一种混合流水车间调度优化方法技术

本发明专利技术涉及一种混合流水车间调度优化方法，包括以下步骤：步骤S1:将多目标流水车间生产调度问题转换为数字符号的形式化描述；步骤S2:建立生产优化的预设约束条件；步骤S3:获取待优化的目标，建立相应的多目标优化函数；步骤S4:构建基于后悔理论、失望理论与VIKOR决策方法相结合的改进多目标最佳觅食算法；步骤S5:基于多目标优化函数和改进多目标最佳觅食算法，进行迭代优化运算，输出Pareto最优解集合；步骤S6：根据步骤S5的优化结果，获取最佳调度安排。本发明专利技术能够快速有效的获得较优的调度方案，提高车间生产效率。提高车间生产效率。提高车间生产效率。

【技术实现步骤摘要】
一种混合流水车间调度优化方法


[0001]本专利技术涉及离散型制造系统的生产调度
，具体涉及一种混合流水车间调度优化方法。

技术介绍

[0002]混合流水车间调度(Hybrid Flow Shop Scheduling Problem，HFSP)可以看作是经典流水车间调度问题和并行机调度问题的结合，在研究HFSP时，除了减少完工时间外，还应考虑设备利用率及提高加工质量和降低车间能耗。在混合流水车间调度问题中，一个工序可能不只局限在一台机器上，而是可以从多台并行机器中选择加工机器。解决此类问题不仅要考虑为每一道工序安排合适的机器，还要考虑在每台机器上工件加工的次序，是更加困难的NP
‑
hard问题。

技术实现思路

[0003]有鉴于此，本专利技术的目的在于提供一种混合流水车间调度优化方法，能够快速有效的获得较优的调度方案，提高车间生产效率。
[0004]为实现上述目的，本专利技术采用如下技术方案：
[0005]一种混合流水车间调度优化方法，包括以下步骤：
[0006]步骤S1：将多目标流水车间生产调度问题转换为数字符号的形式化描述；
[0007]步骤S2：建立生产优化的预设约束条件；
[0008]步骤S3：获取待优化的目标，建立相应的多目标优化函数；
[0009]步骤S4：构建基于后悔理论、失望理论与VIKOR决策方法相结合的改进多目标最佳觅食算法；
[0010]步骤S5：基于多目标优化函数和改进多目标最佳觅食算法，进行迭代优化运算，输出Pareto最优解集合；
[0011]步骤S6：根据步骤S5的优化结果，获取最佳调度安排。
[0012]进一步的，所述步骤S1具体为：设i为工件序号，i∈I＝{1，2，
…
，n}，n为待加工工件的数量；j为工序序号，j∈J＝{1，2，
…
，s}，s为待加工工件i的工序数量；m为机器编号，m＝{1，2，
…
，M
j
}，其中M
j
为每道工序的并行机器(M
j
≥1)；为加工决策变量；为工件i的工序j在机器m上的开始加工时间；为加工工序j的第m台机器的开始加工时间；为工件i的工序j在机器m上的加工时间；为工件i的工序j在机器m上的完工时间；为加工工序j的第m台机器在加工完成最后一个工件的完工时间；pc
m
为机器m的单位加工成本；为工件i的工序j在机器m上的加工质量(即不合格率)，其中值越小，加工质量越高；为加工工序j的第m台机器的加工功率；为加工工序j的第m台机器的空转功率；
[0013]其中
[0014]进一步的，，所述预设约束包括：
[0015]加工开始时间约束：
[0016]完工时间约束：
[0017]机器加工约束：
[0018]工件加工约束：
[0019]进一步的，，所述步骤S3具体为：优化目标函数共有M个，分别为：f1，f2，
…
，f
p
，
…
，f
M
，其中混合流水车间调度的多目标优化数学模型为minize(f1，f2，
…
，f
p
，
…
，f
M
)。
[0020]进一步的，所述步骤S4具体为：
[0021]步骤S41：描述最佳觅食算法；
[0022]步骤S42：确定LOV规则；
[0023]步骤S43：基于后悔理论，失望理论，信息熵理论与VIKOR决策方法相融合，提出综合决策值计算方式，将综合决策值(Q值)作为最佳觅食算法中个体的适应度值(F值)，并以适应度值引导最佳觅食算法进化；
[0024]步骤S44：基于S43的适应度值准则引导最佳觅食算法进化。
[0025]进一步的，所述步骤S41具体为：
[0026]步骤S411：设种群规模为popsize，初始迭代次数t＝1，最大迭代次数为T
max
；将具有N个个体的种群P进行初始化，种群P中第j个个体其中d为每个个体中向量的维数，j＝1，2，
…
N；
[0027][0028]步骤S412：计算初始种群P中每个个体的适应度值其中j＝1，2，
…
N；根据适应度值的大小，将和对应的个体按照降序排列；从排序结果中选取最优适应度值和最差适应度值以及对应的个体和
[0029]步骤S413：从排序结果中依次选取个体作为目标个体并随机选择另一质量更优的个体作为招募个体个体位置更新方式如下：
[0030][0031]其中r
iji
，r
2ji
是区间[0，1]内服从均匀分布并互相独立的随机数，k＝t/T
max
为迭代
系数；
[0032]步骤S414：计算新种群个体适应度值，并择优选择个体：计算更新后所有目标个体的适应度值并根据如下方式，将原位置的个体与更新后的个体进行对比，从中选择较优个体。如果下式成立，则若不成立，则若不成立，则
[0033][0034]步骤S415：按降序排列，保存最优个体：根据适应度值的大小，将和对应的个体按降序排列；从排序中选取最优适应度值与进行比较，茗
[0035]步骤S416：迭代更新，若满足终止条件，输出最优结果：当算法计算到最大迭代次数T
max
时，终止迭代过程，输出最优个体和最优适应度值
[0036]进一步的，步骤S43具体包括以下步骤：
[0037]步骤S431：设在每一代群体的Pareto解集中，所要优化的目标函数为(f1，f2，
…
，f
p
，
…
，f
M
)，则迭代中第t代群体的第j个个体的目标值为并分别从群体中选择每个目标函数的最大值和最小值，其中正理想解集由群体中每个目标函数的最大值组成，负理想解集由群体中每个目标函数的最小值组成；
[0038]步骤S432：利用max值归一化对每个个体的各个目标函数值进行标准化处理；
[0039]步骤S433：根据得到的正理想解集和负理想解集的目标函数值，将每个个体的各个目标函数值与正理想解集和负理想解集的目标函数值进行比较，由此计算出每个个体在各个目标上的统一期望效用值；
[0040]步骤S434：：利用每个个体标准化后的目标函数值，先计算出每个目标的信息熵值，最后求出每个目标的权重值；
[0041]步骤S435：根据VIKOR方法确定最大群体效用和最小个体遗憾，并计算每个个体的综合决策值：通过步骤S433和步骤S434分别求出的每个个体在各个目标上的统一期望效用值与每个目标的权重值，并根据VIKOR决策方法确定出最大群体效用和最小个体遗憾，将求出的最大群体效用和最小个体遗憾代入到VIKOR方法的最终决策函数中，计算出每个个体的综合决策值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种混合流水车间调度优化方法，其特征在于，包括以下步骤：步骤S1:将多目标流水车间生产调度问题转换为数字符号的形式化描述；步骤S2:建立生产优化的预设约束条件；步骤S3:获取待优化的目标，建立相应的多目标优化函数；步骤S4:构建基于后悔理论、失望理论与VIKOR决策方法相结合的改进多目标最佳觅食算法；步骤S5:基于多目标优化函数和改进多目标最佳觅食算法，进行迭代优化运算，输出Pareto最优解集合；步骤S6：根据步骤S5的优化结果，获取最佳调度安排。2.根据权利要求1所述的一种混合流水车间调度优化方法，其特征在于，所述步骤S1具体为：设i为工件序号，i∈I＝{1，2，
…
，n}，n为待加工工件的数量；j为工序序号，j∈J＝{1，2，
…
，s}，s为待加工工件i的工序数量；m为机器编号，m＝{1，2，
…
，M
j
}，其中M
j
为每道工序的并行机器(M
j
≥1)；为加工决策变量；为工件i的工序j在机器m上的开始加工时间；为加工工序j的第m台机器的开始加工时间；为工件i的工序j在机器m上的加工时间；为工件i的工序j在机器m上的完工时间；为加工工序j的第m台机器在加工完成最后一个工件的完工时间；pc
m
为机器m的单位加工成本；为工件i的工序j在机器m上的加工质量(即不合格率)，其中值越小，加工质量越高；为加工工序j的第m台机器的加工功率；为加工工序j的第m台机器的空转功率；其中3.根据权利要求2所述的一种混合流水车间调度优化方法，其特征在于，所述预设约束包括：加工开始时间约束：完工时间约束：机器加工约束：工件加工约束：4.根据权利要求2所述的一种混合流水车间调度优化方法，其特征在于，所述步骤S3具体为：优化目标函数共有M个，分别为：f1，f2，
…
，f
p
，
…
，f
M
，其中混合流水车间调度的多目标优化数学模型为minize(f1，f2，
…
，f
p
，
…
，f
M
)。5.根据权利要求2所述的一种混合流水车间调度优化方法，其特征在于，所述步骤步骤S4具体为：步骤S41：描述最佳觅食算法；
步骤S42：确定LOV规则；步骤S43：基于后悔理论，失望理论，信息熵理论与VIKOR决策方法相融合，提出综合决策值计算方式，将综合决策值Q作为最佳觅食算法中个体的适应度值F，并以适应度值引导最佳觅食算法进化；步骤S44：基于S43的适应度值准则引导最佳觅食算法进化。6.根据权利要求5所述的一种混合流水车间调度优化方法，其特征在于，所述步骤S41具体为：步骤S411：设种群规模为popsize，初始迭代次数t＝1,最大迭代次数为T
max
；将具有N个个体的种群P进行初始化，种群P中第j个个体其中d为每个个体中向量的维数，j＝1，2，
…
N；步骤S412：计算初始种群P中每个个体的适应度值其中j＝1，2，
…
N；根据适应度值的大小，将和对应的个体按照降序排列；从排序结果中选取最优适应度值和最差适应度值以及对应的个体和步骤S413：从排序结果中依次选取个体作为目标个体并随机选择另一质量更优的个体作为招募个体个体位置更新方式如下：其中r
1ji
，r
2ji
是区间[0,1]内服从均匀分布并互相独立的随机数，k＝t/T
max
为迭代系数；步骤S414：计算新种群个体适应度值，并择优选择个体：计算更新后所有目标个体的适应度值并根据如下方式，将原位置的个体与更新后的个体进行对比，从中选择较优个体。如果下式成立，则若不成立，则若不成立，则若不成立，则步骤S415：按降序排列，保存最优个体：根据适应度值的大小，将和对应的个体按降序排列；从排序中选取最优适应度值与进行比较，若
步骤S416：迭代更新，若满足终止条件，输出最优结果：当算法计算到最大迭代次数T
max
时，终止迭代过程，输出最优个体和最优适应度值7.根据权力要求5所述的一种混合流水车间调度优化方法，其特征在于：步骤S43具体包括以下步骤：步骤S431：设在每一代群体的Pareto解集中，所要优化的目标函数为(f1，f2，
…
，f
p
，
…
，f
M
)，则迭代中第t代群体的第j个个体的目标值为并分别从群体中选择每个目标函数的最大值和最小值，其中正理想解集由群体中每个目标函数的最大值组成，负理想解集由群体中每个目标函数的最小值组成；步骤S432：利用max值归一化对每个个体的各个目标函数值进行标准化处理；步骤S433：根据得到的正理想解集和负理想解集的目标函数值，将每个个体的各个目标函数值与正理想解集和负理想解集的目标函数值进行比较，由此计算出每个个体在各个目标上的统一期望效用值；步骤S434：利用每个个体标准化后的目标函...

【专利技术属性】
技术研发人员：朱光宇，刘志，
申请(专利权)人：福州大学，
类型：发明
国别省市：