【
技術(shù)領(lǐng)域：
】本發(fā)明屬于生產(chǎn)車間智能優(yōu)化調(diào)度
技術(shù)領(lǐng)域：
，涉及一種基于混合算法框架的混流裝配調(diào)度控制方法。
背景技術(shù)：
：混流裝配生產(chǎn)方式是制造業(yè)中常采用的一種生產(chǎn)方式，它是在不改變生產(chǎn)組織方式的前提下，在同一流水線上同時生產(chǎn)出多種不同型號、不同數(shù)量的產(chǎn)品。因此，相對于單一產(chǎn)品流水線而言，混流生產(chǎn)系統(tǒng)既可以大批量生產(chǎn)標(biāo)準(zhǔn)產(chǎn)品，又可以按照客戶訂單生產(chǎn)小批量非標(biāo)準(zhǔn)產(chǎn)品，因此具有更高的靈活性，可以滿足客戶對產(chǎn)品的多樣化需求，企業(yè)對市場的快速響應(yīng)不再僅依賴于產(chǎn)品庫存。在汽車、家電等行業(yè)的生產(chǎn)過程中，大部分生產(chǎn)工序是相同的，更換產(chǎn)品品種時基本不需要調(diào)整生產(chǎn)線，因此，混流生產(chǎn)方式在這些行業(yè)中具有廣闊的應(yīng)用前景?；炝餮b配調(diào)度中，產(chǎn)品的生產(chǎn)排序調(diào)度問題是多約束np-難問題。為了解決np-難問題混流裝配調(diào)度的算法也在不斷的豐富和完善。由于研究方向的差異，各種算法及計算效率和適用范圍也有一定的不同，主要分為分支定界法、動態(tài)規(guī)劃法、目標(biāo)追隨法、基于線性松弛的啟發(fā)式算法、領(lǐng)域搜索算法、neh算法、遺傳算法(ga)、蟻群算法、粒子群優(yōu)化算法以及一些混合算法等。這些算法都在相關(guān)的領(lǐng)域得到了應(yīng)用驗證。單一的算法往往存在部分缺陷，其中常用的遺傳算法存在未成熟收斂，局部搜索能力差，隨機游走等現(xiàn)象，因此需要探尋一種新的裝配調(diào)度方法來接解決現(xiàn)有物流調(diào)度中存在的問題。技術(shù)實現(xiàn)要素：為解決現(xiàn)有技術(shù)中存在的問題，本發(fā)明的目的是提供一種基于混合算法框架的混流裝配調(diào)度控制方法，本發(fā)明的方法基于混合遺傳算法和差分進(jìn)化算法，并將其用于混流裝配調(diào)度的實際問題中，解決了現(xiàn)有技術(shù)中存在的問題。本發(fā)明所采用的技術(shù)方案是：一種基于混合算法框架的混流裝配調(diào)度控制方法，包括如下步驟：步驟1，設(shè)置遺傳算法和差分進(jìn)化算法的初始參數(shù)；步驟2，設(shè)置初始種群；步驟3，通過適應(yīng)度函數(shù)評價種群中個體的適應(yīng)度；步驟4，根據(jù)個體的適應(yīng)度選出最優(yōu)解并記錄；步驟5，判斷最優(yōu)解及其狀態(tài)是否滿足終止條件：若滿足，則輸出最優(yōu)解；若不滿足，則進(jìn)行如下步驟：步驟a，對基因的排序依次采用遺傳算法的選擇操作、交叉操作和變異操作；同時基因的數(shù)量依次采用差分進(jìn)化算法的變異操作、交叉操作和選擇操作；步驟b，根據(jù)適應(yīng)度函數(shù)評價新個體的適應(yīng)度；步驟c，將新個體與原個體置換形成下一代個體；步驟d，重復(fù)步驟4至步驟5。所述步驟1中，遺傳算法和差分進(jìn)化算法的初始參數(shù)包括初始種群數(shù)量、突變率、交叉率、約束條件和終止條件。所述步驟a中，對基因的排序采用的交叉操作為順序交叉的方式。所述順序交叉的方式的具體過程如下：在父代的一方d1中隨機選出一段染色體作為原始后代，再從父代的另一方d2中選出剩余的染色體按照順序補充到新的子代1染色體上。所述步驟a中，對基因的數(shù)量依次采用差分進(jìn)化算法的變異操作、交叉操作和選擇操作的具體過程如下：步驟a.1，先選取種群中兩個不同個體，將兩個不同個體的向量差縮放以后再與待變異的個體進(jìn)行向量合成；步驟a.2，再對第g代種群及其變異的中間體進(jìn)行個體間的交叉操作；步驟a.3，再對比新個體和原始個體的適應(yīng)度，選出適應(yīng)度最優(yōu)的個體。所述步驟a.1具體過程的表達(dá)式如下：其中，f為縮放因子，xi(g)表示第g代中的第i個個體；r1、r2和r3為第g代中的個體的序號，且i≠r1≠r2≠r3；vi(g+1)為變異的中間體；在變異進(jìn)化過程中，判斷新產(chǎn)生的中間體是否滿足邊界條件，如果超出了邊界，則要重新生成中間體。所述步驟a.2的具體過程為：對第g代種群{xi(g)}及其變異的中間體{vi(g+1)}進(jìn)行個體間的交叉操作：當(dāng)rand(0,1)≤cr或者j＝j(luò)rand時uj,i(g+1)＝vj,i(g+1)反之uj,i(g+1)＝xj,i(g)其中，cr為交叉概率，j為基因位置，d為基因片段的數(shù)量，jrand為[1,2,…,d]的隨機整數(shù),uj,i(g+1)為子代個體，vj,i(g+1)為中間體，xj,i(g)為父代個體。本發(fā)明的有益效果如下：本發(fā)明在算法中區(qū)分了連續(xù)變量和離散變量，分別構(gòu)建了適應(yīng)不同變量的算法，并構(gòu)建了將兩個算法融合在一起的遺傳算法與差分進(jìn)化算法的混合框架。從而使新的算法模型比傳統(tǒng)的遺傳算法能更多的積累優(yōu)質(zhì)解信息，使算法的全局搜索能力進(jìn)一步提高，并且明顯降低了未成熟收斂的概率。本發(fā)明設(shè)計了新種群生成機制與多種算法相結(jié)合的策略，打破傳統(tǒng)的算法生成新種群的機制，不僅保證算法種群的多樣性，而且使其全局搜索更具指導(dǎo)性和方向性；引入了基于差分進(jìn)化算法對連續(xù)變量的進(jìn)化操作，對全局搜索得到的最優(yōu)解區(qū)域進(jìn)行更為細(xì)致的搜索，從而增強算法的局部搜索能力。本發(fā)明中所提出的混合框架是對差分進(jìn)化算法(de)和遺傳算法(ga)的整合，以有效地解決混流裝配調(diào)度問題。而混合遺傳算法所采用的策略可以有效的彌補這些缺陷。構(gòu)造混合遺傳算法常采用的策略一種是將遺傳算法與局部搜索算法相結(jié)合，以彌補單一算法的不足；另一種是結(jié)合兩個或兩個以上的算法的優(yōu)點，形成一個更優(yōu)的算法。因此在解決復(fù)雜的優(yōu)化問題方面，混合算法具有獨特的優(yōu)勢。計算機仿真結(jié)果表明，與傳統(tǒng)算法相比，本發(fā)明在混流裝配調(diào)度上具有收斂速度快、優(yōu)化能力強、算法可靠等優(yōu)勢。本發(fā)明可以顯著改善多參數(shù)、高度非線性問題的優(yōu)化結(jié)果、提高計算效率。【附圖說明】圖1是本發(fā)明遺傳算法與差分進(jìn)化算法混合算法流程圖；圖2是本發(fā)明遺傳算法順序交叉示例圖；圖3是本發(fā)明差分進(jìn)化交叉運算示例圖；圖4是本發(fā)明混合算法迭代100代曲線圖；圖5是本發(fā)明混合算法、差分算法、遺傳算法迭代100代對比曲線圖?！揪唧w實施方式】下面結(jié)合附圖和具體實施方式對本發(fā)明進(jìn)行詳細(xì)說明。參考圖1～圖3，本發(fā)明的基于混合算法框架的混流裝配調(diào)度控制方法，總體的技術(shù)步驟如下：步驟1：設(shè)置遺傳算法和差分進(jìn)化算法的初始參數(shù)；初始參數(shù)包括初始種群數(shù)量、突變率、交叉率、約束條件和終止條件；步驟2：設(shè)置初始種群；步驟3：通過適應(yīng)度函數(shù)評價種群中個體的適應(yīng)度；步驟4：據(jù)個體的適應(yīng)度選出最優(yōu)解并記錄；步驟5：判斷最優(yōu)解及其狀態(tài)是否滿足終止條件，如果最優(yōu)解及其狀態(tài)滿足終止條件則轉(zhuǎn)到步驟9，如果不滿足終止條件則轉(zhuǎn)到步驟6；步驟6：對基因的排序依次采用遺傳算法的選擇操作、交叉操作和變異操作；同時基因的數(shù)量依次采用差分進(jìn)化算法的變異操作、交叉操作和選擇操作；步驟7：根據(jù)適應(yīng)度函數(shù)評價新個體的適應(yīng)度；步驟8：將新個體與原個體置換形成下一代個體，并轉(zhuǎn)到步驟4；步驟9：輸出最優(yōu)解。如圖2所示，步驟6中，遺傳算法交叉算子采用順序交叉的方式，即在父代的一方d1中隨機選出一段染色體作為原始后代，再從父代的另一方d2中選出剩余的染色體按照順序補充到新的子代1染色體上。如圖3所示，步驟6中，差分進(jìn)化交叉算子具體步驟如下：變異操作：選取種群中兩個不同個體，將其向量差縮放以后再與待變異的個體進(jìn)行向量合成，即其中，f為縮放因子，xi(g)表示第g代中的第i個個體；r1、r2和r3為第g代中的個體的序號，且i≠r1≠r2≠r3；vi(g+1)為變異的中間體；在變異進(jìn)化過程中，判斷新產(chǎn)生的中間體是否滿足邊界條件，如果超出了邊界，則要重新生成中間體，若每代種群數(shù)量記為n，則會生成n個變異中間體；交叉操作：然后對第g代種群{xi(g)}及其變異的中間體{vi(g+1)}進(jìn)行個體間的交叉操作：當(dāng)rand(0,1)≤cr或者j＝j(luò)rand時uj,i(g+1)＝vj,i(g+1)反之uj,i(g+1)＝xj,i(g)其中，cr為交叉概率，j為基因位置，d為基因片段的數(shù)量，jrand為[1,2,…,d]的隨機整數(shù),uj,i(g+1)為子代個體，vj,i(g+1)為中間體，xj,i(g)為父代個體。圖3為6個基因位的染色體交叉運算示意圖；選擇操作：對比新個體和原始個體的適應(yīng)度，選出適應(yīng)度最優(yōu)的個體實施例：需要生產(chǎn)abcdef六種型號的產(chǎn)品，初始狀態(tài)全部存放于緩沖區(qū)中，各種型號產(chǎn)品在緩沖區(qū)的初始數(shù)量及緩沖區(qū)的最高最低庫存量下表1所示，表1為緩沖區(qū)中各種型號產(chǎn)品數(shù)量狀態(tài)表(個)；表1生產(chǎn)不同型號的產(chǎn)品需要一定的轉(zhuǎn)換等待時間，每個型號的產(chǎn)品也需要一定的生產(chǎn)時間，生產(chǎn)不同型號產(chǎn)品的等待時間如表2所示，表2為各產(chǎn)品之間等待時間(秒/s)；表2在表2中，先生產(chǎn)a再換型號a的等待時間為0，先生產(chǎn)a再換型號b的等待時間為50s，先生產(chǎn)a再換型號c等待時間為40s，以此類推。需要注意的是先生產(chǎn)a再換型號b的等待時間與先生產(chǎn)b再換型號a的等待時間是不同的。各型號單個產(chǎn)品的生產(chǎn)時間如表3所示，表3為各型號產(chǎn)品生產(chǎn)時間(秒/s)；表3產(chǎn)品型號生產(chǎn)時間a5b4c4.5d4e4.8f4.6按照本發(fā)明提出的混合遺傳算法進(jìn)行編程，設(shè)置初始種群大小為100，迭代次數(shù)為100，遺傳算法和差分進(jìn)化算法的交叉概率均為0.9，遺傳算法的變異概率為0.02，差分進(jìn)化算法的變異概率為0.5，鑒于車間的實際情況，根據(jù)專家經(jīng)驗設(shè)置時間成本和庫存成本的系數(shù)分別為1，4.5。經(jīng)過計算，從圖4中可以看出，無論是最優(yōu)目標(biāo)值還是平均目標(biāo)值都能夠快速的收斂。本發(fā)明分別采用遺傳算法和差分進(jìn)化算法求解此實例，并將結(jié)果與混合遺傳算法對比，仿真結(jié)果如圖5所示，從圖5的對比曲線可以看出對于本發(fā)明中所提出的調(diào)度問題，混合遺傳算法具有收斂速度快、優(yōu)化能力強、算法可靠等優(yōu)勢。當(dāng)前第1頁12