[发明专利]基于多种群混合粒子群算法的流水车间调度方法

说明书

技术领域

本发明属于计算机领域，更进一步涉及人工智能技术领域中提供一种采用进化算法处理流水车间调度问题的方法，具体是一种基于多种群混合粒子群算法的流水车间调度方法。该方法可用于物流、交通、流水线生产等领域，确定每项操作在生产过程的优先顺序，控制生产流程，以减少生产系统完成所有工作序列的时间，提高生产效率。

背景技术

流水车间调度是一个无等待的车间调度问题。在生产实践的环节中，每一个工作序列包含若干个工作，每一个工作包含若干个工序。每个工作在不同的机器上完成，在同一台机器上，不同的工作的完成顺序相同，在同一台机器上一个工序完成后无等待的进行下一个工序。流水车间调度中所有工作的最长完工时间的最小化，可以促使总生产运营的最小化、稳定的资源利用、快速的作业周转和在制品库存的最小化。

流水车间调度问题的研究最初集中在启发式优化方法上，但这些方法并不理想。启发式方法时间复杂度高，在计算时间内只能找出高质量的解，但不是最优解。近几年，人工智能技术快速发展，出现了遗传算法、蚁群算法、粒子群算法(PSO)等，使用这类算法解决调度问题的方法能够在合理的时间内找到尽可能好的解。

PSO是受鸟群和鱼池社会和认知行为启发而提出来的，其具有模型简单、参数少和易实现等优点，因此受到学者们的关注。但是PSO在解决流水车间调度问题上，仍然存在缺陷。首先，PSO在运行初期收敛速度比较快，但在运行后期容易因缺乏拓展能力而陷入局部最优。其次，PSO虽然具有比较好的全局搜索能力，但是在搜索的过程中没有充分利用种群中获得的关于流水车间调度问题解空间的知识来指导粒子位置的更新，因此局部搜索能力较差。基于以上缺点，学者们提出了混合算法以改进该算法的缺陷。

混合算法可以看作是进化算法和局部搜索算子结合而形成的优化工具，其兼具进化算法和局部搜索算子的优点，更具有有效性。Bo Liu等人发表的“An Effective PSO-Based Memetic Algorithm for Flow Shop Scheduling”，2007年IEEE transaction on system，Man and cybernetics，提出了一种基于密母的混合粒子群方法。该方法使用粒子群算法为全局搜索方法，同时使用一种局部搜索方法在一定程度上加强粒子群算法的局部搜索能力。但是因为种群的个体数目较小，且PSO进化速度快，同时只使用一种局部搜索算子，大大降低了种群的多样性，最终无法避免算法陷入局部最优。其次，算法中并没有使用任何策略共享关于流水车间调度的解空间的知识。因此，该方法也不能克服PSO解决流水车间调度问题局部搜索能力差，容易陷入局部最优的缺陷。Hongcheng Liu等人发表的“ A hybrid particle swarm optimization with estimation of distribution algorithm for solving permutati

发明内容

本发明的目的在于克服上述已有技术的不足，针对上述算法提前收敛和容易陷入局部最优的问题，提出一种能够合理安排工作序列，提高流水车间生产效率的基于多种群混合粒子群算法的流水车间调度方法。

基于多种群混合粒子群的流水车间调度方法，具体步骤包括有：

步骤一：设定参数：程序运行最大迭代次数t_max、调度的工作数目n、机器数目m、子种群个数S、粒子位置的最大值x_max和最小值x_min、模拟退火算法的初始温度T₀、退火系数d、局部搜索算子1使用概率r1、局部搜索算子2使用概率r2、定义粒子A的适应度值fitness＝T，其中T为粒子A的位置向量解码后所对应的调度方案的调度时间，初始化子种群的标记i＝1；

步骤二：产生初始种群Q，将初始种群Q平均分为S个子种群，分别为Q₁、Q₂、...、Q_s；

步骤三：程序运行迭代次数t＝t+1，判断是否达到最大迭代次数t_max；如果t＜t_max，执行步骤四；如果t＝t_max，则执行步骤十；

步骤四：使用粒子群算法将子种群Q₁、Q₂、....、Q_s进化为Q₁′、Q₂′、...、Q_s′；