CN115310817A - 一种基于差分选择遗传算法的柔性作业车间调度方法 - Google Patents
一种基于差分选择遗传算法的柔性作业车间调度方法 Download PDFInfo
- Publication number
- CN115310817A CN115310817A CN202210949329.7A CN202210949329A CN115310817A CN 115310817 A CN115310817 A CN 115310817A CN 202210949329 A CN202210949329 A CN 202210949329A CN 115310817 A CN115310817 A CN 115310817A
- Authority
- CN
- China
- Prior art keywords
- cluster
- iteration
- individuals
- individual
- job
- 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
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
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于差分选择遗传算法的柔性作业车间调度方法,其步骤包括:第一:构建作业集;第二:构建作业集生产加工总时间模型;第三:设定相应的约束条件,构建单目标柔性作业车间调度模型;第四:根据作业集和车间资源相关信息,并使用差分选择遗传算法对所述单目标柔性作业车间调度模型进行求解,得到生产加工方案;第五:按照得到的生产加工方案对作业集进行生产加工。本发明能获得耗时最短的最优生产加工方案,从而能提高作业集的生产加工效率。
Description
技术领域
本发明属于柔性作业车间调度优化控制及智能决策领域,具体的说,是一种基于差分选择遗传算法的柔性作业车间调度方法。
背景技术
柔性作业车间调度行业是我国工业和现代制造业的基础,柔性作业车间调度方法被用于需要灵活决策方式的生产加工中,例如:寻找最短的路线、排列人员和任务、寻址问题、包装和覆盖等。在柔性作业车间调度问题中,每个工序都可以由一组候选机器加工。工序的加工时间取决于机器的性能和处理工序的难度。除了需要寻找所有工序的最佳排列方式外,还必须为每项工序选择候选机器进行加工。传统的生产加工方案不仅加工效率低,而且实时性不高。另一方面,由于作业生产过程中,作业工序多,加工机器多且加工机器性能不一,工序加工的顺序以及机器装载不当都会造成生产时间的浪费和交货周期的变长,甚至于拖延整个系统生产加工链。因此,如何有效的智能决策、优化控制是柔性作业车间调度行业需要解决的重要问题之一。
现有的技术中,已有一些生产方案采用优化算法,对柔性作业车间生产进行安排调度,但是这些生产方案并不能根据作业的详细信息进行合理的机器装载加工,从而最大程度降低车间生产耗时。此外,这些生产方案没有对工件排序以及机器加工进行较好的处理和分析,也没有充分考虑车间生产进行的反馈优化,因此无法降低车间生产所需时间、保证车间生产高效进行,无法满足作业交货时效的要求。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于差分选择遗传算法的柔性作业车间调度方法,能够获得耗时最短的最优生产方案进行生产加工,从而提高生产效率并降低生产成本。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种基于差分选择遗传算法的柔性作业车间调度方法的特点是按如下步骤进行:
步骤1、根据实际生产加工需求,构建如式(1)所示的作业集Ω;
式(1)中,i表示作业在作业集Ω中的作业序号;n表示作业集Ω中的总作业数;Ji表示作业集Ω的第i个作业;Oij表示第i个作业Ji的第j个工序;j表示第i个作业Ji的工序序号;ni表示第i个作业Ji的总工序数;
步骤2、构建如式(2)所示的作业集Ω的生产加工总时间Cmax:
式(2)中,Eij表示第j个工序Oij的生产加工完成时间;
步骤3、根据实际生产情况,设定相应的约束条件,并以生产加工总时间Cmax最小为目标函数F,从而构建如式(3)所示的单目标柔性作业车间调度模型;
式(3)中,h表示作业在作业集Ω中的作业序号;g表示第h个作业Jh的工序序号;k表示加工机器的机器序号;m表示车间的机器总数量;Ohg表示第h个作业Jh的第g个工序;Sij表示第i个作业Ji的第j个工序Oij的生产加工开始时间;Shg表示第h个作业Jh的第g个工序Ohg的生产加工开始时间;Si(j+1)表示第i个作业Ji的第j个工序Oij的后序工序的生产加工开始时间;Pijk表示工序Oij在第k台机器上的生产加工所需时间;Xijk表示工序Oij是否分配到第k台机器上进行生产加工,若是,则令Xijk为1,否则,令Xijk为0;Yijhgk表示工序Oij是否是工序Ohg在第k台机器上的前序工序,若是,则令Yijhgk为1,否则令Yijhgk为0;
步骤4、根据作业集Ω和车间资源相关信息,并使用差分选择遗传算法对所述单目标柔性作业车间调度模型进行求解,得到生产加工方案;
步骤5、按照所述生产加工方案对作业集Ω进行生产加工。
本发明所述的柔性作业车间调度方法的特点也在于,所述步骤4是按如下过程进行:
步骤4-1、定义种群代数G,并初始化G=1;
步骤4.2、设定差分选择遗传算法的最大迭代次数为Gmax;设定关键比例系数为α并随机初始化;
步骤4.3、将作业集Ω中的所有作业序号以及每个作业的每个工序对应的加工机器的机器序号组成个体的双重编码染色体,用于生成第G代种群PG;
作业Ji的作业序号在第一层编码染色体中所出现的总次数ni表示作业Ji的加工工序总数;
作业Ji的作业序号在第一层编码染色体中出现的顺序表示作业Ji的工序序号,则所有作业序号的排序顺序表示相应作业加工工序的先后顺序;
在第二层编码染色体中,每个机器序号与第一层编码中的工序序号一一对应,表示相应序号的机器加工第一层编码中相应作业序号所对应的加工工序;
步骤4.9、比较和如果小于则将第G次迭代的簇集合UG中第r个簇的第q个体和第w个个体进行IPOX交叉操作,产生两个新个体;否则,继续将第q个体与其余个体进行比较,直到第G次迭代的簇集合UG中的第q个体与所有个体比较完成后,从所有新个体中选择最优个体用于更新进而对簇集合UG中第r个簇的所有个体都更新完成后,得到第G次迭代的簇集合UG中第r个更新簇;
所述步骤4.6是按如下过程进行:
步骤4.6.2、计算第G次迭代的个体集合θG中所有个体之间的适应度值的欧式距离,再对第G次迭代的个体集合θG中所有个体之间的适应度值的欧式距离求个体集合的平均欧式距离再根据得到第G次迭代的簇集合UG的簇最大距离并初始化Δ表示0-1之间的倍数;
步骤4.6.9、如果第G次迭代的个体集合θG不为空集合,令r+1赋值给r,返回步骤4.6.3;否则,执行步骤4.6.10;
步骤4.6.10、计算第G次迭代的簇集合UG中簇的所有个体之间的欧式距离,再对第G次迭代的簇集合UG中簇的所有个体之间的欧式距离求簇平均欧式距离将簇中的所有个体都删除;当第G次迭代的簇集合UG中的R个簇均操作完成后,得到第G次迭代的簇集合UG中的R个簇的簇平均欧式距离
步骤4.6.11、将个体的适应度值与第G次迭代的簇集合UG中的R个簇的簇平均欧式距离进行欧式距离计算,将个体加入与簇平均欧式距离最小欧式距离的簇;再第G代的变异种群中的N个个体均操作完成后,将第G代的变异种群中的N个个体都划分到对应的簇中。
与现有技术相比,本发明的有益效果在于:
1、本发明根据柔性作业车间实际生产情况,设立多个约束条件,对柔性作业车间生产所需的完工时间建立单目标优化模型,并使用差分选择遗传算法对该单目标优化模型进行求解,得出一种耗时最短的最优生产方案,得到的生产方案极大地提高了车间生产效率,降低了车间生产成本。
2、本发明使用的差分选择遗传算法,具有良好的全局搜索能力和较快的收敛速度,突破了遗传算法因为其高盲目性和高随机性而容易陷入局部最优且无法搜索到最优生产方案的局限,从而解决实际应用问题的效果会更好。
3、本发明采用工序排序与机器选择的双重编码染色体,完整的包含了柔性作业生产调度方案中必须包含的信息:工序的先后加工顺序及工序的加工机器。因此相比于采用“二进制编码”、“符号编码”、“实数编码”等编码方式,工序排序与机器选择的双重编码染色体更符合柔性作业车间的生产加工情况,从而使产生的生产调度方案更符合实际。
4、本发明采用的自适应聚类方法,具有良好的自调整的聚类能力,摆脱了传统聚类算法需要手动设置超参数控制聚类过程的困境。特别适用于遗传算法等元启发式算法对种群进行分析和处理,自适应聚类方法只需将种群作为输入就能得到合适的聚类效果,从而使得算法的收敛性能得到进一步提升,从而能更好地应用于解决实际应用问题。
附图说明
图1为本发明调度方法流程图;
图2为本发明种群个体的双重编码染色体图;
图3为本发明特征相似度计算示意图;
图4为本发明差分选择遗传算法流程图。
具体实施方式
本实施例中,基于差分选择遗传算法是用于求解n*m柔性作业车间调度问题。其中n*m柔性作业车间包含有n个相互独立的待加工作业,每个待加工作业包含有若干个相互独立并且保持有严格先后加工顺序的工序。车间中有m台性能不一的加工机器,每台加工机器有各自特定的加工功能。每个作业的每个工序按照其功能特性可以由若干个加工机器进行加工,而且工序的加工时间是根据加工机器的加工效率决定的,即工序在不同加工机器上的加工时间是不一致的。只有当作业的工序全部加工完成后,该工作才加工完成。为了尽快完成n个作业的加工,必须找到合适的加工方案对n个作业进行加工。
具体来说,如图1所示,一种基于差分选择遗传算法的柔性作业车间调度方法是按如下步骤进行:
步骤1、根据实际生产加工需求,构建如式(1)所示的作业集Ω;作业集Ω由n个相互独立的待加工作业构成;
式(1)中,i表示作业在作业集Ω中的作业序号;n表示作业集Ω中的总作业数;Ji表示作业集Ω的第i个作业;Oij表示第i个作业Ji的第j个工序;j表示第i个作业Ji的工序序号;ni表示第i个作业Ji的总工序数;
步骤2、构建如式(2)所示的作业集Ω的生产加工总时间Cmax:
式(2)中,Eij表示第j个工序Oij的生产加工完成时间;Cmax为所有待加工作业的所有工序完成的时间,所以要最小化加工完成时间;
步骤3、根据实际生产情况,设定相应的约束条件:
约束1,Eij≤Si(j+1),即:每个作业的每个工序只能在前序工序完成后才可以开始加工。
约束3,Sij+Pijk*Xijk≤Eij,即:每个作业的每个工序在加工过程中不能被打断,必须一次加工完成。
约束4,(Sij+Pijk)*Yijhgk≤Shg,即:同一台加工机器的相邻工序中,后续工序只有在其前序工序加工完后才可以开始加工。
并以生产加工总时间Cmax最小为目标函数F,从而构建如式(3)所示的单目标柔性作业车间调度模型;
式(3)中,h表示作业在作业集Ω中的作业序号;g表示第h个作业Jh的工序序号;k表示加工机器的机器序号;m表示车间的机器总数量;Ohg表示第h个作业Jh的第g个工序;Sij表示第i个作业Ji的第j个工序Oij的生产加工开始时间;Shg表示第h个作业Jh的第g个工序Ohg的生产加工开始时间;Si(j+1)表示第i个作业Ji的第j个工序Oij的后序工序的生产加工开始时间;Pijk表示工序Oij在第k台机器上的生产加工所需时间;Xijk表示工序Oij是否分配到第k台机器上进行生产加工,若是,则令Xijk为1,否则,令Xijk为0;Yijhgk表示工序Oij是否是工序Ohg在第k台机器上的前序工序,若是,则令Yijhgk为1,否则令Yijhgk为0;
步骤4、根据作业集Ω和车间资源相关信息,并使用差分选择遗传算法对所述单目标柔性作业车间调度模型进行求解,得到生产加工方案;具体的说,如图4所示;
步骤4.1、定义种群代数G,并初始化G=1;
步骤4.2、设定差分选择遗传算法的最大迭代次数为Gmax,设定关键比例系数为α并随机初始化;设定α=0.6;
步骤4.3、将作业集Ω中的所有作业序号以及每个作业的每个工序对应的加工机器的机器序号组成个体的双重编码染色体,用于生成第G代种群PG;具体的说,如图2所示;
作业Ji的作业序号在第一层编码染色体中所出现的总次数ni表示作业Ji的加工工序总数;
作业Ji的作业序号在第一层编码染色体中出现的顺序表示作业Ji的工序序号,则所有作业序号的排序顺序表示相应作业加工工序的先后顺序;
在第二层编码染色体中,每个机器序号与第一层编码中的工序序号一一对应,表示相应序号的机器加工第一层编码中相应作业序号所对应的加工工序;
本发明采用邻域变异和多点变异对种群个体进行变异操作,其功能是对个体基因进行更新重组以及提升种群的多样性,从而能够让算法提高跳出局部最优的能力。领域变异针对种群个体的工序排序染色体进行变异,随机生成三个基因位,打乱三个基因顺序后再按照打乱后的顺序更新染色体;多点变异针对种群个体的机器选择染色体进行变异,随机将三个基因替换成其他可加工机器的机器序号。
本发明采用的自适应聚类方法来对变异后的种群进行适应度值划分,其功能是将种群中适应度值接近的个体划分到一个簇进行学习,这样能够避免种群个体因盲目随机挑选学习个体而导致学习效果很差。
步骤4.6.2、计算第G次迭代的个体集合θG中所有个体之间的适应度值的欧式距离,再对第G次迭代的个体集合θG中所有个体之间的适应度值的欧式距离求个体集合的平均欧式距离再根据得到第G次迭代的簇集合UG的簇最大距离并初始化
步骤4.6.9、如果第G次迭代的个体集合θG不为空集合,令r+1赋给r,返回步骤4.6.3;否则,执行步骤4.6.10;
步骤4.6.10、计算第G次迭代的簇集合UG中簇的所有个体之间的欧式距离,再对第G次迭代的簇集合UG中簇的所有个体之间的欧式距离求簇平均欧式距离将簇中的所有个体都删除。当第G次迭代的簇集合UG中的R个簇全部按照上述操作完成,得到第G次迭代的簇集合UG中的R个簇的簇平均欧式距离
步骤4.6.11、将个体的适应度值与第G次迭代的簇集合UG中的R个簇的簇平均欧式距离进行欧式距离计算,将个体加入与其适应度值最小的欧式距离的簇进行加入;再第G代的变异种群中的N个个体都按照上诉操作完成后,可以将第G代的变异种群中的N个个体都划分到对应的簇中。
本发明采用的与个体适应度值最小欧氏距离的簇加入,其功能是将个体按照离簇最近原则进行加入。因为簇的簇平均欧式距离可以看作是该簇的中心点,也就是将个体按照离簇中心点最近进行加入。
本发明采用关键路径和非关键路径来计算特征相似度,其功能是将不同个体从基因结构上进行区分,从而能从基因信息方面定义个体之间相似关系来引导个体之间进行学习。个体的关键路径是该个体所表示的生产加工方案中最核心的加工部分,因为关键路径的加工完成时间表示该个体的适应度值,也就是整个生产加工方案的完成时间。关键路径是由一组加工过程中前后加工顺序紧密相连的工序组成,组成关键路径的每个工序既不能提前开始加工也不能延迟开始加工,其加工时间是固定不变。组成非关键路径的工序比关键工序要灵活很多,非关键路径的工序的加工时间段可以是不确定的,而且对整个生产加工方案的完成时间不会造成任何影响,甚至交换其中两个非关键路径的工序也不会拖延整个生产方案的执行。
本发明采用路径相似度算子计算两个不同个体之间关键路径和非关键路径的相似度值,其功能是将两个不同个体之间关键路径和非关键路径量化成特征相似度来表示这两个个体之间的相似度高低关系。设定α为0.6,计算出两个不同个体之间关键路径的余弦值和非关键路径的余弦值,特征相似度等于α乘以关键路径的余弦值加上1-α乘以非关键路径的余弦值。
步骤4.9、比较和如果小于则将第G次迭代的簇集合UG中第r个簇的第q个体和第w个个体进行IPOX交叉操作,产生两个新个体;否则,继续将第q个体与其余个体进行比较,直到第G次迭代的簇集合UG中的第q个体与所有个体比较完成后,从所有新个体中选择最优个体用于更新进而对簇集合UG中第r个簇的所有个体都更新完成后,得到第G次迭代的簇集合UG中第r个更新簇;
步骤5、按照所述生产加工方案对作业集Ω进行生产加工。
Claims (3)
1.一种基于差分选择遗传算法的柔性作业车间调度方法,其特征是按如下步骤进行:
步骤1、根据实际生产加工需求,构建如式(1)所示的作业集Ω;
