CN108776845B - 一种基于双目标作业车间调度的混合果蝇算法 - Google Patents

一种基于双目标作业车间调度的混合果蝇算法 Download PDF

Info

Publication number
CN108776845B
CN108776845B CN201810426701.XA CN201810426701A CN108776845B CN 108776845 B CN108776845 B CN 108776845B CN 201810426701 A CN201810426701 A CN 201810426701A CN 108776845 B CN108776845 B CN 108776845B
Authority
CN
China
Prior art keywords
fruit fly
drosophila
machine
dual
shop scheduling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810426701.XA
Other languages
English (en)
Other versions
CN108776845A (zh
Inventor
戴佐俊
张月霞
殷生旺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Chuangyuan Microsoft Co ltd
Beijing Information Science and Technology University
Original Assignee
Beijing Chuangyuan Microsoft Co ltd
Beijing Information Science and Technology University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Chuangyuan Microsoft Co ltd, Beijing Information Science and Technology University filed Critical Beijing Chuangyuan Microsoft Co ltd
Priority to CN201810426701.XA priority Critical patent/CN108776845B/zh
Publication of CN108776845A publication Critical patent/CN108776845A/zh
Application granted granted Critical
Publication of CN108776845B publication Critical patent/CN108776845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于双目标作业车间调度的混合果蝇算法，包括以下步骤：建立数学模型；构建每个工件不同工序的加工顺序的约束条件；构建每台机器上不同工件的工序加工顺序的约束条件；建立目标函数；进行果蝇个体及果蝇种群初始化；得到新的果蝇种群并进行全局协作机制；对得到新的果蝇种群进行评价，并进行迭代寻优；若满足终止条件，则对多次运行得到的非劣解集进行合并和筛选，得到pareto解集。只需要设置两个参数，算法实现简单，降低了作业车间调度的复杂度，提升了作业车间调度的效率；同时，全局寻优能力较强，能够有效地解决作业车间调度问题；具有参数设置少，收敛性强，鲁棒性强等优点。

