本發(fā)明涉及作業(yè)車間調(diào)度技術(shù)領(lǐng)域，具體地涉及用算法求解多目標(biāo)柔性作業(yè)車間調(diào)度問題。

背景技術(shù)：

在制造業(yè)中，生產(chǎn)調(diào)度問題種類繁多、方法多樣，其中，作業(yè)車間調(diào)度問題(JSP)是最基本、最重要的機(jī)器調(diào)度問題，同時(shí)也是最困難的NP—hard問題。柔性作業(yè)車間調(diào)度問題(FJSP)是JSP的擴(kuò)展，它允許每個(gè)工序在給定的幾臺(tái)機(jī)器上加工，而不是一個(gè)機(jī)器。目前，對(duì)FJSP的研究已取得了一定的進(jìn)展，各種啟發(fā)式算法，進(jìn)化算法等，應(yīng)用到該領(lǐng)域。不乏有遺傳算法(GA)、粒子群算法(PSO)、局部搜索算法、模擬退火算法、蟻群算法等。這些算法雖有好的性能，但也有缺陷。比如：遺傳算法雖能通過種群間的相互作用，保持已經(jīng)搜索到的信息，這是基于單個(gè)個(gè)體搜索過程的優(yōu)化方法所無法比擬的。但是，遺傳算法也存在著計(jì)算速度較慢、過早收斂等問題。局部搜索算法是解決優(yōu)化問題的有效方法，但面臨迭代次數(shù)過多，消耗時(shí)間過長(zhǎng)的問題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述不足之處，本發(fā)明要解決的技術(shù)問題是提供一種既有全局搜索能力也有局部搜索能力的算法，即改進(jìn)的文化基因算法求解柔性作業(yè)車間調(diào)度問題。

本發(fā)明的目的是：提高算法的求解速度與質(zhì)量。

本發(fā)明為實(shí)現(xiàn)上述目的，所采用的技術(shù)方案是：一種改進(jìn)文化基因算法求解柔性作業(yè)車間調(diào)度問題。該技術(shù)方案包括以下步驟：

步驟1：對(duì)種群規(guī)模POP_SIZE、最大迭代次數(shù)G_m、交叉和變異次數(shù)N、變異概率P_m等參數(shù)進(jìn)行初始化；

步驟2：隨機(jī)生成POP_SIZE個(gè)個(gè)體作為初始種群，計(jì)算每個(gè)個(gè)體的適應(yīng)度。設(shè)置迭代次數(shù)t＝0，并設(shè)置當(dāng)前種群P_t＝P₀；

步驟3：對(duì)P_t進(jìn)行適應(yīng)度排序，得到其中的非支配個(gè)體集合P_nodom,并將非支配個(gè)體數(shù)S_nodom設(shè)置為P_nodom中的元素個(gè)數(shù)；

步驟4：將P_nodom中的個(gè)體直接拷貝到下一代種群P_t+1，設(shè)置P_t+1的個(gè)體個(gè)數(shù)n＝S_nodom；

步驟5：在P_t中隨機(jī)選擇一對(duì)個(gè)體：父代1和父代2；

步驟6：如果父代1、父代2的所有目標(biāo)函數(shù)值都相等，則轉(zhuǎn)步驟8；否則，執(zhí)行下一步驟；

步驟7：分別以概率P_m對(duì)父代1、父代2進(jìn)行變異，然后對(duì)父代1、父代2執(zhí)行N次交叉操作產(chǎn)生包含有2N個(gè)元素的子代個(gè)體集合ChildPop對(duì)ChildPop進(jìn)行適應(yīng)度排序，在其Pareto前端集合中隨機(jī)選擇一個(gè)個(gè)體進(jìn)入新種群P_t+1，設(shè)置P_t+1的個(gè)體個(gè)數(shù)n＝n+1；

步驟8：如果n<POP_SIZE,轉(zhuǎn)步驟5；否則，執(zhí)行下一步驟；

步驟9：對(duì)種群P_t+1中的每個(gè)個(gè)體執(zhí)行爬山法局部搜索，并用所得的局部最

優(yōu)解替換原個(gè)體；

步驟10：將P_t+1和P_t合并，選擇最好的POP_SIZE個(gè)個(gè)體組成新的P_t+1；

步驟11：如果迭代次數(shù)t＞G_m，則算法結(jié)束；否則，更新種群P_t＝P_t+1，并設(shè)置迭代次數(shù)t＝t+1，然后轉(zhuǎn)步驟3。

本發(fā)明的有益效果是：該改進(jìn)文化基因算法吸收了進(jìn)化算法和局部搜索算法的優(yōu)點(diǎn)，不僅具有很強(qiáng)的全局搜索能力，同時(shí)，每次交叉和變異后均進(jìn)行局部搜索，通過優(yōu)化種群分布，及早剔出不良個(gè)體，進(jìn)而減少迭代次數(shù)，加快算法的求解速度。這樣既保證了較高的收斂性能，又能獲得高質(zhì)量的解。

該算法文化基因算法采用與進(jìn)化算法相似的框架與操作流程，并在此基礎(chǔ)上通過局部鄰域搜索使每次迭代的所有個(gè)體都達(dá)到局部最優(yōu)。進(jìn)化搜索進(jìn)行種群的全局廣度搜索，局部搜索進(jìn)行個(gè)體的局部深度搜索。文化基因算法充分吸收進(jìn)化算法和局部搜索算法的優(yōu)點(diǎn)，它不僅具有很強(qiáng)的全局搜索能力。同時(shí)，每次交叉和變異后均進(jìn)行局部搜索，通過優(yōu)化種群分布，及早剔出不良個(gè)體，進(jìn)而減少迭代次數(shù)，加快算法的求解速度。這樣既保證了較高的收斂性能，又能獲得高質(zhì)量的解，從而使文化基因算法的搜索效率在某些問題領(lǐng)域比傳統(tǒng)進(jìn)化算法要快幾個(gè)數(shù)量級(jí)。

附圖說明：

圖1表示本算法的詳細(xì)流程圖

圖2表示一個(gè)3*3的可行調(diào)度方案示例圖

圖3表示該算法的SPX交叉示例圖

圖4表示本算法的插入變異示例圖

圖5表示本算法的替換變異示例圖

具體實(shí)施方式：

該文化基因算法對(duì)于求解多目標(biāo)柔性作業(yè)車間調(diào)度問題有很好的實(shí)用性，該算法采用與進(jìn)化算法相似的框架與操作流程，并在此基礎(chǔ)上通過局部鄰域搜索使每次迭代的所有個(gè)體都達(dá)到局部最優(yōu)。進(jìn)化搜索進(jìn)行種群的全局廣度搜索，局部搜索進(jìn)行個(gè)體的局部深度搜索。

下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明進(jìn)一步的描述：

一、多目標(biāo)柔性作業(yè)車間調(diào)度問題，結(jié)合圖2

FJSP的描述如下:一個(gè)加工系統(tǒng)有m臺(tái)不同的機(jī)器M＝{M_j|j＝1，2，...，m}，要加工n個(gè)工件J＝{J_i|i＝1，2，...，n}令K_i表示工件的總工序數(shù)，O_ik表示工件J_i的第k道工序k＝1,2,...，K_i,所有工件的總工序數(shù)為P_ikj表示工序O_ik在機(jī)器M_j上的加工時(shí)間，工件的加工順序是預(yù)先確定的，工件J_i的每道工序O_ik可以在m_ik臺(tái)不同的機(jī)器上加工m_ik＝M_ik,M_ik為M中能加工O_ik的機(jī)器集合。調(diào)度的目標(biāo)就是確定每個(gè)機(jī)器各個(gè)工件的加工順序和每個(gè)工序的開工時(shí)間，以使得某個(gè)指標(biāo)最優(yōu)。

為了簡(jiǎn)化問題，作出如下假設(shè)：所有設(shè)備在t＝0時(shí)刻都是可用的，所有工件在t＝0時(shí)刻釋放，每一臺(tái)設(shè)備在同一時(shí)刻只能加工一道工序，一道工序一旦開始加工不允許中斷，每一個(gè)工件的工序順序是預(yù)定的不能修改，忽略設(shè)備的設(shè)置時(shí)間和工序之間的轉(zhuǎn)換時(shí)間。

二、算法的關(guān)鍵步驟說明

1、個(gè)體編碼和適應(yīng)度計(jì)算，結(jié)合圖2

算法采用基于工序的編碼表示調(diào)度問題的解。對(duì)經(jīng)過進(jìn)化操作產(chǎn)生的每個(gè)子代個(gè)體都將其解碼為活動(dòng)調(diào)度，計(jì)算出需要優(yōu)化的多個(gè)適應(yīng)度函數(shù)值。在局部搜索過程中，也將每個(gè)鄰域解解碼為活動(dòng)調(diào)度來計(jì)算適應(yīng)度函數(shù)值。局部搜索結(jié)束后，將選中的活動(dòng)調(diào)度轉(zhuǎn)化為基于工序的編碼，用新個(gè)體的編碼和適應(yīng)度替換原有個(gè)體的編碼和適應(yīng)度。

2、交叉操作，結(jié)合圖3

該算法采用集合分割交叉(Set-Partition Crossover，SPX)方法，執(zhí)行交叉操作，該方法的過程如下：

(1)將工件集合{1，2，...n}隨機(jī)分成兩個(gè)非空集合J₁和J₂。

(2)設(shè)置子代個(gè)體的當(dāng)前元素小標(biāo)為1，如果第一個(gè)父代的第一個(gè)元素屬于J₁，則子代個(gè)體的當(dāng)前元素賦值為第一個(gè)父代個(gè)體的第一個(gè)元素，且當(dāng)前元素下標(biāo)加1。

(3)如果第二個(gè)父代個(gè)體的第一個(gè)元素屬于J₂，則子代個(gè)體的當(dāng)前元素下標(biāo)加1，以此類推，直到子代個(gè)體的所有元素均賦值。

(4)交換兩個(gè)非空集合J₁和J₂中的元素，重復(fù)以上步驟可以得到另一個(gè)子代個(gè)體。

為了更清楚的描述本發(fā)明的SPX交叉，結(jié)合圖3,描述如下：將工件集合{1,2,3}分為兩個(gè)子集合J₁＝{2}，J₂＝{1，3}。第一個(gè)父代個(gè)體[112313223]第一個(gè)基因不屬于J₁，不執(zhí)行操作；第二個(gè)父代個(gè)體[221233113]第一個(gè)基因不屬于J₂，不執(zhí)行操作；同樣兩個(gè)父代個(gè)體的第二個(gè)基因也都不屬于對(duì)應(yīng)的工件集合，不執(zhí)行操作。接下來第一個(gè)個(gè)體的第三個(gè)基因2屬于J₁，將其填入子代個(gè)體，并將子代個(gè)體下標(biāo)加1為2；第二個(gè)個(gè)體的第三個(gè)基因1屬于J₂，將其填入子代個(gè)體，并將子代個(gè)體下標(biāo)加1為3；以此類推，可得到子代個(gè)體[213321213]。交換J₁和J₂包含的元素，執(zhí)行類似的操作可得到第二個(gè)子代個(gè)體[121232133]。

本發(fā)明的SPX交叉較其他交叉方法的好處在于本交叉操作不是單純地將父代個(gè)體的特征繼承下來，而在繼承父代特征的同時(shí)，發(fā)生了變異，也就是交叉方法中隱藏著變異行為。

3、變異操作

為了實(shí)現(xiàn)對(duì)調(diào)度空間的廣泛搜索，本算法以相等的概率P_m從插入變異和替換變異兩種方法中隨機(jī)選擇一種對(duì)種群中的個(gè)體進(jìn)行變異。

(1)插入變異，結(jié)合圖4：在父代個(gè)體中隨機(jī)選取一個(gè)基因，將其插入到另一個(gè)隨機(jī)選取的基因之前。如圖4的3*3調(diào)度問題的個(gè)體[112313223],假設(shè)隨機(jī)選擇的兩個(gè)基因分別為第三個(gè)基因位上的2和第八個(gè)基因位上的2，則執(zhí)行插入變異后的個(gè)體為[112231323]。

(2)替換變異，結(jié)合圖5:在父代個(gè)體中，隨機(jī)選一段基因串，然后將其插入到一個(gè)隨機(jī)選取的基因之前。如圖53*3調(diào)度問題的個(gè)體[112313223],假設(shè)隨機(jī)選擇的基因串是由第五個(gè)基因位至第八個(gè)基因位上的基因組成的[1322],隨機(jī)選中的另一個(gè)基因位第三個(gè)基因位上的基因2，則執(zhí)行替換變異后的個(gè)體為[11322233]。

4、爬山法局部搜索

由于爬山法只選擇比當(dāng)前解好的鄰域解，容易陷入局部最優(yōu)，而常用的迭代局部搜索，禁忌搜索，變鄰域搜索法等雖能夠跳出局部最優(yōu)，得到更好的解，但迭代次數(shù)較多，消耗時(shí)間較長(zhǎng)。于是本算法采用爬山法進(jìn)行局部搜索，克服了這些問題，既能夠跳出局部最優(yōu)得到更好的解，也能夠減少計(jì)算時(shí)間。

本算法的爬山法局部搜索過程如下：

對(duì)于優(yōu)化問題的一個(gè)解s，鄰域是指對(duì)s實(shí)施一個(gè)操作M后能夠得到的解的集合。用N(s)表示s的鄰域，則：N(s)＝{s'|s'＝M(s)}。步驟如下：

(1)選定一個(gè)當(dāng)前解s；

(2)按照鄰域結(jié)構(gòu)定義生成s的一個(gè)鄰域解集合N(s)；

(3)將N(s)中比s質(zhì)量差的解刪除得到改善解集合N(s)′；

(4)計(jì)算N(s)'中解的個(gè)數(shù)|N(s)'|；

(5)如果|N(s)'|不等于零，則從N(s)'中按照一定控制策略選擇一個(gè)替換s，轉(zhuǎn)本步驟2；否則轉(zhuǎn)本步驟6

(6)算法結(jié)束。

本算法采用此爬山法進(jìn)行局部搜索之后，對(duì)所有鄰域解集合進(jìn)行非劣排序，在其Pareto前端集合中隨機(jī)選擇一個(gè)個(gè)體替換當(dāng)前解。

上述結(jié)合附圖只是對(duì)該算法的描述，并不因此限定本發(fā)明，本發(fā)明的保護(hù)范圍依據(jù)權(quán)利要求書的內(nèi)容確定。