CN115018180B - 一种锡工艺品原料节能配送与加工的超启发式调度方法、系统 - Google Patents
一种锡工艺品原料节能配送与加工的超启发式调度方法、系统 Download PDFInfo
- Publication number
- CN115018180B CN115018180B CN202210723395.2A CN202210723395A CN115018180B CN 115018180 B CN115018180 B CN 115018180B CN 202210723395 A CN202210723395 A CN 202210723395A CN 115018180 B CN115018180 B CN 115018180B
- Authority
- CN
- China
- Prior art keywords
- tin
- factory
- sequence
- processing
- artwork
- 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.)
- Active
Links
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 title claims abstract description 299
- 238000000034 method Methods 0.000 title claims abstract description 189
- 238000012545 processing Methods 0.000 title claims abstract description 134
- 230000008569 process Effects 0.000 title claims abstract description 122
- 239000002994 raw material Substances 0.000 title claims abstract description 110
- 238000009826 distribution Methods 0.000 title claims abstract description 104
- 238000005265 energy consumption Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000003754 machining Methods 0.000 claims description 44
- 239000012634 fragment Substances 0.000 claims description 12
- 238000003780 insertion Methods 0.000 claims description 12
- 230000037431 insertion Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 8
- 239000000446 fuel Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 230000008901 benefit Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 102100030386 Granzyme A Human genes 0.000 description 3
- 101001009599 Homo sapiens Granzyme A Proteins 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007790 scraping Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06Q10/04—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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种锡工艺品原料节能配送与加工的超启发式调度方法、系统,方法包括:建立锡工艺品原料节能配送与加工问题模型,以最小化总成本与总能耗为优化目标;采用基于超启发式调度方法对优化目标进行迭代优化,获得最优调度方案。本发明将锡工艺品原料配送与加工过程明确为一类生产与运输集成调度问题;采用二维概率模型累积和学习优质信息,并对二维概率模型采用轮盘赌操作采样生成新高层策略域种群,进而动态控制低层个体执行包含多种邻域操作组合的分阶段邻域搜索,提高了得到近似最优非劣的准确性;能在较短时间内高效地获得锡工艺品原料节能配送与加工调度问题的优质调度方案。
Description
技术领域
本发明涉及一种锡工艺品原料节能配送与加工的超启发式调度方法、系统,属于生产与运输集成智能优化调度技术领域。
背景技术
近年来科学技术快速发展及文化艺术事业全面建设,推动了锡工艺品行业的不断发展,锡工艺品包含酒杯、酒壶、茶壶、花瓶等器皿类,这类产品既有装饰价值,也有实用价值,因此有着很大的发展潜力和需求。锡工艺品经过熔化、压片、裁料、造型、刮光、装接、擦亮、装饰雕刻等复杂工序,精心制作而成,是一种以高纯度锡为原料的金属制品,具有防腐蚀、耐磨损、不易碎的特点。随着我国经济的不断发展,锡工艺品的生产不应只由单一工厂来完成的,应根据约束条件分配到不同的工厂中生产,这样能够把多个企业或工厂的资源充分利用起来,实现资源的合理分配与优化,以最低的成本快速完成生产制造。随着能源与环境问题的日益突出,节能制造作为综合考虑环境影响和资源效益的可持续制造模式,对于应对气候变化、实现绿色发展至关重要。此外,要完成一件锡工艺品,需要从仓库将锡原料配送至工厂进行各步骤加工后产出锡工艺品。因此,对锡工艺品原料节能配送与加工过程进行调度优化有益于减少调度成本与能耗,从而提高经济效益与减少碳排放等。
在整个锡工艺品原料节能配送与加工过程中,在原料仓库有若干配送车辆,为各工厂配送所需的锡原料,各工厂需要尽早地将本次计划生产的锡工艺品生产出来。在此过程中涉及到车辆调用与配送,以及工厂对锡工艺品的生产。因此,合理规划车辆配送路径、不同工厂生产不同种类的锡工艺品以及工厂内生产锡工艺品的先后顺序,以及各工序阶段锡工艺品加工机器,从而节约成本与降低能耗,保证在较低的成本与能耗下加工完成计划生产的锡工艺品。
由于锡工艺品原料节能配送与加工过程中工厂内生产模式为混合flowshop调度(hybrid flowshop scheduling problem,HFSP),且HFSP已被证实为NP-hard问题,而HFSP归约为锡工艺品原料节能配送与加工调度问题,故锡工艺品原料节能配送与加工调度问题属于NP-hard 问题。由于节能锡工艺品原料节能配送与加工调度问题属于NP-hard问题,该问题的求解难度随着需要生产工艺品的种类与数量呈指数型增长。对于此类问题的求解,传统的启发式方法不能保证解的质量,运筹学方法和基于动态规划的近似算法均难以在较短时间内获得优质解,而智能优化算法通过结合自身搜索机制和高效邻域搜索,能够在合理的时间内给出较为满意的解。因此,设计智能优化算法求解锡工艺品原料节能配送与加工调度问题是有必要的。
发明内容
本发明提供了一种锡工艺品原料节能配送与加工的超启发式调度方法,以用于高效地获得锡工艺品原料节能配送与加工的超启发式调度方法的优良解。
本发明的技术方案是:一种锡工艺品原料节能配送与加工的超启发式调度方法,包括:建立锡工艺品原料节能配送与加工问题模型,以最小化总成本与总能耗为优化目标;采用基于超启发式调度方法对优化目标进行迭代优化,获得最优调度方案。
所述锡工艺品原料节能配送与加工问题模型,建立如下:
Ff,f′=(a0+a1×v)Pf,f′×Yf,f′,f,f′=0,…F
TE=η×AE+β×PE
f1=minTC
f2=minTE
其中,H为车辆总数,Q为车辆最大载重,q(πh(d))为锡工艺品的原料πh(d)的重量,πh(d) 为装入车辆h的第i个锡工艺品的原料,Nh为车辆h载入的锡工艺品的原料总个数;为车辆h到达路径点λh(1)的时间;λh(f)为车辆h的第f个路径点,/>为车辆h到达路径点λh(f)的时间,/>为路径点λh(f-1)到路径点λh(f)的距离,v为车辆行驶速度,Fh为车辆h行驶路径点总数,λh(1)与λh(Fh)值为0,即表示原料仓库;/>为工厂λh(f)加工的第i个锡工艺品,/>为第i个锡工艺品的原料到达工厂λh(f)的时间,πh∈{πh(1),…,πh(Nh)}为车辆h装载的对应锡工艺品原料集合,nf表示工厂f加工的锡工艺品的总数,F为加工工厂总数;η1,k(i)为1工序阶段机器k上加工的第i个锡工艺品,/>为锡工艺品η1,k(i)在j工序阶段k机器的开工时间,/>为锡工艺品η1,k(i)在1工序阶段k机器的完工时间,/>为锡工艺品η1,k(i)原料的到达时间,M1为1工序阶段机器总数,N1,k为1 工序阶段k机器上加工的锡工艺品总数;ηj,k(i)为j工序阶段机器k上加工的第i个锡工艺品,/>为锡工艺品ηj,k(i)在j工序阶段k机器的开工时间,/>为锡工艺品ηj,k(i)在j工序阶段k机器的完工时间,/>为锡工艺品ηj,k(i)在j-1工序阶段的完工时间,m为加工工序阶段总数,Mj为j工序阶段机器总数,Nj,k为j工序阶段k机器上加工的锡工艺品总数;/>为锡工艺品ηj,k(i)在j工序阶段的加工时间,Γ为所有机器加工时的档位;/>为锡工艺品ηj,k(i)在j工序阶段的完工时间;/>为工厂f的完工时间,/>为锡工艺品πf(i)在 m工序阶段的完工时间,πf(i)为工厂f加工的第i个锡工艺品;Cmax为锡工艺品最大完工时间;TC为总成本,α、β、η为各部分组成权重系数,hc为车辆调用成本;/>为决策变量,若车辆h从路径点f行驶至路径点f′,/>取值1,否则,/>取值0;Df,f'为路径点f到路径点f′的距离,tc为单位路径成本,pc为单位时间成本,路径点0表示原料仓库; Ff,f′为路径点f到路径点f′单位燃油行驶距离,Pf,f′为负载系数,Yf,f′为路径点f到路径点f′的坡度系数,a0、a1、b0、b1为油耗参数,Lf,f′为路径点f到路径点f′的载重量,Lv为车辆长期运营下的平均载重量;AE为配送阶段总能耗,e为油耗与能耗转换系数;PE为加工阶段总能耗,ψj,k(t)表示决策变量,当j工序阶段k机器在t时刻工作时,ψj,k(t)取值1,否则,取值0;γj,k为j工序阶段k机器加工时的单位能耗;Λj,k(t)表示决策变量,当t时刻j 工序阶段k机器处于待机状态,则Λj,k(t)取值1,否则,取值0;Ξj,k为j阶段k机器待机状态时的单位能耗;f1与f2为两个目标函数即最小化总成本与最小化总能耗;此外,锡工艺品一旦开始加工便不可中断,一台机器同一时刻只能加工一个锡工艺品,一个锡工艺品同一时刻只能在一台机器上加工,锡工艺品可在每工序阶段的任意一台机器上加工,各机器在同档位下具有相同的加工能耗和空闲能耗。
所述基于超启发式调度方法的步骤如下:
Step1、编解码;
Step2、针对低层问题域中个体的编码个体、车辆配送路径、锡工艺品分配序列中工厂加工序列、机器加工序列共设计了g种邻域操作作为低层启发式操作;
Step3、初始化种群:对初始二维概率模型采样形成高层策略域的初始种群,用随机规则生成低层问题域的种群;
Step4、更新概率模型:选取高层策略域种群中前bps个优质个体对二维概率模型进行更新;采用二维概率模型学习和累计优质个体信息,将优质个体中两个相邻的操作视为操作块;定义Pop(gen)为第gen代的高层策略域种群,种群大小为ps,PopB(gen)为Pop(gen)中的优质解,种群大小为bps,为PopB(gen)的第k个个体;长度为g, 为/>中位置s上的操作;为PopB(gen)中所有个体中操作序列中操作块[x,y]出现总次数;
Step5、高层策略域种群更新:依据二维概率模型,通过轮盘赌操作采样生成下一代高层策略域新种群;
Step6:评价种群个体;
Step7:终止条件:设定终止条件,如果满足则输出“最优调度方案”,否则重复Step3、 Step4、Step5、Step6直至满足终止条件。
所述编解码,包括:
对于高层策略域,编码时,种群中的每个个体O均由g种低层启发式操作LHH排列构成,个体长度为g;解码高层策略域个体时,对低层问题域中的解,依次执行高层策略域个体中的低层启发式操作,每执行完一次启发式操作,就将得到的新解与旧解进行对比,若新解支配旧解,则用新解替换旧解,否则,保留旧解,然后继续执行剩余低层启发式操作,并判断低层个体是否改善,若改善,则接受新解;
对于低层问题域,编码时,每个个体就是问题的一个解;编码个体由各锡工艺品按一定顺序排列而成,在加工阶段按照锡工艺品排列顺序将第i个锡工艺品原料分配至对应工厂f,获得锡工艺品分配序列;依据锡工艺品分配序列确定各工厂f中锡工艺品加工顺序为锡工艺品加工优先级;在装载阶段,依据同工厂锡工艺品原料优先装载的策略对锡工艺品原料进行装载,获得锡工艺品原料的装载序列;依据锡工艺品分配序列、锡工艺品原料的装载序列,获得锡工艺品工厂分配序列;依据锡工艺品原料的装载序列、锡工艺品工厂分配序列、锡工艺品加工优先级,获得解码矩阵;
依据解码矩阵中各车辆内所装载锡工艺品原料先后顺序与锡工艺品所属工厂信息,确定车辆配送路径;
在加工阶段锡工艺品均选择每个工序阶段第一个机器进行加工,获得初始机器加工序列。
在加工阶段按照锡工艺品排列顺序采用分配公式将第i个锡工艺品原料分配至对应工厂 f,分配公式如下:
f=i mod F
式中:F为加工工厂总数。
所述低层启发式操作采用15种,包括:
第1种低层启发式操作LLH1:编码个体中锡工艺品交换操作;从编码个体中选择两个锡工艺品进行位置交换;
第2种低层启发式操作LLH2:编码个体中锡工艺品插入操作;先随机选择编码个体的一个锡工艺品,再随机选择另一个锡工艺品,然后将前者插入后者的前方;
第3种低层启发式操作LLH3:编码个体中锡工艺品序列片段插入操作;随机从编码个体中选取一序列片段,将其插入剩余任一锡工艺品前方;
第4种低层启发式操作LLH4:编码个体中锡工艺品序列学习优秀序列操作;从编码个体中截取一段序列,依据优质解中同样位置的序列片段进行学习;
第5种低层启发式操作LLH5:车辆配送路径交换操作;从车辆配送路径中随机选择两个工厂点进行位置交换;
第6种低层启发式操作LLH6:车辆配送路径插入操作;先随机选择配送路径中的一个工厂点,再从行驶路径中随机选择另一个工厂点,然后将前者插入后者的前方;
第7种低层启发式操作LLH7:车辆配送路径相邻工厂点插入操作;从配送路径中随机选择一个工厂点,将所选工厂点分别插入其左右相邻位置;
第8种低层启发式操作LLH8:车辆配送路径片段插入操作;从配送路径中随机选择一段行驶工厂点,将其随机插入其余位置;
第9种低层启发式操作LLH9:工厂加工序列锡工艺品交换操作;选择完工时间最大的工厂,从工厂加工序列中随机选择两个锡工艺品进行位置交换;
第10种低层启发式操作LLH10:工厂加工序列锡工艺品插入操作;选择完工时间最大的工厂,从工厂加工序列选择一个锡工艺品,再随机选择一个锡工艺品,然后将前者插入后者的前方;
第11种低层启发式操作LLH11:工厂加工序列相邻锡工艺品插入操作;选择完工时间最大的工厂,从工厂加工序列选择一个锡工艺品,将所选锡工艺品分别插入其左右相邻位置;
第12种低层启发式操作LLH12:工厂加工序列片段逆序插入操作;选择完工时间最大的工厂,从工厂加工序列随机选择一个序列片段进行逆序,并将其随机插入其余位置;
第13种低层启发式操作LLH13:机器加工序列之间的交换操作;随机从一个机器加工序列中选择任一锡工艺品,再选择同工厂同工序阶段其它机器加工序列加工的任一锡工艺品,将两者位置交换;
第14种低层启发式操作LLH14:机器加工序列之间的插入换操作;随机从一个机器加工序列中选择任一锡工艺品,再选择同工厂同工序阶段其它机器序列加工的任一锡工艺品,将前者插入后者前方;
第15种低层启发式操作LLH15:机器加工序列片段插入操作;选择任一机器加工序列片段,将其插入剩余任一位置前方。
所述轮盘赌操作,包括:
步骤1:令k=1;
步骤2:令s=1;
步骤3:若s≤g1,则操作编号op∈{1,…,g1};若g1<s≤g2,则操作编号op∈{g1+1,…,g2};若g2<s≤g3,则操作编号op∈{g2+1,…,g3};若g3<s≤g,则操作编号op∈{g3+1,…,g};生成随机数r,r∈[0,1],若则Ogen,k(s)=LLHop,s=s+1;其中,/>表示将二维概率模型每一行进行归一化并进行概率累积,得到的基于二维概率模型的归一化矩阵;
步骤4:若s≤g,则执行步骤3;否则输出Ogen,k,令k=k+1且执行步骤5;其中, Ogen,k=[Ogen,k(1),Ogen,k(2),…,Ogen,k(s),…,Ogen,k(g)]为二维概率模型采样生成的第k个种群个体;
步骤5:若k≤ps,执行步骤2,否则输出Pop(gen)。
根据本发明实施例的另一方面,还提供了一种锡工艺品原料节能配送与加工的超启发式调度系统,包括:建立模块,用于建立锡工艺品原料节能配送与加工问题模型,以最小化总成本与总能耗为优化目标;获得模块,用于采用基于超启发式调度方法对优化目标进行迭代优化,获得最优调度方案。
根据本发明实施例的另一方面,还提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的锡工艺品原料节能配送与加工的超启发式调度方法。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的锡工艺品原料节能配送与加工的超启发式调度方法。
本发明的有益效果是:
1、本发明提出了一种用于锡工艺品原料配送与加工过程的调度模型和优化目标;将锡工艺品原料配送与加工过程明确为一类生产与运输集成调度问题,相比较传统流水车间调度问题,有益于资源的合理使用与分配,以及整个生产过程的快速响应,将该调度方法运用到锡工艺品原料配送与加工的过程中,可提高生产效率和减少整个过程产生的成本与能耗。
2、结合问题各阶段特性,采用各阶段成本均衡策略设计新颖的编解码方案,对以加工阶段的锡工艺品为基本单位的低层问题域中编码个体进行分阶段解码,一定程度上实现各阶段间的局部解耦,以缩小锡工艺品原料配送与加工调度问题的搜索解空间。
3、通过基于超启发式算法的优化调度方法对优化目标进行优化。采用二维概率模型累积和学习优质信息,并对二维概率模型采用轮盘赌操作采样生成新高层策略域种群,进而动态控制低层个体执行包含多种邻域操作组合的分阶段邻域搜索,使得算法可在到达多种邻域结构共同的局部最优非劣解前一直持续进行搜索,提高了得到近似最优非劣的准确性。
4、在较短时间内高效地获得锡工艺品原料节能配送与加工调度问题的优质调度方案,即车辆锡原料装载情况、车辆配送路径、锡工艺品分配序列中工厂加工序列以及各工序阶段锡工艺品机器加工序列,以降低整过程产生的成本与能耗,从而提高经济收益与降低碳排放等。
附图说明
图1为本发明的整体流程图;
图2为本发明中关于超启发式调度方法的框图;
图3为本发明的低层问题域中个体编解码过程示意图;
图4为本发明的锡工艺品原料节能配送与加工调度问题示意图;
图5为本发明的配送阶段车辆配送路径示意图;
图6为本发明的加工阶段工厂内锡工艺品加工过程示意图。
具体实施方式
下面结合附图和实施例,对发明做进一步的说明,但本发明的内容并不限于所述范围。
实施例1:如图1-6所示,一种锡工艺品原料节能配送与加工的超启发式调度方法,包括:建立锡工艺品原料节能配送与加工问题模型,以同时最小化总成本与总能耗为优化目标;采用基于超启发式调度方法对优化目标进行迭代优化,获得最优调度方案。
可选地,所述锡工艺品原料节能配送与加工问题模型,建立如下:
Ff,f′=(a0+a1×v)Pf,f′×Yf,f′,f,f′=0,…F (12)
TE=η×AE+β×PE (16)
f1=minTC (17)
f2=minTE (18)
其中,H为车辆总数,Q为车辆最大载重(每辆车的最大载重一样),q(πh(d))为锡工艺品的原料πh(d)的重量,πh(d)为装入车辆h的第i个锡工艺品的原料,Nh为车辆h载入的锡工艺品的原料总个数;为车辆h到达路径点λh(1)的时间;λh(f)为车辆h的第f个路径点(即车辆h到达的第f个工厂,路径点包括原料仓库和工厂),/>为车辆h到达路径点λh(f)的时间,/>为路径点λh(f-1)到路径点λh(f)的距离,v为车辆行驶速度,Fh为车辆h行驶路径点总数,λh(1)与λh(Fh)值为0,即表示原料仓库;/>为工厂λh(f)加工的第i个锡工艺品,/>为第i个锡工艺品的原料到达工厂λh(f)的时间,πh∈{πh(1),…,πh(Nh)} 为车辆h装载的对应锡工艺品原料集合,nf表示工厂f加工的锡工艺品的总数,F为加工工厂总数;η1,k(i)为1工序阶段机器k上加工的第i个锡工艺品,/>为锡工艺品η1,k(i)在j工序阶段k机器的开工时间,/>为锡工艺品η1,k(i)在1工序阶段k机器的完工时间,为锡工艺品η1,k(i)原料的到达时间,M1为1工序阶段机器总数,N1,k为1工序阶段k机器上加工的锡工艺品总数;ηj,k(i)为j工序阶段机器k上加工的第i个锡工艺品,/>为锡工艺品ηj,k(i) 在j工序阶段k机器的开工时间,/>为锡工艺品ηj,k(i)在j工序阶段k机器的完工时间,/>为锡工艺品ηj,k(i)在j-1工序阶段的完工时间,m为加工工序阶段总数,Mj为j工序阶段机器总数,Nj,k为j工序阶段k机器上加工的锡工艺品总数;/>为锡工艺品ηj,k(i) 在j工序阶段的加工时间,Γ为所有机器加工时的档位;/>为锡工艺品ηj,k(i)在j工序阶段的完工时间;/>为工厂f的完工时间,/>为锡工艺品πf(i)在m工序阶段的完工时间,πf(i)为工厂f加工的第i个锡工艺品;Cmax为锡工艺品最大完工时间;TC为总成本,α、β、η为各部分组成权重系数,hc为车辆调用成本;/>为决策变量,若车辆h从路径点f行驶至路径点f′,/>取值1,否则,/>取值0;Df,f'为路径点f到路径点f′的距离,tc为单位路径成本,pc为单位时间成本,路径点0表示原料仓库;Ff,f′为路径点f到路径点f′单位燃油行驶距离,Pf,f′为负载系数,Yf,f′为路径点f到路径点f′的坡度系数,a0、a1、b0、 b1为油耗参数,Lf,f′为路径点f到路径点f′的载重量,Lv为车辆长期运营下的平均载重量; AE为配送阶段总能耗,e为油耗与能耗转换系数;PE为加工阶段总能耗,ψj,k(t)表示决策变量,当j工序阶段k机器在t时刻工作时,ψj,k(t)取值1,否则,取值0;γj,k为j工序阶段 k机器加工时的单位能耗;Λj,k(t)表示决策变量,当t时刻j工序阶段k机器处于待机状态,则Λj,k(t)取值1,否则,取值0;Ξj,k为j阶段k机器待机状态时的单位能耗;f1与f2为两个目标函数即最小化总成本与最小化总能耗;此外,锡工艺品一旦开始加工便不可中断,一台机器同一时刻只能加工一个锡工艺品,一个锡工艺品同一时刻只能在一台机器上加工,锡工艺品可在每工序阶段的任意一台机器上加工,各机器在同档位下具有相同的加工能耗和空闲能耗。
可选地,所述基于超启发式调度方法的步骤如下:
Step1、编解码;
Step2、针对低层问题域中个体的编码个体、车辆配送路径、锡工艺品分配序列中工厂加工序列、机器加工序列共设计了g种邻域操作作为低层启发式操作;
Step3、初始化种群:对初始二维概率模型采样形成高层策略域的初始种群,用随机规则生成低层问题域的种群;
Step4、更新概率模型:选取高层策略域种群中前bps个优质个体对二维概率模型进行更新;采用如式(19)所示的二维概率模型学习和累计优质个体信息,将优质个体中两个相邻的操作视为操作块;定义Pop(gen)为第gen代的高层策略域种群,种群大小为ps, PopB(gen)为Pop(gen)中的优质解,种群大小为bps,为PopB(gen)的第k个个体;长度为g,为/>中位置s上的操作;为PopB(gen)中所有个体中操作序列中操作块[x,y]出现总次数,计算过程如式(20) 所示,二维概率模型的初始化如式(21)所示,gen代二维概率模型的更新式(22)所示,其中γ为二维概率模型的学习率;
Step5、高层策略域种群更新:依据二维概率模型,通过轮盘赌操作采样生成下一代高层策略域新种群;令Ogen,k=[Ogen,k(1),Ogen,k(2),…,Ogen,k(s),…,Ogen,k(g)]为二维概率模型采样生成的第k个种群个体,由于块结构[Ogen,k(s-1),Ogen,k(s)]被选中的概率存储在二维概率模型中,故/>中/>依据二维概率模型/>进行采样;
Step6:评价种群个体:基于决策变量的值,采用式(11)与公式(16)计算结果,然后对对应低层问题域中个体的支配关系进行判断,并计算出对应的支配等级与拥挤距离;根据拥挤距离对低层问题域种群个体进行排序,然后将低层个体排列后序号作为其与对应高层策略域种群个体的评价值;根据支配等级,对新旧解进行判断;
Step7:终止条件:设定终止条件为最大迭代次数gmax,如果满足则输出“最优调度方案”,否则重复Step3、Step4、Step5、Step6直至满足终止条件。
推荐所述种群规模设置范围为ps∈[15,30],优质个体数量bps=6,概率模型学习率γ∈[0.4,0.6]。
可选地,所述编解码,包括:
对于高层策略域,编码时,种群中的每个个体O均由g种低层启发式操作LHH排列构成,个体长度为g;解码高层策略域个体时,对低层问题域中的解,依次执行高层策略域个体中的低层启发式操作,每执行完一次启发式操作,就将得到的新解与旧解进行对比,若新解支配旧解,则用新解替换旧解,否则,保留旧解,然后继续执行剩余低层启发式操作,并判断低层个体是否改善,若改善,则接受新解;高层策略域个体的评价值即为其对应更新的低层问题域个体的评价值;
对于低层问题域,编码时,每个个体就是问题的一个解;编码个体由各锡工艺品按一定顺序排列而成,在加工阶段按照锡工艺品排列顺序采用公式(23)将第i个锡工艺品原料分配至对应工厂f,获得锡工艺品分配序列;依据锡工艺品分配序列确定各工厂f中锡工艺品加工顺序为锡工艺品加工优先级;在装载阶段,依据同工厂锡工艺品原料优先装载的策略对锡工艺品原料进行装载,获得锡工艺品原料的装载序列(即以图3所示可以理解为:如果工厂的装载顺序为工厂1、工厂2、工厂3、工厂4;则对于同属工厂1的锡工艺品1、5、9全部装载完,而后才对其它下一工厂进行装载);依据锡工艺品分配序列、锡工艺品原料的装载序列,获得锡工艺品工厂分配序列;依据锡工艺品原料的装载序列、锡工艺品工厂分配序列、锡工艺品加工优先级,获得解码矩阵;
依据解码矩阵中各车辆内所装载锡工艺品原料先后顺序与锡工艺品所属工厂信息,确定车辆配送路径;
在加工阶段锡工艺品均选择每个工序阶段第一个机器进行加工,获得初始机器加工序列。
可选地,所述在加工阶段按照锡工艺品排列顺序采用公式(23)将第i个锡工艺品原料分配至对应工厂f,获得初始锡工艺品分配序列:
f=i mod F (23)
如果锡工艺品排列顺序为π=[1,2,3,4,5,6,7,8,9,10],工厂总数F=4,则对于第1个锡工艺品原料分配至对应工厂1(即f=1mod4=1)。
低层个体编解码过程示意图如图3所示,以工厂总数F=4,锡工艺品总数n=10,编码个体π=[1,2,3,4,5,6,7,8,9,10]为例,其中,解码矩阵第1行由各车辆锡工艺品原料的装载序列组成,相邻两车辆运载锡工艺品原料间用数字0隔开。解码矩阵第2行与第3行分别为锡工艺品工厂分配序列与锡工艺品加工优先级,同时,结合第一行即可获得各工厂加工序列。此外,依据解码矩阵中各车辆内所装载锡工艺品原料先后顺序与锡工艺品原料所属工厂相关信息,可确定车辆配送路径,由图可知,车辆1的锡工艺品原料的装载序列为π1={1,5},车辆2的锡工艺品原料的装载序列为π2={9,2,6},车辆3的锡工艺品原料的装载序列为π2={10,3,7,4,8};车辆1的配送路径为λ1={0,1,0},车辆2的配送路径为λ2={0,1,2,0},车辆3的配送路径为λ2={0,2,3,4,0};依据锡工艺品分配序列,获得工厂1的加工序列为π1={1,5,9},工厂2的加工序列为π2={2,6,10},工厂3的加工序列为π3={3,7},工厂4的加工序列为π4={4,8}。
可选地,所述低层启发式操作采用15种,包括:
第1种低层启发式操作LLH1:编码个体中锡工艺品交换操作;从编码个体中选择两个锡工艺品进行位置交换;
第2种低层启发式操作LLH2:编码个体中锡工艺品插入操作;先随机选择编码个体的一个锡工艺品,再随机选择另一个锡工艺品,然后将前者插入后者的前方;以编码个体π=[1,2,3,4,5,6,7,8,9,10]为例,先随机选择编码个体的一个锡工艺品1,再随机选择另一个锡工艺品3,然后将前者插入后者的前方,获得更新后的编码个体为π=[2,1,3,4,5,6,7,8,9,10];
第3种低层启发式操作LLH3:编码个体中锡工艺品序列片段插入操作;随机从编码个体中选取一序列片段,将其插入剩余任一锡工艺品前方;以编码个体π=[1,2,3,4,5,6,7,8,9,10] 为例,先随机选择某一连续序列片段4,5,6,将4,5,6插入[1,2,3,7,8,9,10]中随机选择的任一锡工艺品2的前方,获得更新后的编码个体为π=[1,4,5,6,2,3,7,8,9,10];
第4种低层启发式操作LLH4:编码个体中锡工艺品序列学习优秀序列操作;从编码个体中截取一段序列,依据优质解中同样位置的序列片段进行学习;
以编码个体π=[1,2,3,4,5,6,7,8,9,10],优质解为π1=[1,4,5,6,2,3,7,8,9,10];从编码个体中截取一段连续序列5,6,7,将5,6,7替换为优质解中同样位置的序列片段2,3,7,获得更新后的编码个体为π=[1,4,5,6,2,3,7,8,9,10]。
以编码个体π=[1,2,4,5,3,6,10,8,9,7],优质解为π1=[1,4,5,6,2,3,7,8,9,10];从编码个体中截取一段连续序列4,5,3,将4,5,3替换为优质解中同样位置的序列片段5,6,2,获得更新后的编码个体为π=[1,4,5,6,2,3,10,8,9,7]。
第5种低层启发式操作LLH5:车辆配送路径交换操作;从车辆配送路径中随机选择两个工厂点进行位置交换;
第6种低层启发式操作LLH6:车辆配送路径插入操作;先随机选择配送路径中的一个工厂点,再从行驶路径中随机选择另一个工厂点,然后将前者插入后者的前方;
第7种低层启发式操作LLH7:车辆配送路径相邻工厂点插入操作;从配送路径中随机选择一个工厂点,将所选工厂点分别插入其左右相邻位置;如果随机选择的工厂点左右均有工厂点,则可以将选择的工厂点插入其左侧的前方,或者插入右侧的后方;如果随机选择的工厂点左侧为原料仓库,则将其插入右侧的工厂点后方;如果随机选择的工厂点右侧为原料仓库,则将其插入左侧的工厂点前方;否则,跳过操作。车辆的配送路径从开始至结束,左侧/前方指的靠近开始点一侧,右侧/后方为靠近结束点一侧。
以车辆的配送路径为λ2={0,2,3,4,0}为例,选择的工厂点为2,则将2插入3后方,路径为λ2={0,3,2,4,0};以车辆的配送路径为λ2={0,2,3,4,0}为例,如果随机选择的工厂点为4,则将4插入3的前方,路径变为λ2={0,2,4,3,0};
第8种低层启发式操作LLH8:车辆配送路径片段插入操作;从配送路径中随机选择一段行驶工厂点,将其随机插入其余位置;类似第3种低层启发式操作;
第9种低层启发式操作LLH9:工厂加工序列锡工艺品交换操作;选择完工时间最大的工厂,从工厂加工序列中随机选择两个锡工艺品进行位置交换;
第10种低层启发式操作LLH10:工厂加工序列锡工艺品插入操作;选择完工时间最大的工厂,从工厂加工序列选择一个锡工艺品,再随机选择一个锡工艺品,然后将前者插入后者的前方;
第11种低层启发式操作LLH11:工厂加工序列相邻锡工艺品插入操作;选择完工时间最大的工厂,从工厂加工序列选择一个锡工艺品,将所选锡工艺品分别插入其左右相邻位置;类似第7种低层启发式操作;
第12种低层启发式操作LLH12:工厂加工序列片段逆序插入操作;选择完工时间最大的工厂,从工厂加工序列随机选择一个序列片段进行逆序,并将其随机插入其余位置;以工厂 2的加工序列为π2={2,6,10}为例,随机选择一个连续序列片段2,6;将其进行逆序6,2;将6,2 插入可以插入10的前方或者后方,如果为前方,则序列为π2={6,2,10};
第13种低层启发式操作LLH13:机器加工序列之间的交换操作;随机从一个机器加工序列中选择任一锡工艺品,再选择同工厂同工序阶段其它机器加工序列加工的任一锡工艺品,将两者位置交换;
以工厂1中第1工序阶段机器1加工序列为1,2,3为例,选择机器1加工序列中的锡工艺品2;可以选择同工厂同工序阶段其它机器加工序列,如选择工厂1中第1工序阶段机器2 加工序列为空,交换后,则工厂1中第1工序阶段机器1加工序列为1,3;工厂1中第1工序阶段机器2加工序列为2。同理,以工厂1中第1工序阶段机器1加工序列为1,2,3为例,选择机器1加工序列中的锡工艺品3;可以选择同工厂同工序阶段其它机器加工序列,如选择工厂1中第1工序阶段机器2加工序列为4,5,选择锡工艺品4,交换后,则工厂1中第1工序阶段机器1加工序列为1,2,4;工厂1中第1工序阶段机器2加工序列为3,5。
第14种低层启发式操作LLH14:机器加工序列之间的插入换操作;随机从一个机器加工序列中选择任一锡工艺品,再选择同工厂同工序阶段其它机器序列加工的任一锡工艺品,将前者插入后者前方;
以工厂1中第1工序阶段机器1加工序列为1,2,3为例,选择机器1加工序列中的锡工艺品1;可以选择同工厂同工序阶段其它机器加工序列,如选择工厂1中第1工序阶段机器2 加工序列为4,5,选择锡工艺品5,将前者插入后者前方后,则工厂1中第1工序阶段机器1加工序列为2,3;工厂1中第1工序阶段机器2加工序列为4,1,5。
第15种低层启发式操作LLH15:机器加工序列片段插入操作;选择任一机器加工序列片段,将其插入剩余任一位置前方;类似第3种低层启发式操作。
可选地,所述轮盘赌操作,包括:
步骤1:令k=1;
步骤2:令s=1;
步骤3:若s≤g1,则操作编号op∈{1,…,g1};若g1<s≤g2,则操作编号op∈{g1+1,…,g2};若g2<s≤g3,则操作编号op∈{g2+1,…,g3};若g3<s≤g,则操作编号op∈{g3+1,…,g};生成随机数r,r∈[0,1],若则Ogen,k(s)=LLHop,s=s+1;其中,/>表示将二维概率模型每一行进行归一化并进行概率累积,得到的基于二维概率模型的归一化矩阵;
步骤4:若s≤g,则执行步骤3;否则输出Ogen,k,令k=k+1且执行步骤5;
步骤5:若k≤ps,执行步骤2,否则输出Pop(gen)。
其中,g、g1、g2、g3均为常数,值可以分别为15、4、8、12;通过采用上述的轮盘赌操作,在一定程度上保证种群的多样性。
实施例2:一种锡工艺品原料节能配送与加工的超启发式调度系统,包括:建立模块,用于建立锡工艺品原料节能配送与加工问题模型,以最小化总成本与总能耗为优化目标;获得模块,用于采用基于超启发式调度方法对优化目标进行迭代优化,获得最优调度方案。
实施例3:一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的锡工艺品原料节能配送与加工的超启发式调度方法。
实施例4:一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的锡工艺品原料节能配送与加工的超启发式调度方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (8)
1.一种锡工艺品原料节能配送与加工的超启发式调度方法,其特征在于:包括:
建立锡工艺品原料节能配送与加工问题模型,以最小化总成本与总能耗为优化目标;
采用基于超启发式调度方法对优化目标进行迭代优化,获得最优调度方案;
所述锡工艺品原料节能配送与加工问题模型,建立如下:
Ff,f′=(a0+a1×v)Pf,f′×Yf,f′,f,f′=0,…F
TE=η×AE+β×PE
f1=minTC
f2=minTE
其中,H为车辆总数,Q为车辆最大载重,q(πh(d))为锡工艺品的原料πh(d)的重量,πh(d)为装入车辆h的第i个锡工艺品的原料,Nh为车辆h载入的锡工艺品的原料总个数;为车辆h到达路径点λh(1)的时间;λh(f)为车辆h的第f个路径点,/>为车辆h到达路径点λh(f)的时间,/>为路径点λh(f-1)到路径点λh(f)的距离,v为车辆行驶速度,Fh为车辆h行驶路径点总数,λh(1)与λh(Fh)值为0,即表示原料仓库;/>为工厂λh(f)加工的第i个锡工艺品,/>为第i个锡工艺品的原料到达工厂λh(f)的时间,πh∈{πh(1),…,πh(Nh)}为车辆h装载的对应锡工艺品原料集合,nf表示工厂f加工的锡工艺品的总数,F为加工工厂总数;η1,k(i)为1工序阶段机器k上加工的第i个锡工艺品,/>为锡工艺品η1,k(i)在j工序阶段k机器的开工时间,/>为锡工艺品η1,k(i)在1工序阶段k机器的完工时间,/>为锡工艺品η1,k(i)原料的到达时间,M1为1工序阶段机器总数,N1,k为1工序阶段k机器上加工的锡工艺品总数;ηj,k(i)为j工序阶段机器k上加工的第i个锡工艺品,/>为锡工艺品ηj,k(i)在j工序阶段k机器的开工时间,/>为锡工艺品ηj,k(i)在j工序阶段k机器的完工时间,/>为锡工艺品ηj,k(i)在j-1工序阶段的完工时间,m为加工工序阶段总数,Mj为j工序阶段机器总数,Nj,k为j工序阶段k机器上加工的锡工艺品总数;/>为锡工艺品ηj,k(i)在j工序阶段的加工时间,Γ为所有机器加工时的档位;/>为锡工艺品ηj,k(i)在j工序阶段的完工时间;/>为工厂f的完工时间,/>为锡工艺品πf(i)在m工序阶段的完工时间,πf(i)为工厂f加工的第i个锡工艺品;Cmax为锡工艺品最大完工时间;TC为总成本,α、β、η为各部分组成权重系数,hc为车辆调用成本;/>为决策变量,若车辆h从路径点f行驶至路径点f′,/>取值1,否则,/>取值0;Df,f'为路径点f到路径点f′的距离,tc为单位路径成本,pc为单位时间成本,路径点0表示原料仓库;Ff,f′为路径点f到路径点f′单位燃油行驶距离,Pf,f′为负载系数,Yf,f′为路径点f到路径点f′的坡度系数,a0、a1、b0、b1为油耗参数,Lf,f′为路径点f到路径点f′的载重量,Lv为车辆长期运营下的平均载重量;AE为配送阶段总能耗,e为油耗与能耗转换系数;PE为加工阶段总能耗,ψj,k(t)表示决策变量,当j工序阶段k机器在t时刻工作时,ψj,k(t)取值1,否则,取值0;Υj,k为j工序阶段k机器加工时的单位能耗;Λj,k(t)表示决策变量,当t时刻j工序阶段k机器处于待机状态,则Λj,k(t)取值1,否则,取值0;Ξj,k为j阶段k机器待机状态时的单位能耗;f1与f2为两个目标函数即最小化总成本与最小化总能耗;此外,锡工艺品一旦开始加工便不可中断,一台机器同一时刻只能加工一个锡工艺品,一个锡工艺品同一时刻只能在一台机器上加工,锡工艺品可在每工序阶段的任意一台机器上加工,各机器在同档位下具有相同的加工能耗和空闲能耗;
所述基于超启发式调度方法的步骤如下:
Step1、编解码;
Step2、针对低层问题域中个体的编码个体、车辆配送路径、锡工艺品分配序列中工厂加工序列、机器加工序列共设计了g种邻域操作作为低层启发式操作;
Step3、初始化种群:对初始二维概率模型采样形成高层策略域的初始种群,用随机规则生成低层问题域的种群;
Step4、更新概率模型:选取高层策略域种群中前bps个优质个体对二维概率模型进行更新;采用二维概率模型学习和累计优质个体信息,将优质个体中两个相邻的操作视为操作块;定义Pop(gen)为第gen代的高层策略域种群,种群大小为ps,PopB(gen)为Pop(gen)中的优质解,种群大小为bps,/> 为PopB(gen)的第k个个体;长度为g,/> 为/>中位置s上的操作;/>为PopB(gen)中所有个体中操作序列中操作块[x,y]出现总次数;
Step5、高层策略域种群更新:依据二维概率模型,通过轮盘赌操作采样生成下一代高层策略域新种群;
Step6:评价种群个体;
Step7:终止条件:设定终止条件,如果满足则输出“最优调度方案”,否则重复Step3、Step4、Step5、Step6直至满足终止条件。
2.根据权利要求1所述的锡工艺品原料节能配送与加工的超启发式调度方法,其特征在于:所述编解码,包括:
对于高层策略域,编码时,种群中的每个个体O均由g种低层启发式操作LHH排列构成,个体长度为g;解码高层策略域个体时,对低层问题域中的解,依次执行高层策略域个体中的低层启发式操作,每执行完一次启发式操作,就将得到的新解与旧解进行对比,若新解支配旧解,则用新解替换旧解,否则,保留旧解,然后继续执行剩余低层启发式操作,并判断低层个体是否改善,若改善,则接受新解;
对于低层问题域,编码时,每个个体就是问题的一个解;编码个体由各锡工艺品按一定顺序排列而成,在加工阶段按照锡工艺品排列顺序将第i个锡工艺品原料分配至对应工厂f,获得锡工艺品分配序列;依据锡工艺品分配序列确定各工厂f中锡工艺品加工顺序为锡工艺品加工优先级;在装载阶段,依据同工厂锡工艺品原料优先装载的策略对锡工艺品原料进行装载,获得锡工艺品原料的装载序列;依据锡工艺品分配序列、锡工艺品原料的装载序列,获得锡工艺品工厂分配序列;依据锡工艺品原料的装载序列、锡工艺品工厂分配序列、锡工艺品加工优先级,获得解码矩阵;
依据解码矩阵中各车辆内所装载锡工艺品原料先后顺序与锡工艺品所属工厂信息,确定车辆配送路径;
在加工阶段锡工艺品均选择每个工序阶段第一个机器进行加工,获得初始机器加工序列。
3.根据权利要求2所述的锡工艺品原料节能配送与加工的超启发式调度方法,其特征在于:在加工阶段按照锡工艺品排列顺序采用分配公式将第i个锡工艺品原料分配至对应工厂f,分配公式如下:
f=imodF
式中:F为加工工厂总数。
4.根据权利要求1所述的锡工艺品原料节能配送与加工的超启发式调度方法,其特征在于:所述低层启发式操作采用15种,包括:
第1种低层启发式操作LLH1:编码个体中锡工艺品交换操作;从编码个体中选择两个锡工艺品进行位置交换;
第2种低层启发式操作LLH2:编码个体中锡工艺品插入操作;先随机选择编码个体的一个锡工艺品,再随机选择另一个锡工艺品,然后将前者插入后者的前方;
第3种低层启发式操作LLH3:编码个体中锡工艺品序列片段插入操作;随机从编码个体中选取一序列片段,将其插入剩余任一锡工艺品前方;
第4种低层启发式操作LLH4:编码个体中锡工艺品序列学习优秀序列操作;从编码个体中截取一段序列,依据优质解中同样位置的序列片段进行学习;
第5种低层启发式操作LLH5:车辆配送路径交换操作;从车辆配送路径中随机选择两个工厂点进行位置交换;
第6种低层启发式操作LLH6:车辆配送路径插入操作;先随机选择配送路径中的一个工厂点,再从行驶路径中随机选择另一个工厂点,然后将前者插入后者的前方;
第7种低层启发式操作LLH7:车辆配送路径相邻工厂点插入操作;从配送路径中随机选择一个工厂点,将所选工厂点分别插入其左右相邻位置;
第8种低层启发式操作LLH8:车辆配送路径片段插入操作;从配送路径中随机选择一段行驶工厂点,将其随机插入其余位置;
第9种低层启发式操作LLH9:工厂加工序列锡工艺品交换操作;选择完工时间最大的工厂,从工厂加工序列中随机选择两个锡工艺品进行位置交换;
第10种低层启发式操作LLH10:工厂加工序列锡工艺品插入操作;选择完工时间最大的工厂,从工厂加工序列选择一个锡工艺品,再随机选择一个锡工艺品,然后将前者插入后者的前方;
第11种低层启发式操作LLH11:工厂加工序列相邻锡工艺品插入操作;选择完工时间最大的工厂,从工厂加工序列选择一个锡工艺品,将所选锡工艺品分别插入其左右相邻位置;
第12种低层启发式操作LLH12:工厂加工序列片段逆序插入操作;选择完工时间最大的工厂,从工厂加工序列随机选择一个序列片段进行逆序,并将其随机插入其余位置;
第13种低层启发式操作LLH13:机器加工序列之间的交换操作;随机从一个机器加工序列中选择任一锡工艺品,再选择同工厂同工序阶段其它机器加工序列加工的任一锡工艺品,将两者位置交换;
第14种低层启发式操作LLH14:机器加工序列之间的插入换操作;随机从一个机器加工序列中选择任一锡工艺品,再选择同工厂同工序阶段其它机器序列加工的任一锡工艺品,将前者插入后者前方;
第15种低层启发式操作LLH15:机器加工序列片段插入操作;选择任一机器加工序列片段,将其插入剩余任一位置前方。
5.根据权利要求1所述的锡工艺品原料节能配送与加工的超启发式调度方法,其特征在于:所述轮盘赌操作,包括:
步骤1:令k=1;
步骤2:令s=1;
步骤3:若s≤g1,则操作编号op∈{1,…,g1};若g1<s≤g2,则操作编号op∈{g1+1,…,g2};若g2<s≤g3,则操作编号op∈{g2+1,…,g3};若g3<s≤g,则操作编号op∈{g3+1,…,g};生成随机数r,r∈[0,1],若则Ogen,k(s)=LLHop,s=s+1;其中,/>表示将二维概率模型每一行进行归一化并进行概率累积,得到的基于二维概率模型的归一化矩阵;
步骤4:若s≤g,则执行步骤3;否则输出Ogen,k,令k=k+1且执行步骤5;其中,Ogen,k=[Ogen,k(1),Ogen,k(2),…,Ogen,k(s),…,Ogen,k(g)]为二维概率模型采样生成的第k个种群个体;
步骤5:若k≤ps,执行步骤2,否则输出Pop(gen)。
6.一种使用权利要求1所述方法的锡工艺品原料节能配送与加工的超启发式调度系统,其特征在于:包括:
建立模块,用于建立锡工艺品原料节能配送与加工问题模型,以最小化总成本与总能耗为优化目标;
获得模块,用于采用基于超启发式调度方法对优化目标进行迭代优化,获得最优调度方案。
7.一种处理器,其特征在于:所述处理器用于运行程序,其中,所述程序运行时执行权利要求1-5中任意一项所述的锡工艺品原料节能配送与加工的超启发式调度方法。
8.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1-5中任意一项所述的锡工艺品原料节能配送与加工的超启发式调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210723395.2A CN115018180B (zh) | 2022-06-23 | 2022-06-23 | 一种锡工艺品原料节能配送与加工的超启发式调度方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210723395.2A CN115018180B (zh) | 2022-06-23 | 2022-06-23 | 一种锡工艺品原料节能配送与加工的超启发式调度方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018180A CN115018180A (zh) | 2022-09-06 |
CN115018180B true CN115018180B (zh) | 2024-06-07 |
Family
ID=83076138
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210723395.2A Active CN115018180B (zh) | 2022-06-23 | 2022-06-23 | 一种锡工艺品原料节能配送与加工的超启发式调度方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018180B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634856B (zh) * | 2024-01-26 | 2024-06-11 | 武汉理工大学 | 基于超启发式樽海鞘算法的液压缸制造联合调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809523A (zh) * | 2015-05-07 | 2015-07-29 | 北京理工大学 | 一种基于决策块与蜂群算法的工件生产路径搜索方法 |
CN109800910A (zh) * | 2019-01-10 | 2019-05-24 | 浙江工业大学 | 一种基于禁忌搜索的超启发式算法的车辆路径优化方法 |
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 |
CN113448687A (zh) * | 2021-06-24 | 2021-09-28 | 山东大学 | 云环境下基于强化学习的超启发式任务调度方法及系统 |
CN114037361A (zh) * | 2021-12-24 | 2022-02-11 | 昆明理工大学 | 一种用于分布式作业车间调度的超启发式差分进化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11823076B2 (en) * | 2020-07-27 | 2023-11-21 | International Business Machines Corporation | Tuning classification hyperparameters |
CN116339255A (zh) * | 2023-03-21 | 2023-06-27 | 昆明理工大学 | 一种基于汽车配件分布式装配生产过程的绿色优化调度方法 |
-
2022
- 2022-06-23 CN CN202210723395.2A patent/CN115018180B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809523A (zh) * | 2015-05-07 | 2015-07-29 | 北京理工大学 | 一种基于决策块与蜂群算法的工件生产路径搜索方法 |
CN109800910A (zh) * | 2019-01-10 | 2019-05-24 | 浙江工业大学 | 一种基于禁忌搜索的超启发式算法的车辆路径优化方法 |
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 |
CN113448687A (zh) * | 2021-06-24 | 2021-09-28 | 山东大学 | 云环境下基于强化学习的超启发式任务调度方法及系统 |
CN114037361A (zh) * | 2021-12-24 | 2022-02-11 | 昆明理工大学 | 一种用于分布式作业车间调度的超启发式差分进化方法 |
Non-Patent Citations (4)
Title |
---|
Hyper-heuristic Estimation of Distribution Algorithm for Green Hybrid Flow-Shop Scheduling and Transportation Integrated Optimization Problem;Ling Bai 等;《Advanced Intelligent Conputing Technology and Applications》;20230730;第1-11页 * |
两阶段优化算法求解绿色装箱车辆路径问题;胡蓉 等;《系统仿真学报》;20210603;第34卷(第7期);第1490-1505页 * |
孙蓉洁.三维EDA求解车辆装载配送与分布式生产集成调度问题.《中国优秀硕士学位论文 工程科技Ⅱ辑》.2024,第C029-490页. * |
混合三维EDA求解带二维装载约束的车辆配送与分布式生产集成调度问题;孙蓉洁 等;《 控制理论与应用》;20220602;第40卷(第5期);第903-912页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115018180A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111966050B (zh) | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 | |
CN110598941A (zh) | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 | |
CN109800904B (zh) | 带时间窗的装配式建筑预制件配送路径优化方法及系统 | |
CN103390195B (zh) | 一种基于强化学习的机械车间任务调度节能优化系统 | |
CN107590603A (zh) | 基于改进变邻域搜索和差分进化算法的调度方法及系统 | |
CN109784566A (zh) | 一种订单排序优化方法及装置 | |
CN110956371B (zh) | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 | |
CN105652791A (zh) | 订单驱动的离散制造过程能耗优化方法 | |
CN115018180B (zh) | 一种锡工艺品原料节能配送与加工的超启发式调度方法、系统 | |
CN101271543A (zh) | 一种应用了基于精英解池的遗传算法的生产排程系统和方法 | |
CN107730029B (zh) | 基于量子行为粒子群算法的生产制造过程优化方法和装置 | |
CN113379087A (zh) | 一种基于改进遗传算法的生产制造排产优化方法 | |
CN110458326B (zh) | 一种分布式阻塞型流水线调度的混合群智能优化方法 | |
CN116466659A (zh) | 一种基于深度强化学习的分布式装配流水车间调度方法 | |
CN108267954A (zh) | 一种带硬时间窗的刀具准时配送路径规划算法 | |
CN114879618A (zh) | 知识驱动的车间智能排产方法 | |
CN114037361A (zh) | 一种用于分布式作业车间调度的超启发式差分进化方法 | |
Wang et al. | Genetic algorithm in flexible work shop scheduling based on multi-objective optimization | |
CN117314055A (zh) | 基于强化学习的智能制造车间生产-运输联合调度方法 | |
CN107133703A (zh) | 一种基于需求驱动的不相容工件组在线分批加工方法 | |
CN116339255A (zh) | 一种基于汽车配件分布式装配生产过程的绿色优化调度方法 | |
CN111160654A (zh) | 一种基于模糊c均值-模拟退火算法减小总成本的运输路径优化方法 | |
CN116307148A (zh) | 一种钢铁热轧和产品运输节能调度的超启发式优化方法、系统 | |
CN115496322A (zh) | 分布式流水车间调度方法及装置 | |
CN113111583B (zh) | 一种考虑再生水的多水源多用户分质供水优化配置方法 |
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 |