一类模糊环境下的单机排序模型.docVIP

一类模糊环境下的单机排序模型 摘要：本文基于近年来对工件加工时间同时具有恶化和学习效应的排序问题的研究，引入可信性空间的模糊变量，建立了模糊排序模型。通过改进遗传算法，设计基于改进遗传算法的混合智能算法求解模型。最后以具体算例验证了该算法的可行性和有效性。 关键词：可信性理论；排序；遗传算法；混合智能算法 一、研究背景 排序问题（scheduling problems）也称调度问题，是运筹学和组合优化的一个重要分支。近年来，工件加工时间依赖开工时间的排序问题受到广泛关注，其中工件加工时间具有恶化和学习效应的排序问题受到了广泛的关注和研究。lee（2004）[1]最早考虑了两种效应共同作用的单机模型。现实模型中的参数不一定是确定的，这些不确定性包括随机性和模糊性。模糊集概念由zadeh（1965）提出，已经很好地应用于解决各种实际问题方面。为测度模糊事件，zadeh（1978）提出了可能性测度的概念。但这一理论不满足自对偶性，而自对偶性在理论和应用中是非常重要的概念。liu和liu（2002）[2]提出了自对偶的可信性测度概念，并于2004年建立了可信性理论，已成为研究模糊现象的一个数学分支。 二、理论基础 设θ为非空集合，p为θ的幂集。p中任一元素称为一个事件。对每一个事件a分配一个数cr{a}，用于表示事件发生的可信性。定义1 若集函数cr满足以下四公理，则称之为可信性测度。公理1?摇 （正定性）cr{θ}=1.公理2 ?摇（单调性）若a?奂b，则cr{a}≤cr{b}.公理3 ?摇（自对偶性）对任意事件a，cr{a}+cr{ac}=1.公理4?摇 （极大性原理）对任意满足supicr{ai}＜0.5的事件{ai}，cr{uiai}=supicr{ai}.定义2 设θ为非空集合，p为θ的幂集，cr为可信性测度。则称三元组（θ，p，cr）为可信性空间。定义3 将可信性空间（θ，p，cr）到实数集的可测函数定义为模糊变量。定义4 设ξ为可信性空间（θ，p，cr）上的模糊变量，则它的隶属函数由可信性测度表示为：μ（x）=2cr{ξ=x}∧1，x∈r。定义5?摇 设ξ为模糊变量，它的期望值为：e[ξ]=■cr{ξ≥r}dr-■cr{ξ≤r}dr等式右边的两个积分至少有一个有限。 三、模型描述 记n个工件为j={1，2，l，n}。在模糊环境下，考虑这一组工件在一台机器上加工的排序问题。首先作如下基本假设：①一组工件在初始时刻同时准备加工，工件加工不可中断；②在同一时刻，机器只能加工一个工件；③在一组工件加工结束期间机器不能空闲。记工件j的实际加工位置记为jj，则π=｛r1│jr1=1，r2│jr2=2，l，rn│jrn=n｝为实际加工序列，也就是j重新排序的结果。假设每个工件的基本加工时间相同，记为模糊变量p0，隶属函数为μ，它的实际加工时间表示为：pj=（p0+α（tj））（jj）a。其中，tj是j开始加工时间；α（t）为随t增加而递增的恶化变量，在模糊环境中，t为模糊变量，故恶化效应函数值α（t）为模糊变量；a为学习指数，其中a=log2x，模糊参数x∈（0，100%）。由于具有学习效应，排在后面加工的工件的实际加工时间会减少；同时，在恶化效应的作用下，实际加工时间会随着等待时间变长。单机排序的优化目标，是要找到一种最优的排序方法，使最大完工时间、完工时间之和、加权完工时间之和、最大延时等目标值最小化。在给定排序π下，记工件i的完工时间为ci=ci（π），则最大完工时间为cmax=max{ci|i=1，2，l，n}，完工时间之和为■ci，加权完工时间之和为■ωici，最大延时为lmax=max{ci-di|i=1，2，l，n}，其中di为工件的i交货期。但由于加工时间为模糊变量，最大完工时间等优化目标值不能直接进行比较，而要借助于期望值、可信度等特征值来进行比较。即将模糊优化问题转化为等价的确定性优化问题求解。建立模糊单机排序期望值模型，建立如下：假设我们选取期望值评价准则。期望最大完工时间，期望完工时间之和，期望加权完工时间之和，以及期望最大延时分别记为e[cmax]=max{e[ci│i=1，2，l，n]，e■ci，e■ωici，e[lmax]=max{e[ci-di]│i=1，2，l，n}。以期望值最小化的目标代替模糊变量最小化的问题，将排序问题转化为确定性的问题解决。 四、基于改进遗传算法的混合智能算法的模型求解 相对于确定性模型，模糊模型中含有不确定的变量使求解难度更大，需要借助于计算机对函数进行编程模拟，并设计基于进化算法的混合智能算法来求出最优解。遗传算法原理简单，实现便捷，求解的过程与实际的目标问题无关，具备良好的并行能力和潜在的全局搜索可能性。考虑到由于遗传算法本身选择压力和种群多样性保持之间的矛盾带来的缺陷，并