[发明专利]一种基于粒子群退火算法的电子精密件柔性车间排程方法

权利要求书

1.一种基于粒子群退火混合算法的柔性车间生产排程方法，该方法包括：

步骤1：建立电子精密件柔性车间多目标多约束生产排程模型；

步骤1.1：确定约束模型；

根据电子精密件车间的工序-设备-性能表和加工工件的工序清单，确定其所有柔性作业的约束；

步骤1.2：确定所有目标值；

步骤1.3：根据不确定性，确定各工位的随机工时；

步骤2：建立目标函数F；

其中，x_i表示目标值，i＝1,2,…,r，r表示目标值的个数，和表示对应目标值的满意值和不满意值，z_i表示各目标的权值系数；

记录各目标值得得分F[i]＝z_if_i；

步骤3：以目标函数F为适应度，基于模拟退火温度控制粒子群惯性权值变化的方法求解目标函数的最优解集；

步骤3.1：定义编码X

X＝[n₁₁ n₂₁ n₁₂ n₂₂…n_ij…|v₁₁ v₂₁ v₁₂ v₂₂…v_ij…|m₁₁ m₂₁ m₁₂ m₂₂…m_ij…]

其中，n_ij代表第i号工件的第j号工序，v_ij代表第i号工件的第j号工序的优先值，m_ij代表第i号工件的第j号工序选择机器的选择值，每一段长度为N，总长度为3N；

步骤3.2：随机生成初始种群，以此计算初始适应度，并初始化温度T和惯性权值w；

步骤3.3：调整退火温度和惯性权值；

g_best为当前代最优粒子的值，g_avr为当前带所有粒子的平均值，则温度计算公式如下：

惯性权值的取值范围设为(a，b)，由于T值前期大后期小，符合惯性权值变化特性，故将其归一化到(a，b)上；

步骤3.4：更新外部解集库；

根据粒子的各目标值，按照整体最优和主目标最优的原则，更新外部解集库；保优去劣，并排序；分多个集合，第一个是整体最优集合，另外多个为主目标最优集合，其中P_m代表整体最优的粒子，P_i代表目标最优的粒子，P_set为粒子集合，表示如下：

P_set{P_m,P₁,P₂…P_r}

迭代整体最优集合时，比较粒子的整体得分值，其中P_new为新粒子，F_m为例子m的整体得分值，F_newM为新粒子的整体得分值，执行如下：

P_m＝P_new,F_m＜F_newM

迭代主目标最优集合时，比较粒子的在该目标上的得分值，其中F_new[i]代表新粒子在第i个目标上的得分值，执行如下：

P_i＝P_new,F[i]＜F_new[i]

步骤3.5：更新位置和公式；

V_id＝w*V_id+C₁Random(0,1)(P_id-X_id)+C₂Random(0,1)(P_gd-X_gd)

X_id＝X_id+V_id*1

V_id代表第i个粒子的第d维的更新速度，其中P_id代表第i个粒子的个体极值的第d维，P_gd代表全局最优解的第d维；w称为惯性因子其值非负，C₁、C₂称为加速常数，前者为每个粒子的个体学习因子，后者为每个粒子的社会学习因子；X_id代表第i个的第d维的位置参数；

步骤3.6：更新P_id个体极值，P_gd全局极值；

P_id＝P_id(max)

P_gd＝P_gd(max)

步骤3.7：计算适应度的变化值；

dF＝F_new-F_old

步骤3.8：根据适应度变化以判断是否接收新值，其中dF为得分值的变化量，dT为温度值的变化量；e为自然数，Random(0,1)代表一个大于0小于1的随机数；

当dF0时，

X_id＝X_id+V_id*1

当dF＜0时，

步骤3.9：终止条件；

根据所有粒子适应度的方差和最大收敛次数，如果同时满足下列公式，则终止迭代，如果没有同时满足，则返回步骤3.3；其中δ²代表粒子的距离方差，C(δ²)为设定的方差常数，θ为当前保留的所有粒子数量，N_cur为当前迭代次数，N_max为最大迭代次数；

步骤3.10：执行排程；

整个流程构建完毕之后，进入执行阶段，输入项为目标值的满意的上下限值，输出项为一组粒子编码和具体结果参数，最后需要按照粒子编码生成甘特图，完成排程。