一种用于作业车间调度的提高遗传规划调度规则中特征选择效率的方法技术

本发明专利技术属于制造业车间调度问题领域，更具体地，涉及一种用于作业车间调度的提高遗传规划调度规则中特征选择效率的方法，具体包括：选择训练实例采用超启发式遗传规划法(GP)运行N次生成调度规则N个；对于每个规则及其对应的每个特征，分别应用原始模型和代理模型计算每个特征到每个规则的贡献值；设置为所有贡献值的中值。本发明专利技术能够大大提高特征选择的效率，从而提高车间生产效率，进一步提升企业的工作效率。工作效率。工作效率。

【技术实现步骤摘要】
一种用于作业车间调度的提高遗传规划调度规则中特征选择效率的方法


[0001]本专利技术属于制造业车间调度问题领域，更具体地，涉及一种基于简化模型的代理辅助遗传规划调度规则中特征选择效率提高方法，来进一步提高车间生产效率。

技术介绍

[0002]作业车间调度(Job Shop Scheduling，JSS)一直是智能制造和人工智能领域的热门研究课题，在如制造业、项目调度等不同行业中有很多应用。随着信息化技术的快速发展、全球化市场竞争加剧，企业利益和客户的多样化需求息息相关。因此，企业越来越关注如何制定车间生产调度方案(如将工件分配给机器，并确定在每台机器上处理分配的工件加工顺序)，以优化流程时间、按时交货或客户满意度等标准，将使公司受益，从而提高其利润或声誉。
[0003]目前，对于解决作业车间调度问题，已公开专利(公开号“CN112598309A”，名称“基于Keras的作业车间调度方法”)中融合了神经网络和Q学习的方法来对作业车间调度问题进行优化。专利(公开号“CN110458478A”，名称“基于离散入侵杂草算法的作业车间调度方法”)中提出了一种基于先进的新型进化算法的调度方法，并使其更加智能的解决制造业中的作业车间调度问题。这些方法虽然都能一定程度上的解决作业车间调度问题，但当车间调度面临着车间环境的动态性和不确定性的挑战(例如机器故障、任务取消)，这给传统的元启发式方法优化技术(如上述方法)带来了计算困难。相反，调度规则却可以应对复杂的动态车间环境变化，同时对即将到达车间的不可预测事件做出反应。因此，在求解动态作业车间调度问题(Dynamic Job Shop Scheduling Problem，DJSSP)中广泛采用调度规则。
[0004]通过超启发式遗传规划(Genetic Programming，GP)方法进化生成调度规则时，对特征终端集的选择至关重要，已有成果表明，使用有效的特征子集比使用所有特征集在测试性能上有显著提高。然而，现有应用于生成作业车间调度规则模型的特征选择算法有待改进和提高。本专利技术针对以最小化平均流程时间为调度目标的动态车间调度问题，提出了一种基于简化模型的代理辅助遗传规划(Surrogate
‑
Assisted Genetic Programming，SGP)进行特征选择的方法来智能设计生成调度规则，利用代理模型降低适应度评估的复杂性来减少遗传规划训练过程的时间，提高特征选择算法的效率。对车间生产调度效率问题具有重要意义。

技术实现思路

[0005]为了提高遗传规划用于作业车间调度问题中特征选择的效率，本专利技术利用原始训练集和代理训练集分别进化生成调度规则，然后对车间终端集进行特征选择。代理模型在保证不损失评估精度的前提下，能得到和原始模型相似的车间特征终端集，同时能够使训练规则的时间大大减少。
[0006]为了达到上述目的，本专利技术采用了以下技术方案。
[0007]一种用于作业车间调度的提高遗传规划调度规则中特征选择效率的方法，其特征在于，基于定义：车间中有m台机器，n个待加工工件；工件i(i＝1,2,...n)有j道工序J
i
＝(J
i1
,...J
ij
)，工件i的第j道工序J
ij
根据一定的工艺顺序在指定的机器m
ij
上加工时，所需的加工工时为t
ij
；工件i以某种分布形式动态随机到达车间的时间为a
i
，工件i的交货期为d
i
；
[0008]选择训练实例采用超启发式遗传规划法(GP)运行N次生成调度规则N个；
[0009]对于每个规则及其对应的每个特征，分别应用原始模型和代理模型计算每个特征到每个规则的贡献值；
[0010]设置为所有贡献值的中值。
[0011]在上述的方法，原始模型适应度和代理模型适应度平均归一化目标值为：
[0012][0013][0014]在上述的方法，是最佳参考目标值，但最佳值通常是未知的，本专利技术将其设置为参考规则“2PT+WINQ+NPT”的目标值，其是目标值的最佳有效调度规则。
[0015]其次特征选择算法描述如下，分别定义原始模型和代理模型中特征x
i
到优先级函数的贡献和
[0016][0017][0018]则这两个贡献就是在两种模型中，从中删除x
i
前后的适应度值之差。
[0019]在上述的方法，应用原始模型和代理模型计算每个特征到每个规则的贡献值分别根据式3和式4得到。
[0020]在上述的方法，所有贡献值的中值是基于GP对最佳规则的贡献。
[0021]在上述的方法，GP生成调度规则包括：
[0022]步骤1：采用Ramped
‑
half
‑
and
‑
half生成方法随机初始化种群，给定GP树深度为(2，6)，使得GP树有各种各样大小和形状，可以保持种群多样性。从函数集{+，
‑
，*，/，min，max}和附表所示终端集中随机初始化种群，如附图2所示。
[0023]步骤2：设置迭代次数即最大世代数51；
[0024]步骤3：对初始化的每条规则进行适应度评估；
[0025]步骤4：如果生成的最佳规则具有比当前最佳规则更好的训练性能，则更新当前最佳规则。如果满足停止条件(即SGP中的最大遗传代数)，则SGP将停止；
[0026]步骤5：如果不满足停止条件，则通过锦标赛选择法进行复制、交叉和变异等遗传操作和精英保留策略创建中间种群，锦标赛选择法大小参数设置为7。与原始种群相比，更大的中间种群规模增加了种群的多样性，同时也提供了获得更好规则的机会，中间种群中所有规则的适应度通过代理模型进行评估；
[0027]步骤6：对生成的中间种群利用代理模型进行适应度评估，然后根据适应度从好到
坏排序选择1024个个体进入下一代，又回到步骤3直到满足停止条件。
[0028]在上述的方法，步骤5具体包括：
[0029]步骤501：复制操作，通过锦标赛选择法从第0代的所有个体中进行选择，适应度越小的个体被遗传到下一代群体中的概率越大，复制率为5％；
[0030]步骤502：交叉操作，如附图3所示，随机选择两个父代GP树，随机选择其中的子节点，进行交叉形成子代，交叉率为85％，交叉子树最大深度为8；
[0031]步骤503：变异操作，如附图4所示，在父代中随机选择一个子节点作为突变点，随机生成一个子树去替换父代中以突变点作为根节点的子树，变异率为10％，变异子树最大深度为8，；同时，精英保留策略可以保证种群中最优的个体被遗传到下一代中；
[0032]步骤:504：原始种群大小设置为1024，中间种群大小设置为256*7＝1792。
[0033]本专利技术的优点在于：
[0034](1)实验中通过计算最佳规则的长度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于作业车间调度的提高遗传规划调度规则中特征选择效率的方法，其特征在于，基于定义：车间中有m台机器，n个待加工工件；工件i(i＝1,2,...n)有j道工序J
i
＝(J
i1
,...J
ij
)，工件i的第j道工序J
ij
根据一定的工艺顺序在指定的机器m
ij
上加工时，所需的加工工时为t
ij
；工件i以某种分布形式动态随机到达车间的时间为a
i
，工件i的交货期为d
i
；选择训练实例采用超启发式遗传规划法(GP)运行N次生成调度规则N个；对于每个规则及其对应的每个特征，分别应用原始模型和代理模型计算每个特征到每个规则的贡献值；设置为所有贡献值的中值。2.根据权利要求1所述的一种用于作业车间调度的提高遗传规划调度规则中特征选择效率的方法，其特征在于，原始模型适应度和代理模型适应度平均归一化目标值为：目标值为：3.根据权利要求1所述的一种用于作业车间调度的提高遗传规划调度规则中特征选择效率的方法，其特征在于，，是最佳参考目标值，但最佳值通常是未知的，本发明将其设置为参考规则“2PT+WINQ+NPT”的目标值，其是目标值的最佳有效调度规则；其次特征选择算法描述如下，分别定义原始模型和代理模型中特征x
i
到优先级函数的贡献和和和则这两个贡献就是在两种模型中，从中删除x
i
前后的适应度值之差。4.根据权利要求1所述的，其特征在于，应用原始模型和代理模型计算每个特征到每个规则的贡献值分别根据式3和式4得到。5.根据权利要求1所述的一种用于作业车间调度的提高遗传规划调度规则中特征选择效率的方法，其特征在于，所有贡献值的中值是基于GP对最佳规则的贡献。6.根据权利要求1所述的一种用于作业车间调度的提高遗传规划调度规则中特征选择效率的方法，其特征在于，G...

【专利技术属性】
技术研发人员：曾亮，李燕燕，张豪，王珊珊，常雨芳，全睿，黄文聪，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：