CN114676987A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114676987A CN114676987A CN202210253336.3A CN202210253336A CN114676987A CN 114676987 A CN114676987 A CN 114676987A CN 202210253336 A CN202210253336 A CN 202210253336A CN 114676987 A CN114676987 A CN 114676987A
- Authority
- CN
- China
- Prior art keywords
- individuals
- rule
- job shop
- flexible job
- gene
- 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 122
- 230000008569 process Effects 0.000 claims abstract description 66
- 238000012163 sequencing technique Methods 0.000 claims abstract description 28
- 108090000623 proteins and genes Proteins 0.000 claims description 46
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000005065 mining Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 241000283153 Cetacea Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 241000899793 Hypsophrys nicaraguensis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012384 transportation and delivery 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
- G06Q10/06—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
- 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
- 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Genetics & Genomics (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明属于柔性作业车间调度相关技术领域,并公开了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,包括:构建带作业释放时间的柔性作业车间调度模型,并确定对应的适应度函数;针对柔性作业车间调度模型,基于超启发式算法对工序排序规则、设备选择规则分别进行挖掘优化,然后采用优化后的规则实现柔性作业车间的主动调度过程。通过本发明,能根据不同的车间环境挖掘出车间最优调度规则,并且通过对启发式算法的设计使得算法生成的调度方案在主动调度集中,在确保能得到最优调度方案的同时有效减少了算法的计算成本,大大提高了算法计算效率,因而尤其适用于对调度实时性要求高的智能柔性作业车间应用场合。
Description
技术领域
本发明属于柔性作业车间调度相关技术领域,更具体地,涉及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。
背景技术
调度问题是制造流程规划和管理中最为关键的问题之一。作业车间问题(JSP)可以描述为:车间内有多个工件,每个工件有自己的工艺路线,工艺路线中包含多道工序,每道工序只能在一台机床上加工,机床在同一时刻只能加工一个工件;调度的目的就是确定每道工序的开始加工时间和结束加工时间,以最优化目标性能。柔性作业车间调度问题(FJSP)是车间调度的更一般情况,每道工序可以有多台机床选择,从而降低工序对资源的竞争。随着现代化车间具有相同功能机床的增加,此类问题的调度问题也越来越突出。
专利检索发现,现有技术中针对柔性作业车间调查问题已经提出了一些解决方案。例如,CN110619437A公开了一种低能耗柔性作业车间调度方法,其中采用改进遗传算法,采用多层编码策略,得出能源消耗和完工时间最优情况;CN110796355A公开了一种基于动态解码机制的柔性作业车间调度方法,其中提出可采用改进MOGA进行求解,并融入基于工件优先顺序交叉方法来完成对多目标柔性作业车间调度的最优化设计。又如,CN111967654A公开了一种基于混合遗传算法求解柔性作业车间调度方法,其中提出了将鲸鱼群算法得出的鲸鱼个体与遗传算法得到的染色体进行重组,从而改善了局部最优的不足,增强了求解精度和稳定性。
