CN116151766A - 一种动态环境下分布式多地总装项目计划方法 - Google Patents

一种动态环境下分布式多地总装项目计划方法 Download PDF

Info

Publication number
CN116151766A
CN116151766A CN202310172214.6A CN202310172214A CN116151766A CN 116151766 A CN116151766 A CN 116151766A CN 202310172214 A CN202310172214 A CN 202310172214A CN 116151766 A CN116151766 A CN 116151766A
Authority
CN
China
Prior art keywords
population
assembly
project
scheduling
individuals
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
CN202310172214.6A
Other languages
English (en)
Inventor
李翔
彭乘风
钟宏扬
廖勇
蒋纯志
雷大军
黄健全
谢光奇
段凌飞
张宏桥
林安平
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.)
Xiangnan University
Original Assignee
Xiangnan University
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 Xiangnan University filed Critical Xiangnan University
Priority to CN202310172214.6A priority Critical patent/CN116151766A/zh
Publication of CN116151766A publication Critical patent/CN116151766A/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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • 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
    • G06Q10/063116—Schedule adjustment for a person or group
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Genetics & Genomics (AREA)
  • Finance (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physiology (AREA)
  • Accounting & Taxation (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)

Abstract

本发明提供了一种动态环境下分布式多地总装项目计划方法，包括以下步骤：步骤S1、预设项目装配调度交互目标订单集合；步骤S2、根据所述目标订单集合设定前摄反应式调度机制；步骤S3、根据所述前摄反应式调度机制构建数学模型；步骤S4、根据所述数学模型构建调度机制框架；步骤S5、根据所述调度机制框架进行算例仿真、多目标性能评估及性能对比，获得对比结果。本发明能够保证总装工序的准时开工率，减少物料或者资源滞留项目地的额外成本，且生产线总装操作方便，动态调整效果良好，生产质量鲁棒性指标优良。

Description

一种动态环境下分布式多地总装项目计划方法
技术领域
本发明涉及分布式多地总装项目计划技术领域，尤其涉及一种动态环境下分布式多地总装项目计划方法。
背景技术
非标自动化集成商作为分布式总装项目主体，把持着高资质装配小组等全局资源，总装项目分散在各个客户所在的项目地，各项目地的项目经理掌握该项目各类资源的调用权。集成商根据客户下达的集成化产线订单进行项目模板匹配，随后根据项目模板中总装产线的装配物料清单(Bill of Material，BOM)，将零部件区分为非标自制件与外购件，其中非标自制类零件需要进行生产与技术准备，而外购件需要在考虑采购周期的前提下制定采购计划。与此同时，项目经理需要结合物料配送进度与项目执行进度，并根据项目活动需求调用装配小组执行装配作业。一般整线定制需求下的集成化生产线总装作业流程，其具有以下特征：
(1)物料供应地与总装现场具有地理位置差异。集成化产线的装配BOM包含了非标件与外购件，集成商根据装配工艺流程与物料订购提前期来制定外购件的采购计划，物料因供应运输过程中的扰动因素通常难以如期到达。如若装配工序的前置工序或者装配资源未能按时就位，已抵达项目地址的物料需要按照产品结构、装配和测试条件分别放置在不同的暂存区域，直至装配工序开工前置条件都就绪以后，再从暂存区将装配物料转运到总装工序的项目现场。
(2)装配执行效率与装配小组人员配置有关。高资质装配小组对不同类型的产线总装项目拥有不同的装配技能熟练度，但需要在不同项目地之间差旅。驻场装配小组通常是项目经理招募的临时工人，虽然不需要差旅时间，但技能相对单一，且熟练度不高。综上，决策者需要综合考虑总装项目的地理位置差异、装配小组的执行效率，从而合理地调用各类装配资源。
(3)不同地址的项目订单可以并行执行，且总装项目启动的时间具有一定的不确定性。整线定制需求的项目订单存在淡旺季特征，旺季情况下集成化产线项目启动时间相对集中，为满足用户对智能工厂建设、升级与改造的准时交付需求，企业采用多项目并行设计、采购、制造与装配的运营方式，以提高资源利用率、缩短项目周期。决策者也要考虑近期临近启动的总装项目与未完成项目的进度，结合物料预计送达时间信息动态化制定装配资源的调遣计划。
然而，上述的生产线总装操作麻烦，成本高，动态调整效果差，生产质量鲁棒性指标低，适用范围小。
发明内容
针对以上相关技术的不足，本发明提出一种动态环境下分布式多地总装项目计划方法，用以解决现有生产线总装操作麻烦，成本高，动态调整效果差，生产质量鲁棒性指标低的问题。
为了解决上述技术问题，本发明实施例提供了一种动态环境下分布式多地总装项目计划方法，包括以下步骤：
步骤S1、预设项目装配调度交互目标订单集合；
步骤S2、根据所述目标订单集合设定前摄反应式调度机制；
步骤S3、根据所述前摄反应式调度机制构建数学模型；
步骤S4、根据所述数学模型构建调度机制框架；
步骤S5、根据所述调度机制框架进行算例仿真、多目标性能评估及性能对比，获得对比结果。
优选的，所述步骤S2具体包括以下子步骤：
利用前摄调度技术通过插入缓冲时间以生成基准调度计划；
其中，所述缓冲时间通过增加紧邻工序之间的时间松弛量，用以缓解不同项目因物料延期供应而产生的全局资源使用冲突；所述基准调度计划通过对基准调度方案设计反应式策略，依据物料实际到达时间与项目进度，动态化调整计划执行过程中总装工序间的时间松弛量。
优选的，所述步骤S3具体包括以下子步骤：
步骤S31、构建DDRCMPSP数学模型；
步骤S32、根据所述DDRCMPSP数学模型设定决策变量；
步骤S33、根据所述DDRCMPSP数学模型建立目标函数；
步骤S34、根据所述DDRCMPSP数学模型设定约束条件。
优选的，所述步骤S4具体包括以下子步骤：
步骤S41、随机生成多个n个个体组成初始种群；
步骤S42、通过蒙特卡洛模拟计算所述种群个体适应度值；
步骤S43、通过非支配排序/拥挤距离计算；
步骤S44、判断是否满足终止条件，是，则执行步骤S410；否，则执行步骤S45；
步骤S45、基于锦标赛式策略和精英保留策略进行选择；
步骤S46、获取满足前置工序约束的交叉算子；
步骤S47、获取满足前置工序约束的工序执行层算子资源选择层变异算子；
步骤S48、将变异后的子代与父代种群合并/去重；
步骤S49、更新/去重后的新种群执行邻域搜索操作，并返回所述步骤S42；
步骤S410、进行前摄型优化解；
步骤S411、根据所述优化解进行分布式项目调度仿真，获得调整后的适应度值。
优选的，所述步骤S4还包括以下子步骤：
步骤S401、通过双层嵌套的改进型NSGA-II算法生成DDRCMPSP的基准计划；
步骤S402、根据所述基准计划生成编码与初始解；其中，所述初始解包括任务调度优先度规则和装配资源指派规则；
步骤S403、根据所述编码与初始解进行预设交叉算子；
步骤S404、对所述预设交叉算子进行变异算子设定；
步骤S405、通过预设邻域搜索算子对重复染色体进行重新构造；
步骤S406、根据构造结果设定反应式调度策略。
优选的，所述步骤S401具体包括以下子步骤：
步骤1：设定算法终止条件为最大迭代次数λmax，对NSGA-II算法中所涉及的种群规模n、交叉概率Pc和变异概率Pm等参数进行设置；
步骤2：基于总装工序信息，装配资源的技能熟练度进行种群初始化生成，种群中的染色体个体采用代数λ与编号n的方式表达，初始种群记为
Figure BDA0004099673180000041
其中初始状态下λ＝0；
步骤3：采用Monte Carlo随机抽样原理，依据物料到达时间期望设计了大量随机抽样案例，用于评估种群中的鲁棒性指标Zq与交付性能指标Zs；
步骤4：对种群进行适应度评价；
步骤5：采用锦标赛选择机制筛选参与遗传操作的父代；
步骤6：对种群进行群体交叉操作；其中，将参加交叉操作的n个个体，根据交叉概率Pc选择2*c条染色体，两两进行单点匹配交叉操作，将生成的子代替换被选中的2*c条父代染色体；
步骤7：对种群个体进行分层变异操作；其中，将种群的个体按照设置的变异率Pm进行分层变异，根据触发的变异动作分别调整总装工序的加工顺序与装配资源分配方案，变异后的子代种群被记为
Figure BDA0004099673180000051
步骤8：采用精英选择策略对种群进行更新；将子代种群与父代种群进行合并
Figure BDA0004099673180000052
并继续采用步骤4的适应度函数评价方式，按照非支配层级高低与拥挤度大小对种群个体进行选择，最终选出具有n个个体作为新种群，令λ＝λ+1；
步骤9：判断当前的寻优迭代代数λ是否达到了终止条件：λ>λmax，如果满足终止条件，则输出当前种群的Pareto非支配层级最高的前沿作为最优解集；如若不然，转入下一步骤10；
步骤10：对新种群去重操作，对当前种群进行重复性校验，如果存在编码相同的个体，则对编码相同的任意个体执行邻域搜索操作生成新个体，将新个体替换种群中的重复编码个体，随后更新种群并转入所述步骤2；如果不存在编码相同的个体，则直接转入所述步骤2。
优选的，所述步骤S5具体包括以下子步骤：
步骤S51、根据数值仿真进行案例设定；
步骤S52、通过所述DDRCMPSP数学模型获得多目标性能评价指标；
步骤S53、通过所述NSGA-II算法进行算法设置与实验设计；
步骤S54、根据初始解生成策略并获得算法性能；
步骤S55、反应式策略选择获得调度结果；
步骤S56、将前摄和反应调度体系下进行算法性能对比，获得对比结果。
与相关技术相比，本发明通过预设项目装配调度交互目标订单集合；根据所述目标订单集合设定前摄反应式调度机制；根据所述前摄反应式调度机制构建数学模型；根据所述数学模型构建调度机制框架；根据所述调度机制框架进行算例仿真、多目标性能评估及性能对比，获得对比结果。这样建立了考虑物料到达、装配资源异地转移和项目启动的多目标分布式项目调度数学模型，其中优化目标包括总装工序完工时间偏差的稳定性指标和项目平均拖期的质量鲁棒性指标，以期在提升项目按时交付水平的前提下，保证总装工序的准时开工率，减少物料或者资源滞留项目地的额外成本。同时，提出了前摄反应式的鲁棒调度体系，通过对前摄计划插入缓冲时间缓解不同项目因物料供应不确定等因素产生的全局资源使用冲突，再采用Monte-Carlo抽样仿真技术的适应度评价函数来评估项目调度结果的质量。在反应式调度阶段，设计了多种反应式策略，在充分维系基准计划执行性的前提下，对各类动态因素进行反应式调整。另外，针对DDRCMPSP的问题特征设计了编码与解码方案，以NSGA-II算法为主体框架，设计了交叉、变异算子，混合初始种群生成策略及基于关键路径改进的邻域搜索算子。在通过全因子实验确定算法关键参数后，以IGD和HV值为多目标评价指标，比较分析初始种群生成策略、反应式策略的有效性与适应性。最后在将所提算法与NSGA-II、MOACO和MOEA/D三个传统多目标算法比较，结果表明INSGA-II算法具有明显优势，且适应多种项目启动聚集程度的场景案例。
附图说明
下面结合附图详细说明本发明。通过结合以下附图所作的详细描述，本发明的上述或其他方面的内容将变得更清楚和更容易理解。附图中：
图1为本发明动态环境下分布式多地总装项目计划方法的流程图；
图2为本发明步骤S3的流程图；
图3为本发明步骤S4的分布式异地总装项目前摄反应式调度框架的流程图；
图4为本发明步骤S4的基准计划的流程图；
图5为本发明步骤S5的流程图；
图6为本发明前摄反应式调度机制示意图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式。
在此记载的具体实施方式/实施例为本发明的特定的具体实施方式，用于说明本发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案，都在本发明的保护范围之内。
实施例一
请参见附图1所示，本发明提供一种动态环境下分布式多地总装项目计划方法，包括以下步骤：
步骤S1、预设项目装配调度交互目标订单集合。
其中，以整线定制需求的分布式多地项目调度为研究对象，总装项目订单按照特定时间分布在不同项目地址启动，记项目计划决策时刻总装项目的订单集合为O＝{1,2,…,i,…o}。任意一个项目i的项目启动时间为PRi，包含p+2个项目作业活动Ki＝{0,1,2,…,j,…p,p+1}，其中编号为0以及k+1的项目作业活动为AoN(Activity-on-Node)网络的虚活动，象征项目作业活动的起始与终结。执行总装项目任务的装配小组有属于全局资源的高资质装配小组集合A＝{1,2,…,g,…a}，与属于局部资源的驻场装配小组集合B＝{1,2,…,h,…b}，驻场装配小组h仅能执行所属项目地的装配工序。高资质装配小组在任意两个项目地(i,o∈O)之间的转移时间定义为ZTio，总装工序kij所需物料的期望到达时间为rij，项目作业活动的标准作业时间为tij，而执行项目作业活动的实际工时与装配小组g对订单i的技能熟练度
Figure BDA0004099673180000081
相关，即等于/>
Figure BDA0004099673180000082
为模拟现实场景中物料供应的不确定性，假设物料实际供应时间服从期望为rij的均匀分布，即为
Figure BDA0004099673180000083
其中Δrij表示工序kij的物料供应时间的最大偏差，物料实际抵达项目现场时间的标准差/>
Figure BDA0004099673180000084
为抵消物料供应与项目启动时间的不确定性，本发明采用前摄性调度的思想，即设定缓冲时间以便于装配资源对后续的项目活动进行调整，各项目作业活动的最大缓冲时间设置为θmax＝[σ]。
分布式多地总装项目调度需在考虑物料供应的不确定性条件下，消除全局资源的竞争冲突并协调局部资源的使用问题。物料的按时供应与装配资源的合理调配不仅决定了项目计划能否按期执行，还影响着总装项目的交付性能。为屏蔽非关键因素的干扰，并聚焦问题的关键矛盾，并给出了如下假设：
(1)在项目计划决策时刻，总装项目的装配工艺流程信息已知，且物料的期望到达时间、全局与局部资源的装配熟练度都已经给定；
(2)不考虑装配人员的学习效应，即装配小组在装配作业过程中对各类项目的技能熟练度保持不变；
(3)将全局资源在各项目地之间的转移时间设为一个固定常量，从而屏蔽了地理位置差异的干扰；
(4)当项目启动时，依据所制定物料采购计划而设置物料的期望到达时间。物料的实际到达时间则是基于物料期望抵达时间与任务松弛时间而设定的；
(5)项目的装配工艺流程依据项目模板制定，在执行装配工序过程中，不考虑客户需求变更所产生的流程变化情况；
(6)装配小组作为一个整体进行转移且状态一直可用，在同一时刻仅能执行一项装配任务，执行任务过程中小组不可拆分；
(7)装配小组一旦开始一项装配任务就必须执行直至完成，过程不可中断，且不考虑总装工序的返修过程；
(8)不考虑装配小组开始从“0”这一虚活动节点转移到项目地的转移时间，且虚节点的总装工时都为零。
步骤S2、根据所述目标订单集合设定前摄反应式调度机制。
其中，物料不按时供应等动态因素可能会造成已制定的调度计划在全局资源层面产生冲突，当任意项目活动执行完后，前摄调度技术通过插入缓冲时间生成基准调度计划。如图6中(a)部分所示，缓冲时间通过增加紧邻工序之间的时间松弛量，以缓解不同项目因物料延期供应而产生的全局资源使用冲突。而图6中的(b)部分对基准调度方案设计反应式策略，依据物料实际到达时间与项目进度，动态化调整计划执行过程中总装工序间的时间松弛量，进而最大限度维持基准调度计划的可执行性。
步骤S3、根据所述前摄反应式调度机制构建数学模型。
其中，DDRCMPSP的数学模型还要用到如下变量或参数符号：
N：项目计划决策时刻所有总装项目的装配任务总数量；
Bij：装配任务kij的前置工序集合；
EMij：装配任务kij物料期望到达时间；
SMij：装配任务kij物料实际到达时间；
Figure BDA0004099673180000091
驻场装配小组h执行完装配任务kij后的期望释放时间；
Figure BDA0004099673180000092
高资质装配小组g执行完装配任务kij后的期望释放时间；
Figure BDA0004099673180000101
驻场装配小组h执行完装配任务kij后的实际释放时间；
Figure BDA0004099673180000102
高资质装配小组g执行完装配任务kij后的实际释放时间；
Figure BDA0004099673180000103
总装项目i在第w次抽样仿真中的实际完成时间；
Di：总装项目i的交货期；
DDRCMPSP模型的优化目标包括各总装工序完工时间偏差与项目的平均拖期水平，为便于衡量完工时间偏差的性能指标，引入了蒙特卡洛(Monte-Carlo)抽样仿真，即通过多次抽样仿真生成多组物料实际到达时间案例，来衡量当前基准调度方案的鲁棒性。
步骤S4、根据所述数学模型构建调度机制框架。
步骤S5、根据所述调度机制框架进行算例仿真、多目标性能评估及性能对比，获得对比结果。
具体的，通过预设项目装配调度交互目标订单集合；根据所述目标订单集合设定前摄反应式调度机制；根据所述前摄反应式调度机制构建数学模型；根据所述数学模型构建调度机制框架；根据所述调度机制框架进行算例仿真、多目标性能评估及性能对比，获得对比结果。这样建立了考虑物料到达、装配资源异地转移和项目启动的多目标分布式项目调度数学模型，其中优化目标包括总装工序完工时间偏差的稳定性指标和项目平均拖期的质量鲁棒性指标，以期在提升项目按时交付水平的前提下，保证总装工序的准时开工率，减少物料或者资源滞留项目地的额外成本。同时，提出了前摄反应式的鲁棒调度体系，通过对前摄计划插入缓冲时间缓解不同项目因物料供应不确定等因素产生的全局资源使用冲突，再采用Monte-Carlo抽样仿真技术的适应度评价函数来评估项目调度结果的质量。在反应式调度阶段，设计了多种反应式策略，在充分维系基准计划执行性的前提下，对各类动态因素进行反应式调整。另外，针对DDRCMPSP的问题特征设计了编码与解码方案，以NSGA-II算法为主体框架，设计了交叉、变异算子，混合初始种群生成策略及基于关键路径改进的邻域搜索算子。在通过全因子实验确定算法关键参数后，以IGD和HV值为多目标评价指标，比较分析初始种群生成策略、反应式策略的有效性与适应性。最后在将所提算法与NSGA-II、MOACO和MOEA/D三个传统多目标算法比较，结果表明INSGA-II算法具有明显优势，且适应多种项目启动聚集程度的场景案例。
在本实施例中，所述步骤S2具体包括以下子步骤：
利用前摄调度技术通过插入缓冲时间以生成基准调度计划；
其中，所述缓冲时间通过增加紧邻工序之间的时间松弛量，用以缓解不同项目因物料延期供应而产生的全局资源使用冲突；所述基准调度计划通过对基准调度方案设计反应式策略，依据物料实际到达时间与项目进度，动态化调整计划执行过程中总装工序间的时间松弛量。
在本实施例中，请参见附图2所示，所述步骤S3具体包括以下子步骤：
步骤S31、构建DDRCMPSP数学模型。
步骤S32、根据所述DDRCMPSP数学模型设定决策变量。
其中，
Figure BDA0004099673180000111
为总装工序kij在所生成前摄调度中的计划开始时间；
Figure BDA0004099673180000112
为总装工序kij在所生成前摄调度中的计划完成时间；
θij为总装工序kij的缓冲时间长度；
Figure BDA0004099673180000113
为第w次抽样仿真调度计划中总装工序kij的装配开始时间；
Figure BDA0004099673180000114
为第w次抽样仿真调度计划中总装工序kij的装配完成时间；
Figure BDA0004099673180000115
Figure BDA0004099673180000121
Figure BDA0004099673180000122
Figure BDA0004099673180000123
步骤S33、根据所述DDRCMPSP数学模型建立目标函数。其中，
Figure BDA0004099673180000124
Figure BDA0004099673180000125
步骤S34、根据所述DDRCMPSP数学模型设定约束条件。其中，
Figure BDA0004099673180000126
Figure BDA0004099673180000127
Figure BDA0004099673180000128
/>
Figure BDA0004099673180000129
Figure BDA00040996731800001210
Figure BDA00040996731800001211
Figure BDA00040996731800001212
Figure BDA00040996731800001213
Figure BDA00040996731800001214
Figure BDA00040996731800001215
Figure BDA0004099673180000131
Figure BDA0004099673180000132
具体的，上述所构建的数学模型中，式(2.1)与式(2.2)为优化目标的函数表达式，其中式(2.1)为最小化计划完工时间与实际完工时间的平均偏差，属于调度的鲁棒性指标；式(2.2)为项目的平均拖期时间，衡量了订单的交付准时性；式(2.3)和式(2.4)表示不论使用全局资源或局部资源，总装工序的计划完工时间都要大于计划开始时间、总装工序工时与缓冲时间之和；式(2.5)表示计划调度中全局资源执行不同项目地址的总装工序时，需要考虑项目地址之间的转移时间；式(2.6)与式(2.7)则分别表示使用全局资源与局部资源情况下，总装工序的计划开始时间需要满足前置工序完工、装配物料齐套以及装配小组可用三个条件；式(2.8)和式(2.9)分别表示抽样仿真中使用全局资源与局部资源情况下，总装工序的实际完工时间需要大于实际开始时间与总装工序工时之和；式(2.10)定义了总装项目i的完工时间为其下属最后一道工序的完工时间；式(2.11)表示总装工序实际交由全局资源执行时，需要考虑装配小组在不同项目地之间的转移时间；式(2.12)与式(2.13)分别表示使用全局资源与局部资源情况下，仅当前置工序完工、装配物料齐套以及装配小组空闲三个条件均满足时，总装工序才可以实际执行；式(2.14)表示一道总装工序仅能交由全局资源或是局部资源中的一个装配小组执行。
在本实施例中，请参见附图3所示，所述步骤S4具体包括以下子步骤：
步骤S41、随机生成多个n个个体组成初始种群；
步骤S42、通过蒙特卡洛模拟计算所述种群个体适应度值；
步骤S43、通过非支配排序/拥挤距离计算；
步骤S44、判断是否满足终止条件，是，则执行步骤S410；否，则执行步骤S45；
步骤S45、基于锦标赛式策略和精英保留策略进行选择；
步骤S46、获取满足前置工序约束的交叉算子；
步骤S47、获取满足前置工序约束的工序执行层算子资源选择层变异算子；
步骤S48、将变异后的子代与父代种群合并/去重；
步骤S49、更新/去重后的新种群执行邻域搜索操作，并返回所述步骤S42；
步骤S410、进行前摄型优化解；
步骤S411、根据所述优化解进行分布式项目调度仿真，获得调整后的适应度值。
具体的，鉴于所构建的DDRCMPSP模型为多目标优化模型，本发明所提出的前摄反应式调度框架是基于非支配排序的遗传算法(Non-dominated Sorted GeneticAlgorithm,NSGA-II)展开，NSGA-II算法将种群按支配层级划分[112]，位于最高层级的非支配解集被称为帕累托(Pareto)最优解。先基于贪婪准则的工序指派与随机生成的缓冲时间初始化父代种群，再通过选择策略选取父代染色体参与遗传操作后，生成子代种群；随后将子代与父代种群合并去重后形成新种群，并采用邻域搜索策略对新种群进行深度优化；基于抽样仿真技术计算新种群的适应度，并对种群中的个体进行非支配排序与拥挤距离的计算。随后对新种群进行反复寻优迭代，当算法满足算法终止条件后，输出前摄型优化解作为基准项目计划。将生成的基准项目计划输入所构建的分布式多地总装项目仿真器中执行，并在执行过程中分别设计了周期滚动与事件驱动式的反应式调度策略对基准计划进行局部调整。
在本实施例中，请参见附图4所示，所述步骤S4还包括以下子步骤：
步骤S401、通过双层嵌套的改进型NSGA-II算法生成DDRCMPSP的基准计划。
其中，通过构建双层嵌套的改进型NSGA-II算法(Improved Non-dominatedSorted Genetic Algorithm,INSGA-II)用于生成DDRCMPSP的基准计划，NSGA-II算法上层结构包含两部分功能：首先是通过设计基于贪婪准则的启发式算法，结合装配资源对总装项目的技能熟练度与项目的交付信息等属性，快速地为全局资源与局部资源指派总装任务；其次为增加种群多样性，在一定缓冲时间上限设置下，随机生成每道工序的缓冲时间。算法的下层结构是通过期望物料到达时间生成前摄调度基准方案后，基于物料实际到达的抽样仿真对前摄调度计划进行优化目标评价，再将方案与评价指数返回上层搜索结构进行Pareto层次解集合构建，Pareto前沿的前摄调度方案即作为基准方案集合。
步骤S402、根据所述基准计划生成编码与初始解；其中，所述初始解包括任务调度优先度规则和装配资源指派规则。
具体的，通过染色体编码进行工序加工顺序层，装配资源分配层和时间缓冲层处理。第一部分为工序加工顺序层，其染色体基因位置表示总装工序的任务编号，这里采用的隐性编码的方式将“项目订单编号*100+工序编号”用于表征具有唯一性的工序任务编号；第二部分为资源分配层，染色体的基因位表示执行作业任务的资源编号，即对应第一部分任务编号的具体执行资源。因为DDRCMPSP包含全局与局部两种资源，正整数编号用于标识全局资源，将局部资源假设成为一个技术熟练度最低的装配小组，并采用“-1”来标识。第三部分则为时间缓冲层，表示装配资源执行完第一部分相应工序后预留的缓冲时间长度。鉴于具有目标导向性的启发式规则可以确保初始种群的优度，而在启发式规则的构造解上插入时间缓冲可以强化项目计划在动态环境下执行的鲁棒性，本发明采用规则构造解中随机缓冲时间插入的方式来确保初始解的优度和多样性。
其中，采用工序调度优先度规则的方式为初始种群的个体生成工序顺序段的基因片段，以期为算法的初始种群提供良好的起始条件。工序调度优先度规则主要是面向项目交付进行设计，包括工序加工时间短优先(Minimum Execution Time,MET)，工序交货期早优先(Operation Due Date,ODD)与工序松弛时间少的优先(Minimum Slack Time,MST)，上述三个规则都是基于文献[113]在DDRCMPSP环境下做适应性改进，所设计规则的工序优先级计算公式分别为式(2.15)～式(2.17)。τij表示工序kij的加工顺序优先度，Di为订单交货期，CT为当前决策时刻，pij为工序的期望工时，CPi为项目i的关键路径工序集合，工序kij为关键路径上的第h道工序。
Figure BDA0004099673180000161
Figure BDA0004099673180000162
Figure BDA0004099673180000163
基于上述三类改进的工序调度优先度规则，本发明设计了四种初始种群的生成策略：①MET策略按照比例将基于MET启发式规则的精英个体与普通个体混合；②ODD策略将ODD启发式规则生成的精英个体与普通个体组成初始种群；③MST策略将MST工序调度优先度规则生成的精英个体与普通个体混合；④Combined策略则分别将MET、ODD、MST规则生成的精英解与普通个体按比例混合。其中，普通个体采用随机优先度的方式以增加初始种群的多样性程度，即在满足前置工序完工的约束下为可调度工序随机分配加工优先度。
其中，将探究不同装配资源指派规则对初始解优度的提升效果，资源释放时间(Resource Release Time,RRT)表示资源执行前置工序的完工时间，对于这类资源的偏向化使用可能有助于缓解全局资源的临场压力。相比之下，资源最早完工时间(MinimumCompletion Time,MCT)先权衡当前工序被所有可执行资源完成时间，再选择完工时间最早的资源执行以减小工序实际工期。上述规则都旨在协调DDRCMPSP中全局资源与局部资源之间的冲突，具体公式如下式(2.18)与式(2.19)所示。
Figure BDA0004099673180000171
表示资源g执行任务kij的优先度，值越大优先度越高，mrg表示资源释放时间，CT表示当前时刻,pij表示工序的期望工时。
Figure BDA0004099673180000172
Figure BDA0004099673180000173
步骤S403、根据所述编码与初始解进行预设交叉算子。
其中，交叉操作的过程是通过模拟基因交换，使得子代染色体可以有效继承父代的优质基因，并保持迭代寻优的高效性。考虑到本发明所涉及的三层结构式的染色体结构以及DDRCMPSP前置工序约束、全局资源竞争冲突等特征，定制化设计OPMX交叉算子。
具体的，步骤1：随机将种群中染色体进行配对分组，按照交叉概率Pc依次对染色体对判断是否执行交叉操作，染色体对P1、P2为执行交叉操作的父代个体；
步骤2：根据工序加工顺序层、资源分配层与缓冲时间层的关联映射关系，确定基因片段在不同层之间的索引位置。以染色体的长度V为基数，随机在工序加工顺序层1～|V-1|的位置中生成截断点Vr；
步骤3：父代P1与P2工序加工顺序层截断点Vr位置以前的基因直接继承给子代C1与C2，Vr位置以后的基因则先移除，对应资源分配层与缓冲时间层的基因一并执行上述操作；
步骤4：比较P1与C2，P2与C1染色体的缺失基因，在满足工序紧前紧后约束的前提下，完成子代C1和C2缺失基因位置的插入；
步骤5：生成的子代C1和C2即为当次交叉操作结果。
步骤S404、对所述预设交叉算子进行变异算子设定。
其中，在NSGA-II算法迭代寻优的过程中，仅使用交叉操作容易造成算法过早陷入局部最优，所以需要引入变异操作来拓宽种群的多样性，即跳出局部最优并扩大优化算法所能进行搜索操作的邻域空间。为了让解可以通过变异操作到达问题求解空间的任意邻域，依据工序加工顺序层与资源分配层的特征设计了分层变异操作算子。
(1)分层变异总流程：将交叉后生成的子代种群，按照变异概率Pm判断种群个体是否执行变异操作；如若执行，则等概率触发工序加工顺序层变异或资源分配层变异；最后，将父代种群与变异后的个体合并。
(2)工序加工顺序层变异：随机生成长度等同于染色体长度|V|的0-1序列，其中0标识的基因位置保持不变，移除1标识的基因位置所对应的工序顺序层基因。将移除的任务乱序后再检索前置工序约束，当且仅当前置工序都完工才能将移除工序插入空白基因位置。
(3)资源分配层变异：随机生成长度为|V|的0-1序列，其中0标识的基因位置保持不变，移除1标识的基因位置所对应的资源分配层基因。在被移除的空白基因位置上从任意全局或者局部装配资源生成一个装配小组，与该空白基因位对应工序顺序层配对的任务交由该小组执行。
步骤S405、通过预设邻域搜索算子对重复染色体进行重新构造。
其中，算法迭代寻优过程中，受到紧前紧后工序约束等因素的影响，有大概率会生成目标适应度值相同的子代个体，虽然适应度值相同的染色体在基因片段上可能会存在些许差异，但这些差异难以构成区分染色体的关键特征，故而将适应度值相同的染色体视为重复染色体。鉴于NSGA-II算法本身容易陷入局部最优，而重复染色体可能会增大NSGA-II算法在迭代早期就陷入局部最优的风险，本发明将设计邻域搜索算子对重复染色体进行重新构造，增加算法对邻域的深度挖掘能力，同时避免算法陷入早熟。
总装项目的交付性能跟项目的完成时间紧密相关，通过移动项目网络结构关键路径(Critical Path)上的工序可以有效影响项目的最终完成时间[114]。关键路径指的是项目计划网络中工期最长并决定项目最早完成时间的活动集合序列，将问题任意解S中项目i的关键路径记为μ(Si)，将关键路径理论应用到染色体工序加工顺序层与资源分配层，以期提升基准调度方案性能。
对于项目计划S中任意项目i关键路径上的加工工序kij∈μ(Si)，将kij在满足紧前紧后约束下进行移动操作得到新计划S’。为计算新计划S’的完成时间进而评估解的交付性能指标，先要重新检索新计划S’的关键路径，关键路径法是通过确定工序kij的最早与最晚开工时间是否相同，以确定相应工序是否属于关键路径[115-118]。
设μ(Si)为项目计划S中项目i的关键路径，μ(Si)上的活动序列表示为CP0→CP1→CP2…→CPk→CP(p+1)。因为被移动工序kij属于原关键路径上的活动集合，所以按照其移动位置存在两种可能结果，设计了两套不同的邻域搜索动作：
(1)关键路径未偏移的情况下，因为kij移动没有使项目i原来的关键路径上工序信息发生改变，随机选择μ(Si)关键路径活动集合中的若干道工序，将这些工序基因位置对应的资源分配层编码等概率调整为技能熟练度最高的全局资源或者局部资源；
(2)关键路径发生偏移的情况下，kij移动使得项目i的关键路径变更为不包含kij工序的活动序列集合CP′0→CP′1→CP′2…→CP′j→CP′p+1，为新关键路径上的若干道工序重新选择装配小组，将工序基因位置对应的资源分配层随机替换为技能熟练度最高的全局资源或者局部资源。
步骤S406、根据构造结果设定反应式调度策略。
其中，改进右移法则策略(Modified Right Shifting Strategy,MRSS)。先将右移触发条件设计为：当工序实际完工时间与计划的偏差度大于最大允许偏差阈值Dev_max时，则需要执行右移策略。与此同时，改进的右移法则触发后，结合当前所有资源的状态，对偏差度超过阈值的工序及其后续装配任务进行资源分配与缓冲时间的重新调整。如果计划与实际完工时间偏差在最大允许偏差阈值范围内，则保持原总装项目计划工序顺序与资源分配方案不变。这样通过周期滚动与事件驱动型的两类触发机制不同的反应式调度策略，周期滚动型调度通过等周期触发判断滚动周期内的工序预计完成时间是否会超过预设的最大偏差阈值，主动调整周期内未锁定的执行过程方案；事件驱动型反应式调度则是一旦装配资源完成任务后，如果发现实际执行的偏差大于预先设定的最大偏差值，调整周期内未锁定工序的执行资源与缓冲时间。
在本实施例中，所述步骤S401具体包括以下子步骤：
步骤1：设定算法终止条件为最大迭代次数λmax，对NSGA-II算法中所涉及的种群规模n、交叉概率Pc和变异概率Pm等参数进行设置；
步骤2：基于总装工序信息，装配资源的技能熟练度进行种群初始化生成，种群中的染色体个体采用代数λ与编号n的方式表达，初始种群记为
Figure BDA0004099673180000211
其中初始状态下λ＝0；
步骤3：采用Monte Carlo随机抽样原理，依据物料到达时间期望设计了大量随机抽样案例，用于评估种群中的鲁棒性指标Zq与交付性能指标Zs；
步骤4：对种群进行适应度评价；
步骤5：采用锦标赛选择机制筛选参与遗传操作的父代；
步骤6：对种群进行群体交叉操作；其中，将参加交叉操作的n个个体，根据交叉概率Pc选择2*c条染色体，两两进行单点匹配交叉操作，将生成的子代替换被选中的2*c条父代染色体；
步骤7：对种群个体进行分层变异操作；其中，将种群的个体按照设置的变异率Pm进行分层变异，根据触发的变异动作分别调整总装工序的加工顺序与装配资源分配方案，变异后的子代种群被记为
Figure BDA0004099673180000212
/>
步骤8：采用精英选择策略对种群进行更新；将子代种群与父代种群进行合并
Figure BDA0004099673180000213
并继续采用步骤4的适应度函数评价方式，按照非支配层级高低与拥挤度大小对种群个体进行选择，最终选出具有n个个体作为新种群，令λ＝λ+1；
步骤9：判断当前的寻优迭代代数λ是否达到了终止条件：λ>λmax，如果满足终止条件，则输出当前种群的Pareto非支配层级最高的前沿作为最优解集；如若不然，转入下一步骤10；
步骤10：对新种群去重操作，对当前种群进行重复性校验，如果存在编码相同的个体，则对编码相同的任意个体执行邻域搜索操作生成新个体，将新个体替换种群中的重复编码个体，随后更新种群并转入所述步骤2；如果不存在编码相同的个体，则直接转入所述步骤2。
在本实施例中，请参见附图5所示，所述步骤S5具体包括以下子步骤：
步骤S51、根据数值仿真进行案例设定。
其中，以喷釉自动化产线为代表的集成化生产线通常是由若干个集成模块组成，例如传动模块、执行模块与控制模块等等。在早期装配流程中各个模块都是分区域独立并行化组装，中后期各个模块之间会出现联动式的组装调试，所以在产线总装项目网络图中前半部分活动的紧前活动较少，中后半部分的紧前活动逐渐增多。工序根据可执行资源类型分为高资质装配资源执行工序与全资源可执行工序，前者仅能由高资质装配小组执行，该类工序已用蓝色阴影填充为底色标记，后者没有装配工艺的特殊需求，故可采用全局或局部资源。
为验证所设计的模型算法在类现实化场景下的有效性与适应性，在充分挖掘喷釉自动化产线特征的基础上，从该非标集成商装配工艺模板中提取了五类客户的产线装配工艺作为代表性产品，为确保数值仿真的类现实化，本发明所生成案例的总装项目订单信息抽取自该集成商企业实际生产中多个片段的订单信息，故而仿真案例具有一定的淡旺季特征。在生产旺季下项目启动的集中程度比较高，而淡季下项目启动相对分散。除去淡旺季特征以外，下游客户根据自身业务需求，可能会在差异的时间点启动多个项目，甚至可能存在同项目地并行生产多个总装项目的场景。项目交付时间是集成商与客户在项目启动后确定的，采用外源法，需要依据客户所定制产线的具体项目模板而定。已知项目模板的关键路径，项目交货期等于项目启动时间加上在交货期宽裕系数松弛后的项目模板关键路径总工期。为体现下游不同客户交货期的重要程度，将交货期宽裕系数设置的实验变量以模拟实际场景中集成商面临的交付压力。
产线总装项目的执行需要装配物料齐套以及装配资源就绪，这两者从项目管理的角度可区分为不可更新资源与可更新资源。物料供应的工序完工后视作被消耗，故属于不可更新资源，装配物料的采购计划需要在项目启动后制定，故而仿真案例中物料的期望到达时间需要结合项目启动后工序的最早、最晚开工时间来设定；另外，集成商制定的物料采购计划为一揽子计划，故物料实际到达时间为采购物料中最晚到达项目地的时间。为考虑实际物料配送到项目地址的不确定性，根据Monte Carlo抽样仿真技术，将设置一定数量的抽样仿真案例以评估前摄调度解的质量与鲁棒性。装配资源因可在多项目不同工序中反复调用而被视为可更新资源，可更新资源在DDRCMPSP中有存在局部资源与全局资源之分，全局资源为该集成商工程部门的12个差异化技能熟练度的高资质装配小组，全局资源在执行不同项目地装配工序时需要考虑资源的转移时间，根据前文假设将全局资源在不同项目地址切换作业的差旅转移时间额定为12个时间单位；局部资源为项目经理在现场临时招募的驻场施工人员，仅可以执行本项目地的全资源可执行工序，且技能熟练度相较于全局资源会大幅度下滑，为避免问题过于复杂化，将各项目地临时招募的驻场施工人员分别抽象为相互独立的虚拟驻场装配小组。
步骤S52、通过所述DDRCMPSP数学模型获得多目标性能评价指标。
其中，DDRCMPSP所涉及解交付性质量Zq和按计划开工的鲁棒性Zs两个目标函数，从两个目标的计算公式上看，两个指标在统计粒度上存在一定的差异。Zq取决于多次抽样仿真中各项目完工时间与交货期的偏差期望值，Zs则取决于抽样仿真中项目各工序实际完工时间与计划的偏差期望值，Zs因各个项目中活动节点数量的不同可能会在数量级上与Zq拉开差距，另外各目标函数受实验因素变量影响有不同程度的波动。为避免因一个目标数量级过大或受案例特征影响而产生较大幅度变化，以致基数小的目标值特征被吞并，对多个目标按照目标函数值进行归一化处理，从而保留单个目标特征并为后续多目标特征提炼做好铺垫。本发明拟采用性能相对偏差(Performance Relative Deviation,PRD)对所生成的项目计划方案集合在各个目标函数进行归一化评估，具体公式(2.20)如下所示，PRD值越小就意味着方案在该优化目标下表现越好。
Figure BDA0004099673180000241
为项目计划Si在目标函数Objn上的性能相对偏差值，Objn(max)和Objn(min)分别表征当前案例下目标函数Objn的最坏与最优表现，通过对解Si与最优表现的差距与临界差值做比值，从而取得归一化的相对偏差值。
Figure BDA0004099673180000242
多目标智能算法所取得的Pareto前沿是项目计划解集中支配层级最高的集合，为评估不同算法所计算Pareto前沿的种群质量，本发明采用反向世代距离(InvertedGenerational Distance,IGD)[121]，超体积指标(Hypervolume,HV)[122]来表征种群多样性-收敛性的测度。
IGD值通过比较同场景案例下Pareto近似最优前沿P与任意算法所能获得的Pareto前沿Q之间的距离，进而评估算法的收敛性能与种群多样化程度。IGD值越小预示着算法所能取得的Pareto前沿越趋近真实Pareto前沿，算法性能就越好。IGD值的计算公式如式(2.21)所示，F(pi)和F(si)分别表示近似最优前沿P中任意解pi(pi∈P)与算法所得Pareto前沿Q中任意解qi(qi∈Q)的目标适应度值。将所有算法在同参数下的Pareto前沿进行非支配排序后的前沿作为近优Pareto前沿。m值设置为2，故minq∈Q‖F(pi)-F(qi)‖表示Pareto前沿之间的欧几里得距离。
Figure BDA0004099673180000243
HV值为给定Pareto前沿解集后，所有个体与预设参考点在目标函数空间中的超立方体体积，HV值可以很好反映算法构造解集收敛性、均匀性和广泛性，其计算公式如式(2.22)所示，F(qi)表示Pareto前沿任意解qi的目标适应度值，F′表示选择的参考点的目标适应度值。
Figure BDA0004099673180000251
步骤S53、通过所述NSGA-II算法进行算法设置与实验设计。
其中，前摄性基准调度方案是基于改进NSGA-II算法框架生成的，影响算法性能的内在参数包括初始解生成策略、交叉概率、变异概率与种群规模，为避免错失最优参数组合，本发明将采用全因子实验设计方法来确定算法的关键参数设置。由于多因素方差分析(Analysis of Variance,ANOVA)已经在多学科领域被应用在实验参数的显著性检验与关联性影响。下表1展示的四个算法关键参数的因素水平进行ANOVA分析，全面预估各实验参数的主效应大小，进而为后续算法的有效性与适应性分析提供参数试错性预实验的结果，各关键参数对算法性能潜在影响分析如下:
(1)种群数量n：种群数量太小会是的算法过早陷入局部最优，而设置过大有会使算法难以收敛；
(2)选择策略Sp：良好的选择策略可以让种群具有较高适应度值的同时，也具有较好的种群多样性，候选的种群更新策略包括轮盘赌(Rollete Wheel Selection,RWS)，精英选择策略(Elite Selection,ES)和锦标赛选择策略(Tournament Selection,TS)；
(3)交叉概率Pc：合适的交叉概率设置可以提高算法的深度挖掘能力；
(4)变异概率Pm：适宜的变异概率设置可让算法避免早熟，拓展搜索空间。
表1改进NSGA-II算法关键参数设计
Figure BDA0004099673180000252
Figure BDA0004099673180000261
在DDRCMPSP的解交付性能(Zq)与解的鲁棒性指标(Zs)两个优化目标中，因为解的交付性能(Zq)与项目成本与企业利益直接挂钩，故将以项目平均拖期时间(Zq)作为参数设计预实验的目标。为控制全因子方差分析预实验的自变量数量，反应式策略采用传统右移法则RSS，初始解生成策略采用RRT装配资源选择规则。预实验共有3*3*3*3＝81个组合的场景案例，每组场景案例进行10次重复实验，将实验结果的Zq均值作为评价算法在此参数组合下的性能指标。如表2所示为改进NSGA-II算法参数的方差分析结果，显著性检验下各实验因素Sig.值均小于0.05，由此推断四个算法参数都对算法性能有显著性影响。进一步从F.值判断四个算法参数对Zq的影响程度，F检验下的因素影响程度从高到低依次为Sp，Pc，n，Pm。
表2改进NSGA-II算法参数全因子方差分析结果：
Figure BDA0004099673180000262
为更好呈现同因素下组内性能的差异效果，将Zq值转化为了性能相对偏差PRD值。可以得到预实验的初步结论：(1)在本发明所用到的三种选择策略中，当选择策略为TS策略时，箱型的长度相对RWS和ES选择策略较小，说明算法性能在TS策略下受其他参数设置影响较小，且均值相较于其他两种策略有明显优势；(2)选定了TS作为算法的选择策略后再确定影响程度次高的交叉概率，不难看出交叉概率越高，所获得解的优度也越大，箱型的长度适中表示优质解分布相对均衡；(3)再对种群规模进行选择，可以发现种群规模达到120的时候，算法的优度和稳定性都获得了较大的提升；(4)最后，在前置参数都确定的条件下，算法变异概率为0.2时，虽然质量优度上没有明显优势，但具有相对较高的稳定性。最终选定的算法参数设置为选择策略TS，种群规模120，交叉概率0.9，变异概率0.2。
其中，实验设计路线推进实验，总共分为数据处理、预实验、反应式策略试验与同体系下算法性能分析四个阶段。首先对企业数据特征提取并构建场景案例生成器，场景案例生成器包括基准案例与拓展场景，基准案例表示非标集成商常态化的运作情况，用于算法关键参数设置与反应式策略性能评估；拓展场景案例则是充分结合企业淡旺季运营特征与上游供应商的能力特征而设计，研究同体系下不同算法受实验因素的影响，以期给集成商在自身运营与市场开拓方面提供理论指导。
步骤S54、根据初始解生成策略并获得算法性能。
其中，为了验证所述随机解与多种规则构造解的混合初始种群生成策略的有效性，在沿袭算法基准参数设置下，通过生成不同规模测试案例，逐一比较前文所设计的多个初始种群生成策略在IGD和HV值上的性能差异。IGD值的计算方式是将所有初始解生成策略下的改进NSGA-II算法在5个测试场景案例下重复实验10次，计算其能获得的Pareto前沿，再依据式(2.16)在同一个测试案例下计算初始解生成策略的Pareto前沿与最优前沿的IGD值并取10次重复实验的均值，IGD均值越小表示算法的综合性能越好。以[1.2,1.2]为HV值的计算参考点，在同一个测试案例场景下，将不同初始解生成策略下的NSGA-II算法重复实验并取10次实验结果的HV均值，HV均值越大意味着算法收敛性越强。
通过初始化种群策略实验结果，综合分析工序排序与资源指派规则性能特征，我们可以得出下述结论：
(1)小规模问题下，RRT规则通过确保总装任务及时开工的时间偏差不会过大，所以获得了较好的综合性能，但是随着问题规模逐渐增大，前置工序累计的开工时间偏差难以弥补，所以过度注重开工准时性可能会导致项目拖期更为严重，而MCT资源指派规则可以有效缩短总装工序工期，更适用于中大规模的问题。
(2)ODD策略以最晚开工时间为任务调度优先级，小规模问题下对项目进度具有良好的协同效果，但是随着问题规模的不断扩大，尤其是在大规模问题下多项目并行加工逐渐成为常态，仅仅通过一种启发式规则产生的精英初始构造解容易使得NSGA-II算法陷入局部最优。Combined策略融合了差异化规则的优质基因片段，所以在中大规模问题上具有更好的广度搜索能力。
基于上述分析，本发明后续的算法有效性验证与算法适应性分析将采用Combined策略与MCT规则的组合作为初始种群生成策略。
步骤S55、反应式策略选择获得调度结果。
其中，，在差异化的物料到达不确定性强度下比较了完全反应式调度(Reactive)，前摄性调度+右移法则(RS)，前摄性调度+改进右移法则(MRS)，前摄性调度+短时域滚动式调整(Rotate-24)，前摄性调度+长时域滚动式调整(Rotate-72)等五种调度方法。Reactive采用Combined工序排序策略与MCT资源指派的规则组合，是不具有前摄性调度的对照实验组，用于比较前摄调度在物料到达不及时扰动因素下对调度性能的提升。传统右移法则充当反应式策略的对照方法，用于比较验证所设计反应式策略MRS和滚动调度的有效性。滚动周期作为滚动调度的关键参数，本发明将采用24个时间单位的短时域滚动与72个时间单位的长时域滚动。
鉴于有效性验证实验所用的初始解生成策略为Combined策略与MCT资源指派的规则组合，为充分发挥其有效性，设计了中等规模的实验算例。按照物料到达时间不确定性的强度，测试场景案例分别有物料到达偏差时间为24个时间单位的常规扰动案例(ND#1～ND#5)，物料到达偏差时间为36个时间单位的频繁扰动案例(HD#1～HD#5)，计算每个反应式策略在各案例下运行10次后的IGD和HV均值。
频繁扰动下算法的多目标指标值，评估各算法对于物料供应不确定性扰动的适应性，对数据进行观察比较与分析，可以得到如下初步结论：(1)所有算法的IGD与HV指标在高频扰动下的测试案例中有不同程度劣化，但基准调度依旧能在高频扰动场景下提升反应式调度结果的Pareto前沿在解集分布性与收敛性；(2)比较经典右移法则与其他改进反应式策略算法在频繁扰动场景下的IGD和HV值，可以发现高物料供应偏差测试案例下，传统右移法则Pareto前沿在收敛性与分布性相比其他改进算法都有更大程度劣化趋势，侧面反映了改进反应式策略应对高物料供应不确定性状况的场景适应性；(3)最后比较改进算法之间的场景适应性，滚动式策略所取得的Pareto前沿在分布性与收敛性全面好于改进式右移法则。长时域滚动式策略效果最佳，其通过物料到达情况与项目进度等信息对基准计划执行前瞻性调整。在高物料供应不确定场景下，长时域滚动的大幅度调整虽然对前摄性计划会产生一定的影响，但其可以提高开工准时率进而缩短项目工期，对调度结果整体性能提升有更大收益。
步骤S56、将前摄和反应调度体系下进行算法性能对比，获得对比结果。
本发明产生的技术效果如下：
(1)建立了考虑物料到达、装配资源异地转移和项目启动的多目标分布式项目调度数学模型，其中优化目标包括总装工序完工时间偏差的稳定性指标和项目平均拖期的质量鲁棒性指标，以期在提升项目按时交付水平的前提下，保证总装工序的准时开工率，减少物料或者资源滞留项目地的额外成本。
(2)提出了前摄反应式的鲁棒调度体系，通过对前摄计划插入缓冲时间缓解不同项目因物料供应不确定等因素产生的全局资源使用冲突，再采用Monte-Carlo抽样仿真技术的适应度评价函数来评估项目调度结果的质量。在反应式调度阶段，设计了多种反应式策略，在充分维系基准计划执行性的前提下，对各类动态因素进行反应式调整。
(3)针对DDRCMPSP的问题特征设计了编码与解码方案，以NSGA-II算法为主体框架，设计了交叉、变异算子，混合初始种群生成策略及基于关键路径改进的邻域搜索算子。在通过全因子实验确定算法关键参数后，以IGD和HV值为多目标评价指标，比较分析初始种群生成策略、反应式策略的有效性与适应性。最后在将所提算法与NSGA-II、MOACO和MOEA/D三个传统多目标算法比较，结果表明INSGA-II算法具有明显优势，且适应多种项目启动聚集程度的场景案例。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何纂改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (7)

1.一种动态环境下分布式多地总装项目计划方法，其特征在于，包括以下步骤：
步骤S1、预设项目装配调度交互目标订单集合；
步骤S2、根据所述目标订单集合设定前摄反应式调度机制；
步骤S3、根据所述前摄反应式调度机制构建数学模型；
步骤S4、根据所述数学模型构建调度机制框架；
步骤S5、根据所述调度机制框架进行算例仿真、多目标性能评估及性能对比，获得对比结果。
2.如权利要求1所述的动态环境下分布式多地总装项目计划方法，其特征在于，所述步骤S2具体包括以下子步骤：
利用前摄调度技术通过插入缓冲时间以生成基准调度计划；
其中，所述缓冲时间通过增加紧邻工序之间的时间松弛量，用以缓解不同项目因物料延期供应而产生的全局资源使用冲突；所述基准调度计划通过对基准调度方案设计反应式策略，依据物料实际到达时间与项目进度，动态化调整计划执行过程中总装工序间的时间松弛量。
3.如权利要求1所述的动态环境下分布式多地总装项目计划方法，其特征在于，所述步骤S3具体包括以下子步骤：
步骤S31、构建DDRCMPSP数学模型；
步骤S32、根据所述DDRCMPSP数学模型设定决策变量；
步骤S33、根据所述DDRCMPSP数学模型建立目标函数；
步骤S34、根据所述DDRCMPSP数学模型设定约束条件。
4.如权利要求3所述的动态环境下分布式多地总装项目计划方法，其特征在于，所述步骤S4具体包括以下子步骤：
步骤S41、随机生成多个n个个体组成初始种群；
步骤S42、通过蒙特卡洛模拟计算所述种群个体适应度值；
步骤S43、通过非支配排序/拥挤距离计算；
步骤S44、判断是否满足终止条件，是，则执行步骤S410；否，则执行步骤S45；
步骤S45、基于锦标赛式策略和精英保留策略进行选择；
步骤S46、获取满足前置工序约束的交叉算子；
步骤S47、获取满足前置工序约束的工序执行层算子资源选择层变异算子；
步骤S48、将变异后的子代与父代种群合并/去重；
步骤S49、更新/去重后的新种群执行邻域搜索操作，并返回所述步骤S42；
步骤S410、进行前摄型优化解；
步骤S411、根据所述优化解进行分布式项目调度仿真，获得调整后的适应度值。
5.如权利要求1所述的动态环境下分布式多地总装项目计划方法，其特征在于，所述步骤S4还包括以下子步骤：
步骤S401、通过双层嵌套的改进型NSGA-II算法生成DDRCMPSP的基准计划；
步骤S402、根据所述基准计划生成编码与初始解；其中，所述初始解包括任务调度优先度规则和装配资源指派规则；
步骤S403、根据所述编码与初始解进行预设交叉算子；
步骤S404、对所述预设交叉算子进行变异算子设定；
步骤S405、通过预设邻域搜索算子对重复染色体进行重新构造；
步骤S406、根据构造结果设定反应式调度策略。
6.如权利要求5所述的动态环境下分布式多地总装项目计划方法，其特征在于，所述步骤S401具体包括以下子步骤：
步骤1：设定算法终止条件为最大迭代次数λmax，对NSGA-II算法中所涉及的种群规模n、交叉概率Pc和变异概率Pm等参数进行设置；
步骤2：基于总装工序信息，装配资源的技能熟练度进行种群初始化生成，种群中的染色体个体采用代数λ与编号n的方式表达，初始种群记为
Figure FDA0004099673170000031
其中初始状态下λ＝0；
步骤3：采用Monte Carlo随机抽样原理，依据物料到达时间期望设计了大量随机抽样案例，用于评估种群中的鲁棒性指标Zq与交付性能指标Zs；
步骤4：对种群进行适应度评价；
步骤5：采用锦标赛选择机制筛选参与遗传操作的父代；
步骤6：对种群进行群体交叉操作；其中，将参加交叉操作的n个个体，根据交叉概率Pc选择2*c条染色体，两两进行单点匹配交叉操作，将生成的子代替换被选中的2*c条父代染色体；
步骤7：对种群个体进行分层变异操作；其中，将种群的个体按照设置的变异率Pm进行分层变异，根据触发的变异动作分别调整总装工序的加工顺序与装配资源分配方案，变异后的子代种群被记为
Figure FDA0004099673170000032
步骤8：采用精英选择策略对种群进行更新；将子代种群与父代种群进行合并
Figure FDA0004099673170000033
并继续采用步骤4的适应度函数评价方式，按照非支配层级高低与拥挤度大小对种群个体进行选择，最终选出具有n个个体作为新种群，令λ＝λ+1；
步骤9：判断当前的寻优迭代代数λ是否达到了终止条件：λ>λmax，如果满足终止条件，则输出当前种群的Pareto非支配层级最高的前沿作为最优解集；如若不然，转入下一步骤10；
步骤10：对新种群去重操作，对当前种群进行重复性校验，如果存在编码相同的个体，则对编码相同的任意个体执行邻域搜索操作生成新个体，将新个体替换种群中的重复编码个体，随后更新种群并转入所述步骤2；如果不存在编码相同的个体，则直接转入所述步骤2。
7.如权利要求3所述的动态环境下分布式多地总装项目计划方法，其特征在于，所述步骤S5具体包括以下子步骤：
步骤S51、根据数值仿真进行案例设定；
步骤S52、通过所述DDRCMPSP数学模型获得多目标性能评价指标；
步骤S53、通过所述NSGA-II算法进行算法设置与实验设计；
步骤S54、根据初始解生成策略并获得算法性能；
步骤S55、反应式策略选择获得调度结果；
步骤S56、将前摄和反应调度体系下进行算法性能对比，获得对比结果。
CN202310172214.6A 2023-02-13 2023-02-13 一种动态环境下分布式多地总装项目计划方法 Pending CN116151766A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310172214.6A CN116151766A (zh) 2023-02-13 2023-02-13 一种动态环境下分布式多地总装项目计划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310172214.6A CN116151766A (zh) 2023-02-13 2023-02-13 一种动态环境下分布式多地总装项目计划方法

Publications (1)

Publication Number Publication Date
CN116151766A true CN116151766A (zh) 2023-05-23

Family

ID=86373395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310172214.6A Pending CN116151766A (zh) 2023-02-13 2023-02-13 一种动态环境下分布式多地总装项目计划方法

Country Status (1)

Country Link
CN (1) CN116151766A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667191A (zh) * 2020-06-11 2020-09-15 湖南大学 资源专享和转移视角下双目标鲁棒资源分配方法和系统
CN114037341A (zh) * 2021-11-19 2022-02-11 广东工业大学 一种基于ddqn的智能车间动态自适应调度方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111667191A (zh) * 2020-06-11 2020-09-15 湖南大学 资源专享和转移视角下双目标鲁棒资源分配方法和系统
CN114037341A (zh) * 2021-11-19 2022-02-11 广东工业大学 一种基于ddqn的智能车间动态自适应调度方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李思瀚: "物料齐套时间不确定的多地总装作业前摄性调度", 《工业工程》, vol. 24, no. 3, pages 104 - 114 *
王艳婷: "随机动态环境下项目前摄性与反应性调度权衡优化", 《工业工程与管理》, vol. 24, no. 4, pages 88 - 95 *
钟宏扬: "基于组合规则的作业车间AGV联合调度优化", 《制造技术与机床》, no. 11, pages 183 - 192 *

Similar Documents

Publication Publication Date Title
Shen et al. Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems
Allahviranloo et al. Selective vehicle routing problems under uncertainty without recourse
CN101872166B (zh) 利用部件特定的消耗数据的过程仿真
EP1359529A1 (en) Computer-implemented product development planning method
CN113705866B (zh) 基于资源受限项目调度问题模型的排程优化方法和系统
Chen et al. A competence-time-quality scheduling model of multi-skilled staff for IT project portfolio
CN111667191B (zh) 资源专享和转移视角下双目标鲁棒资源分配方法和系统
CN110837981B (zh) 一种调度与控制协同处理方法及相关设备
Hosseinian et al. Modeling of the time-dependent multi-skilled RCPSP considering learning effect: An evolutionary solution approach
CN115600774B (zh) 一种装配式建筑构件产线的多目标生产调度优化方法
US20210065006A1 (en) Construction sequencing optimization
CN111695806B (zh) 一种资源分配方法、装置设备和存储介质
CN110070305A (zh) 一种资源转移视角下的双目标鲁棒资源分配方法
Li et al. Scheduling policies for the stochastic resource leveling problem
CN110390491A (zh) 一种公路工程多目标施工计划确定方法
Meng et al. Robust assembly line balancing problem considering preventive maintenance scenarios with interval processing time
Kamali et al. An immune-based multi-agent system for flexible job shop scheduling problem in dynamic and multi-objective environments
CN116151766A (zh) 一种动态环境下分布式多地总装项目计划方法
Canha et al. Models and methods of decision making in fuzzy environment and their applications to power engineering problems
Khorramfar et al. Managing product transitions: A bilevel programming approach
Aristotelous et al. An Empirical Analysis of a Set of Hybrid Heuristics for the Solution of the Resource Leveling Problem
Linard et al. Optimising workforce structure the system dynamics of employment planning
Wang et al. Multi-objective Worker Assignment Planning Model and Algorithm Considering Worker Flexibility and Cooperation
Devagekar et al. Investing the Application of Resource-Constrained Project Scheduling Problem in a Single-Mode Construction Project
Gupta et al. Integrating the multi-objective elephant herding optimization based time–cost trade-off model with earned value management

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