一种一致批次的序列依赖流水车间组调度多目标优化方法技术

本发明专利技术提供了一种一致批次的序列依赖流水车间组调度多目标优化方法。考虑具有一致批次、准备时间和组约束的FSP问题，提出了一种基于多种群的协同多目标进化算法MPCMOEA，根据问题特征，设计了三种群与档案集协同进化的主体框架，采用了混合初始化方法生成了高质量出事解决方案，并针对不同的子问题设计了不同的局部搜索算子对初始解加以改进。目标是最小化最大完工时间和总能耗。另外，针对总能耗目标还提出了贪婪节能策略，在不改变最大完工时间的情况下，尽可能得减小能量消耗。最后，利用田口实验对MPCMOEA算法的参数进行了标定，并通过大量的实验对所提出的策略进行了验证。通过大规模随机生成的基准实例集对该算法进行了测试，验证了该算法能够较好地解决所考虑的问题。题。题。

【技术实现步骤摘要】
一种一致批次的序列依赖流水车间组调度多目标优化方法


[0001]本专利技术属于生产调度领域，具体涉及一种解决带一致批次、切换时间和组约束的车间调度问题的基于多种群的协同多目标进化算法。
技术背景
[0002]生产调度是实现先进制造的基础和关键，高质量的调度方案能够提高生产效率和资源利用率，从而增强企业的竞争力。该领域中最困难的问题之一是流水车间调度问题(FSP)，即在一组工件按照相同的顺序依次在一组串行排列的机器上加工，各个工件在各台机器上的加工时间已知，要求找到工件在各机器上的加工顺序(工件排序)使得调度目标最优。从实际需求出发，整个时代进入了一个市场需求日益多样化的新阶段，多品种、中小批量混合生产已成为现代生产方式的主流，单纯地依靠扩大批量来降低成本的传统做法已经受到了挑战，在这一背景下，成组技术(GT)脱颖而出，并在智能制造领域得到了广泛的应用。以船舶建造为例，船舶及海工装备制造过程中使用到的管系种类多而杂，但许多管件在结构、形状、尺寸、材料、精度要求等固有特征方面具有基本的相似性，利用这些相似性对管件进行分类、归组、建立管子零件族，使船舶零件种类不断减少，建造工时不断下降。当机器加工不同管子零件族时，由于零件族结构的不同，需要考虑族之间机器的准备时间，而同一组内工件机器相似，其准备时间可忽略不计。此外，为了缩短机器的空闲时间，减少管件的囤积，加快管件的加工速度，也考虑了对每个零件族内管件的分割，即批量流技术(Lot streaming)。结合组技术、切换时间和批量流技术的流水车间调度问题，它更接近实际生产情况。批量流问题中一个主要的问题是对工件进行分批，批次的大小尤为重要，批次大小包括三类：等量批次、一致批次和变批次。本文考虑带一致批次、序列依赖准备时间和组技术的流水车间调度问题(SDGFSP_CS)。
[0003]SDGFSP_CS是组合优化和生产管理领域的重要研究课题。SDGFSP_CS由四个子问题组成，第一个子问题是将一系列组排序，第二个子问题是确定组内工件在机器上的加工顺序(工件排序)，第三个子问题是将一系列工件分割成不同的子批次，第四个子问题是为每个工件分配加工速度。由于问题的复杂性，SDGFSP_CS不仅要解决个体编码，还要为每个子问题设计不同的进化策略。因此，要解决SDGFSP_CS的问题就困难得多。
