CN117114370B - 一种适配设备故障的小产品生产车间调度方法 - Google Patents
一种适配设备故障的小产品生产车间调度方法 Download PDFInfo
- Publication number
- CN117114370B CN117114370B CN202311372124.8A CN202311372124A CN117114370B CN 117114370 B CN117114370 B CN 117114370B CN 202311372124 A CN202311372124 A CN 202311372124A CN 117114370 B CN117114370 B CN 117114370B
- Authority
- CN
- China
- Prior art keywords
- equipment
- time
- optimal solution
- scheduling
- order
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 35
- 239000002245 particle Substances 0.000 claims abstract description 6
- 238000005096 rolling process Methods 0.000 claims abstract description 5
- 238000010187 selection method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 58
- 238000012545 processing Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 6
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 5
- 230000013016 learning Effects 0.000 claims description 4
- 230000009326 social learning Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000003044 adaptive effect Effects 0.000 abstract description 3
- 230000002068 genetic effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008707 rearrangement Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种适配设备故障的小产品生产车间调度方法，包括如下依次执行的步骤：步骤1：先进行预排产，设置初始样本参数；步骤2：获取所述初始样本，基于小数矩阵编码模式，利用随机选择方法生成初始样本点；步骤3：采用多目标权重和滚动更新的方式，评估所述初始样本点的目标函数值，选出全局最优解和分支最优解；以及步骤4‑步骤12。本发明采用的混合优化算法很好的继承了粒子群算法和遗传算法的优点，求解精确，迭代次数少，不容易陷入局部最优；在上述基础上，充分考虑实际生产情况，结合设备故障情况进行了动态重调度，使得该发明能够很好的被运用在柔性作业车间调度领域，为适配车间设备故障的调度问题提供新的求解思路。
Description
技术领域
本发明涉及作业车间调度技术领域，具体涉及一种适配设备故障的小产品生产车间调度方法。
背景技术
车间调度是制造系统的核心和关键技术，旨在通过对车间内资源的合理分配和规划，确保生产任务能够按时完成，使资源最大化利用，优化生产流程，并实现生产过程的高效协同。随着制造技术的不断发展，车间调度越发重要，不仅需要灵活应对日益复杂多变的生产需求，还要面对多样化的产品组合和高度个性化的生产要求。因此，为了适应发展变化,车间调度也从传统的流水车间调度慢慢发展成了柔性车间调度，不断引入先进的智能优化算法、柔性制造技术以及云计算与分布式调度等创新技术，成为实现柔性车间调度的重要途径。通过持续创新和应用新技术，柔性车间调度将在推进制造业转型升级中发挥巨大的推动力，助力企业实现更高效、更智能、更环保的生产模式。
然而，当前对柔性车间调度问题的优化方法研究，大多有自己的局限性，例如在现实生产中，往往伴随着生产设备出现故障的情形，当设备出现故障时，原定的排产方案肯定会受到影响，此时原定的排产方案未必是最短加工时间的方案。
