论文部分内容阅读
随着全球市场竞争力愈加激烈,柔性作业车间调度问题(FJSP)在制造研究领域中被越来越多的人关注。有效的生产调度方法可以提高资源利用率从而为生产带来效益。进化算法以其优越的搜索能力,在求解FJSP问题时具有一定的优势,本文采用进化算法解求解FJSP。FJSP包含工序排序和机器选择两个子问题,设计有效的染色体编码是利用进化算法求解此问题的关键。本文在传统的排列组合式双层编码的基础上进行改进,提出了基于浮点型工序权重的编码策略,解决了传统的排列组合式编码方式需要设计特殊交叉策略的问题,使编码框架具有更强的可移植性,有利于优秀进化策略的植入。运用差分进化策略(DE)设计优化算法,有效避免了非法个体的产生,在不依赖局部搜索的前提下,运用非支配排序遗传算法(NSGA)框架实现快速收敛。同时还分析了FJSP决策空间与目标空间之间多对一的特性,给出了平行决策和等价平行决策的定义,将柔性车间调度的研究拓展至决策空间。运用多目标进化算法(MOEA)解决FJSP这类非简单的实际问题时,单纯的交叉和变异策略往往难以保证结果较高的精度,本文给出一种混合进化算法来解决多目标柔性车间调度问题(MOFJSP)。通过对MOFJSP问题特性的研究,提出将两种局部搜索策略相结合的新型多目标进化算法(MOEA/C)。与传统的随机化局部搜索不同的是,提出的局部搜索策略能够借助优秀个体的信息引导算法进行深度搜索,使算法更有效地收敛至Pareto边界。此外,启发式初始化策略能够更有效地避免传统初始化策略在编码时信息缺失的不足。仿真实验结果验证了MOEA/C的准确性与收敛性。实际生产环境中常有动态事件发生,当动态事件发生后,必须对系统进行重调度以适应环境的变化。本文分析了动态重调度处理的过程,提出了新的人机协同机制,在此机制中,将本文的等价平行决策利用到人工操作、将DE-NSGA算法植入动态调度算法。这种新的人机协同调度框架,将有助于促进相关理论、方法、技术和工具的研究与开发。