本發(fā)明涉及生產計劃和調度協(xié)同領域，具體涉及一種基于改進粒子群優(yōu)化算法的生產計劃和調度協(xié)同方法、系統(tǒng)、存儲介質和電子設備。

背景技術：

1、近年來，新能源汽車動力電池的發(fā)展取得了顯著進展。在此背景下，為了提高企業(yè)競爭力，必須充分利用現有生產資源，設計合理的新能源動力電池的生產計劃和調度計劃。

2、相關技術中，論文(vieira?m,moniz?s,b?s,et?al.a?two-leveloptimisation-simulation?method?for?production?planning?and?scheduling:theindustrial?case?of?a?human-robot?collaborative?assembly?line[j].internationaljournal?of?production?research,2022,60(9):2942-2962.)研究了多階段裝配線的生產計劃和任務調度集成問題，以最小化運營成本和完成時間為目標，建立了兩級milp模型，開發(fā)了一種基于遞歸優(yōu)化的模擬方法(rosa)，求解多階段裝配線計劃和調度協(xié)同的最優(yōu)方案。

3、然而，上述方案只考慮了多階段裝配線的調度問題。在新能源動力電池的生產過程中涉及多個復雜的環(huán)節(jié)，電池包通常分為三個層級：電芯、模組和電池包?；诖松a特性，必須在分布式流水車間的基礎上增加裝配階段才能讓研究問題更符合實際生產情況。

技術實現思路

1、(一)解決的技術問題

2、針對現有技術的不足，本發(fā)明提供了一種基于改進粒子群優(yōu)化算法的生產計劃和調度協(xié)同方法、系統(tǒng)、存儲介質和電子設備，解決了新能源汽車動力電池的分布式帶裝配流水車間調度的技術問題。

3、(二)技術方案

4、為實現以上目的，本發(fā)明通過以下技術方案予以實現：

5、一種基于改進粒子群優(yōu)化算法的生產計劃和調度協(xié)同方法，包括：

6、獲取生產資源與產品需求量；

7、基于所述生產資源與產品需求量，將生產計劃周期均勻劃分為若干個生產調度周期，以最小化總成本為目標，構建應用于所有生產計劃周期的上層計劃模型，并以最小化最大完工時間為目標，構建應用于單個生產調度周期的下層調度模型；

8、采用基于差分擾動策略的改進粒子群優(yōu)化算法求解所述上層計劃模型，獲取每一所述生產調度周期內的最優(yōu)生產計劃；

9、采用啟發(fā)式算法求解所述下層調度模型，獲取單個生產調度周期內的最優(yōu)調度方案，以滿足相應的最優(yōu)生產計劃。

10、優(yōu)選的，所述上層計劃模型包括：

11、

12、

13、其中，式(1)表示最小化總成本，包括庫存持有成本與延期交付的懲罰成本；min表示最小化函數，tc表示總成本；t表示生產調度周期索引，t表示生產調度周期的數量；p表示產品索引，p表示產品數量；up表示p類產品的單位庫存持有成本；ipt表示t周期末，p類產品的庫存持有量；cp表示p類產品每周期的單位延期交付懲罰成本；rpt表示t周期末，p類產品延遲交付的缺貨數量；

14、約束(2)表示t周期末的庫存水平ipt等于前一周期的庫存水平ip(t-1)加上當期產品的生產/裝配數量qpt減去當期的產品需求量dpt；

15、約束(3)給出了周期內生產能力的上限；bpt為二進制變量，若產品p在周期t內生產，則為1，否則為0；wpt表示t周期內，p類產品的生產/裝配量qpt的上限；

16、約束(4)和約束(5)分別給出變量qpt、bpt的定義域。

17、優(yōu)選的，所述下層調度模型包括：

18、min?cmax??(6)

19、

20、

21、其中，式(6)表示最小化最大完工時間；cmax表示整個調度序列的加工完成時間；

22、約束(7)表示一個工件只能分配給一個工廠；i表示工件索引，j表示工件的數量；h表示加工順序索引，h表示加工順序的數量；f表示工廠索引，f表示工廠數；xihf為二進制變量，若工件i被分配到工廠f的第h個加工順序，則為1，否則為0；

23、約束(8)表示一個工件只能分配給一個工廠的一個加工順序；

24、約束(9)和約束(10)表示一個工件只有在前一臺機器上加工完畢后，才能開始在當前機器上的加工；j表示機器索引，m表示單個工廠內的機器的數量；c(j-1)hf、cjhf分別表示工件在工廠f的機器j-1和機器j上的第h個加工順序；pij表示工件i在機器j上的加工時間；

25、約束(11)表示相鄰工件之間加工完成的時間關系；cj(h-1)f表示工件在工廠f的機器j上的第h-1個加工順序；pij表示工件i在機器j上的加工時間；

26、約束(12)和約束(13)表示在裝配階段中，一個產品有且僅有一個緊前產品，并且有不超過一個的后續(xù)產品；ypq表示為二進制變量，若產品q緊跟在產品p之后，則為1，否則為0；

27、約束(14)表示產品的裝配工作在該產品的所有工件生產完成之后才會開始；cap表示產品p在裝配階段的完成時間；cim表示工件i在工廠內最后一臺機器m上加工完成的時間；gip為二進制變量，若工件i屬于產品p，則為1，否則為0；pap表示產品p在裝配階段的裝配時間；

28、約束(15)規(guī)定了產品的裝配完成時間；ch表示工廠的第h個加工順序的裝配完成時間；yph表示二進制變量，若工廠內的加工順序h緊跟在產品p之后，則為1，否則為0；w表示一個足夠大的正數；

29、約束(16)規(guī)定了產品間的順序關系；ch-1表示工廠的第h-1個加工順序的裝配完成時間；

30、約束(17)表示最大完工時間等于最后一個產品的裝配完成時間；

31、約束(18)到約束(22)分別給出變量cjhf、cap、xihf、ypq、gip的定義域。

32、優(yōu)選的，所述采用基于差分擾動策略的改進粒子群優(yōu)化算法求解所述上層計劃模型，獲取每一所述生產調度周期內的最優(yōu)生產計劃；包括：

33、s31、令迭代次數k＝0，初始化種群規(guī)模、粒子的速度和位置、適應度、個體歷史最優(yōu)解pbest和全局最優(yōu)解gbest，初始化粒子群優(yōu)化算法參數；其中每個粒子的位置由一個可能的生產計劃編碼得到；

34、s32、基于式(1)，計算種群中各粒子的適應度，更新個體歷史最優(yōu)解pbest和全局最優(yōu)解gbest，并計算當前粒子群的平均適應度值

35、s33、使用差分策略和擾動策略對粒子進行位置和速度的更新：

36、從優(yōu)于平均適應度值的粒子集合中隨機選取一個粒子，記它的位置為xu，從劣于平均適應度值的粒子集合中隨機選取一個粒子，記它的位置為xl，以xu-xl作為差分項，使用差分策略對當前粒子進行位置和速度的更新，將更新后的當前粒子的位置和速度分別記為s1和v1；

37、以及使用擾動策略擾動全局最優(yōu)解gbest，以對當前粒子進行位置和速度的更新，將更新后的當前粒子的位置和速度分別記為s2和v2；

38、s34、計算適應度值，若f(s1)<f(s2)，則使用s1和v1作為當前粒子的位置和速度，否則使用s2和v2作為當前粒子的位置和速度；對比當前粒子的新位置與其歷史最優(yōu)位置，如果當前粒子的新位置優(yōu)于其歷史最優(yōu)位置，則更新個體歷史最優(yōu)解pbest；檢查當前的個體歷史最優(yōu)解pbest是否優(yōu)于全局最優(yōu)解gbest，若是則更新全局最優(yōu)解gbest；

39、s35、k＝k+1；

40、s36、重復s32～s35，直到達到最大迭代次數或全局最優(yōu)解gbest不再顯著改進時，終止算法流程，輸出全局最優(yōu)解gbest，并解碼得到每一所述生產調度周期內的最優(yōu)生產計劃。

41、優(yōu)選的，所述每個粒子的位置由一個可能的生產計劃編碼得到，所采用的編碼規(guī)則具體是指：

42、在大小為n的種群中，索引為i、屬于第k次迭代的粒子的位置被表示為k表示最大迭代次數，k＝1，2，...，k；

43、

44、其中，每個粒子的位置對應一個可能的生產計劃；q表示生產計劃矩陣，矩陣的維度是p×t。

45、優(yōu)選的，所述使用差分策略和擾動策略對粒子進行位置和速度的更新，所使用的更新公式具體包括：

46、(1)粒子位置更新公式：

47、xi(k+1)＝xi(k)+vi(k+1)????(23)

48、(2)引入差分策略的粒子速度更新公式：

49、

50、(3)引入擾動策略的粒子速度更新公式：

51、vi(k+1)＝ωvi(k)+c1r1(pbest-xi(k))+c2r2(g′best-xi(k))??(25)

52、g′best＝n(gbest，σ)??(26)

53、

54、其中，xi(k+1)、xi(k)分別表示第k+1、k次迭代粒子i的位置；

55、vi(k+1)、vi(k)分別表示第k+1、k次迭代粒子i的速度；

56、ω為慣性權重，表示當前粒子受上一代迭代影響的權重；

57、r1、r2、r3分別為(0，1)之間的隨機數；

58、c1、c2均為學習因子，分別代表粒子對自身歷史最佳位置和全局最佳位置的依賴程度；

59、c3為控制因子，表示調節(jié)粒子向有益方向飛行的權重，用于控制差分項(xu-xl)對粒子速度更新的影響；

60、g′best表示對當前的全局最優(yōu)解加以擾動后的位置；

61、n(gbest，σ)表示一個以全局最優(yōu)解gbest為均值，以σ為標準差的正態(tài)分布；

62、σmax表示最大擾動幅度的初始值，設定為一個常數值，用以控制擾動的初始強度，表示當前迭代次數k和最大迭代次數k之間的比值；

63、c是控制因子，控制σ隨著迭代次數的非線性遞減速度，c值取常數。

64、優(yōu)選的，所述采用啟發(fā)式算法求解所述下層調度模型，獲取單個生產調度周期內的最優(yōu)調度方案，以滿足相應的生產計劃；包括：

65、s41、生成產品工件序列：

66、采用基于最短處理時間規(guī)則的neh啟發(fā)式算法，生成產品pl的工件序列πl(wèi)＝[πl(wèi)(1)，πl(wèi)(2)，...，πl(wèi)(hl)]，nl是產品pl包含的工件數量；

67、s42、生成產品序列：

68、采用nr2規(guī)則，將產品pl的工件序列πl(wèi)＝[πl(wèi)(1)，πl(wèi)(2)，...，πl(wèi)(nl)]分配給工廠，計算產品pl的最早可能開始裝配時間el，l＝1,2，...，p；

69、基于el的非降序排列結果，生成產品序列σ＝[σ(1)，σ(2)，...，σ(p)]；其中對于具有相同最早可能開始裝配時間的產品，優(yōu)先處理工件數量較少的產品；

70、s43、生成工件的最終調度序列：

71、基于產品pl的工件序列πl(wèi)＝[πl(wèi)(1)，πl(wèi)(2)，...，πl(wèi)(nl)]與產品序列σ＝[σ(1)，σ(2)，...，σ(p)]，生成最終調度序列δ＝[δ(1)，δ(2)，...，δ(n)]；

72、s44、將工件分配給工廠：

73、采用nr2規(guī)則，將最終調度序列δ＝[δ(1)，δ(2)，...，δ(n)]的工件分配給各個工廠，確定各工廠上的工件加工順序；

74、s45、生成產品的最終裝配序列：

75、計算每個產品的最早裝配時間el，l＝1,2，...，p，基于el的非降序排列結果，生成產品最終裝配序列σ′＝[σ′(1)，σ′(2)，...，σ′(p)]；其中對于具有相同最早可能開始裝配時間的產品，優(yōu)先處理工件數量較少的產品。

76、一種基于改進粒子群優(yōu)化算法的生產計劃和調度協(xié)同系統(tǒng)，包括：

77、獲取模塊，用于獲取生產資源與產品需求量；

78、構建模塊，用于基于所述生產資源與產品需求量，將生產計劃周期均勻劃分為若干個生產調度周期，以最小化總成本為目標，構建應用于所有生產計劃周期的上層計劃模型，并以最小化最大完工時間為目標，構建應用于單個生產調度周期的下層調度模型；

79、求解模塊，用于采用基于差分擾動策略的改進粒子群優(yōu)化算法求解所述上層計劃模型，獲取每一所述生產調度周期內的最優(yōu)生產計劃；

80、以及用于采用啟發(fā)式算法求解所述下層調度模型，獲取單個生產調度周期內的最優(yōu)調度方案，以滿足相應的最優(yōu)生產計劃。

81、一種存儲介質，其存儲有用于基于改進粒子群優(yōu)化算法的生產計劃和調度協(xié)同的計算機程序，其中，所述計算機程序使得計算機執(zhí)行如上所述的生產計劃和調度協(xié)同方法。

82、一種電子設備，包括：

83、一個或多個處理器；存儲器；以及一個或多個程序，其中所述一個或多個程序被存儲在所述存儲器中，并且被配置成由所述一個或多個處理器執(zhí)行，所述程序包括用于執(zhí)行如上所述的生產計劃和調度協(xié)同方法。

84、(三)有益效果

85、本發(fā)明提供了一種基于改進粒子群優(yōu)化算法的生產計劃和調度協(xié)同方法、系統(tǒng)、存儲介質和電子設備。與現有技術相比，具備以下有益效果：

86、本發(fā)明中針對新能源電池產品加工的生產特征，提出多周期生產計劃與分布式帶裝配流水車間調度的集成問題，并采用基于差分擾動策略的改進粒子群優(yōu)化算法求解上層計劃模型，獲取每一生產調度周期內的最優(yōu)生產計劃，充分發(fā)揮兩種策略的互補優(yōu)勢，以及在下層調度中考慮分布式帶裝配流水車間調度問題，并采用啟發(fā)式算法求解，獲取單個生產調度周期內的最優(yōu)調度方案，以滿足相應的最優(yōu)生產計劃。本發(fā)明適用于新能源電池產品的現實生產過程，能夠在有限的時間內為企業(yè)制定合理的生產計劃和調度方案，為企業(yè)提供科學決策支持。