考虑人员装卸时间的作业车间调度问题
发布时间：2020-12-17 05:28
在作业车间(JobShop)调度问题中,以最小化完工时间为目标,考虑了设备距离和工序的装卸作业时间两个影响因素,建立了考虑人员装卸时间的"一人多机"的并行工作调度模型,并设计了改进的人工蜂群优化算法进行求解。算法中,只设定种群规模,通过引领蜂和跟随蜂之间的位置信息共享和身份互换机制,减少参数设置的同时提高算法的寻优精度和效率。采用基于装、卸作业的编码方式,将工件号、工序号和作业类型共同作为基因位的标识,基因位的实数权值作为算法进化对象及作业排序依据。在解码过程中,选择到达时间最早的人员对装卸作业进行操作,并利用并行工作模式安排各设备上作业的先后顺序,达到缩短总调度时间的效果。最后通过测例比较实验表明:该并行工作模式较现有生产模式具有缩短生产时间、节约生产资源的特点;改进人工蜂群算法在解决JobShop调度问题上更具有可行性与有效性。
【文章来源】：制造业自动化. 2020年08期
【文章页数】：8 页
【部分图文】：
文献[23]策略下的任务加工甘特图
璞副嗪拧毙问奖昝鞫怨ぜ???加工的人员和设备（如“1-2”为人员1辅助设备2进行加工），如图2所示。图2文献[23]策略下的任务加工甘特图在该调度模型中，单个工件的加工时间等同于并行调度模型中对应工件的装载、加工和卸载总时间，并且人员参与加工全过程，所有工件加工完成时，总的调度时间为128小时。为进一步缩短总调度时间，采用本文调度模式对该问题进行求解，调度结果以甘特图形式展出（如“M2”表示在设备2上完成加工，左右两侧分别代表对该工序进行装、卸的人员），如图3所示。图3并行工作调度策略任务加工甘特图在该并行工作调度模型中，工人完成装、卸作业后离开，设备对工件自动化加工，实现了人员与设备的并行。由图3可知，并行工作模式求解得到的总调度时间比文献[23]的调度策略提前35小时，总调度时间缩短了27.34%，使得客户订单可以更早的配送，因此并行工作调度模式更加有效。3.2算法主要参数确定在带有身份转换机制的人工蜂群算法（Improved-ABC，I-ABC）中，唯一需要确定的参数就是种群规模N。为确定合适的种群规模N，以5台加工设备、5名工人为资源基础，加工10种工件为例，（人员在设备间移动时间信息见表1，各物料属性如表3所示）。在不同种群规模下，即N取50，100，150，……，900不同的值，对I-ABC的有效性进行验证。每组实验运行15次，分别取每次实验的平均值作为种群变化的优值，并绘制出优值变化图、优值方差变化图以及运行时间图（如图4、图5及图6所示，其中图4纵坐标表示优化结果，单位：小时；图6纵坐标表示运行时间，单位：秒）。表3物
【92】第42卷第8期2020-08图4优值变化图图5优值方差变化图图6运行时间变化图据图4可知，种群规模达到600时，优值曲线趋于平缓且由图5可看出，种群规模达到600时优值方差波动变校由图6可见，N在600～700之间，运行速度相对较快，N大于700时，算法运行时间较长，因此种群规模设置在600～700之间较为合理。本文采用600作为实验参数。3.3算法的有效性验证为进一步验证I-ABC算法的有效性，选择标准人工蜂群算法（ABC）、文献[24]的改进差分算法进行对比实验。文献[24]以加工时间最短为目标，设计了改进差分算法用于解决作业车间调度问题，并得出了较好的调度方案。实验中设定每算法种群规模均为600，ABC的引领蜂局部寻优次数为20，循环次数为200。每种算法运行10次，算法比较运行结果如表5所示。实验中测例数据是在文献[25]中10组测例的基础上增加了装卸操作时间得来的，增加部分如表4所示。Z1、Z2、Z3分别表示I-ABC、S-ABC与文献[24]算法运行10次后的平均值。GPA1表示ABC与I-ABC之间的差值比，计算方式为GPA1=（Z2-Z1）/Z2×100%。同理，GPA2表示I-ABC与文献[24]算法之间的差值比，计算方式为GPA1=（Z3-Z1）/Z3×100%。如果GPA1与GPA2均为正值，则说明I-ABC优于ABC与文献[24]算法。表4测例数据表测例JiOi1ZtxtOi2ZtxtOi3ZtXt1J1O1111O1212O1312J2O2111O2222O2311J3O3122O3212O3311J4O4111O
【参考文献】：
期刊论文
[1]机器人产业发展研究[J]. 王万. 制造业自动化. 2018(04)
[2]改进差分进化算法的作业车间调度优化策略[J]. 翁志远,方杰,孔敏,程颖. 控制工程. 2017(06)
[3]单件小批量混合车间调度算法[J]. 张宏国,吴雨桐. 中国科技论文. 2015(08)
[4]任务分解控制及人员柔性的车间集成调度[J]. 林仁,周国华. 计算机工程与应用. 2015(04)
[5]一人多机的动态配置模型及其解法[J]. 杨军,刘丽文. 中国管理科学. 1996(04)
本文编号：2921484
【文章来源】：制造业自动化. 2020年08期
【文章页数】：8 页
【部分图文】：
文献[23]策略下的任务加工甘特图
璞副嗪拧毙问奖昝鞫怨ぜ???加工的人员和设备（如“1-2”为人员1辅助设备2进行加工），如图2所示。图2文献[23]策略下的任务加工甘特图在该调度模型中，单个工件的加工时间等同于并行调度模型中对应工件的装载、加工和卸载总时间，并且人员参与加工全过程，所有工件加工完成时，总的调度时间为128小时。为进一步缩短总调度时间，采用本文调度模式对该问题进行求解，调度结果以甘特图形式展出（如“M2”表示在设备2上完成加工，左右两侧分别代表对该工序进行装、卸的人员），如图3所示。图3并行工作调度策略任务加工甘特图在该并行工作调度模型中，工人完成装、卸作业后离开，设备对工件自动化加工，实现了人员与设备的并行。由图3可知，并行工作模式求解得到的总调度时间比文献[23]的调度策略提前35小时，总调度时间缩短了27.34%，使得客户订单可以更早的配送，因此并行工作调度模式更加有效。3.2算法主要参数确定在带有身份转换机制的人工蜂群算法（Improved-ABC，I-ABC）中，唯一需要确定的参数就是种群规模N。为确定合适的种群规模N，以5台加工设备、5名工人为资源基础，加工10种工件为例，（人员在设备间移动时间信息见表1，各物料属性如表3所示）。在不同种群规模下，即N取50，100，150，……，900不同的值，对I-ABC的有效性进行验证。每组实验运行15次，分别取每次实验的平均值作为种群变化的优值，并绘制出优值变化图、优值方差变化图以及运行时间图（如图4、图5及图6所示，其中图4纵坐标表示优化结果，单位：小时；图6纵坐标表示运行时间，单位：秒）。表3物
【92】第42卷第8期2020-08图4优值变化图图5优值方差变化图图6运行时间变化图据图4可知，种群规模达到600时，优值曲线趋于平缓且由图5可看出，种群规模达到600时优值方差波动变校由图6可见，N在600～700之间，运行速度相对较快，N大于700时，算法运行时间较长，因此种群规模设置在600～700之间较为合理。本文采用600作为实验参数。3.3算法的有效性验证为进一步验证I-ABC算法的有效性，选择标准人工蜂群算法（ABC）、文献[24]的改进差分算法进行对比实验。文献[24]以加工时间最短为目标，设计了改进差分算法用于解决作业车间调度问题，并得出了较好的调度方案。实验中设定每算法种群规模均为600，ABC的引领蜂局部寻优次数为20，循环次数为200。每种算法运行10次，算法比较运行结果如表5所示。实验中测例数据是在文献[25]中10组测例的基础上增加了装卸操作时间得来的，增加部分如表4所示。Z1、Z2、Z3分别表示I-ABC、S-ABC与文献[24]算法运行10次后的平均值。GPA1表示ABC与I-ABC之间的差值比，计算方式为GPA1=（Z2-Z1）/Z2×100%。同理，GPA2表示I-ABC与文献[24]算法之间的差值比，计算方式为GPA1=（Z3-Z1）/Z3×100%。如果GPA1与GPA2均为正值，则说明I-ABC优于ABC与文献[24]算法。表4测例数据表测例JiOi1ZtxtOi2ZtxtOi3ZtXt1J1O1111O1212O1312J2O2111O2222O2311J3O3122O3212O3311J4O4111O
【参考文献】：
期刊论文
[1]机器人产业发展研究[J]. 王万. 制造业自动化. 2018(04)
[2]改进差分进化算法的作业车间调度优化策略[J]. 翁志远,方杰,孔敏,程颖. 控制工程. 2017(06)
[3]单件小批量混合车间调度算法[J]. 张宏国,吴雨桐. 中国科技论文. 2015(08)
[4]任务分解控制及人员柔性的车间集成调度[J]. 林仁,周国华. 计算机工程与应用. 2015(04)
[5]一人多机的动态配置模型及其解法[J]. 杨军,刘丽文. 中国管理科学. 1996(04)
本文编号：2921484
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2921484.html
