[发明专利]一种基于自适应分层策略的柔性作业车间调度方法

说明书

本发明涉及一种基于自适应分层策略的柔性作业车间调度方法，包括以下步骤：初始化生成初始种群；判断种群是否收敛，若为是，则输出种群中的最优解，否则对种群Pt进行遗传操作，得到子代种群Qt，合并Pt和Qt得到组合种群Rt；对Rt中的所有个体进行非支配排序和拥挤度计算，通过精英保留策略自Rt中选出N个个体作为新的种群。与现有技术相比，本发明设计了自适应分层策略，在精英保留策略中，动态的选择不同非支配层的个体进入下一代，同时为了考虑算法的收敛性和稳定性，在选择过程中尽量保持非支配层中靠前的个体保持较高的选中概率，这样保留了种群中的优良个体，也增加了种群的多样性，增加了种群的丰富度，提升调度结果的最优值。

技术领域

本发明涉及柔性作业车间调度方法优化技术领域，尤其是涉及一种基于自适应分层策略的柔性作业车间调度方法。

背景技术

调度问题是制造流程规划和管理中最关键的问题之一。这个领域最困难的问题之一是作业车间调度问题(Job-shop Scheduling Problem,JSP)，该问题中，一组机器需处理一组工件，每个工件由一系列具有先后顺序约束的工序形成，每个工序只需要一台机器，机器一直可用，可以一次处理一个操作而不会中断。决策内容包括如何对机器上的工序进行排序，已优化给定的性能指标。JSP的典型性能指标是完工时间(makespan)，即完成所有工作所需的时间，JSP是一个众所周知的NP难题。而柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)是经典JSP的拓展，对于n个待加工工件进行加工，每个工件具有一个或者多个加工工序，每个工件依据加工流程中的工序进行排产。考虑到柔性车间中所有机器的性能、型号和用途等不尽相同，因此调度问题是将各个工序分配到各台机器上，并合理安排工序的加工次序和时间，以满足企业生产的性能指标。柔性作业车间调度问题由于更加逼近实际的多样化生产环境，因此增加了计算复杂性和求解难度。柔性作业车间调度问题常见的解决方法有模拟退火(Simulated Annealing，SA)、粒子群算法(Particle Swarm Optimization，PSO)和遗传算法(Genetic Algorithm，GA)等。

模拟退火算法最早由Kirkpatrick等于1983年提出。模拟退火算法来源于晶体冷却过程。当固体处于非最低能状态时，给固体加热再冷却的过程中伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即概率性地跳出局部最优解并最终趋于全局最优。模拟退火算法的应用比较广泛，可以用来高效求解NP完全问题，如旅行商问题、最大截问题、0-1背包问题等。然而，其存在参数难以控制、收敛速度慢、需要多次才能获得最优值的缺点。而算法中的参数设置也对算法性能有较大影响，如温度T的初始值设置。初始温度设置较高，则搜索到全局最优解的可能性大，但因此要花费大量的计算时间；反之，可以节约计算时间，但全局搜索性能可能会受到影响。同时，退火速度也会影响算法的全局搜索性能。

粒子群算法是由Kennedy和Eberhart在研究鸟类和鱼类的群体行为基础上提出的一种群智能算法。其思想来源于人工生命和演化计算理论，通过模仿鸟群飞行觅食行为，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有粒子都有一个被优化函数决定的适应值，以及决定飞翔方向和距离的速度。粒子们通过追随当前的最优粒子在解空间中进行搜索，直至搜索到最优解。粒子群算法采用实数求解，需要调整的参数较少，易于实现。但是该算法也存在易于陷入局部最优，且容易出现早熟的问题。在计算粒子速度时，惯性权重的选取对算法的性能有较大的影响。如果w值较大，则有利于跳出局部最优，进行全局寻优；而w值较小，则有利于局部寻优，加速算法收敛。常见的解决方法是将w值随着迭代次数的增加而线性减少。但其仍然依赖迭代次数的选取，而不能反映实际粒子的变化情况与实际优化搜索过程。