CN113515879A - 一种改进粒子群算法求解分布式多工厂生产调度的方法 - Google Patents

一种改进粒子群算法求解分布式多工厂生产调度的方法 Download PDF

Info

Publication number
CN113515879A
CN113515879A CN202111071239.4A CN202111071239A CN113515879A CN 113515879 A CN113515879 A CN 113515879A CN 202111071239 A CN202111071239 A CN 202111071239A CN 113515879 A CN113515879 A CN 113515879A
Authority
CN
China
Prior art keywords
particle swarm
algorithm
scheduling
solving
factory production
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.)
Pending
Application number
CN202111071239.4A
Other languages
English (en)
Inventor
方军锋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Huaqing Intelligent Technology Co ltd
Original Assignee
Nanjing Huaqing Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Huaqing Intelligent Technology Co ltd filed Critical Nanjing Huaqing Intelligent Technology Co ltd
Priority to CN202111071239.4A priority Critical patent/CN113515879A/zh
Publication of CN113515879A publication Critical patent/CN113515879A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)

Abstract

本发明公开了一种改进粒子群算法求解分布式多工厂生产调度的方法,该方法分为三步，步骤1建立多工厂生产调度模型，步骤2生产调度优化模型设计，步骤3算法求解，该方法既利用了粒子群算法的高效性，又利用了遗传算法的全局寻优能力，将这两种算法结合起来，得到混合粒子群优化算法，可以有效地发挥各自的特点，形成优势互补，将混合算法应用到生产调度模型中，可以使企业更高效、更快地生产出更好的产品，从而增强企业的核心竞争力。

Description

一种改进粒子群算法求解分布式多工厂生产调度的方法
技术领域
发明涉及工厂生产调度的领域,尤其涉及一种改进粒子群算法求解分布式多工厂生产调度的方法。
背景技术
改革开放以来，中国制造业发展非常迅速。截至2015年底，中国制造业PMI指数达到49.7。制造业对中国经济的发展有着巨大的作用，促进了中国制造业综合实力的全面提升。随着市场环境的变化，制造业的竞争越来越激烈。除了国内的巨大竞争，国际市场对中国制造业也带来了巨大的冲击。传统制造业的生产效率已经难以满足市场需求，许多生产管理落后的企业已经退出市场。随着市场环境的不断发展，市场将要求更好的质量、更快的速度、更低的成本和最好的服务来满足客户的需求。如何提高企业在生产调度问题上的管理能力，优化资源配置，提高企业的经济效益，增强企业的核心竞争力，已成为目前综合型企业进一步发展的关键。而作业车间调度也是产品质量、效率和成本控制的重要组成部分，因此有必要对生产调度进行优化。现有的求解生产调度的算法有很多，如蚁群算法、遗传算法和DNA算法。这些算法各有特点，但难以满足生产的需要。如果不按照客户的需求及时提供产品或服务，不仅需要承担违约责任，而且还会造成客户生产损失和自身声誉损失，使其逐渐被市场淘汰。
然而，在现有的方法中，只有单一的优化算法被用来解决生产调度问题。生产企业的生产调度相关因素也被片面考虑，难以考虑生产周期、机器负荷、生产效率等综合因素。这使得传统的生产调度算法难以适应复杂多变的生产调度，迫切需要采用更加合理高效的算法来不断改进和优化生产调度管理。在各种生产调度优化算法中，遗传算法具有搜索范围广、效率低等特点。粒子群优化算法具有计算速度快的特点，但其搜索范围可能受到限制。因此二者的有效结合有利于形成优势互补，从而获得更好的生产调度优化算法。将粒子群优化算法与遗传算法相结合，形成一种混合粒子群优化算法，并将其应用于流水车间的生产调度，可以更有效地获得最优解。通过实例验证算法的有效性和效率，有助于了解该算法在实际应用中的效果，并将其具体应用到调度中，对类似的优化算法具有非常积极的意义。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种改进粒子群算法求解分布式多工厂生产调度的方法。
本发明所采用的技术方案是，该方法分为三步，步骤1建立多工厂生产调度模型，步骤2生产调度优化模型设计，步骤3算法求解。
所述步骤1建立多工厂生产调度模型包括目标函数调度周期f 1、总拖拽时间f 2、设备利用率f 3、单机最大负荷f 4。
所述步骤2生产调度优化模型综合f 1、f 2、f 3、f 4设计最优模型y。
所述步骤3所述算法求解利用混合粒子群优化算法对y寻找最优解。
进一步地，所述目标函数模型调度周期f 1：
Figure 376917DEST_PATH_IMAGE002
其中C j 为工件的生产周期，j为工作量。
进一步地，所述总拖拽时间f 2，
Figure 169293DEST_PATH_IMAGE004
其中，d j 是每个工件交付时间，Max[C j -d j ,0]是每个工件的拖尾时间，N为所有工件的个数，j为工作量。
进一步地，所述设备利用率f 3，
Figure 697226DEST_PATH_IMAGE006
其中，M为设备数，i为工件，k为机器，j为工作量，n j 是单台设备的利用率，t ijk 是工件i在k机器上完成工作量j所需的时间，X ijk 表示是否选择进行处理的决策变量，M的工作负荷是W k 。
进一步地，所述单机最大负荷f 4:
Figure 284065DEST_PATH_IMAGE008
进一步地，所述生产车间调度的最优模型y:
Figure 363361DEST_PATH_IMAGE010
y有唯一的最优解，并且根据实际情况从目标中进行最优选择和调整。
进一步地，所述混合粒子群优化算法，利用过程和机器进行编码，采用2Z维向量解决位置向量与调度方案之间的映射关系；选择操作通过保留最佳个体的方式完成，交叉操作采用改进的交叉方法和多点交叉操作；在获得最优解后，替换粒子群中相对较差的个体，进一步扩大搜索范围。将个体迁移到每个粒子群中，通过往复循环得到最优解。
进一步地，所述混合粒子群优化算法，逐次过程包括编码、初始化参数、初始个体群生成、粒子个体解码、权值生成、计算适应度、粒子群搜索、个体迁移替换、遗传算法计算适应度、遗传算法操作，最终判断终止条件；得到最优解时，计算终止，没有获得，搜索继续。
本发明所提的方法既利用了粒子群算法的高效性，又利用了遗传算法的全局寻优能力，将这两种算法结合起来，得到混合粒子群优化算法，可以有效地发挥各自的特点，形成优势互补，将混合算法应用到生产调度模型中，可以使企业更高效、更快地生产出更好的产品，从而增强企业的核心竞争力。
附图说明
图1为本发明方法流程图；
图2为本发明混合粒子群优化算法的结构图；
图3为本发明混合粒子群优化算法的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合,下面结合附图和有具体实施例对本申请作进一步详细说明。
如图1所示，一种改进粒子群算法求解分布式多工厂生产调度的方法，该方法分为三步，步骤1建立多工厂生产调度模型，步骤2生产调度优化模型设计，步骤3算法求解。
所述步骤1建立多工厂生产调度模型包括目标函数调度周期f 1、总拖拽时间f 2、设备利用率f 3、单机最大负荷f 4。
所述步骤2生产调度优化模型综合f 1、f 2、f 3、f 4设计最优模型y。
所述步骤3所述算法求解利用混合粒子群优化算法对y寻找最优解。
进一步地，所述目标函数模型调度周期f 1：
Figure 693848DEST_PATH_IMAGE002
其中C j 为工件的生产周期，j为工作量。
企业需要履行生产和交付货物的合同，不能超过交货期，否则可能会赔偿客户很高的违约金。一旦超过交货期，除了高额的拖欠货款外，还会严重影响企业的信誉和客户的生产。因此，交货期在生产调度中是一个非常重要的因素，总拖拽时间f 2，
Figure 76288DEST_PATH_IMAGE004
其中，d j 是每个工件交付时间，Max[C j -d j ,0]是每个工件的拖尾时间，N为所有工件的个数，j为工作量。
进一步地，所述设备利用率f 3，
Figure 302870DEST_PATH_IMAGE006
其中，M为设备数，i为工件，k为机器，j为工作量，n j 是单台设备的利用率，t ijk 是工件i在k机器上完成工作量j所需的时间，X ijk 表示是否选择进行处理的决策变量，M的工作负荷是W k 。
进一步地，所述单机最大负荷f 4:
Figure 137971DEST_PATH_IMAGE011
进一步地，所述生产车间调度的最优模型y:
Figure 272149DEST_PATH_IMAGE010
y不仅有唯一的最优解，而且需要根据实际情况从多个目标进行最优选择和调整。
粒子群优化算法是模仿鸟类在自然界寻找食物的过程。每个单独的粒子群都设置了类似于鸟类移动的速度和位置参数，在进化过程中通过改变粒子的速度和位置可以保证其多样性。在执行迭代时，将粒子和其他粒子的信息进行比较，以找到能够满足最终条件的最佳移动解决方案。如果它没有找到最优解，它将继续演化，直到输出粒子。除了每个粒子自身的速度和位置参数外，每个粒子都有一个适合度值。该值可用于判断粒子的好坏。在进化过程中，最佳粒子的选择就是进化过程。粒子会不断更新，以将自身与最佳粒子进行比较。假设c1和c2分别是从总体情况和个体中选择的最佳粒子的加速因子，w是惯性因子，rand1（）和rand2（）是区间[0,1]内的随机数，粒子的更新率为：
Figure 715287DEST_PATH_IMAGE013
v id (t)表示更新速度，pbest id (t)表示c1最佳更新时间，x id (t)表示粒子i在距离d的更新时间,gbest id (t)表示C2最佳更新时间。
用维数向量D表示粒子的个体信息，每个粒子的位置表示为Xi=(xi1,xi2，···，xid)，粒子位置更新公式为:
Figure 909508DEST_PATH_IMAGE015
其中x id 表示粒子i在距离d的更新时间，v id 表示更新速度。
在上述公式中，c1和c2的加速度系数与键有关。当数值较小时，会导致粒子移动距离较短，难以获得合格的粒子。当值较大时，它将离粒子飞行距离太远，容易偏离目标区域。根据之前的研究，当选择的值为1时，更容易获得合格的颗粒。
粒子群算法的算法流程如下：(1）初始化粒子的速度和位置等参数，并在解空间中随机生成初始参数，并通过设置初始参数来设定粒子的全局值和极值；(2）更新粒子的速度和位置，并将极值与设定值进行比较。如果符合演化的要求，则对粒子信息和全局极值进行变换，否则，将进行粒子信息和单个极值的转换；(3）若要更新粒子在解决方案空间中的速度和位置，请继续搜索更新后的粒子作为新粒子，更新后的粒子将用作新粒子，并重复以下步骤以执行一轮演化；(4）比较每个演化过程，确定粒子是否满足最大迭代次数集，如果算法满足该算法，将输出最优粒子，否则，需要重复循环步骤，直到获得最优解。
对于粒子群算法，最重要的是选择合适的参数作为标准。只有这样，我们才能在更高的效率下获得最优解。第一步是选择合适的粒度。粒径越大，可选择的粒子数越多，越容易得到最优解。但相应的计算量会变大，一般40个左右的粒子比较合适。在允许的范围内，粒子的长度决定了其演化过程中包含的信息，因此应该尽可能长。在粒子的演化过程中，需要选择合适的适应度函数。只有当粒子满足要求时，它才能保持。粒子的轨迹是不可控的，其速度是随机变量。最大速度越大，越有利于控制颗粒。但当步长过短时，可以得到局部最优解。当速度过大时，很难获得粒子的运动规律，这会使算法处于停滞状态，但无法得到最优解。
遗传算法是模仿生物在自然环境中的适者生存，是一种基于规则的进化算法。在遗传算法的运行过程中，首先要确定种群规模，根据实际需要设置适应度函数，完成选择操作、交叉操作和循环操作，最后找到最优解。由于遗传算法具有更好的全局搜索能力，它在解决许多复杂的搜索问题方面具有良好的效果，广泛应用于生产的各个过程。特别是在车间作业调度问题方面，遗传算法具有明显的优势。由于它来自于个体的群体，进化算法的范围涵盖了整个群体。在全局范围内搜索最优解，最终解更符合实际要求。由于遗传算法具有一定的并行处理能力，可以同时处理多个群体中的个体。由于在搜索中采用了概率的方法，搜索效率更高。根据情况，适应度函数可在早期自由设置，不受其他因素影响。该搜索不需要依赖其他信息，可以利用适应度函数来获取个体的评价值，从而拓展了其应用空间。然而，由于早期阶段的适应度函数不合理，可能无法在全局范围内找到最优解。另一方面，当种群规模相对较小时，即使很容易获得最优解，也可能不是期望的解。当人口规模较大时，可能是因为搜索范围太大，搜索时间太长，导致资源过度消耗。为了弥补遗传算法速度慢的缺点，可以将其与其他算法相结合，使其具有更高的进化效率。
遗传算法的步骤是初步编码、种群初始化、选择操作、交叉操作、变异操作和循环，并得到最终的最优解。由于遗传算法需要根据自然规律建模，因此有必要按照一定的规则实现代码。编码数据结构是染色体，而染色体可以转换成解空间，这就是解码过程。编码和解码也是遗传操作中非常重要的步骤，可以获得最优解，减少资源浪费。染色体聚集在一起形成群体，群体初始化的过程是确定有多少条染色体。在设置遗传算法的适应度函数后，将质量较差的个体从种群中剔除，选出优秀个体。通过选择操作，优良个体可以遗传到下一代，从而实现进化。随机选择两对父系基因，然后交换新的染色体。交叉操作不仅可以增加种群多样性，而且可以扩大搜索范围，从而提高搜索速度，更快地求解最优解。突变操作是随机选择染色体上的单个基因，并使其转化，从而确保染色体的多样性。因此，在保留原有遗传信息的情况下，可以获得新的基因，使种群朝着更好的方向发展。在实际操作中，最大迭代次数是人为设置的，算法在运行到最大迭代次数之前不会终止。因此，我们需要设置一个合理的最大迭代次数，以防止计算量过大。
由于遗传算法的各种特点，它有着非常广泛的实际应用。只要在进化过程中可以设置目标函数和适应度函数，就不会影响外部因素。它广泛应用于组合优化问题、神经网络、图像处理、作业车间调度、模式识别、人工生命、数据挖掘等方面。
基于混合粒子群优化算法的生产调度优化，流水车间调度问题在上世纪初进入人们的视野。经过几十年的研究和发展，作业车间调度理论得到了一定程度的研究。然而，直到20世纪70年代，流水作业调度问题的算法理论才被发现，可以直接应用于生产实践。随着科学技术的不断发展，对流水车间调度的要求也越来越高，传统的调度算法已经难以满足日益增长的生产需。常用的调度算法包括启发式调度算法、人工智能方法、神经网络算法和拉格朗日松弛法。不同的调度方法各有特点，适用于不同的作业车间调度问题。流水车间调度问题很多，根据流水车间加工的复杂性、工件和生产线的数量、生产环境的特点以及不同加工任务的特点，该问题也是复杂多样的。因此，流水车间具有一定的复杂性和多重约束。在实际的生产调度过程中，企业管理会考虑生产周期、机器负载和延迟时间等因素。这些因素相互联系、相互制约，要求企业对目标进行综合调控，同时对多个目标进行优化。在生产调度过程中，人工的生产不是静态的，它可能受到设备故障、订单取消等因素的影响，使得生产调度问题更加复杂。
以混流车间为例，在进行人工加工之前，应先确定加工顺序。因为机器的每一道工序都是不同的，所以平衡各方面是不同的。但在现代生产环境下，混合流水车间调度问题越来越多地出现在生产制造的现代化中。假设工件加工线位于同一方向，并且每个加工可能有多台并行机。这些技巧可以在进程之间存储，而不受数量限制。两个过程的处理可随时进行。
由于企业各部门的目标不同，对生产调度有不同的要求，因此生产调度的关键问题是使其能够达到最佳，如生产车间能获得较高的生产率，销售部门能及时完成合同等。假设在工艺开始时所有机器都正常工作，所有零件都能正常加工；在某些情况下，相同的技巧只能在一台机器上处理，而不考虑对机器的损坏；技巧的顺序和时间是固定的，加工过程不能中断；处理时间包括技巧的准备和交付时间。
遗传算法具有编码简单、进化过程相对简单的特点，能在全局范围内搜索最优解，能有效地解决生产调度的组合优化问题。但是，它也存在着效率低、早熟收敛等问题。粒子群优化算法具有计算简单、效率高等特点，可以直接用来筛选出优秀的个体，指导下一代粒子进化的方向。但很容易陷入局部搜索和早期成熟的改进。为了使粒子群算法和遗传算法各自的特点互补，充分发挥各自的优势，将两种算法相结合，得到混合粒子群算法，并将其应用于流水车间调度。
如图2所示，混合算法基于过程和机器进行编码，采用2Z维向量更好地解决位置向量与调度方案之间的映射关系。它既利用了粒子群算法的高效性，又利用了遗传算法的全局寻优能力。选择操作通过锦标赛和保留最佳个体的方式完成，交叉操作采用改进的交叉方法和多点交叉操作。在获得最优解后，替换粒子群中相对较差的个体，进一步扩大搜索范围。将个体迁移到每个粒子群中，通过往复循环得到最优解。
如图3所示，混合算法的逐次过程包括编码、初始化参数、初始个体群生成、粒子个体解码、权值生成、计算适应度、粒子群搜索、个体迁移替换、遗传算法计算适应度、遗传算法操作，最终判断终止条件。当得到最优解时，计算终止。如果没有获得，搜索将继续。
为了验证基于遗传算法和粒子群优化算法的混合算法的可行性和有效性，进行了Matlab仿真分析。通过对仿真分析结果的比较，研究了系统的完工时间、总延误时间和设备利用率。
案例分析数据如表1所示。共有4件工作在6台机器上。每件作品都经历3个过程。同一工艺可用于多台机器，不同机器的加工时间不同。A1、A2、A3、A4、A5、A6表示机器数，B11、B12、B13、B21、B22、B23、B31、B32、B33、B41、B42、B43表示经历的不同过程。
表1 机器加工工作经历的过程
Figure 435168DEST_PATH_IMAGE017
该算法将遗传算法和粒子群优化算法相结合，因此参数的设置包含了遗传操作和粒子群优化的参数。其中，遗传操作参数包括种群规模、交叉概率、变异概率、拥挤因子和个体迁移。粒子的参数包括粒子数、惯性权重、加速因子、个体迁移的数量和粒子群的大小。两种算法的迭代次数设置为50次，总循环次数为10次。具体参数设置如表2所示。
表2 算法实例参数
Figure 107457DEST_PATH_IMAGE019
表1中的数据使用混合算法中设置的参数进行计算。计算结果包括完工时间、总延误时间和设备利用率，最终得到3组最优解，如表3所示。从表3的结果可以看出，该算法不仅具有效率高的优点，但也可以得到更好的最优解集。
表3算法的最优解集
Figure DEST_PATH_IMAGE021
本发明既利用了粒子群算法的高效性，又利用了遗传算法的全局寻优能力，将这两种算法结合起来，得到混合粒子群优化算法，可以有效地发挥各自的特点，形成优势互补，将混合算法应用到生产调度模型中，可以使企业更高效、更快地生产出更好的产品，从而增强企业的核心竞争力。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解的是,在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种等效的变化、修改、替换和变型,本发明的范围由所附权利要求及其等同范围限定。

Claims (8)

1.一种改进粒子群算法求解分布式多工厂生产调度的方法，其特征在于,该方法分为三步，步骤1建立多工厂生产调度模型，步骤2生产调度优化模型设计，步骤3算法求解；
所述步骤1建立多工厂生产调度模型包括目标函数调度周期f 1、总拖拽时间f 2、设备利用率f 3、单机最大负荷f 4；
所述步骤2生产调度优化模型综合f 1、f 2、f 3、f 4设计最优模型y；
所述步骤3所述算法求解利用混合粒子群优化算法对y寻找最优解。
2.如权利要求1所述的一种改进粒子群算法求解分布式多工厂生产调度的方法，其特征在于，所述目标函数模型调度周期f 1：
Figure 713665DEST_PATH_IMAGE002
其中C j 为工件的生产周期，j为工作量。
3.如权利要求2所述的一种改进粒子群算法求解分布式多工厂生产调度的方法，其特征在于，所述总拖拽时间f 2，
Figure 768821DEST_PATH_IMAGE004
其中，d j 是每个工件交付时间，Max[C j -d j ,0]是每个工件的拖尾时间，N为所有工件的个数，j为工作量。
4.如权利要求3所述的一种改进粒子群算法求解分布式多工厂生产调度的方法，其特征在于，所述设备利用率f 3，
Figure 17400DEST_PATH_IMAGE006
其中，M为设备数，i为工件，k为机器，j为工作量，n j 是单台设备的利用率，t ijk 是工件i在k机器上完成工作量j所需的时间，X ijk 表示是否选择进行处理的决策变量，M的工作负荷是W k 。
5.如权利要求4所述的一种改进粒子群算法求解分布式多工厂生产调度的方法，其特征在于，所述单机最大负荷f 4:
Figure 756817DEST_PATH_IMAGE008
。
6.如权利要求1所述的一种改进粒子群算法求解分布式多工厂生产调度的方法，其特征在于，所述生产车间调度的最优模型y:
Figure 243293DEST_PATH_IMAGE010
y有唯一的最优解，并且从目标中进行最优选择和调整。
7.如权利要求1所述的一种改进粒子群算法求解分布式多工厂生产调度的方法，其特征在于，所述混合粒子群优化算法，利用过程和机器进行编码，采用2Z维向量解决位置向量与调度方案之间的映射关系；选择操作通过保留最佳个体的方式完成，交叉操作采用改进的交叉方法和多点交叉操作；在获得最优解后，替换粒子群中相对较差的个体，进一步扩大搜索范围，将个体迁移到每个粒子群中，通过往复循环得到最优解。
8.如权利要求1所述的一种改进粒子群算法求解分布式多工厂生产调度的方法，其特征在于,所述混合粒子群优化算法，逐次过程包括编码、初始化参数、初始个体群生成、粒子个体解码、权值生成、计算适应度、粒子群搜索、个体迁移替换、遗传算法计算适应度、遗传算法操作，最终判断终止条件；得到最优解时，计算终止，没有获得，搜索继续。
CN202111071239.4A 2021-09-14 2021-09-14 一种改进粒子群算法求解分布式多工厂生产调度的方法 Pending CN113515879A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111071239.4A CN113515879A (zh) 2021-09-14 2021-09-14 一种改进粒子群算法求解分布式多工厂生产调度的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111071239.4A CN113515879A (zh) 2021-09-14 2021-09-14 一种改进粒子群算法求解分布式多工厂生产调度的方法

Publications (1)

Publication Number Publication Date
CN113515879A true CN113515879A (zh) 2021-10-19

Family

ID=78063263

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111071239.4A Pending CN113515879A (zh) 2021-09-14 2021-09-14 一种改进粒子群算法求解分布式多工厂生产调度的方法

Country Status (1)

Country Link
CN (1) CN113515879A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392497A (zh) * 2017-08-08 2017-11-24 大连交通大学 一种基于改进遗传算法的车间调度系统及调度方法
CN112381343A (zh) * 2020-09-30 2021-02-19 北京工业大学 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

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107392497A (zh) * 2017-08-08 2017-11-24 大连交通大学 一种基于改进遗传算法的车间调度系统及调度方法
CN112381343A (zh) * 2020-09-30 2021-02-19 北京工业大学 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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINLING DU等: "Hybrid Genetic Algorithm for the Multi-objective Flexible Schedu ling Problem", 《2010 INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND SECURITY》 *
鞠全勇: "智能制造系统生产计划与车间调度的研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》 *
鞠全勇等: "多目标批量生产柔性作业车间优化调度", 《机械工程学报》 *

Similar Documents

Publication Publication Date Title
CN106250583B (zh) 基于双种群基因表达式编程的动态车间调度规则优化方法
CN111985672B (zh) 一种多Agent深度强化学习的单件作业车间调度方法
CN107133091A (zh) 基于自顶向下任务分级的云工作流任务调度方法
CN109840154A (zh) 一种移动云环境下基于任务依赖的计算迁移方法
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
CN110276481A (zh) 一种分布式混合流水线调度优化方法
Mahmudy et al. Optimization of part type selection and loading problem with alternative production plans in flexible manufacturing system using hybrid genetic algorithms-part 1: Modelling and representation
CN112685138B (zh) 云环境下基于多种群混合智能优化的多工作流调度方法
CN112882449A (zh) 一种多品种小批量多目标柔性作业车间能耗优化调度方法
Shang et al. Production scheduling optimization method based on hybrid particle swarm optimization algorithm
CN112132469B (zh) 一种基于多种群协作粒子群算法的水库群调度方法和系统
CN108776845A (zh) 一种基于双目标作业车间调度的混合果蝇算法
CN114565239A (zh) 用于产业园区的综合低碳能源调度方法及系统
CN105550825B (zh) 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法
CN112699544A (zh) 一种多目标柔性作业车间调度方法
CN111210125B (zh) 一种基于历史信息指导的多目标工件批调度方法及装置
CN107832983A (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
He Optimization of edge delay sensitive task scheduling based on genetic algorithm
CN114021934A (zh) 基于改进spea2求解车间节能调度问题的方法
CN113139720A (zh) 一种具有学习效应的铸造车间生产调度优化方法
CN113515879A (zh) 一种改进粒子群算法求解分布式多工厂生产调度的方法
CN108805463B (zh) 一种支持削峰型电力需求响应的生产调度方法
CN113485278B (zh) 优化两生产指标的柔性作业车间调度多目标分布估计方法
CN114925602A (zh) 一种教练机后机身研发流程的多目标优化方法
CN113326970A (zh) 一种混流装配线排序优化方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211019