CN113592168B - 一种基于机器速度缩放的作业车间调度风险优化方法 - Google Patents
一种基于机器速度缩放的作业车间调度风险优化方法 Download PDFInfo
- Publication number
- CN113592168B CN113592168B CN202110843042.1A CN202110843042A CN113592168B CN 113592168 B CN113592168 B CN 113592168B CN 202110843042 A CN202110843042 A CN 202110843042A CN 113592168 B CN113592168 B CN 113592168B
- Authority
- CN
- China
- Prior art keywords
- machine
- steps
- chr
- population
- current
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 207
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 66
- 210000000349 chromosome Anatomy 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 16
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 8
- 238000003754 machining Methods 0.000 claims description 8
- 230000002759 chromosomal effect Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000007430 reference method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction 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
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (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)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器速度缩放的作业车间调度风险优化方法，步骤如下：步骤1，设置调度问题信息；步骤2，种群初始化；步骤3，当chr1＜Np时，重复执行以下步骤生成临时新种群Ptmp；步骤4，合并种群Pcom＝Pcur∪Ptmp，并进行适应度评价；步骤5，种群更新；步骤6：结束条件判断。本发明方法采用了双矢量染色体编码和基于速度缩放的受影响工序修复步骤，可以获得在调度性能或调度风险目标上更优的调度方案，从而更好地满足作业车间调度对调度性能和风险的要求。
Description
技术领域
本发明属于不确定作业车间调度控制技术领域，尤其是一种基于机器速度缩放的作业车间调度风险优化方法。
背景技术
文献“Risk measure of job shop scheduling with random machinebreakdowns,Computers&Operations Research,2018,Vol99,p1-12”公开了一种随机设备故障下的作业车间调度风险优化控制方法，该方法针对随机设备故障下的作业车间调度问题，以调度方案的最大完工时间作为调度性能指标，以最大完工时间的期望延迟作为调度风险目标，进而采用一种基于代理风险指标评价的遗传进化算法，来从解空间中优选风险小的调度方案。该方法在一定程度上提高了作业车间调度在实际执行中的稳定性，降低了作业车间调度的风险水平。然而，文献所述方法只考虑机器加工速度恒定的情况，忽略了机器具有多个速度模式的实际情况。但是，通过适时调节机器的速度模式不仅可以改善作业车间调度的性能指标，还可以吸收设备故障对调度性能的影响，显著降低调度方案的风险水平。由于文献所述方法未考虑这一点，导致生成的调度方案仍具有较差的性能指标和较高的风险水平，难以满足作业车间调度的实际要求。
通过检索，尚未发现与本发明专利申请相关的专利公开文献。
发明内容
本发明目的在于克服现有调度风险优化方法在改善调度性能和风险上的不足之处，提供一种基于机器速度缩放的作业车间调度风险优化方法。
本发明解决其技术问题所采用的技术方案是：
一种基于机器速度缩放的作业车间调度风险优化方法，步骤如下：
步骤1，设置调度问题信息：
步骤1.1，设置机器数目为m，工件数目为n，每个工件包含o个工序
其中
为第j个工件的第i个工序，其在设备
上进行加工，基础加工时间为
步骤1.2，设置设备故障率为λ0，期望停机时间为β0，设备可选速度模式为sm，相邻模式间的速度相对差为Δs；
步骤1.3，随机生成Ns个机器故障情景
其中每个故障情景Bk由故障分布矩阵Lk和停机时间分布矩阵Dk组成：
Bk＝{Lk,Dk},k＝1,2,...,Ns (1)
步骤1.3.1，采用故障分布矩阵Lk标记工序是否遭遇机器故障，其中，
代表工件j的第i个工序会遭遇机器故障，
代表工件j的第i个工序不会遭遇机器故障：
步骤1.3.2，采用停机时间分布矩阵Dk记录工序经历的停机时间，
代表工件j的第i个工序经历的停机时间：
步骤2，种群初始化：
步骤2.1，参数设置：种群规模为Np，交叉概率为Pc，变异概率为Pm，最大进化代数Nmax；并令当前种群为
当前个体数为chr＝0；
步骤2.2，设置编码方式：采用双矢量编码，每个染色体pk＝＜sk,qk＞由工件优先加工顺序矢量
和机器速度模式分配矢量
组成，其中
采用优先列表编码工件在设备i上的优先加工顺序，
编码工件在设备i上分配的速度模式；
步骤2.3，当chr＜Np时，重复执行以下步骤：
步骤2.3.1，随机生成工件在设备上的优先列表，构成工件优先加工顺序矢量schr；
步骤2.3.2，如果chr＜0.2Np，将机器速度模式分配矢量qchr中的所有值设置为速度模式的最小值min{sm}；如果chr>0.8Np，将机器速度模式分配矢量qchr中的所有值设为速度模式的最大值max{sm}；否则，机器速度模式分配矢量qchr中的值从速度模式集合sm中随机选择确定；
步骤2.3.3，将当前个体pchr＝{schr,qchr}更新到初始种群Pcur＝Pcur∪pchr；并令chr＝chr+1；
步骤3，当chr1＜Np时，重复执行以下步骤生成临时新种群Ptmp：
步骤3.1，从当前种群Pcur随机选择两个体pk＝＜sk,qk＞和pl＝＜sl,ql＞作为父代个体；
步骤3.2，当满足交叉概率Pc时，执行双矢量染色体交叉操作：
步骤3.2.1，从区间[0,m)中随机选择两个机器号作为交叉点cr1和cr2；
步骤3.2.2，通过交换两父代个体中的工件优先加工顺序矢量
和
位于交叉点cr1和cr2之间的部分，生成
和
步骤3.2.3，交换两父代个体中的机器速度模式分配矢量
和
位于交叉点cr1和cr2之间的部分，生成
和
步骤3.3，生成两新个体pc1＝＜sc1,qc1＞和pc2＝＜sc2,qc2＞，并对其执行双矢量染色体变异操作：
步骤3.3.1，对于新个体pc1，当满足变异概率Pm时，从区间[0,m)中随机选择一个机器号mut1作为变异点；随机生成一个优先列表替换工件在机器mut1上的优先加工顺序
随机生成一个速度分配模式子矢量替换工件在机器mut1上的速度分配模式子矢量
步骤3.3.2，对于新个体pc2，当满足变异概率Pm时，从区间[0,m)中随机选择一个机器号mut2作为变异点；随机生成一个优先列表替换工件在机器mut2上的优先加工顺序
随机生成一个速度分配模式子矢量替换工件在机器mut2上的速度分配模式子矢量
步骤3.4，将两新个体添加进种群Ptmp＝Ptmp∪{pc1,pc2}，chr1＝chr1+2；
步骤4，合并种群Pcom＝Pcur∪Ptmp，并采用以下步骤对合并种群进行适应度评价：
步骤4.1，当chr2＜2Np时，重复执行以下步骤：
步骤4.1.1，染色体解码：依据个体pchr2编码的工件优先加工顺序schr2和机器速度分配模式qchr2，在满足工艺约束和资源约束的前提下采用活动调度方法对工序的开完工时间进行安排，得到调度方案πchr2，其中工序
在给定速度模式
下的加工时间
由式(6)计算：
步骤4.1.2：评估调度方案πchr2的性能目标值：采用式(7)计算调度方案πchr2的最大完工时间
其中
为工序
在调度方案πchr2中的完工时间：
步骤4.1.3，评估调度方案πchr2的风险目标值：
步骤4.1.3.1，已评估故障情景数cur＜Ns，重复执行以下步骤：
(a)对于调度方案πchr2中的所有工序
根据故障情景Bcur判断其是否遭遇设备故障；
(b)如果工序
遭遇故障工序，根据故障情景Bcur确定其经历的停机时间
否则转步骤(e)；
(c)采用式(8)更新工序
的完工时间
(d)执行基于速度缩放的受影响工序修复步骤：
(d.1)如果不是最后一道工序，确定当前工序
的机器后道工序
和工艺后道工序
(d.2)对于机器后道工序
确定其当前速度模式smcurrent；然后，采用式(9)计算机器后道工序
开工时间的推迟量Δt：
如果Δt＞0，采用式(10)计算工序需要的速度模式smneed：
smneed＝smcurrent+Δt/Δs (10)
进而，分别采用式(11)、(12)、(13)更新工序
的开工时间
完工时间
以及当前速度模式smcurrent：
如果工序
不是最后一道工序，则令
为当前工序Oc并转步骤(d.1)；
(d.3)对于工艺后道工序
确定其当前速度模式smcurrent；然后，采用式(14)计算后道工序
开工时间的推迟量Δt；如果Δt＞0，采用式(10)计算工序需要的速度模式smneed；
进而，分别采用式(15)、(16)、(13)更新工序
的开工时间
完工时间
以及当前速度模式smcurrent：
如果工序
不是最后一道工序，则令
为当前工序Oc并转步骤(d.1)；
(e)如果遍历完调度方案πchr2中的所有工序，计算调度方案在故障情景Bcur下的实际
步骤4.1.3.2，采用式(17)计算调度方案πchr2的风险目标值：
步骤5，种群更新：采用快速非支配排序方法对合并种群Pcom中的个体进行排名，并按排名顺序从合并种群Pcom中选择优势个体进入新种群Pcur＝cur+1；
步骤6：结束条件判断：如果达到最大进化代数Nmax，算法终止并返回最终的非支配解集；否则，令chr1＝chr1+1并返回步骤3。
本发明取得的优点和积极效果为：
1、本发明方法通过采用双矢量染色体编码工件加工顺序和机器速度模式的组合，可以在优化过程中同时考虑工件排序和机器加工速度对调度风险的综合影响，增加获得具有更低调度风险调度方案的可能性；通过采用基于速度缩放的受影响工序修复步骤，可以在机器故障发生时，适时调整受影响工序的机器速度模式，减少后续工序开完工时间的延迟，实现对机器故障影响的局部自适应控制，保证在工件加工顺序一样的情况下，调度方案具有更低的调度风险；通过采用非支配双目标优化，可以生成在调度性能和风险目标上分布广泛的非支配调度方案集合，从而更好地满足具有不同风险偏好的调度决策者。
2、本发明方法采用双矢量染色体同时编码工件的加工顺序和机器的速度模式，首先，随机生成一个具有不同双矢量染色体的初始种群；然后，对当前种群采用双矢量染色体交叉和变异操作，生成一个具有同等规模的新种群；进而，对合并种群中的个体按照编码的工件加工顺序和机器速度模式进行调度解码，并采用基于速度缩放的受影响工序修复步骤，评估生成调度方案的性能目标值和风险目标值；最后，依据调度性能目标和调度风险目标对合并种群进行非支配排序，并更新下一代种群。本发明方法通过重复上述步骤直至最大进化代数，将获得一组在调度性能目标和风险目标上分布广泛的非支配解集。由于本发明方法采用了双矢量染色体编码和基于速度缩放的受影响工序修复步骤，可以获得在调度性能或调度风险目标上更优的调度方案，从而更好地满足作业车间调度对调度性能和风险的要求。
附图说明
图1为本发明方法的一种整体流程图；
图2为本发明方法的一种风险评价流程图；
图3为本发明方法的对比结果图。
具体实施方式
下面详细叙述本发明的实施例，需要说明的是，本实施例是叙述性的，不是限定性的，不能以此限定本发明的保护范围。
本发明中所使用的原料，如无特殊说明，均为常规的市售产品；本发明中所使用的方法，如无特殊说明，均为本领域的常规方法。
一种基于机器速度缩放的作业车间调度风险优化方法，步骤如下：
步骤1，设置调度问题信息：
步骤1.1，设置机器数目为m，工件数目为n，每个工件包含o个工序
其中
为第j个工件的第i个工序，其在设备
上进行加工，基础加工时间为
步骤1.2，设置设备故障率为λ0，期望停机时间为β0，设备可选速度模式为sm，相邻模式间的速度相对差为Δs；
步骤1.3，随机生成Ns个机器故障情景
其中每个故障情景Bk由故障分布矩阵Lk和停机时间分布矩阵Dk组成：
Bk＝{Lk,Dk},k＝1,2,...,Ns (1)
步骤1.3.1，采用故障分布矩阵Lk标记工序是否遭遇机器故障，其中，
代表工件j的第i个工序会遭遇机器故障，
代表工件j的第i个工序不会遭遇机器故障：
步骤1.3.2，采用停机时间分布矩阵Dk记录工序经历的停机时间，
代表工件j的第i个工序经历的停机时间：
步骤2，种群初始化：
步骤2.1，参数设置：种群规模为Np，交叉概率为Pc，变异概率为Pm，最大进化代数Nmax；并令当前种群为
当前个体数为chr＝0；
步骤2.2，设置编码方式：采用双矢量编码，每个染色体pk＝＜sk,qk＞由工件优先加工顺序矢量
和机器速度模式分配矢量
组成，其中
采用优先列表编码工件在设备i上的优先加工顺序，
编码工件在设备i上分配的速度模式；
步骤2.3，当chr＜Np时，重复执行以下步骤：
步骤2.3.1，随机生成工件在设备上的优先列表，构成工件优先加工顺序矢量schr；
步骤2.3.2，如果chr＜0.2Np，将机器速度模式分配矢量qchr中的所有值设置为速度模式的最小值min{sm}；如果chr>0.8Np，将机器速度模式分配矢量qchr中的所有值设为速度模式的最大值max{sm}；否则，机器速度模式分配矢量qchr中的值从速度模式集合sm中随机选择确定；
步骤2.3.3，将当前个体pchr＝{schr,qchr}更新到初始种群Pcur＝Pcur∪pchr；并令chr＝chr+1；
步骤3，当chr1＜Np时，重复执行以下步骤生成临时新种群Ptmp：
步骤3.1，从当前种群Pcur随机选择两个体pk＝＜sk,qk＞和pl＝＜sl,ql＞作为父代个体；
步骤3.2，当满足交叉概率Pc时，执行双矢量染色体交叉操作：
步骤3.2.1，从区间[0,m)中随机选择两个机器号作为交叉点cr1和cr2；
步骤3.2.2，通过交换两父代个体中的工件优先加工顺序矢量
和
位于交叉点cr1和cr2之间的部分，生成
和
步骤3.2.3，交换两父代个体中的机器速度模式分配矢量
和
位于交叉点cr1和cr2之间的部分，生成
和
步骤3.3，生成两新个体pc1＝＜sc1,qc1＞和pc2＝＜sc2,qc2＞，并对其执行双矢量染色体变异操作：
步骤3.3.1，对于新个体pc1，当满足变异概率Pm时，从区间[0,m)中随机选择一个机器号mut1作为变异点；随机生成一个优先列表替换工件在机器mut1上的优先加工顺序
随机生成一个速度分配模式子矢量替换工件在机器mut1上的速度分配模式子矢量
步骤3.3.2，对于新个体pc2，当满足变异概率Pm时，从区间[0,m)中随机选择一个机器号mut2作为变异点；随机生成一个优先列表替换工件在机器mut2上的优先加工顺序
随机生成一个速度分配模式子矢量替换工件在机器mut2上的速度分配模式子矢量
步骤3.4，将两新个体添加进种群Ptmp＝Ptmp∪{pc1,pc2}，chr1＝chr1+2；
步骤4，合并种群Pcom＝Pcur∪Ptmp，并采用以下步骤对合并种群进行适应度评价：
步骤4.1，当chr2＜2Np时，重复执行以下步骤：
步骤4.1.1，染色体解码：依据个体pchr2编码的工件优先加工顺序schr2和机器速度分配模式qchr2，在满足工艺约束和资源约束的前提下采用活动调度方法对工序的开完工时间进行安排，得到调度方案πchr2，其中工序
在给定速度模式
下的加工时间
由式(6)计算：
步骤4.1.2：评估调度方案πchr2的性能目标值：采用式(7)计算调度方案πchr2的最大完工时间
其中
为工序
在调度方案πchr2中的完工时间：
步骤4.1.3，评估调度方案πchr2的风险目标值：
步骤4.1.3.1，已评估故障情景数cur＜Ns，重复执行以下步骤：
(a)对于调度方案πchr2中的所有工序
根据故障情景Bcur判断其是否遭遇设备故障；
(b)如果工序
遭遇故障工序，根据故障情景Bcur确定其经历的停机时间
否则转步骤(e)；
(c)采用式(8)更新工序
的完工时间
(d)执行基于速度缩放的受影响工序修复步骤：
(d.1)如果不是最后一道工序，确定当前工序
的机器后道工序
和工艺后道工序
(d.2)对于机器后道工序
确定其当前速度模式smcurrent；然后，采用式(9)计算机器后道工序
开工时间的推迟量Δt：
如果Δt＞0，采用式(10)计算工序需要的速度模式smneed：
smneed＝smcurrent+Δt/Δs (10)
进而，分别采用式(11)、(12)、(13)更新工序
的开工时间
完工时间
以及当前速度模式smcurrent：
如果工序
不是最后一道工序，则令
为当前工序Oc并转步骤(d.1)；
(d.3)对于工艺后道工序
确定其当前速度模式smcurrent；然后，采用式(14)计算后道工序
开工时间的推迟量Δt；如果Δt＞0，采用式(10)计算工序需要的速度模式smneed；
进而，分别采用式(15)、(16)、(13)更新工序
的开工时间
完工时间
以及当前速度模式smcurrent：
如果工序
不是最后一道工序，则令
为当前工序Oc并转步骤(d.1)；
(e)如果遍历完调度方案πchr2中的所有工序，计算调度方案在故障情景Bcur下的实际
步骤4.1.3.2，采用式(17)计算调度方案πchr2的风险目标值：
步骤5，种群更新：采用快速非支配排序方法对合并种群Pcom中的个体进行排名，并按排名顺序从合并种群Pcom中选择优势个体进入新种群Pcur＝cur+1；
步骤6：结束条件判断：如果达到最大进化代数Nmax，算法终止并返回最终的非支配解集；否则，令chr1＝chr1+1并返回步骤3。
本发明方法的一种整体流程图、一种风险评价流程图可以如图1、图2所示。
具体地，相关制备及检测如下：
一种基于机器速度缩放的调度风险优化方法,具体步骤如下：
步骤1，设置调度问题信息：
步骤1.1，设置机器数目为m＝10，工件数目为n＝10，每个工件包含o＝10个工序
其中
为第j个工件的第i个工序，在设备
上进行加工，基础加工时间为
各工件的工序信息设置如下：
工件1的工序信息：<0,29>，<1,78>，<2,9>，<3,36>，<4,49>，<5,11>，<6,62>，<7,56>，<8,44>，<9,21>；
工件2的工序信息：<0,43>，<2,90>，<4,75>，<9,11>，<3,69>，<1,28>，<6,46>，<5,46>，<7,72>，<8,30>；
工件3的工序信息：<1,91>，<0,85>，<3,39>，<2,74>，<8,90>，<5,10>，<7,12>，<6,89>，<9,45>，<4,33>；
工件4的工序信息：<1,81>，<2,95>，<0,71>，<4,99>，<6,9>，<8,52>，<7,85>，<3,98>，<9,22>，<5,43>；
工件5的工序信息：<2,14>，<0,6>，<1,22>，<5,61>，<3,26>，<4,69>，<8,21>，<7,49>，<9,72>，<6,53>；
工件6的工序信息：<2,84>，<1,2>，<5,52>，<3,95>，<8,48>，<9,72>，<0,47>，<6,65>，<4,6>，<7,25>；
工件7的工序信息：<1,46>，<0,37>，<3,61>，<2,13>，<6,32>，<5,21>，<9,32>，<8,89>，<7,30>，<4,55>；
工件8的工序信息：<2,31>，<0,86>，<1,46>，<5,74>，<4,32>，<6,88>，<8,19>，<9,48>，<7,36>，<3,79>；
工件9的工序信息：<0,76>，<1,69>，<3,76>，<5,51>，<2,85>，<9,11>，<6,40>，<7,89>，<4,26>，<8,74>；
工件10的工序信息：<1,85>，<0,13>，<2,61>，<6,7>，<8,64>，<9,76>，<5,47>，<3,52>，<4,90>，<7,45>；
步骤1.2，设置设备故障率为λ0＝0.005，期望停机时间为β0＝20.0，设备可选速度模式为sm＝{0,1,2,3,4,5}，相邻模式间的速度相对差为Δs＝0.05。
步骤1.3，随机生成Ns＝200个机器故障情景
其中每个故障情景Bk由故障分布矩阵Lk和停机时间分布矩阵Dk组成。
Bk＝{Lk,Dk},k＝1,2,...,Ns (1)
步骤1.3.1，采用故障分布矩阵Lk对工序是否遭遇机器故障进行标记，其中，
代表工件j的第i个工序会遭遇机器故障，
代表工件j的第i个工序不会遭遇机器故障。
步骤1.3.2，采用停机时间分布矩阵Dk记录遭遇机器故障工序的停机时间，
代表工件j的第i个工序经历的停机时间，
步骤2，种群初始化：
步骤2.1，参数设置：初始化种群规模为Np＝1024，交叉概率为Pc＝0.95，变异概率为Pm＝0.05，最大进化代数Nmax＝128，令当前种群为
当前个体数为chr＝0；
步骤2.2，编码方式设置：采用双矢量编码，每个染色体pk＝＜sk,qk＞由工件优先加工顺序矢量
和机器速度模式分配矢量
组成，其中
采用优先列表编码工件在设备i上的优先加工顺序，
编码工件在设备i上采用的速度分配模式；
步骤2.3，当chr＜Np时，重复执行以下步骤：
步骤2.3.1，随机生成工件在各设备上的优先列表，构成工件优先加工顺序矢量schr；
步骤2.3.2，如果chr＜0.2Np，将机器速度模式分配矢量qchr中的所有值设置为速度模式的最小值min{sm}＝0；如果chr>0.8Np，将机器速度模式分配矢量qchr中的所有值设为速度模式的最大值max{sm}＝5；否则，机器速度模式分配矢量qchr中的值从速度模式集合sm中随机选择确定；
步骤2.3.3，将当前个体pchr＝{schr,qchr}更新到初始种群Pcur＝Pcur∪pchr；并令chr＝chr+1；
步骤3，当chr1＜Np时，重复执行以下步骤生成临时新种群Ptmp：
步骤3.1，从当前种群Pcur随机选择两个体pk＝＜sk,qk＞和pl＝＜sl,ql＞作为父代个体；
步骤3.2，当满足交叉概率Pc时，执行双矢量染色体交叉操作：
步骤3.2.1，从区间[0,m)中随机选择两个机器号作为交叉点cr1和cr2；
步骤3.2.2，通过交换两个父代个体中的工件优先加工顺序矢量
和
位于交叉点cr1和cr2之间的部分，生成
和
步骤3.2.3，交换两父代个体中的机器速度模式分配矢量
和
位于交叉点cr1和cr2之间的部分，生成
和
步骤3.3，生成两个新个体pc1＝＜sc1,qc1＞和pc2＝＜sc2,qc2＞，并对其执行双矢量染色体变异操作：
步骤3.3.1，对于新个体pc1，当满足变异概率Pm时，从区间[0,m)中随机选择一个机器号mut1作为变异点；随机生成一个优先列表替换工件在机器mut1上的优先加工顺序
随机生成一个速度分配模式子矢量替换工件在机器mut1上的速度分配模式子矢量
步骤3.3.2，对于新个体pc2，当满足变异概率Pm时，从区间[0,m)中随机选择一个机器号mut2作为变异点；随机生成一个优先列表替换工件在机器mut2上的优先加工顺序
随机生成一个速度分配模式子矢量替换工件在机器mut2上的速度分配模式子矢量
步骤3.4，将两新个体添加进种群Ptmp＝Ptmp∪{pc1,pc2}，chr1＝chr1+2；
步骤4，合并种群Pcom＝Pcur∪Ptmp，并进行适应度评价：
步骤4.1，当chr2＜2Np时，重复执行以下步骤：
步骤4.1.1，染色体解码：依据个体pchr2编码的工件优先加工顺序schr2和机器速度分配模式qchr2，在满足工艺约束和资源约束的前提下采用活动调度方法安排工序的开完工时间，得到调度方案πchr2，其中工序
在给定速度模式
下的加工时间
由式(6)计算。
步骤4.1.2：评估调度方案πchr2的性能目标值：采用式(7)计算调度方案πchr2的最大完工时间
其中
为工序
在调度方案πchr2中的完工时间。
步骤4.1.3，评估调度方案πchr2的风险目标值：
步骤4.1.3.1，已评估故障情景数cur＜Ns，重复执行以下步骤：
(a)对于调度方案πchr2中的所有工序
根据故障情景Bcur判断其是否遭遇设备故障；
(b)如果工序
遭遇故障工序，根据故障情景Bcur确定其经历的停机时间
否则转步骤(e)；
(c)采用式(8)更新工序
的完工时间
(d)执行基于速度缩放的受影响工序修复步骤：
(d.1)如果不是最后一道工序，确定当前工序
的机器后道工序
和工艺后道工序
(d.2)对于机器后道工序
确定其当前速度模式smcurrent。然后，采用式(9)计算机器后道工序
开工时间的推迟量Δt。
如果Δt＞0，采用式(10)计算工序需要的速度模式smneed。
smneed＝smcurrent+Δt/Δs (10)
进而，分别采用式(11)、(12)、(13)更新工序
的开工时间
完工时间
以及当前速度模式smcurrent。
如果工序
不是最后一道工序，则令
为当前工序Oc并转步骤(d.1)。
(d.3)对于工艺后道工序
确定其当前速度模式smcurrent。然后，采用式(14)计算后道工序
开工时间的推迟量Δt。如果Δt＞0，采用式(10)计算工序需要的速度模式smneed。
进而，分别采用式(15)、(16)、(13)更新工序
的开工时间
完工时间
以及当前速度模式smcurrent。
如果工序
不是最后一道工序，则令
为当前工序Oc并转步骤(d.1)。
(e)如果遍历完调度方案πchr2中的所有工序，计算调度方案在故障情景Bcur下的实际
步骤4.1.3.2，采用式(17)计算调度方案πchr2的风险目标值。
步骤5，种群更新：采用快速非支配排序方法对合并种群Pcom中的个体进行排名，并按排名顺序从合并种群Pcom中选择优势个体进入新种群Pcur＝cur+1。
步骤6：结束条件判断：如果达到最大进化代数Nmax，算法终止并返回最终的非支配解集；否则，令chr1＝chr1+1并返回步骤3。
根据附图3可得：参照方法在性能目标相同的情况下风险目标较差；在风险目标相同的情况下性能目标较差；本发明所提方法优于参照方法，能更好地解决作业车间调度性能与风险优化问题。
尽管为说明目的公开了本发明的实施例，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例所公开的内容。
Claims (1)
1.一种基于机器速度缩放的作业车间调度风险优化方法，其特征在于：步骤如下：
步骤1，设置调度问题信息：
步骤1.1，设置机器数目为m，工件数目为n，每个工件包含o个工序
其中
为第j个工件的第i个工序，其在设备
上进行加工，基础加工时间为
步骤1.2，设置设备故障率为λ0，期望停机时间为β0，设备可选速度模式为sm，相邻模式间的速度相对差为Δs；
步骤1.3，随机生成Ns个机器故障情景
其中每个故障情景Bk由故障分布矩阵Lk和停机时间分布矩阵Dk组成：
Bk＝{Lk,Dk},k＝1,2,...,Ns (1)
步骤1.3.1，采用故障分布矩阵Lk标记工序是否遭遇机器故障，其中，
代表工件j的第i个工序会遭遇机器故障，
代表工件j的第i个工序不会遭遇机器故障：
Lij的值由式(3)计算的设备故障概率
依概率随机确定：
步骤1.3.2，采用停机时间分布矩阵Dk记录工序经历的停机时间，
代表工件j的第i个工序经历的停机时间：
步骤2，种群初始化：
步骤2.1，参数设置：种群规模为Np，交叉概率为Pc，变异概率为Pm，最大进化代数Nmax；并令当前种群为
当前个体数为chr＝0；
步骤2.2，设置编码方式：采用双矢量编码，每个染色体pk＝＜sk,qk＞由工件优先加工顺序矢量
和机器速度模式分配矢量
组成，其中
采用优先列表编码工件在设备i上的优先加工顺序，
编码工件在设备i上分配的速度模式；
步骤2.3，当chr＜Np时，重复执行以下步骤：
步骤2.3.1，随机生成工件在设备上的优先列表，构成工件优先加工顺序矢量schr；
步骤2.3.2，如果chr＜0.2Np，将机器速度模式分配矢量qchr中的所有值设置为速度模式的最小值min{sm}；如果chr>0.8Np，将机器速度模式分配矢量qchr中的所有值设为速度模式的最大值max{sm}；否则，机器速度模式分配矢量qchr中的值从速度模式集合sm中随机选择确定；
步骤2.3.3，将当前个体pchr＝{schr,qchr}更新到初始种群Pcur＝Pcur∪pchr；并令chr＝chr+1；
步骤3，当chr1＜Np时，重复执行以下步骤生成临时新种群Ptmp：
步骤3.1，从当前种群Pcur随机选择两个体pk＝＜sk,qk＞和pl＝＜sl,ql＞作为父代个体；
步骤3.2，当满足交叉概率Pc时，执行双矢量染色体交叉操作：
步骤3.2.1，从区间[0,m)中随机选择两个机器号作为交叉点cr1和cr2；
步骤3.2.2，通过交换两父代个体中的工件优先加工顺序矢量
和
位于交叉点cr1和cr2之间的部分，生成
和
步骤3.2.3，交换两父代个体中的机器速度模式分配矢量
和
位于交叉点cr1和cr2之间的部分，生成
和
步骤3.3，生成两新个体pc1＝＜sc1,qc1＞和pc2＝＜sc2,qc2＞，并对其执行双矢量染色体变异操作：
步骤3.3.1，对于新个体pc1，当满足变异概率Pm时，从区间[0,m)中随机选择一个机器号mut1作为变异点；随机生成一个优先列表替换工件在机器mut1上的优先加工顺序
随机生成一个速度分配模式子矢量替换工件在机器mut1上的速度分配模式子矢量
步骤3.3.2，对于新个体pc2，当满足变异概率Pm时，从区间[0,m)中随机选择一个机器号mut2作为变异点；随机生成一个优先列表替换工件在机器mut2上的优先加工顺序
随机生成一个速度分配模式子矢量替换工件在机器mut2上的速度分配模式子矢量
步骤3.4，将两新个体添加进种群Ptmp＝Ptmp∪{pc1,pc2}，chr1＝chr1+2；
步骤4，合并种群Pcom＝Pcur∪Ptmp，并采用以下步骤对合并种群进行适应度评价：
步骤4.1，当chr2＜2Np时，重复执行以下步骤：
步骤4.1.1，染色体解码：依据个体pchr2编码的工件优先加工顺序schr2和机器速度分配模式qchr2，在满足工艺约束和资源约束的前提下采用活动调度方法对工序的开完工时间进行安排，得到调度方案πchr2，其中工序
在给定速度模式
下的加工时间
由式(6)计算：
步骤4.1.2：评估调度方案πchr2的性能目标值：采用式(7)计算调度方案πchr2的最大完工时间
其中
为工序
在调度方案πchr2中的完工时间：
步骤4.1.3，评估调度方案πchr2的风险目标值：
步骤4.1.3.1，已评估故障情景数cur＜Ns，重复执行以下步骤：
(a)对于调度方案πchr2中的所有工序
根据故障情景Bcur判断其是否遭遇设备故障；
(b)如果工序
遭遇故障工序，根据故障情景Bcur确定其经历的停机时间
否则转步骤(e)；
(c)采用式(8)更新工序
的完工时间
(d)执行基于速度缩放的受影响工序修复步骤：
(d.1)如果不是最后一道工序，确定当前工序
的机器后道工序
和工艺后道工序
(d.2)对于机器后道工序
确定其当前速度模式smcurrent；然后，采用式(9)计算机器后道工序
开工时间的推迟量Δt：
如果Δt＞0，采用式(10)计算工序需要的速度模式smneed：
smneed＝smcurrent+Δt/Δs (10)
进而，分别采用式(11)、(12)、(13)更新工序
的开工时间
完工时间
以及当前速度模式smcurrent：
如果工序
不是最后一道工序，则令
为当前工序Oc并转步骤(d.1)；
(d.3)对于工艺后道工序
确定其当前速度模式smcurrent；然后，采用式(14)计算后道工序
开工时间的推迟量Δt；如果Δt＞0，采用式(10)计算工序需要的速度模式smneed；
进而，分别采用式(15)、(16)、(13)更新工序
的开工时间
完工时间
以及当前速度模式smcurrent：
如果工序
不是最后一道工序，则令
为当前工序Oc并转步骤(d.1)；
(e)如果遍历完调度方案πchr2中的所有工序，计算调度方案在故障情景Bcur下的实际
步骤4.1.3.2，采用式(17)计算调度方案πchr2的风险目标值：
步骤5，种群更新：采用快速非支配排序方法对合并种群Pcom中的个体进行排名，并按排名顺序从合并种群Pcom中选择优势个体进入新种群Pcur＝cur+1；
步骤6：结束条件判断：如果达到最大进化代数Nmax，算法终止并返回最终的非支配解集；否则，令chr1＝chr1+1并返回步骤3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110843042.1A CN113592168B (zh) | 2021-07-26 | 2021-07-26 | 一种基于机器速度缩放的作业车间调度风险优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110843042.1A CN113592168B (zh) | 2021-07-26 | 2021-07-26 | 一种基于机器速度缩放的作业车间调度风险优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113592168A CN113592168A (zh) | 2021-11-02 |
| CN113592168B true CN113592168B (zh) | 2023-07-04 |
Family
ID=78249994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110843042.1A Active CN113592168B (zh) | 2021-07-26 | 2021-07-26 | 一种基于机器速度缩放的作业车间调度风险优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113592168B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901425A (zh) * | 2010-07-15 | 2010-12-01 | 华中科技大学 | 一种基于多种群协同进化的柔性作业车间调度方法 |
| WO2013098088A1 (en) * | 2011-12-30 | 2013-07-04 | bioMérieux | Job scheduler for electromechanical system for biological analyses |
| CN109034633A (zh) * | 2018-08-04 | 2018-12-18 | 郑州航空工业管理学院 | 改进遗传算法求解带移动时间的柔性作业车间调度方法 |
| CN110598943A (zh) * | 2019-09-19 | 2019-12-20 | 郑州航空工业管理学院 | 改良文化基因算法求解带运输时间柔性作业车间调度方法 |
| CN110796355A (zh) * | 2019-10-22 | 2020-02-14 | 江苏金陵智造研究院有限公司 | 一种基于动态解码机制的柔性作业车间调度方法 |
| CN111079987A (zh) * | 2019-11-28 | 2020-04-28 | 电子科技大学 | 基于遗传算法的半导体车间生产调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9766932B2 (en) * | 2013-06-21 | 2017-09-19 | Microsoft Technology Licensing, Llc | Energy efficient job scheduling |
-
2021
- 2021-07-26 CN CN202110843042.1A patent/CN113592168B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101901425A (zh) * | 2010-07-15 | 2010-12-01 | 华中科技大学 | 一种基于多种群协同进化的柔性作业车间调度方法 |
| WO2013098088A1 (en) * | 2011-12-30 | 2013-07-04 | bioMérieux | Job scheduler for electromechanical system for biological analyses |
| CN109034633A (zh) * | 2018-08-04 | 2018-12-18 | 郑州航空工业管理学院 | 改进遗传算法求解带移动时间的柔性作业车间调度方法 |
| CN110598943A (zh) * | 2019-09-19 | 2019-12-20 | 郑州航空工业管理学院 | 改良文化基因算法求解带运输时间柔性作业车间调度方法 |
| CN110796355A (zh) * | 2019-10-22 | 2020-02-14 | 江苏金陵智造研究院有限公司 | 一种基于动态解码机制的柔性作业车间调度方法 |
| CN111079987A (zh) * | 2019-11-28 | 2020-04-28 | 电子科技大学 | 基于遗传算法的半导体车间生产调度方法 |
Non-Patent Citations (3)
| Title |
|---|
| "Flexible job shop scheduling problem with parallel batch processing machine";Andy Ham 等;《2016 Winter Simulation Conference (WSC)》;2740-2749 * |
| 多目标模糊柔性作业车间调度问题优化;张长泽 等;《科学技术与工程》(第03期);238-245 * |
| 机器多转速的柔性作业车间绿色调度问题;吴秀丽 等;《计算机集成制造系统》(第04期);54-67 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113592168A (zh) | 2021-11-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107450498B (zh) | 基于改进人工蜂群算法的生产调度方法及系统 | |
| CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
| CN107368912B (zh) | 一种面向低碳制造的加工中心刀具决策方法 | |
| CN114492895B (zh) | 汽车发动机柔性产线分批与调度方法 | |
| CN106610654A (zh) | 针对柔性作业车间调度的改进遗传算法 | |
| CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
| 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 | |
| CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
| CN104636871A (zh) | 一种基于数据的单阶段多产品批处理的控制方法 | |
| Jiang et al. | Integrated optimization of non-permutation flow shop scheduling and maintenance planning with variable processing speed | |
| CN111814359B (zh) | 一种面向离散制造的集成车间调度与装配序列规划方法 | |
| CN108776845A (zh) | 一种基于双目标作业车间调度的混合果蝇算法 | |
| CN114266509A (zh) | 随机贪婪初始种群遗传算法求解柔性作业车间调度方法 | |
| CN111007823B (zh) | 柔性作业车间动态调度方法及装置 | |
| CN113592168B (zh) | 一种基于机器速度缩放的作业车间调度风险优化方法 | |
| CN115907399A (zh) | 一种面向电子产品的离散制造柔性生产的智能调度方法 | |
| CN114510874A (zh) | 一种基于联合优化模型的生产调度和机器维护优化方法 | |
| CN110705844B (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 | |
| CN110648037A (zh) | 一种整车生产评价方法及装置 | |
| CN117540990A (zh) | 一种基于深度强化学习与多目标优化的生产线调度方法 | |
| CN111665799A (zh) | 一种基于协同算法的时间约束型并行机节能调度方法 | |
| CN106875031A (zh) | 一种多车间作业调度方法及装置 | |
| CN113011767B (zh) | 一种多目标柔性作业车间调度用混合遗传方法 | |
| CN111105164B (zh) | 一种车间调度方法、装置及设备 | |
| Fujii et al. | Integration of process planning and scheduling using multi-agent learning |
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 |