基于改進(jìn)粒子群算法的設(shè)備維修調(diào)度優(yōu)化研究

，

(浙江理工大學(xué)機(jī)械與自動(dòng)控制學(xué)院，杭州 310018)

基于改進(jìn)粒子群算法的設(shè)備維修調(diào)度優(yōu)化研究

洪志鋒，董寶力

(浙江理工大學(xué)機(jī)械與自動(dòng)控制學(xué)院，杭州 310018)

為保障離散制造企業(yè)生產(chǎn)系統(tǒng)的連續(xù)性并降低其維修成本，構(gòu)建了以維修時(shí)間最短和維修成本最低為目標(biāo)的設(shè)備維修調(diào)度優(yōu)化模型，并采用改進(jìn)粒子群算法對模型進(jìn)行求解。針對標(biāo)準(zhǔn)粒子群算法后期易陷入局部最優(yōu)的缺點(diǎn)，采用指數(shù)函數(shù)遞減的慣性權(quán)重形式來平衡算法的全局搜尋能力和局部搜尋能力，在速度更新公式和位置更新公式中分別引入速度擾動(dòng)項(xiàng)和飛行時(shí)間因子以提高算法的收斂能力。以某機(jī)械公司生產(chǎn)車間設(shè)備維修調(diào)度為例，驗(yàn)證了該方法的有效性和適應(yīng)性。

設(shè)備維修；調(diào)度；多目標(biāo)；改進(jìn)粒子群算法

0 引 言

設(shè)備維修過程中，由于時(shí)間、人員、故障診斷工具等限制，存在維修資源短缺、維修資源分配不均等問題，難以確保在較短時(shí)間內(nèi)完成維修任務(wù)，影響生產(chǎn)系統(tǒng)及時(shí)恢復(fù)正常運(yùn)行狀態(tài)。合理安排設(shè)備維修調(diào)度可以實(shí)現(xiàn)維修資源的最優(yōu)化利用，及時(shí)修復(fù)失效的設(shè)備，同時(shí)降低維修成本。目前，制造企業(yè)通常根據(jù)設(shè)備維修主管的經(jīng)驗(yàn)或先來先服務(wù)(first in first out，F(xiàn)IFO)的規(guī)則進(jìn)行維修任務(wù)的調(diào)度，缺乏科學(xué)的計(jì)劃，導(dǎo)致較長的維修等待時(shí)間和較高的維修保障成本。因此，探索科學(xué)合理的維修調(diào)度策略對制造企業(yè)提升設(shè)備維修管理水平具有重要意義。

目前，國內(nèi)外學(xué)者對設(shè)備維修調(diào)度問題的研究已取得一定的成果。Yare等[1]以提高電網(wǎng)系統(tǒng)可靠性為目標(biāo)，對維修資源、系統(tǒng)負(fù)荷等進(jìn)行綜合分析，建立了發(fā)電機(jī)維修調(diào)度模型，并運(yùn)用變異動(dòng)態(tài)粒子群優(yōu)化(mutational dynamic particle swarm optimization，MDPSO)算法對模型求解。Aissani等[2]提出了一種用于石油工業(yè)生產(chǎn)系統(tǒng)的動(dòng)態(tài)維修任務(wù)調(diào)度的多智能體系統(tǒng)(multi-agent system，MAS)方法。厲紅等[3]研究了半導(dǎo)體生產(chǎn)領(lǐng)域的設(shè)備維修調(diào)度問題，在維修人員不足的前提下，提出了以停機(jī)損失最小為目標(biāo)的維修人員兩步分派法。王正元等[4]把戰(zhàn)時(shí)維修管理工作中的動(dòng)態(tài)調(diào)度問題分解成靜態(tài)子問題和動(dòng)態(tài)子問題，以作戰(zhàn)單元為研究單位，以修復(fù)時(shí)間最短為目標(biāo)，分別構(gòu)建相應(yīng)的模型。楊琴等[5]對汽車維修車間調(diào)度問題的特征進(jìn)行了分析，采用基于工作的分解法將問題分解成多個(gè)子問題，并應(yīng)用啟發(fā)式算法對子問題進(jìn)行求解。楊少華等[6]采用柔性制造系統(tǒng)(flexible manufacture system，F(xiàn)MS)調(diào)度問題的形式化描述，構(gòu)建了基于工藝約束的軍用飛機(jī)維修作業(yè)調(diào)度模型。呂學(xué)志等[7]對維修人員的休息時(shí)間進(jìn)行系統(tǒng)性分析，以維修任務(wù)完成時(shí)間最短為目標(biāo)，構(gòu)建了軍用裝備維修調(diào)度模型。

設(shè)備維修成本一般包括設(shè)備停機(jī)損失成本、人員維修工時(shí)成本和備件成本等。上述研究大都聚焦于停機(jī)損失成本，對其他維修成本缺乏整體考慮。還有一些研究僅從時(shí)間的角度優(yōu)化維修調(diào)度目標(biāo)，沒有考慮維修成本目標(biāo)。維修時(shí)間與維修成本是非線性的關(guān)系[8]。在實(shí)際設(shè)備維修過程中，過分追求短的維修時(shí)間，雖然可以減少停機(jī)損失成本，但是可能需要安排維修專家或增加普通維修人員的投入，進(jìn)而增加人工成本，同時(shí)可能增加備件貯存等管理成本。本文以離散制造企業(yè)的生產(chǎn)設(shè)備為研究對象，在同時(shí)考慮設(shè)備停機(jī)損失成本和人員維修工時(shí)成本的基礎(chǔ)上，構(gòu)建了以維修時(shí)間最短和維修成本最低為目標(biāo)的設(shè)備維修調(diào)度優(yōu)化模型，并設(shè)計(jì)了改進(jìn)粒子群算法對模型進(jìn)行求解。

1 問題描述及模型建立

離散制造企業(yè)的生產(chǎn)設(shè)備是根據(jù)生產(chǎn)工藝布置的，其種類繁多，大小不一，結(jié)構(gòu)繁簡程度不同，精度高低不同，功能多樣，可以實(shí)現(xiàn)相同功能的設(shè)備通常有多臺，且具有相同功能的設(shè)備往往涉及多個(gè)OEM廠商，因此對設(shè)備維修人員的技能水平和維修資源調(diào)度的合理性要求都較高。

對本文研究的離散制造企業(yè)的生產(chǎn)設(shè)備維修調(diào)度問題，做以下的基本假設(shè)：

a) 有L種類型的生產(chǎn)設(shè)備，每一種類型有若干臺，編號i=1，2，…，I，不同類型的設(shè)備重要度不同，且單位時(shí)間的停機(jī)損失成本不同。這些設(shè)備可能發(fā)生的故障類型有M種，編號為m=1，2，…，M。

b) 有數(shù)量為N的設(shè)備維修工，編號j=1,2，…，J。由于維修工技能水平、設(shè)備類型和故障類型的差異，每一名維修工對同一臺故障設(shè)備進(jìn)行修復(fù)作業(yè)所需的時(shí)間不同，同一名維修工對不同臺故障設(shè)備進(jìn)行修復(fù)作業(yè)所需的時(shí)間也不同。

c) 一個(gè)維修任務(wù)對應(yīng)一臺故障設(shè)備，并且由一名維修工執(zhí)行。

d) 一臺設(shè)備同一時(shí)間只發(fā)生一種故障類型。

e) 同一時(shí)間有多臺設(shè)備發(fā)生故障，按照設(shè)備重要度等級安排維修順序。

f) 任意一個(gè)維修任務(wù)分配后，維修期間不再更換維修工,直到該維修任務(wù)完成。

g) 維修準(zhǔn)備時(shí)間與維修順序無關(guān)，并計(jì)入維修時(shí)間。

h) 相鄰維修任務(wù)之間的走動(dòng)時(shí)間忽略不計(jì)。

調(diào)度流程為：生產(chǎn)人員提交維修任務(wù)，維修中心接收維修任務(wù)后，維修主管對維修人員進(jìn)行任務(wù)分配，維修人員完成一項(xiàng)任務(wù)后接受新任務(wù)的分配，若沒有被安排新任務(wù)則從生產(chǎn)車間返回維修中心。設(shè)備維修調(diào)度流程如圖1所示。

圖1 設(shè)備維修調(diào)度的流程

調(diào)度目標(biāo)是為每臺故障設(shè)備選擇最合適的維修人員，確定每臺故障設(shè)備的維修順序，使維修時(shí)間最短，同時(shí)考慮維修人員工時(shí)成本和停機(jī)損失成本，使維修成本最低。建立設(shè)備維修調(diào)度多目標(biāo)優(yōu)化模型如下：

minf=(f1,f2)

(1)

(2)

(3)

s.t.

cwi=Xwikj·pij+swi,當(dāng)Xwikj=1?w,i,j,k

(4)

swi≥rwi?w,i

(5)

sw′i′hi?w,w′,i,i′

(6)

(7)

Xwikj∈{0,1}

(8)

式中：wi表示修復(fù)故障設(shè)備i的維修任務(wù)；rwi表示維修任務(wù)wi的提交時(shí)間；swi表示執(zhí)行維修任務(wù)wi的開始時(shí)間；cwi表示維修任務(wù)wi的完成時(shí)間；kjsum表示維修工j一個(gè)維修調(diào)度時(shí)間段內(nèi)執(zhí)行的作業(yè)任務(wù)數(shù)量；pij表示維修工j維修設(shè)備i所需要的時(shí)間；qj表示維修工j的單位時(shí)間薪酬；ti表示設(shè)備i發(fā)生故障時(shí)的單位時(shí)間損失成本；hi表示設(shè)備i的重要度等級。

目標(biāo)函數(shù)(1)表示設(shè)備維修調(diào)度總目標(biāo)是實(shí)現(xiàn)維修時(shí)間和維修成本綜合最優(yōu)；式(2)表示所有維修任務(wù)從提交到完成的總時(shí)間；式(3)表示總維修成本等于所有參與維修作業(yè)的維修工修復(fù)全部故障設(shè)備的工時(shí)成本與全部故障設(shè)備的停機(jī)損失成本之和；式(4)表示維修任務(wù)w的完成時(shí)間等于維修工j執(zhí)行維修任務(wù)w的起始時(shí)間與這名維修工完成維修任務(wù)w所需要的時(shí)間之和；式(5)表示限制執(zhí)行維修任務(wù)w的起始時(shí)間，顯然不能早于維修任務(wù)w的提交時(shí)間；式(6)表示同一時(shí)間有多臺設(shè)備發(fā)生故障時(shí)，優(yōu)先對重要度等級高的設(shè)備進(jìn)行維修；式(7)表示維修任務(wù)w只由維修工j執(zhí)行一次；式(8)表示控制變量的取值范圍為{0，1}，當(dāng)維修任務(wù)w被分配給維修工j第k個(gè)執(zhí)行時(shí)，Xwikj取為1，否則為0。

2 基于改進(jìn)粒子群算法的模型求解

粒子群算法(particle swarm optimization，PSO)是求解設(shè)備維修調(diào)度問題的有效方法，相對于其他算法具有結(jié)構(gòu)簡單、參數(shù)較少、搜索速度快、易于工程實(shí)現(xiàn)等優(yōu)點(diǎn)[9]。因此，本文提出一種基于粒子群算法的方法來求解上述模型。

2.1 粒子群算法的改進(jìn)

標(biāo)準(zhǔn)粒子群算法存在迭代后期搜索速度不足，容易陷入局部最優(yōu)等缺點(diǎn)[10]，為了避免在實(shí)際使用過程中出現(xiàn)早熟現(xiàn)象，本文從慣性權(quán)重、速度更新策略和位置更新策略三方面對標(biāo)準(zhǔn)粒子群算法進(jìn)行改進(jìn)來提高算法的分布性與收斂性，具體的改進(jìn)策略如下。

2.1.1 慣性權(quán)重的調(diào)整策略

慣性權(quán)重w的值影響粒子群算法的全局搜尋能力和局部搜尋能力，當(dāng)w值較大時(shí)，粒子的迭代步長較大，能夠擴(kuò)大種群的搜尋區(qū)域，而當(dāng)w值較小時(shí)，粒子的迭代步長較小，能夠提升種群的局部搜尋能力[11]。文獻(xiàn)[12]表明，當(dāng)w在[0.4，0.9]區(qū)間線性遞減時(shí)，算法能夠快速收斂。但是線性變化的慣性權(quán)重在算法迭代過程中變化速率保持不變，無法實(shí)現(xiàn)粒子前期快速尋優(yōu)、后期精確尋優(yōu)的目的。而非線性變化的慣性權(quán)重在算法初期，w值遞減速率較大，w從一個(gè)較大值驟減為一個(gè)較小值，使粒子能夠在較大范圍內(nèi)快速尋找到優(yōu)質(zhì)解的大概位置；在算法后期，w值遞減速率下降，粒子能夠在較優(yōu)區(qū)域保持低速搜索狀態(tài)，相對于線性變化的慣性權(quán)重能夠更加有效地提高算法局部挖掘能力。因此，本文采用非線性變化的慣性權(quán)重調(diào)整策略，根據(jù)指數(shù)函數(shù)的特點(diǎn)，設(shè)計(jì)了指數(shù)函數(shù)遞減的慣性權(quán)重計(jì)算方法，如式(9)所示。線性遞減的慣性權(quán)重策略與指數(shù)函數(shù)遞減的慣性權(quán)重策略對比圖像如圖2所示。

(9)

式中：t表示算法當(dāng)前的迭代次數(shù)，tmax表示算法最大的迭代次數(shù)。

圖2 指數(shù)函數(shù)遞減的慣性權(quán)重與線性遞減的慣性權(quán)重趨勢變化的對比

2.1.2 速度更新公式的改進(jìn)策略

針對粒子群算法在迭代后期搜索速度不足，容易陷入局部最優(yōu)的缺陷[10]，通過添加速度擾動(dòng)項(xiàng)對速度更新公式進(jìn)行改進(jìn)。改進(jìn)后的速度更新公式如下：

vi(t+1)=w·vi(t)+c1·r1·(pi-xi)+

(10)

式中：a和b均是(0，1)的常數(shù)，根據(jù)實(shí)驗(yàn)情況設(shè)定；r3是(0，1)的隨機(jī)數(shù)。

在速度更新公式中添加速度擾動(dòng)項(xiàng)后，在算法前期，粒子具有較大的速度，速度擾動(dòng)項(xiàng)的數(shù)值遠(yuǎn)小于公式的前三項(xiàng)，對粒子探索能力的影響微乎其微；隨著迭代次數(shù)的增加，粒子的速度越來越小，逐漸趨向于零，速度擾動(dòng)項(xiàng)使粒子在算法后期依然保有一個(gè)較小的速度進(jìn)行持續(xù)探索，避免算法過早收斂。

為了驗(yàn)證改進(jìn)速度更新公式的有效性，選取Ackley函數(shù)進(jìn)行仿真檢驗(yàn)，追蹤改進(jìn)前后粒子的速度變化，為了方便觀察，將種群規(guī)模設(shè)置為1。在相同的迭代條件下，改進(jìn)前后粒子的速度變化如圖3、圖4所示。從以下兩圖中可以看到，改進(jìn)前粒子的飛行在40代時(shí)開始趨向于停滯狀態(tài)，到50代時(shí)粒子的速度衰弱至零，粒子停止搜索；而改進(jìn)后由于速度擾動(dòng)項(xiàng)的作用，在40代時(shí)粒子依然保有一個(gè)有效的速度進(jìn)行細(xì)致的局部搜尋，直到70代粒子的速度才衰弱至零，搜尋的精度更高，具有更好的局部搜尋性能。

圖3 改進(jìn)前粒子速度變化的趨勢

圖4 改進(jìn)后粒子速度變化的趨勢

2.1.3 位置更新公式的改進(jìn)策略

考慮到粒子運(yùn)動(dòng)時(shí)間隨著迭代的進(jìn)行而不斷變化，為了保持粒子種群的多樣性，通過引入飛行時(shí)間因子對位置更新公式進(jìn)行改進(jìn)。改進(jìn)后的位置更新公式如下：

(11)

式中:K是初始飛行時(shí)間因子。

2.2 粒子的編碼

編碼方式采用順序編碼，即維修任務(wù)的序列編號作為粒子的編碼規(guī)劃，維修任務(wù)的數(shù)量決定編碼長度，粒子位置的每維取整數(shù)，分別表示執(zhí)行對應(yīng)維修任務(wù)的維修工，如某一維值為1表示執(zhí)行該維修任務(wù)的是1號維修工，每一個(gè)維度的取值范圍為可以執(zhí)行對應(yīng)維修任務(wù)的維修工，如可以執(zhí)行維修任務(wù)1的人員有1號、2號和3號維修工，則該維的取值范圍為{1，2，3}。粒子運(yùn)動(dòng)后，對粒子位置的每維修正取整，根據(jù)取整后得到的值確定執(zhí)行對應(yīng)維修任務(wù)的維修工。假設(shè)維修任務(wù)數(shù)量為12，維修工數(shù)量是5，且每名維修工可以執(zhí)行所有的維修任務(wù)，粒子(2 3 1 4 4 3 2 5 1 2 5 4)為一個(gè)可行的維修調(diào)度方案。

2.3 適應(yīng)度函數(shù)

本文考慮了維修時(shí)間最短和維修成本最低兩個(gè)目標(biāo)，采用線性加權(quán)法將多目標(biāo)轉(zhuǎn)變?yōu)閱文繕?biāo)，運(yùn)用改進(jìn)粒子群算法求解設(shè)備維修調(diào)度問題，設(shè)計(jì)適應(yīng)度函數(shù)F表達(dá)式如下所示：

(12)

式中：α、β分別表示各個(gè)目標(biāo)的權(quán)重，u是適應(yīng)度函數(shù)調(diào)整參數(shù)。

2.4 改進(jìn)粒子群算法流程

運(yùn)用改進(jìn)粒子群算法求解本文研究的設(shè)備維修調(diào)度問題，主要分為以下五個(gè)步驟，基本流程如圖5所示。

1) 種群初始化：設(shè)置種群規(guī)模H、最大迭代次數(shù)T、學(xué)習(xí)因子c1和c2，根據(jù)維修任務(wù)數(shù)量和維修人員技能確定種群的維數(shù)和每維的取值范圍，并隨機(jī)產(chǎn)生粒子的初始速度和位置。

2) 求解適應(yīng)度值：根據(jù)式(12)求解每個(gè)粒子的適應(yīng)度值，將結(jié)果作為各自的個(gè)體極值fgbest(i)，并比較所有粒子的個(gè)體極值，將它們中的最小值作為全局極值fzbest。

3) 慣性權(quán)重、速度和位置更新：分別根據(jù)式(9)、式(10)和式(11)更新慣性權(quán)重、粒子的速度和位置，對更新后的速度和位置分別根據(jù)式(13)、式(14)進(jìn)行調(diào)整。

(13)

(14)

式(13)中：vi(t)表示迭代次數(shù)為t時(shí)粒子i的速度，Vmin、Vmax分別表示粒子的速度下限、速度上限，目的是控制粒子搜尋的精確程度，避免粒子速度過小導(dǎo)致算法陷入局部最優(yōu)，同時(shí)避免粒子速度過大導(dǎo)致位移過大，飛出群體區(qū)域；式(14)中，xi(t)表示迭代次數(shù)為t時(shí)粒子i的位置，Xmin、Xmax分別表示粒子位置的最小界限、最大界限，目的是確保粒子在可行解域內(nèi)進(jìn)行搜尋，保證搜尋的有效性。

4) 個(gè)體極值、全局極值更新：根據(jù)式(12)計(jì)算每個(gè)粒子的適應(yīng)度值，將結(jié)果依次與各自的個(gè)體極值fgbest(i)、全局極值fzbest進(jìn)行比較，根據(jù)比較結(jié)果，更新個(gè)體極值fgbest(i)、全局極值fzbest。

5)如果達(dá)到最大迭代次數(shù)T，則輸出最優(yōu)粒子的位置zbest，算法結(jié)束，將zbest解碼得到最佳的設(shè)備維修調(diào)度方案，否則，轉(zhuǎn)向步驟3)。

圖5 改進(jìn)粒子群算法的流程

3 實(shí)例驗(yàn)證

3.1 設(shè)備維修調(diào)度實(shí)例描述

以某機(jī)械公司生產(chǎn)車間某一時(shí)間段的維修記錄數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)中有電脈沖機(jī)床、數(shù)控鏜銑床、粗加工車軸機(jī)床、精加工車軸機(jī)床、成型磨床、數(shù)控外圓磨床6種(M1—M6)共12臺設(shè)備發(fā)生6種類型故障(C1—C6)。負(fù)責(zé)該車間的維修工共有5名(P1—P5)，每名維修工的工時(shí)成本為25元/h。每臺故障設(shè)備的故障類型和維修任務(wù)的提交時(shí)間如表1所示，故障類型及各維修人員進(jìn)行相應(yīng)維修所需的時(shí)間如表2所示，每種設(shè)備的單位時(shí)間停機(jī)損失成本如表3所示，各類型設(shè)備的重要度等級如表4所示，重要度從A至F依次降低。

表1 故障設(shè)備的故障類型和維修任務(wù)的提交時(shí)間

表2 各類型故障由相應(yīng)的維修人員維修所需的時(shí)間 min

表3 各類型設(shè)備單位時(shí)間的停機(jī)損失成本 元/h

表4 各類型設(shè)備的重要度等級

3.2 仿真結(jié)果及分析

為了使兩個(gè)目標(biāo)盡可能達(dá)到同時(shí)最優(yōu)，參考維修記錄數(shù)據(jù)，對權(quán)重的選取進(jìn)行不同取值的模擬，模擬結(jié)果如表5所示。由表5可知，當(dāng)α取0.5，β取0.5時(shí)，權(quán)重能夠?qū)蓚€(gè)目標(biāo)的尋優(yōu)起到較好的協(xié)調(diào)作用。采用Matlab R2014a軟件分別對標(biāo)準(zhǔn)PSO算法和改進(jìn)PSO算法進(jìn)行仿真實(shí)驗(yàn)，參數(shù)設(shè)置為：種群規(guī)模H=50，最大迭代次數(shù)T=200，學(xué)習(xí)因子c1=c2=2，仿真結(jié)果如圖6所示。圖6表示標(biāo)準(zhǔn)PSO求解方法和改進(jìn)PSO求解方法隨著迭代次數(shù)的增加適應(yīng)度值的收斂情況，從圖中可以看到，標(biāo)準(zhǔn)PSO求解方法很快陷入了局部最優(yōu)，粒子搜索停滯，進(jìn)入收斂狀態(tài)，在36代收斂至最優(yōu)解，出現(xiàn)了早熟現(xiàn)象，而改進(jìn)PSO求解方法在迭代前期能夠更快速地尋優(yōu)，并且進(jìn)入局部搜索后由于速度擾動(dòng)項(xiàng)的作用保持持續(xù)搜索狀態(tài)，直到59代收斂至最優(yōu)解，具有較好的局部挖掘能力，相對于標(biāo)準(zhǔn)PSO求解方法收斂效果更好。圖7表示以維修任務(wù)1的開始維修時(shí)間作為時(shí)間起點(diǎn)改進(jìn)PSO算法求解結(jié)果的甘特圖，圖中包含數(shù)字的矩形表示維修任務(wù)，數(shù)字表示維修任務(wù)的序號。

表5 兩個(gè)目標(biāo)的權(quán)重分配的模擬

圖6 適應(yīng)度值的收斂過程

圖7 設(shè)備維修調(diào)度的甘特圖

將FIFO方法、標(biāo)準(zhǔn)PSO求解方法和改進(jìn)PSO求解方法進(jìn)行比較，三種方法的設(shè)備維修調(diào)度結(jié)果和計(jì)算結(jié)果如表6所示。

表6 先來先服務(wù)、標(biāo)準(zhǔn)PSO、改進(jìn)PSO方法調(diào)度結(jié)果的比較

實(shí)驗(yàn)結(jié)果表明，改進(jìn)PSO方法優(yōu)于FIFO方法和標(biāo)準(zhǔn)PSO方法，維修時(shí)間比FIFO方法和標(biāo)準(zhǔn)PSO方法分別減少了13%和4%，維修成本比FIFO方法和標(biāo)準(zhǔn)PSO方法分別節(jié)約了15%和6%。因此，從實(shí)驗(yàn)可以得出，采用改進(jìn)PSO算法進(jìn)行設(shè)備維修調(diào)度能夠?qū)崿F(xiàn)維修人員的優(yōu)化調(diào)度，更加有效地提升設(shè)備維修的效率，降低設(shè)備維修的成本。

4 結(jié) 論

本文針對離散制造企業(yè)的生產(chǎn)設(shè)備維修調(diào)度問題，以維修時(shí)間最短和維修成本最低為目標(biāo)，構(gòu)建多目標(biāo)優(yōu)化模型。針對標(biāo)準(zhǔn)粒子群算法后期易陷入局部最優(yōu)的缺陷，從慣性權(quán)重調(diào)整方式、速度更新公式和位置更新公式三方面對標(biāo)準(zhǔn)粒子群算法進(jìn)行改進(jìn)。采取順序編碼方式，采用線性加權(quán)法將多目標(biāo)轉(zhuǎn)變?yōu)閱文繕?biāo)，運(yùn)用改進(jìn)粒子群算法對模型進(jìn)行實(shí)例求解。實(shí)例結(jié)果表明，改進(jìn)粒子群算法明顯優(yōu)于傳統(tǒng)的FIFO調(diào)度方法；在相同的迭代條件下，相對于標(biāo)準(zhǔn)粒子群算法能夠找到更優(yōu)的全局極值，驗(yàn)證了改進(jìn)粒子群算法的有效性。

[1] YARE Y, VENAYAGAMOORTHY G K. Optimal maintenance scheduling of generators using multiple swarms-MDPSO framework[J]. Engineering Applications of Artificial Intelligence,2010,23(6):895-910.

[2] AISSANI N, BELDJILALI B, TRENTESAUX D. Dynamic scheduling of maintenance tasks in the petroleum industry: A reinforcement approach[J]. Engineering Applications of Artificial Intelligence,2009,22(7):1089-1103.

[3] 厲紅,錢省三.半導(dǎo)體制造設(shè)備的維修調(diào)度研究[J].中國機(jī)械工程,2006,17(16):1693-1697.

[4] 王正元,朱昱,宋建社,等.動(dòng)態(tài)維修任務(wù)調(diào)度的優(yōu)化方法[J].機(jī)械工程學(xué)報(bào),2008,44(1):92-97.

[5] 楊琴,周國華,李艷茹,等.汽車維修車間作業(yè)排序的優(yōu)化模型及調(diào)度算法[J].計(jì)算機(jī)應(yīng)用研究,2010,27(5):1686-1689.

[6] 楊少華,王瑛,劉剛.多目標(biāo)軍用飛機(jī)維修作業(yè)調(diào)度優(yōu)化研究[J].計(jì)算機(jī)工程與應(yīng)用,2016,52(14):19-26.

[7] 呂學(xué)志,陳樂,尹健,等.考慮休息的維修任務(wù)調(diào)度模型及其求解算法[J].兵工學(xué)報(bào),2014,35(12):2116-2123.

[8] 李葆文,徐保強(qiáng).規(guī)范化的設(shè)備維修管理：SOON[M].北京:機(jī)械工業(yè)出版社,2006:49-50.

[9] 紀(jì)震,廖惠連,吳青華.粒子群算法及應(yīng)用[M].北京:科學(xué)出版社,2009:16-17.

[10] HUREL J, MANDOW A, GARCíA-CEREZO A. Tuning a fuzzy controller by particle swarm optimization for an active suspension system[C]//Proceedings of the 38th Annual Conference of the IEEE Industrial Electronics Society. IEEE,2012:2524-2529.

[11] CHALERMCHAIARBHA S, ONGSAKUL W. Stochastic weight trade-off particle swarm optimization for nonconvex economic dispatch[J]. Energy Conversion and Management,2013,70:66-75.

[12] EL-GALLAD A, EL-HAWARY M, SALLAM A. Enhancing the particle swarm optimizer via proper parameters selection[C]//Proceedings of the 2002 IEEE Canadian Conference on Electrical & Computer Engineering. IEEE,2002:792-797.

StudyonOptimizationofEquipmentMaintenanceSchedulingBasedonModifiedParticleSwarmOptimizationAlgorithm

HONGZhifeng,DONGBaoli

(Faculty of Mechanical Engineering & Automation, Zhejiang Sci-Tech University, Hangzhou 310018, China)

To ensure the continuity and reduce the maintenance cost of production system of discrete manufacturing enterprises, an equipment maintenance scheduling optimization model was built for minimizing maintenance time and maintenance cost, and the model was solved with modified particle swarm optimization algorithm. Considering the defect that it is liable to fall into local optimum with the particle swarm optimization algorithm in the later iteration, the discending inertia weight of exponential function was adopted for balancing the global search capability and local search capability of the algorithm, and velocity perturbation and flying time factor were introduced into the velocity updating formula and the location updating formula respectively to improve the convergence ability of the algorithm. The effectiveness and adaptability of the method have been proved via case study of equipment maintenance scheduling of production workshop of a machinery company.

equipment maintenance; scheduling; multi-objective; modified particle swarm optimization algorithm

10.3969/j.issn.1673-3851.2017.11.017

2017-04-24 網(wǎng)絡(luò)出版日期： 2017-10-10

洪志鋒(1991-)，男，浙江海寧人，碩士研究生，主要從事生產(chǎn)調(diào)度優(yōu)化方面的研究。

董寶力，E-mail：tydbl@zstu.edu.cn

TP311

A

1673- 3851 (2017) 06- 0859- 07

(責(zé)任編輯：康鋒)