CN115062936A - 一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法 - Google Patents
一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法 Download PDFInfo
- Publication number
- CN115062936A CN115062936A CN202210627651.8A CN202210627651A CN115062936A CN 115062936 A CN115062936 A CN 115062936A CN 202210627651 A CN202210627651 A CN 202210627651A CN 115062936 A CN115062936 A CN 115062936A
- Authority
- CN
- China
- Prior art keywords
- distribution
- station
- electric trolley
- trolley
- assembly line
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 141
- 239000000463 material Substances 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000000737 periodic effect Effects 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 51
- 239000002245 particle Substances 0.000 claims abstract description 47
- 238000005265 energy consumption Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000012384 transportation and delivery Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000013439 planning Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006116 polymerization reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Automobile Manufacture Line, Endless Track Vehicle, Trailer (AREA)
Abstract
本发明公开了一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法，属于智能制造领域。流程如下：在研究相关约束的基础上，以最小化线边库存成本和配送能耗为目标，建立了考虑区域责任制的数学模型，确定各个搬运设备的责任工位范围；通过对汽车装配线物料配送调度问题的特征分析，采用混合编码方式对物料配送调度问题所求解进行有效表达；基于改进多目标量子粒子群算法求解数学模型。与现有技术相比，本发明在物料配送过程中，充分考虑了装配线的区域划分，并基于动态周期间隔进行物料配送，有效减少搬运设备间的路径冲突、快速响应物料需求，并达到降低配送能耗和线边库存成本的目的，从而提高汽车装配线物料配送系统的运作效率。
Description
技术领域
本发明涉及智能制造技术领域，尤其是涉及一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法。
背景技术
目前，汽车制造的主流生产模式已从过去的大批量生产逐渐过渡到当今的大规模定制。为了满足顾客日益增长的个性化需求，汽车制造企业引入混流装配线来应对产品的快速升级。混流装配模式中涉及到的零部件种类繁多、数量庞大，这在对零件管理造成巨大压力的同时也对与汽车装配过程密切相关的物料配送活动提出更高的要求，如何优化物料配送调度对制造业降本增效具有重要意义。
基于精益思想的准时化生产模式要求零件能被准确、准时地送到指定地点，否则会造成生产停滞或库存积压等风险，协调装配线生产计划与物料配送过程是提升生产效率的基础与重要保证。此外，随着能源价格不断攀升、环境问题日益突出，节能调度在制造业中受到广泛关注。
现有的汽车装配线物料配送调度方法大多着眼于定期或定量检查策略，很少有考虑到配送系统的规范运作和降低生产浪费，因此，需要一个新的物料配送调度方法进行综合决策，确定配送系统的责任划分，使得配送设备能够在各自的责任区域内规范运作，最大限度地减少路径冲突和距离浪费，同时基于动态配送周期灵活响应物料配送需求，从而降低装配线物料配送系统的线边库存成本和配送能耗。
发明内容
针对现有技术存在的上述问题，本发明提出了一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法，充分考虑了装配线的区域划分，并基于动态周期间隔进行物料配送，有效减少搬运设备间的路径冲突、快速响应物料需求，达到降低配送能耗和线边库存成本的目的，提高了汽车装配线物料配送系统的运作效率。
本发明的技术方案如下：
一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法，包括如下步骤：
S1、采集汽车装配线的基础数据和生产计划信息，包括但不限于：装配线工位数量、生产计划期内的周期数量、物料超市到装配工位的距离、各个工位在不同生产周期的物料需求数量和重量；
S2、建立电动配送小车的信息模型，包括：电动配送小车的最大装载容量和装载重量、电动配送小车的配送状态、电动配送小车的耗电率；
S3、建立考虑区域责任制的汽车装配线动态周期性物料配送调度的目标函数；
S4、确定调度过程的约束条件；
S5、采用混合编码机制表示调度问题的解；
S6、采用基于改进多目标量子粒子群算法求解所述目标函数，确定最优的物料配送调度策略，包括装配线上工位责任区域的划分、电动配送小车物料配送动态周期的确定及相应的物料装载计划，经过迭代计算，将满足停止条件的求解结果作为最终的调度方案。
进一步的，步骤3所述目标函数是以最小化线边库存成本和配送能耗为目标建立的，表达式如下：
Minimise f＝{f1,f2} (1)
其中：
上述公式(1)-(3)中，符号及决策变量定义如下：f1表示线边库存成本；f2表示配送能耗；Г表示单位物料在一个周期内的库存成本；k∈K表示电动小车集合；s∈S表示工位集合；t∈T表示生产周期集合；Ist表示工位s在生产周期t的线边库存；r∈Rk表示电动小车k在计划周期内的送料次数；f(Q)表示与载重Q有关的电动小车的配送能耗；wk表示电动小车k的重量；
表示电动小车k第r次配送至工位s的物料重量；αk表示电动小车k负责区域中最左边的工位编号；βk表示电动小车k负责区域中最右边的工位编号；diss表示工位s到物料超市的距离；Δdis表示相邻两个工位之间的距离；xks＝1表示电动小车k负责工位s的配送任务，否则xks＝0。
进一步的，步骤4所述约束条件包括：
(4-1)责任区域划分，即每辆电动小车至少承担一个工位的配送任务，且负责配送的区域不得重叠：
α1＝1 (4)
(4-2)电动小车数量约束：
α|K|+1＝|S|+1 (6)
(4-3)电动小车在计划周期内的配送次数约束：
(4-4)电动小车每次行程送达每个工位时的物料重量：
(4-5)供需平衡约束，即电动小车的单次配送量和总配送量均能满足装配线的物料需求：
(4-6)工位的线边容量约束，即线边库存量不允许超过线边最大容量：
(4-7)电动小车的装载容量约束，即电动小车每次配送行程的装载物料量不能超过车辆的最大容量：
(4-8)配送时间约束，即电动小车必须在一个周期内完成物料配送：
(4-9)可行调度方案变量约束：
上述公式(4)-(15)中，符号及决策变量定义如下：：ykt＝1表示电动小车k在周期t进行物料配送，否则ykt＝0；dst表示工位s在生产周期t的物料需求量；wst表示工位s在生产周期t的单位所需物料重量；
表示电动小车k第r次配送的周期编号；Cs表示工位s的线边最大容量；
表示电动小车k第r次配送的物料量；Φk表示电动小车k负责区域的工位集合；Bk表示电动小车k的容量限制；Dst表示工位s在生产周期t所需料箱数量，若dst>0为1，否则为0；tl和tu分别表示装载和卸载一个料箱的时间；v表示电动小车的行驶速度；CT表示一个生产周期的时长。
进一步的，步骤5的具体步骤如下：
S5-1、构建混合编码，编码的第一层表示每辆电动小车的责任区域的分配方案，每一个编码值表示电动小车负责区域的最左边的工位编号，最后一个编码为虚拟编码；
S5-2、从第二层开始，编码表示车辆在各个周期的配送决策情况，编码的数值范围为(0,1)，当编码值大于0.5时，电动小车在该周期进行物料配送，否则将不进行配送，动态周期的长度即为相邻两次配送行程的周期差。
进一步的，步骤6的具体步骤如下：
S6-1、在满足装配约束的前提下，基于混合编码机制生成NP个个体作为初始种群，并采用量子飞行机制进行种群位置更新，其中量子飞行公式如(16)所示：
上式中，L为势阱长度，随机数
表示粒子i在第g代的位置，
和
分别表示粒子i在第g代的个体最优值和全局最优值，
为局部吸引点，
表示第g代种群粒子的平均最佳位置，β为惯性权值，G是最大迭代次数；
S6-2、对种群基于邻域个体搜索反向空间并进行反向学习；
S6-3、对粒子进行随机局部搜索操作提高算法深度寻优能力；
S6-4、基于拥挤距离和非支配排序对精英种群进行维护，如果当前迭代次数g小于最大迭代次数G，就重复S6-2～S6-3中的粒子更新操作，否则结束优化过程；
S6-5、将满足迭代计算停止条件的求解结果作为最终的调度方案。
进一步的，步骤S62的具体步骤如下：
S62-1、确定反向学习模型如式(17)所示：
式中，r1，r2是[0,1]之间的随机数，
是Xi的边界反向解，通过在可行边界内求反向解得到；
是Xi的种群反向解，基于进化过程中种群的历史信息得到，H是包含这些历史信息的邻域重心；
S62-2、根据粒子距离确定种群中粒子xi的邻域个体和规模，计算xi的邻域重心为
令
S62-3、根据量子粒子群更新方式计算粒子xi的新粒子
S62-4、根据混合反向学习模型计算粒子xi的反向粒子x′i；
S62-5、选出
和x′i中较优个体，更新xi。
进一步的，步骤S63的具体变异方式如下：
(63-1)聚合：对当前的车辆调度方案进行聚合操作，使车辆k的配送任务全部转移到车辆k′上，配送周期的编码数值取原车辆编码的均值生成新解；
(63-2)拆分：将某一工位段进行拆分操作，即增加一辆电动小车负责拆分后的工位段，配送周期的编码数值取前后相邻两个工位段的编码均值生成新解；
(63-3)倒序：将某一电动小车对应的责任工位段的配送周期的编码进行倒序操作生成新解；
(63-4)交换：对于物料配送矩阵，随机交换任意两个区域的配送周期决策编码生成新解。
本发明的创新点主要有三个：
(1)考虑了搬运设备责任区域的划分，有利于减少搬运设备在配送过程中的路径冲突和距离浪费；
(2)充分考虑节能调度的要求，创造性地采用动态周期作为物料配送间隔，灵活响应物料配送需求。传统的物料配送方式是按照固定的时间间隔进行配送，可以称为固定周期方式；然而在实际生产过程中(尤其是柔性化生产)，装配需求是不断波动的，固定周期方式比较死板，容易出现装配需求与物料配送不匹配的现象，制约了生产效率的提高。如果能够根据装配需求动态调整配送时间间隔(即动态周期)，提升装配需求与物料配送的匹配度，就可以降低库存、提高生产效率了；
(3)粒子群算法具有参数少、精度高等优点，而且与其他群智能优化方法相比，粒子群算法具有独特的搜索机理，简单易行，因而被广泛地应用于工程优化问题。但是在解决复杂的优化问题方面，该算法也存在易陷入局部最优和收敛速度慢等缺点。为了提高粒子群算法的局部搜索能力，本发明采用具有量子行为的粒子群算法提高算法在解决调度问题上的收敛速度，并融合混合反向学习和随机局部搜索操作强化算法深度寻优能力，在汽车装配线物料配送问题取得了很好的应用效果。
本发明有益的技术效果在于：
(1)在汽车装配线物料配送问题中考虑了搬运设备责任区域的划分，有利于减少搬运设备在配送过程中的路径冲突和距离浪费。与传统周期性物料配送调度方法相比，本发明能够响应变动的装配需求，可以更好地满足柔性化生产需要；
(2)创造性地采用动态周期作为物料配送间隔，灵活响应物料配送需求，并将库存成本与能耗作为共同目标同时进行优化，从而降低装配线物料配送系统的线边库存成本和配送能耗；
(3)明确了电动小车责任工位分配问题和基于动态周期的物料配送调度问题，在系统地研究相关约束的基础上，以最小化线边库存成本和配送能耗为目标，建立了考虑区域责任制的汽车装配线动态周期性物料配送调度问题的数学模型并采用混合编码方案对装配线物料配送问题所求解进行有效表达，建立确定区域划分和动态配送周期的物料配送模型和求解算法，最大限度地满足装配线物料需求，降低线边库存成本和配送能耗；
(4)采用具有量子行为的粒子群算法提高算法在解决调度问题上的收敛速度，并融合混合反向学习和随机局部搜索操作强化算法深度寻优能力，从而克服了粒子群算法在解决复杂的优化问题时存在的容易陷入局部最优和收敛速度慢等缺点。
本发明为解决厂内物流问题提供了新的解决思路，也为制造企业在提高生产效率和降低能耗等方面提供了借鉴。
附图说明
图1是实施例的汽车装配线物料配送系统布局图；
图2是本发明的整体流程图；
图3是实施例的局部搜索的操作示意图；
图4是实施例与传统配送模式的对比图。
图中，部件名称与附图编号的对应关系为：1、装配线；2、工位段；3、电动小车；4、物料超市；5、有限线边空间；6、待组装汽车。
具体实施方式
下面结合附图和实施例，对本发明进行具体描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，实施例的装配线1被分成多个工位段2，每个工位段2由一辆电动小车3进行独立配送。在每个生产周期内，每个工位的零部件需求信息根据稳定的生产计划已经事先获悉。物料超市4存储着来自中心仓库的物料，为了能够有效降低对有限线边空间5的占用，待组装汽车6的所需物料经物料工人在专门的料箱准备区域7根据生产计划进行分拣和组配后存放在标准规格的料箱内，并通过电动小车3对责任工位2进行多批次小批量的物料供给。
如图2所示，动态周期性物料配送调度方法的步骤如下：
S1、获悉汽车装配线的基础数据和生产计划信息，包括装配线工位数量，生产计划期内的周期数量，物料超市到装配工位的距离，各个工位在不同生产周期的物料需求数量和重量等信息。
S2、建立电动配送小车的信息模型，包括：电动配送小车的最大装载容量和装载重量、电动配送小车的配送状态、电动配送小车的耗电率。
步骤S1、S2得到的参数如表1所示。
表1
S3、建立考虑区域责任制的汽车装配线动态周期性物料配送调度的目标函数。以最小化线边库存成本和配送能耗为目标，构建目标函数：
Minimise f＝{f1,f2} (1)
其中：
式中，f1表示线边库存成本；f2表示配送能耗；Г表示单位物料在一个周期内的库存成本；k∈K表示电动小车集合；s∈S表示工位集合；t∈T表示生产周期集合；Ist表示工位s在生产周期t的线边库存；r∈Rk表示电动小车k在计划周期内的送料次数；f(Q)表示与载重Q有关的电动小车的配送能耗；wk表示电动小车k的重量；
表示电动小车k第r次配送至工位s的物料重量；αk表示电动小车k负责区域中最左边的工位编号；βk表示电动小车k负责区域中最右边的工位编号；diss表示工位s到物料超市的距离；Δdis表示相邻两个工位之间的距离；xks＝1表示电动小车k负责工位s的配送任务，否则xks＝0。
S4、确定调度过程的约束条件。约束条件一共有9个：
(4-1)责任区域划分，即每辆电动小车至少承担一个工位的配送任务，且负责配送的区域不得重叠：
α1＝1 (4)
(4-2)电动小车数量约束：
α|K|+1＝|S|+1 (6)
其中，|S|+1和|K|+1分别为虚拟工位编号和虚拟电动小车编号；
(4-3)电动小车在计划周期内的配送次数约束：
(4-4)电动小车每次行程送达每个工位时的物料重量：
(4-5)供需平衡约束，即电动小车的单次配送量和总配送量均能满足装配线的物料需求：
(4-6)工位的线边容量约束，即线边库存量不允许超过线边最大容量：
(4-7)电动小车的装载容量约束，即电动小车每次配送行程的装载物料量不能超过车辆的最大容量：
(4-8)配送时间约束，即电动小车必须在一个周期内完成物料配送：
(4-9)可行调度方案变量约束：
上述公式(4)-(15)中，符号及决策变量定义如下：ykt＝1表示电动小车k在周期t进行物料配送，否则ykt＝0；dst表示工位s在生产周期t的物料需求量；wst表示工位s在生产周期t的单位所需物料重量；
表示电动小车k第r次配送的周期编号；Cs表示工位s的线边最大容量；
表示电动小车k第r次配送的物料量；Фk表示电动小车k负责区域的工位集合；Bk表示电动小车k的容量限制；Dst表示工位s在生产周期t所需料箱数量，若dst>0为1，否则为0；tl和tu分别表示装载和卸载一个料箱的时间；v表示电动小车的行驶速度；CT表示一个生产周期的时长。
S5、采用混合编码机制表示调度问题的解，具体步骤如下：
S5-1、构建混合编码，编码的第一层表示每辆电动小车的责任区域的分配方案，每一个编码值表示电动小车负责区域的最左边的工位编号，最后一个编码为虚拟编码；
S5-2、从第二层开始，编码表示车辆在各个周期的配送决策情况，编码的数值范围为(0,1)，当编码值大于0.5时，电动小车在该周期进行物料配送，否则将不进行配送，动态周期的长度即为相邻两次配送行程的周期差。
S6、采用如图2所示的基于改进多目标量子粒子群算法求解所述目标函数，确定最优的物料配送调度策略，包括装配线上工位责任区域的划分、电动配送小车物料配送动态周期的确定及相应的物料装载计划。具体步骤如下：
S6-1、在满足装配约束的前提下，基于混合编码机制生成NP个个体作为初始种群，并采用量子飞行机制进行种群位置更新，其中量子飞行公式如(16)所示：
式中，L为势阱长度，随机数
表示粒子i在第g代的位置，
和
分别表示粒子i在第g代的个体最优值和全局最优值，
为局部吸引点，
表示第g代种群粒子的平均最佳位置，β为惯性权值，G是最大迭代次数。
S6-2、对种群基于邻域个体搜索反向空间并进行反向学习，具体步骤如下：
S62-1、确定反向学习模型如式(17)所示：
式中，r1，r2是[0,1]之间的随机数，
是Xi的边界反向解，通过在可行边界内求反向解得到；
是Xi的种群反向解，基于进化过程中种群的历史信息得到，H是包含这些历史信息的邻域重心；
S62-2、根据粒子距离确定种群中粒子xi的邻域个体和规模，计算xi的邻域重心为
令
S62-3、根据量子粒子群更新方式计算粒子xi的新粒子
S62-4、根据混合反向学习模型计算粒子xi的反向粒子x′i；
S62-5、选出
和x′i中较优个体，更新xi。
S6-3、对粒子进行随机局部搜索操作提高算法深度寻优能力，具体变异方式如图3所示：
(63-1)聚合：对当前的车辆调度方案进行聚合操作，使车辆k的配送任务全部转移到车辆k′上，配送周期的编码数值取原车辆编码的均值生成新解。
(63-2)拆分：将某一工位段进行拆分操作，即增加一辆电动小车负责拆分后的工位段，配送周期的编码数值取前后相邻两个工位段的编码均值生成新解。
(63-3)倒序：将某一电动小车对应的责任工位段的配送周期的编码进行倒序操作生成新解。
(63-4)交换：对于物料配送矩阵，随机交换任意两个区域的配送周期决策编码生成新解。
S6-4、基于拥挤距离和非支配排序对精英种群进行维护，如果当前迭代次数g小于最大迭代次数G，就重复S6-2～S6-3中的粒子更新操作，否则结束优化过程。
S6-5、经过迭代计算，将满足停止条件的求解结果作为最终的调度方案。
实施例的配送模式(即专利配送模式)与传统配送模式的对比结果如图4所示。与传统配送模式相比，考虑区域责任制的动态周期性物料配送方法能够有效减少线边库存成本和总能耗，在节能和控制库存成本方面具有一定的优势。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，对于本领域的普通技术人员而言，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。
Claims (7)
1.一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法，其特征在于，包括如下步骤：
S1、采集汽车装配线的基础数据和生产计划信息，包括但不限于：装配线工位数量、生产计划期内的周期数量、物料超市到装配工位的距离、各个工位在不同生产周期的物料需求数量和重量；
S2、建立电动配送小车的信息模型，包括：电动配送小车的最大装载容量和装载重量、电动配送小车的配送状态、电动配送小车的耗电率；
S3、建立考虑区域责任制的汽车装配线动态周期性物料配送调度的目标函数；
S4、确定调度过程的约束条件；
S5、采用混合编码机制表示调度问题的解；
S6、采用基于改进多目标量子粒子群算法求解所述目标函数，确定最优的物料配送调度策略，包括装配线上工位责任区域的划分、电动配送小车物料配送动态周期的确定及相应的物料装载计划，经过迭代计算，将满足停止条件的求解结果作为最终的调度方案。
2.根据权利要求1所述的一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法，其特征在于：
步骤3所述目标函数是以最小化线边库存成本和配送能耗为目标建立的，表达式如下：
Minimise f＝{f1,f2} (1)
其中：
上述公式(1)-(3)中，符号及决策变量定义如下：f1表示线边库存成本；f2表示配送能耗；Γ表示单位物料在一个周期内的库存成本；k∈K表示电动小车集合；s∈S表示工位集合；t∈T表示生产周期集合；Ist表示工位s在生产周期t的线边库存；r∈Rk表示电动小车k在计划周期内的送料次数；f(Q)表示与载重Q有关的电动小车的配送能耗；wk表示电动小车k的重量；
表示电动小车k第r次配送至工位s的物料重量；αk表示电动小车k负责区域中最左边的工位编号；βk表示电动小车k负责区域中最右边的工位编号；diss表示工位s到物料超市的距离；Δdis表示相邻两个工位之间的距离；xks＝1表示电动小车k负责工位s的配送任务，否则xks＝0。
3.根据权利要求1所述的一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法，其特征在于：
步骤4所述约束条件包括：
(4-1)责任区域划分，即每辆电动小车至少承担一个工位的配送任务，且负责配送的区域不得重叠：
α1＝1 (4)
(4-2)电动小车数量约束：
α|K|+1＝|S|+1 (6)
(4-3)电动小车在计划周期内的配送次数约束：
(4-4)电动小车每次行程送达每个工位时的物料重量：
(4-5)供需平衡约束，即电动小车的单次配送量和总配送量均能满足装配线的物料需求：
(4-6)工位的线边容量约束，即线边库存量不允许超过线边最大容量：
(4-7)电动小车的装载容量约束，即电动小车每次配送行程的装载物料量不能超过车辆的最大容量：
(4-8)配送时间约束，即电动小车必须在一个周期内完成物料配送：
(4-9)可行调度方案变量约束：
上述公式(4)-(15)中，符号及决策变量定义如下：：ykt＝1表示电动小车k在周期t进行物料配送，否则ykt＝0；dst表示工位s在生产周期t的物料需求量；wst表示工位s在生产周期t的单位所需物料重量；
表示电动小车k第r次配送的周期编号；Cs表示工位s的线边最大容量；
表示电动小车k第r次配送的物料量；Φk表示电动小车k负责区域的工位集合；Bk表示电动小车k的容量限制；Dst表示工位s在生产周期t所需料箱数量，若dst>0为1，否则为0；tl和tu分别表示装载和卸载一个料箱的时间；v表示电动小车的行驶速度；CT表示一个生产周期的时长。
4.根据权利要求1所述的一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法，其特征在于，步骤5的具体步骤如下：
S5-1、构建混合编码，编码的第一层表示每辆电动小车的责任区域的分配方案，每一个编码值表示电动小车负责区域的最左边的工位编号，最后一个编码为虚拟编码；
S5-2、从第二层开始，编码表示车辆在各个周期的配送决策情况，编码的数值范围为(0,1)，当编码值大于0.5时，电动小车在该周期进行物料配送，否则将不进行配送，动态周期的长度即为相邻两次配送行程的周期差。
5.根据权利要求1所述的一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法，其特征在于，步骤6的具体步骤如下：
S6-1、在满足装配约束的前提下，基于混合编码机制生成NP个个体作为初始种群，并采用量子飞行机制进行种群位置更新，其中量子飞行公式如(16)所示：
上式中，L为势阱长度，随机数
表示粒子i在第g代的位置，
和
分别表示粒子i在第g代的个体最优值和全局最优值，
为局部吸引点，
表示第g代种群粒子的平均最佳位置，β为惯性权值，G是最大迭代次数；
S6-2、对种群基于邻域个体搜索反向空间并进行反向学习；
S6-3、对粒子进行随机局部搜索操作提高算法深度寻优能力；
S6-4、基于拥挤距离和非支配排序对精英种群进行维护，如果当前迭代次数g小于最大迭代次数G，就重复S6-2～S6-3中的粒子更新操作，否则结束优化过程；
S6-5、将满足迭代计算停止条件的求解结果作为最终的调度方案。
6.根据权利要求5所述的一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法，其特征在于，步骤S62的具体步骤如下：
S62-1、确定反向学习模型如式(17)所示：
式中，r1，r2是[0,1]之间的随机数，
是Xi的边界反向解，通过在可行边界内求反向解得到；
是Xi的种群反向解，基于进化过程中种群的历史信息得到，H是包含这些历史信息的邻域重心；
S62-2、根据粒子距离确定种群中粒子xi的邻域个体和规模，计算xi的邻域重心为
令
S62-3、根据量子粒子群更新方式计算粒子xi的新粒子
S62-4、根据混合反向学习模型计算粒子xi的反向粒子x′i；
S62-5、选出
和x′i中较优个体，更新xi。
7.根据权利要求5所述的一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法，其特征在于，步骤S63的具体变异方式如下：
(63-1)聚合：对当前的车辆调度方案进行聚合操作，使车辆k的配送任务全部转移到车辆k′上，配送周期的编码数值取原车辆编码的均值生成新解；
(63-2)拆分：将某一工位段进行拆分操作，即增加一辆电动小车负责拆分后的工位段，配送周期的编码数值取前后相邻两个工位段的编码均值生成新解；
(63-3)倒序：将某一电动小车对应的责任工位段的配送周期的编码进行倒序操作生成新解；
(63-4)交换：对于物料配送矩阵，随机交换任意两个区域的配送周期决策编码生成新解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210627651.8A CN115062936A (zh) | 2022-06-06 | 2022-06-06 | 一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210627651.8A CN115062936A (zh) | 2022-06-06 | 2022-06-06 | 一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115062936A true CN115062936A (zh) | 2022-09-16 |
Family
ID=83201139
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210627651.8A Pending CN115062936A (zh) | 2022-06-06 | 2022-06-06 | 一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115062936A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116360378A (zh) * | 2023-06-02 | 2023-06-30 | 北京中鼎昊硕科技有限责任公司 | 一种基于数据分析的agv小车安全调度方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120226624A1 (en) * | 2011-03-04 | 2012-09-06 | Byung Jun Song | Optimization system of smart logistics network |
| CN105976030A (zh) * | 2016-03-15 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于多智能体月台调度智能排序模型的构造 |
| CN110991056A (zh) * | 2019-12-09 | 2020-04-10 | 西南交通大学 | 一种基于遗传变邻域算法的飞机装配线作业调度方法 |
| WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| CN112801484A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种考虑配料误差的物料配送调度方法和系统 |
| CN113467473A (zh) * | 2021-07-28 | 2021-10-01 | 河南中烟工业有限责任公司 | 一种基于自主移动机器人的物料存储方法及装置 |
-
2022
- 2022-06-06 CN CN202210627651.8A patent/CN115062936A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120226624A1 (en) * | 2011-03-04 | 2012-09-06 | Byung Jun Song | Optimization system of smart logistics network |
| CN105976030A (zh) * | 2016-03-15 | 2016-09-28 | 武汉宝钢华中贸易有限公司 | 基于多智能体月台调度智能排序模型的构造 |
| WO2021022637A1 (zh) * | 2019-08-06 | 2021-02-11 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| CN110991056A (zh) * | 2019-12-09 | 2020-04-10 | 西南交通大学 | 一种基于遗传变邻域算法的飞机装配线作业调度方法 |
| CN112801484A (zh) * | 2021-01-20 | 2021-05-14 | 同济大学 | 一种考虑配料误差的物料配送调度方法和系统 |
| CN113467473A (zh) * | 2021-07-28 | 2021-10-01 | 河南中烟工业有限责任公司 | 一种基于自主移动机器人的物料存储方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116360378A (zh) * | 2023-06-02 | 2023-06-30 | 北京中鼎昊硕科技有限责任公司 | 一种基于数据分析的agv小车安全调度方法 |
| CN116360378B (zh) * | 2023-06-02 | 2023-09-19 | 北京中鼎昊硕科技有限责任公司 | 一种基于数据分析的agv小车安全调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A hybrid fruit fly algorithm for solving flexible job-shop scheduling to reduce manufacturing carbon footprint | |
| 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 | |
| Zhou et al. | Energy-efficient scheduling of a single batch processing machine with dynamic job arrival times | |
| CN105550836A (zh) | 基于大数据分析处理技术的自动排产优化管理信息模型 | |
| CN104842564B (zh) | 一种基于nsga‑ii的三维打印多任务优化调度方法 | |
| CN110717684B (zh) | 一种基于任务分配协调策略与粒子群算法的任务分配方法 | |
| CN111882215A (zh) | 一种含有agv的个性化定制柔性作业车间调度方法 | |
| CN108665092A (zh) | 一种基于混合萤火虫算法的全流程排产与优化方法 | |
| Gong et al. | A hierarchical integration scheduling method for flexible job shop with green lot splitting | |
| CN115062936A (zh) | 一种考虑区域责任制的汽车装配线动态周期性物料配送调度方法 | |
| CN103927628A (zh) | 面向客户承诺的订单管理系统和订单管理方法 | |
| CN113361073A (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
| Chen | Integrated optimization model for production planning and scheduling with logistics constraints | |
| Guo et al. | Order matching mechanism of the production intermediation internet platform between retailers and manufacturers | |
| CN114386702A (zh) | 一种间歇性生产工艺参与电力需求响应的优化方法及系统 | |
| Chen et al. | Digital twin-oriented collaborative optimization of fuzzy flexible job shop scheduling under multiple uncertainties | |
| Li et al. | Data-driven optimization for automated warehouse operations decarbonization | |
| Wang et al. | A multi-objective cuckoo search algorithm based on the record matrix for a mixed-model assembly line car-sequencing problem | |
| Pei et al. | Critical review on the objective function of flexible job shop scheduling | |
| Zhang et al. | Artificial intelligence algorithm-based multi-objective optimization model of flexible flow shop smart scheduling | |
| Guan et al. | Scheduling of multi-load automated guided vehicles for material distribution based on multi-stage auction algorithm | |
| Gong et al. | Integrated scheduling of hot rolling production planning and power demand response considering order constraints and TOU price | |
| Wang et al. | A priority rule based heuristic for virtual cellular manufacturing system with energy consumption | |
| Aliahmadi et al. | Flexible flow shop scheduling with forward and reverse flow under uncertainty using the red deer algorithm | |
| Jiaying | Material Distribution Model and Algorithm of Assembly Line in Automobile Assembly Shop |
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 |