CN111325420A - 一种车间调度方法、装置及设备 - Google Patents
一种车间调度方法、装置及设备 Download PDFInfo
- Publication number
- CN111325420A CN111325420A CN201811524758.XA CN201811524758A CN111325420A CN 111325420 A CN111325420 A CN 111325420A CN 201811524758 A CN201811524758 A CN 201811524758A CN 111325420 A CN111325420 A CN 111325420A
- Authority
- CN
- China
- Prior art keywords
- batch
- level
- population
- individuals
- virus
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 337
- 230000008569 process Effects 0.000 claims abstract description 293
- 241000700605 Viruses Species 0.000 claims abstract description 155
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 147
- 238000012545 processing Methods 0.000 claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 230000002068 genetic effect Effects 0.000 claims abstract description 48
- 238000013461 design Methods 0.000 claims abstract description 19
- 208000015181 infectious disease Diseases 0.000 claims description 42
- 230000035772 mutation Effects 0.000 claims description 36
- 108010074506 Transfer Factor Proteins 0.000 claims description 25
- 230000010076 replication Effects 0.000 claims description 23
- 230000000737 periodic effect Effects 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000002360 preparation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003612 virological effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 6
- 210000000349 chromosome Anatomy 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 12
- 230000029812 viral genome replication Effects 0.000 description 12
- 230000010415 tropism Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012217 deletion Methods 0.000 description 5
- 230000037430 deletion Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 108700005077 Viral Genes Proteins 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种车间调度方法、装置及设备，所述车间调度方法包括：获取订单的工序级批次信息；根据订单工艺路线，在所述工序级批次信息中选择可调度的工序级批次；利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果；根据所述处理结果将所述可调度的工序级批次进行调度。本发明的实施例，工序级批次信息由基于设计效率系数的工序级分批算法计算得到，进而获得同一订单内面向不同工序的不同分批方案，并实现单个参数对分批结果的控制；病毒进化遗传算法基于工序级批次进行编码，将可调度的工序级批次作为病毒进化遗传算法的主群体个体的基因，能够更好的适应预处理中得到的工序级批次，有效提高车间调度效率。
Description
技术领域
本发明涉及制造技术领域，尤其涉及一种车间调度方法、装置及设备。
背景技术
随着市场的多变性以及市场对产品多样性的需求，多品种、多批量的生产方式已逐渐成为发展主流。在此背景下，柔性作业车间调度问题往往伴随着同一工件包含若干数量的情况。同时，越来越多的工厂为实现精细化生产的需求，在每道工序结束之后，需要对同一类工件的一定批量进行集中检测，因此，工件的生产通常成批进行。研究表明，在作业车间中，订单的分批加工可有效缩短完工时间，减少设备空闲时间，提高设备利用率。理论上说，工件的批次划分越精细，越容易获得工件的最大完工时间的最小化，但会造成同一设备内工件种类的频繁更替。
在实际生产中，不同种类的工件先后在同一台设备上加工时，往往会导致更换夹具等带来的时间损失。在考虑了工件更换带来的时间损失后，将工件的批量最小化不一定可以获得最小化的完工时间。所以，以缩小工件的最大完工时间为目标来看，并不是工件批次划分地越精细，便能得到越小的完工时间。这是因为，当工件的批次划分地过于精细，同一设备内工件种类的更替变得频繁，设备内更换批次带来的时间损失增多。另外，在某些情况下，为同一工件的不同工序设置不同的分批方案，可以获得更好的调度结果。
综上，如何对柔性作业车间调度问题中多品种、大批量的工件进行合理地工序级分批，并安排合适的设备进行加工，以提高车间调度效率，成为实际生产中迫切需要解决的问题。
发明内容
为了解决上述技术问题，本发明提供了一种车间调度方法、装置及设备，用以解决车间调度中多品种、大批量的工件不能合理安排到设备的问题。
依据本发明的一个方面，提供了一种车间调度方法，包括：
获取订单的工序级批次信息；
根据订单工艺路线，在所述工序级批次信息中选择可调度的工序级批次；
利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果；
根据所述处理结果将所述可调度的工序级批次进行调度。
可选地，获取订单的工序级批次信息的步骤包括：
计算每一个工序级批次的理论批量；
根据所述理论批量对订单进行分批处理，得到工序级批次的实际批量；
比较所述工序级批次的实际批量与理论批量的大小，得到比较结果；
根据所述比较结果，确定所述工序级批次的批量。
可选地，计算每一个工序级批次的理论批量的步骤为：
通过公式：
计算得到工序级批次的理论批量；
其中，Nijk为订单i的第j道工序的第k批次的理论批量，Sij为订单i的第j道工序的加工准备时间，Tij为订单i的第j道工序的单件加工工时，α为设计效率系数。
可选地，根据所述比较结果，确定所述工序级批次的批量的步骤包括：
若所述比较结果表示所述实际批量与所述理论批量相同，则确定所述实际批量为所述工序级批次的批量；
若所述比较结果表示所述实际批量小于所述理论批量，且所述实际批量小于总批次数量，则删除所述工序级批次，并通过公式：Nijs′＝Nijs+1计算其他工序级批次的批量；
其中，Nijs′为订单i的第j道工序的第s批次的批量，Nijs为订单i的第j道工序的第s批次的理论批量。
可选地，根据订单工艺路线，在所述工序级批次信息中选择可调度的工序级批次的步骤包括：
获取所述工序级批次中未调度的工序级批次的集合；
在所述集合中选取可调度的工序级批次。
可选地，利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果的步骤包括：
初始化主群体和病毒群体；
计算初始化的所述主群体的适应度值；
根据所述适应度值对所述主群体进行交叉、变异操作，生成第一主群体；
利用所述病毒群体对所述第一主群体进行感染操作，生成第二主群体。
可选地，利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果的步骤还包括：
对所述病毒群体进行有向性进化。
可选地，初始化主群体和病毒群体的步骤包括：
对所述可调度的工序级批次进行编码，生成包括多个基因的主群体个体；
在所述主群体个体中加入通配符，形成病毒个体；其中，所述病毒个体与所述主群体个体的编码长度相同。
可选地，计算初始化的所述主群体的适应度值的步骤包括：
计算设备的瓶颈程度；
根据所述瓶颈程度计算所述主群体中个体的适应度值。
可选地，计算设备的瓶颈程度的步骤包括：
通过公式：BN1＝LE1+∑(Sij+Tij·Nijk)，计算设备的瓶颈程度；
其中，LE1表示设备M1上最后一道工序的结束时间，Sij表示可以在设备M1上加工的未调度的订单i的第j道工序的加工准备时间，Tij表示订单i的第j道工序的单件加工工时，Nijk表示订单i的第j道工序的第k批次的批量，BN1表示设备M1的瓶颈程度。
可选地，根据所述瓶颈程度计算所述主群体中个体的适应度值的步骤包括：
根据所述瓶颈程度确定设备的阶段性结束时间；
根据所述设备的阶段性结束时间确定适应度函数；
利用所述适应度函数计算所述主群体中个体的适应度值。
可选地，根据所述适应度值对所述主群体进行交叉、变异操作，生成第一主群体的步骤包括：
以预设交叉概率挑选待交叉操作的主群体个体；
根据所述主群体个体的适应度值排序，生成交叉个体集合；
对所述交叉个体集合中的个体配对操作，形成多对父个体；
对所述父个体进行交叉操作，生成子个体；
利用所述子个体和未参与交叉操作的主群体个体生成更新后的主群体。
可选地，根据所述适应度值对所述主群体进行交叉、变异操作，生成第一主群体的步骤还包括：
以预设变异概率在所述更新后的主群体中挑选待变异操作的主群体个体；
选择待变异操作的主群体个体的变异位；
根据所述变异位，对所述主群体个体进行变异操作，生成所述第一主群体。
可选地，利用所述病毒群体对所述第一主群体进行感染操作，生成第二主群体的步骤包括：
以预设感染概率由所述第一主群体中挑选待感染操作的主群体个体；
由所述病毒群体中挑选所述主群体个体的感染源；
选择所述主群体个体的感染位；
根据所述感染位，利用所述感染源对所述主群体个体进行感染操作，生成第二主群体。
可选地，对所述病毒群体进行有向性进化的步骤包括：
由所述第二主群体中选择待进化的病毒个体用于复制的主群体个体；
计算所述主群体个体相邻基因间的转移因子；
在所述转移因子存在至少一个不为零时，判断所述转移因子中的最高转移因子的相邻基因是否位于冲突位，并得到判断结果；
根据所述判断结果对待进化的病毒个体进行复制操作；
对复制操作后的病毒个体进行删减操作，得到进化后的病毒个体。
可选地，根据所述处理结果将所述可调度的工序级批次进行调度的步骤包括：
获取所述处理结果中得到的病毒进化遗传算法的主群体个体；
根据所述主群体个体中基因的编码，将所述工序级批次调度到设备。
依据本发明的另一个方面，提供了一种车间调度装置，包括：
第一获取模块，用于获取订单的工序级批次信息；
第一选择模块，用于根据订单工艺路线，在所述工序级批次信息中选择可调度的工序级批次；
第一处理模块，用于利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果；
调度模块，用于根据所述处理结果将所述可调度的工序级批次进行调度。
依据本发明的再一个方面，提供了一种车间调度设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的车间调度方法的步骤。
本发明的实施例的有益效果是：
上述方案中，工序级批次信息由基于设计效率系数的工序级分批算法计算得到，实现订单的工序级分批，获得同一订单内面向不同工序的不同分批方案，并实现单个参数(设计效率系数)对分批结果的控制；改进的病毒进化遗传算法基于工序级批次进行编码，将可调度的工序级批次作为病毒进化遗传算法的主群体个体的基因，能够更好的适应预处理中得到的工序级批次，有效提高了车间调度效率。
附图说明
图1表示本发明实施例的车间调度方法的流程图；
图2表示本发明实施例利用病毒进化遗传算法对可调度的工序级批次进行处理的具体流程示意图；
图3表示本发明实施例的病毒进化遗传算法的主群体个体编码示意图；
图4表示本发明实施例的病毒进化遗传算法的病毒个体编码示意图；
图5表示本发明实施例的病毒进化遗传算法的交叉操作示意图；
图6表示本发明实施例的病毒进化遗传算法的变异操作示意图；
图7表示本发明实施例的病毒个体对主群体个体的感染操作示意图；
图8a～图8f表示本发明实施例的病毒群体的有向性进化示意图；
图9a～图9b表示本发明实施例的病毒的复制、删减操作示意图；
图10表示本发明实施例的车间调度装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提供了一种车间调度方法，包括：
步骤11、获取订单的工序级批次信息；
所述工序级批次信息包括订单的工序级批次和每一个工序级批次的批量，工序级批次的批量根据其理论批量确定，所述理论批量基于设计效率系数计算得到。
步骤12、根据订单工艺路线，在所述工序级批次信息中选择可调度的工序级批次；
工艺路线是订单中的产品在车间的加工路线和在各个工序中的标准工时的定额情况，根据订单工艺路线的约束，可以获得当前可以被调度的工序级批次。其中，若所有工序级批次中不存在可调度的工序级批次，则该车间调度方法不能实施。
步骤13、利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果；
调用改进的病毒进化遗传算法，可以实现当前可调度的工序级批次在设备上的安排。病毒进化遗传算法是一种模拟生物进化过程的随机搜索算法，其将问题的求解表示成“染色体”的适者生存过程，通过种群的一代代不断进化，包括复制、交叉和变异等操作，最终收敛到“最适应环境”的个体。从而得到问题的最优解。该实施例将病毒进化遗传算法应用到车间调度问题中，在车间调度的每一个时间节点处调用，其调度对象是当前时间节点下根据订单工艺路线约束挑选出来的可安排的工序级批次，将可调度的工序级批次作为病毒进化遗传算法的主群体个体的基因，对由工序级批次构成的主群体个体进行交叉、变异和感染等操作，多次迭代更新后得到最终的处理结果。
步骤14、根据所述处理结果将所述可调度的工序级批次进行调度。
经病毒进化遗传算法处理后得到的处理结果中，最终输出的为适应度值最好的主群体个体，该最终输出的主群体个体中基因的排列形式表示可调度的工序级批次的调度顺序。根据处理结果即可以将可调度的工序级批次进行调度。
该实施例中的工序级批次信息由基于设计效率系数的工序级分批算法计算得到，实现订单的工序级分批，获得同一订单内面向不同工序的不同分批方案，并实现单个参数(设计效率系数)对分批结果的控制；提出了改进的病毒进化遗传算法，基于工序级批次进行编码，将可调度的工序级批次作为病毒进化遗传算法的主群体个体的基因，能够更好的适应预处理中得到的工序级批次。该方案将柔性作业车间调度问题与批量调度问题结合，能够对车间调度问题中多品种、大批量的工件进行合理地工序级分批，并安排合适的设备进行加工，有效提高了车间调度效率。
具体地，步骤11包括：
计算每一个工序级批次的理论批量；
其计算方法为：通过公式：
计算得到工序级批次的理论批量；其中，Nijk为订单i的第j道工序的第k批次的理论批量，Sij为订单i的第j道工序的加工准备时间，Tij为订单i的第j道工序的单件加工工时，α为设计效率系数。
对上述计算公式进行简单变形，可得到
因此，设计效率系数α的实际意义为任意工序级批次的加工时长与其准备时长的比例关系。
计算得到每一个工序级批次的理论批量后，根据所述理论批量对订单进行分批处理，得到工序级批次的实际批量；
由于订单总的工件数量固定，根据理论批量进行分批，可能存在工序级批次的实际批量小于理论批量的情况，比较所述工序级批次的实际批量与理论批量的大小，得到比较结果；根据所述比较结果，确定所述工序级批次的批量。
进一步地，根据所述比较结果，确定所述工序级批次的批量的步骤包括：
若所述比较结果表示所述实际批量与所述理论批量相同，则确定所述实际批量为所述工序级批次的批量；
若所述比较结果表示所述实际批量小于所述理论批量，且所述实际批量小于总批次数量，则删除所述工序级批次，并通过公式：Nijs′＝Nijs+1计算其他工序级批次的批量；其中，Nijs′为订单i的第j道工序的第s批次的批量，Nijs为订单i的第j道工序的第s批次的理论批量，s＜k。
该实施例中，如果存在某一批的实际批量小于理论批量，则需要找出小于理论批量的工序级批次，并且该工序级批次的批量小于总的批次数量，则删除该工序级批次，并按照上述公式调整其他工序级批次的批量，即将实际批量小于理论批量的工序级批次中的工件分配到其他工序级批次中进行加工。需要说明的是，在实际批量小于理论批量的工序级批次中，若所述实际批量大于或等于总批次数量，则认为该工序级批次中的工件无法分配到其他工序级批次中，保持上述步骤中根据理论批量对订单进行分批处理后的分批结果。
具体地，步骤12包括：
获取所述工序级批次中未调度的工序级批次的集合；在所述集合中选取可调度的工序级批次。
该实施例中，遍历所有未调度的工序级批次的集合，若属于某个工序级批次的前一道序的工序级批次中，已调度且未周转的工件的数量不大于该工序级批次的批量，则认为该工序级批次可调度。
具体地，如图2所示，步骤13包括：
步骤131、初始化主群体和病毒群体；初始化主群体和病毒群体的步骤包括：
对所述可调度的工序级批次进行编码，生成包括多个基因的主群体个体；在所述主群体个体中加入通配符，形成病毒个体；其中，所述病毒个体与所述主群体个体的编码长度相同。
该实施例中，选择顺序编码的方式生成主群体个体。该编码方式下，每个染色体(即主群体个体)由具有随机顺序的1～nT(其中nT为T时刻所涉及的所有可调度的工序级批次的数量)的序列组成，主群体个体的每一个基因表示该编码所对应的工序级批次。本发明实施例以每个主群体个体包含8个基因为例，如图3所示，为一条包含8个基因的染色体，在该染色体中，按照基因对应的编码在染色体中的顺序进行工序级批次的调度，即编号为6的工序级批次第一个被调度，编号为2的工序级批次最后被调度。
病毒个体是主群体个体的子串，可以在主群体个体的基础上随机加入通配符*，形成与主群体个体编码长度相同的病毒个体编码方案。本发明实施例以每个主群体个体包含8个基因为例，图4所示为由主群体个体生成的病毒个体。需要说明的是，图3和图4所示的染色体以及病毒个体的基因数量以及编码等均为示例性实施例，还可以根据需要设计为其他编码形式以及基因数量。
步骤132、计算初始化的所述主群体的适应度值；计算初始化的所述主群体的适应度值的步骤包括：
计算设备的瓶颈程度；通过公式：BN1＝LE1+∑(Sij+Tij·Nijk)，计算设备的瓶颈程度；
其中，LE1表示设备M1上最后一道工序的结束时间，Sij表示可以在设备M1上加工的未调度的工订单i的第j道工序的加工准备时间，Tij表示订单i的第j道工序的单件加工工时，Nijk表示订单i的第j道工序的第k批次的批量，BN1表示设备M1的瓶颈程度。计算设备的瓶颈程度即对主群体个体进行解码，遍历所述主权群体个体中的基因，对于每一个基因所代表的工序级批次，按照上述方式计算设备的瓶颈程度，瓶颈程度值越大，表示该设备越紧张，并将工序级批次调度安排在可加工设备中瓶颈程度值最小的设备上。
进一步地，根据所述瓶颈程度计算所述主群体中个体的适应度值；包括：根据所述瓶颈程度确定设备的阶段性结束时间；根据所述设备的阶段性结束时间确定适应度函数；利用所述适应度函数计算所述主群体中个体的适应度值。
该实施例中，计算得到所述瓶颈程度后，根据瓶颈程度将工序级批次安排到瓶颈程度值最小的设备，可以得到工序级批次在该可加工设备上的开始和结束时间，进而得到该设备的阶段性结束时间；在本发明的实施例中，改进的病毒进化遗传算法的适应度函数为所有设备的阶段性结束时间的方差。
步骤133、根据所述适应度值对所述主群体进行交叉、变异操作，生成第一主群体；包括：
以预设交叉概率随机挑选待交叉操作的主群体个体；根据所述主群体个体的适应度值从高到低排序，生成交叉个体集合{P1，P2，P3…PNc}；对所述交叉个体集合中的个体配对操作，可选地，可以按照下标之和为(Nc+1)的方式两两配对，即P1和PNc，P2和PNc-1等，形成多对父个体；对所述父个体进行交叉操作，生成子个体；利用所述子个体和未参与交叉操作的主群体个体生成更新后的主群体。其中，父个体交叉操作生成子个体的方法如图5所示，以包含8个基因的主群体个体为例，一对父个体的基因的编码分别为6、3、1、5、8、4、7、2和2、7、6、5、1、4、8、3，图5中圈出的编码表示不参与交叉的基因，则一对父个体交叉操作后得到的子个体的基因的编码分别为6、2、1、7、5、4、8、3和3、5、6、8、1、4、7、2。交叉操作后得到的子个体与未参加交叉操作的主群体个体重新构成新的主群体。需要说明的是，图5仅为本发明的一个示例性实施例，图5中基因数量以及编码可以根据需求设置。
进行交叉操作后，还需要对交叉后得到的主群体进行变异操作，包括：以预设变异概率在所述更新后的主群体中随机挑选待变异操作的主群体个体；遍历所有需要变异的主群体个体，对每一个个体随机生成变异位，即选择待变异操作的主群体个体的变异位；根据所述变异位，对所述主群体个体进行变异操作，生成所述第一主群体。其中，变异操作的过程如图6所示，以包含8个基因的主群体个体为例，假设交叉操作后的主群体个体的基因的编码为6、3、1、5、8、4、7、2，图6中圈出的编码的位置表示变异位，则经变异操作后生成的新个体的基因的编码为6、3、4、5、8、1、7、2。需要说明的是，图6仅为本发明的一个示例性实施例，图6中基因数量以及编码可以根据需求设置。
经交叉、变异操作后生成的新的主群体个体，构成第一主群体。还需要利用病毒群体对所述第一主群体进行感染操作。
步骤134、利用所述病毒群体对所述第一主群体进行感染操作，生成第二主群体。
具体地，进行感染操作的步骤包括：以预设感染概率由所述第一主群体中挑选待感染操作的主群体个体(可以根据适应度值的大小，挑选适应度值较大的个体作为需要被感染的个体)；为每一个待感染操作的主群体个体挑选一个病毒个体作为感染源，即由所述病毒群体中挑选所述主群体个体的感染源；遍历所述感染源的集合，选择所述主群体个体的感染位，所述感染位以预设概率随机生成；根据所述感染位，利用所述感染源对所述主群体个体进行感染操作，生成第二主群体。其中，感染操作的过程如图7所示，以包含8个基因的主群体个体和病毒个体为例，假设病毒个体的基因的编码为3、4、*、*、9、*、*、7、*、1，第一主群体中的主群体个体的基因的编码为6、8、5、9、4、7、3、0、1、2，则感染后的主群体个体的基因的编码为6、4、5、9、8、7、3、0、2、1。需要说明的是，图7仅为本发明的一个示例性实施例，图7中基因数量以及编码可以根据需求设置。
经感染操作后的主群体个体构成第二主群体。
具体地，步骤13还包括：
步骤135、对所述病毒群体进行有向性进化。
病毒群体进行有向性进化的具体操作为：由所述第二主群体中选择待进化的病毒个体用于复制的主群体个体；计算所述主群体个体相邻基因间的转移因子；在所述转移因子存在至少一个不为零时，判断所述转移因子中的最高转移因子的相邻基因是否位于冲突位，并得到判断结果；根据所述判断结果对待进化的病毒个体进行复制操作；对复制操作后的病毒个体进行删减操作，得到进化后的病毒个体。
该实施例中，为待进化的目标病毒随机选择一个用于复制的主群体个体，获得该主群体个体中任意相邻基因的转移因子，若当前主群体个体中所有的转移因子均为0，则根据传统算法完成该目标病毒的复制和删减操作，结束算法；否则，找到当前主群体个体中的最高转移因子ξu,v，判断基因u和v是否位于冲突位。
可选地，若基因u和v均位于非冲突位，则将这两位基因直接复制到病毒基因，如图8a所示；
若基因u和v中有一个位于基因冲突位，另一个位于非冲突位或位置冲突位，且位于基因冲突位的基因在病毒个体中的位置的对应相邻基因为通配符，如图8b和图8c所示，则按照图8b和图8c所示方式完成病毒的复制，即保持与主群体个体中位于基因冲突位的基因对应的病毒个体基因不变，在对应的相邻基因位复制主群体个体的另一基因；
若基因u和v均位于基因冲突位，判断病毒个体中基因u的后一个基因是否为通配符，若是，则保持病毒个体中的基因u不变，将基因v复制到基因u的后一位，将原病毒中的基因v替换为通配符(如图8d所示)；否则，判断病毒个体中基因v的前一个基因是否为通配符，若是，则保持病毒个体中的基因v不变，将基因u复制到基因v的前一位，将原病毒中的基因u替换为通配符(如图8e所示)；
若基因u和v存在至少一个位置冲突位且均不位于基因冲突位，则按传统算法完成该病毒的复制操作，如图8f所示；在病毒个体中排除新复制的基因，对其他基因位按传统方式进行删减操作后结束算法。需要说明的是，图8a～图8f仅为本发明的一个示例性实施例，图8a～图8f中基因数量以及编码可以根据需求设置。
其中，病毒群体的有向性进化步骤中所述的传统的病毒进化分为复制和删减两部分。病毒的复制操作与其初始化方式类似，即将一个随机选择的主群体个体中的每个基因以一定的概率替换病毒个体中的相应基因，从而生成具有更多有效字符的新病毒个体，病毒的复制操作如图9a所示，图9a中斜线表示主群体个体与病毒个体的冲突位，在该实施例中，主群体个体的冲突位为基因的编码为3、4、1、2、6的位置，在冲突位上不进行复制操作。为了减少病毒个体的有效基因，复制后的病毒个体需要进行删减操作，同样是以一定的概率将其有效基因用通配符替换，其操作过程如图9b所示。
具体地，对所述病毒群体进行有向性进化的步骤中，转移因子的计算方法如下：
从主群体个体中选择适应度值排名中较优秀的占比为PS的个体，放入优秀个体集合中；
将任意两个基因之间的转移因子设置为0；
取优秀个体集合中的第一条染色体(即第一个主群体个体)，通过公式：ξu,v＝ξu,v′+fmax-fc，依次计算该染色体中相邻基因之间的转移因子ξu,v；
其中，ξu,v表示新的相邻基因u和v之间的转移因子，ξu,v′表示计算之前的相邻基因u和v之间的转移因子，fc为当前染色体的适应度值，fmax为所有染色体中适应度的最大值；
更新任意两个基因之间的转移因子，将当前染色体在优秀个体集合中删除。判断优秀个体集合是否为空，若是，则转移因子的计算结束，否则，继续按照上述步骤计算相邻基因之间的转移因子。
需要说明的是，对所述病毒群体进行有向性进化的步骤中所述的：
位置冲突位：在进行病毒的复制操作时，病毒个体中非通配符所占用的基因位对应到主群体个体中的位置，称为该主群体个体对于当前病毒的位置冲突位。
基因冲突位：在进行病毒的复制操作时，病毒个体中非通配符对应到主群体个体中的基因所在的位置，称为该主群体个体对于当前病毒的基因冲突位。
优选地，所述步骤13还包括：根据病毒进化遗传算法的迭代次数或者得到的最优解判断是否满足终止条件，若满足，则结束步骤13，否则，按照上述方法继续对所述可调度的工序级批次进行处理。其中，判断是否满足终止条件的步骤为：判断迭代次数是否达到预设的最大迭代次数，或者，判断病毒进化遗传算法得到的最优解是否多次相同，若达到最大迭代次数或者最优解多次相同，认为满足终止条件。
本发明的上述实施例中，步骤14包括：
获取所述处理结果中得到的病毒进化遗传算法的主群体个体；根据所述主群体个体中基因的编码，将所述工序级批次调度到设备。
该实施例中，工序级批次信息由基于设计效率系数的工序级分批算法计算得到，实现订单的工序级分批，获得同一订单内面向不同工序的不同分批方案，并实现单个参数(设计效率系数)对分批结果的控制；改进的病毒进化遗传算法基于工序级批次进行编码，将可调度的工序级批次作为病毒进化遗传算法的主群体个体的基因，能够更好的适应预处理中得到的工序级批次。
该方案将柔性作业车间调度问题与批量调度问题结合，能够对车间调度问题中多品种、大批量的工件进行合理地工序级分批，并安排合适的设备进行加工，有效提高了车间调度效率。
如图10所示，本发明的实施例提供了一种车间调度装置，包括：
第一获取模块101，用于获取订单的工序级批次信息；
所述工序级批次信息包括订单的工序级批次和每一个工序级批次的批量，工序级批次的批量根据其理论批量确定，所述理论批量基于设计效率系数计算得到。
第一选择模块102，用于根据订单工艺路线，在所述工序级批次信息中选择可调度的工序级批次；
工艺路线是订单中的产品在车间的加工路线和在各个工序中的标准工时的定额情况，根据订单工艺路线的约束，可以获得当前可以被调度的工序级批次。其中，若所有工序级批次中不存在可调度的工序级批次，则该车间调度方法不能实施。
第一处理模块103，用于利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果；
调用改进的病毒进化遗传算法，可以实现当前可调度的工序级批次在设备上的安排。病毒进化遗传算法是一种模拟生物进化过程的随机搜索算法，其将问题的求解表示成“染色体”的适者生存过程，通过种群的一代代不断进化，包括复制、交叉和变异等操作，最终收敛到“最适应环境”的个体。从而得到问题的最优解。该实施例将病毒进化遗传算法应用到车间调度问题中，在车间调度的每一个时间节点处调用，其调度对象是当前时间节点下根据订单工艺路线约束挑选出来的可安排的工序级批次，将可调度的工序级批次作为病毒进化遗传算法的主群体个体的基因，对由工序级批次构成的主群体个体进行交叉、变异和感染等操作，多次迭代更新后得到最终的处理结果。
调度模块104，用于根据所述处理结果将所述可调度的工序级批次进行调度。
经病毒进化遗传算法处理后得到的处理结果中，最终输出的为适应度值最好的主群体个体，该最终输出的主群体个体中基因的排列形式表示可调度的工序级批次的调度顺序。根据处理结果即可以将可调度的工序级批次进行调度。
该实施例中的工序级批次信息由基于设计效率系数的工序级分批算法计算得到，实现订单的工序级分批，获得同一订单内面向不同工序的不同分批方案，并实现单个参数(设计效率系数)对分批结果的控制；提出了改进的病毒进化遗传算法，基于工序级批次进行编码，将可调度的工序级批次作为病毒进化遗传算法的主群体个体的基因，能够更好的适应预处理中得到的工序级批次。该方案将柔性作业车间调度问题与批量调度问题结合，能够对车间调度问题中多品种、大批量的工件进行合理地工序级分批，并安排合适的设备进行加工，有效提高了车间调度效率。
具体地，所述第一获取模块101包括：
第一计算单元，用于计算每一个工序级批次的理论批量；
所述第一计算单元具体用于：通过公式：
计算得到工序级批次的理论批量；其中，Nijk为订单i的第j道工序的第k批次的理论批量，Sij为订单i的第j道工序的加工准备时间，Tij为订单i的第j道工序的单件加工工时，α为设计效率系数。
对上述计算公式进行简单变形，可得到
因此，设计效率系数α的实际意义为任意工序级批次的加工时长与其准备时长的比例关系。
分批处理单元，用于根据所述理论批量对订单进行分批处理，得到工序级批次的实际批量；
第一比较单元，用于比较所述工序级批次的实际批量与理论批量的大小，得到比较结果；
由于订单总的工件数量固定，根据理论批量进行分批，可能存在工序级批次的实际批量小于理论批量的情况，比较所述工序级批次的实际批量与理论批量的大小，得到比较结果；根据所述比较结果，确定所述工序级批次的批量。
确定单元，用于根据所述比较结果，确定所述工序级批次的批量。
所述确定单元具体用于：若所述比较结果表示所述实际批量与所述理论批量相同，则确定所述实际批量为所述工序级批次的批量；
若所述比较结果表示所述实际批量小于所述理论批量，且所述实际批量小于总批次数量，则删除所述工序级批次，并通过公式：Nijs′＝Nijs+1计算其他工序级批次的批量；其中，Nijs′为订单i的第j道工序的第s批次的批量，Nijs为订单i的第j道工序的第s批次的理论批量，s＜k。
该实施例中，如果存在某一批的实际批量小于理论批量，则需要找出小于理论批量的工序级批次，并且该工序级批次的批量小于总的批次数量，则删除该工序级批次，并按照上述公式调整其他工序级批次的批量，即将实际批量小于理论批量的工序级批次中的工件分配到其他工序级批次中进行加工。需要说明的是，在实际批量小于理论批量的工序级批次中，若所述实际批量大于或等于总批次数量，则认为该工序级批次中的工件无法分配到其他工序级批次中，保持上述步骤中根据理论批量对订单进行分批处理后的分批结果。
具体地，所述第一选择模块102包括：
第一获取单元，用于获取所述工序级批次中未调度的工序级批次的集合；
选取单元，在所述集合中选取可调度的工序级批次。
该实施例中，遍历所有未调度的工序级批次的集合，若属于某个工序级批次的前一道序的工序级批次中，已调度且未周转的工件的数量不大于该工序级批次的批量，则认为该工序级批次可调度。
具体地，所述第一处理模块103包括：
初始化单元，用于初始化主群体和病毒群体；
所述初始化单元具体用于：对所述可调度的工序级批次进行编码，生成包括多个基因的主群体个体；在所述主群体个体中加入通配符，形成病毒个体；其中，所述病毒个体与所述主群体个体的编码长度相同。
该实施例中，选择顺序编码的方式生成主群体个体。该编码方式下，每个染色体(即主群体个体)由具有随机顺序的1～nT(其中nT为T时刻所涉及的所有可调度的工序级批次的数量)的序列组成，主群体个体的每一个基因表示该编码所对应的工序级批次。
病毒个体是主群体个体的子串，可以在主群体个体的基础上随机加入通配符*，形成与主群体个体编码长度相同的病毒个体编码方案。
第二计算单元，用于计算初始化的所述主群体的适应度值；
所述第二计算单元具体用于：
计算设备的瓶颈程度；通过公式：BN1＝LE1+∑(Sij+Tij·Nijk)，计算设备的瓶颈程度；
其中，LE1表示设备M1上最后一道工序的结束时间，Sij表示可以在设备M1上加工的未调度的订单i的第j道工序的加工准备时间，Tij表示订单i的第j道工序的单件加工工时，Nijk表示订单i的第j道工序的第k批次的批量，BN1表示设备M1的瓶颈程度。计算设备的瓶颈程度即对主群体个体进行解码，遍历所述主权群体个体中的基因，对于每一个基因所代表的工序级批次，按照上述方式计算设备的瓶颈程度，瓶颈程度值越大，表示该设备越紧张，并将工序级批次调度安排在可加工设备中瓶颈程度值最小的设备上。
进一步地，根据所述瓶颈程度计算所述主群体中个体的适应度值；包括：根据所述瓶颈程度确定设备的阶段性结束时间；根据所述设备的阶段性结束时间确定适应度函数；利用所述适应度函数计算所述主群体中个体的适应度值。
该实施例中，计算得到所述瓶颈程度后，根据瓶颈程度将工序级批次安排到瓶颈程度值最小的设备，可以得到工序级批次在该可加工设备上的开始和结束时间，进而得到该设备的阶段性结束时间；在本发明的实施例中，改进的病毒进化遗传算法的适应度函数为所有设备的阶段性结束时间的方差。
第一处理单元，用于根据所述适应度值对所述主群体进行交叉、变异操作，生成第一主群体；
所述第一处理单元具体用于：以预设交叉概率随机挑选待交叉操作的主群体个体；根据所述主群体个体的适应度值从高到低排序，生成交叉个体集合{P1，P2，P3…PNc}；对所述交叉个体集合中的个体配对操作，可选地，可以按照下标之和为(Nc+1)的方式两两配对，即P1和PNc，P2和PNc-1等，形成多对父个体；对所述父个体进行交叉操作，生成子个体；利用所述子个体和未参与交叉操作的主群体个体生成更新后的主群体。
进行交叉操作后，还需要对交叉后得到的主群体进行变异操作，包括：以预设变异概率在所述更新后的主群体中随机挑选待变异操作的主群体个体；遍历所有需要变异的主群体个体，对每一个个体随机生成变异位，即选择待变异操作的主群体个体的变异位；根据所述变异位，对所述主群体个体进行变异操作，生成所述第一主群体。
经交叉、变异操作后生成的新的主群体个体，构成第一主群体。还需要利用病毒群体对所述第一主群体进行感染操作。
第二处理单元，用于利用所述病毒群体对所述第一主群体进行感染操作，生成第二主群体。
所述第二处理单元具体用于：以预设感染概率由所述第一主群体中挑选待感染操作的主群体个体(可以根据适应度值的大小，挑选适应度值较大的个体作为需要被感染的个体)；为每一个待感染操作的主群体个体挑选一个病毒个体作为感染源，即由所述病毒群体中挑选所述主群体个体的感染源；遍历所述感染源的集合，选择所述主群体个体的感染位，所述感染位以预设概率随机生成；根据所述感染位，利用所述感染源对所述主群体个体进行感染操作，生成第二主群体。
可选地，所述第一处理模块103还包括：
第三处理单元，用于对所述病毒群体进行有向性进化。
