CN111144710B - 一种可持续性混合流水车间的构建和动态调度方法 - Google Patents

一种可持续性混合流水车间的构建和动态调度方法 Download PDF

Info

Publication number
CN111144710B
CN111144710B CN201911245134.9A CN201911245134A CN111144710B CN 111144710 B CN111144710 B CN 111144710B CN 201911245134 A CN201911245134 A CN 201911245134A CN 111144710 B CN111144710 B CN 111144710B
Authority
CN
China
Prior art keywords
workpiece
machine tool
priority
agent
workpieces
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
CN201911245134.9A
Other languages
English (en)
Other versions
CN111144710A (zh
Inventor
郭钢
刘羽婧
石磊
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN201911245134.9A priority Critical patent/CN111144710B/zh
Publication of CN111144710A publication Critical patent/CN111144710A/zh
Application granted granted Critical
Publication of CN111144710B publication Critical patent/CN111144710B/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
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

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

Abstract

本发明涉及一种可持续性混合流水车间的构建和动态调度方法，属于自动化领域。该方法包括以下步骤：S1：定义参数；S2：建立可持续混合流水车间的架构；S3：建立DSU中的多agent模型；S4：基于遗传算法的可变优先权的动态调度优化；本发明能很好的解决混合流水车间中统一调度和管理的难题。

