一种基于混合算法框架的混流装配调度控制方法与流程

【
技术领域：
】本发明属于生产车间智能优化调度
技术领域：
，涉及一种基于混合算法框架的混流装配调度控制方法。
背景技术：
：混流装配生产方式是制造业中常采用的一种生产方式，它是在不改变生产组织方式的前提下，在同一流水线上同时生产出多种不同型号、不同数量的产品。因此，相对于单一产品流水线而言，混流生产系统既可以大批量生产标准产品，又可以按照客户订单生产小批量非标准产品，因此具有更高的灵活性，可以满足客户对产品的多样化需求，企业对市场的快速响应不再仅依赖于产品库存。在汽车、家电等行业的生产过程中，大部分生产工序是相同的，更换产品品种时基本不需要调整生产线，因此，混流生产方式在这些行业中具有广阔的应用前景。混流装配调度中，产品的生产排序调度问题是多约束np-难问题。为了解决np-难问题混流装配调度的算法也在不断的丰富和完善。由于研究方向的差异，各种算法及计算效率和适用范围也有一定的不同，主要分为分支定界法、动态规划法、目标追随法、基于线性松弛的启发式算法、领域搜索算法、neh算法、遗传算法(ga)、蚁群算法、粒子群优化算法以及一些混合算法等。这些算法都在相关的领域得到了应用验证。单一的算法往往存在部分缺陷，其中常用的遗传算法存在未成熟收敛，局部搜索能力差，随机游走等现象，因此需要探寻一种新的装配调度方法来接解决现有物流调度中存在的问题。技术实现要素：为解决现有技术中存在的问题，本发明的目的是提供一种基于混合算法框架的混流装配调度控制方法，本发明的方法基于混合遗传算法和差分进化算法，并将其用于混流装配调度的实际问题中，解决了现有技术中存在的问题。本发明所采用的技术方案是：一种基于混合算法框架的混流装配调度控制方法，包括如下步骤：步骤1，设置遗传算法和差分进化算法的初始参数；步骤2，设置初始种群；步骤3，通过适应度函数评价种群中个体的适应度；步骤4，根据个体的适应度选出最优解并记录；步骤5，判断最优解及其状态是否满足终止条件：若满足，则输出最优解；若不满足，则进行如下步骤：步骤a，对基因的排序依次采用遗传算法的选择操作、交叉操作和变异操作；同时基因的数量依次采用差分进化算法的变异操作、交叉操作和选择操作；步骤b，根据适应度函数评价新个体的适应度；步骤c，将新个体与原个体置换形成下一代个体；步骤d，重复步骤4至步骤5。所述步骤1中，遗传算法和差分进化算法的初始参数包括初始种群数量、突变率、交叉率、约束条件和终止条件。所述步骤a中，对基因的排序采用的交叉操作为顺序交叉的方式。所述顺序交叉的方式的具体过程如下：在父代的一方d1中随机选出一段染色体作为原始后代，再从父代的另一方d2中选出剩余的染色体按照顺序补充到新的子代1染色体上。所述步骤a中，对基因的数量依次采用差分进化算法的变异操作、交叉操作和选择操作的具体过程如下：步骤a.1，先选取种群中两个不同个体，将两个不同个体的向量差缩放以后再与待变异的个体进行向量合成；步骤a.2，再对第g代种群及其变异的中间体进行个体间的交叉操作；步骤a.3，再对比新个体和原始个体的适应度，选出适应度最优的个体。所述步骤a.1具体过程的表达式如下：其中，f为缩放因子，xi(g)表示第g代中的第i个个体；r1、r2和r3为第g代中的个体的序号，且i≠r1≠r2≠r3；vi(g+1)为变异的中间体；在变异进化过程中，判断新产生的中间体是否满足边界条件，如果超出了边界，则要重新生成中间体。所述步骤a.2的具体过程为：对第g代种群{xi(g)}及其变异的中间体{vi(g+1)}进行个体间的交叉操作：当rand(0,1)≤cr或者j＝jrand时uj,i(g+1)＝vj,i(g+1)反之uj,i(g+1)＝xj,i(g)其中，cr为交叉概率，j为基因位置，d为基因片段的数量，jrand为[1,2,…,d]的随机整数,uj,i(g+1)为子代个体，vj,i(g+1)为中间体，xj,i(g)为父代个体。本发明的有益效果如下：本发明在算法中区分了连续变量和离散变量，分别构建了适应不同变量的算法，并构建了将两个算法融合在一起的遗传算法与差分进化算法的混合框架。从而使新的算法模型比传统的遗传算法能更多的积累优质解信息，使算法的全局搜索能力进一步提高，并且明显降低了未成熟收敛的概率。本发明设计了新种群生成机制与多种算法相结合的策略，打破传统的算法生成新种群的机制，不仅保证算法种群的多样性，而且使其全局搜索更具指导性和方向性；引入了基于差分进化算法对连续变量的进化操作，对全局搜索得到的最优解区域进行更为细致的搜索，从而增强算法的局部搜索能力。本发明中所提出的混合框架是对差分进化算法(de)和遗传算法(ga)的整合，以有效地解决混流装配调度问题。而混合遗传算法所采用的策略可以有效的弥补这些缺陷。构造混合遗传算法常采用的策略一种是将遗传算法与局部搜索算法相结合，以弥补单一算法的不足；另一种是结合两个或两个以上的算法的优点，形成一个更优的算法。因此在解决复杂的优化问题方面，混合算法具有独特的优势。计算机仿真结果表明，与传统算法相比，本发明在混流装配调度上具有收敛速度快、优化能力强、算法可靠等优势。本发明可以显著改善多参数、高度非线性问题的优化结果、提高计算效率。【附图说明】图1是本发明遗传算法与差分进化算法混合算法流程图；图2是本发明遗传算法顺序交叉示例图；图3是本发明差分进化交叉运算示例图；图4是本发明混合算法迭代100代曲线图；图5是本发明混合算法、差分算法、遗传算法迭代100代对比曲线图。【具体实施方式】下面结合附图和具体实施方式对本发明进行详细说明。参考图1～图3，本发明的基于混合算法框架的混流装配调度控制方法，总体的技术步骤如下：步骤1：设置遗传算法和差分进化算法的初始参数；初始参数包括初始种群数量、突变率、交叉率、约束条件和终止条件；步骤2：设置初始种群；步骤3：通过适应度函数评价种群中个体的适应度；步骤4：据个体的适应度选出最优解并记录；步骤5：判断最优解及其状态是否满足终止条件，如果最优解及其状态满足终止条件则转到步骤9，如果不满足终止条件则转到步骤6；步骤6：对基因的排序依次采用遗传算法的选择操作、交叉操作和变异操作；同时基因的数量依次采用差分进化算法的变异操作、交叉操作和选择操作；步骤7：根据适应度函数评价新个体的适应度；步骤8：将新个体与原个体置换形成下一代个体，并转到步骤4；步骤9：输出最优解。如图2所示，步骤6中，遗传算法交叉算子采用顺序交叉的方式，即在父代的一方d1中随机选出一段染色体作为原始后代，再从父代的另一方d2中选出剩余的染色体按照顺序补充到新的子代1染色体上。如图3所示，步骤6中，差分进化交叉算子具体步骤如下：变异操作：选取种群中两个不同个体，将其向量差缩放以后再与待变异的个体进行向量合成，即其中，f为缩放因子，xi(g)表示第g代中的第i个个体；r1、r2和r3为第g代中的个体的序号，且i≠r1≠r2≠r3；vi(g+1)为变异的中间体；在变异进化过程中，判断新产生的中间体是否满足边界条件，如果超出了边界，则要重新生成中间体，若每代种群数量记为n，则会生成n个变异中间体；交叉操作：然后对第g代种群{xi(g)}及其变异的中间体{vi(g+1)}进行个体间的交叉操作：当rand(0,1)≤cr或者j＝jrand时uj,i(g+1)＝vj,i(g+1)反之uj,i(g+1)＝xj,i(g)其中，cr为交叉概率，j为基因位置，d为基因片段的数量，jrand为[1,2,…,d]的随机整数,uj,i(g+1)为子代个体，vj,i(g+1)为中间体，xj,i(g)为父代个体。图3为6个基因位的染色体交叉运算示意图；选择操作：对比新个体和原始个体的适应度，选出适应度最优的个体实施例：需要生产abcdef六种型号的产品，初始状态全部存放于缓冲区中，各种型号产品在缓冲区的初始数量及缓冲区的最高最低库存量下表1所示，表1为缓冲区中各种型号产品数量状态表(个)；表1生产不同型号的产品需要一定的转换等待时间，每个型号的产品也需要一定的生产时间，生产不同型号产品的等待时间如表2所示，表2为各产品之间等待时间(秒/s)；表2在表2中，先生产a再换型号a的等待时间为0，先生产a再换型号b的等待时间为50s，先生产a再换型号c等待时间为40s，以此类推。需要注意的是先生产a再换型号b的等待时间与先生产b再换型号a的等待时间是不同的。各型号单个产品的生产时间如表3所示，表3为各型号产品生产时间(秒/s)；表3产品型号生产时间a5b4c4.5d4e4.8f4.6按照本发明提出的混合遗传算法进行编程，设置初始种群大小为100，迭代次数为100，遗传算法和差分进化算法的交叉概率均为0.9，遗传算法的变异概率为0.02，差分进化算法的变异概率为0.5，鉴于车间的实际情况，根据专家经验设置时间成本和库存成本的系数分别为1，4.5。经过计算，从图4中可以看出，无论是最优目标值还是平均目标值都能够快速的收敛。本发明分别采用遗传算法和差分进化算法求解此实例，并将结果与混合遗传算法对比，仿真结果如图5所示，从图5的对比曲线可以看出对于本发明中所提出的调度问题，混合遗传算法具有收敛速度快、优化能力强、算法可靠等优势。当前第1页12