采用改良免疫遗传算法的柔性作业车间调度方法技术

本发明专利技术公开了一种采用改良免疫遗传算法的柔性作业车间调度方法。本专利算法将免疫遗传算法(IGA)与模拟退火算法(SA)进行了结合，提出一种应用于车间作业调度的混合免疫遗传算法。此算法设计了一种基于适应度和浓度的自适应精英保留策略且重新设置了变异算子，即将变尺度变异和自适应变异算子进行了融合。将模拟退火算法的局部搜索理论与免疫遗传算法的全局性、多样性和自适应性结合起来，互相取长补短，形成性能优良的全局寻优的混合免疫遗传算法，并设置了自适应精英选择操作，最后将其应用在作业车间调度问题的求解中。

Flexible Job Shop Scheduling Method Based on Modified Immune Genetic Algorithms

The invention discloses a flexible job shop scheduling method using improved immune genetic algorithm. This patented algorithm combines immune genetic algorithm (IGA) with simulated annealing algorithm (SA), and proposes a hybrid immune genetic algorithm for job shop scheduling. This algorithm designs an adaptive elite preservation strategy based on fitness and concentration, and resets the mutation operator, which integrates the variable scale mutation and the adaptive mutation operator. Combining the local search theory of simulated annealing algorithm with the global, diversity and adaptability of immune genetic algorithm, a hybrid immune genetic algorithm with excellent global search performance is formed, and an adaptive elite selection operation is set up. Finally, it is applied to the solution of job shop scheduling problem.

