一种基于历史信息指导的多目标工件批调度方法及装置制造方法及图纸

本发明专利技术实施例提供了一种基于历史信息指导的多目标工件批调度方法及装置，方法包括：1)、在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体；2)、以最小化早到延迟惩罚为目标对各个当前种群中的各个个体对应的调度方案进行优化，得到优化后的当前种群；3)、运用基于分解的思想淘汰掉其中第一预设数量个个体，更新各个子种群的历史信息矩阵；获取新个体的生成参数，并根据新个体的生成参数生成第二预设数量个补充个体；4)、将精英个体与补充个体的组合作为当前种群，获取当前种群中的帕累托非支配个体，并将前种群中的帕累托非支配个体加入到非支配解集中，更新非支配解集；返回执行步骤2)，直至达到最大迭代次数，并将最后一次迭代后得到的更新后的非支配集中的调度方案作为目标调度方案。本发明专利技术实施例可以使订单的实际完成时间更加接近于合同上的订单交付时间。

A multi-objective job batch scheduling method and device based on historical information guidance

【技术实现步骤摘要】
一种基于历史信息指导的多目标工件批调度方法及装置
本专利技术涉及工件批调度领域，具体涉及一种基于历史信息指导的多目标工件批调度方法及装置。
技术介绍
批处理机调度作为经典调度的一个分支广泛存在于众多工业制造系统如，铸造业、家具制造业、金属加工业、航空制造业，制药工业，以及物流运输业之中。平行机调度是批处理机调度中的典型模型。在平行机调度过程中，总完工时间(makespan)以及能耗(TEC)作为批处理机调度性能的重要衡量指标被广泛应用，因此极小化总完工时间和能耗被选定为所研究调度问题的其中两个优化目标。与此同时，总完工时间这个性能指标的缺点也非常明显，它并不能在准时调度的角度反映调度策略的优劣。随着企业与生产商对于时间准时性和准时调度的需求日益增加，基于交付时间的性能衡量指标也变得越来越重要，例如，客户满意度、商品库存等。如果，订单在交付时间之前完成，则可以避免订单延迟所带来的惩罚，如客户满意度的下降；但是与此同时商品的库存成本也会随之增加。由此可见，使订单在合同上的交付日期准时加工完成并交付是最理想的。因此，如何使订单的实际完成时间更加接近于合同上的订单交付时间是亟待解决的技术问题。
技术实现思路
本专利技术所要解决的技术问题在于如何提供一种基于历史信息指导的多目标工件批调度方法及装置以使订单的实际完成时间更加接近于合同上的订单交付时间。本专利技术通过以下技术手段实现解决上述技术问题的：本专利技术实施例提供了一种基于历史信息指导的多目标工件批调度方法，所述方法包括：1)、在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体，其中，所述约束条件包括：机器的容量、工件尺寸、同一工件仅能调度一次、最小化能源消耗以及最小加工时间中的一种或组合；2)、以最小化早到延迟惩罚为目标对各个当前种群中的各个个体对应的调度方案进行优化，得到优化后的当前种群；3)、将当前种群分为若干个子种群，针对每一个子种群，运用基于分解的思想淘汰掉其中第一预设数量个个体，将剩余的个体作为精英个体；根据所述子种群中各个精英个体的调度方案更新各个子种群的历史信息矩阵；根据更新后的历史信息矩阵以及随机变量获取新个体的生成参数，并根据所述新个体的生成参数生成第二预设数量个补充个体；4)、将所述精英个体与所述补充个体的组合作为当前种群，获取所述当前种群中的帕累托非支配个体，并将所述当前种群中的帕累托非支配个体加入到非支配解集中，更新所述非支配解集；返回执行步骤2)，直至达到最大迭代次数，并将最后一次迭代后得到的更新后的非支配集中的调度方案作为目标调度方案。本专利技术实施例将传统调度衡量指标(makespan和TEC)作为所研究调度问题的其中两个优化目标。由于在实际生产环境中不同的订单有着不同的程度的延迟惩罚和库存成本，所以本文将极小化总加权早到延迟惩罚作为所研究调度问题的另一个优化目标，进而可以使订单的实际完成时间更加接近于合同上的订单交付时间。本专利技术实施例提供了一种基于历史信息指导的多目标工件批调度装置，所述装置包括：调度模块，用于在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体，其中，所述约束条件包括：机器的容量、工件尺寸、同一工件仅能调度一次、最小化能源消耗以及最小加工时间中的一种或组合；优化模块，用于以最小化早到延迟惩罚为目标对各个当前种群中的各个个体对应的调度方案进行优化，得到优化后的当前种群；更新模块，用于将当前种群分为若干个子种群，针对每一个子种群，运用基于分解的思想淘汰掉其中第一预设数量个个体，将剩余的个体作为精英个体；根据所述子种群中各个精英个体的调度方案更新各个子种群的历史信息矩阵；根据更新后的历史信息矩阵以及随机变量获取新个体的生成参数，并根据所述新个体的生成参数生成第二预设数量个补充个体；返回模块，用于将所述精英个体与所述补充个体的组合作为当前种群，获取所述当前种群中的帕累托非支配个体，并将所述当前种群中的帕累托非支配个体加入到非支配解集中，更新所述非支配解集；触发优化模块，直至达到最大迭代次数，并将最后一次迭代后得到的更新后的非支配集中的调度方案作为目标调度方案。专利技术的优点在于：(1)本专利技术实施例将传统调度衡量指标(makespan和TEC)作为所研究调度问题的其中两个优化目标。由于在实际生产环境中不同的订单有着不同的程度的延迟惩罚和库存成本，所以本文将极小化总加权早到延迟惩罚作为所研究调度问题的另一个优化目标，进而可以使订单的实际完成时间更加接近于合同上的订单交付时间。(2)局部竞争和内部替换作为两个新颖有效的策略在HGEA/D-L算法中被提出。局部竞争策略是基于批的浪费空间比率和工件的加权早到延迟惩罚两个结构指标而制定的。这两个指标可以用来引导工件位置的调整，以寻找优质的邻域个体来和当前个体竞争。在内部替换策略中，基于分解的精英保留策略将目标空间划分成若干个子空间，对应子空间中个体的集合被称为对应子空间的子种群。然后，在保证子种群包含个体数尽可能相等的前提下，淘汰一半数量的个体，保留另一半作为精英个体。随后，通过历代精英个体更新的历史信息矩阵来引导一半数量新个体的生成。最后，这两部分个体组成了下一代的种群。两个策略相辅相成，可以在可期时间内搜索到高质量且分布广的可行解。附图说明图1为本专利技术提供的基于历史信息指导的多目标工件批调度方法的流程示意图；图2为本专利技术提供的基于历史信息指导的多目标工件批调度方法的原理示意图；图3为本专利技术实施例提供的参考向量分布示意图；图4为本专利技术实施例提供的一个可行解样例示意图；图5为本专利技术实施例提供的一种基于历史信息指导的多目标工件批调度方法中所有的工件都完成交换后所呈现的一种工件分布示意图；图6为本专利技术实施例提供的一种基于历史信息指导的多目标工件批调度方法中所有的工件都完成交换后所呈现的另一种工件分布示意图；图7为本专利技术实施例提供的的更新过程示意图；图8为本专利技术实施例提供的的更新过程示意图；图9为本专利技术实施例提供的的更新过程示意图；图10为本专利技术实施例中第一目标矩阵的生成过程；图11为本专利技术实施例中第二目标矩阵的生成过程；图12为本专利技术实施例中中a与i直接的对应关系的生成过程；图13为本专利技术实施例中提供的可行的调度方案示意图；图14为本专利技术实施例“MN1S2A2-1”的非支配个体散点图；图15为本专利技术实施例“MN2S1A3-1”的非支配个体散点图；图16为本专利技术提供的基于历史信息指导的多目标工件批调度装置的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施本文档来自技高网...

【技术保护点】
1.一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述方法包括：/n1)、在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体，其中，所述约束条件包括：机器的容量、工件尺寸、同一工件仅能调度一次、最小化能源消耗以及最小加工时间中的一种或组合；/n2)、以最小化早到延迟惩罚为目标对各个当前种群中的各个个体对应的调度方案进行优化，得到优化后的当前种群；/n3)、将当前种群分为若干个子种群，针对每一个子种群，运用基于分解的思想淘汰掉其中第一预设数量个个体，将剩余的个体作为精英个体；根据所述子种群中各个精英个体的调度方案更新各个子种群的历史信息矩阵；根据更新后的历史信息矩阵以及随机变量获取新个体的生成参数，并根据所述新个体的生成参数生成第二预设数量个补充个体；/n4)、将所述精英个体与所述补充个体的组合作为当前种群，获取所述当前种群中的帕累托非支配个体，并将所述当前种群中的帕累托非支配个体加入到非支配解集中，更新所述非支配解集；返回执行步骤2)，直至达到最大迭代次数，并将最后一次迭代后得到的更新后的非支配集中的调度方案作为目标调度方案。/n

【技术特征摘要】
1.一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述方法包括：
1)、在满足批调度的约束条件下将各个待调度工件随机调度至各个机器的各个批中，得到若干个当前个体，其中，所述约束条件包括：机器的容量、工件尺寸、同一工件仅能调度一次、最小化能源消耗以及最小加工时间中的一种或组合；
2)、以最小化早到延迟惩罚为目标对各个当前种群中的各个个体对应的调度方案进行优化，得到优化后的当前种群；
3)、将当前种群分为若干个子种群，针对每一个子种群，运用基于分解的思想淘汰掉其中第一预设数量个个体，将剩余的个体作为精英个体；根据所述子种群中各个精英个体的调度方案更新各个子种群的历史信息矩阵；根据更新后的历史信息矩阵以及随机变量获取新个体的生成参数，并根据所述新个体的生成参数生成第二预设数量个补充个体；
4)、将所述精英个体与所述补充个体的组合作为当前种群，获取所述当前种群中的帕累托非支配个体，并将所述当前种群中的帕累托非支配个体加入到非支配解集中，更新所述非支配解集；返回执行步骤2)，直至达到最大迭代次数，并将最后一次迭代后得到的更新后的非支配集中的调度方案作为目标调度方案。


2.根据权利要求1所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述步骤2)，包括：
21)、针对所述当前种群中的每一个个体，将所述个体作为当前个体，将当前个体对应的调度方案中的第一个批作为当前批，针对所述当前批中的每一个当前工件，获取所述当前调度方案对应的最小化早到延迟惩罚；
22)、在满足所述约束条件的情况下，将所述当前工件与除当前批之外的其他批中的各个工件进行模拟交换，计算所述当前调度方案对应的最小化早到延迟惩罚与模拟交换后的得到的若干个新的调度方案对应的最小化早到延迟惩罚之差的最大值，在所述最大值大于零时，将该差值的最大值对应的工件与所述当前工件交换位置；
23)、将该差值的最大值对应的工件与所述当前工件交换位置后得到的调度方案作为当前调度方案，将所述当前批的下一个批作为当前批，并返回执行步骤21)中所述获取所述当前调度方案对应的最小化早到延迟惩罚的步骤，直至所有的批都被遍历。


3.根据权利要求2所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述步骤22)，包括：
利用公式，



获取所述当前调度方案对应的最小化早到延迟惩罚与模拟交换后的得到的若干个新的调度方案对应的最小化早到延迟惩罚之差的最大值对应的工件，其中，
Jv为当前调度方案对应的最小化早到延迟惩罚与模拟交换后的得到的若干个新的调度方案对应的最小化早到延迟惩罚之差的最大值对应的工件；为在函数取最大值时求解自变量函数；Jλ为当前工件；Jμ为除当前工件之外的其他与当前工件模拟交换的工件；Ω为除当前工件之外的其他与当前工件模拟交换的工件的集合；为工件Jλ的早到惩罚权重；为工件Jλ的早到时间；为工件Jλ的与工件Jμ模拟交换后的早到时间；为工件Jλ的延迟惩罚权重；为工件Jλ的延迟时间；为工件Jλ的与工件Jμ模拟交换后的延迟时间；为工件Jμ的早到惩罚权重；为工件Jμ的早到时间；为工件Jμ的与工件Jλ模拟交换后的早到时间；为工件Jμ的延迟惩罚权重；为工件Jμ的延迟时间；为工件Jμ的与工件Jλ模拟交换后的延迟时间；
判断是否大于零；
若是，将工件Jv与当前工件Jλ交换位置。


4.根据权利要求3所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述步骤2)中在步骤23)之后，还包括：
24)、根据预设的概率值执行步骤25)，
25)、将当前调度方案中的第一个批作为当前批，在满足所述约束条件的情况下，将当前批之外的其他批中的工件模拟插入到当前批中，并判断公式，是否成立，其中，
C为批的总容量；为工件Jμ的尺寸；Bu为当前批；Jμ为已调度至当前批中的工件；为工件Jλ的模拟插入到当前批Bu后的早到时间；为工件Jλ的模拟插入到当前批Bu后的延迟时间；
26)、若是，将工件Jλ插入到当前批中，得到的新的调度方案，将所述新的调度方案加入到当前种群中，然后，将所述当前批的下一个批作为当前批，并返回执行所述将当前批之外的其他批中的工件模拟插入到当前批中的步骤，直至当前调度方案中所有的批都被遍历，其中，所述当前种群为调度方案的集合。


5.根据权利要求4所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述将所述新的调度方案加入到当前种群中，包括：
判断步骤25)中的当前调度方案与步骤26)中得到的新的调度方案之间进行帕累托优化，并将支配解代替被支配解加入到当前种群中，或者将不存在帕累托支配关系的两个解加入到当前种群中，其中，所述解为调度方案。


6.根据权利要求1所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述参考向量的生成过程包括：
通过simplex-lattice设计法生成均匀分布在超平面的参考点；
获取所述参考点到超平面所在坐标系的原点的子参考向量；
将所述子参考向量转换为单位向量，将所述单位向量的组合作为参考向量。


7.根据权利要求6所述的一种基于历史信息指导的多目标工件批调度方法，其特征在于，所述步骤3)，包括：
将当前次迭代中优化后个体的组合作为当前种群，并对当前种群中的各个个体的目标向量进行标准化处理；
根据标准化处理后的目标向量以及各个子种群对应的预设的参考向量，利用公式，计算优化后的个体对应的标准化后的目标向量与各个参考向量之间的夹角，并将当前种群中优化...

【专利技术属性】
技术研发人员：贾兆红，高乐羊，唐俊，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽;34