CN111400868B - 带订单和机器人搬运的分布式车间调度优化方法及系统 - Google Patents
带订单和机器人搬运的分布式车间调度优化方法及系统 Download PDFInfo
- Publication number
- CN111400868B CN111400868B CN202010111813.3A CN202010111813A CN111400868B CN 111400868 B CN111400868 B CN 111400868B CN 202010111813 A CN202010111813 A CN 202010111813A CN 111400868 B CN111400868 B CN 111400868B
- Authority
- CN
- China
- Prior art keywords
- order
- factory
- robot
- orders
- job
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 230000006870 function Effects 0.000 title description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 97
- 238000002922 simulated annealing Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 44
- 238000009826 distribution Methods 0.000 claims description 33
- 238000003780 insertion Methods 0.000 claims description 25
- 230000037431 insertion Effects 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 14
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 12
- 238000011160 research Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012966 insertion method Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提出了带订单和机器人搬运的分布式车间调度优化方法及系统，采用一种改进的迭代贪婪(IIG)算法来解决带订单和机器人约束的分布式流水车间问题，针对带订单和机器人的调度特定问题的破坏和构建策略。在所提出的算法中，首先，在初始化提出了三种分配订单的方式，在算法中开发了四种类型的邻域结构。然后将模拟退火(SA)算法嵌入到所提出的迭代贪婪算法中，以增强搜索能力，在分布式流水车间中同时考虑订单分配和机器人约束最优调度，最小化最大完工时间，提高工厂吞吐量，降低人工成本。
Description
技术领域
本公开涉及人工智能相关技术领域，具体的说，是涉及带订单和机器人搬运的分布式车间调度优化方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。
近年来，智能制造给机械行业带来了新的创新。智能制造在实际生产中的代表是智能工厂。因为不同产品的制造工艺特征不同，产品的生产规划往往需要面向多个制造过程。很多文献研究了作业处理和分布式流处理，开发了许多有效的算法，许多人研究了分布式流水车间工厂的各种优化问题，但很少有文献考虑过在分布式流程调度中添加机器人来加载和卸载作业。在物流仓库、钢球工厂和汽车零部件等智能制造工厂中，使用机器人搬运工件。在机器之间运输工作，以降低成本和工人需求，大大提高工厂的生产能力。实际生产中的流动车间系统往往含有不确定性，智能工厂机器人的调度和路径规划需要进一步研究。发明人发现，现有的一些研究机器人最优调度问题，大多数单独研究机器人的调度，没有结合考虑分布式流水车间的调度问题。
现今社会，订单调度已成为绿色制造、管理研究等各个领域的研究热点，订单处理有助于降低成本和分配磨损的工作。但在分布式物流加工环境下，订单调度问题仍然存在，很少有文献同时考虑工厂的订单分配和调度问题。
关于分布式置换流调度问题DPFSP中具有订单和机器人约束的调度问题的研究很少，解决这一问题的算法的应用很少：(1)在智能研究中车间调度问题，大多考虑单个工厂的生产，涉及订单的分布式流水作业的调度没有有效的解决方法；(2)在实际生产中，关于机器人在分布式流水作业的智能调度问题研究中，很少有文献涉及分配顺序问题，同时也考虑机器之间的阻塞约束。在分布式置换流调度问题(DPFSP)中同时考虑客户订单和机器人运输的问题，会将DPFSP被转化为一个NP难问题。
发明内容
本公开为了解决上述问题，提出了带订单和机器人搬运的分布式车间调度优化方法及系统，在分布式流水车间中同时考虑订单分配和机器人约束最优调度，最小化最大完工时间，提高工厂吞吐量，降低人工成本。
为了实现上述目的，本公开采用如下技术方案：
一个或多个实施例提供了带订单和机器人搬运的分布式车间调度优化方法,包括如下步骤：
确定带订单和机器人约束的分布式流水车间的约束条件，以最小化最大完工时间为控制目标，根据约束条件建立问题模型；
采用改进的迭代贪婪算法，求解带约束和机器人约束的分布式流水车间优化的问题模型，并采用模拟退火算法在求解过程跳出局部最优解，获得最优解决方案。
一个或多个实施例提供了带订单和机器人搬运的分布式车间调度优化系统，包括：
模型建立模块：被配置为用于确定带订单和机器人约束的分布式流水车间的问题描述，以最小化最大完工时间为控制目标，根据问题描述建立问题模型；
求解模块：被配置为用于采用改进的迭代贪婪算法，求解带约束和机器人约束的分布式流水车间优化的问题模型，并采用模拟退火算法在求解过程跳出局部最优解，获得最优解决方案。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。
与现有技术相比，本公开的有益效果为：
本公开提出了一种改进的迭代贪婪(IIG)算法来解决带订单和机器人约束的分布式流水车间问题，针对带订单和机器人的调度特定问题的破坏和构建策略。在所提出的算法中，首先，在初始化提出了三种分配订单的方式，在算法中开发了四种类型的邻域结构。然后将模拟退火(SA)算法嵌入到所提出的迭代贪婪算法中，以增强搜索能力，在分布式流水车间中同时考虑订单分配和机器人约束最优调度，最小化最大完工时间，提高工厂吞吐量，降低人工成本。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。
图1是本公开实施例1的方法流程图；
图2是本公开实施例1的向工厂分配订单的示例；
图3是本公开实施例1的工厂中的机器人在流水作业中装载的示意图；
图4是本公开实施例1的工厂加工操作甘特图；
图5为本公开实施例1的工厂和订单的二维向量示意图；
图6a本公开实施例1的第一个插入邻域结构；
图6b本公开实施例1的第二个插入邻域结构；
图6c本公开实施例1的第一个交换邻域结构；
图6d本公开实施例1的第二个交换邻域结构；
图7本公开实施例1的仿真实验IIG算法和II G-NL两种算法的比较均值和95％LSD间隔(p值＝0.0437)；
图8本公开实施例1的仿真实验IIG算法优于IABC算法两种算法的均值和95％LS D间隔(p值＝0.0162)。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式中公开的技术方案中，如图1所示，带订单和机器人搬运的分布式车间调度优化方法，包括如下步骤：
步骤1、确定带订单和机器人约束的分布式流水车间的问题描述，以最小化最大完工时间为控制目标，根据问题描述建立问题模型；
步骤2、采用改进的迭代贪婪算法(IIG)，求解带约束和机器人约束的分布式流水车间优化的问题模型，并采用模拟退火(SA)算法在求解过程跳出局部最优解，获得最优解决方案。
下面上述步骤进行详细的说明：
1、带订单和机器人约束的分布式流水车间问题描述。
具有订单约束的分布式排列流调度问题(DPFSP)涉及到在订单中调度每个作业，每个订单的作业在同一工厂中处理，并且最大值。所有工厂的最大完成时间被最小化。所考虑的生产线包括F＝{1,2,...f}个工厂、M＝{1,2,...m}个机器、O＝{1,2,...o}个订单和J＝{1,2,...n}个工件。所有工厂都有相同的加工设备，即每个工厂的机械设备是相同的。每个工厂都有相同的机器人装载操作来完成从一台机器到另一台机器的运送任务。
为了便于描述问题，可以做以下设定作为约束条件：
1)所有作业从指定工厂中的第一台机器到最后一台机器按照相同的顺序进行处理。
2)所有作业的处理时间都是非负的、已知的、确定性的和不间断的。
3)每个订单包含不同的任务，同一订单的任务在同一工厂中处理。
4)每台机器一次最多只能处理一个作业。
5)订单的作业分配到工厂后，只有在上一台机器上完成处理后，才能将每项作业转移到下一台机器。
6)需要考虑每个订单中每个作业的装卸时间，这与作业的处理时间有关。
7)某些作业可能是恶化的作业，因此它们可能会导致某些机器的恶化时间。
8)每个工厂只有一个机器人。
9)如果机器人不可用，作业应在完成的机器上等待。
1.1、带订单和机器人约束的分布式流水车间问题建模：根据问题描述建立问题模型，问题模型包括问题描述中涉及的各个参数和各个参数的之间的约束。
定义问题描述中涉及的各个参数的符号，参数和符号，如表1所示，表示如下：
表1
建立问题模型的约束条件包括：在工厂内搜索并确定工件位置的约束，确定工件在订单中的位置并且确定在工厂的位置的约束，工厂的Mm机器具有处理能力的约束，确保同一个订单的所有工作分配给同一工厂的约束，所有订单的最大完成时间约束，按顺序确定工作位置的约束，保证机器人一次只传送一个作业的约束，定义完成在机器上k位置的工作的约束，保证M2上第j个作业的开始时间大于或等于M1上第j个作业的完成时间的约束，或/和在处理一项工作后判断机器人是否空闲的约束。具体的，各个参数的之间的约束如表2所示：
表2
