CN101901426A - 一种基于蚁群算法的动态滚动调度方法 - Google Patents

Abstract

本发明提供了一种基于蚁群算法优化机制的动态滚动调度方法，它属于车间调度领域，主要解决现有滚动调度方法不能有效处理不确定事件、最佳滚动周期难确定问题。其步骤为：(1)预设置重调度相关参数；(2)驱动蚁群算法进行重调度，生成调度方案；(3)确定最佳滚动周期与工件到达概率、机器负荷和工件平均加工时间三者之间的函数关系式；(4)生成最佳调度方案，即确定适合实际生产的最佳滚动周期，驱动蚁群算法进行重调度，生成符合实际生产的最佳调度方案。本发明可获得适合不同实际生产的最佳滚动周期及动态滚动调度方案，充分发挥设备利用率，提高生产效率，可为实际生产调度提供决策依据。

Description

一种基于蚁群算法的动态滚动调度方法

技术领域

本发明属于车间调度领域，具体涉及一种动态滚动调度方法，用于车间作业生产计划与调度管理。

背景技术

车间调度是先进制造系统实现管理技术、运筹学技术和优化技术发展的核心。科学地制订车间调度方案，对于控制车间的在制品库存，提高产品交货期满足率，缩短产品供货周期和提高企业生产率起着至关重要的作用。动态调度把车间生产看成一个动态过程，存在多种突发事件，如工件随机到达、设备故障等，要求调度方案对这些事件做出及时应对。动态调度策略更符合实际生产过程，已成为生产调度研究中的热点之一，对于实际车间作业计划与调度具有重要的应用价值。

动态调度技术的研究最初主要应用启发式规则、整数规划等方法。这些方法的特点是规则明了，容易实现，但由于实际生产过程中的不确定以及随机因素太多，任何单一规则都较难适用于所有的动态环境，与实际应用有较大差距。近年来，随着计算机技术和计算智能方法的发展，该领域出现的神经网络、元启发式算法、专家系统和多Agent技术等方法，为动态调度的研究开辟了新思路，也引起了学者的广泛关注，在动态调度中表现了许多优点，也有很多不足，例如：神经网络的训练时间较长，对结果缺乏解释能力，并且网络结构及算法参数不易确定，专家系统知识获取的难度大且扩展性较差。虽元启发式算法在经典车间调度中表现了优异的性能，但在动态调度中的应用相对较少。

基于蚁群算法的动态滚动调度方法是充分发挥蚁群算法求解组合优化问题的优势，考虑工件随机到达时确定最佳滚动周期的方法。蚁群算法是1992年意大利学者M.Dorigo等人受自然界蚂蚁行为启发而提出的，并首先成功应用于旅行商(TSP)问题中，它作为一种新兴的人工智能算法，具有良好的全局优化能力、本质上的并行性、求解时间短、易于计算机实现等优点，在求解组合优化问题方面具有潜在优越性，吸引了众多学者的关注。考虑工件随机到达，不同概率分布下的最佳滚动周期，并采用拟合、插值、神经网络等方法分析工件到达概率与最佳滚动周期关系，结合工厂实际情况，可有效设置适合工厂实际车间作业计划的最佳滚动周期，从而有利于提高设备利用率、缩短产品供货周期、减低在制品数量。因此，在准时化生产盛行的今天，高效生产、零库存是追求的目标，基于蚁群算法的动态滚动调度方法能为准时化生产提供有价值的滚动周期，可充分发挥设备利用率，提高生产能力，为实际车间生产计划与调度提供决策依据。

发明内容

本发明目的在于提出一种新的基于蚁群算法的动态滚动调度方法，提供一种确定最佳滚动周期的方法，驱动蚁群算法进行重调度，以获得高质量的动态滚动调度方案，提高调度方案稳定性、缩短生产时间、充分发挥设备利用率。

为实现上述目的，本发明的技术方案如下：

(一)预设置重调度相关参数，包括：滚动周期T、重调度工件集、机器可获得时刻和重调度方案的性能指标；

(二)驱动蚁群算法进行重调度，生成调度方案

在每个重调度时刻，即每个滚动周期整数倍时刻，驱动蚁群算法进行重调度，生成调度方案。滚动周期用T表示，重调度时刻为T的整数倍，在每个重调度时刻，根据步骤(一)设置重调度工件集、机器可获得时刻、重调度方案的性能指标，采用蚁群算法对重调度工件集进行重排，生成下一阶段的调度方案。

