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技术

本发明专利技术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。本发明专利技术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。行。行。

【技术实现步骤摘要】
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


[0001]本专利技术属于动态多目标柔性作业车间调度优化
，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。

技术介绍

[0002]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。
[0003]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。本专利技术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。

技术实现思路

[0004]专利技术目的：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，本专利技术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。
[0005]技术方案：本专利技术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：
[0006](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；
[0007](2)确定调度的约束条件，包括工序约束、机器约束、时间约束；
[0008](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；
[0009](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)；
[0010](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；
[0011](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；
[0012](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。
[0013]进一步地，所述步骤(1)包括以下步骤:
[0014](11)假设有m(M1,M2,...,M
m
)台机器处理n(J1,J2,...,J
n
)个工件，每个工件有若干道工序，O
ij
表示工件i的第j道工序，每道工序可以在不同机器上进行加工，且在不同的机器上的加工时间是不相同的；
[0015](12)最小化工件的完成时间：
[0016]f1＝min(maxC
i
)
[0017]其中，C
i
表示工件J
i
的完成时间，i＝1,2,3,
…
,n；n为工件的总数；最后一个工件完成的时间为最大完成时间；
[0018](13)碳排放最小：
[0019][0020]其中，为机器M
h
的空载功率，t
h
为机器上M
h
的空载时间，e
i
为第i个工件的工序数，为工件i的第j道工序在机器M
h
上的负载功率，t
ijh
为第i个工件的第j道工序在机器M
h
上加工所需时间，ε为转换系数；
[0021](14)稳定性惩罚最小：
[0022][0023]其中，O
ij
为第i个工件的第j道工序，O
EA
为重调度后提前加工工件集合，s
ij
为工件O
ij
的开始时间，Q为动态事件前时刻，H为动态事件后时刻，O
DA
为重调度后延后加工工件集合，O
DC
为重调度后延后完成工件集合，c
ij
为工件O
ij
的完成时间，γ为惩罚系数。
[0024]进一步地，步骤(5)所述的工序编码串邻域搜索实现过程如下：
[0025]随机选择两个工件J1和J2，记录两个工件在工序串中的位置；若工件J1工序数小于J2，首先把J1从左到右填充到J2原来的位置，J2的工序从左到又依次填充到剩余位置；若工件J1工序数大于J2，J1把J2位置填充满后，剩余工序从左至右填充至原来位置，J2把剩余位置填满；计算新解各目标值，若新解支配旧解，则用新解替换旧解。
[0026]进一步地，步骤(5)所述的机器编码串邻域搜索实现过程如下：随机生成整数I，I不大于总工序数；在机器分配码中随机选取I个位置；为每道工序从候选机器集中随机选则一台机器，若只有一台则保持不变；计算新解各目标值，若新解支配旧解，则用新解替换旧解。
[0027]进一步地，步骤(7)所述判断动态事件类型过程如下：
[0028]依据车间中订单、工序和机器关键信息将动态事件分为订单取消、紧急订单和机器故障三类；订单取消时把一部分订单移除工件集，并对剩余工件重新分配机器加工；紧急订单时，将紧急订单工件加工工件集合中，并且自动给其最高优先级，待给紧急订单分配的完成时间为最短后，在紧急订单后重新安排原订单加工；机器故障时，自动将故障机器移除可用机器集，将工序安排到其它机器上加工，当故障机器修复完成后，可在原故障机器上重新安排加工。
[0029]有益效果：与现有技术相比，本专利技术的有益效果：本专利技术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，加快算法收敛，满足处理动态事件的快速响应要求；可以很好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问题。
附图说明
[0030]图1为本专利技术流程图；
[0031]图2为工序串编码示意图；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一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，其特征在于，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。2.根据权利要求1所述的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，其特征在于，所述步骤(1)包括以下步骤:(11)假设有m(M1,M2,...,M
m
)台机器处理n(J1,J2,...,J
n
)个工件，每个工件有若干道工序，O
ij
表示工件i的第j道工序，每道工序可以在不同机器上进行加工，且在不同的机器上的加工时间是不相同的；(12)最小化工件的完成时间：f1＝min(maxC
i
)其中，C
i
表示工件J
i
的完成时间，i＝1,2,3,
…
,n；n为工件的总数；最后一个工件完成的时间为最大完成时间；(13)碳排放最小：其中，为机器M
h
的空载功率，t
h
为机器上M
h
的空载时间，e
i
为第i个工件的工序数，为工件i的第j道工序在机器M
h
上的负载功率，t
ijh
为第i个工件的第j道工序在机器M
h
上加工所需时间...

【专利技术属性】
技术研发人员：王玉芳，马铭阳，申晓宁，曾亚志，蒋亚飞，缪昇，葛嘉荣，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：