CN111123869B - 一种基于工人操作经验的柔性作业车间调度方法及装置 - Google Patents

一种基于工人操作经验的柔性作业车间调度方法及装置 Download PDF

Info

Publication number
CN111123869B
CN111123869B CN201911345123.8A CN201911345123A CN111123869B CN 111123869 B CN111123869 B CN 111123869B CN 201911345123 A CN201911345123 A CN 201911345123A CN 111123869 B CN111123869 B CN 111123869B
Authority
CN
China
Prior art keywords
population
individuals
processing
worker
preset
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
CN201911345123.8A
Other languages
English (en)
Other versions
CN111123869A (zh
Inventor
王爱民
赵子今
葛艳
杨亚聪
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201911345123.8A priority Critical patent/CN111123869B/zh
Publication of CN111123869A publication Critical patent/CN111123869A/zh
Application granted granted Critical
Publication of CN111123869B publication Critical patent/CN111123869B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G05B19/41865—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 job scheduling, process planning, material flow
    • 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
    • G05B2219/32252—Scheduling production, machining, job shop
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于工人操作经验的柔性作业车间调度方法及装置，其中方法包括：根据遗传算法对初始种群进行预设交叉处理，并根据加工设备的瓶颈程度以及工人对加工设备的操作经验得到每一种群个体的适应度，根据所述适应度得到遗传算法的较优解，并当遗传算法迭代次数等于第一阈值时，根据所较优解更新蚁群算法的信息素，并根据蚁群算法得到局部最优解，当整体迭代次数等于第二阈值时，从局部最优解中确定全局最优解，并根据全局最优解进行调度。本发明的方案在对柔性作业车间进行调度时，不仅基于加工设备资源的约束，还根据工人资源的约束，通过工人的操作经验进行调度的确定，有利于保证对实际生产的准确指导，提高产品质量和生产效率。

