CN105843197A - 基于教与学算法的离散制造车间静态调度优化*** - Google Patents

Abstract

本发明公开了一种基于教与学算法的离散制造车间静态调度优化***，其包括数据服务器、运算服务器、终端显示屏，所述运算服务器中嵌入有调度优化客户端，调度优化客户端通过对加工任务的分析，以及参考数据服务器的各项详细信息，对当日加工任务通过优化算法做一个合理的调度安排，具体优化算法采用教与学优化算法；将生成的调度方案进行解码，根据编码时对学生双层的定义，进行反编译，依次将工件的加工机床和加工顺序表示出来；最终将优化过的调度方案显示到终端显示屏上，使车间生产人员以及管理人员能够实时的了解当前具体的加工任务安排情况。本发明采用的教与学优化算法具有收敛速度快、寻优能力强的优点；也更加适应实际生产中的复杂情况。

Description

基于教与学算法的离散制造车间静态调度优化***

技术领域

本发明涉及离散制造车间调度技术领域，具体是一种基于教与学算法的离散制造车间静态调度优化***。

背景技术

21世纪制造业竞争日益激烈，企业在获得极大发展空间的同时，也承受着威胁和挑战。决定企业核心竞争力的因素体现在企业所提供的产品上。要求产品高质量、低价格、短交货期，且能不断适应多变的市场和个性化的客户需求，这对企业制造车间生产作业计划和均衡生产都提出了更高的要求。当前离散制造车间生产过程中，存在机床待机时间过长、零件生产安排不合理等问题，因此车间生产前的静态调度安排显得十分必要，合理的静态调度安排利于制造过程的能效的提高，符合企业的核心利益。当前学术界，对于制造车间的调度安排已经展开了广泛的研究，产生了多种理论算法，由于缺乏对实际生产环境的了解，现阶段多数算法不能直接应用于离散制造车间静态调度中，因此，采用合理的算法应用到制造车间，从而达到减小工时和生产耗能，是研究的关键点。

发明内容

针对现有技术的不足之处，本发明结合教与学算法的优势，经过部分改进将其应用到制造车间静态调度中，提出一种离散制造车间静态调度优化***，从而达到提高能效的结果。

按照本发明提供的技术方案，所述基于教与学算法的离散制造车间静态调度优化***包括数据服务器、运算服务器、终端显示屏；所述数据服务器，收集制造车间机床的加工耗能、耗时和待机情况，实时统计车间的加工情况，对车间的机床的生产耗能数据进行实时跟踪，同时对机床的加工情况和工人的出勤情况进行统计；所述运算服务器中嵌入有调度优化客户端，调度优化客户端通过对加工任务的分析，以及参考数据服务器的各项详细信息，对当日加工任务通过优化算法做一个合理的调度安排，具体优化算法采用教与学优化算法，所述调度优化客户端的构建方法如下：

步骤一、确定离散制造车间调度优化的目标函数；

以制造车间机床最大加工时间最小和总耗能最小为目标函数，采用加权的方法对两个目标函数进行融合，融合的值取最小时，达到调度要求，即

FM＝min(max(FM_i))

(1)

$WM=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{wm}}_i---\left(2\right)$

min(W)＝u₁FM+u₂WM (3)

FM_i——所有工件在机床M_i上的完工时间；

FM——所有工件的最后完工时间；

wm_i——所有工件在机床M_i的耗能量；

WM——所有机床的总耗能量；

i——为大于0的正整数变量；

n——机床总量；

min(W)——两个目标函数的最终加权值；

u₁、u₂——两个加权值，根据企业实际需要取值；

进行排产时，调度优化算法需要满足以下约束条件：

1.1、某道工序在某一时刻只能用同一台机器进行加工；

1.2、某个工件的一道工序一旦开始加工，在该工序完成之前不能随意终止；

1.3、在零时刻所有工件的加工优先级都相同；

1.4、不同工件的各工序之间的加工顺序优先级相同，同一工件的各工序的加工必须按照之前约定好的加工顺序；

步骤二、采用改进教与学优化算法求解上述目标函数，具体求解过程包括：

步骤2.1、编码：每个调度方案代表一个学生，学生的成绩采用双层设计的方式进行定义，第一层定义为工序层，表示第i个零件的各个工序；第二层定义为机器层，表示第i个零件的工序加工时的机器；

