CN110837918A - 一种多层集成调度机制 - Google Patents
一种多层集成调度机制 Download PDFInfo
- Publication number
- CN110837918A CN110837918A CN201910950550.2A CN201910950550A CN110837918A CN 110837918 A CN110837918 A CN 110837918A CN 201910950550 A CN201910950550 A CN 201910950550A CN 110837918 A CN110837918 A CN 110837918A
- Authority
- CN
- China
- Prior art keywords
- order
- scheduling
- time
- module
- supplier
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 90
- 238000004519 manufacturing process Methods 0.000 claims abstract description 189
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 43
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 9
- 239000010410 layer Substances 0.000 description 34
- 230000008569 process Effects 0.000 description 22
- 230000008901 benefit Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 11
- 239000013598 vector Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000009812 interlayer coupling reaction Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/04—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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种多层集成调度机制，首先搭建多层集中调度机制架构，包括订单分配模块、供应商选择模块、车间调度模块，其中，订单分配模块确定各个用户的需求订单及对应的子任务的加工优先级，供应商选择模块确定各个用户需求订单子任务对应的供应商、车间生产线，车间调度模块确定各个用户需求订单子任务中各个步骤的加工顺序；然后根据车间调度模块上使用时间，供应商选择模块上使用时间、成本、运输，订单分配模块使用时间、成本、运输、生产线空闲率、服务延迟时间关联订单分配模块、供应商选择模块、车间调度模块，最后采用多目标进化算法，使用关联得到的多层集中调度机制模型，对各用户的需求订单的调度加工进行优化求解，完成多层集成调度。
Description
技术领域
本发明涉及一种云制造环境下多企业多任务协调调度的方法，特别是一种多层集成调度机制。
背景技术
云制造(Cloud Manufacturing，CMfg)是一种面向服务的、高效低耗和基于智能知识的网络化制造新模式。云制造将现有网络化制造与服务技术同云计算、高性能计算等技术融合，实现各类制造资源(计算资源、制造设备、软件、人力和知识等资源)统一的、集中的智能化管理和经营，其目的就是进一步最大化各种资源、设备的智能共享，为不同场景下的制造任务提供安全可靠、优质价廉的生产活动，同时提高资源利用率，降低能源消耗。
在云制造的生产模式下，制造资源种类繁多，制造服务多种多样，如何精确、快速地产生满足不同需求的服务方案，实现分散资源集中调度，对高效利用云制造服务至关重要，同时也是云制造技术的关键所在。具体来说，根据服务资源的类型不同，在云制造模式下，产品从需求产生到落入车间生产，需经历包括企业选择、供应商服务选择、车间设备调度等多层次多过程寻优，利用多层次不同角度的资源匹配，实现产品全线生产优化。此外，云制造系统是致力于全球覆盖的开放系统，多用户制造是其典型特征之一，它将不可避免地面临多个制造任务同时请求服务的情形。因此，如何面向多个制造任务请求，精确调控云制造资源和制造能力，集中多层多类制造资源，构造多层集中高效调度机制，成为当前云制造集中规划中亟需解决的问题。
另一方面，由于云制造模式涉及的用户需求不同，参与的加工企业众多，各个制造任务来源于不同的用户需求，各个制造服务来源于不同的企业，势必产生相应的运输消耗、资源冲突、利益均衡等问题。这就要求云制造的资源调度能够适应不同的主体需求，具有多生产目标同时评估优化的能力。因此，云制造多层集中调度机制实际上是一个综合考虑时间、成本、质量和能力的动态多目标调度过程。
随着信息科学技术的不断发展，解决云制造资源调度的方法也不断涌现，其中，多目标优化的思想正适应于解决上述问题。多目标优化研究了如何在多个互相冲突的决策准则(因素、目标、目的)下进行科学和有效地决策。与传统的单目标优化不同，多目标优化摒弃了最优解的概念，它在所有可行方案中权衡、寻找多个指标下的可行解、满意解、非劣解的集合。也就是说，多目标优化通过解集的形式反映多个目标下的各个优化调度方案的多角度评估结果，从提供的服务方案的数量上弥补传统单目标寻优的局限，为决策者提供更全面的服务备选方案。
如上所述，现有研究云制造环境下的调度机制主要是将问题进行拆解并分别建模优化，比如订单分配问题的建模机制、供应商选择的建模机制、车间调度问题的建模机制。但上述建模机制分别研究各个问题，不考虑云制造环境下不同问题之间的模型关联，则失去了云制造资源集中的核心思想。因此，也有研究者建立了关联模型来研究制造环境下的调度机制，Styliani Avraamidou就提出了一个解决多过程集中调度问题的调度机制。
Styliani Avraamidou提出的调度机制主要是解决制造供应链下的规划调度问题，该调度机制是一个两层的组合调度模式，包括分配决策问题和生产决策问题。问题考虑的生产背景可用如下过程描述，有m个用户，每个用户有单一的产品生产需求，n个供应商可为其提供成品配送服务，而在供应商的成品来自k个生产车间，在这样的环境下，如何进行需求、供应商、车间的匹配调度。首先，分配决策问题解决的是用户需求的供应商选择，根据供应商与用户之间的运输路线，分配确定供货的供应商以及相应的货物运输路线。选定用户需求所对应的供应商后，即进入生产决策层，解决所需求产品的制造工厂选择。根据分配决策层的选择结果，每个用户需求选定一个供应商，而供应商根据其合作的工厂及车间，为相应的用户需求选择可行的加工车间，以解决用户产品的实际制造调度问题。在该生产决策机制上，生产决策层的工厂选择与分配决策层息息相关，由分配决策层所直接决定，是一个单向紧密联系的调度机制。
在两层调度机制的建模解决上，Styliani Avraamidou提出的解决方案是利用混合整数线性规划的方法求解。将调度机制的问题约束，包括供应商能力约束、供应商运输路线约束、车间能力约束等利用数学方程建模描述，形成模型问题约束关系，再以供应商成本与车间生产成本为生产指标，不断寻找调度策略，最小化总生产成本。
上述对制造过程的调度机制，基本是以子问题为研究重点，即单独研究订单分配、供应商选择、车间调度等，然而，对子问题的调度机制进行独立研究则忽略了问题模块间的约束关系与依赖关系，这在资源共享的云制造环境下尤为重要。因此，上述现有技术的调度机制具有一定的突破性，即研究了分配决策模块和生产决策模块之间的关联性，但在大规模混合制造的环境下，该调度机制仍然存在问题与不足。主要表现在以下方面：
首先，上述现有技术主要以供应链生产为研究背景，而随着云计算、云制造的概念被提出并广泛应用，基于云的大规模资源协作生产需求不断涌现，在这样的制造环境下，现有技术没有充分考虑多种类多层次调度资源的利用，只局部地考虑了供应商和产线两种企业级资源，而在云制造的大环境下，不深入地综合考量各类资源的情况而只考虑局部子问题，容易导致资源利用不均、调度效率低下等情况。
其次，上述现有技术的研究放在分配和生产两个环节，主要研究的是需求、供应商、车间如何进行两两匹配，即最终形成一一配对的调度结果，模型的约束上只是考虑了不同的供应商能力及车间能力，而缺乏灵活动态的模型描述，如当用户有多种不同的需求时该调度机制如何处理，生产能力较强的供应商是否可灵活调度完成多项工作，具体的产线中当设备有限时如何匹配调度等，这些具体的生产状况都有可能出现，但却没有被上述现有技术充分考虑，这可能会使得部分任务的等待时间被延长而服务能力强的供应商被闲置。
第三，上述现有技术在调度机制的优化过程中，只考虑了成本这个因素，而在实际的制造调度过程中，涉及多个生产指标的优化，包括时间、运输、产线效率等。单一成本的评估方式显得过于片面，具有一定的局限性，且以成本为导向的调度机制优化过程可能导致制造过程产生倾斜，以企业效益为重而影响用户的产品体验，因此需要提出一种适用于云制造的多层集成调度机制。
云制造环境下生产任务的调度机制结合了多个调度层面，每个调度层面都可独立成一个研究分支，而研究者们也对各个方向展开了深入的探讨。但作为一个云制造整体，考虑多各优化过程的层间联系，搭建一个多层集成的调度机制来解决云制造的复杂问题，已经变得越来越重要。仔细研究当前的集成制造现状和发明现状我们发现，较少的研究者关注解决云制造系统不同阶段之间的资源约束与利益权衡问题。此外，关于复杂云制造过程中的多生产目标同时优化的研究也较少。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种多层集成调度机制，用关联的思维方式，解决在不同云制造生产过程中资源的约束、决策的耦合、任务的分配、负载的平衡等问题，对云制造中的多过程优化问题进行模块化建模，全面分析其复杂性与配置需求，具体解决的技术问题包括：
(1)设计集中调度机制的模型方案，分析制造任务在云制造平台的生产过程，为生产过程中涉及不同子模块的优化过程进行分别建模，梳理各模块之间的约束关系，集中解决云制造环境下的复杂调度需求；
(2)设计集中调度机制的优化方案，探讨云制造过程中各参与方(主体)的利益需求，设计多个生产评价指标，利用现有的多目标优化算法评估多指标下的生产策略优劣。
本发明的技术解决方案是：一种多层集成调度方法，包括如下步骤：
(1)搭建多层集中调度机制架构，多层集中调度机制架构包括订单分配模块、供应商选择模块、车间调度模块；其中，多个用户的需求订单分别进行划分，得到多个能够分别进行加工的子任务，订单分配模块确定各个用户的需求订单及对应的子任务的加工优先级；供应商选择模块确定各个用户需求订单子任务对应的供应商、车间生产线；车间调度模块，确定各个用户需求订单子任务中各个步骤的加工顺序，使得加工时间最短、效率最高；
(2)根据车间调度模块上使用时间，供应商选择模块上使用时间、成本、运输，订单分配模块使用时间、成本、运输、产线空闲率、服务延迟时间关联订单分配模块、供应商选择模块、车间调度模块；
(3)采用多目标进化算法，使用步骤(2)关联得到的多层集中调度机制模型，对各用户的需求订单的调度加工进行优化求解，完成多层集成调度。
所述的多层集中调度机制架构中用户的需求订单包括多个子任务，每个子任务对应多个加工步骤，且在同一供应商的同一车间生产线完成生产，其中，供应商包括多个离散分布的车间生产线。
所述的用户的需求订单的子任务对应的加工步骤包括允许同时的加工步骤、具有前后继约束的加工步骤，所有加工步骤复用当前车间生产线的设备资源，且加工步骤同一时刻复用的设备资源不能超过当前设备资源的使用上限。
