CN100401219C - 基于遗传算法的可重组生产线调度方法 - Google Patents

Abstract

一种自动控制与信息技术领域的基于遗传算法的可重组生产线调度方法，包括未完成的加工任务的排序和设备的分配，在工件的排序中，利用遗传算法对一条包含一台可移动设备和一台可变结构设备的可重组生产线的n个未完成加工任务进行最优排序，得到加工任务的最优排序，然后根据该排序进行设备重组。本发明采用GA算法以便在采用可重组生产线加工的系统中确定未完成生产计划的优化排序；考虑了可移动机床与可变结构机床的重组操作，可以根据汽车电机多品种、变批量的生产特点解决可重组生产线调度问题；减少可重组生产线的重组费用，和汽车电机制造厂提供的各工业数据组进行比较表明重组费用降低了53%。

Description

基于遗传算法的可重组生产线调度方法

技术领域

本发明涉及一种自动控制与信息技术领域的方法，具体地，涉及一种基于遗传算法的可重组生产线调度方法。

背景技术

大多数人可能熟悉采用柔性生产线车间加工的生产系统。在采用柔性生产车间加工的生产系统中，加工设备是固定、不可变结构的，在每个加工任务开始后，按次序完成产品的不同工序，因此不存在重组费用问题。

大多数人可能不熟悉采用另一类加工类型的生产线即所谓的可重组生产线加工。在采用可重组生产线加工的生产系统中，存在可移动机床与可变结构机床，这两种机床提供了根据生产产品的不同快速改变生产线生产能力和生产功能的能力。目前，对这类生产线的调度方法的发明专利还未检索到。

经对现有技术的文献检索发现，和可重组制造系统的调度问题有一定类似性的基于遗传算法的柔性制造系统调度方法主要有以下两种：

(1)Yung-Yi Chung等在《Proc.of the 37th IEEE Conf.on Decision andControl》(决策与控制第37届大会论文集)使用GA算法对一个柔性生产线系统进行了建模和调度；

(2)中国专利号：03141668.3，专利名称为：基于参数空间搜索的混合流水生产线的启发式调度方法，该专利自述为：“包括工件的排序和设备的分配，在工件的排序中，根据参数空间搜索方法，利用虚拟两级调度集，对每级具有多个并行设备的m级混合流水生产线的n个工件进行最优排序，得到n个工件的最优排序，然后根据最优排序表进行设备的分配。”

上述两种方法都较好的解决柔性生产线的调度问题，并且计算时间短，缩短加工时间，能针对加工设备固定的生产线产生次优解。但是，这两种方法还不能适应可重组生产线的生产调度，原因包括调度算法未能与系统自身的结构脱离、未能利用不同构件的增减和调整适应不同产品生产以及不同构型下的多目标优化不是采用重组费用。

发明内容

本发明的目的是针对现有技术的不足，提出一种基于遗传算法的可重组生产线调度方法，使其解决背景技术中存在的不足，适应可重组生产线的生产调度，从而可以得到比现有各种调度方法更适应的优化方法，能大大降低重组费用。

本发明是通过以下技术方案实现的，本发明的方法是用于可重组生产线的调度方法，包括未完成的加工任务的排序和设备的分配，在加工任务的排序中，利用遗传算法对一条包含一台可移动设备和一台可变结构设备的可重组生产线的n个未完成加工任务进行最优排序，得到加工任务的最优排序，然后根据该排序进行设备重组。所述的未完成加工任务的排序，具体分为如下几个步骤：

(1)将生产线未完成的n个加工任务进行随机排列，产生可能的加工序列，取其中的100个随机排列作为调度算法的初始种群。

(2)通过计算得到每个初始种群的加工重组费用。根据染色体的序列和生产线的初始状态，可以计算出生产线的重组费用

$f_1=\underset{i}{\mathrm{\Σ}}{g}^i+\underset{j}{\mathrm{\Σ}}{h}^j---\left(1\right)$

式中，i表示可移动设备进行重组的加工工序的第i次重组(0＜i＜n)。j表示可变结构设备进行重组的加工工序的第j次重组(o＜j＜n)。gⁱ，h^j表示两个可重组工序某一次的重组费用。其中，工序i的重组费用函数定义为g：S×S→R，S为采用可移动设备进行调整的加工工序的状态集，S＝{s₀，s₁}，s₀表示可移动设备未参与生产，s₁表示可移动设备参与生产；采用可变结构设备进行调整的加工工序的重组费用函数为h：Q×Q→R，Q为采用可变结构设备进行调整的加工工序的状态集。

(3)计算约束惩罚值：

约束惩罚值计算定义为：

$\mathrm{Minimize}{f}_2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{T}_i,$ T_i＝d_i-e_i    (2)

其中，D＝{d₁，d₂…d_n}为工件加工期集合；E＝{e₁，e₂…e_n}为工件完成期集合；n表示加工任务的数量。

(4)计算个体的适应度

计算个体的适应度定义为：

f₃＝w₁f₁+w₂f₂(3)

其中，w₁，w₂表示不同的目标优化权重，可取0～1之间的任何值。

(5)对初始种群的个体采用交叉变异的方式进行优化

采用期望值方法，选择父代个体，对父代个体的染色体进行交叉，产生子代种群，并对子代种群中的个体进行变异操作。根据染色体个体进行评估，其中每一个染色体的评估值由适应度函数与限制值所决定。

染色体的变异既能使样本有多样性，又避免了限入局部最优解。

(6)反复迭代

若子代数小于预先设定的迭代数，则重复上述(2)～(5)的操作过程，子代数若等于预先设定的迭代数，对适应度值进行比较，挑选种群中的最优个体。

由上述步骤可以得知，本发明未完成加工任务的排序中，采用遗传算法为优化手段，对可重组生产线的n个未完成加工任务进行最优排序，主要的优化指标是重组费用。将未完成加工任务随机排列生成遗传算法(GA)的初始种群，算法初始种群的染色体为加工零件的加工顺序。通过计算个体的适应度函数值来确定个体的生存能力大小。然后通过交叉、变异方法优化未完成加工任务的排序，再根据适应度函数从中选择最好的优化顺序，从而得到n个未完成加工任务的最优排序。

所述的设备的分配，具体为：根据最优排序进行设备的分配。未完成加工任务的优化排序结果中包含了是否使用可移动机床以及确定可变结构机床是采用哪个机床构件。使用了可移动机床的情况下，当上一道工序加工完毕后，加工零件被随机的分配给含可移动机床工位中的任何一台加工设备。可变结构机床应根据优化排序结果及时更换机床构件。其它工位类似柔性生产线的设备分配。

本发明具有实质性特点，解决了背景技术中存在的问题，提供一种用于调度可重组生产线未完成的加工任务的方法。①该调度方法采用GA算法以便在采用可重组生产线加工的系统中确定未完成生产计划的优化排序；②现有的柔性生产线调度方法不完全适应多品种、变批量生产的生产特点，本调度方法因为考虑了可移动机床与可变结构机床的重组操作，可以根据汽车电机多品种、变批量的生产特点解决可重组生产线调度问题；③该调度方法减少可重组生产线的重组费用，和汽车电机制造厂提供的各工业数据组进行比较表明重组费用降低了53％。

附图说明

图1为本发明实施例调度甘特图

具体实施方式

结合本发明的内容提供以下实施例。

可重组电机生产车间包括五道工序的加工设备，其中包含了一道含有可重组加工设备的工序和一道可变结构机床的工序。工件的数量分别为4，4，2。另外还包括主控计算机。该计算机的存储器存储的数据包括个工序的加工时间、加工个数以及交货期，并能将计算结果发送到各个加工设备。通过利用诸如液晶显示设备可把加工命令传送给生产线操作人员，一旦接到视频显示设备上显示的加工命令，操作员把按排序好的产品加工次序依次放到各个加工设备进行加工。若加工设备是全自动的，可由主控计算机向可以使用的加工设备直接发送加工指令，加工设备直接到加工缓冲中获得相应的加工原材料，从而使未加工产品从缓冲移到加工设备并开始加工。

加工任务如下表所示：

M₁表示工序1的加工设备；M₂表示工序2的加工设备；M₃表示工序3的加工设备，SM₃表示工序3的可移动加工设备；M₄表示工艺4的加工设备；M₅表示工序5的加工设备。

1)读入未完成的加工任务开始调度，对未完成的加工任务进行随机排序，并将生成的任务随机排序保存为GA的初始种群。接着判断子代数是不是小于一个给定的100。

2)具体计算公式按照式(3)，计算适应度函数，将计算得到的数据赋给f₃。

3)为个体进行选择、交叉过程，可产生子代个体。然后对子代个体进行变异操作，得到个体后判断迭代次数是否达到100数值？如判断为“是”则重复迭代，如判断为“否”则结束算法。

4)根据式(1)计算并比较由算法得到的种群个体中的最优个体，由这个最优个体的激发序列，即可获得最优或较优生产计划的方案。

计算个体的适应度函数值时，首先计算系统重组费用，然后计算产品生产的E/T约束惩罚值，给重组费用和E/T约束惩罚值各取0.5的权重，计算适应度值，计算得到的值返回计算个体的适应度函数值。

经上述具体实施步骤后，本实施例调度甘特图如图1所示，计算得到的重组费用为260，E/T惩罚值为82，而汽车电机厂未采用本调度方法前其相应值分别为560和128。

对于特定的多品种、变批量的制造系统，本发明已利用对汽车电机制造厂提供的各工业数据组进行测试，并且显示出重组费用降低了53％，E/T惩罚值下降了35％。这样的改进程度是本发明的典型性能水平，对于可重组生产线这是明显的改进。

Claims (2)

1.一种基于遗传算法的可重组生产线调度方法，其特征在于，包括未完成的加工任务的排序和设备的分配，在加工任务的排序中，利用遗传算法对一条包含一台可移动设备和一台可变结构设备的可重组生产线的n个未完成加工任务，进行最优排序，得到加工任务的最优排序，然后根据该排序进行设备重组，其中n表示生产线当前需要进行调度的加工任务的个数；所述的未完成的加工任务的排序，具体分为如下几个步骤：

(1)将生产线未完成的n个加工任务进行随机排列，产生可能的加工序列，取其中的100个随机排列作为调度算法的初始种群；

(2)通过计算得到每个初始种群的加工重组费用，根据染色体的序列和生产线的初始状态，计算出生产线的重组费用

$f_1=\underset{i}{\mathrm{\Σ}}{g}^i+\underset{j}{\mathrm{\Σ}}{h}^j$

式中，gⁱ表示可移动设备进行重组的加工工序的第i次重组的费用，h^j表示可变结构设备进行重组的加工工序的第j次重组的费用，i、j为不小于1的有限的自然数，其中，工序i的重组费用函数定义为g：S×S→R，S为采用可移动设备进行调整的加工工序的状态集，S＝{s₀，s₁}，s₀表示可移动设备未参与生产，s₁表示可移动设备参与生产，采用可变结构设备进行调整的加工工序的重组费用函数为h.Q×Q→R，Q为采用可变结构设备进行调整的加工工序的状态集；

(3)计算约束惩罚值：

约束惩罚值计算定义为：

Minimize $f_2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{T}_1,$ T₁＝d₁-e₁

其中，D＝{d₁，d₂··d_n}为工件加工期集合；E＝{e₁，e₂…e_n}为工件完成期集合；n表示加工任务的数量；

(4)计算个体的适应度

计算个体的适应度定义为：

f₃＝w₁f₁+w₂f₂

其中，w₁，w₂表示不同的目标优化权重，取0～1之间的任何值；

(5)对初始种群的个体采用交叉变异的方式进行优化

采用期望值方法，选择父代个体，对父代个体的染色体进行交叉，产生子代种群，并对子代种群中的个体进行变异操作，根据染色体个体进行评估，其中每一个染色体的评估值由适应度函数与限制值所决定；

(6)反复迭代

若子代数小于预先设定的迭代数，则重复上述(2)～(5)的操作过程，子代数若等于预先设定的迭代数，对适应度值进行比较，挑选种群中的最优个体。

2.根据权利要求1所述的基于遗传算法的可重组生产线调度方法，其特征是，所述的设备的分配，具体为：根据最优排序进行设备的分配，未完成加工任务的优化排序结果中包含了是否使用可移动机床以及确定可变结构机床是采用哪个机床构件，使用了可移动机床的情况下，当上一道工序加工完毕后，加工零件被随机的分配给含可移动机床工位的任何一台加工设备，可变结构机床应根据优化排序结果及时更换机床构件。