CN110188951A - 一种基于最小能耗的砖厂摆渡车的调度优化的建立方法 - Google Patents

一种基于最小能耗的砖厂摆渡车的调度优化的建立方法 Download PDF

Info

Publication number
CN110188951A
CN110188951A CN201910465385.1A CN201910465385A CN110188951A CN 110188951 A CN110188951 A CN 110188951A CN 201910465385 A CN201910465385 A CN 201910465385A CN 110188951 A CN110188951 A CN 110188951A
Authority
CN
China
Prior art keywords
task
ferry bus
energy consumption
ferry
machine
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
Application number
CN201910465385.1A
Other languages
English (en)
Inventor
张艺潇
张源鸿
林景栋
孙鑫
谭旭楷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN201910465385.1A priority Critical patent/CN110188951A/zh
Publication of CN110188951A publication Critical patent/CN110188951A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Genetics & Genomics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于最小能耗的砖厂摆渡车的调度优化的建立方法，包括以下步骤：1)建立砖厂转运***的拓扑结构图，基于现场布置图分析摆渡车运行情况；2)根据实际工况，针对同一轨道的双摆渡车的调度，建立双摆渡车运行及任务分配约束条件；3)以能耗最低为优化目标函数，规划摆渡车的任务执行顺序；4)分析遗传算法中变异概率pm和交叉概率pc的计算公式；5)根据变异概率pm和交叉概率pc的计算，建立改进的自适应pm和pc遗传算法。本发明提供了一种以能耗最低为目标的砖厂双摆渡车调度优化的方法，并且建立了一种可解决该混合整数非线性数学规划问题的改进遗传算法，有利于整个砖瓦制品生产线自动化的实现以及效率的提高。

