[发明专利]结合关键工序的遗传局部搜索算法求解柔性作业车间调度

说明书

所属技术领域

本发明涉及作业车间调度技术领域，具体地涉及一种实用性强的柔性作业车间调度领域。

背景技术

作业车间调度问题(Job Shop Scheduling Problem，JSP)作为典型的组合优化问题之一，其研究起始于20世纪50年代，最早要追溯到1954年科学家对两台机床的流水车间调度问题的提出和解决。近几十年来，由于实际生产的需要和相关技术尤其是智能优化算法的不断提出，越来越多的学者致力于JSP研究。从单资源约束到多资源约束、确定性到不确定性、单目标到多目标、小规模到大规模，各类JSP都得到了广泛的研究。且已有部分智能调度方法的研究成果成功应用于实际生产过程中。

柔性作业车间调度问题(Flexible Job Shop Scheduling Problem，FJSP)更接近生产实际，是经典作业车间调度问题的延伸，最早是在1990年提出的，它的可行解范围更大、问题的复杂性更高，因此属于强NP-hard问题。FJSP是指建立FJSP的模型，通过某种算法为每项作业的每道工序分配适当的机器，并确定各机器上工序的加工顺序，以在满足各种约束条件的前提下，实现作业的完工时间最短、拖期最小、各机器的负载均衡等优化目标。

从FJSP的提出到现在，国内外有很多专家学者提出了多种算法。主要集中在改进粒子群算法、改进遗传算法、混合算法等进化算法。遗传算法(Genetic Algorithm,GA)作为一种启发性搜索方法，是基于“适者生存”机制设计的算法，其思想来源于达尔文的进化论和孟德尔的遗传学说。GA主要是通过从改进交叉操作和变异操作的角度以适应于具体问题的求解。但GA在进化过程中遗传算子操作会出现不可行的解，且对于不同规模的柔性作业车间调度问题，其种群大小、变异率、交叉率等参数的不同选择对求解的结果影响很大，使得求解结果不稳定，即使采用相同的参数进行求解，由于算法搜索过程中的随机性，使得多次求解结果也存在不同程度的偏差，且存在局部搜索能力不足的问题。

发明内容

针对上述的不足之处，本发明要解决的问题是提供一种结合关键工序的遗传局部搜索算法，以控制局部搜索范围，更快的找到可行解。

本发明的目标是：第一.解决进化过程中遗传算子操作出现不可行解的问题；第二.遗传搜索随机性大，造成求解结果不稳定的问题；第三.计算时间长的问题。

本发明针对上述目的所采用的技术方案是：第一.对工序向量交叉操作后执行修复程序；第二.由于遗传搜索提供较好的多样性个体，局部搜索能探索最优方案，将两者结合起来；第三.根据关键工序的移动才能影响总完工时间的概念，采用关键工序控制局部搜索范围；第四.设计两个向量分别代表工序顺序和设备分配两个子问题的编码方式；第五.查找设备闲置时间的新的解码方式。

该发明采用结合关键工序的遗传局部搜索算法求解柔性作业车间调度，具体流程如下：

步骤1：采用随机方式产生N个染色体作为初始种群，N为种群规模；

步骤2：判断是否达到最大进化代数，是则返回最优解程序结束执行步骤10；否则执行下一步骤3；

步骤3：采用锦标赛选择法选择N×P_c个个体，P_c为交叉概率；

步骤4：将选择的个体的染色体进行有修复程序的成对交叉；

步骤5：以变异概率P_m对交叉后的染色体进行变异操作；

步骤6：更新交叉变异后的种群N；

步骤7：采用锦标赛选择法选择N×P₁个个体，P₁为关键工序邻域搜索概率；

步骤8：对选择的个体基于关键工序的进行邻域搜索；

步骤9：更新局部搜索后的种群N,进化代数加1，返回步骤2，重复操作；

步骤10：解码染色体，返回种群N中C_max最小的方案，结束

本发明的有益效果是：第一.修复程序保证了遗传操作后的染色体都是可行解；第二.遗传算法与局部搜索结合能获得总完工时间更小的调度方案；第三.限制关键工序的邻域搜索，控制了搜索的方向，避免了不必要的搜索的范围，大幅减少了计算时间；第四.新的编码方式便于遗传操作和理解；第五.新的解码方式获得的调度方案是最优的自动调度方案。

附图说明

图1表示本算法的详细流程图

图2表示一个3个工件3台设备的柔性作业车间问题实例。

图3表示本算法所提出的改进的交叉算法过程实例，包括一个基因修复过程。