一种针对大规模柔性作业车间调度的集成搜索方法技术

本发明专利技术涉及一种针对大规模柔性作业车间调度的集成搜索方法，其特征在于包括以下步骤：1)定义某个要解决FJSP的解向量；2)将混合和声搜索中的解向量转换为FJSP可行解的编码；3)采用混合和声搜索算法进行和声搜索；4)将和声搜索的解向量转化为FJSP问题的调度解，基于调度解设计相应的邻域，然后利用设计的邻域进行局部搜索，并将局部搜索得到的改善后的调度解再转化为解向量，利用这个解向量替换局部搜索前的解向量，继续和声搜索的搜索过程得到最优解；5)将基于混合和声搜索算法所找到的最优解作为大领域搜索算法的初始解，采用大领域搜索算法继续进行搜索，直到终止条件满足，得到的解为完工时间的调度。

【技术实现步骤摘要】

本专利技术涉及计算机应用及生产调度
，特别是关于一种针对大规模柔性作业车间调度的集成搜索方法。
技术介绍
音乐演奏中，乐师们凭借自己的记忆，通过反复调整乐队中各乐器的音调，最终达到一个美妙的和声状态，韩国学者GeemZW等人受这一现象的启发，提出了和声搜索算法。将乐器i(i＝1,2,…,n)类比于优化问题中的第i个变量，各乐器的音调类比于各变量的值，各乐器音调的和声Rj(j＝1,2,…,m)类比于优化问题的第j组解向量，音乐的评价效果类比于目标函数。基本的和声搜索算法产生m组初始解(和声)放入和声记忆库(HarmonyMemory，HM)，以概率HMCR在HM内搜索新的变量，以概率1-HMCR在HM外变量允许的范围中搜索；然后算法以概率PAR对新的变量产生局部扰动；判断新解的目标函数是否属于HM内的最差解，若是，则替换之；然后不断迭代直至满足停止准则。基于和声搜索算法的主要参数有和声记忆库大小m，记忆库保留概率(HarmonyMemoryConsideringRate，HMCR)和声调解率(PitchAdjustingRate，PAR)，其中算法参数的设置影响算法收敛效率和收敛速度，基本的和声搜索过程为：步骤1)初始化参数记忆库大小m、记忆库保留概率HMCR、和声调解率PAR、扰动系数bw，算法迭代次数NI；步骤2)随机产生m组初始解放入HM，其中HM矩阵的行向量表示优化问题的一个解；HM=x11x21...xn1x12x22...xn2............x1mx2m...xnm---(1)]]>步骤3)由当前处于HM的m组解产生一个新解[x1′x2′…xn′]，对于每个决策变量xi′具体产生的规则有如下3条：记忆库选择、音调调整和随机选择。首先产生一个在[0,1]之间均匀分布的随机数rand()，如果rand()小于HMCR，xi′由记忆库选择规则产生，否则由随机选择规则产生。其次，一个决策变量xi′如果由记忆库规则产生，则还需要以PAR的概率经过音调调整。记忆库选择、音调调整的规则分别如公式(2)、公式(3)和公式(4)所示：其中a∈(1,2,…,m)(2)xi′＝xi′±rand()×bw(3)xi′＝LBi+rand()×(UBi-LBi)(4)式中，UBi和LBi分别为第i个决策变量的上下界范围，a是指解xi的第i个决策变量，bw是算法参数指带宽。步骤4)更新HM。如果新产生的解向量[x1′x2′…xn′]优于HM中最坏的解，则用当前新解替换HM中这个最坏的解。步骤5)重复步骤3)和步骤4)直至达到指定的迭代次数。近几年来，和声搜索算法作为一种全局优化方法被广泛应用于求解组合优化问题，在旅行商问题、管道铺设问题、公交车路径优化问题等重要组合优化问题中都得到了成功的应用。在和声搜索的发展过程中，出现了许多变种。受粒子群算法中的群体智能思想的启发，Omran和Mahdavi提出了一个全局最优和声搜索算法(gHS)，该算法对基本和声搜索算法的音调调整规则做了改变。假设HM中的最优解为：x1bestx2best...xnbest]]>则音调调整规则为：其中，k为1至n之间的随机整数(5)LingWang等人考虑到更好地保留最优解的结构，将音调调整规则进一步修改为：xi′=xibest---(6)]]>LNS(大邻域搜索)是一种结合约束规划和局部搜索以求解优化问题的强大技术。典型的局部搜索只在当前解的基础上做小的改变，如在调度解中移动一两个操作。但是LNS与之不同，LNS选择问题变量的子集来对问题进行松弛，因此它有可能在当前解基础上做较大的改动。在LNS中，首先选择松弛的变量，然后重新分配这些变量的值，同时保持其它变量的值不变，这个步骤称之为破坏。该步骤之后，通过重新优化未分配值的变量以寻找更优的解，该步骤称之为构建。破坏和构建这两个步骤在LNS中迭代执行，直到终止条件满足。如图1所示，LNS的主要思想是通过破坏操作，原始的问题被约简了，然后在约简的问题上运行约束规划，能够有效克服约束规划在探索大的搜索空间上存在的能力不足问题。HHS(HybridHarmonySearch,HHS混合和声搜索)是基于进化计算的方法，它的优势在于可以很快产生优质的解，然而在解决大规模问题时探索开发能力不足，算法执行到一定程度时，即使再进一步增加迭代次数，所得结果也不会进一步改进；LNS是基于约束规划的方法，它的优势在于具有很强的搜索开发(爬山)能力，但是缺点在于搜索性能依赖于初始解，且搜索开发能力随问题规模的增大急剧递减。
技术实现思路
针对上述问题，本专利技术的目的是提供一种能够有效解决大规模柔性作业车间调度问题的集成搜索方法。为实现上述目的，本专利技术采取以下技术方案：一种针对大规模柔性作业车间调度的集成搜索方法，其特征在于包括以下步骤：1)定义某个要解决FJSP的解向量；2)将混合和声搜索中的解向量转换为FJSP可行解的编码；3)采用混合和声搜索算法进行和声搜索，即首先随机初始化若干解向量，设定最大迭代次数，每代通过混合和声搜索算子产生一个新的解向量；4)将混合和声搜索的解向量转化为FJSP问题的调度解，根据设置的领域进行局部搜索，并将局部搜索得到的改善后的调度解再转化为解向量，利用这个解向量替换局部搜索前的解向量，继续和声搜索的搜索过程得到最优解；5)将基于混合和声搜索算法所找到的最优解作为大领域搜索算法的初始解，采用大领域搜索算法继续进行搜索，直到满足终止条件，得到最新调度解即完工时间。进一步，所述步骤1)定义某个要解决FJSS的解向量，具体为：解向量表示为n表示维数量，每一维的变量范围都是[-1,1]，解向量的维数n是所求解FJSS调度问题操作数目总和的两倍，其中，解向量的前半部分表示所有操作的机器选择信息，后半部分表示所有操作的排序信息。进一步，所述步骤2)将和声搜索中的解向量转换为FJSS可行解的编码，转换算法对于机器选择部分和操作排序部分分别采用不同的转换策略，具体为：2.1)在机器选择部分，具体做法：首先将[-1,1]内的实数线性变换映射到[1,m]内的实数，然后再取最接近的整数，对任意x∈[-1,1]，所对应的[1,m]内的整数z为：z=round(m-12(x+1)+1)]]>其中，round()为取一个实数最接近的整数，特殊情况是当m＝1时，对任意x∈[-1,1]，z＝1；2.2)在操作排序部分，使用基于LPV规则的转换方法。进一步，所述步骤5)将基于和声搜本文档来自技高网...

