[发明专利]一种基于布谷鸟搜索算法解决作业车间工艺瓶颈问题

权利要求书

1.一种基于布谷鸟搜索算法解决作业车间工艺瓶颈问题，本发明涉及调度领域，具体地涉及用算法解决作业车间工艺瓶颈问题，其特征是，包括如下步骤：

步骤1：识别瓶颈：瓶颈的识别方法如下：

步骤1.1：根据TOC原理判断瓶颈资源

步骤1.2：当需求超过能力时，排队最长的机器就是瓶颈

步骤2：优化瓶颈：利用改进的布谷鸟搜索算法优化车间瓶颈工艺加工的调度，具体流程如下：

步骤2.1：初始化瓶颈鸟窝数量n

步骤2.2：利用改进的K_means算法对这些鸟窝进行聚类，分出安全性和飞行时耗不同的鸟窝群体，具体方法如下：

1.初始化数据集：初始化鸟窝集

2.选择初始解，随机产生一组中心解，有k个中心

3.聚类，把安全性和飞行时耗时相近的鸟窝聚为一类，具体为：

（1）计算每个鸟窝的安全性和飞行时耗

（2）计算鸟窝相异度，相异度用鸟窝的安全性和飞行时耗刻画，在这里用作业车间工件工序的执行时间刻画

（3）如果则，第i个国家就聚到相应的c中心一类中

步骤2.3利用改进的布谷鸟搜索算法在不同类中进行调度，具体如下：

（1）初始化算法基本参数：设置鸟窝个数（工件数量）n，宿主发现外来鸟蛋的概率Pa（作业抢占概率），以及最大迭代次数MaxT或搜索精度

（2）初始化鸟窝位置（工件加工完成时间）：根据加工时间长短呈上升趋势排列

（3）计算目标函数值：按照编码规则将鸟窝位置（完成时间）转换为工序排列，计算各鸟窝位置对应的目标函数值，并获得当前最优鸟窝位置

（4）更新鸟窝位置：开始迭代，保留上代最优鸟窝位置不变，更新鸟窝位置（即全局搜索），从而随机产生下一代鸟窝，并评估位置更新后每个鸟窝的目标函数值，记录当前最优鸟窝位置

（5）更新最优函数值：比较本次迭代和上一次迭代鸟窝位置的最优值，如果新的最优值小于原最优值，则把新的最优值赋予当前最优鸟窝位置的目标函数值

（6）当到达最大搜索次数或满足搜索精度时转入步骤（7），否则，转（3）进行下一次搜索

（7）输出最优调度值和对应的调度方案（染色体序列）

步骤3：如果所得解满足要求或迭代次数达到一定值，转步骤4，否则，以当前各聚类的平均飞行时耗作为中心，返回步骤2.2

步骤4：算法结束，输出最优调度方案。

2.根据权利要求1中所述的一种基于布谷鸟搜索算法解决作业车间工艺瓶颈问题，其特征是，以上所述步骤2中的具体计算过程如下：

步骤2：优化瓶颈：利用改进的布谷鸟搜索算法优化车间瓶颈工艺加工的调度，具体流程如下：

步骤2.1：初始化鸟窝数量n

步骤2.2：利用改进的K_means算法对这些鸟窝进行聚类，分出安全性和飞行时耗不同的鸟窝群体，具体方法如下：

1.初始化数据集：鸟窝集

2.选择初始解，随机产生一组中心解，有k个中心

3.聚类，把安全性和飞行时耗时相近的鸟窝聚为一类，具体为：

（1）计算每个鸟窝的安全性和飞行时耗，鸟窝安全性用随机概率p表示，鸟窝飞行时耗用动力学公式表示如下：

其中，为第i个鸟窝的飞行时耗，为第i个鸟窝与布谷鸟的距离，v 为布谷鸟的平均飞行速度

（2）计算鸟窝相异度，相异度用鸟窝的安全性和飞行时耗刻画，在这里用作业车间工件工序的执行时间刻画，相异度:

式中，是常数，此处定义

（3）如果则，第i个国家就聚到相应的c中心一类中

步骤2.3利用改进的布谷鸟搜索算法在不同类中进行调度，具体如下：

（1）初始化算法基本参数：设置鸟窝个数（工件数量）n,宿主发现外来鸟蛋的概率Pa（作业抢占概率），以及最大迭代次数MaxT或搜索精度

（2）初始化鸟窝位置（工件加工完成时间）：根据加工时间长短呈上升趋势排列

（3）计算目标函数值：按照编码规则将鸟窝位置（完成时间）转换为工序排列，计算各鸟窝位置对应的目标函数值，并获得当前最优鸟窝位置，具体实现为：

其中，式（1）表示目标函数，即完成时间（Makespan）；式（2）表示工艺约束条件决定的每个工件的操作的先后顺序；式（3）表示加工每个工件的每台机器的先后顺序；式（4）表示完工时间变量约束条件；式（5）表示变量可能的取值大小，上述公式中所涉及的符号定义含义如下：分别为第o个订单中的第i个工件在机器k上的完成时间点和加工时间长度；M是一个足够大的整数；和分别为指示系数和指示变量，其含义为：

（4）更新鸟窝位置：开始迭代，保留上代最优鸟窝位置不变，更新鸟窝位置（即全局搜索），从而随机产生下一代鸟窝，并评估位置更新后每个鸟窝的目标函数值，记录当前最优鸟窝位置，具体实施方案如下数学公式所示：

其中，表示第i只布谷鸟在第t代的鸟窝位置（在车间调度问题中用表示），是步长大小参数，服从均匀分布，，参数S是随机游动的步长，计算公式如下：

其中，

在局部搜索时对每一鸟窝位置按条件进行更新：用一个随机数Ra作为鸟窝主人发现外来鸟蛋的概率并与Pa进行比较，若Ra>Pa，则随机改变鸟窝位置，否则保持原来位置不变，并计算位置移动后每个鸟窝的目标函数值，记录当前最优鸟窝位置，用如下0-1规划模型表示：

（5）更新最优函数值：比较本次迭代和上一次迭代鸟窝位置的最优值，如果新的最优值小于原最优值，则把新的最优值赋予当前最优鸟窝位置的目标函数值

（6）当到达最大搜索次数或满足搜索精度时转入步骤（7），否则，转（3）进行下一次搜索

（7）输出最优调度值和对应的调度方案（染色体序列）。