一种基于遗传变邻域算法的飞机装配线作业调度方法技术

本发明专利技术公开了一种基于遗传变邻域算法的飞机装配线作业调度方法，该方法首先建立资源受限的飞机装配线作业调度模型，将实际生产中的作业调度问题转化为优化求解的数学模型问题；其次以最小化装配作业总工期为优化目标，同时考虑紧前紧后约束、资源约束和空间约束，构建飞机装配线分部段作业调度模型；最后采用改进遗传变邻域算法进行求解。本发明专利技术设计了一种结合优先级规则的种群初始化方法以缩减解空间，采用一种结合接受阈值的变邻域局部搜索方式，构建三种考虑紧前紧后关系的邻域结构来确保搜索过程中产生合法解，以提高搜索能力，避免传统遗传算法陷入局部最优；通过本方法所得的飞机装配线作业调度方案可有效缩短装配作业总工期。

A job scheduling method of aircraft assembly line based on genetic variable neighborhood algorithm

【技术实现步骤摘要】
一种基于遗传变邻域算法的飞机装配线作业调度方法
本专利技术属于飞机装配线作业车间在资源、空间受限情况下的作业调度领域，具体涉及一种基于遗传变邻域算法的飞机装配线作业调度方法。
技术介绍
飞机装配具有作业数量大、装配关系复杂等特点，且驾驶舱等部段区域可容纳资源的空间有限，所以飞机装配线作业调度问题可看作是一类具有特殊空间约束的资源受限项目调度问题(ResourceConstrainedProjectSchedulingProblem,RCPSP)，该类问题已被证明为一类复杂的强NP-hard问题。从求解角度来看，解决RCPSP及其扩展问题的算法可分为三大类：精确算法、启发式算法和元启发式算法(智能算法)，其中精确算法虽然能得到理论最优解，但仅适用于小规模求解，由此近似算法开始被应用于求解大规模RCPSP问题。自1963年调度生成方案后被提出后，各种启发式算法也相继被应用到该问题，但其不具备优化能力，往往受到问题本身的影响而得不到满意解。元启发式算法和智能算法的应用使问题的求解得到了新的发展，如引入局部搜索中的模拟退火算法(SimulatedAnnealing，SA)来求解RCPSP，进化算法(如遗传算法，GeneticAlgorithm，GA)和群体智能算法(如蚁群优化算法，AntColonyOptimization，ACO)都在求解RCPSP问题上得到了广泛的应用。飞机装配线调度问题属于传统RCPSP的扩展问题，其中作业活动除了受到紧前紧后约束和资源的约束外，在飞机的某些部段，众多满足资源的并行活动，常因空间的限制而无法同时进行，从而增加了问题空间和计算求解的复杂度。针对问题的复杂性，将元启发式算法进行混合以弥补各自算法缺点成为解决这类问题的新方法，通过算法混合既提高了问题求解的效率，同时能够在全局范围内得到更精确的解。
技术实现思路
为克服现有技术在解决飞机装配作业线调度问题中存在的不足，本专利技术提供一种基于遗传变邻域算法的飞机装配线作业调度方法。本专利技术的一种基于遗传变邻域算法的飞机装配线作业调度方法，具体步骤如下：步骤1：设定飞机装配线作业调度的相关参数设飞机装配作业项目由活动集合J；J＝{0,1,2,…,n+1}组成，其中活动0和n+1为虚活动，仅代表项目的开始和结束，不占用时间和资源；活动j的紧前作业集合用Pj，j∈J表示，j的紧后作业集合用Sj表示；tj表示活动j的持续时间，stj表示活动j的作业开始时间；定义M为部段集合，M＝{1,2,…,z},m∈M为部段号，z为正整数，Cm表示在部段m中的活动集合，ej表示作业活动j的空间占用量，各部段的最大空间容量为Nm；R＝{r1,r2,…,rq,…,rk}表示装配过程中的k种资源集合，用rjq表示活动j对第q种资源单位时间的需求量，bq为资源q单位时间的最大供应量；对时间进行离散化处理，d＝{1,2,…,T}为离散的时间节点，T表示装配作业总工期，Ad＝{j|stj<d≤stj+tj}为d时刻正在执行的作业活动集合。