Description

一种可持续性混合流水车间的构建和动态调度方法
技术领域
本发明属于自动化领域，涉及一种可持续性混合流水车间的构建和动态调度方法。
背景技术
在混合流水车间中，一个阶段中往往包含多台无关并行设备，它们专门从事同一种工艺工序的加工。前一阶段工艺的调度与后一阶段工艺的调度的关系，相对比较独立，不便于调度和管理。
实际的可持续混合流水车间的调度过程中，往往存在各种动态扰动事件，例如工件插单、设备损坏、工件返修，使原有的调度方案无法顺利执行。本发明通过构建一种新的可持续混合流水车间架构和动态调度算法去解决这一问题。
发明内容
有鉴于此，本发明的目的在于提供一种可持续性混合流水车间的构建和动态调度方法。
为达到上述目的，本发明提供如下技术方案：
一种可持续性混合流水车间的构建和动态调度方法，
S1：定义参数如下：
n          计划工件的数量
m          阶段或操作的总数量
l          机床的总数量
a          插单工件的数量
b          返修工件的数量
n+a+b      工件总数量
(i，j，k)    工件i的操作j在机床k中加工
k(i，j)     在某种优先权规则下具体选择的机床k
i’         在机床k中加工的工件i的紧前工件
j-1        工件i的操作j的紧前操作
k’         加工工件i的机床k的紧前机床
xijk        0-1变量，是否工件i的操作j在机床k中加工
Rj         在阶段j中机床的数量
Cijk        (i，j，k)的结束时间点
STijk       (i，j，k)的开始时间点
PTijk       (i，j，k)在机床k中的加工时长，其中简单考虑了(i，j，k)的准备时间
Cmax        最大完工时间，它等于最后一个工件的完工时间点
EC，TEC     (i，j，k)的电能消耗和总电能消耗
CE，TCE     (i，j，k)的碳排放和总碳排放
Figure BDA0002307309130000021
        在PTijk期间，(i，j，k)的平均加工功率
Figure BDA0002307309130000022
      机床k的闲置功率和机床k的失效功率
Figure BDA0002307309130000023
        在PTijk期间，(i，j，k)的平均碳排放率
fijk        (i，j，k)的优先权
v1，v2，v3    分别是PT，EC和CE的优先权权重系数
F          调度方案的适应度
w1，w2，w3    分别是Cmax，TEC和TCE的适应度权重系数
S2：建立可持续混合流水车间的架构；
S21：动态调度单元
动态调度单元由三个层级构成；自顶向下，第一个层级是企业信息系统EIS，第二个层级是多agent系统MAS，第三个层级是泛在车间层；
企业信息系统包含各种经营子系统，即企业资源计划ERP、制造执行系统MES、产品数据管理PDM、计算机辅助工艺CAPP和计算机辅助技术CAX；
多agent系统MAS包含各种智能化的agent，即调度agent、分配agent、机床agent和质检agent；
S22：由DSU构成的可持续混合流水车间
各个动态调度单元设有私有的分配agent、机床agent、质检agent，但是调度agent是所有动态调度单元公有的；可持续混合流水车间的动态事件为机床故障事件、插单事件、工件返修事件；可持续混合流水车间的可持续性指标为加工时间、能量消耗、碳排放；所提出的可持续混合流水车间的可持续性目标为最小化最大完工时间，最小化总能量消耗，最小化总碳排放；
指标估算：
在公式(1)中，加工时间由准备时间和工作时间构成；在公式(2)中，单台机床的能量消耗主要由安装能耗、工作能耗、空闲能耗和故障能耗构成(Zhao et al.,2017)；这里用平均加工功率、平均空闲功率、平均故障功率进行简化；在公式(3)中，由于机床加工时的碳排放远远大于机床空闲时的碳排放，单台机床的碳排放只考虑加工时的碳排放，它由发电碳排放、原材料生产碳排放、排屑碳排放、刀具生产碳排放、冷却液生产碳排放构成；
可持续性指标：
PT＝PTsetup+PTworking   (1)
Figure BDA0002307309130000031
Figure BDA0002307309130000032
目标函数：
在公式(4)中，时间效率的目标是由最小化最大完工时间表示的；在公式(5)中，能量效率的目标是由最小化总能量消耗表示的；在公式(6)中，排放效率的目标是由最小化总碳排放表示的；
优化目标：
Figure BDA0002307309130000033
Figure BDA0002307309130000034
Figure BDA0002307309130000035
Figure BDA0002307309130000036
约束条件：
公式(7)表示只有一个工件的第j工序在指定机器k上加工；
公式(8)表示任何时刻工件i只有一个工序在指定机器k上加工；
公式(9)表示加工工件的第j工序至少有一台机器；
公式(10)表示工件i的第j工序完成时刻等于其开始时间加上加工时间；
公式(11)表示工件i的第j工序要等到第j-1工序完成之后才能加工；
公式(12)表示同一工序j在同一机器上k加工的两个工件，加工顺序排在后面的工件i必须等到排在它前面的工件i'加工完成才能开始加工；
公式(13)限定了各种下标的取值范围；
约束条件：
Figure BDA0002307309130000041
Figure BDA0002307309130000042
Figure BDA0002307309130000043
Cijk＝STijk+PTijk   (10)
Figure BDA0002307309130000044
Figure BDA0002307309130000045
Figure BDA0002307309130000046
S24：优先权和适应度函数
首先需要确定被加工工件的优先权公式；提出一种创新的指标加权和方式，去计算被加工工件的优先权，如公式(14)所示；
其中v1,v2,v3分别为PT,EC和CE的优先权重系数；且v1+v2+v3＝1；v1,v2,v3的值将会在后续利用优化算法去搜索获得；正则化所用的上下限值由企业信息系统根据历史数据或实践经验获得；
然后对三个目标函数赋予不同的权重系数w1,w2,w3，通过对目标函数的加权和来获得适应度函数，如公式(15)所示；
其中w1,w2,w3分别为Makespan,TEC和TCE的适应度权重系数；且w1+w2+w3＝1；w1,w2,w3值的来源为企业信息系统；企业信息系统根据制造知识数据库中的专家评价，利用层次分析法，获得适应度的权重系数；四种生产模式分别是综合模式、省时模式、节能模式和减排模式；正则化所用的上下限值由企业信息系统根据历史数据或实践经验获得；
工件的优先权：
Figure BDA0002307309130000051
调度结果的适应度：
Figure BDA0002307309130000052
S3：建立DSU中的多agent模型；
S31：调度agent
调度agent是所有动态调度单元公有的，建立可持续混合流水车间共用一个调度agent；调度agent的模型简图；Batch是整型变量，去设置计划工件的数量；Jobs是表格，去设置计划工件的工艺信息；Insert_Jobs是表格，去设置插单工件的工艺信息；Record_Table是表格，去记录工件的调度情况，即是加工顺序和分配的机床；Result_Table是表格，去记录工件的工艺情况，即是加工时间、能量消耗、碳排放；Makespan,TEC,TCE,Fitness是实数变量，去评价整个制造系统的调度性能；Priority_Weights是表格，去记录每次局部搜索所获得的优先权权重值；Initialization是方法，用于调度开始时设置参数；Prescheduling是方法，用于调度开始时生成预调度方案；Rescheduling是方法，用于发生动态扰动事件时生成重调度方案；Evaluation是方法，用于调度结束时评价生产调度的性能；
S313：分配agent
分配agent是各个动态调度单元私有的，一个动态调度单元只有一个分配agent；分配agent的模型简图；Add是整型变量，去记录进入全部分配缓冲区的所有工件数量；Order是整型变量，去记录离开全部分配缓冲区的所有工件数量；iAdd是整型变量，去记录进入该动态调度单元的分配缓冲区的工件数量；iOrder是整型变量，去记录离开该动态单元的分配缓冲区的工件数量；Contents[i]是整型数组，用来存储该动态调度单元的分配缓冲区中工件的名称；Init_Count是方法，用于工件进入分配缓冲区时增加Add和iAdd的数量；Select_Machine是方法，用于从多个机床选出最为合适的机床，将单个工件送入该机床进行加工；Order_Count是方法，用于工件离开分配缓冲区时增加Order和iOrder的数量；
Select_Machine方法根据工件优先权选择机床，当分配缓冲区中只有单个工件时，该阶段中所有的机床agent将会相互竞争，可利用的且优先权值最小的机床能够争取到对该单个工件的加工；若没有合适的机床，则分配agent需要继续等待；
S33：机床agent
机床agent是各个动态调度单元私有的，建立一个动态调度单元拥有多个机床agent；Priority[i]是实型数组，去存储所有工件关于该机床的优先权值；Priority[i]是实型数组，去存储所有工件关于该机床的加工时间值；PrPower[i]是实型数组，去存储所有工件关于该机床的平均加工功率值；PrEmRate[i]是实型数组，去存储所有工件关于该机床的平均碳排放率值；IdlePower是实型变量，去存储该机床的平均空闲功率；FailurePower是实型变量，去存储该机床的平均故障功率；Processing是方法，用于对进入该机床的工件进行加工；Maintenance是方法，用于该机床发生故障时呼叫维修；Select_Job是方法，用于当前工件离开机床时该机床从分配缓冲区中选取最合适的工件送入该机床进行加工；
Select_Job根据工件优先权选择工件，当当前工件加工完毕离开该机床时，如果该阶段中的分配缓冲区中存在一个及以上的工件，则该机床需要从该分配缓冲区中选取优先权值最小的工件，送入该机床进行加工；若分配缓冲区内没有工件，则机床agent需要继续等待；
S34：质检agent
质检agent是各个动态调度单元私有的，一个动态调度单元只有一个质检agent；质检agent的模型简图；Finish是整型变量，去记录离开全部质检缓冲区的所有合格工件数量；iFinish是整型变量，去记录离开该动态调度单元的质检缓冲区的合格工件数量；Inspecting是方法，用于工件进入质检缓冲区时检验该工件的加工质量是否合格；Reworking是方法，用于该工件加工质量检验不合格时将不合格工件送往第一阶段的分配缓冲区中进行返修；Finish_Count是方法，用于合格工件离开质检缓冲区时增加Finish和iFinish的数量；
S4：基于遗传算法的可变优先权的动态调度优化；
S41：指标加权和-遗传算法的预调度
染色体1的编码：
Figure BDA0002307309130000071
染色体1的解码：
Figure BDA0002307309130000072
染色体2的编码：
Figure BDA0002307309130000073
染色体2的解码：
Figure BDA0002307309130000074
工件优先权矩阵：
Figure BDA0002307309130000075
1)编码和解码
WSI-GA的编码方式采用的是两段染色体编码；
第一段染色体(Chromosomel)是用于已规划工件的排序搜索，采用的是排序编码，基因代表了工件编号，解码方式如公式(16)所示；
第一段染色体解码方式如公式(17)所示，解码后代表了已规划工件在上料区的上料顺序的一个可行解；
第二段染色体(Chromosome2)是用于工件优先权搜索，采用的是整数编码，基因为某一范围内的正整数，解码方式如公式(18)所示；
其中E值为大于1的正整数，它决定了编码的精度；E的取值为20；
第二段染色体解码方式如公式(19)所示，解码后代表了整个生产车间内所有工件优先权的一个可行解：
其中优先权fijk(v1,v2,v3)的计算公式如公式(20)所示；
2)适应度函数
适应度函数F的计算采用的是层次分析法(Dos Santos etal.,2019)，计算公式如公式(15)所示；优化任务的目的，朝着获得适应度函数的最小值方向进行的；
3)父代选择和子代选择
父代选择采用的是轮盘赌法，而子代选择采用的是1/4法(Martin and Spears,2001)；在轮盘赌法中，个体的适应度越好，被选择的概率越大；在1/4法中，使用父代解和子代解去产生下一代，从中选择出适应度最好的个体作为下一代种群；
4)交叉和变异
交叉算子采用的是顺序交叉(OX)，而变异算子采用的是随机变异(Martin andSpears,2001)；顺序交叉按照交叉概率(Pc)，随机选择一定数量的染色体两两进行交叉；随机确定两个交叉位置，并交换交叉点之间的片段；如果一个基因被包含在一条染色体的剩余集和另一条染色体的交叉集中，它将会从剩余集中移除并且后续的基因将会上移；随机变异按照变异概率(Pm)，将会选择一定数量的染色体，交换两个随机选中的基因；
5)迭代演化
WSI-GA遗传算法的终止条件为迭代次数达到设定值；为了保留的优秀个体的染色体结构，提高收敛速度，在每一次迭代中交叉概率(Pc)减少0.0001；为了避免出现早熟，获得更好适应度的个体解，在每一次迭代中变异概率(Pm)增加0.0001；
S42：事件驱动优先权重局部搜索的重调度
在利用WSI-GA算法获得预调度方案后，利用第二段染色体(Chromosome2)进行工件优先权搜索的特点，进行事件驱动优先权局部搜索的重调度；
根据可持续混合流水车间的特点，在预调度方案实施后，工件上料顺序的改变相对比较困难，但是工件机床优先权的变化则是相对比较容易；提出事件驱动优先权局部搜索(EPW-LS)，当动态扰动事件出现时，将会触发优先权局部搜索，此时第一段染色体(Chromosome1)保持不变，第二段染色体(Chromosome2)进行迭代寻优，从而动态地形成重调度方案；第二段染色体解码后，获得的是PT,EC和CE的优先权重系数v1,v2,v3；通过公式(14)计算，获得工件优先权矩阵fijk；最终，停留在生产线上面的工件会根据新产生的优先权，重新选择后续加工机床。
本发明的有益效果在于：本发明能很好的解决混合流水车间中统一调度和管理的难题。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为动态调度单元DSU的示意图；
图2为动态调度单元DSU组成的可持续混合流水车间示意图；
图3为多agent的模型简图；图3(a)为调度Agent；图3(b)为分配Agent；图3(c)为机床Agent；图3(d)为检验Agent；
图4为指标加权和遗传算法WSI-GA的流程图；
图5为事件驱动优先权局部搜索算法EPW-LS的流程图；
图6为可持续性混合流水车间动态调度的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
1.参数定义
本发明中，参数定义如下：
n          计划工件的数量
m          阶段或操作的总数量
l          机床的总数量
a          插单工件的数量
b          返修工件的数量
n+a+b      工件总数量
(i，j，k)    工件i的操作j在机床k中加工
k(i，j)     在某种优先权规则下具体选择的机床k
i’         在机床k中加工的工件i的紧前工件
j-1        工件i的操作j的紧前操作
k’         加工工件i的机床k的紧前机床
xijk        0-1变量，是否工件i的操作j在机床k中加工
Rj         在阶段j中机床的数量
Cijk        (i，j，k)的结束时间点
STijk       (i，j，k)的开始时间点
PTijk       (i，j，k)在机床k中的加工时长，其中简单考虑了(i，j，k)的准备时间
Cmax        最大完工时间，它等于最后一个工件的完工时间点
EC，TEC     (i，j，k)的电能消耗和总电能消耗
CE，TCE     (i，j，k)的碳排放和总碳排放
Figure BDA0002307309130000101
        在PTijk期间，(i，j，k)的平均加工功率
Figure BDA0002307309130000102
      机床k的闲置功率和机床k的失效功率
Figure BDA0002307309130000103
        在PTijk期间，(i，j，k)的平均碳排放率
fijk        (i，j，k)的优先权
v1，v2，v3    分别是PT，EC和CE的优先权权重系数
F          调度方案的适应度
w1，w2，w3    分别是Cmax，TEC和TCE的适应度权重系数
2.可持续混合流水车间的架构
2.1.动态调度单元
为了构建一种泛在的可持续混合流水车间架构，提出了一种革新的动态调度单元(DSU)。由于在混合流水车间中，一个阶段中往往包含多台无关并行设备，它们专门从事同一种工艺工序的加工。前一阶段工艺的调度与后一阶段工艺的调度的关系，相对比较独立。因此我们将存在并行设备的一个阶段作为一个动态调度单元，如图1所示。动态调度单元由三个层级构成。自顶向下，第一个层级是企业信息系统(EIS)，第二个层级是多agent系统(MAS)，第三个层级是泛在车间层(单一阶段)。
企业信息系统包含各种经营子系统，例如企业资源计划(ERP)、制造执行系统(MES)、产品数据管理(PDM)、计算机辅助工艺(CAPP)、计算机辅助技术(CAX)等等。企业信息系统扮演着制造知识数据库的角色，能够发布订单任务、提供工艺数据、接收完工数据反馈。企业信息系统往往具有较强的数据分析、处理和预测能力，为整个动态调度单元提供数据支撑。
多agent系统包含各种智能化的agent，即是调度agent，分配agent，机床agent，质检agent。它们相互之间可以进行通信、协作和竞争。多agent系统是一种能够为动态调度提供实时的决策支持的中间件。这些agent接收来自企业信息系统的订单任务和工艺数据，同时分别实时控制车间层的某种设备，实时感知着车间层的某种数据。具体功能如下：
(1)调度agent：它通过接收实时订单任务和获取实时生产信息，根据数学模型和智能算法，动态地生成最优化的预调度方案和重调度方案，评价生产调度的性能指标。
(2)分配agent：它负责实时获取某个分配缓冲区内的计划工件、插单工件、返修工件的数量，根据它们的加工工艺数据赋给它们相应的优先权。
(3)机床agent：它负责实时监测某一台机床的状态信息和加工工艺信息，按照优先权规则选取相应的工件进行加工，出现故障时可以呼叫维修。
(4)质检agent：它负责获取某个质检缓冲区内的工件的加工质量检测数据，将不合格的工件送入分配缓冲区进行返修，将合格的工件送入工件下料，同时记录完工数量。
泛在车间层包含各种生产设备和泛在制造网络。生产设备包含工件上料、工件插单、分配缓冲区、机床、质检缓冲区、工件下料等。泛在制造网络包含RFID阅读器、RFID标签、多重传感器、数字化检具、无线网络和网关。泛在车间层在执行多agent系统的控制命令的同时，实时感知着各种生产信息，即是对工件类型的识别、对生产设备状态的识别、对加工质量的识别、以及对该阶段工艺指标的测量。在动态调度单元中，我们考虑的可持续性指标为加工时间、能量消耗、碳排放。
2.2.由DSU构成的可持续混合流水车间
由于可持续混合流水车间是由多个无关并行机的阶段构成的，所以我们将每个阶段设置为一个动态调度单元。因此所提出可持续混合流水车间是由多个动态调度单元串联而成的，如图2所示。其中只在开始处设置工件上料和工件插单，只在最后处设置工件下料。各个阶段均可返修工件，但是返修工件全部回到第一个阶段的分配缓冲区中。各个动态调度单元均有私有的分配agent、机床agent、质检agent，但是调度agent是所有动态调度单元公有的。所提出的可持续混合流水车间的动态事件为机床故障事件、插单事件、工件返修事件。所提出的可持续混合流水车间的可持续性指标为加工时间、能量消耗、碳排放。所提出的可持续混合流水车间的可持续性目标为最小化最大完工时间，最小化总能量消耗，最小化总碳排放。
指标估算：
在公式(1)中，加工时间由准备时间和工作时间构成，这里准备时间仅是简单考虑进了加工时间当中。在公式(2)中，单台机床的能量消耗主要由安装能耗、工作能耗、空闲能耗和故障能耗构成(Zhao et al.,2017)。这里用平均加工功率、平均空闲功率、平均故障功率进行简化。在公式(3)中，由于机床加工时的碳排放远远大于机床空闲时的碳排放，因此单台机床的碳排放只考虑加工时的碳排放，它由发电碳排放、原材料生产碳排放、排屑碳排放、刀具生产碳排放、冷却液生产碳排放构成(Li et al.,2015)。这里用平均碳排放率进行简化。
可持续性指标：
PT＝PTsetup+PTworking   (1)
Figure BDA0002307309130000121
Figure BDA0002307309130000122
目标函数：
在公式(4)中，时间效率的目标是由最小化最大完工时间表示的。在公式(5)中，能量效率的目标是由最小化总能量消耗表示的。在公式(6)中，排放效率的目标是由最小化总碳排放表示的。所有目标函数均考虑了计划工件、插单工件、返修工件、机器故障的情况。
优化目标：
Figure BDA0002307309130000123
Figure BDA0002307309130000124
Figure BDA0002307309130000125
Figure BDA0002307309130000126
约束条件：
公式(7)表示只有一个工件的第j工序在指定机器k上加工。
公式(8)表示任何时刻工件i只有一个工序在指定机器k上加工。
公式(9)表示加工工件的第j工序至少有一台机器。
公式(10)表示工件i的第j工序完成时刻等于其开始时间加上加工时间。
公式(11)表示工件i的第j工序要等到第j-1工序完成之后才能加工。
公式(12)表示同一工序j在同一机器上k加工的两个工件，加工顺序排在后面的工件i必须等到排在它前面的工件i'加工完成才能开始加工。
公式(13)限定了各种下标的取值范围。
约束条件：
Figure BDA0002307309130000131
Figure BDA0002307309130000132
Figure BDA0002307309130000133
Cijk＝STijk+PTijk   (10)
Figure BDA0002307309130000134
Figure BDA0002307309130000135
Figure BDA0002307309130000136
2.4.优先权和适应度函数
可持续混合流水车间可以利用元启发式方法求解。首先需要确定被加工工件的优先权公式。这里我们提出一种创新的指标加权和方式，去计算被加工工件的优先权，如公式(14)所示。
其中v1,v2,v3分别为PT,EC和CE的优先权重系数。且v1+v2+v3＝1。v1,v2,v3的值将会在后续利用优化算法去搜索获得。正则化所用的上下限值由企业信息系统根据历史数据或实践经验获得。
然后我们对三个目标函数赋予不同的权重系数w1,w2,w3，通过对目标函数的加权和来获得适应度函数，如公式(15)所示。
其中w1,w2,w3分别为Makespan,TEC和TCE的适应度权重系数。且w1+w2+w3＝1。w1,w2,w3值的来源为企业信息系统。企业信息系统根据制造知识数据库中的专家评价，利用层次分析法，获得适应度的权重系数(Dos Santos et al.,2019)。四种生产模式分别是综合模式、省时模式、节能模式和减排模式。正则化所用的上下限值由企业信息系统根据历史数据或实践经验获得。
工件的优先权：
Figure BDA0002307309130000141
调度结果的适应度：
Figure BDA0002307309130000142
3.DSU中的多agent模型
3.1.调度agent
调度agent是所有动态调度单元公有的，一个可持续混合流水车间共用一个调度agent。调度agent的模型简图，如图3(a)所示。Batch是整型变量，去设置计划工件的数量。Jobs是表格，去设置计划工件的工艺信息。Insert_Jobs是表格，去设置插单工件的工艺信息。Record_Table是表格，去记录工件的调度情况，即是加工顺序和分配的机床。Result_Table是表格，去记录工件的工艺情况，即是加工时间、能量消耗、碳排放。Makespan,TEC,TCE,Fitness是实数变量，去评价整个制造系统的调度性能。Priority_Weights是表格，去记录每次局部搜索所获得的优先权权重值。Initialization是方法，用于调度开始时设置参数。Prescheduling是方法，用于调度开始时生成预调度方案。Rescheduling是方法，用于发生动态扰动事件时生成重调度方案。Evaluation是方法，用于调度结束时评价生产调度的性能，具体算法件公式(4)～(6)和公式(15)。
3.2.分配agent
分配agent是各个动态调度单元私有的，一个动态调度单元只有一个分配agent。分配agent的模型简图，如图3(b)所示。Add是整型变量，去记录进入全部分配缓冲区的所有工件数量。Order是整型变量，去记录离开全部分配缓冲区的所有工件数量。iAdd是整型变量，去记录进入该动态调度单元的分配缓冲区的工件数量。iOrder是整型变量，去记录离开该动态单元的分配缓冲区的工件数量。Contents[i]是整型数组，用来存储该动态调度单元的分配缓冲区中工件的名称。Init_Count是方法，用于工件进入分配缓冲区时增加Add和iAdd的数量。Select_Machine是方法，用于从多个机床选出最为合适的机床，将单个工件送入该机床进行加工。Order_Count是方法，用于工件离开分配缓冲区时增加Order和iOrder的数量。
Select_Machine方法根据工件优先权选择机床，当分配缓冲区中只有单个工件时，该阶段中所有的机床agent将会相互竞争，只有可利用的且优先权值最小的机床能够争取到对该单个工件的加工。若没有合适的机床，则分配agent需要继续等待。
3.3.机床agent
机床agent是各个动态调度单元私有的，一个动态调度单元拥有多个机床agent。机床agent的模型简图，如图3(c)所示。Priority[i]是实型数组，去存储所有工件关于该机床的优先权值。Priority[i]是实型数组，去存储所有工件关于该机床的加工时间值。PrPower[i]是实型数组，去存储所有工件关于该机床的平均加工功率值。PrEmRate[i]是实型数组，去存储所有工件关于该机床的平均碳排放率值。IdlePower是实型变量，去存储该机床的平均空闲功率。FailurePower是实型变量，去存储该机床的平均故障功率。Processing是方法，用于对进入该机床的工件进行加工。Maintenance是方法，用于该机床发生故障时呼叫维修。Select_Job是方法，用于当前工件离开机床时该机床从分配缓冲区中选取最合适的工件送入该机床进行加工。
Select_Job根据工件优先权选择工件，当当前工件加工完毕离开该机床时，如果该阶段中的分配缓冲区中存在一个及以上的工件，则该机床需要从该分配缓冲区中选取优先权值最小的工件，送入该机床进行加工。若分配缓冲区内没有工件，则机床agent需要继续等待。
3.4.质检agent
质检agent是各个动态调度单元私有的，一个动态调度单元只有一个质检agent。质检agent的模型简图，如图3(d)所示。Finish是整型变量，去记录离开全部质检缓冲区的所有合格工件数量。iFinish是整型变量，去记录离开该动态调度单元的质检缓冲区的合格工件数量。Inspecting是方法，用于工件进入质检缓冲区时检验该工件的加工质量是否合格。Reworking是方法，用于该工件加工质量检验不合格时将不合格工件送往第一阶段的分配缓冲区中进行返修。Finish_Count是方法，用于合格工件离开质检缓冲区时增加Finish和iFinish的数量。
4.基于遗传算法的可变优先权的动态调度优化
4.1.指标加权和-遗传算法的预调度
为了实现可持续混合流水车间的动态调度，我们对那些传统的遗传算法(Ribaset al.,2010；Ruiz andVázquez-Rodríguez，2010)进行了改进，提出了一种指标加权和-遗传算法(WSI-GA)。WSI-GA以可持续混合流水车间为架构为基础，采用可持续指标的加权和作为优先权，采用元启发式方法，去搜索可持续混合流水车间调度的最优解。而且WSI-GA是采用两段染色体编码，将工件排序搜索和工件优先权搜索结合在了一起，有效地改进了传统遗传算法实数矩阵编码的缺陷。WSI-GA的算法流程图，如图4所示。
染色体1的编码：
Figure BDA0002307309130000161
染色体1的解码：
Figure BDA0002307309130000162
染色体2的编码：
Figure BDA0002307309130000163
染色体2的解码：
Figure BDA0002307309130000164
工件优先权矩阵：
Figure BDA0002307309130000165
1)编码和解码
WSI-GA的编码方式采用的是两段染色体编码。第一段染色体(Chromosomel)是用于已规划工件的排序搜索，采用的是排序编码，基因代表了工件编号，解码方式如公式(16)所示；
第一段染色体解码方式如公式(17)所示，解码后代表了已规划工件在上料区的上料顺序的一个可行解；
第二段染色体(Chromosome2)是用于工件优先权搜索，采用的是整数编码，基因为某一范围内的正整数，解码方式如公式(18)所示；
其中E值为大于1的正整数，它决定了编码的精度。本文中E的取值为20。
第二段染色体解码方式如公式(19)所示，解码后代表了整个生产车间内所有工件优先权的一个可行解：
其中优先权fijk(v1,v2,v3)的计算公式如公式(20)所示。
2)适应度函数
适应度函数F的计算采用的是层次分析法(Dos Santos et al.,2019)，利用专家评价的可持续目标加权和，计算公式如公式(15)所示。在这里，我们优化任务的目的，朝着获得适应度函数的最小值方向进行的。
3)父代选择和子代选择
父代选择采用的是轮盘赌法，而子代选择采用的是1/4法(Martin and Spears,2001)。在轮盘赌法中，个体的适应度越好，被选择的概率越大。在1/4法中，使用父代解和子代解去产生下一代，从中选择出适应度最好的个体作为下一代种群。
4)交叉和变异
交叉算子采用的是顺序交叉(OX)，而变异算子采用的是随机变异(Martin andSpears,2001)。顺序交叉按照交叉概率(Pc)，随机选择一定数量的染色体两两进行交叉。随机确定两个交叉位置，并交换交叉点之间的片段。如果一个基因被包含在一条染色体的剩余集和另一条染色体的交叉集中，它将会从剩余集中移除并且后续的基因将会上移。随机变异按照变异概率(Pm)，将会选择一定数量的染色体，交换两个随机选中的基因。
5)迭代演化
WSI-GA遗传算法的终止条件为迭代次数达到设定值。为了保留的优秀个体的染色体结构，提高收敛速度，在每一次迭代中交叉概率(Pc)减少0.0001。为了避免出现早熟，获得更好适应度的个体解，在每一次迭代中变异概率(Pm)增加0.0001。
4.2.事件驱动优先权重局部搜索的重调度
WSI-GA算法最大的优点是可以方便地用于可持续混合流水车间的动态调度。在利用WSI-GA算法获得预调度方案后，利用第二段染色体(Chromosome2)可以进行工件优先权搜索的特点，进行事件驱动优先权局部搜索的重调度。
根据可持续混合流水车间的特点，在预调度方案实施后，工件上料顺序的改变相对比较困难，但是工件机床优先权的变化则是相对比较容易。因此我们提出了事件驱动优先权局部搜索(EPW-LS)，如图5所示。当动态扰动事件出现时，例如机床损坏、插单、返修，将会触发优先权局部搜索，此时第一段染色体(Chromosome1)保持不变，第二段染色体(Chromosome2)进行迭代寻优，从而动态地形成重调度方案。第二段染色体解码后，获得的是PT,EC和CE的优先权重系数v1,v2,v3。通过公式(14)计算，可以获得工件优先权矩阵fijk。最终，停留在生产线上面的工件会根据新产生的优先权，重新选择后续加工机床。
图6为本发明的整体流程图。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种可持续性混合流水车间的构建和动态调度方法，其特征在于：
S1：定义参数如下：
Figure FDA0003902048510000011
S2：建立可持续混合流水车间的架构；
S21：动态调度单元
动态调度单元由三个层级构成；自顶向下，第一个层级是企业信息系统EIS，第二个层级是多agent系统MAS，第三个层级是泛在车间层；
企业信息系统包含各种经营子系统，即企业资源计划ERP、制造执行系统MES、产品数据管理PDM、计算机辅助工艺CAPP和计算机辅助技术CAX；
多agent系统MAS包含各种智能化的agent，即调度agent、分配agent、机床agent和质检agent；
S22：由DSU构成的可持续混合流水车间
各个动态调度单元设有私有的分配agent、机床agent、质检agent，但是调度agent是所有动态调度单元公有的；可持续混合流水车间的动态事件为机床故障事件、插单事件、工件返修事件；可持续混合流水车间的可持续性指标为加工时间、能量消耗、碳排放；所提出的可持续混合流水车间的可持续性目标为最小化最大完工时间，最小化总能量消耗，最小化总碳排放；
指标估算：
在公式(1)中，加工时间由准备时间和工作时间构成；在公式(2)中，单台机床的能量消耗由安装能耗、工作能耗、空闲能耗和故障能耗构成；这里用平均加工功率、平均空闲功率、平均故障功率进行简化；在公式(3)中，由于机床加工时的碳排放远远大于机床空闲时的碳排放，单台机床的碳排放只考虑加工时的碳排放，它由发电碳排放、原材料生产碳排放、排屑碳排放、刀具生产碳排放、冷却液生产碳排放构成；
可持续性指标：
PT＝PTsetup+PTworking                 (1)
Figure FDA0003902048510000025
Figure FDA0003902048510000026
目标函数：
在公式(4)中，时间效率的目标是由最小化最大完工时间表示的；在公式(5)中，能量效率的目标是由最小化总能量消耗表示的；在公式(6)中，排放效率的目标是由最小化总碳排放表示的；
优化目标：
Figure FDA0003902048510000024
Figure FDA0003902048510000021
Figure FDA0003902048510000022
Figure FDA0003902048510000023
约束条件：
公式(7)表示只有一个工件的第j工序在指定机器k上加工；
公式(8)表示任何时刻工件i只有一个工序在指定机器k上加工；
公式(9)表示加工工件的第j工序至少有一台机器；
公式(10)表示工件i的第j工序完成时刻等于其开始时间加上加工时间；
公式(11)表示工件i的第j工序要等到第j-1工序完成之后才能加工；
公式(12)表示同一工序j在同一机器上k加工的两个工件，加工顺序排在后面的工件i必须等到排在它前面的工件i′加工完成才能开始加工；
公式(13)限定了各种下标的取值范围；
约束条件：
Figure FDA0003902048510000031
Figure FDA0003902048510000032
Figure FDA0003902048510000033
Figure FDA0003902048510000034
Figure FDA0003902048510000035
Cijk＝STijk+PTijk           (10)
Figure FDA0003902048510000036
STijk≥Ci(j-1)k′＝STi(j-1)k′+PTi(j-1)k′           (11)
Figure FDA0003902048510000037
STijk＞Ci′jk          (12)
Figure FDA0003902048510000038
S24：优先权和适应度函数
首先需要确定被加工工件的优先权公式；提出一种创新的指标加权和方式，去计算被加工工件的优先权，如公式(14)所示；
其中v1，v2，v3分别为PT，EC和CE的优先权重系数；且v1+v2+v3＝1；v1，v2，v3的值将会在后续利用优化算法去搜索获得；正则化所用的上下限值由企业信息系统根据历史数据或实践经验获得；
然后对三个目标函数赋予不同的权重系数w1,w2,w3，通过对目标函数的加权和来获得适应度函数，如公式(15)所示；
其中w1,w2,w3分别为Cmax,TEC和TCE的适应度权重系数；且w1+w2+w3＝1；w1,w2,w3值的来源为企业信息系统；企业信息系统根据制造知识数据库中的专家评价，利用层次分析法，获得适应度的权重系数；四种生产模式分别是综合模式、省时模式、节能模式和减排模式；
工件的优先权：
Figure FDA0003902048510000041
调度结果的适应度：
Figure FDA0003902048510000042
S3：建立DSU中的多agent模型；
S31：调度agent
调度agent是所有动态调度单元公有的，建立可持续混合流水车间共用一个调度agent；调度agent的模型简图；Batch是整型变量，去设置计划工件的数量；Jobs是表格，去设置计划工件的工艺信息；Insert_Jobs是表格，去设置插单工件的工艺信息；Record_Table是表格，去记录工件的调度情况，即是加工顺序和分配的机床；Result_Table是表格，去记录工件的工艺情况，即是加工时间、能量消耗、碳排放；Makespan,TEC,TCE,Fitness是实数变量，去评价整个制造系统的调度性能；Priority_Weights是表格，去记录每次局部搜索所获得的优先权权重值；Initialization是方法，用于调度开始时设置参数；Prescheduling是方法，用于调度开始时生成预调度方案；Rescheduling是方法，用于发生动态扰动事件时生成重调度方案；Evaluation是方法，用于调度结束时评价生产调度的性能；
S313：分配agent
分配agent是各个动态调度单元私有的，一个动态调度单元只有一个分配agent；分配agent的模型简图；Add是整型变量，去记录进入全部分配缓冲区的所有工件数量；Order是整型变量，去记录离开全部分配缓冲区的所有工件数量；iAdd是整型变量，去记录进入该动态调度单元的分配缓冲区的工件数量；iOrder是整型变量，去记录离开该动态单元的分配缓冲区的工件数量；Contents[i]是整型数组，用来存储该动态调度单元的分配缓冲区中工件的名称；Init_Count是方法，用于工件进入分配缓冲区时增加Add和iAdd的数量；Select_Machine是方法，用于从多个机床选出最为合适的机床，将单个工件送入该机床进行加工；Order_Count是方法，用于工件离开分配缓冲区时增加Order和iOrder的数量；
Select_Machine方法根据工件优先权选择机床，当分配缓冲区中只有单个工件时，该阶段中所有的机床agent将会相互竞争，可利用的且优先权值最小的机床能够争取到对该单个工件的加工；若没有合适的机床，则分配agent需要继续等待；
S33：机床agent
机床agent是各个动态调度单元私有的，建立一个动态调度单元拥有多个机床agent；Priority[i]是实型数组，去存储所有工件关于该机床的优先权值；Priority[i]是实型数组，去存储所有工件关于该机床的加工时间值；PrPower[i]是实型数组，去存储所有工件关于该机床的平均加工功率值；PrEmRate[i]是实型数组，去存储所有工件关于该机床的平均碳排放率值；IdlePower是实型变量，去存储该机床的平均空闲功率；FailurePower是实型变量，去存储该机床的平均故障功率；Processing是方法，用于对进入该机床的工件进行加工；Maintenance是方法，用于该机床发生故障时呼叫维修；Select_Job是方法，用于当前工件离开机床时该机床从分配缓冲区中选取最合适的工件送入该机床进行加工；
Select_Job根据工件优先权选择工件，当当前工件加工完毕离开该机床时，如果该阶段中的分配缓冲区中存在一个及以上的工件，则该机床需要从该分配缓冲区中选取优先权值最小的工件，送入该机床进行加工；若分配缓冲区内没有工件，则机床agent需要继续等待；
S34：质检agent
质检agent是各个动态调度单元私有的，一个动态调度单元只有一个质检agent；质检agent的模型简图；Finish是整型变量，去记录离开全部质检缓冲区的所有合格工件数量；iFinish是整型变量，去记录离开该动态调度单元的质检缓冲区的合格工件数量；Inspecting是方法，用于工件进入质检缓冲区时检验该工件的加工质量是否合格；Reworking是方法，用于该工件加工质量检验不合格时将不合格工件送往第一阶段的分配缓冲区中进行返修；Finish_Count是方法，用于合格工件离开质检缓冲区时增加Finish和iFinish的数量；
S4：基于遗传算法的可变优先权的动态调度优化；
S41：指标加权和-遗传算法的预调度
染色体1的编码：Chromosome1＝(π1，π2，...，πi，...，πn)，          (16)
Figure FDA0003902048510000061
染色体1的解码：
Figure FDA0003902048510000062
染色体2的编码：Chromosome2＝(π1，π2，...，πi，...，π3E)           (18)
Figure FDA0003902048510000063
染色体2的解码：
Figure FDA0003902048510000064
D1＝D(π1，π2，..，πE)，D2＝D(πE+1，πE+2，..，π2E)，D3＝D(π2E+1，π2E+2，..，π3E)
工件优先权矩阵：
Figure FDA0003902048510000065
1)编码和解码
WSI-GA的编码方式采用的是两段染色体编码；
第一段染色体Chromosome1是用于已规划工件的排序搜索，采用的是排序编码，基因代表了工件编号，编码方式如公式(16)所示；
第一段染色体解码方式如公式(17)所示，解码后代表了已规划工件在上料区的上料顺序的一个可行解；
第二段染色体Chromosome2是用于工件优先权搜索，采用的是整数编码，基因为某一范围内的正整数，编码方式如公式(18)所示；
其中E值为大于1的正整数，它决定了编码的精度；
第二段染色体解码方式如公式(19)所示，解码后代表了整个生产车间内所有工件优先权的一个可行解：
其中优先权fijk(v1,v2,v3)的计算公式如公式(20)所示；
2)适应度函数
适应度函数F的计算采用的是层次分析法，计算公式如公式(15)所示；优化任务的目的，朝着获得适应度函数的最小值方向进行的；
3)父代选择和子代选择
父代选择采用的是轮盘赌法，而子代选择采用的是1/4法；在轮盘赌法中，个体的适应度越好，被选择的概率越大；在1/4法中，使用父代解和子代解去产生下一代，从中选择出适应度最好的个体作为下一代种群；
4)交叉和变异
交叉算子采用的是顺序交叉OX，而变异算子采用的是随机变异；顺序交叉按照交叉概率Pc，随机选择一定数量的染色体两两进行交叉；随机确定两个交叉位置，并交换交叉点之间的片段；如果一个基因被包含在一条染色体的剩余集和另一条染色体的交叉集中，它将会从剩余集中移除并且后续的基因将会上移；随机变异按照变异概率Pm，将会选择一定数量的染色体，交换两个随机选中的基因；
5)迭代演化
WSI-GA遗传算法的终止条件为迭代次数达到设定值；为了保留的优秀个体的染色体结构，提高收敛速度，在每一次迭代中交叉概率Pc减少0.0001；为避免出现早熟，获得更好适应度的个体解，在每一次迭代中变异概率Pm增加0.0001；
S42：事件驱动优先权重局部搜索的重调度
在利用WSI-GA算法获得预调度方案后，利用第二段染色体Chromosome2进行工件优先权搜索的特点，进行事件驱动优先权局部搜索的重调度；
根据可持续混合流水车间的特点，在预调度方案实施后，工件上料顺序的改变相对比较困难，但是工件机床优先权的变化则是相对比较容易；提出事件驱动优先权局部搜索EPW-LS，当动态扰动事件出现时，将会触发优先权局部搜索，此时第一段染色体Chromosome1保持不变，第二段染色体Chromosome2进行迭代寻优，从而动态地形成重调度方案；第二段染色体解码后，获得的是PT,EC和CE的优先权重系数v1,v2,v3；通过公式(14)计算，获得工件优先权矩阵fijk；最终，停留在生产线上面的工件会根据新产生的优先权，重新选择后续加工机床。
CN201911245134.9A 2019-12-06 2019-12-06 一种可持续性混合流水车间的构建和动态调度方法 Active CN111144710B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911245134.9A CN111144710B (zh) 2019-12-06 2019-12-06 一种可持续性混合流水车间的构建和动态调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911245134.9A CN111144710B (zh) 2019-12-06 2019-12-06 一种可持续性混合流水车间的构建和动态调度方法

