多目标流水车间调度方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了多目标流水车间调度方法、装置、计算机设备及存储介质，包括判断是否接收到客户端发送的车间调度请求；若接收到客户端发送的车间调度请求，获取与所述车间调度请求对应的输入数据和约束条件；其中，与所述车间调度请求对应的输入数据包括工件数、加工工序数、和机器数；调用预先存储的多目标车间调度优化模型，以所述输入数据为所述多目标车间调度优化模型的输入，根据所述约束条件和所述输入数据对所述多目标车间调度优化模型进行超多目标的进化求解，得到最优解集；将所述最优解集发送至客户端。实现了多目标车间调度优化模型在超多目标的进化求解的过程中，在搜索空间巨大的前提下快速求解，且保持了可行解的多样性。

Multi objective flow shop scheduling method, device, computer equipment and storage medium

【技术实现步骤摘要】
多目标流水车间调度方法、装置、计算机设备及存储介质
本专利技术涉及车间生产调度控制
，尤其涉及一种多目标流水车间调度方法、装置、计算机设备及存储介质。
技术介绍
在企业实际生产的环境下，企业中的不同部门对调度方法产生的决策提出了不同的要求。例如，销售部门需要产品按时生产以完成订单；制造部门需要降低成本，提高机器利用率；质检部门需要产品合格率高并且质量高于竞争对手等，即调度系统需要同时优化多个目标。目前，调度系统中采用传统的线性加权法时，是将各个目标赋予权值合并为单目标求解。上述方法主观性较强，求解方案有一定针对性，权值无法根据车间状况灵活改变。而现有的基于多目标优化的调度方法由于搜索空间巨大，在求解过程中效率低下，并且无法保持可行解的多样性，难以得到全局最优的可行解集用于调度决策。
技术实现思路
本专利技术实施例提供了一种多目标流水车间调度方法、装置、计算机设备及存储介质，旨在解决现有技术中基于多目标优化的车间调度方法采用传统的线性加权法，由于搜索空间巨大，在求解过程中效率低下，并且无法保持可行解的多样性，难以本文档来自技高网...

【技术保护点】
1.一种多目标流水车间调度方法，其特征在于，包括：/n判断是否接收到客户端发送的车间调度请求；/n若接收到客户端发送的车间调度请求，获取与所述车间调度请求对应的输入数据和约束条件；其中，与所述车间调度请求对应的输入数据包括工件数、加工工序数、和机器数；/n调用预先存储的多目标车间调度优化模型，以所述输入数据为所述多目标车间调度优化模型的输入，根据所述约束条件和所述输入数据对所述多目标车间调度优化模型进行超多目标的进化求解，得到最优解集；以及/n将所述最优解集发送至客户端。/n

【技术特征摘要】
1.一种多目标流水车间调度方法，其特征在于，包括：
判断是否接收到客户端发送的车间调度请求；
若接收到客户端发送的车间调度请求，获取与所述车间调度请求对应的输入数据和约束条件；其中，与所述车间调度请求对应的输入数据包括工件数、加工工序数、和机器数；
调用预先存储的多目标车间调度优化模型，以所述输入数据为所述多目标车间调度优化模型的输入，根据所述约束条件和所述输入数据对所述多目标车间调度优化模型进行超多目标的进化求解，得到最优解集；以及
将所述最优解集发送至客户端。


2.根据权利要求1所述的多目标流水车间调度方法，其特征在于，所述多目标车间调度优化模型包括5个优化目标函数，分别记为最大完工时间优化目标函数f1(x)、机器最大负荷优化目标函数f2(x)、机器总负荷优化目标函数f3(x)、总拖期优化目标函数f4(x)、生产成本优化目标函数f5(x)；
f1(x)＝max{Ci|i＝1,...,n}












其中，n为工件数量，Ci表示第i个工件的完工时间，表示工件i的工序数量，nM表示加工机器数量，pijk为第k个机器加工第i个工件的第j道工序所需的加工时间，xijk为用于判断第i个工件的第j道工序是否在第k个机器上进行加工的状态变量，Di为第i个工件的交货时间，为第i个工件的原材料成本值，为第k个机器的单位时间加工费用值。


3.根据权利要求2所述的多目标流水车间调度方法，其特征在于，所述以所述输入数据为所述多目标车间调度优化模型的输入，根据所述约束条件和所述输入数据对所述多目标车间调度优化模型进行超多目标的进化求解，得到最优解集，包括：
根据所述约束条件随机生成初始多目标种群；其中，所述初始多目标种群中包括多个个体，每一个体对应所述多目标车间调度优化模型的一个车间调度输出解，所述初始多目标种群中包括多个个体的总个数记为种群大小N；
获取当前迭代代数，判断所述当前迭代代数是否达到预设的最大迭代代数；
若所述当前迭代代数未达到所述最大迭代代数，对所述初始多目标种群进行模拟二进制交叉和多项式变异，得到与所述初始多目标种群有相同个体总个数的子种群；
将所述初始多目标种群与所述子种群进行合并，得到混合种群；
获取所述混合种群中的非支配解集及多层解集，及与所述非支配解集对应的自适应参考点；其中，所述非支配解集记为Q1，所述多层解集中包括多个解集子集且分别记为Q2至QL，其中Q1至QL的并集为所述混合种群，Q1至QL中任意两个集合的交集为空集，Q1≥Q2≥Q3≥……≥QL；
获取所述混合种群中每一个体对应的目标空间点与所述自适应参考点之间分别对应的个体向量，将所述混合种群中每一个体对应的个体向量根据向量夹角相似度及所述种群大小N进行聚类，得到包括N个聚类簇的聚类结果；
通过环境选择法在所述聚类结果获取多个目标个体，以组成当前多目标种群，将所述当前多目标种群作为初始多目标种群；
将所述当前迭代代数加一以作为当前迭代代数，返回执行判断所述当前迭代代数是否达到预设的最大迭代代数的步骤；
若所述当前迭代代数达到所述最大迭代代数，将所述当前多目标种群输出作为最优解集。


4.根据权利要求3所述的多目标流水车间调度方法，其特征在于，所述获取所述混合种群中的非支配解集及多层解集，及与所述非支配解集对应的自适应参考点，包括：
在所述非支配解集、及多层解集中多个解集子集依序合并从而获取多个集合直至个体的总个数超出所述种群大小N，以组成目标集合；
获取所述目标集合中的最小值个体和最大值个体；其中，所述最小值个体输入至所述多目标车间调度优化模型得到的目标值为目标集合中每个个体对应的目标值中最小目标值，所述最大值个体输入至所述多目标车间调度优化模型得到的目标值为目标集合中每个个体对应的目标值中最大目标值；
根据所述最小值个体、所述最大值个体将所述目标集合中每一个个体进行归一化处理，得到归一化目标集合；其中，所述归一化目标集合中与所述非支配解集对应的归一化个体集合记为归一化非支配解集；
获取归一化非支配解集中每一非支配个体，分别记为B1至BM；其中，M的取值与所述归一化非支配解集中归一化非支配个体的总个数相同；
获取所述归一化非支配解集中每一归一化非支配个体到目标超平面对应的超平面距离Di、及超平面距离D1至DM对应的超平面距离平均值mpd；其中，i的取值范围为[1,M]，目标超平面为f1(x)+f2(x)+f3(x)+f4(x)+f5(x)＝1；
获取所述归一化非支配解集中每一归一化非支配个体与目标超曲面集合对应的超曲面适应度；其中，超曲面适应度用fi...

【专利技术属性】
技术研发人员：郑峻浩，刘松柏，林秋镇，陈剑勇，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44