本發(fā)明涉及作業(yè)車間調(diào)度技術(shù)領(lǐng)域。

背景技術(shù)：

作業(yè)車間調(diào)度問題(Job-shop Scheduling Problem)是許多實際生產(chǎn)調(diào)度問題的簡化模型，具有廣泛的應(yīng)用背景，譬如生產(chǎn)制造、交通規(guī)則、郵電通信、大規(guī)模集成電路設(shè)計等問題。作為一類滿足任務(wù)配置和順序約束要求的分配問題，JSP已被證明是一個典型的NP_hard問題，它的求解難度遠(yuǎn)遠(yuǎn)大于流水線調(diào)度問題。針對解決作業(yè)車間調(diào)度問題的算法一直是學(xué)術(shù)界和工程界共同關(guān)注的重要課題。

制造業(yè)的競爭日趨激烈，企業(yè)正朝著有不同完工時間和產(chǎn)品要求的多類型、小批量、大批量的生產(chǎn)模式。如何利用現(xiàn)有資源，滿足加工任務(wù)所需各種約束，使所有任務(wù)能盡量按時完成，即如何有效地解決JSP問題，成為一個十分現(xiàn)實和緊迫的問題。高效的調(diào)度算法不可以大大提高生產(chǎn)效率和資源利用率，從而增強企業(yè)的競爭能力，因此對JSP的研究有非常重要的理論和現(xiàn)實意義。

現(xiàn)有的很多算法被提出，用來解決作業(yè)車間調(diào)度問題，但僅僅是解決最底層的作業(yè)車間調(diào)度問題，沒有考慮到實際生產(chǎn)過程中存在的緊急訂單處理情況，且關(guān)于解決工件空位放置(工件庫存)問題的排產(chǎn)算法仍有待優(yōu)化。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的上述不足，本發(fā)明要解決的技術(shù)問題是提供一種新的基于布谷鳥搜索的排產(chǎn)算法，以解決緊急訂單處理問題以及優(yōu)化算法性能使得更加適用于車間實際生產(chǎn)環(huán)境。

本發(fā)明所采用的技術(shù)方案是：針對作業(yè)車間生產(chǎn)問題的排產(chǎn)算法，該算法的步驟如下：

步驟1：編碼：采用基于工序的編碼規(guī)則編碼；

步驟2：設(shè)置工件優(yōu)先級階數(shù)La；

步驟3：設(shè)置工件優(yōu)先級序列P(哪個工件屬于哪個優(yōu)先級)；

步驟4：若某一優(yōu)先級的工件數(shù)量不為空，則執(zhí)行同級排產(chǎn)算法，否則優(yōu)先級+1；其改進(jìn)的同級排產(chǎn)算法步驟如下：

步驟4.1選擇最初最優(yōu)解：按照改進(jìn)布谷鳥搜索算法選擇最初最優(yōu)解；

步驟4.2判斷當(dāng)前最優(yōu)解是否滿足試裝條件，若滿足，則執(zhí)行試裝操作；否則轉(zhuǎn)步驟4.3；

步驟4.3是否有空間放置該工件，是轉(zhuǎn)步驟4.4，否則轉(zhuǎn)步驟4.1；

步驟4.4判斷當(dāng)前所選工件(當(dāng)前最優(yōu)解)即將執(zhí)行的工序是否滿足資源充足的條件，若滿足，轉(zhuǎn)步驟4.5，否則轉(zhuǎn)步驟4.1；

步驟4.5確定最優(yōu)解，輸出最優(yōu)解，執(zhí)行加工操作；

步驟4.6循環(huán)，直到滿足終止條件。

本發(fā)明的有益效果是：

1、不僅解決了資源合理利用調(diào)度問題，還考慮了訂單周期的約束條件，使算法解更加精確、具有實用性。

2、解決了實際生產(chǎn)過程中存在的庫存問題，通過利用工件的平均體積來計算和衡量當(dāng)前庫存容量，比較實用，實時性好，簡單高效。

3、確定了布谷鳥算法中外來鳥蛋被發(fā)現(xiàn)的概率的計算方式，精確高效，使算法更加適用于實際生產(chǎn)環(huán)境中。

4、突破了布谷鳥算法的三個假設(shè)條件之一：鳥窩數(shù)量不變。本發(fā)明考慮了鳥窩數(shù)量增加的情況，設(shè)置了緊急訂單插入的處理方式。

附圖說明

圖1本算法的詳細(xì)流程圖

圖2改進(jìn)的同級排產(chǎn)算法流程圖

圖3一種改進(jìn)布谷鳥搜索算法的基本流程圖

圖4表示試裝過程實施例

圖5表示復(fù)雜的工件組合問題實施例

具體實施方式

以下結(jié)合附圖1到5，對本發(fā)明詳細(xì)描述。

一、所述實際生產(chǎn)過程中試裝過程結(jié)合圖4實施例，描述如下：若干個小工價試裝成一個比較大的工價，這個大工件才進(jìn)行它的工序加工，當(dāng)加工到一定程度(沒有完成它的所有工序)，需要把它拆開，它的小零部件工件繼續(xù)回去加工該工價還沒加工的工序，待達(dá)到一定條件以后，又組裝工價，然后繼續(xù)加工該工件所需后續(xù)工序。依次道理循環(huán)操作，直到滿足終止條件。其實施例結(jié)合圖4如下：工件3由工件1和工價2組裝而成，工件1有5個工序需要加工，工價2有9個工序需要加工。首先加工工件1到第5個工序，加工工件2到第4個工序，把工件1和工件2組裝起來(此過程在機械生產(chǎn)過程中稱為試裝)得到工件3；然后加工工件3到第2個工序，拆分工件3；接下來加工工件1的第6，第7個工序，加工工件2的第5，第6，第7個工序，完成了以后，又把工件1和工件2組裝起來得到工件3；然后加工工件3的第3，第4，第5道工序，完成了以后，拆分；工件1所有工序已經(jīng)完成，這時加工工件2的第8，第9道工序，完成了以后，把工件1和工件組裝起來得到工件3。這時整個加工過程完成。

二、所述復(fù)雜的工件組合問題結(jié)合圖5實施例，描述如下：實際生產(chǎn)過程中，存在多個部件組合而成新的部件，這個新的部件1又可能還會跟其他工件組合成新的部件2,新的部件2又可能需要加工，再跟新的部件3組裝成一個工件，如此循環(huán)。

三、所述步驟1的具體描述如下：采用基于工序的編碼規(guī)則編碼，即染色體由w×n×m個基因組成，他們表示一個工序的排列，在這個工序排列中每個工件號最多出現(xiàn)m次，其染色體是由一個二維空間點(x,y)表示，即第x個訂單的第y個工件。例如，3×4×3(訂單×階數(shù)×工件×機器)的實例，染色體序列為(1,1)(1,2)(2,1)(1,1)(3,1)(3,1)(3,3)(3,2)(1,2)(1,2)(1,1)(1,4)。那么，它對應(yīng)的工件加工序列為：

(J_{1，1，1}，J_{1，2，1}，J_{2，1，1}，J_{1，1，2}，J_{3，1，1}，J_{3，1，2}，J_{3，1，1}，J_{3，2，1}，J_{1，2，1}，J_{1，2，2}，J_1，1，3，J_1，4，1)

其中，J_{t，i，j}表示第t個訂單的第i個工件的第j道工序，j表示工件i出現(xiàn)的次數(shù)。因此，上面例子的染色體序列表達(dá)的意思是先加工順序為：第1個訂單的第1個工件的第1道工序，加工第1個訂單第2個工件的第1道工序，在加工第2個訂單第1個工件的第1道工序，加工第1個訂單第1個工件的第2道工序，以此類推，最后加工第1個訂單第4個工件的第1道工序。因此在解碼時就可以按照工件的出現(xiàn)順序轉(zhuǎn)化為一個調(diào)度方案。

四、所述步驟4.2試裝操作的執(zhí)行如下：

執(zhí)行試裝，如果試裝成功，需要返回加工后續(xù)工序，直接返回到需要加工的后續(xù)加工工序點；如果試裝不成功，則由人工判斷，返回需要加工的工序點進(jìn)行加工。如果試裝成功組合而成的工件需要跟其他工件試裝，就試裝，直到滿足拆分條件再拆分進(jìn)行后續(xù)加工。

五、所述步驟4.3是否有空間放置工件的判斷方法為：

假設(shè)條件：假設(shè)每個訂單沒有延期取貨的情況。

具體步驟：

步驟4.3.1：初始化成品庫存容量C。

步驟4.3.2：計算工件平均體積：

步驟4.3.3：設(shè)置滿庫存警報條件：如果滿足下式，則發(fā)出滿庫存警報：(f+k)·V_ave≥C，其中，f是已完成的工件數(shù)量，k是一個定值，這里取k＝1。

六、所述步驟4.4判斷出工件所需資源是否充足的判定規(guī)則如下：設(shè)置資源庫存池：

判定規(guī)則：

If(庫存池存在所需設(shè)備&&庫存該設(shè)備數(shù)量>＝所需該設(shè)備數(shù)量&&庫存池存在所需工具&&庫存該工具數(shù)量>＝所需該工具數(shù)量&&庫存池存在所需工種工人&&庫存該工人數(shù)量>＝所需該工人數(shù)量)滿足資源充足條件；

Else不滿足資源充足條件。

七、所述步驟4.1改進(jìn)的布谷鳥搜索算法：

步驟4.1.1：初始化算法基本參數(shù)：設(shè)置鳥窩個數(shù)(工件數(shù)量)N,宿主發(fā)現(xiàn)外來鳥蛋的概率Pa(作業(yè)搶占概率)，以及最大迭代次數(shù)MaxT或搜索精度ε：