Publications (2)

Publication Number Publication Date
CN111144710A CN111144710A (zh) 2020-05-12
CN111144710B true CN111144710B (zh) 2023-04-07

Family

ID=70517906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911245134.9A Active CN111144710B (zh) 2019-12-06 2019-12-06 一种可持续性混合流水车间的构建和动态调度方法

Country Status (1)

Country Link
CN (1) CN111144710B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011785B (zh) * 2021-04-21 2023-06-13 广东机电职业技术学院 基于自适应调整参数的多订单混合调度优化方法、介质
CN113377073B (zh) * 2021-06-28 2022-09-09 西南交通大学 一种基于双层多智能体系统的柔性作业车间调度优化方法
CN113792927A (zh) * 2021-09-16 2021-12-14 北京电子工程总体研究所 基于遗传算法的航空航天柔性产品工序优化方法
CN117077979B (zh) * 2023-10-13 2023-12-26 江苏甬金金属科技有限公司 一种钛带生产管理方法及系统
CN117114370B (zh) * 2023-10-23 2023-12-26 泉州装备制造研究所 一种适配设备故障的小产品生产车间调度方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102929263A (zh) * 2012-11-16 2013-02-13 北京理工大学 一种混合流水车间调度方法
CN103676902A (zh) * 2013-12-20 2014-03-26 东北大学 一种流水车间重调度方法
CN107392497A (zh) * 2017-08-08 2017-11-24 大连交通大学 一种基于改进遗传算法的车间调度系统及调度方法
CN107817771A (zh) * 2017-10-16 2018-03-20 华中科技大学 考虑关机重启策略的混合流水车间节能调度的建模方法
CN108053152A (zh) * 2018-01-30 2018-05-18 陕西科技大学 基于多色集合的改进遗传算法求解动态车间调度的方法
CN108279647A (zh) * 2017-12-06 2018-07-13 吉林大学 一种两阶段装配流水车间调度方法
CN109765862A (zh) * 2018-12-26 2019-05-17 同济大学 基于自适应遗传算法的混合流水车间可持续调度控制方法
CN110378462A (zh) * 2019-06-22 2019-10-25 南京理工大学 求解带准备时间置换流水车间调度问题的改进eda算法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102929263A (zh) * 2012-11-16 2013-02-13 北京理工大学 一种混合流水车间调度方法
CN103676902A (zh) * 2013-12-20 2014-03-26 东北大学 一种流水车间重调度方法
CN107392497A (zh) * 2017-08-08 2017-11-24 大连交通大学 一种基于改进遗传算法的车间调度系统及调度方法
CN107817771A (zh) * 2017-10-16 2018-03-20 华中科技大学 考虑关机重启策略的混合流水车间节能调度的建模方法
CN108279647A (zh) * 2017-12-06 2018-07-13 吉林大学 一种两阶段装配流水车间调度方法
CN108053152A (zh) * 2018-01-30 2018-05-18 陕西科技大学 基于多色集合的改进遗传算法求解动态车间调度的方法
CN109765862A (zh) * 2018-12-26 2019-05-17 同济大学 基于自适应遗传算法的混合流水车间可持续调度控制方法
CN110378462A (zh) * 2019-06-22 2019-10-25 南京理工大学 求解带准备时间置换流水车间调度问题的改进eda算法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
A multi-objective genetic algorithm (MOGA) for hybrid flow shop scheduling problem with assembly operation;Seyed Mohammad Hassan Hosseini;《Journal of Industrial and Systems Engineering》;20170228;第10卷;第132-154页 *
Dynamic scheduling of multi-task for hybrid flow-shop based on energy consumption;Zeng Ling-li 等;《2009 International Conference on Information and Automation》;20090818;第478-482页 *
Hybrid flow-shop scheduling method based on multi-agent particle swarm optimization;Fu Yue-wen 等;《2011 IEEE International Conference on Information and Automation》;20110712;第755-759页 *
可重入混合流水车间调度的改进遗传算法;轩华 等;《现代制造工程》;20190218(第2期);第18-23,35页 *
基于Agent的混合流水车间动态调度系统;王芊博 等;《计算机应用》;20171010;第37卷(第10期);第2991-2998页 *
基于分布估计算法求解混合流水车间调度问题;张凤超;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20150415(第4期);第C028-96页 *
基于前瞻组批算法的两阶段混合流水车间动态批调度;池焱荣;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》;20190115(第12期);第B022-205页 *
考虑工时不确定的混合流水车间滚动调度方法;张洁 等;《机械工程学报》;20150630;第51卷(第11期);第99-108页 *

Also Published As

Publication number Publication date
CN111144710A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111144710B (zh) 一种可持续性混合流水车间的构建和动态调度方法
CN104268722B (zh) 基于多目标进化算法的动态柔性作业车间调度方法
Kumanan et al. Multi-project scheduling using an heuristic and a genetic algorithm
CN110955206B (zh) 一种订单排程与分配调度方法及系统
CN111382942B (zh) 一种集成交货期配置的置换流水车间能效优化调度方法
CN101916404A (zh) 一种装备制造过程多厂协同调度优化方法
Hassanzadeh et al. Minimizing total resource consumption and total tardiness penalty in a resource allocation supply chain scheduling and vehicle routing problem
Xu et al. Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms
Liu et al. Improving energy efficiency in discrete parts manufacturing system using an ultra-flexible job shop scheduling algorithm
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
CN109426920A (zh) 一种考虑预测订单和实际订单的企业生产计划优化方法
CN100401219C (zh) 基于遗传算法的可重组生产线调度方法
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
CN112561194A (zh) 一种混合流水车间生产与物流集成调度方法及系统
Mayteekrieangkrai et al. Optimized ready mixed concrete truck scheduling for uncertain factors using bee algorithm.
CN113592319A (zh) 基于insga-ⅱ的复杂约束下的柔性作业车间调度方法及装置
CN111401616B (zh) 一种供应链环境下预制混凝土构件的双层调度方法
CN114897379A (zh) 一种基于信息反馈的动态生产计划排程系统及方法
Hosseinian et al. An energy-efficient mathematical model for the resource-constrained project scheduling problem: an evolutionary algorithm
Zeng et al. Auction-based approach with improved disjunctive graph model for job shop scheduling problem with parallel batch processing
CN112561177B (zh) 一种产线均衡优化调度管理平台
Wang et al. Energy-efficient scheduling for flexible job shop under multi-resource constraints using non-dominated sorting teaching-learning-based optimization algorithm
CN117709617A (zh) 一种基于mes的生产车间智能排程系统
CN116822217A (zh) 一种考虑工时不确定性的人机双资源约束多目标生产调度方法
CN109767094A (zh) 智慧云制造任务调度装置

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Guo Gang

Inventor after: Liu Yujing

Inventor after: Shi Lei

Inventor before: Guo Gang

Inventor before: Shi Lei

GR01 Patent grant
GR01 Patent grant