基于改进遗传算法的FlowShop调度算法研究.pdfVIP

基于改进遗传算法的Flow Shop 调度算法研究 Flow Shop调度问题也被称为流水作业调度问题, 是与城市不对称情况下的货郎担问题 ( TSP)[1]难度相当的同一类型的NP 完全问题中最困难的问题之一. 它是许多实际流水线生 产调度问题的简化模型,也是一个典型的NP2hard 问题,因此其研究具有重要的理论意义和 工程价值,也是目前研究最广泛的一类典型调度问题.自从Johnson (1954)[2]发表第一篇关于 流水车间调度问题的文章以来,流水车间调度问题引起了许多学者的关注.Flow Shop调度问 题的求解方法通常可分为精确方法、构造型方法、改进型方法和神经网络等.单纯使用一种 方法往往有很多的局限性,本文采用构造型和改进型相结合的方法,取长补短,以期达到很好 的效果。 1、Flow Shop调度问题描述及其数学模型 流水作业调度问题[3]一般可以描述为n个工件要在m台机器上加工,每个工件需要经过m 道工序,每道工序要求不同的机器,n个工件在m 台机器上的加工顺序相同. 工件在机器上的 加工时间是给定的,设为tjik (i=1,⋯,n;k=1,⋯,m).问题的目标是确定n个工件在每台机器上 的最优加工顺序,使最大流程时间(makespan)尽可能地少.这类问题如果第一个工件规定了 加工顺序, 则其他工件都应保持同一加工顺序.这样n个工件在m个机器上加工,就有n!个排 序方案. Flow Shop 调度问题的数学模型建立如下: min Z = cmax . s. t . c( j1 ,1) ≥tj11 , c( j1 ,1) ≥c( j1 , k - 1) + tj1 k , k = 2 , ⋯,m, c( j i ,1) ≥c( j i - 1 ,1) + tj i1 , i = 2 , ⋯, n , c( ji , k) ≥max { c( ji - 1 , k) , c( ji , k - 1) } + tj ik , i = 2 , ⋯, n; k = 2 , ⋯, m , cmax = c( j n , m) . 式中:令c( j i,k) 表示工件ji在机器k上的加工完成时间;{ j1 , j2 , ⋯, j n} 表示 工件的一个调度顺序. 上述的各个不等式约束条件保证了在Flow Shop 调度环境下所需满 足的工艺、机器等约束条件. 于是, cmax即为该n 个工件、m 台机器的流水车间调度问题 的最大流程时间,而调度的目标即为确定一个优化的调度序列{ j1 , j2 , ⋯, j n } ,使得 cmax 最小,即使最大流程时间makespan 尽可能的小. 2 、Flow Shop 调度问题的三种启发式算法 2.1 Palmer方法 D.S. Palmer (1965) 提出按斜度指标排列工件的启发式算法,称为Palmer 法. 工件的 斜度指标可按下式计算 si = 6mk = 1[ k - ( m + 1) / 2 ] tj i k , i = 1 , ⋯, n; k = 1 , ⋯, m , 式中:m 为机器数; tj i k 为工件j i 在机器k 上的加工时间.按照各工件si 不增的 顺序排列工件,可得出令人满意的顺序,其主旨思想是给每个工件赋优先权数. 按照机器加 工的顺序,加工时间趋于增加的工件得到较大的优先权数;与之相反的,加工时间趋于减小的 工件得到较小的优先权数. 2.2 Gupta方法 Gupta 提出了另一种类似Palmer 方法的启发式算法,采用了不同的方式来定义斜度指 标. 按照他的定义,工件的斜度指标可按下式计算: si = ei / min 1 ≤k ≤m- 1 { tj i k + tj i ( k + 1) } , 式中:若tj i1 ≤tj im ,则ei = 1 ;若tj i1 tj im ,则ei = - 1 , 然后将工件按参量si 的值不增的顺序进行排列,从而得到一个调度结果. 2.3 关键工件法 关键工件法是陈荣秋(1983) 提出的一个启发式算法. 其步骤如下: 1) 计算每个工件的总加工时间ti = 6mk =1tj ik , i =1 , ⋯, n,找出加工时间最长的工 件jc ,将其作为关键工件; 2) 对于余下的工件, 若tj i1 ≤tj im , 则按tj i1 不减的顺序排列成一个序列S a ;若 tj i1 tj im ,则按tj i1 不 增的顺序排列成一个序列. 3) 顺序( S a , jc