CN110516978A - 一种电子产品调测生产线混流排产方法 - Google Patents
一种电子产品调测生产线混流排产方法 Download PDFInfo
- Publication number
- CN110516978A CN110516978A CN201910823483.8A CN201910823483A CN110516978A CN 110516978 A CN110516978 A CN 110516978A CN 201910823483 A CN201910823483 A CN 201910823483A CN 110516978 A CN110516978 A CN 110516978A
- Authority
- CN
- China
- Prior art keywords
- solution
- bee
- mixed flow
- population
- neighborhood
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 132
- 241000256844 Apis mellifera Species 0.000 claims abstract description 96
- 235000013305 food Nutrition 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims description 106
- 230000008569 process Effects 0.000 claims description 43
- 230000003044 adaptive effect Effects 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 11
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 229910017435 S2 In Inorganic materials 0.000 claims 1
- 238000009825 accumulation Methods 0.000 claims 1
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000009434 installation Methods 0.000 abstract description 5
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 241000282836 Camelus dromedarius Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000012907 honey Nutrition 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 206010021703 Indifference Diseases 0.000 description 1
- 101150034459 Parpbp gene Proteins 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 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
- G06N3/004—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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Life Sciences & Earth Sciences (AREA)
Abstract
一种电子产品调测生产线混流排产方法，提出混流排产约束条件，将生产线的目标函数与新型人工蜂群算法的适应度函数相关联，初始化蜜蜂种群，对所有蜂群遍历搜索区域及初始状态，基于蜂群寻找食物源的方式对食物源位置进行更新，重复执行雇佣蜂阶段、观察蜂阶段、探测蜂阶段，寻找最优解，直至满足迭代终止条件，比较食物源的适应度函数值，适应度函数最大值所对应的食物源位置信息即为最优排产结果。本发明在满足局部寻优与全局寻优在较平衡的状态下寻找最优解，实现快速混流排产，控制参数少，收敛速度快，稳定性高，优化性能好，可以有效解决多品种、变批量电子产品混流排产过程中的设备利用率低、调测生产周期长、在制品及成品库存数量大等问题。
Description
技术领域
本发明涉及多品种、变批量电子产品调测车间生产管理混流生产调度领域，具体涉及一种基于新型人工蜂群算法的电子产品调测生产线混流排产方法。
背景技术
现有多品种、变批量电子产品生产管理模式中生产计划的制定仍多依靠调度员的经验，按照单线生产模式排产思路进行排产，容易导致生产设备忙闲不均，影响资源利用率，无法满足多品种、小批量、复杂多变环境下的生产要求。人工排产方式，计划缺乏实时性、调度指令不及时、指导性不强，严重影响车间效率，不能充分发挥整体效能。
提升电子产品调试能力需要釆取柔性而平稳的组织方式安排生产，即进行生产排程优化。因此，本发明针对多型电子产品混线调测生产模式，研究基于智能算法的排产技术，以提高设备利用率、缩短调试生产周期、降低在制品及成品库存数量为优化目标，综合提升调测车间在多品种、小批量生产模式下排程能力，平稳而高效地应对动态多变的生产需求。
在生产调度领域，常用的求解方法一般可分为最优化方法、启发式算法和智能算法三类。常用的最优化方法有内点法、单纯形法、分支定界法、数学规划方法等。虽然最优化方法能保证解的质量，但大规模问题的求解效率较低，存在一定的局限性。而启发式方法基于对具体问题特征的分析，设计相对简单的规则以迅速获得可行解。相较于最优化方法，启发式方法极大地提高了问题的求解效率，更加面对实际应用，故在生产调度领域获得了广泛的应用。然而启发式方法易陷入局部最优，且解的质量较差。智能算法是近年来新兴的一类研究方法。智能算法在提高求解效率的同时还能保证较高的解质量，因此获得了广泛的关注。常用的智能算法有遗传算法(Genetic Algorithm，GA)、人工蜂群算法(ArtificialBee Colony，ABC)等。
专利201710811741.1“基于改进人工蜂群算法的生产调度方法及系统”提出了一种基于改进的人工蜂群算法的平行机批调度方法及系统,该方法能针对恶化工件情形下考虑维修的平行机批调度问题,发明考虑了实际生产中的机器维修、组批加工方式以及额外的加工和维修处理时间,有利于在复杂的现实生产环境中为企业生产和维修提供可靠的决策支持。但未考虑多种类型产品混线生产的问题，且设计参数较多，不适用电子产品调测生产线混流排产。
专利201611005412.X“一种生产排产调度优化方法”提出了采用差分进化算法来解决生产过程离散调度问题，降低了遗传操作的复杂性，但迭代后期，个体间差异化信息逐渐缩小，收敛速度减慢，全局寻优能力下降。
专利201710676005.X“基于骆驼群算法的作业车间调度排产方法及系统”提出了基于骆驼群算法的作业车间调度排产方法及系统，设计方法通过采用搜索禁忌列表的方式来提高收敛速度，但全局搜索能力较差，该方法适用于简单生产模式的混流排产，对于复杂的电子产品调测生产线混流排产并不适用。
论文“改进人工蜂群算法求解柔性作业车间调度问题”提出了应用改进人工蜂群算法解决柔性作业车间调度问题，采用基于混沌序列思想、SPT启发式规则和随机方式三种方式实现种群初始化，引入相似度概念对种群进行先进和后进划分，采用锦标赛选择策略进行个体选择，该方法对于解决生产调度问题能够取得较好的效果，但算法设计过于复杂，降低了收敛速度，算法效率不高，开发和应用难度较大，并不适用电子产品调测生产线混流排产。
论文“求解多目标柔性作业车间调度问题的离散人工蜂群算法”提出了一种离散的人工蜂群算法于求解柔性作业车间调度问题，算法通过交叉及变异方式来实现搜索，并采用自适应的变异策略来避免陷入局部最优，在一定程度上提高寻优能力，但缺乏有效的个体选择策略，算法快速寻优及广域寻优能力仍然不强，不完全能够适用电子产品调测生产线混流排产。
论文“基于人工蜂群算法的柔性工艺与车间调度集成优化”针对柔性工艺与车间调度集成问题的离散性特征，对工艺路线进行序列编码，工件调度采用基于工序的编码方式。采蜜蜂及观察蜂通过交叉变异操作进行局部寻优，侦查蜂进行全局寻优。该方法虽然简洁，收敛速度快，但对初始种群的选择有要求，且在搜索过程中未设计个体选择策略，寻优速度及稳定性较差，难以实现生产应用。
发明内容
本发明提供一种电子产品调测生产线混流排产方法，采用拟合实际生产场景约束条件，在满足局部寻优与全局寻优在较平衡的状态下寻找最优解，实现混流排产，控制参数少，收敛速度快，稳定性高，优化性能好，可以有效解决多品种、变批量电子产品混流排产过程中的设备利用率低、调测生产周期长、在制品及成品库存数量大等问题。
为了达到上述目的，本发明提供一种电子产品调测生产线混流排产方法，包含以下步骤：
步骤S1、提出混流排产约束条件，并对混流排产的工序和设备进行编码；
步骤S2、定义符合生产实际的目标函数和人工蜂群算法的适应度函数，将目标函数与适应度函数相关联；
步骤S3、蜜蜂种群初始化：采用随机方式生成种群个体，从而获得规模为PS的初始种群，将种群中各个体的邻域搜索次数初始化为0，初始化最大迭代次数，并从种群中随机选择一个个体用于初始化当前最优解；
步骤S4、对所有蜂群遍历搜索区域及初始状态，基于蜂群寻找食物源的方式对食物源位置进行更新，重复执行雇佣蜂阶段、观察蜂阶段、探测蜂阶段，寻找最优解，直至满足迭代终止条件，比较食物源的适应度函数值，对适应度函数最大值所对应的食物源位置信息即为最优排产结果。
步骤S1中，所述的混流排产调度约束条件为：
步骤S1中，采用自然数编码法双层编码机制编码，所述的编码方法包含：
工序选择层：工件j在工序选择层中的第k次出现表示该工件j的第k道工序Ojk；
设备选择层：说明从第一个工件的第一道工序开始至最后一个工件的最后一道工序结束过程中各工件的各工序所选择的设备编号。
OS和MS两层的编码长度均为N，N表示所有工件的所有工序的数量之和。
所述的步骤S2中，所述的目标函数cmax为：
cmax＝min∑所有工件的所有工序(工序计划完成时间-工序计划开始时间) (2)
所述的适应度函数f(x)为：
所述的步骤S3中，所述的初始种群由PS个食物源或解构成，每个食物源用一个D维实值矢量表示；
种群第i个随机解αi＝{αi,1,αi,2,…,αi,D}的生成方式见公式(4)：
公式(4)中，rand(a,b)是[a,b]区间内的随机数，B和分别是取值的下界和上界；
初始化种群后，任选其中的一个食物源作为当前最优解。
所述的步骤S4包含以下步骤：
步骤S4.1、雇佣蜂阶段：在雇佣蜂阶段，每个雇佣蜂对应一个解，雇佣蜂采用自适应邻域搜索算子在其对应解的邻域进行搜索，并对种群个体位置进行更新；
步骤S4.2、观察蜂阶段：首先计算种群中各个体的适应度，采用轮盘赌法基于选择概率选择个体，采用自适应邻域搜索算子对邻域进行搜索，并对种群个体位置进行更新；
步骤S4.3、探测蜂阶段：搜寻当前种群中搜索次数最大的解，若其搜索次数不小于规定的最大迭代次数，则随机生成一个新解替代该解，并令新解的搜索次数为0，否则不执行任何更新操作；
步骤S4.4、遍历所有搜索区域及初始状态直至整个区域全部搜索完毕，比较得出最大适应度函数值，最大适应度函数值所对应的食物源位置信息的解码结果即为最优排产结果。
所述的步骤S4.1中，在雇佣蜂阶段，每个雇佣蜂对应一个解αi(i＝1,2,…,PS)，雇佣蜂采用自适应邻域搜索算子在其对应解αi的邻域进行搜索，找到一个新的解α'i，比较αi和α'i适应度值的大小，若f(αi)＜f(αi′)，则用新解取代当前解，并令该解的邻域搜索次数ni等于0，即αi←αi′，ni＝0；若f(αi)≥f(αi′)，则不更新解，其邻域搜索次数ni加1，即ni←ni+1。
所述的步骤S4.2中，在观察蜂阶段，首先计算种群中各个体的适应度，采用轮盘赌法选择个体，其中个体αi(i＝1,2,…,PS)的轮盘赌选择概率个体累积选择概率当选择解αi时，观察蜂采用自适应邻域搜索算子对解αi的邻域进行搜索，获得一个新的解，比较新解与当前解适应度大小，若新解α'i优于当前解αi，则用新解取代当前解αi，并令该解的邻域搜索次数ni等于0，即αi←αi′，ni＝0；若f(αi)≥f(αi′)，则不更新解，其邻域搜索次数ni加1，即ni←ni+1。
针对工序选择编码层，采用一种结合移位算子和交换算子的自适应邻域搜索方法，包含以下步骤：
将种群各个体与生成该个体的邻域搜索算子关联起来，对于初始种群中的个体，设与其关联的邻域搜索算子均为移位算子；
根据如下方法选择生成新解αi′的邻域搜索方式：生成区间[0,1]内的随机数，若该数小于自适应邻域搜索概率选择与当前解αi相关联的邻域算子；否则以均等的概率选择移位算子或交换算子，同时将αi′与所选择的算子关联起来；
针对设备选择编码层，采用单点变异法进行局部搜索，该单点变异局部搜索方法包含如下步骤：
从设备选择编码层随机选择一个位置，将其上的值其更新为该工件工序所对应的可选设备集合中的任一台不同于原值的设备编号；
生成区间[N+1,2N]内的随机数，更新工序的设备选择。
所述的步骤S4.3中，在探测蜂阶段，搜寻当前种群中搜索次数最大的解，若其搜索次数不小于规定的最大迭代次数θ，则随机生成一个新解替代该解，并令新解的搜索次数为0，否则不执行任何更新操作。
本发明的有益效果：
1、新型人工蜂群算法应用于多品种、变批量电子产品调测车间混流生产调度领域，结合遗传算法中的交叉和变异思想，在满足局部寻优与全局寻优在较平衡的状态下寻找最优解，实现快速混流排产。
2、多品种、变批量电子产品调测车间混流排产采用新型人工蜂群算法，该算法的控制参数较少，收敛速度快，稳定性高，优化性能好。
3、本发明并非基于完全理想状态模型，采用拟合实际生产场景约束条件，通过上述电子产品调测车间混流排产算法的发明对实际生产具有指导意义，可以有效解决多品种、变批量电子产品混流排产过程中的设备利用率低、调测生产周期长、在制品及成品库存数量大等问题。
附图说明
图1是本发明提供的一种电子产品调测生产线混流排产方法的流程图。
图2是本发明提供的一种电子产品调测生产线混流排产方法的具体流程图。
具体实施方式
以下根据图1和图2，具体说明本发明的较佳实施例。
所述混流排产即工艺流程、生产作业方法基本相同的若干产品品种，在一条生产线上科学地编排投产顺序，实行有节奏、按比例地混合连续生产，并以品种、产量、工时、设备负荷全面均衡为前提的生产方式。
