[发明专利]基于多种群进化机制的作业车间调度方法

说明书

技术领域

本发明属于计算机领域，涉及作业车间调度，具体地说是一种利用计算机软件进行智能作业车间调度的方法，用于工厂生产过程的调度管理。

背景技术

作业车间调度问题是先进制造系统运筹和自动化技术的核心，具有重要的理论意义和实用价值。有效的调度方法的应用能够大大节省资源，提高效率，创造可观的经济效益。另一方面，作业车间调度问题是典型的NP-hard问题，这一问题一直吸引着研究者的广泛关注，是工程调度领域的研究热点之一。

作业车间调度问题的研究最初集中在整数规划、混合整数规划法、动态规划和规则调度等方法上，这些传统方法的性能不甚理想。近年来随着计算智能方法的发展，在该领域出现了如神经网络、模拟退火、蚁群算法、遗传算法、人工免疫算法等新的方法。这类新的算法兼顾了求解速度和求解质量，能够在合理的时间内找到问题尽可能好的解，一经推出就引起了研究者浓厚的兴趣。

基于遗传算法的作业车间调度方法是模拟达尔文主义的自然选择和生物遗传机制构造的进化类随机搜索方法。遗传算法对优化问题的解空间具有较强的全局寻优能力，然而在求解作业车间调度这样解空间结构复杂的优化问题时还存在以下两个方面的问题：首先，达尔文主义片面强调生存竞争，由于遗传算法的染色体种群规模有限，过强的竞争压力导致了算法容易陷入局部最优解，从而无法找到作业车间调度问题的最优调度；另外，遗传算法虽然全局搜索能力好，但是在搜索的过程中没有充分利用种群进化过程中获得的关于作业车间调度问题解空间的知识来指导染色体的进一步进化，因此局部搜索能力较差。作业车间调度方法的局部搜索能力差会导致调度方法难以从一个较好的调度方案出发得到更好的调度方案，影响作业车间调度方法获得高质量调度方案的能力。鉴于以上两个缺点，遗传算法的一系列改进方案，如小生境遗传算法、多种群遗传算法等，被提出来。

多种群遗传算法是这类改进方案中备受关注的一种。多种群遗传算法将染色体种群分割成若干个子种群，各个子种群相对独立地进化，同时以一定的策略互相通信。这类方法利用空间隔离机制限制种群中染色体的全局竞争，虽然在一定程度上减缓了种群多样性损失，阻止搜索过程陷入局部最优，但是由于染色体在子种群之间的迁移策略仍然会导致优秀染色体在不同的子种群中被过度复制，导致种群多样性的损，最终无法避免搜索过程陷入局部最优；同时由于多种群遗传算法各个子种群对解空间的搜索过程仍然采用了标准遗传算法流程，在局部搜索能力上没有对遗传算法进行改进，因此，使用这种算法的作业车间调度仍然无法克服容易陷入局部最优和局部搜索能力差的缺陷，造成难以获得高质量的作业车间调度方案。

发明内容

本发明的目的在于克服基于多种群遗传算法的作业车间调度方法容易陷入局部最优和局部搜索能力差的不足，提供一种基于多种群进化机制的作业车间调度方法，以获得高质量的作业车间调度方案，缩短生产时间。

为实现上述目的，本发明的技术方案包括如下步骤：

(1)设定参数染色体评价次数上限L、子种群个数S、子种群规模P、交叉概率P_c、变异概率P_m、通信概率P_t，设定模拟退火SA算法的初始温度T₀、退火系数r和停止温度T_t，定义染色体A的适应度f＝1/T，其中T为染色体A解码后对应调度方案的调度时间，按照设定的参数，随机初始化S个规模为P的染色体子种群，i＝0；

(2)计算各个染色体子种群中每个染色体的适应度，提取各染色体子种群中的适应度最大的染色体组成初始的记忆库，并采用SA算法对该记忆库进行优化，令记忆库中当前最优染色体为A_best；

(3)判断染色体评价次数是否达到设定的停止上限L，若是则对A_best进行解码，得到一个最优的车间调度方案并输出，否则继续步骤(4)；

(4)对第i个子种群执行如下的步骤：

4a)对子种群中的每个染色体S_f以概率P_c执行双点交叉算子，生成子代染色体S_s，染色体S_s以概率P(S_s→S_f)＝min{1，exp(-(t_s-t_f)/t_f)}替换染色体S_f，其中t_s为S_s的调度时间，t_f为S_f的调度时间；