带有自学习机制的预制舱室中间转运协同调度方法

本发明涉及带有自学习机制的预制舱室中间转运协同调度方法，属于大型邮轮制造。

背景技术：

1、预制舱室是邮轮建造过程中的一类数量极大的典型中间产品，其中间转运环节涉及多类型设备的协同运作，其各类型设备的协同是一个复杂的调度过程。合理制定中间转运环节各类型设备的调度方案，是保证原有生产资源配置不变的前提下提升企业生产资源利用率，减少浪费，降低生产成本的必要条件。然而，由于邮轮预制舱中间转运环节是一系列运输设备相互影响、制约的操作过程，具有多类型设备参与、多种类任务执行、多环节流程衔接等特点，在企业实际的生产过程中难以明确制定有效的调度方案。因此，研究面向邮轮预制舱室中间转运环节的协同调度方法，对于企业生产效率的提升和生产成本的降低具有重要意义。

2、现有技术文献1“scheduling management and optimization analysisofintermediate products transfer in a shipyard for cruise ships”，liu等，plosone,17(3),e0265047，该文献给出《一种基于遗传算法的邮轮中间产品运输调度优化方法》，该方法通过双层染色体编码实现运输任务与设备的调度方案的描述。文献2“vehiclerouting and scheduling optimization ofship steel distribution center undergreen shipbuilding mode”，li等，sustainability,2019,11,4248，该文献给出《一种基于智能水滴算法船舶制造中间产品集配运输调度方法》，通过解序列的中心节点插入完成调度方案的描述。然而，对于具有多类型设备参与、多种类任务执行、多环节流程衔接约束的邮轮预制舱室转运环节协同调度，直接描述调度方案通常无法有效实现算法进行中的约束判断和不可行解处理过程，因此需要进一步研究能够避免过程约束判断和不可行解修复需要的调度方法。公开号为cn114841581a，发明创造名称为基于gep-vns进化动态作业车间调度规则，其特征选择方法未公开自学习机制。公开号为cn116795054a，发明创造名称为一种离散制造模式下的中间产品调度方法，其为求解结果的调度方案解。

3、因此，亟需提出带有自学习机制的预制舱室中间转运协同调度方法，以解决上述技术问题。

技术实现思路

1、本发明旨在克服现有技术缺陷，提供带有自学习机制的预制舱室中间转运协同调度方法，该方法基于超启发式算法框架，利用遗传操作作为高级策略，实现对低级调度规则组件的控制，并根据低级调度规则组件序列生成的执行规则方案映射完成具体转运任务与设备调度方案的求解。本发明可在算法运算过程中不进行复杂问题约束判断和无效解修复过程的前提下实现邮轮预制舱室中间转运环节协同调度方案的求解。在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。

2、本发明的技术方案：

3、带有自学习机制的预制舱室中间转运协同调度方法，包括以下步骤：

4、步骤一：利用超启发式算法中高级遗传策略的种群数量，根据作业任务数量、转运阶段数量，通过随机策略生成预制舱室中间转运协同作业的初始调度方案；

5、步骤二：适应度计算，用于评估每个初始调度方案；

6、步骤三：自学习低级调度规则更新，用于不断优化调度规则组件的组合；

7、步骤四：遗传操作，用于完成协同调度方案求解。

8、优选的：步骤一中，通过随机策略生成的初始种群popinit：

9、popinit＝rand(ps,(n·m))           (1)

10、其中，ps为超启发式算法中高级遗传策略的种群数量，n为协同作业任务数量，m为转运阶段数量；rand(ps,(n·m))表示随机生成满足(0,1)均匀分布的ps行、(n·m))列的随机数矩阵，随机数矩阵每一个行向量表示遗传算法的一个染色体，染色体对应作业问题的一个调度规则解。

11、第二步：适应度计算，包括以下步骤：

12、步骤2.1：初始状态下每个低级调度规则的映射概率；

13、步骤2.2：按顺序先后的每个低级调度规则的映射概率取值范围；

14、步骤2.3：根据染色体上基因位的概率取值，确定各基因位所对应低级调度规则sr，完成一条染色体上所有位置对应的低级调度规则组件映射后得到完整调度规则，求得最大模糊完成时间与计划一致性指数ai；

15、步骤2.4：通过加权的方式将两个优化目标合成一个，构建优化目标函数；计算个体适应度值；

16、步骤三：通过计算低级调度规则在染色体上的出现次数、紧后出现的次数以及所有染色体上低级调度规则的集合，来评估这些低级调度规则的有效性和适用性；

17、步骤四：采用轮盘赌方式进行种群选择。

18、优选的：步骤2.1中，将低级调度规则集合表示为l，低级调度规则数量表示为nllh，则初始状态下每个低级调度规则的映射概率pllh：

19、

20、优选的：步骤2.2中，按顺序先后的每个低级调度规则的映射概率取值范围

21、

22、优选的：步骤2.3中，根据低级调度规则的映射概率，确定各基因位所对应低级调度规则sr，完成一条染色体上所有位置所对应的低级调度规则组件映射后得到完整调度规则，进而根据完整调度规则完成邮轮预制舱室中间转运任务的分配和设备的调度，进而求得最大模糊完成时间与计划一致性指数ai；

23、

24、

25、其中，f1、f2表示邮轮预制舱室中间转运协同调度问题的优化目标，表示预制舱室转运任务各阶段作业的模糊完成时间，max表示最大的各转运阶段作业模糊完成时间，aii表示预制舱室转运任务各阶段作业完成时间与计划一致匹配程度，表示预制舱室转运任务的计划模糊完成时间，area表示模糊时间与坐标轴所围成的面积，n表示转运任务所需执行的转运阶段数量，i表示转运阶段的具体任务，i＝1,2,…,n。

26、优选的：步骤2.4中，通过加权的方式将两个优化目标合成一个，构建优化目标函数f；

27、f＝ω1*f1+ω2*1/f2        (6)

28、其中，ω1和ω2分别表示两个优化目标对应权重，ω1+ω2＝1，用于表示调度过程对于两个优化目标的倾向性；

29、步骤2.5中，个体适应度值可以计算为：

30、fit＝1/f        (7)

31、优选的：步骤三中，定义ρh,q为中低级调度规则组件h在染色体上位置q出现的次数，ηh',h为低级调度规则组件h在h'紧后出现的次数，ωq为种群中所有染色体在位置q上出现的低级调度规则集合，r为具体的低级调度规则，r∈ωq，下标his和cur分别为算法迭代过程中的历史种群和当前种群，可以得到算法累积知识概率和算法探索知识概率

32、

33、

34、将算法的当前迭代次数表示为iter，最大迭代次数表示为maxiter，根据式(8)和式(9)可以计算自学习低级调度规则更新概率μh,q：

35、

36、优选的：步骤四中，根据式(1)-(7)得到进行遗传操作的相关参数后，采用轮盘赌方式进行种群选择，得到一半种群数量的染色体进入子代种群，种群中个体s的轮盘赌选择概率p(s)可以计算为：

37、

38、其中，fits为种群中个体s所对应的适应度值，fiti为种群中个体i所对应的适应度值；另一半数量的子代种群则根据式(8)-(10)对父代染色体各基因位的调度规则进行更新，两部分共同构成新的子代种群；进而通过均匀交叉和单点变异策略完成遗传操作，进而不断迭代完成邮轮预制舱室中间转运环节的协同调度方案求解。

39、优选的：低级调度规则采用先到先服务、最短时间优先、最长时间优先、最短剩余时间优先、最长剩余时间优先、最少时间总占比优先、最长时间总占比优先共七个低级调度规则组件构成低级调度规则组件集合，并采用本发明方法对邮轮预制舱室中间转运环节协同调度方案进行求解。

40、本发明具有以下有益效果：

41、1、本发明方法引入自学习机制，方法通过学习求解过程中产生的历史知识和探索知识指导收敛方向，从而有效减少调度规则的搜索空间。

42、2、本发明方法求解结果为调度规则解，求解结果更具有通用性且更适用于动态环境变化。

43、3、本发明基于超启发式算法框架，利用遗传操作作为高级策略，实现对低级调度规则组件的控制，并根据低级调度规则组件序列生成的执行规则方案映射完成具体转运任务与设备调度方案的求解；本发明可在算法运算过程中不进行复杂问题约束判断和无效解修复过程的前提下实现邮轮预制舱室中间转运环节协同调度方案的求解。