(三)确定最佳滚动周期与工件到达概率、机器负荷和工件平均加工时间三者之间的函数关系式

最佳滚动周期与工件到达概率、机器负荷和工件平均加工时间三者之间的函数关系式的确定主要包括两个步骤，首先确定单一工件分布参数下的最佳滚动周期；其次确定最佳滚动周期与工件到达概率、机器负荷、工件平均加工时间的函数关系式。

(四)生成最佳调度方案

(I)根据工件到达概率、机器负荷和工件平均加工时间，利用步骤(三)得到的函数关系式确定出最佳滚动周期；

(II)基于上述得到的最佳滚动周期，执行步骤(一)和(二)，即可生成适合工厂实际的最佳调度方案。

本发明具有下列区别于传统方法的显著优势：

(1)本发明将蚁群算法用于每个重调度时刻进行完全重调度，保证了每个重调度时刻新调度方案的最优性，从而保证整个动态调度过程全局最优性，有利于得到综合性能更好的动态滚动调度方案。

(2)本发明提供了最佳滚动周期的确定方法。目前工厂工件到达概率、机器负荷及工件平均加工时间具有一定的可预见性和可知性，结合这些信息，确定最佳滚动周期，驱动蚁群算法进行重调度，有利于制订更好的动态滚动调度方案，对实际车间作业计划与调度具有较高的指导性。

附图说明

图1为驱动蚁群算法重调度流程图

图2为确定最佳滚动周期流程图

图3为生成最佳调度方案流程图

具体实施方式

参照图1、2、3，本发明的实现步骤如下：

(一)预设置重调度相关参数

重调度时刻主要包含的参数有：滚动周期T、重调度工件集、机器可获得时刻、重调度方案的性能指标。

首先，设置滚动周期T。根据工件到达方式及到达概率，设置滚动周期。工件随机到达，到达方式有均匀分布到达、泊松分布到达、指数分布到达；在某种工件到达方式下，工件到达概率有多种，随机设置滚动周期T。

其次，确定重调度工件集。为了充分发挥算法的寻优性能，每个重调度时刻采用完全重调度，则重调度工件集包含待加工工件和新插入工件。在每个重调度时刻，工件可分为四种类型：已完工工件、正加工工件、待加工工件和新插入工件。已完工工件和正加工工件不再进行重调度。

第三，确定机器可获得时刻。假设工件不具有可抢占性，重调度时刻忙碌机器必须等正加工工件加工结束才有空闲，即在重调度时刻，空闲机器可获得时刻为重调度时刻，而忙碌机器可获得时刻为正加工工件的完工时刻。

第四，确定重调度的性能指标。性能指标采用系统有效性和稳定性来衡量，系统有效性衡量指标有Makespan、平均流程时间与加工时间比、平均排队时间、平均延迟时间、平均拖期时间、平均工件延迟数量。系统的稳定性衡量指标有新调度方案与原调度方案的工件变动数量、新调度方案与原调度方案工件平均变动时间。

(二)驱动蚁群算法进行重调度，生成调度方案

在每个重调度时刻，即每个滚动周期整数倍时刻，驱动蚁群算法进行重调度，生成调度方案。这是个循环重调度过程，直到达到终止条件。滚动周期用T表示，重调度时刻为T的倍数，根据步骤(一)设置重调度工件集、机器可获得时刻、重调度方案的性能指标，采用蚁群算法对重调度工件集进行重排，生成下一阶段的重调度方案。参照图1，具体操作步骤如下：

步骤1重调度工件集编码。假设所述重调度工件集中包含n个工件，其中第l个工件包含m_l道工序，则对所述重调度工件集从1到

进行编码，编码后的重调度工件集记为C；

步骤2蚁群算法参数初始化。设置循环次数N_c＝0；最大循环次数

设ant是蚁群中蚂蚁数目，随机将ant只蚂蚁置于C的

个元素上，并将每只蚂蚁k选择的元素添加到该蚂蚁对应的禁忌表tabu_k中；设置每只蚂蚁k的允许集为allowed_k；初始化C中任意两元素i，j的信息量τ_ij＝const，其中，i＝1，2，L，j＝1，2，L，

i≠j，const表示常数，且初始时刻信息素增量Δτ_ij＝0；

步骤3令N_c＝N_c+1；

步骤4令蚂蚁的索引号k＝0；

步骤5令k＝k+1；

步骤6蚂蚁k根据伪随机比例规则和状态转移规则在允许集allowed_k中选择下一个元素j；

其中，伪随机比例规则的公式为：

式中，q为均布在(0，1)之间的随机数，q₀∈(0，1)为常数，α，β为两个参数，α为信息启发式因子，表示轨迹的相对重要性，β为期望启发式因子，表示能见度的相对重要性，

