CN114692345A - 一种起重机臂架生产智能调度方法 - Google Patents

一种起重机臂架生产智能调度方法 Download PDF

Info

Publication number
CN114692345A
CN114692345A CN202210620774.9A CN202210620774A CN114692345A CN 114692345 A CN114692345 A CN 114692345A CN 202210620774 A CN202210620774 A CN 202210620774A CN 114692345 A CN114692345 A CN 114692345A
Authority
CN
China
Prior art keywords
whale
crane boom
algorithm
production
machine
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.)
Withdrawn
Application number
CN202210620774.9A
Other languages
English (en)
Inventor
杨文强
苏金哲
姚运航
史增勇
徐君鹏
李然
孔晓红
袁瑛
张怡航
朱鑫鑫
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.)
Henan Institute of Science and Technology
Original Assignee
Henan Institute of Science and Technology
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 Henan Institute of Science and Technology filed Critical Henan Institute of Science and Technology
Priority to CN202210620774.9A priority Critical patent/CN114692345A/zh
Publication of CN114692345A publication Critical patent/CN114692345A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Jib Cranes (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种起重机臂架生产智能调度方法。为此本方法建立了带约束的起重机臂架生产调度优化数学模型，并采用混合鲸鱼优化算法对该模型进行求解。本发明针对标准鲸鱼优化算法易陷入局部最优的不足，进行了如下改进：首先，对于进化中的工序及机器序列，采用工序扰动机制、机器基因突变机制和核心工序跨机器基因强化机制来平衡算法的全局开发能力和局部搜索能力，提高求解效率；其次，采用多样化接收准则来保证算法进化后期种群的多样性。本发明进一步提高了起重机臂架生产的智能化水平，为中国制造2025的实现提供了较好示范。

Description

一种起重机臂架生产智能调度方法
技术领域
本发明属于智能制造技术领域，具体涉及一种起重机臂架生产智能调度方法。
背景技术
中国制造2025指出，到2025年，制造业全面实现智能化，产品生产周期缩短50%。生产调度作为智能化生产的一个重要环节，必将直接影响到制造企业的成本与生产效率。因此，生产制造企业要在激烈的市场环境下站稳脚步，必须考虑如何在保证高质量生产的前提下，提高生产效率。然而，在实际的起重机臂架生产企业中，臂架的加工排产环节大多依靠人工经验来进行，势必会对起重机臂架的生产效率造成不利影响。为此，寻求一种起重机臂架生产智能调度方法就显得尤为迫切，这不仅有助于提高起重机臂架的生产效率，而且将大力推动我国如期实现智能制造2025的目标。
发明内容
鉴于以上分析，为克服背景技术中的不足，本发明的目的在于基于智能优化理论提供一种起重机臂架生产智能调度方法，从优化的角度来规划起重机臂架生产，以有效提高其生产效率。
为达到上述目的，本发明采用如下技术方案：一种起重机臂架生产智能调度方法，包括如下步骤：
（1）对起重机臂架生产车间存在的约束以及要优化的目标进行分析，建立带约束的起重机臂架生产调度优化数学模型；
（2）初始化参数：鲸鱼种群规模
Figure 364267DEST_PATH_IMAGE002
、最大进化代数
Figure 717407DEST_PATH_IMAGE004
、进化代数计数器
Figure 683089DEST_PATH_IMAGE006
、鲸鱼个数计数器
Figure 864671DEST_PATH_IMAGE008
、并生成初始种群；
（3）令
Figure 992027DEST_PATH_IMAGE010
，进行搜索；
（3-1）将鲸鱼个体解码为加工时的工序和与之对应的加工机器；
（3-2）基于步骤（1）建立的数学模型计算每个鲸鱼个体的适应度；
（3-3）更新最佳鲸鱼个体位置及适应度；
（3-4）令n=n+1，进行
（3-4-1）改进型非线性收敛因子参与的鲸鱼个体位置更新机制；
（3-4-2）执行机器基因突变机制；
（3-4-3）执行工序扰动机制；
（3-4-4）执行核心工序跨机器基因强化机制；
（4-4-5）执行种群多样化接收机制；
（3-4-6）若
Figure 891850DEST_PATH_IMAGE012
，则返回步骤（3-4）；否则转入步骤（3-5）；
（3-5）如果
Figure 395644DEST_PATH_IMAGE014
,则返回步骤（3）；否则输出最优解。
优选的，步骤（1）中，待优化的目标为完成所有起重机臂架生产所用时间最短，其数学模型定义如下：
Figure 697312DEST_PATH_IMAGE016
(1)
Figure 995569DEST_PATH_IMAGE018
(2)
Figure 320371DEST_PATH_IMAGE020
(3)
Figure 690173DEST_PATH_IMAGE022
(4)
Figure 518452DEST_PATH_IMAGE024
(5)
Figure 315506DEST_PATH_IMAGE026
(6)
Figure 862025DEST_PATH_IMAGE028
(7)
其中，式（1）为目标函数即最小化所有起重机臂架的最大加工完工时间；式（2）至式（7）为各种约束条件，具体为：式（2）表示同一起重机臂架工件当前工序的前一道工序已完成加工；式（3）表示任意一个起重机臂架的任意一道工序只能被一台机器加工，而且次序是唯一的；式（4）表示任意一个起重机臂架工件的完工时间都不能超过总的完工时间；式（5）表示当前起重机臂架工件的完工时间不能大于该起重机臂架工件下一道工序的加工开始时间；式（6）表示所有参数变量不能为负数；式（7）表示每台机器至少可加工起重机臂架工件的一道工序，每个起重机臂架工件的每道工序至少有一台机器可以进行加工；
Figure 35518DEST_PATH_IMAGE008
为起重机臂架的加工工件总数；
Figure 980952DEST_PATH_IMAGE030
为起重机臂架的加工机器总数；
Figure 948908DEST_PATH_IMAGE032
为起重机臂架的加工工序总数；
Figure 982724DEST_PATH_IMAGE034
为起重机臂架的工件编号，
Figure 632011DEST_PATH_IMAGE036
；
Figure 497199DEST_PATH_IMAGE038
表示第
Figure 573739DEST_PATH_IMAGE034
个起重机臂架的生产完工时间；
Figure 157167DEST_PATH_IMAGE040
表示起重机臂架加工工序编号，
Figure 344566DEST_PATH_IMAGE042
；
Figure 329839DEST_PATH_IMAGE044
为起重机臂架的加工机器编号，
Figure 577281DEST_PATH_IMAGE046
；
Figure 585688DEST_PATH_IMAGE048
为工件
Figure 639095DEST_PATH_IMAGE034
的第
Figure 416558DEST_PATH_IMAGE040
道工序的加工的开始时间；
Figure 897218DEST_PATH_IMAGE050
为工件
Figure 141991DEST_PATH_IMAGE034
的第
Figure 999088DEST_PATH_IMAGE040
道工序的加工的结束时间；
Figure 631058DEST_PATH_IMAGE052
为工件
Figure 220302DEST_PATH_IMAGE034
的第
Figure 265619DEST_PATH_IMAGE040
道工序在机器
Figure 598511DEST_PATH_IMAGE044
上所需要的加工时间；
Figure 147304DEST_PATH_IMAGE054
为1表示表示工件
Figure 173029DEST_PATH_IMAGE034
的第
Figure 440062DEST_PATH_IMAGE040
道工序在机器
Figure 576645DEST_PATH_IMAGE044
加工，为0表示表示工件
Figure 917628DEST_PATH_IMAGE034
的第
Figure 176571DEST_PATH_IMAGE040
道工序不在机器
Figure 868584DEST_PATH_IMAGE044
加工；
Figure 605595DEST_PATH_IMAGE056
为起重机臂架加工的最大完工时间；
Figure 63734DEST_PATH_IMAGE058
为分配给机器
Figure 493578DEST_PATH_IMAGE044
的加工工序数目。
优选的，步骤（3-1）将鲸鱼个体解码为加工时的工序和与之对应的加工机器，依照起重机臂架生产现场存在的约束建立的柔性作业车间调度模型属于离散组合优化问题，因此需要将鲸鱼个体的位置向量变换成起重机臂架生产中工件工序和与之对应的加工机器的调度解。这里，采用级联编码，即由工序编码（OS）和机器编码（MS）级联而成。生成与总工序数
Figure 407308DEST_PATH_IMAGE032
相同个数的随机数，并按随机数从小到大的顺序生成与之对应的位置索引序列，以此生成所有工件每道工序的加工次序。
优选的，所述步骤（3-4-1）改进型非线性收敛因子参与的鲸鱼个体位置更新机制，改进型鲸鱼算法包括包围猎物、随机搜寻和气泡网攻击，其中：
包围猎物的数学模型如下：
Figure 885694DEST_PATH_IMAGE060
(8)
其中，
Figure 529164DEST_PATH_IMAGE062
，
Figure 802014DEST_PATH_IMAGE064
，
Figure 530936DEST_PATH_IMAGE066
；
Figure 547433DEST_PATH_IMAGE068
在随着迭代次数的增加从2非线性递减到0，其主要用于协调算法在随机搜寻和气泡网攻击的中比重，表达式为：
Figure 45411DEST_PATH_IMAGE070
,
Figure 489161DEST_PATH_IMAGE006
为当前迭代次数，
Figure 643062DEST_PATH_IMAGE072
最大迭代次数,
Figure 525568DEST_PATH_IMAGE074
、
Figure 815735DEST_PATH_IMAGE076
为系数向量，
Figure 758283DEST_PATH_IMAGE078
为当前最优鲸鱼个体的位置向量，
Figure 136830DEST_PATH_IMAGE080
为位置向量，|·|逐个元素相乘运算的绝对值，
Figure 495130DEST_PATH_IMAGE082
是[0,1]内的随机向量，
Figure 967700DEST_PATH_IMAGE084
为非线性收敛因子
Figure 753253DEST_PATH_IMAGE086
的初值，这里，
Figure 678484DEST_PATH_IMAGE088
；
随机搜寻的数学模型如下：
Figure 840475DEST_PATH_IMAGE090
(9)
其中，
Figure 167551DEST_PATH_IMAGE092
，
Figure 389585DEST_PATH_IMAGE094
为当前种群个体中随机个体的位置向量；
在随机搜寻和包围猎物的过程中，满足以下数学关系：
Figure 739795DEST_PATH_IMAGE096
(10)
气泡网攻击数学模型如下：
Figure 502215DEST_PATH_IMAGE098
(11)
其中，
Figure 621480DEST_PATH_IMAGE100
，
Figure 76733DEST_PATH_IMAGE102
是用来定义螺旋形状的一个常数，
Figure 914239DEST_PATH_IMAGE104
是
Figure 480349DEST_PATH_IMAGE106
内的随机数；
包围猎物与气泡网攻击过程中，满足以下数学关系：
Figure 451192DEST_PATH_IMAGE108
(12)
优选的，步骤（3-4-2）执行机器基因突变机制，即在进化过程中，对父代优秀个体中的机器基因片段执行机器基因突变机制形成子代个体，如果子代个体优于父代个体，则替换父代个体；否则将其丢弃。该机制能保留父代的优良机器基因片段，又能不断增加算法在搜寻过程中的全局广泛性，最重要的是有效解决了机器被动选择导致算法陷入局部最优的问题。其具体更新方式如图2所示。
优选的，步骤（3-4-3）执行工序扰动机制，即改变鲸鱼个体中的部分位置信息，由此驱动工序排序发生改变，从而增加种群多样性，算法收敛停滞往往发生在算法进化的后期，为此，设定一个满足前期小后期大的自适应扰动概率因子
Figure 15028DEST_PATH_IMAGE110
，以此决定是否在本次进化中执行工序扰动，其具体更新方式如下：
设种群为
Figure 402147DEST_PATH_IMAGE112
，鲸鱼个体
Figure 444052DEST_PATH_IMAGE114
，自适应扰动概率为
Figure 600227DEST_PATH_IMAGE110
，即在每代进化过程中产生一个随机数
Figure 334965DEST_PATH_IMAGE116
，若
Figure 943801DEST_PATH_IMAGE118
则发生工序扰动操作，从
Figure 54976DEST_PATH_IMAGE120
中随机抽取
Figure 3341DEST_PATH_IMAGE030
个鲸鱼个体，
Figure 971297DEST_PATH_IMAGE122
，从被选的
Figure 5112DEST_PATH_IMAGE030
个鲸鱼个体
Figure 451137DEST_PATH_IMAGE114
中确定
Figure 519587DEST_PATH_IMAGE124
)个扰动位置
Figure 587338DEST_PATH_IMAGE126
对元素
Figure 170766DEST_PATH_IMAGE128
进行干扰，在区间
Figure 358165DEST_PATH_IMAGE130
内产生一个随机扰动因子
Figure 281122DEST_PATH_IMAGE132
来干扰
Figure 590881DEST_PATH_IMAGE134
中的元素
Figure 599288DEST_PATH_IMAGE128
，产生新的个体
Figure 590378DEST_PATH_IMAGE136
，其数学描述如下：
Figure 367841DEST_PATH_IMAGE138
(13)
Figure 848501DEST_PATH_IMAGE140
(14)
优选的，所述步骤（3-4-4）执行核心工序跨机器基因强化机制，首先，选择在工序排序中从第一道工序开始到最后一道工序结束所消耗时间最多的排序序列作为核心工序，对核心工序的任一排序变动都会改变加工的最大完工时间，为此，采用核心工序跨机器基因强化机制，即在核心工序中执行机器基因突变操作，如果执行后最大完工时间有所改善，则保留；否则丢弃，其具体步骤如下：
（3-4-4-1）设当前核心工序的工序编码为
Figure 78625DEST_PATH_IMAGE142
，机器编码为
Figure 935722DEST_PATH_IMAGE144
，核心工序组成集合的长度为
Figure 567692DEST_PATH_IMAGE146
，适应度计算函数为
Figure 154007DEST_PATH_IMAGE148
；
（3-4-4-2）核心工序中的第
Figure 199323DEST_PATH_IMAGE034
个工序，
Figure 532215DEST_PATH_IMAGE150
，将其工序及机器编码部分记为
Figure 81008DEST_PATH_IMAGE152
；
（3-4-4-3）获取核心工序上第
Figure 106733DEST_PATH_IMAGE034
个工序的可用加工机器集；
（3-4-4-4）从第
Figure 373766DEST_PATH_IMAGE034
个工序的可用加工机器集中选取其他机器，新产生机器集基因编码记为
Figure 244771DEST_PATH_IMAGE154
，将其与工序编码组成集合记为
Figure 851332DEST_PATH_IMAGE156
；
（3-4-4-5）如果 F(
Figure 110275DEST_PATH_IMAGE156
)<F(
Figure 536709DEST_PATH_IMAGE152
)，则输出更新后的工序和机器集编码，否则返回步骤（3-4-4-2）。
优选的，步骤（3-4-5）执行种群多样化接收机制，即在算法进化过程中，采用多样性接收机制对每一个个体进行概率接收，使鲸鱼算法在进化过程中有一定概率接收较差解来维持种群的多样性，其概率
Figure 539300DEST_PATH_IMAGE110
描述如下：
Figure 368DEST_PATH_IMAGE158
(15)
其中，
Figure 102316DEST_PATH_IMAGE160
为当代新产生个体的适应度值，
Figure 343942DEST_PATH_IMAGE162
为父代个体的适应度值，当
Figure 825257DEST_PATH_IMAGE164
时，完全接收新产生的优秀鲸鱼个体；否则，产生随机数
Figure 140832DEST_PATH_IMAGE166
，若
Figure 741578DEST_PATH_IMAGE168
，则接收新产生的较差鲸鱼个体来维持种群的多样性。
采用如上所述技术方案，具有如下有益效果：
（1）基于鲸鱼群智能算法对起重机臂架生产进行智能调度，可有效提高其生产效率，使起重机臂架生产企业在满足客户需求的同时，降低制造成本，从而提高起重机臂架生产企业面向市场的竞争力。
（2）基于非线性收敛因子a的鲸鱼个体位置更新机制，可使鲸鱼算法在进化过程中更好的协调全局寻优和局部搜索；
（3）将机器基因突变机制、工序扰动机制、核心工序跨机器基因强化机制和种群多样化接收机制引入到标准鲸鱼算法中，进一步改善鲸鱼算法的局部寻优能力及种群多样性，从而提高了算法的求解精度和收敛效率。
本发明将群智能算法应用于起重机臂架生产加工环节，有效克服了传统人工排产效率低的缺点，对于提升起重机臂架生产相关企业的数字化、智能化水平。
附图说明
图1是本发明的流程图；
图2是本发明基因突变机制示意图；
图3是本发明各算法收敛趋势对比；
图4 是本发明各算法运行30次统计结果对比；
图5 是本发明各算法箱盒图对比；
图6 是本发明选用标准鲸鱼算法求出的起重机臂架生产甘特图；
图7 是本发明提出的改进型鲸鱼算法求出的起重机臂架生产甘特图。
具体实施方式
结合附图和优选的实施例对本发明方法做进一步描述。本实施例涉及某起重机生产企业起重机臂架生产调度优化问题，利用本发明求出满足约束条件的最优解或次优解。
（1）问题概况
按照上述技术方案以某起重机生产企业起重机臂架生产为应用背景进行示例说明。其起重机臂架生产工艺包含6道工序，具体信息如表1所示。其中主臂焊、臂头焊可以使用相同的机器进行加工，磨、铣也可以使用相同的机器进行加工。随机产生10个待加工的起重机臂架工件进行测试，实验在Windows10系统平台，3.8GHz主频的Intel Pentium GoldG5420处理器，8GB内存及Matlab R2016b开发环境下进行。本发明算法HWOA的种群规模N、最大进化代数
Figure 142603DEST_PATH_IMAGE004
分别为100和500；为了比较的公平性，标准鲸鱼算法WOA采用与HWOA相同的种群规模和最大进化代数。针对本实施例各算法分别运行30次，并以最优解、最差解、平均值、标准差及相对偏差百分比MRPD进行统计，为增加区分度，最优值加粗显示。结果如表2，图3、图4、图5、图6和图7所示。MRPD计算方式如下：
Figure 486997DEST_PATH_IMAGE170
(16)
其中，
Figure 922657DEST_PATH_IMAGE172
为运行该算例30次的到结果值，
Figure 428725DEST_PATH_IMAGE174
为该算例已知下限值，在这里我们将其定义为WOA及HWOA运行该算例各30次得到的60个结果中的最优值。
表1 起重机臂架生产工艺参数
Figure DEST_PATH_IMAGE176A
表2 30次求解结果对比
算法 最优解 最差解 平均值 标准差 MRPD
WOA 50 60 54.33 2.58 23.48
HWOA 44 52 46.10 2.37 5.48
（2）优化结果对比分析
关于起重机臂架生产实施例，图3、图4和图5直观地验证了HWOA算法优越的求解性能。在求解效率上，HWOA能以较快的速度收敛于最优解或次优解；在求解质量上，表2中30次试验的最优解、最差解、平均值、标准差及相对偏差百分比，HWOA算法均优于标准WOA算法。图4表明HWOA 30次的求解结果明显好于WOA，更加直观的展现了HWOA算法的求解性能相对WOA算法有明显的优越性。图5中HWOA箱盒图中各数据分布波动明显小于WOA，且偏差值相对更小，从一定程度上证明了HWOA具有较强的鲁棒性。为向起重机臂架生产企业提供切实可行的生产调度方案，图6和图7分别展示了标准WOA算法和本发明HWOA算法求出的起重机臂架生产调度甘特图。本发明方法之所以表现优越，主要得益于以下4点：其一，将标准鲸鱼算法中的线性收敛因子a的计算方式改进为非线性收敛的方式，使算法更好的协调了进化过程中全局寻优与局部搜索的比重。其二，机器基因突变机制与工序扰动机制，在保留父代优良基因的同时，也扩大了算法搜寻的范围，从而改善了求解质量；其三，核心工序跨机器基因强化机制，找到调度排序中的核心工序，直接对核心工序加以强化搜索，加强了算法的局部探索能力，从而改善了进化过程中算法的局部寻优性能。其四，基于种群多样化接收机制对更新后的个体进行有选择性的接收，有效的保证了进化过程中种群的多样性，降低陷入局部最优的几率。
本发明未详述部分为现有技术，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明；因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (6)

1.一种起重机臂架生产智能调度方法，其特征在于：首先，分析起重机臂架生产现场存在的约束条件，将起重机臂架的生产工序次序及各工序所对应的机器序列的排列组合等效为由所有鲸鱼个体形成的鲸鱼种群；然后，以起重机臂架生产完工时间最短为目标建立起重机臂架生产调度数学模型，将该调度数学模型的最优解等效为距离猎物最近的最优鲸鱼个体；在每一代进化过程中，所有鲸鱼个体都将采用起重机臂架生产调度数学模型来计算自身距离食物的远近，即适应度的大小；其中，适应度最大的鲸鱼个体为最佳鲸鱼个体；之后，非最佳鲸鱼个体将向最佳鲸鱼个体靠近以捕食猎物，再在下一代的进化过程中重新评选出最佳鲸鱼个体；如此循环，直至鲸鱼种群进化结束；此时，最佳的鲸鱼个体即为最优解，该最优解为最优的起重机臂架生产工序次序及各工序所对应的机器序列，调度方法具体过程如下：
（1）对起重机臂架生产车间存在的约束以及要优化的目标进行分析，建立带约束的起重机臂架生产调度优化数学模型；
（2）初始化参数：鲸鱼种群规模
Figure 11990DEST_PATH_IMAGE002
、最大进化代数
Figure 866813DEST_PATH_IMAGE004
、进化代数计数器
Figure 646550DEST_PATH_IMAGE006
、鲸鱼个数计数器
Figure 979443DEST_PATH_IMAGE008
，并生成初始种群；
（3）令
Figure 793815DEST_PATH_IMAGE010
，进行全局搜索；
（3-1）将鲸鱼个体解码为加工工序和与之对应的加工机器；
（3-2）基于步骤（1）建立的数学模型计算每个鲸鱼个体的适应度；
（3-3）更新最佳鲸鱼个体位置及其适应度；
（3-4）令n=n+1，进行局部搜索；
（3-4-1）改进型非线性收敛因子参与的鲸鱼个体位置更新机制；
（3-4-2）执行机器基因突变机制；
（3-4-3）执行工序扰动机制；
（3-4-4）执行核心工序跨机器基因强化机制；
（3-4-5）执行种群多样化接收机制；
（3-4-6）若
Figure 553961DEST_PATH_IMAGE012
，则返回步骤（3-4）；否则转入步骤（3-5）；
（3-5）如果
Figure 749888DEST_PATH_IMAGE014
,则返回步骤（3）；否则输出最优解。
2.根据要求1所述的一种起重机臂架生产智能调度方法，其特征在于：步骤（3-4-1）改进型非线性收敛因子参与的鲸鱼个体位置更新机制包括包围猎物、随机搜寻和气泡网攻击，其中：
包围猎物的数学模型如下：
Figure 948788DEST_PATH_IMAGE016
(1)
其中，
Figure 555350DEST_PATH_IMAGE018
，
Figure 548714DEST_PATH_IMAGE020
，
Figure 240726DEST_PATH_IMAGE022
；
Figure 915421DEST_PATH_IMAGE024
在随着迭代次数的增加从2非线性递减到0，其主要用于协调算法在随机搜寻和气泡网攻击的中比重，表达式为：
Figure 438806DEST_PATH_IMAGE026
，
Figure 868651DEST_PATH_IMAGE006
为当前迭代次数，
Figure 47959DEST_PATH_IMAGE028
最大迭代次数,
Figure 323083DEST_PATH_IMAGE030
、
Figure 904237DEST_PATH_IMAGE032
为系数向量，
Figure 177086DEST_PATH_IMAGE034
为当前最优鲸鱼个体的位置向量，
Figure 906008DEST_PATH_IMAGE036
为位置向量，|·|逐个元素相乘运算的绝对值，
Figure 922506DEST_PATH_IMAGE038
是[0,1]内的随机向量，
Figure 420483DEST_PATH_IMAGE040
为非线性收敛因子
Figure 126883DEST_PATH_IMAGE042
的初值；
随机搜寻的数学模型如下：
Figure 15205DEST_PATH_IMAGE044
(2)
其中，
Figure 897710DEST_PATH_IMAGE046
，
Figure 187877DEST_PATH_IMAGE048
为当前种群个体中随机个体的位置向量；
在随机搜寻和包围猎物的过程中，满足以下数学关系：
Figure 130426DEST_PATH_IMAGE050
(3)
气泡网攻击数学模型如下：
Figure 506043DEST_PATH_IMAGE052
(4)
其中，
Figure 864343DEST_PATH_IMAGE054
，
Figure 336913DEST_PATH_IMAGE056
是用来定义螺旋形状的一个常数，
Figure 388046DEST_PATH_IMAGE058
是
Figure 313276DEST_PATH_IMAGE060
内的随机数；
包围猎物与气泡网攻击过程中，满足以下数学关系：
Figure 475267DEST_PATH_IMAGE062
(5)。
3.根据要求1所述的一种起重机臂架生产智能调度方法，其特征在于：步骤（3-4-2）执行机器基因突变机制，即在进化过程中，对父代优秀个体中的机器基因片段执行机器基因突变机制形成子代个体，如果子代个体优于父代个体，则替换父代个体；否则将其丢弃，该机制能保留父代的优良机器基因片段，又能不断增加算法在搜寻过程中的全局广泛性，最重要的是有效解决了机器被动选择导致算法陷入局部最优的问题。
4.根据要求1所述的一种起重机臂架生产智能调度方法，其特征在于：步骤（3-4-3）执行工序扰动机制，即改变鲸鱼个体中的部分位置信息，由此驱动工序排序发生改变，从而增加种群多样性，算法收敛停滞往往发生在算法进化的后期，为此，设定一个满足前期小后期大的自适应扰动概率因子
Figure 474447DEST_PATH_IMAGE064
，以此决定是否在本次进化中执行工序扰动。
5.根据要求1所述的一种起重机臂架生产智能调度方法，其特征在于：步骤（3-4-4）执行核心工序跨机器基因强化机制，首先，选择在工序排序中从第一道工序开始到最后一道工序结束所消耗时间最多的排序序列作为核心工序，对核心工序的任一排序变动都会改变加工的最大完工时间，为此，采用核心工序跨机器基因强化机制，即在核心工序中执行机器基因突变操作，如果执行后最大完工时间有所改善，则保留；否则丢弃。
6.根据要求1所述的一种起重机臂架生产智能调度方法，其特征在于：步骤（3-4-5）执行种群多样化接收机制，即在算法进化过程中，采用多样性接收机制对每一个个体进行概率接收，使鲸鱼算法在进化过程中有一定概率接收较差解来维持种群的多样性。
CN202210620774.9A 2022-06-02 2022-06-02 一种起重机臂架生产智能调度方法 Withdrawn CN114692345A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210620774.9A CN114692345A (zh) 2022-06-02 2022-06-02 一种起重机臂架生产智能调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210620774.9A CN114692345A (zh) 2022-06-02 2022-06-02 一种起重机臂架生产智能调度方法

Publications (1)

Publication Number Publication Date
CN114692345A true CN114692345A (zh) 2022-07-01

Family

ID=82131183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210620774.9A Withdrawn CN114692345A (zh) 2022-06-02 2022-06-02 一种起重机臂架生产智能调度方法

Country Status (1)

Country Link
CN (1) CN114692345A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108873835A (zh) * 2018-06-12 2018-11-23 昆明理工大学 一种半导体集成电路制造中光刻工艺的优化调度方法
CN109784603A (zh) * 2018-11-15 2019-05-21 长安大学 一种基于混合鲸鱼群算法求解柔性作业车间调度的方法
CN109886588A (zh) * 2019-02-28 2019-06-14 长安大学 一种基于改进鲸鱼算法求解柔性作业车间调度的方法
CN109886589A (zh) * 2019-02-28 2019-06-14 长安大学 一种基于改进鲸鱼优化算法求解低碳车间调度的方法
CN110070212A (zh) * 2019-03-26 2019-07-30 河南科技学院 一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法
CN110632907A (zh) * 2019-10-30 2019-12-31 山东师范大学 一种分布式装配式置换流水车间调度优化方法及系统
AU2020103826A4 (en) * 2020-12-01 2021-02-11 Dalian University Whale dna sequence optimization method based on harmony search (hs)
CN112783172A (zh) * 2020-12-31 2021-05-11 重庆大学 基于离散鲸鱼优化算法的agv与机器集成调度方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108873835A (zh) * 2018-06-12 2018-11-23 昆明理工大学 一种半导体集成电路制造中光刻工艺的优化调度方法
CN109784603A (zh) * 2018-11-15 2019-05-21 长安大学 一种基于混合鲸鱼群算法求解柔性作业车间调度的方法
CN109886588A (zh) * 2019-02-28 2019-06-14 长安大学 一种基于改进鲸鱼算法求解柔性作业车间调度的方法
CN109886589A (zh) * 2019-02-28 2019-06-14 长安大学 一种基于改进鲸鱼优化算法求解低碳车间调度的方法
CN110070212A (zh) * 2019-03-26 2019-07-30 河南科技学院 一种基于改进型鲸鱼算法的多类型收割机协同调度优化方法
CN110632907A (zh) * 2019-10-30 2019-12-31 山东师范大学 一种分布式装配式置换流水车间调度优化方法及系统
AU2020103826A4 (en) * 2020-12-01 2021-02-11 Dalian University Whale dna sequence optimization method based on harmony search (hs)
CN112783172A (zh) * 2020-12-31 2021-05-11 重庆大学 基于离散鲸鱼优化算法的agv与机器集成调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WENQIANG YANG 等: "Modified Whale Optimization Algorithm for Multi-Type Combine Harvesters Scheduling", 《MACHINES》 *
刘蓉 等: "带并行批处理机的柔性作业车间调度问题研究", 《武汉理工大学学报(信息与管理工程版)》 *
栾飞: "基于群体智能算法的柔性作业车间节能调度优化研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑(月刊)》 *

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
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
CN112580922B (zh) 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
CN113011612B (zh) 基于改进灰狼算法的生产与维修调度方法及系统
CN112084632B (zh) 一种结合人机工程的五金数字生产线布局优化方法
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
CN106611275A (zh) 针对作业车间生产问题的排产算法
CN106610656A (zh) 一种改进的布谷鸟搜索算法求解作业车间调度问题
CN112749776A (zh) 一种基于改进混合遗传算法的作业车间调度方法
CN112699544A (zh) 一种多目标柔性作业车间调度方法
CN113689066A (zh) 一种基于nsga-ii算法的物联网车间调度方法
CN112926837A (zh) 基于数据驱动改进遗传算法求解作业车间调度问题的方法
CN109255484A (zh) 数据驱动的离散制造资源协同优化方法及系统
CN115049246A (zh) 一种面向订单扰动下的离散制造生产线重调度方法
CN117707083A (zh) 分布式装配流水车间的调度方法、终端设备及存储介质
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
CN114692345A (zh) 一种起重机臂架生产智能调度方法
CN112700109A (zh) 一种订单生产顺序优化方法、系统、设备及可读存储介质
CN110705844A (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
CN116300744A (zh) 一种基于改进启发式算法的车间生产调度方法
CN109409774A (zh) 用于智能制造数字化车间的调度方法、系统及存储介质
CN113792494B (zh) 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法
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
CN114265363A (zh) 一种数控机床加工路径智能优化方法及其系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220701

WW01 Invention patent application withdrawn after publication
CI02 Correction of invention patent application

Correction item: withdrawal of application for invention after its publication

Correct: Withdrawal of a patent application after publication

False: Withdrawal of Patent Applications after Publication

Number: 09-01

Volume: 39

CI02 Correction of invention patent application