；评价临时种群中各个体的调度性能指标，根据贪婪准则保留部分个体并生成子代种群。该方法融合机器学习与群体智能，可有效对组合优化的高维解空间进行搜索，进而能够有效解决复杂过程的调度优化问题。

Description

一种复杂过程的智能调度优化方法

技术领域

本发明涉及复杂过程调度优化技术领域，具体为一种复杂过程的智能调度优化方法。

背景技术

作为复杂生产过程的一个不可或缺的环节，工件的优化调度一直是一个热点研究问题。合理的工件调度对于提高生产效率以及降低企业成本有着重要意义。在实际的复杂过程，例如半导体生产线中，通常包括超过1000台组合设备，从数学角度上看，这类问题属于大规模组合优化问题，对应的数学规划模型是混合整数规划模型，其调度优化问题是NP难问题。因此具有很高的求解难度和较强的研究价值。

目前在复杂过程调度优化领域，主要有三类算法：精确算法、启发式规则和元启发式算法：(1)精确算法将问题用数学规划模型表示，通过单纯形法和分支定界法等方法分别求解线性规划和整数规划模型，虽然在理论上能得到最优解，但其计算时间过长，难以满足实际需求，通常只适用于小规模问题；(2)启发式规则可快速求解，但对调度环境和调度目标的依赖性较强，通用性差，且难以保证解的质量；(3)元启发式算法是全局搜索算法，通常能在一定时间内获得性能满意的解；作为元启发式算法中的一个分支，进化算法(如遗传算法、粒子群算法、布谷鸟算法)由于移植性强的优点，常用于解决复杂过程调度优化问题。但在实际应用中，由于搜索空间几何级数增长、数量众多的离散复杂约束，可能导致这类算法失效，使其在有限时间内性能大幅下降甚至无法得到优化解。

综上，对于大规模的复杂过程调度优化问题，设计相应的调度优化算法是具有挑战性的任务，问题的解决亟待高效算法的设计和提出。

发明内容

本发明提出一种复杂过程的智能调度优化方法，该方法采用自编码神经网络对高维种群进行降维，可以有效解决大规模机器分配和工件排序子问题，进而在有限时间内获取质量更高的调度优化方案。

为达到上述目的，本发明引入自编码神经网络对进化算法的高维种群进行降维，可以提取种群中编码向量的主要特征，并在低维空间进行高效搜索，大大降低了原问题的搜索空间，进而可以在有限时间内获取质量更高的调度优化方案。该方法具体包括以下步骤：对进化算法种群进行初始化，并设置参数；采用独热编码将算法种群映射到欧式空间；训练自编码神经网络，并对独热编码向量进行降维产生低维种群；对原始种群和低维种群各自采用进化算法迭代产生临时种群；利用自编码神经网络的解码模块对低维临时种群进行升维；评价临时种群中各个体的调度性能指标，根据贪婪准则保留部分个体并生成子代种群。该方法融合机器学习与进化算法，可有效对组合优化的高维解空间进行搜索，进而能够有效解决复杂过程的调度优化问题。

进一步地，本发明各步骤具体为：

步骤1：根据实际情况确定工件数量以及机器数量，对进化算法种群进行初始化，生成包含P个向量的原始种群，记做X(0)＝{x₁(0),...,x_P(0)}，其中，一个向量x_u(0),u＝1,...,P表示所有工件分配到各个机器的一种方案，以及这种方案下各工件的加工顺序；

步骤2：采用进化算法对初始化后的进化算法种群X(0)执行R次迭代，记录迭代过程中产生的所有R代种群X(0),...,X(R)；采用独热编码将这R个种群中所有个体分别映射到欧式空间，得到P·R个独热编码向量，作为训练数据训练自编码神经网络Q，该网络包括编码模块Q^E和解码模块Q^D；

步驟3：在第(R+1)代及以后的迭代过程中，将第R次迭代得到的进化算法种群X(R)视为初始种群，并额外生成一个种群V(R)＝X(R)，称作低维种群，将第t代种群及第t代低维种群分别记做X(t)和V(t)。不妨设当前迭代次数为t(t≥R)，在第t代种群的迭代过程中：首先，通过独热编码将低维种群V(t)映射到欧式空间得到

其次，利用训练得到的自编码神经网络编码模块Q^E对

降维，生成低维种群

再次，对X(t)和

各自采用进化算法迭代，分别生成X'(t)和

最后，利用训练得到的自编码神经网络解码模块Q^D将

映射到原始解空间，得到V'(t)，即从第t代种群X(t)和V(t)中得到两个临时种群X'(t)与V'(t)；

步骤4：评价X'(t)与V'(t)中各个个体的调度性能指标，根据贪婪准则保留部分个体并生成(t+1)代种群X(t+1)与V(t+1)，反复迭代至满足终止算法条件，即可得到最优化智能调度方案X(T)，其中T为最大迭代次数。

