制造企业车间的混合智能调度优化方法
【技术领域】
[0001] 本发明涉及车间作业调度技术领域，特别是一种制造企业车间混合智能调度优化 方法。
【背景技术】
[0002] 制造企业车间系统是一个包含多个生产任务和多个可用资源（机器）的制造系 统。该系统的混合智能调度优化是根据生产任务和可用资源的不同，综合多种智能优化算 法来自动寻找最优任务调度方法的过程。使用作业调度优化所得到的任务调度顺序可以提 高设备利用率、缩短生产周期、增加生产柔性，最终实现降低企业生产成本、降低生产能耗 和提高企业经济效益。
[0003] 为寻求更优的车间作业调度方法，公开号为CN101303749A的专利根据客户传入 的需求信息，生成车间作业任务清单，然后根据系统产能和任务清单，使用调度决策模块来 生成调度流程，最后再按照作业任务排列表的内容进行任务执行。然而，专利CN101303749A 中车间作业调度的核心模块一一决策模块使用的是基于二阶优化遗传算法的，虽然解决了 车间作业调度问题中的系统瓶颈问题，但是其计算过程中需要大量存储空间来保存个体信 息，硬件要求较高，且计算过程需要耗费大量时间。
【发明内容】
[0004] 本发明的目的在于提供一种存储空间大大减少、计算速度快、搜索结果更优的制 造企业车间混合智能调度优化方法。
[0005] 实现本发明目的的技术解决方案为：一种制造企业车间的混合智能调度优化方 法，具体步骤如下：
[0006] (1)初始化HS算法和SA算法的相关参数，包括和声记忆库大小HMS，和声记忆库 考虑概率HMCR，变量微调概率PAR，变量微调幅度BW和最大迭代次数NI;
[0007] (2)根据不同的生产任务，输入每个任务所涉及的加工信息；
[0008] (3)根据输入的加工信息，使用基于工序的编码方式对问题进行编码，然后使用随 机生成方式生成和声记忆库HM中HMS个初始解；
[0009] (4)使用SA算法对和声记忆库中HMS个初始解进行邻域变换，如果变换后的解好 于原解则接收，否则以SA算法中随温度递减的概率接收；
[0010] (5)采用学习和声记忆库、变量微调、随机生成新音调三种生成机制生成新解；
[0011] (6)使用和步骤（4)相同的方法，用SA算法对步骤（5)中产生的新解进行领域变 换和决定是否接收新解；
[0012] (7)建立目标优化函数，以最小化最大完工时间为优化目标，根据优化结果更新和 声记忆库HM，如果新解好于和声记忆库HM中的最劣解，则用新解替换劣解；
[0013] (8)检查算法终止条件：判断是否已运行了最大迭代次数NI，如果没有则跳转到 步骤（5)，否则进入步骤（9);
[0014] (9)算法输出：输出和声记忆库HM中的最优和声解，并由最优和声解中的决策变 量得出所有工件调度的顺序，包括所有工件的每个工序的加工机器、加工耗时、加工开始时 间、加工结束时间和系统总的加工时间，画出系统的调度甘特图。
[0015] 进一步地，步骤（2)所述每个任务所涉及的加工信息包括任务的加工工序、批量 数、需要的机器以及在该机器上需要的加工时间。
[0016] 进一步地，步骤（3)所述使用随机生成方式生成和声记忆库HM中HMS个初始解， 具体为：按照系统中各工件的工序数量顺序编码成一系列重复的工件，即为新和声解的决 策变量，然后给每个决策变量随机产生加工优先值v=rand(1，N。)，其中N。为决策变量个 数，最后根据优先值v对所有决策变量进行降序排序，如果两个决策变量优先值相同，则先 出现的决策变量排前面。
[0017] 进一步地，步骤（4)所述使用SA算法对和声记忆库中HMS个初始解进行邻域变 换，具体为：对每个和声解进行随机2邻域交换，随机2邻域交换是随机产生两个不大于N。 的正整数，对处于这两处位置的决策变量的加工优先值进行交换；计算邻域交换后的新和 声解与原和声解的目标函数差值delta，根据模拟退火的原理：如果delta小于0,直接使用 新和声解代替原和声解；相反delta大于等于0,则以exp(_(E(x'）_E(x))/T)的随SA温度 递减的概率接受新和声解，其中函数E()为系统调度的目标函数，如系统最小的完工时间， X'为新产生的和声解向量、X为原和声解向量、T为SA算法所采用的温度参数。
[0018] 进一步地，步骤（5)所述采用学习和声记忆库、变量微调、随机生成新音调三种生 成机制生成新解，具体为：使用基于工件号的升序排序A0J规则，对和声记忆库HM中的所有 和声解进行基于工件号的非递减排序；以和声记忆库考虑概率HMCR从和声记忆库HM中使 用学习和声记忆库的方式来生产新解，即此时新解中的每个决策变量随机选自于和声记忆 库HM中和声解的对应决策变量，然后再以变量微调概率PAR进行变量微调，调整的最大幅 度为变量微调幅度BW;以1-HMCR的概率采用随机生成新音调的方式生成新解；所述学习和 声记忆库、变量微调、随机生成新音调分别如下：
[0019] a)学习和声记忆库
[0020] 随机生成一个0到1之间的随机数rand，将rand和记忆库取值概率HMCR比较， 若rand小于等于HMCR则新解的每个决策变量分别随机选自于和声记忆库HM中和声解的 对应决策变量；
[0021] b)变量微调
[0022] 采用学习和声记忆库的方式产生新解之后，以微调概率PAR对各决策变量所对应 的加工优先值进行随机调整，调整的最大幅度为变量微调幅度BW;
[0023]c)随机生成新音调
[0024] 按照步骤⑶所述的方式生成新的和声解。
[0025] 进一步地，步骤（7)所述建立优化函数，以系统最小的完工时间为优化目标，根据 优化结果更新和声记忆库，具体如下：
[0026] 建立优化函数，以系统最小的完工时间为优化目标，公式定义如下：
[0027]
[0028] 其中集合J= {Λ,J2, . . .，JJ表示η个不同的工件，集合M= {MdM；；，. . .，Mm}表示 m台不同的机器，Sl]表示工件Ji在机器Μ,上的加工开始时间，tu表示工件Ji在机器Μ,上 的本次加工持续时间；i表示工件编号且i= 1，2,…，n，j表示机器编号且j= 1，2,…，m;
[0029] 如果步骤（5)中新产生的和声解向量X'的目标函数值f (X'）比和声记忆库HM中 目标函数值f (X)最差的好，则把X'放入和声记忆库HM中，同时将和声记忆库HM中最差的 和声解从和声记忆库HM中删除；否则直接丢弃X'。
[0030] 本发明与现有技术相比，其显著优点为：（1)根据不同的任务需求和资源信息，使 用基于和声搜索（HarmonySearch，HS)和模拟退火（SimulatedAnnealingAlgorithm，SA) 的混合算法（IHSSA)作为决策模块的最优调度方法的搜索算法，其占用的存储空间与和声 库大小（HMS，一般最多取值为几十）成正比，所以在解决相同问题时需要的存储空间大大 减少；（2)上述IHSSA算法采纳了HS算法存储空间小和SA算法以递减的概率接收较差解 的优点，搜索解空间大、搜索能力强、收敛速度快，因此在只改变使用算法的基础上，对硬件 的要求降低、搜索到最优解耗时较短，即计算速度更快，搜索结果更优；(3)通过生成任务 的录入、最优调度方法的搜索和调度结果的输出，实现了制造企业车间作业调度的自动化 和优化。
【附图说明】
[0031] 图1为发明制造企业车间的混合智能调度优化方法的流程图。
[0032] 图2为本发明实施例中获得的最优解对应的车间作业调度甘特图。
【具体实施方式】
[0033] 本发明根据不同的任务需求和资源信息，使用基于和声搜索（HarmonySearch， HS)和模拟退火（SimulatedAnnealingAlgorithm，SA)的混合算法（IHSSA)作为决策模 块的最优调度方法的搜索算法，和遗传算法相比，其占用的存储空间与和声库大小（HMS，一 般最多取值为几十）成正比，而遗传算法的存储空间和种群个体数（一般取值1000以上） 成正比，所以在解决相同问题时需要的存储空间大大减少，同时计算速度更快，搜索结果更 优。本发明能够解决已有调度方法硬件要求高、容易陷入局部解的问题。
[0034] 本发明制造企业车间的混合智能调度优化方法，包括生产任务和资源信息的录 入、最优车间调度方法的搜索和最优调度方法的输出，结合图1，具体步骤如下：
[0035] (1)初始化HS算法和SA算法的相关参数，包括和声记忆库大小（HarmonyMemory Size，HMS)，和声记忆库考虑概率（HarmonyMemoryConsideringRate，HMCR)，变量微调概 率（PitchAdjustingRate，PAR)，变量微调幅度BW和最大迭代次数NI;
[0036] (2)根据