一种求解大规模车间作业调度问题的混合分布式进化方法技术

本发明专利技术公开了一种求解大规模车间作业调度问题的混合分布式进化方法，该方法采用两层结构：L1基于种群的分布式进化层：采用排序划分方法，将调度方案作为个体组成种群，将种群划分为多个子种群，各子种群采用相同或不同的进化算法分别进化，进化过程中采用间隔性信息交换的方法，实现子种群之间的进化协作；L2基于维度的分布式进化层：生成贝叶斯网络用于表示调度方案中各维度变量间的关系，根据得到的贝叶斯网络对维度变量进行分组，从而将大规模优化问题划分为多个中小规模子问题分别进化，进化过程中每个子问题中个体的适应度评价，通过选取参考向量的方法实现。本发明专利技术能实现大规模车间作业调度问题的混合分布式进化，输出得到最优调度方案。

A hybrid distributed evolutionary method for large scale job shop scheduling

The invention discloses a hybrid distributed evolutionary method for solving large-scale job shop scheduling problem. The method adopts two-tier structure: L1 distributed evolutionary layer based on population; adopting sorting division method, taking the scheduling scheme as an individual population, dividing the population into multiple subpopulations, each subpopulation adopts the same or different evolutionary algorithm to evolve respectively, during the evolution process The method of interval information exchange is used to realize the evolutionary cooperation among subpopulations; L2 distributed evolution layer based on dimensions: the generation of Bayesian network is used to represent the relationship between the variables in the scheduling scheme, and the dimension variables are grouped according to the obtained Bayesian network, so that the large-scale optimization problem can be divided into several small and medium-sized subproblems, which evolve respectively The fitness evaluation of the individual in each subproblem is realized by selecting the reference vector. The invention can realize the hybrid distributed evolution of the large-scale job shop scheduling problem, and output the optimal scheduling scheme.

【技术实现步骤摘要】
一种求解大规模车间作业调度问题的混合分布式进化方法
本专利技术涉及智能制造领域，尤其涉及一种求解大规模车间作业调度问题的混合分布式进化方法。
技术介绍
如何在最短的时间内为大规模车间作业调度问题找出最优解，是智能制造领域亟待解决的关键问题之一。目前，对于大规模优化问题的研究聚焦于协同进化算法，而且已经形成了以已定或随机个数进行维度划分的较成熟的协同进化算法架构，此种算法架构采用“分治”的思想，将问题划分为多个子问题进行进化，从而有效地提升算法的搜索能力，能够很好地求解完全可分割的大规模优化问题。然而，大规模车间作业调度问题是一种实际生产中的大规模优化问题，其涉及的维度变量间存在较复杂的耦合关系，属于部分可分割的大规模优化问题。对于部分可分割的大规模优化问题，已有的协同进化算法架构忽略了变量间的耦合关系，在维度划分上呈现出很大的盲目性，从而大大限制了进化过程，很难获得好的进化效果。作为另一种分布式进化算法架构，种群分布式进化架构将待进化种群划分为多个子种群，分别寻优，并交互协同，从而避免单个种群向同一方向进化产生的局部最优问题，提高进化算法的寻优效果。故而，在求解大规模车间作业调度问题时，应从两个方面考虑：(1)学习维度变量间的耦合关系，基于变量间的耦合关系，实现维度划分(即降维)；(2)划分种群，实现多个子种群的协同进化，以提高进化效果。
技术实现思路
本专利技术要解决的技术问题在于针对现有技术中的缺陷，提供一种求解大规模车间作业调度问题的混合分布式进化方法，采用排序划分方法实现初始调度方案种群划分，得到多个子种群，采用贝叶斯网络学习大规模优化问题中变量间的关系，对每个子种群实现维度变量分组，构建出融合种群分布和维度分布的双层混合进化方法用于求解大规模优化问题。本专利技术解决其技术问题所采用的技术方案是：本专利技术提供一种求解大规模车间作业调度问题的混合分布式进化方法，对车间的若干个调度方案，采用混合分布式进化方法进行调度方案的选择，每个调度方案均包括多个工序，该方法采用两层结构，输出最优调度方案，该方法包括以下步骤：L1基于种群的分布式进化层：采用排序划分方法，将调度方案作为个体组成种群，将种群划分为多个子种群，各子种群采用相同或不同的进化算法分别进化，进化过程中采用间隔性信息交换的方法，实现子种群之间的进化协作；L2基于维度的分布式进化层：生成贝叶斯网络用于表示调度方案中各维度变量间的关系，根据得到的贝叶斯网络对维度变量进行分组，从而将大规模优化问题划分为多个中小规模子问题分别进化，进化过程中每个子问题中个体的适应度评价，通过选取参考向量的方法实现；通过将若干个调度方案作为待进化种群，分别从横向和纵向上进行基于种群和基于维度的划分，从而实现混合分布式进化，输出最优调度方案，将最优调度方案交由车间执行。进一步地，本专利技术的该方法中采用的排序划分方法为：步骤1.1、初始化若干调度方案组成待进化种群，将待进化种群中个体按适应度大小进行升序排列；步骤1.2、设置子种群数量为n，并对子种群进行编号为(1,2,3,...,n)；步骤1.3、按照如下公式，建立个体与子种群的对应关系；个体分配的子种群编号＝个体适应度次序％子种群数量步骤1.4、根据步骤1.3所得的个体与子种群的对应关系，将个体划分至对应子种群中。进一步地，本专利技术的该方法中采用的间隔性信息交换方法为：步骤2.1、初始化信息交换间隔代数Tc、迭代计数Count和总迭代次数Iter；步骤2.2、各子种群使用相应的进化算法分别实现Tc代进化，更新迭代计数Count；步骤2.3、通过比较各子种群中个体的适应度，为各子种群选择出相应的最优个体和最差个体，并将选出的最优个体存储于所有子种群均可访问的公共存储空间中；步骤2.4、为每个子种群，从公共存储空间随机取出一个来自其他子种群的最优个体，并用取出的最优个体替换子种群中的最差个体；步骤2.5、判断迭代计数值Count是否达到总迭代次数Iter，若是，则结束，否则，转向步骤2.2。进一步地，本专利技术的该方法中生成贝叶斯网络的方法为：步骤3.1、随机生成NB，NB>1，个N×N的矩阵BN；其中，N表示待优化调度问题的总工序数，bij∈{0,1}表示问题中工序Oi和工序Oj在贝叶斯网络中是否相关，若bij＝1，则在贝叶斯网络中与工序Oi和工序Oj对应的结点间存在有向边Nodei→Nodej；若bij＝0，则表示在贝叶斯网络中与工序Oi和工序Oj对应的结点间无有向边；步骤3.2、采用有向无环图调整方法，对生成的NB个矩阵BN进行调整，得到相应的NB个新矩阵BN’，使每个BN’均能映射为一个有向无环图，从而由调整所得的NB个BN’组成初始贝叶斯网络种群；步骤3.3、采用基于评分的进化算法优化步骤3.2所得的初始贝叶斯网络种群，得到最优贝叶斯网络，用于表示维度变量间的关系。进一步地，本专利技术的步骤3.2中的有向无环图调整方法为：步骤3.2.1、根据矩阵BN中各元素bij的取值，构建有向图Graph；步骤3.2.2、将矩阵BN对角线上的元素设为0，并删除有向图Graph中的边Nodei→Nodej；步骤3.2.3、初始化工序计数i＝1，待优化调度问题的总工序数记为N；步骤3.2.4、对工序Oi，在有向图Graph中遍历工序Oi子孙结点，若其子孙结点中包含其本身，则删除子孙结点中指向工序Oi的结点与工序Oi连接的边，同时将矩阵BN中相应元素设置为0；步骤3.2.5、更新工序计数i＝i+1，若i≤N，则转向步骤3.2.4，否则，结束。进一步地，本专利技术的步骤3.3中基于评分的进化算法为：步骤3.3.1、随机生成若干个调度方案个体，选出其中的优秀个体组成初始调度方案种群；步骤3.3.2、初始化迭代次数T、迭代计数t、变异概率p；步骤3.3.3、以初始调度方案种群为数据集，使用贝叶斯网络评分公式计算当前贝叶斯网络种群中的每个个体的评分，作为相应贝叶斯网络个体的适应度值；步骤3.3.4、使用锦标赛机制从当前贝叶斯网络种群中，选取n个贝叶斯网络个体，n≥2；步骤3.3.5、将选取的贝叶斯网络个体两两交叉，生成新的贝叶斯网络个体；其方法为：随机生成行号i1、i2，列号j1、j2，交换位置，使i1<i2；将两个贝叶斯网络个体从第i1行第j1列元素开始至第i2行第j2元素，进行交换产生新的贝叶斯网络个体；步骤3.3.6、为当前贝叶斯网络种群中的每个个体生成相应的随机数r，若r>p，则对相应的贝叶斯网络个体执行变异操作；其方法为：随机生成行号i1、i2，列号j1、j2，交换位置，使i1<i2；对贝叶斯网络个体中从第i1行第j1列至第i2行第j2的相应元素值进行判断，若元素值为0，则变异为1；若元素值为1则变异为0；步骤3.3.7、对当前贝叶斯网络种本文档来自技高网...

【技术保护点】
1.一种求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，对车间的若干个调度方案，采用混合分布式进化方法进行调度方案的选择，每个调度方案均包括多个工序，该方法采用两层结构，输出最优调度方案，该方法包括以下步骤：/nL1基于种群的分布式进化层：采用排序划分方法，将调度方案作为个体组成种群，将种群划分为多个子种群，各子种群采用相同或不同的进化算法分别进化，进化过程中采用间隔性信息交换的方法，实现子种群之间的进化协作；/nL2基于维度的分布式进化层：生成贝叶斯网络用于表示调度方案中各维度变量间的关系，根据得到的贝叶斯网络对维度变量进行分组，从而将大规模优化问题划分为多个中小规模子问题分别进化，进化过程中每个子问题中个体的适应度评价，通过选取参考向量的方法实现；/n通过将若干个调度方案作为待进化种群，分别从横向和纵向上进行基于种群和基于维度的划分，从而实现混合分布式进化，输出最优调度方案，将最优调度方案交由车间执行。/n

【技术特征摘要】
1.一种求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，对车间的若干个调度方案，采用混合分布式进化方法进行调度方案的选择，每个调度方案均包括多个工序，该方法采用两层结构，输出最优调度方案，该方法包括以下步骤：
L1基于种群的分布式进化层：采用排序划分方法，将调度方案作为个体组成种群，将种群划分为多个子种群，各子种群采用相同或不同的进化算法分别进化，进化过程中采用间隔性信息交换的方法，实现子种群之间的进化协作；
L2基于维度的分布式进化层：生成贝叶斯网络用于表示调度方案中各维度变量间的关系，根据得到的贝叶斯网络对维度变量进行分组，从而将大规模优化问题划分为多个中小规模子问题分别进化，进化过程中每个子问题中个体的适应度评价，通过选取参考向量的方法实现；
通过将若干个调度方案作为待进化种群，分别从横向和纵向上进行基于种群和基于维度的划分，从而实现混合分布式进化，输出最优调度方案，将最优调度方案交由车间执行。


2.根据权利要求1所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，该方法中采用的排序划分方法为：
步骤1.1、初始化若干调度方案组成待进化种群，将待进化种群中个体按适应度大小进行升序排列；
步骤1.2、设置子种群数量为n，并对子种群进行编号为(1,2,3,...,n)；
步骤1.3、按照如下公式，建立个体与子种群的对应关系；
个体分配的子种群编号＝个体适应度次序％子种群数量
步骤1.4、根据步骤1.3所得的个体与子种群的对应关系，将个体划分至对应子种群中。


3.根据权利要求2所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，该方法中采用的间隔性信息交换方法为：
步骤2.1、初始化信息交换间隔代数Tc、迭代计数Count和总迭代次数Iter；
步骤2.2、各子种群使用相应的进化算法分别实现Tc代进化，更新迭代计数Count；
步骤2.3、通过比较各子种群中个体的适应度，为各子种群选择出相应的最优个体和最差个体，并将选出的最优个体存储于所有子种群均可访问的公共存储空间中；
步骤2.4、为每个子种群，从公共存储空间随机取出一个来自其他子种群的最优个体，并用取出的最优个体替换子种群中的最差个体；
步骤2.5、判断迭代计数值Count是否达到总迭代次数Iter，若是，则结束，否则，转向步骤2.2。


4.根据权利要求1所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，该方法中生成贝叶斯网络的方法为：
步骤3.1、随机生成NB，NB>1，个N×N的矩阵BN；



其中，N表示待优化调度问题的总工序数，bij∈{0,1}表示问题中工序Oi和工序Oj在贝叶斯网络中是否相关，若bij＝1，则在贝叶斯网络中与工序Oi和工序Oj对应的结点间存在有向边Nodei→Nodej；若bij＝0，则表示在贝叶斯网络中与工序Oi和工序Oj对应的结点间无有向边；
步骤3.2、采用有向无环图调整方法，对生成的NB个矩阵BN进行调整，得到相应的NB个新矩阵BN’，使每个BN’均能映射为一个有向无环图，从而由调整所得的NB个BN’组成初始贝叶斯网络种群；
步骤3.3、采用基于评分的进化算法优化步骤3.2所得的初始贝叶斯网络种群，得到最优贝叶斯网络，用于表示维度变量间的关系。


5.根据权利要求4所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，步骤3.2中的有向无环图调整方法为：
步骤3.2.1、根据矩阵BN中各元素bij的取值，构建有向图Graph；
步骤3.2.2、将矩阵BN对角线上的元素设为0，并删除有向图Graph中的边Nodei→Nodej；
步骤3.2.3、初始化工序计数i＝1，待优化调度问题的总工序数记为N；
步骤3.2.4、对工序Oi，在有向图Graph中遍历工序Oi子孙结点，若其子孙结点中包含其本身，则删除子孙结点中指向工序Oi的结点与工序Oi连接的边，同时将矩阵BN中相应元素设置为0；
步骤3.2.5、更新工序计数i＝i+1，若i≤N，则转向步骤3.2.4，否则，结束。


6.根据权利要求4所述的求解大规模车间作业调度问题的混合分布式进化方法，其特征在于，步骤3.3中基于评分的进化算法为：
步骤3.3.1、随机生成若干个调度方案个体，选出其中的优秀个体组成初始调度方案种群；
步骤3.3.2、初始化迭代次数T、迭代计数t、变异概率p；
步骤3.3.3、以初始调度方案种群为数据集，使用贝叶斯网络评分公式计算当前贝叶斯网络种群中的每个个体的评分，作为相应贝叶斯网络个体的适应度值；
步骤3.3.4、使用锦标赛机制从当前贝叶斯网络种群中，选取n个贝叶斯网络个体，n≥2；
步骤3.3.5、将选取的贝叶斯网络个体两两交叉，生成新的贝叶斯网络个体；其方法为：
随机生成行号i1、i2，列号j1、j2，交换位置，使i1<i2；
将两个贝叶斯网络个体从第i1行第j1列元素开始至第i2行第j2元素，进行交换产生...

【专利技术属性】
技术研发人员：李小霞，杨洁，朱荣银，李悦川，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：湖北;42