表示对于任意j，取

最大时对应的j，η_ij表示元素i，j的启发信息。

如果q大于q₀，按状态转移规则公式选择下一个元素，其中，状态转移规则公式为：

式中，表示蚂蚁k由元素i转移到元素j的状态转移概率；

步骤7根据步骤6所选择的元素j，将蚂蚁k移动到元素j，修改允许集αllowed_k，并将元素j移动到蚂蚁k的禁忌表tabu_k中；

步骤8判断集合{C-tabu_k}中是否为空，若不为空，表示C中元素没有遍历完，则跳转至步骤6继续选择下一个元素；否则执行步骤9；

步骤9蚂蚁k路径解码，生成重调度方案，计算重调度方案的性能指标值

将蚂蚁k的路径解码为活动调度，则可得到该蚂蚁k的重调度方案，且该重调度方案是唯一的，计算重调度方案的性能指标值L_k，即蚂蚁k环游一周的目标函数值；

步骤10更新蚂蚁k路径上的信息量：

τ_ij＝(1-ρ)τ_ij+Δτ_ij

其中：

式中，Q为常数；

步骤11判断k是否大于ant，若k≤ant，则跳转至步骤5，否则执行步骤12；

步骤12判断是否满足蚁群算法重调度结束条件，即是否满足循环次数

若不满足，则清空每只蚂蚁的禁忌表，并跳转至步骤3；否则，循环结束并输出最优重调度方案及性能指标值。

(三)确定最佳滚动周期与工件到达概率、机器负荷和工件平均加工时间三者之间的函数关系式

最佳滚动周期与工件到达概率、机器负荷和工件平均加工时间三者之间的函数关系式的确定主要包括两个步骤，首先确定单一工件分布参数下的最佳滚动周期；其次确定最佳滚动周期与工件到达概率、机器负荷、工件平均加工时间的函数关系式。参照图2，具体步骤如下：

(A)确定单一工件分布参数下的最佳滚动周期

首先，在单一工件分布参数下，即工件到达方式，到达概率一定的情况下，设置多个不同的滚动周期，重复上述步骤(一)和(二)，记录不同滚动周期对应的最优重调度方案的性能指标值，以最优重调度方案的性能指标值为因变量，滚动周期为自变量，经处理得到最优重调度方案的性能指标值与滚动周期的函数关系式，则性能指标值最小时的滚动周期为该单一工件分布参数下的最佳滚动周期；

(B)设置多个不同的工件分布参数，根据步骤(A)确定出所述多个不同工件分布参数下的多个最佳滚动周期，同时记录各工件分布参数对应的最优重调度方案，并计算该最优重调度方案对应的机器负荷值、工件平均加工时间值，以最佳滚动周期为因变量，工件到达概率、机器负荷和工件平均加工时间为自变量，经处理得到最佳滚动周期与工件到达概率、机器负荷和工件平均加工时间三者之间的函数关系式。

(四)生成最佳调度方案

参照图3，结合工厂订单预测、机器加工能力、工件工时定额数据，这三组数据与工件到达概率、机器负荷、工件平均加工时间是一一对应的，即工厂订单预测已知，则可推知工件到达概率，其它类推。

将工件到达概率、机器负荷、工件平均加工时间代入步骤(三)得到的函数关系式，即可确定适合工厂实际的最佳滚动周期。

基于上述得到的最佳滚动周期，执行步骤(一)和(二)，即可生成适合工厂实际的调度方案，该调度方案可直接用于指导实际车间生产。

Claims (5)

1.一种基于蚁群算法的动态滚动调度方法，用于确定符合工厂实际的最佳滚动周期，驱动蚁群算法进行重调度，生成最佳生产调度方案，指导实际车间作业生产与调度，具体包括如下步骤：

(一)预设置重调度相关参数，包括：滚动周期T、重调度工件集、机器可获得时刻和重调度方案的性能指标；

(二)驱动蚁群算法进行重调度，生成调度方案

根据上述预设置的参数，在每个重调度时刻，即每个滚动周期整数倍时刻，驱动蚁群算法进行重调度，生成调度方案，具体过程如下：

(1)重调度工件集编码

假设所述重调度工件集中包含n个工件，其中第l个工件包含m_l道工序，则对所述重调度工件集从1到进行编码，编码后的重调度工件集记为C；

(2)蚁群算法参数初始化

设置循环次数N_c＝0，最大循环次数

设ant是蚁群中蚂蚁数目，随机将ant只蚂蚁置于C的个元素上，并将每只蚂蚁k选择的元素添加到该蚂蚁k对应的禁忌表tabu_k中，设置每只蚂蚁k的允许集为allowed_k，其中k为蚂蚁的索引号，初始化C中任意两元素i，j的信息量τ_ij＝const，其中，i＝1，2，L，

j＝1，2，L，i≠j，const表示常数，且初始时刻信息素增量Δτ_ij＝0；

(3)令N_c＝N_c+1；

(4)令k＝0；

(5)令k＝k+1；

(6)蚂蚁k根据伪随机比例规则和状态转移规则在允许集allowed_k中选择下一个元素j；

其中，伪随机比例规则的公式为：

式中，q为均布在(0，1)之间的随机数，q₀∈(0，1)为常数，α，β为两个参数，α为信息启发式因子，表示轨迹的相对重要性，β为期望启发式因子，表示能见度的相对重要性，