其中，n為第L優(yōu)先級的鳥巢(工件)數(shù)量；

步驟4.1.2：初始化鳥窩位置(工件加工完成時間)：根據(jù)加工時間長短呈上升趨勢排列。

步驟4.1.3：計算目標(biāo)函數(shù)值：按照編碼規(guī)則將鳥窩位置(完成時間)轉(zhuǎn)換為工序排列，計算各鳥窩位置對應(yīng)的目標(biāo)函數(shù)值，并獲得當(dāng)前最優(yōu)鳥窩位置，具體實現(xiàn)為：

目標(biāo)函數(shù)：

f(T)＝min max_1≤o≤w{max_1≤k≤m{max_1≤i≤nT_oik}} (1)

約束條件：

T_oik-p_oik+M(1-a_oihk)≥T_oih

(o＝1，2，...，w；i＝1，2，...，n；h，k＝1，2，...，m) (2)

T_ojk-T_oik+M(1-x_oijk)≥p_oik

(i，j＝1，2，...n；o＝1，2，...，w；k＝1，2，...，m) (3)

T_oik≥0(o＝1，2，...，w；i＝1，2，...，n；k＝1，2，...，m) (4)

x_oijk＝0或1(i，j＝1，2，...，n；o＝1，2，...，w；k＝1，2，...，m) (5)

max_i{T_oi}≤T_o (6)

其中，式(1)表示目標(biāo)函數(shù)，即完成時間(Makespan)；式(2)表示工藝約束條件決定的每個工件的操作的先后順序；式(3)表示加工每個工件的每臺機器的先后順序；式(4)表示完工時間變量約束條件；式(5)表示變量可能的取值大小。上述公式中所涉及的符號定義含義如下：T_oik和p_oik分別為第o個訂單(或階數(shù))中的第i個工件在機器k上的完成時間點和加工時間長度；M是一個足夠大的整數(shù)；a_oihk和x_oijk分別為指示系數(shù)和指示變量，其含義為：

式(6)表示第o個訂單的所有工件最大完成時間小于訂單周期T_o的時間約束。

步驟4.1.4：更新鳥窩位置：

(1)一種情況：如果沒有新的鳥窩出現(xiàn)(鳥窩數(shù)量沒有增加(沒有新的訂單的出現(xiàn)))：開始迭代，保留上代最優(yōu)鳥窩位置不變，更新鳥窩位置(即全局搜索)，從而隨機產(chǎn)生下一代鳥窩，并評估位置更新后每個鳥窩的目標(biāo)函數(shù)值，記錄當(dāng)前最優(yōu)鳥窩位置。具體實施方案如下數(shù)學(xué)公式所示：

其中，表示第i只布谷鳥在第t代的鳥窩位置(在車間調(diào)度問題中用C_oik表示)，α是步長大小參數(shù)，一般取α＝0.1。參數(shù)S是隨機游動的步長，計算公式如下：

S＝u+α·σ (10)

其中，

在局部搜索時對每一鳥窩位置按條件進(jìn)行更新：用一個隨機數(shù)Ra作為鳥窩主人發(fā)現(xiàn)外來鳥蛋的概率并與Pa進(jìn)行比較，若Ra>Pa，則隨機改變鳥窩位置，否則保持原來位置不變,并計算位置移動后每個鳥窩的目標(biāo)函數(shù)值，記錄當(dāng)前最優(yōu)鳥窩位置。用如下0-1規(guī)劃模型表示：

(2)另一種情況：如果有新的鳥窩出現(xiàn)(有新的訂單出現(xiàn))，鳥窩數(shù)量增加，即：N+H，H為新增的鳥窩數(shù)量，同時，判斷是否為緊急訂單：如果是，做緊急訂單處理操作，把該訂單的工件設(shè)置為所需加工的工序的優(yōu)先級；如果不是緊急訂單，則不做緊急處理。

其緊急訂單處理操作如下：計算緊急系數(shù)，緊急系數(shù)越大的訂單緊急程度越大，越需要得到優(yōu)先處理，緊急系數(shù)的計算如下：

其中，max{To_pre}為訂單o的估計完成時間，這里通過人工經(jīng)驗估計得到，To為訂單o的交貨周期。

步驟4.1.5：更新最優(yōu)函數(shù)值：比較本次迭代和上一次迭代鳥窩位置的最優(yōu)值，如果新的最優(yōu)值小于原最優(yōu)值，則把新的最優(yōu)值賦予當(dāng)前最優(yōu)鳥窩位置的目標(biāo)函數(shù)值。

步驟4.1.6：當(dāng)?shù)竭_(dá)最大搜索次數(shù)或滿足搜索精度時轉(zhuǎn)入步驟4.1.7，否則，轉(zhuǎn)步驟4.1.3進(jìn)行下一次搜索。

步驟4.1.7：輸出最優(yōu)調(diào)度值和對應(yīng)的調(diào)度方案(染色體序列)。