[发明专利]一种家电用冷轧及涂镀钢板加工过程的优化调度方法

权利要求书

1.一种家电用冷轧及涂镀钢板加工过程的优化调度方法，其特征在于，包括以下步骤：

(1)首先通过冷轧厂前一个月生产数据和加工人员的先验知识，用模糊数来表示不确定的加工时间、完成时间和交货期；

(2)然后建立家电用冷轧及涂镀钢板加工过程的调度模型，并确定此模型的优化目标；

(3)最后使用基于新型教与学优化算法对该调度模型的优化目标进行优化；

所述步骤(3)基于新型教与学优化算法对该调度模型的优化目标进行优化的具体步骤如下：

Step3.1初始化种群：设种群大小为popsize，种群中包括一个以上的个体，假设每个个体需要加工的总工序数为其中u_i为第i个批次的工序数，每个个体为随机生成的长度为总工序数U的编码串，其中一个个体表示为(p₁,p₂,...,p_U)，其余个体的总工序数与该个体相同，但各工序的顺序不同，该个体中的p_w∈{1,2,...,n}，w∈{1,2,...,U}，p_w为编码串的第w位，n为批次数，若p_w＝k，则p_w为总工序数中的u_k，若k是第m次出现，则代表p_w对应第k批次的第m道工序O_k,m，然后根据公式(3)和(5)计算每个个体的适应值即目标函数值Q，

其中，为使调度尽可能紧致，使用贪婪活动化解码对每个个体的编码串进行解码，根据工序操作串中的操作，使用贪婪策略依次对每一台能加工该操作的机器进行活动化解码，然后选择完工时间最短的那台机器进行加工，计算过程中需要用到三角模糊数的求和，相减，取大操作，其中求和、相减操作用于计算模糊完成时间，对于两个三角模糊数X＝(x₁,x₂,x₃)和Y＝(y₁,y₂,y₃)，求和操作定义为：

X+Y＝(x₁+y₁,x₂+y₂,x₃+y₃) (6)

相减操作定义为：

X-Y＝(x₁-y₁,x₂-y₂,x₃-y₃) (7)

在计算模糊开始时间和完工时间时，需要用到模糊数的排序操作，对于两个三角模糊数X＝(x₁,x₂,x₃)和Y＝(y₁,y₂,y₃)，排序时采用如下依据：

依据1：分别计算X和Y的Z₁，其中将Z₁作为排序的首要依据；

依据2：若两个三角模糊数的Z₁相等，则定义Z₂(X)＝x₂，Z₂(Y)＝y₂，将Z₂作为排序的次要依据；

依据3：若两个三角模糊数前两个依据都相等，则定义Z₃(X)＝x₃-x₁，Z₃(Y)＝y₃-y₁，将Z₃作为排序依据；

使用以上三个依据即可对三角模糊数进行排序和取大；

根据计算出的每个个体的适应值Q，将种群中百分之Teacher_p的较优个体作为最初的“教师”群体，剩余的个体作为“学生”群体，同时令迭代次数gen＝1；

Step3.2通过“教学”阶段或“互学”阶段对“学生”群体中的每个学生个体进行更新，在对每个学生个体更新时，首先随机生成一个0到1之间的实数δ，若δ小于0到1之间的实数teaching，那么使用“教学”阶段来更新学生个体，否则使用“互学”阶段来更新学生个体；

使用“教学”阶段来更新个体，首先，生成长度与编码串相同的一串序列Pick，同时随机使用{0,1}来填充Pick的每一位，然后在教师群体中随机选择一位教师X_teacher，与学生X_old进行交叉，从Pick的第一位开始，如果这一位等于0，则将X_teacher中相同位置的工序填充进新个体X_new的这个位置中，反之如果为1，则将X_old中相同位置的工序填充进X_new的这个位置，并将该工序从X_teacher和X_old中删除，然后将X_teacher和X_old中这位之后的工序依次左移一位，填补中间空缺的位置，重复以上步骤，直至新个体X_new的所有位置被填满；交叉之后，若X_new的成绩优于X_old，即X_new的目标函数值Q大于X_old，则用X_new替换X_old并转到Step4，否则转到Step3；

“互学”阶段与“教学”阶段的区别仅仅在于，生成新个体时是随机选择除X_old外的另一个学生X_{old_2}与X_old进行交叉，其余步骤与“教学”阶段相同；

最后，根据X_new更新该个体对应的学习历史矩阵LHM，迭代过程中，每个学生X_old只要更新产生新解X_new，就要用该学生的LHM对X_new进行记录，每个学生都有一个对应的LHM，用于记录每个学生个体在更新过程中的位置信息，LHM中的各行代表个体编码串中的每一位，而每列则代表编码串中每一位可能出现的批次号，第w行第i列元素等于n就代表该个体在算法迭代运算过程中，编码串的第w位批次号i被记录过n-1次，减1是因为每个元素的初始值都是1，LMH记录的方法具体如下，若X_new的第w位等于批次号i且X_new优于X_old，即X_new的目标函数值Q大于X_old，则在该LHM的第w行第i列元素上加1，若X_new的目标函数值小于或等于X_old，则在该LHM的第w行第i列元素上加为大于1的惩罚系数，若X_new的第w位不等于批次号i，则LHM的第w行第i列元素不变；

Step3.3、通过“补课”阶段来更新X_new的目标函数值小于或等于X_old的个体，令当前补课次数tu_n＝0，当前的补充方式g＝1，1代表补课时使用依次填充操作来补充编码，2则代表使用随机交换操作来补充编码，每个学生在“教学”和“互学”阶段更新后，若新解X_new的目标函数值小于或等于X_old的个体，通过“补课”来进行查缺补漏，首先，在该学生的LHM中依次找到X_new每一位编码对应的元素，构建集合L＝{L₁,L₂,L₃,...,L_U},并对L进行归一化，然后在L中使用轮盘赌选出较大的元素，每个元素被选中的概率使用下式(8)计算，该元素在LHM中的行数对应需要改变的编码串位置w；

确定改变的位置w后，还需确定这一位的工序e，因此用LHMw行所有元素的倒数构建集合L'＝{L₁,L₂,L₃,...,L_n}，使用轮盘赌在L'中选出较小的元素将之填充进位置w，每个元素被选中的概率见下式(9)；

另外，为了保证补课获得的新解为可行调度解，需要将编码串补充完整，用以下两种补充方式来交替使用，以此来提升算法的全局探索能力，具体操作如下：

依次填充：将X_new中除工序e外的所有工序，按照X_new中的顺序依次填充进除位置w以外的位置，形成新的解X'_new；

随机交换：在X_new中找到和e批次号相同的所有元素的位置，然后随机从中选出一个位置w'，将X_new中w位上的元素放入X'_new的w'位中，同时将X_new中的其余元素按原位置放入X'_new；

每次补课后根据得到的新解X'_new更新该个体对应的LHM，并且tu_n＝tu_n+1，g＝g+1，g只能等于1或2，当g＝3时，令g＝1，若X'_new优于X_new，则令tu_n＝tu_n-1，g＝g-1，同时判断tu_n是否等于最大补课次数6，若等于则转到Step4，否则转到Step3；

Step3.4、保优并判断是否达到终止条件：对整个种群和“教师”群体进行保优，并从中选出前百分之Teacher_p的较优个体作为新的“教师”群体，判断是否达到迭代终止条件，若是则输出最好的“教师”个体作为最终结果，否则转到Step2。