改进协同量子粒子群优化算法在流水车间调度中应用.docVIP

改进协同量子粒子群优化算法在流水车间调度中应用 　　摘要：作为一类典型的调度问题，流水车间调度是N-P难调度问题，因而引起了众多研究者的兴趣。本文提出了一种改进的协同量子粒子群优化算法，该方法中定义了量子角的表达式，所有的子种群采用优化协同模式以确保算法收敛，采用扰动机制避免算法陷入局部最优，运用了综合学习策略以提高种群的多样性。改进的协同量子粒子群算法应用于流水车间调度，仿真结果验证了改进算法能改善全局收敛能力。 　　关键字：粒子群 协同 优化 量子 　　中图分类号：TP18 文献标识码：A 文章编号：1007-9416（2015）01-0000-00 　　1 引言 　　制造业领域，企业面临世界范围的竞争，生产问题涉及到制造加工的资源有效配置。最优的加工过程对企业运行是至关重要的，而调度则是非常重要的一部分。研究生产车间流水生产调度目的是为了降低成本，增加利润。流水车间调度中，n个工件在m台机器上以相同的工序同时加工，调度目标是确定所有工件具有最优的加工工序使加工时间最短。流水车间生产调度问题是N-P难问题，因而引起了众多研究者的兴趣。各种不同的方法应用于流水车间生产调度，并取得了一定的效果[1-2]。 　　粒子群算法是一种基于群体智能的进化算法，最初是由Kennedy和Eberhart [3]提出的。近年来报道了有关粒子群算法的许多研究，并广泛应用于函数优化，人工神经网络训练，模糊控制等遗传算法可以应用的领域，但该算法易于陷入局部最优。Van den Bergh 和 Engelbrecht提出的协同粒子群优化（Cooperative Particle Swarm Optimization，简称CPSO）可以克服粒子群算法表现出的“进两步，退一步”的现象，但该方法仍可能陷入停滞。回应多优化问题而提出的解决方法，量子理论得到了较好的效果[4-5]。本文提出了一种改进的协同量子粒子群优化算法，算法中所有子种群运用了综合优化协同模式以确保收敛，采用扰动机制避免算法陷入局部最优，运用了综合学习策略以提高子种群的多样性。本文中改进协量子同粒子群优化算法（Improved Cooperative Quantum Particle Swarm Optimization，简称ICQPSO）应用于流水车间生成调度，取得了较好的效果。 　　2 粒子群算法，协同??子群算法及量子遗传算法 　　2.1标准粒子群优化算法 　　粒子群的种群由一群粒子组成，单个粒子的更新通过如下式实现： 　　（1） 　　（2） 　　式中i=1，2，…，m， m表示种群的粒子数。d=1，2，…，D，D表示粒子的位数，pid表示目前粒子所找到的最优位置。pgd表示目前粒子群所找到的最好路径。v表示粒子的速度，x表示粒子的位置，k表示迭代数，w表示惯性常数；c1，c2 学习因子；r1，r2为[0，1]的随机数。 　　2.2协同粒子群优化算法（CPSO） 　　协同粒子群优化算法的原理是将优化的每一个向量分割为多个群体，每一个群体的在其他群体的帮助下最优化向量不相关联的部分，多个群体用种群数或划分因子k表示。假设每个群体有M个粒子，划分因子k将n维向量划分为k个群体（用Si，表示，i=1，…，k），则前n mod k个粒子群是 维的。而k-（ n mod k）个粒子是 维，这种算法称为CPSO-Sk算法。在CPSO算法中，记xi为第i个粒子的当前位置，vi为第i个粒子的“飞行”速度，s（1≤ i ≤ s）是粒子的个数。记第i个粒子迄今为止搜索到的最优位置为yi，1≤ i ≤ s， 整个粒子群迄今位置搜索到的最优位置为 ，则每个粒子的速度和位置按公式（3），（4），进行更新： 　　（3） 　　（4） 　　其中ω≥0为惯性权重， 为学习因子， 和 是均匀分布在[0，1]之间的两个随机数，子群更新如下式进行。 　　If f（b（m， Sm. xi））≥f（b（m， Sm. yi））， b（m， Sm. yi）= b（m， Sm. yi）； 　　If f（ b（m， Sm. xi））≤f（b（m， Sm. yi））， b（m， Sm. yi）= b（m， Sm. xi）； （5） 　　其中1≤ m ≤ k， b（?）是各子群最好位置的限量函数。 　　（6） 　　是子群m的最优位置。 　　（7） 　　（5-7） 可以帮助我们找到子群中最优粒子的最优误差。 　　2.3 量子计算 　　量子计算利用量子理论中有关量子位，量子态的迭加等概念[6]。一个量子位除了可以处于0态和1态以外，还可以处于他们的叠加态，为了便于表示和计算，用符号|x来表示量子态，量子位的叠加态可以用下式表示 　　（8） 　　其中，α，β代表相应状态出现概率的两个参数。