【摘要】：面對(duì)全球制造業(yè)向智能制造的方向發(fā)展的情況下,依據(jù)客戶的需求導(dǎo)向安排生產(chǎn)的趨勢在當(dāng)今市場更為明顯,客戶的需求越來越多樣化和個(gè)性化,為了滿足客戶要求,企業(yè)逐步從傳統(tǒng)面向庫存的生產(chǎn)方式轉(zhuǎn)變?yōu)槊嫦蛴唵蔚纳a(chǎn)方式。在這樣的背景下,本文的研究問題考慮了物料限制的約束條件,將物料供給和生產(chǎn)環(huán)節(jié)協(xié)同調(diào)度,又因?yàn)橛唵蔚臏?zhǔn)時(shí)交付是重要服務(wù)標(biāo)準(zhǔn),所以本文研究問題是以最小化總拖期為目標(biāo)函數(shù)的物料限制下面向訂單的動(dòng)態(tài)生產(chǎn)調(diào)度問題。核心制造商要求接收所有隨時(shí)到達(dá)的訂單,根據(jù)訂單向倉庫發(fā)出物料需求信號(hào),隨后根據(jù)物料的庫存情況向上游的供應(yīng)商發(fā)出訂貨通知,最后根據(jù)物料的供給狀況制定生產(chǎn)計(jì)劃。因?yàn)橛唵蔚碾S機(jī)性,生產(chǎn)調(diào)度方案要求隨著新訂單的到達(dá)發(fā)生相應(yīng)變化,所以本文研究問題是典型的動(dòng)態(tài)調(diào)度問題。當(dāng)動(dòng)態(tài)事件(接受新訂單)發(fā)生時(shí),將未完成加工的產(chǎn)品和新訂單產(chǎn)品重新調(diào)度,根據(jù)當(dāng)前加工狀態(tài)重新產(chǎn)生一個(gè)調(diào)度方案。首先,分析研究問題,提出問題的合理假設(shè),依據(jù)問題本身的限制提出約束條件,并解釋數(shù)學(xué)約束的含義,以總拖期最小化為目標(biāo)函數(shù),建立了混合整數(shù)規(guī)劃模型。然后,提出兩種改進(jìn)的萬用啟發(fā)式算法,分別為改進(jìn)人工免疫系統(tǒng)算法(Modified Artificial Immune System algorithm,MAIS)和多變鄰域搜索算法(Multiple Variable Neighborhood Search,MVNS)。在理解人工免疫系統(tǒng)算法的設(shè)計(jì)思想和基本原理的基礎(chǔ)上,汲取了自然免疫系統(tǒng)記憶處理信息的優(yōu)點(diǎn)改進(jìn)免疫系統(tǒng)算法。改進(jìn)人工免疫系統(tǒng)算法的結(jié)構(gòu)由V(D)J基因重組、體細(xì)胞超突變、類型轉(zhuǎn)換和二次免疫反應(yīng)構(gòu)成。多變鄰域搜索算法由初始化過程、四種鄰域結(jié)構(gòu)、擾亂過程、鄰域變換以及強(qiáng)化過程構(gòu)成,其中鄰域變換過程使其可以自動(dòng)修正鄰域結(jié)構(gòu)以跳出局部最優(yōu)解的空間,強(qiáng)化結(jié)構(gòu)加快算法的收斂速度,擾亂機(jī)制使其從局部最優(yōu)解連續(xù)沒有改善的情況掙脫以尋得更好的可行解。最后,計(jì)算機(jī)仿真實(shí)驗(yàn)分析和評(píng)價(jià)各種算法解決該問題的性能。隨機(jī)組合問題參數(shù)產(chǎn)生240個(gè)實(shí)驗(yàn)問題,采用C++語言編程算法,通過相對(duì)百分比偏差、運(yùn)算時(shí)間、標(biāo)準(zhǔn)差以及假設(shè)檢驗(yàn)對(duì)算法的性能做出比較,驗(yàn)證改進(jìn)人工免疫系統(tǒng)算法和多變鄰域搜索算法能夠在短時(shí)間內(nèi)解決研究問題得到近似最優(yōu)解。
[Abstract]:In the face of the global manufacturing industry developing towards the direction of intelligent manufacturing, the trend of arranging production according to the customer's demand is more and more obvious in today's market, the customer's demand is more and more diversified and individualized, in order to meet the customer's demand, Enterprises gradually change from the traditional inventory-oriented production mode to the order-oriented production mode. In this context, the research of this paper takes into account the constraints of material constraints, the supply of materials and production links coordinated scheduling, and because the timely delivery of orders is an important service standard. Therefore, this paper studies the dynamic production scheduling problem with the objective function of minimizing the total tardiness. The core manufacturer requires that all incoming orders be received, that a material requirement signal be sent to the warehouse according to the order, and then an order notification be