[发明专利]一种汽车空调出风口的生产装配过程的优化调度方法

摘要

本发明涉及一种汽车空调出风口的生产装配过程的优化调度方法，属于生产车间智能优化调度技术领域。本发明通过确定汽车空调出风口的生产装配过程调度模型和优化目标，并使用自适应混合分布估计算法的优化调度方法对优化目标进行优化；其中调度模型依据汽车空调出风口的零件在各台机器上的加工时间和最终装配完成时间来建立，以最小化平均完工时间为优化目标。本发明使得汽车空调出风口的生产装配过程的表达清晰准确；对全局搜索找到的优质区域进行较为细致的局部搜索，从而在全局和局部搜索之间到达到较好的平衡。

主权项

1.一种汽车空调出风口的生产装配过程的优化调度方法，其特征在于：通过确定汽车空调出风口的生产装配过程调度模型和优化目标，并使用自适应混合分布估计算法的优化调度方法对优化目标进行优化；其中调度模型依据汽车空调出风口的零件在各台机器上的加工时间和最终装配完成时间来建立，以最小化平均完工时间为优化目标：其中，为待加工的n个汽车空调出风口基于加工顺序的排列，为组装汽车空调出风口需要在第一阶段第k台设备上加工的汽车空调出风口零件，为零件和零件之间的设置时间且为零件的加工时间，为第二阶段收集、运输属于汽车空调出风口的所有零件到第三阶段组装设备的时间，为属于汽车空调出风口的所有零件经过第一阶段加工和第二阶段收集、运输所需的最大处理时间且为汽车空调出风口在第三阶段的组装时间，为汽车空调出风口的完成时间且为所有汽车空调出风口的平均完成时间；优化目标为在所有汽车空调出风口加工顺序的集合Π中找到一个π^P*，使得目标函数最小；所述自适应混合分布估计算法的优化调度方法的具体步骤如下：Step1、编码方式：以每种汽车空调出风口的加工装配顺序进行编码其中n为待加工汽车空调出风口的个数，为待组装的汽车空调出风口需要在第一阶段第k台设备上加工的零件；Step2、种群和概率模型初始化：种群规模为M，采用随机方法产生初始化种群，直至初始解的数量达到种群规模的要求；采用一个n×n维的矩阵P(gen)表示算法第gen代的概率分布模型；其中，P_i(gen)＝[P_i1(gen),P_i2(gen),…,P_in(gen)]为P(gen)中第i行行向量，P_ij(gen)是P(gen)的第i行第j列元素且表示第gen代时汽车空调出风口j在个体的第i位上出现的概率P(gen)从数值上反映不同汽车空调出风口的加工优先关系，P_ij(gen)越大，表示在第gen代时汽车空调出风口j在个体的第i位上出现的概率越大；在种群初始化时，一部分个体采用扩展的SPT规则生成；其中，扩展的SPT规则生成方式为：1)对第一阶段每台设备上加工的零件分别按加工时间进行升序排序，这样就有m个序列，然后把每个序列中的零件用其所属的汽车空调出风口替换，即可得到m个个体；2)把1)中“按加工时间进行升序排序”替换为“按加工时间和设置时间之和进行升序排序”，然后执行和1)相同的操作，即可得到另外的m个个体；3)对第三阶段设备上组装的汽车空调出风口按组装时间进行升序排列，即可得到1个个体；4)求出每个汽车空调出风口所有零件在第一阶段m台机器上的平均加工时间，再求每个汽车空调出风口第一阶段平均加工时间与其在后两阶段的处理时间之和，然后将汽车空调出风口按此和值进行排序，即可得到1个个体，这样可产生2m+2个个体；Step3、采样并产生新的种群：采用轮盘赌的方式对概率模型进行采样；Step4、基于首次改进跳出原则的“Insert”变异操作：使用首次改进跳出原则的“Insert”变异操作对种群中的最优个体执行局部搜索；令NInsert(π,u,v)为将排列π中第u个位置上的元素或产品插入到第v个位置上；排列π基于NInsert(π,u,v)的邻域可表示为：Ninsert(π)＝{πtemp＝Insert(π,u,v)|v≠u,u‑1；u,v＝1,2,…,n}首次改进跳出原则的Insert邻域搜索为搜索到NInsert(π,u,v)第一个较优邻域解则跳出当前循环并将该邻域解作为当前最优解；基于上述定义，FindFirstSkipNInsert(π,u,v)的步骤如下：步骤7.1：令u＝1,v＝2，步骤7.2：步骤7.3：若则步骤7.3.1：u＝u+1；步骤7.3.2：若u≤n，转到步骤7.2，否则，转到步骤7.5；步骤7.4：若则v＝v+1；步骤7.4.1:如果v≤n且v≠u，转到步骤7.2，否则转到步骤7.3.1；步骤7.5：输出步骤8：判断是否输出优化结果；其中，π^temp表示通过Insert(π,u,v)方法生成的一个新的排列，f(π^temp)是π^temp的目标函数值；FindFirstSkipN_Insert(π,u,v)为基于首次改进跳出策略的Insert邻域搜索；为第gen代的最优个体，为的目标函数值；Step5、更新概率模型：首先判断所获得的“最优个体”是否连续十代没有更新，若是，则对概率矩阵进行从新初始化；否则采用基于信息熵的学习速率和变异率自适应调整机制，使用算法在搜索过程中找到的“最优个体”对概率矩阵进行更新；Step6、终止条件：设定终止条件的最大迭代次数为200，如果满足，则输出“最优个体”；否则转至步骤Step3，反复迭代，直到满足终止条件。