步骤2.2、参数初始化：根据机床的数量和零件的加工任务对教与学优化算法中的学生进行初始化；

步骤2.3、基于改进教与学算法进行求解目标函数，输出最优调度方案；

所述改进教与学算法的运行过程包括老师的“教”过程、学生的“学”过程以及更新阶段；

a、老师的“教”过程中，假定学生为X^j，两个目标函数的最终加权值定义为f(Xⁱ)，

j＝1，2，3，...，N，i∈{1234...N}，N为学生总数，选取min(f(Xⁱ))的学生作为老师X_teacher，选取最接近即f(X)的平均值的学生作为Mean值；“教”过程公式如下：

$X_{new}^j=X_{old}^j+r_j(X_{teacher}-{\mathrm{TF}}_j\·Mean)---\left(4\right)$

其中，和分别表示第j个调度方案优化前后的参数，即各个零件的加工安排，TF_j为教学因子，r_j为学习步长，这两个参数用于调整学习的速度；此时经过浮点型运算得到的调度方案会出现小数或者超过区间的数，需要对进行离散化，具体离散过程包括：

a.1、首先将工序层和机器层的数字采用取整法，忽略小数，然后将超过区间的数字自动置零，与当日调度任务清单对比，在工序层标记多余工序的工件，取l₁、l₂、...、l_c标记工件号，其中c∈p，p为待标记的工件号集合，最后将标记的工件根据多余工序的数量，随机的从该工件号中挑出同等多余数量置为零，同时机器层对应的部分置零；

a.2、对置零的工件号进行重安排，再次与调度任务清单对比，标记工序量不够的工件号，按照工件的具体缺失数，随机生成一组调度方案，将该方案按照次序依次填充到工序层为零的位置，同时在机器层对应的位置随机填入符合加工要求的机器号；

a.3、将第一次生成的调度方案作为初始方案，进行局部迭代，设置迭代次数，跳转至a.2，若生成的调度方案优于初始方案，则将此次调度方案设为初始调度方案，直至迭代次数满足，则输出调度方案；

b、学生的“学”过程中，每个调度方案X^h随机的从所有的调度方案中选取一个学习对象X^g，h＝1，2，3，...，N；g＝1，2，3，...，N；其中h≠g；X^h通过和X^g比较两者之间的差异，X^h进行相应的优化调整，“学”过程采用如下公式表示：

当f(X^h)≤f(X^g)时

当f(X^h)＞f(X^g)时

其中，r_h表示第h个学生的学习步长，生成的新调度方案也需要进行离散，具体离散过程同老师的“教”过程中所述离散过程；

c、更新阶段是指经过“学”过程之后，生成的调度方案需要更新优化，更新方法如下：

当时

当时

其中，学生d∈{1，2，3，…，N}；

所述调度优化客户端将生成的调度方案进行解码，根据编码时对学生双层的定义，进行反编译，依次将工件的加工机床和加工顺序表示出来；最终，将优化过的调度方案显示到终端显示屏上，使车间生产人员以及管理人员能够实时的了解当前具体的加工任务安排情况。

在老师的“教”过程中，所述教学因子TF_j＝round[1+rand(0，1)]，rand(0，1)表示从0到1中随机产生一个随机数，round表示四舍五入函数，从而满足取到的值为整数，学习步长r_j＝rand(0，1)。

在学生的“学”过程中，所述第h个学生的学习步长r_h＝rand(0，1)，rand(0，1)表示从0到1中随机产生一个随机数。

与现有技术相比，本发明具有以下优点：

1)本发明搭建数据库服务器，将设备生产耗能数据直接整合到***中，对生产数据进行分析，能够细化到机床生产单一工件的单一工序的具体耗能，从而明确相同工件不同机床加工的差异性，有助于排产的合理性；同时，数据服务器能够统计离散制造车间的机床的正常工作情况，以及了解车间工人加工的工时情况，有助于车间维持正常的生产秩序，从而保证加工的快速进行。

2)本发明采用的教与学优化算法具有收敛速度快、寻优能力强的优点，相对于其他群智能算法而言，该算法只需要较少的迭代次数，且取得效果较好；同时，该算法不需要设置多个优化参数，更易达到优化目的；另外，该算法在对两个目标函数进行优化时，通过实际需要设置两个权重参数来确定优化的程度，更加符合实际生产中的复杂情况。

3)本发明直接将能效作为优化目标，通过把加工单个工序的耗能作为单位，能够直接达到节能的要求，更符合当前绿色制造的要求，实用性较好。

4)本发明将调度方案显示到终端显示器上，方便加工人员和管理人员查看，以及通过核对，及时将不合理处进行反馈，运算服务器根据反馈情况对调度方案进行适当调整，从而使调度方案更具有合理性。

附图说明

图1调度算法的编码形式。

图2改进教与学优化算法的离散化方块图。

图3改进教与学优化算法的调度流程图。

图4离散制造车间优化***运行图。

具体实施方式

下面结合附图和实施例对本发明作详细的描述。

本发明搭建的调度优化***包括数据服务器、运算服务器、终端显示屏。如图4所示，其中，运算服务器中嵌入调度算法，通过对数据服务器的数据进行分析、计算，将排产调度安排显示到终端显示屏中。具体实施步骤如下：

一：搭建数据服务器，收集制造车间机床的加工耗能、耗时和待机情况，实时统计车间的加工情况，对车间的机床的生产耗能数据进行实时跟踪，同时对机床的加工情况和工人的出勤情况进行统计。

二：搭建运算服务器，在服务器中编写调度优化客户端，调度优化客户端通过对加工任务的分析，以及参考数据服务器的各项详细信息，对当日加工任务通过优化算法做一个合理的调度安排，具体优化算法采用教与学优化算法(teaching-learning-based optimizationalgorithm)，由于该算法是针对于连续***提出的，对该离散制造车间的应用需要进行适当的改进，调度优化客户端的具体构建方案如下：

1)确定离散制造车间调度优化的目标函数。

根据企业的能耗和效益的综合考虑，以制造车间机床最大加工时间最小和总耗能最小为目标函数。为了满足不同的要求，采用加权的方法对两个目标函数进行融合，融合的值取最小时，达到调度要求，即

FM＝min(max(FM_i)) (1)

$WM=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{wm}}_i---\left(2\right)$

min(W)＝u₁FM+u₂WM (3)

FM_i——所有工件在机床M_i上的完工时间；

FM——所有工件的最后完工时间；

wm_i——所有工件在机床M_i的耗能量；

WM——所有机床的总好耗能量；

i——为大于0的正整数变量；

n——机床总量；

min(W)——两个目标函数的最终加权值；

u₁、u₂——两个加权值，实际取值根据企业实际需要；

进行排产时，调度优化算法需要满足以下约束条件：

1)某道工序在某一时刻只能用同一台机器进行加工；

2)某个工件的一道工序一旦开始加工，在该工序完成之前不能随意终止(即不考虑机器故障的发生)；

3)在零时刻所有工件的加工优先级都相同；

4)不同工件的各工序之间的加工顺序优先级相同，同一工件的各工序的加工必须按照之前约定好的加工顺序。

2)采用改进教与学优化算法求解上述目标函数，具体求解过程如下：

2.1)编码：

每个调度方案代表一个学生，学生的成绩采用双层设计的方式进行定义，第一层定义为工序层，表示第i个零件的各个工序；第二层定义为机器层，表示第i个零件的工序加工时的机器。例如，学生Xⁱ表示一个3工件5机器的调度安排方案，其中第一排第一列中的“1”表示工件1的第一道加工工序，第二排的第一列中的“2”表示工件1的第一道工序在机器2上加工，第一排共有三个“1”，表示工件1共有三道工序，三个“1”的位置表示三道工序被安排加工的顺序，具体如图1所示。

