CN111401693A - 一种带机器人运输的柔性车间调度优化方法及*** - Google Patents
一种带机器人运输的柔性车间调度优化方法及*** Download PDFInfo
- Publication number
- CN111401693A CN111401693A CN202010115730.1A CN202010115730A CN111401693A CN 111401693 A CN111401693 A CN 111401693A CN 202010115730 A CN202010115730 A CN 202010115730A CN 111401693 A CN111401693 A CN 111401693A
- Authority
- CN
- China
- Prior art keywords
- empire
- country
- colonial
- new
- equipment
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 43
- 238000002922 simulated annealing Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 2
- 230000008033 biological extinction Effects 0.000 claims description 2
- 239000012536 storage buffer Substances 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 241000721047 Danaus plexippus Species 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101100201894 Mus musculus Rtn4ip1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
Images
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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本公开提出了一种带机器人运输的柔性车间调度优化方法及***,考虑了运输时间和切换时间,提出对应的约束建立的问题模型,采用帝国竞争算法对问题求解,并且求解过程中采用模拟退火(S A)算法跳出局部最优解,提高算法的收敛性,获得更优的最优解,作为每项操作的设备选择和每台设备上的操作顺序的最优解决方案,最小化完工时间,提高生产效率。
Description
技术领域
本公开涉及智能生产调度相关技术领域,具体的说,是涉及一种带机器人运输的柔性车间调度优化方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,并不必然构成在先技术。
近年来,调度问题得到了广泛的关注。经典的调度问题包括流水作业调度问题(FSP)、作业车间调度问题(JSP)和柔性作业车间调度问题(FJSP)。柔性作业车间问题是该领域中最困难的问题之一,通过一组机床调度一组工件,以便最小化创建性能准则。每个工件由一系列连续的操作组成,每个操作只需要一台机床,该机床连续可用,并且一次可以不间断地处理一个操作。
随着全球经济的发展,满足实际生产需要的柔性作业车间调度问题得到了越来越多的研究。柔性作业车间调度问题(FJSP)是经典JSP问题的扩展。FJSP是组合优化和生产管理领域的重要研究课题。在FJSP中,允许在任何可用的机床上处理操作。FJSP由两个子问题组成:第一是将一系列可用机床分配给指定的操作。第二是计算分配给指定机床的操作顺序的完成时间。为了解决制造***中的FJSP问题,研究者们提出了一系列启发式算法,例如粒子群优化算法(POS)、人工免疫算法(AIA)、混合禁忌搜索算法(HTSA)、人工蜂群算法以及遗传算法(CGA)。发明人发现,一方面,关于FJSP的大多数研究都假设一个工件在一个机床上完成后在到另一机床上上直接处理,显然,这与现实不符。另一方面,现有的方法在解决FJSP问题时存在以下难点:人工免疫算法(AIA)在解决调度问题时的缺点是收敛速度慢;混合禁忌搜索算法(HTSA)在解决调度问题时的缺点是容易陷入局部最优;粒子群优化算法(POS)在解决调度问题时的缺点是适用性低,在某些问题上性能并不是特别好;遗传算子的选择比较困难,导致遗传算法不容易实现。因此,人工蜂群算法以及遗传算法(CGA)在解决调度问题时的缺点是比较费时。可见现有的上述方法,都不能很好的解决FJSP问题。