Description

一种基于最小能耗的砖厂摆渡车的调度优化的建立方法
技术领域
本发明涉及智能算法领域，特别涉及一种基于最小能耗的砖厂摆渡车的调度优化方法。
背景技术
随着社会经济的飞速发展，大量的基础建设如火如荼，曾经技术落后的制造业也逐步迈向自动化、信息化发展。目前，国内的很多砖瓦制品生产线已经引进了自动配煤、配水，自动布坯码垛、隧道窑温度控制等技术，能够大大提高生产效率。但是砖瓦制品生产线的转运控制全自动化实现却仍处在较低水准，部分企业还采用手动操作，造成了生产效率低下。砖瓦生产线中需要多条并行的轨道来实现砖坯的干燥、焙烧等且窑车的转运需要通过摆渡车来实现，所以对窑车在转运时的流程优化及对摆渡车的调度就显得尤为重要，一旦运行不畅就会极大地影响整个转运***的效率。
发明内容
有鉴于此，本发明的目的在于提供一种基于最小能耗的砖厂摆渡车的调度优化算法，用于在砖瓦制品转运***中优化摆渡车的调度问题。
第一方面，本发明提供的一种基于最小能耗的砖厂摆渡车的调度优化算法，是通过以下技术方案实现的：
方法包括以下步骤：
步骤S1：建立砖厂转运***的拓扑结构图，基于现场布置图分析摆渡车运行情况，通过对砖瓦制品生产工艺流程的分析，得到砖厂转运***的拓扑结构；
步骤S2：根据实际工况，针对同一轨道的双摆渡车的调度，建立模型并确定双摆渡车运行及任务分配约束条件；
步骤S3：以能耗最低为优化目标函数，规划摆渡车的任务执行顺序；
步骤S4：基于并行机调度的改进遗传算法进行双摆渡车调度优化的求解，分析遗传算法中变异概率pm和交叉概率pc的计算公式；
步骤S5：根据变异概率pm和交叉概率pc的计算，建立改进的自适应pm和pc遗传算法。
特别地，所述步骤S2中，针对双摆渡车的调度问题进行模型建立包括以下子步骤：
步骤S21：参数假设：
N：并行机器需执行的任务数，其中i＝{1，2，...，N}；
k：并行机数量；
tik：第K台机器在执行任务i时所花费的时间；
Cik：第K台机器在执行完任务后i的时间；
Sik：第K台机器在开始执行任务i时的时间；
Zi：任务i被执行后，等待执行的任务集合。其中Z0＝{1，2，...，N}；
Nk：第K台机器上需要执行的任务数；
Pkt：第K台机器在t时刻的位置；
Ti：任务i的规定完成时间；
ωi：任务i的权重，当任务i未能在规定时间Ti内被执行完，则其能量的消耗值需乘上权重值ωi；
Eik：第K台机器执行完任务i需消耗的能量；
EIk：第K台机器在未装载窑车时，空载运行单位时间内所消耗的能量；
步骤S22：进行变量定义：
步骤S23：确定约束条件：
Cik＝Sik+tik i＝1，2，...，N；k＝1，2，...，K (1)
Cik≤Srk i＝1，2，...，N；r∈Zi (2)
P2t-P1t≥L (4)
式(1)表示在任务执行过程中，当前任务的结束时间等于当前任务开始执行时间加上执行任务本身需花费的时间；
式(2)表示当前机器当前执行任务结束后才能开始下一个任务，即当前机器当前任务执行结束时间应该不大于当前机器下一个待执行任务的任务开始时间；
式(3)表示对所有机器而言，它们的总执行任务数为N；
式(4)表示两辆摆渡车需要有一定的安全距离，以此来避免两车相撞，其中L表示摆渡车的车长。
特别地，所述步骤S3中，优化目标函数采取以下步骤建立：
步骤S31：确定摆渡车空载时的能量消耗EI，即摆渡车在执行完当前任务后直到下一个任务开始前能量的消耗：
步骤S32：确定摆渡车满载运行时的能量消耗EB，即摆渡车在任务执行过程中的能量消耗，同时需要研究因为避撞的原因而未能及时完成任务时所消耗的能量要增加惩罚式的能耗：
ωi＝a*(tik-Ti) (7)
步骤S33：在摆渡车的任务执行过程中，能量的总消耗等于EB和EI的和，即：
E＝EI+EB (8)
步骤S34：建立以总能耗最低为优化目标的目标函数：
Obj＝min(E) (9)
该目标函数的建立是在式(1)～(4)约束下，规划摆渡车的任务执行顺序，以使摆渡车总能耗最低。
特别地，所述步骤S4中，自适应遗传算法的pc和pm的计算公式为：
其中，fmax为群体中个体最大适应度值；favg为群体适应度平均值；f′为两个待交叉个体中较大适应度值；f为待变异个体的适应度值；Pc1和Pm1为基本遗传算法中的交叉概率和变异概率。
特别地，所述步骤S5中，采用改进的遗传算法进行双摆渡车调度优化的求解，改进的遗传算法的流程如下：
步骤S51：编码方式采用实数表达方式，将需要执行的任务编号编码为整数变量，每个排列代表着一种任务执行方案，排列中的各个位置就分别代表了各个带编号的任务；
针对并行机器调度问题采用整数编码且为一维数组，形式如下：
a＝[a1，a2，...，an] (12)
ai＝z*100+j i、j∈{1，2，...，n}，z∈{1，2，...，k} (13)
其中，n是指要执行的任务数，k表示并行的机器数，z是指每个机器的代号，为保证执行任务的不重复性，数值a中每个元素的后x位的数值不出现相同值，根据元素的数值可以知道任务j由机器z完成，由此可将一维数组写成矩阵的形式，其为k行n列矩阵：
步骤S52：进行初始种群的设置：根据式(13)生成n个整数，形成随机染色体，完成种群初始化；
步骤S53：确立适应度函数：本将目标函数的倒数作为适应度函数，即种群中每个个体的适应度：
f(k)＝1/cmax(k) (15)
其中，cmax(k)表示第k个染色体所代表的一个调度的最大能耗值。
步骤S54：进行种群个体的选择，设初始种群的个体数量为n，种群中个体的适应度函数值为f(k)，则每个个体的选择概率为：
步骤S55：确立交叉方法，随机生成一个(0，1)的数，若该数小于交叉概率pc，则对种群选用改进的交叉概率pc来进行交叉操作，该操作对所有个体实现两两配对原则；
步骤S56：随机选中某个个体中的某一个基因值，再随机生成一个(0，1)的数，若该数小于变异概率pm，则在区间[1，k]内随机生成一个整数来代替该基因值的首位，采用自适应遗传算法中的变异概率pm来进行变异操作；
步骤S57：终止准则设定一个最大迭代次数值，该遗传算法迭代次数等于最大迭代次数时即停止。
第二方面，一种电子设备是通过以下技术方案实现的，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如前所述的方法。
第三方面，一种非暂态计算机可读存储介质，是通过以下技术方案实现的：所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如前所述的方法。
本发明的有益效果是：
本发明针对目前砖瓦制品生产线的转运控制全自动化实现还处在较低水准的现状，根据实际工况，针对同一轨道的双摆渡车的调度，建立模型并确定双摆渡车运行及任务分配约束条件，以能耗最低为优化目标函数，规划摆渡车的任务执行顺序并基于并行机调度的改进遗传算法进行双摆渡车调度优化的求解，从而实现了窑车在转运时的流程优化及对摆渡车的调度，极大地提高了整个转运***的效率，实现了转运控制的全自动化运行，加速了砖瓦生产制造行业的自动化进程，有利于砖瓦制品生产线的高效生产以及实现产品类型多样化、提高砖瓦制品的质量和产量从而实现科学生产出质量优秀、品种齐全的砖瓦制品。本发明具有高效性、节能性与可行性，做到流程合理优化，为构建新型全自动化砖厂生产线提供有益思路。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为本发明实施例中的转运***现场布置示意图；
图2为实施例中2#、3#摆渡车的现场布局图；
图3为自适应遗传算法的流程图；
图4为总流程图。
具体实施方式
以下将参照附图，对本发明的优选实施例进行详细的描述。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
为达到上述目的，本发明提供如下技术方案：
如图4所示，本发明的一种基于最小能耗的砖厂摆渡车的调度优化算法，具体包括以下步骤：
步骤S1：通过对砖瓦制品生产工艺流程的分析，基于现场布置图分析摆渡车运行情况，得到砖厂转运***的拓扑结构；
砖瓦制品的生产工艺的主要过程是：配料、配水、成型、干燥、烧制。砖瓦制品在整个生产过程中都有相应的设备来完成不同的工序。例如：在原料加工阶段的破碎机，将粉料挤压成泥条的砖机，将砖坯码垛到窑车上的码坯机，烧制阶段的隧道窑等。窑车则在砖瓦制品的生产过程扮演着转载砖坯的角色。而当砖坯需要进行下一个工艺流程时，需要摆渡车来完成。各摆渡车与推拉窑车的地爬车、牵引机构成了窑车行驶的转运***。
本发明的转运***流程开始于空车车道的空窑车，摆渡车把空窑车转运到码坯车道上，布坯台上的砖坯由码坯机码好到空窑车上，再由摆渡车将码坯完成的窑车转运到晾坯车道上进行自然风风干，晾坯车道上有地爬车推动窑车在轨道上行驶，晾坯完成后摆渡车会将窑车转运到烘干车道上的烘干窑中进行高温干燥，干燥完成后，摆渡车将窑车转运到焙烧车道上的隧道窑中进行烧制，烧制完成后窑车又被摆渡车转运到成品车道进行卸砖，卸完砖的窑车被摆渡车转运到空车车道出口处，为下一次的工作流程开始做准备，当窑车损坏时，应把窑车送到窑车检修车道中进行检修。其中SB2、SB3代表2号、3号摆渡车，行驶于2号摆渡车行驶轨道，SB4、SB5代表4号、5号摆渡车，行驶于4号摆渡车行驶轨道.砖厂转运***的现场布置图如图1所示。
窑车在转运的过程中，由于窑车的自身运行方向不能发生转弯现象，所以窑车从一个工艺流程转运到下一个工艺流程中需要通过摆渡车来实现。针对于有一条摆渡车运行轨道上有两辆摆渡车同时运行的情况，当出现多辆窑车需要进行转运的情况时，两辆摆渡车需同时工作，基于对多机调度问题的研究，可将两辆摆渡车的任务执行考虑成并行机器调度问题。由此建立起以摆渡车总能耗最低为优化目标的双机调度模型，并对其进行求解。针对模型的求解，本发明提出了采用遗传算法进行求解，实现求解结果的最优化。
