CN115629584A - 一种基于改进乌鸦搜索算法的订单排产优化方法 - Google Patents
一种基于改进乌鸦搜索算法的订单排产优化方法 Download PDFInfo
- Publication number
- CN115629584A CN115629584A CN202211266056.2A CN202211266056A CN115629584A CN 115629584 A CN115629584 A CN 115629584A CN 202211266056 A CN202211266056 A CN 202211266056A CN 115629584 A CN115629584 A CN 115629584A
- Authority
- CN
- China
- Prior art keywords
- order
- crow
- data
- scheduling
- iteration
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000010845 search algorithm Methods 0.000 title claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 46
- 239000000463 material Substances 0.000 claims abstract description 45
- 238000013178 mathematical model Methods 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims description 57
- 230000006870 function Effects 0.000 claims description 46
- 230000000739 chaotic effect Effects 0.000 claims description 35
- 238000012384 transportation and delivery Methods 0.000 claims description 24
- 241001137251 Corvidae Species 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 10
- 238000003780 insertion Methods 0.000 claims description 7
- 230000037431 insertion Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 5
- 238000003754 machining Methods 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 239000000047 product Substances 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007688 edging Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进乌鸦搜索算法的订单排产优化方法,包括:获取车间信息数据,车间信息数据包括当前订单数据、历史订单数据、各车间设备数据、仓库管理数据和仓库物料数据;根据各车间设备数据将当前订单数据中每个订单按照工艺路线分解为若干个工序下发到对应车间,并根据仓库管理数据和仓库物料数据调用对应资源进行备料;建立排产数学模型;定义约束条件;采用改进乌鸦搜索算法对排产数学模型进行求解,获得最优排产结果。该方法通过建立排产数学模型并结合改进乌鸦搜索算法进行智能排产优化,有助于保证初始化乌鸦种群的质量和多样性,防止算法陷入局部收敛,有效优化智能排产结果来指导订单排产加工。
Description
技术领域
本发明属于车间订单排产技术领域,具体涉及一种基于改进乌鸦搜索算法的订单排产优化方法。
背景技术
刀具广泛用于汽车制造、电子信息、机械加工等众多领域,是一个基础性行业。高端刀具制造工序较长且工艺复杂,在生产工程中对制造设备技术、关键质量控制要求高,导致当前刀具生产压力巨大,多数刀具生产制造企业正逐步由传统的面向库存式生产向面向订单生产转变,相应的计划排产策略也逐步由以产定销向以销定产进行转变。
