CN110928261A - 分布式异构流水车间的分布估计调度方法及系统 - Google Patents
分布式异构流水车间的分布估计调度方法及系统 Download PDFInfo
- Publication number
- CN110928261A CN110928261A CN201911301646.2A CN201911301646A CN110928261A CN 110928261 A CN110928261 A CN 110928261A CN 201911301646 A CN201911301646 A CN 201911301646A CN 110928261 A CN110928261 A CN 110928261A
- Authority
- CN
- China
- Prior art keywords
- individuals
- probability model
- factory
- search
- distributed
- 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 43
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000005070 sampling Methods 0.000 claims abstract description 29
- 238000003780 insertion Methods 0.000 claims abstract description 20
- 230000037431 insertion Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 13
- 238000003754 machining Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000036299 sexual function Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 33
- 238000004519 manufacturing process Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 206010019133 Hangover Diseases 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 102100028779 Endonuclease 8-like 2 Human genes 0.000 description 1
- 101710150772 Endonuclease 8-like 2 Proteins 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process 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
- 230000002028 premature Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种分布式异构流水车间的分布估计调度方法及系统,其中,方法包括以下步骤:对种群与概率模型进行初始化,并设置参数;采用PBIL方法对概率模型在进化的每一代中都进行更新;根据工厂内插入、工厂内交换、工厂间插入和工厂间交换等不同邻域结构的搜索操作产生新解以进行贪婪搜索;对概率模型采样,以重新生成满足预设条件的个体,确定分布估计调度方案。该方法简单高效,可以有效解决工厂分配和工件排序子问题,进而能够有效解决分布式异构流水车间调度问题。
Description
技术领域
本发明涉及分布式流水车间调度技术领域,特别涉及一种分布式异构流水车间的分布估计调度方法及系统。
背景技术
随着经济全球化的快速发展,制造业也在朝着生产全球化的方向前进。在此背景下,传统的单工厂生产模式已经不能完全满足现代化制造的要求,越来越多的跨国公司和大型企业纷纷转向多工厂生产模式,即在地理位置相隔较远的多个地点建立工厂或将生产任务外包给多个工厂进行加工,分布式由此制造应运而生。分布式制造能够提高人力,机器,原材料的利用率,以更低的成本生产高质量产品,与此同时,分布式制造还能够分散风险,提高生产柔性和灵活度,快速响应市场变化,从而提高自身的市场竞争力,实现低成本高效益。
作为制造领域的一个不可或缺的环节,工件的排产调度一直是一个热点研究问题。工件的合理调度对于提高生产效率以及按时完成订单需求有着重要影响。在分布式制造环境下,工件的排产问题也相应地从单车间调度拓展为多车间调度,也即分布式车间调度。传统的单车间调度问题一般仅考虑工件的加工先后顺序,而分布式车间调度在决定工件加工顺序前,需要先将工件分配到对应的工厂。这意味着分布式车间调度相比传统单车间调度,在工件排序问题上多了工件分配这一维度的子问题。并且,工件分配和工件排序两个子问题相互耦合,每个子问题分别求取最优未必意味着耦合问题取得最优。因此,尽管单车间调度问题已经有了众多研究成果,但却无法直接运用于分布式车间调度问题上。此外,从数学角度上看,分布式车间调度问题属于NP难问题,且子问题的增加使得解空间增大,进而让问题更难求解。综上所述,分布式车间调度在求解难度上要远大于单车间调度,具有很强的研究价值。
