本发明专利技术提出了一种基于双种群基因表达式编程的动态车间调度规则优化方法，用于解决现有基于基因表达式编程的动态车间调度规则优化方法中存在的调度规则质量差的技术问题，实现步骤是：构造动态车间仿真模型；对基因表达式编程算法进行初始化；计算适应度，并判断是否满足停机准则；获取收敛性种群CP和多样性种群DP；对收敛性种群CP和多样性种群DP进行遗传操作，得到新的种群；从新种群中挑选适应度占优的调度规则；一直循环迭代，直至满足停机准则，最终输出最优调度规则。本发明专利技术获得的调度规则减小了动态车间中工件的最大完工时间，能够应用于工业制造、生产作业计划、交通运输和航空航天等技术领域。
【技术实现步骤摘要】
本专利技术属于动态车间调度
，具体涉及一种基于双种群基因表达式编程的动态车间调度规则优化方法，可用于工业制造、生产作业计划、交通运输和航空航天等
技术介绍
调度问题是在实际生产和生活中广泛存在的一类运筹学问题，通常把它定义为“把有限的资源在时间上分配给若干个任务，以满足或优化一个或多个目标”。调度的主要任务是根据目标函数和各种约束条件，为每一个加工的对象确定具体的加工路径、加工时间和加工机器等。迄今为止，计算复杂性理论表明，绝大多数的调度问题是极困难的NP组合优化问题。随着科技的不断进步，工业制造等企业之间的竞争越来越激烈。为了增强自身的竞争力，很多制造企业越来越关注如何进行有效的调度来提高车间的生产率。在实际生产中，由于客户需求的多样性以及车间环境的不确定性，导致生产车间动态事件频繁发生。所以如何快速响应动态事件，并做出高效的调度规则很重要。经典的静态调度研究忽略了生产环境和用户需求的多变性，造成理论研究与实际生产脱节。动态不确定性的处理是目前制造系统必须解决的一个关键问题。因此，将车间调度问题的研究扩展到更具实际意义的动态调度和其他一些更具实际特性的问题中，不仅能丰富调度问题的理论研究，同时缩小理论研究与实际问题的差距，而且也会提高车间的生产率并产生巨大的经济效益。调度规则是指在车间调度过程中评价被调度对象优先级的方法，根据调度规则可以决定下一个应该被处理的对象(通常指机器或工件)，所以调度规则很大程度上决定了车间调度的效率和性能。目前为止，已经有很多学者研究了上百种优先调度规则，主要不足是调度规则的性能优劣受所应用于的调度问题和相应的目标函数的影响。由于每个车间都有其独特的属性，所以不存在一种现存的调度规则可以满足所有的车间环境，所以自动地产生高效的调度规则来及时响应动态多变的车间环境是很有必要的。一些进化计算方法已经被用来解决动态车间调度问题，比如遗传算法、遗传规划、基因表达式编程和基于树的遗传编程等。由于这些进化算法中，参与进化的种群多样性欠缺，搜 索范围广，进化过程需要进化较长代数，所以在进化过程中容易陷入局部最优、收敛速度慢和计算复杂性比较高等，算法本身的这些不足导致对动态车间调度规则进行优化时，产生的调度规则质量不高，结果造成车间中工件的最大完工时间很长。遗传规划采用不同形状和大小的非线性结构(解析树)来表示每个个体，克服了遗传算法中染色体长度固定的限制，构造这种树形结构的字符集也相应地更加多样化，从而能够创建出数量更多、功能更全的表达体系。但是遗传规划和遗传算法中的线性染色体一样，遗传规划的非线性树形结构染色体仍然将基因型和表现型集于一身，使得其优越性的发挥受到束缚。基因表达式编程是在遗传算法和遗传规划基础上提出的一种新的进化算法，融合了遗传算法中定长、线性字符串和遗传规划中形状、大小可变的树形结构的特征，真正将基因型和表现型分割开，这种改进具有很大的优越性。基于基因表达式编程的动态车间调度规则优化方法的基本流程为：首先，构建动态车间仿真模型；其次，对基因表达式编程算法进行初始化；再次，评价初始化得到的种群中每个调度规则的适应度，并判断是否满足停机准则，若满足则停止，否则继续；然后，按照一定的选择方式选择调度规则并复制到下一代，对随机选择的调度规则进行遗传操作；最后，再对经上述遗传操作后形成新的种群进行适应度评价，并进行各种遗传操作，一直循环下去，直到满足停机准则，最终输出最优调度规则。