基于SQP-CS的船舶建造车间工序优化方法及系统

技术领域

本发明属于作业车间调度优化技术领域，涉及一种基于SQP-CS的船舶建造车间工序优化方法。

背景技术

车间作业调度问题(Job-shop Scheduling Problem，JSP)是许多生产调度问题的简化数学模型，在生产作业计划、企业管理、交通运输等领域具有广泛的应用背景。JSP已被证明是最困难组合优化问题及典型的NP难问题，其研究方法分为最优化方法和启发式方法。

最优化方法包括拉格朗日松弛法，分支定界法，数学规划法，这些方法虽然能在理论上取得最优解，但其计算复杂度及时间开销随JSP规模的增大呈指数增长，难以满足当前实际工程的需求。

启发式方法包括模拟退火算法(Simulated Annealing，SA)，遗传算法(Genetic-Algorithm，GA)，粒子群算法(Particle Swarm Optimization，PSO)，蚁群算法(Ant ColonyOptimization,ACO)等。模拟退火算法结合概率突跳特性，使局部最优解处能够概率性地跳出并最终趋于全局最优。遗传算法通过模拟遗传选择和自然淘汰的生物进化过程搜索最优解。粒子群算法利用群体中的信息的共享，使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得问题的最优解。蚁群算法，是由一群无智能或有轻微智能的个体(Agent)通过相互协作而表现出智能行为，从而为求解复杂问题提供了一个新的可能性。

布谷鸟算法(Cuckoo Search，CS)作为一种新颖的生物启发式算法由Yang和Deb于2009年提出。该算法模拟了布谷鸟独特的寻窝产卵的行为，并引入了自然界鸟类、果蝇飞行轨迹的莱维飞行机制。

现有的布谷鸟算法具有参数少、鲁棒性强、高效易于实现以及随机搜索路径优等特点，已成功解决了许多实际难题。但是，对于作业车间调度问题的优化，布谷鸟搜索算法搜索速度慢，计算精度低，搜索活力不够强，在局部搜索时采用单一莱维飞行搜索，当靠近极值点时，不能保证收敛到局部最优，在迭代后期，种群多样性损失加快，使种群易于陷入局部最优，容易出现早熟现象。

发明内容

本发明的目的在于针对现有技术存在的问题，以高效率的船舶制造车间作程序为目标，提出基于CS-SQP的船舶制造车间工序优化方法：首先构建车间作业调度优化数学模型，设置约束条件，根据约束条件，将加工耗时最短的目标设成车间作业调度优化目标，设置车间作业调度目标函数。对布谷鸟搜索算法的调节步长等进行改进，并采用改进布谷鸟搜索算法获取车间作业调度方案最优解，数据表明改进布谷鸟搜索算法的车间加工效率加快，车间作业加工耗时明显减少，提高了找到最优车间工序调度方案的成功率。

实现本发明目的的技术解决方案为：一种基于SQP-CS的船舶建造车间工序优化方法，所述方法包括以下步骤：

步骤1，针对车间每类产品的工件，进行工序编码；

步骤2，构建以最大完工时间最小化为目标的目标函数，以及适应度函数；

步骤3，基于工序编码，利用SQP-CS算法求解目标函数，获得工序优化解。

进一步地，步骤1具体包括：

步骤1-1，按照工件的工序数，随机生成初步工序编码work＝[O

步骤1-2，在0到4倍编码长度i×j的数值范围内，随时选择i×j个不重复的数，即Random(0，4×i×j，i×j)，形成一个数值序列；

步骤1-3，对步骤1-2的数值序列中的数值进行升序排列，之后依次获取每个数值在步骤1-2数值序列中的位置编号，形成编码序列；

步骤1-4，按照步骤1-3获得的编码序列，依次从初步工序编码的相应位置提取数值，得到最终的工序编码。

进一步地，步骤2中以最大完工时间最小化为目标的目标函数为：

约束条件为：

C

C

其中，k,l＝1,2,…,q，q为加工工件的机器总数；P

进一步地，步骤2中适应度函数为：

进一步地，步骤3具体包括：

步骤3-1，初始化SQP-CS算法基本参数：初始化种群，种群中的每个个体即鸟窝代表一个解即工序加工序列，鸟窝位置代表每个解对应的完工时间，设置种群规模为4n或6n，解被发现的概率为P

步骤3-2，计算每个个体的适应度值，将最大适应度值对应的个体作为当前最优解x

步骤3-3，保留上代最优解位置不变，为其他所有解生成一组新解，之后对新旧解的适应度值进行比较，若新解的适应度值较上一代更优，则使用新解替代旧解；

步骤3-4，生成随机数r，判断r是否大于P

步骤3-5，随机丢弃(P

步骤3-6，求解整个种群个体的适应度值，更新当前最优解x

步骤3-7，基于步骤3-6的最优解，进行SQP深度搜索，更新最优解；

步骤3-8，判断是否满足最大迭代次数或者搜索精度要求，若不满足，返回步骤3-2，否则输出最优解即工序加工序列和对应的完工时间。

进一步地，步骤3-3中为其他所有解生成一组新解，具体通过自适应莱维飞行方法生成，自适应莱维飞行位置产生公式为：

其中，

L(β)～μ＝k

a

式中，k

进一步地，步骤3-5中新的解基于种群平均位置的随机游动生成，随机游动的解的产生公式为：

其中，

其中，n为种群数。

进一步地，步骤3-7具体包括：

以最优解x

计算新解的适应度值，并与对应的旧解的适应度值进行比较，若新解的适应度值较旧解更优，则使用新解替代旧解；

之后依据适应度值更新最优解x

本发明与现有技术相比，其显著优点为：

1)该算法不仅解决了船舶制造车间资源合理利用调度的问题，还考虑了订单周期的约束条件，使算法解更加精确、具有实用性。

2)通过直接将车间作业的属性作为参数，最终得到一组最有的车间调度方案，解决了实际生产过程中不合理的生产加工计划。

3)针对传统布谷鸟算法在解决车间调度问题上存在的缺陷，对布谷鸟搜索算法的调节步长等进行改进，并采用改进布谷鸟搜索算法获取车间作业调度方案最优解，实验数据表明改进布谷鸟搜索算法的车间加工效率加快，车间作业加工耗时明显减少，提高了获取最优车间工序调度方案的成功率。

4)主要优化了标准布谷鸟算法的2个方面：其一步长因子固定；其二求解精度不高。针对步长固定的问题，在莱维飞行中加入自适应方法，扩大其搜索空间，提高初期全局搜索能力；当算法随机游动进行位置更新时，将全局种群信息引入，使算法有能力找到全局最优值所在的区域；最后为保证解的精度，将最优鸟巢位置作为SQP局部搜索的初始点，搜索最优个体的局部极值，增强改进算法的局部深度搜索能力。

附图说明

图1为优化的SQP-CS算法流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

在一个实施例中，结合图1，提供了一种基于SQP-CS的船舶建造车间工序优化方法，所述方法包括以下步骤：

步骤1，针对车间每类产品的工件，进行工序编码；具体包括：

步骤1-1，按照工件的工序数，随机生成初步工序编码work＝[O

步骤1-2，在0到4倍编码长度i×j的数值范围内，随时选择i×j个不重复的数，即Random(0，4×i×j，i×j)，形成一个数值序列；

步骤1-3，对步骤1-2的数值序列中的数值进行升序排列，之后依次获取每个数值在步骤1-2数值序列中的位置编号，形成编码序列；

步骤1-4，按照步骤1-3获得的编码序列，依次从初步工序编码的相应位置提取数值，得到最终的工序编码。

步骤2，构建以最大完工时间最小化为目标的目标函数，以及适应度函数。其中，以最大完工时间最小化为目标的目标函数为：

约束条件为：

C

C

其中，k,l＝1,2,…,q，q为加工工件的机器总数；P

适应度函数为：

步骤3，基于工序编码，利用SQP-CS算法求解目标函数，获得工序优化解。具体包括：

步骤3-1，初始化SQP-CS算法基本参数：初始化种群，种群中的每个个体即鸟窝代表一个解即工序加工序列，鸟窝位置代表每个解对应的完工时间，设置种群规模为4n或6n，解被发现的概率为P

步骤3-2，计算每个个体的适应度值，将最大适应度值对应的个体作为当前最优解x

步骤3-3，保留上代最优解位置不变，为其他所有解生成一组新解，之后对新旧解的适应度值进行比较，若新解的适应度值较上一代更优，则使用新解替代旧解；其中，为其他所有解生成一组新解，具体通过自适应莱维飞行方法生成，自适应莱维飞行位置产生公式为：

其中，

L(β)～μ＝k

a

式中，k

步骤3-4，生成随机数r，判断r是否大于P

步骤3-5，随机丢弃(P

其中，

其中，n为种群数。

步骤3-6，求解整个种群个体的适应度值，更新当前最优解x

步骤3-7，基于步骤3-6的最优解，进行SQP深度搜索，更新最优解；具体包括：

以最优解x

计算新解的适应度值，并与对应的旧解的适应度值进行比较，若新解的适应度值较旧解更优，则使用新解替代旧解；

之后依据适应度值更新最优解x

其中SQP局部搜索步骤如下：

在最优解x

(1)更新拉格朗日函数的Hessian矩阵

其中

S

其中λ为拉格朗日乘子，k为当前迭代次数，x为优化向量点，g(x)为约束条件的函数向量。H

(2)构造二次规划，其目标函数为：

其中，d为搜索方向向量。

其中求解QP过程分为三步：

计算求解的可行点。

求解可行点的迭代序列，序列能够收敛到问题的解。

沿着新的搜索向量d进行一维搜索，得到新的优化向量x

x

其中β

步骤3-8，判断是否满足最大迭代次数或者搜索精度要求，若不满足，返回步骤3-2，否则输出最优解即工序加工序列和对应的完工时间。

在一个实施例中，提供了一种基于SQP-CS的船舶建造车间工序优化系统，所述系统包括：

第一模块，用于针对车间每类产品的工件，进行工序编码；

第二模块，用于构建以最大完工时间最小化为目标的目标函数，以及适应度函数；

第三模块，用于基于工序编码，利用SQP-CS算法求解目标函数，获得工序优化解。

对于该系统的详细介绍可以参考上文基于SQP-CS的船舶建造车间工序优化方法，在此不再赘述。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。