一种用于分布式作业车间调度的超启发式差分进化方法技术

本发明专利技术公开了一种用于分布式作业车间调度的超启发式差分进化方法，属于作业车间调度技术领域。本发明专利技术采用超启发式差分进化算法实现对分布式作业车间调度的问题优化，将结构简单、记忆能力强的差分进化算法作为超启发式框架下的高层策略，用以动态操作一系列简单有效的低层启发式操作间接地实现对原问题目标求解过程的优化。使用本发明专利技术提出的方法，一方面可以保留启发式算法较好的全局搜索能力，另一方面又可以有效地增强算法深度搜索的能力，并且可以有效地提高算法在调度优化问题中的稳定性。定性。定性。

【技术实现步骤摘要】
一种用于分布式作业车间调度的超启发式差分进化方法


[0001]本专利技术涉及一种用于分布式作业车间调度的超启发式差分进化方法，属于作业车间调度


技术介绍

[0002]生产调度是智能制造中的重要环节，是企业优化资源配置和提高经济效益的关键。近年来，随着经济全球化的深入，许多制造企业积极地参与进国际和区域间的合作。由于产地原料分布不同，产品的制造往往需要交由不同区域的生产基地加工完成，原有的单工厂模式正在被多工厂模式取代。这种多工厂模式下的调度问题也被称为分布式调度问题。在此背景下，分布式作业车间调度问题(Distributed Job Shop Scheduling Problem，DJSSP)被提出并引起了研究者的兴趣。DJSSP作为分布式调度问题和作业车间调度问题的结合，主要需要考虑三个子问题：1)工件分配给不同的工厂；2)工厂中工序的加工排列；3)工序加工的机器选择。
[0003]作业车间调度问题是一种典型的NP
‑
hard问题，而DJSSP在作业车间调度问题的基础上，还要考虑工件的分配问题，因此，DJSSP也是一种NP
‑
hard问题。目前，在求解DJSSP的研究中，还缺乏解决分布式作业车间调度问题中存在的工厂分配、工序排列和机器选择三个子问题的方法。

技术实现思路

[0004]本专利技术提供了一种用于分布式作业车间调度的超启发式差分进化方法，以解决分布式作业车间调度问题中存在的工厂分配、工序排序和机器选择三个子问题。
[0005]本专利技术的技术方案是：一种用于分布式作业车间调度的超启发式差分进化方法，包括：
[0006]步骤1：设置关键参数：种群大小ps，缩放因子F
s
，交叉概率CR，低层启发式方法中的操作数N；个体边界包括下界lower(x
b,d
)，上界upper(x
b,d
)，d＝1,2,...,N且b＝1,2,...,ps；算法最大迭代次数maxG；
[0007]步骤2：采用N种邻域操作设计启发式规则，构建面向分布式作业车间调度的低层启发式方法集合，并将ps种低层启发式方法编号；种群分为高层策略域种群X和低层问题域种群Y，高层策略域种群和低层问题域种群的种群大小都相同；高层策略域种群中的每一个个体就是一种低层启发式方法，低层问题域种群中的每一个个体就是分布式作业车间调度中的一个解；
[0008]步骤3：初始化种群；对于高层策略域种群，当迭代次数G＝0时，令随机参数并根据生成初始的高层策略域种群X；对于低层问题域种群Y，统一采用随机方式生产ps个个体的三个子序列；将高层策略域种群的个体和低层问题域种群的个体一一对应；其中，三个子序列为工厂分配序列、工序排列序列和机器选择序列；
[0009]步骤4：采用分布式作业车间调度模型评价低层问题域种群的个体，得到每个个体的适应度；
[0010]步骤5：将高层策略域种群个体X
b
中的低层启发式方法依次对应更新低层问题域种群Y
b
个体，根据分布式作业车间调度模型求解适应度值；每次更新时，若产生的新解的适应度值优于旧解，则用新解替换旧解，并不再执行后续低层启发式方法中的剩余操作；否则继续执行后续低层启发式方法中的剩余操作；执行完一个高层策略域种群个体X
b
后，该高层个体X
b
的适应度值即为对应的低层个体X
b
的适应度值；
[0011]步骤6：根据适应度值的大小，将高层策略域种群、低层问题域种群分别按照适应度值从小到大排序；
[0012]步骤7：进化阶段；令b＝2，G＝1；
[0013]步骤8：在高层策略域种群X中，令个体X1为最优个体best；令测试向量tmp＝X
b
且计算变量D＝0；随机产生参数l1、l2且满足l1,l2∈{1,2,...,ps}，其中l1≠l2≠b；随机选择d，d∈{1,2,...,N}；
[0014]步骤9：对best依次差分进化变异操作和交叉操作；
[0015]步骤10：对best进行差分进化选择操作；使用tmp更新低层问题域种群Y中的个体Y
b
，并计算Y
b
的目标值，以此得到tmp的适应度值；如果tmp的适应度值小于X
b
，则令X
b
＝tmp；
[0016]步骤11：根据适应度值的大小，将高层策略域种群、低层问题域种群分别按照适应度值从小到大排序；
[0017]步骤12：令G＝G+1；若G≤MaxG，则跳转至步骤7；否则输出Y1作为调度最优解，从而完成对分布式作业车间调度的优化求解。
[0018]所述分布式作业车间调度模型如下：
[0019]C
i
＝C
i,m
；
ꢀꢀꢀ
(1)
[0020]S
i,j+1
≥C
i,j
,j＝1,2,...,m；
ꢀꢀꢀ
(2)
[0021][0022][0023][0024][0025][0026]C
max
(π)＝maxC
i
,i＝1,2,...,n；(8)
[0027][0028]式中，C
i
表示工件i的最终完工时间，m表示工厂中的机器总数且该值等于工件的加工工序数量，C
i,m
表示工件i在机器m上的完工时间，工件总数为n；S
i,j
表示工件i的第j道
工序的开始加工时间；表示工件i的第j道工序在工厂a中的第k台机器上的加工时间；为决策变量，如果工件i的第j道工序在工厂a中的第k台机器上加工，则为1，否则为0；E
a,k,r
为工厂a中第k台机器上加工顺序索引号为r的工件的起始加工时间；为决策变量，如果工件i的第j道工序在工厂a中的第k台机器上的加工顺序索引为r，则等于1，否则等于0；q
a,k
表示工厂a中第k台机器上加工的工序数量；式(4)表示工件i在工厂a的m台机器上被加工m次；式(6)表示工件i的第j道工序在所有工厂的所有机器中只会被加工一次；式(7)表示一道工序只能被所选择的机器加工一次；式(8)表示分布式作业车间调度的目标是在所有可行调度π中寻找最大完工时间最小的调度π*，可行调度π由三个子序列构成，包括：工厂分配序列π
F
、工序排列序列π
O
和机器选择序列π
M
。
[0029]所述N种邻域操作包括全局交换操作、工厂分配序列交换操作、工厂分配序列变异操作、工厂内交换操作和工厂内插入操作。
[0030]所述面向分布式作业车间调度的低层启发式方法集合包括ps种低层启发式方法，每种低层启发式方法选择由全局交换操作、工厂分配序列交换操作、工厂分配序列变异操作、工厂内交换操作和工厂内插入操作中的一种或者多种操作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于分布式作业车间调度的超启发式差分进化方法，其特征在于：包括：步骤1：设置关键参数：种群大小ps，缩放因子F
s
，交叉概率CR，低层启发式方法中的操作数N；个体边界包括下界lower(x
b,d
)，上界upper(x
b,d
)，d＝1,2,...,N且b＝1,2,...,ps；算法最大迭代次数maxG；步骤2：采用N种邻域操作设计启发式规则，构建面向分布式作业车间调度的低层启发式方法集合，并将ps种低层启发式方法编号；种群分为高层策略域种群X和低层问题域种群Y，高层策略域种群和低层问题域种群的种群大小都相同；高层策略域种群中的每一个个体就是一种低层启发式方法，低层问题域种群中的每一个个体就是分布式作业车间调度中的一个解；步骤3：初始化种群；对于高层策略域种群，当迭代次数G＝0时，令随机参数并根据生成初始的高层策略域种群X；对于低层问题域种群Y，统一采用随机方式生产ps个个体的三个子序列；将高层策略域种群的个体和低层问题域种群的个体一一对应；其中，三个子序列为工厂分配序列、工序排列序列和机器选择序列；步骤4：采用分布式作业车间调度模型评价低层问题域种群的个体，得到每个个体的适应度；步骤5：将高层策略域种群个体X
b
中的低层启发式方法依次对应更新低层问题域种群Y
b
个体，根据分布式作业车间调度模型求解适应度值；每次更新时，若产生的新解的适应度值优于旧解，则用新解替换旧解，并不再执行后续低层启发式方法中的剩余操作；否则继续执行后续低层启发式方法中的剩余操作；执行完一个高层策略域种群个体X
b
后，该高层个体X
b
的适应度值即为对应的低层个体X
b
的适应度值；步骤6：根据适应度值的大小，将高层策略域种群、低层问题域种群分别按照适应度值从小到大排序；步骤7：进化阶段；令b＝2，G＝1；步骤8：在高层策略域种群X中，令个体X1为最优个体best；令测试向量tmp＝X
b
且计算变量D＝0；随机产生参数l1、l2且满足l1,l2∈{1,2,...,ps}，其中l1≠l2≠b；随机选择d，d∈{1,2,...,N}；步骤9：对best依次差分进化变异操作和交叉操作；步骤10：对best进行差分进化选择操作；使用tmp更新低层问题域种群Y中的个体Y
b
，并计算Y
b
的目标值，以此得到tmp的适应度值；如果tmp的适应度值小于X
b
，则令X
b
＝tmp；步骤11：根据适应度值的大小，将高层策略域种群、低层问题域种群分别按照适应度值从小到大排序；步骤12：令G＝G+1；若G≤MaxG，则跳转至步骤7；否则输出Y1作为调度最优解，从而完成对分布式作业车间调度的优化求解。2.根据权利要求1所述的用于分布式作业车间调度的超启发式差分进化方法，其特征在于：所述分布式作业车间调度模型如下：C
i
＝C
i,m
； (1)S
i,j+1
≥C
i,j
,j＝1,2,...,m； (2)
C
max
(π)＝maxC
i
,i＝1,2,...,n；
ꢀꢀ
(8)式中，C
i
表示工件i的最终完工时...

【专利技术属性】
技术研发人员：胡蓉，伍星，罗文冲，钱斌，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：