Description

一种基于双目标作业车间调度的混合果蝇算法
技术领域
本发明涉及作业车间调度技术领域，尤其涉及一种基于双目标作业车间调度的混合果蝇算法。
背景技术
作业车间调度作为许多实际生产调度问题的抽象模型，是一类典型NP-hard的复杂优化问题。在实际生产过程中，大部分作业车间调度问题是面向多个目标的优化组合与决策，因此，探索如何有效求解多目标作业车间调度问题具有重要的理论意义和应用价值。
如今，制造业的竞争日益激烈，制造企业正朝着有不同完工时间和产品要求的多类型、小批量的生产模式发展。如何利用现有资源，满足加工任务所需各种约束，使所有任务能尽量按时完成，即如何有效地解决作业车间调度问题，成为一个十分现实和迫切的问题。高效调度算法，可以大大提高生产效益和资源利用率，从而增强企业的竞争能力，因此对作业车间调度问题的研究有非常重要的理论和实用价值。
目前，求解作业车间双目标调度问题的主要方法是群智能优化算法，如遗传算法、模拟退火算法、禁忌搜索算法、蚁群算法、粒子群算法、蛙跳算法以及各种混合调度算法等。遗传算法是根据自然进化论得出的一种并行优化搜索算法，该算法能够以较大概率找到全局优化解。蚁群算法是模拟蚂蚁寻路的过程而设计出的一种大量个体相互协作的启发式搜索算法，也能够很快搜索到比较好的解。但是，这些算法的参数设置较多、计算复杂度较大，并不能够有效的解决车间调度的问题。
发明内容
本发明所解决的技术问题在于提供一种可以有效地解决车间双目标调度问题、提高作业车间调度效率的基于双目标作业车间调度的混合果蝇算法。
为解决上述技术问题，本发明提供了一种基于双目标作业车间调度的混合果蝇算法，包括以下步骤：
(1)根据作业车间的特点，建立作业车间的数学模型；
(2)构建每个工件不同工序的加工顺序的约束条件；
(3)构建每台机器上不同工件的工序加工顺序的约束条件；
(4)建立基于最大完工时间最小和机器总空闲时间最小的的作业车间调度双目标函数；
(5)通过基于工序的编码方式，进行果蝇个体及果蝇种群初始化；
(6)采用混合步长的嗅觉搜索方法，得到新的果蝇种群并进行全局协作机制；
(7)对得到新的果蝇种群进行评价，并依此进行迭代寻优；
(8)进行终止条件判定，若条件不满足，则跳转至步骤(6)并依次进行余下步骤；若满足终止条件，则进行步骤(9)；
(9)对多次运行得到的非劣解集进行合并维护和均匀分布筛选，得到pareto解集。
更进一步的，所述步骤(1)中，建立作业车间调度数学模型：
现有M台机器，表示为[1,2,…m,…,k,…,M]，m和k代表不同的两台机器，即m≠k；每台机器加工一道固定工序，各机器加工的工序不相同；不同工件的不同工序的完成时间相互独立；设加工过程中，机器不会发生故障；
现有N个工件需要加工，表示为[1,2,…,n,…,i,…,N]，n和i代表两个不同的工件，即n≠i；每个工件的工序加工顺序各不相同，每个工件的每道工序的完成时间相互独立；
工件n在机器m上的完成时刻为Cnm，工件n在机器m上的加工时间长度为lnm，工件n在机器k上的完成时刻为Cnk，工件i在机器m上的完成时刻为Cim。
更进一步的，所述步骤(2)中，构建每个工件的不同工序的加工顺序的约束条件为：Cnm-lnm+D(1-ankm)≥Cnk；
其中，D是一个足够大的正数，ankm是指示系数，表示为：
Figure GDA0003649483980000031
更进一步的，所述步骤(3)中，构建每台机器上不同工件的工序加工顺序的约束条件为：Cnm-Cim+D(1-xinm)≥lnm；
其中，D是一个足够大的正数，xinm是指示变量，表示为：
Figure GDA0003649483980000032
更进一步的，所述步骤(4)中，确定基于最大完工时间最小的作业车间调度目标函数为：f1＝max{Ci|i∈1,2,…,n}，表示完成所有工件的最大完工时间最小；
Figure GDA0003649483980000033
表示完成所有工件的机器总空闲时间最小。
更进一步的，其中所述步骤(5)中，进行果蝇个体和果蝇种群初始化；
每个调度方案代表一个果蝇个体，并采用基于工序的编码规则；调度方案是由N×M个元素Jn,m组成的一个表示加工顺序的序列，其中Jn,m表示加工第n个工件的第m道工序，解码时再按照序列的加工顺序就可转化为一个调度方案；果蝇初始种群中的个体是通过随机方式生成的。
更进一步的，所述步骤(6)中，将步骤(5)中编码好的果蝇个体代入目标函数，并计算出每个果蝇个体的最大完工时间和机器总空闲时间，确定出初始最优果蝇种群，并保存其对应的工序编码；对初始最优果蝇种群内的果蝇个体进行混合步长的嗅觉搜索策略，得出新的果蝇种群。
更进一步的，所述步骤(7)中，对步骤(6)中得出的果蝇种种群进行评价，确定出新的最优个体，并依此进行迭代寻优；
其中，对步骤(6)中得出的果蝇种群评价是指将种群中的个体继续代入目标函数中，计算每个果蝇个体的最大完工时间和机器总空闲时间，确定出新的最优个体；将新的最优个体与上一代最优个体通过目标函数进行比较，选出最大完工时间较小者和机器总空闲时间较小者作为最优个体；依此迭代寻优。
更进一步的，其中所述步骤(8)中，进行终止条件判定，若条件不满足，则跳转至步骤(6)并依次进行余下步骤；否则进行步骤(9)；
其中，终止条件判定指是否满足最大迭代次数。
更进一步的，其中所述步骤(9)中，对多次运行得到的非劣解集进行合并维护和均匀分布筛选，得到pareto解集；
其中，非劣解就是在步骤(8)中停止运行以后得到的解集，也就最后的车间调度方案的较优解。
本发明的基于双目标作业车间调度的混合果蝇算法，只需要设置两个参数，算法实现简单，大大降低了作业车间调度的复杂度，并提升了作业车间调度的效率；同时，本发明的基于双目标作业车间调度的混合果蝇算法的全局寻优能力较强，能够有效地解决作业车间调度问题；具有参数设置少，收敛性强，鲁棒性强等优点，在解决生产调度问题中具有一定的可行性和有效性。
附图说明
图1为本发明的基于双目标作业车间调度的混合果蝇算法的流程图；
图2为本发明的基于双目标作业车间调度的混合果蝇算法与强度pareto进化算法的pareto最优解个数对比图表；
图3为本发明的基于双目标作业车间调度的混合果蝇算法与强度pareto进化算法基于指标C的算法之间的对比结果图表。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
以下结合附图1至图3所示，详细说明发明的实施例所提供的技术方案。
本实施例提供一种基于双目标作业车间调度的混合果蝇算法，包括以下步骤：
步骤(1)根据作业车间的特点，建立作业车间的数学模型；
所述步骤(1)中，建立作业车间调度数学模型：
现有M台机器，表示为[1,2,…m,…,k,…,M]，m和k代表不同的两台机器，即m≠k；每台机器加工一道固定工序，各机器加工的工序不相同；不同工件的不同工序的完成时间相互独立；设加工过程中，机器不会发生故障；
现有N个工件需要加工，表示为[1,2,…,n,…,i,…,N]，n和i代表两个不同的工件，即n≠i；每个工件的工序加工顺序各不相同，每个工件的每道工序的完成时间相互独立；
工件n在机器m上的完成时刻为Cnm，工件n在机器m上的加工时间长度为lnm，工件n在机器k上的完成时刻为Cnk，工件i在机器m上的完成时刻为Cim。步骤(2)构建每个工件不同工序的加工顺序的约束条件；
所述步骤(2)中，构建每个工件的不同工序的加工顺序的约束条件为：Cnm-lnm+D(1-ankm)≥Cnk；
其中，D是一个足够大的正数，ankm是指示系数，表示为：
Figure GDA0003649483980000051
步骤(3)构建每台机器上不同工件的工序加工顺序的约束条件；
所述步骤(3)中，构建每台机器上不同工件的工序加工顺序的约束条件为：Cnm-Cim+D(1-xinm)≥lnm；
其中，D是一个足够大的正数，xinm是指示变量，表示为：
Figure GDA0003649483980000061
步骤(4)建立基于最大完工时间最小和机器总空闲时间最小的的作业车间调度双目标函数；
所述步骤(4)中，确定基于最大完工时间最小的作业车间调度目标函数为：f1＝max{Ci|i∈1,2,…,n}，表示完成所有工件的最大完工时间最小；
Figure GDA0003649483980000062
表示完成所有工件的机器总空闲时间最小。
步骤(5)通过基于工序的编码方式，进行果蝇个体及果蝇种群初始化；
其中所述步骤(5)中，进行果蝇个体和果蝇种群初始化；
每个调度方案代表一个果蝇个体，并采用基于工序的编码规则；调度方案是由N×M个元素Jn,m组成的一个表示加工顺序的序列，其中Jn,m表示加工第n个工件的第m道工序，解码时再按照序列的加工顺序就可转化为一个调度方案；果蝇初始种群中的个体是通过随机方式生成的。
步骤(6)采用混合步长的嗅觉搜索方法，得到新的果蝇种群并进行全局协作机制；
所述步骤(6)中，将步骤(5)中编码好的果蝇个体代入目标函数，并计算出每个果蝇个体的最大完工时间和机器总空闲时间，确定出初始最优果蝇种群，并保存其对应的工序编码；对初始最优果蝇种群内的果蝇个体进行混合步长的嗅觉搜索策略，得出新的果蝇种群；
基于混合步长的嗅觉搜索的操作原理是以一种基本的邻域位置生成方法为基础的，此基本方法记为单步长嗅觉搜索；
混合步长搜索策略所用到的参数有：Sp表示一次迭代生成步长种类数目，S表示一个局部变量，取值范围是0～Sp，SN表示一个果蝇位置生成邻域的位置数目，k表示生成的新位置保存下来的概率；
混合步长的嗅觉搜索的目的是使得产生的邻域中有近kS×(P×SN)个位置是调用S次单步长嗅觉搜索，这样就可以通过调整混合步长嗅觉搜索的参数来控制多目标果蝇优化算法产生邻域的种类数目和每种步长所占的概率；以果蝇种群中一个位置来说明混合步长嗅觉搜索的具体操作；
将S＝0，
该位置果蝇使用单步长嗅觉搜索向邻域生产SN个邻域位置，生成的邻域位置按概率
Figure GDA0003649483980000071
保存下来，S加1；
当S＜Sp时，
新生成且保留下的位置重复步骤(2)，S＝Sp时混合步长嗅觉搜索结束。
步骤(7)对得到新的果蝇种群进行评价，并依此进行迭代寻优；
所述步骤(7)中，对步骤(6)中得出的果蝇种种群进行评价，确定出新的最优个体，并依此进行迭代寻优；
其中，对步骤(6)中得出的果蝇种群评价是指将种群中的个体继续代入目标函数中，计算每个果蝇个体的最大完工时间和机器总空闲时间，确定出新的最优个体；将新的最优个体与上一代最优个体通过目标函数进行比较，选出最大完工时间较小者和机器总空闲时间较小者作为最优个体；依此迭代寻优。
步骤(8)进行终止条件判定，若条件不满足，则跳转至步骤(6)并依次进行余下步骤；若满足终止条件，则进行步骤(9)；
其中所述步骤(8)中，进行终止条件判定，若条件不满足，则跳转至步骤(6)并依次进行余下步骤；否则进行步骤(9)；
其中，终止条件判定指是否满足最大迭代次数。
步骤(9)对多次运行得到的非劣解集进行合并维护和均匀分布筛选，得到pareto解集；
其中所述步骤(9)中，对多次运行得到的非劣解集进行合并维护和均匀分布筛选，得到pareto解集；
其中，非劣解就是在步骤(8)中停止运行以后得到的解集，也就最后的车间调度方案的较优解。
本发明的基于双目标作业车间调度的混合果蝇算法，只需要设置两个参数，算法实现简单，大大降低了作业车间调度的复杂度，并提升了作业车间调度的效率；同时，本发明的基于双目标作业车间调度的混合果蝇算法的全局寻优能力较强，能够有效地解决作业车间调度问题；具有参数设置少，收敛性强，鲁棒性强等优点，在解决生产调度问题中具有一定的可行性和有效性。
以上所述，仅是本发明的最佳实施例而已，并非对本发明作任何形式上的限制，任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，利用上述揭示的方法内容对本发明技术方案做出许多可能的变动和修饰，均属于权利要求保护的范围。

Claims (10)

1.一种基于双目标作业车间调度的混合果蝇算法，其特征在于，包括以下步骤：
(1)根据作业车间的特点，建立作业车间的数学模型；
(2)构建每个工件不同工序的加工顺序的约束条件；
(3)构建每台机器上不同工件的工序加工顺序的约束条件；
(4)建立基于最大完工时间最小和机器总空闲时间最小的的作业车间调度双目标函数；
(5)通过基于工序的编码方式，进行果蝇个体及果蝇种群初始化；
(6)采用混合步长的嗅觉搜索方法，得到新的果蝇种群并进行全局协作机制；
(7)对得到新的果蝇种群进行评价，并依此进行迭代寻优；
(8)进行终止条件判定，若条件不满足，则跳转至步骤(6)并依次进行余下步骤；若满足终止条件，则进行步骤(9)；
(9)对多次运行得到的非劣解集进行合并维护和均匀分布筛选，得到pareto解集；
采用混合步长的嗅觉搜索使得产生的邻域中有近kS×(P×SN)个位置是调用S次单步长嗅觉搜索，进而通过调整混合步长嗅觉搜索的参数来控制多目标果蝇优化算法产生邻域的种类数目和每种步长所占的概率；
其中，S表示一个局部变量，取值范围是0～Sp，SN表示一个果蝇位置生成邻域的位置数目，k表示生成的新位置保存下来的概率。
2.如权利要求1所述的基于双目标作业车间调度的混合果蝇算法，其特征在于：所述步骤(1)中，建立作业车间调度数学模型：
现有M台机器，表示为[1,2,…m,…,k,…,M]，m和k代表不同的两台机器，即m≠k；每台机器加工一道固定工序，各机器加工的工序不相同；不同工件的不同工序的完成时间相互独立；设加工过程中，机器不会发生故障；
现有N个工件需要加工，表示为[1,2,…,n,…,i,…,N]，n和i代表两个不同的工件，即n≠i；每个工件的工序加工顺序各不相同，每个工件的每道工序的完成时间相互独立；
工件n在机器m上的完成时刻为Cnm，工件n在机器m上的加工时间长度为lnm，工件n在机器k上的完成时刻为Cnk，工件i在机器m上的完成时刻为Cim。
3.如权利要求1所述的基于双目标作业车间调度的混合果蝇算法，其特征在于：所述步骤(2)中，构建每个工件的不同工序的加工顺序的约束条件为：Cnm-lnm+D(1-ankm)≥Cnk；
其中，D是一个足够大的正数，ankm是指示系数，表示为：
Figure FDA0003649483970000021
4.如权利要求1所述的基于双目标作业车间调度的混合果蝇算法，其特征在于：所述步骤(3)中，构建每台机器上不同工件的工序加工顺序的约束条件为：Cnm-Cim+D(1-xinm)≥lnm；
其中，D是一个足够大的正数，xinm是指示变量，表示为：
Figure FDA0003649483970000022
5.如权利要求1所述的基于双目标作业车间调度的混合果蝇算法，其特征在于：所述步骤(4)中，确定基于最大完工时间最小的作业车间调度目标函数为：f1＝max{Ci|i∈1,2,…,n}，表示完成所有工件的最大完工时间最小；
Figure FDA0003649483970000023
表示完成所有工件的机器总空闲时间最小。
6.如权利要求1所述的基于双目标作业车间调度的混合果蝇算法，其特征在于：其中所述步骤(5)中，进行果蝇个体和果蝇种群初始化；
每个调度方案代表一个果蝇个体，并采用基于工序的编码规则；调度方案是由N×M个元素Jn,m组成的一个表示加工顺序的序列，其中Jn,m表示加工第n个工件的第m道工序，解码时再按照序列的加工顺序就可转化为一个调度方案；果蝇初始种群中的个体是通过随机方式生成的。
7.如权利要求1所述的基于双目标作业车间调度的混合果蝇算法，其特征在于：所述步骤(6)中，将步骤(5)中编码好的果蝇个体代入目标函数，并计算出每个果蝇个体的最大完工时间和机器总空闲时间，确定出初始最优果蝇种群，并保存其对应的工序编码；对初始最优果蝇种群内的果蝇个体进行混合步长的嗅觉搜索策略，得出新的果蝇种群。
8.如权利要求1所述的基于双目标作业车间调度的混合果蝇算法，其特征在于：所述步骤(7)中，对步骤(6)中得出的果蝇种种群进行评价，确定出新的最优个体，并依此进行迭代寻优；
其中，对步骤(6)中得出的果蝇种群评价是指将种群中的个体继续代入目标函数中，计算每个果蝇个体的最大完工时间和机器总空闲时间，确定出新的最优个体；将新的最优个体与上一代最优个体通过目标函数进行比较，选出最大完工时间较小者和机器总空闲时间较小者作为最优个体；依此迭代寻优。
9.如权利要求1所述的基于双目标作业车间调度的混合果蝇算法，其特征在于：其中所述步骤(8)中，进行终止条件判定，若条件不满足，则跳转至步骤(6)并依次进行余下步骤；否则进行步骤(9)；
其中，终止条件判定指是否满足最大迭代次数。
10.如权利要求1所述的基于双目标作业车间调度的混合果蝇算法，其特征在于：其中所述步骤(9)中，对多次运行得到的非劣解集进行合并维护和均匀分布筛选，得到pareto解集；
其中，非劣解就是在步骤(8)中停止运行以后得到的解集，也就最后的车间调度方案的较优解。
CN201810426701.XA 2018-05-07 2018-05-07 一种基于双目标作业车间调度的混合果蝇算法 Active CN108776845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810426701.XA CN108776845B (zh) 2018-05-07 2018-05-07 一种基于双目标作业车间调度的混合果蝇算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810426701.XA CN108776845B (zh) 2018-05-07 2018-05-07 一种基于双目标作业车间调度的混合果蝇算法

Publications (2)

Publication Number Publication Date
CN108776845A CN108776845A (zh) 2018-11-09
CN108776845B true CN108776845B (zh) 2022-07-15

Family

ID=64026931

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810426701.XA Active CN108776845B (zh) 2018-05-07 2018-05-07 一种基于双目标作业车间调度的混合果蝇算法

Country Status (1)

Country Link
CN (1) CN108776845B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110040411B (zh) * 2019-04-23 2020-10-23 武汉智能装备工业技术研究院有限公司 一种智能选箱装箱包装线归集区参数优化方法
CN110705844B (zh) * 2019-09-16 2023-06-27 新疆大学 基于非强制空闲时间的作业车间调度方案鲁棒优化方法
CN111026051B (zh) * 2019-11-29 2021-01-01 武汉理工大学 一种基于改进蛙跳智能算法的柔性离散制造流水车间低碳调度方法
CN112364526B (zh) * 2020-11-30 2024-07-02 安徽大学 一种基于果蝇算法的模糊批调度方法及***
CN113159642B (zh) * 2021-05-18 2022-04-01 聊城大学 基于改进果蝇算法的分布式流水车间调度方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530702A (zh) * 2013-10-14 2014-01-22 西安建筑科技大学 一种基于瓶颈设备分解的大规模作业车间调度方法
CN106610656A (zh) * 2016-04-14 2017-05-03 四川用联信息技术有限公司 一种改进的布谷鸟搜索算法求解作业车间调度问题

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140249882A1 (en) * 2012-10-19 2014-09-04 The Curators Of The University Of Missouri System and Method of Stochastic Resource-Constrained Project Scheduling

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530702A (zh) * 2013-10-14 2014-01-22 西安建筑科技大学 一种基于瓶颈设备分解的大规模作业车间调度方法
CN106610656A (zh) * 2016-04-14 2017-05-03 四川用联信息技术有限公司 一种改进的布谷鸟搜索算法求解作业车间调度问题

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
果蝇优化算法及其应用研究;霍慧慧;《硕士学位论文》;20150930;正文第2.1、5.1、5.2节 *
霍慧慧.果蝇优化算法及其应用研究.《硕士学位论文》.2015, *

Also Published As

Publication number Publication date
CN108776845A (zh) 2018-11-09

Similar Documents

Publication Publication Date Title
CN108776845B (zh) 一种基于双目标作业车间调度的混合果蝇算法
CN107450498B (zh) 基于改进人工蜂群算法的生产调度方法及***
CN110543953B (zh) 基于狼群算法的空间约束下多目标拆卸线设置方法
CN110543151A (zh) 基于改进nsga-ⅱ求解车间节能调度问题的方法
CN107065803B (zh) 基于可变重调度区间的柔性作业车间动态调度方法
CN107368912B (zh) 一种面向低碳制造的加工中心刀具决策方法
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
CN106611230A (zh) 结合关键工序的遗传局部搜索算法求解柔性作业车间调度
CN106611275A (zh) 针对作业车间生产问题的排产算法
CN108108829A (zh) 一种基于改进果蝇算法的作业车间调度方法
CN107292391B (zh) 基于de和l-bfgs-b混合算法的柔性化车间任务调度优化方法
CN110458326B (zh) 一种分布式阻塞型流水线调度的混合群智能优化方法
CN110147933B (zh) 一种基于改进灰狼算法的数控切割下料车间调度排产方法
CN112381343A (zh) 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法
CN116500986A (zh) 一种分布式作业车间的优先调度规则生成方法及***
CN112686474A (zh) 一种基于改进的水波优化算法的可并行装配线平衡方法
CN117057528A (zh) 一种基于端到端深度强化学习的分布式作业车间调度方法
Tian et al. A dynamic job-shop scheduling model based on deep learning.
Ma et al. A hybrid particle swarm optimization and simulated annealing algorithm for job-shop scheduling
Quan et al. Multi-objective optimization scheduling for manufacturing process based on virtual workflow models
CN116300756A (zh) 带运输机器人柔性制造车间的双目标优化调度方法及***
Azzouz et al. A self-adaptive evolutionary algorithm for solving flexible job-shop problem with sequence dependent setup time and learning effects
CN115907399A (zh) 一种面向电子产品的离散制造柔性生产的智能调度方法
CN113723695B (zh) 一种基于场景的再制造调度优化方法
CN115700647A (zh) 一种基于禁忌搜索遗传算法的车间柔性作业调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant