一种基于改进混合遗传算法的流水车间分批调度方法

本发明涉及车间生产调度，具体为一种基于改进混合遗传算法的流水车间分批调度方法。

背景技术：

1、流水车间调度是由实际的生产流水线简化而来的一种经典的调度模型，与实际生产过程最为接近。而在考虑产品切换的流水车间中，同一系列的设备在生产不同的产品时，需要人工重新设置参数、更换设备配套工具、核对物料和工具等，从而使得车间能够生产出不同型号的产品以满足客户需求，但这样不仅会耗费了大量的设置成本和产品切换时间，缩短了机器的使用寿命，增加企业生产的资源消耗，还会增加工人的工作量和出错率。因此，流水车间生产调度所要解决的关键问题就是如何合理地安排每个批次的生产，包括确定每批次应使用多少台机器、选择哪些机器进行生产以及确定订单批次的先后生产顺序。

2、遗传算法是一种随机搜索的算法，在遗传机理和生物自然选择基础上发展而来的算法，能很好地解决最优问题，但单独的遗传算法也存在一些缺点，比如局部搜索能力弱，收敛慢等等。混合遗传算法是将遗传算法和其他一些算法结合，从而能够弥补遗传算法某些缺点的算法。

技术实现思路

1、本发明的目的是针对现有技术在复杂车间会产生过多的资源消耗的问题；提出了一种基于改进混合遗传算法的流水车间分批调度方法，在保证产品交付的前提下，通过改进了混合遗传算法的编解码方式和初始化策略以及结合了jaya算法的离散更新机制，以综合生产指标和节能指标为条件，确定最优流水车间分批调度方案，保障了经济效益和社会效益的协同优化发展，提升企业的市场竞争力。

2、为解决上述技术问题，本发明采用的技术方案为：一种基于改进混合遗传算法的流水车间分批调度方法，包括如下步骤：

3、s1、建立最小最大完工时间、最少产品切换次数和最小碳排放量的目标函数并确定相关约束条件；

4、s2、基于所述目标函数和相关约束条件，构建柔性作业车间调度的数学模型；

5、s3、根据流水作业车间分批调度的子问题，通过混合遗传算法的编解码方式，求解流水车间分批调度方案；

6、s4、基于所述柔性作业车间调度的数学模型和流水车间分批调度方案，结合混合遗传算法，确定最优流水车间分批调度方案。

7、作为优选，所述s1中，目标函数包括：

8、最小最大完工时间函数f1的表达式为：

9、其中，czi表示批次ozi的完工时间，其中包括批次ozi的切换时间和加工时间；z表示产品名称；j表示加工工序；a表示产品总数；

10、最少产品切换次数f2的表达式为：

11、其中，c表示工序总数；mj表示第j道工序可选的机器数量；yjk表示变量，若加工工序j的机器k前后生产的产品不同，则为1，否则为0；k表示机器编号；

12、最小碳排放量f3的表达式为：

13、其中，b表示批次总数；i表示生产批次；xzijk表示变量，其中，若产品z的第i个批次的第j道工序在机器k上加工，则为1，否则为0；efpμ为企业所在地电网排放温室气体系数；gwpμ为温室气体μ的100年gwp值；pk表示机器k处于加工状态时的功率；p′k表示机器k处于空闲状态时的功率消耗；sz+1,i+1,j,k表示机器k加工第z+1个产品的第i+1批次的第j道工序的开始加工时间；czijk表示机器k加工第z个产品的第i批次的第j道工序的完工时间。

14、作为优选，所述s1中，相关约束条件包括：

15、批量在最小批量与最大批量之间：

16、其中，表示机器k的最大生产批量；表示机器k的最小生产批量；dk表示机器k加工的生产批量；

17、同一机器在同一时间加工同一批次:

18、

19、同一机器加工批次完整：

20、其中，r表示正数；czij表示产品z的第i个批次的第j道工序的结束加工时间；表示变量，若批次先于批次生产，则为1，否则为0；

21、第i个批次的第j道工序的加工时间小于等于第i个批次的第j道工序的开始加工时间与结束加工时间之差：

22、tzij×xzij≤czij-szij；其中，tzij表示产品z的第i个批次的第j道工序的加工时间；szij表示产品z的第i个批次的第j道工序的开始加工时间；czij表示产品z的第i个批次的第j道工序的结束加工时间；xzij表示变量，产品z的第i个批次的第j道工序是否加工，加工则为1，否则为0；

23、产品z的第i个批次的第j道工序的完成加工的时间等于产品z的第i+1个批次的第j+1道工序的开始加工的时间：

24、其中，swzij表示同一工序加工不同产品的切换时间；tzi(j+1)表示产品z的第i个批次的第j+1道工序的加工时间；tz(i+1)j表示产品z的第i+1个批次的第j道工序的加工时间；xz(i+1)j表示变量，产品z的第i+1个批次的第j道工序是否加工，加工则为1，否则为0；xzi(j+1)表示变量，产品z的第i个批次的第j+1道工序是否加工，加工则为1，否则为0；swzi(j+1)表示第j+1道工序加工不同产品的切换时间；

