CN116227874A - 一种基于遗传算法的柔性作业车间调度方法和装置 - Google Patents
一种基于遗传算法的柔性作业车间调度方法和装置 Download PDFInfo
- Publication number
- CN116227874A CN116227874A CN202310227695.6A CN202310227695A CN116227874A CN 116227874 A CN116227874 A CN 116227874A CN 202310227695 A CN202310227695 A CN 202310227695A CN 116227874 A CN116227874 A CN 116227874A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- machine
- individuals
- population
- procedure
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 131
- 230000002068 genetic effect Effects 0.000 title claims abstract description 19
- 210000000349 chromosome Anatomy 0.000 claims abstract description 58
- 230000035772 mutation Effects 0.000 claims abstract description 44
- 238000012163 sequencing technique Methods 0.000 claims abstract description 16
- 108090000623 proteins and genes Proteins 0.000 claims description 21
- 238000006467 substitution reaction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 3
- 238000009401 outcrossing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- 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
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于遗传算法的柔性作业车间调度方法和装置,属于车间生产调度技术领域,包括步骤一:采用分段式编码方式对染色体进行编码,染色体分为两个部分,第一部分是机器选择部分,第二部分是工序排序部分,即确定各道工序的加工顺序,步骤二:染色体解码,分别对机器选择部分和工序选择部分进行解码,步骤三:种群初始化,种群初始化包括机器选择的初始化和工序排序的初始化,步骤四:排序分组选择;步骤五:改进交叉算子,改进交叉算子包括机器选择部分的交叉以及工序排序部分的交叉,步骤六:替代操作,步骤七:改进变异算子,包括机器选择部分变异和工序排序部分的变异,步骤八:改进的进化策略。
Description
技术领域
本发明涉及车间生产调度技术领域,尤其是一种基于遗传算法的柔性作业车间调度方法和装置。
背景技术
我国对柔性作业调度问题的研究起步较晚,目前在利用遗传算法、蚁群算法等相关算法求解该问题均有相关学者进行研究。综合国内研究现状可以看出,现有求解柔性作业调度问题的遗传算法存在的主要问题有:(1)求解质量和收敛速度有待进一步提高;(2)交叉产生的较好的染色体有可能在变异过程中遭到破坏,使交叉产生的较好的染色体不能生存;(3)随着迭代次数的增加,种群中相同的染色体数量会逐渐增加,甚至可能出现种群中所有的个体都相同。如果种群中相同的个体较多,有可能使得参与交叉的两个父代个体相同,从而交叉操作不起作用,则交叉操作的效率会大大降低。
发明内容
本发明所要解决的技术问题在于针对现有技术的不足提供一种能够根据各类资源的负荷状况,灵活的选择资源,提高生产的灵敏性,更加符合目前离散的生产模式的基于遗传算法的柔性作业车间调度方法和装置。
本发明所要解决的技术问题是通过以下技术方案来实现的,一种基于遗传算法的柔性作业车间调度方法,其特点是,包括步骤一:采用分段式编码方式对染色体进行编码,染色体分为两个部分,第一部分是机器选择部分,即为各道工序选择合适的加工机器;第二部分是工序排序部分,即确定各道工序的加工顺序,两部分的长度相等;
步骤二:染色体解码,分别对机器选择部分和工序选择部分进行解码,机器选择部分进行解码时从左到右读取染色体上的基因,转换成机器顺序矩阵和时间顺序矩阵,工序选择部分采用插入式解码的方法,解码后产生活动调度;
步骤三:种群初始化,种群初始化包括机器选择的初始化和工序排序的初始化,所述机器选择初始化包括全局选择、局部选择以及随机选择;所述工序排序初始化包括以下步骤:
第一步,从工件集中随机挑选一个工件;
第二步,确定当前工件的工件号和所有的加工工序,该工件包括几道工序,该工件的工件号就重复几次;
第三步,从工件集中随机挑选下一个工件,重复执行第二步,直到为所有工件对应的工序都确定出工序号为止;
第四步,将所有工件号随机进行排列,同一工件号在染色体中的排列顺序位置,表示所处该工件的第几道工序;
步骤四:排序分组选择;
步骤五:改进交叉算子,改进交叉算子包括机器选择部分的交叉以及工序排序部分的交叉,所述机器选择部分的交叉采用均匀交叉的方式,所述工序排序部分的交叉采用基于工序号的交叉算子;
步骤六:替代操作,所述替代操作的步骤如下:首先,令交叉后的种群数量为Pop,若种群中存在两个或多个相同的染色体时,只保留其中的一个,去掉其他相同的染色体,去掉的染色体个数设定为Pop1,则此时种群规模为Pop-Pop1;最后,为确保种群规模Pop不变,随机产生Pop1个个体代替去掉的Pop1个相同染色体;
步骤七:改进变异算子,包括机器选择部分变异和工序排序部分的变异,所述机器选择部分的变异先按照变异概率选择需要变异的染色体,再依次选择变异染色体中每一个基因,将其设置为该工序可选机器集中加工时间最少的机器;所述工序排序部分的变异采用基于工序号的变异方法;
步骤八,改进的进化策略,改进的进化策略包括如下几步:
第一步:按步骤三中的方法产生初始种群,种群的规模为Pop,将初始种群作为父代,种群中的个体按目标函数值的从小到大进行排序,并给出交叉概率Pc和变异概率Pm。
第二步:按步骤四中给出的方法选择参与配对的个体并进行交叉操作。
第三步:执行替代操作,并从父代和执行替代操作后的子代中保留q个精英个体。
第四步:对执行替代操作后的子代个体按给定的变异概率进行变异。
第五步:从变异产生的Pop*Pm个体、未变异的Pop*(1-Pm)个体和第三步中选出的q个精英个体构成新的种群。
第六步:从新的种群中选出q个精英个体,并选出Pop个较好的个体。
第七步:判断是否满足迭代终止条件,若满足,停止迭代,给出最优的调度方案;若不满足,将Pop个较好的个体当作父代,重复第二步至第七步,直到满足迭代终止条件为止。
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,所述全局选择,首先,设置一个机器时间数组,长度为机器数量,顺序为加工机器顺序,数组上每一位的取值对应机器的加工时间;然后,随机选取一个工件,从第一道工序开始,将该工序可选机器的加工时间与数组中对应的时间相加,选择加工时间最短的机器,作为该工序的加工机器;其次,更新数组,即可将已选的加工机器的时间加到数组中相应的位置上,以此类推,为该工件的所有工序都选出合适的机器;最后,再随机从工件集中选取一个工件,直到为所有工件的工序都选出合适的机器。这样可保证工序加工时间最短的机器先被选到,进而平衡机器上的工作负荷;
所述局部选择每次对一个工件的所有工序选择完合适的机器后,机器时间数组需重新变为零。这样可保证工件集中每个工件的每道工序优先选择当前机器负荷最小的加工机器进行加工;
所述随机选择包括如下步骤:首先,寻找工件集中的第一个工件,从该工件的第一道工序开始操作;其次,若该工件的第一道工序可在m台机器上进行加工,随机选择1到m之间的一个数值,作为该位置的基因值,以此类推,为当前工件的所有工序确定基因值;最后,选择工件集中第二个工件,重复执行上一步,直到为所有工件的工序都选出合适的机器为止。
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,所述排序分组选择包括如下步骤:
第一步,设种群的大小为Pop,且Pop为偶数,将Pop中的个体按目标函数值从大到小的顺序排序;
第二步,排序前的种群为X=(X1,X2,…,Xn),排序后的为X'=(X′1,X'2,…,X'n),则排序后满足P(X′1,M)≥P(X'2,M)≥...≥P(X'n,M);
第三步,X′1和X'n/2+1配对交叉,X′1和X′n/2+2.配对交叉,以此类推,可得到Pop/2对个体进行交叉。
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,所述均匀交叉包括如下步骤:首先,设置机器选择部分的染色体长度为L,在[1,L]之间随机选择一个整数r;然后,根据r再随机生成r个互不相同的整数,依靠产生的整数,将父代一和父代二中对应位置的染色体复制到子代一和子代二中去,并保证它们的顺序和位置不变;最后,将父代一和父代二染色体中剩余的基因依次复制到子代二和子代一中,并保持它们的顺序和位置。
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,包括种群初始化模块,用于种群的初始化;
排序分组模块,用于交叉个体的选择,根据目标函数的大小选择要交叉的个体,增大父代个体之间的差异性,保持种群多样性;
交叉模块,对于下一代种群进行交叉操作,采用基于工序号的交叉算子对每个染色体中的多个工件进行操作,继承父代个体的优良特征,保证交叉产生的子代个体的有效性;
替换模块,用于随机产生若干个个体代替去掉的相同染色体;
变异模块,用于对下一代种群进行变异操作;
进化判断模块,用于判断是否满足停止条件,若满足,则给出最优的调度方案,能够用于随父代和替换操作后产生的个体进行精英个体保留,可以避免交叉和替代操作后产生的优秀个体在变异过程中被破坏。
与现有技术相比,本发明的有益效果是通过设置基于遗传算法的柔性作业车间调度装置能够根据各类资源的负荷状况,灵活的选择资源,提高生产的灵敏性,更加符合目前离散的生产模式;能够减少人工调度带来的误差,提高机器的利用率,还可以增加产量,提高生产效率。
附图说明
图1为改进遗传算法求解柔性作业车间调度问题的流程图;
图2为遗传算法操作流程图;
图3为算例一4个工件,6台机器的最优解甘特图;
图4为算例二6个工件,6台机器的最优解的甘特图;
图5为算例三8个工件,8台机器的最优解甘特图;
图6为基于遗传算法的柔性作业车间调度装置图。
图中:10.种群初始化模块,20.排序分组模块,30.交叉模块,40.替换模块,50.变异模块,60.进化判断模块。
具体实施方式
以下进一步描述本发明的具体技术方案,以便于本领域的技术人员进一步地理解本发明,而不构成对其权利的限制。
参照图1-图6,一种基于遗传算法的柔性作业车间调度方法和装置,包括步骤一:采用分段式编码方式对染色体进行编码,染色体分为两个部分,第一部分是机器选择部分,即为各道工序选择合适的加工机器;第二部分是工序排序部分,即确定各道工序的加工顺序,两部分的长度相等;
步骤二:染色体解码,分别对机器选择部分和工序选择部分进行解码,机器选择部分进行解码时从左到右读取染色体上的基因,转换成机器顺序矩阵和时间顺序矩阵,工序选择部分采用插入式解码的方法,解码后产生活动调度;
步骤三:种群初始化,种群初始化包括机器选择的初始化和工序排序的初始化,所述机器选择初始化包括全局选择、局部选择以及随机选择;所述工序排序初始化包括以下步骤:
第一步,从工件集中随机挑选一个工件;
第二步,确定当前工件的工件号和所有的加工工序,该工件包括几道工序,该工件的工件号就重复几次;
第三步,从工件集中随机挑选下一个工件,重复执行第二步,直到为所有工件对应的工序都确定出工序号为止;
第四步,将所有工件号随机进行排列,同一工件号在染色体中的排列顺序位置,表示所处该工件的第几道工序;
步骤四:排序分组选择;
步骤五:改进交叉算子,改进交叉算子包括机器选择部分的交叉以及工序排序部分的交叉,所述机器选择部分的交叉采用均匀交叉的方式,所述工序排序部分的交叉采用基于工序号的交叉算子;
步骤六:替代操作,所述替代操作的步骤如下:首先,令交叉后的种群数量为Pop,若种群中存在两个或多个相同的染色体时,只保留其中的一个,去掉其他相同的染色体,去掉的染色体个数设定为Pop1,则此时种群规模为Pop-Pop1;最后,为确保种群规模Pop不变,随机产生Pop1个个体代替去掉的Pop1个相同染色体;
步骤七:改进变异算子,包括机器选择部分变异和工序排序部分的变异,所述机器选择部分的变异先按照变异概率选择需要变异的染色体,再依次选择变异染色体中每一个基因,将其设置为该工序可选机器集中加工时间最少的机器;所述工序排序部分的变异采用基于工序号的变异方法;
步骤八,改进的进化策略,改进的进化策略包括如下几步:
第一步:按步骤三中的方法产生初始种群,种群的规模为Pop,将初始种群作为父代,种群中的个体按目标函数值的从小到大进行排序,并给出交叉概率Pc和变异概率Pm。
第二步:按步骤四中给出的方法选择参与配对的个体并进行交叉操作。
第三步:执行替代操作,并从父代和执行替代操作后的子代中保留q个精英个体。
第四步:对执行替代操作后的子代个体按给定的变异概率进行变异。
第五步:从变异产生的Pop*Pm个体、未变异的Pop*(1-Pm)个体和第三步中选出的q个精英个体构成新的种群。
第六步:从新的种群中选出q个精英个体,并选出Pop个较好的个体。
第七步:判断是否满足迭代终止条件,若满足,停止迭代,给出最优的调度方案;若不满足,将Pop个较好的个体当作父代,重复第二步至第七步,直到满足迭代终止条件为止。
优选的,所述全局选择,首先,设置一个机器时间数组,长度为机器数量,顺序为加工机器顺序,数组上每一位的取值对应机器的加工时间;然后,随机选取一个工件,从第一道工序开始,将该工序可选机器的加工时间与数组中对应的时间相加,选择加工时间最短的机器,作为该工序的加工机器;其次,更新数组,即可将已选的加工机器的时间加到数组中相应的位置上,以此类推,为该工件的所有工序都选出合适的机器;最后,再随机从工件集中选取一个工件,直到为所有工件的工序都选出合适的机器。这样可保证工序加工时间最短的机器先被选到,进而平衡机器上的工作负荷;
所述局部选择每次对一个工件的所有工序选择完合适的机器后,机器时间数组需重新变为零。这样可保证工件集中每个工件的每道工序优先选择当前机器负荷最小的加工机器进行加工;
所述随机选择包括如下步骤:首先,寻找工件集中的第一个工件,从该工件的第一道工序开始操作;其次,若该工件的第一道工序可在m台机器上进行加工,随机选择1到m之间的一个数值,作为该位置的基因值,以此类推,为当前工件的所有工序确定基因值;最后,选择工件集中第二个工件,重复执行上一步,直到为所有工件的工序都选出合适的机器为止。
优选的,所述排序分组选择包括如下步骤:
第一步,设种群的大小为Pop,且Pop为偶数,将Pop中的个体按目标函数值从大到小的顺序排序;
第二步,排序前的种群为X=(X1,X2,…,Xn),排序后的为X'=(X′1,X'2,...,X'n),则排序后满足P(X′1,M)≥P(X'2,M)≥…≥P(X'n,M);
第三步,X′1和X'n/2+1配对交叉,X′1和X′n/2+2.配对交叉,以此类推,可得到Pop/2对个体进行交叉。
优选的,所述均匀交叉包括如下步骤:首先,设置机器选择部分的染色体长度为L,在[1,L]之间随机选择一个整数r;然后,根据r再随机生成r个互不相同的整数,依靠产生的整数,将父代一和父代二中对应位置的染色体复制到子代一和子代二中去,并保证它们的顺序和位置不变;最后,将父代一和父代二染色体中剩余的基因依次复制到子代二和子代一中,并保持它们的顺序和位置。
本发明所要解决的技术问题还可以通过以下技术方案来进一步实现,包括种群初始化模块10,用于种群的初始化;
排序分组模块20,用于交叉个体的选择,根据目标函数的大小选择要交叉的个体,增大父代个体之间的差异性,保持种群多样性;
交叉模块30,对于下一代种群进行交叉操作,采用基于工序号的交叉算子对每个染色体中的多个工件进行操作,继承父代个体的优良特征,保证交叉产生的子代个体的有效性;
替换模块40,用于随机产生若干个个体代替去掉的相同染色体;
变异模块50,用于对下一代种群进行变异操作;
进化判断模块60,用于判断是否满足停止条件,若满足,则给出最优的调度方案,能够用于随父代和替换操作后产生的个体进行精英个体保留,可以避免交叉和替代操作后产生的优秀个体在变异过程中被破坏。
实施例:参照图1中n表示工件总数,m表示机器总数,Pc表示交叉概率,Pm表示变异概率;
用改进的遗传算法分别求解4个工件,6台机器;6个工件,6台机器;以及8个工件,8台机器这3个算例,这三个算例的种群规模Pop=100,最大迭代次数为100次,交叉概率:Pc=1,变异概率:Pm=0.8,以最大迭代次数为终止条件可得这3个算例的最优解对应的加工路线和机器选择路线如下表1-3所示,例如工序O12,表示工件1的第2道工序可在机器M2或M3上加工,参照图3-图5最优解的甘特图,给出了上述3个算例的最优调度方案,按此方案安排生产,即能减少设备的闲置等待时间,又能提高设备的利用率,进而提高生产效率。
借助于上述的技术方案,不仅可以减少人工排产带来的误差还能够满足大规模生产的自动排产,从而更加符合实际的生产环境。
表1 4×6加工路线和机器选择路线
表26×6加工路线和机器选择路线
表38×8加工路线和机器选择路线
Claims (5)
1.一种基于遗传算法的柔性作业车间调度方法,其特征是:包括如下步骤:
步骤一:采用分段式编码方式对染色体进行编码,染色体分为两个部分,第一部分是机器选择部分,即为各道工序选择合适的加工机器;第二部分是工序排序部分,即确定各道工序的加工顺序,两部分的长度相等;
步骤二:染色体解码,分别对机器选择部分和工序选择部分进行解码,机器选择部分进行解码时从左到右读取染色体上的基因,转换成机器顺序矩阵和时间顺序矩阵,工序选择部分采用插入式解码的方法,解码后产生活动调度;
步骤三:种群初始化,种群初始化包括机器选择的初始化和工序排序的初始化,所述机器选择初始化包括全局选择、局部选择以及随机选择;所述工序排序初始化包括以下步骤:
第一步,从工件集中随机挑选一个工件;
第二步,确定当前工件的工件号和所有的加工工序,该工件包括几道工序,该工件的工件号就重复几次;
第三步,从工件集中随机挑选下一个工件,重复执行第二步,直到为所有工件对应的工序都确定出工序号为止;
第四步,将所有工件号随机进行排列,同一工件号在染色体中的排列顺序位置,表示所处该工件的第几道工序;
步骤四:排序分组选择;
步骤五:改进交叉算子,改进交叉算子包括机器选择部分的交叉以及工序排序部分的交叉,所述机器选择部分的交叉采用均匀交叉的方式,所述工序排序部分的交叉采用基于工序号的交叉算子;
步骤六:替代操作,所述替代操作的步骤如下:首先,令交叉后的种群数量为Pop,若种群中存在两个或多个相同的染色体时,只保留其中的一个,去掉其他相同的染色体,去掉的染色体个数设定为Pop1,则此时种群规模为Pop-Pop1;最后,为确保种群规模Pop不变,随机产生Pop1个个体代替去掉的Pop1个相同染色体;
步骤七:改进变异算子,包括机器选择部分变异和工序排序部分的变异,所述机器选择部分的变异先按照变异概率选择需要变异的染色体,再依次选择变异染色体中每一个基因,将其设置为该工序可选机器集中加工时间最少的机器;所述工序排序部分的变异采用基于工序号的变异方法;
步骤八,改进的进化策略,改进的进化策略包括如下几步:
第一步:按步骤三中的方法产生初始种群,种群的规模为Pop,将初始种群作为父代,种群中的个体按目标函数值的从小到大进行排序,并给出交叉概率Pc和变异概率Pm。
第二步:按步骤四中给出的方法选择参与配对的个体并进行交叉操作。
第三步:执行替代操作,并从父代和执行替代操作后的子代中保留q个精英个体。
第四步:对执行替代操作后的子代个体按给定的变异概率进行变异。
第五步:从变异产生的Pop*Pm个体、未变异的Pop*(1-Pm)个体和第三步中选出的q个精英个体构成新的种群。
第六步:从新的种群中选出q个精英个体,并选出Pop个较好的个体。
第七步:判断是否满足迭代终止条件,若满足,停止迭代,给出最优的调度方案;若不满足,将Pop个较好的个体当作父代,重复第二步至第七步,直到满足迭代终止条件为止。
2.根据权利要求1所述的基于遗传算法的柔性作业车间调度方法,其特征在于:所述全局选择,首先,设置一个机器时间数组,长度为机器数量,顺序为加工机器顺序,数组上每一位的取值对应机器的加工时间;然后,随机选取一个工件,从第一道工序开始,将该工序可选机器的加工时间与数组中对应的时间相加,选择加工时间最短的机器,作为该工序的加工机器;其次,更新数组,即可将已选的加工机器的时间加到数组中相应的位置上,以此类推,为该工件的所有工序都选出合适的机器;最后,再随机从工件集中选取一个工件,直到为所有工件的工序都选出合适的机器。这样可保证工序加工时间最短的机器先被选到,进而平衡机器上的工作负荷;
所述局部选择每次对一个工件的所有工序选择完合适的机器后,机器时间数组需重新变为零。这样可保证工件集中每个工件的每道工序优先选择当前机器负荷最小的加工机器进行加工;
所述随机选择包括如下步骤:首先,寻找工件集中的第一个工件,从该工件的第一道工序开始操作;其次,若该工件的第一道工序可在m台机器上进行加工,随机选择1到m之间的一个数值,作为该位置的基因值,以此类推,为当前工件的所有工序确定基因值;最后,选择工件集中第二个工件,重复执行上一步,直到为所有工件的工序都选出合适的机器为止。
3.根据权利要求1所述的基于遗传算法的柔性作业车间调度方法,其特征在于:所述排序分组选择包括如下步骤:
第一步,设种群的大小为Pop,且Pop为偶数,将Pop中的个体按目标函数值从大到小的顺序排序;
第二步,排序前的种群为X=(X1,X2,…,Xn),排序后的为X'=(X′1,X′2,…,X′n),则排序后满足P(X′1,M)≥P(X′2,M)≥…≥P(X'n,M);
第三步,X′1和X'n/2+1配对交叉,X′1和X′n/2+2.配对交叉,以此类推,可得到Pop/2对个体进行交叉。
4.根据权利要求1所述的基于遗传算法的柔性作业车间调度方法,其特征在于:所述均匀交叉包括如下步骤:首先,设置机器选择部分的染色体长度为L,在[1,L]之间随机选择一个整数r;然后,根据r再随机生成r个互不相同的整数,依靠产生的整数,将父代一和父代二中对应位置的染色体复制到子代一和子代二中去,并保证它们的顺序和位置不变;最后,将父代一和父代二染色体中剩余的基因依次复制到子代二和子代一中,并保持它们的顺序和位置。
5.一种基于遗传算法的柔性作业车间调度装置,其特征在于,包括:
种群初始化模块,用于种群的初始化;
排序分组模块,用于交叉个体的选择,根据目标函数的大小选择要交叉的个体,增大父代个体之间的差异性,保持种群多样性;
交叉模块,对于下一代种群进行交叉操作,采用基于工序号的交叉算子对每个染色体中的多个工件进行操作,继承父代个体的优良特征,保证交叉产生的子代个体的有效性;
替换模块,用于随机产生若干个个体代替去掉的相同染色体;
变异模块,用于对下一代种群进行变异操作;
进化判断模块,用于判断是否满足停止条件,若满足,则给出最优的调度方案,能够用于随父代和替换操作后产生的个体进行精英个体保留,可以避免交叉和替代操作后产生的优秀个体在变异过程中被破坏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310227695.6A CN116227874B (zh) | 2023-03-10 | 2023-03-10 | 一种基于遗传算法的柔性作业车间调度方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310227695.6A CN116227874B (zh) | 2023-03-10 | 2023-03-10 | 一种基于遗传算法的柔性作业车间调度方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116227874A true CN116227874A (zh) | 2023-06-06 |
CN116227874B CN116227874B (zh) | 2023-08-29 |
Family
ID=86574833
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310227695.6A Active CN116227874B (zh) | 2023-03-10 | 2023-03-10 | 一种基于遗传算法的柔性作业车间调度方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227874B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663866A (zh) * | 2023-07-31 | 2023-08-29 | 南京航空航天大学 | 一种加工单元刀具初始位置优化方法 |
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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106610653A (zh) * | 2015-12-25 | 2017-05-03 | 四川用联信息技术有限公司 | 一种自交叉遗传算法解柔性作业车间调度问题 |
CN111242503A (zh) * | 2020-01-21 | 2020-06-05 | 南京航空航天大学 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
CN113610233A (zh) * | 2021-01-12 | 2021-11-05 | 南京信息工程大学 | 一种基于改进遗传算法的柔性作业车间调度方法 |
US11288098B1 (en) * | 2020-11-27 | 2022-03-29 | Southwest Jiaotong University | Job shop scheduling method with buffer constraints based on improved genetic algorithm |
CN114493337A (zh) * | 2022-02-15 | 2022-05-13 | 河南中烟工业有限责任公司 | 基于改进粒子群遗传混合算法的柔性作业车间调度方法 |
-
2023
- 2023-03-10 CN CN202310227695.6A patent/CN116227874B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106610653A (zh) * | 2015-12-25 | 2017-05-03 | 四川用联信息技术有限公司 | 一种自交叉遗传算法解柔性作业车间调度问题 |
CN111242503A (zh) * | 2020-01-21 | 2020-06-05 | 南京航空航天大学 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
US11288098B1 (en) * | 2020-11-27 | 2022-03-29 | Southwest Jiaotong University | Job shop scheduling method with buffer constraints based on improved genetic algorithm |
CN113610233A (zh) * | 2021-01-12 | 2021-11-05 | 南京信息工程大学 | 一种基于改进遗传算法的柔性作业车间调度方法 |
CN114493337A (zh) * | 2022-02-15 | 2022-05-13 | 河南中烟工业有限责任公司 | 基于改进粒子群遗传混合算法的柔性作业车间调度方法 |
Non-Patent Citations (1)
Title |
---|
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), no. 04 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663866A (zh) * | 2023-07-31 | 2023-08-29 | 南京航空航天大学 | 一种加工单元刀具初始位置优化方法 |
CN116663866B (zh) * | 2023-07-31 | 2023-09-29 | 南京航空航天大学 | 一种加工单元刀具初始位置优化方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116227874B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116227874B (zh) | 一种基于遗传算法的柔性作业车间调度方法和装置 | |
CN108320057B (zh) | 一种基于有限制稳定配对策略的柔性作业车间调度方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN111222642B (zh) | 基于改进小生境遗传算法的多目标柔性作业车间调度方法 | |
CN102323952A (zh) | 基于改进遗传算法的可重构装配线排序方法 | |
CN106610654A (zh) | 针对柔性作业车间调度的改进遗传算法 | |
CN112561225B (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN106610652A (zh) | 改进编码方式的遗传算法解分布式柔性作业车间调度问题 | |
CN109615105B (zh) | 一种考虑柔性节拍和操作人员技能差异的装配线平衡方法 | |
CN112580922A (zh) | 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法 | |
CN111382915A (zh) | 一种共融agv的柔性作业车间调度方法 | |
CN112882449A (zh) | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 | |
CN112686474B (zh) | 一种基于改进的水波优化算法的可并行装配线平衡方法 | |
Mahmudy et al. | Optimization of part type selection and loading problem with alternative production plans in flexible manufacturing system using hybrid genetic algorithms-part 1: Modelling and representation | |
CN112859785B (zh) | 基于多目标优化算法的纸盆车间生产调度方法及调度系统 | |
CN112381343A (zh) | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 | |
CN112926896A (zh) | 一种用于卷烟制丝生产的排产方法 | |
CN110750079A (zh) | 一种允许工序跳跃的混合流水车间调度优化方法 | |
CN111966049A (zh) | 一种混合流水车间生产设备调度控制方法 | |
CN109991950A (zh) | 基于遗传算法的协作机器人装配生产线的平衡改善方法 | |
CN114266509A (zh) | 随机贪婪初始种群遗传算法求解柔性作业车间调度方法 | |
CN115933568A (zh) | 一种多目标分布式混合流水车间调度方法 | |
CN106875031A (zh) | 一种多车间作业调度方法及装置 | |
CN113723695B (zh) | 一种基于场景的再制造调度优化方法 | |
CN115222253A (zh) | 一种基于混沌局部搜索遗传算法的电力故障任务调度方法 |
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 |