一种基于优先权编码的混合遗传算法解作业车间调度问题制造技术

本发明专利技术提出了一种基于优先权编码的混合遗传算法解作业车间调度问题，该混合算法将蚁群优化算法（ACO)与自适应遗传算法(AGA)相结合，采取动态链接策略，先执行自适应遗传算法，根据遗传算法生成的一组优化方案转化成蚁群算法的初始信息素分布，执行蚁群算法。本发明专利技术中遗传算法采用基于优先权矩阵的编码方式，编码方便，且不用解码。且交叉、变异概率根据最佳染色体的适应度的变化而自适应变化。本发明专利技术弥补了：AGA算法前期收敛速度快，后期由于缺少反馈而收敛速度降低；ACO算法前期由于信息素的短缺和随机性导致收敛速度较低，而后期收敛速度显著升高的问题。取长补短，避免了搜索陷入局部最优解和执行时间过长的问题，增强了算法的性能和实用性。

A hybrid genetic algorithm based on priority coding for job shop scheduling problem

The invention proposes a hybrid genetic algorithm based on priority encoding solution of job shop scheduling problem, the hybrid algorithm of ant colony optimization (ACO) algorithm and adaptive genetic algorithm (AGA) combined by dynamic link strategy, the first implementation of adaptive genetic algorithm, based on the initial information of a set of optimization scheme of genetic algorithm to generate the transformation as the distribution of ant colony algorithm, ant colony algorithm implementation. In the genetic algorithm, the coding method based on the priority matrix is adopted, and the coding is convenient, without decoding. The crossover and mutation probability adaptively changes according to the fitness of the best chromosome. The invention makes up early: AGA algorithm has fast convergence speed and later due to the lack of feedback and the convergence rate of ACO algorithm is reduced; because of the early pheromone shortage and the randomness of the convergence rate is low, and the convergence speed increased the problem. It avoids the problem that the search is trapped in the local optimal solution and the execution time is too long, which enhances the performance and practicability of the algorithm.

【技术实现步骤摘要】
所属
本专利技术涉及计算机执行制造系统领域，具体涉及用算法解决作业车间调度的组合优化问题。
技术介绍
作业车间调度问题(Job-ShopSchedulingProblem)是制造执行系统研究的核心和重点之一，它的研究不仅具有重大的现实意义，而且具有深远的理论意义。作业车间调度问题(JSP)，就是根据产品制造需求合理分配产品制造资源，进而达到合理利用产品制造资源、提高企业经济效益的目的。JSP是产品制造行业中共存的问题，它与计算机集成制造系统(ComputerIntegratedManufacturingSystems，简称CIMS)的工厂管理、产品制造层次紧密相关，是CIMS领域中研究的重要课题。JSP是一个典型的NP-hard问题,它的研究必然会对NP问题的研究起到有意义的影响。过去的几十年，各种算法被应用来解决作业车间调度问题。其中不乏有遗传算法、粒子群算法、蚁群算法等。遗传算法作为一种全局优化算法，得到了广泛的应用，但经典遗传算法存在收敛速度慢，容易早熟等问题。自适应遗传算法(AdaptiveGeneticAlgorithm，简称AGA)是对基本遗传算法的一种改进，它通过对遗传参数的自适应调整，大大提高了遗传算法的收敛精度，加快了收敛速度。但AGA仍然面临算法前期收敛速度快，后期由于缺少反馈而收敛速度降低的问题。蚁群优化算法(AntColonyOptimizationAlgorithm，简称ACO)是一种源于自然现象的算法，主要思想来源于群体中各个个体之间的间接交流方法，主要是模仿蚂蚁通过释放和跟随信息素的方式来达到整体的交流和行为上的涌现现象。ACO算法前期由于信息素的短缺和随机性导致收敛速度较低，而后期收敛速度显著升高。
技术实现思路
针对上述的AGA算法前期收敛速度快，后期由于缺少反馈而收敛速度降低，ACO算法前期由于信息素的短缺和随机性导致收敛速度较低，而后期收敛速度显著升高，本专利技术提出了自适应遗传算法和蚁群优化算法(AdaptiveGeneticAlgorithmandAntColonyOptimizationAlgorithm,AGA-ACO)，采取动态链接策略，结合自适应遗传算法与蚁群优化算法来创建混合优化算法。本专利技术针对上述不足，所采用的技术方案是：一种基于优先权编码的混合遗传算法解业车间调度问题。该技术方案的执行步骤如下：步骤1、设置自适应遗传算法和蚁群算法的相关参数和优先权矩阵编码规则；步骤2、随机生成初始种群p(g)，根据事先设置的目标函数和适应度函数计算每个个体的适应度；步骤3、选择交叉、变异遗传算子操作，更新优先权矩阵，生成下一子代p(g+1)，并计算此时每个个体的适应度，保留此时的精英个体；步骤4、根据设置的最大迭代次数Gmax和迭代终止条件Gdie判断是否终止迭代进化。迭代终止则执行步骤6，否则执行步骤5；步骤5、改变交叉、变异的概率，返回步骤3；步骤6、根据生成的一组优化方案转化成信息素的初始分布；步骤7、将m个蚂蚁置于初始节点0，计算每个蚂蚁选择下一节点移动的概率步骤8、改变蚂蚁经过路径上的信息素并计算路径上总的信息素，计算并保留精英蚂蚁，判断是否达到终止条件，满足条件输出最终结果，否则返回步骤7。本专利技术的有益效果是：该专利技术结合AGA与ACO两个算法各自的优势，避免了搜索陷入局部最优解和执行时间过长的问题，弥补了各自的不足，增强了算法的性能。且本专利技术采用基于优先权矩阵的编码方式，产生的每个染色体本身就具有两种要素，正好对应着作业车间调度问题编码时需要考虑的工件以及工件的工序，不需要额外的解码操作去计算相应的信息，再利用每个矩阵元素的值表示对应工件对应工序的加工优先权，这样每个染色体就能完整的表示一个调度方案。附图说明图1：表示本专利技术的详细流程图图2：表示JSP析取图示例图3：表示遗传算法(GA)和蚁群算法(AA)的V—T曲线图图4：表示遗传算法的初始解产生过程示例具体实施方式本专利技术将自适应遗传算法与改进的蚁群算法混合，该专利技术首先利用自适应遗传算法初始化信息素分布，然后执行改进的蚁群算法。该算法结合了两个算法的优点，避免搜索陷入局部最优解和执行时间过长的问题，克服了它们各自的缺点。且混合算法的性能优于之前的，且随着JSP规模越大，算法性能越好。下面结合附图1－图3和实施例对本专利技术详细说明。作业车间调度问题指分配n个工件到m台设备上加工的时序分发问题。有多种不同形式可以用来描述JSP，如线性规划模型和析取图模型。本专利技术用析取图G＝(N，A，E)表示JSP，结合图2析取图示例可表述如下：N表示所有工序节点集，增加两个虚拟节点0和N+1,节点0表示开始，节点N+1表示结束。A表示同一工件相邻工序的单向弧集，E表示同一设备相邻工序的双向析取弧集。目标函数定义为最小化最大完工时间，目标函数如下：其中Ci(i＝1，2，......，n)表示完成第i次工序的时间。本专利技术的目的在于让作业车间调度中完工时间最小，遗传算法(GA)与蚁群算法(AA)结合图3V-T曲线图可看出：t0-ta阶段遗传算法的收敛速度很高，但ta之后遗传算法由于缺少反馈而收敛速度降低。t0-ta阶段蚁群算法由于信息素的短缺和随机性导致收敛速度较低，但ta之后收敛速度显著升高。因此本混合算法将ta之前信息素的分布通过AGA收集，ta之后由ACO生成最佳方案。下面结合附图对该混合算法详细说明。一、遗传算法:1、遗传编码：基于优先权矩阵的编码方式在基于优先权矩阵编码方法中一条染色体对应一个矩阵，由于矩阵是二维的，具有行和列之分，所以采用基于优先权矩阵编码产生的每个染色体本身就具有两种要素，正好对应着车间作业调度问题编码时需要考虑的工件以及工件的工序，不需要额外的解码操作去计算相应的信息，再利用每个矩阵元素的值表示对应工件对应工序的加工优先权，这样每个染色体就能完整的表示一个调度方案。编码时，令矩阵每一行代表一个工件，每一列代表一个工序，元素eij表示第i个工件的第j道工序在所有工序中的加工优先权，如有n个工件，每个工件有m道工序，因此对应的优先权值为1到n×m的自然数，即矩阵各元素的值也为1到n×m的自然数。例如有以下矩阵：E1表示各工件工序的加工顺序，顺序为：o11，o21，o13，o32，o22，o31，o23，o12，o33。oij表示第i个工件的第j道工序的优先权值。2、产生初始解初始解的构造结合图4示例图，可描述如下：各工件应该按照工序的先后顺序加工，首先应该加工的是各工件的第一道工序，所以在各工件的第一道工序{o11，o21，o31本文档来自技高网...

【技术保护点】
一种基于优先权编码的混合遗传算法解作业车间调度问题，该混合算法将自适应遗传算法与蚁群优化算法采取动态链接策略，弥补各自的不足及发挥各自的优势，其特征是：该混合算法的执行步骤如下：步骤1、设置自适应遗传算法和蚁群算法的相关参数和优先权矩阵编码规则；步骤2、随机生成初始种群p(g)，根据事先设置的目标函数和适应度函数计算每个个体的适应度；步骤3、选择交叉、变异遗传算子操作，更新优先权矩阵，生成下一子代p(g+1)，并计算此时每个个体的适应度，保留此时的精英个体；步骤4、根据设置的最大迭代次数和迭代终止条件判断是否终止迭代进化，迭代终止则执行步骤6，否则执行步骤5；步骤5、改变交叉、变异的概率，返回步骤3；步骤6、根据生成的一组优化方案转化成信息素的初始分布；步骤7、将m个蚂蚁置于初始节点0，计算每个蚂蚁选择下一节点移动的概率；步骤8、改变蚂蚁经过路径上的信息素并计算路径上总的信息素，计算并保留精英蚂蚁，判断是否达到终止条件，满足条件输出最终结果，否则返回步骤7。

【技术特征摘要】
1.一种基于优先权编码的混合遗传算法解作业车间调度问题，该混合算法将自适应遗传算法与蚁群优化算法采取动态链接策略，弥补各自的不足及发挥各自的优势，其特征是：该混合算法的执行步骤如下：步骤1、设置自适应遗传算法和蚁群算法的相关参数和优先权矩阵编码规则；步骤2、随机生成初始种群p(g)，根据事先设置的目标函数和适应度函数计算每个个体的适应度；步骤3、选择交叉、变异遗传算子操作，更新优先权矩阵，生成下一子代p(g+1)，并计算此时每个个体的适应度，保留此时的精英个体；步骤4、根据设置的最大迭代次数和迭代终止条件判断是否终止迭代进化，迭代终止则执行步骤6，否则执行步骤5；步骤5、改变交叉、变异的概率，返回步骤3；步骤6、根据生成的一组优化方案转化成信息素的初始分布；步骤7、将m个蚂蚁置于初始节点0，计算每个蚂蚁选择下一节点移动的概率；步骤8、改变蚂蚁经过路径上的信息素并计算路径上总的信息素，计算并保留精英蚂蚁，判断是否达到终止条件，满足条件输出最终结果，否则返回步骤7。2.根据权利要求1所述的一种基于优先权编码的混合遗传算法解作业车间调度问题，其特征是：步骤1优先权编码方式如下：编码时，令矩阵每一行代表一个工件，每一列代表一个工序，元素表示第i个工件的第j道工序在所有工序中的加工优先权，如有n个工件，每个工件有m道工序，因此对应的优先权值为1到n×m的自然数，即矩阵各元素的值也为1到n×m的自然数。3.根据权利要求1所述的一种基于优先权编码的混合遗传算法解作业车间调度问题，其特征是：步骤3交叉操作：为了确保产生的某些基因不被破坏的同时，另外一些基因发生改变以达到进化效果，交叉时交换两个染色体中同一工件对应各优先权值，然后统...

【专利技术属性】
技术研发人员：黄超杰，胡成华，
申请(专利权)人：四川用联信息技术有限公司，
类型：发明
国别省市：四川;51