带并行批处理机的柔性作业车间调度问题研究

针对汽车模具铸造中一类带有单处理机和并行批处理机的混合加工模式,构建了以最小化最大完工时间为优化目标的带有并行批处理机的柔性作业车间调度模型。设计了一种改进遗传算法来求解该模型,在算法中提出了一种分块式集成解码规则,保证能在一次解码中得到混合活动调度方案。设计了一种聚类的选择算子,采用K-Means算法并根据适应度值将各个可行解分为多个性质相同的子类,选择留下不同子类中的染色体,且不同子类之间进行染色体交叉,拓宽种群的多样性。此外,为了改善算法的局部能力,设计了基于关键路径的局部搜索策略。仿真实验验证了所提出算法解决此类问题的可行性和有效性。

基于并行批处理的数字流域系统网格应用研究

基于网格的应用系统愈来愈受到人们的关注,讨论了启用网格应用的并行批处理策略,并在此基础上研究了数字流域系统的并行批处理网格应用结构。

分布式估计算法在考虑差异工件的并行批处理机调度中的应用

论文考虑包含差异工件的并行批处理机调度问题,优化目标是最小化制造跨度.在不违背机器容量的限制下,所有工件需要被分成不同的批次,然后被安排在机器上进行加工.首先根据问题提出一个混合整数规划模型,并提出一个下界;采用FF-LPT规则实现对工件的分批和排序;然后提出基于4种更新机制的分布式估计算法(EDA)来对问题求解.最后通过实验对各类规模不同的算例进行仿真,并将结果和模拟退火算法(SA)、遗传算法(GA)作对比,验证了算法的有效性.

混合流水车间批处理机调度的混合分布估计算法

针对某高端装备制造企业总装车间内存在的批处理工序含多道子工序的生产调度问题,以最大完工时间为优化目标建立了该问题的数学模型,并提出一种混合分布估计算法对模型进行求解。该混合分布估计算法将遗传算法中的交叉和变异操作引入分布估计算法,克服了分布估计算法局部搜索能力弱和遗传算法全局搜索能力弱的不足。另外,使用设计实验对算法中的学习率α和优势个体占比β进行确定,最后经过车间实例测试,混合分布估计算法求解能力优于分布估计算法和遗传算法,验证了算法的有效性,并将车间效率提升29.68%。

结合逆向强化学习与强化学习的晶圆批处理设备调度方法

针对晶圆批处理设备调度问题,以最小化生产周期为优化目标,考虑晶圆动态到达、重入加工与不兼容性约束等特点,提出了结合逆向强化学习与强化学习(combine Inverse Reinforcement Learning and Reinforcement Learning,IRL-RL)的晶圆批处理设备调度优化方法。根据批处理设备的加工特性,将问题分解为组批和批次指派两个子问题;由于子问题内部复杂的关联特性使晶圆批处理设备调度内部机理不明,且全局奖励函数设计困难,引入逆向强化学习指导奖励函数的设计;针对晶圆lot的重入加工特性,设计期望流动时间与剩余等待时间关键状态变量;批次指派智能体兼顾考虑任务的紧急程度与工艺类型切换带来的差异生产准备时间进行综合决策,满足批处理设备工艺类型的不兼容性约束;通过设计奖励函数关键参数的非线性特征,解释晶圆lot剩余加工层数与期望流动时间之间的复杂流变关系。24组标准算例的实验数据表明,IRL-RL算法的优化结果与计算效率优于一般强化学习算法和较优规则等方法;经企业实例数据验证,晶圆的生产周期缩短了15%。

聚类和NSGA-Ⅱ联合算法在混合流水车间的应用研究

为了改善某高端装备制造企业总装车间混流生产调度困难、批处理阶段产品组批困难的问题,以及实现车间多个目标的同步联合优化,研究了含批处理机的混合流水车间多目标优化问题。首先根据车间运行情况建立了多目标优化模型,之后提出了基于K-means聚类算法和非支配排序遗传算法(NSGA-Ⅱ)的联合方法,设计了能够对不相容产品进行分组的聚类流程,以及基于产品组编号和组内产品编号的双层编码方式,为批处理工序设计了完整的组批流程。最后,使用车间生产案例进行测试,并将测试结果同仅使用NSGA-Ⅱ得到的结果进行对比,验证了所提方法的有效性。

基于嵌套分区算法框架的清洗—炉管区批调度

针对半导体生产线清洗—炉管区存在的Lot动态达到的并行批处理机优化调度问题,提出了嵌套分区差分进化算法,该算法充分利用嵌套分区算法的全局并行搜索的优势和差分进化算法较强的局部寻优能力。差分进化算法用来优化嵌套分区框架各可行域中抽样得到的样本群,使嵌套分区在选区阶段能更精确跟踪最有希望域,减少算法的回溯过程。通过仿真模型和实际生产线数据对该调度方案进行了比较验证,结果表明,所提算法较其他启发式算法能更有效降低总加权拖期交货损失。

基于多智能体强化学习的纺织面料染色车间动态调度方法

针对任务随订单动态到达环境下的纺织面料染色车间动态调度问题,以最小化总拖期时间为优化目标,提出了基于多智能体循环近端策略优化(MA-RPPO)强化学习的完全反应式调度方法。首先,针对染色车间调度的组批和排缸两个子问题,设计了组批和排缸两个强化学习智能体;然后,针对车间任务的动态性,引入长短期记忆网络(LSTM)提取车间动态信息,提高智能体对动态环境的自适应能力;进一步提出组批智能体和排缸智能体的交互机制,实现组批与排缸全局优化;最后,抽取问题约束与优化目标的相关特征并设计奖励函数,通过动态调度机制驱动智能体的交互学习获得最优调度策略。经某印染企业的实例验证表明,所提方法对不同规模问题的求解性能均优于多种常用的高性能启发式规则,有效降低了产品的总拖期时间,提升了企业订单的准时交付能力。

染整车间染缸优化调度算法研究

根据制衣企业染整车间实际需求,建立了染缸加工的调度模型。该模型与传统调度模型不同,它既考虑了小作业的合并,也考虑了大作业的拆分,并在最小化总拖期的同时提高了染缸利用率。改进了已有的启发式算法,使之能够求解本问题,同时提出了一种新的启发式算法。利用某制衣企业染整车间实际生产数据,测试和分析了所提算法的可行性,结果表明新启发式算法既能减小作业总拖期,还可有效提高染缸利用率。