基于改进遗传算法的多目标柔性车间调度优化研究

1 引言

随着全球制造业向智能化、个性化转型，传统刚性生产模式已难以适应市场需求。柔性制造系统因其高适应性与资源利用率成为现代生产的核心。车间调度直接决定生产效率与成本。在柔性车间环境中，同一工序可在多台可选机器上加工，且加工时间可能随设备性能而异，这种特性在提升生产灵活性的同时，也使调度问题的复杂性呈指数级增长。

实际生产中，调度决策需同时权衡最大完工时间、机器总负载、总能耗、生产成本等多个目标，这些目标往往相互冲突。例如，缩短完工时间可能导致机器负载过高，增加能耗。因此，多目标优化成为解决柔性作业车间调度问题的必然选择。遗传算法因其强大的全局搜索能力被广泛用于多目标优化，但标准遗传算法存在早熟收敛、收敛速度慢、难以保持解集多样性等问题。本文提出一种改进遗传算法，有效解决了多目标优化中的平衡问题。研究不仅关注最小化完工时间，还引入机器负载均衡指标，显著提升资源利用效率。

2 多目标柔性车间调度问题建模

2.1 问题定义与复杂性分析

柔性作业车间调度问题的复杂性源于三个方面。首先解空间巨大，机器选择的自由度导致解空间呈指数级增长。对于包含 n 个工件，每个工件含 m 道工序，和 k 台机器的柔性作业车间调度问题，其解空间规模远超传统作业车间。其次，不同优化目标的量纲和取值范围存在显著差异。例如最大完工时间以时间单位衡量，而机器负载均衡度则是 0-1 范围内的无量纲指标。最后，多个优化目标之间常存在此消彼长的竞争关系。最小化最大完工时间通常要求将工序集中在高性能机器上，但这会导致设备负载不均；而过度强调负载均衡可能延长整体生产周期。

2.2 多目标优化柔性作业车间调度数学模型本文构建的数学模型包含以下核心要素：

（1）决策变量：

① xi,j,k：二元变量，表示工序 O_i,j 是否在机器k 上加工；② si,j：工序 O_i,j 的开始时间；③ C_max ：最大完工时间；④ Uk：机器k 的负载率。（2）目标函数：① 最小化最大完工时间： f1=minC_max ② 均衡化机器使用率： , 其中 U 为平均机器负载率， U_k= 机器 k 总加工时间 /Cmax

（3）约束条件：工序顺序约束、机器唯一性约束、时间非负约束等。

2.3 改进遗传算法策略

为解决标准遗传算法的缺陷，本文进行如下改进：

（1）编码与解码：采用“工序序列 + 机器分配”的双层编码方式，确保解的有效性；

（2）选择操作：采用锦标赛选择与精英保留策略相结合，平衡选择压力与种群多样性；

（3）交叉操作：针对工序序列，采用交叉算子，有效继承父代的优良时序特征；针对机器分配，采用多点交叉；

（4）变异操作：引入基于瓶颈工序识别的邻域搜索变异。首先识别当前调度中的瓶颈机器或工序，有针对性地进行机器替换或工序重排，显著提升局部搜索效率；

（5）适应度函数与Pareto 排序：采用带精英策略的快速非支配

114 2025第20期

排序并结合拥挤度计算，用于评价个体的优劣，确保解集在 Pareto前沿分布均匀。

（6）自适应机制：交叉概率和变异概率根据种群收敛程度自适应调整，在进化初期保持较高多样性，后期增强局部开发能力。

3 实验与结果分析

3.1 实验设计

为验证算法有效性，采用某车间实际生产数据进行验证，包含10 个工件和 6 台机器，每个工件有 3-5 道工序，每道工序可在 1 到6 台机器上选择加工，加工时间各不相同，加工时间在5 到30 个时间单位。

本实验设计实现基于改进遗传算法的多目标优化算法，通过双层编码、POX 交叉操作、基于瓶颈工序的变异操作、快速非支配排序和拥挤度计算以及精英保留策略，得到调度甘特图以显示每个机器上的工序安排，并通过帕累托前沿展示多目标优化的最优解集，通过进化过程显示算法收敛情况，通过收敛曲线展示各代最佳值和平均值的变化。算法使用 Python 3.9 实现，运行环境为 Windows 10。

3.2 结果分析

算法运行100 代，种群规模为50，最终得到了令人满意的优化结果。完工时间收敛如左图所示，蓝色实线表示最佳完工时间，在约 40 代后迅速下降并逐渐趋于稳定，表明算法快速找到了更优的解。蓝色虚线表示平均完工时间，其紧随其后，说明整个种群的质量在同步提升，未出现早熟收敛。负载均衡收敛如右图所示，红色实线表示最佳负载均衡，其在整个进化过程中波动下降，在 60 代左右达到较优状态。这表明算法在优化完工时间的同时，也在持续探索负载更均衡的调度方案。

结果证明，本文提出的基于改进遗传算法的多目标优化模型搜索效率高、稳定性好，能够有效地协调冲突目标的优化。其不仅能有效求解理论问题，更能在实际生产环境中发挥价值，提升生产效率与资源利用率。

4 结论与展望

本文系统研究了多目标柔性车间调度优化问题，并提出了一个基于改进遗传算法的多目标优化模型。在理论层面构建了综合考虑效率、负载、成本的多目标优化模型，更贴合绿色智能制造需求。在方法层面设计了融合 POX 交叉及自适应机制的多策略改进遗传算法，有效提升了求解质量和效率。在应用层面通过车间数据实证，验证了算法的实用性和有效性。

未来工作将集中于研究更复杂的动态随机扰动，如紧急订单、机器故障下的实时调度，并进一步探索将深度学习与强化学习嵌入算法框架，实现更智能的自适应优化。

参考文献

[1] 金秋, 王清岩, 原博文. 基于改进遗传算法的柔性作业车间调度研究 [J]. 制造技术与机床 ,2024,(04):167-172.

[2] 杨红雄 , 王惠酩 . 麻雀搜索算法解决柔性作业车间调度问题 [J].制造技术与机床 ,2022(7):158-164.

[3] 唐艺军 , 李雪 . 基于改进混合遗传算法的柔性车间调度问题研究 [J]. 现代制造工程 ,2023,(10):8-14.岳阳市科技局基础研究计划项目 2024091100012 多目标约束下基于改进遗传算法的柔性生产车间调度优化研究

作者简介：李亭立，女，人，1997 年 1 月，硕士，中级工程师，。