CN103676902A - 一种流水车间重调度方法 - Google Patents

Abstract

本发明提供一种流水车间重调度方法，属于车间调度技术领域，包括实时获取当前流水车间的突发事件、重调度工件、机器可用时刻和正加工工序完工时刻；针对不同突发事件对已开工工序和未开工工序进行分组；确定流水车间重调度目标及约束条件；采用迁徙鸟群优化方法生成流水车间重调度方案；将流水车间重调度方案下发到流水车间各工序进行重调度。本发明将迁徙鸟群算法用于流水车间重调度问题，考虑多种突发事件，保证在突发事件之间快速反应；采用***或交换的邻域搜索机制，有效确保重调度方案在两个突发事件间及时处理；不断传递搜索信息到后续迁徙鸟，不断调换领头鸟，可以确保调度方案的多样性和稳定性。

Description

一种流水车间重调度方法

技术领域

本发明属于车间调度技术领域，具体涉及一种流水车间重调度方法。

背景技术

流水车间调度问题是一种车间调度问题，广泛存在于各种生产过程中，如炼钢连铸、纺织加工等。目前，国内外学者针对流水车间调度的静态调度问题已经开展了大量研究，取得了广泛的研究成果并得以在生产实际中应用。然而，现实生产环境往往是不确定的，存在多种突发事件，如工件随机到达、工件随机撤销、工件加工时间变化、设备随机故障等。因而，流水车间重调度问题相对静态调度问题更符合实际生产过程，已成为生产调度研究中的热点之一，对于实际车间作业计划与调度具有重要的应用价值。如何综合考虑各种突发事件，科学地制订流水车间调度方案，对于缩短产品加工周期和提高企业生产率起着至关重要的作用。

流水车间重调度技术的研究最初主要应用启发式规则、整数规划等方法。这些方法的特点是规则明了，容易实现，但由于实际生产过程中的不确定以及随机因素太多，上述方法无法综合考虑各种突发事件，与实际应用有较大差距。近年来，随着计算智能方法的发展，许多智能优化方法被应用于求解流水车间调度问题中，如禁忌搜索、模拟退火、粒子群优化、遗传算法、神经网络、元启发式算法、专家***和多Agent技术等方法，上述算法往往或由于收敛能力不足，或由于无法求解大规模问题，或由于无法跳出局部最优等原因，而不能应用于求解综合考虑多种突发事件的流水车间重调度问题。

迁徙鸟群算法(Migrating Birds Optimization，MBO)是Duman等于2012年提出的一种新的群智能算法，起初为了有效地解决二次指派等组合优化问题。其基本思想如下：

(1)根据候鸟迁徙过程中采用“V”型队列的飞行原理，MBO采用“V”型拓扑结构组织搜索过程中的一群个体(即问题的解)。

(2)从初始种群出发，每个个体不但搜索自身的邻域，而且可以从它前面的个体那儿得到有用信息。这样，有用信息从“V”型顶点上的个体开始依次向后传递。

(3)正如迁徙鸟群飞行一段时间后就要更换领头鸟一样，经过若干次搜索迭代，MBO更换排在“V”型顶点上的个体。信息从新的“V”型顶点开始向后传递。这样就保证了群体的多样性，防止MBO停滞不前，不断地向全局优解方向逼近。通过有用信息的单向传递机制，使群体中好解的信息传递给其它解，就加快了MBO的收敛速度。

(4)MBO采用离散决策变量编码，利用针对离散编码的邻域搜索机制和信息传递机制产生新解，这样MBO就具有离散本质，更适合于组合优化问题的求解。Duman等的研究表明，针对二次指派问题，MBO算法得到了当前较好研究结果。

综合考虑多种突发事件，包括工件随机到达、工件随机撤销、工件加工时间变化、设备随机故障等，结合炼钢连铸生产实际情况，设计基于迁徙鸟群优化算法的流水车间重调度方法能为准时化生产提供有价值的重调度方案，可充分发挥设备利用率，降低设备空闲时间，防止工件温度变化，提高生产能力，为实际车间生产计划与调度提供决策依据。

