CN113344383B - 一种用于分布式异构工厂的节能车间调度方法 - Google Patents

Abstract

本发明涉及制造业分布式生产调度技术领域，具体为一种用于分布式异构工厂的节能车间调度系统，包括以下步骤：步骤(1)：调度序列初始化模块，本模块中首先将待加工工件随机分配到个柜子工厂中，并保证每个工厂至少分配到一个工件；接着使用NEH方法对每个工厂中的工件进行排序；最后，根据排好的序列生成一定数量的个体，组成一个种群；步骤(2)：操作的自学习选择策略，在本模块中共有七种序列相关的操作算子和四种速度相关的操作算子，本模块设计了一种自学习的操作选择策略，将每个操作的成功率总结为知识；步骤(3)：能源节省和负载均衡调整策略，本模块中把节能零空闲流水车间调度问题转化成为节能置换流水车间调度问题。

Description

一种用于分布式异构工厂的节能车间调度方法

技术领域

本发明涉及制造业分布式生产调度技术领域，具体为一种用于分布式异构工厂的节能车间调度方法。

背景技术

随着经济全球化的发展，分布式制造正成为智能制造的典型场景，分布式的节能流水车间调度问题从可持续发展和绿色制造的角度引起了研究者的广泛关注。调度研究的问题是将稀缺资源分配给一定时间内的不同任务。具体的说，就是针对可以分解的工件，在满足一定技术和资源约束的条件下，合理安排各部分工件所占用的资源、加工时间以及加工次序，最终使某项性能指标或多项性能指标达到最优或近似最优。生产调度问题具有诸多复杂性，譬如建模困难、计算复杂，存在多约束、不确定、多极小、大规模、多目标、离散和连续变量并存等。调度问题也是典型的NP-hard问题之一，因此，对调度问题的研究具有重要的学术意义和工程价值。典型的调度问题可分为流水车间调度问题，作业车间调度问题，柔性车间调度问题等。这些调度问题都是实际制造工程中存在的典型模型和重点优化问题。零空闲流水车间调度问题(No-idle Flow-shop Scheduling Problem，NIFSP)普遍存在于集成电路、纺织、陶瓷等生产制造过程中。譬如，在采用相机平板印刷法的集成电路生产中，所使用的分档器是一种昂贵的设备，一旦运行时不希望停止的。陶器滚筒干燥炉，其使用过程中要耗费大量的天然气，由于炉中大量的热惯性，其停止和开启都需要几天的时间，因此，在设备运行时，也希望是连续工作的。NIFSP的甘特图描述如图1所示，在图1中，一台机器在加工不同工件时是连续不间断的，并且不会产生空闲时间。

随着全球工业经济的发展，制造业造成的环境污染问题成为全球环境问题的主要组成部分，寻求环境质量和工业经济增长之间的演化规律是当前环境经济研究的一个重要问题。研究节能的流水车间调度问题(Energy-efficient Distributed Flow-shopScheduling Prob lems，EEFSP)对制造业的长远发展具有重要意义。在节能流水车间调度问题中，要至少协同考虑环境质量和工业经济增长两个指标，属于多目标优化问题。多目标优化问题在实际工程应用和研究中都属于重点，热点和难点问题。研究节能流水车间调度问题采用多目标进化算法(Multi-objective Evolutionary Algor ithms，MOEA)。根据演化机制的不同将MOEA分为基于分解的MOEA、基于支配的MOEA和基于指标的MOEA。基于分解的MOEA是处理多目标优化问题中最直接的方法，也是早期使用比较多的方法。这种方法将优化的多个目标组合或者聚合成为单目标，从而将多目标优化问题转换成为单目标优化问题。基于支配的MOEA的基本思路是利用帕累托适应度的分配策略，从当前进化种群中找出所有非支配个体再进一步操作。基于指标的MOEA使用性能评价指标来引导搜索过程和对解的选择过程。

分布式车间调度问题是以不同工厂之间的合作生产或不同工厂之间协作生产等分布式制造为背景，研究工件在工厂间的分配和各工厂内的加工顺序，以实现调度指标最优化。分布式流水车间调度问题属于NP-hard问题之一，求解难度很大。分布式车间调度问题在传统的单车间车间调度问题中，多了一个工厂分配环节。如图2所示，单工厂流水车间调度模型中，只有一个加工工厂，待加工工件全部进入该工厂进行加工，加工完成后组成成品。在分布式流水车间调度模型中，存在多个工厂，首先对待加工工件进行分配，保证每个工厂至少加工一个工件，工厂分配结束后，工件再在工厂内部进行排序，当所有工厂中的工件都加工结束后，整个制造过程完成。分布式制造系统分为同构工厂和异构工厂。在同构工厂的分布式车间调度问题中，所有工厂的工厂属性都是一致的，譬如，每台机器的磨损时间，工件的加工模型，机器的加工顺序等。而在分布式异构工厂系统中，工厂的属性或不同工厂中的加工模型等可能是不相同的。相比较于分布式同构工厂系统，分布式异构工厂系统模型更符合实际生产过程，求解此类问题时也更加复杂和困难。

Jaya算法作为新型的群智能优化算法之一，有着易于实现，算法特定参数少等特点。Jaya算法的运行机制是将每个个体引导靠近最好个体，并且将每个个体都引导远离最差个体。个体更新后产生子代种群，比较父代个体和子代个体的适应度函数值，并选出父代和子代中适应度值更好的个体组成下一代种群。在Jaya算法中，子代个体会不断靠近每一代的最佳个体，同时将远离每一代的最差个体。因为Jaya算法总是试图更靠近成功个体，避免失败，算法力求通过达成最佳而获得胜利，因此它被命名为Jaya(胜利的意思)。Jaya算法用于多种工程优化问题的求解，求解过程简单，使用Jaya算法求解异构工厂下的节能分布式零空闲流水车间调度问题具有一定的研究基础和优势。

发明内容

本发明的目的在于提出了一种用于分布式异构工厂的节能车间调度方法，其是一种自学习离散的Jaya算法(SD-Jaya)，以最小总延迟(total tardiness，TTD)、总能耗(total energy consumption，TEC)及工厂负载均衡(factory load balancing，FLB)为目标，解决异构工厂下的节能分布式零空闲流水车间调度问题，该算法能够优化异构工厂下的节能分布式零空闲流水车间调度系统的运行效率和性能。

为实现上述目的，本发明提供如下技术方案：

一种用于分布式异构工厂的节能车间调度方法，其特征在于，包括以下步骤：

步骤(1)：调度序列初始化模块；本模块中首先将待加工工件随机分配到个柜子工厂中，并保证每个工厂至少分配到一个工件；接着使用NEH方法对每个工厂中的工件进行排序；最后，根据排好的序列生成一定数量的个体，组成一个种群，在后续的工作中，对种群中的个体进行操作；

步骤(2)：操作的自学习选择策略；在本模块中共有七种序列相关的操作算子和四种速度相关的操作算子，本模块设计了一种自学习的操作选择策略，将每个操作的成功率总结为知识，用于指导进行自学习的选择操作算子；

步骤(3)：能源节省和负载均衡调整策略；本模块中把节能零空闲流水车间调度问题转化成为节能置换流水车间调度问题，以此来搜索机器的空闲时间，并对特定的工件进行减速，以实现节约能源的目的，并且在本模块中设计了一种负载均衡调整策略，用于平衡各个工厂的负载指标。

优选的，在步骤(1)中，根据NEH初始化的序列生成多个个体，组成一个种群，在生成多个个体的时候，采用种群生成策略，既保存了个体中优秀的子序列模块，又增加种群的多样性，使系统在求解异构工厂下节能分布式零空闲流水车间调度问题时能够获得更高精度的结果。

优选的，在步骤(2)中，根据步骤(1)生成的工件加工种群序列，统计每个操作的历史成功率，使用不同的序列相关操作和速度相关的操作，调整序列排列，寻找更优的工件加工排列顺序。

优选的，在步骤(3)中，根据上述步骤(1)和步骤(2)中产生的加工序列，使用能源节省和负载均衡调整策略，调整加工工件的加工速度和每个工厂中加工工件的数量和排序，达到减少能源消耗和平衡各个工厂中加工负载的目的。

一种计算机可读存储介质，其中包含计算机程序，该程序被CPU处理时可实现上述所提供的方法步骤。

本发明具有以下有益效果：

(1)本发明定义了异构工厂下的节能分布式零空闲流水车间调度问题的整数规划模型，并提出了一种将能耗和完工时间相结合的工厂负载均衡评价准则。

(2)本发明使用新的种群生成策略构造了一个高质量的初始化种群序列，使得算法能够快速的搜索较好的区域。

(3)本发明使用基于自学习的操作选择策略，并将每个操作的历史成功率总结为知识，指导算法进行自学习的操作选择，提升操作的成功率。

(4)本发明逻辑简单、易于实现和易于扩展，可以将优化器扩展到满足当前智能制造生产领域中的大多数调度问题中。

附图说明

为了更加清晰的理解本发明，通过结合说明书附图与示意性实施例，进一步介绍本公开，附图与实施例是用来解释说明，并不构成对公开的限定。

图1是零空闲流水车间调度问题甘特图；

图2是单工厂车间调度和分布式车间调度问题对比图；

图3是本发明中的种群生成策略示意图；

图4是本发明中的速度相关策略示意图；

图5是本发明中的问题转换示意图；

图6是本发明中的节能策略示意图；

图7是本发明中的情况示意图；

图8是本发明中的算法示意图；

图9是本发明中的算法流程图。

具体实施方式

下面结合附图，进一步对本发明进行详细的说明。下面通过参考附图中的实例更加清晰的描述所提出算法及策略的原理以及优缺点等特征，这些原理特点不限于所举出的这些例子，更加符合实际生产中所遇到的问题。

实施例1

一种用于分布式异构工厂的节能车间调度方法，其特征在于，包括以下步骤：

步骤(1)：设计了一种加工序列种群生成策略；

步骤(2)：设计了一种自学习的操作选择策略，将每个操作的成功率总结为知识，用于指导不同操作的执行；

步骤(3)：节能策略和负载均衡调整策略。

如图3所示，为本发明中的种群生成策略示意图；在步骤(1)中，根据关键工厂的工件加工序列生成种群。在种群生成策略中，首先在工件加工序列中随机选择N个工件，N是2到加工序列长度之间的一个随机整数。所选工件的位置被设置为空。然后，对选定的工件进行随机重新排序，生成一个参考工件序列。最后，按参考工件序列的顺序将工件重新插入空位置，便生成了一个新的工件加工序列。

如图4所示，为本发明中的速度相关策略示意图；在步骤(2)中，提出了七种序列相关的操作，包括单工厂交换操作、单工厂插入操作、局部单工厂插入操作、局部单工厂交换操作和单工厂移除和重新插入操作、分布式工厂插入、分布式工厂交换和四种速度相关的操作，包括单操作速度加速操作、单操作速度减速操作、随机操作加速操作、随机操作减速操作四种速度相关操作。同时将每个操作的历史成功率总结为知识，指导算法进行自学习的操作选择。

如图5和图6所示，图5为本发明中的问题转换示意图，图6为本发明中的节能策略示意图；在步骤(3)中，为了优化负载均衡指标，提出了一种负载均衡调整策略。随机选择关键工厂中的一个工件，插入到总延迟最小的工厂中任意随机工件之前。为节省能源，将节能零空闲流水车间调度问题转换为节能置换流水车间调度问题来查找需要减速的操作并调整相应的工件速度。

实施例2

(1)种群初始化模块

在SD-Jaya算法中，首先，所有的工件都随机分配到工厂，并保证每个子工厂至少分配到两个工件。并随机初始化每个操作的加工速度。然后，利用NEH对每个工厂中的序列进行初始化。计算各工厂的TTD和TEC。当工厂j满足

i＝1，2，3，...，e，i≠j的条件时，选择工厂j为关键工厂。在关键工厂中，提出了种群生成策略，根据关键工厂的作业序列π生成种群，在种群生成策略中，首先在π中随机选择N个工件，N是2到π长度之间的一个随机整数；所选工件的位置被设置为空，然后，对选定的工件进行随机重新排序，生成一个参考工件序列π^c，最后，按π^c的顺序将工件重新插入空位置，便生成了一个新的工件加工序列。种群生成策略的伪代码如算法1所示。

(2)自学习的操作选择模块

为了优化工件序列，采用了7种序列相关的操作，包括单工厂交换操作(SS)、单工厂插入操作(SI)、局部单工厂插入操作(LSI)、局部单工厂交换操作(LSS)和单工厂移除和重新插入操作(RSI)、分布式工厂插入(DI)、分布式工厂交换(DS)。其中R是2到m之间的随机整数，m是机器的数量。f_r是一个随机工厂，f_c是关键工厂。操作过程说明如下。

SS：在f_c中，随机选择两个工件π_b和π_a，π_b在π_a前面，交换π_a和π_b位置；

SI：在f_c中，随机选择两个工件π_b和π_a，π_b在π_a前面，在π_b前面插入π_a。

LSI：在f_c的加工工件序列π^c中随机选择取出一个工件π_j，(j＝1，2，...，n)，取出πj后的工件序列为

将π_j插入π^c′中除原位置外的每一个位置，生成一系列新的加工序列，然后选择加工序列中TTD最小的序列作为新种群个体。

LSS：在f_c中，从工件加工序列π^c中选择一个工件π_j，(j＝1，2，...，n)。将π_j与π^c中除了与π_j相邻的工件之外的其他位置的工件进行交换，从生成一系列新的加工序列，然后选择加工序列中TTD最小的序列作为新种群个体。

RSI：删除重复工件操作。然后将缺失的工件插入到可能的位置中，直到所有缺失的工件被重新插入。选取TTD最小的个体作为新个体。

DS：随机选择f_c中的一个工件π_c和f_r中的另一个工件π_r，然后交换它们的位置。

DI：随机选取π_r中的一个作业π_c，f_r中的另一个作业π_r，然后在π_r的前面插入π_r。

为了降低TTD，采用了四种速度相关的操作，分别有：单操作速度加速操作(SSA)、单操作速度减速操作(SSD)、随机操作加速操作(SRA)、随机操作减速操作(SRD)四种速度相关操作。

SSA：在f_r中，随机挑选一个工件中的一个操作，并加速到更高的级别。如图4中(a)所示，选择工件2在机器3中的操作并加速到更高的水平。

SSD：在f_r中，随机挑选一个工件中的一个操作，并将其降速到更低的速度等级。如图4中(b)所示，选择机器3中作业1的操作减速到较低的水平。

SRA：如图4中(c)所示，在f_c中随机选择一个作业。然后随机选择一个工件的R个操作加速到一个更高的水平。

SRD：如图4中(d)所示，在f_c中随机选择一个作业。然后随机选择一个工件的R个操作减速到一个更低的水平。

对于所有的操作，将每个算子的历史成功率总结为知识，指导算法进行自学习操作选择；当操作的成功率为零时，该操作符将永远不会被选择，因此，将历史成功率转化为指导操作者自主学习选择的知识；知识描述如公式所示：

其中，ss_t(op_m，n)为第m部分的操作符n在t代被执行的次数；se_t(op_m，n)为操作符的成功次数；sr_t(op_m，n)是知识；sk_t(op_m，n)为选择率；

自学习算子选择策略包括：op₁＝{SS，SI}，op₂＝{DS，DI}，op₃＝{SSA，SSD}，和op₄＝{SRA，SRD}；参数rp_d，d＝1，2，...，4；是一个介于0和1之间的随机数，如果rp_d＜sk_t(op_m，n)，执行操作op_i，1，否则，选择执行操作op_i，2；

(3)负载均衡和节能模块

为了优化负载均衡指标，提出了一种负载均衡调整策略。随机选择f_c中的一个工件π_c和f_min中的另一个作业π_min，然后在π_min的前面插入π_c。伪代码如算法2所示。通过负载均衡调整策略，减少了工厂之间的时间和能耗差异。为节省TEC，将节能零空闲流水车间调度问题(EEDNIFSP)转换为节能置换流水车间调度问题(EEDPFSP)来查找需要减速的操作。如图5所示，伪代码见算法3。当空闲时间存在时，调整操作O_i，j的速度。然而，并不是空闲时间之前的所有的操作都被减速。如图4所示，当机器3上的工件8运行减速时，会产生机器3的延迟时间，使得TEC降低，TTD增加。节能策略需要保证TEC降低，TTD不增加。如图6所示，将EEDNIFSP转换为EEDPFSP并计算每台机器的空闲时间。操作O_i，j被延迟

进行处理。然后，计算

M_i+1上作业开始时间与M_i，i＝1，2，...，m-1上作业完成时间的差值。当

时，工件j减速，直到满足终止条件：

当

时，工件j-1减速，直到满足终止条件：

伪代码见算法4。根据D-Jaya的突变策略，产生新个体的情况有五种。情形一，x_i中的空缺位置的工件由x_best的相同位置的工件填补，当x_i＝x_best时，新产生的个体与x_best完全相同。如图7中(a)所示，工件x_worst，x_i，x_best是{1，4，7，5，2，8，3，6}，{1，6，5，2，7，3，4}，{1，6，5，2，7，3，4}。更新后，x_i+1仍然是{1，6，5，2，7，3，4}。情形二是当

时，将x_worst整个序列替换x_best，如图7中(b)所示。如图7中(c)所示，即情形三，生成了一个具有重复加工工件的加工工件序列，这是一个不可行的加工工件序列。如图7中(d)所示的情形四中，由于x_i和x_worst在任何位置都不相同，所以新的个体和旧的个体是相同的。在图7中(e)生成了一个新的可行作业序列，属于第五种情况。针对不同情况的策略是不同的。

(4)系统流程

根据D-Jaya的突变策略，产生新个体的情况有五种。情形一，x_i中的空缺位置的工件由x_best的相同位置的工件填补，当x_i＝x_best时，新产生的个体与x_best完全相同。如图7中(a)所示，工件x_worst，x_i，x_best是{1，4，7，5，2，8，3，6}，{1，6，5，2，7，3，4}，{1，6，5，2，7，3，4}。更新后，x_i+1仍然是{1，6，5，2，7，3，4}。

情形二是当x_i＝x_worst时，将x_worst整个序列替换x_best，如图7中(b)所示。如图7中(c)所示，即情形三，生成了一个具有重复加工工件的加工工件序列，这是一个不可行的加工工件序列。如图7中(d)所示的情形四中，由于x_i和x_worst在任何位置都不相同，所以新的个体和旧的个体是相同的。在图7中(e)生成了一个新的可行作业序列，属于第五种情况。针对不同情况的策略是不同的。在情形一中，执行LSI和AC2，这是对最佳个体的插入邻域的局部搜索。在第二种情况下，执行LSS和AC，即对最优个体的交换邻域进行局部搜索。当属于情况三时，执行RSI和AC2。为了增加种群的多样性，当个体属于情形四时，根据自学习策略选择SS和SI的一个，然后使用AC2作为接收准则。当个体是属于情形五时，直接执行AC2。局部搜索产生的新个体利于个体探索更有希望的搜索区域，并将好的搜索方向传递给人群中的其他个体。算法伪代码如图5所示，算法示意图和流程图如图8和9所示。

通过以上描述，展示了本发明的基本原理和主要特征及本发明的优点，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (5)

1.一种用于分布式异构工厂的节能车间调度方法，其特征在于，包括以下步骤：

步骤(1)：调度序列初始化模块；本模块中首先将待加工工件随机分配到各个子工厂中，并保证每个工厂至少分配到一个工件；接着使用NEH方法对每个工厂中的工件进行排序；最后，根据排好的序列生成一定数量的个体，组成一个种群，在后续的工作中，对种群中的个体进行操作；

步骤(2)：操作的自学习选择策略；在调度序列初始化模块中共有七种序列相关的操作算子和四种速度相关的操作算子，调度序列初始化模块设计了一种自学习的操作选择策略，将每个操作的成功率总结为知识，用于指导进行自学习的选择操作算子；七种序列相关的操作算子包括单工厂交换操作算子、单工厂插入操作算子、局部单工厂插入操作算子、局部单工厂交换操作算子和单工厂移除和重新插入操作算子、分布式工厂插入算子、分布式工厂交换算子；四种速度相关的操作算子包括单操作速度加速操作算子、单操作速度减速操作算子、随机操作加速操作算子、随机操作减速操作算子；

所述的一种自学习的操作选择策略，包括如下步骤：

在SD-Jaya算法中，首先，所有的工件都随机分配到工厂，并保证每个子工厂至少分配到两个工件，并随机初始化每个操作的加工速度；然后，利用NEH对每个工厂中的序列进行初始化，计算各工厂的TTD和TEC，TTD为以最小总延迟total tardiness，TEC为总能耗totalenergy consumption；当工厂j满足

i≠j的条件时，选择工厂j为关键工厂；在关键工厂中，提出了种群生成策略，根据关键工厂的作业序列π生成种群，在种群生成策略中，首先在π中随机选择N个工件，N是2到π长度之间的一个随机整数；所选工件的位置被设置为空，然后，对选定的工件进行随机重新排序，生成一个参考工件序列π^c，最后，按π^c的顺序将工件重新插入空位置，便生成了一个新的工件加工序列；

为了优化工件序列，采用了7种序列相关的操作，包括单工厂交换操作SS、单工厂插入操作SI、局部单工厂插入操作LSI、局部单工厂交换操作LSS和单工厂移除和重新插入操作RSI、分布式工厂插入DI、分布式工厂交换DS；其中R是2到m’之间的随机整数，m’是机器的数量；f_r是一个随机工厂，f_c是关键工厂；

操作过程说明如下：

单工厂交换操作SS：在f_c中，随机选择两个工件π_b和π_a，π_b在π_a前面，交换π_a和π_b位置；

单工厂插入操作SI：在f_c中，随机选择两个工件π_b和π_a，π_b在π_a前面，在π_b前面插入π_a；

局部单工厂插入操作LSI：在f_c的加工工件序列π^c中随机选择取出一个工件π_j，取出π_j后的工件序列为

将π_j插入π^c′中除原位置外的每一个位置，生成一系列新的加工序列，然后选择加工序列中TTD最小的序列作为新种群个体；

局部单工厂交换操作LSS：在f_c中，从工件加工序列π^c中选择一个工件π_j；将π_j与π^c中除了与π_j相邻的工件之外的其他位置的工件进行交换，从生成一系列新的加工序列，然后选择加工序列中TTD最小的序列作为新种群个体；

单工厂移除和重新插入操作RSI：删除重复工件操作；然后将缺失的工件插入到可能的位置中，直到所有缺失的工件被重新插入，选取TTD最小的个体作为新个体；

分布式工厂交换DS：随机选择f_c中的一个工件π_c和f_r中的另一个工件π_r，然后交换它们的位置；

为了降低TTD，采用了四种速度相关的操作，分别有：单操作速度加速操作SSA、单操作速度减速操作SSD、随机操作加速操作SRA、随机操作减速操作SRD四种速度相关操作；

单操作速度加速操作SSA：在f_r中，随机挑选一个工件中的一个操作，并加速到更高的级别；

单操作速度减速操作SSD：在f_r中，随机挑选一个工件中的一个操作，并将其降速到更低的速度等级；

随机操作加速操作SRA：在f_c中随机选择一个作业，然后随机选择一个工件的R个操作加速到一个更高的水平；

随机操作减速操作SRD：在f_c中随机选择一个作业，然后随机选择一个工件的R个操作减速到一个更低的水平；

对于所有的操作，将每个算子的历史成功率总结为知识，指导算法进行自学习操作选择；当操作的成功率为零时，该操作符将永远不会被选择，因此，将历史成功率转化为指导操作者自主学习选择的知识；知识描述如公式所示：

其中，ss_t(op_m,n)为第m部分的操作符n在t代被执行的次数；se_t(op_m,n)为操作符的成功次数；sr_t(op_m,n)是知识；sk_t(op_m,n)为选择率；

自学习算子选择策略包括:op₁＝{SS,SI},op₂＝{DS,DI},op₃＝{SSA,SSD},和op₄＝{SRA,SRD}；参数rp_d,d＝1,2,…,4；是一个介于0和1之间的随机数，如果rp_d<sk_t(op_m,n)，执行操作op_i,1，否则，选择执行操作op_i,2；

步骤(3)：能源节省和负载均衡调整策略；调度序列初始化模块中把节能零空闲流水车间调度问题转化成为节能置换流水车间调度问题，以此来搜索机器的空闲时间，并对特定的工件进行减速，以实现节约能源的目的，并且在调度序列初始化模块中设计了一种负载均衡调整策略，用于平衡各个工厂的负载指标。

2.根据权利要求1所述的一种用于分布式异构工厂的节能车间调度方法，其特征在于：在步骤(1)中，根据NEH初始化的序列生成多个个体，组成一个种群，在生成多个个体的时候，采用种群生成策略，既保存了个体中优秀的子序列模块，又增加种群的多样性，使系统在求解异构工厂下节能分布式零空闲流水车间调度问题时能够获得更高精度的结果。

3.根据权利要求1所述的一种用于分布式异构工厂的节能车间调度方法，其特征在于：在步骤(2)中，根据步骤(1)生成的工件加工种群序列，统计每个操作的历史成功率，使用不同的序列相关操作和速度相关的操作，调整序列排列，寻找更优的工件加工排列顺序。

4.根据权利要求1所述的一种用于分布式异构工厂的节能车间调度方法，其特征在于：在步骤(3)中，根据上述步骤(1)和步骤(2)中产生的加工序列，使用能源节省和负载均衡调整策略，调整加工工件的加工速度和每个工厂中加工工件的数量和排序，达到减少能源消耗和平衡各个工厂中加工负载的目的。

5.一种计算机可读存储介质，其中包含计算机程序，该程序被CPU处理时可实现权利要求1所述的方法。

Images