CN106971236A - 一种基于遗传算法的柔性作业车间分批调度方法 - Google Patents
一种基于遗传算法的柔性作业车间分批调度方法 Download PDFInfo
- Publication number
- CN106971236A CN106971236A CN201710089508.7A CN201710089508A CN106971236A CN 106971236 A CN106971236 A CN 106971236A CN 201710089508 A CN201710089508 A CN 201710089508A CN 106971236 A CN106971236 A CN 106971236A
- Authority
- CN
- China
- Prior art keywords
- code
- batches
- genetic algorithm
- block code
- workpiece
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 143
- 230000002068 genetic effect Effects 0.000 title claims abstract description 25
- 230000035772 mutation Effects 0.000 claims abstract description 16
- 230000006978 adaptation Effects 0.000 claims abstract description 10
- 238000010187 selection method Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 15
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000002715 modification method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Multi-Process Working Machines And Systems (AREA)
Abstract
本发明公开了一种基于遗传算法的柔性作业车间分批调度方法,该方法步骤为:(1)确定运行参数,包括种群规模M,交叉概率PC,变异概率PM,迭代次数T;(2)初始种群生成,采用分段编码方法产生分批码及工序码;(3)个体适应度计算,将个体总完工时间的倒数作为其适应度值;(4)选择操作,采用轮盘赌选择算子;(5)交叉操作,设置交叉执行准则,根据准则对分批码或工序码进行交叉,交叉后进行修复;(6)变异操作,对分批码采用多点变异,对工序码采用逆序变异;(7)终止判别,判断世代数是否满足终止条件,满足则停止,输出最优调度方案,否则转到(3)。本发明能够优化柔性车间的生产运行,有效缩短生产周期,使用性强,易于推广。
Description
技术领域
本发明涉及一种智能制造技术中的生产计划制定,具体地说是一种基于遗传算法的柔性作业车间分批调度方法,用人工智能算法中的遗传算法来求解柔性作业车间分批调度问题。
背景技术
在生产作业计划中,产品的生产品种和生产数量在订单中是已知的,生产时间也可由工艺人员确定,但生产顺序的安排往往是难以合理确定的,确定工件的加工顺序以及分配相应的生产设备来对工件进行加工,这一过程称为作业排序或作业调度。对同一批待加工工件,不同的加工顺序会产生不同的加工完成时间,很大程度上影响着企业的生产效率。作业调度的目的就是通过为工件确定合理的加工顺序,对生产过程进行优化,从而缩短生产周期,提高设备利用率。
车间作业调度问题的方法主要有:经典算法、基于启发式规则的构造性算法、人工智能算法。
经典算法:经典算法包括数学规划法、分支界定法、拉格朗日松弛法等。
基于启发式规则的构造性算法:该算法易于实现、计算复杂度低,被大量的研究与应用,Panwalka等总结了一百多种调度规则。
人工智能算法:人工智能算法包括遗传算法、蚁群算法、禁忌搜索算法、免疫算法、神经网络算法等。
经典算法对小规模问题比较有效,对较大规模问题计算时间难以承受;基于启发式规则的构造性算法对问题处理比较粗糙,其得出的解质量通常不够好;而人工智能算法优化性能高,算法结构简单,通用性好,其中的遗传算法是求解车间调度的研究热点之一。柔性车间调度是一个NP-hard问题,在车间调度中具有较高的复杂程度,而在其基础上再加入分批问题,使得问题更加复杂。遗传算法在求解柔性车间分批调度问题时,由于分批的不相同导致进化操作的复杂性大大增加,从而使进化寻优不理想,因此有必要展开研究,制定出合适的方法。