所述的关联订单分配模块、供应商选择模块、车间调度模块的方法为：
(1)关联车间调度模块、供应商选择模块包括
其中，ftime s为客户的需求订单的生产时间，fcost s为客户的需求订单的生产成本fcost s，ftime p为客户的需求订单的子任务的加工时间，i、j均为正整数，Ji为每个订单i可分解的子任务个数，Si,j为订单i子任务j的开始加工时间，Qk为从供应商k到调度中心的距离，uk为从供应商k到调度中心的单位运输时间，Wi,j为订单i子任务j所需的最长加工时间，Ci,j为订单i子任务j所需的最长加工成本；
(2)关联订单匹配模块与供应商选择模块、车间调度模块包括
其中，ftime o为客户的需求订单分配上使用时间，ftime s为客户的需求订单在供应商选择模块上使用时间，fcost s为客户的需求订单在供应商选择模块上使用成本，fcost o为客户的需求订单在订单分配上的使用成本，O为订单数量，fidle o为客户的需求订单在订单分配上的产线空闲率，ftime o为客户的需求订单在订单分配上的使用时间，λi,j k为订单i子任务j下供应商k是否工作的二进制状态标记，若供应商k工作，则λi,j k＝1，否则λi,j k＝0，fdelayo为客户的需求订单在订单分配上的服务延迟时间，Ei,j为订单i子任务j的结束加工时间，Di为客户期望的i订单最迟完工时间。
所述的对各用户的需求订单的调度加工进行优化求解的方法为：
(1)初始化多层集中调度机制模型，包括客户的需求订单优先级、客户的需求订单的各个子任务所选择供应商、生产产线、加工步骤，并设置多层集中调度所采用的多目标进化算法的参数，包括种群大小、种群数量；
(2)使用变换策略获得多层集中调度的变换解P，其中，变换策略包括模拟二进制交叉、变异；
然后根据种群中每个个体所代表的集中调度方式对所有策略进行目标评价，进而得到各集中调度方式的生产目标值；
(3)使用多目标进化算法进行集中调度方式的择优求解。
所述的多目标进化算法包括基于支配关系、基于分解、基于指标的最优解选择。
本发明与现有技术相比的优点在于：
(1)本发明将云制造环境下的集中调度机制，将多用户需求协调、供应商选择、车间管理方案都汇总进行统一调度优选，使得各模块之间的联系与制约能够随时反馈到集中调度管理平台上；同时各生产模块的资源信息也实现了信息的全透明，即集中调度机制实现了一个生产线的实时监控系统，减少了各模块因信息闭塞带来的制造延迟，也缓解云制造平台资源分配不均衡，能够协调现有调度模式下资源与任务之间的不对称，降低任务的等待延时，提高中控系统及分布设备对大规模任务的抗压能力；
(2)本发明相对于只有时间或成本的评估方式，调度机制使用时间、成本、运输、产线空闲率、延迟时间等多个生产指标同时衡量整个多模块集中调度思想下的调度策略，这无论对企业、产线还是用户，都具有更好的实际意义以及参考价值，整个调度机制的覆盖面也更加全面而通用；
(3)本发明对云制造环境下多过程多种类的优化问题设计多层集中调度机制，充分考虑了从用户需求产生到车间实际制造过程中的服务优化问题，重点分析各过程之间的耦合牵连关系，是云制造生产模式的一个综合架构，同时分析多层集中调度机制时考虑各层优化问题的多参与方需求，设计多种生产目标，以多目标同时优化的方式评估多层集中调度策略的优劣；
(4)本发明将订单分配模块、供应商选择模块、车间调度模块三个子调度模块进行有机结合，集成调度，实现多模块间的相互融合，形成多层集中调度机制，提高生产制造过程的调度信息传递效率，减少生产过程中无谓的等待；
(5)本发明通过构建多个生产目标作为调度机制的输出，权衡用户、企业、平台的多方利益，提高中控平台的效益与效率。
附图说明
图1为多层集成调度机制技术架构图；
图2为多层集成调度机制的输入输出架构；
图3为多层集中调度机制的多目标求解策略技术路线；
图4为多权重向量分解思路；
图5为A、B两点的指标关系示意图。
具体实施方式
本发明的技术方案包括“多层集中调度机制架构”、“集中调度机制的子模块关联”、“多层集中调度机制的多目标求解策略”。下面结合附图对本发明方法进行更细致的解释和说明。
(1)多层集中调度机制架构
多层集成调度机制采用的技术路线如图1所示。用户需求经过功能性的划分，可以拆解为多个子任务进行分别加工。详细分析产品的生产过程，可以发现多子任务用户需求从产生到工厂车间生产落地，中间需要经过子任务供应商选择、子任务工艺服务匹配、车间设备调度等多过程多资源调度。在云制造生产模式下，所有的生产决策都是由云平台统一决策实现的。因此，本发明建立的调度机制重点研究这几个过程的内在模型机理，分析各个产服务决策模块的生产要素，实现具有层间耦合关系的资源集中调度方案。
如图2所示，本发明设计的多层集成调度机制的系统输入为不同的用户需求，输出是含有五个目标的调度策略，而调度机制的模型核心包括三个子模块，分别是订单分配模块、供应商选择模块以及车间调度模块，以下将详细描述这几个模块的功能及技术细节。
首先是订单分配模块的调度机理技术描述。集中规划平台管理着多个供应商及多个用户的需求分配。假设在某个时间上有O个用户提交不同的订单需求，订单序号i＝{1,…,O}，每个订单i可分解为Ji个子任务，总共有K个供应商为这些订单的子任务需求提供服务。由于需要为多个订单同时提供规划方案，因此需要协调订单冲突，设置每个订单的加工优先级如α1，α2(α1<α2)，若将多个订单同时分配给同一供应商k，实际生产的过程可以先处理优先级较高的订单，即优先级高的订单开始加工时间Si早于Sj。因此，在订单分配模块的调度机制设计上，以分配各订单优先级为核心调度策略，本发明根据各个订单的情况，为其设置加工优先级，解决多任务需求的冲突。
