CN114581058B - 一种基于业务流程的人员组织结构优化方法 - Google Patents
一种基于业务流程的人员组织结构优化方法 Download PDFInfo
- Publication number
- CN114581058B CN114581058B CN202210230470.1A CN202210230470A CN114581058B CN 114581058 B CN114581058 B CN 114581058B CN 202210230470 A CN202210230470 A CN 202210230470A CN 114581058 B CN114581058 B CN 114581058B
- Authority
- CN
- China
- Prior art keywords
- organization structure
- organization
- business process
- executor
- optimization method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/105—Human resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于业务流程的人员组织结构优化方法。本发明首先基于提出的组织结构模型,对原始组织结构进行改造,并从流程实例中获取所有关联执行者对,并设置参数q、k、m、k1、k2;其次步骤2.基于改造后的组织结构模型编码和生成第一代组织结构,并对当前组织结构进行适应度评估;然后使用选择算子、交叉算子和变异算子产生下一代组织结构,并使k自增1;最后找到适应度最高的组织结构,并输出结果。通过本发明提供的基于业务流程的人员组织结构优化方法,用户可以很容易地理解组织结构对业务流程绩效的影响。此外,还可以找到更适合的组织结构去执行当前的业务流程,从而优化当前组织结构。
Description
技术领域
本发明涉及组织结构和业务流程优化方法,尤其是一种基于业务流程的人员组织结构优化方法。
背景技术
由于全球化、频繁变化的市场和更激烈的竞争,许多组织面临着复杂和动态变化的环境。若组织不适时改变组织结构和业务流程,会降低工作绩效。因此,组织需要不断更改组织结构和业务流程,以适应多变的环境。
目前,大多数研究仅对业务流程进行了分析,而没有考虑其他组织因素,如组织结构,即使这些因素对业务流程执行和绩效有重大影响。特别是,业务流程和组织结构是独立设计和研究的,尽管它们之间存在相互关系。并集中于业务流程优化,没有反映影响业务流程绩效的组织结构和人力资源的特征。尽管一些流程挖掘研究试图从事件和流程日志中获取组织信息,由于流程日志和数据模型的设计不支持同时对业务流程和组织结构进行集成分析,因此从他们的分析中只能获得有限的组织信息。
并且,大多数现有的方法不考虑数据模型来同时分析业务流程和组织结构。为了进行全面的组织分析,需要设计一个数据模型,该模型可以整合其他组织信息,如任务能力等。
发明内容
针对现有技术的不足,本发明提出一种基于业务流程的人员组织结构优化方法,可以通过流程实例以及改造后的组织结构,对当前组织结构优化。它可以通过模拟组织结构变化对业务流程的影响,并得出有效执行当前流程的适当和实用的组织结构,从而优化当前组织结构。
该发明包含两部分的内容:新的组织结构模型、组织结构优化方法。
(1)新的组织结构模型
针对目前流程日志中组织结构的信息非常有限,无法比较不同组织结构对业务流程绩效的影响。为了克服这一限制,本发明提出一种新的组织结构模型,将组织结构人员分成管理者和执行者两类,管理者实行任务转移功能,执行者实行任务执行功能。在后续内容中表明,该组织结构模型能够比较不同组织结构对业务流程绩效的影响。
(2)组织结构优化方法
在一个真实的企业中,存在着大量的资源。随着组织中人员数量的增加,适用组织结构的数量也呈指数增长,也存在大量可应用于其组织的组织结构备选方案。因此,为了能够从各种组织结构备选方案中高效并准确找到更好的组织结构。本发明采用改进后的遗传算法,并提出自适应交叉算子和自适应变异算子,以提高算法的效率和准确性。
本发明方法的具体步骤是:
步骤1.基于提出的组织结构模型,对原始组织结构进行改造,并从流程实例中获取所有关联执行者对,并设置参数q、k=0、m、k1、k2;
步骤2.基于改造后的组织结构模型编码和生成第一代组织结构,
步骤3.对当前组织结构进行适应度评估;
步骤4.使用选择算子、交叉算子和变异算子产生下一代组织结构,并使k自增1,若k小于m,执行步骤3,否则,退出循环结构;
步骤5.找到适应度最高的组织结构,并输出结果。
通过本发明提供的基于业务流程的人员组织结构优化方法,用户可以很容易地理解组织结构对业务流程绩效的影响。此外,还可以找到更适合的组织结构去执行当前的业务流程,从而优化当前组织结构。
附图说明
图1:组织结构优化方法的总流程图;
图2:从原始组织结构改造成新组织结构示例;
图3:不同组织结构上相同业务流程示例的不同执行;
图4:两个组织结构交叉过程;
图5:随机改变边的变异过程;
图6:通过使瓶颈执行者对更紧密的变异过程;
图7:基于执行者对出现次数的变异过程。
具体实施方式
以下结合附图对本发明作进一步说明,请参阅图1;图1给出了组织结构优化方法的总流程图。首先,需要将原始组织结构改造、编码并从流程实例中所有找到执行者对,然后设置相关参数q、k=0,m,k1、k2(q表示种群的个数、k表示迭代次数、m表示迭代次数阈值、k1表示交叉的基础概率、k2表示变异的基础概率),并初始化第一代组织结构,之后执行改造后的遗传算法,直到满足循环退出条件,输出结果,其中循环退出条件为k>m。
请参阅图2,图2给出了一种新的组织结构模型,将组织结构中人员分成管理者和执行者两类,其中管理者有任务转移的功能,执行者有任务执行的功能。如图所示,将原始组织结构中的总经理、部长1、部长2、组长1、组长2、组长3、人员1、人员2、人员3、人员4、人员5、人员6分成改成管理者1、管理者2、管理者3、管理者4、管理者5、管理者6、执行者1、执行者2、执行者3、执行者4、执行者5、执行者6。
请参阅图3,该图表示为不同组织结构上相同业务流程实例的不同执行。从任务A到任务B过程中,在组织结构A中需经过{执行者B、管理者B、管理者A、管理者C、执行者C},在组织结构B中经过{执行者B、管理者B、执行者C},因此,可以通过任务执行过程中,比较不同组织结构经过路径的长度,从而衡量组织结构适应度。由于每条路径中固定为两个执行者,所以比较路径长度就是比较管理者的人数,而管理者执行任务转移的功能,所以也可以认为比较的是任务转移数,这将成为组织结构评估的重要依据。
请参阅图4,该图描述遗传算法中的交叉步骤,通过交换组织结构中现有的管理者结构和执行者结构创建新的组织结构。由图4表示父类组织结构A和父类组织结构B,通过交叉步骤,生成子类组织结构A和子类组织结构B。
在本发明中,定义了三种用于在遗传算法中搜索解的变异方法。请参阅图5,在第一种方法中,通过随机更改边进行变异,随机更改现有组织结构来探索新的组织结构,并将其用作为一种基准算法。
请参阅图6,在第二种方法中,计算关联执行对之间的任务转移数,任务数越多,与其相关的边越可能发生变异。由图中所示,执行者3和执行者4之间任务转移次数最多,则很有可能发生变异,可能变异成图6所示的组织结构候选者。
请参阅图7,在第三种方法中,计算关联执行者对之间的出现次数,关联执行者对出现次数越多,与其相关的边越可能发生变异。由图中所示,执行者1和执行者3该关联执行者对出现次数最多,与其相关的边越可能发生变异,可能变异成图7所示的组织结构候选者。
本发明实施过程需要公司的组织结构和相关的流程实例。其中,组织结构需要具体到人员,以便后续对该组织结构进行改造。并且,流程实例可以从多个流程模型中获取,但涉及到的任务执行人员需要都在组织结构中,且要求实例数足够多。
其使用方式为:根据提出的新组织结构模型对原始组织结构改造、编码并从流程实例中获取所有关联执行者对,设置相关参数q、k=0、m、k1和k2,最后,执行改进后的遗传算法,返回结果。
本发明提出的基于业务流程的人员组织结构优化方法,其实施步骤如下:
步骤1.基于提出的组织结构模型,对原始组织结构进行改造,并从流程实例中获取所有关联执行者对,并设置参数q、k=0、m、k1、k2;
步骤2.基于改造后的组织结构模型编码和生成第一代组织结构,
步骤3.对当前组织结构进行适应度评估;
步骤4.使用选择算子、交叉算子和变异算子产生下一代组织结构,并使k自增1,若k小于m,执行步骤3,否则,退出循环结构;
步骤5.找到适应度最高的组织结构,并输出结果;
下面分别对上述实施步骤进行详细说明。
(1)步骤1
在公司中,原始的组织结构无法与业务流程进行紧密联系。本发明提出的组织结构模型将人员分成管理者和执行者两类,其中管理者行使任务转移的功能,执行者行使任务执行的功能,如图3所示,这一组织结构模型能够很好体现不同组织结构对业务流程的影响。因此,需要将原始的组织结构改造成这一形式。与此同时,为了方便后续操作,需要去除流程实例中不必要的信息,只提取有用的信息。所以,仅在流程实例中提取所有的关联执行者对。其中,关联执行者对表示执行前后任务的两执行者。如表1中为一个流程实例示例,可以从表1中获取所有关联执行者对,如表2所示。之后设置相关参数q、k、m、k1和k2。
表1:一个流程实例示例
表2:基于表1获取的关联执行者对
执行前一任务的执行者 | 执行后一任务的执行者 | 出现次数 |
执行者1 | 执行者2 | 1 |
执行者2 | 执行者4 | 1 |
执行者4 | 执行者5 | 2 |
执行者3 | 执行者4 | 1 |
… | … | … |
(2)步骤2
获取改造后的组织结构之后,需对该组织结构进行编码并初始化第一代组织结构。如图2所示,组织结构由节点和边表示。其中,节点可以通过节点类型、所在层数以及在该层的位置来表示。节点类型只有管理者和执行者两种,所以可以使用1位编码表示。0表示管理者,1表示执行者;层数使用3位编码,从0层开始,最大为7层。当然,若层数要求更高,可以增加编码位数;层的位置使用4位编码,从0开始,最大为15。同样的,若层的位置数要求更多,也可以增加编码位数。若使用该方法对图2中执行者1进行编码,得10110000,其中1表示该人员类型为执行者,011表示处于第3层,0000表示处于该层的第0个位置。
至于边的编码,可以直接使用关联的两节点表示,但这样编码数较多,可以考虑适当减少编码数。由于形成边的两个节点它们之间的层数固定相差为1,因此只需对层数高的节点编码层数即可,并且只有最底层的人员才是执行者,因此可以认为层数低的节点类型一直为管理者,只需对层数高的节点编码节点类型即可。如果使用该方法对图2中执行者1和管理者4之间的边进行编码,得101100000000,其中10110000表示节点执行者1的所有信息,0000仅表示管理者4在当前层的位置。然而,由于层数低的节点类型一直为管理者,因此管理者4的人员类型为管理者,并且两节点的层数差固定为1,因此管理者4所在层数为第2层,同样可以获取管理者4的所有信息。基于以上对节点和边的编码方式,可以将图2中的组织结构初始化,如表3所示。
在本发明中,将组织结构种群的个数设置为q,但初始组织结构只有一个,由此,在生成组织结构时,需要随机生成q个组织结构。
表3:基于图2组织结构的编码
(3)步骤3
对当前的组织结构评估。请参阅图3,可以发现,相同关联执行对在不同组织结构上运行,会有不同的任务转移数。任务转移数越多,所消耗时间越长,效率越低。因此,可以基于任务转移数对组织结构进行评估。
将一个流程实例中资源对数记为n,资源对依次记为g1、g2、g3、…、gn,对应的资源对需要任务转移的次数记为s1、s2、s3、…、sn,则可以定义单个流程实例任务转移次数IN为:
将流程实例中存在的实例个数记为m,每个流程实例依次记为i1、i2、i3、…、im,对应的任务转移数记为IN1、IN2、IN3、…、INm,由于任务转移数越少,组织结构适应度越高,则可以定义组织结构适应度f为:
(4)步骤4
使用选择算子、交叉算子和变异算子产生下一代组织结构,并使k自增1,并判断k是否大于m的判断。下面分别详细介绍选择算子、交叉算子和变异算子。
选择算子:
轮盘赌策略是根据个体的适应度值确定在轮盘上所占的比例。适应度值越高,则代表该个体基因越优秀,在轮盘中所占的比例也越大。这种选择策略确保了优秀个体有较大的概率被选中,符合“优胜劣汰”的自然规律。
假设组织结构有M个个体,个体i的适应度值为fi,则个体i被选择的概率为:
个体i的累积选择概率为
模拟轮盘的随机选择过程,生成[0,1]之间的随机数r。当r<Q1时,选择个体1;Qi-1<r<Qi(i<1)时,选择个体i。重复上述选择过程,直到选出q个个体。
交叉算子:
为了实现组织结构在进化过程中根据当前组织结构的适应度值自适应调整交叉概率,本发明定义自适应交叉概率函数为:
式中:Pc为自适应交叉概率;k1为基础交叉概率;favg为所有组织结构适应度值的平均值;flar为每两个要实现交叉的个体中较大的适应度值。
