多目标模糊柔性作业调度模型研究.docxVIP

多目标模糊柔性作业调度模型研究 0 多目标模糊柔性车间调度 车间配置管理一直是生产管理领域的研究热点之一。由于工艺路径和加工设备的多样性，灵活车间配置管理在多个方面的实际生产计划中变得越来越复杂。因此,为了寻求较为科学合理的生产调度排产计划最优值或近似最优值,以缩短产品生产时间、提高交货率,许多学者引入和提出了多种智能算法,以期解决柔性车间调度的最优生产排产问题,其中以1994年DAVIS引入的遗传算法最具成效。该方法具有鲁棒性好、通用性强、计算性能稳定等特点,在制造系统的车间调度领域获得了广泛的应用和发展。然而,进一步的研究发现,普通遗传算法在求解复杂约束条件下的车间调度时,存在局部搜索能力较差、易早熟收敛且消耗时间长等不足。 为了克服遗传算法的上述缺陷,国内外学者分别从算法编码、种群初始化、遗传操作和算法逻辑设计等方面对该算法进行改进。其中,多种群遗传算法因在改善算法性能与拓展应用范围上的突出表现,得到众多研究者的青睐。蔡良伟提出了由多个普通种群和一个优良种群构成的多种群遗传算法,各个普通种群将进化得到的优良个体贡献出来,组成一个静态的、不参与进化的优良种子库,普通种群在自己的后续进化进程中,直接从优良种群引进若干优良种子个体,代替本种群中的较劣个体,以改善本种群的品质,提高算法性能,但上述算法主要用于求解传统的单目标作业车间调度问题,未考虑工件交货期服从模糊时间窗分布且工艺路线柔性化条件下的多目标模糊柔性车间调度;COCHRAN提出了多种群两阶段遗传算法,第一阶段以单一种群进行进化,然后多个种群独自进化,其本质上是一种串并混联的算法,在不考虑工件模糊交货期和工艺路线柔性化时的多目标平行机调度问题中,该算法表现出了较好的收敛性和稳定性;LI提出了双链代理结构的多种群协同遗传算法,并设计了各子种群之间的分享代理机制,以实现算法的协同进化,进而达到并行数据全局优化的目的,将其应用于经典Job Shop问题时表现出了较高的求解精度和较快的收敛速度;SAKAWA在不考虑工艺路线可变及机器可选的条件下,以最大化顾客满意度及最小化最大完成时间为目标,设计了一种基于种群个体间相似度的多种群遗传算法,以解决具有模糊加工时间和模糊交货期的多目标调度问题;GU提出了基于多种群改进协同进化思想和量子理论概念的两种群量子遗传算法,该算法依据竞争猎手、合作生存和大鱼吃小鱼的策略实现种群进化的目标,在应用于单目标随机作业车间调度问题时,较标准遗传算法表现出更为良好的性能;TOLEDO提出了含有迁移策略的多种群遗传算法,当算法连续执行多次、目标函数值始终未发生变化时,就启动并执行优良种群的迁移策略,直至满足算法的停止准则,然而该算法主要致力于解决多作业车间同步集成的批量调度问题,不考虑工件交货期服从模糊时间窗分布和工艺路线柔性化条件下的多目标作业车间调度;于晓义提出了基于工序染色体编码的并行协同进化多种群遗传算法,在不考虑工件模糊交货期和工艺路线柔性化等约束条件下,将其应用于多车间协同生产作业调度,并验证了该算法较标准遗传算法在解决此类作业车间调度上的优越性;路飞提出了多种群并行遗传算法,在进化过程中找出当前多个种群中各自的最优个体和最差个体,并选出总体最优个体取代各子种群中的最差个体,实现了各种群之间的横向协作,该算法主要适用于考虑提前/拖期惩罚条件下的多机多阶段流水车间调度问题。 综上所述,目前具有代表性的多种群遗传算法研究成果均强调通过竞争与协作的思想,实现种群间或者个体间的信息迁移与共享,并通过算例验证算法的先进性。但上述诸算法在进化过程中明显缺乏种群间纵向信息的交流与反馈,以及种群协同进化的参考标准,易造成种群协同进化方向短时间内偏离理论目标值,且在有限的搜索时间内可能错失最优解;同时,其应用多面向传统作业车间调度,或不考虑工件模糊交货期和工艺路线柔性化等约束条件下的多目标调度。基于以上分析并结合前述研究成果,本文提出了基于双层编码和纵横双层协同进化的多种群遗传算法,并通过与其他算法进行对比分析考察该改进算法的有效性,然后把该算法用于多目标模糊柔性车间调度,验证其在解决该类调度问题时所表现出的优良性能。 1 i道工序的计算 多目标柔性作业车间调度研究的是N个工件在M台机器上的加工过程,每个工件i(i=1,2,…,N)有ni道工序,Mij表示可以加工工件i的第j个工序的机器集合,Mij?{1,2,…,M},1≤i≤N,1≤j≤ni,每道工序可以在不同的机器上加工,每台机器也可以加工不同工件的多道工序。调度的目标是在满足工艺约束和机器可用的前提下,使工件的加工时间最短,同时使顾客满意度最大,调度方案的数学描述如下: 1.1 目标函数 1.2 其他方面 Xijk={1,?件i的?序j在机器k上加?;0,其他。(8) Rijabk={1?件i第j道