混合蚁群算法在流水线车间应用.doc

混合蚁群算法在流水线车间的应用 　　摘 要流水线车间调度问题是一种组合优化NP完全问题，解决此类问题常使用非数值算法。蚁群算法是其中较为突出而且应用广泛的算法。目前的蚁群算法在解决流水线车间问题时存在参数设置较多，计算复杂度高，不利于实际应用。为了有效节约成本，应选择最优分配方案，通过将蚁群和遗传算法进行结合，对种群基因进行编码，重新设计策略和相应的条件，使得参数得到了优化，提高了路径搜索的效率，从整体上提高了解决流水线车间问题的性能 【关键词】混合蚁群算法 流水线车间 优化参数 1 引言 对于一个大型的流水线车间而言，能否对现有资源进行合理调度和利用，会直接影响到企业制造产品的成本，从而成为影响企业效益的重要因素之一。流水线车间的资源要得到合理分配，某种程度上主要取决于资源调度，所以流水线车间的合理调度在企业经营中占有十分重要的地位。对于进行简单资源调度的国企，他们主要由车间的调度员安排调度计划，不过，在流水线较复杂的生产过程中，单纯的手工调度就显得无能为力 遗传算法和蚁群算法具有一些共同的特点：适应范围广，通用性强等。两者有着各自的优缺点：蚁群算法的局部搜索能力和收敛速度较快，而遗传算法的全局搜索能力较强。基于两种算法的互补性，完全有可能将二者有机结合起来，克服各自缺点，发挥优点 2 流水线车间调度概念定义 对于流水线车间参数的处理，使用优化的遗传算法不能直接表示，应该将它们表示成解空间中由种群个体按某种组合形成不同的基因个体，这样流水车间的工件顺序就可以表示成基因个体。所以本文使用人们熟知的数组编码，对于流水线调度的四个工序，如果加工顺序依次是j4，j2，j3，j1，那么编码设置为：Vi=[4 2 3 1] 假设c（ji，k）表示工件i在机器k上的完成时间，{j1，j2，…，jn}表示调度序列，那么n个加工零件、m台加工器的流水车间调度问题完成时间可为： （1） （2） （3） 最大流程时间为 （4） 调度目标就是确定，以便cmax满足要求 3 初始个体群的形成 由于大部分智能算都是对某种群体进行操作，混合蚁群算法也不例外。首先需要初始化随机产生的若干基因个体，对于产生了大量初始个体的操作，直接影响到解空间的搜索能力。如果在初始化群个体时，采用以下策略，将大大提高搜索过程中的时间效率 （1）依据所要解决的问题，根据固有经验尽可能把握最优解所辖的分布空间；将初始群个体设置在此范围内 （2）刚开始初始群体为空，首先随机产生若干个体，根据上述策略选出较好的个体形成初始群体，一直重复此过程，直到初始群体的基因个体达到事先设定的参数。本文使用此策略就能形成较好的个体群，最终达到满意的结果 4 种群基因适应度函数 根据适应度函数的值来区分群体中个体基因的好坏，为此，该函数成为是算法中个体进化的驱动力和重要依据之一。函数值较高的基因个体进入到下一代的机率大些；否则相对小一些。本文将这种度量个体适应度的函数称为种群基因适应度函数（Fitness Function） 设计种群基因适应度函数时，一般会考虑下列条件： （1）函数取值范围应该是连续的、唯一的、正值，并且能得到最大值 （2）合理、一致性。要求适应度值反映对应解的优劣程度，这个条件的达成往往比较难以衡量 （3）低计算量。函数选取应尽简单直观，最好是在常量级的时间范围内完成，并且不占用额外的空间，实现原地工作，这样算法的时间复杂度和空间复杂度得到了控制 （4）适用范围广。对某类相关的问题，无需改变函数中的参数就可以直接使用 目标函数和种群基因适应度函数在取值范围内有一定的区别，前者正负都可能，根据具体问题取最大值或者最小值；后者的值越大越好，且总是非负的。因此在这两种函数之间需要某种变换，以便达到统一。目前，有三种方法可以将种群解空间中某点的目标函数值转换到搜索空间中相应的种群基因个体的适应度函数值 （1）待求解的目标函数了直接转换相应的种群基因适应度函数 此种函数间转换的方法计算简单，直观明了，可有两个不足之处：首先可能出现概率为负的情况，不符合常理；不；二是根据此种转换得到的函数值可能在解空间中比较分散，这样得到的适应度极可能不是最好的，从而影响算法的各种性能 （2）介于第（1）中方法的缺点，使用下列改进的方法转换求解最小值： 式中cmin，可以是任意一个合法的输入值，从而预估的最小值 此方法被称为“界限构造法”，存在的缺点：对于事先估计的精确的界限较难，导致最终得到的不是最小值 （3）对最值问题的求解使用不同的方法进行转换 若求解最小值问题时，令 ，， 若目标函数为最大值问题，令 ，， 类似于第（