人工蜂群(Artificial Bee Colony，ABC)算法是一种模拟蜜蜂采蜜行为的新兴智能算法。人工蜂群算法是一种模拟蜜蜂采蜜行为来搜寻最优解，食物源“收益率”越大食物源越优。
人工蜂群算法从初始种群开始，其后重复执行雇佣蜂阶段(The employed beephase)、观察蜂阶段(The onlooker bee phase)、探测蜂阶段(The scout phase)、最优解更新直至达到终止条件。标准人工蜂群算法是针对连续优化问题而设计的。考虑到人工蜂群算法具有优化性能好，控制参数少等优点，为实现离散调度问题的求解，本发明在标准人工蜂群算法的基础上加以改进，提出了新型人工蜂群算法。
如图1所示，本发明提供的一种电子产品调测生产线混流排产方法包含以下步骤：
步骤S1、提出混流排产约束条件，并对混流排产的工序和设备进行编码；
步骤S2、定义符合生产实际的目标函数和人工蜂群算法的适应度函数，将目标函数与适应度函数相关联；
步骤S3、蜜蜂种群初始化：采用随机方式生成种群个体，从而获得规模为PS的初始种群，将种群中各个体的邻域搜索次数初始化为0，初始化最大迭代次数θ，并从种群中随机选择一个个体用于初始化当前最优解Bestsource；
步骤S4、对所有蜂群遍历搜索区域及初始状态，基于蜂群寻找食物源的方式对食物源位置进行更新，重复执行雇佣蜂阶段、观察蜂阶段、探测蜂阶段，寻找最优解，直至满足迭代终止条件，比较食物源的适应度函数值，对适应度函数最大值所对应的食物源位置信息即为最优排产结果。
所述的步骤S1中，在选择设备、确定各工序工时的过程中要考虑各工序在实际生产过程中的逻辑关系，各个工序执行过程中不能中断，即单个工件的单个工序仅可用一台设备连续加工完成，单个工件同一时间不可跨设备执行多个工序加工过程，单台设备同一时间仅可执行单个工件的单个工序，设备仅在可用的时间段内执行生产任务。
所述的设备包含机器和手工生产单元等，将机器和手工生产单元视为具有同等生产属性的设备进行无差别处理。
所述的混流排产调度约束条件为：
步骤S1中，采用自然数编码法双层编码机制编码，所述的编码方法包含：
工序选择(OS)层：工件j在工序选择(OS)层中的第k次出现表示该工件j的第k道工序Ojk；
设备选择(MS)层：说明从第一个工件的第一道工序开始至最后一个工件的最后一道工序结束过程中各工件的各工序所选择的设备编号。
OS和MS两层的编码长度均为N，N表示所有工件的所有工序的数量之和。
所述的步骤S2中，每个蜂群个体的位置信息包含每个工件生产任务及其工序序列，位置向量中的每一维度的数值对应一个工件生产任务，每只蜜蜂所在的位置向量相当于当前所有要排工件生产任务的顺序。
位置信息是在蜂群算法所依据的蜜蜂寻找食物源的实际场景下对蜜蜂位置的描述。位置向量是基于实际场景建立的蜂群算法数学模型中对位置信息的数学表达。位置信息，通过转化数学模型的位置向量，从而建立和匹配目标函数，目标函数结合算法的特点进行处理后得到适应度函数。
目标函数定义为最小化目标生产任务生产过程用时，且尽量提高设备综合利用率，目标函数值cmax越小越好。
所述的目标函数cmax为：
cmax＝min∑所有工件的所有工序(工序计划完成时间-工序计划开始时间) (2)
将目标函数与人工蜂群算法相关联，适应度函数f(x)值越大越好。
所述的适应度函数f(x)为：
所述的步骤S3中，所述的初始种群由PS个食物源(或解)构成，每个食物源用一个D维实值矢量表示。
种群第i个随机解αi＝{αi,1,αi,2,…,αi,D}的生成方式见公式(4)：
公式(4)中，αi,d表示第i个随机解αi的d维值，αi,D表示第i个随机解αi的D维实值，rαnd(a,b)是[a,b]区间内的随机数，B和分别是取值的下界和上界。
初始化种群后，任选其中的一个食物源作为当前最优解Bestsource。
所述的步骤S4具体包含以下步骤：
步骤S4.1、雇佣蜂阶段：在雇佣蜂阶段，每个雇佣蜂对应一个解，雇佣蜂采用自适应邻域搜索算子在其对应解的邻域进行搜索，并对种群个体位置进行更新；
步骤S4.2、观察蜂阶段：首先计算种群中各个体的适应度，采用轮盘赌法基于选择概率选择个体，采用自适应邻域搜索算子对邻域进行搜索，并对种群个体位置进行更新；
步骤S4.3、探测蜂阶段：搜寻当前种群中搜索次数最大的解，若其搜索次数不小于规定的最大迭代次数，则随机生成一个新解替代该解，并令新解的搜索次数为0，否则不执行任何更新操作；
步骤S4.4、遍历所有搜索区域及初始状态直至整个区域全部搜索完毕，比较得出最大适应度函数值，最大适应度函数值所对应的食物源位置信息的解码结果即为最优排产结果。
注意到，雇佣蜂和观察蜂的个数与种群规模相同，为PS。
所述的步骤S4.1中，在雇佣蜂阶段，每个雇佣蜂对应一个解αi(i＝1,2,…,PS)，雇佣蜂采用自适应邻域搜索算子在其对应解αi的邻域进行搜索，找到一个新的解α'i，然后比较αi和α'i适应度值的大小，若f(αi)＜f(αi′)，则用新解取代当前解，并令该解的邻域搜索次数ni等于0，即αi←αi′，ni＝0；若f(αi)≥f(αi′)，则不更新解，其邻域搜索次数ni加1，即ni←ni+1。
