一种基于目标重要性分解的模因演化多目标优化调度方法技术

本发明专利技术涉及一种基于目标重要性分解的模因演化多目标优化调度方法，其步骤为：随机产生一个大小为N的初始种群；在算法每一代中，先由当前种群通过二元锦标赛选择，遗传算子产生一个子代种群；利用局部搜索策略对子代种群进行精细搜索以得到一个改善的种群；将当前种群、子代种群和改善的种群合并生成一个种群，对种群中目标大小完全相同的个体进行变异操作；利用NSGA-II中的快速非支配排序与拥挤距离方法对种群中的个体进行排序，以选择最好的N个解作为下一代种群。本发明专利技术可以对多目标柔性作业车间系统进行有效的调度，且调度效果优于目前已有的先进算法，可以广泛在计算机应用技术领域和生产调度领域中应用。

【技术实现步骤摘要】

本专利技术涉及一种多目标优化调度方法，特别是关于一种在计算机应用
和生产调度领域中应用的基于目标重要性分解的模因演化多目标优化调度方法。
技术介绍
第二代非支配遗传算法(NondominatedSortingGeneticAlgorithmII,NSGA-II)首先随机生成含有N个个体的初始种群，其中N是种群大小。接下来，算法进行迭代直至终止条件满足。在第t代，算法在当前种群Pt的基础上，通过随机选择，模拟两点交叉(SimulatedBinaryCrossover，SBX)和多项式变异产生子代种群Qt。Pt和Qt的大小均为N。因此，两个种群Pt和Qt合并会形成种群大小为2N的新的种群Rt＝Pt∪Qt。为了从种群Rt中选择最好的N个解进入下一代，首先利用基于Pareto支配的非支配排序将Rt分为若干不同的非支配层(F1，F2等等)。然后，算法构建一个新的种群St，构建方法是从F1开始，逐次将各非支配层的解加入到St，直至St的大小等于N，或首次大于N。假设最后可以接受的非支配层是l层，那么在l+1层以及之后的那些解就被丢弃掉了，且St\\Fl中的解已经确定被选择作为Pt+1中的解。Pt+1中余下的个体需要从Fl中选取，选择的依据是要使种群在目标空间中具有理想的多样性。在NSGA-II中，Fl中具有较大拥挤距离的解会优先被选择。多目标遗传局部搜索(MultiobjectiveGeneticLocalSearch,MOGLS)是较早的蕴含分解思想的多目标进化算法，它最初是用来求解多目标流水车间调度问题。另外从搜索行为上来看，MOGLS混合了遗传搜索和局部搜索，所以它也可以看作是一种模因演算法。MOGLS的执行流程简要描述如下。首先，算法初始化一个大小为N的种群，并用一个外部存档储存所找到的非支配解。之后，算法进行迭代直至终止条件满足。在MOGLS的第t代，首先选出当前种群Pt中的所有非支配解，并用其更新外部存档。然后算法进入交配选择阶段，需要选择N-Nelite对父代个体，每对个体进行交叉和变异操作产生一个子代个体，并将其加入到Pt+1中。在选择每对父代个体时，首先随机产生一个权向量w＝(w1,w2,...,wm)T，其中∑wi＝1，m是目标数目，然后对Pt中的每个解x，有加权函数值f(x)＝∑wifi(x)，其中fi是第i个目标函数，通过该函数值，由基于轮盘赌的比例选择法，可以得到每个个体被选择的概率P(x)，根据该概率，可以选择两个父代个体。接着，算法采用了一种精英策略，从外部存档中随机选择Nelite个解加入到Pt+1中，那么现在Pt+1中解的个数已达到种群大小。之后，算法进入局部搜索过程，该过程总共执行N次，每次选择当前种群Pt+1中的一个个体以概率pLS进行局部改进，选择方法如下：随机产生一个权向量w＝(w1,w2,...,wm)T，其中∑wi＝1，然后依据函数值f(x)＝∑wifi(x)使用无放回锦标赛选择从Pt+1中选择一个个体。如果局部搜索被执行，改进后的个体将作为下一代种群中的个体，否则原来个体将进入下一代种群。另外，在局部搜索中，算法设置了一个参数k，每次只随机检测当前解的k个邻域，k较小时局部搜索很快就会终止，否则局部搜索会检测很多解，通过该参数可以调整局部搜索在MOGLS中所花费的计算开销。NSGA-II在求解多目标柔性作业车间调度问题往往没有充分利用问题相关的知识，局部搜索的探索能力有限；MOGLS重在解决如何在多目标优化中选择解进行局部搜索，以及如何对局部搜索中的解进行评价的问题，但是全局搜索能力欠缺。另外，这两种经典算法共同的缺陷：第一，并没有充分利用问题相关知识；第二，并没有考虑问题的多个目标之间重要性的区别以及它们之间的相关性。
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基于目标重要性分解的模因演化多目标优化调度方法，该方法可以对多目标柔性作业车间系统进行有效的调度，且调度效果优于目前已有的先进算法。为实现上述目的，本专利技术采取以下技术方案：一种基于目标重要性分解的模因演化多目标优化调度方法，其特征在于，所述方法步骤如下：1)随机产生一个大小为N的初始种群P0；2)在算法每一代中，先由当前种群Pt通过二元锦标赛选择，遗传算子产生一个子代种群Qt；3)利用局部搜索策略对子代种群Qt进行精细搜索以得到一个改善的种群Q′t；4)将当前种群Pt、子代种群Qt和改善的种群Q′t合并生成一个种群Rt，对种群Rt中目标大小完全相同的个体进行变异操作；5)利用NSGA-II中的快速非支配排序与拥挤距离方法对种群Rt中的个体进行排序，以选择最好的N个解作为下一代种群Pt+1。进一步，所述步骤2)中，利用遗传算子产生子代种群，即利用遗传搜索产生子代种群，其包括染色体编码、染色体解码和遗传操作：(1)染色体编码：(a)给定每个操作一个固定的ID：j，其中j＝1,2,...,d，d＝∑ni；在编号之后，一个操作也可以用固定ID号进行指代；(b)机器分配向量表示为u＝[u1,u2,…ud]，且uj满足1≤uj≤lj，其中lj是供操作j执行的机器数目；(c)进一步将操作j的可用机器按操作j在其上的处理时间进行非递减的排序：如果两台机器在执行操作j时需要相同的处理时间，那么具有较小ID号的机器排在前列；(d)操作序列向量表示为v＝[v1,v2,…vd]，其中操作ID号在这个向量中的出现顺序表示该操作的调度优先顺序，操作有最高优先权的被首先调度；(2)染色体解码：按向量v中的操作排列顺序，逐个将每个操作分配到指定的机器上，并且在该机器上为其分配一段处理时间：从机器分配向量u中获取它所选择的处理机器，然后从0时刻开始往后顺序扫描该机器上已安排操作之间的空闲时隙直到一个可用的空闲时隙被找到，以安排该操作；(3)遗传操作用来生成子代个体，它包括交叉和变异。进一步，所述步骤(2)中，可用的空闲时隙寻找方法如下：设Si,j表示一个操作Oi,j在调度中的开始执行时刻，Ci,j表示它的完成时刻；如果在机器Mk上的一个空闲时隙[Sx,Ex]对于操作Oi,j是可用的，那必须满足如下约束条件：{max{Sx,ci,j-1本文档来自技高网...

