本发明涉及车间调度，尤其涉及一种基于多目标灰狼算法的分布式柔性车间调度方法及系统。
背景技术：
1、分布式柔性作业车间调度是指在由多个工厂组成的分布式制造环境中，对作业车间的任务进行调度的一种优化问题。这种调度对于现代制造业具有重要的现实意义：它不仅可以提高生产效率和降低成本，还有助于企业在全球化竞争中保持竞争力，并且促进绿色制造和可持续发展。在加工阶段，分布式柔性作业车间调度主要关注的是如何在多个工厂或车间之间分配任务，并在各个工厂内对作业进行调度，以优化生产效率和成本等关键指标。
2、多目标灰狼算法(multi-objective grey wolf optimizer, mogwo)是一种基于自然群体智能和进化原则的启发式搜索策略，专为解决包含多个冲突目标的复杂优化问题而设计。目前多目标灰狼算法被广泛应用于求解加工阶段的分布式柔性作业车间调度问题。
3、然而，多目标灰狼算法在随机初始化种群时可能面临初始解集多样性不足的问题，这限制了算法对解空间的全面探索能力。此外，加工阶段的分布式柔性作业车间调度是一个典型的np-hard问题，具有高计算复杂性，多目标灰狼算法在多项式时间内难以找到精确的最优解。同时，多目标灰狼算法在进化过程中可能过早地收敛到局部最优解，这进一步降低了所得解的质量。
技术实现思路
1、为了解决上述问题，本发明提出了一种基于多目标灰狼算法的分布式柔性车间调度方法及系统，采用三层编码的编解码机制，以工序顺序、机器选择和工厂选择来定义；接着用混合策略初始化初始狼群，再经非支配排序、拥挤度计算确定狼群领导者位置；随后通过交叉变异、狼群合并及更新获取非支配精英解集，还利用破坏与修复算子结合模拟退火扩充解空间来优化，以获最终解，旨在提高算法在加工阶段分布式柔性作业车间调度问题中的性能。
2、为了实现上述目的，本发明采用如下技术方案：
3、第一方面，本发明提供一种基于多目标灰狼算法的分布式柔性车间调度方法，包括：
4、初始化算法参数，并采用三层编码定义编解码机制；所述三层编码包括工序顺序、机器选择和工厂选择；
5、基于三层编码采用混合策略对初始狼群进行初始化，初始狼群一半采用随机生成，另一半基于优化指标生成：
6、通过非支配排序划分初始狼群的非支配层级，计算各解拥挤度并根据拥挤度排序及层级内支配关系排序得出种群拥挤度排序；
7、基于非支配层级数和拥挤度排序确定狼群领导者位置；
8、对狼群个体位置进行交叉变异和狼群合并，对合并后的狼群进行更新，得到非支配精英解集；
9、设置破坏算子与修复算子，动态调整破坏算子和修复算子的选择概率，并基于模拟退火算法扩充搜索解空间，优化所述精英解集，得到最终解。
10、优选地，所述基于三层编码采用混合策略对初始狼群进行初始化，初始狼群一半采用随机生成，另一半基于优化指标生成；具体包括：
11、对一半初始狼群，随机化确定工序顺序、机器选择和工厂选择；
12、对另一半初始狼群，基于平均加工时间确定工序顺序、基于不同标准确定机器选择并基于完工时间和最早完工时间确定工厂选择。
13、优选地，所述通过非支配排序划分初始狼群的非支配层级，计算各解拥挤度并根据拥挤度排序及层级内支配关系排序得出种群拥挤度排序；具体包括：
14、通过非支配排序将初始狼群分为不同的非支配层级，计算每个解在每一层中的拥挤度大小；
15、对每一层中的解按照拥挤度的降序排列，再根据层级内的支配关系进行排序，得到整个狼群中的拥挤度排序。
16、优选地，所述基于非支配层级数和拥挤度排序确定狼群领导者；具体包括：
17、所述狼群领导者包括α狼、β狼和γ狼；
18、若非支配层级数小于四，则选择拥挤度排序最高的三只狼作为α狼、β狼和γ狼；
19、若非支配层级数大于等于四，则在第一层、第二层和第三层基于选择规则分别选择α狼、β狼和γ狼；所述选择规则是计算同一层中所有解的拥挤度总和，根据每个解在拥挤度总和中所占比例最大来确定领导者。
20、优选地，所述对狼群个体位置进行交叉变异，具体为：
21、采用交叉算子对狼群个体位置进行更新；
22、采用随机双点交换算子对工序顺序进行变异，采用随机替换机器策略对机器选择进行变异。
23、优选地，所述对合并后的狼群进行更新，得到非支配精英解集，具体包括：
24、当合并后的种群中的非支配层级数量小于四时，随机选择一个领导者个体与种群中的个体x进行交叉变异操作；
25、当种群中的非支配层级数量大于等于四时，若个体x来自第一个非支配层级且是领导者α狼时，对其执行变异操作；若个体x来自第一个非支配层级但不是领导者α狼，则个体x与领导者α狼进行交叉变异操作；
26、若个体x来自第二个非支配层级且是领导者β狼时，个体x与领导者α狼进行交叉变异操作；若个体x来自第二个非支配层级但不是领导者β狼，则个体x在α狼和β狼中随机选择一个领导者进行交叉变异操作；
27、若个体x来自第三个非支配层级且是领导者γ狼时，在α狼和β狼中随机选择一个领导者与个体x进行交叉变异操作；若x来自第三个非支配层级但不是领导者γ狼，则个体x在α狼、β狼、γ狼中随机选择一个领导者进行交叉变异操作；
28、若个体x来自第四个及大于四的非支配层级时，x在α狼、β狼、γ狼中随机选择一个领导者进行交叉变异操作；
29、在每次交叉变异操作后，对产生的新个体进行非支配排序，将属于非支配层级的个体加入到非支配精英解集中，得到非支配精英解集。
30、优选地，所述设置破坏算子与修复算子，动态调整破坏算子和修复算子的选择概率，并基于模拟退火算法扩充搜索解空间，优化所述精英解集，得到最终解；具体包括：
31、从非支配精英解集中提取出个体编码向量，采用破坏算子和修复算子对个体编码向量进行更新；
32、迭代初期，采用相同选择概率选择破坏算子和修复算子；随着迭代的进行，根据破坏算子和修复算子的得分，采用自适应大邻域搜索对算子的选择概率进行动态更新；所述得分为：
33、
34、其中，；
35、所述采用自适应大邻域搜索对算子的选择概率进行动态更新为：
36、
37、
38、其中，为本轮破坏算子的选择概率，为本轮修复算子的选择概率；为上一轮破坏算子的选择概率，为上一轮修复算子的选择概率；是得分，是反应因子，，是自适应大邻域搜索阶段当前的迭代次数；
39、采用模拟退火作为接受准则，从初始温度开始按特定冷却速率更新温度，迭代结束后输出非支配精英解集中的最优解作为最终解。
40、第二方面，本发明提供一种基于多目标灰狼算法的分布式柔性车间调度系统，包括：
41、参数初始化模块，用于初始化算法参数，并采用三层编码定义编解码机制；所述三层编码包括工序顺序、机器选择和工厂选择；
42、种群初始化模块，用于基于三层编码采用混合策略对初始狼群进行初始化，初始狼群一半采用随机生成，另一半基于优化指标生成：
43、拥挤度计算模块，用于通过非支配排序划分初始狼群的非支配层级，计算各解拥挤度并根据拥挤度排序及层级内支配关系排序得出种群拥挤度排序；
44、领导者确定模块，用于基于非支配层级数和拥挤度排序确定狼群领导者位置；
45、初始解获取模块，用于对狼群个体位置进行交叉变异和狼群合并，对合并后的狼群进行更新，得到非支配精英解集；
46、最终解获取模块，用于设置破坏算子与修复算子，动态调整破坏算子和修复算子的选择概率，并基于模拟退火算法扩充搜索解空间，优化所述精英解集，得到最终解。
47、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的一种基于多目标灰狼算法的分布式柔性车间调度方法中的步骤。
48、第四方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的一种基于多目标灰狼算法的分布式柔性车间调度方法中的步骤。
49、与现有技术相比，本发明的有益效果为：
50、（1）本发明基于实际生产场景设计了多种初始化策略并将其与随机初始化结合，构成指导种群初始化混合策略，丰富了初始解集的多样性；其次，本发明优化了领导者选择与父代选择机制，确保算法在迭代过程中能够持续向最优解方向演进，提高算法收敛速度和准确性；最后，本发明将自适应大邻域搜索与mogwo算法结合，优化精英解集，提升了解的质量。
51、（2）本发明采用混合策略对初始狼群进行初始化。初始狼群一半随机生成，另一半基于优化指标生成，在基于优化指标生成的部分，通过基于平均加工时间确定工序顺序、基于不同标准确定机器选择并基于完工时间和最早完工时间确定工厂选择等方式，使初始狼群在生成时就融合了随机性与针对性，有效增加了初始解集的多样性，避免了初始解过于单一局限的情况。
52、（3）本发明采用三层编码定义编解码机制，全面涵盖工序顺序、机器选择和工厂选择等多方面要素，以细致的编码方式来描述调度问题。同时，通过非支配排序划分非支配层级并计算拥挤度排序，基于此确定狼群领导者，利用交叉变异、狼群合并及更新等一系列复杂而有序的操作，逐步探索解空间，在多维度和多层次上进行搜索与优化，提高了找到精确最优解的可能性。
53、（4）本发明设置了破坏算子与修复算子，并动态调整其选择概率，基于模拟退火算法扩充搜索解空间。破坏算子可打破现有较优解的结构，修复算子则在破坏基础上重新构建，两者结合且概率动态调整，使得算法不会局限于局部。模拟退火算法从初始温度按特定冷却速率更新温度，即使测试解与当前解互不支配也有概率被接受，从而能跳出局部最优，持续探索更优解，有效防止过早收敛。
54、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。