第2卷第1期 智能系统学报 Vol.2 Ng 1 2007年2月 CAAI Transactions on Intelligent Systems Fcb.2007 基于单亲遗传算法的动态设备布局仿真研究 李波，邱枫 (天津大学管理学院，天津300072) 摘要：针对柔性生产环境下的设备布局问题，提出了一种基于单亲遗传算法原理的启发式算法.发展了一种新颖 的适用于动态设备布局的遗传换位操作算子，并提出在单期布局编码子串上应用换位概率的策略，增加了种群的多 样性.Matlab编程实现算法，通过大量仿真模拟并与其他算法进行比较分析，证实了所提出方法的有效性.提出的算 法在问题规模不大时可以迅速而准确的获得优化解，在问题规模较大时也能在较短时间（与其他算法相比）获得满 意解，因此具有较好的综合性能. 关键词：动态设备布局问题；启发式算法；单亲遗传算法 中图分类号：TP391.9文献标识码：A文章编号：16734785(2007)01-0074-06 Simulation of the dynamic plant layout problem based on partheno genetic algorithm LI Bo,QIU Feng (School of Management,Tianjin University,Tianjin 300072,China) Abstract:A heuristic algorithm based on PGA was proposed to solve the plant layout problem in flexible manufacturing systems.A new positionswitch genetic operator for DPL P was developed.Positionswitch probability strategy on single-period-layout was used to increase individuals'diversity.The effectiveness of proposed method is demonstrated by simulation examples and comparison with other approaches.Pro- posed algorithm produces optimal solutions speedily and accurately and provides acceptable solution in a reasonable time.Its performance is very good while considering both solution quality and computational time. Key words:DPLP;heuristic approach;PGA 在当今以市场为驱动的经济环境下，制造企业 备布局问题进行优化求解」 力求适应市场的变化而在竞争中立于不败之地，柔 1动态设备布局问题 性生产系统(FMS)应运而生.生产车间的设备布局 问题是柔性生产系统（或柔性生产单元）在设计初期 动态设备布局问题，包括为每一期选择一个静 必须考虑的重要问题之一.柔性即是指灵活应对市 态设备布局方案和决定是否在下一期改变这个布 场，在拉动式生产方式下，企业面临的是最终用户不 局.图1是一个单期6台(23)设备布局的例子，用 断变化的需求，静态设备布局问题(static plant lay- 236145(数字代表设备编号)来表示. out problem,SPLP)假设物料流不变，不适用于动 对实际问题进行简化，进行以下假设 态变化的环境，动态设备布局问题(dynamic plant 1)设备占地面积相同；2)设备数小于等于位置 layout problem,DPLP)在SPLP的基础上，从多时 数（小于时可通过增加虚拟设备来解决）；3)设备间 期的角度出发，每个时期设备间的物料流量各不相 的单位物流运输成本相同（在此为了简化可设为 同，并考虑设备的移动成本，在总的规划时间内对设 1);4)设备的移动成本与布局方式无关（是某个常 量)，5)设备间运输距离，同行或同列的设备间运距 收稿日期：20060705. 为其中心的间距、非同行或非同列的设备间运距为 基金项目：国家自然科学基金资助项目(70572045) 设备中心之间的折线距离（例如图1中设备2到设 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
第 2 卷第 1 期 智 能 系 统 学 报 Vol. 2 №. 1 2007 年 2 月 CAA I Transactions on Intelligent Systems Feb. 2007 基于单亲遗传算法的动态设备布局仿真研究 李 波 ,邱 枫 (天津大学 管理学院 ,天津 300072) 摘 要 :针对柔性生产环境下的设备布局问题 ,提出了一种基于单亲遗传算法原理的启发式算法. 发展了一种新颖 的适用于动态设备布局的遗传换位操作算子 ,并提出在单期布局编码子串上应用换位概率的策略 ,增加了种群的多 样性. Matlab 编程实现算法 ,通过大量仿真模拟并与其他算法进行比较分析 ,证实了所提出方法的有效性. 提出的算 法在问题规模不大时可以迅速而准确的获得优化解 ,在问题规模较大时也能在较短时间 (与其他算法相比) 获得满 意解 ,因此具有较好的综合性能. 关键词 :动态设备布局问题 ;启发式算法 ;单亲遗传算法 中图分类号 : TP39119 文献标识码 :A 文章编号 :167324785 (2007) 0120074206 Simulation of the dynamic plant layout problem based on partheno genetic algorithm L I Bo , QIU Feng (School of Management ,Tianjin University ,Tianjin 300072 , China) Abstract :A heuristic algorit hm based on PGA was p roposed to solve the plant layout problem in flexible manufact uring systems. A new position2switch genetic operator for DPL P was developed. Position2switch probability strategy on single2period2layout was used to increase individuals’diversity. The effectiveness of proposed method is demonstrated by simulation examples and comparison wit h ot her approaches. Pro2 posed algorit hm produces optimal solutions speedily and accurately and provides acceptable solution in a reasonable time. Its performance is very good while considering bot h solution quality and comp utational time. Keywords :DPL P; heuristic approach ; PGA 收稿日期 :2006207205. 基金项目 :国家自然科学基金资助项目(70572045) . 在当今以市场为驱动的经济环境下 ,制造企业 力求适应市场的变化而在竞争中立于不败之地 ,柔 性生产系统(FMS) 应运而生. 生产车间的设备布局 问题是柔性生产系统(或柔性生产单元) 在设计初期 必须考虑的重要问题之一. 柔性即是指灵活应对市 场 ,在拉动式生产方式下 ,企业面临的是最终用户不 断变化的需求 ,静态设备布局问题 (static plant lay2 out problem , SPL P) 假设物料流不变 ,不适用于动 态变化的环境 ,动态设备布局问题 ( dynamic plant layout p roblem , DPL P) 在 SPL P 的基础上 ,从多时 期的角度出发 ,每个时期设备间的物料流量各不相 同 ,并考虑设备的移动成本 ,在总的规划时间内对设 备布局问题进行优化求解. 1 动态设备布局问题 动态设备布局问题 ,包括为每一期选择一个静 态设备布局方案和决定是否在下一期改变这个布 局. 图 1 是一个单期 6 台(2 ×3) 设备布局的例子 ,用 236145 (数字代表设备编号) 来表示. 对实际问题进行简化 ,进行以下假设 : 1) 设备占地面积相同 ;2) 设备数小于等于位置 数(小于时可通过增加虚拟设备来解决) ;3) 设备间 的单位物流运输成本相同 (在此为了简化可设为 1) ;4) 设备的移动成本与布局方式无关 (是某个常 量) ;5) 设备间运输距离 ,同行或同列的设备间运距 为其中心的间距、非同行或非同列的设备间运距为 设备中心之间的折线距离 (例如图 1 中设备 2 到设
第1期 李波，等：基于单亲遗传算法的动态设备布局仿真研究 ·75 备4的运距为2，设备1到6的运距为3) 物流量而言最优的单期静态布局方案从多期的角度 来说很可能不是最优的.其他的一些方法比Rosen- blatt提出的DP启发式方法更好一些.如Urban提 出的一种最速下降成对交换(steepest-descent pair- wise exchange)启发式算法，这种方法类似于 图16台设备单期布局图例 CRAFT(Armour和Buffa)算法.Kusiak和Hera Fig.I 6 plant single period layout example gu1对不同的数学规划方法进行了研究.Conway 根据以上假设，结合Koopmans和Beckman的 和Venkataramanan,Balakrishnan和Cheng)用 二次分配模型四给出DPLP的数学模型： 遗传算法解决DPLP问题，Kaku和Mazzola使用了 minZ 禁忌搜索法(tabu search)l61.Baykasoglu和 Gindy!)针对DPLP问题提出一种模拟退火算法， 4Yan. 1) 利用Balakrishnan等的试验问题，他们证明这种算 法比Conway和Venkataramanan Balakrishnan和 S T. Xg=1J=1,m,1=1,“P,2 Cheng的GA算法要好.SA算法中的参数设置涉及 到确定初始温度(initial temperature)(可能在邻域 X=11=1,…n1=1“…P (3) 搜索neighborhood search中，会接受一个较差的解 Yul X(vgXsI, 决方案)，温度下降速度（一个较差方案的接受概率 ij,1=1,n,1=2,…,P (4) 下降)，以及反复次数(the number of iterations). 式中：P是总的时期数：n是设备台数；i,k代表布置 Balakrishnan等8)提出了一种混合遗传算法对 中的设备；j,1代表位置；f代表在第1期设备1到 DPLP进行优化计算 k物流运输成本（由于假设单位物流成本为1，f也 文中基于单亲遗传算法(partheno~genetic al- 就是设备间的物流量)；d是位置j到1间的运输距 gorithm,PGA)的机理提出一种针对DPLP优化算 离；X是0,1变量，代表在第t期将设备i定位于j 法，该算法采用在一条染色体进行遗传操作的进化 位置：Y是0,1变量，代表在第1期初将设备i从 方法.并使用前人曾用的算例对算法进行测算，同时 位置j移动到位置1；A代表在第1期将设备i从 与己有算法进行比较分析 位置j移动到位置1的移动成本。 2 基于单亲遗传算法的DPLP方法 模型是在规划的总时间内，最小化每期物流成 本与设备移动成本之和.式(1)是最小化目标函数： 单亲遗传算法(PGA)是李茂军、童调生等)提 约束(2)、(3)表示在每期中每台设备都要定位于一 出的一种序号编码遗传算法(GA).PGA不同于传 个位置，每个位置都有一台设备：约束(4)表示只有 统遗传算法的是取消了传统遗传算法(TGA)序号 在连续的2期中设备的位置发生改变时，0,1变量 编码的交叉算子，代之以仅在一条染色体上操作的 Y才能取到1. 基因重组等遗传算子，简化了遗传操作，提高了计算 在n设备、t时期问题中，要计算(n)'个布局 效率，并且不要求初始群体的多样性，也不存在“早 方案的总成本才能得出最佳的解决方法.即使6设 熟收敛”问题，并且李茂军等对PGA的全局收敛性 备5期的问题也有多于1.910“种布置方案.对于 进行了研究：文献证明PGA在列车占线问题、模式 这种大规模问题，最优化方法是不适用的，需要使用 聚类问题、车辆路径问题和物流配送问题等组合优 启发式算法来得到优化解决方案」 化问题的求解中明显优于传统遗传算法(TGA). Rosenblatt(1986)用动态规划(dynamic pro 2.1编码方案 gramming,DP)方法来解决DPLP问题).他把每 单亲遗传算法采用序号编码方式，对于n台设备t 一期视为DP中的阶段(stage),一个具体的单期布 时期的动态设备布局问题(DLP),先把单期的多行静 局方案(SPLP方案)则为DP中的状态变量(state). 态布局按照设备从上到下从左到右的顺序进行编码， 由于DP方法不适用于大规模的问题，所以他又提 然后再按时期数将各期的静态布局编码顺序串接起 出了启发式DP方法，但也不是十分有效.选择一些 来.以6台(23)设备P期为例，v=[2361451123 物流成本较低的单期布局方案来构成DP可能会有 45(叶461532]代表一个动态设备布局的染色体 更好的效果，但是，由于要考虑移动成本，对于固定 串，图2描述了其编码方法（以第P期为例） 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
备 4 的运距为 2 ,设备 1 到 6 的运距为 3) . 2 3 6 1 4 5 图 1 6 台设备单期布局图例 Fig. 1 6 plant single period layout example 根据以上假设 ,结合 Koopmans 和 Beckman 的 二次分配模型[1 ]给出 DPL P 的数学模型 : min Z = ∑ P t =1 ∑ n i =1 ∑ n j = 1 ∑ n k = 1 ∑ n l = 1 f tik d tjl X tij X tkl + ∑ p t =2 ∑ n i = 1 ∑ n j = 1 ∑ n k = 1 ∑ n l =1 A tijl Ytijl , (1) S1 T1 ∑ n i =1 Xtij = 1 , j = 1 , …, n , t = 1 , …, P , (2) ∑ n j = 1 Xtij = 1 , i = 1 , …, n , t = 1 , …, P, (3) Ytijl = X( t- 1) ij X til , i , j , l = 1 , …, n , t = 2 , …, P. (4) 式中 : P 是总的时期数; n 是设备台数; i , k 代表布置 中的设备; j , l 代表位置; f tik代表在第 t 期设备 i 到 k 物流运输成本(由于假设单位物流成本为 1 , f tik也 就是设备间的物流量) ; dtjl是位置 j 到 l 间的运输距 离; Xtij是 0 ,1 变量 ,代表在第 t 期将设备 i 定位于 j 位置; Ytijl 是 0 , 1 变量 ,代表在第 t 期初将设备 i 从 位置 j 移动到位置 l ; A tijl 代表在第 t 期将设备 i 从 位置 j 移动到位置 l 的移动成本. 模型是在规划的总时间内 ,最小化每期物流成 本与设备移动成本之和. 式 (1) 是最小化目标函数 ; 约束(2) 、(3) 表示在每期中每台设备都要定位于一 个位置 ,每个位置都有一台设备 ;约束 (4) 表示只有 在连续的 2 期中设备的位置发生改变时 ,0 ,1 变量 Ytijl才能取到 1. 在 n 设备、t 时期问题中 ,要计算 ( n !) t 个布局 方案的总成本才能得出最佳的解决方法. 即使 6 设 备 5 期的问题也有多于 119 ×10 14种布置方案. 对于 这种大规模问题 ,最优化方法是不适用的 ,需要使用 启发式算法来得到优化解决方案. Rosenblatt ( 1986) 用动态规划 ( dynamic p ro2 gramming ,DP) 方法来解决 DPL P 问题[ 2 ] . 他把每 一期视为 DP 中的阶段 (stage) ,一个具体的单期布 局方案(SPL P 方案) 则为 DP 中的状态变量(state) . 由于 DP 方法不适用于大规模的问题 ,所以他又提 出了启发式 DP 方法 ,但也不是十分有效. 选择一些 物流成本较低的单期布局方案来构成 DP 可能会有 更好的效果 ,但是 ,由于要考虑移动成本 ,对于固定 物流量而言最优的单期静态布局方案从多期的角度 来说很可能不是最优的. 其他的一些方法比 Rosen2 blatt 提出的 DP 启发式方法更好一些. 如 Urban 提 出的一种最速下降成对交换 (steepest2descent pair2 wise exchange ) 启 发 式 算 法 , 这 种 方 法 类 似 于 CRAF T (Armour 和 Buffa) 算法. Kusiak 和 Hera2 gu [3 ]对不同的数学规划方法进行了研究. Conway 和 Venkataramanan [4 ] ,Balakrishnan 和 Cheng [5 ] 用 遗传算法解决 DPL P 问题 , Kaku 和 Mazzola 使用了 禁 忌 搜 索 法 ( tabu search ) [6 ] . Baykasoglu 和 Gindy [7 ]针对 DPL P 问题提出一种模拟退火算法 , 利用 Balakrishnan 等的试验问题 ,他们证明这种算 法比 Conway 和 Venkataramanan、Balakrishnan 和 Cheng 的 GA 算法要好. SA 算法中的参数设置涉及 到确定初始温度 (initial temperat ure) (可能在邻域 搜索 neighborhood search 中 ,会接受一个较差的解 决方案) ,温度下降速度 (一个较差方案的接受概率 下降) ,以及反复次数 (the number of iterations) . Balakrishnan 等[8 ] 提出 了一种 混 合 遗 传 算 法 对 DPL P 进行优化计算. 文中基于单亲遗传算法 (part heno2genetic al2 gorithm ,PGA ) 的机理提出一种针对 DPL P 优化算 法 ,该算法采用在一条染色体进行遗传操作的进化 方法. 并使用前人曾用的算例对算法进行测算 ,同时 与已有算法进行比较分析. 2 基于单亲遗传算法的 DPL P 方法 单亲遗传算法(PGA) 是李茂军、童调生等[9 ] 提 出的一种序号编码遗传算法 ( GA) . PGA 不同于传 统遗传算法的是取消了传统遗传算法 ( T GA) 序号 编码的交叉算子 ,代之以仅在一条染色体上操作的 基因重组等遗传算子 ,简化了遗传操作 ,提高了计算 效率 ,并且不要求初始群体的多样性 ,也不存在“早 熟收敛”问题 ,并且李茂军等对 PGA 的全局收敛性 进行了研究 ;文献证明 PGA 在列车占线问题、模式 聚类问题、车辆路径问题和物流配送问题等组合优 化问题的求解中明显优于传统遗传算法( TGA) . 211 编码方案 单亲遗传算法采用序号编码方式 ,对于 n台设备 t 时期的动态设备布局问题(DPLP) ,先把单期的多行静 态布局按照设备从上到下从左到右的顺序进行编码 , 然后再按时期数将各期的静态布局编码顺序串接起 来.以 6 台(2 ×3)设备 P期为例 ,v= [2 3 6 1 4 5| 1 2 3 4 5 6| …| 4 6 1 5 3 2]代表一个动态设备布局的染色体 串 ,图 2 描述了其编码方法(以第 P期为例) . 第 1 期 李 波 ,等 :基于单亲遗传算法的动态设备布局仿真研究 · 57 ·
·76· 智能系统学报 第2卷 第P期 按顺序串接起来，得到子代个体（见图3）.这种遗传 操作的优点是，换位完成后，子代个体仍然是合法个 体，因为基因换位只是在每个单期布局子串上进行 (而每个单期布局子串都是一个合法的静态设备布 局方案)，而且实现起来十分便捷 461532 ×10 88r 8.6 …平均总成本 图2编码方法 最优总成本 8.4 Fig 2 Code 82 8.0 2.2评价函数 78 由于DPLP求的是目标函数的极小值.而GA 7.6 7.4 选择操作是保留适应度最大的个体，因而目标函数 72 不能直接作评价函数.因此，评价函数fw(v),如式 7.0 2030 40 50 (5)定义： 进化代数/代 1 fx(vA)=1+F(vA) (5) 图36台设备5期问题的收敛过程 "是一个染色体，代表某一种设备布置方案， Fig 3 Convergence of 6 plant 5period problem F(v代表布置v的总成本（包括每期的物流成本 这里提出的基因换位遗传操作与CVGA及 和设备移动成本). NLGA的交叉遗传操作完全不同.CVGA对2个个 2.3初始种群的产生 体用单点交叉(single point crossover)a).首先，从 本算法初始种群随机产生，具体过程如下： 父代染色体中随机选择2个，然后随机选择一个点 1)构造一维自然数数组a1a=123…n],(1, 进行交叉.尽管这种交叉操作很简单而且容易执行， 2,n代表设备编号)； 但可能会生成不可行的个体，必须改成可行的.例 2)随机选择a中一个元素存入v1x的1位置； 如：对于2个个体123456和125643，如果在第6个 3)删除a1×m中被选中的元素及其存储空间，即 位置交叉，就会产生2个新个体123453和125646. 变为a1×刘m.v=134…n](例如上一步选中元素 第1个个体中设备3出现2次，第2个个体中设备6 2. 出现2次，还要进行进一步的交换使它们可行，这无 重复执行，直到a为空，得到一个合法单期设备 疑增加了算法的复杂度.NLGA使用点对点交叉 布局子串ⅴ，然后把P(时期数)个单期布局子串按 (point-to-point crossover)s),2个串中每个位置上 顺序串接起来即得到DPLP的一个初始布局染色 的相应设备交换，生成许多子代设备布局(child lay 体 out),这样的结果是有些子代非法，但能保证部分子 2.4单期布局子串的基因换位操作 代可行，同样需要进行可行性检验（而且检验的运算 PGA的遗传操作包括基因换位、基因倒位、基 量很大).HGA采用DP方法进行交叉1，虽然保证 因移位等.单点基因换位是一次在一个个体上随机 了子代的可行性，当问题规模较大时，同样会遇到 选择2个位置的基因进行交换；多点基因换位是指， Rosenblatt提出的DP启发式算法遇到的问题，也 对预先给定的正整数w,取随机数i1(1≤)一次 就是将所有可行的单期静态布局全部纳入考虑范围 交换i对基因.该算法采用多点基因换位算子，w取 会很困难：不但操作较复杂，而且当选出的父代个数 int[设备台数/3]经验值) 为S=10时，一次DP交叉就要比较900个结果，交 I)基于PGA的单期布局子串基因换位 叉1000次的计算量可想而知，虽然这样交叉产生的 由于动态设备布局问题(DPLP)的特殊性，基 子代质量更好，但耗费的时间成本较高」 于PGA基因换位的原理，算法提出了一种适用于 2)单期布局子串基因换位概率的选择 DPLP的染色体单期布局子串的基因换位操作算 这里说的换位概率与传统GA中的交叉概率有 子.这种基因换位操作是先把一个DPLP的染色体 所不同，甚至与一般的PGA中的基因换位概率也 (父代个体)分解为单期的子串，然后在每个单期子 不尽相同.因为DPLP问题的特殊性，为了保证子 串上进行基因换位操作，换位完成后再把单期子串 代的可行性，在父代个体的每个单期子串上进行基 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
第 P 期 4 6 1 5 3 2 ↓ 4 6 1 5 3 2 图 2 编码方法 Fig12 Code 212 评价函数 由于 DPL P 求的是目标函数的极小值 ,而 GA 选择操作是保留适应度最大的个体 ,因而目标函数 不能直接作评价函数. 因此 ,评价函数 f N ( vk ) ,如式 (5) 定义 : f N ( vk ) = 1 1 + F( vk ) . (5) vk 是一个染色体 ,代表某一种设备布置方案 , F( vk ) 代表布置 vk 的总成本 (包括每期的物流成本 和设备移动成本) . 213 初始种群的产生 本算法初始种群随机产生 ,具体过程如下 : 1) 构造一维自然数数组 a1 ×n = [1 2 3 …n] , (1 , 2 , …, n 代表设备编号) ; 2) 随机选择 a 中一个元素存入 v1 ×n的 1 位置; 3) 删除 a1 ×n中被选中的元素及其存储空间 ,即 变为 a1 ×( n - 1) = [1 3 4 … n ] (例如上一步选中元素 2) . 重复执行 ,直到 a 为空 ,得到一个合法单期设备 布局子串 v,然后把 P(时期数) 个单期布局子串按 顺序串接起来即得到 DPL P 的一个初始布局染色 体. 214 单期布局子串的基因换位操作 PGA 的遗传操作包括基因换位、基因倒位、基 因移位等. 单点基因换位是一次在一个个体上随机 选择 2 个位置的基因进行交换 ;多点基因换位是指 , 对预先给定的正整数 uc ,取随机数 i(1 ≤i ≤uc ) 一次 交换 i 对基因. 该算法采用多点基因换位算子 , uc 取 int[设备台数/ 3 ](经验值) . 1) 基于 PGA 的单期布局子串基因换位 由于动态设备布局问题 (DPL P) 的特殊性 ,基 于 PGA 基因换位的原理 ,算法提出了一种适用于 DPL P 的染色体单期布局子串的基因换位操作算 子. 这种基因换位操作是先把一个 DPL P 的染色体 (父代个体) 分解为单期的子串 ,然后在每个单期子 串上进行基因换位操作 ,换位完成后再把单期子串 按顺序串接起来 ,得到子代个体(见图 3) . 这种遗传 操作的优点是 ,换位完成后 ,子代个体仍然是合法个 体 ,因为基因换位只是在每个单期布局子串上进行 (而每个单期布局子串都是一个合法的静态设备布 局方案) ,而且实现起来十分便捷. 图 3 6 台设备 5 期问题的收敛过程 Fig13 Convergence of 6 plant 5period problem 这里提出的基因换位遗传操作与 CV GA 及 NL GA 的交叉遗传操作完全不同. CV GA 对 2 个个 体用单点交叉 (single point crossover) [4 ] . 首先 ,从 父代染色体中随机选择 2 个 ,然后随机选择一个点 进行交叉. 尽管这种交叉操作很简单而且容易执行 , 但可能会生成不可行的个体 ,必须改成可行的. 例 如 :对于 2 个个体 123456 和 125643 ,如果在第 6 个 位置交叉 ,就会产生 2 个新个体 123453 和 125646. 第 1 个个体中设备 3 出现 2 次 ,第 2 个个体中设备 6 出现 2 次 ,还要进行进一步的交换使它们可行 ,这无 疑增加了算法的复杂度. NL GA 使用点对点交叉 (point2to2point crossover) [5 ] ,2 个串中每个位置上 的相应设备交换 ,生成许多子代设备布局(child lay2 out) ,这样的结果是有些子代非法 ,但能保证部分子 代可行 ,同样需要进行可行性检验(而且检验的运算 量很大) . H GA 采用 DP 方法进行交叉[ 6 ] ,虽然保证 了子代的可行性 ,当问题规模较大时 ,同样会遇到 Rosenblatt 提出的 DP 启发式算法遇到的问题 ,也 就是将所有可行的单期静态布局全部纳入考虑范围 会很困难 ;不但操作较复杂 ,而且当选出的父代个数 为 S = 10 时 ,一次 DP 交叉就要比较 900 个结果 ,交 叉1 000次的计算量可想而知 ,虽然这样交叉产生的 子代质量更好 ,但耗费的时间成本较高. 2) 单期布局子串基因换位概率的选择 这里说的换位概率与传统 GA 中的交叉概率有 所不同 ,甚至与一般的 PGA 中的基因换位概率也 不尽相同. 因为 DPL P 问题的特殊性 ,为了保证子 代的可行性 ,在父代个体的每个单期子串上进行基 · 67 · 智 能 系 统 学 报 第 2 卷
第1期 李波，等：基于单亲遗传算法的动态设备布局仿真研究 ·77 因换位操作，在此，基因换位概率是针对每个单期布 5)PGA 局子串的，而不是针对一个父代个体.试验证明单期 ①精华选择策略：②提出染色体单期布局子串 布局子串换位概率P.取在[0.2,0.4]时较好，而且 基因换位操作算子，可避免不可行解；③没置单期子 在此区间变化时，算法效果差异不大 串基因换位概率，增加种群多样性：④变异功能类似 P取0.2并不是意味着父代种群中只有大约 于NLGA外层循环的功能 20%个体进行上面所说的基因换位操作，而是所有 单期布局子串中约有20%要进行基因换位，例如对 3仿真试验 5期的问题，种群大小为100，P.=0.2,并不是只有 仿真试验分3个部分，包括试验1：Rosenb- 20个左右的个体进行基因换位，而是有100×5× latt21中的算例，一个6台设备(23)5期的动态布 0.2=l00个单期布局子串上要进行基因换位，而约局问题；试验2：Conway和Venkataramanan4中的 100个单期布局子串，随机出现在100个个体的共算例，一个9台设备(33)5期的布局问题；以及试 500个单期布局子串上 验3：对从Dr.Jaydeep Balakrishnan处取得的数据 2.5选择操作 集进行仿真试验.测算时用Matlab编程，在PMl.5 本算法选择操作包括2个部分： 600MHz的机器上运行 )从上一代群体中的N个个体和本次遗传操 3.1试验1 作产生的N个新个体共2N个体中选择适应性较 此问题已知最优解的总成本为71187，文中提 强的N个个体，类似于截断选择法： 出的基于PGA的算法（种群大小400，进化代数50） 2)把1)中选出的N个个体按其适应度值排序， 可以成功搜索到该解（见图3），图4是PGA随机运 最好的个体直接进入下一代（精华策略），其余N- 行20次得到的结果，其中7次得到71187而且得到 1个个体通过轮盘赌进行选择，适应度值高的个体 了更多的最优布置方案.CVGA从随机初始种群无 有更大的机率被选择进入下一代种群 法得到71187的解.Rosenblatt的DP方法得到的 这种选择方法虽然在一定程度上损失了种群的 最优解为71984 多样化，但可以提高算法的搜索效率 72200 2.6变异操作 71800 变异操作是随机产生新的染色体个体，以概率 71400 Pm小于0.1)替换种群中较差的个体，然后进入下 71000 68101214161820 一代. 运行次数/次 2.7各种启发式方法在搜索操作策略方面的异同 图46台设备5期问题PGA20次运行结果 1)CVGA Fig 4 Result of PGA to 6 plant 5 period problem ①遗传操作采用单点交叉；②精华选择策略；③ 由图3的一次收敛过程看到，PGA算法在迭代 抑制性可行性判断 25代前收敛，图4中7次收敛于71187的平均收敛 2)NL GA 代数小于35代，说明了算法的效率.对于此问题 ①基于内外嵌套循环，内层实现GA操作，外层 CVGA在文献中没有给出其最优解对应的布局方 随机产生新个体来替换内层遗传操作后的差的个 案，SA得到的最优布局染色体为：p=135246 体，②GA操作采用点对点交叉；③交叉后采用抑制 135246153246153246653214,PGA算法得到了更 性方法检查可行性，④辅助小概率变异 多的最优布局方案，除了p还有：p1=642531 3)HGA 642531642351642351412356,p=642531642531 ①采用联赛选择方法；②采用乐观交叉方法，③ 642351462351412356等 考虑交叉操作范围：④双亲唯一替代法，⑤启发式 3.2试验2 CRAFT变异方法 此问题最优解未知，CVGA得到的最优总成本 4)SA 为608904（选择较好的个体组成初始种群），文中提 ①采用交换方法生成相邻布局方案；②深用冷 出的算法在初始种群随机产生的情况下可以得到总 却进度表来控制寻优过程，选择合适的初始温度和 成本为608619的布局方案（取种群大小400，进化 冷却率；③2层循环，外层确定参数，内层进行相邻 代数100)，收敛过程见图5.对此问题PGA运行20 布局方案的实现；④Metroplis准则的替代方法 次，得到结果见图6 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
因换位操作 ,在此 ,基因换位概率是针对每个单期布 局子串的 ,而不是针对一个父代个体. 试验证明单期 布局子串换位概率 Pc 取在[ 012 ,014 ]时较好 ,而且 在此区间变化时 ,算法效果差异不大. Pc 取 012 并不是意味着父代种群中只有大约 20 %个体进行上面所说的基因换位操作 ,而是所有 单期布局子串中约有 20 %要进行基因换位 ,例如对 5 期的问题 ,种群大小为 100 , Pc = 012 ,并不是只有 20 个左右的个体进行基因换位 ,而是有 100 ×5 × 012 = 100 个单期布局子串上要进行基因换位 ,而约 100 个单期布局子串 ,随机出现在 100 个个体的共 500 个单期布局子串上. 215 选择操作 本算法选择操作包括 2 个部分 : 1) 从上一代群体中的 N 个个体和本次遗传操 作产生的 N 个新个体共 2 N 个体中选择适应性较 强的 N 个个体 ,类似于截断选择法; 2) 把 1) 中选出的 N 个个体按其适应度值排序 , 最好的个体直接进入下一代(精华策略) ,其余 N - 1 个个体通过轮盘赌进行选择 ,适应度值高的个体 有更大的机率被选择进入下一代种群. 这种选择方法虽然在一定程度上损失了种群的 多样化 ,但可以提高算法的搜索效率. 216 变异操作 变异操作是随机产生新的染色体个体 ,以概率 Pm (小于 011) 替换种群中较差的个体 ,然后进入下 一代. 217 各种启发式方法在搜索操作策略方面的异同 1) CV GA ①遗传操作采用单点交叉 ; ②精华选择策略 ; ③ 抑制性可行性判断. 2) NL GA ①基于内外嵌套循环 ,内层实现 GA 操作 ,外层 随机产生新个体来替换内层遗传操作后的差的个 体 ; ②GA 操作采用点对点交叉 ; ③交叉后采用抑制 性方法检查可行性 ; ④辅助小概率变异. 3) H GA ①采用联赛选择方法 ; ②采用乐观交叉方法 ; ③ 考虑交叉操作范围 ; ④双亲唯一替代法 ; ⑤启发式 CRA F T 变异方法. 4) SA ①采用交换方法生成相邻布局方案 ; ②采用冷 却进度表来控制寻优过程 ,选择合适的初始温度和 冷却率 ; ③2 层循环 ,外层确定参数 ,内层进行相邻 布局方案的实现 ; ④Metroplis 准则的替代方法. 5) PGA ①精华选择策略 ; ②提出染色体单期布局子串 基因换位操作算子 ,可避免不可行解 ; ③设置单期子 串基因换位概率 ,增加种群多样性 ; ④变异功能类似 于 NL GA 外层循环的功能. 3 仿真试验 仿真试验分 3 个部分 ,包括试验 1 : Rosenb2 latt [ 2 ]中的算例 ,一个 6 台设备(2 ×3) 5 期的动态布 局问题 ;试验 2 :Conway 和 Venkataramanan [4 ] 中的 算例 ,一个 9 台设备(3 ×3) 5 期的布局问题 ;以及试 验 3 :对从 Dr1 J aydeep Balakrishnan 处取得的数据 集进行仿真试验. 测算时用 Matlab 编程 ,在PM2115 600 M Hz 的机器上运行. 311 试验 1 此问题已知最优解的总成本为 71187 ,文中提 出的基于 PGA 的算法(种群大小 400 ,进化代数 50) 可以成功搜索到该解(见图 3) ,图 4 是 PGA 随机运 行 20 次得到的结果 ,其中 7 次得到 71187 而且得到 了更多的最优布置方案. CV GA 从随机初始种群无 法得到 71187 的解. Rosenblatt 的 DP 方法得到的 最优解为 71984. 图 4 6 台设备 5 期问题 PGA20 次运行结果 Fig14 Result of PGA to 6 plant 5 period problem 由图 3 的一次收敛过程看到 ,PGA 算法在迭代 25 代前收敛 ,图 4 中 7 次收敛于 71187 的平均收敛 代数小于 35 代 ,说明了算法的效率. 对于此问题 CV GA 在文献中没有给出其最优解对应的布局方 案 , SA 得 到 的 最 优 布 局 染 色 体 为 : p = 135246 135246 153246 153246 653214 ,PGA 算法得到了更 多的 最 优 布 局 方 案 , 除 了 p 还 有 : p1 = 642531 642531 642351 642351 412356 , p2 = 642531 642531 642351 462351 412356 等. 312 试验 2 此问题最优解未知 ,CV GA 得到的最优总成本 为 608904 (选择较好的个体组成初始种群) ,文中提 出的算法在初始种群随机产生的情况下可以得到总 成本为 608619 的布局方案 (取种群大小 400 ,进化 代数 100) ,收敛过程见图 5. 对此问题 PGA 运行 20 次 ,得到结果见图 6. 第 1 期 李 波 ,等 :基于单亲遗传算法的动态设备布局仿真研究 · 77 ·
·78 智能系统学报 第2卷 7210 540000 ◆-PGA 平均总成本 延 一最优总成本 520000 500000 失x朵与 ■-CVGA 7.0 NLGA 480000 ￥-HGA 460000 68A 2345678 一SA 15台设备5期 6.6 图915台设备5期问题结果比较 6.4 Fig 9 Comparison of 15 plant 5 period problem 6.2 21100000 ◆-PGA 6.0%10203049060708090100 过，060000n110年1 ■-CVGA 士-NLGA 进化代数/代 HGA 950000 图59台设备5期问题的收敛过程 12345678米-SA Fig 5 Convergence of 9 plant 5 period problem 15台设备10期 图1015台设备10期问题结果比较 614000 612000 Fig 10 Comparison of 15 plant 10 period problem 610000 10 15 20 延700000 ◆-PGA 运行次数/次 4650000 ■CVGA 60000 ±-NLGA 安550000 ￥-1HGA 图69台设备5期问题PGA20次运行结果 500000 12345678 米-SA Fig 6 Result of PGA to 9 plant 5 period problem 30台设备5期/无单位 对于问题2，PGA得到的最优布局方案为：p= 图1130台设备5期问题结果比较 894321756698531427693541827629531748 Fig 11 Comparison of 30 plant 5 period problem 728631945.SA虽然得到成本值为607421的方案， ◆-PGA 但是代入检验发现并不正确 1400000 1300000 量数督量一■ 量-CVGA 3.3试验3 1200000 本-NLGA 1100000 HGA Dr.Jaydeep Balakrishnan的数据集包括6台设备5 1000000 米一SA 12345678 期10期：15台设备5期10期：30台设备5期10期各8 30台设备10期 个问题（共48个问题）的物流量和移动成本数据.这里主 要从问题规模对算法收敛精度影响和相关时间复杂度2 方面用实验来分析比较了它们的性能 图1230台设备10期问题结果比较 首先是比较了PGA与其他算法在问题规模方 Fig 12 Comparison of 30 plant 10 period problem 面对收敛精度性能的影响.比较见图7~12(HGA 通过实验可以看出，对于小规模问题，PGA可 使用初始种群随机产生得出的结果81，SA采用更 以得到最优解；但随着问题规模增大，PGA性能处 正后的结果) 于5种方法的中部.CVGA和预期的相同，性能最 112000 ◆-PGA 差；而NLGA次之.对15台5期问题，HGA性能和 量-CVGA ▲NLGA PGA类似，随着问题规模增大，性能略好于PGA. 104000 -HGA 由以上比较可以看出，PGA在大部分情况下可以得 100000 2345678 米-SA 到较优的结果，只有在30台设备10期情况下略差 10台设备5期 于HGA和SA. 图76台设备5期问题结果比较 进一步，实验中衡量的指标是各种问题规模下 Fig 7 Comparison of 6 plant 5 period problem 的时间复杂度.通过前面的原理分析，显然同等问题 ◆一PGA 规模下，HGA和NLGA时间复杂度远高于PGA, 230000 220000 零是果二及深 量-CVGA 但收敛性能PGA和HGA相差不大.这里我们主要 210000 本-NLGA 200000 HGA 比较了PGA和SA的时间复杂度性能（因为只有 190000 2345678 SA SA给出了运行时间).PGA与SA运行平均时间的 6台设备10期 比较见图13」 图86台设备10期问题结果比较 定义PGA得到的最优成本较SA的相对增长 Fig 8 Comparison of 6 plant 10 period problem 率（相对成本增长率）为 C 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
图 5 9 台设备 5 期问题的收敛过程 Fig15 Convergence of 9 plant 5 period problem 图 6 9 台设备 5 期问题 PGA20 次运行结果 Fig16 Result of PGA to 9 plant 5 period problem 对于问题 2 ,PGA 得到的最优布局方案为 : p = 894321756 698531427 693541827 629531748 728631945. SA 虽然得到成本值为 607421 的方案 , 但是代入检验发现并不正确. 313 试验 3 Dr. Jaydeep Balakrishnan 的数据集包括 6 台设备 5 期 10 期;15 台设备 5 期 10 期;30 台设备 5 期 10 期各 8 个问题(共 48 个问题)的物流量和移动成本数据.这里主 要从问题规模对算法收敛精度影响和相关时间复杂度 2 方面用实验来分析比较了它们的性能. 首先是比较了 PGA 与其他算法在问题规模方 面对收敛精度性能的影响. 比较见图 7～12 ( H GA 使用初始种群随机产生得出的结果[8 ] ,SA 采用更 正后的结果[10 ] ) . 图 8 6 台设备 10 期问题结果比较 Fig18 Comparison of 6 plant 10 period problem 图 7 6 台设备 5 期问题结果比较 Fig17 Comparison of 6 plant 5 period problem 图 9 15 台设备 5 期问题结果比较 Fig19 Comparison of 15 plant 5 period problem 图 10 15 台设备 10 期问题结果比较 Fig110 Comparison of 15 plant 10 period problem 图 11 30 台设备 5 期问题结果比较 Fig111 Comparison of 30 plant 5 period problem 图 12 30 台设备 10 期问题结果比较 Fig112 Comparison of 30 plant 10 period problem 通过实验可以看出 ,对于小规模问题 ,PGA 可 以得到最优解 ;但随着问题规模增大 ,PGA 性能处 于 5 种方法的中部. CV GA 和预期的相同 ,性能最 差 ;而 NL GA 次之. 对 15 台 5 期问题 , H GA 性能和 PGA 类似 ,随着问题规模增大 ,性能略好于 PGA. 由以上比较可以看出 ,PGA 在大部分情况下可以得 到较优的结果 ,只有在 30 台设备 10 期情况下略差 于 H GA 和 SA. 进一步 ,实验中衡量的指标是各种问题规模下 的时间复杂度. 通过前面的原理分析 ,显然同等问题 规模下 , H GA 和 NL GA 时间复杂度远高于 PGA , 但收敛性能 PGA 和 H GA 相差不大. 这里我们主要 比较了 PGA 和 SA 的时间复杂度性能 (因为只有 SA 给出了运行时间) . PGA 与 SA 运行平均时间的 比较见图 13. 定义 PGA 得到的最优成本较 SA 的相对增长 率(相对成本增长率) 为 · 87 · 智 能 系 统 学 报 第 2 卷
第1期 李波，等：基于单亲遗传算法的动态设备布局仿真研究 ·79 6000 lems and the location of economic activities [J ]Econo- 34000 ◆PGA metrica,1957(25):53.76. 2000 SA [2]ROSENBLATT M J.The dynamics of plant layout [J ] 6 0 合5期 30台10期 /5a Management Science,1986(37):272-286. [3]KUSIA K A,HERA GU S S.The facility layout problem 问题规 [J ]European Journal of Operational Research,1987 (29):229.251. 图13PGA、SA运行时间比较 [4]CONWA Y D G,VEN KATARAMANAN M A.Genetic Fig 13 Time comparison of PGA and SA search and the dynamic facility layout problem[J].Com- A=(C_PGA_c_SA)/c-PGA.(6) puters and Operations Research,1994,21(8):955- 式中：cPGA和cSA分别代表PGA和SA得到的 960. [5]BALA KRISHNAN J,CHEN G C H.Genetic search and 最优成本.△在相同规模问题时的平均值如图14所 the dynamic layout problem:an improved algorithm [J]. 示 Computers and Operations Research,2000(27):587- 593. [6]KA KU B,MAZZOLA J B,A tabur search heuristic for ◆一相对成本增长率 the plant layout problem [J ]INFORMS Journal on Computing,1997,9(4):374-384. 10期 5期 15 30台5期 5台1 30台10期 [7]BA YKASOGU A,NABIL N Z,GIND Y.A simulated 2 6 annealing algorithm for the dynamic layout problem [J]. 问题规模 Computers and Operations Research,2001(28):1403- 1426. 图14相同规模问题的相对成本增长率 [8]BALA KRISHNAN J,CHENG,C H.A hybrid genetic Fig 14 Relative cost growth rate algorithm for the dynamic plant layout problem [J ]In 从图13、14可以看到PGA运行时间随问题规 ternational Journal of Production Economics,2003(86): 模增大而增加的程度远小于SA.在大多数情况下 107.120 PGA能在可以接受的时间内得到更好的优化解.虽 [9]李茂军，童调生.单亲遗传算法及其应用研究U].湖南 然PGA在大规模设备布置问题中的优化解质量不 大学学报，1998,25(6)：56·59. 如SA,但PGA的时间成本随着问题规模的增加， LI Maojun,TONG Tiaosheng.Partheno-genetic algo- rithm and its application [J ]Journal of Hunan Universi- 时间增长率远远小于SA,在30台5期的8个问题 ty,1998,25(6):56.59. 中，PGA花费的平均时间仅仅是SA的19.66%；而 [10]BA YKASOGU A,NABIL N Z.GINDY.Erratum to 在30台10期的8个问题中也只有22.87%，得到 A simulated annealing algorithm for dynamic layout 的最优成本只增加了不到4%.因此，在解决具体问 problem[J ]Computers Operation Research,2004, 题时，还要综合考虑时间成本和优化结果的质量，来 (31):313.315. 对算法进行选择」 作者简介： 李波，女，1967年生，教授，主要 4结束语 研究方向为物流系统规划、物流系统调 通过PGA算法对算例问题的实验运行，可以 度、智能计算与建模.发表学术论文30 看出PGA用于顺序编码的组合优化问题比较一般 多篇，EI检索论文9篇，参与编写教材 GA还是有一定优势的，其时间增加程度一般小于 3部. 其他算法.但在实验中发现，PGA随着编码长度的 Email libo0410 @yahoo.com.cn. 增加（问题规模的扩大）性能下降，所以对大规模设 备布局问题的布置计算，从种群多样性和时间代价 方面来看，应该进一步考虑降低时间复杂度并且增 邱枫，男，1979年生，硕士研究 大搜索空间的算法，这将是下一步研究的目标， 生，主要研究方向为物流与供应链管理、 物流系统规划」 参考文献 E mail qf ll @126.com [1]KOOPMANS T C,BECKMAN M.Assignment prob- 1994-2008 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net
图 13 PGA、SA 运行时间比较 Fig113 Time comparison of PGA and SA Δ = ( C PGA c S A ) / c PGA . (6) 式中 :c_PGA 和 c_SA 分别代表 PGA 和 SA 得到的 最优成本.Δ在相同规模问题时的平均值如图 14 所 示. 图 14 相同规模问题的相对成本增长率 Fig114 Relative cost growth rate 从图 13、14 可以看到 PGA 运行时间随问题规 模增大而增加的程度远小于 SA. 在大多数情况下 PGA 能在可以接受的时间内得到更好的优化解. 虽 然 PGA 在大规模设备布置问题中的优化解质量不 如 SA ,但 PGA 的时间成本随着问题规模的增加 , 时间增长率远远小于 SA ,在 30 台 5 期的 8 个问题 中 ,PGA 花费的平均时间仅仅是 SA 的 19166 % ;而 在 30 台 10 期的 8 个问题中也只有 22187 % ,得到 的最优成本只增加了不到 4 %. 因此 ,在解决具体问 题时 ,还要综合考虑时间成本和优化结果的质量 ,来 对算法进行选择. 4 结束语 通过 PGA 算法对算例问题的实验运行 ,可以 看出 PGA 用于顺序编码的组合优化问题比较一般 GA 还是有一定优势的 ,其时间增加程度一般小于 其他算法. 但在实验中发现 ,PGA 随着编码长度的 增加(问题规模的扩大) 性能下降 ,所以对大规模设 备布局问题的布置计算 ,从种群多样性和时间代价 方面来看 ,应该进一步考虑降低时间复杂度并且增 大搜索空间的算法 ,这将是下一步研究的目标. 参考文献 : [1 ] KOOPMANS T C , BECKMAN M. Assignment prob2 lems and the location of economic activities [J ]. Econo2 metrica , 1957 (25) :53 - 76. [2 ]ROSENBLA TT M J. The dynamics of plant layout [J ]. Management Science , 1986 (37) :272 - 286. [3 ] KUSIA K A , HERA GU S S. The facility layout problem [J ]. European Journal of Operational Research , 1987 (29) :229 - 251. [4 ]CONWA Y D G, VEN KA TARAMANAN M A. Genetic search and the dynamic facility layout problem[J ]. Com2 puters and Operations Research , 1994 , 21 ( 8) : 955 - 960. [5 ]BALA KRISHNAN J , CHEN G C H. Genetic search and the dynamic layout problem : an improved algorithm [J ]. Computers and Operations Research , 2000 (27) : 587 - 593. [6 ] KA KU B , MAZZOLA J B , A tabu2search heuristic for the plant layout problem [J ]. INFORMS Journal on Computing , 1997 ,9 (4) :374 - 384. [7 ]BA YKASO GLU A , NABIL N Z , GIND Y. A simulated annealing algorithm for the dynamic layout problem [J ]. Computers and Operations Research , 2001 (28) : 1403 - 1426. [8 ]BALA KRISHNAN J , CHEN G, C H. A hybrid genetic algorithm for the dynamic plant layout problem[J ]. In2 ternational Journal of Production Economics , 2003 (86) : 107 - 120. [9 ]李茂军 ,童调生. 单亲遗传算法及其应用研究[J ]. 湖南 大学学报 ,1998 ,25 (6) : 56 - 59. L I Maojun , TON G Tiaosheng. Partheno2genetic algo2 rithm and its application [J ]. Journal of Hunan Universi2 ty , 1998 , 25 (6) : 56 - 59. [10 ]BA YKASO GLU A , NABIL N Z. GIND Y. Erratum to A simulated annealing algorithm for dynamic layout problem[J ]. Computers & Operation Research , 2004 , (31) :313 - 315. 作者简介 : 李 波 ,女 ,1967 年生 ,教授 ,主要 研究方向为物流系统规划、物流系统调 度、智能计算与建模. 发表学术论文 30 多篇 , EI 检索论文 9 篇 ,参与编写教材 3 部. E2mail : libo0410 @yahoo. com. cn. 邱 枫 ,男 , 1979 年生 ,硕士研究 生 ,主要研究方向为物流与供应链管理、 物流系统规划. E2mail : qf_ll @126. com. 第 1 期 李 波 ,等 :基于单亲遗传算法的动态设备布局仿真研究 · 97 ·
