【導讀】車間生產(chǎn)調(diào)度問題是當今工程領域研究的熱點。近十幾年來，面向用戶個性化需求的。的市場競爭中占得一席之地的重要標志，因此，柔性快速的生產(chǎn)調(diào)度就顯得格外重要。器的約束，所以比傳統(tǒng)作業(yè)車間調(diào)度問題的復雜性更高。因此，尋找有效的方法對柔性作。業(yè)車間調(diào)度問題進行求解具有重要的理論價值和應用意義。念、原理和方法。行了簡化，為下一步的算法設計建立數(shù)學模型。最后給出了一個4×6調(diào)度問題的測試例子，并且繪制出了作業(yè)調(diào)度的甘。仿真實例證明了此算法的有效性。

　　

【正文】 生兩個交叉點并將交叉點中間的子序列拷貝到子代的相應位置的方法。對于第二層編碼為避免產(chǎn)生不合法染色體 ,可以從父代 2中移走在子代中已有的子序列 6 ， 剩余的數(shù)依次放入子代中。而對于第一層編碼則可以將父代 2的基因 (除子代中已有的子序列外 )直接拷貝到子代的相應位置。 變異操作的目的是改善算法的局部搜索能力 ， 維持群體多樣性 ， 同時防止出現(xiàn)早熟現(xiàn)象。這里由于編碼的特殊性變異操作如下 ： 對于第一子串編碼 ， 隨機選擇串中的某一 基因位 ， 從該基因位的候選加工設備集中再隨機選擇加工設備予以替代 ； 對于第二子串編碼則隨機選擇染色體中的兩基因位 ， 交換其值。 華北電力大學本科畢業(yè)設計（論文） 19 （交叉點 1） （交叉點 2） ↓ ↓ 父代 1 Q11 Q12 Q13 Q21 Q22 Q23 Q31 Q32 Q33 Q41 Q42 Q43 第一層編碼 2 3 1 3 2 5 1 4 6 3 4 6 第二層編碼 2 3 4 5 7 8 6 9 12 1 10 11 ↓ 子代 1 Q11 Q12 Q13 Q21 Q22 Q23 Q31 Q32 Q33 Q41 Q42 Q43 第一層編碼 3 5 3 5 2 5 1 4 3 1 2 6 第二層編碼 2 5 10 1 7 8 6 12 9 11 3 4 父代 2 Q11 Q12 Q13 Q21 Q22 Q23 Q31 Q32 Q33 Q41 Q42 Q43 第一層編碼 3 5 3 5 2 6 1 4 3 1 2 6 第二層編碼 2 5 10 1 8 12 6 9 11 3 4 7 選擇操作用于避免有效基因的損失，使高性能的個體得以更大的概率生存 ，從而提高全局收斂性和計算效率為將遺傳算法更有效地應用于調(diào)度問題，本文采用最優(yōu)保留的選擇策略。設群體規(guī)模為 n， 將父代與子代群體同時進行比較，選擇前 n個個體作為下一代群體。這種選擇策略有利于個體優(yōu)良性質(zhì)的遺傳，同時在遺傳過程中始終保留目前最優(yōu)的調(diào)度解，將個體的優(yōu)良特性加以記憶，減少了重復操作的次數(shù)。 圖 交叉算子 華北電力大學本科畢業(yè)設計（論文） 20 4 仿真實例 為了驗證上述遺傳算法，我們對一個包含 4 個工件和 6 臺機器的車間調(diào)度進行計算機計算并得到仿真結(jié)果。問題的參數(shù)如表 所述， Ji (i=1,2,3,4)表示工件， Qij 表示工件 Ji的第 j 個操 作。表格中的第一橫行數(shù)據(jù) 6 表示 6 臺機器對應的編碼，下面的數(shù)字表示工件 Ji 的第 j 個操作在選定機器 Mi 上的加工時間。 具體的算法參數(shù)設置如下：其中交叉概率 Pc =。變異概率 Pm1 =， Pm2=。種群數(shù)為 60。 表 4*6的柔性作業(yè)車間調(diào)度 算法執(zhí)行 100 次后，基因串收斂于總操作時間 Cmax =17 小時， 比文獻 [5] 中的 Cmax =18小時要優(yōu)。得到的最優(yōu)染色體： a 2 4 1 5 2 3 1 4 5 3 6 1 b 4 8 2 10 5 7 1 9 11 6 12 3 由于第二子串編碼工序加工的先后順序 有講究 ，因此調(diào)整為 a 2 4 1 5 2 3 1 4 5 3 6 1 b 2 4 8 5 7 10 1 9 11 3 6 12 從而得到調(diào)度次序： ﹛ Q31 Q11 Q41 Q12 Q21 Q42 Q22 Q13 Q32 Q23 Q33 Q43﹜。 同時用圖 和表 分別表示時間進度合成甘特圖和工序路徑。 其中 ijk 表示工件Qij 在機器上 加工的時間 為 k。 工序選擇 加工機床及加工工時間 1 2 3 4 5 6 J1 Q11 2 3 4 Q12 3 2 4 Q13 1 4 5 J2 Q21 3 5 2 Q22 4 3 6 Q23 4 7 11 J3 Q31 5 6 Q32 4 3 5 Q33 13 9 12 J4 Q41 9 7 9 Q42 6 4 5 Q43 1 3 3 華北電力大學本科畢業(yè)設計（論文） 21 3 1 51 3 1 4 3 11 1 3 2 2 34 1 7 2 3 41 2 2 3 2 32 1 23 3 94 2 5M 1M 2M 3M 4M 5M 61 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 圖 時間進度合成 甘特 圖 表 工序路徑 工序選擇 工序選擇 加工機床及加工工時間 1 2 3 4 5 6 J1 Q11 3 Q12 2 Q13 1 J2 Q21 2 Q22 3 Q23 4 J3 Q31 5 Q32 3 Q33 9 J4 Q41 7 Q42 5 Q43 1 華北電力大學本科畢業(yè)設計（論文） 22 5 總結(jié)與展望 總結(jié) 本論文選擇作業(yè)車間的生產(chǎn)調(diào)度為研究和開發(fā)對象，以遺傳算法為基礎，綜合運用車間調(diào)度問題的基本理論，對具有路徑柔性的多目標作業(yè)車間調(diào)度問題和作業(yè)車間動態(tài)調(diào)度問題進行了系統(tǒng)的研究。本文系統(tǒng)研究了遺傳算法的基本原理、分析了遺傳算法在生產(chǎn)調(diào)度中應用的問題，主要作了下面幾個方面的工作： 1．詳細介紹了車間生產(chǎn)調(diào)度發(fā)展狀況，提出了車間生產(chǎn)調(diào)度需要解決的問題，并詳細論述了車間作業(yè)調(diào)度問題的分類 、特點等。 2．分析了遺傳算法的概念、操作流程和操作方法，在此基礎上討論了將遺傳算法在車間作業(yè)調(diào)度中的應用；對遺傳算法在求解車間作業(yè)調(diào)度問題的編碼方式、交叉、變異算子的選擇進行了分析。 3． 在理論研究的基礎上完成了柔性作業(yè)車間調(diào)度模型的建立以及用于該調(diào)度問題的遺傳算法的設計與實現(xiàn)。 展望 由于車間調(diào)度實現(xiàn)和應用是一個龐大的系統(tǒng)工程，另外由于時間和個人學識的限制，關于車間調(diào)度問題的研究，在理論和應用上尚需做大量的工作，在以下幾個方面尚有待進一步深入： 1． 本文所研究的柔性作業(yè)車間調(diào)度問題主要針對不同工序 可以在多臺不同機床上加工然后尋找出各種不同目標最優(yōu)調(diào)度的情況，在今后的研究中，可以將該柔性調(diào)度問題進一步拓展，考慮 多目標 的情況，此類問題更具復雜性，但進一步集成了生產(chǎn)計劃與車間調(diào)度，是一個值得研究的方向。 2. 鑒于國際學術界對混合系統(tǒng)與算法的日益重視，混合優(yōu)化策略以及相應仿真環(huán)境的開發(fā)無疑是一個值得關注的研究方向，尤其是將己有各種調(diào)度方法的優(yōu)點與 GA有效地融和。 華北電力大學本科畢業(yè)設計（論文） 23 參考文獻 [1] 王凌．車間調(diào)度及其遺傳算法．清華大學出版社 [M]， 2020. [2] 劉飛等， CIMS 制造自動化．機械工業(yè) ilj 版社， 1997 [3] 姜迪剛，葉尚輝．基于遺傳算法的車間作業(yè)調(diào)度 [J]．西安電子科技大學學報 (自然科學版 )， 2020， 28(2)： 207—210 [4] 戴紹利，譚躍進，汪浩．生產(chǎn)調(diào)度方法的系統(tǒng)研究．系統(tǒng)工程， 1999， 17(1)： 4145 [5] 梁田，基于遺傳算法的多目標柔性車間作業(yè)調(diào)度，長春理工大學，計算機軟件與理論， [6] 王凌，鄭大鐘．混合優(yōu)化策略統(tǒng)一結(jié)構(gòu)的探討 [J]．控制與決策． 2020， 170),33～ 36 [7] 劉轍，彭亮，崔廣才，吳學禮．混合遺傳算法在車間調(diào)度中的 應用 [J]冶金自動化． 2020：94～ 97 [8] 黃明，閆淑娟，粱旭．遺傳算法和禁忌搜索算法在車間調(diào)度中的研究進展 [J]．工業(yè)控制計算機． 2020， 17(2)： 4～ 5 [9] 李淑娟，李言，劉志剛．一類多資源作業(yè)車間混合優(yōu)化調(diào)度方法 [J]．系統(tǒng)工程學報． 2020，22(5) [10] lpida s T． Agentifying the Process： ThskBased or Robot—Based Deposition． IEEE Conference on System， ManlcturiIlg aIld Synbenctics， 1994： 582～ 587 [11] gJran AS， Smith M L Simulation studies in job shop schedulingI a survey． Comput and Indus Engng,1984， 8(2)： 8793 [12] Holland J 11． Adaptation in nature and artificial systems． MIT Press， 1992 [13] De Jong K A An analysis of the behavior of a class of geic adaptive systems． Ph． D Dissertation， University ofMichigan， No． 76—9381， 1975 [14] Goldberg DE ． Geic algorithms in search ， Optimization and Machine Learning． Addison—Wesley,1989 [15] Davis L Adapting operator probabilities in geic algorithms． In： Proc． of 3rd Int． Conf． on Geic Algorithms， Man Kaufmann， 1989， 6169 [16] 吳波，基于遺傳算法的車間作業(yè)調(diào)度問題研究 [D]， 20206. [17] 馬柯，遺傳算法在車間調(diào)度問題中的研究與應用 [D]， 2020． 12. [18] 盧宇灝，基于遺傳算法的車間調(diào)度算法研究與應用 [D]， 2020． 1. [19] Van Laarhoven, P, E. Aarts, and J. Lenstra, Job shop scheduling by simulated annealing, operations Research,[M] vol. 40, no. 1, pp. 113125,1995. [20] Story, ., Wagner, .. Computational Experience with Integer Programming for Jobshop Scheduling[R], Chap. 14, PrenticeHall, New York, 1963. [21] Gavett,JX Three Heuristic Rules for Sequencing Jobs to a Single Production Facility[D]..,Vol. 11, 1965: B 166B 176. [22] 王萬良等 .求解作業(yè)車間調(diào)度問題的改進自適用遺傳算法 [J]，系統(tǒng)工程理與實踐 ,2020． 2:58—62. 華北電力大學本科畢業(yè)設計（論文） 24 致謝 在論文完成之際，首先感謝導師白康老師。論文從開題到完成，都離不開白老師的悉心指導和嚴 格要求。 白康老師的學識、嚴謹?shù)闹螌W態(tài)度以及誨人不倦的教導使作者受益匪淺， 給予我以后工作的影響是我一生所取之不盡，用之不竭的力量源泉。 在 她 的關心和指導下，我克服論文寫作中各種困難，在此對 她 表示衷心的感激和最誠摯的謝意。 在此，以 “桃李不言，下自成 蹊 ”這句古語來祝愿您一切順利。 謹以此文獻給養(yǎng)育我的父母，家人以及親戚朋友對我學習和生活的關心、支持和鼓勵。衷心感謝我的父母，是他們在物質(zhì)上和精神上始終默默地支持和鼓勵我，使我心無旁慮，一心求進。 最后，謹向所有關心和幫助過我的老師、同學和朋友們表示衷心的感謝 !