CN101303597A - 基于实时工况的变权式随机调度方法 - Google Patents

Abstract

本发明公开了一种基于实时工况的变权式随机调度方法，分别从各种扰动的分类、重调度驱动机制、重调度优化集的构建、待加工工件选取规则和重调度优化算法这几个方面对动态随机重调度问题进行了优化，通过将生产过程中的各种扰动划分为显性扰动和隐形扰动两类，针对不同类型的扰动采用相应的重调度驱动机制，快速并有效的处理生产过程中随机出现的各种不确定性问题；适用于多品种、单件小批量生产模式，能够快速并有效地处理生产调度过程中随机出现的各种不确定性问题，且与实时工况的耦合能力强，能提高车间生产系统对不确定性工况的自适应性和生产调度的敏捷性，减少不必要的重调度和提高对工况的反应能力，降低各种不确定性问题给生产系统带来的损失。

Description

基于实时工况的变权式随机调度方法

技术领域：

本发明属于先进制造技术领域，具体是涉及不确定条件下生产车间的动态随机重调度优化方法。

背景技术：

在现代生产制造模式下，生产调度过程中的不确定性问题主要体现在生产信息获得不及时性与不完整性、工件到达时间的随机性和制造过程中频繁发生的各种扰动(如设备故障、工序时间误差累积等)，与此同时还要实现产品生产周期短、制造成本低和市场响应迅速等多目标要求，这些问题对调度方法的实时性、动态性及其与实际工况的耦合能力都提出了更高的要求。

现有的国内外研究学者对于车间动态调度结构方面的研究主要集中在对整体调度方法的结构上，如分布式体系结构、基于多代理Agent体系结构等的研究；在对不确定条件下的动态调度求解算法的研究上，多以提高调度算法的鲁棒性和优化效率为目标；而且在处理生产过程中的随机扰动方面，有的采用专家系统将各种扰动的处理经验形成知识库，有的研究动态分配规则实现动态作业排序，有的利用滚动窗口的局部优化方法进行重调度优化，还有的利用检查和预防性维修为手段，减少设备故障的发生率。这些方法虽在一定程度上解决了生产过程中的各种扰动所导致的系统稳定性差的问题，但对于多品种、单件小批量生产车间的各种扰动的详细分类，工况信息与调度策略之间的耦合、重调度驱动机制及待加工任务集内相同权重的工件选取规则等方面研究较少。

发明内容：

本发明的目的是的提供一种基于实时工况的变权式随机调度方法，适用于多品种、单件小批量生产模式，能够快速并有效地处理生产调度过程中随机出现的各种不确定性问题，且与实时工况的耦合能力强，能提高车间生产系统对不确定性工况的自适应性和生产调度的敏捷性，减少不必要的重调度和提高对工况的反应能力，降低各种不确定性问题给生产系统带来的损失。

本发明的技术方案如下：

基于实时工况的变权式随机调度方法，其特征在于：分别从各种扰动的分类、重调度驱动机制、重调度优化集的构建、待加工工件选取规则和重调度优化算法这几个方面对动态随机重调度问题进行了优化：

(1)、通过将生产过程中的各种扰动划分为显性扰动和隐形扰动两类，针对不同类型的扰动采用相应的重调度驱动机制，快速并有效的处理生产过程中随机出现的各种不确定性问题：

①显性扰动：其特点是单独一次发生就会明显影响生产进度，并对生产系统的正常运行产生破坏性影响；

②隐性扰动：其特点是往往一次扰动的发生不会很明显的影响正常的生产进度，但是当这些微小扰动经过一段时间的累加后，同样也会严重影响生产系统的正常运行；

(2)、在重调度驱动机制方面，根据生产过程中的不同扰动分别采用相应的重调度驱动规则，即对显性扰动和隐性扰动分别采用主动触发式和被动触发式驱动规则：对于显性扰动，到达临界值时可主动触发重调度；而对于隐性扰动，需要实时监控，根据实际工况确定触发重调度的控制参数的临界值，到达临界值时触发重调度；

(3)、在重调度优化集的构建方面，将每一次优化调度中，对待加工工件进行重新选取以组成重调度优化集，这些待加工工件包括上一次调度中发生扰动后尚未加工的工件、上一次调度中未被选取的工件以及新到达的工件；每次重调度只对优化集内的工件进行优化计算，通过不断更新的局部优化实现全局的优化；通过建立重调度优化集，结合滚动时域优化方法，将大规模的全局调度问题在时域上分解为滚动进行的多个调度子问题，对复杂的全局调度问题进行了简化；在每次重调度时应对重调度优化集内的工件进行变权处理，即对工件的权重进行重新评价与调整；

(4)、在待加工工件选取规则方面，在选取待加工工件进入重调度优化集时，可根据某个或综合生产目标对各个待加工工件赋予权重，再按照工件权重的大小择优选择工件进入重调度优化集；对于具有相同权重的待加工工件选取规则，是将工件的各工序平均加工时间进行长短匹配；选取工序加工工艺相近的工件进入优化集，减少机器的调整时间；选取工序较多的工件进入优化集，以减少加工工艺约束；

(5)、优化目标：

设有m台机器和n个工件，q_i表示工件i包含的工序数，Q_ij ^k表示工件i的第j道工序在机器k上加工，S_ij ^k表示工件i的第j道工序在机器k上的开始加工时间，T_ij ^k表示工件i的第j道工序在机器k上的加工时间，每个工件包含一道或多道工序并且每道工序在指定的机器上加工；调度目标为将重调度优化集内的工件分配到指定的机器上进行加工，并对加工顺序进行优化排列，使工序间机器空闲时间最短，提高机器利用率；其中需要满足的假设和约束条件为：

①各个工件加工工序事先已经确定；

②加工过程中不能中途中断每一操作；

③在零时刻所有的工件都可以被加工；

④同一时刻，一台机器只能加工一道工序，工件p和i不能同时被加工，假设工序i在工序p前加工，即：

S^h _pq-S^k _ij-T^k _ij≥0                        (1)

⑤同一个工件的工序之间有先后约束，上一工序i完成后才能开始下一工序j，即：

S^h _ij-S^k _i(j-1)-T^k _i(j-1)≥0

优化目标函数为：

$F=\min \underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}(S_{\mathrm{pq}}^k-S_{\mathrm{ij}}^k-T_{\mathrm{ij}}^k)$

(6)、在重调度优化算法方面提出了混合微粒群优化(Hybrid PSO)算法，相对于基本微粒群优化算法来说主要进行了三个方面的改进：

①为解决离散型优化问题，并方便对实际问题的描述，编码采取自然数编码方式；

算法中的每一个粒子是由N个两位数组成的一个数组，包含了工件-工序-时间-机器的约束，N为所有工件的工序数的总和，每个两位数中第一位数代表要加工的工件，第一位数出现的次数α代表该工件的第α道工序，每个两位数中的第二位代表该工序在哪一台机器上加工；

②进化速度与变异方式借鉴遗传算法的交叉操作与变异操作，简化了进化操作提高了进化效率；

混合微粒群优化算法的变异操作采取交换变异，即在pbest中随机确定N对数字，对每对数字进行位置交换；并且通过改变N可以控制pbest变异的多样性；变异采取变异pbest的方法，即以一定概率将pbest中所有数字交换位置，重新排序；这个概率即为混合粒子群算法的变异率；经过变异的粒子必须为可行解；因此采用随机生成一个新的初始粒子来代替pbest的方法，作为变异；

③将模拟退火算法的Metropolis抽样准则融入到微粒群优化算法中的全局最优位置计算中，有效防止算法在进化过程中陷入局部最优点。

所述的基于实时工况的变权式随机调度方法，其特征在于：所述的显性扰动包括：加工设备的严重故障、紧急件加入、物料供应不及时；隐性扰动包括：实际加工工序时间、工序调整时间和物料运输时间的误差累积。

本发明适用于多品种、单件小批量生产模式，能够快速并有效地处理生产调度过程中随机出现的各种不确定性问题，且与实时工况的耦合能力强，能提高车间生产系统对不确定性工况的自适应性和生产调度的敏捷性，减少不必要的重调度和提高对工况的反应能力，降低各种不确定性问题给生产系统带来的损失。

