[发明专利]一种柔性加工环境下印刷过程的优化调度方法

摘要

本发明涉及一种柔性加工环境下印刷过程的优化调度方法，属于生产车间智能优化调度技术领域。本发明通过用模糊数来表示不确定的加工时间和完工时间，然后确定柔性环境下印刷过程的调度模型和优化目标，并使用基于混合超启发式遗传算法的优化调度方案对优化目标进行优化。本发明可在较短时间内获得柔性环境下印刷过程调度问题的优质解，缩短印刷时间，提高企业的经济效益。

主权项

1.一种柔性加工环境下印刷过程的优化调度方法，其特征在于：通过用模糊数来表示不确定的加工时间和完工时间，然后确定柔性环境下印刷过程的调度模型和优化目标，并使用基于混合超启发式遗传算法的优化调度方案对优化目标进行优化；其中调度模型依据每批承印材料在各台机器上的加工完成时间来建立，实际生产中，受更换纸张、切换喷头等诸多不确定因素影响，加工时间不能精确预知，完成时间和交货期只能估计在某个区间，故在此用三角模糊数来表示加工时间和完成时间；每个操作O_i,j表示承印材料i的第j道工序，它在机器M_k上的加工时间用三角模糊数表示为其中表示最小加工时间，表示最可能加工时间，表示最大加工时间；每个操作的完成时间表示为其中表示工件i的第j道工序的最小完成时间，表示工件i的第j道工序的最可能完成时间，表示工件i的第j道工序的最大完成时间，其隶属度函数可表示为：同时需满足以下约束条件：任一时刻同一个工件最多只能在一台机器上进行加工；任一时刻同一台机器最多只能处理一道工序；任一操作在加工期间不可以被中断；同一工件的工序必须要在上一个工序加工完才能进行下一个工序的加工；优化目标为最小化最早完工时间Cmax：Cmax＝maxCi其中Ci为承印材料i的加工完成时间；所述基于混合超启发式遗传算法的优化调度方案的具体步骤如下：Step1、种群初始化：生成个popsize高维度个体和相同个数的低维度个体，其中popsize代表种群规模，高维度个体的染色体长度为6，每一位染色体可以是1到6之间的任意数字，6种低级启发式操作如下所示：低级启发式操作一：随机交叉操作，从操作编码中随机选取两位进行交换；低级启发式操作二：前项插入操作，随机从操作编码中选择一个位置，将随机选择的一个工序插入到这个位置之前；低级启发式操作三：后项插入操作，随机从操作编码中选择一个位置，在这个位置之后插入一个随机选择的工序；低级启发式操作四：相邻交叉操作，随机选择一个位置，将它前一个或后一个工序与他交换；低级启发式操作五：逆序操作，随机在操作序列中选择3到4位连续的操作，将他们逆序排列；低级启发式操作六：截取操作，随机选择1到5位连续的操作，将他们插入到操作序列首端；低维度个体代表各个承印材料的印刷工序，并用高维度染色体对应的每一组操作来更新低维度的解，解好坏的程度代表该解的适应值，计算适应值时，为使调度尽可能的紧致，解码低维度个体使用贪婪活动化解码，根据工序操作串中的操作，使用贪婪策略依次对每一台能加工该操作的机器进行活动化解码，然后选择完工时间最短的那台机器进行加工，在计算适应值时，需要用到三角模糊数的求和，相减，取大操作，其中求和、相减操作用于计算模糊完成时间，对于两个三角模糊数X＝(x1,x2,x3)和Y＝(y1,y2,y3)，求和操作定义为：X+Y＝(x1+y1,x2+y2,x3+y3)相减操作定义为：X‑Y＝(x1‑y1,x2‑y2,x3‑y3)排序比较操作用于比较模糊完成时间，对于两个三角模糊数X＝(x1,x2,x3)和Y＝(y1,y2,y3)，排序时采用如下依据：依据1：计算将Z₁作为排序的首要依据；依据2：若两个TFN相等，则定义Z2＝x2作为排序的次要依据；依据3：若两个TFN前两个依据都相等，则使用Z3＝x3‑x1作为排序依据；根据以上三个依据即可对三角模糊数进行排序和取大；初始解要符合问题特点与要求，同时，解的数量要达到种群规模，令迭代次数gen＝1；Step2、设定算法中的初始温度T0：为进一步提高算法的跳出局部最优能力，在整个算法之中嵌入模拟退火算法来优化低级启发式操作的搜索能力，在算法之中，设置冷却控制表，每次迭代时根据冷却系数α来降温，温度T通过如下公式来影响低级启发式操作：其中Δf表示每次的新解与旧解适应值之差，由于本发明所针对的问题目标值是模糊数，这里使用两个模糊数的均值来去模糊化，得到一个实数，每次迭代时，每个低级启发式操作得到的新解若优于旧解，则将旧解替换，否则随机生成一个0到1之间的实数r，若r大于概率P则接受这个差解；Step3、更新高维度种群：首先使用轮盘赌的方式，根据高维度染色体的适应值进行筛选，选出种群里个体数的两倍的个体放入候选池准备进行交叉变异；之后将候选池内的个体两两取出，进行两点交叉操作，即随机选取其中一个染色体上的两点，将位置较靠前的点之前的染色体和位置较靠后的点之后的染色体保留，再从另一个体中选出染色体补全上一个个体缺失的部分形成可行调度解，并根据设定的自适应变异算子进行变异，随机选择一位染色体插入到一个随机的位置，这有助于跳出局部最优解；Step4、根据高维度种群来更新工件操作序列：通过交叉变异之后形成新的高维度种群，根据高维度种群中每个个体所对应的低启发式操作来更新工序序列；Step5、对高维种群和问题种群进行保优：将新种群与旧种群放在一起根据适应值重新排序，选出优质的个体作为下次迭代的老种群；Step6、终止条件：迭代次数被设置为N，判断是否达到终止迭代的条件，是则结束迭代，否则降低温度，跳到Step3，反复迭代直到满足终止条件。