遗传算法解决柔性作业车间调度问题之编码

一、遗传算法概念及基本步骤

在问题正式开始前，先简单介绍一下遗传算法。

遗传算法借用了生物遗传学的思想,以及自然界中的“物竞天择,适者生存”原则,将问题的解表示成“染色体”通过模拟自然选择、交叉、变异等操作,实现个体适应度的提高,不断迭代,逐步寻找最优解(或次优解)。遗传算法在求解问题时，从一组随机产生的初始种群开始搜索。种群中一个个体(individual)表示问题的一个解，称为染色体(chromosome)。种群通过连续的迭代进行进化,每一次迭代操作产生一代(generation)。在每一代中用适应度函数(fitnessfunction)或目标函数(objective function)对每个个体进行评价(evaluation)适应度值高的个体被选中的概率高。迭代过程的下一代称为子代(offspring),通过选择(selection)交叉(crossover)变异(mutation)等遗传算子产生子代。遗传算法有五个基本要素:编码和解码;种群初始化方法;适应度函数;遗传算子(主要包括选择、交叉、变异等);遗传参数设置(种群规模、遗传算子的概率等)等。

假设P表示种群规模,t表示当前代,P(t)和C(t)表示第t代的父代和子代,那么基本的遗传算法执行步骤如下：
步骤1：按照一定的初始化方法产生初始种群P(t)t=0。

步骤2：评价种群P(t)计算每个个体的适应度值。

步骤3：判断是否满足终止条件,如果满足则输出结果;否则转步骤4。

步骤4 ：按照选择、交叉、变异等遗传算子产生子代C(t)。 

步骤5：P(t)=C(t)转步骤2t=t+1。

图1所示为基本遗传算法的流程框图。

图1

二、柔性作业车间调度问题（FJSP）

柔性作业车间问题即FJSP问题，描述如下：n个工件（J1，J2，……，Jn）要在m台机器（M1，M2，……，Mm）上加工，每个工件包含一道或多道工序，工序顺序是预先确定的，每道工序可以在不同的机器上加工，工序的加工时间随加工机器的不同而不同;调度目标是为每道工序选择最合适的机器,确定每台机器上各道工序的最佳加工顺序及开工时间,使整个系统的某些性能指标达到最优。因此,柔性作业车间调度问题包含两个子问题:确定各工件的加工机器(机器选择子问题)和确定各个机器上的加工先后顺序(工序排序子问题)。

此外，在加工过程中还需要满足下面的约束条件：

(1)同一台机器在某一时刻只能加工一个工件。

(2)同一工件的同一道工序在同一时刻只能被一台机器加工。

(3)每个工件的每道工序一旦开始,加工便不能中断。

(4)不同工件之间具有相同的优先级。

(5)不同工件的工序之间没有先后约束