附图说明

图1第一次选择的优化结果。

图2第二次选择的优化结果。

图3混合PSO交叉运算图。

图4混合PSO的求解流程图

图5为加工设备扰动分析图。

具体实施方式：

(1)、通过将生产过程中的各种扰动划分为显性扰动和隐形扰动两类，针对不同类型的扰动采用相应的重调度驱动机制，快速并有效的处理生产过程中随机出现的各种不确定性问题。

①显性扰动：其特点是单独一次发生就会明显影响生产进度，并对生产系统的正常运行产生破坏性影响。例如，加工设备的严重故障、紧急件加入、物料供应不及时等扰动；

②隐性扰动：其特点是往往一次扰动的发生不会很明显的影响正常的生产进度，但是当这些微小扰动经过一段时间的累加后，同样也会严重影响生产系统的正常运行。例如，实际加工工序时间、工序调整时间和物料运输时间的误差累积等扰动。

(2)、在重调度驱动机制方面，根据生产过程中的不同扰动分别采用相应的重调度驱动规则，即对显性扰动和隐性扰动分别采用主动触发式和被动触发式驱动规则。对于显性扰动，可主动触发重调度，例如，当设备发生故障时，启动重调度，并在当前可用设备中去除该故障设备，再对当前待加工工件进行重调度；而对于隐性扰动，要根据实际工况确定触发重调度的临界值，由临界值决定触发点，并非由单独一次隐性扰动触发重调度，该临界值可根据实际交货期、缓冲区的最大容量等指标确定，例如，当每道工序的实际加工时间与计划加工时间发生误差，且逐渐累积达到临界值时，再启动重调度。

以加工设备故障为例，如图5所示。定义一个重调度时间阈值θ，将设备故障分为严重故障和轻微故障，该阈值随不同工件的平均加工时间、不同车间对调度时间的要求而不同。轻微故障的异常工时一般小于θ，因此不需要进行重调度。严重故障的异常工时超过θ，需进行重调度，重调度时如果故障在短时间内可以排除，重调度时将该设备上的工件按照异常工时，将工序的加工时间进行延迟处理；如果设备在短时间内不可修复，则选用备用设备进行加工，然后将该优化集内的工件按照优化算法进行重调度，排出新的调度方案。当设备长时间故障修复后，将修复后的设备加入到可调度设备的集合中，并进行重调度。

这种重调度驱动规则与实时工况的耦合能力强，并且避免了周期性调度和普通事件驱动调度的缺点。

(3)在构建重调度优化集方面，借鉴预测控制的基本原理，将每一次优化调度中所选取的工件构成一个重调度优化集，每次重调度只对优化集内的工件进行优化计算，即通过不断更新的局部优化实现全局的优化。通过建立重调度优化集，结合滚动时域优化方法，将大规模的全局调度问题在时域上分解为滚动进行的多个调度子问题，对复杂的全局调度问题进行了简化，避免了规则调度只看一步的近视缺陷，在决策时刻可以预测更大时域上的工况信息，并根据实际情况对系统进行局部调整。在每次重调度时还应对优化集工件进行变权处理，重调度变权方法是指在每次重调度执行前对工件的权重进行动态调整。每一次进行重调度前，都要对所有的未加工工件进行重新选取以组成新的优化集，这些未加工工件包括上一次调度中发生扰动后尚未加工的工件，上一次调度中未被选取的工件及新到达的工件。这些工件有的已经在上一次调度中被赋予权重，但在重调度时如果仍然按照原来的权重进行优化计算，必然会造成现有的工件权重与实际权重偏离的情况，尤其是在多次重调度后，某些被选取进入优化集，但一直未被加工的工件，由于权重偏离较大，就有可能影响到交货期等生产目标的实现。

