(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210988638.5 (22)申请日 2022.08.17 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 李益兵　廖铖　王磊　陈国奥　 曹岩　金校　 (74)专利代理 机构 武汉智嘉联合知识产权代理 事务所(普通 合伙) 42231 专利代理师 张璐 (51)Int.Cl. G06F 30/20(2020.01) G06Q 10/06(2012.01) G06Q 50/04(2012.01) G06F 111/04(2020.01)G06F 111/06(2020.01) G06F 111/08(2020.01) G06F 111/10(2020.01) (54)发明名称 柔性作业车间分批调度优化方法、 装置及电 子设备 (57)摘要 本发明提供了一种柔性作业车间分批调度 优化方法、 装置及电子设备， 其方法包括： 获取车 间的多种工件、 多台机器以及各工件的多道工 序； 基于预设的批次生成策略确定各种所述工件 的多个加工批次； 基于所述多种工件、 所述多台 机器、 所述多道工序以及所述多个加工批次构建 柔性作业车间分配调度优化目标函数及约束条 件； 基于强化学习 ‑人工蜂群算法以及所述约束 条件对所述柔性作业车间分配调度优化目标函 数进行求解， 获得柔性作业车间分配调度方案。 本发明提高了获得柔性作业车间分配调度方案 的效率。 权利要求书3页 说明书11页 附图6页 CN 115292950 A 2022.11.04 CN 115292950 A 1.一种柔 性作业车间分批调度优化方法， 其特 征在于， 包括： 获取车间的多种工件、 多台机器以及各工件的多道工序； 基于预设的批次生成策略确定各种所述工件的多个加工 批次； 基于所述多种工件、 所述多台机器、 所述多道工序以及所述多个加工批次构建柔性作 业车间分配调度优化目标函数及约束条件； 基于强化学习 ‑人工蜂群算法以及所述约束条件对所述柔性作业车间分配调度优化目 标函数进行求 解， 获得柔 性作业车间分配调度方案 。 2.根据权利要求1所述的柔性作业车间分批调度优化方法， 其特征在于， 所述柔性作业 车间分配调度优化目标函数为： F＝min(makespan) 式中， F为柔性作业车间分配调度优化目标函数； min()为最小值函数； makespan为完工 时间； max[ ]为最大值函数； Oi,j,k为第i个工件的第k个加工子批的第j道工序； FT(Oi,j,k)为 Oi,j,k的加工结束时刻； n为工件总数； p为每个工件的工序数量； Ni为第i个工件的加工子批 数。 3.根据权利要求2所述的柔性作业车间分批调度优化方法， 其特征在于， 所述约束条件 为： Ni＝{Ni∈[1,subl otUB]|Ni∈N+} PT(Oi,j,k)＝PTi,j,l·Li,k·X(Oi,j,k,Ml) l＝1,2,...,m FT(Oi,j,k)＝TT(Oi,j,k‑1,Oi,j,k)+ST(Oi,j,k)+PT(Oi,j,k) FT(Oi,j,1)＝ST(Oi,j,1)+PT(Oi,j,1) MTl＝FT(Oi,j,k) ST(Oi,j,k)≥max{FT(Oi,j‑1,k),MTl} ST(Oi,1,k)≥max{0,MTl} 式中， sublotUB为加工子批次的最大值； N+为正整数； TLi为第i个工件的加工总批数； Li,k 为第i个工件的第 k个加工子批的数量； PT(Oi,j,k)为Oi,j,k的加工时间； m为机器总数； PTi,j,l权　利　要　求　书 1/3 页 2 CN 115292950 A 2为第i个工件的第j道工序在Ml上的加工时间； Ml为第l个机器； X(Oi,j,k,Ml)为Oi,j,k和Ml的决 策变量； TT(Oi,j,k‑1,Oi,j,k)为从Oi,j,k‑1到Oi,j,k的运输时间； ST(Oi,j,k)为Oi,j,k的加工开始时 刻； MTl为第l个机器的加工时间。 4.根据权利要求1所述的柔性作业车间分批调度优化方法， 其特征在于， 所述基于强化 学习‑人工蜂群算法以及所述约束条件对所述柔性作业车间分配调 度优化目标函数进 行求 解， 获得柔 性作业车间分配调度方案， 包括： 获得初始化人工蜂群参数， 所述初始化人工蜂群参数包括初始雇佣蜂、 初始侦查蜂、 初 始围观蜂以及与初始雇佣蜂对应的初始食物源； 采用两段式整数编码方式对初始食物源进行编码， 生成包括第 一段染色体信 息和第二 段染色体信息的染色体， 第一段染色体信息为表示当前工序选择 的机器的设备选择段， 第 二段染色体信息为表示工序排序的工序排序段； 基于人工蜂群算法以及所述约束条件确定柔 性作业车间调度方案； 基于强化学习算法 以及所述柔性作业车间调度方案确定所述柔性作业车间分配调度 方案。 5.根据权利要求4所述的柔性作业车间分批调度优化方法， 其特征在于， 所述基于人工 蜂群算法以及所述约束条件确定柔 性作业车间调度方案， 包括： 步骤一、 所述初始围观蜂评价所述初始食物源质量， 确定最佳食物源， 基于轮盘赌方法 将所述人工蜂群重新划分为 新雇佣蜂和新侦查蜂； 步骤二、 所述新雇佣蜂利用邻域搜索策略对所述最佳食物源进行更新， 获得更新食物 源， 所述新侦查蜂基于全局搜索策略获得待选食物源， 基于局部搜索策略对所述最佳食物 源进行优化， 获得优化食物源， 所述更新食物源、 所述待选食物源和所述优化食物源组成新 一代食物源； 步骤三、 基于预设的迭代判断条件判断人工蜂群迭代是否结束， 若结束， 则所述新一代 食物源为 柔性作业车间调度方案， 若未 结束， 则返回步骤二， 并重复步骤一 ‑步骤三。 6.根据权利要求5所述的柔性作业车间分批调度优化方法， 其特征在于， 所述基于强化 学习算法以及所述 柔性作业车间调度方案确定所述 柔性作业车间分配调度方案， 包括： 步骤五、 获得初始强化学习参数， 并基于预设的三种环境空间生成策略生成三种初始 环境； 步骤六、 基于所述柔性作业车间分配调度方案以及所述初始环境创建动作集、 初始Q值 表以及状态集； 步骤七、 随机从所述状态集中选择一个状态， 并基于贪心策略从所述动作集中选择期 望回报率 最好的动作； 步骤八、 根据Q学习公式、 所述状态和所述动作更新所述初始Q 值表， 获得 更新Q值表； 步骤九、 判断训练次数是否小于预设训练次数， 若小于， 则返回步骤七， 并重复步骤七 ‑ 步骤九； 若 大于或等于， 则判断训练轮数是否小于预设训练轮数， 若小于， 则返回步骤七， 并 重复步骤 七‑步骤九； 若大于或等于， 则获得 所述柔性作业车间分配调度方案 。 7.根据权利要求6所述的柔性作业车间分批调度优化方法， 其特征在于， 所述Q学习公 式为： Q*(s,a)←Q(s,a)+α *[γ(r+max(Q(s' ,a'))‑Q(s,a)]权　利　要　求　书 2/3 页 3 CN 115292950 A 3