CN104504540A - 基于多阶段智能优化算法的动态柔性作业车间调度控制方法 - Google Patents

Abstract

本发明提供基于多阶段智能优化算法的动态柔性作业车间调度控制方法，解决了动态调度过程处理事件重调度时策略单一的问题。其方案是：包括第一阶段：初始调度方案的优化与选择；第二阶段：判断车间机床故障，并记录车间机床故障信息；第三阶段：进行重调度，确定重调度执行方案。本发明在整个动态调度与控制过程中建立多阶段，并且在每个阶段借助自适应遗传算法进行优化求解，在不同阶段采取不同的执行方案，加速处理动态事件的响应时间，提高重调度方案的可行性和稳定性，以获得高质量的适合车间实际生产的调度方案，缩短生产时间。

Description

基于多阶段智能优化算法的动态柔性作业车间调度控制方法

技术领域

本发明涉及车间生产调度控制技术领域，特别是用于柔性车间生产过程的调度管理与优化的基于多阶段智能优化算法的动态柔性作业车间调度控制方法。

背景技术

进入21世纪以来，随着全球市场竞争的加剧、客户需求越来越多样化和个性化，企业生产正朝着“品种多样、批量变小、注重交货期、减少库存”的方向发展，现代企业要想在激烈的竞争中立于不败之地，必须以最低的成本、最好的质量、最快的速度和最优的服务来快速响应市场，其中，车间生产调度是实现企业生产高效率、高柔性和高可靠性的关键因素之一，是企业制造系统的基础，生产调度与控制的优化技术是先进制造技术和现代管理技术的核心，科学地制定生产调度方案，对于缩短产品生产周期，控制车间的在制品库存，提高产品交货期满足率和提高企业生产率起着至关重要的作用。

在传统车间调度模型中，一般简化为若干调度模型，其中作业车间调度问题(Job shop scheduling problem，JSP)是一种十分典型的模型，它的特点是每个工序使用的机床被事先确定，并且是唯一的，但是，这并不符合实际加工情况，容易导致加工计划与实际生产调度相脱节。在现代企业的实际加工过程中，柔性制造系统和数控加工中心等一些柔性生产系统的出现使得一道工序可以在多台机床上被加工，也就产生了柔性作业车间调度问题(Flexible job shopscheduling problem，FJSP)，它的核心是工件的每道工序可以在一个机床集合(由加工能力相同的多台机床组成的集合)中任意一台机床上加工。在实际生产过程中，当每道工序可以在多台机器上加工时可以有效的提高设备的利用率，而且还可以有效的维持生产的稳定性，一方面，柔性作业车间调度问题包含两个子问题：确定各工件的加工机器(机器选择子问题)和确定各个机器上的加工先后顺序(工序排序子问题)；另一方面，柔性作业车间调度问题是典型的NP-hard问题，一直吸引着学者的广泛关注，是制造系统领域的研究热点之一。

从1990年首次提出柔性作业车间调度问题至今，对柔性作业车间调度问题的研究主要集中在静态、确定的假设条件下进行的，造成理论成果与在实际中应用程度还存在一定的距离，在实际生产中会出现动态事件，比如，原材料紧缺、紧急任务插入、新订单到达、交货期变更以及车间内部人员旷休、机器故障、零件报废或返工等，需要对动态事件做出动态调整，进行重新调度，否则，会导致生产无法顺利进行；另一方面，在求解动态柔性作业车间调度问题是，精确的数学方法，例如：分支界定法、整数规划、拉格朗日松弛法等，是过去经常被使用，然而，精确数学方法只能求解小规模的柔性作业车间调度问题，与实际生产数据无法匹配，从而造成实际中无法使用。

基于多阶段智能优化算法的动态不确定柔性作业车间调度方法是有效利用柔性作业车间具有加工机器可选性和工件工艺路线柔性化的特点，充分考虑在初始调度和重调度过程中调度人员具有丰富经验的作用，在整个动态调度与控制过程中建立多个阶段，并且在每个阶段借助于智能优化算法进行优化求解，加速处理动态事件的响应时间，提高重调度方案的可行性和稳定性。

发明内容

针对上述情况，为克服现有技术之缺陷，本发明之目的在于提供一种基于多阶段智能优化算法的动态柔性作业车间调度控制方法，有效解决了动态调度过程处理事件重调度时策略单一的问题。

其解决的技术方案是，本发明基于多阶段智能优化算法的动态柔性作业车间调度控制方法，包括:

第一阶段：初始调度方案的优化与选择。所述第一阶段包括两个步骤：

步骤一：根据车间生产任务、工件工艺信息和车间机床设备信息，通过自适应遗传算法产生具有目标值相同的多个初始调度方案集；

步骤二：依据机床设备信息，调度人员根据车间生产任务、工件工艺信息和车间机床设备信息从步骤一由自适应遗传算法产生的具有目标值相同的多个初始调度方案集中选择一个调度方案作为初始调度方案，并执行；

第二阶段：判断车间机床故障，并记录车间机床故障信息。所述第二阶段包括两个步骤：

步骤三：判断是否有车间机床故障事件的发生，如果没有车间机床发生故障继续执行初始调度方案；否则，开始执行步骤四；

步骤四：记录车间机床故障事件发生时刻，各台故障车间机床上正在加工以及后续未加工的工序信息，并获取故障车间机床的相关信息，尤其是故障车间机床的维修时间信息；

第三阶段：进行重调度，确定重调度执行方案。所述第三阶段包括三个步骤：

步骤五：判断是否必须启动重调度，如果需要启动重调度，开始执行步骤6；否则，继续执行初始调度方案；

步骤六：根据故障车间机床上的正在加工以及后续未加工的工序信息，利用自适应遗传算法产生重调度生产调度方案集；

步骤七：调度人员根据车间生产任务、工件工艺信息、车间机床设备信息和故障车间机床上的正在加工以及后续未加工的工序信息，从步骤六的利用自适应遗传算法产生的重调度生产调度方案集中，选择一个调度方案作为执行方案。

本发明在整个动态调度与控制过程中建立多阶段，并且在每个阶段借助自适应遗传算法进行优化求解，在不同阶段采取不同的执行方案，加速处理动态事件的响应时间，提高重调度方案的可行性和稳定性，以获得高质量的适合车间实际生产的调度方案，缩短生产时间。

附图说明

图1为本发明实现对动态柔性作业车间调度基于多阶段智能优化算法的控制方法的流程图。

图2为本发明的一个柔性作业车间调度问题测试数据表。

图3为本发明的5种车间机床故障动态信息数据表。

图4为本发明的实施例中方案a图。

图5为本发明的实施例中方案b图。

图6为本发明的实施例的情景3中方案a在时刻5重调度的甘特图。

图7为本发明的实施例的情景5中方案b在时刻5右移策略的甘特图。

图8为本发明的实施例的情景5中方案b在时刻5重调度的甘特图。

具体实施方式

以下结合附图，对本发明的具体实施方式作进一步详细说明。

现结合图1至图8所示，对基于多阶段智能优化算法的动态柔性作业车间调度控制方法中的三阶段中采用的自适应遗传算法求解步骤，包括：

步骤1：设置算法参数，包括种群数目、迭代次数、交叉概率、变异概率以及α、β的值；

步骤2：染色体编码，随机产生初始种群；

根据FJSP问题特点，需要解决车间机床选择和工序排序选择两个子问题，采用车间机床染色体和工序排序染色体两段融合的染色体整数编码方法；

车间机床染色体确定每道工序的加工车间机床，车间机床染色体长度等于总的工序数，车间机床染色体上的基因按照工件工序的先后约束顺序排列，每个基因位上的整数代表该工件工序可选车间机床集中的加工车间机床的序号，而不是车间机床号，假设一个车间机床染色体为[121323121211]，长度为12，其中，工序O₁₂的可选车间机床集M₁₂＝{M₂，M₄，M₅}，那么可选车间机床集中的顺序号分别为{1，2，3}，车间机床染色体中工序O₁₂对应基因位上的值为2，即代表在第2台车间机床上进行加工，也就是车间机床M₄，而非车间机床M₂；

工序排序染色体采用基于工序的实数编码方式进行编码，每一个基因位的值用工件号直接编码，且每一个基因位的值出现的次数等于该工件的工序数，工序排序染色体长度等于所有工序的总和，在工序排序染色体解码时，染色体从左到右依此进行编译，工件号出现的顺序表示该工件工序间的先后加工顺序，即第一个工件号表示该工件的第一道工序，第二个该工件号表示第二道工序，以此类推，保证了同一工件工序的先后约束，假设有4个工件需要加工，工件J₁、J₂、J₃、J₄分别用工件号1、2、3、4代替，每个工件有三道工序，也就是每个工件号出现3次，工序排序染色体长度为12，假设随机产生一个工序排序染色体为[134323421241]，对应的工序排序为{O₁₁,O₃₁,O₄₁,O₃₂,O₂₁,O₃₃,O₄₂,O₂₂,O₁₂,O₂₃,O₄₃,O₁₃}；

步骤3：对种群中每一个染色体进行解码，计算个体适应度值；

在对车间机床染色体和工序排序染色体的解码过程中，首先对车间机床染色体进行解码，然后对工序排序染色体进行解码，并且将工序排序染色体解码成对应于车间机床选择部分的活动调度，具体的解码步骤如下：

1)对车间机床染色体从左到右依次读取并转换成车间机床矩阵M和时间矩阵T，对步骤2中给出的车间机床染色体转换后为：

$M=\left\{\begin{array}{ccc}1& 4& 1\\ 5& 2& 6\\ 1& 4& 3\\ 3& 2& 1\end{array}\right\}T=\left\{\begin{array}{ccc}2& 2& 1\\ 2& 3& 11\\ 5& 3& 13\\ 7& 6& 1\end{array}\right\}$

车间机床矩阵M和时间矩阵T中，每行代表工件，每列代表工序，如工序O₁₂的加工机器为机器M₄，对应的加工时间为2；

2)对工序排序染色体从左到右依次读取，将每个工序排序按照对应的车间机床矩阵M和时间矩阵T，转换成活动调度，并得到最后一个工序的完成时间，也就是该调度方案的完工时间；

3)重复步骤1)和步骤2)对种群中所有车间机床染色体和工序排序染色体进行解码，并对个体适应度值进行比较；

步骤4：更新外部精英库中的优良解；

为了更好的保留每一代中产生的优良解，为调度人员提供更多的选择，并采用外部精英库策略，对每次迭代中产生的优良解进行更新和保留；

FJSP问题解的搜索空间到可行解目标函数值的映射并不是一对一的，而是多对一的关系，也就是目标值相等，调度方案不同；为此，在外部精英库更新时，基于海明距离的更新方法，优先比较目标值，目标值好的个体替换目标值差的个体；然而当目标值相同时，比较个体之间的海明距离，若海明距离为0，则不替换；若海明距离不为0，替换记忆库中的最差个体；

步骤5：判断是否满足最优个体的目标值达到预先设定的目标值或者迭代的代数超过了设定的迭代次数的条件，如果满足则输出外部精英库中的优良解；否则，转到步骤6；

步骤6：选择操作；

选取出高性能的个体作为交叉的对象，保留优良的基因信息，避免有效基因的损失，从而加快全局收敛性和提高计算效率；采用锦标赛选择(tournamentselection)方法，每次从种群中选择3个个体进行适应度比较，将适应度较高的个体插入到交叉池中，如此循环直到填满交叉池；

步骤7：自适应交叉操作；

交叉率的设定采用自适应的方式，根据算法迭代次数进行变化，公式(1)；

p_c＝p_cs(1-CurIter/MaxIter)   (1)

(1)式中，p_cs表示设定的交叉率初始值，CurIter表示当前迭代次数，MaxIter表示最大迭代次数；

种群中每个染色体由车间机床染色体和工序排序染色体组成，采用不同的方式，保留个体信息和产生可行解，即车间机床染色体采用两点交叉方法，保持基因顺序不发生改变，工序排序染色体采用一种基于工件的POX交叉，较好地继承父代个体的优良特征，使每个染色体中对多个工件进行操作；

步骤8：自适应变异操作；

采用自适应的变异概率：

p_m＝p_ms(1-CurIter/MaxIter)   (2)

式中，p_ms表示设定的变异率初始值，CurIter表示当前迭代次数，MaxIter表示最大迭代次数；

对于车间机床选择部分，采用随机变异的方法，也就是在可选车间机床中随机选择一个加工车间机床代替当前染色体中的加工车间机床，对于工序排序部分采用交换、插入以及逆序三种变异方法，每次随机选择一种变异方法进行变异操作；

步骤9：通过选择、交叉、变异操作后得到下一代群体，转到步骤3，循环执行后续操作，直到算法满足停止条件；

实施例

(1)仿真实验所采用的测试数据集模拟动态事件

在测试数据表(如图2所示)的基础上通过模拟，设定出现集中车间机床故障的动态事件信息(如图3所示)。

(2)仿真实验参数设置

种群规模为40，最大迭代次数为100，交叉概率初始值p_cs为0.8，变异概率初始值p_ms为0.2，α和β分别为0.8、0.2。

优化的目标函数包含两个，一个是最小化最大完工时间：

f₁＝minC_max＝min(max(C_i)_1≤i≤n   (3)

(3)式其中，C_i＝max(C_i,j)_1≤j≤ni为工件J_i的完工时间，即工件J_i最后一道工序的完工时间。

另外一个是最小偏差度：

f₂＝min(C_max(S_r)-C_max(S_p))   (4)

(4)式其中，S_r表示车间机床发生故障后的重调度方案，S_p表示初始调度方案，C_max表示调度方案的最大完工时间。

在自适应遗传算法对两个目标函数优化时通过设定系数，转换为一个目标函数：

f＝αf₁+βf₂   (5)

(3)仿真实验环境

采用C++语言编程实现，程序运行环境为：P4CPU，主频2.4G，内存为1GB。

(4)仿真内容：

在初始阶段通过自适应遗传算法求得两种不同的方案，即方案a和方案b，如图4和图5所示。

情景1中，当车间机床M₆在时刻5发生故障时，方案a中的车间机床M₆上有一个未加工工序O₂₃，对其进行重调度之后，安排到了车间机床M₃上加工，完工时间没有受到影响；若采用右移策略时，工序O₂₃向后延迟了3个时间单位，最终的完工时间为20；而对于方案b而言，车间机床M₆在时刻5后面虽然有一个未加工工序O₄₃，然而时刻5到工序O₄₃开始时间12之间有7个时间单位的空闲，大于车间机床的维修时间，无需进行重调度，完工时间仍为17，即使右移策略也是一样的效果，最大完工时间没有发生变化。

情景2中，当车间机床M₆在时刻11发生故障时，方案a的处理方式与情景1相同，完工时间未受到影响；而方案b没有足够的空闲时间，需要启动重调度，将工序O₄₃安排到了车间机床M₁上进行加工，不会影响最后的完工时间，采用右移策略时，工序O₄₃的完工时间延迟为18，整个调度方案的完工时间为18。

情景3中，车间机床M₂和车间机床M₃同时发生故障，而且维修时间不一样。对于方案a中，在时刻5车间机床M₂正在加工工序O₂₂，车间机床M₃上正在加工工序O₄₁，重调度后的方案如图4所示，工序O₂₃移动到车间机床M₃上加工，工序O₄₂移动到车间机床M₄上加工，重调度后的方案完工时间仍为17，对于方案b而言，车间机床M₂和车间机床M₃上有足够的空间等待车间机床维修好，人机协调后无需进行重调度。

情景4中，在调度时刻11时，方案a中的车间机床M₂上正在加工工序O₄₂，车间机床M₃上已经没有加工工序，对工序O₄₂进行重调度，重调度后的完工时间仍为17；采用右移策略完工时间延长到18；方案b中，车间机床M₂上的工序经过重调度后移动到车间机床M₁上加工，车间机床M₃上的工序没有更合适的车间机床，完工时间延长为18；若采用右移策略完工时间延长到了20。

情景5中，在调度时刻5时，车间机床M₁、车间机床M₄和车间机床M₅三台机床同时发生了故障；方案a中如果采用右移策略时，工序O₃₂及后续工序O₃₃都会被延迟，最终完工时间延迟为23；经过自适应遗传算法的重调度后，完工时间为18。对于方案b，如图7所示，采用右移策略的完工时间为23；采用自适应遗传算法的重调度后，如图8所示，完工时间为18，采用自适应遗传算法节省了时间。

本发明在整个动态调度与控制过程中建立多阶段，并且在每个阶段借助自适应遗传算法进行优化求解，在不同阶段采取不同的执行方案，加速处理动态事件的响应时间，提高重调度方案的可行性和稳定性，以获得高质量的适合车间实际生产的调度方案，缩短生产时间。

Claims (2)

1.基于多阶段智能优化算法的动态柔性作业车间调度控制方法，其特征在于，包括:

第一阶段：初始调度方案的优化与选择。所述第一阶段包括两个步骤：

步骤一：根据车间生产任务、工件工艺信息和车间机床设备信息，通过自适应遗传算法产生具有目标值相同的多个初始调度方案集；

步骤二：依据机床设备信息，调度人员根据车间生产任务、工件工艺信息和车间机床设备信息从步骤一由自适应遗传算法产生的具有目标值相同的多个初始调度方案集中选择一个调度方案作为初始调度方案，并执行；

第二阶段：判断车间机床故障，并记录车间机床故障信息。所述第二阶段包括两个步骤：

步骤三：判断是否有车间机床故障事件的发生，如果没有车间机床发生故障继续执行初始调度方案；否则，开始执行步骤四；

步骤四：记录车间机床故障事件发生时刻，各台故障车间机床上正在加工以及后续未加工的工序信息，并获取故障车间机床的相关信息，尤其是故障车间机床的维修时间信息；

第三阶段：进行重调度，确定重调度执行方案。所述第三阶段包括三个步骤：

步骤五：判断是否必须启动重调度，如果需要启动重调度，开始执行步骤6；否则，继续执行初始调度方案；

步骤六：根据故障车间机床上的正在加工以及后续未加工的工序信息，利用自适应遗传算法产生重调度生产调度方案集；

步骤七：调度人员根据车间生产任务、工件工艺信息、车间机床设备信息和故障车间机床上的正在加工以及后续未加工的工序信息，从步骤六的利用自适应遗传算法产生的重调度生产调度方案集中，选择一个调度方案作为执行方案。

2.根据权利要求1所述的基于多阶段智能优化算法的动态柔性作业车间调度控制方法，其特征在于，对基于多阶段智能优化算法的动态柔性作业车间调度控制方法中的三阶段中采用的自适应遗传算法求解步骤，包括：

步骤1：设置算法参数，包括种群数目、迭代次数、交叉概率、变异概率以及α、β的值；

步骤2：染色体编码，随机产生初始种群；

车间机床染色体确定每道工序的加工车间机床，车间机床染色体长度等于总的工序数，车间机床染色体上的基因按照工件工序的先后约束顺序排列，每个基因位上的整数代表该工件工序可选车间机床集中的加工车间机床的序号，而不是车间机床号，假设一个车间机床染色体为[1 2 1 3 2 3 1 2 1 2 1 1]，长度为12，其中，工序O₁₂的可选车间机床集M₁₂＝{M₂，M₄，M₅}，那么可选车间机床集中的顺序号分别为{1，2，3}，车间机床染色体中工序O₁₂对应基因位上的值为2，即代表在第2台车间机床上进行加工，也就是车间机床M₄，而非车间机床M₂；

