CN115660227A - 一种基于cart增强的混合流水车间调度模型优化方法 - Google Patents
一种基于cart增强的混合流水车间调度模型优化方法 Download PDFInfo
- Publication number
- CN115660227A CN115660227A CN202211593325.6A CN202211593325A CN115660227A CN 115660227 A CN115660227 A CN 115660227A CN 202211593325 A CN202211593325 A CN 202211593325A CN 115660227 A CN115660227 A CN 115660227A
- Authority
- CN
- China
- Prior art keywords
- population
- model
- cart
- flow shop
- algorithm
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于CART增强的混合流水车间调度模型优化方法，涉及车间调度优化领域。具体包括以下步骤：采集流水车间数据集I，基于CMOEA框架构建流水车间调度优化模型和算法配置空间C；采用I/F‑Race学习模型进行学习训练，获取算法配置c i ；构建CART评估模型，对所述算法配置c i 进行性能评价，根据评价结果进入I/F‑Race学习模型进行迭代学习训练，直至获取最优算法配置c r ；以总完工时间和子批总数为优化目标，获取最优解集。本发明提供一种基于CMOEA基于实时数据，利用CART增强的I/F‑Race方法，寻找最优自动算法，并能够反映出参数取值对算法配置性能的影响程度。
Description
技术领域
本发明涉及车间调度技术领域，特别是涉及一种基于CART增强的混合流水车间调度模型优化方法。
背景技术
调度问题考虑工件在机器上的分配、批次的划分、加工顺序等问题，是对生产的计划与安排。调度问题一般可以定义为“把有限的资源在时间上分配给若干个任务，以满足或优化一个或多个目标”。在车间调度问题中，作业车间调度（Job shop schedulingproblems，JSP）和流水车间调度（Flow shop scheduling problems，FSP）问题是最典型并且最具有研究意义的，它们具有十分典型而且特殊的加工特性和加工环境。目前在学术界研究讨论最多的就是这两类调度问题。
多目标一致分批混合车间流水调度（Multi-objective Hybrid flow shopscheduling problems with consistent sublots，MOHFSP_CS）问题作为经典流水车间调度问题的扩展，是比FSP更复杂的NP-hard组合优化问题，在冶金和化工行业有着很广泛的应用，是当前调度领域关注的重要研究问题。混合流水车间是一种非常抽象的概念，具有多台机器同时生产的流水线布局。因此混合流水车间不仅具有流水线生产的高效优势，而且更具灵活性，满足了市场多元化的需求。在求解MOHFSP_CS时，不仅要安排工件的加工顺序，还需要解决同一加工阶段多台加工机器的分配问题以及批次的分批。随着大量学者对混合流水车间调度问题的深入研究以及多个相关学科领域理论与技术的不断发展，求解混合流水车间调度问题的方法不断涌现。然而综合考虑批次一致分批的多目标问题，目前相关的研究还较少。
为了求解多目标优化问题，多目标进化算法（Multi-objective EvolutionaryAlgorithm, MOEA）在工业生产实际中得到了广泛应用和研究，如基于差分进化的多目标、免疫多目标、文化多目标等方法。目前，在实际工业生产中，特别是钢铁生产调度过程中，处理多目标的技术以加权求和方法为主。上述方法一次运行只能得到一个解，且权重系数不好确定。仅有少量文献针对MOHFSP_CS开展研究。其中，MOEA备受关注。
MOEA的性能高度依赖于参数的配置，包括数值参数和类别参数。一方面，由于传统的配置方法(手动或模拟调优)往往受到以往经验的限制，难以获得最优配置，研究算法组件如何交互也很困难。另一方面，整个过程可能是非常耗时和乏味的。因此，寻找一种高效的自动算法设计方法，消除从业者对先验知识的依赖，完成MOEA的自动配置具有重要的现实意义。而自动算法设计(Automated Algorithm Design, AAD)方法逐渐成为缓解这些局限性的研究领域。
F-Race方法是由Birattari等人提出的一种AAD方法，可以同时优化数值参数和类别参数，它初提出用于机器学习中的模型选择。F-Race在一系列测试实例中持续评估一组给定的算法配置，一旦获得足够的统计证据，就会消除劣质配置。在F-Race中，是通过全因子设计获得初始候选构型的。但是，当参数数量较多且每个参数取值范围较大时，全因子设计可能会变得不实用且计算量有限。为了缓解这个问题，Balaprakash等人提出了F-Race的迭代应用，称为迭代F-Race (Iterated F-Race, I/F-Race)。通过学习迭代过程中的有用信息和竞争机制，I/F-Race可以识别配置空间中的潜在区域，并找到最优的算法配置。Irace集成了I/F-Race和它的变体，被广泛应用于工程优化问题的自动算法设计中，如车辆路径问题、交通优化问题、车间调度问题、设备布局问题等。但其同样存在着局限性。在一次F-Race迭代中，给定一组测试实例，在统计学上比其它配置表现差的配置会被抛弃。已经使用过的测试实例在后续F-Race迭代中不能够继续使用且在一个实例上表现优异的配置可能在其它实例上表现不佳。
因此，应该保留配置的历史评估信息，以便全面评估算法配置，需要在现有MOEA框架和F-Race迭代的基础上，提供一种可以保留原始算法配置并进行评价，自动寻找最优算法配置的模型优化方法，实现MOEA框架的可配置性，构建基于CMOEA的多目标混合流水车间调度模型用于求解MOHFSP_CS。
发明内容
基于以上问题，本发明提供了一种基于CART增强的混合流水车间调度模型优化方法。
为实现上述目的，本发明提供如下技术方案：
本发明提供了一种基于CART增强的混合流水车间调度模型优化方法，具体包括以下步骤：
S1、采集流水车间数据集I，所述流水车间数据集至少包括加工单元数据集、机器数据集、加工批次数据集和工序阶段数据集；
S2、基于CMOEA框架构建流水车间调度优化模型和算法配置空间C；
S3、采用I/F-Race学习模型对所述流水车间调度优化模型进行学习训练，自所述算法配置空间中获取算法配置c i ；
S4、构建CART评估模型，代入所述流水车间数据集，对所述算法配置c i 进行性能评价，根据评价结果进入I/F-Race学习模型进行迭代学习训练，直至获取最优算法配置c r ，得到最终流水车间调度优化模型F；
S5、以总完工时间和子批总数为优化目标，输入所述流水车间数据集，利用最终流水车间调度优化模型F进行求解，获取最优解集。
优选地，在步骤S4中，CART评估模型对所述算法配置c i 进行性能评价的方法为：
将所述算法配置c i 在测试集I上进行测试，并基于反世代距离指标和非参数检验，确认是否属于精英算法配置；
若不属于，则舍弃该算法配置c i ，获取算法配置c i+1 继续进行测试；
若属于，则基于该算法配置c i 重新构建I/F-Race学习模型和CART模型，并基于新的I/F-Race学习模型自所述算法配置空间中获取算法配置并利用新的CART模型进行性能评价；
重复上述过程，进行迭代训练，达到终止条件后，输出筛选出的最优配置。
优选地，所述CART评估模型确认算法配置c i 是否属于精英算法配置后，若不属于，则将该算法配置c i 打上永久次级标签并舍弃，
若属于，则将该算法配置c i 打上精英标签并进入迭代训练中。
优选地，当存在算法配置c j 被打上永久次级标签后，若在迭代训练过程中再次出现该算法配置c j ，则不会进入测试性能评价，直接舍弃，获取算法配置c j+1 继续进行测试。
优选地，基于CMOEA框架构建流水车间调度优化模型求解的过程为：
初始化，生成初始种群；进行种群进化迭代训练；当满足终止准则之后，停止种群进化迭代训练，并输出非支配解。
优选地，种群进化迭代训练的具体步骤为：
通过对初始种群中选择的交配个体执行协同方法，产生一个种群规模大小为ps的子代种群；利用解码方法获得初始种群和子代种群中个体的目标值并分配适应度值，进行种群适应度值评估；进行环境选择；对子代种群中的每个个体执行邻域搜索，如果使用邻域结构的连续失败更新次数达到预设的最大连续更新失败次数，则邻域结构将切换到下一个领域；如果使用协作算子和邻域结构的连续失败更新次数满足预设的最大连续更新失败次数，对子代种群中的每个个体执行种群重启方法。
优选地，在求解过程中，至少采用下述方法中的一种：基于分解的方法DBM、基于非支配排序的方法NSBM和基于指标的方法IBM。
优选地，采用基于分解的方法DBM进行流水车间调度优化模型求解，
则初始化过程中，生成初始种群，且生成一组均匀分布的权重向量，并且给所述初始种群中每个个体分配一个唯一的权向量；每个个体在邻域规模大小为ns的邻域中选择交配对象，执行协同方法产生后代；环境选择中，初代种群中每个个体与子代种群中具有相同权重向量及其邻域个体进行比较，如果初始种群中的个体具有更好的适应度值，则进行更新。
优选地，采用基于非支配排序的方法NSBM进行流水车间调度优化模型求解，则种群进化迭代训练中，基于锦标赛规则在子代种群中选择两个交配个体，执行协同方法产生后代；
环境选择中，将初始种群和子代种群合并为复合种群，按快速非支配排序技术对种群中的个体进行排序，取与种群规模ps相同的个体进入新的子代种群中。
优选地，采用基于非支配排序的方法NSBM进行流水车间调度优化模型求解，则种群进化迭代训练中，基于锦标赛规则在子代种群中选择两个交配个体，执行协同方法产生后代；
环境选择中，将初始种群和子代种群合并为复合种群，将指标适应度值最低的个体依次去除，直到剩余个体数量为种群规模ps。
与现有技术相比，本发明有以下优势：
本发明提出了一种基于CART增强的混合流水车间调度模型优化方法，基于可配置的MOEA模型构建了混合流水车间调度模型，并构建F-Race学习模型和CART模型，其中CART模型被用于预测混合流水车间调度模型中算法配置的性能，只有被预测为有潜力的经营算法配置才能进入下一次F-Race迭代学习中利用，F-Race学习模型和CART模型基于实时采集的流水车间数据集，寻找混合流水车间调度模型中的最优算法配置，反映出特征对算法配置性能的影响程度，寻找多目标一致分批混合流水车间调度的最优解。
附图说明
图1是本发明提出的一种基于CART增强的混合流水车间调度模型优化方法的流程图；
图2是本发明提出的CMOEA框架的构建过程示意图；
图3是本发明提出的基于CART增强的I/F-Race流程示意图；
图4是本发明提出的CMOEA框架与传统NSGAII框架的性能对比；
图5是本发明提出的CMOEA框架与传统MOEA/D框架的性能对比；
图6是本发明提出的CMOEA框架与传统IBEA框架的性能对比；
图7是本发明提出的CMOEA框架与传统TMOA/D框架的性能对比；
图8是本发明提出的CMOEA框架与传统MOHIG框架的性能对比；
图9是IGD值上的Tukey HSD（诚实显着差异测试）区间图。
具体实施方式
为使本发明实施例的目的和技术方案更加清楚，下面将结合本发明实施例，对本发明的技术方案进行清楚、完整地描述。
实施例一
本发明提出了一种基于CART增强的混合流水车间调度模型优化方法，给出了一个可配置的MOEA (Configurable MOEA, CMOEA)框架，如图1所示，具体包括以下步骤：
S1、采集流水车间数据集I，所述流水车间数据集至少包括加工单元数据集、机器数据集、加工批次数据集和工序阶段数据集；
S2、基于CMOEA框架构建流水车间调度优化模型和算法配置空间C；
该CMOEA框架嵌入了协同搜索、局部搜索和种群重启的相关策略，以平衡实现全局搜索和局部搜索能力。和现有的MOEA框架对比，CMOEA的最大贡献在于：利用AAD(自动算法设计，Automated Algorithm Design，AAD)方法，在一次运行中匹配出具有最适适应度值评估方法的MOEA。
在基于CMOEA框架构建流水车间调度优化模型中，参数可分为数值参数和类别参数，也可分为非从属参数和从属参数。从属参数是与其它参数所取的特定值相关。
其中参数的设定如表1所示。
表1 基于CMOEA框架构建流水车间调度优化模型参数
该CMOEA框架将适应度评估方法(Fitness assignment method, fam)作为非从属参数，可以采用三种常用的方法：即基于分解的方法(Decomposition-based Method,DBM)、基于非支配排序的方法(Nondominated sorting-based method, NSBM)和基于指标的方法(Indicator-based method, IBM)。
S3、采用I/F-Race学习模型对所述流水车间调度优化模型进行学习训练，自所述算法配置空间中获取算法配置c i ；
S4、构建CART评估模型，代入所述流水车间数据集，对所述算法配置c i 进行性能评价，根据评价结果进入I/F-Race学习模型进行迭代学习训练，直至获取最优算法配置c r ，得到最终流水车间调度优化模型F；
其中CART模型被用来帮助识别通过I/F-Race学习模型产生的算法配置的性能。也就是说，CART模型用于预测这些配置的性能。CART评估模型对所述算法配置c i 进行性能评价的方法为：
将所述算法配置c i 在测试集I上进行测试，并基于反世代距离指标和非参数检验，确认是否属于精英算法配置；
若不属于，则将该算法配置c i 打上永久次级标签并舍弃，获取算法配置c i+1 继续进行测试；当存在算法配置被打上永久次级标签后，在接下来的I/F-Race迭代中出现的几率很小，若在迭代训练过程中再次出现该算法配置，则不会进入测试性能评价，直接舍弃，获取新的算法配置继续进行测试；
若属于，则基于该算法配置c i 重新构建I/F-Race学习模型和CART模型，并基于新的I/F-Race学习模型自所述算法配置空间中获取算法配置并利用新的CART模型进行性能评价；即被评估为统计性能较差的配置被分配为永久次级标签，在F-Race一次迭代结束时，幸存的配置被分配为精英标签。
重复上述过程，进行迭代训练，达到终止条件后，输出筛选出的最优配置。
在评估过程中，存在集合Φ容纳训练数据，即评估过的所有算法配置。CART模型基于反世代距离指标和非参数检验，预测是否属于精英算法配置并打上标签。只有当新的配置的预测值为精英算法配置时，它才会进入该集合Φ。所开发的方法有两方面的优点。一是充分利用优化过程中产生的实时数据，二是直观反映参数设置对配置性能的影响。
S5、以总完工时间和子批总数为优化目标，输入所述流水车间数据集，利用最终流水车间调度优化模型F进行求解，获取最优解集。
如图2所示，基于CMOEA框架构建流水车间调度优化模型求解的过程为：
步骤1、初始化。利用im生成带有ps个个体的初始种群。如果fam取值DBM，则应该生成一组均匀分布的权重向量，并且给每个个体分配一个唯一的权向量。
步骤2、种群进化。当终止条件未满足时，迭代以下子步骤：
步骤 2.1：生成子代种群。在以下两种情况下，通过对种群中选择的交配个体进行cm，产生一个大小为ps的子代种群。
情况1：如果fam取值DBM，则每个个体在邻域大小为ns的邻域中选择交配对象，执行cm产生后代。
情况2：如果fam取值为NSBM和IBM，则规模为ts的锦标赛规则在中选择两个交配个体，执行cm产生后代。上述过程重复ps次。
步骤2.2：种群评估。首先，利用dm获得P和OP中个体的目标值，然后用以下三种情况为其分配适应度值。其中适应度值评估过程根据fam取值（属于DBM、NSBM和IBM中的一种）。
步骤2.3：环境选择。通过环境选择方法，利用OP更新P更新，存在以下三种情况。
情况1、如果fam取值DBM，则OP中每个个体与P中具有相同权重向量及其邻域个体进行比较，如果OP中的个体具有更好的适应度值，则更新它们。
情况2、如果fam取值NSBM，则P和OP合并为P，按快速非支配排序技术对种群中的个体进行排序，前ps个个体进入P。
情况3、如果fam取值IBM，则P和OP合并为P，将指标适应度值最低的个体依次去除，直到剩余ps个个体。
步骤2.4：局部搜索。P中的每个个体执行邻域搜索。如果使用邻域结构的连续失败更新次数达到mcfu_ns，则邻域结构将切换到下一个。
步骤2.5：种群启动。如果使用协作算子和邻域结构的连续失败更新次数满足mcfu，对P中的每个个体执行rm。
步骤3、检查终止条件。如果满足终止准则，则输出进化过程中找到的非支配解。否则，返回步骤2。
在子代种群生成阶段，为了满足全局搜索能力，可以采用cm生成继承父代信息的子代个体。cm是一个类别参数，可以采用多种协作方法中的一种。该阶段存在两个从属参数，即ts和ns，它们都是取整数值的数值参数。
在种群评估阶段，利用fam对后代群体中产生的个体进行评估。该阶段存在两个从属的类别参数，即am和qim；一个从属的数值参数，即fsf。当fam取值DBM时，am从属于fam，而当fam取值IBM时，qim和fsf从属于fam。am可以采用不同的聚合方法，qim可以采用不同的质量指标方法，并采用fsf所取得的比例因子。
在环境选择阶段，P被更新，以保证有潜力的个体可以保留到下一代。原因是，有前途的给体总是拥有更好的信息，在这些个体上付出更多的努力，就会获得更多的利益。这个选择过程依赖于fam的取值。
实施例二
本发明提出了一种基于CART增强的混合流水车间调度模型优化方法，适用于解决目标一致分批混合流水车间调度问题，该目标一致分批混合流水车间调度问题描述如下：
一系列批次要经过连续的阶段进行加工，每个阶段包含若干相同的机器，并且每个批次包含若干加工单元，加工单元的数量称为批次规模。在一致分批策略下，每个批次被分割成若干子批，因运输管理的限制，子批的数量有一个最大限定值。每个子批包含不同数量的加工单元，加工单元的数量称为子批规模。批次的子批数量和子批规模在不同阶段是发生变化的。来自同一批次的不同子批需要在每个阶段的同一台机器上连续加工，子批内的加工单元也是连续性地加工。
也就是说，一个子批的加工时间是子批规模和单位加工时间（一个加工单元的加工时间）的乘积。
不同的批次之间，机器需要执行启动操作，而同一批次的任意两个连续子批间则不需要启动操作。此外，不同批次在不同阶段需要的启动时间也是不同的。当一个子批在某一阶段完成加工后，立即被运输到下一阶段，两个不同连续阶段之间的运输时间是不同的。
针对目标一致分批混合流水车间调度问题，具备以下问题特征：
所有批次中的加工单元在0时刻均是可用的，不考虑优先权和中断。
机器可以有空闲时间，各阶段之间的缓冲区容量是无限的。
每个批次都要经过所有阶段，在一个阶段上，每个批次只能分配到一台机器。
每个批次被分割成若干子批，但子批数有一个限定的最大值。每个子批规模可能不同，相同子批在不同阶段上的规模也可能不同。
每个子批在某一阶段完成加工后，将立即传输到下游阶段。
同一批次的各个子批在一台机器上连续地进行加工。在运输到特定阶段后，第一个子批可在启动操作之后开始加工，其余的子批在运输到这个阶段后，在前一个子批完成加工后开始加工。
在任意时刻，一台机器至多只能加工一个加工单元，一个子批中的加工单元连续地进行加工。
需要同时优化两个目标：总完工时间和子批总数。
收集MOHFSP_CS的测试实例，设定批次数n∈{20,40,60,80,100}，阶段数m∈{3,5,8,10}。每个阶段的机器数在区间[2,5]之间随机产生，每个批次的加工单元数在区间[50,100]内随机产生，加工单元的加工时间在区间[1,0]内产生，批次的启动时间在区间[50,100]内随机产生，以及子批传输时间在区间[10,20]内随机产生。构建流水车间调度优化模型和算法配置空间C，表2中展示的是针对目标一致分批混合流水车间调度问题的可配置参数集合。其中算法配置空间C中的算法配置为常见的算法配置参数。
表2 目标一致分批混合流水车间调度问题的可配置参数集合
收集一组数据集实例以提供全面的测试数据。每个实例用批次数n和阶段数m来标记，n来自集合{20,40,60,80,100}，m来自集合{3,5,8,10}，共产生20种不同的组合，对于每种组合，考虑四种类型的机器布局，这就产生了80种不同的组合。对于每个组合，将生成5个实例，因此总共可以获得400个实例。
I/F-Race学习模型迭代学习训练的终止标准设置为算法运行的毫秒数，用于处理算法调优和测试阶段的n个批次和m个阶段的问题。
为了评价MOEAs的性能，CART评估模型采用了两个性能指标：
一个时反世代距离（Inverse Generational Distance，IGD），它既可以反应解集的收敛性，也可以反映解集上解的分布性；另一个是集合覆盖率(Set Coverage，C)，它可以直接反映一个解集的收敛质量。
在算法调优阶段，使用CART增加的I/F-Race，它在测试了17个实例后输出了最好的7个精英配置，如表3所示。
表3 输出的最优算法配置
从表3可以看出，每个配置都不同于其它配置。
这意味着可以通过配置不同的参数值组合来构建性能优良的算法。
CART模型用于预测新构型的性能，如果结果是永久次级标签，新的配置将被丢弃，收集丢弃的配置信息，计算模型的成功率，收集到的丢弃配置共有947个。这些配置和精英配置一起用于解决20次独立运行的调优实例，并获得所有配置的IGD值。采用非参数Wilcoxon秩和检验来检验它们的性能。其结果是，905个被丢弃的配置在统计上比至少一个精英配置的性能更差。综上，CART模型的成功率达到了95.5%，保证了目标的实现。
CART模型还可以用于数据分析，并具有计算每个变量重要性的能力。在AAD过程中，一共进行了5次迭代。因此，在前面的四次迭代结束后，共构建了四个CART模型，每个CART模型都可以输出变量的重要性。
表4 变量的重要性
由表4可以看出，X 1在四种模型中参数的重要性都是最大的。在前三个模型中，参数X 9起着第二重要的作用，并且参数X 12也起着一定的作用。参数X 9和X 12都从属于以DBM为值的参数X 7。但是，X 7的重要性为0。这是因为DMB在处理MOHFSP时，比NSBM和IBM表现得更好。由于训练数据的收集机制，带有精英标签的配置数明显少于带有永久次级标签的配置数。因此，有DMB的配置主要用与被分割，以区分配置的标签。在第四个模型中，X 9的重要性为0。这是因为在I/F-Race的第四次迭代中，几乎所有的配置都含有带WS_NON值的X 9。因此，该参数对分割配置没有影响。
为了证明CART增强的I/F-Race(简称AAD-CART)的有效性，在此将其与现有的两种AAD变体进行比较。
一种是传统的I/F-Race(简称AAD)，另一种是软重启的AAD(简称AAD-SR)。将它们输出的最好算法配置求解实例。
这些值是在20次独立运行中获得的，然后在相同的问题规模下平均和分组。
从表5中，我们可以看到CMOEAAAD-CART对于大多数问题表现最佳，并产生最小的总体值。这可以说明AAD-CART的最佳配置输出与其他两种AAD变体相比具有更加出色的性能。
