CN116300756A - 带运输机器人柔性制造车间的双目标优化调度方法及系统 - Google Patents
带运输机器人柔性制造车间的双目标优化调度方法及系统 Download PDFInfo
- Publication number
- CN116300756A CN116300756A CN202310306565.1A CN202310306565A CN116300756A CN 116300756 A CN116300756 A CN 116300756A CN 202310306565 A CN202310306565 A CN 202310306565A CN 116300756 A CN116300756 A CN 116300756A
- Authority
- CN
- China
- Prior art keywords
- task
- transportation
- population
- transport
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 176
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 60
- 238000012545 processing Methods 0.000 claims abstract description 120
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 34
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims description 82
- 238000003780 insertion Methods 0.000 claims description 35
- 230000037431 insertion Effects 0.000 claims description 35
- 238000005457 optimization Methods 0.000 claims description 32
- 238000005265 energy consumption Methods 0.000 claims description 18
- 238000003754 machining Methods 0.000 claims description 18
- 230000002787 reinforcement Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008929 regeneration Effects 0.000 claims description 3
- 238000011069 regeneration method Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 239000011800 void material Substances 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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)
- General Factory Administration (AREA)
Abstract
本发明属于生产调度领域,并具体公开了一种带运输机器人柔性制造车间的双目标优化调度方法及系统,其包括:构建考虑运输任务和加工任务的优化调度模型,随机生成三个初始子种群,第一子种群优化目标为最大完工时间最小化,第二子种群优化目标为碳排放总量最小化,第三子种群优化目标为最大完工时间和碳排放总量加权值最小化;对三个子种群进行单个种群的自进化和多种群间的协同进化,进而挑选出非支配解形成非劣解解集;基于关键路径对非劣解解集进行深度搜索,更新非劣解解集;重复迭代更新非劣解解集,直到达到迭代次数,得到优化后的生产调度方案。本发明能快速获得双目标调度模型的优良非劣解解集,可在兼顾经济效益的同时经济效益最大化。
Description
技术领域
本发明属于生产调度领域,更具体地,涉及一种带运输机器人柔性制造车间的双目标优化调度方法及系统。
背景技术
车间物流是指加工过程中在制品的转运和储存,是车间生产的重要环节,传统的流程行业中多通过辊道的形式实现。但在离散制造行业,特别是生产多品种、小批量的柔性制造系统,工件工艺加工机器的高柔性导致物流任务的起点和终点多变、形式多样。伴随着人工智能技术的不断发展和智能工厂建设的不断推进,运输机器人凭借其高效率、高灵活性、高可靠性已经成为车间物流自动化的重要设备。由于车间内的生产与物流是相互影响、相互制约的,因此对于同时考虑机器和机器人资源的调度能够有效提升制造系统的生产效率。制造企业在实现经济效益最大化的同时,也要兼顾企业的绿色指标,即低碳生产。
由运输机器人组成的物流调度系统是制造企业自动化生产的重要部分,也是未来生产车间向无人化发展一大重要趋势。现有的低碳生产调度方法关注的都是机器产生的能耗,很少考虑运输设备的能耗或考虑运输资源无限,这显然是不符合实际生产的。因为物流中运输任务的完工时间会影响工件在机器上的加工时间,进而影响下一运输任务的开始时间。所以需要根据车间物流调度系统中的机器人数量和机器加工的工件数和工序建立相应的调度模型。需要特别指出的,在生产中若同一工件的相邻工序选择的是同一机器,此时将不存在运输任务。
因此,针对带运输机器人的柔性制造系统,亟需一种可以快速提供兼顾经济指标和绿色指标的生产调度方案的方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种带运输机器人柔性制造车间的双目标优化调度方法及系统,其目的在于,快速获得柔性制造系统调度问题的优良非劣解解集,在提高企业生产效率、缩短生产周期的同时,减少制造过程中的碳排放总量。
为实现上述目的,按照本发明的第一方面,提出了一种带运输机器人柔性制造车间的双目标优化调度方法,包括如下步骤:
S1、构建同时考虑运输任务和加工任务的优化调度模型,并确定优化目标为最大完工时间和碳排放总量最小化;
S2、基于优化调度模型,随机生成三个初始的子种群,其中,第一子种群的优化目标为最大完工时间最小化,第二子种群的优化目标为碳排放总量最小化,第三子种群的优化目标为最大完工时间和碳排放总量的加权值最小化;
S3、对三个子种群进行单个种群的自进化和多种群间的协同进化,对进化后的三个种群和当前非劣解解集中的所有个体进行对比,挑选出所有非支配解并更新非劣解解集;初始非劣解解集为空集;
S4、基于关键路径对非劣解解集进行深度搜索,更新非劣解解集;
S5、重复步骤S3和S4,直到达到预设迭代次数,停止迭代,此时非劣解解集中的解即为优化后的生产调度方案。
作为进一步优选的,所述第三子种群中,最大完工时间和碳排放总量的权重由预训练好的深度强化学习模型根据种群状态确定。
作为进一步优选的,步骤S3中,对三个子种群进行单个种群的自进化和多种群间的协同进化,具体为:
S31、单个种群的自进化:对每个子种群,其种群规模数均为N;从子种群中选取目标值最小的部分个体形成优选集,在优选集中随机选取两个个体作为父代进行交叉操作,形成相应的子代;重复上述过程,直到生成N个新的子代;合并父代和子代个体并选择其中最优的N个个体作为自进化后的新种群;
S32、根据子种群各自的目标值,分别对三个子种群中的个体进行排序,进而将每个子种群划分为a个最差个体和剩余的N-a个较优个体,对每个子种群的a个最差个体执行重生机制:对第一子种群,随机选择较优个体中的一个与第二种群中目标值最优的个体进行交叉操作得到新的个体,重复该操作直到a个最差个体全部重生;对第二子种群,随机选择较优个体中的一个与第一种群中目标值最优的个体进行交叉操作得到新的个体,重复该操作直到a个最差个体全部重生;对第三子种群,选择第一种群和第二种群中目标值最优的个体,并对其进行交叉操作得到新的个体,重复以上操作直到a个最差个体全部重生。
作为进一步优选的,步骤S4中,基于关键路径对非劣解解集进行深度搜索,具体为对非劣解解集中的个体依次执行以下操作:
S41、随机选中当前解的一条关键路径,若关键路径块在运输机器人上,则重排该关键块中的运输任务,得到新解;若新解对应的运输机器人的空载时间减少,即新解支配原来的解,则用新解替换原解,否则维持原解;
S42、随机选中当前解的一条关键路径,若该关键路径中存在工件的最后一个工序的加工任务节点,且该加工任务的机器档位不等于最高档位S,则调整其档位为S,此时最大完工时间减小,得到的新解支配原解,用新解替换原解;
S43、针对当前解中的非关键加工任务节点,若加工任务的机器档位不等于1,在不改变同一机器其他加工任务开始时间的情况下,尽可能降低该工序的机器档位,此时碳排放总量减小,得到的新解支配原解,用新解替换原解。
作为进一步优选的,所述关键路径的确定方法为:
根据解建立相应的析取图模型,对析取图模型中的任意节点,若其头长度与尾长度相加等于最大完工时间,则该节点即为关键节点;
对析取图模型中的关键节点,确定满足任务紧邻约束或工序相邻约束的关键节点,将这些关键节点连接形成关键路径。
作为进一步优选的,所述析取图模型中的节点包括加工任务节点和运输任务节点,其头长度和尾长度的计算公式如下:
其中,和/>分别代表工序Oij运输任务的头长度和尾长度,/>和/>分别代表工序Oij加工任务的头长度和尾长度;/> 分别代表工序Oij运输任务在对应运输机器人上的前序运输任务头长度、后序运输任务尾长度、前序运输任务所需负载时间、后序运输任务所需负载时间;/>代表运输机器人从机器到机器/>的移动时间,/>代表运输机器人从机器/>到机器的移动时间;/>表示工序Oij运输任务在对应运输机器人上前序运输任务的终点;/>表示工序Oij运输任务在对应运输机器人上后序运输任务/>的起点;/>和/>分别是工序Oij运输任务的起点和终点;/>代表Oij同工件前一工序对应的加工任务头长度;/>分别代表Oij同工件前一工序对应加工任务的实际加工时间和工序Oij加工任务的实际加工时间;/>分别代表工序Oij加工任务在对应机器上的前序加工任务头长度、后序加工任务头长度;/>分别代表工序Oij加工任务在对应机器上前序加工任务的实际加工时间和后序加工任务的实际加工时间;/>代表工序Oij运输任务的时间;/>分别代表Oij同工件后续工序对应的运输任务尾长度、运输任务时间。
作为进一步优选的,整个优化过程中,需对解进行评价,以确定各机器上的加工任务顺序和运输机器人上运输任务的执行顺序,从而确定解对应的优化目标值;对解进行评价的方法具体为:
对于第i个工件的第j道工序Oij,若Oij为工件的首工序,则其运输任务必然存在;若Oij为非首工序,判断第i个工件的第j-1道工序Oij-1的机器选择是否与工序Oij的机器相同,若是,则运输任务不存在,否则运输任务存在;
运输任务存在时,依次进行步骤(1)、(2);运输任务不存在时,直接进行步骤(2);
(1)确定执行运输任务的移动机器人,对运输任务进行插入操作,具体为,工序Oij运输任务的开始时间需大于工序Oij-1加工任务的完工时间基于此约束,依次判断运输机器人上已有的负载任务,若两相邻负载任务之间的空隙满足运输任务插入条件,则将运输任务插入到该空隙中,完成插入操作后,得到该工序运输任务的完工时间/>
所述运输任务插入条件为:
其中,SRS为要插入该空隙中后序负载任务的开始时间,CRP为要插入该空隙中前序负载任务的完工时间;为前序负载任务的终点RPEm到工序Oij-1的加工机器mij-1的所需时间,/>为工序Oij的加工机器mij到后序负载任务的起点RSSm的所需时间,为加工机器mij-1到加工机器mij的所需时间;
(2)插入工序Oij的加工任务,确定该工序的实际加工时间根据运输任务的插入情况判断加工任务的插入,具体的,若运输任务存在,则加工任务的开始时间应大于若运输任务不存在,则加工任务的开始时间应大于/>基于此约束,依次判断机器上的空隙,若该空隙满足加工任务插入条件,则将加工任务插入该空隙,得到工序Oij的加工任务的完工时间/>
所述加工任务插入条件为:
其中,SMS为当前机器上要插入该空隙的后序加工任务的开始时间,CMP为当前机器上要插入该空隙的前序加工任务的完工时间;
重复以上步骤,直到依次将所有工序都加工完;在所有工序完成后,即得到最大完工时间,再根据最大完工时间计算过程中产生的碳排放总量。
作为进一步优选的,所述优化调度模型为:n个工件在包含m台机器、R台运输机器人的柔性制造系统中加工,每个工件需要经过加工的工序数为Ji;机器在加工各工序时,可以对机器的转速进行调档,每个机器均包含S种档位可选;优化目标具体为:
min(Cmax,Ttotal)
Ttotal=ε·(TEM+TER)
TEM=TEMP+TEMS
TER=TERL+TERU
其中,Cmax为最大完工时间,Ttotal为碳排放总量;为第i个工件的最后一道工序加工任务的完工时间,n为总工件数;TEM为机器总能耗,TER为运输机器人总能耗,ε为碳排放系数;TEMS为待机总能耗,TEMP为加工总能耗,TERL为负载总能耗,TERU为空载总能耗。
按照本发明的第二方面,提供了一种带运输机器人柔性制造车间的双目标优化调度系统,其包括处理器,所述处理器用于执行上述带运输机器人柔性制造车间的双目标优化调度方法。
按照本发明的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述带运输机器人柔性制造车间的双目标优化调度方法。
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,主要具备以下的技术优点:
1、本发明建立了双目标优化调度模型,并设计了相应的多目标优化方法对该双目标问题进行优化,能够在较短的时间内得到较优的非劣解解集,为带运输机器人柔性制造车间提供可以兼顾经济指标和绿色指标的生产调度方案。
2、本发明建立了基于深度强化学习的多目标优化方法,能够根据当前种群的状态空间自适应选择合适的目标权重,并在算法寻优的过程中实现多种群的协同进化,能够有效地在较短时间内获得双目标调度模型的近似帕累托前沿(优良的非劣解解集);为企业的低碳生产提供多个可行的调度方案,实现制造系统调度的低碳生产。
附图说明
图1为本发明实施例带运输机器人柔性制造车间的双目标优化调度方法流程图;
图2为本发明实施例双目标优化调度方法中解的表达示意图;
图3为本发明实施例双目标优化调度方法中析取图模型示意图;
图4中(a)、(b)为本发明实施例解码中运输任务插入空隙时两种情况的示意图;
图5中(a)-(c)为本发明实施例解码中加工任务插入空隙时三种情况的示意图。
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。
本发明实施例提供的一种带运输机器人柔性制造车间的双目标优化调度方法,如图1所示,包括如下步骤:
S1、根据带运输机器人柔性制造车间的生产特性,建立同时考虑运输任务和加工任务的双目标优化调度模型,确定优化目标为最小化最大完工时间和碳排放总量。
具体的,双目标优化调度模型为:n个工件需要在包含m台机器、R台运输机器人的柔性制造系统中加工,每个工件由于品种和规格的不同需要经过加工的总工序数Ji,且制造系统中能完成该工艺的机器至少有一台;当同一工件两个相邻工序选择不同机器时,则这两个工序间存在运输任务,且该任务由运输机器人执行。当同一工件两个相邻工序选择同一机器加工时,则这两个加工任务之间不存在运输任务;此外,机器在加工各工序时,可以对机器的转速进行调档,每个机器均包含S种档位可选。通常情况下,档位越高,则完成该工序的加工时间越短,但完成该工序所产生的机器能耗更多。可以看出,工序的加工时间与机器因此加工任务产生的碳排放之间存在着一定的冲突和制约。该优化调度模型中的优化目标为最大完工时间和碳排放总量:
min(Cmax,Ttotal)
Ttotal=ε·(TEM+TER)
TEM=TEMP+TEMS
TER=TERL+TERU
其中,Cmax为最大完工时间,即所有工件在机器上完工时刻的最大值;Ttotal为整个加个过程中的碳排放总量,其为机器总能耗TEM与运输机器人总能耗TER的和,乘以相应的碳排放系数ε,其中,机器的总能耗又分为待机总能耗TEMS和加工总能耗TEMP,运输机器人的总能耗分为负载总能耗TERL和空载总能耗TERU;
Ptijks代表工序Oij在机器k处于档位s上的加工时间,但由于每个工件的工序仅能选择一台机器执行加工任务,且该加工任务仅能选择一种机器档位,所以工序Oij的真正加工时间为可以看出碳排放总量与最大完工时间有关,因此需要先计算各工件的完工时间。
进一步的,后续基于深度强化学习的多目标优化方法对双目标问题进行优化求解时,需要确定解对应的优化目标值,这个过程中需要预先设计解的表达和评价方式,具体如下。
解的表达:
解的评价:
对解的评价过程采用主动插入的形式,具体可以描述为:
按照工序层依次选取工序Oij,若待排工序为工件的首工序,则其运输任务必然存在;若Oij为非首工序,则需要根据机器层判断工序Oij-1的机器选择是否与工序Oij的机器相同,若是则运输任务不存在,否则运输任务存在;运输任务存在时,依次进行步骤(1)、(2);运输任务不存在时,直接进行步骤(2);
运输任务的开始时间需大于工序Oij-1加工任务的完工时间基于此约束,依次判断运输机器人上已有的负载任务,若两相邻负载任务之间的空隙满足运输任务插入条件,则将运输任务插入到该空隙中,完成插入操作后,得到该工序运输任务的完工时间
如图4所示,所述运输任务插入条件为:
其中,SRS为要插入该空隙中后序负载任务的开始时间,CRP为要插入该空隙中前序负载任务的完工时间;和/>均为本次插入后可能形成的空载行程,为前序负载任务的终点RPEm到工序Oij-1的加工机器mij-1的所需时间,/>为工序Oij的加工机器mij到后序负载任务的起点RSSm的所需时间,/>为加工机器mij-1到加工机器mij的所需时间。
若运输任务存在,则加工任务的开始时间应大于若运输任务不存在,则加工任务的开始时间应大于/>基于此约束,依次判断机器上的空隙,若该空隙满足加工任务插入条件,则将加工任务插入该空隙,得到工序Oij的加工任务的完工时间/>
如图5所示,所述加工任务插入条件为:
其中,SMS为当前机器上要插入该空隙的后序加工任务的开始时间,CMP为当前机器上要插入该空隙的前序加工任务的完工时间;
重复以上步骤,直到工序层的所有工序都加工完。在所有工序完成后,即得到n个工件的最大完工时间,再根据最大完工时间计算该过程中产生的碳排放总量。
S2、多目标优化方法中包含三个子种群,其中,第一子种群的优化目标为最大完工时间最小化,第二子种群的优化目标为碳排放总量最小化,第三子种群的优化目标为最大完工时间和碳排放总量的加权值最小化,其权重的选取由深度强化学习的神经网络根据当前种群的状态进行选择。三个种群的种群规模数均为N(本实施例取N=50),三个种群的初始化均为随机生成。
进一步的,由于建立的调度模型为双目标,第三子种群中优化权重的选择对算法寻优至关重要。传统的权重选择为随机或指定,缺乏自适应调整的能力,强化学习具有强大的决策能力,本发明采用包含两层神经网络的深度强化学习模型为种群中的个体选择合适的权重。
对深度强化学习模型具体设计如下:
状态空间:深度强化学习中的状态空间包含种群中最大完工时间的最大值、最小值、平均值和方差,以及碳排放总量的最大值、最小值、平均值和方差。
动作空间:选取种群优化时目标(Cmax,Ttotal)的权重,本实施例采用(0.1,0.9),(0.2,0.8),(0.3,0.7),(0.4,0.6),(0.5,0.5),(0.6,0.4),(0.7,0.3),(0.8,0.2),(0.9,0.1),共计9个。
奖励函数:根据种群进化后非劣解解集的变化,若解集向前沿进一步逼近,则奖励值为10,其他的为0。
使用前需对上述深度强化学习模型进行预训练:随机生成包含100个个体的初始种群,对深度强化学习的神经网络进行训练。
本实施例中,两层神经网络的具体参数设置及训练阶段的参数如表1:
表1神经网络参数设置
S3、对三个子种群进行单个种群的自进化和多种群间的协同进化,从进化后的三个种群和当前非劣解解集中挑选出所有非支配解,更新非劣解解集。初始的非劣解解集为空集,而后续迭代过程中,则将当前非劣解解集中的支配解剔除,将新挑选出的非支配解放入,从而更新非劣解解集。
具体包括:
S31、各个子种群的自进化
三个种群的自进化过程均通过锦标赛选取规则,从当前种群目标值最小的前20%个个体中随机选取两个父代进行交叉操作并形成相应的子代,重复选取父代并交叉的操作,直到生成N个新的个体;合并父代和子代个体并选择其中最优的N个个体作为自进化后的新种群。
S32、多种群间的协同进化
根据三个子种群各自的目标值,对每个种群最差的10%个个体执行重生机制:对第一子种群,随机选择剩余90%的个体中一个与第二种群中目标值最优的个体进行交叉操作得到新的个体,重复以上操作直到最差的10%的个体全部重生;对第二子种群,随机选择剩余90%的个体中一个与第一种群中目标值最优的个体进行交叉操作得到新的个体,重复以上操作直到最差的10%的个体全部重生;对第三子种群,选择第一种群的最优个体与第二种群的最优个体进行交叉操作得到新的个体,重复以上操作直到最差的10%的个体全部重生。
S33、输出非劣解解集
将三个子种群中的所有个体放在一起形成合并种群,并根据合并后的种群,挑选出其中所有的非支配解形成非劣解解集。非支配解含义为:假设任何二解S1及S2对所有目标而言,S1均优于S2,则称S1支配S2,若S1的解没有被其他解所支配,则S1称为非支配解。
S4、基于关键路径对非劣解解集进行深度搜索,再次更新非劣解解集。
具体的,对非劣解解集中的个体依次执行以下3个深度搜索操作:
操作1:随机选中当前解x的一条关键路径,若关键路径块(负载任务数大于等于2)在运输机器人上,则重排该关键块中的运输任务;若重排后的新解x’对应的运输机器人的空载时间减少,即新解x’支配原来的解x,则用新解替换原解,否则维持原解。
操作2:随机选中当前解x的一条关键路径,若该关键路径中存在工件的最后一个工序的加工任务节点,且该加工任务的机器档位不等于最高档位S,则调整其档位为S,此时最大完工时间减小,则得到的新解x’支配原来的解x,用新解替换原解。
操作3:针对当前解x中的非关键加工任务节点,若加工任务的机器档位不等于1,在不改变同一机器其他加工任务开始时间的情况下,尽可能降低该工序的机器档位,此时解的碳排放总量减小,得到的新解x’支配原来的解x,用新解替换原解。
非劣解解集中所有个体执行完深度搜索操作后,剔除被支配的解,完成对非劣解解集的更新。
进一步的,确定关键路径的方法如下:
计算头长度和尾长度:按S1中预设的评价方法对解进行评价,根据解的评价结果产生各机器上的加工任务顺序和运输机器人上运输任务的执行顺序,可以建立相应的析取图模型。如图3所示,析取图模型中包含了加工任务节点和运输任务节点,两个节点对应的头长度和尾长度的计算公式如下。
和/>分别代表工序Oij运输任务在对应运输机器人上的前序运输任务和后序运输任务;/>分别代表工序Oij运输任务在对应运输机器人上的前序运输任务头长度、后序运输任务尾长度、前序运输任务所需负载时间、后序运输任务所需负载时间;
表示工序Oij运输任务在对应运输机器人上前序运输任务/>的终点;表示工序Oij运输任务在对应运输机器人上后序运输任务/>的起点;/>和分别是工序Oij运输任务的起点和终点;/>代表机器人从机器/>到机器/>的移动时间,/>代表机器人从机器/>到机器/>的移动时间;
代表Oij同工件前一工序对应的加工任务,/>代表Oij同工件后一工序对应的运输任务;/>代表Oij同工件前一工序对应的加工任务头长度;/>分别代表Oij同工件前一工序对应加工任务的实际加工时间和工序Oij加工任务的实际加工时间;
和/>分别代表工序Oij加工任务在对应机器上的前序加工任务和后序加工任务;/>分别代表工序Oij加工任务在对应机器上的前序加工任务头长度、后序加工任务头长度;/>分别代表工序Oij加工任务在对应机器上前序加工任务的实际加工时间和后序加工任务的实际加工时间;/>代表工序Oij运输任务的时间;分别代表Oij同工件后续工序对应的运输任务尾长度、运输任务时间;
前序、后序表示当前任务或空隙相邻的前面一个任务、后面一个任务。
确定关键路径:对析取图模型中的任意节点,其头长度R与尾长度Q只要满足R+Q=Cmax,则该节点即为关键节点。挑选出析取图中的关键节点,从尾部的虚拟节点E节点开始从后往前找(参见图3),两个关键节点中满足任务(加工任务或运输任务)相邻约束或工序相邻约束的节点依次组成关键路径。
S5、重复步骤S3和S4,直到达到预设迭代次数gmax(本实施例取gmax=500),停止迭代,输出当前的非劣解解集,此时非劣解解集中的解即为优化后的生产调度方案。
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 (10)
1.一种带运输机器人柔性制造车间的双目标优化调度方法,其特征在于,包括如下步骤:
S1、构建同时考虑运输任务和加工任务的优化调度模型,并确定优化目标为最大完工时间和碳排放总量最小化;
S2、基于优化调度模型,随机生成三个初始的子种群,其中,第一子种群的优化目标为最大完工时间最小化,第二子种群的优化目标为碳排放总量最小化,第三子种群的优化目标为最大完工时间和碳排放总量的加权值最小化;
S3、对三个子种群进行单个种群的自进化和多种群间的协同进化,对进化后的三个种群和当前非劣解解集中的所有个体进行对比,挑选出所有非支配解并更新非劣解解集;初始非劣解解集为空集;
S4、基于关键路径对非劣解解集进行深度搜索,更新非劣解解集;
S5、重复步骤S3和S4,直到达到预设迭代次数,停止迭代,此时非劣解解集中的解即为优化后的生产调度方案。
2.如权利要求1所述的带运输机器人柔性制造车间的双目标优化调度方法,其特征在于,所述第三子种群中,最大完工时间和碳排放总量的权重由预训练好的深度强化学习模型根据种群状态确定。
3.如权利要求1所述的带运输机器人柔性制造车间的双目标优化调度方法,其特征在于,步骤S3中,对三个子种群进行单个种群的自进化和多种群间的协同进化,具体为:
S31、单个种群的自进化:对每个子种群,其种群规模数均为N;从子种群中选取目标值最小的部分个体形成优选集,在优选集中随机选取两个个体作为父代进行交叉操作,形成相应的子代;重复上述过程,直到生成N个新的子代;合并父代和子代个体并选择其中最优的N个个体作为自进化后的新种群;
S32、根据子种群各自的目标值,分别对三个子种群中的个体进行排序,进而将每个子种群划分为a个最差个体和剩余的N-a个较优个体,对每个子种群的a个最差个体执行重生机制:对第一子种群,随机选择较优个体中的一个与第二种群中目标值最优的个体进行交叉操作得到新的个体,重复该操作直到a个最差个体全部重生;对第二子种群,随机选择较优个体中的一个与第一种群中目标值最优的个体进行交叉操作得到新的个体,重复该操作直到a个最差个体全部重生;对第三子种群,选择第一种群和第二种群中目标值最优的个体,并对其进行交叉操作得到新的个体,重复以上操作直到a个最差个体全部重生。
4.如权利要求1所述的带运输机器人柔性制造车间的双目标优化调度方法,其特征在于,步骤S4中,基于关键路径对非劣解解集进行深度搜索,具体为对非劣解解集中的个体依次执行以下操作:
S41、随机选中当前解的一条关键路径,若关键路径块在运输机器人上,则重排该关键块中的运输任务,得到新解;若新解对应的运输机器人的空载时间减少,即新解支配原来的解,则用新解替换原解,否则维持原解;
S42、随机选中当前解的一条关键路径,若该关键路径中存在工件的最后一个工序的加工任务节点,且该加工任务的机器档位不等于最高档位S,则调整其档位为S,此时最大完工时间减小,得到的新解支配原解,用新解替换原解;
S43、针对当前解中的非关键加工任务节点,若加工任务的机器档位不等于1,在不改变同一机器其他加工任务开始时间的情况下,尽可能降低该工序的机器档位,此时碳排放总量减小,得到的新解支配原解,用新解替换原解。
5.如权利要求4所述的带运输机器人柔性制造车间的双目标优化调度方法,其特征在于,所述关键路径的确定方法为:
根据解建立相应的析取图模型,对析取图模型中的任意节点,若其头长度与尾长度相加等于最大完工时间,则该节点即为关键节点;
对析取图模型中的关键节点,确定满足任务紧邻约束或工序相邻约束的关键节点,将这些关键节点连接形成关键路径。
6.如权利要求5所述的带运输机器人柔性制造车间的双目标优化调度方法,其特征在于,所述析取图模型中的节点包括加工任务节点和运输任务节点,其头长度和尾长度的计算公式如下:
其中,和/>分别代表工序Oij运输任务的头长度和尾长度,/>和/>分别代表工序Oij加工任务的头长度和尾长度;/> 分别代表工序Oij运输任务在对应运输机器人上的前序运输任务头长度、后序运输任务尾长度、前序运输任务所需负载时间、后序运输任务所需负载时间;/>代表运输机器人从机器/>到机器/>的移动时间,/>代表运输机器人从机器/>到机器/>的移动时间;/>表示工序Oij运输任务在对应运输机器人上前序运输任务/>的终点;表示工序Oij运输任务在对应运输机器人上后序运输任务/>的起点;/>和分别是工序Oij运输任务的起点和终点;/>代表Oij同工件前一工序对应的加工任务头长度;/>分别代表Oij同工件前一工序对应加工任务的实际加工时间和工序Oij加工任务的实际加工时间;/>分别代表工序Oij加工任务在对应机器上的前序加工任务头长度、后序加工任务头长度;/>分别代表工序Oij加工任务在对应机器上前序加工任务的实际加工时间和后序加工任务的实际加工时间;/>代表工序Oij运输任务的时间;/>分别代表Oij同工件后续工序对应的运输任务尾长度、运输任务时间。
7.如权利要求1所述的带运输机器人柔性制造车间的双目标优化调度方法,其特征在于,整个优化过程中,需对解进行评价,以确定各机器上的加工任务顺序和运输机器人上运输任务的执行顺序,从而确定解对应的优化目标值;对解进行评价的方法具体为:
对于第i个工件的第j道工序Oij,若Oij为工件的首工序,则其运输任务必然存在;若Oij为非首工序,判断第i个工件的第j-1道工序Oij-1的机器选择是否与工序Oij的机器相同,若是,则运输任务不存在,否则运输任务存在;
运输任务存在时,依次进行步骤(1)、(2);运输任务不存在时,直接进行步骤(2);
(1)确定执行运输任务的移动机器人,对运输任务进行插入操作,具体为,工序Oij运输任务的开始时间需大于工序Oij-1加工任务的完工时间基于此约束,依次判断运输机器人上已有的负载任务,若两相邻负载任务之间的空隙满足运输任务插入条件,则将运输任务插入到该空隙中,完成插入操作后,得到该工序运输任务的完工时间/>
所述运输任务插入条件为:
其中,SRS为要插入该空隙中后序负载任务的开始时间,CRP为要插入该空隙中前序负载任务的完工时间;为前序负载任务的终点RPEm到工序Oij-1的加工机器mij-1的所需时间,/>为工序Oij的加工机器mij到后序负载任务的起点RSSm的所需时间,/>为加工机器mij-1到加工机器mij的所需时间;
(2)插入工序Oij的加工任务,确定该工序的实际加工时间根据运输任务的插入情况判断加工任务的插入,具体的,若运输任务存在,则加工任务的开始时间应大于/>若运输任务不存在,则加工任务的开始时间应大于/>基于此约束,依次判断机器上的空隙,若该空隙满足加工任务插入条件,则将加工任务插入该空隙,得到工序Oij的加工任务的完工时间/>
所述加工任务插入条件为:
其中,SMS为当前机器上要插入该空隙的后序加工任务的开始时间,CMP为当前机器上要插入该空隙的前序加工任务的完工时间;
重复以上步骤,直到依次将所有工序都加工完;在所有工序完成后,即得到最大完工时间,再根据最大完工时间计算过程中产生的碳排放总量。
8.如权利要求1-7任一项所述的带运输机器人柔性制造车间的双目标优化调度方法,其特征在于,所述优化调度模型为:n个工件在包含m台机器、R台运输机器人的柔性制造系统中加工,每个工件需要经过加工的工序数为Ji;机器在加工各工序时,可以对机器的转速进行调档,每个机器均包含S种档位可选;优化目标具体为:
min(Cmax,Ttotal)
Ttotal=ε·(TEM+TER)
TEM=TEMP+TEMS
TER=TERL+TERU
9.一种带运输机器人柔性制造车间的双目标优化调度系统,其特征在于,包括处理器,所述处理器用于执行如权利要求1-8任一项所述的带运输机器人柔性制造车间的双目标优化调度方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的带运输机器人柔性制造车间的双目标优化调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310306565.1A CN116300756A (zh) | 2023-03-27 | 2023-03-27 | 带运输机器人柔性制造车间的双目标优化调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310306565.1A CN116300756A (zh) | 2023-03-27 | 2023-03-27 | 带运输机器人柔性制造车间的双目标优化调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116300756A true CN116300756A (zh) | 2023-06-23 |
Family
ID=86813053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310306565.1A Pending CN116300756A (zh) | 2023-03-27 | 2023-03-27 | 带运输机器人柔性制造车间的双目标优化调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116300756A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117841006A (zh) * | 2024-03-06 | 2024-04-09 | 中建三局集团有限公司 | 抓取机械手多优化目标的轨迹优化方法及装置 |
-
2023
- 2023-03-27 CN CN202310306565.1A patent/CN116300756A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117841006A (zh) * | 2024-03-06 | 2024-04-09 | 中建三局集团有限公司 | 抓取机械手多优化目标的轨迹优化方法及装置 |
CN117841006B (zh) * | 2024-03-06 | 2024-05-28 | 中建三局集团有限公司 | 抓取机械手多优化目标的轨迹优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111966050B (zh) | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 | |
CN110796355B (zh) | 一种基于动态解码机制的柔性作业车间调度方法 | |
CN103942610B (zh) | 基于任务的可重组制造系统多态构型优化方法 | |
CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN108776845B (zh) | 一种基于双目标作业车间调度的混合果蝇算法 | |
CN116300756A (zh) | 带运输机器人柔性制造车间的双目标优化调度方法及系统 | |
CN116500986A (zh) | 一种分布式作业车间的优先调度规则生成方法及系统 | |
CN112348314A (zh) | 一种带起重机的分布式柔性车间调度方法及系统 | |
CN115933568A (zh) | 一种多目标分布式混合流水车间调度方法 | |
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 | |
CN116258308A (zh) | 一种基于混合遗传算法的动态柔性作业车间调度方法 | |
CN112327621A (zh) | 一种基于蚁群算法的柔性生产线自适应控制系统及方法 | |
CN113705978B (zh) | 一种多机任务刀具静态与动态集成决策方法及系统 | |
CN117132181B (zh) | 一种分布式柔性生产与运输协同调度方法 | |
CN116820058B (zh) | 考虑agv约束的液压缸工艺规划与调度集成优化方法 | |
CN113689066A (zh) | 一种基于nsga-ii算法的物联网车间调度方法 | |
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 | |
CN110705844B (zh) | 基于非强制空闲时间的作业车间调度方案鲁棒优化方法 | |
CN117057528A (zh) | 一种基于端到端深度强化学习的分布式作业车间调度方法 | |
CN109447408B (zh) | 一种基于复杂网络理论的跨单元调度方法 | |
CN116070826A (zh) | 一种铁路货车车身喷涂作业并行机调度方法 | |
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 | |
CN110286648B (zh) | 一种响应动态扰动的并行多目标加工参数优化方法 | |
CN108717289B (zh) | 一种流水线布局优化方法 |
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 |