[發明專利]基于改進多目標灰狼算法獲得零件加工最優調度方案的方法

有效

• 申請號: 201910010598.5
• 申請日: 2019-01-07
• 公開（公告）號: CN109669423B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 朱光宇;吳思杰;江澤豪
• 申請（專利權）人: 福州大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種基于改進多目標灰狼算法獲得零件加工最優調度方案的方法，其特征在于：包括以下步驟：

步驟S1：對多目標作業車間生產調度問題進行數學符號的形式化描述；

步驟S2：建立優化過程中所要滿足的約束條件；

步驟S3：確定所要優化的目標，建立相應的多目標優化函數；

步驟S4：設計基于平均Frechet距離相似度匹配原理與Pareto支配關系相結合的改進的多目標灰狼算法；具體包括以下步驟：

步驟S41：定義變量；

步驟S42：確定灰狼個體編碼與解碼方式；

步驟S43：設計基于平均Frechet距離相似度匹配原理與Pareto支配關系相結合來選擇灰狼個體的準則；

步驟S44：基于步驟S43的準則進行多目標灰狼算法的算法；

步驟S41具體為：定義npop為灰狼群體規模；t為算法當前的迭代數；maxgen為最大迭代次數；為迭代次數為t時狼群的位置向量；均為系數向量；為兩個服從U[0,1]的兩個隨機數；μ_q為第t次迭代群體中第q個目標函數值的均值；σ_q為第t次迭代群體中第q個目標函數值的標準差，maxf_q為第t次迭代群體中第q個目標函數值中最大的值；其中，

灰狼算法整體框架分為兩個部分，群體社會等級與狩獵行為模式，群體的社會等級有4種，在算法中按照適應度函數的大小對應分配，最好的個體被稱為α狼，第二的為β狼，第三的為δ狼，剩余的個體都為ω狼，整個算法的優化過程都是由α、β與δ引導的，而ω狼跟隨前3個等級的狼進行相應的更新狼群個體的位置操作,其更新位置計算公式如下：

式中，分別表示α狼的位置、β狼的位置、δ狼的位置；

步驟S42中，編碼方式采用基于操作的編碼，即每個個體的編碼是由全部工件的工序組成的一個排列，每個工件號出現次數為其工序的數量；解碼的過程是，先將灰狼個體位置轉化為一個有序的操作表，然后基于操作表和工藝約束對每個操作以其最早允許加工時間逐一進行加工，進而產生調度方案；

步驟S43具體包括以下步驟：

步驟S431：選擇出每一代的理想解：設在由支配關系選擇出的每一代群體的Pareto解集中，所優化的目標函數為(f₁,f₂,...,f_k),則迭代中第t代群體的第i個灰狼個體由其調度方案所獲得的目標值為分別從群體中選擇每個目標的最優值,構建第t次迭代中的理想解

步驟S432：構建曲線：利用z-score標準化與MAX值歸一化對數據進行預處理以構建理想解函數值曲線與Pareto前端曲線；

步驟S433：計算平均Frechet距離：由以上步驟獲得了理想函數值曲線與群體中每個個體的目標函數值曲線，由此計算每個個體目標函數值曲線與理想函數值曲線的平均Frechet距離作為選擇灰狼個體的準則，計算出群體中所有個體與理想值曲線的平均Frechet距離后，將其從小到大進行排序，最小的值即曲線相似度最高的選為頭狼α狼，并依此選擇出β與δ狼；

步驟S44具體包括以下步驟：

步驟S441：隨機生成規模為npop的初始群體，并隨機生成灰狼個體初始位置與速度；令t＝1；

步驟S442：對第t代中的群體計算其目標函數值；

步驟S443：利用Pareto支配關系選出t代群體中的外部檔案；

步驟S444：在外部檔案中利用基于平均Frechet距離相似度匹配原理計算每個灰狼個體所對應的適應度值，并按適應度對的大小選擇出最好的個體被稱為α狼，第二的為β狼，第三的為δ狼；

步驟S445：利用灰狼算法的機制更新群體中每個個體i的位置并計算每個個體的目標函數，若所產生的新的個體目標函數值支配所對應的上一代個體的目標函數值，則將新產生的個體的位置替代上一代個體的位置，若沒有支配則以1/2的概率選擇是否替代；

步驟S446：如果t＜maxgen，則返回步驟S443，否則算法停止；

步驟S5：進行迭代運算，輸出最優方案集合。