一种针对大规模柔性作业车间调度的集成搜索方法
【技术领域】
[0001] 本发明涉及计算机应用及生产调度技术领域，特别是关于一种针对大规模柔性作 业车间调度的集成搜索方法。
【背景技术】
[0002] 音乐演奏中，乐师们凭借自己的记忆，通过反复调整乐队中各乐器的音调，最终达 到一个美妙的和声状态，韩国学者Geem ZW等人受这一现象的启发，提出了和声搜索算法。 将乐器i(i = l，2，-_，n)类比于优化问题中的第i个变量，各乐器的音调类比于各变量的值， 各乐器音调的和声&(」=1，2，一，!11)类比于优化问题的第」组解向量，音乐的评价效果类比 于目标函数。基本的和声搜索算法产生m组初始解（和声）放入和声记忆库（Harmony Memory，HM)，以概率HMCR在HM内搜索新的变量，以概率1-HMCR在HM外变量允许的范围中搜 索;然后算法以概率PAR对新的变量产生局部扰动;判断新解的目标函数是否属于HM内的最 差解，若是，则替换之;然后不断迭代直至满足停止准则。基于和声搜索算法的主要参数有 和声记忆库大小m，记忆库保留概率(Harmony Memory Considering Rate，HMCR)和声调解 率(Pitch Adjusting Rate，PAR)，其中算法参数的设置影响算法收敛效率和收敛速度，基 本的和声搜索过程为：
[0003] 步骤1)初始化参数记忆库大小m、记忆库保留概率HMCR、和声调解率PAR、扰动系数 bw，算法迭代次数NI;
[0004] 步骤2)随机产生m组初始解放入HM，其中HM矩阵的行向量4… 表示优化问 题的一个解；
[0005]
[0006] 步骤3)由当前处于HM的m组解产生一个新解[x/x/…^/ ]，对于每个决策变量x/ 具体产生的规则有如下3条:记忆库选择、音调调整和随机选择。首先产生一个在[0，1]之间 均匀分布的随机数rand()，如果rand()小于HMCRa/由记忆库选择规则产生，否则由随 机选择规则产生。其次，一个决策变量x/如果由记忆库规则产生，则还需要以PAR的概率经 过音调调整。记忆库选择、音调调整的规则分别如公式(2)、公式(3)和公式(4)所示：
[0007] %' =碎，其中 ειΕ(1，2，···，πι) (2)
[0008] x/=x/土rand( ) Xbw (3)
[0009] Xi7 =LBi+rand( ) X (UBi-LBi) (4)
[0010] 式中，UBi和LBi分别为第i个决策变量的上下界范围，a是指解Xi的第i个决策变量， bw是算法参数指带宽。
[0011 ]步骤4)更新HM。如果新产生的解向量[x/ X；/…Xr/ ]优于HM中最坏的解，则用当前 新解替换HM中这个最坏的解。
[0012] 步骤5)重复步骤3)和步骤4)直至达到指定的迭代次数。
[0013] 近几年来，和声搜索算法作为一种全局优化方法被广泛应用于求解组合优化问 题，在旅行商问题、管道铺设问题、公交车路径优化问题等重要组合优化问题中都得到了成 功的应用。在和声搜索的发展过程中，出现了许多变种。受粒子群算法中的群体智能思想的 启发，Omran和Mahdavi提出了 一个全局最优和声搜索算法(gHS)，该算法对基本和声搜索算 法的音调调整规则做了改变。假设HM中的最优解为：
[0014]
[0015]则音调调整规则为：
[0016] x/ = 其中，k为1至η之间的随机整数（5)
[0017] Ling Wang等人考虑到更好地保留最优解的结构，将音调调整规则进一步修改为： [0018]
