一种基于优化的自调参遗传算法的排产方法和存储介质与流程

1.本发明涉及生产制造领域，具体涉及一种基于优化的自调参遗传算法的排产方法和存储介质。


背景技术：

2.在生产制造领域中，对于一些工艺较为复杂的产品，生产线一般由一条主线和多条分拼线组成。主线负责整个产品的生产，分拼线负责某些零件的生产，分拼线生产完成的零件会到主线的合拢工位并被安装到产品上。在合拢工位旁边会有一个较小的线边库，用于临时存放少量分拼生产完的零件来应对一些突发情况。例如在汽车生产中，汽车的车身在主线上进行生产，车门在分拼线进行生产，车门生产完成后会流到主线的合拢工位并被安装到车身上。为了节约生产成本，现代车间往往采用柔性生产的方式进生产，也就是用同一条生产线生产不同的产品，这样一来，由于主线会生产不同的产品，分拼线也要根据主线上的生产情况选择合适的零件来生产，以保证主线上的每一件产品都有对应的零件供应。同时由于主线上的产品需要不定期的抽检，以及可能出现报废产品被从主线拿下的情况，主线的生产队列是实时发生变化的，这也就要求分拼线的生产队列能够根据主线的情况实时进行调整。
3.对于这种排产问题，本发明提供了一种基于优化的自调参遗传算法的排产方法，进行排产的方法。


