CN113139720A - 一种具有学习效应的铸造车间生产调度优化方法 - Google Patents
一种具有学习效应的铸造车间生产调度优化方法 Download PDFInfo
- Publication number
- CN113139720A CN113139720A CN202110416585.5A CN202110416585A CN113139720A CN 113139720 A CN113139720 A CN 113139720A CN 202110416585 A CN202110416585 A CN 202110416585A CN 113139720 A CN113139720 A CN 113139720A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- time
- processing
- batch
- population
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005266 casting Methods 0.000 title claims abstract description 74
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 39
- 230000000694 effects Effects 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 99
- 241000282461 Canis lupus Species 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000003723 Smelting Methods 0.000 claims description 56
- 239000000463 material Substances 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 25
- 239000000956 alloy Substances 0.000 claims description 22
- 238000002844 melting Methods 0.000 claims description 18
- 230000008018 melting Effects 0.000 claims description 18
- 229910045601 alloy Inorganic materials 0.000 claims description 16
- 238000003754 machining Methods 0.000 claims description 12
- 238000005406 washing Methods 0.000 claims description 9
- 238000000465 moulding Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 239000003973 paint Substances 0.000 claims description 6
- 238000005498 polishing Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000005507 spraying Methods 0.000 claims description 6
- 238000003466 welding Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 5
- 238000013468 resource allocation Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010923 batch production Methods 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 230000009191 jumping Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000003780 insertion Methods 0.000 abstract description 10
- 230000037431 insertion Effects 0.000 abstract description 9
- 238000009472 formulation Methods 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003110 molding sand Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000007528 sand casting Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06314—Calendaring for a resource
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
本发明公开了一种具有学习效应的铸造车间生产调度优化方法,分别构建了不同容量平行机下差异工件的铸造前阶段批调度模型和学习效应下铸造后阶段柔性流水车间调度模型以及基于学习效应理论的相似工件加工时间计算模型。在铸造前阶段,通过改进分布估计算法,在铸造后阶段,通过改进灰狼优化算法。中小型铸造企业具有产品种类繁多、工艺路线长、自动化生产水平低等缺陷。本发明自上而下对算法的个体编解码。种群初始化、种群的更新方式、种群最优个体解的更新等全面改进实现对最小化完工时间约束下的铸造车间问题的求解,同时引入插入操作的局部搜索和停滞代数的调整策略,使得铸造生产调度方案的制定更加科学、合理。
Description
技术领域
本发明属于计算机技术领域,涉及一种在学习效应下铸造前阶段和铸造后阶 段最小化完工时间的调度方法,具体涉及一种基于改进分布估计算法和灰狼优化 算法及基于相似理论的工件相似度计算模型的具有学习效应的铸造车间生产调 度优化方法。
技术背景
为了规划铸造企业发展方向,中国机械工程学会铸造分会编制了铸造行业技 术发展规划纲要,纲要中针对我国铸造行业产品竞争力低以及生产过程信息化监 控管理水平低的现状提出了精细化管理的发展思路。通过对典型铸造企业的精细 化管理分析,发现主要存在以下问题:
(1)我国铸造企业大多为中小型企业,其自动化程度低,大多为劳动密集 性企业。由于铸造生产品种繁多、工艺流程长、自动化程度低和件批耦合生产等 特性,导致传统车间调度问题研究成果无法适用于铸造车间,铸造车间调度方案 的制定大多依赖于调度员的经验。
(2)当交货时间紧急、订单量大、参与调度资源数多时,依据调度员经验 制定的调度方案可能会导致生产周期长、生产效率低和资源利用率低等问题。
铸造作为一个资源和能源消耗密集型产业,其迫切渴望能够寻求一个有效的 生产调度方案以显著缩短生产周期,提高生产效率。
发明内容
针对大多数调度方案未考虑学习效应,本发明通过相似理论的研究,构建了 相似工件在生产过程中的所耗时间的计算模型,提出了一种基于改进分布估计算 法和灰狼优化算法及基于相似理论的工件相似度计算模型的具有学习效应的铸 造车间生产调度优化方法;在调度生产过程中,对批次进行解耦,将工件生产阶 段分为前阶段和后阶段,在前阶段通过改进分布估计算法,使得熔炼工序中的设 备利用率更高和最小化熔炼时间;在后阶段通过改进灰狼算法,精确到最优解, 从而达到最小化最大完工时间。
本发明的方法所采用的技术方案是:一种具有学习效应的铸造车间生产调度 优化方法,包括造型、熔炼、浇注、落砂、清理、焊补、打磨、精修和喷漆工序; 所述造型、熔炼和浇注工序为批加工工序,所述落砂、清理、焊补、打磨、精修 和喷漆工序为单件加工工序;
其特征在于,所述方法包括以下步骤:
步骤1:构建不同容量平行机下差异工件的铸造前阶段调度模型;
所述铸造前阶段中包含造型、熔炼和浇注三个批处理工序;将N个同时投 放的来自F个不同材质的铸件组批到L台熔炼炉上熔炼,只有材质相同的铸件 才能组批,铸件的最终组批数量只有铸件组批完毕后才能确定;每个铸件的重量 不一定相同,铸件i的重量为si;每个熔炼炉的容量各不相同,熔炼炉m的最大 容量为Cm;熔炼时间由准备时间和加工时间组成,其中加工时间与熔炼批合金 质量和合金材质有关,不同材质熔炼任务批在同一熔炼炉前后加工时存在洗炉时 间;所述铸造前阶段调度模型优化目标为最小化最大完工时间C1 max;
所述模型包括以下原则:(1)每个工件只属于一个任务批,每个任务批只能 在一个熔炼炉上加工;(2)任务批一旦开始加工不能中断,不同增加或移除工件; (3)每个工件重量不能超过最大熔炼炉最大容量;(4)每个任务批所需合金重 量不能超过所选熔炼炉最大容量;
所述模型包括以下参数:工件编号i,k;i,k=1,…,N;材质编号h,l;h,l=1,…,F;任务批编号b,d;b,d=1,…,B;熔炼炉号m,m=1,…,L;工件i的理论重 量si;工件i的材质Ii,Ii∈h;任务批b的合金重量sb;任务批b的铸件材质Ib, Ib∈h;熔炼炉m的最大容量Cm;熔炼炉m的准备时间Tm;任务批b在熔炼炉 m上的熔炼时间Pbm;合金h,l在熔炼炉m上的洗炉调整时间Thlm;合金h在熔 炼炉m上的熔炼速率Rhm;任务批b的完工时间C1 b;任务批b中的工件i的完 工时间C1ib;前阶段最大完工时间C1 max;合金h、l间洗炉调整系数αhl;正数P, P>F;
所述模型包括以下变量:任务批b在熔炼炉m上的开工时间STbm;Xib:0-1 变量,表示铸件i是否被分配到任务批b;Ybm:0-1变量,表示任务批b是否在 熔炼炉m中生产;Zbdm:0-1变量,表示在熔炼炉m中任务批d是否在任务批b 后被加工;
所述模型的目标函数为最小化最大完工时间:
所述模型的约束条件:
步骤2:构建基于学习效应理论的相似工件加工时间计算模型;
在铸造后阶段,设现有n个工件组成的工件集J={1,2,…,n}和m个加工资 源组成的加工资源集M={1,2,…,m}参与调度,制定最佳调度方案以最小化最大 完工时间C2 max;n个工件具有相同的加工工艺路线但并不同时投放,工件Ji的 释放时间为ri;每个加工资源在获得最佳的C1 max时,也得到了前阶段的各任务 批完工时间C1 b和任务批中各工件的完工时间C1 ib;每一个任务批b中的所有工 件的释放时间为ri,ri=C1 ib;每个加工资源在同一时间只能加工一个工件且每道 工序一旦开始加工不能中断,加工过程中受员工学习效应的影响,工件的实际加 工时间并不一定等于其理论加工时间;
所述模型包括工件相似的5个特征,分别为工件类别、工件材质、工件尺寸、 工件拓扑结构和工件加工时间;
其中,gi(Mia,Mib)=min(Mia,Mib)/max(Mia,Mib)表示第i个尺寸参数的相似函数,工件a和b的尺寸参数分别为Mia和Mib;
假设工件a的形状特征数和拓扑关系数分别为Af和Ar,工件b的形状特征 数和拓扑关系数分别为Bf和Br,工件a和工件b相对应的形状特征数为p,工件 a和工件b相对应的拓扑关系数为q;
其中,P=Af+Bf–p,Q=Ar+Br–q,fi为对应形状特征类型的相似属性值,rj为对应拓扑关系的相似属性值,fi=rj=1;αi为形状特征的相似系数,若属于相同 形状类型,αi=1;否则,αi为所有形状特征类型数的倒数;βj为拓扑关系的相似 系数,其取值与αi同理;
所述模型其中,Ci为加工工件i的实际加工时间;Ti为加工工件i的理论加工时间;b为学习指数,b=lgr/lg2≤0,r为学习率;S(j,i) 为工件j和工件i间的相似度,n为相似元特征数目,di为相似特征i所占权重,ri(a,b)为工件a和b在相似特征i下的相似度值;β为截 断学习效应控制参数,0<β<1;
所述模型采用层次分析法进行工件特征权重分配;
步骤3:利用步骤1中构建的不同容量平行机下差异工件的铸造前阶段调度 模型,获得第1阶段的工件加工顺序,按加工顺序依次分配加工资源,对铸造前 阶段进行批生产调度;
本发明从铸造生产过程的资源分配与任务调度层切入,对整个铸造生产过程 进行精细化资源分配管理,合理的利用现有的资源最大化产能利用率,使调度方 案的制定更加合理、科学而不依赖于员工经验。同时,生成的生产调度方法能够 明确每台机器每个工人的生产职责,确保整个生产过程高效、有序地运行。
附图说明
图1为本发明实施例的流程图。
图2为本发明实施例中最小化最大完工时间C1 max的计算流程图。
图3为本发明实施例中改进灰狼优化算法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对 本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解 释本发明,并不用于限定本发明。
经典车间调度问题中,各工序的加工资源加工时间是确定不变的,而对于自 动化程度不高的车间,其工序可能由工人操作机器加工或工人手工加工。随着工 人加工经验的积累和熟练度的提高或机器加工情况的改善,工件的实际加工时间 会逐渐缩短,会使得工件实际生产与理论生产时间差距较大。
某批次所需生产的铸件种类和数量确定时,砂型铸造生产的连续工艺工部即 混砂工部所需配制的型砂和芯砂的吨量确定,熔炼工部所需熔炼的合金种类和吨 量确定。当连续工艺工部的设备利用率和生产技术水平保持稳定的前提下,随着 工人对生产工件经验的积累,单位时间生产工件的数量是递增的,以往的调度方 案未考虑。
改进的分布估计算法考虑到传统的非线性规划方法在生产调度方案中难以 精确最优解,往往只能研究其近似解,在原有的分布估计算法上增加了最优解是 否L次未更新判断,从而跳出陷入局部最优解的困境。改进的灰狼算法考虑到 原有的灰狼算法计算出的最优解本质上是由最优的三个候选解α、β和δ狼主导, 导致GWO往往倾向于早熟收敛,陷入局部最优。
请见图1,本发明提供的一种具有学习效应的铸造车间生产调度优化方法, 包括造型、熔炼、浇注、落砂、清理、焊补、打磨、精修和喷漆工序;造型、熔 炼和浇注工序为批加工工序,落砂、清理、焊补、打磨、精修和喷漆工序为单件 加工工序;
方法包括以下步骤:
步骤1:构建不同容量平行机下差异工件的铸造前阶段调度模型;
铸造前阶段中包含造型、熔炼和浇注三个批处理工序;将N个同时投放的 来自F个不同材质的铸件组批到L台熔炼炉上熔炼,只有材质相同的铸件才能 组批,铸件的最终组批数量只有铸件组批完毕后才能确定;每个铸件的重量不一 定相同,铸件i的重量为si;每个熔炼炉的容量各不相同,熔炼炉m的最大容量 为Cm;熔炼时间由准备时间和加工时间组成,其中加工时间与熔炼批合金质量 和合金材质有关,不同材质熔炼任务批在同一熔炼炉前后加工时存在洗炉时间; 铸造前阶段调度模型优化目标为最小化最大完工时间C1 max;
模型包括以下原则:(1)每个工件只属于一个任务批,每个任务批只能在一 个熔炼炉上加工;(2)任务批一旦开始加工不能中断,不同增加或移除工件;(3) 每个工件重量不能超过最大熔炼炉最大容量;(4)每个任务批所需合金重量不能 超过所选熔炼炉最大容量;
模型包括以下参数:工件编号i,k;i,k=1,…,N;材质编号h,l;h,l=1,…, F;任务批编号b,d;b,d=1,…,B;熔炼炉号m,m=1,…,L;工件i的理论重 量si;工件i的材质Ii,Ii∈h;任务批b的合金重量sb;任务批b的铸件材质Ib, Ib∈h;熔炼炉m的最大容量Cm;熔炼炉m的准备时间Tm;任务批b在熔炼炉 m上的熔炼时间Pbm;合金h,l在熔炼炉m上的洗炉调整时间Thlm;合金h在熔 炼炉m上的熔炼速率Rhm;任务批b的完工时间C1 b;任务批b中的工件i的完工时间C1ib;前阶段最大完工时间C1 max;合金h、l间洗炉调整系数αhl;正数P, P>F;
模型包括以下变量:任务批b在熔炼炉m上的开工时间STbm;Xib:0-1变量, 表示铸件i是否被分配到任务批b;Ybm:0-1变量,表示任务批b是否在熔炼炉 m中生产;Zbdm:0-1变量,表示在熔炼炉m中任务批d是否在任务批b后被加 工;
模型的目标函数为最小化最大完工时间:
模型的约束条件:
步骤2:构建基于学习效应理论的相似工件加工时间计算模型;
在铸造后阶段,设现有n个工件组成的工件集J={1,2,…,n}和m个加工资 源组成的加工资源集M={1,2,…,m}参与调度,制定最佳调度方案以最小化最大 完工时间C2 max;n个工件具有相同的加工工艺路线但并不同时投放,工件Ji的 释放时间为ri;每个加工资源在获得最佳的C1 max时,也得到了前阶段的各任务 批完工时间C1 b和任务批中各工件的完工时间C1 ib;每一个任务批b中的所有工 件的释放时间为ri,ri=C1 ib;每个加工资源在同一时间只能加工一个工件且每道 工序一旦开始加工不能中断,加工过程中受员工学习效应的影响,工件的实际加 工时间并不一定等于其理论加工时间;
模型包括工件相似的5个特征,分别为工件类别、工件材质、工件尺寸、工 件拓扑结构和工件加工时间;
其中,gi(Mia,Mib)=min(Mia,Mib)/max(Mia,Mib)表示第i个尺寸参数的相似函数,工件a和b的尺寸参数分别为Mia和Mib;
假设工件a的形状特征数和拓扑关系数分别为Af和Ar,工件b的形状特征 数和拓扑关系数分别为Bf和Br,工件a和工件b相对应的形状特征数为p,工件 a和工件b相对应的拓扑关系数为q;
其中,P=Af+Bf–p,Q=Ar+Br–q,fi为对应形状特征类型的相似属性值,rj为对应拓扑关系的相似属性值,fi=rj=1;αi为形状特征的相似系数,若属于相同 形状类型,αi=1;否则,αi为所有形状特征类型数的倒数;βj为拓扑关系的相似 系数,其取值与αi同理;
模型其中,Ci为加工工件i的实际加工时间;Ti为加工工件i的理论加工时间;b为学习指数,b=lgr/lg2≤0,r为学习率;S(j,i) 为工件j和工件i间的相似度,n为相似元特征数目,di为相似特征i所占权重,ri(a,b)为工件a和b在相似特征i下的相似度值;β为截 断学习效应控制参数,0<β<1;
模型采用层次分析法进行工件特征权重分配;
步骤3:利用步骤1中构建的不同容量平行机下差异工件的铸造前阶段调度 模型,获得第1阶段的工件加工顺序,按加工顺序依次分配加工资源,对铸造前 阶段进行批生产调度;
请见图2,本实施例中最小化最大完工时间C1 max的具体计算,包括以下子 步骤:
步骤1.1:初始化分布估计算法的种群和概率模型;
种群的初始化规则为:工件排序是随机的、机器排序是随机的,其中预设数 量的个体机器分配采取最短完工时间规定,剩余个体采取随机原则;
模型采用双层编码方式将工件分配到批处理机;
模型分批策略采用BFLPT规则;本实施例的BFLPT规则的具体实现包括以 下步骤:
步骤B1:将分配到机器上的工件按材质分组;
步骤B 2:将第一组中的工件按熔炼时间降序排列;
步骤B 3:选择排序后的第一个工件,将其安排在可以容纳下该工件且剩余 空间最小的批中,批的最大容量为所选机器的最大容量;若没有可以容纳该工件 的批则新建批;重复步骤B 3至组内所有工件均被分配;
步骤B 4:重复步骤B和步骤B 3直至所有组内的工件均被分配。
步骤1.2:选择优秀群体;
将由Q个个体组成的种群划分为k个小种群,并从各小种群中选出代表性 个体组成优势群体;
本实施例中选择优秀群体,具体实现包括以下子步骤:
步骤C1:从未标记群体中随机选择一个个体i;
步骤C 2:将个体i和与个体i距离最近的Q/k-1个个体组成一个新的小种群;
步骤C 3:计算该小种群的平均适应度值,标记小种群内个体;
步骤C 4:重复步骤C1和步骤C 3操作,直至所有个体均被分配;
步骤1.3:更新概率模型;
本实施例中更新概率模型,具体实现包括以下子步骤:
步骤D1:构建工件概率矩阵AJ(t)和机器规律矩阵AM(t);
通过如下公式更新AJ(t)和AM(t),
其中,β1和β2为学习因子,值越大表示对优势群体的学习效率越高, 0<β1<1,0<β2<1;和为二进制变量,若第k个优势个体的位置s上放置的工 件为i,则否则,若第k个优势个体的工件为i所选加工机器为m, 则否则,分布估计算法的种群由Q个个体组成,通过优势群体选 择机制选择U个个体作为优势群体,U=b×Q,0<b<1。
步骤1.4:概率模型采样生成新种群;
步骤1.5:判断是否满足设定的终止预设条件,是则输出最优解,否则执行 步骤1.6;
步骤1.6:判断最优解更新次数是否达到设定值,是则种群动态调整参数; 否则跳转到步骤1.3进行循环。
本实施例中种群动态调整参数,是将已选定工件的概率补偿给剩余可选工件; 假定s=1处选择工件i*,则剩余位置的概率通过下式动态调整:
其中s′∈S′,S’属于剩余可选位置集合,i′∈I′,I’属于剩余可选工件集 合,p为调整前选择概率,为动态调整后的选择概率;ps′i′表示调整前在s’ 选择i’的概率,表示调整前在s’选择i*的概率;
本实施例步骤2中模型采用层次分析法进行工件特征权重分配;首先建立判 断矩阵Z,
其中,Zij=1表示相似元ui同等重要于相似元uj,Zij=3表示相似元ui稍微重 要于相似元uj,Zij=5表示相似元ui明显重要于相似元uj,Zij=7表示相似元ui强 烈重要于相似元uj,Zij=9表示表示相似元ui极端重要于相似元uj,Zij=2,4,6,8 表示相邻标度间的折;N为判断矩阵Z的阶数;
在判断矩阵Z中,当i=j时,Zij=1;
根据判断矩阵Z确定权重系数大小的步骤如下:
步骤2.1:根据式(2-2)将判断矩阵Z的每一列归一化;
步骤2.3:将列向量按式(2-4)归一化处理得到的特征向量d=(d1,d2,…,dN)即 为相似元权重值;
步骤2.4:采用一致性指标CI进行重合理性检验;
对于多阶判断矩阵,引入随机一致性比例CR=CI/RI,当所求CR<0.10时, 表示权重分配合理;否则,调整判断矩阵,重新判断指标间的相对重要性,由此 建立判断矩阵模型并重新计算指标权重。
请见图3,本实施例步骤4中,采用改进灰狼优化算法,首先通过对灰狼位 置序列解码可获得第1阶段的工件加工顺序,按加工顺序依次分配加工资源;加 工资源分配规则如下:依次计算第1阶段各加工资源的释放时间,并与工件的释 放时间比较,选择差距最小的加工资源,出现多个差距最小的资源则随机选择一 个;若加工资源上从未加工过工件,则其释放时间为0;否则,为上一工件的完 工时间;对于第1阶段的工件,其释放时间为工件动态到达的时间;对于后续阶 段,工件的加工顺序按工件在上一阶段的完工时间非降序排序依次安排加工,加 工资源分配规则沿用第一阶段的规则。
本实施例基于混沌反向学习策略的种群初始化能同时保证初始种群的多样 性以及质量。基于非线性函数和动态权重的种群更新能较好契合算法迭代过程, 在迭代初期,利于算法全局寻优,避免陷入局部最优;后期递减速度较快,加快 算法局部寻优。基于插入操作的最优解局部搜索和ω狼变领域搜索是对个体进 行适当扰动,避免算法陷入局部最优。当算法陷入局部最优后,对ω狼进行动 态调整,扩展更广阔的搜索空间。
本实施例为防止算法陷入局部最优,对狼群个体进行局部搜索,基于插入操 作的局部搜索被证实是一种对于流水车间调度行之有效的方法,故本发明采用插 入操作对α狼进行局部搜索,其实现方法如下:
随机选择α狼位置序列π的某一位置i,将位置i从α狼位置序列π中剔除 得到位置序列π’,将位置i依次插入位置序列π’的可插入位置,分别计算插入这 些位置的适应度值,选择适应度值最小的替换α狼位置序列π。为防止在迭代过 程中进行重复搜索,引入禁忌表记录此次局部搜索操作。下一次对α狼进行局部 搜索时需先判断禁忌表中是否存在,不存在,则进行局部搜索;否则,跳过局部 搜索。
本实施例同时还采用4种邻域结构对其他灰狼个体进行变领域搜索,4种领 域结构的实现方法如下:
(1)随机交换
随机选择狼群个体位置序列上的两位置并交换两位置的数值。例如某灰狼个 体位置序列X={0.64,-0.24,0.58,0.72,-0.50,0.34},随机选择位置2和位置5进 行交换操作,交换后的灰狼个体位置序列X={0.64,-0.50,0.58,0.72,-0.24,0.34}。
(2)插入操作
随机选择狼群个体位置序列上的两位置进行前插或后插操作。例如某灰狼个 体位置序列X={0.64,-0.24,0.58,0.72,-0.50,0.34},随机选择位置2和位置5进 行插入操作,前插后的灰狼个体位置序列X={0.64,-0.50,-0.24,0.58,0.72,0.34}, 后插后的灰狼个体位置序列X={0.64,0.58,0.72,-0.50,-0.24,0.34}。
(3)反转逆序
随机选择狼群个体位置序列上的两位置,将两位置间的序列反转。例如某灰 狼个体位置序列X={0.64,-0.24,0.58,0.72,-0.50,0.34},随机选择位置2和位置5 进行反转逆序操作,反转逆序后的灰狼个体位置序列X={0.64,-0.50,0.72,0.58, -0.24,0.34}。
(4)打乱互换
随机选择狼群个体位置序列上的一些位置,将位置顺序打乱。例如某灰狼个 体位置序列X={0.64,-0.24,0.58,0.72,-0.50,0.34},随机选择位置2、位置5和位 置6进行打乱互换操作,位置2、5和6的数值顺序为“-0.24,-0.50,0.34”,随机 打乱顺序为“0.34,-0.24,-0.50”,则打乱互换后的灰狼个体位置序列X={0.64,0.34, 0.58,0.72,-0.24,-0.50}。
求解如调度这类非连续问题时,算法易于陷入局部最优,导致算法早熟收敛, 本实施例通过设定最优解连续不更新次数阈值H来判定算法是否陷入局部最优。 若当前种群的最优解连续不更新次数超过设定的阈值H,则对ω狼进行动态调 整操作,该过程表述如下:
其中,表示进行动态调整后的ω狼位置序列,Xω(t)表示未进行动 态调整前的ω狼位置序列,Xα、Xβ和Xδ分别表示α、β和δ狼的位置序列,p为[0,1]的随机值,L为布谷鸟算法中Levy飞行的步长,其可由式计算。
此外,参照差分进化算法的贪婪选择策略,将好的个体保留的同时筛选掉差 的个体。这一操作按如下定义:
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是 对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不 脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发 明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (8)
1.一种具有学习效应的铸造车间生产调度优化方法,包括造型、熔炼、浇注、落砂、清理、焊补、打磨、精修和喷漆工序;所述造型、熔炼和浇注工序为批加工工序,所述落砂、清理、焊补、打磨、精修和喷漆工序为单件加工工序;
其特征在于,所述方法包括以下步骤:
步骤1:构建不同容量平行机下差异工件的铸造前阶段调度模型;
所述铸造前阶段中包含造型、熔炼和浇注三个批处理工序;将N个同时投放的来自F个不同材质的铸件组批到L台熔炼炉上熔炼,只有材质相同的铸件才能组批,铸件的最终组批数量只有铸件组批完毕后才能确定;每个铸件的重量不一定相同,铸件i的重量为si;每个熔炼炉的容量各不相同,熔炼炉m的最大容量为Cm;熔炼时间由准备时间和加工时间组成,其中加工时间与熔炼批合金质量和合金材质有关,不同材质熔炼任务批在同一熔炼炉前后加工时存在洗炉时间;所述铸造前阶段调度模型优化目标为最小化最大完工时间C1 max;
所述模型包括以下原则:(1)每个工件只属于一个任务批,每个任务批只能在一个熔炼炉上加工;(2)任务批一旦开始加工不能中断,不同增加或移除工件;(3)每个工件重量不能超过最大熔炼炉最大容量;(4)每个任务批所需合金重量不能超过所选熔炼炉最大容量;
所述模型包括以下参数:工件编号i,k;i,k=1,…,N;材质编号h,l;h,l=1,…,F;任务批编号b,d;b,d=1,…,B;熔炼炉号m,m=1,…,L;工件i的理论重量si;工件i的材质Ii,Ii∈h;任务批b的合金重量sb;任务批b的铸件材质Ib,Ib∈h;熔炼炉m的最大容量Cm;熔炼炉m的准备时间Tm;任务批b在熔炼炉m上的熔炼时间Pbm;合金h,l在熔炼炉m上的洗炉调整时间Thlm;合金h在熔炼炉m上的熔炼速率Rhm;任务批b的完工时间C1 b;任务批b中的工件i的完工时间C1ib;前阶段最大完工时间C1 max;合金h、l间洗炉调整系数αhl;正数P,P>F;
所述模型包括以下变量:任务批b在熔炼炉m上的开工时间STbm;Xib:0-1变量,表示铸件i是否被分配到任务批b;Ybm:0-1变量,表示任务批b是否在熔炼炉m中生产;Zbdm:0-1变量,表示在熔炼炉m中任务批d是否在任务批b后被加工;
所述模型的目标函数为最小化最大完工时间:
所述模型的约束条件:
步骤2:构建基于学习效应理论的相似工件加工时间计算模型;
在铸造后阶段,设现有n个工件组成的工件集J={1,2,…,n}和m个加工资源组成的加工资源集M={1,2,…,m}参与调度,制定最佳调度方案以最小化最大完工时间C2 max;n个工件具有相同的加工工艺路线但并不同时投放,工件Ji的释放时间为ri;每个加工资源在获得最佳的C1 max时,也得到了前阶段的各任务批完工时间C1 b和任务批中各工件的完工时间C1 ib;每一个任务批b中的所有工件的释放时间为ri,ri=C1 ib;每个加工资源在同一时间只能加工一个工件且每道工序一旦开始加工不能中断,加工过程中受员工学习效应的影响,工件的实际加工时间并不一定等于其理论加工时间;
所述模型包括工件相似的5个特征,分别为工件类别、工件材质、工件尺寸、工件拓扑结构和工件加工时间;
其中,gi(Mia,Mib)=min(Mia,Mib)/max(Mia,Mib)表示第i个尺寸参数的相似函数,工件a和b的尺寸参数分别为Mia和Mib;
假设工件a的形状特征数和拓扑关系数分别为Af和Ar,工件b的形状特征数和拓扑关系数分别为Bf和Br,工件a和工件b相对应的形状特征数为p,工件a和工件b相对应的拓扑关系数为q;
其中,P=Af+Bf–p,Q=Ar+Br–q,fi为对应形状特征类型的相似属性值,rj为对应拓扑关系的相似属性值,fi=rj=1;αi为形状特征的相似系数,若属于相同形状类型,αi=1;否则,αi为所有形状特征类型数的倒数;βj为拓扑关系的相似系数,其取值与αi同理;
所述模型其中,Ci为加工工件i的实际加工时间;Ti为加工工件i的理论加工时间;b为学习指数,b=lgr/lg2≤0,r为学习率;S(j,i)为工件j和工件i间的相似度,n为相似元特征数目,di为相似特征i所占权重,ri(a,b)为工件a和b在相似特征i下的相似度值;β为截断学习效应控制参数,0<β<1;
所述模型采用层次分析法进行工件特征权重分配;
步骤3:利用步骤1中构建的不同容量平行机下差异工件的铸造前阶段调度模型,获得第1阶段的工件加工顺序,按加工顺序依次分配加工资源,对铸造前阶段进行批生产调度;
步骤4:利用基于学习效应理论的相似工件加工时间计算模型,计算铸造后阶段工件实际加工时间,然后根据工件的释放时间进行调度。
2.根据权利要求1所述的具有学习效应的铸造车间生产调度优化方法,其特征在于:步骤1中,最小化最大完工时间C1 max的具体计算,包括以下子步骤:
步骤1.1:初始化分布估计算法的种群和概率模型;
所述种群的初始化规则为:工件排序是随机的、机器排序是随机的,其中预设数量的个体机器分配采取最短完工时间规定,剩余个体采取随机原则;
所述模型采用双层编码方式将工件分配到批处理机;
所述模型分批策略BFLPT规则;
步骤1.2:选择优秀群体;
将由Q个个体组成的种群划分为k个小种群,并从各小种群中选出代表性个体组成优势群体;
步骤1.3:更新概率模型;
步骤1.4:概率模型采样生成新种群;
步骤1.5:判断是否满足设定的终止预设条件,是则输出最优解,否则执行步骤1.6;
步骤1.6:判断最优解更新次数是否达到设定值,是则种群动态调整参数;否则跳转到步骤1.3进行循环。
3.根据权利要求2所述的具有学习效应的铸造车间生产调度优化方法,其特征在于:步骤1.1中,所述模型分批策略采用BFLPT规则,具体实现包括以下步骤:
步骤B1:将分配到机器上的工件按材质分组;
步骤B2:将第一组中的工件按熔炼时间降序排列;
步骤B3:选择排序后的第一个工件,将其安排在可以容纳下该工件且剩余空间最小的批中,批的最大容量为所选机器的最大容量;若没有可以容纳该工件的批则新建批;重复步骤B3至组内所有工件均被分配;
步骤B4:重复步骤B和步骤B3直至所有组内的工件均被分配。
5.根据权利要求1所述的具有学习效应的铸造车间生产调度优化方法,其特征在于:步骤1.3中所述更新概率模型,具体实现包括以下子步骤:
步骤D1:构建工件概率矩阵AJ(t)和机器规律矩阵AM(t);
通过如下公式更新AJ(t)和AM(t),
7.根据权利要求1所述的具有学习效应的铸造车间生产调度优化方法,其特征在于:步骤2中所述模型采用层次分析法进行工件特征权重分配;首先建立判断矩阵Z,
其中,Zij=1表示相似元ui同等重要于相似元uj,Zij=3表示相似元ui稍微重要于相似元uj,Zij=5表示相似元ui明显重要于相似元uj,Zij=7表示相似元ui强烈重要于相似元uj,Zij=9表示表示相似元ui极端重要于相似元uj,Zij=2,4,6,8表示相邻标度间的折中值,Zij=Zji -1表示相似元比较值;N为判断矩阵Z的阶数;
在判断矩阵Z中,当i=j时,Zij=1;
根据判断矩阵Z确定权重系数大小的步骤如下:
步骤2.1:根据式(2-2)将判断矩阵Z的每一列归一化;
步骤2.3:将列向量按式(2-4)归一化处理得到的特征向量d=(d1,d2,…,dN)即为相似元权重值;
步骤2.4:采用一致性指标CI进行重合理性检验;
对于多阶判断矩阵,引入随机一致性比例CR=CI/RI,当所求CR<0.10时,表示权重分配合理;否则,调整判断矩阵。
8.根据权利要求1-7任意一项所述的具有学习效应的铸造车间生产调度优化方法,其特征在于:步骤4中,首先,通过对灰狼位置序列解码可获得第1阶段的工件加工顺序,按加工顺序依次分配加工资源;加工资源分配规则如下:依次计算第1阶段各加工资源的释放时间,并与工件的释放时间比较,选择差距最小的加工资源,出现多个差距最小的资源则随机选择一个;若加工资源上从未加工过工件,则其释放时间为0;否则,为上一工件的完工时间;对于第1阶段的工件,其释放时间为工件动态到达的时间;对于后续阶段,工件的加工顺序按工件在上一阶段的完工时间非降序排序依次安排加工,加工资源分配规则沿用第1阶段的规则。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416585.5A CN113139720B (zh) | 2021-04-19 | 2021-04-19 | 一种具有学习效应的铸造车间生产调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416585.5A CN113139720B (zh) | 2021-04-19 | 2021-04-19 | 一种具有学习效应的铸造车间生产调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113139720A true CN113139720A (zh) | 2021-07-20 |
CN113139720B CN113139720B (zh) | 2023-10-13 |
Family
ID=76813069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110416585.5A Active CN113139720B (zh) | 2021-04-19 | 2021-04-19 | 一种具有学习效应的铸造车间生产调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139720B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034444A (zh) * | 2022-05-24 | 2022-09-09 | 合肥工业大学智能制造技术研究院 | 基于学习效应的多目标双柔性作业车间调度方法及系统 |
CN115129002A (zh) * | 2022-06-02 | 2022-09-30 | 武汉理工大学 | 一种带批处理机可重入混合流水车间调度方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070043622A1 (en) * | 2003-09-12 | 2007-02-22 | Volvo Aero Corporation | Optimisation of sequential combinatorial process |
US20170316131A1 (en) * | 2015-11-23 | 2017-11-02 | Northeastern University | Method of batching and scheduling for steelmaking production with plant-wide process consideration |
CN110782085A (zh) * | 2019-10-23 | 2020-02-11 | 武汉晨曦芸峰科技有限公司 | 一种铸造生产调度方法及系统 |
CN111026051A (zh) * | 2019-11-29 | 2020-04-17 | 武汉理工大学 | 一种基于改进蛙跳算法的柔性铸造流水车间低碳调度方法 |
-
2021
- 2021-04-19 CN CN202110416585.5A patent/CN113139720B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070043622A1 (en) * | 2003-09-12 | 2007-02-22 | Volvo Aero Corporation | Optimisation of sequential combinatorial process |
US20170316131A1 (en) * | 2015-11-23 | 2017-11-02 | Northeastern University | Method of batching and scheduling for steelmaking production with plant-wide process consideration |
CN110782085A (zh) * | 2019-10-23 | 2020-02-11 | 武汉晨曦芸峰科技有限公司 | 一种铸造生产调度方法及系统 |
CN111026051A (zh) * | 2019-11-29 | 2020-04-17 | 武汉理工大学 | 一种基于改进蛙跳算法的柔性铸造流水车间低碳调度方法 |
Non-Patent Citations (1)
Title |
---|
陈荣: "面向件批耦合铸造生产的两阶段协同车间调度研究", 万方中国学位论文数据库 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034444A (zh) * | 2022-05-24 | 2022-09-09 | 合肥工业大学智能制造技术研究院 | 基于学习效应的多目标双柔性作业车间调度方法及系统 |
CN115034444B (zh) * | 2022-05-24 | 2024-02-02 | 合肥工业大学智能制造技术研究院 | 基于学习效应的多目标双柔性作业车间调度方法及系统 |
CN115129002A (zh) * | 2022-06-02 | 2022-09-30 | 武汉理工大学 | 一种带批处理机可重入混合流水车间调度方法及系统 |
CN115129002B (zh) * | 2022-06-02 | 2024-04-12 | 武汉理工大学 | 一种带批处理机可重入混合流水车间调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113139720B (zh) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598920B (zh) | 用于铸造并行车间主生产计划的多目标优化方法及系统 | |
CN107590603B (zh) | 基于改进变邻域搜索和差分进化算法的调度方法及系统 | |
CN110782085B (zh) | 一种铸造生产调度方法及系统 | |
CN113139720A (zh) | 一种具有学习效应的铸造车间生产调度优化方法 | |
CN112561225B (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN109636011A (zh) | 一种基于改进的变邻域遗传算法的多班制计划排程法 | |
CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
CN112859785B (zh) | 基于多目标优化算法的纸盆车间生产调度方法及调度系统 | |
CN106611230A (zh) | 结合关键工序的遗传局部搜索算法求解柔性作业车间调度 | |
CN107832983B (zh) | 基于动态规划与遗传算法的铸造熔炼批计划与调度方法 | |
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 | |
CN116466659A (zh) | 一种基于深度强化学习的分布式装配流水车间调度方法 | |
CN111985841B (zh) | 一种基于改进遗传算法的注塑车间调度方法及系统 | |
CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
CN110705844A (zh) | 基于非强制空闲时间的作业车间调度方案鲁棒优化方法 | |
CN111105164B (zh) | 一种车间调度方法、装置及设备 | |
CN107730065B (zh) | 基于改进变邻域搜索算法的生产调度方法及系统 | |
CN113723695B (zh) | 一种基于场景的再制造调度优化方法 | |
CN116011723A (zh) | 基于哈里斯鹰算法的焦化炼焦混合流水车间智能调度方法及应用 | |
CN116070826A (zh) | 一种铁路货车车身喷涂作业并行机调度方法 | |
CN115496322A (zh) | 分布式流水车间调度方法及装置 | |
CN115700647A (zh) | 一种基于禁忌搜索遗传算法的车间柔性作业调度方法 | |
CN106611215A (zh) | 一种新的布谷鸟搜索算法解决作业车间调度问题 | |
CN112632777A (zh) | 面向家电产品装配线的ⅱ型双边装配线平衡方法及系统 | |
CN117852840B (zh) | 一种基于多目标差分进化可变子批的柔性车间调度方法 |
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 |