【技术保护点】
一种针对大规模柔性作业车间调度的集成搜索方法，其特征在于包括以下步骤：1)定义某个要解决FJSP的解向量；2)将混合和声搜索中的解向量转换为FJSP可行解的编码；3)采用混合和声搜索算法进行和声搜索，即首先随机初始化若干解向量，设定最大迭代次数，每代通过混合和声搜索算子产生一个新的解向量；4)将混合和声搜索的解向量转化为FJSP问题的调度解，根据设置的领域进行局部搜索，并将局部搜索得到的改善后的调度解再转化为解向量，利用这个解向量替换局部搜索前的解向量，继续和声搜索的搜索过程得到最优解；5)将基于混合和声搜索算法所找到的最优解作为大领域搜索算法的初始解，采用大领域搜索算法继续进行搜索，直到满足终止条件，得到最新调度解即完工时间。

【技术特征摘要】
1.一种针对大规模柔性作业车间调度的集成搜索方法，其特征在于包括以下步骤：
1)定义某个要解决FJSP的解向量；
2)将混合和声搜索中的解向量转换为FJSP可行解的编码；
3)采用混合和声搜索算法进行和声搜索，即首先随机初始化若干解向量，设定最
大迭代次数，每代通过混合和声搜索算子产生一个新的解向量；
4)将混合和声搜索的解向量转化为FJSP问题的调度解，根据设置的领域进行局
部搜索，并将局部搜索得到的改善后的调度解再转化为解向量，利用这个解向量替换
局部搜索前的解向量，继续和声搜索的搜索过程得到最优解；
5)将基于混合和声搜索算法所找到的最优解作为大领域搜索算法的初始解，采用
大领域搜索算法继续进行搜索，直到满足终止条件，得到最新调度解即完工时间。
2.如权利要求1所述的针对大规模柔性作业车间调度的集成搜索方法，其特征在
于：所述步骤1)定义某个要解决FJSS的解向量，具体为：解向量表示为n表示维数量，每一维的变量范围都是[-1,1]，解向量的维数n是所求
解FJSS调度问题操作数目总和的两倍，其中，解向量的前半部分表示
所有操作的机器选择信息，后半部分表示所有操作的排序信息。
3.如权利要求1所述的一种基于混合和声搜索的柔性作业车间调度方法，其特征
在于：所述步骤2)将和声搜索中的解向量转换为FJSS可行解的编码，转换算法对于
机器选择部分和操作排序部分分别采用不同的转换策略，具体为：
2.1)在机器选择部分，具体做法：首先将[-1,1]内的实数线性变换映射到[1,m]内
的实数，然后...

【专利技术属性】
技术研发人员：徐华，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11