所述的步骤S4.2中，在观察蜂阶段，首先计算种群中各个体的适应度，采用轮盘赌法选择个体，其中个体αi(i＝1,2,…,PS)的轮盘赌选择概率个体累积选择概率当选择解αi时，观察蜂采用自适应邻域搜索算子对解αi的邻域进行搜索，获得一个新的解。比较新解与当前解适应度大小，若新解α'i优于当前解αi，则用新解取代当前解αi，并令该解的邻域搜索次数ni等于0，即αi←αi′，ni＝0；若f(αi)≥f(αi′)，则不更新解，其邻域搜索次数ni加1，即ni←ni+1。
所述的邻域搜索是以当前位置为中心，根据邻域搜索方法寻找不同于当前位置的新的位置的过程。
所述的邻域搜索算子是进行邻域搜索的方法和规则，常用的邻域搜索算子包含移位算子和交换算子。移位算子，即从工件序列中随机选择一个工件，移至随机选择的位置上。交换算子则指随机选择两个不同的工件交换位置。
所述的自适应邻域搜索算子会根据不同应用场景和同一应用场景不同阶段的特点而变化。在不同应用场景和同一应用场景不同阶段进行邻域搜索时，需要对工序选择(OS)编码层以及设备选择(MS)编码层进行邻域搜索，针对不同的编码层可采用不同的邻域搜索方法。
针对工序选择(OS)编码层，采用一种结合移位算子和交换算子的自适应邻域搜索方法，包含以下步骤：
将种群各个体与生成该个体的邻域搜索算子关联起来，对于初始种群中的个体，设与其关联的邻域搜索算子均为移位算子；
根据如下方法选择生成新解αi′的邻域搜索方式：生成区间[0,1]内的随机数，若该数小于自适应邻域搜索概率选择与当前解αi相关联的邻域算子；否则以均等的概率选择移位算子或交换算子，同时将αi′与所选择的算子关联起来。
针对设备选择(MS)编码层，采用单点变异法进行局部搜索，该单点变异局部搜索方法包含如下步骤：
从设备选择(MS)编码层随机选择一个位置，将其上的值更新为该工件工序所对应的可选设备集合中的任一台设备编号(不同于原值)；
生成区间[N+1,2N]内的随机数，更新工序的设备选择。
例如，假设随机数为10，则需要对工序O22的设备进行更新操作，工序O22对应的可选设备集合为{1,2,3}，从1和3中随机选择一个数更新该位置上的原值2。
雇佣蜂阶段和观察蜂阶段均对解进行局部搜索。为提高算法的广域搜索能力，避免出现局部最优，引入探测蜂阶段。
所述的步骤S4.3中，在探测蜂阶段，若食物源αi经过限定的最大迭代次数θ后仍不能被改进，则放弃该位置。该位置的雇佣蜂转变为探测蜂，探测蜂随机生成一个新解。
搜寻当前种群中搜索次数最大的解，若其搜索次数不小于规定的最大迭代次数θ，则随机生成一个新解替代该解，并令新解的搜索次数为0，否则不执行任何更新操作。
分析可知，θ值越大，算法的广域搜索能力越小。在算法的每次循环中，最多只有一个探测蜂在全局范围内搜索新的食物源。
所述的步骤S4.4中，解码是将编码还原成解的过程。本发明涉及工序选择(OS)和设备选择(MS)的双层编码机制，解码可从左到至右遍历OS序列，由OS序列确定其工件号和工序号，然后根据MS序列信息由其工件号和工序号确定设备编号，从而求得该工序在相应设备上的开始加工时间和结束加工时间，遍历结束后可获得完整的作业计划。
本发明的有益效果：
1、新型人工蜂群算法应用于多品种、变批量电子产品调测车间混流生产调度领域，结合遗传算法中的交叉和变异思想，在满足局部寻优与全局寻优在较平衡的状态下寻找最优解，实现快速混流排产。
2、多品种、变批量电子产品调测车间混流排产采用新型人工蜂群算法，该算法的控制参数较少，收敛速度快，稳定性高，优化性能好。
3、本发明并非基于完全理想状态模型，采用拟合实际生产场景约束条件，通过上述电子产品调测车间混流排产算法的发明对实际生产具有指导意义，可以有效解决多品种、变批量电子产品混流排产过程中的设备利用率低、调测生产周期长、在制品及成品库存数量大等问题。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种电子产品调测生产线混流排产方法，其特征在于，包含以下步骤：
步骤S1、提出混流排产约束条件，并对混流排产的工序和设备进行编码；
步骤S2、定义符合生产实际的目标函数和人工蜂群算法的适应度函数，将目标函数与适应度函数相关联；
步骤S3、蜜蜂种群初始化：采用随机方式生成种群个体，从而获得规模为PS的初始种群，将种群中各个体的邻域搜索次数初始化为0，初始化最大迭代次数，并从种群中随机选择一个个体用于初始化当前最优解；
步骤S4、对所有蜂群遍历搜索区域及初始状态，基于蜂群寻找食物源的方式对食物源位置进行更新，重复执行雇佣蜂阶段、观察蜂阶段、探测蜂阶段，寻找最优解，直至满足迭代终止条件，比较食物源的适应度函数值，对适应度函数最大值所对应的食物源位置信息即为最优排产结果。
