CN111291969B - 基于遗传算法的汽车重排序方法 - Google Patents

基于遗传算法的汽车重排序方法 Download PDF

Info

Publication number
CN111291969B
CN111291969B CN202010035705.2A CN202010035705A CN111291969B CN 111291969 B CN111291969 B CN 111291969B CN 202010035705 A CN202010035705 A CN 202010035705A CN 111291969 B CN111291969 B CN 111291969B
Authority
CN
China
Prior art keywords
vehicle
sequence
reordering
chromosome
vehicles
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
CN202010035705.2A
Other languages
English (en)
Other versions
CN111291969A (zh
Inventor
王幼真
孙辉
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202010035705.2A priority Critical patent/CN111291969B/zh
Publication of CN111291969A publication Critical patent/CN111291969A/zh
Application granted granted Critical
Publication of CN111291969B publication Critical patent/CN111291969B/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
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (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遗传算法的汽车重排序方法，可结合总装车间前线性缓冲区的物理重排功能以及交换订单的虚拟重排思想对来自上游的车辆序列进行调整，目标是获得违反汽车排序规则次数最少的下游释放序列。本发明建立了汽车重排序问题的数学优化模型，并提出了用于近似求解的遗传算法。联合使用本发明包含的基于染色体编码的车辆进入方法和考虑虚拟重排的集成释放方法可以快速有效求解不同规模的汽车重排序问题，显著减少上游序列的违规次数。本发明提供的基于遗传算法的汽车重排序方法，其优点在于染色体编码结构简单、遗传操作易行；另外，集成物理与虚拟重排的重排序方法能够获得优于单独使用物理重排的序列调整效果。