接下来是供应商选择模块的调度机理技术描述。每个生产订单i包含若干子任务，这些子任务对应于产品的一系列加工组件j＝(1,…,Ji)，每个任务的加工过程不同，可由不同的候选供应商提供服务，每个订单的各个子任务只能在一个供应商处不间断生产一次。同时，在集中调度问题中，供应商k(可以是大型企业或小型生产单位)向云平台资源池提供一个或多个在地理上离散分布的生产线车间，不同的生产线车间即对应着不同的生产产线Ui,j k(供应商k为第i个订单的第j个子任务提供的产线)。不同的产线，对应着不同的车间生产环境。因此，供应商选择模块的调度机制，主要围绕两部分设计展开，分别是供应商匹配和产线选择。供应商匹配的调度问题下，根据每个订单的各个子任务情况，集中调度机制为其提供优选的供应商，以提供合适的供应商制造服务，而进一步，根据匹配好的供应商，集中调度机制再根据供应商的服务能力和相应的产线情况，从备选产线里选择合适的产线。供应商选择模块的调度机制为相应的加工任务提供供应商、产线等一系列完整的生产条件。
最后，是车间生产模块的调度机理技术描述。车间在生产的过程中，包含加工步骤集合m＝{1,…,M},其中有两个不消耗任何时间和资源的虚步骤：步骤1和步骤M，步骤1用于标示生产过程的开始，步骤M用于标示生产过程的结束。每个步骤在加工过程中，资源、设备不可剥夺，加工步骤不可中断。项目的M个步骤共享R种可更新(可重用)设备资源，其中第r种设备资源的使用上限为Lr，r＝1,…R,。加工步骤m所需的第r种资源的需求量为qi,j m,r(加工第i个订单的第j个子任务的第m个加工步骤，所需要的第r种资源数量)，r＝1,…,R，并行加工的步骤所使用的设备情况需要满足资源使用上限限制。步骤m、a(a＝{1,…,M}、m＝{1,…,M}，a、m分别为两个不同的子步骤)的前驱后继关系记为所有pi,j m,a，若pi,j m,a＝1，则步骤a必须在步骤m加工完成后方可开始加工，若pi,j m,a≠1，则a、m两个步骤没有前后继约束关系，在资源充足的情况下可同时加工。因此，在车间生产模块的的调度机制，主要是为了协调车间中的生产资源，并安排所有步骤的加工顺序，以实现在资源约束、步骤前后继约束条件满足的情况下，使得整个车间的加工时间最短、效率最高。
(2)集中调度机制的子模块关联关系
不同的生产模块涉及多个主体需求，因此其调度结果也影响了不同生产指标的优劣。为了全面地评估多个主体的需求，本发明的调度机制在不同的调度模块上，采用不同的调度指标评判生产过程，并利用通过生产指标之间的联系将不同的调度模块连接起来。从底层往上，本发明在车间调度模块使用时间ftime p作为调度衡量指标，在供应商选择模块上使用时间ftime s、成本fcost s、运输ftransportation s作为衡量指标，在订单分配上，使用时间ftime o、成本fcost o、运输ftransportation o、产线空闲率fidle o、服务延迟时间fdelay o作为衡量指标。这些生产指标的计算方式及关联关系以下将详细描述。
首先是车间调度模块与供应商选择模块之间的联系。
假设只有一个客户订单i需要多模块集中调度机制分配调度资源，则可以忽略多个订单之间的订单优先级和供应商竞争。对于订单i的子任务j，平台应该在一定的成本和时间内找到合适的供应商和产线，并同时安排特定生产线中的资源和步骤。因此，可以利用已分配好的生产策略来估计每个子任务j的完工时间。因此，由ftime p表示的加工时间的量化结果由式(1)计算。其中，Si,j、Ei,j分别表示订单i子任务j安排的开始加工时间和结束加工时间。
ftime p不仅反映了相应产线的效率，还衡量了每个子任务所需的生产时间。
订单i的总加工时间包含所有组件任务的完工时间和任务之间的运输时间。对于分散的制造过程，运输时间通过公式(2)获得，运输消耗在方程(3)中给出，其中k是指为任务j选择的供应商。ui,jvi,j分别表示订单i子任务j选择的供应商、工艺方案，Qk表示从供应商k到调度中心的距离，uk、vk分别表示从供应商k到调度中心的单位运输时间、单位运输成本。
客户订单的加工时间是所有任务的最后结束时间，加工成本是任务成本的总和。那么该订单的完工时间和总成本分别可由公式(4)和公式(5)表示。Wi,j、Ci,j表示预计订单i任务j所需的最长加工时间、加工成本。
为了获得整个订单的处理时间和成本，应根据供应商和产线选择方案预测每个任务的加工时间Ti,j。从式(4)可知，Ti,j与在生产线调度阶段中优化的处理时间(ftime p)直接相关。因此，供应商选择阶段中的时间和成本的量化值可以简化为方程(6)和方程(7)。
可以看出，客户订单的生产时间(ftime s)和生产成本(fcost s)与其相应任务的加工时间(ftime p)有关。也就是说，产线的效率直接反映了所选供应商的可靠性。在多层集中调度模型在最优调度方案的选择时，需要同时优化这两个调度问题。
接下来是订单匹配模块与供应商选择模块、车间调度模块之间的联系。
为了协调不同客户需求之间的竞争关系，订单分配过程需要为订单分配优先级并为每个任务安排开始加工时间。方程(8)和方程(9)定义了在订单分配模块优化的时间指标值和成本指标值。
结合上一节中的公式(1)～(7)，公式(8)和公式(9)可以简化为公式(10)和公式(11)。公式(10)表示多个订单的加工时间是每个订单的最大时间，它与相应每个子任务的完工时间紧密相关。方程(11)表明多个订单的加工成本直接被每个任务的车间调度时间所影响。
为了衡量参与供应商的效率，供应商的生产空闲时间率由公式(12)计算，其中k表示订单i的任务j所选择的供应商。λi,j k表示订单i任务j下供应商k的是否工作的二进制状态标记，若供应商k工作，则λi,j k＝1，否则λi,j k取0。
类似地，可以使用适应值ftime o(多个订单的加工时间)和ftime p(每个子任务的加工时间)将公式(12)简化为公式(13)。
订单延迟时间的评估函数可由方程(14)表示。Di表示用户期望的i订单最迟完工时间。
