[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111861167A - 基于分解的多目标优化算法的生产线在线动态调度方法 - Google Patents

基于分解的多目标优化算法的生产线在线动态调度方法 Download PDF

Info

Publication number
CN111861167A
CN111861167A CN202010645110.9A CN202010645110A CN111861167A CN 111861167 A CN111861167 A CN 111861167A CN 202010645110 A CN202010645110 A CN 202010645110A CN 111861167 A CN111861167 A CN 111861167A
Authority
CN
China
Prior art keywords
machine
time
processing
workpiece
workshop
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010645110.9A
Other languages
English (en)
Inventor
杨东升
周贤钰
杨之乐
周博文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Northeastern University China
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeastern University China, Shenzhen Institute of Advanced Technology of CAS filed Critical Northeastern University China
Priority to CN202010645110.9A priority Critical patent/CN111861167A/zh
Publication of CN111861167A publication Critical patent/CN111861167A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供一种基于分解的多目标优化算法的生产线在线动态调度方法，涉及车间动态调度技术领域。本方法主要解决了现有方法对动态事件的适应能力低且处理动态事件时必须停机的问题，首先进行初始化，读取工件和机器等的信息，建立优化目标模型，给定约束条件；在初始时刻，用基于分解的多目标优化算法，同时优化完工时间、总拖期、机器总负载和能量消耗等目标；在车间生产过程中，采用混合驱动再调度方式，能在不停机连续工作的情形下，用基于分解的多目标优化算法在新环境中快速产生一个新的动态再调度优化方案，以同时优化车间的完工时间、总拖期、机器总负载和能量消耗。

Description

基于分解的多目标优化算法的生产线在线动态调度方法
技术领域
本发明涉及车间动态调度技术领域，尤其涉及一种基于分解的多目标优化算法的生产线在线动态调度方法。
背景技术
柔性作业车间调度问题是传统车间调度问题的扩展形式，是一个NP-hard问题。车间调度包括工序调度和机器调度两个问题，柔性车间调度更加复杂，在于每道工序都能在至少一台机器上加工。通过某种算法在满足约束条件的前提下，实现工件最大完工时间最短、总拖期最小、机器的最大负载最小和能量消耗最小等优化目标。
而在实际生产车间中，有很多动态干扰，如“新工件下达”、“机器突发故障”和“故障机器重新工作”等，若再使用原调度方案，则车间效率会大大降低，因此需要采用动态的优化方法来进行车间调度，对实际的生产制造系统具有非常深远的意义。
MOEA/D将一个多目标优化问题分解为多个单目标优化的问题，借助权重向量将目标分解为协同优化的多个单目标子问题，能在帕累托平面上得到一组均匀分布的帕累托最优解，使MOEA/D能保持较好的多样性。
目前的柔性作业车间调度有以下不足：
(1)大多数仅考虑了工件、机器等都确定的情形，没有考虑动态事件的干扰，与实际生产中的车间不符，不适用于实际车间。
(2)已有的动态调度方法大多仅考虑了对最大完工时间的优化且仅用了单一的重调度方式，没有考虑其他因素会对车间的整体优化效果造成影响，没有考虑能源的消耗和工件在机器间的传输等。
(3)现有的对多目标的优化方式比较单一。大多用加权求和法将多目标转换为单目标，需要归一化且会较多的参数。因为多目标优化时多个目标一般是相互矛盾的，因此最好同时优化。
发明内容
针对现有技术的不足，本发明提供一种基于分解的多目标优化算法的生产线在线动态调度方法，用在有动态干扰的柔性作业车间生产中，实现工件工序和机器的分配调度，提高车间效率。
本发明所采取的技术方案是：
一种基于分解的多目标优化算法的生产线在线动态调度方法，包括以下步骤：
步骤1：进行车间信息的初始化；
读取初始时刻车间的输入信息，包括每项工件的工序数、释放时间、交货期、每道工序所对应的机器集合、每道工序在对应加工机器上的加工时间、车间的固定功率、零件的传输功率、每台机器的加工功率和固定功率；输入多目标优化算法参数，初始化权重向量；
步骤2：建立车间优化模型；
将初始调度时刻视为初始调度点t0，将紧急动态事件发生的时刻视为重调度点tr，其中r为大于等于1的正整数；设置周期性调度的时间间隔；其约束条件包括机器加工约束和工件加工约束；
所述紧急动态事件包括新的工件下达、机器故障以及故障机器重新工作；
所述重调度点时刻包括最大完工时间、总拖期、机器的总负载、能量消耗，
所述最大完工时间为从开始加工到完成当前所有工序的时间，最大完工时间f1(tr)为：
Figure BDA0002572836210000021
其中n(tr)表示截止到该重调度点时刻车间中的工件总数，第i个工件i∈{1,2,...n(tr)}；Fi(tr)表示工件完成加工的时刻；Bi(tr)表示重调度开始后工件开始加工的时刻；
所述总拖期为所有工件在交货期上的延误值总和，总拖期f2(tr)为：
Figure BDA0002572836210000022
其中DDi(tr)为工件的交货期；
所述机器的总负载为所有机器所有加工工序加工时间的总和，机器的总负载f3(tr)为：
Figure BDA0002572836210000023
其中m为车间的机器总数；sk(tr)为调度方案中第k个机器需加工的总工件数；pi kj(tr)为调度方案中在第k个机器上加工的第j个工序的加工时间；
所述能量消耗为所有工序在加工时所消耗的能量与车间固有消耗能量的总和，能量消耗f4(tr)为：
Figure BDA0002572836210000024
其中SE(tr)为开始状态能量消耗，
Figure BDA0002572836210000025
BPjk(tr)表示重调度时刻第k个机器加工第j道工序的基础功率，tjk(tr)表示机器准备时间；PE(tr)为加工状态能量消耗，
Figure BDA0002572836210000031
CUk(tr)为第k个机器的切割功率，Ni(tr)为工件在重调度后剩余的需加工的工件数，CUijk(tr)为第k个机器上第i个工件的第j道工序的切割功率，Pijk(tr)为加工时间，α为拟合曲线的系数；IE(tr)为机器空闲状态能量消耗，
Figure BDA0002572836210000032
Fijk(tr)表示第k个机器上第i个工件的第j道工序完成加工的时刻，Bijk(tr)表示重调度开始后第k个机器上第i个工件的第j道工序开始加工的时刻；TE(tr)为运输状态能量消耗，
Figure BDA0002572836210000033
TP为自动导向车的运输功率，Ti(j-1)jwk(tr)为同一工件从一台机器w运送到另一台机器k所需的运输时间，w∈{1,2,...m}且w≠k；AE(tr)为辅助能量消耗，
Figure BDA0002572836210000034
e为车间每单位时间所消耗的辅助能量；
所述机器加工约束为每台机器一次最多只能加工一个工件；
所述工件加工约束为所有工件都是独立的，工件都是独立的且抢占和取消工件加工是不允许的；一道工序一次至多只能被一台机器加工；工件一旦在一台及其上加工完，马上被运输到另一台机器上；加工时间都是预先确定的。
步骤3：使用车间优化模型进行基于分解的多目标优化；
在初始调度时刻t0使用基于分解的多目标优化算法，最小化最大完工时间、总拖期、机器的总负载和能量消耗，预先产生一组Pareto非支配解；在算法优化过程中，有两个种群，pro_matrix中每个个体向量代表所有工件的工序，工件号出现第几次表示工件的第几道工序，mac_matrix中每个个体向量与pro_matrix中向量一一对应，代表加工相应工序的机器；在由父代生成子代的过程中，采用基于工序向量和机器向量的模拟二进制交叉和多项式变异；
步骤3.1：根据t0时刻车间的信息，确定目标函数的维度和边界值，产生权重向量，计算任意两个权重向量间的欧几里德距离，得到相应的邻居；再根据机器和工件的初始条件产生机器种群矩阵和工件种群矩阵；根据初始种群计算相应个体的目标值；将初始种群作为外部种群；
步骤3.2：采用基于机器向量和工序向量的模拟二进制交叉和多项式变异进行迭代循环；
步骤3.3：在邻居中随机选择两个个体产生一个新个体，若该个体的目标值比种群中个体的目标值优，则用新个体代替相应个体，并更新相应的领域解；
步骤3.4：如果新个体不被外部种群中的所有个体支配，则把新个体加入到外部种群；
步骤3.5：进行终止准则判断：如果迭代循环次数<最大迭代次数，则转至步骤3.2；否则算法终止，把当前外部种群作为产生的Pareto非支配解集输出。
步骤4：使用基于分解的多目标优化算法的混合驱动再调度方式进行车间在线动态调度；
在每个重调度点或在每个周期性调度点采用基于分解的多目标优化算法的混合驱动再调度方式，更新车间当前的属性，包括正常工作的机器及其上正在加工的工序、所有工件未加工的工序、新下达的工件和所有工序分配的机器集合；在车间运行过程中，为每种紧急事件预设解决方案，同时考虑空闲时间是否插入工件加工和传输时间来进行约束，若可以插入，将该工件的相应工序插入到该空隙进行加工，若不能插入，则按机器加工的先后顺序加工此道工序，以此来提高调度方案的效率；生成的调度方案作为新的调度方案用于整个车间的调度，直到有新的紧急事件，则再次用基于分解的多目标优化算法进行优化调度，若没有紧急事件的干扰，采用周期性再调度每隔一段时间对调度窗口进行更新。
步骤4.1：根据重调度点tr时刻或周期性调度点车间的信息，确定目标函数的维度和边界值，产生权重向量，计算任意两个权重向量间的欧几里德距离，得到相应的邻居；再为每种紧急事件预设初始化的解决方案，根据相应数据产生机器种群矩阵和工件种群矩阵；根据初始种群计算相应个体的4个目标值；将初始种群作为外部种群；
所述每种紧急事件预设解决方案具体包括：
1)对于“新工件到达”，保持车间中原有的工件加工调度方案不变，一旦在故障时间点后有加工该工件的机器空闲，则用该机器加工；
2)对于“机器故障”，在故障时间点前的所有工件工序不重新调度，将后续所有需要加工的工件按工件工序的加工顺序重组为一个工件向量和一个机器向量，再用基于分解的多目标优化算法求解找出最优解；
3)对于“故障机器重新工作”，在不影响其他工序开始加工的情况下，将当前在该机器上加工的工序移到该机器上加工，这些工序利用插空隙的方式而不影响其他工序的加工。
步骤4.2：采用基于机器向量和工序向量的模拟二进制交叉和多项式变异进行迭代循环；
步骤4.3：在邻居中随机选择两个个体产生一个新个体，若该个体的目标值比种群中个体的目标值优，则用新个体代替相应个体，并更新相应的领域解；
步骤4.4：如果新个体不被外部种群中的所有个体支配，则把新个体加入到外部种群；
步骤4.5：终止准则判断：如果迭代循环次数<最大迭代次数，则转至步骤4.2；否则算法终止，把当前外部种群作为产生的Pareto非支配解集输出。
采用上述技术方案所产生的有益效果在于：
本发明提供一种基于分解的多目标优化算法的生产线在线动态调度方法，能够及时响应生产车间中发生的紧急动态事件，并能根据紧急事件的类型自适应地做出调整，将工序和机器分开编码，能够实现不同的交叉变异方式，同时优化了柔性作业车间的最大完工时间、总拖期、机器最大负载和能量消耗，并采用基于分解的多目标优化算法同时对多个目标处理，可以提供有效的策略，能同时给出工序调度策略和机器调度策略，更符合实际车间生产。
本发明为每种紧急事件预设了解决方案，能够实现车间不停机连续生产调度。采用混合驱动再调度方式，能够在有紧急事件时及时响应动态环境，也能保持一定的稳定性。
附图说明
图1为本发明的基于分解的多目标优化算法的生产线在线动态调度方法主流程图；
图2为本发明实施例在初始调度时刻t0采用的基于分解的多目标优化算法流程图；
图3为本发明实施例在重调度点和周期性再调度点采用的基于分解的多目标优化算法流程图；
图4为本发明实施例“新工件到达”动态事件发生前用基于分解的多目标优化算法调度的甘特图；
图5为本发明实施例“新工件到达”动态事件发生后用基于分解的多目标优化算法动态调度的甘特图；
图6为本发明实施例“机器故障”动态事件发生前用基于分解的多目标优化算法动态调度的甘特图；
图7为本发明实施例“机器故障”动态事件发生后用基于分解的多目标优化算法动态调度的甘特图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种基于分解的多目标优化算法的生产线在线动态调度方法，如图1所示，包括以下步骤：
步骤1：进行车间信息的初始化；
读取初始时刻车间的输入信息，包括每项工件的工序数、释放时间、交货期、每道工序所对应的机器集合、每道工序在对应加工机器上的加工时间、车间的固定功率、零件的传输功率、每台机器的加工功率和固定功率；输入多目标优化算法参数，初始化权重向量；
步骤2：建立车间优化模型；
将初始调度时刻视为初始调度点t0，将紧急动态事件发生的时刻视为重调度点tr，其中r为大于等于1的正整数；设置周期性调度的时间间隔；其约束条件包括机器加工约束和工件加工约束；本发明实施例在初始时刻t0采用的基于分解的多目标优化算法流程图如图2所示，在重调度点和周期性再调度点采用的基于分解的多目标优化算法流程图如图3所示；
所述紧急动态事件包括新的工件下达、机器故障以及故障机器重新工作；
所述重调度点时刻包括最大完工时间、总拖期、机器的总负载、能量消耗，
所述最大完工时间为从开始加工到完成当前所有工序的时间，最大完工时间f1(tr)为：
Figure BDA0002572836210000061
其中n(tr)表示截止到该重调度点时刻车间中的工件总数，第i个工件i∈{1,2,...n(tr)}；Fi(tr)表示工件完成加工的时刻；Bi(tr)表示重调度开始后工件开始加工的时刻；
所述总拖期为所有工件在交货期上的延误值总和，总拖期f2(tr)为：
Figure BDA0002572836210000062
其中DDi(tr)为工件的交货期；
所述机器的总负载为所有机器所有加工工序加工时间的总和，机器的总负载f3(tr)为：
Figure BDA0002572836210000063
其中m为车间的机器总数；sk(tr)为调度方案中第k个机器需加工的总工件数；pi kj(tr)为调度方案中在第k个机器上加工的第j个工序的加工时间；
所述能量消耗为所有工序在加工时所消耗的能量与车间固有消耗能量的总和，能量消耗f4(tr)为：
Figure BDA0002572836210000064
其中SE(tr)为开始状态能量消耗，
Figure BDA0002572836210000065
BPjk(tr)表示重调度时刻第k个机器加工第j道工序的基础功率，tjk(tr)表示机器准备时间；PE(tr)为加工状态能量消耗，
Figure BDA0002572836210000066
CUk(tr)为第k个机器的切割功率，Ni(tr)为工件在重调度后剩余的需加工的工件数，CUijk(tr)为第k个机器上第i个工件的第j道工序的切割功率，Pijk(tr)为加工时间，α为拟合曲线的系数；IE(tr)为机器空闲状态能量消耗，
Figure BDA0002572836210000067
Fijk(tr)表示第k个机器上第i个工件的第j道工序完成加工的时刻，Bijk(tr)表示重调度开始后第k个机器上第i个工件的第j道工序开始加工的时刻；TE(tr)为运输状态能量消耗，
Figure BDA0002572836210000071
TP为自动导向车的运输功率，Ti(j-1)jwk(tr)为同一工件从一台机器w运送到另一台机器k所需的运输时间，w∈{1,2,...m}且w≠k；AE(tr)为辅助能量消耗，
Figure BDA0002572836210000072
e为车间每单位时间所消耗的辅助能量；
所述机器加工约束为每台机器一次最多只能加工一个工件；
所述工件加工约束为所有工件都是独立的，工件都是独立的且抢占和取消工件加工是不允许的；一道工序一次至多只能被一台机器加工；工件一旦在一台及其上加工完，马上被运输到另一台机器上；加工时间都是预先确定的。
步骤3：在初始时刻t0使用基于分解的多目标优化算法，同时最小化最大完工时间、总拖期、机器的总负载和能量消耗，预先产生一组Pareto非支配解；在算法优化过程中，有两个种群，pro_matrix中每个个体向量代表所有工件的工序，工件号出现第几次代表工件的第几道工序，mac_matrix中每个个体向量与pro_matrix中向量一一对应，代表加工相应工序的机器；在由父代生成子代的过程中，采用基于工序向量和机器向量的模拟二进制交叉和多项式变异；
步骤3.1：根据t0时刻车间的信息，确定目标函数的维度和边界值，产生权重向量，计算任意两个权重向量间的欧几里德距离，得到相应的邻居；再根据机器和工件的初始条件产生机器种群矩阵和工件种群矩阵；根据初始种群计算相应个体的目标值；将初始种群作为外部种群。
步骤3.2：采用基于机器向量和工序向量的模拟二进制交叉和多项式变异进行迭代循环。
步骤3.3：在邻居中随机选择两个个体产生一个新个体，若该个体的目标值比种群中个体的目标值优，则用新个体代替相应个体，并更新相应的领域解。
步骤3.4：如果新个体不被外部种群中的所有个体支配，则把新个体加入到外部种群。