(4)在待加工工件选取规则方面，由于重调度优化集的规模有限，因此进入优化集的工件数量与每个工件的工序数量成反比。在重调度时选取工件的数量越多，工序间的约束就越少。并且被选取工件的工序加工时间及工艺相近程度等因素也会影响优化算法的计算复杂度。在选取待加工工件进入优化集时，可根据某个或综合生产目标对各个待加工工件赋予权重，再按照工件权重的大小择优选择工件进入优化集进行优化。本发明提出了具有相同权重的待加工工件选取规则，即将工件的各工序平均加工时间进行长短匹配，并选取工序加工工艺相近的工件进入优化集，减少机器的调整时间，在优化算法效率相同的前提下得到更好的优化效果，而且对重调度的频率以及重调度响应的敏捷性都有很大的影响。

例如，对于一批权重相同的工件，选择工件J1、J2、J4、J7和J9进入优化集，这样优化集内共有5个工件，共40道工序，按照每个工件加工顺序的唯一性计算可得，共157组约束，得出甘特图如图1所示。以工序间机器空闲时间最小化为优化目标，经过PSO的优化计算得到最优解为最小间隙时间为91，此时，最小平均流动时间为50，最大完工时间为77。

第二次选择工序数较少的工件J4、J7、J8、J9、J10、J11、J13、J14和J15进入优化集，共40道工序77组约束，同样以工序间机器空闲时间最小化为优化目标，经过混合PSO的优化计算得到最优解为最小间隙时间为7，此时，最小平均流动时间为36，最大完工时间为50，甘特图如图2所示。由此可见相同优先权的待加工工件选取规则对于调度排序的重要性。

(5)在重调度优化算法方面提出了混合微粒群优化(Hybrid PSO)算法，混合PSO相对于基本PSO来说主要进行了三个方面的改进：

①为解决离散型优化问题，并方便对实际问题的描述，编码采取自然数编码方式。

算法中的每一个粒子是由N个两位数组成的一个数组，包含了工件-工序-时间-机器的约束。N为所有工件的工序数的总和。每个两位数中第一位数代表要加工的工件，第一位数出现的次数α代表该工件的第α道工序，每个两位数中的第二位代表该工序在哪一台机器上加工。

例如：pbest[21 23 12 31 32 12 23 13 33]其中第一个两位数“21”表示第二个工件的第一道工序在第一台机器上加工，第二个两位数“23”表示第二个工件的第二道工序在第三台机器上加工，第三个两位数“12”表示第一个工件的第一道工序在第二台机器上加工，以此类推。

②进化速度与变异方式借鉴遗传算法的交叉操作与变异操作，简化了进化操作提高了进化效率。

将pbest或者gbest两个交叉点之间的数字复制给即将更新的粒子p，更新后为p′，如图3所示。

混合PSO算法的变异操作采取交换变异，即在pbest中随机确定N对数字，对每对数字进行位置交换。并且通过改变N可以控制pbest变异的多样性。变异采取变异pbest的方法，即以一定概率将pbest中所有数字交换位置，重新排序。这个概率即为混合粒子群算法的变异率。经过变异的粒子必须为可行解。因此采用随机生成一个新的初始粒子来代替pbest的方法，作为变异。

③将模拟退火算法的Metropolis抽样准则融入到PSO算法中的全局最优位置计算中，有效防止算法在进化过程中陷入局部最优点。

该算法的适应度函数为-F，根据上述三点改进，混合PSO的求解流程图如图4所示。

Claims (2)

1、基于实时工况的变权式随机调度方法，其特征在于：分别从各种扰动的分类、重调度驱动机制、重调度优化集的构建、待加工工件选取规则和重调度优化算法这几个方面对动态随机重调度问题进行了优化：

(1)、通过将生产过程中的各种扰动划分为显性扰动和隐形扰动两类，针对不同类型的扰动采用相应的重调度驱动机制，快速并有效的处理生产过程中随机出现的各种不确定性问题：

①显性扰动：其特点是单独一次发生就会明显影响生产进度，并对生产系统的正常运行产生破坏性影响；

②隐性扰动：其特点是往往一次扰动的发生不会很明显的影响正常的生产进度，但是当这些微小扰动经过一段时间的累加后，同样也会严重影响生产系统的正常运行；

(2)、在重调度驱动机制方面，根据生产过程中的不同扰动分别采用相应的重调度驱动规则，即对显性扰动和隐性扰动分别采用主动触发式和被动触发式驱动规则：对于显性扰动，到达临界值时可主动触发重调度；而对于隐性扰动，需要实时监控，根据实际工况确定触发重调度的控制参数的临界值，到达临界值时触发重调度；

(3)、在重调度优化集的构建方面，将每一次优化调度中，对待加工工件进行重新选取以组成重调度优化集，这些待加工工件包括上一次调度中发生扰动后尚未加工的工件、上一次调度中未被选取的工件以及新到达的工件；每次重调度只对优化集内的工件进行优化计算，通过不断更新的局部优化实现全局的优化；通过建立重调度优化集，结合滚动时域优化方法，将大规模的全局调度问题在时域上分解为滚动进行的多个调度子问题，对复杂的全局调度问题进行了简化；在每次重调度时应对重调度优化集内的工件进行变权处理，即对工件的权重进行重新评价与调整；

(4)、在待加工工件选取规则方面，在选取待加工工件进入重调度优化集时，可根据某个或综合生产目标对各个待加工工件赋予权重，再按照工件权重的大小择优选择工件进入重调度优化集；对于具有相同权重的待加工工件选取规则，是将工件的各工序平均加工时间进行长短匹配；选取工序加工工艺相近的工件进入优化集，减少机器的调整时间；选取工序较多的工件进入优化集，以减少加工工艺约束；

(5)、优化目标：

设有m台机器和n个工件，q_i表示工件i包含的工序数，O_ij ^k表示工件i的第j道工序在机器k上加工，S_ij ^k表示工件i的第j道工序在机器k上的开始加工时间，T_ij ^k表示工件i的第j道工序在机器k上的加工时间，每个工件包含一道或多道工序并且每道工序在指定的机器上加工；调度目标为将重调度优化集内的工件分配到指定的机器上进行加工，并对加工顺序进行优化排列，使工序间机器空闲时间最短，提高机器利用率；其中需要满足的假设和约束条件为：

①各个工件加工工序事先已经确定；

②加工过程中不能中途中断每一操作；

③在零时刻所有的工件都可以被加工；

④同一时刻，一台机器只能加工一道工序，工件p和i不能同时被加工，假设工序i在工序p前加工，即：

S^h _pq-S^k _ij-T^k _ij≥0    (1)

⑤同一个工件的工序之间有先后约束，上一工序i完成后才能开始下一工序j，即：

S^h _ij-S^k _i(j-1)-T^k _i(j-1)≥0

优化目标函数为：

$F=\min \underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{l}{\mathrm{\Σ}}}(S_{\mathrm{pq}}^k-S_{\mathrm{ij}}^k-T_{\mathrm{ij}}^k)$

(6)、在重调度优化算法方面提出了混合微粒群优化(Hybrid PSO)算法，相对于基本微粒群优化算法来说主要进行了三个方面的改进：

①为解决离散型优化问题，并方便对实际问题的描述，编码采取自然数编码方式；

算法中的每一个粒子是由N个两位数组成的一个数组，包含了工件-工序-时间-机器的约束，N为所有工件的工序数的总和，每个两位数中第一位数代表要加工的工件，第一位数出现的次数α代表该工件的第α道工序，每个两位数中的第二位代表该工序在哪一台机器上加工；

②进化速度与变异方式借鉴遗传算法的交叉操作与变异操作，简化了进化操作提高了进化效率；

混合微粒群优化算法的变异操作采取交换变异，即在pbest中随机确定N对数字，对每对数字进行位置交换；并且通过改变N可以控制pbest变异的多样性；变异采取变异pbest的方法，即以一定概率将pbest中所有数字交换位置，重新排序；这个概率即为混合粒子群算法的变异率；经过变异的粒子必须为可行解；因此采用随机生成一个新的初始粒子来代替pbest的方法，作为变异；

③将模拟退火算法的Metropolis抽样准则融入到微粒群优化算法中的全局最优位置计算中，有效防止算法在进化过程中陷入局部最优点。

2、根据权利要求1所述的基于实时工况的变权式随机调度方法，其特征在于：所述的显性扰动包括：加工设备的严重故障、紧急件加入、物料供应不及时；隐性扰动包括：实际加工工序时间、工序调整时间和物料运输时间的误差累积。

Images