CN114022028B - 一种自动化混合流水线调度布局集成优化方法 - Google Patents
一种自动化混合流水线调度布局集成优化方法 Download PDFInfo
- Publication number
- CN114022028B CN114022028B CN202111381898.8A CN202111381898A CN114022028B CN 114022028 B CN114022028 B CN 114022028B CN 202111381898 A CN202111381898 A CN 202111381898A CN 114022028 B CN114022028 B CN 114022028B
- Authority
- CN
- China
- Prior art keywords
- station
- workpiece
- machine tool
- manipulator
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 210000000349 chromosome Anatomy 0.000 claims abstract description 64
- 238000005265 energy consumption Methods 0.000 claims abstract description 56
- 238000004519 manufacturing process Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 65
- 230000008569 process Effects 0.000 claims description 47
- 230000035772 mutation Effects 0.000 claims description 29
- 238000003754 machining Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 21
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011065 in-situ storage Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 108091026890 Coding region Proteins 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 description 22
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 238000003860 storage Methods 0.000 description 3
- 101150096316 5 gene Proteins 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000109 continuous material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Factory Administration (AREA)
- Multi-Process Working Machines And Systems (AREA)
Abstract
本发明公开了一种自动化混合流水线调度布局集成优化方法。包括以下步骤:步骤S1,确定的自动化混合流水线的基本布局参数信息和基本调度参数信息,步骤S2,获取生产线集成优化模型的约束条件,建立以完工时间最小和生产线能耗最小为目标的自动化混合流水线调度布局集成优化模型;步骤S3,选择与目标函数相关联的优化对象,并设计一种关联性混合编码方式的染色体序列;步骤S4,由改进的多种群NSGA_II算法对自动化混合流水线调度布局集成优化模型进行求解并根据目标函数得到对应的适应度值,最终根据优化的适应度值得到Pareto最优解集。
Description
技术领域
本发明涉及自动化生产线技术领域,尤其涉及一种自动化混合流水线调度布局集成优化方法。
背景技术
混合流水线调度问题可以看作是经典流水线调度问题和并行机调度问题的结合,其至少有一道工位中的处理机个数大于1,当工件到达该工位时需在多台机床中选择一台进行加工,求解难度相对增加。在求解该问题时,通常不考虑工位间的物流过程,通过改变工件的排序和机床的分配实现目标函数的优化。然而,采用简化的数学模型,仅考虑工件排序和机床分配的优化效果有限,而且混合流水线中还有诸多可优化的重要因素。
据统计,当车间规划不合理时,物料等待时间将占到产品生产周期的90%以上,制造企业生产中有20%~50%的总运营成本是物料搬运成本;在实际生产过程中,无论是采用工艺原则布置的离散化生产模式,还是采用产品原则布置的流水线生产模式,物流规划都是生产***总体规划过程中不可忽视的重要内容;尤其是对于物流过程更为复杂的混合流水线,物流因素对产能的影响将更为巨大;针对混合流水线中,工件搬运的目标机床会根据实际情况发生不断变化的特点,物流方式的选择和物流过程的规划将进一步决定流水线整体方案的可行性。
经研究表明,好的设备布局可以有效降低生产过程中的物料搬运成本,通过布局上的优化可有效提升物流过程中的各项参数指标;布局问题往往存在于离散化的生产模式中,然而混合流水线同样存在诸多可优化的布局因素,通过合理改变流水线各道工位上的机床顺序和间距(所有因素),可有效减少物料搬运距离和物料搬运时间。
因此,在传统混合流水线调度问题的基础上,综合考虑物流因素,并结合布局问题,对混合流水线进行集成优化,实现产能的进一步提升,对于混合流水线研究领域有着重大的理论意义,对于相关企业的生产具有实际的参考价值。
发明内容
本发明的目的在于针对单一因素对混合流水线优化效果有限的问题,提出一种综合考虑物流因素的自动化混合流水线调度布局集成优化方法。
为实现上述目的,本发明提供如下技术方案:
一种自动化混合流水线调度布局集成优化方法,用于自动化混合流水线中通过优化上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距,求得完工时间最小和生产线能耗最小的自动化混合流水线调度布局集成优化模型,具体包括如下步骤:
步骤S1,根据实际场地空间和各设备尺寸确定的自动化混合流水线的基本布局参数信息,包括设备类型及其长度、宽度,各台设备距离的范围,根据场地的长度、宽度得出的各工位并行机数量上限;由生产纲领和工艺流程确定自动化混合流水线的基本调度参数信息,包括工件的数量和种类,生产线工位数量及各工位并行机数量下限;
步骤S2,以自动化混合流水线的基本布局参数信息和基本调度参数信息,结合各机床设备工作过程中的加工时间、能耗因素约束条件,滑轨机械手在搬运过程中不同工况所需考虑的移动速度、移动距离、能耗因素约束条件,工件对于机床设备和滑轨机械手的判断因子因素约束条件,并以完工时间最小和生产线能耗最小为目标函数,建立自动化混合流水线调度布局集成优化模型。
步骤S3,选择与自动化混合流水线调度布局集成优化模型中目标函数相关联的优化对象,包括上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距四部分,并设计一种关联性混合编码方式由工件上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距四部分优化对象组成的染色体编码,根据实际解决的问题,染色体编码四部分选择不同的编码方式和交叉变异方式。
步骤S4,由多种群遗传算法结合第二代非支配遗传算法所改进的多种群NSGA-II算法生成染色体编码,对自动化混合流水线调度布局集成优化模型进行求解并根据目标函数得到对应的适应度值,在多种群NSGA-II算法运行过程中对适应度值进行优化,在算法终止时,最终根据优化的适应度值得到Pareto最优解集。
所述根据实际场地空间和各设备尺寸确定的自动化混合流水线的基本布局参数信息,和由生产纲领和工艺流程确定自动化混合流水线的基本调度参数信息,包括:
设置工件集合为N={1,2,…,n},i∈N,其中i为工件,n为工件数;工位集合为H={1,2,…,h},j∈H,其中j为工位,h为工位数;所有机床集合为M={1,2,…,m},k∈M,其中k为机床,m为机床总数;工位j上可供选取的并行机集合为Mj={1,2,…,mj},其中mj为工位j上的并行机床数;其中yj为工位j上各台机床中心点间的距离。
所述各机床设备工作过程中的加工时间、能耗因素约束条件,滑轨机械手在搬运过程中不同工况所需考虑的移动速度、移动距离、能耗因素约束条件,工件对于机床设备和滑轨机械手的判断因子因素约束条件,包括:
设置v1为滑轨滑轨机械手搬运工件时的移动速度,v2为滑轨滑轨机械手空载时的移动速度;sj,i为工位j对应的滑轨机械手搬运工件i的次数;为工位j对应的滑轨机械手取工件i的次数;/>为工位j对应的滑轨机械手第w次取工件i的起始机床序号,/>为工位j对应的滑轨机械手第w次取工件i的目标机床序号,/>为工位j对应的滑轨机械手第w次搬运工件i的起始机床序号,/>为工位j对应的滑轨机械手第w次搬运工件i的目标机床序号;dj,i,w为工位j对应的滑轨机械手第w次取工件i的移动距离,/>为工位j对应的滑轨机械手第w次搬运工件i的移动距离;Pi,k为工件i在机床k上的加工功率,/>为机床k的待机功率,Pj,i为工位j对应的滑轨机械手搬运工件i的运行功率,/>为工位j对应的滑轨机械手的空载功率;Ti,j,k为工件i的第j道工位在机床k上的加工时间;Kk,t为机床k第t次的开始加工时刻;Jk,t为机床k第t次的结束加工时刻;Fi,j为工件i的第j道工位的开始加工时刻;Ci,j为工件i的第j道工位的结束加工时刻;Wi,j,k=1表示工件i的第j道工位在机床k上加工,否则为0;Ui,k,t=1表示机床k第t次加工的工件为工件i,否则为0;/>表示工位j对应的滑轨机械手第w次将工件i搬运到了下一工位,/>表示工位j对应的滑轨机械手第w次将工件i搬运到了当前机床对应的缓存区。
所述各机床设备工作过程中的加工时间、能耗因素约束条件,包括:
其中,各机床设备工作过程中的加工时间已知,式(1)中MPE为机床加工能耗,式(2)中MWE为机床等待能耗。
所述滑轨机械手在搬运过程中不同工况所需考虑的移动速度、移动距离、能耗因素约束条件,包括:
其中,式(3)为滑轨机械手取工件的移动距离的计算公式,式(4)为滑轨机械手搬运工件的移动距离的计算公式;式(5)中RPE为滑轨机械手搬运能耗,式(6)中RWE为滑轨机械手空载能耗。
工件对于机床设备和滑轨机械手的判断因子因素约束条件,包括:
Fi,j=Kk,t,Ui,k,t=Wi,j,k=1 i∈N,j∈H,k∈M,t∈N (11)
Kk,t≥Jk,t-1,k∈M (15)
约束(7)表示任一工件的任一道工位只能在该道工位中的某一台机器上加工一次;约束(8)表示任一机床在同一时刻最多只能加工一个工件;约束(9)表示滑轨机械手每取一次工件就需搬运一次工件;约束(10)表示若滑轨机械手第一次搬运时就将工件搬运到了下一工位,则滑轨机械手搬运该工件的总次数为一,若滑轨机械手第一次搬运时将工件搬运到了缓存区,则滑轨机械手搬运该工件的总次数为二;约束(11)确保机床加工任一工件的开始时刻等于该工件开始加工时刻;约束(12)和(13)确保任一工件在对应机床上的结束加工时刻等于开始加工时刻与加工时间之和;约束(14)确保任一工件后一道工位的开始加工时刻不小于前一道工位的结束加工时刻与滑轨机械手取工件、搬运工件的时间之和;约束(15)确保机床后一次的开始加工时刻不小于前一次结束加工时刻。
所述以完工时间最小和生产线能耗最小为目标函数,包括:
min f2=min(MPE+MWE+RPE+RWE) (17)
其中,式(16)为完工时间最小的目标函数;式(17)为生产线总能耗最小的目标函数,式中MPE为机床加工能耗,MWE为机床等待能耗,RPE为滑轨机械手搬运能耗,RWE为滑轨机械手空载能耗。
所述设计一种关联性混合编码方式由工件上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距四部分优化对象组成的染色体序列,包括:
所述关联性混合编码方式的染色体序列由上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距4部分组成,其中,上料顺序采用顺序编码,各工位机床数量和各工位机床类型顺序采用实数编码,各工位机床间距采用浮点数编码;其表达式为[{i1,i2,…,in}{m1,m2,…,mh}{k1,k2,…,km}{y1,y2,…,yh}];其中,染色体的第2部分和第3部分相互关联,第2部分的每一个编码数值对应第3部分的一个编码片段,第2部分的编码数值决定对应编码片段的长度;初始化时先随机生成第2部分编码,再根据第2部分的每个编码数值随机生成第3部分编码,第3部分每个编码片段中机床类型的编码可重复。
