离散生产中作业车间调度问题的研究.docxVIP

离散生产中作业车间调度问题的研究 运营场地的规划问题（jbs）是一个典型的硬件问题。 求解作业车间调度问题的算法主要分为两类:精确算法和近似算法。精确算法由于其指数级增长的时间复杂度, 仅适用于小规模的问题;近似算法由于其运行速度快, 常用于求解规模较大的作业车间调度问题, 其中以基于群体的智能算法和邻域搜索算法为主。应用智能算法求解作业车间调度问题的典型成果, 如:Gen等 近年来, 学者们提出了愈来愈多新颖的智能算法, 智能算法的共同特点都是模拟了自然过程, 但是每种智能算法的优缺点不同, 对于解决某些特定问题的效果也不一样, 因此尝试并发掘各种智能算法的优点并运用到实际问题中去, 是一个很重要的研究方向。万有引力搜索算法 (GS) 是一种新颖的群智能算法, 由Rashedi等 1 运营场地的规划和设计 1.1 机床加工的特点 给定已知条件和假设: (1) 已知工件的加工路线和加工时间。 (2) 假设在任何时刻, 每台机器最多只能加工一个工件, 每个工件最多只能由一台机器加工。 (3) 假设工件按照给定的工艺路线进行加工且加工过程不能间断。 (4) 机器之间缓冲区容量为无穷大, 且机器不发生故障。 JSSP通常描述为n个工件在m台机器上加工, 每个工件均需要不重复地经过所有机床加工, G为单件车间调度。调度的目标是确定各机器上工件的加工顺序, 使得最大完工时间C 1.2 约束工序对集合 文献[13]采用线性规划定义了作业车间调度的模型, 描述如下: 令J={J 令A表示同一工件的工序前后关系的约束工序对集合;V 其中:式 (1) 为作业车间调度问题的目标函数, 本文中的目标为最小化最大完工时间;不等式 (2) 保证每个工件的工序顺序满足要求, 式中〈i, j〉指约束工序对, 表示同一工件的前后工序, i表示前工序, j表示后续工序;不等式 (3) 保证每台机器一次只能加工一个工件, 〈i, j〉表示在机器M 2 遗传邻近生产力算法用于解决工作场所的规划问题 2.1 染色体的解码 本文采用文献[14]提出的应用于遗传算法的基于工序的编码方式, 对本文的染色体进行编码。每个染色体由n×m个基因组成, 其中每个基因代表对应的工件号, 工件的加工顺序取决于该工件号在染色体中出现的顺序。图1为规模3×3的染色体编码示意图, O 按照上述的解码方式得到的调度方案为一个半主动调度。半主动调度指各工序按最早可能开始时间进行加工的调度类型, 不能保证充分利用机器的空闲时间, 因此采用主动调度的方式来对染色体进行解码。主动调度指任何一台机器的每一段空闲时间都不足以加工一道可加工工序的半主动调度, 采用插入式的主动调度解码方式 2.2 父代的选择及搜索效率 交叉操作是遗传算法中一项重要的进化算子, 主要标准是子代个体对父代个体优良特性的继承以及可行性, 因此父代个体的选择对子代的质量及算法的搜索效率上有很大程度上的影响。本文借鉴万有引力搜索算法中惯性质量和欧式距离的概念, 将其运用于交叉操作中父代个体的选择。 2.2.1 改进万有引力搜索算法 万有引力算法是一种基于万有引力定律和牛顿第二定律的种群优化算法。在牛顿万有引力定律中, 两个个体间的万有引力大小主要由两个个体的质量以及个体间的欧氏距离决定, 万有引力的大小影响了个体位置的移动方向, 是解决连续问题的有效算法。对于JSSP这类离散问题, 采用原始的万有引力搜索算法将变得不可行, 因此本文借鉴万有引力搜索算法中惯性质量和欧氏距离的概念, 将其运用到交叉算子中, 提出了一种新型的交叉策略。具体操作为:根据欧氏距离的概念衍生出染色体差距的概念, 对染色体差距大的个体进行交叉, 提高解的多样性;利用惯性质量来控制个体的交叉对象数目, 个体惯性质量与适应度值成正比, 选择惯性质量较大的个体作为交叉个体的候选解, 以增强算法的收敛性。 原始万有引力搜索算法中, 个体a受到k 假设种群大小P (1) 针对当前代t的每个父代染色体, 选择其他父代染色体中最优的k 其中, k (3) 选取当前代t的k 2.2.2 工序编码的交叉操作 在JSSP问题中, 由于其编码的特殊性, 若基于传统的两点交叉操作, 则会产生不可行解, 因此本文采用基于工序编码的交叉算子 (POX) 2.2.3 增加交叉率来提高点代体的质量 交叉操作主要是为了继承父代优良的特性, 从两个父代染色体中获取有效的基因, 重组后得到子代染色体。但对于父代染色体中较优的个体来说, 需要尽可能保留个体不被破坏, 因此要减小交叉率;而对于父代染色体中性能较差的个体, 则需要通过与其他性能较优的个体进行交叉进行改善, 因此通过增加交叉率来实现。对于不同的染色体, 设置不同的交叉率p 其中:f 2.3 变异染色体生成 变异操作的目的是为