CN112966822B - 一种基于改进遗传算法的混流制造车间调度方法 - Google Patents
一种基于改进遗传算法的混流制造车间调度方法 Download PDFInfo
- Publication number
- CN112966822B CN112966822B CN202110147179.3A CN202110147179A CN112966822B CN 112966822 B CN112966822 B CN 112966822B CN 202110147179 A CN202110147179 A CN 202110147179A CN 112966822 B CN112966822 B CN 112966822B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- algorithm
- segment
- library
- workpiece
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 126
- 230000002068 genetic effect Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 210000000349 chromosome Anatomy 0.000 claims abstract description 178
- 108090000623 proteins and genes Proteins 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 30
- 230000035772 mutation Effects 0.000 claims description 28
- 238000000137 annealing Methods 0.000 claims description 27
- 230000007246 mechanism Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 6
- 101150080073 G1 gene Proteins 0.000 claims description 5
- 230000002759 chromosomal effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 210000001726 chromosome structure Anatomy 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 101150103068 P2 gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 101150067055 minC gene Proteins 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- HQQSBEDKMRHYME-UHFFFAOYSA-N pefloxacin mesylate Chemical compound [H+].CS([O-])(=O)=O.C1=C2N(CC)C=C(C(O)=O)C(=O)C2=CC(F)=C1N1CCN(C)CC1 HQQSBEDKMRHYME-UHFFFAOYSA-N 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009469 supplementation Effects 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
- 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
- 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
- G06Q10/06—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
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biodiversity & Conservation Biology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及制造车间调度技术领域,公开了一种基于改进遗传算法的混流制造车间调度方法。该方法步骤为:1、根据实际车间生产情况建立Petri网模型;2、在所述Petri网模型基础上,将车间调度方案用染色体编码算法编码为染色体;3、采用改进遗传算法对所述染色体进行运算,求解适应度最大的染色体。提供了一种搜索能力更强的,收敛性更好的,运算时间、空间需求更小的,求解结果更稳定、更优良的混流制造车间调度方法。
Description
技术领域
本发明涉及制造车间调度技术领域,特别是涉及一种基于改进遗传算法的混流制造车间调度方法。
背景技术
目前,面对市场竞争的日益激烈,制造企业要想增强企业核心竞争力就不得不更加注重产品的生产效率,对大多数使用大规模混流制造系统的企业更是如此。大规模混流制造系统由于其自身的特性,在调度时会产生巨大的解空间,从而产生搜索求解难的问题。随着客户个性化定制产品的需求不断增多,混流制造作为一种面向定制的生产组织模式,其所包含的阶段并行机让混流制造具备了生产的柔性化,可以实现以需定产和快速切换。鉴于混流制造应用的广泛性和复杂性,其生产调度问题一直是智能制造业研究的热点。使用遗传算法来解决此类问题是比较通行的。传统遗传算法具有较好的搜索能力,从给定的任一初始种群开始,一般都能在全局寻找到最优解,但是在种群数量巨大时,遗传算法容易出现局部收敛的问题,即算法收敛于局部最优解而无法搜索全局。
中国发明专利CN106295878B(授权公告日为2017年10月31日),公开了一种基于Petri网与改进遗传算法的柔性作业车间调度系统,是通过考虑峰谷电价和间接能耗来最小化完工时间和用电费用的系统,包括作业时间选择模块和机器任务分配模块;作业时间选择模块是通过建立能源时间Petri网模型和时间选择模拟算法TSSA,得到迁移激活时间序列FS和迁移加工序列TS’,机器任务分配模块是通过改进遗传算法和Petri网相结合进行仿真,找出最佳的迁移加工序列TS,获得柔性作业车间调度TI-FJSP的满意解;该发明提出的柔性作业车间调度系统有效优化生产计划的制定和执行,为企业提供峰谷电价下最低成本的生产方式,降低企业生产成本且提高能源的利用率,优化能源配置,节约资源,保护环境,实现企业经济效益的最大化,提高企业的行业竞争力。该发明考虑了电力成本和时间人工成本,采用Petri网模型对遗传算法进行了改进,但是在传统的染色体结构下运算空间和时间需求大,使用传统遗传算法全局搜索性、收敛性较差。
发明内容
本发明为了克服现有技术中存在的传统的染色体结构下运算空间和时间需求大,使用传统遗传算法全局搜索性、收敛性较差的技术缺陷,提供一种搜索能力更强的,收敛性更好的,运算时间、空间需求更小的,求解结果更稳定、更优良的混流制造车间调度方法。
为了实现上述目的,本发明提供了一种基于改进遗传算法的混流制造车间调度方法,具体包括以下步骤:
S1:根据实际车间生产情况建立Petri网模型;
S2:在所述Petri网模型基础上,将车间调度方案用染色体编码算法编码为染色体;
S3:采用改进遗传算法对所述染色体进行运算,求解适应度最大的染色体;
其中,所述步骤S3,所述适应度最大的染色体代表完成加工所需时间最短的车间调度方案,即所述改进遗传算法的最优解。
上述方案中,第一步会对实际生产加工车间进行perti网模型建模,使其可以从实际问题变为可分析的抽象问题;第二步通过染色体编码算法将车间调度方案编码为染色体;第三步将染色体放入改进遗传算法中,利用改进遗传算法对随机生成的染色体进遗传进行迭代优化,输出最优解,即获得加工所需时间最短的车间调度方案。
作为优选方案,所述步骤S3中,所述改进遗传算法需要进行若干次遗传迭代,进行一次遗传迭代即依次进行交叉操作、变异操作、邻域搜索;进行一次所述遗传迭代所生成的染色体为一代染色体。
上述方案中,每一次遗传迭代都要通过交叉操作、变异操作、领域搜索这三个模块进行染色体优化运算,直到改进遗传算法达到其设置的遗传迭代次数后算法停止。
作为优选方案,所述Petri网模型包括:基本参数、路径集合、作业集合和时间函数;所述路径集合、作业集合和时间函数均由所述基本参数构成;
S1.1:定义基本参数:所述基本参数表达式为M(P,T,I,O,D,C,Θ);其中,P是Petri网模型中库所place的有限集合,所有的同类并行机用库所place来表示;T是转运transaction的集合,代表转运,工件从一个库所place转移到另一个库所place都会经过一个转运;I/O函数:是一个向量集合,从库所place指向转运transaction为输出O;从转运transaction指向库所place为输入I;C函数用于为任意库所pi设定容量的大小,C(pi):代表库所placepi的容量,即同类并行机的数量;Θ是工件token的有限类型的集合,Θ(θ)={COLOR},COLOR∈{c1,c2,…,cμ};D是各种不同类型的工件token在库所place中停留的加工时间矩阵,D(pi、θ):表示工件θ在库所placepi上加工的时间;加工订单Order是工件token的集合;
S1.2:定义路径集合:所述路径集合W(M)是Petri网模型中工件加工从库所p0到pl的路径所组成的向量集合;r为路径向量的编号;W(M)r表示W(M)中的第r个条路径;
S1.4:定义时间函数:所述时间函数s((θ,pi))、c((θ,pi))分别表示操作(θ,pi)进入库所的时间与离开库所的时间,且s((θ,pi))-c((θ,pi))≥D(Θ(θ),pi);一个完整订单Order的所有作业的s((θ,pi))、c((θ,pi))最终会写入时间报表schedule table中进行统一汇报。
作为优选方案,所述步骤S2中,所述染色体包括选择段与安排段;所述选择段在所述染色体编码算法下能够生成唯一的安排段,从而实现选择段与染色体一一对应,在进入遗传算法时以染色体选择段代替完整染色体与适应度进行关联,降低了运算负担;
所述染色体以基因为单位,所述基因用数字表达;
所述选择段的基因的数量与工件数量一致,所述选择段第θ位基因上的数字r代表工件θ选择的路径的编号r;
所述安排段包括若干分段genestringx,所述分段的数量与工序的数量一致;所述分段均设置有编号x,所述编号x与所述工序的顺序对应;所述分段的基因的数量与工件数量一致。
作为优选方案,所述步骤S2中,所述染色体编码算法包括预编码算法和安排段编码算法;所述预编码算法能够得到一个初始的染色体,为进行安排段编码算法做准备;
所述预编码算法步骤为:
S2.1:若选择段空白则随机编码染色体的选择段genestring0;确定每个工件θ的路径r;若选择段已经填充,则执行步骤S2.2;
S2.2:根据所得的选择段对安排段进行预编码:
S2.2.1:令x=1,从安排段的第一个分段genestring1开始;
S2.2.2:把genestringx进行切割;genestringx按照其所代表的工序中所包含的库所place数量切割,并把切割的份数赋值给变量N;
S2.2.3:编排genestringx的N个子块,通过Petri网调度机制进行填充,每个子块中工件token顺序代表对应库所place内作业的顺序;
S2.2.4:x=x+1;如果x>工序数量,则完成了对安排段的预编码,结束预编码算法,否则执行步骤S2.2.2;
所述安排段编码算法,输入为选择段genestring0、最大编码迭代次数DN,输出为染色体及其对应时间报表的二元关系<Chromosome,schedule table>;所述染色体编码算法能在选择段已知的情况下,给出该选择段对应的唯一较优的安排段;
所述安排段编码算法步骤为:
S2.3:定义变量编码迭代次数a,并令a=1;
S2.4:生成染色体Chromosome:如果当前编码迭代次数a等于1,采用染色体的预编码算法,执行步骤S2.1到S2.2.4,生成初始的染色体;如果当前编码迭代次数a不等于1,保留上一次编码迭代得到的新的安排段的第一个分段,并采用Petri网调度机制重新编码安排段的其他分段,生成完整的染色体Chromosome;
S2.5:通过Chromosome输入Petri网模型生成schedule table并记录本次生成的二元关系<Chromosome,schedule table>;
S2.6:取出记录中最近的二元关系<Chromosome,schedule table>:
S2.6.1:从二元关系的染色体Chromosome中取出安排段的第一个分段genestring1;
S2.6.2:定义变量k,并令k←1;
S2.6.4:根据作业更新和 和是的两个搜索方向:代表同在库所placepi但先于执行的前一个作业;代表工件tokenθx当前作业前一个工序的作业;对于查找作业与之间是否存在空闲,若不存在空闲,则若存在空闲,则然后循环执行S2.6.4,直到所在的库所placepi在第1道工序为止;
S2.6.6:k←k+1,如果k大于订单Order中的工件token数量则结束安排段编码算法并输出二元关系<Chromosome,schedule table>,否则执行步骤S2.6.3;
S2.8:令a=a+1,判断编码迭代次数a是否大于最大编码迭代次数DN,如果是结束安排段编码算法并输出二元关系<Chromosome,schedule table>,否则执行步骤S2.4。
作为优选方案,所述步骤S2.2.3中,所述Petri网调度机制为:到达时间最快的先加工;若同时到达,加工时间最短的先加工;若同时到达且加工时间相同,编号θ最小的先加工;
作为优选方案,所述二元关系<Chromosome,schedule table>中,所述改进遗传算法只需对染色体Chromosome的选择段进行所述遗传迭代;当涉及适应度比较时就需要将选择段通过所述染色体编码算法扩展为二元关系,然后通过二元关系中的时间报表来对比优劣。
上述方案,采用遗传算法对车间调度问题进行分析,首先提出了新的染色体结构,即将染色体分为选择段和安排段;其次提出了新的染色体编码算法,该染色体编码算法能在选择段已知的情况下,给出该选择段对应的唯一较优的安排段,从而实现选择段与染色体的一一对应,在进入遗传算法时以染色体选择段代替完整染色体与适应度进行关联,降低了运算负担。
作为优选方案,所述交叉操作添加了粒子群机制;所述粒子群机制能够提高交叉操作的收敛性;所述粒子群机制包括学习因子K1和学习因子K2;
所述交叉操作的步骤为:
S3.1:使用当前遗传迭代所得的最优解作为引导染色体G1,并随机抽出两个父代染色体P1,P2;
S3.2:以P1为基础,学习L/2×K1个G1的基因,学习方式为直接将选中的基因覆盖在P1上,然后再学习L/2×K2个P2的基因,学习方式为直接将选中的基因覆盖在P1上,但不可以选之前在G1中选中的位置,由此生成后代O1;
S3.3:以P2为基础,学习L/2×K1个G1的基因,学习方式为直接将选中的基因覆盖在P2上,然后再学习L/2×K2个P1的基因,学习方式为直接将选中的基因覆盖在P2上,但不可以选之前在G1中选中的位置,由此生成后代O2。
上述方案,在交叉操作中添加了粒子群机制,提高算法的收敛性。
作为优选方案,所述变异操作添加了退火速率模块;所述退火速率模块能够避免搜索结果陷于局部,同时保证算法收敛性;
所述变异操作的步骤:
S3.4:在当前遗传迭代所得的染色体中随机选择一个位置;
S3.5:在选择的位置上,通过突变趋势函数和所得出的可选基因元素的概率分布,从中按概率选取一个基因值替换原基因;
S3.6:通过接受概率模块判断算法是否接受该变异所得的染色体;
S3.7:当代总群中的所有染色体都执行过变异后,执行退火速率模块,改变温度,影响下一次算法遗传迭代的接受概率。
上述方案,在变异操作中添加了退火速率模块,使运算前期充分搜索,运算后期稳定收敛。
作为优选方案,所述突变趋势函数、接受概率模块和退火速率模块定义如下:
(1)突变趋势函数:该函数将对每次遗传迭代后出现在染色体上每个位置的值进行计数,并获得在每个位置突变为不同值的相应概率,从而影响染色体变异的倾向;
其中θ∈{Token},rn∈{Path},N∈|Path|,G为当前的种群代数,G0是开始的种群代数
fS(rn,θ,g)表示在第g代中的所有染色体在某个位置上选择了某个基因值的频率,即工件θ选择路径rn的频率;
(2)接受概率模块:
其中Fitness(i)表示原染色体的适应度;Fitness(j)代表新生成的染色体的适应度;T代表当前温度;
(4)退火速率模块:该模块与接受概率模块之间的相互作用会影响算法对局域解的搜索;
退火速率模块如下:
判断最优染色体是否经tc次遗传迭代都未改变,如果是执行tn次退火;所述退火即执行公式T=K*T;其中,tc表示最优解恒定不变时的最大遗传迭代数;tn代表达到冷却条件后的冷却次数;K代表冷却常数。
作为优选方案,所述邻域搜索操作步骤为:
S3.8:选取当代最优解;
S3.9:对所述当代最优解进行操作,获得所有与所述当代最优解相差一个基因的染色体,即邻域集合;
S3.10:从所述邻域集合中取出适应度最大的,即完成加工所需时间最短的一个,如适应度最大的染色体有多个,就在多个中选择各个工件在相应库所上加工的时间求和所得最小的一个。
上述方案,在遗传算法中添加邻域搜索,以每一代的最优解为中心进行集中搜索,提高搜索效率和收敛性。
与现有技术相比,本发明的有益效果在于:
第一步会对实际生产加工车间进行perti网模型建模,使其可以从实际问题变为可分析的抽象问题;第二步通过染色体编码算法将车间调度方案编码为染色体;第三步将染色体放入改进遗传算法中,利用改进遗传算法对随机生成的染色体进遗传进行迭代优化,每一次遗传迭代都要通过交叉操作、变异操作、领域搜索这三个模块进行染色体优化运算,直到改进遗传算法达到其设置的遗传迭代次数后算法停止,输出最优解,即获得加工所需时间最短的车间调度方案。
附图说明
图1是本发明实施例1的流程框架图。
图2是本发明实施例1的实际生产线示意图。
图3是本发明实施例1的Petri网模型示意图。
图4是本发明实施例1的染色体编码示意图。
图5是本发明实施例1的利用染色体的选择段进行遗传算法运算的关联机制示意图。
图6是本发明实施例2的染色体交叉操作示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述;以下实施例用于说明本发明,但不用来限制本发明的范围;
在本发明的描述中,需要说明的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制;此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性;
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通;对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义;
此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上;
为了实现上述目的,本发明提供了一种基于改进遗传算法的混流制造车间调度方法,具体包括以下步骤:
S1:根据实际车间生产情况建立Petri网模型;
S2:在所述Petri网模型基础上,将车间调度方案用染色体编码算法编码为染色体;
S3:采用改进遗传算法对所述染色体进行运算,求解适应度最大的染色体;
其中,所述步骤S3,所述适应度最大的染色体代表完成加工所需时间最短的车间调度方案,即所述改进遗传算法的最优解。
作为优选方案,所述步骤S3中,所述改进遗传算法需要进行若干次遗传迭代,进行一次遗传迭代即依次进行交叉操作、变异操作、邻域搜索;进行一次所述遗传迭代所生成的染色体为一代染色体。
作为优选方案,所述Petri网模型包括:基本参数、路径集合、作业集合和时间函数;所述路径集合、作业集合和时间函数均由所述基本参数构成;
S1.1:定义基本参数:所述基本参数表达式为M(P,T,I,O,D,C,Θ);其中,P是Petri网模型中库所place的有限集合,所有的同类并行机用库所place来表示;T是转运transaction的集合,代表转运,工件从一个库所place转移到另一个库所place都会经过一个转运;I/O函数:是一个向量集合,从库所place指向转运transaction为输出O;从转运transaction指向库所place为输入I;C函数用于为任意库所pi设定容量的大小,C(pi):代表库所placepi的容量,即同类并行机的数量;Θ是工件token的有限类型的集合,Θ(θ)={COLOR},COLOR∈{c1,c2,…,cμ};D是各种不同类型的工件token在库所place中停留的加工时间矩阵,D(pi、θ):表示工件θ在库所placepi上加工的时间;加工订单Order是工件token的集合;
S1.2:定义路径集合:所述路径集合W(M)是Petri网模型中工件加工从库所p0到pl的路径所组成的向量集合;r为路径向量的编号;W(M)r表示W(M)中的第r个条路径;
S1.4:定义时间函数:所述时间函数s((θ,pi))、c((θ,pi))分别表示操作(θ,pi)进入库所的时间与离开库所的时间,且s((θ,pi))-c((θ,pi))≥D(Θ(θ),pi);一个完整订单Order的所有作业的s((θ,pi))、c((θ,pi))最终会写入时间报表schedule table中进行统一汇报。
作为优选方案,所述步骤S2中,所述染色体包括选择段与安排段;所述选择段在所述染色体编码算法下能够生成唯一的安排段,从而实现选择段与染色体一一对应,在进入遗传算法时以染色体选择段代替完整染色体与适应度进行关联,降低了运算负担;
所述染色体以基因为单位,所述基因用数字表达;
所述选择段的基因的数量与工件数量一致,所述选择段第θ位基因上的数字r代表工件θ选择的路径的编号r;
所述安排段包括若干分段genestringx,所述分段的数量与工序的数量一致;所述分段均设置有编号x,所述编号x与所述工序的顺序对应;所述分段的基因的数量与工件数量一致。
作为优选方案,所述步骤S2中,所述染色体编码算法包括预编码算法和安排段编码算法;所述预编码算法能够得到一个初始的染色体,为进行安排段编码算法做准备;
所述预编码算法步骤为:
S2.1:若选择段空白则随机编码染色体的选择段genestring0;确定每个工件θ的路径r;若选择段已经填充,则执行步骤S2.2;
S2.2:根据所得的选择段对安排段进行预编码:
S2.2.1:令x=1,从安排段的第一个分段genestring1开始;
S2.2.2:把genestringx进行切割;genestringx按照其所代表的工序中所包含的库所place数量切割,并把切割的份数赋值给变量N;
S2.2.3:编排genestringx的N个子块,通过Petri网调度机制进行填充,每个子块中工件token顺序代表对应库所place内作业的顺序;
S2.2.4:x=x+1;如果x>工序数量,则完成了对安排段的预编码,结束预编码算法,否则执行步骤S2.2.2;
所述安排段编码算法,输入为选择段genestring0、最大编码迭代次数DN,输出为染色体及其对应时间报表的二元关系<Chromosome,schedule table>;所述染色体编码算法能在选择段已知的情况下,给出该选择段对应的唯一较优的安排段;
所述安排段编码算法步骤为:
S2.3:定义变量编码迭代次数a,并令a=1;
S2.4:生成染色体Chromosome:如果当前编码迭代次数a等于1,采用染色体的预编码算法,执行步骤S2.1到S2.2.4,生成初始的染色体;如果当前编码迭代次数a不等于1,保留上一次编码迭代得到的新的安排段的第一个分段,并采用Petri网调度机制重新编码安排段的其他分段,生成完整的染色体Chromosome;
S2.5:通过Chromosome输入Petri网模型生成schedule table并记录本次生成的二元关系<Chromosome,schedule table>;
S2.6:取出记录中最近的二元关系<Chromosome,schedule table>:
S2.6.1:从二元关系的染色体Chromosome中取出安排段的第一个分段genestring1;
S2.6.2:定义变量k,并令k←1;
S2.6.4:根据作业更新和 和是的两个搜索方向:代表同在库所placepi但先于执行的前一个作业;代表工件tokenθx当前作业前一个工序的作业;对于查找作业与之间是否存在空闲,若不存在空闲,则若存在空闲,则然后循环执行S2.6.4,直到所在的库所placepi在第1道工序为止;
S2.6.6:k←k+1,如果k大于订单Order中的工件token数量则结束安排段编码算法并输出二元关系<Chromosome,schedule table>,否则执行步骤S2.6.3;
S2.8:令a=a+1,判断编码迭代次数a是否大于最大编码迭代次数DN,如果是结束安排段编码算法并输出二元关系<Chromosome,schedule table>,否则执行步骤S2.4。
作为优选方案,所述步骤S2.2.3中,所述Petri网调度机制为:到达时间最快的先加工;若同时到达,加工时间最短的先加工;若同时到达且加工时间相同,编号θ最小的先加工;
作为优选方案,所述二元关系<Chromosome,schedule table>中,所述改进遗传算法只需对染色体Chromosome的选择段进行所述遗传迭代;当涉及适应度比较时就需要将选择段通过所述染色体编码算法扩展为二元关系,然后通过二元关系中的时间报表来对比优劣。
作为优选方案,所述交叉操作添加了粒子群机制;所述粒子群机制能够提高交叉操作的收敛性;所述粒子群机制包括学习因子K1和学习因子K2;
所述交叉操作的步骤为:
S3.1:使用当前遗传迭代所得的最优解作为引导染色体G1,并随机抽出两个父代染色体P1,P2;
S3.2:以P1为基础,学习L/2×K1个G1的基因,学习方式为直接将选中的基因覆盖在P1上,然后再学习L/2×K2个P2的基因,学习方式为直接将选中的基因覆盖在P1上,但不可以选之前在G1中选中的位置,由此生成后代O1;
S3.3:以P2为基础,学习L/2×K1个G1的基因,学习方式为直接将选中的基因覆盖在P2上,然后再学习L/2×K2个P1的基因,学习方式为直接将选中的基因覆盖在P2上,但不可以选之前在G1中选中的位置,由此生成后代O2。
作为优选方案,所述变异操作添加了退火速率模块;所述退火速率模块能够避免搜索结果陷于局部,同时保证算法收敛性;
所述变异操作的步骤:
S3.4:在当前遗传迭代所得的染色体中随机选择一个位置;
S3.5:在选择的位置上,通过突变趋势函数和所得出的可选基因元素的概率分布,从中按概率选取一个基因值替换原基因;
S3.6:通过接受概率模块判断算法是否接受该变异所得的染色体;
S3.7:当代总群中的所有染色体都执行过变异后,执行退火速率模块,改变温度,影响下一次算法遗传迭代的接受概率。
作为优选方案,所述突变趋势函数、接受概率模块和退火速率模块定义如下:
(1)突变趋势函数:该函数将对每次遗传迭代后出现在染色体上每个位置的值进行计数,并获得在每个位置突变为不同值的相应概率,从而影响染色体变异的倾向;
其中θ∈{Token},rn∈{Path},N∈|Path|,G为当前的种群代数,0是开始的种群代数
fS(rn,θ,g)表示在第g代中的所有染色体在某个位置上选择了某个基因值的频率,即工件θ选择路径rn的频率;
(2)接受概率模块:
其中Fitness(i)表示原染色体的适应度;Fitness(j)代表新生成的染色体的适应度;T代表当前温度;
(5)退火速率模块:该模块与接受概率模块之间的相互作用会影响算法对局域解的搜索;
退火速率模块如下:
判断最优染色体是否经tc次遗传迭代都未改变,如果是执行tn次退火;所述退火即执行公式T=K*T;其中,tc表示最优解恒定不变时的最大遗传迭代数;tn代表达到冷却条件后的冷却次数;K代表冷却常数。
作为优选方案,所述邻域搜索操作步骤为:
S3.8:选取当代最优解;
S3.9:对所述当代最优解进行操作,获得所有与所述当代最优解相差一个基因的染色体,即邻域集合;
S3.10:从所述邻域集合中取出适应度最大的,即完成加工所需时间最短的一个,如适应度最大的染色体有多个,就在多个中选择各个工件在相应库所上加工的时间求和所得最小的一个。
实施例1:
如图1至图5所示,本发明优选实施例的一种。
图2中M、N、H、G为四个不同种类的并行机,抽象为perti网模型分别是p1、p2、p3、p4——如图3。库所place之间的运转一共有8个:t1至t8。C(pi)T=(2;2;2;2)|(i∈[1,4],start,end~∞)每个θ可选择路径W(M)={<p1,p3>T,<p1,p4>T,<p2,p3>T,<p2,p4>T}。假设订单一共有四个θ。该订单要完成这四个θ就要完成以下操作
模型的优化目标与引申变量的约束如下:
minC=min(F(M0→Ml))
s.t.
约束第二条Q(θ,r)=xθ,r*θ*W(M)r
约束第三条Mτ(pi)≤C(pi)
优化目标表示加工车间的初始状态M0(订单要加工的所有工件都在库所placep0)转换到最终状态Ml(订单要加工的所有工件都到达库所placepl)。约束第一条表示任何要加工的工件都要选择一个路径r。约束第二条为优先约束,表示工件θ选择了路径r进行加工后将会按照向量W(M)r的顺序经过向量中的库所。约束第三条为资源约束,表示在模型加工的任意时刻τ下,模型中任意库所的加工状态,即库所同时加工工件数量Mτ(pi)不超过该库所的最大容量。
一个包含有4个θ的订单所产生的染色体如图4。选择段genestring0代表4个θ各自选中的路径,图中为θ1选择路径1,θ2、θ3、θ4都选择路径4,genestring1代表工序一;genestring2代表工序二。由于参考图2有两个阶段所以有:θ1选择路径1后其工序一在p1上执行即工序二在p3上执行即θ2选择路径4后其工序一在p2上执行即工序二在p4上执行即θ3选择路径4后其工序一在p2上执行即工序二在p4上执行即θ4选择路径4后其工序一在p2上执行即工序二在p4上执行即当该工序操作在同一个pi时按照从左到右的顺序进入pi加工,且任意时刻不可超过pi容量。
由于编码算法的染色体选择段已经可以由编码算法与适应度产生关联如图5,所以只需让改进遗传算法求解出最优染色体的选择段,然后让选择段通过染色体编码算法进行完整化补充便可以获得最优的结果。
实施例2:
如图6所示,本发明优选实施例的一种。
所述交叉操作的步骤为:
S3.1:使用当前遗传迭代所得的最优解作为引导染色体G1,并随机抽出两个父代染色体P1,P2;
S3.2:以P1为基础,学习L/2×K1个G1的基因,学习方式为直接将选中的基因覆盖在P1上,然后再学习L/2×K2个P2的基因,学习方式为直接将选中的基因覆盖在P1上,但不可以选之前在G1中选中的位置,由此生成后代O1;
S3.3:以P2为基础,学习L/2×K1个G1的基因,学习方式为直接将选中的基因覆盖在P2上,然后再学习L/2×K2个P1的基因,学习方式为直接将选中的基因覆盖在P2上,但不可以选之前在G1中选中的位置,由此生成后代O2。
本发明的工作过程为:第一、根据实际混流车间的生产情况,将机床抽象为库所,工件在不同工序的机床上的运输抽象为转运,建立Petri网模型。第二、在Petri网模型的基础上,使用染色体编码算法将生产调度方案编码为染色体,首先利用预编码算法得到初始的染色体;然后利用安排段编码算法,得到给定选择段下唯一的较优染色体。第三、进入遗传算法时以染色体选择段代替完整染色体与适应度进行关联,首先进行交叉操作,利用粒子群机制构建交叉算子并完成染色体交叉;然后进行变异操作,利用退火速率模块调控变异后的接受概率;然后进行邻域搜索,获得与当代最优解相差一个基因的集合,并从中取出适应度最大的。
综上,本发明实施例提供一种基于改进遗传算法的混流制造车间调度方法。本发明针对混流制造系统的规模与订单的扩大而导致的解空间搜索范围无限变大的问题,在Petri网模型下,以最短的完成加工所需时间为优化目标,采用改进遗传算法;重定义了染色体的结构,将染色体分为选择段和安排段,并采用染色体安排段压缩求解的搜索空间。使用染色体编码算法,通过预定义选择段,来约束可行解染色体的生成,从而缩减解空间;在染色体交叉操作中添加粒子群机制,在染色体变异操作中添加退火速率模块,然后在每一次遗传迭代后对当前最优染色体进行邻域搜索;着眼于获得最优的调度安排方案,减少人力物力财力的支出,因此非常适合大规模混流制造问题的求解。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (6)
1.一种基于改进遗传算法的混流制造车间调度方法,其特征在于:
包括以下步骤:
S1:根据实际车间生产情况建立Petri网模型;
S2:在所述Petri网模型基础上,将车间调度方案用染色体编码算法编码为染色体;
S3:采用改进遗传算法对所述染色体进行运算,求解适应度最大的染色体;
其中,所述步骤S3,所述适应度最大的染色体代表完成加工所需时间最短的车间调度方案,即所述改进遗传算法的最优解;
所述步骤S3中,所述改进遗传算法需要进行若干次遗传迭代,进行一次遗传迭代即依次进行交叉操作、变异操作、邻域搜索;进行一次遗传迭代所生成的染色体为一代染色体;
所述Petri网模型包括:基本参数、路径集合、作业集合和时间函数;所述路径集合、作业集合和时间函数均由所述基本参数构成;
S1.1:定义基本参数:所述基本参数表达式为M(P,T,I,O,D,C,Θ);其中,P是Petri网模型中库所place的有限集合,所有的同类并行机用库所place来表示;T是转运transaction的集合,代表转运,工件从一个库所place转移到另一个库所place都会经过一个转运;I/O函数:是一个向量集合,从库所place指向转运transaction为输出O;从转运transaction指向库所place为输入I;C函数用于为任意库所pi设定容量的大小,C(pi):代表库所place pi的容量,即同类并行机的数量;Θ是工件token的有限类型的集合,Θ(θ)={COLOR},COLOR∈{c1,c2,…,cμ};D是各种不同类型的工件token在库所place中停留的加工时间矩阵,D(pi、θ):表示工件θ在库所place pi上加工的时间;加工订单Order是工件token的集合;
S1.2:定义路径集合:所述路径集合W(M)是Petri网模型中工件加工从库所p0到pl的路径所组成的向量集合;r为路径向量的编号;W(M)r表示W(M)中的第r个路径;
S1.3:定义作业集合:所述作业集合 是表示工件θ选择了路径W(M)r完成所有操作所产生的作业集合;对于一个工件而言,在一个库所place进行的加工为一个作业,完成一个作业即一道工序;
S1.4:定义时间函数:所述时间函数s((θ,pi))、c((θ,pi))分别表示操作(θ,pi)进入库所的时间与离开库所的时间,且s((θ,pi))-c((θ,pi))≥D(Θ(θ),pi);一个完整订单Order的所有作业的s((θ,pi))、c((θ,pi))最终会写入时间报表schedule table中进行统一汇报;
所述步骤S2中,所述染色体包括选择段与安排段;所述选择段在所述染色体编码算法下能够生成唯一的安排段,从而实现选择段与染色体一一对应,在进入遗传算法时以染色体选择段代替完整染色体与适应度进行关联,降低了运算负担;
所述染色体以基因为单位,所述基因用数字表达;
所述选择段的基因的数量与工件数量一致,所述选择段第θ位基因上的数字r代表工件θ选择的路径的编号r;
所述安排段包括若干分段genestringx,所述分段的数量与工序的数量一致;所述分段均设置有编号x,所述编号x与所述工序的顺序对应;所述分段的基因的数量与工件数量一致;
所述步骤S2中,所述染色体编码算法包括预编码算法和安排段编码算法;所述预编码算法能够得到一个初始的染色体,为进行安排段编码算法做准备;
所述预编码算法步骤为:
S2.1:若选择段空白则随机编码染色体的选择段genestring0;确定每个工件θ的路径r;若选择段已经填充,则执行步骤S2.2;
S2.2:根据所得的选择段对安排段进行预编码:
S2.2.1:令x=1,从安排段的第一个分段genestring1开始;
S2.2.2:把genestringx进行切割;genestringx按照其所代表的工序中所包含的库所place数量切割,并把切割的份数赋值给变量N;
S2.2.3:编排genestringx的N个子块,通过Petri网调度机制进行填充,每个子块中工件token顺序代表对应库所place内作业的顺序;
S2.2.4:x=x+1;如果x>工序数量,则完成了对安排段的预编码,结束预编码算法,否则执行步骤S2.2.2;
所述安排段编码算法,输入为选择段genestring0、最大编码迭代次数DN,输出为染色体及其对应时间报表的二元关系<Chromosome,schedule table>;所述染色体编码算法能在选择段已知的情况下,给出该选择段对应的唯一的安排段;
所述安排段编码算法步骤为:
S2.3:定义变量编码迭代次数a,并令a=1;
S2.4:生成染色体Chromosome:如果当前编码迭代次数a等于1,采用染色体的预编码算法,执行步骤S2.1到S2.2.4,生成初始的染色体;如果当前编码迭代次数a不等于1,保留上一次编码迭代得到的新的安排段的第一个分段,并采用Petri网调度机制重新编码安排段的其他分段,生成完整的染色体Chromosome;
S2.5:通过Chromosome输入Petri网模型生成schedule table并记录本次生成的二元关系<Chromosome,schedule table>;
S2.6:取出记录中最近的二元关系<Chromosome,schedule table>:
S2.6.1:从二元关系的染色体Chromosome中取出安排段的第一个分段genestring1;
S2.6.2:定义变量k,并令k←1;
S2.6.3:从二元关系的时间表schedule table中取出倒数第k个完成的工件tokenθx的最后一个作业
S2.6.4:根据作业更新和 和是的两个搜索方向:代表同在库所place pi但先于执行的前一个作业;代表工件tokenθx当前作业前一个工序的作业;对于查找作业与之间是否存在空闲,若不存在空闲,则若存在空闲,则然后循环执行S2.6.4,直到所在的库所place pi在第1道工序为止;
S2.6.5:判断作业的加工库所pi容量,如果小于或等于1即没有调整的余地则执行步骤S2.6.6,否则执行步骤S2.7;
S2.6.6:k←k+1,如果k大于订单Order中的工件token数量则结束安排段编码算法并输出二元关系<Chromosome,schedule table>,否则执行步骤S2.6.3;
S2.7:从库所pi中获得开始时间早于且最接近于操作开始时间的操作Q′;将代表操作的基因与代表操作Q′的基因在安排段的第一个分段genestring1段找出并进行交换,得到新的安排段的第一个分段;
S2.8:令a=a+1,判断编码迭代次数a是否大于最大编码迭代次数DN,如果是结束安排段编码算法并输出二元关系<Chromosome,schedule table>,否则执行步骤S2.4。
2.根据权利要求1所述的一种基于改进遗传算法的混流制造车间调度方法,其特征在于:
所述步骤S2.2.3中,所述Petri网调度机制为:到达时间最快的先加工;若同时到达,加工时间最短的先加工;若同时到达且加工时间相同,编号θ最小的先加工;
所述二元关系<Chromosome,schedule table>中,所述改进遗传算法只需对染色体Chromosome的选择段进行所述遗传迭代;当涉及适应度比较时就需要将选择段通过所述染色体编码算法扩展为二元关系,然后通过二元关系中的时间报表来对比优劣。
3.根据权利要求2所述的一种基于改进遗传算法的混流制造车间调度方法,其特征在于:
所述交叉操作添加了粒子群机制;所述粒子群机制能够提高交叉操作的收敛性;所述粒子群机制包括学习因子K1和学习因子K2;
所述交叉操作的步骤为:
S3.1:使用当前遗传迭代所得的最优解作为引导染色体G1,并随机抽出两个父代染色体P1,P2;
S3.2:以P1为基础,学习L/2×K1个G1的基因,学习方式为直接将选中的基因覆盖在P1上,然后再学习L/2×K2个P2的基因,学习方式为直接将选中的基因覆盖在P1上,但不可以选之前在G1中选中的位置,由此生成后代O1;
S3.3:以P2为基础,学习L/2×K1个G1的基因,学习方式为直接将选中的基因覆盖在P2上,然后再学习L/2×K2个P1的基因,学习方式为直接将选中的基因覆盖在P2上,但不可以选之前在G1中选中的位置,由此生成后代O2。
4.根据权利要求3所述的一种基于改进遗传算法的混流制造车间调度方法,其特征在于:
所述变异操作添加了退火速率模块;所述退火速率模块能够避免搜索结果陷于局部,同时保证算法收敛性;
所述变异操作的步骤:
S3.4:在当前遗传迭代所得的染色体中随机选择一个位置;
S3.5:在选择的位置上,通过突变趋势函数和所得出的可选基因元素的概率分布,从中按概率选取一个基因值替换原基因;
S3.6:通过接受概率模块判断算法是否接受该变异所得的染色体;
S3.7:当代种群中的所有染色体都执行过变异后,执行退火速率模块,改变温度,影响下一次算法遗传迭代的接受概率。
5.根据权利要求4所述的一种基于改进遗传算法的混流制造车间调度方法,其特征在于:
所述突变趋势函数、接受概率模块和退火速率模块定义如下:
(1)突变趋势函数:该函数将对每次遗传迭代后出现在染色体上每个位置的值进行计数,并获得在每个位置突变为不同值的相应概率,从而影响染色体变异的倾向;
其中θ∈{Token},rn∈{Path},Y∈|Path|,Y为Path的可选路径数量,rn为其中第n条路径,n∈[1…Y],G为当前的种群代数,G0是开始的种群代数,fS(rn,θ,g)表示在第g代中的所有染色体在某个位置上选择了某个基因值的频率,即工件θ选择路径rn的频率;
(2)接受概率模块:
其中Fitness(i)表示原染色体的适应度;Fitness(j)代表新生成的染色体的适应度;T代表当前温度;
(3)退火速率模块:该模块与接受概率模块之间的相互作用会影响算法对局域解的搜索;
退火速率模块如下:
判断最优染色体是否经tc次遗传迭代都未改变,如果是执行tn次退火;所述退火即执行公式T=K*T;其中,tc表示最优解恒定不变时的最大遗传迭代数;tn代表达到冷却条件后的冷却次数;K代表冷却常数。
6.根据权利要求5所述的一种基于改进遗传算法的混流制造车间调度方法,其特征在于:
所述邻域搜索操作步骤为:
S3.8:选取当代最优解;
S3.9:对所述当代最优解进行操作,获得所有与所述当代最优解相差一个基因的染色体,即邻域集合;
S3.10:从所述邻域集合中取出适应度最大的,即完成加工所需时间最短的一个,如适应度最大的染色体有多个,就在多个中选择各个工件在相应库所上加工的时间求和所得最小的一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110147179.3A CN112966822B (zh) | 2021-02-03 | 2021-02-03 | 一种基于改进遗传算法的混流制造车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110147179.3A CN112966822B (zh) | 2021-02-03 | 2021-02-03 | 一种基于改进遗传算法的混流制造车间调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112966822A CN112966822A (zh) | 2021-06-15 |
CN112966822B true CN112966822B (zh) | 2023-04-07 |
Family
ID=76273688
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110147179.3A Active CN112966822B (zh) | 2021-02-03 | 2021-02-03 | 一种基于改进遗传算法的混流制造车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112966822B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361813A (zh) * | 2021-07-02 | 2021-09-07 | 武汉理工大学 | 一种圆晶设备排产系统优化调度方法 |
CN116384719A (zh) * | 2023-06-06 | 2023-07-04 | 天津市佳和食品科技有限公司 | 基于智能控制的食品生产线自动化管理系统及其实现方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295878A (zh) * | 2016-08-09 | 2017-01-04 | 广东技术师范学院 | 一种基于Petri网与改进遗传算法的柔性作业车间调度系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021859B (zh) * | 2016-05-09 | 2018-10-16 | 吉林大学 | 改进遗传算法的可控源音频大地电磁法一维反演方法 |
-
2021
- 2021-02-03 CN CN202110147179.3A patent/CN112966822B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295878A (zh) * | 2016-08-09 | 2017-01-04 | 广东技术师范学院 | 一种基于Petri网与改进遗传算法的柔性作业车间调度系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112966822A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Review of seru production | |
CN112966822B (zh) | 一种基于改进遗传算法的混流制造车间调度方法 | |
Li et al. | An effective multiobjective algorithm for energy-efficient scheduling in a real-life welding shop | |
Zandieh et al. | An adaptive multi-population genetic algorithm to solve the multi-objective group scheduling problem in hybrid flexible flowshop with sequence-dependent setup times | |
CN109284858A (zh) | 一种钢筋下料优化方法、装置及存储设备 | |
Jiang et al. | Energy-efficient scheduling of flexible job shops with complex processes: A case study for the aerospace industry complex components in China | |
CN110956371B (zh) | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 | |
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 | |
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 | |
CN112561225A (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN107247447A (zh) | 一种基于混合算法框架的混流装配调度控制方法 | |
CN112465333A (zh) | 一种基于多时间尺度的智能生产线调度优化方法 | |
CN113901728B (zh) | 基于迁移遗传算法的电脑第二类装配线平衡优化方法 | |
CN114595633B (zh) | 一种基于多约束的多目标柔性作业车间节能调度方法 | |
CN115965154A (zh) | 一种基于知识图谱的数字孪生机械加工过程调度方法 | |
CN111325487A (zh) | 一种流水生产车间智能调度优化方法及系统 | |
CN117555305B (zh) | 一种基于nsgaii的多目标可变子批柔性车间作业调度方法 | |
CN114707432A (zh) | 一种基于遗传算法的锻造工厂智能排产方法 | |
CN112700109B (zh) | 一种订单生产顺序优化方法、系统、设备及可读存储介质 | |
CN114881301A (zh) | 生产线的仿真排产方法、系统、终端设备及存储介质 | |
CN117132181B (zh) | 一种分布式柔性生产与运输协同调度方法 | |
Zhou et al. | An effective selective assembly model for spinning shells based on the improved genetic simulated annealing algorithm (IGSAA) | |
Zhang et al. | Evolutionary algorithm incorporating reinforcement learning for energy-conscious flexible job-shop scheduling problem with transportation and setup times | |
CN115826530A (zh) | 一种基于d3qn和遗传算法的作业车间分批调度方法 | |
Chiang et al. | Solving the FMS scheduling problem by critical ratio-based heuristics and the genetic algorithm |
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 |