CN110956371B - 面向复杂人机耦合的智能制造车间的绿色调度优化方法 - Google Patents

面向复杂人机耦合的智能制造车间的绿色调度优化方法 Download PDF

Info

Publication number
CN110956371B
CN110956371B CN201911127154.6A CN201911127154A CN110956371B CN 110956371 B CN110956371 B CN 110956371B CN 201911127154 A CN201911127154 A CN 201911127154A CN 110956371 B CN110956371 B CN 110956371B
Authority
CN
China
Prior art keywords
machine
order
scheduling optimization
intelligent manufacturing
green
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
CN201911127154.6A
Other languages
English (en)
Other versions
CN110956371A (zh
Inventor
徐志涛
高德康
施迪军
雷振垅
张钦
谢乃明
明新国
姚坤
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.)
Hangzhou Deyi Zhijia Co ltd
Original Assignee
Hangzhou Deyi Zhijia Co ltd
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 Hangzhou Deyi Zhijia Co ltd filed Critical Hangzhou Deyi Zhijia Co ltd
Priority to CN201911127154.6A priority Critical patent/CN110956371B/zh
Publication of CN110956371A publication Critical patent/CN110956371A/zh
Application granted granted Critical
Publication of CN110956371B publication Critical patent/CN110956371B/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种面向复杂人机耦合的智能制造车间的绿色调度优化方法，属于车间作业调度优化领域。本发中的面向复杂人机耦合的智能制造车间的绿色调度优化方法，其特点在于：包括如下步骤：步骤一：确定上班员工数量、不同时段的电价、可用设备等的特征参数；步骤二：构建绿色调度优化的多目标函数；步骤三：构建绿色调度优化的约束条件；步骤四：根据问题的目标函数制定贪婪策略；步骤五：通过改进非支配排序遗传算法对模型进行求解。

