[发明专利]一种车间智能调度决策方法

说明书

本发明公开了一种车间智能调度决策方法，对柔性工作车间调度数学模型进行处理，来获得一个节能、高效率的工件加工调度决策方法。该方法步骤包括：分析生产流程，根据需求选取优化的目标，设计调度模型；计算优势因子，根据优势因子采用轮盘赌的方式从MOPSO、SPEA2和NSGA‑Ⅲ三种算法中选择最合适的一种求解多目标优化问题；计算后，更新种群和优势因子，确定非支配解，并再次计算，直到结果收敛或者达到最大迭代次数。本发明在多种优化目标求解的智能工厂调度问题上，能够快速、高效、稳定地获取最优调度结果。让工厂在对加工产品线上的工作效率得到有效提高，提升了制造过程中的柔性、效率、稳定性和透明性。

技术领域

本发明涉及智能工厂生产调度技术领域，尤其涉及一种车间智能调度决策方法。

背景技术

为实现高效率、稳定的生产，智能工厂亟需智能调度技术来合理规划生产流程。目前，柔性作业车间优化问题已吸引了越来越多的关注，但大多数现有研究成果中只考虑复杂的实际环境的某一特定优化目标，这往往会导致调度方案可用性不高。其主要原因在于数学模型简化过度，与实际情况差异很大。单一优化目标难以反映实际生产调度问题的真实情况，通常需要同时考虑多种性能指标。

对于柔性作业车间调度多目标优化问题的优化算法研究，最初的研究思路是通过给每个优化目标加权，而将多目标优化问题转化为求解难度较低的单目标优化问题，但其缺点在于人为地给每个优化目标加权会导致最终的优化解集表现不全面，甚至很差。另一研究思路是只考虑一个优化目标而将其余目标作为约束条件，该策略会弱化其它优化目标的重要性，从而得不到理想的优化结果。

目前主要的研究思路是利用解之间的非支配关系来比较两个解的优劣，使用该评价策略的优化算法计算结果是最优解的集合。因而，其能更好地求解多目标优化问题。此外由于单一算法在求解柔性作业车间调度的单目标优化问题时已不具备优势，所以对更加复杂的多目标优化问题混合算法是可以深入研究的方向之一。

然而，每种算法都有一定的适用范围，任何一种算法不可能在所有问题上占据优势。为更好解决复杂动态环境下多目标柔性生产调度问题，需要综合不同算法的本质特征，取长补短，来设计出高效的自适应的智能调度方法。

发明内容

本发明的目的就在于为了解决上述问题而提供一种车间智能调度决策方法。该方法首先调查智能化工厂中所有加工设备，对每一种工件的各个加工工序的所需加工时间进行统计，将统计后的数据进行FJSP(Flexible Job Shop Scheduling Problem，柔性工作车间调度问题)建模；之后选取优化的目标，计算优势因子，根据优势因子的数值，选取MOPSO(多目标粒子群算法)、SPEA2和NSGA-Ⅲ三种算法执行寻优；计算后，更新种群和优势因子，确定非支配解，并再次计算，直到结果收敛或者达到最大迭代次数。

本发明通过以下技术方案来实现上述目的：

本发明包括以下步骤：

S1：搜集所有设备加工工序时间，并分析加工流程；

S2：将采集的数据，进行统计，构建多目标需求下的调度模型(待求解的多目标优化问题)；

S3：在计算前，对相关参数进行初始化；

S4：根据优势因子，选择进化策略算法；

S5：执行策略算法：根据优势因子，从MOPSO(多目标粒子群算法)、SPEA2和NSGA-Ⅲ三种算法选择其中之一进行计算；

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。

本发明的有益效果在于：