CN116151589A - 基于改进飞蛾扑火算法的绿色可重入车间生产调度方法 - Google Patents

基于改进飞蛾扑火算法的绿色可重入车间生产调度方法 Download PDF

Info

Publication number
CN116151589A
CN116151589A CN202310348580.2A CN202310348580A CN116151589A CN 116151589 A CN116151589 A CN 116151589A CN 202310348580 A CN202310348580 A CN 202310348580A CN 116151589 A CN116151589 A CN 116151589A
Authority
CN
China
Prior art keywords
machine
reentrant
green
layer
moths
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
CN202310348580.2A
Other languages
English (en)
Inventor
唐红涛
兰泓毅
王磊
黄浪
杨志杰
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202310348580.2A priority Critical patent/CN116151589A/zh
Publication of CN116151589A publication Critical patent/CN116151589A/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
    • G06Q10/0631—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
    • G06N3/004—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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于改进飞蛾扑火算法的绿色可重入车间生产调度方法。它包括步骤S1：对目标绿色可重入车间设定预设条件、基本参数和约束条件，以最小化最大完工时间，最小化综合资源环境影响为目标设定优化目标函数，构建绿色可重入车间生产调度模型；步骤S2：基于所述绿色可重入车间生产调度模型，采用重入层数的工序排序层、加工机器的选择层的双层编码规则编码和解码；步骤S3：基于所述编码和解码，采用改进飞蛾扑火算法对所述绿色可重入车间生产调度模型进行求解，得到最优调度方案。本发明给企业提供更有效的车间调度方案，帮助企业节省成本，改善企业车间环境。

Description

基于改进飞蛾扑火算法的绿色可重入车间生产调度方法
技术领域
本发明属于车间调度技术领域，具体涉及一种基于改进飞蛾扑火算法的绿色可重入车间生产调度方法。
背景技术
现有的的调度问题一般假设每个工件最多访问每台机器一次，然而在实际生产中，一个工件可能多次在同一台机器上加工。例如在半导体或晶圆制造中，每个零件需进行一次或多次加工以确保其可靠性，所以需要研究可重入调度问题。此外，随着绿色制造的概念被提出，如何实现绿色调度也成为了车间调度需要考虑的另一个重要问题。
近年来，绿色制造的概念被提出，而以往的大多数可重入调度研究并没有考虑绿色制造的问题。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足，提供一种基于改进飞蛾扑火算法的绿色可重入车间生产调度方法。
本发明采用的技术方案是：一种基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，包括以下步骤：
步骤S1：对目标绿色可重入车间设定预设条件、基本参数和约束条件，以最小化最大完工时间，最小化综合资源环境影响为目标设定优化目标函数，构建绿色可重入车间生产调度模型；
步骤S2：基于所述绿色可重入车间生产调度模型，采用重入层数的工序排序层、加工机器的选择层的双层编码规则编码和解码；
步骤S3：基于所述编码和解码，采用改进飞蛾扑火算法对所述绿色可重入车间生产调度模型进行求解，其中，对于重入层数的工序排序层通过更新M矩阵并升序排列改变重入层数的工序排序层的排序，对于加工机器选择层使用交换和变形的方式来更新，得到最优调度方案。
所述预设条件包括：
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；
2）不考虑机器故障等特殊情况；
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）每个工件的重入层数、工序的加工时间以及机器的单位能耗已知并且恒定。
所述基本参数包括：
i：工位序号，i∈{1,2,……,S}；
j：工件序号，j∈{1,2,……,N}；
q：机器编号，q∈{1,2,……,M}；
a：工位i中的机器序号, a∈{1,2,……,mi}；
k：工件j的工序序号，k∈{1,2,……,Nj}；
Ojk：工件j的第k道工序；
Ui：工位i中加工的所有工序集合；
Lj：工件j的第Lj层操作；
S：工位总数；
N：工件总数；
M：机器总数；
mi：工位i中的并行机数量，mi=1,2,3,……；
Nj：工件j的工序总数；
L：重入层数；
We：工件j的理论重量；
Pjk：工序Ojk的加工时间；
Tjq(Lj)：工件j在机器q上的第Lj层操作的加工时间；
Wqj：机器q加工工件j的加工功率；
Wp：机器q的启动能量消耗；
Ws：机器q的空转功率；
tsj：机器q加工工件j结束后的空转时间；
EIe：电能产生的资源环境影响（单位：(KWh)-1）；
EIr：原材料产生的资源环境影响（单位：(kg)-1）；
EIp：热加工过程产生的资源环境影响（单位：(kg)-1）；
A：表示一个足够大的正数；
Yqt：若在在加工时间t机器q处于加工状态，则为1，否则为0；
rijka：若工序Ojk在工位i的第a台机器上加工，则为1，否则为0；
Hjkj’k’：若工序Ojk比Oj’k’先加工，则为1，反之为0；
Sjk：工序Ojk的开始加工时间；
Ejk：工序Ojk的加工结束时间；
Cj：工件j的完工时间；
Cmax：最大完工时间；
EIL：综合资源环境影响。
所述优化目标函数为：
最小化最大完工时间：
Figure SMS_1
；
最小化综合资源环境影响：
Figure SMS_2
；
Figure SMS_3
；/>
Figure SMS_4
；
Figure SMS_5
；
Figure SMS_6
。
所述约束条件具体包括：
1）工序Oj(k+1)的开始加工时间不早于工序Ojk的加工完成时间，具体公式如下：
Figure SMS_7
；
2）每道工序只能在对应工位的一台机器上加工，具体公式如下：
Figure SMS_8
；
3）每台机器同一时刻最多加工一道工序，具体公式如下：
Figure SMS_9
；
Figure SMS_10
；
Figure SMS_11
；
4）工序Ojk的开始加工时间和完工时间，具体公式如下：
Figure SMS_12
；
5）最大完工时间，具体公式如下：
Figure SMS_13
；
Figure SMS_14
。
所述步骤S2中所述编码的方法为：采用双层编码方式，以向量X=[Xp|Xm]表示一个可行解，其中Xp表示重入层数的工序排序层，Xm表示加工机器选择层。
所述步骤S2中所述解码的方法为：Xp和Xm编码的逆过程。
所述步骤S3中所述改进飞蛾扑火算法包括以下步骤：
步骤S31：采用初始种群中随机生成50%的个体，剩余的50%采用基于优化完工时间的策略选择方法，生成初始化种群M和F矩阵；
步骤S32：基于飞蛾是在搜索空间移动的实际搜索的主体，火焰是飞蛾到目前为止获得的最佳位置选择对数螺旋线对初始化种群M和F矩阵进行更新，具体公式如下：
Figure SMS_15
；
其中，Mi为第i飞蛾，Fj为第j火焰，b为对数螺旋线形状的常数，t为[-1,1]中的随机数，Di为第i飞蛾与第j火焰之间的距离，并且：
Figure SMS_16
；
步骤S33：1）如果是第一次迭代，则使用初始的M和F矩阵，之后的每一次迭代则使用上一次迭代更新之后的M和F矩阵来计算飞蛾与火焰之间的距离；
2）对于个体中的重入层数的工序排序层，记录飞蛾的位置元素当中最小的那一个随机数出现的位次并标记，子代个体该位置的值等于父代个体中第一个位置上的值，飞蛾位置元素中次小的随机数出现的位置所对应的子代个体位置上的值等于父代个体中第二个位置上的值，依次更新，直至子代个体中的重入层数的工序排序层更新完毕；对于个体中的加工机器选择层，父代个体之间利用交换和变形操作来产生子代个体的加工机器选择层，首先，从种群中随机选择两个机器父代个体记为Xm1和Xm2，作为Xm1的交换操作；然后，随机的将机器集Machine={1, 2, 3}分配到两个非空且互补的集合MachineSet1={1}，MachineSet2={2,3}；最后，从父代Xm1中挑选出包含在MachineSet1中的机器序号，并保持顺序不变将其复制到子代Xm1中，从父代Xm2中挑选出包含在MachineSet2中的机器序号，并将其按顺序插入到子代Xm中的空缺位置，在进行完交换操作之后对产生的子代Xm进行变形操作；这样可以增加种群的多样性；
3）计算子代个体的适应度值，将子代与父代个体的适应度值在一起进行优劣排序，首先要对子代和父代的适应度值进行Pareto非支配排序，若属于同一Pareto等级则依据拥挤距离排序；
4）根据排序结果，选出适应度值较好的n个个体组成新的种群，将适应度值最优的个体对应的那只飞蛾的位置元素排在F矩阵的第一行，适应度值次优的个体对应的那只飞蛾的位置元素排在F矩阵的第二行，以此规则进行排列，直至适应度值最劣个体对应的飞蛾的位置元素排在F矩阵的最后一行，生成新的F矩阵；
5）判断是否达到最大迭代次数，如果是则停止更新，输出最优解，否则，重复执行步骤1）~4），直至达到最大迭代次数；
步骤S34：在每次迭代更新之后，根据飞蛾所对应个体的适应度值进行排序，然后将飞蛾相对于它们对应的火焰更新其位置，当所述迭代的次数达到设定值时，输出最优调度方案，否则将新的种群作为初始种群，重新执行步骤S32~S34。
步骤S31中，生成初始化种群具体包括：
步骤S311：先随机生成一个包含n个飞蛾的M矩阵，依次将每只飞蛾的位置元素和每个初始解的工序层元素一一映射；
步骤S312：计算每个个体的适应度值并进行非支配排序；
步骤S313：将适应度值最优的个体对应的那只飞蛾的位置元素排在F矩阵的第一行，适应度值次优的个体对应的那只飞蛾的位置元素排在F矩阵的第二行，以此规则进行排列，直至适应度值最劣个体对应的飞蛾的位置元素排在F矩阵的最后一行，生成完整的初始F矩阵。
步骤S34中，更新的具体方法为：采用下式来减少迭代过程中火焰的数量，并且超出火焰数量的飞蛾都相对于最后一个火焰来更新其位置，具体公式如下：
Figure SMS_17
；
其中，l为当前迭代次数，N为火焰数量的最大值，T为最大迭代次数。
本发明的有益效果如下：本发明针对绿色可重入车间生产调度问题，以最小化最大完工时间和最小化综合资源环境影响为优化目标构建模型。并结合模型的特点，对MFO（现有的飞蛾扑火）算法进行了改进，具体包括：(1)设计新的编码方案，(2)改变种群初始化策略，(3)修改更新机制和进化策略。最后，通过不同规模测试实例的仿真实验，所提出的改进飞蛾扑火智能优化算法计算出的结果能得到更好的结果。IMFO（改进的飞蛾扑火）算法得到的非支配解分布在更接近最小坐标值的一侧，解的质量优于其他算法。说明该算法可以给企业提供更有效的车间调度方案，帮助企业节省成本，改善企业车间环境。
附图说明
图1为本发明求解绿色可重入车间生产调度问题的编码和解码示意图；
图2为本发明求解绿色可重入车间生产调度问题重入层数的工序层更新示意图；
图3为为本发明求解绿色可重入车间生产调度问题交换与变形示意图；
图4为本发明求解绿色可重入车间生产调度问题的所设计的改进飞蛾扑火智能优化算法流程图；
图5为对比算法的帕累托最优解的二维图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。
如图1-5所示，本发明包括以下步骤：
步骤S1：对目标绿色可重入车间设定预设条件、基本参数和约束条件，以最小化最大完工时间，最小化综合资源环境影响为目标设定优化目标函数，构建绿色可重入车间生产调度模型；
步骤S2：基于所述绿色可重入车间生产调度模型，采用重入层数的工序排序层、加工机器的选择层的双层编码规则编码和解码；
步骤S3：基于所述编码和解码，采用改进飞蛾扑火算法对所述绿色可重入车间生产调度模型进行求解，其中，对于重入层数的工序排序层通过更新M矩阵并升序排列改变重入层数的工序排序层的排序，对于加工机器选择层使用交换和变形的方式来更新，得到最优调度方案。
所述预设条件包括：
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；
2）不考虑机器故障等特殊情况；
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）每个工件的重入层数、工序的加工时间以及机器的单位能耗已知并且恒定。
所述基本参数包括：
i：工位序号，i∈{1,2,……,S}；
j：工件序号，j∈{1,2,……,N}；
q：机器编号，q∈{1,2,……,M}；
a：工位i中的机器序号, a∈{1,2,……,mi}；
k：工件j的工序序号，k∈{1,2,……,Nj}；
Ojk：工件j的第k道工序；
Ui：工位i中加工的所有工序集合；
Lj：工件j的第Lj层操作；
S：工位总数；
N：工件总数；
M：机器总数；
mi：工位i中的并行机数量，mi=1,2,3,……；
Nj：工件j的工序总数；
L：重入层数；
We：工件j的理论重量；
Pjk：工序Ojk的加工时间；
Tjq(Lj)：工件j在机器q上的第Lj层操作的加工时间；
Wqj：机器q加工工件j的加工功率；
Wp：机器q的启动能量消耗；
Ws：机器q的空转功率；
tsj：机器q加工工件j结束后的空转时间；
EIe：电能产生的资源环境影响（单位：(KWh)-1）；
EIr：原材料产生的资源环境影响（单位：(kg)-1）；
EIp：热加工过程产生的资源环境影响（单位：(kg)-1）；
A：表示一个足够大的正数；
Yqt：若在在加工时间t机器q处于加工状态，则为1，否则为0；
rijka：若工序Ojk在工位i的第a台机器上加工，则为1，否则为0；
Hjkj’k’：若工序Ojk比Oj’k’先加工，则为1，反之为0；
Sjk：工序Ojk的开始加工时间；
Ejk：工序Ojk的加工结束时间；
Cj：工件j的完工时间；
Cmax：最大完工时间；
EIL：综合资源环境影响。
所述优化目标函数为：
最小化最大完工时间：
Figure SMS_18
；/>
最小化综合资源环境影响：
Figure SMS_19
；
Figure SMS_20
；
Figure SMS_21
；
Figure SMS_22
；
Figure SMS_23
。
所述约束条件具体包括：
1）工序Oj(k+1)的开始加工时间不早于工序Ojk的加工完成时间，具体公式如下：
Figure SMS_24
；
2）每道工序只能在对应工位的一台机器上加工，具体公式如下：
Figure SMS_25
；
3）每台机器同一时刻最多加工一道工序，具体公式如下：
Figure SMS_26
；
Figure SMS_27
；
Figure SMS_28
；
4）工序Ojk的开始加工时间和完工时间，具体公式如下：
Figure SMS_29
；
5）最大完工时间，具体公式如下：
Figure SMS_30
；
Figure SMS_31
。/>
所述步骤S2中所述编码的方法为：采用双层编码方式，以向量X=[Xp|Xm]表示一个可行解，其中Xp表示重入层数的工序排序层，Xm表示加工机器选择层。
所述步骤S2中所述解码的方法为：Xp和Xm编码的逆过程。
如图1所示，本实施例中，通过一个2工件2工位的问题示例进行解释说明，该问题中每个工件的重入层数为3，各工位的不等效并行机数量为2。编码的具体步骤如下：
1）重入层数的工序排序层的编码采用基于工序的整数编码规则，Xp向量中的元素表示工件编号，该元素出现的总次数等于工位数S与重入层数L的乘积，每出现S次代表一层操作，且在任意一层操作中该元素出现的次序对应工件的工序和工位。如图3所示的Xp=[1,1, 1, 2, 2, 1, 1, 2, 1, 2, 2, 2]，以工件1为例，一号位置的1表示工件1的第一层操作的工序1在工位1的某一台机器上加工，二号位置的1表示工件1第一层操作的工序2 在工位2 的某一台机器上加工。机器加工完工序2之后，工件1的第一层操作结束。三号位置的1表示工件1的第二层操作的工序1在工位1的某台机器上加工，六号位置的1表示工件1第三层操作的工序2在工位2的某一台机器上加工。依此类推。
2）加工机器选择层编码，机器选择层Xm中的元素为Xp对应工序在对应工位上的加工机器的机器号，元素1表示的是机器1，元素2表示机器2。向量Xm=[1, 2, 1, 2, 2, 1, 1,2, 1, 2, 1, 2]的第一个元素表示的是工位1中的机器1，第二个元素表示工位2中的机器2，第三个元素表示工位1中的机器1。以此类推，最后一个元素表示工位2中的机器2。
通过上述编码过程可得到一个可行解X=[1, 1, 1, 2, 2, 1, 1, 2, 1, 2, 2, 2| 1, 2, 1, 2, 2, 1, 1, 2, 1, 2, 1, 2]，X的解码即为Xp和Xm编码的逆过程（Ojk,d表示第d层的加工工件j的第k道工序）。
所述步骤S3中所述改进飞蛾扑火算法包括以下步骤（结合图4所示）：
步骤S31：采用初始种群中随机生成50%的个体，剩余的50%采用基于优化完工时间的策略选择方法，生成初始化种群M和F矩阵；
步骤S32：在MFO（现有的飞蛾扑火）算法中，飞蛾位置的更新对可行解的影响非常大，飞蛾和火焰都可以看做是可行解，它们之间的区别在于每次迭代中处理和更新的方式不同，飞蛾是在搜索空间移动的实际搜索的主体，火焰是飞蛾到目前为止获得的最佳位置，也就是说，火焰可以被认为是在搜索空间搜索时被飞蛾丢弃的标记，每个飞蛾在找到更好解的情况下更新它。通过这种机制，飞蛾就不会错过其最好解。基于飞蛾是在搜索空间移动的实际搜索的主体，火焰是飞蛾到目前为止获得的最佳位置选择对数螺旋线对初始化种群M和F矩阵进行更新，具体公式如下：
Figure SMS_32
；
其中，Mi为第i飞蛾，Fj为第j火焰，b为对数螺旋线形状的常数，t为[-1,1]中的随机数，Di为第i飞蛾与第j火焰之间的距离，并且：
Figure SMS_33
；
步骤S33：1）如果是第一次迭代，则使用初始的M和F矩阵，之后的每一次迭代则使用上一次迭代更新之后的M和F矩阵来计算飞蛾与火焰之间的距离；
2）如图2所示，对于个体中的重入层数的工序排序层，记录飞蛾的位置元素当中最小的那一个随机数出现的位次并标记，子代个体该位置的值等于父代个体中第一个位置上的值，飞蛾位置元素中次小的随机数出现的位置所对应的子代个体位置上的值等于父代个体中第二个位置上的值，依次更新，直至子代个体中的重入层数的工序排序层更新完毕；对于个体中的加工机器选择层，父代个体之间利用交换和变形操作来产生子代个体的加工机器选择层，首先，从种群中随机选择两个机器父代个体记为Xm1和Xm2，作为Xm1的交换操作；然后，随机的将机器集Machine={1, 2, 3}分配到两个非空且互补的集合MachineSet1={1}，MachineSet2={2,3}；最后，从父代Xm1中挑选出包含在MachineSet1中的机器序号，并保持顺序不变将其复制到子代Xm1中，从父代Xm2中挑选出包含在MachineSet2中的机器序号，并将其按顺序插入到子代Xm中的空缺位置，在进行完交换操作之后对产生的子代Xm进行变形操作；这样可以增加种群的多样性；
3）计算子代个体的适应度值，将子代与父代个体的适应度值在一起进行优劣排序，首先要对子代和父代的适应度值进行Pareto非支配排序，若属于同一Pareto等级则依据拥挤距离排序；
4）根据排序结果，选出适应度值较好的n个个体组成新的种群，将适应度值最优的个体对应的那只飞蛾的位置元素排在F矩阵的第一行，适应度值次优的个体对应的那只飞蛾的位置元素排在F矩阵的第二行，以此规则进行排列，直至适应度值最劣个体对应的飞蛾的位置元素排在F矩阵的最后一行，生成新的F矩阵；
5）判断是否达到最大迭代次数，如果是则停止更新，输出最优解，否则，重复执行步骤1）~4），直至达到最大迭代次数；
步骤S34：在每次迭代更新之后，根据飞蛾所对应个体的适应度值进行排序，然后将飞蛾相对于它们对应的火焰更新其位置，当所述迭代的次数达到设定值时，输出最优调度方案，否则将新的种群作为初始种群，重新执行步骤S32~S34。
步骤S31中，生成初始化种群具体包括：
步骤S311：先随机生成一个包含n个飞蛾的M矩阵，依次将每只飞蛾的位置元素和每个初始解的工序层元素一一映射；
步骤S312：计算每个个体的适应度值并进行非支配排序；
步骤S313：将适应度值最优的个体对应的那只飞蛾的位置元素排在F矩阵的第一行，适应度值次优的个体对应的那只飞蛾的位置元素排在F矩阵的第二行，以此规则进行排列，直至适应度值最劣个体对应的飞蛾的位置元素排在F矩阵的最后一行，生成完整的初始F矩阵。
步骤S34中，更新的具体方法为：在飞蛾的更新机制中，只允许飞蛾朝着火焰的方向移动，这会导致MFO（现有的飞蛾扑火）算法快速陷入局部最优，为避免这种情况，每只飞蛾只能使用一个火焰来更新其位置，在每次迭代更新之后，根据飞蛾所对应个体的适应度值进行排序，然后将飞蛾相对于它们对应的火焰更新其位置，要求他们围绕不同的火焰移动，会提高飞蛾在搜索空间中的更新效率并降低局部最优停滞率，因此，飞蛾需要在不同的火焰周围更新位置，这种机制有利于促进勘探，即全局搜索，但是这样不利于对最优解的开发，为了解决此问题，采用下式来减少迭代过程中火焰的数量，并且超出火焰数量的飞蛾都相对于最后一个火焰来更新其位置，具体公式如下：
Figure SMS_34
；
其中，l为当前迭代次数，N为火焰数量的最大值，T为最大迭代次数。
从图5中解的分布质量可以推断，本发明IMFO（改进的飞蛾扑火）算法得到的非支配解分布在更接近最小坐标值的一侧，解的质量优于其他算法。说明该算法可以给企业提供更有效的车间调度方案，帮助企业节省成本，改善企业车间环境。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，其特征在于，包括以下步骤：
步骤S1：对目标绿色可重入车间设定预设条件、基本参数和约束条件，以最小化最大完工时间，最小化综合资源环境影响为目标设定优化目标函数，构建绿色可重入车间生产调度模型；
步骤S2：基于所述绿色可重入车间生产调度模型，采用重入层数的工序排序层、加工机器的选择层的双层编码规则编码和解码；
步骤S3：基于所述编码和解码，采用改进飞蛾扑火算法对所述绿色可重入车间生产调度模型进行求解，其中，对于重入层数的工序排序层通过更新M矩阵并升序排列改变重入层数的工序排序层的排序，对于加工机器选择层使用交换和变形的方式来更新，得到最优调度方案。
2.根据权利要求1所述的基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，其特征在于：所述预设条件包括：
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；
2）不考虑机器故障等特殊情况；
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）每个工件的重入层数、工序的加工时间以及机器的单位能耗已知并且恒定。
3.根据权利要求1所述的基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，其特征在于：所述基本参数包括：
i：工位序号，i∈{1,2,……,S}；
j：工件序号，j∈{1,2,……,N}；
q：机器编号，q∈{1,2,……,M}；
a：工位i中的机器序号, a∈{1,2,……,mi}；
k：工件j的工序序号，k∈{1,2,……,Nj}；
Ojk：工件j的第k道工序；
Ui：工位i中加工的所有工序集合；
Lj：工件j的第Lj层操作；
S：工位总数；
N：工件总数；
M：机器总数；
mi：工位i中的并行机数量，mi=1,2,3,……；
Nj：工件j的工序总数；
L：重入层数；
We：工件j的理论重量；
Pjk：工序Ojk的加工时间；
Tjq(Lj)：工件j在机器q上的第Lj层操作的加工时间；
Wqj：机器q加工工件j的加工功率；
Wp：机器q的启动能量消耗；
Ws：机器q的空转功率；
tsj：机器q加工工件j结束后的空转时间；
EIe：电能产生的资源环境影响；
EIr：原材料产生的资源环境影响；
EIp：热加工过程产生的资源环境影响；
A：表示一个足够大的正数；
Yqt：若在在加工时间t机器q处于加工状态，则为1，否则为0；
rijka：若工序Ojk在工位i的第a台机器上加工，则为1，否则为0；
Hjkj’k’：若工序Ojk比Oj’k’先加工，则为1，反之为0；
Sjk：工序Ojk的开始加工时间；
Ejk：工序Ojk的加工结束时间；
Cj：工件j的完工时间；
Cmax：最大完工时间；
EIL：综合资源环境影响。
4.根据权利要求1所述的基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，其特征在于：所述优化目标函数为：
最小化最大完工时间：
Figure QLYQS_1
；
最小化综合资源环境影响：
Figure QLYQS_2
；
Figure QLYQS_3
；
Figure QLYQS_4
；
Figure QLYQS_5
；
Figure QLYQS_6
。
5.根据权利要求1所述的基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，其特征在于：所述约束条件具体包括：
1）工序Oj(k+1)的开始加工时间不早于工序Ojk的加工完成时间，具体公式如下：
Figure QLYQS_7
；
2）每道工序只能在对应工位的一台机器上加工，具体公式如下：
Figure QLYQS_8
；
3）每台机器同一时刻最多加工一道工序，具体公式如下：
Figure QLYQS_9
；
Figure QLYQS_10
；
Figure QLYQS_11
；
4）工序Ojk的开始加工时间和完工时间，具体公式如下：
Figure QLYQS_12
；
5）最大完工时间，具体公式如下：
Figure QLYQS_13
；
Figure QLYQS_14
。
6.根据权利要求1所述的基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，其特征在于：所述步骤S2中所述编码的方法为：采用双层编码方式，以向量X=[Xp|Xm]表示一个可行解，其中Xp表示重入层数的工序排序层，Xm表示加工机器选择层。
7.根据权利要求1所述的基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，其特征在于：所述步骤S2中所述解码的方法为：Xp和Xm编码的逆过程。
8.根据权利要求1所述的基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，其特征在于：所述步骤S3中所述改进飞蛾扑火算法包括以下步骤：
步骤S31：采用初始种群中随机生成50%的个体，剩余的50%采用基于优化完工时间的策略选择方法，生成初始化种群M和F矩阵；
步骤S32：基于飞蛾是在搜索空间移动的实际搜索的主体，火焰是飞蛾到目前为止获得的最佳位置选择对数螺旋线对初始化种群M和F矩阵进行更新，具体公式如下：
Figure QLYQS_15
；
其中，Mi为第i飞蛾，Fj为第j火焰，b为对数螺旋线形状的常数，t为[-1,1]中的随机数，Di为第i飞蛾与第j火焰之间的距离，并且：
Figure QLYQS_16
；
步骤S33：1）如果是第一次迭代，则使用初始的M和F矩阵，之后的每一次迭代则使用上一次迭代更新之后的M和F矩阵来计算飞蛾与火焰之间的距离；
2）对于个体中的重入层数的工序排序层，记录飞蛾的位置元素当中最小的那一个随机数出现的位次并标记，子代个体该位置的值等于父代个体中第一个位置上的值，飞蛾位置元素中次小的随机数出现的位置所对应的子代个体位置上的值等于父代个体中第二个位置上的值，依次更新，直至子代个体中的重入层数的工序排序层更新完毕；对于个体中的加工机器选择层，父代个体之间利用交换和变形操作来产生子代个体的加工机器选择层，首先，从种群中随机选择两个机器父代个体记为Xm1和Xm2，作为Xm1的交换操作；然后，随机的将机器集Machine={1, 2, 3}分配到两个非空且互补的集合MachineSet1={1}，MachineSet2={2,3}；最后，从父代Xm1中挑选出包含在MachineSet1中的机器序号，并保持顺序不变将其复制到子代Xm1中，从父代Xm2中挑选出包含在MachineSet2中的机器序号，并将其按顺序插入到子代Xm中的空缺位置，在进行完交换操作之后对产生的子代Xm进行变形操作；
3）计算子代个体的适应度值，将子代与父代个体的适应度值在一起进行优劣排序，首先要对子代和父代的适应度值进行Pareto非支配排序，若属于同一Pareto等级则依据拥挤距离排序；
4）根据排序结果，选出适应度值较好的n个个体组成新的种群，将适应度值最优的个体对应的那只飞蛾的位置元素排在F矩阵的第一行，适应度值次优的个体对应的那只飞蛾的位置元素排在F矩阵的第二行，以此规则进行排列，直至适应度值最劣个体对应的飞蛾的位置元素排在F矩阵的最后一行，生成新的F矩阵；
5）判断是否达到最大迭代次数，如果是则停止更新，输出最优解，否则，重复执行步骤1）~4），直至达到最大迭代次数；
步骤S34：在每次迭代更新之后，根据飞蛾所对应个体的适应度值进行排序，然后将飞蛾相对于它们对应的火焰更新其位置，当所述迭代的次数达到设定值时，输出最优调度方案，否则将新的种群作为初始种群，重新执行步骤S32~S34。
9.根据权利要求8所述的基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，其特征在于：步骤S31中，生成初始化种群具体包括：
步骤S311：先随机生成一个包含n个飞蛾的M矩阵，依次将每只飞蛾的位置元素和每个初始解的工序层元素一一映射；
步骤S312：计算每个个体的适应度值并进行非支配排序；
步骤S313：将适应度值最优的个体对应的那只飞蛾的位置元素排在F矩阵的第一行，适应度值次优的个体对应的那只飞蛾的位置元素排在F矩阵的第二行，以此规则进行排列，直至适应度值最劣个体对应的飞蛾的位置元素排在F矩阵的最后一行，生成完整的初始F矩阵。
10.根据权利要求8所述的基于改进飞蛾扑火算法的绿色可重入车间生产调度方法，其特征在于：步骤S34中，更新的具体方法为：采用下式来减少迭代过程中火焰的数量，并且超出火焰数量的飞蛾都相对于最后一个火焰来更新其位置，具体公式如下：
Figure QLYQS_17
；
其中，l为当前迭代次数，N为火焰数量的最大值，T为最大迭代次数。
CN202310348580.2A 2023-04-04 2023-04-04 基于改进飞蛾扑火算法的绿色可重入车间生产调度方法 Pending CN116151589A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310348580.2A CN116151589A (zh) 2023-04-04 2023-04-04 基于改进飞蛾扑火算法的绿色可重入车间生产调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310348580.2A CN116151589A (zh) 2023-04-04 2023-04-04 基于改进飞蛾扑火算法的绿色可重入车间生产调度方法

Publications (1)

Publication Number Publication Date
CN116151589A true CN116151589A (zh) 2023-05-23

Family

ID=86340954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310348580.2A Pending CN116151589A (zh) 2023-04-04 2023-04-04 基于改进飞蛾扑火算法的绿色可重入车间生产调度方法

Country Status (1)

Country Link
CN (1) CN116151589A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114370A (zh) * 2023-10-23 2023-11-24 泉州装备制造研究所 一种适配设备故障的小产品生产车间调度方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330189A (zh) * 2022-08-11 2022-11-11 杭州电子科技大学 一种基于改进飞蛾火焰算法的工作流优化调度方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330189A (zh) * 2022-08-11 2022-11-11 杭州电子科技大学 一种基于改进飞蛾火焰算法的工作流优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
F. XU等: "Research on Green Reentrant Hybrid Flow Shop Scheduling Problem Based on Improved Moth-Flame Optimization Algorithm", 《PROCESSES》, pages 1 - 16 *
秦红斌 等: "基于MOMA 的可重入混合流水车间调度问题研究", 《系统仿真学报》, pages 1 - 17 *
臧维娜,高国生: "面向绿色制造的柔性作业车间调度优化", 《石家庄铁道大学学报（自然科学版）》, pages 87 - 93 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117114370A (zh) * 2023-10-23 2023-11-24 泉州装备制造研究所 一种适配设备故障的小产品生产车间调度方法
CN117114370B (zh) * 2023-10-23 2023-12-26 泉州装备制造研究所 一种适配设备故障的小产品生产车间调度方法

Similar Documents

Publication Publication Date Title
CN107862411A (zh) 一种大规模柔性作业车间调度优化方法
CN110543151A (zh) 基于改进nsga-ⅱ求解车间节能调度问题的方法
CN116151589A (zh) 基于改进飞蛾扑火算法的绿色可重入车间生产调度方法
CN108898511B (zh) 一种支持移峰型电力需求响应的生产调度方法
CN106875094A (zh) 一种基于多色集合遗传算法的多目标车间调度方法
CN104111642B (zh) 设备预防性维护与柔性作业车间控制集成优化方法
CN104808629B (zh) 一种柔性机器人制造单元的调度方法
CN107193258A (zh) 面向能耗的数控加工工艺路线与切削参数优化模型与方法
CN112862380B (zh) 一种基于混合算法的项目型产品装配车间人员调度方法、设备及存储介质
CN113034026A (zh) 基于Q-learning和GA的多目标柔性作业车间调度自学习方法
CN112163808B (zh) 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法
CN112381273A (zh) 一种基于u-nsga-iii算法的多目标作业车间节能优化方法
CN108053152A (zh) 基于多色集合的改进遗传算法求解动态车间调度的方法
CN113960971B (zh) 一种基于行为决策网络粒子群优化的柔性车间调度方法
CN116880424A (zh) 一种基于多目标优化的多机器人调度方法以及装置
CN117035364A (zh) 基于改进混合模因算法的分布式异构流水车间调度方法
CN114037251A (zh) 一种基于Petri网的制造系统成本最小化资源配置方法
CN109543921A (zh) 基于改进遗传算法的石油专用管流水车间的生产排产方法
CN109447408B (zh) 一种基于复杂网络理论的跨单元调度方法
CN103996080B (zh) 一种具有最大联通性的制造系统构型优化方法
CN115169798A (zh) 一种带准备时间分布式柔性作业车间调度方法及系统
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
CN110161997B (zh) 基于蚁群和模拟退火算法的流水车间调度方法及装置
CN114004065A (zh) 基于智能算法和环境约束下的变电站工程多目标优化方法
CN113792927A (zh) 基于遗传算法的航空航天柔性产品工序优化方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230523

RJ01 Rejection of invention patent application after publication