本发明属于流水线车间调度优化，具体涉及一种基于学习遗忘效应的流水车间调度优化方法及系统。
背景技术：
1、智能制造已成为我国制造强国建设的主攻方向，成为抢占全球制造业新一轮竞争制高点的关键抓手。然而，面对顾客直连制造(c2m)的电子商务新模式，多品种、小批量、定制化的制造业生产中，普遍存在的产线频繁切换现象为工厂生产排程带来了诸多的挑战。本技术基于某pc生产工厂的实际场景开展研究。该工厂的生产模式为分布式多条流水线生产，流水线上的操作均由人工完成，工厂产品个性化配置多、加工工艺种类多、定制化程度高。工厂内同种类产品的连续加工会产生学习效应，即产线工人经验积累使得产线生产能力不断爬升；而不同类型产品切换带来的加工中断，则会产生遗忘效应，即工人积累的经验暂时丢失导致生产效率降低。虽然同工艺类型产品连续加工带来的学习效应可以提升生产效率，但生产切换时间、遗忘效应等也对生产效率造成了极大的限制。
2、在实际生产中，工厂每天需要对上千台设备进行排程，目前工厂生产排程时未考虑生产过程中的学习效应和遗忘效应和切换时间，且调度方法为较为传统的人工手动排程。大规模生产排程需求、场景刻画的不准确性、人工排程的局限性，限制了工厂整体加工效率。此外，为保证客户满意度，工厂也对产品交付时效性提出了较高的要求。因此，工厂亟需采用高效的排程算法，在短时间内、自动化地完成大规模排程问题的高效求解。从现有的技术来看，对于精确算法，当问题规模增大到一定程度时，便无法在限定的时间内给出高质量的解决方案。
技术实现思路
1、针对上述现有技术的不足，本技术提供一种基于学习遗忘效应的流水车间调度优化方法及系统。
2、第一方面本技术提出了一种基于学习遗忘效应的流水车间调度优化方法，包括以下步骤：
3、获取流水车间数据，根据所述流水车间数据构建车间数据集合、车间参数以及决策变量；
4、根据所述流水车间数据构建车间数据集合、车间参数以及决策变量构建学习遗忘效应模型，根据所述学习遗忘效应模型构建基于学习遗忘效应和序列相关切换时间的分布式置换流水车间调度模型；
5、根据迭代贪婪算法建立改进迭代贪婪算法，对所述改进迭代贪婪算法分别执行：初始解的质量优化步骤、抽样策略优化步骤、邻域搜索优化步骤、重启策略设计步骤和算法求解效率优化步骤，得到优化后改进迭代贪婪算法；
6、利用优化后改进迭代贪婪算法对所述分布式置换流水车间调度模型进行求解，得到流水车间的优化调度结果。
7、在实施例的可选的实现方式中，所述获取流水车间数据，根据所述流水车间数据构建车间数据集合、车间参数以及决策变量，包括：
8、构建的车间数据集合包括工件集合：j＝{1，2，...，|j|}，i，j∈j，i和j分别表示工件i和工件j；工件种类集合：c＝{1，2，...，|c|}，x∈c，c表示c类别工件；加工工位集合：m＝{0，1，2，...，|m|}，m∈m，m表示工位m；加工中心集合：f＝{1，2，...，|f|}，f∈f，f表示中心f；
9、构建的车间参数包括：pj，m、pj，m，k，f、sj，i，m、l、α、δ和dj，c；pj，m表示工件j在工位m的基准加工时间；pj，m，k，f表示工件j在中心f的位置k通过工位m的实际加工时间，sj，i，m表示相邻的工件j和i在工位m的切换时间，l表示工件最小加工时间与基准加工时间的比值；α表示学习效应中的学习因子；δ表示遗忘效应中加工不同种类工件的遗忘因子，dj，c表示当工件j的类别为c则取值为1，否则取值为0；
10、构建的决策变量包括：xj，k，f、yj，i，k，f、uk，cf、ck，m，f和cmax；xj，k，f为第一区间决策变量，表示工件j在中心f的位置k处加工时取1，否则取0；yj，i，k，f为第二区间决策变量，表示当且仅当工件j在中心f的位置k处加工，且i是其紧后加工工件时取1，否则取0；uk，c，f为整数决策变量，表示中心f的第k个位置处，c种类工件的累计加工次数；ck，m，f为第一连续决策变量，表示处于中心f的位置k处的工件在工位m的完工时间；cmax为第二连续决策变量，表示所有工件最大完工时间。
11、在实施例的可选的实现方式中，所述根据所述流水车间数据构建车间数据集合、车间参数以及决策变量构建学习遗忘效应模型，根据所述学习遗忘效应模型构建基于学习遗忘效应和序列相关切换时间的分布式置换流水车间调度模型，其中，构建的学习遗忘效应模型为：
12、
13、
14、
15、公式(1)表示每一条流水线加工第一个工件时，该工件对应种类的累计等效加工次数为1，除此之外的每个种类的累计加工次数视为0；
16、公式(2)表示当流水线前后加工的工件种类相同时，对应种类的累计等效加工次数值增加1，对于不属于当前加工种类的其他种类，累计等效加工次数的值减去遗忘因子；
17、公式(3)表示学习遗忘效应对工件实际加工时间的影响。
18、其中，构建的分布式置换流水车间调度模型为：
19、min cmax (4)
20、
21、
22、
23、
24、
25、
26、
27、
28、
29、
30、
31、
32、
33、
34、
35、
36、
37、公式(4)表示模型的优化目标为：最小化最大完成时间；
38、公式(5)表示每个工件只能在一个加工中心的一个位置加工；
39、公式(6)表示每个加工中心的每个位置至多有一个工件加工；
40、公式(7)表示同一个加工中心上的前后序关系；
41、公式(8)表示每个工件至多有一个紧随其后的工件；
42、公式(9)和(10)表示当且仅当工件j和i连续生产时，第二区间决策变量的值取1，否则取0；
43、公式(11)表示一个加工中心上同一个工件在相邻工位上的完成时间的数量关系；
44、公式(12)表示一个加工中心上同一个工位上相邻两个工件的完成时间的数量关系；
45、公式(13)表示每个加工中心每个工位加工第一个工件时，不需要切换时间；
46、公式(14)-(16)表示任一个加工位置中的每种工件的累计等效加工次数和工件实际加工时间的计算公式；
47、公式(17)表示最小化最大完成时间不小于所有工件的完成时间；
48、公式(18)-(21)表示模型中各个决策变量对应的取值范围。
49、在实施例的可选的实现方式中，所述根据迭代贪婪算法建立改进迭代贪婪算法，建立的改进迭代贪婪算法包括：
50、步骤a1：通过初始解序列优化算法将所述车间数据集合构建为初始解序列集合π0＝init(j，f，m，c)；
51、步骤a2：对所述初始解序列集合进行全局邻域搜索并移动至最优位置，生成解序列π；
52、步骤a3：判断所述、解序列π的迭代次数是否满足终止前最大迭代次数，若满足则终止循环进入步骤a4，若不满足则进行循环，停留在步骤a3进行循环，直至结果满足循环终止条件；
53、所述循环包括：
54、循环第一阶段：从步骤2得到的解序列π中取出工件集合πd，剩余工件构成πr；
55、循环第二阶段：将πd中工件逐个插入πr中最优的位置，构成新的解序列π′；
56、循环第三阶段：抽取π′中部分工件做局部邻域搜索并移动至最新位置，得到π″；
57、循环第四阶段：接受π″作为最终解序列；
58、步骤a4：输出最终得到的解序列为模型最终解。
59、在实施例的可选的实现方式中，对所述改进迭代贪婪算法执行初始解的质量优化步骤，包括：
60、步骤b1：根据工件集合和加工工位集合计算工件的总加工时长，计算公式为：
61、
62、步骤b2：将步骤b1中的总加工时长降序得到工件序列πsort；
63、步骤b3：根据加工中心集合定义各加工中心上的工件序列，工件序列初始长度为0；
64、步骤b4：遍历步骤b2中得到的工件序列πsort，从πsort中取出的第f个工件，将第f个工件添加到中心f的解序列πf中；
65、步骤b5：对剩下未被安排的工件进行遍历，对每一个工件做如下操作：取出对应位置工件job，job＝πsort[i]；在π的全部位置测试插入job后的makespan，makespan的含义是最大完成时间；返回使makespan增加最小的中心fmin和加工位置
66、步骤b6：根据步骤b5的结果将工件job插入序列的加工位置
67、步骤b7：随机抽取与加工位置相邻的任一工件，记为job2；
68、步骤b8：寻找job2在该加工中心加工序列πf的最佳位置，记为pmin；
69、步骤b9：如果job2在当前位置处的makespan优于原位置处的makespan，则将job2从原位置删除，并插入到πf的最佳位置处。
70、在实施例的可选的实现方式中，对所述改进迭代贪婪算法执行抽样策略优化步骤，包括：
71、步骤c1：从完成时间最长的加工中心上随机抽取出一半工件，再从剩下的加工中心里随机抽取等量的工件，形成被抽取工件队列πr，工件在被抽取后的解序列为πd；
72、步骤c2：依次将被抽取工件队列πr中的工件取出，在πd中寻找最佳位置并插入，直到所有的工件插入完毕，构成抽样优化的解序列。
73、在实施例的可选的实现方式中，对所述改进迭代贪婪算法执行邻域搜索优化步骤，包括全局邻域搜索步骤和局部邻域搜索步骤；
74、所述全局邻域搜索步骤包括：
75、步骤d1：定义待取出的工件块长度d；
76、步骤d2：从当前给定的解序列π0中搜索出完工最久的加工中心f1；
77、步骤d3：从加工中心对应的序列πf1中随机取出一个长度为d的工件块序列πe；
78、步骤d4：全局检索取出的工件块的最佳位置，包括最佳加工中心f1min和最佳加工中心的位置
79、步骤d5：将工件块序列πe插入最佳加工中心f1min的最佳位置；
80、步骤d6：更新解序列π；
81、所述局部邻域搜索步骤包括：
82、步骤d1：定义待取出的工件块长度d；
83、步骤d2：从当前给定的解序列π0中搜索出完工最久的加工中心f1；
84、步骤d3：从加工中心对应的序列πf1中随机取出一个长度为d的工件块πe；
85、步骤d4：在加工中心f1中局部检索该工件块的最佳位置
86、步骤d5：将工件块πe插入最佳加工中心f1min的最佳位置；
87、步骤d6：更新解序列π。
88、在实施例的可选的实现方式中，对所述改进迭代贪婪算法执行重启策略设计步骤，包括：
89、执行预设的算子规则对改进迭代贪婪算法的求解过程进行重启调整，得到最优求解结果，所述算子规则包括第一算子规则、第二算子规则、第三算子规则、第四算子规则和第五算子规则；
90、所述第一算子规则为：终止迭代；
91、所述第二算子规则为：将解序列初始化，回到初始状态继续循环；
92、所述第三算子规则为：将随机抽取工件块的长度进行第一幅度调整，继续循环；
93、所述第四算子规则为：将随机抽取工件块的长度进行第二幅度调整，继续循环；
94、所述第五算子规则为：执行接受准则，获得当前解。
95、在实施例的可选的实现方式中，对所述改进迭代贪婪算法执行算法求解效率优化步骤，包括：
96、步骤f1：初始化每个工件的最早完成时间，表示为：
97、
98、步骤e2：对工件从开始到加工中心结束的时间进行初始化，表示为：
99、
100、步骤e3：对每个工件的最早相对完成时间初始化，表示为：
101、
102、步骤e4：遍历每个工件，对每个工件遍历每个加工中心，在遍历过程中对步骤f1、e2和e3中的时间进行递推赋值，表示为：
103、ej，m，f＝max{ej，m-1，f，ej-1，m，f+sj-1，j，m}+p′j，m，f
104、qj，m，f＝max{qj，m+1，f，qj+1，m，f+sj,j+1，m}+pj，m，f
105、rj，m，f＝max{rj，m-1，f，ej-1，m，f+sj-1，j，m}+p′j，m，f；
106、其中，ej，m，f表示每个工件的最早完成时间，qj，m，f表示工件从开始到加工中心结束的时间，rj，m，f表示每个工件的最早相对完成时间，表示工件j1和j2在工位m上的加工时间，pj，m，f表示工件j在中心f的m设备上的基准工时，p′j，m，f表示工件j在中心f的m设备上的实际工时；
107、计算每个加工中心上每个位置插入后的makespan，公式为：
108、mj，f＝maxm(rj，m，f+qj，m，f)；
109、如果min(mj，f)≤cmax(π)，则表示原方案被改进，返回此时的位置
110、步骤e5：结束循环，得到优化后的最终解。
111、第二方面本技术提出一种基于学习遗忘效应的流水车间调度优化系统，包括数据定义模块、调度模型构建模块、算法改进模块和优化调度模块；
112、所述数据定义模块，用于获取流水车间数据，根据所述流水车间数据构建车间数据集合、车间参数以及决策变量；
113、所述调度模型构建模块，用于根据所述流水车间数据构建车间数据集合、车间参数以及决策变量构建学习遗忘效应模型，根据所述学习遗忘效应模型构建基于学习遗忘效应和序列相关切换时间的分布式置换流水车间调度模型；
114、所述算法改进模块，用于根据迭代贪婪算法建立改进迭代贪婪算法，对所述改进迭代贪婪算法分别执行：初始解的质量优化步骤、抽样策略优化步骤、邻域搜索优化步骤、重启策略设计步骤和算法求解效率优化步骤，得到优化后改进迭代贪婪算法；
115、所述优化调度模块，用于利用优化后改进迭代贪婪算法对所述分布式置换流水车间调度模型进行求解，得到流水车间的优化调度结果。
116、本发明的有益效果：
117、本发明根据问题的特点，构建了考虑依赖产品种类的学习遗忘效应的分布式置换流水车间调度优化模型，首次将依赖产品种类的学习遗忘效应模型应用在带序列相关切换时间的分布式置换流水车间调度问题中，针对该问题结构及其解序列在局部排序上的特点，设计了基于自适应长度工件块的改进迭代贪婪算法，并且对算法进行全序列寻优提升初始解质量，寻优加速算法提升算法整体求解效率有效地降低了现有问题中的时间复杂度，并且，与传统算法和求解工具求得的结果相比，本发明提出的算法能在较短时间内给出更优的求解结果具有更好的计算性能，与现有不考虑学习遗忘效应、仅考虑序列相关切换时间的模型做求解效果的对比，本发明模型所得解更优，对实际场景的刻画更加精确。
1.一种基于学习遗忘效应的流水车间调度优化方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：所述获取流水车间数据，根据所述流水车间数据构建车间数据集合、车间参数以及决策变量，包括：
3.根据权利要求2所述的方法，其特征在于：所述根据所述流水车间数据构建车间数据集合、车间参数以及决策变量构建学习遗忘效应模型，根据所述学习遗忘效应模型构建基于学习遗忘效应和序列相关切换时间的分布式置换流水车间调度模型，其中，构建的学习遗忘效应模型为：
4.根据权利要求3所述的方法，其特征在于：所述根据迭代贪婪算法建立改进迭代贪婪算法，建立的改进迭代贪婪算法包括：
5.根据权利要求4所述的方法，其特征在于：对所述改进迭代贪婪算法执行初始解的质量优化步骤，包括：
6.根据权利要求5所述的方法，其特征在于：对所述改进迭代贪婪算法执行抽样策略优化步骤，包括：
7.根据权利要求6所述的方法，其特征在于：对所述改进迭代贪婪算法执行邻域搜索优化步骤，包括全局邻域搜索步骤和局部邻域搜索步骤；
8.根据权利要求7所述的方法，其特征在于：对所述改进迭代贪婪算法执行重启策略设计步骤，包括：
9.根据权利要求8所述的方法，其特征在于：对所述改进迭代贪婪算法执行算法求解效率优化步骤，包括：
10.一种基于学习遗忘效应的流水车间调度优化系统，其特征在于：包括数据定义模块、调度模型构建模块、算法改进模块和优化调度模块；
