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: 2020-04-24 0:12:13 * 浏览: 22
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,经常会出现收敛早,收敛性能差等缺点。 Metropolis等人于1953年提出了该算法。该算法是结合某个初始温度下温度参数的连续下降以及概率跳跃特征,在解空间中随机找到目标函数的全局最优解。在解决大规模问题时,单一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,结合了遗传算法和遗传算法的优点,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相结合,不仅充分发挥了GA强大的并行搜索能力的特点,而且还增强和补充了GA的进化能力。另外,利用机器学习原理指导种群的建立,使优化过程在短时间内获得最优解,提高系统的收敛性能和收敛速度,同时,提高了机器的存储功能学习被用来避免失去最优解。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,与标准GA算法和SA算法相比,MGA-SA有很大的改进。 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,而内层搜索每个子种群。最初的解决方案来自通用航空的发展。 SA通过Metropolis抽样过程获得的解决方案成为GA进一步发展的最初群体。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的存储和提取速度,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,在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,并且记录了该结果。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。每个类别中的平均值越高,将作用于通过对不同亚种群进行交叉操作而产生的所有新个体,并与亲本种群进行整体选择筛选,从而加速种群的进化。 ③优化结果库。用于存储每次SA优化计算后获得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,机器学习用于获得一部分遗传算法的初始种群,并使用随机方法获得遗传算法的初始种群的另一部分,从而提高初始种群的适应性,并加速进化过程。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变成GA,则可以以可控的概率进行变异操作。控制初始温度可以控制初始搜索行为,控制温度水平可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,克服了遗传算法的缺点。容易过早收敛。 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,将随机生成初始种群。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交叉以生成新个体。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子种群作为SA的初始种群,种群更新和知识库被更新,并且最佳状态和温度调节参数被存储。步骤7:对n个子种群的个体执行固定步长采样的模拟退火操作,以最小概率接受后代,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判断是否再次优化,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同时具有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,避免了重复计算并提高了算法的发展速度。如果您对当前的查询结果不满意,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。剩余的个体是随机生成的,这不仅确保了初始种群的多样性,而且保持了初始种群的高平均值,极大地减少了优化迭代的次数。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受时间限制的加工时间和工件加工过程,因为它不能提高适应性f染色体,其进化受到抑制;③使用改进的遗传退火算法后,不仅增加了初始种群的平均适应度,而且在每次迭代过程中都保留了最优解,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了提高,每个染色体的适应度值也达到了最优。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。由于它增加了种群的平均值,因此加快了进化速度,并且系统可以及时获得最佳解决方案。 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。