分布式流水车间调度问题是分布式车间调度问题的一个分支,近年来受到了广泛关注。尽管分布式流水车间调度问题取得了一定的研究成果,但目前大部分研究的焦点集中在分布式同构流水车间上。在分布式同构流水车间问题中,每个工厂是无差异的,不同工厂中对应的同编号机器是完全相同的,因此将相同工件序列分配到不同的工厂,最终得到调度指标也是相同的。然而,在实际生产环境中,由于设备老化和更新,不同工厂中的机器并非完全相同,每个工厂之间是有差异的,因此考虑分布式异构流水车间调度问题更具有现实意义。由于不同工厂的机器加工速度参差不齐,对于不同工厂中的相同工件序列,其调度指标一般是不同的。这也对工件分配子问题提出了更高的要求,如何将每个工件分配到合适的工厂,对于取得满意调度指标至关重要。
目前在分布式流水车间调度领域,主要有三类算法:精确算法、启发式算法和元启发式算法。
(1)精确算法主要是将问题建立成数学规划模型,并采用传统运筹学里的分支定界法等对问题求取最优解。精确算法能够很好地解决小规模问题,但在大规模问题上要耗费大量计算时间,在可接受的计算时间内往往只能得到一个上界或下界,很难在短时间内得到满意的解。(2)启发式算法是根据问题特征设计简单的规则,执行对应的规则即可得到近似解,且该近似解一般是确定性的,常见的车间调度启发式算法有NEH、VND等。启发式算法由于步骤简单,易于实现,耗时较短,能够在大小规模的问题上都得到近似解,但解的性能往往与最优解相差较大,尤其是在大规模问题上,因此具有很大的改进空间。(3)元启发式算法是在解的产生方式中加入一定的随机性,并对解进行迭代更新,在整个解空间中搜索最优解,搜索范围大且具有一定的搜索深度,往往能在一定时间内获得性能满意的解,常见的元启发式算法有遗传算法,模拟退火算法,禁忌搜索算法,贪婪迭代算法等。元启发式算法的移植性强,在小规模问题上能够找到最优解或接近最优解的次优解,在大规模问题上能在给定的运行时间内得到质量较好的解。但不同的元启发式算法在运用的过程中也存在不同的问题,如容易陷入局部极小,深度搜索或广度搜索不足,算法收敛缓慢或早熟收敛等。此外,针对特定的问题,如果仅仅使用某种元启发式算法的框架,由于缺少基于问题性质的搜索指导,其优化能力也是有限的。
综上,对于分布式异构流水车间调度问题,目前几乎没有相应的高效算法,问题的解决亟待高效算法的设计和提出。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种分布式异构流水车间的分布估计调度方法,该方法简单高效,可以有效解决工厂分配和工件排序子问题,进而能够有效解决分布式异构流水车间调度问题。
本发明的另一个目的在于提出一种分布式异构流水车间的分布估计调度系统。
为达到上述目的,本发明一方面实施例提出了一种分布式异构流水车间的分布估计调度方法,包括以下步骤:对种群与概率模型进行初始化,并设置参数;采用PBIL方法对所述概率模型在进化的每一代中都进行更新;根据工厂内插入、工厂内交换、工厂间插入和工厂间交换等不同邻域结构的搜索操作产生新解以进行贪婪搜索;对所述概率模型采样,以重新生成满足预设条件的个体,确定分布估计调度方案。
本发明实施例的分布式异构流水车间的分布估计调度方法,针对问题性质建立了相应的概率模型来拟合解空间的分布,将精英个体的信息应用于概率模型的更新上,以往好的方向进行搜索;贪婪搜索过程中,多种操作协同使用,充分发挥有效操作的搜索能力,减少无效操作的使用次数;抛弃质量差且潜力差的解并通过采样重新生成,提高效率,简单高效,从而有效解决工厂分配和工件排序子问题,进而能够有效解决分布式异构流水车间调度问题。
另外,根据本发明上述实施例的分布式异构流水车间的分布估计调度方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述概率模型表示为:
其中,pi,j(g)表示在第g代中工件i被排在序列的第j个位置的概率。
进一步地,在本发明的一个实施例中,所述概率模型的更新公式为:
进一步地,在本发明的一个实施例中,所述根据工厂内插入、工厂内交换、工厂间插入和工厂间交换等不同邻域结构的搜索操作产生新解以进行贪婪搜索,包括:步骤S1:p=1;步骤S2:令Θ={SI,II,SB,IB},Cp=0;步骤S3:从Θ中随机选择一种操作OP,对种群中第p个个体Xp执行OP直到新解不再替换旧解为止;步骤S4:记录OP在Xp上执行的次数COP,将OP从Θ中删除,Cp=Cp+COP;步骤S5:如果Θ为空,则进入步骤S6,否则回到步骤S3;步骤S6:如果p小于PS,则令p=p+1,并回到步骤S2,否则停止贪婪搜索。
进一步地,在本发明的一个实施例中,在所述对所述概率模型采样之后,还包括:判断是否满足终止条件;若满足所述终止条件,则输出所述分布估计调度方案,否则继续更新概率模型、贪婪搜索和采样。
进一步地,在本发明的一个实施例中,对所述概率模型采样,然后输出所述分布估计调度方案,具体包括:步骤1:将所有个体按照总拖期大小升序排列,将排在后面的PS×β个个体放入集合D中;步骤2:将所有个体按照Cp指标大小降序排列,将排在后面的PS×β个个体放入集合D中,如果该个体已经在集合D中,则不重复放入,设集合D中的个体数量为|D|,令p=1;步骤3:对D中第p个体执行如下操作:步骤3.1:i=n+1;步骤3.2:随机产生一个小数rn,找到使rn落在区间的h,其中,h的取值范围为{1,2,3,…,n+f-1},pi,0=0,将工件i安排在加工序列的第h个位置上;步骤3.3:将概率矩阵的第h列清零,按照如下公式重新对第i行的每个元素赋值;步骤3.4:i=i+1,如果i=n+f,则令i=1;步骤3.5:如果i=n+1,则转至步骤4,否则,转至步骤3.2;步骤4:p=p+1,如果p>|D|,则输出所述分布估计调度方案,否则,转至步骤3。
为达到上述目的,本发明另一方面实施例提出了一种分布式异构流水车间的分布估计调度系统,包括:初始化模块,用于对种群与概率模型进行初始化,并设置参数;更新模块,用于采用PBIL方法对所述概率模型在进化的每一代中都进行更新;搜索模块,用于根据工厂内插入、工厂内交换、工厂间插入和工厂间交换等不同邻域结构的搜索操作产生新解以进行贪婪搜索;采样模块,用于对所述概率模型采样,以重新生成满足预设条件的个体,确定分布估计调度方案。
本发明实施例的分布式异构流水车间的分布估计调度系统,针对问题性质建立了相应的概率模型来拟合解空间的分布,将精英个体的信息应用于概率模型的更新上,以往好的方向进行搜索;贪婪搜索过程中,多种操作协同使用,充分发挥有效操作的搜索能力,减少无效操作的使用次数;抛弃质量差且潜力差的解并通过采样重新生成,提高效率,简单高效,从而有效解决工厂分配和工件排序子问题,进而能够有效解决分布式异构流水车间调度问题。
另外,根据本发明上述实施例的分布式异构流水车间的分布估计调度系统还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述概率模型表示为:
其中,pi,j(g)表示在第g代中工件i被排在序列的第j个位置的概率。
进一步地,在本发明的一个实施例中,所述概率模型的更新公式为:
进一步地,在本发明的一个实施例中,所述搜索模块,包括:步骤S1:p=1;步骤S2:令Θ={SI,II,SB,IB},Cp=0;步骤S3:从Θ中随机选择一种操作OP,对种群中第p个个体Xp执行OP直到新解不再替换旧解为止;步骤S4:记录OP在Xp上执行的次数COP,将OP从Θ中删除,Cp=Cp+COP;步骤S5:如果Θ为空,则进入步骤S6,否则回到步骤S3;步骤S6:如果p小于PS,则令p=p+1,并回到步骤S2,否则停止贪婪搜索。
进一步地,在本发明的一个实施例中,还包括:判断模块,用于在所述对所述概率模型采样之后,判断是否满足终止条件;处理模块,用于在满足所述终止条件时,输出所述分布估计调度方案,否则继续更新概率模型、贪婪搜索和采样。
进一步地,在本发明的一个实施例中,所述采样模块具体包括:步骤1:将所有个体按照总拖期大小升序排列,将排在后面的PS×β个个体放入集合D中;步骤2:将所有个体按照Cp指标大小降序排列,将排在后面的PS×β个个体放入集合D中,如果该个体已经在集合D中,则不重复放入,设集合D中的个体数量为|D|,令p=1;步骤3:对D中第p个体执行如下操作:步骤3.1:i=n+1;步骤3.2:随机产生一个小数rn,找到使rn落在区间的h,其中,h的取值范围为{1,2,3,…,n+f-1},pi,0=0,将工件i安排在加工序列的第h个位置上;步骤3.3:将概率矩阵的第h列清零,按照如下公式重新对第i行的每个元素赋值;步骤3.4:i=i+1,如果i=n+f,则令i=1;步骤3.5:如果i=n+1,则转至步骤4,否则,转至步骤3.2;步骤4:p=p+1,如果p>|D|,则输出所述分布估计调度方案,否则,转至步骤3。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的分布式异构流水车间的分布估计调度方法的流程图;
图2为根据本发明一个实施例的分布式异构流水车间的分布估计调度方法的流程图;
图3为根据本发明实施例的个体表征方式的甘特图;
图4为根据本发明实施例的贪婪搜索的四种操作的示意图;
图5为根据本发明实施例的分布式异构流水车间的分布估计调度系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
本发明实施例的目的是针对分布式异构流水车间调度问题设计简单高效的优化算法,为此,本发明实施例提出了一种分布估计调度算法(Estimation of DistributionScheduling Algorithm,EDSA)。为了有效解决工厂分配和工件排序两个子问题,该算法设计了基于问题特征的编码方式,并建立了一个概率模型来描述解空间的分布,利用精英解的信息来更新概率模型,使得概率模型能够记录下好的工厂分配方式和工件排序方式。算法在每次迭代中对解进行贪婪搜索,有效操作执行多次,实现深度搜索。此外,算法记录每个解的信息,筛选出质量较差以及改进空间不大的解,用概率模型对其重新采样生成,在增强算法全局性的同时也保证了新解的质量。综合上述搜索策略,算法能够有效解决分布式异构流水车间调度问题。
分布式异构流水车间调度问题可具体描述如下:n个工件需分配至f个工厂进行加工,每个工厂都是一个包含m台机器的流水车间。工厂f中第j台机器Mf,j的加工速度为vf,j,且对于来自两个不同的工厂的第j台机器,二者的加工速度不一定相同,即对f≠f’,vf,j不一定等于vf’,j。每个工件包含m个操作,且每个工件的m个操作需按顺序依次在某一工厂的m台机器上进行加工。同一工厂中,每台机器上工件的加工顺序是相同的。优化指标为总拖期TT,目标为最小化TT,其计算方式为其中Ci为工件i的完工时间,可计算得到,di为工件i的交货期,提前已知。
下面参照附图描述根据本发明实施例提出的分布式异构流水车间的分布估计调度方法及系统,首先将参照附图描述根据本发明实施例提出的分布式异构流水车间的分布估计调度方法。
图1是本发明一个实施例的分布式异构流水车间的分布估计调度方法的流程图。
如图1所示,该分布式异构流水车间的分布估计调度方法包括以下步骤:
