CN115577849A - 一种车间作业单元多目标布局优化方法及电子设备 - Google Patents

一种车间作业单元多目标布局优化方法及电子设备 Download PDF

Info

Publication number
CN115577849A
CN115577849A CN202211315813.0A CN202211315813A CN115577849A CN 115577849 A CN115577849 A CN 115577849A CN 202211315813 A CN202211315813 A CN 202211315813A CN 115577849 A CN115577849 A CN 115577849A
Authority
CN
China
Prior art keywords
workshop
operation units
layout
units
operation unit
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
CN202211315813.0A
Other languages
English (en)
Inventor
谢杨
化海挺
张鹏
施利
李龙
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.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
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 Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202211315813.0A priority Critical patent/CN115577849A/zh
Publication of CN115577849A publication Critical patent/CN115577849A/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
    • G06Q10/04—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
    • 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
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/083—Shipping
    • 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
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (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

本发明提供一种车间作业单元多目标布局优化方法及电子设备，将SLP（设置布置理论）法与启发式MBO算法（候鸟优化算法）相结合，向通过SLP法定量与定性分析得到车间的布局方案,再将其作为MBO算法的初始解,MBO算法利用候鸟在飞行过程中不断进化的特点，对优化目标进行迭代寻优求解，得到的解精度更高、种群更多样化、局部和全局搜索能力更强，有效解决车间作业单元布局优化问题。

Description

一种车间作业单元多目标布局优化方法及电子设备
技术领域：
本发明涉及物流系统布局规划设计领域，更具体涉及一种基于SLP法和MBO算法的车间作业单元多目标布局优化方法。
背景技术：
制造企业通常以工艺流程改善、新产品研发、设备维护以及新市场开拓为主要方向改善企业经营效益，而很少重视车间布局的不合理性产生的物流成本；通常，车间作业单元的布置形式、物流路线规划等因素是制约束企业经营效益增长的关键原因；因此，车间作业单元的合理布置是企业提升核心竞争力的重要手段。大量研究案例表明，在产品生产过程中，大约20％-25％的时间处于价值增加状态，而大约55％-75％的时间处于搬运或等待状态，增值时间比例过低严重限制了企业经营效益的提高，而合理的车间布局能有效降低车间总物流成本的40％-60％，并提高车间面积利用率，减少作业单元之间的物料搬运距离。因此，合理规划车间布局，使作业单元、作业人员、设备、物料得到合理的分配使用，使生产过程高效有序运行，是制造企业改革创新的重点工作。
在专利文献CN201910274587.8公开了一种基于改进的SLP和遗传算法的洗消站装配设施布局方法，利用SLP法得出洗消单元之间综合相互关系，通过遗传算法对洗消单元布局进行初步求解，并利用Flexsim动态模拟仿真，得到洗消站装备设施布局最终方案。在发明专利CN202210091392.1公开了一种基于SLP理论的物流设施规划系统及其设备，通过建立双目标函数对SLP法改进，使用遗传算法对目标函数进行求解，得到优化后的设备布置方案。
由以上已公开的关于设施布局的技术可见，现有技术通常将SLP法与GA算法(遗传算法)结合，以解决车间设备布局优化问题，未考虑将SLP法求解得到布局方案作为GA算法(遗传算法)的初始种群，会导致GA算法(遗传算法)局部搜索能力较弱，易陷入局部最优，难以寻得全局最优解。
发明内容：
鉴于上述现有技术存在的问题，本发明专利的目的在于提供一种基于SLP法(设施布置理论)和MBO算法(候鸟优化算法)结合的车间作业单元多目标布局优化方法，使得到的解精度更高、种群更多样化，并且增强局部和全局搜索能力，解决任意场景下的车间作业单元布局优化问题，降低车间物流系统的搬运成本和距离，减少作业人员负荷。
本发明的技术方案如下：
本发明以方面提供一种车间作业单元多目标布局优化方法，所述方法主要包括如下步骤：
步骤1，确定车间作业单元划分及面积需求。
步骤2，分析作业单元之间物流关系。
步骤3，分析作业单元之间非物流关系。
步骤4，分析作业单元之间综合相互关系。
步骤5，绘制设施布置相关图。
通过以上步骤，得到的根据SLP法的布局优化方案。
步骤6，模型假设及构建。
步骤7，确定目标函数及约束条件。
步骤8，MBO算法迭代，包括：
(1)种群初始化：将SLP法得到的车间初始布局方案作为MBO算法的初始种群，初始化鸟群(种群)，并对种群中个体排序成V型编队，设置算法参数和终止条件；
(2)领飞鸟和更飞鸟更新；
(3)判断是否达到巡回次数，若达到巡回次数则跳出巡回，否则继续搜索；
(4)选取种群最优解更新领飞鸟，按照种群适应度值大小进行重新编队。
(5)当达到设定的迭代次数时跳出循环，输出最优解。
步骤9，MBO算法改进，包括：
(1)种群编码：将车间作业单元的位置关系转换为初始种群个体的编码形式，初始种群编码采用实值和净间距两个列表扩展换位表达方式进行编码，编码机制如下式所示。
X＝[v,{m1,m2,...mn},{Δ1,Δ2,...Δn}]
其中，v为分隔符，表示某作业单元的换行位置；mi表示作业单元，以整数的形式表示；Δi表示作业单元i和i-1之间的净间距；
(2)种群解码：根据步骤7的模型约束条件，MBO算法寻优，作业单元从车间左下角开始至右依次进行布局，同时，MBO算法遵循自动换行策略，直至完成所有作业单元布局；
(3)惩罚函数：在寻优过程中，若违背步骤7的约束条件，则设置惩罚函数用于去掉不可行解；
(4)领飞鸟全局最优搜索：任意选取领飞鸟个体中的某一编码，将其随机插入到其他编码数字之间得到新的交叉结果，形成新的种群个体；
(5)对跟飞鸟采用局部最优搜索。
步骤10，模型求解：通过车间作业单元布局实例验证，得到车间作业单元布局最优方案。
本发明方法适用于以下车间布局场景：(1)车间作业单元布局复杂；(2)工艺具有连续性；(3)尤其适用于解决车间作业单元多目标布局这类典型的NP难问题。
本发明在另一方面还提供一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器。所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据本申请第一方面所述的方法。
本发明的优点如下：
本发明将SLP(设置布置理论)法与启发式MBO算法(候鸟优化算法)相结合，解决车间作业单元布局优化问题。其中，SLP法具有定量与定性分析的优势，是解决设施布局常用的理论方法；而MBO算法利用候鸟在飞行过程中不断进化的特点，对优化目标进行迭代寻优求解；将SLP法与MBO算法相结合，得到的解精度更高、种群更多样化、局部和全局搜索能力更强。本发明的具体改进至少包括如下几方面：
1.本发明中步骤1-5通过SLP法可以得到车间的布局方案,将其作为MBO算法的初始解,通过示例验证，得到的目标函数更优。
2.现有技术一般是将MBO算法布局在流水线调度、平衡领域，未考虑将MBO算法的寻优特点用于求解车间生产单元布局优化。
3.本发明在步骤6的模型假设中，为适配MBO算法的求解特点和过程，对车间的假设布局进行改进:将任何车间现有布局都模拟看作一个直角坐标系，作业单元视为坐标系中的一个坐标点。使模型假设更加合理，精确。
4.本发明在步骤6的模型构建中,引入作业单元净间距，并将作业单元和净间距结合,形成新的编码机制,确保了作业单元在算法迭代过程中不会部分重叠和完全重叠布置。
5.本发明在步骤7确定目标函数中，引入非物流关系函数,目标函数权重占比方式不是主观自己设定的,而是依据前面SLP法中m:n的比值给了新的参考依据。
6.本发明在步骤7设置约束条件中，考虑了现实情况,设立了作业单元固定约束,因为现实中很多生产车间,有很多特殊的生产单元,往往是不会随意移动且面积占比较大,因此,设立了固定约束,更符合实际情况。
7.本发明在步骤9的算法改进中，在MBO算法中将净间距加入了编码机制中,算法可计算出作业单元的净间距,防止重叠。
8.使用本发明的方案，只需要搜集所需要的原始数据,带入算法即可获得较优解。
附图说明：
图1基于SLP法和MBO算法的程序实施步骤图；
图2车间作业单元布局数学模型图；
图3跟飞鸟更新交叉操作方式图；
图4作业单元综合相互关系图；
图5作业单元综合接近程度(分值)；
图6作业单元位置相关图；
图7作业单元面积相关图；
图8SLP法作业单元初始布局方案1图；
图9SLP法作业单元初始布局方案2图；
图10MBO算法目标函数曲线变化图；
图11车间作业单元最优布局方案图。
具体实施方式：
下面将参照附图更详细地描述本申请的实施例。虽然附图中显示了本申请的某些实施例，然而应当理解的是，本申请可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本申请。应当理解的是，本申请的附图及实施例仅用于示例性作用，并非用于限制本申请的保护范围。
应当理解，本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
参见图1，本申请示例性实施例提供车间作业单元多目标布局优化方法的程序执行框架，主要流程包括:作业单元划分及面积需求—物流关系分析—非物流关系分析—综合相互关系分析—设施布置相关图绘制—模型假设与构建—设立目标函数及约束条件—MBO算法迭代步骤—MBO算法改进—模型求解—车间作业单元最终布局优化方案。
具体步骤如下：
步骤1，确定车间作业单元划分及面积需求
(1)作业单元划分。车间作业单元可以由生产区域、仓储区域、其他辅助区域中的一个或多个区域组成，每个作业单元承担着明确的生产任务，作业单元之间既相互独立又相互联系。
(2)作业单元面积需求。车间作业单元面积包括设备的占地面积、仓储面积、通道面积、作业人员操作面积以及其他预留面积，在确定作业单元面积需求时可结合实际需要进行综合调整。
步骤2，作业单元之间物流关系分析
(1)作业单元之间距离计算。为了简化计算流程，将车间内部各作业单元转化为矩形块，采用两作业单元中心坐标之间的水平距离之差与垂直距离之差绝对值的和为准则计算作业单元之间的物料搬运距离，即曼哈顿计算准则：Dij＝|xi-xj|+|yi-yj|，i和j分别表示任意两个作业单元，(xi,yi)和(xj,yj)分别表示两作业单元的中心坐标。
(2)作业单元之间物料流动量计算。根据车间年度、季度或月度生产计划表，计算得到各作业单元之间年度、季度或月度的物料搬运量。
(3)作业单元之间物流强度计算。根据作业单元之间距离和作业单元之间物料流动量，计算得到各作业单元之间物流强度(物流强度＝物料流动量*作业单元之间距离，U＝F*D)。
(4)物流强度等级划分。作业单元物流强度分析是通过对车间内部物料进行综合分析，是判断作业单元之间物流衔接是否紧密的重要依据。在分析前，一般需要对作业单元之间的物料流动量进行量化并确定等级划分，通常划分为A、E、I、O、U五类物流强度等级，分别表示超高、特高、较高、一般和较小等级物流强度，具体划分依据如下表1所示。
表1物流强度等级划分表
Figure BDA0003909197110000051
Figure BDA0003909197110000061
步骤3，作业单元之间非物流关系分析
(1)非物流影响因素分析。作业单元之间非物流关系分析是一种定性分析，主要研究除物流强度之外的其它非物流因素对车间作业单元布局的影响，常见的评价车间作业单元之间非物流影响因素如下表2所示。
表2非物流影响因素表
Figure BDA0003909197110000062
