【技术实现步骤摘要】
基于混合初始化模因算法的分布式异构流水车间调度方法
[0001]本专利技术涉及一种流水车间问题的调度方法，属于车间调度领域
。
技术介绍
[0002]生产调度问题一直以来都受到人们的广泛关注
。
近年来，由于社会的不断发展和科技的日新月异，传统的制造型企业正面临着前所未有的风险，如何高效地分配现有资源
、
完成目标生产任务成为大家关心的热点问题
。
随着经济全球化的不断推进，分布式制造成为制造业中的常见场景；而随着全球能源问题日益突出，“节能减排”成为大家的共识，因此绿色调度应运而生
。
流水车间作为生产系统中常见的制造场景，经过多年的研究和发展，已经延伸出很多不同类型的流水车间，混合流水车间可以看成置换流水车间和并行机的组合
。
分布式制造作为当下热点问题，已有大量针对优化其最大完工时间等指标的研究，但大多数的研究范围都是同构工厂，关于分布式异构工厂的研究很少，显然，异构工厂生产模型更贴近实际生产情况
。
因此，对分布式异构生产的研究很有必要
。
技术实现思路
[0003]针对现有生产调度方法仅适用于同构工厂模型的问题，本专利技术提供一种基于混合初始化模因算法的分布式异构流水车间调度方法
。
[0004]本专利技术所述基于混合初始化模因算法的分布式异构流水车间调度方法，该方法包括以下步骤：
[0005]步骤
S1
：建立分布式异构流水车间调度模型；<...
【技术保护点】
【技术特征摘要】
1.
基于混合初始化模因算法的分布式异构流水车间调度方法，其特征在于，该方法包括以下步骤：步骤
S1
：建立分布式异构流水车间调度模型；步骤
S2
：初始化模因算法基本参数，根据混合初始化策略生成初始种群；步骤
S3
：对种群个体进行适应度值评价，并进行帕累托非支配排序；步骤
S4
：对种群中的个体进行一定概率的交叉操作；步骤
S5
：采用搜索算子对种群进行协同搜索；步骤
S6
：将后代种群与父代种群合并，选择一半个体作为局部搜索目标；步骤
S7
：对所选目标个体进行局部搜索；步骤
S8
：更新种群；步骤
S9
：若算法满足停止条件，则结束算法进程，并输出非支配解集；否则，算法转到
S4
继续迭代
。2.
根据权利要求1所述基于混合初始化模因算法的分布式异构流水车间调度方法，其特征在于，步骤
S1
中所述分布式异构流水车间调度模型描述为：整个制造系统由分布在不同地区的
F
个工厂组成，
F
个工厂中有
F
p
个加工能力不同的置换流水车间和
F
h
个加工容量不同的混合流水车间组成；混合流水车间每个阶段有
M
个相同的并行机，
M≥1
；所有工件可以被任一工厂加工且只能被一个工厂加工，每个工件都要经历所有的工序，且工序间存在先后约束条件；每个机器都有5档可选择的速度，工件的实际加工时间与工件的标准加工时间和机器速度有关；机器加工速度越大，工件实际加工时间越短，但所耗费的能量越多；受每个工厂生产环境以及工艺技术等因素影响，同一工件在不同的工厂的标准加工时间和良品率不同；工序的设置时间和工件的运输时间包含在了标准加工时间里，机器与机器间的缓冲区设定为无穷大；优化目标包括最大完工时间
、
总能耗和总良品率，其适应度值计算依据如下公式：最大完工时间的适应度按式
(1)
获取：
minf1＝
C
max
＝
max{C
j,k
} (1)
总能耗的适应度按式
(2)
获取：获取：总良品率的适应度按式
(4)
获取，且以总非良品率作为适应度值：其中，函数
f1为最大完工时间的适应度函数，函数
f2为总能耗的适应度函数，函数
f3为总良品率的适应度函数，
C
max
、TEC、TAYR
作为适应度值，
C
max
表示最大完工时间，
TEC
为总能耗，
TAYR
表示总非良品率；
j
为工件索引，
j
＝
1,...,N
，
N
为工件总数
,k
为工序索引，
k
＝
1,...,S
，
S
为工序总数
,f
为工厂索引，
f
＝
1,...,F
，
F
为工厂总数
,m
为机器索引，
m
＝
1,...,
M
f,k
，
M
f,k
表示工厂
f
第
k
道工序的机器数；
C
j,k
为工序
O
j,k
的完工时间，
O
j,k
表示工件
j
的第
k
道工序；
EC
f
为工厂
f
的能量消耗，
P
j,f,k
为工序
O
j,k
在工厂
f
中的标准加工时间，
v
j,k
为工序
O
j,k
的加工速度；为工序
O
j,k
在工厂
f
加工的单位时间的能耗，为工厂
f
第
k
道工序加工机器
m
的空闲时间，为工厂
f
第
k
道工序的加工机器
m
处于空闲模式的单位时间能耗；
YR
j,f
为工件
j
在工厂
f
的良品率，如果工件
j
分配给工厂
f,
则
x
j,f
＝
1,
否则为
0。3.
根据权利要求2所述基于混合初始化模因算法的分布式异构流水车间调度方法，其特征在于，初始化模因算法基本参数，具体包括种群大小
PS,
交叉概率
P
Cr
,
交叉片段比例
ɑ
，停止条件系数
τ
；该算法染色体包括工厂安排部分
、
工件排序部分以及速度选择三部分；其中，工厂安排部分染色体维度为1×
F
，基因位置代表工厂序号，基因代表工件个数；工件排序部分染色体维度为1×
N
，基因代表工件序号，基因位置表示加工顺序；速度选择部分染色体维度为
N
×
S
，行索引表示工件序号，列索引表示工序序号
。4.
根据权利要求3所述基于混合初始化模因算法的分布式异构流水车间调度方法，其特征在于，步骤
S2
中混合初始化策略包括随机策略
、SPT
策略和
SAS
策略，其中采用随机策略产生个体，采用
SPT
策略初始化染色体工厂安排部分和工件排序部分，采用
SAS
策略初始化染色体速度选择部分染色体；其中采用随机策略产生个体的过程为：工件随机选择加工工厂，每个工厂内的工件加工顺序随机产生，每道工序的加工速度随机选择；其中，采用
SPT
策略初始化染色体工厂安排部分和工件排序部分的过程为：
S2A
‑1：工厂
f
的第一个工件采用从工件序列
JS
中随机选择的方式放入；
S2A
‑2：在剩余的工件序列
seq
中依次计算工件
j
与已放入工厂的工件
j
’
的工序加工时间向量的相似度，采用欧式距离来衡量时间向量的相似度，分为工件
j
插入到工件
j
’
前和后两种情况：工件
j
插入到工件
j
’
前情况下，计算加工时间向量和加工时间向量之间的欧氏距离，其中
p
j,2,f
,...,p
j,S,f
分别为工件
j
在工厂
f
的第2至
S
工序的实际加工时间，
p
j',1,f
,...,p
j',S
‑
1,f
分别为工件
j
’
在工厂
f
的第1至
S
‑1工序的实际加工时间；工件
j
插入到工件
j
’
后，计算加工时间向量和加工时间向量之间的欧氏距离，其中
p
j,1,f
,...,p
j,S
‑
1,f
分别为工件
j
在工厂
f
的第1至
S
‑1工序的实际加工时间，
p
j',2,f
,...,p
j',S,f
分别为工件
j
’
在工厂
f
的第2至
S
工序的实际加工时间；
S2A
‑3：选择向量相似度最高的插入方式插入工件
j
，并更新剩余工件序列
...
【专利技术属性】
技术研发人员：邓立宝，邱艺萱，狄原竹，李春磊，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。