一种基于CART增强的混合流水车间调度模型优化方法技术

本发明专利技术提供了一种基于CART增强的混合流水车间调度模型优化方法，涉及车间调度优化领域。具体包括以下步骤：采集流水车间数据集I，基于CMOEA框架构建流水车间调度优化模型和算法配置空间C；采用I/F

【技术实现步骤摘要】
一种基于CART增强的混合流水车间调度模型优化方法


[0001]本专利技术涉及车间调度
，特别是涉及一种基于CART增强的混合流水车间调度模型优化方法。

技术介绍

[0002]调度问题考虑工件在机器上的分配、批次的划分、加工顺序等问题，是对生产的计划与安排。调度问题一般可以定义为“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”。在车间调度问题中，作业车间调度（Job shop scheduling problems，JSP）和流水车间调度（Flow shop scheduling problems，FSP）问题是最典型并且最具有研究意义的，它们具有十分典型而且特殊的加工特性和加工环境。目前在学术界研究讨论最多的就是这两类调度问题。
[0003]多目标一致分批混合车间流水调度（Multi
‑
objective Hybrid flow shop scheduling problems with consistent sublots，MOHFSP_CS）问题作为经典流水车间调度问题的扩展，是比FSP更复杂的NP
‑
hard组合优化问题，在冶金和化工行业有着很广泛的应用，是当前调度领域关注的重要研究问题。混合流水车间是一种非常抽象的概念，具有多台机器同时生产的流水线布局。因此混合流水车间不仅具有流水线生产的高效优势，而且更具灵活性，满足了市场多元化的需求。在求解MOHFSP_CS时，不仅要安排工件的加工顺序，还需要解决同一加工阶段多台加工机器的分配问题以及批次的分批。随着大量学者对混合流水车间调度问题的深入研究以及多个相关学科领域理论与技术的不断发展，求解混合流水车间调度问题的方法不断涌现。然而综合考虑批次一致分批的多目标问题，目前相关的研究还较少。
[0004]为了求解多目标优化问题，多目标进化算法（Multi
‑
objective Evolutionary Algorithm, MOEA）在工业生产实际中得到了广泛应用和研究，如基于差分进化的多目标、免疫多目标、文化多目标等方法。目前，在实际工业生产中，特别是钢铁生产调度过程中，处理多目标的技术以加权求和方法为主。上述方法一次运行只能得到一个解，且权重系数不好确定。仅有少量文献针对MOHFSP_CS开展研究。其中，MOEA备受关注。
[0005]MOEA的性能高度依赖于参数的配置，包括数值参数和类别参数。一方面，由于传统的配置方法(手动或模拟调优)往往受到以往经验的限制，难以获得最优配置，研究算法组件如何交互也很困难。另一方面，整个过程可能是非常耗时和乏味的。因此，寻找一种高效的自动算法设计方法，消除从业者对先验知识的依赖，完成MOEA的自动配置具有重要的现实意义。而自动算法设计(Automated Algorithm Design, AAD)方法逐渐成为缓解这些局限性的研究领域。
[0006]F
‑
Race方法是由Birattari等人提出的一种AAD方法，可以同时优化数值参数和类别参数，它初提出用于机器学习中的模型选择。F
‑
Race在一系列测试实例中持续评估一组给定的算法配置，一旦获得足够的统计证据，就会消除劣质配置。在F
‑
Race中，是通过全因子设计获得初始候选构型的。但是，当参数数量较多且每个参数取值范围较大时，全因子设
计可能会变得不实用且计算量有限。为了缓解这个问题，Balaprakash等人提出了F
‑
Race的迭代应用，称为迭代F
‑
Race (Iterated F
‑
Race, I/F
‑
Race)。通过学习迭代过程中的有用信息和竞争机制，I/F
‑
Race可以识别配置空间中的潜在区域，并找到最优的算法配置。Irace集成了I/F
‑
Race和它的变体，被广泛应用于工程优化问题的自动算法设计中，如车辆路径问题、交通优化问题、车间调度问题、设备布局问题等。但其同样存在着局限性。在一次F
‑
Race迭代中，给定一组测试实例，在统计学上比其它配置表现差的配置会被抛弃。已经使用过的测试实例在后续F
‑
Race迭代中不能够继续使用且在一个实例上表现优异的配置可能在其它实例上表现不佳。
[0007]因此，应该保留配置的历史评估信息，以便全面评估算法配置，需要在现有MOEA框架和F
‑
Race迭代的基础上，提供一种可以保留原始算法配置并进行评价，自动寻找最优算法配置的模型优化方法，实现MOEA框架的可配置性，构建基于CMOEA的多目标混合流水车间调度模型用于求解MOHFSP_CS。

