本發(fā)明涉及計(jì)算機(jī)執(zhí)行制造系統(tǒng)領(lǐng)域，具體涉及用算法解決作業(yè)車間調(diào)度的組合優(yōu)化問(wèn)題。

背景技術(shù)：

作業(yè)車間調(diào)度問(wèn)題(Job-Shop Scheduling Problem)是制造執(zhí)行系統(tǒng)研究的核心和重點(diǎn)之一，它的研究不僅具有重大的現(xiàn)實(shí)意義，而且具有深遠(yuǎn)的理論意義。作業(yè)車間調(diào)度問(wèn)題(JSP)，就是根據(jù)產(chǎn)品制造需求合理分配產(chǎn)品制造資源，進(jìn)而達(dá)到合理利用產(chǎn)品制造資源、提高企業(yè)經(jīng)濟(jì)效益的目的。JSP是產(chǎn)品制造行業(yè)中共存的問(wèn)題，它與計(jì)算機(jī)集成制造系統(tǒng)(Computer Integrated Manufacturing Systems，簡(jiǎn)稱CIMS)的工廠管理、產(chǎn)品制造層次緊密相關(guān)，是CIMS領(lǐng)域中研究的重要課題。JSP是一個(gè)典型的NP-hard問(wèn)題,它的研究必然會(huì)對(duì)NP問(wèn)題的研究起到有意義的影響。

過(guò)去的幾十年，各種算法被應(yīng)用來(lái)解決作業(yè)車間調(diào)度問(wèn)題。其中不乏有遺傳算法、粒子群算法、蟻群算法等。

遺傳算法作為一種全局優(yōu)化算法，得到了廣泛的應(yīng)用，但經(jīng)典遺傳算法存在收斂速度慢，容易早熟等問(wèn)題。自適應(yīng)遺傳算法(Adaptive Genetic Algorithm，簡(jiǎn)稱AGA)是對(duì)基本遺傳算法的一種改進(jìn)，它通過(guò)對(duì)遺傳參數(shù)的自適應(yīng)調(diào)整，大大提高了遺傳算法的收斂精度，加快了收斂速度。但AGA仍然面臨算法前期收斂速度快，后期由于缺少反饋而收斂速度降低的問(wèn)題。

蟻群優(yōu)化算法(Ant Colony Optimization Algorithm，簡(jiǎn)稱ACO)是一種源于自然現(xiàn)象的算法，主要思想來(lái)源于群體中各個(gè)個(gè)體之間的間接交流方法，主要是模仿螞蟻通過(guò)釋放和跟隨信息素的方式來(lái)達(dá)到整體的交流和行為上的涌現(xiàn)現(xiàn)象。ACO算法前期由于信息素的短缺和隨機(jī)性導(dǎo)致收斂速度較低，而后期收斂速度顯著升高。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述的AGA算法前期收斂速度快，后期由于缺少反饋而收斂速度降低，ACO算法前期由于信息素的短缺和隨機(jī)性導(dǎo)致收斂速度較低，而后期收斂速度顯著升高，本發(fā)明提出了自適應(yīng)遺傳算法和蟻群優(yōu)化算法(Adaptive Genetic Algorithm and Ant Colony OptimizationAlgorithm,AGA-ACO)，采取動(dòng)態(tài)鏈接策略，結(jié)合自適應(yīng)遺傳算法與蟻群優(yōu)化算法來(lái)創(chuàng)建混合優(yōu)化算法。

本發(fā)明針對(duì)上述不足，所采用的技術(shù)方案是：一種基于優(yōu)先權(quán)編碼的混合遺傳算法解業(yè)車間調(diào)度問(wèn)題。該技術(shù)方案的執(zhí)行步驟如下：

步驟1、設(shè)置自適應(yīng)遺傳算法和蟻群算法的相關(guān)參數(shù)和優(yōu)先權(quán)矩陣編碼規(guī)則；

步驟2、隨機(jī)生成初始種群p(g)，根據(jù)事先設(shè)置的目標(biāo)函數(shù)和適應(yīng)度函數(shù)計(jì)算每個(gè)個(gè)體的適應(yīng)度；

步驟3、選擇交叉、變異遺傳算子操作，更新優(yōu)先權(quán)矩陣，生成下一子代p(g+1)，并計(jì)算此時(shí)每個(gè)個(gè)體的適應(yīng)度，保留此時(shí)的精英個(gè)體；

