CN110298538A - 一种智能车间组合调度控制方法 - Google Patents
一种智能车间组合调度控制方法 Download PDFInfo
- Publication number
- CN110298538A CN110298538A CN201910428888.1A CN201910428888A CN110298538A CN 110298538 A CN110298538 A CN 110298538A CN 201910428888 A CN201910428888 A CN 201910428888A CN 110298538 A CN110298538 A CN 110298538A
- Authority
- CN
- China
- Prior art keywords
- individual
- rule
- combined
- scheduling rule
- collection
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 98
- 238000004519 manufacturing process Methods 0.000 claims abstract description 68
- 238000004088 simulation Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000013210 evaluation model Methods 0.000 claims abstract description 14
- 238000010353 genetic engineering Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 33
- 230000035772 mutation Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 239000000203 mixture Substances 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 5
- 230000000717 retained effect Effects 0.000 claims description 4
- 238000004886 process control Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008676 import Effects 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 abstract description 4
- 230000010429 evolutionary process Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 5
- 238000012384 transportation and delivery Methods 0.000 description 5
- 230000033228 biological regulation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 210000000481 breast Anatomy 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003053 immunization Effects 0.000 description 1
- 238000002649 immunization Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种智能车间组合调度控制方法，包括：采用树形的结构构成新的组合式调度规则，确定组合式调度规则的组成元素，包括终止符集和函数集；基于GP(Genetic Programming)算法对组合调度规则进行挖掘。对每一代的GP个体进行复制、交叉、变异等遗传操作，进行GP种群的进化过程；采用基于SBO(Simulation Based Optimization)的方式建立GP个体评价模型。运行GP个体评价模型，得到各个GP个体的适应度值。判断是否到达到进化终止条件，若是，则结束GP种群的进化，输出最后的GP个体，即最后挖掘得到的组合调度规则。若否，继续种群的进化。与现有技术相比，本发明具有在改善生产线的生产性能的同时满足随着生产线工况变化而实时进行调度的优点。
Description
技术领域
本发明涉及生产自动化调度技术领域，尤其是涉及一种智能车间组合调度控制方法。
背景技术
随着信息科技的迅速发展，制造业已经成为国民经济的支柱产业和全球高科技产业的主流。生产调度问题是制造业管理的核心内容，也是提高企业核心竞争力的关键。生产调度问题是对一项可分解的加工任务，在满足一定的约束条件下(例如工艺加工路线、资源、交货期等)，如何为每一道工序分配最合适的机器以及确定每个加工机器组前所有待加工任务的加工次序，以优化生产线的生产率、平均加工周期、交货率等性能指标。由于智能车间复杂性程度高、动态不确定明显又对调度的实时性要求高，所以对于智能车间生产调度问题，通常要求调度算法的求解速度较快，效率较高，并且能满足车间中随工况变化而实时进行调度的要求。
部分研究人员将智能群体优化算法运用到制造系统生产调度中搜索某一时刻的调度最优解，以此指导实际制造系统生产制造。在中国专利“应用于多重入复杂制造系统的调度方法”(公开号：CN101604409)中，曹政才等提出一种基于免疫遗传算法的多重入复杂制造系统的调度方法，该方法以调度规则为主线，对多种不同的调度规则按照一定的方式进行编码，考虑工件的准时交货率、产量和平均加工周期等多个性能指标，构造适应度函数，利用免疫方法进行全局搜索来获得调度最优解，但是该方法求解速度过慢，难以满足生产调度的实时性要求。
还有部分研究人员将启发式调度规则作为调度策略集，根据生产线状态动态地进行调度策略选择。在中国专利“一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法”，(授权号CN105843189A)中，曹政才等提出一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法，该方法采用选择性聚类集成算法对模型中的设备进行重要程度划分，以此简化仿真模型并采用一种闭环修正结构保证简化模型的精确度，从而完成在某一调度时刻下，利用简化的仿真模型对调度规则集中调度规则进行快速评价，获得以准时交货率和产出量为调度目标的最优调度规则。在中国专利“一种半导体生产线动态调度策略自动选择方法”(授权号CN103217960A)中，马玉敏等提出一种半导体生产线动态调度策略自动选择方法，该方法以常用的启发式调度规则作为调度策略集，通过仿真获取不同调度策略下的生产线各项性能指标值，并建立样本集，采用分类算法对训练样本集进行离线训练得到调度决策模型，在线应用中，将实际生产线当前生产状态输入该模型，可得到对应最优的调度策略。以上调度方法都采用简单启发式规则作为调度策略集，调度规则具有易于实现、时间复杂度较低以及针对动态变化能及时做出反应的优点，非常适于求解智能车间这种高度复杂的动态环境下的调度问题，但是简单调度规则只利用了有限的生产调度过程信息，无法全面的描述生产调度过程的状态，其优化性能往往较差。
对于智能车间调度问题，上述传统的优化方法往往难以在生产性能和调度实时性上同时达到要求，智能优化算法对性能指标优化效果好，但由于算法求解的时间成本较高而不能满足实时性需求。而调度规则易于实现、具有较低时间复杂度以及拥有针对动态变化及时做出反应的能力，但是传统的简单调度规则往往只利用了有限的生产调度过程信息，无法全面的描述生产调度过程的状态，因此其优化性能往往较差。因此如何挖掘具有优异调度性能的组合调度规则是需要研究的问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种智能车间组合调度控制方法，既能改善生产线的生产性能，又能满足随着生产线工况变化而实时进行调度的要求。
本发明的目的可以通过以下技术方案来实现：
一种智能车间组合调度控制方法，包括以下步骤：
步骤1：采用树形结构组成包括终止符集和函数集的组合式调度规则；
步骤2：基于GP(Genetic Programming)算法对组合式调度规则进行挖掘并获得经过遗传操作的GP个体；
步骤3：将经过遗传操作的GP个体输入至基于仿真优化方式SBO(SimulationBased Optimization)建立的GP个体评价模型并获得各个GP个体的适应度值；
步骤4：判断是否达到进化终止条件，若是则结束GP种群进化并输入最后的GP个体，若否则返回步骤2继续种群进化；
步骤5：根据获得的最后的GP个体及对应的挖掘得到的组合调度结果调度控制车间运行。
进一步地，所述步骤1中的组合式调度规则为采用二叉树形式构成的组合式调度规则，所述步骤1中的终止符集为构成组合式调度规则的二叉树的叶子节点，其包括经过归一化处理后的简单启发式调度规则，所述步骤1中的函数集为构成组合式调度规则的二叉树的非叶子节点，其包括加、减、乘、除、正切、正弦、余弦、最大和最小操作函数。
进一步地，所述经过归一化处理后的简单启发式调度规则，其计算公式为：
式中，pr,i为经过归一化处理后的简单启发式调度规则，即归一化后，由简单调度规则r确定的工件i的优先级，ki为工件i的属性k的值，kmax和kmin分别为待排序工件中由简单调度规则r确定的工件属性k的最大值和最小值。
进一步地，所述步骤2包括以下分步骤：
步骤21：采用生长法与完全法相结合的方式完成初始种群的生成，即一半的初始种群个体用完全法产生，另一半的初始个体用生长法产生；
步骤22：将生成的种群输入至所述GP个体评价模型中获取适应度值；
步骤23：对获取的适应度值进行排序，判断是否达到终止条件，若是则进化终止并输出最后的GP个体，若否则转至步骤24；
步骤24：对最优个体进行保留并复制；
步骤25：对复制的每一对最优个体，若产生一个随机数小于交叉概率，则对该对最优个体进行交叉操作，若否则不进行交叉；
步骤26：对复制的每一个最优个体，若产生一个随机数小于变异概率，则对该个个体进行变异操作，若否则不进行变异并最终得到新的种群，转回步骤22。
进一步地，所述步骤21中的生长法的生成过程具体包括：除了最大深度的其他节点均从所述函数集和所述终止符集中任意选择，即允许在任意层选择所述终止符集，最大深处的节点从所述终止符集中随机选择。
进一步地，所述步骤21中的完全法的生成过程具体包括：确定所有的叶子节点的深度等于给定的最大深度，即只有达到最大深度处的节点是在所述终止符集中随机选择，其余的未达到最大深度处的节点均在所述函数集中随机选择。
进一步地，所述步骤25中的交叉操作具体包括：在实行交叉操作的两个父代中随机选取某个节点作为交叉点，交换以交叉点为根节点的子树，由此得到两个子代。
进一步地，所述步骤26中的变异操作具体包括：在实行变异操作的个体中随机选择除根节点之外的节点作为变异点，删除以变异点为根节点的子树，然后在变异点随机生成新的子树，新的子树的深度不能超过最大深度限制。
进一步地，所述步骤3中基于仿真优化方式建立的GP个体评价模型的建立过程包括以下步骤
步骤31：根据实际生产线的物理特征和控制特征构建仿真模型；
步骤32：将步骤2中生成的经过遗传操作的GP个体解码成相应的组合式调度规则并进一步将该调度模型中的解码模块添加至所述仿真模型中；
步骤33：运行多个实际生产线对应的所述仿真模型，初始化所述仿真模型生产状态后通过分别将每个模型的调度规则设置为解码后的组合式调度规则并运行一个调度周期以获得在同一生产状态下生成的各个调度规则对应的性能指标，即关于GP个体的适应度值；
步骤34：将每个所述仿真模型得到的关于GP个体的适应度值输入并组成数据库，其对应于基于仿真优化方式建立的GP个体评价模型。
进一步地，所述步骤31中的仿真模型为基于实际生产线建立的离散事件的仿真模型，其包括数据模块和仿真模块，其中，所述数据模块中包括工艺流程信息、产品信息、客户优先级信息、设备菜单禁用信息、设备维护信息、设备状态信息和在制品信息，所述仿真模块，用于通过所述数据模块提供的数据进行建模，以实现对整个生产线加工逻辑关系以及事件控制过程的描述，其包括数据导入模块、初始化模块、流程控制模块、调度规则模块和数据统计输出模块。
与现有技术相比，本发明具有以下优点：
1.本发明将SBO方法与GP算法进行有效结合，可以根据不同的生产线、不同的调度目标挖掘出在这一调度目标下的适合该生产线的组合调度规则。
2.本发明采用SBO方法对组合调度规则进行评价，可以更大程度上还原实际生产线的信息，避免采用一般的数学规划或智能优化方法求解时，为了方便建模而对一些环境特性进行简化或忽略，从而导致对实际生产车间的建模不准确。另一方面采用多个仿真模型同时运行，缩短了对GP种群的评价时间，从而缩短了GP种群的进化时间。
3.本发明在确定调度规则终止集时，对简单启发式规则进行归一化处理，避免在对这些简单启发式规则进行函数操作时因为生成没有意义的规则从而影响进化的速度。
4.本发明采用GP算法对组合调度规则进行挖掘，因为GP算法的个体采用树形的结构，而且长度不定，从而使得个体结构具有多样性，更有益于进化生成具有优异性能的个体。
5.本发明采用简单启发式规则作为组合调度规则的终止符集，使得生成的组合调度规则具有简单启发式规则的优点——具有较低时间复杂度以及拥有针对动态变化及时做出反应的能力，又具有优异的调度性能。
附图说明
图1为本发明的智能车间组合调度规则挖掘方法的原理图；
图2为基于GP算法挖掘组合调度规则的设计流程图；
图3为完全法生成调度规则树的结构原理图；
图4为生长法生成调度规则树的结构原理图；
图5为本发明交叉算子的原理图；
图6为本发明变异算子的原理图；
图7为本发明解码模块的逻辑控制局部结构图；
图8为MiniFab生产线工艺流程图；
图9为不同调度规则下平均加工周期性能对比图；
图10为不同调度规则的平均加工周期性能指标的平均值对比图。
具体实施方式
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的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
如附图1所示，一种智能车间组合调度规则挖掘方法，包括以下步骤：
1)采用树形的结构构成新的组合式调度规则，确定组合式调度规则的组成元素，包括终止符集和函数集。所述的树形结构构成的新组合式调度规则是指以二叉树的形式构成的调度规则。所述的终止符集是指构成调度规则的二叉树的叶子结点。对简单启发式规则进行归一化处理，将归一化的简单启发式规则作为终止符集。所述的函数集是指构成调度规则的二叉树的非叶子节点。包括加、减、乘、除、正切、正弦、余弦、最大、最小函数等基本的操作函数。对简单启发式规则进行归一化处理过程如下：
式中，pr,i为经过归一化处理后的简单启发式调度规则，即归一化后，由简单调度规则r确定的工件i的优先级，ki为工件i的属性k的值，kmax和kmin分别为待排序工件中由简单调度规则r确定的工件属性k的最大值和最小值。
以最短剩余加工时间SRPT规则为例,归一化后的最短剩余加工时间SRPT_P为：
其中，RPTmax、RPTmin分别是待排序工件中剩余加工时间的最大值和最小值；RPTi：工件i的剩余加工时间；pSRPT,i：归一化后，由简单调度规则SRPT确定的工件i的优先级；
2)基于GP算法对组合调度规则进行挖掘。对每一代的GP个体进行复制、交叉、变异等遗传操作，然后将这些经过遗传操作的GP个体输入到步骤3)，进行GP个体的评价。附图2为GP算法设计流程图。
基于GP算法对组合调度规则进行挖掘的具体过程为：
21)采用生长法与完全法相结合的方式完成初始种群的生成，即一半的初始种群个体用完全法产生，另一半的初始个体用生长法产生。所述的生长法的生成方式是除了最大深度的其他节点都可以从函数集和终止符集中任意选择，即允许在任意层选择终止符集，最大深处的节点从终止符集中随机选择。附图3为完全法生成的树的结构。所述的完全法的生成方式是保证所有的叶子节点的深度等于给定的最大深度，所以只有达到最深处的节点是在终止符集中随机选择，其余的非最深处节点要在函数集中随机选择。附图4为生长法生成的树的结构。
22)将生成的种群输入到步骤3)，进行GP个体的适应度值评价。
23)对适应度值进行排序，判断是否达到终止条件，若是，则进化终止，输出最后的GP个体，即最后挖掘得到的组合调度规则。若否，则转到步骤24)
24)采用精英保留策略对最优个体进行保留，复制这些最优个体。
25)对复制的每一对个体，若产生一个随机数小于交叉概率，则对个体进行交叉操作。否，则不进行交叉。所述的交叉是指在实行交叉操作的两个父代中随机选取某个节点作为交叉点，交换以交叉点为根节点的子树，由此得到两个子代。附图5为交叉操作的过程。
26)对复制的每一个个体，若产生一个随机数小于变异概率，则对个体进行变异操作。否，则不进行变异。得到新的种群，转到步骤22)。所述的变异是指在实行变异操作的个体中随机选择除根节点之外的节点作为变异点，删除掉以变异点为根节点的子树，然后在变异点随机生成新的子树，新的子树的深度不能超过最大深度限制。附图6为变异操作的过程。
3)采用基于SBO的方式建立GP个体评价模型。运行GP个体评价模型，得到各个GP个体的适应度值。判断是否到达到进化终止条件，若是，则结束GP种群的进化，输出最后的GP个体，即最后挖掘得到的组合调度规则。若否，则返回步骤2)，继续种群的进化。
所述的基于SBO的方式建立GP个体评价模型包括：
31)根据实际生产线的物理特征和控制特征构建仿真模型；所述的生产线仿真模型是指根据实际生产线建立的离散事件仿真模型，它包括数据模块设计和仿真模块设计两个方面。其中，数据模块包括工艺流程信息、产品信息、客户优先级信息、客户订单信息、设备维护信息、设备状态信息、在制品信息等。仿真模块主要通过数据模块提供的数据进行建模，用来实现对整个生产线加工逻辑关系的描述以及事件控制过程。仿真模块包括数据导入模块、初始化模块、流程控制模块、调度规则模块、数据统计输出模块等。
32)采用中序遍历的方式将步骤2)生成的GP个体解码成相应的组合调度规则，将组合调度规则解码模块加入到仿真模型中；附图7为仿真模型的解码模块逻辑控制局部结构图。
33)运行多个生产线仿真模型，向每个仿真模型输入同一条生产线状态数据，初始化仿真模型生产状态，通过分别将每个模型的调度规则设置为步骤32)的组合调度规则，运行模型一个调度周期，得到在同一生产状态下生成的各个调度规则对应的性能指标。
34)将每个仿真模型得到的关于GP个体的适应度值输入到数据库中，通过数据库完成与步骤2)之间的数据交互。
以Minifab模型为例，说明上述方法的有效性。Minifab模型是Kempf博士根据Intel公司的半导体生产线提炼出来的模型。它由3个加工区、5台设备组成，共有6个加工工序，如附图8所示。其中Ma、Mb为扩散设备，用于加工工件的第1道和第5道工序，为多卡批量并行加工设备，最大加工批量为4卡，并且只有工序相同的工件才能同时加工，两台设备可以互换。Mc、Md为离子注入设备，用于加工工件的第2道和第4道工序，为单卡加工设备，两台设备可以互换。Me为光刻设备，用于加工工件的第3道和第6道工序，为单卡加工设备。本实施例以上述Minifab模型为实施对象进行详细说明。
具体实施过程如下：
步骤1：采用树形的结构构成新的组合式调度规则，确定组合式调度规则的组成元素，包括终止符集和函数集。本实施例对于终止符集和函数集的选用如下：
1)终止符集：选用经过归一化处理之后的简单启发式规则EDD_P(最早交货期规则)、SRPT_P(最短剩余加工时间规则)、CR_P(最小临界值规则)、FSVCT_P(制造周期方差波动平滑规则)作为组合调度规则的终止符集
2)函数集:选用加、减、乘、除这4个基本的操作符以及一些规则中常见的最大、最小函数，其中除法操作采用保护性除法，当除数为0时返回1，其他情况返回正常的商。
步骤2：基于GP算法对组合调度规则进行挖掘。通过种群的不断进化，得到最终挖掘得到的组合调度规则，概括为以下6步：
1)将种群的规模设置为100，将初始生成个体的最大深度设置为3，采用生长法与完全法相结合的方式完成初始种群的生成。
2)将生成的种群输入到步骤3，进行GP个体的适应度值评价。
3)对从步骤3得到的种群的适应度值进行排序，将遗传终止条件设为遗传代数达到200，判断是否达到终止条件，若是，则进化终止，输出最后的GP个体，即最后挖掘得到的组合调度规则。若否，则转到步骤4)。
4)采用精英保留策略对最优个体进行保留，将精英保留策略的个数设为3，复制这些最优个体。
5)将交叉概率设为0.3，对复制的每一对个体，若产生一个随机数小于交叉概率，则对个体进行交叉操作。否，则不进行交叉,
6)将变异概率设为0.05，对复制的每一个个体，若产生一个随机数小于变异概率，则对个体进行变异操作。否，则不进行变异。得到新的种群，转到步骤2)。
步骤3：采用基于SBO的方式建立GP个体评价模型，概括为以下3步：
1)根据Minifab模型的工艺流程信息、加工设备信息、设备菜单禁用信息、产品信息、加工菜单信息、客户优先级信息、加工设备维护信息、加工设备状态信息、在制品信息等数据建立仿真模型，实现对整个生产线加工逻辑关系的描述以及事件控制过程。
2)采用中序遍历的方式将步骤2生成的GP个体解码成相应的组合调度规则，将组合调度规则解码模块加入到仿真模型中；解码模块包括对加、减、乘、除、最大、最小函数的解码。
3)本例设置Minifab模型每次仿真时间为30天，设置生产线上生产3种产品，以固定间隔投料方式进行投料，每种产品的投料数在[10,20]之间随机分布，以平均加工周期(Mean Cycle Time，MCT)最短为目标对GP个体的适应度值评价。运行多个生产线仿真模型，向每个仿真模型输入同一条生产线状态数据，初始化仿真模型生产状态，通过分别将每个模型的调度规则设置为步骤2)得到的组合调度规则，运行模型一个调度周期，得到在同一生产状态下生成的各个调度规则对应的平均加工周期性能指标
4)将每个仿真模型得到的关于GP个体的适应度值输入到数据库中，通过数据库完成与步骤2之间的数据交互。
本例按照以上实施步骤，最后挖掘得到3个优异的组合调度规则：
Rule_GP1:2EDD_P-SRPT_P；
Rule_GP2:EDD_P-SRPT_P/(EDD_P+SRPT_P)；
Rule_GP3:max{EDD_P,CR_P}+EDD_P–SRPT_P；
附图9绘制了在20种不同初始生产状态下，设置生产线上生产3种产品，以固定间隔投料方式进行投料，每种产品的投料数在[10,20]之间随机分布，在MiniFab仿真模型上遍历这7种调度规则(3种GP生成的规则+4种候选基本规则)，记录30天后采用不同的调度规则所产生的平均加工周期的性能。由图可知在20种不同的初始生产状态下，以平均加工周期最短为调度目标，由GP算法生成的调度规则要比候选的单一规则，整体表现性能要好。附图10给出了这20条样本在不同调度策略下的平均加工周期指标的平均值，由图可以看出，Rule_GP1规则在30天之后平均加工周期指标的平均值为73.53，Rule_GP2规则在30天之后平均加工周期指标的平均值为73.53，Rule_GP3规则在30天之后平均加工周期指标的平均值为73.98，SRPT规则在30天之后平均加工周期指标的平均值为109.57，CR规则在在30天之后平均加工周期指标的平均值为134.84，EDD规则在30天之后平均加工周期指标的平均值为158.29，FSVCT规则在30天之后平均加工周期指标的平均值为177.11，Rule_GP1规则比SRPT规则性能提高33％，比CR规则性能提高45％，比EDD规则性能提高54％，比FSVCT规则性能提高58％，由此可以看出由GP算法生成的几个规则对于平均加工周期指标的平均值明显好于候选的简单启发式调度规则且由GP生成的这几个调度规则之间的性能差异不明显。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种智能车间组合调度控制方法，其特征在于，包括以下步骤：
步骤1：采用树形结构组成包括终止符集和函数集的组合式调度规则；
步骤2：基于GP算法对组合式调度规则进行挖掘并获得经过遗传操作的GP个体；
步骤3：将经过遗传操作的GP个体输入至基于仿真优化方式建立的GP个体评价模型并获得各个GP个体的适应度值；
步骤4：判断是否达到进化终止条件，若是则结束GP种群进化并输入最后的GP个体，若否则返回步骤2继续种群进化；
步骤5：根据获得的最后的GP个体及对应的挖掘得到的组合调度结果调度控制车间运行。
2.根据权利要求1所述的一种智能车间组合调度控制方法，其特征在于，所述步骤1中的组合式调度规则为采用二叉树形式构成的组合式调度规则，所述步骤1中的终止符集为构成组合式调度规则的二叉树的叶子节点，其包括经过归一化处理后的简单启发式调度规则，所述步骤1中的函数集为构成组合式调度规则的二叉树的非叶子节点，其包括加、减、乘、除、正切、正弦、余弦、最大和最小操作函数。
3.根据权利要求2所述的一种智能车间组合调度控制方法，其特征在于，所述经过归一化处理后的简单启发式调度规则，其计算公式为：
式中，pr,i为经过归一化处理后的简单启发式调度规则，即归一化后，由简单调度规则r确定的工件i的优先级，ki为工件i的属性k的值，kmax和kmin分别为待排序工件中由简单调度规则r确定的工件属性k的最大值和最小值。
4.根据权利要求1所述的一种智能车间组合调度控制方法，其特征在于，所述步骤2包括以下分步骤：
步骤21：采用生长法与完全法相结合的方式完成初始种群的生成，即一半的初始种群个体用完全法产生，另一半的初始个体用生长法产生；
步骤22：将生成的种群输入至所述GP个体评价模型中获取适应度值；
步骤23：对获取的适应度值进行排序，判断是否达到终止条件，若是则进化终止并输出最后的GP个体，若否则转至步骤24；
步骤24：对最优个体进行保留并复制；
步骤25：对复制的每一对最优个体，若产生一个随机数小于交叉概率，则对该对最优个体进行交叉操作，若否则不进行交叉；
步骤26：对复制的每一个最优个体，若产生一个随机数小于变异概率，则对该个个体进行变异操作，若否则不进行变异并最终得到新的种群，转回步骤22。
5.根据权利要求4所述的一种智能车间组合调度控制方法，其特征在于，所述步骤21中的生长法的生成过程具体包括：除了最大深度的其他节点均从所述函数集和所述终止符集中任意选择，即允许在任意层选择所述终止符集，最大深处的节点从所述终止符集中随机选择。
6.根据权利要求4所述的一种智能车间组合调度控制方法，其特征在于，所述步骤21中的完全法的生成过程具体包括：确定所有的叶子节点的深度等于给定的最大深度，即只有达到最大深度处的节点是在所述终止符集中随机选择，其余的未达到最大深度处的节点均在所述函数集中随机选择。
7.根据权利要求4所述的一种智能车间组合调度控制方法，其特征在于，所述步骤25中的交叉操作具体包括：在实行交叉操作的两个父代中随机选取某个节点作为交叉点，交换以交叉点为根节点的子树，由此得到两个子代。
8.根据权利要求4所述的一种智能车间组合调度控制方法，其特征在于，所述步骤26中的变异操作具体包括：在实行变异操作的个体中随机选择除根节点之外的节点作为变异点，删除以变异点为根节点的子树，然后在变异点随机生成新的子树，新的子树的深度不能超过最大深度限制。
9.根据权利要求1所述的一种智能车间组合调度控制方法，其特征在于，所述步骤3中基于仿真优化方式建立的GP个体评价模型的建立过程包括以下步骤
步骤31：根据实际生产线的物理特征和控制特征构建仿真模型；
步骤32：将步骤2中生成的经过遗传操作的GP个体解码成相应的组合式调度规则并进一步将该调度模型中的解码模块添加至所述仿真模型中；
步骤33：运行多个实际生产线对应的所述仿真模型，初始化所述仿真模型生产状态后通过分别将每个模型的调度规则设置为解码后的组合式调度规则并运行一个调度周期以获得在同一生产状态下生成的各个调度规则对应的性能指标，即关于GP个体的适应度值；
步骤34：将每个所述仿真模型得到的关于GP个体的适应度值输入并组成数据库，其对应于基于仿真优化方式建立的GP个体评价模型。
10.根据权利要求9所述的一种智能车间组合调度控制方法，其特征在于，所述步骤31中的仿真模型为基于实际生产线建立的离散事件的仿真模型，其包括数据模块和仿真模块，其中，所述数据模块中包括工艺流程信息、产品信息、客户优先级信息、设备菜单禁用信息、设备维护信息、设备状态信息和在制品信息，所述仿真模块，用于通过所述数据模块提供的数据进行建模，以实现对整个生产线加工逻辑关系以及事件控制过程的描述，其包括数据导入模块、初始化模块、流程控制模块、调度规则模块和数据统计输出模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428888.1A CN110298538B (zh) | 2019-05-22 | 2019-05-22 | 一种智能车间组合调度控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910428888.1A CN110298538B (zh) | 2019-05-22 | 2019-05-22 | 一种智能车间组合调度控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110298538A true CN110298538A (zh) | 2019-10-01 |
| CN110298538B CN110298538B (zh) | 2023-06-06 |
Family
ID=68027145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910428888.1A Active CN110298538B (zh) | 2019-05-22 | 2019-05-22 | 一种智能车间组合调度控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298538B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738413A (zh) * | 2019-10-15 | 2020-01-31 | 中国航空制造技术研究院 | 航空零件加工自动化生产线的多约束排产计算方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901425A (zh) * | 2010-07-15 | 2010-12-01 | 华中科技大学 | 一种基于多种群协同进化的柔性作业车间调度方法 |
| CN103809506A (zh) * | 2014-01-26 | 2014-05-21 | 西安理工大学 | 基于一维粒子群算法获得零件加工最优调度方案的方法 |
| CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
| CN106250583A (zh) * | 2016-07-15 | 2016-12-21 | 西安电子科技大学 | 基于双种群基因表达式编程的动态车间调度规则优化方法 |
-
2019
- 2019-05-22 CN CN201910428888.1A patent/CN110298538B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901425A (zh) * | 2010-07-15 | 2010-12-01 | 华中科技大学 | 一种基于多种群协同进化的柔性作业车间调度方法 |
| CN103809506A (zh) * | 2014-01-26 | 2014-05-21 | 西安理工大学 | 基于一维粒子群算法获得零件加工最优调度方案的方法 |
| CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
| CN106250583A (zh) * | 2016-07-15 | 2016-12-21 | 西安电子科技大学 | 基于双种群基因表达式编程的动态车间调度规则优化方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110738413A (zh) * | 2019-10-15 | 2020-01-31 | 中国航空制造技术研究院 | 航空零件加工自动化生产线的多约束排产计算方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110298538B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105045243B (zh) | 一种半导体生产线动态调度装置 | |
| Neri et al. | Memetic algorithms and memetic computing optimization: A literature review | |
| Coello | An updated survey of GA-based multiobjective optimization techniques | |
| Chang et al. | Optimizing the reservoir operating rule curves by genetic algorithms | |
| CN107977740A (zh) | 一种现场运维智能调度方法 | |
| CN109492774A (zh) | 一种基于深度学习的云资源调度方法 | |
| CN103440521B (zh) | 一种适用于配电网的编码和遗传算法及在配网重构中的应用 | |
| CN101630380A (zh) | 基于多种群进化机制的作业车间调度方法 | |
| CN107451747A (zh) | 基于自适应非支配遗传算法的车间调度系统及其工作方法 | |
| Drake et al. | Genetic algorithms in economics and finance: Forecasting stock market prices and foreign exchange—A review | |
| CN110221585A (zh) | 一种用于混合流水车间考虑设备维护的节能调度控制方法 | |
| CN110516978A (zh) | 一种电子产品调测生产线混流排产方法 | |
| CN101706883B (zh) | 数据挖掘方法和装置 | |
| CN107544251A (zh) | 一种基于分布式鲁棒模型的最小化总拖期的单机调度方法 | |
| Jin et al. | A multi-objective memetic algorithm for integrated process planning and scheduling | |
| Sajadi et al. | A new fuzzy multi-objective multi-mode resource-constrained project scheduling model | |
| Simpson et al. | Pipeline optimization via genetic algorithms: From theory to practice | |
| CN110390491A (zh) | 一种公路工程多目标施工计划确定方法 | |
| CN109034403A (zh) | 一种城市轨道交通设备维管系统 | |
| CN110298538A (zh) | 一种智能车间组合调度控制方法 | |
| Moilanen | Simulated evolutionary optimization and local search: Introduction and application to tree search | |
| CN109102203A (zh) | 一种基于多串染色体遗传算法的目标分配优化方法 | |
| Pringles et al. | Optimal transmission expansion planning using mean-variance mapping optimization | |
| CN111861397A (zh) | 一种针对客户探访的智能排班平台 | |
| Xu et al. | Genetic Programming for Dynamic Flexible Job Shop Scheduling: Evolution With Single Individuals and Ensembles |
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 |