步骤S2:根据实际工况，针对同一轨道的双摆渡车的调度，建立模型并确定双摆渡车运行及任务分配约束条件；
针对两辆摆渡车在同一轨道上运行的调度问题，双摆渡车的调度问题与并行机调度问题相似，因此可将摆渡车需要执行的任务视为需要加工的工件，两辆摆渡车视为对工件进行加工的机器，当同时出现多个任务需要执行时，需要两辆摆渡车来进行任务分配以及各任务的执行顺序。
由转运***流程而言，2#、3#摆渡车以及4#、5#摆渡车分别均在同一条轨道上运行，摆渡车执行任务都是从初始位置行驶到任务起始位置拉窑车后再行驶到目标位置，并将转运的窑车推拉到目标车道上后，摆渡车停靠在完成此任务的目标位置，本次任务完成。由于2#、 3#摆渡车与4#、5#摆渡车调度优化问题类似，因此本专利以2#、3#摆渡车为研究对象进行分析，两辆摆渡车的现场布局如图2所示。
以SB2、SB3摆渡车为例，分别代表并行机器1和并行机器2，即并行机器数为2，并且它们在一条轨道上运行，所以还需要考虑两车的碰撞问题，针对双摆渡车的调度问题进行模型建立：
步骤S21.参数假设：
N：并行机器需执行的任务数，其中i＝{1，2，...，N}；
k：并行机数量；
tik：第K台机器在执行任务i时所花费的时间；
Cik：第K台机器在执行完任务后i的时间；
Sik：第K台机器在开始执行任务i时的时间；
Zi：任务i被执行后，等待执行的任务集合。其中Z0＝{1，2，...，N}；
Nk：第K台机器上需要执行的任务数；
Pkt：第K台机器在t时刻的位置；
Ti：任务i的规定完成时间；
ωi：任务i的权重，当任务i未能在规定时间Ti内被执行完，则其能量的消耗值需乘上权重值ωi；
Eik：第K台机器执行完任务i需消耗的能量；
EIk：第K台机器在未装载窑车时，空载运行单位时间内所消耗的能量；
步骤S22：进行变量定义：
步骤S23：确定约束条件：
Cik＝Sik+tik i＝1，2，...，N；k＝1，2，...，K (1)
Cik≤Srk i＝1，2，...，N；r∈Zi (2)
P2t-P1t≥L (4)
式(1)表示在任务执行过程中，当前任务的结束时间等于当前任务开始执行时间加上执行任务本身需花费的时间。
式(2)表示当前机器当前执行任务结束后才能开始下一个任务，即当前机器当前任务执行结束时间应该不大于当前机器下一个待执行任务的任务开始时间。
式(3)表示对所有机器而言，它们的总执行任务数为N。
式(4)表示两辆摆渡车需要有一定的安全距离，以此来避免两车相撞，其中L表示摆渡车的车长。
步骤S3：以能耗最低为优化目标函数，规划摆渡车的任务执行顺序；
本发明选择以能耗最低为优化目标，其直接反应了摆渡车的能耗问题，也是企业生产运行中较为关注的一个问题。从调度优化问题出发来节省能耗，就是充分考虑砖瓦制品的特性、设备的性能情况等一系列因素的前提下，合理的分配调度任务使摆渡车能耗最小。
摆渡车的能量消耗情况如下两点所示：
1)摆渡车空载时的能量消耗EI，即摆渡车在执行完当前任务后直到下一个任务开始前能量的消耗：
2)摆渡车满载运行时的能量消耗EB，即摆渡车在任务执行过程中的能量消耗，同时需要研究因为避撞的原因而未能及时完成任务时所消耗的能量要增加惩罚式的能耗：
ωi＝a*(tik-Ti) (7)
在摆渡车的任务执行过程中，能量的总消耗等于EB和EI的和，即：
E＝EI+EB (8)
因此，建立以总能耗最低为优化目标的目标函数：
Obj＝min(E) (9)
该目标函数的建立是在式(1)～(4)约束下，规划摆渡车的任务执行顺序，以使摆渡车总能耗最低。
本发明建立的以能耗最低为优化目标的数学模型是一个混合整数非线性数学规划问题，具有调度问题特有的NP难题特性，而且约束比较复杂，求解比较复杂。因此采用数学计算和智能算法相结合，由于遗传算法在解决调度问题特有的NP难题特性时展现出了强大的全局搜索能力，因此本发明采用改进的遗传算法进行双摆渡车调度优化的求解。
步骤S4：基于并行机调度的改进遗传算法进行双摆渡车调度优化的求解，分析遗传算法中变异概率pm和交叉概率pc的计算公式；
在遗传算法中，变异概率pm和交叉概率pc对算法的性能和收敛性等具有较大的影响，pc和 pm的取值至关重要。令pc和pm的值随适应度函数值的变化而自动发生改变。自适应遗传算法的pc和pm的计算公式为：
其中，fmax为群体中个体最大适应度值；favg为群体适应度平均值；f′为两个待交叉个体中较大适应度值；f为待变异个体的适应度值；Pc1和Pm1为基本遗传算法中的交叉概率和变异概率。依照以上公式对pc和pm进行计算，能够较好的保证算法的收敛性以及全局最优解的求取。
步骤S5：根据变异概率pm和交叉概率pc的计算，建立改进的自适应pm和pc遗传算法，实现对双摆渡车调度优化的求解。
本实施例中，如图3所示，改进遗传算法的流程如下：
步骤S51：编码方式采用实数表达方式，将需要执行的任务编号编码为整数变量，每个排列代表着一种任务执行方案，排列中的各个位置就分别代表了各个带编号的任务。
针对并行机器调度问题采用整数编码且为一维数组，形式如下：
a＝[a1，a2，...，an] (12)
ai＝z*100+j i、j∈{1，2，...，n}，z∈{1，2，...，k} (13)
其中，n是指要执行的任务数，k表示并行的机器数，z是指每个机器的代号。为保证执行任务的不重复性，数值a中每个元素的后x位的数值不出现相同值。根据元素的数值可以知道任务j由机器z完成，由此可将一维数组写成矩阵的形式，其为k行n列矩阵：
上述矩阵既表现出了任务的分配情况也提现了同一机器上执行任务的先后顺序(由列所在列数决定)，并且矩阵有如下特性：
(1)矩阵中每一列只有一个元素不为0；
(2)不为0的元素的数值只出现一次；
(3)每个元素数值范围为1-n。
步骤S52：初始种群的设置。在进行完编码设计后，需进行初始种群的设定。因在编码设计阶段确保了产生的整数的随机性，从而根据式(13)生成n个整数，形成随机染色体，完成种群初始化。
步骤S53：适应度函数的确立。本专利的目标函数为摆渡车的能耗值，是一个非负数，将目标函数的倒数作为适应度函数，即种群中每个个体的适应度：
其中，cmax(k)表示第k个染色体所代表的一个调度的最大能耗值。
步骤S54：种群个体的选择。本专利采用经典的轮盘赌及比例选择方式来对种群个体进行选择。根据式(15)可知，目标函数的能耗值越大，则适应度函数值就越小，个体被选择的概率就越低；目标函数的能耗值越小，则适应度函数值就越大，个体被选择的概率就越高。
设初始种群的个体数量为n，种群中个体的适应度函数值为f(k)，则每个个体的选择概率为：
步骤S55：交叉方法确立。该处采用部分匹配交叉方法，其交叉方法如下表所示：
表1部分匹配交叉方法举例
随机生成一个(0，1)的数，若该数小于交叉概率pc，则对种群进行交叉操作，该操作对所有个体实现两两配对原则。
根据自适应遗传算法中对交叉概率的改进，改进后的交叉概率pc的值能够根据适应度函数值的变化而自动发生改变，自适应遗传算法中的pc能够根据每个解的具体值而提供最佳pc值。因此，选用改进的交叉概率pc来进行交叉操作。
步骤S56：变异操作。随机选中某个个体中的某一个基因值，再随机生成一个(0，1)的数，若该数小于变异概率pm，则在区间[1，k]内随机生成一个整数来代替该基因值的首位，并且如上所示，采用自适应遗传算法中的变异概率pm来进行变异操作。
步骤S57：终止准则设定一个最大迭代次数值，该遗传算法迭代次数等于最大迭代次数时即停止。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机***通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机***的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的基于大数据日志分析的网站入侵检测方法和技术编程时，本发明还包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于最小能耗的砖厂摆渡车的调度优化方法，其特征在于：所述方法包括以下步骤：
步骤S1：建立砖厂转运***的拓扑结构图，基于现场布置图分析摆渡车运行情况，通过对砖瓦制品生产工艺流程的分析，得到砖厂转运***的拓扑结构；
步骤S2:根据实际工况，针对同一轨道的双摆渡车的调度，建立模型并确定双摆渡车运行及任务分配约束条件；
步骤S3:以能耗最低为优化目标函数，规划摆渡车的任务执行顺序；
步骤S4:基于并行机调度的改进遗传算法进行双摆渡车调度优化的求解,分析遗传算法中变异概率pm和交叉概率pc的计算公式；
步骤S5：根据变异概率pm和交叉概率pc的计算，建立改进的自适应pm和pc遗传算法，实现对双摆渡车调度优化的求解。
2.根据权利要求1所述的一种基于最小能耗的砖厂摆渡车的调度优化方法，其特征在于：所述步骤S2中，针对双摆渡车的调度问题进行模型建立包括以下子步骤：
步骤S21：参数假设：
N：并行机器需执行的任务数，其中i＝{1，2，...，N}；
k：并行机数量；
tik：第K台机器在执行任务i时所花费的时间；
Cik：第K台机器在执行完任务后i的时间；
Sik：第K台机器在开始执行任务i时的时间；
Zi：任务i被执行后，等待执行的任务集合。其中Z0＝{1，2，...，N}；
Nk：第K台机器上需要执行的任务数；
Pkt：第K台机器在t时刻的位置；
Ti：任务i的规定完成时间；
ωi：任务i的权重，当任务i未能在规定时间Ti内被执行完，则其能量的消耗值需乘上权重值ωi；
Eik：第K台机器执行完任务i需消耗的能量；
EIk：第K台机器在未装载窑车时，空载运行单位时间内所消耗的能量；
步骤S22：进行变量定义：
步骤S23：确定约束条件：
Cik＝Sik+tik i＝1，2，...，N；k＝1,2，...，K (1)
Cik≤Srk i＝1，2，...，N；r∈Zi (2)
P2t-P1t≥L (4)
式(1)表示在任务执行过程中，当前任务的结束时间等于当前任务开始执行时间加上执行任务本身需花费的时间；
式(2)表示当前机器当前执行任务结束后才能开始下一个任务，即当前机器当前任务执行结束时间应该不大于当前机器下一个待执行任务的任务开始时间；
式(3)表示对所有机器而言，它们的总执行任务数为N；
式(4)表示两辆摆渡车需要有一定的安全距离，以此来避免两车相撞，其中L表示摆渡车的车长。
3.根据权利要求2所述的一种基于最小能耗的砖厂摆渡车的调度优化方法，其特征在于：所述步骤S3中，优化目标函数采取以下步骤建立：
步骤S31:确定摆渡车空载时的能量消耗EI，即摆渡车在执行完当前任务后直到下一个任务开始前能量的消耗：
步骤S32:确定摆渡车满载运行时的能量消耗EB，即摆渡车在任务执行过程中的能量消耗，同时需要研究因为避撞的原因而未能及时完成任务时所消耗的能量要增加惩罚式的能耗：
ωi＝a*(tik-Ti) (7)
步骤S33：在摆渡车的任务执行过程中，能量的总消耗等于EB和EI的和，即：
E＝EI+EB (8)
步骤S34:建立以总能耗最低为优化目标的目标函数：
Obj＝min(E) (9)
该目标函数的建立是在式(1)～(4)约束下，规划摆渡车的任务执行顺序，以使摆渡车总能耗最低。
4.根据权利要求1所述的一种基于最小能耗的砖厂摆渡车的调度优化方法，其特征在于：所述步骤S4中，自适应遗传算法的pc和pm的计算公式为:
其中，fmax为群体中个体最大适应度值；favg为群体适应度平均值；f′为两个待交叉个体中较大适应度值；f为待变异个体的适应度值；Pc1和Pm1为基本遗传算法中的交叉概率和变异概率。
5.根据权利要求1所述的一种基于最小能耗的砖厂摆渡车的调度优化方法，其特征在于：所述步骤S5中，采用改进的遗传算法进行双摆渡车调度优化的求解，改进的遗传算法的流程如下：
步骤S51:编码方式采用实数表达方式，将需要执行的任务编号编码为整数变量，每个排列代表着一种任务执行方案，排列中的各个位置就分别代表了各个带编号的任务；
针对并行机器调度问题采用整数编码且为一维数组，形式如下:
a＝[a1，a2，...，an] (12)
ai＝z*100+j i、j∈{1，2，...，n}，z∈{1，2，...，k} (13)
其中，n是指要执行的任务数，k表示并行的机器数，z是指每个机器的代号，为保证执行任务的不重复性，数值a中每个元素的后x位的数值不出现相同值，根据元素的数值可以知道任务j由机器z完成，由此可将一维数组写成矩阵的形式，其为k行n列矩阵：
步骤S52：进行初始种群的设置：根据式(13)生成n个整数，形成随机染色体，完成种群初始化；
步骤S53：确立适应度函数：本将目标函数的倒数作为适应度函数，即种群中每个个体的适应度：
f(k)＝1/cmax(k) (15)
其中，cmax(k)表示第k个染色体所代表的一个调度的最大能耗值。
步骤S54：进行种群个体的选择，设初始种群的个体数量为n，种群中个体的适应度函数值为f(k)，则每个个体的选择概率为：
步骤S55：确立交叉方法，随机生成一个(0,1)的数，若该数小于交叉概率pc，则对种群选用改进的交叉概率pc来进行交叉操作，该操作对所有个体实现两两配对原则；
步骤S56：随机选中某个个体中的某一个基因值，再随机生成一个(0,1)的数，若该数小于变异概率pm，则在区间[1，k]内随机生成一个整数来代替该基因值的首位，采用自适应遗传算法中的变异概率pm来进行变异操作；
步骤S57：终止准则设定一个最大迭代次数值，该遗传算法迭代次数等于最大迭代次数时即停止。
6.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-5任一项所述的方法。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-5任一项所述的方法。
CN201910465385.1A 2019-05-30 2019-05-30 一种基于最小能耗的砖厂摆渡车的调度优化的建立方法 Pending CN110188951A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910465385.1A CN110188951A (zh) 2019-05-30 2019-05-30 一种基于最小能耗的砖厂摆渡车的调度优化的建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910465385.1A CN110188951A (zh) 2019-05-30 2019-05-30 一种基于最小能耗的砖厂摆渡车的调度优化的建立方法

Publications (1)

Publication Number Publication Date
CN110188951A true CN110188951A (zh) 2019-08-30

Family

ID=67719158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910465385.1A Pending CN110188951A (zh) 2019-05-30 2019-05-30 一种基于最小能耗的砖厂摆渡车的调度优化的建立方法

Country Status (1)

Country Link
CN (1) CN110188951A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110806737A (zh) * 2019-11-26 2020-02-18 北京工业大学 一种基于最小能耗及最小时间的生产线设备数量优化方法
CN110849372A (zh) * 2019-11-28 2020-02-28 哈尔滨工程大学 一种基于em聚类的水下多目标轨迹关联方法
CN112308408A (zh) * 2020-10-30 2021-02-02 北京卫星环境工程研究所 一种多型号航天器并行总装协调生产调度方法
CN113034060A (zh) * 2021-05-20 2021-06-25 成都戎星科技有限公司 一种航班摆渡车的匹配方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102321960A (zh) * 2010-11-17 2012-01-18 机械科学研究总院先进制造技术研究中心 一种基于染整行业的筒子纱高效自动化染色方法
CN105550751A (zh) * 2015-12-15 2016-05-04 重庆大学 利用优先级策略混合遗传算法的炼钢连铸生产调度方法
CN105631759A (zh) * 2015-12-24 2016-06-01 重庆大学 炼钢厂考虑铁水供应条件的多目标调度计划编制方法
CN105956689A (zh) * 2016-04-21 2016-09-21 合肥工业大学 一种基于改进粒子群优化的运输和生产协同调度方法
CN106959675A (zh) * 2017-03-21 2017-07-18 山东大学 一种面向流水车间的多目标调度优化方法
CN207844260U (zh) * 2018-01-17 2018-09-11 龙利得包装印刷股份有限公司 一种智能化生产调度***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102321960A (zh) * 2010-11-17 2012-01-18 机械科学研究总院先进制造技术研究中心 一种基于染整行业的筒子纱高效自动化染色方法
CN105550751A (zh) * 2015-12-15 2016-05-04 重庆大学 利用优先级策略混合遗传算法的炼钢连铸生产调度方法
CN105631759A (zh) * 2015-12-24 2016-06-01 重庆大学 炼钢厂考虑铁水供应条件的多目标调度计划编制方法
CN105956689A (zh) * 2016-04-21 2016-09-21 合肥工业大学 一种基于改进粒子群优化的运输和生产协同调度方法
CN106959675A (zh) * 2017-03-21 2017-07-18 山东大学 一种面向流水车间的多目标调度优化方法
CN207844260U (zh) * 2018-01-17 2018-09-11 龙利得包装印刷股份有限公司 一种智能化生产调度***

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张宇: "基于AHP法的粉料配送调度研究", 《佳木斯大学学报(自然科学版)》 *
李文磊: "基于混合遗传算法的转运车调度优化研究", 《中国优秀硕士学位论文全文数据库信息科技》 *
袁鸿: "耐火制品生产线转运车控制策略及流程优化研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110806737A (zh) * 2019-11-26 2020-02-18 北京工业大学 一种基于最小能耗及最小时间的生产线设备数量优化方法
CN110849372A (zh) * 2019-11-28 2020-02-28 哈尔滨工程大学 一种基于em聚类的水下多目标轨迹关联方法
CN110849372B (zh) * 2019-11-28 2023-02-14 哈尔滨工程大学 一种基于em聚类的水下多目标轨迹关联方法
CN112308408A (zh) * 2020-10-30 2021-02-02 北京卫星环境工程研究所 一种多型号航天器并行总装协调生产调度方法
CN112308408B (zh) * 2020-10-30 2023-09-19 北京卫星环境工程研究所 一种多型号航天器并行总装协调生产调度方法
CN113034060A (zh) * 2021-05-20 2021-06-25 成都戎星科技有限公司 一种航班摆渡车的匹配方法

Similar Documents

Publication Publication Date Title
CN110188951A (zh) 一种基于最小能耗的砖厂摆渡车的调度优化的建立方法
Kim et al. A mathematical model and a genetic algorithm for two-sided assembly line balancing
Ding et al. Improved particle swarm optimization algorithm based novel encoding and decoding schemes for flexible job shop scheduling problem
Luo et al. GPU based parallel genetic algorithm for solving an energy efficient dynamic flexible flow shop scheduling problem
Li et al. Chemical-reaction optimization for flexible job-shop scheduling problems with maintenance activity
Liu et al. Multi-resource constrained flexible job shop scheduling problem with fixture-pallet combinatorial optimisation
CN109800904B (zh) 带时间窗的装配式建筑预制件配送路径优化方法及***
CN104636479A (zh) 一种工业大数据驱动的总完工时间预测方法
CN103279793A (zh) 一种确定环境下的无人飞行器编队任务分配方法
CN104123587B (zh) Mto‑mts管理模式下钢铁生产合同计划和多级库存匹配优化方法
Feng et al. Stackelberg game optimization for integrated production-distribution-construction system in construction supply chain
Xu et al. Functional objectives decisionmaking of discrete manufacturing system based on integrated ant colony optimization and particle swarm optimization approach
CN103337041A (zh) 基于知识工程的混凝土坝浇筑施工智能决策***及其方法
CN104636871A (zh) 一种基于数据的单阶段多产品批处理的控制方法
CN104616062A (zh) 一种基于多目标遗传规划的非线性***辨识方法
Asadi et al. Sustainable building design: a review on recent metaheuristic methods
Zhou et al. A material handling scheduling method for mixed-model automotive assembly lines based on an improved static kitting strategy
Shen et al. A parallel genetic algorithm for multi-objective flexible flowshop scheduling in pasta manufacturing
CN105512755A (zh) 一种基于分解的多目标分布估计优化方法
Sun et al. A teaching-learning-based optimization with feedback for LR fuzzy flexible assembly job shop scheduling problem with batch splitting
CN104392317B (zh) 一种基于遗传文化基因算法的项目调度方法
Zaman et al. Multi-method based algorithm for multi-objective problems under uncertainty
Bailey et al. Operative generative design using non-dominated sorting genetic algorithm II (NSGA-II)
CN116307008A (zh) 一种mto和mts混合生产模式下aps排产方法
Tang et al. An effective memetic algorithm for distributed flexible job shop scheduling problem considering integrated sequencing flexibility

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190830

RJ01 Rejection of invention patent application after publication