然而,进一步的研究表明,上述现有技术仍存在以下的不足或缺陷:首先,此类调度方法对于不同复杂车间环境的工况下,往往存在算法计算成本高、效率不足等问题;其次,现有技术中对如何实现柔性作业车间的主动调度方面考虑不足,相应无法满足对调度实时性要求高的智能制造车间;最后,在引入算法的过程中,如何在不破坏种群多样性的前提下进一步加快算法的进化效率,正构成本领域中亟待解决的关键问题之一。
发明内容
针对现有技术的以上缺陷或需求,本发明的目的在于提供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,其中通过对整个调度流程重新进行了设计,并对关键操作步骤及算法机理等多个方面作出针对性改进,相应在确保能得到最优调度方案的同时进一步降低了算法的计算成本,显著提高了算法计算效率;此外,本发明能够有效根据不同复杂车间环境来主动挖掘与其相适应的调度规则,更为灵活且效果更优,因而尤其适用于对调度实时性要求高的智能柔性作业车间应用场合。
为实现上述目的,按照本发明,提供了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,其特征在于,该方法包括:
S1:建模步骤
构建带作业释放时间的柔性作业车间调度模型,并确定对应的适应度函数;
S2:主动调度步骤
S21:根据柔性作业车间及待加工工件的相关基础信息,确定可调度工序集合和可加工设备集合;
S22:基于超启发式算法对工序排序规则进行优化,并采用优化后的规则来计算可调度工序集合中各工序优先级,选择优先级最高的工序作为加工工序;
S23:基于超启发式算法对设备选择规则进行优化,并采用优化后的规则来计算可加工设备集合中各设备优先级,选择选择优先级最高的设备作为所述工工序的加工设备,然后将工序安排在此设备的最早可加工时间段上;
S24:更新设备可加工时间和可调度工序集合;
S25:判断所有工序是否都已安排,是则结束,否则跳转至步骤S22。
作为进一步优选地,在步骤S1中,所述柔性作业车间调度模型以最大完工时间作为优化目标。
作为进一步优选地,在步骤S2中,所述基于超启发式算法对工序排序规则、设备选择规则进行优化的流程优选设计如下:
(i)对初始设定的工序排序规则、设备选择规则进行基因编码;
(ii)计算所有个体的适应度函数值;
(iii)对种群个体进行初始化,并判断是否满足终止条件,如满足则终止进化,如不满足则转入步骤(iv);
(iv)对初始化后的种群个体执行选择复制操作,然后对复制后的个体以预设的第一概率Pc执行择优交叉操作;
(v)对择优交叉后的种群个体以预设的第二概率Pm执行变异操作。
作为进一步优选地,在子步骤(i)中,所述基因编码的方式优选如下:
将工序排序规则和设备选择规则分别作为一个基因包含在同一条染色体内部,并且工序排序规则基因在设备选择规则基因前面,基因与基因之间用″·″分割;
各基因分为头部和尾部,其中工序排序规则基因的头部元素来自于函数集合FS和终止符集合TS-S,设备选择规则基因的头部元素来自于函数集合FS和终止符集合TS-C,工序排序规则基因的尾部元素来自于终止符集合TS-S,设备选择规则基因的尾部元素来自于终止符集合TS-C,并且基因头部长度与尾部长度满足下式的要求:
ti=hi×(vi-1)+1(i=1,2)
其中,t1和t2分别表示工序排序规则基因与设备选择规则基因各自的尾部长度,h1和h2分别表示工序排序规则基因与设备选择规则基因各自的头部长度,v1和v2分别表示函数符集合FS-S和FS-C中函数的最大参数的个数。
作为进一步优选地,在子步骤(iv)中,所述选择复制操作的方式优选如下:
首先计算各个体适应度函数值,根据适应度对个体进行排序;接着,将排序前三分之一的个体复制两份,排序中间三分之一的个体复制一份,排序后三分之一的个体不复制。
作为进一步优选地,在子步骤(iv)中,所述择优交叉操作的方式优选如下:
首先从种群中随机选择两个个体作为亲本,然后按照交叉法进行n次交叉,分别计算产生的2n个子代个体的适应度;最后,从这2n个子代个体中选出适应度最优的两个加入到新种群中。
作为进一步优选地,所述交叉法优选为单点、两点或多点的交叉。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
(1)本发明通过对整个调度工艺流程重新进行了设计,并对关键操作步骤及算法机理等多个方面作出针对性改进,与现有技术中各类基于精确求解的调度方法相比,不仅可获得更快的求解速度,而且在排产调度时能进一步快速响应车间扰动;
(2)本发明与现有技术中基于固定单一规则调度和基于固定规则库选择规则的调度方法相比,能够根据不同复杂车间环境来主动挖掘与车间环境相适应的调度规则,更加灵活且调度效果更优;
(3)本发明针对性基于排序规则和分配规则来实现柔性作业车间主动调度,在确保能得到最优调度方案的同时有效减少了算法的计算成本,大大提高了算法计算效率;
(4)本发明还进一步对超启发式算法中的编码方式、交叉算子等关键点作出了进一步的优选设计,相应能在不破坏种群多样性的情况下加快算法的进化效率,大大提升了算法优化效率,因而尤其适用于对调度实时性要求高的智能柔性作业车间应用场合。
附图说明
图1是用于示范性说明本发明的智能柔性作业车间主动调度方法的主体流程图;
图2是按照本发明的一个优选实施例、用于显示基于超启发式算法的规则优化处理流程图;
图3是按照本发明的另一优选实施例、用于显示工序排序规则和设备选择规则的基因编码方式示意图;
图4是按照本发明的另一优选实施例、用于显示择优交叉操作的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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例,都属于本发明保护的范围。
图1是用于示范性说明本发明的智能柔性作业车间主动调度方法的主体流程图。下面将结合图1来更为具体地解释说明本发明。
首先,是建模步骤。
在此步骤S1中,需要构建带作业释放时间的柔性作业车间调度模型,并确定对应的适应度函数。
更具体地,作为一个具体是示范性举例,构建带作业释放时间的智能柔性作业车间调度模型,确定以最大完工时间为优化目标,目标函数如公式(1.1)所示:
f=min(max(Cp)),1≤p≤n (1.1)
该数学模型应满足下列约束条件:
Ppqk>0,p=1,2,…,n (1.2)
Sp(q-1)k+pp(q-1)k≤Spqk′,p=1,2,…,n (1.3)
Cp≤Cmax,p=1,2,…,n (1.4)
Sp1k≥Ap (1.7)
Spqk≥0,Cpqk≥0,p=1,2,…,n,q=1,2,…,Op,k=1,2,…,m (1.9)
式(1.2)表示每道工序的加工时间必须为正;
式(1.3)表示工序必须按顺序进行加工;
式(1.4)表示每道工序的完工时间不可以超过最大完工时间;
式(1.5)表示每台设备在同一时间只能加工一个工件;
式(1.6)表示每个工件在同一时间只能在一台设备上进行加工;
式(1.7)表示只有当工件到达后才能加工;
式(1.8)表示设备只能在可用时间进行加工;
式(1.9)确保每个工序的开始加工时间和完工时间为正;
以下是数学模型所用的参数变量:
N:工件数量;
M:设备数量;
P:工件编号(p=1,2,…,n);
Q:工序编号(q=1,2,…,Op);
M:设备编号(M=1,2,…,k);
Opq:工件p的工序q(p=1,2,…,i;q=1,2,…,j);
Ap:工件p的到达时间;
Cp:工件p的完工时间;
Dp:工件p的交货期;
Spqk:工件p的工序q在设备k上的开始加工时间;
Ppqk:工件p的工序q在设备k上的加工时间;
Cpqk:工件p的工序q在设备k上的完工时间;
Ak:设备k的可用时间集;
Xpqk:如果工件p的工序q在设备k上进行加工则为1,否则为0;
Cmax:最大完工时间;
接着,是主动调度步骤。在作为关键发明改进所在的此步骤S2中,依次执行以下子步骤:
S21:根据柔性作业车间及待加工工件的相关基础信息,确定可调度工序集合P(Oij)和可加工设备集合M(mk);
S22:基于超启发式算法对工序排序规则进行优化,并采用优化后的规则来计算可调度工序集合中各工序优先级,选择优先级最高的工序作为加工工序;
S23:基于超启发式算法对设备选择规则进行优化,并采用优化后的规则来计算可加工设备集合中各设备优先级,选择选择优先级最高的设备作为所述工工序的加工设备,然后将工序安排在此设备的最早可加工时间段上;
S24:更新设备可加工时间和可调度工序集合;
S25:判断所有工序是否都已安排,是则结束,否则跳转至步骤S22。
更具体地,在以上步骤S2中,所述基于超启发式算法对工序排序规则、设备选择规则进行优化的流程优选设计如下:
(i)对初始设定的工序排序规则、设备选择规则进行基因编码;
(ii)计算所有个体的适应度函数值;
(iii)对种群个体进行初始化,并判断是否满足终止条件(譬如,达到设定的迭代次数或者最优个体10代没有发生变化),如满足则终止进化,如不满足则转入步骤(iv);
(iv)对初始化后的种群个体执行选择复制操作,然后对复制后的个体以预设的第一概率Pc执行择优交叉操作;
(v)对择优交叉后的种群个体以预设的第二概率Pm执行变异操作。
按照本发明的一个优选实施例,在子步骤(i)中,所述基因编码的方式优选如下:
将工序排序规则和设备选择规则分别作为一个基因包含在同一条染色体内部,并且工序排序规则基因在设备选择规则基因前面,基因与基因之间用″·″分割;
各基因分为头部和尾部,其中工序排序规则基因的头部元素来自于函数集合FS和终止符集合TS-S,设备选择规则基因的头部元素来自于函数集合FS和终止符集合TS-C,工序排序规则基因的尾部元素来自于终止符集合TS-S,设备选择规则基因的尾部元素来自于终止符集合TS-C,并且基因头部长度与尾部长度满足下式的要求:
ti=hi×(vi-1)+1(i=1,2)
其中,t1和t2分别表示工序排序规则基因与设备选择规则基因各自的尾部长度,h1和h2分别表示工序排序规则基因与设备选择规则基因各自的头部长度,v1和v2分别表示函数符集合FS-S和FS-C中函数的最大参数的个数。
作为进一步优选地,在子步骤(iv)中,所述选择复制操作的方式优选如下:
首先计算各个体适应度函数值,根据适应度对个体进行排序;接着,将排序前三分之一的个体复制两份,排序中间三分之一的个体复制一份,排序后三分之一的个体不复制。
作为进一步优选地,在子步骤(iv)中,所述择优交叉操作的方式优选如下:
首先从种群中随机选择两个个体作为亲本,然后按照交叉法进行n次交叉,分别计算产生的2n个子代个体的适应度;最后,从这2n个子代个体中选出适应度最优的两个加入到新种群中。
在本发明的一个具体示例中,上述算法的一些具体参数例如可设置为如下表一所示:
表一
此外,如同本领域所熟知地,各个函数符集合的定义如下表二所示:
表二
综上,按照本发明提出了一种步骤清晰、逻辑性好、处理效率高且响应性好的智能柔性作业车间主动调度方法,该方法能根据不同的车间环境挖掘出车间最优调度规则,并且通过对启发式算法的设计使得算法生成的调度方案在主动调度集中,在确保能得到最优调度方案的同时有效减少了算法的计算成本,大大提高了算法计算效率,因而尤其适用于对调度实时性要求高的智能柔性作业车间应用场合。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于超启发式算法的智能柔性作业车间主动调度方法,其特征在于,该方法包括:
S1:建模步骤
构建带作业释放时间的柔性作业车间调度模型,并确定对应的适应度函数;
S2:主动调度步骤
S21:根据柔性作业车间及待加工工件的相关基础信息,确定可调度工序集合和可加工设备集合;
S22:基于超启发式算法对工序排序规则进行优化,并采用优化后的规则来计算可调度工序集合中各工序优先级,选择优先级最高的工序作为加工工序;
S23:基于超启发式算法对设备选择规则进行优化,并采用优化后的规则来计算可加工设备集合中各设备优先级,选择选择优先级最高的设备作为所述工工序的加工设备,然后将工序安排在此设备的最早可加工时间段上;
S24:更新设备可加工时间和可调度工序集合;
S25:判断所有工序是否都已安排,是则结束,否则跳转至步骤S22。
2.如权利要求1所述的智能柔性作业车间主动调度方法,其特征在于,在步骤S1中,所述柔性作业车间调度模型以最大完工时间作为优化目标。
3.如权利要求2所述的智能柔性作业车间主动调度方法,其特征在于,在步骤S2中,所述基于超启发式算法对工序排序规则、设备选择规则进行优化的流程优选设计如下:
(i)对初始设定的工序排序规则、设备选择规则进行基因编码;
(ii)计算所有个体的适应度函数值;
(iii)对种群个体进行初始化,并判断是否满足终止条件,如满足则终止进化,如不满足则转入步骤(iv);
(iv)对初始化后的种群个体执行选择复制操作,然后对复制后的个体以预设的第一概率Pc执行择优交叉操作;
(v)对择优交叉后的种群个体以预设的第二概率Pm执行变异操作。
4.如权利要求3所述的智能柔性作业车间主动调度方法,其特征在于,在子步骤(i)中,所述基因编码的方式优选如下:
将工序排序规则和设备选择规则分别作为一个基因包含在同一条染色体内部,并且工序排序规则基因在设备选择规则基因前面,基因与基因之间用″·″分割;
各基因分为头部和尾部,其中工序排序规则基因的头部元素来自于函数集合FS和终止符集合TS-S,设备选择规则基因的头部元素来自于函数集合FS和终止符集合TS-C,工序排序规则基因的尾部元素来自于终止符集合TS-S,设备选择规则基因的尾部元素来自于终止符集合TS-C,并且基因头部长度与尾部长度满足下式的要求:
ti=hi×(vi-1)+1(i=1,2)
其中,t1和t2分别表示工序排序规则基因与设备选择规则基因各自的尾部长度,h1和h2分别表示工序排序规则基因与设备选择规则基因各自的头部长度,v1和v2分别表示函数符集合FS-S和FS-C中函数的最大参数的个数。
5.如权利要求3或4所述的智能柔性作业车间主动调度方法,其特征在于,在子步骤(iv)中,所述选择复制操作的方式优选如下:
首先计算各个体适应度函数值,根据适应度对个体进行排序;接着,将排序前三分之一的个体复制两份,排序中间三分之一的个体复制一份,排序后三分之一的个体不复制。
6.如权利要求3-5任意一项所述的智能柔性作业车间主动调度方法,其特征在于,在子步骤(iv)中,所述择优交叉操作的方式优选如下:
首先从种群中随机选择两个个体作为亲本,然后按照交叉法进行n次交叉,分别计算产生的2n个子代个体的适应度;最后,从这2n个子代个体中选出适应度最优的两个加入到新种群中。
7.如权利要求6所述的智能柔性作业车间主动调度方法,其特征在于,所述交叉法优选为单点、两点或多点的交叉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210253336.3A CN114676987A (zh) | 2022-03-15 | 2022-03-15 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210253336.3A CN114676987A (zh) | 2022-03-15 | 2022-03-15 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114676987A true CN114676987A (zh) | 2022-06-28 |
Family
ID=82074545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210253336.3A Pending CN114676987A (zh) | 2022-03-15 | 2022-03-15 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114676987A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116560312A (zh) * | 2023-04-21 | 2023-08-08 | 吉林师范大学 | 动态调整设备优先级的柔性综合调度方法 |
-
2022
- 2022-03-15 CN CN202210253336.3A patent/CN114676987A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116560312A (zh) * | 2023-04-21 | 2023-08-08 | 吉林师范大学 | 动态调整设备优先级的柔性综合调度方法 |
CN116560312B (zh) * | 2023-04-21 | 2024-04-30 | 吉林师范大学 | 动态调整设备优先级的柔性综合调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268722B (zh) | 基于多目标进化算法的动态柔性作业车间调度方法 | |
Meng et al. | MILP modeling and optimization of energy-efficient distributed flexible job shop scheduling problem | |
He et al. | Scheduling flexible job shop problem subject to machine breakdown with route changing and right-shift strategies | |
Morad et al. | Genetic algorithms in integrated process planning and scheduling | |
Roshani et al. | Mixed-model multi-manned assembly line balancing problem: a mathematical model and a simulated annealing approach | |
CN112561194B (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
CN113034026B (zh) | 基于Q-learning和GA的多目标柔性作业车间调度自学习方法 | |
CN110221585A (zh) | 一种用于混合流水车间考虑设备维护的节能调度控制方法 | |
CN108876090A (zh) | 一种agv与加工装备的协同优化调度方法 | |
CN110288185B (zh) | 一种分布式柔性流水线调度方法 | |
CN111382915B (zh) | 一种共融agv的柔性作业车间调度方法 | |
CN113610233A (zh) | 一种基于改进遗传算法的柔性作业车间调度方法 | |
CN112561225B (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN110414863A (zh) | 一种智能制造车间资源调度方法 | |
Honghong et al. | The application of adaptive genetic algorithms in FMS dynamic rescheduling | |
CN112232548A (zh) | 基于遗传算法的机械加工车间智能排产优化方法及系统 | |
CN114611379A (zh) | 一种基于数据驱动的加工工艺节能规划方法 | |
CN116957177A (zh) | 一种柔性车间产线规划方法、系统、设备及介质 | |
CN114676987A (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 | |
Ławrynowicz | Genetic algorithms for solving scheduling problems in manufacturing systems | |
CN112148446B (zh) | 一种用于多技能资源受限项目调度的进化策略方法 | |
Chiu et al. | Sequencing parallel machining operations by genetic algorithms | |
CN117555305A (zh) | 一种基于nsgaii的多目标可变子批柔性车间作业调度方法 | |
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 | |
CN113723695B (zh) | 一种基于场景的再制造调度优化方法 |
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 |