关键词:
柔性作业车间重调度
遗传算法
概率神经网络算法
麻雀搜索算法
摘要:
新工件随机到达是实际加工过程中经常遇到的干扰问题,一旦出现必会影响到生产调度的高效性和稳定性。因此,如何快速解决随机干扰带来的危害,合理选择重调度方式是重中之重。然而,现在大多数车间在生产过程中面对干扰时的调度决策仅仅依赖工人师傅的经验,决策具有极大的不确定性和随机性,即使有相关扰动研究也多集中在流水车间和作业车间。因此,本文以新工件随机到达干扰下的柔性作业车间生产为背景,对如何快速选择最符合需求的重调度方式的方法展开研究,内容如下:(1)首先对柔性作业车间动态调度问题(Dynamic Flexible Job Shop Scheduling Problem,DFJSP)进行深入研究,主要研究新工件到达干扰下柔性作业车间的重调度策略。设计两种重调度策略减少干扰造成的影响,结合改进的遗传算法找到初始调度模型的最优解,以最小化Cmax为初始调度的优化目标,选择使得性能绩效和稳定绩效综合最优的重调度方法。多次实验分析新工件在不同阶段到达时对结果的影响程度,使用加权法决定选择的重调度策略,实验得到大量的高维带标签数据。(2)根据得到的大量带标签数据,利用概率神经网络算法(Probabilistic Neural Network,PNN)通过大量数据学习提升其分类准确率,以便在新工件随机到达干扰产生时迅速高效的选出两种重调度方式中最符合生产要求的重调度方式并对柔性作业车间进行二次调度。为提升PNN的分类准确率以及效率,采用PCA对高维特征进行降维处理,针对PNN网络中以往依靠人工经验选取平滑因子的方式,设置一组平滑因子向量,采用自适应t分布策略改进麻雀搜索算法(t-Sparrow Search Algorithm,t SSA)进行寻优。SSA本身具有较好的全局探索和局部开发的能力,引入自适应t分布策略能使麻雀迅速在最优值附近收敛。(3)最后通过对某野蚕丝制品有限公司的实际生产过程的分析,把本文提出的方法应用于新工件频繁到达的野蚕丝制造车间,搭建车间调度可视化平台。该系统能够满足日常最优重调度方式选择需要,有效提升资源利用率及信息化管理水平,减小人工误差的同时方便操作人员使用。