[发明专利]一种基于遗传模拟退火算法的刀具准时化配送方法

摘要

本发明涉及一种基于遗传模拟退火算法的刀具准时化配送方法，通过对车间刀具配送过程进行梳理，对比刀具配送与物料配送的不同点，考虑了工位的刀具需求可拆分，为工位的每个工序添加模糊预约时间窗，建立带模糊预约时间窗的刀具准时化配送路径规划的模型，该模型以工序平均满意度最高和配送车辆数量最小为优化目标，一次任务中每个工序所需刀具只能由一个小车配送，每个工序所需的刀具类型、数量已知等，然后运用遗传模拟退火算法对建立的模型进行求解。

主权项

1.一种基于遗传模拟退火算法的刀具准时化配送方法，其特征在于步骤如下：步骤1：将工序转化为“虚拟工位”假设工位有多个工序，为每个工序考虑时间窗，其中工序的数量事先知道，且各时间窗互不重叠，则可以将工位拆成多个“虚拟工位”，各拆分“虚拟工位”的位置相同，且时间窗已知，这样就可以将问题进行简化，拆分出来的工序即为“实际工位”的“虚拟工位”；步骤2：已知工位节点或配送中心与工位节点之间的行驶时间、工位开工时间和刀具需求、每个工位的预约时间窗，且每个工位只有一辆车配送，按以下公式确定决策变量：其中，x_ijk为表示工位之间的行驶顺序以及配送小车的变量，y_ik为表示工位由哪辆车配送的变量，i，j表示工位编号，i＝1,2,…,N，j＝1,2,…,N，N为工位总数，k表示车辆的编号，k＝1,2,…,K，K为车辆总数；步骤3：分别按以下公式建立不等式约束：t_id<t_i<t_iu                     (3)其中，t_id表示工位i的时间窗下限，t_iu表示工位i的时间窗上限，t_i表示配送车辆到达工位i的时间；步骤4：按照建立优化目标函数，其中，μ_i为工位i的满意度，按照计算，t_ie表示工位i的期望服务时间；步骤5：随机产生popsize个个体作为初始种群，每个个体为所有工位编号的自然数全排列，即工位编号编码，popsize为遗传算法初始化参数，其取值采用斐波那契搜索法并结合公式(13)，然后在推荐种群规模区间[10，200]之间寻优确定；其中，l为编码串的长度；j为模式的阶且j＝o(H)，设H是由某些给定字符和*组成的定长字符串，则称H为一个模式；图式H中的非*位称为模式的定义位，模式的定义位的总数称为模式的阶，记作o(H)；P_l^j表示从l个自然数中不可重复的挑选出j个自然数进行有序排列且n_s表示种群中可能包含的模式数的平均值且n_t表示单个个体含有的模式数且步骤6：根据各工位的时间窗要求，分别对每个个体进行解码，即将工位编码串转变成客观存在的“实际工位”编码，并向实际工位编码中插入0，形成具体的车辆配送路线；步骤7：按照fitness(i)＝value(i),i＝1,2...,popsize计算得到每个个体的适应度值，其中value(i)为第i个体的工位平均满意度值与车辆数量值的倒数之和，工位平均满意度值是指工位编码中所有工位满意度的平均值；车辆数量值是指“实际工位”编码中0的数量减1；步骤8：根据步骤7计算出来的适应度值，将种群中的个体按照从大到小的顺序排列，并将具有最大目标函数值的个体标记为Tmax，该个体不进行交叉和变异的运算；然后余下的个体根据其相对适应度大小，采用比例选择方式，循环选择个体组成新种群；步骤9：以一定的交叉概率P_c，采用部分匹配法对步骤9选择出的个体进行交叉，得到子代种群，P_c的取值由公式(14)计算；其中，f_max为种群中最大的适应度值，f_avg为种群的平均适应度值，f为要交叉的两个个体中较大的适应度值，其中P_c1＝0.9，P_c2＝0.6；步骤10：以一定的变异概率P_m，采用逆转变异算法对步骤9得到的子代种群进行变异，得到下一代临时种群，P_m的取值由模拟退火算法计算；步骤11：用步骤8中的Tmax替换临时种群中适应度值最低的个体，然后记录临时种群中适应度值最高的个体，并判断是否达到最大迭代次数N_d或者最大适应度值在连续30代不发生变化，若是，则结束，从记录的每一代适应度最大的个体所组成的集合中，找出适应度值最大的个体，则这个适应度值最大的个体解码所得的路径即为最优刀具配送路径；否则，以步骤10得到的临时种群为初始种群，返回步骤6，迭代次数加1，所述的迭代次数初始值为1，最大迭代次数N_d的取值范围为100～500。