[发明专利]一种基于抽象凸自适应策略的生产排产调度优化方法

摘要

一种基于抽象凸自适应策略的生产排产调度优化方法，包括以下步骤1)模型建立生产排产问题的求解是在满足工艺约束的条件下，确定每台机器上工序的加工顺序以及加工起终时间，以最大完成时间最小为目标建立目标函数；2)编码；3)初始化；4)种群个体估计值；5)状态评价因子；6)判定进化阶段；7)变异操作；8)交叉操作；9)解码；10)选择操作；11)判断是否满足终止条件，如果满足则终止，并输出全局最优解。本发明提供一种基于抽象凸自适应策略的生产排产调度优化方法，通过设计状态评价因子自适应判定种群个体所处阶段，实现特定阶段变异策略的反馈调节，使得该算法能够快速有效地求解出最佳排产方案。

主权项

一种基于抽象凸自适应策略的生产排产调度优化方法，其特征在于：所述优化方法包括以下步骤：1)模型建立：生产排产问题的求解是在满足工艺约束的条件下，确定每台设备上工序的加工顺序以及加工起终时间，以最大完成时间最小为目标建立目标函数：f=min{maxi=1n{maxh=1mLih}}---(1)]]>约束条件：Lir-Wir+A(1-xikr1)≥LikLjr-Lir+A(1-xijk2)≥WjrLir≥0xikr1=0or1xijr2=0or1---(2)]]>其中，i、j表示工件号，k、r表示设备号，Lir和Wir分别表示第i个工件在r台设备上的完成时间和加工时间；A是一个足够大的正数；约束设备的加工顺序，表明若设备k在设备r之前对工件i进行加工，则取1，反之取0；约束工序的加工顺序，表明若工件i在工件j之前在设备r上进行加工，则取1，反之取0；2)编码：将排产定义为所有工序的一个排序序列，在基于工序的编码基础上，记录DE个体向量中各工序的位置，即在n个工件，m个设备的生产排产中，对所有工序进行升序排列，工序数为n*m，其中1到m为第1个工件的工序，m+1到2m为第2工件的工序，以此类推，故每个数字均只出现一次，从而将DE个体向量由基于工序的离散编码转化为记录工序位置的连续编码；3)初始化：初始种群P＝{x1,g,x2,g,...,xNp,g}通过对编码后的工序随机排列产生，其中，g为进化代数，xi,g,i＝1,2,...,Np表示第g代种群中的第i个个体，若g＝0，则表示初始种群，设置种群规模NP，交叉概率CR，缩放因子F和常数C，输入加工设备表M和工时表T；4)获取种群个体的估计值，过程如下：4.1)将当前种群所有个体按适应值升序排列，筛选出前K(K＜Np)个个体为采样个体，记为x′k,g,k＝1,2,...,K，表示第g代种群中K个采样个体中的第k个个体；4.2)基于采样个体x′k,g，根据公式(3)建立支撑向量，进而建立如公式(4)所示的抽象凸估计模型：lk,g=(f(x′k,g)C-x1′k,g,f(x′k,g)C-x2′k,g,...,f(x′k,g)C-xN+1′k,g)---(3)]]>H(xi,g)=maxk=1,...,Kminj∈IC(ljk,g+xji,g)---(4)]]>其中，为支撑向量lk,g的第j维，f(x′k,g)为采样个体x′k,g的目标函数值，C为Lipchitz常数；4.3)根据公式(4)计算当前种群所有个体的估计值ui,g＝H(xi,g),i＝1,...,Np；5)建立状态评价因子，过程如下：5.1)获取种群个体的估计值与适应值，根据公式(5)计算当前种群的平均估计误差E‾g=1NpΣi=1Np|fi,g-ui,g|---(5)]]>其中，fi,g为种群个体xi,g的目标函数值，ui,g为种群个体xi,g的估计值；5.2)根据公式(6)计算状态评价因子J：J=E‾g-E‾minE‾max-E‾min---(6)]]>其中，为最小平均估计误差，取其值为零；为最大平均估计误差，将其初始值设置为初代种群的平均估计误差，随着迭代的进行，不断更新6)根据公式(7)判定个体所处于的进化阶段Ψ：Ψ=S1,rand(0,1)<JS2,otherwise---(7)]]>其中，S1表示全局探测阶段，S2表示局部增强阶段，rand(0,1)表示0和1之间的随机数；7)变异操作，过程如下：7.1)当种群个体处于阶段S1时，采用如下DE/rand/1策略生成变异个体：vji,g=vjr1,g+F·(vjr2,g-vjr3,g)---(8)]]>其中，j＝1,2,…,n*m，r1,r2,r3∈{1,2,...,Np}，r1≠r2≠r3≠i，为第g代种群中第i个变异个体的第j维元素，分别为第g代种群中第r1、r2、r3个个体的第j维元素，F为缩放因子；7.2)当种群个体处于阶段S2时，采用如下DE/Krand/1策略生成变异个体：vji,g=vji,g+F·(vjr1,g-vjr2,g)+F·(vjkrand,g-vji,g)---(9)]]>其中，为第g代种群K个采样个体中随机选取个体的第j维元素；7.3)根据编码的设计规则，如果产生的变异个体不符合编码规则，则重新生成，直至生成符合编码规则的变异个体为止；8)交叉操作，过程如下：8.1)采用二项式交叉生成试验个体：trialji,g=vji,gif(randb(0,1)≤CRorj=rnbr(j)xji,gotherwise---(10)]]>其中，j＝1,2,…,N，表示第g代种群中第i个目标个体对应的试验个体的第j维元素，randb(0,1)表示随机产生0到1之间的小数，rnbr(j)表示随机产生1到N之间的整数，CR为交叉概率；8.2)如果试验个体不符合编码规则及范围限制，则循环步骤7)和8)，直至产生可行的试验个体；9)解码，过程如下：9.1)将试验个体解码为基于工序的加工序列O[r]＝[Oij]，r∈[1,n*m]，i为工件号，j为工序号，初始r置为0；将设备号矩阵M和工时矩阵T转化为对应工序顺序的一维向量；设置一维向量t，其中元素t[k]，k∈m记录第k个设备的当前允许加工时间，初始置零；另外设置一维向量ts和tf记录每个工序的开始和结束时间，初始置零；9.2)如果j＝1，令工序O[r]的开始时间ts[r]＝t[k]，进而求解工序O[r]的结束时间tf[r]＝ts[r]+T[r]，更新t[k]＝tf[r]，否则，转至9.3)；9.3)以工序O[r]为起点，向前搜索该工序O[r]所属工件的前一道工序，记录其结束时间；另外，记录该工序O[r]所属设备的当前允许加工时间；取二者的较大者置为该工序O[r]的开始时间ts[r]，进而求解工序O[r]的结束时间tf[r]＝ts[r]+T[r]，更新t[k]＝tf[r]；9.4)r＝r+1，返回9.2)；10)选择操作：经步骤9)计算，取为目标值，如果试验个体优于目标个体，则试验个体替换目标个体，否则保持目标个体不变；11)判断是否满足终止条件，如果满足则终止，并输出全局最优解。