CN104036380A - 基于混沌免疫算法的多车型流水线物流运输调度方法 - Google Patents

Abstract

本发明公开了一种基于混沌免疫算法的多车型流水线物流运输调度方法，旨在解决多车场多车型的流水线生产物流运输调度问题。首先，建立多车场多车型的流水线物流运输调度模型。第一步，根据流水线生产方式的特点，确立了其物流运输调度问题的基本因素，包括生产物流运输调度的时间窗﹑配送周期性﹑货物关联性﹑车场多类型等。第二步，建立数学模型，包括目标函数以及约束条件。接着，针对所提出的数学模型，设计混沌免疫算法。最后，运用设计的混沌免疫算法求解数学模型。通过应用设计的算法，能过很好的解决多车型多配送中心的流水线生产的物流运输调度问题，算法的求解质量和收敛速度都得到一定程度的提高。

Description

基于混沌免疫算法的多车型流水线物流运输调度方法

技术领域

本发明涉及一种流水线生产中多车场单车型物流运输调度的方法。

背景技术

流水线的生产方式作为现代社会一种高效的生产模式，在制造生产中受到重用。流水线生产是一个非常精细的工艺生产，具有很高的生产效率。然而，这是基于合理的物流运输调度前提下的。如果物流运输配送不合理，将造成供应链上作业的时忙时闲，同时也会造成物料堆积，影响作业。具体体现在1.供应过剩浪费造成物料积累，物料的积累会影响流水线生产的正常进行，甚至导致流水生产瘫痪。2.资源浪费。不合理的物流配送会导致人力﹑车力等资源浪费，使得生产成本加大。3.不良修正浪费。不合理的配送造成二次搬运浪费﹑库存浪费﹑占用空间加大﹑物料管理损耗增多等。可见，合理的物流运输调度，是使得流水线生产有序﹑合理﹑有效的根本前提，提高流水线生产效率的一个重要保障。在我国内高效流水线的生产方式与低效、繁杂的物流配送还存在着矛盾，虽然物流配送能够顺利的配送到生产线，但是操作并没有在适当的时间只配送适当数量与质量的物料到适当的地点，会有少量的余量，这使得生产料积累余料会不停的增加，堆放在生产线旁边，有事会严重的影响后续物料的配送，甚至导致短时间的停产。目前，在国内外对流水线物流运输调度的研究甚少，以往学者对流水线生产调度，往往涉及的都是流水线上工序调度、工序平衡的研究。宝斯琴塔娜、陈红霞等研究了基于FLEXSIM的流水线生产物流优化问题，提出了切实可行的方案[详见：宝斯琴塔娜，陈红霞.基于FLEXSIM的流水线生产物流优化[J].工业工程与管理，2008，77（4）:106-108]，李云研究的混合装配流水线物流系统的优化与仿真[详见：李云.混合装配流水线物流系统的优化与仿真[D].上海大学，2004]，对流水线的研究都具有很大促进作用。本发明用于解决流水线生产过程中多货物配送中心与多工序配送点之间物流运输的配送问题，求解配送过程中车辆路径规划与车辆出行时间时间，寻求最短配送路径与最优出行时间。算法在局部搜索能力﹑搜索精度﹑求解质量和收敛速度都得到一定程度的提高。

发明内容

本发明的目的是克服现有技术中的不足，提供一种高效率的多车场单车型的基于混沌免疫算法的流水线物流运输调度方法。本发明运用混沌免疫算法来求解流水线生产的多车场多配送中心模型的物流运输配送，在多个工序配送物料﹑一个周期内多次配送中寻求多车场多车型函数模型车辆路径规划与出车时间表的最优解。

为实现上述目的，本发明所采用的技术方案是：

基于混沌免疫算法的多车型流水线物流运输调度方法，包括以下步骤：

步骤1：获取多车场多车型流水线生产的基本参数，包括：多个配送中心的位置、各个工序供货点的位置、各个供货点的工序生产速度、工序存放货物量、各工序要求的货物量、各种类型车辆的载重信息；

步骤2：根据生产节拍速度与货物存放量确定一个周期内货物配送的时间窗表工序 ，配送点能滞留的最大货物量为件，生产物料放置区的生产物料会按照生产时间的推移逐渐减少，当物料减少到一定程度的时候，物料配送要开始配料，当物料为最大存储物料的 倍时，进入配货时间内，表示工序节拍器速度，取值为一般0.05~0.2之间；加工时间矩阵，表示工序工件工序上加工所要求的时间，求得配货时间窗为[, +]，为当前时间，由此，求出每道工序的时间约束窗矩阵[，]，表示约束开始时间，表示约束结束时间；

