專(zhuān)利名稱(chēng)：基于遺傳算法的企業(yè)過(guò)程模型多目標(biāo)參數(shù)優(yōu)化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及企業(yè)工程與信息技術(shù)領(lǐng)域，具體地，涉及一種基于遺傳算法的多目標(biāo)企業(yè)過(guò) 程模型參數(shù)優(yōu)化方法。
背景技術(shù)：
企業(yè)過(guò)程模型是對(duì)企業(yè)這一復(fù)雜對(duì)象的簡(jiǎn)化和抽象，不僅包括組成過(guò)程的活動(dòng)以及活動(dòng) 之間的邏輯關(guān)系，還包括作為活動(dòng)輸入、輸出的產(chǎn)品，以及支持活動(dòng)執(zhí)行的資源對(duì)象。通過(guò) 對(duì)企業(yè)過(guò)程模型的仿真分析和優(yōu)化，可以發(fā)現(xiàn)企業(yè)存在的業(yè)務(wù)瓶頸問(wèn)題，為企業(yè)的改造和優(yōu) 化運(yùn)行提供科學(xué)的依據(jù)。企業(yè)過(guò)程優(yōu)化分為結(jié)構(gòu)優(yōu)化和參數(shù)優(yōu)化兩項(xiàng)工作，其中參數(shù)優(yōu)化是 指針對(duì)結(jié)構(gòu)相對(duì)確定的企業(yè)過(guò)程模型，通過(guò)調(diào)整模型中的可控參數(shù)對(duì)過(guò)程進(jìn)行優(yōu)化，它可以 為進(jìn)一步的結(jié)構(gòu)優(yōu)化提供分析數(shù)據(jù)。參數(shù)優(yōu)化是一項(xiàng)系統(tǒng)的工作，需要充分考慮模型中各類(lèi)參數(shù)對(duì)過(guò)程運(yùn)行的綜合影響，過(guò) 程模型中的參數(shù)種類(lèi)繁多，其中只有那些在建模階段由建模人員予以設(shè)置，在仿真分析階段 可以由分析人員直接調(diào)控，并對(duì)過(guò)程性能指標(biāo)產(chǎn)生決定性影響的參數(shù)才能作為優(yōu)化的決策變 量，即優(yōu)化參數(shù)。參數(shù)優(yōu)化的過(guò)程如圖l所示。一般來(lái)說(shuō)，過(guò)程模型優(yōu)化參數(shù)主要包括對(duì)象屬性參數(shù)和資源調(diào)度策略?xún)纱箢?lèi)，其中前者 包括資源總數(shù)配置和活動(dòng)執(zhí)行所需資源配置(統(tǒng)稱(chēng)資源配置方案)、產(chǎn)品生成速率方案三種， 對(duì)其優(yōu)化主要解決企業(yè)為業(yè)務(wù)過(guò)程分配資源的合理性問(wèn)題、在有限資源條件下資源的合理性 利用問(wèn)題，以及產(chǎn)品等待隊(duì)列控制問(wèn)題；對(duì)后者的研究目前主要集中在如何在過(guò)程仿真運(yùn)行 中統(tǒng)籌調(diào)配資源，以提高活動(dòng)的并行度和資源利用率，即致力于尋找一種或多種資源調(diào)度策 略，而鮮見(jiàn)對(duì)于多種資源調(diào)度策略的組合擇優(yōu)方面的研究。現(xiàn)代企業(yè)是一個(gè)復(fù)雜的社會(huì)技術(shù) 系統(tǒng)，其參數(shù)類(lèi)型多、數(shù)量大，不同類(lèi)型的優(yōu)化參數(shù)之間往往存在各種約束，改變?nèi)我粎?shù)， 都可能會(huì)影響其他參數(shù)的選取，因此不僅增加了處理問(wèn)題的復(fù)雜性，而且其組合方案很難用 統(tǒng)一的方法表示。企業(yè)過(guò)程模型優(yōu)化的目標(biāo)是為適應(yīng)市場(chǎng)競(jìng)爭(zhēng)的需要，明顯改善和提高反映企業(yè)競(jìng)爭(zhēng)能力 的要素，歸結(jié)到仿真分析的評(píng)價(jià)內(nèi)容，主要涉及運(yùn)行時(shí)間、運(yùn)行成本、最終產(chǎn)品產(chǎn)量、資源 利用率、隊(duì)列長(zhǎng)度等多項(xiàng)目標(biāo)。這些目標(biāo)之間有很大的關(guān)聯(lián)性，例如活動(dòng)的執(zhí)行時(shí)間在資源 數(shù)量一定的情況下越長(zhǎng)，活動(dòng)的成本就會(huì)越高，但是縮短活動(dòng)執(zhí)行時(shí)間不一定能夠降低活動(dòng)的成本，因?yàn)榭s短活動(dòng)執(zhí)行時(shí)間是以增加相關(guān)資源數(shù)為代價(jià)的，可能是最終過(guò)程的運(yùn)行成本上升。因此在綜合考慮多項(xiàng)評(píng)價(jià)指標(biāo)時(shí)，企業(yè)過(guò)程模型優(yōu)化屬于多目標(biāo)優(yōu)化問(wèn)題，其優(yōu)化結(jié) 果并不是單個(gè)解，而是一組均衡解，即所謂的Pareto最優(yōu)解。20世紀(jì)80年代中期人工智能的進(jìn)化算法開(kāi)始應(yīng)用于求解多目標(biāo)優(yōu)化問(wèn)題，近年來(lái)涌現(xiàn) 出很多種多目標(biāo)進(jìn)化算法，其中一些已成功應(yīng)用到工程實(shí)踐中，從而形成最近的一個(gè)熱門(mén)研 究和應(yīng)用領(lǐng)域。大量實(shí)例和跡象表明進(jìn)化算法的機(jī)理最適合求解多目標(biāo)優(yōu)化問(wèn)題，因?yàn)樗鼈?可以在單輪模擬過(guò)程中找到多個(gè)Pareto最優(yōu)解，通過(guò)逐代組合尋找具有某些特征的個(gè)體。甚 至有學(xué)者認(rèn)為，在多目標(biāo)優(yōu)化領(lǐng)域進(jìn)化算法要優(yōu)于其他盲目搜索方法。遺傳算法作為目前研 究的進(jìn)化算法中三種典型算法之一，具有通用性和魯棒性好，搜索能力強(qiáng)等特點(diǎn)，特別是在 解決存在多個(gè)沖突目標(biāo)的多準(zhǔn)則優(yōu)化，以及難以處理的大規(guī)模和高度復(fù)雜化的搜索空間這兩 類(lèi)較難的典型優(yōu)化問(wèn)題方面具有很大的優(yōu)勢(shì)。發(fā)明內(nèi)容在企業(yè)過(guò)程模型參數(shù)優(yōu)化領(lǐng)域，大多數(shù)優(yōu)化方法均沿襲了一條固定模式的技術(shù)解決路線(xiàn)， 即使用對(duì)策權(quán)衡原理對(duì)各子目標(biāo)的相對(duì)重要性進(jìn)行折衷后，再組合成一個(gè)單目標(biāo)來(lái)處理，和 這些傳統(tǒng)的優(yōu)化方法不同的，本發(fā)明在優(yōu)化算法方面采用多層次劃分問(wèn)題空間的方法處理各 類(lèi)優(yōu)化參數(shù)之間的組合約束關(guān)系，增加了優(yōu)化參數(shù)選擇的靈活性，不僅提高了優(yōu)化效率，而 且有助于保持群體的多樣性；在優(yōu)化目標(biāo)方面以綜合評(píng)價(jià)時(shí)間、成本、產(chǎn)量、資源利用率、 隊(duì)列長(zhǎng)度等指標(biāo)為目的，結(jié)合決策人員提供的偏好信息，在各子目標(biāo)之間進(jìn)行協(xié)調(diào)權(quán)衡和折 衷處理，使各子目標(biāo)函數(shù)盡可能地達(dá)到最優(yōu)。問(wèn)題空間的劃分結(jié)構(gòu)如圖2所示。本發(fā)明方法主要分為四個(gè)部分1. 首先根據(jù)需求提取企業(yè)過(guò)程模型中的優(yōu)化參數(shù)。 一般來(lái)說(shuō)，優(yōu)化參數(shù)主要包括源產(chǎn)品 產(chǎn)生速率、各類(lèi)資源的總數(shù)、各個(gè)活動(dòng)的持續(xù)時(shí)間與所需資源的配置方案以及可供選 擇的資源調(diào)度策略等。針對(duì)優(yōu)化參數(shù)的類(lèi)別將問(wèn)題空間進(jìn)行劃分，使得每類(lèi)優(yōu)化參數(shù) 對(duì)應(yīng)一層問(wèn)題空間；2. 根據(jù)優(yōu)化需求以及企業(yè)過(guò)程模型類(lèi)別確定各優(yōu)化子目標(biāo)，涉及運(yùn)行時(shí)間、運(yùn)行成本、 最終產(chǎn)品產(chǎn)量、資源利用率、隊(duì)列長(zhǎng)度等，由決策人員根據(jù)偏好設(shè)定各指標(biāo)的權(quán)重q以及解集大小M，以便后期在對(duì)個(gè)體選擇時(shí)進(jìn)行輔助判斷；3. 按照問(wèn)題空間劃分層次執(zhí)行分層遺傳算法進(jìn)行尋優(yōu)；4. 尋優(yōu)結(jié)束，輸出優(yōu)化優(yōu)化解集。 其中第3部分具體描述如下3. 1設(shè)定遺傳算法所需的初始參數(shù)，包括最大迭代次數(shù)MaxG、種群規(guī)模N、交叉概 率、變異概率等3.2確定第一類(lèi)優(yōu)化參數(shù)對(duì)應(yīng)的問(wèn)題空間，并隨機(jī)選擇個(gè)體構(gòu)成初始種群P1;3.3循環(huán)選擇Pl中的個(gè)體Ci(lSi《N)，并據(jù)此確定第二類(lèi)優(yōu)化參數(shù)對(duì)應(yīng)的問(wèn)題空間，生成其初始種群P2Ci; 3. 4依次類(lèi)推，直至生成最后 一 類(lèi)參數(shù)對(duì)應(yīng)問(wèn)題空間的初始種群PnCi—…—yj(l《i《N，Bj《N,"y^N)。當(dāng)兩類(lèi)優(yōu)化參數(shù)之間存在約束關(guān)系時(shí)(如對(duì)于任何一個(gè)活動(dòng)，選擇其執(zhí)行所需的資源配置方案時(shí)，資源數(shù)量均不 可超過(guò)為相應(yīng)資源配置的總數(shù))，就可以根據(jù)前一類(lèi)參數(shù)的問(wèn)題空間對(duì)后一類(lèi)參 數(shù)的問(wèn)題空間進(jìn)行裁剪，從而避免產(chǎn)生無(wú)效的參數(shù)組合方案。此外，不同類(lèi)優(yōu) 化參數(shù)還可以根據(jù)需求采用不同編碼方式3.5循環(huán)選擇PnCi—…—yJ(l《i《N, 1《j《N,l《ySN)中的個(gè)體Ci_..._y —j—m(lSm^N)，并根據(jù)各層種群所選個(gè)體對(duì)應(yīng)的參數(shù)組合，生成相應(yīng)的過(guò)程模型 實(shí)例，仿真運(yùn)行該實(shí)例，得到各子指標(biāo)值； 3.6基于Pareto優(yōu)勝關(guān)系對(duì)PnCL…—yJ中的個(gè)體Ci—…—y — j—m進(jìn)行排序，并確定其適應(yīng)度值fx。具體做法為統(tǒng)計(jì)當(dāng)代種群中劣于CL…—y一j一m的個(gè)體的數(shù) 目n，令fk-n;3.7將PnCi—…—yJ中的最優(yōu)個(gè)體復(fù)制到該群體對(duì)應(yīng)的外部?jī)?yōu)勢(shì)集RnCi—…jJ， 并將RnCi—…jJ中的劣解刪除(第一代種群復(fù)制后不包含劣解，不需執(zhí)行刪 除操作)。如果RnCi-…jJ中個(gè)體的數(shù)量超過(guò)M,則對(duì)其進(jìn)行聚類(lèi)處理，具體 做法為1) 利用線(xiàn)性加權(quán)的辦法計(jì)算每個(gè)個(gè)體的綜合效用值2(^) = ￡ ,/(義)，其中化為各指標(biāo)的權(quán)重系數(shù)，滿(mǎn)足￡^=1， m為指標(biāo)的數(shù)量，/(X)為該個(gè)體通過(guò)仿真得到的各指標(biāo)值；2) 按照2("的大小對(duì)個(gè)體由大到小進(jìn)行排序，并依次賦予序號(hào)，刪除序號(hào)大于M的個(gè)體。3.8如果未達(dá)到優(yōu)化設(shè)定的迭代次數(shù)，則使用聯(lián)賽競(jìng)爭(zhēng)機(jī)制從當(dāng)代和上一代種群中 選擇優(yōu)勢(shì)個(gè)體(第一代除外)，生成新的配對(duì)池，進(jìn)而進(jìn)行交叉、變異，生成新 的種群PnCi—…—yj，轉(zhuǎn)至3.5繼續(xù)執(zhí)行；否則轉(zhuǎn)至3. 9;3.9將RnCi—…jJ作為個(gè)體Ci—…—y —j的解集；3. 10計(jì)算上一層種群P(n-l)Ci—…—y中各個(gè)個(gè)體的適應(yīng)度，具體做法為1) 將(RnCL…一y—1) U (RnCi—…j—2) U…U (RnCi_—_y—N)中的最優(yōu)解復(fù)制到 種群P(n-l)CL…j對(duì)應(yīng)的外部?jī)?yōu)勢(shì)集R(n-l)CL…j,并將其中的劣解刪除；2) 統(tǒng)計(jì)R(n-l)Ci—…j中屬于個(gè)體Ci——yj對(duì)應(yīng)的個(gè)體的數(shù)量m，并將m作為個(gè) 體Ci—…—yj的適應(yīng)度；3) 如果R(n-l)Ci一…jy中個(gè)體的數(shù)量超過(guò)M，則對(duì)其進(jìn)行聚類(lèi)處理，方法同3.7;3. 11如果未達(dá)到種群P(n-l)C^…j優(yōu)化設(shè)定的迭代次數(shù)，則使用聯(lián)賽競(jìng)爭(zhēng)機(jī)制從種群P(n-l)Ci一…j中選擇優(yōu)勢(shì)個(gè)體(第一代除外)，生成新的配對(duì)池，進(jìn)而進(jìn)行交叉、變異，生成新的種群P(n-l)Ci— j，轉(zhuǎn)至3.4繼續(xù)執(zhí)行。選擇過(guò)程中如果競(jìng)爭(zhēng)的兩個(gè)個(gè)體適應(yīng)度相同，則比較該個(gè)體在R(n-l)Ci—…j中所有對(duì)應(yīng)個(gè)體 的平均綜合效用值A(chǔ)vgQ，選則AvgQ高的個(gè)體；否則轉(zhuǎn)至3. 12; 3. 12依此類(lèi)推，直至種群Pl迭代優(yōu)化的次數(shù)也達(dá)到MaxG; 3. 13將R1C作為P1的最優(yōu)解集。 流程如圖3所示。


圖l參數(shù)優(yōu)化的過(guò)程 圖2問(wèn)題空間的劃分結(jié)構(gòu) 圖3企業(yè)過(guò)程模型多目標(biāo)參數(shù)優(yōu)化流程具體實(shí)施方式
基于本發(fā)明方法開(kāi)發(fā)了原型系統(tǒng)，該系統(tǒng)包括用戶(hù)提供企業(yè)過(guò)程模型的接口、活動(dòng)資源配置方案分析處理模塊、優(yōu)化參數(shù)提取模塊、分層優(yōu)化模塊、過(guò)程模型仿真分析模塊以及優(yōu) 化結(jié)果顯示模塊。以下對(duì)本發(fā)明的具體實(shí)施作進(jìn)一步的描述 步驟一由用戶(hù)通過(guò)人機(jī)接口提供需要優(yōu)化處理的過(guò)程模型，提取企業(yè)過(guò)程模型中的優(yōu)化參 數(shù)源產(chǎn)品產(chǎn)生速率、各類(lèi)資源的總數(shù)、各個(gè)活動(dòng)的持續(xù)時(shí)間與所需資源的配置方案以及可 供選擇的資源調(diào)度策略；步驟二確定各優(yōu)化子指標(biāo)，具體包括運(yùn)行時(shí)間PTU、運(yùn)行成本效用PCU、資源利用效用 RUU 、綜合評(píng)價(jià)最終產(chǎn)品產(chǎn)量與隊(duì)列長(zhǎng)度的產(chǎn)品堆積效用PHU :<formula>formula see original document page 7</formula>1) <formula>formula see original document page 7</formula> 其中Pr ocessDuration 和Pr ocessDuration + Pr ocessDurationexpectPr