CN112147960B - 一种柔性制造系统优化调度方法及装置 - Google Patents

Abstract

本发明涉及一种柔性制造系统优化调度方法及装置，其中，方法包括以下步骤：根据柔性制造系统的特性，建立以最大完成时间、能耗量以及AGV数量为优化目标的多目标模型；为各优化目标设置权重，根据各优化目标的权重将所述多目标模型整合为单目标模型；分别针对工件与加工设备之间的匹配关系、工件的加工顺序以及运输任务与AGV之间的匹配关系进行分段编码，构建多维度分段编码的调度模型；以所述单目标模型作为优化目标，对所述调度模型进行调度计算，得到优化调度结果。本发明在进行柔性制造系统优化调度时，充分考虑了多个目标，优化效果好。

Description

一种柔性制造系统优化调度方法及装置

技术领域

本发明涉及柔性制造系统调度技术领域，尤其涉及一种柔性制造系统优化调度方法、装置及计算机存储介质。

背景技术

随着制造业的发展和竞争市场的变化，满足客户的多样化需求和提高服务质量已成为转变其制造企业战略的主要方向，而柔性制造系统(FMS)成为满足这些需求的有效途径。

柔性制造系统由物料搬运设备(AGV小车和机器人)、工作站、自动存储系统等组成。由于AGV的灵活结构和高度兼容性，它们被广泛用于柔性制造系统中。虽然使用AGV的柔性制造系统能够有效地满足多样化的制造需求，但是在面向绿色调度和减少加工时间等方面仍然有不少的改进空间。

在使用AGV的柔性制造系统中，企业需要综合考虑最大完成时间、能耗量以及AGV数量等多个目标，以全面优化制造过程和FMS的收益。在FMS中，优化工件加工顺序以及运输任务与AGV之间的匹配关系是提高柔性制造系统性能的两个主要做法，但是柔性制造系统中的很多加工设备具有多种处理能力，因此需要结合工件与加工设备之间的匹配关系进行优化选择，以便进一步提高FMS资源利用率和生产率。

发明内容

有鉴于此，有必要提供一种柔性制造系统优化调度方法，用以解决目前柔性制造系统优化无法综合考虑多个优化目标的问题。

本发明提供一种柔性制造系统优化调度方法，包括以下步骤：

根据柔性制造系统的特性，建立以最大完成时间、能耗量以及AGV数量为优化目标的多目标模型；

为各优化目标设置权重，根据各优化目标的权重将所述多目标模型整合为单目标模型；

分别针对工件与加工设备之间的匹配关系、工件的加工顺序以及运输任务与AGV之间的匹配关系进行分段编码，构建多维度分段编码的调度模型；

以所述单目标模型作为优化目标，对所述调度模型进行调度计算，得到优化调度结果。

进一步的，建立以最大完成时间、能耗量以及AGV数量为优化目标的多目标模型，具体为：

MS≤DT；

当工件i的工序j被分配给机器M_k，且该工件i的工序j是分配给机器M_k的第p道工序，则：

ot(i,j)＝T(k,p)＝ot_e(i,j)-ot_s(i,j)；

当工件i的工序j的运输任务被分配给第l台AGV小车A_l，且工件i的工序j的运输任务是分配给第l台AGV小车的第q道工序，则：

tt(i,j)＝T(l,q)＝tt_e(i,j)-tt_s(i,j)；

其中，MS是最大完成时间；DT是运送时间；m_i是工件i的工序编号；J_i是工件i的编号；n是工件的数量；N_k是分配到机器M_k的工序编号；M_k表示第k个机器；s是机器的数量；N_l是被分配到AGV小车A_l的运输任务；A_l表示第l个AGV小车；t是AGV小车的数量；ot(i,j)是工件i的工序j的执行时间；T(k,p)是被分配到机器M_k的工序p的制造执行时间；ot_e(i,j)是工件i的工序j的执行结束时间；ot_s(i,j)是工件i的第j道工序的执行开始时间；tt(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的运输时间；T(l,q)是被分配到AGV小车A_l的运输任务q的运输时间；tt_e(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的执行结束时间；tt_s(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的执行开始时间。