步骤1进一步包括：根据预设的种群规模参数P，按照均匀分布随机生成P个实数向量，记做原始种群X(0)＝{x₁(0),...x_u(0),...,x_P(0)}，其中，x_u(0)表示第u个实数向量；

每个向量长度为2N，N为工件个数，每个向量包括前后两段，其中，前半段向量记做

为0到1之间的实数，用于表示第i个工件的机器分配方案，所述机器分配方案的具体过程为：根据机器数量M将0到1的区间平均分为M段，其中第j段的索引号为j，如果

的大小在第j段范围内，则表示第i个工件分配到第j个机器；

后半段向量记做

为0到1之间的实数，用于表示第i个工件的加工优先级，所述工件排序方案的具体过程为：如果

大于

且工件i与工件k被分配到同一机器上加工，则工件i先于工件k进行加工；否则工件k先于工件i进行加工。

步骤2进一步包括以下步骤：

步骤2.1：按照步骤1生成初始种群X(0)后，执行进化算法迭代R次(通常R≤10)，记录每次迭代的种群，得到P·R个个体向量，每个个体向量包括机器分配部分x^A和工件排序部分x^S；

步骤2.2：对于机器分配部分个体向量x^A，采用下式表示其对应的独热编码y^A：

其中，

表示独热编码y^A中的第(M·i+j-M)个元素，

表示x^A中的第i个元素，M表示机器数量，j表示机器索引号；

对于工件排序部分个体向量x^S，采用下式表示其对应的独热编码y^S：

其中，

表示独热编码y^S中的第(N·i+j-N)个元素，z_i是向量z中的第i个元素，N表示工件数量，z＝{z₁,...,z_N}是x^S中元素按照升序进行排序，返回的索引值组成的向量。

步骤2.3：将两段向量拼接得到独热编码向量，即y＝[y^M；y^S]，对每个个体执行上述步骤，得到P·t个独热编码向量。

步骤2.4：设置自编码神经网络隐含层维度为L，L<2N，将得到的独热编码向量作为训练集，训练自编码神经网络，包括编码模块Q^E和解码模块Q^D。

步骤4进一步包括以下步骤：

步骤4.1：评价步骤3得到的临时种群X'(t)和V'(t)中各个个体的调度性能指标；

步骤4.2：根据贪婪准则保留临时种群X'(t)和V'(t)中调度性能指标最好的P个个体，组成子代候选种群，记做O(t+1)；

步骤4.3：选取种群X(t)与O(t+1)中调度性能指标最好的P个个体，作为X(t)子代种群X(t+1)；

步骤4.4：选取种群V(t)与O(t+1)中调度性能指标最好的P个个体，作为低维种群V(t)的子代种群V(t+1)；

步骤4.5：采用进化算法对种群X(t)反复迭代，采用进化算法和训练得到的自编码神经网络Q对低维种群V(t)反复迭代，直至满足算法终止条件t≥T，其中T是预设的最大迭代次数，输出当前种群中的最佳调度方案。

有益效果：

通过自编码神经网络构建的低维种群，可以在包含编码向量主要特征的低维空间进行高效搜索，大大降低了原问题的搜索空间，该种群具有很强的全局搜索能力；原始高维种群则具有较强的局部搜索能力，两者结合可更有效地对问题解空间进行高效寻优。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施及其说明用于解释本申请，并不构成对本申请的不当限定。

图1为本发明中智能调度优化方法的流程图；

图2为本发明中从进化种群的编码向量中获取调度方案的示意图；

图3为本发明中进化算法种群V、独热编码向量种群Y中个体向量示意图；

图4(a)为几种不同对比算法在DAFJS实例上的性能比较图；

图4(b)为几种不同对比算法在YFJS实例上的性能比较图。

具体实施方式

为了更好地理解本发明的技术方案，以下结合附图和具体例子对本发明的实施方式作进一步的介绍。

以一个包括4个工件(N＝4)、3台机器(M＝3)的小规模问题为例。

步骤1：

在该实例中，工件数量为4，机器数量为3，根据预设的种群规模参数P，生成包含P个向量的原始种群，如图2所示，不妨假设其中一个向量x＝{0.2,0.1,0.8,0.6,0.7,0.2,0.3,0.5}，该向量由机器分配部分向量x^A和工件排序部分向量x^S：x^A＝{0.2,0.1,0.8,0.6}和x^S＝{0.7,0.2,0.3,0.5}组成，表示所有工件分配到各个机器的一种方案，以及这种方案下各工件的加工顺序。