所述第三处理单元具体用于：由所述第二主群体中选择待进化的病毒个体用于复制的主群体个体；计算所述主群体个体相邻基因间的转移因子；在所述转移因子存在至少一个不为零时，判断所述转移因子中的最高转移因子的相邻基因是否位于冲突位，并得到判断结果；根据所述判断结果对待进化的病毒个体进行复制操作；对复制操作后的病毒个体进行删减操作，得到进化后的病毒个体。
该实施例中，为待进化的目标病毒随机选择一个用于复制的主群体个体，获得该主群体个体中任意相邻基因的转移因子，若当前主群体个体中所有的转移因子均为0，则根据传统算法完成该目标病毒的复制和删减操作，结束算法；否则，找到当前主群体个体中的最高转移因子ξu,v，判断基因u和v是否位于冲突位。
可选地，若基因u和v均位于非冲突位，则将这两位基因直接复制到病毒基因，如图8a所示；
若基因u和v中有一个位于基因冲突位，另一个位于非冲突位或位置冲突位，且位于基因冲突位的基因在病毒个体中的位置的对应相邻基因为通配符，如图8b和图8c所示，则按照图8b和图8c所示方式完成病毒的复制，即保持与主群体个体中位于基因冲突位的基因对应的病毒个体基因不变，在对应的相邻基因位复制主群体个体的另一基因；
若基因u和v均位于基因冲突位，判断病毒个体中基因u的后一个基因是否为通配符，若是，则保持病毒个体中的基因u不变，将基因v复制到基因u的后一位，将原病毒中的基因v替换为通配符(如图8d所示)；否则，判断病毒个体中基因v的前一个基因是否为通配符，若是，则保持病毒个体中的基因v不变，将基因u复制到基因v的前一位，将原病毒中的基因u替换为通配符(如图8e所示)；
若基因u和v存在至少一个位置冲突位且均不位于基因冲突位，则按传统算法完成该病毒的复制操作，如图8f所示；在病毒个体中排除新复制的基因，对其他基因位按传统方式进行删减操作后结束算法。需要说明的是，图8a～图8f仅为本发明的一个示例性实施例，图8a～图8f中基因数量以及编码可以根据需求设置。
其中，病毒群体的有向性进化步骤中所述的传统的病毒进化分为复制和删减两部分。病毒的复制操作与其初始化方式类似，即将一个随机选择的主群体个体中的每个基因以一定的概率替换病毒个体中的相应基因，从而生成具有更多有效字符的新病毒个体。为了减少病毒个体的有效基因，复制后的病毒个体需要进行删减操作，同样是以一定的概率将其有效基因用通配符替换。
具体地，对所述病毒群体进行有向性进化的步骤中，转移因子的计算方法如下：
从主群体个体中选择适应度值排名中较优秀的占比为PS的个体，放入优秀个体集合中；
将任意两个基因之间的转移因子设置为0；
取优秀个体集合中的第一条染色体(即第一个主群体个体)，通过公式：ξu，v＝ξu，v′+fmax-fc，依次计算该染色体中相邻基因之间的转移因子ξu，v；
其中，ξu，v表示新的相邻基因u和v之间的转移因子，ξu，v′表示计算之前的相邻基因u和v之间的转移因子，fc为当前染色体的适应度值，fmax为所有染色体中适应度的最大值；
更新任意两个基因之间的转移因子，将当前染色体在优秀个体集合中删除。判断优秀个体集合是否为空，若是，则转移因子的计算结束，否则，继续按照上述步骤计算相邻基因之间的转移因子。
需要说明的是，对所述病毒群体进行有向性进化的步骤中所述的：位置冲突位：在进行病毒的复制操作时，病毒个体中非通配符所占用的基因位对应到主群体个体中的位置，称为该主群体个体对于当前病毒的位置冲突位。
基因冲突位：在进行病毒的复制操作时，病毒个体中非通配符对应到主群体个体中的基因所在的位置，称为该主群体个体对于当前病毒的基因冲突位。
优选地，所述第一处理模块103还包括：
判断单元，用于根据病毒进化遗传算法的迭代次数或者得到的最优解判断是否满足终止条件，若满足，则结束算法，否则，按照上述方法继续对所述可调度的工序级批次进行处理。其中，判断是否满足终止条件的步骤为：判断迭代次数是否达到预设的最大迭代次数，或者，判断病毒进化遗传算法得到的最优解是否多次相同，若达到最大迭代次数或者最优解多次相同，认为满足终止条件。
本发明的上述实施例中，所述调度模块104具体用于：获取所述处理结果中得到的病毒进化遗传算法的主群体个体；根据所述主群体个体中基因的编码，将所述工序级批次调度到设备。
该实施例中，工序级批次信息由基于设计效率系数的工序级分批算法计算得到，实现订单的工序级分批，获得同一订单内面向不同工序的不同分批方案，并实现单个参数(设计效率系数)对分批结果的控制；改进的病毒进化遗传算法基于工序级批次进行编码，将可调度的工序级批次作为病毒进化遗传算法的主群体个体的基因，能够更好的适应预处理中得到的工序级批次。
需要说明的是，该装置是与上述个体推荐方法对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明的实施例还提供了一种车间调度设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的车间调度方法的步骤。
本发明的该实施例，将柔性作业车间调度问题与批量调度问题结合，能够对车间调度问题中多品种、大批量的工件进行合理地工序级分批，并安排合适的设备进行加工，有效提高了车间调度效率。
以上所述的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人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。
Claims (18)
1.一种车间调度方法，其特征在于，包括：
获取订单的工序级批次信息；
根据订单工艺路线，在所述工序级批次信息中选择可调度的工序级批次；
利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果；
根据所述处理结果将所述可调度的工序级批次进行调度。
2.根据权利要求1所述的车间调度方法，其特征在于，获取订单的工序级批次信息的步骤包括：
计算每一个工序级批次的理论批量；
根据所述理论批量对订单进行分批处理，得到工序级批次的实际批量；
比较所述工序级批次的实际批量与理论批量的大小，得到比较结果；
根据所述比较结果，确定所述工序级批次的批量。
3.根据权利要求2所述的车间调度方法，其特征在于，计算每一个工序级批次的理论批量的步骤为：
通过公式：
计算得到工序级批次的理论批量；
其中，Nijk为订单i的第j道工序的第k批次的理论批量，Sij为订单i的第j道工序的加工准备时间，Tij为订单i的第j道工序的单件加工工时，α为设计效率系数。
4.根据权利要求2所述的车间调度方法，其特征在于，根据所述比较结果，确定所述工序级批次的批量的步骤包括：
若所述比较结果表示所述实际批量与所述理论批量相同，则确定所述实际批量为所述工序级批次的批量；
若所述比较结果表示所述实际批量小于所述理论批量，且所述实际批量小于总批次数量，则删除所述工序级批次，并通过公式：Nijs′＝Nijs+1计算其他工序级批次的批量；
其中，Nijs′为订单i的第j道工序的第s批次的批量，Nijs为订单i的第j道工序的第s批次的理论批量。
5.根据权利要求1所述的车间调度方法，其特征在于，根据订单工艺路线，在所述工序级批次信息中选择可调度的工序级批次的步骤包括：
获取所述工序级批次中未调度的工序级批次的集合；
在所述集合中选取可调度的工序级批次。
6.根据权利要求1所述的车间调度方法，其特征在于，利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果的步骤包括：
初始化主群体和病毒群体；
计算初始化的所述主群体的适应度值；
根据所述适应度值对所述主群体进行交叉、变异操作，生成第一主群体；
利用所述病毒群体对所述第一主群体进行感染操作，生成第二主群体。
7.根据权利要求6所述的车间调度方法，其特征在于，利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果的步骤还包括：
对所述病毒群体进行有向性进化。
8.根据权利要求6所述的车间调度方法，其特征在于，初始化主群体和病毒群体的步骤包括：
对所述可调度的工序级批次进行编码，生成包括多个基因的主群体个体；
在所述主群体个体中加入通配符，形成病毒个体；其中，所述病毒个体与所述主群体个体的编码长度相同。
9.根据权利要求6所述的车间调度方法，其特征在于，计算初始化的所述主群体的适应度值的步骤包括：
计算设备的瓶颈程度；
根据所述瓶颈程度计算所述主群体中个体的适应度值。
10.根据权利要求9所述的车间调度方法，其特征在于，计算设备的瓶颈程度的步骤包括：
通过公式：BN1＝LE1+∑(Sij+Tij·Nijk)，计算设备的瓶颈程度；
其中，LE1表示设备M1上最后一道工序的结束时间，Sij表示可以在设备M1上加工的未调度的订单i的第j道工序的加工准备时间，Tij表示订单i的第j道工序的单件加工工时，Nijk表示订单i的第j道工序的第k批次的批量，BN1表示设备M1的瓶颈程度。
11.根据权利要求9所述的车间调度方法，其特征在于，根据所述瓶颈程度计算所述主群体中个体的适应度值的步骤包括：
根据所述瓶颈程度确定设备的阶段性结束时间；
根据所述设备的阶段性结束时间确定适应度函数；
利用所述适应度函数计算所述主群体中个体的适应度值。
12.根据权利要求6所述的车间调度方法，其特征在于，根据所述适应度值对所述主群体进行交叉、变异操作，生成第一主群体的步骤包括：
以预设交叉概率挑选待交叉操作的主群体个体；
根据所述主群体个体的适应度值排序，生成交叉个体集合；
对所述交叉个体集合中的个体配对操作，形成多对父个体；
对所述父个体进行交叉操作，生成子个体；
利用所述子个体和未参与交叉操作的主群体个体生成更新后的主群体。
13.根据权利要求12所述的车间调度方法，其特征在于，根据所述适应度值对所述主群体进行交叉、变异操作，生成第一主群体的步骤还包括：
以预设变异概率在所述更新后的主群体中挑选待变异操作的主群体个体；
选择待变异操作的主群体个体的变异位；
根据所述变异位，对所述主群体个体进行变异操作，生成所述第一主群体。
14.根据权利要求6所述的车间调度方法，其特征在于，利用所述病毒群体对所述第一主群体进行感染操作，生成第二主群体的步骤包括：
以预设感染概率由所述第一主群体中挑选待感染操作的主群体个体；
由所述病毒群体中挑选所述主群体个体的感染源；
选择所述主群体个体的感染位；
根据所述感染位，利用所述感染源对所述主群体个体进行感染操作，生成第二主群体。
15.根据权利要求7所述的车间调度方法，其特征在于，对所述病毒群体进行有向性进化的步骤包括：
由所述第二主群体中选择待进化的病毒个体用于复制的主群体个体；
计算所述主群体个体相邻基因间的转移因子；
在所述转移因子存在至少一个不为零时，判断所述转移因子中的最高转移因子的相邻基因是否位于冲突位，并得到判断结果；
根据所述判断结果对待进化的病毒个体进行复制操作；
对复制操作后的病毒个体进行删减操作，得到进化后的病毒个体。
16.根据权利要求1所述的车间调度方法，其特征在于，根据所述处理结果将所述可调度的工序级批次进行调度的步骤包括：
获取所述处理结果中得到的病毒进化遗传算法的主群体个体；
根据所述主群体个体中基因的编码，将所述工序级批次调度到设备。
17.一种车间调度装置，其特征在于，包括：
第一获取模块，用于获取订单的工序级批次信息；
第一选择模块，用于根据订单工艺路线，在所述工序级批次信息中选择可调度的工序级批次；
第一处理模块，用于利用病毒进化遗传算法对所述可调度的工序级批次进行处理，得到处理结果；
调度模块，用于根据所述处理结果将所述可调度的工序级批次进行调度。
18.一种车间调度设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1～16中任一项所述的车间调度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811524758.XA CN111325420B (zh) | 2018-12-13 | 2018-12-13 | 一种车间调度方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811524758.XA CN111325420B (zh) | 2018-12-13 | 2018-12-13 | 一种车间调度方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325420A true CN111325420A (zh) | 2020-06-23 |
| CN111325420B CN111325420B (zh) | 2022-04-05 |
Family
ID=71172318
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811524758.XA Active CN111325420B (zh) | 2018-12-13 | 2018-12-13 | 一种车间调度方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325420B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101609334A (zh) * | 2009-07-13 | 2009-12-23 | 浙江工业大学 | 基于两级差分进化算法的作业车间多工艺路线批量动态再调度方法 |
| WO2014032743A1 (en) * | 2012-09-03 | 2014-03-06 | Abb Technology Ag | Systems and methods for optimized operation of an energy-intensive industrial batch production facility |
| JP2015088045A (ja) * | 2013-10-31 | 2015-05-07 | Ｎｅｃフィールディング株式会社 | スケジューリング装置、スケジューリングシステム、スケジューリング方法、及びプログラム |
| CN107329461A (zh) * | 2016-04-28 | 2017-11-07 | 中移（杭州）信息技术有限公司 | 一种流水线车间调度方法和装置 |
| CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
| CN108171372A (zh) * | 2017-12-25 | 2018-06-15 | 上海大学 | 一种存在准备时间的多品种生产分批调度方法 |
-
2018
- 2018-12-13 CN CN201811524758.XA patent/CN111325420B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101609334A (zh) * | 2009-07-13 | 2009-12-23 | 浙江工业大学 | 基于两级差分进化算法的作业车间多工艺路线批量动态再调度方法 |
| WO2014032743A1 (en) * | 2012-09-03 | 2014-03-06 | Abb Technology Ag | Systems and methods for optimized operation of an energy-intensive industrial batch production facility |
| JP2015088045A (ja) * | 2013-10-31 | 2015-05-07 | Ｎｅｃフィールディング株式会社 | スケジューリング装置、スケジューリングシステム、スケジューリング方法、及びプログラム |
| CN107329461A (zh) * | 2016-04-28 | 2017-11-07 | 中移（杭州）信息技术有限公司 | 一种流水线车间调度方法和装置 |
| CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
| CN108171372A (zh) * | 2017-12-25 | 2018-06-15 | 上海大学 | 一种存在准备时间的多品种生产分批调度方法 |
Non-Patent Citations (5)
| Title |
|---|
| 刘晶晶: ""一种病毒进化遗传算法在作业车间调度中应用研究"", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 潘全科等: "多工艺路线的批量生产调度优化", 《机械工程学报》 * |
| 王海瑶: "基于改进遗传算法的Job-shop调整时间指派问题研究", 《重庆科技学院学报(自然科学版)》 * |
| 苑丽红等: "基于遗传算法的柔性车间批量调度研究", 《长春理工大学学报》 * |
| 裴植等: "多阶段连续型柔性制药车间调度", 《浙江大学学报(工学版)》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325420B (zh) | 2022-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | A self-adaptive differential evolution algorithm for scheduling a single batch-processing machine with arbitrary job sizes and release times | |
| Ponnambalam et al. | A multi-objective genetic algorithm for solving assembly line balancing problem | |
| Liu et al. | Chance constrained programming with fuzzy parameters | |
| Jungwattanakit et al. | A comparison of scheduling algorithms for flexible flow shop problems with unrelated parallel machines, setup times, and dual criteria | |
| CN106875094A (zh) | 一种基于多色集合遗传算法的多目标车间调度方法 | |
| CN105929690B (zh) | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 | |
| CN111832101A (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
| CN114862090A (zh) | 基于改进多目标遗传算法的车间调度方法和系统 | |
| JP3577207B2 (ja) | 遺伝的アルゴリズム実行装置、実行方法およびそのプログラム記憶媒体 | |
| Weistroffer | Careful usage of pessimistic values is needed in multiple objectives optimization | |
| Asokan et al. | Machine-cell grouping in cellular manufacturing systems using non-traditional optimisation techniques-A comparative study | |
| CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
| CN116880424A (zh) | 一种基于多目标优化的多机器人调度方法以及装置 | |
| Kumar et al. | A genetic algorithm for a flow shop scheduling problem with breakdown interval, transportation time and weights of jobs | |
| CN111325420B (zh) | 一种车间调度方法、装置及设备 | |
| CN113112171B (zh) | 一种基于轮盘赌和遗传算法的批调度方法 | |
| JAVIDI et al. | Research in random parameters of genetic algorithm and its application on TSP and optimization problems | |
| Naderi et al. | Solving a new multi-objective unrelated parallel machines scheduling problem by hybrid teaching-learning based optimization | |
| CN115238995A (zh) | 一种复杂过程的智能调度优化方法 | |
| CN111105164B (zh) | 一种车间调度方法、装置及设备 | |
| Shen et al. | Scheduling multiple job problems with guided evolutionary simulated annealing approach | |
| CN114237166A (zh) | 基于改进spea2算法求解多转速节能调度问题的方法 | |
| CN116468137A (zh) | 一种分布式工艺规划与车间调度集成优化方法 | |
| Ahmed et al. | Application of an Efficient Genetic Algorithm for Solving n× 𝒎𝒎 Flow Shop Scheduling Problem Comparing it with Branch and Bound Algorithm and Tabu Search Algorithm | |
| Sofianopoulou | Formation of manufacturing cells in group technology using a genetic algorithm approach |
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 |