基于双自我学习机制的知识型局部搜索方法,用于具有异步装配功能的流水线式灵活作业车间调度
《Swarm and Evolutionary Computation》:Dual-self-learning knowledge-based local search approach for lot-streaming flexible job shop scheduling with asynchronous assembly
【字体:
大
中
小
】
时间:2026年01月21日
来源:Swarm and Evolutionary Computation 8.5
编辑推荐:
批流调度与异步装配协同优化研究,提出混合整数规划模型与双自学习知识引导局部搜索算法,有效降低制造周期与在制品库存。
姜干|唐秋华|程立新|张子凯
教育部冶金装备与控制技术重点实验室,武汉科技大学,武汉430081,中国
摘要
为了实现终端产品的定制化生产,工业企业逐渐采用了一种新的两阶段柔性生产系统。第一阶段涉及组件的灵活制造,第二阶段涉及多品种产品的异步组装。然而,两个阶段之间的生产批次差异导致在制品库存量大,制造周期长。因此,本研究重点关注带有异步组装的批量流式柔性作业车间调度(LS-FJSP-AA)。我们的方法从混合整数线性规划模型开始,旨在按字典顺序优化两个目标:最大完成时间和在制品库存。随后,使用基于双自学习的知识库局部搜索(DK-LS)算法来解决这个问题。具体来说,基于问题特性的前向-反向解码用于目标计算,然后将多规则启发式方法嵌入到初始化过程中以生成更好的初始解。局部搜索阶段结合了基于关键路径和目标的邻域结构,引导搜索过程朝向有希望的解空间。此外,提出了一种双自学习机制,该机制考虑了案例的个别特性。第一种使用Q学习来调整候选解集,第二种根据历史信息选择操作符。最后,与六种现有启发式方法和五种最先进的算法进行综合比较,结果表明DK-LS在解决LS-FJSP-AA问题方面显著优于它们。
引言
为了满足高品种和低批量定制化生产的需求,由于其灵活性和效率,柔性装配作业车间逐渐成为主要的制造模式。在这种模式下,原材料首先被加工成组件,然后通过装配操作组装成最终产品(例如汽车、冰箱和空调)。与传统的柔性作业车间不同,柔性装配作业车间有一个专门的装配阶段,只有在所有所需组件都加工完成后才能启动,从而对装配顺序和组件可用性施加了约束。因此,深入研究柔性装配作业车间调度问题(FAJSP)对于提高制造系统的整体效率至关重要。
在一些大型机械制造企业中,由于产品的高定制化和相似性,生产过程中需要混合加工和装配同一类型的多种产品。如图1所示,与大多数采用单机[1]或并行机[2]装配模式的现有装配阶段不同,在这种生产场景中,一系列工作站沿着装配线顺序排列,类似产品以不受限制的顺序进行装配。当工件从一个工作站移动到下一个工作站时,只有满足两个前提条件时才能开始新的装配操作:首先,当前工作站上的所有所需操作必须完全完成;其次,后续工作站不能被阻塞。这两个约束直接导致工作站之间的启动时间不同步,意味着每个工作站的启动时间不像同步系统[3]那样受到固定周期的限制。不幸的是,这种异步性可能导致两个阶段之间存在大量的在制品库存。在最坏的情况下,一些完成的组件可能需要等待很长时间才能进行装配。这种低效率突显了需要针对性调度解决方案的必要性;因此,本研究关注带有异步组装的柔性作业车间调度问题(FJSP-AA)。
由于装配操作是在装配线上依次执行的,传统的批量制造方法(一次制造一种类型的组件并分批交付)已经变得无效。这是因为(1)工件按顺序进入装配线,形成严格的串行物料流;(2)减少组件在加工阶段完成与在装配阶段开始之间的时间间隔可以显著减少两个阶段之间的在制品(WIP)。为了解决这些问题,将批量流技术集成到加工阶段是必要的。这样,每种类型的组件子批次可以逐步释放到装配线中,从而使物料流与装配站之间的异步需求保持一致。因此,研究带有异步组装的批量流式柔性作业车间调度问题(LS-FJSP-AA)是必要且合理的。
鉴于LS-FJSP-AA的NP难度,开发一种针对其独特特性的高效算法至关重要。局部搜索算法通过基于问题属性的邻域结构探索潜在解空间的能力,加上它们的强大鲁棒性,使其在调度应用中得到广泛采用。例如作业车间、流水线车间[5]、分布式混合流水线车间[6]和装配车间[7]。因此,这种算法是解决LS-FJSP-AA问题的有效方案。本研究通过包含问题特定特征、基于知识的操作符和双自学习机制,扩展了双自学习知识库局部搜索(DK-LS)的新版本。
本文的其余部分组织如下:第2节总结了相关文献。第3节定义了优化问题并制定了其数学模型。第4节详细介绍了提出的DK-LS。第5节进行了比较实验和讨论。最后,第6节提供了结论和未来研究方向。
节选
带有异步组装的柔性作业车间调度
如今,FAJSP被广泛用于同时制造零件、组件和相应的终端产品,从而实现定制化生产。在FAJSP框架内,产品装配可以采用单机或并行机[7]。在这种模式下,只有在所有零件完全加工完成后才会开始装配操作,或者装配过程被简化为在指定机器上进行的单个步骤。这允许
问题描述和假设
LS-FJSP-AA考虑在带有异步组装的柔性作业车间中完成
个订单,每个订单包含个产品,涉及两个阶段:加工阶段和装配阶段。在第一阶段,组件在机器容量约束下进行加工。对于每个组件,总共有Opc个操作必须遵循固定的加工路线。每个操作在其替代机器之一上进行。组件子批次中的所有项目都必须加工
双自学习知识库局部搜索
作为经典的局部搜索算法,禁忌搜索以其逃离局部最优解的能力而闻名。它在处理组合优化问题的复杂性方面的固有鲁棒性使其在先进制造环境中的多目标优化任务中特别有效[46]。禁忌搜索在字典顺序优化方面的一个关键优势在于其自适应记忆结构,这些结构引导搜索朝向未探索的区域
实验研究
为了评估提出的DK-LS在解决LS-FJSP-AA问题方面的性能,进行了三组实验。第一组实验使用田口方法校准了提出算法和比较算法的参数。第二组实验验证了所涉及改进的有效性。第三组实验将这种算法的性能与其他最先进算法进行了比较。请注意,所有算法都是用MatlabR2019b编程的,运行处理器是Intel(R)Core
结论和未来工作
本研究解决了带有异步组装的批量流式柔性作业车间调度问题。为了减少实际生产过程中的完成时间和在制品库存,提出了一种双自学习知识库局部搜索算法来高效解决这个问题。统计实验表明,所提出的算法在解决方案质量和收敛性能方面优于比较算法。这种算法的优异性能源于几个方面。
首先,
CRediT作者贡献声明
姜干:撰写 – 审稿与编辑,撰写 – 原始草稿。唐秋华:撰写 – 审稿与编辑。程立新:撰写 – 审稿与编辑。张子凯:撰写 – 审稿与编辑。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号