CN103942610A - 基于任务的可重组制造***多态构型优化方法 - Google Patents

Abstract

本发明公开了一种基于任务的可重组制造***多态构型优化方法，包括以下步骤：步骤一，根据市场需求的变化，获取动态任务的特征信息，分析待加工零件的工艺特点，确定任务的优先级别；步骤二，建立用于描述任务状态变化过程的动态空间模型和用于描述机床数量的机床能力空间模型；步骤三，建立动态任务空间到机床能力空间的映射关系，在此基础上，利用马尔科夫决策过程为动态任务分配合理的工位操作；步骤四，根据机床的加工能力信息建立能使机床能力最优的任务分配机制；步骤五，根据任务分配机制和***优化目标，建立用于描述任务状态输入输出过程的***排队模型，并利用ε支配自适应粒子群优化算法对***构型进行多目标优化分析。

Description

基于任务的可重组制造***多态构型优化方法

技术领域

本发明属于加工制造技术领域，涉及制造***构型领域的优化方法，尤其是基于任务的可重组制造***多态构型优化方法。

背景技术

构型优化是可重组制造***能够经济、快速地响应多样化市场需求的重要环节，可重组制造***在全生命周期中的每一个生命周期都有不同的任务需求，而每一个任务需求都需要不同的构型与之相匹配。可重组制造***的构型主要从以下两个方面考虑：设备层构型和***层构型。设备层构型主要是确定设备模块化构件之间的组合、联接关系；***层构型主要解决如何根据任务需求变化对***原有构型进行重组的问题，主要包括：确定工作站数量和每个工作站中并联机床的数量，选择适当的工位操作并将其合理分配至不同的工作站。根据可重组制造***的可重组性特点，面对任务多态变化的市场需求，快速找到性能可靠、机床利用率高并且成本合理是进行构型优化亟需解决的主要问题。

在可重组制造环境下，多态复杂的任务需求，为***最优构型的确定带来了一定难度。因此，构型优化的主要特征是具有动态响应性，能够根据市场多变的任务需求，及时对制造***原有构型进行适当调整。任务分配是进行构型优化的重要步骤之一，其通过对不同的任务选择相应的机床，并把机床分配到各个工作站，一方面可以提高机床利用率；另一方面，合理的任务分配可以有效降低制造***的重组成本。

经对现有技术的发明文献检索后发现，对于制造***的构型优化，Defersha等利用模拟退火方法对动态制造***的配置和生产过程进行规划研究，建立了满足制造***生产能力和生产功能约束的***配置模型。Youssef等利用遗传算法对制造***构型成本进行了优化分析，提出一种通过从离散域决策变量到连续域决策变量进行映射的方法，以降低搜索空间的复杂程度。窦建平等通过获取各生产周期内的最优和K-1个次优（K优）单零件流水线构型，对可重构制造***进行构型优化研究，将寻求满足功能和产能约束、空间约束和投资限制的K优构形问题建模为关联所有可行工位操作序列的复合增广有向图上的约束K最短路径问题，获得K优解。陈科在传统机械优化的基础上，提出了一种基于熵增理论的优化算法，该算法将***的演化过程和优化问题在解空间的寻优过程相对应，将***的构型参数与优化问题的设计变量相对应，以***的平衡态作为优化设计问题的最优点，以***熵最大或***能量最小作为***收敛的准则，对***构型进行优化分析。

综合文献的研究概况可以看出，目前对于制造***构型优化的研究主要集中在理论层面，缺乏实用性。可重组制造***在重组过程中，面临并需要完成一系列复杂多变的任务，为了快速响应市场需求，必须不断地对制造***进行任务的分配和再分配。由于任务的多态性是由市场的不确定因素造成的，必须对随机出现的所有任务，建立相应的动态分配机制，并根据任务分配方法和***优化目标对其进行构型优化分析。因此，在随机任务的基础上，研究对制造***的构型进行优化分析更具有实际应用价值。

发明内容

本发明的目的是针对现有制造***构型优化方法的不足，提出一种基于任务的可重组制造***多态构型优化方法，以解决背景技术中存在的不足。

为达到上述目的，本发明的技术方案如下：

一种基于任务的可重组制造***多态构型优化方法，其包括以下步骤：

步骤一，根据市场需求的变化，获取动态任务的特征信息，分析待加工零件的工艺特点，确定任务的优先级别；

步骤二，建立用于描述任务状态变化过程的动态空间模型和用于描述机床数量的机床能力空间模型；

步骤三，建立动态任务空间到机床能力空间的映射关系，在此基础上，利用马尔科夫决策过程为动态任务分配合理的工位操作；

步骤四，根据机床的加工能力信息建立能使机床能力最优的任务分配机制；

步骤五，根据任务分配机制和***优化目标，建立用于描述任务状态输入输出过程的***排队模型，并利用ε支配自适应粒子群优化算法对***构型进行多目标优化分析。

所述可重组制造***多态构型，是指制造***中的机床布局结构在不同任务需求下所呈现出的多种状态。

所述市场需求的变化，是指顾客在一定的地区、一定的时间、一定的市场营销环境下对某种产品购买数量的变化或对某种产品设计要求的变化。

所述可重组制造***动态任务特征，是指制造***在每一个重组周期内所面临且需要执行的一系列不同的生产任务特征，主要包括：任务需求特征、待加工零件工艺特征、机床配置特征、空间约束特征和成本约束特征等。

所述任务的优先级别，是指工件在加工过程中需要完成的每道工序的先后顺序。

所建立的用于描述任务状态变化过程的动态空间为制造***在全生命周期内各个阶段上要完成的任务的集合，记为W。该集合包含x个不同的任务，即W={W₁,W₂,...W_x}，在第t个生命周期时，所要分配并执行的任务为W_t，则W_t∈W。

所建立的用于描述机床数量的机床能力空间模型为：假设每个工作站中并联机床的数量为m，每个机床都有自己的加工能力空间，设第i台机床的加工能力空间为V_i，则整个工作站的机床能力空间为V={V₁×V₂×…×V_i×…×V_m}。

所建立的动态任务空间到机床能力空间的映射关系为将动态任务实时地分配给相应机床的行动过程。在***每个生命周期的状态下，动态任务的分配方案，均可用有序数对进行描述，其对应的元素为机床编码。当机床能力未超过***剩余缓存任务时，任务空间中的任务均可以被分配。

利用马尔科夫决策过程对动态任务选择合理的工位操作是基于动态任务特征和机床能力信息与过去其他特征信息无关，任务分配决策过程具有马尔科夫性。制造***在各生命周期的状态变化过程可用状态转移概率进行描述，随机任务在输入过程中反映了市场需求的变化规律，相对于机床能力信息是独立存在的，而整个***的状态是由动态任务和机床能力信息共同作用的结果，因此，可用任务状态转移率与机床能力状态转移率的乘积，来描述整个***的任务状态从一种工位操作分配到另一种工位操作的状态转移概率。

根据机床的加工能力信息所建立的能使机床能力最优的任务分配机制指的是构建任务特征与机床信息相匹配的动态响应方案，该方案既能体现任务和机床的特征信息，还可以保证机床利用率最优。

所建立的用于描述任务状态输入输出过程的***排队模型如下：A/B/N

其中，A表示任务的输入过程服从泊松分布，B表示任务执行时间为负指数分布，N表示在任务从输入到输出整个过程中，所要经过的所有工作站数量。

工作站数量水平的有限状态空间为N={1,2,…n-1,n},n≥1，任务分别以λ₁，λ₂，…，λ_n到达，服务率分别为μ₁，μ₂，…，μ_n，形成的队长分别为n₁，n₂，…，n_n。

任务在执行过程中的排队规则如下：

（ⅰ）机床选择

根据待加工零件的工艺任务特点，在满足约束条件的情况下，对现有制造***的机床组进行数量和类型的移除，或从机床库中选择并添加一定数量和类型的机床，使制造***完成设备级的重组过程。

其约束条件为生产能力约束和车间空间约束。这里，生产能力P_c指的是单台类型为t的机床在单位工作时间内所完成与工位操作s相关的零件数量，为满足任务需求，通常规定P_c≥V；车间空间约束指的是制造***中的工作站数量和每个工作站中所包含的并联机床数量均不能超过车间允许的最大数量，其约束函数为

$z_{s,t}{n}_{s,t}{P}_c\≤M_{\max },{\∀}_s\∈S,{\∀}_t\∈T$

$\underset{s\∈S}{\mathrm{\Σ}}\underset{t\∈T}{\mathrm{\Σ}}{z}_{s,t}\≤N_{\max }$

其中，z_s,t指的是二元决策变量，如果工位操作s被分配到机床r，z_s,t=1，否则z_s,t=0，n_s,t指的是完成与工位操作s相关的机床数量（取整），P_c指的是生产能力，M_max指的是每个工作站的并联机床最大允许数量，N_max指的是制造***所允许的工作站最大数量。

（ⅱ）服务优先

加工任务信息在输入到制造***之前，先要根据工艺规划要求，确定工序优先关系。所有工序按照树状结构排列，优先级别最高的工序排在树状结构的顶端，随着优先级别的降低，对应的工序依次向下排列。

（ⅲ）任务分配

组成制造***的设备有很多种，常见的有数控机床，专用机床和可重构机床等，每种机床都有各自不同的成本和功能，如何在不违反任务优先的前提下把工位操作合理地分配到相应的机床，以达到成本最优是进行任务分配的首要任务。

将加工任务按照特征进行如下划分：①相同任务，在相同的时间内，使用相同的切削工具加工出相同的几何特征；②相似任务，使用不同的切削工具加工出相同的几何特征，或者是使用相同的切削工具，但加工出的几何特征具有不同的公差参数要求；③特定任务，使用切削工具加工出不同于其他几何特征的特征。

把相同任务和相似任务分配在相同的工作站，特定任务在确保各机床负荷平衡的前提下可做灵活处理。

任务状态输入输出过程的***排队模型，主要性能指标包括：每个服务台的机床数量和机床的平均繁忙率等。通过制造***在任务输入过程中的实际特征信息，分析机床参与服务的概率分布，进而分析模型在任务配置和***构型优化问题中的应用价值。

以重组资本最小化和机床利用率最大化为目标，构造出***构型优化的目标函数分别为：

(c)重组资本最小

其中，C_t表示所需类型为t的机床成本，τ_s,t表示类型为t的机床在进行工位操作s时所需花费的总时间（包括工件安装、卸载时间，和加工时间），V表示任务需求率，|τ_s,t×V|表示所需类型为t的机床的数量（取整），ω_t表示单台类型为t的机床初始成本，D表示机床年折旧率，I表示资本年利率。

(d)机床利用率最大

$\mathrm{Maxf}=\mathrm{Max}\{\underset{n=1}{\overset{N}{\max }}\underset{x=1}{\overset{X}{\mathrm{\Σ}}}\underset{y}{\overset{Y_i}{\mathrm{\Σ}}}{t}_{\mathrm{yxn}}\·z_{\mathrm{yxn}}/\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{x=1}{\overset{X}{\mathrm{\Σ}}}\underset{y}{\overset{Y_i}{\mathrm{\Σ}}}{t}_{\mathrm{yxn}}\·z_{\mathrm{yxn}}\}$

其中，n表示机床数量，x表示待加工零件的种类数，y_i表示第i个待加工零件的工序数，t_yxn表示每件x类型待加工零件的第y道工序在第n台机床上所需要的加工时间，z_yxn表示决策变量，当z_yxn=1时，表示第x类型待加工零件的第y道工序在第n台机床上进行加工，当z_yxn=0时，表示第x类型待加工零件的第y道工序未在第n台机床上进行加工。

[028]上述两个优化目标函数，可整合为一个多目标优化模型为Min(Max)f(x)=(C_t(x),f(x))，0<f(x)≤1，minx_d≤x_d≤maxx_d

其中，x为d维向量，C_t(x)，f(x)为目标函数，minx_d和maxx_d分别为每一维向量搜索的上下限。

引入ε支配策略，利用自适应粒子群优化算法进行求解。在无需附加类聚和小生境环境下，增加粒子的支配空间，使粒子排列更加均匀，同时可以有效舍去近距离非劣解。

前边所述的优化算法，其步骤包括：①初始化粒子种群，设随机产生的每个粒子最优值为初始位置，初始化速度为0，并将其存储在psolist中；②对所有粒子的目标函数值进行求解，并根据最大最小方法确定所有粒子的适应度值，并将非劣解统一存储在nonpsolist中；③对psolist中所有粒子进行迭代运算，通过轮盘赌法在nonpsolist中选取一个非劣粒子作为全局最优值，若该粒子优于当前值，则可用其替代当前值，否则保持当前值不变，根据粒子的位置和速度的变化，求出每个粒子的后代并存贮至psolist；④调整ε值，使迭代次数增加1次；⑤判断是否收敛，若收敛则输出nonpsolist，否则，返回至步骤③继续迭代。

由于采用了以上的技术方案，本发明的有益效果是：可根据市场需求的变化，迅速进行任务配置，并根据资金和空间约束条件，对可重组制造***构型进行优化设计。基于任务的可重组制造***多态构型优化方法，以动态任务为载体，以可重组制造***全生命周期为研究对象，对***的构型及其性能指标进行优化分析，使现代制造业能快速适应复杂多变的市场需求，并能降低制造成本，在同类生产企业中具有更强的竞争力。

附图说明

图1为本发明的基于任务的可重组制造***多态构型优化方法流程图。

图2为基于排队论的制造***任务输入输出过程流程图。

具体实施方式

以下结合本发明的内容和附图所述实施例对本发明作进一步的说明。

本发明是一种基于任务的可重组制造***多态构型优化方法，其包括以下步骤：

步骤一，获取动态任务的特征信息，分析待加工零件的工艺特点，确定任务的优先级别。

任务特征信息主要包括任务需求特征、待加工零件工艺特征、机床配置特征、空间约束特征和成本约束特征等。

步骤二，建立用于描述任务状态变化过程的动态空间模型和用于描述机床数量的机床能力空间模型。

用于描述任务状态变化过程的状态空间为制造***在全生命周期内各个阶段上要完成的任务的集合，记为W。该集合包含x个不同的任务，即W={W₁,W₂,...W_x}，在第t个生命周期时，所要分配并执行的任务为W_t，则W_t∈W。

任务主体具有输入、输出和执行能力要求，待加工零件的工序或者是精度等要求发生改变时，对任务的加工主体会有不同的能力要求。

任务的动态分配过程即为将任务实时地分配给相应机床的行动过程，在***每个生命周期的状态下，动态任务的分配方案，均可用有序数对进行描述，其对应的元素为机床编码。在进行任务分配前，首先要检查***的总体能力是否大于新出现的任务，当机床能力未超过***剩余缓存任务时，任务空间中的任务才可以被分配。

步骤三，利用马尔科夫决策过程对动态任务选择合理的工位操作。制造***在各生命周期的状态变化过程可用状态转移概率进行描述，随机任务在输入过程中反映了市场需求的变化规律，相对于机床能力信息是独立存在的，而整个***的状态是由动态任务和机床能力信息共同作用的结果，因此，可用任务状态转移率与机床能力状态转移率的乘积，来描述整个***的任务状态从一种工位操作分配到另一种工位操作的状态转移概率。先算出***在当前任务状态下采取的任务分配方案转移到下一个任务状态时的概率，确定在此转移过程中的优化目标函数。一般情况下，任务分配方案有多种，不同的方案会直接影响到优化目标的结果。

步骤四，根据机床的加工能力信息建立能使机床能力最优的任务分配机制。构建任务特征与机床信息相匹配的动态响应方案，该方案既能体现任务和机床的特征信息，还可以保证机床利用率最优。

步骤五，建立用于描述任务状态输入输出过程的***排队模型。以任务为顾客，机床为服务机构，分析***在任务执行过程中的主要指标性能。根据制造***在任务输入过程中的实际特征信息，分析机床参与服务的概率分布。在此基础上，结合ε支配自适应粒子群优化算法对***构型进行多目标优化分析。

本发明的流程如图1所示。主要包括市场需求、待加工零件工艺特征、机床配置特征、空间特征、成本约束特征、任务空间特征、映射、机床能力空间、任务状态、状态转移、机床、工作站、马尔科夫决策过程、任务分配机制、ε支配策略、自适应粒子群优化算法。其详细步骤如下：

先对市场需求进行分析，获取待加工零件的工艺特征、机床配置特征、车间空间特征及成本约束特征。

分别建立用于描述任务状态变化过程的动态空间模型和用于描述机床数量的机床能力空间模型。

建立任务空间到机床能力空间的映射，给动态任务分配合理的工位操作，使制造***在重组过程中性能最优。在进行任务分配前，首先要检查***的总体能力是否大于新出现的任务，当机床能力未超过***剩余缓存任务时，任务空间中的任务才可以被分配。

利用马尔科夫决策过程对整个***的任务状态从一种工位操作分配到另一种工位操作的状态转移概率进行描述。先算出***在当前任务状态下所采取的任务分配方案在转移到下一个任务状态时的概率，然后确定在此转移过程中的优化目标函数。

以待执行任务为顾客，机床为服务机构，建立用于描述任务状态输入输出过程的***排队模型，分析***在任务执行过程中的主要指标性能。根据制造***在任务输入过程中的实际特征信息，分析机床参与服务的概率分布。在此基础上，结合ε支配自适应粒子群优化算法对***构型进行多目标优化分析。

本发明一方面基于任务的可重组制造***多态构型优化提供一种以动态任务为载体，以制造***的机床利用率和重组成本为优化目标的方法，具有突出的实际应用价值；另一方面基于排队理论的马尔科夫随机模型，能有效地反映制造***在响应市场变化所做出的一系列重组动作，实现任务合理配置和机床最大利用率。

上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。

Claims (10)

1.一种基于任务的可重组制造***多态构型优化方法，其特征在于，包括以下步骤：

步骤一，根据市场需求的变化，获取动态任务的特征信息，分析待加工零件的工艺特点，确定任务的优先级别；

步骤二，建立用于描述任务状态变化过程的动态空间模型和用于描述机床数量的机床能力空间模型；

步骤三，建立动态任务空间到机床能力空间的映射关系，在此基础上，利用马尔科夫决策过程为动态任务分配合理的工位操作；

步骤四，根据机床的加工能力信息建立能使机床能力最优的任务分配机制；

步骤五，根据任务分配机制和***优化目标，建立用于描述任务状态输入输出过程的***排队模型，并利用ε支配自适应粒子群优化算法对***构型进行多目标优化分析。

2.根据权利要求1所述的基于任务的可重组制造***多态构型优化方法，其特征在于：所述可重组制造***多态构型，是指制造***中的机床布局结构在不同任务需求下所呈现出的多种状态；

或者，优选的，所述市场需求的变化，是指顾客在一定的地区、一定的时间、一定的市场营销环境下对某种产品购买数量的变化或对某种产品设计要求的变化；

或者，优选的，所述可重组制造***动态任务特征，是指制造***在每一个重组周期内所面临且需要执行的一系列不同的生产任务特征，包括：任务需求特征、待加工零件工艺特征、机床配置特征、空间约束特征和成本约束特征；

或者，优选的，所述任务的优先级别，是指工件在加工过程中需要完成的每道工序的先后顺序；

或者，优选的，所建立的用于描述任务状态变化过程的动态空间为制造***在全生命周期内各个阶段上要完成的任务的集合，记为W；该集合包含x个不同的任务，即W={W₁,W₂,...W_x}，在第t个生命周期时，所要分配并执行的任务为W_t，则W_t∈W；

或者，优选的，所建立的用于描述机床数量的机床能力空间模型为：假设每个工作站中并联机床的数量为m，每个机床都有自己的加工能力空间，设第i台机床的加工能力空间为V_i，则整个工作站的机床能力空间为V={V₁×V₂×…×V_i×…×V_m}。

3.根据权利要求1所述的基于任务的可重组制造***多态构型优化方法，其特征在于：所建立的动态任务空间到机床能力空间的映射关系为将动态任务实时地分配给相应机床的行动过程；在***每个生命周期的状态下，动态任务的分配方案，均能用有序数对进行描述，其对应的元素为机床编码；当机床能力未超过***剩余缓存任务时，任务空间中的任务均能被分配。

4.根据权利要求1所述的基于任务的可重组制造***多态构型优化方法，其特征在于：利用马尔科夫决策过程对动态任务选择合理的工位操作是基于动态任务特征，和机床能力信息与过去其他特征信息无关，任务分配决策过程具有马尔科夫性；制造***在各生命周期的状态变化过程用状态转移概率进行描述，用任务状态转移率与机床能力状态转移率的乘积，来描述整个***的任务状态从一种工位操作分配到另一种工位操作的状态转移概率。

5.根据权利要求1所述的基于任务的可重组制造***多态构型优化方法，其特征在于：根据机床的加工能力信息所建立的能使机床能力最优的任务分配机制指的是构建任务特征与机床信息相匹配的动态响应方案。

6.根据权利要求1所述的基于任务的可重组制造***多态构型优化方法，其特征在于：所建立的用于描述任务状态输入输出过程的***排队模型如下：A/B/N；

其中，A表示任务的输入过程服从泊松分布，B表示任务执行时间为负指数分布，N表示在任务从输入到输出整个过程中，需要经过的所有工作站数量。

7.根据权利要求6所述的基于任务的可重组制造***多态构型优化方法，其特征在于：所建立的用于描述任务状态输入输出过程的***排队模型，其工作站数量水平的有限状态空间为N={1,2,…n-1,n},n≥1，任务分别以λ₁，λ₂，…，λ_n到达，服务率分别为μ₁，μ₂，…，μ_n，形成的队长分别为n₁，n₂，…，n_n；

或者，优选的，所建立的用于描述任务状态输入输出过程的***排队模型，任务在执行过程中的排队规则如下：

（ⅰ）机床选择

根据待加工零件的工艺任务特点，在满足约束条件的情况下，对现有制造***的机床组进行数量和类型的移除，或从机床库中选择并添加一定数量和类型的机床，使制造***完成设备级的重组过程；

其约束条件为生产能力约束和车间空间约束；这里，生产能力P_c指的是单台类型为t的机床在单位工作时间内所完成与工位操作s相关的零件数量，为满足任务需求，通常规定P_c≥V；车间空间约束指的是制造***中的工作站数量和每个工作站中所包含的并联机床数量均不能超过车间允许的最大数量，其约束函数为：

$z_{s,t}{n}_{s,t}{P}_c\&le;M_{\max },{\&ForAll;}_s\&Element;S,{\&ForAll;}_t\&Element;T$

$\underset{s\&Element;S}{\mathrm{\&Sigma;}}\underset{t\&Element;T}{\mathrm{\&Sigma;}}{z}_{s,t}\&le;N_{\max }$

其中，z_s,t指的是二元决策变量，如果工位操作s被分配到机床r，z_s,t=1，否则z_s,t=0，n_s,t指的是完成与工位操作s相关的取整机床数量，P_c指的是生产能力，M_max指的是每个工作站的并联机床最大允许数量，N_max指的是制造***所允许的工作站最大数量；

（ⅱ）服务优先

加工任务信息在输入到制造***之前，先要根据工艺规划要求，确定工序优先关系；所有工序按照树状结构排列，优先级别最高的工序排在树状结构的顶端，随着优先级别的降低，对应的工序依次向下排列；

（ⅲ）任务分配

将加工任务按照特征进行如下划分：①相同任务，在相同的时间内，使用相同的切削工具加工出相同的几何特征；②相似任务，使用不同的切削工具加工出相同的几何特征，或者是使用相同的切削工具，但加工出的几何特征具有不同的公差参数要求；③特定任务，使用切削工具加工出不同于其他几何特征的特征；

把相同任务和相似任务分配在相同的工作站，特定任务在确保各机床负荷平衡的前提下可做灵活处理；

或者，优选的，所建立的用于描述任务状态输入输出过程的***排队模型，主要性能指标包括：每个服务台的机床数量和机床的平均繁忙率等。通过制造***在任务输入过程中的实际特征信息，分析机床参与服务的概率分布，进而分析模型在任务配置和***构型优化问题中的应用价值；

或者，优选的，所建立的用于描述任务状态输入输出过程的***排队模型，以重组资本最小化和机床利用率最大化为目标，构造出***构型优化的目标函数分别为：

(a)重组资本最小

其中，C_t表示所需类型为t的机床成本，τ_s,t表示类型为t的机床在进行工位操作s时所需花费的总时间，包括工件安装、卸载时间和加工时间，V表示任务需求率，|τ_s,t×V|表示所需类型为t的机床的取整数量，ω_t表示单台类型为t的机床初始成本，D表示机床年折旧率，I表示资本年利率；

(b)机床利用率最大

$\mathrm{Maxf}=\mathrm{Max}\{\underset{n=1}{\overset{N}{\max }}\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y}{\overset{Y_i}{\mathrm{\&Sigma;}}}{t}_{\mathrm{yxn}}\&CenterDot;z_{\mathrm{yxn}}/\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{x=1}{\overset{X}{\mathrm{\&Sigma;}}}\underset{y}{\overset{Y_i}{\mathrm{\&Sigma;}}}{t}_{\mathrm{yxn}}\&CenterDot;z_{\mathrm{yxn}}\}$

其中，n表示机床数量，x表示待加工零件的种类数，y_i表示第i个待加工零件的工序数，t_yxn表示每件x类型待加工零件的第y道工序在第n台机床上所需要的加工时间，z_yxn表示决策变量，当z_yxn=1时，表示第x类型待加工零件的第y道工序在第n台机床上进行加工，当z_yxn=0时，表示第x类型待加工零件的第y道工序未在第n台机床上进行加工。

8.根据权利要求7所述的基于任务的可重组制造***多态构型优化方法，其特征在于：所构造的两个优化目标函数，整合为一个多目标优化模型为Min(Max)f(x)=(C_t(x),f(x))，0<f(x)≤1，minx_d≤x_d≤maxx_d

其中，x为d维向量，C_t(x)，f(x)为目标函数，minx_d和maxx_d分别为每一维向量搜索的上下限。

9.根据权利要求8所述的基于任务的可重组制造***多态构型优化方法，其特征在于：所述的多目标优化模型，引入ε支配策略，利用自适应粒子群优化算法进行求解；在无需附加类聚和小生境环境下，增加粒子的支配空间，使粒子排列更加均匀，同时可以有效舍去近距离非劣解。

10.根据权利要求9所述的基于任务的可重组制造***多态构型优化方法，其特征在于：所述的优化算法，其步骤包括：①初始化粒子种群，设随机产生的每个粒子最优值为初始位置，初始化速度为0，并将其存储在psolist中；②对所有粒子的目标函数值进行求解，并根据最大最小方法确定所有粒子的适应度值，并将非劣解统一存储在nonpsolist中；③对psolist中所有粒子进行迭代运算，通过轮盘赌法在nonpsolist中选取一个非劣粒子作为全局最优值，若该粒子优于当前值，则可用其替代当前值，否则保持当前值不变，根据粒子的位置和速度的变化，求出每个粒子的后代并存贮至psolist；④调整ε值，使迭代次数增加1次；⑤判断是否收敛，若收敛则输出nonpsolist，否则，返回至步骤③继续迭代。