针对生产重型设备的车间，虽然同订单的同一道工序可以在不同机器上完成加工，但是由于生产时间存在差异，因此生产流程也会有所不同，所以当某一订单的某一道工序在生产过程中出现故障时，则该订单的这道工序需要等待该设备修复后继续在这台设备上完成剩余加工，如果更换设备，需从头加工该工序，会造成材料的浪费。
在生产小件商品的车间中，同一订单包含的产品数量较多，当某一订单的某一道工序在生产过程中出现设备故障时，可立马转移到另一台设备上去生产而无需考虑成本。
因此，亟需寻找一种新的生产车间调度方案，能够克服这些缺点，随着车间设备故障情况及时调整排产方案，从而满足实际生产场景的优化需求。
鉴于此，本案发明人对上述问题进行深入研究，遂有本案产生。
发明内容
本发明的目的在于提供一种能够根据设备故障情况及时调整排产方案的适配设备故障的小产品生产车间调度方法。
为了达到上述目的，本发明采用这样的技术方案：
一种适配设备故障的小产品生产车间调度方法，包括如下依次执行的步骤：
步骤1：先进行预排产，设置初始样本参数；
步骤2：获取所述初始样本，基于小数矩阵编码模式，利用随机选择方法生成初始样本点；
步骤3：采用多目标权重和滚动更新的方式，评估所述初始样本点的目标函数值，选出全局最优解和分支最优解；
步骤4：采用多分区多因子交叉的方式，父代借鉴所述全局最优解和所述分支最优解生成新的子代，将矩阵编码按照规模划分成不同的区域，每次父代从不同区域借鉴所述全局最优解和所述分支最优解生成子代，每次迭代后对应区域的分区号加1；
步骤5：采用矩阵物理距离融合的方式，比较所述全局最优解和新生成的子代的相似度来进行投票，根据投票机制判断种群是否陷入局部最优，达到一定的票数后触发变异，种群再次扩大搜索范围跳出所述局部最优，再次向所述全局最优解靠拢；
步骤6：在步骤5的基础上，如果种群在变异后的迭代过程中发现了等于变异前的所述全局最优解，则放弃向所述全局最优解靠拢，向新发现的全局最优解靠拢；
步骤7：重复执行步骤3-5直到最大迭代次数，输出最优预排产方案；
步骤8：判断有无故障产生，如遇设备故障需重排产，执行步骤9-步骤11，否则，按照步骤7输出的所述最优预排产方案进行生产；
步骤9：确定故障的机器号M f，确定故障开始时刻T s，设备维修时间T f；
步骤10：统计设备故障时所有正在加工的工序剩余完工时间t ij，t ij表示第i个订单第j道工序的剩余加工时间，统计未发生故障的设备占用时间[Mt 1 ,Mt 2 ,Mt 3 , Mt 4 .......Mt n]，其中n表示第n个设备，统计订单剩余工序数量；
步骤11：将剩余工序参照步骤1-步骤7的方案重新排产，在排产时要把步骤10得到的前一道工序的剩余完工时间t ij加到订单剩余工序的首个工序的完工时间上，故障的设备在这一步骤仍可参与排产，在参与排产时，如果故障设备被调度需要加上剩余维修等待时间T w；
步骤12：重复执行步骤1-11直至所有订单完工。
通过采用前述设计方案，本发明的有益效果是：本发明采用的混合优化算法很好的继承了粒子群算法和遗传算法的优点，求解精确，迭代次数少，不容易陷入局部最优；在上述基础上，充分考虑实际生产情况，结合设备故障情况进行了动态重调度，使得该发明能够很好的被运用在柔性作业车间调度领域，为适配车间设备故障的调度问题提供新的求解思路。
附图说明
图1为本发明的算法流程图；
图2 为本发明的算法调度甘特图；
图3 为种群编码分区示意图；
图4 为种群迭代示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
一种适配设备故障的小产品生产车间调度方法，如图1-图2所示，包括如下依次执行的步骤：
步骤1：先进行预排产，设置初始样本参数；此处的设置初始样本参数包括初始样本数量、最大迭代次数和订单模式。
本实施例中，以初始样本数量20，迭代次数200为例对该车间调度方法进行说明。
其中，订单模式指的是需要对每一个排产订单分别设置库存模式或订单模式，库存模式下，订单为后置排产策略，以最晚交货时间的前两天为交货时间；订单模式下，订单为前置排产策略，以产能空闲状态下最早完工为交货时间。
步骤2：获取所述初始样本，如图3所示，基于小数矩阵编码模式，利用随机选择方法生成初始样本点；
本实施例中，假定某生产小产品的车间订单的加工时间明细表如下表1所示：
表1某车间订单的加工时间明细
其中O ij表示订单i的第j道工序，T i,j,k表示订单i的第j道工序在机器k上的加工时间，本次初始化样本的编码采用矩阵编码，矩阵的行代表加工的订单，矩阵的列代表订单的工序，订单每道工序的可用机器集合已知，矩阵的不同位置代表了不同订单的不同工序，每个位置从可用的机器集合中随机选择一个，并加上一个随机的一位小数,即可生成种群编码；加上小数的目的是用来筛选优先级，当不同工件待加工的工序被安排在同一台机器上时，可根据随机小数的大小选择哪个工序优先加工，例如：
；
编码中数字1.2表示订单1的第1道工序在机器1上加工，数字2.1表示订单1的第2道工序在机器2上加工，数字3.1表示订单1的第3道工序在机器3上加工，数字1.3表示订单2的第1道工序在机器1上加工……，以此类推。
上述矩阵我们可以看到订单1的第1道工序和订单2的第1道工序同时抢占机器1，在矩阵中对应数字为1.2和1.3。此时可根据后边小数的大小选择加工顺序。例如1.2小于1.3，所以优先在机器1上加工订单1的第1道工序，待订单1的第1道工序加工完毕后再在机器1上加工订单2的第1道工序。
步骤3：采用多目标权重和滚动更新的方式，评估初始样本点的目标函数值，选出全局最优解和分支最优解；
每个订单的不同工序在不同机器上的加工时间已知，依据矩阵编码采用滚动更新方式来计算目标函数值，目标函数值由如下第（1）计算公式定义：
（1）；
其中，T pre表示前一道工序的完成时间，T i,j,k表示订单i的第j道工序在机器k上的加工时间，T wait表示等待机器占用时间。通过逐列计算得到最终目标函数的解，最后一列的最大项即为目标函数的值。例如上述编码的解码矩阵如下所示，目标函数的解为13；
步骤4：采用多分区多因子交叉的方式，父代借鉴全局最优解和分支最优解生成新的子代，将矩阵编码按照规模划分成不同的区域，每次父代从不同区域借鉴全局最优解和分支最优解生成子代，每次迭代后对应区域的分区号加1；
具体的迭代过程如图4所示，子代的编码受分支最优解和全局最优解影响，种群的变换方式采用的是交叉变换，而非传统粒子群算法的向量变换；本发明保留了粒子群算法的惯性因子、个体学习因子和社会学习因子，不同的是，惯性因子w表示矩阵编码中更改的元素个数，w为整数，w越小表示更改的元素越少，保留自身基因型越多。c1表示个体学习因子，代表矩阵编码需要从当前分支最优中借鉴的元素个数，c2表示社会学习因子，代表编码需要从全局最优分支中借鉴的元素个数，易得w=c1+c2。
这一步骤根据矩阵规模将矩阵编码划分了几个不同的区域，父代每次迭代从这几个区域中选择一个区域借鉴，下次迭代到下一个区域借鉴。这样做的目的是使得每次种群迭代都可以向全局最优更靠近。在每次选中的区域内随机选择基因型借鉴，从而生成新的子代。为了避免冲突，父代在借鉴全局最优和分支最优时避免选择同一分区。
步骤5：采用矩阵物理距离融合的方式，比较全局最优解和新生成的子代的相似度来进行投票，根据投票机制判断种群是否陷入局部最优，达到一定的票数后触发变异，种群再次扩大搜索范围跳出所述局部最优，再次向全局最优解靠拢；
本发明提出了变异机制，变异的操作是为了防止当前种群陷入局部最优，变异后种群再次扩大了搜索范围。
为了确定何时触发变异，本发明采用了投票机制，投票的规则就是将子代矩阵编码和全局最优矩阵编码向下取整，变成两个整数矩阵，将这两个整数矩阵相减，统计结果中0元素的个数当0元素个数到达一定数量时（随种群规模变动），投出确定变异票。在每次种群迭代后比较新生的子代和全局最优解的相似程度，当新生子代的编码和全局最优解大部分一致或者完全一致时可投出确定变异票，当种群的大部分分支的子代都投出确定变异票时，触发大面积变异，打破现有种群编码，保留全局最优解，集群在新的编码上再次向全局最优靠拢。
变异的位置和个数随机产生，随机生成n个位置(x,y)，其中n代表变异基因个数，位置(x,y)代表订单x的第y道工序，变异的方法就是从x订单的第y道工序的可用机器序列中随机选择一个，然后再加上一个随机的一位小数，生成新的基因来代替原来的基因。
步骤6：在步骤5的基础上，如果种群在变异后的迭代过程中发现了等于变异前的所述全局最优解，则放弃向所述全局最优解靠拢，向新发现的全局最优解靠拢；
本实施例中，每一个矩阵编码对应一个解，每个解对应一个目标函数，当两个矩阵编码不同，但是目标函数相同时，按照迭代规则会选择一个解让种群向其靠拢，原来的全局最优解已经被靠拢过了，周围的解空间也被搜索过，所以当发现新的解对应的目标函数和原来全局最优解对应的目标函数相同时，种群向新发现的解靠拢，不再向原来的全局最优解靠拢。
步骤7：重复执行步骤3-5直到最大迭代次数，输出最优预排产方案；
步骤8：判断有无故障产生，如遇设备故障需重排产，执行步骤9-步骤11，否则，按照步骤7输出的所述最优预排产方案进行生产；
步骤9：确定故障的机器号M f，确定故障开始时刻T s，本实施例中T s从订单开始生产计算，订单开始生产时刻为0，设备维修时间T f；
步骤10：统计设备故障时所有正在加工的工序剩余完工时间t ij，t ij表示第i个订单第j道工序的剩余加工时间，统计未发生故障的设备占用时间[Mt 1 ,Mt 2 ,Mt 3 , Mt 4 .......Mt n]，其中n表示第n个设备，统计订单剩余工序数量；
例如在如下所示初始的排产方案下，订单1的第一道工序在机器1上加工时发生了故障，发生故障的时间为开工1小时，因此T s =1。询问专业人员后得知机器的维修时间T f =2。
；
此时按照矩阵编码规则可知，订单1的第1道工序剩余加工时间为2；订单2的第1道由于等待机器1，工序尚未开工，因此等待时间为0；订单3的第一道工序剩余加工时间为2，所以[t 1 ,t 2 ,t 3]=[2,0,2]设备占用时间[Mt 1 ,Mt 2 ,Mt 3]=[0,0,2]。
订单1的剩余工序为第2和第3道工序，订单2的剩余工序为第1，2，3道工序，订单3的剩余工序为第2和第3道工序。因此需要对剩余的几道工序重新排产，注意的是在剩下的排产方案中仍可选择机器1加工。
步骤11：将剩余工序参照步骤1-步骤7的方案重新排产，在排产时要把步骤10得到的前一道工序的剩余完工时间t ij加到订单剩余工序的首个工序的完工时间上，故障的设备在这一步骤仍可参与排产，在参与排产时，如果故障设备被调度需要加上剩余维修等待时间T w；
根据步骤10可知，订单1的第2道工序和第3道工序尚未加工，因此订单1第2道工序可用机器序列为{1,2}，加工时间分别为[2,2]，订单1第3道工序可用机器序列为{2,3}，加工时间分别为[3,4]；订单2的第1，2，3道工序尚未加工，因此订单2第1道工序可用机器序列为{1,2,3}，加工时间分别为[2,3,2]，订单2第2道工序可用机器序列为{2,3},加工时间分别为[4,4]，订单2第3道工序可用机器序列为{1,3},加工时间分别为[2,3]；订单3的第2，3道工序尚未加工，因此订单3第2道工序可用机器序列为{1,3}，加工时间分别为[3,4]，订单3第3道工序可用机器序列为{1,2,3},加工时间分别为[2,3,3]。
假定现有新的排产方案如下：
；
则其解码如下，可知订单1的第2道工序被安排在了机器2上加工，根据设备占用时间[Mt 1 ,Mt 2 ,Mt 3]=[0,0,2]和剩余完工时间[t 11 ,t 21 ,t 31]=[2,0,2]，可知此时机器2尚未被占用，所以此处解码后的值为订单1第1道工序剩余加工时间加订单1第2道工序在机器1上的加工时间，即t 11 +T 122=2+2=4；订单2的第1道工序在机器3上加工，根据设备占用时间[Mt 1 , Mt 2 ,Mt 3]=[0,0,2]和剩余完工时间[t 11 ,t 21 ,t 31]=[2,0,2]可知此时机器3已经被占用，所以此处解码后的值为Mt 3+T 213=2+2=4，订单3的第2道工序在机器1上加工，此时机器1正处于维修状态，剩余维修时间T w=2，因此此处解码后的值应为max{(T w-t 31),0}+t 31+T 321=0+2+3=5。
假设订单i的第j道工序在k机器上加工。综上可得在故障后矩阵第一列的解码公式由如下第（2）公式定义：
（2） ；
其中表示设备还需被前边生产工序占用时间，在此处如果排产方案调用到故障设备则可把设备剩余维修时间T w看作/>，/>表示订单i的第j道工序剩余完工时间，表示订单i的第j道工序在机器k上的加工时间，M f表示故障的设备号，T w表示剩余维修时间。其中，T w=max{T f-(T n -T k),0},T f表示设备需要维修时间，T n表示调用设备时刻，T k表示设备故障时刻。
后边几列的解码公式由如下第（3）公式定义：
（3）；
其中，T pre表示前一道工序的完成时间，T i,j,k表示订单i的第j道工序在机器上的加工时间，/>表示等待机器占用时间，在此处如果排产方案调用到故障设备则可把设备剩余维修时间T w看作/>。
步骤12：重复执行步骤1-11直至所有订单完工。
综上所述，本发明采用的混合优化算法很好的继承了粒子群算法和遗传算法的优点，求解精确，迭代次数少，不容易陷入局部最优；在上述基础上，充分考虑实际生产情况，结合设备故障情况进行了动态重调度，使得该发明能够很好的被运用在柔性作业车间调度领域，为适配车间设备故障的调度问题提供新的求解思路。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种适配设备故障的小产品生产车间调度方法，其特征在于：包括如下依次执行的步骤：
步骤1：先进行预排产，设置初始样本参数；
步骤2：获取所述初始样本，基于小数矩阵编码模式，利用随机选择方法生成初始样本点；
步骤3：采用多目标权重和滚动更新的方式，评估所述初始样本点的目标函数值，选出全局最优解和分支最优解；
步骤4：采用多分区多因子交叉的方式，父代借鉴所述全局最优解和所述分支最优解生成新的子代，将矩阵编码按照规模划分成不同的区域，每次父代从不同区域借鉴所述全局最优解和所述分支最优解生成子代，每次迭代后对应区域的分区号加1；
步骤5：采用矩阵物理距离融合的方式，比较所述全局最优解和新生成的子代的相似度来进行投票，根据投票机制判断种群是否陷入局部最优，达到一定的票数后触发变异，种群再次扩大搜索范围跳出所述局部最优，再次向所述全局最优解靠拢；
步骤6：在步骤5的基础上，如果种群在变异后的迭代过程中发现了等于变异前的所述全局最优解，则放弃向所述全局最优解靠拢，向新发现的全局最优解靠拢；
步骤7：重复执行步骤3-5直到最大迭代次数，输出最优预排产方案；
步骤8：判断有无故障产生，如遇设备故障需重新排产，执行步骤9-步骤11，否则，按照步骤7输出的所述最优预排产方案进行生产；
步骤9：确定故障的机器号M f，确定故障开始时刻T s，设备维修时间T f；
步骤10：统计设备故障时所有正在加工的工序剩余完工时间t ij， t ij表示第i个订单第j道工序的剩余完工时间，统计未发生故障的设备占用时间[Mt 1 ,Mt 2 ,Mt 3 ,Mt 4 .......Mt n]，其中n表示第n个设备，统计订单剩余工序数量；
步骤11：将剩余工序参照步骤1-步骤7的方案重新排产，在排产时要把步骤10得到的前一道工序的剩余完工时间t ij加到订单剩余工序的首个工序的完工时间上，故障的设备在这一步骤仍可参与排产，在参与排产时，如果故障设备被调度需要加上剩余维修等待时间T w；
步骤12：重复执行步骤1-11直至所有订单完工；
步骤3中，所述评估初始样本点的目标函数值由如下公式定义：
；
其中，T pre表示前一道工序的完成时间，T i,j,k表示订单i的第j道工序在设备k上的加工时间，T wait表示等待设备占用时间；
通过逐列计算得到最终目标函数值的解，最后一列的最大项即为目标函数的值；
步骤4的迭代过程如下：种群的变换方式采用交叉变换，保留了粒子群算法的惯性因子、个体学习因子和社会学习因子，惯性因子w表示矩阵编码中更改的元素个数，w为整数，w越小表示更改的元素越少，保留自身基因型越多；c1表示个体学习因子，代表矩阵编码需要从分支最优解中借鉴的元素个数，c2表示社会学习因子，代表矩阵编码需要从全局最优解中借鉴的元素个数，w=c1+c2；
步骤5中的所述投票机制的投票规则如下：将子代矩阵编码和全局最优矩阵编码向下取整，变成两个整数矩阵，将这两个整数矩阵相减，统计结果中0元素的个数，当0元素个数到达一定数量时，投出确定变异票；
步骤11中故障后矩阵第一列的解码公式由如下定义：；
其中，表示设备还需被前边生产工序占用时间，如果排产方案调用到故障设备则可把设备剩余维修等待时间Tw看作/>，/>表示第i个订单的第j道工序的剩余完工时间，表示订单i的第j道工序在设备k上的加工时间，其中，Tw=max{Tf-(Tn-Tk),0},Tf表示设备维修时间，Tn表示调用设备时刻，Tk表示设备故障时刻；
故障后矩阵后边几列的解码公式由如下公式定义：
；
其中，Tpre表示前一道工序的完成时间，Ti,j,k表示订单i的第j道工序在设备上的加工时间，/>表示等待设备占用时间，如果排产方案调用到故障设备则可把设备剩余维修等待时间Tw看作/>。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311372124.8A CN117114370B (zh) | 2023-10-23 | 2023-10-23 | 一种适配设备故障的小产品生产车间调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311372124.8A CN117114370B (zh) | 2023-10-23 | 2023-10-23 | 一种适配设备故障的小产品生产车间调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117114370A CN117114370A (zh) | 2023-11-24 |
| CN117114370B true CN117114370B (zh) | 2023-12-26 |
Family
ID=88795112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311372124.8A Active CN117114370B (zh) | 2023-10-23 | 2023-10-23 | 一种适配设备故障的小产品生产车间调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117114370B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079987A (zh) * | 2019-11-28 | 2020-04-28 | 电子科技大学 | 基于遗传算法的半导体车间生产调度方法 |
| CN111144710A (zh) * | 2019-12-06 | 2020-05-12 | 重庆大学 | 一种可持续性混合流水车间的构建和动态调度方法 |
| CN112183817A (zh) * | 2020-08-31 | 2021-01-05 | 南京航空航天大学 | 一种柔性车间调度方法 |
| CN114186749A (zh) * | 2021-12-16 | 2022-03-15 | 暨南大学 | 基于强化学习及遗传算法的柔性车间调度方法及模型 |
| CN116090788A (zh) * | 2023-02-27 | 2023-05-09 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
| CN116151589A (zh) * | 2023-04-04 | 2023-05-23 | 武汉理工大学 | 基于改进飞蛾扑火算法的绿色可重入车间生产调度方法 |
| CN116227874A (zh) * | 2023-03-10 | 2023-06-06 | 东北农业大学 | 一种基于遗传算法的柔性作业车间调度方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230306271A1 (en) * | 2022-03-22 | 2023-09-28 | Tata Consultancy Services Limited | Method and system for evolved sarsa reinforcement learning for flow shop scheduling |
-
2023
- 2023-10-23 CN CN202311372124.8A patent/CN117114370B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079987A (zh) * | 2019-11-28 | 2020-04-28 | 电子科技大学 | 基于遗传算法的半导体车间生产调度方法 |
| CN111144710A (zh) * | 2019-12-06 | 2020-05-12 | 重庆大学 | 一种可持续性混合流水车间的构建和动态调度方法 |
| CN112183817A (zh) * | 2020-08-31 | 2021-01-05 | 南京航空航天大学 | 一种柔性车间调度方法 |
| CN114186749A (zh) * | 2021-12-16 | 2022-03-15 | 暨南大学 | 基于强化学习及遗传算法的柔性车间调度方法及模型 |
| CN116090788A (zh) * | 2023-02-27 | 2023-05-09 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
| CN116227874A (zh) * | 2023-03-10 | 2023-06-06 | 东北农业大学 | 一种基于遗传算法的柔性作业车间调度方法和装置 |
| CN116151589A (zh) * | 2023-04-04 | 2023-05-23 | 武汉理工大学 | 基于改进飞蛾扑火算法的绿色可重入车间生产调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 柔性作业车间调度问题的多目标优化算法;徐明 等;《计算机与现代化》(第12期);第1-6页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117114370A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104268722B (zh) | 基于多目标进化算法的动态柔性作业车间调度方法 | |
| Wen et al. | An optimization algorithm for integrated remanufacturing production planning and scheduling system | |
| CN104751297A (zh) | 一种混流生产线产能分配方法 | |
| CN113379087A (zh) | 一种基于改进遗传算法的生产制造排产优化方法 | |
| CN108303958B (zh) | 一种炼钢连铸过程的多目标柔性调度方法 | |
| Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
| 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 | |
| CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
| CN114186791A (zh) | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 | |
| CN106611275A (zh) | 针对作业车间生产问题的排产算法 | |
| CN113656156A (zh) | 一种基于禁忌搜索算法和遗传算法结合的调度优化方法 | |
| CN115471133A (zh) | 一种基于订单管理和滚动优化排产的车间综合调度系统 | |
| CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
| Ma et al. | A hybrid particle swarm optimization and simulated annealing algorithm for job-shop scheduling | |
| CN117114370B (zh) | 一种适配设备故障的小产品生产车间调度方法 | |
| CN109255484A (zh) | 数据驱动的离散制造资源协同优化方法及系统 | |
| Kim et al. | Scheduling 3D printers with multiple printing alternatives | |
| CN116774658A (zh) | 一种物料限制下的柔性作业车间动态调度方法 | |
| CN113485278B (zh) | 优化两生产指标的柔性作业车间调度多目标分布估计方法 | |
| Yan et al. | A job shop scheduling approach based on simulation optimization | |
| Bensmaine et al. | A simulation-based genetic algorithm approach for process plans selection in uncertain reconfigurable environment | |
| CN113406941B (zh) | 基于仿真的双目标并行机开放车间自适应动态调度方法 | |
| CN114545884B (zh) | 基于增强拓扑神经进化的等效并行机动态智能调度方法 | |
| 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 | |
| Chiang | Model simplification for accelerating simulation-based evaluation of dispatching rules in wafer fabrication facilities |
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 |