【摘要】：混合流水車間調(diào)度問題(Hybrid Flowshop Scheduling Problem,HFSP)的研究具有重要的學(xué)術(shù)價(jià)值和工程意義。為滿足帶批處理的多品種小批量生產(chǎn)模式,本文致力于將批量流(Lot Streaming,LS)引入HFSP中�？紤]靜態(tài)和動(dòng)態(tài)的車間環(huán)境,基于兩種分批策略(等量一致分批和不等量一致分批),本文分別構(gòu)建了靜態(tài)調(diào)度和重調(diào)度模型,研究了問題特征知識(shí)和調(diào)度規(guī)則,并以候鳥遷徙算法(Migrating Birds Optimization,MBO)為主要技術(shù)手段,提出了與問題特征相結(jié)合的調(diào)度算法。最后,通過實(shí)際工程案例的應(yīng)用和分析,驗(yàn)證了所提模型和算法的有效性和優(yōu)越性。主要研究工作如下:針對(duì)等量一致分批的批量流混合流水車間靜態(tài)調(diào)度問題(Equal Lot Streaming Hybrid Flowshop Static Scheduling Problem,ELS_HFSP),建立了以總流經(jīng)時(shí)間為目標(biāo)的混合整數(shù)規(guī)劃模型(Mixed Integer Linear Programming,MILP),并提出了基于MBO的求解算法EMBO(Effective MBO)。在算法中,結(jié)合分批特征與目標(biāo)特點(diǎn),基于批次序列,提出了“子批優(yōu)先”、最短等待時(shí)間及右移與插入等啟發(fā)式規(guī)則決定各批次的調(diào)度順序。結(jié)合MBO算法獨(dú)有的V形種群結(jié)構(gòu),提出了聯(lián)合鄰域搜索以及種群競(jìng)爭(zhēng)機(jī)制,增強(qiáng)算法的協(xié)同搜索能力;結(jié)合MBO算法獨(dú)有的分享和受益機(jī)制,提出一種動(dòng)態(tài)解接受準(zhǔn)則來保證種群的多樣性;提出一種基于Glover和局部搜索算法的探索機(jī)制,幫助算法跳出局部最優(yōu)。最后,通過與CPLEX和其它算法的對(duì)比實(shí)驗(yàn),驗(yàn)證了所提算法的有效性和優(yōu)越性。針對(duì)等量一致分批的批量流混合流水車間重調(diào)度問題(Equal Lot Streaming Hybrid Flowshop Rescheduling Problem,ELS_HFRP),考慮機(jī)器故障這一隨機(jī)擾動(dòng),基于ELS_HFSP原調(diào)度方案,以總流經(jīng)時(shí)間和子批開工時(shí)間偏差為目標(biāo),建立了多目標(biāo)優(yōu)化模型�；贓MBO和問題的多目標(biāo)特性,通過引入多屬性決策方法-TOPSIS,評(píng)估解的適應(yīng)度值,提出了MMBO算法(Multi-objective MBO)。在算法中,基于ELS_HFSP的解碼策略,提出了針對(duì)機(jī)器故障擾動(dòng)的動(dòng)態(tài)解碼方案,并提出一種改進(jìn)機(jī)制縮短子批開工時(shí)間偏差;基于Glover操作進(jìn)行種群初始化以利用ELS_HFSP原始解含有的信息;在競(jìng)爭(zhēng)機(jī)制中,引入種群重排和快速非支配排序技術(shù)來調(diào)整V形種群結(jié)構(gòu),并利用種群繁殖策略進(jìn)一步提高種群質(zhì)量;在探索機(jī)制中,基于Pareto特性,提出一種局部搜索算法來提升替代解的質(zhì)量。最后,通過與其它多目標(biāo)算法的對(duì)比實(shí)驗(yàn),驗(yàn)證了所提算法的有效性和優(yōu)越性。針對(duì)不等量一致分批的批量流混合流水車間靜態(tài)調(diào)度問題(Inequal Lot Streaming Hybrid Flowshop Static Scheduling Problem,ILS_HFSP),以總流經(jīng)時(shí)間為目標(biāo),建立了MILP模型。為了同時(shí)解決批次序列及批量分割的集成優(yōu)化問題,設(shè)計(jì)了兩層編碼機(jī)制,并提出了相應(yīng)的初始化方法。基于EMBO和兩層編碼機(jī)制,改進(jìn)了變鄰域下降搜索(Variable Neighborhood Descent,VND)以保證解空間的充分搜索,提出了VMBO算法(VND-based MBO)。在算法中,針對(duì)批量分割,驗(yàn)證了“批次優(yōu)先”比“子批優(yōu)先”更加有效,并調(diào)整了SWT規(guī)則;在競(jìng)爭(zhēng)機(jī)制和探索機(jī)制分別設(shè)計(jì)了批量選取操作以及基于塊交換的擾動(dòng)操作。最后,通過與CPLEX和其它算法的對(duì)比實(shí)驗(yàn),驗(yàn)證了所提算法的有效性和優(yōu)越性。針對(duì)不等量一致分批的批量流混合流水車間重調(diào)度問題(Inequal Lot Streaming Hybrid Flowshop Rescheduling Problem,ILS_HFRP),考慮機(jī)器故障這一隨機(jī)擾動(dòng),基于ILS_HFSP原調(diào)度方案,以總流經(jīng)時(shí)間、子批開工時(shí)間偏差以及平均子批批量調(diào)整量為目標(biāo),建立了多目標(biāo)優(yōu)化模型�；趩栴}的三目標(biāo)特性及VND搜索特性,通過引入分解策略,提出了MMBO/D算法(MMBO Based on Decomposition)。在算法中,基于ILS_HFSP編碼及ELS_HFRP解碼和改進(jìn)機(jī)制,考慮批量分割,分別給出了動(dòng)態(tài)解碼方案及改進(jìn)機(jī)制;基于分解策略,提出一種全新的分享和受益機(jī)制,保證了過程的高效性,并提出一種變權(quán)重策略和全局更新機(jī)制執(zhí)行解的更新;在競(jìng)爭(zhēng)機(jī)制中,應(yīng)用一種基于相似子問解的協(xié)同搜索進(jìn)一步提升種群質(zhì)量;在探索機(jī)制中,基于變權(quán)重策略,引入一種新的判斷解是否陷入局部最優(yōu)的判定準(zhǔn)則。最后,通過與其它多目標(biāo)算法的對(duì)比實(shí)驗(yàn),驗(yàn)證了所提算法的有效性和優(yōu)越性。針對(duì)國(guó)內(nèi)某汽車生產(chǎn)公司機(jī)械加工車間的實(shí)際工程案例,將本文提出的理論和方法應(yīng)用到該車間的實(shí)際生產(chǎn)調(diào)度中。根據(jù)該車間批量轉(zhuǎn)運(yùn)的實(shí)際情況,將問題歸結(jié)為ELS_HFSP和ILS_HFSP模型,并分別利用CPLEX和本文所提算法進(jìn)行求解,驗(yàn)證了模型和算法的有效性;針對(duì)機(jī)器故障這一隨機(jī)擾動(dòng)事件,將問題歸結(jié)為ELS_HFRP和ILS_HFRP模型,并利用本文所提算法進(jìn)行求解,驗(yàn)證了模型及算法的有效性。最后,對(duì)全文的成果以及創(chuàng)新之處進(jìn)行了總結(jié),并展望了未來的研究方向。
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP18;O224
【圖文】：

圖 1-3 V 形隊(duì)列結(jié)構(gòu)MigratingBirdsOptimization,MBO）由 Duma發(fā)式算法，該算法受到候鳥在遷徙過程保持 V 僅能夠節(jié)省鳥群在飛行過程中的能量消耗，以避免相互碰撞。生物學(xué)家研究表明，如圖 1-個(gè)：每只鳥的翅尖與前一直鳥翅尖之間的橫向距間的縱向距離（depth）以及 V 字形的開度角度表征解與解之間的關(guān)聯(lián)，由一個(gè)領(lǐng)導(dǎo)解和位于了一種獨(dú)特的分享和受益機(jī)制來模擬飛行中的N1N2N3左分享集合L1N1N2NkN3S1S2N1N+2SsNk-s更新左隊(duì)列跟隨解1

2 5 10 20500 800 1000 150030 50 80 100表 2-3 正交矩陣以及響應(yīng)值 參數(shù) 響應(yīng)值ps t L r25 2 500 30 5187625 5 800 50 5180325 10 1000 80 5158925 20 1500 100 5195851 2 800 80 5189351 5 500 100 5160251 10 1500 30 5183651 20 1000 50 5152381 2 1000 100 5177481 5 1500 80 5172581 10 500 50 5184981 20 800 30 51934101 2 1500 50 52164101 5 1000 30 52388101 10 800 100 52155101 20 500 80 52207

表2-12 在 30下的對(duì)比結(jié)果MBO IMBO MMBO GA GARD0.39(0.21) 0.32(0.14) 1.46(0.53) 1.06(0.56) 1.11(0.57) 0.30.63(0.29) 0.44(0.16) 2.28(0.76) 1.16(0.50) 1.45(0.76) 0.50.97(0.44) 0.61(0.26) 2.47(0.97) 1.87(0.95) 2.36(1.10) 0.70.58(0.32) 0.45(0.20) 2.17(1.05) 1.54(0.79) 1.68(0.87) 0.50.87(0.33) 0.72(0.27) 6.48(2.40) 0.83(0.42) 2.42(0.67) 4.42.24(0.58) 2.28(0.43) 6.84(2.84) 2.59(0.77) 3.66(1.31) 4.32.28(0.57) 2.02(0.41) 7.05(2.79) 2.32(0.48) 3.63(1.21) 5.12.51(0.67) 2.24(0.43) 7.01(2.80) 2.74(0.61) 3.69(1.10) 5.22.07(0.55) 1.99(0.50) 6.62(3.62) 1.91(0.35) 3.79(1.26) 3.12.52(0.84) 2.34(0.56) 6.62(3.98) 2.37(0.50) 5.12(1.20) 9.62.86(0.92) 2.41(0.69) 5.55(3.99) 2.68(0.74) 5.47(1.39) 4.92.14(1.05) 2.41(0.78) 4.88(4.09) 2.85(0.70) 6.46(1.74) 4.42.81(0.77) 2.37(0.59) 4.23(3.93) 2.34(0.46) 5.87(1.47) 5.12.82(0.95) 2.30(0.62) 6.72(4.83) 2.43(0.46) 5.88(1.36) 5.12.70(1.07) 2.92(0.94) 5.45(4.60) 3.13(0.80) 7.11(1.41) 4.53.40(1.19) 2.95(0.95) 5.28(4.20) 3.11(0.71) 7.60(1.58) 3.53.22(0.92) 2.68(0.70) 4.13(4.62) 2.49(0.45) 6.86(1.52) 5.43.71(1.22) 3.04(0.83) 5.24(4.41) 2.77(0.52) 7.63(1.26) 4.03.97(1.49) 3.35(1.00) 4.50(2.47) 3.18(0.60) 9.16(1.71) 4.03.06(1.26) 2.63(1.08) 4.99(0.69) 2.95(0.74) 8.87(1.92) 5.7.29(0.78) 2.02(0.58) 5.00(2.98) 2.32(0.61) 4.99(1.27) 4.0

本文編號(hào)：2760804