CN117196271B - 一种柔性车间异构机器人双效调度方法 - Google Patents
一种柔性车间异构机器人双效调度方法 Download PDFInfo
- Publication number
- CN117196271B CN117196271B CN202311477216.2A CN202311477216A CN117196271B CN 117196271 B CN117196271 B CN 117196271B CN 202311477216 A CN202311477216 A CN 202311477216A CN 117196271 B CN117196271 B CN 117196271B
- Authority
- CN
- China
- Prior art keywords
- individual
- processing
- workpiece
- codes
- workshop
- 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 167
- 238000012545 processing Methods 0.000 claims abstract description 145
- 230000008569 process Effects 0.000 claims abstract description 47
- 108090000623 proteins and genes Proteins 0.000 claims description 48
- 230000035772 mutation Effects 0.000 claims description 37
- 238000005265 energy consumption Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 44
- 238000004422 calculation algorithm Methods 0.000 abstract description 26
- 230000002068 genetic effect Effects 0.000 abstract description 18
- 238000011161 development Methods 0.000 abstract description 6
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000011031 large-scale manufacturing process Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 14
- 239000000463 material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000003754 machining Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000012815 thermoplastic material Substances 0.000 description 1
Landscapes
- General Factory Administration (AREA)
Abstract
本发明属于柔性车间调度领域，具体涉及一种柔性车间异构机器双效调度方法，适用于对多工艺多品种加工车间进行智能调度。该方法在编码方案和遗传算子上进行了改进，通过对柔性制造单元选择柔性约束和自动导引车辆工件搬运时间约束以及加工资源浪费约束进行综合考虑，并以订单完工时间和资源消耗最小化为评价指标，从而产生智能加工车间的最佳调度方案，以确保多工艺多品种柔性制造系统的高效、绿色运行。该方法与现有车间调度算法相比，调度结果更加优越，更容易跳出局部最优解，全局搜索能力更强。并且，该方法支持柔性制造系统进行大规模多品种多工艺的生产，实现生产车间的无人智能化，具有巨大的发展潜力。
Description
技术领域
本发明属于柔性车间调度领域，具体涉及一种柔性车间异构机器人双效调度方法，适用于对多工艺多品种加工车间进行智能调度。
背景技术
为了响应未来制造的需求，制造企业需要不断改进工艺、提高生产效率、降低成本，以实现无人化智能生产。在拥挤的工业环境中，一个潜在的解决方案是研究和集成材料处理系统与自动导引车辆（Automated Guided Vehicle，AGV），以便在制造环境中实现产品的无缝运输。
