改进的混合粒子群算法求解作业车间调度问题.docVIP

改进的混合粒子群算法求解作业车间调度问题 　　摘要：为解决作业车间调度问题，在标准粒子群算法中加入随机惯性权重策略，使其具有灵活调节全局搜索和局部搜索的能力，同时在进化过程中引入遗传算法中的交叉、变异操作来增强种群的多样性，另外在粒子群算法进化停滞时加入模拟退火算法，利用模拟退火算法可以及时跳出局部最优的能力，保证得到全局最优解。最后通过使用作业车间调度问题的经典算例进行实验仿真测试，实验结果证明了新算法可以有效地解决作业车间调度问题。 　　关键词：粒子群算法；随机惯性权重；模拟退火算法；作业车间调度 　　中图分类号：TP301 文献标识码：A 文章编号：1009-3044（2018）12-0200-03 　　1引言 　　作业车间调度问题（Job-shop Scheduling Problem，JSP）是实际生产车间调度过程中的一种简化问题，属于最困难的组合优化问题之一，生产调度[1]对于制造业企业来说是非常重要的一步，可以说调度方法的好坏以及结果的优劣直接影响着企业的生存和发展，所以对于寻找车间调度问题的最优解，国内外学者们一直在不断地探索。目前解决JSP问题比较常用的方法有遗传算法[2]、禁忌搜索算法[3]、粒子群算法等智能优化算法。这些智能优化算法[4]不仅可以弥补传统算法的不足，同时也为解决JSP问题提供了新的思路。黄霞等[5]针对JSP提出了使用入侵式杂草优化算法来进行求解并取得了不错的效果。周鑫等[6]提出一种结合遗传算法和模拟退火算法优点的混合算法用来解决JSP问题。张梅等[7]将改进的教学算法用于解决JSP问题。张文鹏等[8]结合变领域搜索策略改进蝙蝠算法，并通过JSP问题的经典算例进行试验仿真证明了算法的有效性。 　　粒子群算法（Particle Swarm Optimization，PSO）是一种通过模拟鸟类聚集飞行，在运动中不断改变自身的位置和速度，最终达到最优状态的进化搜索计算方法。粒子群算法[9]通用性强、容易实现还有收敛速度快的优点使其成为近年来求解车间调度问题的热点，仲于江等[10]将小生境技术应用于粒子群算法中用来解决FJSP问题；Shi等[11]对粒子群算法速度更新公式进行了改进，加入了惯性权重因子，使其随着进化代数线性递减，从而提高了算法的性能；谭跃等[12]提出将遗传算法中交叉操作和多混沌策略加入PSO中来提高PSO算法的搜索能力。潘全科等[13]将变邻域搜索与PSO算法混合成一种调度算法，顾文斌等[14]将生物体的自我调节机制引入到PSO算法中也取得很好的效果，张飞等[15]将混沌机制加入粒子群算法中来解决JSP问题。 　　本文通过分析PSO算法的优化过程，根据它存在的一些缺陷和不足，提出了一种改进的混合粒子群算法（Improved Hybrid Particle Swarm Optimization，IHPSO）。在粒子群算法基础上加入随机惯性权重策略，同时PSO算法进化前期引入遗传算法（Genetic Algorithm，GA）中交叉和变异操作来增强种群多样性，并在进化后期为避免种群陷入局部最优解，加入了拥有强大局部搜索能力的模拟退火算法，来保证种群可以取得最终的全局最优解。 　　2 作业车间调度问题的描述 　　2.1问题描述 　　作业车间调度问题描述如下：有n个工件在m 台机器上进行加工，每个工件包含 m 道工序，其中工件的各道工序所需要的机器和加工时间都是已知的，另外加工过程中还要满足以下几个约束条件： 　　（1）不同工件的工序没有加工顺序要求，但是同一工件的工序必须按照预先规定好的加工顺序进行加工； 　　（2）一道工序开始在机器上进行加工，中途就不能被打断，直到此道工序加工完成； 　　（3）一个工件在同一台机器上只进行一次加工； 　　（4）同一时间一台机器上只能加工一个工件； 　　（5）所有待加工工件没有优先级之分，都有可能在初始时间开始加工。 　　本文性能指标即适应度函数定为总工期最短，也就是最小化最大完工时间。 　　2.2建立数学模型 　　解决作业车间调度问题的实质就是在满足上述约束条件的情况下，得到一个可行的加工工序并且使所要求的目标函数达到最优。实现最大完工时间最小化是这一类车间调度问题中比较常见的目标函数。这有助于提高生产车间的工作效率，降低企业的生产成本，因此将这一指标作为目标函数进行改进具有一定的现实意义。 　　本文选取的作业车间调度问题的目标函数是最小化最大完工时间，即 　　3 算法描述 　　3.1编码与解码 　　在JSP中如果有n个工件，每个工件有m道工序时，则JSP的一个可行解就可以表示成一个长度为n×m的整数串。本文采用一种将粒子的实数位置通过计算转化成一个工序加工序列的编码方式，这种编码方式可以将主要用于求解