【技术保护点】
一种基于目标重要性分解的模因演化多目标优化调度方法，其特征在于，所述方法步骤如下：1)随机产生一个大小为N的初始种群P0；2)在算法每一代中，先由当前种群Pt通过二元锦标赛选择，遗传算子产生一个子代种群Qt；3)利用局部搜索策略对子代种群Qt进行精细搜索以得到一个改善的种群Q′t；4)将当前种群Pt、子代种群Qt和改善的种群Q′t合并生成一个种群Rt，对种群Rt中目标大小完全相同的个体进行变异操作；5)利用NSGA‑II中的快速非支配排序与拥挤距离方法对种群Rt中的个体进行排序，以选择最好的N个解作为下一代种群Pt+1。

【技术特征摘要】
1.一种基于目标重要性分解的模因演化多目标优化调度方法，其特征在于，
所述方法步骤如下：
1)随机产生一个大小为N的初始种群P0；
2)在算法每一代中，先由当前种群Pt通过二元锦标赛选择，遗传算子产生
一个子代种群Qt；
3)利用局部搜索策略对子代种群Qt进行精细搜索以得到一个改善的种群Q′t；
4)将当前种群Pt、子代种群Qt和改善的种群Q′t合并生成一个种群Rt，对种群
Rt中目标大小完全相同的个体进行变异操作；
5)利用NSGA-II中的快速非支配排序与拥挤距离方法对种群Rt中的个体进行
排序，以选择最好的N个解作为下一代种群Pt+1。
2.如权利要求1所述的一种基于目标重要性分解的模因演化多目标优化调度
方法，其特征在于：所述步骤2)中，利用遗传算子产生子代种群，即利用遗传搜
索产生子代种群，其包括染色体编码、染色体解码和遗传操作：
(1)染色体编码：
(a)给定每个操作一个固定的ID：j，其中j＝1,2,...,d，d＝∑ni；
在编号之后，一个操作也可以用固定ID号进行指代；
(b)机器分配向量表示为u＝[u1,u2,…ud]，且uj满足1≤uj≤lj，其中lj是供操...

【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