[发明专利]基于平衡指标自适应进化的跨域协同车间动态调度方法

说明书

本发明公开了一种基于平衡指标自适应进化的跨域协同车间动态调度方法，涉及车间动态调度技术领域。具体步骤包括如下：对待调度任务进行离散间接编码；完成所述离散间接编码后，对编码进行遍历从而转换序列，采用基于交换序列的算子产生新的编码个体；采用基于平衡指标的自适应进化策略对所述编码个体进行评价约束，评价结果作为父代个体选择以及局部搜索选择的指标。本发明通过设计离散间接变量编码形式，避免了不可行解的生成从而提高了算法的求解速度；而基于交换序的新解生成算子，能够快速高效的生成个体。同时结合基于平衡指标自适应进化策略，使算法应用于不同场景下的调度问题效果稳定，具有良好的求解速度。

技术领域

本发明涉及车间动态调度技术领域，更具体的说是涉及一种基于平衡指标自适应进化的跨域协同车间动态调度方法。

背景技术

由于不同制造领域具有一定的相似性，在分布式车间环境中各领域的互补增效使得跨域协同效果良好。而任务与环境都可能出现动态变化及跨域协同场景的复杂特性，使得传统方法难以实现跨域协同的分布式车间动态调度。

在现有技术中，一些方法考虑使用传统算法改进与其他算法相结合的思想用于动态调度。由于这类算法对场景进行简化而对不考虑相关问题的异构性，难以对分布式车间环境进行细化求解，无法实现资源的合理均衡利用。在跨域协同优化问题中，问题通常有不确定因素较多的特点，上述算法在求解过程中鲁棒性较差，难以满足自适应要求。

还有一些方法考虑使用强化学习和深度学习模型预测任务需求，并对小批量独立任务或流程型任务进行调度。现有的强化学习算法通过与深度神经网络结合，并利用用户需求的变化和物联网设备的移动性等工业大数据进行模型训练，设计了具有一部分的强化学习模型用于分布式车间动态调度问题。但是，现有的强化学习模型只适用于特定场景；当任务、资源、环境和调度目标发生改变时，模型就不具适用性，需要针对新的场景重新训练，因此基于强化学习的动态调度算法存在难以自适应的问题，并且强化学习不需要先验知识，且需要大量数据支撑进行模型训练，使得模型学习效率低，时间长。

因此，对本领域技术人员来说，如何解决动态调度算法存在的自适应性较差和求解速度慢的缺点是亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种基于平衡指标自适应进化的跨域协同车间动态调度方法，以解决背景技术中存在的问题。

为了实现上述目的，本发明采用如下技术方案：一种基于平衡指标自适应进化的跨域协同车间动态调度方法，具体步骤包括如下：

对待调度任务进行离散间接编码；

完成所述离散间接编码后，对编码进行遍历从而转换序列，采用基于交换序列的算子产生新的编码个体；

采用基于平衡指标的自适应进化策略对所述编码个体进行评价约束，评价结果作为父代个体选择以及局部搜索选择的指标。

可选的，所述离散间接编码的具体过程为：当有n个计算任务和m个制造任务待调度时，将编码位分为制造任务和计算任务两部分，两段的长度分别为n和m，取值分别为0～(n-1)和0～(m-1)之间的正整数，且覆盖取值范围内的全部正整数。

可选的，交换序列的操作过程为：选择Pop1和Pop2为父代个体，分别作为实现对象和参考对象，交换概率设置为0.5；遍历Pop1中的每一个编码位上的数值，在Pop2中寻找所在位置，以0.5的概率获取交换对，最终得到Pop2到Pop1的交换对序列，依据所述交换对序列对个体进行操作，得到新的编码个体。

可选的，所述基于平衡指标的自适应进化策略为：

分别计算种群中每个个体的多样性分量和收敛性分量；

将所述多样性分量与所述收敛性分量加权得到平衡指标；

将种群个体按照平衡指标值增序排序，选出种群平衡指标最小的第一个体，并通过轮盘赌策略选出第二个体。