[发明专利]基于DNSGA-II的太阳能电池组件有限缓冲区多目标批量调度方法

说明书

技术领域

本发明涉及人工智能与生产管理等领域，主要公开了基于DNSGA-II的太阳能电池组件有限缓冲区多目标批量调度方法，能有效缩短生产周期，提高生产效率。

背景技术

太阳能是人类取之不尽、用之不竭的绿色能源。太阳能的合理利用，是对可持续发展，节能减排，保护环境的积极响应和倡导。而太阳能电池的生产则是充分利用太阳能的必经之路，占据国民经济重要地位。太阳能电池生产是在批量生产基础上，满足工艺、设备约束条件下，确定不同型号电池组件的加工顺序和加工时间，使整个产品完工时间最小化。合理科学的调度方案的制定，能保证企业在整个生产过程中设备资源的充分利用，满足供应商的交货期，使整个生产系统顺畅、平稳、高效的运行。

太阳能电池的生产是典型的批量流水线调度(Lot Streaming Flow shop,LSFS)问题。一般流水线调度问题基本前提是，一个(批)工件是完整的，不可分割的，但在实际太阳能电池生产环境中，同一个型号的电池组件，在各个工艺流程阶段，可分割成若干转移批量，每个转移批量在当前阶段设备上加工完毕之后，可允许进入下一个阶段设备上加工。这样批量加工方式，可以加速生产流程，降低生产成本，具有广泛的工程应用背景和重要的理论研究价值。

在现实生产中，由于成本、资源等限制，很多生产过程，存在有限的中间缓冲区(库存)，甚至没有中间缓冲区，使得部分加工完毕的工件或产品被阻塞在当前加工设备上。导致产品生产周期延迟。因此，根据中间缓冲区(库存)分类，批量流水线可分为：传统的批量流水线，有限缓冲区批量流水线以及阻塞批量流水线调度(如图1所示)。

近几十年来，很多学者对批量流水线调度问题的求解算法进行了研究。譬如，遗传算法(Genetic Algorithm,GA)、和声搜索算法(Harmony Search,HS)、粒子群算法(Particle Swarm Optimization,PSO)、离散人工蜂群算法(Discrete Artificial bee colony,DABC)、分布估计算法(estimation of the distribution algorithm，EDA)等。尽管有相关文献对有限缓冲区的批量流水线调度进行了研究，如2013年出版的期刊《Journal of intelligent manufacturing》第24期“A new genetic algorithm for lot-streaming flow shop scheduling with limited capacity buffers”，但文中仅考虑了单目标情况。

上述技术成果为太阳能电池有限缓冲区多目标批量生产调度提供了新的解决方法，但是，应当指出，现有方法仍然存在如下问题：(1)目前多数太阳能电池生产调度仍然采用人工编制调度方式，其粗放型的调度方案与生产调度效率低下，准确性差，而在实际生产工程中，企业常面临大规模不同型号电池的订单，加大了调度问题难度，因此仅靠一些简单优化方法或者人工编制调度方式，无法制定出最优调度方案；(2)已有的调度优化方法，仅仅考虑了单目标优化问题，而太阳能电池实际生产过程中，不仅考虑产品的完工时间，还需考虑供应商交货期等多个指标。对于这种情况，已有方法很难得到理想的结果；(3)现有求解多目标问题的方法，通常对个体比较、排序、选择等策略上进行了改进，而针对算法中关键的交叉变异算子并没有给出进一步的研究。传统的交叉，变异操作具有随机性，无目的性和无方向性，不能保证新生成的个体具有较高的质量，从而降低了搜索进度和收敛速度，影响了算法的效率。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，将离散NSGA-II(DNSGA-II)应用于太阳能电池组件有限缓冲区批量生产调度问题。为使算法能得到较优的Pareto前沿，本发明在DNSGA-II中引入了变异的曲线拟合方法初始化种群，利用种群个体差异和非支配解优良基因，提出了新的交叉变异算子，以平衡算法的全局和局部搜索能力，更好的服务于有限缓冲区多目标批量流水线调度等实际生产。

本发明的技术解决方案：建立太阳能电池有限缓冲区多目标批量流水线调度问题数学模型，然后设计合适的初始化策略，交叉变异算法及精英保留策略，以较快的速度收敛到Pareto最优前沿。其特征在于步骤如下：

1、构建与太阳能电池组件生产流程对应的由工件和机器设备组成的生产模型。