一种分布式柔性流水车间调度系统、方法、终端及介质技术方案

本发明专利技术属于数据处理技术领域，公开了一种分布式柔性流水车间调度系统、方法、终端及介质，基于知识驱动的学习型帝王蝶优化方法的分布式柔性流水车间调度系统包括：基于知识驱动的学习型帝王蝶优化模块、分布式装配柔性流水车间调度序列生成模块、初始化模块、适用性计算模块、输出模块。本发明专利技术利用知识驱动的学习机制的帝王蝶优化算法能够有效地进化，具有自学习能力。从候选解中提取的邻域信息被视为KDLMBO算法的先验知识。学习机制由学习迁移算子和学习蝶形调整算子组成。然后，在算法的迭代过程中，由这两个合作算子实现自我学习的集体智能。实验结果证明了本发明专利技术提出的KDLMBO算法的效率和意义。法的效率和意义。法的效率和意义。

【技术实现步骤摘要】
一种分布式柔性流水车间调度系统、方法、终端及介质


[0001]本专利技术属于数据处理
，尤其涉及一种分布式柔性流水车间调度系统、方法、终端及介质。

技术介绍

[0002]目前，各种现实世界的应用被转化为连续优化问题，这些问题随着问题规模的扩大而变得复杂，传统的优化算法难以解决。目前的研究主要集中在解决连续优化问题的可行和有效的优化算法上，随着问题规模的扩大一个连续的优化问题被定义为min f(x),x＝[x1,x2,
…
,xD]，其中的目标是寻找出的最大或最小值f(x)，并输出最优解x，为了直接解决连续优化问题，研究人员提出了各种优化算法。然而，在处理这些连续优化问题时，传统的数学方法的性能受到了问题规模的限制。由于方法的复杂性，当问题的规模扩大到一定数量时，原有的数学方法很难解决连续优化问题。因此，元启发式的不同机制已经被提出并利用来解决复杂的连续优化问题；群体智能优化算法Swarm Intelligence(SI)是解决复杂连续优化问题的可行和有效方法。在过去的几十年里，SI算法的研究已经成为一个引人注目的研究和实践领域。SI算法是受生物行为和自然现象启发的随机仿生优化方法。由于其集体和智能机制，SI对高维复杂和多变的连续优化问题是满意的。
[0003]在过去的几十年里，对SI算法的研究一直在持续，广泛的研究导致了一系列优化算法的出现。例如，遗传算法Genetic Algorithm(GA)、进化策略Evolutionary Strategy(ES)、进化编程Evolutionary Programming(EP)和遗传编程Genetic Programming(GP)。其他SI算法模仿自然界中群居动物的社会行为，如布谷鸟搜索算法Cuckoo Search(CS)、蝙蝠算法Bat Algorithm(BA)、蚁群优化算法Ant Colony Optimization(ACO)，人工蜂群优化算法Artificial Bee Colony(ABC)，粒子群优化算法Particle Swarm Optimization(PSO)；每种SI算法都代表一种智能集体行为。群体的个体合作形成了集体智慧。集体智能是个体迭代学习的结果。在大多数SI算法中，学习机制表现为当前个体与其他个体随机交换邻域的信息。这种策略在迭代过程中很容易导致群体的恶化。因此，在算法的迭代过程中，个体的学习机制是非常重要的。
[0004]帝王蝶优化算法Monarch Butterfly Optimization(MBO)是一种典型的有前途的基于蜂群的元启发算法，其灵感来自于美国北部和加拿大南部的帝王蝶个体的迁移行为；与其他现有的只有一个种群的SI算法不同，MBO算法有两个属于两个不同子种群的基本算子。子种群1中的迁移算子Migration operator(MO)和子种群2中的蝴蝶调整算子Butterfly adjusting operator(BAO)分别执行，但在进化过程中协同合作。位于不同子种群的子代个体与其他个体交换邻域信息，实现个体迁移，从而使MBO算法成为一种高级别的合作学习机制。在MBO算法的启发式搜索中，MO和BAO合作控制局部搜索和全局搜索操作。MBO算法有吸引力的创新之处在于MO和BAO的合作，这导致了探索和开发的平衡。然而，MO和BAO的独特交叉限制了MBO算法对高维复杂多变的连续优化问题的处理。在复杂问题上，MBO算法的集约化和多样化不能得到很好的平衡。因此，为了提高MBO算法在提高精度和增加收
敛速度方面的有效性，在过去的几年里，人们提出了各种改进。
[0005]在最初的MBO算法中，子代个体被接受为新一代的候选方案。然而，个体健身的信息被忽略了。因此，提出了一种带有贪婪机制和自适应交叉算子Greedy mechanism and a self
‑
adapting crossover operator(GCMBO)的新型MBO算法改进方案。在GCMBO算法中，自适应杂交算子在后期开发过程中提高了种群的多样性。在蝴蝶调整算子中提出了贪婪机制以加速GCMBO算法的收敛。在该算法中，与亲代个体相比，优秀的子代个体被接受为新一代的候选方案。结果表明，在大多数基准函数中，GCMBO算法明显优于原始MBO算法。同时，在GCMBO算法中，子代个体与保留的优秀父代个体交换邻域信息，因此算法的集体智慧在这个过程中得到加强。然而，GCMBO算法在高维复杂连续优化问题上的表现往往不能令人满意。在OPMBO算法中引入了基于反对的学习Opposition
‑
based learning(OBL)和随机局部扰动Random local perturbation(RLP)。OBL在初始化时将优化算法与学习机制相结合。然而，OPMBO算法中的学习机制对于高维复杂问题的表现并不突出。
[0006]MBO算法与其他算法的结合引起了研究人员和从业人员的广泛关注。LMBO
‑
DE结合了差分进化(DE)和MBO，根据LMBO
‑
DE的思想，DE的变异算子被整合到MBO中以增强探索性，后代个体从差分项中获得邻域信息。实验结果表明，LMBO
‑
DE算法与原来的MBO算法相比，表现出色。然而，线性化迁移算子是由一个随机迁移参数控制的Mn.变量的不可分性很容易被破坏，使得LMBO
‑
DE算法在不可分问题上的表现并不突出。此外，Cui,Chen和Yin提出了一种结合了微分进化
[0007](DE)和基于MBO的局部搜索机制的算法(DE
‑
LSMBO)。局部搜索策略提高了算法在后期迭代中的搜索能力。该机制加强了后代个体的迭代学习。在搜索过程中，通过邻域的信息获得集体智慧。然后，DE被纳入，以平衡探索和利用的关系。混合ABC/MBO通过利用MBO算法的修改后的算子增加原始ABC算法的多样性来平衡探索和开发。在探索过程中，蜜蜂和帝王蝶的智慧被有效地结合起来以获得集体智慧。该算法为实现集体智慧提供了一种有希望的方式。此外，原始和增强的MBO算法已被广泛用于各种实际应用问题。
[0008]研究已经表明，学习机制是在算法的迭代过程中提高集体智慧的一种有前途的方式。关于利用自学习和自适应程序来改进MBO算法的学习机制的报道很少。
[0009]通过上述分析，现有技术存在的问题及缺陷为：现有技术还没有改进MBO算法的学习机制的相关系统或方法,将知识驱动的帝王蝶优化算法解决实际流水车间调度问题的相关研究较少。
[0010]解决以上问题及缺陷的难度为：
[0011]在大多数SI算法中，学习机制被表示为当前个体随机地与其他个体交换、共享邻域的信息。但是，正是由于这种随机性，则该策略很容易导致算法在迭代过程中尤其是迭代的后期种群的恶化。因此，个体之间的学习内容以及学习时机很重要，换句话说，是后代更新产生新个体时要在什么时候学习，向哪些其他个体学习，究竟学习到什么程度则是需要解决的关键问题。
[0012]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于知识驱动的学习型帝王蝶优化方法的分布式柔性流水车间调度方法，其特征在于，所述基于知识驱动的学习型帝王蝶优化的分布式柔性流水车间调度方法包括：利用基于知识驱动的学习型帝王蝶优化方法构造分布式装配柔性流水车间各个加工工厂中待加工工件的调度序列，该序列用于表示各个加工工厂中工件的加工工艺流程；利用基于知识驱动的学习型帝王蝶优化方法构造分布式装配柔性流水车间装配工厂中待装配产品的调度序列，该序列用于表示装配工厂中产品的组装工艺流程；利用使用基于知识驱动的学习型帝王蝶优化方法对产生的加工序列与装配序列进行优化，以产生分布式装配柔性流水车间调度序列，该序列用于表示分布式装配柔性流水车间加工、组装的工艺流程。2.如权利要求1所述的基于知识驱动的学习型帝王蝶优化方法的分布式柔性流水车间调度方法，其特征在于，根据各个工件总处理时间的排序，在分布式柔性加工流水车间中，以最小化加工完成时间为优化目标，构造产生各个加工车间中的加工序列；根据所提供的各个工厂中的加工序列，结合各个产品的工件构成、开始组装时间、组装过程耗时，在装配工厂中，以最小化装配完成时间为优化目标，构造装配车间中的组装序列；根据产生的加工序列与组装序列，产生分布式装配柔性流水车间调度序列，并使用知识驱动的协同学习优化系统对该调度序列进行优化，以达到最大装配完成时间最优。3.如权利要求1所述的基于知识驱动的学习型帝王蝶优化方法的分布式柔性流水车间调度方法，其特征在于，所述基于知识驱动的学习型帝王蝶优化方法包括：步骤一，进行分布式柔性流水车间调度中各个加工车间中各个工件完成最少时间参数的初始化，以及装配工厂中待装配产品最小化装配完成时间参数的初始化，计算候选解决方法的适用性；步骤二，生产学习迁移算子和蝴蝶调整算子；步骤三，交叉策略和参数自适应；步骤四，基于候选解决方法适用性计算结果输出最佳解决方式。4.如权利要求3所述基于知识驱动的学习型帝王蝶优化方法的分布式柔性流水车间调度方法，其特征在于，所述计算候选解决方法的适用性包括：(1)将用户分成两个子群，在两个子群中分别生成相应的候选解决方法；(2)将两个新产生的亚群进行结合，确定两个亚群的交叉点，评估新的候选解决方法；所述在两个子群中分别生成相应的候选解决方法包括：所述两个子群分别为子群1与子群2；在两个子群中分别生成相应的候选解决方法包括：利用LMO算法在子群1中生成子群1的解决方法；利用LBAO算法在子群2中生成子群2的解决方法。5.如权利要求4所述基于知识驱动的学习型帝王蝶优化方法的分布式柔性流水车间调度方法，其特征在于，所述利用LMO算法在子群1中生成子群1的解决方法包括：利用下式生成候选方案：
利用下式生成候选解：其中，表示i代中的第6个解决方法t+1,表示i代中的第6个解决方法t；个体表示从第一代中随机选出的N
×
rand的成员中随机选出；t.N表示种群的数量；Fi表示F个体使用的参数xi，F∈[0,1]是控制突变幅度的突变算子；个体表示从群体中随机选择；个体是从子种群2中随机选择的；是从子种群1中随机选择；和是从子种群2中随机选择的；LR
MO

【专利技术属性】
技术研发人员：许天鹏，赵付青，杜松霖，唐建新，张建林，朱宁宁，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：