在步骤S101中,对种群与概率模型进行初始化,并设置参数。
可以理解的是,如图2所示,本发明实施例首先初始化种群,概率模型和参数。
具体而言,在初始化之前,先介绍一下个体表征方式和概率模型的建立。
(1)个体表征方式
EDSA用一串序列来表征一个个体,并设置若干个虚拟工件将不同工厂之间的工件相互隔开,假设工厂数目为f,工件数目为n,则每个个体的序列长度为n+f-1,其中,虚拟工件数量为f-1。
如下采用一个数值例子来说明,假设该例包含7个工件(记为1,2,3,4,5,6,7),2个工厂,每个工厂包含3台机器,则一个可行调度方案可以表示为{5,7,4,*,1,3,2,6},其中“*”为虚拟工件,{5,7,4}和{1,3,2,6}分别表示1号工厂和2号工厂的加工工件序列,加工先后顺序分别为5→7→4和1→3→2→6,其甘特图如图3所示。
(2)概率模型的建立
在EDSA中,概率模型通过一个(n+f-1)×(n+f-1)大小的矩阵Q(g)来表示,如下所示:
其中pi,j(g)表示在第g代中工件i被排在序列的第j个位置的概率。
(3)初始化
EDSA的初始化包含三个方面,种群的初始化,概率模型的初始化以及设置参数。
为了使得初始种群能够尽可能均匀分布在解空间,增加搜索广度,每个个体的工厂分配方式和加工序列随机产生,概率矩阵和每个初始个体采用均采用随机初始化的方式,即概率矩阵的每个元素赋值为pi,j=1/(n+f-1),保证每个工件排在每个位置的概率是相同的。EDSA包含如下三个参数,分别设为,种群规模PS=40,学习速率α=0.2和精英解比例β=0.2。
在步骤S102中,采用PBIL方法对概率模型在进化的每一代中都进行更新。
可以理解的是,如图2所示,在初始化之后,更新概率模型。其中,概率模型的更新具体如下:
概率模型在进化的每一代中都进行更新,更新方式采用PBIL方法。先将种群中每个个体按照总拖期大小进行排序,选取前EN=PS×β=40×0.2=8个个体作为精英个体,矩阵中的每个元素采用如下方式进行计算更新:
在步骤S103中,根据不同邻域结构的搜索操作产生新解以进行贪婪搜索,其中,不同邻域结构的搜索操作包括工厂内插入操作、工厂内交换操作、工厂间插入操作和工厂间交换操作。
可以理解的是,根据工厂内插入、工厂内交换、工厂间插入和工厂间交换等不同邻域结构的搜索操作产生新解以进行贪婪搜索。如图2所示,概率模型更新之后,进行贪婪搜索,具体如下:
EDSA采用了不同的邻域结构来产生新解,对应以下四种操作,四种操作的示意图如图4所示。
1)工厂内插入(记为II):随机选择一个工厂Fr,在此工厂中随机选择两个工件,将后一工件插入到前一工件的前一紧邻位置上,如果新解中工厂Fr的总拖期小于旧解中工厂Fr的总拖期,则用新解替换旧解,否则舍弃新解;
2)工厂内交换(记为SI):随机选择一个工厂Fr,在此工厂中随机选择两个工件,交换两个工件的位置,如果新解中工厂Fr的总拖期小于旧解中工厂Fr的总拖期,则用新解替换旧解,否则舍弃新解;
3)工厂间插入(记为IB):随机选择两个不同的工厂,在每个工厂中各随机选择一个工件,将其中一个工件插入到另一工件的前一紧邻位置上,如果新解中两工厂的总拖期之和小于旧解中两工厂的总拖期之和,则用新解替换旧解,否则舍弃新解;
4)工厂间交换(记为SB):随机选择两个不同的工厂,在每个工厂中个随机选择一个工件,交换两个工件的位置,如果新解中两工厂的总拖期之和小于旧解中两工厂的总拖期之和,则用新解替换旧解,否则舍弃新解。
结合以上四种操作,贪婪搜索的具体步骤如下:
步骤S1:p=1;
步骤S2:令Θ={SI,II,SB,IB},Cp=0;
步骤S3:从Θ中随机选择一种操作OP,对种群中第p个个体Xp执行OP直到新解不再替换旧解为止;
步骤S4:记录OP在Xp上执行的次数COP,将OP从Θ中删除,Cp=Cp+COP;
步骤S5:如果Θ为空,则进入步骤S6,否则回到步骤S3;
步骤S6:如果p小于PS,则令p=p+1,并回到步骤S2,否则停止贪婪搜索。
其中,Cp为个体Xp执行所有操作的次数,一定程度上反映了个体Xp被改进的次数,能够被改进的次数越多,则说明该个体比较有进化潜力,否则说明该个体可能陷入了局部极小难以改进。
在步骤S104中,对概率模型采样,以重新生成满足预设条件的个体,确定分布估计调度方案。
在本发明的一个实施例中,在对概率模型采样之后,还包括:判断是否满足终止条件;若满足终止条件,则输出分布估计调度方案,否则继续更新概率模型、贪婪搜索和采样。
可以理解的是,如图2所示,本发明实施例对概率模型采样,然后输出结果。具体而言,在EDSA中,总拖期长,进化潜力小的个体会通过采样重新生成。具体步骤如下:
步骤1:将所有个体按照总拖期大小升序排列,将排在后面的PS×β个个体放入集合D中;
步骤2:将所有个体按照Cp指标大小降序排列,将排在后面的PS×β个个体放入集合D中,如果该个体已经在集合D中,则不重复放入,设集合D中的个体数量为|D|,令p=1;
步骤3:对D中第p个体执行如下操作:
步骤3.1:i=n+1;
步骤3.3:将概率矩阵的第h列清零,按照如下公式重新对第i行的每个元素赋值;
步骤3.4:i=i+1,如果i=n+f,则令i=1
步骤3.5:如果i=n+1,则转至步骤4,否则,转至步骤3.2。
步骤4:p=p+1,如果p>|D|,则算法结束,否则,转至步骤3。
综上,本发明是针对分布式异构流水车间调度问题所设计的一种分布估计调度算法,能够有效解决工厂分配和工件排序子问题,主要如下:1)针对问题性质建立了相应的概率模型来拟合解空间的分布;2)将精英个体的信息应用于概率模型的更新上,使算法往好的方向进行搜索;3)贪婪搜索过程中,多种操作协同使用,充分发挥有效操作的搜索能力,减少无效操作的使用次数;4)抛弃质量差且潜力差的解并通过采样重新生成,提高算法效率。
