CN112381273A - 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 - Google Patents
一种基于u-nsga-iii算法的多目标作业车间节能优化方法 Download PDFInfo
- Publication number
- CN112381273A CN112381273A CN202011193962.5A CN202011193962A CN112381273A CN 112381273 A CN112381273 A CN 112381273A CN 202011193962 A CN202011193962 A CN 202011193962A CN 112381273 A CN112381273 A CN 112381273A
- Authority
- CN
- China
- Prior art keywords
- population
- workpiece
- nsga
- algorithm
- solution set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 210000000349 chromosome Anatomy 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000035772 mutation Effects 0.000 claims abstract description 20
- 238000005265 energy consumption Methods 0.000 claims abstract description 14
- 230000009191 jumping Effects 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 21
- 108090000623 proteins and genes Proteins 0.000 claims description 19
- 230000013011 mating Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 5
- 238000007514 turning Methods 0.000 claims description 5
- 238000003672 processing method Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 12
- 238000011161 development Methods 0.000 description 9
- 230000002068 genetic effect Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000000052 comparative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/04—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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于U‑NSGA‑III算法的多目标作业车间节能优化方法，该方法包括步骤：1)设定初始迭代次数和最大迭代次数；2)生成初始种群，作为父代；3)在父代种群中选择优秀染色体进行染色体交叉和变异处理；4)迭代次数+1；5)将父代染色体与交叉和变异处理生成的子代染色体种群合并；6)排序合并后的染色体生成新的解集，若步骤6)能确定解集则执行步骤8)，若步骤6)不能确定解集则执行步骤7)；7)计算得到解集中未在步骤6)中确定的染色体，最终确定解集；8)判断循环条件，满足循环条件则跳出算法循环输出结果；不满足循环条件则继续循环；9)输出最优解集。本发明可实现显著的节能效果，其中非处理能耗最多可节省69％。
Description
技术领域
本发明属于车间调度和深度学习领域，涉及一种基于U-NSGA-III算法的多目标作业车间节能优化方法。
背景技术
制造业的发展水平直接反映了一个国家的生产力水平，也是衡量国家综合国力的重要指标。但近年来，随着经济和社会的发展，人类面临的能源问题日益凸显。当前环境恶化和能源短缺问题严重制约中国制造业的发展，必须依靠科学技术降低能源消耗，提高能源利用率。为了增强我国综合国力和国际竞争力，在《中国制造2025》的指导下，明确以“创新驱动、质量为先、绿色发展、结构优化、人才为本”的战略方针并把可持续发展作为制造强国的重要着力点，走生态文明、环境友好的发展道路。同时全面推行绿色制造，努力构建高效、清洁、低碳的绿色制造体系。发达国家也纷纷提出绿色发展战略，美国提出的《先进制造业的国家战略计划》，欧盟第7框架计划设立的“未来工厂”重大项目，德国的“工业4.0”，日本的《绿色革命和社会变革》等法案或政策中均有提到制造业节能环保的生产理念。在国家政策的大力支持和推动下，制造企业应积极面对“制造全球化”发展的挑战，大力整改创新，加快产业转型升级，实现制造过程的绿色化和智能化。因此，如何提高制造业能源与资源利用效率，降低能源消耗，实现制造业的绿色发展成为产业界和学术界研究的热点。
车间调度指的是在车间生产中为一批待处理的工件安排加工设备等生产资源，通过调整待加工工件的加工顺序、车间加工设备的合理配置等，达到车间生产特定的指标，如完工时间最小、成本最低、能耗最低等，实现车间资源的合理利用和生产计划的最佳安排。车间生产在制造业中广泛存在且占有重要地位，针对车间开展调度与优化研究具有重要的工程应用意义。通过生产调度优化获得的最优生产计划来指导车间生产，能够为企业缩短生产时间，提高的资源利用率，促进车间节能减排。因此，节能优化调度是当前制造业领域提高业务效率，提高能源效率和增强竞争力的关键技术和研究重点。本发明旨在面向流水车间、混合流水车间、作业车间进行调度优化问题研究，通过资源合理配置，在提高生产效率的同时减少车间能耗，促进制造业节能减排及绿色制造的实现。
当前大多数与能源和迟滞相关的车间调度研究都没有考虑早期成本。作业车间调度的常用目标之一是提前和拖延。在给定的工作计划中，如果任何工作在到期日之前完成，将产生不良影响，例如产品过多导致仓库空间不足，存货搬运成本，仓储和保险成本以及产品变质。在实际生产中，尤其是在即时制造环境中，早期性和延误性是非常重要的标准。第二个常用的优化目标是工期，这是在车间环境中另一个非常适用的标准。但是，到目前为止，还没有关于在车间调度中同时优化三个目标(制造时间，能耗，迟到性和早期性)的报告。根据以前的研究，与开发更节能的机器相比，在系统级存在更大的节能余量，在该级别，车间调度优化和机床操作策略可以用作节能方法。这尤其适用于大规模生产环境，以提高效率和能源利用率，从而提高制造企业的盈利能力。
发明内容
本发明要解决的技术问题是：提供一种基于U-NSGA-III算法的多目标作业车间节能优化方法，旨在解决车间调度中无法同时优化制造时间、能耗、迟到性和早期性三个目标的问题，并有效解决车间作业调度问题的多目标调度方法，最终减少总能耗和延误/早期成本。
本发明采取的技术方案为：一种基于U-NSGA-III算法的多目标作业车间节能优化方法，该方法包括以下步骤：
在从Pt代染色体进化到Pt+1代染色体的过程中：
(1)初始迭代次数为0，设定最大迭代次数；
(2)基于操作表示的作业计划编码方式，使用结合MME算法和随机生成的方式生成初始种群，作为父代Pt，此时染色体数量为N；
(3)基于小生境比赛选择算子，在父代种群中选择优秀染色体进行染色体交叉和变异处理，生成染色体数量为N的子代种群Qt；
(4)迭代次数+1；
(5)将生成的数量为N的父代染色体Pt与交叉和变异处理生成的数量为 N的子代染色体种群Qt合并，形成种群大小为2N的新的种群Rt＝Pt∪Qt；
(6)使用非支配排序算法计算合并后的2N条染色体，利用排序结果生成新的解集St，若步骤(6)能确定解集St则执行步骤(8)，若步骤(6)只能生成解集St的部分染色体而不能确定解集St则执行步骤(7)；
(7)利用最短垂直距离计算得到解集St中未在步骤(6)中确定的染色体，最终确定解集St；
(8)判断循环条件，满足循环条件则跳出算法循环输出结果；不满足循环条件则继续循环；
(9)输出Pareto最优解集。
步骤(2)中MME算法步骤如下：(1)分别计算n个工件加工所有工序所需要的总加工时间，将总加工时间最少的工件放在工件排序的第一个位置，将加工时间第二少的工件放在工件排序的倒数第一个位置，并设置i＝2，i是工件的序号，i∈[1,n]；
(2)其余n-2个工件按照公式(1)的标签函数的函数值大小升序排列，将取得值为Ai的工件排在工件序列的第i个位置，将排序固定下来，记为π0；
式(1)中，r为[0,1]之间的随机数，ti,j表示工件i在机器j上的加工时间， m表示机器数量，
表示连续的两个工件在相邻机器上加工时间差的模量，
表示在排序时优先安排总加工时间较小的工件；
(3)使i＝i+1，如果i<n，则转至步骤(2)，否则转至步骤(4)；
(4)交换π0中的前两个工件，加入加工序列π1中；分别计算交换顺序前后的最大完工时间，取时间最少的序列，并将这两个工件的顺序固定，记为π1，设置k＝2；
(5)随机选取未加工序列中的一个工件加入到π1的所有可能位置，计算该工件加入后的完工时间，选择能使完工时间最小的位置；令k＝k+1；从π0中取出第k个工件，插入π1中所有可能的位置，找到能够使完工时间最小的位置，将工件固定在该位置，并将排序固定下来，重复步骤(5)直至k＝n；
(6)每确定一个工件位置后将其从未加工序列中删除，继续执行步骤 (5)，直至所有工件位置全部确定，形成新的染色体；
重复执行上述(1)～(6)步操作p次，生成规模为p的初始种群。
步骤(3)中在小生境比赛选择算子环境下进行交叉和变异，处理生成第一代数量为N的子代种群Qt，如果被比较的两个解来自两个不同的相关参考方向，则随机选择其中一个，从而在群体中引入多个小生境的保护，否则，选择来自更好的非支配等级的解决方案，在这种情况下，如果两个解属于相同的生态位(参考方向)和相同的非支配锋，则选择更接近参考方向的解。
步骤(3)中小生境比赛选择算子的选择步骤：其中两个可行的父解P1 和p2被比较以选择获胜者ps，如果其中至少有一个不可行，则使用NSGA-III 算法进行选择，通过使用亲本群体Pt的两个连续群体成员来选择N/2亲本，重复该操作N/2次，该过程通过改组群体Pt以获得另一组N/2亲本来重复一次，在基于小生境的选择(Pt)过程中，这两个选择的亲本结合形成大小为N的完全交配池P’t，然后，交配池P’t可以通过使用常用的重组和突变算子来创建后代群体Qt。
NSGA-III算法采用边界交叉构造权重的方法产生确定性的参考点，对于等分数为P的M个目标获得H个参考点，H的大小通过公式
求得，例如目标数目M＝3，每一维目标四等分(p＝4)的优化问题，可以在已经规范化的超平面上生成15个分布均匀的参考点。然后根据个体与参考线(理想点与参考点在目标空间的连线)的距离，让个体与相应的参考点相关联，最后再根据一定的选择规则决定那些个体可以进入下一代种群。
