[發明專利]基于學習效應的多目標雙柔性作業車間調度方法及系統

在審

• 申請號: 202210568108.5
• 申請日: 2022-05-24
• 公開（公告）號: CN115034444A
• 公開（公告）日: 2022-09-09
• 發明（設計）人: 胡小建;黃亞領
• 申請（專利權）人: 合肥工業大學智能制造技術研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/04;G06N3/00;G06N3/12
• 代理公司: 北京久誠知識產權代理事務所(特殊普通合伙) 11542
• 代理人: 余罡

1.一種基于學習效應的多目標雙柔性作業車間調度方法，其特征在于，所述方法包括：

構建多目標雙柔性作業車間調度模型；所述多目標雙柔性作業車間調度模型包括目標函數和約束條件；所述目標函數為最大完工時間和線邊庫存時間的組合加權函數；所述約束條件包括加工時間約束和準備時間約束；

基于工件位置相關和考慮工件相似度的學習效應模型求解所述加工時間約束獲取求解后的加工時間約束；基于連續指數遞增學習效應模型求解所述準備時間約束獲取求解后的準備時間約束；基于求解后的加工時間約束和求解后的準備時間約束優化多目標雙柔性作業車間調度模型；

求解優化后的所述多目標雙柔性作業車間調度模型以獲取模型的最優解，并基于所述最優解繪制多目標雙柔性作業車間調度的甘特圖。

2.如權利要求1所述的方法，其特征在于，所述組合加權函數包括：

minZ＝ω₁C^max+ω₂C^edge

其中，C^max表示最大完工時間，C^edge表示線邊庫存時間；ω₁表示最大完工時間的優化權重，ω₂為線邊庫存時間的優化權重。

3.如權利要求1所述的方法，其特征在于，所述工件位置相關和考慮工件相似度的學習效應模型包括：

P_j,r＝P_j(S[1,r]+S[2,r]+...+S[r,r])^α

其中，P_j表示工序不考慮學習效應的加工時間；P_j,r表示在加工位置r上的工件考慮學習效應后的加工時間；S[r₁,r₂]表示在r₁位置和r₂位置的工件的相似度；

所述連續指數遞增學習效應模型包括：

C_max＝R^-1(P+R(0))

其中，C_max表示實際的加工準備時間；P表示考慮學習效應之前的正常加工準備時間，R(0)為t＝0時y＝R(t)的函數值。

4.如權利要求1所述的方法，其特征在于，所述求解優化后的所述多目標雙柔性作業車間調度模型以獲取模型的最優解包括：以最小化目標函數為目標，利用智能算法求解優化后的所述多目標雙柔性作業車間調度模型以獲取模型的最優解。

5.如權利要求4所述的方法，其特征在于，所述智能算法包括遺傳算法、模擬退火、粒子群算法。

6.一種基于學習效應的多目標雙柔性作業車間調度系統，其特征在于，所述系統包括：

模型構建模塊，用于構建多目標雙柔性作業車間調度模型；所述多目標雙柔性作業車間調度模型包括目標函數和約束條件；所述目標函數為最大完工時間和線邊庫存時間的組合加權函數；所述約束條件包括加工時間約束和準備時間約束；

模型優化模塊，用于基于工件位置相關和考慮工件相似度的學習效應模型求解所述加工時間約束獲取求解后的加工時間約束；基于連續指數遞增學習效應模型求解所述準備時間約束獲取求解后的準備時間約束；基于求解后的加工時間約束和求解后的準備時間約束優化多目標雙柔性作業車間調度模型；

模型求解和結果輸出模塊，用于求解優化后的所述多目標雙柔性作業車間調度模型以獲取模型的最優解，并基于所述最優解繪制多目標雙柔性作業車間調度的甘特圖。

7.如權利要求6所述的系統，其特征在于，所述組合加權函數包括：

minZ＝ω₁C^max+ω₂C^edge

其中，C^max表示最大完工時間，C^edge表示線邊庫存時間；ω₁表示最大完工時間的優化權重，ω₂為線邊庫存時間的優化權重。