ocessDurati0nexpMt分別表示仿真得到的運(yùn)行時(shí)間和期待的運(yùn)行時(shí)間；JprocessCost(t,，ti+At)2) PCU = ^-^-，其中m表示整個(gè)過(guò)程周期劃分為m<formula>formula see original document page 7</formula>表示在時(shí)間間隔(1,,、 +At)內(nèi)的過(guò)程成本，通過(guò)動(dòng)態(tài)統(tǒng)計(jì)仿 真過(guò)程中各時(shí)刻內(nèi)所消耗的源產(chǎn)品成本以及各類(lèi)所用資源成本得到，ProcessCost，。t表示成本期望值;<formula>formula see original document page 7</formula>，其中k表示資源類(lèi)型數(shù)量，<formula>formula see original document page 7</formula>m含義如上，RN(ri)和NumofResUsed(i;,tj)分別表示資源r,的總數(shù)和在tj時(shí)刻的實(shí)際使 用數(shù)量，通過(guò)仿真過(guò)程中的動(dòng)態(tài)統(tǒng)計(jì)得到；<formula>formula see original document page 7</formula>，其中n表示產(chǎn)品類(lèi)型數(shù)量，m含義如上，<formula>formula see original document page 7</formula>和L(Pi)分別在tj時(shí)刻過(guò)程中某一個(gè)非最終產(chǎn)品Pj的數(shù)量以及Pi期 望的隊(duì)列極限。步驟三設(shè)定各指標(biāo)的權(quán)重、解集大小M以及遺傳算法所需的初始參數(shù)， 一般M設(shè)定于10 30之間，最大迭代次數(shù)設(shè)定于200代 1000代之間，種群規(guī)模設(shè)定于20 30之間，交叉概率 設(shè)定于0. 6 1. 00之間，變異概率設(shè)定于0. 005 0. 01之間；步驟四確定源產(chǎn)品產(chǎn)生速率對(duì)應(yīng)的問(wèn)題空間，并隨機(jī)選擇個(gè)體構(gòu)成初始種群P1;步驟五循環(huán)選擇P1中的個(gè)體Ci(l^i《N)，生成各類(lèi)資源的總數(shù)對(duì)應(yīng)的問(wèn)題空間，隨機(jī)選擇個(gè)體構(gòu)成初始種群P2Ci;步驟五循環(huán)選擇P2Ci中的個(gè)體Ci一X，通過(guò)活動(dòng)資源配置方案分析處理模塊來(lái)取舍活動(dòng)執(zhí) 行所需資源的配置方案，如果所需資源數(shù)量超出Ci —X中相應(yīng)資源的數(shù)量則舍棄該方案，由 此避免優(yōu)化時(shí)對(duì)無(wú)效資源配置組合方案的分析計(jì)算，并且構(gòu)造下一層種群P3Ci—X ; 由活動(dòng)資源配置方案優(yōu)化模塊循環(huán)選擇A中的個(gè)體a1;步驟六循環(huán)選擇P3CLy中的個(gè)體Ci一yJ，生成資源調(diào)度策略對(duì)應(yīng)的問(wèn)題空間，隨機(jī)選擇 個(gè)體構(gòu)成初始種群P4Cij」，步驟七循環(huán)選擇P4CijyJ中的個(gè)體Ci —y_j —m根據(jù)各層種群所選個(gè)體對(duì)應(yīng)的參數(shù)組合，由 過(guò)程模型仿真分析模塊計(jì)算CijJ—m的子指標(biāo)值，計(jì)算方法如步驟2中所示；步驟八基于Pareto優(yōu)勝關(guān)系對(duì)P4CijJ中的個(gè)體CijJ一m進(jìn)行排序，統(tǒng)計(jì)當(dāng)代種群中劣 于CLyJ—m的個(gè)體的數(shù)目n，令CLyJ—111的適應(yīng)度值& = 