CN111665799B - 一种基于协同算法的时间约束型并行机节能调度方法 - Google Patents

一种基于协同算法的时间约束型并行机节能调度方法 Download PDF

Info

Publication number
CN111665799B
CN111665799B CN202010431729.XA CN202010431729A CN111665799B CN 111665799 B CN111665799 B CN 111665799B CN 202010431729 A CN202010431729 A CN 202010431729A CN 111665799 B CN111665799 B CN 111665799B
Authority
CN
China
Prior art keywords
machine
scheduling
time
population
algorithm
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
CN202010431729.XA
Other languages
English (en)
Other versions
CN111665799A (zh
Inventor
乔非
卢弘
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202010431729.XA priority Critical patent/CN111665799B/zh
Publication of CN111665799A publication Critical patent/CN111665799A/zh
Application granted granted Critical
Publication of CN111665799B publication Critical patent/CN111665799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于协同算法的时间约束型并行机节能调度方法，涉及制造行业生产调度技术领域。面向来源于橡胶成型工序的调度需求，基于协同算法的时间约束型并行机节能调度方法包括以下步骤：(1)对时间约束型并行机节能调度问题以数学符号进行形式化描述并且明确考虑的性能指标；(2)建立考虑满足最大完工时间约束以及最小化能耗的并行机调度模型；(3)针对调度模型设计一种协同算法进行求解；(4)依据算法结束得到的调度方案生成对应的调度甘特图并记录相应的能耗以及最大完工时间。与现有技术相比，本发明可以兼顾最大完工时间要求以及节能目标，同时设计的协同算法具有良好的搜索性能。

Description

一种基于协同算法的时间约束型并行机节能调度方法
技术领域
本发明涉及制造行业生产调度技术领域，尤其是涉及一种基于协同算法的时间约束型并行机节能调度方法。
背景技术
并行机调度(Parallel Machine Scheduling)是一类典型的生产调度问题。一方面，并行机常见于钢铁、橡胶等制造企业，有效的并行机调度方法是企业管理者提高生产效益的重要手段。另一方面，并行机调度问题往往是NP难问题，这意味着并行机调度问题的求解存在较大难度。
在橡胶制造的成型工序中，往往具有多台并行的成型机，可以将其作为一类并行机调度问题研究。成型工序是橡胶制造流程的中间工序，位于混炼和硫化两道工序之间。受到混炼的影响，待成型的工件往往具有不同的到达时间。另一方面，考虑硫化工序对于生产计划的要求，成型工序的最大完工时间必须满足一定的限制值。随着节能减排越来越受到重视，企业管理者同样关注如何尽可能降低能耗。
在当前的并行机调度技术方法中，大部分技术仅考虑优化时间相关的性能指标，例如总流经时间(中国专利：CN107609678A)、平均加工周期(中国专利：CN105320105A)等。近年来，在中国专利“基于蚁群算法的铝型材车挤压车间能耗优化调度方法”(CN104360660A)中，杨海东等面向铝型材挤压车间生产调度过程，将其抽象为考虑时差电价及其能耗的非等同并行机调度问题。然而在当前并行机调度技术中，尚未见兼顾满足最大完工时间要求以及降低能耗的方法。
在求解方法上，考虑到并行机调度问题NP难的特点，探讨其近似解是主流的求解方案。作为获取优化问题近似最优解常用方法之一的元启发式算法(Meta-heuristic)在调度领域也受到青睐。当前的技术方法中，往往是基于单一元启发式算法，例如遗传算法(中国专利：CN107301473A)、蚁群算法(CN104360660A)等。然而，随着问题规模、目标等变得复杂，单一元启发式算法往往难以保持求解性能。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于协同算法的时间约束型并行机节能调度方法。
本发明的目的可以通过以下技术方案来实现：
一种基于协同算法的时间约束型并行机节能调度方法，该方法包括以下步骤：
步骤1：针对时间约束型并行机节能调度问题进行数学形式描述，并设置考虑的性能指标；
步骤2：建立与数学形式描述的时间约束型并行机节能调度问题对应的并行机调度模型及对应的约束条件；
步骤3：针对并行机调度模型采用协同算法进行求解，得到作为调度方案的求解结果；
步骤4：依据得到的作为调度方案的求解结果生成对应的调度甘特图以进行实际生产，并记录实际的对应生产数据。
进一步地，所述的步骤1中的考虑的性能指标包括：满足最大完工时间Cmax小于限定值D的要求以及能耗E最小化的要求。
进一步地，所述的步骤2中的并行机调度模型的优化目标包括能耗E最小化，其对应的描述公式为：
MinimizeE＝Ep+Ei
式中，Ep为加工能耗，Ei为空闲能耗，N为工件数，M为机器数，ppij为机器j加工工件i时的加工功率，wij为工件i在机器j上的加工时间，ipj为机器j等待工件时的空闲功率，xijl为决策变量，当工件i在机器j上以第l个进行加工时为1，否则为0，sj,l为机器j上第l个加工的工件的开工时间，cj,l为机器j上第l个加工的工件的完工时间；
以及满足最大完工时间Cmax小于限定值D，其对应的描述公式为：
Cmax≤D
式中，
进一步地，所述的步骤2中的约束条件包括：
每个工件必须且只能在某一台机器上加工一次的约束，对应的描述公式为：
每个工件的开工时间约束，对应的描述公式为：
每个工件的完工时间约束，对应的描述公式为：
式中，rti为工件i的到达时间，Cj,l-1为机器j上第l-1个加工的工件的完工时间。
进一步地，所述的步骤3中的协同算法包括以下步骤：
步骤301：采取二维编码方式构建个体基因，并随机生成种群规模ps的初始种群ch，设置当前迭代数g为1；
步骤302：对g代种群中的个体进行解码，得到能耗目标以及最大完工时间；
步骤303：以分类适应度值计算方式，计算种群中各个个体的适应度值；
