[发明专利]一种基于改进灰狼算法的柔性作业车间调度方法

说明书

本发明公开了一种基于改进灰狼算法的柔性作业车间调度方法，首先构建柔性作业车间调度问题模型，并对车间设备以及工序进行编码、创建外部档案以及设置灰狼算法的参数。其次通过结合混沌映射和对立学习的扩展型GLR方法生成初始种群，评价该种群中的所有个体，确定决策层个体，并更新外部档案。最后判断是否满足算法终止条件，是则算法结束，得到柔性作业车间设备编码以及对应的工序编码排序，否则判断由收敛因子计算得到的系数向量A的绝对值是否大于等于1，进行更新位置，直到算法结束。本发明提高了在柔性作业车间上的表现，解决了传统群智能优化算法存在收敛速度慢，容易陷入到局部最优的问题。

技术领域

本发明涉及柔性作业车间调度技术领域，具体涉及一种基于改进灰狼算法的柔性作业车间调度方法。

背景技术

柔性作业车间调度问题(Flexible Job-shop Scheduling Problem，FJSP)是作业车间调度问题(Job-shop Scheduling Problem，JSP)的发展。作业车间调度问题需要考虑工序排序；柔性作业车间调度问题不仅要考虑工序排序，而且要对不同工序的加工机器进行选择。近几年来，群智优化算法在求解FJSP问题时得到了广泛的发展和应用。但是传统的群智能优化算法存在收敛速度慢，容易陷入到局部最优等问题。

同大多数群智能优化算法一样，灰狼算法也容易在迭代后期陷入局部最优，此时如何协调算法的局部搜索就显得尤为关键，虽然目前灰狼优化算法已经应用于一些领域并且有着良好的表现，但在车间调度领域应用还较少，实际应用中仍存在一些问题：灰狼算法的迭代优化过程，与每次迭代的前三个最优个体的位置息息相关，所以，在随着迭代的不断进行，陷入局部最优的几率也逐渐上升，这就要求找到合适的、优秀的跳出局部最优的方法。

而且，灰狼算法与其他群智能优化算法相同，有自己的收敛因子a，根据此收敛因子a控制着灰狼算法在求解最优值时，是进行局部的搜索，还是进行全局的搜索。但是由于灰狼算法的收敛因子是线性递减的，虽然一定程度上简化了算法的复杂性，但是也对算法的性能产生了不小的影响。

发明内容

针对上述技术存在的问题，本发明提供了一种基于改进灰狼算法的柔性作业车间调度的方法，解决了算法收敛速度慢，容易陷入局部最优的问题，提高了调度结果的精度。

一种基于改进灰狼算法的柔性作业车间调度方法，具体按照以下步骤实施：

步骤一：构建柔性作业车间调度问题模型：包括柔性作业车间调度问题描述、模型假设。

步骤二：对车间设备以及所需加工的工序进行编码，采用基于工序编码和设备编码的自然数两段式编码；创建空的外部档案A0来保存目前的种群情况，规模为N'；设置灰狼算法的参数：初始种群规模N，当前迭代次数t，最大迭代次数t_max。

步骤三：采用通过结合混沌映射和对立学习的扩展型GLR(全局，局部，随机)方法生成规模为N的初始种群。

步骤四：将当前种群与外部档案合并，计算合并后种群中个体的适应度值来评价该种群中的所有个体，确定决策层个体α、β和γ，并更新外部档案。

步骤五：判断是否满足灰狼算法终止条件：t＝t _max，是则转到步骤八，否则执行步骤六。

步骤六：判断由收敛因子计算得到的系数向量A的绝对值是否大于等于1，如果为是则全局搜索，采用Levy飞行更新位置。如果为否，则根据灰狼算法的位置更新方法更新位置。

步骤七：在灰狼算法进行的寻优的阶段，种群个体以当前最优个体为基准来更新自己的位置，对较优个体进行局部搜索可以较大提升算法求解精度和收敛速度。所以采用结合三种领域搜索算法的方式，进行局部搜索。并生成新一代灰狼种群，然后转步骤四，进行下一次迭代。