在转型过渡期间,企业生产计划排产时会优先响应市场需求,按销售订单需求进行排产,当销售订单量过大时,如果按照人为经验的方式进行排产时,容易导致订单未按照规定时间完成。对于出现设备故障、质量缺陷、物料不足等情况,多种条件约束下,传统的排产方法可靠性不足,无法为生产实践做出合理的指导严重影响生产效率和资源浪费。
优化排产是生产制造中关键的环节。针对一项可以分解的产品制造任务,在尽可能满足工艺路线、资源情况、交货期等约束条件的前提下,通过下达生产指令,为其中各项工作安排制造资源、工艺时间及先后顺序,以使得该任务的各种生产目标达到最优化。传统的运筹学方法是针对小规模排产问题,利用精确的数学方法进行求解,但对于复杂的排产问题,特别是非确定性多项式问题,运筹学方法由于计算量过于庞大而无法求解,其包括线性规划、混合整数线性规划、动态规划、分支定界法等。遗传算法、粒子群算法、蚁群算法、禁忌搜索算法被广泛用于智能排产优化,但大部分都会陷入局部最优解的局面。乌鸦搜索算法是一种新的群智能仿生算法,它通过模仿乌鸦藏食这一行为来解决优化问题,其优点在于其所调参数少、复杂度低、优化的时间较短,更易于实施。乌鸦搜索算法的收敛速度很好,该算法在1s左右即可找到所研究问题的解决方案。因此,如何对乌鸦搜索算法进一步进行改进以更快更精准的求解实际智能排产问题具有重要的应用价值。
发明内容
本发明的目的在于针对上述问题,提出一种基于改进乌鸦搜索算法的订单排产优化方法,通过建立排产数学模型并结合改进乌鸦搜索算法的智能排产优化方案,保证初始化乌鸦种群的质量和多样性,可防止算法在前期陷入局部收敛,从而优化智能排产结果来指导订单排产加工。
为实现上述目的,本发明所采取的技术方案为:
本发明提出的一种基于改进乌鸦搜索算法的订单排产优化方法,包括如下步骤:
S1、获取车间信息数据,车间信息数据包括当前订单数据、历史订单数据、各车间设备数据、仓库管理数据和仓库物料数据;
S2、根据各车间设备数据将当前订单数据中每个订单按照工艺路线分解为若干个工序下发到对应车间,并根据仓库管理数据和仓库物料数据调用对应资源进行备料;
S3、建立排产数学模型,具体如下:
S3.1、构建目标函数,目标函数包括:
(1)最小化最大完成时间F1:
F1=min{max(BTijk+tijk)}
(2)最小化最大机器负荷F2:
(3)交货紧张度因子F3:
其中,
式中,BTijk表示订单i的第j个工序在第k台机器上的开始加工时间,tijk表示订单i的第j个工序在第k台机器上的加工时长,Gijk为订单i的第j个工序在第k台机器上的加工状态,Hi为订单i的交货截止日期,i=1,2,…,n,j=1,2,…,J,k=1,2,…,m,n表示当前订单数据中的订单总数,J表示对应订单的工序数,m表示机器总数,并记首个订单的开始加工时间为0;
S3.2、将目标函数F1、F2、F3分别进行归一化处理,对应获得归一化后的目标函数f1、f2、f3;
S3.3、构建总优化目标函数F(λi)作为排产数学模型,公式如下:
F(λi)=w1f1+w2f2+w3f3
式中,F(λi)表示订单加工排序为λi的总优化目标函数,w1、w2、w3依次对应为f1、f2、f3的权重因子且为非负数;
S4、定义约束条件;
S5、采用改进乌鸦搜索算法对排产数学模型进行求解,获得最优排产结果,具体如下:
S5.1、将乌鸦种群的总初始位置表示为矩阵Xd:
Xd=(x1d,x2d,|,xad,…,xsd)
式中,s为乌鸦种群的数量,d为搜索空间维数,xad表示乌鸦a在搜索空间维数d下的初始位置,a=1,2,…,s,且a=i;
S5.2、利用SPV规则将矩阵Xd=(x1d,x2d,|,xad,|,xsd)转换为离散的订单加工排序λi;
S5.3、初始化参数建立乌鸦的飞行空间,参数包括乌鸦种群的数量s、最大迭代次数tmax、总感知概率AP和乌鸦的飞行距离fl;
S5.4、采用组合混沌映射生成混沌序列以初始化乌鸦种群,组合混沌映射公式如下:
Vr+1=mod(|cos(ωarccosVr)|+(μ(Vr+(1-Vr)),1)
其中,初始混沌变量V1∈(0,1)随机给定,生成满足约束条件的乌鸦种群所有乌鸦的第一个位置,并将第一个位置作为对应乌鸦的第一个记忆位置;
式中,ω,μ为控制参数,Vr表示混沌序列的第r个值对应的混沌变量;
S5.6、搜索并更新乌鸦a的位置作为乌鸦a在下一次迭代的位置xa t+1,乌鸦a的位置更新公式如下:
式中,表示乌鸦a在第t次迭代的位置,t=1,2,…,tmax,Va表示混沌序列的第a个值,Va∈(0,1),Vz∈(0,1),fl表示乌鸦的飞行距离,表示目标乌鸦z在第t次迭代的记忆位置,表示乌鸦a在第t次迭代的感知概率;
S5.7、置a=a+1,返回执行步骤S5.6,直至将乌鸦种群所有乌鸦全部遍历完成;
S5.8、遍历乌鸦种群所有乌鸦,判断当前更新位置xa t+1的适应度是否大于第t次迭代的记忆位置Ma t的适应度,若是,则将当前更新位置xa t+1作为本次迭代的记忆位置Ma t+1,否则,保留第t次迭代的记忆位置Ma t作为本次迭代的记忆位置Ma t+1,公式如下:
式中,F(xa t)表示乌鸦a在第t次迭代的适应度;
S5.9、判断是否到达最大迭代次数tmax,若是,终止迭代并输出乌鸦种群所有乌鸦的最优记忆位置Ma t+1和对应的适应度,将输出的适应度对应的加工订单排序λi作为最优排产结果,否则,置t=t+1,返回执行步骤S5.5。
优选地,当前订单数据包括订单编号、交货日期、拆单附件和制图附件;历史订单数据包括订单加工时间、派工日期和完工日期;车间设备数据包括机器类型、机器名称、机器地点、工序名称、工序数、开机时间和停机时间;仓库管理数据包括仓库编码、仓库名称、仓库地点、物料批次号、物料出入库类型和仓库操作记录;仓库物料数据包括物料编码、物料名称、物料规格、物料颜色和物料材质。
优选地,归一化处理,公式如下:
优选地,目标函数的历史最优值和目标函数的历史最差值通过查询历史订单数据获得,依次对应为订单加工时间的最小值和订单加工时间的最大值。
优选地,约束条件定义如下:
(1)总优化目标函数F(λi)的权重因子,满足如下条件:
w1+w2+w3=1;
(2)每台机器同时只能加工一个订单,满足如下条件:
Yk=1
式中,Yk表示生产时任意时刻在第k台机器上加工的订单数量;
(3)每个订单每道工序的加工时间,满足如下条件:
tijk≥0;
(4)每个订单的工序顺序固定,当前订单的第j个工序生产完成后,若第j+1个工序存在对应的空闲机器,则开始生产任务,若j+1个工序不存在对应的空闲机器,则等待出现对应的空闲机器后,再开始j+1个工序的生产任务,满足如下条件:
B(i-1)j+t(i-1)j)≥Bi(j-1)+ti(j-1)
式中,B(i-1)j表示订单i-1的第j个工序的开始时间,t(i-1)j表示订单i-1的第j个工序的加工时间,Bi(j-1)表示订单i的第j-1个工序的开始时间,ti(j-1)表示订单i的第j-1个工序的加工时间;
(5)任一订单的完成时间不超过交货截止日期,满足如下条件:
优选地,计算所有乌鸦的位置的适应度,还满足如下条件:
当存在紧急订单插入时,权重因子取值为w1=0.3,w2=0.2,w3=0.5,当存在订单拖期时,权重因子取值为w1=0.5,w2=0.5,w3=0,否则,权重因子取值为w1=w2=w3=1/3,表示订单正常加工。
优选地,组合混沌映射在ω=4,μ=4时处于完全混沌状态。
与现有技术相比,本发明的有益效果为:该方法针对产品个性化、多款式、小批量流水线车间的排产问题,以最小化最大完成时间、最小化最大机器负荷、交货紧张度因子为目标函数,将三个单一目标分别进行归一化处理,再采用权系数的方法将其归一化为总的排产目标,并可针对紧急订单插入和订单拖期情况,通过自定义权重因子来指导订单排产过程,使其符合实际生产需求,同时提出改进乌鸦搜索算法的智能排产优化方案,引入组合混沌映射优化策略,使算法在解空间内得到均匀分布的初始解,从而可扩展算法的搜索范围,保证初始化乌鸦种群的质量和多样性,可防止算法在前期陷入局部收敛,从而优化智能排产结果来指导订单排产加工。
附图说明
图1为本发明基于改进乌鸦搜索算法的订单排产优化方法的总流程图;
图2为本发明步骤S5的流程图;
图3为本发明的刀具生产工序流程图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
需要说明的是,除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是在于限制本申请。
如图1-3所示,一种基于改进乌鸦搜索算法的订单排产优化方法,包括如下步骤:
S1、获取车间信息数据,车间信息数据包括当前订单数据、历史订单数据、各车间设备数据、仓库管理数据和仓库物料数据。
在一实施例中,当前订单数据包括订单编号、交货日期、拆单附件和制图附件;历史订单数据包括订单加工时间、派工日期和完工日期;车间设备数据包括机器类型、机器名称、机器地点、工序名称、工序数、开机时间和停机时间;仓库管理数据包括仓库编码、仓库名称、仓库地点、物料批次号、物料出入库类型和仓库操作记录;仓库物料数据包括物料编码、物料名称、物料规格、物料颜色和物料材质。
S2、根据各车间设备数据将当前订单数据中每个订单按照工艺路线分解为若干个工序下发到对应车间,并根据仓库管理数据和仓库物料数据调用对应资源进行备料。
本实施例应用于刀具生产线环境。刀具生产线车间的生产所用物料的规格、材质等方面存在较大不同,但总体生产工艺加工流转过程差别不大,产品生产按照工艺顺序加工,车间一般采用分段式生产线布局,即各工序对应一个车间,各工艺阶段分别对应至少一条生产线,每一批订单按工艺顺序依次通过不同加工设备,进行生产线流水作业。刀具生产工序如图3所示,工序依次为下料-雕刻-贴边-磨边-打包,对应为下料生产线、雕刻生产线、贴边生产线、磨边生产线和打包生产线,每个工序对应有多条生产线,且任一订单的某一工序只能在一条对应生产线上加工。其中,当前订单数据包括订单编号、交货日期、拆单附件和制图附件,用于加工前的订单基础数据汇总;历史订单数据用于获取目标函数的历史最优值和目标函数的历史最差值;各车间设备数据用于订单在加工过程中确定工序数和设备数;仓库管理数据用于成品、半成品、物料的存放位置确定和出入库物料的归总;仓库物料数据用于订单的生产原材料的确定。
S3、建立排产数学模型,具体如下:
S3.1、构建目标函数,目标函数包括:
(1)最小化最大完成时间F1:
F1=min{max(BTijk+tijk)}
(2)最小化最大机器负荷F2:
(3)交货紧张度因子F3:
其中,
式中,BTijk表示订单i的第j个工序在第k台机器上的开始加工时间,tijk表示订单i的第j个工序在第k台机器上的加工时长,Gijk为订单i的第j个工序在第k台机器上的加工状态,Hi为订单i的交货截止日期,i=1,2,…,n,j=1,2,…,J,k=1,2,…,m,n表示当前订单数据中的订单总数,J表示对应订单的工序数,m表示机器总数,并记首个订单的开始加工时间为0。
其中,最小化最大生产完成时间反映企业生产效率情况,最小化最大机器负荷用以降低机器损耗,交货紧张度因子用来表示订单交货的紧张程度。
S3.2、将目标函数F1、F2、F3分别进行归一化处理,对应获得归一化后的目标函数f1、f2、f3。
在一实施例中,归一化处理,公式如下:
在一实施例中,目标函数的历史最优值和目标函数的历史最差值通过查询历史订单数据获得,依次对应为订单加工时间的最小值和订单加工时间的最大值。
订单的排产优化是使各优化目标函数达到一种平衡,获取目标的最优解,因此将需要将单一优化目标进行归一化处理。
S3.3、构建总优化目标函数F(λi)作为排产数学模型,公式如下:
F(λi)=w1f1+w2f2+w3f3
式中,F(λi)表示订单加工排序为λi的总优化目标函数,w1、w2、w3依次对应为f1、f2、f3的权重因子且为非负数。
S4、定义约束条件。
在一实施例中,约束条件定义如下:
(1)总优化目标函数F(λi)的权重因子,满足如下条件:
w1+w2+w3=1;
(2)每台机器同时只能加工一个订单,满足如下条件:
Yk=1
式中,Yk表示生产时任意时刻在第k台机器上加工的订单数量;
(3)每个订单每道工序的加工时间,满足如下条件:
tijk≥0;
(4)每个订单的工序顺序固定,当前订单的第j个工序生产完成后,若第j+1个工序存在对应的空闲机器,则开始生产任务,若j+1个工序不存在对应的空闲机器,则等待出现对应的空闲机器后,再开始j+1个工序的生产任务,满足如下条件:
B(i-1)j+t(i-1)j)≥Bi(j-1)+ti(j-1)
式中,B(i-1)j表示订单i-1的第j个工序的开始时间,t(i-1)j表示订单i-1的第j个工序的加工时间,Bi(j-1)表示订单i的第j-1个工序的开始时间,ti(j-1)表示订单i的第j-1个工序的加工时间;
(5)任一订单的完成时间不超过交货截止日期,满足如下条件:
每一个订单生产占用的机器的产能要在机器所能达到的产能范围之内。根据条件:每一个订单必须按照工艺路线的顺序进行生产,且工序有前后置约束(即指按照工艺路线的顺序),前置工序做完后,后置工序才可以进行;每一个机器在同一时刻最多只能加工一个订单;一旦订单投入生产到某一个机器当中,不允许其他订单插入,只有等待该订单在当前机器上完成后,才允许插入,且任一订单的完成时间不超过交货截止日期,建立刀具排产数学模型。
S5、采用改进乌鸦搜索算法对排产数学模型进行求解,获得最优排产结果,具体如下:
S5.1、将乌鸦种群的总初始位置表示为矩阵Xd:
Xd=(x1d,x2d,…,xad,…,xsd)
式中,s为乌鸦种群的数量,d为搜索空间维数,xad表示乌鸦a在搜索空间维数d下的初始位置,a=1,2,…,s,且a=i。
S5.2、利用SPV规则将矩阵Xd=(x1d,x2d,…,xad,…,xsd)转换为离散的订单加工排序λi。
采用改进乌鸦搜索算法对排产数学模型进行求解,每只乌鸦表示一个问题的可行解决方案,即每只乌鸦对应一个订单,从而得到最优的刀具的优化排产结果。如表1所示,为本发明的乌鸦个体转化为订单的示例图。对订单原始排序进行编码,如本实施例当前订单数据包括8个订单,即对应分量位置1-8,利用SPV规则将矩阵Xd=(x1d,x2d,…,xad,…,xsd)中的连续矢量转换为离散的订单加工排序λi,每个元素之间有大小次序关系。SPV规则为现有技术,在此不再赘述,可参考文献:刘华.基于改进人工蜂群算法的流水线调度研究[D].华东理工大学,2013.具体地,搜索空间维度d下,订单的数量为n,乌鸦数目为s,s=n,分量位置为乌鸦的原始位置序号1-8,分量位置对应的值Xd=[2.1,0.6,-0.8,1.1,-1.5,0.1,2.5,2.0],每次从连续矢量中遍历出最小值作为下一个加工订单,直到完成所有订单排序为止,即按照从小到大顺序进行排序,由表1可以看出,-1.5是所有值中最小的,它对应的分量位置为5,所以分量位置5根据SPV规则排在第一位,然后第二小的值是-0.8,它对应的分量位置为3,所以分量位置3根据SPV规则排在第二位,依次往下类推,转换为订单加工排序λi=[7,4,2,5,1,3,8,6],即先加工订单7,最后加工订单6。
表1
S5.3、初始化参数建立乌鸦的飞行空间,参数包括乌鸦种群的数量s、最大迭代次数tmax、总感知概率AP和乌鸦的飞行距离fl。
S5.4、采用组合混沌映射生成混沌序列以初始化乌鸦种群,组合混沌映射公式如下:
Vr+1=mod(|cos(ωarccosVr)|+(μ(Vr+(1-Vr)),1)
其中,初始混沌变量V1∈(0,1)随机给定,生成满足约束条件的乌鸦种群所有乌鸦的第一个位置,并将第一个位置作为对应乌鸦的第一个记忆位置;
式中,ω,μ为控制参数,Vr表示混沌序列的第r个值对应的混沌变量。
在一实施例中,组合混沌映射在ω=4,μ=4时处于完全混沌状态。
组合混沌映射采用Chebyshev混沌映射与Logistic混沌映射组合生成混沌序列,保证初始化种群的一定质量和多样性。其中,Chebyshev混沌映射产生的混沌序列在混沌吸引域的中间分布较为均匀,两端分布较为稠密。Logistic混沌映射对初始值的依赖性比较强,且产生的混沌序列的均匀性依赖于参数的取值,便于根据实际需求调整。需要说明的是,Chebyshev混沌映射与Logistic混沌映射为现有技术,在此不再赘述。
在一实施例中,计算所有乌鸦的位置的适应度,还满足如下条件:
当存在紧急订单插入时,权重因子取值为w1=0.3,w2=0.2,w3=0.5,当存在订单拖期时,权重因子取值为w1=0.5,w2=0.5,w3=0,否则,权重因子取值为w1=w2=w3=1/3,表示订单正常加工。
不同扰动时确定权重因子,在实际生产中难免会出现紧急订单插入和订单拖期的情况,针对以上情况可以通过不同的权重因子来排产规划。紧张插入的订单交货期一般是短的,所以排产策略是要以交货紧张因子为首要排产优化目标,如权重设置为0.5,最小化最大完成时间和最小化最大机器负荷配合进行订单的排产,如权重依次设置为0.3、0.2。订单拖期时,订单的实际交付日期已超过规定交付日期,此时交货紧张度因子的权重设置为0,最小化最大完成时间和最小化最大机器负荷为排产优化目标,其权重系数可以分别设置为0.5、0.5。
S5.6、搜索并更新乌鸦a的位置作为乌鸦a在下一次迭代的位置xa t+1,乌鸦a的位置更新公式如下:
式中,表示乌鸦a在第t次迭代的位置,t=1,2,…,tmax,Va表示混沌序列的第a个值,Va∈(0,1),Vz∈(0,1),fl表示乌鸦的飞行距离,表示目标乌鸦z在第t次迭代的记忆位置,表示乌鸦a在第t次迭代的感知概率。
乌鸦种群中每只乌鸦会随机选择一只乌鸦作为目标乌鸦继续位置搜索。假设在t次迭代中,乌鸦a跟随的是目标乌鸦z,则会出现两种情况:一种是目标乌鸦z没有发现自己被乌鸦a跟随时,更新乌鸦a的位置;另一种是目标乌鸦z发现自己被乌鸦a跟随时,目标乌鸦z会保护食物而改变位置,乌鸦a无法靠近,此时随机生成一个位置来更新乌鸦a的位置,乌鸦a的位置更新公式如上。
S5.7、置a=a+1,返回执行步骤S5.6,直至将乌鸦种群所有乌鸦全部遍历完成。
S5.8、遍历乌鸦种群所有乌鸦,判断当前更新位置xa t+1的适应度是否大于第t次迭代的记忆位置Ma t的适应度,若是,则将当前更新位置xa t+1作为本次迭代的记忆位置Ma t+1,否则,保留第t次迭代的记忆位置Ma t作为本次迭代的记忆位置Ma t+1,公式如下:
式中,F(xat)表示乌鸦a在第t次迭代的适应度。
S5.9、判断是否到达最大迭代次数tmax,若是,终止迭代并输出乌鸦种群所有乌鸦的最优记忆位置Ma t+1和对应的适应度,将输出的适应度对应的加工订单排序λi作为最优排产结果,否则,置t=t+1,返回执行步骤S5.5。
该方法针对产品个性化、多款式、小批量流水线车间的排产问题,以最小化最大完成时间、最小化最大机器负荷、交货紧张度因子为目标函数,将三个单一目标分别进行归一化处理,再采用权系数的方法将其归一化为总的排产目标,并可针对紧急订单插入和订单拖期情况,通过自定义权重因子来指导订单排产过程,使其符合实际生产需求,同时提出改进乌鸦搜索算法的智能排产优化方案,引入组合混沌映射优化策略,使算法在解空间内得到均匀分布的初始解,从而可扩展算法的搜索范围,保证初始化乌鸦种群的质量和多样性,可防止算法在前期陷入局部收敛,从而优化智能排产结果来指导订单排产加工。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请描述较为具体和详细的实施例,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于改进乌鸦搜索算法的订单排产优化方法,其特征在于:所述基于改进乌鸦搜索算法的订单排产优化方法包括如下步骤:
S1、获取车间信息数据,所述车间信息数据包括当前订单数据、历史订单数据、各车间设备数据、仓库管理数据和仓库物料数据;
S2、根据各车间设备数据将当前订单数据中每个订单按照工艺路线分解为若干个工序下发到对应车间,并根据仓库管理数据和仓库物料数据调用对应资源进行备料;
S3、建立排产数学模型,具体如下:
S3.1、构建目标函数,所述目标函数包括:
(1)最小化最大完成时间F1:
F1=min{max(BTijk+tijk)}
(2)最小化最大机器负荷F2:
(3)交货紧张度因子F3:
其中,
式中,BTijk表示订单i的第j个工序在第k台机器上的开始加工时间,tijk表示订单i的第j个工序在第k台机器上的加工时长,Gijk为订单i的第j个工序在第k台机器上的加工状态,Hi为订单i的交货截止日期,i=1,2,…,n,j=1,2,…,J,k=1,2,…,m,n表示当前订单数据中的订单总数,J表示对应订单的工序数,m表示机器总数,并记首个订单的开始加工时间为0;
S3.2、将目标函数F1、F2、F3分别进行归一化处理,对应获得归一化后的目标函数f1、f2、f3;
S3.3、构建总优化目标函数F(λi)作为排产数学模型,公式如下:
F(λi)=w1f1+w2f2+w3f3
式中,F(λi)表示订单加工排序为λi的总优化目标函数,w1、w2、w3依次对应为f1、f2、f3的权重因子且为非负数;
S4、定义约束条件;
S5、采用改进乌鸦搜索算法对排产数学模型进行求解,获得最优排产结果,具体如下:
S5.1、将乌鸦种群的总初始位置表示为矩阵Xd:
Xd=(x1d,x2d,…,xad,…,xsd)
式中,s为乌鸦种群的数量,d为搜索空间维数,xad表示乌鸦a在搜索空间维数d下的初始位置,a=1,2,…,s,且a=i;
S5.2、利用SPV规则将矩阵Xd=(x1d,x2d,…,xad,…,xsd)转换为离散的订单加工排序λi;
S5.3、初始化参数建立乌鸦的飞行空间,所述参数包括乌鸦种群的数量s、最大迭代次数tmax、总感知概率AP和乌鸦的飞行距离fl;
S5.4、采用组合混沌映射生成混沌序列以初始化乌鸦种群,所述组合混沌映射公式如下:
Vr+1=mod(|cos(ωarccosVr)|+(μ(Vr+(1-Vr)),1)
其中,初始混沌变量V1∈(0,1)随机给定,生成满足约束条件的乌鸦种群所有乌鸦的第一个位置,并将第一个位置作为对应乌鸦的第一个记忆位置;
式中,ω,μ为控制参数,Vr表示混沌序列的第r个值对应的混沌变量;
S5.6、搜索并更新乌鸦a的位置作为乌鸦a在下一次迭代的位置xa t+1,乌鸦a的位置更新公式如下:
式中,表示乌鸦a在第t次迭代的位置,t=1,2,…,tmax,Va表示混沌序列的第a个值,Va∈(0,1),Vz∈(0,1),fl表示乌鸦的飞行距离,表示目标乌鸦z在第t次迭代的记忆位置,表示乌鸦a在第t次迭代的感知概率;
S5.7、置a=a+1,返回执行步骤S5.6,直至将乌鸦种群所有乌鸦全部遍历完成;
S5.8、遍历乌鸦种群所有乌鸦,判断当前更新位置xa t+1的适应度是否大于第t次迭代的记忆位置Ma t的适应度,若是,则将当前更新位置xa t+1作为本次迭代的记忆位置Ma t+1,否则,保留第t次迭代的记忆位置Ma t作为本次迭代的记忆位置Ma t+1,公式如下:
式中,F(xa t)表示乌鸦a在第t次迭代的适应度;
S5.9、判断是否到达最大迭代次数tmax,若是,终止迭代并输出乌鸦种群所有乌鸦的最优记忆位置Ma t+1和对应的适应度,将输出的适应度对应的加工订单排序λi作为最优排产结果,否则,置t=t+1,返回执行步骤S5.5。
2.如权利要求1所述的基于改进乌鸦搜索算法的订单排产优化方法,其特征在于:所述当前订单数据包括订单编号、交货日期、拆单附件和制图附件;所述历史订单数据包括订单加工时间、派工日期和完工日期;所述车间设备数据包括机器类型、机器名称、机器地点、工序名称、工序数、开机时间和停机时间;所述仓库管理数据包括仓库编码、仓库名称、仓库地点、物料批次号、物料出入库类型和仓库操作记录;所述仓库物料数据包括物料编码、物料名称、物料规格、物料颜色和物料材质。
4.如权利要求3所述的基于改进乌鸦搜索算法的订单排产优化方法,其特征在于:所述目标函数的历史最优值和目标函数的历史最差值通过查询历史订单数据获得,依次对应为订单加工时间的最小值和订单加工时间的最大值。
5.如权利要求1所述的基于改进乌鸦搜索算法的订单排产优化方法,其特征在于:所述约束条件定义如下:
(1)总优化目标函数F(λi)的权重因子,满足如下条件:
w1+w2+w3=1;
(2)每台机器同时只能加工一个订单,满足如下条件:
Yk=1
式中,Yk表示生产时任意时刻在第k台机器上加工的订单数量;
(3)每个订单每道工序的加工时间,满足如下条件:
tijk≥0;
(4)每个订单的工序顺序固定,当前订单的第j个工序生产完成后,若第j+1个工序存在对应的空闲机器,则开始生产任务,若j+1个工序不存在对应的空闲机器,则等待出现对应的空闲机器后,再开始j+1个工序的生产任务,满足如下条件:
B(i-1)j+t(i-1)j)≥Bi(j-1)+ti(j-1)
式中,B(i-1)j表示订单i-1的第j个工序的开始时间,t(i-1)j表示订单i-1的第j个工序的加工时间,Bi(j-1)表示订单i的第j-1个工序的开始时间,ti(j-1)表示订单i的第j-1个工序的加工时间;
(5)任一订单的完成时间不超过交货截止日期,满足如下条件:
6.如权利要求1所述的基于改进乌鸦搜索算法的订单排产优化方法,其特征在于:所述计算所有乌鸦的位置的适应度,还满足如下条件:
当存在紧急订单插入时,权重因子取值为w1=0.3,w2=0.2,w3=0.5,当存在订单拖期时,权重因子取值为w1=0.5,w2=0.5,w3=0,否则,权重因子取值为w1=w2=w3=1/3,表示订单正常加工。
7.如权利要求1所述的基于改进乌鸦搜索算法的订单排产优化方法,其特征在于:所述组合混沌映射在ω=4,μ=4时处于完全混沌状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211266056.2A CN115629584A (zh) | 2022-10-17 | 2022-10-17 | 一种基于改进乌鸦搜索算法的订单排产优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211266056.2A CN115629584A (zh) | 2022-10-17 | 2022-10-17 | 一种基于改进乌鸦搜索算法的订单排产优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115629584A true CN115629584A (zh) | 2023-01-20 |
Family
ID=84905467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211266056.2A Withdrawn CN115629584A (zh) | 2022-10-17 | 2022-10-17 | 一种基于改进乌鸦搜索算法的订单排产优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115629584A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795054A (zh) * | 2023-06-19 | 2023-09-22 | 上海交通大学 | 一种离散制造模式下的中间产品调度方法 |
-
2022
- 2022-10-17 CN CN202211266056.2A patent/CN115629584A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795054A (zh) * | 2023-06-19 | 2023-09-22 | 上海交通大学 | 一种离散制造模式下的中间产品调度方法 |
CN116795054B (zh) * | 2023-06-19 | 2024-03-19 | 上海交通大学 | 一种离散制造模式下的中间产品调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359884B (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
CN111191846B (zh) | 一种面向客户复杂定制需求的油缸产品排产优化装置 | |
CN112884239A (zh) | 一种基于深度强化学习的航天起爆器生产调度方法 | |
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 | |
CN102393634A (zh) | 一种基于pso-ga混合优化算法的单目标多生产线调度控制方法 | |
CN105956689A (zh) | 一种基于改进粒子群优化的运输和生产协同调度方法 | |
CN110414863A (zh) | 一种智能制造车间资源调度方法 | |
CN110956371A (zh) | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 | |
CN115629584A (zh) | 一种基于改进乌鸦搜索算法的订单排产优化方法 | |
CN114881504B (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 | |
CN113313551A (zh) | 一种订单处理方法、系统、电子设备及存储介质 | |
CN107357270A (zh) | 一种eps泡塑制造中的任务调度方法 | |
CN110428140B (zh) | 一种工序序列择时的多设备工序调度方法 | |
CN116933939A (zh) | 基于改进浣熊优化算法的柔性车间协同生产方法及系统 | |
CN116880424A (zh) | 一种基于多目标优化的多机器人调度方法以及装置 | |
CN115249121A (zh) | 一种基于深度强化学习的离散制造车间鲁棒调度优化方法 | |
CN112907152A (zh) | 多组同时完工工序综合调度的多功能设备预选矩阵方法 | |
CN107133703A (zh) | 一种基于需求驱动的不相容工件组在线分批加工方法 | |
CN100383914C (zh) | 决定机器派工顺序的方法以及使用该方法的制造系统 | |
CN115437321A (zh) | 基于深度强化学习网络的微服务-多代理工厂调度模型 | |
CN116822815A (zh) | 一种磷酸铁锂车间高级计划排产系统 | |
JPH05314143A (ja) | バッチプラントにおける製品生産計画方式 | |
CN115545329A (zh) | 一种适用于服装制造产线的一体化动态排程方法 | |
CN114529059A (zh) | 一种动力电池产线优化重组方法 | |
CN108985604B (zh) | 用于施工计划编制的工期压缩方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230120 |