准时生产计划问题-模拟退火算法

由于个人本身课程的学习，涉及到了模拟退火算法。在《智能优化方法》第五章有提到一个实例应用。该实例应用为典型的 准时生产计划问题。因此，在学习过程中写一下自己的心得，希望对大家有所帮助。如有错误的地方还望大家指出！
参考书籍：汪定伟老师的《智能优化方法》
论文链接：《准时化生产计划的半无限规划模型与模拟退火方法》

1 准时化生产计划

70 年代末, 准时化( JIT ) 生产技术在日本成功地提出。由于它能大幅度地减少生产和存储 费用, 因此吸引了许多学者去研究JIT 环境下提前/ 拖期生产计划问题。半无限规划模型准确地描述了提前/ 拖期生产计划问题, 只是模型中有无限多非凸约束, 求解比较困难。目前求解 该模型比较有效的方法是遗传算法 , 但是用遗传算法求解半无限规划模型存在一些缺点,。

• 占用内存大
• 计算量大、运算时间长
• 不能保证解的最优性等。

采用模拟退火结合启发式算法和最速下降法求解半无限规划模型, 可以

• 跳出局部最优解,
• 以概率 1 收敛于全局最优解。

与遗传算法的计算结果相比较, 可以看出用模拟退火方法得出的结果优于遗传算法。

2 半无限规划模型的建立

假设制造商在[ 0, T ] 计划生产时期内收到n 个订货。在JIT 环境下, 决策者希望计划生产 完成时间尽可能接近顾客要求的交货期。通过使用一个二次惩罚函数, 可以得出提前 / 拖期生产计划的半无限规划模型。

• x_i是计划完成时间

• d_i是顾客要求的交货期

• α_i 是惩罚系数
  

• R_i(t, xi) , t ∈[0,T]为资源需求函数，即在t时刻订货i所需要的资源

• G(t)为t 时刻可采用的资源
  

• L_i 是订货 i 的生产周期
  计划完成的时间要大于生产周期且小于最大的计划生产时刻

根据生产实际, 假设资源 需求函数是近似于正态分布的曲线,资源需求函数具体如下：

其图像为：

设开始可采用的资源是g₀, 它随时间的增加以速率β增长。假设在[ 0, T ] 内有m 个遗留工作, 其中每一个工作需要一定的资源, 由下 面的近似等式确定( j = 1, 2, …, m) 。遗留工作的资源需求公式为：

• 其中q _j ，g_j，h_j使用与上文中的a_i，b_i, c_i的方法求得。

则在t时刻：可使用的资源=总资源-遗留工作所消耗的资源

3 模拟退火算法

现代的模拟退火算法是由Kirkpatrick 在1983年提出的，在求解组合优化方面的使用非常成功。在本文中使用模拟退火方法求解半无限规划模型，分三个阶段。

1. 先用启发式算法得到一个较好的初始解。
2. 用模拟退火算法结合最速下降法对初始解中时间xi的顺序进行优化。
3. 用模拟退火算法对二阶段的结果进行微调，求得最优解。

由于模拟退火算法适用于无约束函数，因此采用一种非精确方法将约束通过惩罚项结合到目标函数中。
R_i(t,x_i)(i=1,2,…,n)是近似于正态分布的曲线，所以可以证明式(1)左侧最多有n个局部最大值，并且位于[x_i-L_i,x_i](i=1,2,…,n)。

• 注：因为资源需求函数为近似正态分布，[x_i-L_i,x_i]，为订货i最晚开始时间，到工作结束时间。因此在每个这样的区间中总有一个资源消耗最大值处。总共有n个订货，因此最多有n个最大值。后续使用该函数计算每一时刻的订货资源需要，从R₁(t₀,x₁)到R_n(t₀,x_n)，每一时刻至多有n个资源需求，求其总和则为该时刻总的订货资源需求。

设t_j为所用资源需求总消耗与总资源的最大差值的时刻。

Φ( t_j , X ) > 0就意味着违反约束(1)，即上文中的公式(1)。将约束结合到目标函数中，则此时目标函数为：

• 其中 μ是足够大的惩罚系数

3.1 用启发式方法求初始解

如果同模拟退火算法一样随机产生一个初始解，则高温退火过程比较长，运算时间较长。为了减少运算时间，用较快的启发式退火代替高温退火，得出一个相对较好的初始解。根据实际经验，为了减少总的惩罚，对于惩罚大的、资源需求少的订货，应尽量减少提前/拖期时间。即以α_i/P_i(1,2,…,n）的值确定优先级，比值越大的越优先考虑。具体算法步骤如下：

1. 确定计划水平T，即最长工作时间；
   
2. 计算 u_i = α_i/ P_i( i = 1, 2, …, n) , 并对 u_i 从大到小排序得 u_i , u₂, …, u_n ;
3. 以 u_i , u₂, …, u_n为优先级分别求各订货的生产完成时间 x_j ，先让x_j = d_j,如果Φ( t_j , X ) > 0 (t_j∈[d_j-L_j,d_j] ),则转到步骤4；
4. 对k= 1, 2, …, d_j - L_j , 依次计算y_j = d_j - k 直到Φ( t_j , Y) < 0，计算提前惩罚a = α_j ( d_j - y_j) , 转 到步骤5 ; 否则 a = M( M 是大的数) ;
5. 对k = 1, 2, …, T - d_j , 依次求z_j = d_j + k, 直到 Φ( t_j , Z) < 0，计算拖期惩罚b = α_j ( z_j - d_j ) ; 否则 b = M ;
6. 比较a、b, 取最小惩罚的 x_j。如果 a ≤ b, 则 x_j = y_j ; 否则 x_j = z_j

注：其中步骤4、5主要就是为了计算在j时刻，当资源需求达到最大时且保证惩罚最小时，x_j可以提前/拖期多少时间。
步骤4详解：根据步骤2排好的顺序，依次让其对应的d_i减k，y_i = d_i-k 起初k=1，则从d₁到d_n依次减1，用y_i替换x_i，并计算t_j时刻的Φ，直到Φ( t_j , Y) < 0，若不小于0，则k依次增加，继续上述减k操作，直到Φ( t_j , Y) < 0。此时的k即为在资源需求不超过上限时，可提前k天开工。此时，再计算每一个的提前惩罚a。如果当k=d_i-L_i时，Φ( t_j , Y)依旧不小于0，则将a置为一个非常大的数，以表示不能提前，否者惩罚巨大。
步骤5详解：同步骤4类似，依次让其对应的d_i加k，z_i=d_i+k，用z_i替换x_i，并计算t_j时刻的Φ，直到Φ( t_j , Z) < 0。此时的k即为在资源需求不超过上限时，可拖期k天交工。此时，再计算每一个拖期惩罚b。同样，如果当k=T-d_i时，Φ( t_j , Z)依旧不小于0，则将b置为一个非常大的数，以表示不能拖期，否者惩罚巨大。
步骤6详解：之后对比提前和拖期的两个惩罚，选择较小的一个，并令x_i等于较小者对应的y_i/z_i。

3.2 用模拟退火方法调优 x_i( i = 1, 2, …, n) 顺序

由于模拟退火方法接受使目标值变坏的解, 所以最终解有可能比计算过程中遇到的最好解坏。对模拟退火方法稍加改进, 即保存遇到的最好可行解。对模拟退火方法中涉及到的降温 规则和热平衡条件做如下规定:

1. 降温规则: 通过对 T_k 乘以一个接近 1 的数r 来减少 T_k。
2. 热平衡条件: 在每种温度下, 转换次数应该等于邻域的大小, 本算法中, 任意 x_i 与 x_j 交换一次作为邻域中的一个解, 故至少应交换 C_n² 次。

3.2.1 第一阶段退火 SA1

1. 由启发式算法得初始解 X₀ = ( x₁, x₂ , …, x_n)^T , 计算 X₀ 点目标函数值 f(x₀) , 并将 X₀ 作为最好解保存;
2. 设定初始温度 T₀, 终止温度 T_f , 令k = 0, T_k = T₀ ;
3. 产生随机解(任意交换x_i, x_j ) X₁, k = k + 1, 计算 △f = f( X₁) - f(X₀) ;
4. 如果 △f < 0, 令 X₀ = X₁ , f (X₀) = f (X₁) , 必要时更新最好解，转步6。
5. 产生 ξ∈U( 0, 1) , 如果 exp( -△f / T_k ) > ξ, 则 X₀ = X₁, f (X₀) = f (X₁ ) ;
6. 如果 k = C²_n, 则令 k = 0 转步 7, 否则转步 3;
7. 令 T_k ≤ rT_k , 如果 T_k ≤ T_f , 停止; 否则转步 3。

第 3 步交换x_i 与 x_j 后, 即使是最佳顺序, 目标函数值也可能产生惩罚, 所以每得出一个顺 序, 如果 △f > 0, 先用最速下降法求该顺序下的近优解, 得出的结果作为X₁, 继续后面的步骤。

3.2.2 第二阶段退火 SA2

首先需要将连续问题离散化。因为模拟退火方法适用于解决离散问题，即自变量取离散的点。而半无限规划是连续型问题，其自变量xi∈[0,T](i=1,2,…,n),所以，在x_i的领域（x_i-δ，x_i+δ)(δ<=1)内取离散的点，从而将连续问题离散化。即x_i的领域为：

由此得到第二阶段模拟退火算法步骤如下：

1. 以 SA1 计算结果作为初始解 X₀, 并作为最好解保存, 计算 f(X₀) ;

2. 设定 T₀, T_f , 令 k = 0, T_k = T₀;

3. 在X₀ 邻域内产生随机解 Y = ( y₁ , y₂, …, y_n ) T, 计算△f = f(Y) - f(X₀) , k = k + 1;

4. 与算法 SA1 的步 4—7 相同。

4 举个栗子

一个建筑公司收到 10 个建造楼房的订货, 主要资源约束是人力。现有人力水平是 100 千小时 / 周, 并预计以 B= 0.005 的速率增加。有两个以前计划中遗留的工作A 和B , 对 A , 人 力需求是 200 千小时, 它必须在第 40 周完成, 需要 20 周的加工时间; 对 B , 人力需求 300 千小 时, 它必须在第 70 周完成, 需要 40 周加工时间。建筑周期, 人力需求, 合同价格( 即惩罚系数) 及对每个订货顾客要求的交货期见表 1。两种方法的运算结果在表 1 的后两列。用遗传算法 ( GA) 计算的目标函数值是114779 , 用模拟退火( SA ) 方法计算的目标函数值是112797.6。 对 6 个订货的例子, 其订货和计算结果见表2, 用遗传算法求解的目标值是15154, 用模拟退火 方法求解的目标值是 14355.9。

所得出的x_i为计划完成时间，表中给出的并未进行优先级排序。通过模拟退火对排序进行优化。微调，以至于目标函数达到最优结果。

5 总结

用模拟退火方法结合启发式方法和最速下降法求解提前/ 拖期生产计划的半无限规划模型, 可以得出比较好的结果, 而且占用内存少, 在某些方面优于遗传算法。同时尝试了用模拟退火方法求解连续型问题, 结果证明是可行的。不足之处是当订货数太多时, 运算时间长。

希望对大家有所帮助，制作不易，还望大家给点个赞哦~~~~