本发明属于跨单元生产，尤其涉及一种基于蚁狮优化算法的跨单元模糊调度方法。
背景技术：
1、由于当前市场需求的个性定制化程度的不断提高，离散制造行业多采用多品种、小批量的生产组织模式，其生产制造流程需要更高的灵活性和适应性。单元制造(cellularmanufacturing)作为一种将成组技术融于生产的现代生产方式，被广泛应用于离散制造企业生产中。即，将制造车间分为不同规模的独立单元，每个单元负责完成特定的生产任务或生产环节，在一定程度上减少工件转运时间、降低在制品库存水平、减少工件生产准备时间。
2、然而，一方面，制造车间生产面临越来越多样化、细分化产品的生产要求而进行定制化生产；另一方面，部分特殊制造车间例如研发车间需要兼顾试制性生产与批量生产两种生产模式。由于定制化生产与试制性生产通常需要更多的生产灵活性与调整能力，而批量生产更注重高效率与稳定性，三者在制造车间中使用相同的生产资源，这使得目前生产任务中存在大量工件或产品与已完成配置的制造单元的零件族存在显著差异(即异常件)。为有效避免重构制造单元配置与购置新设备所造成的生产成本流失及设备加工精度损耗，采用跨单元生产的策略成为了如今离散制造企业单元式生产的必要选择，它通过合理分配设备资源，实现制造单元的协同生产与资源共享。
3、为更加合理有效得实现跨单元生产，需要更为先进的生产调度技术作为支撑。生产调度的关键依据为工件的加工时间与运输时间。其中，加工时间在生产调度问题中通常由生产准备时间(如机床调试时间、工件装夹时间)、工件切削时间、质量检测时间以及零件上下料时间共同组成。虽然随着数控技术的快速发展，工件的切削工作可以做到定时完成，但诸如机床调试、装夹、拆卸、测量等工作仍由人工完成，工人的操作熟练度以及操作效率极大地影响了这类时间的准确性，使得工件的加工时间无法维持在一个确切值。此外，运输时间也同样由工件的装载、运输行驶、拆卸等多段时间组合而成，其中，装载和拆卸工作依然由人工完成，且运输过程存在交通堵塞的状况，运输时间也同样无法准确估计。
4、上述两类时间在跨单元生产中均可称为生产时间，目前，大量有关生产调度的研究均假定生产时间为准确值，而这种假设与实际加工情况严重不符，严重影响生产调度计划的执行率，从而导致生产延误和产品交付延误，导致调度计划失去了对实际生产的指导作用。
5、因此，怎样才能得到有效的跨单元调度的调度方案，保证其与实际加工情况符合，能够对实际生产进行有效的指导，成为目前亟待解决的问题。
技术实现思路
1、针对上述现有技术的不足，本发明提供了一种基于蚁狮优化算法的跨单元模糊调度方法，本方法可以得到有效的跨单元调度的调度方案，保证其与实际加工情况符合，能够对实际生产进行有效的指导。
2、为了解决上述技术问题，本发明采用了如下的技术方案：
3、一种基于蚁狮优化算法的跨单元模糊调度方法，包括以下步骤：
4、s1、以三角模糊数表征工件加工过程中的模糊加工时间和模糊运输时间；以最小化模糊最大完工时间为优化目标，构建跨单元调度生产的调度模型；
5、s2、获取工件的加工数据信息和跨单元运输数据信息，并生成所有可能的潜在调度方案；所述加工数据信息包括零件、工序、可选设备以及对应的模糊加工时间；跨单元运输数据信息包括模糊运输时间；
6、s3、分别基于工序排序、机器选择以及制造单元选择，对各潜在调度方案进行三段式编码；
7、s4、基于各潜在调度方案的三段式编码，使用蚁狮优化算法对调度模型进行求解，得到最佳的调度方案；
8、s5、使用s4得到的最佳的调度方案，进行实际的跨单元调度生产。
9、本发明与现有技术相比，具有如下有益效果：
10、1、本方法使用三角模糊数来表征工件加工过程中的模糊加工时间和模糊运输时间，能够更精确地反映实际生产中的不确定性。三角模糊数通过定义最小值、最可能值和最大值三个参数，能够全面描述时间变量的模糊性和不确定性范围。这种表征方式使得调度模型能够更真实地反映生产过程中的实际情况，从而提高了模型的准确性和可靠性。
11、调度模型以最小化模糊最大完工时间为优化目标。通过引入模糊数表征和模糊优化目标，调度模型能够更好地应对生产过程中的不确定性因素(如设备故障、原材料延迟等)，提高生产调度的鲁棒性和适应性。由于调度模型考虑了生产过程中的不确定性和多目标优化需求，因此生成的调度方案更加符合实际生产情况，有助于企业提高决策效率和生产效益。并采用模糊时间表征和蚁狮优化算法，使得调度方案对外部环境变化具有一定的适应能力，增强了系统的鲁棒性。
12、2、对于考虑模糊时间的跨单元调度问题的离散优化特性，本方法分别基于工序排序、机器选择以及制造单元选择，对各潜在调度方案进行三段式编码，以进行相应的离散化改进后，再通过蚁狮优化算法进行求解，可以保证得到的调度方案的有效性。
13、3、三段式编码将调度问题分解为工序排序、机器选择和制造单元选择三个子问题，通过分别对每个子问题进行编码，可以更加清晰地表示调度方案中的关键信息，便于后续的优化算法进行处理。并且，在蚁狮优化算法中，采用三段式编码可以缩小搜索空间，使算法能够更快地找到高质量的解。由于每个子问题的编码都是相对独立的，因此算法可以在每个子问题的解空间内进行更加精细的搜索，从而提高搜索效率。
14、除此，三段式编码通过明确的编码规则，确保了生成的调度方案符合实际生产中的约束条件(如工序之间的依赖关系、设备的容量限制等)。这种编码方式使得算法在搜索过程中能够自动地排除那些不满足约束条件的无效解，从而提高了最终解的可行性。并且，三段式编码的简洁性和明确性使得算法的实现变得更加容易。开发人员可以根据编码规则设计出相应的算法步骤和数据结构，从而实现高效的调度优化。同时，三段式编码也便于算法的调试和验证，因为每个子问题的编码都是相对独立的，所以可以通过单独测试每个子问题来验证算法的正确性。
15、综上，本方法可以得到有效的跨单元调度的调度方案，保证其与实际加工情况符合，能够对实际生产进行有效的指导。
16、优选地，s4中，蚁狮优化算法对调度模型求解的过程包括：
17、步骤1、初始化算法参数，包括蚂蚁种群大小pa，蚁狮种群大小pl，算法最大迭代次数maxgen；
18、步骤2、采用随机初始化的方法生成pa+pl个个体的三段式编码；
19、步骤3、对各个体的三段式编码进行贪婪式解码，得到最大模糊完工时间并进行去模糊化，再将去模糊化得到的数值的倒数为个体的适应度值；
20、步骤4、将各个体按照适应度值从大到小进行排序，并将前pl数量的个体作为蚁狮种群，将剩余pa数量的个体作为蚂蚁种群；并将适应度值最大的个体作为精英蚁狮；
21、步骤5、各蚂蚁根据当前蚁狮种群的状态进行随机游走和位置更新，以实现全局寻优；
22、步骤6、按照预设的方法构建各蚁狮的邻域解并进行局部寻优；
23、步骤7、结合步骤5和步骤6的结果，更新各蚁狮的位置；并重新确定精英蚁狮；
24、步骤8、按照预设的方法，对重新确定的精英蚁狮进行变邻域搜索，得到当前迭代的最终的精英蚁狮；
25、步骤9、判断迭代次数是否达到预设的最大迭代次数maxgen，若未达到则返回步骤5；若达到则将当前迭代的最终的精英蚁狮对应的调度方案，作为最佳的调度方案。
26、这样的设置，1、采用三段式编码对调度方案进行表示，并通过贪婪式解码得到最大模糊完工时间，再利用去模糊化技术将其转化为适应度值，这一过程简洁高效。适应度值的计算方式(即最大模糊完工时间的倒数)能够直观地反映解的质量，便于算法进行选择和比较。
27、2、该算法能够处理涉及模糊时间和三段式编码的复杂跨单元调度问题，通过引入模糊数表征和三段式编码技术，使得算法能够更准确地描述实际生产中的不确定性因素，提高调度模型的适应性和实用性。
28、3、蚁狮优化算法通过蚂蚁的随机游走和位置更新实现全局搜索，能够探索解空间中的广泛区域，有助于发现新的潜在解。同时，算法通过构建蚁狮的邻域解并进行局部寻优，能够在已发现的高质量解附近进行精细搜索，提高解的精度。这种全局与局部搜索的结合，使得算法能够在保持搜索多样性的同时，快速收敛到高质量的解。
29、4、精英策略通过保留并优化适应度值最高的个体(精英蚁狮)，确保算法在迭代过程中不断向更优解进化。变邻域搜索对精英蚁狮进行进一步的优化，通过探索不同的邻域结构来避免陷入局部最优，提高算法的全局搜索能力。
30、优选地，去模糊化操作的表达式为：
31、
32、式中，表示三角模糊时间的去模糊化值；a1表示最早工序完工时间或工件跨单元运输时间，am表示最可能工序完工时间或工件跨单元运输时间，a2表示最晚工序完工时间或工件跨单元运输时间。
33、优选地，步骤5中，蚂蚁进行全寻优的过程包括：
34、通过轮盘赌或其他选择机制为每只蚂蚁选择一只蚁狮；
35、根据动态系数a，选择将蚂蚁个体与轮盘赌选定蚁狮进行交叉，或与精英蚁狮进行交叉，更新蚂蚁个体的位置；蚂蚁个体位置更新公式为：
36、
37、式中，anti(t+1)表示第t+1次迭代蚂蚁的位置；antlioni(t)表示蚂蚁个体i在第t次迭代中轮盘赌选中的蚁狮的位置；bestantlion(t)表示第t次迭代中精英蚁狮的位置；为交叉符号，表示个体a与个体b的编码进行交叉操作；rand为区间[0,1]的随机值；a为随当前迭代次数变化的动态系数，t为当前迭代次数；
38、动态系数计算公式为：
39、
40、式中，t为当前迭代次数；t为最大迭代次数。
41、这样的设置，1、通过修改蚂蚁的随机游走规则，使其适应于离散变量的搜索，蚂蚁能够在离散解空间中进行有效的搜索。使蚂蚁的搜索行为更加符合调度问题的实际约束，提高解的可行性。通过将蚂蚁的随机游走规则修改为基于轮盘赌选择蚁狮并进行交叉的方式，使得算法更加适应于离散变量的搜索问题。这种修改使得算法在求解调度问题时，能够更有效地在离散解空间中进行探索，提高了算法对实际问题的适应性。
42、2、可以提高解的多样性。轮盘赌选择机制为每只蚂蚁提供了选择不同蚁狮的机会，增加了蚂蚁种群中个体的多样性。同时，动态系数的引入使得蚂蚁在不同迭代阶段选择交叉对象的策略发生变化，进一步促进了种群中解的多样性。这种多样性有助于算法跳出局部最优解，探索更广阔的解空间。
43、3、动态系数α的设置，可以调节蚂蚁个体在全局搜索过程中交叉个体的选择策略；以避免精英蚁狮在前期迭代中过早地陷入局部最优解。通过动态地调整α的值，算法可以平衡蚂蚁的搜索广度和深度，确保蚂蚁在保持一定随机性的同时，也能有效地向更优的解空间探索。
44、优选地，蚂蚁个体与轮盘赌选定蚁狮进行交叉或精英蚁狮进行交叉时，机器选择编码和单元选择编码采用联合均匀交叉，工序排序编码采用ipox交叉。
45、这样的设置，可以提高编码类型的适应性。机器选择编码和单元选择编码通常属于整数编码或组合编码，这些编码往往涉及到有限的离散选择集合。采用联合均匀交叉可以确保在交叉过程中，两个父代个体的相应编码部分能够以等概率的方式交换基因，从而保持解的多样性并有可能产生更优的后代。工序排序编码则涉及到工序的先后顺序，这对于调度问题来说至关重要。ipox(iterated pairwise order crossover)交叉是一种专门用于序列问题的交叉算子，它能够有效地保持工序之间的相对顺序关系，减少交叉过程中产生的非法解，从而提高解的质量。
46、还可以增强算法的全局搜索能力。通过轮盘赌选定的蚁狮或精英蚁狮，通常是当前种群中表现较好的个体。与这些个体进行交叉，有助于蚂蚁个体吸收优秀个体的特征，从而加速整个种群的进化过程。不同类型的编码采用不同的交叉策略，能够更精确地处理各种编码类型的特性，避免由于交叉方式不当而导致的基因破坏或解的质量下降。这有助于提高算法的全局搜索能力，使其能够在更广泛的解空间内搜索到高质量的解。
47、除此，还可以促进局部搜索和邻域探索。在交叉操作之后，通常会跟随一系列的局部搜索或邻域探索步骤，以进一步优化解的质量。通过混合交叉策略生成的后代，不仅继承了父代个体的优秀特征，还通过交叉引入了新的基因组合，这为后续的局部搜索提供了更多的可能性和方向。特别是对于工序排序编码采用ipox交叉的情况，由于ipox交叉能够保持工序之间的相对顺序关系，因此生成的后代在局部搜索过程中更容易保持解的合法性，从而减少了不必要的修复操作和计算成本。
48、同时，由于不同类型的编码采用了适当的交叉方式，因此算法在搜索过程中更加稳定，不易陷入局部最优解。
49、优选地，步骤6中，构建各蚁狮的邻域解的过程包括：
50、对于蚁狮个体的机器选择ms编码和单元选择cs编码；随机选择2-3个编码位置，判断编码位置工序加工设备集中最小加工时间机器序号，并替换掉原编码位置；cs编码随着ms编码的改变而进行修正调整；
51、对于蚁狮个体的工序选择os编码，随机选择三个工序编码位置，对其进行相互位置交换，生成6段邻域工序选择编码；
52、将6段邻域工序选择编码分别与调整后的ms编码和cs编码组合，得到6组邻域解；
53、比较蚁狮个体及其6组邻域解的适应度值，将适应度值最大的位置作为蚁狮的局部寻优结果。
54、这样的设置，1、可以增强局部搜索能力。通过随机选择机器选择ms编码和单元选择cs编码中的2-3个位置，并基于工序加工时间最优化的原则进行替换，以及对工序选择os编码中的三个工序位置进行相互交换，生成多组邻域解，这种方法有效地在蚁狮个体的邻域内进行了细致的搜索。这种局部搜索能够帮助算法在已发现的高质量解附近找到更优的解，从而加速收敛过程。
55、2、可以提高解的多样性。虽然是在局部范围内进行搜索，但随机选择编码位置和工序交换的方式仍然保持了搜索的多样性。这种多样性有助于算法避免陷入局部最优解，同时增加了发现全局最优解的可能性。
56、3、当ms编码发生变化时，cs编码能够自动进行修正调整，以确保解的合法性。这种联动机制保证了在搜索过程中解的完整性和有效性，避免了因编码不一致而导致的非法解或无效解。
57、4、通过构建蚁狮的邻域解并进行局部寻优，算法的整体性能得到了显著提升。局部搜索与全局搜索相结合的策略使得算法在保持全局搜索能力的同时，也能够在局部范围内进行精细搜索，从而提高了算法的求解质量和效率。
58、优选地，步骤8中，变邻域搜索的过程包括：
59、步骤8.1：将精英蚁狮作为初始解x，设置最大邻域搜索次数qmax，并设置参数q＝0，k＝1；
60、步骤8.2：对初始解x使用邻域结构nk(k＝1,2…,n)进行局部搜索，若生成的新个体x’的适应度f(x’)大于原个体的适应度f(x)，则将原个体替换为x’，并令k＝1；否则，令k＝k+1；其中，nk表示第k种预设的邻域结构；n为预设的邻域结构的种类；
61、步骤8.3：判断k>n，若满足，转步骤8.4；否则转步骤8.2；
62、步骤8.4：令q＝q+1，并判断是否满足邻域搜索终止条件q>qmax，若满足则跳转步骤8.5；不满足则令k＝1再转步骤8.2；
63、步骤8.5：算法结束，输出邻域搜索后的结果，作为当前迭代的最终的精英蚁狮。
64、这样的设置，1、增强全局搜索能力。虽然变邻域搜索是一种局部搜索技术，但通过不断切换邻域结构(nk)并重新从精英蚁狮开始搜索，算法能够在一定程度上跳出局部最优解，增加全局搜索的广度。这有助于避免算法早熟收敛，提高找到全局最优解的可能性。
65、2、提高系统灵活性：通过引入多种预设的邻域结构(nk)，算法能够根据问题的特性和当前搜索状态灵活地调整搜索策略，增强了系统的适应性和灵活性。这对于处理复杂多变的制造环境具有重要意义。
66、3、提高解的精度。通过不断地在精英蚁狮(即当前最优解)的邻域内进行局部搜索，算法能够尝试多种可能的解空间区域，从而有机会找到比当前最优解更优秀的解。这种精细的搜索策略有助于提高解的精度和性能。
67、4、加速收敛速度。虽然变邻域搜索增加了算法的计算复杂度，但它在一定程度上也加速了算法的收敛速度。因为在搜索过程中，算法能够更快地识别并聚焦于潜在的最优解区域，减少不必要的搜索空间探索。
68、优选地，表示模糊加工/运输时间的三角模糊数为式中，表示模糊加工/运输时间；x1代表最早工序/运输完成时间；xm代表最可能工序/运输完成时间；x2代表最晚工序/运输完成时间。
69、这样，通过明确指定最早、最可能和最晚的工序/运输完成时间，三角模糊数提供了一种更全面的时间范围描述。这种详细的表示方法使得模型能够更准确地反映实际情况，从而提高了模型的准确性和可靠性。
70、优选地，调度模型的目标函数为：
71、
72、式中，表示工件ji的模糊完工时间；n为工件的数量。
73、优选地，调度模型的约束条件包括：
74、
75、
76、式中，表示工件ji的第j道工序的模糊完工时间；表示工件ji的第j+1道工序上的模糊开工时间；n表示工件序号集合；oi为工件ji的工序集合；
77、表示工件ji的第j道工序在机器mk上的模糊完工时间；表示工件ji的第j道工序在机器mk上的模糊开工时间；yijk当工序oij在设备mk上加工时为1，否则为0；表示工件ji的第j道工序在机器mk上的模糊加工时间；mij为工件ji的第j道工序的加工设备集合；
78、表示制造单元mk与mk′之间的模糊运输时间；yijk当工序oij在设备mk上加工时为1，否则为0；m表示加工设备总数。
79、这样，前2个式子表示工件前后工序的加工顺序约束；第3个式子表示每道工序只有在上一道工序完成并运输到下一道工序的制造单元后才能开始加工；第4个式子表示机器在任意时刻只能进行一道工序的加工操作；第5个式子表示所有工序在任意时刻，只能在一台机器上进行加工操作。
1.一种基于蚁狮优化算法的跨单元模糊调度方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于蚁狮优化算法的跨单元模糊调度方法，其特征在于：s4中，蚁狮优化算法对调度模型求解的过程包括：
3.如权利要求2所述的基于蚁狮优化算法的跨单元模糊调度方法，其特征在于：去模糊化操作的表达式为：
4.如权利要求2所述的基于蚁狮优化算法的跨单元模糊调度方法，其特征在于：步骤5中，蚂蚁进行全寻优的过程包括：
5.如权利要求4所述的基于蚁狮优化算法的跨单元模糊调度方法，其特征在于：蚂蚁个体与轮盘赌选定蚁狮进行交叉或精英蚁狮进行交叉时，机器选择编码和单元选择编码采用联合均匀交叉，工序排序编码采用ipox交叉。
6.如权利要求2所述的基于蚁狮优化算法的跨单元模糊调度方法，其特征在于：步骤6中，构建各蚁狮的邻域解的过程包括：
7.如权利要求2所述的基于蚁狮优化算法的跨单元模糊调度方法，其特征在于：步骤8中，变邻域搜索的过程包括：
8.如权利要求1所述的基于蚁狮优化算法的跨单元模糊调度方法，其特征在于：表示模糊加工/运输时间的三角模糊数为式中，表示模糊加工/运输时间；x1代表最早工序/运输完成时间；xm代表最可能工序/运输完成时间；x2代表最晚工序/运输完成时间。
9.如权利要求1所述的基于蚁狮优化算法的跨单元模糊调度方法，其特征在于：调度模型的目标函数为：
10.如权利要求9所述的基于蚁狮优化算法的跨单元模糊调度方法，其特征在于：调度模型的约束条件包括：
