[发明专利]一种混合粒子群禁忌搜索算法求解作业车间调度问题

说明书

所属技术领域

本发明涉及作业车间调度技术领域，具体地涉及用算法求解作业车间调度问题。

背景技术

调度问题通常是指在规定的时间内，怎样利用现有的资源进行合理的安排生产，从而实现生产效益的最大化。车间调度问题是调度问题的一个子集，是企业进行生产计划与控制的一个重要组成部分，是帮助企业提高自己竞争力的关键因素。随着科学技术的不断发展，元启发式方法被提出，该方法的成功取决于他们提供探索(多样化)和开发(强化)之间的平衡的能力。根据他们的搜索策略，元启发式方法可以分为两类：一种是基于单一解的局部搜索算法，包括模拟退火算法，禁忌搜索。另一种是基于种群的有学习部分的搜索算法，包括克隆优化算法、粒子群优化算法、遗传算法、免疫算法。一般而言，基于单一解的启发式算法表现更多的局部搜索能力，而基于种群的启发式算法拥有更多的全局搜索能力。

粒子群算法(Particle Swarm Optimization，PSO)是一种基于群体智能理论的优化算法，是由鸟群捕食的行为演化而来的，因此它是智能算法的一种(智能算法类似动物的捕食行为，把信息从杂乱的状态转变成可以简单明了的使用状态，最终求出可行解)。PSO同遗传算法类似，是一种以迭代算法为基础的新型算法，系统刚开始为其分配一个随机的值，然后使用迭代的方式来寻找其理想中的解。同遗传算法相比较，PSO摒弃了交叉和变异操作，以算法中粒子的速度为依托进行搜索，比遗传算法的收敛速度快，而且PSO在调用时不需要对参数进行频繁的设置，算法实现比较容易。但是PSO仍存在着一些不足之处：当算法运行一段时间之后，它的运行速度就会变慢，求解的效率很低，这就说明该算法陷入了局部最优，已经很难再找到最优解了。

元启发式算法由于其快速的计算能力已经引入到作业车间调度问题。这些智能优化算法通常都能以较小的计算工作量发现好的解，在解决不同种类的调度问题方面已经展示了巨大的成功。一种改进的名为TSAB的禁忌搜索算法由于其强大的局部搜索能力对解决作业车间调度问题非常有效。但是它的性能很大程度上依赖于一个有效的多样化的初始方法。众所周知，基于种群的元启发式能够比基于单一个体的元启发式提供更加多样化的解。因此选择一个基于种群的元启发式初始化能够为TSAB提供更多在整个解空间探索的机会。

发明内容

本发明要解决的技术问题是：针对传统粒子群算法初期收敛速度快，而在后期容易陷入早熟、局部最优；以及改进的TSAB禁忌搜索算法虽拥有强大的局部搜索能力，但其性能很大程度依赖于多样化的初始化方法；以及PSO适用于连续解空间，TSAB适用于离散解空间的各自特点。提出将改进的TSAB禁忌搜索与改进的粒子群优化算法结合，优化算法的性能。

本发明采用的技术方案是：采用一种混合粒子群禁忌搜索算法求解作业车间调度问题。

该技术方案包括以下步骤：

设种群规模为S，粒子用x_i表示，最大迭代次数为MAXITER，全局最优解为G_best，局部最优解为P_best

步骤1：初始化种群S，t＝0，随机初始x_i(t)∈(0，1)；

步骤2：判断是否达到最大迭代次数MAXITER,是则返回最优解g_best结束程序，否则执行下一步骤；

步骤3：如果i＝1到种群规模S，循环步骤4到步骤12

步骤4：使用实整数编码机制将PSO的实数解x_i(t)转化为TSAB的整数解

步骤5：通过使用简单的TSAB禁忌搜索和评估函数f(x_i(t))更新潜在整数解

步骤6：使用实整数解码机制，将TSAB禁忌搜索的整数解转化为PSO的实数解

步骤7：更新p_best_i和g_best

步骤8：如果p_best_i更新了，执行步骤9；否则执行步骤11

步骤9：在p_best_i和g_best之间使用局部搜索策略，进行精确搜索

步骤10：采用实整数解码机制更新p_best_i和g_best

步骤11：更新x_i(t+1)

步骤12：如果x_i(t+1)的绝对值大于1，随机产生一个(0,1)之间的x_i(t+1)；否则执行步骤3

步骤13：返回g_best，结束