CN112561194B - 一种混合流水车间生产与物流集成调度方法及系统 - Google Patents
一种混合流水车间生产与物流集成调度方法及系统 Download PDFInfo
- Publication number
- CN112561194B CN112561194B CN202011534548.6A CN202011534548A CN112561194B CN 112561194 B CN112561194 B CN 112561194B CN 202011534548 A CN202011534548 A CN 202011534548A CN 112561194 B CN112561194 B CN 112561194B
- Authority
- CN
- China
- Prior art keywords
- task
- workpiece
- scheduling
- time
- logistics
- 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 119
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 8
- 239000010410 layer Substances 0.000 description 7
- 108090000623 proteins and genes Proteins 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 108091026890 Coding region Proteins 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 101150077543 st gene Proteins 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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—Systems or methods specially adapted for 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
Abstract
本发明属于车间调度领域，并公开了一种混合流水车间生产与物流集成调度方法及系统，包括以下步骤：建立工件工序的开始时间约束和任务对应约束，并根据开始时间约束和任务对应约束，以工件的最长完工时间最小作为目标函数，建立混合流水车间生产与物流集成调度模型；采集待调度工件的加工时间、加工机器和车间布局数据，进而根据该数据对混合流水车间生产与物流集成调度模型进行求解，得到混合流水车间的调度方案。本发明通过对混合生产与物流过程的调度模型和求解方法的设计，提高了车间的调度效率，协调生产与物流过程，提高了经济效益。
Description
技术领域
本发明属于车间调度领域，更具体地，涉及一种混合流水车间生产与物流集成调度方法及系统。
背景技术
随着制造业发展，传统的制造模式已经不能适应市场的变化，“智能制造”的概念被越来越多的企业所接受。智能制造以新一代数字信息技术为基础，结合新的制造工艺和材料，贯穿产品的设计、生产、管理、服务各个环节，具有信息深度自感知、优化自决策和精准控制自执行等功能。而车间调度是智能制造的核心内容之一，其对待加工零件在车间环境的约束下进行整体优化，是生产准备和生产实施之间的纽带。
在传统车间调度问题中，往往不考虑工件在不同机器或工位之间的运输时间或将其假设为定值考虑在相应工序加工时间内。而现代柔性制造系统中，由自动导引小车(AGV)等运输设备来实现工件在不同机器之间的转移，并且工件的工序存在机器选择柔性，导致运输设备的路线选择也不同，造成了工件转移时间的不确定性。在这种情况下，按照传统调度方法求解出来的最优调度方案往往不是实际生产中的最优方案。因此，在传统车间调度的基础上同时考虑工件与物料的运输调度，研究柔性制造中生产与运输的集成调度具有现实价值。
混合流水车间生产与物流集成调度问题是混合流水车间调度问题和多运输设备调度问题两个NP-Hard子问题的集成，是对传统车间调度问题的拓展，在贴合现实生产情况的同时也具有更高的求解难度。同时，该类问题的解空间庞大，传统车间调度问题的模型和算法已不再适用。
在混合流水车间生产过程中，生产调度过程和物流调度过程之间存在着复杂的关联、制约规则。如果在模型和算法中不考虑这些问题，则会导致求解出的调度方案质量较差。因此，需要充分挖掘混合流水车间生产调度与物流调度之间的关联、制约规则，提出一种混合流水车间生产与物流集成调度技术，使其能更好适用于现代智能制造下的车间生产模式。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种混合流水车间生产与物流集成调度方法及系统，其目的在于，通过对混合生产与物流过程的调度模型和求解方法的设计，实现对车间生产调度过程和物流调度过程协同优化，以提高车间的生产效率。