式(1)中,i表示作业在作业集Ω中的作业序号;n表示作业集Ω中的总作业数;Ji表示作业集Ω的第i个作业;Oij表示第i个作业Ji的第j个工序;j表示第i个作业Ji的工序序号;ni表示第i个作业Ji的总工序数;
步骤2、构建如式(2)所示的作业集Ω的生产加工总时间Cmax:
式(2)中,Eij表示第j个工序Oij的生产加工完成时间;
步骤3、根据实际生产情况,设定相应的约束条件,并以生产加工总时间Cmax最小为目标函数F,从而构建如式(3)所示的单目标柔性作业车间调度模型;
式(3)中,h表示作业在作业集Ω中的作业序号;g表示第h个作业Jh的工序序号;k表示加工机器的机器序号;m表示车间的机器总数量;Ohg表示第h个作业Jh的第g个工序;Sij表示第i个作业Ji的第j个工序Oij的生产加工开始时间;Shg表示第h个作业Jh的第g个工序Ohg的生产加工开始时间;Si(j+1)表示第i个作业Ji的第j个工序Oij的后序工序的生产加工开始时间;Pijk表示工序Oij在第k台机器上的生产加工所需时间;Xijk表示工序Oij是否分配到第k台机器上进行生产加工,若是,则令Xijk为1,否则,令Xijk为0;Yijhgk表示工序Oij是否是工序Ohg在第k台机器上的前序工序,若是,则令Yijhgk为1,否则令Yijhgk为0;
步骤4、根据作业集Ω和车间资源相关信息,并使用差分选择遗传算法对所述单目标柔性作业车间调度模型进行求解,得到生产加工方案;
步骤5、按照所述生产加工方案对作业集Ω进行生产加工。
2.如权利要求1所述的柔性作业车间调度方法,其特征在于,所述步骤4是按如下过程进行:
步骤4.1、定义种群代数G,并初始化G=1;
步骤4.2、设定差分选择遗传算法的最大迭代次数为Gmax;设定关键比例系数为α并随机初始化;
步骤4.3、将作业集Ω中的所有作业序号以及每个作业的每个工序对应的加工机器的机器序号组成个体的双重编码染色体,用于生成第G代种群PG;
作业Ji的作业序号在第一层编码染色体中所出现的总次数ni表示作业Ji的加工工序总数;
作业Ji的作业序号在第一层编码染色体中出现的顺序表示作业Ji的工序序号,则所有作业序号的排序顺序表示相应作业加工工序的先后顺序;
在第二层编码染色体中,每个机器序号与第一层编码中的工序序号一一对应,表示相应序号的机器加工第一层编码中相应作业序号所对应的加工工序;
步骤4.9、比较和如果小于则将第G次迭代的簇集合UG中第r个簇的第q个体和第w个个体进行IPOX交叉操作,产生两个新个体;否则,继续将第q个体与其余个体进行比较,直到第G次迭代的簇集合UG中的第q个体与所有个体比较完成后,从所有新个体中选择最优个体用于更新进而对簇集合UG中第r个簇的所有个体都更新完成后,得到第G次迭代的簇集合UG中第r个更新簇;
3.如权利要求2所述的柔性作业车间调度方法,其特征在于,所述步骤4.6是按如下过程进行:
步骤4.6.2、计算第G次迭代的个体集合θG中所有个体之间的适应度值的欧式距离,再对第G次迭代的个体集合θG中所有个体之间的适应度值的欧式距离求个体集合的平均欧式距离再根据得到第G次迭代的簇集合UG的簇最大距离并初始化Δ表示0-1之间的倍数;
步骤4.6.9、如果第G次迭代的个体集合θG不为空集合,令r+1赋值给r,返回步骤4.6.3;否则,执行步骤4.6.10;
步骤4.6.10、计算第G次迭代的簇集合UG中簇的所有个体之间的欧式距离,再对第G次迭代的簇集合UG中簇的所有个体之间的欧式距离求簇平均欧式距离将簇中的所有个体都删除;当第G次迭代的簇集合UG中的R个簇均操作完成后,得到第G次迭代的簇集合UG中的R个簇的簇平均欧式距离
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949329.7A CN115310817A (zh) | 2022-08-09 | 2022-08-09 | 一种基于差分选择遗传算法的柔性作业车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949329.7A CN115310817A (zh) | 2022-08-09 | 2022-08-09 | 一种基于差分选择遗传算法的柔性作业车间调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115310817A true CN115310817A (zh) | 2022-11-08 |
