[发明专利]基于多启发信息蚁群系统的柔性作业车间调度方法

说明书

本发明属于智能算法和生产管理领域，涉及基于多启发信息蚁群系统的柔性作业车间调度方法，包括：建立析取图模型；初始化；构造FJSP的解集；信息素更新；启发式信息档案更新；终止条件检查。本发明在蚁群系统中引入六种启发式信息，使算法在不同问题实例中均能取得理想性能，避免陷入局部最优，并且使用一种能够根据待解问题实例和当前搜索状态来自动选择启发式信息及其引导力控制参数的自适应策略，使整个蚁群的启发式信息设计向能产生优质解的当前最优设计收敛，提高收剑速度，提高算法优化效率，提高柔性作业车间调度效率。

技术领域

本发明属于智能算法和生产管理领域，涉及基于多启发信息蚁群系统的柔性作业车间调度方法。

背景技术

柔性作业车间调度问题(Flexible Job-shop Scheduling Problem，FJSP)是传统作业车间调度问题(Job-shop Scheduling Problem，JSP)的扩展，每个工序可以由多个不同机器完成，并且在不同机器上的完成时间不同。具体来说，一个N×M的FJSP描述如下：有N个待加工的工件和M台可用机器，工件集合为{p₁,p₂,...,p_N}，机器集合为{m₁,m₂,...,m_M}，每个工件包含一道或多道工序，工件i(i＝1,2,…,N)的n_i道工序由集合op_i＝{op_i1,op_i2,...,op_ini}表示。工件的工序加工顺序是确定的，每道工序可以在多台不同的机器上加工，问题的目标是在约束条件限制下，为M台机器中的每台机器找出一个操作序列使得N项作业的完成时间最小。FJSP减少了机器约束，扩大了可行解的搜索范围，增加了问题的复杂度，是非确定多项式(Non-deterministic Polynomial，NP)难问题。

现有解决FJSP的方法大致分为两类：分层方法与整合方法。分层方法是将FJSP分为机器分配与工序排序两个问题进行求解；整合是将两个问题综合起来进行求解。分层方法可以降低FJSP的复杂度，但是分层方法由于无法综合考虑全局信息，通常无法得到全局最优解。整合方法从理论上可以保证得到全局最优解。尽管如此，大多数现有的整合方法由于FJSP的高复杂度而面临着效率低下的问题。

目前，一些智能算法如遗传算法(Genetic Algorithm，GA)、蚁群系统(Ant ColonySystem，ACS)等方法由于其简单高效的特点被广泛应用于FJSP问题。相比于ACS，GA不能充分利用大量的启发式信息，而在不同问题实例中，约束条件的侧重点有所不同，所以利用GA解决FJSP具有一定的局限性。ACS方法可以在解的构造过程中充分利用多种启发式信息，具有更广泛的适用性，但ACS方法存在收剑速度慢、易陷入局部最优的缺点。

发明内容

针对上述现有技术的不足，本发明提出一种基于多启发信息蚁群系统的柔性作业车间调度方法，本发明在蚁群系统中引入六种启发式信息，使算法在不同问题实例中均能取得理想性能，避免陷入局部最优，并且使用一种能够根据待解问题实例和当前搜索状态来自动选择启发式信息及其引导力控制参数的自适应策略，使整个蚁群的启发式信息设计向能产生优质解的当前最优设计收敛，提高收剑速度，提高算法优化效率，提高柔性作业车间调度效率。