进一步的,在步骤S3中,染色体序列中四部分编码选择不同的编码方式和交叉变异方式,包括:
所述交叉和变异操作对于染色体的每个部分采用不同的方式,对第1部分的编码采用顺序交叉和逆转因子变异,对第2部分的编码采用两点交叉和突变因子变异,对第4部分的编码采用算数交叉和突变因子变异;对第3部分的编码采用特殊的交叉和变异方式,当第2部分的编码发生交换时,该编码对应的第3部分的编码片段同时发生交换,当第2部分的编码发生变异时,该编码对应的第3部分的编码片段长度对应改变,并且其中的每一个编码同时发生随机改变。
所述由多种群遗传算法结合第二代非支配遗传算法所改进的多种群NSGA-II算法,包括:
步骤S41,根据自动化混合流水线调度布局集成优化模型,采用混合编码方式的染色体编码,随机生成N个初始种群;
步骤S42,结合自动化物流方案,对所述N个种群中的每个染色体进行解码,对生产线模型进行仿真求解并获得多个目标值;
步骤S43,根据所述多个目标值计算所述N个种群中每个染色体的非支配等级和拥挤度;
步骤S44,对所述N个种群进行移民操作,交换最优解和最差解;
步骤S45,每个种群采用不同的交叉和变异率,对染色体进行选择、交叉和变异操作,得到对应的子种群;
步骤S46,将所述每个种群和所述每个种群对应的子种群进行结合,获得N个新种群,并重复步骤S42~S43;
步骤S47,根据所述N个种群中每个染色体的非支配等级和拥挤度,选择非支配等级低且拥挤度大的M个个体形成N个新种群;
步骤S48,在每个新种群中选取m个最优解放入精华种群,得到Pareto最优解集;
步骤S49,判断循环是否达到最大迭代次数,如果是,则输出最优解;如果否,则返回步骤S44。
进一步的,在步骤S4中,改进的多种群NSGA-II算法在Plant Simulation生产仿真软件中对混合流水线调度布局多目标集成优化模型进行求解优化。
所述结合自动化物流方案的解码运行过程具体包括:
步骤S421,根据染色体序列第2~4部分的编码确定各工位机床数量、机床类型和机床间距,各台机床在横向中心线两侧呈对称布置,每台机床前侧设置有一个缓存区,滑轨机械手位于各工位之间,滑轨机械手的滑轨纵向布置,横向中心线相交于纵向滑轨的中点,所述上述对象生成所述自动化混合流水线的布局模型;
步骤S422,运行生产线仿真模型。完成上料准备后,在第一道工位前,上料滑轨机械手从所在纵向滑轨中点出发,按照染色体序列第1部分的编码顺序抓取工件,确定第一道工位上适合加工该工件时间最短的机床,并将该工件搬运到该机床上;
步骤S423,重复所述步骤S422,直到第一道工位上所有适合加工该工件的机床均开始工作;
步骤S424,当工位j上的机床k完成对工件i的加工时,记录该工件在该机床上的结束加工时刻,判断该工位对应的滑轨机械手是否处于空闲状态,若是则直接进入步骤S425,若否,则等待该机械手处于空闲状态后进入步骤S425;
步骤S425,工位j该机械手前去机床k抓取工件i,判断下一工位是否存在空闲机床,若存在,则该机械手将该工件搬运到下一工位上适合加工该工件时间最短的空闲机床上,记录该工件在该机床上的开始加工时刻;若不存在,则该机械手将该工件搬运到当前机床对应的缓存区中;完成上述工作后机械手原地待命,进入空闲状态;
步骤S426,当机床k上的工件i被取走时,判断前一工位对应的滑轨机械手是否处于空闲状态,若是则直接进入步骤S427,若否,则等待该机械手处于空闲状态后进入步骤S427;
步骤S427,判断前一工位各台机床对应的缓存区中是否存在工件,若存在,则该机械手从缓存区中最先抓取在最后进入缓存区的工件并搬运到下一工位上适合加工该工件时间最短的空闲机床上,记录该工件在该机床上的开始加工时刻;若不存在,则该机械手原地待命;完成上述工作后机械手进入空闲状态;
步骤S428,重复所述步骤S424和S426,直到所有工件完成加工后由下料机械手将工件搬运至对应的下料框。
所述移民操作是从第1个种群开始,将后一个种群中的x个最差解替换为前一个种群中的x个最优解,直到最后一个种群;并将第1个种群中的x个最差解替换为最后一个种群中的x个最优解;所述x个最优解是指非支配等级低且拥挤度大的x个染色体,所述x个最差解是指非支配等级高且拥挤度小的x个染色体。
所述选择操作采用轮盘赌的方式,非支配等级低且拥挤度大的染色体将被优先选取。
本发明针对传统混合流水线优化对象单一,物流过程过于简化,优化效果有限等问题,提出了一种综合考虑机床间距、机床具体模型参数、缓存区和机械手搬运过程的多目标自动化混合流水线调度布局集成优化模型,并采用改进的多种群NSGA-II算法进行优化求解。通过引入机械手取运工件的概念,完善了混合流水线的物流过程;通过引入缓存区的概念,使得机械手处于持续物料搬运状态,消除了物流阻塞的状况,减少了物料等待时间;通过建立机床间距和机械手取运工件的数学模型,实现了混合流水线调度布局的集成建模;在生产线总能耗的目标函数中引入了机械手的空载能耗和搬运能耗,相比于传统优化目标使得优化结果更具实际参考价值;在算法优化的过程中采用混合编码方式,并针对不同编码形式采用不同的交叉变异方式,实现了混合流水线调度布局模型的集成优化;采用改进的多种群NSGA-II算法对优化问题进行求解,每个种群采用不同的交叉和变异概率,保证收敛精度的同时提高了种群多样性,避免了优化过程中陷入局部最优的情况;通过计算每个染色体的非支配等级和拥挤度确定最优解,最终实现了混合流水线的多目标优化求解。
附图说明
图1为本发明自动化混合流水线调度布局集成优化方法流程图。
图2为本发明自动化混合流水线布局图。
图3为本发明改进的多种群NSGA-II算法流程图。
图4为本发明染色体第2、3部分的对应关系示意图。
图5为本发明关联性混合编码方式染色体序列对应的布局模型示图。
图6为本发明结合自动化物流方案的解码过程流程图。
图7为本发明染色体第2、3部分的交叉策略示意图。
图8为本发明染色体第2、3部分的变异策略示意图。
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。
图1为根据本发明实施方式的自动化混合流水线调度布局集成优化方法流程图。如图1所示,本发明实施方式提供的自动化混合流水线调度布局集成优化方法,以完工时间最小和生产线能耗最小为优化目标,根据自动化混合流水线的生产要求,综合考虑各工位机床布局形式、滑轨机械手的搬运方式和各工位机床具体模型参数等问题,建立了自动化混合流水线调度布局集成优化模型,并提出一种MPGA与NSGA-II相结合的多种群NSGA-II算法,并对该模型进行最大化完工时间最小和生产线能耗最小的多目标优化,能够为自动化混合流水线的调度布局多目标集成优化问题提供有效参考。本发明实施方式提供的自动化混合流水线调度布局集成优化方法从步骤S1开始,在步骤S1确定检定流水线的基本设备布局和基本物流调度参数信息。
在步骤S1,确定根据实际场地空间和各设备尺寸确定的自动化混合流水线的基本布局参数信息,和由生产纲领和工艺流程确定自动化混合流水线的基本调度参数信息,包括:设置工件集合为N={1,2,…,n},i∈N,其中i为工件,n为工件数;工位集合为H={1,2,…,h},j∈H,其中j为工位,h为工位数;所有机床集合为M={1,2,…,m},k∈M,其中k为机床,m为机床总数;工位j上可供选取的并行机集合为Mj={1,2,…,mj},其中mj为工位j上的并行机床数;其中yj为工位j上各台机床中心点间的距离。
在步骤S2,确定自动化混合流水线的各机床设备工作过程中的加工时间、能耗因素约束条件,滑轨机械手在搬运过程中不同工况所需考虑的移动速度、移动距离、能耗因素约束条件,工件对于机床设备和滑轨机械手的判断因子因素约束条件,包括:设置v1为滑轨滑轨机械手搬运工件时的移动速度,v2为滑轨滑轨机械手空载时的移动速度;sj,i为工位j对应的滑轨机械手搬运工件i的次数;为工位j对应的滑轨机械手取工件i的次数;/>为工位j对应的滑轨机械手第w次取工件i的起始机床序号,/>为工位j对应的滑轨机械手第w次取工件i的目标机床序号,/>为工位j对应的滑轨机械手第w次搬运工件i的起始机床序号,/>为工位j对应的滑轨机械手第w次搬运工件i的目标机床序号;dj,i,w为工位j对应的滑轨机械手第w次取工件i的移动距离,/>为工位j对应的滑轨机械手第w次搬运工件i的移动距离;Pi,k为工件i在机床k上的加工功率,/>为机床k的待机功率,Pj,i为工位j对应的滑轨机械手搬运工件i的运行功率,/>为工位j对应的滑轨机械手的空载功率;Ti,j,k为工件i的第j道工位在机床k上的加工时间;Kk,t为机床k第t次的开始加工时刻;Jk,t为机床k第t次的结束加工时刻;Fi,j为工件i的第j道工位的开始加工时刻;Ci,j为工件i的第j道工位的结束加工时刻;Wi,j,k=1表示工件i的第j道工位在机床k上加工,否则为0;Ui,k,t=1表示机床k第t次加工的工件为工件i,否则为0;/>表示工位j对应的滑轨机械手第w次将工件i搬运到了下一工位,/>表示工位j对应的滑轨机械手第w次将工件i搬运到了当前机床对应的缓存区。
进一步的,在步骤S2中,所述自动化混合流水线调度布局集成优化模型,包括:
所述各机床设备工作过程中的加工时间、能耗因素约束条件,包括:
其中,各机床设备工作过程中的加工时间已知,式(1)中MPE为机床加工能耗,式(2)中MWE为机床等待能耗。
所述滑轨机械手在搬运过程中不同工况所需考虑的移动速度、移动距离、能耗因素约束条件,包括:
其中,式(3)为滑轨机械手取工件的移动距离的计算公式,式(4)为滑轨机械手搬运工件的移动距离的计算公式;式(5)中RPE为滑轨机械手搬运能耗,式(6)中RWE为滑轨机械手空载能耗。
工件对于机床设备和滑轨机械手的判断因子因素约束条件,包括:
Fi,j=Kkt,Ui,k,t=Wi,j,k=1 i∈N,j∈H,k∈M,t∈N (11)
Kk,t≥Jk,t-1,k∈M (15)
约束(7)表示任一工件的任一道工位只能在该道工位中的某一台机器上加工一次;约束(8)表示任一机床在同一时刻最多只能加工一个工件;约束(9)表示滑轨机械手每取一次工件就需搬运一次工件;约束(10)表示若滑轨机械手第一次搬运时就将工件搬运到了下一工位,则滑轨机械手搬运该工件的总次数为一,若滑轨机械手第一次搬运时将工件搬运到了缓存区,则滑轨机械手搬运该工件的总次数为二;约束(11)确保机床加工任一工件的开始时刻等于该工件开始加工时刻;约束(12)和(13)确保任一工件在对应机床上的结束加工时刻等于开始加工时刻与加工时间之和;约束(14)确保任一工件后一道工位的开始加工时刻不小于前一道工位的结束加工时刻与滑轨机械手取工件、搬运工件的时间之和;约束(15)确保机床后一次的开始加工时刻不小于前一次结束加工时刻。
所述以完工时间最小和生产线能耗最小为目标函数,包括:
min f2=min(MPE+MWE+RPE+RWE) (17)
其中,式(16)为完工时间最小的目标函数;式(17)为生产线总能耗最小的目标函数,式中MPE为机床加工能耗,MWE为机床等待能耗,RPE为滑轨机械手搬运能耗,RWE为滑轨机械手空载能耗。
步骤S3中,设计一种关联性混合编码方式由工件上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距四部分优化对象组成的染色体序列,包括:
所述关联性混合编码方式的染色体序列由上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距4部分组成,其中,上料顺序采用顺序编码,各工位机床数量和各工位机床类型顺序采用实数编码,各工位机床间距采用浮点数编码;其表达式为[{i1,i2,…,in}{m1,m2,…,mh}{k1,k2,…,km}{y1,y2,…,yh}];其中,染色体的第2部分和第3部分相互关联,第2部分的每一个编码数值对应第3部分的一个编码片段,第2部分的编码数值决定对应编码片段的长度;初始化时先随机生成第2部分编码,再根据第2部分的每个编码数值随机生成第3部分编码,第3部分每个编码片段中机床类型的编码可重复。
混合编码方式的染色体序列第2部分和第3部分对应关系的一个例子如图4所示,各工位机床数量编码{3,2,4,3,5}表示一至五工位上的的并行机床数量依次为3台、2台、4台、3台、5台;各工位机床类型顺序编码由5个基因片段组成,每一个片段由有序的数字“1”及“2”组成,表示一个对应工位上机床的“型号1”、“型号2”和机床纵向由上至下布局的顺序;图中,各工位机床数量编码的第一个基因“3”与各工位机床类型顺序编码的第一个基因片段1(2,1,2)相对应,表示第一个工位上有3台机床,这3台机床纵向由上至下的排列顺序依次为型号2机床、型号1机床及型号2机床;各工位机床数量编码的第二个基因“2”与各工位机床类型顺序编码的第二个基因片段2(1,2)相对应,表示二工位上2台机床的排列顺序为型号1机床及型号2机床,后面的基因片段3、4及5同理。将这5个基因片段拼接在一起形成一个总编码(2,1,2,1,2,1,2,1,1,1,2,2,1,2,1,2,1)作为表达所有工位机床类型顺序的一个完整编码。
进一步的,在步骤S3中,染色体序列中四部分编码选择不同的编码方式和交叉变异方式,包括:
所述交叉和变异操作对于染色体的每个部分采用不同的方式,对第1部分的编码采用顺序交叉和逆转因子变异,对第2部分的编码采用两点交叉和突变因子变异,对第4部分的编码采用算数交叉和突变因子变异;对第3部分的编码采用特殊的交叉和变异方式,当第2部分的编码发生交换时,该编码对应的第3部分的编码片段同时发生交换,当第2部分的编码发生变异时,该编码对应的第3部分的编码片段长度对应改变,并且其中的每一个编码同时发生随机改变。
所述交叉、变异生成子种群中,采用混合编码方式的染色体序列四段编码分别采用不同的交叉变异方式。上料顺序编码采用顺序交叉和逆转因子变异;各工位机床间距编码采用算数交叉和突变因子变异;各工位机床数量和各工位机床类型排序编码的关联***叉方式如图7所示,假设通过随机数找到染色体上如图中所示的起点和终点这两个位置,两个位置之间是染色体上的第二和第三个基因,父代1和父代2中的机床数量编码将彼此交互这两个基因(2,4)和(3,2),由上文图4的分析可知父代1中机床数量编码的第二个基因“2”和第三个基因“4”分别对应机床类型排序编码中的基因片段2(1,2)和基因片段3(1,2,1,1);父代2中机床数量编码的第二个基因“3”和第三个基因“2”分别对应机床类型排序编码中的基因片段2(1,2,2)和基因片段3(2,1),因此,父代1和父代2中的机床类型排序编码将在机床数量编码发生交叉的同时彼此交换图中(1,2,1,2,1,1)和(1,2,2,2,1)这两个基因片段。
各工位机床数量和各工位机床类型排序编码的关联性变异方式如图8所示,假设随机选取了各工位机床数量编码中第二和第四个基因“2”和“4”进行变异,将它们随机转变成了数值“4”和“3”,与此同时删除在机床类型排序编码中相对应的基因片段2(1,2)和基因片段4(1,2,1,1),根据变异后对应工位上机床的数量确定新基因片段长度,然后随机生成新的基因片段2(1,1,2,1)和基因片段4(1,1,2),并将这两个新基因片段***原来被删除片段的位置,从而生成与变异后机床数量编码相对应的新的机床类型排序编码。
根据权利要求1所述的方法,其特征在于,在步骤S4中,所述由多种群遗传算法结合第二代非支配遗传算法所改进的多种群NSGA-II算法,包括:
进一步的,其中所述由多种群遗传算法结合第二代非支配遗传算法所改进的多种群NSGA-II算法框架如图3所示。
在本发明的实施方式中,利用由多种群遗传算法结合第二代非支配遗传算法所改进的多种群NSGA-II算法对混合流水线调度布局多目标集成优化问题进行求解,得到Pareto最优解集的过程包括:
步骤S41,根据自动化混合流水线调度布局集成优化模型,采用混合编码方式的染色体编码,随机生成N个初始种群;
步骤S42,结合自动化物流方案,对所述N个种群中的每个染色体进行解码,对生产线模型进行仿真求解并获得多个目标值;
步骤S43,根据所述多个目标值计算所述N个种群中每个染色体的非支配等级和拥挤度;
步骤S44,对所述N个种群进行移民操作,交换最优解和最差解;
步骤S45,每个种群采用不同的交叉和变异率,对染色体进行选择、交叉和变异操作,得到对应的子种群;
步骤S46,将所述每个种群和所述每个种群对应的子种群进行结合,获得N个新种群,并重复步骤S42~S43;
步骤S47,根据所述N个种群中每个染色体的非支配等级和拥挤度,选择非支配等级低且拥挤度大的M个个体形成N个新种群;
步骤S48,在每个新种群中选取m个最优解放入精华种群,得到Pareto最优解集;
步骤S49,判断循环是否达到最大迭代次数,如果是,则输出最优解;如果否,则返回步骤S44。
采用混合编码方式的染色体序列对应的生产线布局模型如图5所示。
进一步的,在步骤S42中,采用结合自动化物流方案的解码过程由混合编码方式的染色体序列形成上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距后即可结合自动化物流方案进行解码运算,解码流程如图6所示。所述结合自动化物流方案的解码运行过程具体包括:
步骤S421,根据染色体序列第2~4部分的编码确定各工位机床数量、机床类型和机床间距,各台机床在横向中心线两侧呈对称布置,每台机床前侧设置有一个缓存区,滑轨机械手位于各工位之间,滑轨机械手的滑轨纵向布置,横向中心线相交于纵向滑轨的中点,所述上述对象生成所述自动化混合流水线的布局模型;
步骤S422,运行生产线仿真模型。完成上料准备后,在第一道工位前,上料滑轨机械手从所在纵向滑轨中点出发,按照染色体序列第1部分的编码顺序抓取工件,确定第一道工位上适合加工该工件时间最短的机床,并将该工件搬运到该机床上;
步骤S423,重复所述步骤S422,直到第一道工位上所有适合加工该工件的机床均开始工作;
步骤S424,当工位j上的机床k完成对工件i的加工时,记录该工件在该机床上的结束加工时刻,判断该工位对应的滑轨机械手是否处于空闲状态,若是则直接进入步骤S425,若否,则等待该机械手处于空闲状态后进入步骤S425;
步骤S425,工位j该机械手前去机床k抓取工件i,判断下一工位是否存在空闲机床,若存在,则该机械手将该工件搬运到下一工位上适合加工该工件时间最短的空闲机床上,记录该工件在该机床上的开始加工时刻;若不存在,则该机械手将该工件搬运到当前机床对应的缓存区中;完成上述工作后机械手原地待命,进入空闲状态;
步骤S426,当机床k上的工件i被取走时,判断前一工位对应的滑轨机械手是否处于空闲状态,若是则直接进入步骤S427,若否,则等待该机械手处于空闲状态后进入步骤S427;
步骤S427,判断前一工位各台机床对应的缓存区中是否存在工件,若存在,则该机械手从缓存区中最先抓取在最后进入缓存区的工件并搬运到下一工位上适合加工该工件时间最短的空闲机床上,记录该工件在该机床上的开始加工时刻;若不存在,则该机械手原地待命;完成上述工作后机械手进入空闲状态;
步骤S428,重复所述步骤S424和S426,直到所有工件完成加工后由下料机械手将工件搬运至对应的下料框。
进一步的,在步骤S44中,所述移民操作是从第1个种群开始,将后一个种群中的x个最差解替换为前一个种群中的x个最优解,直到最后一个种群;并将第1个种群中的x个最差解替换为最后一个种群中的x个最优解;所述x个最优解是指非支配等级低且拥挤度大的x个染色体,所述x个最差解是指非支配等级高且拥挤度小的x个染色体。
进一步的,在步骤S45中,所述选择操作采用轮盘赌的方式,非支配等级低且拥挤度大的染色体将被优先选取。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (5)
1.一种自动化混合流水线调度布局集成优化方法,其特征在于:用于自动化混合流水线中通过优化上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距,求得完工时间最小和生产线能耗最小的自动化混合流水线调度布局集成优化模型,包括如下步骤:
步骤S1、根据实际场地空间和各设备尺寸确定的自动化混合流水线的基本布局参数信息,包括设备类型及其长度、宽度,各台设备距离的范围,根据场地的长度、宽度得出的各工位并行机数量上限;由生产纲领和工艺流程确定自动化混合流水线的基本调度参数信息,包括工件的数量和种类,生产线工位数量及各工位并行机数量下限;
确定所述根据实际场地空间和各设备尺寸确定的自动化混合流水线的基本布局参数信息,和由生产纲领和工艺流程确定自动化混合流水线的基本调度参数信息,包括:
设置工件集合为N={1,2,…,n},i∈N,其中i为工件,n为工件数;工位集合为H={1,2,…,h},j∈H,其中j为工位,h为工位数;所有机床集合为M={1,2,…,m},k∈M,其中k为机床,m为机床总数;工位j上可供选取的并行机集合为Mj={1,2,…,mj},其中mj为工位j上的并行机床数;其中yj为工位j上各台机床中心点间的距离;
步骤S2、以自动化混合流水线的基本布局参数信息和基本调度参数信息,结合各机床设备工作过程中的加工时间、能耗因素约束条件,滑轨机械手在搬运过程中不同工况所需考虑的移动速度、移动距离、能耗因素约束条件,工件对于机床设备和滑轨机械手的判断因子因素约束条件,并以完工时间最小和生产线能耗最小为目标函数,建立自动化混合流水线调度布局集成优化模型;
所述各机床设备工作过程中的加工时间、能耗因素约束条件,滑轨机械手在搬运过程中不同工况所需考虑的移动速度、移动距离、能耗因素约束条件,工件对于机床设备和滑轨机械手的判断因子因素约束条件,包括:
设置v1为滑轨滑轨机械手搬运工件时的移动速度,v2为滑轨滑轨机械手空载时的移动速度;sj,i为工位j对应的滑轨机械手搬运工件i的次数;为工位j对应的滑轨机械手取工件i的次数;/>为工位j对应的滑轨机械手第w次取工件i的起始机床序号,/>为工位j对应的滑轨机械手第w次取工件i的目标机床序号,/>为工位j对应的滑轨机械手第w次搬运工件i的起始机床序号,/>为工位j对应的滑轨机械手第w次搬运工件i的目标机床序号;dj,i,w为工位j对应的滑轨机械手第w次取工件i的移动距离,/>为工位j对应的滑轨机械手第w次搬运工件i的移动距离;Pi,k为工件i在机床k上的加工功率,/>为机床k的待机功率,Pj,i为工位j对应的滑轨机械手搬运工件i的运行功率,/>为工位j对应的滑轨机械手的空载功率;Ti,j,k为工件i的第j道工位在机床k上的加工时间;Kk,t为机床k第t次的开始加工时刻;Jk,t为机床k第t次的结束加工时刻;Fi,j为工件i的第j道工位的开始加工时刻;Ci,j为工件i的第j道工位的结束加工时刻;Wi,j,k=1表示工件i的第j道工位在机床k上加工,否则为0;Ui,k,t=1表示机床k第t次加工的工件为工件i,否则为0;/>表示工位j对应的滑轨机械手第w次将工件i搬运到了下一工位,/>表示工位j对应的滑轨机械手第w次将工件i搬运到了当前机床对应的缓存区;
所述各机床设备工作过程中的加工时间、能耗因素约束条件,包括:
其中,各机床设备工作过程中的加工时间已知,式(1)中MPE为机床加工能耗,式(2)中MWE为机床等待能耗;
所述滑轨机械手在搬运过程中不同工况所需考虑的移动速度、移动距离、能耗因素约束条件,包括:
其中,式(3)为滑轨机械手取工件的移动距离的计算公式,式(4)为滑轨机械手搬运工件的移动距离的计算公式;式(5)中RPE为滑轨机械手搬运能耗,式(6)中RWE为滑轨机械手空载能耗;
工件对于机床设备和滑轨机械手的判断因子因素约束条件,包括:
Fi,j=Kk,t,Ui,k,t=Wi,j,k=1 i∈N,j∈H,k∈M,t∈N (11)
kk,t≥Jk,t-1,k∈M (15)
约束(7)表示任一工件的任一道工位只能在该道工位中的某一台机器上加工一次;约束(8)表示任一机床在同一时刻最多只能加工一个工件;约束(9)表示滑轨机械手每取一次工件就需搬运一次工件;约束(10)表示若滑轨机械手第一次搬运时就将工件搬运到了下一工位,则滑轨机械手搬运该工件的总次数为一,若滑轨机械手第一次搬运时将工件搬运到了缓存区,则滑轨机械手搬运该工件的总次数为二;约束(11)确保机床加工任一工件的开始时刻等于该工件开始加工时刻;约束(12)和(13)确保任一工件在对应机床上的结束加工时刻等于开始加工时刻与加工时间之和;约束(14)确保任一工件后一道工位的开始加工时刻不小于前一道工位的结束加工时刻与滑轨机械手取工件、搬运工件的时间之和;约束(15)确保机床后一次的开始加工时刻不小于前一次结束加工时刻;
所述以完工时间最小和生产线能耗最小为目标函数,包括:
min f2=min(MPE+MWE+RPE+RWE) (17)
其中,式(16)为完工时间最小的目标函数;式(17)为生产线总能耗最小的目标函数,式中MPE为机床加工能耗,MWE为机床等待能耗,RPE为滑轨机械手搬运能耗,RWE为滑轨机械手空载能耗;
步骤S3、选择与自动化混合流水线调度布局集成优化模型中目标函数相关联的优化对象,包括上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距四部分,并设计一种关联性混合编码方式由工件上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距四部分优化对象组成的染色体序列,根据实际解决的问题,染色体序列中四部分编码选择不同的编码方式和交叉变异方式;
步骤S4、由多种群遗传算法结合第二代非支配遗传算法所改进的多种群NSGA-II算法生成染色体编码,对自动化混合流水线调度布局集成优化模型进行求解并根据目标函数得到对应的适应度值,在多种群NSGA-II算法运行过程中对适应度值进行优化,在算法终止时,最终根据优化的适应度值得到Pareto最优解集;
所述由多种群遗传算法结合第二代非支配遗传算法所改进的多种群NSGA-II算法,包括:
步骤S41,根据自动化混合流水线调度布局集成优化模型,采用混合编码方式的染色体编码,随机生成N个初始种群;