Description

面向复杂人机耦合的智能制造车间的绿色调度优化方法
技术领域
本发明涉及一种面向复杂人机耦合的智能制造车间的绿色调度优化方法，属于车间作业调度优化领域。
针对智能制造车间设备运行过程中自主运行能力强，对员工的依赖小，而换模、生产准备等作业复杂，此时对员工的依赖大，即以智能加工设备为特征的智能制造车间复杂人机耦合关系下的绿色调度优化，特别是涉及一人多机、多人一机以及多人多机等混合人-机作业场景下考虑设备能耗的车间作业调度优化方法。
背景技术
一：线性规划方法
线性规划方法是运筹学的一个重要分支，是研究线性约束条件下线性目标函数的极值问题的数学理论和方法。在实际问题的建模过程中，一般包括三个步骤：首先，根据影响所要达到目标的因素找到决策变量；然后，构建由决策变量和所在达到目标之间的函数关系确定目标函数；最后，由决策变量所受的限制条件确定决策变量所要满足的约束条件。
所构建的线性规划模型有如下基本特征：
(1)每个模型都有若干个决策变量(x1，x2，x3……，xn)，其中n为决策变量个数。决策变量的一组值表示一种方案，同时决策变量一般是非负的。
(2)目标函数是决策变量的线性函数，根据具体问题可以是最大化或最小化。
(3)约束条件也是决策变量的线性函数，即线性等式或不等式时。
二：非线性规划方法
非线性规划是具有非线性约束条件或目标函数的数学规划，是运筹学的一个重要分支。非线性规划研究一个n元实函数在一组等式或不等式的约束条件下的极值问题，且目标函数和约束条件至少有一个是未知量的非线性函数。
非线性规划问题的一般数学模型可表述为求未知量x1,x2,…,xn,使满足约束条件：
gi(x1，…，xn)≥0，i＝1，2，…，m (1)
hj(x1，…，xn)≥0，j＝1，2，…，p (2)
并使目标函数f(x1，...，xn)达到最小值(或最大值)。其中f，gi和hj都是定义在n维向量空间Rn的某子集D(定义域)上的实值函数,且至少有一个是非线性函数。上述模型可简记为：
Min f(x) (3)
s.t gi(x)≥0，i＝1，2，...，m (4)
hj(x)≥0，j＝1，2，…，p  (5)
其中x＝x1，...，xn属于定义域D，定义域D中满足约束条件的点称为问题的可行解。全体可行解所成的集合称为问题的可行集。对于一个可行解x*,如果存在x*的一个邻域，使目标函数在x*处的值f(x*)优于(指不大于或不小于)该邻域中任何其他可行解处的函数值，则称x*为问题的局部最优解(简称局部解)。如果f(x*)优于一切可行解处的目标函数值,则称x*为问题的整体最优解(简称整体解)。实用非线性规划问题要求整体解，而现有解法大多只是求出局部解。
三：贪婪算法
贪婪算法是一种对某些求最优解问题的更简单、更迅速的设计技术。用贪婪法设计算法的特点是一步一步地进行，常以当前情况为基础根据某个优化测度作最优选择，而不考虑各种可能的整体情况，它省去了为找最优解要穷尽所有可能而必须耗费的大量时间，它采用自顶向下,以迭代的方法做出相继的贪心选择,每做一次贪心选择就将所求问题简化为一个规模更小的子问题,通过每一步贪心选择,可得到问题的一个最优解，虽然每一步上都要保证能获得局部最优解，但由此产生的全局解有时不一定是最优的。
贪婪算法是一种改进了的分级处理方法。其核心是根据题意选取一种量度标准。然后将这多个输入排成这种量度标准所要求的顺序，按这种顺序一次输入一个量。如果这个输入和当前已构成在这种量度意义下的部分最优解加在一起不能产生一个可行解，则不把此输入加到这部分解中。这种能够得到某种量度意义下最优解的分级处理方法称为贪婪算法。对于一个给定的问题，往往可能有多种量度标准，而实际问题中，用其中的大多数量度标准作贪婪处理所得到该量度意义下的最优解并不是问题的最优解，而是次优解。因此，选择能产生问题最优解的最优量度标准是使用贪婪算法的核心。
