柔性作业车间分批调度优化方法、装置及电子设备制造方法及图纸

本发明专利技术提供了一种柔性作业车间分批调度优化方法、装置及电子设备，其方法包括：获取车间的多种工件、多台机器以及各工件的多道工序；基于预设的批次生成策略确定各种所述工件的多个加工批次；基于所述多种工件、所述多台机器、所述多道工序以及所述多个加工批次构建柔性作业车间分配调度优化目标函数及约束条件；基于强化学习

【技术实现步骤摘要】
柔性作业车间分批调度优化方法、装置及电子设备


[0001]本专利技术涉及车间调度
，具体涉及一种柔性作业车间分批调度优化方法、装置及电子设备。

技术介绍

[0002]近年来，随着智能优化算法、机器学习等技术的进步，多种先进技术正逐渐被应用于工程领域，“智能制造”被提出。这种把传统制造业与先进技术相结合的生产模式在工业生产中正发挥着不可或缺的作用。在制造业的实际生产中，调度有着十分重要的地位，企业的经营与生产能力很大程度上决定于能否对生产线进行合理的调度。
[0003]专利技术专利CN111985672A提出了基于多Agent深度强化学习的单件作业车间调度方法，通过建模、状态提取、设计动作选择机制、设计奖励函数等操作解决了柔性作业车间调度问题。专利技术专利CN112987665A提出了一种基于强化学习的流水车间调度方法，该方法分为处理加工时间矩阵，构建奖励函数，构造神经网络模型，训练模型，模型应用五个阶段进行，解决了流水车间调度问题。其余涉及强化学习的专利技术均包括以下几个方面的内容：环境空间的生成、动作集的设计、奖励函数的设计以及判定智能体达到最优状态的依据等。
[0004]但现有技术中对车间调度的方案，均未考虑分批调度这一最常见也是最符合实际的一种调度问题，而由于多种因素的制约，分批调度十分复杂且解空间巨大，使用传统的间调度的方案往往得不到或无法在有限时间内找到理想的解。因此，急需提供一种柔性作业车间分批调度优化方法、装置及电子设备，用以对柔性作业车间分批调度方案进行快速、可靠的求解，提高求解效率。

技术实现思路

[0005]有鉴于此，有必要提供一种柔性作业车间分批调度优化方法、装置及电子设备，用以解决现有技术中存在的柔性作业车间分批调度优化方案求解效率慢且求解结果不可靠的技术问题。
[0006]为了解决上述技术问题，本专利技术提供了一种柔性作业车间分批调度优化方法，包括：
[0007]获取车间的多种工件、多台机器以及各工件的多道工序；
[0008]基于预设的批次生成策略确定各种所述工件的多个加工批次；
[0009]基于所述多种工件、所述多台机器、所述多道工序以及所述多个加工批次构建柔性作业车间分配调度优化目标函数及约束条件；
[0010]基于强化学习
‑
人工蜂群算法以及所述约束条件对所述柔性作业车间分配调度优化目标函数进行求解，获得柔性作业车间分配调度方案。
[0011]在一些可能的实现方式中，所述柔性作业车间分配调度优化目标函数为：
[0012]F＝min(makespan)
[0013][0014]式中，F为柔性作业车间分配调度优化目标函数；min()为最小值函数；makespan为完工时间；max[]为最大值函数；O
i,j,k
为第i个工件的第k个加工子批的第j道工序；FT(O
i,j,k
)为O
i,j,k
的加工结束时刻；n为工件总数；p为每个工件的工序数量；N
i
为第i个工件的加工子批数。
[0015]在一些可能的实现方式中，所述约束条件为：
[0016]N
i
＝{N
i
∈[1,sublot
UB
]|N
i
∈N
+
}
[0017][0018]PT(O
i,j,k
)＝PT
i,j,l
·
L
i,k
·
X(O
i,j,k
,M
l
)
[0019]l＝1,2,...,m
[0020]FT(O
i,j,k
)＝TT(O
i,j,k
‑1,O
i,j,k
)+ST(O
i,j,k
)+PT(O
i,j,k
)
[0021]FT(O
i,j,1
)＝ST(O
i,j,1
)+PT(O
i,j,1
)
[0022]MT
l
＝FT(O
i,j,k
)
[0023]ST(O
i,j,k
)≥max{FT(O
i,j
‑
1,k
),MT
l
}
[0024]ST(O
i,1,k
)≥max{0,MT
l
}
[0025][0026][0027]式中，sublot
UB
为加工子批次的最大值；N
+
为正整数；TL
i
为第i个工件的加工总批数；L
i,k
为第i个工件的第k个加工子批的数量；PT(O
i,j,k
)为O
i,j,k
的加工时间；m为机器总数；PT
i,j,l
为第i个工件的第j道工序在M
l
上的加工时间；M
l
为第l个机器；X(O
i,j,k
,M
l
)为O
i,j,k
和M
l
的决策变量；TT(O
i,j,k
‑1,O
i,j,k
)为从O
i,j,k
‑1到O
i,j,k
的运输时间；ST(O
i,j,k
)为O
i,j,k
的加工开始时刻；MT
l
为第l个机器的加工时间。
[0028]在一些可能的实现方式中，所述基于强化学习
‑
人工蜂群算法以及所述约束条件对所述柔性作业车间分配调度优化目标函数进行求解，获得柔性作业车间分配调度方案，包括：
[0029]获得初始化人工蜂群参数，所述初始化人工蜂群参数包括初始雇佣蜂、初始侦查蜂、初始围观蜂以及与初始雇佣蜂对应的初始食物源；
[0030]采用两段式整数编码方式对初始食物源进行编码，生成包括第一段染色体信息和第二段染色体信息的染色体，第一段染色体信息为表示当前工序选择的机器的设备选择段，第二段染色体信息为表示工序排序的工序排序段；
[0031]基于人工蜂群算法以及所述约束条件确定柔性作业车间调度方案；
[0032]基于强化学习算法以及所述柔性作业车间调度方案确定所述柔性作业车间分配调度方案。
[0033]在一些可能的实现方式中，所述基于人工蜂群算法以及所述约束条件确定柔性作业车间调度方案，包括：
[0034]步骤一、所述初始围观蜂评价所述初始食物源质量，确定最佳食物源，基于轮盘赌方法将所述人工蜂群重新划分为新雇佣蜂和新侦查蜂；
[0035]步骤二、所述新雇佣蜂利用邻域搜索策略对所述最佳食物源进行更新，获得更新食物源，所述新侦查蜂基于全局搜索策略获得待选食物源，基于局部搜索策略对所述最佳食物源进行优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种柔性作业车间分批调度优化方法，其特征在于，包括：获取车间的多种工件、多台机器以及各工件的多道工序；基于预设的批次生成策略确定各种所述工件的多个加工批次；基于所述多种工件、所述多台机器、所述多道工序以及所述多个加工批次构建柔性作业车间分配调度优化目标函数及约束条件；基于强化学习
‑
人工蜂群算法以及所述约束条件对所述柔性作业车间分配调度优化目标函数进行求解，获得柔性作业车间分配调度方案。2.根据权利要求1所述的柔性作业车间分批调度优化方法，其特征在于，所述柔性作业车间分配调度优化目标函数为：F＝min(makespan)式中，F为柔性作业车间分配调度优化目标函数；min()为最小值函数；makespan为完工时间；max[]为最大值函数；O
i,j,k
为第i个工件的第k个加工子批的第j道工序；FT(O
i,j,k
)为O
i,j,k
的加工结束时刻；n为工件总数；p为每个工件的工序数量；N
i
为第i个工件的加工子批数。3.根据权利要求2所述的柔性作业车间分批调度优化方法，其特征在于，所述约束条件为：N
i
＝{N
i
∈[1,sublot
UB
]|N
i
∈N
+
}PT(O
i,j,k
)＝PT
i,j,l
·
L
i,k
·
X(O
i,j,k
,M
l
)l＝1,2,...,mFT(O
i,j,k
)＝TT(O
i,j,k
‑1,O
i,j,k
)+ST(O
i,j,k
)+PT(O
i,j,k
)FT(O
i,j,1
)＝ST(O
i,j,1
)+PT(O
i,j,1
)MT
l
＝FT(O
i,j,k
)ST(O
i,j,k
)≥max{FT(O
i,j
‑
1,k
),MT
l
}ST(O
i,1,k
)≥max{0,MT
l
}}式中，sublot
UB
为加工子批次的最大值；N
+
为正整数；TL
i
为第i个工件的加工总批数；L
i,k
为第i个工件的第k个加工子批的数量；PT(O
i,j,k
)为O
i,j,k
的加工时间；m为机器总数；PT
i,j,l
为第i个工件的第j道工序在M
l
上的加工时间；M
l
为第l个机器；X(O
i,j,k
,M
l
)为O
i,j,k
和M
l
的决策变量；TT(O
i,j,k
‑1,O
i,j,k
)为从O
i,j,k
‑1到O
i,j,k
的运输时间；ST(O
i,j,k
)为O
i,j,k
的加工开始时刻；MT
l
为第l个机器的加工时间。4.根据权利要求1所述的柔性作业车间分批调度优化方法，其特征在于，所述基于强化学习
‑
人工蜂群算法以及所述约束条件对所述柔性作业车间分配调度优化目标函数进行求解，获得柔性作业车间分配调度方案，包括：获得初始化人工蜂群参数，所述初始化人工蜂群参数包括初始雇佣蜂、初始...

【专利技术属性】
技术研发人员：李益兵，廖铖，王磊，陈国奥，曹岩，金校，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：