L.Nie等人在Computer Supported Cooperative Work in Design,15(2011)291-295上发表了论文“Application of gene expression programming on dynamic job shop scheduling problem”，该论文公开了一种基因表达式编程算法在动态车间调度中的应用，无需根据专家或者技术人员的经验人工地制定调度规则，可以自动地产生调度规则，该论文中所获得的调度规则优于其他一些人工调度规则，但该论文所述的基因表达式编程由于算法本身存在的一些局限性，在进行动态车间调度规则优化时，仍然有很大的提升空间。基因表达式编程存在一定的局限性，比如容易陷入局部最优和收敛速度慢等，这些不足都导致了该算法用于动态车间调度问题时，不能产生实时高效的调度规则，结果造成车间中工件的最大完工时间比较长。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的缺陷，提出了一种基于双种群基因表达式编程的动态车间调度规则优化方法，用于解决现有动态车间调度规则优化方法中存在的调度规则质量差的技术问题。本专利技术的技术思路是：在基因表达式编程算法的基础上，采用收敛性种群CP和多样 性种群DP两个种群进行遗传迭代，对获得的两个种群之间执行交叉操作，单独对收敛性种群CP进行变异操作，再从经过遗传操作后的两个种群中选取优秀的调度规则，依此进行迭代循环，直到满足停机准则，最终输出最优的调度规则。根据上述技术思路，实现本专利技术目的采取的技术方案，包括如下步骤：(1)构建动态车间仿真模型；(2)对基因表达式编程算法进行初始化，得到两个均由n个调度规则构成的原始种群P和中间种群Q，其中，n≥1；(3)根据构建的动态车间仿真模型中工件的最大完工时间，计算得到的原始种群P中每个调度规则的适应度值，同时根据设定的遗传代数，判断是否满足停机准则，若是，执行步骤(4)，否则，执行步骤(8)；(4)根据得到的适应度值，获取收敛性种群CP和多样性种群DP，按如下步骤实现：4a)利用轮盘赌选择方法，从得到的种群原始P中选择n个调度规则，组成种群大小为n的收敛性种群CP；4b)选取遗传过程中适应度值最小的调度规则和一部分随机初始化的调度规则，组成种群大小为n的多样性种群DP；(5)对获取的收敛性种群CP和多样性种群DP进行交叉，得到交叉种群S1，同时对收敛性种群CP进行变异，得到变异种群S2，并对得到的交叉种群S1和变异种群S2进行融合，得到种群大小为2n的融合种群S；(6)根据构建的动态车间仿真模型中工件的最大完工时间，计算得到的融合种群S的适应度值，并按照适应度值由小到大的顺序，选择n个调度规则，得到优化种群N；(7)从得到的优化种群N中，选取适应度值最小的调度规则，组成最优种群B，并将最优种群B作为原始种群P，执行步骤(3)～步骤(6)；(8)输出最优种群B中适应度值最小的调度规则，并利用构建的动态车间仿真模型，对其进行性能测试。本专利技术与现有技术相比，具有以下优点：本专利技术由于在获取最优调度规则的过程中，采用了对获得收敛性种群CP和多样性种群DP之间执行交叉操作，并单独对收敛性种群CP进行变异操作，再从经过遗传操作后的两个种群中选取优秀的调度规则进行迭代循环，并保留其中的最优调度规则，直到满足停机准则，最终输出一个使动态车间中工件的最大完工时间减小的调度规则，该调度规则 对动态车间中的资源进行了合理的分配，与现有技术相比，本专利技术有效提高了动态车间中调度规则的质量。附图说明图1是本专利技术的实现流程框图；图2是本专利技术与现有基于基因表达式编程的动态车间调度规则优化方法在不同的车间利用率情况下工件最大完工时间仿真结果对比图；图3是本专利技术与现有基于基因表达本文档来自技高网...
【技术保护点】
一种基于双种群基因表达式编程的动态车间调度规则优化方法，包括如下步骤：(1)构建动态车间仿真模型；(2)对基因表达式编程算法进行初始化，得到两个均由n个调度规则构成的原始种群P和中间种群Q，其中，n≥1；(3)根据构建的动态车间仿真模型中工件的最大完工时间，计算得到的原始种群P中每个调度规则的适应度值，同时根据设定的遗传代数，判断是否满足停机准则，若是，执行步骤(4)，否则，执行步骤(8)；(4)根据得到的适应度值，获取收敛性种群CP和多样性种群DP，按如下步骤实现：4a)利用轮盘赌选择方法，从得到的种群原始P中选择n个调度规则，组成种群大小为n的收敛性种群CP；4b)选取遗传过程中适应度值最小的调度规则和一部分随机初始化的调度规则，组成种群大小为n的多样性种群DP；(5)对获取的收敛性种群CP和多样性种群DP进行交叉，得到交叉种群S1，同时对收敛性种群CP进行变异，得到变异种群S2，并对得到的交叉种群S1和变异种群S2进行融合，得到种群大小为2n的融合种群S；(6)根据构建的动态车间仿真模型中工件的最大完工时间，计算得到的融合种群S的适应度值，并按照适应度值由小到大的顺序，选择n个调度规则，得到优化种群N；(7)从得到的优化种群N中，选取适应度值最小的调度规则，组成最优种群B，并将最优种群B作为原始种群P，执行步骤(3)～步骤(6)；(8)输出最优种群B中适应度值最小的调度规则，并利用构建的动态车间仿真模型，对其进行性能测试。...
【技术特征摘要】
1.一种基于双种群基因表达式编程的动态车间调度规则优化方法，包括如下步骤：(1)构建动态车间仿真模型；(2)对基因表达式编程算法进行初始化，得到两个均由n个调度规则构成的原始种群P和中间种群Q，其中，n≥1；(3)根据构建的动态车间仿真模型中工件的最大完工时间，计算得到的原始种群P中每个调度规则的适应度值，同时根据设定的遗传代数，判断是否满足停机准则，若是，执行步骤(4)，否则，执行步骤(8)；(4)根据得到的适应度值，获取收敛性种群CP和多样性种群DP，按如下步骤实现：4a)利用轮盘赌选择方法，从得到的种群原始P中选择n个调度规则，组成种群大小为n的收敛性种群CP；4b)选取遗传过程中适应度值最小的调度规则和一部分随机初始化的调度规则，组成种群大小为n的多样性种群DP；(5)对获取的收敛性种群CP和多样性种群DP进行交叉，得到交叉种群S1，同时对收敛性种群CP进行变异，得到变异种群S2，并对得到的交叉种群S1和变异种群S2进行融合，得到种群大小为2n的融合种群S；(6)根据构建的动态车间仿真模型中工件的最大完工时间，计算得到的融合种群S的适应度值，并按照适应度值由小到大的顺序，选择n个调度规则，得到优化种群N；(7)从得到的优化种群N中，选取适应度值最小的调度规则，组成最优种群B，并将最优种群B作为原始种群P，执行步骤(3)～步骤(6)；(8)输出最优种群B中适应度值最小的调度规则，并利用构建的动态车间仿真模型，对其进行性能测试。2.根据权利要求1所述的基于双种群基因表达式编程的动态车间调度规则优化方法，其特征在于，步骤(1)中所述的构建动态车间仿真模型，实现步骤为：1a)假设动态车间仿真模型包含a台机器，b个工件，每台机器以相同的概率被选择...
【专利技术属性】
技术研发人员：刘若辰，焦李成，安莉佳，冯雯，于昕，李阳阳，王爽，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61
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。