磁盘空间不足。 磁盘空间不足。 解决车间调度问题的一种新的遗传退火混合策略

联系我们

Contact

智浩钢结构工程有限公司
电话:15209809766 
联系人:卢经理
地址:安徽省六安市裕安区城南镇汪家行村
网址:laxygs.com
当前位置:首页> 行业资讯

解决车间调度问题的一种新的遗传退火混合策略

* 来源: * 作者: * 发表时间: 2020-06-18 0:09:17 * 浏览: 0
生存是一种高度并行,随机和自适应的优化算法,已广泛应用于机器学习,控制,优化和其他领域。对于标准遗传算法,尽管在一定条件下具有全局收敛性,但是在实际应用遗传算法时,往往会存在收敛过早,收敛性能差等缺点。 Metropolis等人于1953年提出了该算法。该算法是在一定的初始温度下,在求解空间中随机找到目标函数的全局最优解,以及温度参数的连续下降以及概率跳跃特征。在解决大规模问题时,单个传统算法的优化结果往往不理想,算法混合的思想已成为提高算法优化性能的重要有效途径。本文介绍了机器学习的原理,结合了GA和SA的优势,提出了一种新的混合优化策略(ModifiedGeneticAlgorithmandGA)。初始种群的质量和多样性将影响遗传算法的迭代次数,以及是否可以实现最优解rfUfub。解决方案和分类存储为知识模拟退火(MGASA)。该算法引入了SA作为GA种群的变异算子,并将Metropolis采样过程与GA结合起来,不仅充分发挥了GA强大的并行搜索能力的特点,而且增强了GA的进化能力。 ,此外,利用机器学习原理来指导总体的建立,使优化过程可以在短时间内获得最优解,从而提高了系统的收敛性能和速度,同时,机器学习的记忆功能用于避免丢失最优解。针对车间调度中的典型问题,本文采用一种改进的算法进行计算。结果表明,MGA-SA优于标准GA算法和SA算法。 1混合算法设计MGASA算法结合了GA全局并行搜索功能和SA本地串行搜索功能的特点,并采用了并行和串行结构的组合。外层在各种温度下执行GA操作,内层搜索每个子种群。初始解来自遗传算法的演化,而SA通过Metropolis采样过程获得的解成为遗传算法进一步进化的初始种群。这种结构避免了过早的遗传算法和局部搜索能力弱的缺点,并增强了系统的全局和局部搜索能力。知识库的合理性和信息的存储方式直接影响信息的存储和提取速度。因此,建立合理的知识库不仅可以提高数据存储和提取的速度,而且可以合理地分配资源,减少资源消耗。 ①初始人口银行。该库用于存储在各种工作条件下最后一次迭代生成的染色体组。由于遗传算法的整体发展,最后一次迭代中生成的染色体组的平均适应度值是最佳的,并记录了该结果。当再次执行优化计算时,所有或部分存储的染色体组将用作初始种群。初始种群在某种程度上具有较高的平均值,可以有效地减少进化数量。 ②人口分类数据库索引库。将每次迭代后生成的总体划分为几类,并记录分类索引号。每个类别中较高的平均值将作用于通过交叉操作在不同亚种群上产生的所有新个体,并与亲本种群进行整体选择筛选,以加速种群的进化。 ③优化结果库。用于存储每次SA优化计算后的温度调节参数和最优解,以便在再次遇到相同的工作条件时可以直接获取最优结果。在机器学习过程中,机器学习用于获取GA初始种群的一部分,采用随机方法获得GA初始种群的另一部分,从而提高了初始种群的适应性,加速了进化过程。遗传交叉和突变结束后,使用机器学习分类操作将总体分为几类,作为SA操作的初始群体。由Metropolis等人在1953年提出的采样方法是以概率将新状态接受为当前状态,即在温度t处,由当前状态i生成的新状态j的能量为E和E。如果E进入GA,则可以以可控的概率进行变异操作。控制初始温度以控制初始搜索行为,控制温度水平以控制突然跳跃的强度,高温下的强烈跳跃有助于避免陷入局部最小值,而低温下的趋化性则有利于提高局部搜索能力,控制冷却速度可以控制跳跃能力的下降,采样次数的控制可以控制各个温度下的搜索能力,避免了选择突变概率的困难,克服了遗传算法过早出现的缺点收敛。 2算法改进步骤1初始化算法参数。初始温度t = t,冷却速率变为k =步骤2搜索知识库,以确定是否存在满足条件的最优解和初始种群。如果是,则调用初始种群的一部分,然后随机生成另一部分,然后从数据库调用最优解,否则,随机生成初始种群。步骤4:确定算法的收敛准则。如果满足,请转到步骤9,否则请转到步骤5。步骤5随机选择个体,并与总体中的最佳个体相交以生成新个体。如果新个体的合适值优于当前最优解,则执行种群更新,否则,保留当前种群,并在步骤6中对所有个体执行变异操作,保留个体并将其分为n子群作为SA的初始种群,种群更新和知识库被更新,并存储最佳状态和温度调节参数。步骤7对n个子种群的个体进行固定步长采样的模拟退火操作,以最小概率接收后代,并更新种群和知识库。转到步骤4。步骤9输出优化结果。步骤10确定是否再次优化,如果是,请执行步骤2,否则请执行步骤11。步骤11输出最终优化结果。增强搜索效率。 MSAGA具有GA的全局并行搜索功能和SA的本地集中搜索功能,它们可以跳出本地最小值。引入机器学习原理。引入了机器学习原理来存储先前优化的流程。当再次遇到相同的工作条件时,可以通过查询数据库直接获得结果,避免了重复计算,提高了算法的发展速度。如果您对当前查询结果不满意,可以从先前存储的总体中提取一些个体作为初始总体的一部分,其余个体随机生成,这不仅确保了初始总体的多样性,而且还保持了初始种群的较高平均值,大大减少了优化迭代次数。增强进化能力。最优解存储在知识库中,在搜索过程中首先查询知识库,以避免丢失最优解,提高了进化能力。 3仿真分析表1和表2分别给出了3个工件,3个机床问题的时间约束和过程约束。本文采用改进的遗传退火算法和标准遗传算法对每台机器上加工工件序列的计算进行优化,并对优化结果进行比较。表1时间受限的工件加工时间表2过程受限的加工顺序kpiece过程从以下内容可以看出:①在迭代过程中,GA失去了最优解,因此GA无法保证最优解;②遗传退火算法由于无法提高染色体的适应性,因此其进化受到抑制,③之后使用改进的遗传退火算法,不仅可以提高初始种群的平均适应度,而且可以在每个迭代过程中保留最优解,从而避免了最优解。损失避免了选择突变概率的困难,同时克服了GA容易过早收敛的缺点。经过30次迭代,改进算法的平均适应度值得到提高,每个染色体的适应度值均达到最佳。为了验证本文算法的有效性,作者使用了标准的MT基准测试用例,VisualC ++编程,256MB内存,P4(2.8G)CPU。人口总数为400,交叉率为089,变异率为0.35,迭代次数为800,MGASA采用交叉方法,而GASA采用混合方法。其中,nm是工件和机器的数量,c是问题的最优值,c *是通过仿真获得的最优值,t是通过仿真获得的平均CPU时间。比较结果如表3所示。表3 MGASA和其他算法的性能比较。从比较中可以看出,MGASA可以解决MT10x10和MT20x5的复杂问题。因为它增加了总体平均值,所以进化速度加快了,并且系统可以在很短的时间内及时获得最优解。 4结束语在遗传退火混合算法中引入机器学习原理可以很好地增加初始种群的平均值,并加快进化速度。将最优解存储在知识库中,在搜索过程中首先查询知识库,避免丢失最优解,提高了进化能力。因此,使用MGASA解决典型的车间调度问题,不仅克服了传统算法的过早收敛性,而且增加了群体适应度,避免了最优解的损失,大大加快了进化速度。