CN112766659B - 一种分布式混合流水车间调度方法、介质和系统 - Google Patents
一种分布式混合流水车间调度方法、介质和系统 Download PDFInfo
- Publication number
- CN112766659B CN112766659B CN202011636881.8A CN202011636881A CN112766659B CN 112766659 B CN112766659 B CN 112766659B CN 202011636881 A CN202011636881 A CN 202011636881A CN 112766659 B CN112766659 B CN 112766659B
- Authority
- CN
- China
- Prior art keywords
- solution
- workshop
- cluster
- scheduling
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 91
- 238000004519 manufacturing process Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 210000004556 brain Anatomy 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 34
- 238000002922 simulated annealing Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000003754 machining Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010924 continuous production Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 230000004913 activation Effects 0.000 claims 1
- 239000013598 vector Substances 0.000 description 12
- 238000000540 analysis of variance Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009628 steelmaking Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction 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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种分布式混合流水车间调度方法、介质和系统，包括：获取分布式混合流水车间的车间数据；根据车间数据建立约束条件，所述约束条件包括二型模糊加工时间约束和启动时间约束；根据约束条件建立车间的生产调度模型；生产调度模型的目标为最小化所有车间中二型模糊完工时间的最大值；根据头脑风暴算法，对所述生产调度模型进行优化求解，得到车间最优生产方案；基于车间最优生产方案对车间内的工件执行调度。
Description
技术领域
本申请涉及车间生产调度技术领域，特别是涉及一种分布式混合流水车间调度方法、介质和系统。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。
在许多类型的生产制造系统中，调度是一个关键的问题。基于不同的生产特点衍生出了不同类型的调度问题，包括流水车间调度问题(Flowshop Scheduling Problem,FSP)，混合流水车间调度(Hybrid Flowshop Scheduling,HFS)问题，作业车间调度问题(Jobshop Scheduling Problem,JSP)和柔性作业车间调度问题(Flexible JobshopScheduling Problem,FJSP)。
随着全球经济的发展，一种新型的调度方式即分布式调度得到了越来越广泛的关注。典型的应用包括分布式流水车间调度问题(Distributed Flowshop SchedulingProblem,DFSP)、分布式装配置换流水车间调度问题(Distributed Assembly PermutationFlowshop Scheduling Problem,DAPFSP)、分布式柔性作业车间调度问题(DistributedFlexible Jobshop Scheduling Problem,DFJSP)、分布式无等待流水车间调度问题、分布式混合流水车间调度、具有多处理器任务的流水车间调度问题，以及分布式可重入置换流水车间调度问题。
在最近的研究中，不确定调度问题引起了越来越多的关注。在不确定环境下，模糊加工被广泛的研究。Kacem等人开发了一种混合了优化算法和模糊逻辑的帕累托最优方法来解决这个问题。Golnessini等人利用元启发式算法求解了基于聚类的模糊双准则HFS问题，而郑等人则提出了一种协作的协同进化算法来求解多目标模糊HFS问题。
然而，现有的研究主要考虑的是一型模糊逻辑系统(Type-1 Fuzzy LogicSystem,T1FLS)的FJSP，其中每个值可以由三角模糊数(Triangular Fuzzy Number,TFN)和其他类型的数字表示。而现实应用中的不确定性水平通常太高导致无法被一个确定的值或者TFN值表示。例如，在炼钢系统中每道工序的加工时间一般是由许多现实因素共同决定的。考虑到所有因素的影响，应将处理时间设置为二型模糊值，以处理现实系统中的高度不确定性。
考虑到资源的灵活性，混合流水车间调度在学术领域和工业领域受到了越来越多的关注。在传统的混合流水车间调度问题中，每个加工阶段都有一批并行的机床，其中每个工件必须选择一个合适的机床进行加工。每个工件都需要按照相同的顺序逐一通过每个阶段的加工，且不允许出现工件在机床上加工的重叠的情况。
混合流水车间调度考虑了资源的灵活性调度，因此混合流水车间调度相比传统的流水车间调度问题更加复杂。不同元启发式算法被应用到求解混合流水车间调度中，它们可以被分为基于局部搜索的方法和基于种群的方法。
近年来，分布式生产已经成为流行的工业生产方式。在这样的大背景下，分布式生产调度也在越来越多的工作中得到了研究。分布式流水车间调度是一个最常研究的调度问题，并且出现了很多类型的元启发式算法对其进行了求解，比如禁忌搜索算法，分布估计算法(Estimation of Distribution Algorithm,EDA)，分散搜索(Scatter Search,SS)方法，迭代贪婪算法和化学反应优化(Chemical Reaction Optimization,CRO)。然而，上述的有关分布式流水车间调度问题存在以下的局限性：(1)多数的研究只考虑了分布式工厂都具有相同的处理能力；(2)没有考虑每个工厂中任务的灵活性和零空闲、无等待等具有现实意义的约束。
发明内容
为了解决现有技术的不足，本申请提供了一种分布式混合流水车间调度方法、介质和系统；
第一方面，本申请提供了一种分布式混合流水车间调度方法；
一种分布式混合流水车间调度方法，包括：
获取分布式混合流水车间的车间数据；
根据车间数据建立约束条件，所述约束条件包括二型模糊加工时间约束和启动时间约束；
根据约束条件建立车间的生产调度模型；生产调度模型的目标为最小化所有车间中二型模糊完工时间的最大值；
根据头脑风暴算法，对所述生产调度模型进行优化求解，得到车间最优生产方案；基于车间最优生产方案对车间内的工件执行调度。
第二方面，本申请提供了一种分布式混合流水车间调度系统；
一种分布式混合流水车间调度系统，包括：
获取模块，其被配置为：获取分布式混合流水车间的车间数据；
约束条件建立模块，其被配置为：根据车间数据建立约束条件，所述约束条件包括二型模糊加工时间约束和启动时间约束；
生产调度模型建立模块，其被配置为：根据约束条件建立车间的生产调度模型；生产调度模型的目标为最小化所有车间中二型模糊完工时间的最大值；
调度模块，其被配置为：根据头脑风暴算法，对所述生产调度模型进行优化求解，得到车间最优生产方案；基于车间最优生产方案对车间内的工件执行调度。
第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比，本申请的有益效果是：
实现分布式混合流水车间灵活调度和充分调度；
(1)用一个二维数组来表示每个解；
(2)考虑了不确定环境中的二型模糊加工时间和启动时间两种约束；
(3)提出了一种新颖的基于NEH方法的结构启发式算法，简称为分布式NEH；
(4)提出了几种基于问题特征和优化目标的局部搜索启发式来增强局部搜索能力；
(5)嵌入了一种基于模拟退火(Simulated Annealing,SA)的接受准则来进一步增强算法的搜索能力。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例的一型HFS甘特图；
图3为第一个实施例的非对称三角区间T2FS；
图4为第一个实施例的在炼钢系统中一个典型的DHFS；
图5为第一个实施例的解的编码示意图；
图6为第一个实施例的一个解码案例的甘特图；
图7(a)-图7(c)为第一个实施例的三个关键参数的因子水平趋势；
图8(a)-图8(c)为第一个实施例的ANOVA性能比较图；
图9(a)-图9(b)为第一个实施例的关于不同问题规模的两个算例下的收敛曲线比较；
图10为第一个实施例的由所提出的算法在算例1下取得的最优解的甘特图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
如图1所示，本实施例提供了一种分布式混合流水车间调度方法；
一种分布式混合流水车间调度方法，包括：
S101：获取分布式混合流水车间的车间数据；
S102：根据车间数据建立约束条件，所述约束条件包括二型模糊加工时间约束和启动时间约束；
S103：根据约束条件建立车间的生产调度模型；生产调度模型的目标为最小化所有车间中二型模糊完工时间的最大值；
S104：根据头脑风暴算法，对所述生产调度模型进行优化求解，得到车间最优生产方案；基于车间最优生产方案对车间内的工件执行调度。
作为一个或多个实施例，所述S101：获取分布式混合流水车间的车间数据；具体包括：
待加工工件的数量、待加工工件要求完成时间、待加工工件的工序数量、工序的加工时间以及启动时间。
作为一个或多个实施例，所述S102：根据车间数据建立约束条件，所述约束条件包括二型模糊加工时间约束和启动时间约束；具体包括：
保证同一工件连续工序的优先关系，即同一工件的后序工序必须等待前一工序加工完成后才能进行加工；
保证每个工厂中同一个机床上连续的工序不会出现重叠；
确保每道工序分配给一个工厂的一个机床；
保证每个操作最多有一道前序工序在同一台机器上处理；
确保每道工序的完工时间等于开始时间和IT2FS加工时间之和。
作为一个或多个实施例，所述S103：根据约束条件建立车间的生产调度模型；生产调度模型的目标为最小化所有车间中二型模糊完工时间的最大值；具体包括：
其中，f表示目标函数；
表示每个工件在最后阶段H的完工时间；j表示第j个工件；N表示工件的总数量。
作为一个或多个实施例，所述S104：根据头脑风暴算法，对所述生产调度模型进行优化求解，得到车间最优生产方案；具体包括：
S1041：初始化种群：使用DNEH启发式算法初始化任一一个解并且随机生成其他的Psize个解；
S1042：计算每个种群中每个个体的目标值；
S1043：利用聚类启发式算法，将所有个体划分为若干个类；
S1044：选择每个聚类中的最佳个体作为聚类中心；
S1045：在[0,1]区间内随机产生一个数rm；
S1046：判断rm<Pc是否成立；如果是，则进入S1047；如果否，则进入S1048；
S1047：对每个聚类ci在[0,1]区间内随机产生一个数r1；判断r1<0.5是否成立；如果r1<0.5成立，则选择聚类中心作为当前解X；对当前解执行搜索启发式策略，并生成相邻解X’；用相邻解X’更新最好解，用相邻解X’更新每个聚类ci的聚类中心；如果r1<0.5不成立，则对每个聚类ci的元素X执行搜索启发式策略，并生成邻域解X′，记录最优解；
S1048：从k＝1到Ps*Ck遍历每个聚类，k<Ps*Ck，Ps是种群的规模；Ck是聚类的数量比例；
随机选择两个聚类ci和cj，在[0,1]内随机生成一个数r2；判断r1<0.5是否成立；如果r1<0.5成立，则选择两个聚类中心ci和cj；执行交叉操作生成一个邻域解X′；记录最优解；如果r1<0.5不成立，则分别从两个聚类中随机选择两个个体Mci和Mcj；执行两点交叉操作生成邻域解X’；记录最优解。
S1049：执行基于SA的搜索策略，得到一个最优的全局解。
进一步地，所述S1041使用DNEH启发式算法初始化任一一个解并且随机生成其他的Psize个解；具体包括：
S10411：将所有的工件随机地分配到每个工厂；对每个工厂均执行S10412-S10414步骤；
S10412：选择选择IT2FS模糊处理时间最小的作业作为第一个被分配的作业；
S10413：将每个未调度的作业插入到前序序列的所有可能位置，并计算每个可能位置的IT2FS模糊完工时间；
S10414：每个未调度的作业将被插入到IT2FS模糊完成时间最短的位置。
进一步地，所述S1043：利用聚类启发式算法，将所有个体划分为若干个类；具体包括：
S10431：从整个种群中随机选择K个初始聚类中心；
S10432：对于每个未分配的解，计算到每个聚类中心的距离，然后将其分配到最近的聚类，用欧氏距离重新计算距离；
S10433：分配解后，重新计算所选聚类的中心；
S10434：重复S10432和S10433，直到所有的解被分配给到一个聚类。
进一步地，所述S1048：选择两个聚类中心ci和cj；执行交叉操作生成一个邻域解X′；具体包括：
S10481：从整个种群中随机选择K个初始聚类中心；
S10482：对于每个未分配的解，计算到每个聚类中心的距离，然后将其分配到最近的聚类，用欧氏距离重新计算距离；
S10483：分配解后，重新计算所选聚类的中心；
S10484：重复步骤S10482和S10483，直到所有的解被分配给到一个聚类。
进一步地，所述S1049：执行基于SA的搜索策略；具体包括：
模拟退火算法的初始温度设置为
其中T是算法中设置的一个参数。
进一步地，所述S1049：执行基于SA的搜索策略；具体包括：
S10491：从当前解经过搜索后产生一个位于解空间的新解；
S10492：计算与新解所对应的目标函数差；
S10493：判断新解是否被接受,判断的依据是一个接受准则，接受准则是Metropolis准则:若ΔT<0，则接受S′作为新的当前解S，否则以概率exp(-ΔT/T)接受S′作为新的当前解S；
S10494：当新解被确定接受时，用新解代替当前解，这只需将当前解中对应于产生新解时的变换部分予以实现，同时修正目标函数值即可；此时，当前解实现了一次迭代；在此基础上开始下一轮试验；而当新解被判定为舍弃时，则在原当前解的基础上继续下一轮试验。
其中，S10492：计算与新解所对应的目标函数差，因为目标函数差仅由变换部分产生，所以目标函数差的计算最好按增量计算。事实表明，对大多数应用而言，这是计算目标函数差的最快方法。