随着经济发展，社会对绿色发展的要求不断增加，因此在五金产品生产车间调度问题中引入节能和低碳作为新的评价绿色制造的指标。这要求在研究车间调度问题时，需要综合考虑降低环境代价、提高生产效率、降低能耗，实现绿色指标和经济指标的优化。在生产过程中，合理和迅速地调度自动车辆对于加速生产进度至关重要，调度结果会影响加工机器人和搬运小车等资源的分配和消耗情况。
随着现代车间生产要求的增加，生产环境变得更加复杂，传统的调度方法在大规模多品种生产过程中失效，无法高效解决柔性制造生产过程中的矛盾和冲突。这类生产需要柔性制造单元（Flexible Manufacturing Cell，FMC），这是一种技术复杂的自动化集成高端制造装备，用于完成多工序、不同批量的多种加工任务。
因此，在传统车间调度研究的基础上，需要结合柔性制造单元的特点，同时考虑经济和绿色指标，以符合发展的趋势。这也突显了研究柔性制造单元的多机器人调度机制和算法对于现代化生产制造的重要性。
柔性制造单元的多机器人调度是智能制造的核心之一。然而，目前国内对该领域的研究仍存在很大的空白。在柔性制造加工车间中，多种机器人应用广泛，包括加工机器人对工件的工序加工和AGV在生产加工过程中工件在加工机器人之间的搬运。为解决智能加工车间的调度问题，本发明提供了一种柔性车间异构机器双效调度方法。
发明内容
本发明的技术解决问题是：克服现有技术的不足，提出了一种柔性车间异构机器双效调度方法。与传统的遗传算法相比，该方法在编码方案和遗传算子上进行了改进，通过对FMC选择柔性约束和AGV工件搬运时间约束以及加工资源浪费约束进行综合考虑，并以订单完工时间和资源消耗最小化为评价指标，从而产生智能加工车间的最佳调度方案，以确保多工艺多品种柔性制造系统的高效、绿色运行。该方法与现有车间调度算法相比，调度结果更加优越，更容易跳出局部最优解，全局搜索能力更强。并且，该方法支持柔性制造系统进行大规模多品种多工艺的生产，实现生产车间的无人智能化，具有巨大的发展潜力。
本发明的技术解决方案是：
一种柔性车间异构机器双效调度方法，该方法的步骤包括：
步骤1、采用符号编码法对每个个体进行三层编码，每个个体的编码一共包含三层，分别是基于工件工序的编码、基于加工机器人的编码和基于AGV的编码；
步骤2、通过采用加权优化法，将订单完工时间最小化和资源消耗最小化这两个目标函数融合成一个单一的复合函数，来设计适应度函数；
步骤3、使用步骤2设计的适应度函数对步骤1编码后的每个个体进行适应度计算，根据适应度值采用加入精英保留策略的轮盘赌方法选择遗传下一代的个体；
步骤4、对步骤1中个体的基于工件工序编码和基于AGV编码采用POX交叉算子进行交叉操作，个体的基于加工机器人编码采用两点交叉的方式进行交叉操作；
步骤5、对步骤1中个体的基于工件工序编码和基于AGV编码采用位置交换突变的方式进行变异操作，个体的基于加工机器人编码采用均匀变异的方式进行变异操作；
步骤6、步骤3中选择的个体、步骤4中经过交叉操作后的个体以及步骤4中讲过变异操作后的个体一起形成下一代新的种群，对形成的下一代新的种群中的个体重复步骤3-步骤5，得到最佳调度方案，使用得到的最佳调度方案对柔性车间的异构机器人进行调度。
所述步骤1中，第一层编码是基于工件工序的编码，能明确加工方案中各工件和各工序的排列顺序，个体的每一个基因表示某一个加工工件的某一个工序，一个工件的各个工序由该工件在个体中出现的次序表示，某一个加工工件在个体中第几次出现即代表该工件的第几个工序；
第二层编码是基于加工机器人的编码，能够明确加工方案中各工件工序对应的所选加工机器人的排列顺序，个体的每一个基因表示某一个加工工件的某一个工序所选择的对应加工机器人，基因的顺序按照各个加工工件编号次序和某一个加工工件的各工序编号次序依次排列；
第三层编码是基于AGV的编码，能够明确加工方案中各工件工序对应的搬运自动导引小车的排列顺序，个体的每一个基因表示搬运某一个加工工件的对应工序的AGV的编号，基因的顺序对应于基于工序编码的顺序。
所述步骤2中，适应度函数为：
其中，是第k个个体的适应度值；是完工时间的权重系数，取值为，权重的分配由车间的决策者决定，当时，车间运行在高效加工模式，当时，车间运行在综合加工模式，当时，车间运行在绿色加工模式；f 1max为当前种群车间订单完工时间的最大值；f 1(k)为第k个个体的车间订单完工时间；f 1min为当前种群车间订单完工时间的最小值；f 2max为当前种群能量消耗的最大值；(k)是第k个个体的能量消耗；f 2min为当前种群能量消耗的最小值；N是当前种群的个体总数。
所述步骤3中，当前种群中的适应度值最高的个体即精英个体，保留当前种群中适应度值最高的前四分之一，不参与轮盘赌，其他四分之三参加轮盘赌、交叉、变异产生新一代种群，若新一代种群中最优个体的适应度值比保留的父代好，则证明了种群已经优化，再用保留的精英个体替换子代最差的个体。
所述步骤4中，对个体的基于工件工序编码采用POX交叉算子进行交叉操作的方法为：
将所有工件随机分为两个集合和，将父代包含在中的工件复制到子代个体的对应位置，父代包含在中的工件复制到子代个体的对应位置，固定每个基因在个体上的位置。将父代包含在中的工件复制到子代个体的对应位置，将父代包含在中的工件复制到子代个体的对应位置，保留基因的顺序，即可以得到交叉后的两条子代个体、。
所述步骤4中，对个体的基于AGV编码采用POX交叉算子进行交叉操作的方法为：
将所有AGV随机分为两个集合和，将父代包含在中的工件复制到子代个体的对应位置，父代包含在中的工件复制到子代个体的对应位置，固定每个基因在个体上的位置，将父代包含在中的工件复制到子代个体的对应位置，将父代包含在中的工件复制到子代个体的对应位置，保留基因的顺序就可以得到交叉后的两条子代个体、。
所述步骤4中，对个体的基于加工机器人编码采用两点交叉的方式进行交叉操作的方法为：
选出两个不相同的点和作为交叉的两点，把两个个体的和之间的基因和互换位置。
所述步骤5中，对个体的基于工件工序编码采用位置交换突变的方式进行变异操作的方法为：取两个工序长度内的随机数，并且两数不同，将这两个工序的基因进行互换；
对个体的基于AGV编码采用位置交换突变的方式进行变异操作的方法为：取两个AGV长度内的随机数，并且两数不同，将这两个AGV的基因进行互换；
对个体的基于加工机器人编码采用均匀变异的方式进行变异操作的方法为：随机抽取工序，如果该工序的可选机器只有一个，那就不再改变基因，直接返回；否则，在本工序的可选机器集中，随机生成一个序号，使其与当前所选机器不同，并且进行替换。
所述步骤6中，得到最佳调度方案的方法为：
逐步迭代，当如果适应度值的变化小于设定阈值时或代数大于设置的迭代次数后，得到最佳调度方案。
对比已有技术，本发明具有如下优点：
第一、本发明对FMC选择柔性约束和AGV工件搬运时间约束以及加工资源浪费约束进行了综合考虑，相比传统车间调度方法更适合解决柔性制造车间中加工机器人和AGV的集成调度问题。
第二、本发明以订单完工时间和资源消耗最小化为评价指标，使得客户可以根据需求选择加工模式，从而产生智能加工车间的最佳调度方案，以确保多工艺多品种柔性制造系统的高效、绿色运行。
第三，本发明的方法设计过程中，部分加工机器人的加工时间为随机数，证明了本方法产生的调度方案可以满足客户根据需要定制个性化的加工流程。
第四、本发明提出的方法相对于其他调度方法，全局收敛性更快，可以避免交叉操作后非法的不可行解的产生，保证交叉后代对应的解的可行性和有效性，可以保证AGV在交叉后小车的数量不变，且可以保证AGV链变异后小车的数量不变。
第五、本发明支持柔性制造系统进行大规模多品种多工艺的生产，实现生产车间的无人智能化，具有巨大的发展潜力。
附图说明
图1为基于工件工序编码；
图2为基于加工机器人工序编码；
图3为三层个体编码示意图；
图4为最佳适应度函数变化图；
图5为工序编码交叉流程图；
图6为AGV编码交叉流程图；
图7为车间仿真运行界面图；
图8为车间布局示意图；
图9为车间加工机器人示意图；
图10为车间AGV充电过程示意图；
图11为车间AGV和加工机器人示意图；
图12为加工机器人加工任务在线调度算法流程图；
图13为柔性制造车间加工流程图（a-l），（a）是自动导引小车前往料区取料，（b）是自动导引小车正在取料中，（c）是自动导引小车将材料送至加工机器人处加工，（d）是加工机器人正在加工工件一，（e）是工件一被加工完成后存放在成品缓冲区，（f）是自动导引小车搬运加工完成的工件一，（g）是自动导引小车取走工件一，（h）是自动导引小车将工件一送至加工机器人完成下一道工序，（i）是自动导引小车前往充电桩充电，（j）是自动导引小车正在充电，（k）是完成最后一道工序的工件一被送至出货区，（l）是所有工件加工完毕；
图14为遗传算法最佳调度方案甘特图（）；
图15为适应度值迭代变化曲线（）；
图16为遗传算法最佳调度方案甘特图（）；
图17为适应度值迭代变化曲线（）；
图18为遗传算法最佳调度方案甘特图（）；
图19为适应度值迭代变化曲线（）。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
一种柔性车间异构机器双效调度方法，该方法的步骤包括：
步骤1、采用符号编码法对每个个体进行三层编码，每个个体的编码一共包含三层，分别是基于工件工序的编码、基于加工机器人的编码和基于AGV的编码；
步骤2、通过采用加权优化法，将订单完工时间最小化和资源消耗最小化这两个目标函数融合成一个单一的复合函数，来设计适应度函数；
步骤3、使用步骤2设计的适应度函数对步骤1编码后的每个个体进行适应度计算，根据适应度值采用加入精英保留策略的轮盘赌方法选择遗传下一代的个体；
步骤4、对步骤1中个体的基于工件工序编码和基于AGV编码采用POX交叉算子进行交叉操作，个体的基于加工机器人编码采用两点交叉的方式进行交叉操作；
步骤5、对步骤1中个体的基于工件工序编码和基于AGV编码采用位置交换突变的方式进行变异操作，个体的基于加工机器人编码采用均匀变异的方式进行变异操作；
步骤6、步骤3中选择的个体、步骤4中经过交叉操作后的个体以及步骤4中讲过变异操作后的个体一起形成下一代新的种群，对形成的下一代新的种群中的个体重复步骤3-步骤5，得到最佳调度方案，使用得到的最佳调度方案对柔性车间的异构机器人进行调度。
所述步骤1中，第一层编码是基于工件工序的编码，能明确加工方案中各工件和各工序的排列顺序。个体的每一个基因表示某一个加工工件的某一个工序，一个工件的各个工序由该工件在个体中出现的次序表示，某一个加工工件在个体中第几次出现即代表该工件的第几个工序。例如包含三个待加工工件的加工订单，每一个工件包含三个工序，则将其每个工件的数字乘以对应工序数作为一个数集，随机排列得到基于工件工序的编码示例如图1所示。
图1中，第一个基因1表示加工工件的第一个工序，第二个基因3表示加工工件的第一个工序，第三个基因3表示加工工件的第二个工序，以此类推，因此图示个体对应的加工方案中加工工件的工序顺序为。
第二层编码是基于加工机器人的编码，能够明确加工方案中各工件工序对应的所选加工机器人的排列顺序。个体的每一个基因表示某一个加工工件的某一个工序所选择的对应加工机器人，基因的顺序按照各个加工工件编号次序和某一个加工工件的各工序编号次序依次排列。同样以上述包含三个待加工工件，每个工件包含三个工序的订单为例，设由五个加工机器人进行加工，某一个加工方案的基于加工机器人的编码示例如图2所示。
图2中，第一个基因1表示加工工序选择加工机器人，第二个基因3表示加工工序选择加工机器人，第五个基因3表示加工工序选择加工机器人，因此图示个体对应的加工方案中各加工工件的各工序依次对应的加工机器人顺序为，即工件依次由加工机器人进行加工，工件依次由加工机器人进行加工，工件依次由加工机器人进行加工。
第三层编码是基于AGV的编码，能够明确加工方案中各工件工序对应的搬运自动导引小车的排列顺序。个体的每一个基因表示搬运某一个加工工件的对应工序的AGV的编号，基因的顺序对应于基于工序编码的顺序。同样以上述包含三个待加工工件，每个工件包含三个工序的订单为例，设由两辆AGV，即进行搬运，某一个加工方案的基于AGV的编码，最终三层汇总便可得到三个基因串，三层编码的对应关系如图3所示。编码串的长度相同，为总工艺数，基于AGV编码的基因串与基于工序编码的基因串的顺序一一对应，基于加工机器人编码的基因串按照工件的顺序排列。
在图3中，AGV的排列顺序对应工件工序的顺序。第一个基因1表示负责搬运加工工序的是，第二个基因1负责搬运加工工序的是，因此图示个体对应的按照加工方案中各加工工件工序顺序依次对应的AGV顺序为。
所述步骤2中，适应度函数为：
其中，是第k个个体的适应度值；是完工时间的权重系数，取值为，权重的分配由车间的决策者决定，当时，车间运行在高效加工模式，当时，车间运行在综合加工模式，当时，车间运行在绿色加工模式；f 1max为当前种群车间订单完工时间的最大值；f 1(k)为第k个个体的车间订单完工时间；f 1min为当前种群车间订单完工时间的最小值；f 2max为当前种群能量消耗的最大值；(k)是第k个个体的能量消耗；f 2min为当前种群能量消耗的最小值；N是当前种群的个体总数。
图4中分别取0，0.4，0.5，0.8和1时的最佳适应度函数变化曲线。由图4可以发现随着迭代的进行，种群的适应度是呈现上升的趋势，同时图像中的阶跃上升，体现了遗传算法寻找最优解的过程。但是从图中可以发现，的时候，该曲线只变化了一次，表明只寻找了一次就找到了最优解，但该解可能是最优解也可能是局部最优解，显示了遗传算法的不足之处。同时，可以发现，随着的增大，曲线初值呈下降趋势。
所述步骤3中，当前种群中的适应度值最高的个体即精英个体，保留当前种群中适应度值最高的前四分之一，不参与轮盘赌，其他四分之三参加轮盘赌、交叉、变异产生新一代种群，若新一代种群中最优个体的适应度值比保留的父代好，则证明了种群已经优化，再用保留的精英个体替换子代最差的个体。该选择方法可以更好的收敛至全局最优解，避免后续交叉和变异操作导致全局最优解遗失，并且可以提高遗传算法的搜索速度，使得全局收敛性更快。
所述步骤4中，对个体的基于工件工序编码采用POX交叉算子进行交叉操作的方法为：
将所有工件随机分为两个集合和，将父代包含在中的工件复制到子代个体的对应位置，父代包含在中的工件复制到子代个体的对应位置，固定每个基因在个体上的位置。将父代包含在中的工件复制到子代个体的对应位置，将父代包含在中的工件复制到子代个体的对应位置，保留基因的顺序，即可以得到交叉后的两条子代个体、，如图5所示。
所述步骤4中，对个体的基于AGV编码采用POX交叉算子进行交叉操作的方法为：
