一种求解作业车间调度问题的混合粒子群算法制造技术

一种求解作业车间调度问题的混合粒子群算法，该算法适用于作业车间调度技术领域，该算法将粒子群算法与模拟退火算法结合，不仅增加了粒子的多样性，提高了寻找最优解的概率，而且由于粒子的特性而快速收敛，显著减少了搜索时间。该混合算法的执行步骤如下：步骤1：初始化算法参数,包括PSO粒子的数目、位置和速度等信息。步骤2：执行改进的PSO算法并更新粒子的位置和速度转移。步骤3：执行模拟退火算子并更新粒子信息。步骤4：执行干扰算子，如果循环中全局最优解保持不变，保留原始粒子信息，并生成一个随机粒子。步骤5：判断是否到达停止条件，是则返回最优解，否则返回步骤2。该发明专利技术结合实际情况，具有实用性强的特点。

A hybrid particle swarm optimization algorithm for job shop scheduling problem

A hybrid particle swarm optimization for solving job shop scheduling problem, the algorithm is suitable for the technical field of job shop scheduling algorithm, the particle swarm algorithm combined with the simulated annealing algorithm, not only increases the diversity of particles and improve the probability of finding the optimal solution, but because of the properties of particles and fast convergence, significantly reduces the search time. The implementation of the hybrid algorithm is as follows: Step 1: initialization algorithm parameters, including the number of PSO particles, location and speed information. Step 2: implement the improved PSO algorithm and update the particle position and speed transfer. Step 3: perform the simulated annealing operator and update the particle information. Step 4: perform the interference operator, if the global optimal solution in the cycle remains unchanged, retain the original particle information, and generate a random particle. Step 5: determine whether to stop the condition, is to return to the optimal solution, or return to step 2. The invention combines the practical situation and has the characteristics of strong practicability.

【技术实现步骤摘要】
所属
本专利技术涉及计算机执行制造系统领域，具体地涉及用算法解决作业车间调度的组合优化问题。
技术介绍
制造系统的调度已广泛研究了超过半个世纪，各种研究成果被提出。一些作业车间调度问题(JSP)的研究包括：工作分解，任务抢占，多执行模式，非统一资源的可用性。其中，如何能让JSP的完工时间最小，是研究的重点，亦是难点。且JSP是一种多级调度问题，是一个NP-hard问题。解决JSP复杂性包括两个方面，一个是编码，另一个是算法的选择。许多算法和方法被提出用于解决JSP。大致有以下四类：(1)数学规划，包括整数规划；(2)评级/线性规划，包括分支界定法(B&B)、基于模型的优化；(3)模糊决策和多属性决策的办法，包括人工神经网络(ANN)、基于知识的系统(KBS)；(4)优化方法和人工智能技术，包括禁忌搜索(TS)、遗传算法(GA)、粒子群优化(PSO)，模拟退火(SA)、蚁群优化(ACO)等。粒子群算法(ParticleSwarmOptimization，PSO)是一种全局搜索的群体智能算法。它原理简单，算法实现也相对容易，运行效率高。但是，粒子群算法容易陷入局部极小，并且搜索精度也不高。模拟退火算法(SimulatedAnnealing，SA)是从物理退火过程的启发中提出的一种单点搜索算法，该算法成功应用于组合优化问题。它具有跳出局部最优和搜索精度高的优点。
技术实现思路
针对现有技术中存在的上述不足之处，本专利技术提出了一个结合SA算子的混合PSO算法。本专利技术的目的则是克服现有技术中存在的：迭代局部搜索容易陷入局部最优；搜索空间将产生近似解，而不是精确解；随着问题规模的扩大，搜索时间显著提高的问题。本专利技术为实现上述目的所采用的技术方案是：一种求解作业车间调度问题的混合粒子群算法，该算法的实施过程如下：步骤1：初始化算法参数,包括PSO粒子的数目、位置和速度等信息。步骤2：执行改进的PSO算法并更新粒子的位置和速度转移。步骤3：执行模拟退火算子并更新粒子信息。步骤4：执行干扰算子，如果循环中全局最优解保持不变，保留原始粒子信息，并生成一个随机粒子。步骤5：判断是否到达停止条件，是则返回最优解，否则返回步骤2。本专利技术的有益效果是：1.增加干扰算子使搜索避免陷入局部最优；2.增加了粒子的多样性，提高了寻找最优解的概率；3.快速收敛，显著减少了搜索时间。4.结合退火算子产生全局最优解。附图说明图1为该混合粒子群算法流程图。图2为PSO算法流程图图3为编码排列示例图。图4为SA算子流程图。图5为干扰算子示意图。具体实施方式本专利技术的目的是使JSP中完工时间最小，因此本专利技术利用模拟退火算法(SA)具有跳出局部最优和搜索精度高的优点，将模拟退火算法与粒子群算法结合，不仅增加了粒子的多样性，提高了寻找最优解的概率，而且使各种粒子可以找到至少两个局部最优解，再结合退火算子在找到的多个局部最优解中，产生全局最优解。同时，该混合PSO算法由于粒子的特性而快速收敛，显著减少了搜索时间。作业车间调度问题(JSP)可以描述为假设存在n个工件{Ji|(i＝1，2，…，n)本文档来自技高网...

【技术保护点】
一种求解作业车间调度问题的混合粒子群算法，该算法涉及计算机集成制造系统领域，具体地涉及用算法解决作业车间调度的组合优化问题，该算法将模拟退火算法与粒子群算法结合，其特征是：步骤1：初始化算法参数,包括PSO粒子的数目、位置和速度等信息；步骤1.1：确定粒子的数目，并按照编码排列规则初始化其位置和速度；步骤1.2：确定变量，包括PSO更新方程的参数，如，，；模拟退火算子的参数，如初始温度、最终温度和下降率；步骤1.3：当和生成时，初始化位置和速度信息；步骤1.4：确定迭代次数；步骤2：执行PSO算法并更新粒子的位置和速度转移公式；步骤2.1：生成（0, 1）之间的随机数；步骤2.2：第次迭代更新粒子的位置和速度公式；步骤3：执行模拟退火算子并更新粒子信息；步骤3.1：确定模拟退火的迭代次数；步骤3.2：执行上述局部搜索算子从获得 ；步骤3.3：评估的适应度；步骤3.4：执行模拟退火算子后更新粒子信息；步骤3.5：如果本次迭代中全局粒子适应度有所改善，更新 ；步骤4：执行干扰算子，如果循环中全局最优解保持不变，保留原始粒子信息，包括和，并生成一个随机粒子；步骤5：判断是否到达停止条件，如果结果满足终止条件，输出与粒子对应的最优解，否则返回步骤2。...

【技术特征摘要】
1.一种求解作业车间调度问题的混合粒子群算法，该算法涉及计算机集成制造系统领域，具体地涉及用算法解决作业车间调度的组合优化问题，该算法将模拟退火算法与粒子群算法结合，其特征是：步骤1：初始化算法参数,包括PSO粒子的数目、位置和速度等信息；步骤1.1：确定粒子的数目，并按照编码排列规则初始化其位置和速度；步骤1.2：确定变量，包括PSO更新方程的参数，如，，；模拟退火算子的参数，如初始温度、最终温度和下降率；步骤1.3：当和生成时，初始化位置和速度信息；步骤1.4：确定迭代次数；步骤2：执行PSO算法并更新粒子的位置和速度转移公式；步骤2.1：生成（0,1）之间的随机数；步骤2.2：第次迭代更新粒子的位置和速度公式；步骤3：执行模拟退火算子并更新粒子信息；步骤3.1：确定模拟退火的迭代次数；步骤3.2：执行上述局部搜索算子从获得；步骤3.3：评估的适应度；步骤3.4：执行模拟退火算子后更新粒子信息；步骤3.5：如果本次迭代中全局粒子适应度有所改善，更新；步骤4：执行干扰算子，如果循环中全局最优解保持不变，保留原始粒子信息，包括和，并生成一个随机粒子；步骤5：判断是否到达停止条件，如果结果满足终止条件，输出与粒子对应的最优解，否则...

【专利技术属性】
技术研发人员：黄超杰，胡成华，
申请(专利权)人：四川用联信息技术有限公司，
类型：发明
国别省市：四川;51