CN108681313A - 一种汽车生产制造中车体模块生产过程的优化调度方法 - Google Patents

Abstract

本发明涉及一种汽车生产制造中车体模块生产过程的优化调度方法，方法为：通过确定生产线生产过程调度模型和优化目标，并使用改进蝙蝠算法的优化调度方法对优化目标进行优化；其中调度模型依据每件车身模块在各台机器上的加工完成时间和对应的时间间隔来建立，同时优化目标为最小化最大完成时间。本发明提出了汽车车体模块加工过程的调度模型和优化目标，并引入一种新的智能算法来求解问题；改进了蝙蝠算法，对每代的新个体进行swap变异操作，将操作后的较好的解保留，使解的质量得以提升；将局部搜索swap提升后的离散解再对应回实数编码，保证了局部操作与全局算法的契合性。

Description

一种汽车生产制造中车体模块生产过程的优化调度方法

技术领域

本发明涉及一种汽车生产制造中车体模块生产过程的优化调度方法，属于生产车间智能优化调度领域。

背景技术

随着经济的发展，汽车的需求量越来越大，相应的汽车的生产需求也就相应越来越大，而能高效、精确的进行汽车车体模块的生产就成为了热门且急需的技术。汽车的生产线是一条柔性的生产线，随着汽车行业的发展和人们需求多样化的提高，汽车的系列和型号层出不穷。但是这也增加了汽车生产的技术要求，在一条生产线上必须满足多种工件的生产，所以必须采用多品种混流加工生产的方式。而对多品种混流生产工艺进行生产调度研究，设计出一种柔性生产过程的优化调度方案，以保证生产线的高效性就变得很有市场价值。生产线的优化调度可以创造巨大的经济效益，显著地加强汽车生产企业在市场中的竞争力，推动汽车产业的不断发展。

汽车车体模块的生产加工主要经过焊接、冲压、涂装、检测合格等多步工艺，整个流程需要在多个机器设备上完成，且每种设备所执行的加工操作不同。每个零件要经过固定的一定数量的工艺流程，此过程是不可重复，顺序不可改变。原材料要先裁剪，然后才能进行冲压成型，冲压成型后才能进行焊接，且各个步骤之间还要有相应的检测和修正的步骤等。因此，汽车车体的加工工序的特点是，每个模块的加工顺序是由整个生产工序确定的，每个模块第一个选择进行的加工操作是相同的，一个加工操作一旦开始是不可中断的，且一个操作不能重复操作同一个工件，由于对加工精度的要求和半成品的定位等，所以每个操作前有相应的设置时间。对于生产企业的利益而已，快速而准确地完成整个加工过程，是第一位的。整个加工过程属于典型的带有设置时间的置换流水作业车间生成过程，此类调度问题属于NP难问题，对该问题的有效解决可以显著地提升工厂的生产效率和服务质量。

汽车车体模块的生产加工过程的调度优化是一个复杂的非线性规划问题，传统的数学工具在小规模的情况下可以给出很好的求解效果，但是对于大规模问题的求解，求解成本较大，相比于启发式算法在大规模问题的求解能力就显得不足。

发明内容

本发明提供了一种汽车生产制造中车体模块生产过程的优化调度方法，以用于在较短时间内获得较优质的调度方案。

本发明的技术方案是：一种汽车生产制造中车体模块生产过程的优化调度方法，通过确定生产线生产过程调度模型和优化目标，并使用改进蝙蝠算法的优化调度方法对优化目标进行优化；其中调度模型依据每件车身模块在各台机器上的加工完成时间和对应的时间间隔来建立，同时优化目标为最小化最大完成时间C_max(π)：

i＝2,3,...,n

k＝2,3,...,m

C_max(π)＝C(j_n,m)

其中：令π＝[j₁,j₂,...j_n]表示求解问题的一组可行解，表示n个汽车车体模块工件的加工顺序，j_i表示其中一个待加工汽车车体模块工件，总共有n个待加工汽车车体模块工件；m表示有m台加工机器，即一个模块工件j_i要经过的m道加工工序；C(j_i,k)表示以第一个工件的第一个加工操作的开始时间为起始时间，模块工件j_i在第k台机器上完成对应工序加工的时间点；setup(j_i-1,j_i,k)表示在第k台机器上，模块工件j_i加工完成时间与其前一个模块工件j_i-1开始加工的时间最小间隔，即设置时间；t_ji,k表示模块工件j_i在第k台机器上的加工所需时间长度；C_max(π)表示所有模块工件完成了在所有机器上的工序所用的时间长度；优化目标为在所有解决方案的集合Π中找到一个解决方案π使得所有模块工件完成所有工序所用的时间C_max(π)最小。

所述基于改进蝙蝠算法的优化调度方法具体步骤如下：

Step1、初始化蝙蝠种群基本参数：蝙蝠总数为P，采用随机生成以实数形式确定第p只蝙蝠的位置序列x_p和速度序列v_p，飞行次数上限G；其中，p∈[1,P]；

Step2、初始化蝙蝠发声参数；其中发声参数包括每只蝙蝠的发声频率f_p、脉冲几率r_p和声音响度阈值A_p，蝙蝠种群的发声频率上限f_max和发声频率下限f_min；

Step3、评价种群：采用LOV规则来实现实数编码到离散编码π＝[j₁,j₂,...j_n]的转变，使用调度模型确定优化目标的值，对每一个蝙蝠的位置序列进行评价，找出位置序列最好的蝙蝠，并记录此蝙蝠的所有信息作为全局最好个体current best；

Step4、确定发声频率：所有蝙蝠通过如下公式重新确定各自生产新个体的发声频率Nf_p上的第h个位置上的值Nf_p,h：

Nf_p,h＝f_min+(f_max-f_min)β,β∈(0,1),h∈[1,n]；

其中，Nf_p表示由n个Nf_p,h组成的序列；

Step5、调整速度：所有蝙蝠以步骤Step4中确定的新的发声频率来调整自己的速度值；

Step6、更新种群位置：所有蝙蝠在上一代旧个体的位置信息和在步骤Step5中确立的新的速度信息，来确定当下蝙蝠的位置；评价新种群个体，用新个体替换对应旧个体，并更新全局最好个体current best，评价过程如步骤3中评价过程；

Step7、对新个体局部搜索：对新个体使用swap操作；

Step8、评价种群：对步骤Step7中的新个体按照步骤Step3的评价操作对种群中所有的个体进行进行评价：如果新个体优于旧个体，则替换对应旧个体；否则舍弃新个体；

Step9、随机脉冲：以每只蝙蝠的随机脉冲几率r_p为概率依据，判断是否发射脉冲：如何满足发射脉冲条件，在当前全局最好个体current best的基础上产生一个新的蝙蝠个体代替原有个体；否则不做处理；

Step10、处理新个体：评价新个体，判断新个体的适配值是否优于全局最好个体current best且按几率判断新个体的声音响度低于其声音响度阈值A_p：如果是，则将新个体代替原有个体和全局最好个体current best，并增大新个体的脉冲几率r_p，减小新个体的声音响度阈值A_p；否则，舍弃新个体；

Step11、处理新种群：将种群中所有个体按优化目标值大小排序，更新全局最优个体current best；

Step12、飞行次数上限判断：如果蝙蝠种群的飞行次数未达到次数上限，跳至步骤Step4进行一轮的种群飞行；当蝙蝠种群飞行次数达到上限时，全局最优个体的位置信息所代表的解，就是该问题所能找到的最优解。

本发明的有益效果是：

1、提出了汽车车体模块加工过程的调度模型和优化目标，并引入一种新的智能算法来求解问题；

2、改进了蝙蝠算法，对每代的新个体进行swap变异操作，将操作后的较好的解保留，使解的质量得以提升。

3、将局部搜索swap提升后的离散解再对应回实数编码，保证了局部操作与全局算法的契合性。

附图说明

图1为本发明中车体模块零件加工示意图；

图2为本发明的算法流程图；

图3为本发明的LOV规则示意图；

图4为本发明的Swap操作的变异示意图；

图5为本发明的Swap操作后调整示意图。

具体实施方式

实施例1：如图1-5所示，一种汽车生产制造中车体模块生产过程的优化调度方法，通过确定生产线生产过程调度模型和优化目标，并使用改进蝙蝠算法的优化调度方法对优化目标进行优化；其中调度模型依据每件车身模块在各台机器上的加工完成时间和对应的时间间隔来建立，同时优化目标为最小化最大完成时间C_max(π)：

i＝2,3,...,n

k＝2,3,...,m

C_max(π)＝C(j_n,m)

其中：令π＝[j₁,j₂,...j_n]表示求解问题的一组可行解，表示n个汽车车体模块工件的加工顺序，j_i表示其中一个待加工汽车车体模块工件，总共有n个待加工汽车车体模块工件；m表示有m台加工机器，即一个模块工件j_i要经过的m道加工工序；C(j_i,k)表示以第一个工件的第一个加工操作的开始时间为起始时间，模块工件j_i在第k台机器上完成对应工序加工的时间点；setup(j_i-1,j_i,k)表示在第k台机器上，模块工件j_i加工完成时间与其前一个模块工件j_i-1开始加工的时间最小间隔，即设置时间；t_ji,k表示模块工件j_i在第k台机器上的加工所需时间长度；C_max(π)表示所有模块工件完成了在所有机器上的工序所用的时间长度；优化目标为在所有解决方案的集合Π中找到一个解决方案π使得所有模块工件完成所有工序所用的时间C_max(π)最小。

进一步地，可以设置所述基于改进蝙蝠算法的优化调度方法具体步骤如下：

Step1、初始化蝙蝠种群基本参数：蝙蝠总数为100，采用随机生成以实数形式确定第p只蝙蝠的位置序列x_p和速度序列v_p，飞行次数上限100；其中，p∈[1,P]；

Step2、初始化蝙蝠发声参数；其中发声参数包括每只蝙蝠的发声频率f_p、脉冲几率r_p有效范围内(0,1)随机产生和声音响度阈值A_p＝100，蝙蝠种群的发声频率上限f_max＝100和发声频率下限f_min＝0；

Step3、评价种群：采用LOV规则来实现实数编码到离散编码π＝[j₁,j₂,...j_n]的转变，使用调度模型确定优化目标的值，对每一个蝙蝠的位置序列进行评价，找出位置序列最好的蝙蝠，并记录此蝙蝠的所有信息作为全局最好个体current best；本发明中采用LOV规则来实现实数编码到离散编码π＝[j₁,j₂,...j_n]的转变，LOV规则具体步骤见附图3。例如工件数n＝6，则有一个可行解为π＝[j₁,j₂,j₃,j₄,j₅,j₆]＝[2,4,1,5,6,3]，就表示一个加工顺序，其中工件2先加工，再加工工件4，然后加工工件1，以此类推，最后加工工件3。使用评价模型中公式确定优化目标的值，对每一个蝙蝠的位置序列进行评价，找出位置序列最好的蝙蝠，并记录此蝙蝠的所有信息作为全局最好个体current best。

Step4、确定发声频率：所有蝙蝠通过如下公式重新确定各自生产新个体的发声频率Nf_p上的第h个位置上的值Nf_p,h：

Nf_p,h＝f_min+(f_max-f_min)β,β∈(0,1),h∈[1,n]；

其中，Nf_p表示由n个Nf_p,h组成的序列；

Step5、调整速度：所有蝙蝠以步骤Step4中确定的新的发声频率来调整自己的速度值；

Step6、更新种群位置：所有蝙蝠在上一代旧个体的位置信息和在步骤Step5中确立的新的速度信息，来确定当下蝙蝠的位置；评价新种群个体，用新个体替换对应旧个体，并更新全局最好个体current best，评价过程如步骤3中评价过程；

Step7、对新个体局部搜索：对新个体使用swap操作；swap的具体操作为随机选择两个位置并将其位置上的数据交换。此操作直接作用于由位置序列x_p通过LOV规则转化而来的加工序列π＝[j₁,j₂,...j_n]，且操作过后还要将其位置x_p按图5作对应的调整。调整的规则为，将其在中的排名值也要对应交换，在最后的π_p,h中的位置也要对应交换。

Step8、评价种群：对步骤Step7中的新个体按照步骤Step3的评价操作对种群中所有的个体进行进行评价：如果新个体优于旧个体，则替换对应旧个体；否则舍弃新个体；

Step9、随机脉冲：以每只蝙蝠的随机脉冲几率r_p为概率依据，判断是否发射脉冲：如果当前个体在(0,1)随机产生一个随机数并大于r_p，在当前全局最好个体current best的位置序列x*基础上产生一个新的蝙蝠个体(自由行走)代替原有个体；否则不做处理；

Step10、处理新个体：评价新个体，判断新个体的适配值是否优于全局最好个体current best且按几率判断新个体的声音响度低于其声音响度阈值A_p：如果是，则将新个体代替原有个体和全局最好个体current best，并增大新个体的脉冲几率r_p(通过公式r_p＝r_p[1-exp(-γt)],γ＞0来增大)，减小新个体的声音响度阈值A_p(通过公式A_p＝αA_p,α∈(0,1)来减小)；否则，舍弃新个体；

Step11、处理新种群：将种群中所有个体按优化目标值大小排序，更新全局最优个体current best；

Step12、飞行次数上限判断：如果蝙蝠种群的飞行次数未达到次数上限，跳至步骤Step4进行一轮的种群飞行；当蝙蝠种群飞行次数达到上限时，全局最优个体的位置信息所代表的解，就是该问题所能找到的最优解。

表1给出了不同问题规模下所求得的目标函数值

n×m	20×5	50×5	70×10
				标准蝙蝠算法	1740.6	4703	6424.3
改进版蝙蝠算法	1662	4593	6241.6

由表1可见，对于本发明所考虑的最小化最大完成时间C_max(π)指标，对于所考虑的问题均明显优于标准的蝙蝠算法，这证明改进的蝙蝠算法是求解汽车车体模块加工过程优化的一种有效算法。

本发明的工作原理是：

步骤1：建立汽车车体模块加工过程中的调度模型和优化目标。

其中调度模型依据汽车车体模块每个工艺的加工时间和模块之间的设置时间来建立，以最小化最大完成时间C_max(π)为优化目标：

C_max(π)＝C(j_n,m) (5)

其中：公式(5)为评价模型，公式(6)为优化目标。令π＝[j₁,j₂,...j_n]表示求解问题的一组可行解，表示n个汽车车体模块工件的加工顺序，j_i表示其中第i个待加工汽车车体模块工件，总共有n个待加工汽车车体模块工件。工件序列π＝[j₁,j₂,...j_n]是由种群个体的位置序列x通过LOV规则转化而来。LOV规则操作如图3所示，x_p,h为序列x_p的第h个位置上的值，为x_p,h的值的排序，的某个维度的值为对应维度值在π_p,h中的维度值，π_p,h表示工件的一种调度方案，m表示有加工机器的总数，即模块工件j_i要经过的m道加工工序。C(j_i,k)表示以模块工件j_i的第一个模块工件的一个加工操作开始时间为起始时间，模块工件j_i在第k台机器上完成对应工序加工的时间点。setup(j_i-1,j_i,k)表示在第k台机器上，模块工件j_i加工完成时间与其前一个模块工件j_i-1开始加工的时间最小间隔，即设置时间。t_ji,k表示模块工件j_i在第k台机器上的加工所需时间长度。C_max(π)表示所有模块工件完成了在所有机器上的工序所用的时间长度。优化的目标是在所有解决方案的集合Π中找到一个解决方案π使得所有模块工件完成所有工序所用的时间C_max(π)最小。

步骤2：初始化蝙蝠种群基本参数：蝙蝠总数为P，以实数形式确定第p只蝙蝠的位置序列x_p和速度序列v_p，p∈[1,P]，此初始化过程采用随机生成实数编码，和飞行次数上限G(算法迭代次数为正整数)。

步骤3：初始化蝙蝠发声参数：发声参数包括每只蝙蝠的发声频率f_p、脉冲几率r_p和声音响度阈值A_p，还有蝙蝠种群的发声频率上限f_max和下限f_min。

步骤4：评价种群：蝙蝠的位置信息是以实数编码的，本发明中采用LOV规则来实现实数编码到离散编码π＝[j₁,j₂,...j_n]的转变，LOV规则具体步骤见附图3。例如工件数n＝6，则有一个可行解为π＝[j₁,j₂,j₃,j₄,j₅,j₆]＝[2,4,1,5,6,3]，就表示一个加工顺序，其中工件2先加工，再加工工件4，然后加工工件1，以此类推，最后加工工件3。使用步骤1中公式(5)确定优化目标的值，对每一个蝙蝠的位置序列进行评价，找出位置序列最好的蝙蝠，并记录此蝙蝠的所有信息作为全局最好个体current best。

步骤5：确定新个体的发声频率：所有蝙蝠通过公式7重新确定各自生产新个体的发声频率Nf_p上的第h个位置上的值Nf_p,h。

Nf_p,h＝f_min+(f_max-f_min)β,β∈(0,1),h∈[1,n] (7)

式(7)中，β为随机产生的；其中，Nf_p表示由n个Nf_p,h组成的序列；

步骤6：调整速度：所有新蝙蝠个体以在步骤5中新的发声频率Nf_p为依据，通过公式(8)确定自己的速度值序列Nv_p上第h个位置上的值Nv_p,h。

Nv_p，h＝v_p，h+(v_p，h-v_h*)Nf_p，h (8)

式中，v_h*为当前代全局最好个体current best的速度值序列上第h个位置上的值，v_p,h为对应旧个体速度值序列上第h个位置的值，Nf_p,h为新个体频率值序列上第h个位置的值。

步骤7：更新新个体位置序列：所有蝙蝠使用对应旧个体的位置信息x_p(x_p代表由n个x_p,h组成的序列)和在步骤6中确立的新的速度Nv_p(N表示New)，通过公式9来确定新蝙蝠个体的位置序列Nx_p第h个位置上的值。评价新种群个体，用新个体替换对应旧个体，并更新全局最好个体current best，评价过程如步骤4中评价过程。

Nx_p,h＝x_p,h+Nv_p,h (9)

步骤8：对新个体局部搜索：对在步骤7中产生新个体的位置序列Nx_p使用swap操作。此操作直接作用于由位置序列Nx_p通过LOV规则转化而来的加工序列π＝[j₁,j₂,...j_n]，且操作过后还要将其位置Nx_p按照图5作对应的调整。调整的规则为，将其在中的排名值也要对应交换，在最后的π_p,h中的位置也要对应交换。

步骤9：评价种群：对种群中所有的swap后新个体进行评价，评价过程如步骤4中评价过程，如果新个体优于旧个体，则替换对应旧个体；否则舍弃新个体。

步骤10：随机脉冲：以每只蝙蝠的随机脉冲几率r_p为概率依据，判断是否发射脉冲。如果当前个体在(0,1)随机产生一个随机数并大于r_p，在当前全局最好个体currentbest的位置序列x*基础上产生一个新的蝙蝠个体(自由行走)，具体过程通过公式(10)实现，否则不做处理。

x_p,h＝x_h*+εA_p,ε∈(-1，1) (10)

式中，在x_h*为目前全局最好个体current best的位置值序列x*第h个位置上的值，ε为随机产生，p为当前个体在种群中的序号，A_p为蝙蝠p的响度。

步骤11：处理新个体：评价新个体，评价过程如步骤4中评价过程，判断新个体的适配值是否同时满足优于全局最好个体current best且按几率判断新个体的声音响度低于其声音响度阈值A_p。如果满足上述两个条件，则将新个体代替原有个体和全局最好个体current best，并通过公式(11)减小新个体的声音响度阈值A_p，通过公式(12)增大个体的脉冲几率r_p，否则，舍弃新个体。

A_p＝αA_p,α∈(0,1) (11)

r_p＝r_p[1-exp(-γt)],γ＞0 (12)

式中α、γ为随机产生的参数，t＝1,2,...G表示进化的代数(即蝙蝠种群的飞行次数)。

步骤12：处理新种群：将种群中所有个体按优化目标值大小排序，选出优化目标值最小的个体，更新全局最优个体current best。

步骤13：飞行次数上限判断：如果蝙蝠种群的飞行次数未达到次数上限，跳至步骤5进行一轮的种群飞行；当蝙蝠种群飞行次数达到上限时，全局最优个体的位置信息所代表的解，就是该问题所能找到的最优解。

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)

1.一种汽车生产制造中车体模块生产过程的优化调度方法，其特征在于：通过确定生产线生产过程调度模型和优化目标，并使用改进蝙蝠算法的优化调度方法对优化目标进行优化；其中调度模型依据每件车身模块在各台机器上的加工完成时间和对应的时间间隔来建立，同时优化目标为最小化最大完成时间C_max(π)：

i＝2,3,...,n

k＝2,3,...,m

C_max(π)＝C(j_n,m)

其中：令π＝[j₁,j₂,...j_n]表示求解问题的一组可行解，表示n个汽车车体模块工件的加工顺序，j_i表示其中一个待加工汽车车体模块工件，总共有n个待加工汽车车体模块工件；m表示有m台加工机器，即一个模块工件j_i要经过的m道加工工序；C(j_i,k)表示以第一个工件的第一个加工操作的开始时间为起始时间，模块工件j_i在第k台机器上完成对应工序加工的时间点；setup(j_i-1,j_i,k)表示在第k台机器上，模块工件j_i加工完成时间与其前一个模块工件j_i-1开始加工的时间最小间隔，即设置时间；表示模块工件j_i在第k台机器上的加工所需时间长度；C_max(π)表示所有模块工件完成了在所有机器上的工序所用的时间长度；优化目标为在所有解决方案的集合Π中找到一个解决方案π使得所有模块工件完成所有工序所用的时间C_max(π)最小。

2.根据权利要求1所述的汽车生产制造中车体模块生产过程的优化调度方法，其特征在于：所述基于改进蝙蝠算法的优化调度方法具体步骤如下：

Step1、初始化蝙蝠种群基本参数：蝙蝠总数为P，采用随机生成以实数形式确定第p只蝙蝠的位置序列x_p和速度序列v_p，飞行次数上限G；其中，p∈[1,P]；

Step2、初始化蝙蝠发声参数；其中发声参数包括每只蝙蝠的发声频率f_p、脉冲几率r_p和声音响度阈值A_p，蝙蝠种群的发声频率上限f_max和发声频率下限f_min；

Step3、评价种群：采用LOV规则来实现实数编码到离散编码π＝[j₁,j₂,...j_n]的转变，使用调度模型确定优化目标的值，对每一个蝙蝠的位置序列进行评价，找出位置序列最好的蝙蝠，并记录此蝙蝠的所有信息作为全局最好个体current best；

Step4、确定发声频率：所有蝙蝠通过如下公式重新确定各自生产新个体的发声频率Nf_p上的第h个位置上的值Nf_p,h：

Nf_p,h＝f_min+(f_max-f_min)β,β∈(0,1),h∈[1,n]；

其中，Nf_p表示由n个Nf_p,h组成的序列；

Step5、调整速度：所有蝙蝠以步骤Step4中确定的新的发声频率来调整自己的速度值；

Step6、更新种群位置：所有蝙蝠在上一代旧个体的位置信息和在步骤Step5中确立的新的速度信息，来确定当下蝙蝠的位置；评价新种群个体，用新个体替换对应旧个体，并更新全局最好个体current best，评价过程如步骤3中评价过程；

Step7、对新个体局部搜索：对新个体使用swap操作；

Step8、评价种群：对步骤Step7中的新个体按照步骤Step3的评价操作对种群中所有的个体进行进行评价：如果新个体优于旧个体，则替换对应旧个体；否则舍弃新个体；

Step9、随机脉冲：以每只蝙蝠的随机脉冲几率r_p为概率依据，判断是否发射脉冲：如何满足发射脉冲条件，在当前全局最好个体current best的基础上产生一个新的蝙蝠个体代替原有个体；否则不做处理；

Step10、处理新个体：评价新个体，判断新个体的适配值是否优于全局最好个体current best且按几率判断新个体的声音响度低于其声音响度阈值A_p：如果是，则将新个体代替原有个体和全局最好个体current best，并增大新个体的脉冲几率r_p，减小新个体的声音响度阈值A_p；否则，舍弃新个体；

Step11、处理新种群：将种群中所有个体按优化目标值大小排序，更新全局最优个体current best；

Step12、飞行次数上限判断：如果蝙蝠种群的飞行次数未达到次数上限，跳至步骤Step4进行一轮的种群飞行；当蝙蝠种群飞行次数达到上限时，全局最优个体的位置信息所代表的解，就是该问题所能找到的最优解。