CN108898319A - 一种纺纱车间中环锭纺工艺生产过程的优化调度方法 - Google Patents

Abstract

本发明涉及一种纺纱车间中环锭纺工艺生产过程的优化调度方法，属于生产车间智能优化调度技术领域。本发明通过确定待加工成型的一批纺纱原料在环锭纺工艺加工过程中的调度模型和优化目标，并用一种基于改进的萤火虫算法的优化调度方法对目标进行优化；其中，调度模型依据环锭纺生产中，各批原材料在各台纺织加工机器上的加工时间来建立，同时优化目标为最小化最大完成时间。本发明可在较短时间内获得纺纱车间生产中环锭纺工艺过程调度问题的优良解，从而能节约生产时间，可降低由于排序不当可能导致的工厂生产成本浪费，能提高工厂的生产效率和经济效益。

Description

一种纺纱车间中环锭纺工艺生产过程的优化调度方法

技术领域

本发明涉及一种纺纱车间中环锭纺工艺生产过程的优化调度方法，属于生产车间智能优化调度技术领域。

背景技术

纺织业是我国传统的优势产业，在国民经济和产业结构中占有较大比重。随着纺织行业市场竞争的日益激烈，企业节能竞争意识愈来愈强。而好的调度方案能够降低企业生产成本，提高生产效率，增强企业竞争优势。因此，发展高效的调度技术与方法对现代纺织企业至关重要。

纺织企业的纺纱类型主要有环锭纺、气流纺、喷气纺、紧密纺等。目前，除个别企业采用气流纺工艺外，多数纺织企业仍多以环锭纺为主。环锭纺生产工艺复杂、生产设备多，不仅要考虑改善物流节奏，减少工序之间的脱节率，增加产能，获得更大的利润，而且还需考虑减少辅助时间，提高工序整体的协调。纺织企业一般以订单为驱动，环锭纺工艺的每个生产流程都有多台设备，且每台设备设定的流程路线基本都相同，这与流水线生产调度问题非常类同，因此，纺纱车间中的环锭纺工艺生产过程可以归类为流水车间调度问题(Flow-shop Scheduling Problem，FSP)。

随着经济的飞速发展，全球化市场的逐步形成，纺织生产呈现出国际化分工和产业转移的特点，且国际化竞争愈趋激烈，使得我国纺织业也面临挑战。为了提高产品的档次和竞争力，我国很多的纺织企业都引进了不少世界先进的纺织设备和技术，但是其在内部的生产和管理上仍然采用传统的手工编排方式，进行生产调度不仅效率低，而且缺乏对整个生产流程和生产周期的精确化控制，导致传统的纺织产业与现代化的信息技术之间存在着脱节。

多数企业在对织造工序进行生产排产调度的时候，不是按照科学的计算方法进行合理地排产，是由调度人员根据自己的经验安排车间生产，在面对多台机器，多个订单，多个交期，相对复杂的工况时，会多次进人改车工序，或机台出现不必要的空台，使织造时间过长，生产效率低下。因此，对该问题进行研究具有重要意义。对纺纱车间的环锭纺生产工艺进行合理调度安排，可明显提高纺纱企业生产过程的生产效率，减少生产成本，节约生产时间，提高经济效益。

本发明基于纺纱车间中环锭纺生产工艺过程的特点，建立基于纺纱车间环锭纺生产过程的排序调度模型，设计一种改进的萤火虫优化调度算法，可在较短时间内获得纺纱生产中环锭纺工艺过程调度问题的近似最优解，从而降低工厂的生产成本，提高工厂的生产效率和经济效益。

发明内容

本发明的目的是针对纺纱车间中环锭纺工艺过程的调度问题，提出一种改进的萤火虫优化调度算法，以解决纺纱车间环锭纺工艺生产过程中由于加工排序不当导致的工厂成本浪费、时间损耗过长和经济效益不高等问题。

