一种用于集成开放场布局与模糊柔性作业车间调度的两阶段学习超启发式算法
《Swarm and Evolutionary Computation》:A two-stage learning hyper-heuristic for integrated open-field layout and fuzzy flexible job shop scheduling
【字体:
大
中
小
】
时间:2026年10月01日
来源:Swarm and Evolutionary Computation 9.6
编辑推荐:
• 针对OFL-FFJSP问题建立混合整数非线性规划模型,最小化模糊最大完工时间和能耗。• 提出两阶段框架以降低耦合复杂度。• 采用面向角色的双深度Q学习网络引导可行性修复和解决方案精炼。• 嵌入问题特定的几何规则用于空间矫正。
引言
在现代制造业中,提高生产效率、设备利
• 针对OFL-FFJSP问题建立混合整数非线性规划模型,最小化模糊最大完工时间和能耗。• 提出两阶段框架以降低耦合复杂度。• 采用面向角色的双深度Q学习网络引导可行性修复和解决方案精炼。• 嵌入问题特定的几何规则用于空间矫正。
引言
在现代制造业中,提高生产效率、设备利用率并增强容错能力的日益增长需求,使柔性作业车间成为处理多样化和复杂生产任务的关键生产模式 [1]、[2]。与此同时,需求波动和产品组合频繁变化要求制造商及时规划新车间或重新配置现有设施 [3]。此类系统级调整需要在空间和时间内对制造资源进行协调组织 [4]、[5]。设施布局定义了生产资源之间的空间关系及相关物料搬运条件,而生产调度则管理作业的时间分配和排序。因此,柔性作业车间中布局与调度的集成优化对于协调车间配置与生产计划、提高生产效率至关重要,同时为产能扩展和车间重构提供系统性的决策支持。
开放场布局适合柔性作业车间多样的空间需求,因为它允许机器在可变坐标上定位,而非预定义的网格位置 [6]。这种空间灵活性支持高效的车间面积使用和物料搬运,同时适应生产规模和产品品种的变化 [7]、[8]。在车间规划或重构过程中,这种灵活性使运输路线能够根据生产模式进行定制。在网络层面,单向路径和双向路径的协调配置平衡了空间利用率和运输效率:前者减少通道空间需求,后者减少绕行和行驶距离 [9]。生产调度指定作业顺序和机器分配,由此确定机器之间所需的转运。空间配置决定了这些转运的可行路线,从而决定相关的运输时间和能耗。运输时间直接影响后续作业的启动时间和整体调度性能 [10]。空间配置与生产调度之间的协调不足会导致生产不平衡、完工时间延长和能耗增加 [4]。因此,在统一优化框架中集成开放场布局和生产调度,对于提高柔性作业车间的生产效率和能源性能至关重要。
此外,实际柔性作业车间中的加工时间受机器状态、操作熟练度、材料特性和生产节律等因素影响,使其精确值难以提前确定 [11]。确定性调度模型通常将此类时间信息简化为固定值,因此无法充分刻画这些加工时间波动 [12]。在集成开放场布局与调度中,这种简化限制了所得机器配置、运输网络和 production schedule 反映可变加工条件的程度。模糊集合论提供了一种表示此类不确定性的适当方法,通过保留加工时间的可能范围及该范围内各值的相关可能性 [13]。将模糊加工时间纳入柔性作业车间中开放场布局与生产调度的集成优化,是增强所得解决方案实际应用性的关键。
为了解决此类集成优化问题,启发式方法因其计算效率和实现简便而得到广泛应用 [14]。然而,不同问题的决策和约束结构差异对启发式搜索提出了特定于问题的要求,仅靠通用启发式规则难以满足 [15]。在集成开放场布局与模糊柔性作业车间调度问题中,联合优化机器位置、机器分配和作业顺序增加了解空间的维度。开放场布局中细粒度的可变坐标表示扩展了空间搜索空间。在开放场布局中,不同机器面的安全间距以及路径和设备约束共同决定了运输网络的特性 [10]。机器之间的实际间距决定了路径的物流特性,允许单向或双向通行 [9]。此类有向路径网络施加的严格约束导致可行解在广阔决策空间中稀疏分布,难以获得令人满意的解 [16]。此外,路径方向性存在权衡:双向路径可减少运输时间,但其较大的空间消耗可能导致违反车间边界 [8]。除这些挑战外,空间和时间调度约束通过依赖于布局的运输时间相互耦合,增加了计算复杂度。这些特性使得为OFL-FFJSP设计有效解决方案极具挑战性。
超启发式提供用于复杂优化的框架,通过管理底层启发式并将高层启发式选择与问题特定的搜索操作分离 [17]。在复杂车间调度中,深度强化学习已成功应用于级联双车间协同调度 [18] 和分布式异构混合流水车间调度 [19] 等问题。当将深度强化学习集成到超启发式中时,高层策略可通过与搜索过程的交互学习状态相关的底层启发式选择策略,从而支持自适应启发式选择 [15]。虽然基于学习的超启发式已被广泛应用于复杂调度问题,但大多数在搜索过程中施加严格约束。将此策略应用于OFL-FFJSP时,倾向于将搜索限制在由空间边界和有向路径网络支配的稀疏可行区域内,从而限制了有效的全局探索。此外,虽然超启发式的学习策略通常利用演化状态,但在OFL-FFJSP中对问题特定状态和知识的利用不足限制了该复杂解空间的深度优化。针对这些局限性,本文提出基于双深度Q网络的两阶段学习超启发式,以最小化模糊最大完工时间和总能耗为目标解决OFL-FFJSP。TSLHH通过从放宽约束下的全局探索过渡到严格约束下的优化,来缓解布局-调度耦合带来的复杂度。阶段一放宽通道间距和方向要求,采用DDQN引导的底层启发式选择来定位有前景的解区域。所得候选解在完全约束模型下由面向角色的学习机制精炼,该机制根据演化角色施加差异化搜索压力。此外,为每个阶段设计一组不同的知识规则,以利用几何和物流特性进行快速结构矫正。本文的主要贡献总结如下:
(1)在集成布局与调度问题中,联合考虑可变坐标的机器定位和有向路径网络,建立混合整数非线性规划模型,同时最小化模糊最大完工时间和总能耗。
(2)提出针对OFL-FFJSP的两阶段学习超启发式。在阶段二中,开发三角色严格精炼机制,对阶段一候选解施加差异化搜索和接受策略,以实现质量提升、可行性修复和种群收敛。为基于DDQN的高层选择器定制状态表示和奖励函数,以增强不同搜索阶段和种群角色下选择的有效性。设计问题特定的底层启发式和确定性布局优化规则,用于目标邻域搜索和结构矫正。
(3)在38个不同规模的基准算例和利用液压伺服阀生产车间实际工业数据的案例研究中验证了TSLHH的有效性。在三个指标上,它在超过80%的算例中取得优异性能,在中大型规模算例上稳定地取得了八个比较算法中最佳平均性能。在工业案例研究中,与以完工时间为目标的调度相比,TSLHH将模糊期望最大完工时间降低了8.9%,将模糊期望能耗降低了11.07%。
本文其余部分安排如下:第2节回顾相关工作。第3节建立OFL-FFJSP的数学模型。第4节详细介绍所提算法的设计。第5节呈现数值实验结果。最后,第6节总结全文。
部分章节摘录
设施布局与调度的集成优化
设施布局和生产调度构成制造系统中两个紧密相关的决策。前者确定机器的空间布置及由此产生的物料搬运条件,后者确定机器分配和作业顺序。二者的集成产生了设施布局与调度问题,在该问题中空间和时间决策相互协调以提升整体生产性能 [4]。为减少O
模糊数运算
本研究中使用三角模糊数的算术和比较运算来计算模糊时间和目标值 [11]、[31]。三角模糊数包含可能值区间 [a1, a3] 和众数值 a2。对于两个三角模糊数,相关模糊数运算定义如下:
(1)加法运算。
(2)排序运算。
为比较两个三角模糊数,采用三级排序方法依次考虑
OFL-FFJSP的TSLHH
本节详细介绍所提的用于求解OFL-FFJSP的TSLHH。首先在第4.1节概述算法框架。随后在第4.2节问题特定知识规则和第4.3节解表示与构造中分别介绍问题特定知识规则和解表示。最后在第4.4节宽松宏观探索和第4.5节面向角色的精炼中详述宏观探索阶段和面向角色精炼阶段的实现与学习机制。
数值实验结果
本节开展一系列仿真实验。将TSLHH与九个变体进行比较,以验证本文方法中各策略的效果。然后测试几种代表性的基于学习的算法和传统算法并与TSLHH进行比较,以展示其效率。所有实验在配备Intel(R) Xeon(R) Gold 6348 CPU(主频2.6 GHz)、504 GB RAM和NVIDIA GeForce RTX 4090 GPU的系统中进行。算法实现于
结论
本研究考虑模糊最大完工时间和总能耗作为优化目标,调查了OFL-FFJSP问题,并提出了一种两阶段学习超启发式来解决该问题。实验结果证实,TSLHH在中大型规模算例上取得了比较算法中最佳的整体性能,并展现了卓越的收敛效率。此外,在真实工业案例中展示了改进效果。此性能
CRediT作者贡献声明
刘永勤:撰写——初稿、软件、方法论。宋南峰:可视化、形式化分析。王超:撰写——审阅与编辑、验证。左民:资源获取、项目管理。王雷:监督、方法论、基金获取。
利益冲突声明
作者声明不存在可能影响本文报告工作的已知竞争性经济利益或个人关系。
致谢
本研究受国家自然科学基金资助(批准号:62433002),以及国家重点研发计划资助(批准号:2026ZD1610800)。
刘永勤 | 宋南峰 | 王超 | 左民 | 王雷
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号