一种不确定环境下再制造可重入柔性车间调度方法技术

本发明专利技术公开了一种不确定环境下再制造可重入柔性车间调度方法，针对不确定环境下再制造可重入柔性车间调度优化问题，采用双模糊数表示加工时间和加工成本，以最小化最大完工时间、总成本和机器总负荷为目标构建调度优化模型，并采用期望值算子方法将调度优化模型转化为等效确定模型。然后采用二维编码来表示等效确定模型的解，并提出了一种高效的RLNSGA

【技术实现步骤摘要】
一种不确定环境下再制造可重入柔性车间调度方法


[0001]本申请属于再制造
，尤其涉及一种不确定环境下再制造可重入柔性车间调度方法。

技术介绍

[0002]作为一种资源节约型和环境友好型的制造范式，再制造是指通过拆卸、再加工和重组等一系列操作将废旧产品修复到全新状态的生产过程。然而，废旧产品的使用状况、失效形式和程度存在显著差异，导致再制造具有复杂的内在不确定性。在实际再制造过程中，由于工人操作水平、加工环境等外部因素的影响，导致加工时间和加工成本也呈现出很大的外在不确定性，且与前述的内在不确定性形成叠加影响，最终呈现出复杂的双重不确定性。此外，由于再制造操作具有可重入性(即废旧产品因存在加工前无法检测到的某些缺陷而导致部分加工操作需要反复进行多次)和机器柔性的特点，使得再制造调度问题更具挑战性。
[0003]目前有关不确定环境下再制造调度问题的研究成果主要涉及简单模糊理论和随机优化方法。然而，受制于再制造过程中复杂的双重不确定性，上述方法并不能对其进行全面准确的描述。尽管有少量学者尝试采用更为完备的双模糊理论来描述双重不确定性，但是并未阐明双重不确定性与双模糊理论之间的映射关系。此外，现有技术没有针对不确定性所造成的再制造操作可重入性进行研究。

技术实现思路

[0004]本申请的目的是提供一种不确定环境下再制造可重入柔性车间调度方法，以解决目前再制造中双重不确定性环境下可重入操作所带来的调度方案无法到达最优的问题。
[0005]为了实现上述目的，本申请技术方案如下
[0006]一种不确定环境下再制造可重入柔性车间调度方法，所述不确定环境下再制造可重入柔性车间调度方法，包括：
[0007]步骤1、针对不确定环境下再制造可重入柔性车间调度优化问题，采用双模糊数表示加工时间和加工成本，以最小化最大完工时间、总成本和机器总负荷为目标构建调度优化模型，并采用期望值算子方法将调度优化模型转化为等效确定模型；
[0008]步骤2、采用二维编码来表示等效确定模型的解，所述二维编码的第一维表示操作顺序，第二维度表示执行每个操作所选择的机器，并生成初始种群；
[0009]步骤3、基于强化学习获得交叉率，对当前种群执行交叉变异操作；
[0010]步骤4、对执行交叉变异操作得到的种群执行局部搜索策略；
[0011]步骤5、对执行局部搜索策略后得到的种群进行快速非支配排序，计算拥挤度，然后基于精英保留策略生成新一代种群；
[0012]步骤6、判断是否达到迭代终止条件，如果是则结束迭代输出最优调度方案，否则返回步骤3继续进行迭代。
[0013]进一步的，所述生成初始种群，采用了包括随机规则、局部时间最小规则和局部成本最小规则的混合种群初始化策略，其中：
[0014]所述随机规则随机生成一组操作顺序向量，然后每个操作从备选机器集中随机选择一台机器进行加工；
[0015]所述局部时间最小规则随机生成一组操作顺序向量，然后每个操作都从备选机器集中选择加工时间最小的机器；
[0016]所述局部成本最小规则随机生成一组操作顺序向量，然后每个操作从备选机器集中选择加工成本最小的机器。
[0017]进一步的，所述等效确定模型，用公式表示为：
[0018][0019][0020][0021]其中，表示完成所有产品的再制造所需的双模糊时间期望值，表示第n台机器执行操作的双模糊结束时间期望值，表示再制造P
i
过程中第k次进行O
j
操作，P
i
表示废旧产品种类，O
j
表示再制造操作种类，表示完成所有产品的再制造所需的双模糊成本期望值，表示第n台机器执行操作所需的双模糊成本期望值，表示二进制变量，表示完成所有产品的再制造所需的双模糊机器总负荷期望值，表示第n台机器执行操作所需的双模糊加工时间期望值，废旧产品种类总共有I种，再制造操作种类总共有J种，K
ij
表示再制造P
i
过程中进行O
j
操作的总次数，N
ij
表示执行操作的机器总数量。
[0022]进一步的，所述强化学习以当前种群作为输入环境状态，输出动作交叉率。
[0023]进一步的，所述对当前种群执行交叉变异操作时，还包括：
[0024]对不满足交叉条件的父代和母代基因均使用逆转变异算子。
[0025]进一步的，所述对当前种群执行交叉变异操作时，还包括：
[0026]对交叉后产生的不可行解采用修复算子进行修复。
[0027]进一步的，所述对不满足交叉条件的父代和母代基因均使用逆转变异算子之后，还包括：
[0028]对变异后产生的不可行解采用修复算子进行修复。
[0029]本申请提出的一种不确定环境下再制造可重入柔性车间调度方法，采用双模糊理
论对再制造过程中的双重不确定性进行二维模糊化处理并构建了二者的映射关系，进而建立了以最小化最大完工时间、总成本和机器总负荷为目标的再制造可重入柔性车间调度模型，在此基础上提出了一种高效的RLNSGA
‑
II求解算法。首先，RLNSGA
‑
II算法通过Q
‑
learning技术在迭代过程中对交叉率进行动态优化，从而充分利用算法进化过程中生成的帕累托非支配解集的收敛性、均匀性等重要信息来改进种群的多样性并加快算法的收敛速度。此外，还设计了一种新的二维编码方案以提高算法效率，并嵌入了混合种群初始化策略以生成高质量的初始种群，采用了局部搜索策略以增强局部搜索能力。本申请技术方案提升了在不确定环境下再制造可重入柔性车间调度的效率，提高了调度方案的质量。
附图说明
[0030]图1为本申请不确定环境下再制造可重入柔性车间调度方法流程图。
[0031]图2为本申请实施例四种废旧产品的再制造过程甘特图。
[0032]图3为本申请实施例调度方案编码示意图。
[0033]图4为本申请实施例求解调度优化模型算法流程图。
[0034]图5为本申请实施例交叉算子示意图。
[0035]图6为本申请实施例逆转变异算子示意图。
[0036]图7为本申请实施例局部搜索策略示意图。
[0037]图8为本申请求解调度优化模型算法在不同实例上与传统算法性能实验结果图。
具体实施方式
[0038]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。
[0039]本申请针对不确定环境下再制造可重入柔性车间调度问题(Uncertain remanufacturing re
‑
entrant flexible job
‑
shop scheduling problem,URRFJSP)，在引入双模糊理论对双重不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种不确定环境下再制造可重入柔性车间调度方法，其特征在于，所述不确定环境下再制造可重入柔性车间调度方法，包括：步骤1、针对不确定环境下再制造可重入柔性车间调度优化问题，采用双模糊数表示加工时间和加工成本，以最小化最大完工时间、总成本和机器总负荷为目标构建调度优化模型，并采用期望值算子方法将调度优化模型转化为等效确定模型；步骤2、采用二维编码来表示等效确定模型的解，所述二维编码的第一维表示操作顺序，第二维度表示执行每个操作所选择的机器，并生成初始种群；步骤3、基于强化学习获得交叉率，对当前种群执行交叉变异操作；步骤4、对执行交叉变异操作得到的种群执行局部搜索策略；步骤5、对执行局部搜索策略后得到的种群进行快速非支配排序，计算拥挤度，然后基于精英保留策略生成新一代种群；步骤6、判断是否达到迭代终止条件，如果是则结束迭代输出最优调度方案，否则返回步骤3继续进行迭代。2.根据权利要求1所述的不确定环境下再制造可重入柔性车间调度方法，其特征在于，所述生成初始种群，采用了包括随机规则、局部时间最小规则和局部成本最小规则的混合种群初始化策略，其中：所述随机规则随机生成一组操作顺序向量，然后每个操作从备选机器集中随机选择一台机器进行加工；所述局部时间最小规则随机生成一组操作顺序向量，然后每个操作都从备选机器集中选择加工时间最小的机器；所述局部成本最小规则随机生成一组操作顺序向量，然后每个操作从备选机器集中选择加工成本最小的机器。3.根据权利要求1所述的不确定环境下再制造可重入柔性车间调度方法，其特征在于，所述等效确定模型，用公式表示为：用公式表示为：用公式表示为：其中，表示完成所有产品的再制造所需...

【专利技术属性】
技术研发人员：张文宇，王军，黄小玲，
申请(专利权)人：浙江财经大学，
类型：发明
国别省市：