摘要
为了降低飞机移动装配线物料供给成本,构建了考虑转移策略的物料配送和空箱回收集成决策模型并设计了求解算法。在配送和回收任务调度的基础上引入了转移任务和线边物料存放的决策,以最小化小车出行成本为目标建立了数学模型并设计了一种以混沌差分进化算法为框架的双层迭代算法。算法上层对配送物料的分批进行搜索,综合考虑小车装载能力和线边空间约束,通过启发式算法对配送小车的发车时间和线边存储位置进行决策,结合转移小车的线边循环运作方式,设计了修复算子对调度和存储方案进行再优化;算法下层对无法即时装载的空箱组批进行搜索,使用转移调度算法进行解码。通过数值实验验证了该模型和算法的有效性。
飞机总装周期约占整个飞机制造周期的 25%~40
飞机装配过程中所需的物料可以分为4类:通用标准件、大型结构件、装配件和自制件。通用标准件(如螺栓等)一般在线边存储,采用定期补货的方式供给;大型结构件(如发动机、机翼等)通常使用叉车和机械臂等其他方式直接配送。本文研究问题中的物料主要指体积中等、种类复杂的装配件,由于零部件组装的相关性,通过齐套的方式使用标准料箱以准时化的方式进行配送,并在作业完成后对空箱进行回收。
目前以飞机移动装配线为背景研究物料供给问题的文献较少,而以汽车装配线为背景的研究相对成熟且物料供给过程与飞机类似,因此可以借鉴汽车装配线中物料供给问题的模型与算法作为参考。Sali
上述文献对汽车装配线的物料供给问题进行了充分的研究,但汽车装配线模型与飞机装配线模型存在区别,将其直接应用到飞机移动装配线中存在局限性。汽车装配线每个工位装配作业单一,一般采用固定料箱,研究的重点集中于小车的装载和调度问题;而飞机移动装配线装配周期长且并行作业多,不对线边空间进行合理的分配会造成物料存储空间不足等问题。胡鑫铭
事实上,对飞机移动装配线的物料配送和空箱回收进行集成决策存在如下权衡:在时间上,对物料分批和发车时间进行决策时需要协调配送和回收任务的时间约束;在线边空间上,料箱和空箱共享线边存放空间,不对料箱到达线边的时间以及空箱离开线边的时间进行科学的决策就会导致存放空间不足;在小车的装载能力上,小车装载率受到空箱和料箱存放位置前后关系的影响,不对线边存储进行合理的规划会降低两类任务调度的集成度,增加出行成本。因此,对物料配送和空箱回收任务的集成决策展开研究对于保障飞机移动装配线物料供给系统的稳定性和效率具有重要意义。
基于对上述文献研究成果的分析,本文在文献[
飞机移动装配线物料供给问题,是通过优化各作业所需物料的配送、回收时间及其在线边空间的存放位置,以达到最小化小车出行成本的目标。

图1 考虑转移策略的物料配送及空箱回收模型示意图
Fig.1 Material delivery and container pickup model considering transfer strategy
小车装载率受到空箱和料箱在线边存放位置的相互关系的影响,因此。为了提高小车的装载率,减少小车出行成本,本文提出了转移策略,即允许小车将空箱放至线边末尾的空箱暂存区后直接返回装配线前端,由其他小车将暂存区的空箱运回中心仓库。通过该策略可以调整空箱的存放位置以及在线边的存放时间,减少小车从中心仓库到线边的往返次数并优化线边物料的存放状态。称执行料箱配送任务和空箱回收任务的小车为配送小车,执行空箱转移任务的小车为转移小车。
该问题的假设与符号说明如下:
(1)以飞机移动装配线的一个装配节拍时间为决策周期。假定该周期内某大工位包含项装配作业,,任意作业的执行工期为,开始时间为,完成时间= +。
(2)将时间离散化,时间集合为,表示所有作业操作时间总和,任意表示时间节点。表示作业在线边存放的时间窗。表示线边单元第个时间窗交集不为空集的作业集合。
(3)表示配送小车集合,;表示转移小车集合,。小车从仓库到线边的运输时间为,从装配线前端到末端的移动时间为,飞机移动速度为,表示单位时间内经过的线边单元数量。任意配送行程不得超过装载能力上限,,表示小车出行趟数集合。
(4)同一个作业的料箱由一辆小车一次性配送和回收,一辆小车一次可配送或回收多项作业所需的物料,作业对物料的需求量为。作业的物料抵达线边的时间为,离开线边的时间为,配送提前期=-,回收滞后期=-。
(5)将线边空间和作业空间离散化。如

图2 飞机作业装配点及物料存放位置
Fig.2 Assembly positions and material storage on aircraft moving assembly line
(6)为减少取料距离,作业的物料只能存放在及其左右两侧各1个单位的线边空间内。为使线边物料存放整齐有序,要求任一作业的全部物料应连续存放于同一线边单元内。
(7)为了避免同一工段内前后两架飞机所需物料在线边发生重叠,在每个大工位之前设置生产缓冲带,该区间内不进行装配作业。配送小车发车时刻晚于最大提前量约束。
(8) 在装配线末端设置空箱暂存区,转移小车将空箱从线边单元取下暂存在该区域内,由配送小车运回中心仓库。
定义决策变量如下:
,作业的料箱在配送小车第趟出行配送时则等于1,否则取0。
,作业的空箱在配送小车第趟出行时回收则等于1,否则取0。
,作业的空箱在转移小车第趟出行时转移则等于1,否则取0。
,表示配送小车第次出行的时间,表示转移小车第次出行的时间,为作业的存放单元。
定义辅助变量如下:
,若配送小车在第次出行中有配送或者回收物料则等于1,否则取0。
,若转移小车在第次出行中有转移物料则等于1,否则取0。
若转移小车在第次出行中回收作业的空箱而且该作业的空箱不需要转移则等于1,否则取0。
,若小车投入使用则,否则。
根据上述模型假设和符号定义,对该问题建模如下:
(1) |
(2) |
(3) |
(4) |
(5) |
(6) |
(7) |
(8) |
(9) |
(10) |
(11) |
(12) |
(13) |
Boysen

图3 算法结构
Fig.3 algorithm structure
本文采用离散型差分进化算法,使用双层整数编码。编码的列数为作业的数量,编码数字为不大于作业数量的整数。上层数字代表该作业物料配送的批次序号,下层数字代表该作业物料回收的批次序号。如

图4 编解码及修复示意图
Fig.4 Encoding, decoding and repairing representation
对于违反载量或时间约束的作业,从编号最小的开始执行就近转移规则,将该作业移入离当前批次最近的批次,直到该作业满足约束。如果所有批次都无法存放该作业则为该个体添加惩罚值。
混沌序列具有随机性 、遍历性等特
(14) |
在物料分批确定的情况下,对批次发车时间进行优化可以减少物料在线边的占用时间。各批次的发车时间会受到最早作业开始时间和最晚空箱回收时间的约束。在该范围内,若料箱较多而发车时间偏早会导致配送提前期过长;若空箱较多而发车时间偏晚则会导致回收滞后期长。二者均会使料箱在线边的占用时间延长,导致线边存放空间不足。在参考文献[
定理:对于包含配送作业集合和回收作业集合的作业批次,若,那么使得该批次物料在线边占用最小的发车时间为
证明如下:
发车时间规划这一子问题的目标函数是在使得物料在线边的占用在时间和空间两个维度上最小,也就是使得非必需存放时间和物料量的乘积最小。
设,,则该函数可以表示为
。该函数为的单调函数,取值由的系数(决定。
当≤0时,总占用量为单调递减的函数,需要满足批次开始时间约束,令=}可使得总占用量最小。
当>0时,总占用量为单调递增的函数,需要满足批次完成时间约束≥和发车时间间隔约束。总占用最小。
发车时间的动态规划算法步骤如下:
(1)获取作业分批方案。初始化小车数量,最早可用时间。
(2)令,选择首个批次的物料集合,安排其发车时间。
(3)若,,,=,;否则对于任意k∈,有,。
(4)更新该车的最早可用时刻为=。
(5)如果=,转(6),否则,转(3)。
(6)输出该组批方案下各批次物料的配送时刻。
在确定了物料在线边的占用时间之后,可以将带时间维度的线边存放区看作一个长、宽、高分别对应于装配节拍、线边长度和单位线边单元容量的三维容器。胡鑫铭
物料的初始存储位置生成算法如下:首先将线边单元的作业集合中的所有作业按照降序排列,按照该顺序依次挑选作业放入其对应线边单元,判断是否满足三个维度上的约束,满足则输出该作业存放位置;若其存放范围内的线边单元均不满足则将其放入无法存放作业集合。
由于在配送小车发车时间的调度的过程中松弛了线边容量的约束,因此可能会出现作业无法存放的情况。对于无法存放的作业集合,采取局部替换和削峰算法两种算子对不可行解进行修复。首先使用不会增加额外成本的局部替换算子,若不能修复则采用存在额外成本的削峰算子进行修复。
(1)局部替换:通过在局部范围内对作业存放位置进行互换调整使线边存量满足约束。主要步骤为:对于无法存放的作业,从其可存放范围中按照剩余空间降序选择线边单元,按物料量升序选择作业直到可以替换。对新的首先判断能否直接放入,若没有则重复相同操作直到不存在无法存放的作业。
(2)削峰算法:参考文献[
削峰算法步骤如下:
(1)获取无法存放的作业集合,令未被选择的作业集合。
(2)从中随机取出一个作业的物料,令,。
(3)将线边单元的作业集合的子集按照升序排列。
(4)按顺序遍历各子集,判断将能否通过将该子集中作业的离开线边时间提前至作业结束时间的方式来将该作业放入。若,加入作业后仍然满足对于t,,对于j∈,,,转Step5;若且+1,令+1,转(3);否则转(5)。
(5)若,转(2),否则转(6)。
(6)若,添加惩罚值到目标函数中;否则输出存放位置集合和需要削减存放时间的作业集合。
如

图5 削峰算法
Fig.5 Peak clipping algorithm
通过2.2节和2.3节中的算法解码可以得到需要转移的作业集合,为超出线边容量约束需要减少回收滞后期的作业集合,由2.4节中的削峰算法计算得到。表示无法即时装载的作业集合。计算的算法步骤如下:
(1)获取出行批次,按出行时间升序排列。
(2)选中第一个还未被选择的批次,初始化批次的载量。
(3)遍历各线边单元,若该线边单元存在配送作业,;若存在回收作业且,则;若,将该作业加入转移作业集合。
(4)若所有批次都已被选择,输出无法即时装载的作业集合;否则转(2)。
将按完成时间进行升序排列,使用最小批量法生成转移批次的初始解,以出行次数最少为目标对最优转移批次进行搜索。转移小车出发时间的决策问题是配送小车出发时间决策问题的一个特例,即各转移批次中只包含回收作业,不包含配送作业,因此最优发车时间依然适用于2.2节中所证明的定理。
本文使用文献[
将本文提出的转移策略TS和文献[
(18) |
算例规模/N | 组别 | TS | CHBG | CAS | |||
---|---|---|---|---|---|---|---|
C/$ | G/% | C/$ | G/% | C/$ | G/% | ||
30 | 1 | 917.1 | 0 | 1 026 | 11.93 | 1 107 | 20.76 |
2 | 929.7 | 0 | 1 062 | 14.27 | 1 143 | 23.02 | |
3 | 919.8 | 0 | 1 044 | 13.49 | 1 139 | 23.78 | |
平均值 | 922.2 | 0 | 1 044 | 13.23 | 1 130 | 22.52 | |
60 | 1 | 1 826.1 | 0 | 2 111 | 15.57 | 2 318 | 26.91 |
2 | 1 824.3 | 0 | 2 149 | 17.69 | 2 305 | 27.30 | |
3 | 1 804.5 | 0 | 2 070 | 14.78 | 2 270 | 26.38 | |
平均值 | 1 818.3 | 0 | 2 110 | 16.01 | 2 298 | 26.86 | |
120 | 1 | 3 516 | 0 | 4 289 | 21.99 | 4 649 | 32.22 |
2 | 3 636 | 0 | 4 260 | 18.39 | 4 669 | 28.91 | |
3 | 3 621 | 0 | 4 208 | 17.80 | 4 601 | 27.97 | |
平均值 | 3 591 | 0 | 4 252 | 19.40 | 4 640 | 29.70 |
对
(1)在成本上,在3种规模的算例下, TS策略都拥有最低的总成本,而且随着算例规模的上升,相比另外两种策略的优化幅度也进一步提升。在120的算例规模下,TS策略相比CHBG策略和CAS策略优化比例分别达到了19.40%和29.70%。
(2)在可行解比例上,TS策略也拥有最高的求解成功率。如

图6 不同策略成本及可行解比例对比
Fig.6 Comparison of cost and proportion of feasible solution between different strategies
综上所述,转移策略的引入能够有效降低物料配送和空箱回收集成模型的小车出行成本和不可行解比例,说明该策略在物料批次的划分和存放位置的决策上都具有优越性。
为了验证HBCDE算法的性能,将该算法与去除修复算法的HBCDE-RA,标准DE算法和CMAES算法进行了对比。在30、60、120等3个规模的算例下进行了实验,每个算例集包括30个算例。用可行解比例和总成本两个指标作为衡量标准,分别用P和C进行表示。分析
算法 | 30 | 60 | 120 | |||
---|---|---|---|---|---|---|
C/$ | P/% | C/$ | P/% | C/$ | P/% | |
HBCDE-RA |
905.40 |
100.00 |
1 812.27 |
100.00 |
3 521.4 |
86.67 |
HBCDE |
921.00 |
100.00 |
1 883.45 |
86.67 |
3 673.8 |
56.67 |
CMAES |
935.10 |
100.00 |
1 932.14 |
80.00 |
3 755.4 |
56.67 |
DE |
940.20 |
100.00 |
1 966.91 |
83.33 |
3 855.6 |
50.00 |
(1)在算法框架的对比中,HBCDE算法在3种规模的算例下,都拥有更低的成本和更高的求解成功率,随着作业规模的增大,优势更加明显。在规模为120的算例下,相比HBCDE算法和CMAES算法,该算法在成本上分别优化了6.65%和4.49%,在求解成功率上与CMAES算法持平,比DE算法高出6.67%。说明本文使用的混沌差分进化算法在求解物料组批配送这一类组合优化问题上具有优越性,可以得到更高的的求解质量和可行解比例。
(2)在修复算法的效果验证实验中,加入修复算法的HBCDE-RA算法比HBCDE算法成本降低了4.33%,求解成功率提高了20%,说明该修复算法在三维装箱这类问题的不可行解修复上具有良好的效果。
为了探究算例中影响转移策略有效性的因素,本文综合考虑小车运输机制和作业信息提出了一项以错位度(Dislocation degree,dld)为核心的评价指标,该指标表征了算例中空箱的回收任务与配送任务相互冲突的可能性。定义辅助变量,代表两个算例之间的错位关系,如果作业完成时间和中心存放位置都小于作业则,否则,如
(19) |
(20) |
分别绘制81个成功求解的算例的错位度和转移策略的优化幅度的折线图,如

图7 错位度和优化幅度曲线的对比
Fig.7 Curve comparison of misalignment and optimization amplitude
来源 | 自由度 | Adj SS | Adj MS | F | P |
---|---|---|---|---|---|
回归 | 1 | 0.084 9 | 0.084 897 | 92.76 | <0.001 |
错位度 | 1 | 0.084 9 | 0.084 897 | 92.76 | <0.001 |
误差 | 79 | 0.072 3 | 0.000 915 | ||
合计 | 80 | 0.157 2 |
成本系数之间的大小关系可能会影响该策略的有效性。为了探究二者比值处于什么范围内该策略有效,对三种规模的算例进行实验,绘制临界点的箱线图如

图8 不同规模算例下的临界值
Fig.8 Critical value of examples with different scales
(1)在飞机移动装配线中引入转移策略对物料供给模型进行优化。将料箱的配送、回收以及线边存储这三类互相影响的问题的决策整合到一个集成模型当中,并设计了元启发式算法对该模型进行求解。通过数值实验验证了该模型和算法的有效性,为飞机移动装配线物料供给问题的研究提供了参考和借鉴。
(2)对影响转移策略有效性的两种因素进行了研究。首先提出了基于作业信息计算的预测指标“错位度”。使用回归方程对转移策略所能带来的优化幅度进行预测,通过方差分析验证了该指标的可靠性;其次研究了成本系数对调度性能的影响,通过数值实验界定了该策略的有效范围,为该策略的使用提供了参考。
(3)后续可以考虑使用机器学习对不同运行策略在不同算例下的效果进行预测,实现不同装配线情况下的动态调度,以应对具有高不确定性的作业环境。
作者贡献声明
陆志强:提出研究选题,设计研究思路和论文框架;
王韵熹:设计研究思路,完成实验设计并实施,分析数据,撰写论文。
参考文献
温李庆. 基于Petri网的飞机总装配生产线建模及调度优化研究[D]. 杭州:浙江大学, 2015. [百度学术]
WEN Liqing. Modeling and optimal scheduling for aircraft final assembly line based on Petri net[D]. Hangzhou:Zhejiang University, 2015. [百度学术]
ABDINNOUR S. Hawker beechcraft uses a new solution approach to balance assembly lines[J]. Interfaces, 2011, 41(2): 164. [百度学术]
SALI M, SAHIN E. An empirical assessment of the performances of three line feeding modes used in the automotive sector: line stocking vs. kitting vs. sequencing[J]. International Journal of Production Research, 2015, 53(5): 1439. [百度学术]
SOUZA M C, CARVALHO C R V, BRIZON W B. Packing items to feed assembly lines [J]. European Journal of Operational Research, 2008, 184(2): 480. [百度学术]
BOYSEN N, BOCK S. Scheduling just-in-time part supply for mixed-model assembly lines[J]. European Journal of Operational Research, 2011, 211(1): 15. [百度学术]
ZHOU Binghai, PENG Tao. Scheduling the in-house logistics distribution for automotive assembly lines with just-in-time principles[J]. Assembly Automation, 2017, 37(1): 51. [百度学术]
FATHI M, ALVAREZ M J, MEHRABAN F H, et al. A multiobjective optimization algorithm to solve the part feeding problem in mixed-model assembly lines[J]. Mathematical Problems in Engineering, 2014, 11(1): 809. [百度学术]
EMDE S, GENDREAU M. Scheduling in-house transport vehicles to feed parts to automotive assembly lines[J]. European Journal of Operational Research, 2017, 260(1): 255. [百度学术]
GOLZ J, GUJJULA R, GUENTHER H O, et al. Part feeding at high-variant mixed-model assembly lines[J]. Flexible Services and Manufacturing Journal, 2012, 24(2): 119. [百度学术]
ZHOU Binghai, FEI Qianran. Hybrid self-adaptive biobjective optimization of multiple robot scheduling problem for mixed-model assembly lines considering energy savings [J]. Proceedings of the Institution of Mechanical Engineers Part I Journal of Systems and Control Engineering, 2020:839. [百度学术]
LU Zhiqiang, ZHU Hongwei, HU Xingming. Optimization of material delivery problem for aircraft moving assembly line[C]//14th IEEE International Conference on Automation Science and Engineering.Munich:IEEE, 2018: 926-930. [百度学术]
陆志强, 曾浚.飞机移动生产线物料配送与空箱回收集成建模[J].同济大学学报(自然科学版), 2019, 47(1): 136. [百度学术]
LU Zhiqiang, ZEN Jun . Integrated modeling of material delivery and container pickup problem for aircraft moving assembly line[J]. Journal of Tongji University (Natural Science), 2019, 47(1): 136. [百度学术]
BOYSEN N, BRISKORN D, EMDE S. Just-in-time vehicle scheduling with capacity constraints[J]. IIE Transactions, 2016, 48(2): 134. [百度学术]
陆志强, 牟小涵. 考虑质量衰退的批量调度与预防性维护的联合优化[J]. 同济大学学报(自然科学版), 2021, 49(4): 535. [百度学术]
LU Zhiqiang, MOU Xiaohan. Joint optimization of lot-streaming scheduling and condition-based maintenance based on a consideration of quality degradation[J]. Journal of Tongji University (Natural Science), 2021, 49(4): 535. [百度学术]
LAI Mingyong, CAO Erbao. An improved differential evolution algorithm for vehicle routing problem with simultaneous pickups and deliveries and time windows[J]. Engineering Applications of Artificial Intelligence, 2010, 23(2): 188. [百度学术]
李兵, 蒋慰孙. 混沌优化方法及其应用[J]. 控制理论与应用, 1997(4): 613. [百度学术]
LI Bing, JIANG Weisun. Chaos optimization method and its application[J]. Control Theory & Applications, 1997(4): 613. [百度学术]