[发明专利]一种用于电机换向器生产过程的优化调度方法

摘要

本发明涉及一种用于电机换向器生产过程的优化调度方法，属于电子行业生产过程智能优化调度技术领域。本发明通过确定电机换向器生产过程中的调度模型和优化目标，并提出一种基于量子进化算法的优化调度方法对目标进行优化；其中，调度模型根据每种规格换向器的加工时间和电机换向器生产所需的工艺数而建立，同时确定优化目标为最小化最大完工时间。本发明对于电机换向器生产过程建立一种排列调度模型和优化方法，可在较短时间内获得电机换向器生产过程调度问题的近似最优解，从而降低企业的生产成本，提高企业的经济效益。

主权项

1.一种用于电机换向器生产过程的优化调度方法，其特征在于：通过确定电机换向器生产过程中的调度模型和优化目标，并提出一种基于量子进化算法的优化调度方法对目标进行优化；其中，调度模型根据每种规格换向器的加工时间和电机换向器生产所需的工艺数而建立，同时确定优化目标为最小化最大完工时间，即f＝Cmax(π)；式中，电机换向器的规格数为n、需要的加工工艺操作数为m；π＝{π₁,π₂,…,π_n}代表该优化调度问题的一个解，π_i为加工序列π中第i批被加工的换向器产品；为工件π_i在操作j结束后的完工时刻，代表工件π_i在操作j所需要的加工时间，表示第j个操作的机器在加工完工件π_i‑1后加工工件π_i所需要的设置时间，其中在第一个工件到来之前，所有的机器处于准备状态，即第一个工件在各机器上的设置时间可以忽略或作为第一个工件的加工时间；在生产过程中，某台机器一旦开始生产某种规格的产品，不允许中断，且产品必须在完成上一个工艺(操作)后才能进行下一个工艺(操作)的加工；所述基于量子进化算法的优化调度方法具体为：Step1、种群初始化；Step1.1、量子模型初始化：采用随机生成的方法产生NP个个体，且每个个体都有n×n的方阵P，Pij表示方阵中第i行第j列的数值且Pij∈(0,1)，代表该位置被观测时取1的概率，其中NP为种群的规模；Step1.2、观测量子模型：对每个个体的P方阵进行观测，得到0‑1方阵G,即方阵的元素不是0就是1；观测是指每次都生产一个(0,1)的随机数与方阵中的Pij进行比较，若小于等于Pij则Gij＝1，否则Gij＝0；根据转化规则对0‑1方阵G进行转换得到方阵C，即C中的每行每列有且仅有一个元素为1。转换规则是指从第一行依次找出该行中所有元素为1的列号，并找出对应位置方阵Pij的最大值的所在列号，并将该列号加入禁忌表；若该列中元素为1的列号已全在禁忌表中，则找出元素为0的所有列号，并找出对应位置方阵Pij的最大值的所在列号，并将该列号加入禁忌表，直到最后一行为止；Step1.3、计算个体的目标值：将得到的方阵C转换为工件的加工序列π，即该个体所对应的解，并计算该个体所对应的目标值；Step2、种群更新：找到当前种群的最优个体，即目标值最小的个体Best；对种群中每个个体所对应的方阵P进行更新产生新的方阵P，即新的个体；重新观测并根据转化规则将观测后的方阵G转化为排列π，并计算其目标值；对新老种群进行保优操作，即合并新老种群并按目标值从小到大排列，选择前NP个个体为当前种群；Pij(new)＝(1‑α)×Pij(old)+(1‑α×L)L＝sign((f(Best)‑f(π))×(Gij(Best)‑Gij(π)))其中f(Best)和Gij(Best)分别表示最优个体Best的目标值和对应的方阵G，f(π)和Gij(π)分别表示当前个体的目标值和对应的方阵G，α为学习因子；Step3、终止条件：设定终止条件为算法迭代次数T，如果算法满足条件，则输出当前种群中第一个个体，即最优个体；否则跳转至步骤Step2，反复迭代，直至满足终止条件为止。