【
技術領域：
】本發明屬于生產車間智能優化調度
技術領域：
，涉及一種基于混合算法框架的混流裝配調度控制方法。
背景技術：
：混流裝配生產方式是制造業中常采用的一種生產方式，它是在不改變生產組織方式的前提下，在同一流水線上同時生產出多種不同型號、不同數量的產品。因此，相對于單一產品流水線而言，混流生產系統既可以大批量生產標準產品，又可以按照客戶訂單生產小批量非標準產品，因此具有更高的靈活性，可以滿足客戶對產品的多樣化需求，企業對市場的快速響應不再僅依賴于產品庫存。在汽車、家電等行業的生產過程中，大部分生產工序是相同的，更換產品品種時基本不需要調整生產線，因此，混流生產方式在這些行業中具有廣闊的應用前景。混流裝配調度中，產品的生產排序調度問題是多約束np-難問題。為了解決np-難問題混流裝配調度的算法也在不斷的豐富和完善。由于研究方向的差異，各種算法及計算效率和適用范圍也有一定的不同，主要分為分支定界法、動態規劃法、目標追隨法、基于線性松弛的啟發式算法、領域搜索算法、neh算法、遺傳算法(ga)、蟻群算法、粒子群優化算法以及一些混合算法等。這些算法都在相關的領域得到了應用驗證。單一的算法往往存在部分缺陷，其中常用的遺傳算法存在未成熟收斂，局部搜索能力差，隨機游走等現象，因此需要探尋一種新的裝配調度方法來接解決現有物流調度中存在的問題。技術實現要素：為解決現有技術中存在的問題，本發明的目的是提供一種基于混合算法框架的混流裝配調度控制方法，本發明的方法基于混合遺傳算法和差分進化算法，并將其用于混流裝配調度的實際問題中，解決了現有技術中存在的問題。本發明所采用的技術方案是：一種基于混合算法框架的混流裝配調度控制方法，包括如下步驟：步驟1，設置遺傳算法和差分進化算法的初始參數；步驟2，設置初始種群；步驟3，通過適應度函數評價種群中個體的適應度；步驟4，根據個體的適應度選出最優解并記錄；步驟5，判斷最優解及其狀態是否滿足終止條件：若滿足，則輸出最優解；若不滿足，則進行如下步驟：步驟a，對基因的排序依次采用遺傳算法的選擇操作、交叉操作和變異操作；同時基因的數量依次采用差分進化算法的變異操作、交叉操作和選擇操作；步驟b，根據適應度函數評價新個體的適應度；步驟c，將新個體與原個體置換形成下一代個體；步驟d，重復步驟4至步驟5。所述步驟1中，遺傳算法和差分進化算法的初始參數包括初始種群數量、突變率、交叉率、約束條件和終止條件。所述步驟a中，對基因的排序采用的交叉操作為順序交叉的方式。所述順序交叉的方式的具體過程如下：在父代的一方d1中隨機選出一段染色體作為原始后代，再從父代的另一方d2中選出剩余的染色體按照順序補充到新的子代1染色體上。所述步驟a中，對基因的數量依次采用差分進化算法的變異操作、交叉操作和選擇操作的具體過程如下：步驟a.1，先選取種群中兩個不同個體，將兩個不同個體的向量差縮放以后再與待變異的個體進行向量合成；步驟a.2，再對第g代種群及其變異的中間體進行個體間的交叉操作；步驟a.3，再對比新個體和原始個體的適應度，選出適應度最優的個體。所述步驟a.1具體過程的表達式如下：其中，f為縮放因子，xi(g)表示第g代中的第i個個體；r1、r2和r3為第g代中的個體的序號，且i≠r1≠r2≠r3；vi(g+1)為變異的中間體；在變異進化過程中，判斷新產生的中間體是否滿足邊界條件，如果超出了邊界，則要重新生成中間體。所述步驟a.2的具體過程為：對第g代種群{xi(g)}及其變異的中間體{vi(g+1)}進行個體間的交叉操作：當rand(0,1)≤cr或者j＝jrand時uj,i(g+1)＝vj,i(g+1)反之uj,i(g+1)＝xj,i(g)其中，cr為交叉概率，j為基因位置，d為基因片段的數量，jrand為[1,2,…,d]的隨機整數,uj,i(g+1)為子代個體，vj,i(g+1)為中間體，xj,i(g)為父代個體。本發明的有益效果如下：本發明在算法中區分了連續變量和離散變量，分別構建了適應不同變量的算法，并構建了將兩個算法融合在一起的遺傳算法與差分進化算法的混合框架。從而使新的算法模型比傳統的遺傳算法能更多的積累優質解信息，使算法的全局搜索能力進一步提高，并且明顯降低了未成熟收斂的概率。本發明設計了新種群生成機制與多種算法相結合的策略，打破傳統的算法生成新種群的機制，不僅保證算法種群的多樣性，而且使其全局搜索更具指導性和方向性；引入了基于差分進化算法對連續變量的進化操作，對全局搜索得到的最優解區域進行更為細致的搜索，從而增強算法的局部搜索能力。本發明中所提出的混合框架是對差分進化算法(de)和遺傳算法(ga)的整合，以有效地解決混流裝配調度問題。而混合遺傳算法所采用的策略可以有效的彌補這些缺陷。構造混合遺傳算法常采用的策略一種是將遺傳算法與局部搜索算法相結合，以彌補單一算法的不足；另一種是結合兩個或兩個以上的算法的優點，形成一個更優的算法。因此在解決復雜的優化問題方面，混合算法具有獨特的優勢。計算機仿真結果表明，與傳統算法相比，本發明在混流裝配調度上具有收斂速度快、優化能力強、算法可靠等優勢。本發明可以顯著改善多參數、高度非線性問題的優化結果、提高計算效率。【附圖說明】圖1是本發明遺傳算法與差分進化算法混合算法流程圖；圖2是本發明遺傳算法順序交叉示例圖；圖3是本發明差分進化交叉運算示例圖；圖4是本發明混合算法迭代100代曲線圖；圖5是本發明混合算法、差分算法、遺傳算法迭代100代對比曲線圖。【具體實施方式】下面結合附圖和具體實施方式對本發明進行詳細說明。參考圖1～圖3，本發明的基于混合算法框架的混流裝配調度控制方法，總體的技術步驟如下：步驟1：設置遺傳算法和差分進化算法的初始參數；初始參數包括初始種群數量、突變率、交叉率、約束條件和終止條件；步驟2：設置初始種群；步驟3：通過適應度函數評價種群中個體的適應度；步驟4：據個體的適應度選出最優解并記錄；步驟5：判斷最優解及其狀態是否滿足終止條件，如果最優解及其狀態滿足終止條件則轉到步驟9，如果不滿足終止條件則轉到步驟6；步驟6：對基因的排序依次采用遺傳算法的選擇操作、交叉操作和變異操作；同時基因的數量依次采用差分進化算法的變異操作、交叉操作和選擇操作；步驟7：根據適應度函數評價新個體的適應度；步驟8：將新個體與原個體置換形成下一代個體，并轉到步驟4；步驟9：輸出最優解。如圖2所示，步驟6中，遺傳算法交叉算子采用順序交叉的方式，即在父代的一方d1中隨機選出一段染色體作為原始后代，再從父代的另一方d2中選出剩余的染色體按照順序補充到新的子代1染色體上。如圖3所示，步驟6中，差分進化交叉算子具體步驟如下：變異操作：選取種群中兩個不同個體，將其向量差縮放以后再與待變異的個體進行向量合成，即其中，f為縮放因子，xi(g)表示第g代中的第i個個體；r1、r2和r3為第g代中的個體的序號，且i≠r1≠r2≠r3；vi(g+1)為變異的中間體；在變異進化過程中，判斷新產生的中間體是否滿足邊界條件，如果超出了邊界，則要重新生成中間體，若每代種群數量記為n，則會生成n個變異中間體；交叉操作：然后對第g代種群{xi(g)}及其變異的中間體{vi(g+1)}進行個體間的交叉操作：當rand(0,1)≤cr或者j＝jrand時uj,i(g+1)＝vj,i(g+1)反之uj,i(g+1)＝xj,i(g)其中，cr為交叉概率，j為基因位置，d為基因片段的數量，jrand為[1,2,…,d]的隨機整數,uj,i(g+1)為子代個體，vj,i(g+1)為中間體，xj,i(g)為父代個體。圖3為6個基因位的染色體交叉運算示意圖；選擇操作：對比新個體和原始個體的適應度，選出適應度最優的個體實施例：需要生產abcdef六種型號的產品，初始狀態全部存放于緩沖區中，各種型號產品在緩沖區的初始數量及緩沖區的最高最低庫存量下表1所示，表1為緩沖區中各種型號產品數量狀態表(個)；表1生產不同型號的產品需要一定的轉換等待時間，每個型號的產品也需要一定的生產時間，生產不同型號產品的等待時間如表2所示，表2為各產品之間等待時間(秒/s)；表2在表2中，先生產a再換型號a的等待時間為0，先生產a再換型號b的等待時間為50s，先生產a再換型號c等待時間為40s，以此類推。需要注意的是先生產a再換型號b的等待時間與先生產b再換型號a的等待時間是不同的。各型號單個產品的生產時間如表3所示，表3為各型號產品生產時間(秒/s)；表3產品型號生產時間a5b4c4.5d4e4.8f4.6按照本發明提出的混合遺傳算法進行編程，設置初始種群大小為100，迭代次數為100，遺傳算法和差分進化算法的交叉概率均為0.9，遺傳算法的變異概率為0.02，差分進化算法的變異概率為0.5，鑒于車間的實際情況，根據專家經驗設置時間成本和庫存成本的系數分別為1，4.5。經過計算，從圖4中可以看出，無論是最優目標值還是平均目標值都能夠快速的收斂。本發明分別采用遺傳算法和差分進化算法求解此實例，并將結果與混合遺傳算法對比，仿真結果如圖5所示，從圖5的對比曲線可以看出對于本發明中所提出的調度問題，混合遺傳算法具有收斂速度快、優化能力強、算法可靠等優勢。當前第1頁12