CN107578197B - 需求不确定的混流生产线物流车辆调度区域优化方法 - Google Patents

Abstract

本发明涉及需求不确定的混流生产线物流车辆调度区域优化方法，用以获取混流生产线中物流配送的区域划分方案，该方法包括以下步骤：1)定义物流配送车辆满载率和配送任务复杂度；2)获取多目标优化模型的约束条件，并根据物流配送车辆满载率和配送任务复杂度，以物流配送车辆平均满载率最大和配送任务复杂度指数最小为目标建立多目标优化模型；3)利用遗传算法对多目标优化模型进行求解，得到最优的分配方案。与现有技术相比，本发明具有保证配送车辆满载率的同时，降低配送任务的复杂度，避免需求不确定性因素累积导致的配送车辆状态不稳定，提高混流装配线物流调度的鲁棒性等优点。

Description

需求不确定的混流生产线物流车辆调度区域优化方法

技术领域

本发明涉及自动化生产线技术领域，尤其涉及需求不确定的混流生产线物流车辆调度区域优化方法。

背景技术

随着市场多样化需求的增加，对产品的要求由从前的单品种大批量变成了多品种小批量。因此越来越多的制造企业选择能够进行多品种混合生产的柔性生产线来快速响应市场。特别是以装配生产为主的企业，如汽车、电脑和玩具制造等行业需要一种能够进行多品种混合装配的流水线，即混流装配线(Mixed Model Assembly)。混流装配生产线可根据市场需要，实时地进行不同变形产品的装配。

据统计，在制造过程中，企业纯粹的生产时间(机加工，装配时间等)只占总时间的5％～10％，生产物流中的辅助时间(物料的存储、搬运时间等)占了90％～95％，约有75％的企业流动资金被过剩的原材料、半成品等占用，因此生产物流的优化研究对企业的生存与发展有着至关重要的作用。

传统的生产调度都是在信息完整的前提条件下进行的。所研究的对象具有确定性、静态性的特点。但在实际工作中，信息的获得具有不及时或不完整的特点。如临时插单，交货期更改都会影响市场需求，生产调度如不能适应市场的波动需求就无法按时完成生产任务，造成企业亏损。目前，在混流制造业，物料配送管理执行力度不够，实时控制能力普遍较弱，使得物料配送不能按预期作业，生产情况不够稳定。

因此本发明针对需求不确定的问题，使用控制配送车辆满载率和配送任务复杂度的多目标优化模型在保证配送车辆满载率的同时，降低配送任务的复杂度，使配送方案能适应生产比例的随时变化。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种需求不确定的混流生产线物流车辆调度区域优化方法。

本发明的目的可以通过以下技术方案来实现：

一种需求不确定的混流生产线物流车辆调度区域优化方法，用以获取混流生产线中物流配送的区域划分方案，该方法包括以下步骤：

1)分析需求波动的原因，定义物流配送车辆满载率的计算方法，引入信息熵理论，定义物流配送任务复杂度；

2)获取多目标优化模型的约束条件，以满载率最大和配送任务复杂度最小为目标建立多目标优化模型；

3)采用遗传算法对多目标优化模型进行求解，并对相应求解策略进行改进，得到最优的分配方案。

所述的步骤1)中，在不同生产比例下，全部小车的单次配送平均满载率为：

其中l为料箱规格编号，g为料箱规格总数，u为区域编号，U为区域总数，q为比例编号，Z_ulq为u区域内一次配送周期中l号料箱的个数，W_l为l号料箱对应的当量，C为小车容量。生产比例是指混流生产线上单位时间内生产不同产品的比例，由于生产需求的不确定，一条混流线会有多种生产比例。

根据信息熵理论定义配送任务复杂度，配送任务复杂度的表达式为：

其中，P_A1，……，P_Aα为车辆状态为低满载率(满载率小于60)所对应的需求比例的概率，P_B1，……，P_Bβ为车辆状态为一般满载率(满载率大于60％，小于80％)所对应的需求比例的概率，P_C1，……，P_Cγ为车辆状态为高满载率状态(满载率大于80％)所对应的需求比例的概率。α表示在该区域划分方案下，有α个需求比例对应的车辆状态为低满载率；β表示有β个需求比例对应的车辆状态为一般满载率；γ表示有γ个需求比例对应的车辆状态为高满载率。

所述的步骤2)中多目标优化模型的目标函数为：

约束条件为：

该约束条件表示划分区域数量即配送车辆数量；

x_i·x_i+1＝0,i＝1,...,n-1，该约束条件表示每个配送区域至少有一个工位；

u＝1,...,U，该约束条件表示配送车辆每次从配送中心出发都不能超载；

x_i∈{0,1}该式表示自变量取值范围。

其中，P_q为第q种生产比例的概率，x_i＝1表示第i个工位是该配送区域的最后一个工位，否则x_i＝0。

所述的步骤3)具体包括以下步骤：

31)将距离表和需求清单转化为矩阵，并定义初始参数，如种群规模、交叉概率、变异概率等，以实数编码方式生成染色体；

32)制定种群初始化策略，生成符合初始种群规模的初始种群，具体包括以下步骤：

n代表工位号，数字0代表配送中心的位置，将工位序列进行划分，划分的区域数由给定的小车数量决定。由于配送过程中，配送车沿装配线输送带方向运动，依次为工位配送零件，因此在模型中，0的插入位置可用该区域内最后一个工位标号表示。

如个体编码为{0,1,2,3,4,0,5,6,7,0,8,9,10,11,0,12,13,14,15,0}，表示由4辆车完成15个工位的运输任务，这四条路径安排如下：

路径1：配送中心-工位1-工位2-工位3-工位4-配送中心；

路径2：配送中心-工位5-工位6-工位7-配送中心；

路径3：配送中心-工位8-工位9-工位10-工位11-配送中心；

路径4：配送中心-工位12-工位13-工位14-工位15-配送中心。

其中，建立的工位集合与配送中心编号一同进行随机排列，若出现0相邻的情况，则重新生成染色体，序列首尾以0开头和结尾。若划分m个区域则中间有m-1个0，生成一条染色体并加入初始种群中，重复步骤32)直至生成符合规模要求的初始种群。

33)选择策略以轮盘赌策略进行选择，将初始种群按适应度值进行排序，最优的个体被选中的概率更大。

34)本发明初始种群中的染色体交叉变异操作，具体包括以下步骤：

交叉操作首先按选择策略选取两条染色体，生成小于区域数量的随机数a，该随机数代表第a个0的位置，将两条染色体对应的第a个0的位置进行交换生成两条新染色体。变异操作按选择策略选取一条染色体进行变异操作，同样生成小于区域数量的随机数b，该随机数代表第b个0的位置。将第b个0前后两个区域内的工位连同这个0一起组成矩阵V，将V进行随机排列，如果该0在V序列的开始或结尾，则重新进行排列，将新排列方案重新排到变异染色体的后部，并放入新种群中。

35)建立适应度函数，以乘除法建立适应度函数，编制计算机程序进行迭代求解多目标优化模型，最终得到满足适应度函数收敛精度的解，即满载率最高，配送任务复杂度最小的物流配送区域最优划分。

所述的步骤35)中适应度函数F(x)的表达式为：

与现有技术相比，本发明具有以下优点：

一、定义了不同生产比例下全部小车的单次配送平均满载率，该指标可以保证物流小车配送的效率。

二、引入信息熵理论，量化由于需求不确定性造成的配送任务的复杂度，保证配送任务复杂度最低能够使配送方案应对需求不确定性造成的小车配送状态不稳定的问题。

三、针对多目标优化问题需要同时追求最大值和最小值，采用乘除法处理多目标，适用于求解同时考虑极大和极小的问题，便于求解满载最高和配送任务复杂度最小的多目标问题，保证了调度区域划分之后，配送小车的配送效率和配送状态的稳定性。

四、引入遗传算法，能够解决更大规模的区域划分问题，提高了计算效率。

附图说明

图1为本发明流程图；

图2为本实施例变速器混流装配线布局图。

图3为本实施改进的遗传算法流程图。

图4为本实施种群初始化流程图。

图5为本实施交叉策略示意图。

图6为本实施变异示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本发明的基本思想是考虑将混流装配线物流配送车辆调度过程中的满载率作为配送效率的优化指标，同时引入信息熵理论，定义配送任务复杂度的复杂性测度，设计智能算法，在满足约束条件的前提下，通过合适的调度区域划分追求最大满载率和最小配送任务复杂度。

(1)混流装配线的需求不确定性分析

传统的生产调度都是在信息完整的前提条件下进行的。所研究的对象具有确定性、静态性的特点。但在实际工作中，信息的获得具有不及时或不完整的特点。如临时插单，交货期更改都会影响市场需求，导致混流装配线的生产比例经常变动，产生调度如不能适应波动的市场需求就无法按时完成生产任务，造成企业亏损。目前，在混流制造业，物料配送管理执行力度不够，实时控制能力普遍较弱，使得物料配送不能按预期作业，生产情况不够稳定。因此在设计阶段制定的预调度方案应该面对需求不确定性。

(2)定义车辆满载率和配送任务复杂度

混流装配线的车辆调度问题中，评估配送车辆的效率有很多指标，如车辆行驶路径最短，单次配送周期最短等，本发明使用车辆满载率作为评估配送效率的指标，在线边库存允许的条件下，车辆平均满载率越高，配送效率越高，配送的成本就越低。在不同生产比例下，全部小车的单次配送平均满载率为：

其中l为料箱规格编号，g为料箱规格总数u为区域编号，U为区域总数，q为比例编号，Z_ulq为u区域内一次配送周期中l号料箱的个数，W_l为l号料箱对应的当量，C为小车容量。

目前，复杂性测度主要是利用信息论及熵度量等方法对制造系统中的复杂性特征进行分解和定量化分析。本发明在信息论基础上给出配送任务复杂度的定义。通过计算不同生产比例下配送小车的满载率，判断其负荷状态，定义配送任务复杂度：

其中，P_A1，…，P_Aα为车辆状态为低满载率所对应的需求比例的概率，P_B1，…，P_Bβ为车辆状态为一般满载率所对应的需求比例的概率，P_C1，…，P_Cγ为车辆状态为高满载率状态所对应的需求比例的概率。

(3)以配送车辆满载率最大和配送任务复杂度最小为目标建立多目标优化模型：

约束条件为：

该约束条件表示划分区域数量即配送车辆数量；

x_i·x_i+1＝0,i＝1,...,n-1，该约束条件表示每个配送区域至少有一个工位；

u＝1,...,U，该约束条件表示配送车辆每次从配送中心出发都不能超载；

x_i∈{0,1}该式表示自变量取值范围。

其中，P_q为第q种生产比例的概率，x_i＝1定义表示第i个工位是该配送区域的最后一个工位，否则x_i＝0。

(4)设计多目标优化模型的求解算法，求解流程如图1所示，定义初始参数，如初始种群规模、交叉概率、变异概率等，以实数编码方式生成染色体。

(5)制定种群初始化策略，如图4所示。生成染色体时，n代表工位号，0代表配送中心的位置，将工位序列进行划分，划分的区域数由给定的小车数量决定。由于配送过程中，配送车沿装配线输送带方向运动，依次为工位配送零件，因此在模型中，0的插入位置可用该区域内最后一个工位标号表示。

如个体编码为{0,1,2,3,4,0,5,6,7,0,8,9,10,11,0,12,13,14,15,0}，表示由4辆车完成15个工位的运输任务，这四条路径安排如下：

路径1：配送中心-工位1-工位2-工位3-工位4-配送中心；

路径2：配送中心-工位5-工位6-工位7-配送中心；

路径3：配送中心-工位8-工位9-工位10-工位11-配送中心；

路径4：配送中心-工位12-工位13-工位14-工位15-配送中心。

其中，建立的工位集合与配送中心编号一同进行随机排列，若出现0相邻的情况，则重新生成染色体，序列首尾以0开头和结尾。若划分m个区域则中间有m-1个0，生成一条染色体并加入初始种群中，重复步骤(5)直至生成符合规模要求的初始种群。

(6)采用轮盘赌策略作为选择策略，将初始种群按适应度值进行排序，最优的个体被选中的概率更大。

(7)制定交叉变异策略。交叉操作如图5，首先按选择策略选取两条染色体，生成小于区域数量的随机数a，该随机数代表第a个0的位置，将两条染色体对应的第a个0的位置进行交换生成两条新染色体。变异操作如图6，首先按选择策略选取一条染色体进行变异操作，同样生成小于区域数量的随机数b，该随机数代表第b个0的位置。将第b个0前后两个区域内的工位连同这个0一起组成矩阵V，将V进行随机排列，如果该0在V序列的开始或结尾，则重新进行排列，将新排列方案重新排到变异染色体的后部，并放入新种群中。

(8)以遗传算法为基础，并对相应求解策略进行改进，编制计算机程序求解多目标优化模型，取得配送车辆满载率最大，配送任务复杂度最小的最优调度区域划分。

本实施例采用MATLAB根据发明内容编制可执行的程序。其效果通过某车企的变速器混流装配线实例进行说明。实例包含1个配送中心和34个工位，布局如图2所示。配送中心及各工位距离表部分为表1，各生产比例下工位需求表为表2，表1数值示距离大小，单位为米；表2数值表示当量数，各个工位需求的物料根据重量、体积化为统一当量。

表1配送中心及各工位部分距离表

表2各生产比例下工位需求表

采用遗传算法作为计算工具，编制图3所示求解算法。读入距离表和需求表，按图3所示的种群初始化流程生成20条染色体的初始种群，使每个配送车辆对应一个配送区域，计算每条染色体下的配送车辆平均满载率和配送任务复杂度，按以下适应度函数计算各染色体适应度并排序。

依据精英策略保留两条最优的染色体，按轮盘赌策略选择10条染色体进行交叉操作，选择8条染色体进行变异操作，共同组成下一代包含20条染色体的种群。由于采用轮盘赌策略进行选择，更优的个体将具备更大的概率被选中，优秀基因得以遗传至下一代。交叉变异策略如图5和图6所示。重新区域划分后，计算满载率及配送任务复杂度，计算新种群的适应度并排序。

以此规则迭代，以迭代200代为终止条件，输出最优解如表3所示。

表3最优物流调度配送区域划分方案

如表3所示，整条变速器混流装配线被划分为4个区域，每个区域由一台配送车辆负责配送，配送周期计算结果如表3。此方案在不同生产比例下的配送车辆平均满载率为87.21％，配送任务复杂度为0.500402bit，适应度值为0.57377，是迭代200代后的最优解。该方案保证了配送效率即较低的配送成本的同时，能够解决需求不确定性因素累积导致的配送车辆状态不稳定的问题。

以上结合附图对本发明的具体实施方式作了说明，但这些说明不能被理解为限制了本发明的范围，本发明的保护范围由随附的权利要求书限定，任何在本发明权利要求基础上的改动都是本发明的保护范围。

Claims (5)

1.一种需求不确定的混流生产线物流车辆调度区域优化方法，用以获取混流生产线中物流配送的区域划分方案，其特征在于，该方法包括以下步骤：

1)定义物流配送车辆满载率和配送任务复杂度，

2)获取多目标优化模型的约束条件，并根据物流配送车辆满载率和配送任务复杂度，以满载率最大和配送任务复杂度指数最小为目标建立多目标优化模型，

3)采用遗传算法对多目标优化模型进行求解，得到最优的分配方案；

所述的步骤1)中，在不同生产比例下，全部小车的单次配送平均满载率为：

其中l为料箱规格编号，g为料箱规格总数，u为区域编号，U为区域总数，q为比例编号，Z_ulq为u区域内一次配送周期中l号料箱的个数，W_l为l号料箱对应的当量，C为小车容量，

根据信息熵理论定义配送任务复杂度，配送任务复杂度的表达式为：

其中，P_A1，……，P_Aα为车辆状态为低满载率所对应的需求比例的概率，P_B1，……，P_Bβ为车辆状态为一般满载率所对应的需求比例的概率，P_C1，……，P_Cγ为车辆状态为高满载率状态所对应的需求比例的概率，α表示在当前区域划分方案下，有α个需求比例对应的车辆状态为低满载率，β表示有β个需求比例对应的车辆状态为一般满载率，γ表示有γ个需求比例对应的车辆状态为高满载率。

2.根据权利要求1所述的一种需求不确定的混流生产线物流车辆调度区域优化方法，其特征在于，步骤2)中多目标优化模型的目标函数为：

约束条件为：

x_i·x_i+1＝0,i＝1,...,n-1

x_i∈{0,1}

其中，P_q为第q种生产比例的概率，x_i＝1定义表示第i个工位是配送区域的最后一个工位，否则x_i＝0，a和b为随机数，m为划分的区域个数。

3.根据权利要求2所述的一种需求不确定的混流生产线物流车辆调度区域优化方法，其特征在于，步骤3)的遗传算法中，适应度函数F(x)的表达式为：

4.根据权利要求1所述的一种需求不确定的混流生产线物流车辆调度区域优化方法，其特征在于，步骤3)的遗传算法中，制定配送中心与工位、工位与工位之间的距离表，以及各生产比例下的工位需求表，转化为矩阵，并定义初始参数，以实数编码方式生成染色体。

5.根据权利要求4所述的一种需求不确定的混流生产线物流车辆调度区域优化方法，其特征在于，所述的生产比例为混流生产线上单位时间内生产不同产品的比例。

Images