一种工艺规划与带运输机器人的车间调度集成优化方法

本发明涉及一种工艺规划与带运输机器人的车间调度集成优化方法，属于生产调度领域。

背景技术：

1、工艺规划与车间调度集成优化问题是同时考虑工艺规划与车间调度进行优化的。工艺规划是选择每个工件的最优工艺路线，车间调度是选择每个工件在合适的机器上加工并且对选择在同一台机器上的工件进行排序，从而得到工件各工序开始加工时间和完成加工时间。工艺规划与车间调度集成优化问题已被证明是一个np-hard问题，并且随着工件和机器的数量增加，问题会更复杂。

2、车间物流是指在车间内对工件等的搬运和存储，是生产的重要环节。现如今将运输机器人作为车间内的搬运设备已逐渐成为一大趋势，而现有工艺规划与车间调度很少考虑车间内的运输设备，工件搬运完成时间会影响生产实际中工件在机器上的开工时间和完工时间，不符合生产实际。或者只是将搬运时间作为一种约束，未将搬运任务分配到具体的运输机器人上，而不合理的搬运任务分配会使得完工时间变长。因此，针对工艺规划与带运输机器人的车间调度集成优化问题，亟需一种可以快速得到工件最优工艺路线、工件最优机器选择、机器上工序最优排序和运输机器人最优任务分配的方法使得完工时间最小。

技术实现思路

1、本发明的目的是提供一种工艺规划与带运输机器人的车间调度集成优化方法，以解决上述背景技术中存在的问题。

2、本发明的目的由以下技术方案实现：

3、1.一种工艺规划与带运输机器人的车间调度集成优化方法，其特征在于按以下步骤进行：

4、s1：针对工艺规划与带运输机器人的车间调度集成优化问题构建调度优化模型，确定优化目标为最小化最大完工时间；

5、s2：设定种群中个体总数，设定适应度函数为最大完工时间，设定算法各参数；采用随机选择的方式生成种群中各个体的工艺编码、工序编码和or节点编码，采用全局选择、局部选择和随机选择相结合的方式生成种群中各个体的机器编码和运输机器人编码；

6、s3：对种群中各个体都进行变异和交叉操作，并通过模拟退火的接受准则选择进入下一代种群的个体，更新种群；

7、s4：计算变异、交叉和选择后种群中各个体适应度函数值，记录种群最优个体和种群最优适应度函数值，对种群最优个体进行基于关键路径的变邻域搜索，更新种群最优个体和种群最优适应度函数值，更新全局最优个体和全局最优适应度函数值；

8、s5：重复s3和s4，直到达到预设迭代次数，停止迭代，输出全局最优个体和全局最优适应度函数值，此时全局最优个体即是优化得到的最优调度方案，全局最优适应度函数值即是优化得到的最优完工时间。

9、进一步地，s1具体按照以下步骤进行：

10、s1.1：对于工艺规划与带运输机器人的车间调度集成优化问题作如下假设：工件之间没有加工优先级；每台机器在同一时刻只能加工一个工件；工件一旦开始加工不允许中断；不同工件的工序之间没有先后约束；各个工件工序的准备时间包含在加工时间中；工件的装载和卸载时间包含在加工时间中；运输机器人匀速行驶，忽略起止和转弯等速度变化的时间；运输机器人一次只能负责一个工件的运输；运输机器人的运输过程不允许中断；不考虑运输机器人的充电和故障问题；机器的工件缓冲区无限大；零时刻运输机器人和工件都在毛坯仓库；

11、s1.2：建立调度优化模型如下：

12、f＝min(cmax)＝min(max(ci))，i∈[1，n] (1)

13、公式1表示以最小化最大完工时间为优化目标。

14、约束条件如下：

15、

16、

17、

18、

19、

20、(cijlk×zijlk×xil)+a(1-xil)≥(pijlk×zijlk×xil) (6)

