CN114707432A - 一种基于遗传算法的锻造工厂智能排产方法 - Google Patents
一种基于遗传算法的锻造工厂智能排产方法 Download PDFInfo
- Publication number
- CN114707432A CN114707432A CN202210628037.3A CN202210628037A CN114707432A CN 114707432 A CN114707432 A CN 114707432A CN 202210628037 A CN202210628037 A CN 202210628037A CN 114707432 A CN114707432 A CN 114707432A
- Authority
- CN
- China
- Prior art keywords
- production
- heat
- time
- population
- individuals
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005242 forging Methods 0.000 title claims abstract description 48
- 230000002068 genetic effect Effects 0.000 title claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 claims abstract description 159
- 238000010438 heat treatment Methods 0.000 claims abstract description 68
- 210000000349 chromosome Anatomy 0.000 claims abstract description 35
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 23
- 230000014759 maintenance of location Effects 0.000 claims abstract description 4
- 238000013178 mathematical model Methods 0.000 claims abstract description 3
- 230000008569 process Effects 0.000 claims description 34
- 230000035772 mutation Effects 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 10
- 238000013439 planning Methods 0.000 claims description 4
- 238000010187 selection method Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000002759 chromosomal effect Effects 0.000 claims description 2
- 238000009401 outcrossing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 239000002184 metal Substances 0.000 description 12
- 229910052751 metal Inorganic materials 0.000 description 12
- 230000008859 change Effects 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 239000007769 metal material Substances 0.000 description 5
- 238000001354 calcination Methods 0.000 description 4
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- -1 comprises two steps Chemical class 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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
- G06Q10/0633—Workflow analysis
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- 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)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
Abstract
本发明公开了一种基于遗传算法的锻造工厂智能排产方法,包括:(1)基于遗传算法构建锻造工厂生产过程的数学模型,构建目标函数;(2)将生产合同的炉次和加热设备编码成染色体基因;(3)随机生成满足业务逻辑和规则约束的初始种群;(4)对初始种群的个体并进行交叉、变异操作,获得下一代种群;采用精英保留策略记录当前种群的最优解;(5)重复步骤(4)直至达到最大迭代次数;对每一代种群的最优解进行比较,得到全局最优解;(6)若在生产过程中有临时生产合同需要进行插单时,将每个生产工序上未开始的炉次和临时生产合同的生产工单作为输入,重复步骤(2)‑(5)。本发明可以准确评估预测生产时长,提高生产效率。
Description
技术领域
本发明涉及智能制造技术领域,尤其涉及一种基于遗传算法的锻造工厂智能排产方法。
背景技术
智能制造技术是世界制造业未来发展的重要方向之一,所谓智能制造技术,是指在现代传感技术、网络技术、自动化技术、人工智能技术等先进技术的基础上,通过智能化的感知、人机交互、决策和执行技术,实现设计过程、制造过程和制造装备智能化,是信息技术和智能技术于装备制造过程技术的深度融合与集成。
制造业进入到全新的数字化时代,新型智能工厂、数字化工厂与智能车间将新一代信息技术贯穿到设计、工艺、生产、物流等各个环节,传统产业逐步向智能制造转型升级,传统制造型企业迎来历史性机遇的同时,同样面临着巨大的挑战。
要推进制造过程智能化,智能工厂是实现智能制造的重要载体,必须依赖无缝集成的信息系统支撑,主要包括企业资源管理系统(Enterprise Resource Planning,ERP)、高级计划与排程(Advanced Planning and Scheduling,APS)、制造执行系统(manufacturing execution system,MES)、生命周期管理(Product LifecycleManagement,PLM)、客户关系管理(Customer Relationship Management,CRM)等核心系统。
近年来随着领先企业的智能工厂转型升级进入深水区,在生产过程逐步实现自动化、透明化、可视化、精益化,企业供应链计划管理决策领域的智能化改革已势不可挡。越来越多的企业开始关注与应用APS高级计划与排程系统,帮助企业进行系统整合与资源优化。
公开号为CN112990515A的中国专利文献公开了一种基于启发式优化算法的车间资源调度方法,排产步骤:接收输入的数据,并将数据输入到算法中;设置好约束条件,用来筛选输出结果;算法对接收的数据进行运算并输出结果;算法支持多种约束条件输入,约束条件包括:最少等待时间、最少超期任务、优先级优先和强制保障优先;其中约束条件都是数字量,取值范围1至5,默认值为3。
目前在工厂金属锻造生产过程中由于使用纸质化记录,现有的基于专家经验的排产技术,存在调度管理与进度统计效率较低,生产排班依赖人力排产与调度,效率较低等问题。传统生产企业长期受到产能不足、供应商不能按期交货、现场设备异常、订单变更等问题的困扰,导致生产计划部门无法在短时间内做出合理的应对,导致生产节奏中断,无法按时完成生产计划。
发明内容
本发明提供了一种基于遗传算法的锻造工厂智能排产方法,该智能排产方法能准确评估预测生产时长,提高生产效率。
本发明的技术方案如下:
一种基于遗传算法的锻造工厂智能排产方法,包括以下步骤:
(1)对锻造工厂的生产过程进行业务逻辑的归纳综合和规则约束的整理,基于遗传算法构建锻造工厂生产过程的数学模型;针对最小化生产时间和最大化生产设备利用率的优化目标,构建目标函数;
(2)将生产合同的生产信息拆分成生产工单,生产工单包含生产工序、生产工艺、生产设备、生产时间、生产火次、加热炉炉次信息;
读取加热设备信息和生产工单信息,将加热设备进行编号,将炉次和加热设备编码成染色体基因;
(3)随机生成满足业务逻辑和规则约束的初始种群;
(4)计算当前种群中各个体的适应度;采用锦标赛选择法作为选择策略,选择需要交叉、变异的个体,并对所选择的个体进行交叉、变异操作,获得下一代种群;
采用精英保留策略记录当前种群的最优解;
(5)重复步骤(4)直至达到最大迭代次数;对每一代种群的最优解进行比较,得到全局最优解;对全局最优解进行解码,获得智能排产工单并派发给生产部门进行生产;
(6)若在生产过程中有临时生产合同需要进行插单和调配,则需要对生产计划进行重排,包括:将每个生产工序上未开始的炉次和临时生产合同的生产工单作为输入,重复步骤(2)-(5)。
本发明基于遗传算法的锻造工厂智能排产方法,通过对接生产信息系统的合同数据,准确评估预测生产时长,提高生产效率。利用遗传算法,以最小化生产时间和最大化生产设备利用率为优化目标,拆分生产合同,生成生产工单发往不同的生产部门,形成有序的生产排班计划,并且提供快速重排功能,以应对临时插单和生产任务临时变更的状况,帮助生产部门修改生产计划,实现生产任务的灵活调度。
步骤(1)中,所述的目标函数为:
其中,Fit表示适应度函数,I表示火次集合,J表示炉次集合,F表示工序集合;S表示开始时间,Sij f+1表示i火次j炉次在第f+1道工序的开始时间;E表示结束时间,Eij f 表示i火次j炉次在第f道工序的结束时间。
目标函数的优化目标即最小化生产时间,根据每条染色体的编码计算出每个炉次的开始和结束时间后,当前步骤的每个炉次的结束时间与该炉次在下一个步骤所在的开始时间相对比,就能得出每个炉次在这两个步骤之间的等待时间,最后把所有炉次的等待时间相加就是总等待时间。
金属锻造过程主要包括两个步骤,即金属材料在加热炉进行煅烧和在锻造设备上进行锻造。在金属锻造过程中,锻压机数量少,不是影响生产时间的主要因素,在本发明中不作为优化调度的目标,在优化调度过程中主要考虑加热炉的调度。
染色体的编码问题是遗传算法的首要和关键问题,染色体的长度与生产工序和加热设备(加热炉)相关,具体包括金属煅烧的加热炉炉次和加热设备。
步骤(2)中,染色体基因表示为:
Ch={a 1 a 2 a 3 a 4……a n};
其中,a i 表示按照时间顺序排列的第i个炉次所在当前生产工序的加热设备编码,i=1、2、3……n;所述的加热设备编码为二进制编码。
若每个染色体包含n个炉次,每个加热设备编码的长度为M,则每个染色体的长度为nM。
初始化种群时,确定炉次所在的加热设备编号时,需要计算出每个炉次的开始和结束时间。因为一个炉次前一个工序的结束时间要小于后一个工序的开始时间减运输时间,为了避免时间上的冲突,按照时间先后顺序,从第一个炉次开始。
优选的,步骤(3)包括:
(3-1)按照时间先后顺序,确定好炉次;从第一个炉次开始,计算出炉次的开始时间和结束时间:
其中,i表示火次号,j表示炉次号,f表示工序序号,k表示加热设备序号;表示i火次j炉次与i火次(j-1)炉次的冲突时间;S表示开始时间,(Sij fk )实际表示实际i火次j炉次在第f道工序第k台加热设备的开始时间,(Sij fk )计划表示计划i火次j炉次在第f道工序第k台加热设备的开始时间;E表示结束时间,(Eij fk )实际表示实际i火次j炉次在第f道工序第k台加热设备的结束时间,(Eij fk )计划表示计划i火次j炉次在第f道工序第k台加热设备的结束时间;
若当前炉次的开始时间与对应加热设备上的前一个炉次的结束时间冲突,则需要对当前炉次进行调整,统一往前移动冲突时间间隔的距离;
(3-2)按照顺序,依次计算后续炉次的开始时间和结束时间,保证所有当前炉次开始时间与对应加热设备上前一个炉次的结束时间都不冲突时,完成初始种群的染色体编码。
步骤(4)中,采用锦标赛选择法作为选择策略,选择需要交叉、变异的个体,包括:
(4-1)确定每次选择的个体数量;
(4-2)从种群中随机选择预设数量个体构成组,根据每个个体的适应度值,选择其中适应度值最好的个体进入新种群;
(4-3)重复步骤(2),直至得到的新种群与原种群规模相同;得到的新种群中的个体即为需要交叉、变异的个体。
遗传算法的交叉操作,是指对两个相互配对的染色体按某种方式相互交换其部分基因,从而形成两个新的个体。
步骤(4)中,在进行交叉操作时,随机采用适用于二进制编码的交叉算子,所述的交叉算子包括:
(a)单点交叉:在染色体编码串中随机设置了一个交叉点,然后再进行部分基因交换;
(b)两点交叉:在染色体编码串中随机设置了两个交叉点,然后再进行部分基因交换;
(c)均匀交叉:两个配对个体的每个基因座上的基因都以相同的交叉概率进行交换,从而形成两个新个体。
变异是对群体中的个体串的某些基因座上的基因值作变动,让染色体在小概率的范围内随机发生改变,保证了种群的差异性。
步骤(4)中,在进行变异操作时,采用适用于二进制编码的变异操作,包括:
(a)对种群中所有个体以预设的变异概率P判断是否进行变异;
(b)对进行变异的个体随机选择变异位进行变异。
步骤(6)中,当出现有临时生产合同需要进行插单和调配时,需要对生产计划进行重编排,跟开始的调度计划编排不一样的地方在于许多炉次会处于正在生产的状态。
正在生产的状态表示该炉次已经进行过加热炉的冶炼工序但还没有完成锻造设备上的锻压任务,处于加热开始到锻压结束之间的炉次。在这些正在生产状态的炉次中又分为已经完成的工序、正在加工的工序和未开始的工序。对于已经完成和正在加工的工序炉次进行保留,每个工序上未开始的炉次则进行重新编排和调整。
与现有技术相比,本发明的有益效果为:
本发明基于遗传算法,对生产任务进行数学建模,通过求解优化目标,解决传统金属锻造生产工厂中人工排产存在效率低,易出错等问题,实现对生产合同的合理拆分与分配,减少生产等待时间,提升生产设备利用率,面对生产过程中的突发情况,能够实现灵活的生产调度,提高生产水平。
附图说明
图1为实施例中锻造工厂生产智能排产方法的流程示意图;
图2为遗传算法流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述,需要指出的是,以下所述实施例旨在便于对本发明的理解,而对其不起任何限定作用。
实施例中,术语解释如下:
排产:在有限产能的基础上,综合来自市场、物料、产能、工序流程等多方的对生产的影响,经过优化得出合理有效的生产计划;
火次:金属材料在锻造前经过特定的温度和时间的加热煅烧,每一轮煅烧为一个火次;
炉次:以加热炉为单位,记录金属在加热炉之间的流转次序;
工单:按照生产合同的要求,通过人工/自动化的方式将生产任务分发到每个生产部门。
本发明提出一种基于遗传算法技术的锻造工厂生产智能排产方法,通过对接生产信息系统的合同数据,准确评估预测生产时长,提高生产效率。利用遗传算法,以最小化生产时间和最大化生产设备利用率为优化目标,拆分生产合同,生成生产工单发往不同的生产部门,形成有序的生产排班计划。提供快速重排功能,应对临时插单和生产任务临时变更的状况,帮助生产技术部门修改生产计划,实现生产任务的灵活调度。
如图1和图2所示,一种基于遗传算法的锻造工厂生产智能排产方法,包括以下步骤:
1)算法建模
对锻压金属的过程进行业务逻辑的归纳综合和规则约束整理,按照锻压金属制造的业务流程,对金属材料的加热和锻造步骤进行编排,确定遗传算法的染色体编码内容和形式。通过算法实现生产合同的工单拆分,根据染色体编码对工单中的生产工序、生产设备、生产时间、火次、炉次等内容进行算法时间和设备寻优,实现工单拆分,将生产执行工单派发到生产设备上进行生产。
2)染色体编码
锻压金属的过程主要包括两个步骤,金属材料在加热炉进行煅烧和在锻造机上进行锻造。在金属锻造过程中,由于锻压机数量少,不是影响生产时间的主要因素,不作为优化调度的目标,在优化调度过程中主要考虑加热炉的调度。
染色体的编码问题是遗传算法的首要和关键问题,染色体的长度与生产工序和生产设备(加热炉)相关,具体包括金属煅烧的加热炉炉次和加热设备,可构造如下染色体:
Ch={a 1 a 2 a 3 a 4……a n};
其中,a i 表示按照时间顺序排列的第i个炉次所在当前工序步骤的加热设备编码,i=1、2、3……n。
依据二进制对加热设备进行编码,以加热设备个数确定每个加热设备的编码长度。假设当前生产步骤包含4台加热设备,则其编码表示为:
{00,01,10,11}。
若每个染色体包含n个炉次,每个加热设备编码的长度为M,则每个染色体的长度为nM。
以染色体Ch={0011}为例,第一个炉次在当前工序的加热设备编码为{00},即第一台加热设备;第二个炉次在当前工序的加热设备编码为{11},即第四台加热设备。
3)初始化种群
初始种群,产生初始种群的过程采用随机的过程,确定炉次所在的加热设备编号时,需要计算出每个炉次的开始、结束时间。因为一个炉次前一个工序的结束时间要小于后一个工序的开始时间减运输时间,为了避免时间上的冲突,按照时间先后顺序,从第一个炉次开始。具体如以下公式:
其中,i表示火次号,j表示炉次号,f表示工序序号,k表示加热设备序号;表示i火次j炉次与i火次(j-1)炉次的冲突时间;S表示开始时间,(Sij fk )实际表示实际i火次j炉次在第f道工序第k台加热设备的开始时间,(Sij fk )计划表示计划i火次j炉次在第f道工序第k台加热设备的开始时间;E表示结束时间,(Eij fk )实际表示实际i火次j炉次在第f道工序第k台加热设备的结束时间,(Eij fk )计划表示计划i火次j炉次在第f道工序第k台加热设备的结束时间。
通过上述的公式计算出炉次的开始和结束时间后,再算后一个炉次,若当前炉次的开始时间与这台加热设备上的前一个炉次的结束时间冲突,则需要对炉次进行调整,统一往前移动冲突时间间隔的距离。以此类推,保证所有的当前炉次的开始时间与这台设备上的前一个炉次的结束时间都不冲突时,就能在保证所有设备的时间不冲突的情况下,完成染色体编码。通过遗传算法得到最优的染色体后即得到了最优的加热炉使用调度情况,即得到了在每一炉次最优的设备选择。
4)构建适应度函数
适应度函数用来对染色体进行筛选,适应度高的基因所被选中产生下一代的概率越大,这样就能保证在每一代的选择中都是选择适应度高的基因,适应度函数的选取直接影响到遗传算法的收敛速度以及能否找到最优解,因为遗传算法在进化搜索中基本不利用外部信息,仅以适应度函数为依据,利用种群每个个体的适应度来进行搜索,而适应度函数就是本发明的目标函数:
其中,Fit表示适应度函数,I表示火次集合,J表示炉次集合,F表示工序集合;S表示开始时间,Sij f+1表示i火次j炉次在第f+1道工序的开始时间;E表示结束时间,Eij f 表示i火次j炉次在第f道工序的结束时间。
目标函数的优化目标即最小化生产时间,根据每条染色体的编码计算出每个炉次的开始和结束时间后,当前步骤的每个炉次的结束时间与该炉次在下一个步骤所在的开始时间相对比,就能得出每个炉次在这两个步骤之间的等待时间,最后把所有炉次的等待时间相加就是总等待时间。
5)选择操作
选择又称为选择算子,是指参照适应值函数,按照预先选定的策略随机从父代中挑选一些个体生存下来,剩下的个体则被淘汰,但同时为了保证种群中的多样性,使得基因之间有一定的区别,本发明采用锦标赛选择法作为选择策略。每次从种群中取出一定数量个体,然后选择其中最好的一个进入子代种群。重复该操作,直到新的种群规模达到原来的种群规模。具体的操作步骤如下:
(1) 确定每次选择的个体数量(以占种群中个体个数的百分比表示);
(2)从种群中随机选择个体(每个个体入选概率相同)构成组,根据每个个体的适应度值,选择其中适应度值最好的个体进入子代种群;
(3)重复步骤(2),直至得到的个体构成新一代种群。
6)交叉变异
遗传算法的交叉操作,是指对两个相互配对的染色体按某种方式相互交换其部分基因,从而形成两个新的个体。在本发明中采用适合二进制编码的交叉算子,包括以下三种:
(1) 单点交叉:在染色体编码串中随机设置了一个交叉点,然后再进行部分基因交换;
(2) 两点交叉:在染色体编码串中随机设置了两个交叉点,然后再进行部分基因交换;
(3) 均匀交叉:两个配对个体的每个基因座上的基因都以相同的交叉概率进行交换,从而形成两个新个体。
本发明在进行交叉的过程中,随机选择不同的交叉算子,提高染色体交叉的的随机性。
变异是对群体中的个体串的某些基因座上的基因值作变动,让染色体在小概率的范围内随机发生改变,保证了种群的差异性。在本发明中采用二进制变异,包括两个步骤:
(1) 对群中所有个体以事先设定的变异概率P判断是否进行变异;
(2) 对进行变异的个体随机选择变异位进行变异。
7)终止条件
设置迭代次数G n 作为遗传算法终止条件,在算法的过程中遗传的迭代次数达到了设定值则算法停止,并且在迭代的过程中会采用精英保留策略记录下每一代中的最优解,最后通过比较得出全局的最优解。获得最优的解后,在对应炉次选择对应的加热设备即可。
8)临时插单和智能调度
当出现临时有合同和工单需要进行插单和调配的时候,需要对生产计划进行重编排,跟开始的调度计划编排不一样的地方在于许多炉次会处在正在生产的状态。正在生产的状态表示该炉次已经进行过加热炉的冶炼工序但还没有完成锻造机上的锻压任务,处于加热开始到锻压结束之间的炉次。在这些正在生产状态的炉次中又分为已经完成的工序,正在加工的工序,和未开始的工序。对于已经完成和正在加工的工序炉次进行保留,每个工序上未开始的炉次则进行重新编排和调整。将未开始的炉次按照合同工单作为输入,重复步骤2)至步骤7),获得智能排产的工单,进行派发,根据智能排产的工单进行生产。
本发明基于遗传算法,对生产任务进行数学建模,通过求解优化目标,解决传统金属锻造生产工厂中人工排产存在效率低,易出错等问题,实现对生产合同的合理拆分与分配,减少生产等待时间,提升生产设备利用率,面对生产过程中的突发情况,能够实现灵活的生产调度,提高生产水平。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的具体实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于遗传算法的锻造工厂智能排产方法,其特征在于,包括以下步骤:
(1)对锻造工厂的生产过程进行业务逻辑的归纳综合和规则约束的整理,基于遗传算法构建锻造工厂生产过程的数学模型;针对最小化生产时间和最大化生产设备利用率的优化目标,构建目标函数;
(2)将生产合同的生产信息拆分成生产工单,生产工单包含生产工序、生产工艺、生产设备、生产时间、生产火次、加热炉炉次信息;
读取加热设备信息和生产工序信息,将加热设备进行编号,将炉次和加热设备编码成染色体基因;
(3)随机生成满足业务逻辑和规则约束的初始种群;
(4)计算当前种群中各个体的适应度;采用锦标赛选择法作为选择策略,选择需要交叉、变异的个体,并对所选择的个体进行交叉、变异操作,获得下一代种群;
采用精英保留策略记录当前种群的最优解;
(5)重复步骤(4)直至达到最大迭代次数;对每一代种群的最优解进行比较,得到全局最优解;对全局最优解进行解码,获得智能排产工单并派发给生产部门进行生产;
(6)若在生产过程中有临时生产合同需要进行插单和调配,则需要对生产计划进行重排,包括:将每个生产工序上未开始的炉次和临时生产合同的生产工单作为输入,重复步骤(2)-(5)。
3.根据权利要求1所述的基于遗传算法的锻造工厂智能排产方法,其特征在于,步骤(2)中,染色体基因表示为:
Ch={a 1 a 2 a 3 a 4……a n};
其中,a i 表示按照时间顺序排列的第i个炉次所在当前生产工序的加热设备编码,i=1、2、3……n;所述的加热设备编码为二进制编码。
4.根据权利要求1所述的基于遗传算法的锻造工厂智能排产方法,其特征在于,若每个染色体包含n个炉次,每个加热设备编码的长度为M,则每个染色体的长度为nM。
5.根据权利要求1所述的基于遗传算法的锻造工厂智能排产方法,其特征在于,步骤(3)包括:
(3-1)按照时间先后顺序,确定好炉次;从第一个炉次开始,计算出炉次的开始时间和结束时间:
其中,i表示火次号,j表示炉次号,f表示工序序号,k表示加热设备序号;表示i火次j炉次与i火次(j-1)炉次的冲突时间;S表示开始时间,(Sij fk )实际表示实际i火次j炉次在第f道工序第k台加热设备的开始时间,(Sij fk )计划表示计划i火次j炉次在第f道工序第k台加热设备的开始时间;E表示结束时间,(Eij fk )实际表示实际i火次j炉次在第f道工序第k台加热设备的结束时间,(Eij fk )计划表示计划i火次j炉次在第f道工序第k台加热设备的结束时间;
若当前炉次的开始时间与对应加热设备上的前一个炉次的结束时间冲突,则需要对当前炉次进行调整,统一往前移动冲突时间间隔的距离;
(3-2)按照顺序,依次计算后续炉次的开始时间和结束时间,保证所有当前炉次开始时间与对应加热设备上前一个炉次的结束时间都不冲突时,完成初始种群的染色体编码。
6.根据权利要求1所述的基于遗传算法的锻造工厂智能排产方法,其特征在于,步骤(4)中,采用锦标赛选择法作为选择策略,选择需要交叉、变异的个体,包括:
(4-1)确定每次选择的个体数量;
(4-2)从种群中随机选择预设数量个体构成组,根据每个个体的适应度值,选择其中适应度值最好的个体进入新种群;
(4-3)重复步骤(2),直至得到的新种群与原种群规模相同;得到的新种群中的个体即为需要交叉、变异的个体。
7.根据权利要求1所述的基于遗传算法的锻造工厂智能排产方法,其特征在于,步骤(4)中,在进行交叉操作时,随机采用适用于二进制编码的交叉算子,所述的交叉算子包括:
(a)单点交叉:在染色体编码串中随机设置了一个交叉点,然后再进行部分基因交换;
(b)两点交叉:在染色体编码串中随机设置了两个交叉点,然后再进行部分基因交换;
(c)均匀交叉:两个配对个体的每个基因座上的基因都以相同的交叉概率进行交换,从而形成两个新个体。
8.根据权利要求1所述的基于遗传算法的锻造工厂智能排产方法,其特征在于,步骤(4)中,在进行变异操作时,采用适用于二进制编码的变异操作,包括:
(a)对种群中所有个体以预设的变异概率P判断是否进行变异;
(b)对进行变异的个体随机选择变异位进行变异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210628037.3A CN114707432B (zh) | 2022-06-06 | 2022-06-06 | 一种基于遗传算法的锻造工厂智能排产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210628037.3A CN114707432B (zh) | 2022-06-06 | 2022-06-06 | 一种基于遗传算法的锻造工厂智能排产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114707432A true CN114707432A (zh) | 2022-07-05 |
CN114707432B CN114707432B (zh) | 2022-10-14 |
Family
ID=82178047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210628037.3A Active CN114707432B (zh) | 2022-06-06 | 2022-06-06 | 一种基于遗传算法的锻造工厂智能排产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707432B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115700639A (zh) * | 2022-12-30 | 2023-02-07 | 东方合智数据科技(广东)有限责任公司 | 智能生产排程方法、装置、设备及存储介质 |
CN118052423A (zh) * | 2024-04-16 | 2024-05-17 | 美云智数科技有限公司 | 智能排产方法、电子设备、存储介质及计算机程序产品 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090157590A1 (en) * | 2007-12-17 | 2009-06-18 | Landmark Graphics Corporation, A Halliburton Company | Systems and Methods for Optimization of Real Time Production Operations |
CN103631243A (zh) * | 2013-12-13 | 2014-03-12 | 重庆大学 | 一种基于遗传算法的炼钢-连铸重调度方法及系统 |
CN104122861A (zh) * | 2014-07-09 | 2014-10-29 | 中冶南方工程技术有限公司 | 基于等待时间松弛的冲突消解方法及优化调度方法 |
CN105550751A (zh) * | 2015-12-15 | 2016-05-04 | 重庆大学 | 利用优先级策略混合遗传算法的炼钢连铸生产调度方法 |
CN108460463A (zh) * | 2018-03-20 | 2018-08-28 | 合肥工业大学 | 基于改进遗传算法的高端装备流水线生产调度方法 |
CN110378528A (zh) * | 2019-07-17 | 2019-10-25 | 南京大学 | 基于遗传算法的车间排产方法及系统 |
CN111210062A (zh) * | 2019-12-31 | 2020-05-29 | 深圳金赋科技有限公司 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
WO2021036658A1 (zh) * | 2019-08-29 | 2021-03-04 | 华中科技大学 | 用于铸造并行车间主生产计划的多目标优化方法及系统 |
CN113379087A (zh) * | 2021-06-29 | 2021-09-10 | 浙江大学 | 一种基于改进遗传算法的生产制造排产优化方法 |
-
2022
- 2022-06-06 CN CN202210628037.3A patent/CN114707432B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090157590A1 (en) * | 2007-12-17 | 2009-06-18 | Landmark Graphics Corporation, A Halliburton Company | Systems and Methods for Optimization of Real Time Production Operations |
CN103631243A (zh) * | 2013-12-13 | 2014-03-12 | 重庆大学 | 一种基于遗传算法的炼钢-连铸重调度方法及系统 |
CN104122861A (zh) * | 2014-07-09 | 2014-10-29 | 中冶南方工程技术有限公司 | 基于等待时间松弛的冲突消解方法及优化调度方法 |
CN105550751A (zh) * | 2015-12-15 | 2016-05-04 | 重庆大学 | 利用优先级策略混合遗传算法的炼钢连铸生产调度方法 |
CN108460463A (zh) * | 2018-03-20 | 2018-08-28 | 合肥工业大学 | 基于改进遗传算法的高端装备流水线生产调度方法 |
CN110378528A (zh) * | 2019-07-17 | 2019-10-25 | 南京大学 | 基于遗传算法的车间排产方法及系统 |
WO2021036658A1 (zh) * | 2019-08-29 | 2021-03-04 | 华中科技大学 | 用于铸造并行车间主生产计划的多目标优化方法及系统 |
CN111210062A (zh) * | 2019-12-31 | 2020-05-29 | 深圳金赋科技有限公司 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
CN113379087A (zh) * | 2021-06-29 | 2021-09-10 | 浙江大学 | 一种基于改进遗传算法的生产制造排产优化方法 |
Non-Patent Citations (5)
Title |
---|
CHRISTOPHER N. CHAPMAN: "A genetic algorithm system for product line exploration and optimization", 《IEEE XPLORE》 * |
朱道飞等: "炼钢-连铸作业计划的遗传优化模型", 《钢铁》 * |
李铁克: "炼钢连铸生产调度问题的两阶段遗传算法", 《中国科学管理》 * |
白俊峰等: "基于改进遗传算法的车间调度问题研究", 《现代制造技术与装备》 * |
苏志雄: "求解炼钢连铸生产调度问题的改进算法", 《万方数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115700639A (zh) * | 2022-12-30 | 2023-02-07 | 东方合智数据科技(广东)有限责任公司 | 智能生产排程方法、装置、设备及存储介质 |
CN115700639B (zh) * | 2022-12-30 | 2023-04-07 | 东方合智数据科技(广东)有限责任公司 | 智能生产排程方法、装置、设备及存储介质 |
CN118052423A (zh) * | 2024-04-16 | 2024-05-17 | 美云智数科技有限公司 | 智能排产方法、电子设备、存储介质及计算机程序产品 |
CN118052423B (zh) * | 2024-04-16 | 2024-08-20 | 美云智数科技有限公司 | 智能排产方法、电子设备、存储介质及计算机程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN114707432B (zh) | 2022-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114707432B (zh) | 一种基于遗传算法的锻造工厂智能排产方法 | |
CN104504540B (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 | |
CN105550751B (zh) | 利用优先级策略混合遗传算法的炼钢连铸生产调度方法 | |
CN109359884A (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
CN111382942B (zh) | 一种集成交货期配置的置换流水车间能效优化调度方法 | |
Zandieh et al. | A robust genetic algorithm for scheduling realistic hybrid flexible flow line problems | |
CN115600774B (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
CN108182518B (zh) | 一种基于改进遗传算法的在制状态人员调度方法 | |
CN111047272B (zh) | 一种用于多语言协同开发的项目调度方法及装置 | |
CN109934364B (zh) | 一种基于遗传模拟退火算法的刀具准时化配送方法 | |
CN103530702A (zh) | 一种基于瓶颈设备分解的大规模作业车间调度方法 | |
CN111966049B (zh) | 一种混合流水车间生产设备调度控制方法 | |
CN112686474B (zh) | 一种基于改进的水波优化算法的可并行装配线平衡方法 | |
CN105550771A (zh) | 一种基于nsga-ii的炼钢连铸生产调度的多目标优化方法 | |
CN113159687B (zh) | 一种车间agv-uav协同的物料配送路径规划方法和系统 | |
CN114492895A (zh) | 汽车发动机柔性产线分批与调度方法 | |
CN107832983B (zh) | 基于动态规划与遗传算法的铸造熔炼批计划与调度方法 | |
CN114971317A (zh) | 一种基于改进遗传算法的设备排产和场内物流调度优化方法 | |
CN113901728B (zh) | 基于迁移遗传算法的电脑第二类装配线平衡优化方法 | |
JP5033555B2 (ja) | 生産スケジュール作成方法及びそのシステム | |
CN112700109B (zh) | 一种订单生产顺序优化方法、系统、设备及可读存储介质 | |
CN104122861B (zh) | 基于等待时间松弛的冲突消解方法及优化调度方法 | |
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 | |
CN117726119A (zh) | 一种解决分布式混合流水车间组调度的图仿生学习方法 |
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 |