步骤3.5：进行终止准则判断：如果迭代循环次数<最大迭代次数，则转至步骤3.2；否则算法终止，把当前外部种群作为产生的Pareto非支配解集输出。
步骤4：在每个重调度点或在每个周期性调度点采用基于分解的多目标优化算法的混合驱动再调度方式；更新车间当前的属性，包括正常工作的机器及其上正在加工的工序、所有工件未加工的工序、新下达的工件和所有工序分配的机器集合；在优化过程中，为每种紧急事件预设解决方案，同时考虑空闲时间是否插入工件加工和传输时间来进行约束，若可以插入，将该工件的相应工序插入到该空隙进行加工，若不能插入，则按机器加工的先后顺序加工此道工序，以此来提高调度方案的效率；生成的调度方案作为新的调度方案用于整个车间的调度，直到有新的紧急事件，则再次用基于分解的多目标优化算法进行优化调度。若没有紧急事件的干扰，采用周期性再调度每隔一段时间对调度窗口进行更新。
步骤4.1：根据重调度点tr时刻或周期性调度点车间的信息，确定目标函数的维度和边界值，产生权重向量，计算任意两个权重向量间的欧几里德距离，得到相应的邻居；再为每种紧急事件预设初始化的解决方案，根据相应数据产生机器种群矩阵和工件种群矩阵；根据初始种群计算相应个体的4个目标值；将初始种群作为外部种群。
所述解决方案包括：
1)对于“新工件到达”，保持车间中原有的工件加工调度方案不变，一旦在故障时间点后有加工该工件的机器空闲，则用该机器加工。
2)对于“机器故障”，在故障时间点前的所有工件工序不重新调度，将后续所有需要加工的工件按工件工序的加工顺序重组为一个工件向量和一个机器向量，再用基于分解的多目标优化算法求解找出最优解。
3)对于“故障机器重新工作”，在不影响其他工序开始加工的情况下，将当前在该机器上加工的工序移到该机器上加工。这些工序利用插空隙的方式而不影响其他工序的加工。
4)从重调度点开始，种群中所有涉及以上工序的向量则按以上方案执行，不涉及的则保持原向量不变。
步骤4.2：采用基于机器向量和工序向量的模拟二进制交叉和多项式变异进行迭代循环。
步骤4.3：在邻居中随机选择两个个体产生一个新个体，若该个体的目标值比种群中个体的目标值优，则用新个体代替相应个体，并更新相应的领域解。
步骤4.4：如果新个体不被外部种群中的所有个体支配，则把新个体加入到外部种群。
步骤4.5：终止准则判断：如果迭代循环次数<最大迭代次数，则转至步骤4.2；否则算法终止，把当前外部种群作为产生的Pareto非支配解集输出。
利用表1、表2和表3中的数据求解柔性作业车间动态调度问题，本实施例中动态事件分别为时刻15新工件11到达或者时刻50机器3故障，用基于分解的多目标优化算法求解动态调度问题的具体实施流程如下：
表1为11个工件10个机器的加工信息
Figure BDA0002572836210000081
Figure BDA0002572836210000091
表2机器间的传输时间
Figure BDA0002572836210000092
表3机器相关功率
Figure BDA0002572836210000093
在时刻15以前，所有工件和机器都按照静态时的用基于分解的多目标优化算法得到的调度策略依次进行加工，在时刻15时，紧急事件为新工件到达，保持车间中原有的工件加工调度方案不变，一旦在故障时间点后有可以加工该工件的机器空闲，则用该机器加工；时刻50时，紧急事件为机器3出现故障，其他机器正常工作，则在故障时间点前的所有工件工序不用重新调度，将后续所有需要加工的工件按工件工序的加工顺序重组为一个工件向量和一个机器向量，得到相应的种群，再用基于分解的多目标优化算法求解找出最优解。
读取此时的工件数、机器数、各工件剩余的工序数和要求的加工顺序、各工件能加工的机器集和相关功率数据。确定目标函数的维度和对应边界值、邻居数量T和最大迭代次数。
随机产生一定数量的权重向量，在其中找出T个相邻最近的向量，作为邻居，计算种群相应的目标值和当前的理想参考点。
在迭代次数小于最大迭代次数之前，对于每一个个体从邻居中随机选出两个权重向量上的个体作为父代，用模拟二进制交叉和多项式变异对父代进行遗传演算，得到新的子代。
用分解函数值比较邻居中所有个体与新产生的子代，用新产生的子代代替邻居中较差的个体，并更新理想参考点，迭代结束，得到最优个体解。
使用应急方案，可以使在故障机器上加工而中断的工件转移到其备用机器集加工，不用等到机器修复好，大大减少了最大完工时间，如图4-5所示展示了“新工件到达”动态事件发生前后用基于分解的多目标优化算法调度的甘特图，如图6-7所示展示了“机器故障”动态事件发生前后用基于分解的多目标优化算法调度的甘特图。通过“新工件到达”和“机器故障”这两个紧急动态干扰事件，可以看出该方法能有效地不影响原车间的调度，保持车间有序有效地进行工作。显然本发明也可以应用到其他动态环境中，只要使用了本发明介绍的思路，都能够及时处理实际生产环境中的紧急动态事件，并根据紧急事件的类型自适应地做出方案调整。本发明优化了柔性作业车间的生产效率和能量消耗，使得车间既能保证生产的完成度也能保证能源的有效利用。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (6)

1.一种基于分解的多目标优化算法的生产线在线动态调度方法，其特征在于：包括以下步骤：
步骤1：进行车间信息的初始化；
读取初始时刻车间的输入信息，包括每项工件的工序数、释放时间、交货期、每道工序所对应的机器集合、每道工序在对应加工机器上的加工时间、车间的固定功率、零件的传输功率、每台机器的加工功率和固定功率；输入多目标优化算法参数，初始化权重向量；
步骤2：建立车间优化模型；
将初始调度时刻视为初始调度点t0，将紧急动态事件发生的时刻视为重调度点tr，其中r为大于等于1的正整数；设置周期性调度的时间间隔；其约束条件包括机器加工约束和工件加工约束；
步骤3：使用车间优化模型进行基于分解的多目标优化；
在初始调度时刻t0使用基于分解的多目标优化算法，最小化最大完工时间、总拖期、机器的总负载和能量消耗，预先产生一组Pareto非支配解；在算法优化过程中，有两个种群，pro_matrix中每个个体向量代表所有工件的工序，工件号出现第几次表示工件的第几道工序，mac_matrix中每个个体向量与pro_matrix中向量一一对应，代表加工相应工序的机器；在由父代生成子代的过程中，采用基于工序向量和机器向量的模拟二进制交叉和多项式变异；
步骤4：使用基于分解的多目标优化算法的混合驱动再调度方式进行车间在线动态调度；
在每个重调度点或在每个周期性调度点采用基于分解的多目标优化算法的混合驱动再调度方式，更新车间当前的属性，包括正常工作的机器及其上正在加工的工序、所有工件未加工的工序、新下达的工件和所有工序分配的机器集合；在车间运行过程中，为每种紧急事件预设解决方案，同时考虑空闲时间是否插入工件加工和传输时间来进行约束，若可以插入，将该工件的相应工序插入到该空隙进行加工，若不能插入，则按机器加工的先后顺序加工此道工序，以此来提高调度方案的效率；生成的调度方案作为新的调度方案用于整个车间的调度，直到有新的紧急事件，则再次用基于分解的多目标优化算法进行优化调度，若没有紧急事件的干扰，采用周期性再调度每隔一段时间对调度窗口进行更新。
2.根据权利要求1所述的基于分解的多目标优化算法的生产线在线动态调度方法，其特征在于：步骤2中所述紧急动态事件包括新的工件下达、机器故障以及故障机器重新工作。
3.根据权利要求1所述的基于分解的多目标优化算法的生产线在线动态调度方法，其特征在于：步骤2中所述重调度点时刻包括最大完工时间、总拖期、机器的总负载、能量消耗，
所述最大完工时间为从开始加工到完成当前所有工序的时间，最大完工时间f1(tr)为：
Figure FDA0002572836200000021
其中n(tr)表示截止到该重调度点时刻车间中的工件总数，第i个工件i∈{1,2,...n(tr)}；Fi(tr)表示工件完成加工的时刻；Bi(tr)表示重调度开始后工件开始加工的时刻；
所述总拖期为所有工件在交货期上的延误值总和，总拖期f2(tr)为：
Figure FDA0002572836200000022
其中DDi(tr)为工件的交货期；
所述机器的总负载为所有机器所有加工工序加工时间的总和，机器的总负载f3(tr)为：
Figure FDA0002572836200000023
其中m为车间的机器总数；sk(tr)为调度方案中第k个机器需加工的总工件数；pi kj(tr)为调度方案中在第k个机器上加工的第j个工序的加工时间；
所述能量消耗为所有工序在加工时所消耗的能量与车间固有消耗能量的总和，能量消耗f4(tr)为：
Figure FDA0002572836200000024
其中SE(tr)为开始状态能量消耗，
Figure FDA0002572836200000025
BPjk(tr)表示重调度时刻第k个机器加工第j道工序的基础功率，tjk(tr)表示机器准备时间；PE(tr)为加工状态能量消耗，
Figure FDA0002572836200000026
CUk(tr)为第k个机器的切割功率，Ni(tr)为工件在重调度后剩余的需加工的工件数，CUijk(tr)为第k个机器上第i个工件的第j道工序的切割功率，Pijk(tr)为加工时间，α为拟合曲线的系数；IE(tr)为机器空闲状态能量消耗，
Figure FDA0002572836200000027
Fijk(tr)表示第k个机器上第i个工件的第j道工序完成加工的时刻，Bijk(tr)表示重调度开始后第k个机器上第i个工件的第j道工序开始加工的时刻；TE(tr)为运输状态能量消耗，
Figure FDA0002572836200000028
TP为自动导向车的运输功率，Ti(j-1)jwk(tr)为同一工件从一台机器w运送到另一台机器k所需的运输时间，w∈{1,2,...m}且w≠k；AE(tr)为辅助能量消耗，
Figure FDA0002572836200000029
e为车间每单位时间所消耗的辅助能量；
所述机器加工约束为每台机器同一时间最多只能加工一个工件；
所述工件加工约束为所有工件都是独立的，且抢占和取消工件加工是不允许的；一道工序一次至多只能被一台机器加工；工件在一台机器上加工完，马上被运输到另一台机器上；加工时间都是预先确定的。
4.根据权利要求1所述的基于分解的多目标优化算法的生产线在线动态调度方法，其特征在于：所述步骤3具体包括：
步骤3.1：根据t0时刻车间的信息，确定目标函数的维度和边界值，产生权重向量，计算任意两个权重向量间的欧几里德距离，得到相应的邻居；再根据机器和工件的初始条件产生机器种群矩阵和工件种群矩阵；根据初始种群计算相应个体的目标值；将初始种群作为外部种群；
步骤3.2：采用基于机器向量和工序向量的模拟二进制交叉和多项式变异进行迭代循环；
步骤3.3：在邻居中随机选择两个个体产生一个新个体，若该个体的目标值比种群中个体的目标值优，则用新个体代替相应个体，并更新相应的领域解；
步骤3.4：如果新个体不被外部种群中的所有个体支配，则把新个体加入到外部种群；
步骤3.5：进行终止准则判断：如果迭代循环次数<最大迭代次数，则转至步骤3.2；否则算法终止，把当前外部种群作为产生的Pareto非支配解集输出。
5.根据权利要求1所述的基于分解的多目标优化算法的生产线在线动态调度方法，其特征在于：所述步骤4具体包括：
步骤4.1：根据重调度点tr时刻或周期性调度点车间的信息，确定目标函数的维度和边界值，产生权重向量，计算任意两个权重向量间的欧几里德距离，得到相应的邻居；再为每种紧急事件预设初始化的解决方案，根据相应数据产生机器种群矩阵和工件种群矩阵；根据初始种群计算相应个体的4个目标值；将初始种群作为外部种群；
步骤4.2：采用基于机器向量和工序向量的模拟二进制交叉和多项式变异进行迭代循环；
步骤4.3：在邻居中随机选择两个个体产生一个新个体，若该个体的目标值比种群中个体的目标值优，则用新个体代替相应个体，并更新相应的领域解；
步骤4.4：如果新个体不被外部种群中的所有个体支配，则把新个体加入到外部种群；
步骤4.5：终止准则判断：如果迭代循环次数<最大迭代次数，则转至步骤4.2；否则算法终止，把当前外部种群作为产生的Pareto非支配解集输出。
6.根据权利要求5所述的基于分解的多目标优化算法的生产线在线动态调度方法，其特征在于：步骤4.1中所述每种紧急事件预设解决方案具体包括：
1)对于“新工件到达”，保持车间中原有的工件加工调度方案不变，一旦在故障时间点后有加工该工件的机器空闲，则用该机器加工；
2)对于“机器故障”，在故障时间点前的所有工件工序不重新调度，将后续所有需要加工的工件按工件工序的加工顺序重组为一个工件向量和一个机器向量，再用基于分解的多目标优化算法求解找出最优解；
3)对于“故障机器重新工作”，在不影响其他工序开始加工的情况下，将当前在该机器上加工的工序移到该机器上加工，这些工序利用插空隙的方式而不影响其他工序的加工。
CN202010645110.9A 2020-07-07 2020-07-07 基于分解的多目标优化算法的生产线在线动态调度方法 Pending CN111861167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010645110.9A CN111861167A (zh) 2020-07-07 2020-07-07 基于分解的多目标优化算法的生产线在线动态调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010645110.9A CN111861167A (zh) 2020-07-07 2020-07-07 基于分解的多目标优化算法的生产线在线动态调度方法

Publications (1)

Publication Number Publication Date
CN111861167A true CN111861167A (zh) 2020-10-30

Family

ID=73152334

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010645110.9A Pending CN111861167A (zh) 2020-07-07 2020-07-07 基于分解的多目标优化算法的生产线在线动态调度方法

Country Status (1)

Country Link
CN (1) CN111861167A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113010288A (zh) * 2021-03-16 2021-06-22 奇瑞汽车股份有限公司 云资源的调度方法、装置及计算机存储介质
CN113341896A (zh) * 2021-06-07 2021-09-03 电子科技大学 面向离散制造的动态集成车间调度与装配序列规划方法
CN113505910A (zh) * 2021-06-04 2021-10-15 清华大学 一种含多路径有限连续输出库存的混合车间生产调度方法
CN114118699A (zh) * 2021-10-27 2022-03-01 北京科技大学 一种分布式可重入车间调度问题的优化方法及装置
CN114610015A (zh) * 2022-01-21 2022-06-10 北京理工大学 一种带搬运机器人的柔性作业车间动态调度方法及装置
CN115439019A (zh) * 2022-10-25 2022-12-06 埃克斯工业有限公司 基于约束规划的多目标生产调度方法、设备及存储介质
CN115755821A (zh) * 2022-12-30 2023-03-07 中建科技集团有限公司 预制构件生产控制方法、系统及相关设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997020267A1 (en) * 1995-11-30 1997-06-05 Microsoft Corporation Method and system for modeling and presenting integrated media
CA2551467A1 (en) * 2006-07-04 2008-01-04 University Of New Brunswick System and method for optimizing linehaul operations
US20090062969A1 (en) * 2007-08-28 2009-03-05 General Electric Company Hybrid robust predictive optimization method of power system dispatch
JP4920123B1 (ja) * 2011-03-28 2012-04-18 中国電力株式会社 電力需要計画調整装置、電力需要計画調整方法、及びプログラム
CN103489042A (zh) * 2013-09-17 2014-01-01 中国科学院深圳先进技术研究院 一种灾害应急决策系统路径优化的方法
CN103676902A (zh) * 2013-12-20 2014-03-26 东北大学 一种流水车间重调度方法
CN103955754A (zh) * 2014-04-16 2014-07-30 江南大学 基于实时生产数据采集的模具车间调度方法
CN104268722A (zh) * 2014-10-20 2015-01-07 南京信息工程大学 基于多目标进化算法的动态柔性作业车间调度方法
CN106295878A (zh) * 2016-08-09 2017-01-04 广东技术师范学院 一种基于Petri网与改进遗传算法的柔性作业车间调度系统
CN107994574A (zh) * 2017-12-13 2018-05-04 国网辽宁省电力有限公司葫芦岛供电公司 面向新能源消纳的集中式温控负荷侧需求响应的决策方法
CN108153268A (zh) * 2017-12-31 2018-06-12 武汉企鹅能源数据有限公司 一种混合流水车间调度节能控制方法
CN110796355A (zh) * 2019-10-22 2020-02-14 江苏金陵智造研究院有限公司 一种基于动态解码机制的柔性作业车间调度方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1997020267A1 (en) * 1995-11-30 1997-06-05 Microsoft Corporation Method and system for modeling and presenting integrated media
CA2551467A1 (en) * 2006-07-04 2008-01-04 University Of New Brunswick System and method for optimizing linehaul operations
US20090062969A1 (en) * 2007-08-28 2009-03-05 General Electric Company Hybrid robust predictive optimization method of power system dispatch
JP4920123B1 (ja) * 2011-03-28 2012-04-18 中国電力株式会社 電力需要計画調整装置、電力需要計画調整方法、及びプログラム
CN103489042A (zh) * 2013-09-17 2014-01-01 中国科学院深圳先进技术研究院 一种灾害应急决策系统路径优化的方法
CN103676902A (zh) * 2013-12-20 2014-03-26 东北大学 一种流水车间重调度方法
CN103955754A (zh) * 2014-04-16 2014-07-30 江南大学 基于实时生产数据采集的模具车间调度方法
CN104268722A (zh) * 2014-10-20 2015-01-07 南京信息工程大学 基于多目标进化算法的动态柔性作业车间调度方法
CN106295878A (zh) * 2016-08-09 2017-01-04 广东技术师范学院 一种基于Petri网与改进遗传算法的柔性作业车间调度系统
CN107994574A (zh) * 2017-12-13 2018-05-04 国网辽宁省电力有限公司葫芦岛供电公司 面向新能源消纳的集中式温控负荷侧需求响应的决策方法
CN108153268A (zh) * 2017-12-31 2018-06-12 武汉企鹅能源数据有限公司 一种混合流水车间调度节能控制方法
CN110796355A (zh) * 2019-10-22 2020-02-14 江苏金陵智造研究院有限公司 一种基于动态解码机制的柔性作业车间调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
曹庆奎;张晓丽;任向阳;: "考虑模糊交货期的柔性作业车间动态调度研究", 数学的实践与认识, no. 22 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113010288A (zh) * 2021-03-16 2021-06-22 奇瑞汽车股份有限公司 云资源的调度方法、装置及计算机存储介质
CN113010288B (zh) * 2021-03-16 2023-01-03 奇瑞汽车股份有限公司 云资源的调度方法、装置及计算机存储介质
CN113505910A (zh) * 2021-06-04 2021-10-15 清华大学 一种含多路径有限连续输出库存的混合车间生产调度方法
CN113505910B (zh) * 2021-06-04 2022-10-04 清华大学 一种含多路径有限连续输出库存的混合车间生产调度方法
CN113341896A (zh) * 2021-06-07 2021-09-03 电子科技大学 面向离散制造的动态集成车间调度与装配序列规划方法
CN113341896B (zh) * 2021-06-07 2022-08-05 电子科技大学 面向离散制造的动态集成车间调度与装配序列规划方法
CN114118699A (zh) * 2021-10-27 2022-03-01 北京科技大学 一种分布式可重入车间调度问题的优化方法及装置
CN114610015A (zh) * 2022-01-21 2022-06-10 北京理工大学 一种带搬运机器人的柔性作业车间动态调度方法及装置
CN115439019A (zh) * 2022-10-25 2022-12-06 埃克斯工业有限公司 基于约束规划的多目标生产调度方法、设备及存储介质
CN115755821A (zh) * 2022-12-30 2023-03-07 中建科技集团有限公司 预制构件生产控制方法、系统及相关设备

Similar Documents

Publication Publication Date Title
CN111861167A (zh) 基于分解的多目标优化算法的生产线在线动态调度方法
CN110288185B (zh) 一种分布式柔性流水线调度方法
CN109615165B (zh) 一种基于erp与mes数据交互技术的柔性加工调度方法
CN108153268B (zh) 一种混合流水车间调度节能控制方法
CN110414863A (zh) 一种智能制造车间资源调度方法
CN112381273B (zh) 一种基于u-nsga-iii算法的多目标作业车间节能优化方法
CN110597210A (zh) 考虑设备预维护的柔性作业车间调度节能优化方法
CN113569484A (zh) 基于改进人工蜂群算法的动态多目标柔性作业车间调度方法
CN111665811A (zh) 动态事件下的柔性作业车间重调度节能优化方法
CN113705978B (zh) 一种多机任务刀具静态与动态集成决策方法及系统
ElMaraghy et al. A genetic algorithm based approach for scheduling of dual-resource constrainded manufacturing systems
CN115034444A (zh) 基于学习效应的多目标双柔性作业车间调度方法及系统
CN117707083A (zh) 分布式装配流水车间的调度方法、终端设备及存储介质
CN115685927B (zh) 基于进化优化算法的氨纶盘头作业动态调度方法
CN116774658A (zh) 一种物料限制下的柔性作业车间动态调度方法
CN112926792B (zh) 基于滚动时间窗的焊接车间订单变更动态调度方法及系统
CN116579541A (zh) 一种应用于工厂智能排程的遗传算法染色体调整方法
CN116300756A (zh) 带运输机器人柔性制造车间的双目标优化调度方法及系统
Cheng et al. SINGLE-MACHINE RESCHEDULING PROBLEMS WITH LEARNING EFFECT UNDER DISRUPTIONS.
CN114676987A (zh) 一种基于超启发式算法的智能柔性作业车间主动调度方法
Gu et al. An improved memetic algorithm to solve the energy-efficient distributed flexible job shop scheduling problem with transportation and start-stop constraints
Xinyi et al. Job shop scheduling problem with job sizes and inventories
Wang et al. Hybrid Kanban/Conwip control system simulation and optimization based on theory of constraints
CN115237076B (zh) 一种基于深度强化学习的考虑维护决策的单机调度方法
Shen et al. Energy-efficient Flow-shop Scheduling in the Printing Industry using Memetic Algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201030