步骤3：建立多车场多车型运输调度数学模型：

，

表示求解目标函数的最小值，指约束条件下函数的最优解即满足流水线生产要求最优物流配送方案,式中表示运输损耗与车场以及工序及工序间的距离相关，表示运输时间窗的惩罚部分，表示推迟到达时间窗的惩罚系数（非负），表示最后一部分表示工序与工序间的货物关联关系，表示车型，表示由车场派出去的 类型的车从()行驶到()所花费的资源；

步骤4：设计混沌免疫优化算法，对步骤3目标函数寻求最优解。

进一步地，所述步骤4包括以下步骤：

步骤4.1：初始算法的参数：初始参数如下：表示抗体种群规模、选择克隆细胞数量，表示最大迭代次数，克隆倍数、免疫补充量、变异率、免疫伐值；

步骤4.2：利用混沌迭代生成混沌序列作为初始抗原，计算抗体集中每一个抗体的浓度、对抗原适应值、抗体间的亲和力，抗体间的相识度，其中为抗体与的信息熵；

步骤4.3：对不满足终止条件适应度的抗体，利用混沌更新策略进行变异、交叉，产生新的抗体：

，

为当前进化代数，为预设的最大进化代数，为预设最大概率，为预设最小概率，为当前种群的交叉概率，变异依据：；

步骤4.4：从新计算抗体和抗原的亲和力，并依据抗体间的亲和力及抗体浓度伐值来决定哪来选择下一代抗体；

步骤4.5：对选择的新一代抗体进行混沌更新策略，具体步骤如下：

步骤4.5.1：选择混沌优化个体，取值取记忆库种群适应度较小的80%的个体数；

步骤4.5.2：映射解空间到混沌空间，对个体编码，编码采用实数编码，解的空间变换按公式，其中为混沌空间解；

步骤4.5.3：对混沌叠代，选择较好的值代替；

步骤4.5.4：将混沌空间映射到解空间，变换公式；

步骤4.5.5：按照下述数学表达式，加一混沌扰动：

，为当前代数，为最大迭代次数，为当前群体中某个体的某分量的变异尺度，、和为控制尺度收缩参数；

步骤4.5.6：判断结束条件，满足条件退出算法，不满足，则对免疫种群进行选择变异，产生新解个体，与记忆细胞组成新解群体，返回步骤4.3；

步骤4.6：终止。当算法运行达到最大迭代次数或者多次产生同样的最优解，算法终止。

本发明的有益效果：本专利通过混沌免疫算法求解流水线物流运输调度问题，旨在解决多车场多车型的流水线生产物流运输调度问题。能过很好的解决多车型多配送中心的流水线生产的物流运输调度问题，算法的求解质量和收敛速度都得到一定程度的提高。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明：

图1 为本发明的流程图；

图2为本发明的仿真结果图。

具体实施方式

如图1、2所示， 一种基于混沌免疫算法的多车场多车型流水线物流运输调度优化方法具体实施步骤如下：

步骤1：获取多车场多车型流水线的基本数据。附图中流水线有7个工序，每个工序的生产速度与配送物料点坐标已知，两个配送货物中心，依据生产速度与初始设置的配送量可得到附表1的时间窗约束条件，附表2表示配送物料点与配送中心坐标以及配送货物重量，初始小车的车速恒为0.1km/min， 车场中都有两种类型的车辆、，的载重最大值为0.6，车辆载重量为0.3。

步骤2：根据生产节拍速度与货物存放量确定一个周期内货物配送的时间窗表工序配送点能滞留的最大货物量为件，生产物料放置区的生产物料会按照生产时间的推移逐渐减少，当物料减少到一定程度的时候，物料配送要开始配料，假设当物料为最大存储物料的 倍时，进入配货时间内，由于物料的减少与生产时间和对应工序的生产速率成正比，表示工序节拍器速度，经过实现生产关系表明取值为一般0.05-0.2之间。加工时间矩阵，表示工序工件工序上加工所要求的时间，则可以求得配货时间窗为（假设当前时间为）[, +]，由此，依据具体要求可以求出每道工序的时间约束窗矩阵[，]，表示约束开始时间，表示约束结束时间；

步骤3：确立目标函数，多车场多车型的配送模型目标函数可表示为：

约束条件有时间窗约束、载重量约束等。

步骤4：设计混沌免疫优化算法，对步骤3目标函数寻求最优解，具体步骤如下：

步骤4.1：输入参数设置。本方法参数输入设置：种群规模为100，最大迭代次数，，，变异概率，尺度收缩参数为，，，。免疫克隆选择算法中参数设置：最大迭代次数，编码长度，抗体群规模，，，克隆系数，令，，为0.9，为0.7，选择伐值=0.9，=30，=100。表示抗体种群规模、选择克隆细胞数量，克隆倍数、免疫补充量、变异率、免疫伐值。