发明内容
本公开为了解决上述问题,提出了一种带机器人运输的柔性车间调度优化方法及***,考虑了运输时间和切换时间,提出对应的约束建立的问题模型,采用帝国竞争算法对问题求解,并且求解过程中采用模拟退火(S A)算法跳出局部最优解,提高算法的收敛性,获得更优的最优解,作为每项操作的设备选择和每台设备上的操作顺序的最优解决方案,最小化完工时间,提高生产效率。
为了实现上述目的,本公开采用如下技术方案:
一个或多个实施例提供了一种带机器人运输的柔性车间调度优化方法,包括如下步骤:
获取生产配置信息,所述生产配置信息包括待生产的工件、机床的数量和每个机床可执行的生产操作;
确定带传输和切换时间的分布式流水车间的约束条件,以最小化最大完工时间为控制目标,根据约束条件建立问题模型;
根据生产配置信息,采用帝国竞争算法求解问题模型,并采用模拟退火算法,获得每项操作的设备选择和每台设备上的操作顺序的最优解决方案。
一种带机器人运输的柔性车间调度优化***,包括:
获取模块:被配置为用于获取生产配置信息,所述生产配置信息包括待生产的工件、机床的数量和每个机床可执行的生产操作;
问题模型建立模块:被配置为用于确定带传输和切换时间的分布式流水车间的约束条件,以最小化最大完工时间为控制目标,根据约束条件建立问题模型;
求解模块:被配置为用于根据生产配置信息,采用帝国竞争算法求解问题模型,并采用模拟退火算法,获得每项操作的设备选择和每台设备上的操作顺序的最优解决方案。
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成上述方法所述的步骤。
一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成上述方法所述的步骤。
与现有技术相比,本公开的有益效果为:
本公开的车间调度优化方法及***,考虑了运输时间和切换时间,提出对应的约束建立的问题模型,采用帝国竞争算法对问题求解,并且求解过程中采用模拟退火(SA)算法跳出局部最优解,提高算法的收敛性,获得更优的最优解,作为每项操作的设备选择和每台设备上的操作顺序的最优解决方案,最小化完工时间,提高生产效率。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的限定。
图1是本公开实施例1的方法流程图;
图2是本公开实施例1的不带传输时间的柔性车间调度问题甘特图;
图3是本公开实施例1的带传输时间的柔性车间调度问题甘特图;
图4是本公开实施例1的带切换时间的柔性车间调度问题甘特图
图5是本公开实施例1的变异过程示意图;
图6是本公开实施例1的两点交叉方法过程示意图;
图7是本公开实施例1的POX交叉过程示意图;
图8是本公开实施例1的示例中四个关键参数的因子水平走势示意图;
图9是本公开实施例1的示例中IICA和ICA的收敛曲线示意图;
图10是本公开实施例1的示例中IICA(包含SA)算法和IICA(不包含SA)算法的平均值和95%LSD区间示意图;
图11是本公开实施例1的示例中四种比较算法的平均值和95%LSD区间示意图;
图12是本公开实施例1的示例中四种算法收敛曲线的比较示意图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是,在不冲突的情况下,本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
实施例1
在一个或多个实施方式中公开的技术方案中,如图1所示,一种带机器人运输的柔性车间调度优化方法,包括如下步骤:
步骤1、获取生产配置信息,所述生产配置信息包括待生产的工件、机床的数量和每个机床可执行的生产操作;
步骤2、确定带传输和切换时间的分布式流水车间的约束条件,以最小化最大完工时间为控制目标,根据约束条件建立问题模型;
步骤3、根据生产配置信息,采用帝国竞争算法求解问题模型,并采用模拟退火算法,获得每项操作的设备选择和每台设备上的操作顺序的最优解决方案。
下面对上述步骤进行详细说明。
1.带机器人传输和切换时间的柔性车间调度优化问题描述。
如图2-4所示,为车间问题中的甘特图,其中Oj,q代表工件j的第q个操作,t代表运输时间,s代表切换时间。带有机器人等智能体在车间的各个工位间进行工件传递时,图4更贴合实际的情况。
