CN112116126A - 基于psc-iga算法的数字化车间调度方法、系统及存储介质 - Google Patents

基于psc-iga算法的数字化车间调度方法、系统及存储介质 Download PDF

Info

Publication number
CN112116126A
CN112116126A CN202010825648.8A CN202010825648A CN112116126A CN 112116126 A CN112116126 A CN 112116126A CN 202010825648 A CN202010825648 A CN 202010825648A CN 112116126 A CN112116126 A CN 112116126A
Authority
CN
China
Prior art keywords
station
population
individuals
fitness
probability
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.)
Pending
Application number
CN202010825648.8A
Other languages
English (en)
Inventor
胡小建
刘婷婷
周琼
李睿豪
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.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202010825648.8A priority Critical patent/CN112116126A/zh
Publication of CN112116126A publication Critical patent/CN112116126A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施方式提供一种基于PSC‑IGA算法的数字化车间调度方法、系统及存储介质，属于数字化车间的调度技术领域。通过该技术方案，本发明提供的基于PSC‑IGA算法的数字化车间调度方法、系统及存储介质通过采用PSC‑IGA算法(Polychromatic Sets Constraints of improved Genetic Algorithm，基于多色集合约束的遗传算法)，先通过改进的遗传算法求解数字化车间工位的配送问题，确定出配送效率最高的配送方案，再基于确定出的配送方案以及数字化车间的库存、工位的分布特点建立两层布尔围道矩阵，最后进一步采用改进后的遗传算法对建立的模型进行求解，快速、高效地得出最佳的仓库一体化方案，提高了生产效率的同时也提高了算法的收敛速度。

Description

基于PSC-IGA算法的数字化车间调度方法、系统及存储介质
技术领域
本发明涉及数字化车间的调度技术领域，具体地涉及一种基于PSC-IGA 算法的数字化车间调度方法、系统及存储介质。
背景技术
数字化车间(Digital workshop，DS)建设是制造企业走向智能制造的起 点，数字化车间通常都是采用流水线式生产，对应的生产物流主要是物料的 配送和仓储，本文以安徽博一流体传动股份有限公司(以下简称为BY)的 数字化车间为例，生产线上每个工位负责不同的工序，对物料的需求也不尽 相同，物料的准时配送就尤为重要，早了会占用线边空间造成拥堵，晚了则 会延误工时，拉低效率；而物料的准时配送也离不开车间内部立库的配合， 若物料未及时配套出入库，则不能完成在时间窗内准时配送的任务，对整个 生产进程造成影响。
近年来专家学者对这两方面的研究颇多。在物料配送方面，研究主要集 中在配送路径优化问题上，车辆路径问题(vehicle routing problem，VRP) 由来已久，自上世纪六十年代以来，已产生很多变种问题，物料配送路径优 化问题是VRP问题的一个经典变种问题，Gao等考虑车辆负载均衡，用混 合多目标进化算法有效减少了物料配送的总行驶距离；陈广胜等则以配送时 间和作业人数为优化目标对该问题进行研究。上述文献都未考虑时间窗的影 响，带时间窗的车辆路径优化问题(Vehicle routing problem with timewindow,VRPTW)是Solomon在1979年提出的，对此学者们构建了很多不 同的VRPTW优化模型，如带混合时间窗的车辆路径优化模型、带软时间窗 的车辆路径优化模型和带时间窗的同时取送货车辆路径优化模型等。针对物 料的仓储问题，数字化车间一般配备的都是自动化立体仓库(automated storage and retrieval system,AS/RS)，对立库的研究也有很多，Boysen对立库 系统进行了综述分析，邓爱民等用遗传算法求解多目标货位优化问题；李鹏飞等和靳萌等也建立了多目标优化模型，前者考虑出入库效率和货架稳定性， 在算法上使用了病毒协同遗传算法，后者考虑物料周转率和相关性，在算法 上使用了基于Pareto保持和模拟退火算法；刘臣奇等则在货位拣选路径优化 问题中提出了一种改进的蚁群算法。以上文献都在物料配送优化和立库优化 上方面做了大量工作，但是很少考虑到仓储和配送的协同，也就是一体化的 问题。
现有文献主要是对仓配一体化模式特点的分析，不断运用算法、大数据 等提出新的发展思路，但整体来说还没有系统的理论基础支撑，且都是将重 心放在了电商领域的仓配问题上，目前对于制造业中的生产物流仓配一体化 问题的研究并不多，生产物流与电商物流大不相同，电商物流仓配一体化解 决方案不完全适用于生产物流。因此，生产物流仓配一体化问题还需要研究， 在生产过程中，最重要的是保证生产，这其中，生产物料的仓储和配送都是 关键因素，二者密不可分，仅考虑单项优化则稍显不足。
发明内容
