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
一种汽车生产制造中车体模块生产过程的优化调度方法 Download PDFInfo
- Publication number
- CN108681313A CN108681313A CN201810478609.8A CN201810478609A CN108681313A CN 108681313 A CN108681313 A CN 108681313A CN 201810478609 A CN201810478609 A CN 201810478609A CN 108681313 A CN108681313 A CN 108681313A
- Authority
- CN
- China
- Prior art keywords
- individual
- bat
- new
- population
- optimization
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000003754 machining Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000010006 flight Effects 0.000 claims description 16
- 241000288673 Chiroptera Species 0.000 claims description 11
- 238000011112 process operation Methods 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 abstract description 2
- 230000000717 retained effect Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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
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Cmax(π):
i=2,3,...,n
k=2,3,...,m
Cmax(π)=C(jn,m)
其中:令π=[j1,j2,...jn]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,ji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ji要经过的m道加工工序;C(ji,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ji在第k台机器上完成对应工序加工的时间点;setup(ji-1,ji,k)表示在第k台机器上,模块工件ji加工完成时间与其前一个模块工件ji-1开始加工的时间最小间隔,即设置时间;tji,k表示模块工件ji在第k台机器上的加工所需时间长度;Cmax(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Cmax(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xp和速度序列vp,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fp、脉冲几率rp和声音响度阈值Ap,蝙蝠种群的发声频率上限fmax和发声频率下限fmin;
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,...jn]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Nfp上的第h个位置上的值Nfp,h:
Nfp,h=fmin+(fmax-fmin)β,β∈(0,1),h∈[1,n];
其中,Nfp表示由n个Nfp,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rp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Ap: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rp,减小新个体的声音响度阈值Ap;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Cmax(π):
i=2,3,...,n
k=2,3,...,m
Cmax(π)=C(jn,m)
其中:令π=[j1,j2,...jn]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,ji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ji要经过的m道加工工序;C(ji,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ji在第k台机器上完成对应工序加工的时间点;setup(ji-1,ji,k)表示在第k台机器上,模块工件ji加工完成时间与其前一个模块工件ji-1开始加工的时间最小间隔,即设置时间;tji,k表示模块工件ji在第k台机器上的加工所需时间长度;Cmax(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Cmax(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xp和速度序列vp,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fp、脉冲几率rp有效范围内(0,1)随机产生和声音响度阈值Ap=100,蝙蝠种群的发声频率上限fmax=100和发声频率下限fmin=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,...jn]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,...jn]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Nfp上的第h个位置上的值Nfp,h:
Nfp,h=fmin+(fmax-fmin)β,β∈(0,1),h∈[1,n];
其中,Nfp表示由n个Nfp,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xp通过LOV规则转化而来的加工序列π=[j1,j2,...jn],且操作过后还要将其位置xp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πp,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rp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rp,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Ap: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rp(通过公式rp=rp[1-exp(-γt)],γ>0来增大),减小新个体的声音响度阈值Ap(通过公式Ap=αAp,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Cmax(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Cmax(π)为优化目标:
Cmax(π)=C(jn,m) (5)
