柔性车间调度问题：MOEA/D与NSGA-II多目标优化实践

1. 项目背景与核心价值

柔性车间调度问题（Flexible Job Shop Scheduling Problem, FJSP）是制造业中一类经典的NP难问题。与传统的车间调度不同，FJSP需要考虑每道工序可以在多台可选机器上加工，且加工时间随机器不同而变化。这使得问题的复杂度呈指数级增长，常规的精确算法难以在合理时间内求解。

多目标优化算法MOEA/D（基于分解的多目标进化算法）和NSGA-II（非支配排序遗传算法）正是为解决这类复杂优化问题而生。它们能够同时优化多个相互冲突的目标（如最大完工时间、机器总负载、能耗等），为生产决策提供Pareto最优解集。我在汽车零部件企业的智能排产系统开发中，曾用这两种算法将排产效率提升了37%，下面分享具体实现方案。

2. 算法原理深度解析

2.1 MOEA/D的工作机制

MOEA/D将多目标问题分解为多个单目标子问题，通过协作方式求解。其核心在于：

• 权重向量分配：采用均匀分布权重向量（如Simplex-lattice设计）将目标空间划分为N个区域
• 邻域定义：每个子问题只与相邻的T个子问题交换信息，维持种群多样性
• 聚合函数：常用切比雪夫函数g(x|λ,z*) = max{λ_i|f_i(x)-z*_i|}，其中z*是理想点

关键技巧：权重向量的数量N建议设置为目标数的10-15倍，邻域大小T通常取总子问题的20%

2.2 NSGA-II的改进优势

相比初代NSGA，NSGA-II通过以下创新提升性能：

1. 快速非支配排序：采用分层排序策略，时间复杂度从O(MN³)降至O(MN²)
2. 拥挤度比较算子：在相同前沿层中，优先选择解空间分布稀疏的个体
3. 精英保留策略：父代与子代合并选择，避免优秀基因丢失

在FJSP问题中，我们通常需要设置较大的种群规模（200-500）和较高的交叉概率（0.8-0.9），因为解空间结构复杂。

3. 问题建模与算法适配

3.1 FJSP的数学模型

以最小化最大完工时间（Makespan）和总机器负载（Total Workload）为例：

code复制min f1 = max{Cij | i∈[1,n], j∈[1,mi]}  
min f2 = Σ(Lk | k∈[1,m])  
s.t.  
Cij - pij