CN104503381A - 一种手机的生产装配过程的优化调度方法 - Google Patents
一种手机的生产装配过程的优化调度方法 Download PDFInfo
- Publication number
- CN104503381A CN104503381A CN201410668098.8A CN201410668098A CN104503381A CN 104503381 A CN104503381 A CN 104503381A CN 201410668098 A CN201410668098 A CN 201410668098A CN 104503381 A CN104503381 A CN 104503381A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- gen
- mtd
- msub
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 56
- 238000009826 distribution Methods 0.000 claims abstract description 35
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000013459 approach Methods 0.000 description 5
- 230000001174 ascending effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
Abstract
本发明涉及一种手机的生产装配过程的优化调度方法,属于生产车间智能优化调度技术领域。本发明通过确定手机的生产装配过程调度模型和优化目标,并使用改进的自适应分布估计算法的优化调度方法对优化目标进行优化;其中调度模型依据手机的零件在各台机器上的加工时间和最终装配完成时间来建立,以最小化最大完成时间为优化目标。本发明使得手机的生产装配过程的表达清晰准确;对全局搜索找到的优质区域进行较为细致的局部搜索,从而在全局和局部搜索之间到达较好的平衡。
Description
技术领域
本发明涉及一种手机的生产装配过程的优化调度方法,属于生产车间智能优化调度技术领域。
背景技术
目前国内汽车内饰零件生产公司已进入微利发展阶段,如何生产更高质量、更低成本的产品已关系到企业能否继续生存,面对这样一个至关重要的问题,各公司都在考虑各种对策,而其中一个好的方法就是,努力通过优化生产装配工序,缩短工时以缩减成本,提高产品的价格竞争力。
在现代手机制造企业中,装配工作量占整个产品工作量的相当大比重,而且生产手机的技术越来越成熟,只有提供更加美观、人性化、高质量、低价的手机,才能使自己立于不败之地。而在中国的市场中,价格无疑是企业竞争的致命弱点。目前中国正处于制造业快速发展的阶段,自动化程度还比较低,因此,合理平衡装配流水线,提高效率能为企业带来巨大的效益。
在手机的生产装配过程中,主要包括手机的零件的加工、运输和组装3个阶段。每种手机需要在第一阶段9台设备上分别加工而成的9个零件在第三阶段组装而成;每种手机对应的9个零件在第一阶段全部加工完成后,则立刻由第二阶段收集、运输到第三阶段等待组装;各种手机对应的零件按手机加工顺序依次经过三个阶段进行处理;第一阶段的任一加工设备在同一时刻只能加工一种零件,不同零件间带序相关设置时间,设置时间依赖于加工顺序;第三阶段的组装设备在同一时刻只能组装同一种手机,不同手机间设置时间为0。
手机的生产装配过程属于一类典型的三阶段装配流水线生产过程,学术界已定义这类装配流水线为三阶段装配流水线(Three-Stage Assembly Flowshop,TSAF),并证明第一个阶段含有两台机器以上的TSAF调度问题属于NP难问题,即不存在一个多项式时间内的算法即可解决的复杂问题。显然,第一阶段含有9台机器数的TSAF调度问题(即:手机的生产装配流水线调度问题),也属于NP难问题范畴。对该问题进行合理的调度,可明显提高手机的生产装配流水线系统的生产效率。
由于手机的生产装配流水线调度问题是NP难问题,使得传统的数学规划方法无法解决该问题,因此,本发明设计一种改进的自适应分布估计算法(Modified Adaptive Estimation ofDistribution Algorithm,MAEDA)的优化调度方法,可在较短时间内获得手机的生产装配过程的调度问题的优良解。
发明内容
本发明所要解决的技术问题是在较短时间内获得手机的生产装配过程调度问题的优良解的问题,提供了一种手机的生产装配过程的优化调度方法。
本发明的技术方案是:一种手机的生产装配过程的优化调度方法,通过确定手机的生产装配过程调度模型和优化目标,并使用改进的自适应分布估计算法的优化调度方法对优化目标进行优化;其中调度模型依据手机的零件在各台机器上的加工时间和最终装配完成时间来建立,以最小化最大完成时间为优化目标:
其中, 为待加工的n台手机基于加工顺序的排列, 为组装第i台手机需要在第一阶段第k台设备上加工的手机零件,S(Oi-1,k,Oi,k)为零件Oi-1,k和零件Oi,k之间的设置时间且S(O0,k,O1,k)>0,p(Oi,k)为零件Oi,k的加工时间,为第二阶段收集、运输属于手机的所有零件到第三阶段组装设备的时间,为属于手机的所有零件经过第一阶段加工和第二阶段收集、运输所需的最大处理时间且为手机在第三阶段的组装时间,为手机的完成时间且Cmax(πP)为所有手机的最大完成时间;优化目标为在所有手机加工顺序的集合Π中找到一个πP*,使得目标函数Cmax(πP)最小。
所述改进的自适应分布估计算法的优化调度方法的具体步骤如下:
Step1、编码方式:以每种手机的加工装配顺序进行编码其中n为待加工手机的个数,Oi,k为待组装的手机需要在第一阶段第k台设备上加工的零件;
Step2、种群和概率分布模型初始化:种群规模为M,采用随机方法产生初始化种群,直至初始解的数量达到种群规模的要求;采用一个n×n维的矩阵P(gen)表示算法第gen代的概率分布模型;
其中,Pi(gen)=[Pi1(gen),Pi2(gen),…,Pin(gen)]为P(gen)中第i行行向量,Pij(gen)是P(gen)的第i行第j列元素且表示第gen代时手机j在个体或解的第i位上出现的概率P(gen)从数值上反映不同手机的加工优先关系,Pij(gen)越大,表示在第gen代时手机j在个体的第i位上出现的概率越大;
Step3、更新概率分布模型:首先判断所获得的“最优个体”是否连续十代没有更新,若是,则对概率矩阵进行从新初始化;否则采用基于信息熵的学习速率和变异速率自适应调整机制,使用算法在搜索过程中找到的“最优个体”对概率矩阵进行更新;
Step4、采样并产生新的种群:采用轮盘赌的方式对概率分布模型进行采样;
Step5、基于首次改进跳出原则的“Insert”变异操作:使用首次改进跳出原则的“Insert”变异操作对种群中的最优个体或解执行局部搜索;
Step6、终止条件:设定终止条件的最大迭代次数为200,如果满足,则输出“最优个体”;否则转至步骤Step3,反复迭代,直到满足终止条件。
本发明的工作原理是:
步骤1:建立手机的生产装配过程调度模型和优化目标。
调度模型依据手机的零件在各台机器上的加工时间和最终装配完成时间来建立,以最小化最大完成时间为优化目标:
其中, 为待加工的n台手机基于加工顺序的排列, 为组装第i台手机需要在第一阶段第k台设备上加工的手机零件,S(Oi-1,k,Oi,k)为零件Oi-1,k和零件Oi,k之间的设置时间且S(O0,k,O1,k)>0,p(Oi,k)为零件Oi,k的加工时间,为第二阶段收集、运输属于手机的所有零件到第三阶段组装设备的时间,为属于手机的所有零件经过第一阶段加工和第二阶段收集、运输所需的最大处理时间且为手机在第三阶段的组装时间,为手机的完成时间且Cmax(πP)为所有手机的最大完成时间;优化目标为在所有手机加工顺序的集合Π中找到一个πP*,使得目标函数Cmax(πP)最小。
步骤2:解的表示。
本发明提出基于手机加工顺序的编码方式。譬如,对于n=6,m=9的手机的生产装配过程调度问题, 就为该问题的一个解或排列。该排列表示编号为6的手机最先进行加工,即编号为6的手机对应的零件O6,1、O6,2、O6,3、O6,4、O6,5、O6,6、O6,7、O6,8、O6,9分别在第一阶段第1至9台设备上最先加工,然后最先经过第二阶段和第三阶段的处理;其次是编号为3的手机第2个进行加工,即编号为3的手机对应的零件O3,1、O3,2、O3,3、O3,4、O3,5、O3,6、O3,7、O3,8、O3,9分别在第一阶段第1至9台设备上紧接着零件O6,1、O6,2、O6,3、O6,4、O6,5、O6,6、O6,7、O6,8、O6,9进行加工,然后第2个经过第二阶段和第三阶段的处理;接下来的编号为5、1、4、2的手机依次进行加工。对于其它不同规模的问题,只是n和m的值可能不同,表达方式与上面上同。
步骤3:种群初始化策略。
在种群初始化时,一部分个体或解采用扩展的SPT规则生成,这可确保初始种群包括一定的优质个体,使得概率分布矩阵利用种群中的优势子种群进行初次更新时能积累优质解信息;其余部分个体采用随机方式生成,这有利于保持种群的多样性和分散性。其中,扩展的SPT规则生成方式为:1)对第一阶段每台设备上加工的零件分别按加工时间进行升序排序,这样就有m个序列,然后把每个序列中的零件用其所属的手机替换,即可得到m个个体;2)把1)中“按加工时间进行升序排序”替换为“按加工时间和设置时间之和进行升序排序”,然后执行和1)相同的操作,即可得到另外的m个个体;3)对第三阶段设备上组装的手机按组装时间进行升序排列,即可得到1个个体;4)求出每台手机所有零件在第一阶段m台机器上的平均加工时间,再求每台手机第一阶段平均加工时间与其在后两阶段的处理时间之和,然后将手机按此和值进行排序,即可得到1个个体。这样可产生2m+2个个体。
步骤4:概率分布模型初始化策略。
MAEDA采用一个n×n维的矩阵P(gen)表示算法第gen代的概率分布模型,即:
其中,Pi(gen)=[Pi1(gen),Pi2(gen),…,Pin(gen)]为P(gen)中第i行行向量,Pij(gen)是P(gen)的第i行第j列元素且表示第gen代时手机j在个体或解的第i位上出现的概率P(gen)从数值上反映不同手机的加工优先关系,Pij(gen)越大,表示在第gen代时手机j在个体的第i位上出现的概率越大;
在算法初始时(gen=0),设定Pij(0)=1/(n×n),i,j=1,…,n。相对于常规方式设定Pij(0)=1/n,设定Pij(0)=1/(n×n)可使P(gen)在初次更新(由P(0)更新为P(1))和进行“行”归一化后更多地积累初始种群中优质个体信息,即可增大优质个体中第i位(i=1,…,n)对应的产品bj(bj∈{1,…,n})在Pi(gen)中第bj列的数值,使手机bj在对Pi(gen)轮盘赌采样生成新个体的第i位时被选中的概率增加。这有利于引导算法在优质个体附近进行搜索,可适当改善算法初期的搜索能力。
步骤5:概率分布模型自适应更新机制。
对于基于EDA的算法,概率分布模型决定了算法的搜索方向,其更新机制对算法性能有较大影响。对于MAEDA,概率分布模型或矩阵P(gen)的更新主要取决于学习速率和变异速率。首先,较小的学习速率或较大的变异速率有利于种群多样性水平的保持,进而算法可获得较好的搜索宽度,但收敛速度会变慢,甚至不收敛,导致算法的搜索深度难以得到保证;其次,较大的学习速率或较小的变异速率可以加快算法的收敛速度,算法将具有较好的搜索深度,但算法很容易陷入局部最优,进而造成早熟收敛,使得算法的搜索宽度无法保持。如何在算法进化过程中合理设定学习速率和变异速率,从而确保算法在搜索宽度和深度之间找到合理平衡,是有效提高算法性能的关键。因此,提出了基于信息熵的学习速率和变异速率自适应调整机制,用于更新P(gen)。令E(gen)为第gen代P(gen)的信息熵,即有:
从算法第1代开始,随着运行或进化代数gen的增加,Pij(gen)将逐渐向0或1靠近(最优解或最优个体对应的元素向1靠近,其他元素向0靠近),使得E(gen)不断减小并最终趋向于0。由此可见,MAEDA的进化过程也是E(gen)逐渐下降的过程,E(gen)能够一定程度地反映算法的进化程度。因此,算法第gen代的学习率r(gen)采用下式计算:
其中,E0为信息熵阈值,设定为E0=0.6EM(EM=n ln n为E(gen)的上限),rf为最终学习速率(rf=0.08),rmin为最小学习速率(rmin=0.02且rmin<rf<1),α为控制参数(取值一般在2至6之间)。在算法进化初期,r(gen)取值相对较大,随着gen的增加,E(gen)逐渐接近E0,而r(gen)逐渐减小并趋于rf。
为了较好地确保算法搜索的方向性,MAEDA采用算法到第gen代为止所找到的最优个体 作为优势子种群,来对P(gen)进行更新。令B(gen)为第gen代n×n维的更新矩阵。B(gen)中的元素除了当其下标(i,j)属于时取值为1外,其余取值均为0。P(gen)采用下式进行更新:
P(gen+1)=(1-r(gen))×P(gen)+(r(gen)/n)×B(gen)
在算法进化初期,r(gen)取值较大,这样将P(gen)更新为P(gen+1)并进一步对P(gen+1)做“行”归一化后,可较明显增大Pi(gen+1)中第列的数值(i=1,…,n),使得产品在对Pi(gen+1)轮盘赌采样生成新个体的第i位时被选中的概率增加。这有助于种群在πPbest(gen)附近搜索,可增加搜索的力度和深度。随着gen的增加,r(gen)取值逐渐减小,这时不仅手机在生成新个体的第i位时被选中的概率相对变小,同时P(gen+1)的收敛速度(即P(gen+1)中的元素逐渐趋于0或1的速度)得以适当减慢。这有利于在算法后期保持种群的多样性,可提高搜索的宽度和精度。
由于手机的生产装配过程调度问题为强NP-hard问题,问题解空间非常复杂,为避免算法过早陷入局部最优,从gen=1开始,将P(gen)更新为P(gen+1)后,根据变异率PM(gen)对P(gen+1)进行一定的扰动或变异,从而进一步增加种群的多样性。
