CN115204619A - 基于改进遗传算法解码的柔性车间调度方法、设备及系统 - Google Patents
基于改进遗传算法解码的柔性车间调度方法、设备及系统 Download PDFInfo
- Publication number
- CN115204619A CN115204619A CN202210715760.5A CN202210715760A CN115204619A CN 115204619 A CN115204619 A CN 115204619A CN 202210715760 A CN202210715760 A CN 202210715760A CN 115204619 A CN115204619 A CN 115204619A
- Authority
- CN
- China
- Prior art keywords
- machine
- decoding
- time
- genetic algorithm
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 170
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 48
- 230000002068 genetic effect Effects 0.000 title claims abstract description 46
- 210000000349 chromosome Anatomy 0.000 claims abstract description 61
- 108090000623 proteins and genes Proteins 0.000 claims description 41
- 238000003754 machining Methods 0.000 claims description 20
- 230000035772 mutation Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 101150097657 Rest gene Proteins 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000002922 simulated annealing 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (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
本发明公开了一种基于改进遗传算法解码的柔性车间调度方法、设备及系统,属于柔性作业车间调度技术领域,包括步骤:S1,确定用于解决柔性作业车间调度的遗传算法的参数,编码及初始化种群;S2,利用改进遗传算法解码处理:在解码过程中结合多时间窗口,根据染色体的工序序列的先后顺序,在满足工序先后约束的情况下将工序插入到机器对应的最佳可行的加工时刻上,并计算、评价种群中每个染色体个体的适应度值即目标值,如果满足结束条件则输出解,解即为最优柔性车间调度,并且结束运行,否则执行后续步骤。本发明使在实际生产过程中,将任务更加合理的分配到机器的可用时间内。
Description
技术领域
本发明涉及柔性作业车间调度技术领域,更为具体的,涉及一种基于改进遗传算法解码的柔性车间调度方法、设备及系统。
背景技术
作业车间调度问题(Job-shop Scheduling Problem,JSP)是所有生产调度中最复杂、最困难、也是最具有普遍性的问题之一,是典型的NP-hard问题。作业车间调度相应的优化是先进制造技术和现代化管理技术的核心。柔性作业车间调度问题(Flexible Job-ShopScheduling Problem,FJSP)是经典JSP的扩展,它不仅需要确定工序加工的顺序,还要给每个工序分配机器,因此是比JSP更加复杂的NP-hard问题。目前针对柔性作业车间调度问题的群体智能优化算法研究很多,如遗传算法、模拟退火、禁忌搜索、粒子群算法。
其中,遗传算法以其鲁棒性号、通用性强、计算性能优良,且具有隐含并行性和全局搜索能力等特点,多用于解决柔性作业车间调度问题。传统遗传算法在解码时,默认机器产品从生产开始到结束的时间内都是可用的,但生产实际中,生产周期长,存在机器在夜晚、休息日、固定维修时等不工作的情况。
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解码的柔性车间调度方法、设备及系统,使在实际生产过程中,将任务更加合理的分配到机器的可用时间内。
本发明的目的是通过以下方案实现的:
一种基于改进遗传算法解码的柔性车间调度方法,包括以下步骤:
S1,确定用于解决柔性作业车间调度的遗传算法参数,编码及初始化种群;
S2,利用改进遗传算法解码处理:在解码过程中结合多时间窗口,根据染色体的工序序列的先后顺序,在满足工序先后约束的情况下将工序插入到机器对应的最佳可行的加工时刻上,并计算、评价种群中每个染色体个体的适应度值即目标值,如果满足结束条件则输出解,解即为最优柔性车间调度,并且结束运行,否则执行后续步骤S3~步骤S6。
进一步地,所述后续步骤包括:
S3,用锦标赛选择方法进行选择操作,并采用有放回的抽样,从种群中选择个体,将目标值最好的个体放入交叉池中,选取出下一代;
S4,交叉,对交叉池中的染色体个体满足交叉概率的染色体按照交叉策略进行交叉操作;
S5,变异,对交叉得到的染色体满足变异概率的染色体个体按变异策略进行变异,得到新一代种群;
S6,将新一代种群返回步骤S2,继续利用改进遗传算法解码处理。
进一步地,在步骤S1中,编码由机器序列和工序序列两部分组成,形成一个染色体,也就是柔性车间调度的一个可行解;其中,机器序列中每个基因代表该工序选择的第几台可用加工机器;工序序列中,每个基因代表工件号,根据其在染色体中出现第几次表示其第几道工序。
进一步地,在步骤S1中,所述初始化包括子步骤:采用全局搜索、局部搜索和随机初始化的方案,将其比例分别设置为0.6、0.2、0.2,生成种群个体。
进一步地,在步骤S2中,包括子步骤:
步骤S21,对机器选择部分解码,从左到右依次读取机器部分染色体,并转换到机器顺序矩阵Jm和时间顺序矩阵T;Jm(j,h)表示第j个工件的第H道加工工序的机器号,Jm(j,…)表示工件j的所有加工工序按照优先顺序加工的各个机器号的排列,T(j,h)表示第j个工件的第h道工序加工时间;Jm(j,h)与T(j,h)是一一对应关系;
步骤S22,对工序部分染色体进行解码,根据机器选择部分解码得到的机器矩阵和时间矩阵,同时结合个机器的有效工作时间即多时间窗口,依次得到每个工件的加工工序所对应的加工机器和加工时间,得到调度结果。
进一步地,在步骤S22中,包括子步骤:
场景1,如果工序Ojh既是工件Jj的第一道工序,又是机器Mi第一道加工工序,从第一个大于该工序的加工时长的时间窗的开始时间开始进行加工;
场景2,如果工序Ojh不是工件Jj的第一道工序,但是是机器Mi的第一道加工工序,那么用它的上道工序Oj(h-1)的结束时间与机器Mi的时间窗作比较,存在如下两种情况:情况1:它的上道工序Oj(h-1)的结束时间小于机器Mi其中的第一个时间窗的开始时间,且该时间窗大于该工序的加工时间,那么该工序从该时间窗的开始时间开始加工;情况2:它的上道工序Oj(h-1)的结束时间大于于机器Mi其中的第一个时间窗的开始时间,且该时间窗的结束时间减去它的上道工序Oj(h-1)的结束时间的差值大于该工序的加工时间,那么该工序从它上道工序结束开始加工;
场景3,如果工序Ojh既不是工件Jj的第一道工序,又不是机器Mi第一道加工工序,那么,首先求出该机器剩余的可用时间段,然后再根据场景2中的情况进行解码。
进一步地,在步骤S4中,包括子步骤:
机器序列采用的是均匀交叉方式,随机生成交叉的多个位置,将2个个体的对应位置的基因进行互换;工序序列采用POX交叉方式,将工件集随机分成2个集合J1和J2,子代染色体C1/C2继承父代P1/P2中集合J1/J2内的工件所对应的基因,C1/C2其余的基因位则分别由P1/P2删除了C1/C2中已经确定的基因后所剩的基因按顺序填充。
进一步地,在步骤S5中,包括子步骤:
染色体机器序列部分采用随机替换可使用机器,随机从其机器序列中选出一个基因,根据该基因找到所属的工序,从其可选机器集中随机选择一个机器号,代替该基因;染色体工序序列采用互换变异,随机选择2个位置,对基因进行互换。
一种基于改进遗传算法解码的柔性车间调度设备,包括处理器和存储器,存储器中存储有程序,当程序被处理器加载时执行如上任一所述的基于改进遗传算法解码的柔性车间调度方法。
一种基于改进遗传算法解码的柔性车间调度系统,包括如上所述的基于改进遗传算法解码的柔性车间调度设备。
本发明的有益效果包括:
本发明只将在产品生产周期内的机器可用时间参与柔性作业车间调度问题中,通过采用改进遗传算法解码进行求解,使其更加符合生产实际。提供了一种结合多时间窗口求解柔性车间调度的新方法,相比于基于传统的遗传算法的调度方法在求解质量上更加贴合实际,任务调度更加合理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为表1的机器时间对应的调度结果甘特图;
图2为表2的机器时间对应的调度结果甘特图;
图3为表3的机器时间对应的调度结果甘特图;
图4为本发明方法的步骤流程图。
具体实施方式
下面结合附图和实施例对发明进一步说明。本说明书中所有实施例公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合和/或扩展、替换。
在具体实施例中,包括如下步骤:
步骤S1,确定用于解决柔性作业车间调度的遗传算法的参数,编码及初始化种群。确定参数,包括种群规模P、迭代次数G、初始化方法比例(全局搜索、局部搜索和随机)、交叉概率Pc、变异概率Pm等。
具体的实施方式中,编码由机器序列和工序序列两部分组成,形成一个染色体,也就是柔性车间调度的一个可行解,其中,机器序列中每个基因代表该工序选择的第几台可用加工机器;工序序列中,每个基因代表工件号,根据其在染色体中出现第几次表示其第几道工序。初始化,采用全局搜索、局部搜索和随机初始化的方案,将其比例分别设置为0.6、0.2、0.2,生成种群个体。利用提出的初始化方法按照比例进行初始化,产生质量较好的种群。
步骤S2,利用改进遗传算法解码处理:在解码过程中结合多时间窗口,根据染色体的工序序列的先后顺序,在满足工序先后约束的情况下将工序插入到机器对应的最佳可行的加工时刻上,并计算、评价种群中每个染色体个体的适应度值即目标值,如果满足结束条件则输出解,解即为最优柔性车间调度,并且结束运行,否则执行后续步骤S3~S6。
具体的实施方式中,解码采用贪婪式解码:即根据染色体的工序序列的先后顺序,在满足工序先后约束的情况下将工序插入到机器对应的最佳可行的加工时刻上。结合多时间窗口,其具体解码过程为:
步骤一,对机器选择部分解码,从左到右依次读取机器部分染色体,并转换到机器顺序矩阵Jm和时间顺序矩阵T。Jm(j,h)表示第j个工件的第H道加工工序的机器号,Jm(j,…)表示工件j的所有加工工序按照优先顺序加工的各个机器号的排列,T(j,h)表示第j个工件的第h道工序加工时间。Jm(j,h)与T(j,h)是一一对应关系;
步骤二,对工序部分染色体进行解码,根据机器选择部分解码得到的机器矩阵和时间矩阵,同时结合个机器的有效工作时间即多时间窗口,依次得到每个工件的加工工序所对应的加工机器和加工时间,得到调度结果。其具体步骤如下:
1)如果工序Ojh既是工件Jj的第一道工序,又是机器Mi第一道加工工序,从第一个大于该工序的加工时长的时间窗的开始时间开始进行加工;
2)如果工序Ojh不是工件Jj的第一道工序,但是是机器Mi的第一道加工工序,那么用它的上道工序Oj(h-1)的结束时间与机器Mi的时间窗作比较,情况1,它的上道工序Oj(h-1)的结束时间小于机器Mi其中的第一个时间窗的开始时间,且该时间窗大于该工序的加工时间,那么该工序从该时间窗的开始时间开始加工;情况2,它的上道工序Oj(h-1)的结束时间大于于机器Mi其中的第一个时间窗的开始时间,且该时间窗的结束时间减去它的上道工序Oj(h-1)的结束时间的差值大于该工序的加工时间,那么该工序从它上道工序结束开始加工。
3)如果工序Ojh既不是工件Jj的第一道工序,又不是机器Mi第一道加工工序,那么,首先求出该机器剩余的可用时间段,然后再根据2)中的情况进行解码。
步骤S3,用锦标赛选择方法进行选择操作,选取出下一代。
具体的实施方式中,选择操作,采用锦标赛方法,并采用有放回的抽样,从中种群中选择3个个体,将目标值最好的个体放入交叉池中。
步骤S4,交叉,对交叉池中的染色体个体满足交叉概率的染色体按照交叉策略进行交叉操作。
具体的实施方式中,交叉操作,机器序列采用的是均匀交叉方式,随机生成交叉的多个位置,将2个个体的对应位置的基因进行互换;工序序列采用POX交叉方式,将工件集随机分成2个集合J1和J2,子代染色体C1/C2继承父代P1/P2中集合J1/J2内的工件所对应的基因,C1/C2其余的基因位则分别由P1/P2删除了C1/C2中已经确定的基因后所剩的基因按顺序填充。
步骤S5,变异,对交叉得到的染色体满足变异概率的染色体个体按变异策略进行变异,得到新一代种群。
具体的实施方式中,变异操作,染色体机器序列部分采用随机替换可使用机器,随机从其机器序列中选出一个基因,根据该基因找到所属的工序,从其可选机器集中随机选择一个机器号,代替该基因;染色体工序序列采用互换变异,随机选择2个位置,对基因进行互换。
步骤S6,返回步骤S2。
在一种实施案例中,该案例是一个6个工件,6台可选的加工机器,6台机器的可用加工时间分别如表1、表2、表3,总工序数量为33的一个柔性作业车间调度案例,以最大工件完工时间为优化目标进行柔性作业车间调度。该案例的详细数据如表4所示:
表1 6台机器只有一个时间窗口
机器 | 开始时间(h) | 结束时间(h) |
M1 | 0 | 100 |
M2 | 0 | 100 |
M3 | 0 | 100 |
M4 | 0 | 100 |
M5 | 0 | 100 |
M6 | 0 | 100 |
表2 6台机器都有两个时间窗口
机器 | 开始时间(h) | 结束时间(h) |
M1 | 0,10 | 20,100 |
M2 | 0,10 | 20,100 |
M3 | 0,10 | 20,100 |
M4 | 0,10 | 20,100 |
M5 | 0,10 | 20,100 |
M6 | 0,10 | 20,100 |
表3机器M1,M3,M5一个时间窗口但机器M2,M4,M6两个时间窗口
机器 | 开始时间(h) | 结束时间(h) |
M1 | 0,10 | 20,100 |
M2 | 0 | 100 |
M3 | 0,10 | 20,100 |
M4 | 0 | 100 |
M5 | 0,10 | 20,100 |
M6 | 0 | 100 |
表4案例的工件、工序、可加工机器、加工时长等信息
其中,表1机器的可用加工时间调度结果如图1,为48h;表2机器的可用加工时间调度结果如图2,为61h;表3机器的可用加工时间如图3,为55h。通过图1、图2比较,图2可以清晰的看到在机器在10~20h不工作,但其调度结果61h并不是图1的调度结果48h加上所有机器空闲时间10h,其原因为剩余的时间小于工序的加工时长,需将该工序从下个时间窗开始加工,符合解决夜晚,休息日的问题;通过图1、图3比较,图3可以清楚的看到,机器M2、M4、M6在10~20h不工作,其调度结果55h,符合解决一部分机器在固定维修日进行维修,一部分机器正常工作。总结,改进遗传算法解码,在解码过程中结合多时间窗口,排除在生产周期内,夜晚、休息日、维修日机器不工作的情况,更加符合生产实际,调度结果更加合理。
实施例1
如图4所示,一种基于改进遗传算法解码的柔性车间调度方法,包括以下步骤:
S1,确定用于解决柔性作业车间调度的遗传算法参数,编码及初始化种群;
S2,利用改进遗传算法解码处理:在解码过程中结合多时间窗口,根据染色体的工序序列的先后顺序,在满足工序先后约束的情况下将工序插入到机器对应的最佳可行的加工时刻上,并计算、评价种群中每个染色体个体的适应度值即目标值,如果满足结束条件则输出解,解即为最优柔性车间调度,并且结束运行,否则执行后续步骤S3~步骤S6。
实施例2
在实施例1的基础上,所述后续步骤包括:
S3,用锦标赛选择方法进行选择操作,并采用有放回的抽样,从种群中选择个体,将目标值最好的个体放入交叉池中,选取出下一代;
S4,交叉,对交叉池中的染色体个体满足交叉概率的染色体按照交叉策略进行交叉操作;
S5,变异,对交叉得到的染色体满足变异概率的染色体个体按变异策略进行变异,得到新一代种群;
S6,将新一代种群返回步骤S2,继续利用改进遗传算法解码处理。
实施例3
在实施例1的基础上,在步骤S1中,编码由机器序列和工序序列两部分组成,形成一个染色体,也就是柔性车间调度的一个可行解;其中,机器序列中每个基因代表该工序选择的第几台可用加工机器;工序序列中,每个基因代表工件号,根据其在染色体中出现第几次表示其第几道工序。
实施例4
在实施例1的基础上,在步骤S1中,所述初始化包括子步骤:采用全局搜索、局部搜索和随机初始化的方案,将其比例分别设置为0.6、0.2、0.2,生成种群个体。
实施例5
在实施例1的基础上,在步骤S2中,包括子步骤:
步骤S21,对机器选择部分解码,从左到右依次读取机器部分染色体,并转换到机器顺序矩阵Jm和时间顺序矩阵T;Jm(j,h)表示第j个工件的第H道加工工序的机器号,Jm(j,…)表示工件j的所有加工工序按照优先顺序加工的各个机器号的排列,T(j,h)表示第j个工件的第h道工序加工时间;Jm(j,h)与T(j,h)是一一对应关系;
步骤S22,对工序部分染色体进行解码,根据机器选择部分解码得到的机器矩阵和时间矩阵,同时结合个机器的有效工作时间即多时间窗口,依次得到每个工件的加工工序所对应的加工机器和加工时间,得到调度结果。
实施例6
在实施例5的基础上,在步骤S22中,包括子步骤:
场景1,如果工序Ojh既是工件Jj的第一道工序,又是机器Mi第一道加工工序,从第一个大于该工序的加工时长的时间窗的开始时间开始进行加工;
场景2,如果工序Ojh不是工件Jj的第一道工序,但是是机器Mi的第一道加工工序,那么用它的上道工序Oj(h-1)的结束时间与机器Mi的时间窗作比较,存在如下两种情况:情况1:它的上道工序Oj(h-1)的结束时间小于机器Mi其中的第一个时间窗的开始时间,且该时间窗大于该工序的加工时间,那么该工序从该时间窗的开始时间开始加工;情况2:它的上道工序Oj(h-1)的结束时间大于于机器Mi其中的第一个时间窗的开始时间,且该时间窗的结束时间减去它的上道工序Oj(h-1)的结束时间的差值大于该工序的加工时间,那么该工序从它上道工序结束开始加工;
场景3,如果工序Ojh既不是工件Jj的第一道工序,又不是机器Mi第一道加工工序,那么,首先求出该机器剩余的可用时间段,然后再根据场景2中的情况进行解码。
实施例7
在实施例2的基础上,在步骤S4中,包括子步骤:
机器序列采用的是均匀交叉方式,随机生成交叉的多个位置,将2个个体的对应位置的基因进行互换;工序序列采用POX交叉方式,将工件集随机分成2个集合J1和J2,子代染色体C1/C2继承父代P1/P2中集合J1/J2内的工件所对应的基因,C1/C2其余的基因位则分别由P1/P2删除了C1/C2中已经确定的基因后所剩的基因按顺序填充。
实施例8
在实施例2的基础上,在步骤S5中,包括子步骤:
染色体机器序列部分采用随机替换可使用机器,随机从其机器序列中选出一个基因,根据该基因找到所属的工序,从其可选机器集中随机选择一个机器号,代替该基因;染色体工序序列采用互换变异,随机选择2个位置,对基因进行互换。
实施例9
一种基于改进遗传算法解码的柔性车间调度设备,包括处理器和存储器,存储器中存储有程序,当程序被处理器加载时执行如实施例1~实施例8任一所述的基于改进遗传算法解码的柔性车间调度方法。
实施例10
一种基于改进遗传算法解码的柔性车间调度系统,其特征在于,包括如实施例9所述的基于改进遗传算法解码的柔性车间调度设备。
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
根据本申请的一个方面,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各种可选实现方式中提供的方法。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该电子设备执行时,使得该电子设备实现上述实施例中所述的方法。
本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。
上述技术方案只是本发明的一种实施方式,对于本领域内的技术人员而言,在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形,而不仅限于本发明上述具体实施方式所描述的方法,因此前面描述的方式只是优选的,而并不具有限制性的意义。
除以上实例以外,本领域技术人员根据上述公开内容获得启示或利用相关领域的知识或技术进行改动获得其他实施例,各个实施例的特征可以互换或替换,本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (10)
1.一种基于改进遗传算法解码的柔性车间调度方法,其特征在于,包括以下步骤:
S1,确定用于解决柔性作业车间调度的遗传算法的参数,编码及初始化种群;
S2,利用改进遗传算法解码处理:在解码过程中结合多时间窗口,根据染色体的工序序列的先后顺序,在满足工序先后约束的情况下将工序插入到机器对应的最佳可行的加工时刻上,并计算、评价种群中每个染色体个体的适应度值即目标值,如果满足结束条件则输出解,解即为最优柔性车间调度,并且结束运行,否则执行后续步骤S3~步骤S6。
2.根据权利要求1所述的基于改进遗传算法解码的柔性车间调度方法,其特征在于,所述后续步骤包括:
S3,用锦标赛选择方法进行选择操作,并采用有放回的抽样,从种群中选择个体,将目标值最好的个体放入交叉池中,选取出下一代;
S4,交叉,对交叉池中的染色体个体满足交叉概率的染色体按照交叉策略进行交叉操作;
S5,变异,对交叉得到的染色体满足变异概率的染色体个体按变异策略进行变异,得到新一代种群;
S6,将新一代种群返回步骤S2,继续利用改进遗传算法解码处理。
3.根据权利要求1所述的基于改进遗传算法解码的柔性车间调度方法,其特征在于,在步骤S1中,所述编码由机器序列和工序序列两部分组成,形成一个染色体,也就是柔性车间调度的一个可行解;其中,机器序列中每个基因代表该工序选择的第几台可用加工机器;工序序列中,每个基因代表工件号,根据其在染色体中出现第几次表示其第几道工序。
4.根据权利要求1所述的基于改进遗传算法解码的柔性车间调度方法,其特征在于,在步骤S1中,所述初始化包括子步骤:采用全局搜索、局部搜索和随机初始化的方案,将其比例分别设置为0.6、0.2、0.2,生成种群个体。
5.根据权利要求1所述的基于改进遗传算法解码的柔性车间调度方法,其特征在于,在步骤S2中,包括子步骤:
步骤S21,对机器选择部分解码,从左到右依次读取机器部分染色体,并转换到机器顺序矩阵Jm和时间顺序矩阵T;Jm(j,h)表示第j个工件的第H道加工工序的机器号,Jm(j,…)表示工件j的所有加工工序按照优先顺序加工的各个机器号的排列,T(j,h)表示第j个工件的第h道工序加工时间;Jm(j,h)与T(j,h)是一一对应关系;
步骤S22,对工序部分染色体进行解码,根据机器选择部分解码得到的机器矩阵和时间矩阵,同时结合个机器的有效工作时间即多时间窗口,依次得到每个工件的加工工序所对应的加工机器和加工时间,得到调度结果。
6.根据权利要求5所述的基于改进遗传算法解码的柔性车间调度方法,其特征在于,在步骤S22中,包括子步骤:
场景1,如果工序Ojh既是工件Jj的第一道工序,又是机器Mi第一道加工工序,从第一个大于该工序的加工时长的时间窗的开始时间开始进行加工;
场景2,如果工序Ojh不是工件Jj的第一道工序,但是是机器Mi的第一道加工工序,那么用它的上道工序Oj(h-1)的结束时间与机器Mi的时间窗作比较,存在如下两种情况:情况1:它的上道工序Oj(h-1)的结束时间小于机器Mi其中的第一个时间窗的开始时间,且该时间窗大于该工序的加工时间,那么该工序从该时间窗的开始时间开始加工;情况2:它的上道工序Oj(h-1)的结束时间大于于机器Mi其中的第一个时间窗的开始时间,且该时间窗的结束时间减去它的上道工序Oj(h-1)的结束时间的差值大于该工序的加工时间,那么该工序从它上道工序结束开始加工;
场景3,如果工序Ojh既不是工件Jj的第一道工序,又不是机器Mi第一道加工工序,那么,首先求出该机器剩余的可用时间段,然后再根据场景2中的情况进行解码。
7.根据权利要求2所述的基于改进遗传算法解码的柔性车间调度方法,其特征在于,在步骤S4中,包括子步骤:
机器序列采用的是均匀交叉方式,随机生成交叉的多个位置,将2个个体的对应位置的基因进行互换;工序序列采用POX交叉方式,将工件集随机分成2个集合J1和J2,子代染色体C1/C2继承父代P1/P2中集合J1/J2内的工件所对应的基因,C1/C2其余的基因位则分别由P1/P2删除了C1/C2中已经确定的基因后所剩的基因按顺序填充。
8.根据权利要求2所述的基于改进遗传算法解码的柔性车间调度方法,其特征在于,在步骤S5中,包括子步骤:
染色体机器序列部分采用随机替换可使用机器,随机从其机器序列中选出一个基因,根据该基因找到所属的工序,从其可选机器集中随机选择一个机器号,代替该基因;染色体工序序列采用互换变异,随机选择2个位置,对基因进行互换。
9.一种基于改进遗传算法解码的柔性车间调度设备,其特征在于,包括处理器和存储器,存储器中存储有程序,当程序被处理器加载时执行如权利要求1~8任一所述的基于改进遗传算法解码的柔性车间调度方法。
10.一种基于改进遗传算法解码的柔性车间调度系统,其特征在于,包括如权利要求9所述的基于改进遗传算法解码的柔性车间调度设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210715760.5A CN115204619A (zh) | 2022-06-23 | 2022-06-23 | 基于改进遗传算法解码的柔性车间调度方法、设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210715760.5A CN115204619A (zh) | 2022-06-23 | 2022-06-23 | 基于改进遗传算法解码的柔性车间调度方法、设备及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115204619A true CN115204619A (zh) | 2022-10-18 |
Family
ID=83578586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210715760.5A Pending CN115204619A (zh) | 2022-06-23 | 2022-06-23 | 基于改进遗传算法解码的柔性车间调度方法、设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204619A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115826537A (zh) * | 2023-01-29 | 2023-03-21 | 广东省科学院智能制造研究所 | 一种多机器人产线柔性调度方法 |
-
2022
- 2022-06-23 CN CN202210715760.5A patent/CN115204619A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115826537A (zh) * | 2023-01-29 | 2023-03-21 | 广东省科学院智能制造研究所 | 一种多机器人产线柔性调度方法 |
CN115826537B (zh) * | 2023-01-29 | 2023-05-02 | 广东省科学院智能制造研究所 | 一种多机器人产线柔性调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268722B (zh) | 基于多目标进化算法的动态柔性作业车间调度方法 | |
CN110543151B (zh) | 基于改进nsga-ⅱ求解车间节能调度问题的方法 | |
CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
CN109409763B (zh) | 基于贪婪式分组策略的动态测试任务调度方法及调度平台 | |
CN113379087A (zh) | 一种基于改进遗传算法的生产制造排产优化方法 | |
CN112381273B (zh) | 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 | |
CN111062535A (zh) | 一种实现含能材料生产过程动态排产的方法及系统 | |
CN106611275A (zh) | 针对作业车间生产问题的排产算法 | |
CN112561225B (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN112882449A (zh) | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 | |
CN110597213A (zh) | 一种分布式混合流水车间的生产调度方法及系统 | |
CN115471133A (zh) | 一种基于订单管理和滚动优化排产的车间综合调度系统 | |
CN115204619A (zh) | 基于改进遗传算法解码的柔性车间调度方法、设备及系统 | |
CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
CN111814359B (zh) | 一种面向离散制造的集成车间调度与装配序列规划方法 | |
CN110705844A (zh) | 基于非强制空闲时间的作业车间调度方案鲁棒优化方法 | |
CN115829148A (zh) | 一种设备维护车间调度优化方法及计算机可读介质 | |
CN113485278B (zh) | 优化两生产指标的柔性作业车间调度多目标分布估计方法 | |
CN115936342A (zh) | 一种基于多目标算法的柔性作业车间批量调度方法 | |
CN115456268A (zh) | 一种导向辊制造资源优化配置方法、装置、设备及介质 | |
Liu et al. | Scheduling optimization of flexible flow shop | |
ZHANG et al. | MANUFACTURING FLOW SHOP SCHEDULING PROBLEM BASED ON SIMULATED ANNEALING ALGORITHM. | |
CN117114370B (zh) | 一种适配设备故障的小产品生产车间调度方法 | |
CN112734286B (zh) | 一种基于多策略深度强化学习的车间调度方法 | |
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 |
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 |