在种群的遗传进化过程中,交叉概率的大小在很大程度上决定了种群的搜索空间和基因的多样性。自适应交叉概率函数将交叉概率与当代遗传中种群适应度值的平均值相联系,可以在遗传进化的过程中更好地把握种群进化方向。在进化初期,不同个体之间的基因质量参差不齐,通过自适应交叉概率函数根据当前个体的质量对交叉概率进行调节,若当前个体的适应度函数值较差,则增大基因的交叉概率,有利于增强基因的多样性,扩大种群的寻优范围;若当前个体的适应度函数值较好,则保持基础的交叉概率不变,有利于增强局部搜索能力,更快地寻求最优解。随着进化过程的持续进行,到进化后期,种群的基因不断地优化更新,总体保持着较高的质量,个体之间的适应度值相差较小,自适应交叉概率函数以较小的交叉概率对基因的交叉进行自适应调节,可以在加快算法收敛速度的同时提高精度。图4表示组织结构交叉过程
变异算子
在本发明中,定义了三种用于在遗传算法中变异的算子。
在第一种方法中,通过随机更改边进行变异,并将其作为基准算子。如图5所示,组织结构中存在的各种关系被随机更改成新的组织结构。
在第二种方法中,通过使瓶颈对更紧密的变异,计算关联执行者对之间的任务转移数,任务数越多,与其关联的边越可能发生变异。如图6所示,执行者3和执行者4之间任务转移数最多,则对其关联的边越可能发生变异。
在第三种方法中,基于关联执行者对出现次数进行变异,计算流程实例中关联的执行者对出现的次数,次数越多,与其关联的边越可能发生变异。如图7所示,执行者1和执行者3关联的执行者对出现次数做多,则对其关联的边越可能发生变异。
通过第二种和第三种方法,很有可能得到两种不同的概率,可以取它们之间的最大值。因此,可以得到交叉概率函数如下:
其中,k2表示第一种方法中变异概率;mi表示关联的执行者对i之间的任务转移数;mavg表示所有关联执行者对之间任务转移数的平均值;ni表示关联的执行者对i出现的次数;navg表示所有关联执行者对出现的平均值。
该变异概率函数可以根据关联执行者对的任务转移数和出现次数自适应调整变异的概率。当前关联执行者对之间任务转移数越多,出现次数越多,越可能发生变异。
(5)步骤5
触发循环终止条件,输出适应度最高的组织结构。
Claims (6)
1.一种基于业务流程的人员组织结构优化方法,其特征在于该方法步骤如下:
步骤1. 基于提出的组织结构模型,对原始组织结构进行改造,并从流程实例中获取所有关联执行者对,并设置参数q、k=0、m、k1、k2;
提出的组织结构模型是将组织结构中的人员分成管理者和执行者两类,其中管理者有任务转移的功能,执行者有任务执行的功能;关联执行者对则是记录在流程实例中执行前后任务的两执行者;参数q表示种群的个数;k表示迭代次数;m表示迭代次数的阈值;k1表示基础交叉概率;k2表示基础变异概率;
步骤2. 基于改造后的组织结构模型编码和生成第一代组织结构;
编码是将组织结构中的节点和边进行二进制编码;生成第一代组织结构则是随机生成q1个组织结构;
步骤3. 对当前组织结构进行适应度评估;
通过比较所有关联执行者在不同组织结构中任务转移数,实现组织结构适应度评估,其中任务转移只由管理者执行;
步骤4. 使用选择算子、交叉算子和变异算子产生下一代组织结构,并使k自增1,若k小于m,执行步骤3,否则,退出循环结构;
步骤5. 找到适应度最高的组织结构,并输出结果;
每次循环迭代时,都将存储当前适应度最高的组织结构,直到迭代次数达到阈值,退出循环,输出该结果。
2.根据权利要求1所述的一种基于业务流程的人员组织结构优化方法,其特征在于:步骤2中节点类型只有管理者和执行者两种;边的编码直接使用关联的两节点表示。
3.根据权利要求1所述的一种基于业务流程的人员组织结构优化方法,其特征在于:步骤3中组织结构适应度与任务转移数成反比。
4.根据权利要求1所述的一种基于业务流程的人员组织结构优化方法,其特征在于:步骤4中选择算子采用轮盘赌策略,从而选出q2个个体。
5.根据权利要求1所述的一种基于业务流程的人员组织结构优化方法,其特征在于:步骤4中交叉算子根据当前组织结构的适应度值自适应调整交叉概率,所述的自适应调整交叉概率是将交叉概率与当代遗传中种群适应度值的平均值相联系。
