[发明专利]针对柔性作业车间调度的改进遗传算法

说明书

所属技术领域

本发明涉及作业车间调度技术领域，具体地涉及一种实用性强的柔性作业车间调度技术领域。

背景技术

作业车间调度问题(Job Shop Scheduling Problem，JSP)作为典型的组合优化问题之一，其研究起始于20世纪50年代，最早要追溯到1954年科学家对两台机床的流水车间调度问题的提出和解决。近几十年来，由于实际生产的需要和相关技术尤其是智能优化算法的不断提出，越来越多的学者致力于JSP研究。从单资源约束到多资源约束、确定性到不确定性、单目标到多目标、小规模到大规模，各类JSP都得到了广泛的研究。且已有部分智能调度方法的研究成果成功应用于实际生产过程中。

柔性作业车间调度问题(Flexible Job Shop Scheduling Problem，FJSP)更接近生产实际，是经典作业车间调度问题的延伸，最早是在1990年提出的，FJSP是指建立FJSP的模型，通过某种算法为每项作业的每道工序分配适当的机器，并确定各机器上工序的加工顺序，以在满足各种约束条件的前提下，实现作业的完工时间最短、拖期最小、各机器的负载均衡等优化目标。由于FJSP需要非常大的组合搜索空间，且问题的复杂性更高，因此属于NP-hard问题。

从FJSP的提出到现在，国内外有很多专家学者提出了多种算法。主要集中在改进粒子群算法、改进遗传算法、混合算法等进化算法。遗传算法(Genetic Algorithm,GA)作为一种启发性搜索方法，是基于“适者生存”机制设计的算法，其思想来源于达尔文的进化论和孟德尔的遗传学说。GA主要是通过从改进交叉操作和变异操作的角度以适应于具体问题的求解。但现有的遗传面临编码复杂，解码困难，算法容易早熟，且产生不可行的解(调度方案)等问题。

发明内容

针对上述不足之处，本发明要解决的问题是提供改进的遗传算法求解柔性作业车间调度问题。

本发明的目标是：第一.解决现有遗传算法编码方式复杂，解码困难问题；第二.解决遗传算法搜索开发能力较弱，容易早熟问题；第三.解决进化过程中遗传算子操作出现不可行解的问题。

本发明针对上述目的所采用的技术方案是：第一.直接采用(i，j，k)的形式表示工序O_j，j，k编码染色体，不需要复杂的编码和解码过程；第二.根据两种不同的规则采用定位的方法为工序选择设备，采用三种已知的有效调度规则为工序排序；第三.交叉和变异操作都采用基于工序优先级保护的遗传算子；第四.通过公式计算个体和基因进行变异的概率。

本发明为实现上述目的所采用的技术方案是：采用一种改进遗传算法求解柔性作业车间调度问题，该算法包括以下步骤：

步骤1：初始化种群S；

步骤1.1：编码在一条染色体进行，编码染色体基因由一个三元数组(i，j，k)组成，表示工序O_i，j在设备M_k上加工，染色体的长度是所有工件的工序数量

步骤1.2：生成一个初始解需要两步，第一：将每一道工序分配到合适的设备；第二：在满足每个工件工序优先约束的情况下确定工序的加工顺序；

步骤1.2.1：采用定位的方法初始化设备部分；

步骤1.2.2：采用优先规则的方法初始化工序排序部分；

步骤2：计算个体适应度，记录最好适应度个体；

步骤3：判断是否达到最大迭代次数，是则返回最优解结束此程序，否则执行下一步骤；

步骤4：采用轮盘赌轮法选择个体进行进化；

步骤5：对选择的个体采用基于工序优先顺序保护的交叉(POX交叉)；

步骤6：计算个体和基因的变异概率，采用基于工序优先级保护的移位变异(PPS变异)；

步骤7：返回步骤2，重复此程序；

本发明的有益效果是：第一：采用(i，j，k)的形式表示染色体的基因，染色体长度等于所有工件的工序数量，不会随着进化过程变化，且不需要专门的编码解码过程；第二.采用现有规则的混合来产生初始解，不仅保证初始解的质量不会过低，还增加了种群的多样性，增大了解的搜索空间；第三.基于工序优先级保护的遗传算子避免了不可行解的产生；第四.计算动态变异概率，能够控制搜索方向，提高遗传算法性能。

附图说明

图1表示本算法的流程图

图2表示本算法的编码方式实例

图3表示本算法初始解得到的调度甘特图

图4表示两条染色体的POX交叉实例

图5表示一条染色体的PPS变异实例