[发明专利]一种基于改进遗传算法的单件车间调度方法

说明书

本发明公开了一种基于改进遗传算法的单件车间调度方法。该方法的操作步骤为：（1）确定运行参数，包括种群规模、交叉概率、变异概率和迭代次数。（2）改进型的初始种群生成，将采用能动方法产生的个体与随机产生的个体以一定比例结合组成初始种群。（3）适应度计算，将个体对应调度方案总完工时间的倒数作为其适应度值。（4）选择操作，采用轮盘赌选择算子。（5）交叉操作，选用POX交叉算子。（6）变异算子，选用逆序变异算子。（7）终止判断，判断是否满足终止条件，满足则停止，输出最优调度方案，否则转至（3）。本发明提出的方法能够提高求解收敛速度，求解性能良好，对于单件车间的生产调度问题，具有很好的应用价值。

技术领域

本发明涉及一种基于改进遗传算法的单件车间调度方法，采用人工智能算法中的遗传算法求解单件车间调度问题。

背景技术

在生产作业计划中，产品的品种和数量在订单中是已知的，生产时间也可由工艺人员确定，但生产顺序的安排往往是难以合理确定的，确定工件的加工顺序以及分配相应的生产设备来对工件进行加工，这一过程称为作业排序或作业调度。作业调度的目的是通过为工件确定在机器上合理的加工顺序，优化生产过程，从而缩短生产周期，提高设备利用率。

车间作业调度问题的方法主要有：确定性最优化算法、基于启发式规则的构造性算法、人工智能算法等。其中确定性最优化算法包括数学规划法、分支定界法、拉格朗日松弛法等；基于启发式规则的构造性算法易于实现、计算复杂度低，被广泛应用；人工智能算法包括遗传算法、蚁群算法、禁忌搜索算法、免疫算法和神经网络算法等。

确定性最优化算法对小规模问题有效，对较大规模问题的计算时间难以接受；基于启发式规则的构造性算法对问题处理比较粗糙，得出的解质量通常不够好；而人工智能算法优化性能高，算法结构简单，通用性好，其中遗传算法因其自身优点，成为求解车间调度问题的研究热点之一。单件车间调度属于NP-hard问题，具有较高的复杂程度。遗传算法求解单件车间调度问题时，易出现早熟收敛现象，使进化寻优不理想，因此有必要展开研究，对遗传算法进行改进。

发明内容

本发明目的在于针对已有技术存在的缺陷，提供一种基于改进遗传算法的单件车间调度方法，能够提供好的调度方案，从而提高车间生产效率，缩短生产周期。

为达到上述目的，本发明采用以下技术方案：一种基于改进遗传算法的单件车间调度方法，其具体操作步骤如下：

步骤一，确定运行参数，

步骤二，改进型的初始种群生成，

步骤三，个体适应度计算，

步骤四，选择操作，

步骤五，交叉操作，

步骤六，变异操作，

步骤七，终止判别。

针对以上步骤进行具体说明如下：

步骤一、确定运行参数

遗传算法的运行参数：种群规模M一般取20~100，交叉概率Pc一般取0.4~0.99，变异概率Pm一般取0.0001~0.1，迭代次数一般取100~500。

步骤二、改进型的初始种群生成

初始种群的生成依靠编码得到工序码，基于工序的编码方法是：每个工件由相应的工件编号表示，相同工件编号出现的次序代表对应工件编号的工序。对于n个工件m道工序的排序问题，个体工序码有n×m个基因位，每个工件的工件编号只能出现m次，当对个体工序码从左到右读取时，同一个工件号出现的第k次表示此工件的第k道工序。如一个3工件2工序的问题，采用基于工序的编码方法随机生成一个个体工序码[1 3 2 2 1 3]，工序码中第二个位置上的数字3第一次出现，其含义为工件3的第一道工序；工序码中第六个位置上的数字3第二次出现，表示工件3的第二道工序。