CN117075545A - 一种多目标柔性作业车间调度方法、电子设备、介质 - Google Patents
一种多目标柔性作业车间调度方法、电子设备、介质 Download PDFInfo
- Publication number
- CN117075545A CN117075545A CN202310971066.4A CN202310971066A CN117075545A CN 117075545 A CN117075545 A CN 117075545A CN 202310971066 A CN202310971066 A CN 202310971066A CN 117075545 A CN117075545 A CN 117075545A
- Authority
- CN
- China
- Prior art keywords
- individuals
- population
- individual
- dominant
- objective function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 128
- 230000000739 chaotic effect Effects 0.000 claims abstract description 43
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 230000035772 mutation Effects 0.000 claims abstract description 31
- 210000000349 chromosome Anatomy 0.000 claims abstract description 23
- 230000014759 maintenance of location Effects 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 58
- 230000008569 process Effects 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 30
- 108090000623 proteins and genes Proteins 0.000 claims description 27
- 230000002068 genetic effect Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 12
- 230000000717 retained effect Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002759 chromosomal effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 24
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 6
- 238000003780 insertion Methods 0.000 description 6
- 230000037431 insertion Effects 0.000 description 6
- 238000005315 distribution function Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
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
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种多目标柔性作业车间调度方法、电子设备、介质，该方法包括以下步骤：1.设定初始参数，生成初始化种群；2.解码染色体，计算适应度值；3.使用快速非支配排序和拥挤度选择、交叉和变异生成新一代种群，并更新外部档案集；4.判断是否达到迭代次数，若否，重复步骤3，若是，输出帕累托最优解集；5.使用线性加权法确定最满意解。该方法采用了基于Tent混沌映射的两段式编码、动态自适应交叉和变异策略、改进的精英保留策略等技术，以最小化最大完工时间、生产成本和最大设备负荷为优化目标，能够有效地提高全局搜索能力和种群多样性，实现企业生产的全方位优化。
Description
技术领域
本发明涉及智能工厂的生产管理领域，尤其涉及一种多目标柔性作业车间调度方法、电子设备、介质。
背景技术
柔性车间调度问题是一种典型的组合优化问题，它涉及到在多个工件需要在多台设备上进行加工的情况下，如何安排工件的加工顺序和设备的分配，以达到某种优化目标。柔性车间调度问题具有高度的复杂性和不确定性，是一种NP难问题。柔性车间调度问题的优化目标通常有多个，例如最大完工时间、生产成本、设备负荷等，这些目标之间往往存在冲突和矛盾，因此需要采用多目标优化方法来求解。多目标优化方法的目的是找出一组非劣解，即在不影响其他目标的情况下，无法改善任何一个目标的解，这组非劣解构成了帕累托最优集。