本发明的技术方案是：一种纺纱车间中环锭纺工艺生产过程的优化调度方法，通过确定待加工成型的一批纺纱原料在环锭纺工艺加工过程中的调度模型和优化目标，并用一种基于改进的萤火虫算法的优化调度方法对目标进行优化；其中，调度模型依据环锭纺生产中，各批原材料在各台纺织加工机器上的加工时间来建立，同时优化目标为最小化最大完成时间C_max(π)：

C_max(π)＝C(π_n,m)

式中，n×m表示问题的规模，n表示纺纱原料或半制品总数，m表示纺纱所用设备或机器数，表示正整数的集合；π＝[π₁,π₂,…,π_i]表示纺纱原材料的排序，π_k表示π中第k件纺纱原料，表示第π_i件纺纱原料在第j台纺纱机上的加工时间，C(π_i,j)是第π_i件纺纱原料在第j台纺纱机上的完工时间；该模型的优化目标为在所有需加工的纺纱原料的排序集合Π中找到一个最优排序π*，使得所有待加工纺纱原料的最大完成时间C_max(π)最小。

所述一种改进的萤火虫算法的优化调度方法具体为：

Step1、参数初始化：设定萤火虫数目(种群规模)NP，最大吸引度β₀，光强吸收系数γ，步长因子α和算法开始运行时间T_s；

Step2、种群初始化：采用NEH方法产生一个初始萤火虫个体，余下NP-1个个体使用随机初始化方法产生，并计算每个个体(萤火虫)的目标函数值，将其作为个体最大荧光亮度f₀，直至初始解的数量达到种群规模的要求；

所述一种改进的萤火虫算法是基于连续实数域进行运算更新的，而纺纱车间中环锭纺工艺生产过程是基于待纺织的纺纱原料的离散排序变量实现操作，因此采用基于随机键的编码方式对待进行环锭纺工艺加工的纺纱原料的工序进行实数编码，然后采用基于升序排列规则(ROV)的随机键编码方式建立实数个体位置矢量与加工工序排列之间的一一映射关系，进而实现从实数编码向纺纱加工工序排序的转换；

Step3、确定萤火虫移动方向：

种群中每一只萤火虫因为所处位置的不同发出的荧光亮度也不同，通过比较各自荧光亮度，亮度高的萤火虫可以吸引亮度低的萤火虫向自己移动，移动的距离主要取决于吸引度的大小，根据下列公式计算每个萤火虫个体的相对亮度f和吸引度β，其相对亮度和吸引度即决定萤火虫的移动方向：

其中，f₀为萤火虫的最大荧光亮度，即自身初始荧光亮度，当目标函数值越优时，f₀越大；γ是光强吸收系数，用以体现荧光随着距离的增加和传播媒介的吸收逐渐减弱；β₀是个体最大吸引度，即初始光源处的吸引度；d_ij是荧光虫i位置x_i和荧光虫j的位置x_j之间的笛卡尔距离；

Step4、更新萤火虫的空间位置：

为在Step3的基础上扩大算法的搜索区域，避免算法陷入局部最优，设计如下萤火虫空间位置更新方式，通过随机扰动的加入，使个体进行多次移动，从而让大部分个体聚集在亮度最高的萤火虫个体的位置上，从而实现寻优，根据下式更新萤火虫个体的空间位置，对于处在最佳位置的萤火虫进行随机扰动：

x_i＝x_i+β×(x_j-x_i)+rand·α

其中，x_i和x_j是萤火虫个体i和j所处的空间位置，α为步长因子，其取值为[0,1]范围内的常数；rand表示[0,1]之间均匀分布的随机数；

Step5、更新种群：

由Step3和Step4能得到一个由一系列新萤火虫个体组成的新种群，根据更新后的各个萤火虫位置，可重新计算每个萤火虫个体对应的亮度，即对新种群中的各萤火虫个体进行评估，得到其对应的目标函数值f，将新种群中的个体与Step2产生的初始种群中的个体进行一一相互对比，若新种群中个体更优，则将其替换旧种群中的个体；否则，不做修改。

Step6、基于翻转(Inverse)与插入(Insert)操作的邻域搜索：

将Step5所得新种群中前10％的个体看做“选中个体”，对每一个“选中个体”依次进行探索阶段和扰动阶段，采用基于“翻转(Inverse)”的邻域操作实现扰动阶段，扰动次数为5次，探索阶段利用“插入(Insert)”邻域操作，探索次数设置为待加工纺纱原料的总数n，利用探索阶段可对扰动阶段得到的个体进行更为细致的探索，如果探索阶段执行后得到的新个体优于“选中个体”，则将其替换，并将当代种群作为新一代种群，否则，不对个体进行更改。

Step7、终止条件：设定终止条件为算法运行时间T_e＝100×n，如果算法满足所设置的终止运行时间T_e，则输出当前所得“最优个体”；否则转至步骤Step3，反复迭代，直至满足终止条件为止。

本发明的有益效果是：本发明基于纺纱车间中环锭纺工艺过程的特点，建立了基于环锭纺工艺纺纱过程的排序调度模型和优化目标，并设计了一种改进的萤火虫优化调度算法，可在较短时间内获得纺纱车间生产中环锭纺工艺过程调度问题的优良解，从而能节约生产时间，可降低由于排序不当可能导致的工厂生产成本浪费，能提高工厂的生产效率和经济效益。

附图说明

图1为本发明中纺纱车间环锭纺工艺的流程示意图；

图2为本发明的整体设计流程图；

图3为本发明的整体算法流程图；

图4为本发明中问题解的表达示意图；

图5为本发明的基于“翻转(Inverse)”的邻域操作示意图；

图6为本发明的基于“插入(Insert)”的邻域操作示意图。

具体实施方式

实施例1：如图1-6所示，一种纺纱车间中环锭纺工艺生产过程的优化调度方法，通过确定待加工成型的一批纺纱原料在环锭纺工艺加工过程中的调度模型和优化目标，并用一种基于改进的萤火虫算法的优化调度方法对目标进行优化；其中，调度模型依据环锭纺生产中，各批原材料在各台纺织加工机器上的加工时间来建立，同时优化目标为最小化最大完成时间C_max(π)：

C_max(π)＝C(π_n,m)

式中，n×m表示问题的规模，n表示纺纱原料或半制品总数，m表示纺纱所用设备或机器数，表示正整数的集合；π＝[π₁,π₂,…,π_i]表示纺纱原材料的排序，π_k表示π中第k件纺纱原料，表示第π_i件纺纱原料在第j台纺纱机上的加工时间，C(π_i,j)是第π_i件纺纱原料在第j台纺纱机上的完工时间；该模型的优化目标为在所有需加工的纺纱原料的排序集合Π中找到一个最优排序π*，使得所有待加工纺纱原料的最大完成时间C_max(π)最小。

所述一种改进的萤火虫算法的优化调度方法具体为：

Step1、参数初始化：设定萤火虫数目(种群规模)NP，最大吸引度β₀，光强吸收系数γ，步长因子α和算法开始运行时间T_s；

Step2、种群初始化：采用NEH方法产生一个初始萤火虫个体，余下NP-1个个体使用随机初始化方法产生，并计算每个个体(萤火虫)的目标函数值，将其作为个体最大荧光亮度f₀，直至初始解的数量达到种群规模的要求；

所述一种改进的萤火虫算法是基于连续实数域进行运算更新的，而纺纱车间中环锭纺工艺生产过程是基于待纺织的纺纱原料的离散排序变量实现操作，因此采用基于随机键的编码方式对待进行环锭纺工艺加工的纺纱原料的工序进行实数编码，然后采用基于升序排列规则(ROV)的随机键编码方式建立实数个体位置矢量与加工工序排列之间的一一映射关系，进而实现从实数编码向纺纱加工工序排序的转换；

Step3、确定萤火虫移动方向：

种群中每一只萤火虫因为所处位置的不同发出的荧光亮度也不同，通过比较各自荧光亮度，亮度高的萤火虫可以吸引亮度低的萤火虫向自己移动，移动的距离主要取决于吸引度的大小，根据下列公式计算每个萤火虫个体的相对亮度f和吸引度β，其相对亮度和吸引度即决定萤火虫的移动方向：

其中，f₀为萤火虫的最大荧光亮度，即自身初始荧光亮度，当目标函数值越优时，f₀越大；γ是光强吸收系数，用以体现荧光随着距离的增加和传播媒介的吸收逐渐减弱；β₀是个体最大吸引度，即初始光源处的吸引度；d_ij是荧光虫i位置x_i和荧光虫j的位置x_j之间的笛卡尔距离；

Step4、更新萤火虫的空间位置：

为在Step3的基础上扩大算法的搜索区域，避免算法陷入局部最优，设计如下萤火虫空间位置更新方式，通过随机扰动的加入，使个体进行多次移动，从而让大部分个体聚集在亮度最高的萤火虫个体的位置上，从而实现寻优，根据下式更新萤火虫个体的空间位置，对于处在最佳位置的萤火虫进行随机扰动：

x_i＝x_i+β×(x_j-x_i)+rand·α

其中，x_i和x_j是萤火虫个体i和j所处的空间位置，α为步长因子，其取值为[0,1]范围内的常数；rand表示[0,1]之间均匀分布的随机数；

Step5、更新种群：

由Step3和Step4能得到一个由一系列新萤火虫个体组成的新种群，根据更新后的各个萤火虫位置，可重新计算每个萤火虫个体对应的亮度，即对新种群中的各萤火虫个体进行评估，得到其对应的目标函数值f，将新种群中的个体与Step2产生的初始种群中的个体进行一一相互对比，若新种群中个体更优，则将其替换旧种群中的个体；否则，不做修改。

Step6、基于翻转(Inverse)与插入(Insert)操作的邻域搜索：

将Step5所得新种群中前10％的个体看做“选中个体”，对每一个“选中个体”依次进行探索阶段和扰动阶段，采用基于“翻转(Inverse)”的邻域操作实现扰动阶段，扰动次数为5次，探索阶段利用“插入(Insert)”邻域操作，探索次数设置为待加工纺纱原料的总数n，利用探索阶段可对扰动阶段得到的个体进行更为细致的探索，如果探索阶段执行后得到的新个体优于“选中个体”，则将其替换，并将当代种群作为新一代种群，否则，不对个体进行更改。

Step7、终止条件：设定终止条件为算法运行时间T_e＝100×n，如果算法满足所设置的终止运行时间T_e，则输出当前所得“最优个体”；否则转至步骤Step3，反复迭代，直至满足终止条件为止。

在所设计的一种基于改进的萤火虫算法的优化调度方法中，设置萤火虫数目即种群规模NP为500，最大吸引度β₀＝1，光强吸收系数γ＝2，步长因子α＝0.25，待加工的纺纱原料数为n，纺纱车间可用的纺纱机数目为m，算法总运行时间T_e＝100×n，则表1给出了在不同问题规模下所述算法求得的目标函数值，表1中C_max(π)值为算法运行20次之后求得目标函数平均值。

表1不同问题规模下所求得的目标函数值

n×m	20×5	30×10	50×10	75×20	80×10	100×10
							Cmax(π)	1152.3	2014.1	3146.3	5357.6	7356.8	8715.4

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 (1)

1.一种纺纱车间中环锭纺工艺生产过程的优化调度方法，通过确定待加工成型的一批纺纱原料在环锭纺工艺加工过程中的调度模型和优化目标，并用一种基于改进的萤火虫算法的优化调度方法对目标进行优化；其中，调度模型依据环锭纺生产中，各批原材料在各台纺织加工机器上的加工时间来建立，同时优化目标为最小化最大完成时间C_max(π)：

C_max(π)＝C(π_n,m)

式中，n×m表示问题的规模，n表示纺纱原料或半制品总数，m表示纺纱所用设备或机器数，表示正整数的集合；π＝[π₁,π₂,…,π_i]表示纺纱原材料的排序，π_k表示π中第k件纺纱原料，表示第π_i件纺纱原料在第j台纺纱机上的加工时间，C(π_i,j)是第π_i件纺纱原料在第j台纺纱机上的完工时间；该模型的优化目标为在所有需加工的纺纱原料的排序集合Π中找到一个最优排序π^*，使得所有待加工纺纱原料的最大完成时间C_max(π)最小；

所述一种改进的萤火虫算法的优化调度方法具体为：

Step1、参数初始化：设定萤火虫数目(种群规模)NP，最大吸引度β₀，光强吸收系数γ，步长因子α和算法开始运行时间T_s；

Step2、种群初始化：采用NEH方法产生一个初始萤火虫个体，余下NP-1个个体使用随机初始化方法产生，并计算每个个体(萤火虫)的目标函数值，将其作为个体最大荧光亮度f₀，直至初始解的数量达到种群规模的要求；

所述一种改进的萤火虫算法是基于连续实数域进行运算更新的，而纺纱车间中环锭纺工艺生产过程是基于待纺织的纺纱原料的离散排序变量实现操作，因此采用基于随机键的编码方式对待进行环锭纺工艺加工的纺纱原料的工序进行实数编码，然后采用基于升序排列规则(ROV)的随机键编码方式建立实数个体位置矢量与加工工序排列之间的一一映射关系，进而实现从实数编码向纺纱加工工序排序的转换；

Step3、确定萤火虫移动方向：

种群中每一只萤火虫因为所处位置的不同发出的荧光亮度也不同，通过比较各自荧光亮度，亮度高的萤火虫可以吸引亮度低的萤火虫向自己移动，移动的距离主要取决于吸引度的大小，根据下列公式计算每个萤火虫个体的相对亮度f和吸引度β，其相对亮度和吸引度即决定萤火虫的移动方向：

其中，f₀为萤火虫的最大荧光亮度，即自身初始荧光亮度，当目标函数值越优时，f₀越大；γ是光强吸收系数，用以体现荧光随着距离的增加和传播媒介的吸收逐渐减弱；β₀是个体最大吸引度，即初始光源处的吸引度；d_ij是荧光虫i位置x_i和荧光虫j的位置x_j之间的笛卡尔距离；

Step4、更新萤火虫的空间位置：

为在Step3的基础上扩大算法的搜索区域，避免算法陷入局部最优，设计如下萤火虫空间位置更新方式，通过随机扰动的加入，使个体进行多次移动，从而让大部分个体聚集在亮度最高的萤火虫个体的位置上，从而实现寻优，根据下式更新萤火虫个体的空间位置，对于处在最佳位置的萤火虫进行随机扰动：

x_i＝x_i+β×(x_j-x_i)+rand·α

其中，x_i和x_j是萤火虫个体i和j所处的空间位置，α为步长因子，其取值为[0,1]范围内的常数；rand表示[0,1]之间均匀分布的随机数；

Step5、更新种群：

由Step3和Step4能得到一个由一系列新萤火虫个体组成的新种群，根据更新后的各个萤火虫位置，可重新计算每个萤火虫个体对应的亮度，即对新种群中的各萤火虫个体进行评估，得到其对应的目标函数值f，将新种群中的个体与Step2产生的初始种群中的个体进行一一相互对比，若新种群中个体更优，则将其替换旧种群中的个体；否则，不做修改。

Step6、基于翻转(Inverse)与插入(Insert)操作的邻域搜索：

将Step5所得新种群中前10％的个体看做“选中个体”，对每一个“选中个体”依次进行探索阶段和扰动阶段，采用基于“翻转(Inverse)”的邻域操作实现扰动阶段，扰动次数为5次，探索阶段利用“插入(Insert)”邻域操作，探索次数设置为待加工纺纱原料的总数n，利用探索阶段可对扰动阶段得到的个体进行更为细致的探索，如果探索阶段执行后得到的新个体优于“选中个体”，则将其替换，并将当代种群作为新一代种群，否则，不对个体进行更改。

Step7、终止条件：设定终止条件为算法运行时间T_e＝100×n，如果算法满足所设置的终止运行时间T_e，则输出当前所得“最优个体”；否则转至步骤Step3，反复迭代，直至满足终止条件为止。