CN110135752B - 一种具有切换时间的成套订单的调度方法 - Google Patents

一种具有切换时间的成套订单的调度方法 Download PDF

Info

Publication number
CN110135752B
CN110135752B CN201910430878.1A CN201910430878A CN110135752B CN 110135752 B CN110135752 B CN 110135752B CN 201910430878 A CN201910430878 A CN 201910430878A CN 110135752 B CN110135752 B CN 110135752B
Authority
CN
China
Prior art keywords
order
workpiece
time
employment
bee
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
Application number
CN201910430878.1A
Other languages
English (en)
Other versions
CN110135752A (zh
Inventor
徐震浩
周畅
张凌波
顾幸生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN201910430878.1A priority Critical patent/CN110135752B/zh
Publication of CN110135752A publication Critical patent/CN110135752A/zh
Application granted granted Critical
Publication of CN110135752B publication Critical patent/CN110135752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供了一种具有切换时间的成套订单的调度方法，包括步骤：a)建立成套订单调度问题的数学模型；b)根据建立的数学模型，利用带邻域结构的人工蜂群算法进行计算：设置种群规模、邻域搜索代数、未改进代数上限；依据编码方案，初始化种群；采用半主动解码方式，得到个体的适应度值；寻找并占领优质蜜源，与跟随蜂分享蜜源信息；选择一个雇佣蜂并跟随其采蜜；判断雇佣蜂的个体改进的次数；当子代出现比当前雇佣蜂好的个体时，替换所述当前雇佣蜂个体；若未达到终止条件，则继续优化。相比于现有技术，本发明的调度方法可以使企业或工厂在给定资源以及约束的条件下，制定合理的生产策略，提高调度效率，减少企业的运营成本。

