[发明专利]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

权利要求书

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；

n：共n种工件；

TT(i，l)：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(l＝1，2，...U)；

n′：所有工件共分成n′批；

QF(i，k′)：第i种工件第k′批的批量；

m′(i)：第i种工件被分成m′(i)批；

Q_i：第i种工件的需求量；

Q_lk：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(l)：工件在生产线l上加工时，需在number(l)台机器上进行加工；

t_il：为第i种工件在生产线l上开工时的加工准备时间；

t′_ijl：在生产线l上，前一批为第i种工件，后一批为第j种工件的换模时间；

r_lk：生产线l上加工第k批工件的开工时间；

r_lkdw：生产线l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l上加工的第k批工件种类号，L(l，k)∈{1，2，...，n}；

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；

P_L(l，k)：第k批工件在生产线l上加工的单件工时；

P′_L(l，k)，w：第k批工件在生产线l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；

C_lk：生产线l上第k批工件加工任务的完工时间；

C_max：所有工件完工时间；

W_i：第i种工件的完成时间；

Wu_i、Wd_i：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x_i和参数基因z_i；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P_c1和最大值P_c2、变异概率最小值P_m1和最大值P_m2、退火常数λ；

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(t)、P₂(t)；

步骤5：设定迭代次数t＝0；

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：对P₁(t)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Pbest₁中，将所有Pbest₁中适应度值最优的个体存储在gbest₁中，找出最优解，记为P_g1；

步骤6.2：用SA算法进行局部搜索，按概率选择当前个体的适应度代替全局最优个体P′_g1；

步骤6.3：按公式(1)进行离散PSO的粒子位置和速度的更新，更新P₁(t)的所有个体，并将个体按适应值由好到差排序；

最小化最大完工时间f₁，即最小化最晚完成生产任务的生产线的完工时间，如下式所示：

f1=min(Cmax)=min(maxl=1UClm(l))---(1)]]>

约束条件如下所示：

1)加工开始时间与完工时间的约束：

Clk=rlk+Σj=1number(l)PL(l,k),w′+(Ql,k-1)·PL(l,k)---(2)]]>

rlk=Cl(k-1)-(number(l)-1)·PL(l,k-1),B(L(l,k))=B(L,(l,k-1))Cl(k-1)+tL(l,k-1),L(l,k),l′B(L(l,k))≠B(L(l,k-1))---(3)]]>

r_l1＝t_lL(l，1)                                    (4)

约束条件中的公式(2)为生产线l上的第k批工件加工任务的完工时间，等式右边第1项为该线上第k批工件加工开始时间，等式右边第2项为加工该批工件第一个工件的时间，等式右边第3项为加工该批工件除第一个工件外的时间；公式(3)为生产线l上的第k批工件的加工开始时间，当生产线l的第k批工件与该线上的前一批工件为同种族产品时，该批工件的开始加工时间可以为前一批工件最后一个工件的第一道工序结束时间；否则，该批工件的开始时间为前一批工件在该线上的完工时间加上该批工件在该线上的换模准备时间；公式(4)为生产线l的第一批工件的加工开始时间，即该工件在该线上的准备完成时间；

2)总批数约束：

设定每条生产线加工的工件批数之和应等于每种工件的批数之和，并且等于加工的总批数，即：

Σl=1Um(l)=Σi=1nm′(i)=n′---(5)]]>

3)总量约束：

设定所有生产线上加工的工件总数应等于所有种类工件需加工的数量之和，即：

Σl=1UΣk=1m(l)Qlk=Σi=1nΣk′=1m′(i)QF(i,k′)=Σi=1nQi---(6)]]>

4)分配约束：

设定每种工件只能在确定的生产线上加工，并且每条生产线只能加工几种工件，不是所有的工件都能在任何一条线上加工，即：

Σi=1nTT(i,l)≤n;]]>Σl=1UTT(i,l)≤U---(7)]]>

5)工序约束：

设定同一个工件的不同工序不能同时加工，等前一工序完成后才能加工后一工序，即：

r_lkd(w+1)≥r_lkdw+P_l(L(l，k)，w)，(l＝1，2，...，U；k＝1，2，...，m(l)；w＝1，2，...，number(l))(8)

6)机器约束：

设定工件在某台机器上只能一个一个地加工，不能一起加工，即对某道工序上的一批待加工工件的机器约束，即：

r_lk(d+1)w≥r_lkdw+P_l(L(l，k)，w)，(l＝1，2，...，U；k＝1，2，...，m(l)；w＝1，2，...，number(l))(9)

7)变量约束：

设定加工开始时间、完工时间、批量大小、生产时间均为大于零的实数，即。

r_lk≥0；C_lk≥0；Q_lk≥0；P_i≥0；P′_i≥0；                (10)

步骤6.4：退火处理：T_k+1＝λT_k；

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，操作如下。

步骤7.1：对P₂(t)种群进行适应度评价，计算每个粒子的适应度值为P₂(i)；

步骤7.2：按轮盘赌策略选择个体；

步骤7.3：按自适应交叉概率进行个体的交叉；

步骤7.4：按自适应变异概率进行个体的变异；

步骤7.5：用SA进行局部寻优，更新P₂(t)种群，并将个体按适应度值由好到差进行排序；

步骤7.6：退火处理：T_k+1＝λT_k；

步骤8：A、B种群进行信息共享，将A种群的前n个最优个体替换B种群的后n个最差个体，而同时将B种群的前n个最优个体替换A种群的后n个最差个体；

步骤9：判断终止条件是否满足，若是，输出最优个体，目标函数，并搜索结束；若不是，迭代次数k＝k+1，转到步骤6，重新进行个体寻优。

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。