步骤304：以基于GA的全局搜索方法，通过选择和交叉，产生种群chGA和dGA；
步骤305：以基于SA的局部搜索方法，对dGA进行两个维度的独立搜索，产生种群chSA；
步骤306：将三个种群ch、chGA和chSA中的个体，以择优方式产生新种群chnew，并赋值，当前迭代数g为g+1；
步骤307：如果当前迭代数g小于迭代总数gmax，则转入步骤302；否则得出最优个体并解码，得到作为调度方案的求解结果，算法结束。
进一步地，所述的步骤303中的种群中各个个体的适应度值包括针对满足约束的个体情况下的适应度值和针对不满足约束的个体情况下的适应度值，其中，所述针对满足约束的个体情况下的适应度值，其对应的计算公式为：
fsc＝1/E
所述针对不满足约束的个体情况下的适应度值，其对应的计算公式为：
fnsc＝1/(M1×Cmax)
式中，fsc和fnsc分别为针对满足约束的个体情况下的适应度值以及针对不满足约束的个体情况下的适应度值，M1为一个数量级大于E的正数。
进一步地，所述的步骤304具体包括：利用GA算法，通过选择和交叉算子，产生种群chGA以及该种群中的最优个体dGA，其中，在选择中，依据每个个体的适应度值，以轮盘赌方式选取ps个待交叉的个体；在交叉中，加工顺序维度的基因采取顺序交叉，机器指派维度的基因采取单点交叉。
进一步地，所述的步骤305具体包括：从种群chGA中的最优个体dGA开始，加工顺序维度上的基因和机器指派维度上的基因各自独立的进行基于SA算法的局部搜索，产生种群chSA，其中，在加工顺序维度上的局部搜索时，保持dGA的机器指派维度不变，以两点交换链式的方式产生ps/2个新个体，在机器指派维度上的局部搜索时，保持dGA的加工顺序维度不变，以单点变换链式的方式产生ps/2个新个体。
进一步地，所述的步骤301具体包括：定义协同算法参数，包括种群规模ps、迭代总数gmax、正数M1、当前迭代数g、个体编号d、交叉概率pc、初始温度T0以及降温速率a，采取二维编码方式构建个体基因，并随机生成种群规模ps的初始种群ch，设置当前迭代数g为1，在二维编码过程中，基于加工顺序和机器指派形成包含两个维度的个体基因。
进一步地，所述的步骤306具体包括：将三个种群ch、chGA和chSA中的个体合并，去除其中重复的个体，然后计算对应适应度值并排序，保留前ps个个体作为g+1代的新种群chnew。
与现有技术相比，本发明具有以下优点：
(1)本发明面向橡胶成型工序的调度需求，构建了满足最大完工时间约束以及最小化能耗的并行机调度模型，填补了现有并行机调度模型在以时间相关生产性能指标为约束并以能耗指标为目标上的空白。通过该调度模型，能在保证生产性能的情况下降低能耗，有益于橡胶企业可持续发展。
(2)本发明针对调度模型中能耗为优化目标、最大完工时间为约束的特点，设计了一种分类适应度值计算方式以有效区分个体优劣，引导算法向着满足约束且能耗更低的方向进行搜索。
(3)本发明设计的协同算法充分利用了遗传算法和模拟退火算法的各自优势，发挥了遗传算法全局搜索能力，同时利用了模拟退火算法的局部搜素能力，使得协同算法能够兼顾搜索广度和深度，具有良好的搜索性能。
附图说明
图1为本发明基于协同算法的时间约束型并行机节能调度方法中局部搜素过程示意图；
图2是本发明基于协同算法的时间约束型并行机节能调度方法中协同算法的整体流程图；
图3是本发明基于协同算法的时间约束型并行机节能调度方法求解10*3*109案例时的调度甘特图；
图4是本发明基于协同算法的时间约束型并行机节能调度方法求解10*3*109案例时的算法迭代图；
图5是本发明基于协同算法的时间约束型并行机节能调度方法求解10*3*75案例时的算法迭代图。
具体实施方式
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的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
具体实施例
本发明设计一种考虑时间约束的并行机节能调度方法，具体按照以下步骤实施：
步骤1：对考虑时间约束的并行机节能调度问题，以数学符号进行形式化描述，并且明确考虑的性能指标：