【技术实现步骤摘要】
采用改良免疫遗传算法的柔性作业车间调度方法
本专利技术涉及一种解决柔性作业车间调度问题的方法，特别是一种采用改良免疫遗传算法的柔性作业车间调度方法。
技术介绍
柔性作业车间调度问题是经典作业车间调度问题的延伸，调度的目标是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，使作业的完工时间最短或其他指标达到最优。由于柔性作业车间的灵活性较高，使得柔性作业车间调度问题的求解需要非常大的组合搜索空间，且问题的复杂度较高。计算机编程采用免疫遗传算法(IGA)解决柔性作业车间调度问题时，存在易陷入局部最优的缺点。
技术实现思路
本专利技术的目的在于，提供一种采用改良免疫遗传算法的柔性作业车间调度方法。本专利技术将免疫遗传算法(IGA)与模拟退火算法(SA)进行了结合，提出一种应用于车间作业调度的混合免疫遗传算法，效率更高，偏差更小。本专利技术的技术方案：采用改良免疫遗传算法的柔性作业车间调度方法，包括以下步骤，步骤1：建立车间作业调度问题数学模型，基于作业车间调度问题的基本信息，利用直接编码方式，将车间调度问题转化为求解遗传算法中个体优良染色体问题，从而确定种群中个体的染色体基因序列；设置种群规模sizepop，退火初始温度T0，退火终止温度Tend，退火系数γ，以及最大迭代次数MAXGEN的大小；步骤2：初始化种群进化次数Gen，计算种群中各个个体的适应度Agv、平均适应度浓度Cv值以及期望繁殖概率ev，再对优良的个体染色体进行破碎处理，提取其基因片段作为疫苗；步骤3：计算种群进化成熟度M以及精英保留个数Ne，并从种群中选择适应度最高的Ne个个体进行精英保留，并对种群中一部分个体进行疫苗接种；步骤4：对父代种群个体进行交叉操作；步骤5：对临时子代种群中的个体适应度与平均适应度比较，若个体适应度大于平均适应度，则采用换位变异方式变异；反之，则采取反转变异方式进行变异，根据自适应变异公式计算变异概率，开始变异操作；步骤6：模拟退火选择，通过退火初始温度T0以及退火系数γ计算当前退火温度Tk，利用Tk计算接受概率p，检测注射疫苗的抗体的适应度并将其适应度值与旧抗体的适应度值进行比较，若新抗体适应度更高，则以抗体的繁殖概率ev选取新抗体进入下一代；若旧抗体适应度更高，接受新的抗体的概率为p*ev，更新种群；步骤7：判断迭代次数是否大于最大迭代次数MAXGEN，若是，则进入下一步；若不是，则返回步骤3；步骤8：判断当前退火温度Tk与终止温度Tend的大小，若大于终止温度，则返回步骤3；反之，则输出最优结果。上述的采用改良免疫遗传算法的柔性作业车间调度方法，所述步骤1的直接编码方式为：首先按照染色体上加工工序的从左到右依次降低工序的优先权重，然后安排染色体上的工序序列的第1道工序进行加工，再然后依次安排各工件剩余工序，并将其插入到对应机器上可行的最佳加工时刻加工，最终达到所有的加工工序都安排在对应机器上最佳可行的时刻加工，得到加工时间。上述的采用改良免疫遗传算法的柔性作业车间调度方法，步骤3中，所述种群进化成熟度M以及精英保留个数Ne计算方法为：单个抗体v的适应度和浓度分别为Agv，Cv,则成熟度为：M＝α∑Agv+(1-α)∑Cv；保留精英个体数的公式为：式中：Ne—精英保留个体数；N—抗体总数；b—预设正整数；ceil—向上取整。上述的采用改良免疫遗传算法的柔性作业车间调度方法，所述步骤5中，自适应变异公式为：式中：pm—变异概率；farg—群体的平均适应度值；fmax—群体最大适应度值；f—变异个体适应度值；取pc1＝0.1，pc2＝0.001。上述的采用改良免疫遗传算法的柔性作业车间调度方法，所述步骤6中，繁殖概率ev计算公式为：式中：χ—常数，Agv—抗体与抗原的亲和力即结合程度，Agv的计算公式为：式中：Gv—抗体v对应的目标函数，Agv值越大，表明抗原与抗体的结合程度越高；Cv—抗体v浓度，Cv的计算公式为：式中：N—抗体总数，Acxy—抗体x与抗体y的相似度；T(一般取值0.9～1)—预先设定的阙值；Abxy—抗体x与抗体y之间的亲和力，其计算公式为：式中：L—染色体基因的长度，l—染色体x与y的同一位置相同编码基因的个数。上述的采用改良免疫遗传算法的柔性作业车间调度方法，所述步骤6过程中，概率p的公式为：Tk＝γk-1T0式中：T0—退火初始温度；γ∈(0，1)—降温系数；Tk—当前退火温度；p—Tk温度下的接受概率；Δfv—新个体适应度与旧体适应度之差；fvs—新个体适应度值；fv(s-1)—上一次迭代中旧个体适应度值。有益效果：本专利算法将免疫遗传算法(IGA)与模拟退火算法(SA)进行了结合，提出一种应用于车间作业调度的混合免疫遗传算法。此算法设计了一种基于适应度和浓度的自适应精英保留策略且重新设置了变异算子，即将变尺度变异和自适应变异算子进行了融合。将模拟退火算法的局部搜索理论与免疫遗传算法的全局性、多样性和自适应性结合起来，互相取长补短，形成性能优良的全局寻优的混合免疫遗传算法，并设置了自适应精英选择操作，最后将其应用在作业车间调度问题的求解中。为验证算法的有效性与高效性，下面用Muth和Thompson提出的著名的MT06作为该算法的测试基准。利用该算法不同参数对MT06问题仿真试验20次，取最优的算法参数，参数设置如下：种群规模为47；交叉概率0.6～0.9，初始值为0.9；变异概率为0.01；阙值T为0.95；初始温度为10000；衰减系数为0.90；迭代次数为110。从表3中可见，就MT06问题而言本算法比一般的IGA，SA算法得到最优解的概率要高很多，而且平均偏差仅为2.03％；由表4可知，对于MT20问题，本专利算法比其他算法得到的结果更优，对MT06和MT10问题，虽然各个算法都能得到最优值，但本专利算法的出错率更低。综上所述，本专利算法前期能够快速收敛，后期能够跳出局部收敛，防止“早熟”，显示了其良好的全局寻优能力。表3基于MT06问题的不同算法的比较表4不同算法性能比较由上可知：(1)本专利技术算法通过对MT06问题的仿真，生成了最优的调度方案。其中，最大完成时间达到了最优的55s，说明了算法的可行性；算法在第四十次就达到了收敛，如图2所示，说明了算法的高效性，图3为本专利技术算法对MT06问题得到的工件加工甘特图。(2)就MT06问题而言，混合IGA算法比普通的SA算法和IGA算法击中最优解的概率更高，而且偏差更小。(3)在求解相对复杂的MT10问题时，混合IGA算法比普通的SA算法和IGA算法离最优解更近，离最优解相差只有1秒。附图说明附图1为本专利技术解码方法的调度方案图；附图2为对MT06问题的免疫遗传算法收敛曲线图；附图3为MT06问题得到的工件加工甘特图。具体实施方式下面结合实施例对本专利技术作进一步的说明，但并不作为对本专利技术限制的依据。实施例：JSP数学描述车间作业调度问题(JSP)主要研究：n个工件，在m台机器上加工完成，每个工件i的工序数为oi，每个工件的不同工序在不同的机器上加工完成，其相应的加工时间也各不相同。假设：A.同一机器，可以加工多道工序，但是同一时刻最多只有一个工件在上面加工。B.每个工件的每道工序加工机器和时间已知。C.工序开始加工后，不能中断加工本文档来自技高网...

