CN110991732A - 一种基于能耗聚类的建材装备制造过程优化调度方法 - Google Patents

一种基于能耗聚类的建材装备制造过程优化调度方法 Download PDF

Info

Publication number
CN110991732A
CN110991732A CN201911194931.9A CN201911194931A CN110991732A CN 110991732 A CN110991732 A CN 110991732A CN 201911194931 A CN201911194931 A CN 201911194931A CN 110991732 A CN110991732 A CN 110991732A
Authority
CN
China
Prior art keywords
manufacturing
task
energy consumption
scheduling
atomic
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
Application number
CN201911194931.9A
Other languages
English (en)
Other versions
CN110991732B (zh
Inventor
杜百岗
谭天
郭钧
李益兵
彭兆
王磊
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201911194931.9A priority Critical patent/CN110991732B/zh
Publication of CN110991732A publication Critical patent/CN110991732A/zh
Application granted granted Critical
Publication of CN110991732B publication Critical patent/CN110991732B/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
    • G06Q10/04—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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

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

Abstract

本发明公开了一种基于能耗聚类的建材装备制造过程优化调度方法，属于建材装备制造过程中的绿色调度领域，包括：建材装备制造过程中的项目任务具有面向能耗的动态拆分组合性，多个并行项目之间的任务可依据资源的能力或可用性将任务动态分解或组合成不同粒度、不同执行模式的子任务。通过对项目的动态拆分与重组，提出基于等效邻接矩阵和最大模糊隶属度的能耗聚类评价策略从而实现原子任务的动态划分，建立关于最小化能耗成本和最短工期延误时间的数学模型；根据所建立的数学模型，生成一种基于能耗聚类的策略并对工件进行调度，从而得到总的能耗成本最低和工期延误时间最短的调度结果，本发明能有效地降低能耗成本，缩短制造任务工期延误时间。

