CN116882693A - 一种分布式置换流水车间调度方法、设备及介质 - Google Patents
一种分布式置换流水车间调度方法、设备及介质 Download PDFInfo
- Publication number
- CN116882693A CN116882693A CN202310896579.3A CN202310896579A CN116882693A CN 116882693 A CN116882693 A CN 116882693A CN 202310896579 A CN202310896579 A CN 202310896579A CN 116882693 A CN116882693 A CN 116882693A
- Authority
- CN
- China
- Prior art keywords
- drosophila
- optimal
- individuals
- population
- generating
- 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 70
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 270
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000000007 visual effect Effects 0.000 claims abstract description 19
- 241000255588 Tephritidae Species 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 230000003631 expected effect Effects 0.000 claims description 6
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 16
- 230000007246 mechanism Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008786 sensory perception of smell Effects 0.000 description 2
- 241001334134 Rugopharynx epsilon Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种分布式置换流水车间方法、设备及介质,方法包括:基于待加工工件集合,随机生成预设数量个初始加工位置,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群;其中,果蝇个体为待加工工件;引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体;引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群,进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体;根据所述最优果蝇群体,生成所述待加工工件集合在多个流水车间的最优调度方案,以使所述待加工工件集合的总流经时间最小。提高了分布式置换流水车间调度效率,最终提高了制造业生产效率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及一种分布式置换流水车间调度方法、设备及介质。
背景技术
随着客户需求的多样化和经济全球化的快速发展,生产制造企业面临的市场竞争压力越来越大。为了提高生产效益、降级生产成本,生产制造企业将传统的集中式生产调度扩展到分布式环境中,在不同的地理位置建立多个工厂。
分布式置换流水车间调度问题,作为一种分布式生产调度,需要同时处理工厂间的分配和工厂内的工件调度,以达到某个目标的最优,但是,没有高效合理地方案对分布式置换流水车间进行调度。
发明内容
本申请实施例提供一种分布式置换流水车间调度方法、设备及介质,用于解决没有高效合理地方案对分布式置换流水车间进行调度的问题。
本申请实施例采用下述技术方案:
一方面,本申请实施例提供了一种分布式置换流水车间调度方法,该方法包括:基于待加工工件集合,随机生成预设数量个初始加工位置,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群;其中,果蝇个体为待加工工件;引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体;引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群,进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体;根据所述最优果蝇群体,生成所述待加工工件集合在多个流水车间的最优调度方案,以使所述待加工工件集合的总流经时间最小。
一个示例中,所述引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体,具体包括:通过引导多个果蝇个体分别进行嗅觉搜索,随机生成各果蝇个体对应的一个随机数值;所述随机数位于预先设定的数值区间;若所述随机数值小于预设阈值,则根据移位算子Shift-based生成相应果蝇个体的领域解;若所述随机数大于或等于所述预设阈值,则根据交叉算子Exhange-based生成相应果蝇个体的领域解;选择领域解的数值最大的果蝇个体作为最优果蝇个体。
一个示例中,所述引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,得到更新果蝇种群,具体包括:引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,得到初始更新果蝇群体;将所述初始更新果蝇群体与所述初始果蝇种群进行组合,得到组合果蝇种群;引导所述组合果蝇种群中的果蝇个体进行嗅觉搜索与视觉飞行,得到更新果蝇种群。
一个示例中,所述引导所述初始种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群之后,所述方法还包括:基于所述更新果蝇种群,生成所述待加工工件在插入目标流水车间的多个加工位置时,所对应的多个目标值;确定相同目标值对应的若干位置;在预先构建的相同目标值的参考局部搜索方案集合中,随机选择一个参考局部搜索方案对所述若干位置进行参考局部搜索,得到搜索效果;若所述搜索效果未达到预期效果,则对参考局部搜索过程进行回溯,重新随机选择一个参考局部搜索方案,直至所述搜索效果达到预期效果,则停止回溯,得到所述待加工工件的最优目标值,以生成所述更新果蝇种群中每个果蝇个体的最优目标值。
一个示例中,所述以生成所述更新果蝇种群中每个果蝇个体的最优目标值之后,方法还包括:确定所述最优果蝇个体的第一最优目标值,以及在所述更新果蝇种群中,除了所述最优果蝇个体之外的剩余果蝇个体所对应的第二最优目标值;判断所述第一最优目标值是否高于所述第二最优目标值;若是,则在所述剩余果蝇个体中随机选择一个果蝇个体作为待强化果蝇个体;通过交换相对局部搜索对所述待强化果蝇个体进行增强,生成所述待强化果蝇个体的更新最优目标值。
一个示例中,所述通过交换相对局部搜索对所述待强化果蝇个体进行增强,生成所述待强化果蝇个体的更新最优目标值,具体包括:在多个流水车间中,选择流经时间最大的车间作为待改进车间;将所述待改进车间中所有果蝇个体与剩余车间的果蝇个体进行随机逐一交换;若所述待改进车间的流经时间变小,则在所述剩余车间中,重新选择流经时间最大的待改进车间,直至待改进车间的流经时间不再变小,则停止重新选择流经时间最大的待改进车间;查找所述待强化果蝇个体,确定所述待强化果蝇个体的更新最优目标值。
一个示例中,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群,具体包括:根据工件编码规则,通过初始加工位置将果蝇个体转换为工件序列;通过构造性启发式方法生成2个果蝇个体,通过随机方法生成预设数量个果蝇个体,以生成初始果蝇群体;所述方法还包括:通过顺序解码的方式,对所述工件序列进行解码。
一个示例中,所述进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体,具体包括:进入迭代寻优,判断迭代次数是否大于预设迭代阈值;若是,则确定到达迭代停止条件;若否,则确定未到达迭代停止条件。
另一方面,本申请实施例提供了一种分布式置换流水车间调度设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:基于待加工工件集合,随机生成预设数量个初始加工位置,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群;其中,果蝇个体为待加工工件;引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体;引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群,进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体;根据所述最优果蝇群体,生成所述待加工工件集合在多个流水车间的最优调度方案,以使所述待加工工件集合的总流经时间最小。
另一方面,本申请实施例提供了一种分布式置换流水车间调度非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:基于待加工工件集合,随机生成预设数量个初始加工位置,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群;其中,果蝇个体为待加工工件;引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体;引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群,进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体;根据所述最优果蝇群体,生成所述待加工工件集合在多个流水车间的最优调度方案,以使所述待加工工件集合的总流经时间最小。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
能够通过离散果蝇优化算法,对分布式置换流水车间进行高效地进行调度,从而使得待加工工件集合的总流经时间最小,实现了以最小化总流经时间,提高了分布式置换流水车间调度效率,最终提高了制造业生产效率。
附图说明
为了更清楚地说明本申请的技术方案,下面将结合附图来对本申请的部分实施例进行详细说明,附图中:
图1为本申请实施例提供的一种分布式置换流水车间调度方法的流程示意图;
图2为本申请实施例提供的一种分布式置换流水车间调度设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合具体实施例及相应的附图对本申请的技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面参照附图来对本申请的一些实施例进行详细说明。
图1为本申请实施例提供的一种分布式置换流水车间调度方法的流程示意图。该方法可以应用于不同的业务领域,该流程中的某些输入参数或者中间结果允许人工干预调节,以帮助提高准确性。
本申请实施例涉及的分析方法的实现可以为终端设备,也可以为服务器,本申请对此不作特殊限制。为了方便理解和描述,以下实施例均以服务器为例进行详细描述。
需要说明的是,该服务器可以是单独的一台设备,可以是有多台设备组成的系统,即,分布式服务器,本申请对此不做具体限定。
其中,分布式置换流水车间只有一条流水线,在一条流水线上运作,流水车间中所有工件的加工顺序一致。比如,在一条生产线上,n个工件按一定顺序在这条生产线的m台机器上进行加工,工件在各机器上的加工时间固定,每台机器一次只能加工一个工件,每个工件的加工顺序都一样。基于此,要想缩小完工时间,要减少关键路径上工序的等待时间或者加工时间。
图1中的流程包括以下步骤:
S101:基于待加工工件集合,随机生成预设数量个初始加工位置,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群;其中,果蝇个体为待加工工件。
需要说明的是,待加工工件集合包括属于同一工件类别的多个待加工工件。
在本申请的一些实施例中,编码对于离散果蝇优化算法问题是很重要且关键的步骤,采取基于工件序列的编码方式,比如,采用F个列表代表F个工厂,列表中包含的工件顺序表示分配到相应工厂的工件加工顺序。
其中,一个工厂包括多个流水车间,一个流水车间包括多台加工机器。
基于此,首先根据工件编码规则,通过初始加工位置,将果蝇个体转换为工件序列。然后通过构造性启发式方法生成2个果蝇个体,最后通过随机方法生成预设数量个果蝇个体,以生成初始果蝇群体。
可以理解的是,良好的初始果蝇种群质量以及丰富的多样性有利于离散果蝇优化算法的收敛。在初始化阶段,为了提高种群质量以及多样性。离散果蝇优化算法采用启发式方法为初始果蝇群体产生2个果蝇个体。同时为了保证种群的多样性,其余果蝇个体采用随机方式产生。
在本申请的一些实施例中,采用顺序解码的方式,对工件序列进行解码顺序,从工厂的第一个待加工工件开始调度,每个待加工工件按照从机器1、机器2、…、机器M的方式调度,从而一次从前到后计算该工厂内除了第一个待加工工件的其它待加工工件的加工时间。
S102:引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体。
在本申请的一些实施例中,在嗅觉搜索阶段,种群内果蝇个体主要通过邻域搜索进行更新。也就是说,每个待加工工件被分配在哪个工厂,该过程被视作为果蝇根据嗅觉阶段的搜索程序执行勘探任务。
其中,果蝇寻找食物源并产生一个新的邻域,则是指为待加工工件划定一个工厂区间,在工厂区间内一旦发现最合适的工厂,所有的工件都会集中到这里。此外,扰动算子所生成的邻域解是影响嗅觉索索阶段离散果蝇优化算法性能的关键。
基于此,采用基于Shift-based算子(移位算子)和Exchange-based算子(交叉算子)的混合。
具体地,通过引导多个果蝇个体分别进行嗅觉搜索,随机生成各果蝇个体对应的一个随机数值。随机数位于预先设定的数值区间。
若随机数值小于预设阈值,则根据Shift-based算子生成相应果蝇个体的领域解。
若随机数大于或等于预设阈值,则根据Exhange-based算子生成相应果蝇个体的领域解。
选择领域解的数值最大的果蝇个体作为最优果蝇个体。
比如,随机数值为r,r∈[0,1],如果r<0.5,则执行Shift-based算子,反之,则执行Exhange-based算子。
S103:引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群,进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体。
