[发明专利]一种求解零等待流水车间调度问题的改进粒子群优化方法

说明书

本发明公开了一种求解零等待流水车间调度问题的改进粒子群优化方法，首先参数初始化和种群初始化，生成初始工件序列，然后使用阶乘编码方法，将所有排列映射至整数构成初始种群，最后，随机生成可行的初始速度集；移动粒子；通过原始PSO种群更新策略更新种群，将新的种群映射到相应的工件序列，并评估每个新工件序列的完工时间。使用改进的变邻域搜索算法进行局部搜索，并将搜索得到的结果替换；使用种群自适应算子PA增加种群的多样性；检查终止条件，如果终止条件满足，停止，返回变量的值和相应的序列作为最终的解，否则继续更新粒子速度。本发明的有益效果是改进了粒子群优化算法，提升了全局搜索能力，避免了过早收敛。

技术领域

本发明属于流水车间调度算法技术领域，具体涉及用算法求解零等待流水车间调度问题。

背景技术

调度问题通常是指在规定的时间内，怎样利用现有的资源进行合理地安排生产，从而实现生产效益的最大化。车间调度问题是调度问题的一个子集，是企业进行生产计划与控制的一个重要组成部分，是帮助企业提高自己竞争力的关键因素。随着科学技术的不断发展，元启发式方法被提出，该方法的成功取决于他们提供探索(多样化)和开发(强化)之间的平衡的能力。根据他们的搜索策略，元启发式方法可以分为两类：一种是基于单一解的局部搜索算法，包括模拟退火算法，禁忌搜索。另一种是基于种群的有学习部分的搜索算法，包括克隆优化算法、粒子群优化算法、遗传算法、免疫算法。一般而言，基于单一解的启发式算法表现更多的局部搜索能力，而基于种群的启发式算法拥有更多的全局搜索能力。

Eberhart和Kennedy在1995年提出的粒子群优化算法(PSO，Particle SwarmOptimization)是一种群体智能算法，它模拟群体行为，如鸟类群落和鱼群。PSO最初被用来优化各种连续的非线性函数。由于其结构简单且搜索效率高，PSO作为一种被广泛采用的优化技术，已经被成功应用于许多现实问题，包括NWFSP等组合优化问题。一些学者修改了PSO的主要算子以适应工件序列。另一些则使用新的表示方式来代替工件排列表示，通常引入编码方法来将离散解映射到连续域。常见的编码规则包括RK(random-key)，LOV(largest-order-value)，SOV(smallest-order-value)，LRV(largest-ranked-value)和SPV(smallest-position-value)等。虽然这些编码规则表现出了良好的性能，但编码效率是通常较低。另外，这些编码规则下的搜索空间并不能完全适应原本应用于连续空间的演化算法，例如PSO。

本发明要解决的技术问题是：针对传统粒子群算法初期收敛速度快，而在后期容易陷入早熟、局部最优，且PSO适用于连续解空间；以及阶乘码表示方法能将零等待流水车间调度问题(No-wait Flow Shop SchedulingProblem，NWFSP)中的离散解映射至连续整数空间的能力。提出在阶乘码表示的NWFSP下对原始的PSO算法进行改进，优化PSO求解NWFSP的性能。

发明内容

本发明的目的在于提供一种求解零等待流水车间调度问题的改进粒子群优化方法，解决了针对传统粒子群算法初期收敛速度快，而在后期容易陷入早熟、局部最优的问题。

本发明技术方案包括以下步骤：

步骤1：参数初始化；

设置控制参数的值：MRT为最大运行时间限制，c₁和c₂为速度常数，W_min和w_max影响惯性重量的参数，c＝0是种群距离未变化次数，g＝1为当前的迭代次数；

步骤2：种群初始化；

使用NN+NEH生成初始工件序列，NN和NEH是两种流行的启发式算法。评估其适应度值得到当前最优解pbest，历史最优解gbest＝pbest，种群之间的欧氏距离D₀，然后使用阶乘编码方法，将所有排列映射至整数构成初始种群，最后，随机生成可行的初始速度集；