CN116224946B - 机械件加工车间生产与物流集成的优化调度方法与系统 - Google Patents

机械件加工车间生产与物流集成的优化调度方法与系统 Download PDF

Info

Publication number
CN116224946B
CN116224946B CN202310297114.6A CN202310297114A CN116224946B CN 116224946 B CN116224946 B CN 116224946B CN 202310297114 A CN202310297114 A CN 202310297114A CN 116224946 B CN116224946 B CN 116224946B
Authority
CN
China
Prior art keywords
layer
task
production
transport
machine
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.)
Active
Application number
CN202310297114.6A
Other languages
English (en)
Other versions
CN116224946A (zh
Inventor
李新宇
姚友杰
王翠雨
高亮
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202310297114.6A priority Critical patent/CN116224946B/zh
Publication of CN116224946A publication Critical patent/CN116224946A/zh
Application granted granted Critical
Publication of CN116224946B publication Critical patent/CN116224946B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G05B19/41865—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 job scheduling, process planning, material flow
    • 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
    • G05B2219/32252—Scheduling production, machining, job shop

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)
  • General Factory Administration (AREA)

Abstract

本发明属于车间制造过程中的集成调度相关技术领域，其公开了一种机械件加工车间生产与物流集成的优化调度方法与系统，该方法包括以下步骤：(1)构建机械结构件生产过程中生产与物流的集成调度模型，所述集成调度模型同时考虑车间中的机器调度和运输设备的调度，其优化目标是最小化最大完工时间；(2)采用基于分布估计算法的超启发式混合算法对所述集成调度模型进行优化求解，以得到机械结构件的最佳加工顺序；其中，该超启发式混合算法是采用分布估计算法中的概率矩阵来选择操作算子。本发明使得机械大型结构件加工过程中的生产调度与物流调度关系清晰准确，能够大幅提高车间的生产效率，缩短生产周期，进而提升企业的经济效益。

Description

机械件加工车间生产与物流集成的优化调度方法与系统
技术领域
本发明属于车间制造过程中的集成调度相关技术领域，更具体地，涉及一种机械件加工车间生产与物流集成的优化调度方法与系统。
背景技术
机械大型结构件是工程机械的重要组成部分，而且大多都是承力部件。根据使用大型结构件的功能和位置的不同，也使得大型结构件的种类多样、形状各异，如推土机的履带架，装载机的摇臂等。由于具有体积大、精度高的特点，导致大型结构件加工车间的生产效率低，一直是制造企业面临的难题。随着经济的快速建设以及基建的迅速崛起，对于大型结构件的需求也日益增长。因此，深入研究大型结构件的生产过程优化调度方法，对提高大型结构件的生产效率具有重要意义。同时，也能有效提高企业的经济效益，进而促进基建事业的进一步发展。
虽然大型结构件的结构复杂、种类多样，但其生产工艺基本相似，都需要经过以下基本工艺流程：切、铣、钻、焊、涂等工艺，受到结构件类型和原材料的不同，中间部分结构件的生产也需要折弯、矫直等加工。当然，也有的结构件不需要钻孔直接进行打磨并涂装。可以看出，结构件的生产工艺流程虽然大体相同，但工艺的柔性较大，每个结构件的工艺路线不尽相同，根据结构件的类型变化，属于典型的离散制造行业。
现有的离散制造调度的研究中或调度方法，常常忽略了物料在车间内的流转时间，或假设车间内的物流运输设备(AGV、运输机器人等)是无限的。显然，这是不合理的。物流调度作为车间生产的重要组成部分，特别是离散制造中，物流中的运输任务具有任务多、柔性大、设备有限等特点。同时，物流和生产是相互影响、相互制约的。所以导致现有的调度方法无法满足企业的实际生产需求。因此，针对现有的机械大型结构件的加工车间，研究考虑机器资源和运输资源的集成优化调度方法具有重要的工程价值。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种机械件加工车间生产与物流集成的优化调度方法与系统，其提出了机械大型结构件加工车间的生产与物流集成优化的调度模型和优化目标，能够在短时间内获得集成调度问题的优良解。本发明使得机械大型结构件加工过程中的生产调度与物流调度关系清晰准确，能够大幅提高车间的生产效率，缩短生产周期，进而提升企业的经济效益。
为实现上述目的，按照本发明的一个方面，提供了一种机械件加工车间生产与物流集成的优化调度方法，该方法包括以下步骤：
(1)构建机械结构件生产过程中生产与物流的集成调度模型，所述集成调度模型同时考虑车间中的机器调度和运输设备的调度，其优化目标是最小化最大完工时间；
(2)采用基于分布估计算法的超启发式混合算法对所述集成调度模型进行优化求解，以得到机械结构件的最佳加工顺序；其中，该超启发式混合算法是采用分布估计算法中的概率矩阵来选择操作算子。
进一步地，集成调度模型中的各工件的每个运输任务Tij和加工任务Pij的开始时间的计算公式为：
式中，i的为工件的下标，其变化范围为i＝1，2，…，n；j为工件i对应工序的下标，其变化范围为j＝1，2，…，Ji；k为站点的下标，变化范围为k＝0，1，…，K，其中0代表物流库，1，2，…，K为对应的机器号；Tij代表工序Oij对应的运输任务，Pij代表工序Oij对应的运输任务；代表运输任务Tij的负载开始时间，/>代表加工任务Pij的开始加工时间；/>代表运输任务Tij所在运输设备的前序运输任务；/>代表加工任务Pij所在机器的前序加工任务；/>代表加工任务Pij所在工件前一工艺所对应的加工任务；/>代表运输任务Tij的起始站点，/>代表运输任务Tij的终止站点，其变化的范围与站点k一致；/>代表运输任务Tij的负载时间，/>代表加工任务Pij的加工时间；TTkk'代表运输设备从站点k到站点k'的运输时间。
进一步地，最大完工时间为所有工件在最后一台机器上完工时间的最大值，集成调度模型中的最大完工时间的计算公式为：
进一步地，步骤(2)包括以下子步骤：
Step1，采用三层编码的形式来表示集成调度模型的一个可行解，并依次确定各个工序的完工时间以最终得到优化目标；
Step2，种群的设置和个体的初始化；
Step3，混合算法参数设置和概率矩阵的初始化；
Step4，操作算子的设置；
Step5，种群的更新及概率矩阵的更新；
Step6，如果混合算法满足当前迭代次数等于gmax，则输出种群的最优个体；否则跳转至步骤Step5，反复迭代，直至满足终止条件为止。
进一步地，第一层为工序编码层，即代表工序的加工顺序；第二层为机器选择编码层，代表每个工序选择对应的加工机器；第三层为运输任务分配编码层，代表每个工序对应运输任务分配给相应的运输设备。
进一步地，解码时，依次选取工序层的工序Oij为待排序工序；其次，根据机器选择编码层来确定该工序对应加工任务Pij的所在机器，即该工序运输任务Tij的终点；然后，根据运输任务分配层确定执行该运输任务的运输设备，判断该运输设备的最早可用时间，即该运输任务的负载开始时间进而计算运输任务Tij的完工时间；最后，判断加工任务Pij的所在机器的最早可用时间，根据集成调度模型中的计算公式计算加工任务的开始时间继而依次确定各工序的完工时间并最终得到优化目标Cmax。
进一步地，种群的个体数量为PopSize，个体的初始化方法为随机生成，种群中的每个个体都为三层编码结构；设置混合算法的最大迭代次数为gmax，操作算子的个数为D；ηdd'为分布估计算法中的概率矩阵，采用概率矩阵是用来选择操作算子，ηdd'(g)代表第g代中对当前种群执行第d个操作选择操作算子d'的概率；初始化时，所有操作算子被选中的概率相同，因此概率矩阵的初始值为1/D。
进一步地，操作算子的设计主要是对三层编码进行操作，常见的包括以下7种，操作算子1：对编码中的工序层进行操作，随机交换其中两个位置上的工序；操作算子2：对编码中的工序层进行操作，随机选中两个位置，将后面位置上的工序插入到前面位置上；操作算子3：对编码中的机器选择层进行操作，重新分配某个工序的机器选择；操作算子4：对编码中的运输任务分配层进行操作，重新给某个运输任务分配运输设备；操作算子5：对编码中的工序层进行操作，将当前解的工序层与最优解的工序层进行交叉；操作算子6：对机器选择层进行操作，将当前解的机器选择层与最优解的机器选择层进行交叉；操作算子7：对运输任务分配层进行操作，将当前解的运输任务分配层与最优解的运输任务分配层进行交叉。
进一步地，种群个体的更新：记录个体在更新操作执行前的目标值为f1，对种群中的个体进行D次操作，操作算子执行的顺序需要通过对概率矩阵采样依次确定；
概率矩阵的更新：在种群中所有个体执行完个体更新操作后，需要统计所有满足条件的操作算子执行顺序的位置信息，得到统计矩阵εdd'；对概率矩阵进行更新所采用的公式为：
ηdd'(g+1)＝ηdd'(g)+εdd'/Popsize
概率矩阵中所有的值更新完成后，需要进一步进行归一化，使得各行和的值为1。
本发明还提供了一种机械件加工车间生产与物流集成的优化调度系统，该系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行如上所述的机械件加工车间生产与物流集成的优化调度方法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，本发明提供的机械件加工车间生产与物流集成的优化调度方法与系统主要具有以下有益效果：
1.根据机械结构件的工艺流程和生产特点，建立机械大型结构件加工车间中生产与物流的集成调度模型，将每个工序分解为一个加工任务和运输任务，能够真实清楚地描述出车间内生产与物流的相互影响关系，能够克服传统生产调度建模中忽略物流因素所造成的调度方案偏差较大的缺陷。
2.基于分布估计算法的超启发式混合算法可以将基于问题编码方式的操作算子和概率模型的学习机制融合，能够快速、有效地在较短时间内获得问题的近似最优解，表现出高效的搜索性能，能够获得比传统方法更好的最优解。
3.采用超启发式混合算法对结构件生成过程的集成调度模型进行优化，调度结果更加贴合生产实际，能够直接应用于车间的生产并大幅提高机械大型结构件加工车间的生产效率。
附图说明
图1是本发明提供的机械件加工车间生产与物流集成的优化调度方法的流程图；
图2是本发明的集成调度模型的三层编码方案示意图；
图3是图2中的编码方案解码后的甘特图；
图4是本发明涉及的操作算子概率矩阵的采样及归一化的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供了一种机械件加工车间生产与物流集成的优化调度方法与系统，所述方法首先对考虑物料运输的结构件生成过程进行调度建模，并采用基于分布估计算法的超启发式混合算法对得到的集成调度模型进行优化求解，能够在较短时间内获得大型结构件生产过程集成调度问题的优良解，以解决传统调度方法的优化效果差及的问题，同时可以大幅度的提高大型结构件加工车间的生产效率。
具体地，所述方法首先需要建立大型结构件生产过程中生产与物流的集成调度模型，其次提出了基于分布估计算法的超启发式混合算法对得到集成调度模型进行优化求解，所构建的集成调度模型需要同时考虑车间中的机械调度和运输设备调度，优化目标为最小化最大完工时间，最大完工时间为所有工件在最后一台机器上完工时间的最大值。
所述方法主要包括以下步骤：
步骤一，构建机械结构件生产过程中生产与物流的集成调度模型，所述集成调度模型同时考虑车间中的机器调度和运输设备的调度，其优化目标是最小化最大完工时间。
其中集成调度模型为：n个大型结构件需要在包含K台机器的车间加工，车间中有R台运输设备负责执行结构件在物流库到机器、机器到机器间的运输任务。每个结构件包含Ji个工序，且工件的工艺和每个工序所在的加工机器是已知的。0时刻所有工件和运输设备都在物流库的位置待命，所有工件的工序均包含一个运输任务和一个加工任务，所有的加工任务均在机器上完成，运输任务则由车间中的运输设备执行。
