CN104376369B - 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法 - Google Patents

一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法 Download PDF

Info

Publication number
CN104376369B
CN104376369B CN201410475461.4A CN201410475461A CN104376369B CN 104376369 B CN104376369 B CN 104376369B CN 201410475461 A CN201410475461 A CN 201410475461A CN 104376369 B CN104376369 B CN 104376369B
Authority
CN
China
Prior art keywords
mrow
msub
workpiece
machine
msubsup
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410475461.4A
Other languages
English (en)
Other versions
CN104376369A (zh
Inventor
杨海东
唐万和
张沙清
杨波
黎展滔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201410475461.4A priority Critical patent/CN104376369B/zh
Publication of CN104376369A publication Critical patent/CN104376369A/zh
Application granted granted Critical
Publication of CN104376369B publication Critical patent/CN104376369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Biology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法，属于轮胎硫化车间调度和生产节能技术领域。该方法流程步骤包括数学建模、对机器和加工工件进行矩阵式编码、基于LPP规则进行初始化种群、确定适应度函数F(i)、以轮盘赌方式对个体进行选择性操作、选择满足条件的个体以概率Pc进行交叉操作、选择满足条件的个体以概率Pm进行变异操作、进行适应值评估、判断是否满足条件；本发明的调度方法流程简单，得到最优调度方案的求解速度提高了5倍，每台加工机器生产成本降低了8.7％，能够为企业节约能源、降低生产成本，并保证企业及时交货。

Description

一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法
技术领域
本发明属于轮胎硫化车间调度和生产节能技术领域，尤其涉及一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法。
背景技术
轮胎行业属于传统劳动密集型和技术密集型的高能耗制造行业。我国轮胎制造行业虽然起步较晚，但发展迅猛，从2004年起，我国轮胎的产量和出口量跃居世界第一。然而，自2011年起，能源、原材料的价格提升拉高了轮胎制造企业的生产成本，使我国轮胎行业顿时陷入困境。据中国橡胶工业协会轮胎分会2011年1月份的报表显示，其45家会员企业的亏算面高达37.2％，利润同比下降37.6％。与此同时，低碳经济的发展趋势也给国内轮胎制造行业带来了压力和变化，引发了轮胎行业以“节能、环保、安全、智能、高效”的产品主导轮胎消费市场,促使轮胎企业加快调整产品结构和优化升级,实施以低能耗、低污染、低排放为特征的低碳制造发展模式。对轮胎制造企业来说，实现由高碳向低碳转变，努力发展节能、环保、绿色、安全的低碳产品是走出当前困境的重要途径。
目前研究生产调度问题的求解方法一般分为传统数学运筹学方法、启发式调度算法和元启发式方法三大类。而轮胎硫化车间调度问题较为复杂，问题规模大、约束多，实际生产过程要求能够快速获得较优的调度方案。启发式算法能够针对问题特点，运用适合的规则和策略快速获得较好的调度方案，简单易行，计算效率高，因此非常适合于该类问题的求解，却也有其局限性，如对问题较为敏感，需要对问题进行深入分析，要根据问题的特点提出调度方案，不具备一般性。元启发式算法则能克服这一缺点，以遗传算法为代表的元启发式算法，不需要对问题进行深入分析，也不依赖于具体的调度问题，只要通过计算机的迭代运算即可得到较好的解。但遗传算法需要设定的参数较多，流程复杂，求解效率慢，求解效率与初始解得选择相关。
中国专利201410093206.3和中国专利200810220652.0都公开了一种基于遗传算法的调度方法，它们虽然都可以进一步优化结果、实现利益最大化，但其流程复杂、求解效率慢，不利于工业化生产。
发明内容
本发明的目的在于克服现有技术不足，建立一种基于混合遗传算法轮胎硫化车间能耗优化调度方法，该方法综合了启发式算法和元启发式算法，具有适用范围广、求解效率高的特点。
硫化机有开机—预热、正常加工和空闲等待三种运行状态。设有m台加工能力不一样的机器M1，M2，…，Mm构成一个制造系统，每台机器有三种状态(运行、待机和停—开机)，其中，机器的初始状态为停机，因此，机器Mj的能耗分别由三部分组成：运行能耗，待机能耗和从停机到运行状态的预热能耗。这三部分能耗对应的单位时间能耗成本分别为：pj1、pj2和pj3。现有n个相互独立的工件J1，J2，…,Jn，其中Ri表示工件i到达系统的时间，每个工件对应着一个交货期Di，如果工件在交货期前未能完工，则会为系统带来一定的惩罚，依据拖期的程度用βi表示工件i的单位惩罚成本；每个工件必须经过该系统中一台机器加工，加工时间为Tij；一台机器同一时间只能加工一个工件；工件在加工过程中遵循不可抢占特性，即若工件在一台机器上加工，必须加工完毕后，该机器才能加工下一个工件；如何安排工件在该系统的加工顺序，从而确定每台机器状态，使得该系统的生产成本最少化Emin。用Graham的三元组来描述该类问题：Rm|Ri,(M1,M2,…,Mm)|Emin。
根据上述对硫化机三种运行状态的设定，本发明提供的一种基于混合遗传算法的轮胎硫化车间能耗优化方法，具体步骤如下：
步骤S1：构建轮胎硫化车间能耗优化调度模型，确定机器加工轮胎的最小化生产成本Emin,所述Emin由两部分组成,包括工件拖期惩罚成本和机器能耗成本，目标函数如公式(1.1)所示：
该数学模型应满足下列约束条件：
Ci＝Si+Tij·Xij (1.4)
Si>Ri (1.5)
C0＝0 (1.6)
式(1.2)表示一个工件同一时间只能安排在一台机器上加工；
式(1.3)用于确定机器从停—开机状态，当时确定机器开始启动预热，αpj3-Δtijpj2<0用于判断机器是否仍处于预热状态，该不等式成立，则表明机器仍需要继续预热；
式(1.4)计算工件的完工时间。
式(1.5)表示工件的开始加工时间不能早于其到达时间；
式(1.6)定义下标为0的工件完工时间为0；
式(1.7)表示机器同一时间只能加工一个工件；
以下是数学模型用的参数变量：
βi：工件i的单位拖期惩罚成本；
αj：机器Mj从停机到运行状态需要的时间；
m：机器的数量；
n：工件的数量；
Mj：第j台机器；
Ji：第i个工件；
Hj：安排在机器j上加工的工件数量；
Hij：安排在机器j上加工的第i个工件；
Si：工件i的开始加工时间；
Ci：工件i完工时间；
Ri：工件i到达车间的时间；
Di：工件i交货期；
pij1：工件i在机器Mj运行时的单位时间能耗成本；
pj2：机器Mj待机时的单位时间能耗成本；
pj3：机器Mj从停机到运行状态的单位时间能耗成本；
Tij：工件i在机器Mj的加工时间；
决策标量：
(1.8)
(1.9)
(1.10)
式(1.8)用于判断某个工件是否在指定机器上加工，若Xij＝1则表示工件i在机器j上加工，否则不在机器j上加工；
式(1.9)表示机器加工完一个工件后是否马上加工下一个工件，若Ulhj＝1，则表示马上接着加工工件，表明机器仍处于正常工作状；
式(1.10)表示用于判断机器何时有停机转为运行状态，
步骤S2：针对步骤S1构建轮胎硫化车间能耗优化调度模型，对加工工件和机器进行矩阵编码，作为父代，所述矩阵编码为：用ni表示工件，i为十进制数，整数“0”表示为每台机器的间隔标志，工件的加工顺序由工件的排列顺序决定，具体矩阵表达式如下：
m＝[n2，n5，n4，0，n3，n9，0，n1，n7，0，n6，n8，0……]
即每个机器上加工的工件的分配情况作为染色体的一段基因，机器采用“0”作为标记；
步骤S3：基于最小运行能耗规则对父代进行初始化种群；其中所述最小运行能耗规则为：
先计算工件平均运行能耗成本poi，将poi按递增工件进行排序，得到工件加工队列Q，将工件加工队列Q安排到机器上加工，工件同一时间有多台机器可加工的，选择运行能耗最小的机器上加工，由此得到一个新的个体，还需要产生的其余的个体则按照工件的交货期Di的值对工件进行递增排序，得到工件加工队列，将交货期最短的工件安排到第1个机器上加工，交货期第2短的工件安排到第2个机器上加工，以此类推；
工件平均运行能耗成本poi如式(1.11)所示：
其中：m:机器的数量；
Tij：工件i在机器Mj的加工时间；
pij1：工件i在机器Mj运行时的单位时间能耗成本。
步骤S4：确定适应性函数F(i)，适应度函数如式(1.12)所示：
其中，σ和ξ取值为1，
步骤S5：根据步骤S4确定的适应性函数F(i)，采用轮盘赌方式对步骤S3中的初始化种群的个体进行选择操作，把选择后的个体存储到交配池，以便进行配对；假若个体为i，适应度函数为F(i)，种群大小为M,则个体被选择的概率pi由式(1.13)确定：
步骤S6：对步骤S5选择出的个体以概率PC进行交叉操作；
步骤S7：对步骤S6交叉操作后的个体以概率Pm进行变异操作；
步骤S8：将步骤S7变异操作得到的个体进行适应度函数计算，并保存所有的个体的适应度值；
步骤S9：将步骤S8中适应度函数计算值大的个体保留下来，依次取到满足种群规模数量的个体为止，组成新的种群；
步骤S10：判断步骤S9中的种群是否满足设定的进化代数，满足，则进化终止，步骤S9组成新的种群为最优调度方案；不满足，则转入步骤S6。
与现有技术相比，本发明具有如下的技术优势：
1)本发明将轮胎硫化车间能耗优化问题抽象为一类非同等并行机调度问题，针对硫化车间能耗调度这类非同等并行机问题规模大、复杂性强、要求时间短等特点，建立基于机器运行状态的拖期成本和能耗成本最小的优化调度模型，通过应用该模型，能为企业节约能源、降低生产成本，并保证企业及时交货。
2)与普通的遗传调度方法相比，本发明的一种基于混合遗传算法轮胎硫化车间能耗优化调度方法，流程简单，得到最优调度方案的求解速度提高了5倍，每台加工机器生产成本降低了8.7％。
附图说明
图1是本发明实施例1中一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法的步骤流程图；
图2是本发明实施例2中LPP-GA遗传算法和普通遗传算法在Matlab7.1仿真软件结果收敛对比图；