本发明实施方式的目的是提供一种基于PSC-IGA算法的数字化车间调 度方法、系统及存储介质，该方法、系统及存储介质能够高效地确定出数字 化车间的调度方案，从而提高了数字化车间的工作效率。
为了实现上述目的，本发明实施方式提供一种基于PSC-IGA算法的数 字化车间调度方法，所述方法包括：
获取数字化车间的工位及其对应的物料需求；
随机生成完成每个工位的配送任务的多条染色体以形成初始的第一种 群；
采用遗传算法迭代更新所述第一种群以得到配送方案；
根据所述配送方案并基于布尔矩阵对所述数字化车间的工位和库区进 行编码以形成第二种群；
计算所述第二种群中每个个体的适应度；
判断迭代次数k是否满足终止条件；
在判断迭代次数k未满足终止条件的情况下，令个体个数m＝0；
从所述第二种群选择适应度最大的个体放入第三种群p(k+1)，并更新 所述个体个数m＝m+1；
从所述第二种群中随机选择适应度最大的两个个体；
计算所述两个个体的交叉概率；
判断所述交叉概率是否大于预设的第一概率值；
在判断交叉概率大于所述第一概率值的情况下，对所述两个个体执行单 点交叉操作；
计算单点交叉操作后的所述两个个体的变异概率；
判断所述变异概率是否大于预设的第二概率值；
在判断所述交叉概率大于所述第二概率值的情况下，对所述两个个体执 行基本位变异操作；
将执行基本位变异操作后的所述两个个体放入第三种群p(k+1)，并更 新所述个体个数m＝m+2；
判断所述个体个数m是否小于预设的种群容量；
在判断所述个体个数m小于所述种群容量的情况下，再次从所述第二种 群中随机选择适应度最大的两个个体，并执行所述方法的相应步骤，直到所 述个体个数m大于或等于所述种群容量；
在判断所述个体个数m大于或等于所述种群容量的情况下，更新迭代次 数k，再次判断迭代次数k是否满足终止条件，并执行所述方法的相应步骤， 直到迭代次数k满足终止条件；
在判断所述迭代次数k满足所述终止条件的情况下，分别计算每个所述 第三种群p(k+1)的每个个体的适应度；
选取适应度最大的所述个体作为最终的分配结果。
可选地，所述随机生成完成每个工位的配送任务的多条染色体以形成初 始的第一种群具体包括：
采用数字0表示所述数字化车间的配送工具的初始位置；
采用数字1至z表示每个所述工位，其中，z为所述工位的数量；
确定所述配送工具的数量。
可选地，所述采用遗传算法迭代更新所述第一种群以得到配送方案具体 包括：
计算每个所述染色体的适应度；
采用轮盘赌法选择所述第一种群中适应度最高的两个所述染色体；
对选取的两个所述染色体执行交叉操作和变异操作；
判断所述第一种群是否满足预设的迭代终止条件；
在判断所述第一种群满足所述迭代终止条件的情况下，将所述第一种群 作为所述配送方案；在判断所述第一种群不满足所述迭代终止条件的情况下， 再次计算每个所述染色体的适应度，并执行所述方法的相应步骤，直到所述 第一种群满足所述迭代终止条件。
可选地，所述计算每个所述染色体的适应度具体包括：
根据公式(1)计算每个所述染色体的适应度，
Figure BDA0002636111360000041
其中，F1为所述染色体的适应度，m为工位i的总数量，Ti为工位i的配 送时间，yik为用于指示工位i是否由配送工具k配送的变量，yik＝1表示工 位i由配送工具k配送，yik＝0表示工位i未由配送工具k配送，Tw为物料的清 洗时间，zi为用于指示物料是否需要清洗的变量，zi＝1表示物料需要被清 洗，zi＝0表示物料不需要被清洗，Tij为配送工具从工位i到工位j的时间，xijk为用于指示配送工具k是否从工位i运动至工位j的变量，xijk＝1表示配送工 具k从工位i运动至工位j，xijk＝0表示配送工具k未从工位i运动至工位j，si为工位i的卸货时间，
Figure BDA0002636111360000054
为配送时间点不在服务时间窗内的惩罚时间。
可选地，所述根据所述配送方案并基于布尔矩阵对所述数字化车间的工 位和库区进行编码以形成第二种群具体包括：
以工位为列向量、所需的物料为行向量建立第一层矩阵，其中，所述第 一层矩阵中的元素用于指示所述工位是否需要配送所述物料；
以所述物料为行向量、存储所述物料的库区为列向量建立第二层矩阵。 其中，所述第二层矩阵中的元素用于指示所述库区是否存储有所述物料；
基于所述第一层矩阵和所述第二层矩阵随机生成多个所述个体以构成 所述第二种群。
可选地，所述计算所述第二种群中每个个体的适应度具体包括：
根据公式(2)至公式(6)计算每个所述个体的适应度，
F2＝1/{(0.5f1′+1)+(0.5f2′+1)}， (2)
f’＝(f-fmin)/(fmax-fmin)， (3)
Figure BDA0002636111360000051
Figure BDA0002636111360000052
Figure BDA0002636111360000053
其中，F2为每个所述个体的适应度函数，f’为去量纲函数，fmin为函数f的最小值，fmax为函数f的最大值，f1′和f2′分别为去量纲后的f1和f2的值， r为库位的编号，n为所述库位的数量，V1为堆垛机水平方向运动的速度，P为 堆垛机的牵引功率，br表示第b列的库位r，L为每个库位的宽度，M为物料 的质量，g为重力加速度，ar表示第a层的库位r，H为库位的高度，V2为堆 垛机垂直方向上运动的速度，m为工位i的总数量，Ti为工位i的配送时间，yik为用于指示工位i是否由配送工具k配送的变量，yik＝1表示工位i由配送工 具k配送，yik＝0表示工位i未由配送工具k配送，Tw为物料的清洗时间，zi为 用于指示物料是否需要清洗的变量，zi＝1表示物料需要被清洗，zi＝0表示 物料不需要被清洗，Tij为配送工具从工位i到工位j的时间，xijk为用于指示 配送工具k是否从工位i运动至工位j的变量，xijk＝1表示配送工具k从工位i 运动至工位j，xijk＝0表示配送工具k未从工位i运动至工位j，si为工位i的卸 货时间，