带传输和切换时间的柔性车间调度问题中,生产配置包括生产任务信息和完成生产任务或者生产设备。所述生产设备包括执行生产任务操作的所有设备,是指在生产过程中为生产工人操纵的,直接改变原材料属性、性能、形态或增强外观价值所必需的劳动资料或器物。如高炉、机床、反应器、印染机等。本实施例中主要以机床为例进行说明。
如有n个工件和m个机床,每个独立的工件i个操作组成。每个操作都可以在一组可用机床上按一定顺序进行处理。一个工件从一台机床移动另一台机床需要运输时间。当机床处理的前后工件不一致,还包括工件之间的切换时间。因此需要同时确定每项操作的机床选择和每台机床上的操作顺序,以最大限度地减少完工时间。
为了便于描述问题,可以做以下设定作为约束条件:所有工件在零时刻就准备好了;每个工件都有固定的处理顺序;每个操作一次只能在一台机床上处理;工件在一个机床上完成操作之后去另有一个机床继续进行加工;每台机床的存储缓冲区容量足够大;机床上的操作一旦处理,就不能中断,直到它完成。
柔性车间调度的目的是确定每项操作的机床选择和每台机床上的操作顺序。目标是最大限度地减少完工时间。
1.1带传输和切换时间的柔性车间调度优化问题建模:根据问题描述建立问题模型,问题模型包括问题描述中涉及的各个参数和各个参数的之间的约束。
针对上述问题描述,涉及的参数和符号以及如表1所示。
表1
建立问题模型的约束条件如表2所示:
表2
约束(1)通过考虑所有工件的最后一次操作的完成时间来确定最大完工时间的值。约束(2)和(3)确保每项工作的每一项操作都只能分配给一台机床,约束(4)和(5)确保为每个操作选择的机器必须从可用的机器阵列中选择。约束(6)和约束(7)确保Oj,l在机器i上加工,Oj,l-1在机器k上加工。约束(8)和(9)在完成任务的上一道工序后,可以继续下一道工序。考虑了机床之间的传输时间和工件之间的切换时间。约束(10)至(17)强制每台机器一次仅执行一个操作。约束(18)和(19)限制了一系列相关决策变量的范围。
2、采用帝国竞争算法求解。
步骤3、根据生产配置信息,采用帝国竞争算法结合模拟退火算法求解问题模型,获得完成生产每项操作的设备选择以及每台设备上的操作顺序的设备操作序列的最优解决方案。每项操作的设备选择可以简称为设备选择,包括如下步骤:
2.1初始化国家个体:设备选择和设备操作顺序的初始解决方案,每一个解决方案初始化为一个国家个体;根据轮盘赌选择计算各国的势力,根据势力大小划分帝国和殖民地;
2.1.1采用局部选择方法将生产操作分配至生产设备,采用随机选择方法生成每台生产设备的操作序列,作为设备选择和设备操作顺序的初始解决方案。
可选的,为便于数据处理,可以采用数组存储解决方案,设备选择:可以根据操作的工件顺序依次为工件选择可用的设备,可以将可用设备的设备编号采用数组的方式保存,如本实施例中存于MS数组。操作序列的生成:可以根据随机处理的工件顺序将工件编号放入OS数组。
采用局部选择方法将生产操作分配至生产设备的方法具体为:
步骤1:为了记录所有机器的处理时间,创建一个新的数组(称为时间数组),长度等于L,并将每个元素设置为0;步骤2:选择第一个作业及其第一个操作;步骤3:将数组中的每个位置元素设置为0;步骤4:将备选机器集中每台机器的处理时间与数组中对应机器的时间相加;步骤5:比较相加的时间,找出时间最短的机器的索引k。如果不同机器之间的时间相同,则在其中随机选择一台机器;步骤6,将MS部分中当前操作对应的元素设置为k;步骤7:将当前选中机器的加工时间与时间数组中对应的元素相加,更新时间数组;步骤8:选择当前作业的下一道工序,进入步骤4,直到选中当前作业的所有工序,然后进入步骤9;步骤9:选择下一项作业,选择当前作业的第一道工序;步骤10:转到步骤3,直到选择所有作业一次。
2.1.2根据轮盘赌选择算法计算各国的势力,根据势力大小划分帝国和殖民地的方法具体为:
计算初始解决方案中所有工作的最大完成时间,根据轮盘赌选择算法计算各国的势力,计算公式如下:
power=1/makespan (1)
其中,power为求得的各国的势力,makespan为国家的最大完工时间。
2.1.3设定初始帝国数量和殖民地数量,按照各国的势力大小为帝国分配殖民地。
按照下面的公式计算帝国占领的殖民地的数目:
其中,colonyNum为帝国占领的殖民地的数目,Ncol用来表示殖民地的总数量。
上述步骤实现了帝国竞争算法的初始化步骤,下面的步骤进行算法的循环求解过程,获取最优解决方案,目标是尽量减少所有工作的最大完成时间。为了实现这一目标,我们实行帝国同化、帝国更新、帝国竞争、帝国发展和地方搜索策略。
2.2、帝国同化:对帝国国家及其殖民地国家进行同化操作,使得殖民地国家向***国家移动,具体方法为:
分别采用两点交叉和POX交叉对设备选择和设备操作顺序进行调整获得新的殖民地,计算新的殖民地的势力,如果新的殖民地的势力大于同化前的旧殖民地的势力,将新的殖民地取代旧的殖民地。
在同化过程中,本实施例采取了不同的策略。作为一种可以实现的技术方案,可选的,如图6所示,对于设备选择采用选择两点交叉方法生成新的殖民地,两点交叉方法可以为:随机选取帝国的两个点,将两点之间的单位***到其殖民地的对应单位中,形成一个新的殖民地,将新的殖民地与旧的殖民地进行比较。
可选的,如图7所示,对于设备操作序列采用POX交叉方法生成新的殖民地。在POX交叉中,从帝国的操作序列中随机选择一些单元,根据这些单元的原来位置***到新的殖民地中,然后在新殖民地操作序列的其余位置***对应旧殖民地的操作序列对应的单元。同化后,如果新的解比旧解好,新的殖民地就会取代旧的殖民地,否则就保持不变。
采用不同的交叉方案解决方案中的不同部分分别进行帝国同化,避免了殖民地出现完全相似的情况,提高了算法的整体性能。
作为进一步的改进,在同化步骤之前,还包括对帝国进行变异的步骤:对于设备选择部分,在可用设备中随机选择一个替换设备选择中的一个设备,对于设备操作序列,从操作序列中随机选择两个单元进行交换,生成新的解决方案作为新的帝国,计算新的帝国的势力,如果新的帝国的势力大于变异前的旧帝国的势力,将新的帝国取代旧的帝国。
具体的,本实施例中,在变异过程中,两个部分的操作可以不同,如图5所示,上面一行为变异前的解决方案,下面一行为变异后的解决方案。对于设备选择机床部分,从MS数组中随机选择一个单元如第一个单元的设备1,然后从可用机床数组中随机选择一个不同的可用机床如图中的设备2,并将该单元替换为随机选择的可用机床编号2,即将图5中所示上面一行中的第一个单元1替换为2,获得第二行的数组。对于操作序列部分,从操作***阵列中随机选择两个单元并交换它们。帝国的每一次突变完成后,如果获得的解更好,新帝国就会取代旧帝国,否则就会保持不变。
本实施例改进了帝国竞争算法,在帝国同化之前加入帝国变异的步骤,使得殖民地被同化为变异的帝国,进一步减少殖民地出现重复现象的发生。
2.3帝国竞争:计算帝国同化后各个帝国和殖民地的势力,若其中势力最弱的帝国A小于最强殖民地B的势力,则最强殖民地B变为新帝国C,将最弱帝国A的殖民地分配给新帝国C,如果帝国的殖民地是空的,实施帝国消亡战略,使它成为最强帝国的殖民地。
本实施例通过帝国竞争,可以防止帝国同化作用造成过早的收敛,避免最终输出的解不是最优解。
2.4帝国更新:计算帝国同化后各个帝国势力,选择最强的帝国和最弱的帝国,从最弱的帝国中随机选择一个殖民地,属于最强大的帝国的殖民地,当帝国不存在殖民地时,该帝国将归属到最强大帝国的殖民地中。
2.5帝国发展:对帝国更新后的帝国进行变革,对帝国的设备选择和设备操作顺序进行调整获得新的帝国,计算帝国的势力,如果新的帝国的势力大于变革前的旧帝国,将新的帝国替换旧帝国。
对帝国的设备选择和设备操作顺序进行调整获得新的帝国的方法,具体的可以为:对于设备选择部分,随机选择一个单元,从可替换设备中选择一个设备替换该单元;对于操作序列部分,随机将将序列中的一个单元***本序列的一个随机位置,生成新的序列;
帝国发展的步骤设置是为了消除殖民地被同化为实力较弱的***这一缺点,将帝国进行变革操作,使得帝国的势力增强。
2.6局部搜索策略:计算帝国发展后的帝国势力,获得最强帝国,采用基于模拟退火的增强型局部搜索算法,判断是否达到设定的退火温度,如果是,当前最强帝国为最优解决方案,否则执行步骤2.2。
采用基于模拟退火(SA)的增强型局部搜索算法,可以提高算法的收敛性,能够跳出局部最优解,使得获得的最优解更优。
本实施例的改进帝国竞争算法的包括在帝国同化步骤之间加入了帝国变异步骤、基于模拟退火(SA)的增强型局部搜索算法跳出局部最优解,准确获得求解问题的最优解,比改进前的帝国竞争算法相比,改进后的算法具有更好的收敛能力,获得的最优值更优。
改进后的算法收敛速度快、收敛精度高,具有较强的全局收敛性。算法利用殖民地向***国家移动进行局部搜索,同时,帝国竞争操作使帝国内的殖民地可以向其他帝国移动,突破了原来的搜索范围,增加了种群多样性,在一定程度上起到克服“早熟”现象的作用。此外,帝国内部的各种策略操作结合大大加快了算法的收敛速度。
3为了验证本实施例的改进的帝国竞争算法帝国算法(简称为IICA)的良好性能,
在实验中,设置参数值如下:
初始种群大小(popSize):50,100,150,200。
帝国大小(Nimp):5,10,15,20.
算例大小:42
每个实例运行CPU的执行时间:30s.
基于IICA的局部搜索策略的参数如下:
替换新解的概率:0.05。
迭代次数(Seq):1、3、6、9。
迭代次数(Assg):1、3、6、9
我们用田口实验法进行测试,它具有实验次数少,节省时间和成本。实验结果客观、无偏倚,实验方法具有可继承性的特点。将实验因素与水平相结合,获得参数最优值,如表3所示为不同水平的田口因子,图8为四个关键参数的因子水平走势示意图。
表3:不同水平的田口因子
3.1将本实施例中改进后的帝国竞争算法简称为IICA与改进前的帝国竞争算法简称为ICA进行比较,通过生成最佳值的百分比偏差(dev)来显示测量性能。
dev的求解公式如下:
其中,fc表示所有ICA算法的最优解,fb是给定算法IICA的最优解。为了测试改进算法的有效性,将IICA与之前的ICA进行比较,使用相同的实例,每个实例在相同的时间内运行30次,在无数次迭代中,我们选择最好的解、最差的解,以及解的平均值进行比较。如图9所示,比较了平均收敛能力,可以看出改进后的算法具有更好的收敛能力,获得的最优值更优。
3.2验证局部搜索策略的有效性。
为了验证所提出的局部搜索策略的有效性,我们将带搜索策略(SA)的IICA算法与不带局部搜索(SA)的IICA算法进行了比较。通过测试数据和生成甘特图,如图10所示,清楚地显示了局部搜索策略的优势。通过实验数据表明,使用局部搜索策略该算法的收敛能力得到了增强,而且获得的最优值更优。
3.3将其与三种流行的算法人工免疫算法(AIA)、人工蜂群算法(ABC)和迭代贪婪算法(IG)进行了比较。在相同的环境下运行,对于每种算法,在考虑传输时间和切换时间的前提下,使用相同的例子在相同的条件下运行30次迭代上千次,得到每种算法的最小值、最大值和平均值,如表4所示。
表4
将数据生成甘特图,如图11所示,可以看出本实施例改进后的算法具有更好的收敛能力,与此同时,我们在运行过程中生成数据,在MATLAB中生成收敛曲线来验证算法的收敛能力,如图12所示,可见本实施例的改进算法的收敛性更好。
实施例2
本实施例提供一种带机器人运输的柔性车间调度优化***,包括:
获取模块:被配置为用于获取生产配置信息,所述生产配置信息包括待生产的工件、机床的数量和每个机床可执行的生产操作;
问题模型建立模块:被配置为用于确定带传输和切换时间的分布式流水车间的约束条件,以最小化最大完工时间为控制目标,根据约束条件建立问题模型;
求解模块:被配置为用于根据生产配置信息,采用帝国竞争算法求解问题模型,并采用模拟退火算法,获得每项操作的设备选择和每台设备上的操作顺序的最优解决方案。
实施例3
本实施例提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1的方法所述的步骤。
实施例4
本实施例提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1的方法所述的步骤。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种带机器人运输的柔性车间调度优化方法,其特征是,包括如下步骤:
获取生产配置信息,所述生产配置信息包括待生产的工件、机床的数量和每个机床可执行的生产操作;
确定带传输和切换时间的分布式流水车间的约束条件,以最小化最大完工时间为控制目标,根据约束条件建立问题模型;
根据生产配置信息,采用帝国竞争算法求解问题模型,并采用模拟退火算法,获得每项操作的设备选择和每台设备上的操作顺序的最优解决方案。
2.如权利要求1所述的一种带机器人运输的柔性车间调度优化方法,其特征是:确定带传输和切换时间的分布式流水车间的约束条件包括所有工件在零时刻就准备好了;每个工件都有固定的处理顺序;每个操作一次只能在一台设备上处理;工件在一个设备上完成操作之后去另有一个设备继续进行加工;每台设备的存储缓冲区容量足够大;机床上的操作一旦处理,就不能中断,直到完成。
3.如权利要求1所述的一种带机器人运输的柔性车间调度优化方法,其特征是:根据生产配置信息,采用帝国竞争算法求解问题模型,并采用模拟退火算法,获得每项操作的设备选择和每台设备上的操作顺序的最优解决方案,包括如下步骤:
初始化国家个体:设备选择和设备操作顺序的初始解决方案,每一个解决方案初始化为一个国家个体,划分帝国和殖民地;
帝国同化:对帝国国家及其殖民地国家进行同化操作,使得殖民地国家向***国家移动;
帝国竞争:计算帝国同化后各个帝国和殖民地的势力,若其中势力最弱的帝国A小于最强殖民地B的势力,则最强殖民地B变为新帝国C,将最弱帝国A的殖民地分配给新帝国C,如果帝国的殖民地是空的,实施帝国消亡战略,使它成为最强帝国的殖民地;
帝国更新:计算帝国同化后各个帝国势力,选择最强的帝国和最弱的帝国,从最弱的帝国中随机选择一个殖民地,属于最强大的帝国的殖民地,当帝国不存在殖民地时,该帝国将归属到最强大帝国的殖民地中;