11;步驟九將P4CLyJ中的最優(yōu)個(gè)體復(fù)制到該群體對(duì)應(yīng)的外部?jī)?yōu)勢(shì)集R4CijyJ，并將R4CijyJ中的劣解刪除，如果R4CLyJ中個(gè)體的數(shù)量超過(guò)M，則對(duì)其進(jìn)行聚類(lèi)處理；步驟十如果未達(dá)到優(yōu)化設(shè)定的迭代次數(shù)，則使用聯(lián)賽競(jìng)爭(zhēng)機(jī)制從當(dāng)代和上一代種群中選擇 優(yōu)勢(shì)個(gè)體(第一代除外)，生成新的配對(duì)池，進(jìn)而進(jìn)行交叉、變異，生成新的種群P4CijJ， 轉(zhuǎn)至步驟七繼續(xù)執(zhí)行；否則轉(zhuǎn)至步驟十一；步驟十一將R4CijJ作為個(gè)體CLy —j的解集，按前述方法計(jì)算上一層種群P3CLy中各個(gè) 個(gè)體的適應(yīng)度；步驟十二如果未達(dá)到種群P3Cij優(yōu)化設(shè)定的迭代次數(shù)，則繼續(xù)選擇、交叉、變異，生成新的種群P3CLy，轉(zhuǎn)至步驟六繼續(xù)執(zhí)行；否則轉(zhuǎn)至步驟十三；步驟十三按照以上步驟，直至種群Pl迭代生成的次數(shù)也達(dá)到MaxG; 步驟十四由優(yōu)化結(jié)果顯示模塊將最優(yōu)個(gè)體集R1C作為優(yōu)化結(jié)果輸出。本發(fā)明方法從多目標(biāo)優(yōu)化的角度對(duì)企業(yè)過(guò)程模型進(jìn)行參數(shù)優(yōu)化，針對(duì)源產(chǎn)品產(chǎn)生速率、 各類(lèi)資源的總數(shù)、各個(gè)活動(dòng)的持續(xù)時(shí)間與所需資源的配置方案以及可供選擇的資源調(diào)度策略 等多類(lèi)優(yōu)化參數(shù)，綜合評(píng)價(jià)運(yùn)行時(shí)間、運(yùn)行成本、最終產(chǎn)品產(chǎn)量、資源利用率、隊(duì)列長(zhǎng)度等 多項(xiàng)指標(biāo)，為企業(yè)決策者進(jìn)行有效的業(yè)務(wù)過(guò)程管理和分析提供了有力的支持。其中針對(duì)優(yōu)化 參數(shù)繁多的特點(diǎn)，基于遺傳算法采用多層次劃分問(wèn)題空間的方法來(lái)處理各類(lèi)優(yōu)化參數(shù)之間的 組合約束關(guān)系，不僅增加了優(yōu)化參數(shù)選擇的靈活性，避免了優(yōu)化時(shí)對(duì)無(wú)效參數(shù)組合方案的分 析計(jì)算，而且有助于保持群體的多樣性，有效提高了企業(yè)業(yè)務(wù)模型優(yōu)化的效率。
權(quán)利要求
1.一種基于遺傳算法的多目標(biāo)企業(yè)過(guò)程模型參數(shù)優(yōu)化方法，其特征在于它通過(guò)如下步驟實(shí)現(xiàn)(01)根據(jù)需求提取企業(yè)過(guò)程模型中的優(yōu)化參數(shù)，針對(duì)優(yōu)化參數(shù)的類(lèi)別將問(wèn)題空間進(jìn)行劃分，使得每類(lèi)優(yōu)化參數(shù)對(duì)應(yīng)一層問(wèn)題空間；(02)根據(jù)優(yōu)化需求以及企業(yè)過(guò)程模型類(lèi)別確定各優(yōu)化子目標(biāo)，涉及運(yùn)行時(shí)間、運(yùn)行成本、最終產(chǎn)品產(chǎn)量、資源利用率、隊(duì)列長(zhǎng)度等，由決策人員根據(jù)偏好設(shè)定各指標(biāo)的權(quán)重以及解集大小M；(03)按照問(wèn)題空間劃分層次執(zhí)行分層遺傳算法進(jìn)行尋優(yōu)；(11)尋優(yōu)結(jié)束，輸出優(yōu)化優(yōu)化解集。
2. 根據(jù)權(quán)利要求1所述的基于遺傳算法的多目標(biāo)企業(yè)過(guò)程模型參數(shù)優(yōu)化方法，其特征在 于在步驟(03)中按照問(wèn)題空間劃分層次執(zhí)行分層遺傳算法進(jìn)行尋優(yōu)，由上一層問(wèn)題空間對(duì) 應(yīng)的種群個(gè)體來(lái)生成下層問(wèn)題空間對(duì)應(yīng)的種群，當(dāng)參數(shù)之間存在約束關(guān)系時(shí)，避免生成無(wú)效 的參數(shù)組合方案。
3. 根據(jù)權(quán)利要求1所述的基于遺傳算法的多目標(biāo)企業(yè)過(guò)程模型參數(shù)優(yōu)化方法，其特征在 于在步驟(03)中計(jì)算個(gè)體適應(yīng)度時(shí)采用如下不同方法1) 在最底層基于Pareto優(yōu)勝關(guān)系對(duì)種群中的個(gè)體進(jìn)行排序，并根據(jù)當(dāng)代種群中劣于該 個(gè)體的數(shù)目確定其適應(yīng)度；2) 在非最底層計(jì)算時(shí)，首先取該層種群中每個(gè)個(gè)體對(duì)應(yīng)的解集的并集R，然后統(tǒng)計(jì)R中 屬于該個(gè)體對(duì)應(yīng)的參數(shù)組合方案的數(shù)量m，并將m作為該個(gè)體的適應(yīng)度。
4. 根據(jù)權(quán)利要求1所述的基于遺傳算法的多目標(biāo)企業(yè)過(guò)程模型參數(shù)優(yōu)化方法，其特征在 于在步驟(03)中當(dāng)外部輔助優(yōu)勢(shì)解集中個(gè)體的數(shù)量超過(guò)初始限定值是，則利用線(xiàn)性加權(quán)的辦法，借助于用戶(hù)設(shè)置的偏好信息，計(jì)算每個(gè)個(gè)體的綜合效用值2(%) = ￡^,/(;0，并據(jù)此z=l對(duì)優(yōu)勢(shì)解集進(jìn)行聚類(lèi)處理。
5. 根據(jù)權(quán)利要求1所述的基于遺傳算法的多目標(biāo)企業(yè)過(guò)程模型參數(shù)優(yōu)化方法，其特征在 于在步驟(03)中當(dāng)競(jìng)爭(zhēng)選擇操作所選兩個(gè)個(gè)體適應(yīng)度值相等時(shí)，則利用線(xiàn)性加權(quán)的辦法，借助于用戶(hù)設(shè)置的偏好信息，計(jì)算每個(gè)個(gè)體的綜合效用值2(義)=并據(jù)此對(duì)優(yōu)勢(shì)z=l解集進(jìn)行聚類(lèi)處理。
全文摘要
一種企業(yè)工程與信息技術(shù)領(lǐng)域的基于遺傳算法的多目標(biāo)企業(yè)過(guò)程模型參數(shù)優(yōu)化方法。在企業(yè)過(guò)程模型參數(shù)優(yōu)化領(lǐng)域，大多數(shù)優(yōu)化方法均使用對(duì)策權(quán)衡原理對(duì)各子目標(biāo)組合成一個(gè)單目標(biāo)來(lái)處理優(yōu)化目標(biāo)，在綜合評(píng)價(jià)過(guò)程方面存在一定缺陷的問(wèn)題。本發(fā)明主要針對(duì)源產(chǎn)品產(chǎn)生速率、各類(lèi)資源的總數(shù)、各個(gè)活動(dòng)的持續(xù)時(shí)間與所需資源的配置方案以及可供選擇的資源調(diào)度策略等多類(lèi)優(yōu)化參數(shù)，綜合評(píng)價(jià)運(yùn)行時(shí)間、運(yùn)行成本、最終產(chǎn)品產(chǎn)量、資源利用率、隊(duì)列長(zhǎng)度等多項(xiàng)指標(biāo)。本發(fā)明采用多層次劃分問(wèn)題空間的方法來(lái)處理各類(lèi)優(yōu)化參數(shù)之間的組合約束關(guān)系，不僅增加了優(yōu)化參數(shù)選擇的靈活性，避免了優(yōu)化時(shí)對(duì)無(wú)效參數(shù)組合方案的分析計(jì)算，而且有助于保持群體的多樣性。
文檔編號(hào)G06N3/00GK101231720SQ20081005737
公開(kāi)日2008年7月30日 申請(qǐng)日期2008年2月1日 優(yōu)先權(quán)日2008年2月1日
發(fā)明者莉 張, 博 王 申請(qǐng)人:北京航空航天大學(xué)