CN105321042A - 一种基于遗传算法的高级计划排程***及方法 - Google Patents

Abstract

本发明涉及一种基于遗传算法的高级计划排程***及方法，包括基础设置模块、数据管理模块和排程模块三部分，利用遗传算法中变异、种群进化特性，在潜在的解决方案种群中逐次产生最优解方案，解决航空企业机加生产车间的排程问题。

Description

一种基于遗传算法的高级计划排程***及方法

技术领域

本发明涉及一种基于遗传算法的高级计划排程***及方法，属于计算机控制管理技术领域。

背景技术

航空、航天等军工企业属于典型的离散制造业，车间生产普遍具有产品结构复杂，零部件多，多品种、小批量，批产与科研混线生产，影响生产因素多，计划安排难度大等特点。在实际生产中，计划人员需要根据批产任务、科研任务、其他零星任务，需要结合库存情况、设备资源状况、工装工具保障情况、工艺准备情况、物料供应情况、人员情况等进行车间作业计划的安排与调度。由于实际情况复杂，影响计划的因素多，信息采集数据量大，很多车间管理软件大多以预先定义好的一些规则，如最短加工时间优先、先到先服务、交货期最早优先等，通过这种启发式的规则进行有“侧重点”式的搜索与排序，为车间生产管理者提供计划排产决策。但实际生产过程中通常具有生产要素的复杂性，影响计划因素的随机性，生产条件的约束性，以及解决现场问题的多目标性等特点。因此，利用一般的规则运算方法，在快速搜索最优方案上，多目标优化等方面已不能很好地解决这种被证明的JobShop类型的NP难题。

高级计划排程的方法有很多，主要包括基于规划的排程方法，约束规划CP，分枝定界B&B，分解技术DT，禁忌搜索和遗传算法。基于规划的排程方法实现起来简单方便，但是规则单一，无法实现多约束的生产排程；约束规划CP虽然考虑到了现实中的各种约束，但是它主要是用来规则出不可行方案和削减大量的搜索空间，而要求的规则库规模较大，无法保证得到最优解；分枝定界B&B避免了枚举，使原始问题被分为较小的子问题，但是计算耗时耗内存；分解技术DT可以缩小优化规模，有限时间内得到较满意的解，但是局限较多，比如受限于视窗的长短和移动单位等。禁忌搜索和遗传算法类似，但是禁忌搜索的初始解对算法搜索性能影响较大，较难执行。遗传算法有较好的稳健性，在NP问题中能在有限时间内收敛得到较理想的解。

在生产计划排程的研究中，遗传算法也有较多的应用。谭辉等(2005)和周昕等(2010)研究了分布式生产模式下的生产排程问题，实例验证的结果表明遗传算法可以很好地满足分布式企业的排产要求。但是这些研究中的主要约束条件是分布在不同位置的工厂，与离散型制造车间的约束条件差别很大。范英俐等(2002)结合遗传算法和禁忌搜索求解可重构制造***的生产计划问题；李秀等(2001)研究了批量生产中遗传算法在车间作业计划的应用。这两个研究均验证了遗传算法解决生产计划问题的优势，但是一个偏重企业生产计划，一个偏重车间作业计划，并没有探讨遗传算法在生产排程的应用。

中国专利申请200710200861.4，发明名称：生产计划自动排程***及方法，申请人：鸿富锦精密工业(深圳)有限责任公司。该专利公开了一种生产计划自动排程***及方法，提供了***的主机和数据库，主机读取数据库中计划排程相关的订单、工站产能等信息后，自动计算并输出生产计划排程结果。但是该专利并未提及如何实现生产计划排程，也没有明确计划排程的算法。

中国专利申请201410506043.7，发明名称：物料生产排程仿真装置，申请人：武汉钢铁(集团)公司。该专利公开了一种物料生产排程仿真装置，提供了统一的数据接口，实现了排程算法服务器与数据库、终端设备之间的无线传输。该专利解决的是硬件集成问题，没有涉及计划排程的算法。

发明内容

本发明技术解决问题：针对航空、航天等军工企业的车间生产特点，对于计划排程难度大的问题，克服现有技术的不足，提供一种基于遗传算法的高级计划排程***及方法，利用遗传算法中变异、种群进化特性，在潜在的解决方案种群中逐次产生最优解方案，解决航空企业生产车间的排程问题。

本发明技术解决方案：基于遗传算法的高级计划排程***，包括基础设置模块、数据管理模块和计划排程模块三部分，其中：

基础设置模块：进行车间的物料基本信息、人员信息、设备及设备组信息、工作日历信息的输入和维护、设置；对***中的应用人员进行操作权限设置；该模块为数据管理模块和计划排程模块提供基础信息和***运行信息的支撑；

数据管理模块：输入任务及其优先级信息、加工工艺信息、加工资源信息和库存信息。其中加工工艺信息包括加工的工序信息、工序工时信息、工序加工单元信息、工序设置信息，以及工序所需材料信息；加工资源信息包括设备及设备组信息、工序加工所需的工装、工具信息；

计划排程模块：读取***基础设置模块中的工作日历信息，读取数据管理模块中的任务及其优先级信息、加工工艺信息、加工资源信息和库存信息。输入排程参数N,T,Pc,Pm，N代表种群大小，T代表迭代次数，Pc代表交叉概率，Pm代表变异概率，调用排程算法，输出排程结果，即设备资源维度和任务维度的甘特图。

基于遗传算法的高级计划排程方法，包括初步排程和约束调整两部分，其中：

初步排程为：

(1)输入排程参数N,T,Pc,Pm读取基础设置模块中的工作日历信息，读取数据管理模块中的任务及其优先级信息、加工工艺信息、加工资源信息和库存信息，为任务编码，随机生成规模为N的初始种群A；

(2)计算初始种群A中每条染色体的适度函数，以最短总加工时间作为评价标准，将每条染色体的总加工时间取倒数后得到的结果作为该染色体的适度值；

(3)针对每条染色体的适度值赋予不同的选择概率Ps(计算公式如下所示，其中i代表某个染色体，其适度值记为fi)，采用轮盘赌的方式从初始种群A中选择N条染色体，生成新的种群A＇；

$Ps=f_i/\underset{i=1}{\overset{N}{\Σ}}{f}_i$

(4)根据输入的交叉概率Pc，使种群A＇中的父代染色体进行两两交叉，交叉后的染色体需要进行合法性检验，合法的染色体保留，不合法的染色体丢弃；

(5)根据输入的变异概率Pm，对父代染色体进行基因段重排，生成新的染色体后同样需要进行合法性检验；

(6)重复这个过程T次，得到初步排程的最优解；

约束调整为：

出现插单、延误或物料供应发生变化时，需要相应地增加任务、调整任务优先级信息、加工工艺信息、加工资源信息和库存信息，重新排程并得到符合当前生产状态的排程结果。

本发明与现有技术相比的优点在于：

(1)排程领域中的大部分问题都NP问题，目前的方法主要是基于规划和穷举方法，只能解决小规模的排程问题，且收敛到最优解较慢，距离实际应用还有较大的问题。本发明通过基于遗传算法的高级计划排程技术，利用遗传算法中变异、种群进化特性，在潜在的解决方案种群中逐次产生最优解方案，解决航空企业生产车间的排程问题。

(2)本发明在充分考虑各种资源内容(如基础设置模块中的设备及设备组、工作日历等，数据管理模块中订单、加工工艺、加工资源、库存等)情况，并结合相关的参数配置，运用遗传算法，对车间的生产任务自动排程，为车间计划人员每天的作业计划决策提供科学依据。本发明中基于遗传算法的高级计划排程技术，克服以往的利用特定优先规则的局部搜索或排序形成所谓的“最优方案”缺点，这种最优方案是在特定条件下所得到的非全局化的最好答案。而利用遗传算法，通过群体间的相互作用，保持已经搜索到的信息，这是基于单次搜索过程的优化方法所无法比拟的，另外，遗传算法使用的选择、交叉、变异这三个算子都是随机操作，而不是指定的确定规则。

附图说明

图1为本发明的组成框图；

图2为图1中基础设置模块的实现流程图；

图3为图1中数据管理模块的实现流程图；

图4为图1中计划排程模块的实现流程图；

图5为使用遗传算法排程的实现流程图；

图6为使用遗传算法排程的收敛图；

图7为具体实施例的输出甘特图(设备维度)。

具体实施方式

如图1所示，本发明包括基础设置模块、数据管理模块、计划排程模块。

如图2所示，本发明中基础设置模块的具体实现如下：

1)对车间或工厂生产加工的物料设置，包括物料编码、名称、主制生产部门，以及其他的属性信息；

2)对***中人员的信息设置，包括人员编码、人员属性，以及隶属部门等信息设置；

3)对生产部门中所包含的班组信息设置，包括班组编码、班组名称，以及班组的属性设置；

4)对车间或工厂的工作日历设置，包括工作日和非工作日的指定，不同的部门可设置不同的工作日历；

5)对***的应用人员进行操作权限设置，包括***管理权限、数据操作权限、业务功能权限。

如图3所示，本发明中数据管理模块的具体实现如下：

1)输入车间的订单或任务，或者通过接口从ERP***或MES***获取这些订单或任务信息；

2)输入车间加工零部件的工艺信息，包括加工的工序信息、工序工时信息、工序加工单元信息，工序设置信息，以及工序所需材料信息；

3)输入加工资源信息，包括设备及设备组信息、工序加工所需的工装、工具信息；

4)输入车间的生产库存信息或通过接口从ERP***或MES***获取车间的库存信息。

如图4所示，本发明中计划排程模块的具体实现如下：

1)读取基础设置模块中生产部门的工作日历信息，如表3设备组休息时间表所示；

2)读取数据管理模块中任务信息和任务优先级信息，如表8所示；

3)读取数据管理模块中的加工工艺信息，如表1任务-工序-设备组表、表2任务-工序-时间、表5工序原材料使用表和表6工序-原材料数量表所示；

4)读取数据管理模块中车间的加工资源信息，如表4设备组所含设备数据表所示；

5)读取数据管理模块中车间的库存信息，如表7原材料采购表所示；

6)通过遗传算法进行自动排程，包括生成初始种群、计算适度函数、选择操作、交叉操作和变异操作五个步骤，如图5所示。第一，为任务进行编码，随机生成规模N＝50的初始种群A；第二，计算种群A中每条染色体的适度函数，以最短总加工时间作为评价标准，将每条染色体的总加工时间取倒数后得到的结果作为该染色体的适度值；第三，针对每条染色体的适度值赋予不同的概率函数，采用轮盘赌的方式从种群A中选择50条染色体，生成新的种群A＇；针对每条染色体的适度值赋予不同的选择概率Ps(计算公式如下所示，其中i代表某个染色体，其适度值记为fi)，采用轮盘赌的方式从初始种群A中选择N条染色体，生成新的种群A＇；第四，以0.6的交叉概率(根据实际生产进行调整，本案例中交叉概率取值0.6)，使种群A＇中的父代染色体进行两两交叉，交叉后的染色体需要进行合法性检验，合法的染色体保留，不合法的染色体丢弃；第五，以0.01为变异概率(根据实际生产进行调整，本案例中变异概率取值0.01)，对父代染色体进行基因段重排，生成新的染色体后同样需要进行合法性检验；第六，重复这个过程50次，最后得到一组最优的排程结果。

$Ps=f_i/\underset{i=1}{\overset{N}{\Σ}}{f}_i$

7)排程结果从设备资源的维度输出甘特图，可以查看到每台设备在每天每个时段的计划安排，如图7所示，其中的黑色块表示机器的不可用时间段。排程结果为：

染色体(编码)＝[3,4,4,1,2,5,2,3,3,3,5,1,6,4,1,2,2,4,1,6,6,3,2,5,1]，T＝54。

其中数字1、2、3、4、5和6代表不同的任务，任务第i次出现代表该任务的第i个工序，解码后的结果为：

染色体(解码)＝[(J3,1),(J4,1),(J4,2),(J1,1),(J2,1),(J5,1),(J2,2),(J3,2),(J3,3),(J3,4),(J5,2),(J1,2),(J6,1),(J4,3),(J1,3),(J2,3),(J2,4),(J4,4),(J6,2),(J6,3),(J3,5),(J2,5),(J5,3),(J1,5)]，T＝54。

从排程收敛图(如图6所示)可以看出，T＝40时，排程结果收敛，即得到最优解。

任务数量为6，每单任务所需工序最大值5，设备组数为5，时间单位为1。

表1任务-工序-设备组表

表2任务-工序-时间表

表3设备组休息时间表

Group_num	Start_time	End_time
			Q21-4(M1)	0	16
Q21-4(M1)	40	45
			R5(M2)	0	10
X51(M3)	35	40
			X51(M3)	80	200
X51(M3)	250	450
			X51(M3)	900	950
SCX-73(M4)	30	40

表4设备组所含设备数量表

Group_num	Number
		Q21-4(M1)	2
R5(M2)	2
		X51(M3)	2

SCX-73(M4)	1
		CM6140(M5)	1

表5工序-原材料使用表

表6工序-原材料数量表

表7原材料采购表

Material	Quantity	Arrival Time
			R28966	65	0
R22269	75	0
			R19910	70	0
R21883	80	0
			R28966	100	10
R21883	25	20
			R22269	30	35

表8任务优先级表

Task_num	Priority
		LJ586962(1)	1

LJ586961(2)	1
		LJ586949(3)	2
LJ586998(4)	2
		LJ586943(5)	2
LJ586922(6)	2

Claims (2)

1.基于遗传算法的高级计划排程***，包括基础设置模块、数据管理模块和计划排程模块三部分，其中：

基础设置模块：进行车间的物料基本信息、人员信息、设备及设备组信息、工作日历信息的输入和维护、设置；对***中的应用人员进行操作权限设置；该模块为数据管理模块和计划排程模块提供基础信息和***运行信息的支撑；

数据管理模块：输入任务及其优先级信息、加工工艺信息、加工资源信息和库存信息，其中加工工艺信息包括零件的工序信息、工序工时信息、工序加工单元信息、工序设置信息，以及工序所需材料信息；加工资源信息包括设备及设备组信息、工序加工所需的工装、工具信息；

计划排程模块：读取***基础设置模块中的工作日历信息，读取数据管理模块中的任务及其优先级信息、加工工艺信息、加工资源信息和库存信息；输入排程参数N,T,Pc,Pm，N代表种群大小，T代表迭代次数，Pc代表交叉概率，Pm代表变异概率，调用排程算法，输出排程结果，即设备资源维度和任务维度的甘特图。

2.基于遗传算法的高级计划排程方法，其特征在于：包括初步排程和约束调整两部分，其中：初步排程为：

(1)输入排程参数N,T,Pc,Pm，读取基础设置模块中的工作日历信息，读取数据管理模块中的任务及其优先级信息、加工工艺信息、加工资源信息和库存信息，为任务编码，随机生成规模为N的初始种群A；

(2)计算初始种群A中每条染色体的适度函数，以最短总加工时间作为评价标准，将每条染色体的总加工时间取倒数后得到的结果作为该染色体的适度值；

(3)针对每条染色体的适度值赋予不同的选择概率Ps(计算公式如下所示，其中i代表某个染色体，其适度值记为fi)，采用轮盘赌的方式从初始种群A中选择N条染色体，生成新的种群A＇；

$Ps=f_i/\underset{i=1}{\overset{N}{\Σ}}{f}_i$

(4)根据输入的交叉概率Pc，使种群A＇中的父代染色体进行两两交叉，交叉后的染色体需要进行合法性检验，合法的染色体保留，不合法的染色体丢弃；

(5)根据输入的变异概率Pm，对父代染色体进行基因段重排，生成新的染色体后同样需要进行合法性检验；

(6)重复这个过程T次，得到初步排程的最优解；

约束调整为：

出现插单、延误或物料供应发生变化时，需要相应地增加任务、调整任务优先级信息、加工工艺信息、加工资源信息和库存信息，重新排程并得到符合当前生产状态的排程结果。