CN114442580A - 一种基于强化遗传算法的流水车间调度方法及系统 - Google Patents
一种基于强化遗传算法的流水车间调度方法及系统 Download PDFInfo
- Publication number
- CN114442580A CN114442580A CN202210124161.6A CN202210124161A CN114442580A CN 114442580 A CN114442580 A CN 114442580A CN 202210124161 A CN202210124161 A CN 202210124161A CN 114442580 A CN114442580 A CN 114442580A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- workshop
- workpiece
- processing
- production
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000002068 genetic effect Effects 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000004519 manufacturing process Methods 0.000 claims abstract description 38
- 230000002787 reinforcement Effects 0.000 claims abstract description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000003139 buffering effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001184 polypeptide Polymers 0.000 description 1
- 108090000765 processed proteins & peptides Proteins 0.000 description 1
- 102000004196 processed proteins & peptides Human genes 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于强化遗传算法的流水车间调度方法及系统，该方法包括：确定车间设备、生产工序和生产加工任务的基本信息，其中，基本信息包括车间设备数量、生产工序道数、待加工的工件种类及对应数量，以及每道工序加工时间；确定车间调度目标、约束条件，并建立流水车间调度模型，其中，车间调度目标为最大完工时间最小；通过强化学习参数自适应对遗传算法中的参数进行改进，并获取改进算法；通过改进算法对流水车间调度模型进行求解，以获得符合车间调度目标的最优解，并输出生产调度方案。本发明能够大大提高工件质量，提高车间的生产产量。
Description
技术领域
本发明涉及调度技术领域，特别涉及一种基于强化遗传算法的流水车间调度方法及系统。
背景技术
车间调度是企业生产管理系统中需要解决的重要问题之一。对它的研究起源相当早，于1954年开始距今已有60多年的发展史。流水车间广泛应用于实际生产中，如食品、纺织、造纸、钢铁等行业。在经典的流水车间调度问题中，所有的工件都在一条流水线上生产，一条流水线上存在多个加工阶段，每个阶段上存在一台机器，每个工件需要依次通过该流水线。流水车间调度问题是车间调度中较为简单的问题，但随着产品种类、规模数量问题规模的不断增加，其解决方案的复杂性也随着问题范围的增加而加大，对于规模较大的流水车间调度问题仍需进一步研究。
发明内容
本发明的目的在于提供一种基于强化遗传算法的流水车间调度方法及系统，以解决上述技术问题。
为达此目的，本发明采用以下技术方案：
提供一种基于强化遗传算法的流水车间调度方法，包括如下步骤：
确定车间设备、生产工序和生产加工任务的基本信息，其中，基本信息包括车间设备数量、生产工序道数、待加工的工件种类及对应数量，以及每道工序加工时间；
确定车间调度目标、约束条件，并建立流水车间调度模型，其中，车间调度目标为最大完工时间最小；
通过强化学习参数自适应对遗传算法中的参数进行改进，并获取改进算法；
通过改进算法对流水车间调度模型进行求解，以获得符合车间调度目标的最优解，并输出生产调度方案。
本发明还提供了一种基于强化遗传算法的流水车间调度系统，包括：
获取模块，用于确定车间设备、生产工序和生产加工任务的基本信息，其中，基本信息包括车间设备数量、生产工序道数、待加工的工件种类及对应数量，以及每道工序加工时间；
构建模块，用于确定车间调度目标、约束条件，并建立流水车间调度模型，其中，车间调度目标为最大完工时间最小；
改进模块，用于通过强化学习参数自适应对遗传算法中的参数进行改进，并获取改进算法；
执行模块，用于通过改进算法对流水车间调度模型进行求解，以获得符合车间调度目标的最优解，并输出生产调度方案。
本发明通过以上方案能够在流水车间调度问题中求解得到最优方案，进而能够大大提高工件质量，提高车间的生产产量。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述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是本发明一实施例提供的基于强化遗传算法的流水车间调度方法的流程图；
图2是本发明一实施例提供的基于强化遗传算法的流水车间调度系统的原理图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明一实施例提供的基于强化遗传算法的流水车间调度方法，如图1所示，包括如下步骤：
步骤1，确定车间设备、生产工序和生产加工任务的基本信息，其中，基本信息包括车间设备数量、生产工序道数、待加工的工件种类及对应数量，以及每道工序加工时间；
步骤2，确定车间调度目标、约束条件，并建立流水车间调度模型，其中，车间调度目标为最大完工时间最小；
步骤3，通过强化学习(RL)参数自适应对遗传算法(GA)中的参数进行改进，并获取改进算法；
步骤4，通过改进算法对流水车间调度模型进行求解，以获得符合车间调度目标的最优解，并输出生产调度方案。
显然，通过以上方案能够在流水车间调度问题中求解得到最优方案，进而能够大大提高工件质量，提高车间的生产产量。
在一些实施例中，步骤2，确定车间调度目标、约束条件，并建立流水车间调度模型，其中，车间调度目标为最大完工时间最小，其中，约束条件包括：
每个工件独立且在零时刻到达；
每个工件预定时间段内只能在一台机器上加工，不能同时在不同机器上加工；
每个工件在每台机器上的加工顺序是既定的，不会发生变化；
每道工序的准备时间包含在总加工时间里面，与其加工顺序不相关；任一台机器一个时间段内只能对预定工件的指定道工序进行加工，加工过程不能中断，工件加工完后，将立即送去下一工序；
允许特定时间段的缓冲，当工件到达时另一工件正在此机器上加工，则需要排队。
显然，通过预设上述约束条件，能够确保流水车间调度模型的准确性。
在一些实施例中，步骤4，通过改进算法对流水车间调度模型进行求解，以获得符合车间调度目标的最优解，并输出生产调度方案，包括：
步骤41，对改进算法所涉及的参数进行设置，以得到初始种群；
步骤42，利用FER(Fithess Euclidean-distance Ratio，子种群划分指标)，计算初始种群中每个个体的适应度，并对每个个体进行适应度评估；
步骤43，基于轮盘赌法，根据适应度的大小，按规则从上一代和后代中选择预定数量的个体作为下一代群体；
步骤44，判断交叉概率是否满足预设条件，当满足时对选出的群体中的每个个体执行交叉率计算；
步骤45，以一定概率随机改变群体中的每个个体体基因中预定位置的数据信息，以得到变异种群，进而实现种群的基因多样性，以更好地适应环境；
步骤46，当判断得出变异种群中的当前子群间的通讯满足预设条件时，将当前子种群中的最佳值替换其他子种群中的最差值，以更快、更好地实现收敛，并当满足车间调度目标时，确定得出最优加工序列，并根据最优加工序列发送加工指令。
显然，通过遗传算法从一组随机产生的初始解开始搜索，包括交叉、变异、选择运算，因此，能够快速、高效地确定出生产调度方案。
基于同样的发明构思，本发明实施例还提供一种基于强化遗传算法的流水车间调度系统，如图2所示，包括：
获取模块1，用于确定车间设备、生产工序和生产加工任务的基本信息，其中，基本信息包括车间设备数量、生产工序道数、待加工的工件种类及对应数量，以及每道工序加工时间；
构建模块2，用于确定车间调度目标、约束条件，并建立流水车间调度模型，其中，车间调度目标为最大完工时间最小；
改进模块3，用于通过强化学习(RL)参数自适应对遗传算法(GA)中的参数进行改进，并获取改进算法；
执行模块4，用于通过改进算法对流水车间调度模型进行求解，以获得符合车间调度目标的最优解，并输出生产调度方案。
显然，通过以上方案能够在流水车间调度问题中求解得到最优方案，进而能够大大提高工件质量，提高车间的生产产量。
在一些实施例中，构建模块，包括约束条件模块，具体为：
每个工件独立且在零时刻到达；
每个工件预定时间段内只能在一台机器上加工，不能同时在不同机器上加工；
每个工件在每台机器上的加工顺序是既定的，不会发生变化；
每道工序的准备时间包含在总加工时间里面，与其加工顺序不相关；任一台机器一个时间段内只能对预定工件的指定道工序进行加工，加工过程不能中断，工件加工完后，将立即送去下一工序；
允许特定时间段的缓冲，当工件到达时另一工件正在此机器上加工，则需要排队。
显然，通过预设上述约束条件，能够确保流水车间调度模型的准确性。
在一些实施例中，执行模块，包括计算模块，具体为：
步骤41，对改进算法所涉及的参数进行设置，以得到初始种群；
步骤42，利用FER(Fitness Euclidean-distance Ratio，子种群划分指标)，计算初始种群中每个个体的适应度，并对每个个体进行适应度评估；
步骤43，基于轮盘赌法，根据适应度的大小，按规则从上一代和后代中选择预定数量的个体作为下一代群体；
步骤44，判断交叉概率是否满足预设条件，当满足时对选出的群体中的每个个体执行交叉率计算；
步骤45，以一定概率随机改变群体中的每个个体体基因中预定位置的数据信息，以得到变异种群，进而实现种群的基因多样性，以更好地适应环境；
步骤46，当判断得出变异种群中的当前子群间的通讯满足预设条件时，将当前子种群中的最佳值替换其他子种群中的最差值，以更快、更好地实现收敛，并当满足车间调度目标时，确定得出最优加工序列，并根据最优加工序列发送加工指令。
显然，通过遗传算法从一组随机产生的初始解开始搜索，包括交叉、变异、选择运算，因此，能够快速、高效地确定出生产调度方案。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。
Claims (6)
1.一种基于强化遗传算法的流水车间调度方法，其特征在于，包括如下步骤：
确定车间设备、生产工序和生产加工任务的基本信息，其中，基本信息包括车间设备数量、生产工序道数、待加工的工件种类及对应数量，以及每道工序加工时间；
确定车间调度目标、约束条件，并建立流水车间调度模型，其中，车间调度目标为最大完工时间最小；
通过强化学习参数自适应对遗传算法中的参数进行改进，并获取改进算法；
通过改进算法对流水车间调度模型进行求解，以获得符合车间调度目标的最优解，并输出生产调度方案。
2.根据权利要求1所述的方法，其特征在于，所述确定车间调度目标、约束条件，并建立流水车间调度模型，其中，车间调度目标为最大完工时间最小，其中，约束条件包括：
每个工件独立且在零时刻到达；
每个工件预定时间段内只能在一台机器上加工，不能同时在不同机器上加工；
每个工件在每台机器上的加工顺序是既定的，不会发生变化；
每道工序的准备时间包含在总加工时间里面，与其加工顺序不相关；任一台机器一个时间段内只能对预定工件的指定道工序进行加工，加工过程不能中断，工件加工完后，将立即送去下一工序；
允许特定时间段的缓冲，当工件到达时另一工件正在此机器上加工，则需要排队。
3.根据权利要求1所述的方法，其特征在于，所述通过改进算法对流水车间调度模型进行求解，以获得符合车间调度目标的最优解，并输出生产调度方案，包括：
对改进算法所涉及的参数进行设置，以得到初始种群；
利用子种群划分指标计算初始种群中每个个体的适应度，并对每个个体进行适应度评估；
基于轮盘赌法，根据适应度的大小，按规则从上一代和后代中选择预定数量的个体作为下一代群体；
判断交叉概率是否满足预设条件，当满足时对选出的群体中的每个个体执行交叉率计算；
以一定概率随机改变群体中的每个个体体基因中预定位置的数据信息，以得到变异种群；
当判断得出变异种群中的当前子群间的通讯满足预设条件时，将当前子种群中的最佳值替换其他子种群中的最差值，以更快、更好地实现收敛，并当满足车间调度目标时，确定得出最优加工序列，并根据最优加工序列发送加工指令。
4.一种基于强化遗传算法的流水车间调度系统，其特征在于，包括：
获取模块，用于确定车间设备、生产工序和生产加工任务的基本信息，其中，基本信息包括车间设备数量、生产工序道数、待加工的工件种类及对应数量，以及每道工序加工时间；
构建模块，用于确定车间调度目标、约束条件，并建立流水车间调度模型，其中，车间调度目标为最大完工时间最小；
改进模块，用于通过强化学习参数自适应对遗传算法中的参数进行改进，并获取改进算法；
执行模块，用于通过改进算法对流水车间调度模型进行求解，以获得符合车间调度目标的最优解，并输出生产调度方案。
5.根据权利要求4所述的系统，其特征在于，所述构建模块，包括约束条件模块，具体为：
每个工件独立且在零时刻到达；
每个工件预定时间段内只能在一台机器上加工，不能同时在不同机器上加工；
每个工件在每台机器上的加工顺序是既定的，不会发生变化；
每道工序的准备时间包含在总加工时间里面，与其加工顺序不相关；任一台机器一个时间段内只能对预定工件的指定道工序进行加工，加工过程不能中断，工件加工完后，将立即送去下一工序；
允许特定时间段的缓冲，当工件到达时另一工件正在此机器上加工，则需要排队。
6.根据权利要求4所述的系统，其特征在于，所述执行模块，包括计算模块，具体为：
对改进算法所涉及的参数进行设置，以得到初始种群；
利用子种群划分指标计算初始种群中每个个体的适应度，并对每个个体进行适应度评估；
基于轮盘赌法，根据适应度的大小，按规则从上一代和后代中选择预定数量的个体作为下一代群体；
判断交叉概率是否满足预设条件，当满足时对选出的群体中的每个个体执行交叉率计算；
以一定概率随机改变群体中的每个个体体基因中预定位置的数据信息，以得到变异种群，进而实现种群的基因多样性，以更好地适应环境；
当判断得出变异种群中的当前子群间的通讯满足预设条件时，将当前子种群中的最佳值替换其他子种群中的最差值，以更快、更好地实现收敛，并当满足车间调度目标时，确定得出最优加工序列，并根据最优加工序列发送加工指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210124161.6A CN114442580A (zh) | 2022-02-09 | 2022-02-09 | 一种基于强化遗传算法的流水车间调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210124161.6A CN114442580A (zh) | 2022-02-09 | 2022-02-09 | 一种基于强化遗传算法的流水车间调度方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114442580A true CN114442580A (zh) | 2022-05-06 |
Family
ID=81372353
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210124161.6A Pending CN114442580A (zh) | 2022-02-09 | 2022-02-09 | 一种基于强化遗传算法的流水车间调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114442580A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108108829A (zh) * | 2016-11-24 | 2018-06-01 | 江苏创源电子有限公司 | 一种基于改进果蝇算法的作业车间调度方法 |
| CN109765862A (zh) * | 2018-12-26 | 2019-05-17 | 同济大学 | 基于自适应遗传算法的混合流水车间可持续调度控制方法 |
| CN110782085A (zh) * | 2019-10-23 | 2020-02-11 | 武汉晨曦芸峰科技有限公司 | 一种铸造生产调度方法及系统 |
| CN112749776A (zh) * | 2021-01-12 | 2021-05-04 | 南京信息工程大学 | 一种基于改进混合遗传算法的作业车间调度方法 |
| CN113341889A (zh) * | 2021-04-19 | 2021-09-03 | 山东师范大学 | 带装配阶段和能耗的分布式阻塞流水车间调度方法及系统 |
-
2022
- 2022-02-09 CN CN202210124161.6A patent/CN114442580A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108108829A (zh) * | 2016-11-24 | 2018-06-01 | 江苏创源电子有限公司 | 一种基于改进果蝇算法的作业车间调度方法 |
| CN109765862A (zh) * | 2018-12-26 | 2019-05-17 | 同济大学 | 基于自适应遗传算法的混合流水车间可持续调度控制方法 |
| CN110782085A (zh) * | 2019-10-23 | 2020-02-11 | 武汉晨曦芸峰科技有限公司 | 一种铸造生产调度方法及系统 |
| CN112749776A (zh) * | 2021-01-12 | 2021-05-04 | 南京信息工程大学 | 一种基于改进混合遗传算法的作业车间调度方法 |
| CN113341889A (zh) * | 2021-04-19 | 2021-09-03 | 山东师范大学 | 带装配阶段和能耗的分布式阻塞流水车间调度方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301473B (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
| CN112650187B (zh) | 一种车间调度方法、装置和系统 | |
| CN114186791B (zh) | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 | |
| CN107506956A (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 | |
| CN109270904A (zh) | 一种柔性作业车间批量动态调度优化方法 | |
| CN108805403A (zh) | 一种基于改进遗传算法的单件车间调度方法 | |
| CN104504540A (zh) | 基于多阶段智能优化算法的动态柔性作业车间调度控制方法 | |
| CN111062535A (zh) | 一种实现含能材料生产过程动态排产的方法及系统 | |
| 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 | |
| CN110363402B (zh) | 一种基于分组策略的工厂人员调度方法 | |
| CN108460463A (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
| CN112990515A (zh) | 一种基于启发式优化算法的车间资源调度方法 | |
| CN111665808A (zh) | 基于遗传算法的生产调度计划优化方法 | |
| CN108776845A (zh) | 一种基于双目标作业车间调度的混合果蝇算法 | |
| CN115049246A (zh) | 一种面向订单扰动下的离散制造生产线重调度方法 | |
| CN116880424A (zh) | 一种基于多目标优化的多机器人调度方法以及装置 | |
| CN114881301A (zh) | 生产线的仿真排产方法、系统、终端设备及存储介质 | |
| CN110490446A (zh) | 一种基于改进遗传算法的模块化工艺重组方法 | |
| CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
| CN110929930A (zh) | 一种船用曲轴生产线排产调度优化方法 | |
| CN114442580A (zh) | 一种基于强化遗传算法的流水车间调度方法及系统 | |
| CN105427058A (zh) | 一种基于遗传算法的发动机测试线工位分配优化方法 | |
| CN107730072A (zh) | 基于改进人工免疫算法的平行机成组调度方法及系统 | |
| CN114676987B (zh) | 一种基于超启发式算法的智能柔性作业车间主动调度方法 | |
| CN113485278B (zh) | 优化两生产指标的柔性作业车间调度多目标分布估计方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220506 |