技术实现思路

[0008]基于以上问题，本专利技术提供了一种基于CART增强的混合流水车间调度模型优化方法。
[0009]为实现上述目的，本专利技术提供如下技术方案：本专利技术提供了一种基于CART增强的混合流水车间调度模型优化方法，具体包括以下步骤：S1、采集流水车间数据集I，所述流水车间数据集至少包括加工单元数据集、机器数据集、加工批次数据集和工序阶段数据集；S2、基于CMOEA框架构建流水车间调度优化模型和算法配置空间C；S3、采用I/F
‑
Race学习模型对所述流水车间调度优化模型进行学习训练，自所述算法配置空间中获取算法配置c
i
；S4、构建CART评估模型，代入所述流水车间数据集，对所述算法配置c
i
进行性能评价，根据评价结果进入I/F
‑
Race学习模型进行迭代学习训练，直至获取最优算法配置c
r
，得到最终流水车间调度优化模型F；S5、以总完工时间和子批总数为优化目标，输入所述流水车间数据集，利用最终流水车间调度优化模型F进行求解，获取最优解集。
[0010]优选地，在步骤S4中，CART评估模型对所述算法配置c
i
进行性能评价的方法为：将所述算法配置c
i
在测试集I上进行测试，并基于反世代距离指标和非参数检验，确认是否属于精英算法配置；若不属于，则舍弃该算法配置c
i
，获取算法配置c
i+1
继续进行测试；若属于，则基于该算法配置c
i
重新构建I/F
‑
Race学习模型和CART模型，并基于新的I/F
‑
Race学习模型自所述算法配置空间中获取算法配置并利用新的CART模型进行性能评价；重复上述过程，进行迭代训练，达到终止条件后，输出筛选出的最优配置。
[0011]优选地，所述CART评估模型确认算法配置c
i
是否属于精英算法配置后，若不属于，则将该算法配置c
i
打上永久次级标签并舍弃，
若属于，则将该算法配置c
i
打上精英标签并进入迭代训练中。
[0012]优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：具体包括以下步骤：S1、采集流水车间数据集I，所述流水车间数据集至少包括加工单元数据集、机器数据集、加工批次数据集和工序阶段数据集；S2、基于CMOEA框架构建流水车间调度优化模型和算法配置空间C；S3、采用I/F
‑
Race学习模型对所述流水车间调度优化模型进行学习训练，自所述算法配置空间C中获取算法配置c
i
；S4、构建CART评估模型，代入所述流水车间数据集，对所述算法配置c
i
进行性能评价预测，根据评价预测结果进入I/F
‑
Race学习模型进行迭代学习训练，直至获取最优算法配置c
r
，得到最终流水车间调度优化模型F；S5、以总完工时间和子批总数为优化目标，输入所述流水车间数据集，利用最终流水车间调度优化模型F进行求解，获取最优解集。2.根据权利要求1中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：在步骤S4中，CART评估模型对所述算法配置c
i
进行性能评价预测的方法为：将所述算法配置c
i
在测试集I上进行测试，并基于反世代距离指标和非参数检验，预测是否属于精英算法配置；若不属于，则舍弃该算法配置c
i
，获取算法配置c
i+1
继续进行测试；若属于，则基于该算法配置c
i
重新构建I/F
‑
Race学习模型和CART模型，并基于新的I/F
‑
Race学习模型自所述算法配置空间中获取算法配置并利用新的CART模型进行性能评价；重复上述过程，进行迭代训练，达到终止条件后，输出筛选出的最优配置。3.根据权利要求2中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：所述CART评估模型预测算法配置c
i
是否属于精英算法配置后，若不属于，则将该算法配置c
i
打上永久次级标签并舍弃，若属于，则将该算法配置c
i
打上精英标签并进入迭代训练中。4.根据权利要求3中所述的一种基于CART增强的混合流水车间调度模型优化方法，其特征在于：当存在算法配置c
j
被打上永久次级标签后，若在迭代训练过程中再次出现该算法配置c
j
，则不会进入测试性能评价，直接舍弃，获取算法配置c
j+...

【专利技术属性】
技术研发人员：张昕丽，张彪，孟磊磊，赵陆菲，桑红燕，韩玉艳，贾保先，
申请(专利权)人：聊城大学，
类型：发明
国别省市：