发明内容
本发明目的在于针对已有技术存在的缺陷,提供一种基于遗传算法的柔性作业车间分批调度方法,能够提供好的调度方案,从而提高车间生产效率,缩短生产周期。为达到上述目的,本发明采用下述技术方案:一种基于遗传算法的柔性车间调度方法,其特征在于具体操作步骤如下:
步骤一,确定运行参数。
步骤二,初始种群生成。
步骤三,个体适应度计算。
步骤四,选择操作。
步骤五,交叉操作。
步骤六,变异操作。
步骤七,终止判别。
针对以上步骤进行具体说明如下:
步骤一、确定运行参数
遗传算法的运行参数包括种群规模M,交叉概率PC,变异概率PM,迭代次数T。种群规模M一般取20~100,交叉概率PC一般取0.4~0.99,变异概率PM一般取0.0001~0.1,迭代次数T一般取100~500。
步骤二、初始种群生成
初始种群的生成依靠编码实现,柔性作业车间分批调度问题的编码需要包含两部分信息,第一部分为各工件的分批信息,它确定每种工件分多少批次,每个批次中工件有多少数量,将此部分的编码称为分批码;第二部分为工件各批次的加工顺序,称为工序码。此种编码方法为分段编码方法。
对于有N种工件,第i种工件数量为Li,工序数为Ji,其分批码结构如下所示:
用-1作为间隔符区分不同种类的工件,ai为工件i所分的批次,Pi(ai)为工件i的第ai批次中数量,Ki为工件i的分批码。
工序码的结构如下所示:
2,2 1,1……1,1 2,2 1,1……2,2(部分片段)
其中工序码中每个代码(工件批次号)由两个数字组成,前数字表示工件种类,后数字表示工件批次,如2,2表示工件2的第二批次,2,1表示工件2的第一批次,相同数字出现的顺序代表工序顺序,如上述工序码中第一位上为2,2,第五位上也为2,2,则第一位上为工件2第二批次的第一工序,第五位上为工件2第二批次的第二工序。
(1)分批码
采用轮盘赌方法产生工件分批码,具体生成步骤如下:
1)确定批次。分为以下两步:
①在0~1之间随机产生一个数;
②将此数乘以工件i的数量Li,进行向上取整操作,所得到的数即为工件i的批次,记为ai。
2)确定批次中工件的数量。
按比例对工件i的总数量进行分配,首先在0~1之间随机产生共ai个数,记为 则工件i其第j分批数量Pij为:
将所得结果四舍五入进行圆整。
若所得批次中数量为0,则加1使此批次中数量为1,通过上述方法即可确定工件i各批次中工件的数量。
通过上述方法即可确定工件i各批次中工件的数量。
按比例分配四舍五入后,工件所有批次中的数量相加可能与原工件总数量不相等,此时需要进行如下方法的处理:
Ⅰ、a:如果工件i所有批次中数量相加(记为:Qi)大于原工件数量(记为:Li),则将各批次按数量从小到大排列,将排在最后Qi-Li位的批次中工件数量都减去1。
b:接着判断工件i中是否有批次其工件数量等于0,若为0,则加1使其批次中数量为1。
c:重新返回步骤a。
Ⅱ、如果工件i所有批次中数量相加(记为:Qi)小于原工件数量(记为:Li),则将各批次按数量从小到大排列,将排在前面Li-Qi位的批次中工件数量都加上1。
3)确定工件i的分批码。
首先生成长度为Li的零数列Ki,然后将工件i的各批次数量从左到右依次填入Ki数列中,此即为工件i的分批码。
4)确定总分批码
从工件1的分批码K1开始,将N种工件的分批码从左到右依次组合在一起,并在不同工件间添加-1作为分隔符以示区别,即得到总分批码。
(2)工序码
工序码依据分批码和工件的信息,采用基于工序的编码方法产生。
1)对每个工件的批次依次进行工序码的产生。
2)将各个工件批次生成的工序码依次组合在一起。
3)对2)中所述工序码进行随机打乱,从而得到最终的工序码。
步骤三、个体适应度计算
计算个体适应度时,依据工件最早完工准则为各工件批次选择机器,计算时间,获得总完工时间,然后取总完工时间的倒数作为适应度值。显然完工时间越短,适应度值越高。
步骤四、选择操作
选择操作采用轮盘赌选择方法,选择概率依据个体的适应度大小而定。适应度越大的个体被选中的概率越大,适应度越小的个体被选中的概率越小,符合遗传算法“优胜劣汰,适者生存”的思想。
步骤五、交叉操作
对于柔性分批问题,交叉分为分批码交叉与工序码交叉。
(1)分批码交叉
分批码进行相同位置的多点交叉,交叉后需要进行工序码的修复。如果进行分批码交叉后工件批次增多,则在工序码中选择随机位置插入新增加工件的批次;如果进行分批码交叉后工件批次减少,则在工序码位置中选中减少的工件批次的位置,接着删除这些位置上的信息。
(2)工序码交叉