将所有AGV随机分为两个集合和，将父代包含在中的工件复制到子代个体的对应位置，父代包含在中的工件复制到子代个体的对应位置，固定每个基因在个体上的位置，将父代包含在中的工件复制到子代个体的对应位置，将父代包含在中的工件复制到子代个体的对应位置，保留基因的顺序就可以得到交叉后的两条子代个体、，如图6所示。
所述步骤4中，对个体的基于加工机器人编码采用两点交叉的方式进行交叉操作的方法为：
选出两个不相同的点和作为交叉的两点，把两个个体的和之间的基因和互换位置。该交叉方法可以避免交叉操作后非法的不可行解的产生，保证交叉后代对应的解的可行性和有效性，同时可以保证AGV在交叉后小车的数量不变。
所述步骤5中，对个体的基于工件工序编码采用位置交换突变的方式进行变异操作的方法为：取两个工序长度内的随机数，并且两数不同，将这两个工序的基因进行互换；
对个体的基于AGV编码采用位置交换突变的方式进行变异操作的方法为：取两个AGV长度内的随机数，并且两数不同，将这两个AGV的基因进行互换；
对个体的基于加工机器人编码采用均匀变异的方式进行变异操作的方法为：随机抽取工序，如果该工序的可选机器只有一个，那就不再改变基因，直接返回；否则，在本工序的可选机器集中，随机生成一个序号，使其与当前所选机器不同，并且进行替换。
该变异方法可以保证AGV链变异后小车的数量不变。
所述步骤6中，得到最佳调度方案的方法为：
逐步迭代，当如果适应度值的变化小于设定阈值时或代数大于设置的迭代次数后，得到最佳调度方案。
实施例
本部分结合仿真数据实验，对本发明的效果进行说明。为了评估所提出检测方法的性能，利用AnyLogic仿真软件设计好的柔性制造车间仿真运行界面如图7所示。该仿真车间地图与仿真地图存在1：10的比例关系，即每100个单位为1米。
车间的加工机器人和充电桩的布局如图8所示。从上到下从左到右分别是两个冲压机器人，主要冲压工艺包括冲裁、弯曲、剪切、拉深、胀形、旋压、矫正。两个焊接机器人，焊接即通过加热、高温或者高压从而接合金属或其他热塑性材料制造工艺。两个打磨抛光机器人，打磨即对五金工件的表面毛刺进行处理，使表面更光滑。一个清洗机器人，一个烤漆机器人，两个包装机器人。每个加工机器人的额定功率和空载功率以及加工准备时间如表1所示。
表1 加工机器人的加工功率（kW）/加工准备时间（min）表
待加工工件共包括复底锅，灶面，直角转接口，圆柱杆，刀具，抽油烟机罩六种，每种工件的加工工艺不同，加工所需时间不同，从而可以展现柔性制造车间加工批量小，工序简单，加工工时长的零件的特点。车间五金厨具生产工件的工序信息如表2所示，各个工序由对应的可选加工机器人的加工时间如表3所示。
表2 车间五金厨具生产工件工序信息表
表3待加工工件的工序加工时间表（单位时间）
为计算方便，加工时间和加工机器人的位置坐标都采用单位时间化和单位距离，每一个单位时间为4min，每20个单位距离为一米，自动导引小车的搬运速度为30单位距离/单位时间。智能加工车间内生产加工过程中工件由AGV进行运输需要的搬运时间由加工机器人的位置等决定，加工机器人的位置坐标如表4所示。
表4 加工机器人的位置坐标表（单位距离）
每一个加工机器人有两个缓冲区和一个加工工作区，如图9所示，第一个圆圈为待加工工件缓冲区，第二个圆圈为加工区，第三个圆圈为加工成品缓冲区。数字表示占用工件数量。图中烤漆机器人的加工成品缓冲区有一个工件占用，清洗机器人正在加工。
当AGV电量低于40时，会前往最近的充电桩充电，如图10所示，AGV充至满电后便自动离开。自动导引小车和加工机器人上方的数字，如图11中的圆圈内所示，为当前正在搬运/加工的工件编号，自动导引小车和加工机器人下方的数字，如图11中方框内所示，为加工机器人和AGV的编号。
以加工四个工件、十个加工机器人、两个AGV的小型加工车间规模的加工工艺流程为背景，将设计好的遗传算法（其在线调度算法流程图如图12所示，相关参数设置如表5所示）导入到搭建的车间仿真中，并开始运行，观察自动导引小车和加工机器人按照调度方案设计的流程完成加工任务，如图13所示。在本发明中，适应度函数的加权系数为可调的，分别取为0.2、0.5和0.8，对应于绿色加工模式，综合加工模式和高效加工模式，进行三组实验。
表5 遗传算法的车间优化调度算法相关参数设置表
下面结合仿真结果说明该双效调度方法。
如图13所示为自动导引小车和加工机器人按照调度方案设计的流程完成加工任务的仿真结果。由图13中a-h可以较清晰的看出自动导引小车在完成一道工序的过程中的调度安排，i-j为搬运过程中AGV的充电过程，在小车充电时搬运任务被搁置，因此AGV的充电时间也很大影响车间的调度效率。待已经完成最后一道工序后，图k-l为自动导引小车搬运至出货区，完成所有加工任务。
如图14所示为取时，即此时更加注重完工时间最短，完工效率最低，即高效加工模式的甘特图。为了增加结果的可靠性，每组仿真运行5次，分别画出随着500代迭代过程中适应度值变化的曲线，如图15所示。由图可知，每次测试都会收敛至0.65附近，第三次测试虽然收敛速度慢，但是最终收敛效果好，所以选取为最佳调度方案。基于改进遗传算法的车间优化调度算法在AnyLogic仿真运行求解得到的最佳调度方案结果如表6所示。
表6 改进遗传算法最佳调度方案结果表（）
如图16所示为取时，即此时更加注重总能耗最少，即绿色加工模式的甘特图。为了增加结果的可靠性，每组仿真运行5次，分别作出随着500代迭代过程中，适应度值变化的曲线，如图17所示。由图可知，每次测试都会收敛至0.7附近，收敛效果相比时好，且第二次测试最终适应度值最高，所以选取为最佳调度方案。基于改进遗传算法的车间优化调度算法在AnyLogic仿真运行求解得到的最佳调度方案结果如表7所示。
表7 改进遗传算法最佳调度方案结果表（）
如图18所示为取时，即此时总能耗和完工时间兼顾，即综合加工模式的甘特图。为了增加结果的可靠性，每组仿真运行5次，分别作出随着500代迭代过程中，适应度值变化的曲线，如图19所示。由图可知，每次测试都会收敛至0.6附近，第五次测试收敛速度快，收敛效果好，所以选取为最佳调度方案。基于改进遗传算法的车间优化调度算法在AnyLogic仿真运行求解得到的最佳调度方案结果如表8所示。
表8 改进遗传算法最佳调度方案结果表（）
如表9所示为最终三种模式下运行结果统计表。从表中可以看到随着取值的增大，加工完工时间变长，总能耗变少。最佳调度方案与平均值相差相当，可见算法收敛性较好。
表9 改进遗传算法最佳调度方案结果表（单位时间、kJ）
以上公开的实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于所述的实施例。通过以上所述可知，本发明中的许多内容可作修改和替换，本实施例固定了某些取值只是为了更好地说明本发明的原理和应用，从而更易理解和运用。凡在本发明的技术方案的基础上所做的局部改动、等同替换、改进等均应包含在本发明的保护范围之内。
Claims (1)
1.一种柔性车间异构机器双效调度方法，其特征在于该方法的步骤包括：
步骤1、采用符号编码法对每个个体进行三层编码，每个个体的编码一共包含三层，分别是基于工件工序的编码、基于加工机器人的编码和基于AGV的编码；
步骤2、通过采用加权优化法，将订单完工时间最小化和资源消耗最小化这两个目标函数融合成一个单一的复合函数，设计适应度函数；
步骤3、使用步骤2设计的适应度函数对步骤1编码后的每个个体进行适应度计算，根据适应度值采用加入精英保留策略的轮盘赌方法选择遗传下一代的个体；
步骤4、对步骤1中个体的基于工件工序编码和基于AGV编码采用POX交叉算子进行交叉操作，个体的基于加工机器人编码采用两点交叉的方式进行交叉操作；
步骤5、对步骤1中个体的基于工件工序编码和基于AGV编码采用位置交换突变的方式进行变异操作，个体的基于加工机器人编码采用均匀变异的方式进行变异操作；
步骤6、步骤3中选择的个体、步骤4中经过交叉操作后的个体以及步骤4中讲过变异操作后的个体一起形成下一代新的种群，对形成的下一代新的种群中的个体重复步骤3-步骤5，得到最佳调度方案，使用得到的最佳调度方案对柔性车间的异构机器人进行调度；
所述步骤1中，第一层编码是基于工件工序的编码，用于明确加工方案中各工件和各工序的排列顺序，个体的每一个基因表示某一个加工工件的某一个工序，一个工件的各个工序由该工件在个体中出现的次序表示，某一个加工工件在个体中第几次出现即代表该工件的第几个工序；
第二层编码是基于加工机器人的编码，用于明确加工方案中各工件工序对应的所选加工机器人的排列顺序，个体的每一个基因表示某一个加工工件的某一个工序所选择的对应加工机器人，基因的顺序按照各个加工工件编号次序和某一个加工工件的各工序编号次序依次排列；
第三层编码是基于AGV的编码，用于明确加工方案中各工件工序对应的搬运自动导引小车的排列顺序，个体的每一个基因表示搬运某一个加工工件的对应工序的AGV的编号，基因的顺序对应于基于工序编码的顺序；
所述步骤2中，适应度函数为：
其中，F(k)是第k个个体的适应度值；ω是完工时间的权重系数，取值为[0,1]，权重的分配由车间的决策者决定，当0.6≤ω≤1时，车间运行在高效加工模式，当0.4≤ω≤0.6时，车间运行在综合加工模式，当0.2≤ω≤0.4时，车间运行在绿色加工模式；f1max为当前种群车间订单完工时间的最大值；f1(k)为第k个个体的车间订单完工时间；f1min为当前种群车间订单完工时间的最小值；f2max为当前种群能量消耗的最大值；f2(k)是第k个个体的能量消耗；f2min为当前种群能量消耗的最小值；N是当前种群的个体总数；
所述步骤3中，当前种群中的适应度值最高的个体即精英个体，保留当前种群中适应度值最高的前四分之一，不参与轮盘赌，其他四分之三参加轮盘赌、交叉、变异产生新一代种群，若新一代种群中最优个体的适应度值比保留的父代好，则证明了种群已经优化，再用保留的精英个体替换子代最差的个体；
所述步骤4中，对个体的基于工件工序编码采用POX交叉算子进行交叉操作的方法为：
将所有工件随机分为两个集合Q1和Q2，将父代P1包含在Q1中的工件复制到子代个体C1的对应位置，父代P2包含在Q2中的工件复制到子代个体C2的对应位置，固定每个基因在个体上的位置，将父代P2包含在Q2中的工件复制到子代个体C1的对应位置，将父代P1包含在Q1中的工件复制到子代个体C2的对应位置，保留基因的顺序，即可以得到交叉后的两条子代个体C1、C2；
所述步骤4中，对个体的基于AGV编码采用POX交叉算子进行交叉操作的方法为：
将所有AGV随机分为两个集合Q1和Q2，将父代P1包含在Q1中的工件复制到子代个体C1的对应位置，父代P2包含在Q2中的工件复制到子代个体C2的对应位置，固定每个基因在个体上的位置，将父代P2包含在Q2中的工件复制到子代个体C1的对应位置，将父代P1包含在Q1中的工件复制到子代个体C2的对应位置，保留基因的顺序就可以得到交叉后的两条子代个体C1、C2；
所述步骤4中，对个体的基于加工机器人编码采用两点交叉的方式进行交叉操作的方法为：
选出两个不相同的点p1和p2作为交叉的两点，把两个个体的p1和p2之间的基因g1和g2互换位置；
所述步骤5中，对个体的基于工件工序编码采用位置交换突变的方式进行变异操作的方法为：取两个工序长度内的随机数，并且两数不同，将这两个工序的基因进行互换；
对个体的基于AGV编码采用位置交换突变的方式进行变异操作的方法为：取两个AGV长度内的随机数，并且两数不同，将这两个AGV的基因进行互换；
对个体的基于加工机器人编码采用均匀变异的方式进行变异操作的方法为：随机抽取工序，如果该工序的可选机器只有一个，那就不再改变基因，直接返回；否则，在本工序的可选机器集中，随机生成一个序号，使其与当前所选机器不同，并且进行替换；
所述步骤6中，得到最佳调度方案的方法为：逐步迭代，当如果适应度值的变化小于设定阈值时或代数大于设置的迭代次数后，得到最佳调度方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477216.2A CN117196271B (zh) | 2023-11-08 | 2023-11-08 | 一种柔性车间异构机器人双效调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477216.2A CN117196271B (zh) | 2023-11-08 | 2023-11-08 | 一种柔性车间异构机器人双效调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196271A CN117196271A (zh) | 2023-12-08 |
| CN117196271B true CN117196271B (zh) | 2024-02-13 |
Family
ID=88987325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311477216.2A Active CN117196271B (zh) | 2023-11-08 | 2023-11-08 | 一种柔性车间异构机器人双效调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196271B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442135A (zh) * | 2019-08-06 | 2019-11-12 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| CN111798120A (zh) * | 2020-06-30 | 2020-10-20 | 南京信息工程大学 | 基于改进人工蜂群算法的柔性作业车间调度方法 |
| CN115689049A (zh) * | 2022-11-15 | 2023-02-03 | 西南石油大学 | 一种改进灰狼优化算法的多目标车间调度方法 |
| CN116757411A (zh) * | 2023-06-13 | 2023-09-15 | 南京信息工程大学 | 一种面向航天复杂构件的双资源柔性作业车间调度方法 |
-
2023
- 2023-11-08 CN CN202311477216.2A patent/CN117196271B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110442135A (zh) * | 2019-08-06 | 2019-11-12 | 南京赛沃夫海洋科技有限公司 | 一种基于改进遗传算法的无人艇路径规划方法及系统 |
| CN111798120A (zh) * | 2020-06-30 | 2020-10-20 | 南京信息工程大学 | 基于改进人工蜂群算法的柔性作业车间调度方法 |
| CN115689049A (zh) * | 2022-11-15 | 2023-02-03 | 西南石油大学 | 一种改进灰狼优化算法的多目标车间调度方法 |
| CN116757411A (zh) * | 2023-06-13 | 2023-09-15 | 南京信息工程大学 | 一种面向航天复杂构件的双资源柔性作业车间调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 生产能力约束条件下的柔性作业车间调度优化;张铁男 等;系统工程理论与实践;第31卷(第03期);505-511 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196271A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Review of seru production | |
| CN111113409B (zh) | 一种基于分步优化的多机器人多工位协作点焊规划方法 | |
| CN110619437A (zh) | 一种低能耗柔性作业车间调度方法 | |
| CN106610654A (zh) | 针对柔性作业车间调度的改进遗传算法 | |
| CN111290358B (zh) | 一种面向柔性制造系统的产品节能调度优化方法 | |
| CN102073311A (zh) | 基于离散量子微粒群算法的机器零件加工流水线调度方法 | |
| CN112147960A (zh) | 一种柔性制造系统优化调度方法及装置 | |
| CN115122338B (zh) | 一种基于多目标优化的多机器人协作弧焊任务规划方法 | |
| CN110750079A (zh) | 一种允许工序跳跃的混合流水车间调度优化方法 | |
| CN113159687A (zh) | 一种车间agv-uav协同的物料配送路径规划方法和系统 | |
| 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 | |
| CN115169798A (zh) | 一种带准备时间分布式柔性作业车间调度方法及系统 | |
| 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 | |
| CN115319742A (zh) | 带机器人物料搬运的柔性制造单元作业调度方法 | |
| CN117196271B (zh) | 一种柔性车间异构机器人双效调度方法 | |
| CN112700109B (zh) | 一种订单生产顺序优化方法、系统、设备及可读存储介质 | |
| CN112418478B (zh) | 一种柔性流水车间下的低碳调度模型及节能优化方法 | |
| Wang | Optimal scheduling of flow shop based on genetic algorithm | |
| CN114021901A (zh) | 用于柔性作业车间面向紧急订单的资源调度协同优化方法 | |
| CN113780871A (zh) | 一种多目标低碳柔性作业车间调度方法 | |
| Wang et al. | Multi-Station Multi-Robot Welding System Planning and Scheduling Based on STNSGA-D: An Industrial Case Study | |
| CN115700647A (zh) | 一种基于禁忌搜索遗传算法的车间柔性作业调度方法 | |
| CN113792927A (zh) | 基于遗传算法的航空航天柔性产品工序优化方法 | |
| Yuan et al. | Flexible Assembly Shop Scheduling Based on Improved Genetic Algorithm | |
| Yu et al. | Research on AGV scheduling based on point-to-point mode |
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 |