25、工序的开始加工时间、结束加工时间、机器的负载功率、空载功率以及同一工序加工不同产品时的切换时间参数是正数：

26、szij≥0,czij≥0,pk≥0,p′k≥0,swzij≥0；

27、边界性约束：

28、szij+tzij≤h；

29、其中，h表示正数。

30、作为优选，所述子问题包括机器选择、工序排列和产品生产批次；

31、所述编解码方式包括采用三层编码的方式构建染色体和对染色体进行解码。

32、作为优选，所述三层编码为一个完整的流水车间分批调度方案。

33、作为优选，所述s3中，通过混合遗传算法的编解码方式，求解流水车间分批调度方案包括如下步骤：

34、sa：从左至右依次读取工序部分编码基因，按照编码规则转化获得对应工序oij；

35、sb：识别机器选择部分的编码基因，确认工序oij所选择的加工机器k，以及工序oij在机器k上的加工时间和切换时间；

36、sc：在机器k上依次查找空闲时间段，判断待安排工序是否满足前插条件，直至各产品的所有工序完成加工，确定每台机器上的产品批次加工顺序，其中，若满足前插条件，则插入已安排工序前，若不满足前插条件，则不将oij插入机器k已加工得最后一道工序之后；

37、sd：根据第一次解码后的每台机器上的产品批次加工顺序插入产品切换时间，确定产品切换时间；

38、se：基于对染色体进行解码，得到流水车间分批调度方案。

39、作为优选，所述前插条件包括在对应机器k上当前工序前是否有足够的空闲时间可供插入和插入工序oij的上一道工序是否已经完成。

40、作为优选，所述s4包括如下步骤：

41、s41、设置相关参数，以及终止条件；

42、s42、采用混沌策略和启发式规则初始化种群；

43、s43、基于所述数学模型和流水车间分批调度方案，对初始种群进行快速非支配排序操作及拥挤度计算，确定最优解和最差解；

44、s44、根据个体离散更新机制对个体进行更新，并判断更新后的个体是否优于更新前的个体，若是，则更新个体；若不是，则保留原个体；

45、s45、基于s44更新个体，并和所述初始化种群构成流水车间分批调度方案集；

46、s46、通过非支配概念再次对流水车间分批调度方案集中的个体进行排序，并计算个体的拥挤距离值；

47、s47、判断所述个体是否满足终止条件，若满足终止条件，则输出最优流水车间分批调度方案；若不满足终止条件，则返回s43。

48、作为优选，所述s43包括如下步骤：

49、s431、基于所述数学模型和流水车间分批调度方案，将种群中的每个染色体解码，得到一个完整的调度方案；

50、s432、计算所述调度方案的三个目标函数值；

51、s433、基于目标函数值进行非支配排序并计算拥挤距离值，确定最优解和最差解。

52、作为优选，所述终止条件包括自定义目标函数的范围。

53、本发明的有益效果：

54、1.本方案通过改进了混合遗传算法的编解码方式和初始化策略以及结合了jaya算法的离散更新机制，以综合生产指标和节能指标为条件，确定最优流水车间分批调度方案，保障了经济效益和社会效益的协同优化发展，提升企业的市场竞争力。

55、2.本方案通过约束条件的确定有助于限制目标函数的搜索空间，提高搜索效率。在遗传算法中，如果不考虑约束条件，搜索空间可能会非常庞大且复杂，导致算法难以在有限的时间内找到最优解。通过引入约束条件，我们可以将搜索空间限制在一个合理的范围内，减少不必要的搜索，从而加速算法的收敛；此外，约束条件还可以确保解的有效性。在很多实际问题中，解必须满足一定的条件才具有实际意义。

56、3.本方案通过编解码方式求解流水作业车间分批调度的子问题，编码过程通常涉及数据的压缩，这有助于减少数据的冗余部分，使得数据更加紧凑。同时，通过适当的解码过程，可以检查和纠正数据在传输或存储过程中可能产生的错误，提高数据的完整性和准确性，编解码方式可以根据具体的应用环境和需求进行定制。

57、4.本方案通过构建柔性作业车间调度的数学模型，可以通过数学模型对柔性作业车间调度进行优化，可以合理安排各个生产批次的顺序、时间和数量，减少等待时间和空闲时间，提高机器和工人的利用率，从而提高生产效率；数学模型能够精确地描述柔性作业车间调度问题的内在规律和相互关系，同时，通过数学模型，可以对不同的调度方案进行定量的分析和比较，从而找出最优或次优的调度方案。

58、5.本方案通过给出具体函数表达公式，可以减少人为错误，有助于提高计算的准确性，使得结果更加可靠；同时，具体函数公式通常易于理解和应用。

59、6.本方案通过采用混沌策略和启发式规则初始化种群，能够使得种群尽可能地覆盖搜索盲区，增加种群的多样性，可以生成具有更高质量的初始种群粒子，从而提高算法的搜索效率和全局寻优能力；可以在全局搜索和局部搜索之间取得平衡。混沌策略的全局搜索能力可以帮助算法在搜索空间中快速定位到潜在的最优解区域，而启发式规则的局部搜索能力则有助于算法在解空间中进行精细的搜索，以找到最优解，增强算法的鲁棒性和稳定性。

60、7.本方案通过结合了jaya算法的离散更新机制，一方面，jaya算法的全局搜索能力和高效性可以确保在离散空间中快速找到潜在的优秀解；另一方面，离散更新机制可以确保解的有效性，并使得解在离散空间中的表示更加精确和稳定；此外，这种结合还可以提高算法的鲁棒性和通用性；结合jaya算法的离散更新机制可以使得算法在面对各种问题时都能保持较好的性能。