步驟4、根據(jù)設(shè)置的最大迭代次數(shù)G_max和迭代終止條件G_die判斷是否終止迭代進(jìn)化。迭代終止則執(zhí)行步驟6，否則執(zhí)行步驟5；

步驟5、改變交叉、變異的概率，返回步驟3；

步驟6、根據(jù)生成的一組優(yōu)化方案轉(zhuǎn)化成信息素的初始分布；

步驟7、將m個(gè)螞蟻置于初始節(jié)點(diǎn)0，計(jì)算每個(gè)螞蟻選擇下一節(jié)點(diǎn)移動(dòng)的概率

步驟8、改變螞蟻經(jīng)過(guò)路徑上的信息素并計(jì)算路徑上總的信息素，計(jì)算并保留精英螞蟻，判斷是否達(dá)到終止條件，滿足條件輸出最終結(jié)果，否則返回步驟7。

本發(fā)明的有益效果是：該發(fā)明結(jié)合AGA與ACO兩個(gè)算法各自的優(yōu)勢(shì)，避免了搜索陷入局部最優(yōu)解和執(zhí)行時(shí)間過(guò)長(zhǎng)的問(wèn)題，彌補(bǔ)了各自的不足，增強(qiáng)了算法的性能。且本發(fā)明采用基于優(yōu)先權(quán)矩陣的編碼方式，產(chǎn)生的每個(gè)染色體本身就具有兩種要素，正好對(duì)應(yīng)著作業(yè)車間調(diào)度問(wèn)題編碼時(shí)需要考慮的工件以及工件的工序，不需要額外的解碼操作去計(jì)算相應(yīng)的信息，再利用每個(gè)矩陣元素的值表示對(duì)應(yīng)工件對(duì)應(yīng)工序的加工優(yōu)先權(quán)，這樣每個(gè)染色體就能完整的表示一個(gè)調(diào)度方案。

附圖說(shuō)明

圖1：表示本發(fā)明的詳細(xì)流程圖

圖2：表示JSP析取圖示例

圖3：表示遺傳算法(GA)和蟻群算法(AA)的V—T曲線圖

圖4：表示遺傳算法的初始解產(chǎn)生過(guò)程示例

具體實(shí)施方式

本發(fā)明將自適應(yīng)遺傳算法與改進(jìn)的蟻群算法混合，該發(fā)明首先利用自適應(yīng)遺傳算法初始化信息素分布，然后執(zhí)行改進(jìn)的蟻群算法。該算法結(jié)合了兩個(gè)算法的優(yōu)點(diǎn)，避免搜索陷入局部最優(yōu)解和執(zhí)行時(shí)間過(guò)長(zhǎng)的問(wèn)題，克服了它們各自的缺點(diǎn)。且混合算法的性能優(yōu)于之前的，且隨著JSP規(guī)模越大，算法性能越好。

下面結(jié)合附圖1－圖3和實(shí)施例對(duì)本發(fā)明詳細(xì)說(shuō)明。

作業(yè)車間調(diào)度問(wèn)題指分配n個(gè)工件到m臺(tái)設(shè)備上加工的時(shí)序分發(fā)問(wèn)題。有多種不同形式可以用來(lái)描述JSP，如線性規(guī)劃模型和析取圖模型。本發(fā)明用析取圖G＝(N，A，E)表示JSP，結(jié)合圖2析取圖示例可表述如下：N表示所有工序節(jié)點(diǎn)集，增加兩個(gè)虛擬節(jié)點(diǎn)0和N+1,節(jié)點(diǎn)0表示開始，節(jié)點(diǎn)N+1表示結(jié)束。A表示同一工件相鄰工序的單向弧集，E表示同一設(shè)備相鄰工序的雙向析取弧集。

目標(biāo)函數(shù)定義為最小化最大完工時(shí)間，目標(biāo)函數(shù)如下：

其中C_i(i＝1，2，......，n)表示完成第i次工序的時(shí)間。

本發(fā)明的目的在于讓作業(yè)車間調(diào)度中完工時(shí)間最小，遺傳算法(GA)與蟻群算法(AA)結(jié)合圖3V-T曲線圖可看出：t₀-t_a階段遺傳算法的收斂速度很高，但t_a之后遺傳算法由于缺少反饋而收斂速度降低。t₀-t_a階段蟻群算法由于信息素的短缺和隨機(jī)性導(dǎo)致收斂速度較低，但t_a之后收斂速度顯著升高。因此本混合算法將t_a之前信息素的分布通過(guò)AGA收集，t_a之后由ACO生成最佳方案。