其中:公式(5)为评价模型,公式(6)为优化目标。令π=[j1,j2,...jn]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,ji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,...jn]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,xp,h为序列xp的第h个位置上的值,为xp,h的值的排序,的某个维度的值为对应维度值在πp,h中的维度值,πp,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ji要经过的m道加工工序。C(ji,k)表示以模块工件ji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ji在第k台机器上完成对应工序加工的时间点。setup(ji-1,ji,k)表示在第k台机器上,模块工件ji加工完成时间与其前一个模块工件ji-1开始加工的时间最小间隔,即设置时间。tji,k表示模块工件ji在第k台机器上的加工所需时间长度。Cmax(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Cmax(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xp和速度序列vp,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fp、脉冲几率rp和声音响度阈值Ap,还有蝙蝠种群的发声频率上限fmax和下限fmin。
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,...jn]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Nfp上的第h个位置上的值Nfp,h。
Nfp,h=fmin+(fmax-fmin)β,β∈(0,1),h∈[1,n] (7)
式(7)中,β为随机产生的;其中,Nfp表示由n个Nfp,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Nfp为依据,通过公式(8)确定自己的速度值序列Nvp上第h个位置上的值Nvp,h。
Nvp,h=vp,h+(vp,h-vh*)Nfp,h (8)
式中,vh*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,vp,h为对应旧个体速度值序列上第h个位置的值,Nfp,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xp(xp代表由n个xp,h组成的序列)和在步骤6中确立的新的速度Nvp(N表示New),通过公式9来确定新蝙蝠个体的位置序列Nxp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。
Nxp,h=xp,h+Nvp,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Nxp使用swap操作。此操作直接作用于由位置序列Nxp通过LOV规则转化而来的加工序列π=[j1,j2,...jn],且操作过后还要将其位置Nxp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πp,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rp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rp,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。
xp,h=xh*+εAp,ε∈(-1,1) (10)
式中,在xh*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,Ap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Ap。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Ap,通过公式(12)增大个体的脉冲几率rp,否则,舍弃新个体。
Ap=αAp,α∈(0,1) (11)
rp=rp[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Cmax(π):
i=2,3,...,n
k=2,3,...,m
Cmax(π)=C(jn,m)
其中:令π=[j1,j2,...jn]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,ji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ji要经过的m道加工工序;C(ji,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ji在第k台机器上完成对应工序加工的时间点;setup(ji-1,ji,k)表示在第k台机器上,模块工件ji加工完成时间与其前一个模块工件ji-1开始加工的时间最小间隔,即设置时间;表示模块工件ji在第k台机器上的加工所需时间长度;Cmax(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Cmax(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xp和速度序列vp,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fp、脉冲几率rp和声音响度阈值Ap,蝙蝠种群的发声频率上限fmax和发声频率下限fmin;
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,...jn]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Nfp上的第h个位置上的值Nfp,h:
Nfp,h=fmin+(fmax-fmin)β,β∈(0,1),h∈[1,n];
其中,Nfp表示由n个Nfp,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rp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Ap: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rp,减小新个体的声音响度阈值Ap;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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810478609.8A CN108681313A (zh) | 2018-05-18 | 2018-05-18 | 一种汽车生产制造中车体模块生产过程的优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810478609.8A CN108681313A (zh) | 2018-05-18 | 2018-05-18 | 一种汽车生产制造中车体模块生产过程的优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108681313A true CN108681313A (zh) | 2018-10-19 |
Family
ID=63806844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810478609.8A Pending CN108681313A (zh) | 2018-05-18 | 2018-05-18 | 一种汽车生产制造中车体模块生产过程的优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108681313A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544053A (zh) * | 2019-09-27 | 2019-12-06 | 合肥工业大学 | 确定大小型铸件混流装配生产线的规划方案的方法与系统 |
CN110618668A (zh) * | 2019-09-29 | 2019-12-27 | 西北工业大学 | 柔性生产的绿色动态调度方法 |
CN111522315A (zh) * | 2020-04-30 | 2020-08-11 | 昆明理工大学 | 一种锂电池叠片加工过程的优化调度方法 |
CN112396307A (zh) * | 2020-11-10 | 2021-02-23 | 福建恒达锐视信息科技有限公司 | 一种基于蝙蝠算法的服装生产柔性流水车间调度方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6907411B2 (en) * | 2001-09-13 | 2005-06-14 | Institute For Information Industry | Carrier dispatch and transfer method |
WO2006026347A2 (en) * | 2004-08-25 | 2006-03-09 | The Marenco Group | Anti-carjacking system |
CN103489031A (zh) * | 2013-09-09 | 2014-01-01 | 昆明理工大学 | 一种化工生产中原料蒸发过程的优化调度方法 |
CN103838219A (zh) * | 2013-09-09 | 2014-06-04 | 昆明理工大学 | 一种多层印刷电路板制造中感光阻焊过程的优化调度方法 |
CN105976298A (zh) * | 2016-06-02 | 2016-09-28 | 广东工业大学 | 一种基于离散蝙蝠算法的物流运输调度方法 |
CN107329826A (zh) * | 2017-06-16 | 2017-11-07 | 王海燕 | 一种基于Cloudsim平台上的启发式融合资源动态调度算法 |
CN107784472A (zh) * | 2017-11-09 | 2018-03-09 | 河南科技学院 | 一种面向仓储式肉鸡养殖的多堆垛机协同给料优化方法 |
-
2018
- 2018-05-18 CN CN201810478609.8A patent/CN108681313A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6907411B2 (en) * | 2001-09-13 | 2005-06-14 | Institute For Information Industry | Carrier dispatch and transfer method |
WO2006026347A2 (en) * | 2004-08-25 | 2006-03-09 | The Marenco Group | Anti-carjacking system |
CN103489031A (zh) * | 2013-09-09 | 2014-01-01 | 昆明理工大学 | 一种化工生产中原料蒸发过程的优化调度方法 |
CN103838219A (zh) * | 2013-09-09 | 2014-06-04 | 昆明理工大学 | 一种多层印刷电路板制造中感光阻焊过程的优化调度方法 |
CN105976298A (zh) * | 2016-06-02 | 2016-09-28 | 广东工业大学 | 一种基于离散蝙蝠算法的物流运输调度方法 |
CN107329826A (zh) * | 2017-06-16 | 2017-11-07 | 王海燕 | 一种基于Cloudsim平台上的启发式融合资源动态调度算法 |
CN107784472A (zh) * | 2017-11-09 | 2018-03-09 | 河南科技学院 | 一种面向仓储式肉鸡养殖的多堆垛机协同给料优化方法 |
Non-Patent Citations (1)
Title |
---|
谢健: "《元启发式蝙蝠算法改进分析及应用研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110544053A (zh) * | 2019-09-27 | 2019-12-06 | 合肥工业大学 | 确定大小型铸件混流装配生产线的规划方案的方法与系统 |
CN110544053B (zh) * | 2019-09-27 | 2023-01-31 | 合肥工业大学 | 确定大小型铸件混流装配生产线的规划方案的方法与系统 |
CN110618668A (zh) * | 2019-09-29 | 2019-12-27 | 西北工业大学 | 柔性生产的绿色动态调度方法 |
CN111522315A (zh) * | 2020-04-30 | 2020-08-11 | 昆明理工大学 | 一种锂电池叠片加工过程的优化调度方法 |
CN112396307A (zh) * | 2020-11-10 | 2021-02-23 | 福建恒达锐视信息科技有限公司 | 一种基于蝙蝠算法的服装生产柔性流水车间调度方法 |
CN112396307B (zh) * | 2020-11-10 | 2023-11-21 | 福建恒达锐视信息科技有限公司 | 一种基于蝙蝠算法的服装生产柔性流水车间调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108681313A (zh) | 一种汽车生产制造中车体模块生产过程的优化调度方法 | |
CN107450498B (zh) | 基于改进人工蜂群算法的生产调度方法及系统 | |
Fenggou et al. | The study of high efficiency and intelligent optimization system in EDM sinking process | |
CN106875094A (zh) | 一种基于多色集合遗传算法的多目标车间调度方法 | |
CN102622663B (zh) | 金属结构件的下料方法及其制造系统 | |
CN105956689B (zh) | 一种基于改进粒子群优化的运输和生产协同调度方法 | |
CN106584462A (zh) | 一种机器人运行速度实时调节方法 | |
CN108959833A (zh) | 基于改进的bp神经网络的刀具磨损预测方法 | |
CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
CN106779143A (zh) | 一种生产排产调度优化方法 | |
CN104200270B (zh) | 一种基于差异演化算法的滚齿工艺参数自适应调整方法 | |
CN110147933B (zh) | 一种基于改进灰狼算法的数控切割下料车间调度排产方法 | |
CN108389001A (zh) | 一种基于step-nc的智能非线性工艺规划方法 | |
CN109002006B (zh) | 基于低碳低成本约束的加工路线优化方法 | |
CN104408528A (zh) | 一种化工生产中原料浸取过程的优化调度方法 | |
Xie et al. | Intelligent selection of machining parameters in multi-pass turnings using a GA-based approach | |
CN111047081A (zh) | 一种面向绿色生产的制造资源配置优化决策方法 | |
CN117025896B (zh) | 一种热处理系统 | |
CN108647859A (zh) | 知识驱动的置换流水线双种群协同学习策略与优化方法 | |
CN108776845A (zh) | 一种基于双目标作业车间调度的混合果蝇算法 | |
CN112053037A (zh) | 一种柔性pcb车间调度优化方法和系统 | |
CN104537425B (zh) | 一种汽车空调出风口的生产装配过程的优化调度方法 | |
CN111966049A (zh) | 一种混合流水车间生产设备调度控制方法 | |
Kovacic et al. | Evolutionary programming of CNC machines | |
CN104503381A (zh) | 一种手机的生产装配过程的优化调度方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181019 |