步骤(3)中的染色体交叉处理方法为：如果在0和1之间生成的均匀分布的随机数小于交叉概率Pc，则对随机选择的父本应用交叉操作，选择两点交叉运算，操作步骤如下：
(1)随机选择两个交叉点，在两个交叉点之间交换基因；
(2)通过删除多余的基因并添加数量不足的基因来检查和修复染色体。
例如，两个亲本染色体P1和P2的遗传代码是“213112323”和“131233122”。随机生成两个交叉位置3和6，并在相交处交换线段，以获得“211233323”和“133112122”。通过修复出现次数不等于3的基因位置，可以获得两个可行的基因序列“211233123”和“133112322”。
步骤(3)中的变异操作处理方法为：生成一组矩阵，该矩阵由介于0和 1之间的均匀分布的数字组成，并且维数与父本相同，当随机数矩阵中的某个值小于突变概率时，则需要对父群体矩阵中的相应位置进行变异，变异步骤如下：
(1)将基因从该位置移至该染色体的最后一个位置；
(2)将该位置后面的所有基因向前移动一个位置。
步骤(6)中使用非支配排序算法计算合并后的2N条染色体，利用排序结果将Rt分为若干不同的非支配层F1，F2……FL……Fn；从非支配层F1开始，逐次将各非支配层的解加入到新的集合St中，直至St集合的数量首次大于等于N；如果|St|＝N，那么Pt+1＝St,如果|St|＞N，令Pt+1＝F1+F2+……FL-1，执行步骤(7)。
步骤(8)中利用迭代次数与最大迭代次数的关系实现算法循环，若迭代次数小于最大迭代次数则转步骤(3)，此时将生成的解集St作为新的父代染色体种群Pt，即Pt＝St；若迭代次数不小于最大迭代次数则转步骤(9)。
步骤(9)中输出的Pareto最优解集包括三个优化目标：非处理能耗NEC，制造期Cmax和总加权延误与提前期TWET的数值结果组成，即算法的最终输出结果。
本发明提出了一种用于节能作业调度的将调度与机器状态切换相结合的多目标遗传算法，该算法包括三个目标：非处理能耗(NEC)，制造期(Cmax) 和总加权延误与提前期(TWET)。
本发明的有益效果：与现有技术相比，本发明使用多目标遗传算法 U-NSGA-III，使用MME算法和随机生成方法对种群进行高质量初始化。与其他两种算法(NSGA-II和NSGA-III)相比，在扩展的TAILLARD作业车间基准中测试了U-NSGA-III的性能。结果表明，U-NSGA-III可以获得针对这三个目标的大多数最佳值。本发明面向能源效率的多目标作业调度算法可实现显著的节能效果，其中非处理能耗最多可节省69％。本发明的方法也可以轻松扩展，以解决其他种类的制造车间调度问题以节省能源，例如流水车间调度和灵活的车间调度。
附图说明
图1为本发明的U-NSGA-III算法流程图；
图2为基于操作表示的作业计划编码方式示例图；
图3为NSGA-III算法产生确定性的参考点所采用的边界交叉构造权重方法图。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍。
实施例1：U-NSGA-III首先定义一组参考点，参考点个数为N。然后随机生成含有N个个体的初始种群，使其个体数目与参考点个数相同，其中N是种群大小。接下来，算法进行迭代直至终止条件满足。
一种基于U-NSGA-III方法的多目标作业车间节能优化算法，如图1所示，具体步骤为：
在从Pt代染色体进化到Pt+1代染色体的过程中：
1.初始迭代次数为0，设定最大迭代次数；目的在于确定循环次数即算法结束条件；
2.基于操作表示的作业计划编码方式，使用结合MME算法和随机生成的方式生成初始种群，作为父代Pt，此时染色体数量为N；目的在于生成符合要求的基础种群；
3.基于小生境比赛选择算子，在父代种群中选择优秀染色体进行染色体交叉和变异处理，生成染色体数量为N的子代种群Qt；目的在于通过交叉、变异生成子代种群；
4.迭代次数+1；目的在于使算法循环向结束条件逼近；
5.将生成的数量为N的父代染色体Pt与交叉和变异处理生成的数量为N 的子代染色体种群Qt合并，形成种群大小为2N的新的种群Rt＝Pt∪Qt；目的在于生成符合要求的复合种群；
6.使用非支配排序算法计算合并后的2N条染色体，利用排序结果生成新的解集St；若步骤6能确定解集St则执行步骤8，若步骤6只能生成解集St的部分染色体而不能确定解集St则执行步骤7；目的在于生成新的、更加逼近最优解的基础种群；
7.利用最短垂直距离计算得到解集St中未在步骤6中确定的染色体，最终确定解集St；目的在于最终确定新的、更加逼近最优解的基础种群；
8.判断循环条件，满足循环条件则跳出算法循环输出结果；不满足循环条件则继续循环；目的在于判断是否达到目标解，若不是未达到则继续算法循环；
9.输出Pareto最优解集。
步骤1中的迭代次数初始为0，是算法的循环计数器。最大迭代次数是算法开始和停止的评判标准，当迭代次数小于最大迭代次数时算法继续循环以寻找更优的解；当迭代次数等于最大迭代次数时算法停止循环，此时的解集即算法最终要寻找的Pareto最优解集。
步骤2中生成初始种群Pt，采用的编码方式是基于操作表示的作业计划编码方式。染色体是一组操作的排列，表示按一定时间表安排它们的顺序。同一工件的加工动作用相同的ID表示，该ID在染色体中的出现次数表示该工件的加工次数。图2显示了一个具有两个作业的车间问题的示例，其中两个作业都有三个过程。染色体[2、1、2、2、1、1]中的第一个数字“2”代表工件2的第1个工序、第二个数字“1”代表工件1的第1个工序、第三个数字“2”代表工件2的第2个工序、第四个数字“2”代表工件2的第3个工序、第五个数字“1”代表工件1的第2个工序、第六个数字“1”代表工件1的第3个工序，以此类推。
