[发明专利]一种基于逐层优化的排程方案评价及选择方法

说明书

技术领域

本发明涉及一种排程方案的评价及选择方法，尤其是一种基于逐层优化的排程方案评价及选择方法。

背景技术

遗传算法是一种基于基因学和遗传学机理产生的直接搜索优化方法，它通过基因串的选择、交叉、变异，来寻求最佳解决方案。近年来，这种算法作为一种通用的优化算法，因其编码技术和遗传操作比较简单、优化不受限制性条件的约束、尤其是具有并行计算能力和全局解空间搜索能力，被广泛的应用在各行各业。生产排程问题——即如何合理利用有限的资源达到预期的生产目标，也可以通过这种算法进行优化解决。

在应用遗传算法来解决生产排程问题的过程中，通常会附带很多约束条件，情况比较复杂，如何对所得排程方案进行合理而高效的评价和选择，对已得排程方案执行优胜劣汰的删选，是最终获得高质高效的排程方案的重要一步。

发明内容

本发明的目的是提供一种基于逐层优化的排程方案评价及选择方法，在基于用户提供的对于排程方案的约束条件和优化目标下，对已得排程方案进行评价、优化最终选择出最佳实施方案。

此方法采用逐层优化的思想，即根据约束条件、主优化目标、次优化目标对已得排程方案进行多层评判实现多目标优化，并在评价过程中，对已得排程方案，通过约束条件检、适应度计算，进行评价，最终输出违反约束条件最少的排程方案作为最优排程方案，使得方法避免了无解情况，为用户在后续操作过程中，对排程方案进行调整奠定基础，具体步骤如下：

不同的工厂有不同的加工工艺，导致需要考虑的约束条件各不相同，有时候即使约束条件相同，工厂对各约束条件的重视程度也不同。当约束条件过多时，算法可能导致无法得到可行解，需要舍弃部分不重要的约束条件。这就使在生产排程系统，约束条件也具有类似于优化目标的性质，甚至可以说时比优化目标更强的优化目标。因此用户必须对需要考虑的约束条件设置优先级，即给出约束条件的偏好关系。所以，

1.设置主优化目标、次优化目标和约束条件及其重要度等级；

2.对排程方案进行约束条件检验：对满足约束条件的排程方案，即可行解，按主优化目标进行适应度计算；对不满足约束条件的排程方案，即不可行解，按约束条件进行适应度计算；

3.设置可行解池和不可行解池两个精英解池，按适应度大小保留优秀个体；

4.对可行解池和不可行解池中的排程方案，根据主优化目标和次优化目标进行评判、逐层优化；

5.输出最优排程方案。

所述步骤1中的约束条件的重要度等级高于所述主优化目标和次优化目标。

所述步骤1中的约束条件分为订单级或工单级或工序级。

所述步骤1中的约束条件，每一条约束条件有一个对应的约束条件检验信息表，包括字段：约束代码、和/或约束优先级、和/或约束类型、和/或订单号、工单号、和/或工序号、和/或约束标志信息、和/或约束优劣信息。

所述步骤2中的约束条件检验是通过排程方案是否满足所有约束条件验信息表中的每一项来判定的。

所述步骤2中的按主优化目标进行适应度计算中，适应度函数的设计是按照优化目标的业务意义和数学意义，表示可以度量排程方案的形式。

所述步骤2中的按约束条件进行适应度计算，为计算排程方案所满足的约束条件的加权和，这里约束条件根据重要程度不同都有不同的权值，对不可行排程方案X的适应度值为

F(X)=Σi=1NωiFi,]]>

ω_i为第i类约束条件的权值，F_i为第i类约束条件的满足个数，N为约束条件的类数。

所述步骤3中可解池和不可解池可以存储的解是有限的。

所述步骤3中可解池和不可解池内的解按适应度的大小进行依次存放。