一种考虑恶化效应的船舶平面分段流水线绿色调度方法

本发明涉及一种流水线调度方法，特别是涉及一种考虑恶化效应的船舶平面分段流水线绿色调度方法。

背景技术：

1、对于船舶制造业，工艺规划与车间调度是生产建造中的重要环节。可持续发展的绿色需求使得工艺规划与车间调度除了考虑效率指标外还需要增加一些绿色指标，比如能耗、碳排放量等，提高生产效率的同时还能减少企业生产对环境的影响。

2、随着现代造船模式的发展，大多数船厂均引进了平面分段流水线，用于提高船厂生产效率。然而，由于应用平面分段流水线时仍采用传统的现场调度方法，所应用的调度方案不是优化方案，造成平面分段流水线的生产效率并不高。平面分段流水线虽然具有一般流水线的特点，但又区别于其他任何流水线模型。由于船体分段重且体积较大，导致流水线工位间没有缓冲工位，在进行调度时要考虑各种因素的影响，例如各个分段的加工顺序。对于并行流水线来说，在每条流水线中间设置了横移工位，横移工位之间通过传送带连接，分段可以通过横移工位移出流水线，这就会造成不同分段还需要考虑流水线的选择，有时随着项目的不断推进还会遇到需要紧急加工一些分段、或者由于加工失误造成坏件需要中断退出流水急等变更问题，这就导致平面分段流水线调度问题更为复杂。

3、在传统的流水线调度问题中，工件的加工时间通常被设定为一个不变的常数，但是在实际车间生产中，某些工件的实际加工时间是变化的，对于船舶分段流水线来说，由于有些工位需要人工进行操作，操作人员的熟练程度、疲劳程度以及设备的磨损都会造成分段加工时间的变化，这种情况就被称为恶化效应。目前的调度方法大部分都以最小化最大完工时间为优化目标，没有考虑恶化效应以及考虑能耗、碳排放等绿色指标。

技术实现思路

1、针对上述现有技术的缺陷，本发明提供了一种考虑恶化效应的船舶平面分段流水线绿色调度方法，考虑恶化效应的平面分段流水线绿色调度问题，为船厂平面分段生产调度提供解决方案，在保证生产效率的同时降低能耗。

2、本发明技术方案如下：一种考虑恶化效应的船舶平面分段流水线绿色调度方法，包括以下步骤：

3、步骤s1、建立采用线性函数描述加工时间恶化的平面分段流水线静态调度模型，所述平面分段流水线静态调度模型包括最大完工时间和总能耗，所述总能耗为加工能耗和待机能耗之和；

4、步骤s2、基于所述平面分段流水线静态调度模型确定目标函数为最小化最大完工时间、最小化能耗；

5、步骤s3、确定调度过程的约束条件；

6、步骤s4、以改进多目标灰狼优化算法求解所述目标函数获得最优调度方案；

7、其中，所述改进多目标灰狼优化算法中采用随机全排列分段序号的编码将离散调度解与连续灰狼个体位置向量进行映射转换，并利用反向学习进行种群初始化，基于动态惯性权重因子调节更新灰狼个体位置。

8、进一步地，所述最大完工时间为

9、

10、

11、t′i，j＝ti，j+αsi，j

12、ti＝xici，m+(1-xi)ci，h

13、li＝xili，m+(1-xi)li，h

14、总能耗为e＝ew+ep，其中ep为加工能耗，ew为待机能耗，

15、

16、i为平面分段索引，i＝(1，2，...，n)，j为加工工位索引，j＝(1，2，...，m)，si，j为平面分段i在工位j的开始加工时间，ti，j为平面分段i在工位j的基本加工时间，t′i，j为平面分段i在工位j的实际加工时间，ci，j为平面分段i在工位j上的完工时间，li，j为平面分段i离开工位j的时间，ti为平面分段i的完工时间，pi，j为平面分段i在工位j加工时的单位时间的能耗，qi，j为平面分段i在工位j阻塞时的单位时间的待机能耗，dti为平面分段i的交货时间，α为恶化率，为平面分段最大完工时间，e为总能耗，xhi、xib和xi为决策变量，当平面分段h为平面分段i紧前分段时xhi＝1，否则xhi＝0；当平面分段i从流水线b进入xib＝1；否则xib＝0；当平面分段i从最后的工位移出时xi＝1，若从横移工位k移出则xi＝0。

17、进一步地，所述步骤s3中的约束条件包括：0时刻，第一个加工的平面分段不存在紧前分段；对于除了第一个加工的平面分段以外，其他平面分段仅存在一个紧前分段；每个平面分段最多存在一个紧后分段；只有两个平面分段是在同一条流水线上进行加工，才会存在紧前或者紧后关系；平面分段离开流水线的时间不能超过交货期。

18、进一步地，所述采用随机全排列分段序号的编码将离散调度解与连续灰狼个体位置向量进行映射转换具体包括利用基于随机键编码的rov规则，首先在[0，n]范围内随机产生n个随机数，n为分段数量，按照升序规则为每个灰狼个体位置元素赋予rov值，并与分段调度方案对应，根据rov值确定灰狼个体位置向量中各元素的值；由灰狼个体位置向量向分段调度方案进行转换时，对灰狼个体位置向量按照升序进行排列，每个位置元素对应一个rov值，rov值即为位置向量对应的工序排列方案。

19、进一步地，所述利用反向学习进行种群初始化是将随机生成的种群和反向种群合并为一个新的种群，求新种群的适应度函数，并将适应度值按升序排列，取前n个最优初始解作为新的灰狼初始种群，其中所述随机生成的种群为xi＝[xi1，...，xid，...xid]，其中i＝1，2，...，n，所述反向种群为，lb为搜索空间的上界，ub为搜索空间的下界。

20、进一步地，所述基于动态惯性权重因子调节更新灰狼个体位置采用如下公式进行

21、dα＝|c1·xα-wx|，dβ＝|c2·xβ-wx|，dδ＝|c3·xδ-wx|

22、x1＝xα-a1·dα，x2＝xβ-a2·dβ，x3＝xδ-a3·dδ

23、vi，j＝w·vi，j+c1·r1·(x1-x)+c2·r2·(x2-x)+c3·r3·(x3-x)

24、x(t+1)＝x+vi，j

25、

26、dα、dβ和dδ分别表示灰狼个体ω与灰狼α、灰狼β与灰狼δ之间的距离，xα、xβ和xδ分别表示灰狼α、灰狼β与灰狼δ当前的位置，x表示灰狼个体ω当前的位置，x1、x2、x3分别表示受灰狼α、灰狼β与灰狼δ影响，灰狼个体ω需要调整的位置，a和c是关系系数，r1、r2和r3分别是[0，1]中的随机数，vi，j是灰狼个体ω移动的速度，w为动态惯性权重因子，i为当前算法迭代的次数，max_iter为算法设置的最大迭代次数，x(t+1)表示灰狼个体ω的最终位置。

27、进一步地，所述以改进多目标灰狼优化算法求解所述目标函数获得最优调度方案包括以下步骤，

28、step 1：设置算法参数；

29、step 2：利用反向学习进行种群初始化；

30、step 3：计算种群中个体的适应度值并对结果进行非支配排序；

31、step 4：初始化外部档案，并将非支配灰狼个体存储于外部档案；

32、step 5：采用轮盘赌方法在外部档案中选择α，β，δ三种狼；

33、step 6：利用动态自适应权重策略，基于动态惯性权重因子对灰狼个体位置信息进行更新；

34、step 7：对灰狼个体位置进行扰动，增加灰狼个体的探索能力，并进行非支配排序，得到非支配解；

35、step 8：将新的非支配解与外部档案中的个体比较，进行外部档案的更新；

36、step 9：判断算法迭代次数是否小于最大迭代次数；若是则转向step 5，否则转向step 10；

37、step 10：终止算法并输出非支配个体作为当前的多目标优化调度方案。

38、进一步地，所述对灰狼个体位置进行扰动是采用以下公式更新灰狼个体位置

39、x(t+1)＝x+η*cauchy(0，1)

40、

41、η为控制柯西变异强度的变量，t为当前迭代次数，max_iter为最大迭代次数，cauchy为柯西分布概率密度函数，x为灰狼个体位置。

42、进一步地，所述步骤8对外部档案的更新后在外部档案个体数量超过设定的上限时根据个体拥挤度剔除多余个体。

43、进一步地，所述个体拥挤度的计算按以下步骤进行：

44、step 801：依次计算灰狼种群中各个目标值的最大值和最小值

45、step 802：依次计算目标g的函数值并且按照值对可行解进行升序排列；

46、step 803：计算第i个可行解相对于目标g的拥挤距离，计算公式如下：

47、

48、式中：为可行解i前一个可行解目标g的函数值；为可行解i后一个可行解目标g的函数值；

49、step 804：计算完拥挤距离之后，则将各目标拥挤距离进行求和，从而得到该可行解的拥挤距离。

50、本发明所提供的技术方案的优点在于：

51、本发明中改进多目标灰狼优化算法在求解时具有更好的求解能力，解的分布性和算法的收敛性与对比算法相比更优。应用该改进多目标灰狼优化算法的考虑恶化效应的船舶平面分段流水线绿色调度方法，可以有效地减少流水线生产的能耗，达到节能的目的，同时保证生产效率。