步骤2中生成初始种群Pt，采用的种群生成方法是结合MME算法和随机生成的方式。MME算法基本流程如下：
(1)分别计算n个工件加工所有工序所需要的总加工时间，将总加工时间最少的工件放在工件排序的第一个位置，将加工时间第二少的工件放在工件排序的倒数第一个位置，并设置i＝2，i是工件的序号，i∈[1,n]；
(2)其余n-2个工件按照公式(1)的标签函数的函数值大小升序排列，将取得值为Ai的工件排在工件序列的第i个位置，将排序固定下来，记为π0；
式(1)中，r为[0,1]之间的随机数。ti,j表示工件i在机器j上的加工时间， m表示机器数量，
表示连续的两个工件在相邻机器上加工时间差的模量，
表示在排序时优先安排总加工时间较小的工件；
(3)使i＝i+1。如果i<n，则转至步骤(2)，否则转至步骤(4)；
(4)交换π0中的前两个工件，加入加工序列π1中。分别计算交换顺序前后的最大完工时间，取时间最少的序列，并将这两个工件的顺序固定，记为π1，设置k＝2；
(5)随机选取未加工序列中的一个工件加入到π1的所有可能位置，计算该工件加入后的完工时间，选择能使完工时间最小的位置。令k＝k+1。从π 0中取出第k个工件，插入π1中所有可能的位置，找到可以使完工时间最小的位置，将工件固定在该位置，并将排序固定下来，重复步骤(5)直至k＝n；
(6)每确定一个工件位置后将其从未加工序列中删除，继续执行步骤 (5)，直至所有工件位置全部确定，形成新的染色体；
重复执行上述(1)～(6)步操作p次，生成规模为p的初始种群。
步骤3中在小生境选择算子环境下进行交叉和变异，处理生成第一代数量为N的子代种群Qt。如果被比较的两个解来自两个不同的相关参考方向，则随机选择其中一个，从而在群体中引入多个小生境的保护。否则，选择来自更好的非支配等级的解决方案。在这种情况下，如果两个解属于相同的生态位(参考方向)和相同的非支配锋，则选择更接近参考方向的解。
如下所示小生境比赛选择过程伪代码，以伪代码的形式给出了小生境锦标赛选择过程，其中两个可行的父解(P1和p2)被比较以选择获胜者(ps)。如果其中至少有一个不可行，则使用NSGA-III进行选择。通过使用亲本群体Pt 的两个连续群体成员来选择N/2亲本，可以系统地重复该操作N/2次。该过程可以通过改组群体Pt以获得另一组N/2亲本来重复一次。在基于小生境的选择(Pt)过程中，这两个选择的亲本可以结合形成大小为N的完全交配池P’t。然后，交配池P’t可以通过使用常用的重组和突变算子来创建后代群体Qt。
其中，NSGA-III是使用基于参考点的非支配排序方法的进化多目标优化算法，采用基于参考点的选择操作来保证非支配解的多样性，提出了一种基于参考点和欧氏距离的选择方法。首先对个体的目标函数值和参考点标准化，让所有个体和参考点位于同一个超平面上。
如图3所示。NSGA-III算法采用边界交叉构造权重的方法产生确定性的参考点，对于等分数为P的M个目标可以获得H个参考点，H的大小可通过公式
求得，例如目标数目M＝3，每一维目标四等分(p＝4)的优化问题，可以在已经规范化的超平面上生成15个分布均匀的参考点。然后根据个体与参考线(理想点与参考点在目标空间的连线)的距离，让个体与相应的参考点相关联，最后再根据一定的选择规则决定那些个体可以进入下一代种群。
步骤3中的交叉操作是遗传算法中产生新个体的主要方法之一。如果在0 和1之间生成的均匀分布的随机数小于交叉概率(Pc)，则可以对随机选择的父本应用交叉操作。在这项研究中，选择两点交叉运算。操作步骤如下：
(1)随机选择两个交叉点，在两个交叉点之间交换基因；
(2)通过删除多余的基因并添加数量不足的基因来检查和修复染色体。
例如，两个亲本染色体P1和P2的遗传代码是“213112323”和“131233122”。随机生成两个交叉位置3和6，并在相交处交换线段，以获得“211233323”和“133112122”。通过修复出现次数不等于3的基因位置，可以获得两个可行的基因序列“211233123”和“133112322”。
步骤3中的变异操作具体操作是：生成一组矩阵，该矩阵由介于0和1之间的均匀分布的数字组成，并且维数与父本相同。当随机数矩阵中的某个值小于突变概率时，则需要对父群体矩阵中的相应位置进行变异。变异步骤如下：
(1)将基因从该位置移至该染色体的最后一个位置；
(2)将该位置后面的所有基因向前移动一个位置。
步骤4中在成功生成子代Qt后，使迭代次数+1。
步骤5中，将生成的数量为N的父代染色体与数量为N的子代染色体种群合并为数量为2N的新种群。
步骤6中，使用非支配排序算法计算合并后的2N条染色体，利用排序结果将Rt分为若干不同的非支配层(F1，F2……FL……Fn)；从非支配层F1 开始，逐次将各非支配层的解加入到新的集合St中，直至St集合的数量首次大于等于N；如果|St|＝N，那么Pt+1＝St。如果|St|＞N，令Pt+1＝F1+F2+……FL-1，执行步骤7。
步骤7中，标准化目标函数，关联St中的个体与参考点，计算最短垂直距离，从FL层中选择K个个体加入Pt+1，然后输出Pt+1。
步骤8中，利用迭代次数与最大迭代次数的关系实现算法循环。若迭代次数小于最大迭代次数则转步骤3，此时将生成的解集St作为新的父代染色体种群Pt，即Pt＝St；若迭代次数不小于最大迭代次数则转步骤9。
步骤9中，输出的Pareto最优解集由三个优化目标：非处理能耗(NEC)，制造期(Cmax)和总加权延误与提前期(TWET)的数值结果组成，即算法的最终输出结果。
为了评估算法的性能，考虑了三个不同的比较指标，包括分散指标，平均理想距离和平均归一化目标函数，这些性能标准如下所述。
(1)多样性指标(DM)：由公式(2)计算的DM用于评估每种算法的解集的分布。较高的DM值表示更好的算法。
其中fj是第jth个目标函数的值，m是函数的数量，在算法中值为3.
(2)平均理想距离(MID)：MID是评估帕累托解(f1,i,f2,i,f3,i)与理想点 (f1,best,f2,best,f3,best)之间的接近程度的度量。MID的公式为：
其中f1,i,f2,i,和f3,i是第ith个帕累托解的函数值，f1,best,f2,best和f3,best是三个目标函数的最佳适应度值，n是获得的非主导时间表的总数。MID值越低表示算法越好。
(3)平均标准化目标函数(MNOF)：算法的MNOF值计算如下：
其中A是一组优化算法,
是通过任何算法获得的三个目标的最佳适应度,
是通过任何算法获得的三个目标的最差适应度。MNOF值越低表示算法越好。
本发明使用多目标遗传算法U-NSGA-III，使用MME算法和随机生成方法对种群进行高质量初始化。与其他两种算法(NSGA-II和NSGA-III)相比，在扩展的TAILLARD作业车间基准中测试了U-NSGA-III的性能。结果表明， U-NSGA-III可以获得针对这三个目标的大多数最佳值。此外，分别从生成的非支配进度表(DM)中的边界扩展，帕累托解决方案之间的紧密度，理想点 (MID)的角度，评估通过U-NSGA-III获得的帕累托解决方案的质量，以及通过比较指标得出的可靠性(MNOF)。此外，通过进行节能策略的双目标实验和比较实验，说明了同时优化三个目标的必要性和节能策略的效果。同时，这也是优化三个目标(包括能效目标)的首次尝试。结果表明，本发明面向能源效率的多目标作业调度算法可实现显著的节能效果，其中非处理能耗最多可节省69％。本发明的方法也可以轻松扩展，以解决其他种类的制造车间调度问题以节省能源，例如流水车间调度和灵活的车间调度。
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，可轻易想到变化或替换，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所述权利要求的保护范围为准。
Claims (10)
1.一种基于U-NSGA-III算法的多目标作业车间节能优化方法，其特征在于：该方法包括以下步骤：
在从Pt代染色体进化到Pt+1代染色体的过程中：
(1)初始迭代次数为0，设定最大迭代次数；
(2)基于操作表示的作业计划编码方式，使用结合MME算法和随机生成的方式生成初始种群，作为父代Pt，此时染色体数量为N；
(3)基于小生境比赛选择算子，在父代种群中选择优秀染色体进行染色体交叉和变异处理，生成染色体数量为N的子代种群Qt；
(4)迭代次数+1；
(5)将生成的数量为N的父代染色体Pt与交叉和变异处理生成的数量为N的子代染色体种群Qt合并，形成种群大小为2N的新的种群Rt＝Pt∪Qt；
(6)使用非支配排序算法计算合并后的2N条染色体，利用非凌越排序结果生成新的解集St，若步骤(6)能确定解集St则执行步骤(8)，若步骤(6)只能生成解集St的部分染色体而不能确定解集St则执行步骤(7)；
(7)利用最短垂直距离计算得到解集St中未在步骤(6)中确定的染色体，最终确定解集St；
(8)判断循环条件，满足循环条件则跳出算法循环输出结果；不满足循环条件则继续循环；
(9)输出Pareto最优解集。
2.根据权利要求1所述的一种基于U-NSGA-III算法的多目标作业车间节能优化方法，其特征在于：步骤(2)中MME算法步骤如下：
(1)分别计算n个工件加工所有工序所需要的总加工时间，将总加工时间最少的工件放在工件排序的第一个位置，将加工时间第二少的工件放在工件排序的倒数第一个位置，并设置i＝2，i是工件的序号，i∈[1,n]；
(2)其余n-2个工件按照公式(1)的标签函数的函数值大小升序排列，将取得值为Ai的工件排在工件序列的第i个位置，将排序固定下来，记为π0；
式(1)中，r为[0,1]之间的随机数，ti,j表示工件i在机器j上的加工时间，m表示机器数量，
表示连续的两个工件在相邻机器上加工时间差的模量，
表示在排序时优先安排总加工时间较小的工件；
(3)使i＝i+1，如果i<n，则转至步骤(2)，否则转至步骤(4)；
(4)交换π0中的前两个工件，加入加工序列π1中；分别计算交换顺序前后的最大完工时间，取时间最少的序列，并将这两个工件的顺序固定，记为π1，设置k＝2；
(5)随机选取未加工序列中的一个工件加入到π1的所有可能位置，计算该工件加入后的完工时间，选择能使完工时间最小的位置；令k＝k+1；从π0中取出第k个工件，插入π1中所有可能的位置，找到能够使完工时间最小的位置，将工件固定在该位置，并将排序固定下来，重复步骤(5)直至k＝n；
(6)每确定一个工件位置后将其从未加工序列中删除，继续执行步骤(5)，直至所有工件位置全部确定，形成新的染色体；
重复执行上述(1)～(6)步操作p次，生成规模为p的初始种群。
3.根据权利要求1所述的一种基于U-NSGA-III算法的多目标作业车间节能优化方法，其特征在于：步骤(3)中在小生境比赛选择算子环境下进行交叉和变异，处理生成第一代数量为N的子代种群Qt，如果被比较的两个解来自两个不同的相关参考方向，则随机选择其中一个，从而在群体中引入多个小生境的保护，否则，选择来自更好的非支配等级的解决方案，在这种情况下，如果两个解属于相同的生态位和相同的非支配锋，则选择更接近参考方向的解。
4.根据权利要求1所述的一种基于U-NSGA-III算法的多目标作业车间节能优化方法，其特征在于：步骤(3)中小生境比赛选择算子的选择步骤：其中两个可行的父解P1和p2被比较以选择获胜者ps，如果其中至少有一个不可行，则使用NSGA-III算法进行选择，通过使用亲本群体Pt的两个连续群体成员来选择N/2亲本，重复该操作N/2次，该过程通过改组群体Pt以获得另一组N/2亲本来重复一次，在基于小生境的选择(Pt)过程中，这两个选择的亲本结合形成大小为N的完全交配池P’t，然后，交配池P’t可以通过使用常用的重组和突变算子来创建后代群体Qt。
5.根据权利要求4所述的一种基于U-NSGA-III算法的多目标作业车间节能优化方法，其特征在于：NSGA-III算法采用边界交叉构造权重的方法产生确定性的参考点，对于等分数为P的M个目标获得H个参考点，H的大小通过公式
求得，然后根据个体与参考线的距离，让个体与相应的参考点相关联，最后再根据一定的选择规则决定那些个体可以进入下一代种群。
6.根据权利要求1所述的一种基于U-NSGA-III算法的多目标作业车间节能优化方法，其特征在于：步骤(3)中的染色体交叉处理方法为：如果在0和1之间生成的均匀分布的随机数小于交叉概率Pc，则对随机选择的父本应用交叉操作，选择两点交叉运算，操作步骤如下：
(1)随机选择两个交叉点，在两个交叉点之间交换基因；
(2)通过删除多余的基因并添加数量不足的基因来检查和修复染色体。
7.根据权利要求1所述的一种基于U-NSGA-III算法的多目标作业车间节能优化方法，其特征在于：步骤(3)中的变异操作处理方法为：生成一组矩阵，该矩阵由介于0和1之间的均匀分布的数字组成，并且维数与父本相同，当随机数矩阵中的某个值小于突变概率时，则需要对父群体矩阵中的相应位置进行变异，变异步骤如下：
(1)将基因从该位置移至该染色体的最后一个位置；
(2)将该位置后面的所有基因向前移动一个位置。
8.根据权利要求1所述的一种基于U-NSGA-III算法的多目标作业车间节能优化方法，其特征在于：步骤(6)中使用非支配排序算法计算合并后的2N条染色体，利用排序结果将Rt分为若干不同的非支配层F1，F2……FL……Fn；从非支配层F1开始，逐次将各非支配层的解加入到新的集合St中，直至St集合的数量首次大于等于N；如果|St|＝N，那么Pt+1＝St,如果|St|＞N，令Pt+1＝F1+F2+……FL-1，执行步骤(7)。
9.根据权利要求1所述的一种基于U-NSGA-III算法的多目标作业车间节能优化方法，其特征在于：步骤(8)中利用迭代次数与最大迭代次数的关系实现算法循环，若迭代次数小于最大迭代次数则转步骤(3)，此时将生成的解集St作为新的父代染色体种群Pt，即Pt＝St；若迭代次数不小于最大迭代次数则转步骤(9)。
10.根据权利要求1所述的一种基于U-NSGA-III算法的多目标作业车间节能优化方法，其特征在于：步骤(9)中输出的Pareto最优解集包括三个优化目标：非处理能耗NEC，制造期Cmax和总加权延误与提前期TWET的数值结果组成，即算法的最终输出结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011193962.5A CN112381273B (zh) | 2020-10-30 | 2020-10-30 | 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011193962.5A CN112381273B (zh) | 2020-10-30 | 2020-10-30 | 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112381273A true CN112381273A (zh) | 2021-02-19 |
| CN112381273B CN112381273B (zh) | 2024-03-05 |
Family
ID=74576096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011193962.5A Active CN112381273B (zh) | 2020-10-30 | 2020-10-30 | 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381273B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113011797A (zh) * | 2021-05-24 | 2021-06-22 | 汉谷云智(武汉)科技有限公司 | 基于小生境列队竞争算法的罐装成品油调度方法及设备 |
| CN113112121A (zh) * | 2021-03-19 | 2021-07-13 | 浙江工业大学 | 一种基于多目标非支配排序的车间布局调度优化方法 |
| CN113450013A (zh) * | 2021-07-14 | 2021-09-28 | 陕西科技大学 | 基于改进nsga-ⅲ算法求解车间节能调度问题的方法 |
| CN113657653A (zh) * | 2021-08-02 | 2021-11-16 | 西南交通大学 | 一种考虑时间满意度的编组站取送车方法 |
| WO2022182291A1 (en) * | 2021-02-25 | 2022-09-01 | National University Of Singapore | Prediction function generator |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009099050A (ja) * | 2007-10-18 | 2009-05-07 | Yamaha Motor Co Ltd | パラメトリック多目的最適化装置、パラメトリック多目的最適化方法およびパラメトリック多目的最適化プログラム |
| CN105929690A (zh) * | 2016-04-29 | 2016-09-07 | 南京信息工程大学 | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 |
| CN108320057A (zh) * | 2018-02-07 | 2018-07-24 | 江南大学 | 一种基于有限制稳定配对策略的柔性作业车间调度方法 |
| US20180357584A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
| CN110543151A (zh) * | 2019-08-12 | 2019-12-06 | 陕西科技大学 | 基于改进nsga-ⅱ求解车间节能调度问题的方法 |
| CN110598920A (zh) * | 2019-08-29 | 2019-12-20 | 华中科技大学 | 用于铸造并行车间主生产计划的多目标优化方法及系统 |
| US20200167516A1 (en) * | 2018-11-22 | 2020-05-28 | Wenzhou University | Method for integrated optimization of ternary fprm circuit |
| CN111203887A (zh) * | 2020-02-23 | 2020-05-29 | 陕西理工大学 | 一种基于nsga-ii模糊逻辑推理的机器人控制系统优化方法 |
-
2020
- 2020-10-30 CN CN202011193962.5A patent/CN112381273B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009099050A (ja) * | 2007-10-18 | 2009-05-07 | Yamaha Motor Co Ltd | パラメトリック多目的最適化装置、パラメトリック多目的最適化方法およびパラメトリック多目的最適化プログラム |
| CN105929690A (zh) * | 2016-04-29 | 2016-09-07 | 南京信息工程大学 | 一种基于分解多目标进化算法的柔性车间鲁棒调度方法 |
| US20180357584A1 (en) * | 2017-06-12 | 2018-12-13 | Hefei University Of Technology | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
| CN108320057A (zh) * | 2018-02-07 | 2018-07-24 | 江南大学 | 一种基于有限制稳定配对策略的柔性作业车间调度方法 |
| WO2019153429A1 (zh) * | 2018-02-07 | 2019-08-15 | 江南大学 | 一种基于有限制稳定配对策略的柔性作业车间调度方法 |
| US20200167516A1 (en) * | 2018-11-22 | 2020-05-28 | Wenzhou University | Method for integrated optimization of ternary fprm circuit |
| CN110543151A (zh) * | 2019-08-12 | 2019-12-06 | 陕西科技大学 | 基于改进nsga-ⅱ求解车间节能调度问题的方法 |
| CN110598920A (zh) * | 2019-08-29 | 2019-12-20 | 华中科技大学 | 用于铸造并行车间主生产计划的多目标优化方法及系统 |
| CN111203887A (zh) * | 2020-02-23 | 2020-05-29 | 陕西理工大学 | 一种基于nsga-ii模糊逻辑推理的机器人控制系统优化方法 |
Non-Patent Citations (3)
| Title |
|---|
| SABHAN KANATA等: ""Non-dominated Sorting Genetic Algorithm III for Multi-objective Optimal Reactive Power Dispatch Problem in Electrical Power System"", 《2019 2ND INTERNATIONAL CONFERENCE ON HIGH VOLTAGE ENGINEERING AND POWER SYSTEMS (ICHVEPS)》, pages 1 - 6 * |
| 文笑雨等: ""基于改进NSGA-Ⅱ的多目标绿色作业车间调度问题研究"", 《河南理工大学学报(自然科学版)》, vol. 39, no. 5, pages 120 - 129 * |
| 杨观赐等: ""基于决策空间划分模型的多目标进化算法"", 《华中科技大学学报(自然科学版)》, vol. 40, no. 12, pages 49 - 54 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022182291A1 (en) * | 2021-02-25 | 2022-09-01 | National University Of Singapore | Prediction function generator |
| CN113112121A (zh) * | 2021-03-19 | 2021-07-13 | 浙江工业大学 | 一种基于多目标非支配排序的车间布局调度优化方法 |
| CN113112121B (zh) * | 2021-03-19 | 2022-07-22 | 浙江工业大学 | 一种基于多目标非支配排序的车间布局调度优化方法 |
| CN113011797A (zh) * | 2021-05-24 | 2021-06-22 | 汉谷云智(武汉)科技有限公司 | 基于小生境列队竞争算法的罐装成品油调度方法及设备 |
| CN113011797B (zh) * | 2021-05-24 | 2021-07-27 | 汉谷云智(武汉)科技有限公司 | 基于小生境列队竞争算法的罐装成品油调度方法及设备 |
| CN113450013A (zh) * | 2021-07-14 | 2021-09-28 | 陕西科技大学 | 基于改进nsga-ⅲ算法求解车间节能调度问题的方法 |
| CN113657653A (zh) * | 2021-08-02 | 2021-11-16 | 西南交通大学 | 一种考虑时间满意度的编组站取送车方法 |
| CN113657653B (zh) * | 2021-08-02 | 2023-04-07 | 西南交通大学 | 一种考虑时间满意度的编组站取送车方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112381273B (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Yuan et al. | Research on intelligent workshop resource scheduling method based on improved NSGA-II algorithm | |
| CN109034633B (zh) | 改进遗传算法求解带移动时间的柔性作业车间调度方法 | |
| CN110619437A (zh) | 一种低能耗柔性作业车间调度方法 | |
| CN110070235B (zh) | 一种多移动机器人的柔性调度方法 | |
| Jiang et al. | Energy-efficient scheduling of flexible job shops with complex processes: A case study for the aerospace industry complex components in China | |
| 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 | |
| CN113610233B (zh) | 一种基于改进遗传算法的柔性作业车间调度方法 | |
| CN110543151A (zh) | 基于改进nsga-ⅱ求解车间节能调度问题的方法 | |
| CN111738578A (zh) | 一种动态环境下的离散型生产车间调度方法 | |
| CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
| CN105652791A (zh) | 订单驱动的离散制造过程能耗优化方法 | |
| CN113034026A (zh) | 基于Q-learning和GA的多目标柔性作业车间调度自学习方法 | |
| CN113379087A (zh) | 一种基于改进遗传算法的生产制造排产优化方法 | |
| CN112381343B (zh) | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 | |
| He et al. | A multiobjective evolutionary algorithm for achieving energy efficiency in production environments integrated with multiple automated guided vehicles | |
| Wu et al. | An improved multi-objective evolutionary algorithm based on decomposition for solving re-entrant hybrid flow shop scheduling problem with batch processing machines | |
| Zhu et al. | Dynamic distributed flexible job-shop scheduling problem considering operation inspection | |
| 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 | |
| CN113450013A (zh) | 基于改进nsga-ⅲ算法求解车间节能调度问题的方法 | |
| CN117852825A (zh) | 基于深度学习的含中心资源柔性制造系统的无死锁调度方法 | |
| CN115145235A (zh) | 一种铸造全流程的多目标智能调度方法 | |
| CN117314078A (zh) | 基于Petri网和神经网络的柔性制造系统的无死锁调度方法 | |
| CN117726119A (zh) | 一种解决分布式混合流水车间组调度的图仿生学习方法 | |
| CN113780871B (zh) | 一种多目标低碳柔性作业车间调度方法 |
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 |