进一步的，所述最大完成时间具体为：

其中，MS是最大完成时间，max{}表示取最大值，MFT_k是分配到机器M_k的工序制造完成时间；AFT_l是分配到AGV小车A_l的运输任务完成时间；T(k,N_k)是分配到机器M_k上的工序N_k制造执行时间；ot(i)是工件J_i的工序制造完成时间；tt(i)是工件J_i的运输任务结束时间；ot(i,m_i)是工件J_i的工序制造执行时间。

进一步的，所述能耗量具体为：

ES＝esw+ese；

其中，ES是加工所有工件的能耗量；esw是标准能耗量；ese是加工工序的能耗量；

其中，esw(k)是机器M_k的标准能耗量；WT(k,p)是被分配到机器M_k的工序p-1到工序p的等待时间；wesu(k)是在单位时间内机器M_k的标准能耗量；otw(i,j)是在工件i中工序j-1到工序j的等待时间；ese(k)是机器M_k执行工序的能耗量；es(k,p)是分配到机器M_k的工序p产生的能耗量；es(i,j)是执行工件i的工序j的能耗量。

进一步的，为各优化目标设置权重，根据各优化目标的权重将所述多目标模型整合为单目标模型，具体为：

其中，MS是最大完成时间；是ES是机器的能耗量；NA是AGV数量；

最大完成时间的权重；

是能耗量的权重；

是AGV数量的权重；

ψ₁是能耗量相对于最大完成时间的比率值；ψ₂是AGV数量相对于最大完成时间的比率值；

DT是运送时间；ese是加工工序的能耗量；max()表示取最大值。

进一步的，分别针对工件与加工设备之间的匹配关系、工件的加工顺序以及运输任务与AGV之间的匹配关系进行分段编码，构建多维度分段编码的调度模型，具体为：

根据工件编号以及加工设备编号将工件与加工设备之间的匹配关系表示为连续型编码，根据工件的工序编码将工件的加工顺序表示为连续型编码，根据运输任务编码和AGV小车编码将运输任务与AGV小车之间的匹配关系表示为连续型编码，得到多维度分段编码的调度模型。

进一步的，以所述单目标模型作为优化目标，采用混合遗传离散粒子群算法对所述调度模型进行调度计算，得到优化调度结果，具体为：

根据所述调度模型生成初始化种群，设置初始化参数以及初始化粒子；

采用最小位置值和离散区间规则将粒子的位置信息转换为维度编码集合；

更新所述粒子的速度和位置，并产生粒子种群；

对所述粒子种群中个体实行轮盘赌选择机制，采用两点交叉和单点交叉对所述粒子种群进行进化，得到新的粒子种群；

判断进化次数是否大于最大迭代次数，如果是，则输出粒子种群得到优化调度结果，否则进行下一次种群进化。

进一步的，更新所述粒子的速度和位置，具体为：

更新所述粒子的速度：

其中，

为更新后的粒子速度；

为更新前的粒子速度；α为粒子序号，β为粒子维度序号；ω为惯性权重系数；

为粒子的最优位置；

为粒子种群的最优位置；

为更新前的粒子位置；c₁是粒子置信度；c₂是粒子种群的置信度；r₁、r₂均为随机数；

更新所述粒子的位置：

其中，

为更新后的粒子位置。

本发明还提供一种柔性制造系统优化调度装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述柔性制造系统优化调度方法。

本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现所述柔性制造系统优化调度方法。

有益效果：本发明综合考虑最大完成时间、能耗量以及AGV数量进行调度决策，通过定义各目标权重将多目标问题转化为单目标问题，针对多目标同时在多维度进行优化调度，多维度包括优化工件与加工设备之间的匹配关系、工件的加工顺序以及工件的运输任务与AGV之间的匹配关系，本发明能够有效地降低最大完成时间和能耗量，并获得最佳的AGV数量。

附图说明

图1为本发明提供的柔性制造系统优化调度方法第一实施例的方法流程图；

图2为本发明提供的柔性制造系统优化调度方法第一实施例的柔性制造系统架构图；

图3为图1中步骤S4混合遗传离散粒子群算法一实施方式的方法流程图；

图4a为图3中混合遗传离散粒子群算法的迭代次数与适应度的关系图；

图4b为图3中混合遗传离散粒子群算法的迭代次数与最大完成时间的关系图；

图4c为图3中混合遗传离散粒子群算法的迭代次数与能耗量的关系图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

