[发明专利]基于改进遗传算法的同类平行机批调度方法及系统

说明书

本发明提供了一种基于改进遗传算法的不同容量的同类平行机批调度方法及系统，该方法针对不同容量限制的同类平行机批调度问题，通过改进的遗传算法，首先将工件以编码的方式，分配到各个机器上，然后依据问题的性质提出相应的分批和生产调度策略，得出相应个体的适应度值；再通过局部搜索策略，提高解的质量；基于解的适应度对种群执行交叉操作，通过重复迭代，实现对种群的不断更新，最终求的最优解。改进的遗传算法在收敛速度和收敛结果上，是一种效率很高的算法；通过该算法，解决了容量不同的同类平行机批调度问题，提高了企业的生产效率，降低了企业成本，提高了企业的服务水平。

技术领域

本发明涉及供应链技术领域，具体涉及一种协同制造方法及系统。

背景技术

批调度问题源于集成电路芯片的测试阶段，是一个典型的组合优化问题。它广泛存在于现代化生产的各行各业，如：半导体制造业、金属加工业、铸造业等领域。与传统调度问题中一台机器只能加工一个工件不同，批处理机可以在机器容量限制范围内同时加工多个工件。合理有效的利用批处理机将显著提升企业的生产效率，提高企业的市场竞争力。因此，对批处理机调度问题进行研究具有很强的现实意义。

在以往的研究中，智能算法被广泛应用于解决此类组合优化问题，Kashan等基于启发式算法提出了混合遗传算法(HGH)求解差异工件尺寸的相同平行批调度问题。Chang等提出了一个模拟退火算法用于求解该类问题，实验结果显示所提的算法在求解时间和质量上均优于CPLEX软件的求解结果。Jia和Leung提出了最大最小蚁群算法求解工件具有不同尺寸的相同平行机调度问题，并通过实验验证了该算法的性能。该文中为最大化生产效益问题构建的改进遗传算法是建立在已有的遗传算法基础上的。遗传算法的步骤一般包括：(1)初始化种群；(2)计算适应度，记录最优解；(3)交叉变异；(4)更新产生下一代种群。通过重复以上步骤在整个空间内搜索最优解。

然而，在实施本发明实施例的过程中，发明人发现，以往文献主要集中研究了单机以及相同平行机的批调度问题，虽然近年来也有少数文献开始研究机器不相同的平行批调度问题，但它们往往只关注平行机在某一方面的不同，如：只考虑容量不同或只考虑速度不同。而实际生产环境中新老机器往往同时存在，由于设备性能不同，导致生产线上的批处理机不仅具有不同的容量，同时也具有不同的加工速度。此类批调度问题更加复杂，它需要同时考虑机器容量和加工速度对优化目标的影响。除此之外，在方法上，遗传算法也存在着局部收敛性差和容易早熟等缺点，特别是在某些特定的优化问题中无法提供稳定可靠的解决方案，不利于在当前复杂生产环境下提高生产效率。

发明内容

本发明实施例的一个目的解决具有不同容量的同类平行机批调度问题，确定工件任务将分配至哪个机器，以及该机器上的工件的组批方式和加工顺序，以最小化制造跨度。基于问题所特有的性质，提出有效的算法，解决该组合优化问题，推动生产效率的提升。

第一方面，本发明实施例提供了一种基于改进遗传算法的不同容量的同类平行机批调度方法，包括：

步骤1、输入每个机器的容量和工件的加工时间，设定改进遗传算法参数，包括最大迭代次数t_max，全局最优解gbest，迭代次数t＝1；

步骤2、初始化种群，考虑共有Q个染色体，第h个染色体的基因定义为h＝1,2,...,Q,其中表示第h个染色体在第d维上的基因，表明第d个工件被分配至第个机器；

步骤3、用启发式算法产生一个初始解，将该初始解作为种群中的第一个染色体‘

步骤4、对种群执行局部搜索策略，提高种群质量；

步骤5、计算种群中每个解的适应度，更新全局最优解，将最小适应度值赋给；

步骤6、从种群中随机选择两个解和比较其适应度，将适应度较大者作为第一个父代解，重复该操作，产生另一个父代解；