分布式异构流水车间的分布估计调度方法及系统技术方案

本发明专利技术公开了一种分布式异构流水车间的分布估计调度方法及系统，其中，方法包括以下步骤：对种群与概率模型进行初始化，并设置参数；采用PBIL方法对概率模型在进化的每一代中都进行更新；根据工厂内插入、工厂内交换、工厂间插入和工厂间交换等不同邻域结构的搜索操作产生新解以进行贪婪搜索；对概率模型采样，以重新生成满足预设条件的个体，确定分布估计调度方案。该方法简单高效，可以有效解决工厂分配和工件排序子问题，进而能够有效解决分布式异构流水车间调度问题。

Distributed estimation scheduling method and system for distributed heterogeneous flow shop

【技术实现步骤摘要】
分布式异构流水车间的分布估计调度方法及系统
本专利技术涉及分布式流水车间调度
，特别涉及一种分布式异构流水车间的分布估计调度方法及系统。
技术介绍
随着经济全球化的快速发展，制造业也在朝着生产全球化的方向前进。在此背景下，传统的单工厂生产模式已经不能完全满足现代化制造的要求，越来越多的跨国公司和大型企业纷纷转向多工厂生产模式，即在地理位置相隔较远的多个地点建立工厂或将生产任务外包给多个工厂进行加工，分布式由此制造应运而生。分布式制造能够提高人力，机器，原材料的利用率，以更低的成本生产高质量产品，与此同时，分布式制造还能够分散风险，提高生产柔性和灵活度，快速响应市场变化，从而提高自身的市场竞争力，实现低成本高效益。作为制造领域的一个不可或缺的环节，工件的排产调度一直是一个热点研究问题。工件的合理调度对于提高生产效率以及按时完成订单需求有着重要影响。在分布式制造环境下，工件的排产问题也相应地从单车间调度拓展为多车间调度，也即分布式车间调度。传统的单车间调度问题一般仅考虑工件的加工先后顺序，而分布式车间调度在决定工件加工顺序前，需要先将工件分配到对应的工厂。这意味着分布式车间调度相比传统单车间调度，在工件排序问题上多了工件分配这一维度的子问题。并且，工件分配和工件排序两个子问题相互耦合，每个子问题分别求取最优未必意味着耦合问题取得最优。因此，尽管单车间调度问题已经有了众多研究成果，但却无法直接运用于分布式车间调度问题上。此外，从数学角度上看，分布式车间调度问题属于NP难问题，且子问题的增加使得解空间增大，进而让问题更难求解。综上所述，分布式车间调度在求解难度上要远大于单车间调度，具有很强的研究价值。分布式流水车间调度问题是分布式车间调度问题的一个分支，近年来受到了广泛关注。尽管分布式流水车间调度问题取得了一定的研究成果，但目前大部分研究的焦点集中在分布式同构流水车间上。在分布式同构流水车间问题中，每个工厂是无差异的，不同工厂中对应的同编号机器是完全相同的，因此将相同工件序列分配到不同的工厂，最终得到调度指标也是相同的。然而，在实际生产环境中，由于设备老化和更新，不同工厂中的机器并非完全相同，每个工厂之间是有差异的，因此考虑分布式异构流水车间调度问题更具有现实意义。由于不同工厂的机器加工速度参差不齐，对于不同工厂中的相同工件序列，其调度指标一般是不同的。这也对工件分配子问题提出了更高的要求，如何将每个工件分配到合适的工厂，对于取得满意调度指标至关重要。目前在分布式流水车间调度领域，主要有三类算法：精确算法、启发式算法和元启发式算法。(1)精确算法主要是将问题建立成数学规划模型，并采用传统运筹学里的分支定界法等对问题求取最优解。精确算法能够很好地解决小规模问题，但在大规模问题上要耗费大量计算时间，在可接受的计算时间内往往只能得到一个上界或下界，很难在短时间内得到满意的解。(2)启发式算法是根据问题特征设计简单的规则，执行对应的规则即可得到近似解，且该近似解一般是确定性的，常见的车间调度启发式算法有NEH、VND等。启发式算法由于步骤简单，易于实现，耗时较短，能够在大小规模的问题上都得到近似解，但解的性能往往与最优解相差较大，尤其是在大规模问题上，因此具有很大的改进空间。(3)元启发式算法是在解的产生方式中加入一定的随机性，并对解进行迭代更新，在整个解空间中搜索最优解，搜索范围大且具有一定的搜索深度，往往能在一定时间内获得性能满意的解，常见的元启发式算法有遗传算法，模拟退火算法，禁忌搜索算法，贪婪迭代算法等。元启发式算法的移植性强，在小规模问题上能够找到最优解或接近最优解的次优解，在大规模问题上能在给定的运行时间内得到质量较好的解。但不同的元启发式算法在运用的过程中也存在不同的问题，如容易陷入局部极小，深度搜索或广度搜索不足，算法收敛缓慢或早熟收敛等。此外，针对特定的问题，如果仅仅使用某种元启发式算法的框架，由于缺少基于问题性质的搜索指导，其优化能力也是有限的。综上，对于分布式异构流水车间调度问题，目前几乎没有相应的高效算法，问题的解决亟待高效算法的设计和提出。
技术实现思路
本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种分布式异构流水车间的分布估计调度方法，该方法简单高效，可以有效解决工厂分配和工件排序子问题，进而能够有效解决分布式异构流水车间调度问题。本专利技术的另一个目的在于提出一种分布式异构流水车间的分布估计调度系统。为达到上述目的，本专利技术一方面实施例提出了一种分布式异构流水车间的分布估计调度方法，包括以下步骤：对种群与概率模型进行初始化，并设置参数；采用PBIL方法对所述概率模型在进化的每一代中都进行更新；根据工厂内插入、工厂内交换、工厂间插入和工厂间交换等不同邻域结构的搜索操作产生新解以进行贪婪搜索；对所述概率模型采样，以重新生成满足预设条件的个体，确定分布估计调度方案。本专利技术实施例的分布式异构流水车间的分布估计调度方法，针对问题性质建立了相应的概率模型来拟合解空间的分布，将精英个体的信息应用于概率模型的更新上，以往好的方向进行搜索；贪婪搜索过程中，多种操作协同使用，充分发挥有效操作的搜索能力，减少无效操作的使用次数；抛弃质量差且潜力差的解并通过采样重新生成，提高效率，简单高效，从而有效解决工厂分配和工件排序子问题，进而能够有效解决分布式异构流水车间调度问题。另外，根据本专利技术上述实施例的分布式异构流水车间的分布估计调度方法还可以具有以下附加的技术特征：进一步地，在本专利技术的一个实施例中，所述概率模型表示为：其中，pi,j(g)表示在第g代中工件i被排在序列的第j个位置的概率。进一步地，在本专利技术的一个实施例中，所述概率模型的更新公式为：其中，为第k个个体的示性函数，α为学习速率，EN为精英个体，EN＝PS×β，PS为种群规模，β为精英解比例。进一步地，在本专利技术的一个实施例中，所述根据工厂内插入、工厂内交换、工厂间插入和工厂间交换等不同邻域结构的搜索操作产生新解以进行贪婪搜索，包括：步骤S1：p＝1；步骤S2：令Θ＝{SI,II,SB,IB}，Cp＝0；步骤S3：从Θ中随机选择一种操作OP，对种群中第p个个体Xp执行OP直到新解不再替换旧解为止；步骤S4：记录OP在Xp上执行的次数COP，将OP从Θ中删除，Cp＝Cp+COP；步骤S5：如果Θ为空，则进入步骤S6，否则回到步骤S3；步骤S6：如果p小于PS，则令p＝p+1，并回到步骤S2，否则停止贪婪搜索。进一步地，在本专利技术的一个实施例中，在所述对所述概率模型采样之后，还包括：判断是否满足终止条件；若满足所述终止条件，则输出所述分布估计调度方案，否则继续更新概率模型、贪婪搜索和采样。进一步地，在本专利技术的一个实施例中，对所述概率模型采样，然后输出所述分布估计调度方案，具体包括：步骤1：将所有个体按照总拖期大小升序排列，将排在后面的PS×β个个体放入集合D中；步骤2：将所有个体按照Cp指标大小降序排本文档来自技高网...

【技术保护点】
1.一种分布式异构流水车间的分布估计调度方法，其特征在于，包括以下步骤：/n对种群与概率模型进行初始化，并设置参数；/n采用PBIL方法对所述概率模型在进化的每一代中都进行更新；/n根据不同邻域结构的搜索操作产生新解以进行贪婪搜索，其中，所述不同邻域结构的搜索操作包括工厂内插入操作、工厂内交换操作、工厂间插入操作和工厂间交换操作；以及/n对所述概率模型采样，以重新生成满足预设条件的个体，确定分布估计调度方案。/n

【技术特征摘要】
1.一种分布式异构流水车间的分布估计调度方法，其特征在于，包括以下步骤：
对种群与概率模型进行初始化，并设置参数；
采用PBIL方法对所述概率模型在进化的每一代中都进行更新；
根据不同邻域结构的搜索操作产生新解以进行贪婪搜索，其中，所述不同邻域结构的搜索操作包括工厂内插入操作、工厂内交换操作、工厂间插入操作和工厂间交换操作；以及
对所述概率模型采样，以重新生成满足预设条件的个体，确定分布估计调度方案。


2.根据权利要求1所述的方法，其特征在于，所述概率模型表示为：



其中，pi,j(g)表示在第g代中工件i被排在序列的第j个位置的概率；
所述概率模型的更新公式为：



其中，为第k个个体的示性函数，α为学习速率，EN为精英个体，EN＝PS×β，PS为种群规模，β为精英解比例。


3.根据权利要求1所述的方法，其特征在于，所述根据不同邻域结构的搜索操作产生新解以进行贪婪搜索，包括：
步骤S1：p＝1；
步骤S2：令Θ＝{SI,II,SB,IB}，Cp＝0；
步骤S3：从Θ中随机选择一种操作OP，对种群中第p个个体Xp执行OP直到新解不再替换旧解为止；
步骤S4：记录OP在Xp上执行的次数COP，将OP从Θ中删除，Cp＝Cp+COP；
步骤S5：如果Θ为空，则进入步骤S6，否则回到步骤S3；
步骤S6：如果p小于PS，则令p＝p+1，并回到步骤S2，否则停止贪婪搜索。


4.根据权利要求1-3任一项所述的方法，其特征在于，在所述对所述概率模型采样之后，还包括：
判断是否满足终止条件；
若满足所述终止条件，则输出所述分布估计调度方案，否则继续更新概率模型、贪婪搜索和采样。


5.根据权利要求4所述的方法，其特征在于，对所述概率模型采样，然后输出所述分布估计调度方案，具体包括：
步骤1：将所有个体按照总拖期大小升序排列，将排在后面的PS×β个个体放入集合D中；
步骤2：将所有个体按照Cp指标大小降序排列，将排在后面的PS×β个个体放入集合D中，如果该个体已经在集合D中，则不重复放入，设集合D中的个体数量为|D|，令p＝1；
步骤3：对D中第p个体执行如下操作：
步骤3.1：i＝n+1；
步骤3.2：随机产生一个小数rn，找到使rn落在区间的h，其中，h的取值范围为{1,2,3,…,n+f-1}，pi,0＝0，将工件i安排在加工序列的第h个位置上；
步骤3.3：将概率矩阵的第h列清零，按照如下公式重新对第i行的每个元素赋值；



步骤3.4：i＝i+1，如果i＝n+f，则令i＝1；
步骤3.5：如果i＝n+1，则转至步骤4，否则，转至步骤3.2；步骤4：p＝p+1，如果p>|D|，则输出所述分布估计调度方案，否则，转至步骤3。

...

【专利技术属性】
技术研发人员：王凌，陈靖方，王兴，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11