[发明专利]一种车间智能调度决策方法

权利要求书

1.一种车间智能调度决策方法，其特征在于，包括以下步骤：

S1：搜集所有设备加工工序时间，并分析加工流程；采集智能工厂中，加工设备加工工件的所有工序时间，并设n个工件J＝{J₁,J₂...J_n}和m台设备M＝{M₁,M₂...M_m}，其中，工件i有j个工序{O_i1,O_i2...O_ij}，这些工序在满足工艺约束的条件下逐个被加工，给每个工序分配一个可选设备集合中的一台设备，并对工序进行排序，对最小完工时间和最小化设备总能耗进行目标优化；

S2：将采集的数据，进行统计，构建多目标需求下的调度模型；数学建模构建如下：

确定优化目标：

Ⅰ.最小化完工时间f₁:

Ⅱ.最小化设备总能耗f₂:

索引：

i,h：工件索引，i,h＝1,2,…,，

j,g：工序索引,j,g＝1,2,…,r_i；

k：设备索引,k＝1,2…,m；

l：两相邻工序之间的间隔索引,l＝1,2…,s；

参数：

n：工件总数；

r：工序总数；

m：设备总数；

s：相邻工序间的间隔总数；

O_ij：工件i的第j道工序；

T_ijk：工序O_ij在设备k上的加工时间；

CO_ij：工序O_ij的完成时间；

C_i：工件i的完成时间；

U_i：工件i的总工序数；

PM_k：设备k的加工功率；

IPM_k：设备k的待机功率；

PS_k：设备k的平均启动功率；

TI_lk：设备k上第l个工序间隔长度；

Z_lk：设备k上第l个重启；

S3：在计算前，对相关参数进行初始化；对群体P、归档集Q，NSGA-Ⅲ的参考点进行初始化，并设置种群大小和最大迭代次数；

S4：根据优势因子，选择进化策略算法；具体为：每次一代进化前，根据各自的优势因子p_l,采用轮盘赌的策略随机选择一种策略进行进化；

优势因子的更新公式为：

其中，n_l是第l个策略使用时成功进化的个体数目，n₀是用来消除随机成功的影响；为了避免算法退化，设定优势因子的下限δ，若p_l≤δ，则对所有的p_l重新初始化；

S5：执行策略算法：根据优势因子，从MOPSO、SPEA2和NSGA-Ⅲ三种算法选择其中之一进行计算；如果根据优势因子结果选择SPEA2算法，那么执行如下步骤：

S5.1：适应度分配：计算种群P_t和归档集Q_t中所有个体的适应度；

S5.2：环境选择：将种群P_t和归档集Q_t所有非支配个体保存到归档集Q_t+1中；若归档集Q_t+1的大小超过M，则利用修剪过程降低其大小；若归档集Q_t+1的大小比M小，则从种群P_t和归档集Q_t中选取支配个体填满归档集Q_t+1；

S5.3：结束条件：若满足终止条件，则将Q_t+1中的所有非支配个体作为返回结果，保存到非支配解集NDSet中；

S5.4：配对选择：对归档集Q_t+1执行锦标赛选择；

S5.5：进化操作：对归档集Q_t+1执行交叉、变异操作，并将结果保存到归档集Q_t+1中，转到步骤S5.1；

S6：更新优势因子，判断继续是否迭代：从策略算法的结果中，更新种群，确定当前的非支配解，执行自适应学习机制，更新优势因子，并更新迭代次数，如果继续迭代，跳转至步骤S4。