图3是本发明实施例3中LPP-GA遗传算法和普通遗传算法运用在某橡胶轮胎企业中结果收敛对比图。
具体实施方式
下面结合附图及具体实施例对本发明的技术方案及应用原理进行详细、完整的描述，显然实施例所描述的仅仅是本发明技术方案及应用原理的一部分，本领域的技术人员非经创造性劳动而作出的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
实施例1
参见附图1，一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法的步骤流程图，具体包括以下步骤：
步骤S1：构建轮胎硫化车间能耗优化调度模型，确定机器加工轮胎的最小化生产成本Emin,所述Emin由两部分组成,包括工件拖期惩罚成本和机器能耗成本，目标函数如公式(1.1)所示：
该数学模型应满足下列约束条件：
Ci＝Si+Tij·Xij (1.4)
Si>Ri (1.5)
C0＝0 (1.6)
式(1.2)表示一个工件同一时间只能安排在一台机器上加工；
式(1.3)用于确定机器从停—开机状态，当时确定机器开始启动预热，αpj3-Δtijpj2<0用于判断机器是否仍处于预热状态，该不等式成立，则表明机器仍需要继续预热；
式(1.4)计算工件的完工时间。
式(1.5)表示工件的开始加工时间不能早于其到达时间；
式(1.6)定义下标为0的工件完工时间为0；
式(1.7)表示机器同一时间只能加工一个工件；
以下是数学模型用的参数变量：
βi：工件i的单位拖期惩罚成本；
αj：机器Mj从停机到运行状态需要的时间；
m：机器的数量；
n：工件的数量；
Mj：第j台机器；
Ji：第i个工件；
Hj：安排在机器j上加工的工件数量；
Hij：安排在机器j上加工的第i个工件；
Si：工件i的开始加工时间；
Ci：工件i完工时间；
Ri：工件i到达车间的时间；
Di：工件i交货期；
pij1：工件i在机器Mj运行时的单位时间能耗成本；
pj2：机器Mj待机时的单位时间能耗成本；
pj3：机器Mj从停机到运行状态的单位时间能耗成本；
Tij：工件i在机器Mj的加工时间；
决策标量：
(1.8)
(1.9)
(1.10)
式(1.8)用于判断某个工件是否在指定机器上加工，若Xij＝1则表示工件i在机器j上加工，否则不在机器j上加工；
式(1.9)表示机器加工完一个工件后是否马上加工下一个工件，若Ulhj＝1，则表示马上接着加工工件，表明机器仍处于正常工作状；
式(1.10)表示用于判断机器何时有停机转为运行状态；
步骤S2：针对步骤S1构建轮胎硫化车间能耗优化调度模型，对加工工件和机器进行矩阵编码，作为父代，所述矩阵编码为：用ni表示工件，i为十进制数，整数“0”表示为每台机器的间隔标志，工件的加工顺序由工件的排列顺序决定，具体矩阵表达式如下：
m＝[n2，n5，n4，0，n3，n9，0，n1，n7，0，n6，n8，0……]
即每个机器上加工的工件的分配情况作为染色体的一段基因，机器采用“0”作为标记；
步骤S3：基于最小运行能耗规则对父代进行初始化种群；其中所述最小运行能耗规则为：
先计算工件平均运行能耗成本poi，将poi按递增工件进行排序，得到工件加工队列Q，将工件加工队列Q安排到机器上加工，工件同一时间有多台机器可加工的，选择运行能耗最小的机器上加工，由此得到一个新的个体，还需要产生的其余的个体则按照工件的交货期Di的值对工件进行递增排序，得到工件加工队列，将交货期最短的工件安排到第1个机器上加工，交货期第2短的工件安排到第2个机器上加工，以此类推；
工件平均运行能耗成本poi如式(1.11)所示：
其中：m:机器的数量；
Tij：工件i在机器Mj的加工时间；
pij1：工件i在机器Mj运行时的单位时间能耗成本。
步骤S4：确定适应性函数F(i)，适应度函数如式(1.12)所示：
其中，σ和ξ取值为1
步骤S5：根据步骤S4确定的适应性函数F(i)，采用轮盘赌方式对步骤S3中的初始化种群的个体进行选择操作，把选择后的个体存储到交配池，以便进行配对；假若个体为i，适应度函数为F(i)，种群大小为M,则个体被选择的概率pi由式(1.13)确定：
步骤S6：对步骤S5选择出的个体以概率PC进行交叉操作；
步骤S7：对步骤S6交叉操作后的个体以概率Pm进行变异操作；
