生產(chǎn)計劃與調(diào)度的集成優(yōu)化.pdf

1、目前在解決生產(chǎn)計劃問題時常常使用遞階優(yōu)化算法進行求解，然而這些算法都存在著明顯的不足，如生成的生產(chǎn)計劃不能保證得到一個可行的調(diào)度解。因此本文針對幾種情形提出了新的求解方法以避免上述算法的不足之處。首先針對遞階生產(chǎn)計劃分解問題進行了研究，給出了求解該問題的兩種算法，并通過大量算例對這兩種算法的性能進行了評估。然后針對遞階生產(chǎn)計劃分解方法的不足，重點研究了幾類車間生產(chǎn)計劃和調(diào)度的集成優(yōu)化問題。并在與相應(yīng)遞階分解方法比較的基礎(chǔ)上，通過大量算例

2、驗證了本文提出的集成優(yōu)化方法的有效性。 1.研究了一類典型jobshop車間的遞階生產(chǎn)計劃分解問題，建立了五種生產(chǎn)計劃分解模型，以滿足不同生產(chǎn)目標的需要。由于上述模型為非線性規(guī)劃模型，文中給出了線性化過程，將上述模型轉(zhuǎn)化為線性規(guī)劃模型，并利用常規(guī)的線性規(guī)劃算法(文中利用卡馬卡算法)進行了求解。但是當問題規(guī)模很火時，上述模型已不能使用常規(guī)的線性規(guī)劃算法進行求解了，因此文中提出一種基于卡馬卡算法的關(guān)聯(lián)預測法米求解大規(guī)模問題。算例研究

3、表明對于目標函數(shù)極大化問題，關(guān)聯(lián)預測法平均比卡馬卡算法快4.62倍，但是得到的最優(yōu)目標值平均比卡馬卡算法小0.06％。 2.針對一類零件加工有準備時間且為成批生產(chǎn)的jobshop車間，建立了生產(chǎn)計劃與調(diào)度的整體優(yōu)化模型，并提出了一種混合遺傳算法(HGA)對其進行求解。文中分析了批量開工時間與批量和在制品存儲量之間的關(guān)系，證明了批量開工時間的計算公式，該公式的計算復雜度與批量大小無關(guān)，因此極大地簡化了模型的復雜程度。遞階生產(chǎn)計劃模

4、型中一般只給出設(shè)備的粗能力負荷，無法保證得到一個可行的調(diào)度解，因此本文建立了詳細的調(diào)度約束，在此基礎(chǔ)上進而給出設(shè)備的準確負荷，從而可以保證調(diào)度解的可行性。由于問題解的結(jié)構(gòu)十分復雜，本文擴展了普通遺傳算法染色體的表達方式，提出一種分段編碼策略并對交叉和變異算子進行了相應(yīng)修改，算法中引入了啟發(fā)式調(diào)度規(guī)則來改善初始群體，可以有效地提高算法的計算效率。文中還提出了一種遞階生產(chǎn)計劃和調(diào)度方法(HPPSA)對該問題進行求解，計算實驗表明對于目標函數(shù)

5、極小化問題，HGA獲得的最優(yōu)目標值平均比HPPSA小13.69％，但是HGA的計算時間平均比HPPSA多1.48倍。 3.研究了一類并行生產(chǎn)線上生產(chǎn)調(diào)度和批量分割的同時優(yōu)化問題。給出了產(chǎn)品在生產(chǎn)線上連續(xù)加工時產(chǎn)品批量的完工時間計算公式，并證明了該公式的正確性?？紤]相鄰批次在生產(chǎn)線上加工會產(chǎn)生重疊，給出了產(chǎn)品批量開工時間的一個下界。然后證明了批量連續(xù)發(fā)交時保證緩沖區(qū)總是可用的充分條件，并在此基礎(chǔ)上提出了一個求解批量開工時間的迭代算

6、法，其特點是計算復雜度與批量火小無關(guān)。最后通過建立的批次發(fā)交模型和提出的批量分割啟發(fā)算法，構(gòu)造了一種基于遺傳進化的啟發(fā)式方法以求解該類問題。計算實驗表明，該方法通過批量分割可以有效地平衡生產(chǎn)線上的負荷。 4.研究了一類多級制造系統(tǒng)中生產(chǎn)計劃和調(diào)度的集成優(yōu)化問題。對第一級車間，提出了零部件批量的完工時間計算公式，并證明了各設(shè)備上零部件加工應(yīng)滿足的加工順序約束。對第二級車間，證明了當產(chǎn)品批量大于緩沖區(qū)容量時，產(chǎn)品批次連續(xù)生產(chǎn)的充要條

7、件，然后利用提出的批量動態(tài)分割合并算法，對第二級車間的產(chǎn)品批量進行動態(tài)分割。文中將該算法與遺傳算法相結(jié)合，提出了一種基于遺傳進化的啟發(fā)式算法(IGA)用于求解本文中的多級制造系統(tǒng)生產(chǎn)計劃和調(diào)度集成優(yōu)化問題。另外在IGA算法的基礎(chǔ)上，按照遞階生產(chǎn)計劃分解原理，提出了一種遞階分解算法(HPPGA)。計算結(jié)果表明對于目標函數(shù)極小化問題，HPPGA獲得的最優(yōu)目標值平均比IGA大13.58％。 最后將本文的研究成果應(yīng)用于某汽車車身廠的汽車