发明内容

针对现有技术存在的问题，本发明提供一种流水车间重调度方法。

本发明的技术方案是：

一种流水车间重调度方法，包括以下步骤：

步骤1：实时获取当前流水车间的突发事件、重调度工件、机器可用时刻和正加工工序完工时刻；

所述突发事件包括工件随机到达、工件随机撤销、工件加工时间变化和设备随机故障；

所述重调度工件包括待加工工件和新***工件；

所述机器可用时刻为重调度时刻的空闲机器可获得时刻，或者忙碌机器/故障机器正加工工件的完工时刻；

所述正加工工序完工时刻为非故障机器的原计划完工时刻或故障机器的重调度时刻；

步骤2：针对不同突发事件，对已开工工序和未开工工序进行分组：若突发事件为工件随机到达，则保持已经在第一个机床上开工的工序的原调度顺序，对未开工工序和新加入的工件执行步骤3；若突发事件为工件随机撤销，则保持已经在第一个机床上开工的工序的原调度顺序，在删除该撤销工件后对未开工工序执行步骤3；若突发事件为工件加工时间变化，则计算受突发事件影响的正加工工序的完工时刻，执行步骤3；若突发事件为设备随机故障，则计算受突发事件影响的机床的可用时刻，执行步骤3；

步骤3：确定流水车间重调度目标及约束条件：以最小化最大完工时间和最小化开工时间变化的工件数量为目标建立流水车间重调度目标函数，该函数的约束条件包括：

工件的完工时间约束：重调度下工件在机床上加工的完工时间不小于重调度下工件在机床上加工的开工时间、重调度下工件在机床上加工的时间及机床故障时间之和；

工件的开工时间约束：重调度条件下工件的开工时间不小于其释放时间；

机床的加工次序约束：重调度条件下，在同一个机床上加工的紧邻两个工件不能出现重叠加工现象；

工件的加工次序约束：重调度条件下，同一个工件在紧邻两个流水线上加工的次序关系，即工件在下一个流水线的开工时间不小于其在上一个流水线的完工时间；

步骤4：针对流水车间重调度目标及约束条件，采用迁徙鸟群优化方法生成流水车间重调度方案；

步骤4.1：按照原调度计划产生一个迁徙鸟，并加入迁徙鸟群，循环随机若干个初始迁徙鸟加入迁徙鸟群；

步骤4.2：对每个迁徙鸟计算目标函数值，选择迁徙鸟群中目标函数值最优的迁徙鸟作为领头迁徙鸟，其余迁徙鸟随机按照V形排列；

步骤4.3：设置迁徙鸟群最大迭代次数和每只领头迁徙鸟带领迁徙鸟群的最大迭代次数；

步骤4.4：采用***或交换的邻域搜索机制对领头迁徙鸟进行局部搜索，得到若干随机邻域解，将这些解按照目标函数值进行升序排列，选取目标函数值最优的邻域解更新当前领头迁徙鸟；

步骤4.5：对领头迁徙鸟选择若干个未使用的随机邻域解，传递给V形队列左右两边第一个迁徙鸟；

步骤4.6：对于迁徙鸟群中非领头迁徙鸟随机产生若干邻域解，并将这些领域解与该迁徙鸟的上层迁徙鸟所传递的领域解按照目标函数值升序排列，选取目标函数值最优的邻域解更新当前迁徙鸟；

步骤4.7：对迁徙鸟群中非领头迁徙鸟选择若干个未使用的随机邻域解，传递给V形队列的下一层迁徙鸟；

步骤4.8：当达到每只领头迁徙鸟带领迁徙鸟群的最大迭代次数时，更换领头迁徙鸟：调整领头迁徙鸟到V形队列最后位置，将V形队列中第一个迁徙鸟设置为领头迁徙鸟；

步骤4.9：判断是否满足迁徙鸟群最大迭代次数，若不满足，则进行下一次迭代；否则，在当前的迁徙鸟群中选取目标函数值最优的迁徙鸟，作为流水车间重调度方案；

步骤5：将流水车间重调度方案下发到流水车间各工序进行重调度。

有益效果：

(1)本发明将迁徙鸟群算法用于流水车间重调度问题，综合考虑多种突发事件，保证在突发事件之间完成快速反应；在重调度过程中，采用***或交换的邻域搜索机制，可以有效确保重调度方案在两个突发事件之间及时处理；MBO通过不断传递搜索信息到后续迁徙鸟，可以有效提高性能；通过不断调换领头鸟，可以确保调度方案的多样性和稳定性。

(2)本发明提供了双目标优化机制，最小化最大完工时间可以尽可能提高调度方案的生产效率，降低生产成本，提高设备利用率。最小化工件变化数目，可以有效提高调度方案相比原计划的鲁棒性，降低变化带来的不确定性。上述目标对实际车间作业计划与调度具有较高的指导性。

附图说明

图1为本发明具体实施方式的流水车间重调度方法流程图；

图2为本发明具体实施方式的采用迁徙鸟群优化方法生成流水车间重调度方案流程图；

图3为本发明具体实施方式的原计划调度结果甘特图；

图4为本发明具体实施方式的重调度结果甘特图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

本实施方式是将流水车间重调度方法应用到炼钢连铸生产流水车间中，该车间生产5个工件，有3台机床，加工时间如表1所示，其中，工件为J₁～J₅，机床为M₁～M₃，突发事件是在第10分钟时刻，机床M₁上发生故障，需要修理10分钟。

表1加工时间表

本实施方式的流水车间重调度方法，如图1所示，包括以下步骤：

步骤1：实时获取当前流水车间的突发事件、重调度工件、机器可用时刻和正加工工序完工时刻；

突发事件包括工件随机到达、工件随机撤销、工件加工时间变化和设备随机故障；

重调度工件包括待加工工件和新***工件；

机器可用时刻为重调度时刻的空闲机器可获得时刻，或者忙碌机器/故障机器正加工工件的完工时刻；

正加工工序完工时刻为非故障机器的原计划完工时刻或故障机器的重调度时刻；

本实施方式中，突发事件在第10分钟时刻发生，突发事件的类型为设备随机故障，即机床M₁上发生故障，需要修理10分钟。

步骤2：针对不同突发事件，对已开工工序和未开工工序进行分组：若突发事件为工件随机到达，则保持已经在第一个机床上开工的工序的原调度顺序，对未开工工序和新加入的工件执行步骤3；若突发事件为工件随机撤销，则保持已经在第一个机床上开工的工序的原调度顺序，在删除该撤销工件后对未开工工序执行步骤3；若突发事件为工件加工时间变化，则计算受突发事件影响的正加工工序的完工时刻，执行步骤3；若突发事件为设备随机故障，则计算受突发事件影响的机床的可用时刻，执行步骤3；

由于只有工件J₄已经在机床M₁上开始加工，其他工件在机床M₁上还没有开始加工，因此按照工件划分的原则(即对已开工工序和未开工工序进行分组)，所有工件划分为两组，即：已开工工序组1={J₄}，未开工工序组2={J₁，J₂，J₅，J₃}。

步骤3：确定流水车间重调度目标及约束条件：以最小化最大完工时间和最小化开工时间变化的工件数量为目标建立流水车间重调度目标函数，该函数的约束条件包括：

工件的完工时间约束：重调度下工件在机床上加工的完工时间不小于重调度下工件在机床上加工的开工时间、重调度下工件在机床上加工的时间及机床故障时间之和；

工件的开工时间约束：重调度条件下工件的开工时间不小于其释放时间；

机床的加工次序约束：重调度条件下，在同一个机床上加工的紧邻两个工件不能出现重叠加工现象；

工件的加工次序约束：重调度条件下，同一个工件在紧邻两个流水线上加工的次序关系，即工件在下一个流水线的开工时间不小于其在上一个流水线的完工时间；

流水车间重调度目标函数f如下：

f＝w₁*f₁+(1-w₁)*f₂      (1)

$f_1=\min \left\{\underset{l\≤i\≤n}{\max }{c}_{i,m}\right\}---\left(2\right)$

$f_2=\min \left\{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{X}_{\mathrm{ij}}\right\}---\left(3\right)$

$\begin{array}{c}s.t.\\ \stackrel{\‾}{c_{i,j}}\≥\stackrel{\‾}{s_{i,j}}+\stackrel{\‾}{p_{i,j}}+Y_{\mathrm{ij}}(B_e-B_s)\end{array}---\left(4\right)$

$\stackrel{\‾}{s_{i,j}}\≥r_{i,j}---\left(5\right)$

$\stackrel{\‾}{s_{i+1,j}}\≥\stackrel{\‾}{s_{i,j}}+\stackrel{\‾}{p_{i,j}}---\left(6\right)$

$\stackrel{\‾}{s_{i+1,j+1}}\≥\stackrel{\‾}{c_{i,j}}---\left(7\right)$

X_ij＝{0，1}        (8)

Y_ij＝{0，1}        (9)

0≤w₁≤1       (10)

上述函数中，式(1)为目标函数，其包含两个目标f₁和f₂，并对这两个目标进行加权处理；式(2)表示第一个目标f₁，即最小化最大完工时间，式中所有工件在最后一个机床m上的完工时间的最大值，即当前解的最大完工时间；式(3)表示第二个目标f₂，即***稳定性指标，用所有工件在重调度下的开工时间和原计划下的开工时间的差值的总和表示；式(4)表示重调度条件下，工件的完工时间约束；式(5)表示重调度条件下，工件的开工时间应不小于其释放时间；式(6)表示重调度条件下，在同一个机床上加工的紧邻两个工件不能出现重叠加工现象；式(7)表示重调度条件下，同一个工件在紧邻两个流水线上加工的次序关系，即工件在下一个流水线的开工时间不小于其在上一个流水线的完工时间；式(8-10)表示重调度条件下，变量的取值范围。

目标函数变量如下：

步骤4：针对流水车间重调度目标及约束条件，采用迁徙鸟群优化方法生成流水车间重调度方案，其流程如图2所示；

步骤4.1：按照原调度计划产生一个迁徙鸟，并加入迁徙鸟群，循环随机生成P_n个初始迁徙鸟加入迁徙鸟群；

初始迁徙鸟产生规则如下：首先，按照原调度最优解的编码排列产生一个迁徙鸟，并加入迁徙鸟群；其次，循环随机产生P_n-1个初始迁徙鸟，为保证V形排列的队列两边对称设置P_n为奇数，产生的初始迁徙鸟群，选择最优解作为领头迁徙鸟，其余迁徙鸟随机按照V形排列。

本实施方式中，保持已开工工序组1的加工次序不变，未开工工序组2的加工次序可以随意调整，生成51个迁徙鸟，对应问题的51个解，由于问题规模小，其中有些解可能是相同的。

例如，其中三个解如下：

迁徙鸟1：{4，1，2，5，3}，对应含义是，在任何机床上，工件的加工次序是J₄，J₁，J₂，J₅，J₃。

迁徙鸟2：{4，1，3，5，2}，对应含义是，在任何机床上，工件的加工次序是J₄，J₁，J₃，J₅，J₂。

迁徙鸟3：{4，5，3，1，2}，对应含义是，在任何机床上，工件的加工次序是J₄，J₅，J₃，J₁，J₂。

按照问题的两个目标，评价上述迁徙鸟，选出最优的作为领头鸟，其他两个作为普通迁徙鸟。

步骤4.2：对每个迁徙鸟计算目标函数值，选择迁徙鸟群中目标函数值最优的迁徙鸟作为领头迁徙鸟，其余迁徙鸟随机按照V形排列；

步骤4.3：设置迁徙鸟群最大迭代次数和每只领头迁徙鸟带领迁徙鸟群的最大迭代次数；

步骤4.4：采用***或交换的邻域搜索机制对领头迁徙鸟进行k次局部搜索，得到k个随机邻域解，将这些解按照目标函数值进行升序排列，选取目标函数值最优的邻域解更新当前领头迁徙鸟；

步骤4.5：对领头迁徙鸟选择x个未使用的随机邻域解，传递给V形队列左右两边第一个迁徙鸟；

步骤4.6：对于迁徙鸟群中非领头迁徙鸟S_r随机产生(k-x)个邻域解，存入集合N_r，并将这些领域解与该迁徙鸟的上层迁徙鸟S_r-1所传递的领域解按照目标函数值升序排列，构成集合Nr,，选取目标函数值最优的邻域解更新当前迁徙鸟；

步骤4.7：对迁徙鸟群中非领头迁徙鸟选择x个未使用的随机邻域解，传递给V形队列的下一层迁徙鸟；

步骤4.8：当达到每只领头迁徙鸟带领迁徙鸟群的最大迭代次数w时，更换领头迁徙鸟：调整领头迁徙鸟到V形队列最后位置，将V形队列中第一个迁徙鸟设置为领头迁徙鸟；

步骤4.9：判断是否满足迁徙鸟群最大迭代次数K，若不满足，则进行下一次迭代；否则，在当前的迁徙鸟群中选取目标函数值最优的迁徙鸟，作为流水车间重调度方案；

在当前的迁徙鸟群中选取目标函数值最优的迁徙鸟是{4，1，2，3，5}，其对应的目标函数值=173.33，两个目标是：{242,13}，即最大完工时间=242，工件变化总和=13。

步骤5：将流水车间重调度方案下发到流水车间各工序进行重调度。

原计划调度如图3所示，重调度后的调度方案如图4所示。图中，每个方框代表一个工件，方框内的数字表示工件编号，方框内的“×”符号表示机床故障维修时间，方框右下方的数字表示该工件的完工时间。

采用450个标准实例集来检验本实施方式的方法有效性。测试算例问题规模分为以下几类：20.vs.5，20.vs.10，20.vs.20，50.vs.5，50.vs.10，50.vs.20，100.vs.5，100.vs.10，100.vs.20，其中的两个数字分别表示工件个数和机床个数。

实验参数设置如下：初始迁徙鸟群大小P_n＝51；领头迁徙鸟进行k＝7次局部搜索，得到k＝7个随机邻域解；对迁徙鸟群中非领头迁徙鸟选择x=3个未使用的随机邻域解，传递给V形队列左右两边第一个迁徙鸟；领头鸟最大迭代次数w=20；迁徙鸟群最大迭代次数K=500；目标函数的权重系数w₁＝0.8。

实验环境：采用C++语言编程实现，程序运行环境为：DELL台式机i73.4GHz，内存为16GB。

实验内容：本方法与IG方法的性能比较

将本实施方式的迁徙鸟群优化方法(Migrating Birds Optimization，MBO)与IG方法进行性能比较验证本方法的有效性。为了尽量消除由于随机性而带来的计算误差，使得计算结果更具有有效性和一般性，对每个重调度问题实例连续运行20次。其中，n.vs.m表示问题的工件数和机器数。

表2针对450个算例的运行结果比较

表2比较了MBO与IG的调度性能。IG是Ruiz等将提出的一种有效的局部搜索方法。从表2中可以看出MBO在所有450个问题上都取得了比较好的结果。另外，平均值的比较表示MBO具有良好的稳定性。这说明MBO在求解流水车间重调度问题上具有优越的性能，同时也具有较好的稳定性。

实验分析：

由上述实验比较可见，MBO融合并用于求解流水车间调度问题，无论调度方案的性能还是稳定性方面，都具有较大优势：

(1)调度方案性能方面

在重调度过程中，采用***或交换的邻域搜索机制，可以有效确保重调度方案在两个突发事件之间及时处理。

(2)调度方案稳定性方面

MBO通过不断传递搜索信息到后续迁徙鸟，可以有效提高性能；通过不断调换领头鸟，可以确保调度方案的多样性，确保调度方案的多样性和稳定性。

Claims (1)

1.一种流水车间重调度方法，其特征在于：包括以下步骤：

步骤1：实时获取当前流水车间的突发事件、重调度工件、机器可用时刻和正加工工序完工时刻；

所述突发事件包括工件随机到达、工件随机撤销、工件加工时间变化和设备随机故障；

所述重调度工件包括待加工工件和新***工件；

所述机器可用时刻为重调度时刻的空闲机器可获得时刻，或者忙碌机器/故障机器正加工工件的完工时刻；

所述正加工工序完工时刻为非故障机器的原计划完工时刻或故障机器的重调度时刻；

步骤2：针对不同突发事件，对已开工工序和未开工工序进行分组：若突发事件为工件随机到达，则保持已经在第一个机床上开工的工序的原调度顺序，对未开工工序和新加入的工件执行步骤3；若突发事件为工件随机撤销，则保持已经在第一个机床上开工的工序的原调度顺序，在删除该撤销工件后对未开工工序执行步骤3；若突发事件为工件加工时间变化，则计算受突发事件影响的正加工工序的完工时刻，执行步骤3；若突发事件为设备随机故障，则计算受突发事件影响的机床的可用时刻，执行步骤3；

步骤3：确定流水车间重调度目标及约束条件：以最小化最大完工时间和最小化开工时间变化的工件数量为目标建立流水车间重调度目标函数，该函数的约束条件包括：

工件的完工时间约束：重调度下工件在机床上加工的完工时间不小于重调度下工件在机床上加工的开工时间、重调度下工件在机床上加工的时间及机床故障时间之和；

工件的开工时间约束：重调度条件下工件的开工时间不小于其释放时间；

机床的加工次序约束：重调度条件下，在同一个机床上加工的紧邻两个工件不能出现重叠加工现象；

工件的加工次序约束：重调度条件下，同一个工件在紧邻两个流水线上加工的次序关系，即工件在下一个流水线的开工时间不小于其在上一个流水线的完工时间；

步骤4：针对流水车间重调度目标及约束条件，采用迁徙鸟群优化方法生成流水车间重调度方案；

步骤4.1：按照原调度计划产生一个迁徙鸟，并加入迁徙鸟群，循环随机若干个初始迁徙鸟加入迁徙鸟群；

步骤4.2：对每个迁徙鸟计算目标函数值，选择迁徙鸟群中目标函数值最优的迁徙鸟作为领头迁徙鸟，其余迁徙鸟随机按照V形排列；

步骤4.3：设置迁徙鸟群最大迭代次数和每只领头迁徙鸟带领迁徙鸟群的最大迭代次数；

步骤4.4：采用***或交换的邻域搜索机制对领头迁徙鸟进行局部搜索，得到若干随机邻域解，将这些解按照目标函数值进行升序排列，选取目标函数值最优的邻域解更新当前领头迁徙鸟；

步骤4.5：对领头迁徙鸟选择若干个未使用的随机邻域解，传递给V形队列左右两边第一个迁徙鸟；

步骤4.6：对于迁徙鸟群中非领头迁徙鸟随机产生若干邻域解，并将这些领域解与该迁徙鸟的上层迁徙鸟所传递的领域解按照目标函数值升序排列，选取目标函数值最优的邻域解更新当前迁徙鸟；

步骤4.7：对迁徙鸟群中非领头迁徙鸟选择若干个未使用的随机邻域解，传递给V形队列的下一层迁徙鸟；

步骤4.8：当达到每只领头迁徙鸟带领迁徙鸟群的最大迭代次数时，更换领头迁徙鸟：调整领头迁徙鸟到V形队列最后位置，将V形队列中第一个迁徙鸟设置为领头迁徙鸟；

步骤4.9：判断是否满足迁徙鸟群最大迭代次数，若不满足，则进行下一次迭代；否则，在当前的迁徙鸟群中选取目标函数值最优的迁徙鸟，作为流水车间重调度方案；

步骤5：将流水车间重调度方案下发到流水车间各工序进行重调度。

Images