表5 AAD变体之间的比较
从表5可以看出，AAD-CART比AAD消耗更多的成本和测试实例。这是因为在AAD-CART中，CART模型是基于前面迭代的预测结果构建的。它被用来在以后的迭代中预测生成的配置的性能，并且只有那些被预测为精英算法配置才能在将来被评估。
表6给出了AAD优化过程中的过程数据。
表6 三种I/F-Race算法在AAD优化过程中的过程数据
在验证了AAD-CART的有效性后，接下来我们将本申请提出的CMOEA框架与三种著名的MOEA框架NSGAII（二代非支配排序遗传方法）、MOEA/D（基于分解的多目标进化法）和IBEA（基于评价指标的多目标遗传方法）进行比较，评估其性能。使用AAD-CART来配置这些框架，并通过测试实例找到它们的最佳配置。此外，为了证明自动化算法的有效性，还评估了最近文献中提出的两种算法MOHIG（多目标混合迭代贪婪方法）和TMOA/D（基于分解的三阶段多目标方法）。选择它们的原因如下。其一，它们都是为了解决HFSP变体而提出的。TMOA/D也被用作中的可配置框架。另一个原因是它们都采用了两层编码。综上所述，它们可以很容易地调整以解决本文所要解决的问题，它们也可以由AAD-CART进行配置。
对于每个实例，分别在表7和表8中报告的C值和IGD值是在20次独立运行中获得的，然后在相同的问题规模下平均和分组。其中涉及到的问题为批次数与阶段数乘积的排列组合。
另外，为了验证结果的统计有效性，采用单因素方差分析(one factor analysisof variance, ANOVA)对结果进行分析。图4至图5分别显示了Tukey显著性差异结果。
表7 不同多目标方法的集合覆盖率（C值）
表8 不同多目标方法的时反世代距离（IGD值）
由表7可以看出，对于所有问题，CMOEAAAD-CART得到的C值明显是最大的。这说明由其它比较方法得到的Pareto最优解大多可以被CMOEA方法所支配。由图4-图8可以看出，CMOEAAAD-CART在C值上的表现明显优于其它五种方法框架。
IGD结果由表8可知，CMOEAAAD-CART对于所有问题的表现都最好，并且可以得到最小的整体值(0.0536)。结果表明，第二和第三好的方法是MOEA/DAAD-CART和TMOA/DAAD-CART。这两种方法框架都是基于分解策略。这一现象与AAD的7种最优配置是一致的，它们都选择分解策略作为其适应度评价方法。
从图9可以看出，方差分析结果显示，CMOEAAAD-CART再次优于其它五种方法框架。由此可见，CMOEAAAD-CART方法得到的Pareto解（帕雷托解）质量最好，得到的PF（帕雷托解最优前沿）与真实PF最相似。
综上所述，在C值和IGD值上，将CMOEAAAD-CART与其他5种方法进行比较，可以证明CMOEA方法的有效性。将CMOEAAAD-CART与TMOA/DAAD-CART和MOHIGAAD-CART这两种设计良好的HFSP变体方法框架进行比较，也可以验证自动化方法的有效性。
实施例三
本发明还提供了一种多目标一致分批混合流水车间调度优化系统，使用上述的任一多目标一致分批混合流水车间调度优化方法，包括多台流水车间待调度设备和控制调度模块；
控制调度模块，采集流水车间数据集I，所述流水车间数据集至少包括加工单元数据集、机器数据集、加工批次数据集和工序阶段数据集；基于CMOEA框架构建流水车间调度优化模型和算法配置空间C；采用I/F-Race学习模型对所述流水车间调度优化模型进行学习训练，自所述算法配置空间中获取算法配置c i ；构建CART评估模型，代入所述流水车间数据集，对所述算法配置c i 进行性能评价预测，根据评价预测结果进入I/F-Race学习模型进行迭代学习训练，直至获取最优算法配置c r ，得到最终流水车间调度优化模型F；以总完工时间和子批总数为优化目标，输入所述流水车间数据集，利用最终流水车间调度优化模型F进行求解，获取最优解集；根据最优解集选择流水车间待调度设备，发出调度指令。
以上仅为本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。
Claims (10)
1.一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：
具体包括以下步骤：
S1、采集流水车间数据集I，所述流水车间数据集至少包括加工单元数据集、机器数据集、加工批次数据集和工序阶段数据集；
S2、基于CMOEA框架构建流水车间调度优化模型和算法配置空间C；
S3、采用I/F-Race学习模型对所述流水车间调度优化模型进行学习训练，自所述算法配置空间C中获取算法配置c i ；
S4、构建CART评估模型，代入所述流水车间数据集，对所述算法配置c i 进行性能评价预测，根据评价预测结果进入I/F-Race学习模型进行迭代学习训练，直至获取最优算法配置c r ，得到最终流水车间调度优化模型F；
S5、以总完工时间和子批总数为优化目标，输入所述流水车间数据集，利用最终流水车间调度优化模型F进行求解，获取最优解集。
2.根据权利要求1中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：
在步骤S4中，CART评估模型对所述算法配置c i 进行性能评价预测的方法为：
将所述算法配置c i 在测试集I上进行测试，并基于反世代距离指标和非参数检验，预测是否属于精英算法配置；
若不属于，则舍弃该算法配置c i ，获取算法配置c i+1 继续进行测试；
若属于，则基于该算法配置c i 重新构建I/F-Race学习模型和CART模型，并基于新的I/F-Race学习模型自所述算法配置空间中获取算法配置并利用新的CART模型进行性能评价；
重复上述过程，进行迭代训练，达到终止条件后，输出筛选出的最优配置。
3.根据权利要求2中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：
所述CART评估模型预测算法配置c i 是否属于精英算法配置后，若不属于，则将该算法配置c i 打上永久次级标签并舍弃，
若属于，则将该算法配置c i 打上精英标签并进入迭代训练中。
4.根据权利要求3中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：
当存在算法配置c j 被打上永久次级标签后，若在迭代训练过程中再次出现该算法配置c j ，则不会进入测试性能评价，直接舍弃，获取算法配置c j+1 继续进行测试。
5.根据权利要求1中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：
基于CMOEA框架构建流水车间调度优化模型求解的过程为：
初始化，生成初始种群；进行种群进化迭代训练；当满足终止准则之后，停止种群进化迭代训练，并输出非支配解。
6.根据权利要求5中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：
种群进化迭代训练的具体步骤为：
通过对初始种群中选择的交配个体执行协同方法，产生一个种群规模大小为ps的子代种群；利用解码方法获得初始种群和子代种群中个体的目标值并分配适应度值，进行种群适应度值评估；进行环境选择；对子代种群中的每个个体执行邻域搜索，如果使用邻域结构的连续失败更新次数达到预设的最大连续更新失败次数，则邻域结构将切换到下一个领域；如果使用协作算子和邻域结构的连续失败更新次数满足预设的最大连续更新失败次数，对子代种群中的每个个体执行种群重启方法。
7.根据权利要求6中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：
在求解过程中，至少采用下述方法中的一种：基于分解的方法DBM、基于非支配排序的方法NSBM和基于指标的方法IBM。
8.根据权利要求7中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：
采用基于分解的方法DBM进行流水车间调度优化模型求解，
则初始化过程中，生成初始种群，且生成一组均匀分布的权重向量，并且给所述初始种群中每个个体分配一个唯一的权向量；每个个体在邻域规模大小为ns的邻域中选择交配对象，执行协同方法产生后代；环境选择中，初代种群中每个个体与子代种群中具有相同权重向量及其邻域个体进行比较，如果初始种群中的个体具有更好的适应度值，则进行更新。
9.根据权利要求7中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：
采用基于非支配排序的方法NSBM进行流水车间调度优化模型求解，
则种群进化迭代训练中，基于锦标赛规则在子代种群中选择两个交配个体，执行协同方法产生后代；环境选择中，将初始种群和子代种群合并为复合种群，按快速非支配排序技术对种群中的个体进行排序，取与种群规模ps相同的个体进入新的子代种群中。
10.根据权利要求7中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：
采用基于非支配排序的方法NSBM进行流水车间调度优化模型求解，
则种群进化迭代训练中，基于锦标赛规则在子代种群中选择两个交配个体，执行协同方法产生后代；环境选择中，将初始种群和子代种群合并为复合种群，将指标适应度值最低的个体依次去除，直到剩余个体数量为种群规模ps。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211593325.6A CN115660227B (zh) | 2022-12-13 | 2022-12-13 | 一种基于cart增强的混合流水车间调度模型优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211593325.6A CN115660227B (zh) | 2022-12-13 | 2022-12-13 | 一种基于cart增强的混合流水车间调度模型优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115660227A true CN115660227A (zh) | 2023-01-31 |
| CN115660227B CN115660227B (zh) | 2023-05-30 |
Family
ID=85018644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211593325.6A Active CN115660227B (zh) | 2022-12-13 | 2022-12-13 | 一种基于cart增强的混合流水车间调度模型优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115660227B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090307638A1 (en) * | 2008-05-16 | 2009-12-10 | Solido Design Automation Inc. | Trustworthy structural synthesis and expert knowledge extraction with application to analog circuit design |
| US20180082209A1 (en) * | 2016-09-16 | 2018-03-22 | The Aerospace Corporation | Systems and Methods for Multi-Objective Optimizations with Objective Space Mapping |
| US20200311581A1 (en) * | 2019-04-16 | 2020-10-01 | Jiangnan University | High quality pattern mining model and method based on improved multi-objective evolutionary algorithm |
| CN112882449A (zh) * | 2021-01-13 | 2021-06-01 | 沈阳工业大学 | 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 |
| CN112926664A (zh) * | 2021-03-01 | 2021-06-08 | 南京信息工程大学 | 基于进化算法的特征选择与cart森林的短时强降水预报方法 |
| CN115296898A (zh) * | 2022-08-03 | 2022-11-04 | 南京大学 | 用于构建网络入侵检测系统的多目标演化特征选择方法 |
-
2022
- 2022-12-13 CN CN202211593325.6A patent/CN115660227B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090307638A1 (en) * | 2008-05-16 | 2009-12-10 | Solido Design Automation Inc. | Trustworthy structural synthesis and expert knowledge extraction with application to analog circuit design |
| US20180082209A1 (en) * | 2016-09-16 | 2018-03-22 | The Aerospace Corporation | Systems and Methods for Multi-Objective Optimizations with Objective Space Mapping |
| US20200311581A1 (en) * | 2019-04-16 | 2020-10-01 | Jiangnan University | High quality pattern mining model and method based on improved multi-objective evolutionary algorithm |
| CN112882449A (zh) * | 2021-01-13 | 2021-06-01 | 沈阳工业大学 | 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 |
| CN112926664A (zh) * | 2021-03-01 | 2021-06-08 | 南京信息工程大学 | 基于进化算法的特征选择与cart森林的短时强降水预报方法 |
| CN115296898A (zh) * | 2022-08-03 | 2022-11-04 | 南京大学 | 用于构建网络入侵检测系统的多目标演化特征选择方法 |
Non-Patent Citations (3)
| Title |
|---|
| BIAO ZHANG、等: "A decomposition-based multi-objective evolutionary algorithm for hybrid flowshop rescheduling problem with consistent sublots" * |
| XINLI ZHANG、等: "An evolutionary algorithm for a hybrid flowshop scheduling problem with consistent sublots" * |
| 张彪、等: "多目标变分批混合流水车间调度算法自动设计" * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115660227B (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rahmani Hosseinabadi et al. | Extended genetic algorithm for solving open-shop scheduling problem | |
| Song et al. | Flexible job-shop scheduling via graph neural network and deep reinforcement learning | |
| Ali et al. | A novel design of differential evolution for solving discrete traveling salesman problems | |
| Gen et al. | Genetic algorithms and their applications | |
| Shen et al. | Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems | |
| CN110632907B (zh) | 一种分布式装配式置换流水车间调度优化方法及系统 | |
| Giffler et al. | Algorithms for solving production-scheduling problems | |
| Ghasemi et al. | Evolutionary learning based simulation optimization for stochastic job shop scheduling problems | |
| Hekmatfar et al. | Two stage reentrant hybrid flow shop with setup times and the criterion of minimizing makespan | |
| Khettabi et al. | Sustainable reconfigurable manufacturing system design using adapted multi-objective evolutionary-based approaches | |
| Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
| Elmi et al. | Cyclic job shop robotic cell scheduling problem: Ant colony optimization | |
| CN112766659B (zh) | 一种分布式混合流水车间调度方法、介质和系统 | |
| CN104636871A (zh) | 一种基于数据的单阶段多产品批处理的控制方法 | |
| Gholami et al. | Solving parallel machines job-shop scheduling problems by an adaptive algorithm | |
| Liu et al. | Solving the rotating seru production problem with dynamic multi-objective evolutionary algorithms | |
| He | Minimization of maximum lateness in an m-machine permutation flow shop with a general exponential learning effect | |
| Shao et al. | A multi-neighborhood-based multi-objective memetic algorithm for the energy-efficient distributed flexible flow shop scheduling problem | |
| CN116027753A (zh) | 一种多目标混合流水车间调度方法及系统 | |
| Cil | An exact solution method for multi-manned disassembly line design with AND/OR precedence relations | |
| Khurshid et al. | Fast evolutionary algorithm for flow shop scheduling problems | |
| Casado et al. | Grouping products for the optimization of production processes: A case in the steel manufacturing industry | |
| Zhang et al. | Dynamic scheduling for flexible job shop with insufficient transportation resources via graph neural network and deep reinforcement learning | |
| Teymourifar et al. | A comparison between two modified NSGA-II algorithms for solving the multi-objective flexible job shop scheduling problem | |
| Hendizadeh et al. | Bi-criteria scheduling of a flowshop manufacturing cell with sequence dependent setup times |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Biao Inventor after: Meng Leilei Inventor after: Han Yuyan Inventor after: Sang Hongyan Inventor after: Jia Baoxian Inventor after: Zhao Lufei Inventor after: Zhang Xinli Inventor before: Zhang Xinli Inventor before: Zhang Biao Inventor before: Meng Leilei Inventor before: Zhao Lufei Inventor before: Sang Hongyan Inventor before: Han Yuyan Inventor before: Jia Baoxian |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |