柔性作业车间调度基于订单与工序合并及作业层级约束的研究

《Modelling》：Flexible Job Shop Scheduling Based on Order and Operation Consolidation with Job Hierarchy Constraints

　　

现代制造企业正日益向多品种小批量生产转型，这一转变带来了显著的调度挑战，尤其是由于装配多级中间零件所固有的作业层级约束。此外，非加工准备时间（如换刀、物料搬运和设备待机）显著影响生产效率。为应对这些挑战，研究人员研究了在严格作业层级约束下融合订单与工序合并的柔性作业车间批调度问题。为对具有非串行工序优先网络与动态批处理的调度问题进行数学建模，研究人员建立了混合整数规划(MIP)模型，首要目标是同时最小化最大完工时间(makespan)与总拖期。为高效求解，研究人员提出一种改进灰狼优化(IGWO)算法。该算法具备契合合并逻辑的新型双层编码方案，并采用混合种群初始化策略以提升初始解质量；其改进了标准狩猎机制，利用变邻域搜索(VNS)进行局部开发，并独立应用模拟退火(SA)动态接受机制以平衡全局探索与局部开发。基于某电站阀门制造商的小、中、大规模工业数据开展的大量实验，验证了所提模型与算法在优化复杂批调度方案上的有效性。

研究背景方面，在工业4.0驱动下，智能制造使制造业竞争加剧，生产范式由标准化大批量转向多品种小批量高柔性模式。此类环境中产品实际加工时间仅占周期一小部分，大量时间耗费于等待加工、换刀与物料搬运。柔性作业车间调度问题(FJSP)属NP难问题，现有文献在批调度策略与装配层级约束(Bill of Materials, BOM约束)两方面均有积累，但普遍存在割裂：批合并研究多视作业为独立实体而忽略BOM层级依赖，装配调度研究则少有跨多层相同订单与工序的动态合并，而后者正是阀门等多品种小批量场景削减海量准备时间的关键。同时实际决策者严控拖期惩罚，传统算法易早熟收敛。论文发表于《Modelling》。

关键技术方法上，研究人员以某电站阀门制造商真实数据构建小(13订单/50工序)、中(34订单/100工序)、大(72订单/200工序)三档实例；建立混合整数规划(MIP)模型刻画非串行工序优先与动态分批；设计算法时采用双层离散编码(工序段+机器段)、启发式与随机各半的混合初始化(经Taguchi正交试验校准比例)、改进灰狼狩猎(分段交叉+动态变异)、对α/β/δ三头狼分别施以交换/插入/反转三种邻域的变邻域搜索(VNS)、独立模拟退火(SA)指数降温接受劣解机制，以及双精英档案保留；以makespan权0.1、总拖期权0.9的加权目标函数评测，并与NSGA-II、人工蜂群(ABC)、粒子群(PSO)、鲸鱼优化(WOA)各跑30次对比。

研究结果部分，第1节引言指出研究空白与本文整合BOM约束与动态合并的动机。第2节问题描述给出订单合并(交期差≤Δ天且同产品类型方合并)、工序合并(同作业连续同机去冗余准备)、作业层级约束(子件全完再总装)三项机制及9条假设，并建立MIP：式(1)(2)最小化总拖期，式(8)最小化makespan，式(10)-(21)覆盖分配、交期、机器独占与准备时间。第3节算法设计中，3.1节双层编码配合基于有向无环图(DAG)拓扑排序的解码修复，保证100%可行且最小右移保合并特征；3.2节混合初始化敏感分析确定1:1最优；3.3节改进狩猎用GA式交叉变异替代连续位置更新；3.4节VNS对三头狼分施N1/N2/N3邻域，SA按P=exp(-Δf/T)概率受劣解，T指数衰减；3.5节双档案精英防漂移。第4节数值研究中，小尺度IGWO平均加权目标显著优于基准，Gantt图显示订单7与13合并、订单4三工序合并降切换；中尺度IGWO避本地空闲且BOM不断料；大尺度IGWO平均性能超各基准单次最优；消融实验证VNS缺则收敛最慢、SA缺则中途停滞、精英档缺则步进不稳，全IGWO协同最优。第4.6节汇总IGWO较基线在中小大尺度加权成本降54.3%、26.9%、22.1%。

讨论与结论翻译：本研究针对现代多品种小批量制造建立了融合BOM层级约束、订单合并与工序合并的高度约束柔性作业车间批调度模型，以重罚总拖期兼减makespan为目标；提出IGWO，其真正创新在于Taguchi校准1:1混合初始化、改进多领导狩猎、VNS模块与独立SA接受机制之协同，而非编码本身。基于真实数据30次独立运行对比四种元启发式，IGWO在全局探索、统计稳定与非增值准备时间削减上均占优。未来可沿数字孪生(Digital Twin, DT)驱动的动态分批与融合峰值能耗/碳足迹的可持续多目标两方向拓展。