帝国发展:对帝国更新后的帝国进行变革,对帝国的设备选择和设备操作顺序进行调整获得新的帝国,计算帝国的势力,如果新的帝国的势力大于变革前的旧帝国,将新的帝国替换旧帝国;
局部搜索:计算帝国发展后的帝国势力,获得最强帝国,采用基于模拟退火的增强型局部搜索算法,判断是否达到设定的退火温度,如果是,当前最强帝国为最优解决方案,否则执行帝国同化步骤。
4.如权利要求3所述的一种带机器人运输的柔性车间调度优化方法,其特征是:根据轮盘赌选择计算各国的势力,计算公式如下:
power=1/makespan
其中,power为求得的各国的势力,makespan为国家对应的解决方案的最大完工时间。
5.如权利要求3所述的一种带机器人运输的柔性车间调度优化方法,其特征是:帝国同化:对帝国国家及其殖民地国家进行同化操作,使得殖民地国家向***国家移动,具体方法为:
分别采用两点交叉和POX交叉对设备选择和设备操作顺序进行调整获得新的殖民地,计算新的殖民地的势力,如果新的殖民地的势力大于同化前的旧殖民地的势力,将新的殖民地取代旧的殖民地。
6.如权利要求3所述的一种带机器人运输的柔性车间调度优化方法,其特征是:在帝国同化步骤之前,还包括对帝国进行变异的步骤:对于设备选择部分,在可用设备中随机选择一个替换设备选择中的一个设备,对于设备操作序列,从操作序列中随机选择两个单元进行交换,生成新的解决方案作为新的帝国,计算新的帝国的势力,如果新的帝国的势力大于变异前的旧帝国的势力,将新的帝国取代旧的帝国。
7.如权利要求3所述的一种带机器人运输的柔性车间调度优化方法,其特征是:所述帝国发展步骤中,对帝国的设备选择和设备操作顺序进行调整获得新的帝国的方法,具体为:对于设备选择部分,随机选择一个单元,从可替换设备中选择一个设备替换该单元;对于操作序列部分,随机将将序列中的一个单元***本序列的一个随机位置,生成新的序列。
8.一种带机器人运输的柔性车间调度优化***,其特征是,包括:
获取模块:被配置为用于获取生产配置信息,所述生产配置信息包括待生产的工件、机床的数量和每个机床可执行的生产操作;
问题模型建立模块:被配置为用于确定带传输和切换时间的分布式流水车间的约束条件,以最小化最大完工时间为控制目标,根据约束条件建立问题模型;
求解模块:被配置为用于根据生产配置信息,采用帝国竞争算法求解问题模型,并采用模拟退火算法,获得每项操作的设备选择和每台设备上的操作顺序的最优解决方案。
9.一种电子设备,其特征是,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项方法所述的步骤。
10.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项方法所述的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010115730.1A CN111401693B (zh) | 2020-02-25 | 2020-02-25 | 一种带机器人运输的柔性车间调度优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010115730.1A CN111401693B (zh) | 2020-02-25 | 2020-02-25 | 一种带机器人运输的柔性车间调度优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111401693A true CN111401693A (zh) | 2020-07-10 |
CN111401693B CN111401693B (zh) | 2023-09-22 |
Family
ID=71434034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010115730.1A Active CN111401693B (zh) | 2020-02-25 | 2020-02-25 | 一种带机器人运输的柔性车间调度优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111401693B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016801A (zh) * | 2020-07-17 | 2020-12-01 | 山东师范大学 | 带传输和切换时间的柔性作业车间调度方法及*** |
CN112207815A (zh) * | 2020-08-21 | 2021-01-12 | 北京卫星制造厂有限公司 | 一种多机多工序时空协同规划方法和*** |
CN113345559A (zh) * | 2021-04-15 | 2021-09-03 | 山东师范大学 | 用于手术病例调度的多目标柔性元启发式优化方法及*** |
CN114393578A (zh) * | 2021-12-31 | 2022-04-26 | 广州明珞装备股份有限公司 | 一种工艺动作判断方法、***、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015203175A1 (en) * | 2006-07-31 | 2015-07-09 | Accenture Global Services Limited | Work allocation model |
CN106611281A (zh) * | 2016-06-08 | 2017-05-03 | 四川用联信息技术有限公司 | 一种基于二维平面区域距的算法解决作业车间调度问题 |
CN107479522A (zh) * | 2017-09-22 | 2017-12-15 | 郑州航空工业管理学院 | 一种改良的帝国竞争算法解决柔性作业车间调度问题的方法 |
CN108803519A (zh) * | 2018-06-23 | 2018-11-13 | 郑州航空工业管理学院 | 一种改良的帝国竞争算法解决柔性作业车间调度问题的方法 |
CN109034633A (zh) * | 2018-08-04 | 2018-12-18 | 郑州航空工业管理学院 | 改进遗传算法求解带移动时间的柔性作业车间调度方法 |
CN110632907A (zh) * | 2019-10-30 | 2019-12-31 | 山东师范大学 | 一种分布式装配式置换流水车间调度优化方法及*** |
-
2020
- 2020-02-25 CN CN202010115730.1A patent/CN111401693B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015203175A1 (en) * | 2006-07-31 | 2015-07-09 | Accenture Global Services Limited | Work allocation model |
CN106611281A (zh) * | 2016-06-08 | 2017-05-03 | 四川用联信息技术有限公司 | 一种基于二维平面区域距的算法解决作业车间调度问题 |
CN107479522A (zh) * | 2017-09-22 | 2017-12-15 | 郑州航空工业管理学院 | 一种改良的帝国竞争算法解决柔性作业车间调度问题的方法 |
CN108803519A (zh) * | 2018-06-23 | 2018-11-13 | 郑州航空工业管理学院 | 一种改良的帝国竞争算法解决柔性作业车间调度问题的方法 |
CN109034633A (zh) * | 2018-08-04 | 2018-12-18 | 郑州航空工业管理学院 | 改进遗传算法求解带移动时间的柔性作业车间调度方法 |
CN110632907A (zh) * | 2019-10-30 | 2019-12-31 | 山东师范大学 | 一种分布式装配式置换流水车间调度优化方法及*** |
Non-Patent Citations (7)
Title |
---|
T. ZHOU, Q. ZHANG, X. WANG AND X. REN: "Imperialist competitive algorithm based on VNSOBL optimization for distributed parallel machine scheduling problem", 《2019 CHINESE AUTOMATION CONGRESS (CAC)》 * |
孙越: "改进ICA算法求解具有有限缓冲区的柔性流水车间排产优化问题研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
徐震浩等: "基于DICA的存储受限流水车间调度", 《华东理工大学学报(自然科学版)》 * |
李俊青等: "多目标柔性车间调度的Pareto混合禁忌搜索算法", 《计算机集成制造***》 * |
李明,雷德明: "基于新型帝国竞争算法的高维多目标柔性作业车间调度", 《控制理论与应用》 * |
陈鸿海: "基于重调度需度驱动机制的柔性作业车间多目标动态调度研究", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》 * |
颜波等: "离散型帝国竞争算法在仓储订单调度中的应用", 《控制与决策》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016801A (zh) * | 2020-07-17 | 2020-12-01 | 山东师范大学 | 带传输和切换时间的柔性作业车间调度方法及*** |
CN112207815A (zh) * | 2020-08-21 | 2021-01-12 | 北京卫星制造厂有限公司 | 一种多机多工序时空协同规划方法和*** |
WO2022037410A1 (zh) * | 2020-08-21 | 2022-02-24 | 北京卫星制造厂有限公司 | 一种多机多工序时空协同规划方法和*** |
CN112207815B (zh) * | 2020-08-21 | 2022-04-12 | 北京卫星制造厂有限公司 | 一种多机多工序时空协同规划方法和*** |
CN113345559A (zh) * | 2021-04-15 | 2021-09-03 | 山东师范大学 | 用于手术病例调度的多目标柔性元启发式优化方法及*** |
CN114393578A (zh) * | 2021-12-31 | 2022-04-26 | 广州明珞装备股份有限公司 | 一种工艺动作判断方法、***、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111401693B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401693A (zh) | 一种带机器人运输的柔性车间调度优化方法及*** | |
CN107450498B (zh) | 基于改进人工蜂群算法的生产调度方法及*** | |
Li et al. | Two-stage knowledge-driven evolutionary algorithm for distributed green flexible job shop scheduling with type-2 fuzzy processing time | |
CN114186749B (zh) | 基于强化学习及遗传算法的柔性车间调度方法及模型 | |
CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
CN113034026B (zh) | 基于Q-learning和GA的多目标柔性作业车间调度自学习方法 | |
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 | |
CN110738365B (zh) | 一种基于粒子群算法的柔性作业车间生产调度方法 | |
CN109872046B (zh) | 混流装配线任务分配与投产排序集成优化方法 | |
CN112561225B (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN110389819A (zh) | 一种计算密集型批处理任务的调度方法和*** | |
CN112286149A (zh) | 一种考虑起重机运输过程的柔性车间调度优化方法及*** | |
CN112381273B (zh) | 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 | |
CN110363343A (zh) | 一种混合自适应的水电站群智能优化调度方法及*** | |
CN114091746A (zh) | 基于动态优化帝王蝶算法的电力能源供应调度规划方法 | |
CN113960971B (zh) | 一种基于行为决策网络粒子群优化的柔性车间调度方法 | |
CN112148446B (zh) | 一种用于多技能资源受限项目调度的进化策略方法 | |
Liang et al. | Improved nsga2 algorithm to solve multi-objective flexible job shop scheduling problem | |
CN113741482B (zh) | 一种基于异步遗传算法的多智能体路径规划方法 | |
CN114676987B (zh) | 一种基于超启发式算法的智能柔性作业车间主动调度方法 | |
CN113780871A (zh) | 一种多目标低碳柔性作业车间调度方法 | |
CN106610641A (zh) | 针对动态作业车间调度问题的基于局部搜索遗传编程算法 | |
CN113792494B (zh) | 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法 | |
CN114330940B (zh) | 用于pcb电镀任务排序问题的多目标混合蜘蛛猴优化方法 | |
CN115496322A (zh) | 分布式流水车间调度方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |