论文部分内容阅读
为了适应当前多品种小批量的生产模式,在逆优化理论的基础上,研究人员提出了逆调度(Inverse Scheduling)这一新的调度方法,其目标是针对预先确定的调度任务,通过最小限度地调整相应的加工参数,使得预先给出的调度方案最优。目前国际上针对逆调度的研究刚刚起步,相应的调度模型、策略和方法的研究还很少。本文针对单机和流水等车间类型,系统研究了单机逆调度、带交货期的单机逆调度、流水车间逆调度、多目标流水车间逆调度等问题,建立了相应的数学模型,并结合不同模型的特点,提出了高效求解方法。针对单机逆调度问题,建立了以加权完成时间和最小为目标的数学模型,提出了一种基于遗传算法和粒子群优化(Particle Swarm Optimization, PSO)的混合算法。将启发式非最优调度法,以及随机初始化与局部初始化相结合,提高了初始种群的多样性与质量。根据问题特征,设计了三种交叉算子和两种变异算子。采用改进PSO算法和三种改进策略,提高了算法的局部搜索能力。通过实例测试以及与其它算法的对比,结果表明提出的方法具有更高的求解效率和更好的稳定性。针对带交货期的单机逆调度问题,提出了一种基于遗传变邻域交替算法的求解方法。该方法采用嵌入方式对遗传算法和变邻域搜索方法进行混合,平衡了混合算法的全局搜索和局部搜索。针对问题特征和编码方法特点,设计了四种邻域结构,通过邻域结构的切换,提高了算法的局部搜索能力。通过实例测试以及与其它算法的对比,结果表明该算法能有效地求解带交货期的单机逆调度问题。针对流水车间逆调度问题,建立了以参数改变量最小为目标的数学模型,提出了一种自适应的遗传变邻域混合求解方法。提出了一种带小数机制的分块编码方案用于解的表达,能同时对工序和参数进行协同优化。针对问题特征,设计了四种邻域结构,提出了一种自适应选择机制以选择最合适的邻域,提高了算法的局部搜索能力。通过实例测试以及与其它算法的对比,验证了该算法的有效性和优越性。针对多目标流水车间逆调度问题,建立了考虑调度效率和调度稳定性的数学模型,综合考虑了加工参数改变量、系统改变量以及完工时间和等目标。提出了一种基于LMONG (Multi-Objective NSGAⅡ and GA with Local search, LMONG)算法的求解方法,将多种策略进行了混合以提高算法性能,主要包括NSGAⅡ(Non-dominated Sorting Genetic Algorithm Ⅱ)中的快速非支配排序方法、两种多样性保持策略、混合的精英保留策略,以及高效局部搜索策略等。通过实例测试与ANOVA分析,验证了该算法的有效性。基于上述理论成果,根据某船厂加工车间的生产情况,分析了车间存在的问题,将上述理论成果应用于实际车间的生产。实例分析表明本文提出的理论与方法能够有效地解决实际生产车间调度问题,保证车间系统能够有效平稳地运行。最后,对全文的工作进行了总结,并对今后的研究方向进行了展望。