对于柔性作业车间调度多目标优化问题的优化算法研究，最初的研究思路是通过给每个优化目标加权,而将多目标优化问题转化为求解难度较低的单目标优化问题,但其缺点在于人为地给每个优化目标加权会导致最终的优化解集表现不全面，甚至很差。另一研究思路是只考虑一个优化目标而将其余目标作为约束条件,该策略会弱化其它优化目标的重要性,从而得不到理想的优化结果。
发明内容
针对现有技术不足，本发明提供了一种基于自适应非支配遗传算法的柔性作业车间多目标调度方法、电子设备、介质，该方法能够有效地解决柔性车间生产过程中的多目标优化问题，同时考虑完工时间、生产成本和设备负荷等因素，提高柔性车间的生产性能和生产效率。
本发明实施例的第一方面，提供了一种多目标柔性作业车间调度方法，所述方法具体包括以下步骤：
步骤S1，设定初始参数，所述初始参数包括种群规模N、迭代次数T、外部档案集S、初始交叉概率PC、变异概率PM；
步骤S2，构建多目标柔性作业车间调度模型，所述多目标柔性作业车间调度模型通过完工时间目标函数、生产成本目标函数、设备负荷目标函数以及约束条件进行描述；使用基于Tent混沌映射的两段式编码，生成规模为N的初始化种群；
步骤S3，基于工序***式的贪婪解码方法解码染色体，根据完工时间目标函数、生产成本目标函数、设备负荷目标函数计算适应度值；
步骤S4、使用快速非支配排序求解种群个体的非支配等级，并计算个体的拥挤度，之后通过选择、交叉和变异生成第一代种群，令遗传代数t＝1，并将第一代种群加入外部档案集S；
步骤S5、使用锦标赛选择算子选择适合繁衍的个体进入交叉池；
步骤S6、采用基于遗传参数的自适应交叉策略更新交叉概率，根据概率判断进行遗传交叉，其中工序段部分采用IPOX交叉，机器段部分采用MPX交叉；
步骤S7、采用基于近亲指数的自适应变异策略计算近亲指数，更新变异概率，根据概率判断进行遗传变异，工序段部分采用基于邻域的变异，机器段部分采用随机选择一个可选机器的方法变异，生成子代；
步骤S8、将父代与子代合并，使用精英保留策略通过非支配关系与拥挤度保留父代与子代合并种群中的前N个个体作为新一代种群，令遗传代数t＝t+1，并更新独立于种群的外部档案集S；
步骤S9、当遗传代数t达到预设次数T，输出外部档案集S中的帕累托最优解集；
步骤S10、对帕累托最优解集进行非支配排序，采用线性加权法确定最满意解；
步骤S11、根据最满意解解码获得调度结果。
本发明实施例的第二方面，提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的多目标柔性作业车间调度方法。
本发明实施例的第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的多目标柔性作业车间调度方法。
与现有技术相比，本发明具有以下优点和有益效果：
(一)本发明方法引入基于Tent混沌映射的两段式编码，该编码方法可以有效地避免染色体陷入局部循环，提高了编码的多样性和随机性，同时也保证了工序和机器的可行性。
(二)本发明通过引入一种动态自适应交叉策略、基于近亲指数的自适应变异策略，可以根据种群的状态和进化代数动态调整交叉概率Pc和变异概率Pm，使得算法能够在全局搜索和局部寻优之间平衡，避免了固定交叉和变异概率可能导致的过早收敛或者停滞现象。
(三)本发明通过引入精英保留策略，设计了一种概率分布函数代替传统按非支配等级与拥挤度大小确定的保留策略，可以根据不同的非支配等级为个体添加相应的保留概率，同时建立一个外部档案集来存放保留下来的非支配个体，并通过非支配关系对其进行更新，从而提高了种群质量和多样性。
(四)本发明以最小化最大完工时间、生产成本和最大设备负荷建立多目标优化函数。这三种目标函数可以反映柔性车间调度问题的多个重要指标，同时也符合企业生产管理决策的需求，能够实现企业生产的全方位优化。
(五)本发明可有效解决多目标柔性作业车间调度中相关算法所存在的全局搜索能力不足，容易收敛到局部最优，种群多样性不足等问题。本发明提出了一种基于自适应非支配排序遗传算法的多目标柔性作业车间调度方法，能在短时间内求解到优秀的多目标柔性作业车间调度解。
附图说明
图1是一种基于自适应非支配排序遗传算法的多目标柔性作业车间调度方法流程图；
图2是基于工序***式的贪婪解码方法示意图；
图3是染色体机器段MPX交叉示意图；
图4是染色体工序段IPOX交叉示意图；
图5是染色体机器段变异示意图；
图6是改进的精英保留策略的示意图；
图7是一种电子设备的示意图。
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。
需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
如图1所示，本发明实施例提供了一种基于自适应非支配遗传算法的柔性作业车间多目标调度方法，所述方法包括以下步骤：
步骤S1、设定初始参数，所述初始参数包括种群规模N、迭代次数T、外部档案集S、初始交叉概率PC、变异概率PM等。
步骤S2、构建多目标柔性作业车间调度模型，所述多目标柔性作业车间调度模型通过完工时间目标函数、生产成本目标函数、设备负荷目标函数以及约束条件进行描述。使用基于Tent混沌映射的两段式编码，生成规模为N的初始化种群。
具体地，所述完工时间目标函数f1为第一个工件开始加工到最后一个工件加工完成所需要的时间，表达式如下：
其中，其中为第i个工件的第j道工序在第k台设备上的完工时刻；对于任意的工序j都有/>
