一种流水生产车间智能调度优化方法及系统与流程
本发明涉及车间生产调度控制的相关技术领域，具体的说，是涉及一种流水生产车间智能调度优化方法及系统。
背景技术：
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，并不必然构成在先技术。
车间调度是企业生产管理系统中需要解决的重要问题之一。车间调度问题的研究发展距今已有60多年的发展史，是最困难的组合优化问题之一，自流水车间调度问题(flowshopschedulingproblem,fsp)被提出以来，引起了众多学者的关注研究。在经典的流水车间调度问题中，所有的工件都在一条流水线上生产，一条流水线上存在多个加工阶段，每个阶段上存在一台机器，每个工件需要依次通过该流水线。流水车间广泛应用于实际生产中，如食品、纺织、造纸、钢铁等行业。如果能在流水车间调度问题中求解得到最优方案，变能够大大提高工件质量，降低生产成本，提高车间的生产产量。
意大利经济学家在经济福利理论的著作中，提出了多目标优化问题，引入最优化的概念，对多目标最优化学科的形成产生了重要作用。1951年，美国经济学家在对生产和分配的活动分析中考虑了多目标问题，多目标优化问题的最优解的概念就被提了出来，并将其命名为“pareto解”。如今，多目标优化问题应用越来越广，涉及诸多领域，本发明运用了其在车间调度问题中的应用。一般而言，调度问题指工件在满足约束的前提下在机器上进行合理安排，以优化某个或某些性能指标的问题。根据调度目标的多少，生产调度可分为单目标调度和多目标调度。多目标生产调度作为一种多目标决策问题，在越来越复杂的制造环境中受到越来越多的重视。
技术实现要素：
本发明所要解决的技术问题在于提供一种能够帮助流水生产车间提供调度方案以达到智能排产的一种生产车间流水生产车间智能调度优化方法及系统。
本发明是通过以下技术方案解决上述技术问题的：
一种生产车间流水生产车间智能调度优化方法，所述方法具体包括下述步骤：
s1、用于获取车间设备、工序、工件的基本信息和下发生产任务的第一终端发送的生产加工任务指令，所述生产加工指令包括加工的工件、数量以及要求完成的时间；
s2、确定车间调度的目标函数和具体约束条件，建立调度模型；
s3、确定使用的算法：多目标蚱蜢优化算法(mogoa)，利用曲线自适应对多目标蚱蜢算法中的参数改进。
s4、采用基于曲线自适应的多目标蚱蜢优化算法对调度模型进行求解，得到帕累托最优解，输出生产调度方案。
作为优化的技术方案，步骤s2，具体如下：
有n个工序加工路线相同的工件在m台串行设备加工，每个工件都包含m道工序，并且每道工序都需要不同的机器进行加工，即要依次通过设备1，设备2，...，设备m，每个工件在每台机器上只加工一次，且每个工件在机器上的加工时间和准备时间已知，一旦加工开始就不能停止，直至加工结束；同时每个工件在同一时间只能由一台机器加工，每个机器同一时间智能加工一个工件。
参数和符号的表示如表1所示，如下：
xijk为指示变量，若工件ji比工件jj在设备mk上加工，则xijk为1，反之为0；
yijhk：为指示变量，若工序oij正好在ohk之前加工则yijhk为1，反之为0；
目标函数为：
f1＝maxci,j＝max{ci,j-1,ci-1,j}+ti,ji＝1,2,...,n；j＝2,...,m(1)
f3＝max{0,ci,m-ri}i＝1,...,n(3)
约束条件可以表示为：
cik≥0i＝1,2,...,n；k＝1,2,...,m(4)
sik+pik-sjk≤m(1-xijk)i,j＝1,2,...,m,k＝1,2,...,m(5)
sjk+pjk-sik≤m*xijki,j＝1,2,...,n,k＝1,2,...,m(6)
上述公式中目标函数(1)表示最大完工时间，目标函数(2)表示总流经时间，目标函数(3)表示拖延交期时间；约束条件(4)代表完工时间必须大于零，约束条件(5)和约束条件(6)一台机器在通一时间内只能加工一个工件，约束(7)和约束(8)定义了0-1变量。
作为优化的技术方案，步骤s3，具体包括如下步骤：
利用曲线自适应
作为优化的技术方案，步骤s4，具体包括如下步骤：
s01、初始化车间机器以及工件信息；
s02、初始化蜢种群的初始位置，种群规模以及算法中涉及的各种参数和最大迭代次数；
s03、计算每一个蚱蜢搜索代理的自适应度,并找出当前全局最优解；
s04、得到最优粒子；
s05、使用曲线自适应函数更新参数c；
s06、标准化每两个蚱蜢之间的距离；
s07、通过
s08、修剪外部种群，每个粒子选择全局最优位置；
s09、计算并选择每个粒子的个例历史最优位置和种群最优位置进行比较；
s10、将每个粒子的最优位置粒子存档，与最优粒子进行比较，更新最优粒子；
s11、根据新的非支配解与已存档的非支配解的比较，更新外部存储archive，若archive已满，则删除archive之前的成员之一。
s12、若已达到最大迭代次数，则停止。
一种应用于上述方法的流水生产车间智能调度优化系统，所述流水生产车间智能调度优化系统包括有：
生产任务接收模块：用于获取车间设备、工序、工件的基本信息和下发生产任务的第一终端发送的生产加工任务指令，所述生产加工指令包括加工的工件、数量以及要求完成的时间；
多目标调度模型建立模块：用于确定车间调度的目标函数和具体约束条件，建立调度模型；
优化输出模块：利用改进的多目标蚱蜢优化算法对调度模型进行求解，得到调度模型的最优解，输出生产调度方案。
本发明相比现有技术具有以下优点：针对流水车间进行了具体分析，依据流水车间的特性，将整个车间生产过程数值化处理，建立了一个基于最大完工时间，总流经时间，拖延交期时间的多目标流水车间模型，并建立相关的约束条件；于此同时利用人工智能中的多目标蚱蜢算法，并分析了算法中存在的收敛精度不足和容易陷入局部最优的缺点，提出了利用曲线自适应改进算法，用基于曲线自适应的多目标蚱蜢算法求解之前建立的多目标流水车间模型，得到车间调度方案；用户登陆本系统后，通过改进参数和输入相应的车间信息，可以进行多目标的车间调度优化，可以有效的达到流水车间智能排产。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的限定。
图1是根据一个或多个实施方式的产生调度方法流程图。
图2是基于曲线自适应的多目标蚱蜢算法流程图。
图3是系统总体结构示意图。
图4是系统总体流程示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
下面结合附图来说明，如图1所示，本发明提出的一种流水生产车间智能调度优化方法，所述方法具体包括下述步骤：
s1、用于获取车间设备、工序、工件的基本信息和下发生产任务的第一终端发送的生产加工任务指令，所述生产加工指令包括加工的工件、数量以及要求完成的时间；
s2、确定车间调度的目标函数和具体约束条件，建立调度模型；
s3、确定使用的算法：多目标蚱蜢优化算法(mogoa)，利用曲线自适应对多目标蚱蜢算法中的参数改进，改进后的基于曲线自适应的多目标蚱蜢算法流程图如图2所示；
s4、采用基于曲线自适应的多目标蚱蜢优化算法对调度模型进行求解，得到帕累托最优解，输出生产调度方案。
作为优化的技术方案，步骤s2，具体如下：
有n个工序加工路线相同的工件在m台串行设备加工，每个工件都包含m道工序，并且每道工序都需要不同的机器进行加工，即要依次通过设备1，设备2，...，设备m，每个工件在每台机器上只加工一次，且每个工件在机器上的加工时间和准备时间已知，一旦加工开始就不能停止，直至加工结束；同时每个工件在同一时间只能由一台机器加工，每个机器同一时间智能加工一个工件。
参数和符号的表示如表1所示，如下：
xijk为指示变量，若工件ji比工件jj在设备mk上加工，则xijk为1，反之为0；
yijhk：为指示变量，若工序oij正好在ohk之前加工则yijhk为1，反之为0；
目标函数为：
f1＝maxci,j＝max{ci,j-1,ci-1,j}+ti,ji＝1,2,...,n；j＝2,...,m(1)
f3＝max{0,ci,m-ri}i＝1,...,n(3)
约束条件可以表示为：
cik≥0i＝1,2,...,n；k＝1,2,...,m(4)
sik+pik-sjk≤m(1-xijk)i,j＝1,2,...,m,k＝1,2,...,m(5)
sjk+pjk-sik≤m*xijki,j＝1,2,...,n,k＝1,2,...,m(6)
上述公式中目标函数(1)表示最大完工时间，目标函数(2)表示总流经时间，目标函数(3)表示拖延交期时间；约束条件(4)代表完工时间必须大于零，约束条件(5)和约束条件(6)一台机器在通一时间内只能加工一个工件，约束(7)和约束(8)定义了0-1变量。
作为优化的技术方案，步骤s3，具体包括如下步骤：
利用曲线自适应
作为优化的技术方案，步骤s4，具体包括如下步骤：
s01、初始化车间机器以及工件信息；
s02、初始化蜢种群的初始位置，种群规模以及算法中涉及的各种参数和最大迭代次数；
s03、计算每一个蚱蜢搜索代理的自适应度,并找出当前全局最优解；
s04、得到最优粒子；
s05、使用曲线自适应函数更新参数c；
s06、标准化每两个蚱蜢之间的距离；
s07、通过
s08、修剪外部种群，每个粒子选择全局最优位置；
s09、计算并选择每个粒子的个例历史最优位置和种群最优位置进行比较；
s10、将每个粒子的最优位置粒子存档，与最优粒子进行比较，更新最优粒子；
s11、根据新的非支配解与已存档的非支配解的比较，更新外部存储archive，若archive已满，则删除archive之前的成员之一。
s12、若已达到最大迭代次数，则停止。
整个系统的总体结构图和总体流程图如图3、图4所示，一种流水生产车间智能调度优化系统，所述流水生产车间智能调度优化系统包括有：
生产任务接收模块：用于获取车间设备、工序、工件的基本信息和下发生产任务的第一终端发送的生产加工任务指令，所述生产加工指令包括加工的工件、数量以及要求完成的时间；
多目标调度模型建立模块：用于确定车间调度的目标函数和具体约束条件，建立调度模型；
优化输出模块：利用改进的多目标蚱蜢优化算法对调度模型进行求解，得到调度模型的最优解，输出生产调度方案。
在本发明中，本发明相比现有技术具有以下优点：针对流水车间进行了具体分析，依据流水车间的特性，将整个车间生产过程数值化处理，建立了一个基于最大完工时间，总流经时间，拖延交期时间的多目标流水车间模型，并建立相关的约束条件；于此同时利用人工智能中的多目标蚱蜢算法，并分析了算法中存在的收敛精度不足和容易陷入局部最优的缺点，提出了利用曲线自适应改进算法，用基于曲线自适应的多目标蚱蜢算法求解之前建立的多目标流水车间模型，得到车间调度方案；用户登陆本系统后，通过改进参数和输入相应的车间信息，可以进行多目标的车间调度优化，可以有效的达到流水车间智能排产。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！