【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。