申请/专利权人：武汉理工大学

申请日：2022-06-02

公开（公告）日：2024-04-12

公开（公告）号：CN115129002B

主分类号：G05B19/418

分类号：G05B19/418

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.10.25#实质审查的生效;2022.09.30#公开

摘要：本发明公开了一种带批处理机可重入混合流水车间调度方法及系统，包括算法参数设置，单层编码，种群初始化，分阶段解码，适应度值计算，交配，邻域搜索，更新种群和算法终止。本发明针对可重入混合流水车间调度问题，以最小化最大完工时间、机器负载和碳排放为目标函数，设计了一种改进的蜉蝣算法，首先提出一种基于工件序列的单层编码规则，以及批处理阶段和单件加工阶段的解码规则，然后设计了基于Logistic混沌映射的反向学习初始化策略，改进的蜉蝣交配和变异策略，提高了算法初始解的质量和局部搜索能力，同时根据编码规则设计基于VND的蜉蝣运动策略，保证种群的质量朝着好的方向进化。

主权项：1.一种带批处理机可重入混合流水车间调度方法，其特征在于，包括以下步骤：步骤1：构建带批处理机可重入混合流水车间调度模型，包括最小化最大完工时间、最小化机器负载、最小化碳排放和约束条件；所述带批处理机可重入混合流水车间，在若干工位中至少有一台批处理机，对工件进行批处理；其中，第a个工位为批处理工位，由多台并行批处理机构成；每个工件加工前需要一定的准备时间，并且在工件开工前完成，每个工件需要按照固定的工艺路线完成所有工艺流程；所述最小化最大完工时间为： 其中，n为工件数量，Ci为工件i的完工时间，Cmax为所有工件的最大完工时间，Cijlk为Oij在第l个工位中机器k上的完工时间，Oij为工件i的第j个工序；Sijlk为Oij在第l个工位中机器k上的开工时间；xijlk为决策变量，Oij在第l个工位中机器k上进行加工，xijlk＝1，否则xijlk＝0；Tijlk为Oij在第l个工位中机器k上的加工时间；ml为工位l上的不相关并行机台数；Ni为工件i的总工序数；所述最小化机器负载Wm为： 其中，Ni为工件i的总工序数，s为工位数；所述最小化碳排放E为：minE＝minET+EI+EW5 其中，ET为机器加工消耗电能产生的碳排放量，EI为机器空转消耗电能产生的碳排放量，EW为机器调整消耗电能产生的碳排放量，PT为机器运转的额定运行功率，EF为电能标煤系数，BE为标准煤碳排放系数，PI为机器空转的额定运行功率，Ilk为第l个工序的机器k的空转时间，PW为机器调整的额定运行功率，Wijlk为Oij在到达第l个工位中机器k前的调整时间，I为工件的层次数；所述约束条件为：1单价加工阶段xqt+yqt+zqt＝19其中，xqt表示决策变量，t时刻机器处于加工状态，xqt＝1，否则xqt＝0；yqt表示决策变量，t时刻机器处于空转状态，yqt＝1，否则yqt＝0；zqt表示决策变量，t时刻机器处于调整状态，zqt＝1，否则zqt＝0；xqt+yqt+zqt表示从机器从开机到关机，只能处于加工、空转和调整三个阶段； 每个工作阶段只能被一台机器加工，每个工位上的每台机器同一时刻只能加工一个工件，工件必须按照其规定的工艺路线加工，即同一工件各个加工阶段之间存在先后顺序约束； 其中，Sgh为Ogh在第l个工位中机器k上的开工时间，Sij为Oij在第l个工位中机器k上的开工时间，Sie为Oie在第l个工位中机器k上的开工时间；Yij,gh,lk为决策变量，Oij先于Ogh在第l工位中机器k上进行加工，Yij,gh,lk＝1,否则Yij,gh,lk＝0；H为一个无穷大的正数；xghlk为决策变量，Ogh在第l个工位中机器k上进行加工，xhglk＝1，否则xghlk＝0；Yij,ie,l*k*为决策变量，Oij先于Oie在第l*工位中机器k*上进行加工，否则xiel*k*为决策变量，Oie在第l*个工位中机器k*上进行加工，否则l*为工位；k*为机器； 其中，SijLil为Oij在工位l上的加工时间，CijLil+1为Li为Oij在工位l+1上的完工时间；Li工件i所在的层次，其中Li＝1为第一层，Li＝2,3,…,Ii为重入层；2批量加工阶段 其中，λib为决策变量，工件Xib被分配到任务批b进行加工，λib＝1,否则λib＝0；B为在批处理机上加工的总批数；式14表示在对工件进行批处理之前对其进行组批，在组批时，一个工件只能分配到一个任务批次中； 其中，Xi为任务批中的所有工件；式15表示任务批中至少包括一个工件且不能超过工件总数量，表示一个任务批次中工件数量限制； 其中，αbd为决策变量，任务批b由批处理机d进行加工，αbd＝1，否则αbd＝0；式16表示一个任务批次只能在一个批处理机中进行加工； 其中，λeb为决策变量，工件Xeb被分配到任务批b进行加工，λeb＝1,否则λeb＝0；qi为工件i的材质编号；qh为工件h的材质编号；加工类型约束，只有加工类型相同的工件才能组成一个批次； 其中，wi为工件i的加工类型编号；MlCd第l工位上第d台批处理机的最大容量；αbd为决策变量，任务批b由批处理机d进行加工，αbd＝1，否则αbd＝0；批处理机最大容量限制，在当前批处理机上进行加工的任务批次总数量不能超过该机器的最大容量； 其中，Cb为批处理机上第b批的完工时刻；Sg为批处理机上第g批的开工时刻；Cg为批处理机上第g批的完工时刻；Sb为批处理机上第b批的开工时刻；βbg为决策变量，任务批b在任务批g之前进行加工，βbg＝1，否则βbg＝0；式20、式21表示表示同一台批处理机中不同的任务批次具有先后顺序；步骤2：采用改进的蜉蝣算法对带批处理机的可重入混合流水车间调度问题进行求解；步骤2.1：设置种群规模N、重力系数g、舞蹈系数d、随机游走系数fl以及算法迭代次数i；步骤2.2：采用基于工件序列单层编码规则构造蜉蝣；其中，工件编码的基因表示某类工件的工件编号，工件序列表示工件的加工顺序；步骤2.3：种群初始化，包括初始化雄蜉蝣、雌蜉蝣位置和速度；利用基于Logistic混沌的反向学习初始化策略进行种群初始化；具体实现包括以下子步骤：1构建种群规模为N、维度为D的混沌序列Z＝{Zd,d＝1,2,…,D}，Zd＝{Zid,i＝1,2,…,N}，Logistic混沌映射函数表达式如下：Zi+1d＝μ×Zid×1-Zid；式中Zid为混沌变量，μ是控制变量；2通过混沌序列映射到解空间生成初始化种群X＝{Xi,i＝1,2,…,N}，Xi＝{Xid,d＝1,2,…,D}，Xid通过上述混沌映射函数表达式得到，Xid＝Xmin+ZidXmax-Xmin，其中Xmax和Xmin分别为个体位置序列随机值的上下界；3计算初始种群X的反向种群OXid，OXid＝Xmin+Xmax-Xid；4将反向解和初始解进行比较，若反向解优于初始解，则替换初始解形成新的种群X；步骤2.4：计算适应度值，作为最大完工时间，获取蜉蝣的个体历史最优值pbest和全局最优值gbest，对蜉蝣位置和速度进行更新；步骤2.5：确定交配策略；非支配排序，雄雌种群各选出前N2个个体进行交配操作，产生N个子代；前N2个子代混入雄蜉蝣中，后N2个子代混入雌蜉蝣中；非支配排序，雄雌种群各选出前N个个体，得到新的种群；步骤2.6：利用基于VND的蜉蝣运动策略进行邻域搜索；步骤2.7：更新最佳解决方案，包括最大完工时间、碳排放量和机器负载；判断是否满足迭代次数，若满足则输出解决方案的最优值，结束进化，若不满足则继续步骤2.3。

全文数据：

权利要求：

百度查询： 武汉理工大学 一种带批处理机可重入混合流水车间调度方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD