一种基于聚类小生境遗传算法的车间生产作业排程方法技术

本发明专利技术公开了一种基于聚类小生境遗传算法的生产作业排程方法，包括下述步骤：S1.建立多目标函数，提出多约束条件，建立生产作业排程优化数学模型；S2.基于粒子群权值优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；S3.根据K‑means均值聚类算法把种群分为K个聚类并确定聚类中心；S4.选择、自适应交叉、自适应变异和小生境淘汰操作；S5.判断是否满足终止条件得到最终生产排产方案。本发明专利技术针对排程中现存的多目标求解难和易陷入局部最优解等问题，对基于聚类小生境遗传算法的排程方法中的多目标函数确定权值、小生境半径和交叉和变异算子这三个过程进行改进，并且有效显著提高提高生产排程能力，而且还有效的节约了生产成本。

A workshop scheduling method based on clustering niche genetic algorithm

【技术实现步骤摘要】
一种基于聚类小生境遗传算法的车间生产作业排程方法
本专利技术涉及车间生产作业排程
，具体涉及一种基于聚类小生境遗传算法的车间生产作业排程方法。
技术介绍
随着“德国工业4.0”，“美国工业互联网”以及“中国制造2025”战略目标的相继提出，推动着传统制造向智能制造的转变。如何在保证加工时间要求和产品质量的前提下，降低成本和提高产品质量近来成为研究热点。应用智能优化技术研究更有效、更科学和更便捷的作业排程方法是改变当前作业排程优化问题。近年来，随着客户对产品个性化和多样化的需求日益增长，产品更新换代的步伐也越来越快。传统的单一品种或少品种大批量生产组织模式已经不再适应这复杂多变的竞争环境，取而代之的是多品种、小批量生产方式，越来越多的研究人员将智能优化方法应用于车间生产作业排程优化领域。传统的生产排程优化算法大多为禁忌搜索方法、神经网络、模拟退火、遗传算法、蚁群算法等，这些方法能够解决车间生产作业排程优化模型较为简单的问题，但是在车间生产作业排程优化模型中约束条件越来越复杂情况下，难以得到最佳生产排产方案，且收敛速度较慢、易陷入局部最优，具有局限性，不适合处理复杂的车间生产作业排程优化模型。智能优化算法以其通用性强广泛应用于生产调度和模式识别等领域。目前已有学者将智能优化算法应用于车间生产作业排程优化计算，有效的解决了传统计算车间生产作业排程优化存在的问题。文章[黄泽峰.面向制造车间的生产优化调度与执行技术研究及应用[D].2016.]实现车间生产作业排程的优化，建立了考虑时间最少、生产数量最多和设备利用率最高的优化模型，构建了一种融合蛙跳算法及遗传算法的改进型粒子群算法；对生产排程数学模型进行多目标优化求解；该算法具有较好的寻优性能；能帮助计划调度人员快速制定出最佳的生产作业计划,提高生产效率。文章[屈新怀等.基于最小成本的产品生产作业排程研究[J].机械设计与制造.]结合企业的生产能力、订单状况、库存状况等因素综合考虑,建立一个模糊线性规划数学模型,用于指导企业生产计划排程,使企业生产按照成本最小的方式进行排程。文章[黄健等.考虑生产线平衡的多目标混流装配线排程问题研究[J].组合机床与自动化加工技术,2014(8):156-160.]建立以产品变化率、超载时间和总切换时间最小化为优化目标的数学模型，采用遗传算法求解混流装配线的排序问题得到一组满意解。随着工厂的需求逐渐增加，传统智能优化算法法出现了新的问题：不仅需要考虑生产成本的问题，也要同时考虑设备消耗成本和加工时间的问题，因此，如何求得多目标函数的最佳生产排产方案并满足复杂的约束条件成为新的问题焦点。
技术实现思路
为了解决现有技术问题，本专利技术提供一种基于聚类小生境遗传算法的车间生产作业排程方法，首先建立以生产成本、加工时间和设备消耗成本的目标函数，提出了生产工艺顺序、订单数量、设备有效时间等约束条件的多目标优化模型。其次，采用粒子群权值算法将多目标优化问题转化为单目标优化问题。最后，根据工厂生产的实际执行因素，将基于改进的K-means聚类算法优化自适应小生境遗传算法与实际工厂生产过程相结合，合理地生成生产排产方案，达到车间生产排程能力提高，而且还有效的节约了生产成本的效果。为解决上述技术问题，本专利技术所采取的技术方案是：一种基于聚类小生境遗传算法的车间生产作业排程方法，包括下述步骤：S1：建立生产成本、加工时间和设备消耗成本的多目标函数，提出了生产过程中的生产工艺顺序、订单数量、设备有效时间多约束条件，建立车间生产作业排程优化数学模型；S2：针对多目标的特点提出一种基于粒子群权值优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；S3：初始化种群，随机生成M个个体，并计算各个个体的适应度值，对每个个体的适应度进行计算按降序排列，并记忆前N个个体；S4：根据基于密度值改进的K-means均值聚类算法把种群分为K个聚类并确定聚类中心；S5：进行选择操作，采用最优保存策略，个体依适应度值高低进行排序，选取适应度值高的一半个体作为父代，在每个聚类中随机选取个体进行自适应交叉和变异，产生新个体然后进入下一代种群；S6：小生境淘汰操作，将S3得到的M个个体记忆的N个个体合并起来，得到了一个含有M+N个个体的新群体，在每一个聚类中计算每两个个体Ai和Aj的适应度大小，并对其中适应度较低的个体加罚函数；S7：计算新的适应度并记忆前N个个体；S8：若满足终止条件，则输出算法结果，算法完成，若不满足终止条件，则将种群及种群代数计数器更新。进一步的，所述步骤S1中，建立车间生产作业排程优化数学模型为：目标函数为生产成本，公式如下：其中，F表示生产各产品原料费的成本，m表示有m种产品，n表示生产排产方式有n种，cj表示第j种产品的原料费(元/kg)，每个产品都可以采用不同的生产方式来生产，xi表示第i种生产排产方式生产产品的数量，其中x1-x6为生产产品Ⅰ的数量，x7-x8为生产产品Ⅱ的数量，x9为生产产品Ⅲ的数量，x1代表采用（A1,B1）生产产品Ⅰ的数量，x2代表采用（A1,B2）生产产品Ⅰ的数量，同理可得其他xi代表的含义，以本申请中试验所用到的数据为例。目标函数为生产产品的加工时间，公式如下：其中，T表示生产产品的加工时间，n表示生产排产方式有n种，L表示生产产品工序L种，xi表示第i种生产排产方式生产产品的数量，其中x1-x6为生产产品Ⅰ的数量，x7-x8为生产产品Ⅱ的数量，x9为生产产品Ⅲ的数量，x1代表采用（A1,B1）生产产品Ⅰ的数量，x2代表采用（A1,B2）生产产品Ⅰ的数量，同理可得其他xi代表的含义。tl表示第l种生产工序所需时间。目标函数为设备消耗成本，公式如下：其中，P表示生产产品的设备消耗成本，n表示生产排产方式有n种，S表示生产产品需要的设备数量，xi表示第i种生产排产方式生产产品的数量，其中x1-x6为生产产品Ⅰ的数量，x7-x8为生产产品Ⅱ的数量，x9为生产产品Ⅲ的数量，x1代表采用（A1,B1）生产产品Ⅰ的数量，x2代表采用（A1,B2）生产产品Ⅰ的数量，同理可得其他xi代表的含义。ps表示第s种设备消耗的成本。约束条件为订单数量，公式如下：其中，xi表示第i种生产排产方式生产产品的数量，其中x1-x6为生产产品Ⅰ的数量，x7-x8为生产产品Ⅱ的数量，x9为生产产品Ⅲ的数量，x1代表采用（A1,B1）生产产品Ⅰ的数量，x2代表采用（A1,B2）生产产品Ⅰ的数量，同理可得其他xi代表的含义，以本申请中试验所用到的数据为例。n表示生产排产方式有n种，D是生产产品的总数量。约束条件为非负要求，公式如下：其中，xi表示第i种生产排产方式生产产品的数量，其中x1-x6为生产产品Ⅰ的数量，x7-x8为生产产品Ⅱ的数量，x9为生产产品Ⅲ的数量，x1代表采用（A1,B1）生产产品Ⅰ的数量，x2代表采用（A1,B2）生产产品Ⅰ的数量，同理可得其本文档来自技高网...