技术实现要素：

4.为解决上述技术问题，本发明提供一种基于优化的自调参遗传算法的排产方法和存储介质。
5.为解决上述技术问题，本发明采用如下技术方案：
6.一种基于优化的自调参遗传算法的排产方法，根据主线生产队列的变化对分拼线的排产问题制定排产计划，自调参遗传算法的优化过程包括以下步骤：
7.步骤11：在合拢工位之前的主线上选定基准工位，获取基准工位之前主线上全部的生产队列q，确定适应性函数的生产队列q，确定适应性函数其中diff(x[j]，q[j])为分拼线排产计划中第j个零件x[j]与主线生产队列第j个零件q[j]的类型匹配程度，如果x[j]的类型与q[j]的类型相同，则diff(x[j]，q[j])＝0，如果x[j]的类型与q[j]的类型不相同，则diff(x[j]，q[j])＝1；ems(x[j])为生产完零件x[j]后线边库存的预期数量，e为理想的线边库存的数量；cost(x[j-1]，x[j])为从生产零件x[j-1]到生产零件x[j]的成本；a、b、c为惩罚变量；
[0008]
步骤12：通过预先优化的方法确定遗传算法的初代种群，将初代种群输入至遗传算法中得到分拼线的测试排产计划；
[0009]
步骤13：利用历史数据，重复步骤12，对同一个排产问题使用不同的变异率和种群
个体数量，通过遗传算法的收敛时间和遗传算法输出的测试排产计划的适应性函数值计算得到遗传算法的表现分数；
[0010]
步骤14：记录下每个排产问题中表现分数最高的遗传算法所使用的变异率、种群个体数量，以及这个排产问题的特征，得到训练数据；排产问题的特征包括生产队列q的长度、生产队列q包含的产品种类、适应性函数中a、b、c的设定值；
[0011]
步骤15：通过训练数据训练全连接神经网络；全连接神经网络的输入为排产问题的特征，输出为变异率和种群个体数量；
[0012]
排产方法包括：
[0013]
步骤21：将分拼线实际排产问题的特征输入到完成训练的全连接神经网络中，得到变异率以及种群体数量；
[0014]
步骤22：将步骤21中得到的变异率和种群个体数量输入到遗传算法中，得到分拼线的实际排产计划。
[0015]
具体地，步骤13中，通过遗传算法的收敛时间和输出的测试排产计划的适应性函数值得到遗传算法的表现分数时，将遗传算法的收敛时间和输出的测试排产计划的适应性函数值进行加权求和，得到表现分数。
[0016]
具体地，步骤11中选定的基准工位满足：主线上零件从基准工位到达合拢工位的时间t大于分拼线生产一个零件的时间t，即t＞t；其中n为分拼线生产生产一个零件所需工序的数量，t
sub(k)
为工序k所需的时间，t
prep
是分拼线为下一轮生产准备物料的时间。
[0017]
具体地，步骤12中，通过预先优化的方法确定遗传算法的初代种群时，包括以下步骤：
[0018]
根据主线上生产的零件总数确定分拼线要生产的零件总数；
[0019]
从分拼线第一个零件开始依次向后决定零件的生产类型，将得到的零件生产类型的序列作为初代种群的第一个个体；其中确定第a个零件的生产类型时，先计算第a个零件生产之前的适应性函数值a，然后分别计算各种生产类型的第a个零件生产之后的适应性函数值b，选择b-a最大的生产类型作为第a个零件的生产类型；
[0020]
然后在第一个个体的基础上通过变异生成初代种群其余的个体。
[0021]
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的排产方法。
[0022]
与现有技术相比，本发明的有益技术效果是：
[0023]
本发明中的排产方法对传统遗产算法进行了改进，通过预先优化的方法对遗传算法中的种群进行初始化，同时通过机器学习的方式对遗传算法中的参数进行调整。与传统的使用遗产算法排产的方法相比，本发明中的方法收敛速度更快，同时能够减少不必要的迭代，使得分拼线计划能够快速的进行调整，解决了以往传统遗传算法迭代次数多，收敛速度慢导致分拼排产计划不能很好的适应主线生产情况的问题。
附图说明
[0024]
图1为本发明排产方法的流程示意图。
具体实施方式
[0025]
下面结合附图对本发明的一种优选实施方式作详细的说明。
[0026]
本发明中，主线和分拼线的上游方向为前，下游方向为后。
[0027]
为便于理解，将遗传算法中的相关术语介绍如下：
[0028]
遗传算法：遗传算法是基于自然界中物种进化的过程所设计的一种启发式算法，在该算法中每一个可能的解是一个个体，个体通过互相组合得到新个体以及变异的方式进行进化，直到完成指定次数的进化后，选择最优秀的个体作为问题最终的解。
[0029]
个体：本发明中的个体是指每一个可能的分拼线排产计划，用x表示，x为一个包含所有零件生产类型的序列，例如要生产4个a零件和4个b零件，那么x＝aaaabbbb；x[j]表示序列x中的第j个零件。
[0030]
种群：种群为所有个体的集合；种群s＝{x1，x2，...，xn}，n为种群中的个体数量，是一个需要设置的参数，xi为种群的第i个个体。
[0031]
适应性函数：适应性函数用f(x)表示，是用于衡量解的好坏的函数，一个解越好，他的适应性函数值越大。
[0032]
代：代类似生物中的代，每次个体与个体组合得到的新个体为下一代个体。
[0033]
变异：在每一代中通过两个个体融合得到的新个体可能会发生变异，例如个体x1＝aaaa，x2＝bbbb，取x1的前半部分和x2的后半部分得到新个体x3＝aabb；在x3与其他个体组合生成下一代个体时，存在一定概率使得其中任意一个元素发生改变，比如第三个元素从b变成a。遗传算法通过变异率来控制一个个体发生变异的概率。
[0034]
本实施例以汽车生产为例，车身在主线上生产，车门在分拼线上生产，一个汽车具有一个车身和多个车门，这多个车门称为一组车门，考虑到订单匹配的问题，主线的零件生产个数与分拼线的生产组数保持一致。
[0035]
如图1所示，本发明中基于优化的自调参遗传算法的排产方法，根据主线生产队列的变化对分拼线的排产问题制定排产计划，其中自调参遗传算法的优化过程包括以下步骤：
[0036]
s11：在合拢工位之前的主线上选定基准工位，获取基准工位之前主线全部的生产队列q，确定适应性函数队列q，确定适应性函数
[0037]
其中diff(x[j]，q[j])为分拼线排产计划中第j个零件x[j]与主线生产队列第j个零件q[j]的类型匹配程度，如果x[j]的类型与q[j]的类型相同，则diff(x[j]，q[j])＝0，如果x[j]的类型与q[j]的类型不相同，则diff(x[j]，q[j])＝1；ems(x[j])为生产完零件x[j]后线边库存的预期数量，e为理想的线边库存的数量；cost(x[j-1]，x[j])为从生产零件x[j-1]到生产零件x[j]的成本，比如切换生产的零件类型带来的生产时间损失、额外的物料成本等，成本具体包含哪些内容可根据车间实际生产情况选择。
[0038]
a、b、c为3个取值在[-1，0]的惩罚变量，根据不同产线对排产的倾向来具体取值，例如，如果希望分拼线生产的队列与主线尽可能一致，那么可以让a的取值比b更接近-1(对于顺序不一致惩罚的多一些)。
[0039]
步骤11中选定的基准工位满足：主线上零件从基准工位到达合拢工位的时间t大
于分拼线生产一个零件的时间t，即t＞t；其中n为分拼线生产工序的数量，t
sub(k)
是生产工序k所需的时间，t
prep
是分拼线为下一轮生产准备物料的时间，不包含切换生产的零件类型时间。
[0040]
s12：通过预先优化的方法确定遗传算法的初代种群，将初代种群输入至遗传算法中得到分拼线的测试排产计划。
[0041]
具体地，通过预先优化的方法确定遗传算法的初代种群的方法包括以下步骤：
[0042]
根据主线上生产的零件总数确定分拼线要生产的零件总数；
[0043]
从分拼线第一个零件开始依次向后决定零件的生产类型，将得到的零件生产类型的序列作为初代种群的第一个个体；其中确定第a个零件的生产类型时，先计算第a个零件生产之前的适应性函数值a，然后分别计算各种生产类型的第a个零件生产之后的适应性函数值b，选择b-a最大的生产类型作为第a个零件的生产类型；
[0044]
然后在第一个个体的基础上通过变异生成初代种群其余的个体。
[0045]
遗传算法本身采用完全随机的方式生产初代种群，初代种群中的个体与最优解差异很大，通过上述方法得到的第一个个体x1已经是较优解，在x1的基础上通过变异的方法得到其他个体也能够保证解的多样性，与普通遗传算法比能提高的收敛速度，降低求解时间。
[0046]
s13：利用历史数据，重复步骤12，对同一个排产问题使用不同的变异率和种群个体数量，通过遗传算法的收敛时间和遗传算法输出的测试排产计划的适应性函数值计算得到遗传算法的表现分数。
[0047]
具体地，根据实际生产情况对遗传算法的收敛时间和输出的测试排产计划的适应性函数值进行加权求和，得到表现分数。
[0048]
s14：记录下每个排产问题中表现分数最高的遗传算法所使用的变异率、种群个体数量，以及这个排产问题的特征，得到训练数据；排产问题的特征包括生产队列q的长度、生产队列q包含的产品种类、适应性函数中a、b、c的设定值。
[0049]
s15：通过训练数据训练全连接神经网络(mlp)；全连接神经网络的输入为排产问题的特征，输出为变异率和种群个体数量。
[0050]
排产方法包括：
[0051]
s21：将分拼线实际排产问题的特征输入到完成训练的全连接神经网络中，得到变异率以及种群体数量。
[0052]
s22：将s21中得到的变异率和种群个体数量输入到遗传算法中，结合实际的生产信息和工艺要求(例如主线的生产队列q、线边库存的预期数量、线边库存的理想数量e)，通过遗传算法得到分拼线的实际排产计划。
[0053]
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现所述的排产方法。
[0054]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0055]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包
含一个独立技术方案，说明书的这种叙述方式仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。