CN110288185B - 一种分布式柔性流水线调度方法 - Google Patents

Abstract

本发明实施例提供一种分布式柔性流水线调度方法，包括：根据每个工件在每个加工阶段的加工开始日期、加工时间和工件交货日期，构建分布式柔性流水线调度模型；根据贪婪迭代搜索算法对所述分布式柔性流水线调度模型的调度问题进行迭代搜索求解，若迭代时间满足预设条件，得到所有工件的最优调度方案，以对分布式柔性流水线进行调度。本发明实施例通过建立分布式柔性流水线调度模型，并根据贪婪迭代搜索算法有效提高了搜索效率，实现分布式柔性流水线调度模型优化目标的快速计算，使算法能够在更短的时间内得到更好的调度方案，能够有效且高效地解决大规模分布式柔性流水线调度问题。

Description

一种分布式柔性流水线调度方法

技术领域

本发明涉及流水线的生产调度和智能优化技术领域，尤其涉及一种分布式柔性流水线调度方法。

背景技术

制造业是我国国民经济的主体，直接影响我国的综合国力。在全球化的趋势下，大量分散的制造企业通过跨地域合作形成分布式制造的生产模式。分布式制造通过企业间的资源共享，有效利用资源以快速响应市场需求的同时，降低生产成本和管理风险，而车间调度作为生产制造过程的管理决策核心，旨在提高生产效率，增强企业核心竞争力。

柔性流水线调度是传统流水线调度的拓展，在制造业中有着很重要的应用，如半导体加工、造纸业或纺织业等等。在柔性流水线的每个加工阶段均有多个并行机器可供选择，从而提高流水线的柔性，增强车间的生产加工能力。柔性流水线调度相比传统流水线调度，增加了机器选择的子问题；而分布式柔性流水线调度则是在分布式环境下的柔性流水线调度，在柔性流水线调度问题的基础上，还增加了工件在工厂的分配问题。因此，分布式柔性流水线调度问题更加复杂，求解难度更大，目前还没有有效且高效的方法解决分布式柔性流水线调度问题。

因此，现在亟需一种分布式柔性流水线调度方法来解决上述问题。

发明内容

针对现有技术存在的问题，本发明实施例提供一种分布式柔性流水线调度方法。

本发明实施例提供了一种分布式柔性流水线调度方法，包括：

根据每个工件在每个加工阶段的加工开始日期、加工时间和工件交货日期，构建分布式柔性流水线调度模型；

根据贪婪迭代搜索算法对所述分布式柔性流水线调度模型进行迭代搜索求解，若迭代时间满足预设条件，得到所有工件的最优调度方案，以对分布式柔性流水线进行调度。

本发明实施例提供的一种分布式柔性流水线调度方法，通过建立分布式柔性流水线调度模型，并根据贪婪迭代搜索算法有效提高了搜索效率，实现分布式柔性流水线调度模型优化目标的快速计算，使算法能够在更短的时间内得到更好的调度方案，能够有效且高效地解决大规模分布式柔性流水线调度问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的分布式柔性流水线调度方法的流程示意图；

图2为本发明实施例提供的分布式柔性流水线调度方法的调度甘特图；

图3为本发明实施例提供的贪婪迭代搜索算法的流程示意图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

分布式生产调度问题是指在分布式制造环境下的生产调度问题，它包含两个耦合的调度问题，即分布式工厂间和各工厂内的调度。在传统的单车间生产调度领域中，主要包括对单机调度、并行机调度、流水线调度、和作业车间调度等问题的理论和算法研究。目前，研究最多的分布式调度问题是分布式流水线调度问题，其他的分布式调度问题研究还包括分布式车间调度、分布式柔性车间调度、分布式流水装配线调度问题等。对于大规模的复杂调度问题，由于包含多个耦合的子问题，采用数学方法求解难度太大，很难在有限时间内得到最优解，而采用启发式规则方法求得的调度解质量无法得到保证。因此，设计有效的智能算法能够在有限时间内求得满意解，对于分布式柔性流水线调度的求解具有重要意义。

图1为本发明实施例提供的分布式柔性流水线调度方法的流程示意图，如图1所示，本发明实施例提供了一种分布式柔性流水线调度方法，包括：

步骤101，根据每个工件在每个加工阶段的加工开始日期、加工时间和工件交货日期，构建分布式柔性流水线调度模型；

在本发明实施例中，首先，针对分布式柔性流水线调度问题，根据每个工件在每个加工阶段的加工开始日期、加工时间和工件交货日期，建立混合整数线性规划模型，即构建分布式柔性流水线调度问题的数学模型，并通过建立基于分布式柔性流水线调度问题变量的约束条件，从而计算各工件的加工完成日期，进而计算出所有工件的总拖期，以此作为调度问题的优化目标，搜索最优调度解，对分布式柔性流水线进行调度。

步骤102，根据贪婪迭代搜索算法对所述分布式柔性流水线调度模型的调度问题进行迭代搜索求解，若迭代时间满足预设条件，得到所有工件的最优调度方案，以对分布式柔性流水线进行调度。

在本发明实施例中，根据分布式柔性流水线调度模型，通过启发式规则构造初始解，首先，将工件按照工件交货日期从小到大进行排序，并依次插入至工件串的最优位置，即将每个工件插入由其他工件组成的工件串的所有位置，例如，将工件A、B、C和D按照工件交货日期进行排序，排序后顺序为B，D，A，C，然后先安排工件B，将工件D分别插入工件B之前和工件B之后，选取插入后的两工件拖期和较小的位置，如B，D；再将工件A分别插入工件B之前，工件B和D之间以及工件D之后，选取插入后的三个工件拖期和较小的位置，如B，A，D；最后，将工件C分别插入序列中的四个位置，并计算每次插入后的总拖期，最终选择总拖期最小的方案，即所有工件插入完成之后，选取使得分布式柔性流水线调度模型中优化目标最优的位置，得到基于贪婪迭代搜索算法的初始解。

进一步地，通过对初始解的破坏和重组，实现全局搜索。通过多种局部搜索操作，实现贪婪迭代搜索算法的局部增强搜索。在本发明实施例中，定义在所有工厂中工件的拖期之和最大的工厂为关键工厂，通过关键工厂与其他工厂间的工件插入交换，以及关键工厂内的工件插入和交换，从而进行局部增强搜索。最后将当前解中总拖期最大的工件进行全插入操作，并选择最优位置进行插入，并将得到的新解与旧解进行比较，选择总拖期更小的解作为当前解进入下一代的搜索，并在每一次的迭代搜索过程中，保留搜索到的最优调度方案，当迭代搜索时间到达预设时间时，迭代搜索结束并输出搜索到的最优调度解，从而根据最优调度解对分布式柔性流水线进行调度。

本发明实施例提供的一种分布式柔性流水线调度方法，通过建立分布式柔性流水线调度模型，并根据贪婪迭代搜索算法有效提高了搜索效率，实现分布式柔性流水线调度模型优化目标的快速计算，使算法能够在更短的时间内得到更好的调度方案，能够有效且高效地解决大规模分布式柔性流水线调度问题。

在上述实施例的基础上，所述根据每个工件在每个加工阶段的加工开始日期、加工时间和工件交货日期，构建分布式柔性流水线调度模型，包括：

根据每个工件在每个加工阶段的加工开始日期、加工时间和工件交货日期，构建分布式柔性流水线调度模型的目标函数，所述目标函数公式为：

所述目标函数的约束条件为：

其中，TT表示所有工件的总拖期，ST_j,s表示第j个工件在第s工序阶段的加工开始日期，p_j,s表示第j个工件在第s工序阶段的加工时间，d_j表示工件j的交货日期，n表示总工件数为n个，F表示总工厂数为F个，s表示工序阶段总数为s个，x_f,j表示第j个工件分配到第f个工厂的情况，m_f,k表示第f个工厂的第k个工序阶段相同的加工机器数量，y_f,k,j,i表示第f个工厂的第j个工件在第k个工序阶段中的第i个加工机器的分配情况，z_f,k,j,j’和z_f,k,j’,j,分别表示第f个工厂的第k个工序阶段中的工件j和工件j’的排序情况，其中，z_f,k,j,j’表示工件j在工件j’前进行加工，z_f,k,j’,j,表示工件j’在工件j前进行加工，U表示一个正数。

在本发明实施例中，分布式柔性流水线调度模型的目标函数是所有工件的总拖期，将总拖期定义为在所有工件的加工完成日期不超过交货日期时为0，当所有工件的加工完成日期超过交货日期时为加工完成日期和交货日期的差，因此，分布式柔性流水线调度模型的系统性能指标为总拖期TT，在给定一个调度方案时，总拖期TT由公式(1)计算得到，即通过公式(1)获取调度方案的总拖期TT。

具体地，在本发明实施例中，所有工件被分配到F个工厂内进行加工，每个工厂均含有一个s个阶段的柔性流水线。所有工件一旦被分配到某一工厂后，该工件只能在此工厂内完成加工。每个工件均需要在某一工厂内按相同的顺序通过s个加工阶段，每个工厂内的每个加工阶段均有m_f,k个相同的加工机器，工件在每个阶段加工时可选择任一加工机器加工，其中，工件在每个阶段的加工时间为确定的，且在加工过程中不能被中断。在加工过程中，每台加工机器最多同时加工一个工件且每个工件最多在一台加工机器上加工。由于每个工件均有一个交货日期，当工件的加工完成日期迟于工件的交货日期时，则产生拖期。在本发明实施例中，分布式柔性流水线调度模型的决策变量为可行的调度方案，设置模型中有n个工件，F个工厂，每个工件需通过s个加工阶段，在第f个工厂中的第k个加工阶段有m_f,k个相同加工机器，第j个工件在第k个加工阶段的加工时间为p_j,k，交货日期为d_j。其中，变量x_f,j表示第j个工件分配到第f个工厂的情况，若第j个工件被分配到第f个工厂，则x_f,j＝1，否则x_f,j＝0；变量y_f,k,j,i表示第f个工厂的第j个工件在第k个工序阶段中的第i个加工机器的分配情况，若第f个工厂中的第j个工件在第k个加工阶段上被分配到第i个机器上，则y_f,k,j,i＝1，否则y_f,k,j,i＝0。变量z_f,k,j,j’表示工厂中每个阶段工件的排序情况，若第f个工厂中第k个加工阶段上，工件j在工件j’前加工，则z_f,k,j,j’＝1，否则z_f,k,j,j’＝0，U表示一个足够大的正数。通过上述对各决策变量的定义，设置分布式柔性流水线调度模型的约束条件，从而保证调度方案的可行性，其中，公式(2)确保每个工件仅被分配到某一车间；公式(3)确保每个工件通过s个加工阶段的加工，并在每个加工阶段都分配到一个确定的加工机器上；公式(4)-(6)确保在加工过程中，每台加工机器最多同时加工一个工件且每个工件最多在一台加工机器上进行加工；公式(7)保证所有工件在第一加工阶段的加工开始时间不小于0；公式(8)确保工件按顺序加工，符合流水车间的特点；公式式(9)-(11)定义了上述三类所需的0-1决策变量。图2为本发明实施例提供的分布式柔性流水线调度方法的调度甘特图，图2中所示是一个可行的调度方案，工件1、3和4分配到工厂1，工件2和5分配到工厂2，每个工件需进行2个阶段的加工操作，并且工厂1的第2阶段和工厂2的第1阶段均有2台相同的并行机(加工机器)。

在上述实施例的基础上，在所述根据贪婪迭代搜索算法对所述分布式柔性流水线调度模型的调度问题进行迭代搜索求解，若迭代时间满足预设条件，得到所有工件的最优调度方案，以对分布式柔性流水线进行调度之前，所述方法还包括：

将所述分布式柔性流水线调度模型中的工厂分配问题和初始加工阶段中工件加工排序问题通过编码进行表示，得到对应的编码解，以用于迭代搜索；

对所述编码解进行解码，得到备选调度方案。

在上述实施例的基础上，所述对所述编码解进行解码，得到备选调度方案，包括：

根据最早可用机器规则对每个阶段上工件的机器进行分配；

对初始加工阶段之后的工件进行排序，得到备选调度方案。

在本发明实施例中，通过有效的编解码方法减小问题的搜索空间，并将搜索得到的解转化为高质量的调度解。通过分布式柔性流水线调度模型可知，分布式柔性流水线调度问题的决策变量非常庞大，其中，变量x的个数为F×n，变量y的个数为F×s×n×m，变量z的个数为F×s×n²，则分布式柔性流水线调度模型的决策空间为O(2^F×s×n×n),由此可知，问题的解空间巨大，需要有效地编解码方法减少解空间，从而提高搜索效率。在本发明实施例中，通过F个工厂序列对问题编码，编码解通过Π＝{π¹,π²,…,π^F}表示，其中π^f表示第f个工厂在第一加工阶段的工件加工序列，为了保证编解码的可行性，每个工件仅能出现在F个序列中一次。例如，以5个工件，2个工厂进行说明，可行编码解可表示为Π＝{π¹,π²}＝{1,4,3；5,2}，其中，工件1，4和3依次在工厂1中的第一加工阶段被加工，工件5和工件2依次在工厂2中的第一加工阶段被加工。

进一步地，在本发明实施例中，除了考虑上述工件到工厂的分配问题和工件在第一加工阶段的排序问题，还需要考虑工件在每个加工阶段的加工机器分配问题以及在第一加工阶段之后的排序问题，以得到备选调度方案，在本发明实施例中，将每次得到的备选调度方案作为一个可实施的调度方案，通过后续步骤从多个备选调度方案中选择一个最优的作为最优调度方案。对于每个加工阶段上工件的加工机器分配问题，解码方法中采用最早可用机器(first available machine，简称FAM)规则，即工件在每个加工阶段中可以开始加工时，选择最早可以使用的加工机器，当有多个加工机器都空闲时，则随机选择一台加工机器。对于工件在第一加工阶段之后的排序问题，在本发明实施例中，通过以下步骤对工件在第k(k>1)阶段的进行排序：

步骤11，将第k-1加工阶段上工件的加工完成日期从小到大进行排序，并将工件标记为待加工的工件j；

步骤12，选择加工阶段k上最早可用机器为i，且加工机器i的加工结束时间为C_i，工件j在第k-1加工阶段完成日期，即释放日期为r_j，按序判断工件j是否满足max(r_j，C_i)+p_j,k≥d_j，若满足，则将工件j安排在加工机器i上加工；若所有工件j均不满足，则将交货日期最短的工件安排在加工机器i上加工；

步骤13，重复步骤12，直至所有工件均完成第k阶段的加工。

本发明实施例根据多个工件序列串对问题进行编码，并通过一种目标驱动的解码方法将编码解转化为调度方案，将问题分解为工件的工厂分配问题、工厂内每个加工阶段的工件排序和工件在加工机器上的分配问题。通过编码解决工件在各工厂的分配情况以及各工厂内工件在第一加工阶段的排序，解码则解决各工厂内的第二及后续加工阶段的工件排序以及各阶段工件在多个并行机上的分配问题，从而能够大大减小后续贪婪迭代算法的搜索空间，提高调度方案的性能。

在上述实施例基础上，图3为本发明实施例提供的贪婪迭代搜索算法的流程示意图，可参考图3所示，所述根据贪婪迭代搜索算法对所述分布式柔性流水线调度模型的调度问题进行迭代搜索求解，若迭代时间满足预设条件，得到所有工件的最优调度方案，以对分布式柔性流水线进行调度，包括：

步骤S1，基于所述分布式柔性流水线调度模型，根据启发式规则构建初始解；

步骤S2，将所述初始解进行破坏和重组处理，得到新解；

步骤S3，对所述新解进行局部增强搜索迭代处理，将得到的当前解和上一个解进行对比，若当前解优于上一个解，则用当前解替换上一个解，并重复步骤S2和步骤S3，直到满足预设条件，则得到所有工件的最优调度方案。

在本发明实施例中，首先通过启发式规则构造一个初始解，然后采用解的破坏和重组的方式产生新解，再通过对解的局部增强搜索得到局部最优解，最后采用贪婪机制选择较优解，并通过反复迭代产生新解，从而优化分布式柔性流水线调度问题的性能指标，最终得到高质量的调度解。具体地，在本发明实施例中，初始解通过以下步骤得到：

步骤21，将所有工件按照交货日期由小到大排序；

步骤22，按序将工件尝试插入所有位置，并根据分布式柔性流水线调度模型计算总拖期，选择使目标即总拖期最小的位置插入，若有多个位置使得总拖期都最小，则选择使得最后一个工件加工完成日期最小的位置插入；

步骤23，重复步骤22直到所有工件完成插入，得到初始解。

在得到初始解之后，通过对初始解的破坏和重组产生新解，并在之后的迭代过程中，对当前解进行相同的破坏和重组步骤，具体步骤如下：

步骤31，随机从当前解(初始解)Π^*中选取α(1<α<n)个工件，将这α个工件从Π^*中移除，并组成工件子序列

剩余的工件组成子序列

步骤32，将

中的工件按顺序插入

中的最佳位置，即尝试插入

中的所有位置，选取使得子序列

的总拖期最小的位置作为最佳位置；

步骤33，重复步骤32，直到

中的工件全部重新插入

中，成为新解

进一步地，对初始解的破坏和重组产生的新解

(记为x进行说明)进行局部增强搜索，定义在所有工厂中工件的拖期之和最大的工厂为关键工厂，并将拖期最大的工件记为关键工件，对解

的局部增强搜索具体步骤如下：

步骤41，随机选择解x的关键工厂中的一个工件，将其插入拖期之和最小的工厂中的一个随机位置，产生解x’；

步骤42，比较解x与x’的总拖期，若x’的总拖期更小，则用x’替代x并转至步骤41，否则，执行步骤43；

步骤43，随机选择解x的关键工厂中的一个工件和其他工厂的一个工件，交换两者的位置，产生解x”；

步骤44：比较解x与x”的总拖期，若x”的总拖期更小，则用x”替代x并转至步骤43，否则，执行步骤45；

步骤45，随机选择解x的关键工厂中的两个工件，将位置靠后的工件插入另一工件之前的位置，产生解x”’；

步骤46：比较解x与x”’的总拖期，若x”’的总拖期更小，则用x”’替代x并转至步骤45，否则，执行步骤47；

步骤47，随机选择解x的关键工厂中的两个工件，交换两者的位置，产生解x””；

步骤48，比较解x与x””的总拖期，若x””的总拖期更小，则用x””替代x并转至步骤47，否则，执行步骤49；

步骤49，对解x的关键工件重新选择最佳位置进行插入，即将此工件尝试插入工件序列中的所有位置，选择使新解的总拖期最小的位置，若有多个使总拖期最小的位置，则选择最小的最大加工完成日期的位置作为最佳位置。

步骤410，将最终产生的新解与旧解进行比较，若新解优于旧解，则替换旧解，否则保留旧解。

步骤411，将得到的新解作为当前解，反复迭代解的破坏和重组，以及解的局部增强搜索环节，直到贪婪迭代搜索算法的迭代时间到达设定的预设时间，则输出搜索到的最优调度解。

本发明实施例提出的贪婪迭代搜索算法，采用问题相关的搜索操作，有效提高搜索效率，并通过平衡全局搜索和局部搜索，加快算法的收敛，使算法能够在更短的时间内得到更好的调度方案，能够有效且高效地解决大规模分布式柔性流水线调度问题。

为了验证上述算法的有效性，通过仿真实验进行说明，在本发明实施例中，采用经典柔性流水线和分布式流水线调度问题的数据设定方法，工件数n设置为20,50和100，工件加工阶段数s设置为2,5和8，工厂数F设置为2,3,4,5和6。工件的加工时间服从区间为[1,99]的均匀分布，各工厂的各加工阶段上的并行机数量服从区间为[1,5]的均匀分布。此外，通过公式(12)：

得到各工件的交货日期d_j，其中u是区间[0,1]的均匀随机数，λ＝{0.5,1,2}是拖期因子，表示交货日期的松紧。其他仿真参数设置如下：在解的破坏和重组环节中，移除的工件数量α设置为3；算法的终止准则设为CPU运行时间为0.05×n×s秒。

在完成仿真参数的设置之后，需要验证本发明实施例的目标驱动的编解码方法、初始化方法以及局部增强搜索的三个环节的有效性，将本发明实施例提供的贪婪迭代搜索算法、初始化规则方法(算法1)、采用通用的解码方式的贪婪迭代方法(算法2)和无局部增强搜索的贪婪迭代方法(算法3)进行比较，并根据公式(13)：

计算每种算法的相对百分偏差(Relative Percentage Deviation，简称RPD)，从而评价各算法的优劣性，其中，TT_al表示特定算法所得解的总拖期，TT_max和TT_min分别表示四种算法中所得解的最大总拖期以及最小总拖期。表1为本发明实施例提供的四种算法的平均RPD值比较，如表1所示，

表1四种方法的平均RPD值比较

根据表1中的结果显示，本发明所提的贪婪迭代搜索算法明显优于其他常用方法，尤其在工件交货日期越紧，工厂数越小的情况下，本发明实施例提供的方法优势愈发明显。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (4)

1.一种分布式柔性流水线调度方法，其特征在于，包括：

根据每个工件在每个加工阶段的加工开始日期、加工时间和工件交货日期，构建分布式柔性流水线调度模型；

根据贪婪迭代搜索算法对所述分布式柔性流水线调度模型的调度问题进行迭代搜索求解，其中，所述贪婪迭代搜索算法包括预设的编解码方法，以及基于最大总拖期的关键工厂操作构建的局部增强搜索，若迭代时间满足预设条件，得到所有工件的最优调度方案，以对分布式柔性流水线进行调度；

所述根据每个工件在每个加工阶段的加工开始日期、加工时间和工件交货日期，构建分布式柔性流水线调度模型，包括：

确定每个工件在各工厂的分配、每个工件在各工厂各加工阶段各机器上的分配以及各工厂各加工阶段的每台机器上的工件顺序，计算每个工件在每个加工阶段的加工开始日期、加工时间和工件交货日期，以构建分布式柔性流水线调度模型的目标函数，所述目标函数公式为：

所述目标函数的约束条件为：

ST_j′，k-(ST_j，k+p_j，k)+U×(3-y_{f，k，j，i}-y_{f，k，j′，i}-z_{f，k，j，j′})≥0，

其中，TT表示所有工件的总拖期，ST_j,s表示第j个工件在第s工序阶段的加工开始日期，p_j,s表示第j个工件在第s工序阶段的加工时间，d_j表示工件j的交货日期，n表示总工件数为n个，F表示总工厂数为F个，s表示工序阶段总数为s个，x_f,j表示第j个工件分配到第f个工厂的情况，m_f,k表示第f个工厂的第k个工序阶段相同的加工机器数量，y_f,k,j,i表示第f个工厂的第j个工件在第k个工序阶段中的第i个加工机器的分配情况，z_f,k,j,j’和z_f,k,j’,j,分别表示第f个工厂的第k个工序阶段中的工件j和工件j’的排序情况，其中，z_f,k,j,j’表示工件j在工件j’前进行加工，z_f,k,j’,j,表示工件j’在工件j前进行加工，U表示一个正数。

2.根据权利要求1所述的分布式柔性流水线调度方法，其特征在于，在所述根据贪婪迭代搜索算法对所述分布式柔性流水线调度模型的调度问题进行迭代搜索求解，所述贪婪迭代搜索算法包括预设的编解码方法，以及基于最大总拖期的关键工厂操作构建的局部增强搜索，若迭代时间满足预设条件，得到所有工件的最优调度方案，以对分布式柔性流水线进行调度之前，所述方法还包括：

将所述分布式柔性流水线调度模型中的工厂分配问题和初始加工阶段中工件加工排序问题通过编码进行表示，得到对应的编码解，以用于迭代搜索；

对剩余工件在各加工阶段的机器分配问题，以及后续加工阶段的工件排序问题进行解码，得到备选调度方案。

3.根据权利要求2所述的分布式柔性流水线调度方法，其特征在于，所述对剩余工件在各加工阶段的机器分配问题，以及后续加工阶段的工件排序问题进行解码，得到备选调度方案，包括：

根据最早可用机器规则对每个阶段上工件的机器进行分配，

对初始加工阶段之后的工件进行排序，得到备选调度方案。

4.根据权利要求1所述的分布式柔性流水线调度方法，其特征在于，所述根据贪婪迭代搜索算法对所述分布式柔性流水线调度模型的调度问题进行迭代搜索求解，若迭代时间满足预设条件，得到所有工件的最优调度方案，以对分布式柔性流水线进行调度，包括：

S1，基于所述分布式柔性流水线调度模型，根据启发式规则构建初始解；

S2，将所述初始解进行破坏和重组处理，得到新解；

S3，对所述新解进行局部增强搜索迭代处理，将得到的当前解和上一个解进行对比，若当前解优于上一个解，则用当前解替换上一个解，并重复步骤S2和步骤S3，直到满足预设条件，则得到所有工件的最优调度方案。

Images