本发明涉及一种金属铸坯切削成形加工过程的优化调度方法，属于机械加工生产过程智能优化调度
技术领域：
。
背景技术：
长期以来，机械制造业是我国国民经济的支柱产业，由各种各样的零部件所组成的机械装备，满足了人们的生活和劳动需求，提高了劳动效率，降低了生产成本，促进了人类社会文明的繁荣发展。机械零部件都具有一定的外形，由特定的一个或多个性质不同的表面组成，如球面、平面等。为获得满足机械装备使用要求，具有特定形状、尺寸以及表面粗糙度方面要求的机械零部件，机械制造业常采用切削加工方法，以满足大规模工业生产的需求。切削加工就是运用特定的切削工具将金属铸坯上多余的材料切除，最终获得满足机械装备各方面使用要求的机械零部件产品的工艺技术方法。它是目前机械制造工艺中的重要环节。金属铸坯切削成形加工以批量生产模式为主，不同的金属铸坯规格及工艺要求，使得各金属铸坯在各阶段的加工时间存在较大差异。不同的金属铸坯加工序列会对该批量生产计划的完工时间和碳排放总量产生较大影响，这将直接影响工厂的生产成本和经济效益。现阶段，工厂调度员主要采用基于最小完工时间的分配规则进行调度，即按照各金属铸坯完工时间进行升序排列，以此作为加工序列。这种方式在一定程度上可减少生产计划的完工时间和碳排放量，但是无法考虑到金属铸坯加工序列之间的耦合作用，且调度方案单一，无法满足生产计划的突发性事件及多样性的需求。因此，对金属铸坯成形加工过程的优化调度就显得格外重要，一个好的调度方案可以很大程度上降低工厂的生产成本，提高工厂的经济效益。本发明采用排列模型，设计一种基于改进的多目标灰狼优化算法的优化调度方法，可在较短时间内获得金属铸坯切削成形加工过程调度问题的近似最优解，从而降低工厂的生产成本和碳排放量，提高工厂的经济效益。技术实现要素：本发明的目的针对金属铸坯切削成形加工过程调度问题，提出一种基于改进的多目标灰狼优化算法的金属铸坯切削成形加工过程的优化调度方法，以解决现有金属铸坯切削加工过程中由于加工排序不当导致工厂成本浪费、经济效益低及环境污染严重等问题。本发明的技术方案是：一种金属铸坯切削成形加工过程的优化调度方法，通过确定金属铸坯在工厂内切削成形加工过程的调度模型和优化目标，并使用基于改进的多目标灰狼优化算法的优化调度方法对目标进行优化；其中，调度模型依据每种金属铸坯在每台设备上的工序数、加工时间和机器速度来建立，优化目标中第一优化目标为最小化最大完工时间f1＝cmax(π)，第二个优化目标为总碳排放量f2＝tce：min{f1,f2}＝min{cmax(π),tce}cmax(π)＝cπ(n),mcπ(i),j＝max{cπ(i-1),j,cπ(i),j-1}+pπ(i),j/vπ(i),jcπ(1),j＝cπ(1),j-1+pπ(1),j/vπ(1),jcπ(i),1＝cπ(i-1),1+pπ(i),1/vπ(i),1cπ(1),1＝pπ(1),1/vπ(1),1式中，n表示金属铸坯数；m表示机器数；s表示机器加工速度集合，每台机器均有s种加工速度可供选择；机器的每个加工操作速度选定后，在该加工操作完成前不可更改，该优化调度问题的一个解为π＝{π(1),π(2),...,π(n)}，π表示工厂内铸坯的加工序列，π(i)表示π中第i个位置的铸坯；oi,j表示金属铸坯i在机器j上的操作并规定该操作开始后将不允许中断，每一个操作oi,j都有相应的标准加工时间pi,j，当机器j以速度vi,j加工操作oi,j，此时加工操作oi,j的加工时间变为pi,j/vi,j，单位时间加工能源消耗为ppj,v，每个加工操作oi,j的完工时间为ci,j；当机器处于空闲状态时，机器将处于待机模式，spj表示单位时间待机能源消耗；规定对于同一个操作oi,j，如果机器速度增大则加工时间相应减少，能耗相应增加，即机器速度由v增加到u，则需同时满足pi,j/u＜pi,j/v，ppj,u·pi,j/u＞ppj,v·pi,j/v；xj(t)为1表示机器j在t时刻处于加工状态，0表示处于待机状态；ε表示能耗与碳排放量之间的转换系数，通常取0.7559；所述基于改进的多目标灰狼优化算法的优化调度方法具体为：step1、种群初始化：采用随机方法产生初始化种群initpop，直至初始解的数量达到种群规模的要求；其中，种群规模为np；step2、archive种群初始化：初始种群中的非支配解构成archive种群，设置archive种群的最大个体数为ap；step3、种群更新：种群中的每一个个体为一个解，利用轮盘赌策略对archive种群进行分组，挑选3个非支配解，即最优解、优解、次优解所在的狼(分别标记为α、β、δ狼，其余个体标记为ω狼)，猎食过程中，狼群在α、β、δ狼的引导下，更新各自的位置，向食物位置(全局最优解)逼近，引导方程如下：由于改进的多目标灰狼优化算法基于连续实数域，而金属铸坯切削成形加工过程基于离散变量，故采用基于随机键编码方式对金属铸坯的工序排序进行实数编码，然后根据lov规则建立实数编码与整数编码之间的一一映射关系，进而实现从实数编码向金属铸坯工序排序的转换；dp表示灰狼向食物逼近后的位置；x表示灰狼的位置(xi＝[xi,1,xi,1,…,xi,n])，xp表示猎物的引导位置(即α、β、δ狼的位置)；t表示迭代次数；α表示控制参数；maxt表示最大迭代次数；c与a表示引导系数；γ1、γ2是[0,1]范围内的随机数；step4、archive种群更新：计算狼群中每个个体的目标函数值，选出狼群中非支配解并逐一与archive种群中的个体进行对比，如果存在非支配解支配archive种群中的解，则对archive种群进行更新；step5、基于swap与insert的局部搜索：对archive种群中的所有个体依次执行“swap”和“insert”操作，如果局部搜索得到的个体优于当前个体则将其替换，并将当代种群作为新一代archive种群；step6、终止条件：设定终止条件为算法运行时间t＝50×n，如果算法满足最大迭代次数maxt或运行时间t，则输出“最优解”；否则转至步骤step3，反复迭代，直至满足终止条件为止。本发明的有益效果是：本发明提出一种金属铸坯切削成形加工过程的调度模型和优化目标，可在短时间内获得金属铸坯切削成形加工过程调度问题的优良解，能降低工厂的生产成本及碳排放量，可提高工厂的生产效率，推动工厂的绿色生产模式，能有效解决金属铸坯切削成形加工过程由于加工排序不当导致的工厂成本浪费，经济效益不高及环境污染的问题。附图说明图1为本发明的流程图；图2为本发明的优化调度方法流程图；图3为本发明中问题解的表达示意图；图4为本发明的基本“insert”领域变化示意图；图5为本发明的基本“swap”领域变化示意图。具体实施方式实施例1：如图1-5所示，一种金属铸坯切削成形加工过程的优化调度方法，通过确定金属铸坯在工厂内切削成形加工过程的调度模型和优化目标，并使用基于改进的多目标灰狼优化算法的优化调度方法对目标进行优化；其中，调度模型依据每种金属铸坯在每台设备上的工序数、加工时间和机器速度来建立，优化目标中第一优化目标为最小化最大完工时间f1＝cmax(π)，第二个优化目标为总碳排放量f2＝tce：min{f1,f2}＝min{cmax(π),tce}cmax(π)＝cπ(n),mcπ(i),j＝max{cπ(i-1),j,cπ(i),j-1}+pπ(i),j/vπ(i),jcπ(1),j＝cπ(1),j-1+pπ(1),j/vπ(1),jcπ(i),1＝cπ(i-1),1+pπ(i),1/vπ(i),1cπ(1),1＝pπ(1),1/vπ(1),1式中，n表示金属铸坯数；m表示机器数；s表示机器加工速度集合，每台机器均有s种加工速度可供选择；机器的每个加工操作速度选定后，在该加工操作完成前不可更改，该优化调度问题的一个解为π＝{π(1),π(2),...,π(n)}，π表示工厂内铸坯的加工序列，π(i)表示π中第i个位置的铸坯；oi,j表示金属铸坯i在机器j上的操作并规定该操作开始后将不允许中断，每一个操作oi,j都有相应的标准加工时间pi,j，当机器j以速度vi,j加工操作oi,j，此时加工操作oi,j的加工时间变为pi,j/vi,j，单位时间加工能源消耗为ppj,v，每个加工操作oi,j的完工时间为ci,j；当机器处于空闲状态时，机器将处于待机模式，spj表示单位时间待机能源消耗；规定对于同一个操作oi,j，如果机器速度增大则加工时间相应减少，能耗相应增加，即机器速度由v增加到u，则需同时满足pi,j/u＜pi,j/v，ppj,u·pi,j/u＞ppj,v·pi,j/v；xj(t)为1表示机器j在t时刻处于加工状态，0表示处于待机状态；ε表示能耗与碳排放量之间的转换系数，通常取0.7559；所述基于改进的多目标灰狼优化算法的优化调度方法具体为：step1、种群初始化：采用随机方法产生初始化种群initpop，直至初始解的数量达到种群规模的要求；其中，种群规模为np；step2、archive种群初始化：初始种群中的非支配解构成archive种群，设置archive种群的最大个体数为ap；step3、种群更新：种群中的每一个个体为一个解，利用轮盘赌策略对archive种群进行分组，挑选3个非支配解，即最优解、优解、次优解所在的狼(分别标记为α、β、δ狼，其余个体标记为ω狼)，猎食过程中，狼群在α、β、δ狼的引导下，更新各自的位置，向食物位置(全局最优解)逼近，引导方程如下：由于改进的多目标灰狼优化算法基于连续实数域，而金属铸坯切削成形加工过程基于离散变量，故采用基于随机键编码方式对金属铸坯的工序排序进行实数编码，然后根据lov规则建立实数编码与整数编码之间的一一映射关系，进而实现从实数编码向金属铸坯工序排序的转换；dp表示灰狼向食物逼近后的位置；x表示灰狼的位置(xi＝[xi,1,xi,1,…,xi,n])，xp表示猎物的引导位置(即α、β、δ狼的位置)；t表示迭代次数；α表示控制参数；maxt表示最大迭代次数；c与a表示引导系数；γ1、γ2是[0,1]范围内的随机数；step4、archive种群更新：计算狼群中每个个体的目标函数值，选出狼群中非支配解并逐一与archive种群中的个体进行对比，如果存在非支配解支配archive种群中的解，则对archive种群进行更新；step5、基于swap与insert的局部搜索：对archive种群中的所有个体依次执行“swap”和“insert”操作，如果局部搜索得到的个体优于当前个体则将其替换，并将当代种群作为新一代archive种群；step6、终止条件：设定终止条件为算法运行时间t＝50×n，如果算法满足最大迭代次数maxt或运行时间t，则输出“最优解”；否则转至步骤step3，反复迭代，直至满足终止条件为止。种群规模np设置为50，archive种群规模ap设置为10，机器速度档位设置为s＝{1,1.1,1.2,1.3,1.4}，ppj,v＝4×v2，spj＝1，最大迭代次数maxt设置为100。表1给出了不同问题规模下所求得的目标函数值。表1不同问题规模下所求得的目标函数值n×m30×530×1050×550×1070×570×10cmax(π)8377701756105327432032tce8971843215374129802956425883上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。当前第1页12