步骤2：建立飞机装配线作业调度目标优化的数学模型，目标函数为：minT＝stn+1(1)即求解最小化装配作业总工期，其约束为：t0＝tn+1＝0(5)r0q＝r(n+1)q＝0,q＝1,2,...,k(6)其中，式(2)为决策变量；式(3)表示每项作业活动必须在其规定持续时间完成；式(4)表示活动j一旦开始则在完成之前不能中断；式(5)和(6)表示虚活动0和n+1的持续时间和资源需求量都为0；式(7)为活动紧前紧后约束，活动j必须在其全部紧前活动完成后才能开始；式(8)为资源约束，d时刻正在执行的所有活动对某种资源的需求量不大于该资源单位时间的最大供应量；式(9)为各部段的空间约束，d时刻在部段m中正在执行的所有活动对空间的需求量不大于部段m的最大空间容量。步骤3：遗传变邻域算法优化求解，由于遗传算法存在容易陷入局部最优的缺陷，本方法设计了一种结合接受阈值的变邻域算法进行局部搜索，并设计交叉、变异策略和三种产生合法解的邻域结构以确保算法的进行和提高搜索能力，具体算法流程图如图1所示，其步骤如下：3.1参数设置：设最大代次数为maxGen；种群规模为popSize；交叉概率为Pc；变异概率为Pm。3.2种群初始化：采用整数编码的方式产生popSize个染色体，考虑每个活动的紧前紧后关系，例如染色体A＝(0,1,2,…,n+1)中共包含n+2个活动，其中0和n+1代表开始和结束的虚活动，1,2,…,n代表了活动的调度顺序且满足紧前紧后关系。由于考虑到求解目标为最小化项目工期，先采用优先级规则(采用的优先级规则为EDDF或者MINLFT，进而提高了初始解的质量，从而缩小求解空间)初始化部分个体，其余个体采用随机初始化以提高初始种群的多样性。3.3计算个体适应度值，选用目标函数的倒数1/T乘以系数C作为适应度函数，即Fitness＝C/T，并判断当前迭代次数gen是否达到最大迭代次数maxGen，若达到最大迭代次数则输出最优解；否则转步骤3.4。3.4选择：采用锦标赛选择策略对个体进行选择，每次从种群中随机选择一定数量的个体，根据其适应度函数值选择其中最优的个体进入新种群，并重复此操作直至选择出的新种群规模达到初始种群的90％。3.5交叉：按照交叉概率pc进行交叉操作，在单点交叉的基础上进行了改进，形成考虑紧前紧后关系的交叉策略；从父代取两个个体进行交叉，分别为M1和M2，取随机整数m作为断点，1≤m<n，则得到两个子代C1和C2；子代C1的活动序列中，i＝1,…,m的部分来自于父代M1，而i＝m+1,…,n的部分来自于父代M2，但在这部分序列中，已经从父代M1中选择的活动将不再被考虑，这样的操作保证了父代中的活动优先顺序得以被保留且每个活动只出现一次，所产生的子代个体不会出现非法个体，子代C2的产生同理可得，便得两个新的子代个体。3.6变异：按变异概率pm对遗传算子的基因型做变动，采用了一种右移变异的策略，考虑某一个体的活动序列λ＝{1,2,..,i,…,n}，i为随机选择的活动，现将i所在位点右移到某一位置产生新一代个体，为了使新个体的活动序列仍然符合活动的优先级循序而不产生非法解，在右移之前需要判断该活动最小的可右移位置，即不破坏原有的紧后关系，而由于是将活动右移，所以其紧前活动仍然有效，从而得到新的个体λ’＝{1,…,i-1,i+1,…,h-1,i,h,…,n}，h所在位置即为i最小的可右移位置；变异操作后产生新的种群newPop。3.7变邻域操作：从newPop中选择适应度值前20％的个体作为变邻域操作的初始解集S，变邻域操作后生成局部最优解集。这里设计了3种不会产生非法解的邻域结构，具体如下：随机选择个体基因中的某一位点，根据活动的紧前紧后关系，记录该位点上对应活动的所有紧前活动在该项目列表中最大的下标位置，及该活动的所有紧本文档来自技高网...

【技术保护点】
1.一种基于遗传变邻域算法的飞机装配线作业调度方法，其特征在于，步骤如下：/n步骤1：设定飞机装配线作业调度的相关参数；/n设飞机装配作业项目由活动集合J；J＝{0,1,2,…,n+1}组成，其中活动0和n+1为虚活动，仅代表项目的开始和结束，不占用时间和资源；活动j的紧前作业集合用P

【技术特征摘要】
1.一种基于遗传变邻域算法的飞机装配线作业调度方法，其特征在于，步骤如下：
步骤1：设定飞机装配线作业调度的相关参数；
设飞机装配作业项目由活动集合J；J＝{0,1,2,…,n+1}组成，其中活动0和n+1为虚活动，仅代表项目的开始和结束，不占用时间和资源；活动j的紧前作业集合用Pj，j∈J表示，j的紧后作业集合用Sj表示；tj表示活动j的持续时间，stj表示活动j的作业开始时间；定义M为部段集合，M＝{1,2,…,z},m∈M为部段号，z为正整数，Cm表示在部段m中的活动集合，ej表示作业活动j的空间占用量，各部段的最大空间容量为Nm；R＝{r1,r2,…,rq,…,rk}表示装配过程中的k种资源集合，用rjq表示活动j对第q种资源单位时间的需求量，bq为资源q单位时间的最大供应量；对时间进行离散化处理，d＝{1,2,…,T}为离散的时间节点，T表示装配作业总工期，Ad＝{j|stj<d≤stj+tj}为d时刻正在执行的作业活动集合；
步骤2：建立飞机装配线作业调度目标优化的数学模型，目标函数为：
minT＝stn+1(1)
即求解最小化装配作业总工期，其约束为：









t0＝tn+1＝0(5)
r0q＝r(n+1)q＝0,q＝1,2,...,k(6)









其中，式(2)为决策变量；式(3)表示每项作业活动必须在其规定持续时间完成；式(4)表示活动j一旦开始则在完成之前不能中断；式(5)和(6)表示虚活动0和n+1的持续时间和资源需求量都为0；式(7)为活动紧前紧后约束，活动j必须在其全部紧前活动完成后才能开始；式(8)为资源约束，d时刻正在执行的所有活动对某种资源的需求量不大于该资源单位时间的最大供应量；式(9)为各部段的空间约束，d时刻在部段m中正在执行的所有活动对空间的需求量不大于部段m的最大空间容量；
步骤3：遗传变邻域算法优化求解，其步骤如下：
3.1参数设置：设最大代次数为maxGen；种群规模为popSize；交叉概率为Pc；变异概率为Pm；
3.2种群初始化：采用整数编码的方式产生popSize个染色体，由于考虑到求解目标为最小化项目工期，先采用优先级规则初始化部分个体，其余个体采用随机初始化以提高初始种群的多样性；
3.3计算个体适应度值，选用目标函数的倒数1/T乘以系数C作为适应度函数，即Fitness＝C/T，并判断当前迭代次数gen是否达到最大迭代次数maxGen，若达到最大迭代次数则输出最优解；否则转步骤3.4；
3.4选择：采用锦标赛选择策略对个体进行选择，每次从种群中随机选择一定数量的个体，根据其适应度函数值选择其中最优的个体进入新种群，并重复此操作直至选择出的新种群规模达到初始种群的90％；
3.5交叉：按照交叉概率pc进行交叉...

【专利技术属性】
技术研发人员：张剑，蔡玮，陈浩杰，袁铭晖，江海凡，付建林，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川;51