CN113095733A - 一种基于改进遗传算法求解单机械臂转移作业车间调度方法 - Google Patents

Abstract

本发明涉及一种基于改进遗传算法求解单机械臂转移作业车间调度方法，有效解决了目前车间调度问题中忽略转移时间的问题，操作步骤如下：Step1：设置算法运行参数。Step2：将操作人员输入的加工信息转化为遗传算法的编码信息，同时通过基因重组形成多个染色体，组成一个初始种群。Step3：根据预先设定的适应度值函数计算种群染色体的适应度值，其中解码过程中加入了单机械臂的转移时间；Step4：使用轮盘赌法和精英保留法进行选择操作；Step5：对选出的染色体进行交叉变异操作，形成新的子种群；step5：重复以上操作，直到满足终止条件或者找到全局最优解。实验证明本发明对于解决该类具有问题快速精确的效果。

Description

一种基于改进遗传算法求解单机械臂转移作业车间调度方法

技术领域

本发明涉及作业车间调度技术领域，尤其是一种单机械臂转移产品的作业车间调度方法。

背景技术

本发明是在遗传算法的基础上根据生产实际情况对遗传算法进行改进，使之能够解决单机械臂转移的作业车间调度问题。作业车间在实际生产过程中非常常见，但是目前大部分生产企业对于生产过程排产还是通过人工经验进行的。国际生产工程学会总结了几十种制造模式，每种制造模式都是以优化生产调度为基础。相关资料表明，在生产制造过程汇总，有95％的时间消耗在了非加工过程中，因此为了提高生产效率，人工经验是远远不够的。因此国内外许多专家学者对车间调度问题开展了大量研究，其中大约有四分之一的研究是使用遗传算法来解决车间调度问题的，因为遗传算法操作简单，拥有优异的全局寻优能力以及很好的鲁棒性，但是在使用遗传算法过程中，也发现了遗传算法存在早熟、容易陷入局部最优、收敛速度慢的缺点。因此本文通过对遗传算法进行改进，结合单机械臂转移产品的作业车间调度模型，不但解决了单机械臂转移产品的作业车间调度问题，而且克服了传统遗传算法的上述缺陷。本发明对于解决单机械臂转移的作业车间调度问题意义重大。

发明内容

针对上述技术背景，一方面为了克服遗传算法固有缺陷，另一方面为了解决单机械臂转移产品的作业车间调度问题，本发明提供了一种改进的遗传算法求解单机械臂转移产品的作业车间调度方法，有效的解决了该方面的调度问题。

本发明为一种基于改进遗传算法优化单机械臂转移产品的作业车间调度方法，其特征在于，该算法步骤如下：

Step1:设置遗传算法的参数：种群规模popsize、终止条件即迭代次数Gen、交叉概率Pc、变异概率Pm等；

Step2：将操作人员输入的加工信息转化为遗传算法的编码信息，包括加工产品的工艺流程，加工设备，加工时间等，通过基因重组的方式形成多个染色体，组成一个初始种群；

Step3：计算初始种群的适应度值；

Step4：根据Step3计算的适应度值使用轮盘赌法和精英保留法进行选择操作；

Step5：对Step4选出的染色体进行交叉变异操作形成新的种群；

Step6：重复Step3到Step5操作，直到满足迭代终止条件输出最优解。

优选的，所述的Step2中采用基于工序的方式进行编码，使用产品编号形成一条染

色体，表示该求解问题的一个可行解；

优选的，编码方式如下所示：

如有三个产品需要加工，每个产品有三个加工操作，那么[1 1 1 2 2 2 3 3 3]即为解空间中的一个解。

其中，Step3中计算适应度值，需要对染色体进行解码操作，解码过程从左到右遍历染色体；然后对应加工设备矩阵、加工时长矩阵以及转移时间矩阵，得到每个产品的加工时间矩阵。

优选的，Step3中计算适应度值，即最小化最大化完成时间，需要将产品加工过程中在设备之间的转移时间考虑在内。

优选的，Step3计算染色体适应度值步骤如下：

Step1：从染色体第一个基因位开始从左到右遍历染色体，该位置的数字表示加工产品的编号，该位置数字出现的次数表示该产品加工的步骤，然后根据产品编号和出现的次数在加工设备矩阵和加工时长矩阵中找到对应的值，记录到该产品加工设备表，如果该产品加工的不是第一个步骤，需要考虑转移时间，从该产品加工设备表中查找上一操作设备，并在准一时间表中找到两个设备之间的转移时间，产品的开始加工时间为设备加工完上一产品操作时间和该产品转移到设备时间的最大值，然后将开始加工时间和加工结束时间记录到开始加工表和加工完成表，同时将每个设备使用时间记录到设备使用时间表。

Step2：当确定每个产品加工设备之后，遍历该设备的使用时间表，如果到末尾之前中间有时间段可以将当前产品加工时间插入，如果有，则将该产品的当前操作插入到该设备的使用时间表，同时更新产品的加工时间表，设备的使用时间表等。

从左至右遍历染色体，知道最后一个产品完成，染色体适应度值就是最后一个产品完成加工时间。

优选的，Step4使用了轮盘赌法和精英保留法进行选择染色体，保证优异的染色体不被破坏，选择操作的步骤如下：

Step1：根据上述计算的染色体适应度值，对种群进行升序排序，使用精英保留法保留排序靠前的n个染色体；

Step2：计算种群的总适应度值，然后使用每个染色体的适应度值除以总适应度值，得到每条染色体的概率。

Step3：计算每条染色体的累积概率，即将每条染色体之前的概率值相加。

Step4：随机生成[0,1]之间的随机数，然后根据随机数选择抽取的染色体。即如果随机数大于一条染色体的累积概率但是小于下一条染色体的累积概率，则选择下一条染色体。

Step5：重复Step4(popsize-n)次。

优选的，Step5中的交叉变异算子和传统遗传算法中的不同，所述的交叉变异算子会根据进化过程而变化，具体操作步骤如下：

Step1：从选择出的染色体中随机抽取两条染色体。

Step2：根据选择出的染色体适应度值计算本次交叉操作的交叉概率。

Step3：随机生成一个[0,1]之间的随机数，然后与Step2中的交叉概率进行比较，如果交叉概率大于随机数则进行交叉操作，否则进行下一步骤。

自适应交叉算子计算公式如下：

式中，p_cmax为最大交叉概率，p_cmin为最小交叉概率，fit为当前两个交叉对象中适应度值最大的染色体，avgfit为种群平均适应度值。

Step4：从选择的染色体汇总随机抽取一条染色体。

Step5：根据选择的染色体适应度值计算本次变异操作的概率。

Step6：随机生成一个[0,1]之间的随机数，然后与step5中的变异概率进行比较，如果随机数大于变异概率，则进行变异操作，否则进行下一步骤。

自适应变异算子计算公式如下：

式中，p_mmax为最大交叉概率，p_mmin为最小交叉概率，fit为当前两个交叉对象中适应度值最大的染色体，avgfit为种群平均适应度值。

优选的，Step5中交叉方式使用的是POX交叉法。变异使用的是片段翻转和两点位互换的方式，前期使用片段翻转，扩大搜索范围，后期使用两点位互换的方式，保证不破坏优秀个体，其中具体操作步骤如下：

交叉操作步骤如下：

Step1：选择两个参与交叉操作的染色体。

Step2：根据公式计算交叉概率。

Step3：产生随机数，与step2中交叉概率进行比较决定是否进行交叉操作。

Step4：随机将染色体中产品按照序号分成两组。

Step5：将两条染色体中一组产品序号和基因位号取出并记录。

Step6：交换两条染色体取出的产品序号并按照各自对应的基因位号放入。

变异操作步骤如下：

Step1：选择一条参与变异的染色体。

Step2：根据变异公式计算变异概率。

Step3：产生一个随机数，与step2中变异概率比较决定是否进行变异操作。

Step4：随机产生两个基因位号。

Step5：进化前期使用片段颠倒的方式进行变异操作，到了进化后期采用两点位换位的方式进行变异操作。这样既有利于充分的探索解空间，又不会破坏优良个体。

本发明将机械臂转移产品时间加入到调度问题中，通过采用一种改进的遗传算法对该复杂问题进行求解。本发明使用MATLAB编写算法，对包含单机械臂转运时间和不包含单机械臂转运时间进行优化仿真，验证本发明对该问题的适用性。

附图说明

图1为改进遗传算法流程图。

图2为基于工序编码示意图。

图3为使用贪婪策略插入的示意图。

图4为使用贪婪策略不可插入的示意图。

图5为改进遗传算法进化收敛示意图。

图6为不带转移时间的甘特图。

图7为传统遗传算法进化收敛示意图。

图8为文献遗传算法进化收敛示意图。

图9为本发明遗传算法进化收敛示意图。

图10为本发明遗传算法调度甘特图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

问题描述：

一个加工任务中包含n个产品J＝{J₁，J₂，…，J_n}，每个产品要经过h道工序O＝{O₁，O₂…，O_h}，在m台实验设备m＝{M₁，M₂，…，M_m}上完成加工操作。当工件的一道工序完成时，由导轨机械臂转移到加工该产品下一道工序的设备。其中，每个产品工序在设备上加工时间已知，导轨机械臂在两台实验设备间的转移时间已知。优化目标为最大化完成时间最短。

在本发明中问题约束如下：

所有设备在零时刻均处于待加工状态。

同一时刻一个产品只能在一台设备上加工，同一设备只能同时加工一个产品。

产品的装载时间和卸载时间以及设备的准备时间都算到设备加工时间中。

每台设备有足够的缓冲区存放待加工产品。

产品一旦开始加工过程不中断。

产品上一工序加工完成，由机械臂转移到下一道工序。

数学模型如下：

MakeSpan_min＝min(max(T_i))(1≤i≤n) (3)

T_ij＝T_sij+t_ij (4)

式(3)表示最大完工时间最短；式(4)表示产品i的操作工序j的完工时间；式(5)表示产品i的操作工序j的最早开始时间；式(6)表示产品i的转移完成时间。式(7)表示最早可以开始转移时间。

本发明为一种基于改进遗传算法求解单机械臂转移作业车间调度方法，其特征在于，本发明包括以下步骤：

Step1:设置遗传算法的参数：种群规模popsize、终止条件即迭代次数Gen、交叉概率Pc、变异概率Pm等；

Step2：将操作人员输入的加工信息转化为遗传算法的编码信息，包括加工产品的工艺流程，加工设备，加工时间等，通过基因重组的方式形成多个染色体，组成一个初始种群；

Step3：计算初始种群的适应度值；

Step4：根据Step3计算的适应度值使用轮盘赌法和精英保留法进行选择操作；

Step5：对Step4选出的染色体进行交叉变异操作形成新的种群；

Step6：重复Step3到Step5操作，直到满足迭代终止条件输出最优解。

所述Step2结合图2可以看出基于工序的编码方法，简单明了，易于操作。

所述Step3结合图3，图4可以看出通过在解码过程中加入贪婪算法，减少了片段空闲时间，提高了设备的使用效率。

实施实例一

为了检验本发明的实际性能，使用标准示例FT10来进行运算，此处验证不加单机械臂转运时间。

加工设备矩阵如下：

加工时间矩阵如下：

结合图5改进遗传算法进化收敛图和图6改进算法甘特图对结果进行分析：

本发明算法收敛速度较快，进化过程较为稳定，经过19次迭代就找到了全局最优解970。

实施实例二

将机械臂转移约束加入，同时加入传统遗传算法和文献(谢飞强.基于遗传算法的航天制造执行系统的研究[D].哈尔滨工业大学,2019.)中的算法进行对比。

加工时间矩阵如下：

加工设备矩阵如下：

机械臂转移时间矩阵：

设置种群大小popsize＝150，进化代数Gen＝1000，最大交叉概率P_cmax＝0.9，最小交叉概率P_cmin＝0.4，最大变异概率P_mmax＝0.01，最小变异概率P_mmin＝0.001。

计算结果如图7-图10所示，在单机械臂转移作业车间调度过程中，传统遗传算法收敛速度慢，进化不稳定，寻优能力差，文献算法，寻优能力较好，但是收敛速度较慢。因此证明了本发明算法对本类问题更具有适用性。

Claims (4)

1.这种基于改进遗传算法优化的单机械臂转移作业车间调度方法，其特征在于，包括以下步骤：

Step1：设置遗传算法的参数：种群规模popsize、终止条件即迭代次数Gen、交叉概率Pc、变异概率Pm等；

Step2：将操作人员输入的加工信息转化为遗传算法的编码信息，包括加工产品的工艺流程，加工设备，加工时间等，通过基因重组的方式形成多个染色体，组成一个初始种群；

Step3：计算初始种群的适应度值；

Step4：根据Step3计算的适应度值使用轮盘赌法和精英保留法进行选择操作；

Step5：对Step4选出的染色体进行交叉变异操作形成新的种群；

Step6：重复Step3到Step5操作，直到满足迭代终止条件输出最优解。

2.根据权利要求1所述的基于改进遗传算法优化的单机械臂转移作业车间调度方法，其特征在于，Step3中计算适应度值，需要对染色体进行解码操作，解码过程从左到右遍历染色体；然后对应加工设备矩阵、加工时长矩阵以及机械臂转移时间矩阵，解码得到每个产品的加工时间矩阵以及设备使用时间矩阵。

3.根据权利要求1所述的基于改进遗传算法优化的单机械臂转移作业车间调度方法，其特征在于，Step3中计算适应度值，即最小化最大化完成时间，需要将产品加工过程中在设备之间的转移时间考虑在内。

4.根据权利要求1所述的基于改进遗传算法优化的单机械臂转移作业车间调度方法，其特征在于，Step5中的交叉变异算子和传统遗传算法中的不同，传统遗传算法在进化过程中交叉变异算子保持不变，而所述的交叉变异算子会根据进化过程而变化。

Images