[0019] LNS(大邻域搜索）是一种结合约束规划和局部搜索以求解优化问题的强大技术。 典型的局部搜索只在当前解的基础上做小的改变，如在调度解中移动一两个操作。但是LNS 与之不同，LNS选择问题变量的子集来对问题进行松弛，因此它有可能在当前解基础上做较 大的改动。在LNS中，首先选择松弛的变量，然后重新分配这些变量的值，同时保持其它变量 的值不变，这个步骤称之为破坏。该步骤之后，通过重新优化未分配值的变量以寻找更优的 解，该步骤称之为构建。破坏和构建这两个步骤在LNS中迭代执行，直到终止条件满足。如图 1所示，LNS的主要思想是通过破坏操作，原始的问题被约简了，然后在约简的问题上运行约 束规划，能够有效克服约束规划在探索大的搜索空间上存在的能力不足问题。
[0020] HHS(Hybrid Harmony Search，HHS混合和声搜索）是基于进化计算的方法，它的优 势在于可以很快产生优质的解，然而在解决大规模问题时探索开发能力不足，算法执行到 一定程度时，即使再进一步增加迭代次数，所得结果也不会进一步改进;LNS是基于约束规 划的方法，它的优势在于具有很强的搜索开发(爬山）能力，但是缺点在于搜索性能依赖于 初始解，且搜索开发能力随问题规模的增大急剧递减。
【发明内容】
[0021] 针对上述问题，本发明的目的是提供一种能够有效解决大规模柔性作业车间调度 问题的集成搜索方法。
[0022] 为实现上述目的，本发明采取以下技术方案:一种针对大规模柔性作业车间调度 的集成搜索方法，其特征在于包括以下步骤:1)定义某个要解决FJSP的解向量;2)将混合和 声搜索中的解向量转换为FJSP可行解的编码;3)采用混合和声搜索算法进行和声搜索，即 首先随机初始化若干解向量，设定最大迭代次数，每代通过混合和声搜索算子产生一个新 的解向量;4)将混合和声搜索的解向量转化为FJSP问题的调度解，根据设置的领域进行局 部搜索，并将局部搜索得到的改善后的调度解再转化为解向量，利用这个解向量替换局部 搜索前的解向量，继续和声搜索的搜索过程得到最优解;5)将基于混合和声搜索算法所找 到的最优解作为大领域搜索算法的初始解，采用大领域搜索算法继续进行搜索，直到满足 终止条件，得到最新调度解即完工时间。
[0023] 进一步，所述步骤1)定义某个要解决FJSS的解向量，具体为：解向量表示为 毛=|^丨,1丨,"\；^}，11表示维数量，每一维的变量范围都是[-1，1]，解向量的维数11是所求 解FJSS调度问题操作数目总和的两倍，其中，解向量的前半部分丨：表示所有 操作的机器选择信息，后半部分{</2+1, </2+2,…4 ；(表示所有操作的排序信息。
[0024] 进一步，所述步骤2)将和声搜索中的解向量转换为FJSS可行解的编码，转换算法 对于机器选择部分和操作排序部分分别采用不同的转换策略，具体为：2.1)在机器选择部 分，具体做法:首先将[_1，1]内的实数线性变换映射到[l，m]内的实数，然后再取最接近的 整数，对任意X e [ -1，1 ]，所对应的[1，m]内的整数z为：
[0025]
[0026]其中，round()为取一个实数最接近的整数，特殊情况是当m= 1时，对任意1￡[-1，1 ]，z = 1; 2.2)在操作排序部分，使用基于LPV规则的转换方法。
[0027] 进一步，所述步骤5)将基于和声搜索算法所找到的最优解作为大领域搜索算法的 初始解，采用大领域搜索算法继续进行搜索，直到终止条件满足，得到的解为完工时间的调 度，具体过程为:5.1)建立基于约束的模型;5.2)破坏步骤，即对当前解进行扰动，在后续构 建步骤中生成新的更优解;5.3)构建步骤，即利用约束规划搜索在当前解的基础上形成新 的调度解。
[0028] 本发明由于采取以上技术方案，其具有以下优点：1、本发明针对以完工时间为优 化目标的FJSP集成了两个算法，即混合和声搜索和大邻域搜索，HHS是一种具有模因演算法 风范的演化算法，而LNS则是一种典型的基于约束的方法，为了形成一个更加有效的搜索机 制，本发明首先运行HHS，然后运行LNS进一步改进HHS所得到的最终解，在运行LNS之前，该 集成搜索方法还利用HHS所得到的精英解