[发明专利]基于多目标进化算法的动态柔性作业车间调度方法

摘要

本发明公开了一种基于多目标进化算法的动态柔性作业车间调度方法,主要解决现有方法对动态变化的环境自适应能力差且搜索效率低的问题。其实现步骤是（1）初始化。读取作业和机器属性等信息，定义优化目标,设定约束条件；（2）在初始时刻，基于静态多目标进化算法，同时优化完工时间、拖期和最大机器负载；（3）在车间生产过程中，采用由紧急动态事件驱动的重调度方式，基于动态多目标进化算法在新环境中快速产生一个新的调度方案，以同时优化待调度工件的完工时间、拖期、最大机器负载和稳定性。与传统调度方法相比，本发明能够及时响应紧急动态事件的发生，根据动态环境自适应地调整搜索策略，生成的调度方案具有效率高、稳定性优的特点。

主权项

一种基于多目标进化算法的动态柔性作业车间调度方法，包括如下步骤：(1)初始化：读取初始时刻的输入信息，包括每项作业的工序数、加工期限、权重，每道工序可分配的机器集合、各工序在相应机器上的加工时间、正常工作的机器数目；给出优化目标的定义；将初始时刻视为初始调度点t0，将紧急动态事件，包括“新的紧急作业下达”、“机器发生故障”、“故障机器修复”的发生时刻视为重调度点tl，l＝1,2,…；在tl，l＝0,1,2,…时刻所处的生产环境下，“完工时间”定义为从开始加工到完成当前所有可调度的工序所花费的时间开销；“拖期”定义为对作业在加工期限上的延误值进行惩罚；“机器的最大负载”定义为各台机器加工时间的最大值；“稳定性”仅在tl，l＝1,2,…有定义，将其定义为各工序在新旧方案中开始加工时间和完成时间的差别；所设定的约束条件包括加工时间约束、工序优先级约束、禁止抢先占有的约束；(2)在初始时刻t0，根据车间内机器和作业的属性，基于静态多目标进化算法，同时最小化以下目标：完工时间、拖期以及机器的最大负载，预先产生一组Pareto非支配解，Pareto非支配解是指提高该解在任何一个目标上的性能，都必然会导致它在剩余的至少一个目标上的性能降低；将Pareto非支配解提供给生产管理者进行参考，并由他从中挑选出一个符合生产要求的满意解作为调度方案；所采用的静态多目标进化算法，初始群体中的每个个体包括一个工序序列向量和一个机器分配向量；在计算每个个体的目标值前，首先需将个体依据工序序列向量和机器分配向量解码为甘特图；在由父代群体生成子代群体的过程中，采用针对动态柔性作业车间调度问题设计的繁殖算子，包括基于工序序列向量和基于机器分配向量的交叉和变异算子；(3)在车间生产过程的每个重调度点tl，l＝1,2,…时刻，采用由紧急动态事件驱动的基于动态多目标进化算法的反应式重调度方式：更新机器和作业的当前属性，包括当前可以正常工作的机器，每项作业剩余未加工的工序，当前每台机器上正在加工的工序，从上一个重调度点tl‑1时刻开始至tl时刻新下达的作业，每道工序当前可分配的机器集合；在多目标进化算法的群体初始化中引入启发式策略，包括利用上一个重调度点时刻的调度方案构造“历史解”，利用“新的紧急作业下达”、“机器发生故障”、“故障机器修复”这些动态事件的具体特征分别构造“调度方案修补解”，以及引入随机个体以增加群体的多样性，同时，采用了两条启发式机器分配规则为工序分配机器；这些策略使得算法能够快速地适应动态变化的环境，产生一组能够优化车间的完工时间、拖期、机器的最大负载及稳定性的新的Pareto非支配解，提供给生产管理者,并由他从中挑选出一个符合生产要求的满意解作为调度方案；所采用的动态多目标进化算法，初始群体中的每个个体包括一个工序序列向量和一个机器分配向量；在计算每个个体的目标值前，首先需将个体依据工序序列向量和机器分配向量解码为甘特图，同时使用“空闲时间间隔插入”的方法，对甘特图进行调整，以提高调度方案的求解效率；在由父代群体生成子代群体的过程中，采用针对动态柔性作业车间调度问题设计的繁殖算子，包括基于工序序列向量和基于机器分配向量的交叉和变异算子；生成的调度方案在车间中一直执行，直到下一个紧急动态事件发生，重新启动动态多目标进化算法进行调度。