在本申请的一些实施例中,通常情况下,初始果蝇种群(工件邻域)在嗅觉搜索阶段后立即更新,所有的工件朝着当前工厂中最优果蝇个体飞行。如果在嗅觉阶段产生的所有邻域解均不如初始果蝇种群的最优果蝇个体,则放弃该邻域解,继续执行下一次迭代。但是,针对上述情况,一旦算法陷入局部最优的状态,则很难将搜索目标移动到新的有希望的邻域。另外,种群的多样性也会降低。
因此,本申请实施例设计了一种组合更新机制,无论嗅觉阶段后产生的邻域解是否优于初始果蝇种群的最优果蝇个体,都将嗅觉搜索阶段前后的所有方案进行组合,统一进行比较,选出最好的更新果蝇种群,进行下一次迭代。在该组合更新机制的作用下,运用组合更新机制后的解决方案与初始果蝇种群相比,具有更丰富的个体,这种机制有助于算法套多局部最优并且逐渐靠近更有潜力的邻域。
具体地,首先,引导初始果蝇种群中除了最优果蝇个体之外的其他果蝇个体向最优果蝇个体进行视觉飞行,得到初始更新果蝇群体。然后,将初始更新果蝇群体与初始果蝇种群进行组合,得到组合果蝇种群。最后,引导组合果蝇种群中的果蝇个体进行嗅觉搜索与视觉飞行,得到更新果蝇种群。
也就是说,相当于重新执行一遍S102与S103中涉及的嗅觉搜索过程以及视觉飞行过程,最后,取每个待加工工件的更新位置,作为更新果蝇种群中每个果蝇个体的更新位置。其中,更新果蝇种群仍然是S101中的待加工工件集合。
需要说明的是,除了最优果蝇个体对应的待加工工件之外,其余待加工工件位置在初始更新果蝇群体和初始果蝇群体中,是不相同的。通过组合更新机制,相当于将待加工工件集合中的每个待加工工件重新更新了在工厂的调度位置。
在本申请的一些实施例中,目前参考局部搜索方法有效地解决了总流经时间最小的分布式置换流水车间调度问题,在参考局部搜索算法中,根据参考集的工件调度顺序注意一处调度方案中的工件,并重新插入到所有工厂中最佳的位置,重复执行直接到所有工件均被移除过,并且调度方案无法进一步改进。
但是,在参考局部搜索方法搜索过程中,一个待加工工件被尝试插入多个位置后可能产生相同的目标值。只有第一个产生最优目标值的位置被保留,其他具有相同目标值的插入位置将被直接舍弃。这种方式可能会降低方案的多样性,甚至错过一个更有潜力的方案,本申请实施例通过引入回溯机制,改进参考局部搜索方法的性能。
回溯机制的原理为,存储多个产生相同目标值的方案,当按照某个方案进行探索后,效果不佳或无法到达一个理想状态,则回溯到起点,选择另一个方案继续执行,算法伪代码如下:
名称:改进的局部搜索
nCnt=0;j=0;isDiff=false;
while(nCnt<n)
从π中选择工件备选方案
基于此,基于更新果蝇种群,生成待加工工件在插入目标流水车间的多个加工位置时,所对应的多个目标值。然后,确定相同目标值对应的若干位置。最后,在预先构建的相同目标值的参考局部搜索方案集合中,随机选择一个参考局部搜索方案对若干位置进行参考局部搜索,得到搜索效果。然后,若搜索效果未达到预期效果,则对参考局部搜索过程进行回溯,重新随机选择一个参考局部搜索方案,直至搜索效果达到预期效果,则停止回溯,得到待加工工件的最优目标值,以生成更新果蝇种群中每个果蝇个体的最优目标值。
在本申请的一些实施例中,为了使离散果蝇优化算法在不降低种群多样性的情况下具有更强的搜索能力,提出一种随机增强方法来提高求解质量,增强种群多样性。经过嗅觉搜索阶段和组合更新机制后,若初始果蝇种群中最优果蝇个体的目标值高于目前更新果蝇种群发现的最优目标值,则随机选取种群中除最优果蝇个体外的另一只果蝇。利用基于交换的相对局部搜索方法对该个体进行增强。
基于此,首先,确定最优果蝇个体的第一最优目标值,以及在更新果蝇种群中,除了最优果蝇个体之外的剩余果蝇个体所对应的第二最优目标值。然后,判断第一最优目标值是否高于第二最优目标值。
若是,则在剩余果蝇个体中随机选择一个果蝇个体作为待强化果蝇个体。
通过交换相对局部搜索对所述待强化果蝇个体进行增强,生成待强化果蝇个体的更新最优目标值。
需要说明的是,若第一最优目标值低于或等于第二最优目标值,则不再选择待强化果蝇个体。
在本申请的一些实施例中,相对局部搜索方法将流经时间最大的工厂中所有待加工工件与剩余工厂逐一交换。若有改进,则从新的具有最大流经时间的工厂重新开始。当具有最大流经时间的工厂中所有待加工工件都已尝试与其他待加工工件交换,且不再改进时,相对局部搜索方法程序停止,算法伪代码如下:
基于此,在多个流水车间中,选择流经时间最大的车间作为待改进车间。然后,将待改进车间中所有果蝇个体与剩余车间的果蝇个体进行随机逐一交换。
若待改进车间的流经时间变小,则在剩余车间中,重新选择流经时间最大的待改进车间,直至待改进车间的流经时间不再变小,则停止重新选择流经时间最大的待改进车间。
从而,查找待强化果蝇个体,确定待强化果蝇个体的更新最优目标值。
在本申请的一些实施例中,在判断是否到达迭代停止条件时,进入迭代寻优,判断迭代次数是否大于预设迭代阈值。若是,则确定到达迭代停止条件。若否,则确定未到达迭代停止条件。
需要说明的是,在迭代一次时,则重新执行一次S102-S103。
S104:根据所述最优果蝇群体,生成所述待加工工件集合在多个流水车间的最优调度方案,以使所述待加工工件集合的总流经时间最小。
需要说明的是,虽然本申请实施例是参照图1来对步骤S101至步骤S104依次进行介绍说明的,但这并不代表步骤S101至步骤S104必须按照严格的先后顺序执行。本申请实施例之所以按照图1中所示的顺序对步骤S101至步骤S104依次进行介绍说明,是为了方便本领域技术人员理解本申请实施例的技术方案。换句话说,在本申请实施例中,步骤S101至步骤S104之间的先后顺序可以根据实际需要进行适当调整。
通过图1的方法,能够通过离散果蝇优化算法,对分布式置换流水车间进行高效地进行调度,从而使得待加工工件集合的总流经时间最小,实现了以最小化总流经时间,提高了分布式置换流水车间调度效率,最终提高了制造业生产效率。
进一步地,嗅觉搜索阶段采用Shift-based和Exchange-based混合算子的方法,平衡优化算法的探索能力和开采能力。
进一步地,参考局部搜索优化算法结合回溯机制,更好地处理具有相同目标值的位置。
进一步地,通过随机增强方法,提高了优化算法的求解质量,增强了种群的多样性。
基于同样的思路,本申请的一些实施例还提供了上述方法对应的设备和非易失性计算机存储介质。
图2为本申请实施例提供的一种分布式置换流水车间调度设备的结构示意图,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于待加工工件集合,随机生成预设数量个初始加工位置,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群;其中,果蝇个体为待加工工件;
引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体;
引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群,进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体;
根据所述最优果蝇群体,生成所述待加工工件集合在多个流水车间的最优调度方案,以使所述待加工工件集合的总流经时间最小。
本申请的一些实施例提供的一种分布式置换流水车间调度非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
基于待加工工件集合,随机生成预设数量个初始加工位置,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群;其中,果蝇个体为待加工工件;
引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体;
引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群,进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体;
根据所述最优果蝇群体,生成所述待加工工件集合在多个流水车间的最优调度方案,以使所述待加工工件集合的总流经时间最小。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请技术原理之内所作的任何修改、等同替换、改进等,均应落入本申请的保护范围之内。
Claims (10)
1.一种分布式置换流水车间调度方法,其特征在于,所述方法包括:
基于待加工工件集合,随机生成预设数量个初始加工位置,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群;其中,果蝇个体为待加工工件;
引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体;
引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群,进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体;
根据所述最优果蝇群体,生成所述待加工工件集合在多个流水车间的最优调度方案,以使所述待加工工件集合的总流经时间最小。
2.根据权利要求1所述的方法,其特征在于,所述引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体,具体包括:
通过引导多个果蝇个体分别进行嗅觉搜索,随机生成各果蝇个体对应的一个随机数值;所述随机数位于预先设定的数值区间;
若所述随机数值小于预设阈值,则根据移位算子Shift-based生成相应果蝇个体的领域解;
若所述随机数大于或等于所述预设阈值,则根据交叉算子Exhange-based生成相应果蝇个体的领域解;
选择领域解的数值最大的果蝇个体作为最优果蝇个体。
3.根据权利要求1所述的方法,其特征在于,所述引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,得到更新果蝇种群,具体包括:
引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,得到初始更新果蝇群体;
将所述初始更新果蝇群体与所述初始果蝇种群进行组合,得到组合果蝇种群;
引导所述组合果蝇种群中的果蝇个体进行嗅觉搜索与视觉飞行,得到更新果蝇种群。
4.根据权利要求1所述的方法,其特征在于,所述引导所述初始种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群之后,所述方法还包括:
基于所述更新果蝇种群,生成所述待加工工件在插入目标流水车间的多个加工位置时,所对应的多个目标值;
确定相同目标值对应的若干位置;
在预先构建的相同目标值的参考局部搜索方案集合中,随机选择一个参考局部搜索方案对所述若干位置进行参考局部搜索,得到搜索效果;
若所述搜索效果未达到预期效果,则对参考局部搜索过程进行回溯,重新随机选择一个参考局部搜索方案,直至所述搜索效果达到预期效果,则停止回溯,得到所述待加工工件的最优目标值,以生成所述更新果蝇种群中每个果蝇个体的最优目标值。
5.根据权利要求4所述的方法,其特征在于,所述以生成所述更新果蝇种群中每个果蝇个体的最优目标值之后,方法还包括:
确定所述最优果蝇个体的第一最优目标值,以及在所述更新果蝇种群中,除了所述最优果蝇个体之外的剩余果蝇个体所对应的第二最优目标值;
判断所述第一最优目标值是否高于所述第二最优目标值;
若是,则在所述剩余果蝇个体中随机选择一个果蝇个体作为待强化果蝇个体;
通过交换相对局部搜索对所述待强化果蝇个体进行增强,生成所述待强化果蝇个体的更新最优目标值。
6.根据权利要求5所述的方法,其特征在于,所述通过交换相对局部搜索对所述待强化果蝇个体进行增强,生成所述待强化果蝇个体的更新最优目标值,具体包括:
在多个流水车间中,选择流经时间最大的车间作为待改进车间;
将所述待改进车间中所有果蝇个体与剩余车间的果蝇个体进行随机逐一交换;
若所述待改进车间的流经时间变小,则在所述剩余车间中,重新选择流经时间最大的待改进车间,直至待改进车间的流经时间不再变小,则停止重新选择流经时间最大的待改进车间;
查找所述待强化果蝇个体,确定所述待强化果蝇个体的更新最优目标值。
7.根据权利要求1所述的方法,其特征在于,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群,具体包括:
根据工件编码规则,通过初始加工位置将果蝇个体转换为工件序列;
通过构造性启发式方法生成2个果蝇个体,通过随机方法生成预设数量个果蝇个体,以生成初始果蝇群体;
所述方法还包括:
通过顺序解码的方式,对所述工件序列进行解码。
8.根据权利要求1所述的方法,其特征在于,所述进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体,具体包括:
进入迭代寻优,判断迭代次数是否大于预设迭代阈值;
若是,则确定到达迭代停止条件;
若否,则确定未到达迭代停止条件。
9.一种分布式置换流水车间调度设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
基于待加工工件集合,随机生成预设数量个初始加工位置,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群;其中,果蝇个体为待加工工件;
引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体;
引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群,进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体;
根据所述最优果蝇群体,生成所述待加工工件集合在多个流水车间的最优调度方案,以使所述待加工工件集合的总流经时间最小。
10.一种分布式置换流水车间调度非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
基于待加工工件集合,随机生成预设数量个初始加工位置,根据所述初始加工位置,生成所述待加工工件集合的初始果蝇种群;其中,果蝇个体为待加工工件;
引导多个果蝇个体进行嗅觉搜索,得到最优果蝇个体;
引导所述初始果蝇种群中除了所述最优果蝇个体之外的其他果蝇个体向所述最优果蝇个体进行视觉飞行,生成更新果蝇种群,进入迭代寻优,直至到达迭代停止条件,得到最优果蝇群体;
根据所述最优果蝇群体,生成所述待加工工件集合在多个流水车间的最优调度方案,以使所述待加工工件集合的总流经时间最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310896579.3A CN116882693A (zh) | 2023-07-20 | 2023-07-20 | 一种分布式置换流水车间调度方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310896579.3A CN116882693A (zh) | 2023-07-20 | 2023-07-20 | 一种分布式置换流水车间调度方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116882693A true CN116882693A (zh) | 2023-10-13 |
Family
ID=88260128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310896579.3A Pending CN116882693A (zh) | 2023-07-20 | 2023-07-20 | 一种分布式置换流水车间调度方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882693A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592760A (zh) * | 2024-01-18 | 2024-02-23 | 湖北浩蓝智造科技有限公司 | 一种堆垛机出入库任务分配方法、系统、设备及介质 |
-
2023
- 2023-07-20 CN CN202310896579.3A patent/CN116882693A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592760A (zh) * | 2024-01-18 | 2024-02-23 | 湖北浩蓝智造科技有限公司 | 一种堆垛机出入库任务分配方法、系统、设备及介质 |
CN117592760B (zh) * | 2024-01-18 | 2024-04-09 | 湖北浩蓝智造科技有限公司 | 一种堆垛机出入库任务分配方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116882693A (zh) | 一种分布式置换流水车间调度方法、设备及介质 | |
Cota et al. | Bi‐criteria formulation for green scheduling with unrelated parallel machines with sequence‐dependent setup times | |
CN111400868B (zh) | 带订单和机器人搬运的分布式车间调度优化方法及系统 | |
CN113379087A (zh) | 一种基于改进遗传算法的生产制造排产优化方法 | |
CN108415912B (zh) | 基于MapReduce模型的数据处理方法和设备 | |
CN108984652A (zh) | 一种可配置数据清洗系统和方法 | |
CN110019298A (zh) | 数据处理方法和装置 | |
CN106648839B (zh) | 数据处理的方法和装置 | |
CN113505910B (zh) | 一种含多路径有限连续输出库存的混合车间生产调度方法 | |
Mourtzis et al. | Metrics definition for the product-service system complexity within mass customization and industry 4.0 environment | |
CN116151424B (zh) | 一种多园区下料车间方法 | |
CN116737511A (zh) | 基于图的调度作业监控方法及装置 | |
Khorramizadeh et al. | A bee colony optimization approach for mixed blocking constraints flow shop scheduling problems | |
CN114839930B (zh) | 一种用于分布式装配阻塞流水车间集成调度系统 | |
CN111176844A (zh) | 一种金融数据实时在线批量优化方法及系统 | |
CN110705839B (zh) | 建筑材料信息处理和优化方法、系统及计算机可读存储介质 | |
CN114185938B (zh) | 基于数字金融及大数据溯源的项目溯源分析方法及系统 | |
Taaffe et al. | A selective newsvendor approach to order management | |
Marvizadeh et al. | Reducing the number of setups for CNC punch presses | |
CN116167593B (zh) | 用于零等待作业车间调度的工件加工时刻获取方法及设备 | |
CN113673164A (zh) | 求解带运输时间和调整时间的柔性作业车间调度方法 | |
CN110059847B (zh) | 模型预测加速方法和装置 | |
Huang et al. | No‐Wait Flexible Flow Shop Scheduling with Due Windows | |
CN117114370B (zh) | 一种适配设备故障的小产品生产车间调度方法 | |
CN117519030B (zh) | 一种基于超启发式强化学习的分布式装配阻塞流水车间调度方法 |
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 |