CN116931513A - 一种用于多目标可持续分布式异构工厂的流水车间调度系统 - Google Patents
一种用于多目标可持续分布式异构工厂的流水车间调度系统 Download PDFInfo
- Publication number
- CN116931513A CN116931513A CN202310725713.3A CN202310725713A CN116931513A CN 116931513 A CN116931513 A CN 116931513A CN 202310725713 A CN202310725713 A CN 202310725713A CN 116931513 A CN116931513 A CN 116931513A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- sustainable
- factory
- flow shop
- scheduling
- 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
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 38
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 9
- 230000008901 benefit Effects 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 36
- 241001673102 Jaya Species 0.000 description 11
- 230000000903 blocking effect Effects 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010022998 Irritability Diseases 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 208000009205 Tinnitus Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 231100000886 tinnitus Toxicity 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
本发明属于制造业分布式生产调度领域，具体涉及一种用于多目标可持续分布式异构工厂的流水车间调度系统，包括协同初始化模块、自学习操作的局部搜索模块和碳节约速度调整模块。所述协同初始化模块设计了一种协同初始化策略。所述自学习操作的局部搜索模块设计了一种自学习操作的局部搜索策略，将每个操作的历史成功率总结为知识，以指导算法进行自学习操作选择，增强所提出算法的精搜索能力。所述碳节约速度调整模块设计了一种碳节约速度调整策略，该策略调整非关键路径上某些工件的加工速度，同时保持关键路径上工件的加工速度不变。本发明可以将优化器扩展到满足当前智能制造生产领域中的大多数调度问题中，如选址问题、车辆路径规划问题等。
Description
技术领域
本发明属于制造业分布式生产调度领域，具体涉及一种用于多目标可持续分布式异构工厂的流水车间调度系统。
背景技术
随着全球气候变化和环境污染问题的日益严重，低碳、环保和可持续等概念已经成为全球制造业发展的重要方向。由于全球一体化以及市场竞争的不断加剧，企业之间的协作越来越多，分布式制造模式已广泛存在于生产制造企业中。碳排放问题的日益凸显，企业对于能源的节约和环保意识的提高，制造业也逐渐关注“双碳”背景下的生产调度问题。绿色车间调度是绿色制造的重要环节，通过合理的资源分配、操作排序以及运作模式的优化，可以实现生产效率的提高、能源消耗的降低、碳排放的减少和资源浪费的缩减，从而有效提升经济效益。典型的车间调度问题包括流水车间调度问题，通常只考虑经济指标。绿色车间调度问题是传统车间调度问题的扩展，需协同考虑绿色生产指标和经济指标的车间调度问题，主要包括最小化对资源的消耗、最小化对环境的影响。
分布式阻塞流水车间调度问题作为传统流水车间调度问题的一种扩展，广泛存在于化工、制药、塑料、钢铁和电子产品等诸多生产过程中。在分布式阻塞流水车间调度问题中，由于机器维护、故障或其他原因，某些机器可能在生产过程中受阻。这些堵塞的机器可能会导致生产过程延迟，影响生产周期和整体生产效率。已有研究证明流水车间调度是一个NP(Non-deterministicPolynomial)难问题，通常具有大规模、非线性、强约束和多目标等特点。与传统流水车间调度问题相比，分布式阻塞流水车间调度问题考虑了在无缓冲区场景下的调度问题，更加贴近实际生产场景，具有更重要的理论意义和实际应用价值。图1给出一个分布式阻塞流水车间调度问题的甘特图，在图1中，工件一旦开始加工，就不能被中断，不允许进行抢占式调度。因此，对“双碳”背景下分布式阻塞流水车间调度问题的研究对于制造业的可持续性和低碳发展具有重要的意义。
在经济发展、社会变革和环境恶化的推动下，可持续制造已成为学术界和企业界的一个热门话题。可持续可以定义为制造过程中经济、社会和环境因素的相互依赖考虑，也就是说，制造业的可持续应符合三重底线(TripleBottomLine，TBL)原则，该原则寻求同时考虑经济、社会和环境责任的和谐生产模式。然而在现实的制造业中，大多数可持续框架并没有全面涉及TBL的三个标准。许多企业通常强调经济指标，而忽视社会和环境问题。事实上，除了经济指标，制造业还要对环境和社会负责。关于环境方面，制造业消耗了全球能源消耗的大约一半，产生了超过38％的碳排放。关于社会方面，制造业的负面影响，包括噪音污染、加班和高风险作业，都是比较严重的社会问题。例如，噪音污染会导致工人耳鸣和易怒；加班会严重扰乱正常的工作和生活秩序，但工作成绩并不显著；高风险操作也会对人们的生命和财产造成伤害。面对这些问题，迫切需要找到先进的方法或技术来实现制造业的可持续性。对可持续下分布式流水车间调度的研究都是基于加工模式和工厂相同的假设，都是基于同构工厂这一前提条件。然而在现实生产中无法确保机器完全一致，特别是机器磨损方面，机器磨损会让能源消耗增加，属于异构工厂。对异构工厂的优化更符合实际生产条件，同时研究考虑碳排放的分布式流水车间调度对制造业的可持续发展具有重要意义。
Jaya算法是一种新型的群智能优化算法，由Rao提出，其具有易于实现、算法特定参数较少等特点。该算法的运行机制是将每个个体引导靠近最好个体，并将每个个体都引导远离最差个体。通过引导每个个体逐步趋近最优解，形成一个最优解的集合。在Jaya算法中，个体更新后会产生子代种群，比较父代个体和子代个体的适应度函数值，并选出适应度值更好的个体组成下一代种群。Jaya算法的独特之处在于，子代个体会不断靠近每一代的最佳个体，同时远离每一代的最差个体。这样的引导策略有利于算法趋向全局最优解，避免陷入局部最优解。此外，Jaya算法还采用了随机选择个体的策略，增加了算法的多样性。因为Jaya算法总是试图更靠近成功个体，避免失败，算法力求通过达成最佳而获得胜利，因此它被命名为Jaya(胜利的意思)。Jaya算法在应用于求解分布式流水车间调度问题方面具有广泛的优势和必然性。
发明内容
本发明提供了一种用于多目标可持续分布式异构工厂的流水车间调度系统，是一种基于学习的离散Jaya算法(Learning-based Discrete Jaya Algorithm，LDJaya)，以最小总延迟(Total Tardiness，TTD)、总碳排放(Total Carbon Emissions，TCE)及负面社会影响(Negative Social Impact，NSI)为目标，解决具有异构工厂的多目标可持续分布式阻塞流水车间调度问题，该算法能够优化异构工厂的多目标可持续分布式阻塞流水车间调度系统的运行效率和性能。
为了实现上述目的，本发明提供以下技术方案：
一种用于多目标可持续分布式异构工厂的流水车间调度系统，其特征在于，包括协同初始化模块、自学习操作的局部搜索模块和碳节约速度调整模块。
优选的，所述协同初始化模块设计了一种协同初始化策略，具体包括最小TTD的第一个调度解、降低TCE的第二个调度解、NSI减少的第三个调度解和其余的解，其余的解是随机生成的，以保持种群的多样性和分布性。
具体的，所述最小TTD的第一个调度解是由一种带速度变量的最早完工工厂初始化规则生成，以获得具有优势最小的最大完工时间。
具体的，所述降低TCE的第二个调度解由以下策略生成：首先，工件处理阶段的总碳排放量生成后非升序排序解序列，然后在工件序列的所有可能位置测试每个工件，并将其插入具有最小TCE的位置。
具体的，所述NSI减少的第三个调度解通过以下规则获得：根据总惩罚系数的非升序排序调度解，在工件序列的所有可能位置测试每个工件，并将其插入具有最小NSI的位置。
优选的，所述自学习操作的局部搜索模块设计了一种自学习操作的局部搜索策略，将每个操作的历史成功率总结为知识，以指导算法进行自学习操作选择，增强所提出算法的精搜索能力，当操作成功率为零时，将不会选择此操作。
具体的，所述自学习操作的局部搜索模块定义了三个关键工厂，即TTD最大的工厂为ft，TCE最大的工厂是fc，NSI最大的工厂则是fn；并采用8种序列相关的操作来优化工件序列；
所述8种序列相关的操作过程如下：
DI：依次从工厂中删除每个工件，并将其插入原始工厂中所有可能的位置；
DS：依次从工厂中删除每个工件，并将其与工厂中所有可能的位置交换；
TSI：依次选择ft中的每个工件，并尝试将其插入其他工厂的所有可能位置；
TSS：依次选择ft中的每个工件，并尝试将其与其他工厂中的所有可能位置进行交换；
CSI：依次选择fc中的每个工件，并试探性地将其插入到其他工厂中所有可能的位置中；
CSS：依次选择fc中的每个工件，并与其他工厂中所有可能的位置交换；
NCI：依次选择fn中的每个工件，并尝试将其插入其他工厂的所有可能位置；
NCS：依次选择fn中的每个工件，并尝试将其与其他工厂中的所有可能位置互换；
然后根据SKG选择操作：
其中，SSop(OPk,l)是在第G代中执行k部分中的操作l的次数；SKG(OPk,l)是操作中成功执行的次数，生成的新个体优于旧个体；SKG(OPk,l)是操作的知识；SKG(OPk,l)是操作的成功选择率；
自学习操作选择算子包括：OP1＝{DI,DS}，OP2＝{TSI,TSS}，OP3＝{CSI,CSS}，OP4＝{NCI,NCS}；参数RPk(k＝1,2,…,4)是介于0和1之间的随机数；如果RPk<OPk,1，则执行OPk,1，否则执行OPk,2。
优选的，所述碳节约速度调整模块设计了一种碳节约速度调整策略，该策略调整非关键路径上某些工件的加工速度，同时保持关键路径上工件的加工速度不变；提出的碳节约速度调整策略保证了调度解的TTD不变，同时有效地降低了TCE，提高了算法在低碳条件下获得高质量解的能力。
具体的，所述关键路径是从最后一个加工工件的最后一台机器上开始；确定所述非关键路径上的工件是否满足减速运行条件：当前工件在工件完成时间和机器上下一个工件开始时间之间有一定的时间间隔，并且工件不在以速度最低档加工。如果不满足减速操作条件，则不需要减速；调整速度操作以减少碳排放为主，而不影响确定的关键路径。
本发明具有以下有益效果：
(1)本发明定义了异构工厂的多目标可持续分布式阻塞流水车间调度问题的混合整数线性规划模型，并提出了TTD、TCE和NSI的计算准则。
(2)基于异构工厂的多目标可持续分布式阻塞流水车间调度问题的特点，设计了用于种群初始化的协同初始化策略。
(3)引入了自学习操作选择策略来指导操作的选择，并提出了局部搜索算子来提高种群的多样性和LDJaya的精搜索能力。
(4)提出了一种碳节约速度调整策略，以进一步减少碳排放。
(5)本发明逻辑简单、易于实现和易于扩展，可以将优化器扩展到满足当前智能制造生产领域中的大多数调度问题中，如选址问题、车辆路径规划问题等。
附图说明
为了更清楚地说明本发明实例中的技术方案，下面将对本发明实例中的一些附图做简要介绍。
图1是本发明现有技术中分布式阻塞流水车间调度问题的甘特图。
图2是本发明中的定义关键路径图。
图3是本发明中的碳节约速度调整图。
图4是本发明中的生成新的个体图。
图5是本发明中的算法流程图。
具体实施方式
为了更清楚地说明本发明的目的、技术方案及优点，以下结合附图具体的解释每个模块的功能及优点。
实施例一
1、协同初始化模块
根据编码机制的特点，有意识地生成三个初始解，以尽可能地将一些初始解分布到三个目标。具体的协同初始化策略如下所述。提出了一种带速度变量的最早完工工厂初始化规则来生成第一个调度解，以获得具有优势最小的最大完工时间。降低TCE的第二种调度解有以下策略，即为工件处理阶段的总碳排放量生成后非升序排序解序列。然后在工件序列的所有可能位置测试每个工件，并将其插入具有最小TCE的位置。类似地，NSI减少的第三个调度解通过以下规则获得，以根据总惩罚系数的非升序排序调度解。在工件序列的所有可能位置测试每个工件，并将其插入具有最小NSI的位置。其余的解是随机生成的，以保持种群的多样性和分布性。该协同初始化策略的伪代码在算法1中给出。
2、自学习操作的局部搜索模块
定义了三个关键工厂，即TTD最大的工厂为ft，TCE最大的工厂是fc，NSI最大的工厂则是fn。采用8种序列相关的操作来优化工件序列。具体操作过程如下。
DI：依次从工厂中删除每个工件，并将其插入原始工厂中所有可能的位置。
DS：依次从工厂中删除每个工件，并将其与工厂中所有可能的位置交换。
TSI：依次选择ft中的每个工件，并尝试将其插入其他工厂的所有可能位置。
TSS：依次选择ft中的每个工件，并尝试将其与其他工厂中的所有可能位置进行交换。
CSI：依次选择fc中的每个工件，并试探性地将其插入到其他工厂中所有可能的位置中。
CSS：依次选择fc中的每个工件，并与其他工厂中所有可能的位置交换。
NCI：依次选择fn中的每个工件，并尝试将其插入其他工厂的所有可能位置。
NCS：依次选择fn中的每个工件，并尝试将其与其他工厂中的所有可能位置互换。
对于上述操作，将每个操作的历史成功率总结为知识，以指导算法进行自学习操作选择，以增强所提出算法的精搜索能力。当操作成功率为零时，将不会选择此操作。因此，有必要将历史成功率转化为知识来指导算法进行自学习的操作选择。知识总结下列公式中。
然后根据SKG选择操作。
其中，SSop(OPk,l)是在第G代中执行k部分中的操作l的次数。SOG(OPk,l)是操作中成功执行的次数，生成的新个体优于旧个体。SRG(OP,l)是操作的知识。SKG(OPk,l)是操作的成功选择率。
自学习操作选择算子包括：OP1＝{DI,DS}，OP2＝{TSI,TSS}，OP3＝{CSI,CSS}，OP4＝{NCI,NCS}。参数RPk(k＝1,2,…,4)是介于0和1之间的随机数。如果RPk<OPk,1，则执行OPk,1，否则执行OPk,2。
3、碳节约速度调整模块
提出了一种碳节约速度调整策略，该策略调整非关键路径上某些工件的加工速度，同时保持关键路径上工件的加工速度不变。提出的碳节约速度调整策略保证了调度解的TTD不变，同时有效地降低了TCE，提高了算法在低碳条件下获得高质量解的能力。关键路径是从最后一个加工工件的最后一台机器上开始，关键路径由红色箭头组成，如图2所示。确定非关键路径上的工件是否满足减速运行条件：当前工件在工件完成时间和机器上下一个工件开始时间之间有一定的时间间隔，并且工件不在以速度最低档加工。如果不满足减速操作条件，则不需要减速。调整速度操作以减少碳排放为主，而不影响确定的关键路径，如图3所示。Jaya算法的运行机制是引导每个个体接近最佳个体，并引导每个个体远离最差个体。在更新个体之后，生成后代群体，比较父代和子代的适应度值，并选择具有更好适应度值的个体以形成下一代群体。基于原始Jaya算法的变异策略，离散Jaya算法框架描述如下。在种群的每一代中，最佳个体是xbest，最差个体是xworst，种群中的任何一个个体都是xi。首先，将个体xi与xbest进行比较，当处理的同一位置的工件相同时，将该位置设置为空，并获得参考个体x’i。然后选择相对应xbest的工件来填补x’i的空缺位置，这样就产生了新的个体。xworst、xi和xbest的处理序列分别为{7,1,3,2,6,5,8,4}、{5,1,7,2,3,6,8,4}和{7,8,3,1,6,5,4,2}，如图4所示。xi的位置2、4、7和8处的工件与xbest的位置2和4、7、8处的工件相同，因此生成的参考个体x’i被设置为{5,none,7,none,3,6,none,none}。然后，在将xbest位置2、4、7和8处的工件填充到x’i后，生成一个新的个体xi+1＝{5,8,7,1,3,6,4,2}。
4、系统流程
结合异构工厂的多目标可持续分布式阻塞流水车间调度问题的特点，提出了LDJaya，以优化符合TBL原则的三个目标：TTD、TCE和NSI。提出了一种有效的协同初始化策略来生成异构工厂的多目标可持续分布式阻塞流水车间调度问题的初始种群。以LDJaya解的更新策略来产生新的个体。提出了一种用于自学习操作的局部搜索策略，以提高LDJaya的精搜索能力。引入碳节约速度调整策略，以进一步减少碳排放，使之更符合实际生产需求。图5说明了所提出的LDJaya的流程图。
以上内容介绍了本发明实例的基本原理、主要特征与优点。相关从业人员应该了解，本发明不受上述实例的限制，上述实施例和说明书中描述的只是说明本发明的原理。本发明可以应用到其他任何具有优化性质的领域中。本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种用于多目标可持续分布式异构工厂的流水车间调度系统，其特征在于：包括协同初始化模块、自学习操作的局部搜索模块和碳节约速度调整模块。
2.根据权利要求1所述的一种用于多目标可持续分布式异构工厂的流水车间调度系统，其特征在于：所述协同初始化模块设计了一种协同初始化策略，具体包括最小TTD的第一个调度解、降低TCE的第二个调度解、NSI减少的第三个调度解和其余的解，其余的解是随机生成的，以保持种群的多样性和分布性。
3.根据权利要求2所述的一种用于多目标可持续分布式异构工厂的流水车间调度系统，其特征在于：所述最小TTD的第一个调度解是由一种带速度变量的最早完工工厂初始化规则生成，以获得具有优势最小的最大完工时间。
4.根据权利要求3所述的一种用于多目标可持续分布式异构工厂的流水车间调度系统，其特征在于：所述降低TCE的第二个调度解由以下策略生成：首先，工件处理阶段的总碳排放量生成后非升序排序解序列，然后在工件序列的所有可能位置测试每个工件，并将其插入具有最小TCE的位置。
5.根据权利要求4所述的一种用于多目标可持续分布式异构工厂的流水车间调度系统，其特征在于：所述NSI减少的第三个调度解通过以下规则获得：根据总惩罚系数的非升序排序调度解，在工件序列的所有可能位置测试每个工件，并将其插入具有最小NSI的位置。
6.根据权利要求5所述的一种用于多目标可持续分布式异构工厂的流水车间调度系统，其特征在于：所述自学习操作的局部搜索模块设计了一种自学习操作的局部搜索策略，将每个操作的历史成功率总结为知识，以指导算法进行自学习操作选择，增强所提出算法的精搜索能力，当操作成功率为零时，将不会选择此操作。
7.根据权利要求6所述的一种用于多目标可持续分布式异构工厂的流水车间调度系统，其特征在于：所述自学习操作的局部搜索模块定义了三个关键工厂，即TTD最大的工厂为ft，TCE最大的工厂是fc，NSI最大的工厂则是fn；并采用8种序列相关的操作来优化工件序列；所述8种序列相关的操作过程如下：
DI：依次从工厂中删除每个工件，并将其插入原始工厂中所有可能的位置；
DS：依次从工厂中删除每个工件，并将其与工厂中所有可能的位置交换；
TSI：依次选择ft中的每个工件，并尝试将其插入其他工厂的所有可能位置；
TSS：依次选择ft中的每个工件，并尝试将其与其他工厂中的所有可能位置进行交换；
CSI：依次选择fc中的每个工件，并试探性地将其插入到其他工厂中所有可能的位置中；
CSS：依次选择fc中的每个工件，并与其他工厂中所有可能的位置交换；
NCI：依次选择fn中的每个工件，并尝试将其插入其他工厂的所有可能位置；
NCS：依次选择fn中的每个工件，并尝试将其与其他工厂中的所有可能位置互换；
然后根据SKG选择操作：
其中，SSop(OPk,l)是在第G代中执行l部分中的操作l的次数；SOG(OPk,l)是操作中成功执行的次数，生成的新个体优于旧个体；SKG(OPk,l)是操作的知识；SKG(OPk,l)是操作的成功选择率；
自学习操作选择算子包括：OP1＝{DI,DS}，OP2＝{TSI,TSS}，OP3＝{CSI,CSS}，OP4＝{NCI,NCS}；参数RPk(k＝1,2,…,4)是介于0和1之间的随机数；如果RPk<OPk,1，则执行OPk,1，否则执行OPk,2。
8.根据权利要求7所述的一种用于多目标可持续分布式异构工厂的流水车间调度系统，其特征在于：所述碳节约速度调整模块设计了一种碳节约速度调整策略，该策略调整非关键路径上某些工件的加工速度，同时保持关键路径上工件的加工速度不变；提出的碳节约速度调整策略保证了调度解的TTD不变，同时有效地降低了TCE，提高了算法在低碳条件下获得高质量解的能力。
9.根据权利要求8所述的一种用于多目标可持续分布式异构工厂的流水车间调度系统，其特征在于：所述关键路径是从最后一个加工工件的最后一台机器上开始；确定所述非关键路径上的工件是否满足减速运行条件：当前工件在工件完成时间和机器上下一个工件开始时间之间有一定的时间间隔，并且工件不在以速度最低档加工。如果不满足减速操作条件，则不需要减速；调整速度操作以减少碳排放为主，而不影响确定的关键路径。
10.一种计算机可读存储介质，其特征在于：其中包含计算机程序，该程序被CPU处理时可实现权利要求1-9所提供的任一一种调度系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310725713.3A CN116931513A (zh) | 2023-06-19 | 2023-06-19 | 一种用于多目标可持续分布式异构工厂的流水车间调度系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310725713.3A CN116931513A (zh) | 2023-06-19 | 2023-06-19 | 一种用于多目标可持续分布式异构工厂的流水车间调度系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116931513A true CN116931513A (zh) | 2023-10-24 |
Family
ID=88379683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310725713.3A Pending CN116931513A (zh) | 2023-06-19 | 2023-06-19 | 一种用于多目标可持续分布式异构工厂的流水车间调度系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116931513A (zh) |
-
2023
- 2023-06-19 CN CN202310725713.3A patent/CN116931513A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qin et al. | An improved iterated greedy algorithm for the energy-efficient blocking hybrid flow shop scheduling problem | |
| CN104111642B (zh) | 设备预防性维护与柔性作业车间控制集成优化方法 | |
| CN106959675A (zh) | 一种面向流水车间的多目标调度优化方法 | |
| CN111738578A (zh) | 一种动态环境下的离散型生产车间调度方法 | |
| CN111259314B (zh) | 一种分布式混凝土预制构件流水车间生产调度方法 | |
| CN110472765B (zh) | 一种车间布局调度的低熵协同优化方法 | |
| CN109784656A (zh) | 一种离散制造协同生产计划排程方法 | |
| Mao et al. | An effective subgradient method for scheduling a steelmaking-continuous casting process | |
| CN113344383B (zh) | 一种用于分布式异构工厂的节能车间调度方法 | |
| CN111340345A (zh) | 一种基于改进粒子群算法的刀具调度方法 | |
| CN116931513A (zh) | 一种用于多目标可持续分布式异构工厂的流水车间调度系统 | |
| Liu et al. | Multi-strategy dynamic evolution-based improved MOEA/D algorithm for solving multi-objective fuzzy flexible job shop scheduling problem | |
| Liang et al. | Adaptive genetic algorithm based on individual similarity to solve multi-objective flexible job-shop scheduling problem | |
| CN105741181A (zh) | 一种不同并行机混合流水线车间调度方法 | |
| CN111665799B (zh) | 一种基于协同算法的时间约束型并行机节能调度方法 | |
| CN115719108B (zh) | 资源对称型分布式车间综合调度方法 | |
| CN110705844A (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 | |
| CN105117800A (zh) | 一种基于遗传算法的优化输变电工程施工网络计划方法 | |
| CN115344011A (zh) | 一种节能分布式两阶段装配零等待流水车间调度问题的优化系统 | |
| Liu et al. | Multi-Level Rolling Horizon Planning and Scheduling Integrated with Material Constraints Using DBR Approach: A Heuristic for Smart Manufacturing | |
| Zhang et al. | Multi-objective scheduling in dynamic of household paper workshop considering energy consumption in production process | |
| Xiong et al. | A framework for energy consumption reduction in sheet metal forming | |
| CN105182946A (zh) | 一种具有改机操作的制造车间的排产优化方法 | |
| Frigerio et al. | Pareto front analysis of buffer-based energy efficient control for machines in serial flow lines | |
| Wang et al. | Scheduling an Energy-Aware Parallel Machine System with Deteriorating and Learning Effects Considering Multiple Optimization Objectives and Stochastic Processing Time |
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 |