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)：

制造業(yè)的競(jìng)爭(zhēng)日趨激烈，企業(yè)正朝著有不同完工時(shí)間和產(chǎn)品要求的多類型、小批量、大批量的生產(chǎn)模式。如何利用現(xiàn)有資源，滿足加工任務(wù)所需各種約束，使所有任務(wù)能盡量按時(shí)完成，即如何有效地解決作業(yè)車間調(diào)度(JSP)問(wèn)題，成為一個(gè)十分現(xiàn)實(shí)和緊迫的問(wèn)題。高效的調(diào)度算法不可以大大提高生產(chǎn)效率和資源利用率，從而增強(qiáng)企業(yè)的競(jìng)爭(zhēng)能力，因此對(duì)JSP的研究有非常重要的理論和現(xiàn)實(shí)意義。

傳統(tǒng)的，一般都采用最優(yōu)化方法和近似方法來(lái)解決作業(yè)車間調(diào)度方案的自動(dòng)生成問(wèn)題。最優(yōu)化方法包括枚舉法和數(shù)學(xué)規(guī)劃法。近似法通常使用分支定界法、優(yōu)先規(guī)則、啟發(fā)式方法、迭代局部搜索算法和進(jìn)化算法。具體包括列舉法、基于優(yōu)先規(guī)則的構(gòu)造性啟發(fā)式方法、移動(dòng)瓶頸法、神經(jīng)網(wǎng)絡(luò)方法、Lagrangian松弛法、遺傳算法、模擬退火法、禁忌搜索算法、蟻群算法、粒子群算法、螢火蟲(chóng)算法以及各種混合調(diào)度算法等。其中，仿生智能群算優(yōu)化算法能夠在較短時(shí)間內(nèi)獲得較高質(zhì)量的解，因而被廣泛應(yīng)用于求解各種生產(chǎn)調(diào)度問(wèn)題，稱為復(fù)雜優(yōu)化問(wèn)題的有效解決途徑和國(guó)際研究熱點(diǎn)。

但是，沒(méi)有一種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)度方案解的算法提出。

布谷鳥(niǎo)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(niǎo)種類的巢寄生繁育行為和鳥(niǎo)類、果蠅等的萊維飛行(Levy flight)行為特征提出。布谷鳥(niǎo)搜索算法是模擬布谷鳥(niǎo)為尋找合適的產(chǎn)卵的鳥(niǎo)窩而隨機(jī)游走的尋窩過(guò)程。在這個(gè)宿主的選擇過(guò)程中，布谷鳥(niǎo)在繁殖期尋找與孵化期和育雛其相似的雛鳥(niǎo)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(shí)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(niǎo)在下一次選擇宿主的時(shí)候也會(huì)放棄該鳥(niǎo)巢而重新選擇。為了便于模擬布谷鳥(niǎo)的尋窩方式，Yang和Deb提出了一下3個(gè)假設(shè)：(1)布谷鳥(niǎo)一次只產(chǎn)一個(gè)蛋，并隨機(jī)選擇鳥(niǎo)窩位置進(jìn)行孵化；(2)在隨機(jī)選擇的一組鳥(niǎo)窩中，最好的鳥(niǎo)窩位置將被保留到下一代；(3)可利用宿主的鳥(niǎo)窩數(shù)量n是固定的，宿主發(fā)現(xiàn)一個(gè)外來(lái)鳥(niǎo)蛋的概率為Pa。Pa可以近似看作n個(gè)位置較差的鳥(niǎo)窩被隨機(jī)產(chǎn)生的幾個(gè)新鳥(niǎo)窩替換的概率，通常設(shè)Pa為一個(gè)固定值。但布谷鳥(niǎo)搜索算法仍存在搜索速度不快等難題。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)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(wèn)題是提供一種新的布谷鳥(niǎo)搜索算法，解決搜索速度不快的問(wèn)題。

本發(fā)明的目的是克服現(xiàn)有技術(shù)中存在的：布谷鳥(niǎo)搜索算法假設(shè)條件多，搜索速度不夠快，計(jì)算精度不夠高，算法應(yīng)用范圍也不夠大，以及沒(méi)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(shí)現(xiàn)的目標(biāo)是最小化最大完工時(shí)間。

本發(fā)明為實(shí)現(xiàn)上述目的所采用的技術(shù)方案是：一種新的布谷鳥(niǎo)搜索算法解決作業(yè)車間調(diào)度問(wèn)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(niǎo)窩個(gè)數(shù)(工件數(shù)量)N,宿主發(fā)現(xiàn)外來(lái)鳥(niǎo)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(niǎo)窩位置(工件加工完成時(shí)間)：根據(jù)訂單周期T_o，訂單收益R，工件加工時(shí)間長(zhǎng)度三個(gè)方面來(lái)確定鳥(niǎo)窩初始位置。

步驟3：確定編碼規(guī)則：按照編碼規(guī)則將鳥(niǎo)窩位置(完成時(shí)間)轉(zhuǎn)換為工序排列。

步驟4：計(jì)算目標(biāo)函數(shù)值：計(jì)算各鳥(niǎo)窩位置對(duì)應(yīng)的目標(biāo)函數(shù)值，并獲得當(dāng)前最優(yōu)鳥(niǎo)窩位置。

步驟5：更新鳥(niǎo)窩位置：考慮了鳥(niǎo)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(shí)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(duì)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(niǎo)算法中外來(lái)鳥(niǎo)蛋的計(jì)算方式，精確高效，使算法更加適用于實(shí)際生產(chǎn)環(huán)境中。

2、對(duì)于布谷鳥(niǎo)搜索算法在車間調(diào)度問(wèn)題中的應(yīng)用上，確定了鳥(niǎo)窩的初始位置的計(jì)算方式，是算法結(jié)果更加精確，同時(shí)計(jì)算方法簡(jiǎn)單，方便高效，實(shí)用性高。

3、把布谷鳥(niǎo)飛向鳥(niǎo)窩的運(yùn)動(dòng)轉(zhuǎn)化為鳥(niǎo)窩向布谷鳥(niǎo)移動(dòng)的視角，確定了鳥(niǎo)窩從四面八方向布谷鳥(niǎo)移動(dòng)的運(yùn)動(dòng)方式，加快了布谷鳥(niǎo)搜索算法的搜索速度。

4、突破了布谷鳥(niǎo)算法的三個(gè)假設(shè)條件之一：鳥(niǎo)窩數(shù)量不變。本發(fā)明在上一個(gè)發(fā)明考慮鳥(niǎo)窩數(shù)量增加的基礎(chǔ)上，考慮了鳥(niǎo)窩數(shù)量減少的情況。

5、確定了訂單估計(jì)完成時(shí)間的計(jì)算方法。

附圖說(shuō)明

圖1表示本發(fā)明的流程圖

圖2表示鳥(niǎo)窩向布谷鳥(niǎo)移動(dòng)視角圖·

具體實(shí)施方式：

以下，結(jié)合圖1、圖2對(duì)本發(fā)明內(nèi)容進(jìn)行詳細(xì)解釋。

步驟1：初始化算法基本參數(shù)：設(shè)置鳥(niǎo)窩個(gè)數(shù)(工件數(shù)量)N,宿主發(fā)現(xiàn)外來(lái)鳥(niǎo)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(jí)的鳥(niǎo)巢(工件)數(shù)量；

步驟2：初始化鳥(niǎo)窩位置(工件加工完成時(shí)間)：根據(jù)訂單周期T_o，訂單收益R，工件加工時(shí)間長(zhǎng)度三個(gè)方面來(lái)確定鳥(niǎo)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(niǎo)窩位置(完成時(shí)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(gè)基因組成，他們表示一個(gè)工序的排列，在這個(gè)工序排列中每個(gè)工件號(hào)最多出現(xiàn)m次，其染色體是由一個(gè)二維空間點(diǎn)(x,y)表示，即第x個(gè)訂單的第y個(gè)工件，例如，3×4×3(訂單×階數(shù)×工件×機(jī)器)的實(shí)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(duì)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(gè)訂單的第i個(gè)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?yàn)?第1個(gè)訂單的第1個(gè)工件的第1道工序，加工第1個(gè)訂單第2個(gè)工件的第1道工序，在加工第2個(gè)訂單第1個(gè)工件的第1道工序，加工第1個(gè)訂單第1個(gè)工件的第2道工序，以此類推，最后加工第1個(gè)訂單第4個(gè)工件的第1道工序，因此在解碼時(shí)就可以按照工件的出現(xiàn)順序轉(zhuǎn)化為一個(gè)調(diào)度方案；

步驟4:計(jì)算目標(biāo)函數(shù)值:計(jì)算各鳥(niǎo)窩位置對(duì)應(yīng)的目標(biāo)函數(shù)值，并獲得當(dāng)前最優(yōu)鳥(niǎo)窩位置，具體實(shí)現(xiàn)為:

目標(biāo)函數(shù):

f(T)＝min max_1≤?！躻{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(shí)間(Makespan)；式(2)表示工藝約束條件決定的每個(gè)工件的操作的先后順序；式(3)表示加工每個(gè)工件的每臺(tái)機(jī)器的先后順序；式(4)表示完工時(shí)間變量約束條件；式(5)表示變量可能的取值大??；式(6)表示第o個(gè)訂單的所有工件最大完成時(shí)間小于訂單周期T_o的時(shí)間約束，上述公式中所涉及的符號(hào)定義含義如下：T_oik和p_oik分別為第o個(gè)訂單(或階數(shù))中的第i個(gè)工件在機(jī)器k上的完成時(shí)間點(diǎn)和加工時(shí)間長(zhǎng)度；M是一個(gè)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(niǎo)窩位置：

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

其中，表示第i只布谷鳥(niǎo)在第t代的鳥(niǎo)窩位置(在車間調(diào)度問(wèn)題中用C_oik表示)，α是步長(zhǎng)大小參數(shù)，是一個(gè)概率值，參數(shù)S是隨機(jī)游動(dòng)的步長(zhǎng)，設(shè)定α的確定方式如下式：

其中，為第i只鳥(niǎo)窩與布谷鳥(niǎo)在t時(shí)刻的距離，k為有相同距離的鳥(niǎo)窩個(gè)數(shù)；

S的計(jì)算方式：把布谷鳥(niǎo)進(jìn)行飛行搜索鳥(niǎo)窩的過(guò)程反過(guò)來(lái)看成是鳥(niǎo)窩在向布谷鳥(niǎo)移動(dòng)，此時(shí)，把布谷鳥(niǎo)飛向鳥(niǎo)窩的運(yùn)動(dòng)轉(zhuǎn)化為鳥(niǎo)窩向布谷鳥(niǎo)移動(dòng)的視角，具體實(shí)現(xiàn)方式為：設(shè)立兩個(gè)服從于正態(tài)分布的隨機(jī)參數(shù)x，θ：

x～N(O,β×d)

θ～N(0，γ)

式中d是鳥(niǎo)窩與布谷鳥(niǎo)之間的距離，β是一個(gè)大于1的數(shù)，β＞1,γ＝π/4，

這時(shí)會(huì)使鳥(niǎo)窩從四面八方向布谷鳥(niǎo)移動(dòng)如圖2所示，根據(jù)余弦定理，可

求得S：

在局部搜索時(shí)對(duì)每一鳥(niǎo)窩位置按條件進(jìn)行更新：用一個(gè)隨機(jī)數(shù)Ra作為鳥(niǎo)窩主人發(fā)現(xiàn)外來(lái)鳥(niǎo)蛋的概率并與Pa進(jìn)行比較，若Ra>Pa，則隨機(jī)改變鳥(niǎo)窩位置，否則保持原來(lái)位置不變,并計(jì)算位置移動(dòng)后每個(gè)鳥(niǎo)窩的目標(biāo)函數(shù)值，記錄當(dāng)前最優(yōu)鳥(niǎo)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(niǎo)窩出現(xiàn)(有新的訂單出現(xiàn))，鳥(niǎo)窩數(shù)量增加，即：N+H，H為新增的額鳥(niǎo)窩數(shù)量，同時(shí)，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(jí)，不是緊急訂單，則不做緊急處理；

緊急訂單處理操作如下：

計(jì)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(jì)算如下：

其中，max{To_pre}為訂單o的估計(jì)完成時(shí)間，其計(jì)算方式為：

max{To_pre}＝T_ave+α·R

其中，α∈(0，1)，實(shí)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(niǎo)窩數(shù)量減少(有訂單還沒(méi)加工完就被迫撤離)的時(shí)候，直接定義N＝N-Z，其中，Z為減少的鳥(niǎo)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(shí)轉(zhuǎn)入步驟7，否則，轉(zhuǎn)4進(jìn)行下一次搜索；

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