[0004]Tseng等人针对带等量批次的流水车间调度问题设计了一种离散粒子群算法(DPSO)。Li等人使用了基于分解的多目标进化算法(MOEA/D)求解了带可变批次的混合流水车间调度问题(HFSP)。同样，Zhang等人提出了一种新的变邻域算法求解带一致批次的混合流水车间调度问题。Han等人应用了一种融合离散作业编码和类似块交叉策略的候鸟进化算法(MBO)来解决批量流流水车间调度问题，并将其扩展到多目标问题上。
[0005]Hitomi和Ham在1976年首次提出了流水车间组调度问题。Schaller等人证明了它是NP
‑
难问题，并提出了几个启发式算法来最小化最大完工时间。Reddy和Narendran提出了组内工件调度的启发式方法，以提高单元内机器的利用率。Franca等人提出了一种混合模因遗传算法求解具有序列无关设置时间的流水车间组调度问题。Liou等人研究了一类具有
序列相关设置时间和单向运输时间的两阶段流水车间组调度问题，提出了一种混合粒子群和遗传算法来最小化最大完工时间。Yuan和Li在流水车间调度问题的基础上考虑了组之间序列依赖准备时间和往返运输时间约束，建立了一个混合整数线性规划模型，并提出了一种有效的离散微分协同进化算法。Pan通过最小化最大完工时间、总流经时间和总能耗，将贪婪协同进化算法(GCCEA)用于分布式流水车间组调度问题。
[0006]近几年，协作协同进化算法(CCEA)将高维度复杂问题分解成一组较低维、易于处理的子问题，每一个子问题都可以在一个独立的子种群中进化求解。其解决各种优化问题的能力吸引了大量研究人员的兴趣。针对炼钢
‑
连铸问题，Pan提出了一种新颖的协作协同进化人工蜂群算法(CCABA)。Zheng和Wang提出了一种协同多目标果蝇优化算法(CMFOA)，以最大完工时间和总碳排放量最小为准则，解决资源约束的非相关并行机绿色制造调度问题。Chen等人提出了一种协同进化算法来解决大规模配水网络优化问题。为提高鲸鱼优化算法的性能，一种具有两阶段正交学习机制的多种群协同进化框架被提出。
[0007]从以上研究可以看出，研究人员已经研究了带批量流的流水车间调度问题，分组技术也在许多研究中得到了考虑。值得注意的是，在实际生产系统中，需要考虑批量流和分组技术的结合。而协同进化算法已被广泛应用于多种类型的最优调度问题，为此，本文研究了一种有效的基于多种群的协同多目标进化算法解决SDGFSP_CS。主要贡献如下：(1)考虑到SDGFSP_CS的问题特性，一种三种群与档案集协同进化的算法架构被提出；(2)设计了一个混合初始化方法生成高质量的初始解；(3)设计了八个局部搜索算子用于提高解的局部搜索能力；(4)为了防止解陷入局部最优，提出了一种重新初始化策略；(5)基于速度的变异策略和贪婪节能策略被提出用于获得更多的潜在非支配解并优化总能耗；(6)每个解由包含不同信息的四部分组成；(7)批量流、组调度与序列依赖准备时间使所研究的问题更接近实际。

技术实现思路

[0008]本专利技术的目的在于解决上述现有技术中存在的难题，提供一种解决带一致批次、切换时间和组约束的车间调度问题的基于多种群的协同多目标进化算法，提高流水车间调度的效率，缩小完工时间，减少能源消耗。本专利技术是通过以下技术方案实现的：
[0009]一种一致批次的序列依赖流水车间组调度多目标优化方法，其特征在于：所述方法包括：
[0010]S1:研究了流水车间调度问题，在这个问题中同时考虑了相似结构工件分组，相邻组之间的切换时间和工件一致分批；
[0011]S2：确定优化的目标及约束条件；
[0012]S3：针对问题特征设计了一个基于多种群的协同进化算法；
[0013]S4：提出了一个混合初始化方法来构造初始化档案集；
[0014]S5：构造了五个局部搜索算子来为多种群协同进化算法改进优解，并设计了一个重新初始化方法防止种群进化陷入局部最优；
[0015]S6：采用基于速度的变异策略和贪婪节能策略获得更多潜在的帕累托解并优化总能耗；
[0016]S7：所提出的算法对研究的问题进行了有效的验证。
[0017]所述S1带一致批次和切换时间的流水车间组调度问题中，有一组作业和一组机床.按照工件在结构、尺寸、材料或精度等固有特征方面的相似性对工件进行分类、归组、建立工件组。当机器上的前后组不一致时，需要两个组之间的切换时间，考虑到组内工件的相似性，不同作业间的切换时间忽略不计，被考虑在工件的加工时间中。此外，为了缩短机器的空闲时间，减少工件的囤积，加快工件的加工速度，也考虑了对每个组内工件的分割。我们需要同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种一致批次的序列依赖流水车间组调度多目标优化方法，其特征在于：所述方法包括：S1:研究了流水车间调度问题，在这个问题中同时考虑了相似结构工件分组，相邻组之间的切换时间和工件一致分批；S2：确定优化的目标及约束条件；S3：针对问题特征设计了一个基于多种群的协同进化算法；S4：提出了一个混合初始化方法来构造初始化档案集；S5：构造了五个局部搜索算子来为多种群协同进化算法改进优解，并设计了一个重新初始化方法防止种群进化陷入局部最优；S6：采用基于速度的变异策略和贪婪节能策略获得更多潜在的帕累托解并优化总能耗；S7：所提出的算法对研究的问题进行了有效的验证。2.根据权力要求1所述的一种一致批次的序列依赖流水车间组调度多目标优化方法，其特征在于：所述S1带一致批次和切换时间的流水车间组调度问题中，有一组作业和一组机床，按照工件在结构、尺寸、材料或精度等固有特征方面的相似性对工件进行分类、归组、建立工件组，当机器上的前后组不一致时，需要两个组之间的切换时间，考虑到组内工件的相似性，不同作业间的切换时间忽略不计，被考虑在工件的加工时间中，此外，为了缩短机器的空闲时间，减少工件的囤积，加快工件的加工速度，也考虑了对每个组内工件的分割，我们需要同时决定组的加工顺序，每台机器上的工件的操作顺序，工件在机器上的处理速度和每个工件的分割情况，以最大限度地减少完工时间和总能耗，问题的约束条件是：所有子批次在时间零都可用且准备就绪；同一组内工件必须连续加工；每个工件被分割成不同数量的子批次，同一工件的子批次必须连续加工；每个操作每次只能在一台机器上处理；机器一旦开始执行任务，在任务完成之前不能中断；每台机器的存储缓冲区容量足够大；抢占不可用，即后续操作必须等待前置操作完成；考虑了组之间的准备时间。3.根据权利要求2所述的一种一致批次的序列依赖流水车间组调度多目标优化方法，其特征在于：所述S2中目标函数为：min C
max
min TECC
max
表示工件最大完工时间的一个连续变量；TEC表示所有机器的总能量消耗。4.根据权利要求3所述的一种一致批次的序列依赖流水车间组调度多目标优化方法，其特征在于：所述S3是这样实现的：基于多种群的协同多目标进化算法(MPCMOEA)的步骤如下：步骤1，混合初始化步骤2，多种群进化步骤3，重新初始化步骤4，基于速度的变异策略
步骤5，贪婪节能策略所述步骤1是这样实现的：基于多种群的协同多目标进化算法有三个种群和一个档案集组成，根据问题的特征构建三个种群，分别是组种群、工件种群和工件分割情况种群，档案集由多个完整的解组成，组序列、工件序列、工件分割矩阵和工件在机器上加工速度四个子问题组成完整的解，针对不同的子问题采用混合初始化方法完成三种群和档案集的初始化；所述步骤2是这样实现的：三个种群采用并行进化的方式分别完成组序列、工件序列和工件分割矩阵的优化，每个种群与档案集协同操作，对于组种群，组种群中包含P
size
个个体，每个个体由一个组序列μ、两个映射表Map1和Map2、一个计数器Counter组成，在种群进化阶段，保持工件的加工速度v不变，调度组序列、工件序列和工件分割矩阵，Map1存储的是当前个体对应的工件序列在档案集中的索引值，Map2存储的是对应的工件分割矩阵在档案集中的索引值，针对不同种群，我们设计了不同的进化算子来优化序列，针对组种群，本文设计了基于组的贪婪交换算子(GGS)和基于组的贪婪插入算子(GGI)；针对工件种群，本文设计了基于工件的块交换算子(JBS)；针对工件分割情况种群，本文设计了基于分割的贪婪块交换算子(SGBS)和基于分割的插入算子(SI)，对于种群中的每个个体都要进行进化操作产生一个新的解决方案，我们以组种群进化过程为例，首先从档案集中随机选择一个工件序列和一个工件分割矩阵与组序列生成一个完整的解，然后采用基于组的贪婪交换算子(GGS)和基于组的贪婪插入算子(GGI)更改组序列产生新的组调度序列μ
′
[Ind]
，然后判断新产生的解是否优于旧解，若新产生的解更优，则保留新解，去掉旧解，并更新组种群和档案集；所述步骤3是这样实现的：每个个体进化得带次数被设置，为了防止解陷入局部最优，我们设计了重新初始化策略，每个个体的计数器Counter记录着该解决方法未发生改变的次数，如果个体连续ρ代都未发生改变，将该个体内组序列或工件序列或工...

【专利技术属性】
技术研发人员：张媛媛，李俊青，薛涛，张凯兵，
申请(专利权)人：聊城大学，
类型：发明
国别省市：