关键词：
柔性作业车间调度
分布式多目标
Q学习
白鲸优化算法
NSGA2
摘要：
在新一轮科技革命与产业变革的浪潮中,智能制造系统已成为现代制造业的重要发展方向。针对制造资源与生产任务,提供更高效的智能生产调度方案,是实现制造系统高效运行的关键。在机械制造、汽车生产等诸多现代制造业场景中,柔性作业车间调度问题(Flexible Job Shop Scheduling Problem,FJSP)广泛存在,其调度方案的优劣直接关乎企业生产效率与成本控制。
近年来,智能优化算法在求解FJSP等复杂调度问题上成效显著。然而,现有研究对智能优化算法的改进多集中于增强全局探索或局部开发能力,这些改进虽然提升了算法的求解性能,但也打破了原算法的平衡性设计,导致改进后的算法在全局探索与局部开发之间难以实现有效平衡。针对这一问题,现有研究主要通过参数调整等方法进行优化,但这些方法需依赖专家经验或大量对比实验。相比之下,Q学习通过状态、动作、奖励机制,可在动态搜索空间中自主迭代优化策略。因此,本文首先改进算法以增强其全局探索与局部开发能力,然后提出基于Q学习的参数自适应调控机制。该机制通过自动调整算法搜索行为,实现全局与局部的有效平衡,从而进一步提升改进算法对FJSP的求解质量。本文主要研究内容如下:
1.基于自适应离散白鲸算法的柔性作业车间调度优化
针对FJSP,以最大完工时间为优化目标,提出了一种自适应离散白鲸优化算法。
首先,通过融合交叉、变异算子实现了白鲸算法的离散化设计,以增强其全局探索能力。其次,设计了精英个体策略以增强算法局部开发能力。然后,针对FJSP编码特点设计了Q学习的状态空间与奖励函数,以白鲸算法控制搜索平衡的关键参数为Q学习的动作,实现了算法全局与局部的自适应平衡。最后,利用公共算例进行仿真实验,验证了改进有效性。实验表明,改进算法与传统白鲸算法相比成效显著,其完工时间最优解平均减少了约6.3%,平均解减少了约8.5%。结果表明,本文所提离散型改进算法有更强的寻优和跳出局部解的能力;基于Q学习的自适应策略能更精准地平衡全局探索与局部开发,从而提升改进算法对FJSP的求解质量。
2.基于动态双种群NSGA2的分布式柔性作业车间多目标调度优化
为进一步验证Q学习自适应平衡方法的普适性,将研究拓展至多目标优化场景。针对分布式FJSP多目标优化问题,以最大完工时间、机器能耗、负荷为优化目标,提出了一种自适应的动态双种群非支配排序遗传算法2代(Non-dominated Sorting Genetic Algorithm 2,NSGA2)算法。
首先,基于帕累托(Pareto)等级设计种群划分机制替代了传统的选择操作,并设计了动态双种群搜索策略,每个种群执行不同的搜索策略,以增强算法的全局探索能力。其次,在侧重局部开发的种群B中嵌入了针对关键工厂的局部搜索策略,以增强算法局部开发能力。然后,针对Pareto等级设计了Q学习的状态空间与奖励函数,以双种群的数量比例为动作,实现了搜索策略的自适应。最后,通过扩展的公共算例验证了算法的改进有效性。实验表明,所提改进算法与传统NSGA2相比,非支配解集的多样性指标平均提升了约13.7%、收敛性指标平均提升了约84.2%;目标函数平均减少了约2.9%,解集数量平均增加了约18.8%。结果表明,本文所提自适应双种群搜索策略的改进NSGA2,能有效提高非支配解集的多样性和收敛性,提升调度方案的质量。
欢迎来到三峡大学图书馆！
详细信息