21、

22、

23、s’tijlv≥sijlk (9)

24、s’tijlv≥ctpdbv×(1-βijlxyzk) (10)

25、stijlv≥cijlk (11)

26、stijlv≥c’tijlv (12)

27、sijlk≥stijlv (13)

28、sijlk≥cpdbk×(1-αijlxyzk) (14)

29、εrt＝1，s＝spvxr，t∈[stvxr，ctvxr] (15)

30、

31、公式2表示每个工件只能选择一条工艺路线；公式3表示每道工序只能选择一台机器进行加工；公式4表示每个工件的不同工序不能同时被加工；公式5表示一个机器同一时刻只能加工一个工件；公式6表示任一工件的第一道工序完工时间满足的约束；公式7表示任一工件的最后一道工序完工时间满足的约束；公式8表示一道工序最多只能由一台运输机器人运输；公式9表示运输机器人空载运输的开始时间不早于所运输工件的开工时间；公式10表示运输机器人空载运输的开始时间不早于上次运输任务的结束时间；公式11表示运输机器人负载运输的开始时间不早于所运输工件的完工时间；公式12表示运输机器人负载运输的开始时间不早于空载结束时间；公式13表示某工序的开工时间不早于负载结束时间；公式14表示某工序的开工时间不早于机器前序工序的完工时间；公式15表示某个路段被运输机器人占用后，在该运输机器人驶出路段前，不允许其他运输机器人进入该路段；公式16表示任一时刻一个节点只能容下一台运输机器人；

32、对于工艺规划与带运输机器人的车间调度集成优化模型需要用到的一些符号作定义和说明：n为工件数目；m为机器数目；w为运输机器人数量；gi为工件i所有可选工艺路线的数目；nil为工件i第l条工艺路线包含的工序数目；oijl为工件i第l条工艺路线下的第j道工序；k为工序oijl所对应的可选加工机器；pijlk为工序oijl在机器k上的加工时间；sijlk为工序oijl在机器k上的开始加工时间；cijlk为工序oijl在机器k上的结束加工时间；ci为工件i的完工时间；tijlv为运输机器人v负责工序oijl的运输任务；tkk’为机器k到k’的运输时；s’tijlv为运输任务tijlv中空载运输的开始时间；c’tijlv为运输任务tijlv中空载运输的结束时间；stijlv为运输任务tijlv中负载运输的开始时间；ctijlv为运输任务tijlv中负载运输的结束时间；spvxr为运输机器人v执行其第x个任务驶入第r个路段的节点；cpvxr为运输机器人v执行其第x个任务驶出第r个路段的节点；stvxr为运输机器人v执行其第x个任务驶入第r个路段的节点的时间；ctvxr为运输机器人v执行其第x个任务驶出第r个路段的节点的时间；a为一个非常大的正整数；

33、

34、

35、

36、

37、

38、

39、

40、

41、进一步地，s2具体按照以下步骤进行：

42、s2.1：设定种群中个体总数，设定适应度函数为最大完工时间，设定算法的迭代次数、变异概率、交叉概率和模拟退火的初始温度；

43、s2.2：采用随机选择的方式生成种群中各个体的工艺编码、工序编码和or节点编码，具体步骤为：随机生成一组工艺路线序列，对不符合工艺约束的工艺路线进行约束调整使工艺路线可行，得到工艺编码；对所有工件工序进行随机排列，得到工序编码；对工件中所有or节点随机选择0或1，得到or节点编码；

