论文部分内容阅读
复杂多变的市场环境要求生产车间在短时间内生产多批次、多品种的产品。为了实现上述目标,需要优化车间排产方案,合理调配生产资料。研究车间内的生产优化调度是实现绿色、经济、高效制造的重要保证,对提高资源利用率、提升制造业智能化水平有重要的实际意义和应用价值。本文研究了静态、动态环境下的生产优化调度及相关求解算法,研究内容如下:1.使用现有进化算法求解静态环境下的柔性作业车间调度问题(FJSP)时,由于选择策略的不足,使得被选种群规模大幅度减小,或者种群中的个体拥挤在狭小的区域内。针对上述问题,本文在稳定配对操作中加入限制信息,提出有限制稳定配对(LSTM)策略。该策略限制了子问题对个体的偏好,平衡了被选种群的多样性和收敛性,进而获得种类多、效果好的调度方案指导生产。通过标准测试集(共15个标准算例)和实例对LSTM进行了验证实验。实验结果表明:以LSTM为选择策略的算法在11个标准算例和实例上收敛性最优,在13个标准算例和实例上多样性最好。2.针对现有进化算法存在的“过度收敛”、“精英解丢失”以及“收敛速度慢”的问题,本文分别使用双选择策略和基于双信息的进化策略来解决上述问题,进而提出了基于双选择策略和双信息进化策略的问题分解型多目标进化算法(MOEA/D-DIDS)。该算法同时使用个体的历史信息和邻域信息指导进化操作,以增加进化量,加快收敛速度;在选择操作中,利用自适应有限制稳定配对策略选择父代种群,平衡父代种群的收敛性与多样性,以克服过度收敛问题;使用稳定配对策略选择子代种群,并将其送入下一代,使种群中的个体再次被选择,以实现精英解的保留。在多(2、3、5、8、10、15)目标标准测试集上的数值仿真验证了MOEA/D-DIDS能以较快的收敛速度获取收敛性和多样性好的种群。3.在求解动态柔性作业车间优化调度问题(DFJSP)时,必须将调度方案的鲁棒性作为优化目标。然而,现有的鲁棒性计算方法存在“计算量大”、“精度低”的缺点。针对上述问题,本文开发了一种基于极限学习机(ELM)的鲁棒性指标,即以机器故障信息、工序信息和富裕时间信息为基础,生成ELM的输入信息,并通过ELM的预测功能计算调度方案的鲁棒性。随后,协同该鲁棒性指标和MOEA/D-DIDS求解DFJSP。本文使用不同机器故障下的标准测试集进行仿真验证。实验结果表明:该鲁棒性指标在93.3%的测试集上性能最优;相较于现有算法,MOEA/D-DIDS求解DFJSP时的性能更优。