基于强化遗传算法的车间调度方法研究

发布时间：2020-09-02 09:30

　　自2013年以来,随着德国“工业4.0”和“中国智造2025”的相继提出,制造业迎来了新转折点。车间调度是智能制造中重要的组成部分之一,制造业的快速发展,离不开智能调度方法的进步。遗传算法对研究车间调度问题有重要价值,但其性能易受参数影响。因此,本文对求解车间调度问题的遗传算法进行研究,设计出一种基于强化学习的遗传算法,以提高算法性能,并实现对车间调度问题的高效求解。首先,提出了强化遗传算法。第一,设计了一种基于K-means的并行策略,利用K-means聚类算法依据个体的染色体对种群进行聚类,最大化地分开相似个体,进而均匀划分成多个子种群。第二,设计了一种基于强化学习的参数自学习策略,利用QLearning方法,自主学习遗传算法的交叉率,获得适应当代种群进化的交叉率。第三,为实现子种群间的交流,设计了通信机制,并结合多策略思想,提高算法运行效率。最后,选择了9个函数测试算法性能,与传统遗传算法和普通并行遗传算法为对比,结果显示所提算法在函数优化问题上有显著效果。其次,将提出的强化遗传算法应用于置换流水作业车间调度问题。根据置换流水车间调度问题的特点,采用基于工件的编码方式。由于置换流水车间调度问题的编码方式相对简单,将子种群通信策略更换为子种群的动态更新。根据种群特征,先后执行更新子种群策略与基于强化学习的交叉率学习过程。应用该问题的标准算例进行验证,与标准GA等其他算法比较,结果表明该算法在求解该问题上有显著的优越性。然后,根据作业车间调度问题的特征,改进了所提算法,采用了基于工序的基因串编码方式。因作业车间调度问题比置换流水车间调度问题复杂,为提高运行的时间效率,采用了最初的子种群通信机制。通过该调度问题的标准算例进行验证实验,与标准GA和普通并行遗传算法作比较。实验结果表现出所提算法的有效性和优越性。最后,总结了全文的主要工作,并展望了未来值得进一步研究的方向。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP18
【部分图文】：

框图,机理,框图,序贯决策问题

图 2-2 强化学习机理框图决一类序贯决策问题的技术，这类问题的过程是种，具体方法分类如图 2-3 所示[62]。序贯决策问题A,P,R,g )马尔科夫决策过程MDP(S,A,P,R,g )(S,A,P动态规划方法迭代策略搜索无模型强化蒙特卡罗方法图 2-3 强化学习方法分类

流程图,并行策略,K-means聚类,流程图

于 K-means 聚类的并行策略主eans 聚类方法，获得结果，放置于它们归属的类中，这类按顺序放置这些子类，即据}，也就构成新的种群 ne整后的种群 newP 中，分 k wP[1+2k],...,newP[-k]}，以此略并行遗传算法化学习的多策略并行遗传算学习策略与基于 K-means 聚。它首先利用 K-means 初始满足强化学习执行条件的子

变化曲线,算例,最优值,进化过程

图 4-3 标准算例 reC21 实际进化过程最优值变化曲线图 4-4 Car 算例和 Rec 算例的 BRE00.020.040.060.080.10.120.14car1car2car3car4car5car6car8hel2reC01reC05reC07reC09reC13reC15reC17reC19reC21reC23reC27reC33reC35reC39BRERLBased GA GA Parallel GA0.20.250.30.35ARE

【相似文献】