基于模糊规划的flowxxx作业调度模型.docxVIP

基于模糊规划的flowxxx作业调度模型 0 生产调度问题的解决 生产计划包括对生产任务和产品产量需求的指定系统，并制定相应的生产计划来完成生产任务。系统、全面、合理的生产计划体系不仅有利于提高公司的综合管理水平，而且有助于为公司带来显著的经济效益。 在以往的研究工作中,绝大多数调度模型都是把一些参数如加工时间、交货期等认为是确定性的.但是在处理实际的问题时,有些调度参数很难用精确的数值表示,往往是不确定的.在企业的实际生产过程和调度过程中,会存在各种各样的不确定因素,例如每一道生产工序中产品的处理量、处理时间、设备的清洗时间、原材料或中间产品的装载时间、传输时间、中间存储单元的存储量、中间产品的稳定存放时间等,以及生产中原材料或能源的短缺,都可能是不确定的.此外,生产过程中往往会发生一些事先无法预料的不预期事件,如生产设备的损坏、仪器仪表的故障、操作的失误等等,这些不确定的因素往往会导致生产调度方案无法按预定的目标正常执行,因此需要采取特殊的方法处理. 自从Zadeh提出模糊集合的理论以来,模糊数学的方法在自动控制、模式识别等许多领域中获得了广泛的应用.由于实际环境中有许多情况无法用精确的数学模型来表示,而模糊数学则可以用来表示不确定的或用典型的数学方法无法表达的问题,模糊优化在区域发展规划、资源分配、生产计划与调度等诸多领域中,有着更加广阔的前途.由于调度问题的计算量与问题规模呈指数关系,传统的数学规划无法解决较大规模的调度问题,人们开始寻求新的优化调度方法,以遗传算法、模拟退火算法等为代表的计算智能技术广泛用于调度问题的研究,取得了一定的成果.从理论上来说,模拟退火法具有全局渐进收敛性,而实际上初始温度和退火方式的选择比较困难.初始温度越高,退火速度越慢,时间过长;反之,时间会缩短,却容易陷入局部极小点.而免疫算法和遗传算法同属进化算法,但遗传算法的收敛方向无法控制,其进化算子是随机的,没有利用可能获取的附加信息.且在进化过程中,进化与退化都有可能出现.而近年来出现的免疫算法(IA),是受生物免疫系统的启发而设计的一种具有全局搜索能力的优化方法,具有多样化的特点,并可以有选择,有目的地利用待求问题中的一些特征信息来抑制退化现象.因此,本文在免疫算法的基础上,提出一种模糊免疫调度算法来解决不确定条件下的flow shop(流水车间作业)调度问题,对免疫算法解决调度问题进行了一定的尝试和探索. 1 确定处理时间的不确定性 Flow shop 调度是一个资源分配问题,可以这样描述:多个产品在不同的加工设备上进行加工,所有的产品都经过相同的处理单元和处理路径,但不同产品在同一处理单元上的处理时间可能不同,也称为多产品(multiproduction)生产过程.本文采用三角模糊数x(xL,xM,xU)来描述处理时间的不确定性,其隶属度函数定义为: μx(c)={0?c≤xLc-xLxΜ-xL?xL＜c≤xΜxU-cxU-xΜ?xΜ＜c≤xU0?c＞xU 1.1 具有模糊的操作开始时间 N——加工产品的批量集.N={1,2,…,i,…,n},即待加工的产品总数为n个; M——处理单元集合.M={1,2,…,j,…,m},即处理设备有m台; ?Τij——处理时间.即产品i在处理单元j上的加工时间,它包括装配时间、传输时间、卸载时间、加工时间以及清洗时间等,是变化的不确定量,采用模糊数表示; ?Sij——产品i在处理单元j上的操作开始时间,由于产品处理时间的不确定性,这里的操作开始时间也是不确定的; ?Cij——产品i在处理单元j上的操作完成时间,是一个模糊数; ?Sie——产品i的最后一道工序的操作开始时间; ?Τie——产品i的最后一道工序所对应的操作时间. 1.2 数学模型 Flow shop问题中不同产品的生产路径都是相同的,所有的产品都可以在零时刻投入生产,但是必须满足下面的约束条件 1 第1道工序-1道工序见表1 ?Sij≥?Si(j-1)+?Τi(j-1)i∈Ν?j∈Μ(1) 式(1)表示产品i的第j道工序必须在第j-1道工序完成后才能开始,即任何一道工序的加工开始时间必须大于等于该产品上一道工序的结束时间. 2 处理单元处理单元法 ?Sij≥?S(i-1)j+?Τ(i-1)ji∈Ν?j∈Μ(2) 式(2)表示一个产品的生产必须在前一个产品在某一处理单元处理完毕后才能进入该处理单元,即任一时刻该处理单元不能同时处理两个不同的产品. 3 调度目标的确定 ?Sij≥0i∈Ν?j∈Μ(3) 式(3)说明产品的可以从零时刻开始加工. 此外,所有产品在每个加工单元上的操作次序相同,产品之间没有优先性,一个设备不能同时处理多种产品,并且一种产品不能同时为多个设备处理,产品的加工过程中不允许中断.在此基础上可以有不同的优化目标,如产品