根据复杂生产过程的面向对象主体不同，为了权衡产线、供应商、用户之间的生产目标协调问题，本发明利用以上加工时间，加工成本，供应商空闲时间率和延迟时间的具体目标值，评估多个订单的调度策略。方程(10)，方程(11)，方程(13)和方程(14)表明，通过订单分配模块优化的生产目标值主要依赖于特定生产线的执行过程、所选供应商的生产能力以及不同订单的处理顺序。这三个模块的优化对象是相互独立的，但它们的调度策略在整个多层调度系统中相互影响。
(3)多模块集中调度机制的多目标求解策略
在多模块集中调度机制的策略求解过程中，为了全面地衡量多个生产指标在生产过程的影响情况，本发明采用多目标进化算法(MOEAs)的优化求解机制，来评估调度策略的优劣性。
多层集中调度机制的多目标求解策略的技术路线如图3所示。以进化算法为解决思路的启发式策略搜索方法是仿造生物在不断演化过程中的进化规律，以原始种群为基础，模拟种群在适应环境的过程中个体染色体交叉、产生变异，部分个体的染色体变换后更加适应现实环境，因此在适者生存的法则下生存下来，优胜劣汰。
多目标进化算法(MOEAs)在多过程集中调度机制的应用过程如图3的逻辑流程所示，首先进行调度算法初始化Initialization，以产生一堆初始调度策略，这些策略内容包括订单优先级、各个子任务所选择供应商、工艺方案、车间加工步骤顺序等，而算法参数设置包括种群大小、种群数量等。接着，使用变换策略Operators获得整个调度策略的变换解P，变换策略包括典型进化算法的模拟二进制交叉(SBX)、变异(Mutate)等。随后，根据种群中每个个体所代表的集中调度方式，使用上述步骤(2)中的评估函数Evaluation，对所有策略进行目标评价，得到每个集中调度策略的生产目标值。
接下来是调度策略的择优，在多目标算法中，主流的有三种调度解的择优更新思路，分别是基于支配关系(Pareto-dominance-based)、基于分解(Decomposition-based)、基于指标(Indicator-based)的最优解选择策略，在多层集中调度机制的设计中，为了使最优策略的更新取得更好的效果，本发明将三种思路都进行尝试，以获得最优的调度策略。
基于支配关系的最优解选择策略以多个目标之间的支配关系为衡量标准，如NSGA-II方法。NSGA-II方法在最优调度策略的选择上主要有两个关键点，分别是快速非支配排序、拥挤度计算。如果调度策略可以同时实现更短的时间，更低的成本和更少的运输消耗，那么它比其他调度解决方案更具优势，即该调度策略支配其他策略。首先，根据获得的种群P，计算P中每个个体p的两个参数np和Sp，其中np为种群中支配个体p的个体数，Sp为种群中被个体p支配的个体集合，遍历整个种群，根据获得的个体间的支配关系，将整个种群分级。然后进行拥挤度计算，拥挤度是指种群中给定个体的周围个体的密度，对每一个目标值，由来自于文献K.Deb,A.Pratap,S.Agarwal,and T.Meyarivan,"A fast and elitistmultiobjective genetic algorithm:NSGA-II,"IEEE Transactions on EvolutionaryComputation,vol.6,no.2,pp.182-197,2002中的公式(15)累计计算每个解在各个目标上的拥挤度之和。最后，根据分级的种群以及拥挤度排序情况，选择出下一代种群。
基于分解关系的最优解选择策略是使用一组均匀权重向量将多目标问题分解为一系列单目标问题，就像多目标值的归一化一样。通过这种方式，时间，成本，运输，空闲率和延迟时间的目标可以归一化为单个定量值。通过比较这一系列单目标问题，很容易得到在集成问题中表现良好的调度策略。经典的分解方法多目标优化算法有MOEA/D方法，根据权重向量对目标值进行分解的思路如图4所示，寻找每个权重向量下的最优调度策略。算法过程如下，首先，选择最经典的切比雪夫分解方法进行解的分解，对每一个权重向量，z*为理想参考点，x为一个调度策略，fi为各个目标值，λ为权重向量，按照文献2的Q.Zhang andH.Li,"MOEA/D:A Multiobjective Evolutionary Algorithm Based on Decomposition,"IEEE Transactions on Evolutionary Computation,vol.11,no.6,pp.712-731,2007中的公式(16)计算切比雪夫值，并最小化该切比雪夫值的最大值，因为切比雪夫值越大，表明这个该调度策略离理想参考点越远，而在策略解的更新过程中，最小化离理想点越远的值，意义上就是使得最坏的结果都逐渐更新向好的调度策略发展。分解后，再实现解的聚合更新。先取每个权重向量的T个邻居，在这些邻居里更新产生新解，若新解的切比雪夫值较原最优值优秀，则替换该向量下的原最优值。如此，种群不断更新，最终收敛至近似的最优调度策略集。
基于指标的最优解选择策略通过评价指标来指引集中调度机制的搜索方向，指导进化过程中新调度策略的选择，其中，IBEA算法最为经典。为了评价A、B两点的适应度，在IBEA算法中，利用Iε或IH指标来衡量每个解的优劣，Iε、IH指标的计算公式如文献3的E.Zitzler and S.K.nzli,"Indicator-based selection in multiobjective search,"Parallel Problem Solving from Nature-PPSN VIII,pp.832-842,2004中的公式(17)和(18)所示，这两个指标的直观表示如文献3中的图5所示，左图表示的即Iε指标的计算原理，假设A点为x1，B点为x2，对第一图，在垂直方向上，fvertical(A)-fvertical(B)>0，在水平方向上，fhorizontal(A)-fhorizontal(B)＜0，则Iε取最大的正差距为指标值。右图表示的是IH指标，即A、B两点相对的超几何体(Hyper Volume)面积。计算获得种群P中任意两两调度策略的I指标后，再利用文献3中的公式(19)计算每个个体的适应度，并利用这些适应度值排序进行下一代解的选择。
