CN110363402A - 一种基于分组策略的工厂人员调度方法 - Google Patents
一种基于分组策略的工厂人员调度方法 Download PDFInfo
- Publication number
- CN110363402A CN110363402A CN201910563466.5A CN201910563466A CN110363402A CN 110363402 A CN110363402 A CN 110363402A CN 201910563466 A CN201910563466 A CN 201910563466A CN 110363402 A CN110363402 A CN 110363402A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- equipment
- particle
- indicate
- personnel
- 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 70
- 238000012423 maintenance Methods 0.000 claims abstract description 205
- 239000002245 particle Substances 0.000 claims abstract description 82
- 238000004519 manufacturing process Methods 0.000 claims abstract description 48
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 21
- 238000013178 mathematical model Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 5
- 238000003754 machining Methods 0.000 claims description 4
- 230000013011 mating Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 11
- 241000196324 Embryophyta Species 0.000 description 11
- 230000003449 preventive effect Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000013332 literature search Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于分组策略的工厂人员调度方法，包括步骤：(1)使用遗传算法对维护员工和待维护设备进行分组，分组后员工组数和设备组数一样多，每一组维护员工只负责一个设备组的维护任务，不负责其它设备组的维护任务。(2)使用粒子群算法对设备维护和生产调度进行协同优化，优化目标是最小化最大完工时间。与现有技术相比，本发明对设备维护、生产调度、人员派工协同优化，使得最大完工时间最小化。并且在确保维护人员工作效率的同时，极大地提高了员工工作量的均衡性。
Description
技术领域
本发明涉及工业生产制造技术领域，尤其是涉及一种基于分组策略的工厂人员调度方法。
背景技术
随着技术水平的不断发展，技术含量高、生产强度大的多设备制造系统在帮助企业提高市场竞争力的同时，也对设备的可靠性提出了越来越高的要求。由于设备故障而导致的非计划停机不仅会增加企业的维修成本，对生产线的生产能力也造成了很大的影响，可能会导致企业交货延迟、生产周期延长等问题，从而损失企业良好的信誉。如今越来越多的企业不再满足于设备故障的事后维修，希望把设备的预防性维护也加到生产调度中，对设备维护的重视程度极大的提高。经过对现有技术的文献检索，发现已经有一些研究将设备维护引入到生产调度问题。中国专利“大批量定制生产系统的预防维护协同调度优化的方法”(授权号为：103955766B)公开了一种大批量定制生产系统的预防维护协同调度优化的方法，通过系统总体维护成本的结余最大化，为现代制造企业的大批量定制生产系统带来显著的经济效益。中国专利“一种考虑预防性维护的生产计划决策方法”(授权号为：108171435A)公开了一种考虑预防性维护的生产计划决策方法，涉及生产计划决策领域。考虑预防性维护的生产计划产出函数更加切合实际情况，将维护的影响纳入考虑范围，使得生产计划更加精确。但是这些研究对设备维护和生产调度协同优化问题往往忽略了对维护人员派工问题的研究，这样就忽略了维护人员派工对维护效率等方面的影响。
现有对人员派工的研究大多是最大化工作效率，在人员派工的过程中，一方面需要保证人员的工作效率，同时为了保证公平性，需要尽可能地提高人员工作量的均衡性。但是，目前欠缺在人员派工过程中考虑人员工作量均衡性的相关研究。
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基于分组策略的工厂人员调度方法。
本发明的目的可以通过以下技术方案来实现：
一种基于分组策略的工厂人员调度方法，该方法包括以下步骤：
步骤1：构建作业车间下生产调度、设备维护、人员指派协同数学模型及配套约束条件；
步骤2：构建维护人员、待维护设备分组目标，利用遗传算法对分组目标进行寻优并获得最优分组结果；
步骤3：基于粒子群算法对协同数学模型进行寻优并最终获得最优生产方案、维护方案、人员派工方案结果；
步骤4：利用最优分组结果和最优生产方案、维护方案、人员派工方案结果对工厂调度进行匹配控制。
进一步地，所述的步骤1中的约束条件包括：
约束一：在作业车间中，工件的后一道工序必须要前一道工序完成后才能加工；
约束二：处于加工状态的设备一次只能加工一个工件，其它要在该设备上加工的工件必须在该设备当前加工任务结束后才能加工；
约束三：设备的每一次维护任务必须有且仅有一位维护人员负责执行；
约束四：必须在指定时间段内开始进行维护任务，并且设备在进行维护时不允许执行加工任务；
约束五：维护人员不能在同一时刻维护两台设备。
进一步地，所述约束一，其描述公式为：
STijk≥STi(j-1)q+Pi(j-1)q
式中，STijk表示第i个工件的第j道工序在设备k上加工的开始时间，STi(j-1)q表示第i个工件的第j-1道工序在设备q上加工的开始时间，Pi(j-1)q表示第i个工件的第j-1道工序在设备q上加工的加工时间；
所述约束二，其描述公式为：
式中，Pijk和Pylk分别表示第i个和第y个工件各自对应的第j道和第l道工序在设备k上加工的加工时间，STylk表示第y个工件的第l道工序在设备k上加工的开始时间。
所述约束三，其描述公式为：
式中，c表示维护员工集合，p表示维护员工，Xpkx＝1表示设备k的第x次维护由维护员工p执行；
所述约束四，其描述公式为：
式中，表示设备k的第x次计划维护时间段的终止时间，表示设备k的第x次实际维护的开始时间，表示设备k的第x次计划维护时间段的起始时间，Tpk表示维护员工p对设备k的实际维护时间；
所述约束五，其描述公式为：
式中，表示设备q的第z次实际维护的开始时间，Xpqz表示设备q的第z次维护是否由维护员工p执行的变量，Tpq表示维护员工p对设备q的实际维护时间。
进一步地，所述步骤1中的协同数学模型的描述公式为：
min(T(JM))＝min(max(T(1),T(2),…,T(k),…,T(m)))
式中，T(JM)表示最大完工时间，T(k)表示设备k上所有工件的最终完成时间，k∈[1,m]。
进一步地，所述步骤2中的分组目标对应的描述函数公式为：
式中，s表示分组组数，g表示分组号，Eg表示第g组的维护员工集合，Mg表示第g组的设备集合，MPe,m表示维护员工e对设备m的维护熟练度。
进一步地，所述步骤2具体包括以下分步骤：
步骤21：使用matlab软件自带遗传算法工具箱，基于维护人员、待维护设备分组目标设置对应填空项内容；
步骤22：设置遗传算法粒子进行编码解码的参数定义及超参数后经过算法运行获得最优分组结果。
进一步地，所述步骤3具体包括以下分步骤：
步骤31：针对协同数学模型进行种群初始化操作，设置粒子群算法各个相关算法参数；
步骤32：根据每个粒子的适应度获得粒子局部最优解和全局最优解；
步骤33：更新粒子位置后进而更新粒子局部最优解和全局最优解，循环迭代至最大迭代次数后，根据解码规则解码后获得对应最优生产方案、维护方案和人员派工方案。
进一步地，所述步骤33中更新粒子位置的前后粒子之间的距离公式为：
式中，dis(Xi,Xj)表示更新粒子位置的前后粒子之间的距离，k表示速度系数，f(Xi)和f(Xj)分别表示粒子Xi和Xj的适应度，α和β分别取值为0.6和0.4，S(Xi,Xj)表示粒子Xi和Xj的相似度，D表示粒子维度。
与现有技术相比，本发明具有以下优点：
(1)本发明粒子群算法的粒子只对生产调度部分采用基于工序的编码方式，而设备维护部分不进行显式地编码，采用启发式规则安排维护任务。解码时，结合生产任务顺序约束、资源约束确定每一道工序加工时间。解码过程中，一旦设备完成当前的加工任务，并且时间达到设备计划维护时间段的起始时间，就停止加工，设备执行维护任务，并且采用基于分组策略的维护人员派工方案进行维护人员派工，调度灵活准确度高。
(2)本发明对维护人员进行派工时，需要提前对维护人员和待维护设备进行分组，这样可以在保证维护效率的前提下，极大地提高了维护员工工作量的均衡度。
