[发明专利]一种基于动态解码机制的柔性作业车间调度方法

说明书

一种基于动态解码机制的柔性作业车间调度方法。本发明涉及柔性作业车间调度技术领域。提出了一种采用改进MOGA进行求解，并融入改进的基于工件优先顺序交叉方法、基于插入变异方法及初始化种群策略，从而完成对多目标柔性作业车间调度的最优化设计的基于动态解码机制的柔性作业车间调度方法。本发明的技术方案为：按以下步骤进行操作：1)、建模；2)、初始化种群；3)、遗传操作；4)、更新外部Pareto解集。通过仿真实验证明，应用动态解码机制后，改进算法能够得到更加丰富的非支配解和质量更高的非支配解，进而完成对多目标柔性作业车间调度的最优化设计。

技术领域

本发明涉及柔性作业车间调度技术领域。

背景技术

作业车间调度问题是指n个工件在m台机器上加工，加工之前已经确定了每一个工件的加工工艺，每个工件的每一个工序都有特定的加工机器，指定工序的加工时间也是确定的，研究的目的是将所有工件的加工工序在机器上进行排序，优化特定的性能指标。然而柔性作业车间调度问题也是n个工件在m台机器上加工，有所不同的是，作业车间调度问题是每个工件的加工工序有固定的加工机器和加工时间。柔性作业车间调度问题工件的各个工序加工机器是不确定的，所有工序都有大于等于一台机器可以被选择来加工指定工序。也可以说，作业车间调度问题是柔性作业车间调度问题的一种特殊情况。柔性作业车间调度问题研究的目的是将所有工序进行排序以及将全部工序分配指定的加工机器，以满足该制造系统中的某些性能指标达到最优值。

以往算法在求解该问题时，通常对机器分配编码和工序排序编码仅仅采用遗传操作，包括交叉操作和变异操作，目的是使种群增加多样性，保持良好的性状。但是，交叉操作和变异操作的过程过于随机，仅通过改变交叉和变异概率不一定能够得到理想的优化结果。这样的操作没有根据种群当前所处的状态进行动态调整，进而导致算法的求解速度慢、求解精度差、容易陷入局部最优。

多目标遗传算法(Multi-Objective Genetic Algorithm II，MOGA)在处理多目标问题时具有极大的优势，对算法进行适当改进就能够得到优质的非支配解。本发明提出的动态解码机制可以根据当前种群情况，自动地调整相应参数，使种群中处于劣势的目标函数值，在接下来的迭代过程中得到更好地开发。并引导算法计算得到的Pareto解集朝着Pareto前沿的方向迭代，最终得到理想的优化结果。因此，如何选择进行优化的算法、如何改进算法以适应问题的求解以及如何设计可行解的解码机制是目前较大的技术难点。

发明内容

本发明针对以上问题，提出了一种采用改进MOGA进行求解，并融入改进的基于工件优先顺序交叉方法、基于插入变异方法及初始化种群策略，从而完成对多目标柔性作业车间调度的最优化设计的基于动态解码机制的柔性作业车间调度方法。

本发明的技术方案为：按以下步骤进行操作：

1)、建模：

1.1)、建立优化目标最大完工时间、总机器负荷及最大机器负荷的数学模型，确定其约束条件；

1.2)、采用Pareto支配处理可行解筛选问题；

1.3)、对MOGA离散化处理，采用基于工序的编码方式进行编码；

2)、初始化种群：

2.1)、初始化种群控制参数，包括种群数目SN、交叉概率p_c及变异概率p_m；

2.2)、对工序编码采用随机准则、最大工件操作时间剩余准则以及最大工件剩余工序准则，产生初始化的种群；

2.3)、应用动态解码机制解码，将种群中非支配解保存到外部Pareto解集；

3)、遗传操作：先应用锦标赛选择机制选择出种群相应的个体，判断后再进行遗传操作，遗传操作为交叉操作或变异操作；对遗传操作后产生的个体，应用Pareto支配保留优质的个体，重复进行SN次；