Family
ID=83860702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210949329.7A Pending CN115310817A (zh) | 2022-08-09 | 2022-08-09 | 一种基于差分选择遗传算法的柔性作业车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310817A (zh) |
-
2022
- 2022-08-09 CN CN202210949329.7A patent/CN115310817A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107450498B (zh) | 基于改进人工蜂群算法的生产调度方法及系统 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
CN111967654A (zh) | 一种基于混合遗传算法求解柔性作业车间调度的方法 | |
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 | |
CN112381343A (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 | |
CN106611230A (zh) | 结合关键工序的遗传局部搜索算法求解柔性作业车间调度 | |
CN112561225B (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
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 | |
CN111401693B (zh) | 一种带机器人运输的柔性车间调度优化方法及系统 | |
CN116227874B (zh) | 一种基于遗传算法的柔性作业车间调度方法和装置 | |
CN112882449A (zh) | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 | |
CN112749776A (zh) | 一种基于改进混合遗传算法的作业车间调度方法 | |
CN111369000A (zh) | 一种基于分解的高维多目标进化方法 | |
CN107807518A (zh) | 一种化工生产原料蒸馏过程的多目标优化调度方法 | |
CN109991950A (zh) | 基于遗传算法的协作机器人装配生产线的平衡改善方法 | |
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 | |
CN115933568A (zh) | 一种多目标分布式混合流水车间调度方法 | |
CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
CN116245346B (zh) | 基于多种群遗传算法和局部搜索的多无人机任务分配方法 | |
CN112926896A (zh) | 一种用于卷烟制丝生产的排产方法 | |
CN115310817A (zh) | 一种基于差分选择遗传算法的柔性作业车间调度方法 | |
CN115826530A (zh) | 一种基于d3qn和遗传算法的作业车间分批调度方法 | |
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 | |
CN115438877A (zh) | 一种基于灰狼算法求解多目标分布式柔性车间调度优化方法 |
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 |