基于混合粒子群算法的航空零件生产车间柔性调度研究.docVIP

基于混合粒子群算法的航空零件生产车间柔性调度研究 　　摘要:航空零件生产车间调度具有目标多样性和不确定性问题,普通方法难以求得最佳调度顺序。针对这个问题,采用了混合粒子群算法优化加工工序。该算法通过个体交叉,变异的方法来反复迭代寻优,从而得到更好的零件加工工序。通过仿真实验验证了该算法的有效性,从而为航空零件加工车间调度优化提供了一种新的思路。 　　关键词:航空零件;模糊目标;柔性;车间调度;混合粒子群 　　中图分类号:TP18文献标识码:B文章编号:1009-3044(2010)07-1741-02 　　Aerial Accessory Flexible Jop Shop Scheduling Based on Mixed PSO Algorithm 　　WANG Chao1, ZHANG Yong-qiang2, SHI Feng2 　　(1.95959 Army, Beijing 100076, China; 2.94565 Army, Bengbu 233000, China) 　　Abstract: Aerial accessory jop shop scheduling have the problems of the diversity and uncertainty of its objectives, Common menthod cant get best machining process. Mixed PSO Algorithm is used of to optimize machining process. The algorithm iterates to get best maching process through individual cross and mutation. The experiment shows the effectiveness of the algorithm, providing a new method for aerial accessory jop shop scheduling. 　　Key words: aerial accessory; fuzzy aim; flexible; jop shop scheduleing; mixed PSO 　　航空零件生产是一个复杂的过程,往往需要经过多个生产车间的加工才能完全加工成型。并且由于各零件的安装顺序不通,对于不同的零件,需求的时间不同。因此在航空零件加工的过程中需要合理分配各零件的加工车间顺序,从而达到合理利用产品制造资源,提高零件加工效率,更好地完成飞机组装线需求的目的。 　　粒子群算法(Particle Swarm Optimization,PSO)是Kennedy博士和Eberhart博士在1995年提出的一种基于群体智能的优化算法,它源自对鸟类捕食的研究,个体通过竞争搜索完成对复杂搜索空间最优解的搜索。PSO算法虽然具有收敛速度快的特点,但是容易陷入局部最优。混合粒子群算法是标准粒子群算法的改进,该算法摒弃了标准粒子群算法的依靠速度跟踪极值的方法,而是引入了遗传算法中交叉和变异算子,粒子通过和个体极值和群体极值交叉和粒子变异的方法来跟踪极值,寻找最优问题最优解,本文用混合粒子群算法来对车间调度进行优化。 　　1 问题模型 　　1.1 调度问题模型 　　航空零件柔性车间调度问题可以描述为有n个待加工的航空零件要在m(m2)台机器上加工,已知的参数如下所示[1-2]: 　　1)机器集M={m1,m2,…mm},mj表示第j台机器,j=1,2,…,m; 　　2)航空工件集P={p1,p2,…,pn},pi表示第i个航空工件,i=1,2,…,n; 　　3)工序序列集OP={op1,op2,…,opn},opi={opi1,opi2,…,opik}表示航空工件pi的工序序列。 　　4)可选机器集OPM={opi1,opi2,…,opik},OPij={opij1,opij2,…,opijk}表示航空工件pi的工序j可以选择的加工机器。 　　5)使用机器加工工件的时间矩阵T,tij∈T表示第i个工件pi使用第j个机器的时间。 　　6)使用机器加工工件的费用矩阵C,cij∈T表示第i个工件pi使用第j个机器的加工费用。 　　并且问题满足下列条件: 　　1)每个工件的每道工序使用每台机器不能多于1; 　　2)每个工件的加工遵循一定的顺序,只有在前面工序完成后才能进行下一个工序; 　　3)每个工件的每道工序的生产开始后就不能停顿,直到该工序完成为止。 　　求解工件加工的排序S,使得所有工件的提交时间和总费用的加权和最小。 　　1.2 模糊提交时间 　　在航空零件的