CN116070826A - 一种铁路货车车身喷涂作业并行机调度方法 - Google Patents

一种铁路货车车身喷涂作业并行机调度方法 Download PDF

Info

Publication number
CN116070826A
CN116070826A CN202211087993.1A CN202211087993A CN116070826A CN 116070826 A CN116070826 A CN 116070826A CN 202211087993 A CN202211087993 A CN 202211087993A CN 116070826 A CN116070826 A CN 116070826A
Authority
CN
China
Prior art keywords
machine
spraying
scheduling
sea squirt
parallel 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
CN202211087993.1A
Other languages
English (en)
Inventor
陈成
陈文兴
唐红涛
杨基源
胡韶
兰弘毅
郭文亮
邝稳钢
邹剑锋
刘星
吕娅
许勇
袁宁
赵安林
刘军祥
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.)
CRRC Yangtze Transportation Equipment Group Co Ltd
Original Assignee
CRRC Yangtze Transportation Equipment Group Co Ltd
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 CRRC Yangtze Transportation Equipment Group Co Ltd filed Critical CRRC Yangtze Transportation Equipment Group Co Ltd
Priority to CN202211087993.1A priority Critical patent/CN116070826A/zh
Publication of CN116070826A publication Critical patent/CN116070826A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Nonlinear Science (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种铁路货车车身喷涂作业并行机调度方法，涉及喷涂作业技术领域，建立了并行机调度模型，以最小化最大完工时间目标建立模型目标函数，设计了一种基于樽海鞘群算法来求解该模型；樽海鞘群算法具有高鲁棒性，参数简单且易于操作，对不兼容作业族采用一种新的种群初始化方式，提高初始总体质量，采用多种邻域搜索策略，进一步提高解的质量，加速算法的收敛速度；通过得到的调度方法进行喷涂作业时，能够提高自动喷涂机喷涂效率和字符喷涂质量，减少人力资源的干预。

Description

一种铁路货车车身喷涂作业并行机调度方法
技术领域
本发明属于喷涂作业技术领域，具体涉及一种铁路货车车身喷涂作业并行机调度方法。
背景技术
并行机调度问题(Parallel Machine Scheduling Problem,PMSP)在实际生产过程中属于一类复杂度较高的典型问题。它可以描述为n个工件在m台机器上加工，每个工件只需在机器上加工一次，求解最优的加工批次以使总的加工时间最短。与车间调度类似，一旦处理开始，就不能增加或减少批次中的作业。
货车车身喷涂作业工序种类复杂、工序繁多，是货车车厢出厂的关键工序，其喷涂质量和喷涂效率将直接影响整个货车产业链的产能。喷涂车间喷涂过程中存在很多约束因素，如字符数量，种类，车厢表面的粗糙度，道具数量等；此外自动喷涂机的喷涂参数影响了喷涂工序的质量，如喷头气泵进气量、喷头离车厢距离等这些参数可以通过内置软件自动调整；但由于自动喷涂的范围限制，自动喷涂机在喷涂处于不同端面的字符以及字号不同的字符时需要移动喷涂机以及重新设置喷涂参数，仍需人工干预为安排调度方案带来了很多不确定因素。因此，在提高自动喷涂机喷涂效率的同时，提高字符喷涂的质量，减少人力资源干预至关重要。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种铁路货车车身喷涂作业并行机调度方法，以最小化最大完工时间目标建立模型目标函数，设计了一种基于樽海鞘群算法来求解该模型；樽海鞘群算法具有高鲁棒性，参数简单且易于操作，对不兼容作业族采用一种新的种群初始化方式，提高初始总体质量，采用多种邻域搜索策略，进一步提高解的质量，加速算法的收敛速度。
为解决上述技术问题，本发明采用如下技术方案：
一种铁路货车车身喷涂作业并行机调度方法，包括如下步骤：
S1、根据货车喷涂工序特征建立并行机调度模型，调度模型包括：
1.1对调度模型进行合理的假设；
1.2设置参数和决策变量；
1.3构建调度模型的目标函数；
S 2、基于樽海鞘群算法优化计算目标函数；
2.1收集待加工数据，将带喷涂字符的每一个字号都视为一个加工任务，不同型号的喷枪视为不同的喷涂机器；
2.2采用工序编码OS和机器编码MS的双层编码方式转换上述待加工数据，将上述调度模型转换为数学模型，即变换成可以计算的数学问题；
2.3设置樽海鞘群算法的参数，按照步骤2.2的编码方式进行种群初始化；
2.4计算樽海鞘种群适应度值并排序，选出适应度最好的为领导者，其他均为跟随者；
2.5领导者做邻域搜索，跟随者做跟随运动，对种群进行重新排序，完成个体的更新迭代；
2.6重复步骤2.5，直到达到最大迭代次数，得到当前种群最优方案，为数学模型的最优解，即调度模型的最优解，也是调度模型目标函数的最优解；
S 3、对比验证调度模型和算法有效性。具体的，通过与以最小加工时间原则的调度方案进行对比，其中，最小加工时间原则：所有工序均选择加工时间最小的机器加工，即每个工序的MS部分是确定的，通过优化其工序排列部分，得到加工方案；然后与本发明得到的调度方法进行对比，验证其有效性。
可以和以最短加工时间为原则的加工方案对比，最短加工时间意为每道工序的加工机器选择其可选机器中加工时间最短的机器。
步骤1.1中调度模型合理的假设包括：
①每个字符每个字号的喷涂任务都是独立的，不受其他喷涂任务的影响；
②相同端面的喷涂作业不会超过自动喷涂机的工作空间；
③每个作业任务最多只能在一个并行机处理；
④每批产品在并行机上最多只能处理一次；
⑤考虑喷涂不同端面字符时的移动自动喷涂机的时间；
⑥考虑喷涂不同字号工序时自动喷涂机软件换参数时间；
⑦在静态车间调度中，假设4个不同口径的喷枪喷涂64个不同尺寸的字符，车间中的机器和工件需要满足以下约束条件：
(1)对工件加工工序进行预先指定；
(2)机器在同一时间只能加工一个工件；
(3)如果没有特殊情况，每个工件都具有平等的处理优先条件；
(4)事先指定的处理时间和机器不得改变。
步骤1.2中的参数和决策变量包括：
Figure BDA0003835950030000031
           