目标函数(1)是使每个工厂的制造量最小。约束(2)和(3)为在工厂内搜索并确定工件位置。约束(4)为确定工件在订单中的位置并且确定在工厂的位置的约束。约束(5)表示工厂的Mm机器具有处理能力。约束(6)确保同一个订单的所有工作分配给同一工厂，而同一订单的作业不能单独分配给其他工厂。通过约束(7)比较所有订单的最大完成时间。约束条件(8)和(9)按顺序确定工作位置。约束(10)用于保证机器人一次只传送一个作业。约束(11)定义了完成在机器上k位置的工作。约束(12)保证M2上第j个作业的开始时间大于或等于M1上第j个作业的完成时间。约束(13)在处理一项工作后，判断机器人是否空闲。评价的标准是最小化最大完成时间。
2采用改进的迭代贪婪算法，求解带约束和机器人约束的分布式流水车间优化问题，并在求解过程采用模拟退火(SA)算法跳出局部最优解，获得最优解，具体如下：
迭代贪婪算法IG是一种简单的随机元素启发式算法，它从初始解开始，然后改进当前解，通过三个主要阶段的迭代解决方案：破坏、建造和接受。主要步骤如下：在第一阶段，一些元素被随机地从当前解中移除，获得部分解。在第二阶段，将删除的元素重新插入重构阶段，形成新的完整解决方案。在第三阶段，获取候选解决方案后，按照标准决定新解决方案是否取代当前解决方案。
为了进一步提高迭代贪婪算法算法的性能，本实施例设置了四个邻域结构来增强搜索能力，并采用模拟退火SA算法跳出局部最优解并重复上述过程，直到满足停止条件。最后，将当前解决方案更新为更好的新的解决方案。具体步骤如下：
步骤21、初始化：设定订单分配方法，将订单的分配至各个工厂中，生成订单分配的初始解决方案；设定在删除阶段的删除订单作业比例，设定采用模拟退火SA算法确定接收标准的设定温度；
步骤22、删除阶段：按照订单分配的当前解决方案，考虑等待机器人的时间计算每个工厂的最大完工时间，按照设定的订单删除比例，删除最大完成时间的最大的工厂的订单，获得已删除作业的序列Dr；
步骤23、重构阶段：按照设定的领域结构，将序列Dr的每个订单重新插入之各个工厂，确定每个订单的最佳插入位置，生成新的订单分配方案；
步骤24、接受判断阶段：采用模拟退火算法，计算新的订单分配方案是否达到了设定的温度，如果是，新的订单分配方案为最终分配方案，否则执行步骤22。
下面对每一个步骤进行详细说明。
2.1初始化：设定订单分配方法，将订单的分配至各个工厂中，生成订单分配的初始解决方案；设定在删除阶段的删除订单作业比例，本实施例设定为工厂内订单数目的一半；以及采用模拟退火SA算法确定接收标准的设定温度。
由于问题的性质，可以在初始化中设置多种订单分配顺序，本实施例设置了三种分配顺序的方法，敖阔随机分配，按照订单数量均匀分配给各工厂，以及按照作业的处理时间大小均匀的分配给各工厂，如图2所示为向工厂分配订单的示例，其中M1和M2代表机器，J代表订单的工件。具体如下：
(1)随机分配顺序，在初始化过程中随机选择顺序，读取作业，然后随机选择工厂，并将此订单的作业直接插入工厂。
(2)均匀地分配订单，首先读取O1订单的所有作业，然后分配它们F1工厂，然后读取O2订单的所有作业，将它们分配给工厂F2，并依次分发，以便分配给每个工厂的订单数尽可能相等。
(3)根据每个订单的处理时间，通过计算每个订单中作业的处理时间，先按订单处理时间从最大到最小排列，按照处理时间从最大到最小依次分配订单。
2.2、问题编码：可以采用二维向量初始解决方案进行编码，包括对工厂和订单编码，每个订单包括多个作业，二维向量的第一维用于表示每个工厂，第二维表示需要处理的每个作业，如图5所示为工厂和订单的二维向量示意图，其中F1和F2为工厂，O代表订单，J代表订单中的工件；以及采用二维向量对作业和作业的完成时间编码，第一维用于表示作业，第二维表示每个作业的处理时间、加载时间和卸载时间。具体包括如下步骤：
步骤1：随机选择一种分配订单给工厂的方法，获得订单分配至工厂的初始解决方案；
步骤2：采用二维向量来编码初始解决方案，即编码工厂和订单、作业和时间。为了解决工作数量远远大于工厂数量的问题，先将订单随机分配给工厂。
步骤3：编码工厂和订单的二维向量的第一维用于表示每个工厂，第二维表示需要处理的每个作业。
步骤4：编码作业和时间的二维向量：第一维用于表示作业存储作业编号，第二维表示每个作业的处理时间、加载时间和卸载时间。
2.3、问题解码：
问题解码用于根据解决方案中的订单作业排序获得的工件的加工序列，判断机器人是否是空闲或者忙碌状态，从而获得每个作业工件的装载时间和卸载时间，从第一个工件开始计时，至最后一个工件的完工时间，从而确定各个工厂的完工时间，即为每个工厂的最大完工时间的方法。
可以实现的，所述装载时间包括等待机器人处理完上一工件运载的等待时间与装载操作的时间之和，所述卸载时间包括等待机器人处理完上一工件运载的等待时间和卸载操作的时间之和。
在编码部分在分配订单之后已经获得了工件的加工序列，通过订单和工厂的二维向量获得每个工件的处理时间。使用二维向量进行解码，并根据作业编号确定包含时间的二维向量中每个作业的对应位置。关于机器人调度的约束条件是：只有一个机器人可以运输每个作业，并且一个机器人有一段时间可用。所以在解码时需要判断在一个工件加工完成之后机器人是否处于空闲或者状态，如果机器人空闲，则需要获得搬运这个工件的装卸时间；如果机器人处于忙碌状态(正在搬运其他工件)，那么加工完成的工件需要等待机器人搬运。如图4所示，完工时间为最后一个机器最后一个工件的完工时间。Rt代表机器人的动作时间。
如果在迭代贪婪算法的破坏阶段删除了工厂中的所有作业，则工厂不存在。当作业被加工时，必须评估机器人是否正在工作及工作时长，例如机器人正在运输以及机器人加载至卸载前一个作业的处理时长。如果作业加工时间小于机器人的工作处理时长，则作业需要继续在机器上等待，因此考虑了等待时间和恶化时间，因此作业的处理时间段是机器人可用的时间段。
作业和时间的二维向量中的每个作业编号对应于时间矩阵中作业的处理时间、加载时间和卸载时间。作业可以在不同的机器上同时处理。因此，需要一种策略来解决两个作业同时完成并且必须由机器人运输的问题。
如图3所示，为机器人在流水作业中装载的示意图，作业处理完毕后，需要判断机器人是否处于空闲状态，以获得机器人的整个路径。因此，在每台机器的处理时间包括卸载时间、另一个作业在前一个处理作业后的加载时间。如果作业被处理完毕，机器人将移动到当前机器来加载和卸载作业。机器人在加载时不能卸载。
恶化时间是加工时间乘以一个系数α，所以一些作业不仅有装卸时间、等待时间，而且还有恶化时间。
Cmax|Ti,j＝αCmax+(1-α)∑Pi,j (15)
2.4、邻域结构：本实施例采用了两种插入邻域结构和两种交换邻域结构，并在邻域结构中使用两种插入算子和两种交换算子。
考虑到问题结构和探索发展能力之间的平衡，在设置的四种邻域结构中随机选择其中一种来进行作业调度。如图6a-图6d所示，四个邻域结构包括如下：
(1)第一个插入邻域结构：随机选择一个工厂，从工作列表中随机选择两个位置A和B，并将B位置的工作插入到A位置。
(2)第二个插入邻域结构：从工厂随机选择一个订单，并将订单中的所有作业插入到其他工厂。插入方法如下：(a)寻找一种根据顺序中作业的处理时间良好的插入位置；(b)随机插入；(c)将此顺序的作业插入到最后一个位置。
(3)第一个交换邻域结构：在随机选择的工厂中，从作业列表中随机选择两个作业，如J1和J2，并将这两个作业交换。
(4)第二个交换邻域结构：从两个不同工厂的作业列表中随机选择两个订单，如O1和O2，并交换两个订单中的两个元素。
从提出的四个邻域结构来看，这些结构的时间复杂度都是O(1)。因此，建议的邻域结构是简单有效的。
上述2.1-2.4是对迭代贪婪算法的数据准备步骤，包括初始化、问题编码、问题解码和设置邻域结构，实现了算法开始前的数据和问题的预处理，能够有效提高采用迭代贪婪算法的迭代求解效率。
2.5、迭代求解：
迭代贪婪算法主要是包括删除、重构和接受三个阶段。
在删除阶段，每个工厂的完成时间是通过将每个工厂的工作所花费的时间相加来计算的，其中每个工作在每台机器上都有一个处理时间，所有的工作都被分配到每个工厂。重构阶段是通过应用基本的插入启发式方法完成的。在所提出的迭代贪婪算法(简称为IIG)算法中，核心阶段是删除阶段和重建阶段，这两个阶段需要通过在每次迭代中在解决方案空间中寻找新的区域来优化当前的解决方案，最终通过设置的验收标准确定最优解决方案。
删除阶段：根据初始解决方案计算每个工厂的最大完工时间，按照设定的订单删除比例，删除最大完成时间的最大的工厂的订单，获得已删除作业的序列Dr；
将每个工厂的作业时间相加，计算出每个工厂的完成时间，其中每个作业在每台机器上都有一个加工时间，所有的作业都分配到每个工厂。优先从最大Cmax工厂中删除订单。可选的，本实施例中，随机删除所选工厂订单数一半的订单。也可以删除工厂的所有订单，然后删除相当于该工厂。
获得已删除作业的序列Dr。获得保留在前一次迭代中获得一些部分调度序列。
重构阶段：按照设定的领域结构，将序列Dr的每个订单依次重新插入之各个工厂，按照插入后的最大完工时间最短确定每个订单的最佳插入位置，生成新的订单分配方案；
可选的，具体方法为：按照一个订单分配给一个工厂，将序列Dr中的一个订单的作业插入至所有工厂中，计算每次插入操作后的所有工厂的最大完成时间，确定最小的最大完成时间的插入位置为该订单的最佳位置，将该订单插入至最佳位置；进行下一订单的操作，直到处理完所有的订单，将所有的订单插入至其对应的最佳位置，生成新的订单分配方案。
2.6、接受判断阶段：采用模拟退火算法SA，计算新的订单分配方案是否达到了设定的温度，如果是，新的订单分配方案为最终分配方案，否则继续迭代计算。
需要一个接受准则来避免局部最优解，因此在搜索过程中引入了随机因素。以一定的概率接受比当前解更差的解，因此有可能逃脱局部最优解而达到全局最优解。公式(17)是计算温度的方法，其中T是可调参数。
通过
设置初始温度和冷却速率，其中Cmax(π)是作业序列π的Cmax，Cmax(π')是序列π'的Cmax。SA从一个相对较高的温度开始，在不断降低温度参数之前，在解空间中也考虑了概率跳变特性来寻找新解。目标函数的优化为了避免局部优化，可以根据逃逸概率的特点进行全局优化，当获得新的订单分配方案，温度的计算公式如下：
其中，T为初始设定值，n为工件数量，m为机器数量，Pij订单i第j个工件的处理时间。
3为说明本实施例的方法的效果，进行了仿真实验，现说明如下：
3.1仿真实验的参数
在该算法中，有两个主要参数：(1)删除的订单数，它决定了删除阶段删除的作业数；(2)温度T，即温度T。在验收标准中设定。
在所提出的迭代贪婪算法II G算法中，以SA启发式作为接受准则，增强了算法，使用了一个非常简单的恒温验收值，避免了所得到的解是局部最优解，如(16)所示，T是要标定的参数。
为了验证算法的有效性和效率，在30次独立运行后，对收集到的最优解进行比较。为了测试拟议IIG的性能在求解具有订单约束的分布式流水车间调度问题时，根据实际生产数据随机生成20个实例，并且每个实例包含不同的数目订单和不同的工作。从“inst1”到“inst20”代表20个实验实例。
问题的规模如下：(1)所有20个实例的工厂数量设置为2，机器数量设置为3，每个实例的订单和作业数量是不同的，在[3，10]的范围内随机生成。(2)所有订单都有一组数据，每个订单都包含作业号。每个作业的处理时间是在[30，50]的范围内随机生成的。(3)每个实例还包括在[0.5，2]范围内随机生成的机器人的装卸时间。
3.2局部搜索的有效性
在该算法中，有四种邻域搜索策略来增强搜索能力。为了研究局部搜索的有效性，比较只采用改进的迭代贪婪算法(简称为IIG算法)和改进的迭代贪婪算法IIG算法结合模拟退火算法SA(简称为IIG-NL算法)。两种比较算法设置相同的参数和相同的实例。在运行30个实例之后，收集并比较每个实例的平均结果。
最后，对IIG算法和IIG-NL两种算法的数据进行比较，计算两种算法得到的百分比偏差来制作图像。如图7所示，公式(17)给出了计算公式：
式中，fc是当前算法的解，fb是两个算法的最优解。
最终通过实验运行后得到的结果可以总结如下：(1)在给定的20个实例中，IIG算法得到13个最优解，而IIG-NL算法只得到7个最优解。(2)用IIG算法得到的平均偏差百分比小于用IIG-NL算法得到的偏差百分比。(3)因此，所提出的IIG算法的性能优于IIG算法IIG-NL算法。
3.2算法的比较结果
为了验证IIG算法在解决本研究中考虑的问题方面的有效性，将其性能与IABC算法进行了比较。这两种算法使用相同的编码和解码策略，相同的初始化函数，相同的参数和相同的接受标准。基于数据的实验图像比较表明，该算法具有明显的优越性与改进的ABC(IABC)算法相比，具有优势。
通过扩展实例测试了两种算法的可靠性。计算并比较了各算法相对于相应最优解和t的偏差百分比，通过计算公式(17)计算。主要结果如下：(1)用改进的人工蜂群算法(IABC)只计算三个最优解，其他最优解用IIG计算，与IABC算法相比，IIG算法在获得最佳适应度值方面比IABC算法取得了更好的效果。(2)IIG算法的平均偏差比IABC算法小。因此，结果表明，该算法在解决本研究中的问题方面优于IABC算法。
为了检验算法之间是否存在显著性差异，进行了方差分析，结果如图8所示，IIG算法优于IABC算法。
采用本实施例的IIG算法相比现有的算法优点为：(1)采用三种不同的分配策略和四种邻域搜索策略，进一步提高了进化能力。(2)结合SA算法可以跳出局部最优解，平衡探索和发展的能力。IIG算法不仅保持了检测能力，而且还维持了搜索能力。
实施例2
本实施例提供带订单和机器人搬运的分布式车间调度优化系统，包括：
模型建立模块：被配置为用于确定带订单和机器人约束的分布式流水车间的问题描述，以最小化最大完工时间为控制目标，根据问题描述建立问题模型；
求解模块：被配置为用于采用改进的迭代贪婪算法，求解带约束和机器人约束的分布式流水车间优化的问题模型，并采用模拟退火算法在求解过程跳出局部最优解，获得最优解决方案。
实施例3
本实施例提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1的方法所述的步骤。
实施例4
本实施例提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1的方法所述的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (7)
1.带订单和机器人搬运的分布式车间调度优化方法,其特征是,包括如下步骤：
确定带订单和机器人约束的分布式流水车间的约束条件，以最小化最大完工时间为控制目标，根据约束条件建立问题模型；
采用改进的迭代贪婪算法，求解带订单约束和机器人约束的分布式流水车间优化的问题模型，并采用模拟退火算法在求解过程跳出局部最优解，获得最优解决方案；
建立问题模型的约束条件包括：在工厂内搜索并确定工件位置的约束，确定工件在订单中的位置并且确定在工厂的位置的约束，工厂的机器具有处理能力的约束，确保同一个订单的所有工作分配给同一工厂的约束，所有订单的最大完成时间约束，按顺序确定工作位置的约束，保证机器人一次只传送一个作业的约束，定义完成在机器上k位置的工作的约束，保证一个机器上第j个作业的开始时间大于或等于另一机器上第j个作业的完成时间的约束，或/和在处理一项工作后判断机器人是否空闲的约束；
采用改进的迭代贪婪算法，求解带订单约束和机器人约束的分布式流水车间优化的问题模型，并采用模拟退火算法在求解过程跳出局部最优解，获得最优解决方案，包括如下步骤：
步骤21、初始化：设定订单分配方法，将订单分配至各个工厂中，生成订单分配的初始解决方案；设定在删除阶段的删除订单作业比例，设定采用模拟退火SA算法确定接收标准的设定温度；
步骤22、删除阶段：按照订单分配的当前解决方案，考虑等待机器人的时间计算每个工厂的最大完工时间，按照设定的订单删除比例，删除最大完成时间的最大的工厂的订单，获得已删除作业的序列Dr；
步骤23、重构阶段：按照设定的邻域结构，将序列Dr的每个订单依次重新插入之各个工厂，按照插入后的最大完工时间最短确定每个订单的最佳插入位置，生成新的订单分配方案；
步骤24、接受判断阶段：采用模拟退火算法，计算新的订单分配方案是否达到了设定的温度，如果是，新的订单分配方案为最终分配方案，否则执行步骤22；
设定的邻域结构包括四个邻域结构，随机选择邻域结构将已删除作业的序列Dr中的作业插入至工厂中，所述邻域结构包括：
(1)第一种插入邻域结构：随机选择一个工厂，从工作列表中随机选择两个位置A和B，并将B位置的工作插入到A位置；
(2)第二种插入邻域结构：寻找一种根据顺序中作业的处理时间良好的插入位置、随机插入或将作业插入到最后一个位置；
(3)第一交换邻域结构：在随机选择的工厂中，从作业列表中随机选择两个作业，并将这两个作业交换；
(4)第二交换邻域结构：从两个不同工厂的作业列表中随机选择两个订单，并交换两个订单中的两个元素。
2.如权利要求1所述的带订单和机器人搬运的分布式车间调度优化方法，其特征是：步骤21中，所述订单分配方法包括多个，从设定的订单分配方法随机选择一种分配订单的方法将订单的分配至各个工厂中，其中所述订单分配方法包括：随机分配，按照订单数量均匀分配给各工厂，以及按照作业的处理时间大小均匀的分配给各工厂。
3.如权利要求1所述的带订单和机器人搬运的分布式车间调度优化方法，其特征是：所述重构阶段的方法，具体为：
按照一个订单分配给一个工厂，将序列Dr中的一个订单的作业插入至所有工厂中，计算每次插入操作后的所有工厂的最大完成时间，确定最小的最大完成时间的插入位置为该订单的最佳位置，将该订单插入至最佳位置；进行下一订单的操作，直到处理完所有的订单，将所有的订单插入至其对应的最佳位置，生成新的订单分配方案。
4.如权利要求1所述的带订单和机器人搬运的分布式车间调度优化方法，其特征是：计算每个工厂的最大完工时间的方法具体为：根据解决方案中的订单作业排序获得的工件的加工序列，判断机器人是否是空闲或者忙碌状态，从而获得每个作业工件的装载时间和卸载时间，从第一个工件开始计时，至最后一个工件的完工时间即为各个工厂的最大完工时间。
5.带订单和机器人搬运的分布式车间调度优化系统，其特征是，包括：
模型建立模块：被配置为用于确定带订单和机器人约束的分布式流水车间的问题描述，以最小化最大完工时间为控制目标，根据问题描述建立问题模型；
求解模块：被配置为用于采用改进的迭代贪婪算法，求解带订单约束和机器人约束的分布式流水车间优化的问题模型，并采用模拟退火算法在求解过程跳出局部最优解，获得最优解决方案；
建立问题模型的约束条件包括：在工厂内搜索并确定工件位置的约束，确定工件在订单中的位置并且确定在工厂的位置的约束，工厂的机器具有处理能力的约束，确保同一个订单的所有工作分配给同一工厂的约束，所有订单的最大完成时间约束，按顺序确定工作位置的约束，保证机器人一次只传送一个作业的约束，定义完成在机器上k位置的工作的约束，保证一个机器上第j个作业的开始时间大于或等于另一机器上第j个作业的完成时间的约束，或/和在处理一项工作后判断机器人是否空闲的约束；
采用改进的迭代贪婪算法，求解带订单约束和机器人约束的分布式流水车间优化的问题模型，并采用模拟退火算法在求解过程跳出局部最优解，获得最优解决方案，包括如下步骤：
步骤21、初始化：设定订单分配方法，将订单分配至各个工厂中，生成订单分配的初始解决方案；设定在删除阶段的删除订单作业比例，设定采用模拟退火SA算法确定接收标准的设定温度；
步骤22、删除阶段：按照订单分配的当前解决方案，考虑等待机器人的时间计算每个工厂的最大完工时间，按照设定的订单删除比例，删除最大完成时间的最大的工厂的订单，获得已删除作业的序列Dr；
步骤23、重构阶段：按照设定的邻域结构，将序列Dr的每个订单依次重新插入之各个工厂，按照插入后的最大完工时间最短确定每个订单的最佳插入位置，生成新的订单分配方案；
步骤24、接受判断阶段：采用模拟退火算法，计算新的订单分配方案是否达到了设定的温度，如果是，新的订单分配方案为最终分配方案，否则执行步骤22；
设定的邻域结构包括四个邻域结构，随机选择邻域结构将已删除作业的序列Dr中的作业插入至工厂中，所述邻域结构包括：
(1)第一种插入邻域结构：随机选择一个工厂，从工作列表中随机选择两个位置A和B，并将B位置的工作插入到A位置；
(2)第二种插入邻域结构：寻找一种根据顺序中作业的处理时间良好的插入位置、随机插入或将作业插入到最后一个位置；
(3)第一交换邻域结构：在随机选择的工厂中，从作业列表中随机选择两个作业，并将这两个作业交换；
(4)第二交换邻域结构：从两个不同工厂的作业列表中随机选择两个订单，并交换两个订单中的两个元素。
6.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-4任一项方法所述的步骤。
7.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-4任一项方法所述的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010111813.3A CN111400868B (zh) | 2020-02-24 | 2020-02-24 | 带订单和机器人搬运的分布式车间调度优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010111813.3A CN111400868B (zh) | 2020-02-24 | 2020-02-24 | 带订单和机器人搬运的分布式车间调度优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111400868A CN111400868A (zh) | 2020-07-10 |
| CN111400868B true CN111400868B (zh) | 2023-04-07 |
Family
ID=71434021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010111813.3A Active CN111400868B (zh) | 2020-02-24 | 2020-02-24 | 带订单和机器人搬运的分布式车间调度优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111400868B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111932021B (zh) * | 2020-08-17 | 2023-06-27 | 浙江财经大学 | 一种再制造系统调度方法 |
| CN113050644B (zh) * | 2021-03-22 | 2024-02-27 | 聊城大学 | 基于迭代贪婪进化的agv调度方法 |
| CN113487220B (zh) * | 2021-07-23 | 2022-07-15 | 中南大学 | 面向静态目标观测的空天异构对地观测资源协同调度方法 |
| CN114563994B (zh) * | 2022-03-17 | 2024-03-26 | 昆明理工大学 | 一种汽车零部件分布式生产和装配过程的优化调度方法 |
| CN115609593B (zh) * | 2022-12-02 | 2023-03-28 | 天津大学 | 一种多类型机器人人机协同装配调度方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706886A (zh) * | 2009-08-28 | 2010-05-12 | 华南理工大学 | 一种以订单驱动的加工车间单件小批量混流生产方法 |
| CN107392358A (zh) * | 2017-06-30 | 2017-11-24 | 上海汽车集团股份有限公司 | 一种车辆分配方法及装置 |
| CN108038339A (zh) * | 2017-12-31 | 2018-05-15 | 武汉企鹅能源数据有限公司 | 一种基于候鸟优化算法的多目标混流双边装配线平衡方法 |
| CN110632907A (zh) * | 2019-10-30 | 2019-12-31 | 山东师范大学 | 一种分布式装配式置换流水车间调度优化方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8904348B2 (en) * | 2006-04-18 | 2014-12-02 | Ca, Inc. | Method and system for handling errors during script execution |
-
2020
- 2020-02-24 CN CN202010111813.3A patent/CN111400868B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706886A (zh) * | 2009-08-28 | 2010-05-12 | 华南理工大学 | 一种以订单驱动的加工车间单件小批量混流生产方法 |
| CN107392358A (zh) * | 2017-06-30 | 2017-11-24 | 上海汽车集团股份有限公司 | 一种车辆分配方法及装置 |
| CN108038339A (zh) * | 2017-12-31 | 2018-05-15 | 武汉企鹅能源数据有限公司 | 一种基于候鸟优化算法的多目标混流双边装配线平衡方法 |
| CN110632907A (zh) * | 2019-10-30 | 2019-12-31 | 山东师范大学 | 一种分布式装配式置换流水车间调度优化方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| A distributed permutation flowshop scheduling problem with the customer order constraint.《Knowledge-Based Systems》.2019,全文. * |
| Wenhan Li.An improved iterated greedy algorithm for distributed robotic flowshop scheduling withorderconstraints.《Computers & Industrial Engineering》.2021,全文. * |
| 黎阳.基于改进模拟退火算法的大规模置换流水车间调度.《计算机集成制造系统》.2020,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111400868A (zh) | 2020-07-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111400868B (zh) | 带订单和机器人搬运的分布式车间调度优化方法及系统 | |
| CN110632907B (zh) | 一种分布式装配式置换流水车间调度优化方法及系统 | |
| Beezão et al. | Scheduling identical parallel machines with tooling constraints | |
| CN112561194B (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
| CN110969362B (zh) | 一种云计算系统下多目标任务调度方法及系统 | |
| CN111353646B (zh) | 带切换时间的炼钢柔性调度优化方法、系统、介质及设备 | |
| CN110458326B (zh) | 一种分布式阻塞型流水线调度的混合群智能优化方法 | |
| CN110674978A (zh) | 一种车间无人运输系统任务分配与路径规划方法 | |
| CN112286152B (zh) | 具有批量交付约束的分布式流水车间调度方法及系统 | |
| Kazemi et al. | Concurrent optimization of shared location assignment and storage/retrieval scheduling in multi-shuttle automated storage and retrieval systems | |
| CN115081760A (zh) | 一种加工资源管理优化方法、装置、终端及存储介质 | |
| CN117132181B (zh) | 一种分布式柔性生产与运输协同调度方法 | |
| Lee et al. | Operation sequence and tool selection in flexible manufacturing systems under dynamic tool allocation | |
| CN110046795B (zh) | 机器人的任务分配方法及装置 | |
| Jia et al. | Improving performance of dispatch rules for daily scheduling of assembly and test operations | |
| Yusof et al. | Constraint-chromosome genetic algorithm for flexible manufacturing system machine-loading problem | |
| Prasad et al. | A genetic algorithmic approach to multi-objective scheduling in a Kanban-controlled flowshop with intermediate buffer and transport constraints | |
| Hung et al. | Sensitivity search for the rescheduling of semiconductor photolithography operations | |
| CN110716522B (zh) | 基于任意时间a*启发式搜索的制造企业车间调度优化方法 | |
| CN111208815B (zh) | 将多个搬运任务分配至多个自动搬运车的方法及相关装置 | |
| CN110852500B (zh) | 一种资源受限混合流水车间优化方法 | |
| Kloud et al. | Solving job shop scheduling with the computer simulation | |
| Sreenivasulu et al. | Modeling and analysis for minimization of mean flow time in FMS simulation | |
| CN116205474B (zh) | 停车场的agv任务分配方法、装置、电子设备及存储介质 | |
| Ali et al. | Minimizing maximum earliness and tardiness on a single machine using a novel heuristic 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 |