表示对于任意j，取

最大时对应的j，η_ij表示元素i，j的启发信息；

如果q大于q₀，按状态转移规则公式选择下一个元素，其中，状态转移规则公式为：

式中，

表示蚂蚁k由元素i转移到元素j的状态转移概率；

(7)根据步骤(6)所选择的元素j，将蚂蚁k移动到元素j，修改允许集αllowed_k，并将元素j移动到蚂蚁k的禁忌表tabu_k中；

(8)判断集合{C-tabu_k}中是否为空，若不为空，表示C中元素没有遍历完，则跳转至步骤(6)继续选择下一个元素；否则执行步骤(9)；

(9)蚂蚁k路径解码，生成重调度方案，计算重调度方案的性能指标值

将蚂蚁k的路径解码为活动调度，则可得到蚂蚁k的重调度方案，且该重调度方案是唯一的，计算该重调度方案的性能指标值L_k，即蚂蚁k环游一周的目标函数值；

(10)更新蚂蚁k路径上的信息量：

τ_ij＝(1-ρ)τ_ij+Δτ_ij

其中：

式中，Q为常数；

(11)判断k是否大于ant，若k≤ant，则跳转至步骤(5)，否则执行步骤(12)；

(12)判断是否满足蚁群算法重调度结束条件，即是否满足循环次数

若不满足，则清空每只蚂蚁的禁忌表，并跳转至步骤(3)；否则，循环结束并输出最优重调度方案的性能指标值和对应的重调度方案；

(三)确定最佳滚动周期与工件到达概率、机器负荷和工件平均加工时间三者之间的函数关系式

(A)确定单一工件分布参数下的最佳滚动周期

首先，在工件分布参数即工件到达方式和到达概率一定的情况下，设置多个不同的滚动周期，重复上述步骤(一)和(二)，记录不同滚动周期对应的最优重调度方案的性能指标值，以最优重调度方案的性能指标值为因变量，滚动周期为自变量，经处理得到最优重调度方案的性能指标值与滚动周期的函数关系式，则性能指标值最小时的滚动周期为该单一工件分布参数下的最佳滚动周期；

(B)设置多个不同的工件分布参数，根据步骤(A)确定出所述多个不同工件分布参数下的多个最佳滚动周期，同时记录各工件分布参数对应的最优重调度方案，并计算该最优重调度方案对应的机器负荷值、工件平均加工时间值，以最佳滚动周期为因变量，工件到达概率、机器负荷和工件平均加工时间为自变量，经处理得到最佳滚动周期与工件到达概率、机器负荷和工件平均加工时间三者之间的函数关系式；

(四)生成最佳调度方案

(I)根据工件到达概率、机器负荷和工件平均加工时间，利用步骤(三)得到的函数关系式确定出最佳滚动周期；

(II)基于上述得到的最佳滚动周期，执行步骤(一)和(二)，即可生成适合工厂实际的最佳调度方案。

2.根据权利要求1所述的一种基于蚁群算法的动态滚动调度方法，其特征在于，所述的工件到达概率、机器负荷工件和平均加工时间分别通过工厂订单预测、机器加工能力和工件工时定额数据得出。

3.根据权利要求1或2所述的一种基于蚁群算法的动态滚动调度方法，其特征在于，所述步骤(一)中的确定重调度工件集具体为：每个重调度时刻均采用完全重调度，重调度工件集包含待加工工件和新插入工件。

4.根据权利要求1-3之一所述的一种基于蚁群算法的动态滚动调度方法，其特征在于，所述步骤(一)中的机器可获得时刻具体为：假设工件不具有可抢占性，重调度点时刻忙碌机器必须等正加工工件加工结束才有空闲，即在重调度时刻点，空闲机器可获得时刻为重调度时刻，而忙碌机器可获得时刻为正加工工件的完工时刻。

5.根据权利要求1-4之一所述的一种基于蚁群算法的动态滚动调度方法，其特征在于，在所述步骤(二)中，其中p_j表示元素j的加工时间。

Images