[发明专利]一种基于改进群智能优化算法的JSP方法及装置

说明书

本发明涉及一种基于改进群智能优化算法的JSP方法及装置，将VEGA策略和PDDR‑FF策略相结合，发挥两种策略的优势同时互补两个策略的不足，将种群划分成三个种群，分别为在第一个目标上表现较好的第一子种群、在第二个目标上表现较好的第二子种群和在第一个和第二个目标上表现均较好的第三子种群，粒子在不同方向上进行更新，确保了该方法具有足够的多样性，并使粒子更接近帕累托前沿，满足收敛的需要，搜索效率较高；同时，三个子种群又互相影响使帕累托前沿面的解分布更均匀，解的实用性更强。

技术领域

本发明属于工作车间调度技术领域，具体涉及一种基于改进群智能优化算法的JSP方法及装置。

背景技术

工作车间调度问题(JSP)是一类经典的多目标调度问题，该问题致力于合理地排列出机器、工件的加工顺序，最大化的利用时间等资源，尽可能地满足自动化生产过程中经济或性能的目标。

为了实现该目的，大量的科学研究工作人员提出了不同的解决方案，试图确定更好的工序(即调度序列)，以找到高品质的解决方法。这些解决方法主要包括两类。

一类是传统的数学优化算法。传统的数学优化算法包括精确算法和启发式算法。精确算法包括：线性规划、动态规划、分支定义等，这些适合小规模的JSP问题的解决，对于大规模的JSP问题由于计算复杂度的限制，要解决这些问题是非常困难的。启发式算法包括优化分配规则、瓶颈启发式、拉格朗日松弛和仿真算法，其计算复杂度较低，通常可以得到近似最优解，但是，解决方案的质量往往不能达到预期。

另一类是智能优化算法。智能优化算法是在启发式算法的基础上引入仿生学，人工智能技术，同时可以优化多个目标，获得问题的最优集，对于处理一些复杂的工程问题非常有效。例如，Bewoor等人将PSO与模拟退火混合相结合用于规划和调度问题，增强了算法的搜索能力，但是搜索效率并不高。Santosa等人提出了一种离散PSO来解决多目标有限等待混合JSP，虽然提高了搜索效率，但是容易陷入局部最优。Hassanzadeh等提出了一种结合启发式变异算子的混合混沌多目标PSO算法，该算法能搜索到更好的解，但是搜索速度很慢，不适用于实际情况。

发明内容

本发明提供了一种基于改进群智能优化算法的JSP方法及装置，用以解决现有技术的搜索效率低、容易陷入局部最优的问题。

为解决上述技术问题，本发明的技术方案和有益效果为：

本发明的一种基于改进群智能优化算法的工作车间调度方法，包括如下步骤：

1)根据车间加工信息，建立以最大流时间最小和总完工时间最小为目标的多目标模型；其中，最大流时间为最后一个工件的完成时间，总完工时间为每个工件的完工时间之和(最大流时间是每个工件的完工时间之和，总完工时间是最后一个工件的完成时间。)；

2)随机生成N个调度序列作为初始粒子群；

3)从初始粒子群中挑选出三个子种群，分别为第一子种群、第二子种群和第三子种群，所述第一子种群为以最大流时间最小为目标的前X₁个最优粒子，所述第二子种群为以总完工时间最小为目标的前X₂个最优粒子，所述第三子种群为以第三子种群适应度值最好为目标的前X₃个最优粒子；其中，以最大流时间最小和总完工时间最小构建第三子种群适应度函数，X₁、X₂、X₃均小于N；

4)根据各个子种群的适应度函数，计算各个粒子的适应度值，确定各个粒子的个体历史最优和全局最优；根据各个粒子的个体历史最优和全局最优，更新粒子的位置和速度，得到下一代粒子；