CN110597213A - 一种分布式混合流水车间的生产调度方法及系统 - Google Patents
一种分布式混合流水车间的生产调度方法及系统 Download PDFInfo
- Publication number
- CN110597213A CN110597213A CN201910933406.8A CN201910933406A CN110597213A CN 110597213 A CN110597213 A CN 110597213A CN 201910933406 A CN201910933406 A CN 201910933406A CN 110597213 A CN110597213 A CN 110597213A
- Authority
- CN
- China
- Prior art keywords
- processed
- scheduling
- workpieces
- initial solution
- workshop
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 69
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims description 30
- 238000011423 initialization method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 239000012634 fragment Substances 0.000 claims 1
- 238000006467 substitution reaction Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 19
- 210000004556 brain Anatomy 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000000540 analysis of variance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 101001062338 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) Dihydrofolate synthetase Proteins 0.000 description 2
- 101000892866 Schizosaccharomyces pombe (strain 972 / ATCC 24843) Probable dihydrofolate synthetase Proteins 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000018199 S phase Effects 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- -1 papermaking Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本公开一种分布式混合流水车间的生产调度方法及系统，以最小化所有生产任务中的待加工工件的最大完工时间为目标，调度方法包括初始化和头脑风暴优化两个阶段。初始化阶段包含随机初始化和分布式初始化(即DNEH)两个策略，可以有效的提高初始解的质量；本公开对头脑风暴优化(hybrid brain storm optimization,HBSO)算法进行了改进，头脑风暴优化阶段包含交叉策略和聚类策略，提高了种群数量，增大了找到更优解的概率。以产生一个可行的调度方案来最小化最大完工时间，同时提高车间及车间设备的利用率，提高生产效率。
Description
技术领域
本公开涉及车间生产调度控制相关技术领域，具体的说，是涉及一种分布式混合流水车间的生产调度方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。
生产调度是企业生产管理系统中需要解决的重要问题之一。自20世纪70年代萨尔瓦多提出混合流水车间调度(hybrid flowshop scheduling,HFS)问题以来，混合流水车间调度问题引起了众多研究者的关注。在经典的混合流水车间调度问题中，一系列作业只由一个车间处理，车间由一组生产阶段组成，且至少一个阶段有多台相同的机器。混合流水车间广泛应用于实际生产中，如玻璃制造、纺织、造纸、钢铁等行业。在分布式混合车间调度问题中，可以在一组可用车间中的由任意一个车间中处理每个工件。如果可以采用最佳的分配方式，使得各个车间的工作有效进行，能够大大提高分布式混合流水车间的工作效率，从而可以大大提高车间的生产产量，降低制造成本。虽然已有相当多的研究对混合流水车间调度问题和分布式流水车间调度问题进行了研究，但对分布式混合车间调度问题的研究较少。
发明内容
本公开为了解决上述问题，提出了一种分布式混合流水车间的生产调度方法及系统，以最小化所有生产任务中的待加工工件的最大完工时间为目标，调度方法包括初始化和头脑风暴优化两个阶段。初始化阶段包含随机初始化和分布式初始化(即DNEH)两个策略，可以有效的提高初始解的质量；本公开对头脑风暴优化(hybrid brain stormoptimization,HBSO)算法进行了改进，头脑风暴优化阶段包含交叉策略、聚类策略，提高了种群数量，增大了找到更优解的概率。以产生一个可行的调度方案来最小化最大完工时间，同时提高车间及车间设备的利用率，提高生产效率。
为了实现上述目的，本公开采用如下技术方案：
一个或多个实施例提供了一种分布式混合流水车间的生产调度方法,包括如下步骤：
获取车间设备、工序的基本信息和下发生产任务的第一终端发送的生产加工任务指令；所述生产加工指令包括待加工的工件、数量及要求完成时间；
确定车间调度的具体约束，建立调度模型；
基于分布式初始化方法对调度模型进行求解，生成将待加工工件分配至车间相应工序位置的初始解；
采用基于聚类算法的头脑风暴算法对待加工工件分配的初始解进行优化，获得调度模型的最优解，输出生产调度方案。
一个或多个实施例提供了一种分布式混合流水车间的生产调度系统,包括：
生产任务接收模块：用于获取车间设备、工序的基本信息和下发生产任务的第一终端发送的生产加工任务指令；所述生产加工指令包括待加工的工件、数量及要求完成时间；
调度模型建立模块：用于确定车间调度的具体约束，建立调度模型；
初始化求解模块：用于基于分布式初始化方法对调度模型进行求解，生成将待加工工件分配至车间相应工序位置的初始解；
优化输出模块：用于采用基于聚类算法的头脑风暴算法对待加工工件分配的初始解进行优化，获得调度模型的最优解，输出生产调度方案。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
与现有技术相比，本公开的有益效果为：
本公开以最小化所有生产任务中的待加工工件的最大完工时间为目标，调度方法包括初始化和头脑风暴优化两个阶段。初始化阶段包含随机初始化和分布式初始化(即DNEH)两个策略，可以有效的提高初始解的质量；本公开对头脑风暴优化(hybrid brainstorm optimization,HBSO)算法进行了改进，头脑风暴优化阶段包含交叉策略和聚类策略，提高了种群数量，增大了找到更优解的概率。以产生一个可行的调度方案来最小化最大完工时间，同时提高车间及车间设备的利用率，提高生产效率。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。
图1是根据一个或多个实施方式的生产调度方法流程图；
图2是本公开实施例1中示例编码问题的编码示意图；
图3为本公开实施例1中示例编码问题的解码甘特图；
图4为本公开实施例1中的聚类距离计算方法示意图；
图5为本公开实施例1中的交叉过程示意图；
图6为本公开实施例1中的初始化方法效果对比图；
图7为本公开实施例1中的聚类距离计算方法效果对比图；
图8为本公开实施例1中的混合头脑风暴优化算法与原始头脑风暴优化算法效果对比图；
图9为本公开实施例1中的混合头脑风暴优化算法与遗传算法效果对比图。的结构侧视图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
在传统混合流水车间调度优化问题中，所有的工件都是在同一个车间进行加工处理，即只有一个车间。然而，随着制造业全球化的趋势，企业已经开始采用分布式生产管理系统来降低制造成本，降低管理风险。虽然已有相当多的研究对混合流水车间调度问题和分布式流水车间调度问题进行了研究，但对分布式混合车间调度问题的研究较少。为了弥补这一缺陷，我们对分布式混合流水车间调度问题进行研究。所谓生产调度即为把要待加工的工件合理的分配到相应的车间的相应工序位置，使得生产车间的设备被有效利用，减少设备闲置，利于生产制造的有序进行，从而提高生产效率。
实施例1
在一个或多个实施方式中公开的技术方案中，如图1所示，一种分布式混合流水车间的生产调度方法,包括如下步骤：
步骤1、获取车间设备、工序的基本信息和下发生产任务的第一终端发送的生产加工任务指令；所述生产加工指令包括待加工的工件及数量；
步骤2、确定车间调度的具体约束，建立调度模型；
步骤3、基于分布式初始化方法对调度模型进行求解，生成将待加工工件分配至车间相应工序位置的初始解；
步骤4、采用基于聚类算法的头脑风暴算法对待加工工件分配的初始解进行优化，获得调度模型的最优解，输出生产调度方案。
所述步骤1获取车间设备、工序的基本信息包括车间设备可以加工工件的种类、车间设备是否有故障，现在车间的工序生产情况，当前进行加工任务完工所需要的时间等。所述生产加工指令包括至少待加工的工件及数量，还可以包括待加工工件的要求完成时间。
确定车间调度的具体约束，建立调度模型，具体如下：
调度模型的具体目标函数可以具体为：所有待加工工件的完工时间和的最大值最小。
调度问题中同构车间F个，需要调度的工件J个，需要加工的阶段S个，每个阶段拥有同构机器MS个。问题的约束条件可以具体包括：每个工件只能由一个车间进行加工；每个车间至少加工一个工件；每个工件必须经过S个加工阶段；每个工件在每个阶段只能由一台机器加工；每个机器只能同时加工一个工件。
参数和符号表示可以如表1所示，如下：
Xi,j,m,f定义为如果满足条件1：工件j紧随工件i在机器m上加工为1，否则为0：
Yjs定义为如果满足条件2：如果工件j被分配在车间f为1，否则为0：
Zj,s,m定义为如果满足条件3：如果工件j在s阶段由机器m进行加工为1，否则为0：
目标函数可以表示为：
min Cmax (1)
约束条件可以表示为：
上述公式中目标函数(1)是最小化所有车间的完工时间。约束(2)保证每个工件只能在一个指定的车间加工。约束(3)保证每个工件都经历所有的加工阶段，并且每个阶段只由一台机器加工。约束(4)是指每个工件在每个阶段只能被加工一次。约束(5)表示任意一台机器只能同时加工一个工件。约束(6)表示每个工件要按照加工阶段依次加工。约束(7)和(8)定义了最大完工时间。约束(9)-(10)定义了0-1变量。
求解的目标是最大完工时间最小化。更具体地说,分布式混合流水车间调度有两个子问题需要解决:一是分配子问题,为每个工件分配一个车间；另一个是调度子问题,在每个车间内部安排加工顺序,以产生一个可行的计划来最小化使最大完工时间。
基于以上目的对每个工件进行分配，所述分配包括车间的分配和工序的分配，作为一种可实现的方案，步骤3中，基于分布式初始化方法对调度模型进行求解，生成将待加工工件分配至车间相应工序位置的初始解的方法，步骤具体为：
步骤31：把待加工工件随机分配到各个车间，同时确保每个车间至少分配到一个工件；
步骤32:在每个车间内部，按照工件分配到该车间的顺序进行调度；
步骤33：将每个待加工工件尝试插入到前一个序列的所有可能位置，并计算每个可能位置的完工时间；
步骤34：选择完工时间最小的位置，并将待加工工件插入该位置；
步骤35：对每个车间分配到的待加工工件重复步骤32、步骤33和步骤34，至所有车间内所有待加工工件调度完毕，获得每个工件分配至车间相应工序位置的初始解。
上述初始解具体的可以采用一维数组的方式编码一个解，一维数组的每一个数代表一个工件分配到的工厂编号，第一个数表示编号为1的工件分配到的工厂编号，依次类推。
头脑风暴优化(brain storm optimization,BSO)算法的概念和理论源于对人类头脑风暴法会议过程的模拟。头脑风暴优化算法主要由聚类模块和学习模块两个模块组成。在聚类模块中算法采用聚类方法将信息量聚为K个类，每个类中的聚类中心为该类的最优值，算法对信息量通过学习进行寻优，对各个类中信息并行寻优，促进局部搜索，通过类间相互协作以及变异操作使算法跳出局部最优，促进全局搜索，通过聚类中心的寻优过程保证算法的收敛性能，对类中信息变异寻优的过程保证了算法种群的多样性。
问题编码：采用一维数组的方式编码一个初始解，一维数组的每一个数代表一个工件分配到的工厂编号，第一个数表示编号为1的工件分配到的工厂编号，依次类推。例如如图2给出了一个6个工件，2个工厂的编码。将工件{2,3,5}分配给1号工厂，然后将{1,4,6}分配到2号工厂加工。每个解的编码是若干个工件编号，也就是一个向量；一个聚类表示很多个解，这些解排列成一个矩阵，行表示一个解，矩阵的每个维度就是列，则每一列可以求得一个平均值。
问题解码：每个工厂内部按照工件分配到工厂的先后顺序进行加工，采取优先使用最先空闲的机器规则。对图2中所示的示例问题的编码，解码甘特图如图3所示，每个工件在指定工厂内进行加工。
本公开对头脑风暴算法进行改进，针对离散调度问题算法中结合聚类算法和交叉策略，寻求最优解。所述步骤4、采用基于聚类算法的头脑风暴算法对待加工工件分配的初始解进行优化，获得调度模型的最优解，输出生产调度方案的步骤具体为：
步骤41：采用一维数组的方式编码初始解，根据待加工工件分配的初始解建立初始解集：X＝(x1,x2,...,xm)共m个初始解存入当前解集；m为大于1的正整数。
步骤42：对初始解集进行聚类；
步骤43：随机替代聚类中心；
步骤44：产生新个体代替旧个体，更新初始解集为优化解集。
作为一种可以实现的方法，所述步骤42中对初始解集进行聚类的方法，步骤可以如下：
步骤421：从初始解集随机选取设定数量的初始解作为聚类中心；如可以从m个解中随机选出K个解作为聚类中心；
步骤422：计算每个初始解到每个聚类中心的距离，并把每个解分配到距离最小的聚类中心所在的类中；
步骤423：用解的每个维度的平均值，计算每一类中每个初始解到聚类中心的每一维距离的平均值，根据该平均值重新确定新的聚类中心；
解的每个维度的平均值具体为：每个解的编码是若干个工件编号，也就是一个向量；一个聚类表示很多个解，这些解排列成一个矩阵，行表示一个解，矩阵的每个维度就是列，则每一列可以求得一个平均值；每一类中每个初始解到聚类中心的每一维距离可以具体为每个初始解到解的每个维度的平均值的距离。
步骤424：重复步骤422和步骤423，直到达到循环次数或者聚类中心不再改变。
作为进一步的改进，本实施例还提出了一种聚类距离的计算方法，步骤422中的每个初始解到每个聚类中心的距离方法，如图4所示，具体步骤如下：
步骤422-1：计算每个初始解到聚类中心的每一维的距离(i＝1…n)；
步骤422-2：计算每个初始解到聚类中心的每一维距离总和，将距离总和作为初始解到聚类中心的距离。
用一个随机替代聚类中心的目的是：当这个聚类中心陷入局部最优的时候，为了能够跳出局部极小。作为一种可以实现的方法，所述步骤43：随机替代聚类中心的方法，步骤可以如下：
步骤431：设置概率参数，随机产生一个0到1间的数值；
步骤432：如果该值小于概率参数，则随机选择一个聚类中心，随机生成一个解代替该聚类中心。概率参数是可以设置的数值，如可以设置为0.5。随机生成一个解在本实施例中可以具体为：随机排列所有工件的编号，一个解的编码就是所有工件的一个排列方案。
本实施例头脑风暴算法中个体是初始解，解就是随机排列所有工件的编号，一个解的编码就是所有工件的一个排列方案，算法是迭代运行，当前迭代的是新个体，上次运行的是旧个体。本实施例中所述的个体都是初始解。作为一种可以实现的方法，所述步骤44：产生新个体代替旧个体，更新初始解集为优化解集的方法，步骤具体为：
步骤441：设置概率参数，随机产生一个0到1间的数值A；
步骤442：如果该值A小于概率参数，则根据轮盘赌概率选择一个类。
步骤443：再次随机产生一个0到1间的数值B，如果该值B小于概率参数，则选择类的聚类中心加上随机值产生新个体，否则在类中随机选择一个个体加上随机值产生新个体；
步骤444：如果该值B大于概率参数，则随机选择两个类；再次随机产生一个0到1间的数值，如果该值小于概率参数，则选择两个类的中心加上随机值产生新个体，否则在两个类中随机选择两个个体加上随机值产生新个体；
步骤445：如果生成的新个体优于旧个体，则用新个体代替旧个体。
混合头脑风暴优化(hybrid brain storm optimization,HBSO)算法阶段包含交叉策略和聚类策略，提高了种群数量，增大了找到更优解的概率。
上述步骤4中在步骤42之后和步骤43之前还包括聚类间交叉策略，用于完成聚类之间的交互学习功能。
本实施例基于部分映射交叉(partial-mapped crossover,PMX)，为分布式混合流水车间调度设计了一种聚类间交叉策略，如图5所示，具体步骤如下：
步骤1：选择每个类中最好的个体作为父代；
步骤2：在两个父代中随机选择两个片段，如可以在两个父代的相同位置选择两个片段；
步骤3：进行冲突检测，根据选择的片段建立映射关系，把与所选片段冲突的基因映射到其他基因。
为了进一步说明达到的技术效果进行了仿真实验。
基于实际生产数据，我们生成了20个针对分布式混合流水车间调度优化问题的大规模测试算例。每个算例中的工厂数量在区间(2,5)中随机生成。算例根据工件的数量分为四类。此外，为了检验混合头脑风暴优化算法在不同复杂度环境下的有效性，将每一类问题根据阶段数量分为五个子问题。例如，instance_50_2表示此算例包含50个工件和2个阶段。
3.1DNEH有效性分析
为了验证本实施例的分布式初始化方法(Nawaz-Enscore-Ham(distributedNawaz-Enscore-Ham,简称为DNEH)的有效性，本实施例将分布式DNEH初始化方法II与随机初始化方法I进行对比，求解生成的20个算例。
表1给出了算法针对20个算例的实验结果对比，表中第一列给出了算例名称，第二列给出了每个算例的规模，第三列给出每个算例的最优解，接下来两列展示出两种方法获得的每个算例的最好目标值，最后两列展示出两种对比方法得到的均方差，计算公式如下：
由表可见，本实施例提出的DNEH算法在求解20个算例中：(1)获得17个最优值，明显优于随机初始化方法；(2)通过均方差分析(即ANOVA)可见，DNEH获得的平均dev 0.11，明显小于随机初始化方法。图6是初始化对比效果图，其中纵坐标为方差分析(即ANOVA)获得的平均值。横坐标BSO_DNEH为分布式DNEH初始化方法获得的数据，BSO_NO为随机初始化方法获得的数据。
表1 DNEH有效性分析
3.2聚类距离计算方法有效性分析
为了验证本实施例所设计的聚类距离计算方法的有效性，本实施例将设计的聚类距离计算方法D-II与欧氏距离计算方法D-I进行对比，求解生成的20个算例。
表2给出了算法针对20个算例的实验结果对比，表中第一列给出了算例名称，第二列给出每个算例的最优解，接下来两列展示出两种方法获得的每个算例的最好目标值，最后两列展示出两种对比方法得到的均方差。
由表可见，本实施例提出的聚类距离计算方法在求解20个算例中：(1)获得15个最优值，明显优于欧氏距离D-I计算方法；(2)通过均方差分析可见，DNEH获得的平均dev0.38，明显小于欧氏距离D-I计算方法。图7纵坐标是两种算法比较的dev值。
表2聚类距离计算方法有效性分析
3.HBSO算法有效性分析
为了验证本实施例所设计的混合头脑风暴优化算法机HBSO算法的有效性，本实施例将的HBSO算法与原始的头脑风暴优化算法简称为CBSO进行对比，求解生成的20个DHFS算例。
每个算法在同一台计算机上运行5次，两种对比算法的最小值、最大值和平均值如表3所示，最后两列展示出两种对比算法得到的均方差。
由表可见，本实施例提出的HBSO算法在求解20个DHFS算例中：(1)获得16个最优值，明显优于原始的BSO算法；(2)通过均方差分析可见，HBSO算法获得的平均dev 0.00，明显小于原始的BSO算法。图8纵坐标是两种算法比较的dev值。
表3 HBSO算法有效性分析
3.HBSO算法与GA算法对比
为了验证本实施例所采用的HBSO算法的有效性，本实施例将设计的HBSO算法与遗传算法(GA)作为对比算法，求解生成的20个算例。
每个算法在同一台计算机上运行5次，两种对比算法的最小值、最大值和平均值如表4所示，最后两列展示出两种对比算法得到的均方差。
由表可见，本实施例提出的HBSO算法在求解20个算例中：(1)获得17个最优值，明显优于原始的GA算法；(2)通过均方差分析可见，HBSO算法获得的平均dev 0.00，明显小于GA算法。图9纵坐标是两种算法比较的dev值。
表4 HBSO算法与GA算法对比
实施例2
本实施例提供一种分布式混合流水车间的生产调度系统,包括：
生产任务接收模块：用于获取车间设备、工序的基本信息和下发生产任务的第一终端发送的生产加工任务指令；所述生产加工指令包括待加工的工件、数量及要求完成时间；
调度模型建立模块：用于确定车间调度的具体约束，建立调度模型；
初始化求解模块：用于基于分布式初始化方法对调度模型进行求解，生成将待加工工件分配至车间相应工序位置的初始解；
优化输出模块：用于采用基于聚类算法的头脑风暴算法对待加工工件分配的初始解进行优化，获得调度模型的最优解，输出生产调度方案。
实施例3
本实施例提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1所述的步骤。
实施例4
本实施例提供一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1所述的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种分布式混合流水车间的生产调度方法,其特征是，包括如下步骤：
获取车间设备、工序的基本信息和下发生产任务的第一终端发送的生产加工任务指令；所述生产加工指令包括待加工的工件、数量及要求完成时间；
确定车间调度的具体约束，建立调度模型；
基于分布式初始化方法对调度模型进行求解，生成将待加工工件分配至车间相应工序位置的初始解；
采用基于聚类算法的头脑风暴算法对待加工工件分配的初始解进行优化，获得调度模型的最优解，输出生产调度方案。
2.如权利要求1所述的一种分布式混合流水车间的生产调度方法，其特征是：车间调度的调度模型的目标函数为：所有待加工工件完工时间的和的最大值最小。
3.如权利要求1所述的一种分布式混合流水车间的生产调度方法，其特征是：车间调度的具体约束包括：每个工件只能由一个车间进行加工；每个车间至少加工一个工件；每个工件必须经过完成工件加工的加工阶段；每个工件在每个阶段只能由一台机器加工；每个机器只能同时加工一个工件。
4.如权利要求1所述的一种分布式混合流水车间的生产调度方法，其特征是：基于分布式初始化方法对调度模型进行求解，生成将待加工工件分配至车间相应工序位置的初始解的方法，步骤具体为：
步骤31：把待加工工件随机分配到各个车间，同时确保每个车间至少分配到一个工件；
步骤32:在每个车间内部，按照工件分配到该车间的顺序进行调度；
步骤33：将每个待加工工件尝试插入到前一个序列的所有可能位置，并计算每个可能位置的完工时间；
步骤34：选择完工时间最小的位置，并将待加工工件插入该位置；
步骤35：对每个车间分配到的待加工工件重复步骤32、步骤33和步骤34，至所有车间内所有待加工工件调度完毕，获得每个工件分配至车间相应工序位置的初始解。
5.如权利要求1所述的一种分布式混合流水车间的生产调度方法，其特征是：所述采用基于聚类算法的头脑风暴算法对待加工工件分配的初始解进行优化，获得调度模型的最优解，输出生产调度方案的步骤具体为：
步骤41：采用一维数组的方式编码初始解，根据待加工工件分配的初始解建立初始解集；
步骤42：对初始解集进行聚类；
步骤43：根据聚类结果，随机生成新的解替代聚类中心；
步骤44：产生新个体代替旧个体，更新初始解集为优化解集；
或/和在步骤42之后和步骤43之前还包括聚类间交叉策略，用于完成聚类之间的交互学习功能，包括如下步骤：
选择每个类中最好的个体作为父代；
在两个父代中随机选择两个片段；
进行冲突检测，根据选择的片段建立映射关系，把与所选片段冲突的基因映射到其他基因。
6.如权利要求5所述的一种分布式混合流水车间的生产调度方法，其特征是：所述步骤42对初始解集进行聚类的方法，包括如下步骤：
步骤421：从初始解集随机选取设定数量的初始解作为聚类中心；
步骤422：计算每个初始解到每个聚类中心的距离，并把每个解分配到距离最小的聚类中心所在的类中；
步骤423：用解的每个维度的平均值，重新确定新的聚类中心；
步骤424：重复步骤2和步骤3，直到达到循环次数或者聚类中心不再改变；或者
步骤422中每个初始解到每个聚类中心的距离的计算方法包括：
计算每个初始解到聚类中心的每一维的距离；
计算每个初始解到聚类中心的每一维距离总和，将距离总和作为初始解到聚类中心的距离。
7.如权利要求5所述的一种分布式混合流水车间的生产调度方法，其特征是：所述步骤44：产生新个体代替旧个体，更新初始解集为优化解集的方法，步骤具体为：
步骤441：设定概率参数，随机产生一个0到1间的数值A；
步骤442：如果该值A小于概率参数，则根据轮盘赌概率选择一个类；
步骤443：再次随机产生一个0到1间的数值B，如果该值B小于概率参数，则选择类的聚类中心加上随机值产生新个体，否则在类中随机选择一个个体加上随机值产生新个体；
步骤444：如果该值B大于概率参数，则随机选择两个类；再次随机产生一个0到1间的数值，如果该值小于概率参数，则选择两个类的中心加上随机值产生新个体，否则在两个类中随机选择两个个体加上随机值产生新个体；
步骤445：如果生成的新个体优于旧个体，则用新个体代替旧个体。
8.一种分布式混合流水车间的生产调度系统,其特征是，包括：
生产任务接收模块：用于获取车间设备、工序的基本信息和下发生产任务的第一终端发送的生产加工任务指令；所述生产加工指令包括待加工的工件、数量及要求完成时间；
调度模型建立模块：用于确定车间调度的具体约束，建立调度模型；
初始化求解模块：用于基于分布式初始化方法对调度模型进行求解，生成将待加工工件分配至车间相应工序位置的初始解；
优化输出模块：用于采用基于聚类算法的头脑风暴算法对待加工工件分配的初始解进行优化，获得调度模型的最优解，输出生产调度方案。
9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910933406.8A CN110597213A (zh) | 2019-09-29 | 2019-09-29 | 一种分布式混合流水车间的生产调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910933406.8A CN110597213A (zh) | 2019-09-29 | 2019-09-29 | 一种分布式混合流水车间的生产调度方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110597213A true CN110597213A (zh) | 2019-12-20 |
Family
ID=68864719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910933406.8A Pending CN110597213A (zh) | 2019-09-29 | 2019-09-29 | 一种分布式混合流水车间的生产调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110597213A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080023A (zh) * | 2019-12-24 | 2020-04-28 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于头脑风暴优化的舰载飞机出动调度规划方法 |
