CN107451747A - 基于自适应非支配遗传算法的车间调度系统及其工作方法 - Google Patents
基于自适应非支配遗传算法的车间调度系统及其工作方法 Download PDFInfo
- Publication number
- CN107451747A CN107451747A CN201710672217.0A CN201710672217A CN107451747A CN 107451747 A CN107451747 A CN 107451747A CN 201710672217 A CN201710672217 A CN 201710672217A CN 107451747 A CN107451747 A CN 107451747A
- Authority
- CN
- China
- Prior art keywords
- mrow
- module
- msub
- workpiece
- individual
- 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
Classifications
-
- 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
-
- 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06316—Sequencing of tasks or work
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于自适应非支配遗传算法的车间调度系统及其工作方法，所述的系统包括高级管理员管理模块和普通管理员模块，所述的高级管理员管理模块负责维护与决策，普通管理员模块负责对订单进行操作。本发明通过资源配置功能和调度管理对生产管理信息进行系统管理，使调度不但可以应用于静态小规模的生产车间调度，而且可以应用于多批量动态生产车间调度，解决了调度算法通用性差，应用目标局限性大的问题。本发明的高级管理员在调度前可以对生产车间中产品对应的工件和工件对应的加工工序进行设定，解决了现有研究算法收敛速度较慢的问题。本发明为用户提供准确度高、高效率的调度系统，保证了研究的实用性，使调度更贴切实际情况。
Description
技术领域
本发明涉及一种车间生产调度技术，尤其是一种基于改进自适应非支配排序遗传算法在多目标车间调度的应用系统工作平台及方法，属于遗传算法与车间调度管理技术领域。
背景技术
随着企业现代化的发展，车间调度的生产效率是企业在市场全球化竞争的关键因素。在计算机应用普及之前，企业采用传统的手工作业方式，使得企业生产、经营和管理方面存在许多问题，难以提高企业市场竞争能力和综合经济效益。鉴于此，企业引进了先进的信息和科学的管理技术，通过实施计算机集成制造系统(CIMS)工程，提高企业现代化管理水平和先进制造技术水平，企业己形成由原料采购、产品生产、机械安装维修、包装装潢和产品结构设计组成的多元化经营、生产、加工、服务体系。经过对目前企业情况的调研和大量文献的查阅，总结了出现在企业生产调度模式下存在的若干问题：资源分配不合理，造成车间设备耗损不均衡而产生的浪费；管理系统中功能分配不够细化，管理人员分责不明确，造成系统信息不能及时更新而导致生产资源的浪费。因此，企业目前需要一个通用性强、操作简单和权责细化的车间调度系统。
现有技术中常用的车间调度管理系统平台大多针对大规模的调度问题，调度过程可能花费较多时间，很难实现普遍应用研究。在多目标优化中，由于各个目标不一定是线性关系，可能存在冲突，所以搜索获得的最优解或近似最优解很难保证是所有目标的最优解。虽然国内外学者已经对多目标车间调度进行了深入研究，但是由于问题的复杂性，求解过程仍存在如下问题：
1、调度算法通用性差。目前的多目标车间调度系统只适用于某个具体的车间环境，其目标也只针对加工时间最短、机器负载最小等。
2、目前对多目标车间调度问题的研究算法收敛速度较慢，对数据处理的实时性较差。调度模型尚未考虑完全真实生产调度的实际情况，模型模拟出的结果与实际存在一定的误差，不能完全解决车间的实际调度问题。
3、在研究优化指标中，大部分基于性能指标，很少研究代价指标，无法为用户提供准确度高、高效率的调度系统。
因此，研究车间调度问题应充分考虑企业各个相关指标，使调度更加贴切实际调度情况，保证研究更具实用性。
发明内容
为解决现有技术存在的上述问题，本发明要设计一种既具有良好的通用性和快的收敛速度，又能够为用户提供准确度高和效率高的基于自适应非支配遗传算法的车间调度系统及其工作方法。
为了实现上述目的，本发明的技术方案如下：基于自适应非支配遗传算法的车间调度系统，包括高级管理员管理模块和普通管理员模块，所述的高级管理员管理模块负责维护与决策，普通管理员模块负责对订单进行操作。
所述的高级管理员管理模块包括用户管理模块、产品管理模块、设备管理模块、设备管理模块、车间调度管理模块；普通管理员模块包括订单管理模块。
所述的用户管理模块包括登录页面模块和对用户信息的增删改查模块，登录页面模块包括注册帐号模块和登录模块，注册帐号模块用于新用户注册帐号，其用户权限为普通用户；登录模块用于老用户登录；增删改查模块用于对用户权限进行设置，并对用户权限进行修改。
所述的产品管理模块用于对企业要生产的产品及各个工件信息的记录和管理。产品管理模块包括产品模块、工件模块和工序模块，产品模块、工件模块和工序模块均具有增删改查功能。产品模块用于公司统计和记录所要生产的产品，即添加产品信息，产品信息包括产品ID、产品名称以及所含工件名称。其中产品是由不同工件组装在一起的具有独立功能的集合体。工件模块用于添加对应产品的工件信息，工件信息包括工件ID、工件名称以及所含工序。工序模块用于添加每个工件对应的工序信息，工序信息包括工序ID和工序名称。
所述的设备管理模块用于对机器信息的增删改查，将新进的机器加入可用机器行列，当机器出现损坏或突然中断时，对其信息进行修改或删除，机器信息包括机器ID和机器名称。
所述的车间调度管理模块包括机器分配模块、调度参数设置模块和资源配置模块。机器分配模块用于选择参与调度的机器。调度参数设置模块根据处理的订单和分配的机器设置优化算法中的概率参数。资源配置模块用于设置每个工件的每道工序在每台机器上的加工时间，具有对加工时间的增删改查功能；资源配置模块是车间调度的基础，也即车间调度的参照表，用于对车间调度进行约束调度。资源配置模块的详细内容包括工件ID、工序ID、机器ID和对应加工时间。
所述的订单管理模块用于管理用户下达的订单，其功能为对订单信息的增删改查。订单的信息包括订单号、订单人、产品名称、下单日期以及交货日期。订单成功生成之后，点击处理按钮，系统将转向调度界面。之后根据所填调度参数和所选设备对订单中产品进行加工调度，生成多种调度方案，根据实际调度需求选择较合理的调度方案进行解析调度。
基于自适应非支配遗传算法的车间调度系统的工作方法，包括如下步骤：
A、订单管理
订单管理模块在接收到订单前，先由高级管理员对企业进行数据采集。将车间的设备所有状态信息输入系统，之后添加工厂目前加工的工件和产品信息，并且添加每个工件需要的工序。具体包括以下内容：
n：工件总数；
m：机器总数；
k：机器序号，k＝1、2、3、…、m；
i：工件序号，i＝1、2、3、…、n；
J＝{Ji}1≤i≤n：总的工件集合，Ji表示第i个工件；
M＝{Mk}1≤k≤m：总的机器集合，Mk表示第k台机器；
Oij：表示第i个工件的第j道工序；
Tijk：表示工序在第k台机器上加工的时间；
Sij：表示工序的开始加工时间；
Cij：表示工序的完工时间；Ci：表示第i个工件的完工时间；
Cmax：表示最大完工时间。
普通管理员负责对订单的增加、删除、修改和查看，以及对订单进行处理调度，普通管理员登陆后，点击设置按钮修改自己的信息。
B、设备调度管理
机器管理模块对企业机器信息进行增删改查，将企业机器新进后的机器加入可用机器行列，当机器出现损坏或突然中断时，对其信息进行修改或删除，体现对企业机床的灵活管理。机器信息包括机器ID和机器名称。
B1、在设备调度管理中，针对普通自适应遗传算子容易陷入局部最优解的缺点，提出基于进化代数的自适应交叉算子。具体改进后的自适应交叉概率如下：
在进化前期当前个体适应度低于平均适应度，为了提高算法的全局搜索能力，将交叉概率调到最大，随着进化代数的增大，逐渐调低交叉概率，既提高了算法的灵敏度，又保证了种群在进化过程中个体不因太大的交叉概率破坏优良的个体。在进化后期当前个体适应度高于平均适应度，大部分个体处于高适应度状态，较高的交叉概率会使算法陷入盲目的随机搜索而降低算法的收敛速度，变异操作同理。
B2、生成一个随机数p，0<p<1，如果p小于变异概率pm，转向步骤B，否则跳过变异操作。
在进化后期，大部分个体的适应度值比较高，而且个体之间相似度极高，种群中个体缺乏多样性，算法很容易陷入局部最优解。引入极值优化思想在算法将要陷入局部最优时采用基于邻域搜索的变异操作，具体变异操作如下：
B3、在被选择的个体中随机选择K个基因位，K>2，将这K个基因位置上的K个基因进行全排序，将每个排序后的结果作为子代K个基因位置上的基因，得到K！个新子染色体；将原染色体中除去那K个基因位后得到的基因，从左到右依次填入每个新子染色体的原有位置上得到K！个新个体。
根据决策函数评价这K！个新个体的适应度值，选出最优的那个个体替代原变异个体作为变异结果。
C、产品调度管理
产品管理模块是高级管理员对企业要生产的产品及各个工件信息的记录和管理。产品管理模块分为产品模块、工件模块和工序模块，产品模块、工件模块和工序模块均具有增删改查功能。工序模块添加每个工件对应的工序，工序的详细信息包括工序ID和工序名称。
在工件和工序管理调度中使用改进的NSGA-II算法，首先为了避免丧失种群多样性，采用改进的循环排挤方法，即与NSGA-II算法相反的方法，不是从选择的方向思考，而是以剔除的方式来保留。将拥挤距离最小的个体逐个剔除，每剔除一个个体，必须重新计算这一非劣前沿等级的每个个体的拥挤距离。其具体步骤为：
C1、确定该非劣前沿等级上总个体数n，要从这个等级上选择的个体数为k；
C2、计算这n个个体的拥挤距离；
C3、判断当前个体数是否等于k，若相等则结束，否则，转向步骤C4；
C4、将拥挤距离最小的个体剔除掉，重新计算剩下个体的拥挤距离，转向步骤C3。
通过上述步骤循环计算拥挤距离，循环剔除排挤后的个体数等于要选择的个体数，逐个剔除后得到的Pareto解的分布比较均匀。
D、资源配置
资源配置模块根据实际情况，设置每个工件的每道工序在每台机器上的加工时间。实现对加工时间的增删改查，这个模块是车间调度的基础。
应用资源配置模块对企业资源进行合理配置，通过该模块输入资源的加工约束信息，生成约束性数学模型；
作业车间调度问题在加工过程中要满足以下约束条件：
D1、不同工件的工序之间没有顺序约束，但同一工件的工序之间有先后顺序的约束，前一道工序加工完成后才能开始加工当前工序。
式中Sijk表示工序Oij在m台机器上的开始加工时间。
D2、同一时刻一台机器上只能加工一道工序。
D3、每个工件的每道工序一旦在机器上加工，便不能中断，直至完成。
式中：Cijk表示工序Oij的完工时间。
D4、同一工件的同一工序在同一时刻只能在一台机器上加工。
D5、所有的工件加工没有优先级之分。
D6、所有工件在初始时刻按照加工顺序待加工。
E、车间调度管理
车间调度管理的自适应非支配遗传算法，具体步骤如下：
E1、设置算法参数，包括种群规模N、最大进化代数gen以及各种操作概率；
E2、生成第一代种群，并对其非支配分级排序后通过遗传算法的选择、交叉、变异三个基本操作；
E3、从第二代开始，将父代种群与子代种群合并，得到种群规模为2N的新种群；
E4、对新种群进行快速非支配分级排序；
E5、对每个非支配前沿分级层中的个体进行拥挤距离计算，根据非支配前沿关系以及个体的拥挤距离选取大于N个合适的个体；
E6、根据添加精英保留的改进的精英选择策略选出N个合适的个体组成新的父代种群；
E7、判断种群是否陷入局部最优解，若是，执行步骤E8；否则，转向步骤E9；
E8、对当前最差的个体进行邻域搜索的变异操作；
E9、对种群进行遗传算法的基本操作选择、交叉和变异产生下一代子代种群；判断是否满足已知最优解。
已知最优解是在经典的Brandimarte算例中，对同类问题已经获取的业界共知的最优解，此最优解一般作为新算法改进判断的标准，如下表所示：左侧是算例，中间是问题，右侧是对应的已知最优解。
表1
与现有技术相比，本发明具有以下有益效果：
1、本发明通过资源配置功能和调度管理对生产管理信息进行系统管理，使调度不但可以应用于静态小规模的生产车间调度，而且可以应用于多批量动态生产车间调度，解决了调度算法通用性差，应用目标局限性大的问题。
2、本发明的高级管理员在调度前可以对生产车间中产品对应的工件和工件对应的加工工序进行设定，解决了现有研究算法收敛速度较慢的问题。
3、本发明为用户提供准确度高、高效率的调度系统，保证了研究的实用性，使调度更贴切实际情况。
附图说明
图1为本发明的系统组成图。
图2为本发明的功能流程图。
图3为本发明的筛选过程示意图。
图4为本发明改进的精英选择过程示意图。
图5为本发明的算例收敛曲线图。
图6为本发明的算例最优解甘特图。
具体实施方式
下面结合附图对本发明进行进一步地描述。
一种基于自适应非支配遗传算法的车间调度系统功能流程图如图1-2所示。本发明方法还可以结合用嵌入式芯片、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本发明的系统对企业来说也需要不同权限的管理者来管理，高级管理员负责系统的维护与决策，普通管理员则只是对订单进行操作。在接收到订单前，先由高级管理员对企业进行数据采集。将工厂里的设备所有状态信息输入系统，之后添加工厂目前可以加工的工件和产品信息，并且添加好每个工件需要的工序，最后进行资源配置，向系统输入资源的分配信息，即加工约束。准备工作做完之后，接收用户发来的订单，分析接收到的订单的产品，将其拆分成不同的工件，选择要使用的加工设备，设置好调度参数，调用改进的优化算法，然后根据之前配置好的数据进行调度处理。当决策者对调度结果不满意时，可以多运行几次直到得到满意的结果，然后点击解析得到具体的车间任务分配。
本发明的方法在求解非支配解采用了一种改进的循环排挤方法，其思想与NSGA-II算法相反，不是从选择的方向思考，而是以剔除的方式来保留。将拥挤距离最小的个体逐个剔除，每剔除一个个体，必须重新计算这一非劣前沿等级的每个个体的拥挤距离。其具体步骤为：
(1)确定该非劣前沿等级上总个体数n，要从这个等级上选择的个体数为k；
(2)计算这n个个体的拥挤距离；
(3)判断当前个体数是否等于k，若相等则结束，否则，转向步骤(4)；
(4)将拥挤距离最小的个体剔除掉，重新计算剩下个体的拥挤距离，转向步骤(3)。
由上述步骤可知，循环计算拥挤距离，循环剔除排挤后的个体数等于要选择的个体数，如图3所示，逐个剔除后得到的Pareto解的分布比较均匀。
为了保证搜索方向朝着真正的Pareto解发展，得到分布均匀的解保证种群的多样性，本发明采用了一种改进的精英选择策略，其根据一个分布函数来分配各非支配解集要选择的个体数，分布函数如下：ni＝|Fi|*ri，如图4所示。
其中，i为非支配等级数；Fi表示第i个非支配解集中的个体数；ni表示在第i个非支配解集中选取的个体数；ri为0到1之间的随机数。改进后的精英选择法保留了大多数的精英个体，但是由于是随机确定某个非支配解集中选择的个数，因此rank＝1的非支配前沿很有可能把目前最优的解丢弃，甚至可能将该非支配前沿的解全部丢掉，这样就会把本来收敛的最优解，反而剔除掉，很不利于算法取优，影响算法的收敛速度和最终结果。因此，本发明在改进的精英选择策略的基础上引进了精英保留策略，即在精英选择之前先将种群中最优的那个个体直接保留到下一代，然后使用精英选择策略，若一次循环排挤方法选出来的个体不够N个，则循环使用循环排挤方法，直到下一代个体数等于或超过N，将选出N个个体进入下一代。这样既能保证优秀的个体能够保留到下一代，又能使下一代种群分布均匀，避免算法陷入局部最优，而且确保能够得到较优的结果。
选择一个典型问题后会有默认的算法参数，用户可以根据需求修改参数内容。下面还详细显示了此问题的数据源，包含机器参数和工件加工时间对应列表，选择好典型问题并且填好算法所需参数后，点击界面运行按钮，系统将会在后台运行算法，将运行后得到的最优解序列显示在最优解框里供参考。点击相应的图标按钮得出收敛曲线图(图5)和最优解甘特图(图6)。
本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。
Claims (2)
1.基于自适应非支配遗传算法的车间调度系统，其特征在于：包括高级管理员管理模块和普通管理员模块，所述的高级管理员管理模块负责维护与决策，普通管理员模块负责对订单进行操作；
所述的高级管理员管理模块包括用户管理模块、产品管理模块、设备管理模块、设备管理模块、车间调度管理模块；普通管理员模块包括订单管理模块；
所述的用户管理模块包括登录页面模块和对用户信息的增删改查模块，登录页面模块包括注册帐号模块和登录模块，注册帐号模块用于新用户注册帐号，其用户权限为普通用户；登录模块用于老用户登录；增删改查模块用于对用户权限进行设置，并对用户权限进行修改；
所述的产品管理模块用于对企业要生产的产品及各个工件信息的记录和管理；产品管理模块包括产品模块、工件模块和工序模块，产品模块、工件模块和工序模块均具有增删改查功能；产品模块用于公司统计和记录所要生产的产品，即添加产品信息，产品信息包括产品ID、产品名称以及所含工件名称；其中产品是由不同工件组装在一起的具有独立功能的集合体；工件模块用于添加对应产品的工件信息，工件信息包括工件ID、工件名称以及所含工序；工序模块用于添加每个工件对应的工序信息，工序信息包括工序ID和工序名称；
所述的设备管理模块用于对机器信息的增删改查，将新进的机器加入可用机器行列，当机器出现损坏或突然中断时，对其信息进行修改或删除，机器信息包括机器ID和机器名称；
所述的车间调度管理模块包括机器分配模块、调度参数设置模块和资源配置模块；机器分配模块用于选择参与调度的机器；调度参数设置模块根据处理的订单和分配的机器设置优化算法中的概率参数；资源配置模块用于设置每个工件的每道工序在每台机器上的加工时间，具有对加工时间的增删改查功能；资源配置模块是车间调度的基础，也即车间调度的参照表，用于对车间调度进行约束调度；资源配置模块的详细内容包括工件ID、工序ID、机器ID和对应加工时间；
所述的订单管理模块用于管理用户下达的订单，其功能为对订单信息的增删改查；订单的信息包括订单号、订单人、产品名称、下单日期以及交货日期；订单成功生成之后，点击处理按钮，系统将转向调度界面；之后根据所填调度参数和所选设备对订单中产品进行加工调度，生成多种调度方案，根据实际调度需求选择较合理的调度方案进行解析调度。
2.基于自适应非支配遗传算法的车间调度系统的工作方法，其特征在于：包括如下步骤：
A、订单管理
订单管理模块在接收到订单前，先由高级管理员对企业进行数据采集；将车间的设备所有状态信息输入系统，之后添加工厂目前加工的工件和产品信息，并且添加每个工件需要的工序；具体包括以下内容：
n：工件总数；
m：机器总数；
k：机器序号，k＝1、2、3、…、m；
i：工件序号，i＝1、2、3、…、n；
J＝{Ji}1≤i≤n：总的工件集合，Ji表示第i个工件；
M＝{Mk}1≤k≤m：总的机器集合，Mk表示第k台机器；
Oij：表示第i个工件的第j道工序；
Tijk：表示工序在第k台机器上加工的时间；
Sij：表示工序的开始加工时间；
Cij：表示工序的完工时间；Ci：表示第i个工件的完工时间；
Cmax：表示最大完工时间；
普通管理员负责对订单的增加、删除、修改和查看，以及对订单进行处理调度，普通管理员登陆后，点击设置按钮修改自己的信息；
B、设备调度管理
机器管理模块对企业机器信息进行增删改查，将企业机器新进后的机器加入可用机器行列，当机器出现损坏或突然中断时，对其信息进行修改或删除，体现对企业机床的灵活管理；机器信息包括机器ID和机器名称；
B1、在设备调度管理中，针对普通自适应遗传算子容易陷入局部最优解的缺点，提出基于进化代数的自适应交叉算子；具体改进后的自适应交叉概率如下：
<mrow>
<msub>
<mi>p</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>p</mi>
<mrow>
<mi>c</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>c</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>c</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mi>i</mi>
<mrow>
<mi>g</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</mfrac>
<mo>,</mo>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>&le;</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>)</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>p</mi>
<mrow>
<mi>c</mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>c</mi>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>c</mi>
<mi>min</mi>
</mrow>
</msub>
<mo>)</mo>
<mo>(</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>&times;</mo>
<mfrac>
<mi>i</mi>
<mrow>
<mi>g</mi>
<mi>e</mi>
<mi>n</mi>
</mrow>
</mfrac>
<mo>,</mo>
<mo>(</mo>
<msub>
<mi>f</mi>
<mn>1</mn>
</msub>
<mo>></mo>
<msub>
<mi>f</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>)</mo>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
在进化前期当前个体适应度低于平均适应度，为了提高算法的全局搜索能力，将交叉概率调到最大，随着进化代数的增大，逐渐调低交叉概率，既提高了算法的灵敏度，又保证了种群在进化过程中个体不因太大的交叉概率破坏优良的个体；在进化后期当前个体适应度高于平均适应度，大部分个体处于高适应度状态，较高的交叉概率会使算法陷入盲目的随机搜索而降低算法的收敛速度，变异操作同理；
B2、生成一个随机数p，0<p<1，如果p小于变异概率pm，转向步骤B，否则跳过变异操作；
在进化后期，大部分个体的适应度值比较高，而且个体之间相似度极高，种群中个体缺乏多样性，算法很容易陷入局部最优解；引入极值优化思想在算法将要陷入局部最优时采用基于邻域搜索的变异操作，具体变异操作如下：
B3、在被选择的个体中随机选择K个基因位，K>2，将这K个基因位置上的K个基因进行全排序，将每个排序后的结果作为子代K个基因位置上的基因，得到K！个新子染色体；将原染色体中除去那K个基因位后得到的基因，从左到右依次填入每个新子染色体的原有位置上得到K！个新个体；
根据决策函数评价这K！个新个体的适应度值，选出最优的那个个体替代原变异个体作为变异结果；
C、产品调度管理
产品管理模块是高级管理员对企业要生产的产品及各个工件信息的记录和管理；产品管理模块分为产品模块、工件模块和工序模块，产品模块、工件模块和工序模块均具有增删改查功能；工序模块添加每个工件对应的工序，工序的详细信息包括工序ID和工序名称；
在工件和工序管理调度中使用改进的NSGA-II算法，首先为了避免丧失种群多样性，采用改进的循环排挤方法，即与NSGA-II算法相反的方法，不是从选择的方向思考，而是以剔除的方式来保留；将拥挤距离最小的个体逐个剔除，每剔除一个个体，必须重新计算这一非劣前沿等级的每个个体的拥挤距离；其具体步骤为：
C1、确定该非劣前沿等级上总个体数n，要从这个等级上选择的个体数为k；
C2、计算这n个个体的拥挤距离；
C3、判断当前个体数是否等于k，若相等则结束，否则，转向步骤C4；
C4、将拥挤距离最小的个体剔除掉，重新计算剩下个体的拥挤距离，转向步骤C3；
通过上述步骤循环计算拥挤距离，循环剔除排挤后的个体数等于要选择的个体数，逐个剔除后得到的Pareto解的分布比较均匀；
D、资源配置
资源配置模块根据实际情况，设置每个工件的每道工序在每台机器上的加工时间；实现对加工时间的增删改查，这个模块是车间调度的基础；
应用资源配置模块对企业资源进行合理配置，通过该模块输入资源的加工约束信息，生成约束性数学模型；
作业车间调度问题在加工过程中要满足以下约束条件：
D1、不同工件的工序之间没有顺序约束，但同一工件的工序之间有先后顺序的约束，前一道工序加工完成后才能开始加工当前工序；
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&GreaterEqual;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mo>&lsqb;</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mo>&lsqb;</mo>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中Sijk表示工序Oij在m台机器上的开始加工时间；
D2、同一时刻一台机器上只能加工一道工序；
D3、每个工件的每道工序一旦在机器上加工，便不能中断，直至完成；
式中：Cijk表示工序Oij的完工时间；
D4、同一工件的同一工序在同一时刻只能在一台机器上加工；
D5、所有的工件加工没有优先级之分；
D6、所有工件在初始时刻按照加工顺序待加工；
E、车间调度管理
车间调度管理的自适应非支配遗传算法，具体步骤如下：
E1、设置算法参数，包括种群规模N、最大进化代数gen以及各种操作概率；
E2、生成第一代种群，并对其非支配分级排序后通过遗传算法的选择、交叉、变异三个基本操作；
E3、从第二代开始，将父代种群与子代种群合并，得到种群规模为2N的新种群；
E4、对新种群进行快速非支配分级排序；
E5、对每个非支配前沿分级层中的个体进行拥挤距离计算，根据非支配前沿关系以及个体的拥挤距离选取大于N个合适的个体；
E6、根据添加精英保留的改进的精英选择策略选出N个合适的个体组成新的父代种群；
E7、判断种群是否陷入局部最优解，若是，执行步骤E8；否则，转向步骤E9；
E8、对当前最差的个体进行邻域搜索的变异操作；
E9、对种群进行遗传算法的基本操作选择、交叉和变异产生下一代子代种群；判断是否满足已知最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710672217.0A CN107451747B (zh) | 2017-08-08 | 2017-08-08 | 基于自适应非支配遗传算法的车间调度系统及其工作方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710672217.0A CN107451747B (zh) | 2017-08-08 | 2017-08-08 | 基于自适应非支配遗传算法的车间调度系统及其工作方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107451747A true CN107451747A (zh) | 2017-12-08 |
| CN107451747B CN107451747B (zh) | 2020-07-21 |
Family
ID=60491414
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710672217.0A Expired - Fee Related CN107451747B (zh) | 2017-08-08 | 2017-08-08 | 基于自适应非支配遗传算法的车间调度系统及其工作方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107451747B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359884A (zh) * | 2018-10-31 | 2019-02-19 | 南京航空航天大学 | 航空复杂装备结构件车间作业计划及重调度方法 |
| CN109409774A (zh) * | 2018-11-14 | 2019-03-01 | 合肥工业大学智能制造技术研究院 | 用于智能制造数字化车间的调度方法、系统及存储介质 |
| CN110223132A (zh) * | 2019-04-18 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 基于多权限角色的订单处理方法、装置、终端及存储介质 |
| CN110866586A (zh) * | 2019-10-14 | 2020-03-06 | 西南交通大学 | 用于受资源约束多项目调度的改进遗传规划算法优化方法 |
| CN110956371A (zh) * | 2019-11-18 | 2020-04-03 | 杭州德意电器股份有限公司 | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 |
| CN110991056A (zh) * | 2019-12-09 | 2020-04-10 | 西南交通大学 | 一种基于遗传变邻域算法的飞机装配线作业调度方法 |
| CN112348323A (zh) * | 2020-10-23 | 2021-02-09 | 浙江中烟工业有限责任公司 | 一种多目标的能源供应与作业柔性排程方法 |
| CN112907150A (zh) * | 2021-04-07 | 2021-06-04 | 江苏西格数据科技有限公司 | 一种基于遗传算法的生产排程方法 |
| CN113485280A (zh) * | 2021-08-23 | 2021-10-08 | 东北大学 | 基于信息物理模型转换的新能源冲压车间调度系统与方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术（上海）有限公司 | 一种应用了基于精英解池的遗传算法的生产排程系统和方法 |
| CN101957954A (zh) * | 2010-10-18 | 2011-01-26 | 上海电机学院 | 离散型制造业生产管控优化方法 |
| CN105321042A (zh) * | 2015-10-19 | 2016-02-10 | 金航数码科技有限责任公司 | 一种基于遗传算法的高级计划排程系统及方法 |
-
2017
- 2017-08-08 CN CN201710672217.0A patent/CN107451747B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术（上海）有限公司 | 一种应用了基于精英解池的遗传算法的生产排程系统和方法 |
| CN101957954A (zh) * | 2010-10-18 | 2011-01-26 | 上海电机学院 | 离散型制造业生产管控优化方法 |
| CN105321042A (zh) * | 2015-10-19 | 2016-02-10 | 金航数码科技有限责任公司 | 一种基于遗传算法的高级计划排程系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| P.BAUMANN AND N.TRAUTMANN: ""Operations scheduling in make-and-pack production:Schedule construction and GA-based priority-rule generation procedures"", 《IEEE INTERNATIONAL CONFERENCE ON INDUSTRIAL ENGINEERING & ENGINEERING MANAGEMENT》 * |
| 于莹莹: ""改进自适应遗传算法在作业车间调度问题中的应用研究"", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
| 郭琛 等: ""新自适应方式双倍体遗传算法求解作业车间调度问题"", 《大连交通大学学报》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359884B (zh) * | 2018-10-31 | 2021-07-27 | 南京航空航天大学 | 航空复杂装备结构件车间作业计划及重调度方法 |
| CN109359884A (zh) * | 2018-10-31 | 2019-02-19 | 南京航空航天大学 | 航空复杂装备结构件车间作业计划及重调度方法 |
| CN109409774A (zh) * | 2018-11-14 | 2019-03-01 | 合肥工业大学智能制造技术研究院 | 用于智能制造数字化车间的调度方法、系统及存储介质 |
| CN110223132A (zh) * | 2019-04-18 | 2019-09-10 | 深圳壹账通智能科技有限公司 | 基于多权限角色的订单处理方法、装置、终端及存储介质 |
| CN110866586A (zh) * | 2019-10-14 | 2020-03-06 | 西南交通大学 | 用于受资源约束多项目调度的改进遗传规划算法优化方法 |
| CN110866586B (zh) * | 2019-10-14 | 2021-03-16 | 西南交通大学 | 用于受资源约束多项目调度的改进遗传规划算法优化方法 |
| CN110956371A (zh) * | 2019-11-18 | 2020-04-03 | 杭州德意电器股份有限公司 | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 |
| CN110956371B (zh) * | 2019-11-18 | 2023-04-07 | 杭州德意智家股份有限公司 | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 |
| CN110991056A (zh) * | 2019-12-09 | 2020-04-10 | 西南交通大学 | 一种基于遗传变邻域算法的飞机装配线作业调度方法 |
| CN110991056B (zh) * | 2019-12-09 | 2021-08-06 | 西南交通大学 | 一种基于遗传变邻域算法的飞机装配线作业调度方法 |
| CN112348323A (zh) * | 2020-10-23 | 2021-02-09 | 浙江中烟工业有限责任公司 | 一种多目标的能源供应与作业柔性排程方法 |
| CN112907150A (zh) * | 2021-04-07 | 2021-06-04 | 江苏西格数据科技有限公司 | 一种基于遗传算法的生产排程方法 |
| CN113485280A (zh) * | 2021-08-23 | 2021-10-08 | 东北大学 | 基于信息物理模型转换的新能源冲压车间调度系统与方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107451747B (zh) | 2020-07-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107451747A (zh) | 基于自适应非支配遗传算法的车间调度系统及其工作方法 | |
| Yang et al. | Multi-objective low-carbon disassembly line balancing for agricultural machinery using MDFOA and fuzzy AHP | |
| Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
| CN104537503B (zh) | 数据处理方法和系统 | |
| CN113962091B (zh) | 一种处理混合废旧产品的多人共站不完全拆卸线平衡设计方法 | |
| Shan et al. | A review of the application of genetic algorithms for solving flexible job shop scheduling problems | |
| CN105550825B (zh) | 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法 | |
| Joo et al. | Adaptive and dynamic process planning using neural networks | |
| CN116700176A (zh) | 一种基于强化学习的分布式阻塞流水车间调度优化系统 | |
| Gao | A fuzzy-ANP approach to project management performance evaluation indices system | |
| Fang | [Retracted] An Effective Hybrid Multiobjective Flexible Job Shop Scheduling Problem Based on Improved Genetic Algorithm | |
| Liu et al. | A Bayesian-grouping based hybrid distributed cooperative evolutionary optimization for large-scale flexible job-shop scheduling problem | |
| CN109214695A (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
| CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
| Guan et al. | Machining scheme selection of digital manufacturing based on genetic algorithm and AHP | |
| Tanimizu et al. | A co-evolutionary algorithm for open-shop scheduling with disassembly operations | |
| CN110298538B (zh) | 一种智能车间组合调度控制方法 | |
| CN113868860A (zh) | 一种基于工艺知识的零件自适应成本估算方法 | |
| Hu et al. | Coordinated optimization of production scheduling and maintenance activities with machine reliability deterioration. | |
| Wang et al. | Formulation and Methods for a Class of Two-stage Flow-shop Scheduling Problem with the Batch Processor | |
| Verma et al. | Solving the job-shop scheduling problem by using genetic algorithm | |
| Guan et al. | Optimization of Digital Twin Workshop Scheduling Problem Based on Genetic Algorithm | |
| Rajesh et al. | Inspectorate Patterns for Cell Recognition in Cellular Manufacturing | |
| Xiwang et al. | An improved multi-objective scatter search approach for solving selective disassembly optimization problem | |
| Mutel et al. | Feature-based manufacturing cell formation using a fuzzy-set approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200721 Termination date: 20210808 |