一种车间调度优化方法、装置及车间设备布局与流程

本公开属于加工制造自动化的技术领域，涉及一种车间调度优化方法、装置及车间设备布局。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

目前，国内制造企业转型升级，特别是在一些劳动密集型行业，企业的自动化、机械化、信息化转型逐渐成为管理者考虑的重点。为提高生产效率和加工质量，很多加工制造业引进了先进的设备和技术。这些中，有些种类的设备只需短暂的人工操作便可以长时间工作，不需要工人看守，管理者通常安排一个工人监管多台机器，这样节省了人力成本，但是带来了人机干涉的问题。人机干涉是指一个工人监管多台机器，工人操作一台机器时，其他机器由于没有工人干涉或者操作而停止运行的现象。一个工人需要监管的机器越多，人机干涉问题越严重。

一些自动化程度较高的企业可实时监控设备状态，工人根据空闲提示选择操作的机器，这样可以在一定程度上提高设备的利用率，但是当多台机器同时空闲时，人机干涉问题严重，工人一般选择了距离最近的机器，影响了整体的加工效率。对于不能实时监控机器状态的企业，工人凭经验操作，行走路径重复，设备利用率低，加工效率得不到保障。所以，若能在工人选择操作机器时引入科学的调度算法，可以大幅提高生产效率，降低设备使用成本，还能提高工人的工作满意度。但是，现阶段人机干涉多出现在生产车间排队问题的研究中，关于考虑人机干涉现象的车间调度优化近些年来研究很少。

技术实现要素：

针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种车间调度优化方法、装置及车间设备布局，针对考虑人机干涉现象的一个工人操作多台机器的问题，建立了多目标优化数学模型，最小化机器空闲率和工人行走路径，提出了带精英策略的非支配排序遗传算法(nsga-ii)和改进型最长加工时间(ilpt)优先算法解决该问题，有效降低了机器空闲率和工人行走路径。

根据本公开的一个或多个实施例的一个方面，提供一种车间调度优化方法。

一种车间调度优化方法，该方法包括：

(1)初始化参数，分别设置机器j允许操作的时间lj＝0，j＝1,2,…,n，工人的当前机器j1＝1，工人开始空闲的时间操作机器的顺序

(2)若输出机器空闲率和工人行走路径h；否则进入下一步；其中，在一定时间τ内，通过优化工人操作机器的顺序，使所有机器的利用率最高，工人行走路径最短，每台机器加工工件的数量不做要求，π为满足的最大工件数，π个工件中最多n个工件加工完成时间为τ，p为所有机器已经加工时间，为第i个工件的开始上料时间；

(3)计算各机器完成时间和工人到达该机器的时间差θj，j＝1,2,…n，其中，tj1,j为机器j1到机器j的行走时间；若min{θj}>0，则j2等于令θj最小的机器号，j1＝j2，若min{θj}≤0，则j2等于θj≤0且pj最大的机器号，其中，j2为下一个操作的机器，sj为机器j上下料所需时间，pj为加工时间；

(4)求解操作机器顺序s＝s∪j2，计算工人行走路径计算所有机器已经加工的时间p，若若返回步骤(2)。

进一步地，在该方法中，初始化之前预设目标函数f1、f2：

s.t.

其中，为决策变量，i为加工工件的序号，i＝1,2,…，j为机器序号，j＝1,2,…,n，为第i个工件加工完成时间，di为第i个工件的加工机器。

根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种车间调度优化方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。

一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种车间调度优化方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种车间调度优化方法。

一种车间调度优化方法，该方法基于如权利要求1-2中任一项所述的一种车间调度优化方法，包括：

(1)初始化参数，分别设置变量g＝1，初始化种群pg，设定迭代次数m，染色体数n，交叉系数μ；

(2)若g≤m，则进入步骤(3)；否则输出目标函数值和非支配集；

(3)在种群pg中随机选择两染色体交叉，变异，生成两条新染色体填充至qg，循环该步骤直到qg中包含n条染色体，进入下一步；

(4)对qg,pg的并集{qg,pg}做快速非支配解排序、计算拥挤度，根据精英选择策略，保留{qg,pg}中n条染色体，生成pg+1，g＝g+1；返回步骤(2)。