2.如权利要求1所述的电子产品调测生产线混流排产方法，其特征在于，步骤S1中，所述的混流排产调度约束条件为：
3.如权利要求2所述的电子产品调测生产线混流排产方法，其特征在于，步骤S1中，采用自然数编码法双层编码机制编码，所述的编码方法包含：
工序选择层：工件j在工序选择层中的第k次出现表示该工件j的第k道工序Ojk；
设备选择层：说明从第一个工件的第一道工序开始至最后一个工件的最后一道工序结束过程中各工件的各工序所选择的设备编号。
OS和MS两层的编码长度均为N，N表示所有工件的所有工序的数量之和。
4.如权利要求3所述的电子产品调测生产线混流排产方法，其特征在于，所述的步骤S2中，所述的目标函数cmax为：
cmax＝min∑所有工件的所有工序(工序计划完成时间-工序计划开始时间) (2)
所述的适应度函数f(x)为：
5.如权利要求4所述的电子产品调测生产线混流排产方法，其特征在于，所述的步骤S3中，所述的初始种群由PS个食物源或解构成，每个食物源用一个D维实值矢量表示；
种群第i个随机解αi＝{αi,1,αi,2,…,αi,D}的生成方式见公式(4)：
公式(4)中，rand(a,b)是[a,b]区间内的随机数，B和分别是取值的下界和上界；
初始化种群后，任选其中的一个食物源作为当前最优解。
6.如权利要求5所述的电子产品调测生产线混流排产方法，其特征在于，所述的步骤S4包含以下步骤：
步骤S4.1、雇佣蜂阶段：在雇佣蜂阶段，每个雇佣蜂对应一个解，雇佣蜂采用自适应邻域搜索算子在其对应解的邻域进行搜索，并对种群个体位置进行更新；
步骤S4.2、观察蜂阶段：首先计算种群中各个体的适应度，采用轮盘赌法基于选择概率选择个体，采用自适应邻域搜索算子对邻域进行搜索，并对种群个体位置进行更新；
步骤S4.3、探测蜂阶段：搜寻当前种群中搜索次数最大的解，若其搜索次数不小于规定的最大迭代次数，则随机生成一个新解替代该解，并令新解的搜索次数为0，否则不执行任何更新操作；
步骤S4.4、遍历所有搜索区域及初始状态直至整个区域全部搜索完毕，比较得出最大适应度函数值，最大适应度函数值所对应的食物源位置信息的解码结果即为最优排产结果。
7.如权利要求5所述的电子产品调测生产线混流排产方法，其特征在于，所述的步骤S4.1中，在雇佣蜂阶段，每个雇佣蜂对应一个解αi(i＝1,2,…,PS)，雇佣蜂采用自适应邻域搜索算子在其对应解αi的邻域进行搜索，找到一个新的解α′i，比较αi和α′i适应度值的大小，若f(αi)＜f(αi′)，则用新解取代当前解，并令该解的邻域搜索次数ni等于0，即αi←αi′，ni＝0；若f(αi)≥f(αi′)，则不更新解，其邻域搜索次数ni加1，即ni←ni+1。
8.如权利要求7所述的电子产品调测生产线混流排产方法，其特征在于，所述的步骤S4.2中，在观察蜂阶段，首先计算种群中各个体的适应度，采用轮盘赌法选择个体，其中个体αi(i＝1,2,…,PS)的轮盘赌选择概率个体累积选择概率当选择解αi时，观察蜂采用自适应邻域搜索方法对解αi的邻域进行搜索，获得一个新的解，比较新解与当前解适应度大小，若新解α′i优于当前解αi，则用新解取代当前解αi，并令该解的邻域搜索次数ni等于0，即αi←αi′，ni＝0；若f(αi)≥f(αi′)，则不更新解，其邻域搜索次数ni加1，即ni←ni+1。
9.如权利要求8所述的电子产品调测生产线混流排产方法，其特征在于，所述的自适应邻域搜索方法包含：
针对工序选择编码层，采用结合移位算子和交换算子的自适应邻域搜索方法；
针对设备选择编码层，采用单点变异法进行局部搜索方法；
所述的结合移位算子和交换算子的自适应邻域搜索方法包含以下步骤：
将种群各个体与生成该个体的邻域搜索算子关联起来，对于初始种群中的个体，设与其关联的邻域搜索算子均为移位算子；
根据如下方法选择生成新解αi′的邻域搜索方式：生成区间[0,1]内的随机数，若该数小于自适应邻域搜索概率选择与当前解αi相关联的邻域算子；否则以均等的概率选择移位算子或交换算子，同时将αi′与所选择的算子关联起来；
所述的单点变异局部搜索方法包含如下步骤：
从设备选择编码层随机选择一个位置，将其上的值其更新为该工件工序所对应的可选设备集合中的任一台不同于原值的设备编号；
生成区间[N+1,2N]内的随机数，更新工序的设备选择。
10.如权利要求9所述的电子产品调测生产线混流排产方法，其特征在于，所述的步骤S4.3中，在探测蜂阶段，搜寻当前种群中搜索次数最大的解，若其搜索次数不小于规定的最大迭代次数θ，则随机生成一个新解替代该解，并令新解的搜索次数为0，否则不执行任何更新操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910823483.8A CN110516978A (zh) | 2019-09-02 | 2019-09-02 | 一种电子产品调测生产线混流排产方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910823483.8A CN110516978A (zh) | 2019-09-02 | 2019-09-02 | 一种电子产品调测生产线混流排产方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110516978A true CN110516978A (zh) | 2019-11-29 |
