扰动事件下柔性作业车间多工艺路线动态节能调度方法

技术领域

本发明涉及柔性作业车间生产调度技术领域，尤其涉及扰动事件下柔性作业车间多工艺路线动态节能调度方法。

背景技术

柔性作业车间通常在动态和非确定性环境中运行，动态调度方法因其可使调度方案适应扰动事件而被广泛应用。同时，柔性作业车间中的工件的加工已由固定工艺路线向多工艺路线转变。

由于柔性作业车间生产过程的动态性，最佳的调度方案很容易被许多意外扰动事件打断，原始调度方案可能会失效，需要根据扰动事件的情况，动态地进行重新调度(重调度)以适应车间资源与任务的改变。柔性作业车间的扰动事件包括新的订单任务插入到现有调度方案中，以及柔性作业车间生产过程中可能会遇到突发的机床故障。

公开号为CN110597210A的中国专利公开了考虑设备预维护的柔性作业车间调度节能优化方法，该专利虽然以总能耗和车间完工时间最小为优化目标建立了多目标优化模型，但是其仅对机床故障单一扰动事件进行了重调度，并未考虑新订单插入和机床故障两种扰动事件下多工艺路线的调度优化问题，并且其采用的传统的模拟退火算法在目标空间搜索效率较低，无法适用于多扰动事件下的重调度。

发明内容

本发明旨在解决现有技术中存在的技术问题，提供扰动事件下柔性作业车间多工艺路线动态节能调度方法。

为了实现本发明的上述目的，本发明提供了扰动事件下柔性作业车间多工艺路线动态节能调度方法，包括：步骤S1，初始化系统参数，所述系统参数包括订单集、订单集中每个订单的可选工艺路线集、每条可选工艺路线的工序集、可用机床集和每台机床的可选刀具集；步骤S2，基于初始化后的系统参数运行预设模拟退火算法获得初始工艺路线和调度方案并执行，所述初始工艺路线和调度方案包括初始订单集中每个加工任务的资源分配和开始时刻；步骤S3，当新订单插入时，根据订单插入动态决策机制获得未加工任务子集、正在加工任务子集和完工任务子集，更新系统参数，基于更新的系统参数运行预设模拟退火算法获得工艺路线与重调度方案并执行；当机床故障时，根据机床故障动态决策机制更新可用机床集和正在加工任务子集，更新系统参数，基于更新的系统参数运行预设模拟退火算法获得工艺路线与重调度方案并执行；所述工艺路线与重调度方案包括未加工任务子集和正在加工任务子集中每个加工任务的资源分配和开始时刻；步骤S4，若所有订单加工完成，结束，否则返回继续执行步骤S3。

本发明提供的调度方法，在扰动事件未发生时采用改进的模拟退火算法获得初始工艺路线和调度方案，在扰动事件发生后，基于订单插入动态决策机制和机床故障动态决策机制更新系统参数，基于更新后的系统参数运行改进的模拟退火算法获得工艺路线与重调度方案，预设模拟退火算法的第一目标为所有订单的总能耗，第二目标为所有订单的最大完工时间，使本发明调度方法能够在多扰动事件下车间的总能耗和最大完工时间协调最优，改进的模拟退火算法在目标空间搜索效率高，能获得更多非支配解，可以更好地降低不同扰动事件下的车间的总能耗和最大完工时间。

附图说明

图1是本发明一种优选实施方式中扰动事件下柔性作业车间多工艺路线动态节能调度方法的流程示意图；

图2是本发明一种应用场景中多工艺路线动态调度方法的具体流程图；

图3是本发明一种应用场景中5个订单10个机床时的初始调度方案结果示意图；

图4是案例1中不同场景下的调度结果示意图；

图5是案例2中不同场景下的调度结果示意图；

图6是一种示例中订单插入不同策略调度方案示意图；

图7是一种示例中机床故障下不同策略调度方案示意图；

图8一种示例中机床故障与订单插入下不同策略组合调度方案示意图；

图9本发明验证ESA、MOGA和MOPSO的Pareto前沿性能的结果示意图。

具体实施方式

本发明公开了扰动事件下柔性作业车间多工艺路线动态节能调度方法，在一种优选实施方式中，如图1和图2所示，包括：

步骤S1，初始化系统参数，系统参数包括订单集、订单集中每个订单的可选工艺路线集、每条可选工艺路线的工序集、可用机床集和每台机床的可选刀具集。初始话的时候，订单集为初始订单集，即系统时间开始时刻就已存在的订单集。

订单集表示为一组独立加工任J＝{J

每个加工任务J

对扰动事件下多工艺路线动态调度节能优化问题作出以下假设：

①J

②每个任务都是非抢占式的，一次只需要一台机床。每台机床一次最多只能加工一个任务。

③一旦任务开始在机床上进行加工，除非机床发生故障，否则无法中断。

④机床上批量加工的每个零件的工序时间(即切削时间、工件装夹和拆卸时间、对刀时间)是确定的。

⑤工件在机床之间的运输时间可以忽略不计。

为了构建柔性作业车间多工艺路线动态调度节能优化模型，给出相关符号与参数的定义，如表1所示。

表1相关符号与参数定义

步骤S2，基于初始化后的系统参数运行预设模拟退火算法获得初始工艺路线和调度方案并执行，初始工艺路线和调度方案包括初始订单集中每个加工任务的资源分配和开始时刻，每个加工任务的资源分配包括该加工任务选择的工艺路线、机床、刀具，开始时刻为该加工任务的工序开始时刻；预设模拟退火算法的第一目标为所有订单的总能耗，第二目标为所有订单的最大完工时间。

在本实施方式中，预设模拟退火算法以车间总能耗和最大完工时间为目标，加工过程中的相关条件为约束，工艺路线、机床选择、工序加工顺序等为优化变量的多目标优化模型。预设模拟退火算法优化变量(即输出解)包括①每个加工任务的工艺路线、机床和刀具的选择(x

②每个加工任务的开始时间(开始时刻)，即工序加工的顺序(st

步骤S3，当新订单插入时，根据订单插入动态决策机制获得未加工任务子集、正在加工任务子集和完工任务子集，更新系统参数，主要更新订单集，可选工艺路线集、可用机床集和可选刀具集等，基于更新的系统参数运行预设模拟退火算法获得工艺路线与重调度方案并执行。

当机床故障时，根据机床故障动态决策机制更新可用机床集和正在加工任务子集，更新系统参数，主要更新订单集，可选工艺路线集、可用机床集和可选刀具集等，基于更新的系统参数运行预设模拟退火算法获得工艺路线与重调度方案并执行。

每当发生扰动事件时，JP的工艺路线与调度方案都将基于动态决策机制与算法进行更新。工艺路线与重调度方案对JP工艺路线与重调度方案包括未加工任务子集和正在加工任务子集中每个加工任务的资源分配和开始时刻；每个加工任务的资源分配包括该加工任务选择的工艺路线、机床、刀具，开始时刻为该加工任务的工序开始时刻。

步骤S4，若所有订单加工完成，结束，否则返回继续执行步骤S3。

表2为在本实施方式提供的调度方法的主程序总体框架。具体可描述为以下步骤：

1)输入订单J、工艺路线R

2)在系统时刻

3)当Flag＝0时，系统时间

4)若

5)若

6)若

7)在车间生产过程中不断循环执行以上步骤，直到车间所有加工任务完成。

8)输出任务的资源分配(x

表2总体框架

在本实施方式中，构建以车间总能耗和最大完工时间为目标，加工过程中的相关条件为约束，工艺路线、机床选择、工序加工顺序等为优化变量的多目标优化预设模拟退火算法模型。包括：

1、目标函数构建

①总能耗

当柔性作业车间生产过程发生扰动事件时，执行动态调度以调整工艺路线、机床选择和调度方案。车间从初始调度到重调度结束的总能耗E

E

1)工件装夹和拆卸能耗E

每个工件都需要安装夹紧在夹具上以开始工序的加工，然后在工序完成后从夹具上拆下。在工件装夹和拆卸过程中，机床会消耗一定的能耗。工件装夹和拆卸所消耗的能量如式(2)所示。

上式中

2)对刀能耗E

每次在对一道工序进行加工时，都需要在机床上安装设置刀具，以便对材料进行切削去除。对刀过程中消耗的能量被建模为对刀期间待机功率的积分，如式(3)所示。

上式中λ

3)切削能耗E

在切削过程中，机床会消耗一定的功率以去除材料。切削能耗可以表示为切削时段内功率的积分，如式(4)所示。

式中

4)换刀能耗E

对于批量加工，当检测到刀具磨损达到一定程度时，应更换刀具。此过程机床将消耗一定的待机能耗用于磨损刀具的拆卸、新刀具的安装。因此，刀具更换能耗如式(5)所示。

上式中η

5)空闲能耗E

在处理两个连续工序时，机床在空闲阶段会消耗一定的能耗，空闲能耗可根据式(6)来计算。

式中θ

上式中U是机床M

②最大完工时间

除了车间总能耗外，问题中的另一个目标是最大限度地减少所有加工任务的最大完工时间，如式(8)所示。

式中，CT

2、目标优化变量

车间的总能耗和最大完工时间取决于工艺路线选择、机床选择和调度方案。因此，所提出的问题中考虑的优化变量包括：①每个任务的工艺路线、机床和刀具的选择(x

3、约束条件

该问题的优化求解需满足车间的实际生产要求与加工条件约束，具体如下。

①加工任务J

②给定工艺路线下每个加工任务J

③调度中的每项加工任务只能在一台机床上，使用一把刀具，并按照一条工艺路线执行，如式(12)所示。

④每台机床上一次最多进行一项加工任务，如式(13)所示。

按照上述目标函数、目标优化变量和约束条件构建的预设模拟退火算法执行过程如表3所示，包括：

步骤A，子步骤1：定义预设模拟退火算法的解为每个加工任务的资源分配和开始时刻。

预设模拟退火算法的解α包括工艺路线、机床、刀具和工序加工顺序。因此，用X和ST来表示为每个加工任务选择的工艺路线、机床、刀具以及工序开始时刻。解的表现形式如式(15)所示。考虑到每个加工任务的可选工艺路线数量(w

子步骤2：初始化生成集和非支配集，设置初始退火温度，生成集包括多个解以及每个解的权重向量。

在本实施方式中，优选地，为提升种群多样性，以增加得到最优解的概率，初始化生成集时获得的每个生成集的每个初始解基于随机机制生成的。初始解的生成包括X

获取初始解中每个加工任务的资源分配：1)对于未加工任务子集A1中的每个加工任务，在该加工任务对应的可选工艺路线集中随机选择一条工艺路线，在选择的工艺路线的可用机床集M

基于初始解中每个加工任务的资源分配，根据调度生成规则获得每个加工任务的开始时刻。基于上述步骤确定每个加工任务的决策(x

在生成集初始化后包含多个初始解，可从初始化后的生成集中随机选择一个解作为初始的非支配集，也可以按照上述初始解获取方法为非支配集获取一个以上初始非支配解。每个生成集的解的权重向量可表示为

步骤B，将生成集中能够支配非支配集的解合入非支配集。

步骤C，依次遍历生成集中每个解并执行：

以生成集的解为当前解，生成当前解的邻域解；

若邻域解能够支配非支配集，将所述邻域解合入非支配集，若遍历完生成集，执行步骤D，否则遍历生成集中下一个解；

若邻域解不能支配非支配集，进一步地，若非支配集中存在当前解的最相邻非支配解，按照预设权重公式设置邻域解的权重向量，若非支配集中不存在当前解的最相邻非支配解，随机设置邻域解的权重向量，根据概率接受标准Z获取邻域解的接受概率，若按照所述接受概率接受邻域解，则将当前解替换为邻域解，将当前解的权重向量替换为邻域解的权重向量，若按照所述接受概率不接受邻域解，则当前解和当前解的权重向量均不变；若遍历完生成集，执行步骤D，否则遍历生成集中下一个解。

在本实施方式中，获取当前解的第一目标值和第二目标值，如第一目标值为所有订单的总能耗，第二目标值为所有订单的最大完工时间，获取非支配集中所有非支配解的第一目标值和第二目标值，在二维平面上以第一目标值为横坐标，第二目标值为纵坐标，获取非支配解集中二维坐标与当前解的二维坐标距离最近非支配解，若该非支配解不能支配当前解，则认为该非支配解为最相邻的非支配解，若该非支配解能支配当前解，则认为不存在最相邻的非支配解。

在本实施方式中，优选地，概率接受标准Z为：

其中，α表示当前解，α′表示当前解α的邻域解，T表示退火温度，i′表示目标索引，D表示目标个数，D＝2，当前解α的权重向量表示为

在本实施方式中，进一步优选地，按照预设权重公式设置邻域解的权重向量为：

其中，

在本实施方式中，优选地，为了更好地探索和利用搜索空间，从突变的角度设计了两种相邻解的生成机制(第一相邻解生成机制或第二相邻解生成机制)以增加种群多样性并选择优秀个体。每当生成相邻解时，随机选择以下两种机制来生成解。生成当前解的邻域解子步骤包括：

第一，随机选择第一相邻解生成机制或第二相邻解生成机制生成邻域解中每个加工任务的资源分配。

第一相邻解生成机制为：从未加工任务子集中选择多个加工任务，对于选中的每个加工任务，从重新分配工艺路线、机床和刀具，未加工任务子集中未被选中的加工任务和正在加工任务子集中的加工任务的资源分配与当前解保持相同。具体的包括：

a.从任务子集A1中选择多个任务。对于每一个选定任务，从R

b.对于有新工艺路线的加工任务，重新分配M

c.用于A2中任务的工序的机床和刀具与初始解保持相同。

第二相邻解生成机制为：未加工任务子集和正在加工任务子集中加工任务的可选工艺路线、可用机床集和可选刀具集与当前解保持相同；对于未加工任务子集和正在加工任务子集中的加工任务的每道工序，从该加工任务选择的工艺路线的该道工序的可用机床集中随机选择一台或多台机床；对于每台选择的机床，随机调换该机床上连续两个工序的加工顺序。具体的包括：

a.用于A1和A2中任务工序的工艺路线、机床和刀具与初始解保持相同。

b.对于A1和A2中的任务，从机床集M

c.对于每台选定的机床，随机调换该机床上两个连续工序的加工顺序。

第二，基于相邻解中每个加工任务的资源分配，根据调度生成规则获得每个加工任务的开始时刻。通过上述第一步骤，可以生成一个相邻解X′。通过使用调度生成规则获取相邻解ST′，从而生成新的车间调度方案。至此，全部相邻解α′生成完毕。

在本实施方式中，优选地，调度方案生成规则可根据初始/相邻解生成时所选择的工艺路线、机床和刀具对车间的资源进行调度，具体步骤如下：

步骤1：按照初始解或邻域解启动加工任务的资源分配，设置空闲时间初始值为I

步骤2：对于第m台机床，检查其是否在系统时间

步骤3：检查第m台机床在系统时间

步骤4：检查是否至少有一个订单在等待第m台机床加工，如果是，从等待队列中选择到达时刻最早的加工任务，然后转到步骤5；否则，转到步骤6；

步骤5：开始执行第m台机床上的加工任务，更新该加工任务的开始时刻st

步骤6：更新m＝m+1，如果m小于或等于机床总数u，回到步骤1，否则，转到步骤7；

步骤7：检查是否所有加工任务的工序均已完工，如果是，转到步骤9；否则，转到步骤8；

步骤8：更新系统时间

步骤9：终止并输出未加工任务子集和正在加工任务子集中每个加工任务的工艺路线、机床选择、开始时刻和结束时刻。

预设的模拟退火算法(MOSA)的的主要流程如表3所示。MOSA不只使用一个候选解来获得最终结果，而是保留一个生成集Ge来生成新的解，并保留一个非支配集Arc来产生Pareto最优解。α表示Ge的当前解，α′表示其相邻解。MOSA是以一个随机Ge开始的迭代算法，它会持续根据概率接受标准Z搜索和保留相邻解。