四：非支配排序遗传算法
非支配排序遗传算法是遗传算法的一种，该算法的特点在于在选择算子执行之前，根据个体之间的支配关系进行了分层。其选择算子、交叉算子和变异算子与简单遗传算法没有区别。种群根据个体之间的支配与非支配关系进行排序：
(1)首先，找出该种群中的所有非支配个体，并赋予他们一个共享的虚拟适应度值。得到第一个非支配最优层；
(2)然后，忽略这组己分层的个体，对种群中的其它个体继续按照支配与非支配关系进行分层，并赋予它们一个新的虚拟适应度值，该值要小于上一层的值，对剩下的个体继续上述操作，赢到种群中的所有个体都被分层。
(3)最后，算法根据适应度共享对虚拟适应值重新指定：比如指定第一屡个体的虚拟适应值为1，第二层个体的虚拟适应值应该相应减少，可取为0.9，依此类推。这样，可使虚拟适应值规范化。保持优良个体适应度的优势，以获得更多的复制机会，同时也维持了种群的多样性。适应度共享策略则使得准帕累托面上的个体均匀分布，保持了群体多样性，克服了超级个体的过度繁殖，防止了早熟收敛。
非支配排序遗传算法的主要缺陷在于：计算复杂度较高，当种群较大时，计算相当耗时；没有精英策略；精英策略可以加速算法的执行速度，而且也能在一定程度上确保已经找到的满意解不被丢失；需要指定共享半径。
发明内容
本发明的目的在于克服现有技术中存在的上述不足，而提供一种面向复杂人机耦合的智能制造车间的绿色调度优化方法，来解决复杂人机耦合环境下智能制造车间绿色调度优化模型构建复杂、模型求解效率低、容易陷入局部最优的问题。
本发明解决上述问题所采用的技术方案是：该面向复杂人机耦合的智能制造车间的绿色调度优化方法，其特点在于：包括如下步骤：
步骤一：确定上班员工数量、不同时段的电价、可用设备等的特征参数；
步骤二：构建绿色调度优化的多目标函数；
步骤三：构建绿色调度优化的约束条件；
步骤四：根据问题的目标函数制定贪婪策略；
步骤五：通过改进非支配排序遗传算法对模型进行求解。
进一步地，步骤一中，可用设备等的特征参数包括可用设备数量、能耗和每台设备正常工作需要配置的员工数量，以及每台设备上所允许配置的最大员工数量等特征参数；
步骤二中，构建以最小化最大订单完工时间、最小化加工能耗成本、最小化碳排放量和最简化员工-机器分配关系等为目标的面向复杂人机耦合的智能制造车间的绿色调度优化问题的目标函数；
步骤三中，构建面向复杂人机耦合的智能制造车间的绿色调度优化问题的约束条件，特别是人工能力系数约束、即允许人工能力有富裕，以及分配到每台机器上的总人数进行限制、主要是基于设备操作安全和协同作业效率的考虑；
步骤四中，设计最小化最大订单完工时间、最小化加工能耗成本和最小化碳排放为三个贪婪策略；
步骤五中，设计遗传参数的动态控制策略和采用混合贪婪策略对种群初始化和染色体进行变异，既大幅度提高算法的求解效率，又最大程度地提高算法的全局搜索能力。
进一步地，步骤二中，多目标函数如下：
目标函数(一)：订单的最大完工时间Z1最小
Figure GDA0003872931460000041
其中，由于分配的员工数量可能不足，机器的生产能力并不能完全释放出来，机器k的效率系数fk取决于分配到该设备上的全部员工的能力系数：
Figure GDA0003872931460000042
目标函数(二)：加工能耗成本Z2最小
Figure GDA0003872931460000043
其中，不同时段的电价c(t)如下：
Figure GDA0003872931460000044
