基于适应度地形理念集成式工艺规划与车间调度方法概述.docVIP

　　基于适应度地形理念集成式工艺规划与车间调度方法概述 1 绪论 1.1课题、目的及意义 IPPS 问题是一类经典的车间调度问题，并已被证明为 NP-plete 问题。该类问题的适应度地形非常复杂，因此传统优化算法难以有效对其进行求解，同时大部分国际标准测试问题还远未求得最优解，因此，对 IPPS 问题求解方法的研究任重道远，本文对 IPPS 问题的求解方法进行了深入研究：首先，基于该问题的本质特征，设计了求解该问题的高效改进遗传算法；接着，结合适应度地形理论，对 IPPS 问题的适应度地形结构进行了统计分析，并以此来指导邻域结构的设计；然后，基于以上研究成果，设计了求解 IPPS 问题的新型高效混合优化算法；最后，在以上研究的基础上，开发了具有自主知识产权的 IPPS 原型系统软件，为 IPPS 问题求解方法的研究与应用提供了一定的理论与技术支持。工艺规划是衔接产品设计与制造的纽带，它可以系统地优化产品的生产工艺路线而使产品的生产效率得到提高；车间调度是产品从生产前期准备到生产具体实施的桥梁，它可以优化加工工序的次序和减少资源的浪费。目前，对两者的单独研究已有很多，也取得了很多成果，但是将两者进行集成并对其进行研究的成果较少，如果能将工艺规划与车间调度进行有效集成，可以进一步提高其生产效率，为制造系统的生产改进提供有力的支持[1]。IPPS 问题已被证明为 NP-plete 问题，因此简单的优化算法对其求解并不能获得令人满意的结果。为了有效解决 IPPS 问题，单一算法已经很难满足算法需要达到的要求，结合已有的优化算法的研究，设计高效的混合优化算法将是一个很好的选择途径。为了充分发挥混合算法的优势，高效的算法设计对混合算法的搜索效率的提高至关重要，而如何有效的平衡算法的集中搜索能力和分散搜索能力是混合算法最重要的设计方向。集中搜索能力较强的局部搜索和分散搜索能力较强的全局搜索都是与问题的搜索空间密切相关的。通过应用适应度地形理论来研究 IPPS 问题的搜索空间，可以挖掘出 IPPS 问题更深层次的内在结构和性质，这为获取更好的算法的设计以及对提高算法的科学性和高效性都有很重要的意义。 . 1.2IPPS 问题及适应度地形理论的研究概况 IPPS 问题可以简要描述为[2]：给定 n 个工件在 m 台机器上加工，每个工件含有不同的柔性工艺和可选的制造资源，IPPS 的目的就是确定每个工件的合适的加工工艺，同时根据确定的工艺为每道工序选择最合适的机器、确定每台机器上各个工件工序的最佳加工顺序以及开始加工时间，使整个系统的某些优化目标达到最优。工件主要有三种加工工艺柔性，分别是：加工次序柔性、加工柔性和工序柔性。柔性工艺路线的表示方法很多，在这里我们采用 Kim[3]和 Sormaz[4]提出的用网状图来表示柔性工艺路线的方法。如图 1.1 所示表示的是某个工件的柔性工艺路线，它由一个非循环的单向网状图构成。在图 1.1 中，点 S 和点 E 是依次代表开始和结束的虚拟节点，没有实际意义。方框节点代表每个工序的加工任务，里面圆形中的数字代表加工工序，小括号内的数字代表柔性加工机器，大括号代表加工机器依次加工所需的时间。箭头代表工序的加工次序约束。OR 表示可选的加工工艺路线，其后续可选工艺路线只需选择其中一个路径进行加工，柔性工艺路径从标志 OR 起到标志 JOIN 止，其它没有标志 OR 连接的工序都是必须加工的工序。其中第一组字母与数字组合代表工艺号，第二组字母与数字组合代表所选加工机器。 .. 2 基于改进遗传算法的 IPPS 问题求解方法研究 2.1 遗传算法的基本思想 遗传算法（Geic Algorithm, GA）是美国 Michigan 大学的 John Holland 受生物进化论思想的启发于 1975 年提出的。该算法是借用了生物遗传学的基本原理，基于适者生存的理论而形成的一种高度并行、随机和自适应的优化方法。随后很多学者都对遗传算法进行了深入的研究和改进，使其整体结构更加规范，优化效果也得到很大提升。遗传算法是一种用于促使相关计算问题达到最优化的搜索方法，其属于进化算法中主要的一种。算法的求解是将对应问题以染色体（Chromosome）的形式为载体，运用适者生存的原理，将染色体种群（Population）通过一定代数的进化，使其最终获得比较满意的个体，以此来获得问题所需要的最优解或者较满意的解。在每一次迭代的过程中，对染色体个体进行评价的标准一般是运用函数的适应度值大小或者函数的目标值大小来对其进行评价的，值的大小越符合要求被选中的概率就会越高，从而被保留下来的概率就会越大。遗传算法的整个运行过程中，最主要的三个操作是选择（Selection）、交叉（Crossover）、变异（Mutation），选择何种具体的