基于GEP-DES的柔性流水车间机器与AGV集成实时调度方法

智能制造背景下,考虑机器与AGV集成实时调度对整个生产系统效率提高具有重要的意义。针对工件动态到达、加工时间存在波动的情况,提出一种将基因表达式编程算法与离散事件仿真(GEP-DES)相结合的实时调度方法以解决基于最小化最大完工时间为目标的机器与AGV集成调度模型。该方法在离线阶段设计三段式编码的GEP算法以描述机器与AGV集成运作过程,借助DES过程获取目标函数值以对GEP指标性能进行评估,最终挖掘出高质量的调度规则。挖掘出的调度规则与在线阶段车间实时工况信息交互以实现机器与AGV集成的实时调度。最后,将所提方法与传统调度规则方法进行对比,实验结果验证了所提方法的有效性与优越性。研究成果为快速响应柔性流水车间生产中的机器与AGV集成实时调度提供了方法支持。     

考虑多时间因素的绿色可重入混合流水车间调度问题

针对同时考虑顺序相关调整时间和运输时间等多时间因素的绿色可重入混合流水车间调度问题(GRHFSP-MTF),以最小化最大完工时间和总能耗为目标建立双目标优化模型。针对GRHFSP-MTF的特点,提出一种混合文化基因算法(HMA)。首先,提出了基于工序、机器和转速的三层编码策略;然后,设计了基于贪婪机器选择和完全随机的种群初始化方法、交叉和变异算子以及5种邻域搜索算子;最后,在不改变机器分配和工件排列的前提下,基于降低机器转速手段设计了节能算子。大量仿真实验表明,HMA可以有效地求解考虑多时间因素的绿色可重入混合流水车间调度问题,并具有较强的优越性。     

基于Q学习的智能车间自适应调度方法

为降低智能车间中动态不确定因素对生产性能的影响,提出一种基于Q学习的智能车间自适应调度方法。该方法设计基于强化学习的智能车间自适应调度框架,采用Q学习算法,通过智能体—环境交互试错机制,自主训练调度模型,并根据生产车间环境变化动态更新调度模型,以支持能够指导车间运行的最优决策轨迹的生成。所提方法在MiniFab半导体生产线模型上进行了验证,结果证明该方法能够有效应对智能车间生产环境变化,在生产全过程中能对调度决策进行实时调整,优化车间综合性能指标,同时显著降低时间与人力成本。     

基于深度强化学习的非置换流水车间调度问题

针对传统调度算法不能有效利用历史数据进行学习,实时性较差而难以应对复杂多变的实际生产调度环境等问题,首次提出一种基于时序差分法的深度强化学习算法.该方法综合神经网络和强化学习实时性、灵活性的优势,直接依据输入的加工状态进行行为策略选取,更贴近实际订单响应式生产制造系统的调度决策过程.通过将调度问题转化为多阶段决策问题,...     

混合流水车间调度问题研究综述

混合流水车间在流水车间的基础上,在所有或部分阶段引入多台可选择的并行机器,提高了车间的生产能力和柔性,是车间调度领域的研究热点之一。按阶段数和机器特征对混合流水车间调度方法进行了综述,系统总结了实际工程背景下相关扩展问题的研究现状,并指出了当前研究中存在的问题和可能的解决途径。结合运筹学的发展趋势,对混合流水车间调度在新兴领域中的应用前景进行了探讨。最后,指出了未来若干可能的研究方向。     

考虑准备时间的分布式两阶段混合流水车间调度

针对准备时间依赖于顺序的分布式两阶段混合流水车间调度问题(DTHFSP),提出一种双变邻域搜索(DVNS)算法以同时最小化总延迟时间和最大完成时间。由于该问题子问题较多,将工厂分配和第一阶段的机器分配合并以减少子问题的数量。DVNS包含两个相互协作的变邻域结构,每个变邻域结构都加入全局搜索算子,并应用了邻域搜索和全局搜索协调、邻域结构的合理配置以及当前解的周期性更新等策略。通过大量实例的对比实验表明,DVNS在求解DTHFSP方面具有较强的优势。     

基于引力搜索算法的混合零空闲置换流水车间调度

针对以最小化总流水时间为目标的混合零空闲流水车间调度问题,提出一种有效的贪婪引力搜索算法(GGSA)进行求解.引入了基于升序排列(ROV)规则的编码方式,使引力搜索算法(GSA)能够应用于离散优化问题;其次,对GSA进行了改进:在初始化中加入NEH(Nawaz-Enscore-Ham)启发式规则构造高质量的初始解,以提高搜索效率;引入可变迭代贪婪(vIG)算法,利用其较强的局部开发能力,提高算法精度;同时,在vIG算法中加入参照插入方案(RIS)和模拟退火收敛判据,前者可以加强局部搜索能力、加快收敛速度,后者可以帮助算法在一定程度上跳出局部最优.最后,通过对典型测试算例进行仿真,验证了所提出算法的有效性.     

计算机辅助机加工车间实时调度

在4种经典排序问题及算法的基础上,提出12种排序问题及算法,给出该算法的软件和硬件实现方法,为解决中小型通用机械制造企业的生产调度问题,提供了一套切实可行的方案。     

有效的混合粒子群算法求解阻塞流水车间调度问题

针对以最小化完工时间为目标的阻塞流水车间调度问题,提出了一种混合粒子群算法进行求解。该算法将粒子群算法与迭代贪婪算法进行了结合。利用改进的迭代贪婪算法产生问题初始优化解,利用粒子群算法进行全局优化。针对粒子群算法易早熟收敛的特点,提出一种判断粒子停滞和粒子群早熟的方法,并在发现种群早熟后利用迭代贪婪算法的构造操作和毁坏操作对相关粒子进行变异,同时按照一定比例对最差的部分粒子进行重新初始化,以增加种群多样性。通过标准实例测试,验证了所提算法的有效性。     

数据驱动下的动态柔性作业车间调度研究

柔性作业车间调度问题是一种典型的NP-Hard问题,在生产过程中,调度方案会因各种意外事件的发生而变化。针对柔性作业车间调度问题的实时性、动态性的特点,构建了基于数据驱动的柔性作业动态调度的数学模型。首先通过数据感知设备监测车间中发生的变化,实时传输到服务器上,然后根据车间生产状况所发生的变化,依据服务器上的调度规则重新调整调度方案。最后通过某制造企业的调度方案和车间环境变化时的调整方案,验证了基于数据驱动的实时动态调整调度方案的可行性和有效性。     

考虑工时不确定的混合流水车间滚动调度方法

针对加工时间不确定的混合流水车间动态调度问题,提出一种基于滚动窗口的改进蚁群算法。为实现对事件驱动机制下重调度发生频率的有效缓冲,设计基于交货期偏差容忍度的滚动调度策略。同时为提高调度算法的计算效率,以应对现实生产中工时偏差的频繁发生,在滚动时域分解方法框架下提出一种改进的蚁群算法。一方面,通过压缩蚂蚁可选路径限制其移动范围,在缩短蚂蚁搜索周期的同时寻求新的解;另一方面,通过适当刺激蚂蚁尝试具有较弱信息素路径,提高所得解的全局性。通过实例仿真,分别对滚动调度策略和动态调度算法性能进行分析验证,得出较优的滚动调度策略参数,并验证了算法的优越性。最后给出实际生产算例,验证了滚动调度方法的有效性。     

混合流水车间调度问题的果蝇优化算法求解

针对不相关并行机混合流水车间调度问题,根据果蝇优化算法种群更新方式的特点,采用基于权重的编码方式进行编码操作,通过增加权重系数来提高算法的随机搜索能力。对算法参数的设置进行了分析,得到了最优参数组合。采用标杆实例进行仿真验证并与经典算法进行对比,验证了果蝇优化算法的有效性。     

[车间调度]混合工作日历下作业车间调度遗传进化方法

针对一类混合工作日历下的作业车间调度问题,提出了一种遗传进化方法。构建了混合工作日历下以生产周期最短为优化目标的作业车间调度优化模型;提出了基于工作日历的时间推算方法,设计了遗传算法对这类问题进行求解。算法采用基于工序的编码方式;遗传操作中采用遗传算子改进策略保证子代个体的可行性,降低了计算量;解码操作中采用了基于工作日历的时间推算方法来准确计算工序的起止时刻,并采用两种技术缩短生产周期。通过案例分析验证了所提方法的有效性。     

蚁群算法求解混合流水车间分批调度问题

为解决混合流水车间分批调度问题,提出一种三级递阶结构的蚁群算法.算法中,第一级蚁群算法设计了一种批量大小动态结合的柔性分批策略,完成产品的批次划分;第二级蚁群算法考虑工件在各设备的加工时间和设备可用能力,设计蚂蚁设备间的转移概率,完成工序约束下各批次的设备选择;第三级蚁群算法考虑同一设备上批次顺序相关的换批时间,设计蚂蚁批次间的转移概率,完成各设备的批次排序.通过实例仿真,分别对分批算法和混合流水车间调度算法性能进行比较分析和评价,结果表明了算法的有效性和优越性.最后从生产实际出发给出算例,验证了算法的有效性和对生产实践的指导作用.     

增强型混合离散差分进化算法求解阻塞流水车间调度问题

针对以最小化制造期为优化目标的阻塞流水车间调度问题,提出一种基于动态自适应的增强型混合离散差分进化算法。增强型混合离散差分进化算法采用基于工件排列的形式进行编码,首次利用带机器权重的PF规则与NEH启发规则联合构造初始种群,PF-NEH联合规则提升了初始解的质量和多样性;在差分进化的变异阶段,采用一种全新的分类变异策略,更有针对性地控制不同适应度个体的变异需求和方向;在交叉阶段,采用基于位置的交叉策略,保证得到一组合法完整的实验调度序列,并利用贪婪选择的方式确定目标个体;在局部搜索阶段,加入禁忌搜索算子,并融入一种新颖的兼顾集中性与多样性的自适应局部搜索机制,以动态平衡算法的全局粗搜索和局部细搜索。此外,为避免算法的早熟及后期易陷入局部最优,增加了多样性保持机制。最后,在典型算例上进行各种性能实验,验证了所提出的增强型混合离散差分进化算法的有效性和优越性。     

基于深度强化学习的作业车间调度问题优化

针对作业车间调度问题求解的复杂性,以最小化最大完工时间为目标,提出基于深度强化学习优化算法求解作业车间调度问题。首先,基于析取图模型构建深度强化学习的调度环境,并建立三通道状态特征,设计20种复合启发式调度规则作为动作空间,将奖励函数等价为机器利用率;利用深度卷积神经网络搭建动作网络和目标网络,以状态作为输入,输出每个动作的Q值,进而使用行动有效性探索和利用策略选取动作;最后,计算即时奖励和更新调度环境。使用标准案例验证了算法可以平衡求解质量和时间,训练好的智能体对非零初始状态下调度问题具有很好的泛化性。     

含串行批处理机的三阶段混合流水车间调度问题

基于钢铁行业炼钢-连铸-热轧一体化生产作业,提炼出新的三阶段混合流水车间调度问题。其中第二阶段有多台串行批处理机而其他阶段为离散机,批加工时间等于同一批内所有工件在第二阶段的加工时间之和,且考虑了设备需要调整时间等实际生产特征。以最小化总加权完成时间为目标函数,对该问题建立数学模型,提出基于工件分解策略的拉格朗日松弛算法,引入拉格朗日乘子将机器能力约束和批加工约束松弛到目标函数中,进而将形成的松弛问题分解为较易求解的多个工件级子问题,利用动态规划算法求解子问题,设计启发式算法将松弛问题的解转换为原问题的可行解。仿真实验表明,所设计的算法能够在可接受的运行时间内得到较好的近优解。     

基于强化学习的柔性作业车间动态调度算法研究

随着制造模式往多品种、小批量的转变,车间生产过程变得复杂多变,传统的依赖于人工和静态式的调度方法已经无法适应实际的车间环境。为此,设计一种基于马尔可夫决策过程的柔性作业车间调度模型。以车间环境作为状态空间,以设备选择作为动作空间,以最小化完工时间作为调度目标,将柔性作业车间调度视为序列化决策问题,使用一种基于策略梯度下降的深度学习方法训练该模型,在仿真环境中对该算法进行验证。结果表明：本算法降低了总完工时间,均衡了机器负载,提高了生产效率和调度智能性。     

基于混合蚁群算法的顺序流水车间调度优化研究

针对最大-最小蚂蚁系统在求解顺序流水车间调度问题时易陷入局部最优的问题,对提升算法求解质量进行了研究。将最好-最坏蚂蚁系统的正负反馈机制、变异机制和模拟退火算法中Metropolis准则引入到最大-最小蚂蚁系统的信息素更新环节中,并引入局部寻优,提出了一种混合蚁群算法。在典型测试集上的实验表明,新算法在顺序流水车间调度问题上所得结果普遍优于最大-最小蚂蚁系统,具有更好的全局寻优能力。