分布式混合流水调度(Distribute hybrid flowshop scheduling,DHFS)问题是一种常见的调度问题，近年来在学术界和工业得到了广泛的研究。考虑了二型模糊加工时间和启动时间约束的DHFS问题，本申请开发了一种改进的头脑风暴优化方法，其目标是最小化所有工厂中二型模糊完工时间的最大值。首先，每个解通过一个二维向量表示。然后，给出了两个现实约束，即不确定的环境下的二型模糊加工时间和启动时间下，使问题更加贴近现实。接下来，提出了一种新颖的基于Nawaz-Encore-Ham(NEH)方法的建设性启发式方法，即分布式NEH。几种考虑问题特点和目标的局部搜索启发式算法被开发来增强局部搜索能力。此外，嵌入了一种基于模拟退火法的接受准则来进一步增强算法的搜索能力。实验结果表明：在求解所考虑的二型模糊DHFS问题时，所提出的算法与最近发表的其他高效算法的相比更为有效。
模糊混合流水车间调度，在现实的工业应用中受到很多类型因素的约束，比如基于序列的启动时间，模糊加工时间和有限缓冲区等。此外，每个工件的加工时间受到很多因素的影响，比如机床的疲劳，劳动的熟练程度以及运输效率。因此，工件的加工时间应该取之于一个三角形模糊数，而不是一个确定的值。
在多数现实应用中，尤其是工业生产系统中，不确定性的程度通常很高。相比于1-型模糊系统问题，二型模糊逻辑系统具有更多的参数和处理高度不确定性的能力。因此，二型模糊逻辑系统在很多研究领域比一型模糊系统表现出了更好的性能，尤其是在建模、预测和控制应用等方面。
IT2FS(Interval type-2fuzzy system，即区间二型模糊系统)的基本理论：设A为二型模糊集，即
通常被隶属函数
来描述，其中x∈X，并且u∈[0,1]。基于成员函数，T2FS的定义在下面给出：
一个区间T2FS(IT2FS)，记为
是T2FS的一个特殊案例并被描述为：
下面的公式给出了一种简单的方法来计算非对称三角区间T2FS的质心，其中下部成员函数不对称。图2显示了一型HFS的甘特图，图3显示了非对称三角区间T2FS的图例。
IT2FS算子包括加法算子和排序算子。
(1)加法算子
给出两个区间二型模糊变量
和
然后加法的表达式如下：
(2)排序算子
给出两个区间二型模糊变量
和
然后分别计算变量
和
＝的中心
和
情况1：如果
否则判断情况2。
情况2：如果a3>(<)b3，则
否则判断情况3。
情况3：如果(a5-a1)>(<)(b5-b1)，则
比如，考虑到两种二型模糊数，
和
通过上述的排序方法，
因此
传统的头脑风暴算法的灵感来源于一次人类的头脑风暴会议，这是一种激发思维产生创新的方式。主要的原则是划分搜索空间到不同的聚类，在每个聚类中进行局部搜索，组合聚类用于完成全局搜索任务。
如下公式用来生成一个新的个体：
其中，X是选中的个体的第d个维度，且X是新产生的个体的第d个维度。n是一个均值为u，方差为o的高斯函数，并且e是一个权重系数，它主要是用来改变高斯噪声。
传统BSO算法的主要步骤如下：(1)以一种随机方式生成初始化种群；(2)将解划分为多个聚类；(3)使用一到两种方法执行搜索操作：a)在一个聚类中执行搜索操作或者b)在两个聚类中执行搜索操作；(4)对于一个聚类，选择聚类中心或者一个随机的成员来生成邻域解；(5)对于两个聚类，选择两个聚类中心或者两个随机的成员来生成邻域解；(5)记录目前找到的最好解。
本申请从炼钢生产调度系统凝练了一个典型的调度问题，其中该调度问题可以分为几个加工阶段，如图4所示。在这个问题中，有F个工厂处于并行模式，并且每个工厂都有相同的加工阶段。N个工件被分配到F个工厂，并在每个工厂都需要完成H阶段的加工。在每个阶段有M台并行机且只能选择一台机器来处理等待的工作。从描述中可以明显看出，所考虑的问题是典型的DHFS问题。此外，为了使问题从产业角度更贴近现实，本申请还考虑二型模糊处理时间和设置时间约束。
假设：每个工件都被分配到任意一个工厂中加工，并且每个工件在工厂中的每个阶段应该从一批具有加工该道工序能力的机床中选择一个进行加工。每个机床均可用并且持续通电。工序之间不允许抢占机床，后序工序必须等待前序工序加工完成。起重机在运输过程中不允许出现重叠。考虑了与操作序列相关的启动时间。每个工件在零时刻准备就绪，机床在零时刻均可用。考虑了机床之间的运输时间。
每个工件的加工时间是一个二型模糊系统不对称的三角形区间，而不是一个确定的值。
其中，M:机床的数量；N:工件的数量；F:工厂的数量；H:阶段的数量；j,p:工件的下标；i:阶段的下标；k:机床的下标；f:工厂的下标；Ck:聚类的数量。
Oi,j:工件j的第ith道工序,i＝1,2,…,H；
Sj,p:两个工件j和p的启动时间，j,p∈N；
Ψi,j,p,k,f:<Oi,j,Oi,p>被分配到同一个工厂f的关系，并且将要在i阶段同一个机床k上
连续加工，且Oi,j应该在Oi,p加工完成后再加工；
L:一个实数。
决策变量：
xi,j,k,f:0/1型变量，如果工序Oi,j被分配到工厂f的机床k，则取值为1；否则为0.yi,j,p,k,f:0/1型变量，如果<Oi,j,Oi,p>∈Ψi,j,p,k,f则取值为1；否则为0.
DHFS问题模型：
约束(8)描述了问题的总目标是最小化IT2FS的最大完工时间，约束(9)保证了同一工件连续工序的优先关系，即同一工件的后序工序必须等待前一工序加工完成后才能进行加工。约束(10)保证了每个工厂中同一个机床上连续的工序不会出现重叠。约束(11)确保了每道工序会分配给一个工厂的一个机床，而约束(12)保证每个操作最多有一道前序工序在同一台机器上处理。约束(13)确保每道工序的完工时间等于开始时间和IT2FS加工时间之和。需要注意的是，加法算子用于计算完成时间。约束(15)和(16)给出了两个决策变量的取值范围。
这部分列举了所提出的改进头脑风暴算法的主要部分，算法的框架如算法1所示。
在S104步骤中应用到编码和解码；编码用于初始化一个解，解码用于评估解的优劣。
解的编码：每个解可由两个向量表示，即路径向量和工厂分配向量。在工厂分配向量中，每个元素都表示相应的工件所分配的工厂。比如在图5中，第一个元素对应为工件1，其取值为2代表了工件1分配到工厂2中。路径向量表示了所有工件的加工顺序，值得注意的是仅仅是第一阶段，当第一阶段完成加工后，每个工件将立即转移到接下来的阶段中并且按照第5.2节介绍的一个确定的规则加工。
解的解码：完成第一阶段的加工后，完工时间最早的工件应该在接下来的阶段以高优先级进行调度。但是很难对区间二型模糊系统模糊完工时间的工件调度。在本研究中，本申请提出了一种简单有效的解码方式，该方法在算法2中展示，并在图6给出了一个甘特图的案例。
NEH由Nawaz,Enscore and Ham提出，是一种最有效的解决流水车间调度问题的构造启发式算法之一。为了将NEH策略应用到考虑区间二型模糊系统的分布式混合流水车间问题中，本申请提出了一种分布式NEH这种新的启发式算法。算法的主要步骤在算法3中介绍。
搜索策略：对于每个解，都要进行搜索过程来探索解的邻域空间，一种常见方法是使用交换突变或插入突变。在这一部分中，提出了几种局部搜索算子通过考虑问题的特点和目标信息。
工厂分配向量的突变：
LS1：S104步骤中对于最繁忙的工厂局部搜索：(1)对于一个解X，计算所有工厂的最大的区间二型模糊系统模糊完工时间；(2)选择最大的区间二型模糊系统模糊完工时间的工厂Mf；(3)随机选择一道在工厂Mf加工的工序，然后将该道工序的加工工厂替换为另一个随机的工厂；(4)评估新产生的邻域解，如果新产生的解更好则替换当前解。
LS2：S104步骤中对于随机一道工序局部搜索：(1)对于一个解X，在它的调度向量中任选一道工序Oi,j；(2)将该道工序的加工工厂更换为另一个随机的工厂；(3)评估新产生的邻域解，如果新产生的解更好则替换当前解。
调度向量的突变：
对于调度向量，本申请总结以下三种类型的变异算子。
LS3：两点交换(Two-point swap,TPS)算子。两点交换算子通过互换两个选择的工件来产生邻域解，具体的步骤如下：(1)随机的选择调度向量中的两个位置r1和r2；(2)替换位置r1和r2处两道工件；(3)评估新产生的邻域解；(4)更新到目前为止找到的最优解并且使用邻域解作为当前解。
LS4：两点插入(Two-point insertion,TPI)算子。两点插入算子的具体步骤与两点交换算子略有不同，其中用插入算子替换交换算子。也就是在加工工序中将靠后的r2位置的操作插入到r1位置之前。
LS5：两点反转(Two-point Reverse,TPR)算子。两点反转算子与两点插入算子具体步骤略有不同，其中交换操作被反转操作替代。也就是在调度向量的位置r1和r2中的工件全部反转。
基于模拟退火的搜索启发式：
在本研究中，本申请将基于模拟退火的接受准则嵌入到提出的IBSO来增强算法的搜索能力。模拟退火算法的初始温度设置为
其中T是算法中设置的一个参数。
聚类启发式：
为了将全部的种群划分为几个子种群，将K-均值聚类方法融入到改进的头脑风暴算法中。具体的步骤如下：
(1)从整个种群中随机选择K个初始聚类中心；
(2)对于每个未分配的解，计算到每个聚类中心的距离，然后将其分配到最近的聚类，用欧氏距离重新计算距离；
(3)分配解后，重新计算所选聚类的中心；
(4)重复步骤(2)和(3)，直到所有的解被分配给到一个聚类。
为了解决区间二型模糊系统的模糊分布式混合流水车间问题和证明改进头脑风暴算法的有效性，本申请根据真实的生产数据随机产生了了20个混合流水车间调度的大规模的算例，其中工件的数量为n＝{50,100,150,200}，机床的数量为m＝{2,4,6,8,10}。工厂的数量是从区间[2,5]中随机生成。这组算例可以在网站http://ischedulings.com/data/IJFS-instances.rar.中下载。算法的性能指标采用相对百分增加值(RPI)来衡量，计算公式如下：
RPI(C)＝(fc-fb)/fb*100 (17)
其中fb是七个算法中得到的最优值，fc是提出的算法在每个算法中的得到的最优值。
算法中设计的三个参数如下：(1)种群规模(Ps)，一般设置为50、100、150和200四个水平；(2)交叉概率(Pc)，一般设置为0.1、0.2、0.5和0.7四个水平；(3)聚类的数量比例，一般设置为0.05、0.1、0.2和0.3四个水平。因为每个参数都设置为四个水平，所以选择了正交表L16(43)。对于每个参数组合，所提出的算法独立运行30次且收集得到的平均值作为响应变量(Response Variables,RV)。基于详细的模拟实验，本申请设置了改进的头脑风暴的算法参数如下：Ps＝50.Pc＝0.5.Ck＝0.1.
表1正交表和RV值
如图7(a)-图7(c)所示，三个关键参数的因子水平趋势。
验证搜索策略的有效性：利用搜索启发式算法增强了算法的搜索能力。为了评估启发式算法，本申请编码了两种不同类型的改进版头脑风暴算法，即使用交换策略的IBSO-NE算法，以及使用第四节中介绍的的IBSO。两种比较算法的所有其他部分都是相同的。
多因素方差分析(Multifactor analysis of variance,ANOVA)也用于评估结果的显著性差异。图8(a)表示得到的p-value接近于零，这意味着在应用所提出的利用启发式方法之后，差异是显著的。
验证模拟退火策略的有效性：采用了基于模拟退火启发式算法，提高了算法跳出局部最优的能力。为了评估探索启发式，本申请编码了两种不同类型的IBSO算法，即未使用模拟退火启发式的IBOS-NG，以及使用第4节中讨论的所有组件的IBSO。图8(b)表明，在应用探索启发式之后，差异是显著的。
多算法比较：为了进一步验证提出的IBSO的性能，本申请选择如下几个对比算法：Yu等人提出的GA(以下简称为GAY)，Liao等人提出的PSO算法(以下简称为PSOL)，Naderi等人提出的SS(以下简称为SSN)，Li等人提出AB(以下简称为ABCL)的。对于每个对比算法，独立运行30次后的结果在表5和表6中展示。
表5给出了五种比较算法在求解给定的20个实例时的最优结果。第一列显示算例数，第二列给出相应的问题规模。下一列提供了从五个比较的算法中得到的每个实例的最优值。以下五列分别描述了由五种算法收集的适应值，而由五种比较算法获得的RPI值在最后五列中分别给出。
从表5可以看出：(1)对于问题规模不同的20个算例，IBSO算法获得了16个较好的结果，优于其他算法；(2)表中最后一行显示，所提出的算法平均RPI值为0.10，大约是次优算法的5％；(3)简而言之，IBSO算法的性能明显优于其他四种高效算法。
表6比较了五种比较算法的平均性能。结果表明：(1)在给定的20个实例中，该算法获得了17个较好的结果；(2)客观来说，IBSO算法的性能优于其他四种算法。
图8(c)显示了五种比较算法的方差分析结果。从图中可以看出，IBSO适用于解决不同问题规模的IT2FS模糊DHFS问题。图9(a)-图9(b)显示了关于不同问题规模的两个算例下的收敛曲线比较。结果表明，该算法对所考虑的问题具有较好的收敛能力。图10给出了由所提出的算法在算例1下取得的最优解的甘特图。
表2五种算法的比较结果(最佳性能)
表3五种算法的比较结果(平均性能)
在本研究中，我们考虑了IT2FS模糊DHFS问题，并用改进的BSO算法对其进行了求解。为了提高初始种群质量，提出了一种新的分布式NEH启发式算法。在此基础上，提出了几种开发启发式算法，以增强算法的搜索能力。基于SA的搜索启发式策略进一步的提高了全局搜索能力。对于未来的进展，我们将会把提出的算法应用于其他类型的调度问题中，并且进一步提高算法的搜索能力。
实施例二
本实施例提供了一种分布式混合流水车间调度系统；
一种分布式混合流水车间调度系统，包括：
获取模块，其被配置为：获取分布式混合流水车间的车间数据；
约束条件建立模块，其被配置为：根据车间数据建立约束条件，所述约束条件包括二型模糊加工时间约束和启动时间约束；
生产调度模型建立模块，其被配置为：根据约束条件建立车间的生产调度模型；生产调度模型的目标为最小化所有车间中二型模糊完工时间的最大值；
调度模块，其被配置为：根据头脑风暴算法，对所述生产调度模型进行优化求解，得到车间最优生产方案；基于车间最优生产方案对车间内的工件执行调度。
此处需要说明的是，上述获取模块、约束条件建立模块、生产调度模型建立模块和调度模块对应于实施例一中的步骤S101至步骤S104，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (7)
1.一种分布式混合流水车间调度方法，其特征是，包括：
获取分布式混合流水车间的车间数据；
根据车间数据建立约束条件，所述约束条件包括二型模糊加工时间约束和启动时间约束；
根据约束条件建立车间的生产调度模型；生产调度模型的目标为最小化所有车间中二型模糊完工时间的最大值；
根据头脑风暴算法，对所述生产调度模型进行优化求解，得到车间最优生产方案；基于车间最优生产方案对车间内的工件执行调度；
模拟退火算法的初始温度设置为
其中T是算法中设置的一个参数；
所述约束条件包括二型模糊加工时间约束和启动时间约束，具体包括：
保证同一工件连续工序的优先关系，即同一工件的后序工序必须等待前一工序加工完成后才能进行加工；
保证每个工厂中同一个机床上连续的工序不会出现重叠；
确保每道工序分配给一个工厂的一个机床；
保证每个操作最多有一道前序工序在同一台机器上处理；
确保每道工序的完工时间等于开始时间和IT2FS加工时间之和；
所述的根据头脑风暴算法，对所述生产调度模型进行优化求解，得到车间最优生产方案；具体包括：
S1：初始化种群：使用DNEH启发式算法初始化任一一个解并且随机生成其他的Psize个解；
S2：计算每个种群中每个个体的目标值；
S3：利用聚类启发式算法，将所有个体划分为若干个类；
S4：选择每个聚类中的最佳个体作为聚类中心；
S5：在[0,1]区间内随机产生一个数rm；
S6：判断rm<Pc是否成立；如果是，则进入S7；如果否，则进入S8；
S7：对每个聚类ci在[0,1]区间内随机产生一个数r1；判断r1<0.5是否成立；如果r1<0.5成立，则选择聚类中心作为当前解X；对当前解执行搜索启发式策略，并生成相邻解X’；用相邻解X’更新最好解，用相邻解X’更新每个聚类ci的聚类中心；如果r1<0.5不成立，则对每个聚类ci的元素X执行搜索启发式策略，并生成邻域解X′，记录最优解；
S8：从k＝1到Ps*Ck遍历每个聚类，k<Ps*Ck，Ps是种群的规模；Ck是聚类的数量比例；
随机选择两个聚类ci和cj，在[0,1]内随机生成一个数r2；判断r1<0.5是否成立；如果r1<0.5成立，则选择两个聚类中心ci和cj；执行交叉操作生成一个邻域解X′；记录最优解；如果r1<0.5不成立，则分别从两个聚类中随机选择两个个体Mci和Mcj；执行两点交叉操作生成邻域解X’；记录最优解；
S9：执行基于SA的搜索策略，得到一个最优的全局解；
所述的S1使用DNEH启发式算法初始化任一一个解并且随机生成其他的Psize个解；具体包括：
S11：将所有的工件随机地分配到每个工厂；对每个工厂均执行S12-S14步骤；
S12：选择选择IT2FS模糊处理时间最小的作业作为第一个被分配的作业；
S13：将每个未调度的作业插入到前序序列的所有可能位置，并计算每个可能位置的IT2FS模糊完工时间；
S14：每个未调度的作业将被插入到IT2FS模糊完成时间最短的位置；
解的解码，具体包括：
S(1)按照第一阶段的调度顺序调度每个工件；在完成当前阶段加工后，每个工件都应按照前一阶段工件完工时间的递增顺序排序，将排序后的工件存储到Sjob集合中；
S(2)对集合的Sjob的每道工序Oi,j均执行S(3)-S(6)步骤；
S(3)设机床k的空闲时间为
工件p是在最后一个在机床k上加工的工件，并且Sj,p是工件j和p的启动时间，
是上一阶段的完工时间；
S(4)因此，IT2FS模糊开始时间为
S(5)设
是工序Oi,j在机床k上加工的I T2FS模糊加工时间；因此，I T2FS模糊完工时间
S(6)更新机床的空闲时间：
将在k上加工的最后一道工件更新为j。
2.如权利要求1所述的一种分布式混合流水车间调度方法，其特征是，获取分布式混合流水车间的车间数据；具体包括：
待加工工件的数量、待加工工件要求完成时间、待加工工件的工序数量、工序的加工时间以及启动时间。
3.如权利要求1所述的一种分布式混合流水车间调度方法，其特征是，所述S3：利用聚类启发式算法，将所有个体划分为若干个类；具体包括：
S31：从整个种群中随机选择K个初始聚类中心；
S32：对于每个未分配的解，计算到每个聚类中心的距离，然后将其分配到最近的聚类，用欧氏距离重新计算距离；
S33：分配解后，重新计算所选聚类的中心；
S34：重复S32和S33，直到所有的解被分配给到一个聚类。
4.如权利要求1所述的一种分布式混合流水车间调度方法，其特征是，所述S8：选择两个聚类中心ci和cj；执行交叉操作生成一个邻域解X′；具体包括：
S81：从整个种群中随机选择K个初始聚类中心；
S82：对于每个未分配的解，计算到每个聚类中心的距离，然后将其分配到最近的聚类，用欧氏距离重新计算距离；
S83：分配解后，重新计算所选聚类的中心；
S84：重复步骤S82和S83，直到所有的解被分配给到一个聚类；
和/或，
所述S9：执行基于SA的搜索策略；具体包括：
S91：从当前解经过搜索后产生一个位于解空间的新解；
S92：计算与新解所对应的目标函数差；
S93：判断新解是否被接受,判断的依据是一个接受准则，接受准则是Metropolis准则:若ΔT<0，则接受S′作为新的当前解S，否则以概率exp(-ΔT/T)接受S′作为新的当前解S；
S94：当新解被确定接受时，用新解代替当前解，这只需将当前解中对应于产生新解时的变换部分予以实现，同时修正目标函数值即可；此时，当前解实现了一次迭代；在此基础上开始下一轮试验；而当新解被判定为舍弃时，则在原当前解的基础上继续下一轮试验。
5.一种分布式混合流水车间调度系统，其特征是，包括：
获取模块，其被配置为：获取分布式混合流水车间的车间数据；
约束条件建立模块，其被配置为：根据车间数据建立约束条件，所述约束条件包括二型模糊加工时间约束和启动时间约束；
生产调度模型建立模块，其被配置为：根据约束条件建立车间的生产调度模型；生产调度模型的目标为最小化所有车间中二型模糊完工时间的最大值；
调度模块，其被配置为：根据头脑风暴算法，对所述生产调度模型进行优化求解，得到车间最优生产方案；基于车间最优生产方案对车间内的工件执行调度。
6.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-4任一项所述的方法。
7.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011636881.8A CN112766659B (zh) | 2020-12-31 | 2020-12-31 | 一种分布式混合流水车间调度方法、介质和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011636881.8A CN112766659B (zh) | 2020-12-31 | 2020-12-31 | 一种分布式混合流水车间调度方法、介质和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112766659A CN112766659A (zh) | 2021-05-07 |
| CN112766659B true CN112766659B (zh) | 2023-04-18 |
Family
ID=75698062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011636881.8A Active CN112766659B (zh) | 2020-12-31 | 2020-12-31 | 一种分布式混合流水车间调度方法、介质和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112766659B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110490372B (zh) * | 2019-07-26 | 2022-03-01 | 华中农业大学 | 一种求解大规模车间作业调度问题的混合分布式进化方法 |
| 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 |
| CN113255216B (zh) * | 2021-05-24 | 2023-01-31 | 中冶赛迪信息技术(重庆)有限公司 | 一种炼钢生产调度方法、系统、介质及电子终端 |
| CN113960971B (zh) * | 2021-10-27 | 2023-04-28 | 江南大学 | 一种基于行为决策网络粒子群优化的柔性车间调度方法 |
| CN115344011A (zh) * | 2022-03-17 | 2022-11-15 | 兰州理工大学 | 一种节能分布式两阶段装配零等待流水车间调度问题的优化系统 |
| CN115202306B (zh) * | 2022-07-21 | 2024-09-24 | 西安理工大学 | 基于头脑风暴机制的复杂重型装备生产优化调度方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103580061A (zh) * | 2013-10-28 | 2014-02-12 | 贵州电网公司电网规划研究中心 | 微电网运行方法 |
| CN110597213A (zh) * | 2019-09-29 | 2019-12-20 | 山东师范大学 | 一种分布式混合流水车间的生产调度方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578178B (zh) * | 2017-09-11 | 2018-08-28 | 合肥工业大学 | 基于变邻域搜索和引力搜索混合算法的调度方法及系统 |
-
2020
- 2020-12-31 CN CN202011636881.8A patent/CN112766659B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103580061A (zh) * | 2013-10-28 | 2014-02-12 | 贵州电网公司电网规划研究中心 | 微电网运行方法 |
| CN110597213A (zh) * | 2019-09-29 | 2019-12-20 | 山东师范大学 | 一种分布式混合流水车间的生产调度方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 具有多处理机任务约束的混合作业车间调度研究;王蒙;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20200415(第4期);第4章 * |
| 求解离散调度问题的双机制头脑风暴优化算法;吴秀丽等;《控制与决策》;20170930(第09期);第1583-1590页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112766659A (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112766659B (zh) | 一种分布式混合流水车间调度方法、介质和系统 | |
| Petrović et al. | Integration of process planning and scheduling using chaotic particle swarm optimization algorithm | |
| Afzalirad et al. | Resource-constrained unrelated parallel machine scheduling problem with sequence dependent setup times, precedence constraints and machine eligibility restrictions | |
| Asefi et al. | A hybrid NSGA-II and VNS for solving a bi-objective no-wait flexible flowshop scheduling problem | |
| Lu et al. | A chaotic non-dominated sorting genetic algorithm for the multi-objective automatic test task scheduling problem | |
| Yılmaz et al. | Minimizing average lead time for the coordinated scheduling problem in a two-stage supply chain with multiple customers and multiple manufacturers | |
| CN114186791A (zh) | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 | |
| Liu et al. | Many-objective best-order-sort genetic algorithm for mixed-model multi-robotic disassembly line balancing | |
| Wang et al. | An iterated greedy algorithm for distributed hybrid flowshop scheduling problem with total tardiness minimization | |
| Jemmali et al. | Two-stage hybrid flowshop scheduling problem with independent setup times | |
| Wang et al. | ASP: an adaptive setup planning approach for dynamic machine assignments | |
| CN117891220A (zh) | 一种基于多智能体深度强化学习的分布式混合流水车间调度方法 | |
| Zhang et al. | Process planning and scheduling in distributed manufacturing system using multiobjective genetic algorithm | |
| Yusof et al. | Constraint-chromosome genetic algorithm for flexible manufacturing system machine-loading problem | |
| Kim et al. | Scheduling 3D printers with multiple printing alternatives | |
| He et al. | Improvements to genetic algorithm for flexible job shop scheduling with overlapping in operations | |
| Akbar et al. | A social-conscious scheduling model of dual resources constrained identical parallel machine to minimize makespan and operator workload balance | |
| Zhou et al. | A modified column generation algorithm for scheduling problem of reentrant hybrid flow shops with queue constraints | |
| Safaei et al. | Scheduling of Unrelated Parallel Machines using Two Multi Objective Genetic Algorithms with Sequence-Dependent Setup Times and Precedent Constraints | |
| Muthiah et al. | Scheduling problem solving using genetic and greedy algorithms | |
| CN110648067A (zh) | 一种基于改进群智能优化算法的jsp方法及装置 | |
| Varyani et al. | Optimizing Mixed-Model Synchronous Assembly Lines with Bipartite Sequence-Dependent Setup Times in Advanced Manufacturing | |
| Meng et al. | A novel hybrid algorithm of genetic algorithm, variable neighborhood search and constraint programming for distributed flexible job shop scheduling problem | |
| CN117519055B (zh) | 一种考虑复杂人机协作模式的平行装配线调度方法和装置 | |
| CN115685920B (zh) | 基于改进布谷鸟算法的铸造混合流水车间调度方法及系统 |
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 |