制造業(yè)是推動國民經(jīng)濟(jì)發(fā)展的重要力量。隨著全球性市場競爭的加劇和需求的多樣化,制造企業(yè)不僅需要通過先進(jìn)的生產(chǎn)加工技術(shù)來提高產(chǎn)品質(zhì)量,還需要引進(jìn)先進(jìn)的管理技術(shù)以尋求最佳的生產(chǎn)方式來進(jìn)一步提高企業(yè)的生產(chǎn)效率。采用合理且有效的生產(chǎn)調(diào)度策略可以最大限度發(fā)揮資源的能力以實(shí)現(xiàn)企業(yè)效益最大化,是提高制造企業(yè)管理水平的關(guān)鍵技術(shù)之一。在生產(chǎn)調(diào)度領(lǐng)域,柔性作業(yè)車間調(diào)度問題(Flexible Job-Shop Scheduling Problem,FJSP)是經(jīng)典作業(yè)車間調(diào)度問題的拓展,體現(xiàn)了工件加工路線的柔性化,即一道工序可以在多臺機(jī)器上進(jìn)行加工,一臺機(jī)器也可以加工多種不同類型的工序。實(shí)際生產(chǎn)往往需要同時優(yōu)化多個目標(biāo),例如不僅需要縮短產(chǎn)品的完工時間以滿足交貨期的要求,還需要提高機(jī)器利用率以降低生產(chǎn)成本。因此近年來,多目標(biāo)柔性作業(yè)車間調(diào)度問題(Multi-Objective FJSP,MO-FJSP)越來越受到學(xué)者的關(guān)注。本文針對MO-FJSP,首先研究該問題的相關(guān)約束和目標(biāo)函數(shù),建立了數(shù)學(xué)模型;然后利用求解多目標(biāo)優(yōu)化問題最為先進(jìn)的算法之一—第三代非支配排序遺傳算法(Reference-point Based Non-dominated Sorting Genetic Algorithm,NSGA-Ⅲ)對其進(jìn)行求解,引入一種有效的鄰域搜索對NSGA-Ⅲ算法進(jìn)行改進(jìn),并通過多個標(biāo)準(zhǔn)實(shí)例對其有效性進(jìn)行驗(yàn)證;最后在混合NSGA-Ⅲ的基礎(chǔ)上,設(shè)計(jì)開發(fā)了調(diào)度原型系統(tǒng),為基于元啟發(fā)式算法生產(chǎn)調(diào)度技術(shù)的基礎(chǔ)研究開展了積極的探索。論文的主要研究內(nèi)容和成果如下:(1)給出了 MO-FJSP的相關(guān)概念和定義,對機(jī)器生產(chǎn)能力、工序的工藝路線和生產(chǎn)日歷等約束條件進(jìn)行梳理,確定了最小化最小完工時間、總機(jī)器負(fù)荷和機(jī)器最大負(fù)荷三個優(yōu)化目標(biāo),建立了 MO-FJSP的數(shù)學(xué)模型。(2)針對傳統(tǒng)的優(yōu)化算法在求解多目標(biāo)柔性作業(yè)車間調(diào)度問題時,具有容易陷入局部最優(yōu)和收斂速度慢等缺陷,研究對其進(jìn)行求解的混合第三代非支配排序遺傳算法。該混合算法由具有全局搜索能力的NSGA-Ⅲ和具有局部搜索能力的鄰域搜索算法組成。為了提高初始種群的質(zhì)量,提出一種針對優(yōu)化多目標(biāo)的組合啟發(fā)式方法進(jìn)行種群初始化;為增加種群多樣性,提出四種有效的變異算子;利用NSGA-Ⅲ獨(dú)特的基于參考點(diǎn)的選擇機(jī)制從種群中保留優(yōu)秀的個體;采用基于關(guān)鍵路徑的鄰域搜索方法對子代種群進(jìn)行進(jìn)一步精煉;為了從Pareto最優(yōu)解集中選取最終方案,提出了基于改進(jìn)NSGA-Ⅲ歸一化過程的多目標(biāo)調(diào)度策略。最后通過國際通用的基準(zhǔn)算例進(jìn)行測試,驗(yàn)證了所提方法的有效性。(3)對車間調(diào)度涉及的機(jī)器、工件和工序三個要素的時空和屬性關(guān)系進(jìn)行深入分析,設(shè)計(jì)了合理的數(shù)據(jù)庫結(jié)構(gòu);在混合NSGA-Ⅲ為系統(tǒng)核心算法的基礎(chǔ)上,開發(fā)了調(diào)度原型系統(tǒng),該系統(tǒng)主要包括三個模塊:調(diào)度數(shù)據(jù)的輸入和處理模塊、關(guān)鍵參數(shù)和約束設(shè)置模塊以及甘特圖、機(jī)器負(fù)荷圖和派工單組成的輸出模塊。該調(diào)度系統(tǒng)具有較快的計(jì)算速度、簡潔的操作界面和一定的工程應(yīng)用價值。
【學(xué)位單位】：中國工程物理研究院
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TH165;TP18
【部分圖文】：

