CN114563994A - 一种汽车零部件分布式生产和装配过程的优化调度方法 - Google Patents
一种汽车零部件分布式生产和装配过程的优化调度方法 Download PDFInfo
- Publication number
- CN114563994A CN114563994A CN202210263927.9A CN202210263927A CN114563994A CN 114563994 A CN114563994 A CN 114563994A CN 202210263927 A CN202210263927 A CN 202210263927A CN 114563994 A CN114563994 A CN 114563994A
- Authority
- CN
- China
- Prior art keywords
- product
- sequence
- workpiece
- products
- factory
- 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 80
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 62
- 230000008569 process Effects 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000010276 construction Methods 0.000 claims description 16
- 238000003754 machining Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 125000000217 alkyl group Chemical group 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 206010012186 Delayed delivery Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005058 metal casting Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种汽车零部件分布式生产和装配过程的优化调度方法,包括:建立汽车零部件分布式生产和装配优化调度模型;采用协进化迭代贪婪算法的优化调度方法对目标进行优化,获得每个工厂产品的加工序列。本发明提出一种汽车零部件分布式加工和装配过程的优化调度问题模型和优化目标,同时,设计了一种协进化迭代贪婪算法对汽车零部件进行合理的分配和排产;设计的调度方法合理有效,能够在短时间内获得汽车零部件生产装配优化调度问题的优质解,使得在有限的时间内给生产厂商提供一种有效的生产方案已提高工厂的生产效率,更大程度地保障生产企业的利益和减少额外的成本。
Description
技术领域
本发明涉及一种汽车零部件分布式生产和装配过程的优化调度方法及***,属于机械生产加工装配过程智能优化调度技术领域。
背景技术
长期以来,机械制造业始终是我国国民经济的支柱产业。随着经济全球化的加速,作为典型机械制造业的汽车行业越来越意识到快速响应客户需求的重要性,原先的中心化生产已难满足社会需求,汽车生产制造开始从集中式生产向多地区生产环境下的生产模式进行转变。汽车由许多部件组成,例如:发动机,变速箱,车身车架等,这些产品经过许多工件加工之后再组装而成。
当前汽车生产商对时间效率愈加看重,每一个汽车零部件生产商都需要在规定时间内交付部件,若延迟交货将使得成本的增加和客户的流失等。因此,为了避免延迟交付产品,合理的将各部件分配给各工厂进行加工生产和装配是十分必要的。及时的生产和装配产品,尽可能在规定时间内按时交货,从而减少额外成本,也可以给物流运输提供充裕的时间以应对一些不确定的因素。其次,实际生产中会发生在很短的时间内加急生产一批产品,但由于产能不足会导致推迟交付的问题。目前,针对汽车零部件分布式生产装配优化调度问题,主要采用基于最小完工时间的分配规则进行调度,即按照各金属铸坯完工时间进行升序排列得到加工序列。这种方式在一定程度上可减少生产计划的完工时间,但没有考虑到一部分急需工件的工期问题,且调度方案较单一。因此,对汽车零部件分布式加工和装配过程的优化调度就显得格外重要,一个好的调度方案可以很大程度上降低工厂的生产成本,提高工厂的经济效益。
发明内容
本发明提供了一种汽车零部件分布式生产和装配过程的优化调度方法及***,以用于解决针对汽车零部件分布式加工和装配过程调度问题。
本发明的技术方案是:一种汽车零部件分布式生产和装配过程的优化调度方法,包括:
建立汽车零部件分布式生产和装配优化调度模型;其中,调度模型是按照每个工件在各台机器上的加工完成时间和每个工件的工期来建立,优化目标为最小化总延迟时间;
