[发明专利]一种基于改进遗传算法的设备排产和场内物流调度优化方法

说明书

本发明公开了一种基于改进遗传算法的设备排产和场内物流调度优化方法，属于制造过程生产调度和优化领域。本发明基于离散制造系统的混合整数规划模型，使用改进遗传算法分别对设备排产和物流调度进行优化，在排产优化部分插入时间片预留出运输时间，获得最优设备排产方案，在此基础上求解最优物流调度方案。本发明比现有排产调度优化方法具有更快的计算速度和更好的优化效果，有利于提高制造企业的运行效率、增强企业竞争力。

技术领域

本发明属于制造过程生产调度和优化领域，特别涉及一种基于改进遗传算法的设备排产和场内物流调度优化方法。

背景技术

通过调整加工顺序和工艺参数，离散制造过程可以适应多品种、变批量的混合加工任务，具有高度的灵活性。离散制造过程需要统筹车间的运行状态，全面考虑物料调度、设备产能和交付期约束等因素，针对不同的生产目标制定相应的排产方案。为快速响应复杂多变的市场需求，提升企业的竞争力，必须从效率、能耗、平稳度等多重方面对制造过程进行优化，在开始生产任务之前给出最优的执行方案。

对离散制造过程，最重要的就是设计合适的排产调度方案。排产是指根据订单产品的工艺路线为每个工序指定执行设备，并在工艺的约束下安排工序的执行顺序。相应地，排产优化通过调整工序的执行设备和顺序以实现评价指标的最优化。调度是指物流调度，即将各种原料、半成品和成品及时运输到指定的位置，是保证排产方案能按时执行的重要环节。离散制造过程中各设备上产品的投产顺序灵活多变，因此不适合用传送带运输半成品。随着智能车间的研究与推广，无人智能车(Automated Guided Vehicle,AGV)被广泛应用于工业领域，AGV可以在程序的指导下高效准确地完成物料的搬运任务，提高排产调度方案的执行效率，因此以AGV为对象进行了调度系统的建模与优化。

当前单独研究排产优化或物流调度的成果已经较为成熟。这两个问题均为NP难问题，传统上使用整数规划或分支定界法寻找最优解，但这些方法寻优效率低、不适用于较大规模的问题。因此，国内外学者先后提出了人工蜂群算法、粒子群算法、模拟退火算法和蚁群算法等智能搜索算法。但当前大部分的算法成果往往只侧重于两个问题中的一个，或只强调求解最优的排产方案、隐去后续物流调度的安排，或只根据已知的生产需求设置最优的物流调度方案，考虑得比较片面；另一方面，单独优化两个问题得到的方案组合起来不一定是最优的，因此这些算法得到的方案往往不能直接投入使用。少数综合两个问题同时优化的方法忽略了二者的内在联系，仅在建模时通过时间约束表示二者互相影响，对整体方案应用优化算法，问题的可行域更复杂，求解时间更长。综上所述，在同时优化排产方案和物流调度的领域，利用二者内在联系加速优化速度并提高优化质量的研究成果尚属空白。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于改进遗传算法的设备排产和场内物流调度优化方法。该方法在模型中同时考虑了设备加工和AGV运输对生产过程的影响，分步进行最优设备排产方案和最优AGV调度方案的求解，通过在设备排产优化过程中插入时间片预留运输时间，确保两部分方案的组合可以得到近似整体最优的调度方案。

本发明的目的是通过以下技术方案来实现的：一种基于改进遗传算法的设备排产和场内物流调度优化方法，其特征在于，包括以下步骤：

步骤(1)：获取订单信息、设备信息和AGV状态；订单信息包括订单编号、订单内产品的种类和数量、订单产品的工序种类和总数、每个工序可以使用的设备和在不同设备上的加工时间、不同状态的物料所需的装卸时间；根据订单划分产品批次，同一批次内的产品种类相同，以批次作为排产调度的基本单位；在获得所有批次产品的工艺路线后，确定工序和对应的运输任务并编号；设备信息包括设备种类、数量和位置坐标，并给每台设备唯一编号；AGV状态包括正常工作的AGV编号，以及根据AGV当前性能计算出的在不同设备之间的行驶时间；

步骤(2)：根据需求设定优化目标，选择对应的遗传算法种群适应度函数；