CN115186495A - 一种基于关键工序增强优化的流水线快速优化方法 - Google Patents

一种基于关键工序增强优化的流水线快速优化方法 Download PDF

Info

Publication number
CN115186495A
CN115186495A CN202210842787.0A CN202210842787A CN115186495A CN 115186495 A CN115186495 A CN 115186495A CN 202210842787 A CN202210842787 A CN 202210842787A CN 115186495 A CN115186495 A CN 115186495A
Authority
CN
China
Prior art keywords
sequence
job
new
operation sequence
cur
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
Application number
CN202210842787.0A
Other languages
English (en)
Other versions
CN115186495B (zh
Inventor
刘强
曾创锋
张�浩
魏丽军
林利彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210842787.0A priority Critical patent/CN115186495B/zh
Publication of CN115186495A publication Critical patent/CN115186495A/zh
Application granted granted Critical
Publication of CN115186495B publication Critical patent/CN115186495B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06316—Sequencing of tasks or work
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于关键工序增强优化的流水线快速优化方法，包括以下步骤：步骤S1：获取流水线上的所有订单的信息数据，其中所述订单的信息数据包括流水线上作业的工序数量、每一工序的可用机器数量以及作业在每一个工序的加工工时；根据生产要求、订单的信息数据和约束条件构建出以最小化最大完工时间为优化目标的流水线数学模型；步骤S2：使用基于NEH启发式方法构造初步的作业序列，将所述作业序列作为流水线数学模型的初始作业序列f(s)，步骤S3：对当前作业序列f(scur)中作业排序进行破坏以及重构，得出更新作业序列f(snew)。可以通过本发明量化衡量排产结果，还能给出全局最优排产方案，极大限度满足了产品的排产需求。

Description

一种基于关键工序增强优化的流水线快速优化方法
技术领域
本发明涉及水流线加工优化技术领域，特别是一种基于关键工序增强优化的流水线快速优化方法。
背景技术
当前,数字经济正成为驱动我国经济发展的重要力量，实施数字化、智能化战略，是企业转型升级的必由路径。在当前，云计算、大数据、物联网、移动互联网、人工智能等新一代信息技术的迅猛发展，正加速推进全球产业分工深化和经济结构调整，同时在深刻重塑企业的竞争力。这些新技术已开始应用到社会各个领域，深刻影响并改变着人们的生活和工作，提高人们的工作效率同时改变着人们的行为。为了提升数字化运营，高效提升排程效率，支撑该家电企业的全价值链卓越运营，实现内销订单齐套排产下线直发、外销订单下线装柜的战略目标，工厂急需提升交付能力，合理的分配和利用现有资源来实现产能的有效利用，合理的排产是满足交付的必要条件，快速高效的排产是工厂信息反馈市场交货的最有力保证。
目前家电的总装工厂其混流排产存在以下特点：排产场景特殊，呈现家电品种多、批量变化大，比如工厂内一条流水线可以完成总装的家电型号就高达二十多种，接收到的订单中，家电需求量从定制生产的一台到批量生产的上千台不等；实际排产约束条件多，比如流水线上同时存在的家电种类数量，某些型号的家电不能同时在产。这类排产场景对计划员工作经验具有强依赖性，计划员排产工作量庞大，排产时间长、效率低，排产自动化程度低；其次，排产计划员人工经验有限，无法从全局角度合理分配资源，给出全局最优排产方案；无法量化衡量排产结果，无法评价排产结果是否最优；可用产能不明确，订单交期不透明。所以，目前电企业的混流排产系统难以满足既能快速高效地进行求解又准确合理地进行排产的需求。
发明内容
针对上述缺陷，本发明的目的在于提出一种基于关键工序增强优化的流水线快速优化方法。为达此目的，本发明采用以下技术方案：一种基于关键工序增强优化的流水线快速优化方法，包括以下步骤：
步骤S1：获取流水线上的所有订单的信息数据，其中所述订单的信息数据包括流水线上作业的工序数量、每一工序的可用机器数量以及作业在每一个工序的加工工时；根据生产要求、订单的信息数据和约束条件构建出以最小化最大完工时间为优化目标的流水线数学模型；
步骤S2：使用基于NEH启发式方法构造初步的作业序列，将所述作业序列作为流水线数学模型的初始作业序列f(s)，并对所述初始作业序列f(s)标记为当前作业序列f(scur)；
步骤S3：对所述当前作业序列f(scur)中作业排序进行破坏以及重构，得出更新作业序列f(snew)；
步骤S4：判断所述更新作业序列f(snew)是否优于所述初始作业序列f(s)，若是，则使用所述更新作业序列f(snew)代替所述当前作业序列f(scur)，作为阶段作业序列，若否，将所述前作业序列f(scur)作为阶段作业序列；
步骤S5：重复步骤S3～S4，直至迭代次数达到阈值，停止算法运算，将最后一个所述阶段作业序列作为全局最优排产方案。
优选的，所述步骤S2中通过基于NEH启发式方法构造初步的排产方案的步骤如下：
步骤S21：所有作业按照总加工时间进行非增排序，其中作业总工时的计算公式如下：
Figure BDA0003751760880000031
其中Pj表示第j个作业的总工时，Pij表示第j个作业第i个工序的加工时间，其中i∈{1，.....,m}，m为作业的工序数量；
步骤S22：在作业总加工时间的非增排序中第一个作业作为优化排序的初始序列，并按照所述非增排序的顺序将非增排序内的作业插逐个插入至当前优化序列，直至非增排序中所有作业均插入至所述优化排序内，将所述优化排序作为所述初始作业序列f(s)；
其中当所述优化排序被插入时，所述作业被插入至所述优化排序的所有可插入位置，并获取所有新排序，并将所有新排序代入至所述流水线数学模型中获取具有最优目标函数值的排序，更新所述优化排序。
优选的，所述步骤S3中对当前作业序列f(scur)中作业排序进行破坏的过程如下：
设置破坏长度d，其中破坏长度d大于1且小于n，n为作业总数量，在工序的作业排序中随机剔除d个作业，得到被破坏作业排序，并将剔除的作业按照剔除的顺序进行保存至移除序列内。
优选的，所述步骤S3中对当前作业序列f(scur)中作业排序进行重构的过程如下：
移除序列的作业按照剔除的顺序插入至被破坏作业排序内，其中当所述被破坏作业排序被插入时，所述被剔除的作业被插入至所述被破坏作业排序的所有可插入位置，并获取所述被破坏作业排序的所有新序列，并被破坏作业排序的所有新序列分别代入至所述流水线数学模型中获取最优目标函数值的排序，更新得到更新作业序列f(snew)；
优选的，在获取得到所述当前作业序列f(scur)以及更新作业序列f(snew)后，需要执行如下步骤：
步骤A：对所述当前作业序列f(scur)或更新作业序列f(snew)进行识别，得到当前作业序列f(scur)或更新作业序列f(snew)中能够减少最大完工时间的工序，并标记为关键工序；
判断关键工序的邻域是否存在有其他工序，若存在，在将所述关键工序与邻域工序进行交换，得到优化作业序列f(sg)，并将所述优化作业序列f(sg)输入所述流水线数学模型中，再次判断所述优化作业序列f(sg)是否优于所述当前作业序列f(scur)或更新作业序列f(snew)，若是，则使用所述优化作业序列f(sg)代替更新所述所述当前作业序列f(scur)或更新作业序列f(snew)，若否，则保留所述当前作业序列f(scur)或更新作业序列f(snew)。
优选的，还包括以下步骤：建立全局最优解集，其中所述全局最优解集内存储的第一个作业序列为第一个所述当前作业序列f(scur)；
当步骤A中得到优化作业序列f(sg)后，将所述优化作业序列f(sg)与所述全局最优解集内的作业序列进行比较，若优化作业序列f(sg)优于所述局最优解集内的作业序列，则清空所述全局最优解集，将所述优化作业序列f(sg)添加至所述全局最优解集内；
若优化作业序列f(sg)劣于所述局最优解集内的作业序列，则将所述优化作业序列f(sg)存储在所述全局最优解集内。
优选的，步骤S4中所述判断所述更新作业序列f(snew)是否优于所述前作业序列f(scur)的步骤如下：
步骤B1：将所述更新作业序列f(snew)以及所述前作业序列f(scur)分别输入至所述流水线数学模型内计算两个排序方案的目标函数值，判断所述更新作业序列f(snew)是否优于所述前作业序列f(scur)，若是，则以所述更新作业序列f(snew)作为阶段作业序列，若所述更新作业序列f(snew)是否劣于所述初始作业序列f(s)，则计算Metropolis概率，若Metropolis概率大于U(0,1)，其中U(0,1)为在0-1的开区间中按均匀分布取随机数，则所述更新作业序列f(snew)代替前作业序列f(scur)，作为所述流水线数学模型的阶段作业序列，若Metropolis概率小于U(0,1)，则在所述全局最优解集内随机获取一个解作为所述流水线数学模型的阶段作业序列，其中Metropolis概率的计算公式如下：
Figure BDA0003751760880000051
其中T为概率参数，所述概率参数T随着迭代的次数增加而减少。
优选的，所述关键工序的获取方法如下：
引入了一对虚拟节点Obegin和Oend来分别作业的第一个工序以及作业的最后一个工序，故一个作业的最大完成时间可以表示为L(Obegin,Oend)；
获取该工序的头部长度、尾部长度以及加工工时，若三者之和等于L(Obegin,Oend)，则表示该工序为关键工序；
其中工序的头部长度的获取公式如下：
Figure BDA0003751760880000052
工序的尾部长度的获取公式如下：
Figure BDA0003751760880000053
其中
Figure BDA0003751760880000054
分别为工序Oi,j的头部长度和尾部长度，JPi,j和JSi,j分别是工序Oi,j作业前工序和作业后工序，PJPi,j和PJSi,j分别是工序Oi,j作业前工序和作业后工序的加工时间，
Figure BDA0003751760880000055
和
Figure BDA0003751760880000056
分别是作业前工序和作业后工序的头部长度和尾部长度；MPi,j和MSi,j分别是工序Oi,j机器前工序和机器后工序，PMPi,j和PMSi,j分别是工序Oi,j机器前工序和机器后工序的加工时间，
Figure BDA0003751760880000061
和
Figure BDA0003751760880000062
分别是机器前工序和机器后工序的头部长度和尾部长度。
上述技术方案中的一个技术方案具有如下优点或有益效果：可以通过本发明量化衡量排产结果，还能给出全局最优排产方案，极大限度满足了产品的排产需求。
附图说明
图1是本发明的一个实施例的流程图。
图2是本发明的一个实施例中关键工序与相邻工序交换的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1～2所示，一种基于关键工序增强优化的流水线快速优化方法，包括以下步骤：
步骤S1：获取流水线上的所有订单的信息数据，其中所述订单的信息数据包括流水线上作业的工序数量、每一工序的可用机器数量以及作业在每一个工序的加工工时；根据生产要求、订单的信息数据和约束条件构建出以最小化最大完工时间为优化目标的流水线数学模型；
步骤S2：使用基于NEH启发式方法构造初步的作业序列，将所述作业序列作为流水线数学模型的初始作业序列f(s)，并对所述初始作业序列f(s)标记为当前作业序列f(scur)；
步骤S3：对所述当前作业序列f(scur)中作业排序进行破坏以及重构，得出更新作业序列f(snew)；
步骤S4：判断所述更新作业序列f(snew)是否优于所述初始作业序列f(s)，若是，则使用所述更新作业序列f(snew)代替所述当前作业序列f(scur)，作为阶段作业序列，若否，将所述前作业序列f(scur)作为阶段作业序列；
步骤S5：重复步骤S3～S4，直至迭代次数达到阈值，停止算法运算，将最后一个所述阶段作业序列作为全局最优排产方案。
在本发明中，所述流水线数学模型是用于计算作业序列的最大完成时间，其可以通过现有的建模方式根据生产要求、订单的信息数据进行构建，不属于本发明所要保护的内容，对流水线数学模型的构建过程不作过多介绍。但是所述流水线数学模型存在有如下约束条件：
Figure BDA0003751760880000081
Cij≥Ci-1,j+Pij--式(2)；
Cij≥Cil+Pij-M*(3-Xijl-Yikj-Yikl)--式(3)；
Cil≥Cij+Pil-M*Xijl-*(2-Yikj-Yikl)--式(4)；
Cmax≥Cmj--式(5)；
Cij≥0--式(6)；
Xijl∈{0,1}--式(7)；
Yikj∈{0,1}--式(8)；
其中，Cmax为流水线数学模型，l为任意整数、n为作业数量，j为作业索引，j∈{1,..l,..,n}，m为阶段数量，i为阶段索引，i∈{1,..l,..,m}，mi为阶段i机器数量，k为机器索引，k∈{1,..l,..,mi}，Pij表示作业j在阶段i上其工序的加工工时，Cij为作业j在阶段i上其工序的完工时间，Yikj表示若在阶段i上作业j在机器k上加工，则Yikj＝1，否则Yikj j＝0，Xijl表示若在阶段i上作业j在作业l之后被加工，则Yikj＝1，否则Yikj＝0。其中式(1)用于规定每个作业只能在每个阶段中的任一台机器上加工一次，式(3)、式(4)和式(2)用于计算作业的完工时间，式(5)用于所述流水线数学模型，式(7)、式(8)和式(6)用于限制变量的可行域，M是一个极大值。
在判断更新作业序列f(snew)是否优于所述当前作业序列f(scur)时，可以将两者代入到所述流水线生产模型中，通过计算两个作业序列的最大完工时间来判断两者之间的优劣。若更新作业序列f(snew)的最大完工时间较小，则所述更新作业序列f(snew)优于所述当前作业序列f(scur)。反之所述当前作业序列f(scur)更优。
优选的，所述步骤S2中通过基于NEH启发式方法构造初步的排产方案的步骤如下：
步骤S21：所有作业按照总加工时间进行非增排序，其中作业总工时的计算公式如下：
Figure BDA0003751760880000091
其中Pj表示第j个作业的总工时，Pij表示第j个作业第i个工序的加工时间，其中i∈{1，.....,m}，m为作业的工序数量；
步骤S22：在作业总加工时间的非增排序中第一个作业作为优化排序的初始序列，并按照所述非增排序的顺序将非增排序内的作业插逐个插入至当前优化序列，直至非增排序中所有作业均插入至所述优化排序内，将所述优化排序作为所述初始作业序列f(s)；
其中当所述优化排序被插入时，所述作业被插入至所述优化排序的所有可插入位置，并获取所有新排序，并将所有新排序代入至所述流水线数学模型中获取具有最优目标函数值的排序，更新所述优化排序。
在一个实施例中，一共有6个作业，将6个作业分别使用所述作业总工时的计算公式计算出6个作业的的总加工时间，并作出非增排序，例如得到的作业排序为4→1→5→6→3→2，；
然后将序列ζ中第一作业优化排序的初始序列，在本实施例中以作业4为优化排序的初始序列，W从2至6开始迭代，将非增排序进行迭代插入；
当W＝2时，取出非增排序中的第W个作业1,插入现有序列4的的所有可插入位置，即第1,2个位置，得到2个子序列1→4和4→1，并计算出两个子序列在所述流水线数学模型的目标函数值分别为19和20，故选择最优的子序列1→4作为下一次迭代的输入；
当W＝3时，取出非增排序中的第W个作业5,插入现有序列1→4的所有可插入位置，即第1,2,3个位置，得到3个子序列5→1→4，1→5→4和1→4→5，并计算出三个子序列在所述流水线数学模型的目标函数值分别为25，20和21，故选择最优的子序列1→5→4作为下一次迭代的输入；同理依次将非增排序中的作业迭代至所述优化排序中，直至所有作业迭代完成，得到最终的优化排序作为所述初始作业序列f(s)。
优选的，所述步骤S3中对当前作业序列f(scur)中作业排序进行破坏的过程如下：
设置破坏长度d，其中破坏长度d大于1且小于n，n为作业总数量，在工序的作业排序中随机剔除d个作业，得到被破坏作业排序，并将剔除的作业按照剔除的顺序进行保存至移除序列内。
假设初始作业序列f(s)为作业数量n为10的作业序列：
5→8→3→2→1→9→6→4→10→7，破坏长度d参数设定为4,在破坏阶段，将以随机的方式在初始作业序列f(s)中逐个移除共4个位置上的作业。
步骤1：假设pos＝5,说明将要移除位置5上的作业，得到保留序列[5→8→3→2→9→6→4→10→7]，移除的作业1添加进移除序列[1]；
步骤2：假设pos＝7,则移除剩余序列位置7上的作业，得到保留序列[5→8→3→2→9→6→10→7]，移除的作业4添加进移除序列[1→4]；
步骤3：假设pos＝2,则移除剩余序列位置2上的作业，得到保留序列[5→3→2→9→6→10→7]，移除的作业8添加进移除序列[1→4→8]；
步骤4：假设pos＝3,则移除剩余序列位置3上的作业，得到保留序列[5→3→9→6→10→7]，移除的作业2添加进移除序列[1→4→8→2]。
优选的，所述步骤S3中对当前作业序列f(scur)中作业排序进行重构的过程如下：
移除序列的作业按照剔除的顺序插入至被破坏作业排序内，其中当所述被破坏作业排序被插入时，所述被剔除的作业被插入至所述被破坏作业排序的所有可插入位置，并获取所述被破坏作业排序的所有新序列，并被破坏作业排序的所有新序列分别代入至所述流水线数学模型中获取最优目标函数值的排序，更新得到更新作业序列f(snew)；
在此处重构的过程与上述基于NEH启发式方法构造初步的排产方案相似，使用所述移除序列的作业按照剔除的顺序插入至被破坏作业排序，并在所述被剔除的作业被插入至所述被破坏作业排序的所有可插入位置时，不断计算新序列在流水线数学模型的目标函数值，将最优解作为迭代的基础，直至移除序列所有的作业都插入所述被破坏作业排序内，完成当前作业序列f(scur)的重构，得到更新作业序列f(snew)。
优选的，在获取得到所述当前作业序列f(scur)以及更新作业序列f(snew)后，需要执行如下步骤：
步骤A：对所述当前作业序列f(scur)或更新作业序列f(snew)进行识别，得到当前作业序列f(scur)或更新作业序列f(snew)中能够减少最大完工时间的工序，并标记为关键工序；
判断关键工序的邻域是否存在有其他工序，若存在，在将所述关键工序与邻域工序进行交换，得到优化作业序列f(sg)，并将所述优化作业序列f(sg)输入所述流水线数学模型中，再次判断所述优化作业序列f(sg)是否优于所述当前作业序列f(scur)或更新作业序列f(snew)，若是，则使用所述优化作业序列f(sg)代替更新所述所述当前作业序列f(scur)或更新作业序列f(snew)，若否，则保留所述当前作业序列f(scur)或更新作业序列f(snew)。
在本发明的步骤A中为对当前作业序列f(scur)或更新作业序列f(snew)进行优化过程，通过此步骤可以加快计算的速度以及有效提高作业序列。
本发明中的邻域算子采用两工序交换位置的方式，如图2所示，值得注意的是，其中一个工序必须是关键工序，而另一个工序则是同个阶段中与第一个工序非同机器上的任一工序，在选中两个工序后，进行交换位置，并使用所述流水线数学模型对交换位置后的排序进行目标值的计算，判断两者之间的最优解。在图2的上方的M2-2中的第二个工序为关键工序，其相邻的工序为M2-1的第一工序，然后将M2-2中的第二个工序与M2-1的第一工序进行叫交换，得到图2下方的图。在邻域算子交换的计算中，可以无需将整个作业序列输入至所述流水线数学模型中，可以只将交换邻域算子的作业序列进行计算即可，因为其他排序均无发生改变，若再次计算则会浪费计算的内存。使用此方式计算交换领域的工序来说，可以有效提升计算的速度以及效率。
优选的，还包括以下步骤建立全局最优解集，其中所述全局最优解集内存储的第一个作业序列为第一个所述当前作业序列f(scur)；
当步骤A中得到优化作业序列f(sg)后，将所述优化作业序列f(sg)与所述全局最优解集内的作业序列进行比较，若优化作业序列f(sg)优于所述局最优解集内的作业序列，则清空所述全局最优解集，将所述优化作业序列f(sg)添加至所述全局最优解集内；
若优化作业序列f(sg)劣于所述局最优解集内的作业序列，则将所述优化作业序列f(sg)存储在所述全局最优解集内。
传统上，标准型迭代贪婪算法为了避免陷入解空间的局部最优解区域，找到全局最优解，方法是在解空间其它区域(非当前局部最优解区域)中，以该区域中一个质量较差的解作为当前作业序列f(scur)进入下一次迭代搜索，而就该当前解(质量较差)进行搜索全局最优解，需要进行大量的运算，深度搜索，这不可避免地浪费宝贵的计算资源，降低求解效率。
但是在本发明中增加了全局最优解集，在算法运行中，每一代迭代搜索得到的解(所述当前作业序列f(scur)和更新作业序列f(snew))，都会跟优化作业序列f(sg)的优劣进行比较，若优于优化作业序列f(sg)，则将“全局最优解集”清空，并将新解(所述当前作业序列f(scur)或更新作业序列f(snew))更新进“全局最优解集”中，若等于全局最优解，则将新解更新进“全局最优解集”中。所以“全局最优解集”中的每一个解都是当前的全局最优解。
优选的，步骤S3中所述判断所述更新作业序列f(snew)是否优于所述当前作业序列f(scur)的步骤如下：
步骤B1：将所述更新作业序列f(snew)以及所述前作业序列f(scur)分别输入至所述流水线数学模型内计算两个排序方案的目标函数值，判断所述更新作业序列f(snew)是否优于所述前作业序列f(scur)，若是，则以所述更新作业序列f(snew)作为阶段作业序列，若所述更新作业序列f(snew)是否劣于所述初始作业序列f(s)，则计算Metropolis概率，若Metropolis概率大于U(0,1)，其中U(0,1)为在0-1的开区间中按均匀分布取随机数，则所述更新作业序列f(snew)代替前作业序列f(scur)，作为所述流水线数学模型的阶段作业序列，若Metropolis概率小于U(0,1)，则在所述全局最优解集内随机获取一个解作为所述流水线数学模型的阶段作业序列，其中Metropolis概率的计算公式如下：
Figure BDA0003751760880000131
其中T为概率参数，所述概率参数T随着迭代的次数增加而减少。
优选的，所述关键工序的获取方法如下：
引入了一对虚拟节点Obegin和Oend来分别作业的第一个工序以及作业的最后一个工序，故一个作业的最大完成时间可以表示为L(Obegin,Oend)；
获取该工序的头部长度、尾部长度以及加工工时，若三者之和等于L(Obegin,Oend)，则表示该工序为关键工序；
其中工序的头部长度的获取公式如下：
Figure BDA0003751760880000141
工序的尾部长度的获取公式如下：
Figure BDA0003751760880000142
其中
Figure BDA0003751760880000143
分别为工序Oi,j的头部长度和尾部长度，JPi,j和JSi,j分别是工序Oi,j作业前工序和作业后工序，PJPi,j和PJSi,j分别是工序Oi,j作业前工序和作业后工序的加工时间，
Figure BDA0003751760880000144
和
Figure BDA0003751760880000145
分别是作业前工序和作业后工序的头部长度和尾部长度；MPi,j和MSi,j分别是工序Oi,j机器前工序和机器后工序，PMPi,j和PMSi,j分别是工序Oi,j机器前工序和机器后工序的加工时间，
Figure BDA0003751760880000146
和
Figure BDA0003751760880000147
分别是机器前工序和机器后工序的头部长度和尾部长度。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨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，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种基于关键工序增强优化的流水线快速优化方法，其特征在于，包括以下步骤：
步骤S1：获取流水线上的所有订单的信息数据，其中所述订单的信息数据包括流水线上作业的工序数量、每一工序的可用机器数量以及作业在每一个工序的加工工时；根据生产要求、订单的信息数据和约束条件构建出以最小化最大完工时间为优化目标的流水线数学模型；
步骤S2：使用基于NEH启发式方法构造初步的作业序列，将所述作业序列作为流水线数学模型的初始作业序列f(s)，并对所述初始作业序列f(s)标记为当前作业序列f(scur)；
步骤S3：对所述当前作业序列f(scur)中作业排序进行破坏以及重构，得出更新作业序列f(snew)；
步骤S4：判断所述更新作业序列f(snew)是否优于所述初始作业序列f(s)，若是，则使用所述更新作业序列f(snew)代替所述当前作业序列f(scur)，作为阶段作业序列，若否，将所述前作业序列f(scur)作为阶段作业序列；
步骤S5：重复步骤S3～S4，直至迭代次数达到阈值，停止算法运算，将最后一个所述阶段作业序列作为全局最优排产方案。
2.根据权利要求1所述的一种基于关键工序增强优化的流水线快速优化方法，其特征在于，所述步骤S2中通过基于NEH启发式方法构造初步的排产方案的步骤如下：
步骤S21：所有作业按照总加工时间进行非增排序，其中作业总工时的计算公式如下：
Figure FDA0003751760870000011
其中Pj表示第j个作业的总工时，Pij表示第j个作业第i个工序的加工时间，其中i∈{1，.....,m}，m为作业的工序数量；
步骤S22：在作业总加工时间的非增排序中第一个作业作为优化排序的初始序列，并按照所述非增排序的顺序将非增排序内的作业插逐个插入至当前优化序列，直至非增排序中所有作业均插入至所述优化排序内，将所述优化排序作为所述初始作业序列f(s)；
其中当所述优化排序被插入时，所述作业被插入至所述优化排序的所有可插入位置，并获取所有新排序，并将所有新排序代入至所述流水线数学模型中获取具有最优目标函数值的排序，更新所述优化排序。
3.根据权利要求2所述的一种基于关键工序增强优化的流水线快速优化方法，其特征在于，所述步骤S3中对当前作业序列f(scur)中作业排序进行破坏的过程如下：
设置破坏长度d，其中破坏长度d大于1且小于n，n为作业总数量，在工序的作业排序中随机剔除d个作业，得到被破坏作业排序，并将剔除的作业按照剔除的顺序进行保存至移除序列内。
4.根据权利要求3所述的一种基于关键工序增强优化的流水线快速优化方法，其特征在于，所述步骤S3中对当前作业序列f(scur)中作业排序进行重构的过程如下：
移除序列的作业按照剔除的顺序插入至被破坏作业排序内，其中当所述被破坏作业排序被插入时，所述被剔除的作业被插入至所述被破坏作业排序的所有可插入位置，并获取所述被破坏作业排序的所有新序列，并被破坏作业排序的所有新序列分别代入至所述流水线数学模型中获取最优目标函数值的排序，更新得到更新作业序列f(snew)。
5.根据权利要求1所述的一种基于关键工序增强优化的流水线快速优化方法，其特征在于，在获取得到所述当前作业序列f(scur)以及更新作业序列f(snew)后，需要执行如下步骤：
步骤A：对所述当前作业序列f(scur)或更新作业序列f(snew)进行识别，得到当前作业序列f(scur)或更新作业序列f(snew)中能够减少最大完工时间的工序，并标记为关键工序；
判断关键工序的邻域是否存在有其他工序，若存在，在将所述关键工序与邻域工序进行交换，得到优化作业序列f(sg)，并将所述优化作业序列f(sg)输入所述流水线数学模型中，再次判断所述优化作业序列f(sg)是否优于所述当前作业序列f(scur)或更新作业序列f(snew)，若是，则使用所述优化作业序列f(sg)代替更新所述所述当前作业序列f(scur)或更新作业序列f(snew)，若否，则保留所述当前作业序列f(scur)或更新作业序列f(snew)。
6.根据权利要求5所述的一种基于关键工序增强优化的流水线快速优化方法，其特征在于，还包括以下步骤：建立全局最优解集，其中所述全局最优解集内存储的第一个作业序列为第一个所述当前作业序列f(scur)；
当步骤A中得到优化作业序列f(sg)后，将所述优化作业序列f(sg)与所述全局最优解集内的作业序列进行比较，若优化作业序列f(sg)优于所述局最优解集内的作业序列，则清空所述全局最优解集，将所述优化作业序列f(sg)添加至所述全局最优解集内；
若优化作业序列f(sg)劣于所述局最优解集内的作业序列，则将所述优化作业序列f(sg)存储在所述全局最优解集内。
7.根据权利要求6所述的一种基于关键工序增强优化的流水线快速优化方法，其特征在于，步骤S4中所述判断所述更新作业序列f(snew)是否优于所述前作业序列f(scur)的步骤如下：
步骤B1：将所述更新作业序列f(snew)以及所述前作业序列f(scur)分别输入至所述流水线数学模型内计算两个排序方案的目标函数值，判断所述更新作业序列f(snew)是否优于所述前作业序列f(scur)，若是，则以所述更新作业序列f(snew)作为阶段作业序列，若所述更新作业序列f(snew)是否劣于所述初始作业序列f(s)，则计算Metropolis概率，若Metropolis概率大于U(0,1)，其中U(0,1)为在0-1的开区间中按均匀分布取随机数，则所述更新作业序列f(snew)代替前作业序列f(scur)，作为所述流水线数学模型的阶段作业序列，若Metropolis概率小于U(0,1)，则在所述全局最优解集内随机获取一个解作为所述流水线数学模型的阶段作业序列，其中Metropolis概率的计算公式如下：
Figure FDA0003751760870000041
其中T为概率参数，所述概率参数T随着迭代的次数增加而减少。
8.根据权利要求5所述的一种基于关键工序增强优化的流水线快速优化方法，其特征在于，所述关键工序的获取方法如下：
引入了一对虚拟节点Obegin和Oend来分别作业的第一个工序以及作业的最后一个工序，故一个作业的最大完成时间可以表示为L(Obegin,Oend)；
获取该工序的头部长度、尾部长度以及加工工时，若三者之和等于L(Obegin,Oend)，则表示该工序为关键工序；
其中工序的头部长度的获取公式如下：
Figure FDA0003751760870000042
工序的尾部长度的获取公式如下：
Figure FDA0003751760870000043
其中
Figure FDA0003751760870000044
分别为工序Oi,j的头部长度和尾部长度，JPi,j和JSi,j分别是工序Oi,j作业前工序和作业后工序，PJPi,j和PJSi,j分别是工序Oi,j作业前工序和作业后工序的加工时间，
Figure FDA0003751760870000051
和
Figure FDA0003751760870000052
分别是作业前工序和作业后工序的头部长度和尾部长度；MPi,j和MSi,j分别是工序Oi,j机器前工序和机器后工序，PMPi,j和PMSi,j分别是工序Oi,j机器前工序和机器后工序的加工时间，
Figure FDA0003751760870000053
和
Figure FDA0003751760870000054
分别是机器前工序和机器后工序的头部长度和尾部长度。
CN202210842787.0A 2022-07-18 2022-07-18 一种基于关键工序增强优化的流水线快速优化方法 Active CN115186495B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210842787.0A CN115186495B (zh) 2022-07-18 2022-07-18 一种基于关键工序增强优化的流水线快速优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210842787.0A CN115186495B (zh) 2022-07-18 2022-07-18 一种基于关键工序增强优化的流水线快速优化方法

Publications (2)

Publication Number Publication Date
CN115186495A true CN115186495A (zh) 2022-10-14
CN115186495B CN115186495B (zh) 2023-05-02

Family

ID=83518616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210842787.0A Active CN115186495B (zh) 2022-07-18 2022-07-18 一种基于关键工序增强优化的流水线快速优化方法

Country Status (1)

Country Link
CN (1) CN115186495B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738499A (zh) * 2020-06-10 2020-10-02 大连理工大学 一种基于新型邻域结构的作业车间分批调度方法
CN112001618A (zh) * 2020-08-18 2020-11-27 西安建筑科技大学 一种工期指派、订单接受与生产调度集成优化方法
CN112580922A (zh) * 2020-09-30 2021-03-30 北京工业大学 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法
WO2021068274A1 (zh) * 2019-10-10 2021-04-15 清华大学 基于操作完工时间快速预测的集成电路生产线调度方法
CN114595633A (zh) * 2022-03-12 2022-06-07 北京工业大学 一种基于多约束的多目标柔性作业车间节能调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021068274A1 (zh) * 2019-10-10 2021-04-15 清华大学 基于操作完工时间快速预测的集成电路生产线调度方法
CN111738499A (zh) * 2020-06-10 2020-10-02 大连理工大学 一种基于新型邻域结构的作业车间分批调度方法
CN112001618A (zh) * 2020-08-18 2020-11-27 西安建筑科技大学 一种工期指派、订单接受与生产调度集成优化方法
CN112580922A (zh) * 2020-09-30 2021-03-30 北京工业大学 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法
CN114595633A (zh) * 2022-03-12 2022-06-07 北京工业大学 一种基于多约束的多目标柔性作业车间节能调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
袁帅鹏: "具有特殊约束的流水车间成组调度问题研究", 《中国博士学位论文全文数据库 工程科技Ⅰ辑》 *

Also Published As

Publication number Publication date
CN115186495B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
Li et al. An improved artificial bee colony algorithm for distributed heterogeneous hybrid flowshop scheduling problem with sequence-dependent setup times
Gao et al. An improved artificial bee colony algorithm for flexible job-shop scheduling problem with fuzzy processing time
Wang et al. An enhanced Pareto-based artificial bee colony algorithm for the multi-objective flexible job-shop scheduling
CN112001618B (zh) 一种工期指派、订单接受与生产调度集成优化方法
Zhang et al. A hybrid immune simulated annealing algorithm for the job shop scheduling problem
CN109946965A (zh) 一种基于改进的多目标Jaya算法的离散制造车间排产方法
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
CN113379087A (zh) 一种基于改进遗传算法的生产制造排产优化方法
CN112907150B (zh) 一种基于遗传算法的生产排程方法
CN114399227A (zh) 一种基于数字孪生的生产调度方法、装置及计算机设备
He et al. Optimization of energy-efficient open shop scheduling with an adaptive multi-objective differential evolution algorithm
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
CN106611275A (zh) 针对作业车间生产问题的排产算法
CN107831740A (zh) 一种应用于笔记本零件的分布式生产制造过程中的优化调度方法
Gu et al. A discrete particle swarm optimization algorithm with adaptive inertia weight for solving multiobjective flexible job-shop scheduling problem
Zhang et al. Hierarchical multistrategy genetic algorithm for integrated process planning and scheduling
CN115018387A (zh) 订单揉合管理方法、系统、设备及存储介质
CN116985146B (zh) 退役电子产品的机器人并行拆解规划方法
CN111626496B (zh) 一种柔性装配作业车间调度的混合优化方法
CN106934485B (zh) 基于遗传算法的一种新型一维排演下料方法
CN115186495A (zh) 一种基于关键工序增强优化的流水线快速优化方法
CN116774657A (zh) 一种基于鲁棒优化的再制造车间动态调度方法
Chenyang et al. Improved simulated annealing algorithm for flexible job shop scheduling problems
CN114926075A (zh) 基于工时预测的机械零件生产调度方法
Naderi et al. No-idle time Scheduling of Open shops: Modeling and Meta-heuristic Solution Methods

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