38、基于混合策略的进化多目标优化算法解决车间调度问题

基于混合策略的进化多目标优化算法解决车间调度问题

在车间调度领域，面临着原始未完成任务和新任务的调度挑战，同时需要兼顾调度性能和系统参与者的满意度这两个目标。为解决这一复杂问题，采用了基于混合策略的进化多目标优化（EMO）算法。

1. 问题的NP难性质与元启发式算法

所提出的问题是NP难问题，即使是简化形式的确定性问题也是如此。因此，元启发式算法受到了学术界和工业界的广泛关注。为了研究鲁棒性和稳定性之间的权衡，设计了一种混合的EMO方法来搜索鲁棒性和稳定性的帕累托前沿。这种方法的重要优势在于决策者可以根据自己的偏好从一组备选方案中选择任意解决方案。

2. 主动阶段基线调度的评估

在EMO方法中，将解决方案编码为基因型后，关键问题是对基因型进行评估，以引导搜索过程朝着高质量解决方案的期望区域发展。主动阶段和反应阶段的基因型评估有所不同，主动阶段的难点在于对基线调度的评估。为解决这一问题，提出了替代度量来估计主动阶段中断的影响，并提出了三对替代度量。

• 基于松弛和邻域的替代度量（R1，S1）
  • 扩展了基于松弛的鲁棒性度量，并修改了基于邻域的稳定性度量。
  • 对于基线调度π，定义了作业操作的最早和最晚开始及完成时间。
  • 通过考虑机器故障概率修改了替代鲁棒性度量R1：
    [R1 = \sum_{i=1}^{m} \sum_{j=1}^{n_0} \omega_{i[j]} \times (C_{i[j]}^l - C_{i[j]}^e)]
    其中(\omega_{i[j]} = \int_{C_{i[