【技术保护点】
1.一种基于聚类小生境遗传算法的车间生产作业排程方法，其特征在于，包括下述步骤：/nS1：建立生产成本、加工时间和设备消耗成本的多目标函数，提出生产过程中的生产工艺顺序、订单数量、设备有效时间多约束条件，建立车间生产作业排程优化数学模型；/nS2：针对多目标的特点提出一种基于粒子群权值优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；/nS3：初始化种群，随机生成M个个体，并计算每个个体的适应度值，对每个个体的适应度进行计算按降序排列，并记忆前N个个体；/nS4：根据基于密度值改进的K-means均值聚类算法把种群分为K个聚类并确定聚类中心，进而确定小生境遗传算法的参数小生境半径；/nS5：进行选择操作，在每个聚类中随机选取个体进行自适应交叉和变异；/nS6：小生境淘汰操作，将S3得到的M个个体记忆的N个个体合并起来，得到了一个含有M+ N个个体的新群体，确定新群体中的个体属于哪个聚类，在每一个聚类中计算每两个个体A

【技术特征摘要】
1.一种基于聚类小生境遗传算法的车间生产作业排程方法，其特征在于，包括下述步骤：
S1：建立生产成本、加工时间和设备消耗成本的多目标函数，提出生产过程中的生产工艺顺序、订单数量、设备有效时间多约束条件，建立车间生产作业排程优化数学模型；
S2：针对多目标的特点提出一种基于粒子群权值优化方法对多目标函数进行加权处理，将多目标模型转化为单目标函数的问题；
S3：初始化种群，随机生成M个个体，并计算每个个体的适应度值，对每个个体的适应度进行计算按降序排列，并记忆前N个个体；
S4：根据基于密度值改进的K-means均值聚类算法把种群分为K个聚类并确定聚类中心，进而确定小生境遗传算法的参数小生境半径；
S5：进行选择操作，在每个聚类中随机选取个体进行自适应交叉和变异；
S6：小生境淘汰操作，将S3得到的M个个体记忆的N个个体合并起来，得到了一个含有M+N个个体的新群体，确定新群体中的个体属于哪个聚类，在每一个聚类中计算每两个个体Ai和Aj的适应度大小，并对其中适应度较低的个体加罚函数；
S7：计算新的适应度并记忆前N个个体；
S8：若满足终止条件，则输出算法结果，算法完成，若不满足终止条件，则将种群及种群代数计数器更新。


2.根据权利要求1所述的一种基于聚类小生境遗传算法的车间生产作业排程方法，其特征在于：所述步骤S2中，采用基于粒子群权值优化方法决定生产作业排程优化中多目标函数权值的计算，步骤如下：
1-1）已知有3个目标函数，利用粒子群算法分别求出各子目标函数最小值的最优解，记做Xi，i=...

【专利技术属性】
技术研发人员：季海鹏，刘晶，孙敬哲，袁夕霞，徐培，
申请(专利权)人：天津开发区精诺瀚海数据科技有限公司，
类型：发明
国别省市：天津;12