基于改进多目标遗传算法的车间调度方法和系统技术方案

本发明专利技术提供一种基于改进多目标遗传算法的车间调度方法和系统，涉及任务调度技术领域。本发明专利技术的一种基于改进多目标遗传算法的车间调度方法，通过获取车间调度的任务数据，根据任务数据设定输入参数；获取预先构建的车间模糊调度模型；基于所述输入参数、车间模糊调度模型、以及带有动态变化的交叉概率和变异概率的遗传算法，获取车间调度的最优调度方案。本发明专利技术设计的自适应交叉概率和变异概率使得种群能够动态地调整全局搜索和局部搜索能力，避免种群陷入早熟，有利于提高解的质量。有利于提高解的质量。有利于提高解的质量。

【技术实现步骤摘要】
基于改进多目标遗传算法的车间调度方法和系统


[0001]本专利技术涉及任务调度
，具体涉及一种基于改进多目标遗传算法的车间调度方法和系统。

技术介绍

[0002]车间调度问题是一种满足任务配置和顺序约束要求的资源分配问题，是最困难的组合优化问题之一，属于NP
‑
hard问题。由于其解空间属于海量的级别，海量级别的可行解对应着海量的计算，所以一般的解法是无法有效地获得较优秀的可行解的。
[0003]现有技术中，一般通过遗传算法求解车间调度的可行解，流程如下：S1、种群初始化；S2、对初始种群进行快速非支配排序；S3、对初始种群进行选择、交叉、变异操作，生成第一代子代种群；S4、将父代种群和子代种群进行合并，并进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；S5、对父代种群进行选择、交叉、变异操作，生成新一代子代种群；S6、判断是否满足最大迭代次数，若满足，结束迭代过程，输出结果，否则回到S4。
[0004]然而，现有的方法中交叉概率和变异概率在迭代过程中是固定不变的，使得种群容易陷入停滞状态，陷入到局部最优解，导致可行解的质量较低。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种基于改进多目标遗传算法的车间调度方法和系统，解决了现有的方法中交叉概率和变异概率在迭代过程中是固定不变的，使得种群容易陷入停滞状态，陷入到局部最优解的技术问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]第一方面，本专利技术提供一种基于改进多目标遗传算法的车间调度方法，包括：
[0010]S1、获取车间调度的任务数据，根据任务数据设定输入参数；
[0011]S2、获取预先构建的车间模糊调度模型；
[0012]S3、基于所述输入参数、车间模糊调度模型、以及带有动态变化的交叉概率和变异概率的遗传算法，获取车间调度的最优调度方案。
[0013]优选的，所述预先构建的车间模糊调度模型包括目标函数和约束条件，
[0014]所述目标函数包括：
[0015][0016][0017]其中，
[0018]目标函数(1)表示最小化最大模糊完工时间；
[0019]目标函数(2)表示最小化总模糊加工成本；
[0020]为最大模糊完工时间；为工件总加工成本。
[0021]优选的，所述约束条件包括：
[0022][0023][0024][0025][0026]x
ij
∈{0，1}，i＝1，...，m，j＝1，...，n
ꢀꢀꢀꢀ
(7)
[0027]其中，
[0028]约束(3)用于计算每台机器上的模糊完工时间；
[0029]约束(4)用于计算总的模糊加工成本，该总的模糊加工成本等于所有机器加工成本的累加和；
[0030]约束(5)表示系统最大模糊完工时间，该最大模糊完工时间等于所有机器中的最大完工时间；
[0031]约束(6)表示每个工件只能且必须分配到任意一台机器上进行加工；
[0032]约束(7)表示如果工件j分配到机器i上加工，则x
ij
＝1，否则为0；
[0033]m为机器数量；n为工件数量；为工件j的模糊完工时间，为工件j的模糊完工时间，为机器i的模糊完工时间；v
i
为机器i的加工速度；β
i
为机器i的单位加工成本。
[0034]优选的，所述带有动态变化的交叉概率和变异概率的遗传算法包括：
[0035]S301、采用整数编码方式对车间工作方案进行编码；
[0036]S302、随机生成NP条父代染色体，每条染色体的长度为n，分别对应相应的工件，第j个维度上的数值表示工件分配的加工机器，确定当前迭代次数T、最大迭代次数T
max
和个体初始交叉概率p3，其中n为工件数量，1≤j≤n；
[0037]S303、对于工件j的模糊加工时间去模糊化后的加工时间为计算各条染色体在目标函数(1)和目标函数(2)上对应的目标值；
[0038]S304、对两个目标值分别进行由小到大的排序，对父代染色体进行特异性搜索及更新，对新生成的染色体进行快速非支配排序；
[0039]S305、通过Canopy算法确定染色体的最佳分类数k
*
，计算染色体之间的海明距离，通过K
‑
means聚类算法对相似度较高的种群进行聚类，生成多个聚类组；
[0040]S306、生成随机数r1∈(0，1)、r3∈(0，1)，如果r1＜p1，则随机生成两个在同一聚类组中的整数A1∈(0，NP)，A2∈(0，NP)，A1≠A2，对这两个染色体进行同组交叉；如果r1＞p1，则随机生成两个在不同组别中的整数A3∈(0，NP)，A4∈(0，NP)，A3≠A4，对这两个染色体进行异组交叉，产生新的染色体；交叉过程中选择染色体满足r3≤p3；
[0041]p1＝1
‑
e
‑
kx
[0042]其中，x表示迭代次数；k表示常规系数，k＞0；
[0043]S307、对于步骤S306得到的每条染色体，都生成一个随机数r2，如果满足r2≤p2，则对该粒子进行变异操作；
[0044]p2＝n
*
/n
max
[0045]其中，n
*
表示当前可行解受支配数；n
max
表示最大可受支配数；
[0046]S308、判断是T≥Tmax，若不满足，则令T＝T+1，转S304；若满足，则输出非支配前沿的所有解以及对应的调度方案，得到车间调度的最优调度方案。
[0047]优选的，所述特异性搜索包括：
[0048]在父代染色体中，针对两个目标分别进行排序，选出前k1个染色体，保留这个k1染色体中出现的较多的共有信息，用于改善排列靠后的k2个染色体；如果不存在共有信息或者已经执行该过程，采用差分变异操作对更新染色体信息。
[0049]优选的，所述S306还包括：
[0050]如果所有个体的交叉概率相同，则为每个个体设计对应的交叉概率p3，生成随机数r3，如果r3≤p3，则对该染色体进行变异操作；
[0051][0052]其中，p3为每个个体初始的交叉概率，t和t
max
分别表示个体存活的代数和群体已经经历过的总代数。
[0053]优选的，所述S304还包括：
[0054]在搜索过程中，构造一个禁忌表用于存放近几轮迭代操作出现过的所有染色体种类和对同一染色体最近进行过的N1次交叉和变异操作，这避免回到原来的解，直到N2轮过后禁忌解除；N1和N2为人为定义的数值。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进多目标遗传算法的车间调度方法，其特征在于，包括：S1、获取车间调度的任务数据，根据任务数据设定输入参数；S2、获取预先构建的车间模糊调度模型；S3、基于所述输入参数、车间模糊调度模型、以及带有动态变化的交叉概率和变异概率的遗传算法，获取车间调度的最优调度方案。2.如权利要求1所述的基于改进多目标遗传算法的车间调度方法，其特征在于，所述预先构建的车间模糊调度模型包括目标函数和约束条件，所述目标函数包括：所述目标函数包括：其中，目标函数(1)表示最小化最大模糊完工时间；目标函数(2)表示最小化总模糊加工成本；为最大模糊完工时间；为工件总加工成本。3.如权利要求2所述的基于改进多目标遗传算法的车间调度方法，其特征在于，所述约束条件包括：包括：包括：包括：x
ij
∈{0,1},i＝1,
…
,m,j＝1,
…
,n
ꢀꢀꢀꢀꢀꢀ
(7)其中，约束(3)用于计算每台机器上的模糊完工时间；约束(4)用于计算总的模糊加工成本，该总的模糊加工成本等于所有机器加工成本的累加和；约束(5)表示系统最大模糊完工时间，该最大模糊完工时间等于所有机器中的最大完工时间；约束(6)表示每个工件只能且必须分配到任意一台机器上进行加工；约束(7)表示如果工件j分配到机器i上加工，则x
ij
＝1，否则为0；m为机器数量；n为工件数量；为工件j的模糊完工时间，为工件j的模糊完工时间，为工件j的模糊完工时间，为机器i的模糊完工时间；v
i
为机器i的加工速度；β
i
为机器i的单位加工成本。4.如权利要求2所述的基于改进多目标遗传算法的车间调度方法，其特征在于，所述带有动态变化的交叉概率和变异概率的遗传算法包括：
S301、采用整数编码方式对车间工作方案进行编码；S302、随机生成NP条父代染色体，每条染色体的长度为n，分别对应相应的工件，第j个维度上的数值表示工件分配的加工机器，确定当前迭代次数T、最大迭代次数T
max
和个体初始交叉概率p3，其中n为工件数量，1≤j≤n；S303、对于工件j的模糊加工时间去模糊化后的加工时间为计算各条染色体在目标函数(1)和目标函数(2)上对应的目标值；S304、对两个目标值分别进行由小到大的排序，对父代染色体进行特异性搜索及更新，对新生成的染色体进行快速非支配排序；S305、通过Canopy算法确定染色体的最佳分类数k
*
，计算染色体之间的海明距离，通过K
‑
means聚类算法对相似度较高的种群进行聚类，生成多个聚类组；S306、生成随机数r1∈(0,1)、r3∈(0,1)，如果r1<p1，则随机生成两个在同一聚类组中的整数A1∈(0,NP)，A2∈(0,NP)，A1≠A2，对这两个染...

【专利技术属性】
技术研发人员：付红，徐硕，杨逸璇，肖巍，陈健福，李凯，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：