理论教育 混合流水车间调度算法的优越性验证

混合流水车间调度算法的优越性验证

时间:2023-11-02 理论教育 版权反馈
【摘要】:图6.14和图6.15所示为两种分批算法的甘特图,图中数字代表产品种类和子批批次,如“3,2”表示第3种产品的第2个批次,黑色部分表示换批时间。表6.8仿真实验测试案例续表图6.14蚁群算法甘特图图6.15模拟退火算法甘特图6.3.3.2仿真试验2为验证混合流水车间调度算法的优越性,采用以下算例进行验算。表6.10各条生产线的加工时间表6.11不同批次PCB的换批时间表6.12算法求解结果对比

混合流水车间调度算法的优越性验证

鉴于国内外尚无相同的混合流水车间分批调度问题的标准算例,为验证本案例算法的性能,下面设计了针对混合流水车间的算例,验证分批算法的优越性,之后用另一个算例验证混合流水车间调度算法的优越性,最后针对企业的实际数据进行仿真实验。算法运行环境为Core2E8400CPU(2.8 GHz),2 G内存,Windows XP操作系统,并采用C#语言编程。

6.3.3.1 仿真试验1

表6.8所示为仿真试验的测试算例,对表中仿真试验1的算例,以2个工件为一个任务,分别采用蚁群算法和遗传算法进行验算,用本案例第二级和第三级的蚁群算法模拟退火(Simulated Annealing,SA)算法,求解批次的调度方案。图6.14和图6.15所示为两种分批算法的甘特图,图中数字代表产品种类和子批批次,如“3,2”表示第3种产品的第2个批次,黑色部分表示换批时间。蚁群算法将所有产品分为16个批次,分别为4(2,2,2,2),4(2,2,2,2),4(2,2,2,2)和4(2,2,2,2),所得生产周期为413;遗传算法将所有产品分为16个批次,分别为4(1,3,2,2),4(2,2,2,2),4(1,3,3,1)和4(3,2,2,1),所得生产周期为492。从图中可以看出,蚁群算法能根据设备的加工能力合理安排批量的大小,求出的结果在设备利用率和设备的负载均衡方面均优于遗传算法,即在相同的批次数量下,本案例提出的蚁群算法更能提高设备利用率,缩短生产周期。

表6.8 仿真实验测试案例

续 表

图6.14 蚁群算法甘特图

图6.15 模拟退火算法甘特图

6.3.3.2 仿真试验2

为验证混合流水车间调度算法的优越性,采用以下算例进行验算。仿真试验测试算例见表6.8,对表中仿真试验2的算例用蚁群算法(ACO)、遗传算法(GA)和模拟退火算法(SA)分别运行10次,得到计算时间的平均值及计算结果的平均值(avg)和最优值(min)。求解结果见表6.9。表中实验组以工件数和工序数表示,如“6×2”表示6个工件,每个工件要经过2道工序。分析可知,对于所有算例,ACO在计算时间上均优于其他两种算法,且计算时间的优势随着问题规模的增大越来越明显。从计算结果来看,ACO对所有算例的求解结果的平均值和最优值均优于其他两种算法,SA的求解结果优于GA。对比ACO和次优的SA,定义ACO相对于SA的改进率δ=(SAavg-ACOavg)/ACOavg,描述ACO相对于SA求解结果的改进程度,工件数量分别为6(6×2,6×4,6×8),30(30×2,30×4,30×8)和100(100×2,100×4,100×8)时,对于不同工序数,ACO相对于SA的改进率平均值分别为0.4%,0.78%和1.04%;同理,当工序数量分别为2(6×2,30×2,100×2),4(6×4,30×4,100×4)和8(6×8,30×8,100×8)时,不同工件数ACO相对于SA求解结果的平均改进程度分别为0.57%,0.68%和0.97%。可见随着问题规模的增加,蚁群算法的优化效果越来越明显。(www.daowen.com)

表6.9 算法对比分析

6.3.3.3 实例仿真

某印刷电路板(printed circuit board,PCB)装配车间有4个加工区间[表面贴装技术(surface mounted technology,SMT)贴片加工区、插件加工区、补焊加工区和测试区]共9条生产线,分别为3(S1,S2,S3),2(M1,M2),2(A1,A2)和2(T1,T2)。某一时段加工5种PCB板,每种PCB板的数量均为1 000。每个PCB均要经过这4个加工区。PCB的加工时间和加工准备时间见表6.10、表6.11。

分别采用本案例的ACO、遗传-模拟退火算法(GA-SA),以及由本案例第二级和第三级蚁群算法组成的不分批的蚁群算法(ant colony algorithm without lot-streaming,ACOWLS),对以上实际算例进行求解,求解结果见表6.12。分析可知,采用分批调度的方法可以明显缩短生产周期,提高设备利用率。ACO和GA-SA均以100个PCB为最小的分批单元,ACO将PCB分为{10,10,9,7,7}共43个批次,GA-SA将PCB分为{10,7,9,6,9}共41个批次,可见在未明显提高批次数量的情况下,蚁群算法能搜索到更优的结果。

表6.10 各条生产线的加工时间

表6.11 不同批次PCB的换批时间

表6.12 算法求解结果对比

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