CN105741181A - 一种不同并行机混合流水线车间调度方法 - Google Patents
一种不同并行机混合流水线车间调度方法 Download PDFInfo
- Publication number
- CN105741181A CN105741181A CN201610076456.5A CN201610076456A CN105741181A CN 105741181 A CN105741181 A CN 105741181A CN 201610076456 A CN201610076456 A CN 201610076456A CN 105741181 A CN105741181 A CN 105741181A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- population
- machine
- individuality
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 124
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 230000035772 mutation Effects 0.000 claims abstract description 16
- 238000010187 selection method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 25
- 230000006978 adaptation Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013459 approach Methods 0.000 claims description 5
- 238000000205 computational method Methods 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 abstract 1
- 102100030386 Granzyme A Human genes 0.000 description 8
- 101001009599 Homo sapiens Granzyme A Proteins 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000003860 storage Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Manufacturing & Machinery (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了一种不同并行机混合流水线车间调度方法,包括:步骤S11:对目标参数进行初始化,随机生成初始化的种群;步骤S12:对种群中的个体进行解码;步骤S13:计算种群中的个体适应度值;步骤S14:判断是否满足终止条件,如果否,则进入步骤S15;步骤S15:采用轮盘赌选择方法,对种群进行选择,以保留精英个体;步骤S16:进行交叉操作;步骤S17:进行变异操作;步骤S18:计算种群中个体相似度,并将个体适应度值较低的个体丢弃;步骤S19:补充新个体,并结合步骤S15中选择出的精英个体,以生成新一代种群,并返回至步骤S12。本申请有效地提高车间调度效率,降低了生产成本,具有广阔的应用前景。
Description
技术领域
本发明涉及生产制造技术领域,特别涉及一种不同并行机混合流水线车间调度方法。
背景技术
由于制造业在国民经济中的重要地位,围绕制造业的各项技术得到了学术界、产业界的高度重视。制造业中的调度问题是生产管理中的一项重要内容,调度问题可以分为单机调度、Job-shop调度(即车间作业调度)、Flow-shop调度(即流水车间调度)、Open-shop调度(即开放式车间调度)、多机器并行加工几个基本类型。单机调度是指工件的所有加工操作都在一台机器上完成,需要对工件加工任务进行优化排队;Job-shop调度是指n个有特定加工顺序要求的工件分配在m个不同的机器上加工,不同工件的工序间没有顺序约束,但工序加工不能中断;Flow-shop调度假设n个工件都在同样的设备上加工,加工操作和加工顺序相同;多机器并行加工调度是指加工的机器和工工件类似,可在多台机器并行加工工件。实际的调度问题可以是上述几种基本类型的组合。随着调度问题的研究深入,人们发现许多调度问题被证明为NP完全问题。因此,仅仅依靠经典调度理论中基于解析优化的技术和方法,试图解决属于NP完全问题的实际调度问题,不可避免地会遇到难以逾越的障碍。有鉴于此,基于计算智能的方法,包括人工神经网络、模糊***、遗传算法、蚁群算法、免疫算法等计算智能算法成为了解决调度问题的重要研究方向。但如何设计快速有效的计算智能算法,获取到最终的最优解或近似解,仍是目前亟待解决的问题。
综上所述可以看出,如何有效地提高车间调度效率是目前亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种不同并行机混合流水线车间调度方法,该方法可有效地提高车间调度效率,降低生产成本,从而提高了企业应对市场变化的能力,具有广阔的应用前景。其具体方案如下:
一种不同并行机混合流水线车间调度方法,包括:
步骤S11:对目标参数进行初始化,随机生成初始化的种群;其中,所述目标参数包括种群规模和交叉概率;
步骤S12:对所述种群中的个体进行解码;
步骤S13:计算所述种群中的个体适应度值;
步骤S14:判断是否满足终止条件,如果是,则输入最优解,并结束;如果否,则进入步骤S15;
步骤S15:采用轮盘赌选择方法,对所述种群进行选择,以保留精英个体;
步骤S16:利用交叉操作方法,对所述种群中的个体进行交叉操作;
步骤S17:利用变异操作方法,对所述种群中的个体进行变异操作;
步骤S18:计算所述种群中个体相似度,并将两个相似个体中个体适应度值较低的个体丢弃;
步骤S19:补充新个体,并结合步骤S15中选择出的精英个体,以生成新一代种群,并返回至步骤S12。
优选的,在初始化的种群中,每个个体采用排列编码,具体为将所有工件序号的排列作为一个个体,一个个体的长度表示为n×s,n表示工件的总数,s表示加工工序的总数;其中,在任一个体中,同一工件序号的不同位置代表其加工工序的顺序。
优选的,在步骤S12中,解码过程具体包括:
步骤S121:在第一道工序中,按照编码顺序选择工件,并将选中的工件分配至当前加工速度最快的机器上,若当前所有机器的加工速度均相同,则随机选择机器,更新工件在第一道工序中的加工完成时间以及机器的释放时间;其中,相应的工件分配规则包括:具有最长加工时间的工件优先分配;相应的机器分配规则包括:加工速度越快的机器越先分配,机器的空闲时间最短分配;直到所有工件的第一道工序分配完成;
步骤S122:在第二道工序中,根据各个工件在第一道工序的加工完成时间,确定其在本道工序的加工顺序;其中,工件的加工顺序确定规则包括:先完成的工件先加工,若存在加工完成时间相同的工件,则选择剩余工件中加工时间长的工件先加工,若剩余工件中的加工时间均相同,则随机选择一个工件先加工;相应的工件分配规则包括:分配在加工速度最快的机器上,如果机器加工速度均相同,则随机选择机器,并更新工件的加工完成时间以及加工机器的释放时间;直到所有工件在第二道工序分配完成;
步骤S123:重复所述步骤S122,直到所有工序分配完成。
优选的,在步骤S13中,个体适应度值的计算公式如下:
其中,cmax(i)为所述种群中第i个个体所代表的最大调度时间。
优选的,在步骤S17中,所述变异操作方法包括:
按照方程中所示的变异概率,对所述种群中的个体进行变异,其中,N为所述种群的规模,C为预设的常数。
优选的,在步骤S18中,个体相似度的计算方法包括:
采用r位连续匹配规则,对所述种群中任意两个个体的相似度进行评价,r为正整数;其中,所述r位连续匹配规则具体为:任意两个字符串X和Y之间存在r个字符相同,则认为X和Y相似。
优选的,种群多样性的保持方法包括:
计算种群中个体相似度,并将两个相似个体中个体适应度值较低的个体丢弃;
随机生成新个体,并将新个体加入种群,以产生新的种群。
本发明针对生产能力不同的并行机混合流水线车间调度问题,提出了一种基于计算智能的调度方法,设计了相关的编码方法、解码方法、交叉操作、变异操作、选择操作、个体相似度评价方法、种群多样性保持方法等。本发明基于计算智能方法,可快速有效地获取到最优解或其近似解,以解决不同并行机混合流水线车间调度技术难题,从而有效地提高车间调度效率,降低生产成本,从而提高了企业应对市场变化的能力,具有广阔的应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的关于HFSP问题的示例图;
图2为本发明实施例公开的一种不同并行机混合流水线车间调度方法流程图;
图3为本发明实施例公开的个体相似度评价方法示意图;
图4为本发明实施例公开的交叉操作方法示意图。
具体实施方式
下面将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。
本发明实施例公开了一种不同并行机混合流水线车间调度方法,该方法是针对不同并行机的HFSP问题(HFSP,即HybridFlow-shopSchedulingProblem,混合流水线车间调度问题)而提出的。
需要说明的是,HFSP问题具体是指:有n个工件在流水线上进行s个工序的加工,其中,工件序号为Ji,i=1,…,n;工序j=1,…s,s为工序总数,mj表示第j工序所对应的机器数,并且满足方程(1)中示出的条件,即每道工序至少有一台机器,且至少有一道工序存在并行机,每台机器的处理性能可以不同。每个工件的每道工序可以在任意一台机器上加工,但每一道工序必须都要完成。要求所有工件的排序以及每一阶段上机器的分配情况,使得调度指标(通常为最大完工时间:min(PRmax))最小。其中,PRmax表示最大完工时间。图1中示出了上述HFSP问题的一个示例。另外,本实施例还进一步定义了:STi,j为工件Ji在第j道工序的加工开始时间,PRi,j为工件Ji在第j道工序的加工时间,ENi,j为工件Ji在第j道工序的加工完成时间。