步骤S8：将步骤S7变异操作得到的个体进行适应度函数计算，并保存所有的个体的适应度值；
步骤S9：将步骤S8中适应度函数计算值大的个体保留下来，依次取到满足种群规模数量的个体为止，组成新的种群；
步骤S10：判断步骤S9中的种群是否满足设定的进化代数，满足，则进化终止，步骤S9组成新的种群为最优调度方案；不满足，则转入步骤S6。
实施例2
为了验证本发明所提出的一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法的有效性，本实施例采用Matlab7.1仿真软件，在CPU为Intel Core22.16GHz，内存2G的计算机上进行仿真试验。
影响算法性能的因子主要有：工件到达时间、工件数量n、工件交货期系数、单位能耗的比率(单位时间机器预热能耗与单位时间机器等待能耗的比值)和机器数量，其中假设工件到达时间为正态分布：泊松分布：平均分布：和工件数分别取50、100、200；交货期：其中，c称为宽裕度系数，Ri为工件到达时间，Tij表示工件i在第j机器上的加工时间，取c＝4和c＝8分别代表紧交货期和松交货期；能耗比分别取2、4、8；机器数量分别取4、8、12；机器加工时间：10+10*rand(n,m)；机器加工工件的单位时间成本取从1到10之间的随机整数：pij1＝randi(10,1)；单位时间单位数量的惩罚成本取从1到10之间的随机整数，记为βi＝randi(10,1)；机器从停机状态到加工状态的预热时间αj则是工件加工时间的函数，randi(1)表示的是从0.1到1的随机数。
将本发明建立的轮胎硫化车间能耗优化调度模型，机器加工轮胎的最小化生产成本Emin数学模型各参数输入Matlab7.1仿真软件中，选择迭代次数为100，初始种群规模为50，交叉概率为0.85，分布，Matlab7.1仿真软件分别运行本发明提出的一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法和普通的遗传算法，结果参见附图2所示的收敛对比图，由附图2可知采用的是基于最小能耗成本(LPP)规则的遗传算法，其在迭代10之后，得到了最优值，其值为72361，普通遗传算法要迭代50次以后才得到最优值，其值为75736，因此无论是收敛速度还是搜索最优值均好于普通遗传算法。
实施例3
进一步，为验证本发明技术方案的有效性和实用性，在某橡胶轮胎企业中运用本发明提出的技术方案。现有100个待加工工件，100个待加工工件安排生产计划(数据见表1)，其中共12台硫化机，表2表示的是各台机器三种状态下能耗成本费率，表3表示的是各工件在机器上的加工时间，达到时间、交货期和拖期惩罚费率；表4是基于LPP-GA算法工件加工顺序表；表5为LPP-GA遗传算法和随机-GA(普通遗传算法)结果对比表。
表1待加工工件安排生产计划
表2机器三种运行状态下能耗成本费率(元/小时)
表3工件在机器上的加工时间，达到时间、交货期和拖期惩罚费率
表4基于LPP-GA算法工件加工顺序表
表5LPP-GA遗传算法和随机-GA(普通遗传算法)结果对比
设置遗传算法的基本参数：染色体个体数100个，迭代次数100次，交叉概率为0.7，变异概率0.1，分别调用LPP-GA(混合遗传算法)和随机-GA(普通遗传算法)对其进行求解。
由表5可知采用LPP-GA算法算法求解好于随机-GA(普通遗传)算法，与实施例2中仿真结果一致。
参见附图3可知LPP-GA遗传算法，在迭代24次后就得到接近最优解，其值为5903.9，相比普通遗传算法的成本减少了562.9，即8.7％。
与现有技术相比，本发明将轮胎硫化车间能耗优化问题抽象为一类非同等并行机调度问题，针对硫化车间能耗调度这类非同等并行机问题规模大、复杂性强、要求时间短等特点，建立基于机器运行状态的拖期成本和能耗成本最小的优化调度模型，在该调度模型的基础上结合具有针对性的编码设计方法和基于启发式规则的初始化方法，以及遗传操作方法，提出一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法。本发明的调度方法流程简单，得到最优调度方案的求解速度提高了5倍，每台加工机器生产成本降低了8.7％，能够为企业节约能源、降低生产成本，并保证企业及时交货。

Claims (1)

1.一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法，其特征在于，包括以下步骤：
步骤S1：构建轮胎硫化车间能耗优化调度模型，确定机器加工轮胎的最小化生产成本Emin,所述Emin由两部分组成,包括工件拖期惩罚成本和机器能耗成本，目标函数如公式(1.1)所示：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>E</mi> <mi>min</mi> </msub> <mo>=</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>&amp;beta;</mi> <mi>i</mi> </msub> <mo>&amp;CenterDot;</mo> <mi>max</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>,</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>T</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>j</mi> <mn>1</mn> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>+</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>H</mi> </msubsup> <mrow> <mo>(</mo> <msub> <mi>S</mi> <msub> <mi>H</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>-</mo> <msub> <mi>C</mi> <msub> <mi>H</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mi>j</mi> </mrow> </msub> </msub> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <msub> <mi>Y</mi> <mrow> <msub> <mi>&amp;Delta;t</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </msub> <mo>)</mo> </mrow> <mo>&amp;CenterDot;</mo> <msub> <mi>p</mi> <mrow> <mi>j</mi> <mn>2</mn> </mrow> </msub> <mo>+</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>H</mi> </msubsup> <msub> <mi>a</mi> <mi>j</mi> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>p</mi> <mrow> <mi>j</mi> <mn>3</mn> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>Y</mi> <mrow> <msub> <mi>&amp;Delta;t</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1.1</mn> <mo>)</mo> </mrow> </mrow>
该数学模型应满足下列约束条件：
<mrow> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msub> <mi>X</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1.2</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>Y</mi> <mrow> <msub> <mi>&amp;Delta;t</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </mrow> </msub> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;alpha;p</mi> <mrow> <mi>j</mi> <mn>3</mn> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;Delta;t</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>p</mi> <mrow> <mi>j</mi> <mn>2</mn> </mrow> </msub> <mo>&lt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;Delta;t</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>S</mi> <msub> <mi>H</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> </msub> <mo>-</mo> <msub> <mi>C</mi> <msub> <mi>H</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <mi>j</mi> </mrow> </msub> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1.3</mn> <mo>)</mo> </mrow> </mrow>
Ci＝Si+Tij·Xij (1.4)
Si＞Ri (1.5)
C0＝0 (1.6)
<mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mi>l</mi> <mo>&amp;NotEqual;</mo> <mi>h</mi> </mrow> <mi>n</mi> </msubsup> <msub> <mi>U</mi> <mrow> <mi>l</mi> <mi>h</mi> <mi>j</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>o</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mi>o</mi> <mo>&amp;NotEqual;</mo> <mi>h</mi> </mrow> <mi>n</mi> </msubsup> <msub> <mi>U</mi> <mrow> <mi>h</mi> <mi>o</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mn>0</mn> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1.7</mn> <mo>)</mo> </mrow> </mrow>
