System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种节能分布式装配混合流水车间调度方法,属于混合流水车间调度。
技术介绍
1、随着经济全球化的不断深入,许多企业的现代生产模式趋向于从传统的集中式制造向跨区域的分散式制造模式转变。鉴于上述背景,研究节能与分布式调度问题具有重要的学术价值和现实意义。在当前备受关注的分布式调度问题中,分布式装配混合流水车间调度问题(distributed assembly hybrid flow shop scheduling problem,dahfsp)可见于现实世界中的各种场景,如混凝土生产、照相胶卷制造、集装箱装卸系统等。dahfsp已被证明是强意义的np-hard,其内在几何结构与最优解之间的关系仍是一个未解决问题,因此目前还没有任何算法能在多项式时间内获得最优解。近年来,解决dahfsp的主流方法是混合智能优化算法(hybrid intelligent optimization algorithms,hioas)。针对dahfsp,lei等人提出了一种带强化学习的新型蛙跳算法。随后,lei等人又提出了一种带合作关系的蛙跳算法,以最小化makespan。然而,上述hioas总是很难在解空间中进行有效搜索。超启发式算法(hyper-heuristic algorithms,hha)是一种新型的hioas。超启发式算法通过高层策略(high-level strategy,hls)低层启发式算法(low-level heuristics,llhs)进行操作或管理,从而实现对解空间不同区域的搜索。近年来,hhas已成功应用于解决各种
2、研究发现,现有优化方法存在以下技术问题:
3、首先,目前对于dahfsp大部分研究仅局限于与生产效率相关的目标,而忽略了在现实生产中,机器速度挡位是可根据当前具体加工情况进行调速的,忽略了能耗和环境影响等重要因素,这将导致生产全流程的碳排放量和能耗持续上升。
4、其次,由于所考虑的节能分布式装配混合流水车间调度问题(energy-efficientdahfsp,ee_dahfsp)比传统的dahfsp更为复杂,且ee_dahfsp可以简化为dahfsp。这意味着ee_dahfsp也是强np-hard问题。因此,设计一种有效的算法来解决这个问题是一个挑战。针对现有的分布式装配混合流水车间调度方法中,大多采用传统的元启发式方法,这些方法未充分利用全局搜索和局部搜索的优势,且缺乏协同联动的实现。此外,这些方法没有考虑不同搜索顺序可能带来的影响,导致算法在搜索过程中忽略了许多优质解。同时,目前调度方法未将基于强化学习的多智能体技术与超启发式算法相结合,用于解决分布式装配混合流水车间调度问题,造成模型求解速度缓慢且资源消耗较大。为优化这些问题,需要改进现有方法,充分发挥全局和局部搜索的协同效应,设计了一种基于超启发强化学习的多智能体算法(hyper heuristic with q-learning based multi-agent algorithm,hhqma)的节能分布式装配混合流水车间调度方法,以提高解决效率和质量,降低资源消耗。
5、专利技术目的
6、为克服现有技术在解决节能分布式装配混合流水车间调度问题中存在的不足,本专利技术提供一种节能分布式装配混合流水车间调度问题方法及系统优化方法,通过设计一种基于超启发强化学习的多智能体算法,实现了节能分布式装配混合流水车间调度问题的有效求解。同时,在算法框架中融入两类基于问题性质的速度调整策略,既能减小最大完工时间,又能进一步降低生产全流程的碳排放或能耗,实现了多个调度目标的合理平衡,从而解决现有技术中存在的问题。
技术实现思路
1、本专利技术提供了一种节能的分布式装配混合流水车间调度方法,包括如下步骤:
2、step 1:获取节能分布式装配流水车间的参数;
3、step 2:根据节能分布式装配流水车间的参数,建立ee_dahfsp的数学模型,包括目标函数和约束条件;
4、step 3:设计基于超启发强化学习的多智能体算法hhqma,使用该算法对节能分布式装配混合流水车间调度问题的模型进行求解,在求解过程中,将每个个体作为调度的可行解,在迭代完成后,保留所有位于近似帕累托前沿上的非支配解作为最优解。
5、其中,基于超启发强化学习的多智能体算法,是指在超启发的算法框架中高层使用基于强化学习的多智能体,低层针对问题特性的邻域结构,构建启发式llhs集合。对于高层中所涉及到的多智能体指的是联合智能体、生产智能体和装配智能体这三个智能体。其中在每个智能中高层使用q-learning学习策略来引导其对应llhs的搜索,然后使用一种带有反馈的奖励机制来使算法朝着解空间中有希望的区域搜索,以提高算法的全局寻优能力。
6、作为本专利技术的进一步方案,step 1所述的分布式装配混合流水车间的参数具体包括:
7、工件数量、产品数量、机器数量、工厂数量、工件与产品从属关系、工件分配方式、产品加工顺序、工件在机器上加工时间和加工速度、机器处于加工和空闲状态单位时间能耗。
8、作为本专利技术的进一步方案,step 2所述的建立ee_dahfsp的数学模型中:
9、目标函数:最小化最大完工时间和总能耗;其中,最小化最大完工时间表述为最后一个产品在装配机器上装配完成时间的最小化。最小化总能耗表述为机器处于加工和空闲状态时这两部分总能耗的最小化。
10、约束条件:在节能分布式装配混合流水车间调度问题中,有p个产品和n个工作组成。ψh(h=1,2,...,p)是一个产品的工件集。表示所有产品的工件数。有f个工厂,每个工厂都是一个有s个加工阶段的混合流水车间,且每个工厂都有相同的并行机。产品的每个工件都在选定的机器上进行加工。每个工厂都有一台装配机。整个过程包括两个主要阶段:生产阶段和装配阶段。
11、在生产阶段,每个工件贯穿所有阶段,在某一特定阶段,每个工件只分配给一台机器;在任何给定时间,一台机器最多可加工一个工件;不允许中断,处于某一阶段的工件只有在其前一个作业被完全处理后才能开始处理。
12、在装配阶段,该阶段由一台装配机完成,用于将加工完成的工件装配成产品。与生产阶段不同的是,在装配阶段中,每个产品的装配必须在其对应的生产工厂内的装配机上进行。当产品的所有工件都已加工完成,且装配机处于空闲状态,才允许对产品进行装配。一旦产品开始装配,必须全程无中断地执行,确保高效的装配流程。
13、作为本专利技术的进一步方案,所述step 3具体包括:
14、step 3.1:设计ee_dahfsp的编码和解码方式;
15、step 3.2:初始化hhqma的参数,具体参数包括种群规模(ps)、初始学习率(αt)、折现因子(γ)、初始贪本文档来自技高网...
【技术保护点】
1.一种节能分布式装配混合流水车间调度方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种节能分布式装配混合流水车间调度方法,其特征在于:所述Step 1的分布式装配混合流水车间的参数具体包括:
3.根据权利要求1所述的一种节能分布式装配混合流水车间调度方法,其特征在于:所述Step 2建立EE_DAHFSP的数学模型包括:
4.根据权利要求3所述的一种节能分布式装配混合流水车间调度方法,其特征在于:
5.根据权利要求1所述的一种节能分布式装配混合流水车间调度方法,其特征在于:
6.根据权利要求5所述的一种节能分布式装配混合流水车间调度方法,其特征在于:
7.根据权利要求5所述的一种节能分布式装配混合流水车间调度方法,其特征在于:所述Step 3.3的低层启发式操作LLHs集合包括:
8.根据权利要求5所述的一种节能分布式装配混合流水车间调度方法,其特征在于:所述Step 3.10的两种基于问题特性的节能调速策略具体为:
【技术特征摘要】
1.一种节能分布式装配混合流水车间调度方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的一种节能分布式装配混合流水车间调度方法,其特征在于:所述step 1的分布式装配混合流水车间的参数具体包括:
3.根据权利要求1所述的一种节能分布式装配混合流水车间调度方法,其特征在于:所述step 2建立ee_dahfsp的数学模型包括:
4.根据权利要求3所述的一种节能分布式装配混合流水车间调度方法,其特征在于:
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。