2.2)参数初始化：根据机床的数量和零件的加工任务对教与学优化算法中的学生进行初始化；

2.3)基于改进教与学算法进行求解目标函数，输出最优调度方案。

具体改进教与学算法的运行过程如下：

a、老师的“教”过程。

参照图3的“教”阶段，假定学生为X^j(j＝1，2，3，...，N其中N为学生总数)，两个目标函数的最终加权值定义为f(Xⁱ)(i∈{1234...N})，选取min(f(Xⁱ))的学生作为老师X_teacher，选取最接近(f(X)的平均值)的学生作为Mean值。具体“教”过程公式如下：

$X_{new}^j=X_{old}^j+r_j(X_{teacher}-{\mathrm{TF}}_j\·Mean)---\left(4\right)$

其中，和分别表示第j个调度方案优化前后的参数，即各个零件的加工安排，TF_j为教学因子(TF_j＝round[1+rand(0，1)])，r_j为学习步长(r_j＝rand(0，1))，其中round表示取整函数，使其值始终为一个整数，rand(0，1)表示从0到1之间产生一个随机数，这两个关键的参数用于调整学习的速度。此时经过浮点型运算得到的调度方案会出现小数或者超过区间的数，需要对进行离散化，参照图2，具体离散过程如下：

Step1：首先将工序层和机器层的数字采用取整法，忽略小数，然后将超过区间的数字自动置零，与当日调度任务清单对比，在工序层标记多余工序的工件，取l₁、l₂、...、l_c(c∈p，p为待标记的工件号集合)标记工件号，最后将标记的工件根据多余工序的数量，随机的从该工件号中挑出同等多余数量置为零，同时机器层也之为零；

Step2：对置零的工件号进行重安排，再次与调度任务清单对比，标记工序量不够的工件号，按照工件的具体缺失数，随机生成一组调度方案，将该方案按照次序依次填充到工序层为零的位置，同时在机器层对应的位置随机填入符合加工要求的机器号；

Step3：将第一次生成的调度方案作为初始方案，进行局部迭代，设置迭代次数为q，跳转step2，若生成的调度方案优于初始方案，则将此次调度方案设为初始调度方案，迭代次数满足q，则输出调度方案。

b、学生的“学”过程。

参照图3的“学”阶段，学生的“学”过程中，每个调度方案X^h随机的从所有的调度方案中选取一个学习对象X^g，h＝1，2，3，...，N；g＝1，2，3，...，N；其中h≠g；X^h通过和X^g比较两者之间的差异，X^h进行相应的优化调整，学过程采用如下公式表示：

当f(X^h)≤f(X^g)时

当f(X^h)＞f(X^g)时

其中，r_h表示第h个学生的学习步长，生成的新调度方案也需要进行离散，具体离散过程同老师的“教”过程中所述离散过程；

c、更新阶段是指经过“学”过程之后，生成的调度方案需要更新优化，具体过程参照图3的更新阶段，更新方法如下：

当时

当时

其中，学生d∈{1，2，3，…，N}。

三：将生成的调度方案进行解码，根据编码时对学生双层的定义，进行反编译，依次将工件的加工机床和加工顺序表示出来

四：将优化过的调度方案显示到终端显示屏上，车间生产人员以及管理人员能够实时的了解当前具体的加工任务安排情况。

参照图4，本发明通过对离散制造车间搭建数据服务器和运算服务器，通过对机床制造信息和车间加工计划进行分析，采用一种改进的教与学优化算法对车间生产进行离线调度安排，最后通过显示屏将具体调度任务显示到车间，方便指导生产。

以下为一个具体实施案例：

步骤一：搭建数据服务器，并将其与车间机床***进行通讯，获取机床加工单个工件的单个工序的加工时间(包括待机时间空载时间切削时间)和加工耗能详情(包括待机能耗空载能耗切削能耗)，其中i表示机床，j表示工件，k表示具体的工序，d表示待机，o表示空载，q表示切削，故机床i加工工件j的第k道工序所用的时间以及耗能在数据服务器中将获取的数据进行分析处理，对能耗信息进行集成：

机床加工工件j的时间：

机床加工工件j的耗能：

其中，t_xy表示机床编号x加工零件j的第y道工序所用的时间，t_j矩阵的第一行表示第一道工序，第一行的所有列表示能够加工该道工序的机器所用的加工时间，第一列表示机床编号为1的机床，当机床不能加工该道工序时，对应的坐标值为零，这样更符合离散制造车间的制造特点；同理，w_xy表示机床编号x加工零件j的第y道工序的耗能量，矩阵坐标值的含义同上述的相同，这里不做累述。

同时，数据服务器从车间管理***中定时接受当前的生产任务清单，另外汇总车间机床的现有工作量和机床的正常运行情况，以及统计车间操作工人的在岗情况，保证调度任务能够正常执行。

步骤二：运算服务器向数据服务器请求当前生产任务清单，同时获取能耗集成信息；

步骤三：由获得的信息和要求确定优化目标，具体如下所示：

FM＝min(max(FM_i)) (11)

$WM=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{wm}}_i---\left(12\right)$

min(W)＝u₁FM+u₂WM(13)

符号定义如下：

FM_i——所有工件在机床M_i上的完工时间；

FM——所有工件的最后完工时间；

wm_i——所有工件在机床M_i的耗能量；

WM——所有机床的总好耗能量；

i——为大于0的正整数变量；

n——机床总量；

min(W)——两个目标函数的最终加权值；

u₁、u₂——两个加权值，实际取值根据企业实际需要；

步骤四：改进教与学算法参数初始化：学生个数z、迭代次数B和优化目标权重u₁、u₂(必须满足u₁+u₂＝1)；学生个数设z为15，即不影响算法的运算速度，同时也保证了算法优化的精度；迭代次数B设为500；优化目标权重值根据加工清单和客户紧迫度来动态调节；

步骤五：编码；

根据任务清单和机床运行情况，确定待加工工件个数m和可用于加工机床个数n，将工件按照1，2，…，n进行编号，同理将机床按照1，2，…，m进行编号，统计每个工件需要的工序数c_i(i∈{1，2，3，…，n})。每个学生采用双层结构采用结构，第一层为工序层第二层为机器层第一层的元素个数每个工件i出现的次数等于该工件的工序数c_i，且所有出现次数均用i表示，工件i的工序为数字i在工序层出现的的次序确定，若第一次出现则为工件i的第一道工序，根据工件的工序数，随机***到第一层中，完成工序的随机安排。第二层根据第一层对应的工件的工序，从满足加工条件的机床中，随机选取一台机床的编号放入该位置。

步骤六：进行算法的老师“教”阶段；

将学生X^j(j＝1，2，3，...，15)带入目标函数公式中，分别求解W_j(W_j为时间优化和能耗优化后的综合值，(j＝1，2，3，...，15))，当学生为X_i时，min(W)＝W_i，取X_i作为X_teacher；当学生为X_h时，W_h最接近于mean(W)，取X_h作为平均值Mean。

其中：

W_j＝u₁(FM)_j+u₂(WM)_j (14)

$mean\left(W\right)=\underset{i=1}{\overset{15}{\Σ}}{u}_1{\left(FM\right)}_j+u_2{\left(WM\right)}_j/15---\left(15\right)$

具体“教”过程公式如下：

$X_{new}^j=X_{old}^j+r_j(X_{teacher}-{\mathrm{TF}}_j\·Mean)---\left(16\right)$

和分别表示第j个调度方案优化前后的参数，即各个零件的加工安排，TF_j为教学因子(TF_j＝round[1+rand(0，1)])，r_j为学习步长(r_j＝rand(0，1))，这两个比较关键的参数用于调整学习的速度。

分别将经过教过程生成的学生进行离散化处理，输出代替

步骤七：进行算法的“学”过程；

在学生的相互之间学过程中，每个调度方案X^h(h＝1，2，3，...，15)随机的从所有的调度方案中选取一个学习对象X^g(g＝1，2，3，...，15其中h≠g)，X^h通过和X^g比较两者之间的差异，X^h进行相应的优化调整，具体的学过程采用如下公式表示：

当f(X^h)≤f(X^g)时

当f(X^h)＞f(X^g)时

其中，r_h表示第h个学生的学习步长，r_h＝rand(0，1)，生成的新调度方案同样需要进行离散，具体离散过程同上述教师“教”过程。

步骤八：更新算法，若“学”过程产生的W′_new小于W_new，则W′_new替换掉W_new，同时将调度方案X′替换X。将B进行自加1，判断B是否大于500，若大于500，则算法终止，进行步骤九；否则，跳转至步骤六。

步骤九：将生成的调度方案进行解码，根据编码时对学生双层的定义，进行反编译，依次将工件的加工机床和加工顺序表示出来。

步骤十：输出当前静态排产调度方案X，同时通过内网将该方案上传到车间显示器上，车间生产人员和管理人员进行核实，若有问题，则人工转至步骤三进行参数调整，重新生成调度方案，保证调度方案的合理性，若无问题，则按此方案进行加工。

本发明搭建的离线调度优化***用于离线排产制造车间机床加工任务，可以实现制造车间生产的静态排产与调度管理，能够在较短的规定时间内，找到满足要求的最好的可行的调度方案。

Claims (3)

1.基于教与学算法的离散制造车间静态调度优化***，其特征是，包括数据服务器、运算服务器、终端显示屏，

所述数据服务器，收集制造车间机床的加工耗能、耗时和待机情况，实时统计车间的加工情况，对车间的机床的生产耗能数据进行实时跟踪，同时对机床的加工情况和工人的出勤情况进行统计；

所述运算服务器中嵌入有调度优化客户端，调度优化客户端通过对加工任务的分析，以及参考数据服务器的各项详细信息，对当日加工任务通过优化算法做一个合理的调度安排，具体优化算法采用教与学优化算法，所述调度优化客户端的构建方法如下：

步骤一、确定离散制造车间调度优化的目标函数；

以制造车间机床最大加工时间最小和总耗能最小为目标函数，采用加权的方法对两个目标函数进行融合，融合的值取最小时，达到调度要求，即

FM＝min(max(FM_i)) (1)

$WM=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{wm}}_i---\left(2\right)$

min(W)＝u₁FM+u₂WM (3)

FM_i——所有工件在机床M_i上的完工时间；

FM——所有工件的最后完工时间；

wm_i——所有工件在机床M_i的耗能量；

WM——所有机床的总耗能量；

i——为大于0的正整数变量；

n——机床总量；

min(W)——两个目标函数的最终加权值；

u₁、u₂——两个加权值，根据企业实际需要取值；

进行排产时，调度优化算法需要满足以下约束条件：

1.1、某道工序在某一时刻只能用同一台机器进行加工；

1.2、某个工件的一道工序一旦开始加工，在该工序完成之前不能随意终止；

1.3、在零时刻所有工件的加工优先级都相同；

1.4、不同工件的各工序之间的加工顺序优先级相同，同一工件的各工序的加工必须按照之前约定好的加工顺序；

步骤二、采用改进教与学优化算法求解上述目标函数，具体求解过程包括：

步骤2.1、编码：每个调度方案代表一个学生，学生的成绩采用双层设计的方式进行定义，第一层定义为工序层，表示第i个零件的各个工序；第二层定义为机器层，表示第i个零件的工序加工时的机器；

步骤2.2、参数初始化：根据机床的数量和零件的加工任务对教与学优化算法中的学生进行初始化；

步骤2.3、基于改进教与学算法进行求解目标函数，输出最优调度方案；

所述改进教与学算法的运行过程包括老师的“教”过程、学生的“学”过程以及更新阶段；

a、老师的“教”过程中，假定学生为X^j，两个目标函数的最终加权值定义为f(Xⁱ)，

j＝1，2，3，...，N，i∈{1 2 3 4…N}，N为学生总数，选取min(f(Xⁱ))的学生作为老师X_teacher，选取最接近即f(X)的平均值的学生作为Mean值；“教”过程公式如下：

$X_{new}^j-X_{old}^j+r_j(X_{teacher}-{\mathrm{TF}}_j\·Mean)---\left(4\right)$

其中，和分别表示第j个调度方案优化前后的参数，即各个零件的加工安排，TF_j为教学因子，r_j为学习步长，这两个参数用于调整学习的速度；此时经过浮点型运算得到的调度方案会出现小数或者超过区间的数，需要对进行离散化，具体离散过程包括：

a.1、首先将工序层和机器层的数字采用取整法，忽略小数，然后将超过区间的数字自动置零，与当日调度任务清单对比，在工序层标记多余工序的工件，取l₁、l₂、…、l_c标记工件号，其中c∈p，p为待标记的工件号集合，最后将标记的工件根据多余工序的数量，随机的从该工件号中挑出同等多余数量置为零，同时机器层对应的部分置零；

a.2、对置零的工件号进行重安排，再次与调度任务清单对比，标记工序量不够的工件号，按照工件的具体缺失数，随机生成一组调度方案，将该方案按照次序依次填充到工序层为零的位置，同时在机器层对应的位置随机填入符合加工要求的机器号；

a.3、将第一次生成的调度方案作为初始方案，进行局部迭代，设置迭代次数，跳转至a.2，若生成的调度方案优于初始方案，则将此次调度方案设为初始调度方案，直至迭代次数满足，则输出调度方案；

b、学生的“学”过程中，每个调度方案X^h随机的从所有的调度方案中选取一个学习对象X^g，h＝1，2，3，...，N；g＝1，2，3，...，N；其中h≠g；X^h通过和X^g比较两者之间的差异，X^h进行相应的优化调整，“学”过程采用如下公式表示：

当f(X^h)≤f(X^g)时

当f(X^h)＞f(X^g)时

其中，r_h表示第h个学生的学习步长，生成的新调度方案也需要进行离散，具体离散过程同老师的“教”过程中所述离散过程；

c、更新阶段是指经过“学”过程之后，生成的调度方案需要更新优化，更新方法如下：

当时

当时

其中，学生d∈{1，2，3，…，N}；

所述调度优化客户端将生成的调度方案进行解码，根据编码时对学生双层的定义，进行反编译，依次将工件的加工机床和加工顺序表示出来；最终，将优化过的调度方案显示到终端显示屏上，使车间生产人员以及管理人员能够实时的了解当前具体的加工任务安排情况。

2.如权利要求1所述的基于教与学算法的离散制造车间静态调度优化***，其特征是，老师的“教”过程中，所述教学因子TF_j＝round[1+rand(0，1)]，rand(0，1)表示从0到1中随机产生一个随机数，round表示四舍五入函数，从而满足取到的值为整数，学习步长r_i＝rand(0，1)。

3.如权利要求1所述的基于教与学算法的离散制造车间静态调度优化***，其特征是，学生的“学”过程中，所述第h个学生的学习步长r_h＝rand(0，1)，rand(0，1)表示从0到1中随机产生一个随机数。