[发明专利]一种基于聚类小生境遗传算法的车间生产作业排程方法

权利要求书

1.一种基于聚类小生境遗传算法的车间生产作业排程方法，其特征在于，包括下述步骤：

S1：建立生产成本、加工时间和设备消耗成本的多目标函数，提出生产过程中的生产工艺顺序、订单数量、设备有效时间多约束条件，建立车间生产作业排程优化数学模型；

S2：针对多目标的特点提出一种基于粒子群权值优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；其步骤如下：

1-1)已知有3个目标函数，利用粒子群算法分别求出各子目标函数最小值的最优解，记做X_i，i＝1，2，3；

1-2)将各目标函数得到的最优解代入不同的目标函数，获取相应的目标函数值f_i(X_j)，即f_i(X_j)表示第j个目标函数的最优解代入第i个目标函数的函数值，X_j表示第j个目标函数的最优值；

1-3)计算在不同最优解X_i时各目标函数的差值

θ_i^j＝f_i(X_j)-f_i(X_i)

其中，表示第j个目标函数的最优解X_j代入到第i个目标函数得到的函数值与第i个目标函数的最小值之间的差值；

1-4)按照公式计算第i个目标函数的平均差值；

其中，u_i表示第i个目标函数的平均差值，j表示第j个目标函数，m表示共有m个目标函数，表示取不同最优解X_i时各目标函数的差值，由于所以按照m-1计算平均差值；

1-5)按照公式计算权重系数λ_i

其中，m表示m个目标函数，u_i表示第i个目标函数的平均差值，u_j表示第j个目标函数的平均差值，λ_i表示权值；

1-6)为了均衡有效解的范围，将上述加权系数按大小进行排序，按照差值大的目标函数乘以较小的加权系数，差值小的目标函数乘以较大的加权系数，重新构造目标函数；

S3：初始化种群，随机生成M个个体，并计算每个个体的适应度值，对每个个体的适应度进行计算按降序排列，并记忆前N个个体；

S4：根据基于密度值改进的K-means均值聚类算法把种群分为K个聚类并确定聚类中心，进而确定小生境遗传算法的参数小生境半径；具体步骤如下：

2-1)以每个样本点为初始聚类中心，以r1为半径划定一个球形特征空间，统计落在该球形区域的点的数量作为该点的密度；

2-2)将密度最大的样本数据设置为第1个初始聚类中心；

2-3)选择1个整数r2r1，统计第1个初始聚类中心点的r2半径范围之外的数据中，选取密度次大的样本数据作为第2个初始聚类中心；

2-4)按照2-3)的方法，依次得到剩余的初始聚类中心，若M＝K，则算法结束；S5：进行选择操作，在每个聚类中随机选取个体进行自适应交叉和变异；通过引入Sigmoid函数，使得交叉概率和变异概率呈现出S型，自适应的交叉和变异算子，具体为：

其中，P_c(x)为第x代的交叉概率，P_c为交叉概率的初始化参数，GEN为总的进化代数；

其中，P_m(x)为第x代的变异概率，P_m为变异概率的初始化参数，GEN为总的进化代数；

S6：小生境淘汰操作，将S3得到的M个个体记忆的N个个体合并起来，得到了一个含有M+N个个体的新群体，确定新群体中的个体属于哪个聚类，在每一个聚类中计算每两个个体A_i和A_j的适应度大小，并对其中适应度较低的个体加罚函数；

S7：计算新的适应度并记忆前N个个体；

S8：若满足终止条件，则输出算法结果，算法完成，若不满足终止条件，则将种群及种群代数计数器更新。