Description

一种基于能耗聚类的建材装备制造过程优化调度方法
技术领域
本发明属于建材装备制造过程中的绿色调度领域，更具体地，涉及一种基于能耗聚类的建材装备制造过程优化调度方法。
背景技术
在建材装备企业中，水泥生产线装备的制造任务繁多，制造过程能耗高，建造周期长，交货工期紧。近年来，随着全球能源紧缺、能源价格上涨、气候变暖以及相关法规在全球范围实施，使得制造业不得不减少能源消耗，降低成本。同时项目订单多数来自于海外，制造工期有限，对于制造完成时间要求严格。所以在建材装备制造过程中，减少能耗成本和缩短制造任务工期十分有必要，这方面的研究对于实际的工程意义非凡。鉴于建材装备制造过程中的项目具有面向资源的动态拆分组合性，多个并行项目之间的任务可依据资源的能力或可用性将任务动态分解或组合成不同粒度、不同执行模式的子任务，以实现整体效用的最大化，达到工期最小化、能耗成本最小化、资源平衡等目标。近几年来，关于任务项目拆分与重组的调度问题已经有相关的研究成果，对于建材装备项目任务可拆分重组的资源受限多项目调度问题，如何从能耗的角度探讨通过任务拆分和重组的方式实现建材装备并行多项目能耗成本优化和工期延误时间最短是目前亟需解决的技术难题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于能耗聚类的建材装备制造过程优化调度方法，由此解决如何从能耗的角度探讨通过任务拆分和重组的方式实现建材装备并行多项目能耗成本优化和工期延误时间最短的技术问题。
为实现上述目的，本发明提供了一种基于能耗聚类的建材装备制造过程优化调度方法，包括：
依据资源的能力或可用性，将建材装备制造过程中的多个并行项目之间的任务动态分解或组合成不同粒度及不同执行模式的原子任务；
基于等效邻接矩阵和最大模糊隶属度的能耗聚类评价策略实现所述原子任务的动态划分，进而构建基于能耗聚类的调度模型；
根据所述调度模型，对工件进行调度，在最小化能耗成本的基础上实现制造过程的总工期延误时间最短，从而得到总的能耗成本最低和工期延误时间最短的调度结果。
优选地，所述调度模型为：
Re＝λSe
Figure BDA0002294449880000021
Figure BDA0002294449880000022
Figure BDA0002294449880000023
Figure BDA0002294449880000024
T(l)＝{1,2,…,m}，l＝1,2,…,n
Figure BDA0002294449880000025
Figure BDA0002294449880000026
其中，Se是标准能耗当量；Re是能耗当量；λ是转换系数；i是原子任务的序号，Ei是原子任务Ti的归属子集
Figure BDA0002294449880000029
的隶属度函数，udi是原子任务i对模糊子集d的隶属度，G(T)是由某项目的n个原子任务组成的原子任务集G(T)＝{Ti|i＝1,2,…,n}；
Figure BDA0002294449880000027
是被划分后的第d个原子任务子集，原子任务划分为c个模糊子集，也即c个工作包：
Figure BDA0002294449880000028
m是原子任务总数，T(l)是工序集，U(l,j)是原子任务j对于工序集T(l)的模糊隶属度矩阵，
Figure BDA0002294449880000031
表示第c个工作包的原子任务j对工序集T(l)的模糊隶属度，AMD(k,j)表示第k个工作包的第j个任务归属于聚类中心的平均隶属度，
Figure BDA0002294449880000032
表示第k个工作包的原子任务j对工序集T(l)的模糊隶属度，k表示第k个工作包，c是原子任务划分为工作包的总数。
优选地，所述根据所述调度模型，对工件进行调度，包括：
由
Figure BDA0002294449880000033
实现所述调度模型对制造任务、最大制造能力及工序顺序进行约束限制；
其中，i是制造班组编号；j是项目编号；k是项目j的制造任务编号；l是制造任务的工序类型编号；m是制造时段任务编号；Xijk是项目j的制造任务k是否分配给制作方i，Xijk＝0表示未分配给制作班组i，Xijk＝1表示分配给制作班组i；Yjkl是项目j的制造任务k归属制造任务类型l，Yjkl＝0表示不归属类型l，Yjkl＝1表示归属类型l；Him是制作班组i在制造任务调度前m时段是否空闲的决策变量，Him＝0表示空闲，Him＝1表示已分配制造任务；Fim是制作班组i的m时段分配的制造任务，Ojk是项目j的第k个制造任务，Giml是制作班组i的m时段分配的l类型制造任务的工程量，Bil是制作班组i对第l类工序的制造能力，单位吨/时，Pjkm项目j的m时段的制造任务k的紧前工序集合，I是制造班组的总数，K是制造任务的总数，L是工序是总数，M是制造时段的总数。
优选地，所述在最小化能耗成本的基础上实现制造过程的总工期延误时间最短，包括：
由
Figure BDA0002294449880000041
实现在最小化能耗成本的基础上实现制造过程的总工期延误时间最短；
其中，Rjk是项目j的制造任务k的完工时间；Tj是项目j的计划完工时间；Zjkl是项目j中工序类型为l的制造任务k的分配加工时段，Zjkl＝0表示峰时段，Zjkl＝1表示谷时段，Zjkl＝2表示平时段；C0是峰时段电价；C1是谷时段电价；C2是平时段电价；Ejkl是项目j中工序类型为l的制造任务k的能耗当量；Qjkl是项目j中工序类型为l的制造任务k的工程量，J是项目代号，
Figure BDA0002294449880000042
是不同时段的电价。
优选地，所述根据所述调度模型，对工件进行调度，在最小化能耗成本的基础上实现制造过程的总工期延误时间最短，从而得到总的能耗成本最低和工期延误时间最短的调度结果，包括：
(a)生成初始种群，将所述初始种群作为当前种群，其中，所述初始种群中个体的基因长度为Pn*Mn，Pn代表工作包的数量，Mn代表工序数量，前Pn个基因代表各个包在第一工序中对应的制作班组，接着的Pn个基因代表各个包在第二工序中对应的制作班组，依次类推，得到各个包的加工次序；
(b)由fi＝densityi·(1/Ranki)对交叉和变异概率进行自适应参数调节，其中，densityi表示种群中第i个个体的拥挤密度，Ranki表示层数，Ranki是第i个个体对应的层级数，fi是适应值；
(c)对所述当前种群中的个体实行混合选择机制，其中，进化的前期选用精英保留的二元锦标赛选择算子，进化的后期选用基于优胜关系的选择算子；
(d)在进化过程中，基于次序的交叉和基于位置的交叉被等概率随机采用，以对所述当前种群中的个体实现多点随机变异操作；
(e)对所述当前种群进行快速非支配解排序后，对所述当前种群进行数据清洗，剔除掉重复的个体，并且加入新的个体使得种群数量达到2*Popsize，将得到的新的种群作为当前种群，并返回执行步骤(b)，直至达到最终迭代次数，将得到的结果作为总的能耗成本最低和工期延误时间最短的调度结果，Popsize是最大种群数。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：本发明公开的具有一种基于能耗聚类的建材装备制造过程优化调度方法，以能耗成本和延期时间进行决策，提出了一种基于工作包的调度模型，考虑基于能耗的任务拆分与重组，提出了一种基于NSGA-II的混合遗传算法的能耗聚类策略对工作包进行调度，从而得到Pareto解集，降低制造能耗成本，缩短工期延误时间。
附图说明
图1是本发明实施例提供的一种基于能耗聚类的建材装备制造过程优化调度方法的流程示意图；
图2是本发明实施例提供的一种项目任务分解结构有向图；
图3是本发明实施例提供的一种经过能耗定义之后的原子任务图；
图4是本发明实施例提供的一种基于能耗聚类的多项目任务调度的任务等效邻接图；
图5是本发明实施例提供的一种基于能耗聚类的建材装备制造过程中的优化调度的流程图；
图6是本发明实施例提供的一种改进的NSGA-II的方法流程图；
图7是本发明实施例提供的一种基于工作包和装箱单的调度模型所得到的Pareto解集分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示是本发明实施例提供的一种基于能耗聚类的建材装备制造过程优化调度方法的流程示意图。该调度方法是基于能耗聚类的建材装备制造过程中的一种优化调度方法，其步骤具体包括：
S1：针对建材装备制造过程中的多个并行项目之间的任务具有动态拆分与重组性，可依据资源的能力或可用性将任务动态分解或组合成不同粒度及不同执行模式的子任务。提出基于等效邻接矩阵和最大模糊隶属度的能耗聚类评价策略从而实现原子任务的动态划分，建立基于能耗聚类的调度模型；
S2：根据建立的基于能耗聚类的调度模型，利用改进的NSGA-II的混合遗传算法对工件进行调度，从而可以获得最小能耗成本和最短工期延误时间的调度结果。
在本发明实施例中，在步骤S1中，通过模糊c均值法来描述能耗聚类问题，建立的调度模型如下：
Re＝λSe (1)
Figure BDA0002294449880000061
Figure BDA0002294449880000062
Figure BDA0002294449880000063
Figure BDA0002294449880000064
l＝1,2,…,n (6)
T(l)＝{1,2,…,m} (7)
Figure BDA0002294449880000071
Figure BDA0002294449880000072
其中，Se是标准能耗当量；Re是能耗当量；λ是转换系数；i是原子任务的序号，Ei是原子任务Ti的归属子集
Figure BDA0002294449880000073
的隶属度函数，udi是原子任务i对模糊子集
Figure BDA0002294449880000074
的隶属度，G(T)是由某项目的n个原子任务组成的原子任务集G(T)＝{Ti|i＝1,2,…,n}；
Figure BDA0002294449880000075
是被划分后的第d个原子任务子集，原子任务划分为c个模糊子集，也即c个工作包：
Figure BDA0002294449880000076
m是原子任务总数，T(l)是工序集，U(l,j)是原子任务j对于工序集T(l)的模糊隶属度矩阵，
Figure BDA0002294449880000077
表示第c个工作包的原子任务j对工序集T(l)的模糊隶属度，AMD(k,j)表示第k个工作包的第j个任务归属于聚类中心的平均隶属度，
Figure BDA0002294449880000078
表示第k个工作包的原子任务j对工序集T(l)的模糊隶属度，k表示第k个工作包，c是原子任务划分为工作包的总数。
其中，公式(1)为能耗当量Re的表达式，公式(2)为归属子集
Figure BDA0002294449880000079
的隶属度函数Ei，公式(3)、(4)及(5)为通过模糊聚类模糊c均值法后，原子任务集被模糊c划分；公式(8)是工序集T(l)的模糊隶属度矩阵；公式(9)AMD(k,j)表示第k个工作包的第j个任务归属于聚类中心的平均隶属度。
通过模糊c均值聚类方法，提出一种基于能耗聚类的策略，产生一种新型的基于能耗聚类的制造任务执行模式(工作包)，接着对工作包进行调度。调度模型对相关的制造任务、最大制造能力及工序顺序进行约束限制。
Figure BDA0002294449880000081
Figure BDA0002294449880000082
Figure BDA0002294449880000083
Figure BDA0002294449880000084
Figure BDA0002294449880000085
其中，i是制造班组编号；j是项目编号；k是项目j的制造任务编号；l是制造任务的工序类型编号；m是制造时段任务编号；Xijk是项目j的制造任务k是否分配给制作方i，Xijk＝0表示未分配给制作班组i，Xijk＝1表示分配给制作班组i；Yjkl是项目j的制造任务k归属制造任务类型l，Yjkl＝0表示不归属类型l，Yjkl＝1表示归属类型l；Him是制作班组i在制造任务调度前m时段是否空闲的决策变量，Him＝0表示空闲，Him＝1表示已分配制造任务；Fim是制作班组i的m时段分配的制造任务，Ojk是项目j的第k个制造任务，Giml是制作班组i的m时段分配的l类型制造任务的工程量，Bil是制作班组i对第l类工序的制造能力，单位吨/时，Pjkm项目j的m时段的制造任务k的紧前工序集合，I是制造班组的总数，K是制造任务的总数，L是工序是总数，M是制造时段的总数。
其中，公式(10)、(11)及(12)是任务约束，一个工作包的某一工序由一个制作班组来完成。一个工作包不能属于多个装箱单，只能属于一个装箱单。项目的所有制造任务均分配完毕，同时一个制造任务只归属于一个制造类型；公式(13)是制造能力约束，因此只有具有某类型制造能力的制作班组才能分配相应制造任务，同时分配的制造任务不能超过制作班组在该时段的最大制造能力；公式(14)是工序约束，对于所有正在进行的制造任务，所有的紧前工序必须都已完成。
调度过程的决策变量：
Figure BDA0002294449880000091
Figure BDA0002294449880000092
其中，Rjk是项目j的制造任务k的完工时间；Tj是项目j的计划完工时间(小时，每天按2班次，每班次8小时，计2*8小时)；Zjkl是项目j中工序类型为l的制造任务k的分配加工时段，Zjkl＝0表示峰时段，Zjkl＝1表示谷时段，Zjkl＝2表示平时段；C0是峰时段电价(元/度)；C1是谷时段电价(元/度)；C2是平时段电价(元/度)；Ejkl是项目j中工序类型为l的制造任务k的能耗当量(度/(吨·小时))；Qjkl是项目j中工序类型为l的制造任务k的工程量(吨)，J是项目代号，CZjkl是不同时段的电价。
其中，公式(15)是最小化项目完成时间，为了保证项目的交付，对于每一个项目j的制造任务k，其完成的时间Rjk要尽可能小于项目j的交付期Tj，使得企业总体的工期延误最小；公式(16)是最小化能耗成本，主要考虑因制造任务分配在不同时段的能耗成本，峰时段能耗成本、谷时段能耗成本以及平时段能耗成本构成，由决策变量Zjkl确定。
能耗聚类方法具体包括步骤如下：
本发明实施例是考虑建材装备制造过程中的项目任务，因为多个并行项目之间的任务可依据资源的能力或可用性将任务动态分解或组合成不同粒度和不同执行模式的子任务，所以通过能耗聚类，寻找到最佳执行模式的子任务和调度模型。
如图2所示，在建材装备制造过程中，有四种项目任务制造形式：项目、装箱单、工作包、原子任务(粒度从大到小)。紧接着，如图3所示，通过对于每一个工序中的原子任务(最小粒度)进行能耗定义，例如：建材装备制造过程中的堆取料机标准“项目域”中横梁焊接的标准能耗当量为20度/(吨·小时)。将不同生产类型的不同工序下原子任务进行能耗定义之后，再利用基于模糊聚类的原子任务分解算法进行聚类分析，实现能耗聚类的目的。具体实施过程可以参考图4、图5。
本发明实施例公开的基于能耗聚类的建材装备制造过程优化调度方法是以能耗成本和工期延误时间为目标。对建材装备制造过程中的项目任务进行基于能耗的动态拆分与重组，建立了相应的调度模型。同时考虑一种基于NSGA-II的混合遗传算法进行调度，从而得到总的能耗成本最低和工期延误时间最短的调度结果。
方法流程如图6所示，在本实施例中，构建基于能耗聚类的改进的NSGA-II的混合遗传算法的主要包括以下部分：
S3.1染色体表达：
基因长度为Pn*Mn，其中，Pn代表工作包的数量，Mn代表工序数量。前Pn个基因代表各个包在工序1中对应的制作班组，接着的Pn个基因代表各个包在工序2中对应的制作班组，依次类推，得到了各个包的加工次序。例如有5个工作包2个工序的可以取P1＝[2 5 6 43 1 4 5 7 2]作为一个染色体。
S3.2：混合选择机制
进化的前期选用精英保留的二元锦标赛选择算子，进化的后期选用基于优胜关系的选择算子。
S3.3：自适应调节
fi＝densityi·(1/Ranki) (17)
其中，densityi表示种群中第i个个体的拥挤密度，fi是适应值，Ranki表示层数。Ranki是第i个个体对应的层级数。
对交叉、变异概率进行自适应参数调节。
S3.4：交叉算子和变异算子
在本发明实施例中，对染色体实行两种交叉算子操作(基于次序的交叉和基于位置的交叉)，在进化过程中两种交叉算子被等概率随机地采用；本发明实施例对染色体实行多点随机变异操作。
S3.5：清洗算子
进化过程中易产生相同个体，所以种群很容易陷入局部最优，因此需要对经过快速非支配解排序后种群中的前n层的相同个体进行剔除，并且加入新的个体使得种群数量达到2*Popsize，同时也增加了种群的多样性，有利于种群进行全局寻优，Popsize是最大种群数。
本发明实施例提供了一种通过试验的验证分析方法，该方法包括步骤：
S41：利用仿真软件对如上所述的基于能耗聚类的NSGA-II的混合遗传算法的有效性进行验证分析，从而得到仿真结果；
S42：将所述仿真结果与之前的未经过能耗聚类的项目任务制造单元(装箱单)进行对比，从而验证能耗聚类的调度模型和试验分析结果。
作为一种可选的实施方式，为了验证所提出的遗传算法的有效性，使用MATALBR2018b仿真软件，并在CPU为Intel(R)Core i5-4200H 2.80GHz,内存为12G，操作系统为Windows 10的计算机上进行仿真试验。
参数设置：最大进化代数300，种群规模100，初始交叉概率Pc＝0.85，变异概率Pm＝0.2。机器数目与工件数目的不同组合构成不同的问题规模；为了避免实验的偶然性以及随机因素对计算结果的影响，独立运行10次仿真实验，并报告平均结果值和最优结果值，如表1、表2所示。
项目信息：实验数据来自于国内某一大型建材装备制造企业，包含2个项目任务信息，由7个制造班组组成，假设所有的制造方在任务开始之前没有正在执行的任务，采用两班制方式进行加工，每班工作时长为8小时，时间不中断，开始加工时间为上午8点，不考虑换班时间间隔。其中表1为项目基本信息，表2是两个项目任务制造信息，表3为制造班组信息，表4为不同时段(峰时、谷时、平时)的电价信息。
表1项目基本信息
项目编号 项目名称 工期(时)
P<sub>1</sub> 马来西亚MA项目 25*16
P<sub>2</sub> 俄罗斯FER项目 30*16
表2项目基本信息
Figure BDA0002294449880000121
Figure BDA0002294449880000131
表3制作班组制造能力(吨/时)
Figure BDA0002294449880000132
Figure BDA0002294449880000141
表4峰、谷、平时段电价信息(元/度)
时段 峰时电价 谷时电价 平时电价
06:00～08:00 — — 0.70
08:00～11:00 1.10 — —
11:00～18:00 — — 0.70
18:00～21:00 1.10 — —
21:00～22:00 — — 0.70
22:00～06:00 — 0.35 —
从表5、表6、图7可以看出来(在工期延误这一栏，负号意味着提前完成加工，正号意味着存在工期延误)，遗传算法目标值的最小值和平均值的大小可以看出来，工作包调度模型普遍比装箱单的调度模型在缩短工期延误时间和节省能耗成本这两个方面效果极为明显和有效，证明所提出的优化调度方法的正确性。
表5数值计算结果
Figure BDA0002294449880000142
Figure BDA0002294449880000151
表6数值计算结果
Figure BDA0002294449880000152
本发明实施例通过仿真试验的试验分析，将仿真结果中的两种调度模型(装箱单、工作包)进行比较。表明了设计的遗传算法具有良好的求解性能，能够在较短时间内获得Pareto解和较多的非支配解数量。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于能耗聚类的建材装备制造过程优化调度方法，其特征在于，包括：
依据资源的能力或可用性，将建材装备制造过程中的多个并行项目之间的任务动态分解或组合成不同粒度及不同执行模式的原子任务；
基于等效邻接矩阵和最大模糊隶属度的能耗聚类评价策略实现所述原子任务的动态划分，进而构建基于能耗聚类的调度模型；
根据所述调度模型，对工件进行调度，在最小化能耗成本的基础上实现制造过程的总工期延误时间最短，从而得到总的能耗成本最低和工期延误时间最短的调度结果。
2.根据权利要求1所述的方法，其特征在于，所述调度模型为：
Re＝λSe
Figure FDA0002294449870000011
Figure FDA0002294449870000012
Figure FDA0002294449870000013
Figure FDA0002294449870000014
T(l)＝{1,2,…,m}，l＝1,2,…,n
Figure FDA0002294449870000015
Figure FDA0002294449870000016
其中，Se是标准能耗当量，Re是能耗当量，λ是转换系数，i是原子任务的序号，Ei是原子任务Ti的归属子集
Figure FDA0002294449870000017
的隶属度函数，udi是原子任务i对模糊子集
Figure FDA0002294449870000018
的隶属度，G(T)是由某项目的n个原子任务组成的原子任务集G(T)＝{Ti|i＝1,2,…,n}，
Figure FDA0002294449870000019
是被划分后的第d个原子任务子集，原子任务划分为c个模糊子集，也即c个工作包：
Figure FDA0002294449870000021
m是原子任务总数，T(l)是工序集，U(l,j)是原子任务j对于工序集T(l)的模糊隶属度矩阵，
Figure FDA0002294449870000022
表示第c个工作包的原子任务j对工序集T(l)的模糊隶属度，AMD(k,j)表示第k个工作包的第j个任务归属于聚类中心的平均隶属度，
Figure FDA0002294449870000023
表示第k个工作包的原子任务j对工序集T(l)的模糊隶属度，k表示第k个工作包，c是原子任务划分为工作包的总数。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述调度模型，对工件进行调度，包括：
由
Figure FDA0002294449870000024
实现所述调度模型对制造任务、最大制造能力及工序顺序进行约束限制；
其中，i是制造班组编号；j是项目编号；k是项目j的制造任务编号；l是制造任务的工序类型编号；m是制造时段任务编号；Xijk是项目j的制造任务k是否分配给制作方i，Xijk＝0表示未分配给制作班组i，Xijk＝1表示分配给制作班组i；Yjkl是项目j的制造任务k归属制造任务类型l，Yjkl＝0表示不归属类型l，Yjkl＝1表示归属类型l；Him是制作班组i在制造任务调度前m时段是否空闲的决策变量，Him＝0表示空闲，Him＝1表示已分配制造任务；Fim是制作班组i的m时段分配的制造任务，Ojk是项目j的第k个制造任务，Giml是制作班组i的m时段分配的l类型制造任务的工程量，Bil是制作班组i对第l类工序的制造能力，单位吨/时，Pjkm项目j的m时段的制造任务k的紧前工序集合，I是制造班组的总数，K是制造任务的总数，L是工序是总数，M是制造时段的总数。
4.根据权利要求3所述的方法，其特征在于，所述在最小化能耗成本的基础上实现制造过程的总工期延误时间最短，包括：
由
Figure FDA0002294449870000031
实现在最小化能耗成本的基础上实现制造过程的总工期延误时间最短；
其中，Rjk是项目j的制造任务k的完工时间；Tj是项目j的计划完工时间；Zjkl是项目j中工序类型为l的制造任务k的分配加工时段，Zjkl＝0表示峰时段，Zjkl＝1表示谷时段，Zjkl＝2表示平时段；C0是峰时段电价；C1是谷时段电价；C2是平时段电价；Ejkl是项目j中工序类型为l的制造任务k的能耗当量；Qjkl是项目j中工序类型为l的制造任务k的工程量，J是项目代号，CZjkl是不同时段的电价。
5.根据权利要求1或2所述的方法，其特征在于，所述根据所述调度模型，对工件进行调度，在最小化能耗成本的基础上实现制造过程的总工期延误时间最短，从而得到总的能耗成本最低和工期延误时间最短的调度结果，包括：
(a)生成初始种群，将所述初始种群作为当前种群，其中，所述初始种群中个体的基因长度为Pn*Mn，Pn代表工作包的数量，Mn代表工序数量，前Pn个基因代表各个包在第一工序中对应的制作班组，接着的Pn个基因代表各个包在第二工序中对应的制作班组，依次类推，得到各个包的加工次序；
(b)由fi＝densityi·(1/Ranki)对交叉和变异概率进行自适应参数调节，其中，densityi表示种群中第i个个体的拥挤密度，Ranki表示层数，fi是适应值；
(c)对所述当前种群中的个体实行混合选择机制，其中，进化的前期选用精英保留的二元锦标赛选择算子，进化的后期选用基于优胜关系的选择算子；
(d)在进化过程中，基于次序的交叉和基于位置的交叉被等概率随机采用，以对所述当前种群中的个体实现多点随机变异操作；
(e)对所述当前种群进行快速非支配解排序后，对所述当前种群进行数据清洗，剔除掉重复的个体，并且加入新的个体使得种群数量达到2*Popsize，将得到的新的种群作为当前种群，并返回执行步骤(b)，直至达到最终迭代次数，将得到的结果作为总的能耗成本最低和工期延误时间最短的调度结果，Popsize表示最大种群数。
CN201911194931.9A 2019-11-28 2019-11-28 一种基于能耗聚类的建材装备制造过程优化调度方法 Active CN110991732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911194931.9A CN110991732B (zh) 2019-11-28 2019-11-28 一种基于能耗聚类的建材装备制造过程优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911194931.9A CN110991732B (zh) 2019-11-28 2019-11-28 一种基于能耗聚类的建材装备制造过程优化调度方法

Publications (2)

Publication Number Publication Date
CN110991732A true CN110991732A (zh) 2020-04-10
CN110991732B CN110991732B (zh) 2023-06-16

Family

ID=70087875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911194931.9A Active CN110991732B (zh) 2019-11-28 2019-11-28 一种基于能耗聚类的建材装备制造过程优化调度方法

Country Status (1)

Country Link
CN (1) CN110991732B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177667A (zh) * 2021-05-24 2021-07-27 同济大学 一种基于改进遗传算法的电气装备制造资源优化配置方法
CN113205234A (zh) * 2021-07-05 2021-08-03 浙江中控技术股份有限公司 适用于煤化工的应急调度优化方法、系统、设备以及介质
CN115829297A (zh) * 2023-02-09 2023-03-21 中建科技集团有限公司 装配式建筑的工作包生成方法、装置、终端及存储介质

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1897025A (zh) * 2006-04-27 2007-01-17 南京联创科技股份有限公司 海量数据处理中多线程工作包并行的etl技术
DE102008025517B3 (de) * 2008-05-28 2010-01-28 Siemens Ag Verfahren zur rechnergestützten Prognose von Parametern zur Steuerung und/oder zum Entwurf eines technischen Systems, insbesondere einer Fertigungsanlage
JP2013239118A (ja) * 2012-05-17 2013-11-28 Osaka Prefecture Univ データ匿名化クラスタリング方法、装置およびプログラム
US20140229212A1 (en) * 2011-09-19 2014-08-14 Sandy MacElheron Method and system for managing construction projects
CN104842564A (zh) * 2015-05-12 2015-08-19 南京师范大学 一种基于nsga-ii的三维打印多任务优化调度方法
WO2016101181A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于指标预报和解相似度分析的光刻工序动态调度方法
US20160358103A1 (en) * 2015-06-05 2016-12-08 Facebook, Inc. Machine learning system flow processing
CN106845012A (zh) * 2017-02-17 2017-06-13 大连理工大学 一种基于多目标密度聚类的高炉煤气系统模型隶属度函数确定方法
GB201717125D0 (en) * 2016-11-28 2017-11-29 National Univ Of Defense Technology Differential evolution method oriented to agile satellite multi-target task planning
CN108734346A (zh) * 2018-05-14 2018-11-02 辽宁石油化工大学 基于k-均值聚类平衡多机器人系统的任务分配方法
CN109116816A (zh) * 2018-07-25 2019-01-01 昆明理工大学 一种柔性加工环境下印刷过程的优化调度方法
CN109902915A (zh) * 2019-01-11 2019-06-18 国网浙江省电力有限公司 一种基于模糊c均值模型的电水气用能行为分析方法
CN109992385A (zh) * 2019-03-19 2019-07-09 四川大学 一种基于任务均衡调度的gpu内部能耗优化方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1897025A (zh) * 2006-04-27 2007-01-17 南京联创科技股份有限公司 海量数据处理中多线程工作包并行的etl技术
DE102008025517B3 (de) * 2008-05-28 2010-01-28 Siemens Ag Verfahren zur rechnergestützten Prognose von Parametern zur Steuerung und/oder zum Entwurf eines technischen Systems, insbesondere einer Fertigungsanlage
US20140229212A1 (en) * 2011-09-19 2014-08-14 Sandy MacElheron Method and system for managing construction projects
JP2013239118A (ja) * 2012-05-17 2013-11-28 Osaka Prefecture Univ データ匿名化クラスタリング方法、装置およびプログラム
WO2016101181A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于指标预报和解相似度分析的光刻工序动态调度方法
CN104842564A (zh) * 2015-05-12 2015-08-19 南京师范大学 一种基于nsga-ii的三维打印多任务优化调度方法
US20160358103A1 (en) * 2015-06-05 2016-12-08 Facebook, Inc. Machine learning system flow processing
GB201717125D0 (en) * 2016-11-28 2017-11-29 National Univ Of Defense Technology Differential evolution method oriented to agile satellite multi-target task planning
CN106845012A (zh) * 2017-02-17 2017-06-13 大连理工大学 一种基于多目标密度聚类的高炉煤气系统模型隶属度函数确定方法
CN108734346A (zh) * 2018-05-14 2018-11-02 辽宁石油化工大学 基于k-均值聚类平衡多机器人系统的任务分配方法
CN109116816A (zh) * 2018-07-25 2019-01-01 昆明理工大学 一种柔性加工环境下印刷过程的优化调度方法
CN109902915A (zh) * 2019-01-11 2019-06-18 国网浙江省电力有限公司 一种基于模糊c均值模型的电水气用能行为分析方法
CN109992385A (zh) * 2019-03-19 2019-07-09 四川大学 一种基于任务均衡调度的gpu内部能耗优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李立鸣等: "基于鲁棒多目标优化模型的可再生能源消纳分析", pages 17 - 24 *
杜百岗: "云制造环境下的建材装备企业制造资源共享与优化研究", pages 150 - 321 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177667A (zh) * 2021-05-24 2021-07-27 同济大学 一种基于改进遗传算法的电气装备制造资源优化配置方法
CN113205234A (zh) * 2021-07-05 2021-08-03 浙江中控技术股份有限公司 适用于煤化工的应急调度优化方法、系统、设备以及介质
CN115829297A (zh) * 2023-02-09 2023-03-21 中建科技集团有限公司 装配式建筑的工作包生成方法、装置、终端及存储介质

Also Published As

Publication number Publication date
CN110991732B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
CN110991732B (zh) 一种基于能耗聚类的建材装备制造过程优化调度方法
CN113159383B (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
Jia et al. Multi-objective energy-aware batch scheduling using ant colony optimization algorithm
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
Hosseinian et al. Modeling of the time-dependent multi-skilled RCPSP considering learning effect: An evolutionary solution approach
Nkasu et al. A stochastic approach to assembly line balancing
CN115600774B (zh) 一种装配式建筑构件产线的多目标生产调度优化方法
Chutima Research trends and outlooks in assembly line balancing problems
CN111144710A (zh) 一种可持续性混合流水车间的构建和动态调度方法
CN116540659B (zh) 一种大型复杂产品车间调度方法、系统、设备及介质
CN109872091A (zh) 一种基于蚁群算法的工件调度方法及装置
Hosseinian et al. An energy-efficient mathematical model for the resource-constrained project scheduling problem: an evolutionary algorithm
Wang et al. Order acceptance and scheduling problem with outsourcing in seru production system considering lot-spitting
Li et al. An on-line seru scheduling algorithm with proactive waiting considering resource conflicts
Deep Machine cell formation for dynamic part population considering part operation trade-off and worker assignment using simulated annealing-based genetic algorithm
Vincent et al. A differential evolution-based algorithm to schedule flexible assembly lines
D'Amico et al. Lot streaming Permutation Flow shop with energy awareness
Sivasundari et al. Production, capacity and workforce planning: a mathematical model approach
Akbar et al. A social-conscious scheduling model of dual resources constrained identical parallel machine to minimize makespan and operator workload balance
Jain et al. An approach for optimisation of flexible flow shop group scheduling with sequence dependent set-up time and preventive maintenance
Qian A heuristic-mixed genetic algorithm for type II assembly line balancing with multiple workers in workstations
Li et al. A cooperative co-evolution approach for a line-seru conversion problem
Cai et al. [Retracted] Real‐Time Scheduling of Mixed Model Assembly Line with Large Variety and Low Volume Based on Event‐Triggered Simulated Annealing (ETSA)
Wang et al. Multi-order scheduling optimisation considering product operation and worker allocation in divisional seru
Chen et al. Joint optimization of production and maintenance scheduling for unrelated parallel machine using hybrid discrete spider monkey optimization algorithm

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