基于PSC-IGA算法的数字化车间调度方法、系统及存储介质技术方案

本发明专利技术实施方式提供一种基于PSC‑IGA算法的数字化车间调度方法、系统及存储介质，属于数字化车间的调度技术领域。通过该技术方案，本发明专利技术提供的基于PSC‑IGA算法的数字化车间调度方法、系统及存储介质通过采用PSC‑IGA算法(Polychromatic Sets Constraints of improved Genetic Algorithm，基于多色集合约束的遗传算法)，先通过改进的遗传算法求解数字化车间工位的配送问题，确定出配送效率最高的配送方案，再基于确定出的配送方案以及数字化车间的库存、工位的分布特点建立两层布尔围道矩阵，最后进一步采用改进后的遗传算法对建立的模型进行求解，快速、高效地得出最佳的仓库一体化方案，提高了生产效率的同时也提高了算法的收敛速度。

【技术实现步骤摘要】
基于PSC-IGA算法的数字化车间调度方法、系统及存储介质
本专利技术涉及数字化车间的调度
，具体地涉及一种基于PSC-IGA算法的数字化车间调度方法、系统及存储介质。
技术介绍
数字化车间(Digitalworkshop，DS)建设是制造企业走向智能制造的起点，数字化车间通常都是采用流水线式生产，对应的生产物流主要是物料的配送和仓储，本文以安徽博一流体传动股份有限公司(以下简称为BY)的数字化车间为例，生产线上每个工位负责不同的工序，对物料的需求也不尽相同，物料的准时配送就尤为重要，早了会占用线边空间造成拥堵，晚了则会延误工时，拉低效率；而物料的准时配送也离不开车间内部立库的配合，若物料未及时配套出入库，则不能完成在时间窗内准时配送的任务，对整个生产进程造成影响。近年来专家学者对这两方面的研究颇多。在物料配送方面，研究主要集中在配送路径优化问题上，车辆路径问题(vehicleroutingproblem，VRP)由来已久，自上世纪六十年代以来，已产生很多变种问题，物料配送路径优化问题是VRP问题的一个经典变种问题，Gao等考虑车辆负载均衡，用混合多目标进化算法有效减少了物料配送的总行驶距离；陈广胜等则以配送时间和作业人数为优化目标对该问题进行研究。上述文献都未考虑时间窗的影响，带时间窗的车辆路径优化问题(Vehicleroutingproblemwithtimewindow,VRPTW)是Solomon在1979年提出的，对此学者们构建了很多不同的VRPTW优化模型，如带混合时间窗的车辆路径优化模型、带软时间窗的车辆路径优化模型和带时间窗的同时取送货车辆路径优化模型等。针对物料的仓储问题，数字化车间一般配备的都是自动化立体仓库(automatedstorageandretrievalsystem,AS/RS)，对立库的研究也有很多，Boysen对立库系统进行了综述分析，邓爱民等用遗传算法求解多目标货位优化问题；李鹏飞等和靳萌等也建立了多目标优化模型，前者考虑出入库效率和货架稳定性，在算法上使用了病毒协同遗传算法，后者考虑物料周转率和相关性，在算法上使用了基于Pareto保持和模拟退火算法；刘臣奇等则在货位拣选路径优化问题中提出了一种改进的蚁群算法。以上文献都在物料配送优化和立库优化上方面做了大量工作，但是很少考虑到仓储和配送的协同，也就是一体化的问题。现有文献主要是对仓配一体化模式特点的分析，不断运用算法、大数据等提出新的发展思路，但整体来说还没有系统的理论基础支撑，且都是将重心放在了电商领域的仓配问题上，目前对于制造业中的生产物流仓配一体化问题的研究并不多，生产物流与电商物流大不相同，电商物流仓配一体化解决方案不完全适用于生产物流。因此，生产物流仓配一体化问题还需要研究，在生产过程中，最重要的是保证生产，这其中，生产物料的仓储和配送都是关键因素，二者密不可分，仅考虑单项优化则稍显不足。
技术实现思路
本专利技术实施方式的目的是提供一种基于PSC-IGA算法的数字化车间调度方法、系统及存储介质，该方法、系统及存储介质能够高效地确定出数字化车间的调度方案，从而提高了数字化车间的工作效率。为了实现上述目的，本专利技术实施方式提供一种基于PSC-IGA算法的数字化车间调度方法，所述方法包括：获取数字化车间的工位及其对应的物料需求；随机生成完成每个工位的配送任务的多条染色体以形成初始的第一种群；采用遗传算法迭代更新所述第一种群以得到配送方案；根据所述配送方案并基于布尔矩阵对所述数字化车间的工位和库区进行编码以形成第二种群；计算所述第二种群中每个个体的适应度；判断迭代次数k是否满足终止条件；在判断迭代次数k未满足终止条件的情况下，令个体个数m＝0；从所述第二种群选择适应度最大的个体放入第三种群p(k+1)，并更新所述个体个数m＝m+1；从所述第二种群中随机选择适应度最大的两个个体；计算所述两个个体的交叉概率；判断所述交叉概率是否大于预设的第一概率值；在判断交叉概率大于所述第一概率值的情况下，对所述两个个体执行单点交叉操作；计算单点交叉操作后的所述两个个体的变异概率；判断所述变异概率是否大于预设的第二概率值；在判断所述交叉概率大于所述第二概率值的情况下，对所述两个个体执行基本位变异操作；将执行基本位变异操作后的所述两个个体放入第三种群p(k+1)，并更新所述个体个数m＝m+2；判断所述个体个数m是否小于预设的种群容量；在判断所述个体个数m小于所述种群容量的情况下，再次从所述第二种群中随机选择适应度最大的两个个体，并执行所述方法的相应步骤，直到所述个体个数m大于或等于所述种群容量；在判断所述个体个数m大于或等于所述种群容量的情况下，更新迭代次数k，再次判断迭代次数k是否满足终止条件，并执行所述方法的相应步骤，直到迭代次数k满足终止条件；在判断所述迭代次数k满足所述终止条件的情况下，分别计算每个所述第三种群p(k+1)的每个个体的适应度；选取适应度最大的所述个体作为最终的分配结果。可选地，所述随机生成完成每个工位的配送任务的多条染色体以形成初始的第一种群具体包括：采用数字0表示所述数字化车间的配送工具的初始位置；采用数字1至z表示每个所述工位，其中，z为所述工位的数量；确定所述配送工具的数量。可选地，所述采用遗传算法迭代更新所述第一种群以得到配送方案具体包括：计算每个所述染色体的适应度；采用轮盘赌法选择所述第一种群中适应度最高的两个所述染色体；对选取的两个所述染色体执行交叉操作和变异操作；判断所述第一种群是否满足预设的迭代终止条件；在判断所述第一种群满足所述迭代终止条件的情况下，将所述第一种群作为所述配送方案；在判断所述第一种群不满足所述迭代终止条件的情况下，再次计算每个所述染色体的适应度，并执行所述方法的相应步骤，直到所述第一种群满足所述迭代终止条件。可选地，所述计算每个所述染色体的适应度具体包括：根据公式(1)计算每个所述染色体的适应度，其中，F1为所述染色体的适应度，m为工位i的总数量，Ti为工位i的配送时间，yik为用于指示工位i是否由配送工具k配送的变量，yik＝1表示工位i由配送工具k配送，yik＝0表示工位i未由配送工具k配送，Tw为物料的清洗时间，zi为用于指示物料是否需要清洗的变量，zi＝1表示物料需要被清洗，zi＝0表示物料不需要被清洗，Tij为配送工具从工位i到工位j的时间，xijk为用于指示配送工具k是否从工位i运动至工位j的变量，xijk＝1表示配送工具k从工位i运动至工位j，xijk＝0表示配送工具k未从工位i运动至工位j，si为工位i的卸货时间，为配送时间点不在服务时间窗内的惩罚时间。可选地，所述根据所述配送方案并基于布尔矩阵对所述数字化车间的工位和库区进行编码以形成第二种群具体包括：以工位为列向量、所需本文档来自技高网...

【技术保护点】
1.一种基于PSC-IGA算法的数字化车间调度方法，其特征在于，所述调度方法包括：/n获取数字化车间的工位及其对应的物料需求；/n随机生成完成每个工位的配送任务的多条染色体以形成初始的第一种群；/n采用遗传算法迭代更新所述第一种群以得到配送方案；/n根据所述配送方案并基于布尔矩阵对所述数字化车间的工位和库区进行编码以形成第二种群；/n计算所述第二种群中每个个体的适应度；/n判断迭代次数k是否满足终止条件；/n在判断迭代次数k未满足终止条件的情况下，令个体个数m＝0；/n从所述第二种群选择适应度最大的个体放入第三种群p(k+1)，并更新所述个体个数m＝m+1；/n从所述第二种群中随机选择适应度最大的两个个体；/n计算所述两个个体的交叉概率；/n判断所述交叉概率是否大于预设的第一概率值；/n在判断交叉概率大于所述第一概率值的情况下，对所述两个个体执行单点交叉操作；/n计算单点交叉操作后的所述两个个体的变异概率；/n判断所述变异概率是否大于预设的第二概率值；/n在判断所述交叉概率大于所述第二概率值的情况下，对所述两个个体执行基本位变异操作；/n将执行基本位变异操作后的所述两个个体放入第三种群p(k+1)，并更新所述个体个数m＝m+2；/n判断所述个体个数m是否小于预设的种群容量；/n在判断所述个体个数m小于所述种群容量的情况下，再次从所述第二种群中随机选择适应度最大的两个个体，并执行所述方法的相应步骤，直到所述个体个数m大于或等于所述种群容量；/n在判断所述个体个数m大于或等于所述种群容量的情况下，更新迭代次数k，再次判断迭代次数k是否满足终止条件，并执行所述方法的相应步骤，直到迭代次数k满足终止条件；/n在判断所述迭代次数k满足所述终止条件的情况下，分别计算每个所述第三种群p(k+1)的每个个体的适应度；/n选取适应度最大的所述个体作为最终的分配结果。/n...

【技术特征摘要】
1.一种基于PSC-IGA算法的数字化车间调度方法，其特征在于，所述调度方法包括：
获取数字化车间的工位及其对应的物料需求；
随机生成完成每个工位的配送任务的多条染色体以形成初始的第一种群；
采用遗传算法迭代更新所述第一种群以得到配送方案；
根据所述配送方案并基于布尔矩阵对所述数字化车间的工位和库区进行编码以形成第二种群；
计算所述第二种群中每个个体的适应度；
判断迭代次数k是否满足终止条件；
在判断迭代次数k未满足终止条件的情况下，令个体个数m＝0；
从所述第二种群选择适应度最大的个体放入第三种群p(k+1)，并更新所述个体个数m＝m+1；
从所述第二种群中随机选择适应度最大的两个个体；
计算所述两个个体的交叉概率；
判断所述交叉概率是否大于预设的第一概率值；
在判断交叉概率大于所述第一概率值的情况下，对所述两个个体执行单点交叉操作；
计算单点交叉操作后的所述两个个体的变异概率；
判断所述变异概率是否大于预设的第二概率值；
在判断所述交叉概率大于所述第二概率值的情况下，对所述两个个体执行基本位变异操作；
将执行基本位变异操作后的所述两个个体放入第三种群p(k+1)，并更新所述个体个数m＝m+2；
判断所述个体个数m是否小于预设的种群容量；
在判断所述个体个数m小于所述种群容量的情况下，再次从所述第二种群中随机选择适应度最大的两个个体，并执行所述方法的相应步骤，直到所述个体个数m大于或等于所述种群容量；
在判断所述个体个数m大于或等于所述种群容量的情况下，更新迭代次数k，再次判断迭代次数k是否满足终止条件，并执行所述方法的相应步骤，直到迭代次数k满足终止条件；
在判断所述迭代次数k满足所述终止条件的情况下，分别计算每个所述第三种群p(k+1)的每个个体的适应度；
选取适应度最大的所述个体作为最终的分配结果。


2.根据权利要求1所述的方法，其特征在于，所述随机生成完成每个工位的配送任务的多条染色体以形成初始的第一种群具体包括：
采用数字0表示所述数字化车间的配送工具的初始位置；
采用数字1至z表示每个所述工位，其中，z为所述工位的数量；
确定所述配送工具的数量。


3.根据权利要求1所述的方法，其特征在于，所述采用遗传算法迭代更新所述第一种群以得到配送方案具体包括：
计算每个所述染色体的适应度；
采用轮盘赌法选择所述第一种群中适应度最高的两个所述染色体；
对选取的两个所述染色体执行交叉操作和变异操作；
判断所述第一种群是否满足预设的迭代终止条件；
在判断所述第一种群满足所述迭代终止条件的情况下，将所述第一种群作为所述配送方案；在判断所述第一种群不满足所述迭代终止条件的情况下，再次计算每个所述染色体的适应度，并执行所述方法的相应步骤，直到所述第一种群满足所述迭代终止条件。


4.根据权利要求3所述的方法，其特征在于，所述计算每个所述染色体的适应度具体包括：
根据公式(1)计算每个所述染色体的适应度，



其中，F1为所述染色体的适应度，m为工位i的总数量，Ti为工位i的配送时间，yik为用于指示工位i是否由配送工具k配送的变量，yik＝1表示工位i由配送工具k配送，yik＝0表示工位i未由配送工具k配送，Tw为物料的清洗时间，zi为用于指示物料是否需要清洗的变量，zi＝1表示物料需要被清洗，zi＝0表示物料不需要被清洗，Tij为配送工具从工位i到工位j的时间，x...

【专利技术属性】
技术研发人员：胡小建，刘婷婷，周琼，李睿豪，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34