[发明专利]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

说明书

本发明公开了一种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，在传统的生产调度目标基础上，将碳排放纳入调度系统，建立以最大完成时间、碳排放和稳定性为目标的问题模型；考虑到动态事件需要生产车间具有快速地响应能力，采用基于事件驱动的重调度策略；种群的初始化采用多种启发式规则产生优质的初始解降低算法搜索范围，针对碳排放目标提出一种启发式的低碳机器变异策略。本发明用于解决动态多目标柔性作业车间调度中出现的机器故障、订单取消和紧急订单插入等动态事件，能够快速响应动态事件，维持车间稳定高效的运行。

技术领域

本发明属于动态多目标柔性作业车间调度优化技术领域，特别涉及一种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。

背景技术

1954年Johnson提出解决2台机器的流水车间问题并使用有效算法进行求解，车间调度优化问题自此开始。动态调度的概念出现较早，Jackson于1957年便对静态调度和动态调度的概念做了区分。生产企业在实际生产过程中往往不是仅考虑单一的优化目标，需要同时兼顾质量、成本、效益等多个方面。因此，不仅需要考虑最大完成时间，还需要考虑交货期、资源利用率和企业效益等多个目标，需要同时对多个目标进行优化。并且实际生产车间环境复杂多变，生产过程中随时可能出现动态扰动。在连续生产过程中，由于这些扰动的发生，原有的调度方案已不再适应，需要确定新的调度方案。为了不影响车间高效稳定的生产，许多学者针对这种更复杂的车间情况，展开动态多目标柔性作业车间调度问题的研究。

人工蜂群算法(Artificial Bee ColonyAlgorithm，ABC)是一种受自然界中蜜蜂行为所启发而产生的新的仿生智能优化算法。在ABC中，雇佣蜂和观察蜂各占种群规模的一半，侦查蜂为转换来的。三者在优化时负责的功能不同，雇佣蜂代表探索，负责算法的全局搜索；观察蜂代表开发，负责算法的局部搜索；侦查蜂负责跳出局部最优；三种蜜蜂互相配合，使算法能够兼顾探索和开发两方面。三种蜜蜂可以相互转换，这是ABC特有的机制。本发明采用一种改进人工蜂群算法求解动态多目标柔性作业车间调度问题。

发明内容

发明目的：为解决实际生产车间中发生的动态事件，保证车间稳定高效的运行，本发明提供一种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，可以解决动态多目标柔性作业车间调度问题中出现的机器故障、订单取消和紧急订单插入。

技术方案：本发明所述的一种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，具体包括以下步骤：

(1)建立动态多目标柔性作业车间调度模型，将最大完成时间最小、碳排放最小和稳定性惩罚最小作为模型的目标函数；

(2)确定调度的约束条件，包括工序约束、机器约束、时间约束；

(3)初始化种群，采用两段式编码的方式表示染色体信息，第一段为工序编码串OS，用来确定工件的加工顺序；第二段为机器编码串MS，用来表示工序分配到的机器；

(4)若达到设定的迭代次数，则输出外部档案，若没有达到则继续执行步骤(5)；

(5)雇佣蜂采用工序编码串邻域搜索和机器编码串邻域搜索更新种群；

(6)观察蜂阶段采用锦标赛选择操作选择交叉个体，采用交叉与多重变异操作；

(7)侦查蜂阶段增加雇佣蜂转换为侦查蜂的数量并跳转到步骤(4)，直至满足步骤(4)所述终止条件，获得优化后的调度模型，判断动态事件类型。

进一步地，所述步骤(1)包括以下步骤: