CN111382942A - 一种集成交货期配置的置换流水车间能效优化调度方法 - Google Patents
一种集成交货期配置的置换流水车间能效优化调度方法 Download PDFInfo
- Publication number
- CN111382942A CN111382942A CN202010158482.9A CN202010158482A CN111382942A CN 111382942 A CN111382942 A CN 111382942A CN 202010158482 A CN202010158482 A CN 202010158482A CN 111382942 A CN111382942 A CN 111382942A
- Authority
- CN
- China
- Prior art keywords
- solution
- max
- delivery date
- order
- time
- 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
- 238000012384 transportation and delivery Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 title claims abstract description 55
- 238000005265 energy consumption Methods 0.000 claims abstract description 68
- 238000004519 manufacturing process Methods 0.000 claims abstract description 48
- 230000035772 mutation Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 31
- 230000005611 electricity Effects 0.000 claims description 29
- 108090000623 proteins and genes Proteins 0.000 claims description 20
- 230000002068 genetic effect Effects 0.000 claims description 14
- 230000009191 jumping Effects 0.000 claims description 11
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000013439 planning Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 3
- 230000010485 coping Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Genetics & Genomics (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种集成交货期配置的置换流水车间能效优化调度方法,采集生产数据生成三种能效优化与交货期配置的框架;两种框架将工件和机器之间进行集成编码;第三种框架中拒绝订单的编码拼接于接收订单的编码之后;按照编码方式采用NEH启发式算法生成初始解,初始化禁忌表;对后产生的初始解进行禁忌搜索,更新局部最优解和禁忌表;对得到的最优解进行解码,获得调度方案;按照编码方式生成初始种群;对产生的种群计算目标适应度值并进行适应度值分配;对后产生种群进行选择、交叉和变异操作,更新局部最优解并进行解码,进行整合并获得调度方案。本发明在合理的时间内获得令企业和客户满意的调度方案,降低能源消耗、提高企业利润以及提高生产效率。
Description
技术领域
本发明属于置换流水车间调度技术领域,具体涉及一种集成交货期配置的置换流水车间能效优化调度方法。
背景技术
随着绿色制造业的全球化,制造行业的节能和环境保护具有显著的经济效益和社会效益。制造企业正面临着持续增加的能源成本以及企业自身节能减排的双重挑战,在以绿色生产为趋势的制造企业中,逐渐对更高的产品利润,更小的能耗和更短的交货时间投入更多关注,流水车间节能措施对于最大化的机器处理效率和最小化生产成本具有至关重要的作用。生产排期同样是调度和供应链管理中重要目标之一,为了满足制造车间自身利益和客户满意度之间找到平衡,在生产初期,制造工厂根据自身生产能力和节能水平,综合考虑后给定具有较高客户满意度的交货日期。合理的生产调度计划能够显著改善制造企业的能源效率和生产效率、增加企业净收益,提高客户订单交付满意度。
能源效率优化是企业实现可持续发展的关键因素之一,是非传统流水车间调度中最具意义的一种。考虑到企业经济效益的角度,流水车间生产以交货期为主要目标,在合适的交货期内优化能源消耗成本和生产总收益,既可以满足生产利润也可以提高客户服务质量。置换流水车间生产中的能效优化调度和交货期配置问题就是适应这类情况的一种对策。多数工业化国家中,通常使用分时电价(Time-Of-Use,TOU)政策是调节峰值功耗的常用方法,根据高峰时段,低谷时段和非高峰时段的不同费率计算电价。此外,有效配合机器的运行模式、关机和待机三种模式机器与分时电价政策可以更好的优化配置企业资源。大量研究证明,多数流水车间调度问题都属于非确定性性多项式(Non-deterministicPolynomial,NP-hard)难题。对于流水车间大规模问题与订单接收与拒绝问题,分支定界、动态规划等传统的精确算法很难在一个合理的时间内得出较好的调度方案,所以流水车间调度多以群体智能算法或者启发式算法求解最小化能源消耗成本和交货期配置问题。
现存的方法中,对于流水车间生产调度问题,常用遗传算法进行求解,以及解决的多以完工时间、提前/拖期惩罚为优化目标的流水车间生产调度问题。然而对于集成能效优化和交货期配置框架的置换流水车间调度问题,现有的优化方法通常是在给定的交货期下优化能效,或者在不考虑能效的情况下优化交货期,并未考虑同时优化交货期与能效,并未针对生产环节的企业总收益与销售环节的企业信用度二者之间的关系特性所作分析,具有较大的局限性。更重要的是,市场竞争日渐激烈,各制造企业规模大小不均匀,现有的调度方法并未对完整的绿色流水车间进行系统的分析,导致能源消耗加剧、能耗成本增加、生产效率下降、求得的调度方案很难满足制造商和客户的期望水准,违反制造商与客户之间交货期协议的机率增大,进而导致企业收益与信誉下降等问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种集成交货期配置的置换流水车间能效优化调度方法,降低能源消耗及其成本,提高企业总收益,提高客户满意度。
本发明采用以下技术方案:
一种集成交货期配置的置换流水车间能效优化调度方法,包括以下步骤:
S1、采集生产数据,根据用电低谷期、平峰期、高峰期的电价,在不同的交货日期间隔的约束下,建立关于能耗和使用时间电价的非线性整数规划模型;
S2、生成三种能效优化与交货期配置的框架;
S3、将步骤S2生成的前两种框架将工件和机器之间进行集成编码;
S4、将步骤S2生成的第三种框架中拒绝订单的编码拼接于接收订单的编码之后;
S5、按照步骤S3的编码方式采用NEH启发式算法生成初始解,初始化禁忌表;
S6、对步骤S5后产生的初始解进行禁忌搜索,更新局部最优解和禁忌表;
S7、判断禁忌搜索的迭代次数是否达到最大搜索代数TS_Iter,若满足则进入步骤S8,否则跳转至步骤S6进行下一次迭代;
S8、对步骤S7中得到的最优解进行解码,获得调度方案,计算最优解的完工时间用于配置最佳交货期;
S9、按照步骤S4的编码方式随机产生大小规模sn=50的初始种群,并采用1到n范围内的整数序列表示初始群体中的每一条染色体;
S10、对步骤S9产生的种群计算目标适应度值并进行适应度值分配;
S11、对步骤S10后产生种群进行选择、交叉和变异操作,更新局部最优解;
S12、判断遗传算法的迭代次数是否达到最大遗传代数GA_Iter,若满足则进入步骤S13,否则跳转至步骤S10进行下一次迭代;
S13、对步骤S12中得到的最优解进行解码,综合步骤S8,进行整合并获得调度方案。
具体的,步骤S1中,调度问题对应的数学规划模型为:
优化最大完工时间为:
min MCT
s.t.
sik=max(si(k-1),c(i-1)k)
ci(k-1)≤sik
c(i-1)k≤sik
cik=sik+pik
根据优化最大完工时间后所得的近似解最优解π*,对应的目标值为cmax,预留机器调整时间t0=μ·cmax,根据最大完工时间近优解的目标值确定,应付机器维护调整等不确定时间,cmax+t0与交货期区间的三种不同情况;
优化总能耗成本:
第一种情况cmax+t0<ddl的目标模型为:
min TEC
s.t.
cmax<Ci<ddu
第二种情况ddl<cmax+t0<ddu的目标模型为:
min TEC
s.t.
cmax<Ci<ddu
优化订单总收益为:
第三种情况中拒绝部分订单后最优解π′*所对应的目标值为cmax′,机器调整时间为t0′=μ·cmax′;第三种情况cmax+t0>ddu的目标模型为:
max TNR
s.t.
ddu′=ddu-ε
ddl<Ci<ddu′
其中,其中,i=1,2,...,n,k=1,2,...,K;MCT为最大完工时间,TEC为总能源消耗成本,TNR为总收益,t0为预留的机器调整时间,ei 为订单i的最早交货日,为订单i的交货日上限或截止日期,ECi为订单i的单位能耗,Ri为订单i的固定收入,Ci为订单i的完工时间,di为订单i的交货期,τ取整数,xi为二进制变量,yi,k为二进制变量,αi,k为二进制变量,βi,k,t为二进制变量,γi,k,t为二进制变量,I为工件集合,为工序集合,Pi为订单i的总处理时间,ci,k为订单i在工序k的完工时间,pi,k为订单i在第k道工序的加工时间,si,k为订单i在工序k的开始时间,为订单i在机器k的待机时间,为订单i在机器k的工作时间,pcom为工厂公共区域的用电时间,ωoff-peak、ωmid-peak、ωon-peak分别为用电低谷期、平峰期、高峰期的电价,为t时刻机器的开机能耗,为机器单位时间的待机能耗,为机器单位时间的工作能耗,Ecom为公共区域单位时间的功耗成本,EPt为时间t的分时电价函数。
具体的,步骤S2具体为:
S201、全部订单均在最早交货期之前完工cmax+t0<ddl,在[ddl,ddu]内配置交货期,对于给定的订单集I,以最小化能耗成本为目标进行优化,最优解x*所对应的完工时间记作M(x*),预留机器调整时间t0之后,根据完工时间M(x*)+t0与交货期区间[ddl,ddu]二者的分布关系配置最佳交货日期;若在最早交货期之前可以最小化能耗成本M(x*)+t0<ddl,则在客户允许的交货时间之前优化能耗成本,将ddl设置为最佳交货期dbest;若M(x*)+t0∈[ddl,ddu],则表明在客户允许的交货期窗口[ddl,ddu]内能够将电能消耗成本最小化,并将M(x*)+t0设置为最佳交货期dbest;若优化能耗成本的最优解的完工时间M(x*)+t0超过最后期限ddu,判断解的可行性再继续寻优;
S202、所有订单均在预设交货期区间内完工ddl<cmax+t0<ddu,工厂最早可以在cmax+t0发货,cmax+t0作为新交货期下限,在[cmax+t0,ddu]对交货期进行配置;若M(x*)+t0<cmax+t0,则最佳交货日dbest为cmax+t0;若M(x*)+t0∈[cmax+t0,ddu],则最佳交货期dbest为M(x*)+t0;若M(x*)+t0超过最后期限ddu,判断解的可行性再继续寻优;
S203、部分订单能够在最晚的交货期之前完工cmax+t0>ddu,当置换流水车间的生产能力不足时,ddu为截止日期,ddu′为最晚交货期,与截止日期保持一定时间间隔;遵循完工时间最小化的原则拒绝小部分订单,最优解的完工时间记作cmax′,预留机器调整时间后,cmax′+t0′可以返回到初始有效交货期区间[ddl,ddu]内;cmax′+t0′作为新的交货期下限,新的交货期区间将为[cmax′+t0′,ddu′],考虑到能源消耗成本,重新优化订单的接受与拒绝以及加工顺序使总利润最大化;若M(x*)+t0′<cmax′+t0′,则最佳交货期dbest为cmax′+t0′;由于M(x*)+t0′不允许超过最后期限ddu′,只能在交货期区间[cmax′+t0′,ddu′]中优化总利润,最佳交货期dbest是M(x*)+t0′。
具体的,步骤S3中,编码方式为:
π=(π1,1,π2.1,...,πi,1,π1,2,...,πi,k)
其中,πi={1,2,...,I},k={1,2,...,K},解π由I个索引的订单以及K个索引的机器组成,每台机器上的加工工序相同。
具体的,步骤S4中,编码方式为:
π=(πOAS,πREJ)
其中,πOAS,πREJ∈{1,2,...,I};最初πOAS为一个空集合,πREJ为一个空拒绝订单集,如果订单i在截止日期之前完成处理,则从I删除订单i并将其从πOAS的第一个可用位置开始添加;否则将订单i添加到πREJ;重复该过程,直到I变空。
然后将剩余订单依次插入到当前部分工序γ(i,k),k=1,2,...,K+1中,使得部分解决方案γ(i,k*)的总处理时间最小化,直至未安排的订单数为零为止,生成当前最好解γ*;
根据每个解所对应的最大完工时间对初始群体中的个体进行升序排序,选择首条个体作为初始解N*。
具体的,步骤S6具体为:
S601、在禁忌搜索时,禁忌表长度为TL_Length=Max{round{sqrt(n(n-1)/2)-5},1},每
次迭代首先在历史最好解的基础上产生(n+10)个邻居解,每条邻域解均以50%的概率采用两点交换操作或单点前插操作,即在一个序列中随机选择两个位置,然后交换这两个位置对应的订单,或者在一个序列中随机选择一个位置,将该位置对应的订单插入到第一个位置,其余订单依次向后;
S602、设X为已邻域搜索后的一条邻居解,订单总数为n,机器数为F,则邻居解长度为n*F个,解码步骤S601中邻居;
S603、基于步骤S601和S602,在每次迭代中,从邻居解中选出目标值最好的一条作为当代最优值,判断其是否优于历史最优目标值,若是,则将局部最优目标值及与之对应的解更新为当代最优目标值及与之对应的解,将当前解添加到禁忌表中;若否,局部最优解及与之对应的目标值保持不变;判断该解是否被禁忌,并对禁忌表进行相应操作。
进一步的,步骤S603具体为:
S6031、根据邻域搜索后得到的候选可行解集合,对该候选集合计算目标值并排序,从中选出目标值最好的一条作为当代最好值,判断其是否优于历史最优目标值,若是,继续进行步骤;若否,跳转进行步骤S6033;
S6032、xbest为当前最好解,将局部最优目标值及与之对应的解更新为当代最优目标值及与之对应的解,将当前解添加到禁忌表中;
S6033、xbest仍为当前最好解,局部最优解及与之对应的目标值保持不变;判断该当前最好解是否被禁忌,若是,选取除当前最好解以外的优解,并将其添加到禁忌表中,若否,将当前最优解更新到禁忌表,保存与当前最优解相对应的目标值,将局部最优解相对应的目标值作为藐视规则检验,对下一次迭代中邻域搜索后的结果进行解禁检查。
具体的,步骤S11具体为:
S1101、根据适应度值,计算种群中每条染色体的选择概率,采用随机遍历取样对染色体的父代进行选择,即设n为需要选择的个体数目,等距离的选择1/n个体从,第一个位置由[0,1/n点]的均匀随机数确定;
S1102、交叉概率满足条件为pc=0.9,用交叉洗牌法对步骤S1101后的种群进行交叉,即随机选择两个父代个体S1,S2;
S1103、变异概率满足条件为pm=0.02,使用两点交换和插入对步骤S1102后的种群进行变异操作;
S1104、计算新种群的适应度值并排序,更新局部最优值以及与之对应的解,进行解码,将局部最优解重新插入到种群中进行下一次迭代。
进一步的,步骤S1102中,第一阶段:生成交叉点位置pos,在交叉点位置pos之前截取一段后复制以生成新的个体S1',S2',比较两个新个体和父代,找到冗余基因和缺失基因;用缺失基因修补冗余基因,得到两个新个体S11和S22;第二阶段:在[1,n]内随机生成两个不同位置a、b,对两个新个体进行操作;如果a>b,则将位置b的基因插入位置a之前;如果a<b,则将位置b的基因插入位置a之后。
与现有技术相比,本发明至少具有以下有益效果:
本发明一种基于集成能效优化和交货期配置的集成交货期配置的置换流水车间能效优化调度方法,针对生产调度计划与订单交付计划中有多个的情况,综合考虑能源消耗成本、企业总收益与交货日期配置,采用将机器数与工件数集成编码,针对不同情况,采用群体优化算法与启发式算法的组合优化,在提高算法效率的同时,也提高了算法的解的质量。
进一步的,在绿色生产的综合调度问题中,必须仔细考虑交货期分配和调度决策,以确保公司可以减少能耗并在有限的生产能力下达到分配的交货期。步骤S1假设客户在经典调度问题中指定了交货期来替换特定的交货期。基于这种有限的空间限制和生产能力,制造商可以减少生产车间的能耗并确定适当的交货期。这是通过分析集成了三种截止日期分配约束和计划决策的模型来完成的。
进一步的,步骤S2前两个的目的是减少基于使用时间(TOU)费率的功耗成本,并指定适当的截止日期。后者是为了最大化利润并确定哪些订单被拒绝,以确保在其生产能力超过最后期限时及时交货。将分时电价函数与机器的三种不同运行状态相配合,充分利用不同时段电价不同的特性,尽量避开高峰期进行生产作业,有利的减少能源消耗成本。显然,在第三种模型中,以总收益最大为原则,对订单进行接受与拒绝,尽量减少拒绝的订单数,不仅有利于提高企业收益,而且可以有效的提高客户满意度。通过启发式算法和群体优化算法的组合来优化三种模型,并且通过实验结果验证,优化能源成本并确定更合适的交货期不仅可以增加收入,而且可以维持企业声誉,并为企业带来无限潜力。
进一步的,NEH构造启发式算法计算量小并且能获得较好的解,相比较元启发式算法,NEH算法所需要的机器时间和空间更少,更重要的是,禁忌搜索的算法性能依赖于初始解,因此通过NEH启发式算法产生初始解,不仅在较短时间能获得较好的初始解,而且有利于提高解决方案的质量。
进一步的,禁忌搜索优化最大完工时间和能源消耗成本的每一次迭代中能够跳出局部最优解,并通过相应的禁忌准则来避免迂回搜索,转向解空间的其他区域以保证多样化的有效探索,从而增强获得更好的全局最优解的概率。对比其他优化算法,例如遗传算法、迭代局部搜索等,作为生产能力初步的衡量,禁忌搜索可以在更短的时间内获得所有订单最大完工时间的近优解;作为优化能耗水平的衡量,禁忌搜索能够搜索到更优良的解。
进一步的,遗传算法以编码的方式工作,可以并行搜索多个邻域且具有良好的可操作性,因为其只使用目标函数和相应的适应度函数,通过一系列交叉变异操作,为算法赋予多样性和广泛性。在优化第三种情况;考虑到订单接受与拒绝与能源消耗成本的订单总收益时,遗传算法适合于求解此种复杂的优化问题,并且其优化结果不依赖于初始条件,通过方差分析优化遗传算法的几个控制参数后,对比禁忌搜索和迭代局部搜索等算法,前者不仅在较短时间内获得全局最优解并且具有较强的鲁棒性,能够获得稳定的订单总收益值与很好的解决方案。
综上所述,本发明适用性强,调度方案质量高,可以在合理的时间内获得令企业收益提高和客户满意度较高的调度方案,从而降低能源消耗成本、提高生产效率。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明建立优化模型框架图。
具体实施方式
本发明提供了一种集成交货期配置的置换流水车间能效优化调度方法,采集生产数据,建立数学规划模型;生成三种能效优化与交货期配置的框架;前两种框架将工件和机器之间进行集成编码;第三种框架中拒绝订单的编码拼接于接收订单的编码之后;按照编码方式采用NEH启发式算法生成初始解,初始化禁忌表;对后产生的初始解进行禁忌搜索,更新局部最优解和禁忌表;判断是否满足终止条件,若满足则进入下一步,否则重新进行下一次迭代;对得到的最优解进行解码,获得调度方案;按照编码方式生成初始种群;对产生的种群计算目标适应度值并进行适应度值分配;对后产生种群进行选择、交叉和变异操作,更新局部最优解;判断是否满足迭代终止的条件,若不满足,进行下一次迭代;对得到的最优解进行解码,进行整合并获得调度方案。本发明可以在合理的时间内获得令企业和客户满意的调度方案,从而降低能源消耗、提高企业利润以及提高生产效率。
请参阅图1,本发明一种集成交货期配置的置换流水车间能效优化调度方法,包括以下步骤:
S1、相关生产数据采集,建立相关数学模型;
相关生产数据采集:订单数、工序数、机器数、订单在各工序的加工时间、机器运行能耗、机器开机能耗、机器待机能耗、不同时段的电价、订单的固定收益、交货日期区间;以最小化置换流水车间的能源消耗成本、最大化置换流水车间的总利润以及必须在交货期区间之内交货作为目标约束条件。其中,所述的置换流水车间生产的订单规模由小到大,工序数分别为6,10,每道工序上分配一台机器,分时电价函数由分段函数,形式表示为:
其中,ωoff-peak、ωmid-peak、ωon-peak分别为用电低谷期、平峰期、高峰期的电价,在不同的交货日期间隔的约束下,建立关于能耗和使用时间电价的非线性整数规划模型。置换流水车间能效优化与交货期配置的流程如下:
S101、优化所有订单加工工序的最大完工时间,最优解作为衡量置换流水车间的生产能力;
S102、预设交货期区间[ddl,ddu],作为可移动的交货期空间,其中ddl为交货期下限,ddu为交货期上限,根据优化后的完工时间与交货期区间在时间轴上的分布情况可分为三种情况,优化后的完工时间包含所预留的机器调整时间t0;
S103、三种不同情况如下:
S1031、全部订单均可以在最早交货期之前完工cmax+t0<ddl。对于给定的订单集I,在[cmax,ddu]内优化能耗成本,在[ddl,ddu]内优化交货日期;
S1032、所有订单均可在预设交货期区间内完工ddl<cmax+t0<ddu,对于给定的订单集J,在[cmax,ddu]内优化能耗成本,cmax+t0作为新交货期下限,在[cmax+t0,ddu]优化交货期日期;
S1033、部分订单能够在最晚的交货期之前完工cmax+t0>ddu,当置换流水车间的生产能力不足时,ddu为截止日期,ddu′为最晚交货期,与截止日期保持一定时间间隔ε。遵循最大完工时间(makespan)最小的原则拒绝小部分订单,最优解的完工时间记作cmax′,在[cmax′,ddu′]内优化交货日期。
上述问题需满足以下条件:每台机器上每个订单的处理时间是已知的并且是恒定的;每个阶段在同一时刻只能处理一个订单;在生产过程中不会发生抢占式活动,即某订单只有在上一个订单完工后才可被加工;任何接受的订单只有在完成当前阶段的处理后才能在下一阶段开始处理,订单准备时间为0;工作台之间缓冲区无限大,不会发生拥塞现象;机器可以切换到运行,待机和关闭状态,并且三个状态的能耗是已知的;每台机器在调度开始时处于空闲状态,并且一次最多可以执行一个接受的订单;机器上订单的建立时间和释放时间忽略不计,订单在某工序完成后需立即从此工位上移除。
调度问题对应的数学规划模型为:
优化最大完工时间(Maximum Completion Time,MCT):
min MCT
s.t.
sik=max(si(k-1),c(i-1)k),i=1,2,...,n;k=1,2,...,K
ci(k-1)≤sik
c(i-1)k≤sik
cik=sik+pik,i=1,2,...,n;k=1,2,...,K
根据优化最大完工时间后所得的最优解π*,所对应的目标值为cmax,为了具备及时解决生产过程中可能出现的机器故障、调整或者维修情况的能力,预留一定的机器调整时间t0,其中机器调整时间与优化最大完工时间的近优解目标值cmax有关,因此以t0=μ·cmax表示,预留机器调整时间t0=μ·cmax后,与交货期区间的三种不同情况:
cmax+t0<ddl
ddl<cmax+t0<ddu
cmax+t0>ddu
其中,第三种情况中订单接受与拒绝后,得到新的最大完工时间近优解π′*,所对应的目标值为cmax′,则新的机器预留时间为t0′=μ·cmax′。
第一种情况cmax+t0<ddl的目标模型为min TEC
s.t.
cmax<Ci<ddu,i=1,2,...,n
第二种情况ddl<cmax+t0<ddu的目标模型为min TEC
s.t.
cmax<Ci<ddu,i=1,2,...,n
第三种情况cmax+t0>ddu的目标模型为max TNR
s.t.
ddu′=ddu-ε
ddl<Ci<ddu′,i=1,2,...,n
以下约束为决策变量域,均包含于上述模型中:
其中,MCT为最大完工时间,TEC为总能源消耗成本,TNR为总收益,t0为预留的机器调整时间(即解决机器故障或机器维修所需的时间),ddl为订单i的最早交货日,ddu为订单i的交货日上限或截止日期,ECi为订单i的单位能耗,Ri为订单i的固定收入,Ci为订单i的完工时间,di为订单i的交货期,ε为一个极小的数字,τ取整数,xi为二进制变量,若接受订单i,则为1,否则为0;yi,k为二进制变量,若订单i在工作台k上被处理,则为1,否则为0;αi,k为二进制变量,若订单i分配到工作台k上,则为0,否则为1;βi,k,t为二进制变量,若机器k在第t时刻开机,则为1,否则为0;γi,k,t为二进制变量,若机器k在第t时刻关机,则为0,否则为1;I为工件集合,κ为工序集合(机器集合),Pi为订单i的总处理时间,ci,k为订单i在工序k的完工时间,pi,k为订单i在第k道工序的加工时间,si,k为订单i在工序k的开始时间,为订单i在机器k的待机时间,为订单i在机器k的工作时间,pcom为工厂公共区域的用电时间,ωoff-peak、ωmid-peak、ωon-peak分别为用电低谷期、平峰期、高峰期的电价,为t时刻机器的开机能耗,为机器单位时间的待机能耗,为机器单位时间的工作能耗,Ecom为公共区域单位时间的功耗成本,EPt为时间t的分时电价函数。
S2、生成三种能效优化与交货期配置的框架;
S201、全部订单均可以在最早交货期之前完工cmax+t0<ddl,在[ddl,ddu]内配置交货期:
对于给定的订单集I,以最小化能耗成本为目标进行优化,最优解x*所对应的完工时间记作M(x*),预留机器调整时间t0之后,根据完工时间M(x*)+t0与交货期区间[ddl,ddu]二者的分布关系配置最佳交货日期:
若在最早交货期之前可以最小化能耗成本M(x*)+t0<ddl,则在客户允许的交货时间之前优化能耗成本,将ddl设置为最佳交货期dbest;若M(x*)+t0∈[ddl,ddu],则表明在客户允许的交货期窗口[ddl,ddu]内能够将电能消耗成本最小化,并将M(x*)+t0设置为最佳交货期dbest;
若优化能耗成本的最优解的完工时间M(x*)+t0超过最后期限ddu,则在算法每一次迭代中判断解的可行性,即每次迭代中产生的解的完工时间M(x*)+t0超过截止日期ddu,则抛掉该解,寻找到一个可行解后,继续寻优,直至寻找到在可允许的交货期区间内能耗成本优化的解及合适的交货期dbest;
S202、所有订单均可在预设交货期区间内完工ddl<cmax+t0<ddu,工厂最早可以在cmax+t0发货,cmax+t0作为新交货期下限,在[cmax+t0,ddu]对交货期进行配置;
若M(x*)+t0<cmax+t0,则最佳交货日dbest为cmax+t0;若M(x*)+t0∈[cmax+t0,ddu],则最佳交货期dbest为M(x*)+t0;
若M(x*)+t0超过最后期限ddu,则在每次迭代中验证解的可行性,直至寻找到在可允许的交货期区间内能耗成本优化的解和合适的交货期dbest;
S203、部分订单能够在最晚的交货期之前完工cmax+t0>ddu,当置换流水车间的生产能力不足时,ddu为截止日期,ddu′为最晚交货期,与截止日期保持一定时间间隔;遵循完工时间(makespan)最小化的原则拒绝小部分订单,最优解的完工时间记作cmax′,预留机器调整时间后,cmax′+t0′可以返回到初始有效交货期区间[ddl,ddu]内;cmax′+t0′作为新的交货期下限,新的交货期区间将为[cmax′+t0′,ddu′],考虑到能源消耗成本,重新优化订单的接受与拒绝以及加工顺序使总利润最大化:
若M(x*)+t0′<cmax′+t0′,则最佳交货期dbest为cmax′+t0′;由于M(x*)+t0′不允许超过最后期限ddu′,只能在交货期区间[cmax′+t0′,ddu′]中优化总利润,最佳交货期dbest是M(x*)+t0′。
S3、前两种框架将工件和机器之间进行集成编码;
π=(π1,1,π2.1,...,πi,1,π1,2,...,πi,k)
其中,πi={1,2,...,I},k={1,2,...,K},解π由I个索引的订单以及K个索引的机器组成,每台机器上的加工工序相同。
S4、第三种框架中拒绝订单的编码拼接于接收订单的编码之后;
π=(πOAS,πREJ)
πOAS,πREJ={1,2,...,I};最初πOAS为一个空集合,πREJ为一个空拒绝订单集,如果订单i在截止日期之前完成处理,则从I删除订单i并将其从πOAS的第一个可用位置开始添加;否则将订单i添加到πREJ;重复该过程,直到I变空。
S5、按照步骤S3的编码方式采用NEH启发式算法生成初始解,初始化禁忌表;
为了提高求解质量,通过NEH启发式算法产生一个较好的初始解,随机生成初始群体N=(γ(1),γ(2),...,γ(K)),群体中的每条个体I∈N均代表一个订单集,对每条个体进行操作:
然后将剩余订单依次插入到当前部分工序γ(i,k),k=1,2,...,K+1中,使得部分解决方案γ(i,k*)的总处理时间最小化,直至未安排的订单数为零为止,从而生成当前最好解γ*;
根据每个解所对应的最大完工时间对初始群体中的个体进行升序排序,选择首条个体作为初始解N*。
S6、对步骤S5后产生的初始解进行禁忌搜索,更新局部最优解和禁忌表;
S601、在禁忌搜索时,禁忌表长度为TL_Length=Max{round{sqrt(n(n-1)/2)-5},1},每次迭代首先在历史最好解的基础上产生(n+10)个邻居解,每条邻域解均以50%的概率采用两点交换操作或单点前插操作,即在一个序列中随机选择两个位置,然后交换这两个位置对应的订单,或者在一个序列中随机选择一个位置,将该位置对应的订单插入到第一个位置,其余订单依次向后;
S602、设X为已邻域搜索后的一条邻居解,订单总数为n,机器数为F,则邻居解长度为n*F个,解码步骤S601中邻居;
S603、基于步骤S601和S602,在每次迭代中,从邻居解中选出目标值最好的一条作为当代最优值,判断其是否优于历史最优目标值,若是,则将局部最优目标值及与之对应的解更新为当代最优目标值及与之对应的解,将当前解添加到禁忌表中;若否,局部最优解及与之对应的目标值保持不变。判断该解是否被禁忌,并对禁忌表进行相应操作,具体为:
S6031、根据邻域搜索后得到的候选可行解集合,对该候选集合计算目标值并排序,从中选出目标值最好的一条作为当代最好值,判断其是否优于历史最优目标值,若是,继续进行步骤;若否,跳转进行步骤S6033;
S6032、xbest为当前最好解,将局部最优目标值及与之对应的解更新为当代最优目标值及与之对应的解,将当前解添加到禁忌表中;
S6033、xbest仍为当前最好解,局部最优解及与之对应的目标值保持不变。判断该当前最好解是否被禁忌,若是,选取除当前最好解以外的优解,并将其添加到禁忌表中,若否,将当前最优解更新到禁忌表,保存与当前最优解相对应的目标值,将局部最优解相对应的目标值作为藐视规则检验,对下一次迭代中邻域搜索后的结果进行解禁检查。
S7、判断是否满足终止条件,若满足则进入步骤S8,否则跳转至步骤S6进行下一次迭代;
判断禁忌搜索的迭代次数是否达到最大搜索代数TS_Iter;若没达到,跳转到步骤S6进行下一次禁忌搜索;否则,转至步骤S8。
S8、对步骤S7中得到的近优解进行解码,获得调度方案;
步骤S5到步骤S7执行两次,第一次执行算法时目标为最小化最大完工时间,对算法结果进行解码,获得相应目标值和解决方案,该目标值作为衡量生产能力的标准,在前两种模型中,第二次执行算法时目标为最小化能源消耗成本,对算法结果进行解码,获得相应目标值和解决方案,计算最优解的完工时间用于配置最佳交货期。
S9、按照步骤S4的编码方式生成初始种群;
初始种群规模影响解决方案的效率和质量,随机产生大小规模sn=50的初始种群,并采用1到n范围内的整数序列表示初始群体中的每一条染色体。
S10、对步骤S9产生的种群计算目标适应度值并进行适应度值分配;
对每条染色体的基因进行解码处理后,由个体的表现型计算出对应个体的目标函数值。基于能源消耗成本的总利润遗传算法的适应度函数为:
f(x)=TNR
S11、对步骤S10后产生种群进行选择、交叉和变异操作,更新局部最优解;
S1101、根据适应度值,计算种群中每条染色体的选择概率,采用随机遍历取样对染色体的父代进行选择,即设n为需要选择的个体数目,等距离的选择1/n个体从,第一个位置由[0,1/n点]的均匀随机数确定;
S1102、交叉概率满足条件为pc=0.9,用交叉洗牌法对步骤S1101后的种群进行交叉,即随机选择两个父代个体S1,S2;
第一阶段:生成交叉点位置pos,在交叉点位置pos之前截取一段后复制以生成新的个体S1',S2',比较两个新个体和父代,找到冗余基因和缺失基因。用缺失基因修补冗余基因,得到两个新个体S11和S22。
第二阶段:在[1,n]内随机生成两个不同位置a、b,对两个新个体进行操作;
如果a>b,则将位置b的基因插入位置a之前;
如果a<b,则将位置b的基因插入位置a之后;
S1103、变异概率满足条件为pm=0.02,使用两点交换和插入对步骤S1102后的种群进行变异操作;
首先,随机选择两个父代个体S1,S2,随机生成交换位置a、b,交换两个位置上的基因,对操作后的个体再进行前向或后向插入,得到新种群。
S1104、计算新种群的适应度值并排序,更新局部最优值以及与之对应的解,进行解码,将局部最优解重新插入到种群中进行下一次迭代。
S12、判断是否满足迭代终止的条件,若满足则进入步骤S13,否则跳转至步骤S10进行下一次迭代;
判断遗传算法的迭代次数是否达到最大遗传代数GA_Iter;若没达到,跳转到步骤S10进行下一次局部搜索;否则,转至步骤S13。
S13、对步骤S12中得到的近优解进行解码,综合步骤S8,进行整合并获得调度方案。
对优化订单总收益后的近优解进行解码,并且综合步骤S8与步骤S13的调度方案,进行整合,得到三种不同分布情况下,可以确定最佳交货期,减低能源消耗成本并提高企业总收益。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
通过实验结果说明本发明的一种一种基于能效优化和交货期配置框架的置换流水车间生产的实际调度性能。表格5-10中,AvgZ、MinZ、MaxZ、Std分别为对每种规模组合的10个算例运行30次后的平均目标值、最小值、最大值、标准差,最小值/最大值以及平均值分别以粗体和斜体表示;REJ.(AvgZ)、REJ.(MaxZ)、CPU.time分别为平均目标值所对应的拒绝订单数、最大值所对应的拒绝订单数、计算机运行时间,
实验所用到的每种型号的订单在每道工序上的加工时间(pi,k)、机器运行能耗、机器开机能耗、机器待机能耗、不同时段的电价。数据来源于某一汽车加工厂,为了方便计算,并且可以适用于加工种类更广泛的置换流水车间,各种规模的订单加工时间在U[0.3,2.6]之内随机产生,根据国家能源局发布的数据,简化电价函数。以上数据分别列于表1、表2、表3。
表1各型号的工件加工时间表
表2各型号机器的三种运行模式能耗
表3各时段的电价
为了评价本发明所提出的算法的性能,对300个随机产生的问题进行了计算实验,这些问题的工件数为10、30、50、80或100,工序数为6、10。每个订单的固定收益Ri在[1000,20000]内随机产生。工厂为24小时工作制。所有订单均具有相同交货期,预设的交货期区间根据优化调度后的最优完工时间产生:
表4不同规模下的交货期区间取值
每个例子运行30次。CPU的计算时间随工件数的增加而增加,许多调度问题下的元启发式算法的停止准则被设置为一个与工件数有关的CPU时间。因此,在这项研究中,在测试同一例子时,所有提出的元启发式算法的停止条件为最大迭代次数Max_Iter=150。
表5优化最大完工时间实验数据(h)
表6优化最大完工时间实验算法时间(s)
表7优化能源消耗成本实验数据(rmb)
表8优化能源消耗成本实验算法时间(s)
表9优化订单总收益实验数据(rmb)
表10优化订单总收益实验算法时间(s)
表5~表10是将本发明与其他方法的实验结果进行比较,即与基于集成优化框架的迭代局部搜索算法(ILS-M,ILS-EC,ILS-OAS)、基于集成优化框架的禁忌搜索算法(TS-M,TS-EC,TS-OAS)和基于集成优化框架的遗传算法(GA-M,GA-EC,GA-OAS)三种算法对比。由于元启发式算法的性能通常对参数敏感,因此对参数进行优化至关重要。在本发明中,由于所应用的不同算法有多种参数,GA:pc、pm、sp;TS:TL_length,snb;ILS:LS_iter,其中pc为交叉概率,pm为变异概率,sp为遗传种群大小,TL_length为禁忌表长度,sn为在禁忌搜索时,每次迭代产生的邻居个数,LS_iter为局部搜索迭代次数。采用方差分析进行参数调整,本发明的算法的参数经过调整后确定如下:对于优化最大完工时间:TSNEH-M:TL_Length=max{round{sqrt(n(n-1)/2)-5},1},snb=n+10;ILS-M:LS_iter=n+10;对于优化能耗成本:TSNEH-EC:TL_Length=max{round{sqrt(n(n-1)/2)-5},1},snb=n+10;;对于优化总收益:GA-OAS:pc=0.9,pm=0.02,sp=50。
综上所述,本发明的方法在均值、最小值、最大值以及标准差的性能明显更优,能够更好的在置换流水式生产环境中降低能源消耗,优化加工能源效率,指派订单与调度,提高企业生产总利润,合理安排发货。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种集成交货期配置的置换流水车间能效优化调度方法,其特征在于,包括以下步骤:
S1、采集生产数据,根据用电低谷期、平峰期、高峰期的电价,在不同的交货日期间隔的约束下,建立关于能耗和使用时间电价的非线性整数规划模型;
S2、生成三种能效优化与交货期配置的框架;
S3、将步骤S2生成的前两种框架将工件和机器之间进行集成编码;
S4、将步骤S2生成的第三种框架中拒绝订单的编码拼接于接收订单的编码之后;
S5、按照步骤S3的编码方式采用NEH启发式算法生成初始解,初始化禁忌表;
S6、对步骤S5后产生的初始解进行禁忌搜索,更新局部最优解和禁忌表;
S7、判断禁忌搜索的迭代次数是否达到最大搜索代数TS_Iter,若满足则进入步骤S8,否则跳转至步骤S6进行下一次迭代;
S8、对步骤S7中得到的最优解进行解码,获得调度方案,计算最优解的完工时间用于配置最佳交货期;
S9、按照步骤S4的编码方式随机产生大小规模sn=50的初始种群,并采用1到n范围内的整数序列表示初始群体中的每一条染色体;
S10、对步骤S9产生的种群计算目标适应度值并进行适应度值分配;
S11、对步骤S10后产生种群进行选择、交叉和变异操作,更新局部最优解;
S12、判断遗传算法的迭代次数是否达到最大遗传代数GA_Iter,若满足则进入步骤S13,否则跳转至步骤S10进行下一次迭代;
S13、对步骤S12中得到的最优解进行解码,综合步骤S8,进行整合并获得调度方案。
2.根据权利要求1所述的集成交货期配置的置换流水车间能效优化调度方法,其特征在于,步骤S1中,调度问题对应的数学规划模型为:
优化最大完工时间为:
min MCT
s.t.
sik=max(si(k-1),c(i-1)k)
ci(k-1)≤sik
c(i-1)k≤sik
cik=sik+pik
根据优化最大完工时间后所得的近似解最优解π*,对应的目标值为cmax,预留机器调整时间t0=μ·cmax,根据最大完工时间近优解的目标值确定,应付机器维护调整等不确定时间,cmax+t0与交货期区间的三种不同情况;
优化总能耗成本:
第一种情况cmax+t0<ddl的目标模型为:
min TEC
s.t.
cmax<Ci<ddu
第二种情况ddl<cmax+t0<ddu的目标模型为:
min TEC
s.t.
cmax<Ci<ddu
优化订单总收益为:
第三种情况中拒绝部分订单后最优解π′*所对应的目标值为cmax′,机器调整时间为t0′=μ·cmax′;第三种情况cmax+t0>ddu的目标模型为:
max TNR
s.t.
ddu′=ddu-ε
ddl<Ci<ddu′
其中,其中,i=1,2,...,n,k=1,2,...,K;MCT为最大完工时间,TEC为总能源消耗成本,TNR为总收益,t0为预留的机器调整时间,为订单i的交货日上限或截止日期,ECi为订单i的单位能耗,Ri为订单i的固定收入,Ci为订单i的完工时间,di为订单i的交货期,τ取整数,xi为二进制变量,yi,k为二进制变量,αi,k为二进制变量,βi,k,t为二进制变量,γi,k,t为二进制变量,I为工件集合,κ为工序集合,Pi为订单i的总处理时间,ci,k为订单i在工序k的完工时间,pi,k为订单i在第k道工序的加工时间,si,k为订单i在工序k的开始时间,为订单i在机器k的待机时间,为订单i在机器k的工作时间,pcom为工厂公共区域的用电时间,ωoff-peak、ωmid-peak、ωon-peak分别为用电低谷期、平峰期、高峰期的电价,为t时刻机器的开机能耗,为机器单位时间的待机能耗,为机器单位时间的工作能耗,Ecom为公共区域单位时间的功耗成本,EPt为时间t的分时电价函数。
3.根据权利要求1所述的集成交货期配置的置换流水车间能效优化调度方法,其特征在于,步骤S2具体为:
S201、全部订单均在最早交货期之前完工cmax+t0<ddl,在[ddl,ddu]内配置交货期,对于给定的订单集I,以最小化能耗成本为目标进行优化,最优解x*所对应的完工时间记作M(x*),预留机器调整时间t0之后,根据完工时间M(x*)+t0与交货期区间[ddl,ddu]二者的分布关系配置最佳交货日期;若在最早交货期之前可以最小化能耗成本M(x*)+t0<ddl,则在客户允许的交货时间之前优化能耗成本,将ddl设置为最佳交货期dbest;若M(x*)+t0∈[ddl,ddu],则表明在客户允许的交货期窗口[ddl,ddu]内能够将电能消耗成本最小化,并将M(x*)+t0设置为最佳交货期dbest;若优化能耗成本的最优解的完工时间M(x*)+t0超过最后期限ddu,判断解的可行性再继续寻优;
S202、所有订单均在预设交货期区间内完工ddl<cmax+t0<ddu,工厂最早可以在cmax+t0发货,cmax+t0作为新交货期下限,在[cmax+t0,ddu]对交货期进行配置;若M(x*)+t0<cmax+t0,则最佳交货日dbest为cmax+t0;若M(x*)+t0∈[cmax+t0,ddu],则最佳交货期dbest为M(x*)+t0;若M(x*)+t0超过最后期限ddu,判断解的可行性再继续寻优;
S203、部分订单能够在最晚的交货期之前完工cmax+t0>ddu,当置换流水车间的生产能力不足时,ddu为截止日期,ddu′为最晚交货期,与截止日期保持一定时间间隔;遵循完工时间最小化的原则拒绝小部分订单,最优解的完工时间记作cmax′,预留机器调整时间后,cmax′+t0′可以返回到初始有效交货期区间[ddl,ddu]内;cmax′+t0′作为新的交货期下限,新的交货期区间将为[cmax′+t0′,ddu′],考虑到能源消耗成本,重新优化订单的接受与拒绝以及加工顺序使总利润最大化;若M(x*)+t0′<cmax′+t0′,则最佳交货期dbest为cmax′+t0′;由于M(x*)+t0′不允许超过最后期限ddu′,只能在交货期区间[cmax′+t0′,ddu′]中优化总利润,最佳交货期dbest是M(x*)+t0′。
4.根据权利要求1所述的集成交货期配置的置换流水车间能效优化调度方法,其特征在于,步骤S3中,编码方式为:
π=(π1,1,π2.1,...,πi,1,π1,2,...,πi,k)
其中,πi={1,2,...,I},k={1,2,...,K},解π由I个索引的订单以及K个索引的机器组成,每台机器上的加工工序相同。
5.根据权利要求1所述的集成交货期配置的置换流水车间能效优化调度方法,其特征在于,步骤S4中,编码方式为:
π=(πOAS,πREJ)
其中,πOAS,πREJ∈{1,2,...,I};最初πOAS为一个空集合,πREJ为一个空拒绝订单集,如果订单i在截止日期之前完成处理,则从I删除订单i并将其从πOAS的第一个可用位置开始添加;否则将订单i添加到πREJ;重复该过程,直到I变空。
7.根据权利要求1所述的集成交货期配置的置换流水车间能效优化调度方法,其特征在于,步骤S6具体为:
S601、在禁忌搜索时,禁忌表长度为TL_Length=Max{round{sqrt(n(n-1)/2)-5},1},每次迭代首先在历史最好解的基础上产生(n+10)个邻居解,每条邻域解均以50%的概率采用两点交换操作或单点前插操作,即在一个序列中随机选择两个位置,然后交换这两个位置对应的订单,或者在一个序列中随机选择一个位置,将该位置对应的订单插入到第一个位置,其余订单依次向后;
S602、设X为已邻域搜索后的一条邻居解,订单总数为n,机器数为F,则邻居解长度为n*F个,解码步骤S601中邻居;
S603、基于步骤S601和S602,在每次迭代中,从邻居解中选出目标值最好的一条作为当代最优值,判断其是否优于历史最优目标值,若是,则将局部最优目标值及与之对应的解更新为当代最优目标值及与之对应的解,将当前解添加到禁忌表中;若否,局部最优解及与之对应的目标值保持不变;判断该解是否被禁忌,并对禁忌表进行相应操作。
8.根据权利要求7所述的集成交货期配置的置换流水车间能效优化调度方法,其特征在于,步骤S603具体为:
S6031、根据邻域搜索后得到的候选可行解集合,对该候选集合计算目标值并排序,从中选出目标值最好的一条作为当代最好值,判断其是否优于历史最优目标值,若是,继续进行步骤;若否,跳转进行步骤S6033;
S6032、xbest为当前最好解,将局部最优目标值及与之对应的解更新为当代最优目标值及与之对应的解,将当前解添加到禁忌表中;
S6033、xbest仍为当前最好解,局部最优解及与之对应的目标值保持不变;判断该当前最好解是否被禁忌,若是,选取除当前最好解以外的优解,并将其添加到禁忌表中,若否,将当前最优解更新到禁忌表,保存与当前最优解相对应的目标值,将局部最优解相对应的目标值作为藐视规则检验,对下一次迭代中邻域搜索后的结果进行解禁检查。
9.根据权利要求1所述的集成交货期配置的置换流水车间能效优化调度方法,其特征在于,步骤S11具体为:
S1101、根据适应度值,计算种群中每条染色体的选择概率,采用随机遍历取样对染色体的父代进行选择,即设n为需要选择的个体数目,等距离的选择1/n个体从,第一个位置由[0,1/n点]的均匀随机数确定;
S1102、交叉概率满足条件为pc=0.9,用交叉洗牌法对步骤S1101后的种群进行交叉,即随机选择两个父代个体S1,S2;
S1103、变异概率满足条件为pm=0.02,使用两点交换和插入对步骤S1102后的种群进行变异操作;
S1104、计算新种群的适应度值并排序,更新局部最优值以及与之对应的解,进行解码,将局部最优解重新插入到种群中进行下一次迭代。
10.根据权利要求9所述的集成交货期配置的置换流水车间能效优化调度方法,其特征在于,步骤S1102中,第一阶段:生成交叉点位置pos,在交叉点位置pos之前截取一段后复制以生成新的个体S1',S2',比较两个新个体和父代,找到冗余基因和缺失基因;用缺失基因修补冗余基因,得到两个新个体S11和S22;第二阶段:在[1,n]内随机生成两个不同位置a、b,对两个新个体进行操作;如果a>b,则将位置b的基因插入位置a之前;如果a<b,则将位置b的基因插入位置a之后。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158482.9A CN111382942B (zh) | 2020-03-09 | 2020-03-09 | 一种集成交货期配置的置换流水车间能效优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158482.9A CN111382942B (zh) | 2020-03-09 | 2020-03-09 | 一种集成交货期配置的置换流水车间能效优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382942A true CN111382942A (zh) | 2020-07-07 |
CN111382942B CN111382942B (zh) | 2022-04-01 |
Family
ID=71215302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010158482.9A Active CN111382942B (zh) | 2020-03-09 | 2020-03-09 | 一种集成交货期配置的置换流水车间能效优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382942B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001618A (zh) * | 2020-08-18 | 2020-11-27 | 西安建筑科技大学 | 一种工期指派、订单接受与生产调度集成优化方法 |
CN112308408A (zh) * | 2020-10-30 | 2021-02-02 | 北京卫星环境工程研究所 | 一种多型号航天器并行总装协调生产调度方法 |
CN112561177A (zh) * | 2020-12-21 | 2021-03-26 | 厦门大学 | 一种产线均衡优化调度管理平台 |
CN113222396A (zh) * | 2021-05-08 | 2021-08-06 | 福州大学 | 一种自动配药系统中处方订单智能排序调度方法 |
CN113359630A (zh) * | 2021-06-04 | 2021-09-07 | 兰州理工大学 | 一种分布式零等待流水车间调度问题的集成优化系统 |
CN114529160A (zh) * | 2022-01-20 | 2022-05-24 | 广东精工智能系统有限公司 | 一种基于小家电行业装配流水线生产智能计算应用及方法 |
CN115330283A (zh) * | 2022-10-17 | 2022-11-11 | 中汽数据(天津)有限公司 | 基于车间和基于生产线的车辆生产序列优化方法 |
CN115545581A (zh) * | 2022-12-02 | 2022-12-30 | 天津大学 | 一种人机协同u型装配线平衡问题的解决方法和装置 |
CN117314127A (zh) * | 2023-11-29 | 2023-12-29 | 武汉爱科软件技术股份有限公司 | 一种混合遗传禁忌搜索算法的生产计划和排产方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2551467A1 (en) * | 2006-07-04 | 2008-01-04 | University Of New Brunswick | System and method for optimizing linehaul operations |
CN104571006A (zh) * | 2014-11-19 | 2015-04-29 | 广东工业大学 | 基于蚁群算法并考虑时差电价的铝型材车间能耗优化方法 |
CN106180619A (zh) * | 2016-08-12 | 2016-12-07 | 湖南千盟物联信息技术有限公司 | 一种连铸过程智能控制的系统方法 |
CN109190835A (zh) * | 2018-09-13 | 2019-01-11 | 西安建筑科技大学 | 一种基于时间窗限制的露天矿卡车调度路径优化方法 |
CN110276481A (zh) * | 2019-05-31 | 2019-09-24 | 清华大学 | 一种分布式混合流水线调度优化方法 |
CN110598941A (zh) * | 2019-09-18 | 2019-12-20 | 河海大学常州校区 | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 |
-
2020
- 2020-03-09 CN CN202010158482.9A patent/CN111382942B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2551467A1 (en) * | 2006-07-04 | 2008-01-04 | University Of New Brunswick | System and method for optimizing linehaul operations |
CN104571006A (zh) * | 2014-11-19 | 2015-04-29 | 广东工业大学 | 基于蚁群算法并考虑时差电价的铝型材车间能耗优化方法 |
CN106180619A (zh) * | 2016-08-12 | 2016-12-07 | 湖南千盟物联信息技术有限公司 | 一种连铸过程智能控制的系统方法 |
CN109190835A (zh) * | 2018-09-13 | 2019-01-11 | 西安建筑科技大学 | 一种基于时间窗限制的露天矿卡车调度路径优化方法 |
CN110276481A (zh) * | 2019-05-31 | 2019-09-24 | 清华大学 | 一种分布式混合流水线调度优化方法 |
CN110598941A (zh) * | 2019-09-18 | 2019-12-20 | 河海大学常州校区 | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 |
Non-Patent Citations (4)
Title |
---|
MINMEI HUANG: "Heuristic-Tabu-Genetic Algorithm Based Method for Flowshop Scheduling to Minimize Flowtime", 《2006 6TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
XIONG FULI等: "Two-stage assembly flow shop scheduling based on hybrid VNS-EM algorithm", 《NATURAL SCIENCE EDITION》 * |
王芳: "面向碳效优化的柔性流水车间调度研究", 《中国博士学位论文全文数据库(信息科技辑)》 * |
王雷等: "基于改进遗传算法的多目标柔性作业车间节能调度问题", 《南京理工大学学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001618A (zh) * | 2020-08-18 | 2020-11-27 | 西安建筑科技大学 | 一种工期指派、订单接受与生产调度集成优化方法 |
CN112001618B (zh) * | 2020-08-18 | 2023-09-05 | 西安建筑科技大学 | 一种工期指派、订单接受与生产调度集成优化方法 |
CN112308408A (zh) * | 2020-10-30 | 2021-02-02 | 北京卫星环境工程研究所 | 一种多型号航天器并行总装协调生产调度方法 |
CN112308408B (zh) * | 2020-10-30 | 2023-09-19 | 北京卫星环境工程研究所 | 一种多型号航天器并行总装协调生产调度方法 |
CN112561177A (zh) * | 2020-12-21 | 2021-03-26 | 厦门大学 | 一种产线均衡优化调度管理平台 |
CN113222396B (zh) * | 2021-05-08 | 2022-06-21 | 福州大学 | 一种自动配药系统中处方订单智能排序调度方法 |
CN113222396A (zh) * | 2021-05-08 | 2021-08-06 | 福州大学 | 一种自动配药系统中处方订单智能排序调度方法 |
CN113359630A (zh) * | 2021-06-04 | 2021-09-07 | 兰州理工大学 | 一种分布式零等待流水车间调度问题的集成优化系统 |
CN114529160A (zh) * | 2022-01-20 | 2022-05-24 | 广东精工智能系统有限公司 | 一种基于小家电行业装配流水线生产智能计算应用及方法 |
CN115330283A (zh) * | 2022-10-17 | 2022-11-11 | 中汽数据(天津)有限公司 | 基于车间和基于生产线的车辆生产序列优化方法 |
CN115330283B (zh) * | 2022-10-17 | 2023-03-24 | 中汽数据(天津)有限公司 | 基于车间和基于生产线的车辆生产序列优化方法 |
CN115545581A (zh) * | 2022-12-02 | 2022-12-30 | 天津大学 | 一种人机协同u型装配线平衡问题的解决方法和装置 |
CN117314127A (zh) * | 2023-11-29 | 2023-12-29 | 武汉爱科软件技术股份有限公司 | 一种混合遗传禁忌搜索算法的生产计划和排产方法 |
CN117314127B (zh) * | 2023-11-29 | 2024-03-12 | 武汉爱科软件技术股份有限公司 | 一种混合遗传禁忌搜索算法的生产计划和排产方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111382942B (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Liu et al. | Dynamic pricing for decentralized energy trading in micro-grids | |
Wang et al. | A genetic simulated annealing algorithm for parallel partial disassembly line balancing problem | |
Sharma et al. | Integrated TOU price‐based demand response and dynamic grid‐to‐vehicle charge scheduling of electric vehicle aggregator to support grid stability | |
CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
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 | |
Duan et al. | Energy-efficient scheduling for a flexible job shop with machine breakdowns considering machine idle time arrangement and machine speed level selection | |
Purage et al. | Cooperative bidding-based robust optimal energy management of multimicrogrids | |
Cui et al. | Integrating production scheduling, maintenance planning and energy controlling for the sustainable manufacturing systems under TOU tariff | |
Mehranfar et al. | A novel hybrid whale optimization algorithm to solve a production-distribution network problem considering carbon emissions | |
CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程系统及方法 | |
Martorell et al. | Use of multiple objective evolutionary algorithms in optimizing surveillance requirements | |
Meng et al. | A bilevel optimization approach to demand response management for the smart grid | |
CN114298426A (zh) | Aps动态生产计划排程系统 | |
CN111598719A (zh) | 一种现货电力市场新能源卖方交易方法及系统 | |
Jiang et al. | Energy-saving production scheduling in a single-machine manufacturing system by improved particle swarm optimization | |
CN111401616A (zh) | 一种供应链环境下预制混凝土构件的双层调度方法 | |
Vaziri et al. | An integrated production and procurement design for a multi-period multi-product manufacturing system with machine assignment and warehouse constraint | |
Wang et al. | Order acceptance and scheduling considering lot-spitting in seru production system | |
Meibom et al. | Advanced unit commitment strategies in the united states eastern interconnection | |
Ebrahimi et al. | Bi-objective build-to-order supply chain problem with customer utility | |
Abrishami et al. | An integrated lot-sizing model with supplier and carrier selection and quantity discounts considering multiple products | |
Sun et al. | Hybrid evolutionary algorithm for integrated supply chain network design with assembly line balancing | |
Zeidabadi et al. | MULTI-OBJECTIVE ROBUST PRODUCTION PLANNING CONSIDERING WORKFORCE EFFICIENCY WITH A METAHEURISTIC SOLUTION APPROACH. | |
Douaioui et al. | A multiobjective integrated procurement, production, and distribution problem of supply chain network under fuzziness |
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 |