CN115392616A - 一种知识挖掘结合遗传算法的多目标离散车间调度方法 - Google Patents

一种知识挖掘结合遗传算法的多目标离散车间调度方法 Download PDF

Info

Publication number
CN115392616A
CN115392616A CN202210487965.2A CN202210487965A CN115392616A CN 115392616 A CN115392616 A CN 115392616A CN 202210487965 A CN202210487965 A CN 202210487965A CN 115392616 A CN115392616 A CN 115392616A
Authority
CN
China
Prior art keywords
individual
dominated
population
genetic algorithm
priority
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
Application number
CN202210487965.2A
Other languages
English (en)
Inventor
仇永涛
刘于海
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.)
Yancheng Institute of Technology
Original Assignee
Yancheng Institute 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 Yancheng Institute of Technology filed Critical Yancheng Institute of Technology
Priority to CN202210487965.2A priority Critical patent/CN115392616A/zh
Publication of CN115392616A publication Critical patent/CN115392616A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • 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
    • G06N3/12—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种知识挖掘结合遗传算法的多目标离散车间调度方法，首先确定优化目标，并分析待调度工件工序信息，赋予工序属性并划分工序属性值；然后将带有属性信息的工件工序代入至多目标遗传算法中，经迭代进化获取非支配帕累托解；接着挖掘非支配帕累托解中工序属性与优先级之间的规则知识；最后制定知识挖掘下的遗传算法初始种群，将优化得到的规则初始种群进行多目标遗传进化迭代，获取最优调度解，实现在有效迭代次数内得到更优的调度结果，同传统的多目标遗传算法相比，能在相同的迭代次数或在较小初始种群规模下能获得更优质量的非支配帕累托解，即能得到更优的调度结果，从而实现企业的高效生产。

Description

一种知识挖掘结合遗传算法的多目标离散车间调度方法
技术领域
本发明涉及制造业车间管理技术领域，具体为一种知识挖掘结合遗传算法的多目标离散车间调度方法。
背景技术
数字化和人工智能的发展为制造业的转型和迅猛发展提供了助力，同时也为众中小型制造企业带来了机遇和挑战；车间作为制造企业生产加工的核心单元，是零件生产组装和数据传递变化的交汇中心，涵盖了零件信息、加工数据、物流管理、生产调度和资源信息等；而车间生产调度作为零部件在整个生产流转过程中先后加工顺序的规则要求，更是系统规划了车间资源设备的使用，对提高企业生产效率和降低生产延迟起着重要的影响。尤其是对设备种类繁多、工艺路线复杂的离散制造车间，如何选择合理的设备以及如何确定工件的先后加工顺序更是当下解决的难点。
目前，解决离散车间多目标调度问题主要从调度规则和人工智能方面着手，调度规则法在求解实际调度问题中具有速度快、简单易行的优点，但最优解的质量相较于人工智能算法仍有很大的提升空间；人工智能算法中，遗传算法因具有广泛适用性、学习成本低、群体搜索、启发随机、并行计算等优点，在多目标的离散车间调度问题中得到了广泛的应用。
现有的遗传算法主要包括编码、解码、初始化种群、交叉、变异和选择操作。首先，类似染色体与基因的关系，通过编码的方式将优化问题转化为若干包含优化信息组合的种群个体，种群个体即染色体，优化信息对应了基因；其次，同生物染色体的交叉和变异，对这些个体与优秀个体进行交叉和独自变异生成下一代，不同的是其交叉和变异规则需符合求解问题的各项约束条件；然后，不断进行迭代，直到条件终止，这样类似生物进化、适者生存的过程即为遗传算法的求解过程，但是在工况复杂的多目标离散车间调度问题中，单一的遗传算法因其自身数学模型的限制，其很难得到较理想的调度方案，遗传算法每迭代一次再结合一次局部最优，又每一次局部优化算法又会消耗大量的计算时间，因而会急剧增加计算成本，导致运行效率降低，因此急需一种知识挖掘结合遗传算法的多目标离散车间调度方法来解决上述问题。
发明内容
本发明提供一种知识挖掘结合遗传算法的多目标离散车间调度方法，实现在有效迭代次数内得到更优的调度结果，从而实现企业的高效生产，解决上述现有技术中存在的问题。
为实现上述目的，本发明提供如下技术方案：一种知识挖掘结合遗传算法的多目标离散车间调度方法，包括如下步骤：
S1、确定优化目标，并分析待调度工件工序信息，赋予工序属性并划分工序属性值；
S2、将带有属性信息的工件工序代入至多目标遗传算法中，生成初始种群 pPop，对种群pPop进行普通非支配排序得种群popot，对种群popot进行遗传进化操作获得子代种群qPop，将种群pPop与种群qPop合并，并快速非支配排序，并进行拥挤度比较，淘汰劣解，获取非支配帕累托解；
S3、挖掘非支配帕累托解中工序属性与优先级之间的规则知识；
S4、制定知识挖掘下的遗传算法初始种群，将优化得到的规则初始种群进行多目标遗传进化迭代，获取最优调度解。
优选的，在步骤S1中，赋予工序属性包括优先级、工序特征、加工时间和剩余时间，其中，优先级指最终每个工序所在工序码的位置段。
优选的，在步骤S2中，种群pPop采用随机排序的方式生成，生成的每个解对应一个调度方案。
优选的，在步骤S2中，进行普通非支配排序具体为：
a、根据优化目标遍历种群的每一个个体，其中，若不存在其它任何一个个体支配该个体，则将该个体标记为非支配个体，直至循环结束，得到的第一批次的非支配个体组成的集合为该种群的帕累托前沿解集，即第一级非支配层；
b、忽略得到的非支配个体，对剩余的个体重复上述操作可依次得到剩余的非支配层。
优选的，在步骤S2中，遗传进化操作具体为：
a、采用锦标赛选择从父代中随机选择一定数量的个体；
b、依据个体的非支配层级和拥挤度值从中选择最优的个体作为与父代个体交叉和变异的对象，其中，工序码的交叉采用CSEX方法，机器码的交叉采则用两点交叉法，工序码变异采取互换基因位置，机器码变异从对应的可用机床集合中随机选取其它基因。
优选的，在步骤S2中，快速非支配排序具体为：
a、遍历种群的每一个个体，得到该个体的被支配个体数量和支配个体集合；
b、选取被支配个体数量为零的个体保存到当前集合中；
c、遍历当前集合中的每个个体，对该个体所支配个体的被支配数量减一，选取被支配数量为零的个体作为当前新的个体，重复上述操作直至种群分级完成。
优选的，在步骤S3中，工序属性与优先级之间的规则知识是指属性集{工序特征，加工时间，剩余时间，工序附加属性}和属性{优先级}之间的相互映射规律，其中，规则知识的挖掘采用优先级类权重的方法。
优选的，在步骤S4中，依据步骤S3中不同属性集{工序特征，加工时间，剩余时间，工序附加属性}所属不同{优先级}的比例，数值最大的优先级作为该工序属性的初步优先级；并依次遍历所有工序，确定所有工序初步优先级，按照“优先级越高、工序越靠前加工”的顺序得到规则知识下的初始种群。
与现有技术相比，本发明的有益效果：本发明中将带有属性信息的工件工序代入至多目标遗传算法中，经迭代进化获取非支配帕累托解，并挖掘非支配帕累托解中工序属性与优先级之间的规则知识，利用知识挖掘结合遗传算法的策略，实现在有效迭代次数内得到更优的调度结果，同传统的多目标遗传算法相比，能在相同的迭代次数或在较小初始种群规模下能获得更优质量的非支配帕累托解，即能得到更优的调度结果，从而实现企业的高效生产。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
在附图中：
图1是本发明多目标离散车间调度方法流程图；
图2是本发明工序码交叉的示意图；
图3是本发明机器码交叉的示意图；
图4是本发明工序码变异的示意图；
图5是本发明机器码变异的示意图；
图6是本发明部分待挖掘工序信息数据图；
图7是本发明规则知识结果图；
图8是本发明工序初步优先级的示意图；
图9是本发明各工序最终优先级结果的示意图；
图10是本发明初始种群大小为100的F1、F2和RE的结果图
图11是本发明初始种群大小为50的F1、F2和RE的结果图
图12是本发明初始种群大小为25的F1、F2和RE的结果图
图13是本发明迭代次数在100次下的Cov和Spacing值的示意图
图14是本发明迭代次数在300次下的Cov和Spacing值的示意图
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例：如图1所示，一种知识挖掘结合遗传算法的多目标离散车间调度方法，包括如下步骤：
S1、确定优化目标，并分析待调度工件工序信息，赋予工序属性并划分工序属性值；
赋予工序属性包括优先级、工序特征、加工时间和剩余时间，以及交货期；
其中，属性的定义：优先级——各工序在工序码(遗传算法中工序先后加工顺序)的位置段，若该工序在工序码的位置更接近前侧指优先级越高；工序特征指工序所在工件的先后加工位置；加工时间为每道工序在指定机床上所需的加工时长；剩余时间指加工完此道工序后，该工件剩余工序所需总加工时间，用于表示该工件的加工进度快慢；工件附加属性指优化目标语义直接相关的物理量或与优化目标间接相关的物理量；
划分工序属性值：离散车间调度规模越大或产品工艺越复杂，其总工序数量也越大，对应的优先级数也越大，这里以工序总数的开方作为划分的优先级数；工序特征、加工时间、剩余时间和工序附加属性值的划分可按数值分布均匀划分至2-3类；
在一具体实施例中，以完工时间和生产总延迟时长为例，优化目标函数为：
Figure RE-GDA0003870122940000061
其中，F1、F2分别为所需优化的完工时间和生产总延迟时长，i为工件指标，Ci为工件i的完工时间，n为工件数，Di为工件i的交货截止期；
划分工序属性值：以10*10(10工件、10工序，共组成100道工序)的LA18 为例，将工序码不间断依次均等为十份，依次以优先级0至9的整数表示；数值越小意味着其优先级的等级越高，即数值0意味着最高的优先类等级，数值9 意味着最低的优先级类；工件特征以五类表示，为“first、secondary、middle、 later和last”，分别对应第一工序、二到三工序、四到六工序、七到九工序和第十道工序；加工时间等均匀分布为三类，为“short、middle和long”，分别是加工时间短于37个单位时间、37到66个单位时间和大于66个单位时间；剩余时间这里同样均匀分布为三类，为“short、middle和long”，分别是剩余加工时长短于202个单位时间、202至402个单位时间和大于402个单位时间；交货期均匀分为二类，为“tight和slack”分别表示交货期短于1200个单位时间和大于等于1200个单位时间。
S2、将带有属性信息的工件工序代入至多目标遗传算法中；
生成初始种群pPop：种群pPop采用随机排序的方式生成，生成的每个解对应一个调度方案，随机排序指在编码的约束规则下工序的先后加工顺序任意随机且各工序选用的设备也是任意随机，在一具体实施例中，工序码：094782315693210…，其中不同的数值代表不同工件号，相同数值的第j次出现意味着该工件的第j道工序；机器码如：00000000…，各数值代表不同工序选择的机器号，即默认机床0；由工序码和机器码组成一个种群个体，最终由这一系列的个体形成遗传算法初始迭代的种群。
对种群pPop进行普通非支配排序得种群popot，其中，普通非支配排序根据优化的目标函数，遍历种群的每一个个体，若不存在其它任何一个个体支配该个体，则将该个体标记为非支配个体，直至循环结束。这里的支配指：若x1， x2分别是两个可行解，当
Figure RE-GDA0003870122940000071
有fi(x1)≤fi(x2)，称x1支配x2或x1等同x2，记为x1≤x2；得到的第一批次的非支配个体组成的集合为该种群的帕累托前沿解集，即第一级非支配层；忽略得到的非支配个体，对剩余的个体重复上述操作可依次得到剩余的非支配层；
对种群popot进行遗传进化操作获得子代种群qPop，其中，遗传进化操作即通过选择、交叉、变异操作得到新的子代过程；采用锦标赛选择获取交叉和变异个体，依据个体的非支配层级和拥挤度值从中选择最优的个体作为与父代个体交叉和变异的对象；工序码的交叉采用CSEX方法，如图2所示，机器码的交叉采则用两点交叉法，如图3所示，工序码变异采取互换基因位置，如图4 所示，机器码则是从对应的可用机床集合中随机选取其它基因如图5所示，在一具体实施例中，参数设置具体为：种群大小(25,50,100)、变异率(0.002)、交叉率(0.9)、锦标赛大小(10)、迭代次数(100,300)；
将种群pPop与种群qPop合并，并快速非支配排序：快速非支配排序则通过遍历种群的每一个个体，得到该个体的被支配个体数量和支配个体集合；选取被支配个体数量为零的个体保存到当前集合中；遍历当前集合中的每个个体，对该个体所支配个体的被支配数量减一，选取被支配数量为零的个体作为当前新的个体，重复上述操作直至种群分级完成；
进行拥挤度比较，淘汰劣解，获取非支配帕累托解；其中，拥挤度的比较主要用于比较同一层解集个体的优劣，因为在判定个体优劣时，认为支配层个体都要优于被支配层个体；拥挤度的计算采用最大矩形边长法，令所有种群个体拥挤度为零，针对每个优化目标函数，由函数值对个体进行排序，首尾个体拥挤度设为无穷大，其余个体计算该个体前后个体的函数差值，累积求和所有目标函数下该个体前后个体函数差值，即为该个体的拥挤度。拥挤度越大，说明个体距前后个体的距离越大，在解集中的分布也越广，拥挤度的计算在多目标遗传算法中起到保证种群多样性的作用；
S3、挖掘非支配帕累托解中工序属性与优先级之间的规则知识；其中，工序属性与优先级的规则知识即工序特征、加工时间、剩余时间、工序附加属性和优先级的相互映射规律；规则知识的挖掘采用优先级类权重的方法，即计算工序特征、加工时间、剩余时间、工序附加属性所占不同优先级的比例数值；比例越高，意味着在此挖掘的规则知识下，工序所属该优先级的可能性越大；
在一具体实施例中，经过步骤S2独立运行30次后，删除重复解得6645组非支配解，共493组帕累托前沿解；后在不同的493组中均匀择取66组，因每组含100道工序，故共6600条信息，列出了部分待挖掘工序信息数据如图6所示；
统计计算工序特征、加工时间、剩余时间、工序附加属性占不同优先级的比例数值，规则知识结果如图7所示；
其中，共37组规则知识，如规则知识0，意味着当某一工序满足{工序特征：“first”，加工时间：“long”，剩余时间：“long”，交货期：“slack”}，其优先级为{优先级：0，权重0.67；优先级：1，权重：0.15；优先级：2，权重：0.14，优先级：3，权重：0.05}，即该工序属于优先级为0的概率最大，处于最靠前的加工位置段；
S4、制定知识挖掘下的遗传算法初始种群，将优化得到的规则初始种群进行多目标遗传进化迭代，获取最优调度解
其中，依据步骤S3中不同属性集{工序特征，加工时间，剩余时间，工序附加属性}所属不同{优先级}的比例，数值最大的优先级作为该工序属性的初步优先级；并依次遍历所有工序，确定所有工序初步优先级，按照“优先级越高、工序越靠前加工”的顺序得到规则知识下的初始种群，如图8所示，标记部分为各工序的初步优先级；
依据约束条件，获取最终初始种群：约束条件包括步骤S1中的优先级数的约束和工艺路线的约束，即每个优先级只能包含自身数量的工序且每个工件的工序必须满足工艺路线的先后加工顺序，经约束后的各工序最终优先级结果如图9所述，标记部分为各工序最终的优先级，依据优先级结果制定最终规则知识挖掘下的初始种群；
在一具体实施例中，在不同迭代次数和不同种群大小下，得到初始种群大小为100的F1、F2和RE结果如图10，初始种群大小为50的F1、F2和RE结果如图11，初始种群大小为25的F1、F2和RE结果如图12，迭代次数在100次下的Cov和Spacing值如图13，迭代次数在300次下的Cov和Spacing值如图 14。
由得到的结果可知在不同初始种群和不同迭代次数下，新的规则知识方法相较传统随机方法在不同性能指标(F1、F2、RE、Cov、Spacing)方面大部分都要更优，即通过本方法最终获得的调度结果要优于传统多目标遗传算法获得的调度结果；其中：
Figure RE-GDA0003870122940000101
其中，
Figure RE-GDA0003870122940000102
是F1或F2的平均值，Fbest是F1或F2的最优值；
Figure RE-GDA0003870122940000103
其中，A和B是要计算支配性能的解集，a和b分别是A和B的子集；
Figure RE-GDA0003870122940000104
其中，帕累托前沿解集的数量为n，di是第i个解集距其前后最近解集的最小距离，
Figure RE-GDA0003870122940000105
是遍历所有di得到的平均结果。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种知识挖掘结合遗传算法的多目标离散车间调度方法，其特征在于，包括如下步骤：
S1、确定优化目标，并分析待调度工件工序信息，赋予工序属性并划分工序属性值；
S2、将带有属性信息的工件工序代入至多目标遗传算法中，生成初始种群pPop，对种群pPop进行普通非支配排序得种群popot，对种群popot进行遗传进化操作获得子代种群qPop，将种群pPop与种群qPop合并，并快速非支配排序，并进行拥挤度比较，淘汰劣解，获取非支配帕累托解；
S3、挖掘非支配帕累托解中工序属性与优先级之间的规则知识；
S4、制定知识挖掘下的遗传算法初始种群，将优化得到的规则初始种群进行多目标遗传进化迭代，获取最优调度解。
2.根据权利要求1所述的一种知识挖掘结合遗传算法的多目标离散车间调度方法，其特征在于：在步骤S1中，赋予工序属性包括优先级、工序特征、加工时间和剩余时间，其中，优先级指最终每个工序所在工序码的位置段。
3.根据权利要求1所述的一种知识挖掘结合遗传算法的多目标离散车间调度方法，其特征在于：在步骤S2中，种群pPop采用随机排序的方式生成，生成的每个解对应一个调度方案。
4.根据权利要求1所述的一种知识挖掘结合遗传算法的多目标离散车间调度方法，其特征在于：在步骤S2中，进行普通非支配排序具体为：
a、根据优化目标遍历种群的每一个个体，其中，若不存在其它任何一个个体支配该个体，则将该个体标记为非支配个体，直至循环结束，得到的第一批次的非支配个体组成的集合为该种群的帕累托前沿解集，即第一级非支配层；
b、忽略得到的非支配个体，对剩余的个体重复上述操作可依次得到剩余的非支配层。
5.根据权利要求1所述的一种知识挖掘结合遗传算法的多目标离散车间调度方法，其特征在于：在步骤S2中，遗传进化操作具体为：
a、采用锦标赛选择从父代中随机选择一定数量的个体；
b、依据个体的非支配层级和拥挤度值从中选择最优的个体作为与父代个体交叉和变异的对象，其中，工序码的交叉采用CSEX方法，机器码的交叉采则用两点交叉法，工序码变异采取互换基因位置，机器码变异从对应的可用机床集合中随机选取其它基因。
6.根据权利要求1所述的一种知识挖掘结合遗传算法的多目标离散车间调度方法，其特征在于：在步骤S2中，快速非支配排序具体为：
a、遍历种群的每一个个体，得到该个体的被支配个体数量和支配个体集合；
b、选取被支配个体数量为零的个体保存到当前集合中；
c、遍历当前集合中的每个个体，对该个体所支配个体的被支配数量减一，选取被支配数量为零的个体作为当前新的个体，重复上述操作直至种群分级完成。
7.根据权利要求1所述的一种知识挖掘结合遗传算法的多目标离散车间调度方法，其特征在于：在步骤S3中，工序属性与优先级之间的规则知识是指属性集{工序特征，加工时间，剩余时间，工序附加属性}和属性{优先级}之间的相互映射规律，其中，规则知识的挖掘采用优先级类权重的方法。
8.根据权利要求1所述的一种知识挖掘结合遗传算法的多目标离散车间调度方法，其特征在于：在步骤S4中，依据步骤S3中不同属性集{工序特征，加工时间，剩余时间，工序附加属性}所属不同{优先级}的比例，数值最大的优先级作为该工序属性的初步优先级；并依次遍历所有工序，确定所有工序初步优先级，按照“优先级越高、工序越靠前加工”的顺序得到规则知识下的初始种群。
CN202210487965.2A 2022-05-06 2022-05-06 一种知识挖掘结合遗传算法的多目标离散车间调度方法 Pending CN115392616A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210487965.2A CN115392616A (zh) 2022-05-06 2022-05-06 一种知识挖掘结合遗传算法的多目标离散车间调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210487965.2A CN115392616A (zh) 2022-05-06 2022-05-06 一种知识挖掘结合遗传算法的多目标离散车间调度方法

Publications (1)

Publication Number Publication Date
CN115392616A true CN115392616A (zh) 2022-11-25

Family

ID=84115331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210487965.2A Pending CN115392616A (zh) 2022-05-06 2022-05-06 一种知识挖掘结合遗传算法的多目标离散车间调度方法

Country Status (1)

Country Link
CN (1) CN115392616A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117215275A (zh) * 2023-11-08 2023-12-12 北京理工大学 一种基于遗传编程的柔性车间大规模动态双效调度方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117215275A (zh) * 2023-11-08 2023-12-12 北京理工大学 一种基于遗传编程的柔性车间大规模动态双效调度方法
CN117215275B (zh) * 2023-11-08 2024-02-13 北京理工大学 一种基于遗传编程的柔性车间大规模动态双效调度方法
US12099346B1 (en) 2023-11-08 2024-09-24 Beijing Institute Of Technology Large-scale dynamic double-effect scheduling method for flexible job shop based on genetic programming

Similar Documents

Publication Publication Date Title
CN110598920B (zh) 用于铸造并行车间主生产计划的多目标优化方法及系统
CN111507641A (zh) 一种批处理设备调度方法及其装置
CN113379087A (zh) 一种基于改进遗传算法的生产制造排产优化方法
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
CN110909787A (zh) 基于聚类的进化算法进行多目标批调度优化的方法和系统
CN117314078B (zh) 基于Petri网和神经网络的柔性制造系统的无死锁调度方法
CN112926837A (zh) 基于数据驱动改进遗传算法求解作业车间调度问题的方法
CN115392616A (zh) 一种知识挖掘结合遗传算法的多目标离散车间调度方法
CN113450013A (zh) 基于改进nsga-ⅲ算法求解车间节能调度问题的方法
CN115617690A (zh) 基于改进自适应遗传算法的并行测试任务调度方法
CN117075545A (zh) 一种多目标柔性作业车间调度方法、电子设备、介质
CN116736803A (zh) 一种生产任务与资源匹配方法及装置
CN117875587A (zh) 基于历史解信息与多目标优化的生产线调度方法
CN114881504A (zh) 一种基于订单选择的电子精密件全自动柔性生产线调度方法
CN114021934A (zh) 基于改进spea2求解车间节能调度问题的方法
CN112148446A (zh) 一种用于多技能资源受限项目调度的进化策略算法
CN115034070A (zh) 一种基于多目标优化和vikor方法的复杂机械产品的选择装配优化和决策方法
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
CN113792494B (zh) 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法
CN115470977A (zh) 基于帝国竞争算法的多目标柔性作业车间分批调度方法
CN113112171B (zh) 一种基于轮盘赌和遗传算法的批调度方法
CN114237166A (zh) 基于改进spea2算法求解多转速节能调度问题的方法
CN115438877A (zh) 一种基于灰狼算法求解多目标分布式柔性车间调度优化方法
CN113723695B (zh) 一种基于场景的再制造调度优化方法
CN115238995A (zh) 一种复杂过程的智能调度优化方法

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