CN116757411A - 一种面向航天复杂构件的双资源柔性作业车间调度方法 - Google Patents
一种面向航天复杂构件的双资源柔性作业车间调度方法 Download PDFInfo
- Publication number
- CN116757411A CN116757411A CN202310702108.4A CN202310702108A CN116757411A CN 116757411 A CN116757411 A CN 116757411A CN 202310702108 A CN202310702108 A CN 202310702108A CN 116757411 A CN116757411 A CN 116757411A
- Authority
- CN
- China
- Prior art keywords
- individual
- sequence
- machine
- worker
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 167
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 230000002068 genetic effect Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 49
- 108090000623 proteins and genes Proteins 0.000 claims description 35
- 230000001174 ascending effect Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000011423 initialization method Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000003754 machining Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 101150106690 R1 gene Proteins 0.000 claims description 2
- 210000000349 chromosome Anatomy 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 3
- 108091026890 Coding region Proteins 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06316—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
- G06Q50/00—Systems or methods specially adapted for 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种面向航天复杂构件的双资源柔性作业车间调度方法,采用改进文化基因算法求解调度模型,以最小化最大完工时间为目标函数,采用三层序列编码表示一个调度方案的工件、机器及工人信息;根据双资源约束的特性,设计一种扩展型插入式主动解码以提高算法的收敛速度;为增强算法的全局搜索能力,设计一种基于负载平衡的机器和工人再分配策略;对种群中的优秀个体使用改进变邻域搜索策略以提高算法的局部寻优能力;最后利用扩展随机算例以及某航天复杂构件的实际生产案例进行仿真实验,验证算法求解双资源约束调度问题的有效性。
Description
技术领域
本发明涉及车间生产调度优化技术领域,尤其是一种面向航天复杂构件的双资源柔性作业车间调度方法。
背景技术
生产调度作为企业日常活动的重要一环,是提高生产效率的关键。柔性作业车间调度问题(Flexible Job-shop Scheduling Problem,FJSP)作为经典的生产调度问题,近年来也得到了广泛关注,其研究成果在钢铁、纺织、电子、机械等行业的车间生产中得到了广泛应用。双资源约束柔性作业车间调度问题(Dual Resource Constrained FlexibleJob-shop Scheduling Problem,DRCFJSP)作为柔性作业车间调度问题的一种延伸,更贴近高精度产品的实际生产。FJSP只考虑机器的约束,而在实际的制造车间中,除了机器约束,还需考虑工人对加工过程的影响,通过工人与机器的协同加工,来实现产品的高质量生产,尤其是在如航空构件的精细产品生产中,必须融入人工才能完成产品加工。
文化基因算法也称作模因算法(Memetic Algorithm,MA),最早由Pablo Moscato于1989年提出,其实质是一种将种群的全局搜索与个体的局部搜索相结合的算法,相比于遗传算法,该算法增加了局部搜索,提高了搜索效率,在组合优化问题上有着广泛的应用,MA具有结构简便,适应性强等的特点,可以针对模型的特性采用不同的启发式策略,但传统MA在求解双资源约束的柔性作业车间调度的模型时,仍存在收敛性能不足的缺陷,使得调度解易陷入局部最优。
发明内容
本发明所要解决的技术问题在于,提供一种面向航天复杂构件的双资源柔性作业车间调度方法,该方法以文化基因算法为基础,并针对双资源约束的模型特点,进行了改进,设计了一种基于负载平衡的再分配策略,有效提高算法的全局搜索能力,并采用改进的变邻域搜索,平衡了算法的全局搜索能力与局部搜索能力。
为解决上述技术问题,本发明提供一种面向航天复杂构件的双资源柔性作业车间调度方法,包括如下步骤:
步骤1、建立由工人和机器双资源约束的柔性作业车间调度模型;
步骤2、确定改进文化基因算法的参数,其中包括种群数量popsize、最大迭代次数maxgen、交叉概率pc以及变异概率pm;
步骤3、由双资源约束柔性作业车间所有工件的加工数据构建工序排序(Operation Sequencing,OS)、机器选择(Machine Selection,MS)和工人选择(WorkerSelection,WS)三层基因序列,将这三层基因序列作为个体,并使用GLR混合初始化生成初始种群;
步骤4、对初始种群中的每个个体采用考虑工人与机器共同空闲的扩展型插入式主动解码,生成主动调度方案,并记录所有个体的适应度值,保存最优个体;
步骤5、根据适应度值,对种群中的个体采用锦标赛选择;
步骤6、对步骤5中的个体实施遗传算法的交叉操作,并进行同步解码,更新最优个体;
步骤7、对步骤6中的个体实施遗传算法的变异操作,并进行同步解码,更新最优个体;
步骤8、对步骤7中的个体实施基于负载平衡的机器再分配操作;
步骤9、对步骤8中的个体实施基于负载平衡的工人再分配操作;
步骤10、将步骤9中的个体按适应度值升序排序,对前10%的精英个体实施改进的变邻域搜索,记录当代最优个体;
步骤11、判断是否达到设置的迭代次数,若否,则重复步骤5-10,若是,则将种群中适应度值最高的个体作为最优个体输出,并同步输出最优个体的机器甘特图与工人甘特图。
优选的,步骤1中,双资源约束柔性作业车间调度模型具体为:w个工人操作m台机器对n个工件进行加工,任意工件Ji都由确定的ηi道工序组成,每一道工序存在一个可选机器集,每个机器存在一个可选工人集,工序在其可选择的加工机器中选择一台后,还需在该机器对应的工人集中选择一名操作工人,当两种柔性资源分配完毕后,工序才能进行加工,使用不同的机器和工人,会使得同一工序的加工时间不同,调度模型的目标函数为最大完工时间最小,其数学描述如下:
其中,Ci表示工件Ji的完成时间,n为工件的总数;
表示DRCFJSP的目标函数是所有工件最大完工时间的最小值;/>表示工件的加工过程不可中断;表示同一工件中的工序存在先后顺序约束;表示同一台机器在任意一个时刻只能加工一个工件;/>表示同一个工人在任意一个时刻只能加工一个工件;/>表示任意一道工序只能由一名工人在一台机器上操作;/>表示任意工序的开工时间与完工时间均大于等于0;其中,n表示工件总数,m表示机器总数,w表示工人总数,ηi表示第i个工件的工序总数Oij表示第i个工件的第j道工序,k表示第k个机器,l表示第l名工人,STij表示工序Oij开工时间,CTij表示工序Oij完工时间,α表示一个足够大的整数,Xijkl=1表示工序Oij在机器k上由工人l加工,Yijkl=1表示工序Oij与Oi'j'在机器k上加工且工序Oi'j'先于Oij加工,Zijkl=1表示工序Oij与Oi'j'由工人l加工且工序Oi'j'先于Oij加工。
优选的,步骤3中,初始化种群,OS编码采用随机选择的方式生成,MS序列和WS序列采用全局选择(Global Selection,GS)、局部选择(Local Selection,LS)与随机选择(Random Selection,RS)相结合的GLR初始化方法,三种初始化方法的使用比例为6:3:1。
优选的,步骤4中,采用三段式编码方式表达染色体信息,第一段为工序排序编码串(Operation Sequencing,OS),用于确定工件加工的先后顺序;第二段为机器选择编码串(Machine Selection,MS),表示工序分配到的加工机器;第三段为工人选择编码串(WorkerSelection,WS),表明工序所选择的加工工人;同时采用考虑机器与工人共同空闲的扩展型插入式主动解码,将工序按是否为工人首工序,是否为机器首工序,是否为工序首工序进行区分,并分别采取不同的紧前调度,将个体的三段式编码生成对应的主动调度方案。
优选的,步骤5中,采用锦标赛选择作为算法的选择算子,从父代种群中随机选择三个个体,找出这三个个体中的最优个体进入交叉池,判断交叉池中的个体数量与父代种群一样,是则将交叉池作为子代种群输出。
优选的,步骤6中,对单个个体的不同基因序列采取不同的交叉方式,对于OS序列采用改进的基于工件优先顺序的交叉(Improved Precedence Operation Crossover,IPOX),MS序列及WS序列均使用随机概率交叉(Random Probability Crossover,RPX)。
优选的,步骤7中,对于OS序列,采用互换变异的方式,随机选择父代个体P1中的两个基因位,互换基因位上的元素,将互换后的个体作为子代个体C输出;对于MS序列及WS序列,采用最小加工时间变异,首先,随机选择父代个体P1中的r1个基因位,依次找出基因位上加工时间最短的机器和工人组合,并更新MS序列及WS序列,将更新后的个体作为子代个体C1输出。
优选的,步骤8中,机器再分配操作(Machine Redistribution,MR)是指遍历个体中所有工序的机器使用情况,计算出每个机器的负载率Mload(k),找出负载率最高的机器,随机选择一道由该机器加工的工序Ocd,判断Ocd是否存在除负载率最高机器以外的其他可选机器,若不存在,则重新选择一道工序,反之,则将这些机器按负载率升序排序并依次更新MS序列,同时基于加工时间最短原则更新WS序列对应的基因位,得出新个体,对比新个体与原个体的最大完工时间,优则替换;
优选的,步骤9中,工人再分配操作(Worker Redistribution,WR)的执行思路与MR类似,计算每个工人的负载率Wload(l),找出负载率最高的工人,随机选择一道由该工人加工的工序Ocd,判断Ocd是否存在除负载率最高工人以外的其他可选工人,若不存在,则重新选择工序,反之,则将这些工人按负载率升序排序并依次更新WS序列,同时选择工人可操作的加工时间最短的机器更新MS序列,得出新个体,对比新个体与原个体的最大完工时间,优则替换;
优选的,步骤10中,设置局部搜索最大迭代次数,对种群中前10%的精英个体采用改进变邻域搜索,该变邻域搜索采用阈值法实现,其邻域结构设计采用随机搜索与关键路径搜索相结合的方式,在提升个体质量的同时改进搜索个体的分布性,一共具有四种邻域结构;
(1)邻域结构N1:依次遍历关键路径上的每道工序,确定工序的可选机器集与可选工人集,判断是否有机器和工人组合存在共同空闲时段使得该工序进行左移插入,若有,则替换当前工序的机器和工人,按上述操作更新个体的MS及WS序列,在遍历完成后将个体输出;
(2)邻域结构N2:确定随机数r2,r2∈[3,5],随机选择OS序列中的r2个基因位,提取选中基因位中的元素进行全排列,将每一种排列组合依次放入选中的基因位中形成一个新个体,选择其中最优的个体输出;
(3)邻域结构N3:依次遍历关键路径中的每一个关键块,在满足工序约束的前提下,对不同位置的关键块执行不同的操作,对于首关键块,交换块尾两道工序的加工顺序;对于中间关键块,交换块首两道工序以及块尾两道工序的加工顺序;对于尾关键块,交换块首两道工序的加工顺序,根据上述操作更新OS序列,并将更新后的个体输出;
(4)邻域结构N4:设置该邻域结构的最大迭代次数为Gmax,令g=1,随机选择OS序列上的一个基因位,若该位置的元素与前一元素不同,则交换两个元素的位置,反之,则交换其与后一元素的位置,形成新个体,将新个体与原个体进行对比,优则替换,g=g+1,若g>Gmax,则将个体输出。
本发明的有益效果为:本发明设计了一种基于负载平衡的再分配策略,通过对柔性资源进行负载计算,提取负载最大柔性资源上的工序,并对工序的机器和工人进行二次分配,避免了种群迭代中出现个体的单个柔性资源负载极大的情况,有效均衡了各柔性资源的负载,提高了算法的全局搜索能力,并采用改进的变邻域搜索,将基于关键路径搜索的邻域与随机搜索邻域相结合,在保证搜索效率的前提下,扩大了精英个体的搜索空间,防止种群过早陷入局部最优,提升了算法的局部搜索能力。两种策略相结合,既平衡了算法的全局搜索能力与局部搜索能力,同时使得算法的收敛性能得到了加强。
附图说明
图1为本发明的编码实例示意图。
图2(a)为本发明的扩展型插入式主动解码示意图。
图2(b)为本发明的扩展型插入式主动解码示意图。
图2(c)为本发明的扩展型插入式主动解码示意图。
图3为本发明的IPOX交叉示意图。
图4为本发明的RPX交叉示意图。
图5为本发明的互换变异示意图。
图6为本发明的最小加工时间变异示意图。
图7为本发明的算法流程示意图。
图8为本发明的生产实例设备甘特图。
图9为本发明的生产实例工人甘特图。
具体实施方式
一种面向航空复杂构件的双资源柔性作业车间调度方法,它改进了传统文化基因算法,增加了基于负载平衡的再分配策略,同时采用随机搜索与关键路径搜索结合的变邻域搜索策略改进局部搜索算子,算法流程图如图7所示,它包括以下步骤:
步骤1:建立由工人和机器双资源约束的柔性作业车间调度模型;
步骤2:确定算法参数,其中包括种群数量popsize、最大迭代次数maxgen、交叉概率pc以及变异概率pm。
步骤3:由双资源约束柔性作业车间所有工件的加工数据构建工序排序(OS)、机器选择(MS)和工人选择(WS)三层基因序列,将这三层基因序列作为个体,并使用GLR混合初始化生成初始种群;
步骤4:对种群中的每个个体采用考虑工人与机器共同空闲的扩展型插入式主动解码,生成主动调度方案,并记录所有个体的适应度值,保存最优个体;
步骤5:根据适应度值,对种群中的个体采用锦标赛选择;
步骤6:对步骤5中的个体实施遗传算法的交叉操作,并进行同步解码,更新最优个体;
步骤7:对步骤6中的个体实施遗传算法的变异操作,并进行同步解码,更新最优个体;
步骤8:对步骤7中的个体实施基于负载平衡的机器再分配操作;
步骤9:对步骤8中的个体实施基于负载平衡的工人再分配操作;
步骤10:将步骤9中的个体按适应度值升序排序,对前10%的精英个体实施改进的变邻域搜索,记录当代最优个体;
步骤11:判断是否达到设置的迭代次数,若否,则重复步骤5-10,若是,则将种群中适应度值最高的个体作为最优个体输出,并同步输出最优个体的机器甘特图与工人甘特图。
最终该算法求解生产实例所生成的调度方案可得出对应的机器甘特图如图8所示,其中纵坐标表示设备号,横坐标表示加工时间,符号“5-2-5”表示工件5的第2道工序由工人5加工,工人甘特图如图9所示,其中纵坐标表示工人号,横坐标表示加工时间,符号“5-1-6”表示工件5的第1道工序由机器6完成。
编码格式:本发明采用三段式编码来表示个体的信息,分别为OS,MS,WS共三种不同的基因序列。图1中OS部分表示工序编码序列,每个基因位中的元素表示工件号,同一元素出现的不同次数表示同一工件中的不同工序。MS部分表示机器编码序列,每个基因位表示所有工序顺序排列后每道工序对应的加工机器,基因位中的元素表示机器号。WS部分表示工人编码序列,每个基因位表示所有工序顺序排列后每道工序对应加工机器的操作工人,基因位中的元素表示工人号。
解码格式:本发明基于贪婪解码思想,同时考虑工序约束、机器约束和工人约束,设计了一种扩展型插入式主动解码,解码过程具体为依次遍历OS序列上的工序,并从MS序列和WS序列上提取工序对应的加工机器和工人,依据工序在机器和工人上的加工顺位区分为四种情况,并分别进行不同的操作。第一种情况为工序是机器和工人的首道工序,直接采用被动调度;第二种情况为工序是工人的首道工序非机器的首道工序,对此工序进行紧前左移插入,过程如图2(a)所示;第三种情况为工序是机器的首道工序非工人的首道工序,考虑工人空闲后对工序进行紧前左移插入,过程如图2(b)所示;最后一种情况为工序既不是机器的首道工序,也不是工人的首道工序,考虑工人与机器的空闲后实施紧前左移插入,过程如图2(c)所示,当OS序列上的所有工序遍历完成后,即可生成对应的调度方案。以图2(a)为例,横坐标表示加工时间,纵坐标表示机器号,其中的符号“3-1-2”表示工件3的第1道工序由工人2加工。
航空复杂构件生产实例:生产车间有6名工人,8台设备,分为4个设备组,每组对应的设备与工人均不同,且不同工人的技能水平不同,工人W1至W6的效率系数分别为(1;1.1;0,9;1.15;0.8;0.95),工序的实际加工时间为设备加工时间与工人效率系数的乘积。该生产车间需加工8个航空结构件,每个结构件的工艺流程各不相同,具体工序及设备加工信息如表1和表2所示。
表1工序的可选机器与工人信息
表2工件加工信息
混合初始化:本发明的OS序列采用随机选择的方式生成,MS序列和WS序列采用全局选择、局部选择与随机选择相结合的GLR初始化方法,三种初始化方法的使用比例为6:3:1。
选择方式:本发明采用锦标赛选择作为算法的选择算子。从父代种群中随机选择三个个体,找出这三个个体中的最优个体进入交叉池,判断交叉池中的个体数量与父代种群一样,是则将交叉池作为子代种群输出。
交叉方式:本发明对OS序列采用改进的基于工件优先顺序的交叉IPOX,操作过程如图3所示。在种群中随机选择两个个体作为父代个体P1、P2并初始化子代个体C1、C2,将工件集J随机分成两个子集Job1和Job2,把父代P1中包含Job1的工件放入子代C1中,把父代P2中包含Job2的工件放入子代C2中,保持位置不变,把父代P1中包含Job2的工件放入子代C2中,把父代P2中包含Job1的工件放入子代C1中,保持顺序不变。本发明的MS序列及WS序列均使用随机概率交叉RPX,执行过程如图4所示。生成一个长度为工序总数,数值为0或1的随机数数组R1,遍历随机数组中的每个数值,若值为0,父代个体P1对应基因位的数值赋值进子代个体C1,父代个体P2对应基因位的数值赋值进子代个体C2,若值为1,父代个体P1对应基因位的数值赋值进子代个体C2,父代个体P2对应基因位的数值赋值进子代个体C1。
变异方式:本发明对OS序列采用互换变异的方式,以增加种群多样性,如图5所示。随机选择个体P1中的两个位置,互换两个位置的数值后输出个体。对于MS序列及WS序列,本发明采用最小加工时间变异,如图6所示。在个体P1中随机选择r1个变异基因位,找出变异基因位上加工时间最短的机器和工人,并更新MS序列及WS序列。
机器再分配:是指在负载率最高的机器上随机选择一道工序,按负载率升序排序为该工序重新选择加工机器并依次更新MS序列,同时基于加工时间最短原则更新WS序列对应的基因位,得出新个体,对比新个体与原个体的最大完工时间,优则替换。
工人再分配:是指在负载率最高的工人上随机选择一道由工序,按负载率升序排序为该工序重新选择加工工人并依次更新WS序列,同时选择工人可操作的加工时间最短的机器更新MS序列,得出新个体,对比新个体与原个体的最大完工时间,优则替换。
变邻域搜索:本发明对VNS算子的邻域结构进行改进,采用基于关键路径搜索与随机搜索相结合的方法,设计了四种不同的邻域结构,具体如下:
邻域结构N1:依次遍历关键路径上的每道工序,确定工序的可选机器集与可选工人集,判断是否有机器和工人组合存在共同空闲时段使得该工序进行左移插入,若有,则替换当前工序的机器和工人。按上述操作更新个体的MS及WS序列,在遍历完成后将个体输出。
邻域结构N2:确定随机数r2,r2∈[3,5],随机选择OS序列中的r2个基因位,提取选中基因位中的元素进行全排列,将每一种排列组合依次放入选中的基因位中形成一个新个体,选择其中最优的个体输出。
邻域结构N3:依次遍历关键路径中的每一个关键块,在满足工序约束的前提下,对不同位置的关键块执行不同的操作。对于首关键块,交换块尾两道工序的加工顺序;对于中间关键块,交换块首两道工序以及块尾两道工序的加工顺序;对于尾关键块,交换块首两道工序的加工顺序。根据上述操作更新OS序列,并将更新后的个体输出。
邻域结构N4:设置该邻域结构的最大迭代次数为Gmax,令g=1,随机选择OS序列上的一个基因位,若该位置的元素与前一元素不同,则交换两个元素的位置,反之,则交换其与后一元素的位置,形成新个体。将新个体与原个体进行对比,优则替换,g=g+1,若g>Gmax,则将个体输出。
VNS算子搜索步骤具体如下:
Step1:设置变邻域搜索最大迭代次数为Qmax,并初始化其迭代次数q=1。
Step2:若q<=Qmax,转Step3,反之,转Step6。
Step3:定义4个邻域结构N(i),(i=1,2,3,4),并令i=1。
Step4:将精英个体x带入邻域结构N(i)中进行搜索,若得出的解x’优于x,则令x=x’,i=1,反之,则令i=i+1。
Step5:若i<=4,则返回Step3,反之则令i=1,q=q+1,再返回Step2。
Step6:输出精英个体x。
Claims (10)
1.一种面向航天复杂构件的双资源柔性作业车间调度方法,其特征在于,包括如下步骤:
步骤1、建立由工人和机器双资源约束的柔性作业车间调度模型;
步骤2、确定改进文化基因算法的参数,其中包括种群数量popsize、最大迭代次数maxgen、交叉概率pc以及变异概率pm;
步骤3、由双资源约束柔性作业车间所有工件的加工数据构建工序排序OS、机器选择MS和工人选择WS三层基因序列,将这三层基因序列作为个体,并使用GLR混合初始化生成初始种群;
步骤4、对初始种群中的每个个体采用考虑工人与机器共同空闲的扩展型插入式主动解码,生成主动调度方案,并记录所有个体的适应度值,保存最优个体;
步骤5、根据适应度值,对种群中的个体采用锦标赛选择;
步骤6、对步骤5中的个体实施遗传算法的交叉操作,并进行同步解码,更新最优个体;
步骤7、对步骤6中的个体实施遗传算法的变异操作,并进行同步解码,更新最优个体;
步骤8、对步骤7中的个体实施基于负载平衡的机器再分配操作;
步骤9、对步骤8中的个体实施基于负载平衡的工人再分配操作;
步骤10、将步骤9中的个体按适应度值升序排序,对前10%的精英个体实施改进的变邻域搜索,记录当代最优个体;
步骤11、判断是否达到设置的迭代次数,若否,则重复步骤5-10,若是,则将种群中适应度值最高的个体作为最优个体输出,并同步输出最优个体的机器甘特图与工人甘特图。
2.如权利要求1所述的面向航天复杂构件的双资源柔性作业车间调度方法,其特征在于,步骤1中,双资源约束柔性作业车间调度模型具体为:w个工人操作m台机器对n个工件进行加工,任意工件Ji都由确定的ηi道工序组成,每一道工序存在一个可选机器集,每个机器存在一个可选工人集,工序在其可选择的加工机器中选择一台后,还需在该机器对应的工人集中选择一名操作工人,当两种柔性资源分配完毕后,工序才能进行加工,使用不同的机器和工人,会使得同一工序的加工时间不同,调度模型的目标函数为最大完工时间最小,其数学描述如下:
其中,Ci表示工件Ji的完成时间,n为工件的总数;
表示DRCFJSP的目标函数是所有工件最大完工时间的最小值;/>表示工件的加工过程不可中断;表示同一工件中的工序存在先后顺序约束;表示同一台机器在任意一个时刻只能加工一个工件;/>表示同一个工人在任意一个时刻只能加工一个工件;/>表示任意一道工序只能由一名工人在一台机器上操作;/>表示任意工序的开工时间与完工时间均大于等于0;其中,n表示工件总数,m表示机器总数,w表示工人总数,ηi表示第i个工件的工序总数Oij表示第i个工件的第j道工序,k表示第k个机器,l表示第l名工人,STij表示工序Oij开工时间,CTij表示工序Oij完工时间,α表示一个足够大的整数,Xijkl=1表示工序Oij在机器k上由工人l加工,Yijkl=1表示工序Oij与Oi'j'在机器k上加工且工序Oi'j'先于Oij加工,Zijkl=1表示工序Oij与Oi'j'由工人l加工且工序Oi'j'先于Oij加工。
3.如权利要求1所述的面向航天复杂构件的双资源柔性作业车间调度方法,其特征在于,步骤3中,初始化种群,OS编码采用随机选择的方式生成,MS序列和WS序列采用全局选择GS、局部选择LS与随机选择RS相结合的GLR初始化方法,三种初始化方法的使用比例为6:3:1。
4.如权利要求1所述的面向航天复杂构件的双资源柔性作业车间调度方法,其特征在于,步骤4中,采用三段式编码方式表达染色体信息,第一段为工序排序编码串OS,用于确定工件加工的先后顺序;第二段为机器选择编码串MS,表示工序分配到的加工机器;第三段为工人选择编码串WS,表明工序所选择的加工工人;同时采用考虑机器与工人共同空闲的扩展型插入式主动解码,将工序按是否为工人首工序,是否为机器首工序,是否为工序首工序进行区分,并分别采取不同的紧前调度,将个体的三段式编码生成对应的主动调度方案。
5.如权利要求1所述的面向航天复杂构件的双资源柔性作业车间调度方法,其特征在于,步骤5中,采用锦标赛选择作为算法的选择算子,从父代种群中随机选择三个个体,找出这三个个体中的最优个体进入交叉池,判断交叉池中的个体数量与父代种群一样,是则将交叉池作为子代种群输出。
6.如权利要求1所述的面向航天复杂构件的双资源柔性作业车间调度方法,其特征在于,步骤6中,对单个个体的不同基因序列采取不同的交叉方式,对于OS序列采用改进的基于工件优先顺序的交叉IPOX,MS序列及WS序列均使用随机概率交叉RPX。
7.如权利要求1所述的面向航天复杂构件的双资源柔性作业车间调度方法,其特征在于,步骤7中,对于OS序列,采用互换变异的方式,随机选择父代个体P1中的两个基因位,互换基因位上的元素,将互换后的个体作为子代个体C输出;对于MS序列及WS序列,采用最小加工时间变异,首先,随机选择父代个体P1中的r1个基因位,依次找出基因位上加工时间最短的机器和工人组合,并更新MS序列及WS序列,将更新后的个体作为子代个体C1输出。
8.如权利要求1所述的面向航天复杂构件的双资源柔性作业车间调度方法,其特征在于,步骤8中,机器再分配操作MR是指遍历个体中所有工序的机器使用情况,计算出每个机器的负载率Mload(k),找出负载率最高的机器,随机选择一道由该机器加工的工序Ocd,判断Ocd是否存在除负载率最高机器以外的其他可选机器,若不存在,则重新选择一道工序,反之,则将这些机器按负载率升序排序并依次更新MS序列,同时基于加工时间最短原则更新WS序列对应的基因位,得出新个体,对比新个体与原个体的最大完工时间,优则替换;
9.如权利要求1所述的面向航天复杂构件的双资源柔性作业车间调度方法,其特征在于,步骤9中,工人再分配操作WR的执行思路与MR类似,计算每个工人的负载率Wload(l),找出负载率最高的工人,随机选择一道由该工人加工的工序Ocd,判断Ocd是否存在除负载率最高工人以外的其他可选工人,若不存在,则重新选择工序,反之,则将这些工人按负载率升序排序并依次更新WS序列,同时选择工人可操作的加工时间最短的机器更新MS序列,得出新个体,对比新个体与原个体的最大完工时间,优则替换;
10.如权利要求1所述的面向航天复杂构件的双资源柔性作业车间调度方法,其特征在于,步骤10中,设置局部搜索最大迭代次数,对种群中前10%的精英个体采用改进变邻域搜索,该变邻域搜索采用阈值法实现,其邻域结构设计采用随机搜索与关键路径搜索相结合的方式,在提升个体质量的同时改进搜索个体的分布性,一共具有四种邻域结构;
(1)邻域结构N1:依次遍历关键路径上的每道工序,确定工序的可选机器集与可选工人集,判断是否有机器和工人组合存在共同空闲时段使得该工序进行左移插入,若有,则替换当前工序的机器和工人,按上述操作更新个体的MS及WS序列,在遍历完成后将个体输出;
(2)邻域结构N2:确定随机数r2,r2∈[3,5],随机选择OS序列中的r2个基因位,提取选中基因位中的元素进行全排列,将每一种排列组合依次放入选中的基因位中形成一个新个体,选择其中最优的个体输出;
(3)邻域结构N3:依次遍历关键路径中的每一个关键块,在满足工序约束的前提下,对不同位置的关键块执行不同的操作,对于首关键块,交换块尾两道工序的加工顺序;对于中间关键块,交换块首两道工序以及块尾两道工序的加工顺序;对于尾关键块,交换块首两道工序的加工顺序,根据上述操作更新OS序列,并将更新后的个体输出;
(4)邻域结构N4:设置该邻域结构的最大迭代次数为Gmax,令g=1,随机选择OS序列上的一个基因位,若该位置的元素与前一元素不同,则交换两个元素的位置,反之,则交换其与后一元素的位置,形成新个体,将新个体与原个体进行对比,优则替换,g=g+1,若g>Gmax,则将个体输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310702108.4A CN116757411A (zh) | 2023-06-13 | 2023-06-13 | 一种面向航天复杂构件的双资源柔性作业车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310702108.4A CN116757411A (zh) | 2023-06-13 | 2023-06-13 | 一种面向航天复杂构件的双资源柔性作业车间调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116757411A true CN116757411A (zh) | 2023-09-15 |
Family
ID=87960205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310702108.4A Pending CN116757411A (zh) | 2023-06-13 | 2023-06-13 | 一种面向航天复杂构件的双资源柔性作业车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757411A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196271A (zh) * | 2023-11-08 | 2023-12-08 | 北京理工大学 | 一种柔性车间异构机器人双效调度方法 |
-
2023
- 2023-06-13 CN CN202310702108.4A patent/CN116757411A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196271A (zh) * | 2023-11-08 | 2023-12-08 | 北京理工大学 | 一种柔性车间异构机器人双效调度方法 |
CN117196271B (zh) * | 2023-11-08 | 2024-02-13 | 北京理工大学 | 一种柔性车间异构机器人双效调度方法 |
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 | |
CN111242503B (zh) | 一种基于两层遗传算法的多目标柔性作业车间调度方法 | |
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 | |
CN110070235B (zh) | 一种多移动机器人的柔性调度方法 | |
CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
CN112580922B (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 | |
CN113610233A (zh) | 一种基于改进遗传算法的柔性作业车间调度方法 | |
CN116757411A (zh) | 一种面向航天复杂构件的双资源柔性作业车间调度方法 | |
CN111798120A (zh) | 基于改进人工蜂群算法的柔性作业车间调度方法 | |
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 | |
CN111966049B (zh) | 一种混合流水车间生产设备调度控制方法 | |
CN116466659A (zh) | 一种基于深度强化学习的分布式装配流水车间调度方法 | |
CN113988396A (zh) | 一种基于nsga-iii算法的工序排序多目标优化方法 | |
CN101256648A (zh) | 一种应用在生产排程系统的基于订单结构的遗传操作算子 | |
CN115130789A (zh) | 一种基于改进灰狼优化算法的分布式制造智能调度方法 | |
CN108053152A (zh) | 基于多色集合的改进遗传算法求解动态车间调度的方法 | |
CN114912346A (zh) | 基于学习能力的技能规划配置和车间调度集成优化方法 | |
CN115169799A (zh) | 一种多目标柔性作业车间多重动态调度方法及系统 | |
CN113139720B (zh) | 一种具有学习效应的铸造车间生产调度优化方法 | |
CN113689066A (zh) | 一种基于nsga-ii算法的物联网车间调度方法 | |
CN112990716A (zh) | 一种双资源约束柔性车间调度和布局集成优化方法及系统 | |
CN112926837A (zh) | 基于数据驱动改进遗传算法求解作业车间调度问题的方法 | |
CN111665799A (zh) | 一种基于协同算法的时间约束型并行机节能调度方法 | |
CN114676987A (zh) | 一种基于超启发式算法的智能柔性作业车间主动调度方法 | |
CN108873850A (zh) | 一种机械制造自动化生产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 |