联系我们

Contact

智浩钢结构工程有限公司
电话:15209809766 
联系人:卢经理
地址:安徽省六安市裕安区城南镇汪家行村
网址:laxygs.com
当前位置:首页> 行业资讯

解决车间作业调度问题的一种新的遗传退火混合策略

* 来源: * 作者: * 发表时间: 2020-03-27 15:46:33 * 浏览: 0
针对幸存者的高度并行,随机和自适应优化算法已广泛用于机器学习,控制和优化。对于标准遗传算法,尽管在一定条件下具有全局收敛性,但在实践中应用遗传算法时,往往会存在收敛过早,收敛性能差等缺点。 1953年提出,该算法是在一定初始温度下温度参数恒定减小的情况下,在求解空间中随机找到目标函数的全局最优解。传统算法常常不理想。算法混合思想已经成为提高算法优化性能的重要而有效的方法。本文介绍了机器学习的原理,结合了遗传算法和遗传算法的优势,提出了一种新的混合优化策略(ModifiedGeneticAlgorithmandGA初始种群的质量和多样性,这将影响遗传算法的迭代次数,以及是否影响遗传算法)。可以达到最佳解决方案解决并分类存储在%模拟退火(MGASA)中的知识。该算法引入了SA作为GA种群的变异算子,并将Metropolis采样过程与GA相结合,不仅充分利用了GA强大的并行搜索能力,而且增强了GA的进化能力。另外,它利用机器学习的原理来指导总体的建立,优化过程在短时间内获得最优解,从而提高了系统的收敛性能和收敛速度,同时具有记忆功能。使用机器学习算法可以避免损失最优解。本文采用改进算法来计算车间调度中的典型问题。结果表明,与标准GA算法和SA算法相比,MGA-SA得到了很大的改进。 1混合算法设计MGASA算法结合了SA强大的全局并行搜索能力和强大的本地串行搜索能力的特点。它采用并行和串行结构的组合。外层在各种温度下执行GA操作,而内层搜索每个子种群。最初的解决方案源于GA的发展。 SA通过Metropolis抽样过程获得的解决方案成为GA进一步发展的最初群体。这种结构避免了过早的遗传算法和局部搜索能力较弱的缺点,增强了系统的全局和局部搜索能力。知识库的建立合理性和信息的存储方式直接影响信息的存储速度和检索。因此,建立合理的知识库不仅可以提高数据存储和检索的速度,而且可以合理地分配资源并减少资源消耗。 ①初始人口银行。该库用于存储在各种操作条件下最后一次迭代生成的染色体种群。由于遗传算法的整体进化性质,最后一次迭代产生的染色体组的平均适应度值是最佳的。记录该结果。再次执行优化计算时,所有或部分存储的染色体组将用作初始种群。初始种群在某种程度上具有较高的平均适应度值,可以有效地减少进化次数。 ②人口分类库索引库。每次迭代后生成的总体分为几类,并记录了分类索引号。每个类别中较高的平均适应度值将作用于通过对不同亚群进行交叉运算而生成的所有新个体,并与亲本种群进行总体选择筛选,以加速种群的进化过程。 ③优化结果数据库。用于存储温度调节参数和每次SA优化计算后获得的最优解,以便在再次遇到相同的工作条件时可以直接获取最优结果。机器学习过程要点,使用机器学习来获得的遗传种群,并使用随机方法获得初始种群的另一部分,从而提高了初始种群的适应性,并加速了进化过程。遗传交叉和突变完成后,使用机器学习分类操作将总体分为几类,作为SA操作的初始群体。 Metropolis等人提出的抽样方法。 1953年就是以概率将新状态接受为当前状态,即在温度t时,由当前状态i生成的新状态j的能量为E,并且E。如果E在GA中,则可以突变可控概率。控制初始温度可以控制初始搜索行为,控制温度水平可以控制突然跳跃能力的强度,在高温下强烈的突然跳跃有助于避免陷入局部最小值,而低温下的趋化性是冷却速度可以控制突跳能力的下降,控制采样次数可以控制每个温度下的搜索能力,避免了选择突变概率的困难,克服了遗传算法的缺点,有助于提高局部搜索能力。容易过早收敛。 2算法改进步骤1初始化算法参数。初始温度为t = t,温度下降率输入k =步骤2。搜索知识库,以确定是否存在满足条件的最优解和初始种群。如果是这样,请调用一些初始种群,然后随机生成另一个种群,然后从数据库中调用最优解;否则,请随机生成初始种群。步骤4确定算法的收敛准则。如果满足,请转到步骤9,否则请转到步骤5。步骤5随机选择个体和总体中的最佳个体以执行交叉运算以生成新个体。如果新个体的适应性好于当前最优解,则更新种群,否则保留当前种群,并执行步骤6突变所有个体,保留个体并将其划分为n个子种群。 SA的初始种群,以及种群更新和知识库被更新以存储最佳条件和温度调节参数。步骤7:对n个亚种群的个体执行固定步长采样的模拟退火操作,以最小概率接受后代,并更新种群和知识库。转到步骤4。步骤9输出优化结果。步骤10确定是否再次执行优化,如果是,则执行步骤2,否则执行步骤11。步骤11输出最终的优化结果。增强搜索效率。 MSAGA同时具有GA的全局并行搜索功能和SA的本地集中搜索功能,它们可以跳出本地最小值。引入了机器学习原理来存储先前优化的流程。当再次遇到相同的工作条件时,可以通过查询数据库,避免重复计算并提高算法的进化速度来直接获得结果。如果您对当前查询结果不满意,可以从先前存储的总体中提取一些个体作为初始群体的一部分,其余个体是随机生成的,这不仅可以确保初始群体的多样性,而且可以保持初始人群的平均适应度很高。 ,从而大大减少了优化迭代的次数。增强进化能力。最优解存储在知识库中,在搜索过程中首先查询知识库,避免了最优解的丢失,提高了进化能力。 3仿真分析表1和表2分别给出了3个工件和3个机床问题的时间约束和过程约束。本文采用改进的遗传退火算法和标准遗传算法对每台机器上加工工件的顺序进行优化,并对优化结果进行比较。表1时间受限的工件加工时间程序表2过程受限的机器序列工件程序从下面可以看出:①在迭代过程中,最优解丢失现象发生在遗传算法中,遗传算法不能保证最优解;②遗传退火算法由于不能提高染色体适应度,因此染色体被约束。 ③改进的遗传退火算法不仅增加了初始种群的平均适应度,而且在每次迭代过程中都保留了最优解,避免了最优解。这样既避免了损失,又避免了选择突变概率的困难,并克服了GA过早收敛的缺点。经过30次迭代,优化算法的平均适应度值,并且每个染色体的适应度值均最优。为了验证该算法的有效性,作者使用标准的MT基准测试用例,VisualC ++编程,256MB内存,P4(2.8G)CPU。人口总数为400,交叉率为089,突变率为0.35,迭代次数为800。MGASA采用中等杂交方法,而GASA采用中等杂交方法。其中,nm是工件和机器的数量,c是问题的最优值,c *是通过仿真获得的最优值,t是通过仿真获得的平均CPU时间。比较结果如表3所示。表3 MGASA与其他算法的性能比较。从比较中可以看出,MGASA可以解决MT10x10和MT20x5的复杂问题。因为它增加了人口的平均适应度,所以加快了进化速度,并且可以在短时间内实现该系统。 4结束语在混合遗传退火算法中引入机器学习原理可以大大提高初始种群的平均适应度并加快进化速度,最优方法将最优解存储在知识库中,并首先查询知识库。在搜索过程中避免了最优解的丢失,提高了进化能力。因此,使用MGASA解决典型的车间调度问题,不仅克服了传统算法的过早收敛,而且增加了种群的适当值,避免了最优解的损失,极大地加快了进化速度。