为实现上述目的，按照本发明的一方面，提供了一种混合流水车间生产与物流集成调度方法，包括以下步骤：
S1、建立混合流水车间生产与物流集成调度模型，其中以工件的最长完工时间最小作为目标函数，约束条件包括工件工序的开始时间约束和任务对应约束；
所述开始时间约束如下：
si,j+1≥si,j+pi,j+ti,j,i＝1,2,...,n；j＝1,2,...,S-1
所述任务对应约束如下：
其中，si,j表示工件i的第j道工序的开始加工时间，pi,j表示工件i的第j道工序的加工时间，ti,j表示工件i的第j道工序从上道工序加工机器到本道工序加工机器的运输时间，n表示工件总数，S表示工序总数；zi,j,f表示工件i的第j道工序是否对应第f道运输任务，对应时zi,j,f＝1，不对应时zi,j,f＝0；w表示运输任务总数；
S2、采集待调度工件的加工时间、加工机器和车间布局数据，进而根据该数据对混合流水车间生产与物流集成调度模型进行求解，得到混合流水车间的调度方案。
作为进一步优选的，采用遗传与禁忌搜索混合算法对混合流水车间生产与物流集成调度模型进行求解，具体包括：先确定遗传与禁忌搜索混合算法中个体的编码方式和对应解码方式，对个体进行解码即得到对应调度方案；然后根据混合流水车间生产与物流集成调度模型中的目标函数和约束条件，通过遗传与禁忌搜索混合算法求解得到最优解，该最优解对应的调度方案即为所求的混合流水车间的调度方案，在求解过程中解码计算个体适应度值。
作为进一步优选的，所述编码方式为基于运输任务的双层编码，具体为：
第一层编码采用基于运输任务的自然数序列编码，其表示初始调度时刻任务池中任务的运输顺序，此时任务池中任务为各个工件第一阶段的运输任务，编码中数字i表示工件i对应的任务池中任务，以此建立初始调度时刻工件与任务的一一对应关系；第二层编码表示运输设备选择，其数值表示任务池中相应工件任务的运输设备分配情况。
作为进一步优选的，所述解码方式具体为：
对第一阶段的运输任务，按照编码确定的任务先后顺序和运输设备分配情况依次规划任务池中各个任务的运输过程；对第k阶段的运输任务，k>1，每次寻找最早空闲的运输设备，从任务池中以预设的任务选择规则选择任务作为该运输设备的当前任务，直到任务池清空；
其中，任务池中任务分配给运输设备后，选择该任务对应工件在本阶段的加工机器，同时规划运输设备当前任务的空载运输与满载运输行程；当任务完成时，若该任务对应阶段数不是该工件的最大阶段数，将本任务从任务池中移除的同时添加新任务进任务池。
作为进一步优选的，所述预设的任务选择规则为每次选择任务池中最早可开始时间最小的任务作为运输设备的当前任务。
作为进一步优选的，任务池中任务分配给运输设备后，按照改进的最先空闲机器规则选择该任务对应工件在本阶段的加工机器，该改进的最先空闲机器规则为：
对于工件i的第j道工序，其加工机器的选择步骤如下：
计算工件i第j道工序的最早可运输时间esti,j：
esti,j＝max(eci,j-1,atr)
其中，eci,j-1为工件i第j-1道工序的加工完成时间，atr为当前运输设备到达机器的时间；
根据最早可运输时间esti,j，计算当前工序在所有可用机器上的预计完工时间：
其中，为工件i的第j道工序在机器k上的预计完工时间，ptk′,k为从机器k′到机器k的运输时间，k′为工件i第j-1道工序的加工机器号，pi,j为工件i的第j道工序的加工时间；
根据所有可用机器上的预计完工时间，选择预计完工时间最小的机器作为工件i第j道工序的加工机器。
作为进一步优选的，所述任务池为所有待调度任务的集合，其按照以下方式建立：任务池初始调度时刻，任务池中任务数量为工件数，其代表各个工件的第一阶段运输任务，当任务池中某道任务被完成时，若该任务代表的工件工序不是本工件的最后一道工序，则将本任务从任务池中移除的同时，将一道代表该工件下阶段运输过程的新任务添加进任务池；在调度过程中，任务池中任务数量一直保持为工件数，当某工件最后一阶段的任务被完成后，任务池中再无该工件的任务存在，当任务池全部被清空，则表示调度完成。
按照本发明的另一方面，提供了一种混合流水车间生产与物流集成调度系统，包括存储器和处理器，其中，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时实现上述生产与物流集成调度方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1.本发明设计了一种混合流水车间生产与物流集成调度方法，能够协调车间生产调度约束和物流调度约束，有效计算混合流水车间生产与物流集成调度方案，协调生产与物流过程，对车间调度过程进行整体优化，提高车间的生产效率，提高经济效益。
2.本发明给出了针对集成调度问题和模型的特定编解码模式，可以建立问题调度方案与算法编码之间的有效映射，使得算法可以对所述集成调度问题进行有效求解，保证车间调度方案的优越性和生产过程中的稳定性。
附图说明
图1为本发明实施例混合流水车间生产与物流集成调度方法框架示意图；
图2为本发明实施例构建的基于运输任务的双层编码方式示意图；
图3为本发明实施例遗传与禁忌搜索混合算法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供的一种混合流水车间生产与物流集成调度方法，首先，考虑混合流水车间生产调度与物流调度约束，建立混合流水车间生产与物流集成调度问题的模型；其次，设计一种针对所述问题和模型的特定编解码模式，其中包括任务池的建立、基于运输任务的双层编码方式和对应的解码方式；最后，利用所述优化技术对混合流水车间生产与物流集成调度模型进行求解优化，得到优化的调度方案。该方法如图1所示，具体包括如下步骤：
步骤一、建立混合流水车间生产与物流集成调度问题模型。
1.简化、集成混合流水车间生产调度约束和物流调度约束：
通过工件工序生产开始加工时间和物流开始运输时间之间的关联、制约关系，得到工件工序的开始时间约束如下：
si,j+1≥si,j+pi,j+ti,j,i＝1,2,...,n；j＝1,2,...,S-1
其中，si,j表示工件i的第j道工序的开始加工时间，pi,j表示工件i的第j道工序的加工时间，ti,j表示工件i的第j道工序从上道工序加工机器到本道工序加工机器的运输时间，n表示工件总数，S表示工序总数。
通过工件工序生产加工任务和物流运输任务之间的对应关系，得到工件工序的任务对应约束如下：
其中，zi,j,f表示工件i的第j道工序是否对应第f道运输任务，对应时zi,j,f＝1，不对应时zi,j,f＝0；w表示运输任务总数。
2.建立混合流水车间生产与物流集成调度问题模型：
分析混合流水车间中生产调度约束和物流调度约束，建立一种适用于混合流水车间生产与物流集成调度问题的混合整数线性规划(MILP)模型，具体如下：
(1)MILP模型中涉及的符号机器含义
表1模型中符号含义
(2)目标函数
(3)决策变量
(4)约束
si,1≥0,i＝1,2,...,n (7)
si,j+1≥si,j+pi,j+ti,j,i＝1,2,...,n；j＝1,2,...,S-1 (8)
其中，式(6)表示任意工件的任意工序都只在一台机器上加工；式(7)表示所有工件首工序的开始加工时间均大于等于0；式(8)表示同一工件不同工序间的先后制约关系；式(9)表示同一阶段两不同工件间加工先后关系；式(10)表示某阶段两工件在相同机器上加工时，靠前的工件先加工，充分大的L保证两工件在不同机器上加工时不等式恒成立；式(11)～式(12)表示任意工件的任意工序均只对应一道运输任务，同时任意运输任务只对应一道工件工序；式(13)表示任意运输任务均由一台运输设备运输；式(14)表示同工件靠前的工序先进行运输；式(15)表示两工件在相同运输设备上运输时，靠前的工件先运输，充分大的L保证两工件在不同运输设备上运输时不等式恒成立；L具体根据其他数据的大小确定，可认为为无限大。
步骤二，设计针对问题和模型特定的编解码模式。
因为编解码模式是连接模型和算法之间的纽带，所以需要针对调度问题和模型特定的编解码模式设计，才能保证对问题及模型进行高效地求解。
1.任务池建立：
在调度问题中，任务池中任务的数学描述为：
task＝(job,stage,st,from_location,to_location)
其中，job为任务涉及工件的工件序号，stage为任务涉及工件的阶段序号，st为任务的最早开始时间，from_location为任务的开始地点，to_location为任务的目的地点。
任务池为所有待调度任务的集合。初始调度时刻，任务池中任务数量为工件数，各个任务的工件序号(job)为所有待调度工件，任务的阶段序号(stage)均为1(第一阶段)，任务的最早开始时间(st)为零，任务的开始地点(from_location)均为仓库，任务的目的地点(to_location)为当将任务分配给运输设备时分配的加工机器，若干台运输设备承担任务池中所有的运输任务。
当任务池中某道任务被完成时，若该任务代表的工件工序(阶段)不是本工件的最后一道工序(阶段)，则将本任务从任务池中移除的同时，将一道代表该工件下阶段运输过程的新任务添加进任务池，新旧任务满足下述关系：
taskold＝(job1,stage1,st1,from_location1,to_location1)
tasknew＝(job2,stage2,st2,from_location2,to_location2)
其中，taskold为待移除任务池的任务，tasknew为待新加入任务池的任务，两者表示同一工件在相邻两阶段的任务关系，两者满足下述关系：
job2＝job1
stage2＝stage1+1
from_location2＝to_location1
同时st2为taskold对应工件对应阶段在机器上完成加工的时间。
在调度过程中，任务池中任务数量一直保持为工件数，当某工件最后一阶段的任务被完成后，任务池中再无该工件的任务存在。当任务池全部被清空，则表示调度完成。
2.编码方式：
编码方式为基于运输任务的双层编码，第一层编码采用基于运输任务的自然数序列编码方式，其表示初始调度时刻任务池中任务(各个工件第一阶段的任务)的运输顺序，此时任务池中任务为各个工件第一阶段的运输任务，编码中数字i表示工件i对应的任务池中任务，以此建立初始调度时刻工件与任务的一一对应关系；第二层编码表示运输设备选择，其数值表示任务池中相应工件任务的运输设备分配情况。例如，图2所示的编码表示初始调度时刻，任务池中各个工件对应任务在第一阶段的运输顺序为3,2,1,4,5；并且第1～5号工件分别由2号、2号、1号、2号、1号运输设备来承担运输任务。
3.解码方式：
对第一阶段的运输任务，按照编码确定的任务先后顺序和运输设备分配情况依次规划任务池中各个任务的运输过程；
对第k(k>1)阶段的运输任务，每次寻找最早空闲的运输设备，从任务池中以特定的任务选择规则选择任务作为该运输设备的当前任务，直到任务池清空。
其中，任务池中任务被选择或分配给运输设备后，按照改进的最先空闲机器(First Available Machine,FAM)规则选择该任务对应工件在本阶段的加工机器(即该任务的目的地)，同时规划运输设备当前任务的空载运输与满载运输行程。当任务完成时，若该任务对应阶段数不是该工件的最大阶段数，将本任务从任务池中移除的同时添加新任务进任务池。
上述过程按照如下步骤进行：
(Step1).规划第一阶段任务
(1a).按照编码顺序依次确定本次规划的工件号i，工序号j，承担运输任务的运输设备号r；
(1b).规划运输设备从空闲位置到工序Oi,j-1加工机器位置的空载运输过程，确定工序Oi,j的最早运输时间为：
esti,j＝max(eci,j-1,atr)
其中，esti,j为工件i第j道工序的最早可运输时间，eci,j-1为工件i第j-1道工序的加工完成时间，atr为当前运输设备到达机器的时间。
(1c).按照改进的FAM规则为工序Oi,j选择加工机器：
根据所述最早可运输时间，计算当前工序在所有可用机器上的预计完工时间：
其中，为工件i的第j道工序在机器k上的预计完工时间，ptk′,k表示从机器k′到机器k的运输时间，k′为工件i第j-1道工序的加工机器号，pi,j为工件i的第j道工序的加工时间。
根据所有可用机器上的预计完工时间，选择预计完工时间最小的机器作为工件i第j道工序的加工机器。
(1d).规划运输设备从工序Oi,j-1加工机器位置运输工件到工序Oi,j加工机器位置的满载运输过程，确定工序Oi,j在机器上的最早开始加工时间：
esi,j＝max(esti,j+ptk',k,mac_idlek)
其中，esi,j为工序Oi,j的最早开始加工时间，mac_idlek为机器k的最早空闲时间。
(1f).更新机器k的最早空闲时间，运输设备的最早空闲时间，更新任务池；
(1g).判断编码中的工序是否都规划完毕，若是，则转到Step2；否则重复步骤(1a)～(1g)；
(Step2).规划第k(k>1)阶段任务
(2a).选择所有运输设备中最早空闲的运输设备；
(2b).为所选择的运输设备分配任务，任务分配方式为选择任务池中最早开始时间(st)最小的任务；
(2c).确定本次规划的运输设备和任务后，依次进行步骤(1a)～(1f)；
(2d).判断任务池是否为空，若是，则转到Step3；否则重复步骤(2a)～(2c)；
(Step3).输出本编码对应调度方案的工件最大完工时间。
步骤三、模型求解。
采用遗传-禁忌搜索(GA-TS)混合算法对MILP模型进行求解优化，如图3所示，其中涉及的遗传算法(GA)是Holland受大自然中生物体进化规律的启发，提出的一种元启发式全局搜索算法；涉及的禁忌搜索算法(TS)是Glover模拟人类的记忆功能，提出的一种元启发式局部搜索算法。
在求解时，先采集待调度工件的加工时间信息、加工机器信息和车间布局信息，将所述编码方式用于对问题进行编码，将所述解码方式用于计算算法中个体适应度值，使用遗传-禁忌搜索混合算法对所述混合流水车间生产与物流集成调度模型进行求解，得到待调度工件优化后的调度方案。具体包含如下步骤：
(Step1).定义问题以及初始化参数
确定待解决问题的数学形式，初始化种群规模P、交叉概率Pc、变异概率Pm、最大进化次数MaxGA、禁忌表长度TabuLen、最大禁忌搜索次数MaxTS等参数。
(Step2).初始化种群
采用上述编码方式对调度问题进行编码，然后随机生成P个个体(即P种调度方案)作为初始种群。
(Step3).交叉
根据交叉概率Pc进行交叉操作，具体步骤如下：
(3a).随机产生若干个基因位置，两子代个体分别从对应父代中继承相应基因位置的基因；
(3b).从第1个基因位置开始，各子代个体依次在未选中的基因位置上从另一父代个体上继承剩余基因。
(Step4).变异
根据变异概率Pm进行变异操作，具体步骤为：取变异个体上若干个不同的基因，生成这若干个基因的全部可能的排列，评价所有排列的适应值，取其中的最佳个体作为变异后的个体。
(Step5).选择
采用轮盘赌法选择下一代种群，具体步骤为：产生0-1之间的随机数rand，若满足下述公式，则对种群中第i个个体进行复制，选入下一代种群：
其中，fi为种群中个体i的适应度：
fi＝k/(pn-b)
其中，pn为目标函数(即工件最大完工时间)；k和b为常数参数，用以控制适应度值大小。
(Step6).禁忌搜索过程
对每一代遗传操作产生的新个体执行禁忌搜索操作，具体步骤如下：
(6a).对当前个体进行扰动，产生一个新个体；
(6b).判断新个体是否被禁忌，并更新禁忌表；
(6c).判断是否达到最大禁忌搜索次数MaxTS，若是，则用搜索过程中发现的最好个体更新遗传操作产生的新个体；否则重复步骤(6a)～(6c)。
(Step7).判断
判断是否到达遗传算法的最大进化次数MaxGA，若是，则输出最优个体对应的调度方案；否则重复步骤(Step3)～(Step7)。
在集成调度技术的基础上，为了证明本发明的实际应用效果，选择了部分混合流水车间生产调度与物流调度的简单算例进行仿真测试，并和传统“先进行生产调度，再进行物流调度”的阶段式求解技术(Separate Scheduling)的求解效果进行对比，其中Integrated Scheduling是采用本发明中的生产与物流集成调度方法所得到的结果。
表2算法参数及算例结果
表2中，平均解和最好解为分别对两种技术模式求解十次得到的。从表2中的计算结果可以看出，采用本发明提出的混合流水车间生产与物流集成调度技术，在大部分情况下可以缩短最大完工时间，具有较高的实际应用价值。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种混合流水车间生产与物流集成调度方法，其特征在于，包括以下步骤：
S1、建立混合流水车间生产与物流集成调度模型，其为混合整数线性规划模型，其中以工件的最长完工时间最小作为目标函数，约束条件包括工件工序的开始时间约束和任务对应约束；
所述开始时间约束如下：
si,j+1≥si,j+pi,j+ti,j,i＝1,2,...,n；j＝1,2,...,S-1
所述任务对应约束如下：
其中，si,j表示工件i的第j道工序的开始加工时间，pi,j表示工件i的第j道工序的加工时间，ti,j表示工件i的第j道工序从上道工序加工机器到本道工序加工机器的运输时间，n表示工件总数，S表示工序总数；zi,j,f表示工件i的第j道工序是否对应第f道运输任务，对应时zi,j,f＝1，不对应时zi,j,f＝0；w表示运输任务总数；
S2、采集待调度工件的加工时间、加工机器和车间布局数据，进而根据该数据对混合流水车间生产与物流集成调度模型进行求解，得到混合流水车间的调度方案；
采用遗传与禁忌搜索混合算法对混合流水车间生产与物流集成调度模型进行求解，具体包括：先确定遗传与禁忌搜索混合算法中个体的编码方式和对应解码方式，对个体进行解码即得到对应调度方案；然后根据混合流水车间生产与物流集成调度模型中的目标函数和约束条件，通过遗传与禁忌搜索混合算法求解得到最优解，该最优解对应的调度方案即为所求的混合流水车间的调度方案，在求解过程中解码计算个体适应度值；
所述编码方式为基于运输任务的双层编码，具体为：
第一层编码采用基于运输任务的自然数序列编码，其表示初始调度时刻任务池中任务的运输顺序，此时任务池中任务为各个工件第一阶段的运输任务，编码中数字i表示工件i对应的任务池中任务，以此建立初始调度时刻工件与任务的一一对应关系；第二层编码表示运输设备选择，其数值表示任务池中相应工件任务的运输设备分配情况；
所述解码方式具体为：
对第一阶段的运输任务，按照编码确定的任务先后顺序和运输设备分配情况依次规划任务池中各个任务的运输过程；对第k阶段的运输任务，k>1，每次寻找最早空闲的运输设备，从任务池中以预设的任务选择规则选择任务作为该运输设备的当前任务，直到任务池清空；
其中，任务池中任务分配给运输设备后，按照改进的最先空闲机器规则选择该任务对应工件在本阶段的加工机器，同时规划运输设备当前任务的空载运输与满载运输行程；当任务完成时，若该任务对应阶段数不是该工件的最大阶段数，将本任务从任务池中移除的同时添加新任务进任务池；
所述改进的最先空闲机器规则为：
对于工件i的第j道工序，其加工机器的选择步骤如下：
计算工件i第j道工序的最早可运输时间esti,j：
esti,j＝max(eci,j-1,atr)
其中，eci,j-1为工件i第j-1道工序的加工完成时间，atr为当前运输设备到达机器的时间；
根据最早可运输时间esti,j，计算当前工序在所有可用机器上的预计完工时间：
其中，为工件i的第j道工序在机器k上的预计完工时间，ptk′,k为从机器k′到机器k的运输时间，k′为工件i第j-1道工序的加工机器号，pi,j为工件i的第j道工序的加工时间；
根据所有可用机器上的预计完工时间，选择预计完工时间最小的机器作为工件i第j道工序的加工机器。
2.如权利要求1所述的混合流水车间生产与物流集成调度方法，其特征在于，所述预设的任务选择规则为每次选择任务池中最早可开始时间最小的任务作为运输设备的当前任务。
3.如权利要求1或2所述的混合流水车间生产与物流集成调度方法，其特征在于，所述任务池为所有待调度任务的集合，其按照以下方式建立：任务池初始调度时刻，任务池中任务数量为工件数，其代表各个工件的第一阶段运输任务，当任务池中某道任务被完成时，若该任务代表的工件工序不是本工件的最后一道工序，则将本任务从任务池中移除的同时，将一道代表该工件下阶段运输过程的新任务添加进任务池；在调度过程中，任务池中任务数量一直保持为工件数，当某工件最后一阶段的任务被完成后，任务池中再无该工件的任务存在，当任务池全部被清空，则表示调度完成。
4.一种混合流水车间生产与物流集成调度系统，其特征在于，包括存储器和处理器，其中，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时实现如权利要求1～3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011534548.6A CN112561194B (zh) | 2020-12-22 | 2020-12-22 | 一种混合流水车间生产与物流集成调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011534548.6A CN112561194B (zh) | 2020-12-22 | 2020-12-22 | 一种混合流水车间生产与物流集成调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112561194A CN112561194A (zh) | 2021-03-26 |
| CN112561194B true CN112561194B (zh) | 2023-10-03 |
Family
ID=75031542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011534548.6A Active CN112561194B (zh) | 2020-12-22 | 2020-12-22 | 一种混合流水车间生产与物流集成调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561194B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113034047B (zh) * | 2021-04-21 | 2023-06-30 | 河南工业职业技术学院 | 一种柔性制造车间优化调度方法及系统 |
| CN113361860B (zh) * | 2021-05-12 | 2023-04-07 | 同济大学 | 考虑疲劳度的柔性流水车间调度控制方法、介质及设备 |
| CN113671910B (zh) * | 2021-07-21 | 2022-09-27 | 华南理工大学 | 一种集成多agv柔性作业车间调度方法、装置及介质 |
| CN114548660A (zh) * | 2022-01-06 | 2022-05-27 | 青岛海尔科技有限公司 | 家电设备的生产排程方法、装置、设备及存储介质 |
| CN116224946B (zh) * | 2023-03-24 | 2023-11-14 | 华中科技大学 | 机械件加工车间生产与物流集成的优化调度方法与系统 |
| CN116300763A (zh) * | 2023-03-31 | 2023-06-23 | 华中科技大学 | 考虑机器配置的混合流水车间数学启发式调度方法及系统 |
| CN116795054B (zh) * | 2023-06-19 | 2024-03-19 | 上海交通大学 | 一种离散制造模式下的中间产品调度方法 |
| CN116736820B (zh) * | 2023-08-16 | 2023-10-17 | 聊城大学 | 一种考虑加工、运输和装配集成调度的建模方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110221585A (zh) * | 2019-06-14 | 2019-09-10 | 同济大学 | 一种用于混合流水车间考虑设备维护的节能调度控制方法 |
| CN111966049A (zh) * | 2020-06-22 | 2020-11-20 | 同济大学 | 一种混合流水车间生产设备调度控制方法 |
-
2020
- 2020-12-22 CN CN202011534548.6A patent/CN112561194B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110221585A (zh) * | 2019-06-14 | 2019-09-10 | 同济大学 | 一种用于混合流水车间考虑设备维护的节能调度控制方法 |
| CN111966049A (zh) * | 2020-06-22 | 2020-11-20 | 同济大学 | 一种混合流水车间生产设备调度控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112561194A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112561194B (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
| CN111091238B (zh) | 一种自动化集装箱码头agv智能化调度方法 | |
| Ulusoy et al. | A genetic algorithm approach to the simultaneous scheduling of machines and automated guided vehicles | |
| Liu et al. | Novel multi-objective resource allocation and activity scheduling for fourth party logistics | |
| CN107036618A (zh) | 一种基于最短路径深度优化算法的agv路径规划方法 | |
| Lin et al. | Network model and effective evolutionary approach for AGV dispatching in manufacturing system | |
| CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
| CN112488606B (zh) | 一种生产物流智能优化和自动调度系统 | |
| CN113822525B (zh) | 基于改进遗传算法的柔性作业车间多目标调度方法及系统 | |
| Khmeleva et al. | Fuzzy-logic controlled genetic algorithm for the rail-freight crew-scheduling problem | |
| Huang et al. | An improved genetic algorithm for job-shop scheduling problem with process sequence flexibility | |
| CN115456387A (zh) | 煤炭港口出港作业集成调度方法、装置、电子设备及介质 | |
| CN111860957B (zh) | 一种考虑二次配送和平衡用时的多车型车辆路径规划方法 | |
| Zhang et al. | Effective genetic approach for optimizing advanced planning and scheduling in flexible manufacturing system | |
| CN114330870A (zh) | 一种基于多种群进化算法的带时间窗的车辆路径规划方法 | |
| Zhou et al. | Multi-objective optimization of greening scheduling problems of part feeding for mixed model assembly lines based on the robotic mobile fulfillment system | |
| Fontes et al. | Energy-efficient job shop scheduling problem with transport resources considering speed adjustable resources | |
| Hosseinian et al. | An energy-efficient mathematical model for the resource-constrained project scheduling problem: an evolutionary algorithm | |
| CN114971317A (zh) | 一种基于改进遗传算法的设备排产和场内物流调度优化方法 | |
| CN112801484B (zh) | 一种考虑配料误差的物料配送调度方法和系统 | |
| Xu et al. | Multi-objective green scheduling of integrated flexible job shop and automated guided vehicles | |
| CN116820058A (zh) | 考虑agv约束的液压缸工艺规划与调度集成优化方法 | |
| CN116957177A (zh) | 一种柔性车间产线规划方法、系统、设备及介质 | |
| Badakhshian et al. | Performance optimization of simultaneous machine and automated guided vehicle scheduling using fuzzy logic controller based genetic algorithm | |
| Gao et al. | Research on AGV Path Planning of Simultaneous Pickup and Delivery with Time Window |
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 |