一种解决带交付的分布式无等待车间调度优化方法与系统

本发明属于生产调度领域，具体涉及一种解决带交付的分布式无等待车间调度优化方法。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

2、在流水车间调度问题(flow shop-scheduling problem,fsp)中，作业需要经过m道工序，所有工件在m台机器上具有相同的加工顺序。传统的fsp假设所有作业只在一个工厂加工，但是由于全球市场竞争激烈，传统的集中式工厂无法满足客户的不同需要，所以出现了分布式工厂。在分布式流水车间调度问题(distributed flow shop-schedulingproblem,dfsp)中，有多个工厂相互协作，高效有序地进行加工过程。naderi和ruiz首先提出了分布式置换流水车间调度，为了解决这个问题，他们采用了两种工厂分配规划和可变邻域下降策略。li等人设计了一种混合abc算法来处理并行批处理的分布式流水车间调度问题，算法中包含了五种类型的局部搜索和两种类型的特定问题的启发式操作。hatami等人将装配约束添加到分布式流水车间调度问题中。ribas等人研究了带阻塞约束的dfsp，并将迭代局部搜索和可变邻域搜索结合起来解决该问题。gao等人提出了一种禁忌搜索算法来解决分布式置换流水车间调度问题，该算法通过交换子序列生成邻域。zhao等人针对带装配的分布式无空闲流水车间调度问题，以最小化完工时间为目标，提出了一种协同水波优化算法。许多关于dfsp的研究已经证明，分布式工厂比单个工厂有更高的生产质量、更低的生产成本和更低的管理风险。

3、在实际的制造调度问题中通常包含多个优化目标，甚至有的目标之间互相冲突，解决多目标的优化问题引起人们的兴趣，得到广泛的研究。本文讨论了一个多目标的带交付的分布式无等待车间调度问题(distributed no-wait flow shop-scheduling problemwith batch delivery,dnwfsp-bd)，优化目标分别是最小化最大完工时间和总能量消耗(total energy consumption,tec)，最大完工时间包括生产阶段的工件加工时间和批次交付阶段的产品运输时间。完工时间是一个关注效率的目标，而tec则是一个关注经济的目标。在能源短缺的压力下，重视能源保护并制定有效的节能方法十分重要。jiang和wang用一种基于分解的多目标方法来求解具有序列相关准备时间的节能置换流水车间调度，目标是最小化完工时间和tec。zhang等人介绍一种节能混合型fsp，考虑了具有不同能源利用率的机器、序列相关设置时间和机器之间的运输操作。一些研究给工厂中的机器安排不同的速度进行加工，在不同的加工速度下机器的单位能耗是不一样的，对制造过程的影响也是不同的。

4、本文同时考虑了两种类型的约束，分别是无等待约束和批次交付约束。无等待约束是指工件的两个连续工序加工过程中，不允许有中断。这种调度约束可以用于多种实际生产和依赖时间的行业。举个简单的例子，在炼钢连铸过程中，钢液应该在高温条件下处理，为了防止温度急剧下降，无等待是一个不可或缺的约束。批处理问题首先是由santos等人提出，批次的概念是一组已经完工的产品一次性运输给相应的客户。mazden等人建立一个非线性规划模型来处理单机批次交付调度问题，其目标是最小化最大拖延时间和交付成本。由于技术创新和客户不断变化的需求，批次调度的研究不在局限于单机，而是致力于多机批量交付调度，guo等人提出了一种双层进化算法，将模因算法和启发式规则一起用于解决并行机生产的批次交付问题。

5、近几十年来，很多专家对流水车间调度问题的求解算法进行了大量研究。这些算法大概分为两类：启发式算法和智能优化算法。启发式算法是基于某种特定规则构造问题的一个优良解，其优点是速度快和稳定。常见算法有最早交货时间法、加工时间与交货时间平衡法、neh等。我们采用neh启发式算法来生成高质量的初始解，其中首先使用最大处理时间策略获得初始工件序列。智能优化算法是在关键参数的控制下经过一系列操作，最终得到问题的优化结果。常见的有遗传算法、粒子群优化算法、迭代贪婪算法等。尽管已经有多种算法来求解dfsp，但在求解大规模问题时仍然存在计算量大和容易陷入局部最优的缺点。鲸鱼优化算法(whale optimization algorithm,woa)作为一种新的智能优化算法，最初是由mirjalili和lewis提出，现在已经用于解决各种优化问题，如电力系统、图像分割、0-1背包问题等。本发明提出了一种混合鲸鱼优化算法(hybrid whale optimizationalgorithm,hwoa)，即在原始鲸鱼优化算法上混合了插入颠倒块操作、路径重链接策略和改进的vnd，以尽快收敛到最优解。

6、主要贡献如下：(1)建立了milp模型和提出了混合鲸鱼群算法来解决dnwfsp-bd。(2)编码时使用四个向量，分别是作业调度向量、工厂分配向量、批次向量和速度档位。(3)基于关键工厂的六种搜索操作加入到vnd中，提高局部搜索的搜索能力。(4)使用路径链接策略，即当前解经过交换操作或者插入操作到最优解的过程中会生成临时解，这些临时解可能会优于最优解。

技术实现思路

1、本发明的目的在于克服上述现有技术的不足，提供一种解决带交付的分布式无等待车间调度优化方法与系统，提高分布式无等待车间调度的效率，缩小完工时间和能耗。

2、s1：研究了分布式车间调度问题，在这个问题中同时考虑了工序之间的无等待约束和完工产品批次运输给客户；

3、带批次交付的分布式无等待流水车间调度问题中，有n个工件和f个工厂，一旦将工件分配给特定的工厂f，工件只能在工厂f中加工。每个工厂有m台相同的并行机器，并且工件在m台机器上加工顺序是相同的。为了满足无等待约束，工件的所有工序之间不允许有时间间隔。在批次交付阶段，将加工完成的产品，根据客户的需要进行分批，同一批次的产品一起运输给相应客户。问题的约束条件是：所有作业在时间零都可用且准备就绪；每个操作每次只能在一台机器上处理且每个机器同一时间只能处理一个操作；工件各个工序的加工时间是提前已知的非负数，运输时间和工件之间的切换时间可以忽略不计，并包含加工时间内；属于同一工件的所有工序应按照固定顺序依次处理，工序之间不允许中断；每个批次没有产品数量和运输距离的限制。

4、s2：目标是最小化一个线性函数，即先分别给最大完工时间和总能量消耗乘以权重值在相加，得到函数，并建立带交付的分布式无等待车间调度优化问题模型；

5、目标函数为：

6、min：w*cmax+(1-w)*ec

7、cmax表示最大完工时间，ec表示表示总能量消耗，w表示权重系数

8、s3：利用混合鲸鱼优化算法对带交付的分布式无等待车间优化问题模型进行求解优化；

9、混合鲸鱼优化算法的步骤如下：

10、步骤1，初始化

11、步骤2，鲸鱼优化

12、步骤3，插入颠倒块操作

13、步骤4，路径链接策略

14、步骤5，局部搜索策略

15、所述步骤1是这样实现的。为了生成高质量和多样性的初始解，使用了一种启发式算法：首先根据最大处理时间对工件排序得到一个工件序列；然后从序列第一个位置的工件开始，逐个分配给工厂，分配的原则是工件分配给插入该工件后完工时间最小的工厂；最后在使用neh调整每个工厂中的工件序列。

16、所述步骤2是这样实现的。鲸鱼优化算法是模拟座头鲸追逐猎物时的搜索方法和围捕机制，主要包括：围捕猎物、起泡网捕食、搜索猎物三个阶段。每个座头鲸的位置代表了一个潜在解，通过在解空间中不断更新鲸鱼的位置，最终获得全局最优解。

17、所述步骤3是这样实现的。从工件序列中随机挑选两个位置，将这两个位置中的工件全部进行逆序，得到一个颠倒的工件序列块，把这个颠倒的工件序列块从原始的工作序列中切割下来之后，剩余的工件工件组成一个子序列，然后将颠倒的工件块插入到子序列的所有可能的位置。判断每个新序列是否优于原始序列，如果新序列优于原始序列，则将新序列替代原始序列。

18、所述步骤4是这样实现的。路径重链接策略是通过搜索两个给定解的邻域来生成一个新的有价值的解。在当前解逐渐接近最优解的过程中，当前解每执行一次插入操作或者交换操作便生成一个中间解，对所有的中间解进行评估，并保留使目标函数值最小的解。

19、所述步骤5是这样实现的。在可变邻域下降的框架中加入六种基于关键工厂的交换操作和插入操作，六种邻域操作分别是：交换关键工厂中的两个工件；在关键工厂中随机选择两个工件，将一个工件插入到另一个工件之后；选择关键工厂中的一个位置，该位置将关键工厂的工件序列分成两个独立的子序列，交换两个子序列；选择关键工厂中的一个位置，该位置将关键工厂的工件序列分成两个独立的子序列，将子序列中的工件序列先倒序，在交换两个子序列；随机选择工厂f中的一个工件将该工件与工厂f+1中的随机选中的一个工件交换，换句话说，工厂1中的工件与工厂2中的工件交换，工厂2中的工件与工厂3中的工件交换，以此类推，工厂f中的工件与工厂1中的工件交换；随机选择工厂f中的工件将该工件插入到工厂f+1中，使得工件f+1插入该工件后，得到的目标函数最小。

20、s4：采用四个数组对带交付的分布式无等待车间的问题进行编码；

21、编码时使用四个数组，他们分别是：作业调度二维数组，对每个工厂创建一个数组，每个数组包含工件在工厂中的加工顺序；工厂分配一维数组，数组长度为工件的个数，用来表明工件分配给哪个工厂；批次交付二维数组，对每个批次创建一个数组，一个批次的所有工件放在一个数组中；速度档位一维数组，数组长度等于工件的个数加上批次的个数，给出了所有的工件和批次在运作时的机器速度。

22、s5：所提出的算法对于解决带交付的分布式无等待车间调度问题的有效性。

23、该算法在visual studio 2019中编码，首先进行调参实验，选定了合适的权重系数。其次通过cplex对混合整数线性规划数学模型进行了验证。接着为了证明策略的有效性，构建了hwoa的四个变体，hwoa-neh中的内容不包含初始化启发式策略，但其余内容仍与hwoa一致。hwoa-irb和hwoa的不同之处在于从hwoa中去除了插入颠倒块操作。hwoa-pr是保留hwoa中除路径重链接之外的策略。hwoa去掉vnd就得到了hwoa-vnd算法。最后为了进一步测试所提算法的性能，我们将hwoa与人工蜂群算法(artificial bee colony,abc)、人工免疫算法(artificial immune algorithm,aia)进行了比较，证明了hwoa在解决带交付的分布式无等待车间调度问题上的优越性。