CN115981262B - 基于imoea的液压缸零部件车间生产调度方法 - Google Patents

Abstract

本发明提出一种基于IMOEA的液压缸零部件车间生产调度方法，基于液压缸零部件生产车间的运行特点，设定基本条件、基本参数和约束条件；基于所述基本条件、基本参数和约束条件，构建以最小化最大完工时间和最小化半成品库存占用为目标的液压缸零部件车间生产调度模型；设定编码和解码规则；采用多目标进化算法进行求解，得到同时考虑最大完工时间和在制品库存量的最优调度方案。增强局部搜索能力，更有效的寻找全局或局部的更优解，收敛速度快，不容易陷入局部最优，使得最终获得的调度方案更为精准。

Description

基于IMOEA的液压缸零部件车间生产调度方法

技术领域

本发明涉及液压缸零部件车间生产调度技术领域，具体涉及一种基于IMOEA的液压缸零部件车间生产调度方法。

背景技术

液压缸是大型工程机械设备动力传输的关键，是大型工程建设产业、矿业、基建产业不可或缺的重要产品。液压缸装配所需零部件种类繁多、工序复杂，是影响液压缸生产周期的关键因素；液压缸零部件的加工工序包含热处理、车削、焊接、钻孔等多种工艺，是多目标柔性作业车间调度问题(Multi-objective flexible Job-shop Scheduling Problem,MOFJSP)。多目标柔性作业车间调度问题不仅是实际生产过程中一类复杂度较高的典型问题，而且在数学上属于非决定性多项式集合Np＝hard组合优化问题。柔性作业车间问题可以描述为n个工件{J₁,J₂,...J_n}在m台机器{M₁,M₂,...M_m,}上加工，每个工件有若干道待加工工序，每道工序可以选择其可选机器集中任一机器加工，求解最优的调度方案以使调度目标最优。

在现有技术中，针对多目标优化问题出现了多目标进化算法(Multi-ObjectEvolutionary Algorithm,MOEA)，由于零部件生产时间的不确定以及保养维护的需求，液压缸零部件在完成装配之前往往会在半成品库堆积存放，给企业带来较大的库存成本、人工成本和管理成本；甚至有时还因为生产周期过长、信息丢失等因素造成液压件丢失，严重延误生产周期。而采用MOEA算法很少针对这种多批次模型并将在制品的库存成本作为优化目标的较少以最小化最大完工时间和最小化在制品库存量为研究目标建立模型，导致直接应用于液压缸零部件车间生产调度所得到的调度方案并不准确。

发明内容

本发明提出了一种基于IMOEA的液压缸零部件车间生产调度方法，考虑液压缸零部件不同批次对在制品库存量的影响，构建多目标柔性作业车间调度模型，并设计一种改进多目标进化算法，以解决同时考虑最大完工时间和在制品库存量的生产调度问题。

为解决上述技术问题，本发明提供了一种基于IMOEA的液压缸零部件车间生产调度方法，包括以下步骤：

步骤S1：基于液压缸零部件生产车间的运行特点，设定基本条件、基本参数和约束条件；

步骤S2：基于所述基本条件、基本参数和约束条件，构建以最小化最大完工时间和最小化半成品库存占用为目标的液压缸零部件车间生产调度模型；

步骤S3：设定编码和解码规则，基于机器选择MS和工序排序OS进行二阶段编码，所述机器选择MS中的每个数字代表相应工序选择加工机器的序号，所述工序排序OS中每一个数字代表工件号，出现的次数代表工件的工序的序号；

步骤S4：采用混合随机法生成机器选择MS的编码和工序排序OS的编码，得到初始种群；

步骤S5：选择所述初始种群中的个体，进行整理；

步骤S6：采用随机联赛法选择父代，基于每批工件的数量，通过自适应同化因子和转移长度进行POX交叉；

步骤S7：设定多层级反馈的领域搜索结构，进行变异，生成子代种群；

步骤S8：重复步骤S6至步骤S7，当满足迭代次数时，得到最优调度方案。

优选地，步骤S1中的所述基本参数包括：

i：工件数量，i＝1,2,...,n；

j：工序号，j＝1,2,3,...,b；

k：机器序号，k＝1,2,...,m；

O_ij：工件i的第j道工序；

M_ij：工序O_ij可选择的机器集；

C_i：工件i的完工时间；

S_ijk：工序O_ij在机器k上的开始时间；

P_ijk：工序O_ij在机器k上的加工时间；

C_ijk：工序O_ij在机器k上的结束时间；

工序O_ij在机器k上的加工情况；

C_tmax：最大完工时间；

M：无穷大正数；

L_n：液压缸组件批次信息集合,n＝1,2,...,l；

每批液压件的完成时间集合；

优选地，步骤S1中的约束条件包括：

1)工序O_i(j+1)的开始加工时间不早于工序O_ij的加工完成时间，如公式所示：

2)每道工序只能在对应工位的一台机器上加工，如公式所示：

3)每台机器同一时刻最多加工一道工序，如公式所示：

C_ijk≤S_ghk+M(1-γ_ijghk)；

4)工序O_ij的开始加工时间和完工时间，如公式所示：

C_ijk＝P_ijk+S_ijk。

优选地，步骤S2中所述最小化最大完工时间minC_max的表达式为：

minC_max＝min[max(C_i)]。

优选地，步骤S2中所述最小化半成品库存占用minγ的表达式为：

优选地，步骤S5中所述进行整理的方法包括以下步骤：

步骤S51：基于所述工序排序OS部分，对照液压缸批次信息，得到每个工序所对应工件的加工批次；

步骤S52：记录所述加工批次中批次出现的次序；

步骤S53：基于所述次序，将属于同一加工批次的工件工序编码组合在一起，得到整理后的工序编码，所述机器选择MS部分的编码按照工序编码进行组合。

优选地，步骤S6中所述POX交叉的方法包括以下步骤：

步骤S61：计算每个液压缸批次包含工件数量，得到包含每批工件数量的矩阵[n_L1，n_L2，…，n_Ll]，使用轮盘赌选出待交叉的加工批次号，其中每批被选中的概率由下列公式计算：

步骤S62：通过以下公式计算自适应同化因子δ和转移长度β：

δ＝exp(-It-0.5·MaxItMaxIt)

β＝round(δ·ρ·n_Ln2)

式中，It表示当前迭代数，MaxIt表示总迭代次数，exp表示以e为底的指数函数，ρ表示0至1之间的随机数；

步骤S63：通过步骤S61选定待交叉的加工批次号，从所述加工批次号中选出β个工件进行POX交叉。

优选地，步骤S7中所述多层级反馈的领域搜索结构包括用于快速突变的SNS层、基于最大完工时间以寻找关键工序进行突变的HNS层和基于最小化半成品库存以寻找瓶颈工件进行突变的TNS层；

寻找所述关键工序的方法为，从完工时间最大的工序开始搜索，比较其紧前工序和其同机器的上一加工工序的结束时间，时间较大的即为关键工序；

寻找所述瓶颈工件的方法为，通过以下公式得到制品库存量最大的工件批次号，再取该批次中最晚加工完成的工件为瓶颈工件：

式中，L_n表示液压缸组件批次信息集合，表示每批液压件的完成时间集合，C_i表示工件i的完工时间。

优选地，所述SNS层包括以下结构：

SNS1：在工序排序部分不变的情况下对机器选择部分进行突变，随机生成一组范围在(0,1)之间的随机概率矩阵Q＝[q₁,q₂,q₃,...,q_n]，n为工序个数，q_n<η₁则对该位置工序的机器选择部分进行突变；

式中，η₁表示变异概率，ω表示初始革命概率；

SNS2：工序插入，所述工序排序OS编码部分随机选择两道工序a和b，将工序b插到工序a之前，机器选择MS编码部分同时执行插入操作；

SNS3：工序反转，从所述工序排序OS编码部分随机选择两个位置，并同时反转两个位置的工序排序OS和机器选择MS；

所述HNS层包括以下结构：

HNS1：按倒序依次改变所述关键工序的加工机器，直到得到当前解决方案的非支配解，或所有所述关键工序的加工机器均已被尝试；

HNS2：随机选择一道所述关键工序，和其他工件的非关键工序做工序交换，机器选择部分也随之同时交换，若得到该方案的非支配解，则该方案被替换；否则继续搜索，直到到达迭代上限；

所述TNS层包括以下结构：

TNS1：针对所述瓶颈工件上的工序，随机选择一道工序将其加工机器突变为其可选机器组中加工时间最短的机器，若已是加工时间最短的机器，则更换一道工序；

TNS2：针对所述瓶颈工件上的工序，随机选择一道工序将其位置和同批次另一工件中加工优先级较高的工序调换位置，若该工序优先级已经最高，则更换一道工序。

优选地，步骤S7中所述变异的方法包括：对于帕累托第一前沿的个体k₁，进行SNS邻域搜索，产生邻域解k₂，如果k₂支配k₁或处于同一层级且有更大的拥挤距离则k₂保留；若没有发生替换，且达到了SNS最大搜索轮次则随机选择HNS或TNS对k₁进行变异，如果依然没有发生替换，则变异失败且之后的迭代中该个体跳过SNS领域搜索，直到所有个体变异完成；

对于非帕累托第一前沿个体k₂，设定变异概率η₂以选中变异个体进行SNS邻域搜索。

本发明的有益效果在于：

本发明构建了液压缸零部件车间生产调度模型，并针对该模型改进多目标进化算法求解算法，为液压缸零部件生产企业解决完工时间和库存问题提供一套可选择的解决方案。

改进多目标进化算法，采用混合随机法生成初始化种群，并进行整理，使得整理后的解决方案在半成品库存再用这个目标上的初始目标值较好，后续的种群收敛快，提升计算效率。

引入自适应同化因子和转移长度进行POX交叉变异操作，自适应同化因子的变化趋势为先增大后变小，逐渐增大使得在迭代初期较快的完成局部搜索，而当算法迭代到一定次数时，直接对最好的解决方案做邻域搜索更有效率，此时算法应该分配更多的计算用于种群变异，因此在算法的后半段逐渐变小，在提高调度方案优势性的同时，进一步的提高计算效率。

采用多层级反馈的智能领域搜索算子，按照复杂程度和相应的目标设定领域搜索结构，更符合液压缸零部件车间的生产流程，通过领域搜索变异，更进一步的提高得到的调度方案的合理性和有效性。

附图说明

图1为本发明的方法流程图；

图2为本发明的编码和解码示意图；

图3为本发明的对编码进行整理的示意图；

图4为本发明的POX交叉示意图；

图5为本发明的寻找关键工序的示意图；

图6为本发明实施例五种算法的对比示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。

如图1所示，本发明实施例提供了一种基于IMOEA的液压缸零部件车间生产调度方法，包括以下步骤：

步骤S1：基于液压缸零部件生产车间的运行特点，设定基本条件、基本参数和约束条件；

具体地，基本条件包括：

1)每台机器在零时刻都是可用的，任一工件都能够在零时刻开始加工且设备间相互独立；

2)不考虑机器故障、机器预维护、紧急插单等特殊情况；

3)任一工件的加工工序有先后约束，一个工件在任一时刻至多只能在一台机器上加工，所有工件之间互不影响，工件的加工顺序没有先后约束；

4)某一工序可在同一时刻选择其可加工设备集中任一设备开展加工；

5)每道工序的加工时间均已知，且包含了准备时间；

6)某一工序一旦开始加工就无法中断，直至加工完成。

基本参数包括：

i：工件数量，i＝1,2,...,n；

j：工序号，j＝1,2,3,...,b；

k：机器序号，k＝1,2,...,m；

O_ij：工件i的第j道工序；

M_ij：工序O_ij可选择的机器集；

C_i：工件i的完工时间；

S_ijk：工序O_ij在机器k上的开始时间；

P_ijk：工序O_ij在机器k上的加工时间；

C_ijk：工序O_ij在机器k上的结束时间；

工序O_ij在机器k上的加工情况；

C_tmax：最大完工时间；

M：无穷大正数；

L_n：液压缸组件批次信息集合,n＝1,2,...,l；

每批液压件的完成时间集合；

约束条件包括：

1)工序O_i(j+1)的开始加工时间不早于工序O_ij的加工完成时间，如公式所示：

2)每道工序只能在对应工位的一台机器上加工，如公式所示：

3)每台机器同一时刻最多加工一道工序，如公式所示：

C_ijk≤S_ghk+M(1-γ_ijghk)；

4)工序O_ij的开始加工时间和完工时间，如公式所示：

C_ijk＝P_ijk+S_ijk。

步骤S2：基于基本条件、基本参数和约束条件，构建以最小化最大完工时间和最小化半成品库存占用为目标的液压缸零部件车间生产调度模型；

具体地，本发明实施例中，液压缸零部件车间生产调度模型的最小化最大完工时间minC_max目标函数的表达式为：

minC_max＝min[max(C_i)]；

最小化半成品库存占用minγ目标函数的表达式为：

步骤S3：设定编码和解码规则，基于机器选择MS和工序排序OS进行二阶段编码，机器选择MS中的每个数字代表相应工序选择加工机器的序号，工序排序OS中每一个数字代表工件号，出现的次数代表工件的工序的序号；

具体地，编码和解码过程如图2所示，OS部分第一个1，此时第一次出现，代表工序O₁₁，对应MS部分为3，表示工序O₁₁选择其可加工机器集中的第三个机器进行加工。

步骤S4：采用混合随机法生成机器选择MS的编码和工序排序OS的编码，得到初始种群；

具体地，首先按照随机生成的方法生成所有个体的工序排序部分，基本选择部分按照50％随机和50％最小加工时间原则生成。

步骤S5：选择初始种群中的个体，进行整理；

具体地，考虑制品库存量这一目标，选择上述所生成的初始种群中的部分个体进行整理，本发明实施例中，个体选择占比为50％。

如图3所示，整理操作为：

步骤S51：基于工序排序OS部分，对照液压缸批次信息，得到每个工序所对应工件的加工批次；

具体地，选择随机个体的工序排序部分编码z＝(z₁,z₂,...,z_m)，m为总工序数，对照初始条件中的液压缸批次信息，得到每个工序所对应工件的加工批次序列l＝(l₁,l₂,...,l_m)。

步骤S52：记录加工批次中批次出现的次序；

具体地，如图3所示，在工件4的工序3样本中，初始个体工序部分编码z＝(1,1,4,3,3,2,2,1,4,4,3,2)，其中工件1和工件4属于第1批液压缸的零部件，工件2和工件3属于第2批液压缸的零部件，该工序编码对应的加工批次序列l＝(1,1,1,2,2,2,2,1,1,1,2,2)，则该个体批次号出现的次序为(1,2)。

步骤S53：基于次序，将属于同一加工批次的工件工序编码组合在一起，得到整理后的工序编码，机器选择MS部分的编码按照工序编码进行组合。

本发明实施例中，整理后的工序编码z₁＝(1,1,4,1,4,4,3,3,2,2,3,2)，通过对编码进行整理，在半成品库存占用这个目标上的初始目标值较好，使得种群收敛较快。

多目标进化算法MOEA算法的进化算子包括交叉、变异和选择，本发明实施例对MOEA算法的交叉、变异和选择进行改进得到的改进多目标进化算法IMOEA如步骤S6和S7所示。

步骤S6：采用随机联赛法选择父代，基于每批工件的数量，通过自适应同化因子和转移长度进行POX交叉，本发明实施例中采用规模为2的随机联赛方法，在此不做过多赘述；

具体地，POX交叉步骤S61：计算每个液压缸批次包含工件数量，得到包含每批工件数量的矩阵[n_L1，n_L2，…，n_Ll]，使用轮盘赌选出待交叉的加工批次号，其中每批被选中的概率由下列公式计算：

步骤S62：通过以下公式计算自适应同化因子δ和转移长度β：

δ＝exp(-It-0.5·MaxItMaxIt)

β＝round(δ·ρ·n_Ln2)

式中，It表示当前迭代数，MaxIt表示总迭代次数，exp表示以e为底的指数函数，ρ表示0至1之间的随机数；

步骤S63：通过步骤S61选定待交叉的加工批次号，从加工批次号中选出β个工件进行POX交叉。

具体地，如图4所示，POX交叉描述为：Ω{1,3}表示交叉的工件集为[工件1，工件3]，即父代1中Ω{1,3}部分出现顺序和父代2中除Ω{1,3}部分意外工件出现顺序组合在一起。

本发明实施例中，通过引入自适应同化因子δ，δ变化趋势为先增大后变小，逐渐增大使得在算法初期较快的完成局部搜索，而当算法迭代到一定次数时，直接对最好的解决方案做邻域搜索更有效率，此时算法应该分配更多的计算用于种群变异，因此在算法的后半段δ逐渐变小。

步骤S7：设定多层级反馈的领域搜索结构，进行变异，生成子代种群；

本发明实施例中，多层级反馈的领域搜索结构包括用于快速突变的SNS层、基于最大完工时间以寻找关键工序进行突变的HNS层和基于最小化半成品库存以寻找瓶颈工件进行突变的TNS层。

寻找关键工序的方法为，从完工时间最大的工序开始搜索，比较其紧前工序和其同机器的上一加工工序的结束时间，时间较大的即为关键工序；

具体地，如图5所示，先找到最晚完工的工序即O₂₃，然后对比工序O₂₃的前置工序O₂₂和在M3上的紧前工序O₃₃，取完工较晚的O₃₃加入关键工序链，再对比前置O₃₂和紧前O₂₁，取O₃₂加入关键工序链，直到无工序可选。

寻找瓶颈工件的方法为，通过以下公式得到制品库存量最大的工件批次号，再取该批次中最晚加工完成的工件为瓶颈工件

式中，L_n表示液压缸组件批次信息集合，表示每批液压件的完成时间集合，C_i表示工件i的完工时间。

SNS层包括以下结构：

SNS1：在工序排序部分不变的情况下对机器选择部分进行突变，随机生成一组范围在(0,1)之间的随机概率矩阵Q＝[q₁,q₂,q₃,...,q_n]，n为工序个数，q_n<η₁则对该位置工序的机器选择部分进行突变；

式中，η₁表示变异概率，ω表示初始革命概率；

SNS2：工序插入，工序排序OS编码部分随机选择两道工序a和b，将工序b插到工序a之前，机器选择MS编码部分同时执行插入操作；

SNS3：工序反转，从工序排序OS编码部分随机选择两个位置，并同时反转两个位置的工序排序OS和机器选择MS；

HNS邻域结构比SNS更为复杂，它在寻找当前方案关键路径的基础上做突变，主要针对最大完工时间这一目标函数，HNS层包括以下结构：

HNS1：按倒序依次改变关键工序的加工机器，直到得到当前解决方案的非支配解，或所有关键工序的加工机器均已被尝试；

HNS2：随机选择一道关键工序，和其他工件的非关键工序做工序交换，机器选择部分也随之同时交换，若得到该方案的非支配解，则该方案被替换；否则继续搜索，直到到达迭代上限；

TNS邻域在基于瓶颈工件的基础上进行突变，主要针对在制品库存量这一目标函数，由最小化半成品库存占用目标函数可以看出，同批次工件中最后完成的工件的完工时间对该批次整体累积在制品库存量影响最大，因此从关键批次的瓶颈工件展开变异有利于在最小化半成品库存占用目标函数取得较好结果，TNS层包括以下结构：

TNS1：针对瓶颈工件上的工序，随机选择一道工序将其加工机器突变为其可选机器组中加工时间最短的机器，若已是加工时间最短的机器，则更换一道工序；

TNS2：针对瓶颈工件上的工序，随机选择一道工序将其位置和同批次另一工件中加工优先级较高的工序调换位置，若该工序优先级已经最高，则更换一道工序。

变异的方法包括：对于帕累托第一前沿的个体k₁，进行SNS邻域搜索，产生邻域解k₂，如果k₂支配k₁或处于同一层级且有更大的拥挤距离则k₂保留；若没有发生替换，且达到了SNS最大搜索轮次则随机选择HNS或TNS对k₁进行变异，如果依然没有发生替换，则变异失败且之后的迭代中该个体跳过SNS领域搜索，直到所有个体变异完成；

对于非帕累托第一前沿个体k₂，设定变异概率η₂以选中变异个体进行SNS邻域搜索。

对于选择操作，不同于标准进化算法中选择前N个最优个体，本发明引入参数α，前N×α个个体选择最优个体，其他个体从种群其他个体中随机挑选。

步骤S8：重复步骤S6至步骤S7，当满足迭代次数时，得到最优调度方案。

为验证本发明所提出的多目标进化算法IMOEA求解的有效性和优越性，采用IMEOA与独立成分分析ICA、粒子群优化算法PSO和人工蜂群算法ABC、灰狼优化算法GWO进行对比实验，算法运行环境为：IntelCorei9，CPU3.6GHz，RAM32GB，Win10(64位)操作系统，编程环境为Matlab2016a；使用基准算例集Brandimarte中的标准算例mk15的扩展算例，算例生成规则如表1所示，扩展内容为三个液压缸零部件集合。

表1

	工件数量	机器数量	工件工序范围	最大柔性	加工时间范围
						Mk15	30	15	8-12	5	10-30

各算法独立运行30次，混合各算法单独运行30次数据并将进行帕累托排序得到的第一前沿面作为算法的最优结果。实验结果如图6所示，从图中可以看出，采用本发明所提出的改进多目标进化算法IMOEA计算出的结果，在完工时间和在制品库存量两个指标上，均能得到更好的结果。

以上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个技术特征所有可能的组合都进行描述，仅表达了本发明的较佳实施例而已，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。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。

应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于IMOEA的液压缸零部件车间生产调度方法，其特征在于：包括以下步骤：

步骤S1：基于液压缸零部件生产车间的运行特点，设定基本条件、基本参数和约束条件；

所述基本参数包括：

i：工件数量，i＝1,2,...,n；

j：工序号，j＝1,2,3,...,b；

k：机器序号，k＝1,2,...,m；

O_ij：工件i的第j道工序；

M_ij：工序O_ij可选择的机器集；

C_i：工件i的完工时间；

S_ijk：工序O_ij在机器k上的开始时间；

P_ijk：工序O_ij在机器k上的加工时间；

C_ijk：工序O_ij在机器k上的结束时间；

工序O_ij在机器k上的加工情况；

C_tmax：最大完工时间；

M：无穷大正数；

L_n：液压缸组件批次信息集合,n＝1,2,...,l；

每批液压件的完成时间集合；

步骤S2：基于所述基本条件、基本参数和约束条件，构建以最小化最大完工时间和最小化半成品库存占用为目标的液压缸零部件车间生产调度模型；

所述约束条件包括：

1)工序O_i(j+1)的开始加工时间不早于工序O_ij的加工完成时间，如公式所示：

2)每道工序只能在对应工位的一台机器上加工，如公式所示：

3)每台机器同一时刻最多加工一道工序，如公式所示：

C_ijk≤S_ghk+M(1-γ_ijghk)；

4)工序O_ij的开始加工时间和完工时间，如公式所示：

C_ijk＝P_ijk+S_ijk；

步骤S3：设定编码和解码规则，基于机器选择MS和工序排序OS进行二阶段编码，所述机器选择MS中的每个数字代表相应工序选择加工机器的序号，所述工序排序OS中每一个数字代表工件号，出现的次数代表工件的工序的序号；

步骤S4：采用混合随机法生成机器选择MS的编码和工序排序OS的编码，得到初始种群；

步骤S5：选择所述初始种群中的个体，进行整理；

步骤S6：采用随机联赛法选择父代，基于每批工件的数量，通过自适应同化因子和转移长度进行POX交叉；

步骤S7：设定多层级反馈的领域搜索结构，进行变异，生成子代种群；

步骤S8：重复步骤S6至步骤S7，当满足迭代次数时，得到最优调度方案。

2.根据权利要求1所述的一种基于IMOEA的液压缸零部件车间生产调度方法，其特征在于：步骤S2中所述最小化最大完工时间minC_max的表达式为：

minC_max＝min[max(C_i)]。

3.根据权利要求1所述的一种基于IMOEA的液压缸零部件车间生产调度方法，其特征在于：步骤S2中所述最小化半成品库存占用minγ的表达式为：

4.根据权利要求1所述的一种基于IMOEA的液压缸零部件车间生产调度方法，其特征在于：步骤S5中所述进行整理的方法包括以下步骤：

步骤S51：基于所述工序排序OS部分，对照液压缸批次信息，得到每个工序所对应工件的加工批次；

步骤S52：记录所述加工批次中批次出现的次序；

步骤S53：基于所述次序，将属于同一加工批次的工件工序编码组合在一起，得到整理后的工序编码，所述机器选择MS部分的编码按照工序编码进行组合。

5.根据权利要求1所述的一种基于IMOEA的液压缸零部件车间生产调度方法，其特征在于：步骤S6中所述POX交叉的方法包括以下步骤：

步骤S61：计算每个液压缸批次包含工件数量，得到包含每批工件数量的矩阵[n_L1，n_L2，…，n_Ll]，使用轮盘赌选出待交叉的加工批次号，其中每批被选中的概率由下列公式计算：

步骤S62：通过以下公式计算自适应同化因子δ和转移长度β：

δ＝exp(-|It-0.5·MaxIt|/MaxIt)

β＝round(δ·ρ·n_Ln/2)

式中，It表示当前迭代数，MaxIt表示总迭代次数，exp表示以e为底的指数函数，ρ表示0至1之间的随机数；

步骤S63：通过步骤S61选定待交叉的加工批次号，从所述加工批次号中选出β个工件进行POX交叉。

6.根据权利要求5所述的一种基于IMOEA的液压缸零部件车间生产调度方法，其特征在于：步骤S7中所述多层级反馈的领域搜索结构包括用于快速突变的SNS层、基于最大完工时间以寻找关键工序进行突变的HNS层和基于最小化半成品库存以寻找瓶颈工件进行突变的TNS层；

寻找所述关键工序的方法为，从完工时间最大的工序开始搜索，比较其紧前工序和其同机器的上一加工工序的结束时间，时间更大的即为关键工序；

寻找所述瓶颈工件的方法为，通过以下公式得到制品库存量最大的工件批次号，再取该批次中最晚加工完成的工件为瓶颈工件：

式中，L_n表示液压缸组件批次信息集合，表示每批液压件的完成时间集合，C_i表示工件i的完工时间。

7.根据权利要求6所述的一种基于IMOEA的液压缸零部件车间生产调度方法，其特征在于：

所述SNS层包括以下结构：

SNS1：在工序排序部分不变的情况下对机器选择部分进行突变，随机生成一组范围在(0,1)之间的随机概率矩阵Q＝[q₁,q₂,q₃,...,q_n]，n为工序个数，q_n<η₁则对该位置工序的机器选择部分进行突变；

式中，η₁表示变异概率，ω表示初始革命概率；

SNS2：工序插入，所述工序排序OS编码部分随机选择两道工序a和b，将工序b插到工序a之前，机器选择MS编码部分同时执行插入操作；

SNS3：工序反转，从所述工序排序OS编码部分随机选择两个位置，并同时反转两个位置的工序排序OS和机器选择MS；

所述HNS层包括以下结构：

HNS1：按倒序依次改变所述关键工序的加工机器，直到得到当前解决方案的非支配解，或所有所述关键工序的加工机器均已被尝试；

HNS2：随机选择一道所述关键工序，和其他工件的非关键工序做工序交换，机器选择部分也随之同时交换，若得到该方案的非支配解，则该方案被替换；否则继续搜索，直到到达迭代上限；

所述TNS层包括以下结构：

TNS1：针对所述瓶颈工件上的工序，随机选择一道工序将其加工机器突变为其可选机器组中加工时间最短的机器，若已是加工时间最短的机器，则更换一道工序；

TNS2：针对所述瓶颈工件上的工序，随机选择一道工序将其位置和同批次另一工件中加工优先级较高的工序调换位置，若该工序优先级已经最高，则更换一道工序。

8.根据权利要求7所述的一种基于IMOEA的液压缸零部件车间生产调度方法，其特征在于：步骤S7中所述变异的方法包括：对于帕累托第一前沿的个体k₁，进行SNS邻域搜索，产生邻域解k₂，如果k₂支配k₁或处于同一层级且有更大的拥挤距离则k₂保留；若没有发生替换，且达到了SNS最大搜索轮次则随机选择HNS或TNS对k₁进行变异，如果依然没有发生替换，则变异失败且之后的迭代中该个体跳过SNS领域搜索，直到所有个体变异完成；

对于非帕累托第一前沿个体k₂，设定变异概率η₂以选中变异个体进行SNS邻域搜索。