[发明专利]一种基于蚁群算法的多目标工件调度算法

摘要

本发明公开了一种基于蚁群优化算法的工件调度方法，其特征是使用Pareto的多目标方法，在调度过程中通过工件特征对工件进行有效选择，优先利用低电价时间段进行生产，从而实现优化电力成本A和延迟程度B的两个目标。本发明通过本发明在工业分时电价背景的平行批处理机环境下，计算得到更好的工件调度方案，最大化企业资源的利用率及其对能源的使用效率，达到对企业生产过程中的成本控制和生产效果的优化，从而提高企业的市场竞争力。

主权项

1.一种基于蚁群优化算法的工件调度方法，其特征是应用在分时电价的生产条件下，将n个工件分批调度到K台相同的批处理机器上加工的调度方案中，所述调度方案是以电力成本A和延迟程度B为优化目标；所述分时电价为关于时间的阶梯函数，0时刻为高电价起点，高电价时段长度为U_H，高电价时段电力价格为C_H，低电价时段长度为U_L，低电价价格为C_L，每个高电价时段的结束时刻均为低电价时段的开始时刻，每个低电价时段的结束时刻均为高电价时段的开始时刻；记第j个工件的尺寸为s_j，第j个工件的到达时间为a_j，第j个工件的加工时长为p_j，第j个工件的截止时间为d_j，第j个工件的权重为w_j；第j个工件的开始加工时间为第j个工件的所在批的开始加工时间；第j个工件的完工时间为第j个工件的所在批的开始加工时间与所在批的加工时长之和；第j个工件的延迟时间为第j个工件完工时间与第j个工件的截止时间之差；当第j个工件的延迟时间为负数时，表示第j个工件未延迟，则令第j个工件延迟时间为“0”；1≤j≤n；记第b个批的加工时长P_b为第b个批中所有工件加工时长的最大值；第b个批的到达时间A_b为第b个批中所有工件到达时间的最大值；第b个批的完工时间E_b为第b个批的开始加工时间X_b与第b个批的加工时长P_b之和；第b个批的开始加工时间X_b为第b个批所在的批处理机器上的第b‑1个批的完工时间E_b‑1与第b个批的达到时间之间A_b的较大值；第b个批的截止时间D_b为第b个批中所有工件截止时间的最小值；记第k台批处理机器的加工功率为H_p，第k台批处理机器的待机功率为H_w，第k台批处理机器的容量记为η；第k台批处理机器的完工时间为第k台批处理机器上的最后一个批的完工时间；1≤k≤K；以所有工件的延迟时间乘以相应工件的权重之和来表示延迟程度B；以加工电力成本和待机电力成本的总和来表示电力成本A；所述加工电力成本为所有批处理机器的加工功率乘以加工时长乘以分时电价之和；所述待机电力成本为所有批处理机器的待机功率乘以待机时长乘以分时电价之和；所述工件调度方法是按照如下步骤进行：步骤1、对n个工件进行预分批，得到以电力成本A为优化目标的预调度方案，并计算相应预调度方案的电力成本值记为L_A；步骤2、对n个工件进行预分批，得到以延迟程度B为优化目标的预调度方案，并计算相应预调度方案的延迟程度值记为L_B；步骤3、使用式(1)和式(2)获得以电力成本A为优化目标的信息素的上限和下限式(1 )和式(2)中，ρ为信息素蒸发率，μ为算法所设定的参数值；同理获得，以延迟程度B为优化目标的信息素的上限和下限步骤4、初始化蚁群算法的参数：令L_max表示最大迭代次数，L表示当前迭代的次数；T表示蚂蚁总数，t表示每次迭代中第t只蚂蚁的编号；并初始化为L＝1；以电力成本值L_A作为从初始化到第L‑1次迭代的全局最小电力成本值以电力成本值L_A作为第L‑1次迭代的最小电力成本值以延迟程度值L_B作为从初始化到第L‑1次迭代的全局最小延迟程度值以延迟程度值L_B作为第L‑1次迭代的最小延迟程度值建立以电力成本A为优化目标的信息素矩阵，并初始化相应信息素矩阵中每个元素的值为得到第L‑1次迭代的电力成本A的信息素矩阵；记第L‑1次迭代的电力成本A的信息素矩阵中第i行第j列的元素为1≤i,j≤n；建立以延迟程度B为优化目标的信息素矩阵，并初始化相应信息素矩阵中每个元素的值为得到第L‑1次迭代的延迟程度B的信息素矩阵；记第L‑1次迭代的延迟程度B的信息素矩阵中第i行第j列的元素为1≤i,j≤n；利用式(3)和式(4))分别获得第t只蚂蚁的电力成本A的目标偏好F_t^A和延迟程度B的目标偏好F_t^B，从而获得所有蚂蚁的电力成本A的目标偏好和延迟程度B的目标偏好：F_t^B＝1‑F_t^A  (4)步骤5、初始化t＝1；步骤6、构建第L次迭代第t只蚂蚁的调度方案；步骤7、对第L次迭代第t只蚂蚁的调度方案进行优化，得到改进的调度方案；步骤8、令t+1赋值给t，并判断t＞T是否成立，若成立，则执行步骤9；否则，执行步骤6；步骤9、分别计算第L次迭代所有蚂蚁的调度方案的电力成本值A和延迟程度值B；选取第L次迭代中最小的电力成本值赋值给并将与作比较，选取较小值作为从初始化到第L次迭代的全局最优电力成本从而根据利用式(1 )和式(2 )更新电力成本A的信息素的上限和下限得到第L次迭代的电力成本A的信息素的上限和下限选取第L次迭代中最小的延迟程度值赋值给并将与作比较，选取较小值作为从初始化到第L次迭代的全局最优延迟程度从而根据同理获得，第L次迭代的延迟程度B的信息素的上限和下限步骤10、以所述第L次迭代的电力成本A的信息素的上限和下限的约束下，利用更新第L‑1次迭代的电力成本A的信息素矩阵，得到第L次迭代的电力成本A的信息素矩阵；以所述第L次迭代的延迟程度B的信息素的上限和下限的约束下，利用更新第L‑1次迭代的延迟程度B的信息素矩阵，得到第L次迭代的延迟程度B的信息素矩阵；步骤11、将所述第L次迭代的所有蚂蚁的调度方案加入第L次迭代的解集中，从所述第L次迭代的解集中删除Pareto被支配解对应的工件调度方案，从而更新所述第L次迭代的解集并作为第L+1次迭代的解集；步骤12、令L+1赋值给L，并判断L＞L_max是否成立，若成立，则输出第L次迭代的解集作为全局最优调度方案；否则，执行步骤5。