一种柔性作业车间插单动态调度优化方法技术

一种柔性作业车间插单动态调度优化方法，即一种针对车间批量动态调度中插单造成拖延期问题提出的一种解决方法。该方法在构建任务序列的优化和分单批次分配的数学模型的基础上，通过研究分批选择的策略，采用算例仿真方式获得合理子批数量，同时根据对典型算例的仿真计算，给出分批数量的推荐值，其次基于工序、机器、分单数量的三层基因染色体，以最小的最大完工时间和拖延期为优化目标；最后采用粒子群算法与遗传算法的混合算法，以提高子批数量向最优方向的进化速度，有效减少拖期量。该方法在车间动态调度中降低拖延期方面表现良好，并且对于传统遗传算法，在收敛速度与稳定性方面有显著提高，同时充分结合了智能车间实际的生产状况，对于动态调度的解决有极大的促进作用，在工程中具有极大的应用价值。

A dynamic scheduling optimization method for flexible job shop

A flexible job shop scheduling dynamic scheduling optimization method is proposed, which is a solution for delay scheduling problem in job shop batch dynamic scheduling. This method is based on Optimization of construction sequence tasks and single batch allocation mathematical model, through the study of batch selection strategy, using numerical simulation method to obtain a reasonable number of sub, and according to the simulation of a typical example calculation, given the number of batches recommended value, followed by three layer process, machine, gene based on the number of single points, with the maximum completion time and delay minimum as the optimization goal; finally using hybrid particle swarm algorithm and genetic algorithm, in order to increase the number of sub evolution speed to the optimal direction, effectively reduce the amount of delay. This method reduces the delay period of good performance in dynamic scheduling, and the traditional genetic algorithm, significantly improving the convergence speed and stability, and combining with the production status of intelligent workshop practice, it is beneficial for solving dynamic scheduling, has great application value in engineering.

【技术实现步骤摘要】
一种柔性作业车间插单动态调度优化方法
本专利技术涉及柔性作业车间排程调度的多目标优化
，特别是基于遗传算法的柔性车间的批量动态调度优化方法。
技术介绍
柔性作业车间动态调度问题一直是制造系统中被认为最困难的调度问题之一，不仅由于其多工艺路线、多资源等因素导致其具有极高的计算复杂度，同时由于在车间中存在很多不可预料的突发事件，如急件插单、机床故障等，导致在生产实际应用过程中存在很多局限，因此众多国内外学者一直专注于动态调度的研究，如文献[A,KaraslanFS.SolvingcomprehensivedynamicjobshopschedulingproblembyusingaGRASP-basedapproach[J].InternationalJournalofProductionResearch,2017,55(11):3308-3325.]通过GRASP的方法采用事件驱动方式实现对交付期和排程序列的优化。随着企业智能化的高速发展，不仅要提高生产效率，而且要充分满足客户交付期需求，尤其是目前的产品都以多品种、小批量、制造周期短、质量要求高为特点，因此对调度提出了更高的要求，分批调度则是最优生产技术中最优的方法之一，分批调度可以在工序之间产生重叠部分，从而减少工序的加工时间，降低生产成本。在分批问题上，国内外学者做了大量研究，文献【陆汉东,何卫平,周旭,等.基于禁忌搜索的柔性作业车间分批调度[J].上海交通大学学报,2012,46(12):2003-2008.】提出了一种基于禁忌搜索算法的柔性分批调度算法.利用禁忌搜索算法优化批次加工路线和子批加工顺序，并利用批量变化局部搜索进行批量分割优化。尽管学者对于柔性车间批量调度问题进行了大量研究，但是对于实际插单调度中拖延期增加的问题没有一个合理的解决方案，采用分批选择策略，设计以工序、机器、分单数量的三层基因染色体，结合粒子群算法更新遗传算法的每代种群个体，实现了对分批订单的数量分配以及调度任务的序列优化，同时最大程度地减少了拖延期，提高了生产效率。
技术实现思路
本专利技术的目的是提供一种通过采用混合遗传算法有效减少拖延期的柔性车间插单的动态调度优化方法。本专利技术利用车间调度的数学模型，解决以最大加工时间最小(即最小的最大完工时间)以及拖延期最小为双目标的车间任务序列优化问题，将遗传算法与粒子群算法有效结合，改进子批数量的个种群更新方式，为分单数量分配合理的数量，有效减少拖延期。本专利技术的目的是通过以下技术方案来实现的，首先建立柔性作业车间多目标批量调度的数学模型，包括2个步骤：第一、确定柔性作业车间调度问题描述和相关假设；通过对柔性车间动态调度问题的研究，假设m台不同的机床集合{M1,M2,…,Mm}和n批待加工(含插单)的工件集合{J1',J'2,…,J'n}，每批工件有不同的数量大小，并且包含多个工序，同时，每道工序都有可供选择的加工机床，且各工序加工时间随着机床不同而变化，为了减少拖延期，将某批次Je工件的工序分为z子批次，各个子批次在执行其每个工序时都视为不可分割的整体；根据现场实际情况，提出以下假设：1)资源约束：每个资源同时只能服务一批工件。2)顺序约束：每批工件只能由一台机器处理。3)不同批次工件的加工顺序无限制。第二、构建多目标批量调度的数学模型；在以上假设条件下，并且根据生产要求，以最大完工时间最小和拖延期最短为优化目标，将子批订单和未分批的订单组合成新任务集合{J1,J2,…,Jn'}，在m台设备上进行合理安排其目标函数为minf＝xf1+(1-x)f2(1)f1＝maxTi(2)约束方程如公式(4)-(8)当Xijk＝Xi(j-1)k'＝1,k＝k'(4)当Xijk＝Xi(j-1)k'＝1,k≠k'(5)当Xqgk＝Xijk＝1,Rijqgk＝1(6)当Xijk＝1(7)其中：i的集合为i∈(1,n')，q的集合为q∈(1,n')，n'为工件分批后的总批次，且n'＝n+z-1，j∈(1,li)，g∈(1,lq)，li、lq分别为第i、q批工件的工序数；k,k'∈(1,m)，m为机床数量；Ji、Jq分别为第i、q批工件，n为工件分批前的总批次；；分别为第i批工件Ji、第q批工件Jq的第j、g道工序在设备k的上的单件加工时间；分别为Ji、Jq工件第j、g道工序在设备k的上的批量开始时间；Qi、Qq为第i、q批工件的件数；Ti为工件最后一道加工工序的完工时间；Ci为工件Ji加工工序的完工时间；Di为工件Ji最后一道加工工序的完工时间；Li为工件Ji的单位拖期；ωi为Li的惩罚系数或称惩罚因子；f1为所有批次的完工时间，f2为所有批次的总拖期时间；Sijk、Eijk分别表示工件Ji的工序在设备k上的开始时间和完成时间；Ei(j-1)k'表示工件Ji的前一道工序在k'的完成时间；Eqgk表示工件Jq的工序在设备k上的完成时间；x为优化目标函数权重；两个决策变量为：同理Xqgk为决策变量，即当Jq的工序g在设备k上加工时为1，否则为0；Xi(j-1)k'为决策变量，即当Ji的前一道工序在设备k'上加工时为1，否则为0。式(3)、(4)表示任意加工批次必须在上一道工序完工后才能开始下一道工序；式(5)表示同一台设备不能同时加工两道工序；式(6)表示任意工序的完工时间与开始时间的差值不能小于其加工所需的时间；式(7)表示任意工序唯一由一台设备独立完成。其次通过实验方式得到分批选择策略和数量，其特征包括以下2个步骤：第三、设计实验，获取分批选择策略本专利技术在三个合理的选择中选择最适合的选择策略，三个策略分别为：(a)选择单件加工时间最长的订单；(b)选择工件数量最多的订单；(c)选择加工时间最长的订单。通过实验仿真得出第三种方案最优。因此根据此策略，通过程序化方式实现自动选择，思路如下：首先选择批次工序加工时间最长的批次，如果存在相同的批次，则计算相同批次的所有工序加工时间，取加工时间长的批次，如果仍存在相同批次，则产生0-1的随机数，小于0.5选择前者，大于0.5选择后者。第四、通过对仿真计算获得分批的数量本专利技术针对多个典型实例，分别设置u+2、u+1、u三种不同的预设批数量，其中u为所有工序中能够同时选择机床的最大数，通过反复试验运算得到最优的分批数量应该小于等于u，且允许某一批数量为零，因为预设批次大于u时，最终获得的实际批次几乎没有影响，而设置为小于等于u时，效果明显。最后，设置混合算法的初始化参数，产生离散组合问题的初始解种群，采用遗传算法进行优化求解，求解过程中，种群的更新方法采用粒子群算法更新原则，包括以下2个步骤：第五、设置初始化参数，如种群数量、遗传代数、交叉率、变异率和学习因子等参数，并以工序编码为基础，设计三层染色体，初始化种群；初始参数按照经验选择，而本专利技术设计的三层染色体则包含工序、机器、子批数量三层，同时保证子批数量总和为一定值。此处以3批工件3道工序3台机床的调度问题为例说明设计思路，首先假设要分单的工件是第3批工件，第3批工件的总数量为W,则分单的数量最大时等于同时选择的最大机床数量3，以保证分单后存在最佳情况，即各子批订单在不同机床上同时开工。三层基因染色体具体的对应关系如下，例如第一个数字2表示第2批工件的本文档来自技高网...

【技术保护点】
一种柔性作业车间插单动态调度优化方法，其特征在于，建立柔性作业车间调度问题数学模型，采用实验仿真方式获得合理分批选择策略，同时根据对典型算例的仿真计算，给出分批数量的推荐值，其次基于工序、机器、分批后各子批的分单数量的三层基因染色体，采用粒子群算法与遗传算法结合的混合算法，形成改进的优化技术，进行问题优化求解；具体步骤如下：首先建立柔性作业车间多目标批量调度的数学模型，包括2个步骤：第一、确定柔性作业车间调度问题描述和相关假设；通过对柔性车间动态调度问题的研究，假设m台不同的机床集合{M1,M2,…,Mm}和n批待加工(含插单)工件集合{J1',J'2,…,J'n}，每批工件有不同的数量大小，并且包含多个工序，同时，每道工序都有可供选择的加工机床，且各工序加工时间随着机床不同而变化，为了减少拖延期，将某批次Je工件的工序分为z子批次，各个子批次在执行其每个工序时都视为不可分割的整体；根据现场实际情况，提出以下假设：1)资源约束：每个资源同时只能服务一批工件；2)顺序约束：每批工件只能由一台机器处理；3)不同批次工件的加工顺序无限制；第二、构建多目标批量调度的数学模型；在以上假设条件下，并且根据生产要求，以最大完工时间最小和拖延期最短为优化目标，将子批订单和未分批的订单组合成新任务集合{J1,J2,…,Jn'}，在m台设备上进行合理安排；其目标函数f为minf＝xf1+(1‑x)f2  (1)f1＝max Ti  (2)...

【技术特征摘要】
1.一种柔性作业车间插单动态调度优化方法，其特征在于，建立柔性作业车间调度问题数学模型，采用实验仿真方式获得合理分批选择策略，同时根据对典型算例的仿真计算，给出分批数量的推荐值，其次基于工序、机器、分批后各子批的分单数量的三层基因染色体，采用粒子群算法与遗传算法结合的混合算法，形成改进的优化技术，进行问题优化求解；具体步骤如下：首先建立柔性作业车间多目标批量调度的数学模型，包括2个步骤：第一、确定柔性作业车间调度问题描述和相关假设；通过对柔性车间动态调度问题的研究，假设m台不同的机床集合{M1,M2,…,Mm}和n批待加工(含插单)工件集合{J1',J'2,…,J'n}，每批工件有不同的数量大小，并且包含多个工序，同时，每道工序都有可供选择的加工机床，且各工序加工时间随着机床不同而变化，为了减少拖延期，将某批次Je工件的工序分为z子批次，各个子批次在执行其每个工序时都视为不可分割的整体；根据现场实际情况，提出以下假设：1)资源约束：每个资源同时只能服务一批工件；2)顺序约束：每批工件只能由一台机器处理；3)不同批次工件的加工顺序无限制；第二、构建多目标批量调度的数学模型；在以上假设条件下，并且根据生产要求，以最大完工时间最小和拖延期最短为优化目标，将子批订单和未分批的订单组合成新任务集合{J1,J2,…,Jn'}，在m台设备上进行合理安排；其目标函数f为minf＝xf1+(1-x)f2(1)f1＝maxTi(2)约束方程如公式(4)-(8)当Xijk＝Xi(j-1)m＝1,k＝m(4)当Xijk＝Xi(j-1)m＝1,k≠m(5)当Xqgk＝Xijk＝1,Rijqgk＝1(6)当Xijk＝1(7)其中：：i的集合为i∈(1,n')，q的集合为q∈(1,n')，n'为工件分批后的总批次，且n'＝n+z-1，j∈(1,li)，g∈(1,lq)，li、lq分别为第i、q批工件的工序数；k,k'∈(1,m)，m为机床数量；Ji、Jq分别为第i、q批工件，n为工件分批前的总批次；分别为第i批工件Ji、第q批工件Jq的第j、g道工序在设备k的上的单件加工时间；分别为Ji、Jq工件第j、g道工序在设备k的上的批量开始时间；Qi、Qq分别为第i、q批工件的件数；Ti为工件Ji最后一道加工工序的完工时间；Ci为工件Ji加工工序的完工时间；Di为工件Ji最后一道加工工序的完工时间；Li为工件Ji的单位拖期；ωi为Li的惩罚系数或称惩罚因子；f1为所有批次的完工时间，f2为所有批次的总拖期时间；Sijk、Eijk分别表示工件Ji的工序在设备k上的开始时间和完成时间；Ei(j-1)m表示工件Ji的前一道工序的完成时间；Eqgk表示工件Jq的工序在设备k上的完成时间；x为优化目标函数权重；两个决策变量为：同理Xqgk为决策变量，即当Jq的工序g在设备k上加工时为1，否则为0；Xi(j-1)k'为决策变量，即当Ji的前一道工序在设备k'上加工时为1，否则为0。式(3)、(4)表示任意加工批次必须在上一道工序完工后才能开始下一道工序；式(5)表示同一台设备不能同时加工两道工序；式(6)表示任意工序的完工时间与开始时间的差值不能小于其加工所需的时间；式(7)表示任意工序唯一由一台设备独立完成；其次通过实验方式得到分批选择策略和数量，包括以下2个步骤：第三、设计实验，获取分批选择策略在三个合理的选择中选择最适合的选择策略，三个策略分别为：(a)选择单件加工时间最长的订单；(b)选择工件数量最多的订单；(c)选择加工时间最长的订单；通过实验仿真得出第三种方案最优；第四、通过实验仿真方法即通过最优分单策略获得分批的数量分别设置u+2、u+1、u三种不同的预设批数量，其中u为所有工序中能...

【专利技术属性】
技术研发人员：张剑，王若鑫，沈梦超，凃天慧，尹慢，邹益胜，付建林，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51