44、s2.3：采用全局选择、局部选择和随机选择相结合的方式生成种群中各个体的机器编码和运输机器人编码，设定全局、局部和随机选择方式分别所占比例为40％、40％和20％；全局选择生成种群中各个体的机器编码和运输机器人编码的具体步骤为：s2.3.1：设置两个整型数组，一个长度等于机器总数，依次为机器号顺序，数组对应机器上的总负荷，同时初始化数组中每一个元素值为0；一个长度等于运输机器人总数，依次为运输机器人号顺序，数组对应运输机器人上的总移动距离，同时初始化数组中每一个元素值为0；s2.3.2：随机从工件集中选择一个工件，同时选择当前工件的第一道工序；s2.3.3：将当前工序的可选加工机器集中的加工机器的加工时间和数组中相应机器位置的数值相加，将当前工序的可选运输机器人集中的运输机器人的移动距离和数组中相应运输机器人位置的数值相加，但不更新数值；s2.3.4：从相加后的数值中选择最小的那台机器作为当前工序的加工机器并生成对应机器编码；从相加后的数值中选择最小的那台运输机器人作为当前工序选择的运输机器人并生成对应运输机器人编码；s2.3.5：将当前被选择的加工机器的加工时间相加到数组中相应位置机器的加工时间中，将当前被选择的运输机器人的移动距离相加到数组中相应位置运输机器人的移动距离中，更新数组作为下一次选择的依据；s2.3.6：选择当前工件的下一道工序，执行s2.3.3-s2.3.5，直到当前工件的所有工序的加工机器和运输机器人选择完毕；s2.3.7：从工件集中除去已被选择的工件，从剩下的工件集中随机选择一个工件，同时选择当前工件的第一道工序，执行s2.3.3-s2.3.6，直到所有工件被执行完毕；

45、s2.4：局部选择生成种群中各个体的机器编码和运输机器人编码的具体步骤为：s2.4.1：设置两个整型数组，一个长度等于机器总数，依次为机器号顺序，数组对应机器上的总负荷，同时初始化数组中每一个元素值为0；一个长度等于运输机器人总数，依次为运输机器人号顺序，数组对应运输机器人上的总移动距离，同时初始化数组中每一个元素值为0；s2.4.2：选择工件集的第一个工件，同时选择当前工件的第一道工序；s2.4.3：将当前工序的可选加工机器集中的加工机器的加工时间和数组中相应机器位置的数值相加，将当前工序的可选运输机器人集中的运输机器人的移动距离和数组中相应运输机器人位置的数值相加，但不更新数值；s2.4.4：从相加后的数值中选择最小的那台机器作为当前工序的加工机器并生成对应机器编码；从相加后的数值中选择最小的那台运输机器人作为当前工序选择的运输机器人并生成对应机器人编码；s2.4.5：将当前被选择的加工机器的加工时间相加到数组中相应位置机器的加工时间中，将当前被选择的运输机器人的移动距离相加到数组中相应位置运输机器人的移动距离中，更新数组作为下一次选择的依据；s2.4.6：选择当前工件的下一道工序，执行s2.4.3-s2.4.5，直到当前工件的所有工序的加工机器选择完毕；s2.4.7：将数组中的每一位元素的值重新设置为0；s2.4.8：从工件集中除去已被选择的工件，选择工件集中下一个工件，同时选择当前工件的第一道工序，执行s2.4.3-s2.4.7，直到所有工件被执行完毕；

46、s2.5：随机选择生成种群中各个体的机器编码和运输机器人编码的具体步骤为：s2.5.1：选择工件集中的第一个工件，同时选择第一道工序；s2.5.2：在当前选择工序的可选机器集中随机选择一个机器并生成对应机器编码，在当前选择工序的可选运输机器人中随机选择一个运输机器人并生成对应运输机器人编码；s2.5.3：选择当前工件下一道工序，执行s2.5.2，直到当前工件的所有工序的加工机器和运输机器人选择完毕；s2.5.4：选择工件集中的下一工件，同时选择第一道工序，重复s2.5.2-s2.5.3的步骤，直到所有工件选择完毕。

