[发明专利]基于改进人工蜂群算法的柔性作业车间调度方法

说明书

本发明公开了一种基于改进人工蜂群算法的柔性作业车间调度方法，将人工蜂群算法经过改进应用到柔性作业车间调度问题中，采用每个蜜源个体双层整数编码来表达一个调度方案，编码与解码操作简单。种群的初始化作出改进，采用随机选择和按规则选择相结合的方法产生优质初始解，针对雇佣蜂搜索过程，提出了改进的IPOX交叉方法，在继承父代优秀个体的同时，又能平衡算法的开发和探索能力；在观察蜂阶段，采用变步长策略来增强算法的全局搜索能力，避免陷入局部最优；通过增加侦查蜂的数量来保持种群的多样性；在算法迭代过程中采用贪婪策略保留精英解，以保证结果不会退化，得到最优的车间调度结果。

技术领域

本发明涉及柔性作业车间调度优化技术领域，尤其涉及一种基于改进人工蜂群算法的柔性作业车间调度方法。

背景技术

随着科学技术的发展，生产车间的复杂度也越来越高，1954年，Johnson研究了两台机器的流水作业车间调度问题，自那时起，不断增多的研究学者着手深入扩展该问题的研究。在调度相关研究中，经典的作业车间调度问题(Job Shop Scheduling Problem，JSP)研究成果累累，其研究成果在钢铁、纺织、电子、机械等行业的车间生产中得到了广泛应用。在此研究根基上，上世纪90年代，Bruker和Schlie首次提出柔性作业车间调度问题(Flexible Job Shop Problem,FJSP)的概念。柔性作业车间调度问题是传统作业车间调度的扩展，突破了资源唯一性限制，每道工序可在多台不同的机器上加工，工序可以根据不同状况选择不同的机器进行加工，从而使作业车间调度问题更加贴合实际生产，所以一直是国内外的研究热点。

人工蜂群算法(Artificial Bee Colony Algorithm，ABC)是一种受自然界中蜜蜂行为所启发而产生的新的仿生智能优化算法。它是由土耳其学者Karaboga在2005年提出，并且成功应用于函数优化问题上。人工蜂群算法的思想主要是模仿蜜蜂群体寻找优良蜜源的过程。人工蜂群算法中每一个蜜源都代表一种方案，用适应度值来衡量蜜源。所有的蜜蜂可以分为三类：雇佣蜂、观察蜂和侦查蜂。雇佣蜂与蜜源的位置相对应，所有雇佣蜂的数量与蜜源相等，且具有记忆功能，能够把搜索到的蜜源信息存储起来，根据蜜源的好坏，按一定的概率分享给观察蜂。观察蜂得到雇佣蜂分享的信息之后，选择满意的蜜源信息进行跟随，观察蜂的数量等同于雇佣蜂。侦查蜂则按一定规则搜索新的蜜源位置。三种蜜蜂之间可以互相转换，这是蜂群算法特有的机制。当算法达到结束条件，算法结束。传统人工蜂群算法主要是解决连续函数优化问题，难以求解柔性作业车间调度问题。

发明内容

针对以上问题，本发明提出一种基于改进人工蜂群算法的柔性作业车间调度方法，以解决人工蜂群算法解决柔性作业车间调度问题中的不足，其解决了传统人工蜂群算法局部搜索能力弱，容易陷入局部最优、过早收敛的缺陷。

为实现本发明的目的，提供一种基于改进人工蜂群算法的柔性作业车间调度方法，包括如下步骤：

S10，建立柔性作业车间调度的模型，将最大完成时间最小作为模型的目标函数；

S20，确定柔性作业车间调度问题的约束条件；

S30，将人工蜂群算法的种群进行离散化编码，以求解柔性作业车间调度问题，采用工序串和机器串的双层编码的方式，使每一个蜜源代表着一种调度方案，设置人工蜂群算法求解柔性作业车间调度问题的调度参数；其中人工蜂群算法的终止条件是迭代次数完成；

S40，计算各个蜜源的初始适应度值，根据初始适应度值使蜜源间进行IPOX交叉操作和多点交叉操作；

S50，计算各蜜源的理论适应度值，并且计算观察蜂选择跟随各雇佣蜂的概率；

S60，采用变步长搜索策略，对各个蜜源执行变异操作；

S70，判断蜜源是否达到最大搜索次数，若是，则将人工蜂群算法的雇佣蜂转换为侦查蜂，搜索新的蜜源；若否，则执行步骤S80。