CN113689122A - 一种云边协同环境下考虑运输设备的多目标组合调度方法 - Google Patents

一种云边协同环境下考虑运输设备的多目标组合调度方法 Download PDF

Info

Publication number
CN113689122A
CN113689122A CN202110981354.9A CN202110981354A CN113689122A CN 113689122 A CN113689122 A CN 113689122A CN 202110981354 A CN202110981354 A CN 202110981354A CN 113689122 A CN113689122 A CN 113689122A
Authority
CN
China
Prior art keywords
processing
equipment
transportation
time
task
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
Application number
CN202110981354.9A
Other languages
English (en)
Other versions
CN113689122B (zh
Inventor
李孝斌
江沛
刘宇杰
尹超
李坤
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202110981354.9A priority Critical patent/CN113689122B/zh
Publication of CN113689122A publication Critical patent/CN113689122A/zh
Application granted granted Critical
Publication of CN113689122B publication Critical patent/CN113689122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • 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
    • G06Q10/06316—Sequencing of tasks or work
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Optimization (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明具体涉及一种云边协同环境下考虑运输设备的多目标组合调度方法，包括：中心云层对加工任务进行分解以得到对应的工序；边缘端根据工序集合与工艺要求为各道工序匹配加工设备和运输设备的可用资源集合；中心云层建立各个加工任务的初始加工设备和运输设备资源组合；中心云层对初始加工设备和运输设备资源组合进行不断优化，以解算得到最优的加工任务与加工设备、运输设备组合调度方案；中心云层把最优化的组合调度方案发送至边缘端，边缘端在生产现场对各个加工任务以及加工设备和运输设备进行调控。本发明中的多目标组合调度方法能够兼顾加工设备和运输设备运行实时性、可靠性和效率，从而能够提升多目标生产调度的调度效果和生产效率。

Description

一种云边协同环境下考虑运输设备的多目标组合调度方法
技术领域
本发明涉及车间生产调度技术领域，具体涉及一种云边协同环境下考虑运输设备的多目标组合调度方法。
背景技术
随着社会的不断进步，企业的产品迭代升级越来越频繁，人们对于个性化产品的需要也越来越高。传统的面向库存的大批量生产模式，已经很难应对更加激烈的市场竞争。制造业的生产模式也逐步向支持个性化生产的多种类，小批量的混流柔性制造车间发展。这要求生产线具有更高的柔性，以应对具有不同工艺路线、加工要求的多种产品，因此需要积极运用各类新技术、新模式、新手段提升生产线的加工水平和质量。
现有的柔性制造车间调度一般采用智能算法解决，然而现有的方法只能解决单一的柔性制造车间调度问题，如解决全局最优解问题、带有时间移动的柔性制造车间调度问题等，不能真正解决实际生产中复杂且多样性的柔性作业车间调度问题。
随着制造过程的任务种类、任务规模的不断增加，网络拓扑结构愈加复杂，工业设备资源间的异构性、离散性也越来越大，计算网络负载不均衡问题日益突出，传统的车间管理系统难以实时监控大量加工设备和运输设备的状态，其网络架构难以协同各个设备资源进行协同加工，从而导致系统响应时间长、通信和计算资源利用率低等问题，严重影响了车间生产调度系统的整体质量。因此，柔性制造车间需要云边协同的技术体系架构，利用通信资源在中心云与边缘服务器上进行协同数据处理和信息分析，在柔性制造车间构建“端-边-云”的协同计算模式，灵活高效地协同工厂各种异构的、离散的工业设备资源完成多目标的组合调度。
为此，申请人提出了一套面向云边协同计算架构的大规模工厂任务调度体系，考虑到中心云层优化计算组合调度方案和边缘端异构设备资源的实时监控、调度的并行性需求存在差异，引入异构计算架构，联合分配中心云与边缘服务器的异构CPU-GPU处理器的通信和计算资源，将生产调度过程的各个数据分析与处理任务进行分层处理：中心云层负责多种类产品的加工任务的获取与分解，以及各个加工任务的初始加工设备和运输设备的初始资源组合生成和通过组合优选模型进行不断优化；边缘端负责实时监控各种加工设备和运输设备的运行状态，从而生成可用资源集合，以及根据最优的调度方案对各个加工任务以及加工设备和运输设备进行调控以完成加工任务。通过对中心云与边缘服务器的计算资源和带宽资源的合理分配，实现柔性车间管理系统的调度性能提升。
申请人发现，多种类的产品加工涉及到不同生产线的工作站和加工设备间的转移，对于工件在不同工序间的转移，传统的履带式运输机难以适用，因此需要引入运输设备(AGV工件搬运机器人)来提升生产线的基础运输保障能力与整体物流质量。然而，基于加工设备和运输设备的柔性车间调度问题属于问题难度随求解规模增大而指数级增长的NP难问题。一方面，多种类的产品加工会涉及到在众多设备的加工任务，导致现有的多目标柔性调度方法难以满足工厂对加工设备和运输设备调度的运行实时性、可靠性需求，工厂也无法承受生产线长时间调整等待或故障停机导致的生产效率下降问题；另一方面，现有多目标柔性调度方法难以有效求解考虑多运输设备的柔性车间调度问题，导致多目标生产调度的运输设备调度困难、生产效率低。因此，如何设计一种能够兼顾加工设备和运输设备运行实时性、可靠性和效率的多目标组合调度方法是亟需解决的技术问题。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够兼顾加工设备和运输设备运行实时性、可靠性和效率的多目标组合调度方法，从而能够提升多目标生产调度的调度效果和生产效率。
为了解决上述技术问题，本发明采用了如下的技术方案：
一种云边协同环境下考虑运输设备的多目标组合调度方法，包括：
S1：中心云层获取多种类产品的加工任务，对加工任务进行分解以得到各个加工任务对应的工序，并把工序集合与对应的工艺要求发送至边缘端；
S2：边缘端实时监控加工设备和运输设备的运行状态，根据工序集合与工艺要求为各道工序匹配对应的加工设备和运输设备的可用资源集合；
S3：中心云层根据对应的生产工艺和加工设备和运输设备的可用资源集合建立各个加工任务的初始加工设备和运输设备资源组合；
S4：中心云层通过设置的组合优选模型以最小化完工时间、最小化运输设备数量、加工设备负载率最小、运输设备负载率最小、碳排放成本最低和任务提前/拖期惩罚成本最低为优化目标对各个加工任务的初始加工设备和运输设备资源组合进行不断优化，以解算得到最优的加工任务与加工设备、运输设备组合调度方案；
S5：中心云层把最优化的组合调度方案发送至边缘端，边缘端在生产现场根据调度方案对各个加工任务以及加工设备和运输设备进行调控，用以完成加工任务。
优选的，步骤S1中，中心云层根据产品加工的业务逻辑和工艺流程将对应的加工任务分解成若干个可以被单个加工设备完成的工序，生成工序集合与对应的工艺要求并发送给边缘端。
优选的，步骤S2中，边缘端根据设备的运行状态为工序匹配加工设备和运输设备可用资源集合时，满足以下约束条件：
同一时刻，一台运输设备只承载一个运输任务、每个加工设备只能加工一个工件，运输设备开始运行后不能中断；
每一道工序只能在对应类型的工作站完成；
工序的加工顺序必须遵守生产工艺的规定，工序的加工顺序不能发生混乱；
第r辆运输设备把工件从工序oi，k-1加工处运输至工序oi，k加工处的最早开始时间
Figure BDA0003229222180000031
应大于等于运输设备上一装载任务的完成时间
Figure BDA0003229222180000032
和工件上一道工序oi，k-1的完成时间
Figure BDA0003229222180000033
工序oi，k的最早开始时间
Figure BDA0003229222180000034
应大于等于运输设备完成装载时间
Figure BDA0003229222180000035
和加工设备Mi，h上一个加工任务的结束时间
Figure BDA0003229222180000036
优选的，步骤S3中，中心云层按照顺序、并行、选择以及循环的生产工艺，从加工设备和运输设备可用资源集合中选取各个工序的加工设备和运输设备，以建立对应加工任务的初始加工设备和运输设备资源组合。
优选的，步骤S4中，所述组合优选模型基于鲸鱼算法构建，并基于莱维飞行和模糊支配关系实现模型求解，中心云层以能够以优化目标量化评估初始加工设备和运输设备资源组合，进而得到最优的加工任务与加工设备、运输设备组合调度方案。
优选的，最小化完工时间通过公式min f1＝max(Timei)表示；式中：i表示加工任务编号，Timei表示第k道工序的完工时间，包括加工时间
Figure BDA0003229222180000037
运输时间
Figure BDA0003229222180000038
和等待时间，具体通过如下公式计算：
Figure BDA0003229222180000039
式中：
Figure BDA00032292221800000310
表示工序Oi，k开始加工时刻；
Figure BDA00032292221800000311
表示工序Oi，k完成加工时刻；
Figure BDA00032292221800000312
表示工序Oi，k在工作站Mj，h的加工时间；
Figure BDA00032292221800000313
表示工序Oi′，k′完成后，第r辆运输设备开始装载工件至工序Oi，k所在机床缓存区的时刻；
Figure BDA00032292221800000314
表示第r辆运输设备完成装载工序Oi，k的时刻；
Figure BDA0003229222180000048
表示第r台运输设备从设备j1搬运工件至设备j2所需要的时间；
最小化运输设备数量通过公式min f2＝max(R)；式中：R表示运输设备数量；
加工设备负载率最小通过如下公式表示：
Figure BDA0003229222180000042
式中：
Figure BDA0003229222180000043
表示加工设备Mi，h的最小负载率，
Figure BDA0003229222180000044
表示加工设备Mj，h的最大负载率；
运输设备负载率最小通过如下公式表示：
Figure BDA0003229222180000045
式中：Ear表示第r辆运输设备的最小负载率，Dar表示第r辆运输设备的最大负载率；
任务提前/拖期惩罚成本通过如下公式表示：
Figure BDA0003229222180000046
式中：ETk表示加工任务的最小完成时间，DTk表示加工任务的最大完成时间；当Timek＜ETk时，表示提前完成了任务，不满意程度增大；Timek＞DTk时，表示任务延期完成，惩罚值增大；
碳排放成本最低通过如下公式表示：
Figure BDA0003229222180000047
式中：cj，h表示工作站Mj，h的单位加工时间碳排放成本；ptj，h表示工作站Mj，h的总加工运行时间。
优选的，所述组合优选模型中用每只鲸鱼表示一个加工任务与加工设备、运输设备组合调度方案，并采用等长三段式编码的方式表示鲸鱼的位置矩阵；
鲸鱼的位置矩阵中，第一个维度表示所有加工任务的工序顺序链，第二个维度表示每道工序对应的机床设备顺序链，第三个维度表示每道工序对应的运输设备顺序链。
优选的，通过如下步骤对迭代后的鲸鱼位置向量进行调整：
对于迭代后的工序编码：将位置更新后的工序向量按数值大小从小到大到排序后得到新的向量，然后把新编码和初始编码的值进行一一对应，得到修正后编码的原始位置；
对于迭代后的加工设备编码：首先对编码进行四舍五入得到整数；然后对超过取值范围的编码进行处理，将所有超出加工设备总数上限的取值为上限，低于下限的取值为1；最后得到新的加工设备编码，且始终与工序的初始编码对应；
对于迭代后的运输设备编码：首先对编码进行四舍五入得到整数；然后对超过取值范围的编码进行处理，将所有超出运输设备总数上限的取值为上限，低于下限的取值为1；最后得到新的运输设备编码，且始终与工序的初始编码对应。
优选的，步骤S4中，通过如下步骤解算得到最优的加工任务与加工设备、运输设备组合调度方案：
S401：初始化迭代次数t＝1和最大迭代次数tmax，并生成加工任务与加工设备、运输设备组合调度方案对应的初始种群x(t)；
S402：对初始种群x(t)进行非支配排序并计算对应的拥挤度值；然后选择拥挤度值相对较大的个体生成精英解集archive；
S403：合并初始种群x(t)和精英解集archive；然后进行鲸鱼位置解码并计算对应的适应度值；最后进行非支配排序并计算对应的拥挤度值，选择拥挤度相对较大的个体更新精英解集archive；
S404：对精英解集archive进行模糊支配排序并计算对应的支配度值；最后选择支配度值相对较小的个体生成最优解集gbest；
S405：对初始种群x(t)的鲸鱼位置进行迭代进化并生成对应的子代种群x(t+1)；然后更新迭代次数t＝t+1，并判断t是否大于或等于最大迭代次数tmax：若是，则输出最优解集gbest作为加工任务与加工设备、运输设备组合调度方案；否则，返回步骤S403。
优选的，步骤405中，通过如下步骤对初始种群x(t)的鲸鱼位置进行迭代进化：
通过如下公式计算系数变量a、A、C、AP：
a＝2-2*t/tmax；
A＝2a*rand1-a；
C＝2*rand2；
AP＝min_AP+max_AP*t/tmax；
式中：t表示当前迭代次数，tmax表示最大迭代次数，a表示从2到0随迭代次数t线性递减的收敛因子，rand1和rand2均为[0，1]范围之间的随机数，系数变量A、C用于决定鲸鱼位置迭代的方向与步伐大小，AP表示随迭代次数t线性递增的意识概率；
同时，设置P为[0，1]范围内均匀分布产生的随机数；
当P≥AP时：
1)若|A|≥1，则通过如下公式结合进行猎物包围：
Figure BDA0003229222180000061
式中：Xt、Xt+1分别表示座头鲸在第t、t+1次迭代的位置，
Figure BDA0003229222180000068
表示从当前种群中随机选择的个体；
2)若|A|＜1，则通过如下公式进行泡泡网攻击：
Figure BDA0003229222180000062
式中：
Figure BDA0003229222180000063
表示当前精英解集中随机选择的个体，b表示限定对数螺旋形状的常数，l表示[-1，1]之间的随机数；
若P＜AP，则通过如下公式结合莱维飞行的方法进行猎物搜索：
Figure BDA0003229222180000064
Figure BDA0003229222180000065
Figure BDA0003229222180000066
Figure BDA0003229222180000067
式中：u、v服从标准正态分布，β表示系数常量，取值为1.5。
本发明中的多目标组合调度方法与现有技术相比，具有如下有益效果：
在本发明中，中心云层复杂将加工任务分解成可以被单个加工设备完成的工序，进而边缘端能够对加工任务的各道工序涉及的加工设备和运输设备进行分配和调度，有利于保证加工任务的加工设备和运输设备调度的运行实时性、可靠性和效率，从而能够提升多目标生产调度的调度效果和生产效率。同时，本发明从完工时间、运输设备数量、加工设备负载率、运输设备负载率、碳排放成本和任务提前/拖期惩罚成本六个维度去优化加工设备和运输设备的组合调度方案，并且提出了一套面向云边协同计算架构的大规模工厂接入任务调度体系，使得能够有效解决柔性车间调度存在的运输设备调度困难、产品生产的效率低下、加工设备闲置率高等问题，从而能够进一步提升多目标生产调度的调度效果。此外，本发明在pareto支配的基础上，将支配关系的达成条件放宽，形成一种模糊支配关系，并在此基础上进行莱维飞行，将扰动过的解集引导种群迭代进化，进而能够保证pareto支配前沿解的收敛性和分布性，从而能够更好的提升多目标生产调度的调度效果。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为实施例中多目标组合调度方法的逻辑框图；
图2为实施例中多目标生产调度时的网络结构图；
图3为实施例中鲸鱼位置矩阵的示意图；
图4和图5为实施例中迭代后工序编码的调整示意图；
图6为实施例中迭代后运输设备编码的调整示意图；
图7为实施例中组合优选模型工作时的流程图；
图8为实施例中多种类产品各加工子任务的加工顺序图；
图9为实施例中组合优选模型求解的加工设备与运输设备的最优组合示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例：
本实施例中公开了一种云边协同环境下考虑运输设备的多目标组合调度方法。
如图1和图2所示，一种云边协同环境下考虑运输设备的多目标组合调度方法，包括：
S1：中心云层获取多种类产品的加工任务，对加工任务进行分解以得到各个加工任务对应的工序，并把工序集合与对应的工艺要求发送至边缘端。具体的，根据产品加工的业务逻辑和工艺流程将对应的加工任务分解成若干个可以被单个加工设备完成的工序，生成工序集合与对应的工艺要求并发送给边缘端。
S2：边缘端实时监控加工设备和运输设备的运行状态，根据工序集合与工艺要求为各道工序匹配对应的加工设备和运输设备的可用资源集合。
S3：中心云层根据对应的生产工艺和加工设备和运输设备的可用资源集合建立各个加工任务的初始加工设备和运输设备资源组合。具体的，按照顺序、并行、选择以及循环的生产工艺，从加工设备和运输设备可用资源集合中选取各个工序的加工设备和运输设备，以建立对应加工任务的初始加工设备和运输设备资源组合。
S4：中心云层通过设置的组合优选模型以最小化完工时间、最小化运输设备数量、加工设备负载率最小、运输设备负载率最小、碳排放成本最低和任务提前/拖期惩罚成本最低为优化目标对各个加工任务的初始加工设备和运输设备资源组合进行不断优化，以解算得到最优的加工任务与加工设备、运输设备组合调度方案。
具体的，组合优选模型基于鲸鱼算法构建，并基于莱维飞行(是指步长的概率分布为重尾分布的随机行走，也就是说在随机行走的过程中有相对较高的概率出现大跨步。与步长分布没有重尾的随机行走相比，莱维飞行的运动轨迹就像时不时可以飞行一样。当随机行走的空间维数高于一维时，莱维飞行通常还要求步长分布是各向同性的。)和模糊支配关系(是指在pareto支配的基础上，将支配关系的达成条件放宽，形成的模糊支配关系)实现模型求解，以能够以最小化完工时间、最小化运输设备数量、加工设备负载率最小、运输设备负载率最小、碳排放成本最低和任务提前/拖期惩罚成本最低为优化目标量化评估初始加工设备和运输设备资源组合，进而得到最优的加工任务与加工设备、运输设备组合调度方案。
S5：中心云层把最优化的组合调度方案发送至边缘端，边缘端在生产现场根据调度方案对各个加工任务以及加工设备和运输设备进行调控，用以完成加工任务。
在本发明中，将加工任务分解成可以被单个加工设备完成的工序，进而能够对加工任务的各道工序涉及的加工设备和运输设备进行分配和调度，有利于保证加工任务的加工设备和运输设备调度的运行实时性、可靠性和效率，从而能够提升多目标生产调度的调度效果和生产效率。同时，本发明从完工时间、运输设备数量、加工设备负载率、运输设备负载率、碳排放成本和任务提前/拖期惩罚成本六个维度去优化加工设备和运输设备的组合调度方案，使得能够有效解决柔性车间调度存在的运输设备调度困难、产品生产的效率低下、加工设备闲置率高等问题，从而能够进一步提升多目标生产调度的调度效果。此外，本发明在pareto支配的基础上，将支配关系的达成条件放宽，形成一种模糊支配关系，并在此基础上进行莱维飞行，将扰动过的解集引导种群迭代进化，进而能够保证pareto支配前沿解的收敛性和分布性，从而能够更好的提升多目标生产调度的调度效果。
具体实施过程中，用i表示柔性车间调度系统上某产品的生产任务，其中i∈{1，2，3，…，n}；且每种产品i有ni道工序，工序编号用k表示，其中k∈k{1，2，…，ni}，oi，k表示产品i的第k道工序。
假设工厂内拥有m条生产线，用j表示生产线的编号，其中j∈{0，1，2，3，…，m}；并假定每条生产线j有mj个工作站，用h表示机床加工设备的编号，其中h∈{0，1，2，…，mj，mj+1}，用Mj，h表示生产线j的第h个机床加工设备，每条产线的M0和
Figure BDA0003229222180000091
分别表示装载站和卸载站。
边缘端为工序oi，k匹配加工设备和运输设备可用资源集合时，满足以下约束条件：
同一时刻，一台运输设备只承载一个运输任务、每个加工设备只能加工一个工件，运输设备开始运行后不能中断；
每一道工序只能在对应类型的工作站完成；
工序的加工顺序必须遵守生产工艺的规定，工序的加工顺序不能发生混乱；
第r辆运输设备把工件从工序oi，k-1加工处运输至工序oi，k加工处的最早开始时间
Figure BDA0003229222180000092
应大于等于运输设备上一装载任务的完成时间
Figure BDA0003229222180000093
和工件上一道工序oi，k-1的完成时间
Figure BDA0003229222180000094
工序oi，k的最早开始时间
Figure BDA0003229222180000095
应大于等于运输设备完成装载时间
Figure BDA0003229222180000096
和加工设备Mi，h上一个加工任务的结束时间
Figure BDA0003229222180000097
具体的，最小化完工时间通过公式min f1＝max(Timei)表示；式中：i表示加工任务编号，Timei表示第k道工序的完工时间，包括加工时间
Figure BDA0003229222180000098
运输时间
Figure BDA0003229222180000099
和等待时间，具体通过如下公式计算：
Figure BDA00032292221800000910
式中：
Figure BDA00032292221800000911
表示工序Oi，k开始加工时刻；
Figure BDA00032292221800000912
表示工序Oi，k完成加工时刻；
Figure BDA00032292221800000913
表示工序Oi，k在工作站Mj，h的加工时间；
Figure BDA00032292221800000914
表示工序Oi′，k，完成后，第r辆运输设备开始装载工件至工序Oi，k所在机床缓存区的时刻；
Figure BDA0003229222180000109
表示第r辆运输设备完成装载工序Oi，k的时刻；
Figure BDA00032292221800001010
表示第r台运输设备从设备j1搬运工件至设备j2所需要的时间；
最小化运输设备数量通过公式min f2＝max(R)；式中：R表示运输设备数量；
加工设备负载率最小通过如下公式表示：
Figure BDA0003229222180000103
式中：
Figure BDA0003229222180000104
表示加工设备Mi，h的最小负载率，
Figure BDA0003229222180000105
表示加工设备Mj，h的最大负载率；
运输设备负载率最小通过如下公式表示：
Figure BDA0003229222180000106
式中：Ear表示第r辆运输设备的最小负载率，Dar表示第r辆运输设备的最大负载率；
任务提前/拖期惩罚成本通过如下公式表示：
Figure BDA0003229222180000107
式中：ETk表示加工任务的最小完成时间，DTk表示加工任务的最大完成时间；当Timek＜ETk时，表示提前完成了任务，不满意程度增大；Timek＞DTk时，表示任务延期完成，惩罚值增大；
碳排放成本最低通过如下公式表示：
Figure BDA0003229222180000108
式中：cj，h表示工作站Mj，h的单位加工时间碳排放成本；ptj，h表示工作站Mj，h的总加工运行时间。
结合图3所示，组合优选模型中用每只鲸鱼表示一个加工任务与加工设备、运输设备组合调度方案，并采用等长三段式编码的方式表示鲸鱼的位置矩阵；鲸鱼的位置矩阵中，第一个维度表示所有加工任务的工序顺序链，第二个维度表示每道工序对应的机床设备顺序链，第三个维度表示每道工序对应的运输设备顺序链。
由于鲸鱼优化算法是非离散型算法，在位置矩阵迭代时会出现非整数值，但是FJSP的解为离散值，其工序、加工设备、运输设备的编码须为整数，所以需要把迭代后的鲸鱼位置向量转换成标准调度解，本实施例中通过如下步骤对迭代后的鲸鱼位置向量进行调整：
结合图4和图5所示，对于迭代后的工序编码：将位置更新后的工序向量按数值大小从小到大到排序后得到新的向量，然后把新编码和初始编码的值进行一一对应，得到修正后编码的原始位置。
结合图6所示，对于迭代后的运输设备编码：首先对编码进行四舍五入得到整数；然后对超过取值范围的编码进行处理，将所有超出运输设备总数上限的取值为上限，低于下限的取值为1；最后得到新的运输设备编码，且始终与工序的初始编码对应。
对于迭代后的加工设备编码：首先对编码进行四舍五入得到整数；然后对超过取值范围的编码进行处理，将所有超出加工设备总数上限的取值为上限，低于下限的取值为1；最后得到新的加工设备编码，且始终与工序的初始编码对应。
在本发明中，通过鲸鱼位置的三层编码保证了算法的解与调度模型之间的转换，并且避免算法收敛在局部最优、迭代进化停滞，这能够保证加工任务的加工设备和运输设备调度的运行实时性、可靠性和效率，从而能够提升多目标生产调度的调度效果和生产效率。
结合图7所示，通过如下步骤解算最优的加工任务与加工设备、运输设备组合调度方案：
S401：初始化迭代次数t＝1和最大迭代次数tmax，并生成加工任务与加工设备、运输设备组合调度方案对应的初始种群x(t)；
S402：对初始种群x(t)进行非支配排序并计算对应的拥挤度值；然后选择拥挤度值相对较大的个体生成精英解集archive；
S403：合并初始种群x(t)和精英解集archive；然后进行鲸鱼位置解码并计算对应的适应度值；最后进行非支配排序并计算对应的拥挤度值，选择拥挤度相对较大的个体更新精英解集archive；
S404：对精英解集archive进行模糊支配排序并计算对应的支配度值；最后选择支配度值相对较小的个体生成最优解集gbest；
S405：对初始种群x(t)的鲸鱼位置进行迭代进化并生成对应的子代种群x(t+1)；然后更新迭代次数t＝t+1，并判断t是否大于或等于最大迭代次数tmax：若是，则输出最优解集gbest作为加工任务与加工设备、运输设备组合调度方案；否则，返回步骤S403。
具体的，对于组合选优方案的迭代进化，选择运算是必要的，优化的个体直接遗传到下一代或通过上述鲸鱼位置迭代的方法产生新的个体再遗传到下一代。由于选择操作是建立在群体中个体的适应度评估基础上的，为了防止鲸鱼位置在解空间中过于集中，需要建立适应度评估较优的精英解集(优选集)，从中选取个体构建下一代种群。
因此，本发明采用对当前种群x(t)和上一代的精英解集archive的合并集进行快速非支配排序的策略，令F(x)＝(f1(x)，f2(x)，…，fm(x))为优化目标函数，对于个体xi的拥挤度距离：
Figure BDA0003229222180000121
式中：
Figure BDA0003229222180000122
与
Figure BDA0003229222180000123
分别表示解集在目标函数fk(x)上的最大值与最小值，ni值越大表示个体xi距离周围个体越远，选择其中拥挤度较高的个体组成精英解集archive，然后通过二进制锦标赛的策略从精英解集archive集中选取个体构建新的子代种群x(t+1)。
由于多目标问题的前沿面是由若干非支配解所构成的集合，在迭代进化时不能像单目标优化问题只需选取一个最优解，而是构建由多个非支配解所组成的最优解集gbest，实现
Figure BDA0003229222180000124
选择的多样化，这样可以防止种群陷入局部最优解停滞或在目标搜索空间群聚，导致种群多样性与算法的分布性能降低。
因此，本发明改进鲸鱼算法对于精英解集archive采用模糊支配排序，从种群中随机选择两个不相同个体xi和xj(i≠j)的目标向量F(xi)和F(xj)进行对比后，可用B(xi，xj)、E(xi，xj)和W(xi，xj)分别表示F(xi)中优于、劣于和等于F(xj)三种不同的目标维度的比较个数，并根据这三个数值计算个体xi和xj的模糊支配度C0(xi，xj)、C1(xi，xj)：
Figure BDA0003229222180000125
根据上式计算得到的模糊支配度C0(xi，xj)＜λ，λ∈[0，0.5)时，则有xj模糊支配xi；模糊支配度c1(xi，xj)＜λ(λ∈[0，0.5))时，则有xi模糊支配xj，且λ值随迭代次数的增加而递增：
λ＝min_λ+max_λ*t/tmax；
当λ＝0时，xi模糊支配xj的达成要求W(xi，xj)＝0，即个体xi的所有目标都不劣于xj，此时的模糊支配关系等价于Pareto支配关系；而当λ值接近0.5时，xi模糊支配xj需要满足W(xi，xj)＜m/2，即个体xi的一半以上的优化目标都不劣于xj，综上，λ值越小，模糊支配关系越接近Pareto支配关系；λ值越大，模糊支配关系达成条件越宽松，可有效减少非支配解的数量。
完成精英解集archive的模糊支配排序后，就可以计算其中每一个解的适应度函数：
Figure BDA0003229222180000131
式中：nArchive表示精英解集archive的种群规模，domi(n)表示支配着当前个体Xi的支配者数量，domi(s)表示被当前个体Xi支配着的被支配者数量。δi值越大表示个体Xi的综合性能越好，把精英解集archive集按δi值进行降序排列，选择具有最小δi值的解作为最优解集gbest。
通过如下步骤对初始种群x(t)的鲸鱼位置进行迭代进化：
通过如下公式计算系数变量a、A、C、AP：
a＝2-2*t/tmax；
A＝2a*rand1-a：
C＝2*rand2；
AP＝min_AP+max_AP*t/tmax：
式中：t表示当前迭代次数，tmax表示最大迭代次数，a表示从2到0随迭代次数t线性递减的收敛因子，rand1和rand2均为[0，1]范围之间的随机数，系数变量A、C用于决定鲸鱼位置迭代的方向与步伐大小，AP表示随迭代次数t线性递增的意识概率；
同时，设置P为[0，1]范围内均匀分布产生的随机数；
当P≥AP时：
1)若|A|≥1，则通过如下公式结合进行猎物包围：
Figure BDA0003229222180000132
式中：Xt、Xt+1分别表示座头鲸在第t、t+1次迭代的位置，
Figure BDA0003229222180000133
表示从当前种群中随机选择的个体；
2)若|A|＜1，则通过如下公式进行泡泡网攻击：
Figure BDA0003229222180000141
式中：
Figure BDA0003229222180000142
表示当前精英解集中随机选择的个体，b表示限定对数螺旋形状的常数，l表示[-1，1]之间的随机数；
若P＜AP，则通过如下公式结合莱维飞行的方法进行猎物搜索：
Figure BDA0003229222180000143
Figure BDA0003229222180000144
Figure BDA0003229222180000145
Figure BDA0003229222180000146
式中：u、v服从标准正态分布，β表示系数常量，取值为1.5。莱维飞行是自然界常见的一种猎物搜捕方式，其以短距离移动为主，增强局部寻优能力；长距离移动为辅，使迭代进化跳出局部最优解。
本实施例中基于上述多目标组合调度方法对多种类产品的加工任务进行了调度试验：
参见图8，对多种类产品各加工子任务加工顺序的示意图，其中横坐标为时间轴，纵坐标为不同加工设备，颜色填充的矩形表示工序，标注数字表示工件号及其工序。同一工件的矩形颜色相同，矩形长度表示了加工时间的长短；图9为本实施例中组合优选模型(即经过改进的鲸鱼算法)组合优选之后形成的最优组合，其中横坐标为时间轴，纵坐标为不同加工设备，其中空白填充的矩形表示运输设备(AGV)，其标注数字为运输设备编号，同一运输设备的矩形颜色相同，矩形长度表示了运输时间的长短；颜色填充的矩形表示加工设备被工序oi，k占用的时间。
综上所述，本发明中的多目标组合调度方法，通过建立以最小化完工时间、最小化运输设备数量、加工设备负载率最小、运输设备负载率最小、碳排放成本最低和任务提前/拖期惩罚成本最低为优化目标对柔性生产线的组合优选模型，并针对问题提出了一种改进的鲸鱼算法。通过鲸鱼位置的三层编码保证了算法的解与调度模型之间的转换，并且避免算法收敛在局部最优、迭代进化停滞，提出了一种改进的最优解选取策略。本发明在pareto支配的基础上，将支配关系的达成条件放宽，形成一种模糊支配关系，并在此基础上对个体的支配度值δi进行计算，将δi值最大的解作为精英解集，在此基础上进行莱维飞行，将扰动过的解集引导种群迭代进化，从而保证pareto支配前沿解的收敛性和分布性。因此，本发明基于鲸鱼算法的多目标组合调度方法，有效解决了目前柔性车间调度系统存在的运输设备调度困难、产品生产的效率低下、加工设备闲置率高等问题，为柔性车间的个性化产品生产的智能化调度提供一种切实可行的解决方案。
需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。同时，实施例中公知的具体结构及特性等常识在此未作过多描述。最后，本发明要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.一种云边协同环境下考虑运输设备的多目标组合调度方法，其特征在于，包括：
S1：中心云层获取多种类产品的加工任务，对加工任务进行分解以得到各个加工任务对应的工序，并把工序集合与对应的工艺要求发送至边缘端；
S2：边缘端实时监控加工设备和运输设备的运行状态，根据工序集合与工艺要求为各道工序匹配对应的加工设备和运输设备的可用资源集合；
S3：中心云层根据对应的生产工艺和加工设备和运输设备的可用资源集合建立各个加工任务的初始加工设备和运输设备资源组合；
S4：中心云层通过设置的组合优选模型以最小化完工时间、最小化运输设备数量、加工设备负载率最小、运输设备负载率最小、碳排放成本最低和任务提前/拖期惩罚成本最低为优化目标对各个加工任务的初始加工设备和运输设备资源组合进行不断优化，以解算得到最优的加工任务与加工设备、运输设备组合调度方案；
S5：中心云层把最优化的组合调度方案发送至边缘端，边缘端在生产现场根据调度方案对各个加工任务以及加工设备和运输设备进行调控，用以完成加工任务。
2.如权利要求1所述的云边协同环境下考虑运输设备的多目标组合调度方法，其特征在于：步骤S1中，中心云层根据产品加工的业务逻辑和工艺流程将对应的加工任务分解成若干个可以被单个加工设备完成的工序，生成工序集合与对应的工艺要求并发送给边缘端。
3.如权利要求1所述的云边协同环境下考虑运输设备的多目标组合调度方法，其特征在于，步骤S2中，边缘端根据设备的运行状态为工序匹配加工设备和运输设备可用资源集合时，满足以下约束条件：
同一时刻，一台运输设备只承载一个运输任务、每个加工设备只能加工一个工件，运输设备开始运行后不能中断；
每一道工序只能在对应类型的工作站完成；
工序的加工顺序必须遵守生产工艺的规定，工序的加工顺序不能发生混乱；
第r辆运输设备把工件从工序oi,k-1加工处运输至工序oi,k加工处的最早开始时间
Figure FDA0003229222170000011
应大于等于运输设备上一装载任务的完成时间
Figure FDA0003229222170000012
和工件上一道工序oi,k-1的完成时间
Figure FDA0003229222170000013
工序oi,k的最早开始时间
Figure FDA0003229222170000014
应大于等于运输设备完成装载时间
Figure FDA0003229222170000015
和加工设备Mj,h上一个加工任务的结束时间
Figure FDA0003229222170000016
4.如权利要求1述的云边协同环境下考虑运输设备的多目标组合调度方法，其特征在于：步骤S3中，中心云层按照顺序、并行、选择以及循环的生产工艺，从加工设备和运输设备可用资源集合中选取各个工序的加工设备和运输设备，以建立对应加工任务的初始加工设备和运输设备资源组合。
5.如权利要求1所述的云边协同环境下考虑运输设备的多目标组合调度方法，其特征在于：步骤S4中，所述组合优选模型基于鲸鱼算法构建，并基于莱维飞行和模糊支配关系实现模型求解，中心云层以能够以优化目标量化评估初始加工设备和运输设备资源组合，进而得到最优的加工任务与加工设备、运输设备组合调度方案。
6.如权利要求1所述的云边协同环境下考虑运输设备的多目标组合调度方法，其特征在于：
最小化完工时间通过公式minf1＝max(Timei)表示；式中：i表示加工任务编号，Timei表示第k道工序的完工时间，包括加工时间
Figure FDA0003229222170000021
运输时间
Figure FDA0003229222170000022
和等待时间，具体通过如下公式计算：
Figure FDA0003229222170000023
式中：
Figure FDA0003229222170000024
表示工序Oi，k开始加工时刻；
Figure FDA0003229222170000025
表示工序Oi，k完成加工时刻；
Figure FDA0003229222170000026
表示工序Oi，k在工作站Mj，h的加工时间；
Figure FDA0003229222170000027
表示工序Oi′，k′完成后，第r辆运输设备开始装载工件至工序Oi，k所在机床缓存区的时刻；
Figure FDA0003229222170000028
表示第r辆运输设备完成装载工序Oi，k的时刻；
Figure FDA0003229222170000029
表示第r台运输设备从设备j1搬运工件至设备j2所需要的时间；
最小化运输设备数量通过公式min f2＝max(R)；式中：R表示运输设备数量；
加工设备负载率最小通过如下公式表示：
Figure FDA00032292221700000210
式中：
Figure FDA00032292221700000211
表示加工设备Mj,h的最小负载率，
Figure FDA00032292221700000212
表示加工设备Mj,h的最大负载率；
运输设备负载率最小通过如下公式表示：
Figure FDA0003229222170000031
式中：Ear表示第r辆运输设备的最小负载率，Dar表示第r辆运输设备的最大负载率；
任务提前/拖期惩罚成本通过如下公式表示：
Figure FDA0003229222170000032
式中：ETk表示加工任务的最小完成时间，DTk表示加工任务的最大完成时间；当Timek＜ETk时，表示提前完成了任务，不满意程度增大；Timek＞DTk时，表示任务延期完成，惩罚值增大；
碳排放成本最低通过如下公式表示：
Figure FDA0003229222170000033
式中：cj，h表示工作站Mj，h的单位加工时间碳排放成本；ptj，h表示工作站Mj，h的总加工运行时间。
7.如权利要求5所述的云边协同环境下考虑运输设备的多目标组合调度方法，其特征在于：所述组合优选模型中用每只鲸鱼表示一个加工任务与加工设备、运输设备组合调度方案，并采用等长三段式编码的方式表示鲸鱼的位置矩阵；
鲸鱼的位置矩阵中，第一个维度表示所有加工任务的工序顺序链，第二个维度表示每道工序对应的机床设备顺序链，第三个维度表示每道工序对应的运输设备顺序链。
8.如权利要求7所述的云边协同环境下考虑运输设备的多目标组合调度方法，其特征在于：通过如下步骤对迭代后的鲸鱼位置向量进行调整：
对于迭代后的工序编码：将位置更新后的工序向量按数值大小从小到大到排序后得到新的向量，然后把新编码和初始编码的值进行一一对应，得到修正后编码的原始位置；
对于迭代后的加工设备编码：首先对编码进行四舍五入得到整数；然后对超过取值范围的编码进行处理，将所有超出加工设备总数上限的取值为上限，低于下限的取值为1；最后得到新的加工设备编码，且始终与工序的初始编码对应；
对于迭代后的运输设备编码：首先对编码进行四舍五入得到整数；然后对超过取值范围的编码进行处理，将所有超出运输设备总数上限的取值为上限，低于下限的取值为1；最后得到新的运输设备编码，且始终与工序的初始编码对应。
9.如权利要求5所述的云边协同环境下考虑运输设备的多目标组合调度方法，其特征在于，步骤S4中，通过如下步骤解算得到最优的加工任务与加工设备、运输设备组合调度方案：
S401：初始化迭代次数t＝1和最大迭代次数tmax，并生成加工任务与加工设备、运输设备组合调度方案对应的初始种群x(t)；
S402：对初始种群x(t)进行非支配排序并计算对应的拥挤度值；然后选择拥挤度值相对较大的个体生成精英解集archive；
S403：合并初始种群x(t)和精英解集archive；然后进行鲸鱼位置解码并计算对应的适应度值；最后进行非支配排序并计算对应的拥挤度值，选择拥挤度相对较大的个体更新精英解集archive；
S404：对精英解集archive进行模糊支配排序并计算对应的支配度值；最后选择支配度值相对较小的个体生成最优解集gbest；
S405：对初始种群x(t)的鲸鱼位置进行迭代进化并生成对应的子代种群x(t+1)；然后更新迭代次数t＝t+1，并判断t是否大于或等于最大迭代次数tmax：若是，则输出最优解集gbest作为加工任务与加工设备、运输设备组合调度方案；否则，返回步骤S403。
10.如权利要求9所述的云边协同环境下考虑运输设备的多目标组合调度方法，其特征在于，步骤405中，通过如下步骤对初始种群x(t)的鲸鱼位置进行迭代进化：
通过如下公式计算系数变量a、A、C、AP：
a＝2-2*t/tmax；
A＝2a*rand1-a；
C＝2*rand2；
AP＝min_AP+max_AP*t/tmax；
式中：t表示当前迭代次数，tmax表示最大迭代次数，a表示从2到0随迭代次数t线性递减的收敛因子，rand1和rand2均为[0，1]范围之间的随机数，系数变量A、C用于决定鲸鱼位置迭代的方向与步伐大小，AP表示随迭代次数t线性递增的意识概率；
同时，设置P为[0，1]范围内均匀分布产生的随机数；
当P≥AP时：
1)若|A|≥1，则通过如下公式结合进行猎物包围：
Figure FDA0003229222170000051
式中：Xt、Xt+1分别表示座头鲸在第t、t+1次迭代的位置，
Figure FDA0003229222170000052
表示从当前种群中随机选择的个体；
2)若|A|＜1，则通过如下公式进行泡泡网攻击：
Figure FDA0003229222170000053
式中：
Figure FDA0003229222170000054
表示当前精英解集中随机选择的个体，b表示限定对数螺旋形状的常数，l表示[-1,1]之间的随机数；
若P＜AP，则通过如下公式结合莱维飞行的方法进行猎物搜索：
Figure FDA0003229222170000055
Figure FDA0003229222170000056
Figure FDA0003229222170000057
Figure FDA0003229222170000058
式中：u、v服从标准正态分布，β表示系数常量，取值为1.5。
CN202110981354.9A 2021-08-25 2021-08-25 一种云边协同环境下考虑运输设备的多目标组合调度方法 Active CN113689122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110981354.9A CN113689122B (zh) 2021-08-25 2021-08-25 一种云边协同环境下考虑运输设备的多目标组合调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110981354.9A CN113689122B (zh) 2021-08-25 2021-08-25 一种云边协同环境下考虑运输设备的多目标组合调度方法

Publications (2)

Publication Number Publication Date
CN113689122A true CN113689122A (zh) 2021-11-23
CN113689122B CN113689122B (zh) 2023-11-14

Family

ID=78582464

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110981354.9A Active CN113689122B (zh) 2021-08-25 2021-08-25 一种云边协同环境下考虑运输设备的多目标组合调度方法

Country Status (1)

Country Link
CN (1) CN113689122B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139823A (zh) * 2021-12-08 2022-03-04 重庆大学 面向智能制造车间生产与计算任务的耦合调度模型与耦合调度方法
CN114565195A (zh) * 2022-04-27 2022-05-31 苏州美集供应链管理股份有限公司 本地局部反馈与云端全局优化结合的调配系统与方法
CN114995301A (zh) * 2022-04-24 2022-09-02 西安交通大学 一种基于分派规则的产线分布式调度方法及系统
CN115826545A (zh) * 2023-02-20 2023-03-21 上海交大智邦科技有限公司 多品种小批量混线机加工柔性制造调度与执行方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107346469A (zh) * 2017-06-12 2017-11-14 哈尔滨理工大学 云制造环境下多地运输多目标综合调度方法
CN111563629A (zh) * 2020-05-11 2020-08-21 四川新迎顺信息技术股份有限公司 柔性制造车间多阶段设备产能配置与鲁棒性布局优化方法
CN112884241A (zh) * 2021-03-12 2021-06-01 重庆大学 基于智能Agent的云边协作制造任务调度方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107346469A (zh) * 2017-06-12 2017-11-14 哈尔滨理工大学 云制造环境下多地运输多目标综合调度方法
CN111563629A (zh) * 2020-05-11 2020-08-21 四川新迎顺信息技术股份有限公司 柔性制造车间多阶段设备产能配置与鲁棒性布局优化方法
CN112884241A (zh) * 2021-03-12 2021-06-01 重庆大学 基于智能Agent的云边协作制造任务调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
安玉伟;严洪森;: "柔性作业车间生产计划与调度集成优化求解策略", 自动化学报, no. 09, pages 1476 - 1491 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139823A (zh) * 2021-12-08 2022-03-04 重庆大学 面向智能制造车间生产与计算任务的耦合调度模型与耦合调度方法
CN114995301A (zh) * 2022-04-24 2022-09-02 西安交通大学 一种基于分派规则的产线分布式调度方法及系统
CN114565195A (zh) * 2022-04-27 2022-05-31 苏州美集供应链管理股份有限公司 本地局部反馈与云端全局优化结合的调配系统与方法
CN114565195B (zh) * 2022-04-27 2022-08-19 苏州美集供应链管理股份有限公司 本地局部反馈与云端全局优化结合的调配系统与方法
CN115826545A (zh) * 2023-02-20 2023-03-21 上海交大智邦科技有限公司 多品种小批量混线机加工柔性制造调度与执行方法及系统
CN115826545B (zh) * 2023-02-20 2023-06-09 上海交大智邦科技有限公司 多品种小批量混线机加工柔性制造调度与执行方法及系统

Also Published As

Publication number Publication date
CN113689122B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN113689122A (zh) 一种云边协同环境下考虑运输设备的多目标组合调度方法
Zhu et al. An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints
Janardhanan et al. Metaheuristic algorithms for balancing robotic assembly lines with sequence-dependent robot setup times
CN111966050B (zh) 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法
CN107506956B (zh) 基于改进粒子群算法供应链生产运输协同调度方法及系统
CN112766813A (zh) 一种空天协同观测复杂任务调度方法及系统
CN110598941A (zh) 一种基于仿生策略的粒子群优化制造系统双目标排产方法
CN109165808B (zh) 一种电力通信网现场运维工单派发方法
Tavakkoli-Moghaddam et al. Solving a multi-objective job shop scheduling problem with sequence-dependent setup times by a Pareto archive PSO combined with genetic operators and VNS
CN103530709B (zh) 一种基于细菌觅食优化方法的集装箱码头泊位和岸桥分配方法
CN110908772B (zh) 一种提高多工作流可靠性的节能调度方法
CN112561194A (zh) 一种混合流水车间生产与物流集成调度方法及系统
Fu et al. A multi-objective optimization model based on non-dominated sorting genetic algorithm
CN108564211A (zh) 物流运输路径规划方法及系统
Mayteekrieangkrai et al. Optimized ready mixed concrete truck scheduling for uncertain factors using bee algorithm.
CN113361073A (zh) 一种基于改进拉格朗日松弛算法的库存路径联合优化方法
CN115034143A (zh) 一种多资源协同的智能车间设备配置优化方法
CN112184053A (zh) 一种任务调度的方法、装置及其设备
CN113553146A (zh) 一种基于云边协同计算任务并合调度方法
CN112766584A (zh) 基于离散云进化算法的设备优化布局方法
CN115421885A (zh) 一种分布式多目标云任务的调度方法、装置及云服务系统
CN117930842B (zh) 一种多agv任务分配方法
CN117808246A (zh) 柔性作业车间调度方法、装置及系统
Wu et al. Optimizing job release and scheduling jointly in a reentrant hybrid flow shop
Liu et al. Multi-objective adaptive large neighbourhood search algorithm for dynamic flexible job shop schedule problem with transportation resource

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