《2022年分析生产调度干扰监管算法.docx》由会员分享，可在线阅读，更多相关《2022年分析生产调度干扰监管算法.docx（6页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、2022年分析生产调度干扰监管算法1引言 21世纪的制造企业面临的是众多客户群体各种各样的需求,多品种、中小批量的生产需求已经成为企业生产运行的常态,制造系统的关键越来越集中地体现为生产调度的敏捷性与精确性。企业的生产是一个困难的过程,在某种程度上说,“动态”是“正常”的生产,一成不变的静态生产是不存在。例如,生产环境的改变、生产资源获得状况的变更以及不行预知的灾变事务等等这些异样的状况都会影响生产,以上干扰事务使得与当前生产安排的偏离是不行避开的,假如干扰事务不能适当和刚好地处理,这个偏离会严峻影响企业的效益、管理效率、顾客满足度和核心竞争力。因此,在干扰事务发生状况下的生产调度已经成为一个
2、新兴的探讨领域,有利于指导企业应对日常动态生产过程中突发事务的应用实践。所谓调度1,就是为了实现某一目的而对共同运用的资源进行时间上的安排。从数学规划的角度来说,生产调度问题可表述为在等式或不等式约束下,对目标函数所进行的优化。现代典型的生产调度问题就是2:将作业均衡地支配到各机床上,并合理地支配作业的加工次序和加工起先时间,在满意约束条件的同时优化一些性能指标。但在生产调度调度中,常常会有不确定因素发生,也就是干扰事务的发生。关于干扰的探讨早在20世纪70年头80年头就已经起先,但是直到90年头干扰管理这一概念才明确提出。干扰管理3被定义为在安排起先阶段,用优化模型和求解算法得出一个好的运行
3、安排;安排实施中,由于内外部不确定因素导致干扰事务的发生,使原安排变得不行行,须要实时地产生新安排,新安排要考虑到原来的优化目标,同时又要使干扰带来的负作用最小化。目前国内外探讨多集中于航空调度、供应链管理、物流技术以及信息系统等方面。在航空调度领域,Jarrah等学者4探讨了航空领域里,遭受到干扰时间影响航班的正常运行时,如何应用干扰管理的方法有效地化解这些影响,保证航班正常运行。Larsen等学者5在处理某个航班任务被干扰事务破坏,导致影响整个航班被迫调整,采纳干扰管理的思想产生启发式算法,重新调度航班的运行、航班的取消以及航班的变更问题。Smith6等探讨了将飞机及机组人员作为优先资源的
4、状况下,如何能保证在干扰状况下维持持续有效的航空调度实力,从而保障有效的运力供应和最好的经济性能。干扰管理方法出现的较晚,虽有些探讨成果,但很不全面,在生产调度领域应用范围表现为这些探讨大都集中在单机以及平行机的生产环境下,较为困难的流水车间调度,作业车间调度和自由车间调度以及更加困难的生产环境下的干扰管理应用探讨明显不足。干扰管理的方法与生产调度系统中已有的应对不确定性的方法如重调度、鲁棒性以及找寻稳定的调度方法之间的区分和联系还未得到明确,如何在生产调度系统中合理运用这些方法才能使得整个生产系统有序高效地运转,这将是干扰管理应用于生产调度中的关键,是特别必要的。流水车间调度问题(Flow-
5、shopSchedulingProblem,FSP),又称为同序作业调度问题,是与城市不对称状况下的货郎担问题(TSP)难度相当的同一类型NP完全问题中最困难的问题之一。它把很多实际流水线生产调度问题简化成模型,也是目前车间调度探讨中最广泛的一类典型调度问题,在离散制造工业和流程工业中都具有广泛的应用,具有肯定的代表性。针对这些状况,本文将干扰管理与流水线车间调度问题结合起来,建立流水线干扰管理调度模型,并利用微粒群算法来解读这一模型。 2流水线干扰管理调度模型 在一个成组流水线上或成组加工的生产单位里,常常会遇到这样一个问题:有n种零件须要在m台设备上加工,这些零件的工艺路途完全相同,在月初
6、支配生产安排时,他们同时到达车间。如何支配这些零件的加工依次,才能使全部零件全部加工完的总流程时间(即全部零件的总生产周期)为最小或者使各零件的平均流程时间(即零件的平均生产周期)为最小,这就是一个比较普遍的Flow-shop排序问题7。而干扰调度问题为原定工件集合调度安排已完成,新工件集合在加工前突然到达,对整个调度系统产生冲击干扰,目标包括全部工件集合调度的原工件的预定目标以及原工件的干扰时间差的混合。当目标函数最小时,干扰工件对原调度产生的偏离最小。对该问题经常作如下假设:(1)每个工件在机器上的加工依次是给定的;(2)每台机器同时只能加工一个工件;(3)一个工件不能同时在不同的机器上加
7、工;(4)工序不能预定;(5)工序的打算时间与依次无关,且包含在加工时间中;(6)工件在每台机器上的加工依次相同,且是确定的。令c(ji,k)表示工件ji在机器k上的加工完成时间,ti,j表示工件i在机器j上的加工时间,*表示最优调度排序,cmax()表示调度排序的最大完成时间,又称为makespan,{j1,j2,jn}表示工件的调度,k=1,2,m。对于无限中间存储方式,n式(3)式(6)表示最大完工时间和干扰时间差混合问题的目标函数。以上模型建立在对原安排调度已经建立最优调度*的基础上,其中式中表示原工件按时完工的重要程度,越大,干扰对目标函数的影响也越大,反映原工件
8、的按时完工的重要性。 3微粒群优化算法在FSP问题中的应用 对于Flow-shop这类排序问题,很多科技工作者进行了大量的探讨,提出了很多算法,如分支定界法8、线性规划法、动态规划法、启发式算法9和免疫算法10等。但每种算法都存在着肯定的不足,本文中引入微粒群算法来求解Flow-shop问题。现假设在Flow-shop问题中有n个工件须要在m台机器上加工,令c(ji,k)表示工件ji在机器k上的加工时间,{j1,j2,jn}表示工件的调度,k=1,2,m,共有n*m个加工时间。在PSO中,我们把某一种工件的调度依次看作是一个粒子,在这种工件的调度依次下形成的流程总时间看作是
9、该粒子的适应值,适应值越小越好。为了将微粒群优化算法运用到FlowShop调度问题等组合优化问题上,须要对微粒的位置和速度做出重新定义。设一共有n个工件,不妨设某个位置X=(x1,x2,xn),该位置的速度为V=(v1,v2,vn)。通俗地说,每一个微粒的位置就是该批工件的加工依次,而速度就是对加工依次的修正数。P=(p1,p2,pn),Pi为微粒i所经验的最好位置,也就是微粒i所经验的具有最好适应值的位置,成为个体最好位置。Pg则是指微粒群中全部微粒所经验过的最好位置,成为全局最好位置。设置参数及初始值,包括种群数pop_size,惯性权值,学习因子c1和c2,初始速度V,最大速度Vmax,
10、 4算法测试与分析 4.1六工件四机器的干扰调度仿真试验当原定工件集合调度安排已完成,新工件集合在加工前突然到达,对整个调度系统产生冲击干扰,目标包括全部工件集合调度的原工件的预定目标以及原工件的干扰时间差的混合。当目标函数最小时,干扰工件对原调度产生的偏离最小。现举例一个4机器6工件的Flow-shop干扰调度问题,工件6为干扰工件。该问题的工件加工时间如表1所示;仿真结果的最优解数据如表2所示。 4.2八工件四机器的干扰调度仿真试验现举例一个8工件4机器的Flow-shop干扰调度问题,工件6、7和8为干扰工件。该问题的工件加工时间如表3所示;仿真结果的最优解数据如表4所示。5结束语本文针对流水线车间的干扰管理问题的特别性,运用微粒群优化算法的基本理论对它求解,实践证明微粒群优化算法在收敛速度和寻优实力上有独特的优越性。现在微粒群算法在国内外的流水线车间干扰管理问题中都探讨得比较少,虽然微粒群算法在流水线车间干扰管理问题中的应用还存在着许多改进,但可以作为一个新的探讨方向,开展各项有意义的探讨工作。