(101)定义基本生产参数：N为工件数，M为机器数，ppij为机器j加工工件i时的加工功率，wij为工件i在机器j上的加工时间，ipj为机器j等待工件时的空闲功率，rti为工件i的到达时间。
(102)定义调度指标：能耗E，包括Ep为加工能耗，Ei为空闲能耗；满足最大完工时间Cmax小于限定值D的要求。
(103)定义调度决策变量：xijl为决策变量，当工件i在机器j上以第l个进行加工时为1，否则为0，sj,l为机器j上第l个加工的工件的开工时间，cj,l为机器j上第l个加工的工件的完工时间。
步骤2：建立考虑满足最大完工时间约束以及最小化能耗的并行机调度模型：
(201)为了最小化能耗，将其作为调度模型的优化目标：
MinimizeE＝Ep+Ei
(202)为了满足最大完工时间要求，将其考虑为调度模型的约束：
Cmax≤D
式中，
(203)每个工件必须且只能在某一台机器上加工一次的约束：
(204)每个工件的开工时间约束：
(205)每个工件的完工时间约束：
式中，Cj,l-1为机器j上第l-1个加工的工件的完工时间。
步骤3：针对调度模型，设计一种协同算法进行求解：
(301)定义算法参数：种群规模ps、迭代总数gmax、正数M1(M1＝105)、当前迭代数g、个体编号d、交叉概率pc、初始温度T0以及降温速率a。
(302)二维个体编码方式下的初始化种群：在编码时，考虑加工顺序和机器指派，形成包含两个维度的个体基因。每个个体基因的长度是2N，1-N的基因代表加工顺序维度，而N+1-2N的基因代表机器指派维度。接着，随机产生初始化种群ch。
(303)假设有3个工件(J1,J2,J3)将在2台并行机(M1,M2)上进行加工。根据上述的编码方式，一个可能的个体是[2,3,1￤2,1,2]，其代表J1将在M2上加工，J2将在M1上加工，J3将在M2上加工；而在M2上，J3将在J1之前加工。
(304)解码：根据编码中的加工顺序和机器指派的信息，将每个工件的开工时间安排为相应加工机器的可用时间和工件到达时间的最大值，以尽可能减少机器等待工件的空闲时间。进而，依据调度模型计算能耗以及最大完工时间。
(305)分类适应度值计算方法：由调度模型可知，调度方案的优劣取决于最大完工时间和能耗。在算法中，每个个体就是潜在的调度方案。因此，设置每个个体的适应度值时需要兼顾最大完工时间约束和能耗目标。首先，从是否满足最大完工时间约束角度，将种群个体分为满足约束和不满足约束两类。接着，针对不同类别个体设计相应的适应度值。对于满足约束的个体，其适应度值是：
fsc＝1/E
对于不满足约束的个体，其适应度值是：
fnsc＝1/(M1×Cmax)
式中，fsc和fnsc分别为针对满足约束的个体情况下的适应度值以及针对不满足约束的个体情况下的适应度值，M1为一个数量级大于E的正数。
按照这样的方式，计算种群ch中各个个体的适应度值。
(306)基于遗传算法(Genetic Algorithm,GA)的全局搜索：利用GA中选择和交叉算子，产生种群chGA。在选择中，依据每个个体的适应度值，以轮盘赌方式选取ps个待交叉的个体。在交叉时，加工顺序维度的基因采取顺序交叉(Order Crossover)，而机器指派维度的基因采取单点交叉(Single Point Crossover)。
(307)基于模拟退火算法(Simulated Annealing,SA)的局部搜素：如图1所示，从种群chGA中的最优个体dGA开始，加工顺序维度上的基因Seq和机器指派维度上的基因Mac各自独立的进行基于SA的局部搜索，产生种群chSA。在dGA加工顺序维度的局部搜索时，保持dGA的机器指派维度Mac不变，以两点交换(Two Point Swap)链式的产生ps/2个新个体Seq 1-Seq ps/2。在dGA机器指派维度的局部搜素时，保持dGA的加工顺序维度Seq不变，以单点变换(Single Point Mutation)链式的产生ps/2个新个体Mac 1-Mac ps/2。
(308)在进行局部搜索时，采取链式更新的方式：从一个个体d1开始，对其进行更新得到一个新个体d2，将这个新个体d2直接保留下来。接着，依据Metroplic准则，判断接下来更新的对象是d1还是d2。判断结束后，继续对个体进行更新，直到满足新个体的数量要求。
(309)择优产生新种群：将三个种群ch、chGA、chSA中的个体合并，去除其中重复的个体。然后，以分类适应度值计算方式计算适应度值，按照适应度值从大到小的顺序排序，保留排在前ps个个体作为g+1代的新种群chnew。假如个体数量不足，则以随机方式填补。
(310)协同算法整体流程：如图2所示，具体操作如下：
第1步：采取二维编码方式构建个体基因，并随机生成种群规模ps的初始种群ch，g＝1；
第2步：对g代种群中的个体进行解码，计算能耗目标以及最大完工时间；
第3步：以分类适应度值计算方式，计算种群中各个个体的适应度值；
第4步：以基于GA的全局搜索方法，通过选择和交叉，产生种群chGA和dGA；
第5步：以基于SA的局部搜索方法，对dGA进行两个维度的独立搜索，产生种群chSA；
第6步：将三个种群中的个体，以择优方式产生新种群chnew，ch＝chnew，g＝g+1。
第7步：如果g<gmax，则转入第2步；否则，找出最优个体并解码，得到调度方案，算法结束。
步骤4：将算法结束得到的调度方案，生成对应的调度甘特图，并记录相应的能耗以及最大完工时间。
实施例1：10*3规模的调度实例
某橡胶成型车间有3台可并行的成型机器，有10个待加工的工件。各个机器的空闲功率ip、各个工件的到达时间rt、各个机器加工各个工件时的加工功率pp以及加工时间w分别如表1-表3所示。
表1各个机器的空闲功率(ip的单位是kw)
机器Machine 空闲功率ip
M1 4
M2 4
M3 6
表2各个工件的到达时间(rt的单位是min)
工件Job 到达时间rt
J1 42
J2 31
J3 20
J4 36
J5 32
J6 24
J7 43
J8 21
J9 30
J10 22
表3各个机器加工各个工件的加工功率(pp的单位是kw)和加工时间(w的单位是min)
要求最大完工时间满足的限定值D，企业生产管理者往往采取以下方式估算得到：首先基于“先来先加工”的规则，将所有工件以到达时间非增的顺序进行排序；然后，按照顺序逐个安排工件的机器指派，基于“等待时间越短越优先”规则将工件安排到等待时间最短的机器上；最后将完成所有工件加工的时间作为限定值。在上述10*3规模的数据下，企业估算的最大完工时间的限定值D定为109。
对于上述数据下的问题，首先建立该问题的调度模型。其中，优化目标是：
需要满足的最大完工时间约束是：
Cmax≤109
然后以协同算法求解模型，二维编码方式构建个体并随机产生规模ps是100的初始种群。进入迭代次数gmax是50的算法寻优过程，完成解码、分类适应度值计算(M1是10e8)、基于GA的全局搜索(交叉概率pc是0.8)、基于SA的局部搜素(初始温度T0是10-5，降温速率a是0.8)以及择优产生新种群。
最后，输出协同算法得到的调度方案，包括工件的机器指派、开工时间和完工时间，如下表4所示。在该调度方案下，能耗目标是1177，且最大完工时间(108)是满足限制要求的。
表4协同算法求解10*3规模问题得到的调度方案(D＝109)
工件 机器指派 开工时间 完工时间
J1 M2 42 75
J2 M2 31 36
J3 M1 67 76
J4 M3 42 86
J5 M3 86 108
J6 M2 36 42
J7 M1 43 67
J8 M3 21 33
J9 M3 33 42
J10 M1 76 82
根据调度方案绘制的甘特图如图3所示，实际生产中结合该结果进行加工任务安排。协同算法迭代优化曲线如图4所示，可以看出协同算法能够在20代左右就趋于收敛，表明本发明的协同算法搜索效率高。
进一步，改变最大完工时间的限定值D，从109缩小为75，按照上述步骤求解此时的问题，得到的调度方案如下表5所示。此时，该调度方案下的能耗目标是1436，且最大完工时间(73)也是满足限制要求的。
表5协同算法求解10*3规模问题得到的调度方案(D＝75)
工件 机器指派 开工时间 完工时间
J1 M3 51 64
J2 M2 35 40
J3 M1 20 29
J4 M2 40 66
J5 M1 32 49
J6 M2 29 35
J7 M1 49 73
J8 M3 39 51
J9 M3 30 39
J10 M2 22 29
当D＝75时，协同算法的迭代优化曲线如图5所示，可以看出算法起初搜索到的解是不满足约束的(满足约束的解用“o”表示，不满足约束的解用“x”表示)。可能的原因是，对于最大完工时间的限制要求比较苛刻，导致起初的种群中难以产生满足约束的解。但是，随着迭代的进行，算法逐渐搜索到了满足约束的解，并且进一步搜索到了能耗更低的调度方案。这说明分类适应度值计算方式的确发挥了作用，可以使得算法向着满足约束且能耗更低的方向搜索。因此，即使面对更加苛刻的最大完工时间限制，本发明的协同算法依然具有可行性。
实施例2：算法性能的对比：CA vs.GA vs.PSO
通过对比不同算法求解结果，验证本发明设计的协同算法(CA)在求解考虑时间约束的并行机节能调度问题上的优势。选取的对比算法是并行机调度领域常用的算法：遗传算法(GA)以及粒子群算法(PSO)。其中，考虑到本发明中问题的特殊性，将分类适应度值计算方式用于GA和PSO中以求解问题。
用于验证算法性能的案例具有四种不同规模，将三种算法各自求解每个规模下的案例10次，记录各个算法求解每个案例的平均能耗目标值，结果如下表6所示(所有对比算法在求解案例时的求解时间均在3s以内)。
表6算法性能对比结果
从表6可以看出，CA在四个案例中的三个占据求解优势(占优的结果加粗表示)。在10*3*109的案例中，尽管GA占据优势，但是本发明的CA与GA在目标值上的差距仅有0.7％，两者十分接近。随着案例在工件数和机器数上的增长，本发明CA的优势越来越明显。这表明，本发明的协同算法CA在求解考虑时间约束的并行机节能调度问题上具有优势。
通过实施例1和实施例2的结果分析，可以看出本发明具有如下有益效果：1)本发明可以用于考虑最大完工时间约束的并行机节能调度问题，即使面临的最大完工时间约束较为苛刻，本发明仍旧可以获得满足要求的调度方案；2)本发明的协同算法中，分类适应度值计算方式可以有效区分个体优劣，引导算法向着既满足最大完工时间约束同时能耗更低的方向搜索；3)本发明的协同算法中，充分利用了遗传算法和模拟退火算法的各自优势，兼顾了算法的搜索深度和广度，具有良好的求解性能。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种基于协同算法的时间约束型并行机节能调度方法，其特征在于，该方法包括以下步骤：
步骤1：针对时间约束型并行机节能调度问题进行数学形式描述，并设置考虑的性能指标；
步骤2：建立与数学形式描述的时间约束型并行机节能调度问题对应的并行机调度模型及对应的约束条件；
步骤3：针对并行机调度模型采用协同算法进行求解，得到作为调度方案的求解结果；
步骤4：依据得到的作为调度方案的求解结果生成对应的调度甘特图以进行实际生产，并记录实际的对应生产数据；
所述的步骤3中的协同算法包括以下步骤：
步骤301：采取二维编码方式构建个体基因，并随机生成种群规模ps的初始种群ch，设置当前迭代数g为1；
步骤302：对g代种群中的个体进行解码，得到能耗目标以及最大完工时间；
步骤303：以分类适应度值计算方式，计算种群中各个个体的适应度值；
步骤304：以基于GA的全局搜索方法，通过选择和交叉，产生种群chGA和dGA；
步骤305：以基于SA的局部搜索方法，对dGA进行两个维度的独立搜索，产生种群chSA；
步骤306：将三个种群ch、chGA和chSA中的个体，以择优方式产生新种群chnew，并赋值，当前迭代数g为g+1；
步骤307：如果当前迭代数g小于迭代总数gmax，则转入步骤302；否则得出最优个体并解码，得到作为调度方案的求解结果，算法结束；
所述的步骤303中的种群中各个个体的适应度值包括针对满足约束的个体情况下的适应度值和针对不满足约束的个体情况下的适应度值，其中，所述针对满足约束的个体情况下的适应度值，其对应的计算公式为：
fsc＝1/E
所述针对不满足约束的个体情况下的适应度值，其对应的计算公式为：
fnsc＝1/(M1×Cmax)
式中，fsc和fnsc分别为针对满足约束的个体情况下的适应度值以及针对不满足约束的个体情况下的适应度值，M1为一个数量级大于E的正数，Cmax为最大完工时间，E为能耗。
2.根据权利要求1所述的一种基于协同算法的时间约束型并行机节能调度方法，其特征在于，所述的步骤1中的考虑的性能指标包括：满足最大完工时间Cmax小于限定值D的要求以及能耗E最小化的要求。
3.根据权利要求1所述的一种基于协同算法的时间约束型并行机节能调度方法，其特征在于，所述的步骤2中的并行机调度模型的优化目标包括能耗E最小化，其对应的描述公式为：
MinimizeE＝Ep+Ei
式中，Ep为加工能耗，Ei为空闲能耗，N为工件数，M为机器数，ppij为机器j加工工件i时的加工功率，wij为工件i在机器j上的加工时间，ipj为机器j等待工件时的空闲功率，xijl为决策变量，当工件i在机器j上以第l个进行加工时为1，否则为0，sj,l为机器j上第l个加工的工件的开工时间，cj,l为机器j上第l个加工的工件的完工时间；
以及满足最大完工时间Cmax小于限定值D，其对应的描述公式为：
Cmax≤D
式中，
4.根据权利要求1所述的一种基于协同算法的时间约束型并行机节能调度方法，其特征在于，所述的步骤2中的约束条件包括：
每个工件必须且只能在某一台机器上加工一次的约束，对应的描述公式为：
每个工件的开工时间约束，对应的描述公式为：
每个工件的完工时间约束，对应的描述公式为：
式中，rti为工件i的到达时间，Cj,l-1为机器j上第l-1个加工的工件的完工时间，xijl为决策变量，当工件i在机器j上以第l个进行加工时为1，否则为0，N为工件数，M为机器数，sj,l为机器j上第l个加工的工件的开工时间，cj,l为机器j上第l个加工的工件的完工时间，wij为工件i在机器j上的加工时间。
5.根据权利要求1所述的一种基于协同算法的时间约束型并行机节能调度方法，其特征在于，所述的步骤304具体包括：利用GA算法，通过选择和交叉算子，产生种群chGA以及该种群中的最优个体dGA，其中，在选择中，依据每个个体的适应度值，以轮盘赌方式选取ps个待交叉的个体；在交叉中，加工顺序维度的基因采取顺序交叉，机器指派维度的基因采取单点交叉。
6.根据权利要求1所述的一种基于协同算法的时间约束型并行机节能调度方法，其特征在于，所述的步骤305具体包括：从种群chGA中的最优个体dGA开始，加工顺序维度上的基因和机器指派维度上的基因各自独立的进行基于SA算法的局部搜索，产生种群chSA，其中，在加工顺序维度上的局部搜索时，保持dGA的机器指派维度不变，以两点交换链式的方式产生ps/2个新个体，在机器指派维度上的局部搜索时，保持dGA的加工顺序维度不变，以单点变换链式的方式产生ps/2个新个体。
7.根据权利要求1所述的一种基于协同算法的时间约束型并行机节能调度方法，其特征在于，所述的步骤301具体包括：定义协同算法参数，包括种群规模ps、迭代总数gmax、正数M1、当前迭代数g、个体编号d、交叉概率pc、初始温度T0以及降温速率a，采取二维编码方式构建个体基因，并随机生成种群规模ps的初始种群ch，设置当前迭代数g为1，在二维编码过程中，基于加工顺序和机器指派形成包含两个维度的个体基因。
8.根据权利要求1所述的一种基于协同算法的时间约束型并行机节能调度方法，其特征在于，所述的步骤306具体包括：将三个种群ch、chGA和chSA中的个体合并，去除其中重复的个体，然后计算对应适应度值并排序，保留前ps个个体作为g+1代的新种群chnew。
CN202010431729.XA 2020-05-20 2020-05-20 一种基于协同算法的时间约束型并行机节能调度方法 Active CN111665799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010431729.XA CN111665799B (zh) 2020-05-20 2020-05-20 一种基于协同算法的时间约束型并行机节能调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010431729.XA CN111665799B (zh) 2020-05-20 2020-05-20 一种基于协同算法的时间约束型并行机节能调度方法

Publications (2)

Publication Number Publication Date
CN111665799A CN111665799A (zh) 2020-09-15
CN111665799B true CN111665799B (zh) 2023-08-29

Family

ID=72384134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010431729.XA Active CN111665799B (zh) 2020-05-20 2020-05-20 一种基于协同算法的时间约束型并行机节能调度方法

Country Status (1)

Country Link
CN (1) CN111665799B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112296357B (zh) * 2020-10-29 2021-11-30 福州大学 面向激光选区熔融工艺的增材制造相同并行机调度方法
CN113177667A (zh) * 2021-05-24 2021-07-27 同济大学 一种基于改进遗传算法的电气装备制造资源优化配置方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104360660A (zh) * 2014-11-19 2015-02-18 广东工业大学 基于蚁群算法的铝型材车挤压车间能耗优化调度方法
CN104376369A (zh) * 2014-09-17 2015-02-25 广东工业大学 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法
CN104571009A (zh) * 2014-11-21 2015-04-29 同济大学 一种用于轧辊热处理过程的能耗控制方法
CN108108829A (zh) * 2016-11-24 2018-06-01 江苏创源电子有限公司 一种基于改进果蝇算法的作业车间调度方法
CN109634231A (zh) * 2018-11-22 2019-04-16 合肥工业大学 基于遗传模拟退火算法的成形车间节能调度方法
CN110619437A (zh) * 2019-09-20 2019-12-27 国网江苏省电力有限公司电力科学研究院 一种低能耗柔性作业车间调度方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301504B (zh) * 2017-06-12 2018-06-15 合肥工业大学 基于混合蛙跳—路径重连的生产运输协同调度方法和系统
CN107301473B (zh) * 2017-06-12 2018-06-15 合肥工业大学 基于改进遗传算法的同类平行机批调度方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104376369A (zh) * 2014-09-17 2015-02-25 广东工业大学 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法
CN104360660A (zh) * 2014-11-19 2015-02-18 广东工业大学 基于蚁群算法的铝型材车挤压车间能耗优化调度方法
CN104571009A (zh) * 2014-11-21 2015-04-29 同济大学 一种用于轧辊热处理过程的能耗控制方法
CN108108829A (zh) * 2016-11-24 2018-06-01 江苏创源电子有限公司 一种基于改进果蝇算法的作业车间调度方法
CN109634231A (zh) * 2018-11-22 2019-04-16 合肥工业大学 基于遗传模拟退火算法的成形车间节能调度方法
CN110619437A (zh) * 2019-09-20 2019-12-27 国网江苏省电力有限公司电力科学研究院 一种低能耗柔性作业车间调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
考虑能耗约束的并行机组批调度;李国臣 等;《中南大学学报(自然科学版)》;第48卷(第8期);第2063-2072页 *

Also Published As

Publication number Publication date
CN111665799A (zh) 2020-09-15

Similar Documents

Publication Publication Date Title
CN112257296B (zh) 基于改进遗传算法的带有缓存约束的作业车间调度方法
Sang et al. Intelligent factory many-objective distributed flexible job shop collaborative scheduling method
CN111665799B (zh) 一种基于协同算法的时间约束型并行机节能调度方法
CN108460463B (zh) 基于改进遗传算法的高端装备流水线生产调度方法
CN110543151A (zh) 基于改进nsga-ⅱ求解车间节能调度问题的方法
CN111242503A (zh) 一种基于两层遗传算法的多目标柔性作业车间调度方法
CN110288185B (zh) 一种分布式柔性流水线调度方法
CN112381273B (zh) 一种基于u-nsga-iii算法的多目标作业车间节能优化方法
CN111047081A (zh) 一种面向绿色生产的制造资源配置优化决策方法
Liang et al. Improved adaptive non-dominated sorting genetic algorithm with elite strategy for solving multi-objective flexible job-shop scheduling problem
CN115796510A (zh) 一种基于改进的变邻域遗传算法的多目标柔性作业车间调度方法
CN117035364A (zh) 基于改进混合模因算法的分布式异构流水车间调度方法
Kong et al. A new sustainable scheduling method for hybrid flow-shop subject to the characteristics of parallel machines
CN115099612A (zh) 一种考虑碳排量的柔性作业车间分批调度方法
CN116466659A (zh) 一种基于深度强化学习的分布式装配流水车间调度方法
CN116560313A (zh) 一种多目标柔性作业车间问题的遗传算法优化调度方法
CN113689066A (zh) 一种基于nsga-ii算法的物联网车间调度方法
CN115169798A (zh) 一种带准备时间分布式柔性作业车间调度方法及系统
Liang et al. Adaptive genetic algorithm based on individual similarity to solve multi-objective flexible job-shop scheduling problem
CN114021934A (zh) 基于改进spea2求解车间节能调度问题的方法
Li et al. A knee-point driven multi-objective evolutionary algorithm for flexible job shop scheduling
CN103473614A (zh) 基于碳排放评估模型的低碳工艺规划方法
CN112861433B (zh) 一种基于多层级集成框架的产品低碳设计的方法
CN113836706A (zh) 一种数控加工参数优化方法及存储介质
CN114237166A (zh) 基于改进spea2算法求解多转速节能调度问题的方法

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