CN114971317A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114971317A CN114971317A CN202210611119.7A CN202210611119A CN114971317A CN 114971317 A CN114971317 A CN 114971317A CN 202210611119 A CN202210611119 A CN 202210611119A CN 114971317 A CN114971317 A CN 114971317A
- Authority
- CN
- China
- Prior art keywords
- time
- equipment
- population
- agv
- scheduling
- 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
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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- 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—Systems or methods specially adapted for 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
Abstract
本发明公开了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,属于制造过程生产调度和优化领域。本发明基于离散制造系统的混合整数规划模型,使用改进遗传算法分别对设备排产和物流调度进行优化,在排产优化部分插入时间片预留出运输时间,获得最优设备排产方案,在此基础上求解最优物流调度方案。本发明比现有排产调度优化方法具有更快的计算速度和更好的优化效果,有利于提高制造企业的运行效率、增强企业竞争力。
Description
技术领域
本发明属于制造过程生产调度和优化领域,特别涉及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。
背景技术
通过调整加工顺序和工艺参数,离散制造过程可以适应多品种、变批量的混合加工任务,具有高度的灵活性。离散制造过程需要统筹车间的运行状态,全面考虑物料调度、设备产能和交付期约束等因素,针对不同的生产目标制定相应的排产方案。为快速响应复杂多变的市场需求,提升企业的竞争力,必须从效率、能耗、平稳度等多重方面对制造过程进行优化,在开始生产任务之前给出最优的执行方案。
对离散制造过程,最重要的就是设计合适的排产调度方案。排产是指根据订单产品的工艺路线为每个工序指定执行设备,并在工艺的约束下安排工序的执行顺序。相应地,排产优化通过调整工序的执行设备和顺序以实现评价指标的最优化。调度是指物流调度,即将各种原料、半成品和成品及时运输到指定的位置,是保证排产方案能按时执行的重要环节。离散制造过程中各设备上产品的投产顺序灵活多变,因此不适合用传送带运输半成品。随着智能车间的研究与推广,无人智能车(Automated Guided Vehicle,AGV)被广泛应用于工业领域,AGV可以在程序的指导下高效准确地完成物料的搬运任务,提高排产调度方案的执行效率,因此以AGV为对象进行了调度系统的建模与优化。
当前单独研究排产优化或物流调度的成果已经较为成熟。这两个问题均为NP难问题,传统上使用整数规划或分支定界法寻找最优解,但这些方法寻优效率低、不适用于较大规模的问题。因此,国内外学者先后提出了人工蜂群算法、粒子群算法、模拟退火算法和蚁群算法等智能搜索算法。但当前大部分的算法成果往往只侧重于两个问题中的一个,或只强调求解最优的排产方案、隐去后续物流调度的安排,或只根据已知的生产需求设置最优的物流调度方案,考虑得比较片面;另一方面,单独优化两个问题得到的方案组合起来不一定是最优的,因此这些算法得到的方案往往不能直接投入使用。少数综合两个问题同时优化的方法忽略了二者的内在联系,仅在建模时通过时间约束表示二者互相影响,对整体方案应用优化算法,问题的可行域更复杂,求解时间更长。综上所述,在同时优化排产方案和物流调度的领域,利用二者内在联系加速优化速度并提高优化质量的研究成果尚属空白。
发明内容
本发明的目的在于克服现有技术的不足,提供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。该方法在模型中同时考虑了设备加工和AGV运输对生产过程的影响,分步进行最优设备排产方案和最优AGV调度方案的求解,通过在设备排产优化过程中插入时间片预留运输时间,确保两部分方案的组合可以得到近似整体最优的调度方案。
本发明的目的是通过以下技术方案来实现的: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,其特征在于,包括以下步骤:
步骤(1):获取订单信息、设备信息和AGV状态;订单信息包括订单编号、订单内产品的种类和数量、订单产品的工序种类和总数、每个工序可以使用的设备和在不同设备上的加工时间、不同状态的物料所需的装卸时间;根据订单划分产品批次,同一批次内的产品种类相同,以批次作为排产调度的基本单位;在获得所有批次产品的工艺路线后,确定工序和对应的运输任务并编号;设备信息包括设备种类、数量和位置坐标,并给每台设备唯一编号;AGV状态包括正常工作的AGV编号,以及根据AGV当前性能计算出的在不同设备之间的行驶时间;
步骤(2):根据需求设定优化目标,选择对应的遗传算法种群适应度函数;
步骤(3):设置种群大小、最大迭代次数和收敛阈值,初始化一个种群用于求解最优的设备排产方案;使用MSOS编码方法,每个个体由一条设备选择串和一条工序顺序串组成;使用遗传算法对种群进行迭代优化,具体操作包括解码计算适应度、选择操作、交叉操作和变异操作;特别地,在将染色体组解码为排产方案、递推各工序的起止时间时,同一产品的相邻工序之间需要插入时间片,长度为预估的运输时间;当停止迭代的条件满足,输出适应度最高的个体对应的染色体组;
步骤(4):设置种群大小、最大迭代次数和收敛阈值,重新初始化一个种群用于求解当前最优排产方案下最优的AGV调度方案;每个个体由四条染色体子串组成,包括设备选择串、工序顺序串、AGV选择串和运输顺序串,其中设备选择串和工序顺序串为步骤(3)输出的最优个体染色体组,AGV选择串和运输顺序串按照MSOS编码规则随机生成;使用遗传算法对种群进行迭代优化,但迭代过程中只对AGV选择串和运输顺序串执行交叉和变异操作;重复迭代直至停止条件满足,输出适应度最高的个体对应的排产调度方案。
进一步地,步骤(2)所述优化目标为最小化整个排产调度方案的执行时间,即所有产品完成加工并运输到仓库的时间 第一项为产品n完成最后一道加工工序的时刻;Onp为工序标号,代表产品n的第p个工序,产品n的工序总数为Pn;第二项为产品n装载上AGV所用时间;为0-1变量,当工序在编号为j的设备上加工则为1,否则为0,TDj0是AGV从设备j行驶到仓库所用时间,从而公式第三项代表AGV从加工工序的设备处行驶到仓库所用时间;第四项是卸货时间;优化目标是使Tmax最小,取作为适应度函数,C>0为常数,将优化目标转换为最大化f。
进一步地,步骤(3)所述过程可具体表示如下:
步骤(3.1)设置种群大小、最大迭代次数和收敛阈值,初始化一个种群用于求解最优的设备排产方案,使用MSOS编码方法,每个个体由一条设备选择串和一条工序顺序串组成;
步骤(3.2)将种群中的染色体解码为具体的排产方案,计算每个个体的适应度;在将染色体组解码为排产方案、递推各工序的起止时间时,同一产品的相邻工序之间需要插入时间片,长度为预估在两工序执行设备之间运输所用时间;
步骤(3.3)根据精英保留策略,保留种群中适应度最高的个体;再对当前种群应用二元锦标赛选择算子,选出适应度更高的个体加入新一代种群;
步骤(3.4)按照设定的概率,随机对种群中的染色体进行交叉和变异操作,得到新的种群;
步骤(3.5)当种群迭代进化的总次数达到最大迭代次数,或者收敛性参数达到收敛阈值,结束迭代并输出适应度最高的个体;否则,更新收敛性参数,返回步骤(3.2)。
进一步地,步骤(4)所述过程可具体表示如下:
步骤(4.1)设置种群大小、最大迭代次数和收敛阈值,在已知最优设备排产方案的基础上初始化一个新的种群,用于获得当前排产方案下最优的AGV调度方案;所生成的每个个体由四条染色体子串组成,其中设备选择串和工序顺序串为最优设备排产方案对应的染色体组,AGV选择串和运输顺序串按照MSOS编码规则随机生成;
步骤(4.2)将种群中的染色体解码为具体的调度方案,计算每个个体的适应度;
步骤(4.3)根据精英保留策略,保留种群中适应度最高的个体;再对当前种群应用二元锦标赛选择算子,选出适应度更高的个体加入新一代种群;
步骤(4.4)按照设定的概率,随机对AGV选择串和运输顺序串进行交叉和变异操作,得到新的种群;
步骤(4.5)当种群迭代进化的总次数达到最大迭代次数,或者收敛性参数达到收敛阈值,结束迭代并输出适应度最高的个体解码得到的调度方案;否则,更新收敛性参数,返回步骤(4.2)。
进一步地,步骤(3.2)的解码过程中在各工序之间插入代表运输过程的时间片,具体过程如下:
按照MSOS编码规则将染色体逆向解码为具体的排产方案,确定每个工序的执行设备和优先级,以及每台设备的加工任务表,依次递推出各工序开始加工和完成加工的时间点;对工序Onp,首先查找该工序的执行设备编号j和执行顺序,确定设备j上排在Onp前一位加工的紧前任务On′p′及其完成时间tcn′p′,然后查找工序On(p-1)的完成时间tcn(p-1)和执行设备编号j′;工序Onp需要在设备j空闲,且On(p-1)加工完成后才能开始加工;同产品相邻工序之间需要插入代表运输过程的时间片,最终工序Onp开始加工的时间为tsnp=max{tcn′p′,tcn(p-1)+TDj′j},其中TDj′j是AGV从设备j′处行驶到设备j处所需的时间;工序Onp加工完成的时间为其中是设备j为一个产品n加工工序Onp所用时间,numn是批次内产品n的个数;完成递推后即可获得方案的执行时间,并计算出适应度。
进一步地,步骤(3.5)所述收敛性参数设置如下:由于精英保留策略影响,每一代种群最优适应度变化曲线是一个单调递增的分段常值函数图像,因此将过往最近跳变点距离当前种群迭代的次数作为收敛性参数,也即当前最优适应度已经维持不变的迭代次数;当种群收敛性参数达到收敛阈值时,认为算法已经收敛;更新收敛性参数时,检查当前种群最优适应度和上一轮迭代的最优适应度是否相同,若不同则将收敛性参数置零,若相同则在上一轮的收敛性参数上加一。
进一步地,步骤(4.1)在获得最优设备排产方案后,保留最优方案对应的设备选择串和工序顺序串;使用MSOS编码规则,每次随机生成一对AGV选择串和运输顺序串,检查这些个体能否和已知最优方案对应的设备选择串和工序顺序串构成一个可执行的排产调度计划,将可行的个体放入初始种群中进行全局优化;因为加工顺序和运输顺序是分别指定的,但工序和运输任务之间以及二者内部都有先后顺序约束,随机生成的个体在递推时间节点时可能陷入无限递归,因此需要额外检查可用性。
进一步地,步骤(4.2)在解码过程中考虑了设备加工和AGV运输对方案时间节点的影响,通过检查各工序和运输任务的前置条件来完成时间节点递推:
按照MSOS编码规则逆向解码,确定每个工序的执行设备和优先级、每台设备的加工任务表、每个运输任务的执行AGV和优先级、每台AGV的运输任务表;对工序Onp,首先查找该工序的执行设备编号j和执行顺序,确定设备j上排在Onp前一位的紧前任务On′p′及其完成时间tcn′p′;然后查找运输任务tasknp完成的时间tanp;工序Onp需要在设备j空闲,且Onp所要加工的物料抵达设备j处后才能开始加工,即工序Onp开始加工的时间为tsnp=max{tanp+TUnp,tcn′p′},其中TUnp是Onp所加工物料的卸载时间;工序Onp加工完成的时间为 对运输任务tasknp,首先查找该任务的执行AGV编号v和执行顺序,确定同AGV上的紧前任务taskn′p′,然后依次查找工序Onp、On′p′和On(p-1)的执行设备编号j、j′和j″,确定AGV的工作路线:执行完taskn′p′并卸载物料后从设备j′处出发,行驶到设备j″处接收完成工序On(p-1)的物料,将其运输到设备j处准备执行Onp的加工;在AGV已抵达设备j″,且工序On(p-1)已完成后才能开始物料的装载,即tasknp开始运输的时间tdnp=max{tcn(p-1),tan′p′+TUn′p′+TDj′j″}+TLnp,其中tan′p′是taskn′p′执行完成的时间,TUn′p′是On′p′所加工物料的卸载时间,TDj′j″是AGV从设备j′处行驶到设备j″处所需的时间,TLnp是Onp所加工物料的装载时间;tasknp运输完成的时间tanp=tdnp+TDj″j,其中TDj″j是AGV从设备j″处行驶到设备j处所需的时间;完成具体的排产调度时间节点递推后,根据方案执行时间计算适应度。
进一步地,步骤(4.4)只对AGV选择串和运输顺序串进行交叉和变异操作;染色体按照设定的概率随机决定是否执行交叉或者变异操作;操作完毕后进行检查,可以解码为可用方案的新个体直接放入下一代种群,若是不可用个体则舍弃,改为将父代中适应度更高的个体放入下一代种群。
本发明的有益效果包括:
(1)实现了离散制造系统设备排产和运输调度的协同优化。缩短了订单的生产周期,充分利用制造系统产能,极大地提高了制造企业的运行效率。
(2)针对拥有多台设备和AGV的复杂生产系统,提出分步优化的方法,保证了稳定的优化效果和较快的计算速度。该方法首先对设备排产问题进行单独优化,并通过插入运输时间片的方法确保全局优化效果,然后在最优设备排产方案的基础上求解最优的AGV调度方案。由于将问题拆解成两部分,缩小了寻优空间并减小了计算量,具有比传统遗传算法更高的优化效率,因此可以快速给出排产调度方案,适用于复杂的离散系统调度问题。
附图说明
图1是本发明方法的流程图。
图2是本方法得到的最优方案的甘特图。
具体实施方式
以下结合附图对本发明具体实施方式作进一步详细说明。
如图1所示,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,其流程如图1所示。
步骤(1)首先读取订单信息,包括订单编号、订单内产品的种类和数量、订单产品的工序种类和总数、每个工序可以使用的设备和在不同设备上的加工时间、不同状态的物料所需的装卸时间。为订单产品划分批次,同一批次的产品种类相同、工艺路线相同,并作为一个整体在设备上连续加工,以批次作为排产调度的基本单位。获得所有批次产品的工艺路线后,确定工序和运输任务,将第n批产品的第p个工序记为Onp,将Onp要加工的物料从上一位置运往加工Onp设备的运输任务记为tasknp。由于最后需要把成品运输到仓库,对每一批产品,运输任务总数比工序数多一个。设备信息包括设备种类、数量和位置坐标,并给每台设备唯一编号为M1,M2,…,MJ,J为设备总数。AGV状态包括正常工作的AGV编号,以及根据AGV当前性能计算出的在不同设备之间的行驶时间。
步骤(2)所述优化目标为最小化整个排产调度方案的执行时间,即所有产品完成加工并运输到仓库的时间 公式中的各项符号含义如下:第一项为产品n完成最后一道加工工序的时刻;第二项为产品n装载上AGV所用的时间;为0-1变量,当工序在编号为j的设备上加工则为1,否则为0,TDj0是AGV从设备j行驶到仓库所用时间,从而公式第三项代表AGV从加工的设备处行驶到仓库所用时间;第四项是卸货时间。假设当前排产方案下,最后运输到仓库的产品编号为n0,其最后一个工序在设备j0上加工,则方案执行时间优化目标是使Tmax最小,取作为适应度函数,C>0为常数,将优化目标转换为最大化f。
步骤(3)根据经验设置种群大小、最大迭代次数和收敛阈值。初始化一个种群用于求解最优的设备排产方案;使用MSOS方法编码染色体,每个个体由一条设备选择串和一条工序顺序串组成;使用遗传算法对种群进行迭代优化,具体操作包括解码计算适应度、选择操作、交叉操作和变异操作;由两条染色体子串分别指导工序的设备选择和工序加工顺序,具体编码规则如下:
n=k,p=x-lk-1,if lk-1<x≤lk
工序顺序串的基因储存产品批次编号,每个产品编号的出现次数等于其工序总数Pn,且在工序顺序串中从左到右第p次出现的产品编号n,表示当前基因记录工序Onp的优先级。在工序顺序串上排在左边的工序在设备上排产时优先于右边的工序。
按照上述规则随机生成一些个体,作为初始种群。
步骤(4)按照编码规则逆向解码,确定每个工序的执行设备和优先级,以及每台设备的加工任务表,依次递推各工序开始加工和完成加工的时间点。对工序Onp,首先查找该工序的执行设备编号j和执行顺序,确定同设备上的紧前任务On′p′的完成时间tcn′p′。然后查找工序On(p-1)的完成时间tcn(p-1)和执行设备编号j′。工序Onp需要在设备j空闲,且On(p-1)加工完成后才能开始加工。同产品相邻工序之间需要插入代表运输过程的时间片,长度为预估在两工序执行设备之间运输所用时间,最终工序Onp开始加工的时间为tsnp=max{tcn′p′,tcn(p-1)+TDj′j},其中TDj′j是AGV从设备j′处行驶到设备j处所需的时间。工序Onp加工完成的时间为其中是设备j为一个产品n加工工序Onp所用时间,numn是批次内产品n的个数。完成递推后即可获得方案的执行时间,并计算出适应度。
步骤(5)首先根据精英保留策略,保留种群中适应度最高的个体。然后采用二元锦标赛选择算子,每次随机有放回地从种群中选择出两个个体,将其中适应度更高的个体复制到下一代种群,直到种群规模达到设定值。
步骤(6)两条染色体子串采用不同的交叉和变异算子。设备选择串采用均匀交叉和单点变异,工序顺序串采用POX交叉和倒序变异。父代设备选择串P1和P2执行均匀交叉时,每个基因座上的对应基因按相同的概率决定是否交换。父代设备选择串P执行单点变异时,随机选择P上的一个基因座,若该基因座对应的工序存在多台可用设备,则将基因值修改为与当前值不同的可用设备序号。父代工序顺序串P1和P2执行POX交叉时,随机将产品集划分成两个非空且无交集的子集S1和S2,将P1中属于S1的产品对应的基因复制到O1相同位置,再将P2中属于S2的产品对应的基因依次填入O1的空位上;类似地,互换P1和P2的位置生成O2。父代工序顺序串P执行倒序变异时,随机选择P上的两个基因座,逆转这两个基因座之间所有基因的排列顺序,得到子染色体。染色体按照设定的概率随机决定是否执行交叉或者变异操作。
步骤(7)当种群最优适应度维持一定迭代次数不变时,认为算法已经收敛。将最优适应度连续不变的迭代次数设置为收敛性参数,以步骤(3)设置的收敛阈值作为判断是否收敛的标志。当种群迭代总次数达到最大值,或者收敛性参数达到收敛阈值时,停止迭代并输出最优个体,否则更新收敛性参数后返回步骤(4)。更新收敛性参数时,检查当前种群最优适应度和上一轮迭代的最优适应度是否相同,若不同则将收敛性参数置零,若相同则在上一轮的收敛性参数上加一。
步骤(8)根据经验设置种群大小、最大迭代次数和收敛阈值。在获得最优设备排产方案后,保留最优方案对应的设备选择串和工序顺序串。同样使用MSOS编码规则,每次随机生成一对AGV选择串和运输顺序串,生成规则如下:
AGV选择串和运输顺序串的长度均为和设备选择串与工序顺序串的规则类似,将产品集前k个产品批次的运输任务数之和记为 并规定m0=0,设备选择串上的第x个基因储存运输任务tasknp的AGV编号,其转换关系为:
n=k,p=x-mk-1,if mk-1<x≤mk
运输顺序串的基因同样储存产品批次编号,每个产品编号的出现次数等于其运输任务总数(Pn+1),且在运输顺序串中从左到右第p次出现的产品编号n,表示当前基因记录任务tasknp的优先级。在运输顺序串上排在左边的运输任务在AGV上调度时优先于排在右边的运输任务。
按照上述规则随机生成一些个体,检查这些个体能否和已知最优排产方案对应的设备选择串和工序顺序串构成一个可执行的排产调度计划,将可行的个体放入初始种群中进行全局优化。因为加工顺序和运输顺序是分别指定的,但工序和运输任务之间以及二者内部都有先后顺序约束,随机生成的个体在递推时间节点时可能陷入无限递归,因此需要额外检查可用性。
步骤(9)按照MSOS编码规则逆向解码,确定每个工序的执行设备和优先级、每台设备的加工任务表、每个运输任务的执行AGV和优先级、每台AGV的运输任务表。
对工序Onp,首先查找该工序的执行设备编号j和执行顺序,确定同设备上的紧前任务On′p′的完成时间tcn′p′,然后查找运输任务tasknp完成的时间tanp。工序Onp需要在设备j空闲,且Onp所要加工的物料抵达设备j处后才能开始加工,即工序Onp开始加工的时间为tsnp=max{tanp+TUnp,tcn′p′},其中TUnp是Onp所加工物料的卸载时间。工序Onp加工完成的时间为对运输任务tasknp,首先查找该任务的执行AGV编号v和执行顺序,确定同AGV上的紧前任务taskn′p′,然后依次查找工序Onp、On′p′和On(p-1)的执行设备编号j、j′和j″,确定AGV的工作路线:执行完taskn′p′并卸载物料后从设备j′处出发,行驶到设备j″处接收已完成工序On(p-1)的物料,将其运输到设备j处准备执行Onp的加工。在AGV已抵达设备j″,且工序On(p-1)已完成后才能开始物料的装载,即tasknp开始运输的时间tdnp=max{tcn(p-1),tan′p′+TUn′p′+TDj′j″}+TLnp,其中tan′p′是taskn′p′执行完成的时间,TUn′p′是On′p′所加工物料的卸载时间,TDj′j″是AGV从设备j′处行驶到设备j″处所需的时间,TLnp是Onp所加工物料的装载时间。tasknp运输完成的时间tanp=tdnp+TDj″j,其中TDj″j是AGV从设备j″处行驶到设备j处所需的时间。完成具体的排产调度时间节点递推后,根据方案执行时间计算适应度。
步骤(10)同步骤(5),使用精英保留策略和二元锦标赛选择算子获得下一代种群。
步骤(11)只对AGV选择串和运输顺序串进行操作,AGV选择串采用均匀交叉和单点变异,运输顺序串采用POX交叉和倒序变异。染色体按照设定的概率随机决定是否执行交叉或者变异操作。操作完毕后进行检查,可以解码为可用方案的新个体直接放入下一代种群,若是不可用个体则舍弃,改为将父代中适应度更高的个体放入下一代种群。
步骤(12)同步骤(7),算法收敛或种群迭代总次数达到最大值时直接输出结果,否则更新收敛性参数并返回步骤(9)。
实施例
为充分利用智能离散制造系统的生产能力,根据订单需求实时调整工艺参数,实现高效生产,必须为制造企业制定合适的排产优化方案。复杂的设备工序和灵活的工艺路线可以满足不同的生产需求,但也为排产优化增加了难度。考虑到工厂内部的物料运输对生产方案执行效率的影响,现有优化方案往往联合排产和调度问题同时建模,问题规模大,求解复杂。本发明针对这一问题设计了分步优化算法,可以快速实现设备排产和AGV调度的全局优化,比现有方法效果更好。下面结合某一智能制造车间的生产数据来说明本方法的有效性。
接下来结合该具体过程对本发明的实施步骤进行详细地阐述:
步骤(1)首先读取设备信息,包括各设备的数量和位置坐标,其中设备种类和数量如表1所示。
表1设备数量表
设备代号 | 类别 | 数量/台 | 编号 |
M1 | 铣床 | 2 | 1,2 |
M2 | 加工中心 | 1 | 3 |
M3 | 车床 | 2 | 4,5 |
M4 | 钻床 | 2 | 6,7 |
M5 | 磨床 | 2 | 8,9 |
M6 | 线切割机床 | 1 | 10 |
订单信息包括订单编号、产品种类和数量、工艺路线、各工序的可用设备和对应加工时间,如表2和表3所示。直接将一种零件划分为一个批次,作为排产调度的基本单位。
表2订单信息表
零件代号 | 产品名称 | 数量/件 | 工艺路线 |
J1 | 螺套 | 10 | 车加工-钻加工-铣加工-磨加工 |
J2 | 格板 | 8 | 车加工-磨加工-钻加工 |
J3 | 齿型垫片 | 15 | 铣加工-车加工-加工中心加工-钻加工-线切割加工-磨加工 |
J4 | 滚珠 | 6 | 车加工-线切割加工-磨加工-铣加工 |
J5 | 喷管体 | 4 | 车加工-磨加工-铣加工 |
J6 | 后盖 | 16 | 线切割加工-加工中心加工-钻加工-磨加工-铣加工 |
J7 | 封筒帽 | 12 | 车加工-线切割加工-磨加工-铣加工-加工中心加工-钻加工 |
J8 | 盖子 | 5 | 车加工-加工中心加工-钻加工-铣加工 |
J9 | 壳体 | 9 | 线切割加工-车加工-磨加工-铣加工-加工中心加工 |
J10 | 端面 | 17 | 铣加工-磨加工-加工中心加工-钻加工-线切割加工-车加工 |
J11 | 接触圈 | 11 | 铣加工-线切割加工加工中心加工-磨加工-钻加工 |
表3各工序在各设备上的加工时间
共15台相同的AGV,依次编号1~15。对每个订单下所有状态的半成品,装卸时间均为15分钟。计算出AGV在各地点之间行驶所用时间,如表4所示:
表4各AGV行驶用时(单位:分钟)
对工序和运输任务进行划分,将第n批产品的第p个工序记为Onp,如代号J1的产品的车加工工序记为O11;将Onp要求的物料从上一位置运往加工Onp设备处的运输任务记为tasknp,如对代号J1的产品,将原料从仓库运输到车床的任务记为task11,完成车加工后将半成品从车床运输到钻床处的任务记为task12,完成四道工序后将成品从磨床运输到仓库的任务记为task15。
步骤(3)根据经验设置种群大小为50,最大迭代次数为1000,收敛阈值为150。使用MSOS方法编码染色体,用两条染色体子串分别指导工序的设备选择和工序加工顺序。设备选择串的长度和工序总数相同,上面依次记录了为各工序选择的执行设备编号,如第二个基因值为7代表工序O12由序号为7的设备来执行,该设备是一台钻床。工序顺序串的基因储存产品批次编号,在工序顺序串中从左到右第p次出现的产品编号n,表示当前基因记录工序Onp的优先级,在工序顺序串上排在左边的工序具有更高的优先级。如工序顺序串[3,1,3,2,2,1,…],代表优先级O31>O11>O32>O21>O22>O12>…,因此在O11,O21和O32使用同一台车床时,该车床先加工O11,再加工O32,最后加工O21。按照该规则随机生成一些个体,作为初始种群。
步骤(4)首先将染色体组翻译成具体的设备加工任务表。在设备选择串上可以根据编号查询到每个设备的加工任务,按照工序顺序串所规定的优先级,确定设备各自的加工顺序,依次递推出各工序开始加工和完成加工的时间点。对工序Onp,首先查找该工序的执行设备编号j和执行顺序,确定同设备上的紧前任务On′p′的完成时间tcn′p′。然后查找工序On(p-1)的完成时间tcn(p-1)和执行设备编号j′。工序Onp需要在设备j空闲,且On(p-1)加工完成后才能开始加工。同产品相邻工序之间需要插入代表运输过程的时间片,最终工序Onp开始加工的时间为tsnp=max{tcn′p′,tcn(p-1)+TDj′j},其中TDj′j是AGV从设备j′处行驶到设备j处所需的时间。工序Onp加工完成的时间为其中是设备j为一个产品n加工工序Onp所用时间,numn是批次内产品n的个数。完成递推后获得方案的执行时间,并计算出适应度。
步骤(5)首先根据精英保留策略,保留种群中适应度最高的个体。然后采用二元锦标赛选择算子,每次随机有放回地从种群中选择出两个个体,将其中适应度更高的个体复制到下一代种群,直到种群规模达到设定值。
步骤(6)中不同染色体子串采用不同的交叉和变异算子。设备选择串采用均匀交叉和单点变异,工序顺序串采用POX交叉和倒序变异。父代设备选择串P1和P2执行均匀交叉时,每个基因座上的对应基因按相同的概率决定是否交换。父代设备选择串P执行单点变异时,随机选择P上的一个基因座,若该基因座对应的工序存在多台可用设备,则将基因值修改为与当前值不同的可用设备序号。父代工序顺序串P1和P2执行POX交叉时,随机将产品集划分成两个非空且无交集的子集S1和S2,将P1中属于S1的产品对应的基因复制到O1相同位置,再将P2中属于S2的产品对应的基因依次填入O1的空位上;类似地,互换P1和P2的位置生成O2。父代工序顺序串P执行倒序变异时,随机选择P上的两个基因座,逆转这两个基因座之间所有基因的排列顺序,得到子染色体。染色体按照设定的概率随机决定是否执行交叉或者变异操作。
步骤(7)当种群最优适应度维持一定迭代次数不变时,认为算法已经收敛。将最优适应度连续不变的迭代次数设置为收敛性参数,以步骤(3)设置的收敛阈值作为判断是否收敛的标志。当种群迭代总次数达到最大值,或者收敛性参数达到收敛阈值时,停止迭代并输出最优个体,否则更新收敛性参数后返回步骤(4)。更新收敛性参数时,检查当前种群最优适应度和上一轮迭代的最优适应度是否相同,若不同则将收敛性参数置零,若相同则在上一轮的收敛性参数上加一。
步骤(8)根据经验设置种群大小为50,最大迭代次数为1000,收敛阈值为150。在获得最优设备排产方案后,保留最优方案对应的设备选择串和工序顺序串。同样使用MSOS编码规则,每次随机生成一对AGV选择串和运输顺序串。不同的是,由于运输任务包含了将原料运出仓库和将成品运回仓库,每种产品的运输任务都比其工序总数多一个。相应地,AGV选择串和运输顺序串的长度均为每个产品编号在运输顺序串中出现的次数为Pn+1。每生成一对AGV选择串和运输顺序串,检查它们能否和已知最优排产方案对应的设备选择串和工序顺序串构成一个可执行的排产调度计划,将可行的个体放入初始种群中,用于全局优化。因为加工顺序和运输顺序是分别指定的,但工序和运输任务之间以及二者内部都有先后顺序约束,随机生成的个体在递推时间节点时可能陷入无限递归。例如某方案中,在同一台车床上O11先于O21加工,但在同一台AGV上task11排在task22之后,此时O11需要等待task11完成、将原料运送到指定车床处才能开始加工,而task11需要等待task22完成后才能执行,task22运送O22所加工的物料也即刚完成O21加工的物料,而O21的加工需要等待O11,陷入无限递归,因此需要额外检查可用性。
步骤(9)与步骤(4)类似,按照MSOS编码规则逆向解码,确定每个工序的执行设备和优先级、每台设备的加工任务表、每个运输任务的执行AGV和优先级、每台AGV的运输任务表。对工序Onp,首先查找该工序的执行设备编号j和执行顺序,确定同设备上的紧前任务On′p′的完成时间tcn′p′,然后查找运输任务tasknp完成的时间tanp。工序Onp需要在设备j空闲,且Onp所要加工的物料抵达设备j处后才能开始加工,即工序Onp开始加工的时间为tsnp=max{tanp+TUnp,tcn′p′},其中TUnp是Onp所加工物料的卸载时间。工序Onp加工完成的时间为对运输任务tasknp,首先查找该任务的执行AGV编号v和执行顺序,确定同AGV上的紧前任务taskn′p′,然后依次查找工序Onp、On′p′和On(p-1)的执行设备编号j、j′和j″,确定AGV的工作路线:执行完taskn′p′并卸载物料后从设备j′处出发,行驶到设备j″处接收完成工序On(p-1)的物料,将其运输到设备j处准备执行Onp的加工。在AGV已抵达设备j″,且工序On(p-1)已完成后才能开始物料的装载,即tasknp开始运输的时间tdnp=max{tcn(p-1),tan′p′+TUn′p′+TDj′j″}+TLnp,其中tan′p′是taskn′p′执行完成的时间,TUn′p′是On′p′所加工物料的卸载时间,TDj′j″是AGV从设备j′处行驶到设备j″处所需的时间,TLnp是Onp所加工物料的装载时间。tasknp运输完成的时间tanp=tdnp+TDj″j,其中TDj″j是AGV从设备j″处行驶到设备j处所需的时间。完成具体的排产调度时间节点递推后,根据方案执行时间计算适应度。
步骤(10)同步骤(5),使用精英保留策略和二元锦标赛选择算子获得下一代种群。
步骤(11)只对AGV选择串和运输顺序串进行操作,AGV选择串采用均匀交叉和单点变异,运输顺序串采用POX交叉和倒序变异。染色体按照设定的概率随机决定是否执行交叉或者变异操作。操作完毕后进行方案检查,可以解码为可用方案的新个体直接放入下一代种群,若是不可用个体则舍弃,改为将父代中适应度更高的个体放入下一代种群。
步骤(12)同步骤(7),算法收敛或种群迭代总次数达到最大值时停止迭代并以甘特图的形式输出最优方案,如图2所示,否则更新收敛性参数并返回步骤(9)。
优化目标为最小化方案的执行时长,即从第一批原料运出仓库,直到最后一个成品入库的时间。经过反复实验,发现设种群规模为50,设备迭代收敛阈值和整体迭代收敛阈值分别为150和100时,可以在尽可能短的时间内得到高质量的优化结果。
本发明的方法与普通遗传算法的效果对比如表5所示。为控制变量,所有的迭代收敛阈值统一设置为150,重复实验30次以排除偶然性影响。
表5算法效果对比
与普通遗传算法相比:
(1)本发明方法对设备排产和运输调度两个问题分别优化,并在设备排产阶段提前为运输调度留出时间,使得分步局部优化取得不输于全局优化的效果。
(2)本发明方法能在更少的迭代次数内实现收敛,大大加快了计算速度,可以更快响应订单,提高了制造企业的运行效率。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (9)
1.一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,其特征在于,包括以下步骤:
步骤(1):获取订单信息、设备信息和AGV状态;订单信息包括订单编号、订单内产品的种类和数量、订单产品的工序种类和总数、每个工序可以使用的设备和在不同设备上的加工时间、不同状态的物料所需的装卸时间;根据订单划分产品批次,同一批次内的产品种类相同,以批次作为排产调度的基本单位;在获得所有批次产品的工艺路线后,确定工序和对应的运输任务并编号;设备信息包括设备种类、数量和位置坐标,并给每台设备唯一编号;AGV状态包括正常工作的AGV编号,以及根据AGV当前性能计算出的在不同设备之间的行驶时间;
步骤(2):根据需求设定优化目标,选择对应的遗传算法种群适应度函数;
步骤(3):设置种群大小、最大迭代次数和收敛阈值,初始化一个种群用于求解最优的设备排产方案;使用MSOS编码方法,每个个体由一条设备选择串和一条工序顺序串组成;使用遗传算法对种群进行迭代优化,具体操作包括解码计算适应度、选择操作、交叉操作和变异操作;特别地,在将染色体组解码为排产方案、递推各工序的起止时间时,同一产品的相邻工序之间需要插入时间片,长度为预估的运输时间;当停止迭代的条件满足,输出适应度最高的个体对应的染色体组;
步骤(4):设置种群大小、最大迭代次数和收敛阈值,重新初始化一个种群用于求解当前最优排产方案下最优的AGV调度方案;每个个体由四条染色体子串组成,包括设备选择串、工序顺序串、AGV选择串和运输顺序串,其中设备选择串和工序顺序串为步骤(3)输出的最优个体染色体组,AGV选择串和运输顺序串按照MSOS编码规则随机生成;使用遗传算法对种群进行迭代优化,但迭代过程中只对AGV选择串和运输顺序串执行交叉和变异操作;重复迭代直至停止条件满足,输出适应度最高的个体对应的排产调度方案。
3.根据权利要求1所述的方法,其特征在于,步骤(3)所述过程可具体表示如下:
步骤(3.1)设置种群大小、最大迭代次数和收敛阈值,初始化一个种群用于求解最优的设备排产方案,使用MSOS编码方法,每个个体由一条设备选择串和一条工序顺序串组成;
步骤(3.2)将种群中的染色体解码为具体的排产方案,计算每个个体的适应度;在将染色体组解码为排产方案、递推各工序的起止时间时,同一产品的相邻工序之间需要插入时间片,长度为预估在两工序执行设备之间运输所用时间;
步骤(3.3)根据精英保留策略,保留种群中适应度最高的个体;再对当前种群应用二元锦标赛选择算子,选出适应度更高的个体加入新一代种群;
步骤(3.4)按照设定的概率,随机对种群中的染色体进行交叉和变异操作,得到新的种群;
步骤(3.5)当种群迭代进化的总次数达到最大迭代次数,或者收敛性参数达到收敛阈值,结束迭代并输出适应度最高的个体;否则,更新收敛性参数,返回步骤(3.2)。
4.根据权利要求1所述的方法,其特征在于,步骤(4)所述过程可具体表示如下:
步骤(4.1)设置种群大小、最大迭代次数和收敛阈值,在已知最优设备排产方案的基础上初始化一个新的种群,用于获得当前排产方案下最优的AGV调度方案;所生成的每个个体由四条染色体子串组成,其中设备选择串和工序顺序串为最优设备排产方案对应的染色体组,AGV选择串和运输顺序串按照MSOS编码规则随机生成;
步骤(4.2)将种群中的染色体解码为具体的调度方案,计算每个个体的适应度;
步骤(4.3)根据精英保留策略,保留种群中适应度最高的个体;再对当前种群应用二元锦标赛选择算子,选出适应度更高的个体加入新一代种群;
步骤(4.4)按照设定的概率,随机对AGV选择串和运输顺序串进行交叉和变异操作,得到新的种群;
步骤(4.5)当种群迭代进化的总次数达到最大迭代次数,或者收敛性参数达到收敛阈值,结束迭代并输出适应度最高的个体解码得到的调度方案;否则,更新收敛性参数,返回步骤(4.2)。
5.根据权利要求3所述的方法,其特征在于,步骤(3.2)的解码过程中在各工序之间插入代表运输过程的时间片,具体过程如下:
按照MSOS编码规则将染色体逆向解码为具体的排产方案,确定每个工序的执行设备和优先级,以及每台设备的加工任务表,依次递推出各工序开始加工和完成加工的时间点;对工序Onp,首先查找该工序的执行设备编号j和执行顺序,确定设备j上排在Onp前一位加工的紧前任务On′p′及其完成时间tcn′p′,然后查找工序On(p-1)的完成时间tcn(p-1)和执行设备编号j′;工序Onp需要在设备j空闲,且On(p-1)加工完成后才能开始加工;同产品相邻工序之间需要插入代表运输过程的时间片,最终工序Onp开始加工的时间为tsnp=max{tcn′p′,tcn(p-1)+TDj′j},其中TDj′j是AGV从设备j′处行驶到设备j处所需的时间;工序Onp加工完成的时间为其中是设备j为一个产品n加工工序Onp所用时间,numn是批次内产品n的个数;完成递推后即可获得方案的执行时间,并计算出适应度。
6.根据权利要求3所述的方法,其特征在于,步骤(3.5)所述收敛性参数设置如下:由于精英保留策略影响,每一代种群最优适应度变化曲线是一个单调递增的分段常值函数图像,因此将过往最近跳变点距离当前种群迭代的次数作为收敛性参数,也即当前最优适应度已经维持不变的迭代次数;当种群收敛性参数达到收敛阈值时,认为算法已经收敛;更新收敛性参数时,检查当前种群最优适应度和上一轮迭代的最优适应度是否相同,若不同则将收敛性参数置零,若相同则在上一轮的收敛性参数上加一。
7.根据权利要求4所述的方法,其特征在于,步骤(4.1)在获得最优设备排产方案后,保留最优方案对应的设备选择串和工序顺序串;使用MSOS编码规则,每次随机生成一对AGV选择串和运输顺序串,检查这些个体能否和已知最优方案对应的设备选择串和工序顺序串构成一个可执行的排产调度计划,将可行的个体放入初始种群中进行全局优化;因为加工顺序和运输顺序是分别指定的,但工序和运输任务之间以及二者内部都有先后顺序约束,随机生成的个体在递推时间节点时可能陷入无限递归,因此需要额外检查可用性。
8.根据权利要求4所述的方法,其特征在于,步骤(4.2)在解码过程中考虑了设备加工和AGV运输对方案时间节点的影响,通过检查各工序和运输任务的前置条件来完成时间节点递推:
按照MSOS编码规则逆向解码,确定每个工序的执行设备和优先级、每台设备的加工任务表、每个运输任务的执行AGV和优先级、每台AGV的运输任务表;对工序Onp,首先查找该工序的执行设备编号j和执行顺序,确定设备j上排在Onp前一位的紧前任务On′p′及其完成时间tcn′p′;然后查找运输任务tasknp完成的时间tanp;工序Onp需要在设备j空闲,且Onp所要加工的物料抵达设备j处后才能开始加工,即工序Onp开始加工的时间为tsnp=max{tanp+TUnp,tcn′p′},其中TUnp是Onp所加工物料的卸载时间;工序Onp加工完成的时间为 对运输任务tasknp,首先查找该任务的执行AGV编号v和执行顺序,确定同AGV上的紧前任务taskn′p′,然后依次查找工序Onp、On′p,和On(p-1)的执行设备编号j、j′和j″,确定AGV的工作路线:执行完taskn′p′并卸载物料后从设备j′处出发,行驶到设备j″处接收完成工序On(p-1)的物料,将其运输到设备j处准备执行Onp的加工;在AGV已抵达设备j″,且工序On(p-1)已完成后才能开始物料的装载,即tasknp开始运输的时间tdnp=max{tcn(p-1),tan′p′+TUn′p′+TDj′j″}+TLnp,其中tan′p′是taskn′p′执行完成的时间,TUn′p′是On′p′所加工物料的卸载时间,TDj′j″是AGV从设备j′处行驶到设备j″处所需的时间,TLnp是Onp所加工物料的装载时间;tasknp运输完成的时间tanp=tdnp+TDj″j,其中TDj″j是AGV从设备j″处行驶到设备j处所需的时间;完成具体的排产调度时间节点递推后,根据方案执行时间计算适应度。
9.根据权利要求4所述的方法,其特征在于,步骤(4.4)只对AGV选择串和运输顺序串进行交叉和变异操作;染色体按照设定的概率随机决定是否执行交叉或者变异操作;操作完毕后进行检查,可以解码为可用方案的新个体直接放入下一代种群,若是不可用个体则舍弃,改为将父代中适应度更高的个体放入下一代种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210611119.7A CN114971317A (zh) | 2022-05-31 | 2022-05-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210611119.7A CN114971317A (zh) | 2022-05-31 | 2022-05-31 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971317A true CN114971317A (zh) | 2022-08-30 |
Family
ID=82958333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210611119.7A Pending CN114971317A (zh) | 2022-05-31 | 2022-05-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971317A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433138A (zh) * | 2023-06-13 | 2023-07-14 | 长沙争渡网络科技有限公司 | 一种基于遗传算法的物流平台信息推送方法及系统 |
CN116976231A (zh) * | 2023-09-25 | 2023-10-31 | 闽都创新实验室 | 一种基于遗传算法的平面地堆库agv理库作业优化方法 |
-
2022
- 2022-05-31 CN CN202210611119.7A patent/CN114971317A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433138A (zh) * | 2023-06-13 | 2023-07-14 | 长沙争渡网络科技有限公司 | 一种基于遗传算法的物流平台信息推送方法及系统 |
CN116433138B (zh) * | 2023-06-13 | 2023-09-22 | 长沙争渡网络科技有限公司 | 一种基于遗传算法的物流平台信息推送方法及系统 |
CN116976231A (zh) * | 2023-09-25 | 2023-10-31 | 闽都创新实验室 | 一种基于遗传算法的平面地堆库agv理库作业优化方法 |
CN116976231B (zh) * | 2023-09-25 | 2024-02-06 | 闽都创新实验室 | 一种基于遗传算法的平面地堆库agv理库作业优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN111222642B (zh) | 基于改进小生境遗传算法的多目标柔性作业车间调度方法 | |
CN112561194A (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
CN113822525B (zh) | 基于改进遗传算法的柔性作业车间多目标调度方法及系统 | |
CN113379087A (zh) | 一种基于改进遗传算法的生产制造排产优化方法 | |
CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程系统及方法 | |
CN116933939A (zh) | 基于改进浣熊优化算法的柔性车间协同生产方法及系统 | |
CN113705978B (zh) | 一种多机任务刀具静态与动态集成决策方法及系统 | |
CN113050644A (zh) | 基于迭代贪婪进化的agv调度方法 | |
CN116957177A (zh) | 一种柔性车间产线规划方法、系统、设备及介质 | |
CN116300756A (zh) | 带运输机器人柔性制造车间的双目标优化调度方法及系统 | |
CN115730799A (zh) | 一种柔性装配作业车间生产任务调度方法、系统及设备 | |
CN114707432A (zh) | 一种基于遗传算法的锻造工厂智能排产方法 | |
CN115392616A (zh) | 一种知识挖掘结合遗传算法的多目标离散车间调度方法 | |
CN113359646A (zh) | 一种基于多目标的分布式柔性作业车间调度方法 | |
CN113792494A (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 | |
CN113780871A (zh) | 一种多目标低碳柔性作业车间调度方法 | |
CN112926896A (zh) | 一种用于卷烟制丝生产的排产方法 | |
CN116596293B (zh) | 基于遗传算法的分布式全流程作业车间调度方法及终端 | |
CN112734286B (zh) | 一种基于多策略深度强化学习的车间调度方法 | |
CN117314078B (zh) | 基于Petri网和神经网络的柔性制造系统的无死锁调度方法 | |
CN117215275B (zh) | 一种基于遗传编程的柔性车间大规模动态双效调度方法 | |
CN111367247B (zh) | 自动化铸造混流生产线产能优化方法 | |
Wu et al. | Design and Application of Workshop Production Scheduling Strategy Based on Manufacturing Big Data | |
Sheng et al. | Research on Integrated Production Scheduling Optimization in Aerospace Manufacturing Workshop Based on Production Processes |
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 |