关键词:
柔性装配作业车间调度
多目标优化
学习效应
人工蜂群算法
摘要:
随着世界制造业产业模式的转变,调度优化的优势愈渐凸显。柔性作业车间调度(Flexible Job Shop Scheduling,FJSP)克服传统生产车间的困难,使得调度过程更加契合真实生产车间。柔性装配作业车间调度(Flexible Assembly Job Shop Scheduling Problem,FAJSP)是以FJSP为基础发展的一种加工与装配相继优化调度问题,存在规模大、问题复杂、求解难等问题。本文充分考虑柔性装配作业车间调度的现实约束,包括工件的准备时间、机床之间的运输时间以及工人的学习效应约束,优化最大完工时间、总能耗和总成本,以FJSP为基础构建数学模型,通过分析问题的特点,设计了多种交叉、变异和邻域搜索算子,提出了多目标优化算法优化目标。本文的主要研究内容如下:
(1)研究了带有准备时间和运输时间的柔性装配作业车间调度问题,在FJSP的基础上,以最大完工时间和总能耗为目标函数,建立了MILP模型,并剖析了FAJSP的特性,提出了多目标人工蜂群算法(Multi-Objective Artificial Bee Colony,MOABC)。设计了契合问题的编码解码结构,编码是包含机床选择、工序序列、产品分配的三维向量,通过文献研究,集成多种初始化种群的方案,提高初始种群质量。结合问题的特性,将不同的操作算子融入算法的各阶段,进一步优化种群。最后,通过超体积、反转世代距离指标,验证了该算法的有效性。
(2)针对实际柔性装配作业车间调度的复杂性,考虑了工人的学习效应约束,加工工人由于技能水平的差异性,划分不同的等级,等级越高,证明工人对加工机床的操作越熟练,加工时间也越短,但产生的工人成本会随之增加。故在对问题进行深度分析后,建立考虑考虑学习效应的MILP模型,提出了混合多目标人工蜂群算法(Hybrid Multi-objective Artificial Bee Colony,HMABC)求解该问题。编码方式在之前研究基础上添加了工人序列向量,在HMABC中,采用基于关键路径的变异操作对种群中的个体进行更新,利用模拟退火算法的优势,嵌入特殊的邻域操作,提高HMABC的局部搜索能力。通过与其他算法的对比实验,证明了HMABC算法能够满足多约束FAJSP的需求。