CN113554231A - 一种带有作业族的作业车间调度方法及装置 - Google Patents
一种带有作业族的作业车间调度方法及装置 Download PDFInfo
- Publication number
- CN113554231A CN113554231A CN202110842491.4A CN202110842491A CN113554231A CN 113554231 A CN113554231 A CN 113554231A CN 202110842491 A CN202110842491 A CN 202110842491A CN 113554231 A CN113554231 A CN 113554231A
- Authority
- CN
- China
- Prior art keywords
- job
- repair
- operator
- solution
- scheduling
- 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 46
- 230000008439 repair process Effects 0.000 claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims description 25
- 238000003754 machining Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 230000035772 mutation Effects 0.000 claims description 14
- 238000012958 reprocessing Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004949 mass spectrometry Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 abstract description 10
- 238000009826 distribution Methods 0.000 abstract description 4
- 239000003921 oil Substances 0.000 description 16
- 241000257303 Hymenoptera Species 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000003780 insertion Methods 0.000 description 5
- 230000037431 insertion Effects 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 206010011906 Death Diseases 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 235000012907 honey Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000010734 process oil Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research 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
- G06Q10/04—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
- 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (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
本发明公开了一种带有作业族的作业车间调度方法及装置,以最小化作业族的总完成时间和总成本为调度目标,建立执行模式包括替换模式和修复模式的作业车间调度模型,以解决执行模式选择、替换作业分配和排序、修复机器分配和操作排序等三个问题,并采用改进的人工蜂群算法求解得到最优调度方案,所获得的最优调度方案优于现有技术所获得的最优调度方案。
Description
技术领域
本申请属于生产调度技术领域,尤其涉及一种带有作业族的作业车间调度方法及装置。
背景技术
再制造是将废旧产品(end-of-life,简称EOL)拆卸为组件,并使用先进技术对拆卸组件进行再加工,最后将再加工组件组装成再制造产品的过程。经过表面工程技术的加工和专用设备的处理,再制造产品具有与新产品相同的质量,从而实现绿色、循环、低碳的目标。与新产品相比,再制造产品的成本仅为50%,能源消耗仅为40%,原材料消耗仅为30%,污染排放不超过20%。因此,再制造产业因在减少资源消耗和碳排放上可以发挥巨大贡献,从而在全球范围内得到高度评价。
再制造被认为是一个工业过程,其涵盖了众多行业,如圆珠笔生产、个人电脑和汽车离合器组件等。再制造系统主要包括三个子系统:拆卸车间、再加工车间和再装配车间。其中,再加工车间是衔接拆卸车间和再装配车间的纽带,EOL产品的损坏组件在该车间中被加工成高质量的组件。经过再加工车间的处理,再加工组件和新组件在外观、可靠性和性能方面基本相同。当一个EOL产品的组件被再加工以及再装配时,该EOL产品的组件必须匹配在一起,因此一个EOL产品的组件构成了一个作业族。带有作业族的作业车间调度问题是一个重要的研究课题,目的是通过作业分配及操作排序以最小化作业族的完成时间。
在再制造过程中,从拆卸车间获得的组件的损坏情况各不相同,因此需要为每个组件选择合适的执行模式进行再加工,执行模式通常包括替换模式和修复模式,再制造操作可以通过替换模式或修复模式在不同的组件上得以实现。对于组件来说,修复组件的成本通常比替换组件的成本低,但需要更多的加工时间。因此,为每个组件选择合适的执行模式时,应综合评估工作族的总完成时间和总成本。
然而现有的调度模型大多仅考虑了时间因素,如作业族的总完成时间或者基于交货期的工作族的总延迟时间,没有考虑到调度过程中不同执行模式之间的权衡以及不同执行模式选择对调度方法的影响,调度方案还具有进一步改善的空间。
发明内容
本申请的目的是提出一种带有作业族的作业车间调度方法及装置,以最小化作业族的总完成时间和总成本为调度目标,考虑组件再加工的两种执行模式,以得到更佳的调度方案。
为了实现上述目的,本申请技术方案如下:
一种带有作业族的作业车间调度方法,包括:
以最小化作业族的总完成时间和总成本为调度目标,建立执行模式包括替换模式和修复模式的作业车间调度模型,所述调度模型的调度目标表示为:
其中,JFm表示第m个作业族,m=1,2,...,M,M为作业族的数量;e为执行模式索引,其中1代表替换模式,2代表修复模式;JCTi e表示选择以第e种执行模式加工第i个作业Ji的完成时间,i=1,2,…,I,I表示作业的数量;为二元变量,如果Ji选择第e种执行模式进行加工,那么=1;否则,n为操作员索引,n=1,2,…,N,N表示操作员的数量;为二元变量,如果替换作业Ji由第n个操作员进行加工,那么 否则, 表示由第n个操作员加工的替换作业Ji的替换成本;MAk表示第k个修复机器,k=1,2,…,K,K为修复机器的数量;MSil表示用于加工Oil的候选修复机器集合;Oil表示修复作业Ji的第l个操作,l=1,2,...,Li,Li为修复作业Ji的操作数量;为二元变量,如果修复操作Oil由MAk进行加工,那么否则, 表示由MAk加工的修复操作Oil的修复成本;TTmax和TCmax分别表示TT和TC的最大值,TTmin和TCmin分别表示TT和TC的最小值,ω1和ω2分别代表TT和TC的权重,其权重总和为1;
采用改进的人工蜂群算法,对建立的作业车间调度模型进行求解,输出适应度最高的调度方案,并按照所述适应度最高的调度方案安排再加工。
进一步的,所述改进的人工蜂群算法的每一个调度方案,采用三维编码来表示,所述三维编码的第一行表示有序排列的再加工作业,第二行表示再加工作业相应的执行模式,第三行表示操作员或修复机器。
进一步的,所述改进的人工蜂群算法,在雇佣蜂阶段,执行如下操作:
执行交叉算子与变异算子;
更新种群;
其中,交叉算子采用优先操作交叉,所述变异算子在第三行中随机选择几个位置,用候选操作员或修复机器替换选定的操作员或修复机器。
进一步的,所述改进的人工蜂群算法,在跟随蜂阶段,执行如下操作:
执行局部搜索策略;
更新种群;
其中,所述局部搜索策略包括四个局部搜索算子:单交换、单插入、双交换、双插入算子。
进一步的,所述改进的人工蜂群算法,在侦察蜂阶段,执行如下操作:
如果一个解在试验达到预设的试验次数后没有得到改善,那么就放弃这个解,并通过初始化解的过程,生成新解来替代被放弃的解。
进一步的,所述通过初始化解的过程,生成新解来替代被放弃的解,包括:
随机初始化得到预设数量的候选解,并将其中具有最大适应度值的候选解作为新解,替换被放弃的解。
本申请还提出了一种带有作业族的作业车间调度装置,包括处理器以及存储有若干计算机指令的存储器,所述计算机指令被处理器执行时实现所述带有作业族的作业车间调度方法的步骤。
本申请提出了一种带有作业族的作业车间调度方法及装置,以最小化作业族的总完成时间和总成本为调度目标,建立执行模式包括替换模式和修复模式的作业车间调度模型,以解决执行模式选择、替换作业分配和排序、修复机器分配和操作排序等三个问题,并采用改进的人工蜂群算法求解得到最优调度方案,所获得的最优调度方案优于现有技术所获得的最优调度方案。
附图说明
图1为本申请带有作业族的作业车间调度方法流程图;
图2为本申请实施例作业车间调度示意图;
图3为本申请改进的人工蜂群算法流程图;
图4为本申请作业车间调度模型调度方案的三维编码示例图;
图5为本申请改进的人工蜂群算法交叉算子操作示意图;
图6a为本申请单交换算子操作示意图;
图6b为本申请单插入算子操作示意图;
图7为本申请实验中四种算法的平均适应度值的进化曲线。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
在一般制造业中,经典的作业车间调度问题,包括机器分配和作业排序,与一般制造相比,再制造由于具有高度的不确定性而更加复杂。在再制造系统中,通常有两种执行模式用于组件再加工,即替换模式和修复模式。然而,现有文献在研究作业车间调度问题时往往忽视了这两种执行模式之间的权衡。因此,本申请提出了一种带有作业族的作业车间调度方法(job shop scheduling with job families,简称JSS-JF)。本申请将调度问题分解为三个子问题:(1)执行模式选择;(2)替换作业分配和排序;(3)修复机器分配和操作排序。通过综合评估作业族的总完成时间和总成本,每个作业会选择合适的执行模式进行加工。同时,不同的执行模式有不同的调度方法。如果作业选择了替换模式进行加工,则由操作员用新组件替换损坏组件。如果作业选择了修复模式进行加工,则由修复机器处理作业的系列操作。每个修复作业可能涉及多个操作,这些操作都在候选修复机器上执行。
为了更清楚地表示本文提出的JSS-JF模型,相应的参数及定义表示如下。
索引与集合
e 执行模式索引,其中1代表替换模式,2代表修复模式
n 操作员索引,n=1,2,…,N
Ji 第i个作业,i=1,2,…,I
Oil 修复作业Ji的第l个操作,l=1,2,...,Li
JFm 第m个作业族,m=1,2,...,M
MAk 第k个修复机器,k=1,2,…,K
MSil 用于加工Oil的候选修复机器集合
参数
JCTi e 选择第e种执行模式进行加工的Ji的完成时间
HSTi n 由第n个操作员加工的替换作业Ji的开始时间
HPTi n 由第n个操作员加工的替换作业Ji的加工时间
HCTi n 由第n个操作员加工的替换作业Ji的完成时间
TT 作业族的总完成时间
TC 作业族的总成本
M 很大的数值
决策变量
在一个实施例中,如图1所示,提供了一种带有作业族的作业车间调度方法,包括:
步骤S1、以最小化作业族的总完成时间和总成本为调度目标,建立执行模式包括替换模式和修复模式的作业车间调度模型。
如图2所示,图2表示产品1和产品2在拆卸车间的并行拆卸工作站(DW1,DW2,DW3,…)上进行拆卸操作。Cp表示产品p的组件。例如,C1={C11,C12,C13}表示产品1的组件,以及C2={C21,C22,C23}表示产品2的组件。C1和C2的组件通过选择合适的执行模式(即替换模式或修复模式)分别进行加工。最后,在再装配车间的并行再装配工作站(RW1,RW2,RW3,…)中,再加工组件被组装为相应的再制造产品1和再制造产品2。
如图2的下半部分所示,每个组件对应再加工车间中的一个作业。这些作业虽然被分为工作族,但是每个作业仍单独进行再加工。JFm表示第m个作业族,其中Ji表示第i个作业。例如,JF1={J1,J2,J3}表示第1个作业族,JF2={J4,J5,J6}表示第2个作业族。在图2所示的实例中,J1、J2、J3和J6选择替换模式进行加工。在替换的过程中,操作员用新组件(C'11、C'12、C'13和C'23)替换损坏组件(C11、C12、C13和C23)。同时,J4和J5选择修复模式进行加工。在修复过程中,J4和J5的系列操作(O41,O42,…)、(O51,O52,…)需要分别分配在不同的修复机器上进行加工。
在本申请提出的JSS-JF模型中,通过综合评估作业族的总完成时间和总成本,每个作业会选择合适的执行模式进行加工。同时,不同的执行模式有不同的调度方法。如果作业选择了替换模式进行加工,则由操作员用新组件替换损坏组件。如果作业选择了修复模式进行加工,则由修复机器处理作业的系列操作。每个修复作业可能涉及多个操作,这些操作都在候选修复机器上执行。
为了清晰地表示JSS-JF的建模,本申请做了以下假设:替换作业和修复作业的加工时间和成本等描述将被提前确定;作业族之间、作业之间均不存在优先级关系;替换作业和修复作业在进行加工时不能被分割;作业的准备时间和运输时间忽略不计;用于加工替换作业的操作员一直可用;不考虑修复机器出现故障的情况。
本申请所提出的模型目标是最小化作业族的总完成时间TT和作业族的总成本TC,并根据该调度目标获得优化的调度方案。
TT是生产效率的重要指标,可通过比较各个作业族的完成时间计算得到,如式(1)所示:
其中,JFm表示第m个作业族,m=1,2,...,M,M为作业族的数量,e为执行模式索引,其中1代表替换模式,2代表修复模式,JCTi e表示选择第e种执行模式加工第i个作业Ji的完成时间,i=1,2,…,I,I表示作业的数量。为二元变量,如果Ji选择第e种执行模式进行加工,那么 否则,
TC包含了替换成本以及修复成本,其计算如式(2)所示。如果作业选择替换模式进行加工,那么操作员将用新组件替换损坏组件,由此产生替换成本。如果作业选择修复模式进行加工,那么修复机器将加工对应的组件,由此产生修复成本。
其中,n为操作员索引,n=1,2,…,N,N表示操作员的数量;为二元变量,如果替换作业Ji由第n个操作员进行加工,那么否则, 表示由第n个操作员加工的替换作业Ji的替换成本;MAk表示第k个修复机器,k=1,2,…,K,K为修复机器的数量;MSil表示用于加工Oil的候选修复机器集合;Oil表示修复作业Ji的第l个操作,l=1,2,...,Li,Li为修复作业Ji的操作数量;为二元变量,如果修复操作Oil由MAk进行加工,那么否则, 表示由MAk加工的修复操作Oil的修复成本。
在本申请提出的模型中,通过对TT和TC设置适当的权重,从而计算调度方案的综合评价指标,其计算如式(3)所示:
其中TTmax和TCmax分别表示TT和TC的最大值,TTmin和TCmin分别表示TT和TC的最小值,ω1和ω2分别代表TT和TC的权重,其权重总和为1。
在本申请的模型中,作业族的总完成时间由作业的完成时间计算得到。JCTi e的计算如式(4)所示。如果作业选择了替换模式,那么替换作业的完成时间等于完成该作业的操作员的作业时间。如果作业选择了修复模式,那么修复作业的完成时间等于该作业的最后一个操作的完成时间。
替换作业的开始时间HSTi n与完成时间HCTi n由式(5)和(6)计算得到。
HSTi n=EAHn (5)
HCTi n=HSTi n+HPTi n (6)
其中EAHn表示第n个操作员的最早可用时间。
其中EAMk表示MAk的最早可用时间,k'表示加工Oil的前一个操作的修复机器索引,即加工Oi(l-1)的修复机器索引。
本申请JSS-JF模型的约束条件如式(9)–(17)所示:
约束条件(9)规定每个作业以一种执行模式执行。约束条件(10)–(13)与替换作业有关。约束条件(10)规定一个操作员不能同时处理两个作业。约束条件(11)规定每个操作员在完成替换作业Ji之后最多选择一个其它的替换作业进行操作。约束条件(12)规定每个操作员最多选择一个其它的替换作业在替换作业Ji'之前进行加工。约束条件(13)保证每个替换作业由一个操作员进行加工。
约束条件(14)–(17)与修复操作有关。约束条件(14)规定一台修复机器不能同时加工两个修复操作。约束条件(15)规定每台修复机器在完成修复操作Oil之后最多选择一个其它的修复操作进行处理。约束条件(16)规定每台修复机器最多选择一个其它的修复操作在修复操作Oi'l'之前进行。约束条件(17)规定每个修复操作只在一个候选修复机器上进行处理。
步骤S2、采用改进的人工蜂群算法,对建立的作业车间调度模型进行求解,输出适应度最高的调度方案,并按照所述适应度最高的调度方案安排再加工。
人工蜂群算法(artificial bee colony algorithm,简称ABC)起源于蜂群觅食行为,算法的主要流程如下:
(1)初始化阶段:具有多个决策变量的一个解可视为一个蜜源,此阶段产生初始解。
(2)雇佣蜂阶段:雇佣蜂从已有的解中探索新解,并通过贪婪选择保留更优的解。当雇佣蜂完成新解的探索后,将有关解的重要信息分享给其它蜂群。
(3)跟随蜂阶段:根据从雇佣蜂获得的解信息,跟随蜂依据概率随机选择解,并在其邻域寻找更优的解。
(4)侦察蜂阶段:如果某个解在试验limit次后仍不能得到改善,则放弃该解,并通过初始化解的过程,随机生成一个新解来替代被放弃的解。
重复阶段(2)–(4),直到满足终止条件,输出近似最优解。
本申请提出的改进的人工蜂群算法(extended artificial bee colonyalgorithm,简称EABC)可以有效求解JSS-JF模型,EABC算法的框架如图3所示。首先,由于基础型ABC算法的传统一维编码方案不能用来表示JSS-JF解决方案,因此本申请提出了一种新的三维编码方案来表示JSS-JF调度方案的复杂结构。同时,EABC算法引入了交叉和变异算子、局部搜索策略和精英替换策略,以提高EABC算法的搜索能力和收敛能力。
本申请中每个调度方案采用三维编码表示,该方案由三行构成,分别代表作业、执行模式和操作员/修复机器。如图4所示,其中,第一行表示有序排列的再加工作业。第二行表示再加工作业相应的执行模式。第三行表示操作员或修复机器,这取决于该作业对应的执行模式。如果作业选择替换模式的话,则第三行中的值表示操作员索引。如果作业选择修复模式的话,则第三行中的值表示修复机器索引。
图4表示了该三维编码方案的一个实例(包括5个作业、3个操作员和3台修复机器)。从图4中可以看出,作业J1、J3和J4选择替换模式进行加工,作业J2和J5选择修复模式进行加工。其中,每个修复作业可以由多个操作组成,修复作业的出现次数表示操作索引。例如,第一行中的第一个元素“5”表示修复作业J5的第一个操作(O51),第二次出现的“5”表示修复作业J5的第二个操作(O52)。在图4的实例中,第一列表示修复操作O51由修复机器MA3进行加工。第四列表示替换作业J1由第三个操作员处理。
本申请EABC算法,在雇佣蜂阶段,执行如下操作:执行交叉算子与变异算子;更新种群。每个雇佣蜂从现有的解中寻找新解。
为提高解的多样性,EABC算法引入了交叉和变异算子。基于本申请提出的三维编码方案,本申请设计了交叉和变异算子以完成种群进化的过程。交叉和变异算子的机制阐述如下。
(1)交叉算子,采用优先操作交叉来探索新解,优先操作交叉的流程如图5所示。
步骤1:随机选择两个亲代P1和P2。将作业随机分为两组互斥的作业集合JS1和JS2。
步骤2:将P1中包含JS1中作业的列,按照P1中的位置复制到子代O1中,将P2中包含JS2中作业的列,按照P2中的顺序复制到子代O1空缺的位置中。
步骤3:将P2中包含JS1中作业的列,按照P2中的位置复制到子代O2中,将P1中包含JS2中作业的列,按照P1中的顺序复制到子代O2空缺的位置中。
(2)变异算子,即在第三行中随机选择几个位置,用候选操作员或修复机器替换选定的操作员或修复机器。
交叉和变异算子分别在一定的概率下执行,分别对应交叉率和变异率。新解由交叉和变异算子产生,利用贪婪选择保留适应度值较高的解。解的适应度值可由式(3)计算得到。
当所有雇佣蜂完成新解的探索后,它们会返回蜂巢,并与跟随蜂和侦察蜂分享解的信息。
在跟随蜂阶段,每个跟随蜂将探索由雇佣蜂发现的解。执行如下操作:
执行局部搜索策略;更新种群。
在该阶段,本申请引入局部搜索策略以增强算法的搜索能力。基于三维编码方案,本申请使用了四个局部搜索算子(单交换、单插入、双交换、双插入算子),如图6所示:
(1)单交换算子如图6(a)所示,即随机选择不同位置的两列并交换两列位置。
(2)单插入算子如图6(b)所示,即随机选择不同位置的两列并将后一列插入至前一列前。
(3)双交换算子的主要过程是进行两次单交换算子。
(4)双插入算子的主要过程是进行两次单插入算子。
每个跟随蜂按照一定概率选择一个解,并随机选择局部搜索算子以搜索邻域的解。随后,将产生的新解与旧解进行比较,利用贪婪选择保留适应度值较高的解。
在侦察蜂阶段,如果一个解在试验达到预设的试验次数(limit次)后没有得到改善,那么就放弃这个解。这个解对应的雇佣蜂成为侦察蜂,并通过随机初始化的方法产生一个新解以取代被放弃的解。随机初始化产生一个新解的具体方法如下所述。
(1)为每一个作业随机分配执行模式。
(2)根据作业及相应的执行模式,计算出当前解的总操作数。
(3)将操作进行排序,并为每一个操作分配相应的操作员或修复机器。
然而,在基础型ABC算法中,单次产生新解的方法很难产生一个比旧解更好的解。因此,在EABC算法中,所述通过初始化解的过程,生成新解来替代被放弃的解,包括:
随机初始化得到预设数量的候选解,并将其中具有最大适应度值的候选解作为新解,替换被放弃的解。
例如,每个侦察蜂进行10次随机初始化以得到10个候选解,并将其中具有最大适应度值的候选解作为新解替换被放弃的解,以增大获得更优解的概率。
精英替换策略用于保留适应度值最高的精英解,并在下一代中替代表现最差的解。该策略可以防止精英解丢失,从而加快EABC算法的收敛速度。
本申请还提供了实验数据,通过与遗传算法(genetic algorithm,简称GA)、粒子群优化算法(particle swarm optimization,简称PSO)和ABC三种算法进行对比,证明了所提出的EABC算法在求解JSS-JF模型时的实用性和有效性。使用了小规模、中规模和大规模三组不同规模的实例分别模拟再制造系统的真实环境。四种算法的平均适应度值的进化曲线如图7所示。从图中可以看出,当四个算法的进化曲线趋于稳定时,EABC算法计算得到的适应度值要优于其它三种算法。并且与其它三种算法相比,EABC算法具有更好的收敛能力。
表1给出了权重组合为0.7和0.3时的四种算法的实验结果,其他不同权重组合(权重组合为0.5和0.5,权重组合为0.3和0.7)也具有类似的实验结果。
表1
实验结果表明,EABC算法在四种算法中均表现出较好的性能。在Max和Ave指标方面,无论设置何种权重组合,EABC算法的性能都优于其它三种算法。在SD指标方面,当权重组合为0.7和0.3、0.5和0.5、0.3与0.7时,在12个实例中,EABC算法优于其它三种算法的数量分别为9、9、10个。在不同的权重组合下,EABC算法优于其它三种算法的次数虽然略有波动,但EABC算法的性能仍然优于其它算法。由此可见,在求解JSS-JF模型时,不同的权值组合对EABC算法的影响很小。综上所述,EABC算法在求解JSS-JF模型时的实用性和有效性优于其它三种算法。
本申请提出了一种EABC算法以求解JSS-JF模型,具有如下技术效果:
(1)提出了面向再制造系统的JSS-JF模型。在该模型中,调度问题被分解为三个子问题:执行模式选择、替换作业分配和排序、修复机器分配和操作排序。
(2)提出了一种EABC算法以有效求解本文提出的JSS-JF模型。该算法在ABC算法的基础上进行了改进,采用了一种新的三维编码方案,并引入了交叉和变异算子、局部搜索策略和精英替换策略。
同时,本申请通过与GA、PSO和ABC三种算法进行比较,验证了所提出算法的实用性和有效性。实验结果表明,EABC算法在求解JSS-JF模型时性能优于GA、PSO和ABC三种算法。
在另一个实施例中,本申请还提供了一种带有作业族的作业车间调度装置,包括处理器以及存储有若干计算机指令的存储器,所述计算机指令被处理器执行时实现所述带有作业族的作业车间调度方法的步骤。
关于带有作业族的作业车间调度装置的具体限定可以参见上文中对于带有作业族的作业车间调度方法的限定,在此不再赘述。上述带有作业族的作业车间调度装置可全部或部分通过软件、硬件及其组合来实现。可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上对应的操作。
存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序,所述处理器通过运行存储在存储器内的计算机程序,从而实现本发明实施例中的网络拓扑布局方法。
其中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器用于存储程序,所述处理器在接收到执行指令后,执行所述程序。
所述处理器可能是一种集成电路芯片,具有数据的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种带有作业族的作业车间调度方法,其特征在于,所述带有作业族的作业车间调度方法,包括:
以最小化作业族的总完成时间和总成本为调度目标,建立执行模式包括替换模式和修复模式的作业车间调度模型,所述调度模型的调度目标表示为:
其中,JFm表示第m个作业族,m=1,2,...,M,M为作业族的数量;e为执行模式索引,其中1代表替换模式,2代表修复模式;JCTi e表示选择以第e种执行模式加工第i个作业Ji的完成时间,i=1,2,…,I,I表示作业的数量;为二元变量,如果Ji选择第e种执行模式进行加工,那么=1;否则,n为操作员索引,n=1,2,…,N,N表示操作员的数量;为二元变量,如果替换作业Ji由第n个操作员进行加工,那么 否则, 表示由第n个操作员加工的替换作业Ji的替换成本;MAk表示第k个修复机器,k=1,2,…,K,K为修复机器的数量;MSil表示用于加工Oil的候选修复机器集合;Oil表示修复作业Ji的第l个操作,l=1,2,...,Li,Li为修复作业Ji的操作数量;为二元变量,如果修复操作Oil由MAk进行加工,那么否则, 表示由MAk加工的修复操作Oil的修复成本;TTmax和TCmax分别表示TT和TC的最大值,TTmin和TCmin分别表示TT和TC的最小值,ω1和ω2分别代表TT和TC的权重,其权重总和为1;
采用改进的人工蜂群算法,对建立的作业车间调度模型进行求解,输出适应度最高的调度方案,并按照所述适应度最高的调度方案安排再加工。
2.根据权利要求1所述的带有作业族的作业车间调度方法,其特征在于,所述改进的人工蜂群算法的每一个调度方案,采用三维编码来表示,所述三维编码的第一行表示有序排列的再加工作业,第二行表示再加工作业相应的执行模式,第三行表示操作员或修复机器。
3.根据权利要求2所述的带有作业族的作业车间调度方法,其特征在于,所述改进的人工蜂群算法,在雇佣蜂阶段,执行如下操作:
执行交叉算子与变异算子;
更新种群;
其中,交叉算子采用优先操作交叉,所述变异算子在第三行中随机选择几个位置,用候选操作员或修复机器替换选定的操作员或修复机器。
4.根据权利要求2所述的带有作业族的作业车间调度方法,其特征在于,所述改进的人工蜂群算法,在跟随蜂阶段,执行如下操作:
执行局部搜索策略;
更新种群;
其中,所述局部搜索策略包括四个局部搜索算子:单交换、单插入、双交换、双插入算子。
5.根据权利要求2所述的带有作业族的作业车间调度方法,其特征在于,所述改进的人工蜂群算法,在侦察蜂阶段,执行如下操作:
如果一个解在试验达到预设的试验次数后没有得到改善,那么就放弃这个解,并通过初始化解的过程,生成新解来替代被放弃的解。
6.根据权利要求5所述的带有作业族的作业车间调度方法,其特征在于,所述通过初始化解的过程,生成新解来替代被放弃的解,包括:
随机初始化得到预设数量的候选解,并将其中具有最大适应度值的候选解作为新解,替换被放弃的解。
7.一种带有作业族的作业车间调度装置,包括处理器以及存储有若干计算机指令的存储器,其特征在于,所述计算机指令被处理器执行时实现权利要求1至权利要求6中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110842491.4A CN113554231B (zh) | 2021-07-26 | 2021-07-26 | 一种带有作业族的作业车间调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110842491.4A CN113554231B (zh) | 2021-07-26 | 2021-07-26 | 一种带有作业族的作业车间调度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113554231A true CN113554231A (zh) | 2021-10-26 |
CN113554231B CN113554231B (zh) | 2023-07-04 |
Family
ID=78104357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110842491.4A Active CN113554231B (zh) | 2021-07-26 | 2021-07-26 | 一种带有作业族的作业车间调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554231B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455222A (zh) * | 2023-12-26 | 2024-01-26 | 聊城大学 | 基于分布式异构流水车间组调度问题的求解方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150142548A1 (en) * | 2013-09-19 | 2015-05-21 | Thorlabs, Inc. | Method for improving the utilization of manufacturing machines in manufacturing processes |
CN110414826A (zh) * | 2019-07-23 | 2019-11-05 | 浙江财经大学 | 一种云制造环境下柔性多任务前摄性调度优化方法 |
CN111798120A (zh) * | 2020-06-30 | 2020-10-20 | 南京信息工程大学 | 基于改进人工蜂群算法的柔性作业车间调度方法 |
CN112053002A (zh) * | 2020-09-11 | 2020-12-08 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
-
2021
- 2021-07-26 CN CN202110842491.4A patent/CN113554231B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150142548A1 (en) * | 2013-09-19 | 2015-05-21 | Thorlabs, Inc. | Method for improving the utilization of manufacturing machines in manufacturing processes |
CN110414826A (zh) * | 2019-07-23 | 2019-11-05 | 浙江财经大学 | 一种云制造环境下柔性多任务前摄性调度优化方法 |
CN111798120A (zh) * | 2020-06-30 | 2020-10-20 | 南京信息工程大学 | 基于改进人工蜂群算法的柔性作业车间调度方法 |
CN112053002A (zh) * | 2020-09-11 | 2020-12-08 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
Non-Patent Citations (4)
Title |
---|
"An EDA-GA Hybrid Algorithm for Multi-Objective Task Scheduling in Cloud Computing", 《IEEE ACCESS》, vol. 7, pages 146379 - 146389 * |
XIANGQI LIU 等: "A New Job Shop Scheduling Method for Remanufacturing Systems Using Extended Artificial Bee Colony Algorithm", 《IEEE ACCESS》, vol. 9, pages 132429 - 132441, XP011880879, DOI: 10.1109/ACCESS.2021.3114712 * |
ZHANG, SHUAI 等: "Multitask-oriented manufacturing service composition in an uncertain environment using a hyper-heuristic algorithm", 《JOURNAL OF MANUFACTURING SYSTEMS》, vol. 60, pages 138 - 151 * |
张刚志 等: "带换模约束的非等效并行机作业族调度方法", 《计算机集成制造系统》, vol. 19, no. 12, pages 3162 - 3169 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455222A (zh) * | 2023-12-26 | 2024-01-26 | 聊城大学 | 基于分布式异构流水车间组调度问题的求解方法 |
CN117455222B (zh) * | 2023-12-26 | 2024-03-05 | 聊城大学 | 基于分布式异构流水车间组调度问题的求解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113554231B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Defersha et al. | An efficient two-stage genetic algorithm for a flexible job-shop scheduling problem with sequence dependent attached/detached setup, machine release date and lag-time | |
Reddy et al. | A hybrid multi-objective GA for simultaneous scheduling of machines and AGVs in FMS | |
Padhye et al. | Improving differential evolution through a unified approach | |
Lei | Multi-objective artificial bee colony for interval job shop scheduling with flexible maintenance | |
Pistolesi et al. | TeMA: A tensorial memetic algorithm for many-objective parallel disassembly sequence planning in product refurbishment | |
CN111966484A (zh) | 一种基于深度强化学习的集群资源管理和任务调度方法及系统 | |
Kumar et al. | Multilevel redundancy allocation optimization using hierarchical genetic algorithm | |
CN113962091B (zh) | 一种处理混合废旧产品的多人共站不完全拆卸线平衡设计方法 | |
Costa et al. | A dual encoding-based meta-heuristic algorithm for solving a constrained hybrid flow shop scheduling problem | |
CN116090788B (zh) | 一种柔性装配作业车间分批调度计划方法 | |
Ehm | A data-driven modeling approach for integrated disassembly planning and scheduling | |
CN113805545A (zh) | 一种考虑批处理的柔性流水车间组合调度规则生成方法 | |
Wang et al. | Modeling and scheduling for remanufacturing systems with disassembly, reprocessing, and reassembly considering total energy consumption | |
CN113554231A (zh) | 一种带有作业族的作业车间调度方法及装置 | |
CN116027753A (zh) | 一种多目标混合流水车间调度方法及系统 | |
Cunha Campos et al. | NSGA-II with iterated greedy for a bi-objective three-stage assembly flowshop scheduling problem | |
Ding et al. | A hybrid heuristic-genetic algorithm with adaptive parameters for static task scheduling in heterogeneous computing system | |
CN113723695B (zh) | 一种基于场景的再制造调度优化方法 | |
Tayeb et al. | Towards an artificial immune system for scheduling jobs and preventive maintenance operations in flowshop problems | |
de Siqueira et al. | An algorithm based on evolution strategies for makespan minimization in hybrid flexible flowshop scheduling problems | |
Sutar et al. | An economic/emission dispatch based on a new multi-objective artificial bee colony optimization algorithm and NSGA-II | |
CN114707808A (zh) | 一种基于动态根节点工序集的逆序设备网络综合调度方法 | |
Abed et al. | Guided genetic algorithm for solving unrelated parallel machine scheduling problem with additional resources | |
Taha et al. | Job sequencing and layout optimization in virtual production line | |
CN111932021A (zh) | 一种再制造系统调度方法 |
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 |