[发明专利]一种柔性作业车间插单动态调度优化方法

权利要求书

1.一种柔性作业车间插单动态调度优化方法，其特征在于，建立柔性作业车间调度问题数学模型，采用实验仿真方式获得合理分批选择策略，同时根据对典型算例的仿真计算，给出分批数量的推荐值，其次基于工序、机器、分批后各子批的分单数量的三层基因染色体，采用粒子群算法与遗传算法结合的混合算法，形成改进的优化技术，进行问题优化求解；具体步骤如下：

首先建立柔性作业车间多目标批量调度的数学模型，包括2个步骤：

第一、确定柔性作业车间调度问题描述和相关假设；

通过对柔性车间动态调度问题的研究，假设m台不同的机床集合{M₁,M₂,…,M_m}和n批含插单待加工工件集合{J′₁,J′₂,…,J′_n}，每批工件有不同的数量大小，并且包含多个工序，同时，每道工序都有可供选择的加工机床，且各工序加工时间随着机床不同而变化，为了减少拖延期，将某批次J_e,e∈[1,2,...,n]工件的工序分为z子批次，各个子批次在执行其每个工序时都视为不可分割的整体；根据现场实际情况，提出以下假设：

1)资源约束：每个资源同时只能服务一批工件；

2)顺序约束：每批工件只能由一台机器处理；

3)不同批次工件的加工顺序无限制；

第二、构建多目标批量调度的数学模型；

在以上假设条件下，并且根据生产要求，以最大完工时间最小和拖延期最短为优化目标，将子批订单和未分批的订单组合成新任务集合{J₁,J₂,…,J_n'}，在m台设备上进行合理安排；

其目标函数f为

minf＝xf₁+(1-x)f₂ (1)

f₁＝maxT_i (2)

约束方程如公式(4)-(8)

其中：i的集合为i∈(1,n')，q的集合为q∈(1,n')，n'为工件分批后的总批次，且n'＝n+z-1，j∈(1,l_i)，g∈(1,l_q)，l_i、l_q分别为第i、q批工件的工序数；k,k'∈(1,m)，m为机床数量；J_i、J_q分别为第i、q批工件，n为工件分批前的总批次；分别为第i批工件J_i、第q批工件J_q的第j、g道工序在设备k的上的单件加工时间；分别为J_i、J_q工件第j、g道工序在设备k的上的批量开始时间；Q_i、Q_q分别为第i、q批工件的件数；T_i为工件J_i最后一道加工工序的完工时间；C_i为工件J_i加工工序的完工时间；D_i为工件J_i最后一道加工工序的完工时间；L_i为工件J_i的单位拖期；ω_i为L_i的惩罚系数或称惩罚因子；f₁为所有批次的完工时间，f₂为所有批次的总拖期时间；S_ijk、E_ijk分别表示工件J_i的工序在设备k上的开始时间和完成时间；E_i(j-1)m表示工件J_i的前一道工序的完成时间；E_qgk表示工件J_q的工序在设备k上的完成时间；x为优化目标函数权重；两个决策变量为：

同理X_qgk为决策变量，即当J_q的工序g在设备k上加工时为1，否则为0；X_i(j-1)k'为决策变量，即当J_i的前一道工序在设备k'上加工时为1，否则为0；

式(3)、(4)表示任意加工批次必须在上一道工序完工后才能开始下一道工序；式(5)表示同一台设备不能同时加工两道工序；式(6)表示任意工序的完工时间与开始时间的差值不能小于其加工所需的时间；式(7)表示任意工序唯一由一台设备独立完成；

其次通过实验方式得到分批选择策略和数量，包括以下2个步骤：

第三、设计实验，获取分批选择策略；

在三个合理的选择中选择最适合的选择策略，三个策略分别为：(a)选择单件加工时间最长的订单；(b)选择工件数量最多的订单；(c)选择加工时间最长的订单；通过实验仿真得出第三种方案最优；

第四、通过实验仿真方法即通过最优分单策略获得分批的数量；

分别设置u+2、u+1、u三种不同的预设批数量，其中u为所有工序中能够同时选择机床的最大数，通过反复试验运算得到最优的分批数量应该小于等于u，且允许某一批数量为零；

最后，设置混合算法的初始化参数，产生离散组合问题的初始解种群，采用遗传算法进行优化求解，求解过程中，子批种群的更新方法采用粒子群算法更新原则，包括以下2个步骤：

第五、设置以下初始化参数：种群数量、遗传代数、交叉率、变异率和学习因子，并以工序编码为基础，设计三层染色体，初始化种群；

初始参数按照经验选择，三层染色体则包含工序、机器、子批数量三层，同时保证子批数量总和为一定值，然后进行种群初始化，工序与机器基因通过随机方式产生，子批数量基因由于需要满足数值总和等于分批订单的工件数，则需要随机生成前几个批次的数量，最后一批数量采用总数减去前几批的和得到，同时若前几批批量和等于总数量，则剩下批次设置为零；

第六、利用遗传算法优化求解，并结合粒子群算法，改进子批数量每代的个体种群更新方式；

子批数量的更新，采用粒子群算法的方式，通过公式(9)、(10)更新分批数量粒子，使分批数量能够向着最优方向变异，并且通过控制速度矢量和为零以保证分批数量总和不变，同时加快了分批数量向最优解的收敛速度；

式中，d表示D维空间中的第d个变量，d＝1,2,…,D；v_id和p_id分别表示第i个粒子在第d维的速度和位置分量；和分别表示第i个粒子上一代第d维的速度和更新后的粒子速度，和分别表示第i个粒子上一代第d维的位置和更新后的粒子位置；k和k+1为迭代次数；P_id为第i个粒子迭代过程中最优适应度值对应的第d维位置分量；P_gd为全局最优适应度值对应的第d维位置分量；c₁,c₂为学习因子，为非负的加速度常量，其取值决定了粒子向P_id和P_gd的转移速度变化，通常都取2.0；r₁为0-1的随机数，它与c₁的乘积决定粒子向个体最优位置移动的概率；r₂为0-1的随机数，它与c₂的乘积决定粒子向全局最优位置移动的概率；w为非负的惯性因子；

其他基因采用传统的遗传选择、交叉、变异操作，循环更新个体，计算目标函数值，分配适应度函数值，直到满足迭代次数或是满足终止条件。