(2)非物流关系等级划分。非物流关系等级划分依据建立在作业单元之间的密切程度，通常划分为A、E、I、O、U、X六个等级，分别表示超级重要、非常重要、重要、一般重要、不重要以及需要远离。其中A等级作业单元对占比2％-5％；E等级作业单元对占比3％-10％；I等级作业单元对占比5％-15％；O等级作业单元对占比10％-25％；U等级作业单元对占比45％-85％。作业单元之间非物流关系密切程度等级分类如下表3所示。
表3非物流关系密切程度等级分类表
Figure BDA0003909197110000063
步骤4，作业单元之间综合相互关系分析
(1)确定权重比例。分析作业单元之间物流关系与非物流关系各自所占的权重比例，在进行综合量化时，两者的比例不应超过3:1或者1:3；一般，根据车间特点，物流关系与非物流关系权重比例取值为m:n＝2:1。
(2)物流关系与非物流关系等级数值化。具体取值如下表4所示。
表4物流与非物流关系等级量化表
Figure BDA0003909197110000071
(3)计算综合相互关系值。任意选取两个单元i与j(i≠j)。假设两者物流相关性等级数值为Mij，非物流相关性等级数值为Nij，权重比值m与n在步骤(1)中已确定。步骤(2)中已确定各等级的量化取值。因此，综合关系量化值和作业单元对数量的计算公式如下式所示：Rij＝mMij+nNij和
Figure BDA0003909197110000072
(4)综合相互关系等级划分。依据步骤(3)计算得到的综合相互关系值对作业单元对综合相互关系等级进行划分，按照一定的比例将作业单元对划分为A、E、I、O、U、X五个等级。
(5)综合关系图绘制。依据步骤(4)综合相互关系等级划分，绘制对应的综合相互关系图。
步骤5，设施布置相关图绘制
(1)综合接近程度计算。将综合相互关系等级以数值的方式进行量化，其中各等级分数取值分别为A＝4，E＝3，I＝2，O＝1，U＝0，X＝-1，依据分值的高低确定各作业单元的位置，分值(综合接近程度)越高，该作业单元优先布置，再依次布置与其密切程度较高的其它作业单元，以此类推。
(2)作业单元布局图绘制。在确定综合接近程度数值后，接着绘制位置相关图。位置图的绘制用线符号的条数表示作业单元之间的关系密切程度，密切程度等级和线符号对应关系如下表5所示。
表5关系密切程度图例表
Figure BDA0003909197110000081
(3)面积相关图绘制。由步骤(2)作业单元位置相关图绘制，结合车间内部各作业区域实际占地面积，按比例绘制面积相关图，在实际布置时可以做细微的调整与修正，包括作业单元之间的相隔距离、与墙壁的距离以及物流通道宽度等因素。
(4)初始布置优化方案。基于步骤(2)与(3)作业单元位置和面积相关图，并综合考虑车间其它影响因素，包括车间的物料搬运路线、设施间隔等因素，对设施布置图进行合理的调整与修正，初步得到数种车间初始布局优化方案，并将SLP法得到的初始布局优化方案作为MBO算法的初始解。
步骤6，模型假设及构建
(1)模型假设。本发明针对车间布局优化的目的主要是实现作业单元物料搬运成本最小化以及作业单元非物流关系最大化，为便于后续模型求解，对模型设立以下假设条件：
1)根据一般车间布局的特点，将该研究问题视为车间作业单元多行布局问题。
2)作业单元简化为长、宽已知的矩形，在直角坐标系中建立模型，原点视作车间左下角，X轴为车间长度方向，Y轴为车间宽度方向。
3)作业单元物料搬运距离使用曼哈顿计算准则，即：Dij＝|xi-xj|+|yi-yj|。
4)同一行作业单元中心坐标处于坐标空间同一水平线上，即纵坐标的值相同，且同一行作业单元处于同一平面上。
5)外围作业单元与车间墙壁的间隔视为默认值，作业单元之间的横向间隔在一定范围内取值，纵向间隔据实际情况进行细微调整；
6)车间的生产能力满足实际需求，此外，作业单元之间的单位距离搬运成本近似一致，取值相同。
(2)模型构建。下面给出车间作业单元布局数学模型图，见附图2。
附图2中，各符号所代表的含义是：m*表示车间内部各作业单元；(x*,y*)表示各作业单元在布局模型中的横纵坐标；(0,0)表示车间最左下角坐标；L表示车间横向长度；W表示车间纵向长度；
Figure BDA0003909197110000094
表示作业单元之间的净间距；hi0表示作业单元i与墙壁横向要求最小间隔距离；hik表示作业单元i和k横向要求最小间隔距离；s0表示第一行作业单元到车间墙壁的间隔距离；s表示作业单元之间的纵向间隔距离。
步骤7，目标函数及约束条件
(1)目标函数确定。针对步骤六模型假设及构建，构建物料搬运成本最小化和非物流关系最大化多目标函数，计算公式如下所示。
Figure BDA0003909197110000091
Figure BDA0003909197110000092
上式中，S1(x,y)为物料搬运成本最小化函数，S2(x,y)为非物流关系最大化函数，Cij为作业单元i和j之间单位距离的搬运费用；Qij为作业单元i和j之间的物料搬运量；Dij为作业单元i和j之间的搬运距离；Pij为作业单元i和j之间的非物流关系等级(见表3)；bij为作业单元i和j与其距离之间的关联因子，即邻近度，邻近度对照表如下表6所示。
表6 bij量化取值表
Figure BDA0003909197110000093
由于目标函数minS1(x,y)与maxS2(x,y)量纲不同，需要对目标函数进行归一化处理，归一化处理后的式子如下所示。
Figure BDA0003909197110000101
Figure BDA0003909197110000102
其中，S′1为归一化后的物料搬运成本最小化函数，S'2为归一化后的非物流关系最大化函数，Dmax为车间长与车间宽的和，bmax为最大邻近度值。
故车间布局模型最终目标函数如下式所示。
minS(x,y)＝α1S′1-α2S'2
其中，α1为S′1的权重值，α2为S'2的权重值。
(2)约束条件确定。为使寻优结果更合理，在目标函数的基础上，对车间布局模型设立以下约束条件。
1)每个作业单元有且只能出现一次
Figure BDA0003909197110000103
其中，
Figure BDA0003909197110000104
2)横向和纵向作业单元之间不重叠。
|xi-xj|≥[(li+lj)/2+hij+Δi]ZiuZku
|yi-yj|≥(wi+wj)/2+vij
3)每行作业单元长度之和小于车间总长度，每列作业单元宽度之和小于车间总宽度。
(xi-xj)+(li+lj)/2＜L
(yi-yj)+(wi+wj)/2＜W
4)作业单元固定约束。
若车间存在某些特殊作业单元必须设置在固定位置，则需要满足作业单元固定约束。
Figure BDA0003909197110000105
其中，
Figure BDA0003909197110000111
表示可以随机布置的作业单元，Op表示需要固定布置区域的集合。
步骤8，MBO算法迭代步骤
(1)种群初始化。初始化鸟群(种群)，并对种群中个体排序成V型编队，设置算法参数和终止条件；本发明将SLP法得到的车间初始布局方案作为MBO算法的初始种群。
(2)领飞鸟和更飞鸟更新，具体方法如下。
1)获取领飞鸟的最优个体。
2)创建领飞鸟领域，领飞鸟寻优迭代e次。
3)创建跟飞鸟领域，跟飞鸟寻优迭代e-olf次，获取领飞鸟领域中次优解，将此解与跟飞鸟一同构建领域，在领域内寻优并更新个体，之后依此类推直到鸟群进化完成。
4)判断领飞鸟是否进化，进化则保留，反之则舍弃。
(3)判断是否达到巡回次数，若达到巡回次数则跳出巡回，否则继续搜索。
(4)选取种群最优解更新领飞鸟，按照种群适应度值大小进行重新编队。
(5)当达到设定的迭代次数时跳出循环，输出最优解。
步骤9，MBO算法改进
(1)种群编码。本发明将车间作业单元的位置关系转换为初始种群个体的编码形式，初始种群编码采用实值和净间距两个列表扩展换位表达方式进行编码，编码机制如下式所示。
X＝[v,{m1,m2,...mn},{Δ1,Δ2,...Δn}]
其中，v为分隔符，表示某作业单元的换行位置；mi表示作业单元，以整数的形式表示；Δi表示作业单元i和i-1之间的净间距。
(2)种群解码。根据步骤7模型约束条件，MBO算法开始寻优，作业单元从车间左下角开始至右依次进行布局，同时，MBO算法遵循自动换行策略，直至完成所有作业单元布局。
(3)惩罚函数。MBO算法在寻优过程中，若违背步骤七中所列的约束条件，则设置惩罚函数用于去掉不可行解，本发明使用修复算子来处理不可行解，即当水平方向各作业单元长度与间距之和大于车间的横向长度时，则首先通过交换作业单元的位置来满足约束条件，若仍不满足，则舍弃这一不可行解。
(4)领飞鸟全局最优搜索。任意选取领飞鸟个体中的某一编码，将其随机插入到其他编码数字之间(包括首尾)得到新的交叉结果，形成新的种群个体，增加种群的多样性。
(5)局部最优搜索。对跟飞鸟采用局部最优搜索，跟飞鸟主要有四种更新方式，具体更新方式见附图3。
1)交叉互换方式即随机选择任意2个作业单元交换其位置。
2)前插操作方式即随机选择2个作业单元，将后一个作业单元插入前一个作业单元的前方。
3)后插操作方式即随机选取2个作业单元，将前一个作业单元插入后一个作业单元的后方。
4)交换序列方式即随机选取2个作业单元，将选取作业单元之间的作业单元位置进行中心对称旋转。
步骤10，模型求解。车间作业单元布局实例验证，得到车间作业单元布局最优方案。
以下，进一步以某车间作业单元布局现状为一实际的例子，通过采用以上实施例所述描述的方法，使用SLP法与MBO算法相结合求解该车间作业单元最优布局方案，通过实验验证SLP法与MBO算法相结合得到车间作业单元最优布局方案的可行性。
具体求解如下：
步骤1，确定车间作业单元划分及面积需求
(1)作业单元划分与面积需求
假设该车间内部作业单元与面积需求如下表7所示。
表7作业单元及面积需求表
Figure BDA0003909197110000121
Figure BDA0003909197110000131
步骤2，作业单元之间物流关系分析
根据车间各作业单元的布局现状，分析作业单元之间的物流相关关系，分析逻辑依据作业单元之间的物料搬运距离与物料搬运量计算物流强度，车间作业单元物流强度等级汇总如下表8所示。
表8作业单元物流强度等级汇总表
Figure BDA0003909197110000132
步骤3，作业单元之间非物流关系分析
在步骤1的基础上，步骤3分析车间作业单元之间的非物流相关关系，常见的评价车间作业单元非物流影响因素参考步骤2中表2，作业单元之间非物流影响因素对应的密切程度等级划分结果见下表9。
表9作业单元非物流影响因素等级划分表
Figure BDA0003909197110000133
Figure BDA0003909197110000141
步骤4，作业单元之间综合相互关系分析
根据发明内容步骤4中的各项计算公式及步骤，可知车间物流关系与非物流关系权重占比为：m:n＝2:1，作业单元对的数量：Q＝55，各等级作业单元对的数量以及占总对数的比例如下表10所示。
表10作业单元对数占比汇总表
Figure BDA0003909197110000142
依据表10作业单元对综合等级划分，绘制作业单元对综合相互关系图如附图4所示。
步骤5，作业单元布局图绘制
(1)根据附图4作业单元综合相互关系图，将图中综合相互关系等级以数值的方式进行量化，车间各作业单元综合接近程度(分值)排序如图5所示。
(2)在确定综合接近程度数值后，绘制作业单元位置相关图，位置相关图的绘制规则参考表5；经过分析和调整，得到优化后的车间作业单元位置相关图如图6所示。
(3)根据位置相关图6，结合表7各作业单元实际的面积需求，按比例绘制车间作业单元面积相关图，在绘制过程中可以做细微的调整与修正，绘制的作业单元面积相关图如附图7所示。
(4)基于作业单元位置和面积相关图，综合考虑车间其它影响因素，包括物料搬运路线、设施间隔等，对作业单元布局图进行合理的调整与修正，初步得到车间作业单元2种初始布局优化方案，分别如图8、图9所示。
步骤6，使用MBO算法求解车间作业单元布局模型
(1)车间作业单元布局模型、目标函数、约束条件、MBO算法的程序框架及算法改进已在发明内容步骤六至步骤九中详细阐述。
(2)将SLP法求解得到车间作业单元布局方案作为MBO算法的初始种群，即MBO算法的初始解。
(3)车间作业单元之间的物料搬运距离和搬运重量矩阵如下式所示。
Figure BDA0003909197110000151
Figure BDA0003909197110000152
(4)MBO算法程序所需要的各项参数假设如下表11所示。
表11 MBO算法基本参数取值汇总表
Figure BDA0003909197110000153
Figure BDA0003909197110000161
(5)SLP+MBO算法MATLAB程序求解
结合车间作业单元之间的物料搬运距离和搬运重量矩阵以及表11MBO算法基本参数取值，本发明使用MATLAB软件编写程序并求解约束条件下的最优目标函数值及其对应的最优车间作业单元布局方案，并将结果与车间作业单元原布局方案、经典遗传算法求解得到的布局方案以及未使用SLP法得到的初始布局方案作为MBO算法的初始解得到的布局方案进行对比分析，各种算法求解下车间作业单元布局方案结果对比如下表12所示。
表12各作业单元布局方案求解结果对比表
Figure BDA0003909197110000162
(6)SLP+MBO算法求解结果分析
由表12可以看出，SLP法和MBO算法结合得到的求解结果与其他方案下的求解结果相比，归一化目标函数值最小，且作业单元之间物料搬运成本S1得到大幅度降低、非物流相关关系S2也得到增强；其次，相比MBO算法方案初始解全部随机产生；MBO算法方案将SLP法得到的初始布局方案作为MBO算法的初始解得到的作业单元布局方案其对应的目标函数值、作业单元之间的物料搬运成本S1、非物流关系值S2也更优。因此，本发明将SLP法与MBO算法结合求解车间作业单元最优布局方案是可行的。
此外，由MATLAB程序求解结果可知，SLP+MBO算法方案对应的目标函数值minS＝0.5381，且目标函数值随候鸟群进化次数的迭代曲线变化附图10所示，可以看到，SLP+MBO算法程序在第275次开始收敛，并得到最优解(4,1,3,10；2,5,9；6,8,7,11)，即作业单元4、1、3、10从左至右布局在车间的第一行；作业单元2、5、9从左至右布局在车间的第二行；作业单元6、8、7、11从左至右布局在车间的第三行，以上为SLP+MBO算法下车间作业单元最优布局方案，最终布局效果见附图11。
由以上实施例和实验验证情况可见，本发明提出一种用于车间作业单元布局优化的方法，可以达到降低车间物流系统的搬运成本和距离，减少作业人员负荷的效果。

Claims (10)

1.一种车间作业单元多目标布局优化方法，其特征在于，所述方法包括：
步骤1，确定车间作业单元划分及面积需求；
步骤2，分析作业单元之间物流关系；
步骤3，分析作业单元之间非物流关系；
步骤4，分析作业单元之间综合相互关系；
步骤5，绘制设施布置相关图，即得到根据SLP法的布局优化方案；
步骤6，模型假设及构建；
步骤7，确定目标函数及约束条件；
步骤8，MBO算法迭代，包括：
(1)种群初始化：将SLP法得到的车间初始布局方案作为MBO算法的初始种群，初始化鸟群(种群)，并对种群中个体排序成V型编队，设置算法参数和终止条件；
(2)领飞鸟和更飞鸟更新；
(3)判断是否达到巡回次数，若达到巡回次数则跳出巡回，否则继续搜索；
(4)选取种群最优解更新领飞鸟，按照种群适应度值大小进行重新编队。
(5)当达到设定的迭代次数时跳出循环，输出最优解；
步骤9，MBO算法改进，包括：
(1)种群编码：将车间作业单元的位置关系转换为初始种群个体的编码形式，初始种群编码采用实值和净间距两个列表扩展换位表达方式进行编码，编码机制如下式所示。
X＝[v,{m1,m2,...mn},{Δ1,Δ2,...Δn}]
其中，v为分隔符，表示某作业单元的换行位置；mi表示作业单元，以整数的形式表示；Δi表示作业单元i和i-1之间的净间距；
(2)种群解码：根据步骤7的模型约束条件，MBO算法寻优，作业单元从车间左下角开始至右依次进行布局，同时，MBO算法遵循自动换行策略，直至完成所有作业单元布局；
(3)惩罚函数：在寻优过程中，若违背步骤7的约束条件，则设置惩罚函数用于去掉不可行解；
(4)领飞鸟全局最优搜索：任意选取领飞鸟个体中的某一编码，将其随机插入到其他编码数字之间得到新的交叉结果，形成新的种群个体；
(5)对跟飞鸟采用局部最优搜索；
步骤10，模型求解：通过车间作业单元布局实例验证，得到车间作业单元布局最优方案。
2.根据权利要求1所述的车间作业单元多目标布局优化方法，其特征在于，所述步骤2中作业单元之间距离计算是采用曼哈顿计算准则：Dij＝|xi-xj|+|yi-yj|，i和j分别表示任意两个作业单元，(xi,yi)和(xj,yj)分别表示两作业单元的中心坐标；
所述物流强度等级划分通常划分为A、E、I、O、U五类物流强度等级，分别表示超高、特高、较高、一般和较小等级物流强度。
3.根据权利要求1所述的车间作业单元多目标布局优化方法，其特征在于，所述步骤3的非物流关系等级划分是依据建立在作业单元之间的密切程度，通常划分为A、E、I、O、U、X六个等级，分别表示超级重要、非常重要、重要、一般重要、不重要以及需要远离，其中A等级作业单元对占比2％-5％；E等级作业单元对占比3％-10％；I等级作业单元对占比5％-15％；O等级作业单元对占比10％-25％；U等级作业单元对占比45％-85％。
4.根据权利要求1所述的车间作业单元多目标布局优化方法，其特征在于，所述步骤4包括：
(1)确定权重比例：作业单元之间物流关系与非物流关系权重比例不超过3:1或者1:3；
(2)计算综合相互关系值：任意选取两个单元i与j(i≠j)，假设两者物流相关性等级数值为Mij，非物流相关性等级数值为Nij，综合关系量化值和作业单元对数量的计算公式如下式所示：Rij＝mMij+nNij和
Figure FDA0003909197100000021
(3)综合相互关系等级划分：依据计算得到的综合相互关系值对作业单元对综合相互关系等级进行划分，按照比例将作业单元对划分为A、E、I、O、U、X五个等级；
(4)综合关系图绘制：依据综合相互关系等级划分，绘制对应的综合相互关系图。
5.根据权利要求1所述的车间作业单元多目标布局优化方法，其特征在于，所述步骤5包括：
(1)综合接近程度计算：将综合相互关系等级以数值的方式进行量化，依据分值的高低确定各作业单元的位置，分值越高，该作业单元优先布置，再依次布置与其密切程度较高的其它作业单元，以此类推；
(2)作业单元布局图绘制：根据综合接近程度数值，绘制位置相关图；
(3)面积相关图绘制：由作业单元位置相关图，结合车间内部各作业区域实际占地面积，按比例绘制面积相关图；
(4)初始布置优化方案：基于作业单元位置和面积相关图，并综合考虑车间其它影响因素，对设施布置图进行调整与修正，初步得到数种车间初始布局优化方案，并将SLP法得到的初始布局优化方案作为MBO算法的初始解。
6.根据权利要求1所述的车间作业单元多目标布局优化方法，其特征在于，所述步骤6包括：
(1)模型假设：对模型设立以下假设条件：
1)将该研究问题视为车间作业单元多行布局问题；
2)作业单元简化为长、宽已知的矩形，在直角坐标系中建立模型，原点视作车间左下角，X轴为车间长度方向，Y轴为车间宽度方向；
3)作业单元物料搬运距离使用曼哈顿计算准则，即：Dij＝|xi-xj|+|yi-yj|；
4)同一行作业单元中心坐标处于坐标空间同一水平线上，即纵坐标的值相同，且同一行作业单元处于同一平面上；
5)外围作业单元与车间墙壁的间隔视为默认值，作业单元之间的横向间隔在一定范围内取值，纵向间隔据实际情况进行细微调整；
6)车间的生产能力满足实际需求，作业单元之间的单位距离搬运成本近似一致，取值相同；
(2)模型构建：构建车间作业单元布局数学模型。
7.根据权利要求1所述的车间作业单元多目标布局优化方法，其特征在于，所述步骤7包括：
(1)目标函数确定：根据步骤6构建的模型，构建物料搬运成本最小化和非物流关系最大化多目标函数，计算公式如下
Figure FDA0003909197100000031
Figure FDA0003909197100000032
式中，S1(x,y)为物料搬运成本最小化函数，S2(x,y)为非物流关系最大化函数，Cij为作业单元i和j之间单位距离的搬运费用；Qij为作业单元i和j之间的物料搬运量；Dij为作业单元i和j之间的搬运距离；Pij为作业单元i和j之间的非物流关系等级；bij为作业单元i和j与其距离之间的关联因子，即邻近度；
对目标函数进行归一化处理，归一化处理后的式子如下所示。
Figure FDA0003909197100000041
Figure FDA0003909197100000042
其中，S1'为归一化后的物料搬运成本最小化函数，S'2为归一化后的非物流关系最大化函数，Dmax为车间长与车间宽的和，bmax为最大邻近度值；
车间布局模型最终目标函数如下式所示：
minS(x,y)＝α1S1'-α2S'2
其中，α1为S1'的权重值，α2为S'2的权重值。
(2)约束条件确定：对车间布局模型设立以下约束条件
1)每个作业单元有且只能出现一次；
2)横向和纵向作业单元之间不重叠；
3)每行作业单元长度之和小于车间总长度，每列作业单元宽度之和小于车间总宽度；
4)作业单元固定约束。
8.根据权利要求1所述的车间作业单元多目标布局优化方法，其特征在于，所述步骤8中，领飞鸟和更飞鸟更新的方法如下：
1)获取领飞鸟的最优个体；
2)创建领飞鸟领域，领飞鸟寻优迭代e次；
3)创建跟飞鸟领域，跟飞鸟寻优迭代e-olf次，获取领飞鸟领域中次优解，将此解与跟飞鸟一同构建领域，在领域内寻优并更新个体，之后依此类推直到鸟群进化完成；
4)判断领飞鸟是否进化，进化则保留，反之则舍弃。
9.根据权利要求1所述的车间作业单元多目标布局优化方法，其特征在于，所述步骤9中，所述跟飞鸟有四种更新方式，包括：
1)交叉互换方式即随机选择任意2个作业单元交换其位置；
2)前插操作方式即随机选择2个作业单元，将后一个作业单元插入前一个作业单元的前方；
3)后插操作方式即随机选取2个作业单元，将前一个作业单元插入后一个作业单元的后方；
4)交换序列方式即随机选取2个作业单元，将选取作业单元之间的作业单元位置进行中心对称旋转。
10.一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；所述存储器存储有能够被所述至少一个处理器执行的计算机程序，所述计算机程序在被所述至少一个处理器执行时用于使所述电子设备执行根据权利要求1-9任一项所述的车间作业单元多目标布局优化方法。
CN202211315813.0A 2022-10-26 2022-10-26 一种车间作业单元多目标布局优化方法及电子设备 Pending CN115577849A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211315813.0A CN115577849A (zh) 2022-10-26 2022-10-26 一种车间作业单元多目标布局优化方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211315813.0A CN115577849A (zh) 2022-10-26 2022-10-26 一种车间作业单元多目标布局优化方法及电子设备

Publications (1)

Publication Number Publication Date
CN115577849A true CN115577849A (zh) 2023-01-06

Family

ID=84587495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211315813.0A Pending CN115577849A (zh) 2022-10-26 2022-10-26 一种车间作业单元多目标布局优化方法及电子设备

Country Status (1)

Country Link
CN (1) CN115577849A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116127584A (zh) * 2023-03-13 2023-05-16 西南交通大学 一种动态过道布置方法
CN116502752A (zh) * 2023-04-24 2023-07-28 西南交通大学 一种用于车间多行布局的自由换行策略求解方法
CN116777084A (zh) * 2023-08-18 2023-09-19 云南流体规划研究院有限公司 化工泵体加工设备的布局方法、装置、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116127584A (zh) * 2023-03-13 2023-05-16 西南交通大学 一种动态过道布置方法
CN116127584B (zh) * 2023-03-13 2024-05-14 西南交通大学 一种动态过道布置方法
CN116502752A (zh) * 2023-04-24 2023-07-28 西南交通大学 一种用于车间多行布局的自由换行策略求解方法
CN116777084A (zh) * 2023-08-18 2023-09-19 云南流体规划研究院有限公司 化工泵体加工设备的布局方法、装置、设备及存储介质
CN116777084B (zh) * 2023-08-18 2023-10-27 云南流体规划研究院有限公司 化工泵体加工设备的布局方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN115577849A (zh) 一种车间作业单元多目标布局优化方法及电子设备
CN109447317B (zh) 一种基于多人同时拣货的仓库最短路径优化方法
CN109190857B (zh) 一种基于多目标资源受限项目调度模型的优化算法
Guan et al. Multi-objective particle swarm optimization for multi-workshop facility layout problem
CN110782086B (zh) 一种用于救援的带无人机车辆配送路径优化方法及系统
Qi et al. A spatiotemporal partitioning approach for large-scale vehicle routing problems with time windows
CN104808627A (zh) 一种离散制造系统的车间布局方法
CN109002902A (zh) 分区域多阶段生鲜农产品动态车辆路径优化方法
CN111178582A (zh) 一种基于改进遗传算法的物流配送优化方法
CN112070355A (zh) 一种机场摆渡车的分配调度方法
CN112085368A (zh) 一种基于免疫遗传算法的设备产能配置与布局优化方法
CN101673382A (zh) 一种农资连锁经营物流配送配载组合优化方法
CN104123587B (zh) Mto‑mts管理模式下钢铁生产合同计划和多级库存匹配优化方法
CN110390491B (zh) 一种公路工程多目标施工计划确定方法
CN113792989B (zh) 一种需求驱动的共享观光车区域间并行优化调度方法
CN110070305A (zh) 一种资源转移视角下的双目标鲁棒资源分配方法
Wan et al. A differential evolution algorithm combined with linear programming for solving a closed loop facility layout problem
CN114444843A (zh) 一种基于大规模变邻域搜索策略的农产品绿色物流配送车辆调度方法及系统
CN117273275A (zh) 一种基于遗传规划算法的航班管控计划生成方法
CN113887782A (zh) 一种面向维修资源配送调度的遗传-烟花混合方法及系统
CN113901728A (zh) 基于迁移遗传算法的电脑第二类装配线平衡优化方法
CN118261376A (zh) 基于改进模拟退火算法的服装生产线动态调度方法及系统
CN108416482B (zh) 一种基于区域性多策略的物流配送路径规划方法
Islam et al. Solving capacitated vehicle routing problem by using heuristic approaches: A case study
CN111445079B (zh) 一种应用于车间计划投产的多保真仿真优化方法及设备

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