本发明属于作业车间调度领域，涉及一种多目标柔性作业车间调度问题的求解方法，尤其是一种基于有限制稳定配对策略的柔性作业车间调度方法。
背景技术：
作业车间调度对资源的优化配置和科学运作起着重要的作用，是企业实现制造系统平稳、高效运转的关键。柔性作业车间调度问题(Flexible Job-shop Scheduling Problem，简称FJSP) 是指在并行机和多功能机并存的作业车间内合理安排各工件工序的加工机器和作业时间，以实现给定的多性能指标优化。FJSP突破了经典车间调度问题对机器约束的限制，每个工序可以在多台机器上加工，能够更好地体现现代制造系统的柔性特征，也更贴近实际生产的加工流程。FJSP包含了机器分配和工序调度两个问题，具有约束条件多、计算复杂度高等特点，属于典型的NP-hard问题。研究FJSP的求解策略一直是生产管理及组合优化领域的研究热点之一，具有重要的理论和实际应用价值。利用现有的FJSP求解算法得到的解，能够较好地收敛到Pareto前沿，有较好的收敛性能，从与Pareto前沿对应的Pareto解集中可以选择较好的染色体，并解码成符合决策要求的调度方案，但因算法本身在多样性的不足，以至于无法为决策者提供更为宽泛的调度方案。
技术实现要素：
本发明的目的是为了克服原方法无法提供宽泛优化调度方案的不足，提出了一种利用有限制稳定配对策略求解多目标FJSP的方法，其能够利用限制信息改善解的多样性，从而为决策者提供更好的、更多的调度方案。
本发明的技术方案：
一种基于有限制稳定配对策略的柔性作业车间调度方法，步骤如下：
a、相关参数初始化：根据生产订单的具体内容，通过整数编码得到满足约束条件的初始染色体种群，确定每个子问题的临域，并计算适应度值；
b、从每个子问题的临域中选择父代染色体，通过模拟二进制交叉和多项式变异生成子代染色体，并计算适应度值；
c、选择子代种群：
c1将新生成的子代染色体集合和原始父代染色体集合合并成待选染色体集合 S＝{s1,s2,...,s2N}，并将其映射到目标空间中，得到待选解集合X＝{x1,x2,...,x2N}，子问题集合P＝{p1,...,pt,...,pN}，权向量集合w＝{ω1,...,ωt,...,ωN}，其中，N为染色体个数；
c2选用解相对于子问题的角度作为位置信息θ；
c3构造自适应转移函数，并利用位置信息θ得到限制信息；
c4通过加入限制信息的子问题对解的偏好值计算式得到偏好值，将偏好值按升序排列，得到子问题对所有解的偏好排序，将所有子问题进行同样操作，得到子问题对解的偏好矩阵ψp；
c5通过解对子问题的偏好值计算式得到偏好值，将偏好值按升序排列，得到解对所有子问题的偏好序列，将所有子问题进行同样操作，得到解对子问题的偏好矩阵ψx；
c6将偏好矩阵ψp、ψx的信息作为输入，通过延迟接受程序得到子问题和解的稳定配对关系，从而选择子代解，并同时选择与子代解相对应的染色体；
d、当满足截止条件时，则输出种群Pareto解集，决策者根据实际要求，从Pareto解集中选择一条染色体，并将其解码形成可行的调度方案；否则返回步骤b。
所述步骤c2中位置信息θ的获取：首先将m维目标空间F(x)＝[f1(x),…fl(x),…fm(x)]∈Rm转化为个二维空间Fc(x)＝[fu(x),fv(x)]；其中，c为二维空间编号，u、v为空间维数编号，u、v∈[1,2,...,m]；fu(x),fv(x)分别表示解x∈X在二维空间中的目标值；然后确定子问题p∈P对应的权向量ω∈w在二维空间的分量ωuv＝(ωu,ωv)；最后计算位置信息θ的一个夹角分量θuv(x,p)：θuv(x,p)＝arctan(|fu(x)-ωu|/|fv(x)-ωv|)，其中，角度θ为子问题p与解x在个二维平面上的夹角分量之和,θuv(x,p)∈[0,π/2]；
步骤c3中所述的限制信息是通过位置信息θ和转移函数获得的，转移函数如式(1)
其中，L为控制参数，L越大转移函数越均匀；为解决迭代前期过度收敛问题，且保证迭代后期收敛性和多样性的平衡，随着算法迭代，L设置从1逐步增加到20；
所述步骤c4中，子问题对解的偏好矩阵ψp的计算步骤为：子问题p对候选解x的偏好值Δp通过式(2)计算，由此得到子问题p对2N个候选解的偏好值，将偏好值做升序处理，得到一个子问题对解的偏好排序，将其作为偏好矩阵ψp的一行，按照同样方法计算所有子问题对解的偏好排序，得到带限制信息的子问题对解的偏好矩阵ψp，故ψp为N×2N矩阵；
其中，ω为子问题p的权向量，z*为参考点，其中，
所述步骤c5中，解对子问题的偏好矩阵ψx的计算步骤为：
解x对子问题p的偏好值通过式(3)计算，由此可得到解x对N个子问题的偏好值，将偏好值做升序处理，得到一个解对子问题的偏好排序，将其作为偏好矩阵ψx的一行，故ψx为2N ×N矩阵；
其中，是解x标准化的目标向量，||·||为欧式距离；