sent to the upstream supplier based on the stock of the material. Finally, according to the supply of materials to formulate production plans. Because of the randomness of orders, the production scheduling scheme needs to change with the arrival of new orders, so the problem is a typical dynamic scheduling problem. When the dynamic event (accepting new order) occurs, the unfinished product and the new order product are rescheduled, and a scheduling scheme is re-generated according to the current processing state. Firstly, by analyzing and studying the problem, putting forward the reasonable hypothesis of the problem, putting forward the constraint condition according to the limitation of the problem itself, and explaining the meaning of the mathematical constraint, the mixed integer programming model is established with the objective function of the total delay minimization as the objective function. Then, two improved universal heuristic algorithms, modified Artificial immune system algorithm (mais) and multiple variable neighborhood search algorithm (MVNS), are proposed. On the basis of understanding the design idea and basic principle of artificial immune system (AIS) algorithm, the advantages of natural immune system (NIS) memory processing information are derived, and the immune system algorithm is improved. The structure of the improved artificial immune system is composed of V (D) J gene recombination, somatic hypermutation, type conversion and secondary immune response. The algorithm consists of initialization process, four kinds of neighborhood structure, disturbance process, neighborhood transformation and reinforcement process, in which neighborhood transformation process can automatically modify neighborhood structure to jump out of the space of local optimal solution. The reinforcement structure accelerates the convergence speed of the algorithm, and the perturbation mechanism makes it break free from the continuous condition that the local optimal solution is not improved to find a better feasible solution. Finally, the performance of various algorithms to solve the problem is analyzed and evaluated by computer simulation experiments. Random combinatorial problem parameters generate 240 experimental problems. C language programming algorithm is used to compare the performance of the algorithm by relative percentage deviation, operation time, standard deviation and hypothesis test. It is verified that the improved artificial immune system algorithm and the variable neighborhood search algorithm can solve the problem in a short time and obtain the approximate optimal solution.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TB497

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王偉玲,馬正元,王玉生;生產(chǎn)調(diào)度問題研究的動(dòng)態(tài)與趨勢[J];組合機(jī)床與自動(dòng)化加工技術(shù);2005年05期

2 馬正元,王偉玲,王玉生;生產(chǎn)調(diào)度問題的系統(tǒng)研究[J];成組技術(shù)與生產(chǎn)現(xiàn)代化;2005年01期

3 熊銳,吳澄;車間生產(chǎn)調(diào)度問題的技術(shù)現(xiàn)狀與發(fā)展趨勢[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);1998年10期

4 尤軍,李少遠(yuǎn);生產(chǎn)調(diào)度問題的模糊滿意優(yōu)化[J];上海交通大學(xué)學(xué)報(bào);2003年11期

5 丁然;李歧強(qiáng);郭慶強(qiáng);劉圓圓;;不確定條件下生產(chǎn)調(diào)度問題的三階段決策方法[J];控制理論與應(yīng)用;2008年06期

6 李琪;馮欣;張永振;;生產(chǎn)調(diào)度問題研究平臺(tái)的設(shè)計(jì)與開發(fā)[J];河南科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年05期

7 張佐,謝東,吳秋峰,韓曾晉;一般生產(chǎn)調(diào)度問題的統(tǒng)一結(jié)構(gòu)[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);1997年04期

8 張畢西;謝祥添;;非流水型生產(chǎn)調(diào)度問題的研究[J];機(jī)械制造;2007年04期

9 金庭枝,王德興,武華,周才堂;生產(chǎn)調(diào)度問題的新算法[J];武漢汽車工業(yè)大學(xué)學(xué)報(bào);2000年06期

10 呂文閣;劉志勇;成思源;駱少明;張湘?zhèn)?;基于競選算法的生產(chǎn)調(diào)度問題的研究[J];機(jī)床與液壓;2009年10期

相關(guān)會(huì)議論文 前1條

1 李郝林;;DNA遺傳信息模型在生產(chǎn)調(diào)度問題中的應(yīng)用[A];第二屆全國信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

相關(guān)博士學(xué)位論文 前8條

1 何小娟;分布估計(jì)算法及其在生產(chǎn)調(diào)度問題中的應(yīng)用研究[D];蘭州理工大學(xué);2011年

2 宋存利;生產(chǎn)調(diào)度問題及其智能優(yōu)化算法研究[D];大連理工大學(xué);2011年

3 周艷平;基于博弈理論的多目標(biāo)生產(chǎn)調(diào)度問題研究[D];華東理工大學(xué);2013年

4 郭盈;實(shí)際復(fù)雜生產(chǎn)調(diào)度問題的新模型與算法研究[D];合肥工業(yè)大學(xué);2012年

5 高守瑋;一類Flow shop生產(chǎn)調(diào)度問題及其優(yōu)化方法之分析與研究[D];上海交通大學(xué);2007年

6 趙小強(qiáng);煉廠生產(chǎn)調(diào)度問題研究[D];浙江大學(xué);2005年

7 徐新黎;生產(chǎn)調(diào)度問題的智能優(yōu)化方法研究及應(yīng)用[D];浙江工業(yè)大學(xué);2009年

8 王林平;應(yīng)用齊套概念的離散制造業(yè)生產(chǎn)調(diào)度問題研究[D];大連理工大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 王成龍;基于數(shù)據(jù)挖掘技術(shù)的生產(chǎn)調(diào)度問題研究[D];浙江大學(xué);2015年

2 歷莉;基于混合離散微粒群算法求解復(fù)雜并行機(jī)生產(chǎn)調(diào)度問題[D];昆明理工大學(xué);2015年

3 馬力;基于粒子群算法的多產(chǎn)品批處理生產(chǎn)調(diào)度問題研究[D];江西理工大學(xué);2015年

4 宋代立;電路印刷板組裝車間生產(chǎn)調(diào)度方法研究[D];上海交通大學(xué);2013年

5 時(shí)培花;考慮原材料的冷鏈型企業(yè)生產(chǎn)調(diào)度問題研究[D];合肥工業(yè)大學(xué);2015年

6 張璐;發(fā)泡車間生產(chǎn)調(diào)度問題的研究[D];廣東工業(yè)大學(xué);2016年

7 張曉靜;輻照企業(yè)智能生產(chǎn)調(diào)度系統(tǒng)的研究與開發(fā)[D];北京交通大學(xué);2016年

8 劉絮緋;物料限制下面向訂單的動(dòng)態(tài)生產(chǎn)調(diào)度問題研究[D];吉林大學(xué);2017年

9 徐建國;多資源生產(chǎn)調(diào)度問題的分析建模[D];合肥工業(yè)大學(xué);2008年

10 陳偉;考慮模具約束的生產(chǎn)調(diào)度問題研究[D];合肥工業(yè)大學(xué);2013年

，

本文編號(hào)：2122885