通过上述三种不同的调度策略选择方式，即得到优选后的下一代的调度解，并进行新一轮的变换评估，通过一代代的调度策略优选，最终获得多层集合调度机制下的最优调度策略，这就是多层集中调度策略的优化方案技术。
本发明具体实施方式中涉及的部分英文缩写解释如下：CMfg：云制造(CloudManufacturing)；MOEAs：多目标进化算法(Multi-objective Evolutionary Algorithms)；SBX：模拟二进制交叉(Simulated Binary Crossover)；NSGA-II：非支配排序遗传算法II(Non-dominated Sorting Genetic Algorithm II)；MOEA/D：基于分解的多目标进化算法(Decomposition-based Multi-objective Evolutionary Algorithm)；IBEA：基于指标的进化算法(Indicator-based Evolutionary Algorithm)。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (6)
1.一种多层集成调度机制，其特征在于包括如下步骤：
(1)搭建多层集中调度机制架构，多层集中调度机制架构包括订单分配模块、供应商选择模块、车间调度模块；其中，多个用户的需求订单分别进行划分，得到多个能够分别进行加工的子任务，订单分配模块确定各个用户的需求订单及对应的子任务的加工优先级；供应商选择模块确定各个用户需求订单子任务对应的供应商、车间生产线；车间调度模块，确定各个用户需求订单子任务中各个步骤的加工顺序，使得加工时间最短、效率最高；
(2)根据车间调度模块上使用时间，供应商选择模块上使用时间、成本、运输，订单分配模块使用时间、成本、运输、生产线空闲率、服务延迟时间关联订单分配模块、供应商选择模块、车间调度模块；
(3)采用多目标进化算法，使用步骤(2)关联得到的多层集中调度机制模型，对各用户的需求订单的调度加工进行优化求解，完成多层集成调度。
2.根据权利要求1所述的一种多层集成调度机制，其特征在于：所述的多层集中调度机制架构中用户的需求订单包括多个子任务，每个子任务对应多个加工步骤，且在同一供应商的同一车间生产线完成生产，其中，供应商包括多个离散分布的车间生产线。
3.根据权利要求2所述的一种多层集成调度机制，其特征在于：所述的用户的需求订单的子任务对应的加工步骤包括允许同时的加工步骤、具有前后继约束的加工步骤，所有加工步骤复用当前车间生产线的设备资源，且加工步骤同一时刻复用的设备资源不能超过当前设备资源的使用上限。
4.根据权利要求3所述的一种多层集成调度机制，其特征在于：所述的关联订单分配模块、供应商选择模块、车间调度模块的方法为：
(1)关联车间调度模块、供应商选择模块包括
其中，ftime s为客户的需求订单的生产时间，fcost s为客户的需求订单的生产成本fcost s，ftime p为客户的需求订单的子任务的加工时间，i、j均为正整数，Ji为每个订单i可分解的子任务个数，Si,j为订单i子任务j的开始加工时间，Qk为从供应商k到调度中心的距离，uk为从供应商k到调度中心的单位运输时间，Wi,j为订单i子任务j所需的最长加工时间，Ci,j为订单i子任务j所需的最长加工成本；
(2)关联订单匹配模块与供应商选择模块、车间调度模块包括
其中，ftime o为客户的需求订单分配上使用时间，ftime s为客户的需求订单在供应商选择模块上使用时间，fcost s为客户的需求订单在供应商选择模块上使用成本，fcost o为客户的需求订单在订单分配上的使用成本，O为订单数量，fidle o为客户的需求订单在订单分配上的产线空闲率，ftime o为客户的需求订单在订单分配上的使用时间，λi,j k为订单i子任务j下供应商k是否工作的二进制状态标记，若供应商k工作，则λi,j k＝1，否则λi,j k＝0，fdelay o为客户的需求订单在订单分配上的服务延迟时间，Ei,j为订单i子任务j的结束加工时间，Di为客户期望的i订单最迟完工时间。
5.根据权利要求4所述的一种多层集成调度机制，其特征在于：所述的对各用户的需求订单的调度加工进行优化求解的方法为：
(1)初始化多层集中调度机制模型，包括客户的需求订单优先级、客户的需求订单的各个子任务所选择供应商、生产产线、加工步骤，并设置多层集中调度所采用的多目标进化算法的参数，包括种群大小、种群数量；
(2)使用变换策略获得多层集中调度的变换解P，其中，变换策略包括模拟二进制交叉、变异；
然后根据种群中每个个体所代表的集中调度方式对所有策略进行目标评价，进而得到各集中调度方式的生产目标值；
(3)使用多目标进化算法进行集中调度方式的择优求解。
6.根据权利要求5所述的一种多层集成调度机制，其特征在于：所述的多目标进化算法包括基于支配关系、基于分解、基于指标的最优解选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910950550.2A CN110837918A (zh) | 2019-10-08 | 2019-10-08 | 一种多层集成调度机制 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910950550.2A CN110837918A (zh) | 2019-10-08 | 2019-10-08 | 一种多层集成调度机制 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110837918A true CN110837918A (zh) | 2020-02-25 |
