考虑有限运输资源和多目标分布式柔性作业车间调度方法

技术领域

本发明涉及离散型制造系统的生产调度技术领域，特别是考虑有限运输资源和多目标分布式柔性作业车间调度方法。

背景技术

分布式柔性作业车间调度(Distributed Flexible Job Shop Schedulingproblem,DFJSP)可以看作是传统作业车间与分布式工厂的一个结合问题。分布式工厂模式是指多个具有单独加工能力的工厂为完成某产品的生产而聚合在一起，且各工厂的地理位置各异。全球化的发展令分布式制造模式日趋普遍。分布式工厂间的资源共享及合理的分工与协作，能够充分利用资源，有效降低成本和管理风险。考虑有限运输资源和低碳的多目标分布式柔性作业车间调度问题，考虑了分布式制造的生产模式和有限的运输资源约束，同时还考虑减少完工时间，降低生产能耗、提高加工质量。在该模型中，可选择进行生产加工的工厂不止一个，同时一个工序可能不只局限在一台机器上，也可以从多台不同类型机器中选择加工机器，工件上下两道工序的所选择转运的运输车不止一台。解决此类问题要考虑为每一道工序安排合适的工厂，然后安排合适的机器，还要考虑在不同工厂里面每台机器上工件加工的次序和为工件相邻工序安排合适的运输车，是一个NP-hard问题。

发明内容

有鉴于此，本发明的目的在于提供一种考虑有限运输资源和多目标分布式柔性作业车间调度方法，能够快速有效的获得较优的调度方案，提高车间生产效率。

为实现上述目的，本发明采用如下技术方案：考虑有限运输资源和多目标分布式柔性作业车间调度方法，包括如下步骤：

步骤S1：构建一种考虑有限运输资源和低碳的多目标分布式柔性作业车间调度问题模型，包括符号化定义、约束条件和最大完工时间、总加工能耗和总加工质量的优化目标定义；

步骤S2：设计基于球形模糊集和投票理论相结合的多目标综合决策方法；

步骤S3：确定群体智能优化算法并结合上述决策方法求解一种考虑有限运输资源和低碳的多目标分布式柔性作业车间调度问题模型的最优解，并输出调度结果。

在一较佳的实施例中：步骤S2具体包括以下步骤：

步骤S21：智能优化算法产生包含一定数量个体的种群，计算种群内所有个体的目标函数值，根据目标函数值分别构建目标函数的正、负理想解集；

步骤S22：引入球形模糊集转换公式作为目标函数值映射公式；

步骤S23：根据正、负理想解集构建各目标函数的上下边界；

步骤S24：将目标函数的上下边界转换为球形模糊集的上下边界；

步骤S25：将种群内所有个体目标函数值带入由以上步骤形成的映射公式，即可得到种群内所有个体的球形模糊集；

步骤S26：引入投票理论，将个体的目标函数值球形模糊集转换为通过值，并将其作为综合决策值。

在一较佳的实施例中：步骤S22中，具体为：引入球形模糊集转换公式作为目标函数映射公式；

在论域空间Y上的球形模糊集

其中

目标o的球形模糊集转换公式，其过程如下：

式中

的隶属度、中立度、非隶属度；/>

在一较佳的实施例中：步骤S24中，具体为：将目标函数的上下边界转换为球形模糊集的上下边界；

目标o的球形模糊集上下边界定义如下：

隶属度的上边界为

中立度的上边界为

非隶属度上边界为

其中

在一较佳的实施例中：步骤S26，具体为：引入投票理论，将个体的目标函数值球形模糊集转换为通过值，并将其作为综合决策值；

投票理论定义：一项集体行动，根据投票人的选择，以具有最多认可的行动作为选出结果的方法；实现方式如下：

其中tu为通过值，a为赞成票，c为反对票，b为弃权票；

将球形模糊集的隶属度、中立度和非隶属度映射为投票理论的赞成票、弃权票和反对票，令

其中

通过此函数得到种群个体的模糊值，该值作为个体的综合决策值：

进而得到种群解的综合决策值矩阵：

在一较佳的实施例中：步骤S3中，具体为：确定智能优化算法并结合上述决策方法求解考虑有限运输资源和低碳的多目标分布式柔性作业车间调度问题模型的最优解，并输出调度结果；