１．２．１求解多目標(biāo)柔性作業(yè)車間調(diào)度問題的元啟發(fā)式算法??１．２．１．１遺傳算法??遺傳算法是一種模擬生物進(jìn)化過程的元啟發(fā)式算法，其流程圖如圖１．２所示。??初始化種群??配對選擇??Ｉ??變化算子??否?＋??計(jì)算適應(yīng)值??Ｉ??環(huán)境選擇??是???否終＾＞＞??最優(yōu)群體??Ｇ結(jié)束）??圖１．２遺傳算法流程圖??在遺傳算法中，首先要對染色體進(jìn)行編碼，然后采用隨機(jī)或啟發(fā)式的方法產(chǎn)生預(yù)設(shè)??數(shù)目的染色體，這些染色體組成了初始種群，初始種群進(jìn)入迭代過程。在每代中，首先??需要選擇種群中的個體進(jìn)行配對以產(chǎn)生新的染色體，這個過程稱之為配對選擇；然后選??擇種群中的某些個體來經(jīng)過變化算子后產(chǎn)生新的子代個體，常用的變化算子包括交叉和??變異算子；接著計(jì)算子代每個個體的目標(biāo)值；最后在選擇種群中合適的個體進(jìn)入下一輪??迭代中，即環(huán)境選擇。綜上所述，遺傳算法有三個顯著的特點(diǎn)［１４］：??（１）

１．２．１．３人工蜂群算法??人工蜂群算法是Ｋａｒｅｂｏｇａ等提出的，該算法受蜂群尋找食物源的過程啟發(fā)ｔＷ，其??流程圖如圖１．４所示。??在人工蜂群算法中，蜂群歸為三種類型：引領(lǐng)蜂、跟隨蜂和偵查蜂，問題的每個解??都用相應(yīng)食物源表示，整個蜂群的目標(biāo)是尋找花蜜量最多的食物源，即最優(yōu)解。人工蜂??群算法首先隨機(jī)產(chǎn)生一個初始化種群，即食物源，將這些食物源隨機(jī)安排給引領(lǐng)蜂，并??對引領(lǐng)蜂對應(yīng)的食物源進(jìn)行鄰域搜索：然后計(jì)算引領(lǐng)蜂對應(yīng)食物源的適應(yīng)值，與跟隨蜂??共享；最后，評定跟隨蜂食物源的適應(yīng)值，對其進(jìn)行一次鄰域搜索，計(jì)算其適應(yīng)值，并??保留兩者中的較優(yōu)解；若某個食物源多次更新沒有改進(jìn)，則對應(yīng)引領(lǐng)蜂變?yōu)閭刹榉�，隨??機(jī)搜索新食物源。??７??

?Ｃ結(jié)束）??圖１．３粒子群算法流程圖??在求解ＭＯ－ＦＪＳＰ方面：１＾１１等［３（）］考慮最大完工時間和平均流通時間兩個目標(biāo)，提出??一種改進(jìn)粒子群算法，采用一種新的編碼方式，種群的每個粒子都附帶工序排序和機(jī)器??選擇信息：Ｇｒｏｂｌｅｒ［３１＾ｈ對最大完工時間和最大延遲時間兩個目標(biāo)，在粒子群算法中融入??優(yōu)先級的概念，提高了該算法的搜索性能；１＾６１〇＾等［３２］以最大完工時間、機(jī)器最大負(fù)荷??和總機(jī)器負(fù)荷為優(yōu)化目標(biāo)，采用一種自適應(yīng)參數(shù)的粒子群算法對其進(jìn)行求解；Ｓａｄｒｚａｄｅｈ??等［３３］考慮最大完工時間和平均流經(jīng)過時間兩個目標(biāo)，利用一種分階段的粒子群算法；仲??于江等［３４］選取最大完工時間、機(jī)器最大負(fù)荷和總機(jī)器負(fù)荷三個目標(biāo)，將小生境技術(shù)融入??到粒子群算法中
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 袁良照;翟華;張?zhí)m軍;高廣權(quán);王玉山;;基于NSGA-Ⅱ算法的八連桿機(jī)械壓力機(jī)桿系設(shè)計(jì)[J];重型機(jī)械;2017年02期

2 謝峰;;基于改進(jìn)NSGA-Ⅱ算法的路網(wǎng)養(yǎng)護(hù)決策優(yōu)化研究[J];中外公路;2017年03期

3 楊桂芝;王廣澤;胡楠楠;趙麗華;;NSGAⅡ在供應(yīng)商選擇中的應(yīng)用[J];哈爾濱理工大學(xué)學(xué)報;2017年05期

4 周保民;張建國;;基于粒子融合NSGA-Ⅱ的永磁無刷直流電機(jī)多目標(biāo)優(yōu)化[J];電子世界;2013年07期

5 魏武;鄧高燕;;NSGA-Ⅱ在蛇形機(jī)器人中的優(yōu)化與控制[J];計(jì)算機(jī)工程;2012年08期

6 李凱斌;盧建剛;吳燕玲;孫優(yōu)賢;;基于NSGA-Ⅱ考慮性能的燒結(jié)礦配料優(yōu)化[J];江南大學(xué)學(xué)報(自然科學(xué)版);2009年01期

7 顧春華;劉鑫平;羅飛;丁煒超;;基于同步更新外部歸檔集的NSGA-Ⅱ改進(jìn)算法[J];計(jì)算機(jī)工程與應(yīng)用;2018年20期

8 羅柏文;楊華科;周知進(jìn);王朝輝;;基于改進(jìn)型NSGA-Ⅱ算法的深海高頻變壓器優(yōu)化研究[J];中國海洋平臺;2016年05期

9 劉洪娟;高寒冰;姜大立;甘明;;基于NSGA-Ⅱ算法的復(fù)雜供應(yīng)鏈網(wǎng)絡(luò)庫存協(xié)同控制[J];物流技術(shù);2015年03期

10 劉書明;李明明;王歡歡;王琦;孟凡琳;陳晉端;;基于NSGA-Ⅱ算法的給水管網(wǎng)多目標(biāo)優(yōu)化設(shè)計(jì)[J];中國給水排水;2015年05期

相關(guān)博士學(xué)位論文 前10條

1 王杜娟;生產(chǎn)調(diào)度中應(yīng)對干擾的重調(diào)度模型和算法研究[D];大連理工大學(xué);2015年

2 申瑞珉;高維多目標(biāo)進(jìn)化算法及其軟件平臺研究[D];湘潭大學(xué);2015年

3 袁源;基于分解的多目標(biāo)進(jìn)化算法及其應(yīng)用[D];清華大學(xué);2015年

4 戴春妮;高光譜顯微圖像的特征提取與分類方法及其應(yīng)用研究[D];華東師范大學(xué);2009年

5 Okafor Ekene Gabriel;復(fù)雜系統(tǒng)失效率評估與多目標(biāo)優(yōu)化方法研究[D];南京航空航天大學(xué);2012年

6 張福坤;油田中后期開發(fā)優(yōu)化與決策研究[D];中國地質(zhì)大學(xué);2014年

7 柯鵬;基于多目標(biāo)進(jìn)化算法的車輛路徑問題的研究[D];武漢大學(xué);2013年

8 常輝;衛(wèi)星星座協(xié)同優(yōu)化設(shè)計(jì)研究[D];華中科技大學(xué);2012年

9 何善君;自動小車存取系統(tǒng)的建模及其若干關(guān)鍵技術(shù)研究[D];廈門大學(xué);2008年

10 劉鎏;多目標(biāo)優(yōu)化進(jìn)化算法及應(yīng)用研究[D];天津大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 阮礽恩;基于混合NSGA-Ⅲ的多目標(biāo)柔性作業(yè)車間調(diào)度問題研究[D];中國工程物理研究院;2019年

2 魏冰;NSGA-Ⅱ算法的改進(jìn)及在機(jī)組組合優(yōu)化中的應(yīng)用[D];華北電力大學(xué);2019年

3 譚智雄;基于NSGA-Ⅱ算法及機(jī)器學(xué)習(xí)的壓水堆組件裝載方案優(yōu)化研究[D];華南理工大學(xué);2019年

4 汪文文;基于改進(jìn)NSGA-Ⅱ算法的應(yīng)急配送中心選址模型研究[D];武漢理工大學(xué);2018年

5 曹海濤;基于改進(jìn)NSGA-Ⅱ的多目標(biāo)柔性作業(yè)車間調(diào)度問題研究[D];浙江工業(yè)大學(xué);2019年

6 張藝;基于改進(jìn)NSGA-Ⅱ算法的含分布式電源的配電網(wǎng)無功優(yōu)化[D];蘭州理工大學(xué);2019年

7 王祥;基于改進(jìn)NSGA-Ⅱ算法的應(yīng)急物資模塊化調(diào)度問題建模與求解[D];合肥工業(yè)大學(xué);2018年

8 楊世君;基于混合NSGA2的混流裝配線設(shè)施規(guī)劃與布局應(yīng)用研究[D];蘇州大學(xué);2018年

9 洪健;基于NSGA-Ⅱ的精沖工藝參數(shù)優(yōu)化的仿真研究[D];南華大學(xué);2018年

10 李帥;基于NSGA-Ⅱ的蒸汽動力系統(tǒng)經(jīng)濟(jì)性與環(huán)境影響優(yōu)化[D];大連理工大學(xué);2018年

本文編號：2889908