具体的,本实施例中的HFSP问题在如下几个方面进行了假设:
1)、每个待加工工件都是一个实体,对一个实体的加工过程不能同时进行;2)、工件数n已知并固定,在结束加工前,不能中途取走;3)、工件一旦开始加工便不可中断;4)、一台机器同一时刻只能加工一个工件;5)、一个工件同一时刻只能在一台机器上加工;6)、工件可在每阶段的任意一台机器上加工;7)、工件在各道工序的加工时间已知且固定;8)、工件在流水车间里单向流动,所有工件具有同样的加工顺序;9)、工序数大于2;10)、设备不能等待,中间零存储。
另外,上述方程(1)具体为:
进一步的,本实施例中的HFSP问题需满足方程(2)至(15)中示出的约束条件,其中,方程(2)至方程(15)分别具体为:
本发明针对的调度问题满足以下约束条件:
ENi,j=STi,j+PRi,j,i=1,2,…,n;j=1,2,…,s,pr=1,2,…,s(10)
ENi,j≤STi,j+1,i=1,2,…,n;j=1,2,…,s-1(11)
minPRmax(15)
方程(2)xij为1,表示工件i被安排在第l个位置,否则为0;方程(3)表示确保每个优先级位置只能对应一个工件;方程(4)确保每个工件只有一个优先级位置;方程(5)yi,j,k为1,表示工件i被安排在第j道工序的第l个位置,否则为0;方程(6)表示每个工件只能选用并行处理器中的一个进行处理;方程(7)表示,如果是工件的第一道工序,则工件的第一道工序加工完成时间等于工件的加工时间,否则其加工完成时间等于上一道工序的加工完成时间加上该道工序的加工时间;方程(8)表示工件的第一道工序的加工完成时间等于上一个工件的加工完成时间加上该工件第一道工序的加工时间;方程(9)表示工件的加工完成时间等于前一工件的加工完成时间与该工件上一工序的加工完成时间的最大值加上该工件的加工时间之和;方程(10)表示各工件在各阶段的开始处理时间与结束处理时间的关系,并且每个工件只能选用并行设备中的一个进行加工;方程(11)表示同一工件在进行下一阶段的处理之前必须先完成当前阶段的加工;方程(12)表示同一阶段,优先级越高的工件开始处理时间越早,即一台机器同时只能处理一个工件;方程(13)表示同一阶段调度排列中排位越靠前的工件开始处理的时间越早;方程(14)表示同一阶段分配在同一机器上的工件排位靠后的工件必须等靠前的工件加工完毕后才可进行加工,当处于不同位置的工件不在同一阶段的同一机器上加工时M为一个大数,以保证不等式恒成立;方程(15)为调度指标,即最早完成时间。
需要说明的是,上述所谓的同一阶段是指同一道工序。
针对上述提出的HFSP问题,本发明实施例提供了一种不同并行机混合流水线车间调度方法,参见图2所示,该方法具体包括:
步骤S11:对目标参数进行初始化,随机生成初始化的种群;其中,目标参数包括种群规模和交叉概率;
步骤S12:对种群中的个体进行解码;
步骤S13:计算种群中的个体适应度值;
步骤S14:判断是否满足终止条件,如果是,则输入最优解,并结束;如果否,则进入步骤S15;
步骤S15:采用轮盘赌选择方法,对种群进行选择,以保留精英个体;
步骤S16:利用交叉操作方法,对种群中的个体进行交叉操作;
步骤S17:利用变异操作方法,对种群中的个体进行变异操作;
步骤S18:计算种群中个体相似度,并将两个相似个体中个体适应度值较低的个体丢弃;
步骤S19:补充新个体,并结合步骤S15中选择出的精英个体,以生成新一代种群,并返回至步骤S12。
需要说明的是,上述步骤S14中的终止条件可以是当种群的代数大于预设值,则启动终止进程。
可见,本发明实施例是在在精英保留策略的前提,即适应度最高的个体直接进入下一代种群,其余个体按照轮盘赌选择方法,用正比于个体适应度的个体来选择下一代种群。
本发明针对生产能力不同的并行机混合流水线车间调度问题,提出了一种基于计算智能的调度方法,设计了相关的编码方法、解码方法、交叉操作、变异操作、选择操作、个体相似度评价方法、种群多样性保持方法等。本发明基于计算智能方法,可快速有效地获取到最优解或其近似解,以解决不同并行机混合流水线车间调度技术难题,从而有效地提高车间调度效率,降低生产成本,从而提高了企业应对市场变化的能力,具有广阔的应用前景。
本发明实施例公开了一种具体的不同并行机混合流水线车间调度方法,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体的:
本实施例中,在初始化的种群里,每个个体采用排列编码,具体为将所有工件序号的排列作为一个个体,一个个体的长度表示为n×s,n表示工件的总数,s表示加工工序的总数;其中,在任一个体中,同一工件序号的不同位置代表其加工工序的顺序。例如,4个工件3道工序的一个个体{1,3,2,4,4,2,3,1,2,4,3,1},其中的数字1到4表示工件序号,出现的次序表示加工顺序,第一个1表示工件1的第一道工序,第二个1表示工件1的第二道工序,依次类推。需要进一步说明的是,上一实施例步骤S19中,生成的新一代种群中的个体也是采用上述排列编码的方式进行编码。
另外,在上一实施例步骤S12中,解码过程具体包括:
步骤S121:在第一道工序中,按照编码顺序选择工件,并将选中的工件分配至当前加工速度最快的机器上,若当前所有机器的加工速度均相同,则随机选择机器,更新工件在第一道工序中的加工完成时间以及机器的释放时间;其中,相应的工件分配规则包括:具有最长加工时间的工件优先分配;相应的机器分配规则包括:加工速度越快的机器越先分配,机器的空闲时间最短分配;直到所有工件的第一道工序分配完成;
步骤S122:在第二道工序中,根据各个工件在第一道工序的加工完成时间,确定其在本道工序的加工顺序;其中,工件的加工顺序确定规则包括:先完成的工件先加工,若存在加工完成时间相同的工件,则选择剩余工件中加工时间长的工件先加工,若剩余工件中的加工时间均相同,则随机选择一个工件先加工;相应的工件分配规则包括:分配在加工速度最快的机器上,如果机器加工速度均相同,则随机选择机器,并更新工件的加工完成时间以及加工机器的释放时间;直到所有工件在第二道工序分配完成;
步骤S123:重复步骤S122,直到所有工序分配完成。
进一步的,在上一实施例步骤S13中,个体适应度值的计算公式,即适应度函数,具体如下:
其中,cmax(i)为种群中第i个个体所代表的最大调度时间。
在上一实施例步骤S17中,变异操作方法具体包括:
按照方程(17)中所示的变异概率,对种群中的个体进行变异,方程(17)具体为:
其中,N为种群的规模,C为预设的常数,方程(17)表明亲和力越大,则变异概率越小,反之,则越大。
另外,在上一实施例步骤S18中,个体相似度的计算方法包括:
采用r位连续匹配规则,对种群中任意两个个体的相似度进行评价,r为正整数;其中,r位连续匹配规则具体为:任意两个字符串X和Y之间存在r个字符相同,则认为X和Y相匹配,即认为两者相似,具体可参见图3。
本实施例中,种群多样性的保持方法包括:计算种群中个体相似度,并将两个相似个体中个体适应度值较低的个体丢弃,随机生成新个体,并将新个体加入种群,以产生新的种群。
进一步的,上一实施例步骤S16中的交叉操作方法具体是指:从种群中随机地选取两个个体按给定的交叉概率对随机的一段位置进行交换,然后再根据父体中原来的顺序补齐交叉中没有包含的部分,如图4所示,对产生的子代计算其适应度,如果优于父体则替换父体,否则丢弃。
最后,还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种不同并行机混合流水线车间调度方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种不同并行机混合流水线车间调度方法,其特征在于,包括:
步骤S11:对目标参数进行初始化,随机生成初始化的种群;其中,所述目标参数包括种群规模和交叉概率;
步骤S12:对所述种群中的个体进行解码;
步骤S13:计算所述种群中的个体适应度值;
步骤S14:判断是否满足终止条件,如果是,则输入最优解,并结束;如果否,则进入步骤S15;
步骤S15:采用轮盘赌选择方法,对所述种群进行选择,以保留精英个体;
步骤S16:利用交叉操作方法,对所述种群中的个体进行交叉操作;
步骤S17:利用变异操作方法,对所述种群中的个体进行变异操作;
步骤S18:计算所述种群中个体相似度,并将两个相似个体中个体适应度值较低的个体丢弃;
步骤S19:补充新个体,并结合步骤S15中选择出的精英个体,以生成新一代种群,并返回至步骤S12。
2.根据权利要求1所述的不同并行机混合流水线车间调度方法,其特征在于,在初始化的种群中,每个个体采用排列编码,具体为将所有工件序号的排列作为一个个体,一个个体的长度表示为n×s,n表示工件的总数,s表示加工工序的总数;其中,在任一个体中,同一工件序号的不同位置代表其加工工序的顺序。
3.根据权利要求2所述的不同并行机混合流水线车间调度方法,其特征在于,在步骤S12中,解码过程具体包括:
步骤S121:在第一道工序中,按照编码顺序选择工件,并将选中的工件分配至当前加工速度最快的机器上,若当前所有机器的加工速度均相同,则随机选择机器,更新工件在第一道工序中的加工完成时间以及机器的释放时间;其中,相应的工件分配规则包括:具有最长加工时间的工件优先分配;相应的机器分配规则包括:加工速度越快的机器越先分配,机器的空闲时间最短分配;直到所有工件的第一道工序分配完成;
步骤S122:在第二道工序中,根据各个工件在第一道工序的加工完成时间,确定其在本道工序的加工顺序;其中,工件的加工顺序确定规则包括:先完成的工件先加工,若存在加工完成时间相同的工件,则选择剩余工件中加工时间长的工件先加工,若剩余工件中的加工时间均相同,则随机选择一个工件先加工;相应的工件分配规则包括:分配在加工速度最快的机器上,如果机器加工速度均相同,则随机选择机器,并更新工件的加工完成时间以及加工机器的释放时间;直到所有工件在第二道工序分配完成;
步骤S123:重复所述步骤S122,直到所有工序分配完成。
4.根据权利要求3所述的不同并行机混合流水线车间调度方法,其特征在于,在步骤S13中,个体适应度值的计算公式如下:
其中,cmax(i)为所述种群中第i个个体所代表的最大调度时间。
5.根据权利要求4所述的不同并行机混合流水线车间调度方法,其特征在于,在步骤S17中,所述变异操作方法包括:
按照方程中所示的变异概率,对所述种群中的个体进行变异,其中,N为所述种群的规模,C为预设的常数。
6.根据权利要求5所述的不同并行机混合流水线车间调度方法,其特征在于,在步骤S18中,个体相似度的计算方法包括:
采用r位连续匹配规则,对所述种群中任意两个个体的相似度进行评价,r为正整数;其中,所述r位连续匹配规则具体为:任意两个字符串X和Y之间存在r个字符相同,则认为X和Y相似。
7.根据权利要求6所述的不同并行机混合流水线车间调度方法,其特征在于,种群多样性的保持方法包括:
计算种群中个体相似度,并将两个相似个体中个体适应度值较低的个体丢弃;
随机生成新个体,并将新个体加入种群,以产生新的种群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610076456.5A CN105741181A (zh) | 2016-02-03 | 2016-02-03 | 一种不同并行机混合流水线车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610076456.5A CN105741181A (zh) | 2016-02-03 | 2016-02-03 | 一种不同并行机混合流水线车间调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105741181A true CN105741181A (zh) | 2016-07-06 |
Family
ID=56245816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610076456.5A Pending CN105741181A (zh) | 2016-02-03 | 2016-02-03 | 一种不同并行机混合流水线车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105741181A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767035A (zh) * | 2017-09-28 | 2018-03-06 | 云南电网有限责任公司电力科学研究院 | 一种基于遗传算法的电能表检测混合流水线调度方法 |
CN107942968A (zh) * | 2017-11-14 | 2018-04-20 | 烽火通信科技股份有限公司 | 一种混合流水生产的调度方法和*** |
CN108107848A (zh) * | 2016-11-24 | 2018-06-01 | 江苏创源电子有限公司 | 一种基于最小空闲时间的流水线车间调度方法 |
CN110673560A (zh) * | 2019-10-10 | 2020-01-10 | 清华大学 | 基于操作完工时间快速预测的集成电路生产线调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102929263A (zh) * | 2012-11-16 | 2013-02-13 | 北京理工大学 | 一种混合流水车间调度方法 |
CN102968057A (zh) * | 2012-09-12 | 2013-03-13 | 浙江工业大学 | 基于改进元胞机的多品种多工艺多单元制造调度方法 |
CN103309316A (zh) * | 2013-05-28 | 2013-09-18 | 北京理工大学 | 带有批处理机的多阶段变异混合流水车间调度方法 |
CN104021461A (zh) * | 2014-05-19 | 2014-09-03 | 中国人民解放军国防科学技术大学 | 一种用于解决订单受理与调度问题的多样化控制遗传算法 |
CN104376369A (zh) * | 2014-09-17 | 2015-02-25 | 广东工业大学 | 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法 |
-
2016
- 2016-02-03 CN CN201610076456.5A patent/CN105741181A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968057A (zh) * | 2012-09-12 | 2013-03-13 | 浙江工业大学 | 基于改进元胞机的多品种多工艺多单元制造调度方法 |
CN102929263A (zh) * | 2012-11-16 | 2013-02-13 | 北京理工大学 | 一种混合流水车间调度方法 |
CN103309316A (zh) * | 2013-05-28 | 2013-09-18 | 北京理工大学 | 带有批处理机的多阶段变异混合流水车间调度方法 |
CN104021461A (zh) * | 2014-05-19 | 2014-09-03 | 中国人民解放军国防科学技术大学 | 一种用于解决订单受理与调度问题的多样化控制遗传算法 |
CN104376369A (zh) * | 2014-09-17 | 2015-02-25 | 广东工业大学 | 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108107848A (zh) * | 2016-11-24 | 2018-06-01 | 江苏创源电子有限公司 | 一种基于最小空闲时间的流水线车间调度方法 |
CN108107848B (zh) * | 2016-11-24 | 2020-05-22 | 江苏创源电子有限公司 | 一种基于最小空闲时间的流水线车间调度方法 |
CN107767035A (zh) * | 2017-09-28 | 2018-03-06 | 云南电网有限责任公司电力科学研究院 | 一种基于遗传算法的电能表检测混合流水线调度方法 |
CN107942968A (zh) * | 2017-11-14 | 2018-04-20 | 烽火通信科技股份有限公司 | 一种混合流水生产的调度方法和*** |
CN107942968B (zh) * | 2017-11-14 | 2019-09-27 | 烽火通信科技股份有限公司 | 一种混合流水生产的调度方法和*** |
CN110673560A (zh) * | 2019-10-10 | 2020-01-10 | 清华大学 | 基于操作完工时间快速预测的集成电路生产线调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111966050B (zh) | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 | |
Li et al. | Many-objective evolutionary algorithm with reference point-based fuzzy correlation entropy for energy-efficient job shop scheduling with limited workers | |
CN107831745A (zh) | 一种柔性作业车间插单动态调度优化方法 | |
CN105741181A (zh) | 一种不同并行机混合流水线车间调度方法 | |
CN103809506B (zh) | 基于一维粒子群算法获得零件加工最优调度方案的方法 | |
CN106611230A (zh) | 结合关键工序的遗传局部搜索算法求解柔性作业车间调度 | |
CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
CN103309316A (zh) | 带有批处理机的多阶段变异混合流水车间调度方法 | |
CN106610654A (zh) | 针对柔性作业车间调度的改进遗传算法 | |
CN113379087A (zh) | 一种基于改进遗传算法的生产制造排产优化方法 | |
CN110221585A (zh) | 一种用于混合流水车间考虑设备维护的节能调度控制方法 | |
CN101859100A (zh) | 一种基于模糊交货期流水生产排程的改进微粒群优化方法 | |
CN111047272A (zh) | 一种用于多语言协同开发的项目调度方法及装置 | |
CN104376369A (zh) | 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法 | |
CN108053152A (zh) | 基于多色集合的改进遗传算法求解动态车间调度的方法 | |
CN111259314A (zh) | 一种分布式混凝土预制构件流水车间生产调度方法 | |
CN107346469A (zh) | 云制造环境下多地运输多目标综合调度方法 | |
CN105550825A (zh) | 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法 | |
CN115169798A (zh) | 一种带准备时间分布式柔性作业车间调度方法及*** | |
CN112148446B (zh) | 一种用于多技能资源受限项目调度的进化策略方法 | |
CN116663806B (zh) | 考虑不同作业场景的人机协作拆卸线设置方法 | |
Duan et al. | EDA based probabilistic Memetic Algorithm for distributed blocking permutation flowshop scheduling with sequence dependent setup time | |
CN103996080B (zh) | 一种具有最大联通性的制造***构型优化方法 | |
Zhang et al. | An effective coding approach for multiobjective integrated resource selection and operation sequences problem | |
CN114839930A (zh) | 一种用于分布式装配阻塞流水车间集成调度*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160706 |