Description

一种具有切换时间的成套订单的调度方法
技术领域
本发明涉及生产制造技术领域，特别涉及一种具有切换时间的成套订单的调度方法。
背景技术
随着中国智能制造2025、工业4.0等新的制造理念的兴起与发展，企业生产过程执行管理系统(Manufacturing Execution System,MES)作为连接企业资源管理层(ERP)与生产制造层的桥梁，在层层之间的信息交互过程中发挥着不可或缺的作用。其中，生产调度作为MES层的关键环节，对于企业的经营和效益至关重要。
在现有技术中，随着装配制造业的发展，生产装配具有朝着多样化、定制化方向发展的趋势。不同于传统调度问题，工件配套问题成为生产调度问题研究的新方向。举例来说，与传统生产调度指标不同，成套订单调度问题存在多工件按时完工，多工件成套的特点为：某订单包含多个工件，每个工件具有不同的交货期，若这些工件都能按时完工，表明包含这些工件的订单是成套的。切换时间(Setup times)主要包含工具准备时间、物料准备时间、机器准备时间等。在一般作业车间中，切换时间可以被忽略或者被包含在工序加工时间内。面向成套订单的生产调度问题存在于船舶飞机制造、大型机械设备制造等行业，具有广泛的实际背景，成为实际成生产过程中急需解决的问题，而具有切换时间的成套订单调度问题更是体现实际生产环境的复杂性和可变性。
人工蜂群算法(Artificial Bee Colony,ABC)是2005年提出的一种新颖的基于群智能的全局优化算法，其直观背景来源于蜂群的采蜜行为，蜜蜂根据各自的分工进行不同的活动，并且实现蜂群信息的共享和交流，从而找到问题的最优解。人工蜂群算法属于群智能算法的一种，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过个体的局部寻优行为，使全局最优值突现出来，有着较快的收敛速度。目前尚无将蜂群算法用于求解成套订单的调度问题，因此研究基于蜂群算法成套订单的调度问题，在上述广泛的应用背景中具有一定的现实意义。
发明内容
针对现有技术的上述缺陷，本发明的主要目的是在于，针对成套订单的调度问题，提供了一种解决具有切换时间的成套订单调度问题的方法，藉由该新颖的调度方法从而提高生产效率，并降低生产成本。
依据本发明的一个方面，提供了一种具有切换时间的成套订单的调度方法，其特征在于，该调度方法包括以下步骤：
a)建立具有切换时间的成套订单调度问题的数学模型：
设定具有可分离序列相关切换时间的作业车间环境——n个待加工的工件要经历m台加工机器的加工，每个工件的加工顺序已经确定，每个工件在一个阶段只需在一台加工机器上加工即可；在任意时刻，每台加工机器最多加工一个工件，每个工件在某一时刻只能被一台加工机器加工；工件不存在优先级约束；任意工件的任意工序在加工前对应的加工机器都有一个固定的切换时间，
定义符号变量：
wh-订单h的权值；
Figure BDA0002068942980000031
-订单h内的第i个工件；
Figure BDA0002068942980000032
-工件
Figure BDA0002068942980000033
的完工时间；
Figure BDA0002068942980000034
-工件
Figure BDA0002068942980000035
的要求交货时间；
Figure BDA0002068942980000036
-订单h内的第i个工件的第j道工序；
O-总工序集
Figure BDA0002068942980000037
Figure BDA0002068942980000038
-工序
Figure BDA0002068942980000039
的加工机器；
Figure BDA00020689429800000310
-工序
Figure BDA00020689429800000311
的加工时间；
Figure BDA00020689429800000312
-工序
Figure BDA00020689429800000313
的完工时间；
Figure BDA00020689429800000314
-工序
Figure BDA00020689429800000315
和
Figure BDA00020689429800000316
之间的切换时间(
Figure BDA00020689429800000317
和
Figure BDA00020689429800000318
在同一台加工机器上相邻加工的工序)；
优化目标表示为：
Figure BDA00020689429800000319
其中xh是决策变量，表示如下：
Figure BDA00020689429800000320
Figure BDA00020689429800000321
约束条件如下：
Figure BDA0002068942980000041
Figure BDA0002068942980000042
Figure BDA0002068942980000043
h,o＝1,2,...,H；
i＝1,2,...,nh；p＝1,2,...,no；
Figure BDA0002068942980000044
其中，
Figure BDA0002068942980000045
和
Figure BDA0002068942980000046
是同一工件的两道工序，
Figure BDA0002068942980000047
和
Figure BDA0002068942980000048
是同一台加工机器上相邻的前后加工的工序对，
Figure BDA0002068942980000049
和
Figure BDA00020689429800000410
是决策变量，表示如下：
Figure BDA00020689429800000411
上述关系式(1)是成套订单调度问题的目标函数即加权订单成套率，它与订单h的权值wh和订单成套系数xh有关；关系式(2)表示订单成套系数xh和订单内工件完工时间相关，若每个工件按时完工则该订单成套；约束关系式(3)是工件工序前后顺序约束，说明工件在某一时刻只能加工一道工序；约束关系式(4)是机器非堵塞约束，说明一台加工机器只能同时加工一道工序；及约束关系式(5)定义各符号的取值范围；
b)根据建立的上述数学模型，利用带邻域结构的人工蜂群算法进行计算：
步骤b1：输入工件数量、加工机器数量、工序数量以及每个工件在每道工序、每台加工机器上的加工时间；设置种群规模N_pop、邻域搜索代数N_ls、未改进代数上限limit；
步骤b2：依据编码方案，初始化种群；
步骤b3：采用半主动解码方式，对编码进行解码，得到个体的适应度值；
步骤b4：寻找并占领优质蜜源，与跟随蜂分享蜜源信息，设计特定的进化代数对雇佣蜂种群个体使用邻域搜索策略，其余代数采用雇佣蜂之间的交叉策略；
步骤b5：选择一个雇佣蜂并跟随所选择的雇佣蜂采蜜；
步骤b6：判断雇佣蜂的个体改进的次数；
步骤b7：当子代出现比当前雇佣蜂好的个体时，替换所述当前雇佣蜂个体；
步骤b8：若未达到终止条件，则返回步骤b4继续优化。
在一具体实施例，上述步骤b2的编码方案采用基于工序的编码，所述作业车间环境包括n个工件、m台加工机器，一个可行解长度为n×m，该数字n代表工件号，每个数字出现m次，当前出现的次数代表当前数字所表示工件的对应工序。
在一具体实施例，上述步骤b3的半主动解码方式中，普通作业车间针对一个解进行解码时，需要依次计算每道工序的开始和结束时间直到解码完成，且解码时需要考虑同机相邻工序间的切换时间，对一个解中的任意工序Oij，它的同机紧前工序MP[Oij]的结束时间与切换时间的和记为CMP+Tsetup，同件紧前工序JP[Oij]的结束时间记为CJP，则工序Oij的开始时间是max{CMP+Tsetup,JP[Oij]}。
在一具体实施例，上述步骤b4对应于雇佣蜂阶段，在所述雇佣蜂阶段中，针对雇佣蜂对应的解进行邻域搜索，其中的交叉策略是指：从总工件集中选择若干工件作为工件集Job_Set1，其余工件组成工件集Job_Set2，子代继承对应父代中属于Job_Set1的工件顺序，子代中Job_Set2的工件顺序继承自另一个父代。
在一具体实施例，同一订单下的工件要满足准时性，当订单不满足成套性时，说明该订单内出现具有交货时间瓶颈的工件，工件交货时间瓶颈定义如下：
Bj＝max{Cj-dj,0}
其中，Cj是工件的完工时间，dj是工件的规定交货时间，未成套订单中出现瓶颈的工件可能是一个或者多个，邻域结构需要依次反复削减未按时完工工件的瓶颈，直到该订单满足成套性，
订单的选择顺序为未成套订单按照其权值wh从高到低依次选择；
订单内工件的选择顺序为，若存在交货时间瓶颈的工件，按照其交货时间瓶颈Bj从高到低，依次选择；若存在工件其瓶颈无法削减到0，则跳出该订单，进行下一个未成套订单的优化。
在一具体实施例，上述步骤b5还包括：雇佣蜂的选择采用轮盘赌的方式：
Figure BDA0002068942980000061
其中，一个雇佣蜂个体对应着一个蜜源(解)，
Figure BDA0002068942980000062
表示第i个雇佣蜂个体的适应度值并表示对应解的质量，选择雇佣蜂之后，跟随蜂和所选择的雇佣蜂进行交叉操作，贪婪选择较好的个体，当子代出现比当前雇佣蜂好的个体时予以替换当前雇佣蜂个体。
在一具体实施例，上述步骤b6还包括：在完成一轮雇佣蜂阶段操作后，对没有改进的雇佣蜂个体，其limit次数加1，当limit次数超过上限后，该雇佣蜂进入侦查蜂阶段。
本发明的技术效果在于，针对具有切换时间的作业车间环境下的成套订单调度问题，考虑了实际生产环境中比较重要的因素——订单成套率，以最大化加权订单成套率为目标，提出一种混合整数规划模型。根据成套订单问题配套性的特点，设计了一种新的邻域结构，在人工蜂群算法的基础上加入邻域搜索构成带邻域结构的人工蜂群算法去求解具有切换时间的成套订单调度问题的数学模型。此外，还采用响应面分析法对算法参数进行整定，通过仿真实验验证了邻域结构的有效性。再者，通过和其他元启发式算法的仿真结果进行对比从而验证了算法的先进性和稳定性。相比于现有技术，本发明的调度方法可以使企业或工厂在给定资源以及约束的条件下，制定合理的生产策略，提高调度效率。
附图说明
读者在参照附图阅读了本发明的具体实施方式以后，将会更清楚地了解本发明的各个方面。其中，
图1示出依据本发明的一个方面，具有切换时间的成套订单调度问题的人工蜂群算法的三种类型蜜蜂示意图；
图2示出图1的调度方法中，包含雇佣蜂阶段、跟随蜂阶段以及侦察蜂阶段的蜂群算法的流程框图；
图3示出在图2的蜂群算法中，跟随蜂和所选择的雇佣蜂进行交叉操作的示意图；
图4示出在图2的蜂群算法中，加入邻域搜索构成带邻域结构的人工蜂群算法的流程框图；
图5示出在采用改编的FT10实例的小规模实例下，带邻域结构的人工蜂群算法(ABC-NS)与不带邻域结构的人工蜂群算法(ABC)寻优性能曲线的对比示意图；
图6示出在采用改编的LA35实例的中等规模实例下，带邻域结构的人工蜂群算法(ABC-NS)与不带邻域结构的人工蜂群算法(ABC)寻优性能曲线的对比示意图；以及
图7示出在采用改编的SWV17-easy实例的大规模实例下，带邻域结构的人工蜂群算法(ABC-NS)与不带邻域结构的人工蜂群算法(ABC)寻优性能曲线的对比示意图。
具体实施方式
为了使本申请所揭示的技术内容更加详尽与完备，可参照附图以及本发明的下述各种具体实施例，附图中相同的标记代表相同或相似的组件。然而，本领域的普通技术人员应当理解，下文中所提供的实施例并非用来限制本发明所涵盖的范围。此外，附图仅仅用于示意性地加以说明，并未依照其原尺寸进行绘制。
下面参照附图，对本发明各个方面的具体实施方式作进一步的详细描述。
图1示出依据本发明的一个方面，具有切换时间的成套订单调度问题的人工蜂群算法的三种类型蜜蜂示意图。图2示出图1的调度方法中，包含雇佣蜂阶段、跟随蜂阶段以及侦察蜂阶段的蜂群算法的流程框图。图3示出在图2的蜂群算法中，跟随蜂和所选择的雇佣蜂进行交叉操作的示意图。
参照图1至图3，在人工蜂群算法中，主要包括三个基本组成部分：
食物源——食物源对应着算法的一个解，食物源的好坏即对应解的好坏，往往利用解的目标函数值进行评价；
雇佣蜂(employed bees)——雇佣蜂往往与特定(较优)的食物源对应；
非雇佣蜂——指没有与食物源对应的蜜蜂，采用各种方式寻找新的食物源，分为跟随蜂(onlooker bees)和侦查蜂(scout bees)两种。
主要分为以下三个阶段：
雇佣蜂阶段(引领蜂)——在初始化阶段蜂群采用随机方式生成，雇佣蜂是蜂群中的较优个体，代表较优解，同时雇佣蜂共享信息给跟随蜂，供跟随蜂选择；
跟随蜂阶段——跟随蜂寻找新食物源的方式围绕雇佣蜂进行，通过轮盘赌选择跟随的雇佣蜂，并在雇佣蜂代表的食物源进行邻域搜索；
侦查蜂阶段——侦查蜂寻找新食物源的方式是更新雇佣蜂，当某雇佣蜂个体达到limitl次未更新，说明该食物源代表的解陷入了局部最优，雇佣蜂放弃该蜜源并成为侦查蜂，通过随机生成的方式寻找新的蜜源。
在该实施方式中，具有切换时间的成套订单的调度方法包括以下步骤：
首先，建立具有切换时间的成套订单调度问题的数学模型：
设定具有可分离序列相关切换时间的作业车间环境——n个待加工的工件要经历m台加工机器的加工，每个工件的加工顺序已经确定，每个工件在一个阶段只需在一台加工机器上加工即可；在任意时刻，每台加工机器最多加工一个工件，每个工件在某一时刻只能被一台加工机器加工；工件不存在优先级约束；任意工件的任意工序在加工前对应的加工机器都有一个固定的切换时间，
定义符号变量：
wh-订单h的权值；
Figure BDA0002068942980000101
-订单h内的第i个工件；
Figure BDA0002068942980000102
-工件
Figure BDA0002068942980000103
的完工时间；
Figure BDA0002068942980000104
-工件
Figure BDA0002068942980000105
的要求交货时间；
Figure BDA0002068942980000106
-订单h内的第i个工件的第j道工序；
O-总工序集
Figure BDA0002068942980000107
Figure BDA0002068942980000108
-工序
Figure BDA0002068942980000109
的加工机器；
Figure BDA00020689429800001010
-工序
Figure BDA00020689429800001011
的加工时间；
Figure BDA00020689429800001012
-工序
Figure BDA00020689429800001013
的完工时间；
Figure BDA00020689429800001014
-工序
Figure BDA00020689429800001015
和
Figure BDA00020689429800001016
之间的切换时间(
Figure BDA00020689429800001017
和
Figure BDA00020689429800001018
在同一台加工机器上相邻加工的工序)；
优化目标表示为：
Figure BDA00020689429800001019
其中xh是决策变量，表示如下：
Figure BDA00020689429800001020
Figure BDA00020689429800001021
约束条件如下：
Figure BDA00020689429800001022
Figure BDA00020689429800001023
Figure BDA00020689429800001024
h,o＝1,2,...,H；
i＝1,2,...,nh；p＝1,2,...,no；
Figure BDA00020689429800001025
其中，
Figure BDA00020689429800001026
和
Figure BDA00020689429800001027
是同一工件的两道工序，
Figure BDA00020689429800001028
和
Figure BDA00020689429800001029
是同一台加工机器上相邻的前后加工的工序对，
Figure BDA0002068942980000111
和
Figure BDA0002068942980000112
是决策变量，表示如下：
Figure BDA0002068942980000113
上述关系式(1)是成套订单调度问题的目标函数即加权订单成套率，它与订单h的权值wh和订单成套系数xh有关；关系式(2)表示订单成套系数xh和订单内工件完工时间相关，若每个工件按时完工则该订单成套；约束关系式(3)是工件工序前后顺序约束，说明工件在某一时刻只能加工一道工序；约束关系式(4)是机器非堵塞约束，说明一台加工机器只能同时加工一道工序；及约束关系式(5)定义各符号的取值范围；
然后，根据建立的上述数学模型，利用带邻域结构的人工蜂群算法进行计算：
步骤b1：输入工件数量、加工机器数量、工序数量以及每个工件在每道工序、每台加工机器上的加工时间；设置种群规模N_pop、邻域搜索代数N_ls、未改进代数上限limit；
步骤b2：依据编码方案，初始化种群；
步骤b3：采用半主动解码方式，对编码进行解码，得到个体的适应度值；
步骤b4：如图2所示的雇佣蜂阶段，雇佣蜂的主要任务是寻找并占领优质蜜源，与跟随蜂分享蜜源信息，设计特定的进化代数对雇佣蜂种群个体使用邻域搜索策略，其余代数采用雇佣蜂之间的交叉策略；
步骤b5：如图2所示的跟随蜂阶段，跟随蜂的主要任务是选择一个雇佣蜂并跟随所选择的雇佣蜂采蜜；
步骤b6：如图2所示的侦察蜂阶段中，判断雇佣蜂的个体改进的次数；
步骤b7：当子代出现比当前雇佣蜂好的个体时，替换所述当前雇佣蜂个体；
步骤b8：若未达到终止条件，则返回步骤b4继续优化。
上述步骤b2的编码方案采用基于工序的编码，所述作业车间环境包括n个工件、m台加工机器，一个可行解长度为n×m，该数字n代表工件号，每个数字出现m次，当前出现的次数代表当前数字所表示工件的对应工序。
上述步骤b3的半主动解码方式中，普通作业车间针对一个解进行解码时，需要依次计算每道工序的开始和结束时间直到解码完成，且解码时需要考虑同机相邻工序间的切换时间，对一个解中的任意工序Oij，它的同机紧前工序MP[Oij]的结束时间与切换时间的和记为CMP+Tsetup，同件紧前工序JP[Oij]的结束时间记为CJP，则工序Oij的开始时间是max{CMP+Tsetup,JP[Oij]}。
上述步骤b4对应于雇佣蜂阶段，在所述雇佣蜂阶段中，针对雇佣蜂对应的解进行邻域搜索，其中跟随蜂和所选择的雇佣蜂进行交叉操作的交叉策略是指：从总工件集中选择若干工件作为工件集Job_Set1，其余工件组成工件集Job_Set2，子代继承对应父代中属于Job_Set1的工件顺序，子代中Job_Set2的工件顺序继承自另一个父代。如图3所示。
在一具体实施例中，同一订单下的工件要满足准时性，当订单不满足成套性时，说明该订单内出现具有交货时间瓶颈的工件，工件交货时间瓶颈定义如下：
Bj＝max{Cj-dj,0}
其中，Cj是工件的完工时间，dj是工件的规定交货时间，未成套订单中出现瓶颈的工件可能是一个或者多个，邻域结构需要依次反复削减未按时完工工件的瓶颈，直到该订单满足成套性，
订单的选择顺序为未成套订单按照其权值wh从高到低依次选择；
订单内工件的选择顺序为，若存在交货时间瓶颈的工件，按照其交货时间瓶颈Bj从高到低，依次选择；若存在工件其瓶颈无法削减到0，则跳出该订单，进行下一个未成套订单的优化。如图4所示。
在邻域搜索过程中，削减工件交货时间瓶颈需要减小工件的完工时间Cj。邻域搜索用来找到合适的邻域解，减小关键路径的长度。
关键路径：关键路径是由一系列关键工序组成的工序集合，它们的加工时间是相连(不存在空闲时间)的。
关键工序：在具有切换时间的作业车间环境下，关键工序的选取不再考虑切换时间的影响，在选择了待优化的工件(假设是工件j)以后，将工件j的最后一道工序Oj,end加入关键工序集。若Oj,end的同件紧前工序JP[Oj,end]，有C{JP[Oj,end]}＝S{Oj,end}，则将JP[Oj,end]加入关键工序集。重复以上选择过程直到找到所有关键工序。
关键块：所有相邻的同机关键工序构成一个关键工序块。
关键工序交换：对于首关键块，交换块尾工序对；对于中间关键块，交换块首和块尾工序对；对于尾关键块，交换块首工序对。
上述步骤b5还包括：雇佣蜂的选择采用轮盘赌的方式：
Figure BDA0002068942980000131
其中，一个雇佣蜂个体对应着一个蜜源(解)，
Figure BDA0002068942980000132
表示第i个雇佣蜂个体的适应度值并表示对应解的质量，选择雇佣蜂之后，跟随蜂和所选择的雇佣蜂进行交叉操作，贪婪选择较好的个体，当子代出现比当前雇佣蜂好的个体时予以替换当前雇佣蜂个体。
上述步骤b6还包括：在完成一轮雇佣蜂阶段操作后，对没有改进的雇佣蜂个体，其limit次数加1，当limit次数超过上限后，该雇佣蜂进入侦查蜂阶段。
由上述可知，本发明实施例的成套订单调度方法针对具有切换时间的作业车间环境下的成套订单调度问题，以最大化加权订单成套率为目标，根据成套订单问题中多个工件的配套性特点，提出一种新的邻域结构，该邻域结构通过集中对某个成套订单内的工件交货时间瓶颈反复优化，直到该订单内所有工件交货时间瓶颈被消除，使该订单成套的同时最终提高加权订单成套率；设计了带邻域结构的人工蜂群算法(ABC-NS)，采用邻域搜索对雇佣蜂中的个体进行搜索，进一步提高算法的收敛精度。经过分析,影响加权订单成套率(Whole-Set Orders)的主要因素只有种群规模(N_pop)；而影响算法运行时间的主要是种群规模(N_pop)，邻域搜索代数(N_ls)影响较小，而停滞次数上限(limit)几乎对运行时间没有影响。种群规模(N_pop)越大，优化结果更好，而对应的算法搜索时间越长；邻域搜索代数(N_ls)提高也会少量改进算法效果，但对算法运行时间有一定影响，需要考量实际需要偏重于性能还是速度；停滞次数上限(limit)可以随机设置。最终设置算法参数：种群规模N_pop＝150，邻域搜索代数N_ls＝15。
图5示出在采用改编的FT10实例的小规模实例下，带邻域结构的人工蜂群算法(ABC-NS)与不带邻域结构的人工蜂群算法(ABC)寻优性能曲线的对比示意图。
由图5可知，小规模实例采用改编的FT10实例(10工件、10机器、7订单)，小规模实例下ABC-NS比ABC寻优性能更加优异。成套订单调度问题，解个体的加权订单成套率其可能的取值比makespan小得多，且进化难度更大，需要满足订单工件的配套性，只有当某个订单成套时，适应度值将提升该订单的权值大小；其次订单的权值是随机生成的，当某个权值较大的订单成套时，种群的平均适应度值在运行过程中可能存在跳变的情况。
图6示出在采用改编的LA35实例的中等规模实例下，带邻域结构的人工蜂群算法(ABC-NS)与不带邻域结构的人工蜂群算法(ABC)寻优性能曲线的对比示意图。
由图6可知，中等规模实例采用改编的LA35实例(30工件、10机器、21订单)，ABC-NS比ABC寻优性能更加优异。具体而言，不带邻域结构的人工蜂群算法ABC在50代左右已经陷入停滞，而带邻域结构的人工蜂群算法ABC-NS则通过更长的时间搜索获得了更优解。
图7示出在采用改编的SWV17-easy实例的大规模实例下，带邻域结构的人工蜂群算法(ABC-NS)与不带邻域结构的人工蜂群算法(ABC)寻优性能曲线的对比示意图。
由图7可知，大规模实例采用改编的SWV17-easy实例(50工件、10机器、30订单)，大规模实例下ABC-NS比ABC寻优性能更加优异。但大规模实例下ABC-NS的运行时间比ABC长得多，因为邻域搜索需要花费大量时间。
为了验证加入邻域搜索过程后ABC-NS算法的性能，针对不同规模的成套订单调度问题测试实例进行仿真验证。选择人工蜂群算法(ABC)、原始的帝国竞争算法(ICA)算法、带邻域搜索的帝国竞争算法(ICA-NS)作为对比算法。ICA-NS和ICA的区别是在ICA每完成一次迭代后对最强帝国加入邻域搜索过程。对每一个仿真实例进行10次仿真，并对仿真结果进行以下指标的分析：最大加权订单成套率(Maximum Whole-Set Orders，Max)、最小加权订单成套率(Minimum Whole-Set Orders，Min)、平均加权订单成套率(Average Whole-SetOrders，Avg)、均方差(Standard Deviation，Std)。
n为总工件数，m为机器数，o表示订单数，仿真结果下表1所示：
表1四种算法在不同实例下的仿真结果对比
Figure BDA0002068942980000161
由表可以看出，当仿真实例规模较小时，四种算法都能找到最优解，但加入了邻域结构的ABC-NS和ICA-NS每次都能找到最优解，说明邻域结构可以改善在小规模实例下算法的稳定性。随着实例规模的扩大，加入了邻域结构的ABC-NS和ICA-NS总能比没有邻域结构的ABC和ICA得到更好的解，大部分实例下ABC-NS比ICA-NS的搜索结果更加稳定。虽然部分实例下(LA37、YN2、SWV17-easy)不加入邻域搜索的ABC和ICA的结果标准差较小，但解的质量和加入邻域结构相比较低。综上所述，ABC-NS和其他算法相比具有更好的性能和稳定性。由此可见本发明的算法和系统性能良好，可以为具有切换时间的作业车间的成套订单调度问题提供一种可行且有效的方案。
本发明的技术效果在于，针对具有切换时间的作业车间环境下的成套订单调度问题，考虑了实际生产环境中比较重要的因素——订单成套率，以最大化加权订单成套率为目标，提出一种混合整数规划模型。根据成套订单问题配套性的特点，设计了一种新的邻域结构，在人工蜂群算法的基础上加入邻域搜索构成带邻域结构的人工蜂群算法去求解具有切换时间的成套订单调度问题的数学模型。此外，还采用响应面分析法对算法参数进行整定，通过仿真实验验证了邻域结构的有效性。再者，通过和其他元启发式算法的仿真结果进行对比从而验证了算法的先进性和稳定性。相比于现有技术，本发明的调度方法可以使企业或工厂在给定资源以及约束的条件下，制定合理的生产策略，提高调度效率。
上文中，参照附图描述了本发明的具体实施方式。但是，本领域中的普通技术人员能够理解，在不偏离本发明的精神和范围的情况下，还可以对本发明的具体实施方式作各种变更和替换。这些变更和替换都落在本发明权利要求书所限定的范围内。

Claims (7)

1.一种具有切换时间的成套订单的调度方法，其特征在于，该调度方法包括以下步骤：
a)建立具有切换时间的成套订单调度问题的数学模型：
设定具有可分离序列相关切换时间的作业车间环境——n个待加工的工件要经历m台加工机器的加工，每个工件的加工顺序已经确定，每个工件在一个阶段只需在一台加工机器上加工即可；在任意时刻，每台加工机器最多加工一个工件，每个工件在某一时刻只能被一台加工机器加工；工件不存在优先级约束；任意工件的任意工序在加工前对应的加工机器都有一个固定的切换时间，
定义符号变量：
wh-订单h的权值；
-订单h内的第i个工件；
-工件的完工时间；
-工件的要求交货时间；
-订单h内的第i个工件的第j道工序；
O-总工序集
-工序的加工机器；
-工序的加工时间；
-工序的完工时间；
-工序和之间的切换时间，其中和为在同一台加工机器上相邻加工的工序；
优化目标表示为：
其中xh是决策变量，表示如下：
约束条件如下
h,o＝1,2,...,H；
i＝1,2,...,nh；p＝1,2,...,no；
其中，nh表示第h个订单中的工件数量，no表示第o个订单中的工件数量，表示第h个订单中第i个工件的工序数量，表示第o个订单中第p个工件的工序数量；
其中，和是同一工件的两道工序，和是同一台加工机器上相邻的前后加工的工序对，和是决策变量，表示如下：
上述关系式(1)是成套订单调度问题的目标函数即加权订单成套率，它与订单h的权值wh和订单成套系数xh有关；关系式(2)表示订单成套系数xh和订单内工件完工时间相关，若每个工件按时完工则该订单成套；约束关系式(3)是工件工序前后顺序约束，说明工件在某一时刻只能加工一道工序；约束关系式(4)是机器非堵塞约束，说明一台加工机器只能同时加工一道工序；及约束关系式(5)定义各符号的取值范围；
b)根据建立的上述数学模型，利用带邻域结构的人工蜂群算法进行计算：
步骤b1：输入工件数量、加工机器数量、工序数量以及每个工件在每道工序、每台加工机器上的加工时间；设置种群规模N_pop、邻域搜索代数N_ls、未改进代数上限limit；
步骤b2：依据编码方案，初始化种群；
步骤b3：采用半主动解码方式，对编码进行解码，得到个体的适应度值；
步骤b4：寻找并占领优质蜜源，与跟随蜂分享蜜源信息，设计特定的进化代数对雇佣蜂种群个体使用邻域搜索策略，其余代数采用雇佣蜂之间的交叉策略；
步骤b5：选择一个雇佣蜂并跟随所选择的雇佣蜂采蜜；
步骤b6：判断雇佣蜂的个体改进的次数；
步骤b7：当子代出现比当前雇佣蜂好的个体时，替换所述当前雇佣蜂个体；
步骤b8：若未达到终止条件，则返回步骤b4继续优化。
2.根据权利要求1所述的调度方法，其特征在于，上述步骤b2的编码方案采用基于工序的编码，所述作业车间环境包括n个工件、m台加工机器，一个可行解长度为n×m，该数字n代表工件号，每个数字出现m次，当前出现的次数代表当前数字所表示工件的对应工序。
3.根据权利要求2所述的调度方法，其特征在于，上述步骤b3的半主动解码方式中，普通作业车间针对一个解进行解码时，需要依次计算每道工序的开始和结束时间直到解码完成，且解码时需要考虑同机相邻工序间的切换时间，对一个解中的任意工序Oij，它的同机紧前工序MP[Oij]的结束时间与切换时间的和记为CMP+Tsetup，同件紧前工序JP[Oij]的结束时间记为CJP，则工序Oij的开始时间是
4.根据权利要求1所述的调度方法，其特征在于，上述步骤b4对应于雇佣蜂阶段，在所述雇佣蜂阶段中，针对雇佣蜂对应的解进行邻域搜索，其中的交叉策略是指：从总工件集中选择若干工件作为工件集Job_Set1，其余工件组成工件集Job_Set2，子代继承对应父代中属于Job_Set1的工件顺序，子代中Job_Set2的工件顺序继承自另一个父代。
5.根据权利要求4所述的调度方法，其特征在于，同一订单下的工件要满足准时性，当订单不满足成套性时，说明该订单内出现具有交货时间瓶颈的工件，工件交货时间瓶颈定义如下：
Bj＝max{Cj-dj,0}
其中，Cj是工件的完工时间，dj是工件的规定交货时间，未成套订单中出现瓶颈的工件可能是一个或者多个，邻域结构需要依次反复削减未按时完工工件的瓶颈，直到该订单满足成套性，
订单的选择顺序为未成套订单按照其权值wh从高到低依次选择；
订单内工件的选择顺序为，若存在交货时间瓶颈的工件，按照其交货时间瓶颈Bj从高到低，依次选择；若存在工件其瓶颈无法削减到0，则跳出该订单，进行下一个未成套订单的优化。
6.根据权利要求1所述的调度方法，其特征在于，上述步骤b5还包括：雇佣蜂的选择采用轮盘赌的方式：
其中，一个雇佣蜂个体对应着一个蜜源，即一个解，表示第i个雇佣蜂个体的适应度值并表示对应解的质量，Nemployed表示雇佣蜂群体的数量，选择雇佣蜂之后，跟随蜂和所选择的雇佣蜂进行交叉操作，贪婪选择较好的个体，当子代出现比当前雇佣蜂好的个体时予以替换当前雇佣蜂个体。
7.根据权利要求1所述的调度方法，其特征在于，上述步骤b6还包括：
在完成一轮雇佣蜂阶段操作后，对没有改进的雇佣蜂个体，其limit次数加1，当limit次数超过上限后，该雇佣蜂进入侦查蜂阶段。
CN201910430878.1A 2019-05-22 2019-05-22 一种具有切换时间的成套订单的调度方法 Active CN110135752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910430878.1A CN110135752B (zh) 2019-05-22 2019-05-22 一种具有切换时间的成套订单的调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910430878.1A CN110135752B (zh) 2019-05-22 2019-05-22 一种具有切换时间的成套订单的调度方法

Publications (2)

Publication Number Publication Date
CN110135752A CN110135752A (zh) 2019-08-16
CN110135752B true CN110135752B (zh) 2023-05-02

Family

ID=67572719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910430878.1A Active CN110135752B (zh) 2019-05-22 2019-05-22 一种具有切换时间的成套订单的调度方法

Country Status (1)

Country Link
CN (1) CN110135752B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111061871B (zh) * 2019-11-26 2022-02-22 广东奥博信息产业股份有限公司 一种政企服务文本倾向性分析方法
CN113011785B (zh) * 2021-04-21 2023-06-13 广东机电职业技术学院 基于自适应调整参数的多订单混合调度优化方法、介质
CN113569484A (zh) * 2021-07-30 2021-10-29 南京信息工程大学 基于改进人工蜂群算法的动态多目标柔性作业车间调度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609518A (zh) * 2008-06-17 2009-12-23 北京正辰科技发展有限责任公司 数字物流管理系统的决策支持子模块
JP2015020645A (ja) * 2013-07-22 2015-02-02 ヤマハ発動機株式会社 経路決定装置およびそれを備える自律移動体システム
CN108375902A (zh) * 2018-02-01 2018-08-07 西安工程大学 一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法
CN109102191A (zh) * 2018-08-15 2018-12-28 中国人民解放军海军航空大学 一种轮胎制造企业生产计划调度排产方法
CN109102221A (zh) * 2018-07-23 2018-12-28 华中科技大学 一种适用于磁性产品生产车间的粉料库存控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8271336B2 (en) * 1999-11-22 2012-09-18 Accenture Global Services Gmbh Increased visibility during order management in a network-based supply chain environment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609518A (zh) * 2008-06-17 2009-12-23 北京正辰科技发展有限责任公司 数字物流管理系统的决策支持子模块
JP2015020645A (ja) * 2013-07-22 2015-02-02 ヤマハ発動機株式会社 経路決定装置およびそれを備える自律移動体システム
CN108375902A (zh) * 2018-02-01 2018-08-07 西安工程大学 一种人工蜂群算法与模糊pid控制结合的双容水箱控制算法
CN109102221A (zh) * 2018-07-23 2018-12-28 华中科技大学 一种适用于磁性产品生产车间的粉料库存控制方法
CN109102191A (zh) * 2018-08-15 2018-12-28 中国人民解放军海军航空大学 一种轮胎制造企业生产计划调度排产方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Apply Hybrid-GSO to Solve Whole-set Orders Scheduling Problem with Setup Time;Yang, Xiaomei;《JOURNAL OF APPLIED SCIENCE AND ENGINEERING》;20170905;第20卷(第2期);271-276 *
Artificial bee colony algorithm for solving sequence-dependent disassembly line balancing problem;Kalayci, Can B.;《EXPERT SYSTEMS WITH APPLICATIONS》;20131215;第40卷(第18期);7231-7241 *
具有交货期约束带准备时间的平行机分批调度;马丁;《计算机集成制造系统》;20120131;第18卷(第1期);111-117 *
多工厂生产计划与调度优化模型与求解算法;苏生;《中国博士学位论文全文数据库经济与管理科学辑》;20081215(第12期);J152-62 *
工艺规划与车间调度集成优化研究;杨佩莉;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180615(第06期);C028-85 *
面向成套订单问题的工艺规划与排序的集成研究;周水银;《中国管理科学》;20060531(第5期);73-80 *

Also Published As

Publication number Publication date
CN110135752A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
CN110135752B (zh) 一种具有切换时间的成套订单的调度方法
CN105045243B (zh) 一种半导体生产线动态调度装置
Jia et al. A modified genetic algorithm for distributed scheduling problems
Zolfaghari et al. Comparative study of simulated annealing, genetic algorithms and tabu search for solving binary and comprehensive machine-grouping problems
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
CN112685138B (zh) 云环境下基于多种群混合智能优化的多工作流调度方法
CN105652791A (zh) 订单驱动的离散制造过程能耗优化方法
CN112561225B (zh) 一种基于标杆协同进化算法的柔性作业车间调度方法
CN113139710B (zh) 一种基于遗传算法的多资源并行任务高级计划排程方法
CN110909787A (zh) 基于聚类的进化算法进行多目标批调度优化的方法和系统
CN111798120A (zh) 基于改进人工蜂群算法的柔性作业车间调度方法
CN110516978A (zh) 一种电子产品调测生产线混流排产方法
CN105550825B (zh) 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法
CN115169799A (zh) 一种多目标柔性作业车间多重动态调度方法及系统
CN116466659A (zh) 一种基于深度强化学习的分布式装配流水车间调度方法
Wang et al. Application of hybrid artificial bee colony algorithm based on load balancing in aerospace composite material manufacturing
Zhou et al. A game-theory approach for job scheduling in networked manufacturing
Mahmoudinazlou et al. An improved hybrid ICA-SA metaheuristic for order acceptance and scheduling with time windows and sequence-dependent setup times
Jiang et al. A discrete animal migration algorithm for dual-resource constrained energy-saving flexible job shop scheduling problem
CN112148446B (zh) 一种用于多技能资源受限项目调度的进化策略方法
CN111652392B (zh) 一种面向废旧移动终端的低碳高效拆卸线平衡优化方法
CN107678411A (zh) 一种不相关并行机混合流水车间调度的建模方法
CN116757411A (zh) 一种面向航天复杂构件的双资源柔性作业车间调度方法
Chiang et al. Solving the FMS scheduling problem by critical ratio-based heuristics and the genetic algorithm
CN113505910B (zh) 一种含多路径有限连续输出库存的混合车间生产调度方法

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
GR01 Patent grant
GR01 Patent grant