进一步地,为了检验EDSA在分布式异构流水车间调度问题上的性能,以下采用了不同规模的标准测试集对算法进行测试。其中,工件数量的规模有20,50,100,机器数量的规模有5,10,20,工厂数量的规模有2,3,4,5,6,7,因此共有3×3×6=54种规模的例子,每种规模都有10个不同的例子,故总共有540个测例。每个测例中,每个工件的加工速度随机产生,并服从[1,100]的均匀分布;每个工件i的交货时间di由如下公式产生,rand(0,1)为0和1之间的随机小数,pi,j为工件i在机器j上的加工时间;每个工厂每台机器的速度为在[1.0,3.0)间均匀随机分布的一位小数。
EDSA采用C语言编程,仿真环境为Intel(R)core(TM)i7-2600 CPU@3.4GHz/16GBRAM,操作系统为windows 10。算法的终止准则是CPU时间达到20×m×n则算法停止,其中,m为该算例的机器数量,n为该算例的工件数量。经调研,针对本发明所研究的分布式异构流水车调度问题,截止目前还没有其他专门的求解算法。
为了与本发明实施例的方法作比较,采用了一种针对决以拖期为目标的单工厂流水线调度问题的通用启发式算法NEHedd,并对其在分布式问题上进行拓展,记为NEH2edd。比较指标采用相对百分偏差RPD,其计算方式如下 为NEH2edd求解得到的总拖期,TTEDSA为本发明算法求解得到的总拖期。仿真结果如表1所示。
表1
从表中可以看出,RPD在几乎所有的例子上都小于0,说明EDSA几乎在所有测例上得到的结果均要优于NEH2edd;此外,随着工厂数量的增加,RPD逐渐变小,说明EDSA能够有效处理分布式车间调度问题。
根据本发明实施例提出的分布式异构流水车间的分布估计调度方法,针对问题性质建立了相应的概率模型来拟合解空间的分布,将精英个体的信息应用于概率模型的更新上,以往好的方向进行搜索;贪婪搜索过程中,多种操作协同使用,充分发挥有效操作的搜索能力,减少无效操作的使用次数;抛弃质量差且潜力差的解并通过采样重新生成,提高效率,简单高效,从而有效解决工厂分配和工件排序子问题,进而能够有效解决分布式异构流水车间调度问题。
其次参照附图描述根据本发明实施例提出的分布式异构流水车间的分布估计调度系统。
图5是本发明一个实施例的分布式异构流水车间的分布估计调度系统的结构示意图。
如图5所示,该分布式异构流水车间的分布估计调度系统10包括:初始化模块100、更新模块200、搜索模块300和采样模块400。
其中,初始化模块100用于对种群与概率模型进行初始化,并设置参数;更新模块200用于采用PBIL方法对概率模型在进化的每一代中都进行更新;搜索模块300用于根据工厂内插入、工厂内交换、工厂间插入和工厂间交换等不同邻域结构的搜索操作产生新解以进行贪婪搜索;采样模块400用于对概率模型采样,以重新生成满足预设条件的个体,确定分布估计调度方案。本发明实施例的系统10简单高效,可以有效解决工厂分配和工件排序子问题,进而能够有效解决分布式异构流水车间调度问题。
进一步地,在本发明的一个实施例中,概率模型表示为:
其中,pi,j(g)表示在第g代中工件i被排在序列的第j个位置的概率。
进一步地,在本发明的一个实施例中,概率模型的更新公式为:
进一步地,在本发明的一个实施例中,搜索模块300,包括:步骤S1:p=1;步骤S2:令Θ={SI,II,SB,IB},Cp=0;步骤S3:从Θ中随机选择一种操作OP,对种群中第p个个体Xp执行OP直到新解不再替换旧解为止;步骤S4:记录OP在Xp上执行的次数COP,将OP从Θ中删除,Cp=Cp+COP;步骤S5:如果Θ为空,则进入步骤S6,否则回到步骤S3;步骤S6:如果p小于PS,则令p=p+1,并回到步骤S2,否则停止贪婪搜索。
进一步地,在本发明的一个实施例中,本发明实施例的系统10还包括判断模块和处理模块。其中,判断模块用于在对概率模型采样之后,判断是否满足终止条件;处理模块用于在满足终止条件时,输出分布估计调度方案,否则继续更新概率模型、贪婪搜索和采样。
进一步地,在本发明的一个实施例中,采样模块400具体包括:步骤1:将所有个体按照总拖期大小升序排列,将排在后面的PS×β个个体放入集合D中;步骤2:将所有个体按照Cp指标大小降序排列,将排在后面的PS×β个个体放入集合D中,如果该个体已经在集合D中,则不重复放入,设集合D中的个体数量为|D|,令p=1;步骤3:对D中第p个体执行如下操作:步骤3.1:i=n+1;步骤3.2:随机产生一个小数rn,找到使rn落在区间的h,其中,h的取值范围为{1,2,3,…,n+f-1},pi,0=0,将工件i安排在加工序列的第h个位置上;步骤3.3:将概率矩阵的第h列清零,按照如下公式重新对第i行的每个元素赋值;步骤3.4:i=i+1,如果i=n+f,则令i=1;步骤3.5:如果i=n+1,则转至步骤4,否则,转至步骤3.2;步骤4:p=p+1,如果p>|D|,则输出分布估计调度方案,否则,转至步骤3。
需要说明的是,前述对分布式异构流水车间的分布估计调度方法实施例的解释说明也适用于该实施例的分布式异构流水车间的分布估计调度系统,此处不再赘述。
根据本发明实施例提出的分布式异构流水车间的分布估计调度系统,针对问题性质建立了相应的概率模型来拟合解空间的分布,将精英个体的信息应用于概率模型的更新上,以往好的方向进行搜索;贪婪搜索过程中,多种操作协同使用,充分发挥有效操作的搜索能力,减少无效操作的使用次数;抛弃质量差且潜力差的解并通过采样重新生成,提高效率,简单高效,从而有效解决工厂分配和工件排序子问题,进而能够有效解决分布式异构流水车间调度问题。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种分布式异构流水车间的分布估计调度方法,其特征在于,包括以下步骤:
对种群与概率模型进行初始化,并设置参数;
采用PBIL方法对所述概率模型在进化的每一代中都进行更新;
根据不同邻域结构的搜索操作产生新解以进行贪婪搜索,其中,所述不同邻域结构的搜索操作包括工厂内插入操作、工厂内交换操作、工厂间插入操作和工厂间交换操作;以及
对所述概率模型采样,以重新生成满足预设条件的个体,确定分布估计调度方案。
3.根据权利要求1所述的方法,其特征在于,所述根据不同邻域结构的搜索操作产生新解以进行贪婪搜索,包括:
步骤S1:p=1;
步骤S2:令Θ={SI,II,SB,IB},Cp=0;
步骤S3:从Θ中随机选择一种操作OP,对种群中第p个个体Xp执行OP直到新解不再替换旧解为止;
步骤S4:记录OP在Xp上执行的次数COP,将OP从Θ中删除,Cp=Cp+COP;
步骤S5:如果Θ为空,则进入步骤S6,否则回到步骤S3;
步骤S6:如果p小于PS,则令p=p+1,并回到步骤S2,否则停止贪婪搜索。
4.根据权利要求1-3任一项所述的方法,其特征在于,在所述对所述概率模型采样之后,还包括:
判断是否满足终止条件;
若满足所述终止条件,则输出所述分布估计调度方案,否则继续更新概率模型、贪婪搜索和采样。
5.根据权利要求4所述的方法,其特征在于,对所述概率模型采样,然后输出所述分布估计调度方案,具体包括:
步骤1:将所有个体按照总拖期大小升序排列,将排在后面的PS×β个个体放入集合D中;
步骤2:将所有个体按照Cp指标大小降序排列,将排在后面的PS×β个个体放入集合D中,如果该个体已经在集合D中,则不重复放入,设集合D中的个体数量为|D|,令p=1;
步骤3:对D中第p个体执行如下操作:
步骤3.1:i=n+1;
步骤3.3:将概率矩阵的第h列清零,按照如下公式重新对第i行的每个元素赋值;
步骤3.4:i=i+1,如果i=n+f,则令i=1;
步骤3.5:如果i=n+1,则转至步骤4,否则,转至步骤3.2;步骤4:p=p+1,如果p>|D|,则输出所述分布估计调度方案,否则,转至步骤3。
6.一种分布式异构流水车间的分布估计调度系统,其特征在于,包括:
初始化模块,用于对种群与概率模型进行初始化,并设置参数;
更新模块,用于采用PBIL方法对所述概率模型在进化的每一代中都进行更新;
搜索模块,用于根据不同邻域结构的搜索操作产生新解以进行贪婪搜索,其中,所述不同邻域结构的搜索操作包括工厂内插入操作、工厂内交换操作、工厂间插入操作和工厂间交换操作;以及
采样模块,用于对所述概率模型采样,以重新生成满足预设条件的个体,确定分布估计调度方案。
8.根据权利要求6所述的系统,其特征在于,所述搜索模块,包括:
步骤S1:p=1;
步骤S2:令Θ={SI,II,SB,IB},Cp=0;
步骤S3:从Θ中随机选择一种操作OP,对种群中第p个个体Xp执行OP直到新解不再替换旧解为止;
步骤S4:记录OP在Xp上执行的次数COP,将OP从Θ中删除,Cp=Cp+COP;
步骤S5:如果Θ为空,则进入步骤S6,否则回到步骤S3;
步骤S6:如果p小于PS,则令p=p+1,并回到步骤S2,否则停止贪婪搜索。
9.根据权利要求6-8任一项所述的系统,其特征在于,还包括:
判断模块,用于在所述对所述概率模型采样之后,判断是否满足终止条件;
处理模块,用于在满足所述终止条件时,输出所述分布估计调度方案,否则继续更新概率模型、贪婪搜索和采样。
10.根据权利要求9所述的方法,其特征在于,所述采样模块具体包括:
步骤1:将所有个体按照总拖期大小升序排列,将排在后面的PS×β个个体放入集合D中;
步骤2:将所有个体按照Cp指标大小降序排列,将排在后面的PS×β个个体放入集合D中,如果该个体已经在集合D中,则不重复放入,设集合D中的个体数量为|D|,令p=1;
步骤3:对D中第p个体执行如下操作:
步骤3.1:i=n+1;
步骤3.3:将概率矩阵的第h列清零,按照如下公式重新对第i行的每个元素赋值;
步骤3.4:i=i+1,如果i=n+f,则令i=1;
步骤3.5:如果i=n+1,则转至步骤4,否则,转至步骤3.2;
步骤4:p=p+1,如果p>|D|,则输出所述分布估计调度方案,否则,转至步骤3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911301646.2A CN110928261B (zh) | 2019-12-17 | 2019-12-17 | 分布式异构流水车间的分布估计调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911301646.2A CN110928261B (zh) | 2019-12-17 | 2019-12-17 | 分布式异构流水车间的分布估计调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110928261A true CN110928261A (zh) | 2020-03-27 |
CN110928261B CN110928261B (zh) | 2021-05-28 |
Family
ID=69862964
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911301646.2A Active CN110928261B (zh) | 2019-12-17 | 2019-12-17 | 分布式异构流水车间的分布估计调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110928261B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290283A (zh) * | 2020-04-03 | 2020-06-16 | 福州大学 | 一种面向选择性激光熔融工艺的增材制造单机调度方法 |
CN113344383A (zh) * | 2021-06-04 | 2021-09-03 | 兰州理工大学 | 一种用于分布式异构工厂的节能车间调度系统 |
CN117829550A (zh) * | 2024-03-04 | 2024-04-05 | 聊城大学 | 分布式可重入异构混合流水车间批次调度的求解方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258247A (zh) * | 2013-05-17 | 2013-08-21 | 广东工业大学 | 一种基于目标级联分析法的碳排放优化方法 |
CN104049612A (zh) * | 2014-06-19 | 2014-09-17 | 清华大学 | 基于分布估计的加工车间调度方法 |
CN107831740A (zh) * | 2017-10-17 | 2018-03-23 | 昆明理工大学 | 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 |
US20180101405A1 (en) * | 2016-10-11 | 2018-04-12 | Microsoft Technology Licensing, Llc | Resource and latency estimation-based scheduling in a distributed computing environment |
CN109388678A (zh) * | 2017-08-07 | 2019-02-26 | 奥的斯电梯公司 | 使用异构源进行电梯状况监测 |
US20190073615A1 (en) * | 2017-09-05 | 2019-03-07 | PagerDuty, Inc. | Operations health management |
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
- 2019-12-17 CN CN201911301646.2A patent/CN110928261B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258247A (zh) * | 2013-05-17 | 2013-08-21 | 广东工业大学 | 一种基于目标级联分析法的碳排放优化方法 |
CN104049612A (zh) * | 2014-06-19 | 2014-09-17 | 清华大学 | 基于分布估计的加工车间调度方法 |
US20180101405A1 (en) * | 2016-10-11 | 2018-04-12 | Microsoft Technology Licensing, Llc | Resource and latency estimation-based scheduling in a distributed computing environment |
CN109388678A (zh) * | 2017-08-07 | 2019-02-26 | 奥的斯电梯公司 | 使用异构源进行电梯状况监测 |
US20190073615A1 (en) * | 2017-09-05 | 2019-03-07 | PagerDuty, Inc. | Operations health management |
CN107831740A (zh) * | 2017-10-17 | 2018-03-23 | 昆明理工大学 | 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 |
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 (2)
Title |
---|
JINGFANG CHEN ET AL.: "A Probability Model-based Memetic Algorithm for Distributed Heterogeneous Flow-Shop Scheduling", 《2019 IEEE CONGRESS ON EVOLUTIONARY COMPUTATION》 * |
张振磊: "EDA算法求解三类复杂分布式流水线调度问题", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111290283A (zh) * | 2020-04-03 | 2020-06-16 | 福州大学 | 一种面向选择性激光熔融工艺的增材制造单机调度方法 |
CN113344383A (zh) * | 2021-06-04 | 2021-09-03 | 兰州理工大学 | 一种用于分布式异构工厂的节能车间调度系统 |
CN113344383B (zh) * | 2021-06-04 | 2023-04-07 | 兰州理工大学 | 一种用于分布式异构工厂的节能车间调度方法 |
CN117829550A (zh) * | 2024-03-04 | 2024-04-05 | 聊城大学 | 分布式可重入异构混合流水车间批次调度的求解方法 |
CN117829550B (zh) * | 2024-03-04 | 2024-05-24 | 聊城大学 | 分布式可重入异构混合流水车间批次调度的求解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110928261B (zh) | 2021-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110928261B (zh) | 分布式异构流水车间的分布估计调度方法及系统 | |
Huang et al. | An effective ant colony optimization algorithm for multi-objective job-shop scheduling with equal-size lot-splitting | |
Driss et al. | A new genetic algorithm for flexible job-shop scheduling problems | |
Hyun et al. | A genetic algorithm for multiple objective sequencing problems in mixed model assembly lines | |
CN105929690B (zh) | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 | |
CN104166903B (zh) | 基于工序划分的任务规划方法及系统 | |
CN109202895A (zh) | 设计支持装置、设计支持方法及存储设计支持程序的介质 | |
CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
Chu | Recent advances in mathematical programming for cell formation | |
CN105590143B (zh) | Pcb板组装工艺中多机流水生产线贴片机负荷均衡优化方法 | |
CN105654240A (zh) | 机床产品制造系统能效分析方法 | |
CN114186791A (zh) | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 | |
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 | |
CN112990515A (zh) | 一种基于启发式优化算法的车间资源调度方法 | |
Dabbagh et al. | An approach for prioritizing NFRs according to their relationship with FRs | |
Wang et al. | Energy-efficient scheduling for flexible job shop under multi-resource constraints using non-dominated sorting teaching-learning-based optimization algorithm | |
Xu et al. | Solving a multi-objective distributed scheduling problem for building material equipment group enterprises by measuring quality indicator with a product gene evaluation approach | |
CN101145219A (zh) | 使用遗传算法进行资源配置子系统 | |
CN113723695A (zh) | 一种基于场景的再制造调度优化方法 | |
Ye | Information infrastructure of engineering collaboration in a distributed virtual enterprise | |
CN111105164A (zh) | 一种车间调度方法、装置及设备 | |
CN117215275B (zh) | 一种基于遗传编程的柔性车间大规模动态双效调度方法 | |
CN113256094B (zh) | 基于改进粒子群算法的业务资源分配方法 | |
Wang et al. | Integrated Scheduling Algorithm for Complex Products Based on the Dynamic Subtree Operation Set Inverse Coding | |
CN116976603A (zh) | 一种复杂零部件批量生产优化调度方法 |
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 |