CN113128839A - 面向高端装备分布式制造与多模式运输的协同调度方法 - Google Patents
面向高端装备分布式制造与多模式运输的协同调度方法 Download PDFInfo
- Publication number
- CN113128839A CN113128839A CN202110310818.3A CN202110310818A CN113128839A CN 113128839 A CN113128839 A CN 113128839A CN 202110310818 A CN202110310818 A CN 202110310818A CN 113128839 A CN113128839 A CN 113128839A
- Authority
- CN
- China
- Prior art keywords
- transportation
- population
- particle
- production
- batch
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000000694 effects Effects 0.000 claims abstract description 12
- 239000002245 particle Substances 0.000 claims description 165
- 238000012545 processing Methods 0.000 claims description 39
- 102100035767 Adrenocortical dysplasia protein homolog Human genes 0.000 claims description 22
- 101000929940 Homo sapiens Adrenocortical dysplasia protein homolog Proteins 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 238000010923 batch production Methods 0.000 claims description 15
- 238000010845 search algorithm Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000019771 cognition Effects 0.000 claims description 3
- 238000010924 continuous production Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 16
- 238000011160 research Methods 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种面向高端装备分布式制造与多模式运输的协同调度方法，涉及任务调度技术领域。本发明将分布式制造、学习效应、多运输模式和生产运输协同结合起来，在经典的生产运输协同问题中考虑了分布在不同位置的工厂生产过程中的学习效应和运输过程的多种运输方式，使得研究内容更加接近实际生产环境，得到的调度方案的适应性得到提高。
Description
技术领域
本发明涉及任务调度技术领域，具体涉及一种面向高端装备分布式制造与多模式运输的协同调度方法。
背景技术
高端装备制造业作为战略性新兴产业的重要组成部分，是我国装备制造业转型升级的重要引擎。高端装备内涵广泛，包括：航空发动机、应用卫星系统、轨道交通装备、智能专用装备等等。由于高端装备制造具有技术水平要求高、生产工艺复杂、元器件数量庞大等特点，往往需要多部门多厂所协同配合。由于高端装备元器件精密复杂，对运输设备和运输过程要求严格，因而其运输成本通常较高。高端装备元器件的运输方式通常包括：铁路、公路、海路运输等，运输方式不唯一且不固定。
现有的生产运输协同调度问题，通常假设只存在一个制造商并且只考虑加工环节之前存在的运输，元器件只在供应商和制造商之间运输且运输方式单一。在实际的生产环境中，运输问题不仅存在于制造过程，在生产完工后交付顾客时也存在运输。所以，在生产完成后，还要根据实际情况确定具体的运输方式。
然而，在以往的研究中，分布式制造和多模式运输常常被割裂开来，二者协同问题未被有效研究，导致最终选择的调度方案的和实际生产环境存在较大的差距，适应性差。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种面向高端装备分布式制造与多模式运输的协同调度方法，解决了现有方法最终选择的调度方案的和实际生产环境存在较大的差距，适应性差的技术问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
本发明提供一种面向高端装备分布式制造与多模式运输的协同调度方法，包括：
S1、获取协同调度任务数据，基于协同调度任务数据设定算法的输入参数；设定混合粒子群—变邻域搜索算法的执行参数；所述执行参数包括：包括最大迭代次数kmax，当前迭代次数k，种群规模Psize，
S2、基于执行参数对输入参数进行编码，生成混合粒子群—变邻域搜索的种群；
S3、对种群进行编码修正，消除不可行解；
S4、将待生产的元器件分配到各生产工厂，对分配到各工厂的元器件进行组批生产，得到各工厂组批生产元器件的生产批次方案；选择生产批次的运输方案，根据生产批次方案、运输方案和适应度函数计算消除不可行解后的种群中每个粒子的适应度值；
S5、对适应度值排序得到适应度值最小的粒子，将其与当前的全局最优解gbest比较，若小于当前gbest，则更新gbest；否则，不更新；令k＝k+1；
S6、对全体种群执行变邻域搜索，更新粒子位置，计算粒子适应度值并更新全局最优解gbest；
S7、判断k≥kmax是否成立，若成立，算法终止，输出步骤S6中的全局最优解gbest及其对应的粒子；若不成立，执行步骤S8；
S8、根据速度更新公式更新每个粒子的速度；
S9、根据位置更新公式更新每个粒子的位置；
S10、执行选择操作，得到三个子种群Pselect、Ptop和Prest，Pselect的种群规模为selectsize，Ptop的种群规模为topsize；
S11、对选择种群Pselect进行伯努利交叉，更新种群Pselect；
S12、从种群Prest中随机选出Psize-(selectsize+topsize)个粒子，将其和种群Pselect、Ptop相结合组成新的种群Pnew，种群规模不变仍为Psize，转步骤S3。
优选的，所述输入参数包括：待加工的元器件的数量n，分布在不同地理位置的参与高端装置生产的工厂的个数m，运输方式的种类C；
所述执行参数还包括：自我认知系数c1，社会认知系数c2，感知修正系数c3，惯性权重w，粒子的初始速度v，初始位置x，以及随机参数r1、r2，令k＝1，ro＝rand()/(1+rand_Max)，o＝1，2，其中，rand()表示一个随机数，rand_Max表示随机数可能取到的最大值，ro表示的就是随机参数r1、r2。
优选的，所述基于执行参数对输入参数进行编码，生成混合粒子群—变邻域搜索的种群，包括：
通过随机的方式生成种群P，获得Psize个粒子，第y个粒子的位置定义为
其中
表示第y个粒子第d维上的位置，表示该位置上的元器件被分配到工厂
进行生产。
优选的，所述进行编码修正，消除不可行解，包括：
S301、设定参数l＝1；
S302、判断
是否成立，若成立，则令
否则，转步骤S303；
S303、判断
是否成立，若成立，则令
否则，转步骤S304；
S304、令
其中，round(x)表示对x四舍五入取整；
S305、判断l>n是否成立，若成立，则修正完成，否则，l＝l+1，转步骤S302。
优选的，所述将待生产的元器件分配到各生产工厂，对分配到各工厂的元器件进行组批生产，得到各工厂元器件生产的批次排序方案；选择生产批次的运输方案，根据生产批次方案、运输方案和适应度函数计算消除不可行解后的种群中每个粒子的适应度值，包括：
S401、将待生产的元器件分配到各生产工厂，具体包括：
S40101、将所有待加工的元器件按照正常加工时间由小到大排列，得到新的元器件序列J＝{J1，J2，J3，...，Jn}，令i＝1，r＝1；
S40102、将元器件Ji分配给工厂Mr，令i＝i+1，r＝r+1；
S40103、判断i≤n是否成立，若成立，则转步骤S40104，否则转步骤S40105；
S40104、判断r≤m是否成立，若成立，则转步骤S40102，否则令r＝1转步骤S40102；
S40105、计算分配到工厂Mr的nr个元器件对应的正常加工时间之和pr，r＝1，2，…，m，即未考虑到学习效应是，正常加工时间的累加和；
S40106、根据pr值由大到小的顺序将各工厂进行排列，得到工厂序列M＝(M1，M2，…，Mm)，令r＝1；
S40107、选择出工厂Mr处所有元器件中正常加工时间最大的元器件j'，工厂Mm-r+1处所有元器件中正常加工时间最小的元器件j”，交换两个元器件的生产工厂，令r＝r+1；
S40108、判断
是否成立，若成立，则转步骤S40107，否则元器件分配结束；
S402、对分配到各工厂的元器件进行组批生产，具体为：
S40201、对于工厂Mr处的nr个待加工元器件，首先根据其正常加工时间不减的顺序排列；
S40202、设定参数
表示工厂Mr处元器件加工批次数；
S40203、选择加工时间最小的元器件放入该批次中，直至该批次满批为止，令
直到所有元器件全部完成组批；
S40204、计算每个批次的累计加工时间Prp，将所有批次按照Prp值不增的顺序排列，得到各工厂元器件生产的批次排序方案；
S403、在得到各工厂元器件生产的批次排序方案之后，对运输方式的进行选择，具体包括：
S40301、将各种运输模式下运载工具的运输能力表示为
每批元器件的数量表示为
令参数r＝1，c＝1，p＝1，其中r表示第r个工厂，c表示第c种运输方式，p表示生产批次的序号；
S40302、判断r<R是否成立，若成立，则转步骤S40303、，否则转步骤S40306；
S40303、判断c<C是否成立，若成立，通过以下公式计算各工厂Mr使用运输工具c一次最多可以运输的生产批次Tranrc，否则转步骤S40305：
S40304、令c＝c+1，转步骤S40303；
S40305、令r＝r+1，转步骤S40302；
S40306、对于Tranrc个生产批次，将每个生产批次作为一个运输批次，或者将任意连续的生产批次做为一个运输批次，得到全部可能组合方式，并计算各运输方案的总成本TRC，选择总成本最小的方案进行元器件运输，得到运输方案，总成本TRC的计算公式如下：
S404、基于各工厂元器件生产的批次排序方案、运输方案和适应度函数计算每个粒子的适应度值，具体包括：
S40401、定义变量T、oproi，初始化i＝1，oproi＝0，T＝0；
S40402、依次把所有元器件的实际加工时间累加，并赋值给T，即
S40403、将所有运输批次的运输费用和运输时间分别累加，令总运输费用为TC，总运输时间TT，初始化TC＝0，TT＝0；
S40404、设定TCrc＝0，r＝1，2，...，R，c＝1，2，...，C，其中r表示第r个生产工厂，c表示运输方式c，TCrc表示一个运输批次在运输方式c下从工厂Mr运到指定地点需要的运输费用；
S40405、设定TTrc＝0，r＝1，2，...，R，c＝1，2，...，C。其中r表示第r个生产工厂，c表示运输方式c，TTrc表示一个运输批次在运输方式c下从工厂Mr运到指定地点需要的运输时间；
S40406、将TCrc累加并赋值给TC，将TTrc累加并赋值给TT；
S40407、根据元器件完工时间ci和发运时间di,按照下列公式计算元器件的库存成本hc；
hc＝h(di-ci)
其中h表示单位元器件单位库存成本；
S40408、按照适应度函数计算粒子的适应度值；适应度函数表示如下：
其中，f表示适应度值，TC表示总运输费用，TT表示总运输时间，T表示总加工时间，h表示单位库存成本，di表示元器件i发运时间，ci表示元器件i的完工时间。
优选的，所述对全体种群执行变邻域搜索，更新粒子的位置，包括：
S601、定义邻域结构集合{Nq}，q＝1，2，3，扰动算子{Ng}，g＝1，2，3；
S602、在区间(1，n)内随机生成三个整数a，b，c；
S603、将各邻域结构、扰动算子定义如下：
N1：将粒子par'y上位置a和位置b的元素互换，其他保持不变，得到新的粒子par”y；
N2：将粒子par'y上位置a的元素插入到位置b之后，其他位置元素保持不变，得到一个新的粒子par”y；
N3：将粒子par'y上位置a和位置b之间的元素倒序排列，得到新的粒子par”y；
N1：将粒子pary上位置a和位置b之间的元素倒序排列，再将位置b和位置c之间的元素倒序排列得到新的粒子par'y；
N2：将粒子pary上位置a和位置b的元素互换，再将位置c的元素插入到位置b的元素之后，互换得到新的粒子par'y；
N3：将粒子pary上位置a和位置b之间的元素插入到位置a前面，再将位置b和位置c之间的元素插入到位置c之后，得到新的粒子par'y；
S604、令q＝1，g＝1，i＝1，初始解xy＝x0；
S605、判断g<3是否成立，若成立，则对x0执行扰动算子Nw，将随机得到的邻域解记为记为x'y，否则转步骤S609；
S606、判断q<3是否成立，若成立，则对x'y执行邻域操作N1，将得到的最优局部解记为x”y，否则转步骤S608；
S607、分别计算x'y和x”y对应粒子的适应度值，判断
是否成立，若成立，则x'y＝x”y，q＝1，否则q＝q+1，转步骤S606；
S608、计算xy对应粒子的适应度值，判断
是否成立，若成立，则xy＝x”y，g＝1，否则g＝g+1，转步骤S605；
S609、令y＝y+1，判断y<Psize是否成立，若成立，则转步骤S605，否则结束变邻域搜索。
优选的，所述速度更新公式为
其中vy(k)表示粒子y第k代的速度，xp、xg、xk分别表示当前的局部最优解、全局最优解、粒子y第k代的位置。xp表示粒子x在第1代到第k代的迭代过程中，其本身搜索到的最优位置所对应的编码，xg表示gbest所对应的编码；
所述位置更新公式为xy(k+1)＝xy(k)+δvy(k+1)，其中，
fy表示粒子y的适应度值，Fmax表示当代种群最大应度值，Favg表示当代种群平均适应度值。
优选的，所述执行选择操作，得到三个子种群Pselect、Ptop和prest，Pselect的种群规模为selectsize，Ptop的种群规模为topsize，包括：
S1001、将所有粒子按照适应度值由小到大排列，并选择前topsize个粒子组成子种群Ptop；
S1002、设定参数index，len，τ，初始化index＝topsize+1，
τ＝0；
S1003、在第index个粒子和第index+len个粒子之间，随机选择一个粒子推入子种群Pselect。τ＝τ+1，index＝index+len；
S1004、若τ<selectsize，则转步骤S1003；否则，转步骤S1005；
S1005、将未选入子种群Ptop和Pselect的粒子组成另一个子种群Prest。
优选的，对选择种群Pselect进行伯努利交叉，更新种群Pselect，包括：
S1101、设定参数p1，t，交叉概率pc，初始化p1＝0.6，t＝0；
S1102、将通过选择操作得到的粒子再次计算适应度值，记作
S1103、随机生成一个n维的数列Rn＝(r1，r2，...，rd，...，rn)，rd＝rand(0，1)，其中，rand(0，1)表示0到1之间的随机数；
S1104、从Pselect中随机选出两个未交叉的父代粒子par1、par2，若
均大于Favg，则交叉概率pc为1.2p1；若
均小于Favg，则交叉概率pc为0.8p1；否则pc为p1；其中，Favg表示当代粒子群的平均适应度值；
S1105、若ri≤pc，则par1、par2第i维数值发生交换；否则，不交换；t＝t+2；
S1106、判断t<selectsize是否成立，若成立且selectsize-t≥2，则执行步骤S1103，否则，执行步骤S1107；
S1107、返回更新后的当前种群作为新的Pselect。
本发明还提供一种面向高端装备分布式制造与多模式运输的协同调度系统，包括存储器、处理器以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计算机程序时实现上述方法的步骤。
(三)有益效果
本发明提供了一种面向高端装备分布式制造与多模式运输的协同调度方法。与现有技术相比，具备以下有益效果：
1、本发明将分布式制造、学习效应、多运输模式和生产运输协同结合起来，在经典的生产运输协同问题中考虑了分布在不同位置的工厂生产过程中的学习效应和运输过程的多种运输方式。使得研究内容更加接近实际生产环境，得到的调度方案的适应性得到提高。
2、本发明将待生产的元器件分配到各生产工厂，对分配到各工厂的元器件进行组批生产，得到各工厂组批生产元器件的生产批次方案；选择生产批次的运输方案，根据生产批次方案、运输方案和适应度函数计算消除不可行解后的种群中每个粒子的适应度值，实现最少完工时间、运输费用及库存成本之和作为优化目标，用所提出的方法有效地缩短了元器件的制造周期，降低了企业的生产成本，提高了生产效率。
3、本发明的混合粒子群—变邻域搜索算法，在原有的标准粒子群算法基础上加入了多种邻域结构，使得算法同时具有良好的全局搜索能力和局部优化能力，有效地保证了优化结果的质量和求解的效率。通过该算法，有效地解决了分布式制造与多运输模式下生产运输协同问题，缩短了元器件的制造周期，提高了生产效率和综合效益。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种面向高端装备分布式制造与多模式运输的协同调度方法的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例通过提供一种面向高端装备分布式制造与多模式运输的协同调度方法，解决了现有方法最终选择的调度方案的和实际生产环境存在较大的差距，适应性差的技术问题，实现缩小调度方案和实际生产环境之间差距，提高调度方法的适应性。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
传统的生产运输协同调度问题，通常假设只存在一个制造商并且只考虑加工环节之前存在的运输，元器件只在供应商和制造商之间运输且运输方式单一。在实际的生产环境中，运输问题不仅存在于制造过程，在生产完工后交付顾客时也存在运输。所以，在生产完成后，还要根据实际情况确定具体的运输方式。然而，在以往的研究中，分布式制造和多模式运输常常被割裂开来，二者协同问题未被有效研究。因此，在本发明实施例中，提出了一种面向高端装备分布式制造与多模式运输的协同调度方法。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种面向高端装备分布式制造与多模式运输的协同调度方法，该方法由计算机执行，如图1所示，包括步骤S1～S12：
S1、获取协同调度任务数据，基于协同调度任务数据设定算法的输入参数；设定混合粒子群—变邻域搜索算法的执行参数；所述执行参数包括：包括最大迭代次数kmax，当前迭代次数k，种群规模Psize，
S2、基于执行参数对输入参数进行编码，生成混合粒子群—变邻域搜索的种群；
S3、对种群进行编码修正，消除不可行解；
S4、将待生产的元器件分配到各生产工厂，对分配到各工厂的元器件进行组批生产，得到各工厂组批生产元器件的生产批次方案；选择生产批次的运输方案，根据生产批次方案、运输方案和适应度函数计算消除不可行解后的种群中每个粒子的适应度值；
S5、对适应度值排序得到适应度值最小的粒子，将其与当前的全局最优解gbest比较，若小于当前gbest，则更新gbest；否则，不更新；令k＝k+1；
S6、对全体种群执行变邻域搜索，更新粒子位置，计算粒子适应度值并更新全局最优解gbest；
S7、判断k≥kmax是否成立，若成立，算法终止，输出步骤S6中的全局最优解gbest及其对应的粒子；若不成立，执行步骤S8；
S8、根据速度更新公式更新每个粒子的速度；
S9、根据位置更新公式更新每个粒子的位置；
S10、执行选择操作，得到三个子种群Pselect、Ptop和Prest，Pselect的种群规模为selectsize，Ptop的种群规模为topsize；
S11、对选择种群Pselect进行伯努利交叉，更新种群Pselect；
S12、从种群Prest中随机选出Psize-(selectsize+topsize)个粒子，将其和种群Pselect、Ptop相结合组成新的种群Pnew，种群规模不变仍为Psize，转步骤S3。
本发明实施例将分布式制造、学习效应、多运输模式和生产运输协同结合起来，在经典的生产运输协同问题中考虑了分布在不同位置的工厂生产过程中的学习效应和运输过程的多种运输方式。使得研究内容更加接近实际生产环境，得到的调度方案的适应性得到提高。同时，本发明实施例的混合粒子群—变邻域搜索算法，在原有的标准粒子群算法基础上加入了多种邻域结构，使得算法同时具有良好的全局搜索能力和局部优化能力，有效地保证了优化结果的质量和求解的效率。通过该算法，有效地解决了分布式制造与多运输模式下生产运输协同问题，缩短了元器件的制造周期，提高了生产效率和综合效益。
在一实施例中，S1、获取协同调度任务数据，基于协同调度任务数据设定算法的执行参数；设定混合粒子群—变邻域搜索算法的执行参数。具体实施过程如下：
S101、通过人工录入等方法获取协同调度任务数据，根据协同调度任务数据设定算法的输入参数。具体包括：
协同调度任务数据包括：
高端装备包含的待加工的元器件的数量n，元器件集合表示为J＝{j1，j2，j3，...，jn}；
每个元器件具有不同的正常加工时间pi，i＝1，2，...，n；
元器件实际加工时间为
其中，α表示学习效率，nr表示工厂Mr处待加工元器件总数；
分布在不同地理位置的参与高端装置生产的工厂的个数m，每个运输批次的时间记为TTrc，如下列矩阵所示。其中第r行表示第r个工厂，第c列表示运输方式c，TTrc表示元器件从工厂Mr在运输方式c下，到达指定地点需要的时间。
运输方式的种类C，每个运输批次的费用记为TCrc，如下列矩阵所示。其中第r行表示第r个生产工厂，第c列表示运输方式c，TCrc表示一个运输批次在运输方式c下从工厂Mr到达指定地点需要的费用。
高端装备的制造需要m个生产工厂协作，每个工厂只有一台批处理机，一台机器同一时间只能加工一个元器件，生产方式为连续批加工。
输入参数包括：待加工的元器件的数量n，分布在不同地理位置的参与高端装置生产的工厂的个数m，运输方式的种类C。
执行参数包括：包括最大迭代次数kmax，当前迭代次数k，种群规模Psize，自我认知系数c1，社会认知系数c2，感知修正系数c3，惯性权重w，粒子的初始速度v、初始位置x，以及随机参数r1、r2。令k＝1，ro＝rand()/(1+rand_Max)，o＝1，2。其中，rand()表示一个随机数，rand_Max表示随机数可能取到的最大值，ro表示的就是随机参数r1、r2。
需要说明的是，在具体实施过程中，程序中需设定每个元器件的正常加工时间pi，i＝1，2，...，n，学习效率α，每个运输批次的时间记为TTrc，每个运输批次的费用记为TCrc。
在一实施例中，S2、基于执行参数对输入参数进行编码，生成混合粒子群—变邻域搜索的种群。具体实施过程如下：
通过随机的方式生成种群P，获得Psize个粒子。第y个粒子的位置定义为
其中
表示第y个粒子第d维上的位置，表示该位置上的元器件被分配到工厂
进行生产。
在一实施例中，S3、对种群进行编码修正，消除不可行解。具体实施过程如下：
S301、设定参数l＝1；
S302、判断
是否成立，若成立，则令
否则，转步骤S303；
S303、判断
是否成立，若成立，则令
否则，转步骤S304；
S304、令
其中，round(x)表示对x四舍五入取整；
S305、判断l>n是否成立，若成立，则修正完成，否则，l＝l+1，转步骤S302。
在一实施例中，S4、将待生产的元器件分配到各生产工厂，对分配到各工厂的元器件进行组批生产，得到各工厂元器件生产的批次排序方案；选择生产批次的运输方案，根据生产批次方案、运输方案和适应度函数计算消除不可行解后的种群中每个粒子的适应度值。具体实施过程如下：
适应度函数表示如下：
其中，f表示适应度值，TC表示总运输费用，TT表示总运输时间，T表示总加工时间，h表示单位库存成本，di表示元器件i发运时间，ci表示元器件i的完工时间。
S401、将待生产的元器件分配到各生产工厂，具体包括：
S40101、将所有待加工的元器件按照正常加工时间由小到大排列，得到新的元器件序列J＝{J1，J2，J3，...，Jn}，令i＝1，r＝1；
S40102、将元器件Ji分配给工厂Mr，令i＝i+1，r＝r+1；
S40103、判断i≤n是否成立，若成立，则转步骤S40104，否则转步骤S40105；
S40104、判断r≤m是否成立，若成立，则转步骤S40102，否则令r＝1转步骤S40102；
S40105、计算分配到工厂Mr的nr个元器件对应的正常加工时间之和pr，r＝1，2，…,m，即未考虑到学习效应是，正常加工时间的累加和；
S40106、根据pr值由大到小的顺序将各工厂进行排列，得到工厂序列M＝(M1,M2,…,Mm)，令r＝1；
S40107、选择出工厂Mr处所有元器件中正常加工时间最大的元器件j'，工厂Mm-r+1处所有元器件中正常加工时间最小的元器件j”，交换两个元器件的生产工厂，令r＝r+1；
S40108、判断
是否成立，若成立，则转步骤S40107，否则元器件分配结束。
S402、对分配到各工厂的元器件进行组批生产。具体为：
S40201、对于工厂Mr处的nr个待加工元器件，首先根据其正常加工时间不减的顺序排列；
S40202、设定参数
表示工厂Mr处元器件加工批次数；
S40203、选择加工时间最小的元器件放入该批次中，直至该批次满批为止，令
直到所有元器件全部完成组批；
S40204、计算每个批次的累计加工时间Prp，将所有批次按照Prp值不增的顺序排列，得到各工厂元器件生产的批次排序方案。
S403、在得到各工厂元器件生产的批次排序方案之后，对运输方式的进行选择，具体包括：
S40301、将各种运输模式下运载工具的运输能力表示为
每批元器件的数量表示为
令参数r＝1,c＝1,p＝1，其中r表示第r个工厂，c表示第c种运输方式，p表示生产批次的序号；
S40302、判断r<R是否成立，若成立，则转步骤S40303、，否则转步骤S40306；
S40303、判断c<C是否成立，若成立，通过以下公式计算各工厂Mr使用运输工具c一次最多可以运输的生产批次Tranrc，否则转步骤S40305：
S40304、令c＝c+1，转步骤S40303；
S40305、令r＝r+1，转步骤S40302；
S40306、对于Tranrc个生产批次，将每个生产批次作为一个运输批次，或者将任意连续的生产批次作为一个运输批次，得到全部可能组合方式，并计算各运输方案的总成本TRC，选择总成本最小的方案进行元器件运输，得到运输方案。总成本TRC的计算公式如下：
S404、基于各工厂元器件生产的批次排序方案、运输方案和适应度函数计算每个粒子的适应度值。具体包括：
S40401、定义变量T、oproi，初始化i＝1,oproi＝0,T＝0；
S40402、依次把所有元器件的实际加工时间累加，并赋值给T，即
S40403、将所有运输批次的运输费用和运输时间分别累加，令总运输费用为TC，总运输时间TT，初始化TC＝0,TT＝0；
S40404、设定TCrc＝0，r＝1，2，...，R,c＝1，2，...，C。其中r表示第r个生产工厂，c表示运输方式c，TCrc表示一个运输批次在运输方式c下从工厂Mr运到指定地点需要的运输费用；
S40405、设定TTrc＝0，r＝1，2，...，R，c＝1，2，...，C。其中r表示第r个生产工厂，c表示运输方式c，TTrc表示一个运输批次在运输方式c下从工厂Mr运到指定地点需要的运输时间；
S40406、将TCrc累加并赋值给TC，将TTrc累加并赋值给TT；
S40407、根据元器件完工时间ci和发运时间di,按照下列公式计算元器件的库存成本hc。
hc＝h(di-ci)
其中h表示单位元器件单位库存成本。
S40408、按照适应度函数计算粒子的适应度值。
在一实施例中，S5、对适应度值排序得到适应度值最小的粒子，将其与当前的全局最优解gbest比较，若小于当前gbest，则更新gbest；否则，不更新。令k＝k+1。
S6、对全体种群执行变邻域搜索，更新粒子位置，计算粒子适应度值并更新全局最优解gbest。具体包括：
S601、定义邻域结构集合{Nq},q＝1,2,3，扰动算子{Ng},g＝1,2,3；
S602、在区间(1，n)内随机生成三个整数a，b，c；
S603、将各邻域结构、扰动算子定义如下：
N1：将粒子par'y上位置a和位置b的元素互换，其他保持不变，得到新的粒子par”y；
N2：将粒子par'y上位置a的元素插入到位置b之后，其他位置元素保持不变，得到一个新的粒子par”y；
N3：将粒子par'y上位置a和位置b之间的元素倒序排列，得到新的粒子par”y；
N1：将粒子pary上位置a和位置b之间的元素倒序排列，再将位置b和位置c之间的元素倒序排列得到新的粒子par'y；
N2：将粒子pary上位置a和位置b的元素互换，再将位置c的元素插入到位置b的元素之后，互换得到新的粒子par'y；
N3：将粒子pary上位置a和位置b之间的元素插入到位置a前面，再将位置b和位置c之间的元素插入到位置c之后，得到新的粒子par'y。
S604、令q＝1，g＝1，i＝1，初始解xy＝x0；
S605、判断g<3是否成立，若成立，则对x0执行扰动算子Nw，将随机得到的邻域解记为记为x'y，否则转步骤S609；
S606、判断q<3是否成立，若成立，则对x'y执行邻域操作N1，将得到的最优局部解记为x”y，否则转步骤S608；
S607、分别计算x'y和x”y对应粒子的适应度值，判断
是否成立，若成立，则x'y＝x”y，q＝1，否则q＝q+1。转步骤S606；
S608、计算xy对应粒子的适应度值，判断
是否成立，若成立，则xy＝x”y，g＝1，否则g＝g+1。转步骤S605；
S609、令y＝y+1，判断y<Psize是否成立，若成立，则转步骤S605，否则结束变邻域搜索。
S6010、计算更新后的粒子的适应度值并更新全局最优解gbest。在一实施例中，S7、判断k≥kmax是否成立，若成立，算法终止，输出步骤S6中的全局最优解gbest及其对应的粒子；若不成立，执行步骤S8。
在一实施例中，S8、根据速度更新公式更新每个粒子的速度，速度更新公式为
其中vy(k)表示粒子y第k代的速度，xp、xg、xk分别表示当前的局部最优解、全局最优解、粒子y第k代的位置。xp表示粒子x在第1代到第k代的迭代过程中，其本身搜索到的最优位置所对应的编码，xg表示gbest所对应的编码。
在一实施例中，S9、根据位置更新公式更新每个粒子的位置，位置更新公式为xy(k+1)＝xy(k)+δvy(k+1)，其中，
fy表示粒子y的适应度值，Fmax表示当代种群最大应度值，Favg表示当代种群平均适应度值。
在一实施例中，S10、执行选择操作，得到三个子种群Pselect、Ptop和Prest，Pselect的种群规模为selectsize，Ptop的种群规模为topsize。具体实施过程如下：
S1001、将所有粒子按照适应度值由小到大排列，并选择前topsize个粒子组成子种群Ptop；
S1002、设定参数index，len，τ，初始化index＝topsize+1，
τ＝0；
S1003、在第index个粒子和第index+len个粒子之间，随机选择一个粒子推入子种群Pselect。τ＝τ+1，index＝index+len；
S1004、若τ<selectsize，则转步骤S1003；否则，转步骤S1005；
S1005、将未选入子种群Ptop和Pselect的粒子组成另一个子种群Prest。
在一实施例中，S11、对选择种群Pselect进行伯努利交叉，更新种群Pselect。具体包括：
S1101、设定参数p1，t，交叉概率pc，初始化p1＝0.6，t＝0；
S1102、将通过选择操作得到的粒子再次计算适应度值，记作
S1103、随机生成一个n维的数列Rn＝(r1，r2，...，rd，...，rn)，rd＝rand(0，1)，其中，rand(0，1)表示0到1之间的随机数；
S1104、从Pselect中随机选出两个未交叉的父代粒子par1、par2，若
均大于Favg，则交叉概率pc为1.2p1；若
均小于Favg，则交叉概率pc为0.8p1；否则pc为p1。其中，Favg表示当代粒子群的平均适应度值；
S1105、若ri≤pc，则par1、par2第i维数值发生交换；否则，不交换。t＝t+2；
S1106、判断t<selectsize是否成立，若成立且selectsize-t≥2，则执行步骤S1103，否则，执行步骤S1107；
S1107、返回更新后的当前种群作为新的Pselect。
本发明实施例中的伯努利交叉，在常规的伯努利交叉基础之上进行了一些改进，主要体现在交叉概率pc的设置上，常规的情况pc是固定的，在本发明实施例中pc是变化的。改进可能带来的好处：
(1)当两个粒子的质量都比较差时(适应度值大)，进行交叉的概率就大，有可能得到更优解；
(2)当两个粒子的质量都比较好时(适应度值小)，进行交叉的概率就小，粒子受到的扰动小；
(3)其他情况下，交叉概率为常规值。
S12、从种群Prest中随机选出Psize-(selectsize+topsize)个粒子，将其和种群Pselect、Ptop相结合组成新的种群Pnew，种群规模不变仍为Psize，转步骤S3。
本发明实施例还提供一种面向高端装备分布式制造与多模式运输的协同调度系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述方法的步骤。
可理解的是，本发明实施例提供的上述面向高端装备分布式制造与多模式运输的协同调度系统与上述面向高端装备分布式制造与多模式运输的协同调度方法相对应，其有关内容的解释、举例、有益效果等部分可以参考面向高端装备分布式制造与多模式运输的协同调度方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明实施例将分布式制造、学习效应、多运输模式和生产运输协同结合起来，在经典的生产运输协同问题中考虑了分布在不同位置的工厂生产过程中的学习效应和运输过程的多种运输方式。使得研究内容更加接近实际生产环境，得到的调度方案的适应性得到提高。
2、本发明实施例将待生产的元器件分配到各生产工厂，对分配到各工厂的元器件进行组批生产，得到各工厂组批生产元器件的生产批次方案；选择生产批次的运输方案，根据生产批次方案、运输方案和适应度函数计算消除不可行解后的种群中每个粒子的适应度值，实现最少完工时间、运输费用及库存成本之和作为优化目标，用所提出的方法有效地缩短了元器件的制造周期，降低了企业的生产成本，提高了生产效率。
3、本发明实施例的混合粒子群—变邻域搜索算法，在原有的标准粒子群算法基础上加入了多种邻域结构，使得算法同时具有良好的全局搜索能力和局部优化能力，有效地保证了优化结果的质量和求解的效率。通过该算法，有效地解决了分布式制造与多运输模式下生产运输协同问题，缩短了元器件的制造周期，提高了生产效率和综合效益。
4、本发明实施例使用变邻域搜索算法和遗传算子改进粒子群算法，使得种群在迭代过程中始终保持良好的多样性，避免了单一算法的局限性。在加快搜索速度的同时，也保证了有效的全局搜索和局部搜索能力，提高了问题的求解质量。
需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种面向高端装备分布式制造与多模式运输的协同调度方法，其特征在于，包括：
S1、获取协同调度任务数据，基于协同调度任务数据设定算法的输入参数；设定混合粒子群-变邻域搜索算法的执行参数；所述执行参数包括：最大迭代次数kmax，当前迭代次数k，种群规模Psize，
S2、基于执行参数对输入参数进行编码，生成混合粒子群-变邻域搜索的种群；
S3、对种群进行编码修正，消除不可行解；
S4、将待生产的元器件分配到各生产工厂，对分配到各工厂的元器件进行组批生产，得到各工厂组批生产元器件的生产批次方案；选择生产批次的运输方案，根据生产批次方案、运输方案和适应度函数计算消除不可行解后的种群中每个粒子的适应度值；
S5、对适应度值排序得到适应度值最小的粒子，将其与当前的全局最优解gbest比较，若小于当前gbest，则更新gbest；否则，不更新；令k＝k+1；
S6、对全体种群执行变邻域搜索，更新粒子位置，计算粒子适应度值并更新全局最优解gbest；
S7、判断k≥kmax是否成立，若成立，算法终止，输出步骤S6中的全局最优解gbest及其对应的粒子；若不成立，执行步骤S8；
S8、根据速度更新公式更新每个粒子的速度；
S9、根据位置更新公式更新每个粒子的位置；
S10、执行选择操作，得到三个子种群Pselect、Ptop和Prest，Pselect的种群规模为selectsize，Ptop的种群规模为topsize；
S11、对选择种群Pselect进行伯努利交叉，更新种群Pselect；
S12、从种群Prest中随机选出Psize-(selectsize+topsize)个粒子，将其和种群Pselect、Ptop相结合组成新的种群Pnew，种群规模不变仍为Psize，转步骤S3。
2.如权利要求1所述的面向高端装备分布式制造与多模式运输的协同调度方法，其特征在于，
所述输入参数包括：待加工的元器件的数量n，分布在不同地理位置的参与高端装置生产的工厂的个数m，运输方式的种类C；
所述执行参数还包括：自我认知系数c1，社会认知系数c2，感知修正系数c3，惯性权重w，粒子的初始速度v，初始位置x，以及随机参数r1、r2，令k＝1，ro＝rand()/(1+rand_Max)，o＝1，2，其中，rand()表示一个随机数，rand_Max表示随机数可能取到的最大值，ro表示的就是随机参数r1、r2。
3.如权利要求2所述的面向高端装备分布式制造与多模式运输的协同调度方法，其特征在于，所述基于执行参数对输入参数进行编码，生成混合粒子群-变邻域搜索的种群，包括：
通过随机的方式生成种群P，获得Psize个粒子，第y个粒子的位置定义为
其中
表示第y个粒子第d维上的位置，表示该位置上的元器件被分配到工厂
进行生产。
4.如权利要求2所述的面向高端装备分布式制造与多模式运输的协同调度方法，其特征在于，所述进行编码修正，消除不可行解，包括：
S301、设定参数l＝1；
S302、判断
是否成立，若成立，则令
否则，转步骤S303；
S303、判断
是否成立，若成立，则令
否则，转步骤S304；
S304、令
其中，round(x)表示对x四舍五入取整；
S305、判断l＞n是否成立，若成立，则修正完成，否则，l＝l+1，转步骤S302。
5.如权利要求3所述的面向高端装备分布式制造与多模式运输的协同调度方法，其特征在于，所述将待生产的元器件分配到各生产工厂，对分配到各工厂的元器件进行组批生产，得到各工厂元器件生产的批次排序方案；选择生产批次的运输方案，根据生产批次方案、运输方案和适应度函数计算消除不可行解后的种群中每个粒子的适应度值，包括：
S401、将待生产的元器件分配到各生产工厂，具体包括：
S40101、将所有待加工的元器件按照正常加工时间由小到大排列，得到新的元器件序列J＝{J1，J2，J3，...，Jn}，令i＝1，r＝1；
S40102、将元器件Ji分配给工厂Mr，令i＝i+1，r＝r+1；
S40103、判断i≤n是否成立，若成立，则转步骤S40104，否则转步骤S40105；
S40104、判断r≤m是否成立，若成立，则转步骤S40102，否则令r＝1转步骤S40102；
S40105、计算分配到工厂Mr的nr个元器件对应的正常加工时间之和pr，r＝1，2，...，m，即未考虑到学习效应是，正常加工时间的累加和；
S40106、根据pr值由大到小的顺序将各工厂进行排列，得到工厂序列M＝(M1，M2，...，Mm)，令r＝1；
S40107、选择出工厂Mr处所有元器件中正常加工时间最大的元器件j′，工厂Mm-r+1处所有元器件中正常加工时间最小的元器件j″，交换两个元器件的生产工厂，令r＝r+1；
S40108、判断
是否成立，若成立，则转步骤S40107，否则元器件分配结束；
S402、对分配到各工厂的元器件进行组批生产，具体为：
S40201、对于工厂Mr处的nr个待加工元器件，首先根据其正常加工时间不减的顺序排列；
S40202、设定参数
表示工厂Mr处元器件加工批次数；
S40203、选择加工时间最小的元器件放入该批次中，直至该批次满批为止，令
直到所有元器件全部完成组批；
S40204、计算每个批次的累计加工时间Prp，将所有批次按照Prp值不增的顺序排列，得到各工厂元器件生产的批次排序方案；
S403、在得到各工厂元器件生产的批次排序方案之后，对运输方式的进行选择，具体包括：
S40301、将各种运输模式下运载工具的运输能力表示为
每批元器件的数量表示为
令参数r＝1，c＝1，p＝1，其中r表示第r个工厂，c表示第c种运输方式，p表示生产批次的序号；
S40302、判断r＜R是否成立，若成立，则转步骤S40303、，否则转步骤S40306；
S40303、判断c＜C是否成立，若成立，通过以下公式计算各工厂Mr使用运输工具c一次最多可以运输的生产批次Tranrc，否则转步骤S40305：
S40304、令c＝c+1，转步骤S40303；
S40305、令r＝r+1，转步骤S40302；
S40306、对于Tranrc个生产批次，将每个生产批次作为一个运输批次，或者将任意连续的生产批次做为一个运输批次，得到全部可能组合方式，并计算各运输方案的总成本TRC，选择总成本最小的方案进行元器件运输，得到运输方案，总成本TRC的计算公式如下：
S404、基于各工厂元器件生产的批次排序方案、运输方案和适应度函数计算每个粒子的适应度值，具体包括：
S40401、定义变量T、oproi，初始化i＝1，oproi＝0，T＝0；
S40402、依次把所有元器件的实际加工时间累加，并赋值给T，即
S40403、将所有运输批次的运输费用和运输时间分别累加，令总运输费用为TC，总运输时间TT，初始化TC＝0，TT＝0；
S40404、设定TCrc＝0，r＝1，2，...，R，c＝1，2，...，C，其中r表示第r个生产工厂，c表示运输方式c，TCrc表示一个运输批次在运输方式c下从工厂Mr运到指定地点需要的运输费用；
S40405、设定TTrc＝0，r＝1，2，...，R，c＝1，2，...，C，其中r表示第r个生产工厂，c表示运输方式c，TTrc表示一个运输批次在运输方式c下从工厂Mr运到指定地点需要的运输时间；
S40406、将TCrc累加并赋值给TC，将TTrc累加并赋值给TT；
S40407、根据元器件完工时间ci和发运时间di，按照下列公式计算元器件的库存成本hc；
hc＝h(di-ci)
其中h表示单位元器件单位库存成本；
S40408、按照适应度函数计算粒子的适应度值；适应度函数表示如下：
其中，f表示适应度值，TC表示总运输费用，TT表示总运输时间，T表示总加工时间，h表示单位库存成本，di表示元器件i发运时间，ci表示元器件i的完工时间。
6.如权利要求3所述的面向高端装备分布式制造与多模式运输的协同调度方法，其特征在于，所述对全体种群执行变邻域搜索，更新粒子的位置，包括：
S601、定义邻域结构集合{Nq}，q＝1，2，3，扰动算子{Ng}，g＝1，2，3；
S602、在区间(1，n)内随机生成三个整数a，b，c；
S603、将各邻域结构、扰动算子定义如下：
N1：将粒子par′y上位置a和位置b的元素互换，其他保持不变，得到新的粒子par″y；
N2：将粒子par′y上位置a的元素插入到位置b之后，其他位置元素保持不变，得到一个新的粒子par″y；
N3：将粒子par′y上位置a和位置b之间的元素倒序排列，得到新的粒子par″y；
N1：将粒子pary上位置a和位置b之间的元素倒序排列，再将位置b和位置c之间的元素倒序排列得到新的粒子par′y；
N2：将粒子pary上位置a和位置b的元素互换，再将位置c的元素插入到位置b的元素之后，互换得到新的粒子par′y；
N3：将粒子pary上位置a和位置b之间的元素插入到位置a前面，再将位置b和位置c之间的元素插入到位置c之后，得到新的粒子par′y；
S604、令q＝1，g＝1，i＝1，初始解xy＝x0；
S605、判断g＜3是否成立，若成立，则对x0执行扰动算子Nw，将随机得到的邻域解记为记为x′y，否则转步骤S609；
S606、判断q＜3是否成立，若成立，则对x′y执行邻域操作N1，将得到的最优局部解记为x″y，否则转步骤S608；
S607、分别计算x′y和x″y对应粒子的适应度值，判断
是否成立，若成立，则x′y＝x″y，q＝1，否则q＝q+1，转步骤S606；
S608、计算xy对应粒子的适应度值，判断
是否成立，若成立，则xy＝x″y，g＝1，否则g＝g+1，转步骤S605；
S609、令y＝y+1，判断y＜Psize是否成立，若成立，则转步骤S605，否则结束变邻域搜索。
7.如权利要求3所述的面向高端装备分布式制造与多模式运输的协同调度方法，其特征在于，
所述速度更新公式为
其中vy(k)表示粒子y第k代的速度，xp、xg、xk分别表示当前的局部最优解、全局最优解、粒子y第k代的位置，xp表示粒子x在第1代到第k代的迭代过程中，其本身搜索到的最优位置所对应的编码，xg表示gbest所对应的编码；
所述位置更新公式为xy(k+1)＝xy(k)+δvy(k+1)，其中，
fy表示粒子y的适应度值，Fmax表示当代种群最大应度值，Favg表示当代种群平均适应度值。
8.如权利要求3所述的面向高端装备分布式制造与多模式运输的协同调度方法，其特征在于，所述执行选择操作，得到三个子种群Pselect、Ptop和Prest，Pselect的种群规模为selectsize，Ptop的种群规模为topsize，包括：
S1001、将所有粒子按照适应度值由小到大排列，并选择前topsize个粒子组成子种群Ptop；
S1002、设定参数index，len，τ，初始化index＝topsize+1，
τ＝0；
S1003、在第index个粒子和第index+len个粒子之间，随机选择一个粒子推入子种群Pselect，τ＝τ+1，index＝index+len；
S1004、若τ＜selectsize，则转步骤S1003；否则，转步骤S1005；
S1005、将未选入子种群Ptop和Pselect的粒子组成另一个子种群Prest。
9.如权利要求8所述的面向高端装备分布式制造与多模式运输的协同调度方法，其特征在于，对选择种群Pselect进行伯努利交叉，更新种群Pselect，包括：
S1101、设定参数p1，t，交叉概率pc，初始化p1＝0.6，t＝0；
S1102、将通过选择操作得到的粒子再次计算适应度值，记作
S1103、随机生成一个n维的数列Rn＝(r1，r2，...，rd，...，rn)，rd＝rand(0，1)，其中，rand(0，1)表示0到1之间的随机数；
S1104、从Pselect中随机选出两个未交叉的父代粒子par1、par2，若
均大于Favg，则交叉概率pc为1.2p1；若
均小于Favg，则交叉概率pc为0.8p1；否则pc为p1；其中，Favg表示当代粒子群的平均适应度值；
S1105、若ri≤pc，则par1、par2第i维数值发生交换；否则，不交换；t＝t+2；
S1106、判断t＜selectsize是否成立，若成立且selectsize-t≥2，则执行步骤S1103，否则，执行步骤S1107；
S1107、返回更新后的当前种群作为新的Pselect。
10.一种面向高端装备分布式制造与多模式运输的协同调度系统，包括存储器、处理器以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计算机程序时实现上述权利要求1至9任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110310818.3A CN113128839B (zh) | 2021-03-23 | 2021-03-23 | 面向高端装备分布式制造与多模式运输的协同调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110310818.3A CN113128839B (zh) | 2021-03-23 | 2021-03-23 | 面向高端装备分布式制造与多模式运输的协同调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113128839A true CN113128839A (zh) | 2021-07-16 |
| CN113128839B CN113128839B (zh) | 2022-09-30 |
Family
ID=76773879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110310818.3A Active CN113128839B (zh) | 2021-03-23 | 2021-03-23 | 面向高端装备分布式制造与多模式运输的协同调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113128839B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358661A (zh) * | 2022-03-10 | 2022-04-15 | 电子科技大学长三角研究院(湖州) | 基于金字塔变种群演化的共享巴士调度方法 |
| CN115081755A (zh) * | 2022-08-19 | 2022-09-20 | 合肥工业大学 | 基于变邻域搜索算法的生产与维修协同调度方法和系统 |
| CN116976653A (zh) * | 2023-09-25 | 2023-10-31 | 成都芯极客科技有限公司 | 一种基于mes系统的多工厂产能协调方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120029963A1 (en) * | 2010-07-31 | 2012-02-02 | Txteagle Inc. | Automated Management of Tasks and Workers in a Distributed Workforce |
| CN107392402A (zh) * | 2017-09-11 | 2017-11-24 | 合肥工业大学 | 基于改进禁忌搜索算法的生产运输协同调度方法及系统 |
| CN110851272A (zh) * | 2019-10-30 | 2020-02-28 | 内蒙古农业大学 | 基于吞噬的粒子群遗传混合算法的云任务调度方法 |
| US20200201282A1 (en) * | 2017-06-26 | 2020-06-25 | Jiangnan University | Energy consumption prediction system and method based on the decision tree for CNC lathe turning |
-
2021
- 2021-03-23 CN CN202110310818.3A patent/CN113128839B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120029963A1 (en) * | 2010-07-31 | 2012-02-02 | Txteagle Inc. | Automated Management of Tasks and Workers in a Distributed Workforce |
| US20200201282A1 (en) * | 2017-06-26 | 2020-06-25 | Jiangnan University | Energy consumption prediction system and method based on the decision tree for CNC lathe turning |
| CN107392402A (zh) * | 2017-09-11 | 2017-11-24 | 合肥工业大学 | 基于改进禁忌搜索算法的生产运输协同调度方法及系统 |
| CN110851272A (zh) * | 2019-10-30 | 2020-02-28 | 内蒙古农业大学 | 基于吞噬的粒子群遗传混合算法的云任务调度方法 |
Non-Patent Citations (3)
| Title |
|---|
| AHMED R. SADIK等: "Optimization of tasks scheduling in cooperative robotics manufacturing via johnson"s algorithm case-study: One collaborative robot in cooperation with two workers", 《2017 IEEE CONFERENCE ON SYSTEMS, PROCESS AND CONTROL (ICSPC)》 * |
| 薛梅等: "批处理机环境下生产与两阶段运输协同调度问题研究", 《中国管理科学》 * |
| 裴军等: "基于生产与运输集成的供应链调度优化问题", 《中国管理科学》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114358661A (zh) * | 2022-03-10 | 2022-04-15 | 电子科技大学长三角研究院(湖州) | 基于金字塔变种群演化的共享巴士调度方法 |
| CN115081755A (zh) * | 2022-08-19 | 2022-09-20 | 合肥工业大学 | 基于变邻域搜索算法的生产与维修协同调度方法和系统 |
| CN115081755B (zh) * | 2022-08-19 | 2022-12-09 | 合肥工业大学 | 基于变邻域搜索算法的生产与维修协同调度方法和系统 |
| CN116976653A (zh) * | 2023-09-25 | 2023-10-31 | 成都芯极客科技有限公司 | 一种基于mes系统的多工厂产能协调方法 |
| CN116976653B (zh) * | 2023-09-25 | 2023-12-05 | 成都芯极客科技有限公司 | 一种基于mes系统的多工厂产能协调方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113128839B (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113128839B (zh) | 面向高端装备分布式制造与多模式运输的协同调度方法 | |
| Shahvari et al. | Hybrid flow shop batching and scheduling with a bi-criteria objective | |
| Devapriya et al. | Integrated production and distribution scheduling with a perishable product | |
| Hyun et al. | A genetic algorithm for multiple objective sequencing problems in mixed model assembly lines | |
| Liu et al. | Novel multi-objective resource allocation and activity scheduling for fourth party logistics | |
| Chaudhry et al. | Minimizing total tardiness for the machine scheduling and worker assignment problems in identical parallel machines using genetic algorithms | |
| Wu et al. | An effective approach for the dual-resource flexible job shop scheduling problem considering loading and unloading | |
| CN109165808B (zh) | 一种电力通信网现场运维工单派发方法 | |
| CN110046777B (zh) | 一种柔性作业车间持续重构调度方法及装置 | |
| Dang et al. | Scheduling of mobile robots for transportation and manufacturing tasks | |
| CN110322066B (zh) | 一种基于共享承运人和共享仓库的协同车辆路径优化方法 | |
| CN111898221A (zh) | 选址方法、装置及计算机可读存储介质 | |
| Shang et al. | Spatial scheduling optimization algorithm for block assembly in shipbuilding | |
| CN116720642A (zh) | 车辆与无人机协同配送的路径优化方法和系统 | |
| CN114611755A (zh) | 基于混合元启发式算法的旅行商最优路径确定方法 | |
| CN112100899A (zh) | 卷烟辅料调度的agv多线程作业全局优化方法 | |
| CN112631612B (zh) | 一种基于遗传算法的kubernetes云平台配置的优化方法 | |
| Hendizadeh et al. | Bi-criteria scheduling of a flowshop manufacturing cell with sequence dependent setup times | |
| CN110867224B (zh) | 用于大规模脑病历分割的多粒度Spark超信任模糊方法 | |
| Zhang et al. | Combining extended imperialist competitive algorithm with a genetic algorithm to solve the distributed integration of process planning and scheduling problem | |
| CN112884370B (zh) | 考虑订单插单的高端装备研制过程多项目重调度方法及系统 | |
| CN113220437A (zh) | 一种工作流多目标调度方法及装置 | |
| Dao et al. | An innovative GA for optimisation of integrated manufacturing–transportation scheduling in VCIM systems | |
| CN112506644A (zh) | 基于云边端混合计算模式系统的任务调度方法和系统 | |
| CN110689320A (zh) | 一种基于协同进化算法的大规模多目标项目调度方法 |
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 |