CN109242101B - 基于遗传模拟退火算法的柔性制造系统生产能力配置方法 - Google Patents
基于遗传模拟退火算法的柔性制造系统生产能力配置方法 Download PDFInfo
- Publication number
- CN109242101B CN109242101B CN201811219223.1A CN201811219223A CN109242101B CN 109242101 B CN109242101 B CN 109242101B CN 201811219223 A CN201811219223 A CN 201811219223A CN 109242101 B CN109242101 B CN 109242101B
- Authority
- CN
- China
- Prior art keywords
- equipment
- manufacturing system
- flexible manufacturing
- scheme
- formula
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 125
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 56
- 230000002068 genetic effect Effects 0.000 title claims abstract description 42
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 29
- 238000013178 mathematical model Methods 0.000 claims abstract description 13
- 230000007774 longterm Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 35
- 238000003754 machining Methods 0.000 claims description 19
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000000137 annealing Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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
本发明公开了基于遗传模拟退火算法的柔性制造系统生产能力配置方法，包括以下步骤：步骤1：以柔性制造系统长期产能规划的设备购置成本最小化为目标建立其生成能力配置的数学模型；步骤2：通过遗传模拟退火算法对步骤1建立的数学模型进行优化求解；步骤3：对步骤2得到的最优解解码后即得到最优生产能力配置方案；本发明有效的通过生产能力配置方法确定了柔性制造系统已知类型设备的最优配置数量；在满足产品需求计划的前提下配置方案的设备投资成本最小化，并提高了设备的利用率。
Description
技术领域
本发明涉及柔性制造系统生产能力优化配置技术领域，具体涉及一种基于遗传模拟退火算法的柔性制造系统生产能力配置方法。
背景技术
随着市场竞争的日趋激烈化，在面向多品种小批量生产模式的柔性制造系统的生产制造过程中，各类产品加工工艺路线形成了复杂网络，产品零件的工序响应离散化；其加工设备也变得精密昂贵；企业在对制造系统进行设计规划时，一方面要实现最大化的生产能力以满足市场的需求，另一方面又要考虑尽可能低成本的设备投入以避免不必要的浪费；需要对计划期内的生产能力配置进行科学合理的设计和决策，使得离散制造业产能规划成为了一个极其复杂的问题；故制造企业在进行制造系统的新建或扩建时，生产能力配置这一重要的环节需要以合理的生产能力配置和经济的设备成本投入来满足市场订单的需求，保证企业在市场竞争中立于不败的地位。
生产能力配置问题是指在满足产品需求计划的前提下，使配置方案的设备投资成本最小化，并尽可能提高设备的利用率；即通过建立生产能力配置模型，在满足相应的约束条件下，通过优化获取最佳目标函数值，以确定制造系统各种已知类型设备的最优配置数量；目前，在生产能力配置问题中主要通过建立整数规划模型来解决这类问题；在模型求解方面，已广泛采用启发式优化算法。
尽管对于生产能力配置问题进行了大量研究，但是大多数研究针对大规模制造系统或者柔性流水生产线；部分柔性制造系统也均为在单工序背景下展开的研究，现有的研究不能够解决企业柔性制造系统兼具零件柔性工艺规划的产能配置问题；同时采用求解的启发式算法大多为遗传算法，虽具备良好的全局寻优特性，但在求解此类问题时易陷入局部最优解；
发明内容