令random(0,1)为产生[0,1]之间均匀分布的随机数,random(0 or 1)为随机产生0或1,C(gen)为第gen代n×n维的变异矩阵。C(gen)中的每个元素在每一代均分别由random(0 or 1)赋值。在执行r(gen)对P(gen)更新为P(gen+1)之后,如果random(0,1)<PM(gen)成立则采用下式对P(gen+1)进行变异:
P(gen+1)=(1-rM(gen))P(gen+1)+rM(gen)×C(gen)
其中,rM(gen)为变异速率。为了适当增强变异的效果,故将rM(gen)取值为r(gen)/2。随着gen的增加,PM(gen)逐渐变大,则执行对P(gen+1)进行变异的概率增大,这可有效减缓P(gen+1)的收敛速度,从而在一定程度上防止早熟收敛。
为进一步避免算法陷入局部最优,从gen=1开始,在计算出第gen代P(gen)的信息熵E(gen)后,如果种群中最优个体πPbest(gen)连续10代没有变化或者E(gen)小于1,则强制对P(gen)执行初始化操作进行复位,确保其能引导算法搜索更多的不同区域,然后再对复位后的P(gen)利用学习速率和变异率对其进行更新。此外,在执行学习速率和变异率对其更新完成后,需对P(gen+1)进行“行”归一化处理,即保证Pi(gen+1)中元素之和为1,以便下一步采用轮盘赌生成新种群。
步骤6:新种群采样生成方法。
采样生成新种群,就是对第gen+1代种群中每个个体的第i位更新后的Pi(gen+1)进行轮盘赌采样生成(i=1,…,n)。为进一步确保优质个体 的信息得以保留,在生成每个新个体时,首先从πPbest(gen)中随机选择L(L=0.2n)个位置,将其对应的元素或产品保留到新个体的相同位置上,然后剩余n-L个位置的元素再由轮盘赌采样确定。在轮盘赌采样过程中,如果某一位置选中的元素与之前已确定的任一元素相同,则重新进行采样,直到选中不同元素为止。
步骤7:基于首次改进跳出原则的Insert邻域搜索。
为增强MAEDA的局部搜索能力,可对所生成新种群中历史最好的个体或解执行基于“Insert”领域的搜索。令NInsert(π,u,v)为将排列π中第u个位置上的元素或产品插入到第v个位置上。排列π基于NInsert(π,u,v)的邻域可表示为:
Ninsert(π)={πtemp=Insert(π,u,v)|v≠u,u-1;u,v=1,2,…,n}
首次改进跳出原则的Insert领域搜索为搜索到NInsert(π,u,v)第一个较优邻域解则跳出当前循环并将该邻域解作为当前最优解。基于上述定义,FindFirstSkipNInsert(π,u,v)的步骤如下:
步骤7.1:令u=1,v=2,
步骤7.2:
步骤7.3:若 则
步骤7.3.1:u=u+1;
步骤7.3.2:若u≤n,转到步骤7.2,否则,转到步骤7.5;
步骤7.4:若 则v=v+1;
步骤7.4.1:如果v≤n且v≠u,转到步骤7.2,否则转到步骤7.3.1;
步骤7.5:输出
步骤8:判断是否输出优化结果。
如达到设定的最大迭代次数200,则输出“最优个体”;否则,令gen=gen+1,返回步骤5。
本发明的有益效果是:
1、提出了手机的生产装配过程的调度模型和优化目标,使得手机的生产装配过程的表达清晰准确;
2、提出了概率分布模型初始化策略,使得P(0)能积累更多的有效信息,为算法后续搜索提高了较好的初始搜索区域;
3、提出一种分布模型自适应更新机制,利用信息熵来度量算法的进化程度并依此实时更新P(gen+1),并根据P(gen+1)生成保留优良模式的新种群并实现全局搜索;
4、对全局搜索找到的优质区域进行较为细致的局部搜索,从而在全局和局部搜索之间到达较好的平衡;使MAEDA有望成为求解手机的生产装配过程的调度模型的有效算法。
附图说明
图1为本发明中手机的生产装配过程示意图;
图2为两种手机的生产装配过程甘特图;
图3为本发明的算法流程图;
图4为本发明中问题规模为n=6解的表达示意图;
图5为本发明的基于“Insert”的变异示意图。
具体实施方式
实施例1:如图1-5所示,一种手机的生产装配过程的优化调度方法,通过确定手机的生产装配过程调度模型和优化目标,并使用改进的自适应分布估计算法的优化调度方法对优化目标进行优化;其中调度模型依据手机的零件在各台机器上的加工时间和最终装配完成时间来建立,以最小化最大完成时间为优化目标:
其中, 为待加工的n台手机基于加工顺序的排列, 为组装第i台手机需要在第一阶段第k台设备上加工的手机零件,S(Oi-1,k,Oi,k)为零件Oi-1,k和零件Oi,k之间的设置时间且S(O0,k,O1,k)>0,p(Oi,k)为零件Oi,k的加工时间,为第二阶段收集、运输属于手机的所有零件到第三阶段组装设备的时间,为属于手机的所有零件经过第一阶段加工和第二阶段收集、运输所需的最大处理时间且为手机在第三阶段的组装时间,为手机的完成时间且Cmax(πP)为所有手机的最大完成时间;优化目标为在所有手机加工顺序的集合Π中找到一个πP*,使得目标函数Cmax(πP)最小。
所述改进的自适应分布估计算法的优化调度方法的具体步骤如下:
Step1、编码方式:以每种手机的加工装配顺序进行编码其中n为待加工手机的个数,Oi,k为待组装的手机需要在第一阶段第k台设备上加工的零件;
Step2、种群和概率分布模型初始化:种群规模为M,采用随机方法产生初始化种群,直至初始解的数量达到种群规模的要求;采用一个n×n维的矩阵P(gen)表示算法第gen代的概率分布模型;
其中,Pi(gen)=[Pi1(gen),Pi2(gen),…,Pin(gen)]为P(gen)中第i行行向量,Pij(gen)是P(gen)的第i行第j列元素且表示第gen代时手机j在个体或解的第i位上出现的概率P(gen)从数值上反映不同手机的加工优先关系,Pij(gen)越大,表示在第gen代时手机j在个体的第i位上出现的概率越大;
Step3、更新概率分布模型:首先判断所获得的“最优个体”是否连续十代没有更新,若是,则对概率矩阵进行从新初始化;否则采用基于信息熵的学习速率和变异速率自适应调整机制,使用算法在搜索过程中找到的“最优个体”对概率矩阵进行更新;
Step4、采样并产生新的种群:采用轮盘赌的方式对概率分布模型进行采样;
Step5、基于首次改进跳出原则的“Insert”变异操作:使用首次改进跳出原则的“Insert”变异操作对种群中的最优个体或解执行局部搜索;
Step6、终止条件:设定终止条件的最大迭代次数为200,如果满足,则输出“最优个体”;否则转至步骤Step3,反复迭代,直到满足终止条件。
实施例2:如图1-5所示,一种手机的生产装配过程的优化调度方法,通过确定手机的生产装配过程调度模型和优化目标,并使用改进的自适应分布估计算法的优化调度方法对优化目标进行优化;其中调度模型依据手机的零件在各台机器上的加工时间和最终装配完成时间来建立,以最小化最大完成时间为优化目标:
其中, 为待加工的n台手机基于加工顺序的排列, 为组装第i台手机需要在第一阶段第k台设备上加工的手机零件,S(Oi-1,k,Oi,k)为零件Oi-1,k和零件Oi,k之间的设置时间且S(O0,k,O1,k)>0,p(Oi,k)为零件Oi,k的加工时间,为第二阶段收集、运输属于手机的所有零件到第三阶段组装设备的时间,为属于手机的所有零件经过第一阶段加工和第二阶段收集、运输所需的最大处理时间且为手机在第三阶段的组装时间,为手机的完成时间且Cmax(πP)为所有手机的最大完成时间;优化目标为在所有手机加工顺序的集合Π中找到一个πP*,使得目标函数Cmax(πP)最小。
所述改进的自适应分布估计算法的优化调度方法的具体步骤如下:
Step1、编码方式:以每种手机的加工装配顺序进行编码其中n为待加工手机的个数,Oi,k为待组装的手机需要在第一阶段第k台设备上加工的零件;
Step2、种群和概率分布模型初始化:种群规模为M,采用随机方法产生初始化种群,直至初始解的数量达到种群规模的要求;采用一个n×n维的矩阵P(gen)表示算法第gen代的概率分布模型;
其中,Pi(gen)=[Pi1(gen),Pi2(gen),…,Pin(gen)]为P(gen)中第i行行向量,Pij(gen)是P(gen)的第i行第j列元素且表示第gen代时手机j在个体或解的第i位上出现的概率P(gen)从数值上反映不同手机的加工优先关系,Pij(gen)越大,表示在第gen代时手机j在个体的第i位上出现的概率越大;
Step3、更新概率分布模型:首先判断所获得的“最优个体”是否连续十代没有更新,若是,则对概率矩阵进行从新初始化;否则采用基于信息熵的学习速率和变异速率自适应调整机制,使用算法在搜索过程中找到的“最优个体”对概率矩阵进行更新;
Step4、采样并产生新的种群:采用轮盘赌的方式对概率分布模型进行采样;
Step5、基于首次改进跳出原则的“Insert”变异操作:使用首次改进跳出原则的“Insert”变异操作对种群中的最优个体或解执行局部搜索;
Step6、终止条件:设定终止条件的最大迭代次数为200,如果满足,则输出“最优个体”;否则转至步骤Step3,反复迭代,直到满足终止条件。
种群规模设置为70。
具体的对比实验如下:
将本发明所设计的MAEDA与目前已有的主流算法——DPSO(见文献Tian Y,Liu D Y,Yuan D H,Wang K H.A discrete PSO for two-stage assembly scheduling problem.InternationalJournal of Advanced Manufacturing Technology,2013,66:481-499.)进行对比,验证MAEDA的有效性。两种算法的测试程序均由Delphi7.0编程实现,操作系统为Win XP,处理器为IntelCore Duo 3.30GHz,内存为4GB。两种算法对每个测试问题均在相同的运行时间下独立运行20次,取目标函数的平均值。其中,MAEDA运行200代,DPSO算法运行时间与MAEDA相同,测试结果如表1所示。表1给出了不同问题规模情况下所求得的目标函数值:
表1 不同问题规模下所求得的目标函数值
n×m | 30×2 | 40×2 | 50×3 | 60×3 |
MAEDA | 1621 | 2232.9 | 2758.85 | 3339 |
DPSO | 1621.3 | 2259.8 | 2827.7 | 3340.6 |
由表1可见,对于本发明所考虑的Cmax(πP)指标,对于所考虑的问题均明显优于DPSO算法,这表明MAEDA是求解手机的生产装配过程优化的一种有效算法。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (2)
1.一种手机的生产装配过程的优化调度方法,其特征在于:通过确定手机的生产装配过程调度模型和优化目标,并使用改进的自适应分布估计算法的优化调度方法对优化目标进行优化;其中调度模型依据手机的零件在各台机器上的加工时间和最终装配完成时间来建立,以最小化最大完成时间为优化目标:
πP*=arg{Cmax(πP)}→min,
其中, 为待加工的n台手机基于加工顺序的排列,Oi,k 为组装第i台手机需要在第一阶段第k台设备上加工的手机零件,S(Oi-1,k,Oi,k)为零件Oi-1,k和零件Oi,k之间的设置时间且S(O0,k,O1,k)>0,p(Oi,k)为零件Oi,k的加工时间,为第二阶段收集、运输属于手机的所有零件到第三阶段组装设备的时间,为属于手机的所有零件经过第一阶段加工和第二阶段收集、运输所需的最大处理时间且 为手机在第三阶段的组装时间,为手机的完成时间且Cmax(πP)为所有手机的最大完成时间;优化目标为在所有手机加工顺序的集合Π中找到一个πP*,使得目标函数Cmax(πP)最小。
2.根据权利要求1所述的手机的生产装配过程的优化调度方法,其特征在于:所述改进的自适应分布估计算法的优化调度方法的具体步骤如下:
Step1、编码方式:以每种手机的加工装配顺序进行编码其中n为待加工手机的个数,Oi,k为待组装的手机需要在第一阶段第k台设备上加工的零件;
Step2、种群和概率分布模型初始化:种群规模为M,采用随机方法产生初始化种群,直至初始解的数量达到种群规模的要求;采用一个n×n维的矩阵P(gen)表示算法第gen代的概率分布模型;
其中,Pi(gen)=[Pi1(gen),Pi2(gen),…,Pin(gen)]为P(gen)中第i行行向量,Pij(gen)是P(gen)的第i行第j列元素且表示第gen代时手机j在个体或解的第i位上出现的概率gen≥1,P(gen)从数值上反映不同手机的加工优先关系,Pij(gen)越大,表示在第gen代时手机j在个体的第i位上出现的概率越大;
Step3、更新概率分布模型:首先判断所获得的“最优个体”是否连续十代没有更新,若是,则对概率矩阵进行从新初始化;否则采用基于信息熵的学习速率和变异速率自适应调整机制,使用算法在搜索过程中找到的“最优个体”对概率矩阵进行更新;
Step4、采样并产生新的种群:采用轮盘赌的方式对概率分布模型进行采样;
Step5、基于首次改进跳出原则的“Insert”变异操作:使用首次改进跳出原则的“Insert”变异操作对种群中的最优个体或解执行局部搜索;
Step6、终止条件:设定终止条件的最大迭代次数为200,如果满足,则输出“最优个体”;否则转至步骤Step3,反复迭代,直到满足终止条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410668098.8A CN104503381B (zh) | 2014-11-20 | 2014-11-20 | 一种手机的生产装配过程的优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410668098.8A CN104503381B (zh) | 2014-11-20 | 2014-11-20 | 一种手机的生产装配过程的优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104503381A true CN104503381A (zh) | 2015-04-08 |
