一种基于协同进化算法的分布式阻塞流水车间调度优化系统技术方案

本发明专利技术提出一种基于协同进化算法的分布式阻塞流水车间调度优化系统，设计一种知识驱动跨区域交互学习机制辅助的协同进化算法优化能耗约束条件下的分布式阻塞流水车间调度。以减少生产过程中的能源消耗和总延迟为目标，设计了一种基于问题特性的启发式方法；为了提高种群的多样性和收敛速率，本发明专利技术设计了由强化学习的最优状态价值函数引导的跨区域交互学习机制，从算法层面、参数层面、个体层面实现全面协同，提高求解的精度和效率。为改善解的质量，提出了劣解修复策略和个体重生机制。此外，通过在关键路径上的节能操作减少能耗。经在连续优化问题测试集及由不同工厂数、工件数、机器数组成的实例上比较验证，本发明专利技术设计的优化系统的优化效果优于其他优化系统。的优化系统的优化效果优于其他优化系统。的优化系统的优化效果优于其他优化系统。

【技术实现步骤摘要】
一种基于协同进化算法的分布式阻塞流水车间调度优化系统


[0001]本专利技术属于制造生产调度和路线统筹规划
，涉及一种基于协同进化算法的分布式阻塞流水车间调度优化系统。

技术介绍

[0002]社会的快速发展使得智能计算中的优化问题涉及到更多的连续优化、工程应用、智慧交通等领域。且随着优化问题的复杂性越来越高，不同的改进的优化系统在原始系统框架的基础上被提出来。优化的主要目标是从一系列的候选解中找到最优的，通常是最小化或最大化问题。
[0003]复杂流程工业系统中有很多典型的问题抽象为分布式阻塞流水车间调度问题，比如，在钢铁工业、工业废物处理和有色金属冶炼过程，在该场景中工厂的选择、机器的分配、机器的运转速度以及工件的顺序对于企业的生产效率、收益和能耗有直接的影响。因此，设计生产效益高、能耗损失少的分布式阻塞流水车间调度优化系统具有重要的研究意义和价值。
[0004]复杂流程工业系统中的连续优化和分布式车间调度优化问题往往是复杂的、多模态的。智能优化算法由于具有适用性广、鲁棒性强的特点，能够自适应、自学习，且不受问题性质的限本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于协同进化算法的分布式阻塞流水车间调度优化系统，其特征在于，包括：考虑总能耗和总延迟的基于问题特性的启发式步骤，基于强化学习的最优状态价值函数引导的跨区域交互学习步骤和针对优化问题特定现象的劣解修复步骤和个体重生步骤，基于关键路径的节能操作；具体包括以下步骤：步骤1：在考虑总延迟和总能耗的初始化步骤中，每个工件的位置和操作速度被随机初始化，在该步骤中，考虑前端延迟、阻塞时间、空闲时间的影响，尤其是对于第一个位置采用具有最小延迟时间的工件；根据工件序列，选择具有最大总延迟的工厂作为关键工厂；步骤2：所述基于强化学习的最优状态价值函数引导的跨区域交互学习步骤和针对优化问题特定现象的劣解修复步骤和个体重生步骤，包括步骤A1
‑
A7：步骤A1：划分区域；步骤A2：建立基于ε
‑
greedy策略和模拟退火的强化学习机制；步骤A3：实施跨区域动态资源分配方案；步骤A4：当满足成功变异的条件时，执行自反馈策略；步骤A5：改进强化学习机制中Q值小的个体和在区域内过于密集的个体，执行劣解改良过程；步骤A6：当适应度值连续几代不更新时，执行个体重生机制；步骤A7：当进入开发阶段后，执行基于距离的EDA局部搜索；步骤3：基于关键路径的节能操作，按照步骤B1
‑
B3进行；步骤B1：降低部分工件的加工速度，可减少能耗；步骤B2：降低关键路径上的非关键工件的速度，减少能耗达到节能的目的；步骤B3：若总能耗和总延迟均减少或者任意一个指标减少，则接收；当出现其他情况时，均丢弃新解，保留原来的解。2.根据权利要求1所述的一种基于协同进化算法的分布式阻塞流水车间调度优化系统，其特征在于，在步骤1中：将具有最大总延迟的工厂作为关键工厂，通过优化关键工厂的总延迟优化带有能耗约束的分布式阻塞流水车间的总延迟。3.根据权利要求1所述的一种基于协同进化算法的分布式阻塞流水车间调度优化系统，其特征在于，在步骤2的子步骤A1中，以种群中的个体与精英解的距离划分区域，按照距离从远到近划分三个区域，距离最近的1/3个体所在的区域定义为增强区域，距离最远的1/3个体所在的区域定义为衰减区域，其余距离处于中间的区域定义为稳定区域，距离的定义如公式1
‑
2所示：d(X_i,X_best)=‖X_i
‑
X_best‖,i∈{1,2,
⋯
,NP}
ꢀꢀꢀ
公式1NP=NP_total
⁄3ꢀꢀꢀ
公式2其中，X_best是精英解，即适应度值最小的个体，X_i为第i个个体向量，NP是每个区域的个体数，NP_total是总的种群规模。4.根据权利要求1所述的一种基于协同进化算法的分布式阻塞流水车间调度优化系统，其特征在于，在步骤2的子步骤A2中，具体包括子步骤C1
‑
C5：步骤C1：考虑到进化过程是持续性的学习过程，折扣因子γ强调了不同迭代次数内对总奖励的贡献；因此，γ不取固定值，而是自适应的更新；
γ=0.5
×
(0.9
‑
0.6
×
g/G_max)
ꢀꢀꢀ
公式3；其中，g是当前代数，G_max是最大迭代次数；步骤C2:近似将最优状态价值函数作为学习目标，迭代更新按照公式4进行；Q_g
←
Q_g+α[R_(g+1)+γ*
∆
Q_(g+1)]
ꢀꢀꢀ
公式4；其中，α为学习率，R_g为第g代的奖励，
∆
Q_(g+1)是Q的增量。步骤C3: R_g根据距离而设定，基于各区域内个体与最优个体的距离如公式5；L(X_(i,k),X_(best,k))=‖X_(i,k)
‑
X_(best,k)‖，k={1,2,3}
ꢀꢀꢀ
公式5；其中，X_(i,k)是第k个区域的第i个个体，X_(best,k)是第k个区域的最优个体；步骤C4:通过比较距离的远近给予个体奖励或惩罚值，得到R_g；R_g越大，代表越靠近最优解；R_g越小，代表个体越远离最优解；步骤C5：引入ε
‑
greedy策略和模拟退火动态调整ε值，温度按照公式6
‑
7更新；T_0=T_max
ꢀꢀꢀ
公式6；T_(g+1)=T_min+θ
×
(T_g
‑
T_min)
ꢀꢀꢀ
公式7；其中，T_0为初始化温度，且取得最大值，T_min为温度最小值，θ∈[0,1]为退火因子；在进行迭代的过程中，考虑Q值表的变化，运用Q值的差值和动态温度值定义ε值；ε=exp((
‑
(
∆
Q_g))/T_g)
ꢀꢀꢀ
公式8；其中，
∆
Q_g是第g代Q的增量，T_g是第g代的温度值。5.根据权利要求1所述的一种基于协同进化算法的分布式阻塞流水车间调度优化系统，其特征在于：在步骤2的子步骤A3中，三个区域的参数按照不同的公式更新，具体包括子步骤D1
‑
D4：步骤D1：增强区域的变异策略中参数的更新按照公式9
‑
14进行；F_(i,1)∈randn_i (μ_(F_1 ),0.1)Cr_(i,1)∈randn_i (μ_(Cr_1 ),0.1)
ꢀꢀꢀ
公式9；F_(i+1,1)'=c*F_(i+1,1)+(1
‑
c)*F_(i,1)Cr_(i+1,1)'=c*Cr_(i+1,1)+(1
‑
c)*Cr_(i,1)
ꢀꢀꢀꢀ
公式10；c=0.9
‑
0.9*10^(
‑
5)*g/G_max
ꢀꢀꢀ
公式11；μ_(F_1)=(1
‑
c)*μ_(F_1)+c*mean_A (ω_i*F_(i,1))
ꢀꢀꢀ
公式12；μ_(Cr_1)=(1
‑
c)*μ_(Cr_1)+c*mean_A (ω_i*Cr_(i,1))
ꢀꢀꢀ
公式13；ω_i=(
∆
fit_i)/(∑(
∆
fit_k)
ꢀꢀꢀ
公式14；其中，F_i, Cr_i是变异因子和交叉因子，μ_F是F_i的均值，μ_Cr是Cr_i的均值，fit_i是第i个个体的适应度值，
∆
fit_i 是适应度值的改变量，mean_A代表算术均值；F_i, Cr_i在该区域都服从高斯分布；将适应度值的改变量作为权重系数，均值的计算都采用算术平均；步骤D2：稳定区域的变异策略中参数的更新按照公式15
‑
19进行...

【专利技术属性】
技术研发人员：朱宁宁，赵付青，宋彬，张建林，许天鹏，刘欢，左阳，李英堂，朱波，
申请(专利权)人：朱宁宁，
类型：发明
国别省市：