再制造系统的拆解、预处理和再装配的一体化调度方法与流程

技术背景

本发明属于信息与控制技术领域，尤其涉及再制造系统的拆解、预处理和再装配的一体化调度方法。

背景技术：

再制造是实现节约能源和保护环境的可持续发展的典型生产模式，可以再次开发和利用废旧产品蕴含的有价值的资源，能够缓解资源需求大与资源短缺的矛盾，并减少大量废旧产品对环境的污染和危害。一般的再制造系统包括拆解车间、预处理车间和再装配车间。首先，拆解车间将废旧产品拆解为多个零件；然后，预处理车间对这些零件进行再加工；最后，再装配车间将这些零件重新组装为产品。对拆解车间、预处理车间和再装配车间的生产过程进行有效合理地调度是提高再制造效率的关键。

再制造系统的拆解、预处理和再装配三个车间的调度问题通常采用独立优化的方式，无法实现三个车间的有序衔接和整体最优。

技术实现要素：

基于群体的智能优化算法可以解决上述问题。蛙跳算法是模拟青蛙群体觅食行为的优化算法，通过将青蛙群体分割为多个族群，同一族群里青蛙个体间的信息交互实现了对问题解空间的搜索。基于学习机制的蛙跳算法引入了个体间的学习机制，通过青蛙群体里个体间的相互学习，实现群体共享搜索信息，从而达到对问题最优解的快速准确地搜索的目标。

为了解决再制造系统的拆解、预处理和再装配三个车间的调度问题通常采用独立优化的方式，无法实现三个车间的有序衔接和整体最优，本发明提供一种再制造系统的拆解、预处理和再装配的一体化调度方法。

本发明解决其技术问题所采用的技术方案是：一种再制造系统的拆解、预处理和再装配的一体化调度方法，所述方法包括以下步骤：

步骤1：获取拆解车间里拆解工作站的个数，预处理车间里阶段数以及各个阶段包含的工作站的个数，再装配车间里工作站的个数；废旧产品的个数，各废旧产品可以拆解的零件的个数，各废旧产品在拆解车间的拆解时间，各零件在预处理车间各个阶段的处理时间以及产品在再装配车间的装配时间；

步骤2：建立再制造系统拆解-预处理-再装配的一体化调度模型，

(1)优化目标

以最小化总再制造时间为优化目标，即最小化所有产品的再装配结束时间，按下式进行描述，即公式1：

(2)拆解、预处理和再装配车间的工作站的分配约束

设定拆解和再装配车间里每个产品只能在一个工作站上被拆解或装配，预处理车间里每个零件在每个阶段只能在一个工作站上进行处理，按下式进行描述：

(3)拆解、预处理和再装配车间的工作站的生产约束

设定拆解、预处理和再装配车间的每个工作站在同一时刻只能处理一个产品或零件，按下式进行描述：

(4)邻接车间的处理衔接约束

设定每个产品在拆解车间被拆解完成后，相应的零件方可允许在预处理车间开始处理；当产品对应的所有零件在预处理车间的预处理操作结束后，该产品方可允许在再装配车间进行装配，按下式进行描述：

(5)变量取值约束

设定产品的拆解结束时间、零件的预处理结束时间及产品的再装配结束时间为大于零的实数，决策变量取值为0或1，按下式进行描述：

步骤3：利用基于学习机制的蛙跳算法对该再制造系统的拆解、预处理和再装配一体化调度问题进行求解，获得最佳的调度方案，具体步骤如下：

步骤3-1：初始化算法参数，包括种群规模f，族群个数p，族群规模q，子族群个数u，子族群规模r及学习概率β，当前获得的最好解y及最好目标值z，总估值次数tfet；

步骤3-2：生成初始种群p。采用自然数编码表示一个青蛙个体或解，利用随机方法生成f个解，更新当前最好个体y及最好目标值z；

步骤3-3：评价个体的目标值。分为三种情况，描述如下：a.在拆解车间里，产品按照个体给出的顺序依次分配到最早可用的工作站进行拆解；b.在预处理车间里的第一阶段，将每个产品对应的零件按照处理时间升序排序，根据该顺序依次分配到最早可用的工作站进行处理；在后续阶段，按照零件的到达顺序依次分配到最早可用的工作站上进行处理；c.在再装配车间，当产品对应的所有零件完成预处理操作后，选择最早可用的工作站进行再装配操作。依据该方法可以计算个体的目标值；

步骤3-4：设置估值次数fet＝0；

步骤3-5：实施种群的进化：

步骤3-5-1：构造多个族群。将种群按照个体的目标值降序排序，将第一个个体分配到第一个族群，第二个个体分配到第二个族群，第p个个体分配到第p个族群，第p+1个个体分配第一个族群。依此方法，完成所有个体的分配，这样就构造了p个族群，每个族群包含q个个体，这里f＝p×q。

