一种基于PSO-GA混合优化算法的单目标多生产线调度控制方法，包括以下步骤：步骤1：输入不同工件可选生产线、首批加工时的相应准备时间、不同工件在可选生产线的换模时间、不同工件在可选生产线上的加工时间、单一目标函数和加工分批策略；步骤2：采用随机编码初始化运行参数；步骤3：初始化种群；步骤4：将P(t)分割成粒子规模相等的两个A、B子种群；步骤5：设定迭代次数；步骤6：对A种群的粒子群P1(t)进行基于SA局部改进的PSO操作；步骤7：对B种群的粒子群P2(t)进行基于SA局部改进的GA操作；步骤8：A、B种群进行信息共享；步骤9：判断终止条件是否满足，若是，输出最优个体。本发明专利技术实现调度优化。
【技术实现步骤摘要】
本专利技术涉及一种基于粒子群优化算法(Particle Swarm Optimization，以下简称 PS0)和遗传算法(Genetic Algorithm,以下简称GA)的混合优化算法的多生产线调度控制方法，属于企业管理工程与信息
技术介绍
目前已有一种基于遗传算法的可重组生产线调度方法，包括未完成的加工任务的排序和设备的分配，在工件的排序中，利用遗传算法对一条包含一台可移动设备和一台可变结构设备的可重组生产线的η个未完成加工任务进行最优排序，得到加工任务的最优排序，然后根据该排序进行设备重组。常见的应用于调度理论的智能优化算法包括粒子群算法(PSO)、禁忌搜索(TS)、分散搜索(SS)、遗传算法(GA)、模拟退火(SA)、人工免疫系统 (AIS)和蚁群算法(ACO)等。
技术实现思路
为了克服已有现有的多生产线调度控制方法的调度结果较差的不足，本专利技术提供一种实现调度优化的基于PSO-GA混合优化算法的单目标多生产线调度控制方法。本专利技术解决其技术问题所采用的技术方案是一种基于PSO-GA混合优化算法的单目标多生产线调度控制方法，所述控制方法包括以下步骤步骤1 建立多生产线作业协调调度问题的数学模型，其中，多生产线作业协调调度的符号定义如下U 共U条生产线；η 共η种工件；TT (i，1)判断第i种工件是否可以在第1条生产线上加工，若可以加工该值为1， 若不可以加工该值为0(1 = 1，2，...U)；η'所有工件共分成η'批；QF(i，k')第i种工件第k'批的批量;m'⑴第i种工件被分成m'⑴批；Qi 第i种工件的需求量；Qlk 第1条生产线第k批工件的批量；m⑴第1条生产线加工的工件批数；number (1)工件在生产线1上加工时，需在Mimber(I)台机器上进行加工；til 为第i种工件在生产线1上开工时的加工准备时间；t' ,J1 在生产线1上，前一批为第i种工件，后一批为第j种工件的换模时间；rlk 生产线1上加工第k批工件的开工时间；rlkdw 生产线1上加工第k批工件第d个工件第w个工序的开工时间；L(l，k)在生产线1上加工的第k批工件种类号，权利要求1. 一种基于PSO-GA混合优化算法的单目标多生产线调度控制方法，其特征在于所述控制方法包括以下步骤步骤1 建立多生产线作业协调调度问题的数学模型，其中，多生产线作业协调调度的符号定义如下U:共U条生产线； η 共η种工件；TT (i，1)判断第i种工件是否可以在第1条生产线上加工，若可以加工该值为1，若不可以加工该值为0(1 = 1,2, ...U)； η'所有工件共分成η‘批； QF(i，k'):第i种工件第k'批的批量； m'⑴第i种工件被分成m'⑴批； Qi 第i种工件的需求量； Qlk 第1条生产线第k批工件的批量； m(l)第1条生产线加工的工件批数；number (1)工件在生产线1上加工时，需在number (1)台机器上进行加工； ta 为第i种工件在生产线1上开工时的加工准备时间； t' m 在生产线1上，前一批为第i种工件，后一批为第j种工件的换模时间； rlk 生产线1上加工第k批工件的开工时间；rlkdw 生产线1上加工第k批工件第d个工件第w个工序的开工时间；L(l，k)在生产线1上加工的第k批工件种类号，L(l，k) e {1，2，···，η}；P1(I^w)第i种工件在第1条生产线上加工时的第w个工序的加工时间；PL(1,k)第k批工件在生产线1上加工的单件工时；P' L(1,k),w 第k批工件在生产线1的第W个工序生产单件工件所需工时；B(i)第i种工件的产品族号；Clk 生产线1上第k批工件加工任务的完工时间；Cfflax 所有工件完工时间；Wi 第i种工件的完成时间；Wui^ffdi 第i种工件的最早交货期和最晚交货期；输入不同工件可选生产线、首批加工时的相应准备时间、不同工件在可选生产线的换模时间、不同工件在可选生产线上的加工时间、单一目标函数和加工分批策略；步骤2 采用随机编码，包括编码控制基因^ci和参数基因Zi ；并初始化运行参数，包括设定粒子种群规模N、迭代次数M、n、惯性权重W、学习因子C1、社会因子C2、交叉概率最小值 ^和最大值P。2、变异概率最小值Pml和最大值Pm2、退火常数入；步骤3 初始化种群，按种群规模和约束条件随机生成偶数个组成的种群P (t)； 步骤4 将P(t)分割成粒子规模相等的两个A、B子种群，粒子分别存储在P1(OUt)； 步骤5 设定迭代次数t = O ；步骤6 对A种群的粒子群P1 (t)进行基于SA局部改进的PSO操作，操作如下 步骤6. 1 dfPiU)种群进行适应度评价，计算每个粒子的适应度值为P1 (i)，将当前粒子的位置和适应度值存储在I^best1中，将所有HDest1中适应度值最优的个体存储在gbes、中，找出最优解，记为Pgl;步骤6. 2 用SA算法进行局部搜索，按2.如权利要求1所述的基于PSO-GA混合优化算法的单目标多生产线调度控制方法，其特征在于所述控制方法还包括以下步骤步骤10 根据最优解绘制各生产线生产工件次序甘特图。全文摘要一种基于PSO-GA混合优化算法的单目标多生产线调度控制方法，包括以下步骤步骤1输入不同工件可选生产线、首批加工时的相应准备时间、不同工件在可选生产线的换模时间、不同工件在可选生产线上的加工时间、单一目标函数和加工分批策略；步骤2采用随机编码初始化运行参数；步骤3初始化种群；步骤4将P(t)分割成粒子规模相等的两个A、B子种群；步骤5设定迭代次数；步骤6对A种群的粒子群P1(t)进行基于SA局部改进的PSO操作；步骤7对B种群的粒子群P2(t)进行基于SA局部改进的GA操作；步骤8A、B种群进行信息共享；步骤9判断终止条件是否满足，若是，输出最优个体。本专利技术实现调度优化。文档编号G05B13/02GK102393634SQ20111038351公开日2012年3月28日 申请日期2011年11月28日 优先权日2011年11月28日专利技术者吴云翔, 潘益菁, 盛家君, 邱晓杰, 陈勇 申请人:浙江工业大学本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：陈勇，邱晓杰，吴云翔，潘益菁，盛家君，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
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。