[发明专利]针对多目标优化问题的导引式局部搜索遗传算法

说明书

所属技术领域

本发明涉及作业车间领域，具体地涉及用算法求解多目标柔性作业车间调度问题。

背景技术

柔性作业车间调度问题是经典作业车间调度问题的延伸，每一道工序允许在一组给定的设备上加工。因此柔性作业车间调度问题，除了确定每一台设备上的工序加工顺序以外，还需要为每一道工序分配一台合适的设备。柔性作业车间调度问题属于NP—Hard问题。在现实生产中，往往还需要面对优化多个目标，并且每个目标之间相互影响和冲突。因此，一般地多目标问题不存在一个唯一的最优解对所有的目标都是最好的。目前，已经有很多技术用来解决柔性作业车间调度问题和多目标优化问题，其中进化算法、局部搜索、综合性算法等方式都取得了很好的结果，但时间和空间复杂度的问题还需进一步解决。随机加权法在多目标问题中也广泛应用，但是权值并不能完全代表问题的重要性，不能准确满足现实需求。针对这些不足，本发明提出一种导引式的局部搜索算法，结合遗传算法和非支配排序策略解多目标优化问题。

发明内容

针对上述不足，本发明要解决的问题是提供一种导引式局部搜索算法，结合遗传算法和非支配排序策略解多目标优化问题。

本算法的目标是：第一.解决遗传算法在遗传操作过程中近亲不断交叉繁衍导致收敛过快，种群多样性不足；第二.柔性作业车间问题的一个给定方案，它的邻域通常通过从一台设备上移动工序到另一台设备上获得，但是并不是所有的移动都会改进当前解；第三.枚举完所有的邻域解计算成本很高；第四.随机加权的方式不能很好地解决多目标问题。

本发明针对其技术问题采用的技术方案是：第一.交叉变异之前计算近亲指数和变异率，局部搜索得到的解只对子代中部分最差的解做替换；第二.通过移动关键路径上关键工序，并根据移动对优化目标影响限制移动方向；第三.只对一部分的解进行邻域搜索；第四.快速非支配排序法选择Pareto最优解，相同等级的解通过拥挤距离选择。

该技术方案的实施步骤如下：

步骤1：采用随机的方法分别产生染色体的工序顺序和设备选择两个部分作为初始解，初始种群规模为N；

步骤2：判断是否达到最大迭代次数，达到则返回Pareto最优解，结束；未达到则执行下一步骤；

步骤3：将当前的解与精英记忆中的解组合，应用快速非支配排序和拥挤距离评估组合中的个体，前N个最优解会用来更新当前解；

步骤4：对评估后的个体用非支配排序得到不同等级的个体，优先选择等级较低即支配的个体参与进化，用拥挤距离的策略来选择参与进化的个体；

步骤5：基因进行交叉之前，对将进行交叉的两个染色体的血缘关系进行计算，并根据血缘关系计算新产生染色体的变异率，从而避免算法早熟；

步骤6：以交叉概率p_c对选择的染色体进行交叉操作；

步骤7：以变异概率v进行变异操作

步骤8：导引式局部搜索：

步骤8.1：解码子代种群，应用快速非支配法将子代种群排序，选择子代种群中x％的最优解执行导引式局部搜索；

步骤8.2：解码导引式局部搜索的解，应用快速非支配法将他们排序，用向导性搜索的最好的解替换子代种群中y％的最差的解；

步骤9：选择子代种群中等级排名为1的解更新精英记忆；

步骤10：返回步骤2判断最大迭代次数，循环；

本发明的有益效果是：第一.动态的变异率通过在收敛的后期增加变异概率保证了种群的多样性，且导引式局部搜索的最优解只对子代的部分最差个体进行替换，也避免了算法早熟；第二.通过限定局部搜索的方向和范围，避免了很多不必要的移动，大大减小了计算成本；第三.只对子代种群中的部分解做局部搜索，控制了计算时间和空间；第四.快速非支配排序和拥挤距离选择方式对多目标优化问题更有效，获得的Pareto最优解使多个目标都能同时更优。

附图说明

图1表示本算法的流程图

图2表示一个3个工件3台设备的柔性作业车间问题实例。

图3表示本发明算法的编码方式示例。

图4表示两个染色体交叉的过程图示说明。

图5表示一个染色体编译过程图示说明。

图6表示选择x％的个体进行导引式局部搜索的图示说明。

图7局部搜索中关键工序插入位置图示说明。

具体实施方式