故障条件下柔性流水车间调度问题.docVIP

故障条件下柔性流水车间调度问题 1、相关定义 1.1、遗传算法的基本概念 遗传算法是一种直接搜索的优化算法,它产生的依据是生物进化论以及遗传学说。 因此,在该算法中会涉及到生物进化论与遗传学中的一些概念。这些概念如下所示: (1) 基因:基因是一个 DNA 片段,它是染色体的主要组成部分,控制着生物性状, 是遗传物质的基础。 (2) 染色体:染色体是基因的物质载体,它有基因型和表现型两种表示模式。 (3) 种群:种群就是个体的集合。其中个体是带有染色体特征的实体。 (4) 种群大小:种群大小等于种群中的个体数。 (5) 适应度:适应度就是个体能够适应环境的程度。适应度是衡量种群中个体优劣 程度的一个数量值。 18 长安大学硕士学位论文 (6) 选择:达尔文的―物竞天择、适者生存‖法则说明,在自然环境中,对周围的生 存环境适应能力强的个体生存下来的机会比较大,同时把其优良的性状遗传到下一代的 机会也比较大。遗传算法中选择操作的目的就是选择优良的个体,让它们作为父代直接 遗传到下一代或者经过交叉、变异操作遗传到下一代。 (7) 交叉:交叉操作的目的是为了产生新的个体,更适应周围的生存环境,它有利 于种群的进化。 (8) 变异:任何物种的性状在自然进化过程中都不是一成不变的,它会随着生存环 境的变化而变化。变异操作就是效仿生物的变异而设计的,它是产生新个体的一种辅助 方法,同时它也促使遗传算法拥有一定的搜索能力。 1.2、多目标优化的基本概念 多目标优化问题(Multi-objective Optimization Problem)也可以称为是向量优化或 多标准优化问题。多目标的优化问题可表示为:在一个可行域的范围内,首先利用决策 变量组成向量,使该变量能够满足所有的约束条件,从而得到多目标函数组成的最优化 向量。这些构成最优化向量的多个目标函数间往往是此消彼长的。 在一般情况下,多目标的优化问题是由决策变量、目标函数以及约束条件构成的, 而这三者是由函数关系联系起来的。一般可描述为如下形式[24,25,26]: max/ min y f ( x ) f ( f1 ( x ), f 2( x ),..., f k( x)) s. t .e ( x ) (e 1 ( x ), e2 ( x ),..., em ( x)) 0(3.1) 式中:x ( x1 , x2 ,..., x n) X,y ( y1 , y 2,..., y k) Y,x 代表决策向量,由 n 个决策变 量构成。y表示目标向量,由 k 组目标函数构成。X 表示决策空间,由所有决策向量构 成。Y 表示目标空间,由所有目标向量构成。 e( x ) 0为约束条件确定的决策向量的可 行域。 定义 3.1(可行解集)根据函数定义,自变量范围定义为 e ( x) 0所有解构成可行解 集X f,即Xf x Xe( x) 0 (3.2) 的可行区域所对应的目标空间[27]为Yf f( xf) Yx Xf f(x) (3.3) 定义 3.2(Pareto 支配)在可行解集中定义变量 a 和 b,均考虑最小优化的条件下讨 论如下[27]: (1) a 支配 b a b,当且仅当 i 1 , 2,...,k :fi(a) fi(b)(即对于所有的子目标,a 不比 b 差)且 i 1 , 2,...,k :fi(a) fi(b)(即至少存在一个子目标,使 a 比 b 好)。 13 1.3、适应度定义和选择策略 在 GA 的个体适应度确定过程中,首先需要计算个体的目标函数值,然后指定的 评价函数会根据目标函数值的不同而为每个染色体设定一个概率,以使各染色体的概 率与其适应度成比例,最后通过旋转赌轮法选出新一代种群。下面介绍其详细过程。 (1) 染色体的目标函数值 不确定条件下的 FJSP 模型是多目标优化模型,目标函数值的计算可通过已训练 36 好的神经网络来完成,将染色体的 ∑ = n i Ki 1 2 位编码作为神经网络的输入,可得到该加工 工艺路径情形下的pt, pc ,根据偏好关系给出二个目标(时间及成本)的权重w1, w 2(比 如都取为 1/2),然后计算出w1pt + w2 pc ,取值越小说明染色体越好,适应度越高。 (2) 评价函数 评价函数(用eval(V ) 表示)用来对种群中的每个染色体V 设定一个概率,以使该染 色体被选择的概率与种群中其它染色体的适应性成比例,即通过轮盘赌,适应性强的 染色体被选择产生后代的机会要大。 本文采用了比较常用的基干序的评价函数。其主要思想是,假设目前该代中的染 色体为V1,V2 ,Vpop _ size ,且前述的偏好函数已经求出了各染色体的目标函数值,此时决 策者可以给出一个序的关系,使染色体由好到坏进行重排,也就是说,一