Figure BDA0002636111360000063
为配送时间点不在服务时间窗内的惩罚时间。
可选地，所述计算所述两个个体的交叉概率具体包括：
根据公式(7)计算所述交叉概率，
Figure BDA0002636111360000061
其中，c为所述交叉概率，c1、c2为预设的常数，F2max为所述第二种群 中适应度的最大值，F2′为两个个体中适应度的较大值，F2avg为所述第二种 群的适应度的平均值。
可选地，所述计算单点交叉操作后的所述两个个体的变异概率具体包括：
根据公式(8)计算所述变异概率，
Figure BDA0002636111360000062
其中，d为所述变异概率，d1、d2为预设的常数，F2max为所述第二种群 中适应度的最大值，F2avg为所述第二种群的适应度的平均值，F2″为所述两 个个体中的适应度的较大值。
另一方面，本发明还提供一种基于PSC-IGA算法的数字化车间调度系 统，所述调度系统包括处理器，所述处理器用于执行如上述任一所述的方法。
再一方面，本发明还提供一种存储介质，所述存储介质存储有指令，所 述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的基于PSC-IGA算法的数字化车间调 度方法、系统及存储介质通过采用PSC-IGA算法(Polychromatic Sets Constraints of improvedGenetic Algorithm，基于多色集合约束的遗传算法)， 先通过改进的遗传算法求解数字化车间工位的配送问题，确定出配送效率最 高的配送方案，再基于确定出的配送方案以及数字化车间的库存、工位的分 布特点建立两层布尔围道矩阵，最后进一步采用改进后的遗传算法对建立的 模型进行求解，快速、高效地得出最佳的仓库一体化方案，提高了生产效率的同时也提高了算法的收敛速度。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以 详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一 部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对 本发明实施方式的限制。在附图中：
图1是根据本发明的一个实施方式的基于PSC-IGA算法的数字化车间 调度方法的流程图；
图2是根据本发明的一个实施方式的编码规则的示意图；
图3是根据本发明的一个实施方式的遗传算法的流程图；
图4是根据本发明的一个实施方式的交叉操作和变异操作的示意图；
图5是配送工具的数量为1的情况下的种群均值变化和最优解变化的趋 势图；
图6是配送工具的数量为1的情况下的种群均值变化和最优解变化的趋 势图；
图7是配送工具的数量为1的情况下的种群均值变化和最优解变化的趋 势图；以及
图8是根据本发明的一个实施方式的模型求解的种群均值变化和最优解 变化的趋势图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理 解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并 不用于限制本发明实施方式。
在本发明实施方式中，在未作相反说明的情况下，使用的方位词如“上、 下、顶、底”通常是针对附图所示的方向而言的或者是针对竖直、垂直或重 力方向上而言的各部件相互位置关系描述用词。
另外，若本发明实施方式中有涉及“第一”、“第二”等的描述，则该“第 一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重 要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二” 的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施方式之间 的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基 础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的 结合不存在，也不在本发明要求的保护范围之内。
如图1所示是根据本发明的一个实施方式的基于PSC-IGA算法的数字 化车间调度方法的流程图。在图1中，该方法可以包括：
在步骤S10中，获取数字化车间的工位及其对应的物料需求。具体地， 该工位以及对应的物料需求可以包括工位的位置、编号以及每个工位需要配 送的物料的类型等。
在步骤S11中，随机生成完成每个工位的配送任务的多条染色体以形成 初始的第一种群。在该实施方式中，发明人考虑到数字化车间的设施条件， 配送工具需要从停泊的初始位置出发，分别前往每个工位配送物料，再返回 初始位置停泊。因此，可以采用数字0表示数字化车间的配送工具的初始位 置；同时采用采用数字1至z表示每个工位。其中，z为工位的数量；最后 确定配送工具的数量。基于上述编码方式，可以形成形如(0，3，5，0，8，7，2，0，1，4，6，0)的染色体。在该实施例所示出的染色体中，三辆配 送工具分别执行路径1(0，3，5，0)、路径2(0，8，7，2，0)和路径3 (0，1，4，6，0)，如图2所示。
在该实施方式中，进一步地，考虑到随机生成的染色体中会存在众多不 满足实际现场要求的个体。那么基于该技术问题，可以在随机生成前，预先 设置约束条件对随机生成的染色体进行筛选，这样能够降低算法的迭代次数， 从而提高算法的效率。对于该约束条件的具体形式，在本发明的一个优选示 例中，发明人针对数字化车间现场的环境条件，设计出的约束条件如公式(1) 至公式(5)所示，
∑kyik＝1， (1)
Figure BDA0002636111360000091
Figure BDA0002636111360000092
Figure BDA0002636111360000093
Ai≤ti≤Bi， (5)
其中，i＝1,2,…,m；k＝1,2,…,q。i为工位的编号，m为工位的数量，k为 配送工具的编号，q为工位的数量。
针对公式(1)，yik为用于指示工位i是否由配送工具k配送的变量。 yik＝1表示工位i由配送工具k配送。yik＝0表示工位i未由配送工具k配送。 该公式(1)用于表示工位i对应的物料只能由一辆配送工具配送。
针对公式(2)和公式(3)，xi0k表示配送工具k从初始位置运动至工位i， x0jk表示配送工具k从工位j运动至初始位置。该公式(2)和公式(3)用于 表示每辆配送工具仅执行一条路径上的运输任务。
针对公式(4)和公式(5)，Ai为工位i最早接收物料的时间，Bi为工位i最晚 接收物料的时间，C和D分别为针对最早接收物料的时间Ai和最晚接收物料 的时间Bi所预设的常数。通过该公式(4)，可以针对配送工具k到达工位i的 时间与该工位i的实际的装配时间之间的关系来设置惩罚时间，从而实现对 配送工具k的配送时间的评估。公式(5)则可以用于表示物料到达工位的点 需要在该工位的时间窗内，即Ai和Bi之间。
在步骤S12中，采用遗传算法迭代更新第一种群以得到配送方案。具体 地，该遗传算法可以包括如图3中所示出的步骤。在图3中，该遗传算法可 以包括：
在步骤S40中，计算每个染色体的适应度。其中，对于该适应度的计算 方式，可以是本领域人员所知的多种形式。在本发明的一个优选示例中，发 明人考虑到评价生成的染色体的优劣的标准主要是配送工具依据该染色体 对应的配送方式完成配送任务的时间。因此，可以将完成配送任务的时间作 为该适应度的计算，即公式(6)，
Figure BDA0002636111360000101
其中，minF为完成配送任务的时间，其中，F1为染色体的适应度，m为 工位i的总数量，Ti为工位i的配送时间，yik为用于指示工位i是否由配送工具 k配送的变量，yik＝1表示工位i由配送工具k配送，yik＝0表示工位i未由配 送工具k配送，Tw为物料的清洗时间，zi为用于指示物料是否需要清洗的变 量，zi＝1表示物料需要被清洗，zi＝0表示物料不需要被清洗，Tij为配送 工具从工位i到工位j的时间，xijk为用于指示配送工具k是否从工位i运动至工 位j的变量，xijk＝1表示配送工具k从工位i运动至工位j，xijk＝0表示配送 工具k未从工位i运动至工位j，si为工位i的卸货时间，
Figure BDA0002636111360000112
为配送时间点不在 服务时间窗内的惩罚时间。
但是，发明人后续的计算时发现，如果直接将该时间作为适应度的计算， 会导致数据的溢出，从而导致算法的执行效率偏低。因此，发明人在此基础 上设计了如公式(7)所示出的适应度的函数，
Figure BDA0002636111360000111
在步骤S41中，采用轮盘赌法选择第一种群中适应度最高的两个染色体。 具体地，该轮盘赌法可以是先根据适应度的大小关系按照从小到大的顺序排 列，然后依据适应度的值来作为每条染色体被选中的概率进行选择。
在步骤S42中，对选取的两个染色体执行交叉操作和变异操作。对于该 交叉和变异操作，可以是本领域人员所知的多种形式。在本发明的一个优选 示例中，发明人考虑到传统的交叉和变异操作所产生的多样性较差，在实际 设备运行计算的过程中，需要执行多次的迭代才能够得到符合要求的染色体。 因此，在该示例中，发明人设计了如图4中所示出的交叉和变异操作。在图 4中，可以先对选择出的两条染色体进行非首尾位置0两侧基因值进行换位； 然后依据预设的约束条件对换位后的染色体进行合法化；接着对合法化后的两条染色体进行子路径旋转换位操作；最后进行第二次的合法化操作。
在步骤S43中，判断该第一种群是否满足预设的迭代终止条件。具体地， 该迭代终止条件可以是例如判断是否小于预设的迭代次数。小于该迭代次数 则满足，否则则不满足。对于该迭代次数，可以是例如200次。
在步骤S44中，在判断第一种群满足迭代终止条件的情况下，将第一种 群作为配送方案。
在判断第一种群不满足迭代终止条件的情况下，再次计算每个染色体的 适应度，并执行方法的相应步骤，直到第一种群满足迭代终止条件，即返回 执行步骤S41。
在步骤S13中，根据配送方案并基于布尔矩阵对数字化车间的工位和库 区进行编码以形成第二种群。在该实施方式中，发明人考虑到实际数字化车 间的工位以及库区排布的特点，以双层矩阵的方式来进行编码。具体地，在 第一层，发明人以工位为列向量、所需的物料为行向量建立第一层矩阵。其 中，第一层矩阵中的元素用于指示工位是否需要配送物料。如公式(8)所 示，
Figure BDA0002636111360000121
在第二层，则可以以物料为行向量、存储物料的库区为列向量建立第二 层矩阵。其中，第二层矩阵中的元素用于指示库区是否存储有物料，所建立 的第二层矩阵可以是如公式(9)所示，
Figure BDA0002636111360000131
最后，在基于第一层矩阵和第二层矩阵随机生成多个个体以构成第二种 群。例如表1所示，
表1
Figure BDA0002636111360000132
在步骤S14中，计算第二种群中每个个体的适应度。对于该适应度的计 算方式，可以是本领域人员所知的多种形式。在该实施方式中，该具体方式 可以例如根据公式(10)至公式(14)计算每个个体的适应度，
F2＝1/{(0.5f1′+1)+(0.5f2′+1)}， (10)
f’＝(f-fmin)/(fmax-fmin)， (11)
Figure BDA0002636111360000141
Figure BDA0002636111360000142
Figure BDA0002636111360000143
其中，F2为每个个体的适应度函数，f’为去量纲函数，fmin为函数f的 最小值，fmax为函数f的最大值，f1′和f2′分别为去量纲后的f1和f2的值，r为 库位的编号，n为库位的数量，V1为堆垛机水平方向运动的速度，P为堆垛机 的牵引功率，br表示第b列的库位r，L为每个库位的宽度，M为物料的质量， g为重力加速度，ar表示第a层的库位r，H为库位的高度，V2为堆垛机垂直 方向上运动的速度，m为工位i的总数量，Ti为工位i的配送时间，yik为用于指示工位i是否由配送工具k配送的变量，yik＝1表示工位i由配送工具k配送， yik＝0表示工位i未由配送工具k配送，Tw为物料的清洗时间，zi为用于指示 物料是否需要清洗的变量，zi＝1表示物料需要被清洗，zi＝0表示物料不需 要被清洗，Tij为配送工具从工位i到工位j的时间，xijk为用于指示配送工具k 是否从工位i运动至工位j的变量，xijk＝1表示配送工具k从工位i运动至工位 j，xijk＝0表示配送工具k未从工位i运动至工位j，si为工位i的卸货时间，
Figure BDA0002636111360000144
为配送时间点不在服务时间窗内的惩罚时间。
在步骤S15中，判断迭代次数k是否满足终止条件。具体地，该迭代终 止条件可以是例如判断是否小于预设的迭代次数。小于该迭代次数则满足， 否则则不满足。对于该迭代次数，可以是例如500次。
在步骤S16中，在判断迭代次数k未满足终止条件的情况下，令个体个 数m＝0。
在步骤S17中，从第二种群选择适应度最大的个体放入第三种群 p(k+1)，并更新个体个数m＝m+1。
在步骤S18中，从第二种群中随机选择适应度最大的两个个体。
在步骤S19中，计算两个个体的交叉概率。具体地，该交叉概率可以是 根据公式(15)来计算，
Figure BDA0002636111360000151
其中，c为交叉概率，c1、c2为预设的常数，F2max为第二种群中适应度 的最大值，F2′为两个个体中适应度的较大值，F2avg为第二种群的适应度的 平均值。
在步骤S20中，判断交叉概率是否大于预设的第一概率值。
在步骤S21中，在判断交叉概率大于第一概率值的情况下，对两个个体 执行单点交叉操作。
在步骤S22中，计算单点交叉操作后的两个个体的变异概率。具体地， 该变异概率可以是根据公式(16)来计算，
Figure BDA0002636111360000152
其中，d为变异概率，d1、d2为预设的常数，F2max为第二种群中适应度 的最大值，F2avg为第二种群的适应度的平均值，F2″为两个个体中的适应度 的较大值。
在步骤S23中，判断变异概率是否大于预设的第二概率值。
在步骤S24中，在判断交叉概率大于第二概率值的情况下，对两个个体 执行基本位变异操作。
在步骤S25中，将执行基本位变异操作后的两个个体放入第三种群 p(k+1)，并更新个体个数m＝m+2。
在步骤S26中，判断个体个数m是否小于预设的种群容量。
在判断个体个数m小于种群容量的情况下，再次从第二种群中随机选择 适应度最大的两个个体，并执行该方法的相应步骤，,即返回执行步骤S18， 直到个体个数m大于或等于种群容量。
在步骤S27中，在判断个体个数m大于或等于种群容量的情况下，更新 迭代次数k，再次判断迭代次数k是否满足终止条件，并执行该方法的相应步 骤，即返回执行步骤S15，直到迭代次数k满足终止条件。
在步骤S28中，在判断迭代次数k满足终止条件的情况下，分别计算每 个第三种群p(k+1)的每个个体的适应度。
在该实施方式中，发明人发现虽然步骤S13设置的编码规则能够适应数 字化车间的工位和库位的特殊条件，但是由于编码后的每个个体均是以矩阵 的形式，单个个体所占用的内存较大。在迭代和计算的过程中，随着生成的 个体的数量的增多，所占用的内存也会越来越大，从而造成系统内存占用过 多。针对这一技术问题，发明人采用了设置第三种群p(k+1)的方式。在每 次迭代生成到一定数量的个体(种群容量)的情况下，就将该以生成的部分 组成一个第三种群存储起来，并重新建立新的第三种群，从而实现了内存的 释放。
在步骤S29中，选取适应度最大的个体作为最终的分配结果。
另一方面，本发明还提供一种基于PSC-IGA算法的数字化车间调度系 统，该调度系统可以包括处理器，该处理器可以用于执行如上述任一所述的 方法。
再一方面，本发明还提供一种存储介质，该存储介质可以存储有指令， 该指令可以用于被机器读取以使得机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的基于PSC-IGA算法的数字化车间调 度方法、系统及存储介质通过采用PSC-IGA算法(Polychromatic Sets Constraints of improvedGenetic Algorithm，基于多色集合约束的遗传算法)， 先通过改进的遗传算法求解数字化车间工位的配送问题，确定出配送效率最 高的配送方案，再基于确定出的配送方案以及数字化车间的库存、工位的分 布特点建立两层布尔围道矩阵，最后进一步采用改进后的遗传算法对建立的 模型进行求解，快速、高效地得出最佳的仓库一体化方案，提高了生产效率的同时也提高了算法的收敛速度。
在本发明的一个实施例中，可以将本发明提供的方法应用至BY数字化 车间中。经过实地调研，已知该数字化车间包括1个立库、8个工位，清洗 时间Tw固定为1min，装货时间忽略不计，卸货时间si固定为1.5min，配送工 具早到工位的早到惩罚因子C为60min，晚到惩罚因子D为90min。具体的工 位信息可以是如表2中所示，
表2
Figure BDA0002636111360000171
