前言:
当前同学们对“hpf调度算法”大致比较关怀,大家都需要剖析一些“hpf调度算法”的相关内容。那么小编在网络上汇集了一些对于“hpf调度算法””的相关内容,希望兄弟们能喜欢,你们快快来了解一下吧!哈喽,小伙伴们好~
今天我们继续优化算法的学习,在之前的文章中我们讲解了——优化算法学习|布谷鸟算法原理及Python实现,这次我们就来学习一下布谷鸟算法的应用——混合布谷鸟算法求解绿色流水线调度问题。
问题描述
近些年来,随着社会各界对环境问题的重视,绿色调度成为研究的热点。在传统的车间调度问题中,我们的优化目标通常与时间、成本等因素有关。但是随着可持续与环境问题的日益严重,越来越多的企业开始在制造过程中平衡经济成本与绿色成本。
在计算复杂度上,2台机器以上的置换流水车间调度问题(Permutation Flow Shop Scheduling Problem,PFSP)是车间调度问题中特殊的一种,更加符合实际生产。这个问题也早已被证明是NP-hard问题[1],因此,更为复杂的带绿色指标的多目标置换流水线生产调度问题(Multi-object Permutation Flow Shop Scheduling Problem,MOPFSP)也属于NP-hard问题。
对于MOPFSP问题,可以描述如下:
数学模型
混合布谷鸟算法设计
对于标准布谷鸟算法的流程,在优化算法学习|布谷鸟算法原理及Python实现一文中已有讲解,在此就不做赘述。
01 自适应步长因子
CS算法虽然在诸多领域得到应用研究,但其本身存在固有不足:莱维飞行是一种马尔科夫链,只与当前情况有关,随机性较大,所以标准CS算法缺乏有效机制来加强搜索深度,算法收敛精度不高。CS算法在式(11)中定义了步长控制因子,该因子在标准算法中一般设定为固定的常数(譬如常取值为0.01)。若步长控制因子取值过大,易导致算法后期的搜索偏离优质解,使其收敛速度变慢;反之,若步长控制因子取值过小,则算法可能过早地陷入局部最优解,从而导致算法性能较弱。因此,对步长控制因子的改进有利于算法性能的提升。如果在算法搜索前期使用一个较大的步长控制因子,有利于在全局范围内迅速发现优质解所在区域;同时,随着算法搜索的推进,应逐渐减小步长控制因子,加强对局部优质解区域的细致搜索,这有利于提高算法的收敛速度和性能。
从步长控制因子方面对标准CS算法进行改进:用动态步长控制因子替换原有固定的步长控制因子。寻优过程中,随着个体质量逐步提高,适当缩小搜索范围,以加强搜索深度,有利于搜寻到更优的解。合理的步长控制因子应该是随着进化代数的增加而逐渐减小,使得算法在进化后期容易发现优质个体。
根据以下方面自适应调整步长控制因子α:将α 取值范围设置为[0.01, 0.2];另外,引入余弦函数使α 随着进化代数的增加而减小。综上所述,提出α 的改进公式:
02 多邻域局部搜索
为进一步提高布谷鸟算法的局部搜索能力,引入多邻域局部搜索策略,对种群中的优质个体执行基于不同邻域的细致搜索。具体来说,就是对算法当前的非劣解集中的个体执行基于三种邻域的局部搜索。这三种邻域搜索分别为:Interchange local search、Insert local search[3]、2-opt local search,具体定义如下:
Interchange local search:对每个个体的工件排序,随机选择其中两个不同的位置,交换位置上的工件。例如10工件排序为[4, 2, 7, 1, 3, 5, 9, 8, 10, 6],随机产生了两个位置P1=3,P2=9,则将位置3的工件7和位置9的工件10交换位置,得到一个新排序[4, 2, 10, 1, 9, 5, 9, 8, 10, 6]。
Insert local search: 该步骤可分为前插入和后插入。对每个个体的工件排序进行操作,随机选择其中2个不同的位置P1和P2,假设P1>P2。后插入是指将位置P1的工件插入位置P2,位置P1+1~P2的工件均往前挪一个位置;前插入是指将P2的工件插入位置P1,位置P1~P2-1的工件均往后挪一个位置。例如10工件排序为[4, 2, 7, 1, 3, 5, 9, 8, 10, 6],随机产生了两个位置P1=3,P2=9,按照上文,后插入得到的新排序为[4, 2, 1, 3, 5, 9, 8, 10, 7, 6],前插入得到的新排序为[4, 2, 10, 7, 1, 3, 5, 9, 8, 10, 6]。
2-opt local search:对每个个体的工件排序,随机选择其中两个不同的位置P1和P2,将P1~P2的工件排序逆序排列,其他位置工件排序不变。例如10工件排序为[4, 2, 7, 1, 3, 5, 9, 8, 10, 6],随机产生了两个位置P1=3,P2=9,按照上文,得到的新排序为[4, 2, 10, 8, 9, 5, 3, 1, 7, 6]。
算法流程
参考文献
[1] Garey M R , Sethi J R . The Complexity of Flowshop and Jobshop Scheduling[J]. Mathematics of Operations Research, 1976, 1(2):117-129.
[2] Yang X S , Deb S . Multiobjective cuckoo search for design optimization[J]. Computers & Operations Research, 2013, 40(6):1616-1624.
[3] Lei Deming , Guo Xiuping. A shuffled frog-leaping algorithm for hybrid flow shop scheduling with two agents[J]. Expert Systems with Applications, 2015, 42( 23):9333-9339.
[4]钟祾充, 钱斌, 胡蓉,等. 混合布谷鸟算法求解绿色流水车间调度问题[J]. 中国机械工程, 2018, 29(22):2674-2681.
好啦,今天的学习就到这里啦,关注公众号“土博在路上”获取更多精彩内容。
祝各位小伙伴:
标签: #hpf调度算法