[发明专利]基于聚类的进化算法进行多目标批调度优化的方法和系统

说明书

本发明提供了基于聚类的进化算法进行多目标批调度优化的方法，S1：初始化种群规模N、最大迭代次数MaxIteration和重组配对概率S，以及种群P、帕累托解集A，迭代次数t＝1；S2：利用解码规则和局部优化计算种群目标值；S3：对目标值进行聚类；S4：基于聚类结果对种群P执行交叉变异生成子代种群Q，计算子代种群Q的目标值；S5：更新集合A，执行选择操作更新种群P，基于更新后的种群P更新重组配对概率S；S6：如果t＜MaxIteration，t＝t+1，跳转至S2，否则输出集合A。本发明还提供了用于多目标批调度的系统，本发明提供的基于聚类的进化算法进行多目标批调度优化的方法和系统的优点在于：为生产过程中的批调度问题提供了可靠的解决方案。

技术领域

本发明涉及批调度优化技术领域，尤其涉及一种基于聚类的进化算法进行多目标批调度优化的方法和系统。

背景技术

调度在实际生产制造中扮演着重要的角色，凡是涉及到资源的分配，都离不开调度，因为合理的调度能够让我们的需求目标得到满足。目前在钢铁生产、集成生产、云计算、医疗业、纺织业等方面有着实际的调度应用。其中有一类调度问题被称作为批处理机调度问题，该问题最早起源于半导体芯片最后的生产过程，此类问题与经典调度问题不同，一台机器上可以同时加工多个工件，而工件也存在分批的决策，批的加工顺序有时也是需要研究的。现在的批调度问题基本都是NP难的组合优化问题，通常采用元启发式算法对其求解，而且求解的方法与具体问题联系紧密。

随着“绿色制造”理念的提出，当前环境保护和能源消耗已成为生产制造过程中必须要考虑的两个问题，同时批调度问题又与实际生产制造密切联系，因此在批调度问题的研究过程中，除了传统目标值的研究，能耗自然成为新的研究目标值，成为研究的热点内容。对于制造业企业来讲，能源消耗的减少不仅给环境带来保护，还给企业自身的制造成本带来一定的降低，可谓是双赢的局面。于是研究传统标准和考虑能耗的减少具有重要的实际意义。目前最直接的能源消耗就是机器的电力消耗，由于在不同的时间段单位电价都是变化的，此外机器本身的加工和空闲功率也就不一样，所以合理安排机器上批的加工顺序能够减少能源消耗。

目前来看考虑电价成本的批调度研究要比传统目标值的研究要少，在机器速度存在差异和工件具有尺寸属性的批调度问题下，去研究降低电价成本的工作就更少，而在实际生产过程中这样的情况肯定是存在的，因此值得去进一步研究。

发明内容

本发明所要解决的技术问题在于提供一种包括自适应聚类和进化算法的批调度优化方法，从而兼顾批调度方案的工作时间和电价成本；实现多目标优化。

本发明是通过以下技术方案解决上述技术问题的：

基于聚类的进化算法进行多目标批调度优化的方法，

S1：初始化种群规模N、最大迭代次数MaxIteration、重组配对概率S；基于加工工件初始化种群P、初始化帕累托解集合A，种群P和集合A的个体表示工件序列，初始化迭代次数t＝1；

S2：对种群P执行解码规则得到所有个体的调度方案，通过局部优化调整每个调度方案并计算调度方案的目标值；

S3：利用自适应聚类将种群P的目标值进行聚类；

S4：基于聚类结果为种群P中的个体选择交叉变异的对象生成子代种群Q，利用解码规则和局部优化计算子代种群Q的目标值；

S5：利用父代种群P和子代种群Q的帕累托个体更新集合A，对父代种群P和子代种群Q执行选择操作更新种群P，基于更新后的种群P更新重组配对概率S；

S6：如果t＜MaxIteration，t＝t+1，跳转至S2，否则输出集合A。

优选地，S1中所述的初始化种群P的方法为：分别按照加工时间升序、降序和到达时间升序排列得到三个个体的工件序列，剩余个体的工件序列随机生成。