本發(fā)明涉及車間調(diào)度，特別涉及一種基于遺傳算法的矩陣式車間調(diào)度方法。

背景技術(shù)：

1、隨著工業(yè)水平的不斷提高，傳統(tǒng)制造模式已難以滿足市場變化的需求，同時，市場動態(tài)需求、大規(guī)模批量定制、高性能質(zhì)量等因素均推動著企業(yè)從傳統(tǒng)制造系統(tǒng)向下一代制造系統(tǒng)過渡，具有柔性、可重構(gòu)特點的制造系統(tǒng)成為滿足當(dāng)下需求的重要途徑之一，如德國寶馬慕尼黑工廠rms（reconfigurable?manufacturing?systems,?rms）系統(tǒng)和費斯托（festo）的rms車間。

2、矩陣式生產(chǎn)具有高靈活性、強適應(yīng)性等特點，可根據(jù)訂單的變化快速做出響應(yīng)，合理地調(diào)配資源，提升資源利用率。近年來，隨著信息技術(shù)的發(fā)展，這一概念也在不斷地更新中，如何進行矩陣式車間調(diào)度是當(dāng)下亟需要解決的問題。

技術(shù)實現(xiàn)思路

1、為解決上述問題，本發(fā)明提供了一種基于遺傳算法的矩陣式車間調(diào)度方法，具體技術(shù)方案如下：

2、s1：根據(jù)矩陣式車間特點，通過用例生成器生成相關(guān)數(shù)據(jù)用例；

3、s2：通過msosas編碼，生成染色體，所述染色體包括機器選擇、工序排序和能力預(yù)置；

4、s3：對種群進行初始化設(shè)置，根據(jù)預(yù)設(shè)比例進行全局選擇、局部選擇和隨機選擇，得到選擇后的初始解；

5、進行全局選擇、局部選擇和隨機選擇的具體過程如下：

6、首先ms段中，全局選擇以隨機工件順序，選擇可選機器集中累計加工時間與對應(yīng)機器加工該工序的加工時間之和最小的機器，生成種群；

7、其次ms段中，局部選擇以工件為單位，從第一個工件到最后一個工件順序進行，選擇可選機器集中累計加工時間與對應(yīng)機器加工該工序的加工時間之和最小的機器，生成種群；

8、最后ms段中，根據(jù)預(yù)設(shè)比例，隨機選擇生成種群；

9、s4：對多個染色體進行適應(yīng)度計算；

10、s5：根據(jù)適應(yīng)度和交叉概率，選取預(yù)設(shè)數(shù)量的種群進行機器交叉和工序交叉；

11、根據(jù)適應(yīng)度值和變異概率，選取預(yù)設(shè)數(shù)量的種群進行機器變異和工序變異，生成最優(yōu)的染色體；

12、s6：對所述最優(yōu)的染色體進行解碼，生成工件在加工時的機器選擇、工序排序、預(yù)置能力和加工時間。

13、進一步的，所述相關(guān)數(shù)據(jù)用例包括機器及其預(yù)置能力、工序及其所需能力、加工時間、預(yù)置能力配置時間。

14、進一步的，所述用例生成器在生成用例時，設(shè)置的超參數(shù)包括：工件數(shù)量、機器數(shù)量、工序數(shù)量、機器預(yù)置能力、工件工序需求能力、機器加工時間。

15、進一步的，步驟s2中，編碼生成染色體，具體如下：

16、ms段依次按照工件和工件的工序進行排列，每個整數(shù)表示當(dāng)前工序選擇的加工機器在可選機器集的順序；

17、os段中每個基因用工件號直接編碼，工件號出現(xiàn)的順序表示該工件工序間的先后加工順序，工件號的總出現(xiàn)次數(shù)等于該工件的工序總數(shù)；

18、as段中每個基因由ms上的機器提供的預(yù)置能力和os上工序需求的能力相匹配確定。

19、進一步的，步驟s4中，將最大完工時間作為適應(yīng)度函數(shù)，對多個染色體進行適應(yīng)度計算。

20、進一步的，步驟s5中，生成獲取最優(yōu)的染色體，具體過程如下：

21、隨機生成一個數(shù)，判斷是否需要交叉或變異；

22、若是，則隨機選取預(yù)設(shè)數(shù)量的種群，再生成一個數(shù)，判斷進行機器交叉/變異或工序交叉變異；

23、基于判斷結(jié)果，進行適應(yīng)度計算，根據(jù)適應(yīng)度值和交叉概率或變異概率，篩選保留優(yōu)秀種群，獲得最優(yōu)的染色體。

24、進一步的，步驟s7中，對所述最優(yōu)的染色體進行解碼包括從msosas編碼中讀取機器、配置能力、工序，從機器和工序矩陣中讀取機器當(dāng)前狀態(tài)；

25、所述機器當(dāng)前狀態(tài)包括給定作業(yè)的上道工序結(jié)束時間t_last0_end，機器完成上道工序的結(jié)束時間t_m_end，當(dāng)前工序加工時間pt，當(dāng)前機器重新配置能力時間ast。

26、進一步的，從機器和工序矩陣中讀取機器當(dāng)前狀態(tài)，具體過程如下：

27、m1：判斷當(dāng)前機器是否需要重新配置能力，若是，更新加工時間pt=pt+ast，并執(zhí)行m2，否則執(zhí)行m6；

28、m2：判斷當(dāng)前機器是否存在空閑時間窗并且不小于更新后的加工時間pt，若是，則執(zhí)行m3，否則執(zhí)行m5；

29、m3：判斷時間槽的開始時間是否大于t_last0_end+ast，若是，則置當(dāng)前工序開始時間t_start為t_last0_end，并執(zhí)行m4，否則，執(zhí)行m5；

30、m4：判斷時間槽的結(jié)束時間減去t_last_end是否不小于pt-ast，若是，則置t_start=max(時間槽開始時間，?t_last0_end?-?ast)，并執(zhí)行m6，否則，執(zhí)行m5；

31、m5：置當(dāng)前工序開始時間t_start?=?max（t_lasto_end?–?ast，t_m_end），執(zhí)行m6；

32、m6：判斷當(dāng)前機器是否存在空閑時間窗并且大于pt，若是，執(zhí)行m7；否則，執(zhí)行m8；

33、m7：判斷時間槽的開始時間是否大于t_las0_end，若是，則置當(dāng)前工序開始時間t_start為t_lasto_end，并執(zhí)行m8，否則，執(zhí)行m9；

34、m8：判斷時間槽的結(jié)束時間減去t_last0_end是否不小于pt，若是，則置t_start=max(時間槽開始時間，t_last0_end)，并執(zhí)行m10；否則，執(zhí)行m9；

35、m9：置當(dāng)前工序開始時間t_start?=?max（t_last0_end，t_m_end），并執(zhí)行m10；

36、m10：更新t_end?=?t_start+pt，并更新機器狀態(tài)；

37、m11：進入下一個工序，直到所有工序都解碼完成；

38、m12：計算最大完工時間并繪制甘特圖。

39、本發(fā)明的有益效果如下：

40、本發(fā)明通過對車間數(shù)據(jù)進行分段編碼，生成染色體，對種群進行初始化，按預(yù)設(shè)比例進行全局選擇、局部選擇和隨機選擇得到優(yōu)秀的初始解，接著對多個染色體進行適應(yīng)度計算，根據(jù)適應(yīng)度值和交叉概率，選取預(yù)設(shè)數(shù)量的種群進行機器交叉、工序交叉，根據(jù)適應(yīng)度值和變異概率，選取預(yù)設(shè)數(shù)量的種群進行機器變異、工序變異，以生成最優(yōu)的染色體，最后對所述最優(yōu)的染色體進行解碼，以生成工件在加工時的機器選擇、工序排序、能力預(yù)置和加工時間，能夠根據(jù)訂單的變化快速做出響應(yīng)，解決了矩陣式車間的調(diào)度問題，實現(xiàn)了高靈活性、強適應(yīng)性矩陣式車間的生產(chǎn)調(diào)度，實現(xiàn)了對資源的合理調(diào)配，提升了資源利用率。

技術(shù)特征：

1.一種基于遺傳算法的矩陣式車間調(diào)度方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的基于遺傳算法的矩陣式車間調(diào)度方法，其特征在于，所述相關(guān)數(shù)據(jù)用例包括機器及其預(yù)置能力、工序及其所需能力、加工時間、預(yù)置能力配置時間。

3.根據(jù)權(quán)利要求2所述的基于遺傳算法的矩陣式車間調(diào)度方法，其特征在于，所述用例生成器在生成用例時，設(shè)置的超參數(shù)包括：工件數(shù)量、機器數(shù)量、工序數(shù)量、機器預(yù)置能力、工件工序需求能力、機器加工時間。

4.根據(jù)權(quán)利要求1所述的基于遺傳算法的矩陣式車間調(diào)度方法，其特征在于，步驟s2中，編碼生成染色體，具體如下：

5.根據(jù)權(quán)利要求1所述的基于遺傳算法的矩陣式車間調(diào)度方法，其特征在于，步驟s4中，將最大完工時間作為適應(yīng)度函數(shù)，對多個染色體進行適應(yīng)度計算。

6.根據(jù)權(quán)利要求1所述的基于遺傳算法的矩陣式車間調(diào)度方法，其特征在于，步驟s5中，生成獲取最優(yōu)的染色體，具體過程如下：

7.根據(jù)權(quán)利要求1所述的基于遺傳算法的矩陣式車間調(diào)度方法，其特征在于，步驟s7中，對所述最優(yōu)的染色體進行解碼包括從msosas編碼中讀取機器、配置能力、工序，從機器和工序矩陣中讀取機器當(dāng)前狀態(tài)；

8.根據(jù)權(quán)利要求7所述的基于遺傳算法的矩陣式車間調(diào)度方法，其特征在于，從機器和工序矩陣中讀取機器當(dāng)前狀態(tài)，具體過程如下：

技術(shù)總結(jié)
本發(fā)明公開了一種基于遺傳算法的矩陣式車間調(diào)度方法，包括S1：根據(jù)矩陣式車間特點，通過用例生成器生成相關(guān)數(shù)據(jù)用例；S2：通過MSOSAS編碼，生成染色體；S3：對種群進行初始化設(shè)置，根據(jù)預(yù)設(shè)比例進行全局選擇、局部選擇和隨機選擇，得到選擇后的初始解；S4：對多個染色體進行適應(yīng)度計算；S5：根據(jù)適應(yīng)度和交叉概率，選取預(yù)設(shè)數(shù)量的種群進行機器交叉和工序交叉；根據(jù)適應(yīng)度值和變異概率，選取預(yù)設(shè)數(shù)量的種群進行機器變異和工序變異，生成最優(yōu)的染色體；S6：對最優(yōu)的染色體進行解碼，生成工件在加工時的機器選擇、工序排序、預(yù)置能力和加工時間。本發(fā)明解決了矩陣式車間的調(diào)度問題，實現(xiàn)了高靈活性、強適應(yīng)性矩陣式車間的生產(chǎn)調(diào)度。

技術(shù)研發(fā)人員：史建成,侯俊利,杜小東,林晨陽,漆中華
受保護的技術(shù)使用者：中國電子科技集團公司第二十九研究所
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6