采用协进化迭代贪婪算法的优化调度方法对目标进行优化,获得每个工厂产品的加工序列。
所述汽车零部件分布式生产和装配优化调度模型如下所示:
minTT(π) (1)
Cj,i≥Cj,i-1+pj,i i=1,2,...,m;j=1,2,...N (8)
Cj,i≥Cj′,i+pj,i+(xj′,j-1)·h i=1,2,...,m;j=1,2,...,N;j′=1,2,...,N;j≠j′ (10)
Cl≥Cj,m+pl,j=Zl-1+1,...,Zl,l=1,2,...,δ (11)
Cl≥Cl′+pl+(yl′l-1)·h l=1,2,...,δ,l′=0,1,2,...,δ,l≠l′ (12)
Tl=max{0,Cl-dl},l=1,2,...,δ (13)
式中:minTT(π)为优化目标:最小化总延迟时间TT(π);xj,j′为工件加工位置判断变量,若xj,j′等于1,则第j′个工件在第j个工件后即刻加工,否则xj,j′等于0;nl表示第l个产品所需要的工件数,产品的工件跟随该产品在同一工厂进行加工;表示在虚拟参照物之前即刻加工的工件数量,表示在虚拟参照物之后即刻加工的工件数量,f表示工厂数,δ表示产品数,N表示所有产品的工件数之和;ψ表示一个产品中至少含有两个工件,Λ={Λ1,Λ2,...,Λl,...,Λδ}表示产品集,Λl表示为第l个产品所包含的工件的工件集,ωj、ωj′分别表示j′、j个工件;Zl表示第l个产品加工的最后一个工件;Cj,i为第j个工件在第i个机器上的完工时间,pj,i为第j个工件在第i个机器上的加工时间,m表示加工机器数;yl,l′为产品加工位置判断变量,若yl,l′等于1,则产品l′在产品l后立刻加工,否则yl,l′等于0;h为一个正数;Cl为第l个产品在装配线的完工时间,pl为第l个产品在装配线机器的加工时间;Tl表示第l个产品的延迟时间,dl为第l个产品的工期;TT(πfa)表示第fa个工厂的总延迟时间,Cl(πfa)表示第fa个工厂中第l个产品的在装配线的完工时间;π={π1,π2,...,πf}表示工厂产品的加工序列,即优化调度问题的一个解;πf表示第f个工厂产品的加工序列;工件在开始加工和装配操作后过程中不允许中断。
所述协进化迭代贪婪算法的优化调度方法,包括:
Step1、编解码方式:在编码时,针对产品和工件的关系采用二段式编码方式,第一段为产品序:Δ={Δ1,Δ2,...,Δl,...,Δδ},第二段为属于每个产品中的工件序:在解码时,采用f行的二维矩阵对产品所在工厂对应关系进行解码π={π1,π2,...,πf},获得汽车零部件分布式生产和装配优化调度模型的解;其中,Δ表示未分配时的产品序,Δl表示未分配时的第l个产品所包含的工件的工件序;
Step2、获得初始解;
Step3、移除阶段:依据初始解,对初始解中的产品进行移除,获得移除产品组成的序S={S1,S2,...,Sd},及移除后的解;
Step4、重构阶段:将移除的产品,重新分配给每个工厂能放置的位置,同时计算重新分配后的总延迟时间,记录将产品重新分配后总延迟时间最小的工厂和工厂中的位置,将产品放置在此处;直至所有提取的移除产品全被分配,获得重构解;
Step5、依据重构解,设计针对工厂间的局部搜索操作,获得局部最优解;
Step6、终止条件:设定终止条件为算法运行时间,如果算法满足运行时间,则输出“最优解”;否则转至步骤Step3,反复迭代,直至满足终止条件为止。
所述获得初始解,包括:
使用NEH启发式算法对每个产品所属工件以总完工时间最小为目标进行一个排序,得到一个对应每个产品所属工件重新排列的序;
根据所有产品的工期,使用EDD规则对所有产品进行一个升序排序;
将经过EDD规则排序后的产品,从序列中第一个直到最后一个逐一取出;将每次取出的产品分配给所有工厂中所有能放置的位置并计算将产品放入该位置后的总延迟时间,记录将产品放置后总延迟时间最小的工厂和工厂中的位置,将产品放置在此处;直至所有产品取出,获得初始解。
所述移除阶段,包括:
依据初始解,随机选择一个工厂,并随机移除出一个工厂内产品,循环d次,获得d个产品组成的序S={S1,S2,...,Sd},初始解中未移除的产品序不变;循环过程中,如果选择的工厂中只存在一个产品,则再随机选择其它工厂进行产品移除;其中,d的最大值小于产品数-工厂数。
所述依据重构解,设计针对工厂间的局部搜索操作,获得局部最优解,包括:
依据重构解的产品序,从第一个产品开始遍历,遍历过程为:将遍历的产品***其它工厂所有能放置的位置并计算将产品放入该位置后的总延迟时间,记录将产品放置后总延迟时间最小的工厂和工厂中的位置,如果总延迟时间优于遍历前的产品序,则将产品放置在此处,形成当前局部最优解,依据当前局部最优解形成下一代产品序,从下一代产品序中第一个产品开始遍历,否则,继续下一个产品的遍历;直至一代产品序中所有产品均被遍历,则将该代产品序对应的当前局部最优解作为一次局部搜索操作的局部最优解;
每进行一次局部搜索操作获得的局部最优解,则调整局部最优解中所***产品的工件序:
从当代工件序中第一个工件开始遍历,将遍历的工件***其它所有能放置的位置并计算将工件放入该位置后的总延迟时间,记录总延迟时间最小的工件序,如果总延迟时间优于当代工件序,则将遍历的工件放置在此处,形成下一代工件序,从下一代工件序中第一个工件开始遍历;否则,继续下一个工件遍历;直至一代工件序中所有工件均被遍历,则将该代工件序作为局部最优解中所***产品的工件序。
所述算法运行时间t=m×N×20毫秒。
一种汽车零部件分布式生产和装配过程的优化调度***,包括:
建立单元,用于建立汽车零部件分布式生产和装配优化调度模型;其中,调度模型是按照每个工件在各台机器上的加工完成时间和每个工件的工期来建立,优化目标为最小化总延迟时间;
获得单元,用于采用协进化迭代贪婪算法的优化调度方法对目标进行优化,获得每个工厂产品的加工序列。
一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的汽车零部件分布式生产和装配过程的优化调度方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上述中任意一项所述的汽车零部件分布式生产和装配过程的优化调度方法。
本发明的有益效果是:本发明提出一种汽车零部件分布式加工和装配过程的优化调度问题模型和优化目标,同时,设计了一种协进化迭代贪婪算法对汽车零部件进行合理的分配和排产。设计的调度方法合理有效,能够在短时间内获得汽车零部件生产装配优化调度问题的优质解,使得在有限的时间内给生产厂商提供一种有效的生产方案已提高工厂的生产效率,更大程度地保障生产企业的利益和减少额外的成本。
附图说明
图1为本发明流程图;
图2为协进化迭代贪婪算法流程图;
图3为局部搜索操作示意图一;
图4为局部搜索操作示意图二;
图5为汽车零部件分布式生产和装配过程示意图;
图6为汽车零部件分布式生产和装配具体实例示意图。
具体实施方式
下面结合附图和实施例,对发明做进一步的说明,但本发明的内容并不限于所述范围。
实施例1:如图1-6所示,一种汽车零部件分布式生产和装配过程的优化调度方法,包括:
建立汽车零部件分布式生产和装配优化调度模型;其中,调度模型是按照每个工件在各台机器上的加工完成时间和每个工件的工期来建立,优化目标为最小化总延迟时间;
采用协进化迭代贪婪算法的优化调度方法对目标进行优化,获得每个工厂产品的加工序列。
进一步地,可以设置所述汽车零部件分布式生产和装配优化调度模型如下所示:
minTT(π) (1)
Cj,i≥Cj,i-1+pj,i i=1,2,...,m;j=1,2,...N (8)
Cj,i≥Cj′,i+pj,i+(xj′,j-1)·h i=1,2,...,m;j=1,2,...,N;j′=1,2,...,N;j≠j′(10)
Cl≥Cj,m+pl,j=Zl-1+1,...,Zl,l=1,2,...,δ (11)
Cl≥Cl′+pl+(yl′l-1)·h l=1,2,...,δ,l′=0,1,2,...,δ,l≠l′ (12)
Tl=max{0,Cl-dl},l=1,2,...,δ (13)
式中:minTT(π)为优化目标:最小化总延迟时间TT(π);xj,j′为工件加工位置判断变量,若xj,j′等于1,则第j′个工件在第j个工件后即刻加工,否则xj,j′等于0;nl表示第l个产品所需要的工件数,产品的工件跟随该产品在同一工厂进行加工;表示在虚拟参照物之前即刻加工的工件数量,表示在虚拟参照物之后即刻加工的工件数量,f表示工厂数,δ表示产品数,N表示所有产品的工件数之和;ψ表示一个产品中至少含有两个工件,Λ={Λ1,Λ2,...,Λl,...,Λδ}表示产品集,Λl表示为第l个产品所包含的工件的工件集Λl={Λl,1,Λl,2,...,Λl,nl},ωj、ωj′分别表示j′、j个工件;Zl表示第l个产品加工的最后一个工件;Cj,i、Cj′,i分别为第j、j′个工件在第i个机器上的完工时间,pj,i为第j个工件在第i个机器上的加工时间,m表示加工机器数;yl,l′为产品加工位置判断变量,若yl,l′等于1,则产品l′在产品l后立刻加工,否则yl,l′等于0;h为一个正数(本例可取10万);Cl为第l个产品在装配线的完工时间,pl为第l个产品在装配线机器的加工时间;Tl表示第l个产品的延迟时间,dl为第l个产品的工期;TT(πfa)表示第fa个工厂的总延迟时间,Cl(πfa)表示第fa个工厂中第l个产品的在装配线的完工时间;π={π1,π2,...,πf}表示工厂产品的加工序列,即优化调度问题的一个解;πf表示第f个工厂产品的加工序列;工件在开始加工和装配操作后过程中不允许中断。
进一步地,可以设置所述协进化迭代贪婪算法的优化调度方法,包括:
Step1、编解码方式:在编码时,针对产品和工件的关系采用二段式编码方式,第一段为产品序:Δ={Δ1,Δ2,...,Δl,...,Δδ},第二段为属于每个产品中的工件序:Δl={Δl,1,Δl,2,...,Δl,nl};在解码时,采用f行的二维矩阵对产品所在工厂对应关系进行解码π={π1,π2,...,πf},获得汽车零部件分布式生产和装配优化调度模型的解,即每个产品及所对应的工件在每个工厂进行加工和装配的解决方案;其中,Δ表示未分配时的产品序,Δl表示未分配时的第l个产品所包含的工件的工件序;
Step2、获得初始解;
Step3、移除阶段:依据初始解,对初始解中的产品进行移除,获得移除产品组成的序S={S1,S2,...,Sd},及移除后的解;
Step4、重构阶段:将移除的产品,重新分配给每个工厂能放置的位置,同时计算重新分配后的总延迟时间,记录将产品重新分配后总延迟时间最小的工厂和工厂中的位置,将产品放置在此处;直至所有提取的产品全被分配,获得重构解;
Step5、依据重构解,设计针对工厂间的局部搜索操作,获得局部最优解;
Step6、终止条件:设定终止条件为算法运行时间,如果算法满足运行时间,则输出“最优解”;否则转至步骤Step3,反复迭代,直至满足终止条件为止。进一步地,可以设置所述算法运行时间t=m×N×20毫秒。
进一步地,可以设置所述获得初始解,包括:
使用NEH启发式算法对每个产品所属工件以总完工时间最小为目标进行一个排序,得到一个对应每个产品所属工件重新排列的序;
根据所有产品的工期,使用EDD规则对所有产品进行一个升序排序;
将经过EDD规则排序后的产品,从序列中第一个直到最后一个逐一取出;将每次取出的产品分配给所有工厂中所有能放置的位置并计算将产品放入该位置后的总延迟时间,记录将产品放置后总延迟时间最小的工厂和工厂中的位置,将产品放置在此处;直至所有产品取出,获得初始解。
进一步地,可以设置所述移除阶段,包括:依据初始解,随机选择一个工厂,并随机移除出一个工厂内产品,循环d次,获得d个产品组成的序S={S1,S2,...,Sd},初始解中未移除的产品序不变;循环过程中,如果选择的工厂中只存在一个产品,则再随机选择其它工厂进行产品移除;其中,d的最大值小于产品数-工厂数,产品数大于工厂数;如果图6展示了一个解π={{4,3},{1,5,2}},如果随机移除3,2,则初始解中未移除的产品序不变为{{4},{1,5}},S={3,2}。
进一步地,可以设置所述依据重构解,设计针对工厂间的局部搜索操作,获得局部最优解,包括:
依据重构解的产品序,从第一个产品开始遍历,遍历过程为:将遍历的产品***其它工厂所有能放置的位置并计算将产品放入该位置后的总延迟时间,记录将产品放置后总延迟时间最小的工厂和工厂中的位置,如果总延迟时间优于遍历前的产品序,则将产品放置在此处,形成当前局部最优解,依据当前局部最优解形成下一代产品序,从下一代产品序中第一个产品开始遍历,否则,继续下一个产品的遍历;直至一代产品序中所有产品均被遍历,则将该代产品序对应的当前局部最优解作为一次局部搜索操作的局部最优解;
每进行一次局部搜索操作获得的局部最优解,则调整局部最优解中所***产品的工件序:
从当代工件序中第一个工件开始遍历,将遍历的工件***其它所有能放置的位置并计算将工件放入该位置后的总延迟时间,记录总延迟时间最小的工件序,如果总延迟时间优于当代工件序,则将遍历的工件放置在此处,形成下一代工件序,从下一代工件序中第一个工件开始遍历;否则,继续下一个工件遍历;直至一代工件序中所有工件均被遍历,则将该代工件序作为局部最优解中所***产品的工件序。
以图3-4所示举例:
如果重构解为图3上部左侧示意,则产品序为{{1,5,10,8,13,3,9},{7,12,6,2,11,4}},从第一个产品,即1开始遍历,将1***非产品1所在的其它工厂,即***工厂F2所有能放置的位置并计算将产品放入该位置后的总延迟时间,总延迟时间未优于遍历前的产品序;则接着对产品5、10、8、13、3、9、7进行遍历,均未优于遍历前的产品序,接着对产品12进行遍历,当12***8后,总延迟时间优于遍历前的产品序,因此获得当前局部最优解对应的产品序{{1,5,10,8,12,13,3,9},{7,6,2,11,4}};接着将{{1,5,10,8,12,13,3,9},{7,6,2,11,4}}作为下一代产品序,执行上述的遍历过程,直至该代产品序中所有产品均被遍历,均未优于遍历前的产品序,则将该代产品序对应的当前局部最优解作为一次局部搜索操作的局部最优解;
对{{1,5,10,8,12,13,3,9},{7,6,2,11,4}}中***的产品12进行工件序的遍历。
图5为汽车零部件分布式生产和装配过程示意图,即f个工厂,每个工厂存在工件加工线及装配线。图6为汽车零部件分布式生产和装配具体实例示意图。工厂数为2,产品数为5,机器数为2,总工件为12个。其中P1表示为一号产品,共计两个工件,P1.1表示一号产品所对应的一号工件,其它同理。当产品分配到某一工厂时,所属工件也将在此工厂进行加工。当一个产品开始加工时,所属产品必须连续加工,中间不能中断也不可加工别的产品的工件。若所属产品的所有工件都加工完毕且装配阶段没有产品正在装配,则可以开始该产品的装配操作,装配操作在启动后就不能中断。
本发明通过确定汽车零部件分别在每个工厂加工和装配过程的调度模型和优化目标,并采用协进化迭代贪婪算法的优化调度方法对目标进行优化;其中,调度模型是按照每个零件在各台机器上的加工完成时间和每个零件的工期来建立,优化目标为最小化总延迟时间;其次,设计了一种基于NEH启发式算法与EDD规则结合的改进NEH算法以获得高质量初始解,克服了产品随机分配,导致求解效率下降的问题;最后,提出一种协进化迭代贪婪算法,对汽车零部件的生产和装配进行合理规划;并采用基于固定产品序调整产品内的工件序和固定工件序调整产品序的局部搜索,进一步加强算法的局部搜索能力。
下面对本发明进行详细说明:
产品参数信息如下:提取产品数d=5,运行时间t=m×N×20毫秒,工期dl根据公式生成。表1给出了不同问题规模下所得目标函数值。
dl=[P×(1-T-R/2),P×(1-T+R/2)]
P表示使用hu3启发式算法生成工件序每个产品完工时间,T为延迟因素,R为工期选择范围。本例选择T,R=0.2,通过表1可知,本发明可以有效地用于获得汽车零部件加工和装配过程的优化调度的优化目标。
表1不同问题规模下所求得的目标函数值
N×m×f×δ | 100×5×4×30 | 100×5×4×40 | 100×5×6×30 | 100×5×6×40 | 100×10×4×30 | 100×10×6×40 |
minTT(π) | 2759 | 3015 | 2095 | 3509 | 2153 | 1958 |
再进一步地,给出不同问题规模下采用不同方法的性能对比表,如表2所示(CIG-本发明,gILS-迭代局部搜索,HVND-混合变邻域下降算法,IG-迭代贪婪算法),评价指标为平均相对百分偏差(Average relative deviation,ARD)。
式中:TTavg(π)表示TT(π)的平均值,ref表示相应测试问题中运行N×m×20毫秒最优值。
表2
本发明在初始化阶段,基于NEH启发式算法与EDD规则结合的改进NEH算法用于产生高质量初始解;其次,设计了针对最大总延迟时间工厂的移除机制和产品和工件更新的重构规则。局部搜索时,设立了一种VND算法并针对产品和工件分别设计了1种邻域结构,用于对优质解执行更细致的挖掘。相较其它算法对产品和工件***操作分开操作,本申请提出的调度算法,针对产品和工件协同优化,对产品和工件序列同时进行优化,以找到最优加工序。
实施例2:根据本发明实施例的另一方面,提供了一种汽车零部件分布式生产和装配过程的优化调度***,包括:
建立单元,用于建立汽车零部件分布式生产和装配优化调度模型;其中,调度模型是按照每个工件在各台机器上的加工完成时间和每个工件的工期来建立,优化目标为最小化总延迟时间;
获得单元,用于采用协进化迭代贪婪算法的优化调度方法对目标进行优化,获得每个工厂产品的加工序列。
实施例3:根据本发明实施例的另一方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行上述中任意一项所述的汽车零部件分布式生产和装配过程的优化调度方法。
实施例4:根据本发明实施例的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如上述中任意一项所述的汽车零部件分布式生产和装配过程的优化调度方法。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (10)
1.一种汽车零部件分布式生产和装配过程的优化调度方法,其特征在于:包括:
建立汽车零部件分布式生产和装配优化调度模型;其中,调度模型是按照每个工件在各台机器上的加工完成时间和每个工件的工期来建立,优化目标为最小化总延迟时间;
采用协进化迭代贪婪算法的优化调度方法对目标进行优化,获得每个工厂产品的加工序列。
2.根据权利要求1所述的汽车零部件分布式生产和装配过程的优化调度方法,其特征在于:所述汽车零部件分布式生产和装配优化调度模型如下所示:
minTT(π) (1)
Cj,i≥Cj,i-1+pj,i i=1,2,...,m;j=1,2,...N (8)
Cj,i≥Cj′,i+pj,i+(xj′,j-1)·h i=1,2,...,m;j=1,2,...,N;j′=1,2,...,N;j≠j′(10)
Cl≥Cj,m+pl,j=Zl-1+1,...,Zl,l=1,2,...,δ (11)
Cl≥Cl′+pl+(yl′l-1)·h l=1,2,...,δ,l′=0,1,2,...,δ,l≠l′ (12)
Tl=max{0,Cl-dl},l=1,2,...,δ (13)
式中:min TT(π)为优化目标:最小化总延迟时间TT(π);xj,j′为工件加工位置判断变量,若xj,j′等于1,则第j′个工件在第j个工件后即刻加工,否则xj,j′等于0;nl表示第l个产品所需要的工件数,产品的工件跟随该产品在同一工厂进行加工;表示在虚拟参照物之前即刻加工的工件数量,表示在虚拟参照物之后即刻加工的工件数量,f表示工厂数,δ表示产品数,N表示所有产品的工件数之和;ψ表示一个产品中至少含有两个工件,Λ={Λ1,Λ2,...,Λl,...,Λδ}表示产品集,Λl表示为第l个产品所包含的工件的工件集,ωj、ωj′分别表示j′、j个工件;Zl表示第l个产品加工的最后一个工件;Cj,i为第j个工件在第i个机器上的完工时间,pj,i为第j个工件在第i个机器上的加工时间,m表示加工机器数;yl,l′为产品加工位置判断变量,若yl,l′等于1,则产品l′在产品l后立刻加工,否则yl,l′等于0;h为一个正数;Cl为第l个产品在装配线的完工时间,pl为第l个产品在装配线机器的加工时间;Tl表示第l个产品的延迟时间,dl为第l个产品的工期;TT(πfa)表示第fa个工厂的总延迟时间,Cl(πfa)表示第fa个工厂中第l个产品的在装配线的完工时间;π={π1,π2,...,πf}表示工厂产品的加工序列,即优化调度问题的一个解;πf表示第f个工厂产品的加工序列;工件在开始加工和装配操作后过程中不允许中断。
3.根据权利要求1所述的汽车零部件分布式生产和装配过程的优化调度方法,其特征在于:所述协进化迭代贪婪算法的优化调度方法,包括:
Step1、编解码方式:在编码时,针对产品和工件的关系采用二段式编码方式,第一段为产品序:Δ={Δ1,Δ2,...,Δl,...,Δδ},第二段为属于每个产品中的工件序:在解码时,采用f行的二维矩阵对产品所在工厂对应关系进行解码π={π1,π2,...,πf},获得汽车零部件分布式生产和装配优化调度模型的解;其中,Δ表示未分配时的产品序,Δl表示未分配时的第l个产品所包含的工件的工件序;
Step2、获得初始解;
Step3、移除阶段:依据初始解,对初始解中的产品进行移除,获得移除产品组成的序S={S1,S2,...,Sd},及移除后的解;
Step4、重构阶段:将移除的产品,重新分配给每个工厂能放置的位置,同时计算重新分配后的总延迟时间,记录将产品重新分配后总延迟时间最小的工厂和工厂中的位置,将产品放置在此处;直至所有提取的移除产品全被分配,获得重构解;
Step5、依据重构解,设计针对工厂间的局部搜索操作,获得局部最优解;
Step6、终止条件:设定终止条件为算法运行时间,如果算法满足运行时间,则输出“最优解”;否则转至步骤Step3,反复迭代,直至满足终止条件为止。
4.根据权利要求3所述的汽车零部件分布式生产和装配过程的优化调度方法,其特征在于:所述获得初始解,包括:
使用NEH启发式算法对每个产品所属工件以总完工时间最小为目标进行一个排序,得到一个对应每个产品所属工件重新排列的序;
根据所有产品的工期,使用EDD规则对所有产品进行一个升序排序;
将经过EDD规则排序后的产品,从序列中第一个直到最后一个逐一取出;将每次取出的产品分配给所有工厂中所有能放置的位置并计算将产品放入该位置后的总延迟时间,记录将产品放置后总延迟时间最小的工厂和工厂中的位置,将产品放置在此处;直至所有产品取出,获得初始解。
5.根据权利要求3所述的汽车零部件分布式生产和装配过程的优化调度方法,其特征在于:所述移除阶段,包括:
依据初始解,随机选择一个工厂,并随机移除出一个工厂内产品,循环d次,获得d个产品组成的序S={S1,S2,...,Sd},初始解中未移除的产品序不变;循环过程中,如果选择的工厂中只存在一个产品,则再随机选择其它工厂进行产品移除;其中,d的最大值小于产品数-工厂数。
6.根据权利要求3所述的汽车零部件分布式生产和装配过程的优化调度方法,其特征在于:所述依据重构解,设计针对工厂间的局部搜索操作,获得局部最优解,包括:
依据重构解的产品序,从第一个产品开始遍历,遍历过程为:将遍历的产品***其它工厂所有能放置的位置并计算将产品放入该位置后的总延迟时间,记录将产品放置后总延迟时间最小的工厂和工厂中的位置,如果总延迟时间优于遍历前的产品序,则将产品放置在此处,形成当前局部最优解,依据当前局部最优解形成下一代产品序,从下一代产品序中第一个产品开始遍历,否则,继续下一个产品的遍历;直至一代产品序中所有产品均被遍历,则将该代产品序对应的当前局部最优解作为一次局部搜索操作的局部最优解;
每进行一次局部搜索操作获得的局部最优解,则调整局部最优解中所***产品的工件序:
从当代工件序中第一个工件开始遍历,将遍历的工件***其它所有能放置的位置并计算将工件放入该位置后的总延迟时间,记录总延迟时间最小的工件序,如果总延迟时间优于当代工件序,则将遍历的工件放置在此处,形成下一代工件序,从下一代工件序中第一个工件开始遍历;否则,继续下一个工件遍历;直至一代工件序中所有工件均被遍历,则将该代工件序作为局部最优解中所***产品的工件序。
7.根据权利要求3所述的汽车零部件分布式生产和装配过程的优化调度方法,其特征在于:所述算法运行时间t=m×N×20毫秒。
8.一种汽车零部件分布式生产和装配过程的优化调度***,其特征在于:包括:
建立单元,用于建立汽车零部件分布式生产和装配优化调度模型;其中,调度模型是按照每个工件在各台机器上的加工完成时间和每个工件的工期来建立,优化目标为最小化总延迟时间;
获得单元,用于采用协进化迭代贪婪算法的优化调度方法对目标进行优化,获得每个工厂产品的加工序列。
9.一种处理器,其特征在于:所述处理器用于运行程序,其中,所述程序运行时执行权利要求1-7中任意一项所述的汽车零部件分布式生产和装配过程的优化调度方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任意一项所述的汽车零部件分布式生产和装配过程的优化调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210263927.9A CN114563994B (zh) | 2022-03-17 | 2022-03-17 | 一种汽车零部件分布式生产和装配过程的优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210263927.9A CN114563994B (zh) | 2022-03-17 | 2022-03-17 | 一种汽车零部件分布式生产和装配过程的优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114563994A true CN114563994A (zh) | 2022-05-31 |
CN114563994B CN114563994B (zh) | 2024-03-26 |
Family
ID=81720263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210263927.9A Active CN114563994B (zh) | 2022-03-17 | 2022-03-17 | 一种汽车零部件分布式生产和装配过程的优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114563994B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330283A (zh) * | 2022-10-17 | 2022-11-11 | 中汽数据(天津)有限公司 | 基于车间和基于生产线的车辆生产序列优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288185A (zh) * | 2019-05-16 | 2019-09-27 | 清华大学 | 一种分布式柔性流水线调度方法 |
CN111400868A (zh) * | 2020-02-24 | 2020-07-10 | 山东师范大学 | 带订单和机器人搬运的分布式车间调度优化方法及*** |
KR102263524B1 (ko) * | 2019-12-10 | 2021-06-10 | 부산대학교 산학협력단 | 반복 개선 기법을 활용한 수치 제어 공작 기계의 작업 스케줄링 최적화 방법 및 장치 |
CN113050644A (zh) * | 2021-03-22 | 2021-06-29 | 聊城大学 | 基于迭代贪婪进化的agv调度方法 |
CN113298313A (zh) * | 2021-06-10 | 2021-08-24 | 武汉云筹优化科技有限公司 | 一种基于遗传算法的柔性作业车间调度方法及*** |
-
2022
- 2022-03-17 CN CN202210263927.9A patent/CN114563994B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288185A (zh) * | 2019-05-16 | 2019-09-27 | 清华大学 | 一种分布式柔性流水线调度方法 |
KR102263524B1 (ko) * | 2019-12-10 | 2021-06-10 | 부산대학교 산학협력단 | 반복 개선 기법을 활용한 수치 제어 공작 기계의 작업 스케줄링 최적화 방법 및 장치 |
CN111400868A (zh) * | 2020-02-24 | 2020-07-10 | 山东师范大学 | 带订单和机器人搬运的分布式车间调度优化方法及*** |
CN113050644A (zh) * | 2021-03-22 | 2021-06-29 | 聊城大学 | 基于迭代贪婪进化的agv调度方法 |
CN113298313A (zh) * | 2021-06-10 | 2021-08-24 | 武汉云筹优化科技有限公司 | 一种基于遗传算法的柔性作业车间调度方法及*** |
Non-Patent Citations (3)
Title |
---|
B.NADERI等: "A Multiobjective Iterated Greedy Algorithm for Truck Scheduling in Cross-Dock Problems", JOURNAL OF INDUSTRIAL ENGINEERING, 5 June 2014 (2014-06-05), pages 1 - 12 * |
李尚函 等: "超启发式遗传算法求解模糊柔性作业车间调度", 《控制理论与应用》, vol. 37, no. 2, 29 February 2020 (2020-02-29), pages 316 - 330 * |
王凌 等: "基于深度强化学习与迭代贪婪的流水车间调度优化", 《控制与决策》, vol. 36, no. 11, 30 November 2021 (2021-11-30), pages 2610 - 2617 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330283A (zh) * | 2022-10-17 | 2022-11-11 | 中汽数据(天津)有限公司 | 基于车间和基于生产线的车辆生产序列优化方法 |
CN115330283B (zh) * | 2022-10-17 | 2023-03-24 | 中汽数据(天津)有限公司 | 基于车间和基于生产线的车辆生产序列优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114563994B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113671910B (zh) | 一种集成多agv柔性作业车间调度方法、装置及介质 | |
CN103473658A (zh) | 用于仓储的入库出库方法及其*** | |
CN111400868B (zh) | 带订单和机器人搬运的分布式车间调度优化方法及*** | |
CN110458326B (zh) | 一种分布式阻塞型流水线调度的混合群智能优化方法 | |
CN114563994A (zh) | 一种汽车零部件分布式生产和装配过程的优化调度方法 | |
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 | |
CN111340345B (zh) | 一种基于改进粒子群算法的刀具调度方法 | |
CN116629509A (zh) | 一种基于关键机器的流水车间成组调度快速评价方法 | |
CN117455222B (zh) | 基于分布式异构流水车间组调度问题的求解方法 | |
CN116466659A (zh) | 一种基于深度强化学习的分布式装配流水车间调度方法 | |
CN104537425B (zh) | 一种汽车空调出风口的生产装配过程的优化调度方法 | |
CN110263970B (zh) | 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 | |
CN116820058B (zh) | 考虑agv约束的液压缸工艺规划与调度集成优化方法 | |
CN107437121B (zh) | 适用于多机器同时处理单工件的生产工艺过程控制方法 | |
CN113139720B (zh) | 一种具有学习效应的铸造车间生产调度优化方法 | |
CN117132181B (zh) | 一种分布式柔性生产与运输协同调度方法 | |
CN113219918B (zh) | 一种基于物料齐套的混流装配车间排序方法 | |
CN113050644B (zh) | 基于迭代贪婪进化的agv调度方法 | |
CN117077975A (zh) | 基于混合初始化模因算法的分布式异构流水车间调度方法 | |
CN116224946B (zh) | 机械件加工车间生产与物流集成的优化调度方法与*** | |
CN116300756A (zh) | 带运输机器人柔性制造车间的双目标优化调度方法及*** | |
CN115907230A (zh) | 用于家具生产运输过程协同调度的分布估计优化方法 | |
CN111665799A (zh) | 一种基于协同算法的时间约束型并行机节能调度方法 | |
CN114442578B (zh) | 复杂型面智能生产单元任务的刀具联合动态调度方法 | |
CN116579541A (zh) | 一种应用于工厂智能排程的遗传算法染色体调整方法 |
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 |