所述生产成本目标函数f2为所有工件各道工序的生产成本总和，表达式如下：
其中，n为工件数量，pi为第i个工件的工序数量，m为设备数量，xijk为第i个工件的第j道工序是否在第k台设备上加工的0-1变量，Cijk为其加工成本。
所述设备负荷目标函数f3为设备的运行时间，表达式如下：
其中，tijk为其加工时间。
本发明涉及一种多目标柔性作业车间调度问题Q，可描述为：有多个工件需要在多台设备上进行加工，每个工件包含多道工序。每道工序可以通过一台或多台设备上进行加工，且每台设备上的加工时间与加工成本可能不同。在满足生产工艺约束的前提下，还需要考虑以下约束条件：
①每个工件有多道工序，每道工序可以在一台或多台设备上加工。
②同一时刻一个工件最多只能在一台设备上进行加工，一台设备每一时刻最多只能加工一个工件。
③一个工件只有前道工序完工后，后道工序才能加工，且不能早于所使用设备的最早可开工时刻。
完工时间、生产成本与设备负荷是企业生产管理决策的重要参考指标，本发明以最小化最大完工时间、生产成本和最大设备负荷为目标建立优化函数，其中参数含义如表1所示。
表1参数符号含义表
在本实例中，所述两段式编码改进的基于Tent混沌映射。
对比经典Logistic混沌映射，Tent混沌映射得到的种群具有更好的随机性、均匀性与多样性，表达式如下：
观察上式，可以发现Tent混沌映射可能会因为出现周期点而陷入局部循环，因此，本发明在原式的基础上引入了随机变量，改进后的基于Tent混沌映射的表达式如下：
其中，s为个体序号，t为混沌变量序号；为混沌变量，rand(0，1)为[0，1]之间的随机数；R为工序总数。
具体编码和初始化过程如下：
步骤S201，随机生成两个初始混沌变量，分别记为第一初始混沌变量z1和第二初始混沌变量z2，每个变量的取值范围为(0，1)。用改进的Tent混沌映射公式对第一初始混沌变量z1和第二初始混沌变量z2进行迭代，得到两组混沌变量序列，每组序列的长度等于工序的数量。如果迭代过程中出现的情况，则重新计算该值，直到满足条件；
步骤S202：将第一组混沌变量序列与原始工序序列一一对应，按照混沌变量的大小从大到小排序，并将对应的工序按照同样的顺序重新排列，得到新的工序序列。这个新的工序序列就是工序码，如表2所示：
表2工序码编码示意表
| 位置 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 原始工序序列 | O11 | O12 | O13 | O21 | O22 | O31 | O32 | O33 |
| 混沌变量序列 | 0.7851 | 0.5385 | 0.1045 | 0.3981 | 0.8794 | 0.2523 | 0.5387 | 0.9302 |
| 混沌变量排序 | 0.9342 | 0.8727 | 0.7819 | 0.5328 | 0.5302 | 0.3905 | 0.2581 | 0.1027 |
| 工序重排 | O33 | 022 | O11 | O12 | O32 | O21 | O31 | O13 |
| 工序码 | 3 | 2 | 1 | 1 | 3 | 2 | 3 | 1 |
步骤S203：将第二组混沌变量序列与步骤202得到的工序码一一对应，根据下式将每个混沌变量转换为一个整数值，这个整数值表示该工序所选择的设备编号。将这些整数值按照顺序组成一个新的序列，这个新的序列就是设备码；
分别为/>对应工序所能使用设备中设备编号的最大值与最小值。将这些整数值按照顺序组成一个新的序列，这个新的序列就是设备码；
步骤S204：重复步骤S201至步骤S203，直到生成足够数量的工序码和设备码，生成规模为N的初始化种群。
步骤S3：基于工序***式的贪婪解码方法解码染色体，根据完工时间目标函数、生产成本目标函数、设备负荷目标函数计算适应度值。
进一步的，上述解码方法如下：按照工序段从左到右进行读取，采用机器段选择的机器进行解码，在满足加工需求的情况下贪婪地将工序***到最早能够加工的位置，以得到每个染色体个体对应的调度方案，本发明各个目标函数值都大于零且需求取其最小值，因此以各目标函数的倒数作为算法计算中的适应度函数。
具体地，如图2所示，上述步骤S3中的工序***式解码产生活动调度步骤如下：
(一)机器段选择部分：对机器选择部分进行解码，从左到右依次读取并转换成机器顺序矩阵KM和加工时间顺序矩阵U。
(二)工序段排序部分：
步骤S301：读取工序段的一个基因，转换成相应工序Qjh；
步骤S302：通过机器顺序矩阵KM和时间顺序矩阵U得到工序Qjh的加工机器Mi和加工时间tijh；
步骤S303：如果工序Qjh在机器Mi是第一道加工工序，那么直接从它的上道工序Qj(h-1)的结束时间开始加工即可。如果工序Qjh是工件Jj的第1道工序，那么直接从机器Mi的零时刻进行加工。否则，找到机器Mi上所有间隔空闲时间段[TSi，TFi]，TSi表示间隔时间段的开始时间，TFi表示间隔空闲时间段的结束时间。按下式得到工序Qjh最早开始加工时间ta，能够满足工件加工工序的顺序约束；
ta＝max(Qj(h-1),TSi)
步骤S304：判断间隔空闲时间段是否满足***条件,如满足则***当前空闲时间段内；否则,计算时间tb在机器Mi上进行加工，其中LMi表示当前机器Mi最后一道工序的结束时间；
ta+tijh≤TFi
tb＝max(Qj(h-1),LMi)
步骤S305：判断工序段的染色体是否读取完毕，如满足，则结束；否则，转步骤S301继续。
步骤S4、使用快速非支配排序求解种群个体的非支配等级，并计算个体的拥挤度，之后通过选择、交叉和变异生成第一代种群，令遗传代数t＝1，并将第一代种群加入外部档案集S。
本发明使用了一种改进的快速非支配排序算法，该方法定义了一种新的支配关系＞s(超级支配)，描述如下：如果A支配B，或A与B无关(A、B互不支配)，则A＞sB。该方法比传统的NSGA-Ⅱ更快，平均时间复杂度从O(mN2)降到O(qNlogN)(q为优化目标数量，N为种群规模)，具体步骤如下：
步骤S401：从外部档案集S(种群所有个体构成的集合)中第1个个体x1开始，将x1与其后面的个体进行“＞s”比较。比较完后将S分成两部分，一部分是x1支配的个体，这部分个体肯定不是当前种群的非支配个体；另一部分是“超级支配”x1的个体，这部分个体组成新的序列集S`。如果x1没有被S`中的个体支配，那么x1就是当前种群的非支配个体，将其加入非支配解集；
步骤S402：在新的序列集S`中重复步骤S401中的操作，直到S`中只剩下1个个体；
步骤S403：将外部档案集S中属于当前非支配解集的个体删除，重复上述操作，直到所有个体的非支配等级都分配完毕，之后计算个体的拥挤距离。
步骤S404：根据小生境概念计算同一等级个体的拥挤距离，公式如下：
式中，D(i)为种群中个体i的拥挤距离，D(i,j)为个体i在第j个目标分量上的拥挤距离。把与个体i具有相同非支配等级的个体的目标分量按照从小到大的顺序排列，其中，和/>为目标分量j的最大值和最小值，fj (i+1)和fj (i-1)为个体i在目标分量上的相邻值；
步骤S405：根据非支配等级和拥挤距离对个体进行排序。个体的非支配等级越小，拥挤距离越大，则个体在种群中的位置越靠前，生成后代种群时优先选取位置靠前的个体。
步骤S5、使用锦标赛选择算子选择一定数量适合繁衍的个体进入交叉池；
步骤S501：从初始种群中任选两个个体进行比较，优先选择非支配等级高的个体。如果两者非支配等级相同，则优先选择拥挤度较高的个体。如果两者拥挤度相同，则从中任选一个。
步骤S502：重复步骤S501，直至选出N个个体加入交叉池。
步骤S6、采用基于遗传参数的自适应交叉策略更新交叉概率，根据概率判断进行遗传交叉，工序段部分采用IPOX交叉，机器段部分采用MPX交叉；
本发明解决了传统NSGA-II算法中固定的交叉和变异概率可能导致算法收敛速度慢或陷入局部最优解的问题。本发明的方法是引入一个分布函数来动态调整交叉和变异概率，根据种群的状态和进化代数来控制全局搜索和局部寻优的平衡，提高非支配排序遗传算法在可行解空间上的适应度。动态计算自适应交叉概率具体步骤如下：
步骤S601：从交叉池中随机选择两个个体；
步骤S602：计算动态交叉概率，其中个体的交叉概率(Pc)为每个目标函数的适应度分量计算出的交叉概率(Pc)的平均值。其中，Pci是第i个目标函数计算出的交叉概率，fmaxi、favgi和fmini分别为当前种群中第i个目标函数适应度的最大值、平均值和最小值；favg是favgi平均值，fmin是fmini的平均值；fi′为两个待交叉个体中适应度的较大值，其pc1，pc2，pc3分别是针对完工时间目标函数、生产成本目标函数、设备负荷目标函数的初始交叉概率，在本实例中，设置pc1＝0.8,pc2＝0.6,pc3＝0.4；动态交叉概率的表达式如下：
步骤S603：生成随机数pC，如果pC<PC，将两个染色体交叉，将交叉得到的子代个体加入变异池；
上述染色体交叉具体步骤如下：
(一)机器段部分：如图3所示，采用MPX多点交叉方式，它只交换父代染色体的机器基因段，不改变工序基因段。具体步骤是：
步骤S60301：生成一个由0和1组成的随机集合R，长度和机器基因段相同。0表示保留原来的机器基因，1表示交换机器基因；
步骤S60302：根据R中的1，将两个父代染色体的机器基因段相应位置互换，得到两个子代染色体的机器基因段；
步骤S60303：根据R中的0，将两个父代染色体的机器基因段相应位置复制到两个子代染色体的机器基因段。
例如，如果两个父代染色体的机器基因段是[24135342152]和[31254125342]，R是[01001010010]，那么交叉后的子代染色体的机器基因段是[34235342152]和[21154125342]。
(二)工序段部分：采用改进的POX算法，IPOX仅交叉父代染色体的工序基因段，机器部分的基因保持不变，如图4所示，具体操作步骤如下：
步骤S60301：随机把加工工件的集合[J1，J2，…，Jn]分成两个非空的子集Sl和S2；
步骤S60302：把父代P1中属于S1的工件基因按照原来的相对顺序和位置复制到子代C1中，把父代P2中属于S2的工件基因按照原来的相对顺序和位置复制到子代C2中；
步骤S60303：把父代P2中属于S2的工件基因按照原来的相对顺序和位置复制到子代C1中，把父代P1中属于S1的工件基因按照原来的相对顺序和位置复制到子代C2中。
步骤S7、采用基于近亲指数的自适应变异策略计算近亲指数，更新变异概率，根据概率判断进行遗传变异，工序段部分采用基于邻域的变异，机器段部分采用随机选择一个可选机器的方法变异，生成子代；
