一种基于分解多目标进化算法的柔性车间鲁棒调度方法技术

本发明专利技术公开了一种基于分解多目标进化算法的柔性车间鲁棒调度方法,(1)读取柔性作业车间的作业和机器属性等输入信息；定义优化目标，设定约束条件；(2)初始化算法的参数；(3)确定每个子问题的邻域，产生初始父代群体，从初始群体中确定出所有的Pareto非支配解构成外部存储器；(4)生成子代群体。进行交配选择，采用自适应变异算子和基于修复的交叉算子繁殖子代个体，并更新外部存储器；(5)利用生成的子代群体对各子问题的当前最优个体进行更新，构成新的父代群体；(6)判断个体目标评价次数若达到最大，则输出外部存储器，即一组Pareto非支配的柔性作业车间调度解；未达到则跳转至(4)。本发明专利技术快速高效地实现柔性作业车间中的调度任务。

【技术实现步骤摘要】

本专利技术涉及柔性作业车间调度控制
，特别是一种基于分解多目标进化算法的柔性车间鲁棒调度方法。
技术介绍
柔性作业车间调度问题是对经典车间调度问题的一般化，它是一类NP难问题。在柔性作业车间调度问题中，允许一道工序被多台机器加工，因此，需为每项作业的每道工序分配适当的机器，并确定各机器上工序的加工顺序，以在满足各种约束条件的前提下，实现作业的完工时间最短、各机器的负载均衡等优化目标。实际柔性作业车间的生产环境中存在着很多不确定因素，如由于对作业规格要求的改变导致部分工序加工时间发生改变；由于转包商的运输延迟，导致作业的投放时间推迟等。当面临这些扰动时，根据初始数据产生的最优调度方案的性能可能大大降低，因此亟需研究一种能够处理不确定因素的新型柔性作业车间鲁棒调度方法，以在保证完工时间较短、各机器的负载较为均衡等性能的同时，增强车间调度方案对不确定性的抗干扰能力，降低调度性能对扰动的敏感程度。柔性作业车间的鲁棒调度技术对实际生产系统的成功实施具有重要意义。进化算法是模拟生物在自然环境中的进化过程而形成的一类自适应全局优化概率搜索算法。进化算法可以处理传统优化方法难以解决的复杂优化问题，例如非连续、多模态等问题，它对整个群体实施选择、交叉、变异等操作，可以在算法的一次运行中并行搜索到多个解，加之它具有较强的环境自适应能力，因此，进化算法特别适用于求解柔性作业车间调度这类同时存在多个Pareto非支配解的多目标鲁棒优化问题。基于分解的多目标进化算法(MOEA/D)是由张青富教授和李辉博士在2007年首次提出的。该算法给出了一种新颖且通用的多目标处理框架。它将多目标优化问题分解为一组单目标子问题，并采用基于群体的进化算法协同求解这些子问题。由于它的高效性，近年来，MOEA/D已经成为国际学术界的研究热点之一，并且已有学者将MOEA/D成功应用于实际优化问题的求解中。目前已有的柔性作业车间调度方法存在以下不足：(1)大多仅考虑了静态的生产环境。它们假设柔性作业车间中的所有信息都是预先可知且确定不变的，显然，当实际生产环境存在不确定因素时，依据静态方法产生的调度方案不再适用。(2)对多个优化目标的处理方式比较单一。大多已有方法采用加权求和法将多个目标转换为一个目标，这种方法将会引入较多的参数，并且需要事先对各个目标进行归一化处理。由于柔性作业车间调度问题的多个目标之间往往是相互矛盾的，因此更好的方式是采用多目标进化算法对多个目标并行处理，从而为生产管理者提供一组反映目标间不同折中程度的调度方案，为其做出最终的决策提供参考。(3)局部搜索能力较弱，易于陷入局部最优，调度效率低下。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的不足而提供一种基于分解多目标进化算法的柔性车间鲁棒调度方法，以在实际的车间生产环境中，在优化作业的完工时间、促使各机器负载均衡的同时，尽可能地降低不确定性对调度方案性能的负面影响，并提高调度方法的局部搜索能力，避免陷入局部最优，实现快速高效的车间调度。本专利技术为解决上述技术问题采用以下技术方案：根据本专利技术提出的一种基于分解多目标进化算法的柔性车间鲁棒调度方法，包括以下步骤：步骤(1)、读取柔性作业车间的输入信息，定义优化目标，设定约束条件：车间的输入信息包括每项作业的工序数、每项作业中每道工序可分配的机器集合、各工序在相应机器上的加工时间、正常工作的机器数目；优化目标包括作业完工时间、机器的最大负载、调度性能的鲁棒性；约束条件包括工序优先级约束和禁止抢先占有的约束；步骤(2)、初始化基于分解的多目标进化算法的参数：设置迭代次数NmbEvl、群体规模N即为子问题的个数、产生N个均匀分布的目标权向量λ1,…,λN、子问题的邻域规模T，繁殖算子中的父代个体从邻域里选取的概率δ、邻域个体允许被每个子代个体替换的最大数目nr，评价鲁棒性时采样的不确定场景个数Q，以及交叉概率CR；步骤(3)、确定每个子问题的邻域，产生初始父代群体：(3.1)、对第i个子问题，i＝1,…,N，确定邻域B(i)＝{i1,…,iT本文档来自技高网...

