CN113657818A - 基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统 - Google Patents
基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统 Download PDFInfo
- Publication number
- CN113657818A CN113657818A CN202111215365.2A CN202111215365A CN113657818A CN 113657818 A CN113657818 A CN 113657818A CN 202111215365 A CN202111215365 A CN 202111215365A CN 113657818 A CN113657818 A CN 113657818A
- Authority
- CN
- China
- Prior art keywords
- quantum
- batch
- strategy
- optimization
- chromosome
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 78
- 230000011218 segmentation Effects 0.000 claims abstract description 69
- 230000002068 genetic effect Effects 0.000 claims abstract description 63
- 238000012163 sequencing technique Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 41
- 210000000349 chromosome Anatomy 0.000 claims description 85
- 238000011451 sequencing strategy Methods 0.000 claims description 23
- 239000002096 quantum dot Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 9
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 20
- 238000010586 diagram Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010923 batch production Methods 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- 241000255588 Tephritidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统，所述方法包括：将实际订单拆分成相同产品、相同投放期和相同交货期的加工任务，形成不同的虚拟订单；构建双循环嵌套优化策略对虚拟订单进行批量分割和作业排序的联合优化；所述双循环嵌套优化策略在外层通过第一个量子遗传算法对虚拟订单进行批量分割方案优化；在内层基于批量分割方案将Job Shop调度问题拆解成多个同型平行机调度问题，并通过第二个量子遗传算法对各个同型平行机调度问题进行作业排序优化。本发明通过双循环嵌套优化策略可获得满足实际制造系统需求的、无拖期或尽量少拖期的优化作业计划方案，适用于大规模批量型制造系统。
Description
技术领域
本发明属于智能制造技术领域，具体涉及一种基于双循环嵌套优化策略的JobShop调度问题求解方法及系统。
背景技术
现今制造领域存在大量批量型制造系统，如光电子元器件、计算机元器件、汽车零部件等的生产企业都属于批量型制造系统。在批量型生产制造系统中，订单以批量方式投放，不同订单有不同的投放时间、任务类型、任务量、交货期，制造系统管理与优化运作的目标是：在制造系统加工资源相对固定的前提下，兼顾所有在制订单，进行订单的批量分割和作业排序，以保证各订单无拖期交货或尽量少拖期交货。批量型制造系统的作业优化问题可以抽象为大规模动态批量Job Shop调度问题，其优化求解需要解决两个关联耦合的决策问题：批量分割和作业排序。批量分割即对同一订单的任务总量进行分割，分成不同批次，同一批次在机器上连续加工。显然，批量分割越粗略，批次中所含工件数量越多，机器上的加工连续性越好，加工效率越高，但会形成同一批次对机器的长时间霸占，进而影响其他订单的完工时间；相反，批量分割越细，批次中所含工件数量越少，机器上的加工连续性变差，加工效率会有所降低，但可更好地兼顾不同订单，使得作业排序具有更大的优化空间，进而有望获得更优的作业排序结果。因此，大规模动态批量Job Shop调度问题中的批量分割和作业排序是两个关联耦合的决策问题。
批量分割和作业排序的联合优化是一个具有很大求解难度的组合优化问题，在算法使用方面，目前有效的求解算法基本都是近似算法，如各种元启发式算法：遗传算法、粒子群算法、蚁群算法、蜂群算法、文化基因算法、果蝇算法等，以及各种搜索类算法：禁忌搜索、变邻域搜索、贪婪随机自适应搜索、迭代局部搜索、和声搜索等等。在优化策略上，现有研究基本都侧重于作业排序，而在批量分割方面，大多数研究是事先给定批量大小，没有进行优化；少数研究是人为给定几种批量分割方案（如等批量分割），增加了一定的解空间，但也没有进行批量分割优化。此外，现有研究基本以静态问题为主，未考虑订单批量陆续到达的动态环境，研究的问题规模也比实际制造系统要小得多。
总结可知：算法方面，传统的元启发式算法和搜索类算法在求解速度上都难于满足大规模问题要求；策略方面，未考虑批量分割的优化，优化结果欠佳；问题模型方面，未考虑订单的动态到达事件，使调度方案难于实时响应系统的动态变化，影响方案的可行性。
发明内容
有鉴于此，本发明提出了一种基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统，用于解决大规模Job Shop调度中重作业排序优化而轻批量分割优化的问题。
本发明第一方面，公开一种基于双循环嵌套优化策略的Job Shop调度问题求解方法，所述方法包括：
将实际订单拆分成相同产品、相同投放期和相同交货期的加工任务，形成不同的虚拟订单；
构建双循环嵌套优化策略对虚拟订单进行批量分割和作业排序的联合优化；所述双循环嵌套优化策略在外层通过第一量子遗传算法对虚拟订单进行批量分割方案优化；在内层基于批量分割方案将Job Shop调度问题拆解成多个同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化。
优选的，所述构建双循环嵌套优化策略进行批量分割和作业排序的联合优化具体包括：
1）在外层将每个染色体作为一个批量分割方案，以等概率方式初始化第一量子遗传算法的量子染色体种群；
2）设置当前量子染色体种群为初始种群；
3）令迭代次数g=1，设定最大迭代次数或最大灾变次数作为第一终止判定条件；
4）将量子染色体种群进行坍塌操作，得到对应的二进制染色体种群；
5）将各二进制染色体解码作为各虚拟订单的批量分割方案；
6）在内层根据各虚拟订单的批量分割方案将动态批量Job Shop调度问题转化成各类机器上的同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化，得到最优作业排序策略；
7）将最优作业排序策略对应的适应度作为当前批量分割方案的适应度，将外层的历史最优量子染色体的适应度和当前批量分割方案的适应度进行对比；
8）采用通用自适应量子旋转门进行量子染色体更新操作，得到新一代量子染色体种群；
9）判断是否达到第一终止判定条件，若否，令g=g+1，转至步骤4）；若是，输出最优批量分割方案和最优作业排序策略，外层的第一量子遗传算法流程结束。
优选的，所述在内层根据各虚拟订单的批量分割方案将动态批量Job Shop调度问题转化成各类机器上的同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化，得到最优作业排序策略具体包括：
6-1）根据步骤5）的批量分割方案获得批工件集合，并根据工艺信息将批工件集合进行适配机器归类；
6-2）将批工件集合的动态批量Job Shop调度问题转化为各类机器上的同型平行机调度问题；
6-3）令机器类型变量k=1；
6-4）将第二量子遗传算法的每个染色体作为一个批工件作业排序方案，采用第二量子遗传算法对第k类机器的同型平行机调度问题进行排序优化，得到最优作业排序策略。
优选的，所述步骤6-4）中，采用第二量子遗传算法对第k类机器的同型平行机调度问题进行排序优化，得到最优作业排序策略的具体步骤如下：
a）基于批工件编号进行量子染色体编码；
b）初始化量子染色体种群；
c）设置当前量子染色体种群为初始种群；
d）令迭代次数l=1，设定最大迭代次数或最大灾变次数作为第二终止判定条件；
e）将量子染色体种群进行坍塌操作，得到对应的二进制染色体种群，并解码为批工件编号，得到批工件编号染色体；
f）对批工件编号染色体进行解码，得到批工件加工的完整调度方案作为作业排序策略；
g）根据以性能指标进行适应度计算，采用通用自适应量子旋转门进行量子染色体更新操作，得到新一代量子染色体种群；
h）判断是否达到二终止判定条件，若否，令l=l+1，转至步骤e）；若是，输出最优作业排序策略给外层，内层的第二量子遗传算法流程结束。
优选的，将批工件的总拖期作为第二量子遗传算法的适应度；将通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化得到的最优作业排序策略对应的适应度作为当前外层批量分割方案的适应度。
优选的，所述采用通用自适应量子旋转门进行量子染色体更新操作，得到新一代量子染色体种群具体包括：
在通用自适应量子旋转门中设定两个权重系数，分别对应于当前量子染色体与历史最优量子染色体之间的量子比特相位角偏差以及适应度相对偏差；
所述量子比特相位角偏差项用于控制旋转角幅值的第一类自适应变化：量子比特相位角偏差越大，旋转角幅值越大，量子比特相位角偏差越小，旋转角幅值越小；
所述适应度相对偏差项用于控制旋转角幅值的第二类自适应变化：适应度相对偏差越大，旋转角幅值越大，适应度相对偏差越小，旋转角幅值越小；
在通用自适应量子旋转门中通过量子几率幅乘积比来判断量子比特所处象限和控制量子旋转门的旋转方向。
优选的，所述作业排序策略包括各批工件的加工时间、加工机器、拖期，所述加工时间包括加工起始和终止时间。
本发明第二方面，公开一种基于双循环嵌套优化策略的Job Shop调度问题求解系统，所述系统包括：
预处理模块：用于将实际订单拆分成相同产品、相同投放期和相同交货期的加工任务，形成不同的虚拟订单；
联合优化模块：用于构建双循环嵌套优化策略进行批量分割和作业排序的联合优化；所述双循环嵌套优化策略在外层通过第一量子遗传算法对虚拟订单进行批量分割方案优化；在内层基于批量分割方案将Job Shop调度问题拆解成多个同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化。
本发明第三方面，公开一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如本发明第一方面所述的方法。
本发明第四方面，公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果：
（1）本发明针对批量型生产制造系统中的大规模动态批量Job Shop调度问题，提出双循环嵌套优化策略及相应的量子遗传算法，外层量子遗传算法用于进行批量优化分割，内层量子遗传算法用于机器上的作业排序，并将内层量子遗传算法嵌入外层量子遗传算法的进化过程，从而快速、高效地实现批量分割优化与作业排序优化两个关联耦合优化问题的求解，获得满足实际制造系统需求的、无拖期或尽量少拖期的优化作业计划方案。
（2）本发明在批量分割与作业排序联合优化的基础上，充分考虑订单批量陆续到达的动态环境，使调度方案快速实时响应系统的动态变化，提高调度方案的可行性，适用于大规模批量型制造系统。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于双循环嵌套优化策略的Job Shop调度问题求解方法流程示意图；
图2为本发明的双循环嵌套优化策略原理示意图；
图3为本发明的通用自适应量子旋转门示意图；
图4为本发明的采用本发明基于双循环嵌套优化策略的Job Shop调度问题求解方法进行调度的实施例示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
本发明用于解决批量型生产制造系统的生产优化运作中的大规模动态批量JobShop调度问题，针对其中订单批量分割和机器作业排序两个关联耦合决策问题，提出一种双循环嵌套优化策略及相应的量子遗传算法，批量优化分割与机器上的作业排序两个优化决策问题采用分治求解策略决策实现联合优化，外层量子遗传算法用于进行批量优化分割，内层量子遗传算法用于机器上的作业排序，并嵌入外层量子遗传算法进化过程，以快速求解出满足实际制造系统需求的、无拖期或尽量少拖期的优化作业计划方案。
请参阅图1，本发明提出一种基于双循环嵌套优化策略的Job Shop调度问题求解方法，所述方法包括：
S1、将实际订单拆分成相同产品、相同投放期和相同交货期的加工任务，形成不同的虚拟订单；
具体的，由于一个实际订单可能包含若干种类产品，不同类产品有不同的批量大小，相同产品也可能要求的交货期不同。因此，首先将实际订单中的产品批量拆分成相同产品、相同投放期和相同交货期的加工任务，形成虚拟订单，不同的虚拟订单将在后续的优化过程中进行优化分割，形成批工件集合，同一批工件集合在机器上连续加工，无安装设置时间。
S2、构建双循环嵌套优化策略对虚拟订单进行批量分割和作业排序的联合优化；
本发明在总体求解策略方面，采用分治、双循环嵌套的联合优化策略，其原理请参阅图2：在外层，通过量子遗传算法实现对虚拟订单的批量分割方案优化；在内层，以外层的批量分割方案为决策变量，进行启发式仿真调度，在启发式仿真调度过程中，将Job Shop调度问题拆解成多个同型平行机调度问题，通过量子遗传算法对各个同型平行机调度问题进行作业排序优化，将内层量子染色体所对应的最优排序方案进行解码，得到机器上各批工件的加工起始和终止时间，并计算其性能指标作为外层的适应度值，从而将内层的作业排序优化流程嵌入外层的批量分割方案优化过程中，实现批量分割和作业排序的联合优化。
步骤S2的双循环嵌套优化策略具体包括如下步骤：
1）在外层将每个染色体作为一个批量分割方案，以等概率方式初始化第一量子遗传算法的量子染色体种群；
2）设置当前量子染色体种群为初始种群；
3）令迭代次数g=1，设定最大迭代次数或最大灾变次数作为第一终止判定条件；
4）将量子染色体种群进行坍塌操作，得到对应的二进制染色体种群；
5）将各二进制染色体解码作为各虚拟订单的批量分割方案；
6）在内层根据各虚拟订单的批量分割方案将动态批量Job Shop调度问题转化成各类机器上的同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化，得到最优作业排序策略；步骤6）即为内层的第二量子遗传算法流程，用于进行作业排序优化，步骤6）具体包括如下分步骤
6-1）根据步骤5）的批量分割方案获得批工件集合，并根据工艺信息将批工件集合进行适配机器归类；
6-2）将动态批量Job Shop调度问题转化为各类机器上的变体同型平行机调度问题；
6-3）令机器类型变量k=1，设机器类型总数为K；
6-4）对第k类机器的同型平行机调度问题采用第二量子遗传算法进行排序优化，具体步骤如下：
a）将第二量子遗传算法的每个染色体作为一个批工件作业排序方案，基于批工件编号进行量子染色体编码；
b）初始化量子染色体种群；
c）置当前量子染色体种群为初始种群；
d）令迭代次数l=1，设定最大迭代次数或最大灾变次数作为第二终止判定条件；
e）将量子染色体种群进行坍塌操作，得到对应的二进制染色体种群，并解码为批工件编号，得到批工件编号染色体；
f）对批工件编号染色体进行解码，得到批工件加工的完整调度方案作为作业排序策略；
g）根据性能指标进行内层适应度计算，本发明以批工件的总拖期为性能指标并作为内层的第二量子遗传算法的适应度；将内层的历史最优量子染色体和当前量子染色体的适应度对比，根据对比结果，采用通用自适应量子旋转门进行量子染色体更新操作，得到新一代量子染色体种群；
h）判断是否达到第二终止判定条件，若否，令l=l+1，转至步骤e）；若是，输出最优作业排序策略给外层的步骤7），内层的第二量子遗传算法流程结束。
所述最优作业排序策略包括各批工件的加工时间、加工机器、批工件总拖期，所述加工时间包括加工起始时间和终止时间。
7）将内层的作业排序优化得到的最优作业排序策略对应的适应度作为外层的当前批量分割方案的适应度，将外层的历史最优量子染色体的适应度和当前批量分割方案的适应度进行对比；
8）根据适应度对比结果，采用通用自适应量子旋转门进行量子染色体更新操作，得到新一代量子染色体种群。本发明提出的通用自适应量子旋转门具有如下特点：
①在通用自适应量子旋转门中设定两个权重系数
和
，分别对应于当前量子染色体与历史最优量子染色体之间的量子比特相位角偏差以及适应度相对偏差；
②所述量子比特相位角偏差项用于控制旋转角幅值的第一类自适应变化：量子比特相位角偏差越大，旋转角幅值越大，量子比特相位角偏差越小，旋转角幅值越小；
③所述适应度相对偏差项用于控制旋转角幅值的第二类自适应变化：适应度相对偏差越大，旋转角幅值越大，适应度相对偏差越小，旋转角幅值越小；
④在旋转门中通过量子几率幅乘积比来判断量子比特所处象限和控制量子旋转门的旋转方向。
本发明提出的通用自适应量子旋转门的旋转角
的具体公式为：
式中，t为迭代次数，
和
分别为关于量子比特相位角偏差的权重和适应度相对偏差的权重，关于适应度相对偏差的权重可以考虑利用梯度信息。简单的情况也可以两者都取1。
请参阅图3，本发明的通用自适应量子旋转门示意图， 
和
分别为第t代种群第j个量子染色体第i位量子比特的0态和1态几率幅。
量子比特相位角偏差项
反映的是第t代种群第j个量子染色体第i位量子比特向量与
值对应态（0或1）坐标轴所夹的锐角（
时），定义该角为基准角步长，如图3所示，
时，该角为
，
时，该角为
。
旋转门中的量子几率幅乘积比
用于控制第t代种群第j个量子染色体第i位量子比特向量所处象限对旋转方向的影响；
适应度相对偏差项
一方面控制角步长（旋转角幅值）小于等于基准角步长，且使得角步长随着适应度偏差的增大自适应地变大，另一方面控制两个个体相对优劣对旋转角的影响。
内层的第二量子遗传算法流程中步骤g）中的采用通用自适应量子旋转门进行量子染色体更新操作的原理与步骤8）相同。
9）判断是否达到第一终止判定条件，若否，令g=g+1，转至步骤4）；若是，输出最优批量分割方案和对应的最优作业排序策略，外层的第一量子遗传算法流程结束。
请参阅图4，图4为采用本发明基于双循环嵌套优化策略的Job Shop调度问题求解方法进行调度的实施例示意图，基于外层的加工批量分割方案，进行调度优化，具体包括如下流程步骤：
1、获取外层的加工批量分割方案，进行虚拟订单的批量分解，得到“批工件”集合；获取该“批工件”集合的属性数据，包括：虚拟订单的工艺流程、加工工时、加工设备、加工工装以及设备类型及套数、工装模具及台套数、虚拟订单的装调时间、虚拟订单的转运批量的数据；
2、进行“批工件”各工序的参数计算与设置：包括（1）加工工时；（2）可调度属性（-1,0,1），-1、0、1分别对应于不可调度、可调度和调度完成；（3）投放时间；（4）根据交货期、分批数量和工装情况计算各工序交货期；
3、机器类型与“批工件”各工序匹配设置：包括设置及其类型缓冲区，用于归类存放所有在该类型机器上加工的工序；
4、设置机器的初始闲置时间，令调度完成特征量Done=true；
5、令机器类型循环变量k=1；
6、判断机器类型缓冲区是否为空，若否，令Done=Done
false，并转至步骤7；若是，令Done=Done
true，并转至步骤9；
为逻辑“与”操作。
7、将当前的批量分割方案转化成变体同型平行机调度问题，通过第二量子遗传算法进行各机器上的作业排序优化，对Mk类机器上“批工件”的可调度工序进行优化调度，该调度存在机器选择和工件排序优化的耦合；
8、基于步骤7的优化调度结果进行动态信息更新，包括：（1）根据转运批量更新工序投放时间；（2）更新工序调度属性；（3）更新机器的闲置时间；（4）更新及机器类型缓冲区；
9、令k=k+1，若k>K，判断Done是否为ture，若Done=ture则转至步骤10，若Done≠ture则返回步骤5；若k≤K，则转至步骤5；
10、结束流程。
本发明所提出的基于双循环嵌套优化策略大规模动态批量Job Shop调度求解策略与算法，通过外层量子遗传算法进行批量优化分割，通过内层量子遗传算法进行机器上的作业排序，并将内层量子遗传算法嵌入外层量子遗传算法的进化过程，从而快速、高效地实现批量分割优化与作业排序优化两个关联耦合优化问题的求解，可获得满足实际制造系统需求的、无拖期或尽量少拖期的优化作业计划方案。可有效弥补现有批量型生产制造系统的生产优化运作中优化算法效率不高，重作业排序优化而轻批量分割优化，对大规模动态问题研究欠缺等不足。
采用本发明提出的方案在实际环境中对5个虚拟订单共3000个工件规模的大规模动态批量Job Shop调度问题进行30次模拟调度，将调度结果与基本遗传算法、粒子群算法、禁忌搜索、变邻域搜索等算法相比，取订单总拖期为调度指标，比不考虑批量分割策略下平均降低60%，比人为给定等量分批策略下平均降低25%；调度耗时方面，采用本发明所提出的方法均在3分钟以内可完成调度，获得较优的调度方案。
与上述方法实施例相对应，本发明还提出一种基于双循环嵌套优化策略的JobShop调度问题求解系统，所述系统包括：
预处理模块：用于将实际订单拆分成相同产品、相同投放期和相同交货期的加工任务，形成不同的虚拟订单；
联合优化模块：用于构建双循环嵌套优化策略进行批量分割和作业排序的联合优化；所述双循环嵌套优化策略在外层通过第一量子遗传算法对虚拟订单进行批量分割方案优化；在内层基于批量分割方案将Job Shop调度问题拆解成多个同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化。
以上系统实施例是与方法实施例一一对应的，系统实施例简述之处请参阅方法实施例即可，不再赘述。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于双循环嵌套优化策略的Job Shop调度问题求解方法，其特征在于，所述方法包括：
将实际订单拆分成相同产品、相同投放期和相同交货期的加工任务，形成不同的虚拟订单；
构建双循环嵌套优化策略对虚拟订单进行批量分割和作业排序的联合优化；所述双循环嵌套优化策略在外层通过第一量子遗传算法对虚拟订单进行批量分割方案优化，在内层基于批量分割方案将Job Shop调度问题拆解成多个同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化；
所述构建双循环嵌套优化策略进行批量分割和作业排序的联合优化具体包括：
1）在外层将每个染色体作为一个批量分割方案，初始化第一量子遗传算法的量子染色体种群；
2）设置当前量子染色体种群为初始种群；
3）令迭代次数g=1，设定最大迭代次数或最大灾变次数作为第一终止判定条件；
4）将量子染色体种群进行坍塌操作，得到对应的二进制染色体种群；
5）将各二进制染色体解码作为各虚拟订单的批量分割方案；
6）在内层根据各虚拟订单的批量分割方案将动态批量Job Shop调度问题转化成各类机器上的同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化，得到最优作业排序策略；
7）将最优作业排序策略对应的适应度作为当前批量分割方案的适应度，将外层的历史最优量子染色体的适应度和当前批量分割方案的适应度进行对比；
8）采用通用自适应量子旋转门进行量子染色体更新操作，得到新一代量子染色体种群；
9）判断是否达到第一终止判定条件，若否，令g=g+1，转至步骤4）；若是，输出最优批量分割方案和最优作业排序策略，外层的第一量子遗传算法流程结束。
2.根据权利要求1所述基于双循环嵌套优化策略的Job Shop调度问题求解方法，其特征在于，所述在内层根据各虚拟订单的批量分割方案将动态批量Job Shop调度问题转化成各类机器上的同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化，得到最优作业排序策略具体包括：
6-1）根据步骤5）的批量分割方案获得批工件集合，并根据工艺信息将批工件集合进行适配机器归类；
6-2）将批工件集合的动态批量Job Shop调度问题转化为各类机器上的同型平行机调度问题；
6-3）令机器类型变量k=1；
6-4）将第二量子遗传算法的每个染色体作为一个批工件作业排序方案，采用第二量子遗传算法对第k类机器的同型平行机调度问题进行排序优化，得到最优作业排序策略。
3.根据权利要求2所述基于双循环嵌套优化策略的Job Shop调度问题求解方法，其特征在于所述，所述步骤6-4）中，采用第二量子遗传算法对第k类机器的同型平行机调度问题进行排序优化，得到最优作业排序策略的具体步骤如下：
a）基于批工件编号进行量子染色体编码；
b）初始化量子染色体种群；
c）设置当前量子染色体种群为初始种群；
d）令迭代次数l=1，设定最大迭代次数或最大灾变次数作为第二终止判定条件；
e）将量子染色体种群进行坍塌操作，得到对应的二进制染色体种群，并解码为批工件编号，得到批工件编号染色体；
f）对批工件编号染色体进行解码，得到批工件加工的完整调度方案作为作业排序策略；
g）根据性能指标进行适应度计算，采用通用自适应量子旋转门进行量子染色体更新操作，得到新一代量子染色体种群；
h）判断是否达到二终止判定条件，若否，令l=l+1，转至步骤e）；若是，输出最优作业排序策略给外层，内层的第二量子遗传算法流程结束。
4.根据权利要求3所述基于双循环嵌套优化策略的Job Shop调度问题求解方法，其特征在于，将批工件的总拖期作为第二量子遗传算法的适应度；将通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化得到的最优作业排序策略对应的适应度作为当前外层批量分割方案的适应度。
5.根据权利要求3所述基于双循环嵌套优化策略的Job Shop调度问题求解方法，其特征在于，所述通用自适应量子旋转门具体包括：
在通用自适应量子旋转门中设定两个权重系数，分别对应于当前量子染色体与历史最优量子染色体之间的量子比特相位角偏差以及适应度相对偏差；
所述量子比特相位角偏差项用于控制旋转角幅值的第一类自适应变化：量子比特相位角偏差越大，旋转角幅值越大，量子比特相位角偏差越小，旋转角幅值越小；
所述适应度相对偏差项用于控制旋转角幅值的第二类自适应变化：适应度相对偏差越大，旋转角幅值越大，适应度相对偏差越小，旋转角幅值越小；
在通用自适应量子旋转门中通过量子几率幅乘积比来判断量子比特所处象限和控制量子旋转门的旋转方向。
6.根据权利要求3所述基于双循环嵌套优化策略的Job Shop调度问题求解方法，其特征在于，所述作业排序策略包括各批工件的加工时间、加工机器、拖期，所述加工时间包括加工起始和终止时间。
7.一种基于双循环嵌套优化策略的Job Shop调度问题求解系统，其特征在于，所述系统包括：
预处理模块：用于将实际订单拆分成相同产品、相同投放期和相同交货期的加工任务，形成不同的虚拟订单；
联合优化模块：用于构建双循环嵌套优化策略对虚拟订单进行批量分割和作业排序的联合优化；所述双循环嵌套优化策略在外层通过第一量子遗传算法对虚拟订单进行批量分割方案优化，在内层基于批量分割方案将Job Shop调度问题拆解成多个同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化；所述联合优化模块具体用于：
1）在外层将每个染色体作为一个批量分割方案，初始化第一量子遗传算法的量子染色体种群；
2）设置当前量子染色体种群为初始种群；
3）令迭代次数g=1，设定最大迭代次数或最大灾变次数作为第一终止判定条件；
4）将量子染色体种群进行坍塌操作，得到对应的二进制染色体种群；
5）将各二进制染色体解码作为各虚拟订单的批量分割方案；
6）在内层根据各虚拟订单的批量分割方案将动态批量Job Shop调度问题转化成各类机器上的同型平行机调度问题，通过第二量子遗传算法对各个同型平行机调度问题进行作业排序优化，得到最优作业排序策略；
7）将最优作业排序策略对应的适应度作为当前批量分割方案的适应度，将外层的历史最优量子染色体的适应度和当前批量分割方案的适应度进行对比；
8）采用通用自适应量子旋转门进行量子染色体更新操作，得到新一代量子染色体种群；
9）判断是否达到第一终止判定条件，若否，令g=g+1，转至步骤4）；若是，输出最优批量分割方案和最优作业排序策略，外层的第一量子遗传算法流程结束。
8.一种电子设备，其特征在于，包括：至少一个处理器、至少一个存储器、通信接口和总线；
其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现如权利要求1~6任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令使计算机实现如权利要求1~6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111215365.2A CN113657818B (zh) | 2021-10-19 | 2021-10-19 | 基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111215365.2A CN113657818B (zh) | 2021-10-19 | 2021-10-19 | 基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113657818A true CN113657818A (zh) | 2021-11-16 |
| CN113657818B CN113657818B (zh) | 2021-12-21 |
Family
ID=78494665
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111215365.2A Active CN113657818B (zh) | 2021-10-19 | 2021-10-19 | 基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113657818B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102360178A (zh) * | 2011-08-16 | 2012-02-22 | 上海交通大学 | 用于混合并行机和作业车间的组批动态控制方法 |
| CN103310310A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种多品种钢铁批量轧制动态生产计划系统 |
| CN106611270A (zh) * | 2016-01-29 | 2017-05-03 | 四川用联信息技术有限公司 | 一种求解并行机作业车间调度的混合启发式转移瓶颈算法 |
| CN109460957A (zh) * | 2018-11-12 | 2019-03-12 | 北京航天智造科技发展有限公司 | 一种基于量子遗传模拟退火算法的仓储补货方法 |
| US20210003998A1 (en) * | 2016-07-27 | 2021-01-07 | Skyworks Solutions, Inc. | Geometry-based scheduling of fabrication with high volume and high mixture |
| CN112866026A (zh) * | 2021-01-15 | 2021-05-28 | 大连交通大学 | 基于量子遗传算法的farima模型网络流量预测方法 |
| CN112907150A (zh) * | 2021-04-07 | 2021-06-04 | 江苏西格数据科技有限公司 | 一种基于遗传算法的生产排程方法 |
-
2021
- 2021-10-19 CN CN202111215365.2A patent/CN113657818B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102360178A (zh) * | 2011-08-16 | 2012-02-22 | 上海交通大学 | 用于混合并行机和作业车间的组批动态控制方法 |
| CN103310310A (zh) * | 2013-06-25 | 2013-09-18 | 浙江大学 | 一种多品种钢铁批量轧制动态生产计划系统 |
| CN106611270A (zh) * | 2016-01-29 | 2017-05-03 | 四川用联信息技术有限公司 | 一种求解并行机作业车间调度的混合启发式转移瓶颈算法 |
| US20210003998A1 (en) * | 2016-07-27 | 2021-01-07 | Skyworks Solutions, Inc. | Geometry-based scheduling of fabrication with high volume and high mixture |
| CN109460957A (zh) * | 2018-11-12 | 2019-03-12 | 北京航天智造科技发展有限公司 | 一种基于量子遗传模拟退火算法的仓储补货方法 |
| CN112866026A (zh) * | 2021-01-15 | 2021-05-28 | 大连交通大学 | 基于量子遗传算法的farima模型网络流量预测方法 |
| CN112907150A (zh) * | 2021-04-07 | 2021-06-04 | 江苏西格数据科技有限公司 | 一种基于遗传算法的生产排程方法 |
Non-Patent Citations (6)
| Title |
|---|
| 于华等: "作业车间批量调度策略研究", 《井冈山大学学报(自然科学版)》 * |
| 井彩霞等: "并行分批排序综述", 《运筹与管理》 * |
| 朱筱蓉等: "一种求解Job-Shop调度问题的量子遗传算法", 《机械与电子》 * |
| 熊禾根等: "具有模具约束的单工序柔性继列型批调度问题研究", 《机械设计与制造》 * |
| 范华丽等: "基于遗传规划的动态作业车间调度规则生成", 《计算机集成制造系统》 * |
| 陈勇等: "基于GASA优化算法的不确定条件下Job-Shop调度问题研究", 《机电工程》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113657818B (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lim et al. | A hybrid cuckoo search-genetic algorithm for hole-making sequence optimization | |
| Xue et al. | EosDNN: An efficient offloading scheme for DNN inference acceleration in local-edge-cloud collaborative environments | |
| Liu et al. | A hybrid PSO-GA algorithm for job shop scheduling in machine tool production | |
| CN114637262A (zh) | 基于5g驱动的智能工厂数字孪生信息的决策控制方法及系统 | |
| Liu et al. | A four-terminal-architecture cloud-edge-based digital twin system for thermal error control of key machining equipment in production lines | |
| CN112907150B (zh) | 一种基于遗传算法的生产排程方法 | |
| Cuiyu et al. | Solving flexible job shop scheduling problem by a multi-swarm collaborative genetic algorithm | |
| CN113778654B (zh) | 基于粒子群优化算法的并行任务调度方法 | |
| CN115759634A (zh) | 一种矩形板材组批排样高效协同方法 | |
| Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
| Gu et al. | Using real-time manufacturing data to schedule a smart factory via reinforcement learning | |
| CN113657818B (zh) | 基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统 | |
| Zhang et al. | Furnace-grouping problem modeling and multi-objective optimization for special aluminum | |
| Luo et al. | Green job shop scheduling problem with machine at different speeds using a multi-objective grey wolf optimization algorithm | |
| CN115794405A (zh) | 一种基于SSA-XGboost算法的大数据处理框架的动态资源分配方法 | |
| Qiao et al. | Analysis of logistics linkage by digital twins technology and lightweight deep learning | |
| CN111934901B (zh) | 无人平台信息感知网络的拓扑控制方法及系统 | |
| Chang et al. | Using ART1 neural networks with destructive solid geometry for design retrieving systems | |
| CN112738225A (zh) | 基于人工智能的边缘计算方法 | |
| Azizi | A Multi-objective Model for Task Scheduling Optimization in Fog-Cloud Computing Environments | |
| CN116540658B (zh) | 基于监督控制理论和强化学习的自动制造系统调度方法 | |
| Li et al. | Data-driven scheduling for smart shop floor via reinforcement learning with model-based clustering algorithm | |
| Yin et al. | Optimization of JSP Based on Particle Swarm Algorithm with Oscillation Regulation Mutation | |
| Rodríguez León et al. | Performance comparison between a classic particle swarm optimization and a genetic algorithm in manufacturing cell design | |
| CN113283755B (zh) | 一种车间智能调度决策方法 |
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 |