本发明提出了一种基于近亲指数的自适应变异算法，它是对变异算子的一种改进，本发明可以根据不同的进化时期动态地调整变异率，同时考虑新个体与父代种群的近亲关系，减少近亲基因的不利影响，提高算法的全局搜索能力和多样性，采用了以下步骤：
步骤S701：依次遍历交叉池中的个体，对每一个个体计算其与父代种群的近亲指数E。遍历父代种群，计算个体x与每一个父代个体相同基因位的个数v，基因位长度为L，计算两个染色体的近亲指数e＝v/L，取个体跟所有父代的近亲指数平均值作为个体x与父代种群的近亲指数E；
步骤S702：计算动态变异概率，其中个体的变异概率(Pm)为每个目标函数的适应度分量计算出的变异概率(Pmi)的平均值与近亲指数E的乘积。其中，Pmi是第i个目标函数计算出的变异概率，fmini，favgi和fmini分别为当前种群中第i个目标函数适应度的最大值、平均值和最小值；favg是favgi平均值，fmin是fmini的平均值；fi为待变异个体的适应度值，其中，pm1，pm2，pm3分别是针对针对完工时间目标函数、生产成本目标函数、设备负荷目标函数的初始变异率，在本实例中，设置pm1＝0.1，pm2＝0.06，pm3＝0.02；
步骤S703：生成随机数pm，如果pm<Pm，对个体进行染色体变异。
上述染色体变异具体步骤如下：
(一)机器段部分：
步骤S70301：从机器基因段随机选择一个基因；
步骤S70302：从该机器对应的工序可选机器集中随机选择一个其它的机器，然后替换执行变异操作的机器基因，图5是机器段变异的示意图。
(二)工序段部分：使用基于邻域的变异操作。
在移动一道工序邻域结构中，通过对关键路径上的一道工序在机器链表中位置进行移动或***操作来得到新解。对一道工序从在可选加工机器集中确定加工机器,以及选定机器之后如何***到可行节点位置这两个方面同时考虑。假设：用Q表示所有工序的集合,即Q＝{Qjh|j＝1,2,…,n；1≤h≤hj}，其中第j个工件包含hj个工序；H表示当前调度解的有向图，H-表示将节点工序w(w∈Q)移除后的有向图，H′表示将工序w***到H-之后的有向图；工序w的可选加工机器集为Φw。那么工序w在关键路径上的移动和***操作如下：
步骤S70301：删除节点w与同一台机器上其他节点的弧连接，设置节点w的权值为零；
步骤S70302：从w的可选加工机器集中选择一台机器k(k∈Φw)，将w分配给机器k，并且选择合适的***位置，设置节点w的权值即在机器k上的加工时间为pkw；
步骤S70303：通过上面的操作可以得到工序w的所有邻域解集为Fw＝∪k∈Φw Fkw，从中随机选择一个邻域解作为变异解。
步骤S8、将父代与子代合并，使用的改进的精英保留策略通过非支配关系与拥挤度保留父代与子代合并种群中的前N个个体作为新一代种群，令t＝t+1，并更新独立于种群的外部档案集S；
本发明提出了一种基于外部档案集的改进精英保留策略，通过设计一种概率分布函数代替传统按非支配等级与拥挤度大小确定的保留策略，该概率分布函数根据种群进化状况为不同非支配等级的个体添加相应的保留概率。算法初期种群质量较差，优质个体应有较大的概率被保留，加快种群的进化；算法后期第1非支配等级个体大量增加，提高了其他非支配等级的个体被保留的概率，保证了种群多样性，避免陷入局部最优。同时，建立一个大小为N的外部档案集S，用于存放保留下来的非支配个体，并通过非支配关系对其进行更新。图6是改进的精英保留策略示意图，具体步骤如下：
步骤S801：将父代与子代合并成大小为2N的新种群，重新进行非支配等级与拥挤度计算
步骤S802：从非支配等级为1的个体开始，计算其保留概率，按对应非支配等级的保留概率判断是否保留该个体，当保留下来的个体数量达到N时停止操作；表达式如下：
Ng＝RgFg
其中，g为非支配等级(g≥1)，Ng为第g级非支配等级上保留的个体的集合，Fg为第g级非支配等级所有个体的集合，Rg为第g级非支配等级上个体被保留的概率，ng为第g级非支配等级上的个体数；t表示遗传代数，T表示遗传预设次数。
步骤S803：若遍历完所有非支配等级后保留的个体数量小于N，则对剩余个体继续进行上述操作，直至找出N个个体作为新一代种群；
步骤S804：将新一代种群中的个体并入外部档案集，并重新进行非支配排序与拥挤度计算，保留其中最优秀的前N个个体。
步骤S9、判断遗传代数t是否达到T，若不是，转到步骤S8，若是，输出外部档案集中的帕累托最优解集；
步骤S10、对帕累托最优解集进行非支配排序，采用线性加权法确定最满意解；
进一步的，上述步骤S10中采用的线性加权法确定最满意解的步骤如下：
步骤S1001：对外部档案集中每个目标函数的值进行无量纲化，公式如下：
式中，i＝1，2，…N，j＝1，2，……M，N和M分别为外部档案集中解的个数和目标函数的个数；和/>分别为外部档案集中第j个目标函数的最大值与最小值，fij和eij分别为无量纲化前后的目标函数值。
步骤S1002：对外部档案集中每个解进行综合评价，公式如下：
式中，wj为不同目标函数对应的权重值，根据实际生产要求本发明选取最大完工时间权重为w1＝0.4，生产成本权重为w2＝0.3，最大设备负荷权重为w3＝0.3；
步骤S1003：从外部档案集中选取综合评价值最大的解作为最终调度解。
步骤S11、根据最满意解解码获得调度结果，将结果用甘特图进行展示。
综上所述，本发明提出了一种基于自适应非支配排序遗传算法的多目标柔性作业车间调度方法，该方法采用了基于Tent混沌映射的两段式编码、动态自适应交叉和变异策略、改进的精英保留策略等技术，以最小化最大完工时间、生产成本和最大设备负荷为优化目标，能够有效地提高全局搜索能力和种群多样性，实现企业生产的全方位优化。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述的多目标柔性作业车间调度方法。如图7所示，为本发明实施例提供的多目标柔性作业车间调度方法所在任意具备数据处理能力的设备的一种硬件结构图，除了图7所示的处理器、内存以及网络接口之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的多目标柔性作业车间调度方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (10)
1.一种多目标柔性作业车间调度方法，其特征在于，所述方法具体包括以下步骤：
步骤S1，设定初始参数，所述初始参数包括种群规模N、迭代次数T、外部档案集S、初始交叉概率PC、变异概率PM；
步骤S2，构建多目标柔性作业车间调度模型，所述多目标柔性作业车间调度模型通过完工时间目标函数、生产成本目标函数、设备负荷目标函数以及约束条件进行描述；使用基于Tent混沌映射的两段式编码，生成规模为N的初始化种群；
步骤S3，基于工序***式的贪婪解码方法解码染色体，根据完工时间目标函数、生产成本目标函数、设备负荷目标函数计算适应度值；
步骤S4、使用快速非支配排序求解种群个体的非支配等级，并计算个体的拥挤度，之后通过选择、交叉和变异生成第一代种群，令遗传代数t＝1，并将第一代种群加入外部档案集S；
步骤S5、使用锦标赛选择算子选择适合繁衍的个体进入交叉池；
步骤S6、采用基于遗传参数的自适应交叉策略更新交叉概率，根据概率判断进行遗传交叉，其中工序段部分采用IPOX交叉，机器段部分采用MPX交叉；
步骤S7、采用基于近亲指数的自适应变异策略计算近亲指数，更新变异概率，根据概率判断进行遗传变异，工序段部分采用基于邻域的变异，机器段部分采用随机选择一个可选机器的方法变异，生成子代；
步骤S8、将父代与子代合并，使用精英保留策略通过非支配关系与拥挤度保留父代与子代合并种群中的前N个个体作为新一代种群，令遗传代数t＝t+1，并更新独立于种群的外部档案集S；
步骤S9、当遗传代数t达到预设次数T，输出外部档案集S中的帕累托最优解集；
步骤S10、对帕累托最优解集进行非支配排序，采用线性加权法确定最满意解；
步骤S11、根据最满意解解码获得调度结果。
2.根据权利要求1所述的多目标柔性作业车间调度方法，其特征在于，所述完工时间目标函数f1的表达式如下：
其中，其中为第i个工件的第j道工序在第k台设备上的完工时刻；
所述生产成本目标函数f2的表达式如下：
其中，n为工件数量，pi为第i个工件的工序数量，m为设备数量，xijk为第i个工件的第j道工序是否在第k台设备上加工的0-1变量，Cijk为其加工成本；
所述设备负荷目标函数f3为设备的运行时间，表达式如下：
其中，tijk为其加工时间；
所述约束条件包括：
每个工件有多道工序，每道工序可以在一台或多台设备上加工；
每个工件在同一时刻只能在一台设备上加工，每台设备在同一时刻只能加工一个工件；
每个工件的后道工序必须在前道工序完成后才能开始加工，并且不能早于所使用设备的最早可开工时刻。
3.根据权利要求1所述的多目标柔性作业车间调度方法，其特征在于，使用基于Tent混沌映射的两段式编码，生成规模为N的初始化种群包括：
随机生成第一初始混沌变量和第二初始混沌变量，所述第一初始混沌变量和第二初始混沌变量的取值范围为(0，1)；
基于Tent混沌映射对第一初始混沌变量和第二初始混沌变量进行迭代，得到第一组混沌变量序列和第二组混沌变量序列，每组混沌变量序列的长度等于工序的数量；表达式如下：
式中，s为个体序号，t为混沌变量序号；为混沌变量，R为工序总数，rand(0，1)为[0，1]之间的随机数；
如果迭代过程中出现的情况，则重新计算该值，直到满足条件；
将第一组混沌变量序列与原始工序序列一一对应，按照混沌变量的大小从大到小排序，并将对应的工序按照同样的顺序重新排列，得到工序码；
将第二组混沌变量序列与工序码一一对应，将第二组混沌变量序列中的每个混沌变量转换为一个整数值，这个整数值表示该第二组混沌变量序列所选择的设备编号，将这些整数值按照顺序组成一个新的序列，得到设备码；表达式如下：
式中，分别为/>对应工序所能使用设备中设备编号的最大值与最小值；
将生成的工序码和设备码构建为规模为N的初始化种群。
4.根据权利要求1所述的多目标柔性作业车间调度方法，其特征在于，所述步骤S4具体包括以下步骤：
步骤S401：从外部档案集S中第1个个体x1开始，将第1个个体x1与其后面的个体进行支配关系比较；将外部档案集S分成两部分，第一部分是x1支配的个体；第二部分是支配x1的个体，第二部分个体组成新的序列集S`；
步骤S402：在新的序列集S`中重复步骤S401中的操作，直到新的序列集S`中只剩下1个个体；
步骤S403：将外部档案集S中属于当前非支配解集的个体删除，重复上述操作，直到所有个体的非支配等级都分配完毕；
步骤S404：计算同一等级个体的拥挤距离，公式如下：
式中，D(i)为种群中个体i的拥挤距离，D(i,j)为个体i在第j个目标分量上的拥挤距离。把与个体i具有相同非支配等级的个体的目标分量按照从小到大的顺序排列，其中，和/>为目标分量j的最大值和最小值，fj (i+1)和fj (i-1)为个体i在目标分量上的相邻值；
步骤S405：根据非支配等级和拥挤距离对个体进行排序。个体的非支配等级越小，拥挤距离越大，则个体在种群中的位置越靠前，生成后代种群时优先选取位置靠前的个体。
5.根据权利要求1所述的多目标柔性作业车间调度方法，其特征在于，所述步骤S6具体包括：
从交叉池中随机选择两个个体；
计算动态交叉概率Pc，表达式如下：
式中，Pci是第i个目标函数计算出的交叉概率，fmaxi、favgi和fmini分别为当前种群中第i个目标函数适应度的最大值、平均值和最小值；favg是favgi平均值，fmin是fmini的平均值；fi′为两个待交叉个体中适应度的较大值，pc1，pc2，pc3分别是针对完工时间目标函数、生产成本目标函数、设备负荷目标函数的初始交叉概率；
生成随机数pC，如果pC<PC，将两个染色体交叉，将交叉得到的子代个体加入变异池。
6.根据权利要求1所述的多目标柔性作业车间调度方法，其特征在于，所述步骤S7具体包括：
依次遍历交叉池中的个体，对每一个个体计算其与父代种群的近亲指数E；遍历父代种群，计算个体x与每一个父代个体相同基因位的个数v，基因位长度为L，计算两个染色体的近亲指数e＝v/L，取个体跟所有父代的近亲指数平均值作为个体x与父代种群的近亲指数E；
计算动态变异概率Pm，表达式如下：
式中，Pmi是第i个目标函数计算出的变异概率，fmini，favgi和fmini分别为当前种群中第i个目标函数适应度的最大值、平均值和最小值；favg是favgi平均值，fmin是fmini的平均值，fi为待变异个体的适应度值；pm1，pm2，pm3分别是针对完工时间目标函数、生产成本目标函数、设备负荷目标函数的初始变异率；
生成随机数pm，如果pm<Pm，对个体进行染色体变异。
7.根据权利要求1所述的多目标柔性作业车间调度方法，其特征在于，所述步骤S8具体包括：
将父代与子代合并成大小为2N的新种群，重新进行非支配等级与拥挤度计算；
从非支配等级为1的个体开始，计算其保留概率，按对应非支配等级的保留概率判断是否保留该个体，当保留下来的个体数量达到N时停止操作；表达式如下：
Ng＝RgFg
式中，g为非支配等级，g≥1，Ng为第g级非支配等级上保留的个体的集合，Fg为第g级非支配等级所有个体的集合，Rg为第g级非支配等级上个体被保留的概率，ng为第g级非支配等级上的个体数，t表示遗传代数，T表示遗传预设次数；
若遍历完所有非支配等级后保留的个体数量小于N，则对剩余个体继续进行上述操作，直至找出N个个体作为新一代种群；
将新一代种群中的个体并入外部档案集S，并重新进行非支配排序与拥挤度计算，保留其中最优秀的前N个个体。
8.根据权利要求1所述的多目标柔性作业车间调度方法，其特征在于，所述步骤S10具体包括：
对外部档案集中每个目标函数的值进行无量纲化，公式如下：
式中，i＝1，2，…N，j＝1，2，……M，N和M分别为外部档案集中解的个数和目标函数的个数；和/>分别为外部档案集中第j个目标函数的最大值与最小值，fij和eij分别为无量纲化前后的目标函数值；
对外部档案集中每个解进行综合评价，公式如下：
式中，wj为不同目标函数对应的权重值；
从外部档案集中选取综合评价值最大的解作为最终调度解。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述权利要求1-8任一项所述的多目标柔性作业车间调度方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-8中任一所述的多目标柔性作业车间调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310971066.4A CN117075545A (zh) | 2023-08-03 | 2023-08-03 | 一种多目标柔性作业车间调度方法、电子设备、介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310971066.4A CN117075545A (zh) | 2023-08-03 | 2023-08-03 | 一种多目标柔性作业车间调度方法、电子设备、介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117075545A true CN117075545A (zh) | 2023-11-17 |
Family
ID=88701506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310971066.4A Pending CN117075545A (zh) | 2023-08-03 | 2023-08-03 | 一种多目标柔性作业车间调度方法、电子设备、介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117075545A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117555305A (zh) * | 2024-01-11 | 2024-02-13 | 吉林大学 | 一种基于nsgaii的多目标可变子批柔性车间作业调度方法 |
| CN117634749A (zh) * | 2024-01-25 | 2024-03-01 | 深圳市大数据研究院 | 柔性加工***的工件加工方法及相关设备 |
| CN117764150A (zh) * | 2023-12-26 | 2024-03-26 | 北京工业大学 | 一种适用于柔性作业车间动态调度的完全并行nsga-ii算法 |
-
2023
- 2023-08-03 CN CN202310971066.4A patent/CN117075545A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117764150A (zh) * | 2023-12-26 | 2024-03-26 | 北京工业大学 | 一种适用于柔性作业车间动态调度的完全并行nsga-ii算法 |
| CN117555305A (zh) * | 2024-01-11 | 2024-02-13 | 吉林大学 | 一种基于nsgaii的多目标可变子批柔性车间作业调度方法 |
| CN117555305B (zh) * | 2024-01-11 | 2024-03-29 | 吉林大学 | 一种基于nsgaii的多目标可变子批柔性车间作业调度方法 |
| CN117634749A (zh) * | 2024-01-25 | 2024-03-01 | 深圳市大数据研究院 | 柔性加工***的工件加工方法及相关设备 |
| CN117634749B (zh) * | 2024-01-25 | 2024-05-17 | 深圳市大数据研究院 | 柔性加工***的工件加工方法及相关设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117075545A (zh) | 一种多目标柔性作业车间调度方法、电子设备、介质 | |
| CN110796355B (zh) | 一种基于动态解码机制的柔性作业车间调度方法 | |
| Zolfaghari et al. | Comparative study of simulated annealing, genetic algorithms and tabu search for solving binary and comprehensive machine-grouping problems | |
| CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
| CN111325443B (zh) | 一种基于灾变机制的改进遗传算法求解柔性作业车间调度的方法 | |
| CN111382915B (zh) | 一种共融agv的柔性作业车间调度方法 | |
| CN110909787A (zh) | 基于聚类的进化算法进行多目标批调度优化的方法和*** | |
| CN113569483A (zh) | 基于人工蜂群算法求解多目标柔性作业车间调度的方法 | |
| CN112348323A (zh) | 一种多目标的能源供应与作业柔性排程方法 | |
| CN115796510A (zh) | 一种基于改进的变邻域遗传算法的多目标柔性作业车间调度方法 | |
| CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
| CN115249113A (zh) | 一种带准备时间分布式零等待流水车间调度方法与*** | |
| CN117314078B (zh) | 基于Petri网和神经网络的柔性制造***的无死锁调度方法 | |
| CN117148796A (zh) | 一种求解多目标柔性作业车间调度问题的优化方法 | |
| Chand et al. | A multi-objective vehicle routing problem using dominant rank method | |
| CN116985146A (zh) | 退役电子产品的机器人并行拆解规划方法 | |
| CN115421885B (zh) | 一种分布式多目标云任务的调度方法、装置及云服务*** | |
| 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 | |
| CN116341860A (zh) | 一种基于改进nsga-ⅱ算法的车辆调度优化方法 | |
| CN116432749A (zh) | 一种改进快速非支配排序遗传算法 | |
| CN115545406A (zh) | 异址机器的生产配送协同调度方法和*** | |
| 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 | |
| CN114237166A (zh) | 基于改进spea2算法求解多转速节能调度问题的方法 | |
| CN110400073B (zh) | 一种基于多方向收敛粒子群优化算法的fsp方法及*** | |
| CN117745390B (zh) | 多种群遗传算法的多目标模糊供应链配置优化方法和*** |
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 |