基于改进遗传算法单目标柔性作业车间调度系统研究.docVIP

基于改进遗传算法单目标柔性作业车间调度系统研究 　　【摘要】单目标柔性作业车间调度问题是经典作业车间调度问题的重要扩展，对其的研究有着重要的理论意义和工程实践意义。首先对单目标柔性作业车间调度问题进行了描述；然后结合FISP问题，改进设计了遗传算法；接着应用Visual Studio 2008开发工具设计开发了原型系统，并对系统进行了测试，得到了运行结果；最后对全文工作进行了总结。 　　【关键词】FJSP；遗传算法；评价指标；选择；变异 　　随着市场全球化时代的到来，企业间的竞争日益剧烈，客户需求也向着个性化和多样化的方向转变。制造企业越来越重视如何为车间生产制定合理的调度方案，以缩短生产周期、减少在制品库存以及按时保质交货。作为经典作业车间调度问题的一种扩展，柔性作业车间调度问题越来越受到研究人员和技术人员的重视。 　　1.柔性作业车间调度问题简介 　　柔性作业车间调度问题是NP难问题，本节先对柔性作业车间调度问题进行描述，然后简单介绍柔性作业车间调度问题的评价指标，为应用改进遗传算法进行原型系统设计奠定基础。 　　1.1 柔性作业车间调度问题描述 　　柔性作业车间调度问题（Flexible Job Shop Scheduling Problem，FJSP）的描述如下[1]： 　　有n个工件要在m台机器上进行加工，每个工件包含一或多道工序，且工序必须按一定的工艺路线进行加工；每道工序有若干台可选机器进行加工，工序在不同机器上的加工时间是不一样的。调度的目标是确定每道工序的加工机器，以及工件在每台机器上的加工顺序和开始加工时间，使系统的某些性能指标达到最优。此外，在加工过程中还应满足以下约束条件： 　　（1）一台机器在同一时刻只能加工一个工件； 　　（2）一个工件在同一时刻只能在一台机器上进行加工； 　　（3）同一工件的工序之间有先后顺序约束，不同工件的工序之间没有先后顺序约束； 　　（4）所有工件的优先级相同。 　　1.2 柔性作业车间调度问题的评价指标 　　在FJSP的求解过程中，需要通过评价指标来评价调度方案的优劣。常用的评价指标有： 　　最大完工时间最小（）[2]；机器最大负荷最小（）[3]；总机器负荷最小（）[4]以及提前/拖期最小（，）[5]等。本文采用应用最广泛的最大完工时间最小（）作为系统评价指标。 　　2.改进遗传算法 　　遗传算法（Genetic Algorithm，GA）是由美国Michigan大学的John Holland教授在1975年首先提出的[6]，它是一种模拟生物自然进化现象的优化算法。为了使进化过程中的优良个体更多的进入下一代，将交叉后的新个体和原有个体进行比较选择出最优个体，本文改进了遗传算法，并将改进的遗传算法用于解决柔性作业车间调度问题。 　　2.1 遗传算法改进研究 　　基本遗传算法由编码、适应度函数和遗传算子（选择、交叉、变异）等三部分组成。下面将对基本遗传算法的三个环节分别进行改进，以满足FISP问题对遗传算法的要求，得到改进后的遗传算法。 　　（1）编码 　　采用二进制编码，然后利用随机数生成器生成初始种群，并以此为基础进行迭代。 　　（2）适应度函数 　　以最大完工时间最小（）作为系统评价指标。则适应度函数为： 　　（3）选择操作 　　本文所提出的选择操作是直接通过不同的父代种群来构造子代种群的过程。方法如下：父代的部分最佳个体及经过渐变进化的优秀个体可以直接进入下一代；部分次优个体和突变进化后的优秀个体可以进入下一代。这样的种群构造方式不仅保证了优秀个体可以保留同时保证了各代种群的多样性，降低了种群之间的相似性，提高了交叉操作了效率。 　　（4）交叉操作 　　交叉操作分为单点交叉和两点交叉两种不同的方式。，为了使渐变种群能够达到局部最优，在此我们选择使用两点交叉的方式。 　　（5）变异操作 　　变异操作的目的是改善算法的局部搜索能力，有助于维持进化群体的多样性，防止过早陷入局部最优[7]。本文分别采用基于工序编码的插入变异操作和基于机器编码的变异操作。其具体实现分别如图1和图2所示。 　　2.2 应用改进遗传算法求解FJSP 　　将改进的遗传算法用于解决柔性作业车间调度问题的具体步骤为： 　　步骤1：参数设置。包括设置种群规模P、迭代次数G、全局选择占种群比例、局部选择占种群比例、随机选择占种群比例、交叉概率、变异概率等； 　　步骤2：按照全局选择、局部选择和随机选择各自的比例，利用改进的初始化方法对种群进行初始化，产生质量较好的初始种群； 　　步骤3：利用评价指标（即自适应度函数）评价种群中每个染色体个体的适应度值，如果满足结束条件则输出最优解或者近似最优解，并且结束运行；否则转步骤4； 　　步骤4：执行轮盘赌法选择操作，选取下一代种群； 　　步骤5：对种群中满足交叉概率