【技术保护点】
1.一种采用改良免疫遗传算法的柔性作业车间调度方法，其特征在于：包括以下步骤，步骤1：建立车间作业调度问题数学模型，基于作业车间调度问题的基本信息，利用直接编码方式，将车间调度问题转化为求解遗传算法中个体优良染色体问题，从而确定种群中个体的染色体基因序列；设置种群规模sizepop，退火初始温度T0，退火终止温度Tend，退火系数γ，以及最大迭代次数MAXGEN的大小；步骤2：初始化种群进化次数Gen，计算种群中各个个体的适应度Agv、平均适应度

【技术特征摘要】
1.一种采用改良免疫遗传算法的柔性作业车间调度方法，其特征在于：包括以下步骤，步骤1：建立车间作业调度问题数学模型，基于作业车间调度问题的基本信息，利用直接编码方式，将车间调度问题转化为求解遗传算法中个体优良染色体问题，从而确定种群中个体的染色体基因序列；设置种群规模sizepop，退火初始温度T0，退火终止温度Tend，退火系数γ，以及最大迭代次数MAXGEN的大小；步骤2：初始化种群进化次数Gen，计算种群中各个个体的适应度Agv、平均适应度浓度Cv值以及期望繁殖概率ev，再对优良的个体染色体进行破碎处理，提取其基因片段作为疫苗；步骤3：计算种群进化成熟度M以及精英保留个数Ne，并从种群中选择适应度最高的Ne个个体进行精英保留，并对种群中一部分个体进行疫苗接种；步骤4：对父代种群个体进行交叉操作；步骤5：对临时子代种群中的个体适应度与平均适应度比较，若个体适应度大于平均适应度，则采用换位变异方式变异；反之，则采取反转变异方式进行变异，根据自适应变异公式计算变异概率，开始变异操作；步骤6：模拟退火选择，通过退火初始温度T0以及退火系数γ计算当前退火温度Tk，利用Tk计算接受概率p，检测注射疫苗的抗体的适应度并将其适应度值与旧抗体的适应度值进行比较，若新抗体适应度更高，则以抗体的繁殖概率ev选取新抗体进入下一代；若旧抗体适应度更高，接受新的抗体的概率为p*ev，更新种群；步骤7：判断迭代次数是否大于最大迭代次数MAXGEN，若是，则进入下一步；若不是，则返回步骤3；步骤8：判断当前退火温度Tk与终止温度Tend的大小，若大于终止温度，则返回步骤3；反之，则输出最优结果。2.根据权利要求1所述的采用改良免疫遗传算法的柔性作业车间调度方法，其特征在于：所述步骤1的直接编码方式为：首先按照染色体上加工工序的从左到右依次降低工序的优先权重，然后安排染色体上的工序序列的第1道工序进行加...

【专利技术属性】
技术研发人员：黄海松，范青松，徐雨，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州,52