6.根据权利要求1所述的一种基于业务流程的人员组织结构优化方法,其特征在于:步骤4中变异算子是通过随机更改边作为基准算子,并根据执行者对数和执行者对的任务转移数,自适应调整变异概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210230470.1A CN114581058B (zh) | 2022-03-10 | 2022-03-10 | 一种基于业务流程的人员组织结构优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210230470.1A CN114581058B (zh) | 2022-03-10 | 2022-03-10 | 一种基于业务流程的人员组织结构优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114581058A CN114581058A (zh) | 2022-06-03 |
CN114581058B true CN114581058B (zh) | 2023-08-18 |
Family
ID=81773069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210230470.1A Active CN114581058B (zh) | 2022-03-10 | 2022-03-10 | 一种基于业务流程的人员组织结构优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581058B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537383A (zh) * | 2015-01-20 | 2015-04-22 | 全国组织机构代码管理中心 | 一种基于粒子群的海量组织机构数据分类方法及系统 |
CN108667650A (zh) * | 2018-04-10 | 2018-10-16 | 北京航空航天大学 | 考虑业务流程特征的网络拓扑优化设计方法 |
CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
CN112488305A (zh) * | 2020-12-22 | 2021-03-12 | 西北工业大学 | 一种神经网络存储组织结构及其可配置管理方法 |
CN112579057A (zh) * | 2020-12-23 | 2021-03-30 | 杭州电子科技大学 | 支持组织架构变更的自适应业务流程引擎设计方法 |
CN114037252A (zh) * | 2021-11-05 | 2022-02-11 | 大连海事大学 | 一种求解船舶交通组织与调度问题的自适应启发式算法 |
-
2022
- 2022-03-10 CN CN202210230470.1A patent/CN114581058B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537383A (zh) * | 2015-01-20 | 2015-04-22 | 全国组织机构代码管理中心 | 一种基于粒子群的海量组织机构数据分类方法及系统 |
CN108667650A (zh) * | 2018-04-10 | 2018-10-16 | 北京航空航天大学 | 考虑业务流程特征的网络拓扑优化设计方法 |
CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
CN112488305A (zh) * | 2020-12-22 | 2021-03-12 | 西北工业大学 | 一种神经网络存储组织结构及其可配置管理方法 |
CN112579057A (zh) * | 2020-12-23 | 2021-03-30 | 杭州电子科技大学 | 支持组织架构变更的自适应业务流程引擎设计方法 |
CN114037252A (zh) * | 2021-11-05 | 2022-02-11 | 大连海事大学 | 一种求解船舶交通组织与调度问题的自适应启发式算法 |
Non-Patent Citations (1)
Title |
---|
《Web环境下基于协议组合代数的业务流程整合方法》;张抗抗等;《小型微型计算机系统》(第1期);41-45 * |
Also Published As
Publication number | Publication date |
---|---|
CN114581058A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wong et al. | A novel approach in parameter adaptation and diversity maintenance for genetic algorithms | |
CN114841581A (zh) | 基于gep-vns进化动态作业车间调度规则中的特征选择方法 | |
CN115481727A (zh) | 一种基于进化计算的意图识别神经网络生成与优化方法 | |
JP2002533960A (ja) | 進化アルゴリズムによる符号圧縮 | |
Djedović et al. | Optimization of business processes by automatic reallocation of resources using the genetic algorithm | |
Ghosh et al. | Non-dominated rank based sorting genetic algorithms | |
CN114581058B (zh) | 一种基于业务流程的人员组织结构优化方法 | |
CN107766076B (zh) | 一种概率选择的软件模块聚类方法 | |
CN110866586B (zh) | 用于受资源约束多项目调度的改进遗传规划算法优化方法 | |
CN110471854B (zh) | 一种基于高维数据混合约简的缺陷报告指派方法 | |
Wong et al. | Optimization of manual fabric-cutting process in apparel manufacture using genetic algorithms | |
CN117369378A (zh) | 基于蒙特卡洛树搜索算法的混流制造车间调度方法及系统 | |
CN107545323A (zh) | 商品的物流配送方法、装置、设备及存储介质 | |
CN110321208B (zh) | 一种求解云任务调度的进化计算方法 | |
JP2007265233A (ja) | 工程編成方法 | |
CN113141272A (zh) | 基于迭代优化rbf神经网络的网络安全态势分析方法 | |
Gupta et al. | Static task allocation using (μ, λ) evolutionary strategies | |
KR20100031218A (ko) | 유전자 알고리즘 및 dna 컴퓨팅을 이용한 마스크 생성 시스템 및 생성 방법 | |
Zheldak et al. | THE ALGORITHM OF ARTIFICIAL IMMUNE SYSTEM SIMULATION WITH SAATY SELECTION OPERATOR AND ONE-DIMENSIONAL LOCAL SEARCH. | |
CN106951910A (zh) | 一种数据聚类的方法及装置 | |
Jing | Set‐Based Differential Evolution Algorithm Based on Guided Local Exploration for Automated Process Discovery | |
Guo et al. | A novel hybrid evolutionary algorithm for learning Bayesian networks from incomplete data | |
Liu et al. | A genetic algorithm with dual-structure code and adaptive strategy for link enhancement problem | |
KR20240071540A (ko) | 스위트 스팟 분류 및 분석 방법 | |
CN115829030A (zh) | 基于改进遗传算法的单规格一维下料方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |