CC BY
78УДК 519.16
Е.А. Кумагина, Е.А. Неймарк РАЗРАБОТКА ГИБРИДНОГО АЛГОРИТМА РЕШЕНИЯ ЗАДАЧИ УПОРЯДОЧЕНИЯ
Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского
Рассмотрена ЫР--трудная задача построения оптимального по быстродействию расписания выполнения работ в системе конвейерного типа. Представлены точный, эвристический и гибридный подходы к ее решению. Подход к решению задачи оптимизации работы в системе конвейерного типа основан на методе ветвления и связывания с целью уменьшения затрат на вычислительные потери без потери оптимального решения. Рассмотрен гибридный подход, основанный на методе ветвей и границ, а также использующий генетический алгоритм для формирования начального решения и получения верхней оценки.
В ходе вычислительного эксперимента оценивается сокращение числа рассматриваемых вершин в дереве решений метода ветвей и границ. Показано, что гибридные подходы уменьшают количество вершин дерева решений метода ветвей и границ. Приведены результаты, показывающие высокую точность приближенных решений и эффективность предложенного гибридного алгоритма.
Ключевые слова: метод ветвей и границ, эволюционно-генетический алгоритм, гибридный алгоритм, задача упорядочения.
Введение
В теории расписаний основной фокус исследования сосредоточен на вопросах оптимального распределения и упорядочения конечного числа требований, которые обслуживаются детерминированными (входные параметры известны заранее) или стохастическими (значения параметров носят вероятностный характер) системами с одним или несколькими приборами. Задачи теории расписания конвейерного типа относятся к классу задач упорядочения множества работ на множестве станков, которые имеют не только большую теоретическую ценность, но и широкое практическое применение во многих инженерных и управленческих задачах. Ресурсы конвейерной системы состоят из набора обслуживающих станков (машин, процессоров, приборов). В зависимости от особенностей задачи они являются либо идентичными, либо одинаковыми только по функциональным возможностям, но разными по быстродействию, либо различными как по возможностям, так и по быстродействию. Для решения задачи конвейерного типа необходимо найти последовательность выполнения работ, при которой значение критерия будет оптимальным. Число допустимых решений этой задачи п. Конвейерная задача может формулироваться как задача минимизации общего времени выполнения всех работ на всех станках.
Использование эвристических алгоритмов для решения таких трудоемких задач зарекомендовало себя достаточно хорошо: при помощи эвристик (в частности, эволюционно-генетического алгоритма) можно получить решения приемлемого качества при незначительных вычислительных и временных затратах [1-3]. При работе с задачей упорядочения эво-люционно-генетический алгоритм (ЭГА) может использоваться как самостоятельный алгоритм для улучшения ранее полученных решений (например, при помощи жадных алгоритмов), для поиска улучшенных начальных точек ветвления или для оценки верхней границы в методе ветвей и границ. При этом необходимо принимать во внимание, что применение эвристик не гарантирует получения оптимальных решений. В данной работе дающий точное решение эволюционно-генетический алгоритм применяется для ускорения работы метода ветвей и границ.
© Кумагина Е.А., Неймарк Е.А.
Содержательная постановка задачи
Рассмотрим одну из задач теории расписаний - задачу упорядочения работ в системе конвейерного типа. Она формулируется следующим образом: работы множества N={1,2,...,n} подлежат выполнению. Для выполнения работ предоставляются станки множества M={1,2,...,m}. Работа считается выполненной, если она прошла выполнение последовательно на m-станках, начиная с первого. Для каждой работы известно время ее выполнения на каждой машине. Технологические условия выполнения работ состоят в следующем:
• на одной машине одновременно может выполняться только одна работа;
• процесс выполнения работы протекает непрерывно;
• выполнение работы на следующем станке может начаться не раньше, чем завершится ее выполнение на предыдущем станке;
• все работы доступны сразу;
• порядок выполнения работ на станках одинаковый.
Требуется построить оптимальное (минимальное) по быстродействию расписание.
Математическая модель
Исходные параметры.
N={1, 2,..., n} - множество работ;
M={1, 2,..., m} - множество станков;
T= Ц tj Hmxn, - матрица времен выполнения работ на станках, где tj - время выполнения работы j на станке i, i=1,m , j=1,n.
Варьируемые параметры модели.
Обозначим через 7Г=(лц, 72,., 7n) последовательность выполнения работ, где щ- номер по порядку выполнения работы j, j= 1,n.
Обозначим через Y= faij IImxn матрицу времен окончания выполнения, где уц - время окончания выполнения j-ой работы на станке i, i=1,m, j=1,n.
Ограничения математической модели.
Выполнение работы на станке может начаться не раньше, чем завершится выполнение любой работы, выполняющейся раньше ее на этом станке (1):
yij>yik+tik, (1)
если 7k<7j, i=1,m, j=1,n, k=1,n.
Выполнение работы на очередном (в порядке обслуживания) станке начинается после завершения ее выполнения на предыдущем станке (2):
_ yij> у i-1 j+t i-1 j, (2)
если i= 2,m, j=1,n .
Естественные ограничения на введенные переменные (3):
7j^7k, j^k, j=1,n, k=1,n, 7je{1,2,...,n}, yij>0, i=1,m, j=1,n (3)
Постановка оптимизационной задачи
Обозначим через F(Y, щ) момент окончания выполнения последней работы на последнем станке.
Задача нахождения оптимального по быстродействию расписания будет заключаться в определении среди множества допустимых решений (Y и щ удовлетворяют ограничениям (1)-(3)) такого, которое доставляет минимальное значение функционалу F (4):
F(Y, n)=maxymj -min. (4)
Для конвейерных систем вообще получено много результатов [1-6], расписания для них составляются гораздо легче, чем для систем произвольной структуры. Однако эта простота относительна и заключает в себе много проблематичных аспектов. ЫР-трудность конвейерной задачи показана в [7]. Поскольку она относится к классу ЫР-трудных задач, поиск точного решения возможен только для задач небольшой размерности, и разработка эвристических методов является актуальной.
Процедуры метода ветвей и границ для конвейерной задачи
Для решения поставленной задачи предлагается методология ветвей и границ. Чтобы сконструировать такой метод решения задачи, необходимо разработать его индивидуальные и универсальные процедуры. К индивидуальным методам, зависящим от конкретной задачи, относятся процедуры получения верхних и нижних оценок, а также процедуры ветвления. К универсальным процедурам относятся процедура отсева неперспективных направлений и процедура остановки.
При построении дерева решений будем именовать вершины следующим образом: У=(У1, У2,..., Ук, Ук+1,., Уп), где к - уровень дерева, Ук^Ы, уфУгк = 1,п, 1 = 1,п . При этом для первых к-работ порядок выполнения фиксируется и определяется путем в вершину, а для работ, начиная с номера к+1 порядок выполнения не зафиксирован. На первую роль претендуют п-работы. Это п-ветвей, выходящих из корня. Для каждой ветви рассматривается вторая работа из оставшихся при фиксированной первой, и т.д.
Стратегия ветвления.
Для выбора очередной вершины для ветвления выбирается вершина с наименьшей нижней оценкой.
Верхняя оценка.
В качестве верхней оценки выбирается значение критерия на перестановке 7Г=(ж1, ш ..., т, лк+1,.,щ), где работы т, ш ■ ■■, Ш определены путем в вершину (фиксированы), а оставшиеся Шк+1,.,Ш выполняются в лексикографическом порядке.
Нижняя оценка.
В качестве нижней оценки для фиксированных работ Ш1, ш ■■■, Ш строится расписание, находится момент окончания выполнения работы ш, и к этому результату добавляется сумма времён на последнем станке для оставшихся (нефиксированных) работ ш+1,.,шп.
Отсев.
На каждом шаге метода происходит удаление вершин, нижняя оценка которых больше, чем самая меньшая найденная верхняя граница (рекорд).
Остановка.
Остановка метода происходит, когда в дереве решений останется одна вершина, у которой совпадают верхняя и нижняя оценки.
В ходе расчетов сохраняется рекорд: перестановка, на которой достигается минимальная верхняя оценка.
Использование метода ветвей и границ для решения задачи упорядочения работ в конвейерной системе позволяет найти точное решение, однако этот процесс требует больших вычислительных и временных затрат. При данном подходе к решению задачи одной из наиболее критичных операций является получение значения верхней границы, поскольку уменьшение верхней оценки позволит сократить размер дерева решений. Для поиска верхней оценки предлагается использовать эволюционно-генетический алгоритм.
Процедуры генетического алгоритма для конвейерной задачи
Для разработки эволюционно-генетического алгоритма решения конкретной задачи необходимо определить кодировку решений, сопоставить критерий и функцию приспособ-
ленности, определить процедуры мутации, скрещивания и отбора [8]. Работая одновременно с несколькими допустимыми решениями, ЭГА позволяет найти удовлетворительное решение аналитически неразрешимых проблем, зачастую довольно близкое к оптимальному. Алгоритм в ходе работы моделирует процессы популяционной генетики (мутация, скрещивание, отбор и выживание сильнейших). Настройка его эффективности осуществляется за счет последовательного подбора и комбинирования параметров алгоритма [9].
Кодирование решений.
Одним из важных этапов формирования среды для работы ЭГА является выбор способа кодирования решений. Решением конвейерной задачи является перестановка п элементов, соответствующих номерам работ, поэтому целесообразно использовать п-арное кодирование [8]. Каждая позиция в кодирующей строке может принимать одно из значений в пределах от 1 до п. Помимо кодировки, для представления особи необходимо задать ее приспособленность.
Функция приспособленности.
Функция приспособленности в ЭГА играет роль целевой функции, она должна давать оценку кодировки особи для выяснения ее пригодности (полезности). В данной работе функция приспособленности вычисляет по перестановке(кодировке) общее время, требуемое для отработки этой перестановки на всех станках. В классической постановке ЭГА решается задача на максимум, то есть ищется особь, обладающая наибольшей приспособленностью. В рассматриваемом случае нас интересует особь с наименьшей приспособленностью, т.е., решается задача на минимум.
Формирование начальной популяции.
Одним из параметров ЭГА является размер популяции, который не меняется в ходе работы всего алгоритма. В данной работе численность популяции совпадает с количеством работ и равно п. Вторым важным вопросом, связанным с популяцией, является проблема генерации начальной популяции [9]. Основным требованием к начальной популяции является разнообразие базовых особей. В данной работе применяется следующий способ создания начальной популяции. Первая базовая особь - это лексикографическое упорядочение всех номеров работ. Каждая следующая особь получается путем проведения п-1 транспозиции соседних элементов. Таким образом, будет построено п перестановок, наиболее удаленных друг от друга в метрике, предложенной в [2].
Основной цикл ЭГА.
Основной цикл ЭГА состоит в последовательном применении операторов кроссовера, мутации и селекции. В качестве кроссовера применяется оператор PMX [9]. Данный вид кроссовера требует выбора двух родительских особей, которые выбираются из популяции случайно (панмиксия). Оператор мутации производит с указанной вероятностью обмен местами двух случайных генов (элементов) кодировки (перестановки). В качестве оператора селекции используется Бета-турнир. Оператор селекции производит отбор особей из текущей популяции. Для этого из всех полученных в данной популяции особей выбирается случайно в особей (где в - параметр алгоритма), лучшая по приспособленности особь копируется в следующее поколение, отбор и копирование происходит в цикле. Количество циклов совпадает с численностью популяции. Остановка производится по окончании указанного количества поколений, что также является параметром алгоритма.
Гибридный алгоритм
Метод ветвей и границ позволяет получить точное решение, но процесс его нахождения требует весьма больших затрат памяти и времени. ЭГА позволяет найти приближенное решение, но качество алгоритма надо доказывать экспериментально. Целесообразно сочетать сильные стороны обоих подходов. Предполагается, что гибридный подход поможет увеличить эффективность поиска оптимального решения в методе верей и границ за счет умень-
шения времени и количества вычислений. Применение ЭГА возможно, как на этапе формирования начального решения для метода ветвей и границ, так и для вычисления верхней оценки.
В приведенном выше описании метода ветвей и границ в качестве верхней оценки выбиралось значение критерия на перестановке 7С=(т, К2, ■■■, Ш, лк+1, — ,лп), где порядок выполнения первых к работ определялся путем в вершину, а оставшиеся работы выполнялись в лексикографическом порядке. Для сужения области перебора требуется сделать верхнюю оценку в вершинах как можно меньшей. Предлагается использовать «ускоренную» версию ЭГА для поиска решения для незафиксированных работ. В этом случае количество работ у нас сокращено до к<п, тем самым сокращается длина кодировки и размер популяции, что повлияет на общее быстродействие алгоритма.
Вычислительный эксперимент
Для выяснения эффективности разработанного гибридного подхода был проведен вычислительный эксперимент. Был программно реализован генератор задач, задающий данные для конвейерных задач с заданным числом станков в диапазоне [5, 20] и числом работ в диапазоне [10, 50] со случайными целочисленными значениями времен выполнения из диапазона [0, 100]. Каждая задача решалась последовательно всеми разработанными алгоритмами:
1) методом ветвей и границ с лексикографически упорядоченной начальной перестановкой;
2) эволюционно-генетическим алгоритмом;
3) гибридным алгоритмом № 1 (с применением ЭГА для формирования начального решения для метода ветвей и границ);
4) гибридным алгоритмом № 2 (с применением ЭГА для вычисления верхних оценок в методе ветвей и границ и лексикографическим начальным упорядочением);
5) гибридным алгоритмом № 3 (с применением ЭГА для формирования начального решения и верхних оценок метода ветвей и границ).
Решения, полученные методом ветвей и границ с лексикографически упорядоченной начальной перестановкой, принимались в качестве контрольных. Число вершин ветвления, оцениваемых в дереве решения при работе метода ветвей и границ, использовалось для оценки сокращения числа просмотренных вершин при работе гибридных алгоритмов. Для каждого запуска ЭГА высчитывалось относительное отклонение от оптимума, получен-
^ЭГА
ного методом ветвей и границ:--100% .
Настройки ЭГА:
• шагов 100;
• размер популяции п;
• бета-турнир на 3 особи;
• вероятность мутации 1 %.
В результате применения ЭГА среднее относительное отклонение приближенных решений, составило 2,86 %. Процент запусков, в которых получено точное решение составил 95 %. Для гибридных алгоритмов высчитывалось среднее сокращение числа вершин дерева решений.
В табл. 1 приведены результаты вычислительного эксперимента.
Таблица 1
Результаты вычислительного эксперимента
Гибридный алгоритм Сокращение числа вершин дерева решений, %
№ 1 15,1
№ 2 7,3
№ 3 22,7
По результатам вычислительного эксперимента видно, что разработанный ЭГА дает в среднем высокую точность решений, и при этом точное решение получено в 95 % запусков. Поскольку получаемое при помощи ЭГА начальное решение близко к точному, применение этого решения в качестве начального в методе ветвей и границ позволило сократить число вершин в дереве решений на 15,1 %. Применение ЭГА для подсчета верхней оценки в методе ветвей и границ при лексикографическом начальном упорядочении дает незначительное сокращение дерева решений. Гибридный алгоритм, в котором ЭГА применяется как для генерации начального решения, так и для получения верхних оценок, оказался самым эффективным по используемой в ходе решения памяти, но вместе с тем - и самым затратным по времени.
Заключение
В работе рассмотрена ЫР-трудная задача построения оптимального по быстродействию расписания выполнения работ в системе конвейерного типа. Представлены точный, эвристический и гибридный подходы к ее решению. Приведены результаты вычислительного эксперимента, показавшие высокую точность приближенных решений и эффективность предложенного гибридного алгоритма.
Библиографический список
1. Прилуцкий, М.Х. Задача упорядочения работ как задача о назначениях / М.Х. Прилуцкий, Е.А. Кумагина // Вестник Нижегородского университета им. Н.И. Лобачевского. - 1999. - № 2. -С. 270-275.
2. Кумагина, Е.А. Метаэвристический алгоритм решения задач упорядочения / Е.А. Кумагина, Д.В. Буяков // Интеллектуальные информационные системы: труды Всероссийской конференции с международным участием. - Воронеж: Воронежский государственный технический университет. - 2017. - Ч.2. - С. 40-44.
3. Неймарк, Е.А. Задача определения оптимального порядка выполнения операций технического контроля для микроэлектронного производства / Е.А. Неймарк, Д.В. Седаков // Системы управления и информационные технологии. - 2015. - Т. 59. - № 1. - С. 100-104.
4. Танаев, В.С. Теория расписаний. Многостадийные системы / В.С. Танаев, Ю.Н. Сотсков, В.А. Струсевич. - М.: Наука, 1989. - 328 с.
5. Прилуцкий, М.Х. Построение оптимальных по быстродействию расписаний в канонических системах «конвейер-сеть» / М.Х. Прилуцкий, В.С. Власов // Информационные технологии. - 2011. -№ 3. - С. 26-31.
6. Прилуцкий, М.Х. Метод ветвей и границ решения задачи многоресурсного сетевого планирования / М.Х. Прилуцкий, Е.А. Кумагина// Системы управления и информационные технологии. -2014. - №2(56). - С. 48-51.
7. Гэри, Н. Вычислительные машины и труднорешаемые задачи / Н. Гэри, Д. Джонсон. - М.: Мир, 1992.
8. Неймарк, Е.А. Решение нестационарной задачи о ранце при помощи генетического алгоритма // Вестник Нижегородского университета им. Н.И. Лобачевского. - 2006. - № 3. - С. 133-138.
9. Неймарк, Е.А. Улучшение качества начальной популяции эволюционно-генетического алгоритма для задачи коммивояжера // Вестник Волжской государственной академии водного транспорта. -2017. - № 50. - С. 69-73.
Дата поступления в редакцию: 25.06.2019
E.A. Kumagina, E.A. Neumark A HYBRID ALGORITHM FOR PERMUTATION FLOWSHOP SCHEDULING
Lobachevsky state university of Nizhni Novgorod
Purpose: the article discusses an approach to solving the task of streamlining work in a conveyor-type system based on the branch and bound method in order to reduce computational cost without losing the optimal solution. Approach: the article presents a hybrid approach of solving the tasks of streamlining work in a conveyor-type system based on the branch and bound method and using a genetic algorithm to form initial permutations and obtain upper estimates.
Findings: during the computational experiment the reduction of the number of vertices of decision tree of the branch and bound method is evaluated. It is shown: hybrid approaches reduce the number of vertices of decision tree of the branch and bound method. Originality/value: all results are new.
Keywords: branch and bound method, genetic algorithm, hybrid algorithm, permutation problem.
