带准备时间的柔性流水车间多序列有限缓冲区排产优化问题
发布时间：2021-11-13 23:48
针对带准备时间的柔性流水车间多序列有限缓冲区排产优化问题,提出一种改进的紧致遗传算法（Improved compact genetic algorithm, ICGA）与局部指派规则结合的方法来解决该问题。全局优化过程采用改进的紧致遗传算法,为了克服紧致遗传算法（Compact genetic algorithm, CGA）易早熟收敛的问题,提出一种基于高斯映射的概率模型更新方式,在保持紧致遗传算法快速收敛特性的前提下,扩展了种群中个体的多样性,增强了算法进化活力。为减少生产阻塞和降低准备时间对排产过程的影响,设计了多种局部启发式规则来指导工件进出多序列有限缓冲区的分配和选择过程。采用某客车制造企业中的实例数据进行测试,测试结果表明,改进的紧致遗传算法与局部指派规则配合使用,能够有效解决带准备时间的柔性流水车间多序列有限缓冲区排产优化问题。
【文章来源】：机械工程学报. 2019,55(24)北大核心EICSCD
【文章页数】：17 页
【部分图文】：
带准备时间的柔性流水车间多序列有限缓冲区排产优化模型1.2模型参数K表示工序Oper的缓冲区Bu中序列缓冲区
481.48，WOA为250.84，CGA算法为2447.95。由以上分析得出，对于处理大规模数据的优化问题，ICGA算法的效果要好于GA算法、WOA算法以及CGA算法。在进行测试的过程中发现每种算法在大规模的数据下分别运行30次时每次得到的最大完工时间maxC相差较大，有的算法甚至会落入到局部极值中造成较大的异常值的出现。为了更好地比较和评价各个算法对于大规模数据的优化效果，这里以j80c4d2组数据为例将4种算法在j80c4d2组数据下运行30次所得到的适应度值结果绘制成箱形图如图3所示。图3大规模数据下四种算法箱形图箱形图(Box-plot)是一种用作显示一组数据离散程度的统计图，通过箱形图可以体现出优化效果的稳定性，在箱形图种采用四分位距(IQR)来衡量数据的离散程度从图3中可以看出，在30次的运行中GA算法产生了2个较大的异常值，说明GA算法比较容易落入局部极值中。ICGA算法产生的箱形图的位置最低，说明ICGA算法产生的解的整体质量比其他3种算法更好。并且，ICGA算法产生的箱形图的IQR要比其他3种算法产生的箱形图的IQR更小，这说明ICGA算法产生的解的离散程度比其他3种算法更小，其在大规模数据下排产结果的稳定性是4种算法中最好的。通过以上方法采用大小规模的数据分别对4种算法进行测试得出，在解决标准FFSP上，ICGA算法比其他3种算法具有更强的持续进化和跃出局部极值的能力，通过高斯概率模型映射的改进方法能够扩展CGA算法进化过程中解的搜索范围，在一定程度上克服了其早熟收敛的问题。3.3带准备时间的柔性流水车间多序列有限缓冲区实例测试3.3.1构建仿真
3离开缓冲区过程，当t=98时刻，工位2,2WS完成客车9Bus的加工，工位2,2WS空闲，此时在序列缓冲区Bs2.2的缓冲区工位2,1,2b中客车12Bus等待加工，缓冲区工位2,2,2b中客车Bus3等待加工，根据表7中客车属性信息，在工位2,2WS上，如果选择加工客车12Bus，准备时间12,2,2Ts=2,2Tsp=4，如果选择加工客车3Bus，准备时间3,2,2Ts=0，根据控制工件离开缓冲区的SST规则，选择客车3Bus加工。3.3.3.3排产进化过程分析如图5所示，GA算法和WOA算法在进化初始阶段收敛得非常快，主要得益于CA算法和WOA算法的初始种群规模(NP=30)远大于CGA算法和图5方案5～8适应度值与训练代数关系图
【参考文献】：
期刊论文
[1]面向能耗的多工艺路线柔性作业车间分批优化调度模型[J]. 李聪波,沈欢,李玲玲,易茜. 机械工程学报. 2017(05)
[2]基于改进紧致遗传算法的柔性流水车间组批排产优化问题研究[J]. 韩忠华,朱一行,史海波,董晓婷. 系统工程理论与实践. 2016(06)
[3]混合离散蝙蝠算法求解多目标柔性作业车间调度[J]. 徐华,张庭. 机械工程学报. 2016(18)
[4]一种基于信息熵的混合数据属性加权聚类算法[J]. 赵兴旺,梁吉业. 计算机研究与发展. 2016(05)
[5]基于Memetic算法的有限缓冲区流水车间调度问题[J]. 谢展鹏,张超勇,邵新宇,尹勇,罗敏. 计算机集成制造系统. 2015(05)
[6]有限缓冲区流水车间调度的混合人工蜂群算法[J]. 张培文,潘全科,李俊青,段俊华. 计算机集成制造系统. 2013(10)
[7]带准备时间的单机调度问题的混合进化算法研究[J]. 钟涛,萧卫,徐宏云,刘广,崔珊珊. 计算机应用研究. 2013(11)
[8]一种求解随机有限缓冲区流水线调度的混合差分进化算法[J]. 胡蓉,钱斌. 自动化学报. 2009(12)
本文编号：3493948
【文章来源】：机械工程学报. 2019,55(24)北大核心EICSCD
【文章页数】：17 页
【部分图文】：
带准备时间的柔性流水车间多序列有限缓冲区排产优化模型1.2模型参数K表示工序Oper的缓冲区Bu中序列缓冲区
481.48，WOA为250.84，CGA算法为2447.95。由以上分析得出，对于处理大规模数据的优化问题，ICGA算法的效果要好于GA算法、WOA算法以及CGA算法。在进行测试的过程中发现每种算法在大规模的数据下分别运行30次时每次得到的最大完工时间maxC相差较大，有的算法甚至会落入到局部极值中造成较大的异常值的出现。为了更好地比较和评价各个算法对于大规模数据的优化效果，这里以j80c4d2组数据为例将4种算法在j80c4d2组数据下运行30次所得到的适应度值结果绘制成箱形图如图3所示。图3大规模数据下四种算法箱形图箱形图(Box-plot)是一种用作显示一组数据离散程度的统计图，通过箱形图可以体现出优化效果的稳定性，在箱形图种采用四分位距(IQR)来衡量数据的离散程度从图3中可以看出，在30次的运行中GA算法产生了2个较大的异常值，说明GA算法比较容易落入局部极值中。ICGA算法产生的箱形图的位置最低，说明ICGA算法产生的解的整体质量比其他3种算法更好。并且，ICGA算法产生的箱形图的IQR要比其他3种算法产生的箱形图的IQR更小，这说明ICGA算法产生的解的离散程度比其他3种算法更小，其在大规模数据下排产结果的稳定性是4种算法中最好的。通过以上方法采用大小规模的数据分别对4种算法进行测试得出，在解决标准FFSP上，ICGA算法比其他3种算法具有更强的持续进化和跃出局部极值的能力，通过高斯概率模型映射的改进方法能够扩展CGA算法进化过程中解的搜索范围，在一定程度上克服了其早熟收敛的问题。3.3带准备时间的柔性流水车间多序列有限缓冲区实例测试3.3.1构建仿真
3离开缓冲区过程，当t=98时刻，工位2,2WS完成客车9Bus的加工，工位2,2WS空闲，此时在序列缓冲区Bs2.2的缓冲区工位2,1,2b中客车12Bus等待加工，缓冲区工位2,2,2b中客车Bus3等待加工，根据表7中客车属性信息，在工位2,2WS上，如果选择加工客车12Bus，准备时间12,2,2Ts=2,2Tsp=4，如果选择加工客车3Bus，准备时间3,2,2Ts=0，根据控制工件离开缓冲区的SST规则，选择客车3Bus加工。3.3.3.3排产进化过程分析如图5所示，GA算法和WOA算法在进化初始阶段收敛得非常快，主要得益于CA算法和WOA算法的初始种群规模(NP=30)远大于CGA算法和图5方案5～8适应度值与训练代数关系图
【参考文献】：
期刊论文
[1]面向能耗的多工艺路线柔性作业车间分批优化调度模型[J]. 李聪波,沈欢,李玲玲,易茜. 机械工程学报. 2017(05)
[2]基于改进紧致遗传算法的柔性流水车间组批排产优化问题研究[J]. 韩忠华,朱一行,史海波,董晓婷. 系统工程理论与实践. 2016(06)
[3]混合离散蝙蝠算法求解多目标柔性作业车间调度[J]. 徐华,张庭. 机械工程学报. 2016(18)
[4]一种基于信息熵的混合数据属性加权聚类算法[J]. 赵兴旺,梁吉业. 计算机研究与发展. 2016(05)
[5]基于Memetic算法的有限缓冲区流水车间调度问题[J]. 谢展鹏,张超勇,邵新宇,尹勇,罗敏. 计算机集成制造系统. 2015(05)
[6]有限缓冲区流水车间调度的混合人工蜂群算法[J]. 张培文,潘全科,李俊青,段俊华. 计算机集成制造系统. 2013(10)
[7]带准备时间的单机调度问题的混合进化算法研究[J]. 钟涛,萧卫,徐宏云,刘广,崔珊珊. 计算机应用研究. 2013(11)
[8]一种求解随机有限缓冲区流水线调度的混合差分进化算法[J]. 胡蓉,钱斌. 自动化学报. 2009(12)
本文编号：3493948
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3493948.html
