基于FactorySimulation平台，利用“遗传算法（GA）+仿真”来进行生产订单优化排序

       遗传算法（GA）是一种广泛采用的优化算法，该方法实现简单、通用性强、优化效果不错，许多离散事件仿真（DES）软件都支持该算法与仿真的结合。评价“遗传算法+仿真”工具有几个指标：易于使用、可扩展性强、运行速度快，国产工厂仿真软件FactorySimulation（以下简称FS，参见www.factorysimulation.net）在这三个指标方面都表现优异。

      本文详细介绍了在FS平台上使用“遗传算法+仿真”来进行生产订单优化排序的实现过程，为了进行结果的比较，采用了一篇公众号文章中的案例（该案例采用国外软件），案例虽然非常简单，但可以全面展示FS的算法工具的使用流程。

1、基于FS的仿真建模过程

         在FS中快速建立如下车间仿真模型。

        如上图，6类零件（C1,…,C6）依次在4台设备上（加工站1,…,加工站4）进行加工，批量分别为50, 35, 68, 24, 30, 45，如下图：

     6类零件在每台设备上的加工时间如下表（单位：分钟）。

       在FS中定义每台设备的每道工序加工时间，如下图（以加工站1为例）。

     优化问题描述：确定6类零件的最佳生产顺序，使得目标值最佳。本文考虑三种情况：

    1）最小化完工时间（单目标优化）

    2）最小化零件平均通过时间（单目标优化）

    3）综合考虑1）和2）两个目标（多目标优化）

2、以最小化完工时间为优化目标

      创建GA工具，进入设置界面，如下图。进化代数设为20，并发线程数设为10。

算法参数如上图：

1）优化目标为仿真总时长，时间格式，最小化

2）种群大小20

3）染色体6位（分别表示6类零件）

4）默认正整数编码

5）解码方法如下：解析染色体编码，生成零件的投产顺序，并添加到“入口”对象的订单列表中。

6）目标值计算方法为空，默认取完工时间（即仿真时长）为目标值

7）交叉方法：OX算子

8）变异方法：默认

9）交叉概率和变异概率分别为0.8,0.2

运行仿真优化，1秒钟得到结果。

        由于问题简单，算法很快收敛，最优解为2、4、6、5、3、1，最佳完工时间为379740秒（4:9:29:0），和公众号文章中的案例结果一样。

 仿真运行最优解，得到甘特图和设备利用率图，也和原始案例的结果一模一样。

3、以最小化平均通过时间为优化目标

        过程和2类似，不同之处在于优化目标值（零件的平均通过时间，即零件从投入到完工的时间差）的计算方法不是默认，需要编写一下脚本。

解码方法的脚本和2一样，目标值计算方法的脚本如下：

       下面是仿真优化结果，可见按4, 2, 3, 1, 6, 5的顺序进行生产，零件的平均通过时间最短，为2:3:31:30.476，即2天3小时31分30秒476毫秒。此时仿真时长为4:10:22:0，比以完工时间为优化目标的最优解的时间长。

4、以最小化完工时间和最小化零件平均通过时间为目标

        这是一个双目标优化问题，所得的优化解称为Pareto解。FS通过NSGA-Ⅱ工具来实现多目标遗传算法。NSGA-Ⅱ是“第二代非支配遗传算法”的简称。

        NSGA-Ⅱ算法的定义界面如下，首先设定两个目标：

目标值计算方法如下，返回两个目标值的数组。

       最终优化结果如下，这里列出了4个非支配解。综合判断下，解2比较好，因为两个目标值都接近单目标的最优解。

5、结论

       将遗传算法和仿真相结合，有非常广阔的应用前景，在此不再赘述。在本公众号以前的文章中，也多次进行了遗传算法+仿真的介绍，感兴趣的读者可以查阅。

        和国外软件相比，FS在“GA+仿真”的实现过程中，对界面的易用性、脚本的灵活性、计算效率进行了大幅改善。