CN112907150B - 一种基于遗传算法的生产排程方法 - Google Patents

一种基于遗传算法的生产排程方法 Download PDF

Info

Publication number
CN112907150B
CN112907150B CN202110370530.5A CN202110370530A CN112907150B CN 112907150 B CN112907150 B CN 112907150B CN 202110370530 A CN202110370530 A CN 202110370530A CN 112907150 B CN112907150 B CN 112907150B
Authority
CN
China
Prior art keywords
processing
machine
scheduling
population
data
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
Application number
CN202110370530.5A
Other languages
English (en)
Other versions
CN112907150A (zh
Inventor
罗正阳
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.)
Jiangsu Siger Data Technology Co ltd
Original Assignee
Jiangsu Siger Data Technology Co ltd
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 Jiangsu Siger Data Technology Co ltd filed Critical Jiangsu Siger Data Technology Co ltd
Priority to CN202110370530.5A priority Critical patent/CN112907150B/zh
Publication of CN112907150A publication Critical patent/CN112907150A/zh
Application granted granted Critical
Publication of CN112907150B publication Critical patent/CN112907150B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于遗传算法的生产排程方法，包括以下步骤：S1：通过数据分析后得到生产过程数据，将生产过程数据自动转化为标准算例格式；S2：将新的机器作为外协因素，获取其对应加工时间t，将外协的机器编号以及固定加工时间t加入数据，转化为标准算例格式后设置于编码模块中；S3：加入机器不可用时间，将停工时间设置于解码模块中；S4：将优化问题的解的参数形式转换成基因码串的表示形式形成染色体；S5：进行遗传算法，将编码后的种群输入遗传算法的求解模块中，得出最优解，将最优解带入遗传算法的解码模块中，得到调度甘特图以及排程计划表。

Description

一种基于遗传算法的生产排程方法
技术领域
本发明涉及生产管控领域，尤其涉及一种基于遗传算法的生产排程方法。
背景技术
近几年，随着高速互联网、大数据、云计算、人工智能等技术等迅猛发展，新的工业革命正在兴起，例如德国的工业4.0。德国工业4.0倡导依靠信息物理系统(Cyber PhysicalSystems)塑造智能工厂，进而实现智能制造，把部署的众多传感器利用通信技术与控制设备、软件系统连接在一起，进行智能化的过程控制和优化，最终实现生产的纵向集成、供应商和市场的横向协同，以不断提升企业的制造柔性。就中国范围来看，第四次工业革命的改变过程目前是处于初期、渐变演进阶段，在成熟的高速互联、大数据相关技术的支撑下，不同行业、不同企业都正在尝试从不同角度切入，进行适合自身需要的第四次变革。
在工业大数据的背景下，业内学者主张利用生产现场密布的传感器对温度、压力、投料、给风、供热、密度、透光度、用水、耗电等加工工程进行监控，进而对整个生产流程进行分析，向下监控工艺偏差，向上报告流程瓶颈。基于传感器细节数据，逐层汇总、还原整个生产流程各个环节的状态、工况和结果，通过虚拟生产的方式仿真生产流程，通过集成分析帮助企业优化生产流程。这些做法都是在多源数据融合的基础之上，通过把传统工业自动化技术、ERP系统与物联网、大数据技术、可视化技术等商业技术融合创新，使生产环境进一步优化创新转化为一种现实行动，使企业可以更好追求柔性生产与快速响应之间的最佳平衡，提高订单满足率和客户满意度。但随着越来越多的个性化订单成为常态，在大规模定制的场景下，往往由于冗长供应链上的一环缺失，由局部计划执行延迟放大成为整体制造执行延迟，原材料、在制品、产品在供应链上滞留，成本居高不下、按时交期屡屡无法达成，企业成本负担重、客户满意度低。
除此之外，车间生产调度是对车间生产过程进行作业计划，是生产制造业实现智能化、自动化、信息化的核心。车间调度问题复杂度高，与其他组合优化问题具有很强的相似性，大量车间调度问题属于NP-hard问题，考虑车间调度问题的复杂性，如果仅依赖调度人员的经验，采用手工方式进行生产调度，那么调度效率低、效果差，严重影响了企业的生产管理水平、自动化水平的提高，从而影响了企业的劳动生产率、机器利用率的提高，浪费了企业的人力、物力，影响企业竞争力的提高。有效的车间调度方法和优化技术的研究与应用，可提高企业的资源利用率和生产效益，因此，高效的车间调度算法是求解车间调度问题的核心和关键。
目前，基于调度规则的启发式算法、智能优化调度算法等在单机、并行机、流水车间、作业车间等典型的生产调度问题中得到广泛的应用。其中，遗传算法是一种非常有效的优化技术，已成功地应用于控制流、机器路径规划、经济学、机器学习等许多组合优化问题。它模拟了自然界遗传学的继承(基因遗传)、进化(基因突变)、优胜劣汰(优的基因大量被遗传复制、劣的基因较少被遗传复制)。即在自然界，优(适应环境能力强)的群种逐代繁衍，并逐步进化变异形成更优的群种，而劣的群种逐代退化，较少被繁衍，从而实现大自然的优胜劣汰。
但是遗传算法在应用中也存在一些问题，需要对遗传算法进行改进，减少遗传算法搜索的随机性、盲目性，增强其在局部较小空间的搜索能力，提高搜索到最优解的概率。
发明内容
针对现有技术中遗传算法存在的问题，本发明提供了一种基于遗传算法的生产排程方法，解决现有排程系统在面对更多复杂排程需求时，是否能在有效时间内求出最优解，并且能够根据实际生产中的不同需求以及不同约束，提供不同的排程算法以及策略。
本发明提供了一种基于遗传算法的生产排程方法，包括以下步骤：
S1：通过数据分析后得到生产过程数据，将生产过程数据自动转化为标准算例格式；
S2：将新的机器作为外协因素，获取其对应加工时间t，将外协的机器编号以及固定加工时间t加入数据，转化为标准算例格式后设置于编码模块中；
S3：加入机器不可用时间，将停工时间设置于解码模块中；
S4：将优化问题的解的参数形式转换成基因码串的表示形式形成染色体；
S5：进行遗传算法，将编码后的种群输入遗传算法的求解模块中，得出最优解，将最优解带入遗传算法的解码模块中，得到调度甘特图以及排程计划表。
进一步，步骤S1中，采用回归模型分析生产过程历史数据，得到排程参数的数值，将排程参数的数值自动转化为标准算例格式。
进一步，步骤S1中，排程参数的数值包括各个工件加工个数、工件的编号、工件的工序编号、当前加工机器编号、加工进给速率、加工进给倍率、加工开始时间以及加工完成时间。
进一步，步骤S2中，所述编码模块采用双层编码机制，能够同时描述工件的加工顺序与机器的分配两种信息；其中，双层编码机制的第一部分为基于工序的编码OS，第二部分基于机器编码MS，包括两种，第一种为MS按照OS的加工顺序进行编码，第二种为MS按照所有工序的自然顺序进行编码，两种编码方式均使用实数编码方式。
进一步，步骤S3中，将工序排序部分解码成机器选择部分的活动调度。
进一步，步骤S3中，如果当前机器时间不可用，则不可用时间为t；如果当前机器正在加工工件，则当前加工工件的结束时间顺延t，以此类推，得到最终结果。
进一步，步骤S4中，首先针对具体的问题进行编码形成染色体，然后根据目标函数对染色体进行适应度的评价，根据评价结果进行选择、交叉、变异，重复这一过程，直至满足终止条件。
进一步，步骤S5中，遗传算法包括以下步骤：
S51：初始化，确定遗传参数；
S52：确定编码方案，使用随机方法或者其他方法，生成由N个染色体构成的初始种群，同时令已遗传代数k＝0；
S53：根据适应度函数，计算种群中每个个体的适应度；
S54：若满足算法设定的终止条件，则输出结果，算法停止否则，继续执行以下步骤；
S55：根据合适的选择方法执行选择操作，直至产生种群规模为N的新一代种群；
S56：若交叉概率Pc＞Random(0,1)，则对经选择得到的新一代种群执行交叉操作，经交叉后形成新的种群，其中Random(0,1)用来生成[0，1]之间的浮点数；
S57：若变异概率Pm＞Random(0,1)，则对交叉操作产生的种群中的每个染色体进行变异操作，直至形成种群规模为N的新群体；
S58：k＝k+1，返回步骤S53。
本发明提供的基于遗传算法的生产排程方法，相较于现有在排程中只受加工机器、加工工序、加工时间等因素影响，主要能够达到以下技术效果：
1)将停工时间(例如工厂日历，即工作日以及休息日的时间安排；机器维护停工时间)考虑在算法内，充分考虑机器停工对排程实施过程的影响，使排程结果更贴近现实生产时间点；
2)同时在加工能力上也外协因素考虑进算法内(受组织控制，由外协单位使用自己的场地、工具等要素，按组织提供的原材料、图纸、检验规程、验收准则等进行产品和服务的生产和提供)，对于工厂的产能提升有很大帮助；
3)能够在已有排程结果下，加入新的生产计划，得到新的排程结果，例如在锁定当前排程工单的情况下，加入新的生产需求，得出实时排程结果；
4)对于不同生产需求提供不同的排程计划，例如需求目标为生产时间最短、机器负载均衡、以货物交期为目标等多种情况下，提供当前最优的排程结果。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例示出的基于遗传算法的生产排程方法的流程示意图；
图2为Lasso回归模型的约束条件示意图；
图3为Lasso回归模型的参数变化示意图；
图4为Lasso回归模型的参数随着迭代数值的变化示意图；
图5为本发明中遗传算法的流程示意图；
图6为标准算例数据图；
图7为调度甘特图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
如图1所示，本发明提供的一种基于遗传算法的生产排程方法，包括如下步骤：
S1：通过数据分析后得到生产过程数据，将生产过程数据自动转化为标准算例格式；
S2：将新的机器作为外协因素，获取其对应加工时间t，将外协的机器编号以及固定加工时间t加入数据，转化为标准算例格式后设置于编码模块中；
S3：加入机器不可用时间，将停工时间设置于解码模块中；
S4：将优化问题的解的参数形式转换成基因码串的表示形式形成染色体；
S5：进行遗传算法，将编码后的种群输入遗传算法的求解模块中，得出最优解，将最优解带入遗传算法的解码模块中，得到调度甘特图以及排程计划表。
现有的排程系统在具体操作时，存在数据来源不规范，需要人工经验调整的问题，通过本发明中经过数据分析后得到的生产过程数据，能够将现有ERP(EnterpriseResource Planning，企业资源计划)系统中生产需求通过排程系统得出生产计划，并实施至实际车间生产；记录其中参数，加以分析判断实时调整；最后得出排程效率以及结果展示，形成从需求-生产-供货的一体化产业链。
通过本发明中的生产排程方法，解决了现有APS(Advanced Planning andScheduling)系统在面对更多复杂排程需求的时候，是否能在有效时间内求出最优解；并且根据实际生产中不同需求，不同约束提供不同的排程算法以及策略。
本发明中的数据来源，基于B/S架构对数控机床设备的实时运行状态进行监控，实时展示设备运转状态、产量、效率等生产运营指标，能够更好的了解到现场生产实时状态，透视产线生产运营情况，提高效率，降低成本。其中，得到的生产过程中数据，例如标准节拍的确定：在不确定标准节拍具体数值时，可以统计多次生产过程中的参数，通过相应的统计分析方法得出标准节拍。同时，其他系统中的数据也可以导入，支持ERP导入、手动添加、Excel导入等方式获得生产计划。通过集成生产参数监控、基础信息配置、统计分析、生产排程、综合效率分析、产量产出统计等多个模块，从接收生产需求，收集过程参数，分析生产订单，判断需求限制，给出排程计划，实施排程工作，记录工作参数，给出结果统计，形成一个完整的产业链，并且运用模块化的工作方式，使整个流程更加有序，通过智能制造，创建智能工厂，实现工业4.0。
本发明中排程参数的数据采用大数据分析方法，通过记录并分析历史数据，得到部分参数的具体数值。例如标准节拍参数，对于部分工件的部分工序，其标准节拍没有一个具体的标定，这时可以基于已采集的历史数据，构建不同维度下各个工件的工序对应的标准节拍模型。
具体地，从历史数据中获取用于训练模型的数据，提取各个工件加工个数、工件的编号、工件的工序编号、当前加工机发器编号、加工进给速率、加工进给倍率、加工开始时间、加工完成时间等多个因素；通过箱线图，对提取的数据进行处理，过滤异常值；经过处理后的数据采用Lasso回归模型(Least absolute shrinkage and selection operator，回归模型)进行分析，回归模型具体为一种压缩估计，是一种采用了L1正则化(L1-regularization)的线性回归方法，采用了L1正则会使得部分学习到的特征权值为0，从而达到稀疏化和特征选择的目的。
在后续构建工期模型中，考虑Lasso模型，对于同一种工件的同一道工序，以标准节拍为因变量，以加工机器编号、加工进给速率、加工进给倍率、加工时长等多个因素为自变量，基于处理后的数据做模型拟合，得出拟合效果最优的参数模型。
在模型分析中，对构建出的模型进行方差分析，通过方差分析结果中的统计量以及其分布做出推断：该因素对因变量的影响是否显著存在。而统计量是否显著，即该因素是否对标准节拍有显著影响。同时，Lasso也能起到筛选变量的作用，能够将不重要的变量剔除，留下对标准节拍有显著影响的变量，起到降维作用。
对于模型预测，通过搭建出的回归模型，可以对未生产的工件进行工序上的标准节拍预测，给出具体数值，为以后生产排程提供数值基础。
多元线性回归：y＝ωx+b，其中ω＝(ω1,ω2,Lωn)，x＝(x1,x2,L xn)，b为常数项。
其中x1,x2,L xn表示不同的参数，例如加工机器编号、加工进给速率、加工进给倍率等，y表示标准节拍。因此通过回归可以给出一个关于标准节拍的多元线性回归模型。
而Lasso回归则是用代价函数：
Figure BDA0003009110140000061
上式中的ω是长度为n的向量，不包括截距项的系数θ0，θ是长度为n+1的向量，包括截距项的系数θ0，m为样本数，n为特征数，||ω||1表示参数ω的L1范数，也是一种表示距离的函数。假如||ω||1表示3维空间中的一个点(x,y,z)，那么||ω||1＝|x|+|y|+|z|，即各个方向上的绝对值(长度)之和。
Lasso的约束条件可以用方形表示，如图2所示。相比圆，方形的顶点更容易与抛物面相交，顶点就意味着对应的很多系数为0，而岭回归中的圆上的任意一点都很容易与抛物面相交很难得到正好等于0的系数。这也就意味着，Lasso起到了很好的筛选变量的作用。
通过Lasso对于标准节拍建模，得到的参数变化图以及参数结果图分别见图3和图4。对于图3，也可以改变λ的值得到不同的回归系数，通过作图可以看到回归系数的轨迹。其中，横坐标为λ的值，纵坐标为参数ω的值，随着λ的增大，参数ω逐渐趋近于0，迭代过程中具体ω数值见图4。ω的数值表示了当前变量对标准节拍的影响大小，当数值变为0，可以认为当前因素对于工件加工的标准节拍没有影响，在当前大数据的情况下，起到变量选择的作用，降低数据维度。
最后，通过分析得到的模型，能够预测未生产工件的标准节拍，为后续的生产排程提供必要科学的参数基础。
现有作业车间调度的排程算法中，模型更多处理的是简化过后的数学问题，例如柔性作业车间调度问题(flexible job shop scheduling problem，FJSP)，主要是对要加工的工件进行加工任务的排序，主要具有以下特点：
(1)每个工件依次在m台机器上加工(假定机器的数量为m)，每个工件分为k道工序，每道工序可以在若干台机器上加工，并且按一些可行的工艺次序进行加工。
(2)每台机器加工各个工件的时间不一定相同，每台机器在同一时刻只能加工一个工件的工序，不可能存在一台机器同时加工两个工件的现象。
(3)一个工件，只有在前一道工序加工完成之后，才能在下一台机器上开始该工件的下一道工序的加工。
(4)不会出现循环加工现象，即一个工件加工完成之后，再次加工该工件。
(5)调度的目标是求解工件的合理加工顺序，使加工所有工件，耗费的时间最少。
遗传算法对种群中的所有个体进行遗传操作，首先针对具体的问题进行编码形成染色体，然后根据目标函数对染色体进行适应度的评价，根据评价结果进行选择，交叉，变异，重复这一过程，直至满足终止条件。上述过程包含了遗传算法的基本要素染色体编码、种群初始化、适应度函数的设计、遗传操作的设计、控制参数的确定。
(1)染色体编码
由于遗传算法不能直接应用于所求问题，必须对所求问题的可行解进行编码，以代表遗传空间中的染色体或者个体，因此，对染色体进行编码是应用遗传算法求解问题的基础，编码方案合理与否影响算法的求解效率和质量。求解实际问题时，往往根据具体问题的特征、约束条件及求解目标，设计合适的编码方法。
(2)种群初始化
由于生物进化是以种群为基础的，所以遗传算法要生成初始群体以模拟生物的进化过程。可采用随机方法生成初始种群，但要保证生成个体的合法性，即每个个体要满足求解问题的约束条件。
(3)适应度函数的设计
遗传算法根据求解目标的适应值模拟自然界中生物个体的生存能力，适应值高的个体生存能力强，有较大的概率被选择进行交叉和变异操作，适应值低的个体被淘汰的可能性较大。在具体应用中，要根据问题自身的求解目标，设计合理的适应度函数。
(4)遗传操作的设计
选择、交叉、变异操作是遗传算法的三个基本遗传算子，遗传算子能够根据适应值对遗传算法的搜索方向进行调整，并决定着遗传算法的收敛速度和精度。
a.选择
选择也称为复制，根据种群中个体的适应值的分布情况，按照一定的概率选择适应值高的优良个体，使其有较高的概率作为父代繁殖下一代个体。常用的选择方法有轮盘赌选择方法。
轮盘赌选择策略是根据个体的适应度，计算每个个体的适应值与种群中所有个体适应值之和的比例，假设种群规模为N，个体i的适应度为Fi，则个体i被选择的概率Pi为：
Figure BDA0003009110140000081
根据选择概率，产生一个轮盘，随机生成的随机数([0，1]之间的浮点)数落入轮盘的哪个区域，就选择该区域对应的个体遗传到下一代。实际使用时，可以根据种群中的个体顺序求出每个个体的累积概率，产生的随机数如果大于种群中第i-1个个体的累积概率，并且小于等于种群中第i个个体的累积概率，则选择第i个个体进入下一代种群。
b.交叉
交叉操作是遗传算法的核心，父代通过交叉重组，将父代的某些优秀基因片段遗传给子代个体，使子代个体保留父代的某些优秀特征。实际应用中，常根据选择的编码方法及求解问题的特征信息，选择相应的交叉方法，对于十进制整数编码，常用的交叉方法有部分匹配交叉、顺序交叉等。
c.变异
变异的主要目的是保持种群的多样性，由于选择、交叉操作的随机性，某些优秀的基因片段可能在选择、交叉过程中丢失，通过变异操作，可对丢失的有效基因进行修补，以保证种群的多样性。对于十进制整数，常用的变异方法有逆转变异、插入变异、互换变异等。
①逆转变异在染色体中随机选择两个不同的基因位，将两个基因位之间的基因值逆序后插入到染色体中。
②插入变异在染色体中随机选择一个基因位，然后将其基因值插入到另一个随机选择的不同的基因位前。
③互换变异随机选择染色体的两个不同的基因位，将两个基因位上的基因值进行简单的互换。
参见图5，本发明中遗传算法的操作步骤如下：
S51：初始化，确定遗传参数，如交叉概率、变异概率的选择，种群规模的确定，遗传代数和算法终止条件的确定等。
S52：确定编码方案，使用随机方法或者其他方法，生成由N个染色体构成的初始种群，同时令己遗传代数k＝0。
S53：根据适应度函数，计算种群中每个个体的适应度。
S54：若满足算法设定的终止条件，则输出结果，算法停止否则，继续执行以下步骤。
S55：根据合适的选择方法执行选择操作，直至产生种群规模为N的新一代种群。
S56：若交叉概率Pc＞Random(0,1)，则对经选择得到的新一代种群执行交叉操作，经交叉后形成新的种群，其中Random(0,1)用来生成[0，1]之间的浮点数，下同。
S57：若变异概率Pm＞Random(0,1)，则对交叉操作产生的种群中的每个染色体进行变异操作，直至形成种群规模为N的新群体。
S58：k＝k+1，返回步骤S53。
本发明中基于遗传算法的生产排程方法，主要包括以下具体操作流程：
(1)导入excel数据(也可从原有ERP系统获取数据)，将excel数据自动转化为标准算例格式；
(2)考虑外协因素，将外协因素作为新的机器，获取其对应加工时间t。当考虑外协因素时，默认其加工时间内得产能是无限的，即无论生产多少加工工件，其加工时间均为固定时间t。将外协得机器编号以及固定加工时间t加入数据，转化为如图6所示的标准算例格式。
(3)编码：要使用遗传算法，就必须把优化问题的解的参数形式转换成基因码串的表示形式。目前，主流使用双层编码机制，此种编码方法能够同时描述工件的加工顺序与机器的分配两种信息，具体描述如下：第一部分为基于工序的编码OS，即工件的加工顺序，随机产生但包含所有工件的工序。第二部分为机器编码MS，分为两种，第一种为MS按照OS的加工顺序进行编码，即OS和MS一一对应，减少了算法的计算量，但在遗传操作中，易出现非法解，需要对染色体进行修复。第二种为MS按照所有工序的自然顺序进行编码，即MS的顺序是从第一个工件的第一道工序至最后一个工件的最后一道工序进行编码，此种编码方式能够有效避免遗传操作中的非法解，但在解码操作中，需要在机器编码MS中搜寻OS所使用的机器，增加了GA求解FJSP的算法时间。以上两种编码方式均使用实数编码方式，可以有效地降低GA求解FJSP的计算难度。以具体描述的FJSP实例举例说明，可随机产生以下的一条染色体编码结构：
Figure BDA0003009110140000101
其中，OS表示工件编码，MS表示机器编码。假设用p表示某个工件的序号，那么，p在OS中第q次出现就代表是p工件的第q道工序。以上述编码结构为例，该染色体表示的加工工序序列OS为：O21，O11，O22，O31，O12，O23，若机器编码MS为第一种编码方式，即O21使用第4台机器，O11使用第1台机器，O22使用第5台机器，以此类推；若机器编码MS为第二种编码方式，即O11使用第4台机器，O12使用第1台机器，O21使用第5台机器，以此类推。
(4)解码：FJSP的染色体由OS和MS两部分组成，解码的关键是需要将工序排序部分解码成机器选择部分的活动调度。解码方法通常分为普通解码方式及插入式贪婪主动解码方式，普通解码方式为：从左至右遍历OS，根据工件的加工顺序及各工序所使用的机器，按照上面编码的时间表，查得最后一道工序的完工时间，得到一个可行解的适应度值。插入式贪婪主动解码方式与普通解码方式的不同点在于，分配机器的同时会查看当前机器的空余时间及工序的顺序，若同时满足以上约束，则可以将当前工序插入至机器的空余时间。而本申请在解码过程中，加入了机器不可用时间，将停工时间(例如工厂日历，即工作日以及休息日的时间安排；机器维护停工时间)考虑在解码算法内，例如当前机器时间不可用，不可用时间为t，如果当前机器正在加工工件，则当前加工工件的结束时间顺延t，以此类推，得到最终的结果。
(5)将编码后的种群输入遗传算法求解模块中，得出最优解，将最优解带入解码模块中，得出最终的如图7所示的调度甘特图。
(6)解码过程中，可以得出机器以及工件加工过程中的各个参数，因此可以将多种需求目标作为目标函数，考虑多种因素。例如：生产时间最短、机器负载均衡、以货物交期为目标等多种情况，在不同标准下提供当前最优的排程结果。
(7)当遇到有新订单加入的情况，可以按需保留部分工件的生产计划，将保留部分作为机器不可用时间；同时将新订单加入排程算法中，重新得出调度甘特图以及排程计划表。
本申请实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的一种基于遗传算法的生产排程方法，存储介质是任何的各种类型的存储器设备或存储设备，存储介质包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等；存储介质可以还包括其它类型的存储器或其组合；另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统；第二计算机系统可以提供程序指令给第一计算机用于执行。存储介质包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
本申请实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现基于遗传算法的生产排程方法的步骤。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上实施例所述的基于遗传算法的生产排程方法，还可以执行本申请任意实施例所提供的基于遗传算法的生产排程方法中的相关操作。
最后应说明的是：虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (3)

1.一种基于遗传算法的生产排程方法，其特征在于，包括如下步骤：
S1：通过数据分析后得到生产过程数据，将生产过程数据自动转化为标准算例格式；
包括将得到的排程参数的数值采用回归模型分析生产过程历史数据，将排程参数的数值自动转化为标准算例格式；
排程参数的数值包括各个工件加工个数、工件的编号、工件的工序编号、当前加工机器编号、加工进给速率、加工进给倍率、加工开始时间以及加工完成时间；
从历史数据中获取用于训练模型的数据，提取各个工件加工个数、工件的编号、工件的工序编号、当前加工机器编号、加工进给速率、加工进给倍率、加工开始时间、加工完成时间，通过线箱图，对提取的数据进行处理，过滤异常值；经过处理后的数据采用Lasso回归模型进行分析，Lasso回归模型包括采用L1正则化的线性回归方法；
对于Lasso回归模型的预测，通过搭建出的回归模型，对未生产的工件进行工序上的标准节拍预测，给出具体数值，为以后生产排程提供数值基础；
多元线性回归：y＝ωx+b，其中，b为常数项；x表示参数，y表示标准节拍，ω表示长度为n的向量,因此通过回归给出一个关于标准节拍的多元线性回归模型；
而Lasso回归则是用代价函数：
Figure FDA0003974552810000021
上式中的ω是长度为n的向量，m为样本数，||ω||1表示参数ω的L1范数，也是一种表示距离的函数；
S2：将新的机器作为外协因素，获取其对应加工时间t，将外协的机器编号以及固定加工时间t加入数据，转化为标准算例格式后设置于编码模块中；
S3：加入机器不可用时间，将停工时间设置于解码模块中；
S4：将优化问题的解的参数形式转换成基因码串的表示形式形成染色体；
S5：进行遗传算法，将编码后的种群输入遗传算法的求解模块中，得出最优解，将最优解带入遗传算法的解码模块中，得到调度甘特图以及排程计划表；
所述步骤S2中，所述编码模块采用双层编码机制，能够同时描述工件的加工顺序与机器的分配两种信息；其中，双层编码机制的第一部分为基于工序的编码OS，第二部分基于机器编码MS，包括两种，第一种为MS按照OS的加工顺序进行编码，第二种为MS按照所有工序的自然顺序进行编码，两种编码方式均使用实数编码方式；
所述步骤S3中，将工序排序部分解码成机器选择部分的活动调度；
所述步骤S3中，如果当前机器时间不可用，则不可用时间为t；如果当前机器正在加工工件，则当前加工工件的结束时间顺延t，以此类推，得到最终结果；
所述步骤S4中，首先针对具体的问题进行编码形成染色体，然后根据目标函数对染色体进行适应度的评价，根据评价结果进行选择、交叉、变异，重复这一过程，直至满足终止条件；
所述步骤S5中，遗传算法包括以下步骤：
S51：初始化，确定遗传参数；
S52：确定编码方案，使用随机方法，生成由N个染色体构成的初始种群，同时令已遗传代数k＝0；
S53：根据适应度函数，计算种群中每个个体的适应度；
S54：若满足算法设定的终止条件，则输出结果，算法停止否则，继续执行以下步骤；
S55：根据选择方法执行选择操作，直至产生种群规模为N的新一代种群；
S56：若交叉概率Pc＞Random(0,1)，则对经选择得到的新一代种群执行交叉操作，经交叉后形成新的种群，其中Random(0,1)用来生成[0，1]之间的浮点数；
S57：若变异概率Pm＞Random(0,1)，则对交叉操作产生的种群中的每个染色体进行变异操作，直至形成种群规模为N的新群体；
S58：k＝k+1，返回步骤S53。
2.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1所述方法的步骤。
3.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1所述方法的步骤。
CN202110370530.5A 2021-04-07 2021-04-07 一种基于遗传算法的生产排程方法 Active CN112907150B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110370530.5A CN112907150B (zh) 2021-04-07 2021-04-07 一种基于遗传算法的生产排程方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110370530.5A CN112907150B (zh) 2021-04-07 2021-04-07 一种基于遗传算法的生产排程方法

Publications (2)

Publication Number Publication Date
CN112907150A CN112907150A (zh) 2021-06-04
CN112907150B true CN112907150B (zh) 2023-03-24

Family

ID=76110058

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110370530.5A Active CN112907150B (zh) 2021-04-07 2021-04-07 一种基于遗传算法的生产排程方法

Country Status (1)

Country Link
CN (1) CN112907150B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705866B (zh) * 2021-08-16 2023-10-10 成都飞机工业（集团）有限责任公司 基于资源受限项目调度问题模型的排程优化方法和系统
CN113657818B (zh) * 2021-10-19 2021-12-21 武汉科技大学 基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统
CN116029516B (zh) * 2023-02-01 2023-08-18 上海交大智邦科技有限公司 机加工车间排产方法及系统
CN116629578B (zh) * 2023-07-11 2024-03-22 工业富联(佛山)创新中心有限公司 一种制造工厂排程计算的方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870647A (zh) * 2014-03-14 2014-06-18 西安工业大学 一种基于遗传算法的作业车间调度建模的方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102711266B (zh) * 2012-05-17 2014-08-13 北京邮电大学 基于遗传算法的调度与资源分配联合优化方法
CN105321042B (zh) * 2015-10-19 2017-02-22 金航数码科技有限责任公司 一种基于遗传算法的高级计划排程系统及方法
CN106610654A (zh) * 2015-12-29 2017-05-03 四川用联信息技术有限公司 针对柔性作业车间调度的改进遗传算法
CN106933200A (zh) * 2015-12-31 2017-07-07 中国科学院沈阳计算技术研究所有限公司 基于遗传算法的解决柔性作业车间调度问题的控制方法
CN107451747B (zh) * 2017-08-08 2020-07-21 大连交通大学 基于自适应非支配遗传算法的车间调度系统及其工作方法
CN111242503B (zh) * 2020-01-21 2022-02-18 南京航空航天大学 一种基于两层遗传算法的多目标柔性作业车间调度方法
CN111967654A (zh) * 2020-07-27 2020-11-20 西安工程大学 一种基于混合遗传算法求解柔性作业车间调度的方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103870647A (zh) * 2014-03-14 2014-06-18 西安工业大学 一种基于遗传算法的作业车间调度建模的方法

Also Published As

Publication number Publication date
CN112907150A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN112907150B (zh) 一种基于遗传算法的生产排程方法
CN107464025B (zh) 基于大数据的供应链需求预测与智能决策方法
Xu et al. Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms
Tao et al. A cooperative co-evolutionary algorithm for large-scale process planning with energy consideration
CN112381343A (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
CN107831740A (zh) 一种应用于笔记本零件的分布式生产制造过程中的优化调度方法
Acar Yildirim et al. Time-cost optimization model proposal for construction projects with genetic algorithm and fuzzy logic approach
Ławrynowicz Genetic algorithms for solving scheduling problems in manufacturing systems
Diaz et al. Simulation-based multi-objective optimization for reconfigurable manufacturing system configurations analysis
CN111652413B (zh) 基于多Agent分布式海量数据处理的工业电力负荷预测方法
Napalkova et al. Multi-objective stochastic simulation-based optimisation applied to supply chain planning
Liu et al. Integrating theory of constraints and particle swarm optimization in order planning and scheduling for machine tool production
Li et al. Digital Twin-based Virtual Reconfiguration Method for Mixed-model Robotic Assembly Line
Bensmaine et al. A simulation-based genetic algorithm approach for process plans selection in uncertain reconfigurable environment
Moncayo-Martínez et al. Optimisation of safety and in-transit inventory in manufacturing supply chains by intelligent water drop metaheuristic
Savsani et al. Optimal aggregate production planning by using genetic algorithm
Wu et al. An improved genetic-shuffled frog-leaping algorithm for permutation flowshop scheduling
TW202226088A (zh) 智能交期預測方法與系統
Mörzinger et al. A modular, holistic optimization approach for industrial appliances
CN112734286B (zh) 一种基于多策略深度强化学习的车间调度方法
Deng et al. A digital twin-driven dynamic prediction method for robotized production line operational performance
Mumali et al. Intelligent System Support Potential in Manufacturing Process Management
CN117494886A (zh) 一种基于遗传算法的生产排程方法
Duggan Using multiple objective optimisation to generate policy insights for system dynamics models
Duo et al. Active Power Optimization of a Turning Process by Cutting Conditions Selection: A Q-Learning Approach

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