[发明专利]一种基于优先权编码的混合遗传算法解作业车间调度问题

说明书

所属技术领域

本发明涉及计算机执行制造系统领域，具体涉及用算法解决作业车间调度的组合优化问题。

背景技术

作业车间调度问题(Job-Shop Scheduling Problem)是制造执行系统研究的核心和重点之一，它的研究不仅具有重大的现实意义，而且具有深远的理论意义。作业车间调度问题(JSP)，就是根据产品制造需求合理分配产品制造资源，进而达到合理利用产品制造资源、提高企业经济效益的目的。JSP是产品制造行业中共存的问题，它与计算机集成制造系统(Computer Integrated Manufacturing Systems，简称CIMS)的工厂管理、产品制造层次紧密相关，是CIMS领域中研究的重要课题。JSP是一个典型的NP-hard问题,它的研究必然会对NP问题的研究起到有意义的影响。

过去的几十年，各种算法被应用来解决作业车间调度问题。其中不乏有遗传算法、粒子群算法、蚁群算法等。

遗传算法作为一种全局优化算法，得到了广泛的应用，但经典遗传算法存在收敛速度慢，容易早熟等问题。自适应遗传算法(Adaptive Genetic Algorithm，简称AGA)是对基本遗传算法的一种改进，它通过对遗传参数的自适应调整，大大提高了遗传算法的收敛精度，加快了收敛速度。但AGA仍然面临算法前期收敛速度快，后期由于缺少反馈而收敛速度降低的问题。

蚁群优化算法(Ant Colony Optimization Algorithm，简称ACO)是一种源于自然现象的算法，主要思想来源于群体中各个个体之间的间接交流方法，主要是模仿蚂蚁通过释放和跟随信息素的方式来达到整体的交流和行为上的涌现现象。ACO算法前期由于信息素的短缺和随机性导致收敛速度较低，而后期收敛速度显著升高。

发明内容

针对上述的AGA算法前期收敛速度快，后期由于缺少反馈而收敛速度降低，ACO算法前期由于信息素的短缺和随机性导致收敛速度较低，而后期收敛速度显著升高，本发明提出了自适应遗传算法和蚁群优化算法(Adaptive Genetic Algorithm and Ant Colony OptimizationAlgorithm,AGA-ACO)，采取动态链接策略，结合自适应遗传算法与蚁群优化算法来创建混合优化算法。

本发明针对上述不足，所采用的技术方案是：一种基于优先权编码的混合遗传算法解业车间调度问题。该技术方案的执行步骤如下：

步骤1、设置自适应遗传算法和蚁群算法的相关参数和优先权矩阵编码规则；

步骤2、随机生成初始种群p(g)，根据事先设置的目标函数和适应度函数计算每个个体的适应度；

步骤3、选择交叉、变异遗传算子操作，更新优先权矩阵，生成下一子代p(g+1)，并计算此时每个个体的适应度，保留此时的精英个体；

步骤4、根据设置的最大迭代次数G_max和迭代终止条件G_die判断是否终止迭代进化。迭代终止则执行步骤6，否则执行步骤5；

步骤5、改变交叉、变异的概率，返回步骤3；

步骤6、根据生成的一组优化方案转化成信息素的初始分布；

步骤7、将m个蚂蚁置于初始节点0，计算每个蚂蚁选择下一节点移动的概率

步骤8、改变蚂蚁经过路径上的信息素并计算路径上总的信息素，计算并保留精英蚂蚁，判断是否达到终止条件，满足条件输出最终结果，否则返回步骤7。

本发明的有益效果是：该发明结合AGA与ACO两个算法各自的优势，避免了搜索陷入局部最优解和执行时间过长的问题，弥补了各自的不足，增强了算法的性能。且本发明采用基于优先权矩阵的编码方式，产生的每个染色体本身就具有两种要素，正好对应着作业车间调度问题编码时需要考虑的工件以及工件的工序，不需要额外的解码操作去计算相应的信息，再利用每个矩阵元素的值表示对应工件对应工序的加工优先权，这样每个染色体就能完整的表示一个调度方案。

附图说明

图1：表示本发明的详细流程图

图2：表示JSP析取图示例

图3：表示遗传算法(GA)和蚁群算法(AA)的V—T曲线图

图4：表示遗传算法的初始解产生过程示例

具体实施方式