Family
ID=68630349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910823483.8A Pending CN110516978A (zh) | 2019-09-02 | 2019-09-02 | 一种电子产品调测生产线混流排产方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110516978A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111208794A (zh) * | 2020-02-22 | 2020-05-29 | 江南大学 | 基于差分进化算法的离散制造车间静态调度优化方法 |
| CN111311090A (zh) * | 2020-02-13 | 2020-06-19 | 北京轩宇信息技术有限公司 | 一种基于大数据计算与分析的智能排程方法及装置 |
| CN111950761A (zh) * | 2020-07-01 | 2020-11-17 | 合肥工业大学 | 面向高端装备复杂分层任务网络的研制资源集成调度方法 |
| CN112101633A (zh) * | 2020-08-21 | 2020-12-18 | 温州大学 | 一种生产流水线优化系统 |
| CN112561381A (zh) * | 2020-12-24 | 2021-03-26 | 哈尔滨工业大学（深圳） | 一种可重入作业车间调度解码方法 |
| CN112987662A (zh) * | 2021-02-05 | 2021-06-18 | 山东大学 | 基于机床加工能力排序的混合流水车间可持续调度方法 |
| CN113408922A (zh) * | 2021-06-29 | 2021-09-17 | 昆明理工大学 | 一种餐厨垃圾回收过程的车辆优化调度方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411306A (zh) * | 2011-11-17 | 2012-04-11 | 浙江工业大学 | 一种基于蜂社会自组织模型的混流装配生产调度控制方法 |
-
2019
- 2019-09-02 CN CN201910823483.8A patent/CN110516978A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411306A (zh) * | 2011-11-17 | 2012-04-11 | 浙江工业大学 | 一种基于蜂社会自组织模型的混流装配生产调度控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李修琳等: "混合蜂群算法求解柔性作业车间调度问题", 《计算机集成制造系统》 * |
| 杨佩莉等: "基于人工蜂群算法的柔性工艺规划方法研究", 《价值工程》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111311090A (zh) * | 2020-02-13 | 2020-06-19 | 北京轩宇信息技术有限公司 | 一种基于大数据计算与分析的智能排程方法及装置 |
| CN111208794A (zh) * | 2020-02-22 | 2020-05-29 | 江南大学 | 基于差分进化算法的离散制造车间静态调度优化方法 |
| CN111950761A (zh) * | 2020-07-01 | 2020-11-17 | 合肥工业大学 | 面向高端装备复杂分层任务网络的研制资源集成调度方法 |
| CN111950761B (zh) * | 2020-07-01 | 2022-11-15 | 合肥工业大学 | 面向高端装备复杂分层任务网络的研制资源集成调度方法 |
| CN112101633A (zh) * | 2020-08-21 | 2020-12-18 | 温州大学 | 一种生产流水线优化系统 |
| CN112561381A (zh) * | 2020-12-24 | 2021-03-26 | 哈尔滨工业大学（深圳） | 一种可重入作业车间调度解码方法 |
| CN112561381B (zh) * | 2020-12-24 | 2023-09-01 | 哈尔滨工业大学（深圳） | 一种可重入作业车间调度解码方法 |
| CN112987662A (zh) * | 2021-02-05 | 2021-06-18 | 山东大学 | 基于机床加工能力排序的混合流水车间可持续调度方法 |
| CN113408922A (zh) * | 2021-06-29 | 2021-09-17 | 昆明理工大学 | 一种餐厨垃圾回收过程的车辆优化调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516978A (zh) | 一种电子产品调测生产线混流排产方法 | |
| CN107392402B (zh) | 基于改进禁忌搜索算法的生产运输协同调度方法及系统 | |
| CN107590603B (zh) | 基于改进变邻域搜索和差分进化算法的调度方法及系统 | |
| Pan et al. | Effective metaheuristics for scheduling a hybrid flowshop with sequence-dependent setup times | |
| Pan et al. | A novel discrete artificial bee colony algorithm for the hybrid flowshop scheduling problem with makespan minimisation | |
| Yu et al. | Assembly line balancing based on an adaptive genetic algorithm | |
| CN101901425A (zh) | 一种基于多种群协同进化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 | |
| CN109992355A (zh) | 一种基于改进非支配遗传算法的多目标云工作流调度方法 | |
| CN107230023B (zh) | 基于改进和声搜索的生产和运输协同调度方法和系统 | |
| 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 | |
| CN103235743A (zh) | 一种基于分解和最优解跟随策略的多目标测试任务调度方法 | |
| CN106611231A (zh) | 一种混合粒子群禁忌搜索算法求解作业车间调度问题 | |
| Gu et al. | A discrete particle swarm optimization algorithm with adaptive inertia weight for solving multiobjective flexible job-shop scheduling problem | |
| Deb | Introduction to selection | |
| CN116700176A (zh) | 一种基于强化学习的分布式阻塞流水车间调度优化系统 | |
| CN110288075A (zh) | 一种基于改进混合蛙跳算法的特征选择方法 | |
| Wang et al. | Solving task scheduling problems in cloud manufacturing via attention mechanism and deep reinforcement learning | |
| CN108803519A (zh) | 一种改良的帝国竞争算法解决柔性作业车间调度问题的方法 | |
| CN109902925A (zh) | 基于碳排放夹点分析和过程图的流程调度建模方法 | |
| CN106610641A (zh) | 针对动态作业车间调度问题的基于局部搜索遗传编程算法 | |
| Özcan | Memes, self-generation and nurse rostering | |
| CN109829535A (zh) | 基于量子候鸟优化算法求解无等待流水调度问题的方法 | |
| Chiang et al. | Solving the FMS scheduling problem by critical ratio-based heuristics and the genetic algorithm | |
| Ali et al. | An improved genetic algorithm with local search for solving the DJSSP with new dynamic events |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |
|
| RJ01 | Rejection of invention patent application after publication |