本發(fā)明涉及作業(yè)車間調(diào)度技術(shù)領(lǐng)域。

背景技術(shù)：

作業(yè)車間調(diào)度問題(Job-shop Scheduling Problem)是許多實際生產(chǎn)調(diào)度問題的簡化模型，具有廣泛的應(yīng)用背景，譬如生產(chǎn)制造、交通規(guī)則、郵電通信、大規(guī)模集成電路設(shè)計等問題。作為一類滿足任務(wù)配置和順序約束要求的分配問題，JSP已被證明是一個典型的NP_hard問題，它的求解難度圓圓大于流水線調(diào)度問題。針對解決作業(yè)車間調(diào)度問題的算法一直是學(xué)術(shù)界和工程界共同關(guān)注的重要課題。

現(xiàn)有很多算法被用于解決JSP問題，包括遺傳算法、粒子群算法等，但沒有一種算法能夠直接將車間作業(yè)的屬性作為參數(shù)，最終得到一組明了的作業(yè)車間中生產(chǎn)調(diào)度方案解的算法。

布谷鳥搜索(Cuckoo Search,CS)算法是一種新的現(xiàn)代啟發(fā)式算法，由劍橋大學(xué)Yang和拉曼工程學(xué)院Deb于2009年提出的。該算法基于某些布谷鳥種類的巢寄生繁育行為和鳥類、果蠅等的萊維飛行(Levy flight)行為特征提出。布谷鳥搜索算法是模擬布谷鳥為尋找合適的產(chǎn)卵的鳥窩而隨機(jī)游走的尋窩過程。在這個宿主的選擇過程中，布谷鳥在繁殖期尋找與孵化期和育雛其相似的雛鳥食性基本相同、卵形與顏色易仿的宿主。多數(shù)情況下，宿主一旦識別出寄生卵，就將寄生卵扔出或棄巢，在其他地方另建新巢。而布谷鳥在下一次選擇宿主的時候也會放棄該鳥巢而重新選擇。為了便于模擬布谷鳥的尋窩方式，Yang和Deb提出了一下3個假設(shè)：(1)布谷鳥一次只產(chǎn)一個蛋，并隨機(jī)選擇鳥窩位置進(jìn)行孵化；(2)在隨機(jī)選擇的一組鳥窩中，最好的鳥窩位置將被保留到下一代；(3)可利用宿主的鳥窩數(shù)量n是固定的，宿主發(fā)現(xiàn)一個外來鳥蛋的概率為Pa。Pa可以近似看作n個位置較差的鳥窩被隨機(jī)產(chǎn)生的幾個新鳥窩替換的概率，通常設(shè)Pa為一個固定值。

傳統(tǒng)的布谷鳥算法具有很好的全局最優(yōu)搜索能力，算法參數(shù)少易于實現(xiàn)，但是該算法搜索速度不夠快，計算精度不夠高，算法應(yīng)用范圍不夠大，搜索活力不足。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中存在的上述不足，本發(fā)明要解決的技術(shù)問題是提供一種改進(jìn)的布谷鳥搜索算法解決作業(yè)車間調(diào)度問題。

本發(fā)明的目的是克服現(xiàn)有技術(shù)中存在的：傳統(tǒng)的布谷鳥搜索算法假設(shè)條件多，搜索速度不夠快，計算精度不夠高，算法應(yīng)用范圍也不夠大，以及沒有一種算法能夠直觀地給出作業(yè)車間調(diào)度方案的算法。

本發(fā)明要實現(xiàn)的目標(biāo)是：最小化最大完工時間。

本發(fā)明為實現(xiàn)上述目的所采用的技術(shù)方案是：一種改進(jìn)的布谷鳥搜索算法解決作業(yè)車間調(diào)度問題。該算法的具體步驟如下：

步驟1：初始化算法基本參數(shù)：設(shè)置鳥窩個數(shù)(工件數(shù)量)N,宿主發(fā)現(xiàn)外來鳥蛋的概率Pa(作業(yè)搶占概率)，以及最大迭代次數(shù)MaxT或搜索精度ε；

步驟2：初始化鳥窩位置(工件加工完成時間)：根據(jù)訂單周期T_o，訂單收益R，工件加工時間長度三個方面來確定鳥窩初始位置；

步驟3：確定編碼規(guī)則：按照編碼規(guī)則將鳥窩位置(完成時間)轉(zhuǎn)換為工序排列；

步驟4：計算目標(biāo)函數(shù)值：計算各鳥窩位置對應(yīng)的目標(biāo)函數(shù)值，并獲得當(dāng)前最優(yōu)鳥窩位置；

步驟5：更新鳥窩位置：考慮了鳥窩數(shù)量變化的情況。增加，減少，以及增加的工件訂單是否為緊急訂單的情況；

步驟6：當(dāng)?shù)竭_(dá)最大搜索次數(shù)或滿足搜索精度時轉(zhuǎn)入步驟7，否則，轉(zhuǎn)步驟4進(jìn)行下一次搜索。

步驟7：輸出最優(yōu)調(diào)度值和對應(yīng)的調(diào)度方案(染色體序列)。

本發(fā)明的有益效果是：

1、確定了布谷鳥算法中外來鳥蛋的計算方式，精確高效，使算法更加適用于實際生產(chǎn)環(huán)境中。

2、對于布谷鳥搜索算法在車間調(diào)度問題中的應(yīng)用上，確定了鳥窩的初始位置的計算方式，使算法結(jié)果更加精確，同時計算方法簡單，方便高效，實用性高。

3、突破了布谷鳥算法的三個假設(shè)條件之一：鳥窩數(shù)量不變。本發(fā)明在考慮鳥窩數(shù)量增加的基礎(chǔ)上，考慮了鳥窩數(shù)量減少的情況，使算法的應(yīng)用范圍更廣。

4、確定了訂單估計完成時間的計算方法。

附圖說明

一種改進(jìn)布谷鳥搜索算法的基本流程圖

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案及發(fā)明內(nèi)容更加清楚，以下結(jié)合附圖詳細(xì)說明。

步驟1：初始化算法基本參數(shù)：設(shè)置鳥窩個數(shù)(工件數(shù)量)N,宿主發(fā)現(xiàn)外來

鳥蛋的概率Pa(作業(yè)搶占概率)，以及最大迭代次數(shù)MaxT或搜索精度ε：

其中，n為第L優(yōu)先級的鳥巢(工件)數(shù)量；

步驟2：初始化鳥窩位置(工件加工完成時間)：根據(jù)訂單周期T_o，訂單收

益R，工件加工時間長度三個方面來確定鳥窩初始位置，具體方式如下：

其中，R為完成該訂單所獲收益，no為訂單o的工件數(shù)量；

步驟3：確定編碼規(guī)則：按照編碼規(guī)則將鳥窩位置(完成時間)轉(zhuǎn)換為工序排列，采用基于工序的編碼規(guī)則編碼，即染色體由w×n×m個基因組成，他們表示一個工序的排列，在這個工序排列中每個工件號最多出現(xiàn)m次，其染色體是由一個二維空間點(x,y)表示，即第x個訂單的第y個工件；例如，3×4×3(訂單×階數(shù)×工件×機(jī)器)的實例，染色體序列為(1,1)(1,2)(2,1)(1,1)(3,1)(3,1)(3,3)(3,2)(1,2)(1,2)(1,1)(1,4)。那么，它對應(yīng)的工件加工序列為：

(J_{1，1，1}，J_{1，2，1}，J_{2，1，1}，J_1，1，2，J_3，1，1，J_{3，1，2}，J_3，3，1，J_3，2，1，J_{1，2，1}，J_{1，2，2}，J_{1，1，3}，J_1，4，1)，其中，J_ti，j表示第t個訂單的第i個工件的第j道工序，j表示工件i出現(xiàn)的次數(shù)。因此，上面例子的染色體序列表達(dá)的意思是先加工順序為：第1個訂單的第1個工件的第1道工序，加工第1個訂單第2個工件的第1道工序，在加工第2個訂單第1個工件的第1道工序，加工第1個訂單第1個工件的第2道工序，以此類推，最后加工第1個訂單第4個工件的第1道工序。因此在解碼時就可以按照工件的出現(xiàn)順序轉(zhuǎn)化為一個調(diào)度方案。

步驟4：計算目標(biāo)函數(shù)值：計算各鳥窩位置對應(yīng)的目標(biāo)函數(shù)值，并獲得當(dāng)前最優(yōu)鳥窩位置，具體實現(xiàn)為：

目標(biāo)函數(shù)：

f(T)＝min max_1≤o≤w{max_1≤k≤m{max_1≤i≤nT_oik}} (1)

約束條件：

T_oik-p_oik+M(1-a_oihk)≥T_oih

(o＝1，2，…，w；i＝1，2，…，n；h，k＝1，2，…，m) (2)

T_ojk-T_oik+M(1-x_oijk)≥p_oik

(i，j＝1，2，…，n；o＝1，2，…，w；k＝1，2，…，m) (3)

T_oik≥0(o＝1，2，…，w；i＝1，2，…，n)；k＝1，2，…，m) (4)

x_oijk＝0或1(i，j＝1，2，…，n；o＝1，2，…，w；k＝1，2，…，m) (5)

max_i{T_oi}≤T_o (6)

其中，式(1)表示目標(biāo)函數(shù)，即完成時間(Makespan)；式(2)表示工藝約束條件決定的每個工件的操作的先后順序；式(3)表示加工每個工件的每臺機(jī)器的先后順序；式(4)表示完工時間變量約束條件；式(5)表示變量可能的取值大小，式(6)表示第o個訂單的所有工件最大完成時間小于訂單周期T_o的時間約束；上述公式中所涉及的符號定義含義如下：T_oik和p_oik分別為第o個訂單(或階數(shù))中的第i個工件在機(jī)器k上的完成時間點和加工時間長度；M是一個足夠大的整數(shù)；a_oihk和x_oijk分別為指示系數(shù)和指示變量，其含義為：

步驟5：更新鳥窩位置：

(1)一種情況：如果沒有新的鳥窩出現(xiàn)(鳥窩數(shù)量沒有增加(沒有新的訂單的出現(xiàn)))：開始迭代，保留上代最優(yōu)鳥窩位置不變，更新鳥窩位置(即全局搜索)，從而隨機(jī)產(chǎn)生下一代鳥窩，并評估位置更新后每個鳥窩的目標(biāo)函數(shù)值，記錄當(dāng)前最優(yōu)鳥窩位置。具體實施方案如下數(shù)學(xué)公式所示：

其中，表示第i只布谷鳥在第t代的鳥窩位置(在車間調(diào)度問題中用C_oik表示)，α是步長大小參數(shù)，一般取α＝0.1。參數(shù)S是隨機(jī)游動的步長，計算公式如下：

S＝u+α·σ (10)

其中，

在局部搜索時對每一鳥窩位置按條件進(jìn)行更新：用一個隨機(jī)數(shù)Ra作為鳥窩主人發(fā)現(xiàn)外來鳥蛋的概率并與Pa進(jìn)行比較，若Ra>Pa，則隨機(jī)改變鳥窩位置，否則保持原來位置不變,并計算位置移動后每個鳥窩的目標(biāo)函數(shù)值，記錄當(dāng)前最優(yōu)鳥窩位置，用如下0-1規(guī)劃模型表示：

(2)另一種情況：如果有新的鳥窩出現(xiàn)(有新的訂單出現(xiàn))，鳥窩數(shù)量增加，即：N+H，H為新增的鳥窩數(shù)量，同時，判斷是否為緊急訂單：是，則做緊急訂單處理操作，把該訂單的工件設(shè)置為所需加工的工序的優(yōu)先級，不是緊急訂單，則不做緊急處理。

緊急訂單處理操作如下：

計算緊急系數(shù)，緊急系數(shù)越大的訂單緊急程度越大，越需要得到優(yōu)先處理，緊急系數(shù)的計算如下：

其中，max{To_pre}為訂單o的估計完成時間，其計算方式為：

max{To_pre}＝T_ave+α·R

其中，α∈(0，1)，實數(shù)，R為完成該訂單所獲收益，no為訂單o的工件數(shù)量；

當(dāng)有鳥窩數(shù)量減少(有訂單還沒加工完就被迫撤離)的時候，直接定義N＝N-Z，其中，Z為減少的鳥窩數(shù)量，算法依舊依照上述算法執(zhí)行；

步驟6：當(dāng)?shù)竭_(dá)最大搜索次數(shù)或滿足搜索精度時轉(zhuǎn)入步驟7，否則，轉(zhuǎn)

步驟4進(jìn)行下一次搜索；

步驟7：輸出最優(yōu)調(diào)度值和對應(yīng)的調(diào)度方案(染色體序列)。