采用如图1中所示的方法基于上述数据进行处理，设置遗传算法参数为 初始种群大小为50，交叉概率为0.9，变异概率0.1。在配送工具的数量分别 为1、2及3的情况下，其迭代次数次数和最优解的变化情况下依次如图5 至图7所示。
图5至图7中的最优解的结果如表3所示，
表3
Figure BDA0002636111360000181
从表3中可以看出，在配送工具的数量为2的情况下，实际配送所需要 的时间最短，即配送工具的数量为2的情况下，能够达到最优解。
在确定出配送方案的情况下，执行步骤S13后的方法，即先对工位和库 区进行编码以得到第二种群。从现场获得数据可知，工位需要配送的物料以 及库区存储物料的对应关系如表4所示，
表4
Figure BDA0002636111360000182
Figure BDA0002636111360000191
基于本发明提供的方法对上述数据进行求解可知，可知物料的出库顺序 为：21-81-71-61-51-11-31-41-22-82-72-62-52-12-32-42。依据该顺序选择库区 进行编码，建立约束并且进行基于该约束的模型求解算法的选择和设计。
假设数字化车间立体仓库中堆垛机的水平行走速度为V1＝60m/min，垂 直提升速度为V2＝40m/min，每个货位货格的宽度L＝0.8m，高度H＝0.56m， 堆垛机能耗P＝200kW，g＝9.8m/s^2，M＝2kg。以布尔围道矩阵中的约束为 依据，对物料的货位分配及堆垛机的拣选路径进行规划，设I/O的编号为1， 坐标为(0，1)。设置遗传算法的一些参数：初始种群大小为50，染色体长 度为17，交叉概率为0.7，变异概率为0.05。将上述参数分别带入MATLAB程序中，经多次实验，确定遗传迭代次数为500次。其最优解的变化和种群 均值的变化如图8所示。
从图中可以看出，遗传算法对该目标结果有较好的优化结果，进行了大 概400次迭代后已经趋向收敛，并最终得到最优解。最优目标函数值从优化 前的0.2729，经过优化后降到0.1310，下降了约52％，优化后的货位分配和 拣货路径情况如表5所示，
表5
库区编号 物料 物料对应库位编码 库位坐标
1 21-22-41 1-42-25 (1，1)-(3，2)-(2，5)
2 31-81 63-47 (4，3)-(3，7)
3 11-32-72 81-68-53 (5，1)-(4，8)-(3，13)
4 12-61 110-75 (6，10)-(4，15)
5 42-62-82 129-112-57 (7，9)-(6，12)-(3，17)
6 51-52-71 137-99-80 (7，17)-(5，19)-(4，20)
此方案在降低堆垛机运行时间和能耗方面达到一个全局最优状态。从以 上优化的结果可以看出，以配送路径结果生成出库顺序，再根据此结果建立 约束求解货位分配问题使得堆垛机运行时间和能耗达到全局最优状态，结果 证明方法是有效切实可行的，保证配送需求的同时提高了立库作业效率和运 行成本，且本部分采用的基于约束模型的遗传算法求解方式运行10次与传 统遗传算法对比结果如表6所示。
表6
Figure BDA0002636111360000201
从表6中可以看出，本文所使用的基于多色集合约束的遗传算法有效加 快了收敛速度。
以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施 方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范 围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型 均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征， 在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的 重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤 是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中， 包括若干指令用以使得一个可以是单片机，芯片等或处理器(processor)执 行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括： U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储 器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代 码的介质。
此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合， 只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公 开的内容。

Claims (10)

1.一种基于PSC-IGA算法的数字化车间调度方法，其特征在于，所述调度方法包括：
获取数字化车间的工位及其对应的物料需求；
随机生成完成每个工位的配送任务的多条染色体以形成初始的第一种群；
采用遗传算法迭代更新所述第一种群以得到配送方案；
根据所述配送方案并基于布尔矩阵对所述数字化车间的工位和库区进行编码以形成第二种群；
计算所述第二种群中每个个体的适应度；
判断迭代次数k是否满足终止条件；
在判断迭代次数k未满足终止条件的情况下，令个体个数m＝0；
从所述第二种群选择适应度最大的个体放入第三种群p(k+1)，并更新所述个体个数m＝m+1；
从所述第二种群中随机选择适应度最大的两个个体；
计算所述两个个体的交叉概率；
判断所述交叉概率是否大于预设的第一概率值；
在判断交叉概率大于所述第一概率值的情况下，对所述两个个体执行单点交叉操作；
计算单点交叉操作后的所述两个个体的变异概率；
判断所述变异概率是否大于预设的第二概率值；
在判断所述交叉概率大于所述第二概率值的情况下，对所述两个个体执行基本位变异操作；
将执行基本位变异操作后的所述两个个体放入第三种群p(k+1)，并更新所述个体个数m＝m+2；
判断所述个体个数m是否小于预设的种群容量；
在判断所述个体个数m小于所述种群容量的情况下，再次从所述第二种群中随机选择适应度最大的两个个体，并执行所述方法的相应步骤，直到所述个体个数m大于或等于所述种群容量；
在判断所述个体个数m大于或等于所述种群容量的情况下，更新迭代次数k，再次判断迭代次数k是否满足终止条件，并执行所述方法的相应步骤，直到迭代次数k满足终止条件；
在判断所述迭代次数k满足所述终止条件的情况下，分别计算每个所述第三种群p(k+1)的每个个体的适应度；
选取适应度最大的所述个体作为最终的分配结果。
2.根据权利要求1所述的方法，其特征在于，所述随机生成完成每个工位的配送任务的多条染色体以形成初始的第一种群具体包括：
采用数字0表示所述数字化车间的配送工具的初始位置；
采用数字1至z表示每个所述工位，其中，z为所述工位的数量；
确定所述配送工具的数量。
3.根据权利要求1所述的方法，其特征在于，所述采用遗传算法迭代更新所述第一种群以得到配送方案具体包括：
计算每个所述染色体的适应度；
采用轮盘赌法选择所述第一种群中适应度最高的两个所述染色体；
对选取的两个所述染色体执行交叉操作和变异操作；
判断所述第一种群是否满足预设的迭代终止条件；
在判断所述第一种群满足所述迭代终止条件的情况下，将所述第一种群作为所述配送方案；在判断所述第一种群不满足所述迭代终止条件的情况下，再次计算每个所述染色体的适应度，并执行所述方法的相应步骤，直到所述第一种群满足所述迭代终止条件。
4.根据权利要求3所述的方法，其特征在于，所述计算每个所述染色体的适应度具体包括：
根据公式(1)计算每个所述染色体的适应度，
Figure FDA0002636111350000031
其中，F1为所述染色体的适应度，m为工位i的总数量，Ti为工位i的配送时间，yik为用于指示工位i是否由配送工具k配送的变量，yik＝1表示工位i由配送工具k配送，yik＝0表示工位i未由配送工具k配送，Tw为物料的清洗时间，zi为用于指示物料是否需要清洗的变量，zi＝1表示物料需要被清洗，zi＝0表示物料不需要被清洗，Tij为配送工具从工位i到工位j的时间，xijk为用于指示配送工具k是否从工位i运动至工位j的变量，xijk＝1表示配送工具k从工位i运动至工位j，xijk＝0表示配送工具k未从工位i运动至工位j，si为工位i的卸货时间，
Figure FDA0002636111350000032
为配送时间点不在服务时间窗内的惩罚时间。
5.根据权利要求1所述的方法，其特征在于，所述根据所述配送方案并基于布尔矩阵对所述数字化车间的工位和库区进行编码以形成第二种群具体包括：
以工位为列向量、所需的物料为行向量建立第一层矩阵，其中，所述第一层矩阵中的元素用于指示所述工位是否需要配送所述物料；
以所述物料为行向量、存储所述物料的库区为列向量建立第二层矩阵。其中，所述第二层矩阵中的元素用于指示所述库区是否存储有所述物料；
基于所述第一层矩阵和所述第二层矩阵随机生成多个所述个体以构成所述第二种群。
6.根据权利要求1所述的方法，其特征在于，所述计算所述第二种群中每个个体的适应度具体包括：
根据公式(2)至公式(6)计算每个所述个体的适应度，
F2＝1/{(0.5f1′+1)+(0.5f2′+1)}， (2)
f’＝(f-fmin)/(fmax-fmin)， (3)
Figure FDA0002636111350000041
Figure FDA0002636111350000042
Figure FDA0002636111350000043
其中，F2为每个所述个体的适应度函数，f’为去量纲函数，fmin为函数f的最小值，fmax为函数f的最大值，f1′和f2′分别为去量纲后的f1和f2的值，r为库位的编号，n为所述库位的数量，V1为堆垛机水平方向运动的速度，P为堆垛机的牵引功率，br表示第b列的库位r，L为每个库位的宽度，M为物料的质量，g为重力加速度，ar表示第a层的库位r，H为库位的高度，V2为堆垛机垂直方向上运动的速度，m为工位i的总数量，Ti为工位i的配送时间，yik为用于指示工位i是否由配送工具k配送的变量，yik＝1表示工位i由配送工具k配送，yik＝0表示工位i未由配送工具k配送，Tw为物料的清洗时间，zi为用于指示物料是否需要清洗的变量，zi＝1表示物料需要被清洗，zi＝0表示物料不需要被清洗，Tij为配送工具从工位i到工位j的时间，xijk为用于指示配送工具k是否从工位i运动至工位j的变量，xijk＝1表示配送工具k从工位i运动至工位j，xijk＝0表示配送工具k未从工位i运动至工位j，si为工位i的卸货时间，
Figure FDA0002636111350000044
为配送时间点不在服务时间窗内的惩罚时间。
7.根据权利要求1所述的方法，其特征在于，所述计算所述两个个体的交叉概率具体包括：
根据公式(7)计算所述交叉概率，
Figure FDA0002636111350000051
其中，c为所述交叉概率，c1、c2为预设的常数，F2max为所述第二种群中适应度的最大值，F2′为两个个体中适应度的较大值，F2avg为所述第二种群的适应度的平均值。
8.根据权利要求1所述的方法，其特征在于，所述计算单点交叉操作后的所述两个个体的变异概率具体包括：
根据公式(8)计算所述变异概率，
Figure FDA0002636111350000052
其中，d为所述变异概率，d1、d2为预设的常数，F2max为所述第二种群中适应度的最大值，F2avg为所述第二种群的适应度的平均值，F2″为所述两个个体中的适应度的较大值。
9.一种基于PSC-IGA算法的数字化车间调度系统，其特征在于，所述调度系统包括处理器，所述处理器用于执行如权利要求1至8任一所述的方法。
10.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至8任一所述的方法。
CN202010825648.8A 2020-08-17 2020-08-17 基于psc-iga算法的数字化车间调度方法、系统及存储介质 Pending CN112116126A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010825648.8A CN112116126A (zh) 2020-08-17 2020-08-17 基于psc-iga算法的数字化车间调度方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010825648.8A CN112116126A (zh) 2020-08-17 2020-08-17 基于psc-iga算法的数字化车间调度方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN112116126A true CN112116126A (zh) 2020-12-22

Family

ID=73804300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010825648.8A Pending CN112116126A (zh) 2020-08-17 2020-08-17 基于psc-iga算法的数字化车间调度方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN112116126A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222410A (zh) * 2021-05-12 2021-08-06 西安建筑科技大学 双向式布局模式下货位分配模型建立方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222410A (zh) * 2021-05-12 2021-08-06 西安建筑科技大学 双向式布局模式下货位分配模型建立方法
CN113222410B (zh) * 2021-05-12 2023-05-19 西安建筑科技大学 双向式布局模式下货位分配模型建立方法

Similar Documents

Publication Publication Date Title
CN107808215B (zh) 一种应用于Flying-V型非传统布局仓库的货位分配优化方法
CN104835026B (zh) 基于Petri网与改进遗传算法的自动化立体仓库拣选作业调度建模优化方法
Bräysy et al. Evolutionary algorithms for the vehicle routing problem with time windows
CN110991754B (zh) 一种基于变邻域nsga-ⅱ算法的多目标货位优化方法
CN114417696A (zh) 一种基于遗传算法的自动化立体仓库货位分配优化方法
CN106773686B (zh) 同轨双车运行模式下堆垛机调度路径模型建立方法
CN112378415B (zh) 一种工器具的调度规划方法、装置及设备
CN113408988B (zh) 仓储系统的调度优化方法、电子设备及存储介质
CN110599000B (zh) 自动化码头翻箱评估方法、箱位分配方法及相关装置
Hu et al. A storage allocation algorithm for outbound containers based on the outer–inner cellular automaton
CN105858043B (zh) 一种升降机与穿梭车结合的仓储系统优化调度方法
CN113673922A (zh) 基于鱼骨型仓库布局的多车拣选路径问题优化方法及系统
CN111985683B (zh) 一种多目标离散装配车间物料配送的路径优化方法
CN115619198B (zh) 库位移动规划方法、装置、电子设备及存储介质
CN112116126A (zh) 基于psc-iga算法的数字化车间调度方法、系统及存储介质
CN114841583A (zh) 智能化仓库货位调配优化方法
CN111027875A (zh) 一种基于自适应任务池的智能仓储多机器人任务分配方法
Park et al. Optimizing stacking policies using an MOEA for an automated container terminal
Jawahar et al. Optimal random storage allocation for an AS/RS in an FMS
Siswanto et al. Multi-heuristics based genetic algorithm for solving maritime inventory routing problem
CN116468372A (zh) 一种储位分配方法、系统及存储介质
CN116596440A (zh) 一种自动化立体仓库出入库智能调度方法
CN115063064A (zh) 一种基于遗传算法的生产物流仓库储位分配方法
CN111507662A (zh) 一种规划物流车辆路径的方法
CN117875189B (zh) 一种基于ga优化gro的立体仓库空间布局方法

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