[发明专利]知识驱动的置换流水线双种群协同学习策略与优化方法

说明书

本发明公开了一种知识驱动的置换流水线双种群协同学习策略与优化方法，包括以下步骤，S1：收集生产计划数据、工艺流程数据；S2：设置调度知识，所述的调度知识包括参数指数和领域知识；S3：定义目标函数，通过目标函数得到关于流水线的目标最优值；S4：通过调度知识设置初始化种群；S5：计算种群的适应度，根据适应度将种群划分为子种群1和子种群2；S6：根据调度知识对子种群1和子种群2的个体进行调整；S7：若达到预设的目标值，则输出当前的流水线的调度结果，若没有达到预设的目标值，则执行S5。本发明通过实际决策要求配置相应的目标函数解决流水线调度问题，实现简易，算法具有较强的全局搜索能力，收敛速度快，求解的精度高。

技术领域

本发明涉及流水车间调度领域，更具体地，涉及一种知识驱动的置换流水线双种群协同学习策略与优化方法。

背景技术

置换流水线调度问题是经典的组合优化问题,是许多实际企业生产调度的模型。该问题描述如下：n个生产任务在m台设备上进行加工，每台设备上的生产任务加工顺序一致，任意时刻每台设备上只能加工一个任务，任意时刻一个任务只能在一个设备上加工。已知每个生产任务在每台设备上的加工时间，给出一个加工顺序使得某个生产指标最优(如典型的基于完工时间的性能指标即最小化最大完工时间与最小化总流经时间)。随着计算复杂性理论的发展，三台以上的置换流水线调度问题已经被证明为NP难题，采用精确算法求解此类问题异常困难。从实际企业的计划排产状况调研可以发现，目前大多数企业的计划排产工作是由计划员手动排产执行，排产结果完全依赖于计划员的主观经验，特别当排产量大的时候，需要消耗大量的时间。

群体智能算法在求解函数优化问题时候表现出很好的优化能力，该类算法不依赖于目标函数的梯度信息，适合于处理传统搜索方法解决不了的复杂问题和非线性问题，具有较快的收敛速度。然而，传统的群体智能算法中的变异算子仅仅实现了种群各代个体之间的更替过程，针对特定的流水车间调度问题，这些变异算子的能力十分有限。

发明内容

本发明克服了传统的群体智能算法的技术缺陷，提供了一种新的知识驱动的置换流水线双种群协同学习策略与优化方法。本发明通过建立领域知识库；选择目标函数；通过适应度知识选择特定的个体形成新的种群，再分为两类不同种群，选择不同的领域知识算子指导最优解的搜索过程；输出最优调度结果。本发明通过实际决策要求配置相应的目标函数解决流水线调度问题，实现简易，算法具有较强的全局搜索能力，收敛速度快，求解的精度高。

为解决上述技术问题，本发明的技术方案如下：

一种知识驱动的置换流水线双种群协同学习策略与优化方法，包括以下步骤：

S1：收集生产计划数据、工艺流程数据；

S2：设置调度知识，所述的调度知识包括参数指数和领域知识；

S3：定义目标函数，通过目标函数得到关于流水线的目标最优值；

S4：通过调度知识设置初始化种群；

S5：计算种群的适应度，根据适应度将种群划分为子种群1和子种群2；

S6：根据调度知识对子种群1和子种群2的个体进行调整；

S7：若达到预设的目标值，则输出当前的流水线的调度结果，若没有达到预设的目标值，则执行S5。

在一种优选的方案中，所述的参数指数包括子种群1与子种群2的大小、迭代次数、子种群1与子种群2的比例，参数指数通过下式进行表示：

{P,T,Ratio}

其中，所述的P表示子种群1与子种群2的大小；所述的T表示迭代次数；所述的Ratio表示子种群1与子种群2的比例。

在一种优选的方案中，所述的领域知识包括变异算子、邻居交换算子、非邻居交换算子、翻转算子、前移算子和后移算子。