Figure BDA0003835950030000041
Figure BDA0003835950030000042
Figure BDA0003835950030000043
Figure BDA0003835950030000044
步骤1.3中的目标函数为：
minCmax＝min[max(Cj)]     (1)
Figure BDA0003835950030000045
约束条件为：
Figure BDA0003835950030000046
Figure BDA0003835950030000047
Cijk≤Sghk+M(1-γijghk)    (5)
其中，式(1)表示工件最大完工时间最小，即最后一个完工的工序的完工时间最小；式(2)表示调度中人工移动小车时间最小，也就是人力资源使用量最小，对于自动喷涂工序而言，人工投入为其可变成本，是企业成本控制的主要方向；式(3)表示一道工序只能被一台机器加工；式(4)表示只有加工完工件的上一道工序才能开始加工工件的下一道工序；式(5)表示一台机器同时只能被一道工序占用。
上述1.1-1.3为并行机调度模型建立过程步骤，参数和决策变量、约束条件、目标函数共同构成了这个并行机调度模型。
步骤2.2中，第一层工序编码方案：
初始个体采用Logistic混沌映射迭代方程得到工序编码的排序，混沌是确定性***自发产生的不稳定现象，它能够不重复的经历一定范围的所有状态，利用混沌变量进行优化搜索比盲目随机搜索更具优越性。Logistic混沌映射迭
代方程为：y(k+1)＝μy(k)(1-y(k)),k＝1,2...n      (6)
xj＝uj+znj(vj-uj)      (7)
式(6)中，y(k)为第k次迭代中混沌变量的取值，k为迭代次数，μ为参数；当参数μ取值为4时Logistic映射处于完全混沌状态，能够取得较好的结果。
式(7)中，vj和uj分别为第j维变量取值的上界和下界，xj表示j维分量的取值；
定义个体维度为m，种群规模为N，随机生成m维初始序列z1＝(z11,z12,...,z1m)，通过公式(6)迭代初始序列中的每个分量，得到初始混沌序列矩阵；再将初始混沌序列矩阵通过公式(7)变换到目标问题的变量区间上，完成初始混沌映射；生成一组随机变量，经过公式(6)多次迭代后得到混沌向量，再通过公式(7)将混沌向量映射到显示编码中，得到个体的OS部分编码x＝(x1,x2,...,xm)。
以Logistic混沌映射迭代方程应用于一个3工件3工序的例子来演示种群初始化的生成规则，如下表。
表1工序编码
Figure BDA0003835950030000051
表1所示编码序列解码得到的加工顺序为O11 O12 O31 O21 O32 O22 O23 O33 O13。其中，Oij中i代表工件，j代表工序。Oij代表工件i的工序j处于该次序加工。
步骤2.2中，第二层机器编码方案：初始个体的机器选择部分采用混合机制，其中，50％个体按照公式(6)和(7)的方式生成，50％个体按加工时间最短原则，按照机器表内加工时间最少的机制选择，为机器选择的MS部分编码。上述比例可以是任意的,可以加入正交试验验证不同参数对算法收敛速度影响来找到最优比例。
以3×3规模车间调度问题举例，如下图所示：OS部分为工件出现的顺序，工件i第j次出现代表工序，对应的MS部分的位置为其可选范围内的机器次序。这种编码方式可以保证模型的所有约束，广泛应用于求解FJSP问题。
OS部分
Figure BDA0003835950030000061
MS部分
3×3规模问题编码举例
步骤2.3中，樽海鞘群算法的参数包括最大迭代次数Tmax、变邻域搜索的最大迭代次数和种群规模等。