(3)本发明以设备计划维护时间段的形式给出维护任务，而不是直接硬性给出设备维护时间，可以在计划维护时间段内为了生产任务适当地调整实际维护时间，提高了维护任务的灵活性，降低了最大完工时间。
(4)本发明衡量员工工作量的均衡性，除了使用维护人员工作维护人员工作次数标准差之外，还使用了工作时间标准差衡量作为衡量指标，更加全面地衡量员工工作量的均衡性。
附图说明
图1为本发明作业车间下生产调度、设备维护协同框架下维护人员派工方案的流程示意图；
图2为本发明实施例中的适应度下降曲线图；
图3为本发明实施例中的性能指标变化率示意图。
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
本发明实施例提供了一种作业车间下生产调度、设备维护协同框架下维护人员派工方案，图1是本发明实施例所提供的作业车间下生产调度、设备维护协同框架下维护人员派工方案的流程示意图，如图1所示，该方法包括：
S1.构建作业车间下生产调度、设备维护、人员指派协同数学模型。
其中，在本发明的实施例中，首先对作业车间下生产调度、设备维护、人员指派协同问题进行建模，该数学模型如下：
(1)为了表示维护员工熟练度与维护时间的关系，即维护熟练度越高，所耗费的维护时间越短，假定维护时间和员工熟练度的关系如下式所示。可以看出，维护时间有两部分组成，第一部分是基础维护时间，对于任何操作人员都是一样的。第二部分与维护人员有关，越熟练的维护人员耗时越小。
Tpk＝Tk+(1-MPpk).Tk
式中，Tk表示设备k的基础维护时间，MPpk表示维护员工p对设备k的维护熟练度。
(2)约束条件：
约束一：在作业车间中，工件的后一道工序必须要前一道工序完成后才能加工；
STijk≥STi(j-1)q+Pi(j-1)q
式中，STijk表示第i个工件的第j道工序在设备k上加工的开始时间，STi(j-1)q表示第i个工件的第j-1道工序在设备q上加工的开始时间，Pi(j-1)q表示第i个工件的第j-1道工序在设备q上加工的加工时间；
约束二：处于加工状态的设备一次只能加工一个工件，其它要在该设备上加工的工件必须在该设备当前加工任务结束后才能加工；
式中，Pijk和Pylk分别表示第i个和第y个工件各自对应的第j道和第l道工序在设备k上加工的加工时间，STylk表示第y个工件的第l道工序在设备k上加工的开始时间。
约束三：设备的每一次维护任务必须有且仅有一位维护人员负责执行；
式中，c表示维护员工集合，p表示维护员工，Xpkx＝1表示设备k的第x次维护由维护员工p执行；
约束四：必须在指定时间段内开始进行维护任务，并且设备在进行维护时不允许执行加工任务；
式中，表示设备k的第x次计划维护时间段的终止时间，表示设备k的第x次实际维护的开始时间，表示设备k的第x次计划维护时间段的起始时间，Tpk表示维护员工p对设备k的实际维护时间；
约束五：维护人员不能在同一时刻维护两台设备；
式中，表示设备q的第z次实际维护的开始时间，Xpqz表示设备q的第z次维护是否由维护员工p执行的变量，Tpq表示维护员工p对设备q的实际维护时间。
(3)优化目标是最大化完工时间，即：
min(T(JM))＝min(max(T(1),T(2),…,T(k),…,T(m)))
式中，T(JM)表示最大完工时间，T(k)表示设备k上所有工件的最终完成时间，k∈[1,m]。
S2.确定维护人员、待维护设备分组目标。优化目标如下所示：
式中，s表示分组组数，g表示分组号，Eg表示第g组的维护员工集合，Mg表示第g组的设备集合，MPe,m表示维护员工e对设备m的维护熟练度。
S3.基于遗传算法对维护人员、待维护设备分组，获得最优的分组方案。进一步地，主要通过以下几个步骤实现：
(301)使用matlab(美国MathWorks公司出品的商业数学软件)自带的遗传算法工具箱，工具箱需要填空的选项主要在左侧栏和中间栏，需要填空项意义如下所示：Fitnessfunction空格填写优化的目标函数，Number of variable填写待优化变量的数目，Linearinequalities填写线性不等式约束，Linear equalities填写线性等式约束，Bounds填写变量值域的上界和下界，Nonlinear constraint function填写待优化变量的非线性约束，Integer variable indice填写整数变量的。
(302)定义粒子进行编码解码的含义。维护员工的数目是c，待维护设备的数目是m，需要将维护员工和设备分成s组，s是一个超参，需要提前设置。编码时，粒子的所有变量都是整数，且处于区间[1,s]中，表示该员工或者设备所属的组号。解码时，粒子的前c个变量表示c个维护员工对应的组号，后m个变量表示m台待维护设备对应的组号。
(303)填写遗传算法工具箱的空格选项。Number of variable填写数值c+m，Linear inequalities为空，Linear equalities为空，Bounds的下界填写0，上界填写s。
(304)确定遗传算法适应度函数：
式中，s表示分组组数，g表示分组号，Eg表示第g组的维护员工集合，Mg表示第g组的设备集合，MPe,m表示维护员工e对设备m的维护熟练度。
(305)确定遗传算法的超参，主要的超参有粒子群的进化代数、粒子群的粒子数的设置，还有选择算子、交叉算子、变异算子的算法选择，采用默认设置。
S4.基于粒子群算法对所述数学模型进行求解，获得最优的生产方案、维护方案、人员派工方案。进一步地，主要通过以下几个步骤实现。
粒子群算法(Particle swarm optimization，PSO)是目前应用最广泛的群体智能算法之一，Kenndey和Eberhart在1995年受到鸟类觅食行为的启发提出了粒子群算法。粒子群算法使用一种简单的机制来模拟鸟类的群体行为，引导粒子搜索全局最优解。粒子群算法是一种基于种群迭代的算法，由于算法简单，易于实现，已经成功地应用于许多实际工程优化问题的求解。
(401)对种群进行初始化
初始化：种群规模N，最大迭代次数maxit，粒子位置变化系数r1，r2，c1，c2。随机生成初始种群：随机生成N个粒子，采用基于工序的编码方式，编码长度由所有工件工序总数决定，如果n个工件的工序总数s，则编码长度也是s。
(402)评价每个粒子的适应度，得出粒子局部最优解和全局最优解
要计算粒子的适应度，首先需要为粒子解码。粒子的解码步骤如下：
(1)首先将编码还原成用三位数来表示工件的加工任务列表，例如301表示工件3的第1道工序。
(2)根据被还原的加工顺序，结合数学模型的所有约束，可以确定每一道工序加工时间、每台设备实际维护时间以及每一次维护任务对应的维护人员。在解码过程中，一旦设备完成当前加工任务，并且时间达到维护时间段的起始时间，就停止加工，设备进入维护阶段。在挑选维护人员时，采用基于分组策略的维护人员派工方案：设备一旦进入维护阶段，依据步骤S3分组得到的结果，从专门负责维护这台设备的维护人员组里找出此刻空闲的维护人员，然后在这些空闲的维护人员里挑选出执行维护任务累计时间最短的维护人员对该设备进行维护。如果此时该组所有维护员工都有维护任务，则将该设备的维护时间往后稍微推迟一段时间，然后重新从该组空闲的维护人员中选择执行维护任务累计时间最短的维护人员对该设备进行维护。该维护人员派工方案记作方案1，解码步骤伪代码如下：
粒子解码完之后，得出粒子的生产方案、维护方案、人员派工方案，以及最大完工时间，适应度的计算公式如下，最大完工时间越小则适应度越高：
将每个粒子设置成该粒子局部最优解pbesti(0)，将这初始的N个粒子中适应度最高的粒子设置成全局最优解gbest(0)。
(403)更新每个粒子的位置，计算每个粒子的适应度
为了更清楚地说明如何对粒子群中的每个粒子更新位置，首先需要定义变量，以及解释更新公式中出现的符号。
两个粒子Xi＝(xi1,xi2,…,xiD)和Xj＝(xj1,xj2,…,xjD)分别表示D维空间的两个粒子，为了衡量粒子之间的距离，定义粒子相似度计算公式：
其中，
这两个粒子之间的距离公式为：
式中，dis(Xi,Xj)表示更新粒子位置的前后粒子之间的距离，k表示速度系数，f(Xi)和f(Xj)分别表示粒子Xi和Xj的适应度，α和β分别取值为0.6和0.4，S(Xi,Xj)表示粒子Xi和Xj的相似度，D表示粒子维度。
显然粒子群算法中粒子的速度的含义被拓广为粒子置换的次数，
现在用表示粒子的置换操作，粒子i速度和位置的更新公式如下所示。其中，vi(t)表示粒子i在进化到第t代时的速度；Xi(t)粒子i在进化到第t代时的位置；pbesti(t)表示粒子i在进化到第t代时的个体最优位置；gbest(t)表示进化到第t代时整个粒子群的最优位置；c1，c2为加速因子或称学习因子；r1，r2为[0,1]的随机数。
vi(t+1)＝int[ωvi(t)+c1r1dis(Xi(t),pbesti(t))+c2r2dis(Xi(t),gbest(t))]
更新好粒子群中每个粒子的位置后，仍然按照步骤(402)中介绍的方法计算每个粒子的适应度。
(404)更新粒子局部最优解和全局最优解。
将每个粒子的当前位置与其局部最优解进行比较，若优于其局部最优解，则将其作为粒子的局部最优解。否则，沿用其局部最优解；将每个粒子的局部最优解与全局最优解进行比较，若优于全局最优解则代之，否则全局最优解保持不变；
(405)判断是否达到最大迭代次数，如果是，则进入步骤(406)，否则，进入步骤(403)。
(406)得出最优的生产方案、维护方案、人员派工方案。
将全局最优解按照步骤(402)介绍的解码规则进行解码，得到最优的生产方案、维护方案、人员派工方案。
为了验证本发明的有效性，设计了8种车间，这8种车间的规模一样：设备数目m是15，可以加工10类工件，车间里有操作人员数m是15，每个操作人员负责操作一台设备，维护人员数目c为6，负责维护这15台设备。但是这8种车间相关信息不一样，主要有如下信息：(1)生产信息。8组生产信息是基于OR-Library标准测试集改编，主要是每类工件的加工信息，每类工件的加工信息包括每一类工件的所有工序、每道工序在哪一台设备上加工、每道工序所需的基础加工时间。(2)维护信息。维护信息包括每一台设备的基础维护时间，为了获取8组维护信息，假设基础维护时间服从[15,25]区间的均匀分布，进行采样。(3)人员信息。人员信息包括操作人员和维护人员对每一台设备的生产熟练度和维护熟练度，为了获取8组人员信息，假设熟练度服从[0,1]区间的均匀分布，进行采样。其中1表示熟练度最高，0表示人员的熟练度最低。
除了生产信息、维护信息、人员信息之外，还设计100组生产任务和维护任务。每一组生产任务指所有类别中每一类工件的加工数目，服从区间[0,30]的均匀分布，计算所有类工件的加工数目总和就可以得到待加工工件数目n。每一组维护任务中，每一台设备维护时间段时长服从[40,50]的均匀分布，同一台设备的相邻两组维护时间段相隔服从[100,140]区间的均匀分布，每一台设备有3组预防性维护。
正如步骤S3说明的方法，使用遗传算法对维护人员和待维护设备进行分组。为了展示分组结果，以第一种车间为例。第一种车间中的维护人员对每一台机器的维护熟练度如表1所示。
表1第一种车间维护熟练度
熟练度被限制在了[0,1]区间内。首先使用遗传算法对维护人员和设备进行分组，迭代次数是200次，粒子数是50个，交叉的概率是0.8，变异的概率也是0.8。粒子迭代的适应度下降曲线如图2所示：
最后最优的粒子解为[1,2,2,1,3,3,2,2,1,3,3,1,1,2,1,1,3,2,2,3,3]，[1,2,2,1,3,3]为维护人员分组的解，[2,2,1,3,3,1,1,2,1,1,3,2,2,3,3]为待维护设备分组的解。按照解码规则，可以得到员工1、4为第一组，员工2、3为第二组，员工5、6为第三组。设备3、6、7、9、10为第一小组，设备1、2、8、12、13为第二小组，设备4、5、11、14、15为第三小组。按照人员组和设备组的对应关系，就可以得到每一小组的维护员工和该组维护员工负责维护的设备组，每一个人员组的组员对其负责维护的设备组的熟练度如表2、表3、表4所示：
表2第一小组维护员工对第一组设备的维护熟练度
表3第二小组维护员工对第二组设备的维护熟练度
表4第三小组维护员工对第三组设备的维护熟练度
从表2、表3、表4可以看出熟练度小于0.6的数目相当少，只有4个，熟练度大于0.7的占了绝大部分，一共有21个。这说明使用遗传算法进行分组后每个组的维护人员对相应组的设备的维护熟练度都比较高，满足维护人员和设备的分组要求。
为了验证基于分组策略的维护人员派工方案的效果，提出了一种基于维护效率优先的启发式规则进行人员派工，维护人员派工规则为：设备一旦进入维护阶段，从空闲的维护人员中选择对该设备维护熟练度最高的维护人员对该设备进行维护。如果此时所有的维护员工都有维护任务，则将该设备的维护时间往后稍微推迟一段时间，然后重新从空闲的维护人员中选择对该设备维护熟练度最高的维护人员对该设备进行维护。该方案记作方案2，解码步骤伪代码如下：
将基于分组策略的方案1与方案2的性能指标进行对比，对比的性能指标是每一种方案的最大完工时间以及维护人员工作量的均衡性。维护人员工作量的均衡度通过所有维护人员工作次数标准差以及工作时间标准差衡量，计算公式如下面的公式。其中，xi表示第i个维护人员的维护次数，ti表示第i个维护人员的维护时间，c表示一共维护员工总数，s1表示维护员工工作次数标准差，s2表示维护员工工作时间标准差。
在上述8种车间下进行对比实验，在每一种的车间下，执行这100组生产任务、维护任务，在表5中记录这100组任务在两种维护方案下得到的最大完工时间、工作次数标准差、工作时间标准差的平均值。
为了统一比较的尺度，根据表5计算基于方案1相对于方案2在最大完工时间、工作次数标准差和工作时间标准差的变化率曲线图，从图3中可以看出，使用这两种维护人员派工方案的最大完工时间几乎相等，但是使用方案1维护员工工作次数的标准差相对于方案2几乎降低了75％左右，而且降低幅度很稳定，工作时间标准差的降低幅度45％～60％之间。可以看出，方案1在确保了生产效率的同时，极大地改善了员工的工作量均衡度。
表5两种维护人员派工方案下的性能
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 (8)
1.一种基于分组策略的工厂人员调度方法，其特征在于，该方法包括以下步骤：
步骤1：构建作业车间下生产调度、设备维护、人员指派协同数学模型及配套约束条件；
步骤2：构建维护人员、待维护设备分组目标，利用遗传算法对分组目标进行寻优并获得最优分组结果；
步骤3：基于粒子群算法对协同数学模型进行寻优并最终获得最优生产方案、维护方案、人员派工方案结果；
步骤4：利用最优分组结果和最优生产方案、维护方案、人员派工方案结果对工厂调度进行匹配控制。
2.根据权利要求1所述的一种基于分组策略的工厂人员调度方法，其特征在于，所述的步骤1中的约束条件包括：
约束一：在作业车间中，工件的后一道工序必须要前一道工序完成后才能加工；
约束二：处于加工状态的设备一次只能加工一个工件，其它要在该设备上加工的工件必须在该设备当前加工任务结束后才能加工；
约束三：设备的每一次维护任务必须有且仅有一位维护人员负责执行；
约束四：必须在指定时间段内开始进行维护任务，并且设备在进行维护时不允许执行加工任务；
约束五：维护人员不能在同一时刻维护两台设备。
3.根据权利要求2所述的一种基于分组策略的工厂人员调度方法，其特征在于，所述约束一，其描述公式为：
STijk≥STi(j-1)q+Pi(j-1)q
式中，STijk表示第i个工件的第j道工序在设备k上加工的开始时间，STi(j-1)q表示第i个工件的第j-1道工序在设备q上加工的开始时间，Pi(j-1)q表示第i个工件的第j-1道工序在设备q上加工的加工时间；
所述约束二，其描述公式为：
式中，Pijk和Pylk分别表示第i个和第y个工件各自对应的第j道和第l道工序在设备k上加工的加工时间，STylk表示第y个工件的第l道工序在设备k上加工的开始时间。
所述约束三，其描述公式为：
式中，c表示维护员工集合，p表示维护员工，Xpkx＝1表示设备k的第x次维护由维护员工p执行；
所述约束四，其描述公式为：
式中，表示设备k的第x次计划维护时间段的终止时间，表示设备k的第x次实际维护的开始时间，表示设备k的第x次计划维护时间段的起始时间，Tpk表示维护员工p对设备k的实际维护时间；
所述约束五，其描述公式为：
式中，表示设备q的第z次实际维护的开始时间，Xpqz表示设备q的第z次维护是否由维护员工p执行的变量，Tpq表示维护员工p对设备q的实际维护时间。
4.根据权利要求1所述的一种基于分组策略的工厂人员调度方法，其特征在于，所述步骤1中的协同数学模型的描述公式为：
min(T(JM))＝min(max(T(1),T(2),…,T(k),…,T(m)))
式中，T(JM)表示最大完工时间，T(k)表示设备k上所有工件的最终完成时间，k∈[1,m]。
5.根据权利要求1所述的一种基于分组策略的工厂人员调度方法，其特征在于，所述步骤2中的分组目标对应的描述函数公式为：
式中，s表示分组组数，g表示分组号，Eg表示第g组的维护员工集合，Mg表示第g组的设备集合，MPe,m表示维护员工e对设备m的维护熟练度。
6.根据权利要求1所述的一种基于分组策略的工厂人员调度方法，其特征在于，所述步骤2具体包括以下分步骤：
步骤21：使用matlab软件自带遗传算法工具箱，基于维护人员、待维护设备分组目标设置对应填空项内容；
步骤22：设置遗传算法粒子进行编码解码的参数定义及超参数后经过算法运行获得最优分组结果。
7.根据权利要求1所述的一种基于分组策略的工厂人员调度方法，其特征在于，所述步骤3具体包括以下分步骤：
步骤31：针对协同数学模型进行种群初始化操作，设置粒子群算法各个相关算法参数；
步骤32：根据每个粒子的适应度获得粒子局部最优解和全局最优解；
步骤33：更新粒子位置后进而更新粒子局部最优解和全局最优解，循环迭代至最大迭代次数后，根据解码规则解码后获得对应最优生产方案、维护方案和人员派工方案。
8.根据权利要求7所述的一种基于分组策略的工厂人员调度方法，其特征在于，所述步骤33中更新粒子位置的前后粒子之间的距离公式为：
式中，dis(Xi,Xj)表示更新粒子位置的前后粒子之间的距离，k表示速度系数，f(Xi)和f(Xj)分别表示粒子Xi和Xj的适应度，α和β分别取值为0.6和0.4，S(Xi,Xj)表示粒子Xi和Xj的相似度，D表示粒子维度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910563466.5A CN110363402B (zh) | 2019-06-26 | 2019-06-26 | 一种基于分组策略的工厂人员调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910563466.5A CN110363402B (zh) | 2019-06-26 | 2019-06-26 | 一种基于分组策略的工厂人员调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110363402A true CN110363402A (zh) | 2019-10-22 |
| CN110363402B CN110363402B (zh) | 2023-08-29 |
Family
ID=68217168
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910563466.5A Active CN110363402B (zh) | 2019-06-26 | 2019-06-26 | 一种基于分组策略的工厂人员调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110363402B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144734A (zh) * | 2019-12-23 | 2020-05-12 | 中国平安财产保险股份有限公司 | 基于缓存的公平派工方法、装置及计算机可读存储介质 |
| CN112906952A (zh) * | 2021-02-04 | 2021-06-04 | 交通银行股份有限公司 | 一种银行流程任务智能调度系统 |
| CN113256094A (zh) * | 2021-05-17 | 2021-08-13 | 安徽帅尔信息科技有限公司 | 基于改进粒子群算法的业务资源分配方法 |
| CN113837611A (zh) * | 2021-09-24 | 2021-12-24 | 苏州迈艾木软件科技有限公司 | 一种自动化人员派工推荐方法和系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103955754A (zh) * | 2014-04-16 | 2014-07-30 | 江南大学 | 基于实时生产数据采集的模具车间调度方法 |
| CN106503836A (zh) * | 2016-10-09 | 2017-03-15 | 电子科技大学 | 一种多目标优化的纯电动汽车物流配送优化调度方法 |
-
2019
- 2019-06-26 CN CN201910563466.5A patent/CN110363402B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103955754A (zh) * | 2014-04-16 | 2014-07-30 | 江南大学 | 基于实时生产数据采集的模具车间调度方法 |
| CN106503836A (zh) * | 2016-10-09 | 2017-03-15 | 电子科技大学 | 一种多目标优化的纯电动汽车物流配送优化调度方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111144734A (zh) * | 2019-12-23 | 2020-05-12 | 中国平安财产保险股份有限公司 | 基于缓存的公平派工方法、装置及计算机可读存储介质 |
| CN111144734B (zh) * | 2019-12-23 | 2023-06-02 | 中国平安财产保险股份有限公司 | 基于缓存的公平派工方法、装置及计算机可读存储介质 |
| CN112906952A (zh) * | 2021-02-04 | 2021-06-04 | 交通银行股份有限公司 | 一种银行流程任务智能调度系统 |
| CN113256094A (zh) * | 2021-05-17 | 2021-08-13 | 安徽帅尔信息科技有限公司 | 基于改进粒子群算法的业务资源分配方法 |
| CN113256094B (zh) * | 2021-05-17 | 2022-09-13 | 安徽帅尔信息科技有限公司 | 基于改进粒子群算法的业务资源分配方法 |
| CN113837611A (zh) * | 2021-09-24 | 2021-12-24 | 苏州迈艾木软件科技有限公司 | 一种自动化人员派工推荐方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110363402B (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110363402A (zh) | 一种基于分组策略的工厂人员调度方法 | |
| Li et al. | KMOEA: A knowledge-based multiobjective algorithm for distributed hybrid flow shop in a prefabricated system | |
| Gupta et al. | From rescheduling to online scheduling | |
| Lu et al. | Resource-constrained critical path analysis based on discrete event simulation and particle swarm optimization | |
| CN109598416A (zh) | 一种复材车间的动态排产系统及排产方法 | |
| CN105427021A (zh) | 一种服装智能排产方法 | |
| CN110618668A (zh) | 柔性生产的绿色动态调度方法 | |
| An et al. | A hybrid multi-objective evolutionary algorithm for solving an adaptive flexible job-shop rescheduling problem with real-time order acceptance and condition-based preventive maintenance | |
| CN102183931B (zh) | 基于时间约束的机械加工生产过程优化调度方法 | |
| CN104102212A (zh) | 一种钢铁企业中煤气和蒸汽系统的调度方法、设备和系统 | |
| JP2011065626A (ja) | プラントの建設計画支援装置及び方法 | |
| CN102081760A (zh) | 用于执行调度生产过程的方法和系统 | |
| Farmand et al. | Two meta-heuristic algorithms for optimizing a multi-objective supply chain scheduling problem in an identical parallel machines environment | |
| Chen | Integrated optimization model for production planning and scheduling with logistics constraints | |
| CN106327053B (zh) | 一种基于多模式集合的纺织工艺推荐模型的构建方法 | |
| Wang et al. | Hybrid rescheduling optimization model under disruptions in precast production considering real-world environment | |
| Shen et al. | An uncertain programming model for single machine scheduling problem with batch delivery | |
| US8170703B2 (en) | Method for controlling a plurality of production processes | |
| Vaghefinezhad et al. | A genetic algorithm approach for solving a flexible job shop scheduling problem | |
| Li et al. | Product deterioration based demand forecasting and service supply model for MRO service chain | |
| CN116957219A (zh) | 一种基于遗传算法的水泥生产线施工作业调度方法 | |
| Majozi et al. | Understanding batch chemical processes: Modelling and case studies | |
| Zhou et al. | A novel application of PSO algorithm to optimize the disassembly equipment layout of ELV | |
| CN110032149A (zh) | 用于监视和控制产品批次的生产的能量成本的方法 | |
| Kim | Permutation-based elitist genetic algorithm using serial scheme for large-sized resource-constrained project scheduling |
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 |