[发明专利]一种基于物料齐套的混流装配车间排序方法

权利要求书

1.一种基于物料齐套的混流装配车间排序方法，该方法包括：

步骤1：根据生产订单建立零部件缺件查询方法，判断所需物料的齐套性程度；

在一个生产订单内，生产m种品种的系列产品，假设生产订单所需的零部件为n种；对整个生产订单而言存在：

(1)m种产品零件额定需求矩阵：表示j号产品的i号零件的需求数量；

(2)为每种型号产品已分配零件矩阵：表示j号产品的i种零件装配初始分配量；

(3)工位线旁物料矩阵：是j号产品的i种物料在工位线旁存量；

(4)车间库存余量状态矩阵：为j号产品的i种物料车间中转库存余量；

对于订单而言缺件公式为：

假设订单中每个品种产品的需求量为D_m(m＝1,2,…,M)；F+D+S表示生产环境中已存在的全部零件集合，表示每种产品的总需求数量向量，表示生产所需要的n种零件数量矩阵；r⁽ⁱ⁾表示i种零件的缺件情况；

短缺零件品种数Q：

q_i表示i种零件是否缺件；

第i种零件的缺件的数量为QQ_i：

QQ_i＝|r⁽ⁱ⁾|，r⁽ⁱ⁾0

暂时不能进行生产活动的产品型号集合P：

其中：

p_j表示j号产品，表示j号产品暂时不能进行生产活动；

零部件按照所有产品系列是否都会用到分为全局共用件和局部共用件：

全局共用件零件集合comps1；

局部共用件零件集合comps2；

并按照作用域和齐套性将零部件集合分类为：

全局共用件全部非齐套零件集合M1；

局部共用件全部非齐套零件集合M2；

全局共用件部分非齐套零件集合M3；

局部共用件部分非齐套零件集合M4；

步骤2：建立基于过程齐套的混流装配车间调度模型，并结合学习遗忘效应建立相应的多目标函数；

步骤2.1混流装配线问题描述：混流装配线是一条装配线上装配不同品种的产品或者同一品种不同系列或不同型号的产品的柔性生产线；

步骤2.2混流装配线的多目标函数数学模型；

(1)结合学习遗忘效应的最小化最大完工时间：

遗忘率η表示为：

学习效应考虑为：

t_sjλ＝t_sj1λ^a

若j＝1，t_sj1为第一个上线加工的产品型号的s工位基本加工时间；t_sj1为工位s第j种上线加工的产品型号的加工时间，λ代表连续j型产品连续加工的个数，λ^a表示λ的a次方；学习因子a表示为：

k₁为常数

不同工件型号之间转换的学习遗忘效应：

不同型号工件的实际加工时间分为：考虑产品相似性，上一个产品型号学习效应引起的当前工件加工时间缩短，表示为前一个工件的实际加工时间与其基本加工时间的比值；遗忘效应造成累计学习效果降低：

t_sj为j型号工件的在工位s的基础加工时间，t_s(j-1)表示为前一种型号产品序列第一个产品在s工位的生产时间，t_s(j-1),L为总生产序列中前一种型号产品序列最后一个产品在s工位的生产时间；

当前产品当前工位的开工时间上一工件当前工位的完工时间以及这一工件上一工位的完工时间的较大值，表示为：

当前产品当前工位的完工时间

缺件零部件的等待时间：

假设加工零部件提供的加工与配送总时间数据T₀＝(t₁…t_u,t_(u+1)…t_(u+v))^T，u为M1与M2集合的总数量，v为M3与M4集合的总数量；

集合v和u产生的阻塞时间B为：

且

最小化最大完工时间函数表示为：

装配工位最后一个工位S生产最后一个产品的结束时间；

(2)均衡化各工位负荷：

根据学习遗忘效率产生的生产时间变化，生产序列为k的产品，在工作站s的阻塞时间为：

最小化装配流水线的堵塞时间的目标函数:

(3)最小化切换次数

为了避免设备频繁切换，引入布尔型变量θ，产品类别为j；

步骤3：总装车间多型号产品Pareto最优排序求解；

步骤3.1：生成总装车间生产排序初始解；

步骤3.2：优化总装车间排序解；

(1)进行Pareto解排序：

定义一个0/1标记向量mark，1表示个体处于当前Pareto级别上；While还有没有进行Pareto排序的个体：遍历解集pop(i)中的每一个还没有进行等级排序的个体，此轮排序的第一个个体mark值设置为1，后续个体与mark标记为1的个体比较，若被某一个所支配，则continue继续遍历下一个；若支配mark＝1的个体，则将被支配个体mark标记置为0，直到处理完所有mark＝1的个体，则将此个体mark值置为1；本轮遍历完成后，将mark＝1的所有个体Pareto等级标记为1，grad＝grad+1；继续进行while循环，直到所有个体都有Pareto排序为止，根据帕累托排序来产生初始最佳解集，即精英解集合，符号为Nset，其大小上线记为Nset0‘’

(2)小生境计数，计算步骤如下：

1)首先计算个体解a和b之间距离：

2)将各点之间的距离转换为共享函数，计算方式为：

3)将关于某个点的共享函数求和，得到小生境计数，此数据越大说明该点的独立性越强，独立性越高的点更能表达物种的多样性，计算方式为：

(3)根据适应度值选择下一代：

适应度函数：

f(x)＝2×popsize-rank(x)-N(x)

其中Popsize表示种群大小，rank(x)表示个体排序后的Pareto等级，N表示为小生境计数；

(4)选择：种群适应度从大到小排序，选择前Ps比例的父代种群直接进入下一代，剩余个体选择方式为：根据适应度的大小，然后采用轮盘赌的形式，选择父代中的个体，以此来产生剩余1-Ps比例的种群进入下一代；

(5)改进的变异操作：根据变异下标指定产品是否包含在M5中进化染色体，若在M5当中则变异操作以大概率将基因变异为M5集合中的产品符号，以小概率将基因变异为非M5集合产品符号，若不在M5中则以P1概率将基因变异为非M5集合中的产品符号，以小概率将基因变异为M5集合产品符号；

(6)改进的交叉操作：选择父代进行交叉操作，以Px的交叉概率决定是否交叉，并且在交叉前设置了随机交叉点以增强算法的全局搜索性能，并且设置交叉长度为染色体长度的1/3；

(7)精英解保留策略：在每一次的迭代过程中，首先求解新种群的Pareto前沿，令其为Nset1，与精英解集Nset合并，再次对Nset集合求解Pareto前沿，判断Nset集合的大小，如果大于设置的Nset集合到小上限Nset0的话，将Nset集合按照适应度大小排序，裁剪Nset解集至Nset0大小；

(8)若达到算法最大迭代次数，则得到最终NSet集合，结合实际需求归一化量纲选择适用于生产排序的方案。