工序排序染色体采用基于工序的实数编码方式进行编码，每一个基因位的值用工件号直接编码，且每一个基因位的值出现的次数等于该工件的工序数，工序排序染色体长度等于所有工序的总和，在工序排序染色体解码时，染色体从左到右依此进行编译，工件号出现的顺序表示该工件工序间的先后加工顺序，即第一个工件号表示该工件的第一道工序，第二个该工件号表示第二道工序，以此类推，保证了同一工件工序的先后约束，假设有4个工件需要加工，工件J₁、J₂、J₃、J₄分别用工件号1、2、3、4代替，每个工件有三道工序，也就是每个工件号出现3次，工序排序染色体长度为12，假设随机产生一个工序排序染色体为[1 3 4 3 2 3 4 2 1 2 4 1]，对应的工序排序为{O₁₁,O₃₁,O₄₁,O₃₂,O₂₁,O₃₃,O₄₂,O₂₂,O₁₂,O₂₃,O₄₃,O₁₃}；

步骤3：对种群中每一个染色体进行解码，计算个体适应度值；

在对车间机床染色体和工序排序染色体的解码过程中，首先对车间机床染色体进行解码，然后对工序排序染色体进行解码，并且将工序排序染色体解码成对应于车间机床选择部分的活动调度，具体的解码步骤如下：

1)对车间机床染色体从左到右依次读取并转换成车间机床矩阵M和时间矩阵T，对步骤2中给出的车间机床染色体转换后为：

$M=\left\{\begin{array}{ccc}1& 4& 1\\ 5& 2& 6\\ 1& 4& 3\\ 3& 2& 1\end{array}\right\},T=\begin{array}{}\end{array}\left\{\begin{array}{ccc}3& 2& 1\\ 2& 3& 11\\ 5& 3& 13\\ 7& 6& 1\end{array}\right\}$

车间机床矩阵M和时间矩阵T中，每行代表工件，每列代表工序，如工序O₁₂的加工机器为机器M₄，对应的加工时间为2；

2)对工序排序染色体从左到右依次读取，将每个工序排序按照对应的车间机床矩阵M和时间矩阵T，转换成活动调度，并得到最后一个工序的完成时间，也就是该调度方案的完工时间；

3)重复步骤1)和步骤2)对种群中所有车间机床染色体和工序排序染色体进行解码，并对个体适应度值进行比较；

步骤4：更新外部精英库中的优良解；

在外部精英库更新时，基于海明距离的更新方法，优先比较目标值，目标值好的个体替换目标值差的个体；当目标值相同时，比较个体之间的海明距离，若海明距离为0，则不替换；若海明距离不为0，替换记忆库中的最差个体；

步骤5：判断是否满足最优个体的目标值达到预先设定的目标值或者迭代的代数超过了设定的迭代次数的条件，如果满足则输出外部精英库中的优良解；否则，转到步骤6；

步骤6：选择操作；

采用锦标赛选择(tournament selection)方法，每次从种群中选择3个个体进行适应度比较，将适应度较高的个体插入到交叉池中，如此循环直到填满交叉池；

步骤7：自适应交叉操作；

交叉率的设定采用自适应的方式，根据算法迭代次数进行变化，公式(1)；

p_c＝p_cs(1-CurIter/MaxIter)    (1)

(1)式中，p_cs表示设定的交叉率初始值，CurIter表示当前迭代次数，MaxIter表示最大迭代次数；

步骤8：自适应变异操作；

采用自适应的变异概率：

p_m＝p_ms(1-CurIter/MaxIter)    (2)

式中，p_ms表示设定的变异率初始值，CurIter表示当前迭代次数，MaxIter表示最大迭代次数；

步骤9：通过选择、交叉、变异操作后得到下一代群体，转到步骤3，循环执行后续操作，直到算法满足停止条件。