步骤2：

采用进化算法对初始化后的进化算法种群X(0)执行R次迭代，记录迭代过程中产生的所有R代种群X(0),...,X(R)；采用独热编码将这R个种群中所有个体分别映射到欧式空间，得到P·R个独热编码向量，仍以上述随机生成的一个向量x＝{0.2,0.1,0.8,0.6,0.7,0.2,0.3,0.5}为例，其转变为独热编码向量y的过程如图3所示：

对于机器分配部分向量x^A，采用独热编码向量{1,0,0}表示机器1，{0,1,0}表示机器2，类推；对于工件排序部分向量x^S，采用独热编码向量表示其升序排序得到的索引值。将网络Q的隐含层维度设为L，并利用生成的训练数据集训练网络Q，该网络包括编码模块Q^E和解码模块Q^D。

步骤3：

在第(R+1)代及以后的迭代过程中，将第R次迭代得到的进化算法种群X(R)视为初始种群，并额外生成一个种群V(R)＝X(R)，称作低维种群，将第t代种群及第t代低维种群分别记做X(t)和V(t)。不妨设当前迭代次数为t(t≥R)，在第t代种群的迭代过程中：首先，通过独热编码将低维种群V(t)映射到欧式空间得到

其次，利用训练得到的自编码神经网络编码模块Q^E对

降维，生成低维种群

再次，对X(t)和

各自采用进化算法迭代，分别生成X'(t)和

最后，利用训练得到的自编码神经网络解码模块Q^D将

步骤4：

评价X'(t)与V'(t)中各个个体的调度性能指标，仍以编码向量x＝{0.2,0.1,0.8,0.6,0.7,0.2,0.3,0.5}为例，说明评价调度性能指标的过程：

对于机器分配部分向量x^A，采用基于轮盘赌的方式计算实际的机器分配方案；例如，工件1对应的机器分配向量元素值为0.2，属于区间[0,0.33)，因此将其分配给机器1；对于工件排序部分向量x^S，对其进行升序排序，并返回索引值，对于分配到同一机器的不同工件，索引值越小，则加工优先级越高；例如，工件1和工件2均分配给机器1，由于工件1对应的工件排序向量元素索引值为4，工件2对应的工件排序向量元素索引值为1，所以工件2是机器1上第1个加工的工件(1-1)，工件1是机器1上第2个加工的工件(1-2)。如此，得到一个可行的调度方案：机器1：工件2和工件1依次加工；机器2：工件4；机器3：工件3。不妨设调度目标为最大完工时间，可根据问题已知的工件加工时间计算出各台机器的完工时间，取三台机器完工时间的最大值即为最大完工时间。

根据贪婪准则保留临时种群X'(t)和V'(t)中调度性能指标最好(最大完工时间最短)的P个个体，组成子代候选种群，记做O(t+1)；选取种群X(t)与O(t+1)中调度性能指标最好的P个个体，作为X(t)子代种群X(t+1)；选取种群V(t)与O(t+1)中调度性能指标最好的P个个体，作为低维种群V(t)的子代种群V(t+1)；采用进化算法对种群X(t)反复迭代，采用进化算法和训练得到的自编码神经网络Q对低维种群V(t)反复迭代，直至满足算法终止条件t≥T，其中T是预设的最大迭代次数，输出当前种群中的最佳调度方案。

算法对比结果；

对比实验方法选取以下两种进化算法：布谷鸟搜索算法(CS)和本发明的智能调度优化方法(ACS)，两种算法在基准数据集上独立运行10次，所得的最佳调度方案的目标函数值取平均值，结果如图4所示。

对多次仿真得到的目标函数值的威尔科克森符号秩检验检验结果如下表所示：

本发明具有以下优良特性：

将本发明方法与布谷鸟搜索算法对比，可以发现在小规模问题上，两者并无显著性能差异，但在大规模问题上，本发明方法明显可以获得性能更好的调度解，结合自编码神经网络对高维种群进行降维，有助于布谷鸟算法在低维解空间中进行高效搜索，通过降低原问题的搜索空间，在有限时间内获取质量更高的调度优化方案。

Claims

1.一种复杂过程的智能调度优化方法，其特征在于，包含以下步骤：

步驟3：在第(R+1)代及以后的迭代过程中，将第R次迭代得到的进化算法种群X(R)视为初始种群，并额外生成一个种群V(R)＝X(R)，称作低维种群，将第t代种群及第t代低维种群分别记做X(t)和V(t)，其中，当前迭代次数为t(t≥R)，在第t代种群的迭代过程中：首先，通过独热编码将低维种群V(t)映射到欧式空间得到