[00136427]柔性制造系统中规划和调度的混合多目标进化算法研究

项目依托河南省教育厅科学技术研究重点项目（13A520203）的支持,围绕智能加工制造领域的规划和调度的多目标优化问题,通过新的混合算法框架构造、新颖的适应度评价函数、独特的精英保存策略以及对应的问题编解码方式设计等,增强了算法的收敛性能并保证算法的分布性能,同时降低了算法的时间复杂度。本项目对于混合进化算法解决柔性加工系统中多资源约束、工序先后顺序约束、多目标规划和调度问题的研究成果,将有利于推动多资源约束下的复杂智能加工制造系统的研究和发展。 柔性加工制造领域的规划和调度优化是先进加工制造技术和现代管理技术交叉融合的核心技术,是实现生产高效性、高可靠性、高柔性和高适应性的关键。它的多资源、多约束和多目标特征使得传统的算法难以有效地对其进行优化,因此寻求一种快速有效地算法有其一定的必要性。 多目标规划和调度问题具有NP-hard特征,属于复杂组合优化问题,具有在智能加工制造乃至供应链SCM领域以及国民经济其他领域广泛的应用背景,因而对它的研究具有十分重要的理论价值和实际意义 针对上述问题,课题对混合多目标进化算法解决此类优化问题进行了比较深入的研究。针对问题的多资源、多约束和多目标特性,抽象提取了模型。设计了基于实数的多向量编解码方式,有效地避免了非法解的产生,并且,多向量的编码和解码在进化操作中,提高了个体的多样性。经过特殊设计的基于支配和被支配关系的适应度评价函数,突出了Pareto前沿面个体的优势,使得中心区域的个体明显的区别于边界区域,而且,支配和被支配个体也能区别出来。混合算法框架的设计中,巧妙地使用了基于VEGA的选择机制来加强边界区域的收敛能力。基于支配和被支配关系的精英解维持机制,用来加强Pareto前沿面中心区域的收敛能力,此算法既保障了算法收敛在Pareto前沿面中心和边界区域的收敛,也保证了算法自然的均匀分布能力,同时由于不同于其他算法计算个体拥挤程度,大大的降低算法的时间复杂度。 仿真结果表明,基于向量评价的遗传算法和基于支配和被支配关系的精英解维持机制的混合进化算法能够有效地增加算法的收敛能力和均匀分布能力,同时降低了计算时间。 本成果的主要技术指标如下： 1. 针对多目标规划和调度的问题特征,构建了问题模型,并提出了基于实数的多向量编解码方式,有效地避免了非法解的产生,增强了种群的多样性。 2. 基于个体间的支配和被支配关系设计的适应度评价函数,方便的区分了支配和被支配个体,同时区分了位于Pareto前沿面上中心区域和边界区域,使得中心区域个体优先,为整个框架的实际奠定基础。 3. 设计了混合基于向量评价遗传算法和基于支配和非支配关系适应度评价函数为基础的精英解维持机制。基于向量评价的遗传算法保障了算法在Pareto前沿面边界区域的优势,同时精英种群保障了算法在Pareto前沿面中心区域的优势,同时自然的保障了算法的均匀分布性能。而且由于适应度评价函数中不单独计算算法的拥挤程度等指标,降低了算法的计算时间,提高了算法的效率。 本项目解决的关键问题有以下三个： （1）编解码方式的设计,避免了非法解的产生,增加种群的多样性,方面与进化计算; （2）适应度评价函数的要能够区分支配和非支配解,能够驱使种群向真实的Pareto前沿面多个方向收敛; （3）混合框架的设计要发挥精英种群的作用,使得好的个体具有更多的机会参与产生新的个体,并且能够提高种群的收敛和均匀分布能力,并且算法计算时间不能太长。 本项目的创新点如下： o 构建了基于集成规划和调度的模型和设计了基于多目标进化计算的编解码方式。 o 设计了基于支配和被支配关系的多目标适应度评价函数。 o 提出了混合进化算法框架,该框架混合了基于向量评价的遗传算法和基于支配和被支配关系的精英解维持机制。算法能够有效地增加算法的收敛能力和均匀分布能力,同时大大降低了计算时间。