[发明专利]云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法

说明书

本发明公开了一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，包括：接收远程提交的柔性作业车间调度问题，通过云计算弹性计算方式根据计算任务和任务需求分配计算资源，所述柔性作业车间调度问题包括：计算任务、及对所述计算任务的计算时间和计算精度的任务需求；根据第一步分配的计算资源，对用户提交的柔性作业车间调度问题建模并对计算任务进行编码，再使用MapReduce并行化基因算法求解，最终给出调度结果。本发明采取MapReduce模型可以满足用户的时间和精度上的需求，能有效降低算法求解时间和提高解质量。

技术领域

本发明涉及柔性工厂作业问题的求解方法，尤其涉及一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法。

背景技术

生产调度优化是先进制造技术和现代管理技术的核心技术，国内外许多学者进行了研究，但是大多数研究对的是经典作业调度问题JSP(Job-Shop Scheduling Problem)的优化。在经典JSP中，每个工件的工序顺序是预先确定，并且每道工序在指定的机器上加工。而在实际生产中，允许工序在多台机器中的任意一台上加工，这类问题就是柔性作业车间调度问题FJSP(Flexible Job-Shop Scheduling Problem)减少了机器约束，扩大了可行解的搜索范围，增加了问题的难度。FJSP是经典JSP的扩展，它不仅需要确定工序加工的顺序，还要给每个工序分配机器，因此是比JSP更复杂的NP-hard问题。目前，解决的方法主要可归为两类：精确方法和近似方法。精确方法包括分支定界法、整数规划法等，但只能求解较小规模的FJSP问题。近似方法包括优先分配规则法、遗传算法、禁忌搜索算法和模拟退火算法等，能较快地得到问题的较优解，满足实际问题的需要。目前求解FJSP的近似方法可以分为两类：分级方法和集成方法。分级方法的原理主要基于每道工序的加工机器确定后，FJSP就转化为经典的JSP；集成方法是将分配工序机器(路径柔性)和确定工序在机器上的加工顺序同时考虑，该方法难度较大，但是一般能得到更好的结果。

遗传算法借鉴了“物竞天择、适者生存”的进化准则，具有隐含并行性和全局解空间搜索的特点，在生产调度领域得到广泛的应用。但是FJSP问题不仅要给给每个工序分配加工机器，还需要确定每台机器上工序的加工顺序，比传统的调度问题更具复杂性。

尽管目前国内外已有许多学者对如何利用遗传算法高效求解FJSP做了研究，但大部分研究仅仅停留在FJSP问题向遗传算法的转换问题上(即：问题编码和代价函数的确立问题)，并没有考虑利用算法的底层计算环境和实现方法来提高FJSP问题的求解效率和求解精度。传统的算法实现是基于单节点计算环境下的考量，目前几乎没有相关方法去考虑在云计算环境下的分布式计算模型下的算法实现。

发明内容

针对上述问题中存在的不足之处，本发明提供一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法。

为实现上述目的，本发明提供一种云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法，包括：

第一步、接收远程提交的柔性作业车间调度问题，通过云计算弹性计算方式根据计算任务和任务需求分配计算资源，所述柔性作业车间调度问题包括：计算任务、及对所述计算任务的计算时间和计算精度的任务需求；

第二步、根据第一步分配的计算资源，对用户提交的柔性作业车间调度问题建模并对计算任务进行编码，再使用MapReduce并行化基因算法求解，最终给出调度结果。

作为本发明的进一步改进，所述第二步包括以下步骤：

步骤1、根据柔性作业车间调度问题随机产生初始解个体，并形成初始种群；

步骤2、根据柔性作业车间调度问题确定性能指标；采用所述性能指标作为适应度计算的目标函数，计算个体的适应度，所述性能指标包括：最小化最大完工时间、最小化机器上最大负荷、最小化工件总拖期；