改进细菌进化算法在作业车间调度问题的应用

合集下载

基于Pareto改进的混合算法求解多目标柔性车间调度问题

基于Pareto改进的混合算法求解多目标柔性车间调度问题

-10 -工业仪表与自动化装置2021年第3期0引言随着互联网和工业制造技术的发展,智能制造基于Pareto 改进的混合算法求解多目标柔性车间调度问题赵 勇s 史亚斌s 何军红2,刘 赛2,马国伟2(1.西安高压电器研究院有限责任公司,陕西西安710077;2.西北工业大学航海学院,陕西西安710072)摘要:针对多目标柔性作业车间调度问题,该文建立优化目标为最大完工时间、机器平均相对 空闲率以及机器总负荷最小化的数学模型,并设计一种基于Pareto 改进的自适应混合算法(NGA -PSO )。

其算法采用分层结构相结合,底层采用基于隔离的小生境技术(Niche genetic algorithm , NGA ),上层采用粒子群算法(Particle swarm optimization , PSO )。

为提高算法的收敛效率和求解精度,提出了改进策略,采用适应度值分配策略作为种群选择的评价标准;设计动态的交叉变异概率, 使算子在迭代过程自适应地对种群的寻优操作进行调整。

最后,针对10个单目标基准案例与3个多目标典型案例进行仿真求解,通过与其他前沿算法进行对比验证NGA-PSO 算法的优越性。

关键词:多目标优化;混合算法;小生境技术;粒子群算法中图分类号:TH165文献标识码:A 文章编号#1000 -0682(2021 )03 -0010 -06Multi - objective flexible shop scCeduling problem with hybrit algorithm based on ParetoZHAO Yong 1 , SHI Yabin 1 , HE Junhong 2, LIN Sat 2 ,MA Guowet 2(1. XiOn High Voltage Apparatus Research Institute Co., Lt , Shaanxi XiOn 710077 , China ;2. School of MaggScience and Technology , Nog0westerg Polytechnial Universito , Shaanxi Xin 710072 , China #Abstract : In ordeo to solve the multi — objective 0x 1-0 job shop scheduling problem , the papeo es- tabotshLsamathLmattoaomodLothatopttmtzLsthLmaitmumoompotton ttmL , thLaeLeagLeoatteLtdoeat of the machine , and minimizes the total load of tPe machine , and designs an improved adaptive hybOd al ­gorithm based on Pareto ( NGA — PSO ) . The algorithm adopts a hmrarchical structure , tPe bottom layeo adopts isolation - based niche technoloae ( Niche genetic algorithm , NGA ) , and tre uppeo layeo adoptspaticle swam optimiztion ( PSO ) . In ordeo to improve the convergenco Vficmncy and solution accuracy of tre algorithm , an improved strategs is proposed. The fitnss vvlue allocation strategs is used as theevvluation standard foo population selection ; the dynamic cross — mutation probabilite is designed to make the operatoo 111x 60 optimize the population dueng the iterative process Make adjustments. Findlly, 10single — objective benchmark cases and 3 multi — objective typical cases are simulated and solved , and the supeyoyte of the NGA — PSO algorithm is vriged by compaison with otheo cutting — edge algorithms.Keywordt : multi — objective optimization ; hybrig agorithm ; niche genetic agorithm ; paticle swam opttmtzatton在车间生产和优化中的作用越来越重要,为了解决车间生产调度优化的问题,各个学者相继开展了制造系统的车间调度问题研究。