实施例1

如图1所示，本发明的实施例1提供了柔性制造系统优化调度方法，包括以下步骤：

S1、根据柔性制造系统的特性，建立以最大完成时间、能耗量以及AGV数量为优化目标的多目标模型；

S2、为各优化目标设置权重，根据各优化目标的权重将所述多目标模型整合为单目标模型；

S3、分别针对工件与加工设备之间的匹配关系、工件的加工顺序以及运输任务与AGV之间的匹配关系进行分段编码，构建多维度分段编码的调度模型；

S4、以所述单目标模型作为优化目标，对所述调度模型进行调度计算，得到优化调度结果。

本发明针对柔性制造系统中的AGV调度计划，提出一种考虑多目标多维度的柔性制造系统优化调度方法，以实现整体能耗量的最小化、最大完成时间最小化、AGV数量最小化的目标，通过定义各目标权重将多目标问题转化为单目标问题。针对多目标同时在多维度进行优化调度，多维度包括优化工件与加工设备之间的匹配关系、工件的加工顺序以及工件的运输任务与AGV之间的匹配关系，从而从多维度的角度解决节约能耗和减少工期，实现制造能耗量最小、制造时间最短、AGV小车数量最优的绿色调度问题。

优选的，建立以最大完成时间、能耗量以及AGV数量为优化目标的多目标模型，具体为：

MS≤DT (1)；

当工件i的工序j被分配给机器M_k，且该工件i的工序j是分配给机器M_k的第p道工序，则：

ot(i,j)＝T(k,p)＝ot_e(i,j)-ot_s(i,j)；

当工件i的工序j的运输任务被分配给第l台AGV小车A_l，且工件i的工序j的运输任务是分配给第l台AGV小车的第q道工序，则：

tt(i,j)＝T(l,q)＝tt_e(i,j)-tt_s(i,j)；

其中，MS是最大完成时间；DT是运送时间；m_i是工件i的工序编号；J_i是工件i的编号；n是工件的数量；N_k是分配到机器M_k的工序编号；M_k表示第k个机器；s是机器的数量；N_l是被分配到AGV小车A_l的运输任务；A_l表示第l个AGV小车；t是AGV小车的数量；ot(i,j)是工件i的工序j的执行时间；T(k,p)是被分配到机器M_k的工序p的制造执行时间；ot_e(i,j)是工件i的工序j的执行结束时间；ot_s(i,j)是工件i的第j道工序的执行开始时间；tt(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的运输时间；T(l,q)是被分配到AGV小车A_l的运输任务q的运输时间；tt_e(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的执行结束时间；tt_s(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的执行开始时间。

优选的，所述最大完成时间具体为：

其中，MS是最大完成时间；max{}表示取最大值；MFT_k是分配到机器M_k的工序制造完成时间；AFT_l是分配到AGV小车A_l的运输任务完成时间；T(k,N_k)是分配到机器M_k上的工序N_k制造执行时间；ot(i)是工件J_i的工序制造完成时间；tt(i)是工件J_i的运输任务结束时间；ot(i,m_i)是工件J_i的工序制造执行时间。

具体的：

WT(k,p)＝T_s(k,p)-T_e(k,p-1)；

WT(l,q)＝T_s(l,q)-T_e(l,q-1)；

otw(i,j)＝ot_s(i,j)-ot_e(i,j-1)；

ttw(i,j)＝tt_s(i,j)-tt_e(i,j-1)；

其中，T(k,p)是被分配到机器M_k的工序p的制造执行时间；WT(k,p)是被分配到机器M_k的工序p-1到工序p的等待时间；T(l,q)是被分配到AGV小车A_l的运输任务q的运输时间；WT(l,q)是被分配到AGV小车A_l的运输任务q-1到运输任务q的等待时间；ot_s(i,1)是工件i的第1道工序的制造开始时间；ot(i,j)是工件i的工序j的执行时间；otw(i,j)是在工件i中工序j-1到工序j的等待时间；tt(i)是工件J_i的制造完成时间；tt_s(i,1)是AGV小车执行工件i的第1道工序的运输任务TA_il开始时间；tt(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的运输时间；ttw(i,j)是执行运输任务TA_i(j-1)和运输任务TA_ij的等待时间；T_s(k,p)是被分配到机器M_k的工序p制造执行开始时间；T_e(k,p-1)是被分配到机器M_k的工序p-1的制造执行结束时间；T_s(l,q)是被分配到AVG小车A_l的运输任务q的运输开始时间；T_e(l,q-1)是分配到AVG小车A_l运输任务q-1的运输结束时间；ot_s(i,j)是执行工件i的工序j的开始时间；ot_e(i,j-1)是执行工件i的工序j-1的结束时间；tt_s(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的开始时间；tt_e(i,j-1)是AGV小车执行工件i的工序j-1的运输任务TA_ij的结束时间。

优选的，所述能耗量具体为：

ES＝esw+ese；

其中，ES是加工所有工件的能耗量；esw是标准能耗量；ese是加工工序的能耗量；

其中，esw(k)是机器M_k的标准能耗量；WT(k,p)是被分配到机器M_k的工序p-1到工序p的等待时间；wesu(k)是在单位时间内机器M_k的标准能耗量；otw(i,j)是在工件i中工序j-1到工序j的等待时间；ese(k)是机器M_k执行工序的能耗量；es(k,p)是分配到机器M_k的工序p产生的能耗量；es(i,j)是执行工件i的工序j的能耗量。

一般来说AGV小车越多越能缩短最大完成时间，但AGV数量增加也意味着产生更多的能耗成本。所以在优化最大完成时间和能耗量同时，优化AGV小车数量对于柔性制造系统FMS的调度有着重要意义。

优选的，为各优化目标设置权重，根据各优化目标的权重将所述多目标模型整合为单目标模型，具体为：

其中，MS是最大完成时间；是ES是机器的能耗量；NA是AGV数量；

最大完成时间的权重；

是能耗量的权重；

是AGV数量的权重；

ψ₁是能耗量相对于最大完成时间的比率值；ψ₂是AGV数量相对于最大完成时间的比率值；

DT是运送时间；ese是加工工序的能耗量；max()表示取最大值。

优选的，分别针对工件与加工设备之间的匹配关系、工件的加工顺序以及运输任务与AGV之间的匹配关系进行分段编码，构建多维度分段编码的调度模型，具体为：

根据工件编号以及加工设备编号将工件与加工设备之间的匹配关系表示为连续型编码，根据工件的工序编码将工件的加工顺序表示为连续型编码，根据运输任务编码和AGV小车编码将运输任务与AGV小车之间的匹配关系表示为连续型编码，得到多维度分段编码的调度模型。

本实施例是考虑柔性制造系统中的调度任务，建立三个目标：最小化最大完成时间、最小化能耗量、最小化AGV数量；然而因为工件、机器(即加工设备)、AGV小车三者的复杂对应关系，所以采用多维度分段编码的方法，寻找到最优的调度方案和调度模型。

具体的，例如某一道工序可以被5台加工设备加工，则[0,1]区间被划分为[0,1/5)、[1/5,2/5)、[2/5,3/5)、[3/5,4/5)和[4/5,1]五个区间，且这五个区间分别对应于整数编码‘1’、‘2’、‘3’、‘4’和‘5’。如果粒子的位置值为连续型编码‘0.25’属于区间[1/5,2/5)，即代表工序与第2台加工设备相匹配，因此，可将其转化为整数编码‘2’。

优选的，以所述单目标模型作为优化目标，采用混合遗传离散粒子群算法对所述调度模型进行调度计算，得到优化调度结果，具体为：

根据所述调度模型生成初始化种群，设置初始化参数以及初始化粒子；

采用最小位置值和离散区间规则将粒子的位置信息转换为维度编码集合；

计算每个粒子的适应度值；

判断进化次数是否大于最大迭代次数，如果是，则输出粒子种群得到优化调度结果，否则进入下一步进行下一次种群进化；

更新所述粒子的速度和位置；

判断所述粒子的位置是否在预设边界内，如果是，则进入下一步，否则在预设边界内重新生成一个新的粒子，然后进入下一步；

根据更新的粒子产生粒子种群，对所述粒子种群中个体实行轮盘赌选择机制，采用两点交叉和单点交叉对所述粒子种群进行进化，得到新的粒子种群。

本实施例使用一种分段编码的混合遗传离散粒子群算法(H-SE-GA-DPSO)。为了更清楚的展示H-SE-GA-DPSO算法的应用，以图2中示出的柔性制造系统为例进行具体说明，如图2所示，柔性制造系统中，当客户下达订单之后，系统根据订单要求，安排相关的工件进行加工，其中不同工件的不同工序对应不同的机器加工，需要AGV将工件按照工序顺序执行运输任务，最终运输任务完成或者机器加工完成，意味着该订单制造加工完成。本发明实施例公开的考虑多目标多维度柔性制造系统优化调度方法是以最小化加工时间、能耗量、AGV数量为目标，对工件工序、加工设备、AGV进行多维度分段编码，建立了相关的调度模型。在步骤S3使用一种分段编码的混合遗传离散粒子群算法(H-SE-GA-DPSO)进行调度计算，从而得到综合考虑最大完成时间、能耗量和AGV数量的调度结果。

混合遗传离散粒子群算法(H-SE-GA-DPSO)方法流程如图3所示，在本实施例中，构建的H-SE-GA-DPSO算法主要包括以下步骤：

S31、染色体表达，生成初始种群：将初始种群作为当前种群，其中，初始种群的个体基因为C_r＝{(O_i(j)),(M_i(j),(A_i(j)))|i＝1,2,...,n,j＝1,2,...,m_i}，其中O_i(j)是工件i的工序j，M_i(j)是工序和机器的对应关系，A_i(j)是AGV和工件运输任务的对应关系。基因长度LC＝3*θ，其中θ是一个工件的工序的数量，例如染色体为：

其中，SgSo中数字表示工件工序，例如数字“2”表示工件J₂，从左往右，第一个数字“2”表示工件J₂的第一道工序，第二个“2”表示工件J₂的第二道工序，同样的，对于工件J₁来说，第一个数字“1”表示工件J₁的第一道工序，第二个“1”表示工件J₁的第二道工序，其它同理，在此不再赘述；SgOm中J₁、J₂、J₃中数字分别表示工件J₁、J₂、J₃的工序与机器的对应关系，J₁的数字中，从左往右，第一个数字“2”表示被分到机器2的工件J₁的第一道工序，第一个数字“1”表示被分配到机器1的工件J₁的第一道工序，J₂、J₃中数字意义同理可得；SgAt中中J₁、J₂、J₃中数字分别表示工件J₁、J₂、J₃运输任务与机器的对应关系，J₁的数字中，从左往右，第一个数字“1”表示由序号为1的AGV小车执行工件J1的第一道工序的运输任务，第二个数字3表示序号为3的AGV小车执行工件J1的第二道工序的运输任务；SgSo是工序部分；SgOm是工序机器部分；SgAt是AGV运输任务部分。

具体的，离散粒子群算法的分段编码如表1所示：

表1、分段编码示意

S32、初始化参数和初始化粒子：初始化参数包括粒子数量NC、学习因子LF₁与LF₂、粒子维度DP、最大迭代次数NC_P_max、惯性权重系数ω；粒子的初始位置和速度进行初始化：初始位置

初始速度

α为粒子序号，β为粒子维度序号，rand()表示随机数函数；

S33、采用最小位置值(Smallest Position Value,SPV)和离散区间规则(Discrete Interval,DI)将粒子的位置信息转化成维度编码集合；具体的，最小位置值的基本原理为将连续型编码按从小到大的顺序转化为从1开始依次增加的整数编码，例如在连续型编码[0.11,0.15,0.08,0.67,0.42]中，‘0.08’最小，因此，它对应于整数编码‘1’，‘0.11’则是最紧挨着‘0.08’的数值，因此，它对应于整数‘2’，同理，‘0.15’对应于整数‘3’，最终可将该连续型编码转换为整数编码[2,3,1,5,4]。离散区间规则：其基本原理为将[0,1]区间的数值根据某一编码可选择的数值数量等分为相应数量的区间，从而实现连续编码向整数编码的转化。例如某一道工序可以被5台设备加工，则[0,1]区间被划分为[0,1/5)、[1/5,2/5)、[2/5,3/5)、[3/5,4/5)和[4/5,1]五个区间，且这五个区间分别对应于整数编码‘1’、‘2’、‘3’、‘4’和‘5’，例如连续型编码‘0.25’属于区间[1/5,2/5)，因此，可将其转化为整数编码‘2’。

S34、适应度值评价，通过

评价种群适应度值；

S35、判断是否满足条件终止迭代，即是否达到最大迭代次数，如果是，则结束，否则，进入S36；

S36、新的粒子群的产生，通过更新粒子的速度和位置来产生新的粒子群；包括速度更新和位置更新；

S37、判断粒子的位置是否在预设边界内，如果是，则进入S38，否则在预设边界内重新生成一个新的粒子；

S38、对所述当前种群中的个体实行轮盘赌选择机制，采用两点交叉和单点交叉对所述粒子种群进行进化；得到的新的种群作为当前种群，并返回S33，直到达到最大迭代次数，将得到的结果作为柔性制造系统的优化调度结果。

优选的，更新所述粒子的速度和位置，具体为：

更新所述粒子的速度：

其中，

为更新后的粒子速度，

为更新前的粒子速度，α为粒子序号，β为粒子维度序号，ω为惯性权重系数，

为粒子的最优位置，

为粒子种群的最优位置，

为更新前的粒子位置，c₁是粒子置信度，c₂是粒子种群的置信度，r₁、r₂均为随机数；

ω通过下式随机获得：

其中，μ为中间变量，σ为随机权重方差，N(0,1)表示标准正态分布的随机数，ω_min为惯性权重系数最小值，ω_max为惯性权重系数最大值，rand(0,1)表示取0到1之间的随机数；

更新所述粒子的位置：

其中，

为更新后的粒子位置。

本实施例还提供了一种实验的验证分析方法对调度优化方法进行验证，该验证方法包括步骤：

利用仿真软件对提出的H-SE-GA-DPSO算法的有效性进行验证分析，得到仿真结果；

将所得仿真结果与其它同类的算法进行对比，从而验证提出的考虑多目标多维度的柔性制造系统优化调度方法的有效性。

参数设置：最大进化代数500，种群规模100，交叉概率0.2，变异概率0.08，粒子置信度c₁＝0.01，c₂＝0.9，ω_min＝0.01，ω_max＝0.5，σ＝0.6，运送时间DT＝400，

分别是0.5、0.2、0.3，8个工件(J₁,...,J₈)，10台机器(M₁,…,M₁₀)，每个工件对应有3至5个工序，AGV数量从1到8台。为了避免实验的偶然性以及随机因素对计算结果的影响，独立运行20次仿真实验，并报告最优结果值。

实验信息：实验数据来自国内某一柔性制造装备企业。其中，表2是工序与机器的基础数据信息，其中J_i是工件编号，M_k是机器编号，即加工设备编号，ot(i,j)是工件i的工序j的执行时间，es(i,j)是执行工件i的工序j的能耗量，wesu(k)是在单位时间内机器M_k的标准能耗量，O_i(j)是工件i的工序j。表1中空白部分表示该工件没有相关的工序：

表2、工序与机器的基础数据信息

表3是AGV从原点H到相应机器的时间，每一个工件的开始运输起点都是在原点H：

表3、AGV从原点到机器位置的运行时间

在表4中，SE是分段编码，GA是遗传算法，DPSO是离散粒子群算法，H-SE-GA-DPSO是分段编码的混合遗传离散粒子群算法，H-GA-PSO是混合的遗传粒子群算法，TSA是禁忌搜索算法。Fitness value是适应度值，Makespan最大完成时间，Energy consumption是能耗量，NA是AGV数量：

表4、对于不同的AGV和不同的算法对比的调度结果

从表4中可以看出当AGV数量从1增加至8，各个算法的目标值会出现先减少后增加的趋势，从表中可以看出来，在本实验所示的柔性制造系统中，当AGV数量为4时的调度表现最佳。

同时，根据图4a、图4b以及图4c的对比，对比这五种算法，综合适应度值、最大完成时间、能耗量三方面来看，所提出的H-SE-GA-DPSO算法能够有效地减少最大完成时间和能耗量，证明所提出的优化调度方法的正确性。本发明实施例通过仿真实验，将仿真结果中的五种算法进行对比分析，证明了提出的分段编码的混合遗传离散粒子群算法(H-SE-GA-DPSO)具有良好的求解性能，能够获得较好的Pareto解。实验结果表明，该算法可以有效控制最大完成时间，降低能耗，还能获得最佳的AGV数量。

实施例2

本发明的实施例2提供了柔性制造系统优化调度装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现实施例1提供的柔性制造系统优化调度方法。

本发明实施例提供的柔性制造系统优化调度装置，用于实现柔性制造系统优化调度方法，因此，柔性制造系统优化调度方法所具备的技术效果，柔性制造系统优化调度装置同样具备，在此不再赘述。

实施例3

本发明的实施例3提供了计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现实施例1提供的柔性制造系统优化调度方法。

本发明实施例提供的计算机存储介质，用于实现柔性制造系统优化调度方法，因此，柔性制造系统优化调度方法所具备的技术效果，计算机存储介质同样具备，在此不再赘述。

以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种柔性制造系统优化调度方法，其特征在于，包括以下步骤：

根据柔性制造系统的特性，建立以最大完成时间、能耗量以及AGV数量为优化目标的多目标模型；

为各优化目标设置权重，根据各优化目标的权重将所述多目标模型整合为单目标模型；

分别针对工件与加工设备之间的匹配关系、工件的加工顺序以及运输任务与AGV之间的匹配关系进行分段编码，构建多维度分段编码的调度模型；

以所述单目标模型作为优化目标，对所述调度模型进行调度计算，得到优化调度结果；

为各优化目标设置权重，根据各优化目标的权重将所述多目标模型整合为单目标模型，具体为：

其中，MS是最大完成时间； ES是机器的能耗量；NA是AGV数量；

是 最大完成时间的权重；

是能耗量的权重；

是AGV数量的权重；

ψ₁是能耗量相对于最大完成时间的比率值；ψ₂是AGV数量相对于最大完成时间的比率值；

DT是运送时间；ese是加工工序的能耗量；max()表示取最大值；

分别针对工件与加工设备之间的匹配关系、工件的加工顺序以及运输任务与AGV之间的匹配关系进行分段编码，构建多维度分段编码的调度模型，具体为：

根据工件编号以及加工设备编号将工件与加工设备之间的匹配关系表示为连续型编码，根据工件的工序编码将工件的加工顺序表示为连续型编码，根据运输任务编码和AGV小车编码将运输任务与AGV小车之间的匹配关系表示为连续型编码，得到多维度分段编码的调度模型；

以所述单目标模型作为优化目标，采用混合遗传离散粒子群算法对所述调度模型进行调度计算，得到优化调度结果，具体为：

染色体表达，生成初始种群：将初始种群作为当前种群，其中，初始种群的个体基因为C_r＝{(O_i(j)),(M_i(j),(A_i(j)))|i＝1,2,...,n,j＝1,2,...,m_i}，其中O_i(j)是工件i的工序j，M_i(j)是工序和机器的对应关系，A_i(j)是AGV和工件运输任务的对应关系；基因长度LC＝3*θ，其中θ是一个工件的工序的数量，染色体为：

其中，SgSo中数字表示工件工序；SgOm中J₁、J₂、J₃中数字分别表示工件J₁、J₂、J₃的工序与机器的对应关系；SgAt中J₁、J₂、J₃中数字分别表示工件J₁、J₂、J₃运输任务与机器的对应关系；SgSo是工序部分；SgOm是工序机器部分；SgAt是AGV运输任务部分；

初始化参数和初始化粒子：初始化参数包括粒子数量NC、学习因子LF₁与LF₂、粒子维度DP、最大迭代次数NC_P_max、惯性权重系数ω；粒子的初始位置和速度进行初始化：初始位置

初始速度

α为粒子序号，β为粒子维度序号，rand()表示随机数函数；

采用最小位置值和离散区间规则将粒子的位置信息转化成维度编码集合；

适应度值评价，通过

评价种群适应度值；

判断是否满足条件终止迭代，即是否达到最大迭代次数，如果是，则结束，否则，进入下一步；

新的粒子群的产生，通过更新粒子的速度和位置来产生新的粒子群；包括速度更新和位置更新；

判断粒子的位置是否在预设边界内，如果是，则进入下一步，否则在预设边界内重新生成一个新的粒子；

对所述当前种群中的个体实行轮盘赌选择机制，采用两点交叉和单点交叉对所述粒子群进行进化；得到的新的种群作为当前种群，并返回重新采用最小位置值和离散区间规则将粒子的位置信息转化成维度编码集合，直到达到最大迭代次数，将得到的结果作为柔性制造系统的优化调度结果；

其中，更新所述粒子的速度和位置，具体为：

更新所述粒子的速度：

其中，

为更新后的粒子速度，

为更新前的粒子速度，α为粒子序号，β为粒子维度序号，ω为惯性权重系数，

为粒子的最优位置，

为粒子群的最优位置，

为更新前的粒子位置，c₁是粒子置信度，c₂是粒子群的置信度，r₁、r₂均为随机数；

ω通过下式随机获得：

其中，μ为中间变量，σ为随机权重方差，N(0,1)表示标准正态分布的随机数，ω_min为惯性权重系数最小值，ω_max为惯性权重系数最大值，rand(0,1)表示取0到1之间的随机数；

更新所述粒子的位置：

其中，

为更新后的粒子位置。

2.根据权利要求1所述的柔性制造系统优化调度方法，其特征在于，建立以最大完成时间、能耗量以及AGV数量为优化目标的多目标模型，具体为：

MS≤DT；

当工件i的工序j被分配给机器M_k，且该工件i的工序j是分配给机器M_k的第p道工序，则：

ot(i,j)＝T(k,p)＝ot_e(i,j)-ot_s(i,j)；

当工件i的工序j的运输任务被分配给第l台AGV小车A_l，且工件i的工序j的运输任务是分配给第l台AGV小车的第q道工序，则：

tt(i,j)＝T(l,q)＝tt_e(i,j)-tt_s(i,j)；

其中，MS是最大完成时间；DT是运送时间；m_i是工件i的工序编号；J_i是工件i的编号；n是工件的数量；N_k是分配到机器M_k的工序编号；M_k表示第k个机器；s是机器的数量；N_l是被分配到AGV小车A_l的运输任务；A_l表示第l个AGV小车；t是AGV小车的数量；ot(i,j)是工件i的工序j的执行时间；T(k,p)是被分配到机器M_k的工序p的制造执行时间；ot_e(i,j)是工件i的工序j的执行结束时间；ot_s(i,j)是工件i的第j道工序的执行开始时间；tt(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的运输时间；T(l,q)是被分配到AGV小车A_l的运输任务q的运输时间；tt_e(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的执行结束时间；tt_s(i,j)是AGV小车执行工件i的工序j的运输任务TA_ij的执行开始时间。

3.根据权利要求2所述的柔性制造系统优化调度方法，其特征在于，所述最大完成时间具体为：

其中，MS是最大完成时间；max{}表示取最大值；MFT_k是分配到机器M_k的工序制造完成时间；AFT_l是分配到AGV小车A_l的运输任务完成时间；T(k,N_k)是分配到机器M_k上的工序N_k制造执行时间；ot(i)是工件J_i的工序制造完成时间；tt(i)是工件J_i的运输任务结束时间；ot(i,m_i)是工件J_i的工序制造执行时间。

4.根据权利要求2所述的柔性制造系统优化调度方法，其特征在于，所述能耗量具体为：

ES＝esw+ese；

其中，ES是加工所有工件的能耗量；esw是标准能耗量；ese是加工工序的能耗量；

其中，esw(k)是机器M_k的标准能耗量；WT(k,p)是被分配到机器M_k的工序p-1到工序p的等待时间；wesu(k)是在单位时间内机器M_k的标准能耗量；otw(i,j)是在工件i中工序j-1到工序j的等待时间；ese(k)是机器M_k执行工序的能耗量；es(k,p)是分配到机器M_k的工序p产生的能耗量；es(i,j)是执行工件i的工序j的能耗量。

5.一种柔性制造系统优化调度装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-4任一项所述的柔性制造系统优化调度方法。

6.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机该程序被处理器执行时，实现如权利要求1-4任一项所述的柔性制造系统优化调度方法。

Images