针对现有技术存在的问题，本发明充分考虑零件柔性工艺路径规划(主要包括产品零件对多种工艺方案的选择及多种可选设备工序的分派)，对柔性制造系统的生产能力配置问题展开研究；以计划产能为约束，最低投资成本为目标，建立产能配置决策混合整数规划模型。同时采用遗传模拟退火算法对生产能力配置模型进行求解，充分发挥了模拟退火算法强大的局部搜索能力，克服遗传算法局部搜索能力较弱和易陷入局部最优解的特点，同时遗传算法与模拟退火算法相结合后，遗传操作也可以提高模拟退火操作过程中的搜索效率，提高整体的搜索性能，最终获得更优目标函数解，以获得最优生产能力配置方案。
本发明采用的技术方案是：基于遗传模拟退火算法的柔性制造系统生产能力配置方法，包括以下步骤：
步骤1：以柔性制造系统长期产能规划的设备购置成本最小化为目标建立其生成能力配置的数学模型；
目标函数如下：
其中：f为设备的购置投资成本，i为柔性制造系统中设备的类型编号i＝1,2,3,…m，ci为第i类设备配置成本，xi是决策变量，即第i类设备待增购的数量；
步骤2：通过遗传模拟退火算法对步骤1建立的数学模型进行优化求解；
步骤3：对步骤2得到的最优解解码后即得到最优生产能力配置方案。
进一步的，所述步骤2中求解过程如下：
S1：初始化参数，参数包括种群大小sizepop，进化终止代数MAXGEN，交叉概率Pc，变异概率Pm，退火初始温度T0，终止温度Tend，温度冷却系数α；
S2：生成初始种群Chrom，计算每个个体的适应度值fii，ii＝1,2,…sizepop；
S3：循环计数变量gen＝0；
S4：对种群Chrom进行选择、交叉、变异操作，形成新的种群SA并计算适应度f1ii；通过随机扰动规则产生新的SA个体，重新计算每一个个体的适应度f’ii；
S5：ΔE＝f'ii-f1ii，若ΔE＜0，则用新个体替换旧个体；否则以概率P接受新个体；
其中，Tiii表示当前温度，iii＝0,1,…end表示迭代计数符号；
S6：判断gen<MAXGEN是否成立，若成立则gen＝gen+1，转至步骤S4，否则转至步骤S7；
S7：判断Tiii<Tend是否成立，若成立则算法终止得到全局最优解，否则执行降温操作Tiii+1＝kTiii，转至步骤S3，直至Tiii<Tend成立。
进一步的，所述步骤S2中初始种群通过两层实数编码方式获得；第一次为零件的加工工序，第二次为加工工序对应的加工机床；染色体长度为其中n为加工零件种类数，Kj为第j类零件的工序数。
进一步的，所述步骤S4中的随机扰动规则为重插入法。
本发明的有益效果是：
(1)本发明克服现有技术在解决柔性制造系统生产能力配置存在的不足，有效的通过生产能力配置方法确定了柔性制造系统已知类型设备的最优配置数量；在满足产品需求计划的前提下配置方案的设备投资成本最小化，并提高了设备的利用率；
(2)本发明将遗传算法和模拟退火算法相结合，提高模拟退火过程中的搜索效率，提高整体的搜索性能，求解精度更高，实用性强。
附图说明
图1为本发明中遗传模拟退火算法求解流程示意图。
图2为本发明中采用的基因编码示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1和图2所示，基于遗传模拟退火算法的柔性制造系统生产能力配置方法，包括以下步骤：
步骤1：以柔性制造系统长期产能规划的设备购置成本最小化为目标建立其生成能力配置的数学模型；
目标函数如下：
其中：f为设备的购置投资成本，i为柔性制造系统中设备的类型编号i＝1,2,3,…m，ci为第i类设备配置成本，xi是决策变量，即第i类设备待增购的数量。
在建立数学模型之前首先需要确定柔性制造系统生产能力配置问题的描述和假设；柔性制造系统生产能力配置问题：寻找最优的设备购置决策方案，即确定各种已知设备类型的最佳设备购置数量，在完成产品需求计划的前提下，使长期产能规划的设备投资成本最小化，并尽可能提高设备的利用率。
对柔性制造系统生产能力配置问题做出如下假设：产品需求计划及其零件的数量类型是已知的；为完成长期产能规划，所选定的设备类型在零件加工工艺中是已知的；每类设备的采购单价已知；各类零件加工工序可以有一个或多个类型的设备供选择，并不完全固定在某一类设备上进行加工；一台设备同时只能加工一个零件；所有零件加工工序的工时确定；设备年可以提供的工作天数和每天有效工作时间确定；各类设备的工作日历在计划期内是确定的。
然后在上述假设条件下，以长期产能规划的设备购置成本最小化为优化目标建立0-1混合整数规划数学模型，以实现各类设备的优化配置组合。
建立的数学模型中，约束条件如下：
xi,yi∈N+；i＝1,2,…m；j＝1,2,…n (8)
式中：j为零件类型，j＝1,2,3,…n，p为零件加工的工艺方案，p＝1,2,3…pj；k为加工工序，k(j，p)为第j类零件第p种加工方案中有k道加工工序；tik(j，p)为第i类设备加工第j类零件第p工艺方案第k道工序的加工工时定额；hti为规划期第i类设备平均每台每天能有效工作的时间，0<hti<1440min，dti为规划期第i类设备平均每台每年能有效工作的天数，0<dti<365；Pt为计规划的时长，Pt∈N+；Qj为第j类零件平均产出的目标值；aip为决策变量，当第j类零件使用第p工艺方案时取值为1，否则取值为0；bik(j,p)为决策变量，当第j类零件的第p工艺方案中的第k工序能在设备i上加工时，取值为1，否则取值为0；zik(j,p)为决策变量，当第j类零件的第p工艺方案中第k工序选择在i设备上加工时取值为1，否则取值为0。
其中，式(2)表示的是第j类零件的第p工艺方案的选择；式(3)表示第j类零件的第p工艺方案中第k工序的可能选择；式(4)表示第j类零件的第p工艺方案中第k工序的选择；式(5)表示第j类零件工艺方案约束只能有一个选择；式(6)表示第j类零件第p工艺方案中k工序的选择只能有一个选择；式(7)表示需要第i类设备加工能力满足供需约束，即第i类设备提供的总有效工作时间能够满足各类零件工序加工需求，该式共有m个；式(8)为变量的取值约束；xi是决策变量i类设备待购置数量，yi为第i类设备配置已有数量。
步骤2：通过遗传模拟退火算法对步骤1建立的数学模型进行优化求解；
求解过程如下：
S1：初始化参数，参数包括种群大小sizepop，进化终止代数MAXGEN，交叉概率Pc，变异概率Pm，退火初始温度T0，终止温度Tend，温度冷却系数α；
S2：生成初始种群Chrom，计算每个个体的适应度值fii，ii＝1,2,…sizepop；
S3：循环计数变量gen＝0；
S4：对种群Chrom进行选择、交叉、变异操作，形成新的种群SA并计算适应度f1ii；通过随机扰动规则(本发明中采用重插入法)产生新的SA个体，重新计算每一个个体的适应度f’ii；
S5：ΔE＝f'ii-f1ii，若ΔE＜0，则用新个体替换旧个体；否则以概率P接受新个体；
其中，P＝exp(-ΔE/Tiii)，Tiii表示当前温度，iii＝0,1,…end表示迭代计数符号；
S6：判断gen<MAXGEN是否成立，若成立则gen＝gen+1，转至步骤S4，否则转至步骤S7；
S7：判断Tiii<Tend是否成立，若成立则算法终止得到全局最优解，否则执行降温操作Tiii+1＝kTiii，转至步骤S3，直至Tiii<Tend成立。
在遗传模拟退火算法步骤S2中通过编码生成初始种群Chrom，编码方式采用两层实数编码，第一层为零件的加工工序，第二层为加工工序对应的加工机床，染色体长度为其中，n为加工零件种类数，Kj为第j类零件的工序数；通过上述设计的双层编码方式进行编码，将所有零件的所有工序随机排列，生成第一层染色体工序层；根据染色体工序层，在染色体设备层逐位对应工序进行设备的随机选择并编码，生成最终的染色体编码序列。
计算适应度值，生成能力配置模型的目标函数是求设备购置成本最小值问题，因此通过取倒数方法将目标函数转化为适应度函数；在选择操作时，为了保证优质个体得到保留而采用轮盘赌的选择方法；交叉操作中采用两点交叉，在进行配对的两个设备层染色体上随机设置两个交叉点，然后进行染色体交叉；变异操作采用非均匀变异，对设备层每个基因位逐个随机变异，并且基因位的变异需满足有效范围。
下面通过具体实施例对本发明做进一步说明。
某制造企业准备进行中长期的设备投资规划，以满足柔性制造系统车间的实际生产需求；该制造系统由若干制造单元组成，每个加工单元有若干台同类型设备；零件的加工和测量有一种或一种以上的设备供选择；产品零件的加工工艺路线在加工单元之间具有不同的流转方向形成一个复杂的工艺路线网络；加工设备生产能力的需求存在较大差异；根据调研及分析，获得产品零件的类名及生产数量如表1所示。
表1产品零件类名及其计划产量表
为了确定设备的生产能力，即由工作日历来描述设备的工作情况，直接将工作日历换算为有效工作时间，然后确定每台设备的单价，其制造系统设备模型如表2所示。
表2制造系统设备模型
同种加工零件具有多种加工方案，一道工序又可以选择在多种类型设备上加工，通过使用可选设备的类型对各工序的能力需求进行描述：对产能需求的大小则用零件加工工时定额表示，部分产品零件的工艺模型如表3所示。
表3产品零件工艺模型
该企业需在完成产品产能计划的前提下，使长期产能规划的设备投资成本最小化，并尽可能提高设备的利用率，即需寻找最优的设备购置决策方案。
首先对柔性制造系统生产能力配置问题做出相关假设：产品需求计划及其零件的数量类型是已知的；为完成长期产能规划，所选定的设备类型在零件加工工艺中是已知的；没类设备的采购单价已知；各类零件加工工序可以有一个或多个类型的设备供选择，并不完全固定在某一类设备上进行加工；一台设备同时只能加工一个零件；所有零件加工工序的工时确定；设备年可以提供的工作天数和每天有效工作时间确定；各类设备的工作日历在计划期内是确定的。
按照公式(1)-(8)建立本实例的数学模型，其目标函数为：
设备的购置成本最小化：
式中：f为设备的购置投资成本；i为制造系统中设备的类型编号i＝1,2,3,…12；ci为第i类设备配置成本，ci>0；xi是决策变量，即第i类设备待增购的数量，x＝1,2,3…n，xi∈N+。
其约束条件为：1)考虑产品计划产能需求计划约束、2)考虑零件柔性工艺路径规划约束；
xi,yi∈N+；i＝1,2,…m；j＝1,2,…n (8)
式中：j为零件类型，j＝1,2,3,…20；p为零件加工的工艺方案，p＝1,2,3…pj；k为加工工序，k(j,p)第j类零件第p种加工方案中有k道加工工序；tik(j,p)为第i设备加工第j类零件第p工艺方案第k道工序的加工工时定额；hti为规划期第i类设备平均每台每天能有效工作的时间0<hti<1440min；dti为规划期第i类设备平均每台每年能有效工作的天数0<dti<365；Pt为计规划的时长，Pt∈N+；Qj为第j类零件平均产出的目标值；aip为决策变量，当第j类零件使用第p工艺方案时取值为1，否则取值为0；bik(j,p)为决策变量，当第j类零件的第p工艺方案中的第k工序能在设备i上加工时，取值为1，否则取值为0；zik(j,p)为决策变量，当第j类零件的第p工艺方案中第k工序选择在i设备上加工时取值为1，否则取值为0。
公式(2)表示第j类零件的第p工艺方案的选择；式(3)表示第j类零件的第p工艺方案中第k工序的可能选择；式(4)表示第j类零件的第p工艺方案中第k工序的选择；式(5)表示第j类零件工艺方案约束只能有一个选择；式(7)表示需要第i类设备加工能力满足供需约束，即第i类设备提供的总有效工作时间能够满足各类零件工序加工需求，该式共有m个；式(8)为变量的取值约束；xi是决策变量i类设备待购置数量，yi是第i类设备配置已有数量。
采用遗传模拟退火算法的优化方法，如图1所示；对目标函数值进行求解，首先设置初始化参数：种群大小sizepop＝40，进化终止代数MAXGEN＝50，交叉概率Pc＝0.8，变异概率Pm＝0.1，脱货初始温度T0＝100，终止温度Tend＝1，温度冷却系数α＝0.8。
然后初始化种群Chrom，该种群采用如图2所示基因编码方式编码获得；计算个体的目标函数值fii，其中ii＝1,2,…40；设计循环计数变量gen＝0；其次，对种群Chrom实施遗传算法的选择、交叉、变异操作，将其作为SA种群并计算其适应度f1ii；采用随机扰动的规则，本发明中具体采用重插入法产生SA新个体，计算每一个体的适应度值f’ii；计算ΔE＝f'ii-f1ii，若ΔE＜0，则用新个体替换旧个体；否则以概率P接受新个体；其中P＝exp(-ΔE/Tiii；判断若gen<50，则gen＝gen+1，转至上一步继续遗传算法的选择、交叉、变异等操作；否则判断是否Tiii<1，是，则算法终止，返回全局最优解，进行解码后得到最优生产能力配置方案；否则，执行降温操作Tiii+1＝0.8Tiii，转至循环计数变量gen＝0处，继续算法的循环进化直到满足算法终止条件，输出最优解。
通过Matlab软件编写响应程序，分别采用本发明方法和遗传算法对目标函数进行求解；以验证本发明方法的实用性和有效性；其结果如表4、表5和表6所示。
表4优化算法求解结果对比
表5遗传算法求解设备的购置方案结果
表6遗传模拟退火算法求解设备的购置方案结果
通过上表可以看出，采用本发明方法比传统遗传算法求解其目标函数值小8.7％；可见采用本发明方法求解的收敛精度更高；因为遗传算法在采用经典的轮盘赌方法选择时，后代产生的个体与父代个体适应度大小成正比，容易在早期就使个别好的后代充斥整个种群，造成早熟；在遗传算法后期，适应度趋于一致，终获得最优解附近的解，即陷入局部最优解；模拟退火算法在搜索的过程中具有突跳的能力，可以有效地避免搜索陷入局部最小值(局部最优解)；采用遗传模拟退火算法，用模拟退火算法可以对适应度进行拉伸，在温度较高(遗传算法前期)时，适应度相近的个体产生后代概率相近；当温度不断下降后，拉伸作用加强，使适应度相近的个体适应度差异放大，使得优秀个体的优势更明显；采用如表6所示购置方案生产配置能力更强；可以看出，本发明提出的柔性制造系统生产能力配置方法能够应用到企业中解决实际问题，且针对生产能力配置模型设计改进的遗传模拟算法与现有该类问题求解方法更优越。
本发明克服了现有技术在解决柔性制造系统生产能力配置存在的不足，以计划产能为约束，并且在满足零件柔性工艺路径规划下(主要包括产品零件对多种工艺方案的选择及多种可选设备工序的分派)，采用遗传模拟退火算法优化求解以获得最优的设备配置方案；即有效的通过生产能力配置方法确定了柔性制造系统各种已知类型设备的最优配置数量；使得在满足产品需求计划的前提下配置方案的设备投资成本最小化，并尽可能提高了设备的利用率。
通过遗传模拟退火算法求解柔性制造系统生产能力配置问题，充分发挥了模拟退火算法强大的局部搜索能力；克服了目前遗传算法局部搜索能力较弱和易陷入局部最优解的特点；同时遗传算法与模拟退火算法相结合后，遗传操作也可以提高模拟退火操作过程中的搜索效率，提高整体的搜索性能，采用遗传模拟退火算法求解精度更高，实用性强；本发明可确定柔性制造系统各种已知类型设备的最优配置方案，对企业提高生产、运作效率和降低投资成本具有一定的实际应用价值。
Claims (4)
1.一种基于遗传模拟退火算法的柔性制造系统生产能力配置方法，其特征在于，包括以下步骤：
步骤1：以柔性制造系统长期产能规划的设备购置成本最小化为目标建立其生成能力配置的数学模型；
目标函数如下：
其中：f为设备的购置投资成本，i为柔性制造系统中设备的类型编号i＝1,2,3,…m，ci为第i类设备配置成本，xi是决策变量，即第i类设备待增购的数量；
对柔性制造系统生产能力配置问题做出如下假设：产品需求计划及其零件的数量类型是已知的；为完成长期产能规划，所选定的设备类型在零件加工工艺中是已知的；每类设备的采购单价已知；各类零件加工工序可以有一个或多个类型的设备供选择，并不完全固定在某一类设备上进行加工；一台设备同时只能加工一个零件；所有零件加工工序的工时确定；设备年可以提供的工作天数和每天有效工作时间确定；各类设备的工作日历在计划期内是确定的；
以长期产能规划的设备购置成本最小化为优化目标建立0-1混合整数规划数学模型：
约束条件如下：
xi,yi∈N+；i＝1,2,…m；j＝1,2,…n (8)
式中：j为零件类型，j＝1,2,3,…n，p为零件加工的工艺方案，p＝1,2,3…pj；k为加工工序，k(j，p)为第j类零件第p种加工方案中有k道加工工序；tik(j，p)为第i类设备加工第j类零件第p工艺方案第k道工序的加工工时定额；hti为规划期第i类设备平均每台每天能有效工作的时间，0<hti<1440min，dti为规划期第i类设备平均每台每年能有效工作的天数，0<dti<365；Pt 为规划的时长，Pt ∈N+；Qj为第j类零件平均产出的目标值；aip为决策变量，当第j类零件使用第p工艺方案时取值为1，否则取值为0；bik(j,p)为决策变量，当第j类零件的第p工艺方案中的第k工序能在设备i上加工时，取值为1，否则取值为0；zik(j,p)为决策变量，当第j类零件的第p工艺方案中第k工序选择在i设备上加工时取值为1，否则取值为0；
其中，式(2)表示的是第j类零件的第p工艺方案的选择；式(3)表示第j类零件的第p工艺方案中第k工序的可能选择；式(4)表示第j类零件的第p工艺方案中第k工序的选择；式(5)表示第j类零件工艺方案约束只能有一个选择；式(6)表示第j类零件第p工艺方案中k工序的选择只能有一个选择；式(7)表示需要第i类设备加工能力满足供需约束，即第i类设备提供的总有效工作时间能够满足各类零件工序加工需求，该式共有m个；式(8)为变量的取值约束；xi是决策变量i类设备待购置数量，yi为第i类设备配置已有数量；步骤2：通过遗传模拟退火算法对步骤1建立的数学模型进行优化求解；
步骤3：对步骤2得到的最优解解码后即得到最优生产能力配置方案。
2.根据权利要求1所述的一种基于遗传模拟退火算法的柔性制造系统生产能力配置方法，其特征在于，所述步骤2中求解过程如下：
S1：初始化参数，参数包括种群大小sizepop，进化终止代数MAXGEN，交叉概率Pc，变异概率Pm，退火初始温度T0，终止温度Tend，温度冷却系数α；
S2：生成初始种群Chrom，计算每个个体的适应度值fii，ii＝1,2,…sizepop；
S3：循环计数变量gen＝0；
S4：对种群Chrom进行选择、交叉、变异操作，形成新的种群SA并计算适应度f1ii；通过随机扰动规则产生新的SA个体，重新计算每一个个体的适应度f’ii；
S5：ΔE＝f′ii-f1ii，若ΔE＜0，则用新个体替换旧个体；否则以概率P接受新个体；
其中，P＝exp(-ΔE/Tiii)，Tiii表示当前温度，iii＝0,1,…end表示迭代计数符号；
S6：判断gen<MAXGEN是否成立，若成立则gen＝gen+1，转至步骤S4，否则转至步骤S7；
S7：判断Tiii<Tend是否成立，若成立则算法终止得到全局最优解，否则执行降温操作Tiii+1＝kTiii，转至步骤S3，直至Tiii<Tend成立。
3.根据权利要求2所述的一种基于遗传模拟退火算法的柔性制造系统生产能力配置方法，其特征在于，所述步骤S2中初始种群通过两层实数编码方式获得；第一次为零件的加工工序，第二次为加工工序对应的加工机床；染色体长度为其中n为加工零件种类数，Kj为第j类零件的工序数。
4.根据权利要求2所述的一种基于遗传模拟退火算法的柔性制造系统生产能力配置方法，其特征在于，所述步骤S4中的随机扰动规则为重插入法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811219223.1A CN109242101B (zh) | 2018-10-19 | 2018-10-19 | 基于遗传模拟退火算法的柔性制造系统生产能力配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811219223.1A CN109242101B (zh) | 2018-10-19 | 2018-10-19 | 基于遗传模拟退火算法的柔性制造系统生产能力配置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109242101A CN109242101A (zh) | 2019-01-18 |
| CN109242101B true CN109242101B (zh) | 2019-07-26 |
Family
ID=65053983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811219223.1A Active CN109242101B (zh) | 2018-10-19 | 2018-10-19 | 基于遗传模拟退火算法的柔性制造系统生产能力配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242101B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298593A (zh) * | 2019-07-04 | 2019-10-01 | 华中师范大学 | 人力成本计算方法及装置 |
| CN111582561A (zh) * | 2020-04-23 | 2020-08-25 | 华南理工大学 | 一种面向小批量多品种的可重构生产线调度优化方法 |
| CN111563629A (zh) * | 2020-05-11 | 2020-08-21 | 四川新迎顺信息技术股份有限公司 | 柔性制造车间多阶段设备产能配置与鲁棒性布局优化方法 |
| CN111695292A (zh) * | 2020-05-15 | 2020-09-22 | 东南大学 | 基于matlab和comsol联合仿真的超导磁储能磁体优化设计方法 |
| CN111667194B (zh) * | 2020-06-15 | 2023-08-08 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
| CN113722956B (zh) * | 2021-08-26 | 2023-09-29 | 成都飞机工业（集团）有限责任公司 | 一种扩口类导管装配密封性预测方法 |
| CN114418247B (zh) * | 2022-03-30 | 2022-07-26 | 支付宝(杭州)信息技术有限公司 | 数据处理方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8374828B1 (en) * | 2007-12-24 | 2013-02-12 | The University Of North Carolina At Charlotte | Computer implemented system for protein and drug target design utilizing quantified stability and flexibility relationships to control function |
| CN104111642A (zh) * | 2014-06-11 | 2014-10-22 | 华中科技大学 | 设备预防性维护与柔性作业车间控制集成优化方法 |
| CN104915790A (zh) * | 2015-06-26 | 2015-09-16 | 国网山西省电力公司 | 一种促进风电消纳的峰谷电价优化方法 |
| CN107545101A (zh) * | 2017-08-03 | 2018-01-05 | 西南交通大学 | 一种设计目标与设计变量均为区间的优化设计方法 |
| CN107817772A (zh) * | 2017-10-17 | 2018-03-20 | 西南交通大学 | 一种柔性作业车间调度优化方法 |
-
2018
- 2018-10-19 CN CN201811219223.1A patent/CN109242101B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8374828B1 (en) * | 2007-12-24 | 2013-02-12 | The University Of North Carolina At Charlotte | Computer implemented system for protein and drug target design utilizing quantified stability and flexibility relationships to control function |
| CN104111642A (zh) * | 2014-06-11 | 2014-10-22 | 华中科技大学 | 设备预防性维护与柔性作业车间控制集成优化方法 |
| CN104915790A (zh) * | 2015-06-26 | 2015-09-16 | 国网山西省电力公司 | 一种促进风电消纳的峰谷电价优化方法 |
| CN107545101A (zh) * | 2017-08-03 | 2018-01-05 | 西南交通大学 | 一种设计目标与设计变量均为区间的优化设计方法 |
| CN107817772A (zh) * | 2017-10-17 | 2018-03-20 | 西南交通大学 | 一种柔性作业车间调度优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109242101A (zh) | 2019-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109242101B (zh) | 基于遗传模拟退火算法的柔性制造系统生产能力配置方法 | |
| CN109359884B (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
| CN112150076B (zh) | 基于工位排序的车间物料动态配送模型设计及实现方法 | |
| CN111382942B (zh) | 一种集成交货期配置的置换流水车间能效优化调度方法 | |
| CN111966050A (zh) | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 | |
| Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
| CN113077037B (zh) | 考虑多约束的车间双行智能布局的两阶段方法 | |
| CN112084632B (zh) | 一种结合人机工程的五金数字生产线布局优化方法 | |
| CN109934364B (zh) | 一种基于遗传模拟退火算法的刀具准时化配送方法 | |
| CN114611379A (zh) | 一种基于数据驱动的加工工艺节能规划方法 | |
| CN112766584A (zh) | 基于离散云进化算法的设备优化布局方法 | |
| Zhang et al. | Research on optimization of assembly line based on product scheduling and just-in-time feeding of parts | |
| CN112966822B (zh) | 一种基于改进遗传算法的混流制造车间调度方法 | |
| CN105427058A (zh) | 一种基于遗传算法的发动机测试线工位分配优化方法 | |
| CN112700109B (zh) | 一种订单生产顺序优化方法、系统、设备及可读存储介质 | |
| Wu et al. | Applications of AI techniques to generation planning and investment | |
| CN116415780A (zh) | 一种智能排单的方法及系统 | |
| CN114021901A (zh) | 用于柔性作业车间面向紧急订单的资源调度协同优化方法 | |
| CN114237166A (zh) | 基于改进spea2算法求解多转速节能调度问题的方法 | |
| CN111860944A (zh) | 一种对现货交易市场电量计算的优化方法及系统 | |
| CN113240176B (zh) | 基于有限人员即时站位的单元式装配车间智能排产方法 | |
| CN115730792A (zh) | 基于遗传算法的个性化服装生产线人员调度方法及系统 | |
| CN113064388B (zh) | 一种半导体生产线的调度优化方法及装置 | |
| Zhao et al. | Reconstruction Layout Optimization of Multivariety and Small Batch Workshop in Aerospace Industry | |
| Xue et al. | Application of genetic algorithm to middle-long term optimal combination power load forecast |
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 |