專利名稱：一種基于蟻群算法的動態(tài)滾動調(diào)度方法
技術領域：
本發(fā)明屬于車間調(diào)度領域，具體涉及一種動態(tài)滾動調(diào)度方法，用于車間作業(yè)生產(chǎn) 計劃與調(diào)度管理。
背景技術：
車間調(diào)度是先進制造系統(tǒng)實現(xiàn)管理技術、運籌學技術和優(yōu)化技術發(fā)展的核心?？?學地制訂車間調(diào)度方案，對于控制車間的在制品庫存，提高產(chǎn)品交貨期滿足率，縮短產(chǎn)品供 貨周期和提高企業(yè)生產(chǎn)率起著至關重要的作用。動態(tài)調(diào)度把車間生產(chǎn)看成一個動態(tài)過程， 存在多種突發(fā)事件，如工件隨機到達、設備故障等，要求調(diào)度方案對這些事件做出及時應 對。動態(tài)調(diào)度策略更符合實際生產(chǎn)過程，已成為生產(chǎn)調(diào)度研究中的熱點之一，對于實際車間 作業(yè)計劃與調(diào)度具有重要的應用價值。動態(tài)調(diào)度技術的研究最初主要應用啟發(fā)式規(guī)則、整數(shù)規(guī)劃等方法。這些方法的特 點是規(guī)則明了，容易實現(xiàn)，但由于實際生產(chǎn)過程中的不確定以及隨機因素太多，任何單一規(guī) 則都較難適用于所有的動態(tài)環(huán)境，與實際應用有較大差距。近年來，隨著計算機技術和計 算智能方法的發(fā)展，該領域出現(xiàn)的神經(jīng)網(wǎng)絡、元啟發(fā)式算法、專家系統(tǒng)和多Agent技術等方 法，為動態(tài)調(diào)度的研究開辟了新思路，也引起了學者的廣泛關注，在動態(tài)調(diào)度中表現(xiàn)了許多 優(yōu)點，也有很多不足，例如神經(jīng)網(wǎng)絡的訓練時間較長，對結果缺乏解釋能力，并且網(wǎng)絡結構 及算法參數(shù)不易確定，專家系統(tǒng)知識獲取的難度大且擴展性較差。雖元啟發(fā)式算法在經(jīng)典 車間調(diào)度中表現(xiàn)了優(yōu)異的性能，但在動態(tài)調(diào)度中的應用相對較少?；谙伻核惴ǖ膭討B(tài)滾動調(diào)度方法是充分發(fā)揮蟻群算法求解組合優(yōu)化問題的 優(yōu)勢，考慮工件隨機到達時確定最佳滾動周期的方法。蟻群算法是1992年意大利學者 M-Dorigo等人受自然界螞蟻行為啟發(fā)而提出的，并首先成功應用于旅行商(TSP)問題中， 它作為一種新興的人工智能算法，具有良好的全局優(yōu)化能力、本質上的并行性、求解時間 短、易于計算機實現(xiàn)等優(yōu)點，在求解組合優(yōu)化問題方面具有潛在優(yōu)越性，吸引了眾多學者的 關注。考慮工件隨機到達，不同概率分布下的最佳滾動周期，并采用擬合、插值、神經(jīng)網(wǎng)絡等 方法分析工件到達概率與最佳滾動周期關系，結合工廠實際情況，可有效設置適合工廠實 際車間作業(yè)計劃的最佳滾動周期，從而有利于提高設備利用率、縮短產(chǎn)品供貨周期、減低在 制品數(shù)量。因此，在準時化生產(chǎn)盛行的今天，高效生產(chǎn)、零庫存是追求的目標，基于蟻群算法 的動態(tài)滾動調(diào)度方法能為準時化生產(chǎn)提供有價值的滾動周期，可充分發(fā)揮設備利用率，提 高生產(chǎn)能力，為實際車間生產(chǎn)計劃與調(diào)度提供決策依據(jù)。

發(fā)明內(nèi)容
本發(fā)明目的在于提出一種新的基于蟻群算法的動態(tài)滾動調(diào)度方法，提供一種確定 最佳滾動周期的方法，驅動蟻群算法進行重調(diào)度，以獲得高質量的動態(tài)滾動調(diào)度方案，提高 調(diào)度方案穩(wěn)定性、縮短生產(chǎn)時間、充分發(fā)揮設備利用率。為實現(xiàn)上述目的，本發(fā)明的技術方案如下
(一 )預設置重調(diào)度相關參數(shù)，包括滾動周期T、重調(diào)度工件集、機器可獲得時刻 和重調(diào)度方案的性能指標；( 二)驅動蟻群算法進行重調(diào)度，生成調(diào)度方案在每個重調(diào)度時刻，即每個滾動周期整數(shù)倍時刻，驅動蟻群算法進行重調(diào)度，生成 調(diào)度方案。滾動周期用T表示，重調(diào)度時刻為T的整數(shù)倍，在每個重調(diào)度時刻，根據(jù)步驟 (一)設置重調(diào)度工件集、機器可獲得時刻、重調(diào)度方案的性能指標，采用蟻群算法對重調(diào) 度工件集進行重排，生成下一階段的調(diào)度方案。(三)確定最佳滾動周期與工件到達概率、機器負荷和工件平均加工時間三者之 間的函數(shù)關系式最佳滾動周期與工件到達概率、機器負荷和工件平均加工時間三者之間的函數(shù)關 系式的確定主要包括兩個步驟，首先確定單一工件分布參數(shù)下的最佳滾動周期；其次確定 最佳滾動周期與工件到達概率、機器負荷、工件平均加工時間的函數(shù)關系式。(四)生成最佳調(diào)度方案(I)根據(jù)工件到達概率、機器負荷和工件平均加工時間，利用步驟(三)得到的函 數(shù)關系式確定出最佳滾動周期；(II)基于上述得到的最佳滾動周期，執(zhí)行步驟(一)和(二)，即可生成適合工廠 實際的最佳調(diào)度方案。本發(fā)明具有下列區(qū)別于傳統(tǒng)方法的顯著優(yōu)勢(1)本發(fā)明將蟻群算法用于每個重調(diào)度時刻進行完全重調(diào)度，保證了每個重調(diào)度 時刻新調(diào)度方案的最優(yōu)性，從而保證整個動態(tài)調(diào)度過程全局最優(yōu)性，有利于得到綜合性能 更好的動態(tài)滾動調(diào)度方案。(2)本發(fā)明提供了最佳滾動周期的確定方法。目前工廠工件到達概率、機器負荷及 工件平均加工時間具有一定的可預見性和可知性，結合這些信息，確定最佳滾動周期，驅動 蟻群算法進行重調(diào)度，有利于制訂更好的動態(tài)滾動調(diào)度方案，對實際車間作業(yè)計劃與調(diào)度 具有較高的指導性。


圖1為驅動蟻群算法重調(diào)度流程2為確定最佳滾動周期流程3為生成最佳調(diào)度方案流程圖
具體實施例方式參照圖1、2、3，本發(fā)明的實現(xiàn)步驟如下(一 )預設置重調(diào)度相關參數(shù)重調(diào)度時刻主要包含的參數(shù)有滾動周期T、重調(diào)度工件集、機器可獲得時刻、重 調(diào)度方案的性能指標。首先，設置滾動周期T。根據(jù)工件到達方式及到達概率，設置滾動周期。工件隨機 到達，到達方式有均勻分布到達、泊松分布到達、指數(shù)分布到達；在某種工件到達方式下，工 件到達概率有多種，隨機設置滾動周期T。
其次，確定重調(diào)度工件集。為了充分發(fā)揮算法的尋優(yōu)性能，每個重調(diào)度時刻采用完 全重調(diào)度，則重調(diào)度工件集包含待加工工件和新插入工件。在每個重調(diào)度時刻，工件可分為 四種類型已完工工件、正加工工件、待加工工件和新插入工件。已完工工件和正加工工件 不再進行重調(diào)度。第三，確定機器可獲得時刻。假設工件不具有可搶占性，重調(diào)度時刻忙碌機器必須 等正加工工件加工結束才有空閑，即在重調(diào)度時刻，空閑機器可獲得時刻為重調(diào)度時刻，而 忙碌機器可獲得時刻為正加工工件的完工時刻。第四，確定重調(diào)度的性能指標。性能指標采用系統(tǒng)有效性和穩(wěn)定性來衡量，系統(tǒng)有 效性衡量指標有Makespan、平均流程時間與加工時間比、平均排隊時間、平均延遲時間、平 均拖期時間、平均工件延遲數(shù)量。系統(tǒng)的穩(wěn)定性衡量指標有新調(diào)度方案與原調(diào)度方案的工 件變動數(shù)量、新調(diào)度方案與原調(diào)度方案工件平均變動時間。( 二)驅動蟻群算法進行重調(diào)度，生成調(diào)度方案在每個重調(diào)度時刻，即每個滾動周期整數(shù)倍時刻，驅動蟻群算法進行重調(diào)度，生成 調(diào)度方案。這是個循環(huán)重調(diào)度過程，直到達到終止條件。滾動周期用T表示，重調(diào)度時刻為 T的倍數(shù)，根據(jù)步驟(一)設置重調(diào)度工件集、機器可獲得時刻、重調(diào)度方案的性能指標，采 用蟻群算法對重調(diào)度工件集進行重排，生成下一階段的重調(diào)度方案。參照圖1，具體操作步 驟如下步驟1重調(diào)度工件集編碼。假設所述重調(diào)度工件集中包含η個工件，其中第1個
η
工件包含Hl1道工序，則對所述重調(diào)度工件集從1到Σ約進行編碼，編碼后的重調(diào)度工件集
I=I
記為C;步驟2蟻群算法參數(shù)初始化。設置循環(huán)次數(shù)N。= 0 ；最大循環(huán)次數(shù)；設ant是
η
蟻群中螞蟻數(shù)目，隨機將ant只螞蟻置于C的Σ%個元素上，并將每只螞蟻k選擇的元素添
i=l
加到該螞蟻對應的禁忌表tabuk中；設置每只螞蟻k的允許集為allowedk ；初始化C中任意
ηη
兩元素 i，j 的信息量 τ υ = const，其中，i = 1，2，L，ZW/; J = 1，2，L，ZW/; i ^ j，const
I=II=I
表示常數(shù)，且初始時刻信息素增量Δ τ u = 0 ；步驟3 令 Nc = Nc+1 ；步驟4令螞蟻的索引號k = 0 ；步驟5 令 k = k+Ι ；步驟6螞蟻k根據(jù)偽隨機比例規(guī)則和狀態(tài)轉移規(guī)則在允許集allowedk中選擇下 一個元素j ；其中，偽隨機比例規(guī)則的公式為
._ Jargmaxjeaaow4 (τ/.η/)如果qiq0 J~{if否則式中，q為均布在(0，1)之間的隨機數(shù)，q0 e (0，1)為常數(shù)，α，β為兩個參數(shù)，α 為信息啟發(fā)式因子，表示軌跡的相對重要性，β為期望啟發(fā)式因子，表示能見度的相對重要性，MgmaxiWdi表示對于任意j，取最大時對應的j，Hij表示元素i，j的啟
發(fā)信息。如果q大于Qtl，按狀態(tài)轉移規(guī)則公式選擇下一個元素，其中，狀態(tài)轉移規(guī)則公式 為 式中，f/表示螞蟻k由元素i轉移到元素j的狀態(tài)轉移概率；步驟7根據(jù)步驟6所選擇的元素j，將螞蟻k移動到元素j，修改允許集α Ilowedk, 并將元素j移動到螞蟻k的禁忌表tabuk中；步驟8判斷集合{C-tabuk}中是否為空，若不為空，表示C中元素沒有遍歷完，則 跳轉至步驟6繼續(xù)選擇下一個元素；否則執(zhí)行步驟9 ；步驟9螞蟻k路徑解碼，生成重調(diào)度方案，計算重調(diào)度方案的性能指標值將螞蟻k的路徑解碼為活動調(diào)度，則可得到該螞蟻k的重調(diào)度方案，且該重調(diào)度方 案是唯一的，計算重調(diào)度方案的性能指標值Lk，即螞蟻k環(huán)游一周的目標函數(shù)值；步驟10更新螞蟻k路徑上的信息量τ ij = (1-p ) τ jj+Δ τ其中 式中，Q為常數(shù)；步驟11判斷k是否大于ant，若k ( ant，則跳轉至步驟5，否則執(zhí)行步驟12 ；步驟12判斷是否滿足蟻群算法重調(diào)度結束條件，即是否滿足循環(huán)次數(shù)乂 > 乂·， 若不滿足，則清空每只螞蟻的禁忌表，并跳轉至步驟3;否則，循環(huán)結束并輸出最優(yōu)重調(diào)度 方案及性能指標值。(三)確定最佳滾動周期與工件到達概率、機器負荷和工件平均加工時間三者之 間的函數(shù)關系式最佳滾動周期與工件到達概率、機器負荷和工件平均加工時間三者之間的函數(shù)關 系式的確定主要包括兩個步驟，首先確定單一工件分布參數(shù)下的最佳滾動周期；其次確定 最佳滾動周期與工件到達概率、機器負荷、工件平均加工時間的函數(shù)關系式。參照圖2，具體 步驟如下(A)確定單一工件分布參數(shù)下的最佳滾動周期首先，在單一工件分布參數(shù)下，即工件到達方式，到達概率一定的情況下，設置多 個不同的滾動周期，重復上述步驟(一)和(二)，記錄不同滾動周期對應的最優(yōu)重調(diào)度方案的性能指標值，以最優(yōu)重調(diào)度方案的性能指標值為因變量，滾動周期為自變量，經(jīng)處理得 到最優(yōu)重調(diào)度方案的性能指標值與滾動周期的函數(shù)關系式，則性能指標值最小時的滾動周 期為該單一工件分布參數(shù)下的最佳滾動周期；(B)設置多個不同的工件分布參數(shù)，根據(jù)步驟(A)確定出所述多個不同工件分布 參數(shù)下的多個最佳滾動周期，同時記錄各工件分布參數(shù)對應的最優(yōu)重調(diào)度方案，并計算該 最優(yōu)重調(diào)度方案對應的機器負荷值、工件平均加工時間值，以最佳滾動周期為因變量，工件 到達概率、機器負荷和工件平均加工時間為自變量，經(jīng)處理得到最佳滾動周期與工件到達 概率、機器負荷和工件平均加工時間三者之間的函數(shù)關系式。(四)生成最佳調(diào)度方案參照圖3，結合工廠訂單預測、機器加工能力、工件工時定額數(shù)據(jù)，這三組數(shù)據(jù)與工 件到達概率、機器負荷、工件平均加工時間是一一對應的，即工廠訂單預測已知，則可推知 工件到達概率，其它類推。將工件到達概率、機器負荷、工件平均加工時間代入步驟(三)得到的函數(shù)關系 式，即可確定適合工廠實際的最佳滾動周期。基于上述得到的最佳滾動周期，執(zhí)行步驟(一)和(二)，即可生成適合工廠實際 的調(diào)度方案，該調(diào)度方案可直接用于指導實際車間生產(chǎn)。
權利要求
一種基于蟻群算法的動態(tài)滾動調(diào)度方法，用于確定符合工廠實際的最佳滾動周期，驅動蟻群算法進行重調(diào)度，生成最佳生產(chǎn)調(diào)度方案，指導實際車間作業(yè)生產(chǎn)與調(diào)度，具體包括如下步驟(一)預設置重調(diào)度相關參數(shù)，包括滾動周期T、重調(diào)度工件集、機器可獲得時刻和重調(diào)度方案的性能指標；(二)驅動蟻群算法進行重調(diào)度，生成調(diào)度方案根據(jù)上述預設置的參數(shù)，在每個重調(diào)度時刻，即每個滾動周期整數(shù)倍時刻，驅動蟻群算法進行重調(diào)度，生成調(diào)度方案，具體過程如下(1)重調(diào)度工件集編碼假設所述重調(diào)度工件集中包含n個工件，其中第l個工件包含ml道工序，則對所述重調(diào)度工件集從1到進行編碼，編碼后的重調(diào)度工件集記為C；(2)蟻群算法參數(shù)初始化設置循環(huán)次數(shù)Nc＝0，最大循環(huán)次數(shù)設ant是蟻群中螞蟻數(shù)目，隨機將ant只螞蟻置于C的個元素上，并將每只螞蟻k選擇的元素添加到該螞蟻k對應的禁忌表tabuk中，設置每只螞蟻k的允許集為allowedk，其中k為螞蟻的索引號，初始化C中任意兩元素i，j的信息量τij＝const，其中，i＝1，2，L，j＝1，2，L，i≠j，const表示常數(shù)，且初始時刻信息素增量Δτij＝0；(3)令Nc＝Nc+1；(4)令k＝0；(5)令k＝k+1；(6)螞蟻k根據(jù)偽隨機比例規(guī)則和狀態(tài)轉移規(guī)則在允許集allowedk中選擇下一個元素j；其中，偽隨機比例規(guī)則的公式為式中，q為均布在(0，1)之間的隨機數(shù)，q0∈(0，1)為常數(shù)，α，β為兩個參數(shù)，α為信息啟發(fā)式因子，表示軌跡的相對重要性，β為期望啟發(fā)式因子，表示能見度的相對重要性，表示對于任意j，取最大時對應的j，ηij表示元素i，j的啟發(fā)信息；如果q大于q0，按狀態(tài)轉移規(guī)則公式選擇下一個元素，其中，狀態(tài)轉移規(guī)則公式為式中，表示螞蟻k由元素i轉移到元素j的狀態(tài)轉移概率；(7)根據(jù)步驟(6)所選擇的元素j，將螞蟻k移動到元素j，修改允許集αllowedk，并將元素j移動到螞蟻k的禁忌表tabuk中；(8)判斷集合{C tabuk}中是否為空，若不為空，表示C中元素沒有遍歷完，則跳轉至步驟(6)繼續(xù)選擇下一個元素；否則執(zhí)行步驟(9)；(9)螞蟻k路徑解碼，生成重調(diào)度方案，計算重調(diào)度方案的性能指標值將螞蟻k的路徑解碼為活動調(diào)度，則可得到螞蟻k的重調(diào)度方案，且該重調(diào)度方案是唯一的，計算該重調(diào)度方案的性能指標值Lk，即螞蟻k環(huán)游一周的目標函數(shù)值；(10)更新螞蟻k路徑上的信息量τij＝(1 ρ)τij+Δτij其中式中，Q為常數(shù)；(11)判斷k是否大于ant，若k≤ant，則跳轉至步驟(5)，否則執(zhí)行步驟(12)；(12)判斷是否滿足蟻群算法重調(diào)度結束條件，即是否滿足循環(huán)次數(shù)若不滿足，則清空每只螞蟻的禁忌表，并跳轉至步驟(3)；否則，循環(huán)結束并輸出最優(yōu)重調(diào)度方案的性能指標值和對應的重調(diào)度方案；(三)確定最佳滾動周期與工件到達概率、機器負荷和工件平均加工時間三者之間的函數(shù)關系式(A)確定單一工件分布參數(shù)下的最佳滾動周期首先，在工件分布參數(shù)即工件到達方式和到達概率一定的情況下，設置多個不同的滾動周期，重復上述步驟(一)和(二)，記錄不同滾動周期對應的最優(yōu)重調(diào)度方案的性能指標值，以最優(yōu)重調(diào)度方案的性能指標值為因變量，滾動周期為自變量，經(jīng)處理得到最優(yōu)重調(diào)度方案的性能指標值與滾動周期的函數(shù)關系式，則性能指標值最小時的滾動周期為該單一工件分布參數(shù)下的最佳滾動周期；(B)設置多個不同的工件分布參數(shù)，根據(jù)步驟(A)確定出所述多個不同工件分布參數(shù)下的多個最佳滾動周期，同時記錄各工件分布參數(shù)對應的最優(yōu)重調(diào)度方案，并計算該最優(yōu)重調(diào)度方案對應的機器負荷值、工件平均加工時間值，以最佳滾動周期為因變量，工件到達概率、機器負荷和工件平均加工時間為自變量，經(jīng)處理得到最佳滾動周期與工件到達概率、機器負荷和工件平均加工時間三者之間的函數(shù)關系式；(四)生成最佳調(diào)度方案(I)根據(jù)工件到達概率、機器負荷和工件平均加工時間，利用步驟(三)得到的函數(shù)關系式確定出最佳滾動周期；(II)基于上述得到的最佳滾動周期，執(zhí)行步驟(一)和(二)，即可生成適合工廠實際的最佳調(diào)度方案。FDA0000023327150000011.tif,FDA0000023327150000012.tif,FDA0000023327150000013.tif,FDA0000023327150000014.tif,FDA0000023327150000015.tif,FDA0000023327150000021.tif,FDA0000023327150000022.tif,FDA0000023327150000023.tif,FDA0000023327150000024.tif,FDA0000023327150000025.tif,FDA0000023327150000026.tif,FDA0000023327150000031.tif
2.根據(jù)權利要求1所述的一種基于蟻群算法的動態(tài)滾動調(diào)度方法，其特征在于，所述 的工件到達概率、機器負荷工件和平均加工時間分別通過工廠訂單預測、機器加工能力和 工件工時定額數(shù)據(jù)得出。
3.根據(jù)權利要求1或2所述的一種基于蟻群算法的動態(tài)滾動調(diào)度方法，其特征在于，所 述步驟(一)中的確定重調(diào)度工件集具體為每個重調(diào)度時刻均采用完全重調(diào)度，重調(diào)度工 件集包含待加工工件和新插入工件。
4.根據(jù)權利要求1-3之一所述的一種基于蟻群算法的動態(tài)滾動調(diào)度方法，其特征在 于，所述步驟(一)中的機器可獲得時刻具體為假設工件不具有可搶占性，重調(diào)度點時刻 忙碌機器必須等正加工工件加工結束才有空閑，即在重調(diào)度時刻點，空閑機器可獲得時刻 為重調(diào)度時刻，而忙碌機器可獲得時刻為正加工工件的完工時刻。
5.根據(jù)權利要求1-4之一所述的一種基于蟻群算法的動態(tài)滾動調(diào)度方法，其特征在于，在所述步驟(二)中， =+，其中？」表示元素j的加工時間。
全文摘要
本發(fā)明提供了一種基于蟻群算法優(yōu)化機制的動態(tài)滾動調(diào)度方法，它屬于車間調(diào)度領域，主要解決現(xiàn)有滾動調(diào)度方法不能有效處理不確定事件、最佳滾動周期難確定問題。其步驟為(1)預設置重調(diào)度相關參數(shù)；(2)驅動蟻群算法進行重調(diào)度，生成調(diào)度方案；(3)確定最佳滾動周期與工件到達概率、機器負荷和工件平均加工時間三者之間的函數(shù)關系式；(4)生成最佳調(diào)度方案，即確定適合實際生產(chǎn)的最佳滾動周期，驅動蟻群算法進行重調(diào)度，生成符合實際生產(chǎn)的最佳調(diào)度方案。本發(fā)明可獲得適合不同實際生產(chǎn)的最佳滾動周期及動態(tài)滾動調(diào)度方案，充分發(fā)揮設備利用率，提高生產(chǎn)效率，可為實際生產(chǎn)調(diào)度提供決策依據(jù)。
文檔編號G06Q10/00GK101901426SQ201010226819
公開日2010年12月1日 申請日期2010年7月15日 優(yōu)先權日2010年7月15日
發(fā)明者張利平, 李新宇, 王曉娟, 邵新宇, 高亮 申請人:華中科技大學