一种基于改进遗传算法的设备排产和场内物流调度优化方法技术

本发明专利技术公开了一种基于改进遗传算法的设备排产和场内物流调度优化方法，属于制造过程生产调度和优化领域。本发明专利技术基于离散制造系统的混合整数规划模型，使用改进遗传算法分别对设备排产和物流调度进行优化，在排产优化部分插入时间片预留出运输时间，获得最优设备排产方案，在此基础上求解最优物流调度方案。本发明专利技术比现有排产调度优化方法具有更快的计算速度和更好的优化效果，有利于提高制造企业的运行效率、增强企业竞争力。行效率、增强企业竞争力。行效率、增强企业竞争力。

【技术实现步骤摘要】
一种基于改进遗传算法的设备排产和场内物流调度优化方法


[0001]本专利技术属于制造过程生产调度和优化领域，特别涉及一种基于改进遗传算法的设备排产和场内物流调度优化方法。

技术介绍

[0002]通过调整加工顺序和工艺参数，离散制造过程可以适应多品种、变批量的混合加工任务，具有高度的灵活性。离散制造过程需要统筹车间的运行状态，全面考虑物料调度、设备产能和交付期约束等因素，针对不同的生产目标制定相应的排产方案。为快速响应复杂多变的市场需求，提升企业的竞争力，必须从效率、能耗、平稳度等多重方面对制造过程进行优化，在开始生产任务之前给出最优的执行方案。
[0003]对离散制造过程，最重要的就是设计合适的排产调度方案。排产是指根据订单产品的工艺路线为每个工序指定执行设备，并在工艺的约束下安排工序的执行顺序。相应地，排产优化通过调整工序的执行设备和顺序以实现评价指标的最优化。调度是指物流调度，即将各种原料、半成品和成品及时运输到指定的位置，是保证排产方案能按时执行的重要环节。离散制造过程中各设备上产品的投产顺序灵活多变，因此不适合用传送带运输半成品。随着智能车间的研究与推广，无人智能车(Automated Guided Vehicle,AGV)被广泛应用于工业领域，AGV可以在程序的指导下高效准确地完成物料的搬运任务，提高排产调度方案的执行效率，因此以AGV为对象进行了调度系统的建模与优化。
[0004]当前单独研究排产优化或物流调度的成果已经较为成熟。这两个问题均为NP难问题，传统上使用整数规划或分支定界法寻找最优解，但这些方法寻优效率低、不适用于较大规模的问题。因此，国内外学者先后提出了人工蜂群算法、粒子群算法、模拟退火算法和蚁群算法等智能搜索算法。但当前大部分的算法成果往往只侧重于两个问题中的一个，或只强调求解最优的排产方案、隐去后续物流调度的安排，或只根据已知的生产需求设置最优的物流调度方案，考虑得比较片面；另一方面，单独优化两个问题得到的方案组合起来不一定是最优的，因此这些算法得到的方案往往不能直接投入使用。少数综合两个问题同时优化的方法忽略了二者的内在联系，仅在建模时通过时间约束表示二者互相影响，对整体方案应用优化算法，问题的可行域更复杂，求解时间更长。综上所述，在同时优化排产方案和物流调度的领域，利用二者内在联系加速优化速度并提高优化质量的研究成果尚属空白。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于改进遗传算法的设备排产和场内物流调度优化方法。该方法在模型中同时考虑了设备加工和AGV运输对生产过程的影响，分步进行最优设备排产方案和最优AGV调度方案的求解，通过在设备排产优化过程中插入时间片预留运输时间，确保两部分方案的组合可以得到近似整体最优的调度方案。
[0006]本专利技术的目的是通过以下技术方案来实现的：一种基于改进遗传算法的设备排产和场内物流调度优化方法，其特征在于，包括以下步骤：
[0007]步骤(1)：获取订单信息、设备信息和AGV状态；订单信息包括订单编号、订单内产品的种类和数量、订单产品的工序种类和总数、每个工序可以使用的设备和在不同设备上的加工时间、不同状态的物料所需的装卸时间；根据订单划分产品批次，同一批次内的产品种类相同，以批次作为排产调度的基本单位；在获得所有批次产品的工艺路线后，确定工序和对应的运输任务并编号；设备信息包括设备种类、数量和位置坐标，并给每台设备唯一编号；AGV状态包括正常工作的AGV编号，以及根据AGV当前性能计算出的在不同设备之间的行驶时间；
[0008]步骤(2)：根据需求设定优化目标，选择对应的遗传算法种群适应度函数；
[0009]步骤(3)：设置种群大小、最大迭代次数和收敛阈值，初始化一个种群用于求解最优的设备排产方案；使用MSOS编码方法，每个个体由一条设备选择串和一条工序顺序串组成；使用遗传算法对种群进行迭代优化，具体操作包括解码计算适应度、选择操作、交叉操作和变异操作；特别地，在将染色体组解码为排产方案、递推各工序的起止时间时，同一产品的相邻工序之间需要插入时间片，长度为预估的运输时间；当停止迭代的条件满足，输出适应度最高的个体对应的染色体组；
[0010]步骤(4)：设置种群大小、最大迭代次数和收敛阈值，重新初始化一个种群用于求解当前最优排产方案下最优的AGV调度方案；每个个体由四条染色体子串组成，包括设备选择串、工序顺序串、AGV选择串和运输顺序串，其中设备选择串和工序顺序串为步骤(3)输出的最优个体染色体组，AGV选择串和运输顺序串按照MSOS编码规则随机生成；使用遗传算法对种群进行迭代优化，但迭代过程中只对AGV选择串和运输顺序串执行交叉和变异操作；重复迭代直至停止条件满足，输出适应度最高的个体对应的排产调度方案。
[0011]进一步地，步骤(2)所述优化目标为最小化整个排产调度方案的执行时间，即所有产品完成加工并运输到仓库的时间产品完成加工并运输到仓库的时间第一项为产品n完成最后一道加工工序的时刻；O
np
为工序标号，代表产品n的第p个工序，产品n的工序总数为P
n
；第二项为产品n装载上AGV所用时间；为0
‑
1变量，当工序在编号为j的设备上加工则为1，否则为0，TD
j0
是AGV从设备j行驶到仓库所用时间，从而公式第三项代表AGV从加工工序的设备处行驶到仓库所用时间；第四项是卸货时间；优化目标是使T
max
最小，取作为适应度函数，C＞0为常数，将优化目标转换为最大化f。
[0012]进一步地，步骤(3)所述过程可具体表示如下：
[0013]步骤(3.1)设置种群大小、最大迭代次数和收敛阈值，初始化一个种群用于求解最优的设备排产方案，使用MSOS编码方法，每个个体由一条设备选择串和一条工序顺序串组成；
[0014]步骤(3.2)将种群中的染色体解码为具体的排产方案，计算每个个体的适应度；在将染色体组解码为排产方案、递推各工序的起止时间时，同一产品的相邻工序之间需要插入时间片，长度为预估在两工序执行设备之间运输所用时间；
[0015]步骤(3.3)根据精英保留策略，保留种群中适应度最高的个体；再对当前种群应用
二元锦标赛选择算子，选出适应度更高的个体加入新一代种群；
[0016]步骤(3.4)按照设定的概率，随机对种群中的染色体进行交叉和变异操作，得到新的种群；
[0017]步骤(3.5)当种群迭代进化的总次数达到最大迭代次数，或者收敛性参数达到收敛阈值，结束迭代并输出适应度最高的个体；否则，更新收敛性参数，返回步骤(3.2)。
[0018]进一步地，步骤(4)所述过程可具体表示如下：
[0019]步骤(4.1)设置种群大小、最大迭代次数和收敛阈值，在已知最优设备排产方案的基础上初始化一个新的种群，用于获得当前排产方案下最优的AGV调度方案；所生成的每个个体由四条染色体子串组成，其中设备选择串和工序顺序串为最优设备排产方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进遗传算法的设备排产和场内物流调度优化方法，其特征在于，包括以下步骤：步骤(1)：获取订单信息、设备信息和AGV状态；订单信息包括订单编号、订单内产品的种类和数量、订单产品的工序种类和总数、每个工序可以使用的设备和在不同设备上的加工时间、不同状态的物料所需的装卸时间；根据订单划分产品批次，同一批次内的产品种类相同，以批次作为排产调度的基本单位；在获得所有批次产品的工艺路线后，确定工序和对应的运输任务并编号；设备信息包括设备种类、数量和位置坐标，并给每台设备唯一编号；AGV状态包括正常工作的AGV编号，以及根据AGV当前性能计算出的在不同设备之间的行驶时间；步骤(2)：根据需求设定优化目标，选择对应的遗传算法种群适应度函数；步骤(3)：设置种群大小、最大迭代次数和收敛阈值，初始化一个种群用于求解最优的设备排产方案；使用MSOS编码方法，每个个体由一条设备选择串和一条工序顺序串组成；使用遗传算法对种群进行迭代优化，具体操作包括解码计算适应度、选择操作、交叉操作和变异操作；特别地，在将染色体组解码为排产方案、递推各工序的起止时间时，同一产品的相邻工序之间需要插入时间片，长度为预估的运输时间；当停止迭代的条件满足，输出适应度最高的个体对应的染色体组；步骤(4)：设置种群大小、最大迭代次数和收敛阈值，重新初始化一个种群用于求解当前最优排产方案下最优的AGV调度方案；每个个体由四条染色体子串组成，包括设备选择串、工序顺序串、AGV选择串和运输顺序串，其中设备选择串和工序顺序串为步骤(3)输出的最优个体染色体组，AGV选择串和运输顺序串按照MSOS编码规则随机生成；使用遗传算法对种群进行迭代优化，但迭代过程中只对AGV选择串和运输顺序串执行交叉和变异操作；重复迭代直至停止条件满足，输出适应度最高的个体对应的排产调度方案。2.根据权利要求1所述的方法，其特征在于，步骤(2)所述优化目标为最小化整个排产调度方案的执行时间，即最小化所有产品完成加工并运输到仓库的时间第一项为产品n完成最后一道加工工序的时刻；O
np
为工序标号，代表产品n的第p个工序，产品n的工序总数为P
n
；第二项为产品n装载上AGV所用时间；为0
‑
1变量，当工序在编号为j的设备上加工则为1，否则为0，TD
j0
是AGV从设备j行驶到仓库所用时间，从而公式第三项代表AGV从加工工序的设备处行驶到仓库所用时间；第四项是卸货时间；优化目标是使T
max
最小，取作为适应度函数，C＞0为常数，将优化目标转换为最大化f。3.根据权利要求1所述的方法，其特征在于，步骤(3)所述过程可具体表示如下：步骤(3.1)设置种群大小、最大迭代次数和收敛阈值，初始化一个种群用于求解最优的设备排产方案，使用MSOS编码方法，每个个体由一条设备选择串和一条工序顺序串组成；步骤(3.2)将种群中的染色体解码为具体的排产方案，计算每个个体的适应度；在将染色体组解码为排产方案、递推各工序的起止时间时，同一产品的相邻工序之间需要插入时间片，长度为预估在两工序执行设备之间运输所用时间；步骤(3.3)根据精英保留策略，保留种群中适应度最高的个体；再对当前种群应用二元
锦标赛选择算子，选出适应度更高的个体加入新一代种群；步骤(3.4)按照设定的概率，随机对种群中的染色体进行交叉和变异操作，得到新的种群；步骤(3.5)当种群迭代进化的总次数达到最大迭代次数，或者收敛性参数达到收敛阈值，结束迭代并输出适应度最高的个体；否则，更新收敛性参数，返回步骤(3.2)。4.根据权利要求1所述的方法，其特征在于，步骤(4)所述过程可具体表示如下：步骤(4.1)设置种群大小、最大迭代次数和收敛阈值，在已知最优设备排产方案的基础上初始化一个新的种群，用于获得当前排产方案下最优的AGV调度方案；所生成的每个个体由四条染色体子串组成，其中设备选择串和工序顺序串为最优设备排产方案对应的染色体组，AGV选择串和运输顺序串按照MSOS编码规则随机生成；步骤(4.2)将种群中的染色体解码为具体的调度方案，计算每个个体的适应度；步骤(4.3)根据精英保留策略，保留种群中适应度最高的个体；再对当前种群应用二元锦标赛选择算子，选出适应度更高的个体加入新一代种群；步骤(4.4)按照设定的概率，随机对AGV选择串和运输顺序串进行交叉和变异操作，得到新的种群；步骤(4.5)当种群迭代进化的总次数达到最大迭代次数，或者收敛性参数达到收敛阈值，结束迭代并输出适应度最高的个体解码得到的调度方案；否则，更新收敛性参数，返回步骤(4.2)。5.根据权利要求3所述的方法，其特征在于，步骤(3.2)的解码过程中在各工序之间插入代表运输过程的时间片，具体过程如下：按照MSOS编码规则将染色体逆向解码为具体的排产方案，确定每个工序的执行设备和优先级，以及每台设备的加工任务表，依次递推出各工序开始加工和完成加工的时间点；对工序O
np
，首先查找该工序的执行设备编号j和执行顺序，确定设备j上排在O
np
前一位加工的紧前任务O
n
′
p
′
及其完成时间tc
n
′
p
′
，然后查找工序O
n(p
‑
1)
的完成时间tc
n(p
‑
1)
和执行设备编号j
′
；工序O
np
需要在设备j空闲，且O
n(p
‑
1)
加工完成后才能开始加工；同产品相邻工序之间需要插入代表运输过程的时间片，最终工序O
np
开始加工的时间为ts
np
＝max{tc
n
′
p
′
，tc
n(p
‑
1)
+TD
j
′
j
}，其中TD
j
′
j
是AGV从设备j
′...

【专利技术属性】
技术研发人员：宋执环，李丹宁，杨春节，何川，
申请(专利权)人：浙江大学，
类型：发明
国别省市：