發(fā)布時間：2021-07-27 20:58

　　針對服裝大規(guī)模定制中的個性化訂單實時到達、訂單投產準時性差、瓶頸工位不確定等系列問題,提出了一種服裝吊掛流水線的自適應滾動窗口機制解決上述問題。綜合考慮了加工順序、加工設備、人員技能、工序等級等服裝生產中的約束條件,建立以最小化完工時間和設備等待時間為目標的多目標動態(tài)調度模型,運用工序和設備雙層編碼結構的非支配遺傳算法對模型進行求解;以企業(yè)訂單數據為基礎模擬了21 600 s內個性化訂單動態(tài)到達過程,對模型進行仿真實驗。結果表明:自適應動態(tài)調度機制能夠充分利用生產線設備信息對不同款式的實時訂單動態(tài)排程;相較于固定周期調度機制在生產效率和設備利用率上有顯著提升。 

【文章來源】：紡織學報. 2020,41(10)北大核心EICSCD

【文章頁數】：6 頁

【部分圖文】：

滾動調度流程

在染色體交叉過程中，工序鏈需要滿足訂單工序數量的約束，即子代C相同基因的數量與父代P相同，因此為滿足交叉的合法性，本文采用基于工件的POX(precedence operation crossover)交叉方法，交叉過程如圖2所示。首先隨機選擇2個非空子集J1、J2，存儲工件編號，將P1中對應J1的工件序列復制到C1中，剩余位置的染色體由P2中對應J2的工件填充得到完整的C1;C2則與C1相反，由P2中對應J1的工件序列復制到C2中，剩余位置的染色體由P1中對應J2的工件填充得到完整的C1。

Pareto支配關系的選擇機制是解決多目標優(yōu)化問題的常用方法，對于n(n>1)個目標的F=(fk|k=1，…，n)，任意染色體i、j，若對?k有fk(i)≤fk(j)，且?fk(i)<fk(j)，則稱i支配j。在選擇機制每次迭代時，將交叉變異后的子代和父代合并，然后按Pareto排序對種群進行等級劃分，保留支配等級較高的染色體。為保證種群多樣性，避免算法陷入局部最優(yōu)，本文采用底層擾動策略，保留部分等級較差個體繁衍進入下一代。3 實例仿真

【參考文獻】：
期刊論文
[1]基于可變重調度區(qū)間的柔性作業(yè)車間動態(tài)調度策略[J]. 王雷,蔡勁草.  南京航空航天大學學報. 2018(03)
[2]考慮工時不確定的混合流水車間滾動調度方法[J]. 張潔,秦威,宋代立.  機械工程學報. 2015(11)
[3]不同再調度周期下的柔性作業(yè)車間動態(tài)調度[J]. 汪雙喜,張超勇,劉瓊,饒運清,尹勇.  計算機集成制造系統. 2014(10)
[4]基于改進滾動時域優(yōu)化策略的動態(tài)調度方法[J]. 劉國寶,張潔.  機械工程學報. 2013(14)
[5]服裝吊掛線生產組織分析[J]. 陳洪倩,陳雁,丁佳,劉雪林.  絲綢. 2012(01)
[6]基于改進非支配排序遺傳算法的多目標柔性作業(yè)車間調度[J]. 張超勇,董星,王曉娟,李新宇,劉瓊.  機械工程學報. 2010(11)
[7]基于滾動窗口的多目標動態(tài)調度優(yōu)化研究[J]. 張超勇,李新宇,王曉娟,劉瓊,高亮.  中國機械工程. 2009(18)
[8]多目標柔性作業(yè)車間調度優(yōu)化研究[J]. 吳秀麗,孫樹棟,余建軍,張紅芳.  計算機集成制造系統. 2006(05)
[9]作業(yè)車間動態(tài)調度研究[J]. 潘全科,朱劍英.  南京航空航天大學學報. 2005(02)



本文編號：3306530