[发明专利]一种用于分布式装配混合零空闲置换流水线的集成调度方法

说明书

本发明涉及制造业分布式生产调度技术领域，特别涉及一种用于分布式装配混合零空闲置换流水线的集成调度方法，包括如下步骤：步骤一、调度序列初始化模块；将待加工工件随机分配到个各子工厂中，并保证每个工厂至少分配到一个工件；依次使用低级启发式方法对每个工厂中的工件进行排序；根据排好的序列生成一定数量的个体，组成一个种群，在后续的工作中，对种群中的个体进行操作；步骤二、操作的概率模型自学习策略模块；设计了一种基于概率模型的增量学习策略，将低级启发式序列总结为知识，用于指导进行自学习的选择操作算子；步骤三、破坏和重构策略模块；设计了分别针对产品和工件的破坏和重构操作，以实现进一步缩短工件完工时间的目的。

技术领域

本发明涉及制造业分布式生产调度技术领域，特别涉及一种用于分布式装配混合零空闲置换流水线的集成调度方法。

背景技术

在全球化背景下，企业为了提高生产效率和产品多样性，逐渐采用智能化生产系统。分布式制造是一种常见的、具有特殊优势的智能生产模式，企业往往在不同地理位置建立多个工厂进行协同生产制造，利用工厂间的信息共享、及时交流对有限的资源进行优化组合、合理配置，从而快速完成产品的生产加工。如今全球企业集团化趋势日趋明显，多层级、多元化的大型企业如雨后春笋般涌现，分布式制造生产管理模式正在兴起，分布式制造系统更具有灵活性和可控性，信息收集更全面，资源整合更加灵活高效。这种兴新的制造模式不仅可以实现资源高效利用，而且可以构建更稳健的多企业协同运作环境。

分布式流水车间是一种经典的分布式制造系统，近年来，以分布式制造为背景的分布式流水车间调度(Distributed Flow-Shop Scheduling Problem，DFSP)得到了广泛的研究。它考虑工件在不同工厂之间的合理分配及在工厂内机器上的加工顺序，帮助企业完成指定目标的最优化。通过对分布式流水车间高效的调度，合理分工与协作，制定科学的生产计划，有利于企业以低成本、低风险的方式生产出高质量的产品。因此，为了充分利用分布式流水车间的优势，提高企业竞争力，分布式流水车间被众多企业采用以提高生产制造效率，如石油化工行业、电子通讯行业及机械制造行业等。

生产调度是制造系统中至关重要的连接组件。总的来说，调度是解决机器状态问题的有效途径，是决定执行哪些任务、何时执行、在何处以何种顺序处理这些任务的重要决策过程。它很少被认为是提高能源效率的合适工具。近年来，许多研究人员使用调度方法来提高制造业的能源效率，节能调度已被证明是一种无需或只需少量资本投资即可降低能源消耗的有效途径。

生产调度已被证明是一个NP难问题，因此，能效调度也不例外。传统的优化方法不能高效地解决大规模调度问题，特别是对于一些具有实时约束的大规模实例。因此，群体智能和进化算法被用于解决此类问题，因为低计算时间和高效率是最重要的标准。对于具有实时约束的大规模情境，群体智能和进化算法可以在极短的计算时间内获得高质量的可行解。群体智能和进化算法在解决具有时间约束的大规模调度和优化问题(包括复杂生产中的能效调度)方面越来越受欢迎。智能调度策略的设计应考虑能源效率和降低能源消耗，这是当前生产调度领域的一个重要调度目标。生产调度作为制造系统的关键组成部分，通过合理确定加工路径、机器分配、执行时间等主要因素，实现利润、效率、能耗等方面的优化目标。由于大规模、强耦合约束的性质，以及某些场景下的实时求解要求，制造调度问题的求解面临着巨大的挑战。

为了提高生产效率和效果，调度算法发挥着重要作用，一直是工业工程、自动化、管理科学等交叉学科领域的重要研究课题。生产调度算法主要包括三大类，精确算法、启发式算法和元启发式算法。精确算法在理论上可以保证获得最优解，但由于NP难的性质，很难高效地解决大规模问题。启发式采用一些规则来有效地构建调度解，但不具备全局优化的能力。此外，规则的设计高度依赖于对问题具体特征的深刻理解。元启发式可以在可接受的计算时间内获得优秀的调度解，但搜索算子的设计严重依赖于问题。同时，对于大规模问题，迭代搜索过程非常耗时，难以应用于实时场景。