表3MOSA的主要流程

在本实施方式中，进一步优选地，判断生成集中的解或邻域解是否支配非支配集的方法为：

1)获取生成集中的解的第一目标值和第二目标值，或者，获取邻域解的第一目标值和第二目标值；

2)获取非支配集中所有非支配解的第一目标值和第二目标值；

3)若生成集中的解的第一目标值小于所有非支配解的第一目标值，且生成集中的解的第二目标值小于所有非支配解的第二目标值，则认为生成集中的解支配非支配集，否则认为生成集中的解不能支配非支配集；

或者，若邻域解的第一目标值小于所有非支配解的第一目标值，且邻域解的第二目标值小于所有非支配解的第二目标值，则认为邻域解支配非支配集，否则认为邻域解不能支配非支配集。

步骤D，根据预设的冷却方案降低退火温度；预设的冷却方案为步进地朝向0℃降低退火温度。初始退火温度和降温步长可根据试验情况确定。

步骤E，若满足终止条件，根据非支配集生成最优解并输出，若不满足终止条件，返回执行步骤C。终止条件可以为退火温度接近0℃，或者可以为遍历生成集的次数达到了预设的停止次数。在满足终止条件后，根据非支配集生成最优解，具体位置，计算此时非支配集中每个非支配解的第一目标值和第二目标值，选择第一目标值和第二目标值相加值最小的非支配解作为最优解输出。

在本实施方式中，优选地，在步骤S3中，所述根据订单插入动态决策机制获得未加工任务子集、正在加工任务子集和完工任务子集，包括：遍历包括新订单的所有订单任务，将新订单插入时刻还未进行任何工序加工的加工任务归入未加工任务子集，将新订单插入时刻至少有一个工序正在加工的加工任务归入正在加工任务子集，将新订单插入时刻所有工序均已完工的加工任务归入完工任务子集。

具体的，当一个新加工任务在t

1)任务a

2)任务a

3)任务a

三个任务子集的识别和决策机制在表4中给出。

表4订单插入决策机制

/>

在本实施方式中，优选地，在步骤S3中，所述当机床故障时，根据机床故障动态决策机制更新可用机床集和正在加工任务子集包括：当机床发生故障时，将所有机床分为故障机床子集、正在进行加工任务的正常机床子集和没有加工任务的空闲机床子集；将故障的机床上未完成的加工任务归入正在加工任务子集，当故障的机床维修好后将该机床归入可用机床集；对于正常机床子集中的机床，当完成正在进行的加工任务后归入可用机床集；将空闲机床子集归入可用机床集。

具体的，当在t

当一台机床M

表5机床故障决策机制

/>

下面对本发明提供的调度方法进行案例验证和性能对比实验。

一案例验证

案例背景

重庆市某制造企业的柔性作业车间主要生产各种非标产品和零部件，包括采棉机、开方机等，定制化程度较高，具有多品种、小批量的特点。案例中有5个初始订单(k＝5)，3个插入订单(k′＝3)，10台机床(u＝10)和18把刀具(p＝18)，相关数据如表6、表7和表8所示，包括可选择的工艺路线与每个可选工序对应的能耗与时间，以及各台机床的功率信息。

表6车间初始订单及其工艺方案和机床信息

/>

/>

表7车间插入订单及其工艺方案和机床信息

/>

表8车间机床与刀具信息

/>

案例在柔性作业车间生产环境下考虑了订单插入与机床故障两种常见的扰动事件。为了研究不同类型与规模扰动事件对于生产的影响规律，分别设置了若干个具有不同扰动事件组合的案例场景。通过运行程序2.MOSA_RS(JP)，在总能耗与最大完工时间最小的情况下获得所有场景的初始静态调度方案，如图3所示。改进MOSA算法主要参数设置为：初始温度1000，终止温度0.001，降温速率0.98，最大迭代次数4000。订单插入和机床故障的发生时刻，均从离散均匀分布的整数区间(0，278493)中随机生成，其中278493是初始调度方案的时刻终点。

当一个随机扰动事件(订单插入与机床故障)发生时，加工任务会被分为A1、A2、A3三组，其中A3中的任务被标记为已完成的任务，并从重调度方案中去除；实时记录处于重调度阶段的可用机床，并且在维修一段时间t_r

①案例1：订单插入

为订单插入扰动事件设置了插入订单种类数量分别为1、2、3时的三个场景。在场景1中，新插入订单6在第90560s到达；在场景2和场景3中，在场景1的基础上，新插入订单7和8分别在第81582s和54977s到达。单目标和多目标优化在以上三个不同的场景下进行。具体的场景方案如表9所示。

表9案例1中各个场景下的方案

随后，启用动态决策机制与改进的算法程序来应对订单插入对于初始静态调度方案的扰动，生成工艺路线与动态调度方案。图4给出了案例1中3个场景下总能耗E

表10案例1的单目标和多目标优化结果

从表10中可以看出，在场景1中，以E

在场景2中，虽然以E

根据以上分析可以看出，以生产效率(指最大完工时间)为导向的优化方案，往往不能很好的满足柔性作业车间的节能优化需求。因此，在进行柔性作业车间优化时应采取多目标优化的策略，因为多目标优化方案可以在车间的总能耗和最大完工时间两个目标的冲突之间找到平衡，最大完工时间的轻微妥协有利于车间的节能生产，能耗的稍许增加也有利于车间生产效率的提升。

当发生扰动事件时，本申请在进行重调度时充分考虑了工艺路线和机床的柔性可以为一条工艺路线选择不同的机床和刀具，也可以为一个订单选择不同的工艺路线。故本申请提出的动态调度策略可以体现柔性作业车间重调度时的柔性和复杂性，所考虑问题的场景接近于柔性作业车间的情况。

②案例2：机床故障

设置了不同型号和数量的机床故障扰动事件。从场景4到场景6，机床故障事件的数量依次增加。在场景4中，机床M

表12案例2中各个场景下的方案

/>

机床在维修时处于关机状态。与场景1类似，当机床发生故障时，立即触发机床故障下的工艺路线与调度方案动态决策机制与算法进行重调度，并且通过重新安排所有未完成的任务(包括因机床故障而暂时中断的任务)来获得最终的工艺路线与调度方案。图5展示了以E

从表13可以看出：1)在能耗和时间构成方面，场景4到6结果的规律是一致的。切削能耗占据了总能耗的一大部分，其次是空闲能耗、工件装夹和拆卸能耗、对刀能耗和换刀能耗。在时间构成中也可以找到类似的规律。

2)与完工时间相反，总能耗随着故障次数的增加而有所减少。可以发现，总能耗减少的部分主要来自空闲能耗。这是由于当发生机床故障时，初始静态调度会中断，并且在重调度期间故障机床上未完成的任务需要重新进行安排。因此，任务加工的安排将更加紧凑，特别是当机床故障次数增加时，空闲能量将大大减少。相比之下，由于空闲时间包含了机床维修时间，故空闲时间随着故障机床数量的增加而增加。但机床维修时是保持关机的，不消耗能量，故出现空闲时间增加而空闲能量减少的现象。

3)与初始静态调度阶段得到的最优方案相比，重调度阶段重新分配的机床只是在扰动事件限制下的次优解决方案，因此重调度阶段的能耗如切削能耗和对刀能耗等出现了增加。

表13案例2各场景下能耗与时间的成分分析

通过对比图5和图3可以看出，在场景4中，当机床M

二策略对比

对比策略有：

策略1：直接插入策略属于部分重调度策略，当新订单到达时，初始调度方案保持不变，并以能耗最小为目标直接插入新订单。策略2：FCFS(先来先服务)策略在扰动事件发生时刻重新生成调度方案，基于FCFS规则重新安排所有的未完成任务，获得重调度方案，属于完全重调度策略。策略3：右移调度策略在停机时间将未完成的任务推迟，适用于机床故障时的重调度。策略4：本发明提出的重调度策略作为策略4。

①订单插入重调度策略对比分析

策略1、2和4均在新订单J

表14订单插入各策略的能量和时间成分分析

②机床故障重调度策略对比分析

为了进一步验证所提出的策略在机床故障时的效果，对策略2、3和4进行了比较。图7和表15分别展示了策略2和3的调度结果，这2种策略在机床M

如图7(a)所示，当M

表15机床故障下各策略的能量和时间成分分析

/>

从表15可以看出，策略3的能耗比策略4的能耗增加了1.59％，同时最大完工时间也增加了7.64％。这是因为右移调度的策略直接推迟了未完成的任务，而没有其他操作，因此总能耗特别是空闲能耗将会增加。由于机床故障导致3-1(J

③订单插入和机床故障重调度策略组合对比分析

在实际生产环境中，可能会出现订单插入和机床故障两种扰动事件同时发生的情况。为了说明提出的策略应对订单插入和机床故障的性能，比较了各种策略的组合。图8和表16描述了在相同背景下采用各种策略组合的结果，其中新订单J

在初始静态方案的基础上，按照扰动事件发生的时刻顺序，分别进行两次方案动态优化。对于场景11，先在M

从表16可以看出，场景11在降低总能耗和最大完工时间方面效果显著，超越了其他方案。与场景11相比，场景12、13、14和15的总能耗分别增加了5.78％、4.13％、0.89％和4.89％。同样，最大完工时间也分别增加了2.24％，2.89％，0.66％和9.11％。从上述比较分析中可以看出，与场景12、13、14和15相比，场景11的能耗和完工时间均有明显下降。因此，所提出的策略在降低扰动事件下的动态调度的能耗和完工时间方面具有较好的效果。

表16各策略组合的能耗和时间成分分析

/>

三算法对比

将本申请提出的改进的预设模拟退火算法(ESA)与多目标遗传算法(MOGA)和多目标粒子群优化(MOPSO)进行了比较。算法比较的测试实验在场景11下进行。选取常用的两个指标超体积指标(HV)和间距指标(SP)作为算法收敛和分布性能的评估指标。为了最大程度保证算法比较的公平性，3种算法的测试实验均独立运行20次，然后求出评估指标的均值和标准差。HV和SP的均值和标准差值如表17所示。

表17 ESA、MOGA和MOPSO的测试实验结果

从表17的结果可以看出，ESA在HV和SP两个性能指标方面优于MOGA和MOPSO。这一结果表明，ESA可以在所提出重调度策略的目标空间内更好地获得Pareto解的收敛和分布。这主要是因为ESA针对所考虑问题改进了的算法机制，从而提高了算法的搜索效率。由于ESA的解在目标空间中分布更均匀，因此有可能获得更多的Pareto解。此外，结果表明ESA在多次测试实验中具有良好的稳定性，这表明ESA对所提出的问题适应性更好。

此外，为了直观地比较三种算法的解，从每种算法的测试实验中选择一组Pareto解集，绘制Pareto前沿，如图9所示。每种算法Pareto解的数量和每个解的值在表18中给出。从图9可以看出，ESA获得的Pareto解集支配了MOGA和MOPSO解集中所有的解。表18的结果显示，ESA的Pareto解比MOGA和MOPSO的解更多，这意味着ESA有更多的Pareto解可供选择。可以得出结论，ESA获得的Pareto解的数量和质量均优于MOGA和MOPSO，ESA在求解所提出的问题时的性能优于MOGA和MOPSO。

表18 ESA、MOGA和MOPSO优化结果对比

/>

可见，本申请针对车间动态调度时工件工艺路线可选的节能优化问题，构建了考虑订单插入与机床故障的多工艺路线动态调度优化模型，对传统MOSA算法的关键步骤进行了改进，并设计了一种灵活分配工艺路线和资源的动态决策机制。讨论了不同数量与组合下的订单插入与机床故障发生时的优化结果，说明了所提出方法能够在扰动事件下使车间的总能耗和最大完工时间协调最优。通过将所提出策略与传统重调度策略在不同扰动事件场景下进行对比，表明所提出策略可以更好地降低不同扰动事件下的车间的总能耗和最大完工时间。相比于其他算法，所提出改进算法获得的Pareto解数量更多、质量更高，对该问题的适应性更好。