一种基于免疫网络理论的生产调度优化算法的制作方法

本发明涉及互联网通讯技术领域，具体涉及一种基于免疫网络理论的生产调度优化算法。

背景技术：

在工业“4.0”的时代大背景下，信息技术与制造技术蓬勃发展，相互交融，促进了制造业向“智能制造”方向发展，“智能制造”的提出将引发制造生产模式的深入变革。研究“智能制造”下的生产调度优化问题，具有前瞻性，也是未来解决众多智能生产问题的核心问题之一。本发明针对智能制造背景下的加工车间，对其进行描述，分析了生产调度优化问题的特点。针对车间生产系统具有实时动态性和高度柔性的特点，对其生产调度优化问题进行了深入研究。采取离散事件仿真建模和启发式调度规则以及人工免疫系统的理论进行仿真优化，取得了一些可行的研究成果。

规则调度方法是生产实践中应用最为广泛的启发式调度方法。它是通过一定的调度规则(Dispatching Rule)，对工件/设备进行优先级排序，控制车间制造系统中的物流过程。规则调度实际上是一个多级决策的过程，在各决策点，当有多个工件或多台设备可用时，首先选择优先级最高的工件/设备。研究表明，多种优先规则组合起来更具优势。

规则调度方法简单、易于实现，但自适应能力差，不适用于动态调度环境。本发明先后采用了63种最优调度规则和免疫调度规则求解同样的车间调度问题，通过MATLAB编程，生成大量仿真测试数据，经统计分析，免疫调度算法在1000个测试样本中胜出的累计频数远远高于所有的启发式调度规则算法，说明基于最优调度规则的调度算法在调度性能上的表现要差于本发明提出的免疫调度算法。

技术实现要素：

根据现有技术的不足，本发明基于免疫网络理论中的独特型网络提出了一种免疫调度算法，经过大量仿真测试，结果表明所设计的免疫调度算法与最优调度规则相比，能更快速地找到调度目标函数的解，且求得的函数值更优，为实现智能加工车间的多目标调度和提高调度的自适应性提供了一种有效的方法。

本发明按以下技术方案实现：

一种基于免疫网络理论的生产调度优化算法，该方法为：首先根据规则调度方法提出了63种优先级调度规则对随机动态到达智能加工车间的工件进行仿真调度，得到了满足单个调度目标最优的调度规则及车间结构仿真参数，用于同后面提出的免疫调度算法的性能作比较；然后，根据免疫系统中的信息处理机制，将人工免疫系统中的免疫网络理论引入生产调度系统，设计、基于独特型网络的免疫调度算法；根据独特型网络理论对最优调度规则建立独特型网络，定义了有效的抗体结构和抗原结构，将最优调度规则、当前车间状态定义为抗体，将车间状态定义为抗原；通过抗体与抗原的匹配、抗体间亲和力计算、抗体浓度计算、抗体选择，说明免疫调度算法求解调度问题的过程；通过MATLAB，生成大量仿真测试数据，来验证免疫调度算法的调度性能。

优选的是，所述63种优先级调度规则包括工件调度规则和机器指派规则。

优选的是，所述工件调度规则包括三种调度模式，分别为简单规则调度、符合规则调度和自定义规则调度。

优选的是，所述机器指派规则包括三种机器指派规则，分别为选择工作量最小的机器，选择利用率最低机器和选择队长最短的机器。

优选的是，单个调度目标最优的调度规则如下：根据生产调度问题仿真参数集的组合情况，确定需要仿真的实验有72组，每组实验运行20次；每组实验中，依次选取63种启发式调度规则算法，计算出每组调度规则的调度目标值，仿真达到稳定状态后，将平均值输出，作为仿真结果；经过统计分析，得到在不同车间参数下，满足不同调度目标的最优调度规则，为优先级调度规则在智能加工车间中的应用提供一定参考，也为后期进一步实现对启发式调度规则的智能控制提供数据基础。

优选的是，免疫调度算法如下：独特型免疫网络模型中包括抗体和抗原；抗体代表当前的车间状态和相应的调度规则；抗原代表系统中新出现的车间状态；根据独特型网络中抗原和抗体的结构特点，将抗体和抗原结构分别进行描述；抗原中的表位对应当前的车间状态，车间状态用一些属性进行描述；抗体的补位对应与表位匹配的车间状态，反应部分对应调度规则，独特位对应该抗体与其他抗体的刺激、抑制作用，以抗体间的亲和力表示；建立独特型免疫网络模型之后，车间中出现的任何状态都被当作是新抗原，模型中与之相匹配的抗体迅速大量增殖，选择最优抗体对抗原进行处理，即选择浓度最大的调度规则进行调度。

优选的是，亲和力有两种，一种是抗体与抗原之间的亲和力，一种是抗体间的亲和力；只有抗原与抗体匹配时，抗体与抗原之间亲和力值为1；抗体间亲和力表示系统为某一状态时，抗体间的刺激或抑制作用。抗体间亲和力值的计算是计算抗体浓度的关键步骤。

优选的是，系统中的抗体群体中，与抗原匹配的抗体会迅速大量增殖，浓度急剧增加，按照相应计算式计算抗体浓度；

优选的是，若车间状态不变，抗原和抗体就处于一种稳定状态，此时最优抗体的选择按照轮盘赌算法选择，即浓度越大的抗体，被选中的概率越大；

抗体群体为N＝{1,2,...,14}，抗体i的浓度为Ci，按照轮盘赌算法，其选择

概率为：

本发明有益效果：

本发明设计的免疫调度算法远远优于其他单个启发式规则调度算法，展现了免疫调度算法处理多目标动态调度问题的效率和有效性。此外，测试数据表明，所设计的免疫调度算法与最优调度规则相比，能更快速地找到调度目标函数的解。

附图说明

图1为智能加工车间生产现场模拟图；

图2为启发式调度规则算法的流程图；

图3为免疫网络示意图；

图4为免疫调度算法流程图；

图5为免疫调度算法的频数累计图。

具体实施方式

以下结合附图，通过具体实施例对本发明作进一步的说明。

为了改进启发式调度规则算法，本发明基于免疫网络理论中的独特型网络提出了一种免疫调度算法，经过大量仿真测试，结果表明所设计的免疫调度算法与最优调度规则相比，能更快速地找到调度目标函数的解，且求得的函数值更优，为实现智能加工车间的多目标调度和提高调度的自适应性提供了一种有效的方法。技术方案主要包括以下内容。

1.智能生产调度问题的数学模型建立

在整个智能制造系统中，智能加工车间承担着产品的加工制造任务，是智能制造的关键点。简化的智能加工车间生产现场模拟如图1所示。

从“实体物理”的角度分析，如图1，本发明建立的车间模型中有12台智能化的加工设备，包括智能机器人、智能铣床、智能磨床等，负责对订单进行加工；另外还有物料暂存区、成品暂存区，保证物料流转、暂存有序进行；车间中的AGV智能小车，应用于机床上下料，码垛搬运等；仓储方面有自动化立体仓库，以AGV智能小车完成货物入库和出库作业。

结合智能加工车间生产调度问题的特征，将问题描述如下：有n个工件{J1,J2,…Ji,…Jn}需在m(12)台机器{M1,M2,…Mk,…Mm}上进行加工，工件Ji有ni道工序工件的每道工序可以在其可选机器集合中的任意一台机器上加工，且工件Ji的第j道工序Oij在机床Mk上的加工时间Pijk不一定相同；工件随机地到达车间，且工件的到达时间、交货期、各工序的加工时间、可选机器集合等只能随时间的推移逐渐获得。调度过程中要合理安排各工序到合适的加工机器上，还要满足一定的约束条件和调度目标，使得调度结果准确、可靠。

根据车间结构定义，确定车间调度的仿真参数集为：工序平均加工时间μ，交货期紧张度因子δ，机器平均故障水平ξ，机器平均效率ε，车间利用率χ，柔性工艺程度F等六个变量，表示为S＝{μ,δ,ε,ξ,χ,F}。为尽可能描述车间生产情况，为6个参数变量设置不同水平值。

1)工序平均加工时间μ。工件加工时间较小，本文设置为20。

2)交货期紧张度因子δ。交货期紧张度直接反映了工件交货的紧急程度，本文设定三种交货期水平，以便对比分析。设定δ＝{20,10,5}，分别表示宽松交货期、中等交货期和紧迫交货期。

3)平均机器效率ε。机器在正常运行时，执行加工任务，出现故障时停机，设定机器平均效率ε＝{80％,90％}。

4)机器平均故障水平ξ。反映机器故障情况的主要参数，ξ＝{15,5}。

5)车间利用率χ。已有研究表明，车间利用率对调度规则的性能有较明显的影响。为了对结果进行对比分析，设车间利用率χ＝{95％,90％,85％}。

6)柔性工艺程度F。考虑全部柔性和部分柔性的情况，设定柔性程度即F＝{12,8}。

此外，仿真参数中还包括机器数量m＝12,工件数量500个，根据以上变量设置，可得出仿真实验有3×3×2×2×2＝72组，每组仿真实验运行20次。

以生产过程中常见的几类指标：基于加工时间、基于交货期的指标、基于机器负荷，建立智能车间生产调度优化问题的数学模型，各目标函数如式(1)至(9)所示。

最大流经时间最小：Fmax＝min{max{Fi|i＝1,2,...,n}} (1)

平均流经时间最小：

流经时间的方差最小：

最大拖期时间最小：

平均拖期时间最小：

拖期工件比最小：

拖期时间方差最小：

总机器负荷最小：

机器最大负荷最小：

2.智能加工车间生产调度优化问题的仿真测试

在上面建立的数学模型的基础上，确立启发式调度规则算法。以启发式优化规则调度理论为基础的车间调度系统包括工件调度规则和机器指派规则两类。工件在加工过程中，一是要根据工件调度规则确定待加工工件的优先级，优先级高的工件先安排加工；二是要根据机器指派规则为队列中的工件选择最合适的加工机器，选择优先级高的机器执行加工任务。

2.1工件调度规则

工件调度规则较为复杂，主要包括3种调度模式：简单规则调度、符合规则调度和自定义规则调度。

(1)简单规则类：

1)FCFS规则(First come first serve)：FCFS规则为“工件到达时间越早越优先”。是一个典型的与加工时间和交货期均无关的规则，通常作为标杆规则。工件Ji在调度时刻T的优先级定义为：

2)SPT规则(shortest processing time):SPT规则为“加工工时越短越优先”，是典型的基于加工时间的规则，常作调度规则评价的标杆规则。工件Ji在调度时刻T的优先级定义为：pri＝pij

3)FRO规则(fewest remaining operations)：FRO规则为“剩余工序越少越优先”，工件Ji在调度时刻T的优先级定义为：pri＝ni-j+1

4)SRPT规则(shortest remaining processing time)：SRPT规则为“剩余加工时间越短越优先”，工件Ji在调度时刻T的优先级定义为：

除以上四种以外，还有一些简单规则，如STW规则(总工作量越少越优先)，EDD规则(工件的交货期越早越优先)，Slack规则(松弛时间越小越优先)，CR规则(关键比率越小越优先)，EJF规则(紧急工件优先)

(2)组合规则类：

主要包括S/RPT规则(每道剩余加工时间的松弛时间越小越优先)，RPT/PT_Slack规则(剩余加工时间与加工时间比值加松弛时间越小越优先)，S/RO_PT_α规则，PT_StayTime规则，PT_WINQ_AT规则，2PT_SRPT_WTIS/PT规则，max(CR×PT,PT)规则等。

(3)自定义规则类：

主要包括OSlack规则(工序松弛因子越小越优先)，Priority_SPT_Slack规则，WINQ规则，WINQ_SPT规则，WINQ_SPT/Staytime规则。

综上，共有21个工件调度规则，根据规则来计算每个工件的优先级pri，pri越小的工件，越先安排加工。

2.2机器指派规则

由于工序存在可选机器集合，因此下一步要为队列中的工件选择合适的加工机器。工件在可选机器集合中选择加工机器时，先判断机器状态，然后根据机器指派规则来选择机器，完成加工任务。机器指派规则不需要大量计算，在排队队列中的工件，能够迅速判断智能加工机器的状态。共有三种机器指派规则，分别为WINQ(选择工作量最小的机器)，LUM(选择利用率最低机器)，NINQ(选择队长最短的机器)。

综上工件调度规则和机器指派规则一共有63种启发式调度规则算法。智能加工车间生产调度问题的启发式调度规则算法流程如图2所示

按照以上算法，用C#编写程序。根据生产调度问题仿真参数集的组合情况，确定需要仿真的实验有72组，每组实验运行20次。每组实验中，依次选取63种启发式调度规则算法，计算出每组调度规则的调度目标值，仿真达到稳定状态后，将平均值输出，作为仿真结果。经过统计分析，得到在不同车间参数下，满足不同调度目标的最优调度规则，为优先级调度规则在智能加工车间中的应用提供一定参考，也为后期进一步实现对启发式调度规则的智能控制提供数据基础。

3.免疫调度算法的设计与仿真测试

经过上面的仿真计算分析，发现在一定车间参数下满足某种调度目标的最优调度规则不一定是同一车间参数下另一种调度目标的最优规则，而当车间参数变化时，也不一定再是原调度目标的最优调度规则。而在智能加工车间实时动态的生产环境下，其车间参数必须要随着时间推移发生变化，且要同时满足多个调度目标，这就要求在变化的车间环境中，要迅速找到与之相对应的最优调度方案。本发明提出的免疫调度算法即是以此为目标。

免疫网络理论认为，免疫系统中各细胞不是处于一种独立状态，而是通过自我识别、相互刺激和抑制构成一个动态平衡的网络。如图3所示。抗体结构中的一个特殊部分称为独特位，体现了抗体的抗体特征。抗体的补位与抗原的表位连接，独特位与其他抗体的补位连接，形成一个独特型网络。

将调度系统看成一个免疫系统，将独特型网络的基本原理应用于智能加工车间调度规则的动态选择问题，以便在每个调度决策点上自动选择调度规则，由此，建立一种基于免疫网络理论的独特型免疫网络模型。模型简要说明如下：

独特型免疫网络模型中包括抗体和抗原。抗体代表当前的车间状态(包括车间结构参数和调度性能指标)和相应的调度规则；抗原代表系统中新出现的车间状态。根据独特型网络中抗原和抗体的结构特点，将抗体和抗原结构分别进行描述。抗原中的表位对应当前的车间状态，车间状态用一些属性进行描述(包括调度目标、车间结构参数)；抗体的补位对应与表位匹配的车间状态，反应部分对应调度规则，独特位对应该抗体与其他抗体的刺激、抑制作用，以抗体间的亲和力表示。建立独特型免疫网络模型之后，车间中出现的任何状态都被当作是新抗原，模型中与之相匹配的抗体迅速大量增殖，选择最优抗体对抗原进行处理，即选择浓度最大的调度规则进行调度。

3.1)抗体结构

作为独特型免疫网络模型中的关键成员，抗体的准确性描述至关重要。根据独特型网络中抗体的结构情况，引入调度规则和调度性能指标，定义的抗体结构如表1和表2所示：

表1一般抗体结构

表2特殊抗体“EJF”结构

3.2)抗原结构

模型中另一个关键成员是抗原，建立的抗原结构如表3

表3抗原结构

各种车间状态下的最优调度规则组合共有14个，对应到独特型网络模型中有14个抗体，再加上特殊抗体“EJF”，共15个抗体，以反应部分命名抗体，分别如下：

表4 15个抗体

以抗体<PT_StayTime,NINQ>为例，说明其结构，如表5所示，其他抗体也类似表示。

表5抗体<PT_StayTime,NINQ>结构

抗体中的补位与抗原中的表位匹配，独特位反映了其他抗体对该抗体的刺激和抑制作用，作用大小用(抗体i，亲和力i)表示。

3.3)免疫调度算法设计

根据独特型网络理论，对网络中的抗体、抗原进行定义和描述，并设计了抗体结构和抗原结构，在此基础上设计了基于独特型网络的免疫调度算法，如图4所示。

3.3.1)抗原抗体是否匹配

检查抗体与抗原是否匹配的标准是看抗体的补位能够与抗原的表位是否一致，若一致，则初步选择相应的抗体作为备选，并按照图4所示的调度流程进行下一步操作；若不一致，则需重新生成新的抗体群体，先选出新的车间状态下新的最优调度规则，再按照本章所述的方法建立新抗体，生成新的抗体种群，再与系统中出现的新抗原匹配

3.3.2)亲和力计算

亲和力有两种，一种是抗体与抗原之间的亲和力，一种是抗体间的亲和力。只有抗原与抗体匹配时，抗体与抗原之间亲和力值为1；抗体间亲和力表示系统为某一状态时，抗体间的刺激或抑制作用。抗体间亲和力值的计算是计算抗体浓度的关键步骤。

3.3.3)抗体浓度计算

系统中的抗体群体中，与抗原匹配的抗体会迅速大量增殖，浓度急剧增加，按照相应计算式计算抗体浓度。

3.3.4)抗体选择

选择最优抗体进行调度。若车间状态不变，抗原和抗体就处于一种稳定状态，此时最优抗体的选择按照轮盘赌算法选择，即浓度越大的抗体，被选中的概率越大。

抗体群体为N＝{1,2,...,14}，抗体i的浓度为Ci，按照轮盘赌算法，其选择

概率为：

3.4)免疫调度算法的实现

为测试设计的免疫调度算法的有效性，设计实验对其进行测试，随机生成1000个测试样本，每个样本中包括500个工件，12台机器。为尽量避免随机性的影响，每个测试样本重复运行20次，记录每次运行的数据，再计算20次的平均值。对于每个测试样本，均将免疫调度算法与63种启发式规则调度算法一同比较。

3.5)仿真结果分析

统计所有测试样本中64种调度方法的表现情况。限于篇幅，举一个例子说明。在随机生成的测试数据中，某个车间状态为{μ＝20,δ＝20,ε＝80％,ξ＝5,χ＝90％,F＝12}，调度目标为：流经时间方差最小，拖期时间方差最小，随机生成的目标权重分别为0.7和0.3，则多目标调度函数经计算，免疫调度算法得出的G最小。

以上这样的车间初始状态，免疫调度算法的调度性能最优，故被选中1次。同理，在1000个测试样本中，随机生成不同的初始状态，并将免疫调度算法的调度性能分别计算出来，再与其他64种调度方法相比较，并将算法在所有调度方法中的累计频数情况列出，表示为图5。

显然，1000个测试样本表明，在实时动态的车间环境中，与其他63种规则调度方法相比，免疫调度算法的累计频数为719(排第一)；说明设计的免疫调度算法远远优于其他单个启发式规则调度算法，展现了免疫调度算法处理多目标动态调度问题的效率和有效性。此外，测试数据表明，所设计的免疫调度算法与最优调度规则相比，能更快速地找到调度目标函数的解。

以上所述，仅是本发明的设计方案，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何的简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。