步骤S31：设计基于工序、工厂、机器和运输车的四层编码；

步骤S32：确定具体的智能优化算法；

步骤S33：通过结合算法对一种考虑有限运输资源和低碳的多目标分布式柔性作业车间调度问题进行求解，并输出调度结果。

在一较佳的实施例中：步骤S31具体为；编码方式采用四层整数编码，即每个个体的编码是由各个工件的工序的加工顺序和各个工件的工序所选择的工厂和机器以及各个工件的相邻工序所选的运输车所组成的一个矩阵，编码列数为所有工件总工序数，编码行数为四行，即4×ns，其中n为所有待加工工件的数量，s为待加工工件的总工序数，编码的第一层为工序层，第二层为工厂层，第三层为机器层，第四层为运输车层；解码过程是，定义整数和工序的映射关系，将智能优化算法得到的已经实数表达的个体向量，并通过LOV规则，将个体的实数向量转换为整数向量，然后替换为对应工序，即可得到第一层各个工件的加工工序，根据第一层来生成第二层各个工件的加工工序的工厂选择，然后根据第一层和第二层来生成第三层各个工件的加工工序的机器选择，最后根据第一层、第二层和第三层生成第四层各个工件的相邻工序运输车选择。

在一较佳的实施例中：步骤S32具体为：以最佳觅食算法OFA作为确定的智能优化算法为例展开说明；

最佳觅食算法原理如下：

步骤S321：初始化算法参数和种群：种群规模为N，初始迭代次数t＝1,最大迭代次数为T

步骤S322：适应度值评价：计算初始种群P中每个个体

中选取最优适应度值/>

步骤S323：迭代更新种群：从排序结果中依次选取个体作为目标个体

其中r

步骤S324：计算新种群个体适应度值，并择优选择个体：计算更新后所有目标个体

步骤S325：按降序排列，保存最优个体：根据适应度值

步骤S326：迭代更新，若满足终止条件，输出最优结果：当算法计算到最大迭代次数T

与现有技术相比，本发明具有以下有益效果：

1、本发明考虑了分布式工厂的制造模式和柔性作业车间相结合，同时考虑了车间生产的有限运输资源，以最大完工时间、总能耗、总加工质量为优化目标，能够快速有效的获得较优的调度方案，提高生产效率；

2、本发明采用将球形模糊集和投票理论相结合作为多目标决策的一种方法，将其结合智能优化算法，可用于求解车间调度问题。

附图说明

图1为本发明优选实施例的流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

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，本文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。

如图1所示，本实施例提供了一种考虑有限运输资源和低碳的多目标分布式柔性作业车间调度优化方法，具体包括以下步骤：

步骤S1：构建考虑有限运输资源和低碳的多目标分布式柔性作业车间调度问题模型，包括符号化定义、约束条件和最大完工时间、总加工能耗、总加工质量的优化目标定义；

步骤S2：设计基于球形模糊集和投票理论相结合的多目标综合决策方法；

步骤S3：确定智能优化算法并结合上述决策方法求解考虑有限运输资源和低碳的多目标分布式柔性作业车间调度模型的最优解，并输出调度结果；

在本实施例中，步骤S1具体为：构建考虑有限运输资源和低碳的多目标分布式柔性作业车间调度模型，包括符号化定义、约束条件和最大完工时间、总加工能耗、总加工质量的优化目标定义；

符号化定义：

f为工厂序号f∈Fc＝{1,2,…,gc}，gc为工厂的数量；ic为工件序号，ic∈IC＝{1,2,…,n}，n为工件的数量；jc为工序序号，jc∈JC＝{1,2,…,s}，s为工件ic的工序数量；m

约束条件：

加工开始时间约束：

优化目标：

最大完工时间f

总加工能耗f

为加工工序jc的第/>

总加工质量f

在本实例中，步骤S2具体为：设计基于球形模糊集和投票理论相结合的多目标综合决策方法；

步骤S21：智能优化算法产生包含一定数量个体(也称为解)的种群，计算种群内所有个体的目标函数值，根据目标函数值分别构建目标函数的正、负理想解集；

步骤S22：引入球形模糊集转换公式作为目标函数值映射公式；

步骤S23：根据正、负理想解集构建各目标的目标函数的上下边界；

步骤S24：将目标函数的上下边界转换为球形模糊集的上下边界；

步骤S25：将种群内所有个体目标函数值带入由以上步骤形成的映射公式，即可得到种群内所有个体的球形模糊集；

步骤S26：引入投票理论，将个体的目标函数值球形模糊集转换为通过值，并将其作为综合决策值；

在本实例中，步骤S21具体为；求出智能优化算法产生的种群内的所有个体(也称为解)的目标函数值，根据目标函数值分别构建目标函数的正、负理想解集：

根据f

种群产生以上目标的函数值按最小值归一化之后的矩阵：

其中M为目标数量，N为种群数量；i＝1…N；o＝1…M；

由pop矩阵每列最大值组成得到正理想解集为

在本实例中，步骤S22具体为：引入球形模糊集转换作为目标函数值映射公式；

在论域空间Y上的球形模糊集

其中

目标o的球形模糊集转换公式，其过程如下：

/>

式中

在本实例中，步骤S23具体为：根据正、负理想解集构建各目标的目标函数值的上下边界；

正理想解集为

Ggpop＝{Gg

Gg

在本实例中，步骤S24具体为：将目标函数的上下边界转换为球形模糊集的上下边界；

目标o的球形模糊集上下边界定义如下：

隶属度的上边界为

中立度的上边界为

非隶属度上边界为

其中

在本实例中，步骤S25具体为：将种群内所有个体目标函数值带入由以上步骤形成的映射公式，即可得到种群内所有个体的球形模糊集；

具体方法为：选择目标o，在Ggpop选出该目标的Gg

其中M为目标数量，N为种群数量；

在本实例中，步骤S26具体为：引入投票理论，将个体的目标函数球形模糊集转换为通过值，并将其作为综合决策值；

由于上述方法得到的球形模糊集无法直接使用，故引入投票理论来作为识别球形模糊集模糊信息的方法。

投票理论定义：一项集体行动，根据投票人的选择，以具有最多认可的行动作为选出结果的方法。实现方式如下：

其中tu为通过值，a为赞成票，c为反对票，b为弃权票。

将球形模糊集的隶属度、中立度、非隶属度映射为投票理论的赞成票、弃权票、反对票，令

其中

由此构建基于球形模糊集和投票理论形成的多目标决策方法的公式：具体方法为取个体i的全部目标函数值的球形模糊集

其中t＝1…T

进而得到种群全部解的综合决策值矩阵：

在本实例中，步骤S3具体为：确定智能优化算法并结合上述方法求解考虑有限运输资源和低碳的多目标分布式柔性作业车间调度问题模型的最优解，并输出调度结果；

步骤S31：基于工序、工厂、机器和运输车的四层编码；

步骤S32：确定具体的智能优化算法；

步骤S33：结合智能优化算法对考虑有限运输资源和低碳的多目标分布式柔性作业车间调度问题进行求解；

在本实例中，步骤S31具体为：基于工序、工厂、机器和运输车的四层编码；

编码方式采用四层整数编码，即每个个体的编码是由各个工件的工序的加工顺序和各个工件的工序所选择的工厂和机器以及各个工件的相邻工序所选的运输车所组成的一个矩阵，编码列数为所有工件总工序数，编码行数为四行，即4×ns，其中n为所有待加工工件的数量，s为待加工工件的总工序数，编码的第一层为工序层，第二层为工厂层，第三层为机器层，第四层为运输车层；解码过程是，定义整数和工序的映射关系，将智能优化算法得到的已经实数表达的个体向量，并通过LOV规则，将个体的实数向量转换为整数向量，然后替换为对应工序，即可得到第一层各个工件的加工工序，根据第一层来生成第二层各个工件的加工工序的工厂选择，然后根据第一层和第二层来生成第三层各个工件的加工工序的机器选择，最后根据第一层、第二层和第三层生成第四层各个工件的相邻工序运输车选择；

整数和工序的映射关系具体为：

整数从数字1开始按从小到大顺序到总工序数对应工序从第一个工件的第一个工序开始按数字大小顺序依次遍历到最后一个工件的最后一个工序；

假设有两个工件，每个工件有三个工序，总工序数为6，定义数字1到6对应的工序关系：

其中101表示第一个工件的第一个工序，102表示第1个工件的第2个工序，依次类推。

智能优化算法产生的实数向量为：

0.1 0.2 0.5 0.6 0.3 0.4

LOV规则具体为：将实数向量按从小到大进行排序，得到实数与其排序位置映射关系：如0.1在整个实数向量中排的位置为1，0.6在整个实数向量中排的位置为6；

通过LOV规则即可将上述的实数向量转换为整数向量：

1 2 5 6 3 4

将整数向量替换为工序序列：

101 101 202 203 103 201

在本实例中，步骤S32具有为：确定具体的智能优化算法；

以最佳觅食算法(Optimal Foraging Algorithm,OFA)作为确定的智能优化算法为例展开说明。OFA是一种基于种群的优化技术，当前种群中的最优个体引导其他个体进化的过程中，在整个搜索空间中随机探索，从而实现整体进化。

最佳觅食算法原理如下：

步骤S321：初始化算法参数和种群：种群规模为N，初始迭代次数t＝1,最大迭代次数为T

步骤S322：适应度值评价：计算初始种群P中每个个体

步骤S323：迭代更新种群：从排序结果中依次选取个体作为目标个体

其中r

步骤S324：计算新种群个体适应度值，并择优选择个体：计算更新后所有目标个体

步骤S325：按降序排列，保存最优个体：根据适应度值

步骤S326：迭代更新，若满足终止条件，输出最优结果：当算法计算到最大迭代次数T

在本实例中，步骤S33具体为：结合智能优化算法对考虑有限运输资源和低碳的多目标分布式柔性作业车间调度问题进行求解，输出调度方案；

将上述方法得到的个体的综合决策值，引入最佳觅食算法，用此综合决策值作为最佳觅食算法的适应度值：

由算法求得最优的