式(1.2)表示一个工件同一时间只能安排在一台机器上加工；
式(1.3)用于确定机器从停—开机状态，当时确定机器开始启动预热，αpj3-Δtijpj2＜0用于判断机器是否仍处于预热状态，该不等式成立，则表明机器仍需要继续预热；
式(1.4)计算工件的完工时间；
式(1.5)表示工件的开始加工时间不能早于其到达时间；
式(1.6)定义下标为0的工件完工时间为0；
式(1.7)表示机器同一时间只能加工一个工件；
以下是数学模型用的参数变量：
βi：工件i的单位拖期惩罚成本；
αj：机器Mj从停机到运行状态需要的时间；
m：机器的数量；
n：工件的数量；
Mj：第j台机器；
Ji：第i个工件；
Hj：安排在机器j上加工的工件数量；
Hij：安排在机器j上加工的第i个工件；
Si：工件i的开始加工时间；
Ci：工件i完工时间；
Ri：工件i到达车间的时间；
Di：工件i交货期；
pij1：工件i在机器Mj运行时的单位时间能耗成本；
pj2：机器Mj待机时的单位时间能耗成本；
pj3：机器Mj从停机到运行状态的单位时间能耗成本；
Tij：工件i在机器Mj的加工时间；
决策标量：
式(1.8)用于判断某个工件是否在指定机器上加工，若Xij＝1则表示工件i在机器j上加工，否则不在机器j上加工；
式(1.9)表示机器加工完一个工件后是否马上加工下一个工件，若Ulhj＝1，则表示马上接着加工工件，表明机器仍处于正常工作状；
式(1.10)表示用于判断机器何时有停机转为运行状态；
步骤S2：针对步骤S1构建轮胎硫化车间能耗优化调度模型，对加工工件和机器进行矩阵编码，作为父代，所述矩阵编码为：用ni表示工件，i为十进制数，整数“0”表示为每台机器的间隔标志，工件的加工顺序由工件的排列顺序决定，具体矩阵表达式如下：
m＝[n2，n5，n4，0，n3，n9，0，n1，n7，0，n6，n8，0……]
即每个机器上加工的工件的分配情况作为染色体的一段基因，机器采用“0”作为标记；
步骤S3：基于最小运行能耗规则对父代进行初始化种群；其中所述最小运行能耗规则为：
先计算工件平均运行能耗成本poi，将poi按递增工件进行排序，得到工件加工队列Q，将工件加工队列Q安排到机器上加工，工件同一时间有多台机器可加工的，选择运行能耗最小的机器上加工，由此得到一个新的个体，还需要产生的其余的个体则按照工件的交货期Di的值对工件进行递增排序，得到工件加工队列，将交货期最短的工件安排到第1个机器上加工，交货期第2短的工件安排到第2个机器上加工，以此类推；
工件平均运行能耗成本poi如式(1.11)所示：
<mrow> <msub> <mi>po</mi> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <mfrac> <mrow> <msub> <mi>T</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>j</mi> <mn>1</mn> </mrow> </msub> </mrow> <mi>m</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1.11</mn> <mo>)</mo> </mrow> </mrow>
其中：m:机器的数量；
Tij：工件i在机器Mj的加工时间；
pij1：工件i在机器Mj运行时的单位时间能耗成本；
步骤S4：确定适应性函数F(i)，适应度函数如式(1.12)所示：
<mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>&amp;sigma;</mi> <mo>&amp;CenterDot;</mo> <msup> <mi>e</mi> <mrow> <mo>-</mo> <msub> <mi>&amp;xi;E</mi> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1.12</mn> <mo>)</mo> </mrow> </mrow> 2
其中，σ和ξ取值为1；
步骤S5：根据步骤S4确定的适应性函数F(i)，采用轮盘赌方式对步骤S3中的初始化种群的个体进行选择操作，把选择后的个体存储到交配池，以便进行配对；假若个体为i，适应度函数为F(i)，种群大小为M,则个体被选择的概率pi由式(1.13)确定：
<mrow> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </msubsup> <mi>f</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1.13</mn> <mo>)</mo> </mrow> </mrow>
步骤S6：对步骤S5选择出的个体以概率PC进行交叉操作；
步骤S7：对步骤S6交叉操作后的个体以概率Pm进行变异操作；
步骤S8：将步骤S7变异操作得到的个体进行适应度函数计算，并保存所有的个体的适应度值；
步骤S9：将步骤S8中适应度函数计算值大的个体保留下来，依次取到满足种群规模数量的个体为止，组成新的种群；
步骤S10：判断步骤S9中的种群是否满足设定的进化代数，满足，则进化终止，步骤S9组成新的种群为最优调度方案；不满足，则转入步骤S6。
CN201410475461.4A 2014-09-17 2014-09-17 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法 Active CN104376369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410475461.4A CN104376369B (zh) 2014-09-17 2014-09-17 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410475461.4A CN104376369B (zh) 2014-09-17 2014-09-17 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法

Publications (2)

Publication Number Publication Date
CN104376369A CN104376369A (zh) 2015-02-25
CN104376369B true CN104376369B (zh) 2017-10-10

Family

ID=52555264

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410475461.4A Active CN104376369B (zh) 2014-09-17 2014-09-17 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法

Country Status (1)

Country Link
CN (1) CN104376369B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105117801B (zh) * 2015-09-07 2019-01-18 广东工业大学 基于智能算法的轮胎成型-硫化生产能耗实时优化方法
CN106611218A (zh) * 2015-12-09 2017-05-03 四川用联信息技术有限公司 求解带设置时间的置换流水车间调度的适应性混合算法
JP6474356B2 (ja) * 2016-01-21 2019-02-27 ファナック株式会社 複数の機械の最適な暖機運転開始時刻を提供する管理システム
CN105741181A (zh) * 2016-02-03 2016-07-06 四川索牌科技股份有限公司 一种不同并行机混合流水线车间调度方法
CN106020142A (zh) * 2016-05-16 2016-10-12 佛山市南海区广工大数控装备协同创新研究院 考虑能耗成本与加权拖期成本的柔性作业车间调度方法
CN108846480B (zh) * 2018-06-15 2022-03-25 广东工业大学 一种基于遗传算法的多规格一维套料方法及装置
CN111665799B (zh) * 2020-05-20 2023-08-29 同济大学 一种基于协同算法的时间约束型并行机节能调度方法
CN111966049B (zh) * 2020-06-22 2023-08-29 同济大学 一种混合流水车间生产设备调度控制方法
CN112242804B (zh) * 2020-09-15 2022-03-18 浙江工业大学 步进式电-机械转换器的自抗扰同步跟踪控制方法
CN113408988B (zh) * 2021-06-29 2023-05-16 同济大学 仓储系统的调度优化方法、电子设备及存储介质
CN115271167B (zh) * 2022-06-23 2023-04-07 合肥工业大学 基于bp神经网络的轮胎硫化质量rfv指标预测方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258247A (zh) * 2013-05-17 2013-08-21 广东工业大学 一种基于目标级联分析法的碳排放优化方法
CN103302777A (zh) * 2013-06-26 2013-09-18 广东工业大学 一种基于神经网络的轮胎硫化机能耗异常检测方法
CN103425099A (zh) * 2013-07-16 2013-12-04 广东工业大学 一种硫化过程嵌入式碳排放监控与检测系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258247A (zh) * 2013-05-17 2013-08-21 广东工业大学 一种基于目标级联分析法的碳排放优化方法
CN103302777A (zh) * 2013-06-26 2013-09-18 广东工业大学 一种基于神经网络的轮胎硫化机能耗异常检测方法
CN103425099A (zh) * 2013-07-16 2013-12-04 广东工业大学 一种硫化过程嵌入式碳排放监控与检测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Statistical Modeling for Energy Consumption and Anomaly Detection Rubber Vulcanization Process;Hai-Dong Yang.etc;《JOURNAL OF ENERGY ENGINEERING》;20130630;第65-71页 *
考虑能耗成本和拖期成本的非同等并行机调度;唐万和 等;《软件》;20140331;第35卷(第3期);第52-57页 *

Also Published As

Publication number Publication date
CN104376369A (zh) 2015-02-25

Similar Documents

Publication Publication Date Title
CN104376369B (zh) 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法
Wang et al. Dual-objective program and improved artificial bee colony for the optimization of energy-conscious milling parameters subject to multiple constraints
CN106295878B (zh) 一种基于Petri网与改进遗传算法的柔性作业车间调度系统
CN102183931B (zh) 基于时间约束的机械加工生产过程优化调度方法
CN105117801B (zh) 基于智能算法的轮胎成型-硫化生产能耗实时优化方法
CN104281128A (zh) 一种基于启发式规则的硫化车间能耗优化调度方法
CN111563336A (zh) 一种基于改进遗传算法的柔性制造系统无死锁调度方法
CN102773981A (zh) 一种注塑机节能优化系统的实现方法
CN101158952A (zh) 基于流处理的生物序列数据库搜索多层次加速方法
CN101788819A (zh) 大规模生产过程一种基于迭代式分解和流松驰的调度方法
CN104408528A (zh) 一种化工生产中原料浸取过程的优化调度方法
CN101923589B (zh) 子午线轮胎成型过程的模拟方法
CN104463414B (zh) 一种分时电价下热轧生产经济负荷调度方法
CN105975701A (zh) 一种基于混合模糊模型的并行调度拆卸路径生成方法
CN107944765A (zh) 智能制造生产调度协同管控能力的评估系统和评估方法
CN105843189A (zh) 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法
CN102540997B (zh) 轮胎硫化生产控制系统与作业计划执行方法
CN103699354A (zh) 基于链置换反应的分子加法器构建方法
CN109255484A (zh) 数据驱动的离散制造资源协同优化方法及系统
CN103353916A (zh) 基于工程的复合材料层合板铺层优化后处理方法
CN113848904B (zh) 一种基于惩罚能耗优化多移动机器人任务分配的方法
CN108828942A (zh) 一种橡胶轮胎生产中硫化工艺过程的优化调度方法
CN106020142A (zh) 考虑能耗成本与加权拖期成本的柔性作业车间调度方法
CN101261694A (zh) 一种流程工业拟实优化调度的仿真验证方法
CN104182854A (zh) 一种面向企业能源管理系统的混合能耗测算的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant