改进的引力搜索算法在流水作业排序优化中的应用.docxVIP

改进的引力搜索算法在流水作业排序优化中的应用 0 改进万有引力搜索算法gsa求解流水作业排序问题的思路 流水作用序列的定义是经典的组合优化问题。假设用m台机器加工n个零件，并确定每个零件的加工顺序是固定的。为了确定每个零件的最佳加工顺序，并将相应的函数值最好地放在序列中，以便确定每个零件的最佳加工顺序。在顺序中，许多机器的顺序是非营利的。 目前，许多学者将粒子群等智能算法以及其他创新方法应用于流水作业排序问题的求解 万有引力搜索算法（GSA）是一种新型的群智能优化算法，与遗传算法和粒子群算法一样，都是通过粒子更新位置，从局部寻优逐渐寻得全局最优的方法.该算法拥有收敛速度快的特点，已用于解决生活、生产以及其他问题.但是在求解离散复杂组合优化问题时，依然有很多不足.因此，本文对万有引力搜索算法进行了改进，在加权总误工的模型基础上，采用新型的群智能优化算法——离散的改进引力搜索算法对流水作业排序问题进行求解. 1 流量分类 1.1 动态排序co-m台 流水作业排序可以分为静态排序和动态排序两种.当所有工件都在排序生产之前就已经到达车间，可以一次性对它们进行加工排序安排，这种情况被称为静态排序问题；当所有工件是在生产过程中间断到达车间，需要即兴安排它们的加工顺序，这种情况被称为动态排序问题.本文研究的便是流水作业的静态排序问题情况下，确定总加权误工最小时流水作业中零件的加工顺序 假使有n种工件要按照一定的加工路线经过m台机器，流水作业排序就是确定这n种零件在m台机器上加工的先后次序.对不允许中断加工的情况来说，一个工件（J 流水作业排序问题常用4个符号来描述：n/m/A/B,n——工件数量，m——机器数量，A——车间的类型（F：流水作业排序，P：流水作业排列排序，G：单件排序），B——目标函数. 排序常用的符号： J W M P d C F L F 1.2 加权总误工模型 假设条件： 1）排序之前，所有工件都已经到达，此时工件完工时间与流程时间相等. 2）同一个工件不可以同时在不同机器上进行加工. 3）工件在排序加工过程中，上一个工序完成后，立刻被送到下个工序加工. 4）不允许间断，一个工件一旦开始加工，不能中途停止，一直到完工结束. 5）每个工序只在一台机器上完成. 6）每台机器同时只能加工一个工件. 根据以上所述可得模型为： 式中：D为n种工件加工完之后的加权总误工，L 2 改进的gsa算法 万有引力搜索算法（Gravitational Search Algorithm,GSA）是由伊朗克曼大学教授Esmat Rashedi等在2009年提出的群智能优化算法.GSA算法的产生是受到牛顿万有引力定律的启发，使种群粒子具有引力质量，其引力质量根据粒子的适应度计算出.基于牛顿万有引力定律，粒子产生相互之间的吸引力，粒子间作用力和它们的质量成正比关系，和它们之间距离的平方成反比.粒子惯性质量越大，粒子间距离越小，则粒子间的相互作用力越大，粒子在吸引力的驱使下作相对运动.适应度值较大的粒子则其引力质量较大，适应度值较小的粒子则其引力质量较小，在相同力量下，质量大的粒子运动较慢，质量小的粒子运动较快，粒子逐渐收敛到最优位置，依此来达到寻优的目的 该算法借鉴了遗传算法的变异 2.1 编码问题 传统的万有引力搜索算法只能解决连续型编码问题的解，流水作业排序是离散型组合优化问题，所以本文借鉴了陈育兴等 其中：x 其中：V 2.2 引力公式的分解 引力搜索算法中引力质量以及惯性质量是依据适应度值计算而来，粒子i的引力质量和惯性质量分别为： 式（7）中：f 解最小值时： 解最大值时： R t时刻在粒子i第d位置上所受的合力F 式中：ε为一个很小的常量，作用是防止引力公式分母为0;M 式中：G 通常给引力公式前加一个在0～1之间的随机数，使引力搜索算法具有随机性特点，定义如下： 根据以上公式可知，粒子i在t时刻第d维空间上的加速度： 2.3 最佳位置方面c 借鉴粒子群算法的寻优特性，在粒子的速度更新时，使所有粒子有向自身历史最佳位置逼近的趋势和有向群体或领域历史最佳位置逼近的趋势，增加算法的寻优效果.公式为： 大量实验表明c 2.4 万有引力搜索算法的改进 借鉴了遗传算法里的变异思想，由前述公式可知，惯性质量是一个0～1之间的数，该数可作为变异概率.粒子惯性质量越大，该粒子所代表的解越优.因此在位置更新时，父代的惯性质量如果大于随机数，便将父代的部分优秀基因传入下一代中. 式中：dim——维数，t——当前的循环代数，T——总循环数，ω∈(0,50). 由于万有引力算法的特殊性，所有染色体都是连续实数，由子代i所对应的父代i的惯性质量来决定是否变异，若变异，则随机产生两个不等的实数来控制变异的片段.假如随机产生的两个实数分别为4和7，变异方式如下所示：