步骤S42,结合自动化物流方案,对所述N个初始种群中的每个染色体进行解码,对生产线模型进行仿真求解并获得多个目标值;
步骤S43,根据所述多个目标值计算所述N个初始种群中每个染色体的非支配等级和拥挤度;
步骤S44,对所述N个初始种群进行移民操作,交换最优解和最差解;
步骤S45,每个种群采用不同的交叉和变异率,对染色体进行选择、交叉和变异操作,得到对应的子种群;
步骤S46,将所述每个种群和所述每个种群对应的子种群进行结合,获得N个新种群,并重复步骤S42~S43;
步骤S47,根据所述N个初始种群中每个染色体的非支配等级和拥挤度,选择非支配等级低且拥挤度大的M个个体形成N个新种群;
步骤S48,在每个新种群中选取m个最优解放入精华种群,得到Pareto最优解集;
步骤S49,判断循环是否达到最大迭代次数,如果是,则输出最优解;如果否,则返回步骤S44;
在步骤S4中,改进的多种群NSGA-II算法在Plant Simulation生产仿真软件中对混合流水线调度布局多目标集成优化模型进行求解优化。
2.根据权利要求1所述的方法,其特征在于,步骤S3中,所述设计一种关联性混合编码方式由工件上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距四部分优化对象组成的染色体序列,包括:
所述关联性混合编码方式的染色体序列由上料顺序、各工位机床数量、各工位机床类型顺序、各工位机床间距4部分组成,其中,上料顺序采用顺序编码,各工位机床数量和各工位机床类型顺序采用实数编码,各工位机床间距采用浮点数编码;其表达式为[{i1,i2,…,in}{m1,m2,…,mh}{k1,k2,…,km}{y1,y2,…,yh}];其中,染色体的第2部分和第3部分相互关联,第2部分的每一个编码数值对应第3部分的一个编码片段,第2部分的编码数值决定对应编码片段的长度;初始化时先随机生成第2部分编码,再根据第2部分的每个编码数值随机生成第3部分编码,第3部分每个编码片段中机床类型的编码可重复;
在步骤S3中,染色体序列中四部分编码选择不同的编码方式和交叉变异方式,包括:
所述交叉和变异操作对于染色体的每个部分采用不同的方式,对第1部分的编码采用顺序交叉和逆转因子变异,对第2部分的编码采用两点交叉和突变因子变异,对第4部分的编码采用算数交叉和突变因子变异;对第3部分的编码采用特殊的交叉和变异方式,当第2部分的编码发生交换时,该编码对应的第3部分的编码片段同时发生交换,当第2部分的编码发生变异时,该编码对应的第3部分的编码片段长度对应改变,并且其中的每一个编码同时发生随机改变。
3.根据权利要求1所述的方法,其特征在于,在步骤S42中,所述结合自动化物流方案的解码运行过程具体包括:
步骤S421,根据染色体序列第2~4部分的编码确定各工位机床数量、机床类型和机床间距,各台机床在横向中心线两侧呈对称布置,每台机床前侧设置有一个缓存区,滑轨机械手位于各工位之间,滑轨机械手的滑轨纵向布置,横向中心线相交于纵向滑轨的中点,所述上述对象生成所述自动化混合流水线的布局模型;
步骤S422,运行生产线仿真模型,完成上料准备后,在第一道工位前,上料滑轨机械手从所在纵向滑轨中点出发,按照染色体序列第1部分的编码顺序抓取工件,确定第一道工位上适合加工该工件时间最短的机床,并将该工件搬运到该机床上;
步骤S423,重复所述步骤S422,直到第一道工位上所有适合加工该工件的机床均开始工作;
步骤S424,当工位j上的机床k完成对工件i的加工时,记录该工件在该机床上的结束加工时刻,判断该工位对应的滑轨机械手是否处于空闲状态,若是则直接进入步骤S425,若否,则等待该机械手处于空闲状态后进入步骤S425;
步骤S425,工位j该机械手前去机床k抓取工件i,判断下一工位是否存在空闲机床,若存在,则该机械手将该工件搬运到下一工位上适合加工该工件时间最短的空闲机床上,记录该工件在该机床上的开始加工时刻;若不存在,则该机械手将该工件搬运到当前机床对应的缓存区中;完成上述工作后机械手原地待命,进入空闲状态;
步骤S426,当机床k上的工件i被取走时,判断前一工位对应的滑轨机械手是否处于空闲状态,若是则直接进入步骤S427,若否,则等待该机械手处于空闲状态后进入步骤S427;
步骤S427,判断前一工位各台机床对应的缓存区中是否存在工件,若存在,则该机械手从缓存区中最先抓取在最后进入缓存区的工件并搬运到下一工位上适合加工该工件时间最短的空闲机床上,记录该工件在该机床上的开始加工时刻;若不存在,则该机械手原地待命;完成上述工作后机械手进入空闲状态;
步骤S428,重复所述步骤S424和S426,直到所有工件完成加工后由下料机械手将工件搬运至对应的下料框。
4.根据权利要求1所述的方法,其特征在于,在步骤S44中,所述移民操作是从第1个种群开始,将后一个种群中的x个最差解替换为前一个种群中的x个最优解,直到最后一个种群;并将第1个种群中的x个最差解替换为最后一个种群中的x个最优解;所述x个最优解是指非支配等级低且拥挤度大的x个染色体,所述x个最差解是指非支配等级高且拥挤度小的x个染色体。
5.根据权利要求1所述的方法,其特征在于,在步骤S45中,所述选择操作采用轮盘赌的方式,非支配等级低且拥挤度大的染色体将被优先选取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381898.8A CN114022028B (zh) | 2021-11-22 | 2021-11-22 | 一种自动化混合流水线调度布局集成优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111381898.8A CN114022028B (zh) | 2021-11-22 | 2021-11-22 | 一种自动化混合流水线调度布局集成优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114022028A CN114022028A (zh) | 2022-02-08 |
CN114022028B true CN114022028B (zh) | 2024-06-18 |
Family
ID=80065714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111381898.8A Active CN114022028B (zh) | 2021-11-22 | 2021-11-22 | 一种自动化混合流水线调度布局集成优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114022028B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742261A (zh) * | 2022-03-01 | 2022-07-12 | 华中科技大学 | 一种多目标设备布局和物流***设计协同优化方法及*** |
CN115828944B (zh) * | 2022-11-11 | 2023-07-18 | 芯电智联(北京)科技有限公司 | 一种nfc标签生产设备的动态配置方法 |
CN117465872B (zh) * | 2023-12-28 | 2024-03-26 | 上海航天壹亘智能科技有限公司 | 可移动式堆垛机械手***及运行方法 |
CN117996148B (zh) * | 2024-04-07 | 2024-08-13 | 宁德时代新能源科技股份有限公司 | 生产***及其控制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7032223B2 (en) * | 2000-03-01 | 2006-04-18 | Realtek Semiconductor Corp. | Transport convergence sub-system with shared resources for multiport xDSL system |
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 |
CN110276475B (zh) * | 2019-05-23 | 2023-05-26 | 温州大学 | 一种断路器自动化装配生产的优化配置方法 |
CN112183933A (zh) * | 2020-08-28 | 2021-01-05 | 中国电力科学研究院有限公司 | 基于混合变邻域进化算法的检定流水线调度方法及*** |
-
2021
- 2021-11-22 CN CN202111381898.8A patent/CN114022028B/zh active Active
Non-Patent Citations (2)
Title |
---|
方喜峰 ; 李伟伟 ; 朱成顺 ; 王俊.基于知识工程的推理机在产品配置中的研究.《机械设计与制造》.2020,全文. * |
机械加工置换流水线节能性多目标优化调度方法研究;李顺江;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20170315;C029-17 * |
Also Published As
Publication number | Publication date |
---|---|
CN114022028A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114022028B (zh) | 一种自动化混合流水线调度布局集成优化方法 | |
CN109034633B (zh) | 改进遗传算法求解带移动时间的柔性作业车间调度方法 | |
CN109359884A (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN110554673B (zh) | 智能rgv加工***调度方法和装置 | |
CN109583660B (zh) | 一种动态拣货策略的实现方法 | |
CN114707294B (zh) | 有限运输能力约束的作业车间多目标调度方法 | |
CN113822525B (zh) | 基于改进遗传算法的柔性作业车间多目标调度方法及*** | |
CN113159687B (zh) | 一种车间agv-uav协同的物料配送路径规划方法和*** | |
CN112990716B (zh) | 一种双资源约束柔性车间调度和布局集成优化方法及*** | |
CN114610015A (zh) | 一种带搬运机器人的柔性作业车间动态调度方法及装置 | |
CN110750079A (zh) | 一种允许工序跳跃的混合流水车间调度优化方法 | |
CN112699544A (zh) | 一种多目标柔性作业车间调度方法 | |
CN114595633B (zh) | 一种基于多约束的多目标柔性作业车间节能调度方法 | |
CN117035364A (zh) | 基于改进混合模因算法的分布式异构流水车间调度方法 | |
Liu et al. | Research on flexible job shop scheduling optimization based on segmented AGV | |
CN116957177A (zh) | 一种柔性车间产线规划方法、***、设备及介质 | |
CN111340268A (zh) | 一种多工序加工单元移动机器人的调度优化方法 | |
CN117314078B (zh) | 基于Petri网和神经网络的柔性制造***的无死锁调度方法 | |
CN116224946B (zh) | 机械件加工车间生产与物流集成的优化调度方法与*** | |
Tavakoli et al. | Proposing a new mathematical model and a meta-heuristic algorithm for scheduling and allocating automated guided vehicle | |
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 | |
CN108596455A (zh) | 一种基于物料配送的汽车底盘下料车间调度方法 | |
Zhu et al. | A COMPREHENSIVE STUDY ON INTEGRATED OPTIMIZATION OF FLEXIBLE MANUFACTURING SYSTEM LAYOUT AND SCHEDULING FOR NYLON COMPONENTS PRODUCTION. | |
CN116596293B (zh) | 基于遗传算法的分布式全流程作业车间调度方法及终端 |
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 |