云制造环境下多地运输多目标综合调度方法与流程

本发明涉及一种云制造环境下多地运输多目标综合调度方法。

背景技术：

针对云制造环境下跨地域运输复杂产品多工序加工问题已有研究，从获得较优调度结果的目标出发，提出的解决方法：采用基于工序和资源的双层编码方式进行初始化。并且加入动态调节因子提高了求解的速度、稳定性和解集的均匀分布性。通过该方法可以得到一个加工任务的详细的加工计划。目前具体的调度问题上发现其中多数的云制造资源调度求解算法只考虑单一优化目标且忽略了运输因素对任务的影响。多数算法每次运算只能求解出一个最优解，往往不能满足用户在多维度的决策的需求。

本发明将以多个优化目标作为目标函数，完善了云制造环境下制造资源调度模型。充分考虑跨地域的制造资源调用因素，保证服务请求者在预期的时间和成本范围内完成加工任务。并且调度模型不仅从制造资源可用性角度来选取服务资源，还将结合客观的制造资源服务质量和主观的用户历史评价，保证加工产品的质量达到用户的理想结果。计算过程中使用非支配方式选取解集，从而保证在一次运算结束后可以得到一组备选解，为用户在多维度决策时提供一组更有价值的参考结果。

技术实现要素：

本发明目的是针对云制造环境下制造资源多目标调度问题进行解决。充分考虑运输因素、资源客观服务质量和用户主观评价的多目标调度。提出了一种新算法用于解决该调度问题。通过加入动态学习因子来引导个体的搜索范围和精度。结合非支配排序来更新全局最优解集，通过引入动态选择因子，提高了非支配解集的均匀分布性。由该方法计算得出的调度计划既提高了加工资源的利用率，又保证服务请求者在预期的时间和成本范围内完成加工任务。从而提高了企业的整体运营效率。

加入动态学习因子来引导个体，控制整个种群飞行的方向和速度。优点分析：动态学习因子在开始阶段取值较大，便于个体扩大搜索空间，使得工序与不同的资源进行组合可以避免陷入局部最优。随着进化的代数的增加动态学习因子取值变小，个体的局部搜索增强，利于快速的收敛到最优解。

提出新的非支配排序方法来更新全局最优解集。通过计算在每个前端选择不同数量的个体，不再使得等级高的个体全部选入集合。优点分析：在传统的非支配排序选择过程中，优先选择前端等级高的个体，但是选择的个体可能会远离真正的最优解。通过引入动态调节因子，可以使得等级低的个体被选中参与进化，增加种群的多样性。从而保证种群可以寻找到最优解。

由于云制造环境下的运输因素导致在资源的调度过程中会出现两种等待情况。一种是工件到达加工企业需要等待正在被占用的制造资源。另一种是制造资源空闲需要等待工件由上一个加工地点运输到本次加工地点。因此本发明将采用等待时间最短解码算法，进行个体的解码和适应度的计算。在不延迟制造资源上已有任务的前提下，将每个工序安排到选定资源上最早可用时间，直到将每个工序安排完毕。优点分析：可以缩短加工任务的等待时间，为企业节约更多的时间和成本。

上述的目的通过以下的技术方案实现：

首先通过一种基于工序和资源的双层编码方式，第一层编码表示工序，第二层编码用来表示每个工序使用的资源；通过随机方式产生个体种群；进化时第一步在个体第一层中随机选取一个元素，与之相邻的元素进行位置交换,其对应的加工资源也随之交换位置，在第二层个体中随机选择两个位置，在改位置的可选资源集合中随机选择两个进行替换；第二步将工序随机分成两个集合并产生一个新的个体，该个体由个体个体中包含于第一集合的工序与资源和个体最优个体中包含于第二集合的工序与资源共同组成，新个体中小于动态学习因子的位置，对应工序的加工资源将选择个体最优中加工资源进行替换；第三步计算过程与第二步类似，由群体最优个体集中随机选择一个作为群体最近参与进化；群体最优个体的选择方式采用动态调节非支配排序选择算法进行选择，选择过程中使用等待时间最短解码算法进行适应度计算。

所述的一种云制造环境下多地运输多目标综合调度方法，所述的调度方法具体实施步骤如下：

步骤1：种群初始化。设置种群p大小为n，t=0，最大进化代数t。按双层编码方式产生种群，按照等待时间最短解码算法计算个体适应度。选择当前个体作为个体最优个体，在个体最优个体集合中选择非支配个体加入群体最优个体集合pbest；

步骤2t=t+1。种群进行进化。设新种群为q；

步骤3通过动态调节非支配排序选择算法更新个体最优个体和全局最优个体。通过等待时间最短解码算法计算q中个体适应度。选取个体最优中非支配个体加入群体最优个体集合qbest；

步骤4全局最优解集更新；合并父代pbest和子代qbest为rbest，清空pbest；计算个体非支配等级；计算每个等级中个体的拥挤距离，并按照公式动态调节非支配排序选择算法计算后的个体加入中pbest，选择完所有个体后转向步骤5；

步骤5是否达到最大进化代数t，是则转向步骤6；否则转向步骤2；

步骤6输出结果甘特图。

附图说明

附图1是本发明的一个应用实例简单结构图；

附图2是本发明中一个双层个体图；

附图3是现有技术的解码算法针对附图2的解码甘特图；

附图4是本发明的等待时间最短解码算法针对附图2的解码甘特图；

附图5动态学习因子变化曲线；

附图6云制造资源调度实例

附图7调度实例中单位时间服务成本、综合服务质量、用户满意度

附图8调度实例中制造资源间运输时间和单位时间运输成本

附图9是现有技术的求解实例的甘特图；

附图10是本发明求解实例的甘特图。

具体实施方式

实施例1：

一种云制造环境下多地运输多目标综合调度方法，在实际应用中有较多应用。附图1是对本发明方法的一个水轮发电机应用举例，一个大型发电机的各个部件由多个企业共同制造，最后通过总部进行组装加工而成。在加工过程中需要通过物流在不同企业间进行运输。运输因素对整个调度计划的制造带来更大的困难，通过本发明可以保证用户在规定的时间、成本和质量条件下给出最优的调度计划。

实施例2：

一种云制造环境下多地运输多目标综合调度方法，其应用场景是：云制造平台中有多个企业的制造资源能够提供相应的加工服务。系统会根据不同的制造资源的准时交货率、服务可靠性等指标来评定制造资源的服务质量，每个制造资源还会由使用者在使用后作出相应的满意度评价。用户可以根据自己对时间、成本、服务质量和满意度的要求进行设置，调度系统需要帮助运营者根据用户的个性化目标进行调度计划的安排。制造资源的分散化使得工件需要经过多次运输才能完成整体的加工，由于每个任务选取的制造资源不同导致最终形成不同的运输路径。整个任务调度方案的调度过程是一个多目标优化过程。

实施例3：

一种云制造环境下多地运输多目标综合调度方法，其特征是：首先通过一种基于工序和资源的双层编码方式，第一层编码表示工序，第二层编码用来表示每个工序使用的资源；通过随机方式产生个体种群；进化时第一步在个体第一层中随机选取一个元素，与之相邻的元素进行位置交换,其对应的加工资源也随之交换位置，在第二层个体中随机选择两个位置，在改位置的可选资源集合中随机选择两个进行替换；第二步将工序随机分成两个集合并产生一个新的个体，该个体由个体个体中包含于第一集合的工序与资源和个体最优个体中包含于第二集合的工序与资源共同组成，新个体中小于动态学习因子的位置，对应工序的加工资源将选择个体最优中加工资源进行替换；第三步计算过程与第二步类似，由群体最优个体集中随机选择一个作为群体最近参与进化；群体最优个体的选择方式采用动态调节非支配排序选择算法进行选择，选择过程中使用等待时间最短解码算法进行适应度计算。

实施例4：

上述的云制造环境下制造资源多目标调度方法，实施步骤如下：

步骤1：种群初始化。设置种群p大小为n，t=0，最大进化代数t。按双层编码方式产生种群，按照等待时间最短解码算法计算个体适应度。选择当前个体作为个体最优个体，在个体最优个体集合中选择非支配个体加入群体最优个体集合pbest。

步骤2t=t+1。种群进行进化。设新种群为q。

步骤3通过动态调节非支配排序选择算法更新个体最优个体和全局最优个体。通过等待时间最短解码算法计算q中个体适应度。选取个体最优中非支配个体加入群体最优个体集合qbest。

步骤4全局最优解集更新。合并父代pbest和子代qbest为rbest，清空pbest。计算个体非支配等级。计算每个等级中个体的拥挤距离，并按照公式动态调节非支配排序选择算法计算后的个体加入中pbest，选择完所有个体后转向步骤5。

步骤5是否达到最大进化代数t，是则转向步骤6。否则转向步骤2。

步骤6输出结果甘特图。

实施例5：

一种云制造环境下多地运输多目标综合调度方法，其编码算法模块：对于云制造资源调度问题，应该选择一种适合的编码策略。对于云制造中的加工任务每个任务有多个加工工序，每个加工工序的可选服务资源有多处可选择。因此本发明采用一种基于工序和资源的双层编码方式。对于调度任务采用基于工序和资源的双层编码方式可以保证个体在每次的进化过程中都可以得到一个可行解。

第一层编码确定每个制造任务的工序加工顺序，同一制造任务使用相同的编号来表示，出现的顺序来表示该任务的第几道工序。例附图2中：位置3出现的1表示第一个工件的第一道工序，位置5出现的1表示第一个工件的第二道工序，工件2和工件3的含义也依次类推。第二层编码用来表示每个加工任务对应的资源，每个分量对应位置的整数则表示该道工序被分配的资源。

实施例6：

上述的云制造环境下制造资源多目标调度方法，等待时间最短解码算法模块：进行个体的解码和适应度的计算。在不延迟制造资源上已有任务的前提下，将每个工序安排到选定资源上最早可用时间，直到将每个工序安排完毕。

等待时间最短解码算法步骤：

步骤1设个体的长度为n,位置编号t=1；

步骤2取个体上第t位的工序o，工序o的开始时间，取决于o是否为资源k上的第一道工序，如果是则在0时刻开始加工，如果不是则计算机器k上的前两道工序的加工时间间隔是否大于o的加工时间和运输时间。如果大于则将o的开始时间安排到间隔的最早起始时间点，如果不存在则将o的开始时间安排到机器k上的前道工序结束时间点。

步骤3是否t=n，如果是则算法结束，依据解码结果按照目标函数计算个体适应度，否则t=t+1，转向步骤2；

实施例7：

上述的云制造环境下制造资源多目标调度方法，等待时间最短解码算法模块实例对比：

下面将本发明等待时间最短解码算法与现有的较为优秀的解码方法进行实例对比。附图3为采用现有的较为优秀的解码方法对附图2所示的图例进行调度的结果甘特图，通过对比附图3和附图4可以看出，采用本发明提出的等待时间最短解码算法产品加工完成时间是16工时，采用现有的较为优秀的方法的产品加工完成时间是26工时。之所以等待时间最短解码算法效果更好，是因为本发明采用的解码方法，在解码过程中预先搜索机器空闲时间区间，然后在安排工序时，将工序的运输时间和加工时间之和与空闲区间比较，最终将工序安排在最早可用区间中进行加工。从图中明显看出等待时间最短解码算法提前了10工时完成加工任务，大大的节约了客户的等待时间。所以等待时间最短解码算法是一种更好的解码算法。

实施例8：

上述的云制造环境下制造资源多目标调度方法，种群进化模块：

进化时第一步在个体第一层中随机选取一个元素，与之相邻的元素进行位置交换,其对应的加工资源也随之交换位置，在第二层个体中随机选择两个位置，在改位置的可选资源集合中随机选择两个进行替换；第二步将工序随机分成两个集合并产生一个新的个体，该个体由个体个体中包含于第一集合的工序与资源和个体最优个体中包含于第二集合的工序与资源共同组成，新个体中小于动态学习因子的位置，对应工序的加工资源将选择个体最优中加工资源进行替换；第三步计算过程与第二步类似，由群体最优个体集中随机选择一个作为群体最近参与进化；

实施例9：

上述的云制造环境下制造资源多目标调度方法，其中动态学习因子在种群进化过程中的变化曲线如附图5所示。加入动态学习因子来引导个体，控制整个种群飞行的方向和速度。优点分析：动态学习因子在开始阶段取值较大，便于个体扩大搜索空间，使得工序与不同的资源进行组合可以避免陷入局部最优。随着进化的代数的增加动态学习因子取值变小，个体的局部搜索增强，利于快速的收敛到最优解。

实施例10：

上述的云制造环境下制造资源多目标调度方法，通过附图6、附图7、附图8给出的云制造环境下制造资源多目标调度问题，进行实例对比：

下面将云制造环境下制造资源多目标调度方法与现有的较为优秀的制造资源多目标调度方法进行实例对比。

附图9为采用现有的较为优秀的制造资源多目标调度方法对上述实例调度计算后给出的结果甘特图，附图10为本发明调度方法的实例调度结果甘特图。通过甘特图可以明显的看出，现有优秀方法的完工时间为28工时，本发明调度方法完工时间为25工时。对于一个实例问题可以看出本调度方法具有更优的调度结果。而且调度计划的制定在考虑时间和成本的常规指标的基础上，还考虑了制造资源的准时交货率、服务可靠性、设备故障率和物流运输能力这些至关重要的指标。对上述客服指标的引入同时也加入了主观的客户对制造资源满意度评价，从而更好的保证制造资源的选取更加符合客户群体对资源的倾向。

因此，本发明云制造环境下制造资源多目标调度方法，能够更好的解决云制造环境下制造资源多目标调度问题。