CN104503381B CN104503381B (zh) | 2018-08-31 |
Family
ID=52944785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410668098.8A Active CN104503381B (zh) | 2014-11-20 | 2014-11-20 | 一种手机的生产装配过程的优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104503381B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108255141A (zh) * | 2018-01-17 | 2018-07-06 | 北京理工大学 | 一种装配调度信息生成方法及系统 |
CN108628277A (zh) * | 2018-08-16 | 2018-10-09 | 珠海格力智能装备有限公司 | 工作站的分配处理方法及装置、系统 |
CN109031948A (zh) * | 2018-07-06 | 2018-12-18 | 昆明理工大学 | 一种板式家具产品生产过程的优化调度方法 |
CN113343367A (zh) * | 2021-07-08 | 2021-09-03 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于eda算法的舰船航空弹药转运调度优化方法和装置 |
CN113379065A (zh) * | 2021-05-17 | 2021-09-10 | 百融云创科技股份有限公司 | 一种基于多目标语法进化的自动机器学习方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489031A (zh) * | 2013-09-09 | 2014-01-01 | 昆明理工大学 | 一种化工生产中原料蒸发过程的优化调度方法 |
CN103838219A (zh) * | 2013-09-09 | 2014-06-04 | 昆明理工大学 | 一种多层印刷电路板制造中感光阻焊过程的优化调度方法 |
CN103941684A (zh) * | 2014-04-10 | 2014-07-23 | 昆明理工大学 | 一种多层线路板的化学镀铜工艺过程的优化调度方法 |
-
2014
- 2014-11-20 CN CN201410668098.8A patent/CN104503381B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489031A (zh) * | 2013-09-09 | 2014-01-01 | 昆明理工大学 | 一种化工生产中原料蒸发过程的优化调度方法 |
CN103838219A (zh) * | 2013-09-09 | 2014-06-04 | 昆明理工大学 | 一种多层印刷电路板制造中感光阻焊过程的优化调度方法 |
CN103941684A (zh) * | 2014-04-10 | 2014-07-23 | 昆明理工大学 | 一种多层线路板的化学镀铜工艺过程的优化调度方法 |
Non-Patent Citations (4)
Title |
---|
B QIAN ET AL.: "A DE-based Algorithm for Reentrant Permutation Flow-shop Scheduling with Different Job Reentrant times", 《2013 IEEE SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE IN SCHEDULING (CISCHED)》 * |
S HATAMI ETAL: "Two meta-heuristics for three-stage assembly flowshop scheduling with sequence-dependent setup time", 《INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
李作成等: "求解一类异构并行机调度问题的分布估计算法", 《计算机集成制造系统》 * |
李子辉等: "《计算机集成制造系统》", 4 July 2014 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108255141A (zh) * | 2018-01-17 | 2018-07-06 | 北京理工大学 | 一种装配调度信息生成方法及系统 |
CN108255141B (zh) * | 2018-01-17 | 2019-11-26 | 北京理工大学 | 一种装配调度信息生成方法及系统 |
CN109031948A (zh) * | 2018-07-06 | 2018-12-18 | 昆明理工大学 | 一种板式家具产品生产过程的优化调度方法 |
CN108628277A (zh) * | 2018-08-16 | 2018-10-09 | 珠海格力智能装备有限公司 | 工作站的分配处理方法及装置、系统 |
CN113379065A (zh) * | 2021-05-17 | 2021-09-10 | 百融云创科技股份有限公司 | 一种基于多目标语法进化的自动机器学习方法 |
CN113343367A (zh) * | 2021-07-08 | 2021-09-03 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于eda算法的舰船航空弹药转运调度优化方法和装置 |
CN113343367B (zh) * | 2021-07-08 | 2022-08-09 | 中国人民解放军海军航空大学航空作战勤务学院 | 基于eda算法的舰船航空弹药转运调度优化方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104503381B (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104503381B (zh) | 一种手机的生产装配过程的优化调度方法 | |
CN104537425B (zh) | 一种汽车空调出风口的生产装配过程的优化调度方法 | |
CN107203891A (zh) | 一种自动多阀值特征过滤方法及装置 | |
CN104536387A (zh) | 一种液晶电视机的生产装配过程的优化调度方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN114066122B (zh) | 一种基于多策略水波优化算法的调度方法 | |
CN104239634B (zh) | 一种天线设计方法 | |
CN112381273A (zh) | 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 | |
CN107609668A (zh) | 一种基于抽象凸自适应策略的生产排产调度优化方法 | |
CN117314078B (zh) | 基于Petri网和神经网络的柔性制造系统的无死锁调度方法 | |
CN104504127B (zh) | 用于电力用户分类的隶属度确定方法和系统 | |
CN117035364A (zh) | 基于改进混合模因算法的分布式异构流水车间调度方法 | |
CN111325487A (zh) | 一种流水生产车间智能调度优化方法及系统 | |
CN109081558B (zh) | 一种浮法玻璃成形过程的优化控制方法 | |
CN115169798A (zh) | 一种带准备时间分布式柔性作业车间调度方法及系统 | |
CN111665799B (zh) | 一种基于协同算法的时间约束型并行机节能调度方法 | |
CN103473614A (zh) | 基于碳排放评估模型的低碳工艺规划方法 | |
CN106130661A (zh) | 基于Hammerstein‑Wiener模型的宽带无线发射机识别方法 | |
CN117369378A (zh) | 基于蒙特卡洛树搜索算法的混流制造车间调度方法及系统 | |
CN117556532A (zh) | 一种新型涡轮盘预旋系统多元件匹配的优化方法 | |
CN104318307A (zh) | 一种基于自适应模糊遗传算法的轮胎花纹降噪方法 | |
CN105306075B (zh) | 一种三值fprm电路功耗最佳极性搜索方法 | |
CN104571007B (zh) | 一种轿车生产制造中总装配线生产装配过程的优化调度方法 | |
CN110689216B (zh) | 一种基于混合果蝇算法的机器人装配单元混合产品jit节能生产优化方法 | |
CN112949177B (zh) | 一种综合能源系统构建中的多优化目标赋权方法及系统 |
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 |