| CN112766659A (zh) * | 2020-12-31 | 2021-05-07 | 山东师范大学 | 一种分布式混合流水车间调度方法、介质和系统 |
| CN113093673A (zh) * | 2021-03-31 | 2021-07-09 | 南京大学 | 一种使用平均场动作价值学习优化车间作业排程的方法 |
| CN113867275A (zh) * | 2021-08-26 | 2021-12-31 | 北京航空航天大学 | 一种分布式车间预防维修联合调度的优化方法 |
| CN114418055A (zh) * | 2021-12-02 | 2022-04-29 | 北京电子工程总体研究所 | 基于头脑风暴算法的集群编队控制方法、系统、存储介质及电子设备 |
| CN115202306A (zh) * | 2022-07-21 | 2022-10-18 | 西安理工大学 | 基于头脑风暴机制的复杂重型装备生产优化调度方法 |
| CN115344011A (zh) * | 2022-03-17 | 2022-11-15 | 兰州理工大学 | 一种节能分布式两阶段装配零等待流水车间调度问题的优化系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106610652A (zh) * | 2015-12-22 | 2017-05-03 | 四川用联信息技术有限公司 | 改进编码方式的遗传算法解分布式柔性作业车间调度问题 |
| CN110276481A (zh) * | 2019-05-31 | 2019-09-24 | 清华大学 | 一种分布式混合流水线调度优化方法 |
| CN110288185A (zh) * | 2019-05-16 | 2019-09-27 | 清华大学 | 一种分布式柔性流水线调度方法 |
-
2019
- 2019-09-29 CN CN201910933406.8A patent/CN110597213A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106610652A (zh) * | 2015-12-22 | 2017-05-03 | 四川用联信息技术有限公司 | 改进编码方式的遗传算法解分布式柔性作业车间调度问题 |
| CN110288185A (zh) * | 2019-05-16 | 2019-09-27 | 清华大学 | 一种分布式柔性流水线调度方法 |
| CN110276481A (zh) * | 2019-05-31 | 2019-09-24 | 清华大学 | 一种分布式混合流水线调度优化方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴秀丽、等: "求解离散调度问题的双机制头脑风暴优化算法", 《控制与决策》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111080023A (zh) * | 2019-12-24 | 2020-04-28 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于头脑风暴优化的舰载飞机出动调度规划方法 |
| CN112766659A (zh) * | 2020-12-31 | 2021-05-07 | 山东师范大学 | 一种分布式混合流水车间调度方法、介质和系统 |
| CN112766659B (zh) * | 2020-12-31 | 2023-04-18 | 山东师范大学 | 一种分布式混合流水车间调度方法、介质和系统 |
| CN113093673A (zh) * | 2021-03-31 | 2021-07-09 | 南京大学 | 一种使用平均场动作价值学习优化车间作业排程的方法 |
| CN113867275A (zh) * | 2021-08-26 | 2021-12-31 | 北京航空航天大学 | 一种分布式车间预防维修联合调度的优化方法 |
| CN113867275B (zh) * | 2021-08-26 | 2023-11-28 | 北京航空航天大学 | 一种分布式车间预防维修联合调度的优化方法 |
| CN114418055A (zh) * | 2021-12-02 | 2022-04-29 | 北京电子工程总体研究所 | 基于头脑风暴算法的集群编队控制方法、系统、存储介质及电子设备 |
| CN115344011A (zh) * | 2022-03-17 | 2022-11-15 | 兰州理工大学 | 一种节能分布式两阶段装配零等待流水车间调度问题的优化系统 |
| CN115202306A (zh) * | 2022-07-21 | 2022-10-18 | 西安理工大学 | 基于头脑风暴机制的复杂重型装备生产优化调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110597213A (zh) | 一种分布式混合流水车间的生产调度方法及系统 | |
| Abedi et al. | A multi-population, multi-objective memetic algorithm for energy-efficient job-shop scheduling with deteriorating machines | |
| CN104268722B (zh) | 基于多目标进化算法的动态柔性作业车间调度方法 | |
| Ho et al. | GENACE: an efficient cultural algorithm for solving the flexible job-shop problem | |
| CN103942610B (zh) | 基于任务的可重组制造系统多态构型优化方法 | |
| Jiang et al. | Energy-efficient scheduling of flexible job shops with complex processes: A case study for the aerospace industry complex components in China | |
| CN106875094A (zh) | 一种基于多色集合遗传算法的多目标车间调度方法 | |
| CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
| CN110288185B (zh) | 一种分布式柔性流水线调度方法 | |
| CN112766659B (zh) | 一种分布式混合流水车间调度方法、介质和系统 | |
| 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 | |
| CN112381273B (zh) | 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 | |
| CN113705812B (zh) | 基于混合并行遗传和变邻域算法的生产调度方法和系统 | |
| CN112286152A (zh) | 具有批量交付约束的分布式流水车间调度方法及系统 | |
| Wang et al. | A novel imperialist competitive algorithm with multi-elite individuals guidance for multi-object unrelated parallel machine scheduling problem | |
| CN115933568A (zh) | 一种多目标分布式混合流水车间调度方法 | |
| CN116360355A (zh) | 基于nsga-iii算法求解车间调度问题的方法 | |
| CN117035364A (zh) | 基于改进混合模因算法的分布式异构流水车间调度方法 | |
| CN105550825A (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 | |
| Wang et al. | An online optimization scheme of the dynamic flexible job shop scheduling problem for intelligent manufacturing | |
| CN109085804A (zh) | 一种用于电子产品在多工厂车间生产过程的优化调度方法 | |
| CN117634768A (zh) | 基于改进ssa算法的多目标柔性车间调度方法 | |
| CN117077975A (zh) | 基于混合初始化模因算法的分布式异构流水车间调度方法 | |
| CN116011723A (zh) | 基于哈里斯鹰算法的焦化炼焦混合流水车间智能调度方法及应用 | |
| Zhou et al. | A modified column generation algorithm for scheduling problem of reentrant hybrid flow shops with queue constraints |
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: 20191220 |
|
| RJ01 | Rejection of invention patent application after publication |