[发明专利]一种基于改进海鸥优化算法的柔性作业车间调度方法

说明书

本发明公开了一种基于改进海鸥优化算法的柔性作业车间调度方法，属于车间调度领域，所述方法包括：1）通过改进初始化种群解决搜索空间小的问题；2）通过重新设计局部搜索模型解决海鸥优化算法容易陷入局部最优的问题；3）通过融入强化学习的方式使离线训练后的模型可以快速适应新的问题环境。通过本发明，可以解决海鸥优化算法在迭代后期存在种群多样性减少，算法容易陷入局部最优的问题；加快了算法收敛速度并且在精确性上得到提升，可以使柔性作业车间的加工效率得到有效提升，并提高工厂的经济效益。最后，通过实例对本发明所给出的方法进行了验证并与其他算法进行了对比，体现了本发明所提方法的优越性。

技术领域

本发明涉及柔性车间调度技术领域，特别是涉及一种基于改进海鸥优化算法的柔性作业车间调度方法。

背景技术

作业车间调度问题(Job Shop Scheduling Problem，简称JSP)由来已久，并被定义为NP-hard问题，其主要特点是随着车间机器数量和作业数量的增加，调度解的数目会爆炸式增长，所以JSP是复杂程度非常高的工程化数学问题，柔性作业车间调度问题(Flexible Job Shop Scheduling Problem，简称FJSP)是对JSP的扩展，增加了调度的灵活性和复杂性。FJSP涉及柔性制造，每个生产过程有多台机器与其对应，所以在工序排序的同时，还需要进行机器设备的选择。FJSP是一个选择和优化的过程，即需要在满足加工生产条件和约束的前提下，对加工时间、成本、能耗等生产目标进行优化，进而满足工厂生产的需求。FJSP是企业在实际加工生产中最难以解决的调度问题之一，具有解决难度复杂、问题分类广泛等相关特点，不但是科学研究的重点难题，还在建筑、航空航天、钢铁等诸多行业之中直接关系着车间生产质量，因此一经提出就被研究界和企业所重视。

海鸥优化算法(Seagull Optimization Algorithm，SOA)是一种受海鸥生物学行为启发而提出的一种群智能优化算法。该算法主要模拟了自然界中海鸥迁徙以及迁徙过程中的攻击行为(觅食行为)。迁徙行为即海鸥从一个现阶段不适宜生存的地方飞往另一个适宜生存的地方，迁徙时每只海鸥的所在位置不同，以避免相互碰撞。在一个群体中，海鸥可以朝着最佳位置的方向前进，改变自身所在的位置。迁徙行为影响着SOA算法的全局探索能力。攻击行为即海鸥在飞行过程中对地面、水域内食物的攻击觅食，在进攻时海鸥群体做出螺旋形的运动形态，攻击行为影响着SOA算法的局部开发能力。

强化学习属于机器学习的一种，其大体流程是通过智能体和环境交互获得当前状态，根据当前状态和知识库选择一个决策并作用于环境，收到环境对于该决策的评价奖励并更新关于决策的知识库。通过这种方法，强化学习可以通过不断的“试-错”逐步学会如何可以获得最大奖励值。

发明内容

为了克服上述现有技术中柔性作业车间调度问题的不足，本发明提供了一种融合了强化学习的海鸥优化算法柔性作业车间调度方法，其通过改进初始化种群解决搜索空间小的问题；通过重新设计局部搜索模型解决海鸥优化算法容易陷入局部最优的问题；通过融入强化学习的方式使离线训练后的模型可以快速适应新的问题环境。

为实现上述目的，采用了以下技术方案：

一种融合Q-learning改进海鸥优化算法的柔性作业车间调度方法，应用Logistic混沌映射种群初始化方案、改进的局部搜索模型、在参数选择上融合了强化学习算法来优化柔性作业车间调度问题，以获得更好的排产调度方案，提高生产效率；具体过程包括以下步骤：