Description

基于遗传算法的汽车重排序方法
技术领域
本发明属于混合型装配线生产计划与调度领域，特别涉及一种基于遗传算法的汽车重排序方法。
背景技术
混合型装配线是一种在一条流水线上同时加工不同类型产品混合排列的柔性生产系统。在汽车装配厂中，混合型装配线上的车辆依次经过车身、涂装、总装三个车间完成加工装配。这三个车间对于产品投产序列具有不同的偏好和要求。车辆离开涂装车间后，通常需要对车辆序列按照总装车间的要求进行调整，即重排。一般来说，总装车间在车辆排序或重排时考虑两类目标，即作业负荷均衡化和零部件消耗平准化。“汽车排序”是一种常用的以作业负荷均衡化为最终目标的排序方法。该方法使用特定的排序规则以求在序列中均匀排布某些装配耗时的关键选项，其直接目标是车辆序列中违反排序规则的次数最少。
混合型装配线的重排序有两种基本的实施方式：即物理重排序和虚拟重排序。其中物理重排序将车辆及其订单视作一个整体，借助于AS/RS或线性缓冲区等设备设施改变车辆在序列中的物理位置以实现序列调整。而虚拟重排序保持序列中车辆的物理位置不变，通过调整车辆对应的订单以实现序列重排，且其中订单的调整只能发生在已经实现的产品属性完全相同的车辆之间。实际生产中，汽车装配厂大多采用基于经验或简单规则的物理重排序。
发明内容
发明目的：提供一种基于遗传算法的汽车重排序方法，以解决在汽车总装车间前利用线性缓冲区(如图1所示)对上游车辆序列进行调整，目标为下游序列中违反排序规则次数最少的重排序问题。
技术方案：本发明所提供的基于遗传算法的汽车重排序方法，可结合总装车间前线性缓冲区的物理重排功能以及交换订单的虚拟重排思想对来自上游的车辆序列进行调整，并通过多次迭代搜索寻找最优解或近似最优解，即违规次数最少的下游序列。发明包括两个部分：汽车重排序问题的数学优化模型和基于遗传算法的重排序方法。
所述汽车重排序问题的数学优化模型如下：
Minimize
Figure BDA0002365915140000021
Subject to:
Figure BDA0002365915140000022
Figure BDA0002365915140000023
Figure BDA0002365915140000024
Figure BDA0002365915140000025
Figure BDA0002365915140000026
Figure BDA0002365915140000027
Figure BDA0002365915140000028
Figure BDA0002365915140000029
上述模型中：i,j,t为序列中车辆位置编号，T为序列中车辆总数；l为线性缓冲区车道编号，L为车道总数；f为缓冲区每条车道的容量；c为车辆选项配置编号，C为选项配置总数；m为车辆空车型编号，M为空车型总数；k为车辆安装选项编号，K为选项总数；pk:qk表示选项k的排序规则，即要求在车辆序列中任意连续的qk辆车中，最多只能有pk辆车可以安装选项k；dmc表示空车型为m，选项配置为c的车辆订单数；ack为一个0-1参数，如果选项配置c需要安装选项k则取值为1，否则为0；rim为一个0-1参数，如果上游序列中第i辆车的空车型为m则取值为1，否则为0；B表示一个极大的正整数；xit代表一个0-1决策变量，如果上游序列中第i辆车在重排后处在下游第t个位置则取值为1，否则为0；yil代表一个0-1决策变量，如果上游序列第i辆车在重排过程中进入线性缓冲区第l个车道则取值为1，否则为0；Atc代表一个0-1决策变量，如果重排后下游序列第t辆车需要第c个选项配置则取值为1，否则为0。
所述遗传算法包括以下步骤：
(1)产生初始种群；
(2)计算适应度并保存最佳个体；
(3)选择；
(4)交叉；
(5)变异；
(6)判断是否满足终止条件，如果是，解码得到最终解，否则返回步骤(2)。
其中，步骤(1)中，产生初始种群时，随机生成若干条长度为T的基因序列构成的染色体，基因的取值对应于线性缓冲区车道的编号l(l＝1,...,L)，且一条染色体上相同基因值的数量不超过缓冲区每条车道的容量f。
步骤(2)中，染色体的适应度fit按下式计算：
Figure BDA0002365915140000031
其中vio为按照该染色体所表达的填充方案和集成释放规则得到的下游序列违规次数；
其中，集成释放规则如下：
每次选择缓冲区某条车道最前端的那辆车释放到下游，直到缓冲区内所有T辆车释放完为止；该车辆对应的订单选自集合Order_Set，包含当前缓冲区内具有可交换空车型的车辆对应的全部订单；可交换空车型集合则由当前缓冲区内各车道最前端车辆的空车型构成；订单选择依次根据以下规则进行：
(2-1)选择释放进入下游后引起新增违规次数最少的订单；
(2-2)选择包含选项安装数量最多的订单；
(2-3)选择编号最小的车道上选项安装数量最多且靠近车道最前端的订单；
实际释放车辆与待释放订单当前所对应车辆的空车型相同，且所在车道剩余车辆最多；交换这两辆车当前所对应的订单，执行释放操作。
步骤(3)中，采用轮盘赌策略选择进入下一代的个体，其中每条染色体w被选择的概率Pw为其适应度值占种群所有N个染色体适应度值总和的比例，即
Figure BDA0002365915140000032
步骤(4)中，交叉操作具体包括以下步骤：
(4-1)按照预先设定的概率值rc确定每条染色体w是否需要交叉操作；
(4-2)交叉时，随机从染色体种群中选择一条染色体w'作为交叉对象，令子代染色体复制w所有奇数(或偶数)位上的基因，然后按照从前到后的顺序依次删除w'上对应的已复制基因，最后将w'上剩余的基因按同一顺序安插到子代染色体的空位上。
步骤(5)中，按照预先设定的概率值rm确定每条染色体w是否需要变异操作，变异时随机选择w上两个不同位置的基因进行交换。
步骤(6)中，终止条件为已完成预先设定的迭代次数，最终解为搜索得到的适应度最大的染色体表达的缓冲区内车辆排布方案以及对应的下游释放序列。
有益效果：1、本发明包括的数学优化模型准确表达了汽车总装车间前使用线性缓冲区结合虚拟重排思想进行车辆序列调整，目标为最小化重排后序列内违规次数的实际生产优化问题；2、本发明包括的基于遗传算法的汽车重排序方法，不仅染色体编码结构简单、遗传操作易行，而且可以通过多次迭代搜索快速求解不同规模的汽车重排序问题，显著减少上游序列的违规次数；3、本发明包括的基于遗传算法的汽车重排序方法，是一种集成了虚拟与物理重排的车辆序列调整方法，能够获得优于单独使用物理重排的序列调整效果；4、数值试验结果体现了该方法求解不同规模汽车重排序问题的可行性和先进性。
附图说明
图1是5车道4车位的线性缓冲区示意图；
图2是本发明中遗传算法的流程图；
图3是针对遗传算法中的染色体基因编码方法示例图；
图4是针对遗传算法中的交叉操作示例图。
具体实施方式
结合图2-4，本发明一实施例所述的基于遗传算法的汽车重排序算法，可结合总装车间前线性缓冲区的物理重排功能和交换订单的虚拟重排思想对来自上游的车辆序列进行调整，目标是下游车辆序列中违规次数最少。描述以上汽车重排序问题的数学优化模型如下：
Minimize
Figure BDA0002365915140000041
Subject to:
Figure BDA0002365915140000042
Figure BDA0002365915140000043
Figure BDA0002365915140000044
Figure BDA0002365915140000045
Figure BDA0002365915140000051
Figure BDA0002365915140000052
Figure BDA0002365915140000053
Figure BDA0002365915140000054
上述模型中：i,j,t为序列中车辆位置编号，T为序列中车辆总数；l为线性缓冲区车道编号，L为车道总数；f为缓冲区每条车道的容量；c为车辆选项配置编号，C为选项配置总数；m为车辆空车型编号，M为空车型总数；k为车辆安装选项编号，K为选项总数；pk:qk表示选项k的排序规则，即要求在车辆序列中任意连续的qk辆车中，最多只能有pk辆车可以安装选项k；dmc表示空车型为m，选项配置为c的车辆订单数；ack为一个0-1参数，如果选项配置c需要安装选项k则取值为1，否则为0；rim为一个0-1参数，如果上游序列中第i辆车的空车型为m则取值为1，否则为0；B表示一个极大的正整数；xit代表一个0-1决策变量，如果上游序列中第i辆车在重排后处在下游第t个位置则取值为1，否则为0；yil代表一个0-1决策变量，如果上游序列第i辆车在重排过程中进入线性缓冲区第l个车道则取值为1，否则为0；Atc代表一个0-1决策变量，如果重排后下游序列第t辆车需要第c个选项配置则取值为1，否则为0。
上述模型中，式(1)为本问题的目标，即最小化下游序列中的累计违规次数。式(2)和(3)共同约束来自上游的每个车辆在下游都有且仅有一个对应的位置。式(4)确保上游的每个车辆都进入线性缓冲区的一条车道。式(5)约束每条车道内的车辆数不得超过车道容量f。式(6)限制在同一条车道上的车辆在进入下游时遵循先进先出规则，即如果来自上游的第i和第j(j>i)辆车进入同一条车道，在释放进入下游后，上游的第i辆车必须位于第j辆车之前。式(7)约束下游的每一辆车都有且仅有一个选项配置。式(8)保证重排序前后每种空车型的配置需求不变。最后，式(9)声明xit,yil,和Atc为0-1决策变量。
所述遗传算法的流程如图2所示，其具体实施步骤如下：
步骤一、产生初始种群：随机生成若干条长度为T的基因序列构成的染色体，基因的取值对应于线性缓冲区车道的编号l(l＝1,...,L)，且一条染色体上相同基因值的数量不超过缓冲区每条车道的容量f(如图3所示)。
步骤二、计算染色体的适应度并保留最佳个体：适应度fit按下式计算：
Figure BDA0002365915140000055
其中vio为按照该染色体所表达的填充方案和集成释放规则得到的下游序列违规次数；
其中集成释放规则如下：
每次选择缓冲区某条车道最前端的那辆车释放到下游，直到缓冲区内所有T辆车释放完为止；该车辆对应的订单选自集合Order_Set，包含当前缓冲区内具有可交换空车型的车辆对应的全部订单；可交换空车型集合则由当前缓冲区内各车道最前端车辆的空车型构成；订单选择依次根据以下规则进行：
(1)选择释放进入下游后引起新增违规次数最少的订单；
(2)选择包含选项安装数量最多的订单；
(3)选择编号最小的车道上选项安装数量最多且靠近车道最前端的订单；
实际释放车辆与待释放订单当前所对应车辆的空车型相同，且所在车道剩余车辆最多；交换这两辆车当前所对应的订单，执行释放操作。
步骤三、选择：采用轮盘赌策略选择进入下一代的个体，其中每条染色体w被选择的概率Pw为其适应度值占种群所有N个染色体适应度值总和的比例，即
Figure BDA0002365915140000061
步骤四、交叉：交叉操作具体包括以下步骤：
(1)按照预先设定的概率值rc确定每条染色体w是否需要交叉操作；
(2)交叉时，如图4所示，随机从染色体种群中选择一条染色体w'作为交叉对象，令子代染色体复制w所有奇数(或偶数)位上的基因，然后按照从前到后的顺序依次删除w'上对应的已复制基因，最后将w'上剩余的基因按同一顺序安插到子代染色体的空位上。
步骤五、变异：按照预先设定的概率值rm确定每条染色体w是否需要变异操作，变异时随机选择w上两个不同位置的基因进行交换。
步骤六、判断是否满足终止条件，如满足则解码输出最优解，否则返回步骤二：终止条件为已完成预先设定的迭代次数，最终解为搜索得到的适应度最大的染色体表达的缓冲区内车辆排布方案以及对应的下游释放序列。
实施例
采用一组数值试验测试本发明所提出的基于遗传算法的汽车重排序效果。算例中上游车辆序列参数包括车辆序列长度(T)、空车型数(M)、选项数(K)。T取值为20和50；M取值为5，10，15，20；K取值为3，5，7。假设序列中空车型和各选项独立且均匀分布，每个(T，M，K)参数组合下随机生成10个算例。对应于T的不同取值，分别采用5×4(如图1所示)或10×5的线性缓冲区以实现上游车辆序列的物理重排。对应于7个选项排序规则的p/q比分别为1:2,2:4,1:3,2:5,2:3,1:4,1:5。发明所提汽车重排序算法在Microsoft Visual Studio2015平台上采用C++语言编程，并在一台CPU主频为3.6GHz，内存为32GB的个人机上运行。遗传算法中参数取值为：迭代次数＝100，种群大小N＝100,rc＝0.7,rm＝0.9。分别采用本发明所提出的包含虚拟重排的集成重排序方法(记为遗传算法+集成释放)与另一种未引入虚拟重排的纯物理重排序方法(记为遗传算法+物理释放)求解所有算例。两种方法的唯一区别在于后者在释放过程中不考虑虚拟重排，因此每次车辆释放的候选集由每条车道最前端的车辆构成。另外，亦采用优化商务软件CPLEX对汽车重排序问题的数学优化模型进行精确求解，计算时间设定为10分钟。表1中列出了各参数组合下10个算例求解结果的平均值，即下游序列中的平均违规次数。
计算结果表明，本发明所提方法重排序效果良好，可在不到2秒的时间内完成计算，并可显著降低上游序列违规次数；本发明所提出的集成重排序方法几乎总是能够获得比纯物理重排序方法效果更好的下游车辆序列；在有限的计算时间内，本发明所提出的集成重排序算法表现优于精确算法。
表1三种重排序方法的求解效果
Figure BDA0002365915140000081
注：“--”表示由于问题过于复杂，解空间过大，CPLEX无法求解或找到可行解。

Claims (1)

1.一种基于遗传算法的汽车重排序方法，其特征在于：包括建立汽车重排序问题的数学优化模型、采用遗传算法并结合线性缓冲区的物理重排功能以及交换订单的虚拟重排思想对模型目标即违规次数进行优化的步骤，
其中，数学优化模型如下：
Minimize
Figure FDA0004059461090000011
Subject to:
Figure FDA0004059461090000012
Figure FDA0004059461090000013
Figure FDA0004059461090000014
Figure FDA0004059461090000015
Figure FDA0004059461090000016
Figure FDA0004059461090000017
Figure FDA0004059461090000018
Figure FDA0004059461090000019
上述模型中：i,j,t为序列中车辆位置编号，T为序列中车辆总数；l为线性缓冲区车道编号，L为车道总数；f为缓冲区每条车道的容量；c为车辆选项配置编号，C为选项配置总数；m为车辆空车型编号，M为空车型总数；k为车辆安装选项编号，K为选项总数；pk:qk表示选项k的排序规则，即要求在车辆序列中任意连续的qk辆车中，最多只能有pk辆车可以安装选项k；dmc表示空车型为m，选项配置为c的车辆订单数；ack为一个0-1参数，如果选项配置c需要安装选项k则取值为1，否则为0；rim为一个0-1参数，如果上游序列中第i辆车的空车型为m则取值为1，否则为0；B表示一个极大的正整数；xit代表一个0-1决策变量，如果上游序列中第i辆车在重排后处在下游第t个位置则取值为1，否则为0；yil代表一个0-1决策变量，如果上游序列第i辆车在重排过程中进入线性缓冲区第l个车道则取值为1，否则为0；Atc代表一个0-1决策变量，如果重排后下游序列第t辆车需要第c个选项配置则取值为1，否则为0；
上述模型中，式(1)为最小化下游序列中的累计违规次数；式(2)和(3)共同约束来自上游的每个车辆在下游都有且仅有一个对应的位置；式(4)确保上游的每个车辆都进入线性缓冲区的一条车道；式(5)约束每条车道内的车辆数不得超过车道容量f；式(6)限制在同一条车道上的车辆在进入下游时遵循先进先出规则，即如果来自上游的第i和第j(j>i)辆车进入同一条车道，在释放进入下游后，上游的第i辆车必须位于第j辆车之前；式(7)约束下游的每一辆车都有且仅有一个选项配置；式(8)保证重排序前后每种空车型的配置需求不变；式(9)声明xit,yil,和Atc为0-1决策变量；
其中，所述遗传算法包括以下步骤：
(1)产生初始种群；
(2)计算适应度并保存最佳个体；
(3)选择；
(4)交叉；
(5)变异；
(6)判断是否满足终止条件，如果是，解码得到最终解，否则返回步骤(2)；
步骤(1)中，产生初始种群时，随机生成若干条长度为T的基因序列构成的染色体，基因的取值对应于线性缓冲区车道的编号l，且一条染色体上相同基因值的数量不超过缓冲区每条车道的容量f，
其中，l＝1,...,L；
步骤(2)中，染色体的适应度fit按下式计算：
Figure FDA0004059461090000021
其中，vio为按照该染色体所表达的填充方案和集成释放规则得到的下游序列违规次数；
车辆释放过程中每次选择缓冲区某条车道最前端的那辆车释放到下游，直到缓冲区内所有T辆车释放完为止；车辆对应的订单选自集合Order_Set，包含当前缓冲区内具有可交换空车型的车辆对应的全部订单；可交换空车型集合则由当前缓冲区内各车道最前端车辆的空车型构成；
所述订单的选择依次根据以下规则进行：
(2-1)选择释放进入下游后引起新增违规次数最少的订单；
(2-2)选择包含选项安装数量最多的订单；
(2-3)选择编号最小的车道上选项安装数量最多且靠近车道最前端的订单；
实际释放车辆与待释放订单当前所对应车辆的空车型相同，且所在车道剩余车辆最多；交换这两辆车当前所对应的订单，执行释放操作；
步骤(3)中，采用轮盘赌策略选择进入下一代的个体，其中每条染色体w被选择的概率Pw为其适应度值占种群所有N个染色体适应度值总和的比例，即
Figure FDA0004059461090000031
步骤(4)中，交叉操作具体包括以下步骤：
(4-1)按照预先设定的概率值rc确定每条染色体w是否需要交叉操作；
(4-2)交叉时，随机从染色体种群中选择一条染色体w'作为交叉对象，令子代染色体复制w所有奇数(或偶数)位上的基因，然后按照从前到后的顺序依次删除w'上对应的已复制基因，最后将w'上剩余的基因按同一顺序安插到子代染色体的空位上；
步骤(5)中，按照预先设定的概率值rm确定每条染色体w是否需要变异操作，变异时随机选择w上两个不同位置的基因进行交换；
步骤(6)中，终止条件为已完成预先设定的迭代次数，最终解为搜索得到的适应度最大的染色体表达的缓冲区内车辆排布方案以及对应的下游释放序列。
CN202010035705.2A 2020-01-14 2020-01-14 基于遗传算法的汽车重排序方法 Active CN111291969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010035705.2A CN111291969B (zh) 2020-01-14 2020-01-14 基于遗传算法的汽车重排序方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010035705.2A CN111291969B (zh) 2020-01-14 2020-01-14 基于遗传算法的汽车重排序方法

Publications (2)

Publication Number Publication Date
CN111291969A CN111291969A (zh) 2020-06-16
CN111291969B true CN111291969B (zh) 2023-04-25

Family

ID=71029091

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010035705.2A Active CN111291969B (zh) 2020-01-14 2020-01-14 基于遗传算法的汽车重排序方法

Country Status (1)

Country Link
CN (1) CN111291969B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784037B (zh) * 2020-06-24 2022-10-28 东南大学 基于混合局部搜索和蚁群优化的混装线序列恢复方法
CN112561338B (zh) * 2020-12-17 2023-08-18 杭州三之一智联科技有限公司 基于遗传算法的汽车生产队列排序系统和方法
CN115358488B (zh) * 2022-10-17 2023-04-07 中汽数据(天津)有限公司 基于缓冲区的车辆排程方法、电子设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109242187B (zh) * 2018-09-11 2021-06-18 摩佰尔（天津）大数据科技有限公司 车辆作业调度方法
CN110046460B (zh) * 2019-04-28 2022-03-29 哈尔滨理工大学 一种基于自适应精英遗传算法的两栖车辆布列优化方法

Also Published As

Publication number Publication date
CN111291969A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
CN111291969B (zh) 基于遗传算法的汽车重排序方法
US20210373888A1 (en) Multi-objective optimization method and system for master production plan of casting parallel workshops
Lim et al. A simulation approach for production-distribution planning with consideration given to replenishment policies
CN110046777B (zh) 一种柔性作业车间持续重构调度方法及装置
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
Che A multi-objective optimization algorithm for solving the supplier selection problem with assembly sequence planning and assembly line balancing
CN111062535A (zh) 一种实现含能材料生产过程动态排产的方法及系统
Akrami et al. Two metaheuristic methods for the common cycle economic lot sizing and scheduling in flexible flow shops with limited intermediate buffers: The finite horizon case
CN114594744A (zh) 一种分布式工厂生产配送集成调度方法和系统
CN104636871A (zh) 一种基于数据的单阶段多产品批处理的控制方法
CN111783357A (zh) 一种基于减少旅客延误的中转行程优化方法及系统
CN114492895A (zh) 汽车发动机柔性产线分批与调度方法
CN115775123A (zh) 排产计划生成方法、系统、电子设备及可读存储介质
Maleki et al. Determining the prices of remanufactured products, capacity of internal workstations and the contracting strategy within queuing framework
CN113887782A (zh) 一种面向维修资源配送调度的遗传-烟花混合方法及系统
Wang et al. Utilizing variant differentiation to mitigate manufacturing complexity in mixed-model assembly systems
CN114444843A (zh) 一种基于大规模变邻域搜索策略的农产品绿色物流配送车辆调度方法及系统
CN115130765A (zh) 一种多工艺路线单车间汽车混流排产优化方法
CN113381417A (zh) 一种配电网台区三相负荷不平衡优化方法、装置及终端
Hani et al. Simulation based optimization of a train maintenance facility
Yan et al. IMOEA/D to optimize job release problem for a reentrant hybrid flow shop
CN114239960A (zh) 基于资源动态优化的配网工程项目群进度管理方法及系统
CN110648037A (zh) 一种整车生产评价方法及装置
Dousthaghi et al. Solving the economic lot and delivery scheduling problem in a flexible job shop with unrelated parallel machines and a shelf life by a proposed hybrid PSO
CN116300763B (zh) 考虑机器配置的混合流水车间数学启发式调度方法及系统

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