磁盘空间不足。 磁盘空间不足。 基于激素调节机制的改进自适应粒子群算法在位移流水车间调度中的应用研究

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

基于激素调节机制的改进自适应粒子群算法在位移流水车间调度中的应用研究

* 来源: * 作者: * 发表时间: 2020-06-22 21:19:58 * 浏览: 0
0前言更换流水车间调度问题(Permutationflowshopproblem,PFSP)是制造系统中的重要计划问题。它是高等学校博士学科专项研究经费(20093218110020),国家自然科学基金(51175262),南京航空航天大学博士学位论文创新。由创优基金(BCXJ10-09)和新世纪人才支持计划(NCET-08)资助的项目。修订版在20111019和20120412中收到了一个典型的组合优化问题,这是一个不确定的多项式(NP)问题。当前解决替换流水车间调度问题的有效方法主要分为方法(枚举法,分支定界法,动态规划法,切面法等),施工启发法(古普塔法,帕尔默法,CDS法), NEH方法等)和基于计算智能的元启发式算法(遗传算法,模拟退火,禁忌搜索,蚁群算法等)。由于问题本身是NP难题,因此该方法受过多的计算和存储影响,仅适用于解决小规模问题。尽管构造启发式方法可以在较短的时间内获得调度问题的解决方案,但是这种方法在构造调度过程中过于依赖根据问题的本地信息设计的调度规则。用NEH方法得到的解的性能较好,一般来说,得到的解的质量和算法的通用性都较差。基于计算智能的元启发式算法,特别是基于混合策略的算法,通常可以在可行的时间内高概率地获得PFSP的最优解或最优近似解,成为各种PFSP的最常用算法。算法研究目前是计算智能领域的热门话题。最早的方法是KENNEDY在1995年提出的基于群智能方法的优化技术。它是一种受鸟类捕食行为启发的元启发式算法。与遗传算法(GA)相比,粒子群优化算法保留了基于种群的全局搜索策略,并通过种群内粒子之间的协作和竞争来生成智能的指导优化搜索。优化机制清晰易懂,步骤简单,成本低廉。但是,在车间调度的应用中,特别是在替换流程车间调度中,与GA算法相比,PSO在这一领域的研究还相对较少。目前,一些学者和相关研究人员已经进行了粒子群优化在替换流水车间调度中的应用研究。为了弥补粒子群优化算法不能直接解决组合优化问题的缺点,提出了一种离散粒子群(Discreteparticleswarmoptimization,DPSO)算法。采用扩展的传统二进制离散粒子群算法求解替换流水车间调度问题,并与遗传算法进行比较,证明该实验优于遗传算法。提出了一种自适应离散粒子群算法。排除因素用于控制人口的多样性。 PSO算法的早熟现象已得到有效编码,并用于车间调度问题。提出了一种基于信息共享机制的粒子群调度算法。该算法主要通过存储库的信息共享机制在PSO调度算法的本地检索模块中使用邻域知识,以指导邻域搜索并加快算法的收敛速度。混合进化算法是智能优化算法的重要发展方向,已成功应用于生产调度领域。最早提出使用可变邻域搜索(VNS)来改进PSO算法并将其应用于替换流水车间调度问题。它主要使用基于随机密钥mi的规则最小的位置值(Smallestpositionvalue,SPV)构成算法,可以在连续空间和离散空间之间转换粒子,因此标准PSO算法可以直接用于解决替换流水车间调度问题。提出了一种改进的基于模拟退火(SA)混合多种类型个体的PSO算法,提高了算法的鲁棒性和有效性,成功解决了作业车间调度问题。启发式信息的使用对于提高粒子群算法的优化性能非常重要。考虑到粒子群算法中的个体最优解和全局最优解对单个粒子的飞行起着重要的“导航”作用,因此设计了初始值。更好的个体最优初值将在整个过程中起重要作用。计算过程。基于以上考虑,为充分利用替换流水车间调度问题的启发式信息,本文对个体最优初始解的生成方法进行了改进:不再获得个体最优解和全局最优解。通过比较随机生成的初始粒子群,并将基于NEH的贪婪随机自适应阶数作为单个最优解的初始值。同时,由于粒子群内粒子之间缺乏信息共享,并受生物激素调控机制的启发,本文将改进的自适应粒子群算法(Improvedadaptiveparticleswarmoptimization,IAPSO)应用于替换流水车间调度问题。 ,从而提高了单个粒子最优解的性能。最后,针对经典的替换流水车间调度问题进行了仿真测试,分析了其仿真结果,并与其他算法的计算结果进行了比较,验证了本文提出的改进算法的有效性,为替换提供了解决方案。流水车间调度问题。一个新主意。 1置换流水车间调度问题说明置换流水车间调度问题实质上是许多实际生产调度问题的简化模型。主要内容是研究m台机器上工件的加工顺序。每个处理任务由m个过程组成,不同的过程由不同的机器完成。但是,工件通过m台机器的顺序相同,并且每台机器上的加工顺序也相同。 = 1,2,...,m,家庭1,2,...,”)表示处理任务/,在/机器上的处理时间,其值已给出。当处理顺序为t =(5,“ 2,...,”)时,在m台机器上处理任务的替换流水车间调度的完成时间为(m,)。