[发明专利]改进编码方式的遗传算法解分布式柔性作业车间调度问题

说明书

所属技术领域

本发明涉及作业车间调度领域，具体地涉及分布式柔性作业车间调度领域。

背景技术

全球化商业模式的出现和技术的进步导致了制造环境的巨大变化。为了接近市场和制造资源，企业已经从一个单工厂演变成了一个多工厂的制造环境，这导致了调度系统从一个作业车间调度系统变成了一个柔性作业车间调度系统，甚至到一个分布式柔性作业车间调度系统。分布式柔性作业车间调度问题是指生产活动在几个工厂和制造单元进行的情况。对经典的柔性作业车间调度问题，包含以下问题：1)每一台设备的工序顺序；2)一个工件的工序优先约束；3)适当考虑设备能力约束的设备选择。分布式柔性作业车间调度问题可以认为是柔性作业车间调度问题的一个延伸，他们不仅包含柔性作业车间调度问题的信息，还包括合适的工厂和柔性制造单元的选择，因为分配具体的工件到不同的工厂会得到不同的生产调度，这将影响供应链。分布式柔性作业车间调度问题也是Np-hard问题。面对分布式问题更加符合制造实际且更加复杂，关于它的研究甚少，本发明提出一种遗传算法解决这个难题。遗传算法具有很强的鲁棒性和固有的并行性，能有效地处理规模较大的优化问题，但同时也存在着求解易陷入局部最优、早熟停滞等不足；以及如何将问题的解编码成染色体，保证染色体的可行性、合法性和映射的唯一性的问题。

发明内容

针对上述不足之处，本发明要解决的技术问题是提供一种改进的编码方式和改进的交叉变异求解分布式柔性作业车间调度问题。

本算法的目标是：第一.解决分布式柔性作业车间调度问题，将工件分配合适的制造单元或车间；第二.解决传统遗传算法的编码方式会生成不可行解的问题；第三.解决遗传算法容易陷入局部最优，出现早熟收敛的问题。

本发明为实现上述目的所采用的技术方案是：采用改进编码方式的遗传算法解分布式柔性作业车间调度问题，该算法包括如下步骤：

步骤1：参数设定：设种群规模为M，子代规模为N,交叉概率为P_c，变异概率为P_m，进化代数为G，禁忌表规模为T；

步骤2：使用改进的编码算子产生初始种群M：

步骤2.1：基于工厂、设备、工件之间的关系创造一个可用资源表；

步骤2.2：根据工件的数量和工序的数量编码染色体的整数部分；

步骤2.3：编码候选工厂和选择设备，随机产生0到1之间的小数作为工厂选择和设备选择一个预定义的阈值；

步骤2.4：重复步骤2.2、2.3，直到产生M个初始个体；

步骤3：评估染色体的适应度值；

步骤4：判断是否达到最大进化代数，未达到执行下一步骤；否则输出最优调度方案，结束程序；

步骤5：使用锦标赛选择法选择N个子代种群；

步骤6：引入禁忌表的交叉：

步骤6.1：初始化参数，禁忌表设为空；

步骤6.2:计算父代个体的适应度值及平均适应度并记录；

步骤6.3:根据交叉概率P_m在父代种群中随机地选择两个个体，对染色体的工序部分和设备工厂部分分别进行交叉操作，得到子代新个体；

步骤6.4：计算子代新个体适应度值，如果子代新个体的适应度值比保存的父代的平均适应值高，则将该适应度值放入禁忌表同时将此子代新个体放入下一代，更新禁忌表；

步骤6.5：如果子代新个体的适应度值比保存的父代的平均适应值低，且该适应度值不在禁忌表中，则将该适应度值放入禁忌表，同时将此子代新个体放入下一代(目的是保持子代解的多样性)，更新禁忌表；

步骤6.6：如果子代新个体的适应度值比保存的父代的平均适应值低，且该适应度值在禁忌表中，则从父代中选择适应度值最高的个体放入下一代(目的是子代直接继承父代的优良个体)，将该最高适应度值放入禁忌表，同时更新禁忌表；

步骤6.7：若禁忌表已满，则替换最早放入禁忌表的值，解禁；

步骤6.8：子代种群个数是否达到最大规模，是则转步骤6.9，否则转步骤6.3；

步骤6.9：结束；

步骤7：基于邻域搜索的变异

步骤:7.1：设i＝0；(i为基于邻域搜索变异程序的迭代次数)

步骤7.2：判断i≤N×Pm是否成立(N是子代种群规模,Pm是变异概率),是则转到步骤8.3,否则转步骤7.6；

步骤7.3：取变异染色体上λ个不同的基因,将他们工序顺序编码部分(即整数部分)生成其排序的所有邻域；

步骤7.4：评价所有邻域的适应度值,取其中的最佳个体