步骤2.4中，将最小化最大完工时间和最大人力资源作为优化目标，在计算樽海鞘个体适应度值时判断同一机器上前后加工工序所在端面情况，从而计算所需的人力干扰；使用Parto排序的方法处理多目标问题，得到一组近似最优解集，Pareto解集中的所有非支配解作为领导者，其他解作为跟随着。其中，基于Pareto的多目标处理办法能够为决策者提供一组近似最优解集，能有效提高优化的效率。
步骤2.5中，引入POX交叉和四种邻域搜索算子来完成樽海鞘种群的迭代更新；其中，POX交叉方法如下：
(1)对于交叉的两个父代个体和，随机产生工件编码类型真子集合Ω；
(2)去除其中一个父代中属于Ω的元素，形成新的子代，将另一个父代中属于该集合的元素按照其所在父代里的排列顺序依次***到上述新的子代中，形成交叉后的个体；
(3)按照上述(2)中的方法对另一个父代执行相同操作；具体的，去除另一个父代中属于Ω的元素，形成另一个新的子代，将(2)中其中一个父代中属于该集合的元素按照其所在父代里的排列顺序依次***到上述另一个新的子代中，形成交叉后的个体；
MS部分则跟随OS部分进行位置移动；
四种领域搜索结构如下：
(1)领域结构N1：两点翻转，任意选择两点，将两点之间的元素进行翻转；
(2)领域结构N2：两点交换，任意选择两点，交换两点的元素；
(3)领域结构N3：单点***，任意选择一点，将该点及之后的元素***到第一个元素之前。
(4)领域结构N4：关键路径移动，关键路径是指完工时间最大的机器上的加工工序，通过更改这些工序的加工机器，或者与其他机器上工序互换位置来优化目标值。
对樽海鞘种群中的领导者完成上述四种搜索策略，保留最好的个体，放入种群；对其他跟随者分别与排在其前一Pareto等级中的樽海鞘完成POX交叉选择，选择留下来的个体，并对其进行上述四种邻域搜索策略的其中一种，选出最好的个体作为下一代，得到迭代后的樽海鞘群，并对其排序选出新的领导者以及樽海鞘排列顺序。
先建立并行机调度模型，并行机调度模型是通过简单的参数和公式去描述这个问题的特征，并不能直接进行求解，然后通过上述编码解码方法把模型转换为数学模型，变成可以计算的数学问题，再用樽海鞘算法求解出这个数学问题。
其中，樽海鞘是一种海洋无脊椎生物，通体透明，以海洋中浮游生物为食，与水母十分相似，水被泵入体内作为向前移动的推进力。在海洋深处，樽海鞘以一种链式行为向前运动，个体间首尾相连，形成一条“链”，在链中有一半数量的樽海鞘作为领导者，另外一半作为追随者。领导者指导追随者向前运动，伴随着迭代次数的增多，逐步寻找到食物源。由于追随者严格按照“等级制度”进行移动，只受前一个樽海鞘的行为影响，这就使得樽海鞘具有很强的全局搜索能力和局部开发能力。标准樽海鞘群算法内容如下：
(1)种群初始化
XD×N＝lb+rand(D,N)×(ub-lb)         (1-1)
设搜索空间为D*N的欧氏空间，D表示空间维数，N表示种群规模。在公式(1-1)中，ub＝[ub1,ub2,...ubD]表示搜索空间的上限,lb＝[lb1,lb2,...lbD]表示搜索空间的下限，rand(D,N)表示D行N列的0到1之间均匀分布的随机数，在种群初始化过程中会产生一个矩阵如公式(1-2)表示。其中第j个樽海鞘个体可以表示为
Figure BDA0003835950030000081
Figure BDA0003835950030000082
(1)领导者位置更新
在樽海鞘链在运动和寻找食物的过程中，领导者位置更新公式如下：
Figure BDA0003835950030000083
其中c1、c2、c3为控制参数，Fd表示当前食物在d维空间的位置。由公式(1-3)可以看出，领导者的位置变化仅和食物的位置有关，c2、c3是在[0，1]区间内所取得的随机数，c2决定步长，c3决定领导者前进方向，而c1是最重要的一个参数，其直接决定樽海鞘群优化算法在整个迭代过程中的搜索能力和开发能力,c1的计算公式如下所示：
Figure BDA0003835950030000084
其中t表示当前代数，T表示最大迭代次数。
(3)追随者位置更新
在樽海鞘链运动过程中，追随者受到前后个体的影响呈链状前进，跟随领导者的位置向前运动，根据樽海鞘的结构特征分析，追随者的位置更新符合牛顿运动定律，即樽海鞘的位置只和个体的初速度(v0)、加速度(a)，运动时间(t*)有关。因此追随者位置公式如下所示：
Figure BDA0003835950030000091
标准的樽海鞘算法旨在解决离散问题，其中迭代移动过程均是适用于离散问题结构，不能直接处理车间调度问题，须在原有基础上加以改进。
与现有技术相比，本发明的有益效果为：以最小化最大完工时间目标建立模型目标函数，设计了一种基于樽海鞘群算法来求解该模型；樽海鞘群算法具有高鲁棒性，参数简单且易于操作，对不兼容作业族采用一种新的种群初始化方式，提高初始总体质量，采用多种邻域搜索策略，进一步提高解的质量，加速算法的收敛速度。通过得到的调度方法进行喷涂作业时，能够提高自动喷涂机喷涂效率和字符喷涂质量，减少人力资源的干预。
附图说明
图1为本发明优选实施例中完整的最优调度甘特图；
图2为按照加工时间最小原则实施的调度甘特图；
图3为本发明优选实施例中加工时间对比图；
图4为本发明优选实施例中最后一次迭代中的Pareto解集；
图5为本发明优选实施例中根据樽海鞘算法操作步骤绘制的GWO流程图；
图6为本发明优选实施例中动态喷涂的分析流程；
具体实施方式
下面将结合本发明实施例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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。
一种铁路货车车身喷涂作业并行机调度方法，包括如下步骤：
S1、根据货车喷涂工序特征建立并行机调度模型，调度模型包括：
1.1对调度模型进行合理的假设；
1.2设置参数和决策变量；
1.3构建调度模型的目标函数；
上述1.1-1.3为并行机调度模型建立过程步骤，参数和决策变量、约束条件、目标函数共同构成了这个并行机调度模型。
S2、基于樽海鞘群算法优化计算目标函数；
2.1收集待加工数据，将带喷涂字符的每一个字号都视为一个加工任务，不同型号的喷枪视为不同的喷涂机器；
2.2采用工序编码OS和机器编码MS的双层编码，将上述调度模型转换为数学模型，即变换成可以计算的数学问题；
2.3设置樽海鞘群算法的参数，按照步骤2.2的规则进行种群初始化；
2.4计算樽海鞘种群适应度值并排序，选出适应度最好的为领导者，其他均为跟随者；
2.5完成个体的更新迭代；
2.6重复步骤2.5，直到达到最大迭代次数，得到当前种群最优方案作为最优解，为数学模型的最优解，即调度模型的最优解，也是调度模型目标函数的最优解。
并行机调度模型是通过简单的参数和公式去描述这个问题的特征，并不能直接进行求解，然后通过上述编码解码方法把模型转换为可以计算的数学问题，再用樽海鞘算法求解出这个数学问题。
其中，具体参数和决策变量包括：
Figure BDA0003835950030000111
Figure BDA0003835950030000112
Figure BDA0003835950030000113
Figure BDA0003835950030000114
目标函数为：
minCmax＝min[max(Cj)]     (1)
Figure BDA0003835950030000115
其中，式(1)表示工件最大完工时间最小，即最后一个完工的工序的完工时间最小；式(2)表示调度中人工移动小车时间最小，也就是人力资源使用量最小，对于自动喷涂工序而言，人工投入为其可变成本，是企业成本控制的主要方向。
约束条件为：
Figure BDA0003835950030000121
Figure BDA0003835950030000123
Cijk≤Sghk+M(1-γijghk)    (5)
其中，式(3)表示一道工序只能被一台机器加工；式(4)表示只有加工完工件的上一道工序才能开始加工工件的下一道工序；式(5)表示一台机器同时只能被一道工序占用。
现以某货车喷涂工厂批处理喷涂作业为例，如图1-6：
步骤1：根据从货车喷涂工厂调研取得的数据得到原始机器加工表以及对应的加工时间表，如表2、表3所示。
表2加工机器表
Figure BDA0003835950030000122
Figure BDA0003835950030000131
表3加工时间表
Figure BDA0003835950030000132
Figure BDA0003835950030000141
步骤2：由步骤1的数据可得共有69道喷涂任务，即根据上文双层编码的描述，每一个个体为双层编码，分别为工序排序和机器选择，工序排序部分编码规则如上述表1所示，1-69号编码为工序排序，70-138号为机器选择，机器选择部分编码意为该工序可选机器的顺序号，例如某工序可选机器集合[1 3 4]，如果对应机器选择部分编码为2，则该工序解码时由机器3加工。即算法中一个樽海鞘的个体长度为138，其中前69位编码代表了39个工件的加工顺序，后69位编码代表了69个加工任务的机器选择，按照上文机器选择部分生成规则，50％的个体在任务可选机器中选择加工时间最短的机器，另外50％的个体在可选机器集中按照混沌向量随机选择机器，得到下面的编码示例表。其中，上述比例也可以是任意的，可以加入正交试验验证不同参数对算法收敛速度影响来找到最优比例。
编码示例表
Figure BDA0003835950030000142
Figure BDA0003835950030000151
按照上表该编码含义为:Oij中i代表工件，j代表工序。Oij代表工件i的工序j处于该次序加工。例如O11M4：OS部分第一位1是代表工件1，第二位的1代表工序1，即工件1的第1道工序，对应的第70位MS部分是4，代表该工序选择其机器组合里的第4个加工，以此类推。
步骤3：设置樽海鞘算法的参数，设置种群规模为100，即初始种群包含100个长度为138的个体，并按照上文解码方式获得初始加工顺序，并计算每个个体的最大加工时间，以此更新樽海鞘群中每个个体的目标值，并选择Pareto解集中非支配解作为种群的领导者，其余个体作为跟随者。
步骤4：对领导者通过邻域搜索的方式得到4个邻域个体，选择最好的一个放回种群；对跟随者使其跟它前一位的个体使用POX交叉的方式得到新个体，并对POX交叉选择之后的个体随机选择4种领域结构的一种进行变异操作；当种群中所有个体均更新完毕后按照其目标值对其进行重新排序，并选出新的领导者。
步骤5：重复迭代步骤4，当达到最大精度或最大迭代次数时，迭代完成，输出结果为最优解，否则继续循环执行。
其中，图1为本实施例完整的最优调度甘特图，纵坐标表示口径分别为0.5mm、0.6mm、0.8mm、1.0mm的自动喷涂机；横坐标的表示甘特图的时间单位。该方案完工时间为147，移动机器时间为66。
图2为以最小加工时间为原则解码的调度方案甘特图，该方案完工时间为166.7，移动机器时间为116。对比可以看出本发明调度方法效率更高，能够节省更多人力资源。
图3记录了迭代过程中每一次迭代的最优解，横坐标表示算法的迭代次数，纵坐标表示目标函数式(1)和式(2)的两个目标值在每次迭代过程中的取值。这里取的是Pareto解集中的一个解作为该代最优结果，可以看到初始种群中最优方案需要耗时200多秒，而在通过以上算法计算后仅迭50多代就能找到最优的加工路径，所用时间仅147秒；移动机器时间也从最开始的100优化到了最后的60，大大节省了加工时间与安排调度时间。
图4记录了最后一次迭代中的Pareto解集的所有非支配解，这两个解在两个目标上都相互不支配，以供管理人员根据实际需求进行选择。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。

Claims (10)

1.一种铁路货车车身喷涂作业并行机调度方法，其特征在于，包括如下步骤：
S1、根据货车喷涂工序特征建立并行机调度模型，调度模型包括：
1.1对调度模型进行合理的假设；
1.2设置参数和决策变量；
1.3构建调度模型的目标函数；
S2、基于樽海鞘群算法优化计算目标函数；
2.1收集待加工数据，将带喷涂字符的每一个字号都视为一个加工任务，不同型号的喷枪视为不同的喷涂机器；
2.2采用工序编码OS和机器编码MS的双层编码方式转换上述待加工数据，将上述调度模型转换为数学模型；
2.3设置樽海鞘群算法的参数，按照步骤2.2的编码方式进行种群初始化；
2.4计算樽海鞘种群适应度值并排序，选出适应度最好的为领导者，其他均为跟随者；
2.5领导者做邻域搜索，跟随者做跟随运动，对种群进行重新排序，完成个体的更新迭代；
2.6重复步骤2.5，直到达到最大迭代次数，得到当前种群最优方案，为数学模型的最优解，即调度模型目标函数的最优解；
S3、对比验证调度模型和算法有效性。
2.根据权利要求1所述的铁路货车车身喷涂作业并行机调度方法，其特征在于：步骤1.1中调度模型合理的假设包括：
①每个字符每个字号的喷涂任务都是独立的，不受其他喷涂任务的影响；
②相同端面的喷涂作业不会超过自动喷涂机的工作空间；
③每个作业任务最多只能在一个并行机处理；
④每批产品在并行机上最多只能处理一次；
⑤考虑喷涂不同端面字符时的移动自动喷涂机的时间；
⑥考虑喷涂不同字号工序时自动喷涂机软件换参数时间；
⑦在静态车间调度中，车间中的机器和工件需要满足以下约束条件：
(1)对工件加工工序进行预先指定；
(2)机器在同一时间只能加工一个工件；
(3)每个工件都具有平等的处理优先条件；
(4)事先指定的处理时间和机器不得改变。
3.根据权利要求1所述的铁路货车车身喷涂作业并行机调度方法，其特征在于：步骤1.2中的参数和决策变量包括：
Figure FDA0003835950020000021
Figure FDA0003835950020000022
Figure FDA0003835950020000031
Figure FDA0003835950020000032
4.根据权利要求3所述的铁路货车车身喷涂作业并行机调度方法，其特征在于：步骤1.3中的目标函数为：
minCmax＝min[max(Cj)]     (1)
Figure FDA0003835950020000033
其中，约束条件为：
Figure FDA0003835950020000034
Figure FDA0003835950020000035
Cijk≤Sghk+M(1-γijghk)。    (5)
5.根据权利要求4所述的铁路货车车身喷涂作业并行机调度方法，其特征在于：步骤2.2中，第一层工序编码方案：
初始个体采用Logistic混沌映射迭代方程得到工序编码的排序，Logistic混沌映射迭代方程为：y(k+1)＝μy(k)(1-y(k)),k＝1,2...n      (6)
xj＝uj+znj(vj-uj)    (7)
其中，式(6)中，y(k)为第k次迭代中混沌变量的取值，k为迭代次数，μ为参数；
式(7)中，vj和uj分别为第j维变量取值的上界和下界，xj表示j维分量的取值；
定义个体维度为m，种群规模为N，随机生成m维初始序列z1＝(z11,z12,...,z1m)，通过公式(6)迭代初始序列中的每个分量，得到初始混沌序列矩阵；再将初始混沌序列矩阵通过公式(7)变换到目标问题的变量区间上，完成初始混沌映射；生成一组随机变量，经过公式(6)多次迭代后得到混沌向量，再通过公式(7)将混沌向量映射到显示编码中，得到个体的OS部分编码x＝(x1,x2,...,xm)。
6.根据权利要求5所述的铁路货车车身喷涂作业并行机调度方法，其特征在于：步骤2.2中，第二层机器编码方案：初始个体的机器选择部分采用混合机制，部分个体按照公式(6)和(7)的方式生成，剩余个体按加工时间最短原则，按照机器表内加工时间最少的机制选择，为机器选择的MS部分编码。
7.根据权利要求6所述的铁路货车车身喷涂作业并行机调度方法，其特征在于：步骤2.3中，樽海鞘群算法的参数包括最大迭代次数Tmax、变邻域搜索的最大迭代次数和种群规模。
8.根据权利要求7所述的铁路货车车身喷涂作业并行机调度方法，其特征在于：步骤2.4中，将最小化最大完工时间和最大人力资源作为优化目标，在计算樽海鞘个体适应度值时判断同一机器上前后加工工序所在端面情况，从而计算所需的人力干扰；使用Pareto排序的方法处理多目标问题，得到一组近似最优解集，Pareto解集中的所有非支配解作为领导者，其他解作为跟随着。
9.根据权利要求8所述的铁路货车车身喷涂作业并行机调度方法，其特征在于：步骤2.5中，引入POX交叉和四种邻域搜索算子来完成樽海鞘种群的迭代更新；其中，POX交叉方法如下：
(1)对于交叉的两个父代个体和，随机产生工件编码类型真子集合Ω；
(2)去除其中一个父代中属于Ω的元素，形成新的子代，将另一个父代中属于Ω的元素按照其在所在父代里的排列顺序依次***到上述新的子代中，形成交叉后的个体；
(3)按照上述(2)中的方法对另一个父代执行相同操作；
其中，MS部分跟随OS部分进行位置移动；
四种领域搜索结构如下：
(1)领域结构N1：两点翻转，任意选择两点，将两点之间的元素进行翻转；
(2)领域结构N2：两点交换，任意选择两点，交换两点的元素；
(3)领域结构N3：单点***，任意选择一点，将该点及之后的元素***到第一个元素之前。
(4)领域结构N4：关键路径移动，关键路径是指完工时间最大的机器上的加工工序，通过更改这些工序的加工机器，或者与其他机器上工序互换位置来优化目标值。
10.根据权利要求9所述的铁路货车车身喷涂作业并行机调度方法，其特征在于：步骤2.5中，对樽海鞘种群中的领导者完成上述四种搜索策略，保留最好的个体，放入种群；对其他跟随者分别与排在其前一Pareto等级中的樽海鞘完成POX交叉选择，选择留下来的个体，并对其进行上述四种邻域搜索策略的其中一种，选出最好的个体作为下一代，得到迭代后的樽海鞘群，并对其排序选出新的领导者以及樽海鞘排列顺序。
CN202211087993.1A 2022-09-07 2022-09-07 一种铁路货车车身喷涂作业并行机调度方法 Pending CN116070826A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211087993.1A CN116070826A (zh) 2022-09-07 2022-09-07 一种铁路货车车身喷涂作业并行机调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211087993.1A CN116070826A (zh) 2022-09-07 2022-09-07 一种铁路货车车身喷涂作业并行机调度方法

Publications (1)

Publication Number Publication Date
CN116070826A true CN116070826A (zh) 2023-05-05

Family

ID=86170585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211087993.1A Pending CN116070826A (zh) 2022-09-07 2022-09-07 一种铁路货车车身喷涂作业并行机调度方法

Country Status (1)

Country Link
CN (1) CN116070826A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117728064A (zh) * 2024-02-07 2024-03-19 长沙矿冶研究院有限责任公司 一种退役动力电池拆解工艺的优化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117728064A (zh) * 2024-02-07 2024-03-19 长沙矿冶研究院有限责任公司 一种退役动力电池拆解工艺的优化方法
CN117728064B (zh) * 2024-02-07 2024-04-30 长沙矿冶研究院有限责任公司 一种退役动力电池拆解工艺的优化方法

Similar Documents

Publication Publication Date Title
CN110796355B (zh) 一种基于动态解码机制的柔性作业车间调度方法
CN113610233B (zh) 一种基于改进遗传算法的柔性作业车间调度方法
CN113792924A (zh) 一种基于Deep Q-network深度强化学习的单件作业车间调度方法
CN111340345B (zh) 一种基于改进粒子群算法的刀具调度方法
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
CN106611275A (zh) 针对作业车间生产问题的排产算法
CN110288185B (zh) 一种分布式柔性流水线调度方法
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
CN116070826A (zh) 一种铁路货车车身喷涂作业并行机调度方法
CN113988396A (zh) 一种基于nsga-iii算法的工序排序多目标优化方法
CN115933568A (zh) 一种多目标分布式混合流水车间调度方法
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
CN115145235A (zh) 一种铸造全流程的多目标智能调度方法
CN116700176A (zh) 一种基于强化学习的分布式阻塞流水车间调度优化***
CN112364526B (zh) 一种基于果蝇算法的模糊批调度方法及***
CN115730799A (zh) 一种柔性装配作业车间生产任务调度方法、***及设备
CN117314078A (zh) 基于Petri网和神经网络的柔性制造***的无死锁调度方法
CN115981262B (zh) 基于imoea的液压缸零部件车间生产调度方法
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***
CN117314055A (zh) 基于强化学习的智能制造车间生产-运输联合调度方法
CN115983423A (zh) 一种考虑双资源约束的上下料场景调度优化方法
CN112884370B (zh) 考虑订单插单的高端装备研制过程多项目重调度方法及***
CN112632777B (zh) 面向家电产品装配线的ⅱ型双边装配线平衡方法及***
CN114839930A (zh) 一种用于分布式装配阻塞流水车间集成调度***
CN115700647A (zh) 一种基于禁忌搜索遗传算法的车间柔性作业调度方法

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