The invention is applied to computer technology, and provides a device for multiple job shop scheduling methods, the method comprises: when receiving multi scheduling request, establish mathematical model of job shop scheduling, dynamic population strategy use preset and double mode differential evolution operator for the evolution of individuals in the current population the mathematical model, when the current population of the evolutionary population evolution does not satisfy the preset termination conditions, the evolution of the current population of non dominated individuals is set to the current population model of the next generation, repeat the steps of the current population of the evolution of the mathematical model, until the current evolutionary algebra the evolution of population at the termination conditions, the current population of non dominated individuals set up mathematical model parameters in the solution of evolution, thus The solution to multi job shop scheduling improves the convergence ability and robustness in the multi job shop scheduling process.
【技术实现步骤摘要】
一种多车间作业调度方法及装置
本专利技术属于计算机
,尤其涉及一种多车间作业调度方法及装置。
技术介绍
多车间作业调度是一个典型的非确定多项式(NP)难题。整数规划法、混合整数规划法和动态规划法等数学规划法可以用来进行多车间作业调度,但是这些数学规划法的计算过程复杂性较高,使得这些方法的运用受到限制。在整数规划中,枚举方法和拉氏松弛法是其中应用最多的两种方法,枚举方法的主要缺点是:由于存在整数约束对于较大的调度问题需要很大的时间,拉氏松弛法删除了整数约束加入相应的代价,虽然在可行时间里能解决复杂的车间问题,但是其收敛能力存在局限性。局部搜索算法和模拟退火法也可以用来进行多车间作业调度,然而局部搜索算法在遇到局部极值的时候容易陷入局部最优的问题,而模拟退火法虽有可能跳出局部极小,但模拟退火法的收敛速度较慢。还有一种新兴的收敛速度快的进化算法也可以用来进行多车间作业调度,但是在计算过程中可能出现早熟收敛和停滞的问题,导致还没找到最优的方案就已经收敛并结束计算。综上所述,现有的多车间作业调度方法的收敛能力不佳、容易陷入局部最优的陷阱、可行性较低、鲁棒性不佳,因而难以有效地解决多车间作业调度问题。
技术实现思路
本专利技术的目的在于提供一种多车间作业调度方法及装置,旨在解决现有的解决多车间作业调度的方法收敛能力不佳、容易陷入局部最优的陷阱、可行性较低的问题。一方面,本专利技术提供了一种多车间作业调度方法,该方法包括下述步骤:当接收到多车间作业调度的请求时,根据多车间作业调度的作业参数,建立多车间作业调度的数学模型;对数学模型的当前种群中的个体进行进化,当当前种群 ...
【技术保护点】
一种多车间作业调度方法,其特征在于,所述方法包括下述步骤:当接收到多车间作业调度的请求时,根据所述多车间作业调度的作业参数,建立所述多车间作业调度的数学模型;对所述数学模型的当前种群中的个体进行进化,当所述当前种群的当前进化代数不满足预设的种群进化终止条件时,将所述进化后的当前种群中的非支配个体设置为所述数学模型下一代的当前种群,重复执行对所述数学模型的当前种群中的个体进行进化的步骤,直至所述当前进化代数满足所述种群进化终止条件;当所述当前进化代数满足所述预设的种群进化终止条件时,将所述进化后的当前种群中的非支配个体设置为所述数学模型中待求参数的解,输出所述数学模型中待求参数的解对应的所述多车间作业调度的解决方案;对所述数学模型的当前种群中的个体进行进化的步骤,包括:统计预先获取的所述数学模型当前种群中的当前非支配个体的数量,根据所述当前非支配个体的数量,使用预设的动态种群策略获取所述当前种群的大小P
【技术特征摘要】
1.一种多车间作业调度方法,其特征在于,所述方法包括下述步骤:当接收到多车间作业调度的请求时,根据所述多车间作业调度的作业参数,建立所述多车间作业调度的数学模型;对所述数学模型的当前种群中的个体进行进化,当所述当前种群的当前进化代数不满足预设的种群进化终止条件时,将所述进化后的当前种群中的非支配个体设置为所述数学模型下一代的当前种群,重复执行对所述数学模型的当前种群中的个体进行进化的步骤,直至所述当前进化代数满足所述种群进化终止条件;当所述当前进化代数满足所述预设的种群进化终止条件时,将所述进化后的当前种群中的非支配个体设置为所述数学模型中待求参数的解,输出所述数学模型中待求参数的解对应的所述多车间作业调度的解决方案;对所述数学模型的当前种群中的个体进行进化的步骤,包括:统计预先获取的所述数学模型当前种群中的当前非支配个体的数量,根据所述当前非支配个体的数量,使用预设的动态种群策略获取所述当前种群的大小PN,根据所述当前非支配个体的拥挤程度和所述PN,确定所述当前种群中保留的个体,使用预设的双模式差分进化算子对所述当前种群中的个体进行进化,获取所述进化后的当前种群中的当前非支配个体,并对当前进化代数进行加1操作。2.如权利要求1所述的方法,其特征在于,建立所述多车间作业调度的数学模型的步骤之后,对所述数学模型的当前种群中的个体进行进化的步骤之前,所述方法还包括:预设种群进化的运行参数和终止代数,随机生成初始种群。3.如权利要求1所述的方法,其特征在于,建立所述多车间作业调度的数学模型的步骤之后,对所述数学模型的当前种群中的个体进行进化的步骤之前,所述方法还包括:计算所述初始种群中个体的目标函数值,根据所述计算得到的目标函数值获取所述初始种群中的当前非支配个体;将所述获取的当前非支配个体组成当前种群,并将所述当前种群的当前进化代数设置为第一代。4.如权利要求1所述的方法,其特征在于,获取所述数学模型当前种群中的当前非支配个体,根据所述当前非支配个体的数量,使用预设的动态种群策略获取所述当前种群的大小PN,根据所述当前非支配个体的拥挤程度和所述PN,确定所述当前种群中保留的个体的步骤,包括:计算所述当前种群中的当前非支配个体的拥挤距离,根据所述当前非支配个体的拥挤距离,选择所述当前非支配个体中拥挤距离超过预设值的个体组成当前活跃种群;根据所述当前非支配个体的数量,使用所述预设的动态种群策略确定种群的大小PN;对所述当前活跃种群中的个体进行克隆,直至所述当前活跃种群中的个体数量达到PN,用所述当前活跃种群中的PN个个体替换当前种群中的全部个体。5.如权利要求1所述的方法,其特征在于,使用预设的双模式差分进化算子对所述当前种群中的个体进行进化,并对当前进化代数进行加1操作的步骤,包括:使用预设的交叉算子对所述得到的数量为PN的个体进行重组,使用预设的双模式差分进化算子对所述重组后的PN个个体进行变异,得到...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。