复杂并行机调度问题分解的优化算法.docxVIP

PAGE 1 PAGE 1 复杂并行机调度问题分解的优化算法  针对纺织生产过程中广泛存在的带特别工艺约束的大规模并行机调度问题，提出了一种基于分解的优化算法。首先将原调度问题分解为机台选择和工件排序两个子问题，然后针对机台选择子问题提出一种进化规划算法，并采用一种具有多项式时间复杂度的最优算法求解工件排序子问题，以得到问题特征信息（即每台机器对应拖期工件数的最小值），该问题特征信息用以指导进化规划算法的迭代过程。不同规模并行机调度问题的数值计算结果及实际制造企业应用效果表明，本文提出的算法是有效的。  1引言  生产过程调度问题是学术界和工业界的前沿性研究方向，也是制造执行系统技术研究中涉及的关键问题之一。近年来，以遗传算法为代表的进化计算方法以其具有较强的全局搜寻性能，且易于融入与优化问题相关的学问等优点，在生产过程调度问题中获得了较为广泛的应用，并取得了一系列有价值的研究成果。然而大部分调度问题属于NP难题，这意味着随着问题规模的增大，解空间呈指数增长，单纯采用进化计算方法求解大规模复杂生产过程调度问题难以取得令人满足的效果。  本文以纺织生产过程为背景，研究了以最小化拖期工件数为目标，带特别工艺约束的并行机调度问题，提出了一种基于分解的优化算法。  2问题描述  首先将原调度问题分解为机台选择和工件排序两个子问题，然后针对机台选择子问题提出一种进化规划算法，并采用一种具有多项式时间复杂度的最优算法求解工件排序子问题，以得到进化规划算法迭代过程所需的问题特征信息（即各机器对应拖期工件数的最小值），该特征信息用来确定进化规划算法中各机器对应基因位的变异概率。  由于工件排序子问题存在具有多项式时间复杂度的最优算法且该算法所需计算量小，因而可有效降低搜寻空间；另一方面，通过上述算法求解得到的工件排序子问题特征信息可用以确定进化规划算法中各机器对应基因位的变异概率，因而能有效指导算法的搜寻过程。  生产过程中有n个工件J1，J2，…，Jn，全部工件组成的集合为J，每个工件均只有一道加工工序，该道工序共有m台机器M1，M2，…，Mm，全部机器组成的集合为M。每个工件Ji具有确定的加工时间pi和交货期di。全部工件在零时刻均可加工，同一工件不能同时在多台机器上加工，同一机器不能同时加工多个工件，且加工过程一旦开始不可中断，直至加工完成。加工过程含有特别工艺约束，即可加工工件Ji的机器集合μi满意μi?M，ui≠φ。设工件Ji的完工时间为Ci，令：  式（1）表示工件Ji是否拖期（1表示拖期，0表示未拖期），则该批工件的总拖期工件数，调度目标即是确定n个工件的加工机台和加工顺序，使得最小。  3问题分解及算法结构  本文所研究的带特别工艺约束的并行机调度问题可分解为如下两个子问题：  1）机台选择子问题有n个工件Ji，J2，…，Jn，对每个工件Ji，确定加工该工件的机器Mk（Mk∈μj），使得原调度问题目标达到最优。  2）工件排序子问题有n个工件J1，J2，…，Jn，m台机器，设机器Mj上的待加工工件集合为Sj，满意Sj?J，j＝1，2，…，m，确定Sj内各工件的上机顺序，使得总拖期数5最小。  基于上述问题分解的算法结构如图1所示。  图1基于问题分解的算法结构  在本算法中，首先由进化规划算法确定各工件的机台选择方案，然后采用具有多项式时间复杂度的最优算法求解工件排序子问题，以求得各机器对应工件的加工顺序，同时得到问题特征信息（各机器对应拖期工件数的最小值），该信息用以确定进化规划算法中各机器对应基因位的变异概率。在调度目标上，机台选择子问题的调度目标是降低总拖期工件数，工件排序子问题的调度目标是在机台选择方案确定后降低各机器对应的拖期工件数。  4工件排序子问题的最优算法  本文基于1‖ΣUi调度问题的最优算法构造工件排序子问题的最优算法，其流程如下。  ①初始化i＝1，j＝1，令Qj为机器Mj对应的未拖期工件集合，Qj＝φ（j＝1，2，…，m），t为调度时刻，t＝0；②将机器Mj对应的待加工工件集合Sj中的全部nj个工件按交货期di由小到大的顺序排序，不失一般性，设为d≤d≤d，则Qj＝Qj∪{J}，t＝t＋p，转⑤；④若t＋p＞d，则分两种情形：  a）若p＜p（J为集合Qj中加工时间最长的工件，若Qj＝φ，则p＝0），则Qj＝Qj{J}，Qj＝QjU{J}，时t＝t－p＋p；b）若p≥p，转⑤；⑤若i＜ni，则i＝i＋1，转③；⑥若j＝m，则算法结束；否则令i＝1，t＝0，转②。  1‖ΣUi调度问题的最优解算法时间复杂度为O（nlogn）