Description

一种基于工人操作经验的柔性作业车间调度方法及装置
技术领域
本发明涉及车间调度技术领域，特别涉及一种基于工人操作经验的柔性作业车间调度方法。
背景技术
柔性作业车间调度问题(Flexible job shop scheduling problem，简称FJSP)是作业车间调度问题(Job shop scheduling problem，简称JSP)的扩展，在现代制造业中被广泛研究。传统FJSP包括两个子问题：设备分配和工序排序。设备分配问题为每一道工序分配一台加工设备；工序排序问题调度所有设备上的工序以获得更加柔性和高质量的调度解。
传统的FJSP只涉及设备资源，工序的安排只与设备的加工能力和设备是否空闲有关。但是，实际生产中，工序的加工不只涉及设备资源，还涉及加工人员资源。加工人员资源与设备资源类似，都具有固定的加工能力，每道序的加工人员必须在其可选加工人员范围内。只有当工序的可选加工设备资源和可选加工人员资源中均存在空闲资源时，该工序才可被加工。
与设备资源相同，即使是具有相同能力的加工人员也会因为个体的差异，具有不同的加工效率。不同的加工人员，利用相同的设备，加工同一道序时同时，其加工工时不同。同样，相同的加工人员，利用不同的加工设备，加工同一道序时，加工工时也会有差异。另外，在实际生产过程中，加工人员可以积攒加工经验，随着加工人员与某个设备的合作次数的增加，其加工过程会越来越熟练，相应的工时会缩短。同样，若某个加工人员长时间不操作某个设备，其相应的经验会减弱。
综上，如何在传统的柔性作业车间调度问题中增加考虑工人资源以及工人经验对工序加工时间的影响，并完成每一道工序的设备分配以及工人安排，以获得最小化的工件最大完工时间，已成为实际生产中迫切需要解决的问题。
发明内容
本发明实施例要达到的技术目的是提供一种基于工人操作经验的柔性作业车间调度方法及装置，用以解决传统FJSP只考虑设备资源，无法在考虑工人资源以及工人经验对工序加工时间的影响时，得到最优的排产方案的问题。
为解决上述技术问题，本发明实施例提供了一种基于工人操作经验的柔性作业车间调度方法，包括：
步骤S1：对具有第一预设数量种群个体的初始种群进行预设的交叉操作得到多个子个体，并根据子个体和初始种群得到具有第二预设数量的种群个体的第一过渡种群；
步骤S2：根据每一工人对每一加工设备的操作经验和每一加工设备的瓶颈程度，在每一种群个体中依次确定每一工序所对应的加工设备和工人，并得到每一种群个体的适应度值；
步骤S3：根据每一种群个体的适应度值，从低到高依次选取第一预设数量的种群个体作为第二过渡种群，并从第二过渡种群中，根据每一种群个体的适应度值，从低到高依次选取第三预设数量的种群个体作为较优解，且将遗传算法迭代次数加1；
步骤S4：判断遗传算法迭代次数是否等于预设的第一阈值时，若是，则执行步骤S5，否则将第二过渡种群作为初始种群并返回步骤S1继续执行；
步骤S5：根据较优解更新蚁群算法的信息素；
步骤S6：根据蚁群算法进行局部寻优处处理，得到一种群个体确定为局部最优解，并将整体迭代次数加1；
步骤S7：判断整体迭代次数是否等于预设的第二阈值时，若是，则执行步骤S8；否则，执行步骤S9；
步骤S8：根据每一局部最优解确定其中适应度值最低的种群个体为全局最优解，并根据全局最优解进行调度；
步骤S9：将根据局部最优解进行变异，得到具有第一预设数量的种群个体的第三过渡种群，并将第三过渡种群作为初始种群返回步骤1继续执行。
具体地，如上所述的调度方法，在步骤S1之前，调度方法还包括：
步骤S10：初始化算法参数；
步骤S11：根据工序编码方式对待调度的工序进行编码，得到具有第一预设数量的种群个体的初始种群。
优选地，如上所述的调度方法，步骤S1具体包括：
步骤S101：从初始种群中随机选取第二预设数量的种群个体作为交叉个体；
步骤S102：将交叉个体进行随机两两配对，得到多对父个体；
步骤S103：遍历每对父个体，根据POX算法进行交叉操作，得到多个子个体，并根据子个体和初始种群得到第一过渡种群。
优选地，如上所述的调度方法，步骤S2包括：
步骤S201：选择每一种群个体中待安排工序序列的第一道工序，作为当前待安排工序；
步骤S202：根据预设的瓶颈计算公式得到所有可用于加工当前待安排工序的加工设备的瓶颈程度；
步骤S203：选取瓶颈程度中值最小的加工设备，作为当前待安排工序的已选加工设备；
步骤S204：根据当前待安排工序的前一工序的结束时间以及已选加工设备的可开始时间，得到当前待安排工序的开始时间；
步骤S205：若在时间处于开始时间时筛选是否存在可操作已选加工设备的待安排工人，若是，则将可操作已选加工设备的待安排工人标记为预选工人，并执行步骤S206；否则，确定开始处理时间最接近开始时间的工人为当前待安排工序的已选工人，并将待安排工序标记为已安排工序后，执行步骤S207；
步骤S206：从预选工人中，根据预选工人对已选加工设备的操作经验，确定操作经验中数值最大的预选工人为当前待安排工序的已选工人，并将待安排工序标记为已安排工序；
步骤S207：判断是否还存在待安排工序，若存在，则执行步骤S208；否则，得到当前种群个体的适应度值，并执行步骤S3；
步骤S208：根据预设的操作经验更新公式，更新所有工人对所有加工设备的操作经验，并返回步骤S201继续执行。
具体地，如上所述的方法，预设的瓶颈计算公式为：
Figure BDA0002333128100000041
其中，
Figure BDA0002333128100000042
表示加工设备Mp的瓶颈程度；
Eij为任意一道工序Oij的加工结束时间；
Uijp为关于瓶颈程度的第一参数，其中，若工序Oij的加工设备为Mp，则Uijp的值为1，否则为0；
Xijp为关于瓶颈程度的第二参数，其中，若工序Oij可以在加工设备为Mp上加工，则Xijp的值为1，否则为0；
ATij为关于工序Oij的实际加工时长；
Figure BDA0002333128100000043
为所有可在加工设备Mp上加工，且还未安排的工序的加工时间总和；
n为待加工工件的数量；
Gi为工件i的工序数量；
m为待选加工设备的数量。
具体地，如上所述的方法，预设的操作经验更新公式为：
Figure BDA0002333128100000044
其中，Fpq为量化的工人Wq对加工设备Mp的操作经验值；
ξ为一个(0,1)之间的常数；
F′pq为更新前工人Wq对加工设备Mp的操作经验值。
本发明的另一优选实施例还提供了一种基于工人操作经验的柔性作业车间调度装置，包括：
第一处理模块，用于对具有第一预设数量种群个体的初始种群进行预设的交叉操作得到多个子个体，并根据子个体和初始种群得到具有第二预设数量的种群个体的第一过渡种群；
第二处理模块，用于根据每一工人对每一加工设备的操作经验和每一加工设备的瓶颈程度，在每一种群个体中依次确定每一工序所对应的加工设备和工人，并得到每一种群个体的适应度值；
第三处理模块，用于根据每一种群个体的适应度值，从低到高依次选取第一预设数量的种群个体作为第二过渡种群，并从第二过渡种群中，根据每一种群个体的适应度值，从低到高依次选取第三预设数量的种群个体作为较优解，且将遗传算法迭代次数加1；
第四处理模块，用于判断遗传算法迭代次数是否等于预设的第一阈值时，若是，则执行第五处理模块中的步骤，否则将第二过渡种群作为初始种群并返回执行第一处理模块中的步骤；
第五处理模块，用于根据较优解更新蚁群算法的信息素；
第六处理模块，用于根据蚁群算法进行局部寻优处处理，得到一种群个体确定为局部最优解，并将整体迭代次数加1；
第七处理模块，用于判断整体迭代次数是否等于预设的第二阈值时，若是，则执行第八处理模块中的步骤；否则，执行第九处理模块中的步骤；
第八处理模块，用于根据每一局部最优解确定其中适应度值最低的种群个体为全局最优解，并根据全局最优解进行调度；
第九处理模块，用于将根据局部最优解进行变异，得到具有第一预设数量的种群个体的第三过渡种群，并将第三过渡种群作为初始种群返回执行第一处理模块中的步骤。
具体地如上所述的调度装置，还包括：
第十处理模块，用于初始化算法参数；
第十一处理模块，用于根据工序编码方式对待调度的工序进行编码，得到具有第一预设数量的种群个体的初始种群。
优选地，如上所述的调度装置，第一处理装置具体包括：
第一处理单元，用于从初始种群中随机选取第二预设数量的种群个体作为交叉个体；
第二处理单元，用于将交叉个体进行随机两两配对，得到多对父个体；
第三处理单元，用于遍历每对父个体，根据POX算法进行交叉操作，得到多个子个体，并根据子个体和初始种群得到第一过渡种群。
优选地，如上所述的调度装置，第二处理模块包括：
第四处理单元，用于选择每一种群个体中待安排工序序列的第一道工序，作为当前待安排工序；
第五处理单元，用于根据预设的瓶颈计算公式得到所有可用于加工当前待安排工序的加工设备的瓶颈程度；
第六处理单元，用于选取瓶颈程度中值最小的加工设备，作为当前待安排工序的已选加工设备；
第七处理单元，用于根据当前待安排工序的前一工序的结束时间以及已选加工设备的可开始时间，得到当前待安排工序的开始时间；
第八处理单元，用于若在时间处于开始时间时筛选是否存在可操作已选加工设备的待安排工人，若是，则将可操作已选加工设备的待安排工人标记为预选工人，并执行第九处理单元中的步骤；否则，确定开始处理时间最接近开始时间的工人为当前待安排工序的已选工人，并将待安排工序标记为已安排工序后，执行第十处理单元中的步骤；
第九处理单元，用于从预选工人中，根据预选工人对已选加工设备的操作经验，确定操作经验中数值最大的预选工人为当前待安排工序的已选工人，并将待安排工序标记为已安排工序；
第十处理单元，用于判断是否还存在待安排工序，若存在，则执行第十一处理单元中的步骤；否则，得到当前种群个体的适应度值，并执行第三处理模块中的步骤；
第十一处理单元用于根据预设的操作经验更新公式，更新所有工人对所有加工设备的操作经验，并返回执行第四处理单元中的步骤。
本发明的又一优选实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上所述的基于工人操作经验的柔性作业车间调度方法方法的步骤。
与现有技术相比，本发明实施例提供的一种基于工人操作经验的柔性作业车间调度方法及装置，至少具有以下有益效果：
在本发明的实施例中，在获取种群个体的适应度值时会根据加工设备的瓶颈程度和工人对设备的操作经验对未安排的工序安排加工设备和工人，既考虑了加工设备资源对调度的影响，也考虑了工人资源对调度的影响，使得得到的调度方案更加贴近生产实际，有利于保证根据得到的调度方案指导实际生产时的准确性，同时因为基于工人对加工设备的操作经验进行调度，有利于缩短工时，提高产品质量，进而有利于提高生产效率。同时在本发明中结合遗传算法易早熟的特点，将变异概率最小化，任凭算法陷入局部最优，利用蚁群算法卓越的局部寻优能力，促使遗传算法产生种群快速地得到局部最优解。
附图说明
图1为本发明的柔性作业车间调度方法的流程示意图之一；
图2为本发明的柔性作业车间调度方法的流程示意图之二；
图3为本发明的柔性作业车间调度方法的流程示意图之三；
图4为本发明的柔性作业车间调度装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请所提供的实施例中，应理解，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。
参见图1，本发明的一优选实施例提供了一种基于工人操作经验的柔性作业车间调度方法，包括：
步骤S1：对具有第一预设数量种群个体的初始种群进行预设的交叉操作得到多个子个体，并根据子个体和初始种群得到具有第二预设数量的种群个体的第一过渡种群；
步骤S2：根据每一工人对每一加工设备的操作经验和每一加工设备的瓶颈程度，在每一种群个体中依次确定每一工序所对应的加工设备和工人，并得到每一种群个体的适应度值；
步骤S3：根据每一种群个体的适应度值，从低到高依次选取第一预设数量的种群个体作为第二过渡种群，并从第二过渡种群中，根据每一种群个体的适应度值，从低到高依次选取第三预设数量的种群个体作为较优解，且将遗传算法迭代次数加1；
步骤S4：判断遗传算法迭代次数是否等于预设的第一阈值时，若是，则执行步骤S5，否则将第二过渡种群作为初始种群并返回步骤S1继续执行；
步骤S5：根据较优解更新蚁群算法的信息素；
步骤S6：根据蚁群算法进行局部寻优处处理，得到一种群个体确定为局部最优解，并将整体迭代次数加1；
步骤S7：判断整体迭代次数是否等于预设的第二阈值时，若是，则执行步骤S8；否则，执行步骤S9；
步骤S8：根据每一局部最优解确定其中适应度值最低的种群个体为全局最优解，并根据全局最优解进行调度；
步骤S9：将根据局部最优解进行变异，得到具有第一预设数量的种群个体的第三过渡种群，并将第三过渡种群作为初始种群返回步骤1继续执行。
在本发明的实施例中，在得到算法中的初始种群后，会根据预设的交叉操作对初始种群进行交叉，得到多个子个体，进而将得到的子个体并入初始种群中得到具有第二预设数量种群个体的第一过渡种群；为保证遗传后种群的质量会确定每一种群个体的适应度值，具体地为根据工人对加工设备的操作经验和加工设备的瓶颈程度对每一种群个体中的工序依次进行加工设备和工人的安排，进而得到种群个体中所有工序的最大完工时间即确定为适应度值，其中在确定适应度值时，充分考虑了工人操作经验对加工工时和加工质量的影响，符合生产实际，有利于保证实际生产时调度的合理性，且有利于提高产品质量。
在得到每一种群个体的适应度值后，会根据适应度值从低到高的顺序得到一具有第一预设数量种群个体的第二过渡种群，且根据适应度值从低到高的顺序从中选取第三预设数量的种群个体作为较优解，此时确定一次遗传执行完毕，将遗传算法迭代次数加1。判断遗传算法迭代次数是否达到预设的第一阈值，若是，则确定遗传算法已执行完毕需要进行下一步骤，若否，则确定遗传算法还未执行完毕，即得到的第二过渡种群并非最终需要的种群，此时将第二过渡种群作为初始种群再次从步骤S1开始执行遗传算法，有利于保证最终得到第二过渡种群中种群个体的适应度值均处于较低水平。
当确定遗传算法已执行完毕时，根据执行遗传算法得到的较优解对蚁群算法的信息素进行更新，并根据蚁群算法进行局部寻优处理，将得到一种群个体作为局部最优解，此时将算法的整体迭代次数加1，并判断整体迭代此时是否达到预设的第二阈值，若是，则确定蚁群算法执行完毕，此时从得到的所有局部最优解中选取适应度值最低即最大完工时间最短的种群个体为全局最优解即最，并根据全局最优解进行调度，保证调度后实际生产时所需要的最大完工时间最短；若否，则确定需要继续执行蚁群算法，根据当前得到的局部最优解进行大规模变异，得到具有第一预设数量的种群个体的第三过渡种群，并将第三过渡种群作为初始种群返回步骤S1继续执行，使得第三过渡种群中的种群个体跳出当前的局部最优解的限制，有利于扩大筛选范围。
具体地，如上所述的调度方法，在步骤S1之前，调度方法还包括：
步骤S10：初始化算法参数；
步骤S11：根据工序编码方式对待调度的工序进行编码，得到具有第一预设数量的种群个体的初始种群。
在本发明的实施例中，在算法开始执行时会先初始化算法参数，避免前一计算对当前计算造成影响，保证最终得到的全局最优解的准确性。之后根据工序编码方式对待调度的工序进行编码，得到具有预设数量的种群个体作为初始种群，保证当前计算的正常开始。
参见图2，优选地，如上所述的调度方法，步骤S1具体包括：
步骤S101：从初始种群中随机选取第二预设数量的种群个体作为交叉个体；
步骤S102：将交叉个体进行随机两两配对，得到多对父个体；
步骤S103：遍历每对父个体，根据POX算法进行交叉操作，得到多个子个体，并根据子个体和初始种群得到第一过渡种群。
在本发明的实施例中在对初始种群进行交叉操作时，会随机选取第二预设数量的种群个体作为交叉个体，进而从交叉个体中随机选取父个体进行配短和交叉得到子个体，在保证能获得子个体的同时，将变异的概率最小化，减少遗传中变异造成的影响。
参见图3，优选地，如上所述的调度方法，步骤S2包括：
步骤S201：选择每一种群个体中待安排工序序列的第一道工序，作为当前待安排工序；
步骤S202：根据预设的瓶颈计算公式得到所有可用于加工当前待安排工序的加工设备的瓶颈程度；
步骤S203：选取瓶颈程度中值最小的加工设备，作为当前待安排工序的已选加工设备；
步骤S204：根据当前待安排工序的前一工序的结束时间以及已选加工设备的可开始时间，得到当前待安排工序的开始时间；
步骤S205：若在时间处于开始时间时筛选是否存在可操作已选加工设备的待安排工人，若是，则将可操作已选加工设备的待安排工人标记为预选工人，并执行步骤S206；否则，确定开始处理时间最接近开始时间的工人为当前待安排工序的已选工人，并将待安排工序标记为已安排工序后，执行步骤S207；
步骤S206：从预选工人中，根据预选工人对已选加工设备的操作经验，确定操作经验中数值最大的预选工人为当前待安排工序的已选工人，并将待安排工序标记为已安排工序；
步骤S207：判断是否还存在待安排工序，若存在，则执行步骤S208；否则，得到当前种群个体的适应度值，并执行步骤S3；
步骤S208：根据预设的操作经验更新公式，更新所有工人对所有加工设备的操作经验，并返回步骤S201继续执行。
在本发明的实施例中，在根据工人操作经验以及加工设备瓶颈程度为工序安排加工设备和工人时，首先，选择种群个体中所有待安排的工序中的第一道工序作为当前待安排工序，并根据预设的瓶颈计算公式得到所有可用于加工当前待安排工序的加工设备的瓶颈程度，从瓶颈程度中选取值最小即具有更多空闲时间的加工设备作为当前待安排工序的已选加工设备，保证当前待安排工序能够及时被安排加工，有利于减少最大完工时间。此时会获取前一工序的结束时间和已选加工设备的可开始时间，从中选取最大值为当前待安排工序的开始时间，若在开始时间时存在可操作已选加工设备的待安排工人，则选取待安排工人中对已选设备的操作经验中数值最大的预选工人为已选工人，在保证开始时间的前提下选取对已选加工设备最为熟练的工人作为已选工人，有利于缩短当前待安排工序以及整个种群个体的完工时间，并保证得到的工件的质量，进而有利于提高生产效率。若在开始时间不存在可操作已选加工设备的工人，则可开始处理时间最接近开始时间的工人作为已选工人，保证工序的快速开始。
当当前待安排工序安排完毕后，会检测是否还存在待安排工序，若仍存在待安排工序，则更新所有工人对加工设备的操作经验，其中具体的为在工人连续操作同一加工设备时，增加操作经验的数值，当工人与一加工设备的合作断开时，减少操作经验的数值并返回步骤S201继续为其他待安排工序安排加工设备和工人，有利于保证工人对加工设备的操作经验的实时更新，以便于当再次安排其他工序时根据更新后的操作经验安排工人，保证安排工人的合理性，以及安排后的工序的准确性。若不存在待安排工序，则确定当前种群个体的所有工序均已安排完毕，此时得到当前种群个体的适应度值并执行步骤3。
具体地，如上所述的方法，预设的瓶颈计算公式为：
Figure BDA0002333128100000111
其中，
Figure BDA0002333128100000121
表示加工设备Mp的瓶颈程度；
Eij为任意一道工序Oij的加工结束时间；
Uijp为关于瓶颈程度的第一参数，其中，若工序Oij的加工设备为Mp，则Uijp的值为1，否则为0；
Xijp为关于瓶颈程度的第二参数，其中，若工序Oij可以在加工设备为Mp上加工，则Xijp的值为1，否则为0；
ATij为关于工序Oij的实际加工时长；
Figure BDA0002333128100000122
为所有可在加工设备Mp上加工，且还未安排的工序的加工时间总和；
n为待加工工件的数量；
Gi为工件i的工序数量；
m为待选加工设备的数量。
具体地，如上所述的方法，预设的操作经验更新公式为：
Figure BDA0002333128100000123
其中，Fpq为量化的工人Wq对加工设备Mp的操作经验值；
ξ为一个(0,1)之间的常数；
F′pq为更新前工人Wq对加工设备Mp的操作经验值。
参见图4，本发明的另一优选实施例还提供了一种基于工人操作经验的柔性作业车间调度装置，包括：
第一处理模块401，用于对具有第一预设数量种群个体的初始种群进行预设的交叉操作得到多个子个体，并根据子个体和初始种群得到具有第二预设数量的种群个体的第一过渡种群；
第二处理模块402，用于根据每一工人对每一加工设备的操作经验和每一加工设备的瓶颈程度，在每一种群个体中依次确定每一工序所对应的加工设备和工人，并得到每一种群个体的适应度值；
第三处理模块403，用于根据每一种群个体的适应度值，从低到高依次选取第一预设数量的种群个体作为第二过渡种群，并从第二过渡种群中，根据每一种群个体的适应度值，从低到高依次选取第三预设数量的种群个体作为较优解，且将遗传算法迭代次数加1；
第四处理模块404，用于判断遗传算法迭代次数是否等于预设的第一阈值时，若是，则执行第五处理模块中的步骤，否则将第二过渡种群作为初始种群并返回执行第一处理模块中的步骤；
第五处理模块405，用于根据较优解更新蚁群算法的信息素；
第六处理模块406，用于根据蚁群算法进行局部寻优处处理，得到一种群个体确定为局部最优解，并将整体迭代次数加1；
第七处理模块407，用于判断整体迭代次数是否等于预设的第二阈值时，若是，则执行第八处理模块中的步骤；否则，执行第九处理模块中的步骤；
第八处理模块408，用于根据每一局部最优解确定其中适应度值最低的种群个体为全局最优解，并根据全局最优解进行调度；
第九处理模块409，用于将根据局部最优解进行变异，得到具有第一预设数量的种群个体的第三过渡种群，并将第三过渡种群作为初始种群返回执行第一处理模块中的步骤。
具体地如上所述的调度装置，还包括：
第十处理模块410，用于初始化算法参数；
第十一处理模块411，用于根据工序编码方式对待调度的工序进行编码，得到具有第一预设数量的种群个体的初始种群。
优选地，如上所述的调度装置，第一处理装置具体包括：
第一处理单元，用于从初始种群中随机选取第二预设数量的种群个体作为交叉个体；
第二处理单元，用于将交叉个体进行随机两两配对，得到多对父个体；
第三处理单元，用于遍历每对父个体，根据POX算法进行交叉操作，得到多个子个体，并根据子个体和初始种群得到第一过渡种群。
优选地，如上所述的调度装置，第二处理模块包括：
第四处理单元，用于选择每一种群个体中待安排工序序列的第一道工序，作为当前待安排工序；
第五处理单元，用于根据预设的瓶颈计算公式得到所有可用于加工当前待安排工序的加工设备的瓶颈程度；
第六处理单元，用于选取瓶颈程度中值最小的加工设备，作为当前待安排工序的已选加工设备；
第七处理单元，用于根据当前待安排工序的前一工序的结束时间以及已选加工设备的可开始时间，得到当前待安排工序的开始时间；
第八处理单元，用于若在时间处于开始时间时筛选是否存在可操作已选加工设备的待安排工人，若是，则将可操作已选加工设备的待安排工人标记为预选工人，并执行第九处理单元中的步骤；否则，确定开始处理时间最接近开始时间的工人为当前待安排工序的已选工人，并将待安排工序标记为已安排工序后，执行第十处理单元中的步骤；
第九处理单元，用于从预选工人中，根据预选工人对已选加工设备的操作经验，确定操作经验中数值最大的预选工人为当前待安排工序的已选工人，并将待安排工序标记为已安排工序；
第十处理单元，用于判断是否还存在待安排工序，若存在，则执行第十一处理单元中的步骤；否则，得到当前种群个体的适应度值，并执行第三处理模块中的步骤；
第十一处理单元用于根据预设的操作经验更新公式，更新所有工人对所有加工设备的操作经验，并返回执行第四处理单元中的步骤。
本发明的柔性作业车间调度装置的实施例是与上述柔性作业车间调度方法的实施例对应的柔性作业车间调度装置，上述柔性作业车间调度方法的实施例中的所有实现手段均适用于该柔性作业车间调度装置的实施例中，也能达到相同的技术效果。
本发明的又一优选实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上所述的基于工人操作经验的柔性作业车间调度方法方法的步骤。
本发明的又一优选实施例还提供了一种计算机可读存储介质，该计算机可读存贮介质中存储有计算机程序，当计算机程序被处理器执行时，能实现如上所述的基于工人操作经验的柔性作业车间调度方法的步骤，使得在对柔性作业车间进行调度时，不仅基于加工设备资源的约束，还根据工人资源的约束，通过工人的操作经验进行调度的确定，有利于保证对实际生产的准确指导，提高产品质量和生产效率，解决了不能综合仅考虑设备资源和工人资源的进行调度的问题。
此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于工人操作经验的柔性作业车间调度方法，其特征在于，包括：
步骤S1：对具有第一预设数量种群个体的初始种群进行预设的交叉操作得到多个子个体，并根据所述子个体和所述初始种群得到具有第二预设数量的种群个体的第一过渡种群；
步骤S2：根据每一工人对每一加工设备的操作经验和每一所述加工设备的瓶颈程度，在每一所述种群个体中依次确定每一工序所对应的加工设备和工人，并得到每一种群个体的适应度值；所述操作经验对应着一个预设的操作经验更新公式，所述预设的操作经验更新公式为：
Figure FDA0002728151290000011
其中，Fpq为量化的工人Wq对加工设备Mp的操作经验值，ξ为一个(0，1)之间的常数，F′pq为更新前工人Wq对加工设备Mp的操作经验值；
步骤S3：根据每一种群个体的所述适应度值，从低到高依次选取所述第一预设数量的种群个体作为第二过渡种群，并从所述第二过渡种群中，根据每一种群个体的所述适应度值，从低到高依次选取第三预设数量的种群个体作为较优解，且将遗传算法迭代次数加1；
步骤S4：判断所述遗传算法迭代次数是否等于预设的第一阈值时，若是，则执行步骤S5，否则将所述第二过渡种群作为所述初始种群并返回步骤S1继续执行；
步骤S5：根据所述较优解更新蚁群算法的信息素；
步骤S6：根据蚁群算法进行局部寻优处处理，得到一种群个体确定为局部最优解，并将整体迭代次数加1；
步骤S7：判断所述整体迭代次数是否等于预设的第二阈值时，若是，则执行步骤S8；否则，执行步骤S9；
步骤S8：根据每一所述局部最优解确定其中所述适应度值最低的种群个体为全局最优解，并根据所述全局最优解进行调度；
步骤S9：将根据所述局部最优解进行变异，得到具有所述第一预设数量的种群个体的第三过渡种群，并将所述第三过渡种群作为所述初始种群返回步骤1继续执行。
2.根据权利要求1所述的调度方法，其特征在于，在所述步骤S1之前，所述调度方法还包括：
步骤S10：初始化算法参数；
步骤S11：根据工序编码方式对待调度的工序进行编码，得到具有第一预设数量的种群个体的初始种群。
3.根据权利要求1所述的调度方法，其特征在于，所述步骤S1具体包括：
步骤S101：从所述初始种群中随机选取第二预设数量的种群个体作为交叉个体；
步骤S102：将所述交叉个体进行随机两两配对，得到多对父个体；
步骤S103：遍历每对所述父个体，根据POX算法进行交叉操作，得到所述多个子个体，并根据所述子个体和所述初始种群得到所述第一过渡种群。
4.根据权利要求1所述的调度方法，其特征在于，所述步骤S2包括：
步骤S201：选择每一所述种群个体中待安排工序序列的第一道工序，作为当前待安排工序；
步骤S202：根据预设的瓶颈计算公式得到所有可用于加工所述当前待安排工序的加工设备的瓶颈程度；
步骤S203：选取所述瓶颈程度中值最小的加工设备，作为所述当前待安排工序的已选加工设备；
步骤S204：根据当前待安排工序的前一工序的结束时间以及所述已选加工设备的可开始时间，得到所述当前待安排工序的开始时间；
步骤S205：若在时间处于所述开始时间时筛选是否存在可操作所述已选加工设备的待安排工人，若是，则将可操作所述已选加工设备的所述待安排工人标记为预选工人，并执行步骤S206；否则，确定开始处理时间最接近所述开始时间的工人为所述当前待安排工序的已选工人，并将所述待安排工序标记为已安排工序后，执行步骤S207；
步骤S206：从所述预选工人中，根据所述预选工人对所述已选加工设备的所述操作经验，确定所述操作经验中数值最大的所述预选工人为所述当前待安排工序的已选工人，并将所述待安排工序标记为已安排工序；
步骤S207：判断是否还存在待安排工序，若存在，则执行步骤S208；否则，得到当前种群个体的适应度值，并执行步骤S3；
步骤S208：根据预设的操作经验更新公式，更新所有工人对所有加工设备的操作经验，并返回步骤S201继续执行。
5.根据权利要求4所述的方法，其特征在于，所述预设的瓶颈计算公式为：
Figure FDA0002728151290000031
其中，
Figure FDA0002728151290000032
表示加工设备Mp的瓶颈程度；
Eij为任意一道工序Oij的加工结束时间；
Uijp为关于瓶颈程度的第一参数，其中，若工序Oij的加工设备为Mp，则Uijp的值为1，否则为0；
Xijp为关于瓶颈程度的第二参数，其中，若工序Oij可以在加工设备为Mp上加工，则Xijp的值为1，否则为0；
ATij为关于工序Oij的实际加工时长；
Figure FDA0002728151290000033
为所有可在加工设备Mp上加工，且还未安排的工序的加工时间总和；
n为待加工工件的数量；
Gi为工件i的工序数量；
m为待选加工设备的数量。
6.一种基于工人操作经验的柔性作业车间调度装置，其特征在于，包括：
第一处理模块，用于对具有第一预设数量种群个体的初始种群进行预设的交叉操作得到多个子个体，并根据所述子个体和所述初始种群得到具有第二预设数量的种群个体的第一过渡种群；
第二处理模块，用于根据每一工人对每一加工设备的操作经验和每一所述加工设备的瓶颈程度，在每一所述种群个体中依次确定每一工序所对应的加工设备和工人，并得到每一种群个体的适应度值；所述操作经验对应着一个预设的操作经验更新公式，所述预设的操作经验更新公式为：
Figure FDA0002728151290000041
其中，Fpq为量化的工人Wq对加工设备Mp的操作经验值，ξ为一个(0，1)之间的常数，F′pq为更新前工人Wq对加工设备Mp的操作经验值；
第三处理模块，用于根据每一种群个体的所述适应度值，从低到高依次选取所述第一预设数量的种群个体作为第二过渡种群，并从所述第二过渡种群中，根据每一种群个体的所述适应度值，从低到高依次选取第三预设数量的种群个体作为较优解，且将遗传算法迭代次数加1；
第四处理模块，用于判断所述遗传算法迭代次数是否等于预设的第一阈值时，若是，则执行第五处理模块中的步骤，否则将所述第二过渡种群作为所述初始种群并返回执行所述第一处理模块中的步骤；
第五处理模块，用于根据所述较优解更新蚁群算法的信息素；
第六处理模块，用于根据蚁群算法进行局部寻优处处理，得到一种群个体确定为局部最优解，并将整体迭代次数加1；
第七处理模块，用于判断所述整体迭代次数是否等于预设的第二阈值时，若是，则执行第八处理模块中的步骤；否则，执行第九处理模块中的步骤；
第八处理模块，用于根据每一所述局部最优解确定其中所述适应度值最低的种群个体为全局最优解，并根据所述全局最优解进行调度；
第九处理模块，用于将根据所述局部最优解进行变异，得到具有所述第一预设数量的种群个体的第三过渡种群，并将所述第三过渡种群作为所述初始种群返回执行所述第一处理模块中的步骤。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的基于工人操作经验的柔性作业车间调度方法方法的步骤。
CN201911345123.8A 2019-12-24 2019-12-24 一种基于工人操作经验的柔性作业车间调度方法及装置 Active CN111123869B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911345123.8A CN111123869B (zh) 2019-12-24 2019-12-24 一种基于工人操作经验的柔性作业车间调度方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911345123.8A CN111123869B (zh) 2019-12-24 2019-12-24 一种基于工人操作经验的柔性作业车间调度方法及装置

Publications (2)

Publication Number Publication Date
CN111123869A CN111123869A (zh) 2020-05-08
CN111123869B true CN111123869B (zh) 2021-01-15

Family

ID=70501728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911345123.8A Active CN111123869B (zh) 2019-12-24 2019-12-24 一种基于工人操作经验的柔性作业车间调度方法及装置

Country Status (1)

Country Link
CN (1) CN111123869B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112036567B (zh) * 2020-09-18 2023-10-31 北京机电工程研究所 遗传编程方法、装置和计算机可读介质
CN115032959A (zh) * 2022-07-29 2022-09-09 京东方科技集团股份有限公司 柔性作业车间生产调度方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6725113B1 (en) * 2001-10-23 2004-04-20 Advanced Micro Devices, Inc. Lot start agent that determines virtual WIP time including an exponentially weighted moving average cycle time

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005309938A (ja) * 2004-04-23 2005-11-04 Yokogawa Electric Corp スケジュール生成装置
US7917417B2 (en) * 2005-10-08 2011-03-29 Dion Kenneth W System and method for organizational and personal portfolio
CN101777149A (zh) * 2010-01-26 2010-07-14 重庆大学 以订制为标签的面向产品族的工时定额制定系统及其工时定额制定方法
CN101901425A (zh) * 2010-07-15 2010-12-01 华中科技大学 一种基于多种群协同进化的柔性作业车间调度方法
CN101916404A (zh) * 2010-08-06 2010-12-15 沈阳工业大学 一种装备制造过程多厂协同调度优化方法
US9720401B2 (en) * 2013-12-02 2017-08-01 George Platt Method and system for consumer home projects ordering and fabrication
CN104504540B (zh) * 2015-01-13 2017-10-27 郑州航空工业管理学院 基于多阶段智能优化算法的动态柔性作业车间调度控制方法
CN105843076A (zh) * 2016-03-31 2016-08-10 北京理工大学 一种柔性飞行器气动弹性建模与控制方法
CN107292391B (zh) * 2017-06-20 2021-01-08 上海交通大学 基于de和l-bfgs-b混合算法的柔性化车间任务调度优化方法
CN107944748B (zh) * 2017-12-11 2020-09-04 河北工业大学 柔性作业车间人员配置及作业排序方法
CN110046777B (zh) * 2018-01-17 2020-12-29 北京理工大学 一种柔性作业车间持续重构调度方法及装置
CN108776461A (zh) * 2018-05-21 2018-11-09 北京石油化工学院 一种柔性作业车间调度方法及系统
CN110322126A (zh) * 2019-06-18 2019-10-11 平安普惠企业管理有限公司 一种项目调度方法、设备、服务器及计算机可读存储介质
CN110322127A (zh) * 2019-06-18 2019-10-11 平安普惠企业管理有限公司 一种项目调度方法、设备、服务器及计算机可读存储介质
CN110597218B (zh) * 2019-10-18 2020-10-16 天津开发区精诺瀚海数据科技有限公司 一种基于柔性化调度的排程优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6725113B1 (en) * 2001-10-23 2004-04-20 Advanced Micro Devices, Inc. Lot start agent that determines virtual WIP time including an exponentially weighted moving average cycle time

Also Published As

Publication number Publication date
CN111123869A (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
Shen et al. Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems
CN111123869B (zh) 一种基于工人操作经验的柔性作业车间调度方法及装置
EP3282407A1 (en) Assembly line balancing apparatus, method and program
CN106610867B (zh) 一种片上网络任务调度方法及装置
CN116166405B (zh) 异构场景下的神经网络任务调度策略确定方法及装置
US20150170052A1 (en) Method of reducing resource fluctuations in resource leveling
CN115578023A (zh) 一种装配车间调度方法、装置、设备和存储介质
CN112149990B (zh) 一种基于预测的模糊供需匹配方法
CN114580678A (zh) 一种产品维修资源调度方法和系统
CN107944748B (zh) 柔性作业车间人员配置及作业排序方法
CN112463334B (zh) 一种训练任务排队原因分析方法、系统、设备以及介质
CN112860996A (zh) 一种兴趣点处理方法、装置、电子设备和介质
CN116882033A (zh) 一种多网络生成模型确定方法、装置、设备及存储介质
CN116775622A (zh) 一种结构数据生成方法、装置、设备及存储介质
CN116382658A (zh) Ai模型的编译方法、装置、计算机设备及存储介质
CN116579570A (zh) 产品生产排产方法、装置、设备及介质
CN115665783A (zh) 一种异常指标溯源方法、装置、电子设备及存储介质
CN113721545A (zh) 一种含批处理机的混合流水车间排产方法
CN114862170B (zh) 一种用于通信设备制造过程的学习型智能调度方法、系统
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
CN116562436B (zh) 跨企业分布式服装协同生产调度优化方法、设备及介质
Wang et al. Hybrid flow shop scheduling of new arrival jobs and locked jobs
CN106611236A (zh) 一种解决作业车间调度问题的排产算法
CN115017145A (zh) 数据扩展方法、装置及存储介质
CN116625392A (zh) 路线推荐方法、装置、电子设备和存储介质

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