本发明的有益效果：将限制信息加入到子问题对解偏好值的计算中，使靠近子问题的解处于子问题对解偏好矩阵的前端，以提高目标空间中靠近子问题的解的被选择概率。这样，在进化过程中被选解的多样性得到提高，避免了被选解收敛在一个很狭小的区域内，解决了过度收敛问题。上述做法的主要目的是为平衡演化过程中解的多样性和收敛性，以在算法结束时得到收敛性、多样性更好的Pareto解集。由上述方法得到的Pareto解集，通过解码操作，可得到更为符合实际生产要求的优化调度方案。
附图说明
图1为本算法的流程图。
图2为限制算子作用图。
图3为不同求解策略求解实际生产订单的Pareto前沿。
结合附图，本发明实施例中附图标记如下：
1-未加限制信息选择到的解的分布；2-加限制信息选择到的解的分布；3-利用本发明提出的求解策略求解FJSP得到的Pareto前沿；4-利用带精英策略的非支配排序的遗传算法求解策略求解FJSP得到的Pareto前沿；5-利用基于稳定配对选择策略的多目标进化算法求解策略求解FJSP得到的Pareto前沿。
具体实施方式
下面结合具体附图和实施例对本发明进一步说明。
如图1所示：为了得到更符合实际生产的生产过程调度方案，本发明利用有限制稳定配对策略求解多目标FJSP的方法包括如下步骤：
a、初始化有关参数和种群
a1、初始化各相关参数，包括种群包含目标空间维数m＝2、染色体个数N＝40、交叉概率 Pc＝0.8、变异概率Pm＝0.6、迭代次数K＝400、临域参数T＝5以及限制算子控制参数L＝1；
a2、设置一组均匀分布的权向量w＝{ω1,...,ωt,...,ωN},其中一个向量ωt＝(ωt,1,…,ωt,l,…,ωt,m)∈Rm,ωt,l≥0,同时可得子问题集合P＝{p1,...,pt,...,pN}，计算每一个权向量与其它权向量的欧氏距离，对权向量ωt,t＝1,2,...,N,设置一个集合B(t)＝{t1,t2,...,tT}，此时ωt1,ωt2,...,ωtT为离ωt最近的T个向量；
a3、随机产生N个整数编码染色体的种群S＝{s1,s2,...,sN},计算适应度值，得到在目标空间中的解集X＝{x1,x2,...,xN}，令g＝1；并初始化参考点其中以“3工件3机器”为例，通过整数编码得到一条满足约束条件的染色体，如下表所示：
b、生成子代染色体
对于权向量i，从B(i)随机选择中随机选择两个索引:τ,κ.进而选择两染色体sκ和sτ，并将sκ和sτ作为父代染色体按照交叉概率Pc进行模拟二进制交叉操作，按照变异概率Pm进行多项式变异操作，生成一个子代染色体sN+i，并计算适应度值得到解xN+i。按照上述操作，每一次进化操作都生成N个子代染色体；
c、从被选集合中选择合适的子代种群
c1、将新生成子代染色体集合和原始父代染色体集合合并成待选染色体集合 S＝{s1,s2,...,s2N}，待选解集合为X＝{x1,x2,...,x2N}；
c2、首先将m维目标空间F(x)＝[f1(x),…fl(x),…fm(x)]∈Rm转化为个二维空间 Fc(x)＝[fu(x),fv(x)]；其中，c为二维空间编号，u、v为空间维数编号， u、v∈[1,2,...,m]；fu(x),fv(x)分别表示解x∈X在二维空间中的目标值；然后确定子问题p∈P对应的权向量ω∈w在二维空间的分量ωuv＝(ωu,ωv)；最后计算位置信息θ的一个夹角分量θuv(x,p)：θuv(x,p)＝arctan(|fu(x)-ωu|/|fv(x)-ωv|)，其中，角度θuv(x,p)为子问题p与解x在个二维平面上的夹角分量之和,θuv(x,p)∈[0,π/2]，θ为所有夹角分量的代数和；
c3、构造一个自适应转移函数，并引入位置信息θ，即
其中，L为控制参数，L越大转移函数越均匀；为解决迭代前期过度收敛问题，且保证迭代后期收敛性和多样性的平衡，随着算法迭代，L设置从1逐步增加到20；
c4、通过加入限制信息的子问题对解偏好计算式计算偏好值，如子问题pr,r＝1,...,N对候选解x,x∈S的偏好值可通过式(5)计算，由此可得到子问题pr对2N候选解的偏好值，将偏好值做升序处理，得到一个子问题对解的偏好排序，将其作为ψp的一行，故ψp为N×2N矩阵；
其中，ωr为子问题pr的权向量，z*为参考点；
c5、解x∈X对子问题p∈P的偏好值通过式(6)计算，如计算解xt对N个子问题的偏好值，将偏好值做升序处理，得到一个解对子问题的偏好排序，将其作为ψx的一行，故ψx为2N×N 矩阵；
其中，F-(x)是解x标准化的目标向量，||·||为欧式距离；
c6、将偏好矩阵ψp、ψx的信息作为输入，通过递延接受程序选择解，同时选择与被选解想对应的染色体，并令g＝g+1；
d、判断是否满足截止条件
若g＜K则返回步骤b，否则输出Pareto解集，并按照决策者的意愿选择某个解并将其解码成可行的调度方案。
本发明在演化过程中选择到的解多样性好，如图2所示，所选到的解均匀的分布在目标空间中。图3证明本发明在实际生产过程的优化调度中是有效的。