47、进一步地，s3具体按照以下步骤进行：

48、s3.1：依次从种群中选择一个个体作为目标个体，并从种群中随机选择三个不同个体，对三个不同个体通过差分变异操作生成一个变异个体，差分变异操作为两个个体五段编码各位置间之差与变异概率的乘积与另一个个体五段编码各位置之和作为变异个体的五段编码；由于工艺规划与带运输机器人的车间调度集成优化问题编码是离散值，因此采用最大位置值规则对工艺编码、工序编码进行变异，而采用映射取整函数对机器编码、运输机器人编码和or节点编码进行变异；

49、s3.2：生成变异个体后，将目标个体与变异个体进行交叉操作得到试验个体；交叉操作为对个体五段编码各位置生成0到1的随机数，当随机数小于交叉概率时，将变异个体编码位置值赋予试验个体编码位置值，当随机数大于交叉概率时，将目标个体编码位置值赋予试验个体编码位置值；

50、s3.3：生成试验个体后，需要比较试验个体适应度函数值和目标个体适应度值从而选择进入下一代种群的个体；引入模拟退火算法中解的接受准则，按相应概率接受较差个体，且概率随温度变化控制，随着温度的下降，接受较差个体的概率变小；选择操作为当试验个体适应度函数值小于目标个体适应度函数值时选择试验个体进入下一代种群，当试验个体适应度函数值大于目标个体适应度函数值且生成的随机数小于接受概率时选择试验个体进入下一代种群，否则选择目标个体进入下一代；

51、s3.4：重复执行s3.1-s3.3，直到种群中所有个体都进行了变异、交叉和选择操作，从而使得下一代种群中个体数达到总数。

52、进一步地，s4具体按照以下步骤进行：

53、s4.1：计算变异、交叉和选择操作后种群中各个体适应度函数值，记录种群最优个体和种群最优适应度函数值；

54、s4.2：设计三种邻域结构n1、n2和n3，n1通过改变工序编码构建邻域个体，在关键路径的工序和全部工序中，随机选择两个对应工件不同的工序进行交换；n2通过改变机器编码构建邻域个体，在关键路径的工序中随机选择一个工序，并随机选择一个不同机器；n3通过改变运输机器人编码构建邻域个体，在关键路径的工序中随机选择一个工序，并随机选择一个不同运输机器人；

55、s4.3：基于上述邻域结构，变邻域搜索的具体步骤如下：s4.3.1：将种群最优个体作为初始个体x，设定迭代参数b＝1，设定邻域结构数bmax和邻域迭代次数最大值dmax；s4.3.2：若b大于bmax，则将x作为种群最优个体，更新种群最优个体和种群最优适应度函数值，更新全局最优个体和全局最优适应度函数值，否则进入s4.3.3；s4.3.3：随机扰动，将x通过对应下标为b的邻域结构产生一个扰动个体x′；s4.3.4：局部搜索；(1)将扰动个体x′作为初始个体，设定迭代参数d＝1；(2)若d大于cmax，则输出局部最优个体x′，否则进入(3)；(3)将当前个体x′通过对应下标为b的邻域结构产生一个新个体x″，若x″的适应度函数值小于x′的适应度函数值，则x′＝x″；(4)d＝d+1，进入(2)；s4.3.5：若x′的适应度函数值小于x的适应度函数值，则x＝x′，进入s4.3.4，否则，b＝b+1，进入s4.3.2。

56、进一步地，s5具体按照以下步骤进行：

57、重复s3.1-s3.4和s4.1-s4.2，直到达到预设迭代次数，停止迭代，输出全局最优个体和全局最优适应度函数值，此时全局最优个体即是优化得到的最优调度方案，全局最优适应度函数值即是优化得到的最优完工时间。

58、本发明通过一种工艺规划与带运输机器人的车间调度集成优化方法，将工艺规划、车间调度和运输机器人调度进行集成优化，将搬运任务分配到具体的运输机器人上，并且通过改进差分进化算法的初始解生成方法、选择操作以及设计的基于关键路径的变邻域搜索操作，提高算法的收敛性和局部搜索能力。最终得到集成优化模型的最优调度方案。