一种基于汽车配件分布式装配生产过程的绿色优化调度方法

本发明涉及一种基于汽车配件分布式装配生产过程的绿色优化调度方法，属于制造业生产过程的智能优化调度。

背景技术：

1、在工业全球化的时代背景下，各大制造行业相继崛起，作为现代化工业产品的汽车并非仅在同一工厂中加工组装完成，而是将汽车的零部件代理给各大制造厂商，由制造厂商代理协同加工而成。由此，引出了汽车配件分布式装配生产调度问题，即配件在哪些代理厂商加工能够耗时最小、成本最低的生产调度问题。各行业代理厂商生产的高度运转必将带来高效益，高效益势必导致高能源消耗。通常能源供给的主要途径来自化石燃料，燃烧化石燃料导致大量二氧化碳被释放到大气中，全球变暖俨然已成为一个严重的环境问题。为了减少二氧化碳气体的排放并节能降耗，制造业实施低碳调度势在必行。汽车配件的加工生产过程一般归属于经典流水车间调度问题，因其在工业和经济上的广泛应用而受到了国内外诸多研究者的广泛关注。传统流水车间调度问题考虑一组机器上具有相同生产流程的作业，优化目标是寻找满足一个或一组优化指标的作业序列。然而okwudire、chinedum等提出分布式制造(distributed manufacturing，dm)是允许地理上分散的生产，通常是小规模的，靠近终端用户，进而引出对分布式置换流水车间调度问题(distributedpermutation flow-shop scheduling problem，dpfsp)的研究。早在2010年，naderi和ruiz开始对dpfsp进行研究。2013年，hatami进一步研究了分布式装配排列流水车间调度问题(distributed assemble permutation flow-shop scheduling problem，dapfsp)，dapfsp是dpfsp的扩展也属于np-hard问题。本专利中涉及到的dapfsp是dapfsp在低碳节能层面的扩展，是一类设备可调速且两阶段耦合的复杂调度问题，需要协同优化完工时间和总能耗。

2、相较传统的调度问题，低碳调度问题通过对资源分配、工序安排和加工模式的综合协同优化，以实现节能减排和降低成本的效果。在低碳调度中的机器调速方面，机器的加工速度可以根据不同的加工工艺进行动态调整，低速加工能耗小工时长，而以较高的速度加工则会产生相反的效果。汽车配件的零件在加工过程中会产生大量的能耗，将不同的配件进行编号，每个配件包含若干个零件。这些零件不同的加工顺序会对该批配件的完工时间造成不同程度的影响。对于当前的汽车配件加工来说，较少的企业考虑到直接将完工的零件进行装配，本发明则直接将属于同一配件的零件在同一工厂进行装配，大大缩短企业的生产周期。

3、在算法层面上，选择超启发三维分布估计算法(hyper heuristic 3-dimensionalestimation of distribution algorithm，hh3deda)，它与传统的启发式算法相比，超启发式算法采用了更高级别的启发式策略，它不仅考虑了传统的邻域搜索和贪心选择，还引入了一些更为复杂的优化策略和元启发式算法，如遗传算法、禁忌搜索等。这些策略和算法相互协作，能够充分利用搜索空间中的各种信息，从而达到更好的分配效果。本发明所述的超启发三维分布估计算法，通常由高层策略域操作和底层问题域操作组成，高层策略域操作指导算法的全局搜索方向，而底层问题域操作则负责搜索空间中的局部信息。由于超启发式算法采用了复杂的优化策略和元启发式算法，因此其计算复杂度较高，能够应对不同规模和复杂度的问题；此外，本发明所涉及的算法采用了多种优化策略和元启发式算法，能够在全局范围内进行搜索和优化，从而得到更优的分配方案。

技术实现思路

1、本发明提供了一种基于汽车配件分布式装配生产过程的绿色优化调度方法，以用于在相对较少的时间内为汽车配件公司提供合理的加工方案，进而能让各个加工机器得到合理的利用，从而实现节能降耗、保护环境，缩短工期的目标。

2、本发明的技术方案是：一种基于汽车配件分布式装配生产过程的绿色优化调度方法，首先通过建立汽车配件的加工、装配过程调度模型，以同时最小化汽车配件生产成型过程完工时间和能耗为优化目标；由于每个汽车配件包含多个不同类型零件，而每个零件又有多道加工工艺，根据加工工艺在各机器上的加工时间提出一种超启发三维分布估计算法进行优化求解：

3、

4、

5、

6、

7、

8、

9、

10、

11、tce＝ε×tec                     (20)

12、tce(π,v)＝mintce                (21)

13、

14、其中，yjv(t)为二进制符号:表示任意工厂f中的机器j在t时刻以速度v处于加工模式时，赋值1；处于待机模式时，赋值0，f则表示共有f个同类型的工厂，且每个工厂均包含有加工阶段和装配阶段；δδ表示共有δ个待加工的配件，表示每个配件所包含的零件；mm表示加工阶段有m台加工设备；代表处于工厂f中的配件δl，在机器j上加工第1个零件时，机器的实际加工速度；

15、所述模型必须满足以下约束：

16、(1)每个配件都能分配给任意一个工厂进行加工；

17、(2)每个工厂内至少包含有一个配件待加工；

18、(3)在每个流水车间中，所有零件都必须按照顺序进行加工，即首先在设备m1上加工，然后在设备m2上加工，依此类推，直到在最后一台设备mm上完成加工；

19、(4)属于同一配件的零件必须连续加工，只加工该配件的部分零件是不符合装配条件的；

20、(5)工厂f的配件δl中处于位置i的零件在机器j上的操作表示为一旦操作启动，必须在无中断的情况下执行；为操作的加工时间；

21、(6)一旦配件δl内的零件全部加工完成，立即交付给同一工厂内的装配机ma进行装配，如果配件的所有零件都已加工完成且此时装配机空闲，则可以开始配件的装配操作，装配机一旦启动就不能中断；pl表示配件δl在装配机器ma上的装配时间，

22、(7)每台机器一次最多只能进行一项操作；

23、公式(1)表示工厂f中处于位置1的零件在机器m1加工时所需的完工时间；公式(2)表示工厂f中第i个位置的零件在机器1的完工时间；公式(3)表示工厂f中第一个位置的零件在机器j的完工时间；公式(4)表示工厂f中第i个位置的零件在机器j上的完工时间；公式(5)表示工厂f中处于位置l的配件的完工时间；公式(8)表示工厂f中的配件最大完工时间；

24、公式(7)和公式(8)分别为最大完工时间cmax和总能耗tec，ppjv代表操作oi,j在机器j∈m上以速度v∈v进行加工时，对应的加工时间为pij＝pij/v，对应的单位时间功耗为ppjv，spj代表当所有的操作完成时，机器才会完全关闭，而j∈m的每台机器在不加工作业时，将处于待机模式，每单位时间的功耗spj；其中tec为总能量消耗，ε为单位能量消耗的碳排放量，公式(11)代表问题域个体的编码由两部分组成:一部分为工件加工序列π；另一部分为工件加工速度对照表v，

25、其中oi,j∈o表示每台机器上要加工的第i个操作，v(i,j)∈v表示第i个位置操作在机器j上的运行速度，为便于符号表示，可行解用(π,v)表示，对应的完工时间和总能耗分别记为cmax(π,v)和tec(π,v)，根据公式(9)(10)得知，碳排放与总能耗之间的唯一差异是一个常数系数，优化tec或tce将产生等效结果。

26、作为本发明的进一步方案，为增强算法的局部搜索能力，设计了12种低层启发式操作，即：

27、llh1：在一个关键工厂内随机交换任意两个配件；

28、llh2：从关键工厂取出一个配件，随机地插入到另一个位置；

29、llh3：在关键工厂内随机使配件逆序；

30、llh4：随机交换两个工厂之间的配件；

31、llh5：从关键工厂取出一个配件，随机插入到另一个工厂；

32、llh6：随机交换关键工厂内的任意两个配件；

33、llh7：从关键工厂选择一个配件，然后从该配件所包含的零件序列中选择一个零件，并随机将其插入序列的其他位置；

34、llh8：从关键工厂选择任意一个配件，然后从该配件所包含的零件序列中选择任意2个零件，并随机交换这两个零件的位置；

35、llh9：从关键工厂选择任意一个配件，然后从该配件所包含的零件序列中选择一个段序，并将这段序列反转；

36、llh10：随机选择两台机器执行加工速度突变操作；

37、llh11：随机选择两台机器执行加工速度交换操作；

38、llh12：随机选择两台机器执行加工速度插入操作。

39、作为本发明的进一步方案，所述基于汽车配件分布式装配生产过程的绿色优化调度方法的具体步骤如下：

40、step1：确定编码和解码方式：采用三维向量编码法，即工厂序列、机器序列，零件序列；底层问题域个体π为配件加工序列，解码后的个体则包含分配给各工厂的配件序πf和各配件所包含的零件序πj两部分；

41、step2：初始化底层问题域种群和三维概率模型；种群大小设置为popsize(以下简称ps)；

42、step3：设计低层启发式操作llh；

43、step4：通过底层问题域的反馈，采样生成高层策略域种群pg，同样种群大小设置为ps，对于高层策略域，种群中的每个个体i由12个低层启发式操作所组成；在解码高层策略域个体时，对底层问题域的调度解从左向右依次执行高层策略域个体中的低启发式操作；每执行完对应的低层启发式操作，都会将新解与原来的解相比较，如果新解优于旧解，则用新解替代旧解；否则，保留原来的解，并继续执行剩余的低层启发式操作；高层策略域个体中的所有低层启发式操作全部执行完毕，计算高层策略域个体的适应度值，该适应度值为更新后的底层问题域个体的最优适应度值；

44、step5：使用操作选择函数评价底层问题域种群，此时存在两种位置情况：一种是高层策略域个体初始位置不在1处，另一种是高层策略域个体初始位置在1处；

45、step6：解码高层策略域种群中的所有个体，并根据高层策略域个体中的低层启发式操作获得新解；

46、step7：选择高层策略域种群中的设定比例的优质个体更新三维分布估计算法概率模型，并通过采样生成下一代新的精英种群pg(g+1)；

47、step8：计算三维矩阵同时更新三维概率矩阵模型；

48、step9：判断新解是否优于旧解，若满足终止条件，若不满足则转至步骤step4；否则，终止循环；

49、step10：根据解码方式获取关于零件在加工机器上的加工时间和配件在装配机器上的装配时间，得到零件、配件的初始加工序列，并生成相应的调度甘特图；

50、step11：确定调度解对应甘特图的关键路径，其中关键路径作为调度甘特图中总加工时间最长的工序路径；同时确定非支配解集里的每一个非支配解的关键路径，如果存在多条关键路径，则随机选择其中一条关键路径；

51、step12：依次对非支配解中的工序执行基于关键路径的交换、插入、逆序、突变四种邻域搜索。如果得到的新解优于旧解，则使用新的非支配解替换旧解，并重新确定关键路径，然后再执行后续邻域搜索操作。如果它们不相互支配，则将获得的新解添加到非支配解集中，其余邻域搜索操作继续在当前解上进行；

52、step13：重复步骤step11和步骤step12的操作，直至获得的非支配解对应的所有加工工序均无法缩短总加工时间；

53、step14：对于非支配解集当中的每个解(π,v)，分别计算和则得到

54、step15：根据α的升序排序所有非支配解，将非支配解集ω分为ωc和πe两部分，其中|ω|＝|ωc|+|ωe|；ωc中的非支配解α值小，需要对最大完工时间cmax进行优化，ωe中的非支配解α值大，需要对总能耗tce进行优化；

55、step16：由step15可知，关键路径以外的工序为非关键路径上的工序，根据非关键路径上工序所处的机器档位，判断是否存在允许的降速空间；在ωe中对所有非支配解再执行节能调速器策略，即保持关键路径上所有零件的加工速度不变，调整非关键路径上零件的加工速度，在相同的最大完工时间cmax下达到尽可能低的总能耗tce，进一步提高可行调度解的质量；

56、step17：更新帕累托档案集ω*：如果非支配解集里的可行解个数大于ps，则使用拥挤距离排序准则对所有可行调度解排序，同时剔除一些拥挤距离最小的解，直到种群中可行调度解个数达到ps。

57、本发明通过建立汽车配件的加工、装配过程调度模型，以同时最小化汽车配件生产成型过程完工时间和能耗为优化目标，即f＝argmin{cmax,tce}。由于每个汽车配件包含多个不同类型零件，而每个零件又有多道加工工艺。根据加工工艺在各机器上的加工时间提出一种超启发三维分布估计算法进行优化求解。对于超启发三维分布估计算法，高层策略域指导底层问题域的操作方式如下：1、设定搜索空间：高层需要设定搜索空间的范围和精度等参数，以确保算法能够搜索到全局最优解。2、设定目标函数：在三维分布估计问题中，目标函数通常是估计值和实际值之间的误差。高层需要设计合适的目标函数，以引导算法朝着正确的方向进行搜索。3、设定参数：超启发式算法通常有很多参数需要设置，如迭代次数、种群大小、交叉概率和变异概率等。在底层问题域中同样也需设置参数，以确保算法能够在搜索空间中有效地探索。4、分配任务：在三维分布估计算法中，底层问题域启发式操作通常包括局部搜索、邻域搜索等。高层策略域需要根据搜索空间的大小和复杂度等因素分配不同的任务给底层问题域，以确保整个算法的协调性和一致性。5、优化低层算法：在实践中，低层算法的性能通常是超启发式算法的瓶颈，高层需要指导低层进行算法的优化和改进，以提高整个算法的性能和效率。可以通过算法参数的调整、算法结构的改进等方式来实现。

58、本发明的有益效果是：

59、1、本发明建立汽车配件的加工、装配过程调度模型，针对汽车配件分布式装配生产过程的绿色优化调度问题设计了一种基于机器工序交换、突变等节能策略，能够明显降低流水车间能耗；

60、2、本发明通过调节机器的加工速度，让工件生产在不影响工期的条件下，达到低速低耗的目的，这种做法不仅能为可持续发展提供助力，更能有效降低加工工厂的成本；

61、3、本发明针对汽车配件分布式装配生产过程的绿色优化调度问题而设计的超启发三维分布估计算法(hh3deda)，该算法利用启发式搜索的思想，在搜索过程中不断地调整搜索方向，有效地避免局部最优解，并快速找到全局最优解，能够在保证求解精度的同时，使算法的效率最高；同时，hh3deda具有较广的普适性：可以根据问题规模里的数据估计出三个变量的联合分布，这些变量可能代表三维空间中的位置、速度或任何其他的连续变量；hh3deda不仅可以用于三维数据的分布估计，还可以拓展到更高的维度，且能够适用于不同类型的数据，具有很强的通用性；hh3deda相较于eda中采用的二维概率模型，三维概率模型能够同时学习优质个体的块结构信息和其位置信息，在采样生成新个体时能较准确地确定优质块结构在调度解中所放置的位置，进而能快速引导算法到达优质解区域进行搜索，以提高算法的搜索效率；

62、4、本发明所提出的超启发三维分布估计算法具有高效性、高精度、适用性广等优势，可以被广泛应用于数据分析、机器学习和数据挖掘等领域。

63、5、本发明能在相对较少的时间内为汽车配件公司提供合理的加工方案，让各个加工机器得到合理的利用，从而实现节能降耗、保护环境，缩短工期的目标。