虚拟企业集群生产计划与控制研究.docVIP

　　虚拟企业集群生产计划与控制研究 -- 摘　要:根据某大型发电设备制造企业由大型、高精度、稀有设备决定生产率的特点,提出了其递阶生产计划控制模式中综合计划层的生产计划优化模型,并根据其部分设备具有可换性的特点设计了一种具有X 和Y 两个染色体的遗传算法XYGA 进行求解。 由于传统遗传算法的染色体适配值评价方式在求解大规模生产调度问题时效率很低,本文根据XYGA 的编码方式定义了父代个体与子代个体的相似度,并据此以一定可信度通过插值方法由父代适配值估计子代的适配值。仿真试验表明,改进后本论文由.51lun , GA) 求解。但是GA的一个固有问题是求解速度慢,难以实际应用。针对这个问题,王凌[3 ] 采用神经网络作为代理模型来估计新个体的适配值,Salami 等[425 ] 提出了基于插值的子代适配值评价方法,并将其应用于二进制编码的GA 中求解参数估计问题,徐兵等[6 ]提本论文由.51lun 台大精稀设备,订单抽象为n 个具有生产流程的作业。 考虑到大精稀设备决定生产率的特点, 制订综合计划时大精稀设备的空闲是应该尽量避免的。另外,长期计划需要考虑到的因素还有:产品的过早完成会造成库存费用, 订单的拖期完成会对企业信用造成不利影响。因此,本文构建的综合计划层优化模型如式(1) 所示。式中: Ik 为设备k 的空闲时间; Ti 为作业J i 完成的拖后时间; Ei 为作业J i 提前完成的时间; ICk为设备空闲的资金损失; TCi 为单位时间的拖期惩罚金; ECi 为单位时间的库存费用。由于大型发电设备的产品结构和装配关系复杂,因此用约束(2) 表示任务具有用有向无环图表示的优先关系;而该企业的另一个显著特点是部分大设备具有互换性, 本文用约束(3) 加以表示,即某作业的某工序O 可能有r 个可替换设备。 2 　算法设计Cheng 等[728 ] 曾经本论文由.51lunosome representation2. 2 　解码设计由约束(2) 可知作业的结构和关系可用有向无环图表示,因此只有有向无环图的一个拓扑排序才能对应着一个逻辑上的可行解, 即节点的排列必须确保所有有向边的方向从左到右, 如图2所示。图2 　拓扑排序示意图Fig. 2 　Topological sorting基于此,染色体的评价问题归结到一个根据染色体产生拓扑排序的过程。本文设计的解码器本论文由.51lunp son 算法的一次通过过程:当进行关于一个位置的决策时,若干活动可能就这一位置进行竞争, 具有最高优先权的一个赢得该位置,并根据剩余资源矩阵将工序安排到最早可能开工的位置。令Oji 表示作业j 的第i个工序, S 表示当前可调度的工序集合,则解码算法可表述为:第1 步:将没有紧前工序的工序初始到S 中。第2 步:根据X 染色体从S 中选择出优先权最大的工序O3 。 第3 步:根据Y 染色体将O3 安排到其选用设备的最早可能位置上。 第4 步:从S 中除去O3, 并将O3 的可排紧后工序添加到S 中。第5 步:如果S 为空则结束,否则转第2 步。 2. 3 　适配值计算采用上述算法得到可行调度后,可以由式(1)计算出调度的目标值,但由于问题是最小化问题,所以必须将目标值转换为适配值以确保优秀个体具有大的适应值。设ck 是当前种群的第k 个染具有如下性质: ①适配值在闭区间[0 ,1 ]中,且最优个体的适配值为1 ,最差个体的适配值为0 ; ②γ的存在使选择行为具有自我调整的性质,即当染色体间目标值差距相对较大时,选择趋向于比例选择,有利于优秀个体的选出,而当染色体的目标值差距较小时,选择趋向于纯随机选择。 2. 4 　染色体选择选择方式采用轮盘赌方法,使用保优策略。2. 5 　遗传算子本文针对X2Y 染色体分别设计了X2染色体交叉算子、本论文由.51lunwen.整理提供X2染色体变异算子、Y2染色体交叉算子、Y2染色体变异算子。(1) X2染色体交叉算子随机地从一个父代中提取一些基因, 子代中余下的基因通过对另一个父代进行从左到右的扫描并填充空位得到,如图3 所示。(2) X2染色体变异算子随机选择两个位置并交换其内容,如图 --4 所示。(3) Y2染色体交叉算子随机地从一个父代中提取一些基因, 剩余基因从另一个父代的相同位置取得,如图5 所示。(4) Y2染色体变异算子随机选择几个位置进行变异, 如图6 所示。假设选中基因为yi = ( yi ,1 , yi ,2 ) ,变异后的基因为式中: R 为随机整数; %( R/ yi ,1 ) 表示R 对y i ,1 求余,这种方式可以确保yi ,2 在合理的范围内, 即0≤yi ,2 ≤yi ,1 - 1 。3 　适配值的快速评估方法问题规模较大的时候, GA 的效率问题一直是限