目标函数(三)：碳排放量Z3最小
Figure GDA0003872931460000045
目标函数(四)：员工-机器分配关系Z4最小
Figure GDA0003872931460000051
Figure GDA0003872931460000052
其中，
r：可用员工总数，r＝i＝1，2，...R
qj：订单j的工序数
i：订单号索引，i＝1，2，...I
j：工序号索引，j＝1，2，...qj
k：机器号索引，k＝1，2，...K
c(t)：分时电价函数
swk：机器k的待机功率
pwijk：表示订单i的第j道工序在机器k上加工功率
LMk：分配到机器k上的员工数量上限
β：电力消耗与碳排放量之间的转换系数
α：理论加工功率和实际加工功率之间的转换系数
sijk：表示订单i的第j道工序在机器k上的开始加工时间
fijk：表示订单i的第j道工序在机器k上的结束加工时间
tijk：表示订单i的第j道工序在机器k上加工所用加工时间
xijk：表示订单i的第j道工序是否在机器k上加工，0-1变量
yrk：表示员工r分配到机器k的能力系数，取值为[0，0.1，0.2，...，1]
RLrk：表示员工-设备分配关系。
进一步地，步骤三中，约束条件如下：
(一)一旦某个订单在某个设备上那个开始加工，加工过程不能中断
fijk＝sijk+tijk  (8)
(二)每个订单按照加工工序顺序进行，不同的订单不需考虑加工顺序
fi，j-1，k≤sijk  (9)
(三)表示同一时间一个订单的一道工序只能由一台设备加工
Figure GDA0003872931460000061
(四)人工能力系数约束
Figure GDA0003872931460000062
(五)考虑到如果同一台机器上安排的员工过多，会导致过于复杂的协作，进而导致效率下降，分配到每台机器上的总人数进行限制
Figure GDA0003872931460000063
进一步地，步骤五中，对模型进行求解如下：
(一)初始化参数，种群规模和最大进化代数分别设置为n和G；
(二)进化代数g设置为0，随机生成n个初始解决方案，按照一定概率采用订单的最大完工时间最小、加工能耗成本最小和碳排放量最小三种贪婪策略中的一种，对每个个体进行初始化，并对不符合“每台机器上的总人数限制”的染色体进行修复；
(三)计算每个个体的适应度，并根据各目标适应度值进行非支配排序和拥挤度计算；
(四)考虑种群进化阶段和个体的在帕累托分层中所在的层，进行自适应交叉和变异概率计算；
(五)交叉和变异操作；
(六)新产生个体与原种群中的个体合并，并重新计算适应度、非支配排序和拥挤度；
(七)判断是否满足算法终止条件，若不满足，执行(四)。
进一步地，(四)中，
根据种群当前进化阶段计算种群的基准交叉概率PCj和基准变异概率Pmj：
Figure GDA0003872931460000071
Figure GDA0003872931460000072
根据个体的排序情况，计算每层的个体的个性化交叉概率PC和基准变异概率Pm：
其中ri个体在帕累托分层中所在的层
Figure GDA0003872931460000073
Figure GDA0003872931460000074
进一步地，(五)中，针对变异操作，按照一定概率选择一个订单，对其按照“订单的最大完工时间最小”的原则，重新安排设备；或者，一定概率选择一个设备，或者一定概率以加工能耗成本最小或者碳排放量最小的原则，重新对其上面的作业排序，并对染色体进行修复。
相比现有技术，本发明具有以下优点：
在复杂人机耦合环境下智能制造车间绿色调度优化的模型上，提出了把员工作业能力拆分和设备上的作业人员组合的方法，解决了一人多机、多人一机以及多人多机等混合人-机作业场景下的调度优化问题的统一建模问题；在复杂人机耦合环境下智能制造车间绿色调度优化模型的求解上，提出了通过混合贪婪策略对个体初始化，同时采用遗传参数的动态控制策略和混合贪婪策略来加速算法收敛，又避免陷入局部最优，从而提高算法的质量和效率。
附图说明
图1是本发明实施例复杂人机耦合环境下智能制造车间绿色调度优化流程。
图2是本发明实施例基于遗传参数的动态控制策略和混合贪婪策略的改进非支配排序遗传算法流程。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例
参见图1至图2所示，须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。同时，本说明书中若有引用如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
本实施例中的面向复杂人机耦合的智能制造车间的绿色调度优化方法，其特征在于：包括如下步骤：
步骤一：确定上班员工数量、不同时段的电价、可用设备等的特征参数；可用设备等的特征参数包括可用设备数量、能耗和每台设备正常工作需要配置的员工数量，以及每台设备上所允许配置的最大员工数量等特征参数。
步骤二：构建绿色调度优化的多目标函数；构建以最小化最大订单完工时间、最小化加工能耗成本、最小化碳排放量和最简化员工-机器分配关系等为目标的面向复杂人机耦合的智能制造车间的绿色调度优化问题的目标函数。
步骤三：构建绿色调度优化的约束条件；构建面向复杂人机耦合的智能制造车间的绿色调度优化问题的约束条件，特别是人工能力系数约束、即允许人工能力有富裕，以及分配到每台机器上的总人数进行限制、主要是基于设备操作安全和协同作业效率的考虑。
步骤四：根据问题的目标函数制定贪婪策略；设计最小化最大订单完工时间、最小化加工能耗成本和最小化碳排放为三个贪婪策略。
步骤五：通过改进非支配排序遗传算法对模型进行求解；设计遗传参数的动态控制策略和采用混合贪婪策略对种群初始化和染色体进行变异，既大幅度提高算法的求解效率，又最大程度地提高算法的全局搜索能力。
步骤二中，多目标函数如下：
目标函数(一)：订单的最大完工时间Z1最小
Figure GDA0003872931460000081
其中，由于分配的员工数量可能不足，机器的生产能力并不能完全释放出来，机器k的效率系数fk取决于分配到该设备上的全部员工的能力系数：
Figure GDA0003872931460000091
目标函数(二)：加工能耗成本Z2最小
Figure GDA0003872931460000092
其中，不同时段的电价c(t)如下：
Figure GDA0003872931460000093
目标函数(三)：碳排放量Z3最小
Figure GDA0003872931460000094
目标函数(四)：员工-机器分配关系Z4最小
Figure GDA0003872931460000095
Figure GDA0003872931460000096
其中，
n：订单总数，n＝i＝1，2，...N
m：机器总数，m＝i＝1，2，...M
r：可用员工总数，r＝i＝1，2，...R
qj：订单j的工序数
i：订单号索引，i＝1，2，...I
j：工序号索引，j＝1，2，...qj
k：机器号索引，k＝1，2，...K
PE：总加工碳排放
PEC：总加工能耗成本
c(t)：分时电价函数
swk：机器k的待机功率
pwijk：表示订单i的第j道工序在机器k上加工功率
pl：l时段的电价，1＝1，2，...L