交叉操作都在染色体长度相同的情况下进行,但是柔性作业车间分批调度问题中,由于分批的不同会导致个体的工序码长度不同,这样被选中的两个个体难以实现交叉。如果工序码不交叉的话,那么不利于个体进化,影响寻优结果,因此从种群进化角度考虑,需要实现工序码的交叉。但是强行将不同长度的工序码进行交叉,不仅会导致交叉后工序码与对应的前段分批码的批次数,因此必须对交叉后的工序码进行修正。
修正操作分两种情况:一种是交叉后工件批次增多,另一种交叉后工件批次减少。
1)交叉后工件批次增多
依据前段分批码中的工件批次信息,在工序码中找到增多的工件批次号,然后将此删除。
2)交叉后工件批次减少
依据前段分批码中的工件批次信息,在工序码中随机产生插入位置,然后插入所需要的工件批次号。
附图2是以两点交叉为例的工序码修正过程示意图。
通过以上操作,实现了不同长度的工序码交叉,并能得到合法的工序码子代。注:上述的修正方法适应于不同交叉操作得到的子代。
(3)交叉执行准则
本发明中的个体为两段编码,如果只进行工序码的交叉,则工序码对应的分批码信息都由初始种群决定,在进化过程中没有得到变化,使寻优范围受到限制;如果只进行分批码的交叉,则工序码只是按照子代分批码进行合法化修正,对工序码的进化促进甚小,而工序码又是决定着总完工时间;综合考虑上述因素,这里提出分批码和工序码的分段编码交叉操作执行准则:设置一个交叉段选择系数t,在交叉时首先产生一个随机数,当随机数小于t时,只进行分批码的交叉,而大于等于t时,只进行工序码的交叉,见附图3。
步骤六、变异操作
首先进行分批码的多点变异,接着进行工序码的逆序变异。
步骤七、终止判别
判断世代数是否满足终止条件,满足则停止,输出最优调度方案,否则转到步骤三。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著技术进步:针对工序码长度不同而难以实现交叉操作的问题,经过交叉后依据原有工件批次的信息进行工序码的增加或者删除的修正操作,使编码合法化,从而实现了不同长度的工序码交叉;同时提出分批码和工序码的分段编码交叉操作执行准则,使分批码和工序码都得到了进化,有利于寻优;通过使用轮盘赌的方法,使工件分批码能得到方便地产生。采用本发明的方法进行调度,能得到满意的调度方案,缩短了加工时间,提高了生产率。
附图说明
图1为基于遗传算法的柔性作业车间分批调度方法的流程框图。
图2为工序码交叉后修复示意图。
图3为交叉执行准则示意图。
图4为三次进化历程图。
图5为分批调度结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例一:如附图1所示,本基于遗传算法的柔性车间分批调度方法的操作步骤如下:
步骤一,确定运行参数。
步骤二,初始种群生成。
步骤三,个体适应度计算。
步骤四,选择操作。
步骤五,交叉操作。
步骤六,变异操作。
步骤七,终止判别。
实施例二:参见图1~图5,本实施例与实施例一基本相同,特别之处如下:
所述运行参数为种群规模M,交叉概率PC,变异概率PM和迭代次数T。
所述初始种群产生时使用分段编码方法得到分批码和工序码,产生个体,并且其中分批码使用轮盘赌方法来产生。
所述个体适应度计算时依据工件最早完工准则为各工件批次选择机器,计算时间,获得总完工时间,然后取总完工时间的倒数作为适应度值;显然完工时间越短,适应度值越高。
所述选择操作采用轮盘赌选择方法,选择概率依据个体的适应度大小而定。
所述交叉操作,首先确定分批码和工序码的分段编码交叉操作执行准则;进行分批码或工序码的交叉,交叉结束后进行工序码的修复操作。
所述变异操作,首先进行分批码的多点变异,接着进行工序码的逆序变异。
所述终止判别,判断世代数是否满足终止条件,满足则停止,输出最优调度方案,否则转到步骤三。
实施例三:本实施例与实施例一基本相同,特别之处如下:
对各步骤具体详述如下:
步骤一、确定运行参数
遗传算法的运行参数包括种群规模M,交叉概率PC,变异概率PM,迭代次数T。种群规模M一般取20~100,交叉概率PC一般取0.4~0.99,变异概率PM一般取0.0001~0.1,迭代次数T一般取100~500。
步骤二、初始种群生成
初始种群的生成依靠编码实现,柔性作业车间分批调度问题的编码需要包含两部分信息,第一部分为各工件的分批信息,它确定每种工件分多少批次,每个批次中工件有多少数量,将此部分的编码称为分批码;第二部分为工件各批次的加工顺序,称为工序码。此种编码方法为分段编码方法。
对于有N种工件,第i种工件数量为Li,工序数为Ji,其分批码结构如下所示:
用-1作为间隔符区分不同种类的工件,ai为工件i所分的批次,Pi(ai)为工件i的第ai批次中数量,Ki为工件i的分批码。
