本發明屬于生產計劃與調度，尤其涉及一種基于改進人工雨滴算法的作業車間調度排產方法。
背景技術：
1、作業車間調度是一種經典的組合優化問題，作為離散制造系統優化領域的核心問題，其本質是在有限的資源約束條件下通過合理分配設備、工序與時間窗口，實現生產周期、成本或者能耗等目標的全局最優。最小化最大完工時間是以最小時間為約束的單目標問題，屬于np-hard問題。隨著經濟社會的發展，工場生產規模不斷擴大，求解難度呈指數增加。傳統的數學規劃法難以實際應用，智能算法的出現為解決這類問題提供了有效的手段。優化問題在生活中非常普遍，在不同領域中都存在組合優化問題，如何在短時間內尋找到最優解決方案是優化問題的發展方向。在優化問題發展之初，人們用數學優化方法如整數規劃法來解決，但是這種方法需要計算梯度，在復雜問題下計算量大，耗費的時間長。與之相對的是隨機方法，隨機方法不需要知道解的梯度，轉而對目標函數進行計算，在目標值下對解決方案進行評估。啟發式算法就是隨機方法的一種，通過計算機模擬來解決問題。人工雨滴算法是近年來較為新穎的算法，它模擬自然界中雨滴形成下落流動的過程，研究重點在于如何平衡算法的探索與開發能力，以及如何融合問題特征于算法設計中。
技術實現思路
1、本發明目的在于提供一種基于改進人工雨滴算法的作業車間調度排產方法，以解決背景技術中所提出的技術問題。
2、為實現上述目的，本發明的具體技術方案如下：一種基于改進人工雨滴算法的作業車間調度排產方法，包括以下步驟：
3、步驟1：問題建模與約束定義
4、選擇仿真平臺及與之對應的作業車間調度模型，搭建包含約束的仿真環境并構建作業車間調度的數學模型，以不同規模、不同工序的多個案例，計算其最小完工時間；
5、步驟2：種群初始化
6、使用混沌映射方法產生隨機、均勻分布的n個父代水汽種群個體，其取值范圍都在0到1之間，種群維度為，其中n為工件個數,m為機器個數；
7、步驟3：對工序進行編碼和解碼
8、針對浮點數編碼的種群個體與實際整數機器序號和工序號不相符，通過將每個個體所有維度的隨機序列進行矢量排序，得到對應的索引序列，再通過編碼產生對應的加工序列，產生的加工序列進行解碼，通過適應度函數計算出對應個體的加工時間；
9、步驟4：水汽空中搜索算子
10、根據現有種群個體，對每個粒子以一定的概率r,隨機選擇是否執行空中搜索算子，對于滿足概率條件的個體，使用levy飛行生成一個長度為d的隨機步長向量，并且引入一個隨機擾動參數r1，計算當前選擇個體與前一代個體之間的差值，將以上幾個隨機條件通過疊加產生新個體，將其插入種群代替原有個體；
11、步驟5：雨滴形成過程
12、雨滴的形成定義為現有水汽的幾何中心，對的水汽矩陣每一列取均值，得到一個維度大小的雨滴；
13、步驟6：進行考慮風向的雨滴下落過程
14、對已經形成的雨滴進行適應度計算，判斷當前迭代次數，若不滿足設定的迭代次數條件，則為迭代的前期，通過引入重力g，空氣阻力拖曳力、阻力系數、風向角度wind，來模擬球形物體在風向，空氣流動影響因素下的不規則運動軌跡，產生新位置，若滿足迭代條件，在迭代的后期通過改變雨滴維度的值來模擬垂直下落過程；
15、步驟7：進行雨滴碰撞和新個體生成過程
16、根據步驟6得到的新位置進行碰撞策略更新，雨滴下落到地面碰撞后會以正態分布的方式向四周濺射，碰撞產生新的小雨滴，其個數完全隨機，為便于計算，新生成的雨滴個數定義為種群個體數n，所有新個體組成子種群；
17、步驟8：進行雨滴流動策略選擇和經驗更新
18、碰撞后的雨滴會流向海拔較低的位置，根據設定的迭代條件選擇不同的流動方式，在滿足迭代條件時，使用帶有經驗的兩個粒子指導當前雨滴流動方向，通過加入擾動項和隨機步長來模擬流動的隨機性，不滿足迭代條件使用含有鮑德溫效應的流動算子，對個體進行鼓勵，從而加快進化過程，每一個粒子流動次數設置為3次，每次更新得到的新位置，計算適應度，使用貪婪策略，用優秀解替換當前子種群個體，劣質解則舍去，保留當前個體，當子種群中所有個體，全部流動完成后,隨機選擇兩個個體加入經驗池中，同時檢查經驗池中粒子數量，若滿足經驗池最大數量則刪除冗余粒子；
19、步驟9：合并子代與父代種群
20、將子代種群和父代種群合并后計算適應度，選取適應度較好的粒子作為新一代種群，種群個數限制為n；
21、步驟10：進行迭代訓練
22、重復執行步驟3至步驟9，通過不同策略持續選擇尋優，實現算法的迭代訓練，在訓練過程中，根據預設的終止條件對所述迭代訓練過程進行控制，當滿足預設的訓練輪次數閾值，終止所述迭代訓練過程，輸出對應案例的最終求解結果，并產生調度排產甘特圖。
23、優選地，所述步驟2中，生成初始種群的方法是circle混沌映射初始化。
24、優選地，所述步驟3中，編碼方式是隨機鍵編碼。
25、優選地，所述步驟4中，選擇概率r設置為0.5，提出的水汽搜索算子為局部搜索方法，以當前水汽粒子為基礎，與產生的具有重尾分布的levy飛行項和擾動項r1相加，進行局部搜索。
26、優選地，所述步驟6中，考慮風向的雨滴下落算子引入擾動參數和正切函數保證其散落范圍在之間，垂直下落過程所選維度為隨機選擇。
27、優選地，所述步驟7中，碰撞產生新的雨滴成正態分布，通過蒙特卡羅方法模擬。
28、優選地，所述步驟8中，新雨滴流動兩種方式選擇，經驗流動方式通過兩個子方向d1、d2和流動因子τ、學習因子c1、c2的線性組合確定，從經驗池中選擇的兩個粒子為隨機選取，鮑德溫效應的流動算子通過對比不同個體之間的差異性，確定進化方向，產生新解的步長由參數s確定。
29、優選地，所述步驟8中，針對經驗池更新方式采取冒泡排序方式，計算所有經驗池中粒子的適應度值，按照從優到劣的順序排序，根據設定的經驗池大小n，去除適應度差的多余粒子，從而進行經驗池維護。
30、優選地，所述步驟8中，采用的學習因子c1、c2采用非線性變換方式，不斷改變學習率，逐步過渡到預設的最低學習閾值，且過渡過程由迭代更新次數控制。
31、優選地，所述步驟10中，作業車間調度模型案例，采用標準基準測試集la系列中的la01-la10總計10個算例進行仿真模擬。
32、其中：
33、步驟1中，作業車間調度模型約束為：
34、加工順序約束：每個工件的加工順序不可改變：
35、
36、機器互斥約束：同一時刻，每臺機器只能加工一個工件的一個工序：
37、
38、加工時間約束：一個工序的完成時間等于開始時間加上機器加工時間：
39、
40、時間變量約束：加工時間必須為正數，且每一個工件的第一個加工工序必須為0：
41、
42、
43、其中：為操作集合，每個工件包括個操作。為第i個工件在第j個機器上的加工時間。為作業的開始時間，為作業的結束時間，為最大完成時間。
44、進一步特征，步驟2中，混沌種群初始化使用circle混沌初始化，公式：
45、
46、其中mod為取模運算。
47、進一步特征，步驟4中，水汽空中搜索算子公式為：
48、
49、其中：
50、為第g+1代水汽個體，與為第g代水汽個體中不同的兩個個體。
51、為服從均值為0，標準差為1的正態分布。
52、為引入的隨機項，round將得到的隨機數進行四舍五入處理。
53、為引入的萊維飛行過程。
54、進一步特征，步驟6中，考慮風向的下降算子公式為：
55、
56、其中：
57、為新產生的雨滴，為風向。
58、g為重力加速度取9.8m/s2，h為下落高度，即適應度值。
59、為受空氣阻力的拖曳力。
60、為雨滴的終端速度，公式為：
61、
62、其中為阻力系數，對于近似球形物體，阻力系數取0.4-0.5，本文取值0.4。為空氣密度，取1.225kg/m3。
63、進一步特征，步驟7中，雨滴碰撞算子公式為：
64、
65、其中：
66、為碰撞后產生的小雨滴。
67、sign為符號函數和是0到1之間的隨機數。
68、為水汽種群的任意一個水汽分子。
69、進一步特征，步驟8中，雨滴流動選擇算子第一個可選算子公式為：
70、
71、
72、
73、
74、其中：
75、為第g代流動后的小雨滴位置。
76、為流動因子取值為2，為當前準備流動的小雨滴，和是雨滴池中隨機選擇的兩個粒子，?為兩個流動方向，為流動方向的線性組合。
77、進一步特征，步驟8中，鮑德溫效應雨滴流動算子公式為：
78、
79、其中：
80、y1為適應度差值方向，即進化方向，、以及為隨機選擇的三個不同粒子，，流動后產生新位置
81、進一步特征，步驟10中，采用標準車間調度測試集la系列中的la01-la10總計10個算例進行仿真模擬，以la07為例其數據為：
82、
83、
84、其中：j的每一行代表不同的工件，每一行中的數字代表這個加工工序選擇的機器號，如第15行第1列的數字5，代表第15個工件的第一個工序在5號機器上加工。矩陣t每一行列和矩陣j一一對應，代表的是其工序在對應機器上的加工時間。
85、本發明的一種基于改進人工雨滴算法的作業車間調度排產方法具有以下優點：
86、本發明提出的改進人工雨滴算法在求解作業車間調度問題時具有顯著優勢。首先，通過circle混沌映射初始化種群，提高了初始解的空間覆蓋度和多樣性，有效避免算法早熟收斂，為全局搜索奠定基礎。其次，引入水汽搜索算子對種群進行擾動，結合lévy飛行步長和隨機擾動機制，增強了算法跳出局部最優解的能力，解決了原始人工雨滴算法在迭代后期易陷入局部最優的問題。采用考慮風向的下降算子，模擬雨滴受重力和空氣阻力影響的不規則運動軌跡，擴大了開發階段的搜索范圍，提高了收斂速度；同時，基于鮑德溫效應的流動算子通過個體差異學習機制，引導雨滴流向更優解方向，加速了局部搜索的收斂精度。此外，通過隨機鍵編碼方式將連續優化問題轉換為離散調度問題，確保了算法在作業車間調度中的適用性。總體而言，本發明通過多策略改進，實現了收斂速度、精度和魯棒性的協同提升，有效減少了傳統算法在調度問題中的無效搜索和等待時間，為作業車間調度提供了高效解決方案，具有廣泛的應用前景。