协同进化多目标优化算法在车间调度中应用.docVIP

协同进化多目标优化算法在车间调度中应用 　　摘 要：针对车间调度问题计算复杂度较高的特点，将协同进化多目标优化算法应用于车间调度问题。计算实例结果表明，协同进化多目标优化算法应用于车间调度问题不仅可以优化效果，而且能够在一定程度上提高计算效率。 　　关键词：多目标优化;协同进化;车间调度;计算复杂度 　　DOI：10.11907/rjdk.143564 　　中图分类号：TP312 　　文献标识码：A 文章编号：1672-7800（2014）012-0073-03 　　基金项目：安徽省教育厅自然科学基金项目（2013kb236） 　　作者简介：吴福芳（1989-），女，安徽巢湖人，安徽理工大学理学院硕士研究生，研究方向为进化计算、群智能计算;许峰（1963-），男，安徽淮南人，硕士，安徽理工大学理学院教授，研究方向为进化计算、群智能计算。 　　0 引言 　　车间调度[1]（Job Shop， JS）是一类符合任务配置与顺序约束的资源分配问题，其目标在于寻找到一种将各资源安排到各设备上的最优方案。一般情况下，Job Shop的约束条件有很多，如缓存容量、资源数量、工件到期时间与操作顺序等，还有人为的附加因素，如机器负荷平衡等约束条件。Job shop的求解方法一般可以分为枚举方法、解析方法、邻域搜索方法、人工智能方法、构造性方法。其中，邻域搜索法有可能出现局部搜索，使得算法在搜索过程中陷入局部极小。近年来为了避免该问题，进化算法、禁忌搜索、模拟退火算法、噪声方法等改进邻域搜索算法得到了广泛应用。文献[2]提出分步法，其基本思想是将机器调度问题和分配问题分开考虑，以降低问题的复杂程度;文献[3]采用了禁忌搜索法;文献[4]采用了模拟退火法;文献[5]在遗传算法的基础上，通过加权系数法将多目标问题转化成单目标问题。 　　遗传算法不受函数约束条件的限制，如可导性、连续性等，搜索过程从问题解的一个集合开始，具有操作简单、鲁棒性好、高效等特点，但该算法有可能出现早熟问题。 　　协同进化遗传算法考虑个体之间和个体与环境之间的关系，种群中的个体进化受其它个体和环境的影响。该算法的优点在于采用相对适应值，同一种群的个体之间相互影响、相互制约、共同进化。文献[6]讨论了多种群协同。 　　本文提出将协同进化多目标优化算法应用于车间调度问题，计算实例显示，该算法不仅可以改善优化效果，而且具有较高的计算效率。 　　1 问题描述 　　1.1 Job Shop问题描述 　　Job shop调度问题可描述为：有n个工件在m台机器上加工，每个工件包含有工艺约束关系的多个操作。已知每个操作的加工时间与各工件在机器上加工次序的约束，要确定符合约束条件的各机器上所有工件的加工开始或完成时间以及加工次序，使得设定的加工性能指标能达到最优。其中工件i包含的工序数是li，令L=∑Ni=1li为总工序数，工件加工路线和加工时间确定。调度任务是安排所有工件加工的调度顺序，使得约束条件被满足，同时使得给定的性能指标得到优化。 　　JS需要考虑的约束条件如下：①每个工件须按照约束条件按顺序以此在指定的机器上加工，即每个工件的每一道工序必须在前一道工序加工完成后才能够开始;②任何一个工件的每一道程序一旦开始执行，便不可中断，须等到此道工序完成后，才能够在该机器上加工其它工件;③任何一个工件不能同时在多台机器上同时加工;④任何一台机器不能同时加工多个工件。 　　每个工件的加工工艺路线与每道工序的加工时间段是已知的，且不随加工排序的改变而改变。 　　1.2 协同进化多目标优化算法 　　多目标优化问题很少出现最优解，而存在一个相对最优解（Pareto解集），多目标优化的主要目的是寻求Pareto解集中的一个或者多个相对最优解。对于解决这类问题有两类比较普遍的方法：①采用一定的方法将多目标优化问题转化为单目标问题然后求解，如约束法、权重加和法和理想点法等，这种方法的优点是每次优化只得到一个解因而无需决策者的参与，但是权重系数的确定人为因素较大;②直接寻求Pareto解集，然后再根据一定的准则寻求满意解，由于该方法寻求到的解集不受决策者偏好的影响，只取决于问题本身，所以本文在Pareto解的基础上运用协同进化遗传算法讨论车间调度的优化方法。 　　Husband在1991年就创建了多种群合作型协同进化遗传算法模型，并将它应用于车间调度问题[7]。目前比较成熟的多目标遗传算法有小生境Pareto遗传算法（Niched Pareto Genetic Algorithm， NPGA）[8]、强度Pareto进化算法（Strength Pareto Evolutionary Algoithm， SPEA）[9]、非支配排序遗传算法（Nondominate