LMk：分配到机器k上的员工数量上限
β：电力消耗与碳排放量之间的转换系数
α：理论加工功率和实际加工功率之间的转换系数
sijk：表示订单i的第j道工序在机器k上的开始加工时间
fijk：表示订单i的第j道工序在机器k上的结束加工时间
tijk：表示订单i的第j道工序在机器k上加工所用加工时间
xijk：表示订单i的第j道工序是否在机器k上加工，0-1变量
yrk：表示员工r分配到机器k的能力系数，取值为[0，0.1，0.2，...，1]
RLrk：表示员工-设备分配关系。
步骤三中，约束条件如下：
(一)一旦某个订单在某个设备上那个开始加工，加工过程不能中断fijk＝sijk+tijk  (8)
(二)每个订单按照加工工序顺序进行，不同的订单不需考虑加工顺序
fi，j-1，k≤sijk  (9)
(三)表示同一时间一个订单的一道工序只能由一台设备加工
Figure GDA0003872931460000111
(四)人工能力系数约束
Figure GDA0003872931460000112
(五)考虑到如果同一台机器上安排的员工过多，会导致过于复杂的协作，进而导致效率下降，分配到每台机器上的总人数进行限制
Figure GDA0003872931460000113
步骤五中，对模型进行求解如下：
(一)初始化参数，种群规模和最大进化代数分别设置为n和G。
(二)进化代数g设置为0，随机生成n个初始解决方案，按照一定概率采用订单的最大完工时间最小、加工能耗成本最小和碳排放量最小三种贪婪策略中的一种，对每个个体进行初始化，并对不符合“每台机器上的总人数限制”的染色体进行修复。
(三)计算每个个体的适应度，并根据各目标适应度值进行非支配排序和拥挤度计算。
(四)考虑种群进化阶段和个体的在帕累托分层中所在的层，进行自适应交叉和变异概率计算；
根据种群当前进化阶段计算种群的基准交叉概率PCj和基准变异概率Pmj：
Figure GDA0003872931460000114
Figure GDA0003872931460000115
根据个体的排序情况，计算每层的个体的个性化交叉概率PC和基准变异概率Pm：
其中ri个体在帕累托分层中所在的层
Figure GDA0003872931460000116
Figure GDA0003872931460000117
(五)交叉和变异操作；针对变异操作，按照一定概率选择一个订单，对其按照“订单的最大完工时间最小”的原则，重新安排设备；或者，一定概率选择一个设备，或者一定概率以加工能耗成本最小或者碳排放量最小的原则，重新对其上面的作业排序，并对染色体进行修复。
(六)新产生个体与原种群中的个体合并，并重新计算适应度、非支配排序和拥挤度。
(七)判断是否满足算法终止条件，若不满足，执行(四)。
具体的说，该面向复杂人机耦合的智能制造车间的绿色调度优化方法，采用非线性规划建模技术、智能算法、贪婪算法、遗传算法和非支配排序遗传算法的手段，解决了复杂人机耦合环境下智能制造车间绿色调度优化模型缺乏的问题，以及复杂人机耦合环境下智能制造车间绿色调度优化模型求解效率低、容易陷入局部最优的问题，达到了帮助企业准确制定最优调度排程计划，以及帮助企业精准预估智能制造车间产能的效果。
此外，需要说明的是，本说明书中所描述的具体实施例，其零、部件的形状、所取名称等可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所作的举例说明。凡依据本发明专利构思所述的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (6)

1.一种面向复杂人机耦合的智能制造车间的绿色调度优化方法，其特征在于：包括如下步骤：
步骤一：确定上班员工数量、不同时段的电价、可用设备的特征参数；
步骤二：构建绿色调度优化的多目标函数；
多目标函数如下：
目标函数(一)：订单的最大完工时间Z1最小
Figure FDA0003872931450000011
其中，由于分配的员工数量可能不足，机器的生产能力并不能完全释放出来，机器k的效率系数fk取决于分配到该设备上的全部员工的能力系数：
Figure FDA0003872931450000012
目标函数(二)：加工能耗成本Z2最小
Figure FDA0003872931450000013
其中，不同时段的电价c(t)如下：
Figure FDA0003872931450000014
目标函数(三)：碳排放量Z3最小
Figure FDA0003872931450000015
目标函数(四)：员工-机器分配关系Z4最小
Figure FDA0003872931450000016
Figure FDA0003872931450000021
其中，
r：可用员工总数,r＝i＝1,2,…R
qj：订单j的工序数
i：订单号索引，i＝1,2,…I
j：工序号索引，j＝1,2,…qj
k：机器号索引，k＝1,2,…K
c(t)：分时电价函数
swk：机器k的待机功率
pwijk：表示订单i的第j道工序在机器k上加工功率
LMk：分配到机器k上的员工数量上限
β：电力消耗与碳排放量之间的转换系数
α：理论加工功率和实际加工功率之间的转换系数
sijk：表示订单i的第j道工序在机器k上的开始加工时间
fijk：表示订单i的第j道工序在机器k上的结束加工时间
tijk：表示订单i的第j道工序在机器k上加工所用加工时间
xijk：表示订单i的第j道工序是否在机器k上加工，0-1变量
yrk：表示员工r分配到机器k的能力系数,取值为[0,0.1,0.2,…,1]
RLrk：表示员工-设备分配关系；
步骤三：构建绿色调度优化的约束条件；
步骤四：根据问题的目标函数制定贪婪策略；
步骤五：通过改进非支配排序遗传算法对模型进行求解。
2.根据权利要求1所述的面向复杂人机耦合的智能制造车间的绿色调度优化方法，其特征在于：
步骤一中，可用设备的特征参数包括可用设备数量、能耗和每台设备正常工作需要配置的员工数量，以及每台设备上所允许配置的最大员工数量特征参数；
步骤二中，构建以最小化最大订单完工时间、最小化加工能耗成本、最小化碳排放量和最简化员工-机器分配关系为目标的面向复杂人机耦合的智能制造车间的绿色调度优化问题的目标函数；
步骤三中，构建面向复杂人机耦合的智能制造车间的绿色调度优化问题的约束条件，人工能力系数约束、即允许人工能力有富裕，以及分配到每台机器上的总人数进行限制、基于设备操作安全和协同作业效率的考虑；
步骤四中，设计最小化最大订单完工时间、最小化加工能耗成本和最小化碳排放为三个贪婪策略；
步骤五中，设计遗传参数的动态控制策略和采用混合贪婪策略对种群初始化和染色体进行变异。
3.根据权利要求1所述的面向复杂人机耦合的智能制造车间的绿色调度优化方法，其特征在于：步骤三中，约束条件如下：
(一)一旦某个订单在某个设备上那个开始加工，加工过程不能中断
fijk＝sijk+tijk    (8)
(二)每个订单按照加工工序顺序进行，不同的订单不需考虑加工顺序
fi，j-1，k≤sijk    (9)
(三)表示同一时间一个订单的一道工序只能由一台设备加工
Figure FDA0003872931450000031
(四)人工能力系数约束
Figure FDA0003872931450000041
(五)考虑到如果同一台机器上安排的员工过多，会导致过于复杂的协作，进而导致效率下降，分配到每台机器上的总人数进行限制
Figure FDA0003872931450000042
4.根据权利要求1所述的面向复杂人机耦合的智能制造车间的绿色调度优化方法，其特征在于：步骤五中，对模型进行求解如下：
(一)初始化参数，种群规模和最大进化代数分别设置为n和G；
(二)进化代数g设置为0，随机生成n个初始解决方案，按照一定概率采用订单的最大完工时间最小、加工能耗成本最小和碳排放量最小三种贪婪策略中的一种，对每个个体进行初始化，并对不符合“每台机器上的总人数限制”的染色体进行修复；
(三)计算每个个体的适应度，并根据各目标适应度值进行非支配排序和拥挤度计算；
(四)考虑种群进化阶段和个体的在帕累托分层中所在的层，进行自适应交叉和变异概率计算；
(五)交叉和变异操作；
(六)新产生个体与原种群中的个体合并，并重新计算适应度、非支配排序和拥挤度；
(七)判断是否满足算法终止条件，若不满足，执行(四)。
5.根据权利要求4所述的面向复杂人机耦合的智能制造车间的绿色调度优化方法，其特征在于：(四)中，
根据种群当前进化阶段计算种群的基准交叉概率PCj和基准变异概率Pmj：
Figure FDA0003872931450000043
Figure FDA0003872931450000044
根据个体的排序情况，计算每层的个体的个性化交叉概率PC和基准变异概率Pm：
其中ri个体在帕累托分层中所在的层
Figure FDA0003872931450000045
Figure FDA0003872931450000051
6.根据权利要求4所述的面向复杂人机耦合的智能制造车间的绿色调度优化方法，其特征在于：(五)中，针对变异操作，按照一定概率选择一个订单，对其按照“订单的最大完工时间最小”的原则，重新安排设备；或者，一定概率选择一个设备，或者一定概率以加工能耗成本最小或者碳排放量最小的原则，重新对其上面的作业排序，并对染色体进行修复。
CN201911127154.6A 2019-11-18 2019-11-18 面向复杂人机耦合的智能制造车间的绿色调度优化方法 Active CN110956371B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911127154.6A CN110956371B (zh) 2019-11-18 2019-11-18 面向复杂人机耦合的智能制造车间的绿色调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911127154.6A CN110956371B (zh) 2019-11-18 2019-11-18 面向复杂人机耦合的智能制造车间的绿色调度优化方法

