本發(fā)明涉及作業(yè)車間調度技術領域，具體地涉及用算法求解柔性作業(yè)車間調度問題。

背景技術：

柔性作業(yè)車間調度問題(FJSP)是經(jīng)典的作業(yè)車間調度問題(JSP)的擴展。在JSP中，僅考慮工件具有唯一確定的加工工藝路線的情況。而在FJSP中，每道工序可以在多臺機器上加工，工件具有可選擇的加工路線，并且在不同的機器上加工所需的時間不同，因此FJSP比JSP更接近實際制造環(huán)境，是實際生產(chǎn)中亟需解決的一類調度問題。

FJSP不僅需要確定工件的加工順序，還要確定某道工序由哪臺機器加工。因此，F(xiàn)JSP是比JSP更為復雜的問題?，F(xiàn)有的研究方法主要分為精確算法、啟發(fā)式規(guī)則和元啟發(fā)式算法(如模擬退火、遺傳算法等)。其中精確算法無法對大規(guī)模FJSP進行有效求解；啟發(fā)式規(guī)則求解速度快，但所得質量較差；遺傳算法具有通用性、魯棒性、隱含并行性等特點，在生產(chǎn)調度領域的應用非常廣泛，但其迭代迭代過程是沒有指導且完全隨機的自然選擇與遺傳操作，忽視了問題的特征信息在求解問題時的重要作用。

技術實現(xiàn)要素：

針對上述不足，本發(fā)明將文化算法與遺傳算法結合，文化算法由主群體空間和信仰空間兩部分組成，是一種從種群中獲取有用的知識保存在信仰空間中，并利用這些知識指導搜索過程，是一種基于知識的多進化過程的全局優(yōu)化搜索算法。本發(fā)明針對FJSP的特點，提出基于知識指導的遺傳算法，采用遺傳算法作為主群體空間，該算法在迭代過程中利用文化算法的尋優(yōu)機制提取解的特征知識，指導遺傳算法的選擇操作，形成一種雙層進化結構。

本發(fā)明的目的是：提高算法的收斂速率和求解質量。

本發(fā)明為實現(xiàn)上述目的，所采用的技術方案是：一種新的混合算法求解柔性作業(yè)車間調度問題。該技術方案包括以下步驟：

步驟1：令群體進化迭代次數(shù)t＝0，更新頻率記錄次數(shù)f＝0，并初始化算法的各種參數(shù)、主群體空間、信仰空間A和信仰空間B；

步驟2：如果t≥Maxlter(最大迭代次數(shù))則算法結束，否則轉到下一步驟；

步驟3：根據(jù)更新頻率f0，決定是否更新信仰空間，若f＝f0，則更新；否則轉步驟5；

步驟4：采用k近鄰法，利用信仰空間B的知識指導，執(zhí)行相似性選擇算子操作；

步驟5：采用兩點交叉的方式進行交叉操作；

步驟6：自學習鄰域搜索變異，將進行變異的染色體與信仰空間A中最優(yōu)染色體進行比較，根據(jù)基因取值不同的數(shù)量決定變異操作的方式；

步驟7：生成新一代種群，令t＝t+1，f＝f+1，返回步驟2，重復此程序。

本發(fā)明的有益效果是：本發(fā)明基于文化算法具有知識指導的特點，提出具有知識指導的遺傳算法，在迭代過程中利用文化算法的尋優(yōu)機制提取解的特征知識，指導遺傳算法的選擇操作，形成雙層進化結構，使個體在搜索空間中加快了收斂速度，避免出現(xiàn)了早熟而收斂于局部最優(yōu)解。同時，通過計算相似性指數(shù)來指導選擇操作確保優(yōu)秀個體進入下一次迭代的子空間；通過在指定范圍的變異點進行自學習鄰域操作變異，保證個體在迭代過程中有效繼承父代的優(yōu)良特征，從而加速搜索過程不斷向最優(yōu)的方向逼近。

附圖說明：

圖1表示本算法的詳細流程圖

圖2表示本算法的重復置換工件號的編碼方式示例圖

具體實施方式：

本發(fā)明提出了一種新的混合算法求解柔性作業(yè)車間調度問題，該算法基于文化算法具有知識指導的特點，提出具有知識指導的遺傳算法，在迭代過程中利用文化算法的尋優(yōu)機制提取解的特征知識，指導遺傳算法的選擇操作，形成雙層進化結構。

下面結合附圖，對本發(fā)明進一步的描述：

一、柔性作業(yè)車間調度問題

柔性作業(yè)車間調度描述如下：一個加工系統(tǒng)有m臺不同的機器M＝{M_j|j＝1，2，…m}要加工n個工件J＝{J_i|i＝1，2，…n}。FJSP包括兩個子問題：(1)為每道工序O_ik在對應的可用機器集合M_ik中選擇合適的機器M_j，即機器分配問題。

(2)為已經(jīng)選定的機器集M安排n個工件集J的排列工序，并在滿足一定約束條件的同時優(yōu)化一個或者多個給定的性能指標，即工件調度問題。

二、算法的關鍵內(nèi)容說明

1、編碼方式，結合圖2

本發(fā)明采用重復置換工件號的編碼方式。即對一個規(guī)模為n×m的作業(yè)車間調度而言，一條染色體有n×m個基因，每個基因表示一個工件號，工件號在染色體中出現(xiàn)的位置表示其對應的工序，如圖2所示。這種編碼方式的優(yōu)點是不需要修復機制，因為它進行的遺傳操作不產(chǎn)生不可行解。

結合圖2，圖中的矩形框表示染色體上的基因，每個基因表示一個工件號，322112313對應的工序為J₃₁、J₂₁、J₂₂、J₁₁、J₁₂、J₂₃、J₃₂、J₁₃、J₃₃。第一個基因位上的工件號是3，且該工件號第一次出現(xiàn)，則相對應的工序是第三個工件的第一道工序，即為J₃₁，后面的依據(jù)這樣的方法，依次類推。

2、解碼方式

由于活動調度算法所生成的調度方案一定包含最優(yōu)值，所以本算法的解碼采用活動調度的方法。

3、設計信仰空間

(1)信仰空間的組成

本算法的信仰空間由A和B兩部分構成，分別由接受函數(shù)accept¹()和accept²()來決定。假設主群體空間中共有L條染色體，令chm_l表示主群體空間中第l條染色體，chm_l的適應度值F_l為其對應調度方案的所有工件的最大完工時間C_max，則信仰空間A為：

accept¹()：A＝[chm^*]

F^*＝minF_l，(1≤l≤L)

即由最優(yōu)染色體構成信仰空間A，信仰空間B為：

accept²()：B＝[chm₁，chm₂，...，chm_x]

首先按照染色體的適應度值的大小，依次排列為F₁＜F₂＜…＜F_x＜F_l，然后取前x個個體存放到信仰空間B中。即，選擇既定數(shù)量為x的部分最優(yōu)染色體組成信仰空間B。

(2)信仰空間的更新

每迭代既定的次數(shù)后，更新信仰空間，使信仰空間持續(xù)保存當前最好的知識信息。因此，本算法采用當前最好的部分調度方案作為學習對象，將信仰空間相鄰兩次更新之間的算法迭代次數(shù)稱為更新頻率，記住f₀。

4、交叉操作

本發(fā)明采用具有全局搜索能力，以概率1收斂的兩點交叉算子執(zhí)行本算法的交叉操作。

5、變異操作

本發(fā)明采用鄰域搜索變異，使變異操作在信仰空間A中知識的指導下以更寬的搜索區(qū)域進行迭代，具體實現(xiàn)過程如下：

(1)確定變異點的選擇范圍，根據(jù)變異概率P_m在子空間中隨機選擇一條染色體，與最優(yōu)染色體比較，并記錄基因取值不同的染色體位置pos和個數(shù)q(q為偶數(shù))；

(2)根據(jù)q的大小進行不同的變異操作：

一種變異操作：當q≤2時，隨機選擇變異點，進行鄰域搜索變異。

另一種變異操作：當q≥4時，則先產(chǎn)生一個由1到q之間的整數(shù)所組成的隨機序列P，令u表示進行鄰域搜索變異的基因個數(shù)，v表示循環(huán)次數(shù)，w表示最大循環(huán)次數(shù)，且w為q/u向下取整，即w＝[q/u]，一般情況下，u＝3，具體過程如下：1)令v＝1；2)從左到右依次取隨機序列P上的3個元素P[uv-2]、P[uv-1]、P[uv]來決定pos上進行鄰域搜索變異的基因位置；3)進行鄰域搜索變異；4)將v←v+1，若v≤w則轉到2)，否則算法結束。

從中可以看出，q的數(shù)值越大，說明被變異染色體和最優(yōu)染色體之間的基因取值不同的位置越多；反之，則越少。該變異方式有自學習的特點，其時間復雜度為O(q)，其中q等于當前染色體與信仰空間A中染色體之間基因位置取值相異點的個數(shù)，其偽代碼如下：

6、選擇操作

本發(fā)明采用K近鄰法，利用信仰空間B中的知識指導選擇操作，具體過程如下：

(1)利用基于輪盤賭的選擇方式生成初始子群體空間；

(2)在子群體空間中選擇既定數(shù)量為k的優(yōu)良個體集合，根據(jù)k近鄰法將這些個體與信仰空間B中的染色體進行相似性指數(shù)計算；

(3)查找k個相似性指數(shù)Sd最大的個體，并將這些個體插入到當前子群體空間中，同時淘汰掉k個最差的個體。其相似性指數(shù)計算公式如下:

如果兩條染色體中對應基因位置的取值相同，則返回值為1，否則為0，其計算公式如下：

其中，chm₁和chm₂分別表示兩條染色體，i表示染色體中基因所處的位置，y表示染色體的長度，一般在規(guī)模為n×m的作業(yè)車間調度問題中其大小為y＝nm。

本算法的相似性指數(shù)Sd表示兩條染色體編碼之間的海明距離，因為兩個解之間的不同與染色體編碼之間的海明距離幾乎成正比，所以通過計算相似性指數(shù)可以推出兩個解之間的相近程度，如果相似性指數(shù)Sd的取值越大，則兩條染色體就越相近，反之亦然。

上述結合附圖只是對該算法的描述，并不因此限定本發(fā)明，本發(fā)明的保護范圍依據(jù)權利要求書的內(nèi)容確定。