步骤3-5-2：对每一个族群，执行以下操作u次：

步骤3-5-2-1：构建子族群：从当前族群中随机选择r个个体构造一个子族群；

步骤3-5-2-2：对该子族群执行如下操作：

a.选择该子族群中最好个体xb和最差个体xw执行交叉操作产生一个个体x，并计算其目标值，令fet＝fet+1。若该个体优于最差个体，则将其替代最差个体，并转向执行操作a；否则执行操作b；

b.选择当前种群中的最好个体xg与当前子族群的最差个体xw执行交叉操作产生一个个体x，并计算其目标值，令fet＝fet+1。若该个体优于最差个体，则将其替代最差个体，并转向执行操作a；否则执行操作c；

c.随机产生一个个体x，并计算其目标值，令fet＝fet+1，将其替代当前子族群的最差个体，转向操作a。

步骤3-6：将所有族群混合构成种群p；

步骤3-7：实施种群的学习策略。令对于种群中的每一个个体x1，执行以下操作：生成0-1之间服从均匀分布的随机数α；若α小于β，则随机从种群中选择一个个体x2，令当前个体向该个体进行学习产生一个新的个体x，并计算其目标值，令fet＝fet+1，p′＝p′∪{x}。

步骤3-8：生成下一代种群。令p＝p∪p‘，保留f个优势个体，并剔除其他劣势个体，更新当前获得的最好解y和最好目标值z。

step3-9：若算法已达到停止条件，即fet≥tfet，则算法停止并输出最好解y和最好目标值z；否则转向步骤3-5。

上述中，涉及到的符号定义如下：

i产品索引，i＝1,2,……,n；

j零件索引，j＝1,2,……,m；

l预处理车间阶段索引，l＝1,2,……,s；

k工作站索引，对于拆解车间，k＝1,2,……,r^d；对于预处理车间，k＝1,2,……,对于再装配车间，k＝1,2,……,r^rp；

产品i的拆解时间；

产品i的零件j在预处理车间的第l个阶段的预处理时间；

产品i的再装配时间；

产品i的拆解结束时间；

产品i的零件j在预处理车间的第l个阶段的第k个工作站的结束时间；

产品i的所有零件的预处理结束时间；

产品i的再装配结束时间；

xik如果产品i在拆解车间的第k个工作站上拆解，则xik＝1；否则xik＝0；

yijkl如果产品i的零件j在预处理车间的第l个阶段的第k个工作站上处理，则yijkl＝1；否则yijkl＝0；

zik如果产品i在再装配车间的第k个工作站上装配，则zik＝1；否则zik＝0。

本发明的技术构思为：拆解、预处理和再装配是废旧产品再制造过程的主要流程。通常，拆解车间、预处理车间和再装配车间独立地制定调度方案，这种方法保证了各个车间调度方案的最优，但未能考虑相邻车间的衔接问题。因此，无法实现整体调度方案最优性。本发明旨在实现拆解、预处理和再装配车间的一体化调度方法，使得再制造过程能够有序衔接，从而实现再制造资源的有效和合理地利用。

附图说明

图1是再制造系统的拆解、预处理和再装配的一体化调度流程图。

图2是基于学习机制的蛙跳算法的流程图。

图3是个体间的学习方法示意图。

具体实施方式

下面结合附图对本发明做进一步的描述。

如图1和图2，一种再制造系统的拆解、预处理和再装配的一体化调度优化方法，所述方法包括以下步骤：

步骤1：根据再制造生产流程构建一体化调度模型。依据附图1所示一体化调度流程图的结构，构建一体化调度模型，其中，所涉及到的符号定义如下：

i产品索引，i＝1,2,……,n；

j零件索引，j＝1,2,……,m；

l预处理车间阶段索引，l＝1,2,……,s；

k工作站索引，对于拆解车间，k＝1,2,……,r^d；对于预处理车间，k＝1,2,……,对于再装配车间，k＝1,2,……,r^rp；

产品i的拆解时间；

产品i的零件j在预处理车间的第l个阶段的预处理时间；

产品i的再装配时间；

产品i的拆解结束时间；

产品i的零件j在预处理车间的第l个阶段的第k个工作站的结束时间；

产品i的所有零件的预处理结束时间；

产品i的再装配结束时间；

xik如果产品i在拆解车间的第k个工作站上拆解，则xik＝1；否则xik＝0；

yijkl如果产品i的零件j在预处理车间的第l个阶段的第k个工作站上处理，则yijkl＝1；否则yijkl＝0；

zik如果产品i在再装配车间的第k个工作站上装配，则zik＝1；否则zik＝0。

①优化目标

以最小化总的再制造时间为优化目标，即最小化所有产品的再装配结束时间，按下式进行描述：

②拆解、预处理和再装配车间的工作站的分配约束

设定拆解和再装配车间里每个产品只能在一个工作站上被拆解或装配，预处理车间里每个零件在每个阶段只能在一个工作站上进行处理，按下式进行描述：

其中，式(1)表示每个产品在拆解车间内只能在一个工作站上被拆解；式(2)表示每个零件在预处理车间的各个阶段只能在一个工作上实施预处理；式(3)表示在再装配车间内每个产品只能在一个工作站上被装配。

③拆解、预处理和再装配车间的工作站的生产约束

设定拆解、预处理和再装配车间的每个工作站在同一时刻只能处理一个产品或零件，按下式进行描述：

其中式(4)表示拆解车间里每个工作站上同一时刻只能拆解一个产品；式(5)表示预处理车间里每个阶段的每个工作站同一时刻只能处理一个零件；式(6)表示预处理车间里零件在相邻工作站的处理次序和时间约束，即零件在前一工作站处理结束，后一工作站才允许继续处理；式(7)表示再装配车间里每个工作站上同一时刻只能装配一个产品。

④邻接车间的处理次序约束

设定每个产品在拆解车间被拆解完成后，相应的零件允许在预处理车间开始处理；当产品对应的所有零件在预处理车间的预处理工序结束后，该产品允许在再装配车间进行装配，按下式进行描述：

其中式(8)表示每个产品在拆解车间里拆解结束后，相应的零件可以在预处理车间实施预处理操作；式(9)和式(10)表示每个产品对应的所有零件在预处理车间里完成预处理操作后，该产品可以在再装配车间进行装配操作。

⑤变量取值约束

设定产品的拆解结束时间、零件的预处理结束时间及产品的再装配结束时间为大于零的实数，决策变量取值为0或1，按下式进行描述：

其中，式(11)设定拆解车间内各产品的拆解结束时间及决策变量的取值范围；式(12)设定预处理车间内各零件的预处理结束时间和决策变量的取值范围；式(13)设定再装配车间内各产品的装配结束时间和决策变量的取值范围。

步骤2：问题数据输入。输入拆解车间里拆解工作站的个数，预处理车间里阶段数以及各个阶段包含的工作站的个数，再装配车间里工作站的个数；废旧产品的个数，各废旧产品可以拆解的零件的个数，各废旧产品在拆解车间的拆解时间，各零件在预处理车间各个阶段的处理时间以及产品在再装配车间的装配时间；

步骤3：算法求解。依据附图2所示算法流程图，利用基于学习机制的蛙跳算法对问题进行求解，具体实施如下：

步骤3-1：初始化算法参数，包括种群规模f，族群个数p，族群规模q，子族群个数u，子族群规模r及学习概率β，当前获得的最好解y及最好目标值z，总估值次数tfet。

步骤3-2：生成初始种群p。采用自然数编码表示问题的一个个体或解，利用随机方法生成f个解，更新当前最好个体y。

步骤3-3：评价个体的目标值。a.在拆解车间里，产品按照个体显示的位置顺序依次分配到空闲或最早空闲的工作站进行拆解；b.在预处理车间里的第一阶段，将每个产品对应的零件按照处理时间升序排序，并按照该顺序依次分配到空闲或者最早空闲的工作站进行处理；在后续阶段，按照零件的到达顺序依次分配到空闲或者最早空闲的工作站上进行处理；c.在再装配车间，当产品对应的所有零件完成预处理操作后，选择空闲或最早空闲的工作站进行再装配操作。

步骤3-4：设置估值次数fet＝0；

步骤3-5：实施种群的进化：

步骤3-5-1：构造多个族群。将种群按照个体的目标值降序排序，按照设定的规则将整个种群分成p族群，每个族群有q个个体。这里采用的规则如下：将第一个个体分配到第一个族群，第二个个体分配到第二个族群，第p个个体分配到第p个族群，第p+1个个体分配第一个族群。依此方法，完成所有个体的分配，从而构造m个族群，每个族群包含q个个体，这里f＝p×q。

步骤3-5-2：每一个族群，执行以下操作u次：

步骤3-5-2-1：构建子族群：从当前族群中随机选择r个个体；

步骤3-5-2-2：子族群执行如下操作：

a.选择该子族群中最好个体xb和最差个体xw执行交叉操作产生一个个体x，并计算其目标值，令fet＝fet+1。若该个体优于最差个体，则将其替代最差个体，并转向执行操作a；否则执行操作b；

b.选择当前种群中的最好个体xg与当前子族群的最差个体xw执行交叉操作产生一个个体x，并计算其目标值，fet＝fet+1。若该个体优于最差个体，则将其替代最差个体，并转向执行操作a；否则执行操作c；

c.随机产生一个个体x，并计算其目标值，令fet＝fet+1。将其替代当前子族群的最差个体，转向操作a。

步骤3-6：将所有族群混合构成种群p；

步骤3-7：实施种群的学习策略。令对于种群中的每一个个体x1，执行以下操作：生成0-1之间服从均匀分布的随机数α；若α小于β，则随机从种群中选择一个个体x2，令当前个体向该个体进行学习产生一个新的个体x，并计算其目标值，令fet＝fet+1，p′＝p′∪{x}。

步骤3-8：生成下一代种群。令p＝p∪p‘，保留f个优势个体，并剔除其他劣势个体，并更新当前获得的最好解y和最好目标值z。

step3-9：若算法已达到停止条件，即fet≥tfet，则算法停止并输出最好解y和最好目标值z；否则转向步骤3-5。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所作出的等效的变化或修饰，都应涵盖在本发明的保护范围内。