工序码的结构如下所示:
2,2 1,1……1,1 2,2 1,1……2,2(部分片段)
其中工序码中每个代码(工件批次号)由两个数字组成,前数字表示工件种类,后数字表示工件批次,如2,2表示工件2的第二批次,2,1表示工件2的第一批次,相同数字出现的顺序代表工序顺序,如上述工序码中第一位上为2,2,第五位上也为2,2,则第一位上为工件2第二批次的第一工序,第五位上为工件2第二批次的第二工序。
(1)分批码
工序码依据分批码和工件的信息,采用基于工序的编码方法产生。
1)对每个工件的批次依次进行工序码的产生。
2)将各个工件批次生成的工序码依次组合在一起。
3)对2)中所述工序码进行随机打乱,从而得到最终的工序码。
步骤三、个体适应度计算
计算个体适应度时,依据工件最早完工准则为各工件批次选择机器,计算时间,获得总完工时间,然后取总完工时间的倒数作为适应度值。显然完工时间越短,适应度值越高。
步骤四、选择操作
选择操作采用轮盘赌选择方法,选择概率依据个体的适应度大小而定。适应度越大的个体被选中的概率越大,适应度越小的个体被选中的概率越小,符合遗传算法“优胜劣汰,适者生存”的思想。
步骤五、交叉操作
对于柔性分批问题,交叉分为分批码交叉与工序码交叉。
(1)分批码交叉
分批码进行相同位置的多点交叉,交叉后需要进行工序码的修复。如果进行分批码交叉后工件批次增多,则在工序码中选择随机位置插入新增加工件的批次;如果进行分批码交叉后工件批次减少,则在工序码位置中选中减少的工件批次的位置,接着删除这些位置上的信息。
(2)工序码交叉
交叉操作都在染色体长度相同的情况下进行,但是柔性作业车间分批调度问题中,由于分批的不同会导致个体的工序码长度不同,这样被选中的两个个体难以实现交叉。如果工序码不交叉的话,那么不利于个体进化,影响寻优结果,因此从种群进化角度考虑,需要实现工序码的交叉。但是强行将不同长度的工序码进行交叉,不仅会导致交叉后工序码与对应的前段分批码的批次数,因此必须对交叉后的工序码进行修正。
修正操作分两种情况:一种是交叉后工件批次增多,另一种交叉后工件批次减少。
1)交叉后工件批次增多
依据前段分批码中的工件批次信息,在工序码中找到增多的工件批次号,然后将此删除。
2)交叉后工件批次减少
依据前段分批码中的工件批次信息,在工序码中随机产生插入位置,然后插入所需要的工件批次号。
附图2是以两点交叉为例的工序码修正过程示意图。
通过以上操作,实现了不同长度的工序码交叉,并能得到合法的工序码子代。注:上述的修正方法适应于不同交叉操作得到的子代。
(3)交叉执行准则
本发明中的个体为两段编码,如果只进行工序码的交叉,则工序码对应的分批码信息都由初始种群决定,在进化过程中没有得到变化,使寻优范围受到限制;如果只进行分批码的交叉,则工序码只是按照子代分批码进行合法化修正,对工序码的进化促进甚小,而工序码又是决定着总完工时间;综合考虑上述因素,这里提出分批码和工序码的分段编码交叉操作执行准则:设置一个交叉段选择系数t,在交叉时首先产生一个随机数,当随机数小于t时,只进行分批码的交叉,而大于等于t时,只进行工序码的交叉,见附图3。
步骤六、变异操作
首先进行分批码的多点变异,接着进行工序码的逆序变异。
步骤七、终止判别
判断世代数是否满足终止条件,满足则停止,输出最优调度方案,否则转到步骤三。
实施例四:以某企业车间生产数据为实例,例中工件种类为4种,每种工件所需加工数量均为8个,机器数为8台。具体的可加工机器、加工时间及启动时间均能从表1中得到,表中括号里的第一个数字表示加工时间,第二个数字表示启动时间,如第一工件第一工序可在机器1、机器7和机器8上加工,在机器1上加工时间为4,启动时间为5。
运行参数:种群规模30,交叉概率0.8,变异概率0.05,迭代次数为300。
对实施例进行上述遗传算法的操作,运行三次,它们的结果相差只有1分钟,其中最佳值为110分钟。附图4为最佳值的进化历程图,从图可知种群进化良好。调度结果的甘特图如附图5所示,图中第一位数字为工件号,第二位数字为批次号,括号中数字为工序号,细横线为启动时间,长方形框为加工时间。
表1工件加工信息图
min
Claims (8)
1.一种基于遗传算法的柔性作业车间分批调度方法,其特征在于具体操作步骤为:
1)确定运行参数,
2)初始种群生成,
3)个体适应度计算,
4)选择操作,
5)交叉操作,
6)变异操作,
7)终止判别。
2.根据权利要求1所述的一种基于遗传算法的柔性作业车间分批调度的方法,其特征在于:所述步骤1)中运行参数为种群规模M,交叉概率PC,变异概率PM和迭代次数T。
3.根据权利要求1所述的一种基于遗传算法的柔性作业车间分批调度的方法,其特征在于:所述步骤2)中初始种群产生时使用分段编码方法得到分批码和工序码,产生个体,并且其中分批码使用轮盘赌方法来产生。
4.根据权利要求1所述的一种基于遗传算法的柔性作业车间分批调度的方法,其特征在于:所述步骤3)中个体适应度计算时依据工件最早完工准则为各工件批次选择机器,计算时间,获得总完工时间,然后取总完工时间的倒数作为适应度值;显然完工时间越短,适应度值越高。
5.根据权利要求1所述的一种基于遗传算法的柔性作业车间分批调度的方法,其特征在于:所述步骤4)中选择操作采用轮盘赌选择方法,选择概率依据个体的适应度大小而定。
6.根据权利要求1所述的一种基于遗传算法的柔性作业车间分批调度的方法,其特征在于:所述步骤5)中的交叉操作,首先确定分批码和工序码的分段编码交叉操作执行准则;进行分批码或工序码的交叉,交叉结束后进行工序码的修复操作。
7.根据权利要求1所述的一种基于遗传算法的柔性作业车间分批调度的方法,其特征在于:所述步骤7)中的变异操作,首先进行分批码的多点变异,接着进行工序码的逆序变异。
8.根据权利要求1所述的一种基于遗传算法的柔性作业车间分批调度的方法,其特征在于:所述步骤7)中的终止判别,判断世代数是否满足终止条件,满足则停止,输出最优调度方案,否则转到步骤3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710089508.7A CN106971236A (zh) | 2017-02-20 | 2017-02-20 | 一种基于遗传算法的柔性作业车间分批调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710089508.7A CN106971236A (zh) | 2017-02-20 | 2017-02-20 | 一种基于遗传算法的柔性作业车间分批调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106971236A true CN106971236A (zh) | 2017-07-21 |
Family
ID=59335014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710089508.7A Pending CN106971236A (zh) | 2017-02-20 | 2017-02-20 | 一种基于遗传算法的柔性作业车间分批调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106971236A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688909A (zh) * | 2017-09-07 | 2018-02-13 | 上海振华重工(集团)股份有限公司 | 一种基于遗传算法的自动化堆场调度方法和系统 |
CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
CN108805403A (zh) * | 2018-05-02 | 2018-11-13 | 上海大学 | 一种基于改进遗传算法的单件车间调度方法 |
CN108960509A (zh) * | 2018-06-29 | 2018-12-07 | 无锡易通精密机械股份有限公司 | 一种制造系统智能排产方法与系统 |
CN109816262A (zh) * | 2019-01-31 | 2019-05-28 | 贵州大学 | 采用改良免疫遗传算法的柔性作业车间调度方法 |
CN110262432A (zh) * | 2019-07-08 | 2019-09-20 | 哈尔滨工程大学 | 一种基于自适应模拟退火算法的分段车间调度优化方法 |
CN110782085A (zh) * | 2019-10-23 | 2020-02-11 | 武汉晨曦芸峰科技有限公司 | 一种铸造生产调度方法及系统 |
CN111079987A (zh) * | 2019-11-28 | 2020-04-28 | 电子科技大学 | 基于遗传算法的半导体车间生产调度方法 |
CN111507641A (zh) * | 2020-04-27 | 2020-08-07 | 上海华力集成电路制造有限公司 | 一种批处理设备调度方法及其装置 |
CN111580488A (zh) * | 2020-06-03 | 2020-08-25 | 重庆大学 | 基于改进遗传算法的wbs缓冲区车辆排序调度方法 |
CN111666681A (zh) * | 2020-06-03 | 2020-09-15 | 重庆大学 | 基于改进遗传算法的pbs缓冲区车辆排序调度方法 |
CN113112171A (zh) * | 2021-04-22 | 2021-07-13 | 合肥工业大学 | 一种基于轮盘赌和遗传算法的批调度方法 |
CN113591398A (zh) * | 2021-08-23 | 2021-11-02 | 北京邮电大学 | 基于深度强化学习的智能作业分批方法、装置及电子设备 |
CN114444239A (zh) * | 2022-01-27 | 2022-05-06 | 湘南学院 | 基于混合遗传算法的作业车间运动轨道路径导向优化方法 |
CN116090788A (zh) * | 2023-02-27 | 2023-05-09 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
-
2017
- 2017-02-20 CN CN201710089508.7A patent/CN106971236A/zh active Pending
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107688909A (zh) * | 2017-09-07 | 2018-02-13 | 上海振华重工(集团)股份有限公司 | 一种基于遗传算法的自动化堆场调度方法和系统 |
CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
CN107831745B (zh) * | 2017-11-09 | 2019-06-07 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
CN108805403A (zh) * | 2018-05-02 | 2018-11-13 | 上海大学 | 一种基于改进遗传算法的单件车间调度方法 |
CN108960509A (zh) * | 2018-06-29 | 2018-12-07 | 无锡易通精密机械股份有限公司 | 一种制造系统智能排产方法与系统 |
CN108960509B (zh) * | 2018-06-29 | 2022-03-11 | 无锡易通精密机械股份有限公司 | 一种制造系统智能排产方法与系统 |
CN109816262B (zh) * | 2019-01-31 | 2023-04-28 | 贵州大学 | 采用改良免疫遗传算法的柔性作业车间调度方法 |
CN109816262A (zh) * | 2019-01-31 | 2019-05-28 | 贵州大学 | 采用改良免疫遗传算法的柔性作业车间调度方法 |
CN110262432A (zh) * | 2019-07-08 | 2019-09-20 | 哈尔滨工程大学 | 一种基于自适应模拟退火算法的分段车间调度优化方法 |
CN110782085A (zh) * | 2019-10-23 | 2020-02-11 | 武汉晨曦芸峰科技有限公司 | 一种铸造生产调度方法及系统 |
CN110782085B (zh) * | 2019-10-23 | 2022-03-29 | 武汉晨曦芸峰科技有限公司 | 一种铸造生产调度方法及系统 |
CN111079987A (zh) * | 2019-11-28 | 2020-04-28 | 电子科技大学 | 基于遗传算法的半导体车间生产调度方法 |
CN111507641A (zh) * | 2020-04-27 | 2020-08-07 | 上海华力集成电路制造有限公司 | 一种批处理设备调度方法及其装置 |
CN111507641B (zh) * | 2020-04-27 | 2024-04-16 | 上海华力集成电路制造有限公司 | 一种批处理设备调度方法及其装置 |
CN111580488B (zh) * | 2020-06-03 | 2021-06-15 | 重庆大学 | 基于改进遗传算法的wbs缓冲区车辆排序调度方法 |
CN111666681A (zh) * | 2020-06-03 | 2020-09-15 | 重庆大学 | 基于改进遗传算法的pbs缓冲区车辆排序调度方法 |
CN111666681B (zh) * | 2020-06-03 | 2024-03-22 | 重庆大学 | 基于改进遗传算法的pbs缓冲区车辆排序调度方法 |
CN111580488A (zh) * | 2020-06-03 | 2020-08-25 | 重庆大学 | 基于改进遗传算法的wbs缓冲区车辆排序调度方法 |
CN113112171A (zh) * | 2021-04-22 | 2021-07-13 | 合肥工业大学 | 一种基于轮盘赌和遗传算法的批调度方法 |
CN113112171B (zh) * | 2021-04-22 | 2022-10-11 | 合肥工业大学 | 一种基于轮盘赌和遗传算法的批调度方法 |
CN113591398A (zh) * | 2021-08-23 | 2021-11-02 | 北京邮电大学 | 基于深度强化学习的智能作业分批方法、装置及电子设备 |
CN113591398B (zh) * | 2021-08-23 | 2023-05-23 | 北京邮电大学 | 基于深度强化学习的智能作业分批方法、装置及电子设备 |
CN114444239A (zh) * | 2022-01-27 | 2022-05-06 | 湘南学院 | 基于混合遗传算法的作业车间运动轨道路径导向优化方法 |
CN116090788A (zh) * | 2023-02-27 | 2023-05-09 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
CN116090788B (zh) * | 2023-02-27 | 2023-12-22 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971236A (zh) | 一种基于遗传算法的柔性作业车间分批调度方法 | |
CN107450498B (zh) | 基于改进人工蜂群算法的生产调度方法及系统 | |
CN110070248B (zh) | 动态智能调度方法及装置 | |
CN102393634B (zh) | 一种基于pso-ga混合优化算法的单目标多生产线调度控制方法 | |
CN103530702B (zh) | 一种基于瓶颈设备分解的大规模作业车间调度方法 | |
CN107301473A (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
CN103714198B (zh) | 一种船舶多芯管下料的优化方法 | |
CN104537503B (zh) | 数据处理方法和系统 | |
CN108171372B (zh) | 一种存在准备时间的多品种生产分批调度方法 | |
CN108805403A (zh) | 一种基于改进遗传算法的单件车间调度方法 | |
CN107479522B (zh) | 一种改良的帝国竞争算法解决柔性作业车间调度问题的方法 | |
CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
CN112686474B (zh) | 一种基于改进的水波优化算法的可并行装配线平衡方法 | |
CN110363402B (zh) | 一种基于分组策略的工厂人员调度方法 | |
CN111966049B (zh) | 一种混合流水车间生产设备调度控制方法 | |
CN100401219C (zh) | 基于遗传算法的可重组生产线调度方法 | |
CN112580922A (zh) | 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法 | |
CN112859785A (zh) | 基于多目标优化算法的纸盆车间生产调度方法及调度系统 | |
CN112561225A (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN115169799A (zh) | 一种多目标柔性作业车间多重动态调度方法及系统 | |
CN108803519A (zh) | 一种改良的帝国竞争算法解决柔性作业车间调度问题的方法 | |
CN114493015A (zh) | 一种基于基因编码的板件智能生产线动态调度方法 | |
CN107437121A (zh) | 适用于多机器同时处理单工件的生产工艺过程控制方法 | |
CN114022028A (zh) | 一种自动化混合流水线调度布局集成优化方法 | |
CN111985841B (zh) | 一种基于改进遗传算法的注塑车间调度方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170721 |
|
RJ01 | Rejection of invention patent application after publication |