解决此问题的目的是确定处理任务每台机器上的最佳处理顺序/以最大程度地减少处理时间。一般假设以下条件:①机器上每个加工任务的加工顺序为1、2,...,m,②在一定的时间,每台机器只能加工一个任务,不允许在加工后半途停止开始处理;③不能同时在不同的机器上执行相同的处理任务;④无法安排处理;⑤处理的准备时间包括在处理时间中,与处理顺序无关;⑥处理顺序每台机器上的处理任务都相同并确定,⑦所有机器都是连续可用的。以最小处理时间为目标的调度问题可以用数学公式描述为工作完成后的时间。 (1)(3)代表工艺约束条件,它确定各种工件的加工顺序,以确保每个工件的加工顺序都符合先前的要求,公式(4)代表加工每个工件的机器顺序确保每台机器一次只能加工一个工件,方程(5)代表了调度的目标函数,这就要求将机器的加工时间减到最少。 2用于PFSP的IAPSO算法解决组合优化问题的PSO算法的主要过程如下步骤如下:将一组随机初始解设置为一组粒子群,然后在初始解中选择单个粒子的个体最优解和整个粒子群的全局最优解。通过不断更新整个粒子群中每个粒子的速度和位置,以将整个粒子群中的粒子引导到当前的最优解,并在此飞行过程中寻找问题的最优解。生物内分泌系统也具有类似的工作原理。生物激素调节系统由内分泌腺组成人体,内分泌细胞和相应的激素形成一个非常复杂的系统,其中包含大量的分泌激素的细胞,每种类型的激素都会影响人体对内部和外部的反应环境,同时,某些环境刺激也会影响不同的腺体,分泌一定量的激素以适应内部和外部环境的变化。这种变化是身体的自我平衡,使个体朝着有利于自身适应能力的方向运动,并增强了生物体对环境的适应能力。因此,本文在充分利用PFSP问题的启发性信息的基础上,将基于激素调节机制的IAPSO算法应用于PFSP,以弥补传统PSO的不足,使算法更加高效,性能更高。解决方案更好。 2.1激素调节机制FARHY提出了激素分泌到激素腺体的一般规律,即激素的变化规律是单调而不是负的。激素分泌调节的上升规律函数Fup(G)和下降规律函数Fdown(G)遵循希尔函数定律,其公式表示为下降斜率。如果激素x由激素调节,则激素x的分泌率与激素浓度之间的关系受激素调节机理的启发,可以通过公式(8)得到。将荷尔蒙因子结构引入改进的粒子群优化算法的更新方程中,具有更好的局部搜索特性和更快的全局收敛速度,从而获得更好的调度序列。 2.2基于IAPSO的PFSP求解过程2.2.1粒子编/解码采用粒子群算法解决调度问题,关键步骤是建立粒子群算法的粒子空间与粒子群算法的解空间之间的合理映射关系。从而使粒子群优化算法的优化结果可以清晰地映射出调度问题的近最优(或最优)解。 PFSP主要解决所有工件的排序问题。因此,在此使用基于工件顺序和粒子位置的二维编码表示方法,即在调度问题中使用粒子位置的顺序对工件或任务顺序进行映射以实现调度问题。解决方案的表示形式。当使用基于粒子位置序列(PPS)的二维粒子编码方法时,维/代表粒子的位置矢量值,而第二维j代表工件的加工顺序。颗粒的长度是所有加工过的工件的个数n,例如颗粒的位置/ X =(xu,x,2,...,Xn)包含了工件的排列顺序。同时,为了使粒子群算法的优化结果能够准确地映射出实际的加工顺序,本文采用SPV方法提取了工件的加工顺序。表1给出了将尺寸为6的粒子位置转换为6个工件的数量级的示例。表1粒子*的位置X,相应的加工顺序尺寸j,位置Xjj的5号工件订单的尺寸为4,则在剩余数据xu中最小,因此第二个工件编号的尺寸为3。以此类推,相应的工件顺序为4、3、2、6、5、1.2.2.2参数初始化在粒子群优化算法中,随机生成粒子的初始解X和速度的初始值F并均匀地生成。分配将提出的混合粒子群优化算法(Hybridparticleswarmoptimization,HPSO),混合遗传算法(Hybridgeneticalgorithm,HGA)与RecH测验问题的NEH性能统计结果进行比较。它以直方图的形式给出了通过测试PFSP实例的各种算法获得的最佳结果的比较图。横坐标代表问题的类型,纵坐标代表算法获得的最优解。它是使用折线图对IAPSO,HGA和HPSO三种算法的计算结果的平均相对误差ARE的直观比较。从总和可以看出,与HGA和HPSO相比,IAPSO明显优于NEH启发式算法,还可以看出IAPSO获得的PFSP的最优解Tmax和多次运算后的最优解Tmax。平均相对误差等于或好于两种混合优化调度算法获得的结果。可以看出,将基于激素调节机制的IAPSO应用于替换流水车间调度问题,明显提高了替换流水车间调度问题的调度质量和稳定性。 4结束语为了充分利用启发式信息进行替换流水车间调度问题,结合替换流水车间调度问题的特点,本文首先使用基于NEH的GRASP算法来获得个体最优解。初始粒子,然后基于激素调节机制,将IAPSO算法应用于该粒子。 IAPSO通过感知单个粒子的周围信息来指导算法的局部搜索,避免了粒子的大量盲目更新操作,这不仅保证了算法的全局优化特性,而且提高了流程效率有效信息在算法中的应用,并加快了算法的收敛速度。测试结果表明,IAPSO在调度实例的应用中可以达到满负荷运行