本發(fā)明涉及車間生產調度控制技術，尤其涉及一種流水線車間調度方法和裝置。

背景技術：

流水線車間調度是一個無等待的車間調度問題，然而在企業(yè)的生產制造過程中，有百分之八十的時間會消耗在工件的運輸時間、或者工件的排隊時間、或者因工件沒有到達機器的等待時間等非加工過程中，這將導致企業(yè)的生產效益降低。

目前，解決流水線車間調度問題的主要算法有精確算法、啟發(fā)式算法和智能算法等。然而，精確算法只能求解小規(guī)模調度問題、啟發(fā)式算法構造復雜且所求得的調度解的質量不高，這兩種算法在實踐中未獲得大量應用。作為人工智能技術快速發(fā)展下的產物，遺傳算法、蟻群算法、螢火蟲優(yōu)化算法(glowwormswarmoptimizationalgorithm，gso)等智能算法，由于能夠在合理的時間內以較大概率獲得較高質量的調度解，在解決流水線車間調度問題的實踐中獲得了廣泛的應用與研究。

gso算法是由krishnanad等人于2005年模擬自然界螢火蟲求偶或覓食行為，提出的一種新型群智能優(yōu)化算法。gso算法由于具有較強的通用性、捕捉極值域速度快、捕捉效率高等優(yōu)點，在計算智能領域獲得了人們廣泛的關注與研究，并已成功應用于傳感器的噪聲測試和模擬機器等。但是，gso算法在解決流水線車間調度問題時，還存在易陷入局部最優(yōu)、后期迭代效率不高等缺陷，求得的調度序列使得流水車間生產效率不高。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明實施例期望提供一種流水線車間調度方法和裝置，能夠實現(xiàn)對生產調度的優(yōu)化配置，從而提高流水車間生產效率。

為達到上述目的，本發(fā)明的技術方案是這樣實現(xiàn)的：

本發(fā)明提供了一種流水線車間調度方法，所述方法包括：

根據(jù)預設的調度參數(shù)，建立流水線車間調度的優(yōu)化目標函數(shù)；

根據(jù)基于位置更新的離散螢火蟲優(yōu)化算法求解所述優(yōu)化目標函數(shù)，獲取最優(yōu)調度序列。

上述方案中，在所述獲取最優(yōu)調度序列之前，所述方法還包括：

初始化所述基于位置更新的離散螢火蟲優(yōu)化算法的基本參數(shù)，所述基本參數(shù)包括：螢火蟲數(shù)目m、最大迭代次數(shù)t、初始熒光素濃度i(0)、熒光素衰減因子ρ、熒光素更新率γ、初始決策半徑rs、控制鄰居螢火蟲數(shù)目變化范圍的鄰域變化率β、控制鄰居螢火蟲數(shù)目的鄰域閾值nτ、交叉變異閾值概率pc；

采用neh算法生成任意一個螢火蟲的初始位置，剩余的m-1個螢火蟲采用隨機鍵編碼方式生成初始位置。

上述方案中，所述根據(jù)基于位置更新的離散螢火蟲優(yōu)化算法求解所述優(yōu)化目標函數(shù)，獲取最優(yōu)調度序列，包括：

計算螢火蟲i第t次迭代時在位置處對應的目標適應度函數(shù)值j[xi(t)]；其中，表示螢火蟲i第t次迭代時所處的位置；

根據(jù)ii(t)＝(1-ρ)ii(t-1)+γj[xi(t)]更新螢火蟲i第t次迭代時的熒光素值ii(t)；其中，0<i≤m，0<t≤t，ρ∈(0,1)，j[xi(t)]表示螢火蟲i第t次迭代時所處的位置對應的目標適應度函數(shù)值；

根據(jù)計算螢火蟲i第t次迭代時決策半徑范圍內的鄰域集ni(t)，所述鄰域集ni(t)內包含有螢火蟲i的鄰居螢火蟲j；其中，0≤j≤m，dij表示螢火蟲i第t次迭代時所處的位置和螢火蟲j第t次迭代時所處 的位置之間的歐幾里得距離；

根據(jù)計算螢火蟲i第t次迭代時移向所述鄰域集ni(t)內每個鄰居螢火蟲j的概率，并利用輪盤賭算法選擇一個鄰居螢火蟲j作為螢火蟲i的目標移動方向；

根據(jù)更新螢火蟲i第t+1次迭代時所處的位置其中，表示作為螢火蟲i的目標移動方向的鄰居螢火蟲j第t次迭代時所處的位置，表示交叉操作，mu(...)表示變異操作，rand∈[0,1]表示一個隨機數(shù)；

根據(jù)更新螢火蟲i第t+1次迭代時的決策半徑其中，|ni(t)|表示螢火蟲i第t次迭代時所述鄰域集ni(t)內所包含的鄰居螢火蟲j的數(shù)目；

計算螢火蟲i第t次迭代時所處的位置對應的目標適應度函數(shù)值，將所述具有最小目標適應度函數(shù)值的螢火蟲所處的位置作為最優(yōu)調度序列。

上述方案中，當所述螢火蟲i第t次迭代時決策半徑范圍內的鄰域集ni(t)內未包含有螢火蟲i的鄰居螢火蟲j時，所述方法還包括：

根據(jù)更新所述螢火蟲i第t+1次迭代時所處的位置

上述方案中，所述根據(jù)更新螢火蟲i第t+1次迭代時所處的位置包括：

當rand≥pc時，根據(jù)計算出螢火蟲i的新位置并判斷螢火蟲i在新位置處對應的目標適應度函數(shù)值是否小于螢火蟲i在位置處對應的目標適應度函數(shù)值，若小于，則將所述新位置更新為螢火蟲i第t+1次迭代時所處的位置，否則將更新為螢火蟲i第t+1次迭代時所處的位置；

當rand<pc時，根據(jù)計算出螢火蟲i的新位置并將所述新位置更新為螢火蟲i第t+1次迭代時所處的位置。

本發(fā)明還提供了一種流水線車間調度裝置，所述裝置包括：目標函數(shù)建立模塊、處理模塊；其中，

所述目標函數(shù)建立模塊，用于根據(jù)預設的調度參數(shù)，建立流水線車間調度的優(yōu)化目標函數(shù)；

所述處理模塊，用于根據(jù)基于位置更新的離散螢火蟲優(yōu)化算法求解所述優(yōu)化目標函數(shù)，獲取最優(yōu)調度序列。

上述方案中，所述裝置還包括：初始化模塊，用于初始化所述基于位置更新的離散螢火蟲優(yōu)化算法的基本參數(shù)，所述基本參數(shù)包括：螢火蟲數(shù)目m、最大迭代次數(shù)t、初始熒光素濃度i(0)、熒光素衰減因子ρ、熒光素更新率γ、初始決策半徑rs、控制鄰居螢火蟲數(shù)目變化范圍的鄰域變化率β、控制鄰居螢火蟲數(shù)目的鄰域閾值nτ、交叉變異閾值概率pc；

采用neh算法生成任意一個螢火蟲的初始位置，剩余的m-1個螢火蟲采用隨機鍵編碼方式生成初始位置。

上述方案中，所述處理模塊，具體用于：

計算螢火蟲i第t次迭代時在位置處對應的目標適應度函數(shù)值j[xi(t)]；其中，表示螢火蟲i第t次迭代時所處的位置；

根據(jù)ii(t)＝(1-ρ)ii(t-1)+γj[xi(t)]更新螢火蟲i第t次迭代時的熒光素值ii(t)；其中，0<i≤m，0<t≤t，ρ∈(0,1)，j[xi(t)]表示螢火蟲i第t次迭代時所處的位置對應的目標適應度函數(shù)值；

根據(jù)計算螢火蟲i第t次迭代時決策半徑范圍內的鄰域集ni(t)，所述鄰域集ni(t)內包含有螢火蟲i的鄰居螢火蟲j；其中，0≤j≤m，dij表示螢火蟲i第t次迭代時所處的位置和螢火蟲j第t次迭代時所處的位置之間的歐幾里得距離；

根據(jù)計算螢火蟲i第t次迭代時移向所述鄰域集ni(t)內每個鄰居螢火蟲j的概率，并利用輪盤賭算法選擇一個鄰居螢火蟲j作為螢火蟲i的 目標移動方向；

根據(jù)更新螢火蟲i第t+1次迭代時所處的位置其中，表示作為螢火蟲i的目標移動方向的鄰居螢火蟲j第t次迭代時所處的位置，表示交叉操作，mu(...)表示變異操作，rand∈[0,1]表示一個隨機數(shù)；

根據(jù)更新螢火蟲i第t+1次迭代時的決策半徑其中，|ni(t)|表示螢火蟲i第t次迭代時所述鄰域集ni(t)內所包含的鄰居螢火蟲j的數(shù)目；

計算螢火蟲i第t次迭代時所處的位置對應的目標適應度函數(shù)值，將所述具有最小目標適應度函數(shù)值的螢火蟲所處的位置作為最優(yōu)調度序列。

上述方案中，所述處理模塊，還用于當所述螢火蟲i第t次迭代時決策半徑范圍內的鄰域集ni(t)內未包含有螢火蟲i的鄰居螢火蟲j時，根據(jù)更新所述螢火蟲i第t+1次迭代時所處的位置

上述方案中，所述處理模塊根據(jù)更新螢火蟲i第t+1次迭代時所處的位置為：

當rand≥pc時，根據(jù)計算出螢火蟲i的新位置并判斷螢火蟲i在新位置處對應的目標適應度函數(shù)值是否大于螢火蟲i在位置處對應的目標適應度函數(shù)值，若大于，則將所述新位置更新為螢火蟲i第t+1次迭代時所處的位置，否則將更新為螢火蟲i第t+1次迭代時所處的位置；

當rand<pc時，根據(jù)計算出螢火蟲i的新位置并將所述新位置更新為螢火蟲i第t+1次迭代時所處的位置。

本發(fā)明實施例提供的流水線車間調度方法和裝置，根據(jù)預設的調度參數(shù)，建立流水線車間調度的優(yōu)化目標函數(shù)；根據(jù)基于位置更新的離散螢火蟲優(yōu)化算法求解所述優(yōu)化目標函數(shù)，獲取最優(yōu)調度序列。可見，本發(fā)明實施例通過對傳統(tǒng)的螢火蟲優(yōu)化算法中螢火蟲位置更新策略進行改進，運用改進后的螢火蟲優(yōu) 化算法求解流水線車間調度的最優(yōu)調度序列時，由于采用了交叉變異方式對螢火蟲個體的位置進行更新，螢火蟲種群不易陷入局部最優(yōu)解而且求解精度高，使得最終所求得的最優(yōu)調度序列能夠實現(xiàn)對生產調度的優(yōu)化配置，從而提高流水車間生產效率。

附圖說明

圖1為本發(fā)明實施例流水線車間調度方法的實現(xiàn)流程示意圖；

圖2為本發(fā)明實施例流水線車間調度裝置的組成結構示意圖。

具體實施方式

本發(fā)明實施例提供的一種流水線車間調度方法，如圖1所示，所述方法包括：

步驟101：設置調度參數(shù)；

這里，所述設置調度參數(shù)是指設置流水線車間調度問題相關的調度參數(shù)，包括工件數(shù)量、機器數(shù)量、單位加工時間；所述單位加工時間是指每個工件在每臺機器上的加工時間。

這里，所述流水線車間調度問題(permutationflowshopschedulingproblem，pfsp)可以描述為：有n個工件要在e臺機器上加工，每個工件需要經(jīng)過e道工序，每道工序要求在不同的機器上加工，n個工件在e臺機器上的加工順序相同，n個工件在每臺機器上的加工順序也相同；所述流水線車間調度問題的求解目標是：確定n個工件在每臺機器上的最優(yōu)加工順序，該最優(yōu)加工順序能夠最小化所有工件加工的最大完成時間。

通常，對所述流水線車間調度問題作如下假設：

1)每個工件按照從第1臺機器到第e臺機器的順序進行加工；

2)每臺機器在同一時間內只能加工一個工件；

3)每個工件的準備時間包含在該工件加工時間內，且與加工順序無關；

4)所有的機器都是連續(xù)工作不存在機器故障的可能；

5)一個加工工件在一臺機器上的加工操作是連續(xù)不可斷的。

基于上述假設條件，每個加工工件在每臺機器上的完成時間的數(shù)學公式可描述為：

s(pa,k)＝max{t(pa-1,k),t(pa,k-1)}；

tmax(p)＝t(pn,e)。

其中，表示第1個工件在第1臺機器上的加工時間，表示第1個工件在第k臺機器上的加工時間，t(p1,1)表示第1個工件在第1臺機器上的加工完成時間，t(p1,k)表示第1個工件在第k臺機器上的加工完成時間，表示第a個工件在第k臺機器上的加工時間，t(pa,k)表示第a個工件在第k臺機器上的加工完成時間，s(pa,k)表示第a個工件在第k臺機器上的加工開始時間，t(pn,e)表示第n個工件在第e臺機器上的加工完成時間，ω為所有n個工件排序的集合，p∈{ω|(p1,p2,...,pn)}表示所有n個工件的一個排序，tmax(p)表示按照p的排序的最大完工時間。

步驟102：根據(jù)所述調度參數(shù)，建立流水線車間調度的優(yōu)化目標函數(shù)；

這里，所述建立流水線車間調度的優(yōu)化目標函數(shù)是指建立求解n個工件在每臺機器上的最優(yōu)加工順序的函數(shù)，所述最優(yōu)加工順序能夠最小化所有工件在所有機器上加工的完成時間。

這里，所述優(yōu)化目標函數(shù)可表示為p^*＝arg{tmax(p)→min}，

步驟103：根據(jù)基于位置更新的離散螢火蟲優(yōu)化算法求解所述優(yōu)化目標函數(shù)，獲取最優(yōu)調度序列。

這里，所述最優(yōu)調度序列是指利用所述基于位置更新的離散螢火蟲優(yōu)化算 法求得的一種n個工件在每臺機器上的加工排序，該加工排序能夠最小化所有工件加工的完成時間。

本發(fā)明實施例中，在所述獲取最優(yōu)調度序列之前，所述方法還包括：

初始化所述基于位置更新的離散螢火蟲優(yōu)化算法的基本參數(shù)，所述基本參數(shù)包括：螢火蟲數(shù)目m、最大迭代次數(shù)t、初始熒光素濃度i(0)、熒光素衰減因子ρ、熒光素更新率γ、初始決策半徑rs、控制鄰居螢火蟲數(shù)目變化范圍的鄰域變化率β、控制鄰居螢火蟲數(shù)目的鄰域閾值nτ、交叉變異閾值概率pc；

采用neh算法生成任意一個螢火蟲的初始位置，剩余的m-1個螢火蟲采用隨機鍵編碼方式生成初始位置。

這里，所述螢火蟲數(shù)目m是指集合ω中所有n個工件的全部排序的數(shù)目；所述最大迭代次數(shù)t用于控制所述離散螢火蟲優(yōu)化算法的計算次數(shù)；所述初始熒光素濃度i(0)、熒光素衰減因子ρ、熒光素更新率γ用于更新每次迭代時每個螢火蟲的熒光素值；所述初始決策半徑rs、控制鄰居螢火蟲數(shù)目變化范圍的鄰域變化率β、控制鄰居螢火蟲數(shù)目的鄰域閾值nτ用于更新每次迭代時每個螢火蟲的決策半徑；所述交叉變異閾值概率pc用于更新每次迭代時每個螢火蟲所處的位置。

這里，所述neh算法的基本思想是賦予總加工時間越長的工件在排序中的插入優(yōu)先權，通過每次插入一個新工件，求得最好的局部解，從而構造出工件的加工順序；所述初始位置代表所述n個工件在每臺機器上加工的一種排序；所述采用neh算法生成任意一個螢火蟲的初始位置，剩余的m-1個螢火蟲采用隨機鍵編碼方式生成初始位置的目的是：使螢火蟲初始種群具備一定的質量，以達到在較短時間內找到較高質量的調度解。

其中，所述根據(jù)基于位置更新的離散螢火蟲優(yōu)化算法求解所述優(yōu)化目標函數(shù)，獲取最優(yōu)調度序列，包括：

計算螢火蟲i第t次迭代時在位置處對應的目標適應度函數(shù)值j[xi(t)]；其中，表示螢火蟲i第t次迭代時所處的位置；

根據(jù)ii(t)＝(1-ρ)ii(t-1)+γj[xi(t)]更新螢火蟲i第t次迭代時的熒光素值ii(t)；其中，0<i≤m，0<t≤t，ρ∈(0,1)，j[xi(t)]表示螢火蟲i第t次迭代時所處的位置對應的目標適應度函數(shù)值；

根據(jù)計算螢火蟲i第t次迭代時決策半徑范圍內的鄰域集ni(t)，所述鄰域集ni(t)內包含有螢火蟲i的鄰居螢火蟲j；其中，0≤j≤m，dij表示螢火蟲i第t次迭代時所處的位置和螢火蟲j第t次迭代時所處的位置之間的歐幾里得距離；

根據(jù)計算螢火蟲i第t次迭代時移向所述鄰域集ni(t)內每個鄰居螢火蟲j的概率，并利用輪盤賭算法選擇一個鄰居螢火蟲j作為螢火蟲i的目標移動方向；

根據(jù)更新螢火蟲i第t+1次迭代時所處的位置其中，表示作為螢火蟲i的目標移動方向的鄰居螢火蟲j第t次迭代時所處的位置，表示交叉操作，mu(...)表示變異操作，rand∈[0,1]表示一個隨機數(shù)；

根據(jù)更新螢火蟲i第t+1次迭代時的決策半徑其中，|ni(t)|表示螢火蟲i第t次迭代時所述鄰域集ni(t)內所包含的鄰居螢火蟲j的數(shù)目；

計算螢火蟲i第t次迭代時所處的位置對應的目標適應度函數(shù)值，將所述具有最小目標適應度函數(shù)值的螢火蟲所處的位置作為最優(yōu)調度序列。

這里，所述目標適應度函數(shù)值j[xi(t)]是指螢火蟲i第t次迭代時所處的位置即n個工件在每臺機器上的一種加工順序所對應的加工完成時間。

這里，所述根據(jù)更新螢火蟲i第t+1次迭代時所處的位置包括：

當rand≥pc時，根據(jù)計算出螢火蟲i的新位置并判斷螢火蟲 i在新位置處對應的目標適應度函數(shù)值是否小于螢火蟲i在位置處對應的目標適應度函數(shù)值，若小于，則將所述新位置更新為螢火蟲i第t+1次迭代時所處的位置，否則將更新為螢火蟲i第t+1次迭代時所處的位置；

當rand<pc時，根據(jù)計算出螢火蟲i的新位置并將所述新位置更新為螢火蟲i第t+1次迭代時所處的位置。

這里，所述采用交叉變異方式同時對螢火蟲i個體的位置進行更新的原因是：采用交叉操作能夠使螢火蟲i獲得鄰居螢火蟲j的優(yōu)良基因片段，即獲得鄰居螢火蟲j的當前所述位置中的最優(yōu)部分，但是，僅使用交叉操作容易使整個螢火蟲種群陷入局部最優(yōu)解、降低收斂速度。因此，同時對螢火蟲i個體在一個較小的概率下進行變異操作，能夠提高整個螢火蟲種群的抗早熟能力，即螢火蟲種群不易陷入局部最優(yōu)解，使得最終所求解出的最優(yōu)調度序列能夠最大優(yōu)化生產調度的配置，從而提高流水車間生產效率。

這里，所述交叉變異閾值概率pc的選取關系到尋優(yōu)最優(yōu)調度序列，如果pc值過小，那么，上述位置更新方式將基本全部依靠螢火蟲個體變異操作，近似隨機搜索過程。對于大規(guī)模流水線調度問題，可行解的規(guī)模極大，單純依靠近似隨機枚舉的方式進行位置更新不可取。如果pc過大且接近于1，那么，上述位置更新方式將基本全部依靠螢火蟲個體交叉操作，這將容易使螢火蟲種群陷入局部最優(yōu)解。本發(fā)明實施例中，經(jīng)過大量研究實驗，取所述pc值為0.85，既保證螢火蟲個體之間的優(yōu)良基因片段能夠相互傳遞，又可以保持適當?shù)淖儺惛怕蚀_保螢火蟲種群不會陷入局部最優(yōu)解。

進一步的，所述根據(jù)計算螢火蟲i第t次迭代時決策半徑范圍內的鄰域集ni(t)，所述鄰域集ni(t)內未包含有螢火蟲i的鄰居螢火蟲j時，所述方法還包括：根據(jù)更新所述螢火蟲i第t+1次迭代時所處的位置

具體地，當螢火蟲i第t次迭代時決策半徑范圍內的鄰域集ni(t)內未包 含有鄰居螢火蟲j時，對螢火蟲i第t次迭代時所處的位置進行變異操作獲取螢火蟲i的新位置并將所述新位置更新為所述螢火蟲i第t+1次迭代時所處的位置。

這里，當?shù)螖?shù)達到設置的最大迭代次數(shù)t時，計算m個螢火蟲中每個螢火蟲i第t次迭代時所處的位置對應的目標適應度函數(shù)值j[xi(t)]，那么，具有最小目標適應度函數(shù)值的螢火蟲所處的位置就是所求的最優(yōu)調度序列，該最優(yōu)調度序列能夠使所述步驟102中的優(yōu)化目標函數(shù)的值最小，即所有工件在所有機器上加工的完成時間最小。此外，在實際應用中，還可以根據(jù)需求對所述調度參數(shù)以及基本參數(shù)進行相應的調整，從而獲取相應的最優(yōu)調度序列。

為實現(xiàn)上述方法，對應的本發(fā)明實施例還提供了一種流水線車間調度裝置，如圖2所示，所述裝置包括：參數(shù)設置模塊21、目標函數(shù)建立模塊22、處理模塊24；其中，

所述參數(shù)設置模塊21，用于設置調度參數(shù)；

這里，所述調度參數(shù)包括工件數(shù)量、機器數(shù)量、單位加工時間。

所述目標函數(shù)建立模塊22，用于根據(jù)所述調度參數(shù)，建立流水線車間調度的優(yōu)化目標函數(shù)；

所述處理模塊24，用于根據(jù)基于位置更新的離散螢火蟲優(yōu)化算法求解所述優(yōu)化目標函數(shù)，獲取最優(yōu)調度序列。

這里，所述設置調度參數(shù)是指設置流水線車間調度問題相關的調度參數(shù)，包括工件數(shù)量、機器數(shù)量、單位加工時間；所述單位加工時間是指每個工件在每臺機器上的加工時間。

這里，所述pfsp可以描述為：有n個工件要在e臺機器上加工，每個工件需要經(jīng)過e道工序，每道工序要求在不同的機器上加工，n個工件在e臺機器上的加工順序相同，n個工件在每臺機器上的加工順序也相同；所述流水線車間調度問題的求解目標是：確定n個工件在每臺機器上的最優(yōu)加工順序，該最優(yōu)加工順序能夠最小化所有工件加工的最大完成時間。

通常，對所述流水線車間調度問題作如下假設：

1)每個工件按照從第1臺機器到第e臺機器的順序進行加工；

2)每臺機器在同一時間內只能加工一個工件；

3)每個工件的準備時間包含在該工件加工時間內，且與加工順序無關；

4)所有的機器都是連續(xù)工作不存在機器故障的可能；

5)一個加工工件在一臺機器上的加工操作是連續(xù)不可斷的。

基于上述假設條件，每個加工工件在每臺機器上的完成時間的數(shù)學公式可描述為：

s(pa,k)＝max{t(pa-1,k),t(pa,k-1)}；

tmax(p)＝t(pn,e)。

其中，表示第1個工件在第1臺機器上的加工時間，表示第1個工件在第k臺機器上的加工時間，t(p1,1)表示第1個工件在第1臺機器上的加工完成時間，t(p1,k)表示第1個工件在第k臺機器上的加工完成時間，表示第a個工件在第k臺機器上的加工時間，t(pa,k)表示第a個工件在第k臺機器上的加工完成時間，s(pa,k)表示第a個工件在第k臺機器上的加工開始時間，t(pn,e)表示第n個工件在第e臺機器上的加工完成時間，ω為所有n個工件排序的集合，p∈{ω|(p1,p2,...,pn)}表示所有n個工件的一個排序，tmax(p)表示按照p的排序的最大完工時間。

這里，所述建立流水線車間調度的優(yōu)化目標函數(shù)是指建立求解n個工件在每臺機器上的最優(yōu)加工順序的函數(shù)，所述最優(yōu)加工順序能夠最小化所有工件在所有機器上加工的完成時間。

這里，所述優(yōu)化目標函數(shù)可表示為p^*＝arg{tmax(p)→min}，

這里，所述最優(yōu)調度序列是指利用所述基于位置更新的離散螢火蟲優(yōu)化算法求得的一種n個工件在每臺機器上的加工排序，該加工排序能夠最小化所有工件加工的完成時間。

進一步的，所述裝置還包括：初始化模塊23，用于初始化所述基于位置更新的離散螢火蟲優(yōu)化算法的基本參數(shù)，所述基本參數(shù)包括：螢火蟲數(shù)目m、最大迭代次數(shù)t、初始熒光素濃度i(0)、熒光素衰減因子ρ、熒光素更新率γ、初始決策半徑rs、控制鄰居螢火蟲數(shù)目變化范圍的鄰域變化率β、控制鄰居螢火蟲數(shù)目的鄰域閾值nτ、交叉變異閾值概率pc；

采用neh算法生成任意一個螢火蟲的初始位置，剩余的m-1個螢火蟲采用隨機鍵編碼方式生成初始位置。

這里，所述螢火蟲數(shù)目m是指集合ω中所有n個工件的全部排序的數(shù)目；所述最大迭代次數(shù)t用于控制所述離散螢火蟲優(yōu)化算法的計算次數(shù)；所述初始熒光素濃度i(0)、熒光素衰減因子ρ、熒光素更新率γ用于更新每次迭代時每個螢火蟲的熒光素值；所述初始決策半徑rs、控制鄰居螢火蟲數(shù)目變化范圍的鄰域變化率β、控制鄰居螢火蟲數(shù)目的鄰域閾值nτ用于更新每次迭代時每個螢火蟲的決策半徑；所述交叉變異閾值概率pc用于更新每次迭代時每個螢火蟲所處的位置。

這里，所述neh算法的基本思想是賦予總加工時間越長的工件在排序中的插入優(yōu)先權，通過每次插入一個新工件，求得最好的局部解，從而構造出工件的加工順序；所述初始位置代表所述n個工件在每臺機器上加工的一種排序；所述采用neh算法生成任意一個螢火蟲的初始位置，剩余的m-1個螢火蟲采用隨機鍵編碼方式生成初始位置的目的是：使螢火蟲初始種群具備一定的質量，以達到在較短時間內找到較高質量的調度解。

其中，所述處理模塊24，具體用于計算螢火蟲i第t次迭代時在位置處對應的目標適應度函數(shù)值j[xi(t)]；其中，表示螢火蟲i第t次迭代時所處的位置。

這里，所述目標適應度函數(shù)值j[xi(t)]是指螢火蟲i第t次迭代時所處的位置即n個工件在每臺機器上的一種加工順序所對應的加工完成時間。

所述處理模塊24，具體用于根據(jù)ii(t)＝(1-ρ)ii(t-1)+γj[xi(t)]更新螢火蟲i第t次迭代時的熒光素值ii(t)；其中，0<i≤m，0<t≤t，ρ∈(0,1)，j[xi(t)]表示螢火蟲i第t次迭代時所處的位置對應的目標適應度函數(shù)值。

所述處理模塊24，具體用于根據(jù)計算螢火蟲i第t次迭代時決策半徑范圍內的鄰域集ni(t)，所述鄰域集ni(t)內包含有螢火蟲i的鄰居螢火蟲j；其中，0≤j≤m，dij表示螢火蟲i第t次迭代時所處的位置和螢火蟲j第t次迭代時所處的位置之間的歐幾里得距離。

所述處理模塊24，具體用于根據(jù)計算螢火蟲i第t次迭代時移向所述鄰域集ni(t)內每個鄰居螢火蟲j的概率，并利用輪盤賭算法選擇一個鄰居螢火蟲j作為螢火蟲i的目標移動方向。

所述處理模塊24，具體用于根據(jù)更新螢火蟲i第t+1次迭代時所處的位置其中，表示作為螢火蟲i的目標移動方向的鄰居螢火蟲j第t次迭代時所處的位置，表示交叉操作，mu(...)表示變異操作，rand∈[0,1]表示一個隨機數(shù)。

當rand≥pc時，根據(jù)計算出螢火蟲i的新位置并判斷螢火蟲i在新位置處對應的目標適應度函數(shù)值是否小于螢火蟲i在位置處對應的目標適應度函數(shù)值，若小于，則將所述新位置更新為螢火蟲i第t+1次迭代時所處的位置，否則將更新為螢火蟲i第t+1次迭代時所處的位置；

當rand<pc時，根據(jù)計算出螢火蟲i的新位置并將所述新位置更新為螢火蟲i第t+1次迭代時所處的位置。

這里，所述采用交叉變異方式同時對螢火蟲i個體的位置進行更新的原因 是：采用交叉操作能夠使螢火蟲i獲得鄰居螢火蟲j的優(yōu)良基因片段，即獲得鄰居螢火蟲j的當前所述位置中的最優(yōu)部分，但是，僅使用交叉操作容易使整個螢火蟲種群陷入局部最優(yōu)解、降低收斂速度。因此，同時對螢火蟲i個體在一個較小的概率下進行變異操作，能夠提高整個螢火蟲種群的抗早熟能力，即螢火蟲種群不易陷入局部最優(yōu)解，使得最終所求解出的最優(yōu)調度序列能夠最大優(yōu)化生產調度的配置，從而提高流水車間生產效率。

這里，所述交叉變異閾值概率pc的選取關系到尋優(yōu)最優(yōu)調度序列，如果pc值過小，那么，上述位置更新方式將基本全部依靠螢火蟲個體變異操作，近似隨機搜索過程。對于大規(guī)模流水線調度問題，可行解的規(guī)模極大，單純依靠近似隨機枚舉的方式進行位置更新不可取。如果pc過大且接近于1，那么，上述位置更新方式將基本全部依靠螢火蟲個體交叉操作，這將容易使螢火蟲種群陷入局部最優(yōu)解。本發(fā)明實施例中，經(jīng)過大量研究實驗，取所述pc值為0.85，既保證螢火蟲個體之間的優(yōu)良基因片段能夠相互傳遞，又可以保持適當?shù)淖儺惛怕蚀_保螢火蟲種群不會陷入局部最優(yōu)解。

所述處理模塊24，具體用于根據(jù)更新螢火蟲i第t+1次迭代時的決策半徑其中，|ni(t)|表示螢火蟲i第t次迭代時所述鄰域集ni(t)內所包含的鄰居螢火蟲j的數(shù)目。

所述處理模塊24，還用于當所述螢火蟲i第t次迭代時決策半徑范圍內的鄰域集ni(t)內未包含有螢火蟲i的鄰居螢火蟲j時，根據(jù)更新所述螢火蟲i第t+1次迭代時所處的位置

具體地，當螢火蟲i第t次迭代時決策半徑范圍內的鄰域集ni(t)內未包含有鄰居螢火蟲j時，對螢火蟲i第t次迭代時所處的位置進行變異操作獲取螢火蟲i的新位置并將所述新位置更新為所述螢火蟲i第t+1次迭代時所處的位置。

所述處理模塊24，具體用于計算螢火蟲i第t次迭代時所處的位置對應的目 標適應度函數(shù)值，將所述具有最小目標適應度函數(shù)值的螢火蟲所處的位置作為最優(yōu)調度序列。

這里，當?shù)螖?shù)達到設置的最大迭代次數(shù)t時，計算m個螢火蟲中每個螢火蟲i第t次迭代時所處的位置對應的目標適應度函數(shù)值j[xi(t)]，那么，具有最小目標適應度函數(shù)值的螢火蟲所處的位置就是所求的最優(yōu)調度序列，該最優(yōu)調度序列能夠使所述步驟102中的優(yōu)化目標函數(shù)的值最小，即所有工件在所有機器上加工的完成時間最小。此外，在實際應用中，還可以根據(jù)需求對所述調度參數(shù)以及基本參數(shù)進行相應的調整，從而獲取相應的最優(yōu)調度序列。

在實際應用中，所述參數(shù)設置模塊21、目標函數(shù)建立模塊22、初始化模塊23、處理模塊24均可由位于終端的中央處理器(cpu)、微處理器(mpu)、數(shù)字信號處理器(dsp)、或現(xiàn)場可編程門陣列(fpga)等實現(xiàn)。

以上所述，僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和范圍之內所作的任何修改、等同替換和改進等，均包含在本發(fā)明的保護范圍之內。