步骤4.2：计算抗体每一个抗体的浓度、适应度、抗体间的亲和力。产生记忆库细胞与选取新一代种群。

步骤4.3：交叉.对不满足终止条件适应度的抗体，利用混沌更新策略经行变异、交叉，产生新的抗体。

（1）

为当前进化代数，为预设的最大进化代数，为预设最大概率，为预设最小概率，为当前种群的交叉概率。本方法取均匀交叉的方式。

步骤4.4：变异。

本文采用混沌变异策略，混沌变异形式如式所示。为（-2,0）

步骤4.5：按混沌规律变化的序列。

根据Logistic映射式中，表示种群序号，；表示混沌变量，；表示吸引子，当取0~4时，Logistic映射为[0，1]间的不可逆映射，时，完全处于混沌的状态，此时产生的混沌变量具有很好的遍历性。经过放大和平移可得。

（2）

（3） 在进化初期采用逐渐缩小的变异尺度，变异策略如式（3）所示。为当前代数，为最大迭代次数，为当前群体中某个体的某分量的变异尺度，、和为控制尺度收缩参数。

步骤4.6：重新计算抗体和抗原的亲和力，并依据抗体间的亲和力及抗体浓度，按浓度选择伐值不超过=0.9选择出一代抗体。

步骤4.7：混沌更新策略优化抗体。混沌更新策略优化新产生的抗体，步骤如下：

步骤4.7.1：选择混沌优化个体，取值取记忆库种群适应度较小的80%的个体数。

步骤4.7.2：：映射解空间到混沌空间。对个体编码，解的空间变换按公式

其中为混沌空间解。

步骤4.7.3：对混沌叠代，选择较好的值代替。

步骤4.7.4：将混沌空间映射到解空间，变换公式；

步骤4.7.5：按照步骤3.7.4：加一混沌扰动。

步骤4.7.6：判断结束条件，满足条件退出算法，不满足，则对免疫种群进行选择变异，产生新解个体，与记忆细胞组成新解群体，返回步骤3.7.4。

步骤4.8：判断终止条件，当算法运行达到最大迭代次数或者多次产生同样的最优解，算法终止。若不满足终止条件返回上层步骤3.3。

Claims (2)

1. 一种基于混沌免疫算法的多车型流水线物流运输调度方法，其特征在于，包括以下步骤：

步骤1：获取多车场多车型流水线生产的基本参数，包括：多个配送中心的位置、各个工序供货点的位置、各个供货点的工序生产速度、工序存放货物量、各工序要求的货物量、各种类型车辆的载重信息；

步骤2：依据生产节拍速度与货物存放量确定一个周期内货物配送的时间窗表：工序 配送点能滞留的最大货物量为件，生产物料放置区的生产物料会按照生产时间的推移逐渐减少，当物料减少到一定程度的时候，物料配送要开始配料，当物料为最大存储物料 倍时，进入配货时间内，表示工序节拍器生产速度，取值为一般0.05-0.2之间，加工时间矩阵，表示工序工件工序上加工所要求的时间，求得配货时间窗为[, +]，为当前时间，然后，求出每道工序的时间约束窗矩阵[，]，表示约束开始时间，表示约束结束时间；

步骤3：建立多车场多车型运输调度数学模型：

表示直接派出车辆运回成品所增加的资源损耗，对应车辆类型损耗系数，跟车场到末道配送点的距离有关，表示运输时间窗的惩罚部分，表示推迟到达时间窗的惩罚系数（非负），表示最后一部分表示工序与工序间的货物关联关系，表示车型，表示由车场派出去的 类型的车从()行驶到()所花费的资源，表示求解目标函数的最小值，也就是指约束条件下函数的最优解，即满足流水线生产要求最优物流配送方案；

步骤4：设计遗传免疫优化算法，对步骤3中的目标函数寻求最优解；

步骤5：判断是否满足终止条件，若满足最大迭代次数或多次迭代产生相同解算法终止。

2. 根据权利要求1所述的基于混沌免疫算法的流水线物流运输调度方法，其特征在于，所述步骤4的具体步骤如下：

步骤 4.1：对目标问题分析，初始群体，产生抗原；

步骤4.2：计算抗体的浓度，抗原与抗体间的亲和度、抗体与抗体之间的相似度，抗体间的相识度，其中为抗体与的信息熵；

步骤4.3：编码：以实数编码直接编码代替二进制编码，省去频繁的编码解码过程；

步骤4.4：进行遗传操作，具体为选择交叉，变异操作；选择交叉，变异操作采用单点交叉的方法对抗体进行交叉操作，表示交叉概率，采用变异概率的变异方式对抗体进行变异操作；抗体的变异概率可表示为 ，式中是指抗体群中的最大适应度，其中，=0.9， =0.8；

步骤4.5：进行免疫操作：接种疫苗，免疫选择，依据，，为种群中第等位基因上的符号通过设定伐值，选出疫苗；从父代群体中按照接种概率选择要进行接种的个体，将疫苗的基因片段依次接入，形成新的免疫种群。