CN110689216B - 一种基于混合果蝇算法的机器人装配单元混合产品jit节能生产优化方法 - Google Patents

一种基于混合果蝇算法的机器人装配单元混合产品jit节能生产优化方法 Download PDF

Info

Publication number
CN110689216B
CN110689216B CN201910714977.2A CN201910714977A CN110689216B CN 110689216 B CN110689216 B CN 110689216B CN 201910714977 A CN201910714977 A CN 201910714977A CN 110689216 B CN110689216 B CN 110689216B
Authority
CN
China
Prior art keywords
sequence
order
mixed
robot
product
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.)
Active
Application number
CN201910714977.2A
Other languages
English (en)
Other versions
CN110689216A (zh
Inventor
李明富
康世亚
肖文凯
杜义贤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN201910714977.2A priority Critical patent/CN110689216B/zh
Publication of CN110689216A publication Critical patent/CN110689216A/zh
Application granted granted Critical
Publication of CN110689216B publication Critical patent/CN110689216B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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]
    • 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
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供了一种以最小化能耗和实现准时制（JIT）为优化目标，实现机器人装配单元多个订单混合产品生产，并利用混合果蝇算法进行优化的解决方法。其具体实施过程为：针对多个含有混合产品的待装配订单需要在机器人装配单元内完成节能准时制生产调度优化问题，采用多个订单产品混合生产方案，制定动态双层双序列编码规则，并利用反向调度实现订单准时化生产，最后利用改进嗅觉视觉搜索的混合果蝇算法，对机器人装配单元JIT节能生产调度问题进行优化求解。本发明能为机器人装配单元多个订单混合产品生产调度优化问题提供一种有效的解决方法，改善由于订单交货延迟带来的企业信誉问题，同时减少车间能耗并节约库存成本。

Description

一种基于混合果蝇算法的机器人装配单元混合产品JIT节能 生产优化方法
技术领域
本发明涉及调度问题领域，更具体地，涉及一种基于混合果蝇算法的机器人装配单元混合产品JIT节能生产优化方法。
背景技术
绿色节能发展已成为大势所趋，潮流所向，制造业的能耗所占的比重使得各制造企业在不断寻求更有效的节能方案。同时，本田公司提出的“准时制”生产模式较之前传统的生产模式更加高效且成本更低。但是目前鲜有在机器人装配单元中同时考虑节能和准时制的调度生产的研究，而同时也考虑多个订单混合产品在机器人装配单元中生产的研究几乎没有。因此不管是产业界还是学术界，机器人装配单元中多个订单混合产品JIT节能生产已经成为急需解决的问题，迫切地需要一种专门的解决方法。
发明内容
为了解决上述问题，本发明旨在公开一种机器人装配单元调度优化方法，尤指一种基于混合果蝇算法的机器人装配单元中多个订单混合产品准时化节能生产问题的调度优化方法。
为了实现上述目的，本发明所采用的技术方案主要包括以下过程：
步骤1、针对有m个具有不同交货期TDi的订单{O1，O2，...，Oi，...，Om}，每个订单中均含有不同批量的n种类型产品{P1，P2，...，Pj，...，Pn}，且每种产品含有s个装配或搬运操作 {OP1，OP2，...，OPo，...，OPs}，所有订单产品的操作均在机器人装配单元内由机器人r完成生产的调度问题，构建以能耗最小化和实现准时制为优化目标的评价函数，其中机器人装配单元中包含机器人，装配台，工件库，输入传送带和输出传送带；
能耗最小化是指在完成所有订单任务后，机器人总能耗的平均值最小，其中每台机器人执行某产品操作的总能耗为该机器人执行该产品操作的单位时间能耗及其执行时间的乘积，评价函数为：
Figure GDA0002292571620000011
其中，Nij指i订单中j类型产品的数目，Tjor指j产品的o操作在机器人r上的执行时间，Ejor指j产品的o操作在机器人r 上执行的单位时间能耗，R指机器人总数；
实现准时制是指每个订单在其交货期完工的前提下，即所有订单交货期与其释放时间差值的平均值最小，即
Figure GDA0002292571620000012
使每个订单的施放时间尽可能延迟。
步骤2、制定动态双层双序列编码规则，对不同订单中不同产品的不同操作及其所选机器分别进行编码；
双层双序列是指编码中包含序列一和序列二，每个序列又包含机器人装配任务序列和机器人选择序列，其中，序列一指多个订单混合产品在机器人装配单元中的任务执行序列，序列二是序列一的子序列，指序列一中的当前订单任务序列和上个订单在其交货期前未进行解码的任务序列；
当待解码的订单变化时，序列二也随之动态更新变化，动态过程具体如下：
1)将所有订单产品的操作任务在序列一中进行编码，其中编码包括机器人装配任务序列编码和机器人选择序列编码，机器人装配序列包含订单编号、产品类型、各类型产品数目编号和各产品当前操作数这4个编码信息，机器人选择序列包含当前操作所选择的机器人，其中产品类型j、该产品操作数o和执行机器r确定执行任务的操作时间和单位时间能耗；
2)将当前待解码订单的任务序列从序列一复制到序列二，且保持任务顺序不变，待当前订单阶段完成，再将当前订单未完成任务和交货期更早的下个订单任务序列从序列一复制到序列二，且保持任务在序列一中的顺序不变，完成序列二的一次更新，序列二在每次更换待解码订单时发生一次变化更新，此动态过程循环进行直到所有订单任务完成解码。
步骤3、建立多个订单阶段依次解码的反向调度解码方案，基于这种解码方案对每个订单阶段对应的操作序列依次进行解码；
多个订单阶段依次解码的反向调度解码方案具体为：
首先定义订单阶段为该订单交货期到更早订单交货期之间的过程，同时为了实现准时制生产，设定每个订单阶段反向调度解码的起点为该订单交货期，然后根据订单交货期越晚则越早解码的规则，确定订单解码的先后顺序，其次根据订单解码顺序，将最早解码的订单操作任务从序列一复制到序列二，并保持在序列一的顺序不变，根据序列二的机器人装配任务序列和机器人选择序列，从该订单交货期这一时刻开始以反向调度的方式进行解码操作，直至下个待解码订单交货期，该订单阶段结束，同时删除序列二中在该订单阶段已完成的操作任务，接着进行下个订单阶段的任务解码：将当前序列二的剩余操作和当前待解码订单的操作任务重新更新至序列二，保持所有操作任务在序列一中的顺序不变，同样从当前订单交货期开始，以反向调度的方式完成当前订单阶段的解码，以此解码过程在每个订单阶段依次进行，直至所有订单任务完成解码。
步骤4、针对机器人装配任务序列，采用随机插入操作，针对机器人选择序列，采用机器重分配操作，基于这两种操作对混合果蝇算法的嗅觉搜索进行改进；
随机插入操作：在嗅觉搜索阶段，针对序列一的机器人装配任务序列执行随迭代次数增加，执行次数相应减少的随机插入操作，即在机器人装配任务序列中随机选取一个操作，并将其随机插入到序列中另一个位置，该随机插入操作在每次迭代中连续执行多次，但随着迭代次数的增加，执行次数相应减少；
机器重分配操作：在嗅觉搜索阶段，针对序列一的机器人选择序列，首先随机选择某一订单的某类型产品，然后为该订单该类型产品的所有操作重新分配一个可选机器。
步骤5、采用非支配分层方法，对混合果蝇算法的视觉搜索进行改进；
根据更好的个体有更大机会遗传给下一代的原则，在种群中选择一定数目个体作为下次迭代的种群中心，非支配分层方法具体操作为：①对种群中的所有果蝇个体进行非支配排序分层，②根据公式
Figure GDA0002292571620000021
rk为当前层数，Rank为总层数，计算每层被选中的概率，③使用轮盘赌的方式选择一个层，在该层中随机选择一个个体作为一个种群中心，反复执行多次，直至选出所有种群中心。
步骤6、针对机器人装配任务序列，执行改进的POX交叉操作，针对机器人选择序列，采用分布估计算法中概率模型更新操作的方法，实现全局协作搜索；
上述全局协作搜索操作，具体分为两个部分：
第一部分，首先从所有个体中随机选择两个父代个体，然后针对这两个父代个体序列一的机器人装配任务序列，执行改进的POX交叉操作，该操作具体为，随机选择某一订单的某类型产品，复制父代序列中包含选定订单产品的操作到各自子代中，保持它们的位置和顺序，再将父代序列中不包含选定订单产品的操作复制到彼此子代中，保持它们的顺序；
第二部分，针对这两个父代个体序列一的机器人选择序列，运用分布估计算法的概率模型
Figure GDA0002292571620000022
对所选机器进行更新；
其中α∈(0，1)为学习速率，
Figure GDA0002292571620000023
是算法的第g次迭代中第z个精英解的机器分配向量对应的示性函数，定义为：
Figure GDA0002292571620000024
OPOijko指第i个订单中第k个j产品的第o个操作；
最后通过对两个父代个体执行上述交叉操作和分布估计算法概率模型更新操作，得到两个新子代个体。
步骤7、通过步骤4-6得到的改进的嗅觉搜索、视觉搜索和全局协作搜索，构建混合果蝇算法，并用该混合果蝇算法对机器人装配单元混合产品JIT节能生产调度问题进行优化求解；
对种群中心进行嗅觉搜索形成新种群，然后对新种群执行基于非支配分层的视觉搜索以更新种群中心，将新种群的前沿解作为精英解集，在新种群中随机选择个体执行基于领域的全局协作搜索，更新精英解集，以此方法构建兼具全局探索和局部开发功能的混合果蝇算法，并用该混合果蝇算法对机器人装配单元混合产品JIT节能生产调度问题进行优化求解。
附图说明
图1是采用混合果蝇算法优化求解多目标调度问题模型的流程图；
具体实施方式
下面以一个机器人装配单元案例来详细说明本发明的具体实施方式：
本发明针对以能耗最小化和实现准时制生产为优化目标，具有混合产品的多个订单在机器人装配单元中生产的调度优化问题，设计动态双层双序列方式编码，建立多个订单阶段依次解码的反向调度解码方案，对混合果蝇算法的嗅觉搜索和视觉搜索进行改进，同时在混合果蝇算法中加入全局协作搜索，最后构建混合果蝇算法，并利用该算法解决机器人装配单元多个订单混合产品的JIT节能生产优化问题。
其具体实施过程为：
步骤1、针对有m个具有不同交货期TDi的订单{O1，O2，...，Oi，...，Om}，每个订单中均含有不同批量的n种类型产品{P1，P2，...，Pj，...，Pn}，且每种产品含有s个装配或搬运操作 {OP1，OP2，...，OPo，...，OPs}，所有订单产品的操作均在机器人装配单元内由机器人r完成生产的调度问题，构建以最小化能耗和实现准时制为优化目标的评价函数，其中机器人装配单元中包含机器人，装配台，工件库，输入传送带和输出传送带；
能耗最小化是指在完成所有订单任务后，机器人总能耗的平均值最小，其中每台机器人执行某产品操作的总能耗为该机器人执行该产品操作的单位时间能耗及其执行时间的乘积，评价函数为：
Figure GDA0002292571620000031
其中，Nij指i订单中j类型产品的数目，Tjor指j产品的o操作在机器人r上的执行时间，Ejor指j产品的o操作在机器人r 上执行的单位时间能耗，R指机器人总数；
实现准时制是指每个订单在其交货期完工的前提下，即所有订单交货期与其释放时间差值的平均值最小，即
Figure GDA0002292571620000032
使每个订单的施放时间尽可能延迟。
步骤2、制定动态双层双序列编码规则，对不同订单中不同产品的不同操作及其所选机器分别进行编码；
双层双序列是指编码中包含序列一和序列二，每个序列又包含机器人装配任务序列和机器人选择序列，其中，序列一指多个订单混合产品在机器人装配单元中的任务执行序列，序列二是序列一的子序列，指序列一中的当前订单任务序列和上个订单在其交货期前未进行解码的任务序列；
当待解码的订单变化时，序列二也随之动态更新变化，动态过程具体如下：
1)将所有订单产品的操作任务在序列一中进行编码，其中编码包括机器人装配任务序列编码和机器人选择序列编码，机器人装配序列包含订单编号i、产品类型j、各类型产品数目编号k和各产品当前操作数o这4个编码信息，机器人选择序列包含当前操作所选择的机器人r，其中产品类型j、该产品操作数o和执行机器r确定执行任务的操作时间和单位时间能耗；
2)将当前待解码订单的任务序列从序列一复制到序列二，且保持任务顺序不变，待当前订单阶段完成，再将当前订单未完成任务和交货期更早的下个订单任务序列从序列一复制到序列二，且保持任务在序列一中的顺序不变，完成序列二的一次更新，序列二在每次更换待解码订单时发生一次变化更新，此动态过程循环进行直到所有订单任务完成解码。
步骤3、建立多个订单阶段依次解码的反向调度解码方案，基于这种解码方案对每个订单阶段对应的操作序列依次进行解码；
首先定义订单阶段为该订单交货期到更早订单交货期之间的过程，同时为了实现准时制生产，设定每个订单阶段反向调度解码的起点为该订单交货期，然后根据订单交货期越晚则越早解码的规则，确定订单解码的先后顺序，接着根据订单解码顺序，以反向调度方式，依次实现每个订单在其订单阶段的解码，最终完成多个订单任务执行序列，即序列一的解码。
步骤4、针对机器人装配任务序列，采用随机插入操作，针对机器人选择序列，采用机器重分配操作，基于这两种操作对混合果蝇算法的嗅觉搜索进行改进；
随机插入操作Insert(g)：在嗅觉搜索阶段，针对序列一的机器人装配任务序列执行随迭代次数增加，执行次数相应减少的随机插入操作，即在机器人装配任务序列中随机选取一个操作OPOijko，并将其随机插入到序列中另一个位置，该随机插入操作在每次迭代中连续执行多次，但随着迭代次数g的增加，执行次数相应减少；
机器重分配操作Reassign(i，j)：在嗅觉搜索阶段，针对序列一的机器人选择序列，首先随机选择某一订单的某类型产品，然后为该订单该类型产品的所有操作重新分配一个可选机器。
步骤5、采用非支配分层方法，对混合果蝇算法的视觉搜索进行改进；
根据更好的个体有更大机会遗传给下一代的原则，在种群中选择一定数目个体作为下次迭代的种群中心，非支配分层方法具体操作为：①对种群中的所有果蝇个体进行非支配排序分层，②根据公式
Figure GDA0002292571620000041
rk为当前层数，Rank为总层数，计算每层被选中的概率，③使用轮盘赌的方式选择一个层，在该层中随机选择一个个体作为一个种群中心，反复执行多次，直至选出所有种群中心。
步骤6、针对机器人装配任务序列，执行改进的POX交叉操作，针对机器人选择序列，采用分布估计算法中概率模型更新操作的方法，实现全局协作搜索；
上述全局协作搜索操作，具体分为两个部分：
第一部分，首先从所有个体中随机选择两个父代个体，然后针对这两个父代个体序列一的机器人装配任务序列，执行改进的POX交叉操作，该操作具体为，随机选择某一订单的某类型产品，复制父代序列中包含选定订单产品的操作到各自子代中，保持它们的位置和顺序，再将父代序列中不包含选定订单产品的操作复制到彼此子代中，保持它们的顺序；
第二部分，针对这两个父代个体序列一的机器人选择序列，运用分布估计算法的概率模型对所选的机器进行更新，以加强操作任务与机器之间的匹配程度，具体为：
采用均匀分布初始化概率模型，即
Figure GDA0002292571620000042
其中 CR为OPOijko可行机器的数目；
利用精英解更新概率模型的方式更新机器，更新的概率矩阵满足公式：
Figure GDA0002292571620000043
其中α∈(0，1)为学习速率，
Figure GDA0002292571620000044
是算法的第g次迭代中第z个精英解的机器分配向量对应的示性函数，定义为：
Figure GDA0002292571620000045
OPOijko指第i个订单中第k个j产品的第o个操作；
通过对两个父代个体执行上述交叉操作和分布估计算法概率模型更新操作，得到两个新子代个体。
步骤7、通过步骤4-6得到的改进的嗅觉搜索、视觉搜索和全局协作搜索，构建混合果蝇算法，并用该混合果蝇算法对机器人装配单元混合产品JIT节能生产调度问题进行优化求解；
混合果蝇算法的具体过程，参考图1，如下：
S1、初始化混合果蝇算法的参数：种群大小N，每个种群的个体数S，最大迭代次数Gen，u，η，α；
S2、初始化N个果蝇个体和精英解集P；
S3、嗅觉搜索：将N个果蝇作为N个种群中心，并通过嗅觉搜索使每个种群中心产生S个果蝇个体，形成新种群；
S4、根据非支配分层方法的反向调度解码方案，利用评价函数对种群中每个个体进行适应度值计算：
S5、对种群个体进行非支配排序，求解出Pareto前沿解，并利用Pareto前沿解更新精英解集P；
S6、利用视觉搜索选出N个果蝇个体更新种群中心；
S7、全局协作搜索：依次从新种群中任意选择两个父代个体，执行全局协作搜索，直至产生N个新个体；
S8、对N个新个体和精英解集中的个体进行非支配排序，将前沿解更新到精英解集P；
S9、迭代次数增加1，如果小于最大迭代次数，则转至S3，否则转至S10；
S10、输出精英解集P。

Claims (5)

1.一种基于混合果蝇算法的机器人装配单元混合产品JIT节能生产优化方法，其特征在于以下几个步骤：
步骤1、针对在机器人装配单元中的多订单、多产品混合生产调度问题，构建以能耗最小化和实现准时制为优化目标的评价函数，能耗最小化是指所有订单任务完成后，机器人总能耗的平均值最小，其中每台机器人执行某产品操作的总能耗为该机器人执行该产品操作的单位时间能耗与执行时间的乘积，实现准时制是指每个订单在其交货期完工的前提下，所有订单交货期与其释放时间差值的平均值最小，以使得每个订单的释放时间尽可能延迟；
步骤2、制定动态双层双序列编码规则，对不同订单中不同产品的不同操作及其所选机器分别进行编码；
其中所述动态双层双序列编码是指编码中包含序列一和序列二，每个序列又包含机器人装配任务序列和机器人选择序列；其中，序列一指所有订单混合产品在机器人装配单元中的任务执行序列；序列二是序列一的子序列，指序列一中的当前订单任务序列和上个订单在其交货期前未进行解码的任务序列；当待解码的订单变化时，序列二也随之动态更新变化，动态过程具体如下：①首先，将所有订单产品的操作任务在序列一中进行编码，其中编码过程包括机器人装配任务序列编码和机器人选择序列编码，机器人装配序列包含订单编号、产品类型、各类型产品数目编号和各产品当前操作数这4个编码信息，机器人选择序列包含当前操作所选择的机器人，其中产品类型、该产品操作数和执行机器确定执行任务的操作时间和单位时间能耗；②然后，将当前待解码订单的任务序列从序列一复制到序列二，且保持任务顺序不变，待当前订单阶段完成，再将当前订单未完成任务和交货期更早的下个订单任务序列从序列一复制到序列二，且保持任务在序列一中的顺序不变，完成序列二的一次更新，序列二在每次更换待解码订单时发生一次变化更新，此动态过程循环进行直到所有订单任务完成解码；
步骤3、建立多个订单阶段依次解码的反向调度解码方案，基于这种解码方案对每个订单阶段对应的操作序列依次进行解码；
其中所述反向调度解码方案为：首先定义订单阶段为订单交货期到更早订单交货期之间的过程，同时为了实现准时制生产，设定每个订单阶段反向调度解码的起点为该订单交货期，然后根据订单交货期越晚则越早解码的规则，确定订单解码的先后顺序，接着根据订单解码顺序，以反向调度方式，依次实现每个订单在其订单阶段的解码，最终完成多个订单任务执行序列，即序列一的解码；
步骤4、针对机器人装配任务序列，采用随机插入操作，针对机器人选择序列，采用机器重分配操作，基于这两种操作对混合果蝇算法的嗅觉搜索进行改进；
步骤5、采用非支配分层方法，对混合果蝇算法的视觉搜索进行改进；
步骤6、针对机器人装配任务序列，执行改进的POX交叉操作，针对机器人选择序列，采用分布估计算法中概率模型更新操作的方法，实现全局协作搜索；
步骤7、通过步骤4-6得到的改进嗅觉搜索、视觉搜索和全局协作搜索，构建混合果蝇算法，并用该混合果蝇算法对机器人装配单元混合产品JIT节能生产调度问题进行优化求解；
其中所述混合果蝇算法为：对种群中心进行嗅觉搜索形成新种群，然后对新种群执行基于非支配分层的视觉搜索以更新种群中心，将新种群的前沿解作为精英解集，在新种群中随机选择个体执行基于领域的全局协作搜索，更新精英解集，以此方法构建兼具全局探索和局部开发功能的混合果蝇算法。
2.根据权利要求1中所述的一种基于混合果蝇算法的机器人装配单元混合产品JIT节能生产优化方法，其特征在于，所述步骤4的随机插入操作为：在嗅觉搜索阶段，对序列一的机器人装配任务序列执行动态的随机插入操作，即在机器人装配任务序列中随机选取一个操作，并将其随机插入到序列中另一个位置，该随机插入操作在每次迭代中连续执行多次，但随着迭代次数的增加，执行次数相应减少。
3.根据权利要求1中所述的一种基于混合果蝇算法的机器人装配单元混合产品JIT节能生产优化方法，其特征在于，所述步骤4的机器重分配操作为：在嗅觉搜索阶段，针对序列一的机器人选择序列，首先随机选择某一订单的某类型产品，然后为该订单该类型产品的所有操作重新分配一个可选机器。
4.根据权利要求1中所述的一种基于混合果蝇算法的机器人装配单元混合产品JIT节能生产优化方法，其特征在于，所述步骤5的非支配分层的方法为：根据更好的个体有更大机会遗传给下一代的原则，在种群中选择一定数目个体作为下次迭代的种群中心，具体为：①对种群中的所有果蝇个体进行非支配排序分层，②根据公式
Figure FDA0003931146210000021
rk为当前层数，Rank为总层数，计算每层被选中的概率，③使用轮盘赌的方式选择一个层，在该层中随机选择一个个体作为一个种群中心，反复执行多次，直至选出所有种群中心。
5.根据权利要求1中所述的一种基于混合果蝇算法的机器人装配单元混合产品JIT节能生产优化方法，其特征在于，所述步骤6的全局协作搜索，分为两个部分：第一部分，首先从所有个体中随机选择两个父代个体，然后针对这两个父代个体序列一的机器人装配任务序列，执行改进的POX交叉操作，该操作具体为，随机选择某一订单的某类型产品，复制父代序列中包含选定订单产品的操作到各自子代中，保持它们的位置和顺序，再将父代序列中不包含选定订单产品的操作复制到彼此子代中，保持它们的顺序；第二部分，针对这两个父代个体序列一的机器人选择序列，运用分布估计算法的概率模型方式对所选机器进行更新。
CN201910714977.2A 2019-08-02 2019-08-02 一种基于混合果蝇算法的机器人装配单元混合产品jit节能生产优化方法 Active CN110689216B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910714977.2A CN110689216B (zh) 2019-08-02 2019-08-02 一种基于混合果蝇算法的机器人装配单元混合产品jit节能生产优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910714977.2A CN110689216B (zh) 2019-08-02 2019-08-02 一种基于混合果蝇算法的机器人装配单元混合产品jit节能生产优化方法

Publications (2)

Publication Number Publication Date
CN110689216A CN110689216A (zh) 2020-01-14
CN110689216B true CN110689216B (zh) 2023-01-03

Family

ID=69108199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910714977.2A Active CN110689216B (zh) 2019-08-02 2019-08-02 一种基于混合果蝇算法的机器人装配单元混合产品jit节能生产优化方法

Country Status (1)

Country Link
CN (1) CN110689216B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116957299B (zh) * 2023-09-19 2023-12-01 湖北浩蓝智造科技有限公司 自动化仓库复合订单的优化调度方法、系统、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108829A (zh) * 2016-11-24 2018-06-01 江苏创源电子有限公司 一种基于改进果蝇算法的作业车间调度方法
CN109636205A (zh) * 2018-12-18 2019-04-16 合肥师范学院 一种研发项目组合中多技能人员调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578178B (zh) * 2017-09-11 2018-08-28 合肥工业大学 基于变邻域搜索和引力搜索混合算法的调度方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108108829A (zh) * 2016-11-24 2018-06-01 江苏创源电子有限公司 一种基于改进果蝇算法的作业车间调度方法
CN109636205A (zh) * 2018-12-18 2019-04-16 合肥师范学院 一种研发项目组合中多技能人员调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
作业车间调度问题的自适应步进值果蝇算法研究;殷生旺等;《测控技术》;20180118(第01期);全文 *

Also Published As

Publication number Publication date
CN110689216A (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN107168267B (zh) 基于改进粒子群与启发式策略的生产排产方法及系统
CN110598941A (zh) 一种基于仿生策略的粒子群优化制造系统双目标排产方法
CN113379087A (zh) 一种基于改进遗传算法的生产制造排产优化方法
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
CN105629927A (zh) 一种基于混合遗传算法的mes生产计划排产方法
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
CN110458326B (zh) 一种分布式阻塞型流水线调度的混合群智能优化方法
CN104636871A (zh) 一种基于数据的单阶段多产品批处理的控制方法
CN105373845A (zh) 制造企业车间的混合智能调度优化方法
CN107831740A (zh) 一种应用于笔记本零件的分布式生产制造过程中的优化调度方法
CN116933939A (zh) 基于改进浣熊优化算法的柔性车间协同生产方法及系统
CN110689216B (zh) 一种基于混合果蝇算法的机器人装配单元混合产品jit节能生产优化方法
CN116466659A (zh) 一种基于深度强化学习的分布式装配流水车间调度方法
CN104503381B (zh) 一种手机的生产装配过程的优化调度方法
CN115933568A (zh) 一种多目标分布式混合流水车间调度方法
CN109255484A (zh) 数据驱动的离散制造资源协同优化方法及系统
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
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
CN113485278B (zh) 优化两生产指标的柔性作业车间调度多目标分布估计方法
Liang et al. Hybrid algorithm based on genetic simulated annealing algorithm for complex multiproduct scheduling problem with zero-wait constraint
CN116774657A (zh) 一种基于鲁棒优化的再制造车间动态调度方法
CN110991917A (zh) 采用两阶段遗传算法的多模资源受限项目调度优化方法
CN114819558A (zh) 一种解决分布式混合流水车间的双目标调度优化方法
CN114839930A (zh) 一种用于分布式装配阻塞流水车间集成调度系统
CN117519030B (zh) 一种基于超启发式强化学习的分布式装配阻塞流水车间调度方法

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