【技术保护点】
一种基于分解多目标进化算法的柔性车间鲁棒调度方法，其特征在于，包括以下步骤：步骤(1)、读取柔性作业车间的输入信息，定义优化目标，设定约束条件：车间的输入信息包括每项作业的工序数、每项作业中每道工序可分配的机器集合、各工序在相应机器上的加工时间、正常工作的机器数目；优化目标包括作业完工时间、机器的最大负载、调度性能的鲁棒性；约束条件包括工序优先级约束和禁止抢先占有的约束；步骤(2)、初始化基于分解的多目标进化算法的参数：设置迭代次数NmbEvl、群体规模N即为子问题的个数、产生N个均匀分布的目标权向量λ1,…,λN、子问题的邻域规模T，繁殖算子中的父代个体从邻域里选取的概率δ、邻域个体允许被每个子代个体替换的最大数目nr，评价鲁棒性时采样的不确定场景个数Q，以及交叉概率CR；步骤(3)、确定每个子问题的邻域，产生初始父代群体：(3.1)、对第i个子问题，i＝1,…,N，确定邻域B(i)＝{i1,…,iT}；分别计算第i个子问题的权向量λi和其它(N‑1)个子问题权向量间的欧拉距离，将T个距离λi最近的权向量所对应的子群体序号{i1,…,iT}构成B(i)；(3.2)、随机产生初始父代群体{x1,…,xN}，其中，个体xi为第i个子群体的当前解；群体中的每个个体包括工序序列向量和机器分配向量；随机采样一组不确定性场景θq，q＝1,2,...,Q；计算初始父代群体中每个个体的目标值f1＝makespanI、f2＝workloadI和f3＝robustness；makespanI和workloadI分别表示初始景象下的作业完工时间和机器最大负载，robustness表示调度性能的鲁棒性；从初始父代群体中确定出所有的Pareto非支配解构成外部存储器Arc；设置目标评价次数计数变量ct＝N；归一化各目标值，将每个个体xi的第j个目标值fj(xi)映射到区间[0,1]之间，产生xi在第j个目标上的归一化值fnoj(xi)，即：其中，和分别表示当前父代群体中的所有个体在第j个目标上的最大值和最小值，j＝1,2,3；(3.3)、设置进化代数t＝0；步骤(4)、生成子代群体：随机采样一组不确定性场景θq；设置子代群体令i＝1；(4.1)、交配选择；产生一个均匀分布的随机数rand1∈[0,1]；设置第i个子问题的更新邻域P(i)：基于以下规则产生3个不同的父代个体和(4.2)、繁殖；采用基于微分进化算法的繁殖算子，由和xi生成子代个体ui；(4.3)、更新外部存储器；评价ui的目标值，并归一化各目标值；令ct＝ct+1；将ui加入外部存储器Arc；并删除当前Arc中所有重复解和Pareto支配解；设Chipop＝Chipop∪ui；如果i＜N，则令i＝i+1，转至(4.1)，否则执行步骤(5)；步骤(5)、解的更新：设混合群体Mixpop＝{x1,…,xN}∪Chipop，令i＝1，(5.1)、令计数器c＝0；(5.2)、从第i个子问题的更新邻域P(i)中随机选取一个子群体的序号k，k∈P(i)；(5.3)、对于第k个子问题，从Mixpop中确定最佳解；设标记变量mark＝0；给定第k个子问题的权向量为第j个目标的权值，和参考向量为第j个目标的参考点，j＝1,2,3，采用切比雪夫法求得任意一个个体x在第k个子问题的合成目标函数为：gte(x|λk,z*)=max1≤j≤3{λjk|fnoj(x)-zj*|}]]>由于采用归一化目标值，设置参考向量z*＝(0,0,0)；对于Mixpop中的每个个体xyl和第k个子问题的当前解xk，如果下述3个条件中有一个满足：(i)gte(xyl|λk,z*)＜gte(xk|λk,z*)；(ii)gte(xyl|λk,z*)＝gte(xk|λk,z*)且xyl Pareto支配xk；(iii)gte(xyl|λk,z*)＝gte(xk|λk,z*)且xyl在鲁棒性能f3＝robustness上的目标值小于xk，则令xk＝xyl，FVk＝F(xyl)，Fnok＝Fno(xyl)，且mark＝1；其中，FVk表示xk的目标向量，即FVk＝F(xk)＝[f1(xk),f2(xk),f3(xk)]，F(xyl)表示xyl的目标向量，即F(xyl)＝[f1(xyl),f2(xyl),f3(xyl)]，Fnok表示xk经归一化后的目标向量，即Fnok＝[fno1(xk),fno2(xk),fno3(xk)]，Fno(xyl)表示xyl经归一化后的目标向量，即Fno(xyl)＝[fno1(xyl),fno2(xyl),fno3(xyl)]；(5.4)、如果mark＝1，则令c＝c+1；(5.5)、从P(i)中删除序号k；如果c＜nr且P(i)非空集，则转至(5.2)；否则，如果i＜N，...

【技术特征摘要】
1.一种基于分解多目标进化算法的柔性车间鲁棒调度方法，其特征在于，包括以下步骤：步骤(1)、读取柔性作业车间的输入信息，定义优化目标，设定约束条件：车间的输入信息包括每项作业的工序数、每项作业中每道工序可分配的机器集合、各工序在相应机器上的加工时间、正常工作的机器数目；优化目标包括作业完工时间、机器的最大负载、调度性能的鲁棒性；约束条件包括工序优先级约束和禁止抢先占有的约束；步骤(2)、初始化基于分解的多...

【专利技术属性】
技术研发人员：申晓宁，韩莹，张敏，付景枝，陈逸菲，赵丽玲，林屹，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32