进一步地，在该方法中，计算所述目标函数值的方法步骤包括：

step1：初始化参数，令lj＝0，j＝1,2,…,n；i＝1；ri为染色体第i个基因对应的“源码”序号，对应的机器号为y(ri)；

step2：若算法结束，输出目标函数和f2＝h；否则执行step3；

step3：若则否则执行step4；

step4：若则若则i＝i+1，返回step2。

进一步地，在该方法中，计算所述目标函数值时将如权利要求1-2中任一项所述的一种车间调度优化方法中目标函数的解作为初始解。

根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种车间调度优化方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。

一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种车间调度优化方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种车间设备布局。

一种车间设备布局，基于所述的一种车间调度优化方法，将加工时间长的设备设置于中心位置。

本公开的有益效果：

(1)本发明所述的一种车间调度优化方法、装置及车间设备布局，针对考虑人机干涉现象的一个工人操作多台机器的问题，建立了多目标优化数学模型，最小化机器空闲率和工人行走路径，提出了带精英策略的非支配排序遗传算法(nsga-ii)和改进型最长加工时间(ilpt)优先算法解决该问题。根据机器数量不同、摆放布局不同、加工时间不同的机器放置位置不同设计了21种实验场景，分别用nsga-ii算法和ilpt算法求解，并仿真了实际使用的规则，实验结果分析表明，用nsga-ii算法和ilpt算法均有效降低了机器空闲率维度和工人行走路径维度；

(2)本发明所述的一种车间调度优化方法、装置及车间设备布局，加工时间较长的设备摆放至中心位置的布局形式有利于降低设备空闲率，减少工人的行走路径。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。

图1是根据一个或多个实施例的一种车间调度优化方法流程图；

图2是根据一个或多个实施例的“源码”结构图；

图3是根据一个或多个实施例的变形后的“源码”图；

图4是根据一个或多个实施例的另一种车间调度优化方法流程图；

图5是根据一个或多个实施例的机器3×3布局示意图；

图6是根据一个或多个实施例的不同场景三种算法的求解结果图；

图7是根据一个或多个实施例的w1,w2示意图；

图8是根据一个或多个实施例的f1,f2维度的比较示意图；

图9是根据一个或多个实施例的nsga-ii解与ilpt解的比较示意图；

图10是根据一个或多个实施例的nsga-ii解与isp解的比较比较示意图；

图11是根据一个或多个实施例的nsga-ii与ilpt执行时间示意图；。

具体实施方式：

下面将结合本公开的一个或多个实施例中的附图，对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本公开的一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。

在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合，下面结合附图与实施例对本公开作进一步说明。

本公开的一个或多个实施例均在intel(r)core(tm)i5-3210mcpu@2.50ghz双核处理器4.00g的计算机上利用软件matlab2015a完成。

问题描述：

一个工人负责车间里共n台机器，各机器独立加工工件，不同机器加工不同工件，加工流程是：上料、机器加工、下料，工人每次到达一台机器后需完成上一工件的下料和下一工件的上料操作。机器j上下料所需时间为sj、加工时间为pj，j＝1,2,…,n，加工过程中不需要工人监控。完成上料之后，工人可选择下一个机器操作，由机器j1到机器j2的行走时间为若需操作的机器正在加工，工人可驻足休息。要求在一定时间τ内，通过优化工人操作机器的顺序，使所有机器的利用率最高，工人行走路径最短，每台机器加工工件的数量不做要求。π代表τ时间内已经开始加工的工件数，设i为加工工件的序号，i＝1,2,…。为决策变量，若由机器j加工第i个工件，否则，di代表第i个工件的加工机器，定义d0＝d1、代表加工第i个工件时机器j允许上料的时间，定义

公式(1)为递推方程，由两个因素决定，一，是机器j是否为加工完成状态，加工第i个工件时机器j允许操作的时间为

所以，用决策变量表示为

二，是工人操作完第i-1个工件，行走至第i个工件的加工机器j的时间为

所以用决策变量表示为

为计算目标函数，引入和代表第i个工件的开始上料时间，π代表满足的最大工件数。τ之前完成的工件，代表第i个工件加工完成时间；τ之后完成的工件，所以，

该问题的模型为：

s.t.

公式(2)使所有设备利用率最高；公式(3)使工人行走路径最短；公式(4)限制了一个工件只能在一个机器上加工。

分析公式(2)，时间τ内，每台机器最多只有最后一件工件所以，π个工件中最多n个工件在时间足够长，加工工件数量较多时，可以忽略此n个工件对目标函数f1的影响，所以

显然，最小化f1，即最大化所以，选择加工机器时，可优先选择加工时间较长的机器。

本公开的一个或多个实施例中提出了最大加工时间优先规则(ilpt)启发式算法，得到近似最小化机器空闲率的解。

该启发式算法遵循以下基本原则：若没有机器允许操作，即选择完成时间和工人到达该时间之差最小的机器，这样工人空闲时间最短；若只有一台机器允许操作，即选择该机器；若有多台机器允许操作，则选择加工时间最长的机器；若两台可操作机器加工时间相同，则随机选择机器。

图1是根据本公开的一个或多个实施例的一种车间调度优化方法流程图，如图1所示，提供一种车间调度优化方法。

定义机器j允许操作的时间为lj；工人的当前机器为j1，下一个操作的机器为j2；工人开始空闲的时间为所有机器已经加工的时间为p；工人行走的时间为r；操作机器的顺序，即问题的解，用集合s表示，集合s中的元素具有有序性。

一种车间调度优化方法，该方法包括：

步骤(1)：初始化参数，初始化的参数包括机器j允许操作的时间lj、工人的当前机器j1、工人开始空闲的时间和操作机器的顺序s；

初始化lj＝0；j＝1,2,…,n；j1＝1；

步骤(2)：判断工人开始空闲的时间是否大于τ，若大于，算法结束，输出机器空闲率和工人行走路径h；否则进入下一步；其中，π个工件中最多n个工件加工完成时间为τ，即π代表满足第i个工件的开始上料时间不大于τ即的最大工件数；要求在一定时间τ内，通过优化工人操作机器的顺序，使所有机器的利用率最高，工人行走路径最短，每台机器加工工件的数量不做要求。

步骤(3)：计算各机器完成时间和工人到达该机器的时间之差θj，j＝1,2,…n。若min{θj}>0，则下一个操作的机器j2等于令θj最小的机器号，j1＝j2，若则j2等于θj≤0且pj最大的机器号，j1＝j2，下一个操作的机器j2上下料所需时间为sj2；

步骤(4)：操作机器的顺序和计算工人行走路径h和所有机器已经加工的时间p。即记录解s＝s∪j2；若若返回步骤(2)。

根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行一种车间调度优化方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。

一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行一种车间调度优化方法。

这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。

该算法在最小化机器空闲时间方面效果明显，但它只考虑了单一目标，为兼顾多个目标，本文设计了改进型nsga-ii算法，可以得到该问题的一组pareto最优解。

根据本公开的一个或多个实施例的另一个方面，还提供一种车间调度优化方法。

非支配排序遗传算法nsga是由srinivas和deb在1994年提出[srinivasn,debk.muiltiobjectiveoptimizationusingnondominatedsortingingeneticalgorithms[j].evolutionarycomputation,1994,2(3)：221-248.]。deb等进一步改进nsga算法提出了nsga-ii，在nsga-ii中使用了新的非支配解排序方法、精英选择策略以及拥挤度，计算复杂度也从原来的o(mn³)减少到o(mn²)，其中m代表目标的数量，n代表种群的大小[debk.afastelitistmulti-objectivegeneticalgorithm:nsga-ii[j].ieeetransactionsonevolutionarycomputation,2000,6(2)：182-197.]。

本公开在nsga-ii算法的基础上，重新定义了染色体编码、初始解、交叉和变异的方法。

染色体编码：

本文问题是求解时间τ内工人操作机器的顺序，在生成解之前，每台机器加工的工件个数不能确定，为保证有足够的工件可供机器加工，提出用公式求得时间τ内机器j的可调度最大零件数，总零件数用n表示，

定义所有工件的加工机器排列成有序数组为解的“源码”。该问题的染色体为“源码”序号的排列，如{1,2,3,…,n}为一条染色体，每条染色体都为该问题的可行解，“源码”的序号为该问题基因，如图2所示。

为提高算法的求解效率，本文将ilpt的解作为初始解，所以需要对“源码”通过以下方法变形：

用ilpt求得某一可行解s，求得s中机器j的工件数量为n′j，“源码”改为如图3所示，基于此“源码”和ilpt的初始解为{1,2,3,…,n}。

初始种群：

初始种群设定基于ilpt初始解和随机生成解的比率为1:2。

交叉：

确定交叉系数μ，交叉的个数为用以下方法随机生成交叉起始位置其中rand(x)表示生成一个不大于x的随机整数。随机挑选染色体a和b，两条染色体从第σ到第σ+w基因执行以下操作。

假设处理第i基因：找出a中与b第i基因相同基因，记录位置a1和基因a2，找出b中与a第i基因相同基因，记录位置b1和基因b2；将a第a1基因改为b2，将b第b1基因改为a2；a与b第i基因相互替换。

变异：

生成两小于等于n的随机整数作为交换序号，将两序号对应位置的基因相互交换。

目标函数计算：

该算法的目标函数和上文中目标函数相同，即

由于该问题的解为“源码”序号的排列，并且不是全部染色体中的基因都是有效基因，鉴于有效基因的个数不定，所以需要设计特殊的算法求解目标函数，如下：

设“源码”为y，y(i)或yi为“源码”第i个位置对应的机器号；染色体为r，r(i)或ri为染色体第i个基因对应的“源码”序号，对应的机器号为y(ri)。机器j允许操作的时间为lj；工人的当前机器为j1，下一个操作的机器为j2；工人的空闲时间为所有机器已经加工的时间为p；工人行走的时间为h。

step1：初始化lj＝0，j＝1,2,…,n；i＝1；

step2：如果算法结束，输出目标函数和f2＝h；否则执行step3。

step3：如果则否则执行step4。

step4：如果则如果则i＝i+1，返回step2。

图4是根据本公开的一个或多个实施例的一种车间调度优化方法流程图，如图4所示，提供一种车间调度优化方法。

一种车间调度优化方法，该方法包括：

步骤(1)：令g＝1；初始化种群pg；设定迭代次数m，染色体数n，交叉系数μ等。

步骤(2)：若g≤m，执行step3和4；否则输出目标函数值和非支配集f1、f2、f3……。非支配集为所有非支配解构成的集，非支配解又称为pareto最优解，多目标规划中，由于存在目标之间的冲突和无法比较的现象，一个解在某个目标上是最好的，在其他的目标上可能比较差。pareto在1986年提出多目标的解不受支配解(non-dominatedset)的概念。其定义为：假设任何二解s1及s2对所有目标而言，s1均优于s2，则我们称s1支配s2，若s1的解没有被其他解所支配，则s1称为非支配解(不受支配解)，也称pareto解。这些非支配解的集合即所谓的paretofront。所有座落在paretofront中的所有解皆不受paretofront之外的解(以及paretofront曲线以内的其它解)所支配，因此这些非支配解较其他解而言拥有最少的目标冲突，可提供决策者一个较佳的选择空间。在某个非支配解的基础上改进任何目标函数的同时，必然会削弱至少一个其他目标函数。

步骤(3)：在种群pg中随机选择两染色体交叉，变异，生成两条新染色体填充至qg。循环step3，直到qg中包含n条染色体后进入step4；

步骤(4)：对qg,pg的并集{qg,pg}做快速非支配解排序、计算拥挤度^[13]。根据精英选择策略^[14]，保留{qg,pg}中n条染色体，生成pg+1，g＝g+1。返回step2。

其中，快速非支配解排序[debk.afastelitistmulti-objectivegeneticalgorithm:nsga-ii[j].ieeetransactionsonevolutionarycomputation,2000,6(2)：182-197.]、计算拥挤度[张利.nsga2算法及其在电力系统稳定器参数优化中的应用[d].成都：西南交通大学,2013.]、精英选择策略[高媛.非支配排序遗传算法(nsga)的研究与应用[d].杭州：浙江大学,2006.gaoyuan.non-dominatedsortinggeneticalgorithmanditsapplication[d].hangzhou：zhejianguniversity,2006.]均为现有技术，可参考相关文献，不作赘述。

根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。

一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行一种车间调度优化方法。

根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。

一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行一种车间调度优化方法。

这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。

本公开的一个或多个实施例还进行了nsga-ii、ilpt和目前实际使用的规则效果的比较实验，目的是衡量nsga-ii和ilpt的性能，证明其有效性，确定两算法的适用环境。

目前实际生产中工人决定加工机器的方法主要是根据机器的允许操作提示，遵循以下原则：若没有机器允许操作，选择完成时间和工人到达该时间之差最小的机器，这样工人空闲时间最短；若只有一台机器允许操作，选择该机器；若有多台机器允许操作，选择距离工人当前位置最近的机器；若两台可操作机器与工人距离相同，随机选择机器。此原则可视为改进型最短路径(improvedshortestpath，isp)优先规则，本文根据以上原则对当前实际使用的规则进行了仿真。

根据实际情况，本文设计了6台机器2×3摆放、8台机器2×4摆放、9台机器3×3摆放、12台机器3×4和2×6摆放、16台机器4×4和2×8摆放7中布局，以下简称n×m。图5展示了3×3布局的示意图，图中圆点为工人操作机器的区域。a到b、c、d的行走路线如图所示。两机器之间的距离为d，机器摆放区域为边长为2d正方形。工人步行速度为1m/s，d＝1m。有六种工件，其加工时间和工人操作时间如表1所示。

表1工件种类表

实验中机器数量为4、6、8、9、12、16，在工件种类尽量多的前提下，各每种工件机器数量随机设定，每种机器数量的摆放布局各工件机器数量配置相同，例如确定16台机器中加工工件类型1到6的机器个数分别是3，2，2，4，2，3，则4×4和2×8摆放布局都遵循此机器配置。每种布局共有三种机器摆放形式：

1.工件加工时间长的设备靠近中心位置(摆放形式1)；

2.工件加工时间长的设备远离中心位置(摆放形式2)；

3.所有设备随机布局(摆放形式3)。

所以，总共有7×3＝21种实验场景。

对于每种实验场景，分别使用nsga-ii和ilpt求解，使用的isp原则仿真。nsga-ii算法和ilpt算法不受起始加工机器的影响。isp仿真受到初始加工机器的影响，所以本文仿真了各个初始加工位置时isp原则的结果。统计时间τ为120分钟。

图6为7个场景三种求解方法的结果。综合分析得出：

1.同一布局，不同的设备摆放位置会影响各个算法的求解效果。2×3和2×4摆放时，三种设备摆放方式结果相差不大。2×6、3×4、4×4摆放时，求行走距离长、设备空闲率低的解，随机布局具有优势；求行走距离短、设备空闲率高的解，工件加工时间长的设备靠近中心位置具有优势。2×8、3×3摆放时工件加工时间长的设备靠近中心位置具有优势。无论哪种布局，工件加工时间长的设备远离中心位置的布局方式通常不能得到最优解。所以应避免加工时间较长的设备远离中心位置的布局形式；

2.ilpt原则的解多处于行走距离长、设备空闲率低的解区域，且接近nsga-ii对应的解；

3.isp原则的解多处于行走距离短、设备空闲率较高的解的区域，与nsga-ii对应的解比较，明显具有劣势；

4.nsga-ii在所有场景中都可以得到支配解。

本文定义了w1、w2比较该多目标问题的两个解，分别表示在目标函数为f1、f2的维度上，b解与a解相比的优化比率，如图7所，w1、w2的计算如下：

为比较nsga-ii算法与ilpt算法、isp算法的结果，本文在nsga-ii算法求得的pareto最优解集中找到两个解，满足一个目标函数值不大于ilpt算法或isp算法解，另一个目标函数值最小，如图8所示，假设(f1,f2)为ilpt算法或isp算法解，在pareto最优解集中分别取a解和b解，计算(f1,f2)的w1、w2。这样等同于固定一个目标函数的维度后，在另一个目标函数维度上比较两个解。和a解的比较定义为“f2维度的比较”和b解的比较定义为“f1维度的比较”。

由图9所示的nsga-ii解与ilpt解的比较发现得，每个场景在行走路径维度上目标函数值减少率从1.5％到31％之前散落分布，平均可减少约12％；在空闲率维度上减少率多集中在2％以下，平均减少约2.5％，所以ilpt解在设备空闲率维度上与nsga-ii解相差不大，在行走路径维度上略有劣势。

由图10所示的nsga-ii解与isp解的比较发现得，每个场景在行走路径维度上目标函数值均可以减少30％以上，平均减少约42％；在空闲率维度上均可以减少6％以上，平均减少约11％，所以，nsga-ii解可大幅减少两个维度的目标函数值。

图11显示了nsga-ii与ilpt求解时间，明显看出nsga-ii执行时间比ilpt长。nsga-ii7种场景的平均执行时间为407s，ilpt仅为0.0045s。

总之，nsga-ii可以得到多个pareto最优解，从最小化机器空闲率和工人行走路径方面相对当前实际使用的规则，都有较好的优化效果；ilpt可以有效降低设备空闲率且执行时间较短。

在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、静态随机存取存储器(sram)、便携式压缩盘只读存储器(cd-rom)、数字多功能盘(dvd)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(isa)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如c++等，以及常规的过程式编程语言—诸如“c”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(fpga)或可编程逻辑阵列(pla)，该电子电路可以执行计算机可读程序指令，从而实现本公开内容的各个方面。

根据本公开的一个或多个实施例的另一个方面，还提供一种车间设备布局。

一种车间设备布局，基于所述的一种车间调度优化方法，将加工时间长的设备设置于中心位置。

本公开的有益效果：

本发明所述的一种车间调度优化方法、装置及车间设备布局，针对考虑人机干涉现象的一个工人操作多台机器的问题，建立了多目标优化数学模型，最小化机器空闲率和工人行走路径，提出了带精英策略的非支配排序遗传算法(nsga-ii)和改进型最长加工时间(ilpt)优先算法解决该问题。根据机器数量不同、摆放布局不同、加工时间不同的机器放置位置不同设计了21种实验场景，分别用nsga-ii算法和ilpt算法求解，并仿真了实际使用的规则，实验结果分析表明，用nsga-ii算法和ilpt算法均有效降低了机器空闲率维度和工人行走路径维度。

使用nsga-ii可以得到多个pareto最优解，机器空闲率维度可降低11％，工人行走路径维度可降低42％，决策者可以根据情况选择偏向于某一目标函数的解，适用对效果有更高要求或需要多个解决方案的场景，由于该方法执行时间较长，不适合需要短时间内得到结果的情景。ilpt优化效果在机器空闲率方面与nsga-ii几乎相同，并且计算时间短，所以，ilpt适用于对机器利用率要求高，实时性要求高的场景。另外，加工时间较长的设备摆放至中心位置的布局形式有利于降低设备空闲率，减少工人的行走路径。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。