解决作业车间调度问题的混合差分进化算法

解决作业车间调度问题的混合差分进化算法

shdl gpol , eait o oa rsac n bs a bi s p vd [ h 1f . b9rf] ceui rbe t bly f lbleerhadr ut r ovo l i r e . C , i 3t . . n ms h i g o e u ym o g a e
文献标志码 : A 文 章 编 号 :0 52 9 (0 0 0 -1 1 4 10 -85 2 1 )50 2 - 0 中 图分 类号 :2 3 F 7
Hy r d Di e e ta ou i n S l i g J b S o c e u i g P o lm s b i f r n ilEv l t ov n o h p S h d l r b e o n
a od t e ag rtm al n o a l c lo t m n r ma u e c n e g n e Hy rd d fee ta v l in g rt m a v i h l o h f li i t o a p i i ng mu a d p e tr o v r e c . b i r n ile out i o a oi l h hs b e mprv d i wo a p c s Fis ,t e p p r p e e t d s l- tfco i r r t i t i r u — ie sfc t n i e ni o e n t s e t. rt h a e r s n e eff a trF n o de o man an g o p dv r i ai n i i o e ry e ou in p ro n r d al r d c t e de tu t n f t e o tmu a l v l to e id a d g a u ly e u e h sr c i o h p i m sl in y F a tr i t e lt r p ro o out b fc o n h 。为 了防止基本差分进化算法陷入早 熟收敛 和局 部最优 , 2个方面对算 法进 行 了改进。首先 为 了在进 从 化初期 能够保持 种群 多样性 , 后期减 少缩放 因子对最优解的破 坏 , 出了 自适应的缩放 因子 F。其 次交叉操作 时采用分 提 组交叉思想。通过对作 业车间调度 问题 的研 究, 改进后 的算法全局 寻优 能力和鲁棒性有 了明显改进 。图 1 3参 9 表 关 键 词: 生产管理 ; 混合 差分进化 算法; 自适应缩放 因子 ; 分组交叉 ; 作业车 间调度 问题

工时不确定条件下基于改进遗传算法的柔性作业车间调度问题的区间数求解方法

工时不确定条件下基于改进遗传算法的柔性作业车间调度问题的区间数求解方法

工时不确定条件下基于改进遗传算法的柔性作业车间调度问题的区间数求解方法陈宇轩【摘要】以不确定工序加工时间为切入点,使用区间数表征不确定工序加工时间,研究了基于不确定工时的单目标柔性作业车间调度问题,并设计了基于区间数理论的改进遗传算法对该问题进行求解.【期刊名称】《机械工程师》【年(卷),期】2018(000)001【总页数】3页(P74-76)【关键词】不确定工序加工时间;区间数;改进遗传算法;柔性作业车间调度【作者】陈宇轩【作者单位】合肥工业大学机械工程学院,合肥230009【正文语种】中文【中图分类】TH186实际生产过程中,存在着大量的不确定因素,大多数不确定因素的随机波动都直接反映到工序加工时间的变化上[1]。

然而以往文献为了简化问题难度常常假定工序具有确定的加工时间,这样做的后果是得出的调度方案严重偏离了实际生产情况[2-3]。

因此,本文以不确定工序加工时间为切入点,研究不确定工时的车间调度问题。

从目前国内外文献可以了解到,工序加工时间的描述方法基本可以分为三类:1)模糊数理论。

以Zadeh提出模糊集理论[4]为核心,衍生出的一系列模糊方法,主要研究与处理问题的模糊性以及决策上的不确定性。

2)随机数理论[5-6]。

以大量实际数据为研究依据,归纳出研究对象服从的分布,并根据分布进行求解。

3)区间数理论[7]。

用区间数描述工序加工时间的分布区间,再根据区间数的比较规则进行求解。

随机数和模糊数都需要事先得知生产数据服从的分布。

但在车间实际生产中,获得工序加工时间的分布受到统计等技术条件的影响相对比较困难,而工序加工时间往往都存在一个上限和下限,因此本文使用区间数理论表征不确定工时[8]。

通常情况下人们对事物的判断往往不会是一个定量的值,而是一个在特定范围内的变量。

这种在特定范围内的变量,我们称之为区间数。

区间数的数学定义如下:定义1.1:设R为实数域,[a]=[a-,a+],称a为区间数。

面向多目标柔性作业车间调度的强化学习NSGA-II算法

面向多目标柔性作业车间调度的强化学习NSGA-II算法

面向多目标柔性作业车间调度的强化学习NSGA-II算法尹爱军;闫文涛;张厚望【期刊名称】《重庆大学学报》【年(卷),期】2022(45)10【摘要】针对非支配排序遗传算法(NSGA-II,non-dominated sorting genetic algorithm II)在求解柔性作业车间多目标优化调度问题中多样性不足、易于早熟与局部收敛的缺点,提出一种基于强化学习的改进NSGA-II算法(RLNSGA-II,reinforcement learning non-dominated sorting genetic algorithm II)。

为避免NSGA-II陷入局部收敛问题引入双种群进化策略,利用性别判定法将种群拆分为两个种群,并在进化过程中采用不同的交叉变异算子,增加算法的局部和全局搜索能力;为解决NSGA-II精英策略造成多样性不足的问题,融合多个多样性度量指标,利用强化学习动态优化种群迭代过程中的拆分比例参数以保持多样性,改善算法收敛性能。

最后通过Kacem标准算例进行了仿真实验与性能分析,验证了RLNSGA-II的有效性与优越性。

【总页数】11页(P113-123)【作者】尹爱军;闫文涛;张厚望【作者单位】重庆大学机械工程学院;重庆大学机械传动国家重点实验室;中国石油西南油气田分公司重庆气矿【正文语种】中文【中图分类】TH11【相关文献】1.面向能耗机制的多目标柔性作业车间调度2.基于自适应NSGA-II算法的柔性车间多目标生产调度3.改进狼群算法求解多目标柔性作业车间调度问题4.改进的基于分解的多目标进化算法求解双目标模糊柔性作业车间调度问题5.面向柔性作业车间动态调度的双系统强化学习方法因版权原因,仅展示原文概要,查看原文内容请购买。

多种群差分进化算法及在柔性车间作业调度中的应用

多种群差分进化算法及在柔性车间作业调度中的应用

DEb s2bn变异 方式 ,普通种群 和精英 种群及普 通种群之 间在适 当的时候进行 优秀个体 迁移 ,以实现全 局搜 /et /i /
索 能力和收敛速 度之 间的平衡 ,并从 现实生产 实际 出发 ,建立 了双 目标柔性 车 间作 业调度数学 模型 .最后 ,将 该算法应 用于一个 调度算 例 ,仿真 结果表 明 ,该算法 可行有效 .
gl al ea c i g a lt a d r busn s f ob s r h n biiy n o t es o DE/a / / n m u a i n c m e nd h go pe f m a e f l c l r nd 2 bi t to s he a t e od ror nc o o a
维普资讯
第 3 卷第 1 4 期
20 0 8年 2月
湖南 农 业大 学 学报 ( 自然科 学 ut r l ie st Nau a ce c s o r a fHu a rc lu a v ri Un y( t r lS in e )
s a c i g a i t n a t c n e g n e s e d o / e t / i u ai n s h me h l o t m n l d s e e a e r h n b l y a d f s o v r e c p e f DE b s 2 b n m t t c e ,t e a g r h i cu e s v r l i l o i o d n r o u a i n n a t u a o u ai n Th r i a y p p l t n a e t e DE r n / / i t t n s h me r i a y p p l t sa d a p ri lrp p lto . e o d n r o u a i st k h /a d 2b n mu ai c e , o c o o wh l e p ri u a o u a i n t k st e DE/ e t / i t t n s h me T aa c h lba e r h n b l y a d i t a t lrp p lto a e h eh c b s/ b n mu a i c e . o b ln e t e g o l a c i g a i t n 2 o s i

基于改进遗传算法的柔性作业车间调度方法研究

基于改进遗传算法的柔性作业车间调度方法研究
摘要 : 针对柔性作业车间调度问题 , 提 出了一种 自适应的遗传机制 , 构造出 自适应的适值函数定义方法 , 设计 了相应 的 自适应选择 、 交叉和变异 3 种算子 。为 了解决 同一工序 的不 同机器的负荷平衡 , 提出了表征机器加工能力 的能力系数。通过轮换方法 实现 了相 同工序不 同机器之间的调度。仿真实验结果表明 , 该调度算法具有 可行性 。 关键词 :柔性作业车间调度 ;改进遗传算法 ;适值 函数
Ab s t r a c t :Ai mi n g a t t h e l f e x i b l e l f o w— s h o p s c h e d u l i n g p r o b l e m ,a mo d i i f e d a d a p t i v e g e n e t i c a l g o r i t h m wa s g i v e n .A h i g h l y a d a p t i v e
性、 计 算 原 理上 的随 机性 和 自适 应性 , 且鲁 棒 性强 , 适
0 引 言
柔性 作 业 车 间调度 问题 ( l f e x i b l e l f o w - 一 s h o p s c h e d . u l i n g p r o b l e m, F F S P ) 也称 混 合 F l o w - 一 s h o p 调度 问题 , 是 指 带 有 机 器 可选 柔性 的 车 间调 度 问题 。该 问 题 的 主
D O I : 1 0 . 3 9 6 9 / j . i s s n . 1 0 0 1 一 - 4 5 5 1 . 2 0 1 4 . 0 6 . 0 1 1
基于改进遗传算法的柔性作业车间调度方法研究水
廖 珊 , 翟所 霞 , 鲁 玉 军

基于智能算法的工业工程生产车间调度优化研究

基于智能算法的工业工程生产车间调度优化研究引言随着科技的迅速发展和人们对效率的不断追求,工业工程领域的调度优化问题日益受到关注。

工业生产车间的调度优化是指在满足不同任务和资源限制的前提下,通过合理安排工序和资源,以最大限度地提高生产效率和降低生产成本。

本文将通过研究基于智能算法的工业工程生产车间调度优化方法,探讨如何应用智能算法技术解决这一问题。

一、调度优化问题的背景在工业生产车间中,调度优化问题是一个复杂的组合优化问题。

它涉及到任务的排列顺序、机器的选择、设备的运行速度等多个因素。

传统的调度优化方法由于其模型复杂度高、计算量大的特点,导致无法有效解决大规模调度问题。

而基于智能算法的调度优化方法则能够通过模拟和优化技术,快速寻找到一个近似最优解,大大提高了调度效率。

二、基于智能算法的调度优化方法1. 遗传算法遗传算法是一种模拟自然界中生物进化过程的优化算法。

它通过模拟生物的遗传、变异和选择等操作,搜索最优解。

在工业工程中,可以将任务和资源等因素编码成染色体,通过交叉和变异操作产生新的染色体,进而不断优化求解结果。

遗传算法不依赖于问题的具体形式,具有较强的适应性和全局优化能力。

2. 粒子群算法粒子群算法是一种模拟鸟群觅食行为的优化算法。

它通过模拟每个粒子的位置和速度变化,来搜索最优解。

在工业工程中,可以将每个粒子看作是一个潜在的解,并通过计算粒子的位置和速度来更新其搜索方向。

粒子群算法具有快速收敛和高效优化的特点,适用于中小规模调度问题。

3. 蚁群算法蚁群算法是一种模拟蚂蚁觅食行为的优化算法。

它通过模拟蚂蚁在环境中留下信息素,以及蚂蚁对信息素的感知和选择行动,来搜索最优解。

在工业工程中,可以将任务看作是蚂蚁,通过留下和感知信息素来选择任务的调度顺序。

蚁群算法具有强大的全局搜索和优化能力,适用于大规模复杂调度问题。

三、智能算法在工业工程生产车间调度优化中的应用基于智能算法的调度优化方法已经在工业工程领域得到了广泛应用。

改进细菌觅食算法求解车间作业调度问题


用于 JP上的编码 困难 , 出一种工序序列 和 B O S 提 F A实数个体 编码的互 换策略 ;) c 针对复杂 、 大规模 JP 提 出一种空 闲时间 S, 片段最优调度算法 。
第2 8卷第 9期
2 1 年 9月 01
计 算 机 应 用 研 究
Ap l a in Re e rh o mp t r pi t s a c fCo u e s c o
Vo _ 8 No 9 l2 . S p 2 1 e. 0 1
改 进 细 菌 觅 食 算 法 求 解 车 间 作 业 调 度 问题 水
实验表 明 , 该算 法能够跳 出局部 最优 , 免 了早 熟的 问题 , 结果优 于原始 细 菌觅食 算 法和 离散粒 子群算法 。 避 调度
关键词 :细 茵觅食 算 法;自适 应步 长 ;车间作业调 度 问题 ;编码 转换 ;空闲时 间片段 优化 中图分 类号 :T 3 1 P 0 文献标 志码 :A 文章编号 :10 .6 5 2 1 )9 3 2 — 3 0 1 3 9 ( 0 1 o . 3 4 0
c n e i n;fe i pi z to ovr o s re tme o tm a in i
平衡算法的全局寻优能力和局部开采能力 ) 针对 B O F A直接
0 引言
车间作业 调度 问题 (o —hpshd l gpolm,S ) JbS o c eu n rbe JP 一 i

差 分进化 算子 , 并将改进 算法 用于车 间作 业调度 问题 ( S ) JP 中。求解 时 , 设计 了一 种编 码 转换 方案 , 而无 须修 从 改 BO F A运算规 则即 可实现 对 JP的寻 优 ; 时, 用 空 闲时 间片段 优化 策 略 降低 了调度 问题 的复 杂性 。仿 真 s 同 采

制造系统柔性作业车间调度问题及算法优化

制造系统柔性作业车间调度问题及算法优化制造系统柔性作业车间调度问题及算法优化摘要:随着制造业的快速发展和市场需求的不断变化,柔性作业车间调度问题成为制造系统中的重要研究方向。

针对柔性作业车间调度问题,本文通过对问题的分析和总结,提出了一种基于算法优化的解决方案。

该方案结合了遗传算法和模拟退火算法,并将其应用于某柔性作业车间的实际调度问题中。

实验结果表明,该方案在提高车间资源利用率和降低任务完成时间等方面具有显著优势,为制造系统柔性作业车间调度问题的解决提供了一种有效的方法。

一、引言制造系统的柔性作业车间调度问题涉及到多个任务在不同机器之间的分配和调度,旨在优化资源利用率、降低生产成本、缩短任务完成时间等方面的目标。

由于车间内部工序复杂,任务时间不确定性大等因素的影响,使得柔性作业车间调度问题成为制造系统中的难点问题。

二、柔性作业车间调度问题的分析柔性作业车间调度问题的核心是任务的分配和调度。

任务分配涉及到将一组任务分配给车间内的多个机器,而任务调度则是确定每个任务在对应机器上的执行顺序。

柔性作业车间调度问题还需要考虑到车间资源利用率、任务完成时间、机器效率等多个指标。

在实际应用中,不同制造系统对这些指标的重要性可能有所区别。

三、算法优化的解决方案在解决柔性作业车间调度问题时,传统的优化方法往往存在局限性。

为此,本文提出了一种基于算法优化的解决方案。

该方案结合了遗传算法和模拟退火算法的优势,能够在较短时间内找到较优解。

具体实施步骤如下:1. 遗传算法:通过模拟遗传进化的过程,在种群中寻找最优解。

首先,初始化种群,然后根据染色体编码规则生成初始解,并利用适应度函数对每个个体进行评估。

接着,采用选择、交叉和变异等遗传操作对种群进行进化,直到达到停止条件。

2. 模拟退火算法:以一定的概率接受比当前解更差的解,以避免陷入局部最优解。

首先,初始化当前解和初始温度,并设置退火参数。

然后,通过随机扰动的方式生成新解,并计算新解的评价函数值。

典型车间调度问题的分析与研究

典型车间调度问题的分析与研究1. 引言1.1 背景介绍在工业生产过程中,车间调度是一个至关重要的环节。

典型车间调度问题指的是在一个车间内,如何合理安排生产任务、设备和人员,以最大化生产效率和优化资源利用。

随着工业化程度的不断提高,生产任务日益复杂,车间调度问题也变得愈发棘手。

背景介绍一直以来被认为是车间调度问题研究的重要环节。

由于传统的手工调度容易出现人为因素的干扰和误差,因此越来越多的生产企业开始将车间调度问题交给计算机来解决。

在实际生产中,由于生产环境的复杂性和实时性要求,车间调度问题并不是一项易于解决的任务。

为了更好地解决典型车间调度问题,需要深入探讨常见的调度方法、实际案例分析、影响因素和优化方法。

通过对这些内容的研究与分析,可以为工业生产提供更有效的调度方案,提高生产效率,降低成本,增强竞争力。

1.2 研究意义典型车间调度问题是生产中常见的管理难题,其涉及到生产效率的提升、资源的合理利用以及生产成本的降低等方面。

通过对典型车间调度问题的研究和分析,可以帮助企业更好地规划生产计划,提高生产效率,降低生产成本,同时也可以提升企业在市场竞争中的地位。

在当今竞争激烈的市场环境下,企业需要不断优化生产工艺和提高生产效率,以满足市场需求并保持竞争力。

而车间调度作为生产管理的重要环节,对于企业的生产效率和产品质量有着直接的影响。

深入研究典型车间调度问题,探讨其影响因素及优化方法,对于提升企业的竞争力、降低成本、优化资源配置具有重要的意义。

通过对典型车间调度问题的研究,还可以促进相关理论和方法的不断进步与完善,为未来研究提供新的思路和方法。

对典型车间调度问题的研究具有广泛的实践意义和理论意义,对于推动企业生产管理的健康发展和提高整体经济效益具有积极的促进作用。

2. 正文2.1 典型车间调度问题概述典型车间调度问题是生产调度中常见的一个重要问题,它旨在合理安排生产任务的先后顺序和时间,以最大程度地提高生产效率和资源利用率。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
摘 要: 应用细菌进化 算法求解 了作 业车间调度 中单 目标 多解排程 问题 , 采用 了基 于操作的编码 来保证调度 方案的可
行性 , 并采 用互 换 交 叉操 作 的局 部 调 度 应 用 于基 因的 交换 优 化 , 以改 进 经典 细 菌进 化 算 法 , 最后 采 用 多个 范例 进 行 计 算, 以验 证 所 提 方 法 的 绩 效 。 关 键 词 : 业 车 间调 度 问题 ; 菌进 化 算 法 ; 部 调 度 作 细 局

中图分 类 号 :4 62 F 0 .
文献 标 识码 : A
文 章 编 号 :6 2 5 5 ( 0 1 o — 1 2 0 1 7 — 4 X 2 1 )2 0 2 - 4
调 度 问题 关 注 的重 点 ,是 如何 将有 限的资 源 分 了基 因转移 操作 ( T 【。G O的灵 感 , 自与 自然 G O)j T 5 来 配 给任 务 , 以提 高 资源 的利 用率 。众 所 周知 , 业 车 界 中细 菌之 间 的基 因链 转 移现 象 , 助 于这一 机 制 , 作 借
项 有确 定 的加 工 时间 的操 作在 台机 器 中 的一 台上 态 优化 以改进 B A算法 。 E

进行 , 而每 台机器一 次 最多可 以处理 一项操 作 。一旦
法昀 通过这些方法 , 。 基因可以通过转导方式 , 从单个 细菌 传 递 给其 他细 菌 ,最 终导 致整 个 细菌 种 群 的进 化 。除 D A传 递之 外 , N 突变在 进化 中起着 次要 作用 。 因为 在 选择 和基 因传递 操 作 中 ,一 些 潜在 的遗 传 物 质 可 能会丢 失 , 以突变是需 要 的 。受细 菌进化 的启 所 火、 禁忌搜索、 蚁群优化 、 免疫算法 、 遗传算法等 , 来 发 , 菌进 化算 法结 合 了细 菌 突变 与基 因转移 操 作 , 细 解 决 此 问题 。文 献【] 车 间作 业调 度 中所 用到 的优 1 对 般 步骤描 述如下 : 化技术 , 进行 了全面的调查。类似于遗传算法 , 细菌 ( ) 1步—— 随机 性初始 化 细菌种 群 。 1第 算 法 也是 求解 此 类组 合 优化 问题 的有 效 方法 ,但 是 ( ) 2 —— 细菌 突变 。 2 第 步 目前 很少 有研 究 者在 作 业车 间调 度 问题 的研 究 中应 () 3 3 第 步— — 转基 因操作 。 用 。现有两类 不 同的 细菌算 法得到发 展 , 即细菌趋 化 基 因的传 递操 作按 以下方 式进 行 : 性 算法 ( C 脚 细菌 进化 算法 ( E I。前 者模 拟 B A) 和 B A)J 4 首先 ,种群被排序并按照染色体 的适应 度值分 细 菌 对化 学 吸引 剂 的反应 方 式 ,而后 者则 模 拟微 生 成两等分。 拥有较好的适应度的一半个体 , 被称为优 物 进化 的 自然 现象 。 异 的一半 , 而另 一半则 称 为劣 质 的一半 。
空 间并 不是 一对 一 映射 的。
本 研 究采 用 基 于 操作 的编 码 ,是 用 来 保 证 搜 索
度 是 不 同 的。随后 , 源染 色体 的局 部 调度 计划 被传 递 给 目标 染 色体 , 以覆 盖其 局 部 调度 计 划 。值得 注 意 的
目标 染 色 体 交 换后 , 比原 来 的 可能 会 更 长或 者 更 空 间是 整 个 解决 方 案 的空 间 ,任 何 作 业 的置 换 均 可 是 , 短 ,这 样将 相 对 过 剩 的基 因删 除或 添 加 的 基 因而 得 以对应 一 个 可行 的调 度 计 划 。 对 种群 染 色 体 编 码 的 到一 个 可 行 的染 色 体 是 必 要 的 。下 面 以一个 随机 选 相 同数 量 作 业 的操 作 进 行命 名 ,然 后 按 照 在 给 定 染 取 的 4×4作 业 车 间为 例 。 假 设 色体 中发生 的顺 序进 行 解 释 。因此 , 于 n项 作业 和 对
个“ 良好 的部 分 ” 递 给 目标 染 色 体 , 传 以均 等 的 机
会 去 覆 盖不 太 好 的部 分 。这 一 过 程 中在所 有 染 色体 劣 质 的一 半 中重 复进 行 。
( )第 4步 —— 重 复 步 骤 ( )~( ) f ,N 4 1 3 Ni 次 n if 每一 代 “ n是 感染 ” 的数 量 。

某项操作开始在某台机器上运行 ,就必须在该机器 上不 问断地完成。 各项操作在机器上的排序 , 通常以 最 小化 最 大完 工 时间 为 目标进 行调 度 ,调度 计 划 包 括 可行和不 可行 的所 有可 能方案 [ n)。 1 ! 】 是( 作 业 车 间 调 度 问题 (SP 作 为 一 个 N JS ) P难 组合 问题[ , 2 随着 问题 规 模 的增 加 , 1 问题 的复 杂性 将 快 速 增长, 很难 在合 理 的时 问 内求解 。为此 , 多 研究 者 许 采用 了模仿 物理 过 程或 生 物现 象 的方法 ,如 模 拟退
( ) 5步—— 停 止 条 件 。如 果 满 足停 止 条 件 , 5第 就停 止 程 序 , 则 回到步骤 ( ) 否 2。
然 后 , 文 采 用 小 生境 策 略进 行 多模 态 优 化 , 本 每
个染 色 体 / 度 计 划 的适 应 度值 ( 大完 工 时 间 ) 调 最 根
据与 其他 个 体 的相 似性 重 新计 算 。 23 细 菌 的基 因互换 .
2 改 进 细 菌 进 化 算 法 的 应 用
本 节对 Leabharlann A算 法进 行 改进 ,用来 求 解 车 间作 业 E
调度 问题 的最 大完 工 时 间的最 优 解 。
21 随机 初始 化 种群 .
首先 , 种群 中的染色体 ( 将 即调 度 方 案 ) 据 其 根 最 大完 工 时 间 进行 排序 , 随后 将 种群 分 为两 等 份 : 优 越 的一 半 与 劣 质 的一 半 。源 染 色 体从 优 越 的 一半 中
3 1 4。 2 3 】显然其长度是比原来的短 , 4 2 而一个可行 的调 度计 划需 要 1 “ ” 因 , “ ” 因 。 由于源 个 1基 2个 3 基 22 计 算最 大 完 工时 间 . 1是整 体调 度 计划 例 如 现有 一 个 3×3的调 度 问题 , 相 应 的加 工 染 色体 的部 分 调度计 划 中 的基 因“ ” 其 中的 第 二个 “ ”所 以需 要 在 目标 染 色体 中局 部 调 度 1, 时 间 与作 业 路线 k分别 参 见表 1表 2 、 。 计 划 之前 增 加 一 个 “”然 后 在 目标染 色体 的局 部 调 1, 表 1 J -时 间表 jr n 表 2 作 业 路 线 表 度计 划 之前 或 之后 , 将两 个 基 因“ ” 换 , 3替 即可 得到 : D. Dl O2 3 3 目标 染 色 体 =[41 234 1 2431233 21 ] 4 1 2
度 问题 的基 于遗 传 算法 的交叉 操作 r 7 】 。
局 部 调度 计 划 分 别 从所 选 的源 染 色 体 和 目标 染
色体 中随 机 挑选 出来 。局 部 调 度计 划 确 定 在计 划 的
决 方案 空 间 中的局 部 空 间里 ,基 于作 业 的局 部 搜 索 第 一 个 和最后 一 个 位置 的作业 是 相 同 的。一 般来 说 , 与 基 于机 器 的计 划 是 相 对 应 的 ,但 是 编 码 空 间与 解 不 同 的局 部调 度 计 划 由于 包 含 不 同 的基 因 ,所 以长

出现 3次 。对 应 于作 业 1的机 器 排序 是 1 2 3 对应 ——, 于工作 2和 3的机 器排 序 分别 是 1 3 2和 2 1 3 -— —— 。 因此 ,这 个 调度 计 划 的相 关 机 器清 单 和 时 间表 清单 是
【 11 323 和 [ 31 ] 2 21 ] 3 32233。 3 5
个细菌不需要交叉操作 ,就可以快速地将遗传信 间调 度 问题 (SP 是生 产 调度 中最 复杂 和最 典 型 的 JS ) 问题 之一 , 注 的是 如何 在 各种 加工 条件 的约束 下 , 息传 播 给其他 细胞 。此 外 , 用 细菌突 变 以改 善 局部 关 采

而 则 找到 相关 机 器上 各项 作业 的最优 时 间安 排 , 目标是 能 力 , 利用 小 生 境技 术 , 可 获 得 多种 解 决 方 案 。 本 文 为解 决作 业 车 间单 目标 多解 调 度 问题 ,在 经 典 减少 总加工 时 间 , 以提 高生产 系统效率 。

B A 的基础上 , 提出“ 染色体环搜索 ” JS SP描述 如 下 : 给定项 作业 , 中每 项作 业包 括 细菌进化算法 (E ) 其 同 进行 多模 组 必须 按 照事 先确 定 的先 后顺 序进 行 的操 作 。每 算 子 用 于多元 搜 索 , 时采 用小 生境 方 案 ,
初始 整 数 字 符 串是 随机 生 成 的 。 编码 首 先 将 所 有 与
m 台机 器 的问题 ,一个 染 色体 中将 包 含 m ×n个 基 因。 每项 作业 在染 色 体 出现 m 次 , 且 每个 重 复 的基 并 因 / 数并 不 表示 一 项 作业 的具 体操 作 , 是 涉及 唯 整 但
随机 选 择 ,而 目标 染 色 体 则 从 劣 质 的一 半 中随机 选
择 。为取 代 B A算 法 中使 用 的 G O, 进 B A算法 E T 改 E
PE ) 基 于染 色体 的算 法 ( 遗 传 算 法 、 疫 算 法 ) 如 免 在 将 互 换交 叉 操 作 的局 部 调度 ( S C 应 用 于基 因的交 换 。 S C是 一 种 由 G n提 出 的用 于 解决 作业 车 间调 PE e 车间作业调度 中应用 的关键 ,是如何将 问题 的解决 方案 编 码 为染色 体 。许 多 文献 提 出了 多种 编码 方 式 , 如 作业 序列 表 编码 、 随机 密钥 编 码 、 取 图编 码 。大 析 多数 研 究采 用 的是 基 于操 作 的编码 嘲, 因为 在 整个 解
相关文档
最新文档