技術背景

本發(fā)明屬于信息與控制技術領域，尤其涉及再制造系統(tǒng)的拆解、預處理和再裝配的一體化調度方法。

背景技術：

再制造是實現節(jié)約能源和保護環(huán)境的可持續(xù)發(fā)展的典型生產模式，可以再次開發(fā)和利用廢舊產品蘊含的有價值的資源，能夠緩解資源需求大與資源短缺的矛盾，并減少大量廢舊產品對環(huán)境的污染和危害。一般的再制造系統(tǒng)包括拆解車間、預處理車間和再裝配車間。首先，拆解車間將廢舊產品拆解為多個零件；然后，預處理車間對這些零件進行再加工；最后，再裝配車間將這些零件重新組裝為產品。對拆解車間、預處理車間和再裝配車間的生產過程進行有效合理地調度是提高再制造效率的關鍵。

再制造系統(tǒng)的拆解、預處理和再裝配三個車間的調度問題通常采用獨立優(yōu)化的方式，無法實現三個車間的有序銜接和整體最優(yōu)。

技術實現要素：

基于群體的智能優(yōu)化算法可以解決上述問題。蛙跳算法是模擬青蛙群體覓食行為的優(yōu)化算法，通過將青蛙群體分割為多個族群，同一族群里青蛙個體間的信息交互實現了對問題解空間的搜索。基于學習機制的蛙跳算法引入了個體間的學習機制，通過青蛙群體里個體間的相互學習，實現群體共享搜索信息，從而達到對問題最優(yōu)解的快速準確地搜索的目標。

為了解決再制造系統(tǒng)的拆解、預處理和再裝配三個車間的調度問題通常采用獨立優(yōu)化的方式，無法實現三個車間的有序銜接和整體最優(yōu)，本發(fā)明提供一種再制造系統(tǒng)的拆解、預處理和再裝配的一體化調度方法。

本發(fā)明解決其技術問題所采用的技術方案是：一種再制造系統(tǒng)的拆解、預處理和再裝配的一體化調度方法，所述方法包括以下步驟：

步驟1：獲取拆解車間里拆解工作站的個數，預處理車間里階段數以及各個階段包含的工作站的個數，再裝配車間里工作站的個數；廢舊產品的個數，各廢舊產品可以拆解的零件的個數，各廢舊產品在拆解車間的拆解時間，各零件在預處理車間各個階段的處理時間以及產品在再裝配車間的裝配時間；

步驟2：建立再制造系統(tǒng)拆解-預處理-再裝配的一體化調度模型，

(1)優(yōu)化目標

以最小化總再制造時間為優(yōu)化目標，即最小化所有產品的再裝配結束時間，按下式進行描述，即公式1：

(2)拆解、預處理和再裝配車間的工作站的分配約束

設定拆解和再裝配車間里每個產品只能在一個工作站上被拆解或裝配，預處理車間里每個零件在每個階段只能在一個工作站上進行處理，按下式進行描述：

(3)拆解、預處理和再裝配車間的工作站的生產約束

設定拆解、預處理和再裝配車間的每個工作站在同一時刻只能處理一個產品或零件，按下式進行描述：

(4)鄰接車間的處理銜接約束

設定每個產品在拆解車間被拆解完成后，相應的零件方可允許在預處理車間開始處理；當產品對應的所有零件在預處理車間的預處理操作結束后，該產品方可允許在再裝配車間進行裝配，按下式進行描述：

(5)變量取值約束

設定產品的拆解結束時間、零件的預處理結束時間及產品的再裝配結束時間為大于零的實數，決策變量取值為0或1，按下式進行描述：

步驟3：利用基于學習機制的蛙跳算法對該再制造系統(tǒng)的拆解、預處理和再裝配一體化調度問題進行求解，獲得最佳的調度方案，具體步驟如下：

步驟3-1：初始化算法參數，包括種群規(guī)模f，族群個數p，族群規(guī)模q，子族群個數u，子族群規(guī)模r及學習概率β，當前獲得的最好解y及最好目標值z，總估值次數tfet；

步驟3-2：生成初始種群p。采用自然數編碼表示一個青蛙個體或解，利用隨機方法生成f個解，更新當前最好個體y及最好目標值z；

步驟3-3：評價個體的目標值。分為三種情況，描述如下：a.在拆解車間里，產品按照個體給出的順序依次分配到最早可用的工作站進行拆解；b.在預處理車間里的第一階段，將每個產品對應的零件按照處理時間升序排序，根據該順序依次分配到最早可用的工作站進行處理；在后續(xù)階段，按照零件的到達順序依次分配到最早可用的工作站上進行處理；c.在再裝配車間，當產品對應的所有零件完成預處理操作后，選擇最早可用的工作站進行再裝配操作。依據該方法可以計算個體的目標值；

步驟3-4：設置估值次數fet＝0；

步驟3-5：實施種群的進化：

步驟3-5-1：構造多個族群。將種群按照個體的目標值降序排序，將第一個個體分配到第一個族群，第二個個體分配到第二個族群，第p個個體分配到第p個族群，第p+1個個體分配第一個族群。依此方法，完成所有個體的分配，這樣就構造了p個族群，每個族群包含q個個體，這里f＝p×q。

步驟3-5-2：對每一個族群，執(zhí)行以下操作u次：

步驟3-5-2-1：構建子族群：從當前族群中隨機選擇r個個體構造一個子族群；

步驟3-5-2-2：對該子族群執(zhí)行如下操作：

a.選擇該子族群中最好個體xb和最差個體xw執(zhí)行交叉操作產生一個個體x，并計算其目標值，令fet＝fet+1。若該個體優(yōu)于最差個體，則將其替代最差個體，并轉向執(zhí)行操作a；否則執(zhí)行操作b；

b.選擇當前種群中的最好個體xg與當前子族群的最差個體xw執(zhí)行交叉操作產生一個個體x，并計算其目標值，令fet＝fet+1。若該個體優(yōu)于最差個體，則將其替代最差個體，并轉向執(zhí)行操作a；否則執(zhí)行操作c；

c.隨機產生一個個體x，并計算其目標值，令fet＝fet+1，將其替代當前子族群的最差個體，轉向操作a。

步驟3-6：將所有族群混合構成種群p；

步驟3-7：實施種群的學習策略。令對于種群中的每一個個體x1，執(zhí)行以下操作：生成0-1之間服從均勻分布的隨機數α；若α小于β，則隨機從種群中選擇一個個體x2，令當前個體向該個體進行學習產生一個新的個體x，并計算其目標值，令fet＝fet+1，p′＝p′∪{x}。

步驟3-8：生成下一代種群。令p＝p∪p‘，保留f個優(yōu)勢個體，并剔除其他劣勢個體，更新當前獲得的最好解y和最好目標值z。

step3-9：若算法已達到停止條件，即fet≥tfet，則算法停止并輸出最好解y和最好目標值z；否則轉向步驟3-5。

上述中，涉及到的符號定義如下：

i產品索引，i＝1,2,……,n；

j零件索引，j＝1,2,……,m；

l預處理車間階段索引，l＝1,2,……,s；

k工作站索引，對于拆解車間，k＝1,2,……,r^d；對于預處理車間，k＝1,2,……,對于再裝配車間，k＝1,2,……,r^rp；

產品i的拆解時間；

產品i的零件j在預處理車間的第l個階段的預處理時間；

產品i的再裝配時間；

產品i的拆解結束時間；

產品i的零件j在預處理車間的第l個階段的第k個工作站的結束時間；

產品i的所有零件的預處理結束時間；

產品i的再裝配結束時間；

xik如果產品i在拆解車間的第k個工作站上拆解，則xik＝1；否則xik＝0；

yijkl如果產品i的零件j在預處理車間的第l個階段的第k個工作站上處理，則yijkl＝1；否則yijkl＝0；

zik如果產品i在再裝配車間的第k個工作站上裝配，則zik＝1；否則zik＝0。

本發(fā)明的技術構思為：拆解、預處理和再裝配是廢舊產品再制造過程的主要流程。通常，拆解車間、預處理車間和再裝配車間獨立地制定調度方案，這種方法保證了各個車間調度方案的最優(yōu)，但未能考慮相鄰車間的銜接問題。因此，無法實現整體調度方案最優(yōu)性。本發(fā)明旨在實現拆解、預處理和再裝配車間的一體化調度方法，使得再制造過程能夠有序銜接，從而實現再制造資源的有效和合理地利用。

附圖說明

圖1是再制造系統(tǒng)的拆解、預處理和再裝配的一體化調度流程圖。

圖2是基于學習機制的蛙跳算法的流程圖。

圖3是個體間的學習方法示意圖。

具體實施方式

下面結合附圖對本發(fā)明做進一步的描述。

如圖1和圖2，一種再制造系統(tǒng)的拆解、預處理和再裝配的一體化調度優(yōu)化方法，所述方法包括以下步驟：

步驟1：根據再制造生產流程構建一體化調度模型。依據附圖1所示一體化調度流程圖的結構，構建一體化調度模型，其中，所涉及到的符號定義如下：

i產品索引，i＝1,2,……,n；

j零件索引，j＝1,2,……,m；

l預處理車間階段索引，l＝1,2,……,s；

k工作站索引，對于拆解車間，k＝1,2,……,r^d；對于預處理車間，k＝1,2,……,對于再裝配車間，k＝1,2,……,r^rp；

產品i的拆解時間；

產品i的零件j在預處理車間的第l個階段的預處理時間；

產品i的再裝配時間；

產品i的拆解結束時間；

產品i的零件j在預處理車間的第l個階段的第k個工作站的結束時間；

產品i的所有零件的預處理結束時間；

產品i的再裝配結束時間；

xik如果產品i在拆解車間的第k個工作站上拆解，則xik＝1；否則xik＝0；

yijkl如果產品i的零件j在預處理車間的第l個階段的第k個工作站上處理，則yijkl＝1；否則yijkl＝0；

zik如果產品i在再裝配車間的第k個工作站上裝配，則zik＝1；否則zik＝0。

①優(yōu)化目標

以最小化總的再制造時間為優(yōu)化目標，即最小化所有產品的再裝配結束時間，按下式進行描述：

②拆解、預處理和再裝配車間的工作站的分配約束

設定拆解和再裝配車間里每個產品只能在一個工作站上被拆解或裝配，預處理車間里每個零件在每個階段只能在一個工作站上進行處理，按下式進行描述：

其中，式(1)表示每個產品在拆解車間內只能在一個工作站上被拆解；式(2)表示每個零件在預處理車間的各個階段只能在一個工作上實施預處理；式(3)表示在再裝配車間內每個產品只能在一個工作站上被裝配。

③拆解、預處理和再裝配車間的工作站的生產約束

設定拆解、預處理和再裝配車間的每個工作站在同一時刻只能處理一個產品或零件，按下式進行描述：

其中式(4)表示拆解車間里每個工作站上同一時刻只能拆解一個產品；式(5)表示預處理車間里每個階段的每個工作站同一時刻只能處理一個零件；式(6)表示預處理車間里零件在相鄰工作站的處理次序和時間約束，即零件在前一工作站處理結束，后一工作站才允許繼續(xù)處理；式(7)表示再裝配車間里每個工作站上同一時刻只能裝配一個產品。

④鄰接車間的處理次序約束

設定每個產品在拆解車間被拆解完成后，相應的零件允許在預處理車間開始處理；當產品對應的所有零件在預處理車間的預處理工序結束后，該產品允許在再裝配車間進行裝配，按下式進行描述：

其中式(8)表示每個產品在拆解車間里拆解結束后，相應的零件可以在預處理車間實施預處理操作；式(9)和式(10)表示每個產品對應的所有零件在預處理車間里完成預處理操作后，該產品可以在再裝配車間進行裝配操作。

⑤變量取值約束

設定產品的拆解結束時間、零件的預處理結束時間及產品的再裝配結束時間為大于零的實數，決策變量取值為0或1，按下式進行描述：

其中，式(11)設定拆解車間內各產品的拆解結束時間及決策變量的取值范圍；式(12)設定預處理車間內各零件的預處理結束時間和決策變量的取值范圍；式(13)設定再裝配車間內各產品的裝配結束時間和決策變量的取值范圍。

步驟2：問題數據輸入。輸入拆解車間里拆解工作站的個數，預處理車間里階段數以及各個階段包含的工作站的個數，再裝配車間里工作站的個數；廢舊產品的個數，各廢舊產品可以拆解的零件的個數，各廢舊產品在拆解車間的拆解時間，各零件在預處理車間各個階段的處理時間以及產品在再裝配車間的裝配時間；

步驟3：算法求解。依據附圖2所示算法流程圖，利用基于學習機制的蛙跳算法對問題進行求解，具體實施如下：

步驟3-1：初始化算法參數，包括種群規(guī)模f，族群個數p，族群規(guī)模q，子族群個數u，子族群規(guī)模r及學習概率β，當前獲得的最好解y及最好目標值z，總估值次數tfet。

步驟3-2：生成初始種群p。采用自然數編碼表示問題的一個個體或解，利用隨機方法生成f個解，更新當前最好個體y。

步驟3-3：評價個體的目標值。a.在拆解車間里，產品按照個體顯示的位置順序依次分配到空閑或最早空閑的工作站進行拆解；b.在預處理車間里的第一階段，將每個產品對應的零件按照處理時間升序排序，并按照該順序依次分配到空閑或者最早空閑的工作站進行處理；在后續(xù)階段，按照零件的到達順序依次分配到空閑或者最早空閑的工作站上進行處理；c.在再裝配車間，當產品對應的所有零件完成預處理操作后，選擇空閑或最早空閑的工作站進行再裝配操作。

步驟3-4：設置估值次數fet＝0；

步驟3-5：實施種群的進化：

步驟3-5-1：構造多個族群。將種群按照個體的目標值降序排序，按照設定的規(guī)則將整個種群分成p族群，每個族群有q個個體。這里采用的規(guī)則如下：將第一個個體分配到第一個族群，第二個個體分配到第二個族群，第p個個體分配到第p個族群，第p+1個個體分配第一個族群。依此方法，完成所有個體的分配，從而構造m個族群，每個族群包含q個個體，這里f＝p×q。

步驟3-5-2：每一個族群，執(zhí)行以下操作u次：

步驟3-5-2-1：構建子族群：從當前族群中隨機選擇r個個體；

步驟3-5-2-2：子族群執(zhí)行如下操作：

a.選擇該子族群中最好個體xb和最差個體xw執(zhí)行交叉操作產生一個個體x，并計算其目標值，令fet＝fet+1。若該個體優(yōu)于最差個體，則將其替代最差個體，并轉向執(zhí)行操作a；否則執(zhí)行操作b；

b.選擇當前種群中的最好個體xg與當前子族群的最差個體xw執(zhí)行交叉操作產生一個個體x，并計算其目標值，fet＝fet+1。若該個體優(yōu)于最差個體，則將其替代最差個體，并轉向執(zhí)行操作a；否則執(zhí)行操作c；

c.隨機產生一個個體x，并計算其目標值，令fet＝fet+1。將其替代當前子族群的最差個體，轉向操作a。

步驟3-6：將所有族群混合構成種群p；

步驟3-7：實施種群的學習策略。令對于種群中的每一個個體x1，執(zhí)行以下操作：生成0-1之間服從均勻分布的隨機數α；若α小于β，則隨機從種群中選擇一個個體x2，令當前個體向該個體進行學習產生一個新的個體x，并計算其目標值，令fet＝fet+1，p′＝p′∪{x}。

步驟3-8：生成下一代種群。令p＝p∪p‘，保留f個優(yōu)勢個體，并剔除其他劣勢個體，并更新當前獲得的最好解y和最好目標值z。

step3-9：若算法已達到停止條件，即fet≥tfet，則算法停止并輸出最好解y和最好目標值z；否則轉向步驟3-5。

上述實施例只是為了說明本發(fā)明的技術構思及特點，其目的是在于讓本領域內的普通技術人員能夠了解本發(fā)明的內容并據以實施，并不能以此限制本發(fā)明的保護范圍。凡是根據本發(fā)明內容的實質所作出的等效的變化或修飾，都應涵蓋在本發(fā)明的保護范圍內。