关键词:
柔性作业车间调度
差分进化算法
立方混沌
自适应
摘要:
在科技与制造行业急速发展的现今,生产调度问题长期以来一直是制造系统的热门问题,其理论研究也是最为艰难跨越的障碍之一。调度的任务是通过确定生产目标和约束条件,来为工件明确合适的加工时间、路线、器械和顺序等。该研究不仅能改善效率,提高企业竞争力,同时还能降低能耗,实现制造业的绿色发展。柔性作业车间调度问题(flexible job-shop scheduling problem,FJSP)作为传统车间调度的扩展,更加符合实际生产中的制造环境,增强了生产调度的灵活性。同时FJSP比传统作业车间调度问题更为复杂,不仅需要对工序加工的顺序进行排序,还要给工序分配机器,因此被归为NP-hard类问题。
差分进化算法(Differential Evolution Algorithm,DE)作为快捷有效的智能优化算法,通过个体间差异进行搜索,受控参数少、鲁棒性强,具有较强的全局收敛能力和稳健性。但是差分进化算法在柔性作业车间问题中,寻优的速度较慢,而且比较容易陷入局部最优解中,因此本文将围绕差分进化算法改进及其在FJSP中的求解应用展开,主要研究内容及创新点如下:
(1)针对差分进化算法的初始种群质量低,局部搜索能力不强,容易陷入局部最优值而过早收敛以及受控参数敏感等问题,提出了一种基于阶段自适应的混沌差分进化算法SACDE(Stage Adaptive Chaos Differential Evolution Algorithm)。该算法通过立方混沌初始化的方式,使初始种群在解空间的分布更均匀,从而加快定位最优解的方向,提高初始种群质量;同时对变异操作进行改进,使变异向着最优的个体方向进行发展;以及采用参数的阶段自适应化,使算法在前期注重多样性,增强全局搜索能力,后期注重局部搜索能力的同时,提高算法的效率;由于提高了算法在后期的搜索速度,因此为了防止算法在后期陷入局部最优解中,融入模拟退火算法中的退火操作,允许算法在一定概率下接受非最优解,以此跳出局部最优区域,探索更广阔的解空间。以上改进策略在保持算法高效搜索的同时,增加了对全局最优解的搜索机会,提高了算法的全局搜索能力和解的质量,展现出了更强的鲁棒性和适应性。最后通过CEC2013测试集中的28个函数对该算法与其他算法展开对比测试。实验证明,SACDE算法的总体性能最优。
(2)针对FSJP优化问题,将通过本文提出的SACDE算法进行求解。首先对FJSP建立其数学模型,以最小化最大完工时间为优化目标。然后为了算法能适用于FSJP中,根据FJSP的关键信息特征,采用双层编码机制,将编码分为工序码和机器码两部分;同时针对双层编码的特殊形式,对应改进优化其初始化方式;并通过向量转换和修复机制保证本文算法能适用于求解FJSP这类离散型问题。最后通过两个标准测试算例集对算法的应用进行验证,并选取六种不同文献中的优化算法进行对比分析实验。实验证明,本文提出的算法在寻优能力和稳定性上,都优于对比算法。
(3)最后以某轮胎制造车间为原型背景,设计开发了调度系统。通过将本文提出算法集成到系统中,并正确求出最优调度分配方案,证明本文算法的有效性和实用性。
总体而言,本研究提出的基于阶段自适应的混沌差分进化算法(SACDE)在解决柔性作业车间调度问题(FJSP)方面效果显著。不仅丰富了智能优化算法的理论研究,也为制造业调度问题提供了新的解决方案,具有重要的理论和实践意义。