Family
ID=69575123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910950550.2A Pending CN110837918A (zh) | 2019-10-08 | 2019-10-08 | 一种多层集成调度机制 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110837918A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112700063A (zh) * | 2021-01-13 | 2021-04-23 | 中铁一局集团有限公司 | 一种基于物联网技术的装配式构件调度系统及其使用方法 |
| CN113112143A (zh) * | 2021-04-08 | 2021-07-13 | 杭州电子科技大学 | 云制造环境下多级别制造商协同生产任务分配方法及系统 |
| CN113610450A (zh) * | 2020-05-04 | 2021-11-05 | 西门子股份公司 | 用于将订单执行在mom系统中进行分布的方法和系统 |
| WO2023082549A1 (zh) * | 2021-11-12 | 2023-05-19 | 珠海格力电器股份有限公司 | 多因素约束下面向多式联运的制造任务分配方法及装置 |
| CN116300772A (zh) * | 2023-05-18 | 2023-06-23 | 智昌科技集团股份有限公司 | 基于机器人集群的全产业链制造方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106612323A (zh) * | 2016-08-08 | 2017-05-03 | 四川用联信息技术有限公司 | 一种云制造中服务资源整合优化算法 |
| CN107679750A (zh) * | 2017-09-30 | 2018-02-09 | 桂林电子科技大学 | 一种基于自适应系数遗传算法的云制造服务资源匹配方法 |
| CN108093083A (zh) * | 2018-01-10 | 2018-05-29 | 北京航空航天大学 | 云制造任务调度方法、装置及终端 |
-
2019
- 2019-10-08 CN CN201910950550.2A patent/CN110837918A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106612323A (zh) * | 2016-08-08 | 2017-05-03 | 四川用联信息技术有限公司 | 一种云制造中服务资源整合优化算法 |
| CN107679750A (zh) * | 2017-09-30 | 2018-02-09 | 桂林电子科技大学 | 一种基于自适应系数遗传算法的云制造服务资源匹配方法 |
| CN108093083A (zh) * | 2018-01-10 | 2018-05-29 | 北京航空航天大学 | 云制造任务调度方法、装置及终端 |
Non-Patent Citations (4)
| Title |
|---|
| LONGFEI ZHOU 等: "Multi-task scheduling of distributed 3D printing services in cloud manufacturing", 《INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY 》 * |
| SISI LIN 等: "Integrated optimization of supplier selection and service scheduling in cloud manufacturing environment", 《2018 4TH INTERNATIONAL CONFERENCE ON UNIVERSAL VILLAGE (UV)》 * |
| 周龙飞 等: "云制造调度问题研究综述", 《计算机集成制造系统》 * |
| 肖莹莹等: "面向用户多品种定制的分布式供应链调度", 《计算机集成制造系统》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610450A (zh) * | 2020-05-04 | 2021-11-05 | 西门子股份公司 | 用于将订单执行在mom系统中进行分布的方法和系统 |
| CN112700063A (zh) * | 2021-01-13 | 2021-04-23 | 中铁一局集团有限公司 | 一种基于物联网技术的装配式构件调度系统及其使用方法 |
| CN113112143A (zh) * | 2021-04-08 | 2021-07-13 | 杭州电子科技大学 | 云制造环境下多级别制造商协同生产任务分配方法及系统 |
| CN113112143B (zh) * | 2021-04-08 | 2024-04-23 | 杭州电子科技大学 | 云制造环境下多级别制造商协同生产任务分配方法及系统 |
| WO2023082549A1 (zh) * | 2021-11-12 | 2023-05-19 | 珠海格力电器股份有限公司 | 多因素约束下面向多式联运的制造任务分配方法及装置 |
| CN116300772A (zh) * | 2023-05-18 | 2023-06-23 | 智昌科技集团股份有限公司 | 基于机器人集群的全产业链制造方法及系统 |
| CN116300772B (zh) * | 2023-05-18 | 2023-09-15 | 智昌科技集团股份有限公司 | 基于机器人集群的全产业链制造方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110837918A (zh) | 一种多层集成调度机制 | |
| Basnet et al. | Scheduling and control of flexible manufacturing systems: a critical review | |
| Laili et al. | Multi-phase integrated scheduling of hybrid tasks in cloud manufacturing environment | |
| Gen et al. | Genetic algorithms and their applications | |
| Zhang et al. | Multitask genetic programming-based generative hyperheuristics: A case study in dynamic scheduling | |
| Phanden et al. | Integration of process planning and scheduling: a state-of-the-art review | |
| Badhotiya et al. | Fuzzy multi-objective optimization for multi-site integrated production and distribution planning in two echelon supply chain | |
| CN103729246B (zh) | 一种任务调度方法和装置 | |
| CN101916404A (zh) | 一种装备制造过程多厂协同调度优化方法 | |
| Kesavan et al. | Heuristic and meta-heuristic algorithms for solving medium and large scale sized cellular manufacturing system NP-hard problems: A comprehensive review | |
| Sirovetnukul et al. | The impact of walking time on U-shaped assembly line worker allocation problems | |
| Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
| CN108053047A (zh) | 云生产资源调度方法、装置和系统 | |
| CN112884241A (zh) | 基于智能Agent的云边协作制造任务调度方法 | |
| CN110751411B (zh) | 一种面向云制造任务的制造资源匹配方法 | |
| CN109559033B (zh) | 一种面向云设计制造模式的社交化团队成员优选方法 | |
| Ou-Yang et al. | The development of a hybrid hierarchical/heterarchical shop floor control system applying bidding method in job dispatching | |
| Mohanavelu et al. | Simulation modelling and development of analytic hierarchy process-based priority dispatching rule for a dynamic press shop | |
| Yang et al. | Mathematical modeling of multi-plant order allocation problem and solving by genetic algorithm with matrix representation | |
| Teymourifar et al. | A comparison between two modified NSGA-II algorithms for solving the multi-objective flexible job shop scheduling problem | |
| Zhang et al. | Individualized requirement-driven multi-task scheduling in cloud manufacturing using an extended multifactorial evolutionary algorithm | |
| Laili et al. | Concurrent local search for process planning and scheduling in the industrial Internet-of-Things environment | |
| CN104869154A (zh) | 统筹资源可信度与用户满意度的分布式资源调度方法 | |
| Rezazadeh et al. | Linear programming embedded particle swarm optimization for solving an extended model of dynamic virtual cellular manufacturing systems | |
| CN116822217A (zh) | 一种考虑工时不确定性的人机双资源约束多目标生产调度方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200225 |