WO2019153429A1 - 一种基于有限制稳定配对策略的柔性作业车间调度方法 - Google Patents

一种基于有限制稳定配对策略的柔性作业车间调度方法 Download PDF

Info

Publication number
WO2019153429A1
WO2019153429A1 PCT/CN2018/079333 CN2018079333W WO2019153429A1 WO 2019153429 A1 WO2019153429 A1 WO 2019153429A1 CN 2018079333 W CN2018079333 W CN 2018079333W WO 2019153429 A1 WO2019153429 A1 WO 2019153429A1
Authority
WO
WIPO (PCT)
Prior art keywords
sub
preference
solution
matrix
value
Prior art date
Application number
PCT/CN2018/079333
Other languages
English (en)
French (fr)
Inventor
朱启兵
杨宇
黄敏
郭亚
Original Assignee
江南大学
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 江南大学 filed Critical 江南大学
Priority to AU2018407695A priority Critical patent/AU2018407695B2/en
Priority to US16/325,571 priority patent/US20200026264A1/en
Publication of WO2019153429A1 publication Critical patent/WO2019153429A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063116—Schedule adjustment for a person or group
    • 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
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32091—Algorithm, genetic algorithm, evolution strategy
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop

Definitions

  • the invention belongs to the field of job shop scheduling, and relates to a method for solving a multi-objective flexible job shop scheduling problem, in particular to a flexible job shop scheduling method based on a limited stable matching strategy.
  • Job shop scheduling plays an important role in optimizing the allocation and scientific operation of resources, and is the key to achieving stable and efficient operation of the manufacturing system.
  • Flexible Job-shop Scheduling Problem refers to the processing machine and working time of each workpiece process in the job shop where the parallel machine and the multi-function machine coexist, so as to achieve a given multi-performance index. optimization.
  • FJSP breaks through the limitations of the classic shop scheduling problem on machine constraints. Each process can be machined on multiple machines, which can better reflect the flexible characteristics of modern manufacturing systems, and is closer to the actual production process.
  • FJSP includes two problems of machine allocation and process scheduling. It has many constraints and high computational complexity, and is a typical NP-hard problem.
  • the object of the present invention is to overcome the insufficiency of the original method to provide a broad optimization scheduling scheme, and propose a method for solving a multi-objective FJSP by using a constrained stable matching strategy, which can utilize the restriction information to improve the diversity of the solution, thereby making the decision maker Provide a better, more scheduling solution.
  • a flexible job shop scheduling method based on a restricted stable matching strategy the steps are as follows:
  • C2 selects the angle of the solution relative to the sub-problem as the position information ⁇ ;
  • C3 constructs an adaptive transfer function and uses the position information ⁇ to obtain the restriction information
  • C4 obtains the preference value by adding the preference value calculation formula of the restriction information to the sub-question of the solution, and sorts the preference value in ascending order, obtains the preference order of all the solutions of the sub-question, and performs the same operation on all the sub-problems to obtain the sub-problem solution.
  • Preference matrix ⁇ p Preference matrix ⁇ p ;
  • C5 obtains the preference value by solving the preference value of the pair of sub-questions, and sorts the preference values in ascending order to obtain the preference sequence of all sub-problems, and performs the same operation on all sub-problems to obtain the preference matrix of the solution to the sub-problem ⁇ x ;
  • C6 takes the information of the preference matrix ⁇ p , ⁇ x as input, and obtains the stable pairing relationship between the sub-problem and the solution through the delay acceptance procedure, thereby selecting the progeny solution and simultaneously selecting the chromosome corresponding to the progeny solution;
  • the population Pareto solution set is output, and the decision maker selects a chromosome from the Pareto solution set according to actual requirements, and decodes it to form a feasible scheduling scheme; otherwise, returns to step b.
  • step c3 The restriction information described in step c3 is obtained by the position information ⁇ and the transfer function, and the transfer function is as shown in equation (1).
  • L is the control parameter
  • the calculation step of the sub-problem to the solution preference matrix ⁇ p is: the sub-question p calculates the preference value ⁇ p of the candidate solution x by the formula (2), thereby obtaining the sub-problem p for 2N candidate solutions. Preference value, the preference value is processed in ascending order, and the preference order of the solution is obtained by a sub-question. As a row of the preference matrix ⁇ p , the preference ranking of all sub-problems is calculated according to the same method, and the sub-problem with the restriction information is obtained.
  • the preference matrix ⁇ p for the solution, so ⁇ p is an N ⁇ 2N matrix;
  • step c5 the calculation steps of the preference matrix ⁇ x for solving the sub-problem are:
  • the preference value of the solution x to the sub-problem p is calculated by the formula (3), whereby the preference value of the solution x to the N sub-problems can be obtained, and the preference value is processed in ascending order to obtain a preference ranking of the solution to the sub-problem, which is taken as a row of preference matrix ⁇ x , so ⁇ x is a 2N ⁇ N matrix;
  • the invention has the beneficial effects that the restriction information is added to the sub-problem to calculate the solution preference value, so that the solution close to the sub-problem is in the front end of the sub-problem pair solution matrix to improve the selection of the solution close to the sub-problem in the target space. Probability. In this way, the diversity of the selected solutions in the evolution process is improved, and the selected solution is avoided from converging in a very narrow region, and the problem of excessive convergence is solved.
  • the main purpose of the above approach is to balance the diversity and convergence of the solution in the evolution process to obtain a Pareto solution set with better convergence and diversity at the end of the algorithm.
  • the Pareto solution set obtained by the above method can obtain an optimized scheduling scheme more in line with actual production requirements through the decoding operation.
  • Figure 1 is a flow chart of the algorithm.
  • Figure 2 is a diagram of the action of the limit operator.
  • Figure 3 shows the Pareto frontier for solving the actual production order with different solution strategies.
  • the method for solving a multi-target FJSP by using the limited stable matching strategy includes the following steps:
  • each evolutionary operation generates N progeny chromosomes;
  • L is the control parameter
  • the preference value of the candidate solution x, x ⁇ S can be calculated by the formula (5).
  • the preference value p r of the sub-problems 2N candidate solutions the preference values in ascending to give a sort of preference subproblem solutions will ⁇ p as a row, so ⁇ p matrix of N ⁇ 2N;
  • ⁇ r is the weight vector of the sub-problem p r and z * is the reference point;
  • the preference value of the solution x ⁇ X for the subproblem p ⁇ P is calculated by equation (6).
  • the preference value of the solution x t for the N subproblems is calculated, and the preference values are processed in ascending order to obtain a preference for the pair of subproblems. sorting, as the line ⁇ x, and ⁇ x and therefore of 2N ⁇ N matrix;
  • step b If g ⁇ K then return to step b, otherwise output Pareto solution set, and select a solution according to the will of the decision maker and decode it into a feasible scheduling scheme.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Educational Administration (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)

Abstract

一种基于有限制稳定配对策略的柔性作业车间调度方法，属于作业车间调度领域。该方法设计方案为：a、通过整数编码生成初始染色体种群，并初始化有关参数；b、对父代染色体进行交叉、变异操作，获得子代染色体；c、将子代染色体和父代染色体组成待选染色体集合，通过有限制的稳定配对操作，从中选择下一代染色体；d、若满足截止条件停止算法，否则返回步骤b。其将有限制稳定配对策略引入选择子代染色体的过程中，来解决多目标柔性作业车间调度问题，用来克服现有多目标柔性作业车间调度问题解决方法在解决此类问题时出现的种群分布性和收敛性不足的缺点，可得到更为优秀的调度方案，实时性好，可靠性高。

Description

一种基于有限制稳定配对策略的柔性作业车间调度方法 技术领域
本发明属于作业车间调度领域，涉及一种多目标柔性作业车间调度问题的求解方法，尤其是一种基于有限制稳定配对策略的柔性作业车间调度方法。
背景技术
作业车间调度对资源的优化配置和科学运作起着重要的作用，是企业实现制造系统平稳、高效运转的关键。柔性作业车间调度问题(Flexible Job-shop Scheduling Problem，简称FJSP)是指在并行机和多功能机并存的作业车间内合理安排各工件工序的加工机器和作业时间，以实现给定的多性能指标优化。FJSP突破了经典车间调度问题对机器约束的限制，每个工序可以在多台机器上加工，能够更好地体现现代制造系统的柔性特征，也更贴近实际生产的加工流程。FJSP包含了机器分配和工序调度两个问题，具有约束条件多、计算复杂度高等特点，属于典型的NP-hard问题。研究FJSP的求解策略一直是生产管理及组合优化领域的研究热点之一，具有重要的理论和实际应用价值。利用现有的FJSP求解算法得到的解，能够较好地收敛到Pareto前沿，有较好的收敛性能，从与Pareto前沿对应的Pareto解集中可以选择较好的染色体，并解码成符合决策要求的调度方案，但因算法本身在多样性的不足，以至于无法为决策者提供更为宽泛的调度方案。
发明内容
本发明的目的是为了克服原方法无法提供宽泛优化调度方案的不足，提出了一种利用有限制稳定配对策略求解多目标FJSP的方法，其能够利用限制信息改善解的多样性，从而为决策者提供更好的、更多的调度方案。
本发明的技术方案：
一种基于有限制稳定配对策略的柔性作业车间调度方法，步骤如下：
a、相关参数初始化：根据生产订单的具体内容，通过整数编码得到满足约束条件的初始染色体种群，确定每个子问题的临域，并计算适应度值；
b、从每个子问题的临域中选择父代染色体，通过模拟二进制交叉和多项式变异生成子代染色体，并计算适应度值；
c、选择子代种群：
c1将新生成的子代染色体集合和原始父代染色体集合合并成待选染色体集合S＝{s 1,s 2,...,s 2N}，并将其映射到目标空间中，得到待选解集合X＝{x 1,x 2,...,x 2N}，子问题集合P＝{p 1,...,p t,...,p N}，权向量集合w＝{ω 1,...,ω t,...,ω N}，其中，N为染色体个数；
c2选用解相对于子问题的角度作为位置信息θ；
c3构造自适应转移函数，并利用位置信息θ得到限制信息；
c4通过加入限制信息的子问题对解的偏好值计算式得到偏好值，将偏好值按升序排列，得到子问题对所有解的偏好排序，将所有子问题进行同样操作，得到子问题对解的偏好矩阵ψ p；
c5通过解对子问题的偏好值计算式得到偏好值，将偏好值按升序排列，得到解对所有子问题的偏好序列，将所有子问题进行同样操作，得到解对子问题的偏好矩阵ψ x；
c6将偏好矩阵ψ p、ψ x的信息作为输入，通过延迟接受程序得到子问题和解的稳定配对关系，从而选择子代解，并同时选择与子代解相对应的染色体；
d、当满足截止条件时，则输出种群Pareto解集，决策者根据实际要求，从Pareto解集中选择一条染色体，并将其解码形成可行的调度方案；否则返回步骤b。
所述步骤c2中位置信息θ的获取：首先将m维目标空间F(x)＝[f 1(x),…f l(x),…f m(x)]∈R m转化为
Figure PCTCN2018079333-appb-000001
个二维空间F c(x)＝[f u(x),f v(x)]；其中，c为二维空间编号，
Figure PCTCN2018079333-appb-000002
u、v为空间维数编号，u、v∈[1,2,…,m]；f u(x),f v(x)分别表示解x∈X在二维空间中的目标值；然后确定子问题p∈P对应的权向量ω∈w在二维空间的分量ω uv＝(ω u,ω v)；最后计算位置信息θ的一个夹角分量θ uv(x,p)：θ uv(x,p)＝arctan(|f u(x)-ω u|/|f v(x)-ω v|)，其中，角度θ为子问题p与解x在
Figure PCTCN2018079333-appb-000003
个二维平面上的夹角分量之和,θ uv(x,p)∈[0,π/2]；
步骤c3中所述的限制信息是通过位置信息θ和转移函数获得的，转移函数如式(1)
Figure PCTCN2018079333-appb-000004
其中，L为控制参数，L越大转移函数越均匀；为解决迭代前期过度收敛问题，且保证迭代后期收敛性和多样性的平衡，随着算法迭代，L设置从1逐步增加到20；
所述步骤c4中，子问题对解的偏好矩阵ψ p的计算步骤为：子问题p对候选解x的偏好值Δp通过式(2)计算，由此得到子问题p对2N个候选解的偏好值，将偏好值做升序处理，得到一个子问题对解的偏好排序，将其作为偏好矩阵ψ p的一行，按照同样方法计算所有子问题对解的偏好排序，得到带限制信息的子问题对解的偏好矩阵ψ p，故ψ p为N×2N矩阵；
Figure PCTCN2018079333-appb-000005
其中，ω为子问题p的权向量，z *为参考点，其中，
Figure PCTCN2018079333-appb-000006
所述步骤c5中，解对子问题的偏好矩阵ψ x的计算步骤为：
解x对子问题p的偏好值通过式(3)计算，由此可得到解x对N个子问题的偏好值，将偏好值做升序处理，得到一个解对子问题的偏好排序，将其作为偏好矩阵ψ x的一行，故ψ x为2N×N矩阵；
Figure PCTCN2018079333-appb-000007
其中，
Figure PCTCN2018079333-appb-000008
是解x标准化的目标向量，||·||为欧式距离；
本发明的有益效果：将限制信息加入到子问题对解偏好值的计算中，使靠近子问题的解处于子问题对解偏好矩阵的前端，以提高目标空间中靠近子问题的解的被选择概率。这样，在进化过程中被选解的多样性得到提高，避免了被选解收敛在一个很狭小的区域内，解决了过度收敛问题。上述做法的主要目的是为平衡演化过程中解的多样性和收敛性，以在算法结束时得到收敛性、多样性更好的Pareto解集。由上述方法得到的Pareto解集，通过解码操作，可得到更为符合实际生产要求的优化调度方案。
附图说明
图1为本算法的流程图。
图2为限制算子作用图。
图3为不同求解策略求解实际生产订单的Pareto前沿。
结合附图，本发明实施例中附图标记如下：
1-未加限制信息选择到的解的分布；2-加限制信息选择到的解的分布；3-利用本发明提出的求解策略求解FJSP得到的Pareto前沿；4-利用带精英策略的非支配排序的遗传算法求解策略求解FJSP得到的Pareto前沿；5-利用基于稳定配对选择策略的多目标进化算法求解策略求解FJSP得到的Pareto前沿。
具体实施方式
下面结合具体附图和实施例对本发明进一步说明。
如图1所示：为了得到更符合实际生产的生产过程调度方案，本发明利用有限制稳定配对策略求解多目标FJSP的方法包括如下步骤：
a、初始化有关参数和种群
a1、初始化各相关参数，包括种群包含目标空间维数m＝2、染色体个数N＝40、交叉概率P c＝0.8、变异概率P m＝0.6、迭代次数K＝400、临域参数T＝5以及限制算子控制参数L＝1；
a2、设置一组均匀分布的权向量w＝{ω 1,...,ω t,...,ω N},其中一个向量ω t＝(ω t,1,…,ω t,l,…,ω t,m)∈R m,ω t,l≥0,同时可得子问题集合P＝{p 1,...,p t,...,p N}，计算每一个权向量与其它权向量的欧氏距离，对权向量ω t,t＝1,2,...,N,设置一个集合B(t)＝{t 1,t 2,...,t T}，此时
Figure PCTCN2018079333-appb-000009
为离ω t最近的T个向量；
a3、随机产生N个整数编码染色体的种群S＝{s 1,s 2,...,s N},计算适应度值，得到在目标空间中的解集X＝{x 1,x 2,...,x N}，令g＝1；并初始化参考点
Figure PCTCN2018079333-appb-000010
其中
Figure PCTCN2018079333-appb-000011
以“3工件3机器”为例，通过整数编码得到一条满足约束条件的染色体，如下表所示：
Figure PCTCN2018079333-appb-000012
b、生成子代染色体
对于权向量i，从B(i)随机选择中随机选择两个索引:τ,κ.进而选择两染色体s κ和s τ，并将s κ和s τ作为父代染色体按照交叉概率P c进行模拟二进制交叉操作，按照变异概率P m进行多项式变异操作，生成一个子代染色体s N+i，并计算适应度值得到解x N+i。按照上述操作，每一次进化操作都生成N个子代染色体；
c、从被选集合中选择合适的子代种群
c1、将新生成子代染色体集合和原始父代染色体集合合并成待选染色体集合S＝{s 1,s 2,...,s 2N}，待选解集合为X＝{x 1,x 2,...,x 2N}；
c2、首先将m维目标空间F(x)＝[f 1(x),…f l(x),…f m(x)]∈R m转化为
Figure PCTCN2018079333-appb-000013
个二维空间F c(x)＝[f u(x),f v(x)]；其中，c为二维空间编号，
Figure PCTCN2018079333-appb-000014
u、v为空间维数编号，u、v∈[1,2,…,m]；f u(x),f v(x)分别表示解x∈X在二维空间中的目标值；然后确定子问题p∈P对应的权向量ω∈w在二维空间的分量ω uv＝(ω u,ω v)；最后计算位置信息θ的一个夹角分量θ uv(x,p)： θ uv(x,p)＝arctan(|f u(x)-ω u|/|f v(x)-ω v|)，其中，角度θ uv(x,p)为子问题p与解x在
Figure PCTCN2018079333-appb-000015
个二维平面上的夹角分量之和,θ uv(x,p)∈[0,π/2]，θ为所有夹角分量的代数和；
c3、构造一个自适应转移函数，并引入位置信息θ，即
Figure PCTCN2018079333-appb-000016
其中，L为控制参数，L越大转移函数越均匀；为解决迭代前期过度收敛问题，且保证迭代后期收敛性和多样性的平衡，随着算法迭代，L设置从1逐步增加到20；
c4、通过加入限制信息的子问题对解偏好计算式计算偏好值，如子问题p r,r＝1,…,N对候选解x,x∈S的偏好值可通过式(5)计算，由此可得到子问题p r对2N候选解的偏好值，将偏好值做升序处理，得到一个子问题对解的偏好排序，将其作为ψ p的一行，故ψ p为N×2N矩阵；
Figure PCTCN2018079333-appb-000017
其中，ω r为子问题p r的权向量，z *为参考点；
c5、解x∈X对子问题p∈P的偏好值通过式(6)计算，如计算解x t对N个子问题的偏好值，将偏好值做升序处理，得到一个解对子问题的偏好排序，将其作为ψ x的一行，故ψ x为2N×N矩阵；
Figure PCTCN2018079333-appb-000018
其中，
Figure PCTCN2018079333-appb-000019
是解x标准化的目标向量，||·||为欧式距离；
c6、将偏好矩阵ψ p、ψ x的信息作为输入，通过递延接受程序选择解，同时选择与被选解想对应的染色体，并令g＝g+1；
d、判断是否满足截止条件
若g＜K则返回步骤b，否则输出Pareto解集，并按照决策者的意愿选择某个解并将其解码成可行的调度方案。
本发明在演化过程中选择到的解多样性好，如图2所示，所选到的解均匀的分布在目标空间中。图3证明本发明在实际生产过程的优化调度中是有效的。

Claims (8)

  1. 一种基于有限制稳定配对策略的柔性作业车间调度方法，其特征在于，步骤如下：
    (a)相关参数初始化：根据生产订单的具体内容，通过整数编码得到满足约束条件的初始染色体种群，确定每个子问题的临域，并计算适应度值；
    (b)从每个子问题的临域中选择父代染色体，通过模拟二进制交叉和多项式变异生成子代染色体，并计算适应度值；
    (c)选择子代种群：
    (c1)将新生成的子代染色体集合和原始父代染色体集合合并成待选染色体集合S＝{s 1,s 2,...,s 2N}，并将其映射到目标空间中，得到待选解集合X＝{x 1,x 2,...,x 2N}，子问题集合P＝{p 1,...,p t,...,p N}，权向量集合w＝{ω 1,...,ω t,...,ω N}，其中，N为染色体个数；
    (c2)选用解相对于子问题的角度作为位置信息θ；
    (c3)构造自适应转移函数，并利用位置信息θ得到限制信息；
    (c4)通过加入限制信息的子问题对解的偏好值计算式得到偏好值，将偏好值按升序排列，得到子问题对所有解的偏好排序，将所有子问题进行同样操作，得到子问题对解的偏好矩阵ψ p；
    (c5)通过解对子问题的偏好值计算式得到偏好值，将偏好值按升序排列，得到解对所有子问题的偏好序列，将所有子问题进行同样操作，得到解对子问题的偏好矩阵ψ x；
    (c6)将偏好矩阵ψ p、ψ x的信息作为输入，通过延迟接受程序得到子问题和解的稳定配对关系，从而选择子代解，并同时选择与子代解相对应的染色体；
    (d)当满足截止条件时，则输出种群Pareto解集，决策者根据实际要求，从Pareto解集中选择一条染色体，并将其解码形成可行的调度方案；否则返回步骤(b)。
  2. 根据权利要求1所述的柔性作业车间调度方法步骤，其特征在于：所述步骤(c2)中位置信息θ的获取过程如下：
    首先将m维目标空间F(x)＝[f 1(x),…f l(x),…f m(x)]∈R m转化为
    Figure PCTCN2018079333-appb-100001
    个二维空间F c(x)＝[f u(x),f v(x)]；其中，c为二维空间编号，
    Figure PCTCN2018079333-appb-100002
    u、v为空间维数编号，u、v∈[1,2,...,m]；f u(x),f v(x)分别表示解x∈X在二维空间中的目标值；然后确定子问题p∈P对应的权向量ω∈w在二维空间的分量ω uv＝(ω u,ω v)；最后计算位置信息θ的一个夹角分量θ uv(x,p)：
    θ uv(x,p)＝arctan(|f u(x)-ω u|/|f v(x)-ω v|)，其中，θ uv(x,p)∈[0,π/2]，θ为解与子问题的
    Figure PCTCN2018079333-appb-100003
    个夹角分量的代数和。
  3. 根据权利要求1或2所述的柔性作业车间调度方法步骤，其特征在于：步骤(c3)中所述的限制信息是通过位置信息θ和转移函数获得的，转移函数如式(1)：
    Figure PCTCN2018079333-appb-100004
    其中，L为控制参数，L越大转移函数越均匀；为解决迭代前期过度收敛问题，且保证迭代后期收敛性和多样性的平衡，随着算法迭代，L设置从1逐步增加到20。
  4. 根据权利要求1或2所述一种基于有限制稳定配对策略的柔性作业车间调度方法步骤，其特征在于：所述步骤(c4)中，子问题对解的偏好矩阵ψ p的计算步骤为：
    子问题p对解x的偏好值Δp通过式(2)计算，由此得到子问题p对2N个解的偏好值，将偏好值做升序处理，得到一个子问题对解的偏好排序，将其作为偏好矩阵ψ p的一行，按照同样方法计算所有子问题对解的偏好排序，得到带限制信息的子问题对解的偏好矩阵ψ p，故ψ p为N×2N矩阵；
    Figure PCTCN2018079333-appb-100005
    其中，ω为子问题p的权向量，z *为参考点，其中，
    Figure PCTCN2018079333-appb-100006
  5. 根据权利要求3所述的柔性作业车间调度方法步骤，其特征在于：所述步骤(c4)中，子问题对解的偏好矩阵ψ p的计算步骤为：
    子问题p对解x的偏好值Δp通过式(2)计算，由此得到子问题p对2N个解的偏好值，将偏好值做升序处理，得到一个子问题对解的偏好排序，将其作为偏好矩阵ψ p的一行，按照同样方法计算所有子问题对解的偏好排序，得到带限制信息的子问题对解的偏好矩阵ψ p；
    Figure PCTCN2018079333-appb-100007
    其中，ω为子问题p的权向量，z *为参考点，其中，
    Figure PCTCN2018079333-appb-100008
  6. 根据权利要求1、2或5所述的柔性作业车间调度方法步骤，其特征在于：所述步骤(c5)中，解对子问题的偏好矩阵ψ x的计算步骤为：
    解x对子问题p的偏好值通过式(3)计算，由此得到解x对N个子问题的偏好值，将偏好 值做升序处理，得到一个解对子问题的偏好排序，将其作为偏好矩阵ψ x的一行，故ψ x为2N×N矩阵；
    Figure PCTCN2018079333-appb-100009
    其中，
    Figure PCTCN2018079333-appb-100010
    是解x标准化的目标向量，||·||为欧式距离。
  7. 根据权利要求3所述的柔性作业车间调度方法步骤，其特征在于：所述步骤(c5)中，解对子问题的偏好矩阵ψ x的计算步骤为：
    解x对子问题p的偏好值通过式(3)计算，由此得到解x对N个子问题的偏好值，将偏好值做升序处理，得到一个解对子问题的偏好排序，将其作为偏好矩阵ψ x的一行，故ψ x为2N×N矩阵；
    Figure PCTCN2018079333-appb-100011
    其中，
    Figure PCTCN2018079333-appb-100012
    是解x标准化的目标向量，||·||为欧式距离。
  8. 根据权利要求4所述的柔性作业车间调度方法步骤，其特征在于：所述步骤(c5)中，解对子问题的偏好矩阵ψ x的计算步骤为：
    解x对子问题p的偏好值通过式(3)计算，由此得到解x对N个子问题的偏好值，将偏好值做升序处理，得到一个解对子问题的偏好排序，将其作为偏好矩阵ψ x的一行，故ψ x为2N×N矩阵；
    Figure PCTCN2018079333-appb-100013
    其中，
    Figure PCTCN2018079333-appb-100014
    是解x标准化的目标向量，||·||为欧式距离。
PCT/CN2018/079333 2018-02-07 2018-03-16 一种基于有限制稳定配对策略的柔性作业车间调度方法 WO2019153429A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
AU2018407695A AU2018407695B2 (en) 2018-02-07 2018-03-16 Constrained stable matching strategy-based flexible job-shop scheduling method
US16/325,571 US20200026264A1 (en) 2018-02-07 2018-03-16 Flexible job-shop scheduling method based on limited stable matching strategy

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810124599.8A CN108320057B (zh) 2018-02-07 2018-02-07 一种基于有限制稳定配对策略的柔性作业车间调度方法
CN201810124599.8 2018-02-07

Publications (1)

Publication Number Publication Date
WO2019153429A1 true WO2019153429A1 (zh) 2019-08-15

Family

ID=62903883

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/079333 WO2019153429A1 (zh) 2018-02-07 2018-03-16 一种基于有限制稳定配对策略的柔性作业车间调度方法

Country Status (4)

Country Link
US (1) US20200026264A1 (zh)
CN (1) CN108320057B (zh)
AU (1) AU2018407695B2 (zh)
WO (1) WO2019153429A1 (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105164A (zh) * 2019-12-24 2020-05-05 北京理工大学 一种车间调度方法、装置及设备
CN111259312A (zh) * 2020-01-15 2020-06-09 深圳大学 多目标流水车间调度方法、装置、计算机设备及存储介质
CN111598297A (zh) * 2020-04-15 2020-08-28 浙江工业大学 基于剩余工序最大值优选的柔性作业车间调度机器选择方法
CN112327621A (zh) * 2020-11-02 2021-02-05 金航数码科技有限责任公司 一种基于蚁群算法的柔性生产线自适应控制系统及方法
CN112381273A (zh) * 2020-10-30 2021-02-19 贵州大学 一种基于u-nsga-iii算法的多目标作业车间节能优化方法
CN112418478A (zh) * 2020-08-12 2021-02-26 贵州大学 一种柔性流水车间下的低碳调度模型及节能优化方法
CN112668864A (zh) * 2020-12-24 2021-04-16 山东大学 一种基于狮群算法的车间生产排产方法及系统
CN112734280A (zh) * 2021-01-20 2021-04-30 树根互联技术有限公司 生产订单配送方法、装置及电子设备
CN113050422A (zh) * 2021-03-09 2021-06-29 东北大学 基于maximin函数多目标优化算法的多机器人调度方法
CN113377073A (zh) * 2021-06-28 2021-09-10 西南交通大学 一种基于双层多智能体系统的柔性作业车间调度优化方法
CN113822525A (zh) * 2021-07-22 2021-12-21 合肥工业大学 基于改进遗传算法的柔性作业车间多目标调度方法及系统
CN113867275A (zh) * 2021-08-26 2021-12-31 北京航空航天大学 一种分布式车间预防维修联合调度的优化方法
CN114792147A (zh) * 2021-01-25 2022-07-26 中国人民解放军战略支援部队航天工程大学 一种多平台空间目标观测协同调度方法及终端设备

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110286648B (zh) * 2019-07-10 2021-11-09 华中农业大学 一种响应动态扰动的并行多目标加工参数优化方法
CN110703787A (zh) * 2019-10-09 2020-01-17 南京航空航天大学 基于偏好矩阵的混合多目标pso算法的飞行器冗余控制方法
CN111652502A (zh) * 2020-06-01 2020-09-11 中南大学 基于柔性作业车间调度的多梯级多线船闸联合调度方法
CN112462803B (zh) * 2020-11-27 2022-06-17 北京工商大学 一种基于改进nsga-ii的无人机路径规划方法
CN112882449B (zh) * 2021-01-13 2024-07-12 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
CN113034026B (zh) * 2021-04-09 2023-10-24 大连东软信息学院 基于Q-learning和GA的多目标柔性作业车间调度自学习方法
US12073252B2 (en) 2021-04-23 2024-08-27 Kabushiki Kaisha Toshiba Allocation of processing computers based on priority lists
US11983568B2 (en) 2021-04-23 2024-05-14 Kabushiki Kaisha Toshiba Allocation of heterogeneous computational resource
CN113450013A (zh) * 2021-07-14 2021-09-28 陕西科技大学 基于改进nsga-ⅲ算法求解车间节能调度问题的方法
CN113792494B (zh) * 2021-09-23 2023-11-17 哈尔滨工业大学（威海） 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法
CN114707294B (zh) * 2022-01-28 2023-02-07 湘南学院 有限运输能力约束的作业车间多目标调度方法
CN114912826B (zh) * 2022-05-30 2024-07-02 华中农业大学 一种基于多层深度强化学习的柔性作业车间调度方法
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
CN117215275B (zh) * 2023-11-08 2024-02-13 北京理工大学 一种基于遗传编程的柔性车间大规模动态双效调度方法
CN117555305B (zh) * 2024-01-11 2024-03-29 吉林大学 一种基于nsgaii的多目标可变子批柔性车间作业调度方法
CN117933684B (zh) * 2024-01-17 2024-09-03 深圳市链宇技术有限公司 考虑原材料齐套约束和多机器并行加工的车间调度方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05225203A (ja) * 1992-02-17 1993-09-03 Nippon Telegr & Teleph Corp <Ntt> ジョブショップスケジューリング問題解決方式
CN102609767A (zh) * 2012-01-09 2012-07-25 浙江大学 一种基于Fisher奔离过程的演化方法
CN106875094A (zh) * 2017-01-11 2017-06-20 陕西科技大学 一种基于多色集合遗传算法的多目标车间调度方法
US20170220016A1 (en) * 2016-02-03 2017-08-03 Sap Se Optimizing manufacturing schedule with time-dependent energy cost

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8250007B2 (en) * 2009-10-07 2012-08-21 King Fahd University Of Petroleum & Minerals Method of generating precedence-preserving crossover and mutation operations in genetic algorithms
CN101901425A (zh) * 2010-07-15 2010-12-01 华中科技大学 一种基于多种群协同进化的柔性作业车间调度方法
CN106611230A (zh) * 2015-12-14 2017-05-03 四川用联信息技术有限公司 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05225203A (ja) * 1992-02-17 1993-09-03 Nippon Telegr & Teleph Corp <Ntt> ジョブショップスケジューリング問題解決方式
CN102609767A (zh) * 2012-01-09 2012-07-25 浙江大学 一种基于Fisher奔离过程的演化方法
US20170220016A1 (en) * 2016-02-03 2017-08-03 Sap Se Optimizing manufacturing schedule with time-dependent energy cost
CN106875094A (zh) * 2017-01-11 2017-06-20 陕西科技大学 一种基于多色集合遗传算法的多目标车间调度方法

Cited By (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111105164B (zh) * 2019-12-24 2022-04-15 北京理工大学 一种车间调度方法、装置及设备
CN111105164A (zh) * 2019-12-24 2020-05-05 北京理工大学 一种车间调度方法、装置及设备
CN111259312A (zh) * 2020-01-15 2020-06-09 深圳大学 多目标流水车间调度方法、装置、计算机设备及存储介质
CN111598297A (zh) * 2020-04-15 2020-08-28 浙江工业大学 基于剩余工序最大值优选的柔性作业车间调度机器选择方法
CN111598297B (zh) * 2020-04-15 2023-04-07 浙江工业大学 基于剩余工序最大值优选的柔性作业车间调度机器选择方法
CN112418478B (zh) * 2020-08-12 2024-03-15 贵州大学 一种柔性流水车间下的低碳调度模型及节能优化方法
CN112418478A (zh) * 2020-08-12 2021-02-26 贵州大学 一种柔性流水车间下的低碳调度模型及节能优化方法
CN112381273A (zh) * 2020-10-30 2021-02-19 贵州大学 一种基于u-nsga-iii算法的多目标作业车间节能优化方法
CN112381273B (zh) * 2020-10-30 2024-03-05 贵州大学 一种基于u-nsga-iii算法的多目标作业车间节能优化方法
CN112327621B (zh) * 2020-11-02 2022-07-08 金航数码科技有限责任公司 一种基于蚁群算法的柔性生产线自适应控制系统及方法
CN112327621A (zh) * 2020-11-02 2021-02-05 金航数码科技有限责任公司 一种基于蚁群算法的柔性生产线自适应控制系统及方法
CN112668864A (zh) * 2020-12-24 2021-04-16 山东大学 一种基于狮群算法的车间生产排产方法及系统
CN112668864B (zh) * 2020-12-24 2022-06-07 山东大学 一种基于狮群算法的车间生产排产方法及系统
CN112734280B (zh) * 2021-01-20 2024-02-02 树根互联股份有限公司 生产订单配送方法、装置及电子设备
CN112734280A (zh) * 2021-01-20 2021-04-30 树根互联技术有限公司 生产订单配送方法、装置及电子设备
CN114792147A (zh) * 2021-01-25 2022-07-26 中国人民解放军战略支援部队航天工程大学 一种多平台空间目标观测协同调度方法及终端设备
CN113050422B (zh) * 2021-03-09 2022-02-22 东北大学 基于maximin函数多目标优化算法的多机器人调度方法
CN113050422A (zh) * 2021-03-09 2021-06-29 东北大学 基于maximin函数多目标优化算法的多机器人调度方法
CN113377073A (zh) * 2021-06-28 2021-09-10 西南交通大学 一种基于双层多智能体系统的柔性作业车间调度优化方法
CN113822525B (zh) * 2021-07-22 2023-09-19 合肥工业大学 基于改进遗传算法的柔性作业车间多目标调度方法及系统
CN113822525A (zh) * 2021-07-22 2021-12-21 合肥工业大学 基于改进遗传算法的柔性作业车间多目标调度方法及系统
CN113867275B (zh) * 2021-08-26 2023-11-28 北京航空航天大学 一种分布式车间预防维修联合调度的优化方法
CN113867275A (zh) * 2021-08-26 2021-12-31 北京航空航天大学 一种分布式车间预防维修联合调度的优化方法

Also Published As

Publication number Publication date
AU2018407695A1 (en) 2020-09-03
CN108320057B (zh) 2021-06-18
CN108320057A (zh) 2018-07-24
US20200026264A1 (en) 2020-01-23
AU2018407695B2 (en) 2022-01-13

Similar Documents

Publication Publication Date Title
WO2019153429A1 (zh) 一种基于有限制稳定配对策略的柔性作业车间调度方法
Lin et al. A hybrid evolutionary immune algorithm for multiobjective optimization problems
CN107679750B (zh) 一种基于自适应系数遗传算法的云制造服务资源匹配方法
Jiao et al. Clonal selection with immune dominance and anergy based multiobjective optimization
CN109840154B (zh) 一种移动云环境下基于任务依赖的计算迁移方法
Rosales-Pérez et al. A hybrid surrogate-based approach for evolutionary multi-objective optimization
CN104035816A (zh) 一种基于改进nsga-ii的云计算任务调度方法
CN111325356A (zh) 一种基于演化计算的神经网络搜索分布式训练系统及训练方法
CN108470237B (zh) 一种基于协同进化的多偏好高维目标优化方法
CN111832101A (zh) 一种水泥强度预测模型的构建方法及水泥强度预测方法
CN109298930B (zh) 一种基于多目标优化的云工作流调度方法及装置
CN110909787A (zh) 基于聚类的进化算法进行多目标批调度优化的方法和系统
Reisizadeh et al. Tree gradient coding
CN117745433B (zh) 基于改进pbft共识机制的能源区块链节点共识方法
CN115543556A (zh) 一种基于多任务遗传编程算法的自适应符号回归方法
Ming et al. An improved genetic algorithm using opposition-based learning for flexible job-shop scheduling problem
CN116985146B (zh) 退役电子产品的机器人并行拆解规划方法
Bashir et al. Hybrid evolutionary computation for continuous optimization
CN115730432A (zh) 物联网数据处理任务的调度方法及系统、设备、存储介质
Sagawa et al. Learning variable importance to guide recombination on many-objective optimization
CN112734122A (zh) 基于动态分解和选择的超多目标优化方法、系统、终端
CN106055742A (zh) 基于设计熵的产品自适应设计更改方法
Khaparde et al. A new distributed differential evolution algorithm
CN104767683B (zh) 基于改进nsga‑ⅱ的光组播编码‑链路代价折中方法
Sun et al. Tree-based differential evolution algorithm for QoS multicast routing

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18905823

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2018407695

Country of ref document: AU

Date of ref document: 20180316

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 18905823

Country of ref document: EP

Kind code of ref document: A1