[发明专利]基于自适应遗传和克隆选择算法的模糊作业车间调度方法

说明书

技术领域

本发明涉及工业车间作业调度中加工工件和机器的调配方法。

背景技术

由于企业车间的生产计划与控制问题在所有调度问题中最具典型性，所以对车间调度问题的研究一直在调度理论中占据主导地位。而生产过程中面临的不确定因素，例如：机器故障、机器加工延误、工件加工时间的不确定性、各工件交货期的模糊性等，都会影响整个调度的安排和对调度结果的评估。而对于模糊车间调度问题的研究，更加符合实际生产，所以越来越多的学者开始研究模糊车间调度问题。

到目前为止，Han S等人研究了具有模糊交货期的单机调度问题；SAKAWA等人在1999年采用遗传算法求解带有模糊加工时间和模糊交货期的模糊车间调度问题，使得最小客户满意度最大。Ishibuchi H等人对模糊作业车间调度问题进行了研究，并对模糊加工时间进行了描述。Murata T等人对具有模糊交货期的多目标调度问题进行了研究。Adamopulos G I用邻域搜索方法对具有可变加工时间和模糊交货期的单机调度问题进行了研究。

近年来研究模糊作业车间调度问题的方法有遗传算法、模拟退火算法、启发式算法等。算法基本原理都是基于一个初始解，按一定的方法搜索空间寻找最优解。这些研究存在一些缺陷：

(1)算法比较单一，寻找过程比较盲目。

(2)寻找最优解容易陷入局部最优，算法容易早熟收敛。

(3)更新种群比较随机。

发明内容

本发明要解决的技术问题是能够合理调配车间调度生产计划与控制问题。

为了解决上述技术问题，本发明的技术方案是提供了一种基于自适应遗传和克隆选择算法的模糊作业车间调度方法，其特征在于，包括以下步骤：

第一步、确定模糊车间调度的编码方案为基于工序的编码方式，每个基因代表一道工序，给同一工件的所有工序指定相同的符号，对于n个工件m台机器的n×m模糊作业车间调度问题，每个染色体中包含n×m个基因，每个工件的符号将在染色体中出现m次；

第二步、随机产生初始种群N，定义解空间；

第三步、定义并计算个体的适应度函数；

第四步、在第一次迭代时，每个个体初始的适应度值就是该个体的最优解，所对应的调度序列认为是初始最优序列使得模糊完工时间最小，在每一代最优解的附近，根据适应度值的大小进行克隆增殖操作，适应度越高，克隆出的个体数越多，反之，适应度越低，则克隆出的个体越少；

第五步、将繁殖之后的个体分别独立的进行自适应交叉和自适应变异操作；

第六步、对交叉和变异之后的个体进行克隆选择操作，生成新种群N*；

第七步、若满足最大迭代次数，则结束；若不满足，则返回到第三步继续向下执行。

优选地，所述第二步具体为：

初始化染色体种群，参数至少包括：种群规模、克隆系数、自适应交叉概率和变异概率、代沟、最大迭代次数。

优选地，所述第三步具体为：

选择一个函数使其能够用函数值的大小较为准确地反映出解的优劣，该函数即为适应度函数；适应度函数根据优化问题的目标函数来确定，该适应度函数采用优化问题中的目标函数与一个常数c之和的倒数来表示。

优选地，所述第六步包括以下步骤：

步骤6.1、在进行遗传操作后，计算每个个体的适应度值，每个父个体克隆得到的子个体中，适应度最高的个体Y_i易被优先选择；

步骤6.2、利用爬坡更新规则，按一定的概率P挑选克隆的抗体Y_i来替换父抗体X_i，如果克隆体集合Y_i中最优个体的适应度比其父抗体X_i的适应度小，以概率1进行更新，如果最优子代的适应度大于它的父代，以指数型概率进行更新，以保持群体多样性。

优选地，在所述步骤6.2中，为了保存原始种群的信息，指数函数不用于X₁代，初代个体中的最佳抗体不能被替换。

本发明不同于其它的单一方法，而是将自适应遗传算法与克隆选择算法相结合的一种新的混合算法，具有两种算法的优点。本发明能够合理分配资源，缩短车间调度模糊完工时间，提高作业车间模糊调度的效率，更加符合实际的生产调度。

附图说明

图1为本发明的算法流程图；

图2为6×6模糊调度问题的目标函数收敛曲线；

图3为10×10模糊调度问题的目标函数收敛曲线。

具体实施方式