一种融合随机算法和启发式规划的生产调度方法及装置与流程
本发明涉及规划领域，尤其涉及一种融合随机算法和启发式规划的生产调度方法及装置。
背景技术
生产调度就是组织执行生产进度计划的工作，生产调度以生产进度计划为依据，生产进度计划要通过生产调度来实现，生产调度的必要性是由工业企业生产活动的性质决定的，现代工业企业，生产环节多，协作关系复杂，生产连续性强，情况变化快，某一局部发生故障，或某一措施没有按期实现，往往会波及整个生产系统的运行。
因此，加强生产调度工作，对于及时了解、掌握生产进度，研究分析影响生产的各种因素，根据不同情况采取相应对策，使差距缩小或恢复正常是非常重要的。流程工业生产调度可为实际生产带来明显的经济效益，已受到国内外研究者的广泛关注。目前，生产调度的方法可分为基于规则的调度和基于模型的调度两大类。基于规则的调度方法根据一定的规则和策略来确定生产过程的下一步操作，又称为启发式方法。启发式方法直观、简单实用，花费较少时间即可得到调度问题的可行解，但其优化性能相对较低，没有充分发挥数学模型强大的优化优势，难以以全局的观点进行寻优，很难定量评价所得到的结果与全局最优解的偏差，优化程度不易把握。
技术实现要素：
本发明提供的一种融合随机算法和启发式规划的生产调度方法，解决了现有启发式方法直观、简单实用，花费较少时间即可得到调度问题的可行解，但其优化性能相对较低，没有充分发挥数学模型强大的优化优势，难以以全局的观点进行寻优，很难定量评价所得到的结果与全局最优解的偏差，优化程度不易把握的技术问题。
本发明提供的一种融合随机算法和启发式规划的生产调度方法，包括：
对任意一个不确定性动作通过随机算法随机选择生产的动作序列；
针对所述动作序列通过启发式规划方式以及因果图最大代价法求解目标中各个变量的启发值。
可选地，所述针对所述动作序列通过启发式规划方式以及因果图最大代价法求解目标中各个变量的启发值包括：
计算一个动作状态s到达目标sg的距离
其中，costv(s(v),sg(v))表示变量从状态s中的值转移到目标sg中的值所需的代价。
可选地，所述不确定性动作在状态s下是可用的。
可选地，所述方法还包括：
通过dijkstra算法，并结合域转移图和因果图计算所述costv(s(v),sg(v))。
可选地，所述通过dijkstra算法，并结合域转移图和因果图计算所述costv(s(v),sg(v))具体包括：
若在因果图中，变量v没有直接前辈，那么costv(s(v),sg(v))为v的域转移图中从s(v)到sg(v)的最短路径长度，若不存在从s(v)到sg(v)的路径，则costv(s(v),sg(v))为正无穷；
令vv为因果图中v的直接前辈的集合，若v从s(v)到sg(v)的转移以vv中变量vp的赋值为前提，则在vp的域转移图中寻找满足该赋值的最短路径长度，并将该长度添加到costv(s(v),sg(v))中。
本发明提供的一种融合随机算法和启发式规划的生产调度装置，包括：
随机选择模块，用于对任意一个不确定性动作通过随机算法随机选择生产的动作序列；
启发求解模块，用于针对所述动作序列通过启发式规划方式以及因果图最大代价法求解目标中各个变量的启发值。
可选地，所述启发求解模块，用于：
计算一个动作状态s到达目标sg的距离
其中，costv(s(v),sg(v))表示变量从状态s中的值转移到目标sg中的值所需的代价。
可选地，所述不确定性动作在状态s下是可用的。
可选地，还包括：
计算模块，用于通过dijkstra算法，并结合域转移图和因果图计算所述costv(s(v),sg(v))。
可选地，所述计算模块，用于：
若在因果图中，变量v没有直接前辈，那么costv(s(v),sg(v))为v的域转移图中从s(v)到sg(v)的最短路径长度，若不存在从s(v)到sg(v)的路径，则costv(s(v),sg(v))为正无穷；
令vv为因果图中v的直接前辈的集合，若v从s(v)到sg(v)的转移以vv中变量vp的赋值为前提，则在vp的域转移图中寻找满足该赋值的最短路径长度，并将该长度添加到costv(s(v),sg(v))中。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供的一种融合随机算法和启发式规划的生产调度方法，包括：对任意一个不确定性动作通过随机算法随机选择生产的动作序列；针对所述动作序列通过启发式规划方式以及因果图最大代价法求解目标中各个变量的启发值，在生产调度模型基础上，结合了基于随机算法和启发式规划的模型，即通过随机算法对每一个环节进行选择相应动作序列，并运用启发式方法对问题进行求解，使得得到的求解质量有保障，具有线性的关系，解决了现有启发式方法直观、简单实用，花费较少时间即可得到调度问题的可行解，但其优化性能相对较低，没有充分发挥数学模型强大的优化优势，难以以全局的观点进行寻优，很难定量评价所得到的结果与全局最优解的偏差，优化程度不易把握的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种融合随机算法和启发式规划的生产调度方法的一个实施例的流程示意图；
图2为本发明实施例提供的一种融合随机算法和启发式规划的生产调度方法的另一个实施例的流程示意图；
图3为本发明实施例提供的一种融合随机算法和启发式规划的生产调度装置的一个实施例的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参照图1，本发明实施例提供的一种融合随机算法和启发式规划的生产调度方法可以包括：
步骤s100：对任意一个不确定性动作通过随机算法随机选择生产的动作序列；
本发明实施例中，当进行融合随机算法和启发式规划的生产调度时，需要对任意一个不确定性动作通过随机算法随机选择生产的动作序列；
需要说明的是，随机算法从一个计数理论的工具发展到今天在许多类型的算法中都得到了广泛应用，显示了随机算法本身强大的生命力。所谓随机算法，就是在执行过程中要做出随机选择的算法。随机算法有两个优势：简单和快速。研究随机算法，除了它的研究带来新的方法和新的思想外。另一个重要原因是它与算法复杂性的关系。讨论算法的时间复杂性估计。对解答p类问题算法分析，已经取得若干令人信服的结果。但对于np难解问题，仍然没有取得实质性进展。在这种背景下，研究解答np难解同题的近似算法引起人们极大的兴趣。但是，对近似算法近似性能比的估计要求对所解答问题的所有实例都成立，就显得太苛刻。致使在p≠np假设下，若干np难解问题找不出其近似性能比有界的近似算法，例如货郎优化问题。即使有些np难解问题存在近似性能比有界的算法，但这种上界太大，例如图着色同题。针对这种情况，karp试图预先假定问题实例在实例空间中服从某种概率分布，设计出解答若干np难解同题的概率算法。
概率算法有两种思路，其一是算法为确定型算法。解答问题的实例服从某种概率分布，可分析算法的期望时间复杂性或在概率为1(几乎处处)的条件下。给出解答问题的精确解或近似解。设计概率算法的另一种思路是，求解问题的实例空间是确定的，而将随机语句引入算法，这就是通常讲的随机算法。
许多np问题它们的真正难度或许在于我们不能找出其构造中一致性的东西。换句话说，它们的构造太乱以至于我们不能清晰准确地对它们进行刻画，按照经典的基于清晰的离散结构的算法理论自然找不到解决问题的好算法。此时，随机算法退而求其次，不考虑最坏情况下的时间耗费，而考虑其平均时间耗费，寻找一个在大多数情况下是个好算法的解决途径，尽管它可能不是绝对好的。但是比对问题无法估计要好得多了，在许多应用中-随机算法是能找到最简单的或者最快的算法，或者二者得兼。
问题求解困难有各方面原因，其中重要的一点是：问题的条件随时间变化，甚至可能出现一些不期望的因素，另外，实际问题常常存在约束，需要进行特殊操作来产生可行解。启发式方法是针对这些困难寻求解决问题的一种策略，它建立在人们经验和判断的基础上，体现了人的主观能动作用和创造力，其特点是在解决问题时，利用过去的经验，选择最大可能有效的方法，而不是系统地、以确定的步骤去寻求答案。
普通算法往往将各种可能性都进行尝试，最终能找到所求问题的解，但它可能需要在很大的问题空间内，花费大量的时间才能求得答案，问题的时间复杂度和空间复杂度相当大。而启发式方法是在有限的搜索空间内，采取当前最满意的行动，尽量减少尝试的数量，能快速解决问题。但由于这种方法会尝试错误，所以可能会失败。
由于很多问题不存在严格最优解，或者没有必要获得具有高度精度的解，或者要得到最优解所花的代价太大，这时对目标的满意性常比最优性更能准确地描述人们的选择行为。所以，启发式方法并不强调得到最优解，而是得到问题的满意解。
启发式搜索也正是近年来处理大空间搜索问题的主流方法，它的高效实用效果也不断的被证实。在确定性规划中，启发式方法已被广泛应用，用以处理高维度空间搜索问题，并取得很好的效果，但就实际问题而言，对解的最优性要求往往不是那么严格，在满意时间内的次优解更符合实际需要。
因此，本发明在启发式规划前引入随机算法：对任意一个不确定性动作通过随机算法随机选择生产的动作序列在保证一定精确度的前提下提高效率。
步骤s101、针对动作序列通过启发式规划方式以及因果图最大代价法求解目标中各个变量的启发值；
对任意一个不确定性动作通过随机算法随机选择生产的动作序列之后，需要针对动作序列通过启发式规划方式以及因果图最大代价法求解目标中各个变量的启发值；
因果图启发方法的基本思想是：计算一个动作状态s到达目标sg的距离
其中costv(s(v),sg(v))表示变量从状态s中的值转移到目标sg中的值所需的代价。由上式可以看出，一个状态的因果图启发值为目标中各个变量的启发值之和，因此这是一种和代价法。在计算变量v从域中的一个值s(v)转移到另一个值sg(v)的代价costv(s(v),sg(v))时，需要结合域转移图和因果图，主要利用的是类似dijkstra算法：
若在因果图中，变量v没有直接前辈，那么costv(s(v),sg(v))costv(s(v),sg(v))为v的域转移图中从s(v)到sg(v)的最短路径长度，若不存在从s(v)到sg(v)的路径，则costv(s(v),sg(v))为正无穷；
令vv为因果图中v的直接前辈的集合，若v从s(v)到sg(v)的转移以vv中变量vp的赋值为前提，则在vp的域转移图中寻找满足该赋值的最短路径长度，并将该长度添加到costv(s(v),sg(v))中。
其中，所有高层变量转移的基本代价都为1。
但是在实际问题中，特别是在生产调度问题中，各个变量之间通常不是独立的，目标中的一个变量被满足时，可能对其它变量产生正作用。作用最大时表现为使得其它变量也到达目标，因此，引入最大代价法，其对状态的估价更优，因果图最大代价法的计算方法为：
因果图最大代价法也是不可纳的，因为在计算costv(s(v),sg(v))时，其中嵌入了和代价法。但因果图最大代价法的可采纳性要优于因果图和代价法，当变量间产生积极作用时，如果利用因果图和代价法得到的启发值过高，就可能使得搜索求解过程减慢，或者得到的规划解长度不是最优的，而用因果图最大代价法则会得到最优解。当且仅当变量的域转移图中的转移条件不多于一个时，即没有转移条件间产生的作用时，因果图最大代价法是可采纳的。
本发明提供的一种融合随机算法和启发式规划的生产调度方法，包括：对任意一个不确定性动作通过随机算法随机选择生产的动作序列；针对动作序列通过启发式规划方式以及因果图最大代价法求解目标中各个变量的启发值，在生产调度模型基础上，结合了基于随机算法和启发式规划的模型，即通过随机算法对每一个环节进行选择相应动作序列，并运用启发式方法对问题进行求解，使得得到的求解质量有保障，具有线性的关系，解决了现有启发式方法直观、简单实用，花费较少时间即可得到调度问题的可行解，但其优化性能相对较低，没有充分发挥数学模型强大的优化优势，难以以全局的观点进行寻优，很难定量评价所得到的结果与全局最优解的偏差，优化程度不易把握的技术问题。
上面是对一种融合随机算法和启发式规划的生产调度方法的一个实施例进行的详细描述，下面将对一种融合随机算法和启发式规划的生产调度方法的另一个实施例进行详细的描述。
请参阅图2，本发明实施例提供的一种融合随机算法和启发式规划的生产调度方法可以包括：
步骤s200：对任意一个不确定性动作通过随机算法随机选择生产的动作序列；
本发明实施例中，当进行融合随机算法和启发式规划的生产调度时，需要对任意一个不确定性动作通过随机算法随机选择生产的动作序列；
需要说明的是，随机算法从一个计数理论的工具发展到今天在许多类型的算法中都得到了广泛应用，显示了随机算法本身强大的生命力。所谓随机算法，就是在执行过程中要做出随机选择的算法。随机算法有两个优势：简单和快速。研究随机算法，除了它的研究带来新的方法和新的思想外。另一个重要原因是它与算法复杂性的关系。讨论算法的时间复杂性估计。对解答p类问题算法分析，已经取得若干令人信服的结果。但对于np难解问题，仍然没有取得实质性进展。在这种背景下，研究解答np难解同题的近似算法引起人们极大的兴趣。但是，对近似算法近似性能比的估计要求对所解答问题的所有实例都成立，就显得太苛刻。致使在p≠np假设下，若干np难解问题找不出其近似性能比有界的近似算法，例如货郎优化同题。即使有些np难解问题存在近似性能比有界的算法，但这种上界太大，例如图着色同题。针对这种情况，karp试图预先假定问题实例在实例空间中服从某种概率分布，设计出解答若干np难解同题的概率算法。
概率算法有两种思路，其一是算法为确定型算法。解答问题的实例服从某种概率分布，可分析算法的期望时间复杂性或在概率为1(几乎处处)的条件下。给出解答问题的精确解或近似解。设计概率算法的另一种思路是，求解问题的实例空间是确定的，而将随机语句引入算法，这就是通常讲的随机算法。
许多np问题它们的真正难度或许在于我们不能找出其构造中一致性的东西。换句话说，它们的构造太乱以至于我们不能清晰准确地对它们进行刻画，按照经典的基于清晰的离散结构的算法理论自然找不到解决问题的好算法。此时，随机算法退而求其次，不考虑最坏情况下的时间耗费，而考虑其平均时间耗费，寻找一个在大多数情况下是个好算法的解决途径，尽管它可能不是绝对好的。但是比对问题无法估计要好得多了，在许多应用中-随机算法是能找到最简单的或者最快的算法，或者二者得兼。
问题求解困难有各方面原因，其中重要的一点是：问题的条件随时间变化，甚至可能出现一些不期望的因素，另外，实际问题常常存在约束，需要进行特殊操作来产生可行解。启发式方法是针对这些困难寻求解决问题的一种策略，它建立在人们经验和判断的基础上，体现了人的主观能动作用和创造力，其特点是在解决问题时，利用过去的经验，选择最大可能有效的方法，而不是系统地、以确定的步骤去寻求答案。
普通算法往往将各种可能性都进行尝试，最终能找到所求问题的解，但它可能需要在很大的问题空间内，花费大量的时间才能求得答案，问题的时间复杂度和空间复杂度相当大。而启发式方法是在有限的搜索空间内，采取当前最满意的行动，尽量减少尝试的数量，能快速解决问题。但由于这种方法会尝试错误，所以可能会失败。
由于很多问题不存在严格最优解，或者没有必要获得具有高度精度的解，或者要得到最优解所花的代价太大，这时对目标的满意性常比最优性更能准确地描述人们的选择行为。所以，启发式方法并不强调得到最优解，而是得到问题的满意解。
启发式搜索也正是近年来处理大空间搜索问题的主流方法，它的高效实用效果也不断的被证实。在确定性规划中，启发式方法已被广泛应用，用以处理高维度空间搜索问题，并取得很好的效果，但就实际问题而言，对解的最优性要求往往不是那么严格，在满意时间内的次优解更符合实际需要。
因此，本发明在启发式规划前引入随机算法：对任意一个不确定性动作通过随机算法随机选择生产的动作序列在保证一定精确度的前提下提高效率。
步骤s201、计算一个动作状态s到达目标sg的距离
其中，costv(s(v),sg(v))表示变量从状态s中的值转移到目标sg中的值所需的代价，通过dijkstra算法，并结合域转移图和因果图计算所述costv(s(v),sg(v))；
其中，若在因果图中，变量v没有直接前辈，那么costv(s(v),sg(v))costv(s(v),sg(v))为v的域转移图中从s(v)到sg(v)的最短路径长度，若不存在从s(v)到sg(v)的路径，则costv(s(v),sg(v))为正无穷；
令vv为因果图中v的直接前辈的集合，若v从s(v)到sg(v)的转移以vv中变量vp的赋值为前提，则在vp的域转移图中寻找满足该赋值的最短路径长度，并将该长度添加到costv(s(v),sg(v))中
对任意一个不确定性动作通过随机算法随机选择生产的动作序列之后，需要计算一个动作状态s到达目标sg的距离
其中，costv(s(v),sg(v))表示变量从状态s中的值转移到目标sg中的值所需的代价；
需要说明的是，不确定性动作在状态s下是可用的。
因果图启发方法的基本思想是：计算一个动作状态s到达目标sg的距离
其中costv(s(v),sg(v))表示变量从状态s中的值转移到目标sg中的值所需的代价。由上式可以看出，一个状态的因果图启发值为目标中各个变量的启发值之和，因此这是一种和代价法。在计算变量v从域中的一个值s(v)转移到另一个值sg(v)的代价costv(s(v),sg(v))时，需要结合域转移图和因果图，主要利用的是类似dijkstra算法：
若在因果图中，变量v没有直接前辈，那么costv(s(v),sg(v))costv(s(v),sg(v))为v的域转移图中从s(v)到sg(v)的最短路径长度，若不存在从s(v)到sg(v)的路径，则costv(s(v),sg(v))为正无穷；
令vv为因果图中v的直接前辈的集合，若v从s(v)到sg(v)的转移以vv中变量vp的赋值为前提，则在vp的域转移图中寻找满足该赋值的最短路径长度，并将该长度添加到costv(s(v),sg(v))中。
其中，所有高层变量转移的基本代价都为1。
但是在实际问题中，特别是在生产调度问题中，各个变量之间通常不是独立的，目标中的一个变量被满足时，可能对其它变量产生正作用。作用最大时表现为使得其它变量也到达目标，因此，引入最大代价法，其对状态的估价更优，因果图最大代价法的计算方法为：
因果图最大代价法也是不可纳的，因为在计算costv(s(v),sg(v))时，其中嵌入了和代价法。但因果图最大代价法的可采纳性要优于因果图和代价法，当变量间产生积极作用时，如果利用因果图和代价法得到的启发值过高，就可能使得搜索求解过程减慢，或者得到的规划解长度不是最优的，而用因果图最大代价法则会得到最优解。当且仅当变量的域转移图中的转移条件不多于一个时，即没有转移条件间产生的作用时，因果图最大代价法是可采纳的。
本发明提供的一种融合随机算法和启发式规划的生产调度方法，包括：对任意一个不确定性动作通过随机算法随机选择生产的动作序列；针对动作序列通过启发式规划方式以及因果图最大代价法求解目标中各个变量的启发值，在生产调度模型基础上，结合了基于随机算法和启发式规划的模型，即通过随机算法对每一个环节进行选择相应动作序列，并运用启发式方法对问题进行求解，使得得到的求解质量有保障，具有线性的关系，解决了现有启发式方法直观、简单实用，花费较少时间即可得到调度问题的可行解，但其优化性能相对较低，没有充分发挥数学模型强大的优化优势，难以以全局的观点进行寻优，很难定量评价所得到的结果与全局最优解的偏差，优化程度不易把握的技术问题。
请参阅图3，图3示出了本发明实施例提供的一种融合随机算法和启发式规划的生产调度装置的结构示意图，包括：
随机选择模块301，用于对任意一个不确定性动作通过随机算法随机选择生产的动作序列；
启发求解模块302，用于针对动作序列通过启发式规划方式以及因果图最大代价法求解目标中各个变量的启发值。
可选地，启发求解模块302，用于：
计算一个动作状态s到达目标sg的距离
其中，costv(s(v),sg(v))表示变量从状态s中的值转移到目标sg中的值所需的代价。
可选地，不确定性动作在状态s下是可用的。
可选地，还包括：
计算模块303，用于通过dijkstra算法，并结合域转移图和因果图计算costv(s(v),sg(v))。
可选地，计算模块303，用于：
若在因果图中，变量v没有直接前辈，那么costv(s(v),sg(v))为v的域转移图中从s(v)到sg(v)的最短路径长度，若不存在从s(v)到sg(v)的路径，则costv(s(v),sg(v))为正无穷；
令vv为因果图中v的直接前辈的集合，若v从s(v)到sg(v)的转移以vv中变量vp的赋值为前提，则在vp的域转移图中寻找满足该赋值的最短路径长度，并将该长度添加到costv(s(v)),sg(v))中。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
- 还没有人留言评论。精彩留言会获得点赞！