下面結(jié)合附圖對(duì)該混合算法詳細(xì)說(shuō)明。

一、遺傳算法:

1、遺傳編碼：基于優(yōu)先權(quán)矩陣的編碼方式

在基于優(yōu)先權(quán)矩陣編碼方法中一條染色體對(duì)應(yīng)一個(gè)矩陣，由于矩陣是二維的，具有行和列之分，所以采用基于優(yōu)先權(quán)矩陣編碼產(chǎn)生的每個(gè)染色體本身就具有兩種要素，正好對(duì)應(yīng)著車間作業(yè)調(diào)度問(wèn)題編碼時(shí)需要考慮的工件以及工件的工序，不需要額外的解碼操作去計(jì)算相應(yīng)的信息，再利用每個(gè)矩陣元素的值表示對(duì)應(yīng)工件對(duì)應(yīng)工序的加工優(yōu)先權(quán)，這樣每個(gè)染色體就能完整的表示一個(gè)調(diào)度方案。編碼時(shí)，令矩陣每一行代表一個(gè)工件，每一列代表一個(gè)工序，元素e_ij表示第i個(gè)工件的第j道工序在所有工序中的加工優(yōu)先權(quán)，如有n個(gè)工件，每個(gè)工件有m道工序，因此對(duì)應(yīng)的優(yōu)先權(quán)值為1到n×m的自然數(shù)，即矩陣各元素的值也為1到n×m的自然數(shù)。例如有以下矩陣：

E₁表示各工件工序的加工順序，順序?yàn)椋簅₁₁，o₂₁，o₁₃，o₃₂，o₂₂，o₃₁，o₂₃，o₁₂，o₃₃。o_ij

表示第i個(gè)工件的第j道工序的優(yōu)先權(quán)值。

2、產(chǎn)生初始解

初始解的構(gòu)造結(jié)合圖4示例圖，可描述如下：各工件應(yīng)該按照工序的先后順序加工，首先應(yīng)該加工的是各工件的第一道工序，所以在各工件的第一道工序{o₁₁，o₂₁，o₃₁}中隨機(jī)選擇一個(gè)，令其優(yōu)先權(quán)值為1，如隨機(jī)選擇了工序o₃₁，則令染色體矩陣元素e₃₁＝1，o₃₁已經(jīng)設(shè)置優(yōu)先權(quán)值，所以工件3的下一道加工工序?yàn)閛₃₂，然后在可選工序集{o_11，o₂₁，o₃₂}中隨機(jī)選擇一個(gè)令其優(yōu)先權(quán)值為2，如隨機(jī)選擇了工序o₁₁，則令e₁₁＝2依此類推，直到所有工序的優(yōu)先權(quán)值均被確定。

3、適應(yīng)度函數(shù)：C_{max i}表示第i個(gè)個(gè)體的目標(biāo)函數(shù)值。

4、交叉操作：為了確保產(chǎn)生的某些基因不被破壞的同時(shí)，另外一些基因發(fā)生改變以達(dá)到進(jìn)化效果，交叉時(shí)交換兩個(gè)染色體中同一工件對(duì)應(yīng)各優(yōu)先權(quán)值，然后統(tǒng)計(jì)出其它工件工序中缺少和重復(fù)的優(yōu)先權(quán)值，并用缺少的優(yōu)先權(quán)值代替重復(fù)的優(yōu)先權(quán)值，最后把各工件對(duì)應(yīng)的優(yōu)先權(quán)值按從小到大重新排列。這樣已經(jīng)產(chǎn)生的某些優(yōu)良基因就有很大的概率得以遺傳到下一代，同時(shí)還能保證其它設(shè)備上的工件調(diào)度方案發(fā)生改變，達(dá)到進(jìn)化效果。

5、變異操作：隨機(jī)選擇同一個(gè)染色體的兩個(gè)不同工件，然后再分別隨機(jī)選擇一個(gè)工序的優(yōu)先權(quán)值并將其交換，并對(duì)這兩個(gè)工件的優(yōu)先權(quán)值按從小到大排序。如果在同一個(gè)工件對(duì)應(yīng)的優(yōu)先權(quán)值中選擇兩個(gè)交換，調(diào)整為可行解后則與變異前相同。

6、自適應(yīng)遺傳策略：遺傳算子是優(yōu)化遺傳算法的主要方法。典型的遺傳算法中，交叉概率和變異概率是穩(wěn)定的。本發(fā)明，交叉概率和變異概率可以根據(jù)最佳染色體的適應(yīng)度的變化而自適應(yīng)變化。

(1)、交叉概率如下：運(yùn)行交叉算子前設(shè)置最好染色體的適應(yīng)度為f_c1，當(dāng)交叉概率為p_c時(shí)運(yùn)行交叉算子后的最好染色體的適應(yīng)度為f_c2，然后交叉概率為p_c，交叉概率如下：

(2)、變異概率如下：運(yùn)行變異算子前設(shè)置最好染色體的適應(yīng)度為f_m1，當(dāng)變異概率為p_m時(shí)運(yùn)行變異算子后的最好染色體的適應(yīng)度為f_m2，變異概率如下：

7、精英池策略：在進(jìn)化過(guò)程采用“精英策略”，即把每代中的最優(yōu)個(gè)體定義為“精英”并保留到下一代，以加快算法的收斂速度。適應(yīng)度值最大的個(gè)體為“精英”個(gè)體。

二、蟻群算法

1、更新信息素的規(guī)則：本發(fā)明采用蟻周(Ant-Cycle，AC)系統(tǒng)模型。螞蟻k循環(huán)一周需要n步，在路徑(i,j)上的信息素按如下規(guī)則調(diào)整。

L_k表示本次循環(huán)中螞蟻k所用時(shí)間，Q是個(gè)常數(shù)

螞蟻完成所有n個(gè)元素的遍歷后，信息素按如下規(guī)則進(jìn)行調(diào)整：

2、目標(biāo)節(jié)點(diǎn)的選擇概率:螞蟻遍歷所有的節(jié)點(diǎn)，螞蟻k從節(jié)點(diǎn)i到節(jié)點(diǎn)j的概率如下：

allowed_k表示螞蟻可選的節(jié)點(diǎn)集

3、改善目標(biāo)節(jié)點(diǎn)的選擇策略：蟻群算法有兩個(gè)問(wèn)題：1)搜索陷入局部最優(yōu)解。每一個(gè)個(gè)體得到的所有解決方案是相同的，以至于最好的解決方案不能被發(fā)現(xiàn)。2)收斂至得到全局最優(yōu)解的時(shí)間很長(zhǎng)。結(jié)果在局部最優(yōu)解和全局最優(yōu)解之間搖擺。為擴(kuò)大高收斂速度解的空間，螞蟻k用以下策略選擇目標(biāo)節(jié)點(diǎn)j。

隨機(jī)選擇w，w∈N，q₀是一個(gè)常數(shù)，0<q₀<1，q∈(0,1)，當(dāng)選擇目標(biāo)節(jié)點(diǎn)時(shí)生成q，

低信息素增加了跳出局部最優(yōu)解選擇實(shí)體的概率。

4、精英池策略：在搜索過(guò)程采用“精英策略”，即把每代中的最優(yōu)個(gè)體定義為“精英”并保留到下一代，并利用精英螞蟻更新其他螞蟻的位置信息，以加快算法的收斂速度。τmax_i＝max(τ_i1，τ_i2，......τ_ij)，螞蟻i則為精英螞蟻。

本發(fā)明針對(duì)JSP的自適應(yīng)遺傳算法(AGA)與蟻群算法(ACO)，將AGA與ACO采取動(dòng)態(tài)鏈接策略，如下：

(1)設(shè)置動(dòng)態(tài)結(jié)合的時(shí)間：最大迭代次數(shù)G_max，終止迭代速率G_die小于子代進(jìn)化中最佳的進(jìn)化速率G_min-ratio；

(2)利用遺傳算法的初始分布，設(shè)置蟻群算法的初始信息素分布：路徑(i,j)上的信息素按如下定義：

指路徑(i,j)上的信息素常量，指遺傳算法結(jié)果集對(duì)應(yīng)的信息素；

(3)轉(zhuǎn)換遺傳算法的結(jié)果集為信息素。

上述結(jié)合附圖對(duì)本發(fā)明的實(shí)施例作了詳細(xì)描述，應(yīng)該理解上述只是示例性的，因此，本發(fā)明的保護(hù)范圍應(yīng)當(dāng)由所附的權(quán)利要求書的內(nèi)容確定。