一种基于协同演化算法的流水车间节能调度求解方法

1.本发明属于制造业系统中的车间调度领域，具体涉及一种基于两阶段协同演化算法的流水车间节能调度方法。


背景技术：

2.流水车间调度问题作为一类典型的组合优化问题，因其内在的复杂性，引起了学者和工程实践者的广泛关注。同时，大多数流水车间调度问题被证实属于np-hard问题。因此，研究并提出求解流水车间调度问题的高效技术和算法，具有广泛的现实应用价值和学术理论价值。
3.作为一种决策过程，调度在制造业和生产系统中起着非常重要的作用，大量的实际工程问题可以被转化为流水车间调度问题求解。零等待流水车间调度(no-wait flow shop scheduling problem,nwfsp) 已被广泛应用于各个工业领域。在nwfsp中，一旦开始处理工件，就不允许中断该工件的操作。经典零等待流水车间调度的目标是对所有工件进行排序，以实现装配线的最短完成时间。由于计算的复杂性， nwfsp被认为是np-hard问题。
4.虽然学者对具有生产效率措施的nwfsp进行了广泛的研究。但是，在nwfsp中很少考虑与能效相关的目标。能源危机已成为全球最严重，最紧迫的问题之一。持续消耗不可再生能源会导致能源枯竭和温室效应。同时，工业制造中的能耗占世界总能耗的一半以上。此外，制造工厂中的机器以不同的处理模式运行，机器的能耗不同，对机器寿命的影响也不同。因此，在公众对可持续发展的意识和市场竞争的压力下，制造企业被迫高度重视降低能耗。对于制造企业而言，在制造过程中开发有效的节能措施和技术非常重要。


技术实现要素：

5.本发明提供一种基于两阶段协同演化算法的流水车间节能调度方法，并应用于具有能源约束的零等待流水车间调度问题中，该方法能够同时优化零等待流水车间调度系统的经济指标和绿色指标。
6.本发明的设计思路为：(1)使用混合整数规划模型对该调度问题进行建模，并挖掘问题潜在的隐性知识，提出一个基于问题特定知识的两阶段协同演化算法(atwo-stage cooperative evolution algorithmwith problem-specific knowledge,ts-cea)；(2)将该调度问题的混合整数规划模型转化为(n+1)个城市之间距离可变的非对称旅行商问题，使用分支定界算法(branch and bound algorithm,bb)对提出模型和算法的有效性进行验证。
7.本发明是基于问题特定知识的两阶段协同演化算法的零等待流水车间节能调度(energy-efficient scheduling of no-wait flow-shop problem,eenwfsp)方法，该方法包括以下步骤：
8.步骤1：随机初始化机器的加工速度，使用改变的mneh算法和 jpa拼图游戏启发式算法两种构造型启发式方法得到一个同时优化最大完工时间和机器能耗的调度解；
9.步骤2：在ts-cea的第一阶段，保持机器的加工速度不变，使用迭代局部搜索策略获得同时优化最大完工时间和机器总能耗的调度极值解；
10.步骤3：在ts-cea的第二阶段，保持工件的调度序列不变，使用基于工件调度序列的关键路径知识的变异策略更新机器的加工速度，将算法的第一阶段得到的极值解扩散到非支配前沿面。
11.步骤4：在非支配解集中，随机选取一个调度解，重复执行步骤 2和步骤3的操作，直到满足算法的终止条件。
12.优选地，在步骤1中，针对不同的子问题(最小化最大完工时间和机器总能耗)，根据不同的构造指标(最小化工件离开时间和机器空闲时间)，设计不同的构造型启发式算法产生最优初始调度解。
13.优选地，在步骤2中迭代局部搜索策略，插入和块移动邻域结构被使用去探测eenfsp的极值解，这两种邻域结构分别符合零等待流水车间调度问题适应度地形和固有属性。
14.优选地，在步骤2和步骤3中，该算法的运行机制服从控制变量原理，有效缩小了eenwfsp的解空间；同时，演化过程被分为两个阶段，在阶段i，机器的加工速度保持不变，eenwfsp被转为单目标优化问题，迭代局部搜索策略被使用去获得潜在的极值解。在阶段 ii，工件的调度序列保持不变，基于关键路径知识的变异策略被使用去改变机器的加工速度，将极值解扩散到非支配前沿。
15.优选地，eenwfsp的混合整数规划模型被合理转化为非对称的旅行商问题模型，从而，验证了提出模型和算法在求解实际企业生产过程调度的有效性。
16.本发明的有益效果：
17.(1)ts-cea的设计服从控制变量原则，有效缩减了eenwfsp 的解空间，大量实验结果证实，该算法的优化效果显著优于求解 eenwfsp的代表性算法。
18.(2)eenwfsp的混合整数规划模型被转化(n+1)个城市之间距离可变的非对称旅行商问题模型(asymmetric traveling salesmanproblem,atsp)；然后，使用分支定界算法(branch and boundalgorithm,bb)在小规模问题实例上验证了提出算法和模型的有效性；实验结果证实，提出算法可以找到eenwfsp近似真实的非支配前沿；因此，提出的基于ts-cea算法的优化求解方法可以为用户企业提供更多可选择的调度方案。
附图说明
19.图1为企业炼钢-连铸加工流程；
20.图2为带能源约束的零等待流水车间调度问题模型的甘特图；
21.图3为本发明的运行机制图；
22.图4为本发明的流程图；
23.图5为本发明的模块交互图；
24.图6为本发明中工件调度序列的关键路径图；
25.图7为本发明中基于关键路径的变异策略图；
26.图8为本发明的模型转化示意图；
27.图9为本发明中ts-cea和bb所获非支配前沿；
28.图10为本发明中ts-cea和基于关键路径知识分支定界算法 (bb-v1)所获非支配前沿；
29.图11为本发明与所有对比算法所获非支配前沿；
具体实施方式
30.以下将结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实例仅用于解释本发明，并不用于限定本发明。
31.在炼钢、食品、化学工业和药品等的加工工程中，一个目标一旦开始被加工，则它的每一道工序都不能被中断直到所有工序被完成。如图1所示，在钢铁生产企业的炼钢-连铸过程中，为了减少钢水在空气中温度的降低，实现钢水热送热装的生产方式，在机器的不同功率的运行模式下，该调度过程中的工序被要求零等待。结合附图以及技术方案，下面将进一步说明ts-cea算法在零等待流水车间的节能调度问题中的应用。具体包括以下内容：
32.初始化：因为机器的加工速度是被随机初始化并保持不变的，所以机器的待机时间越小，则总能耗越小。此外，工件调度解的最大完工时间越小，机器的总能耗越小。两个不同的指标被使用去设计不同构造型初始化方法。nn+mneh和jpa的具体实现伪代码如下：
[0033][0034][0035][0036]
基于问题特定知识的协同演化算法：根据单一变量原则，提出的协同演化算法的演化过程被分为两个阶段。如图3所示，在第一阶段，机器的加工速度保持不变，工件调度序列的最大完工时间越小，机器的总能耗越小。因此，eenwfsp被转化为一个单目标问题。迭代局部搜索策略被使用去搜索潜在的同时优化最大完工时间和机器总能耗的可行解(从圆移
science(including subseries lecture notes in artificialintelligence and lecture notes in bioinformatics).pp.753-759.),kca(j. j.wang,and l.wang,“a knowledge-based cooperative algorithmforenergy-efficient scheduling of distributed flow-shop,”ieeetransactions on systems,man,and cybernetics:systems,pp.1-15, 2018.)。这些算法分别在ta标准测试集上进行仿真测试。如图11所示，提出的ts-cea算法在收敛性和分布性指标方面均显著优于对比算法。
[0043]
以上所述虽然是结和附图对本发明进行了描述，但应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下即可进行修改或变形，这些改进也视为本发明的保护范围。