Publications (2)

Publication Number Publication Date
CN110956371A CN110956371A (zh) 2020-04-03
CN110956371B true CN110956371B (zh) 2023-04-07

Family

ID=69977573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911127154.6A Active CN110956371B (zh) 2019-11-18 2019-11-18 面向复杂人机耦合的智能制造车间的绿色调度优化方法

Country Status (1)

Country Link
CN (1) CN110956371B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111768081B (zh) * 2020-05-27 2024-03-26 浙江大学 一种混合制造环境中产品制造能耗的计算方法与系统
CN112051825B (zh) * 2020-09-22 2023-10-10 重庆大学 一种汽车试制车间考虑员工作业能力的多目标生产调度方法
CN112836928B (zh) * 2020-12-28 2023-09-22 浙江理工大学 一种流水车间人力调度优化方法
CN113159506B (zh) * 2021-03-16 2023-04-28 北京理工大学 人机协作生产单元任务分配与作业调度集成决策方法
CN113592275B (zh) * 2021-07-23 2024-03-05 深圳依时货拉拉科技有限公司 一种货运调度方法、计算机可读存储介质及计算机设备
CN116629578B (zh) * 2023-07-11 2024-03-22 工业富联(佛山)创新中心有限公司 一种制造工厂排程计算的方法及系统
CN117575216A (zh) * 2023-11-15 2024-02-20 淄博京科电气有限公司 基于物联网和工业大数据的智能工厂管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451747A (zh) * 2017-08-08 2017-12-08 大连交通大学 基于自适应非支配遗传算法的车间调度系统及其工作方法
CN109886589A (zh) * 2019-02-28 2019-06-14 长安大学 一种基于改进鲸鱼优化算法求解低碳车间调度的方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190130328A1 (en) * 2017-10-27 2019-05-02 Conduent Business Services, Llc Methods and systems for simulating and optimizing a work environment using an agent based model for scheduling and staffing of resources
CN110414863A (zh) * 2019-08-06 2019-11-05 河海大学常州校区 一种智能制造车间资源调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451747A (zh) * 2017-08-08 2017-12-08 大连交通大学 基于自适应非支配遗传算法的车间调度系统及其工作方法
CN109886589A (zh) * 2019-02-28 2019-06-14 长安大学 一种基于改进鲸鱼优化算法求解低碳车间调度的方法

Also Published As

Publication number Publication date
CN110956371A (zh) 2020-04-03

Similar Documents

Publication Publication Date Title
CN110956371B (zh) 面向复杂人机耦合的智能制造车间的绿色调度优化方法
CN111966050B (zh) 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法
CN110598920B (zh) 用于铸造并行车间主生产计划的多目标优化方法及系统
CN109636011B (zh) 一种基于改进的变邻域遗传算法的多班制计划排程法
CN109359884B (zh) 航空复杂装备结构件车间作业计划及重调度方法
CN109190857A (zh) 一种基于多目标资源受限项目调度模型的优化算法
CN105629927A (zh) 一种基于混合遗传算法的mes生产计划排产方法
CN113159383A (zh) 一种面向多机协作加工车间的制造资源重构调度方法及系统
CN104842564B (zh) 一种基于nsga‑ii的三维打印多任务优化调度方法
CN106371924B (zh) 一种最小化MapReduce集群能耗的任务调度方法
CN110414863A (zh) 一种智能制造车间资源调度方法
TW202133097A (zh) 用於半導體加工調度的方法、半導體加工調度系統和非暫時性電腦可讀儲存介質
CN109409763A (zh) 一种基于贪婪式分组策略的动态测试任务调度方法及调度平台
CN108665092A (zh) 一种基于混合萤火虫算法的全流程排产与优化方法
CN111144710A (zh) 一种可持续性混合流水车间的构建和动态调度方法
CN112785054A (zh) 一种基于库存推移的多制约因素综合型生产订单排程系统
CN108776845A (zh) 一种基于双目标作业车间调度的混合果蝇算法
CN115965154A (zh) 一种基于知识图谱的数字孪生机械加工过程调度方法
CN109325610B (zh) 一种面向多水源梯级泵站调水系统的分段线性调度方法
CN114879618A (zh) 知识驱动的车间智能排产方法
CN115545329A (zh) 一种适用于服装制造产线的一体化动态排程方法
CN115470977A (zh) 基于帝国竞争算法的多目标柔性作业车间分批调度方法
CN116307008A (zh) 一种mto和mts混合生产模式下aps排产方法
CN114123175A (zh) 考虑广义需求侧资源联盟特性的配电网分布式控制方法
Tang et al. Dynamic scheduling management method for multi-energy system digital twin simulation computing tasks

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 311215 No.98, Hongxing Road, Qiaonan block, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant after: Hangzhou Deyi Zhijia Co.,Ltd.

Address before: 311215 No.98, Hongxing Road, Qiaonan block, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province

Applicant before: HANGZHOU DE&E ELECTRICAL Co.,Ltd.

GR01 Patent grant
GR01 Patent grant