集成调度模型中的各工件的每个运输任务Tij和加工任务Pij的开始时间可以通过以下公式计算：
式中，i的为工件的下标，其变化范围为i＝1，2，…，n；j为工件i对应工序的下标，其变化范围为j＝1，2，…，Ji；k为站点的下标，变化范围为k＝0，1，…，K，其中0代表物流库，1，2，…，K为对应的机器号；Tij代表工序Oij对应的运输任务，Pij代表工序Oij对应的运输任务；代表运输任务Tij的负载开始时间，/>代表加工任务Pij的开始加工时间；/>代表运输任务Tij所在运输设备的前序运输任务；/>代表加工任务Pij所在机器的前序加工任务；/>代表加工任务Pij所在工件前一工艺所对应的加工任务；/>代表运输任务Tij的起始站点，/>代表运输任务Tij的终止站点，其变化的范围与站点k一致；/>代表运输任务Tij的负载时间，/>代表加工任务Pij的加工时间；TTkk'代表运输设备从站点k到站点k'的运输时间。
从以上公式可以看出：运输任务的开始时间与当前运输设备上前序任务的结束时间和当前加工任务所在工件前一工艺的完工时间有关，取两者之间的最大值；加工任务的开始时间与当前加工任务所在机器前一任务的完工时间和运输任务的完工时间有关，取两者之间的最大值。由此可得，集成调度模型中的最大完工时间的计算公式为：
优化目标为确定n个大型结构件在K台机器上的加工顺序，使得物流与生产集成调度模型中的最大完工时间Cmax最小。
步骤二，采用基于分布估计算法的超启发式混合算法对所述集成调度模型进行优化求解，以得到机械结构件的最佳加工顺序；其中，该超启发式混合算法是采用分布估计算法中的概率矩阵来选择操作算子。
完成对大型结构件的调度建模后，需要采用相应地方法对其进行优化，步骤二具体包括以下子步骤：
Step1、编码与解码
采用三层编码的形式来表示集成调度模型的一个可行解，并依次确定各个工序的完工时间以最终得到优化目标。具体地：
编码：采用三层编码的形式来表示集成调度模型的一个可行解。第一层为工序编码层，即代表工序的加工顺序；第二层为机器选择编码层，代表每个工序选择对应的加工机器；第三层为运输任务分配编码层，代表每个工序对应运输任务分配给相应的运输设备。
解码：首先，依次选取工序层的工序Oij为待排序工序；其次，根据机器选择编码层来确定该工序对应加工任务Pij的所在机器，即该工序运输任务Tij的终点。若该工序为工件的第一个工序，则运输任务的起点为物流库，若非第一个工序，则为同一工件前一工序加工任务所在的机器；然后，根据运输任务分配层确定执行该运输任务的运输设备，判断该运输设备的最早可用时间，即该运输任务的负载开始时间进而计算运输任务Tij的完工时间。最后，判断加工任务Pij的所在机器的最早可用时间，根据集成调度模型中的计算公式计算加工任务的开始时间/>根据以上方式依次确定各工序的完工时间并最终得到优化目标Cmax。
Step2、种群的设置和初始化。
种群的个体数量为PopSize，个体的初始化方法为随机生成。种群中的每个个体都为三层编码结构，然后根据步骤Step1中的解码过程计算每个个体的目标值。
Step3、算法的参数设置和概率矩阵的初始化。
设置混合算法的最大迭代次数为gmax，操作算子的个数为D。ηdd'为分布估计算法中的概率矩阵，与传统方法中用来选工件的方式不同，在本实施例所提的优化调度方法中概率矩阵是用来选择操作算子的。ηdd'(g)代表第g代中对当前种群执行第d个操作选择操作算子d'的概率。初始化时，所有操作算子被选中的概率相同，因此概率矩阵的初始值为1/D。
Step4、操作算子的设置。
在本步骤中，需要对设计每个操作算子的具体操作，以下为本实施例所提的7种操作算子。
操作算子1：对编码中的工序层进行操作。在当前解的工序编码层中，随机选择序列中两个位置，交换两个位置上的工序号。假设当前解的工序编码为[1，3，2，3，3，2，1，2，1]，若随机选中的两个位置为位置3和位置5，则交换后的工序编码层为[1，3，3，3，2，2，1，2，1]。
操作算子2：对编码中的工序层进行操作。随机选择工序层中两个位置，将后面位置上的工序插入到前面位置上。假设当前解的工序编码为[1，3，2，3，3，2，1，2，1]，若随机选中的两个位置为位置1和位置5，则将位置5上的工序3插入到位置1上，则操作后的工序层为[3，1，3，2，3，2，1，2，1]。
操作算子3：对编码中的机器选择层进行操作。随机选中机器选择层中一个位置，重新为当前工序随机选择除当前机器外的机器。假设当前解的机器层为[2，1，2，3，2，1，2，1，2]，若随机选中的位置为位置4，则对位置4所对应的工序的加工任务重新选择加工机器；随机得到v＝1+random(kij)，其中kij为工序Oij可加工的机器集合，若v等于原来的机器，则重新随机生成，则操作后的机器层为[2，1，2，1，2，1，2，1，2]。
操作算子4：对编码中的运输任务分配层进行操作。算子的具体操作与操作算子3类似，是为工序对应的运输任务重新选择运输设备。不同的是随机数的范围为v＝1+random(R)，R为车间内运输设备的总数。
操作算子5：对编码中的工序层进行操作。首先从种群的PopSize个体中选择目标值最小的个体，即最优解。将最优解中的工序层与当前解的工序层进行交互，具体操作为：依次产生n个(0，1)之间的随机数，若随机数的值≤0.5，则将其放入集合1中。对最优个体的工序层来说，依次判断各位置上的工序是否属于集合1中的工件。若属于，则将其填充到一个新建空工序层的对应位置。对当前个体的工序层，依次判断各位置上的工序是否属于集合1中的工件，若不属于则将其依次填充到新建工序层的空位置中。最后将该完整的新建工序层替换当前个体的工序层。
操作算子6：对编码中的机器选择层进行操作。首先从种群的PopSize个体中选择目标值最小的个体，即最优解。将最优解中的机器层与当前解的机器层进行交互，具体操作为：随机选中机器层的两个不相等的位置，对最优个体的机器层，选中这两个位置之间的机器号依次填充到当前个体机器层的位置。
操作算子7：对编码中的运输任务分配层进行操作。与操作算子6相似，随机选择最优个体运输层中的两个位置，依次替换运输层的运输设备分配。
Step5、种群的更新及概率矩阵的更新。
种群个体的更新：记录个体在更新操作执行前的目标值为f1。因为操作算子的总数为D，所以需要对种群中的个体进行D次操作。但操作算子执行的顺序需要通过对概率矩阵采样依次确定。具体操作为：对于第一个操作算子的选择，随机生成一个(0，1)之间的随机数p，若该随机数则选择操作算子d对当前个体执行操作，执行完当前操作后对当前概率矩阵的第1行和第d列全部置零，并进行归一化处理。对得到的新的三层编码进行目标值计算，若优于原编码方案，则替代原编码方案成为下一操作的当前个体，否则不替换；然后，进行第二个操作算子的选择，执行相应的操作并评价，对概率矩阵的相应行和列进行置零和并归一化，依次类推，直到该个体将D次操作算子全部执行完。个体执行完更新操作后的目标值为f2，若f2<f1，则将本次个体的执行操作算子的顺序记录下来用于概率矩阵的更新。
假设个体π执行个体更新操作前的目标值为156，根据对概率矩阵的采样得到当前个体执行操作算子的顺序为x＝3-2-5-4-1-7-6，在所有操作算子执行完后π的目标值为148，则需要记录操作算子执行顺序x＝3-2-5-4-1-7-6用于更新概率矩阵。
概率矩阵的更新：
在种群中所有个体执行完个体更新操作后，需要统计所有满足条件的操作算子执行顺序的位置信息，得到统计矩阵εdd'。其中位置信息是指操作算子d'被第d个选中用于执行的频次。
假设所有个体更新完后，满足条件的操作算子执行顺序共有4个，分别是x1＝3-2-5-4-1-7-6，x2＝4-1-6-2-3-5-7，x3＝2-3-5-4-6-7-1，x4＝5-3-2-4-1-6-7。那么所得到的统计矩阵为：
在位置信息统计完成后，需要根据以下公式对概率矩阵进行更新：
ηdd'(g+1)＝ηdd'(g)+εdd'/Popsize
概率矩阵中所有的值更新完成后，需要进一步对其进行归一化，使得各行和的值为1。
Step6、算法的终止。
如果混合算法满足当前迭代次数等于gmax，则输出种群的最优个体；否则跳转至步骤Step5，反复迭代，直至满足终止条件为止。
本发明还提供了一种机械件加工车间生产与物流集成的优化调度系统，该系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行如上所述的机械件加工车间生产与物流集成的优化调度方法。
以下以具体实施例来对本发明进行进一步的详细说明。
实施例1
请参阅图1、图2、图3及图4，在一个大型结构件的加工车间中，共有六台加工设备，有4个待加工结构件，各结构件的工艺数为3，2，2，3，则三层编码中个编码层的长度为3+2+2+3＝10，每个工艺数可选用的机器数为[2，3，2，3，1，3，4，3，2，1]，车间内的运输设备数为3。
本实施例1包括以下步骤：
步骤一，构建集成调度模型。
根据实施例的加工车间等情况构建机械结构件生产过程中生产与物流的集成调度模型。
步骤二，优化求解。
该步骤二主要包括以下子步骤：
Step1、种群的设置和初始化。
种群的个体数量为PopSize＝50，个体的初始化方法为随机生成，根据解码方案依次计算每个个体的目标值。
图3为图2中编码方案示例解码后的甘特图，解码过程示例为：工序层的第一个数为1，其代表结构件1的第一个工序，即O11。假设O11解码对应的可选加工机器集合为[1，4，5]，根据机器层可以得到O11选择的是集合中的第2个机器，即机器M4完成第一个工序。由于0时刻结构件和运输设备都在装载区(L/U)待命，所以O11对应的运输任务为L/U到M4。根据运输层可知执行该运输任务的是设备2，其可用时刻为0。重复以上过程，依次完成对各结构件各个工序的解码，可以得到这4个结构件的最大完工时间为工序所对应O43的完工时间。
Step2、算法的参数设置和概率矩阵的初始化。
设置混合算法的最大迭代次数为200，操作算子的个数为7。ηdd'为分布估计算法中的概率矩阵，与传统方法中用来选工件的方式不同，本实施例所提的优化调度方法中概率矩阵是用来选择操作算子的。ηdd'(g)代表第g代中对当前种群执行第d个操作选择操作算子d'的概率。初始化时，所有操作算子被选中的概率相同，因此概率矩阵的初始值为1/7。
Step3、种群的更新及概率矩阵的更新。
种群个体的更新：操作算子的总数为D，则需要对种群中的个体进行D次操作，但操作算子执行的顺序需要通过对概率矩阵采样依次确定。具体操作为：对于第一个操作算子的选择，随机生成一个(0，1)之间的随机数p，若该随机数则选择操作算子d对当前个体执行操作，在执行完当前操作后对当前概率矩阵的第1行和第d列全部置零，并进行归一化处理。对得到的新的三层编码进行目标值计算，若优于原编码方案，则替代原编码方案成为下一操作的当前个体，否则不替换；然后，进行第二个操作算子的选择，执行相应的操作并评价，依次类推，直到该个体执行完D次操作算子。具体采样及归一化的方法如图4所示
若选中操作算子1：对编码中的工序层进行操作。在当前解的工序编码层中，随机选择序列中两个位置，交换两个位置上的工序号。
若选中操作算子2：对编码中的工序层进行操作。随机选择工序层中两个位置，将后面位置上的工序插入到前面位置上。
若选中操作算子3：对编码中的机器选择层进行操作。随机选中机器选择层中一个位置，重新为当前工序随机选择除当前机器外的机器。
若选中操作算子4：对编码中的运输任务分配层进行操作。算子的具体操作与操作算子3类似，是为工序对应的运输任务重新选择运输设备。
若选中操作算子5：对编码中的工序层进行操作。首先从种群的PopSize个体中选择目标值最小的个体，即最优解。将最优解中的工序层与当前解的工序层进行交互，具体操作为：依次产生4个(0，1)之间的随机数，若随机数的值≤0.5，则将其序号放入集合1中。对最优个体的工序层来说，依次判断各位置上的工序是否属于集合1中的工件。若属于，则将其填充到一个新建空工序层的对应位置。对当前个体的工序层，依次判断各位置上的工序是否属于集合1中的工件，若不属于则将其依次填充到新建工序层的空位置中。最后采用该完整的新建工序层替换当前个体的工序层。
若选中操作算子6：对编码中的机器选择层进行操作。首先从种群的PopSize个体中选择目标值最小的个体，即最优解。将最优解中的机器层与当前解的机器层进行交互，具体操作为：随机选中机器层的两个不相等的位置，对最优个体的机器层，选中这两个位置之间的机器号依次填充到当前个体机器层的位置。
若选中操作算子7：对编码中的运输任务分配层进行操作。与操作算子6相似，随机选择最优个体运输层中的两个位置，依次替换运输层的运输设备分配。
概率矩阵的更新：
在种群中所有个体执行完个体更新操作后，需要统计所有满足条件的操作算子执行顺序的位置信息，得到统计矩阵εdd'。其中位置信息是指操作算子d'被第d个选中用于执行的频次。
在位置信息统计完成后，需要根据以下公式对概率矩阵进行更新：
ηdd'(g+1)＝ηdd'(g)+εdd'/Popsize
概率矩阵中所有的值更新完成后，需要进一步对其进行归一化，使得各行和的值为1。
如果混合算法满足当前迭代次数等于200，则输出最优个体；否则跳转至步骤Step3，反复迭代，直至满足终止条件为止。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种机械件加工车间生产与物流集成的优化调度方法，其特征在于，该方法包括以下步骤：
(1)构建机械结构件生产过程中生产与物流的集成调度模型，所述集成调度模型同时考虑车间中的机器调度和运输设备的调度，其优化目标是最小化最大完工时间；
(2)采用基于分布估计算法的超启发式混合算法对所述集成调度模型进行优化求解，以得到机械结构件的最佳加工顺序；其中，该超启发式混合算法是采用分布估计算法中的概率矩阵来选择操作算子；
其中，步骤(2)包括以下子步骤：
Step1，采用三层编码的形式来表示集成调度模型的一个可行解，并依次确定各个工序的完工时间以最终得到优化目标；
Step2，种群的设置和个体的初始化；
Step3，混合算法参数设置和概率矩阵的初始化；
Step4，操作算子的设置；
Step5，种群的更新及概率矩阵的更新；
Step6，如果混合算法满足当前迭代次数等于gmax，则输出种群的最优个体；否则跳转至步骤Step5，反复迭代，直至满足终止条件为止；
种群的个体数量为PopSize，个体的初始化方法为随机生成，种群中的每个个体都为三层编码结构；设置混合算法的最大迭代次数为gmax，操作算子的个数为D；ηdd'为分布估计算法中的概率矩阵，采用概率矩阵是用来选择操作算子，ηdd'(g)代表第g代中对当前种群执行第d个操作选择操作算子d'的概率；初始化时，所有操作算子被选中的概率相同，因此概率矩阵的初始值为1/D；
操作算子是对三层编码进行操作，包括7种，操作算子1：对编码中的工序层进行操作，随机交换其中两个位置上的工序；操作算子2：对编码中的工序层进行操作，随机选中两个位置，将后面位置上的工序插入到前面位置上；操作算子3：对编码中的机器选择层进行操作，重新分配某个工序的机器选择；操作算子4：对编码中的运输任务分配层进行操作，重新给某个运输任务分配运输设备；操作算子5：对编码中的工序层进行操作，将当前解的工序层与最优解的工序层进行交叉；操作算子6：对机器选择层进行操作，将当前解的机器选择层与最优解的机器选择层进行交叉；操作算子7：对运输任务分配层进行操作，将当前解的运输任务分配层与最优解的运输任务分配层进行交叉；
种群个体的更新：记录个体在更新操作执行前的目标值为f1，对种群中的个体进行D次操作，操作算子执行的顺序需要通过对概率矩阵采样依次确定；
概率矩阵的更新：在种群中所有个体执行完个体更新操作后，需要统计所有满足条件的操作算子执行顺序的位置信息，得到统计矩阵εdd'；对概率矩阵进行更新所采用的公式为：
ηdd'(g+1)＝ηdd'(g)+εdd'/Popsize
概率矩阵中所有的值更新完成后，需要进一步进行归一化，使得各行和的值为1。
2.如权利要求1所述的机械件加工车间生产与物流集成的优化调度方法，其特征在于：集成调度模型中的各工件的每个运输任务Tij和加工任务Pij的开始时间的计算公式为：
式中，i的为工件的下标，其变化范围为i＝1，2，…，n；j为工件i对应工序的下标，其变化范围为j＝1，2，…，Ji；k为站点的下标，变化范围为k＝0，1，…，K，其中0代表物流库，1，2，…，K为对应的机器号；Tij代表工序Oij对应的运输任务，Pij代表工序Oij对应的加工任务；代表运输任务Tij的负载开始时间，/>代表加工任务Pij的开始加工时间；/>代表运输任务Tij所在运输设备的前序运输任务；/>代表加工任务Pij所在机器的前序加工任务；代表加工任务Pij所在工件前一工艺所对应的加工任务；/>代表运输任务Tij的起始站点，/>代表运输任务Tij的终止站点，其变化的范围与站点k一致；/>代表运输任务Tij的负载时间，/>代表加工任务Pij的加工时间；TTkk'代表运输设备从站点k到站点k'的运输时间。
3.如权利要求2所述的机械件加工车间生产与物流集成的优化调度方法，其特征在于：最大完工时间为所有工件在最后一台机器上完工时间的最大值，集成调度模型中的最大完工时间的计算公式为：
4.如权利要求3所述的机械件加工车间生产与物流集成的优化调度方法，其特征在于：第一层为工序编码层，即代表工序的加工顺序；第二层为机器选择编码层，代表每个工序选择对应的加工机器；第三层为运输任务分配编码层，代表每个工序对应运输任务分配给相应的运输设备。
5.如权利要求4所述的机械件加工车间生产与物流集成的优化调度方法，其特征在于：解码时，依次选取工序层的工序Oij为待排序工序；其次，根据机器选择编码层来确定该工序对应加工任务Pij的所在机器，即该工序运输任务Tij的终点；然后，根据运输任务分配层确定执行该运输任务的运输设备，判断该运输设备的最早可用时间，即该运输任务的负载开始时间进而计算运输任务Tij的完工时间；最后，判断加工任务Pij的所在机器的最早可用时间，根据集成调度模型中的计算公式计算加工任务的开始时间/>继而依次确定各工序的完工时间并最终得到优化目标Cmax。
6.一种机械件加工车间生产与物流集成的优化调度系统，其特征在于：该系统包括存储器及处理器，所述存储器储存有计算机程序，所述处理器执行所述计算机程序时执行权利要求1-5任一项所述的机械件加工车间生产与物流集成的优化调度方法。
CN202310297114.6A 2023-03-24 2023-03-24 机械件加工车间生产与物流集成的优化调度方法与系统 Active CN116224946B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310297114.6A CN116224946B (zh) 2023-03-24 2023-03-24 机械件加工车间生产与物流集成的优化调度方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310297114.6A CN116224946B (zh) 2023-03-24 2023-03-24 机械件加工车间生产与物流集成的优化调度方法与系统

Publications (2)

Publication Number Publication Date
CN116224946A CN116224946A (zh) 2023-06-06
CN116224946B true CN116224946B (zh) 2023-11-14

Family

ID=86576943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310297114.6A Active CN116224946B (zh) 2023-03-24 2023-03-24 机械件加工车间生产与物流集成的优化调度方法与系统

Country Status (1)

Country Link
CN (1) CN116224946B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117634856A (zh) * 2024-01-26 2024-03-01 武汉理工大学 基于超启发式樽海鞘算法的液压缸制造联合调度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170134830A (ko) * 2016-05-26 2017-12-07 경상대학교산학협력단 혼합분포형을 이용한 지구 기후 모델의 극치 강수자료의 오차 보정방법
CN109116816A (zh) * 2018-07-25 2019-01-01 昆明理工大学 一种柔性加工环境下印刷过程的优化调度方法
CN112561194A (zh) * 2020-12-22 2021-03-26 华中科技大学 一种混合流水车间生产与物流集成调度方法及系统
CN113485278A (zh) * 2021-08-03 2021-10-08 湖北工程学院 优化两生产指标的柔性作业车间调度多目标分布估计方法
CN113822525A (zh) * 2021-07-22 2021-12-21 合肥工业大学 基于改进遗传算法的柔性作业车间多目标调度方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170134830A (ko) * 2016-05-26 2017-12-07 경상대학교산학협력단 혼합분포형을 이용한 지구 기후 모델의 극치 강수자료의 오차 보정방법
CN109116816A (zh) * 2018-07-25 2019-01-01 昆明理工大学 一种柔性加工环境下印刷过程的优化调度方法
CN112561194A (zh) * 2020-12-22 2021-03-26 华中科技大学 一种混合流水车间生产与物流集成调度方法及系统
CN113822525A (zh) * 2021-07-22 2021-12-21 合肥工业大学 基于改进遗传算法的柔性作业车间多目标调度方法及系统
CN113485278A (zh) * 2021-08-03 2021-10-08 湖北工程学院 优化两生产指标的柔性作业车间调度多目标分布估计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
混合EDA求解多目标零等待作业车间调度问题;姚友杰;《控制工程》;正文第418-423页 *
混合EDA求解多目标零等待作业车间调度问题;姚友杰;钱斌;胡蓉;;控制工程(03);全文 *
超启发式遗传算法求解模糊柔性作业车间调度;李尚函;胡蓉;钱斌;张梓琪;金怀平;;控制理论与应用(02);全文 *

Also Published As

Publication number Publication date
CN116224946A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN110796355B (zh) 一种基于动态解码机制的柔性作业车间调度方法
CN116224946B (zh) 机械件加工车间生产与物流集成的优化调度方法与系统
CN112561194B (zh) 一种混合流水车间生产与物流集成调度方法及系统
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
CN113379087A (zh) 一种基于改进遗传算法的生产制造排产优化方法
CN113671910B (zh) 一种集成多agv柔性作业车间调度方法、装置及介质
CN111738578A (zh) 一种动态环境下的离散型生产车间调度方法
CN112147960B (zh) 一种柔性制造系统优化调度方法及装置
CN106773686B (zh) 同轨双车运行模式下堆垛机调度路径模型建立方法
CN113570308B (zh) 多目标交付同步优化模型建模方法及面向订单制造的车间物料配送边缘-雾-云系统构架
CN116523165B (zh) 柔性作业车间amr路径规划与生产调度的协同优化方法
CN112381273B (zh) 一种基于u-nsga-iii算法的多目标作业车间节能优化方法
CN112668789A (zh) 一种柔性作业车间带准备工序的自适应分批调度方法
CN115185247A (zh) 一种基于产品加工质量的机床运行状态预测与车间调度方法
CN114022028A (zh) 一种自动化混合流水线调度布局集成优化方法
Naranje et al. Optimization of factory layout design using simulation tool
CN117132181B (zh) 一种分布式柔性生产与运输协同调度方法
CN111814359B (zh) 一种面向离散制造的集成车间调度与装配序列规划方法
CN115981262B (zh) 基于imoea的液压缸零部件车间生产调度方法
CN113050644A (zh) 基于迭代贪婪进化的agv调度方法
CN117077975A (zh) 基于混合初始化模因算法的分布式异构流水车间调度方法
CN115907230A (zh) 用于家具生产运输过程协同调度的分布估计优化方法
CN116485116A (zh) 一种基于广义随机Petri网与改进候鸟算法的人机协作任务分配优化方法
CN115730799A (zh) 一种柔性装配作业车间生产任务调度方法、系统及设备
CN104571007A (zh) 一种轿车生产制造中总装配线生产装配过程的优化调度方法

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
GR01 Patent grant
GR01 Patent grant