CN103886366B - 基于粒子群算法的全自动酶免疫仪工序调度方法 - Google Patents
基于粒子群算法的全自动酶免疫仪工序调度方法 Download PDFInfo
- Publication number
- CN103886366B CN103886366B CN201410060767.3A CN201410060767A CN103886366B CN 103886366 B CN103886366 B CN 103886366B CN 201410060767 A CN201410060767 A CN 201410060767A CN 103886366 B CN103886366 B CN 103886366B
- Authority
- CN
- China
- Prior art keywords
- project
- time
- particle
- sequence
- module
- 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
Landscapes
- Washing And Drying Of Tableware (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于粒子群算法的全自动酶免疫仪工序调度方法,该方法通过输入接口处理模块、优化调度模块和输出处理模块实现,输入接口处理模块的功能是获取系统信息,计算每个工序的完成时间。基于粒子群算法的优化调度模块,先建立调度优化问题的目标模型,再基于粒子群算法对目标模型进行优化调度,从而得到总工期最短的工序序列。输出处理模块,对优化结果进行处理,将每个工序解析成若干个对子资源进行操作的指令,控制为控制设备运作提供数据和控制接口。
Description
技术领域
本发明涉及生物医疗设备技术领域,具体涉及一种基于粒子群算法的全自动酶免疫仪工序调度的系统及方法。
背景技术
全自动酶免疫仪一般包括五个子资源:机械手、加样头、温育振荡模块、洗板机和检测仪。仪器进行一次检查实验,包括多个检测项目,每个检测项目需要完成若干个按工艺顺序要求进行的占用不同设备子资源的工序,其中,一个检测项目中可能存在多个需要连续执行的工序。
大量的自动化程度高的生物医疗检测设备被开发出来,并应用与临床医学检验,可以说自动化程度较高的生化医疗检测设备的出现大大缓解了患者对于预防,检测的需求压力。全自动酶免疫仪是一种针对多种分析实验实现不同项目检测功能的自动化设备,这种高集成,自动分析检测的设备特别适用于工作量大,对测量效率,精度要求高的场合。因此,工序调度变得异常重要,能有效地改善生物医疗设备的使用效率。
粒子群优化算法源自对鸟群捕食行为的研究,最初由Kennedy和Eberhart提出,是一种通用的启发式搜索技术。一群鸟在区域中随机搜索失误,所有鸟都知道自己当前位置距离食物多远,那么搜索的最简单策略就是搜寻目前离食物最近的鸟的周围区域。PSO算法利用这种模型得到启示并应用于解决优化问题。PSO算中,每个优化问题的解都是粒子在搜索空间中的位置,所有的粒子都有一个被优化的目标函数所决定的适应值,粒子还有一个速度值决定它们飞翔的方向和距离,然后粒子群就追随着当前最优粒子在解空间中搜索。
发明内容
本发明的目的在于提供一种基于粒子群算法的全自动酶免疫仪工序调度方法,使得设备在不影响检测效果的同时,缩短检测时间,提高设备资源利用率,并为控制设备运作提供可用接口。
本发明的目的通过以下技术方案实现:
一种基于粒子群算法的全自动酶免疫仪工序调度方法,通过以下模块实现:
1.输入接口处理模块。获取输入接口信息。主要完成本调度系统与数据库通讯的工作,从数据库中读取与调度有关的信息,包括:设备子资源位置信息和设备运行信息。计算完成每步工序所需的时间,即工序时间。每个项目涉及多个单独占用设备子资源的工序。其中,占用温育振荡模块,洗板机或检测仪这三个子资源的工序,其工序时间为常数;占用加样头和机械手资源的工序,其工序时间 需要根据加样头或机械手运动模型与电机参数,设备位置信息进行计算。
2.基于粒子群算法的优化调度模块,包括以下步骤:
2.1根据输入接口处理所计算到的工序时间,建立目标模型如下:
目标模型的约束条件为:
1)工序序列满足链式约束,即同一项目所包含的工序必须按照顺序进行。
2)每道工序从开始至工序完成中间不允许中断。
3)不同项目所包含的工序之间没有时间先后性。
4)为确保设备运行安全,加样头与机械手不能同时工作。
5)子资源有限性。
6)为了检测过程生化反应的条件要求,同一项目中某些工序需要连续进行。
一个实验组包含n个项目,第i(i=1,2,3….n)个检测项目包括工序数为Mi,该实验组的总工序数为M=M1+M2+...Mi+...+Mn,第i个项目的第j个工序的开始时间为tstartij、工序时间为tij、工序结束时间为toverij,第i个项目的第j个工序与该项目的前一个工序的时间间隔为Δtij;ait、bit、cit、dit、eit表示第i个项目在t时刻对加样头、机械手、温育振荡模块、洗板机、检测仪的占用情况,其取值为1或0,取值为1时表示占用,取值为0时表示不占用;
根据约束条件,目标模型描述为:
式(1)中,第i个检测项目中,后一个工序的开始时间tstarti(j+1)比前一个工序的结束时间toverij大,满足约束条件(2-1-1)和(2-1-2);式(2)、(3)、(4)、(5)、(6)表示第t时刻占用加样头或机械手、温育振荡模块、洗板机和检测仪的工序个数不大于该步骤占用的子资源数,S2,S3,S4分别代表温育振荡模块、 洗板机、检测仪的个数;由于约束(2-1-4),同一时间只允许一个机械手或加样头运动,因此S1=1;式(7)中,若某检测项目第j到第j+m个工序为连续工序,则前一个工序结束后,后一个工序紧接着开始,其中m为连续工序个数;
对于一个实验组而言,一旦工序序列确定,每个工序的tij和Δtij也就确定;这样,第i个检测项目完成的时间为:
而整个实验组的完成时间为所有单个检测项目完成时间的最大值,即目标函数为:
2.2进行基于粒子群算法的优化调度,求出最优解。包括以下几个步骤:
2.2.1初始化粒子群,生成粒子数为N的粒子群(X1,X2,X3,......XN),粒子Xi为检测实验的一个工序序列,满足链式约束。生成满足链式约束的粒子方法如下:
对项目工序进行编号,第一个项目第j个工序的编号Nub1j=j,第i个项目中的第j个工序的编号为
根据工序编号,生成工序表NubList[n,Max(Mi)],其中,Max()为最大值函数,NubList[i,j]=Nubij(1≤j≤Mi),即工序表第i维顺序存储第j个项目的工序编号。
随机生成正整数R(1≤R≤n),在工序表的第R维按顺序获取一个工序编号,即若第一次R=i,则选取第i维的第一个工序编号,第二次R=i,取第i维的第二个工序编号,重复上述步骤,直到把表中M个工序编号全部取完;则所获取的工序序列Xi=(x1,x2,...xk...,xM)为实验组的一个满足链式约束的工序序列,其中xk为第k次获取的工序编号。
2.2.2计算粒子群中每个粒子对应的总工期。需要确定每个工序的起始时间,从零时刻开始按粒子的工序序列顺序确定工序的起始时间,方法如下:
对于第i个项目中的第j个工序,若该工序不是连续工序,令t=tstarti(j-1)+1,用t=t+1进行迭代,并用式子(3)、(4)、(5)、(6)衡量迭代后t时刻设备各子资源的占用情况,直到该工序占用的子资源不被占用时,得到该工序的开始时间tstarttj=t;
若该工序是连续工序的起始工序,需要确定该次连续工序的工序数,把该次连续的几个工序当作一个整体工序,并按照第一种情况对其起始时间进行确定,得到连续工序中首工序的起始时间,其余的连续工序的起始时间便得以确定。
2.2.3对粒子群进行迭代,更新粒子群信息。利用粒子群算法基本公式对粒子群进行迭代,由于工序编号为整数,迭代后结果不能确保为整数,此时需要将迭代的结果重新转换成为整数序列,才能使用按上述步骤确定粒子总工期,修正 规则为:先按Xi中的工序编号值从小到大排序重新设置,然后在不改变同一项目对应的工序编号在Xi中占据的位置的前提下,将其调整成满足链式约束的形式。
2.2.4根据步骤2.2.2计算迭代后粒子群中每个粒子的总工期,比较每个粒子更新后的总工期和该粒子历史最优工期的大小,选取总工期最小的更新为粒子个体的最优位置;选取当前粒子群中总工期最小的更新为群体的最优位置。
2.2.5重复步骤2.2.3,2.2.4,检查迭代算法的终止条件;达到了最大迭代次数或者获得了足够短的总工期,若上述条件满足,即可终止迭代。从而获取局部最优的工序序列。
2.3输出处理模块,对优化结果进行处理,为控制设备提供接口。包括以下步骤:
2.3.1按照优化后的工序序列,将工序分成占用加样头、机械臂、温育振荡模块、洗板机和检测仪五个设备子资源的分组;
2.3.2分别对每个分组中的工序解析成若干个对子资源进行操作的指令,控制全自动酶免疫仪工作时,按2.3.3的判读条件对五组指令进行读取;
2.3.3为每个指令设置判读条件,对于一个工序的首条指令,其判读条件为:工序序列中前一个工序已经开始,并且工该序同项目的前一个工序完成;若该工序为项目的首工序,其判读条件为空;对于一个工序的其余指令,其判读条件为同工序的上一个指令执行完毕;读取指令的规则如下:同时判断每个指令组的首条还未读取的指令的判读条件,若成立,则读取该指令,否则等到满足该指令的判读条件时,再进行读取。
与现有技术相比,本发明的有益效果:准确地建立优化目标模型,实现对实验工序的优化调度,提高设备资源利用率,有效减少实验耗时,并为用户提供控制设备的接口,本发明的三个模块,对生物医疗设备的工序调度具有通用性。
附图说明
图1为全自动酶免疫仪系统示意图。
图2为本方法的流程示意图图。
图3a、图3b、图3c分别为输入接口处理模块、基于粒子群算法的优化调度模块、输出处理模块的工作流程图。
图4为安排工序起始时间程序流程图。
具体实施方式
以下结合附图对本发明的实施作进一步说明,但本发明的实施和保护不限于此。
图1为全自动酶免疫仪的示意图,其包括五个子资源:机械手、加样头、温 育振荡模块、洗板机和检测仪。仪器能同时进行多个检测项目,每个检测项目需要经过若干个占用设备子资源的工序,其中,一个检测项目中可能存在多个需要连续执行的工序。
图2为本方法系统图。基于粒子群算法的全自动酶免疫仪工序调度方法,该方法的实施步骤如下:
1.输入接口处理模块,如图3所示,包括以下步骤:
1.1.获取输入接口信息。主要完成本调度系统与数据库通讯的工作,从数据库中读取与调度有关的信息,包括:设备子资源位置信息和设备运行信息。
1.2.计算完成每步工序所需的时间,即工序时间。每个项目涉及多个单独占用设备子资源的工序。其中,占用温育振荡模块,洗板机或检测仪这三个子资源的工序,其工序时间为常数;占用加样头和机械手资源的工序,其工序时间需要根据加样头或机械手运动模型与电机参数,设备位置信息进行计算。
2.基于粒子群算法的优化调度模块,如图3所示,包括以下步骤:
2.1根据模块1计算的工序时间,建立目标模型如下:
设一个实验组包含n个项目,第i(i=1,2,3….n)个检测项目包括工序数为Mi,该实验组的总工序数为M=M1+M2+...Mi+...+Mn,第i个项目的第j个工序的开始时间为tstartij、工序时间为tij、工序结束时间为toverij,第i个项目的第j个工序与该项目的前一个工序的时间间隔为Δtij;ait、bit、cit、dit、eit表示第i个项目在t时刻对加样头、机械手、温育振荡模块、洗板机、检测仪的占用情况,其取值为1或0,取值为1时表示占用,取值为0时表示不占用;
目标模型的约束条件为:
(2-1-1)工序序列满足链式约束,即同一项目所包含的工序必须按照顺序进行;
(2-1-2)每道工序从开始至工序完成中间不允许中断。
(2-1-3)不同项目所包含的工序之间没有时间先后性。
(2-1-4)为确保设备运行安全,加样头与机械手不能同时工作。
(2-1-5)设备子资源有限性。即全自动酶免疫仪中每个子资源只有有限个。
(2-1-6)根据检测过程生化反应要求,同一项目中部分工序需要连续进行。
根据约束条件,目标模型描述为:
式(1)中,第i个检测项目中,后一个工序的开始时间tstarti(j+1)比前一个工序的结束时间toverij大,满足约束条件(2-1-1)和(2-1-2);式(2)、(3)、(4)、(5)、(6)表示第t时刻占用加样头或机械手、温育振荡模块、洗板机和检测仪的工序个数不大于该步骤占用的子资源数,S2,S3,S4分别代表温育振荡模块、洗板机、检测仪的个数;由于约束(2-1-4),同一时间只允许一个机械手或加样头运动,因此S1=1;式(7)中,若某检测项目第j到第j+m个工序为连续工序,则前一个工序结束后,后一个工序紧接着开始,其中m为连续工序个数;
对于一个实验组而言,一旦工序序列确定,每个工序的tij和Δtij也就确定;这样,第i个检测项目完成的时间为:
而整个实验组的完成时间为所有单个检测项目完成时间的最大值,即目标函数为:
2.2初始化粒子群,产生粒子数为N的粒子群(X1,X2,X3,......XN),粒子Xi为检测实验的一个工序序列,满足链式约束。初始化粒子群的步骤如下:
2.2.1对项目工序进行编号,第一个项目第j个工序的编号Nub1j=j,第i个项目中的第j个工序的编号为
2.2.2根据工序编号,生成工序表NubList[n,Max(Mi)],其中,Max()为最大值函数,NubList[i,j]=Nubij(1≤j≤Mi),即工序表第i维顺序存储第j个项目的工 序编号。
2.2.3随机生成正整数R(1≤R≤n),在工序表的第R维按顺序获取一个工序编号,即若第一次R=i,则选取第i维的第一个工序编号,第二次R=i,取第i维的第二个工序编号,重复上述步骤,直到把表中M个工序编号全部取完;则所获取的工序序列Xi=(x1,x2,...xk...,xM)为实验组的一个满足链式约束的工序序列,其中xk为第k次获取的工序编号。
2.2.4重复步骤2.2.3,直到生成N个满足链式约束的粒子,完成对粒子群的初始化。
2.3.计算粒子群中每个粒子对应的总工期。需要确定每个工序的起始时间,从零时刻开始按粒子的工序序列顺序确定工序的起始时间。其流程如图4所示:
若该工序不是连续工序,令t=tstartt(j-1)+1,用t=t+1进行迭代,并用式子(3)、(4)、(5)、(6)衡量迭代后t时刻设备各子资源的占用情况,直到在该工序用到的子资源不被占用时,得到该工序的开始时间tstarttj=t。
若该工序是连续工序的起始工序,需要确定该次连续工序的工序数,把该次连续的几个工序当作一个整体工序,并按照第一种情况对其起始时间进行确定,得到连续工序中首工序的起始时间。其余的连续工序的起始时间便得以确定:tstarti(j+1)=toverij。
2.2.3对粒子群进行迭代,更新粒子群信息。利用粒子群算法基本公式对粒子群进行迭代;由于工序编号为整数,迭代后结果不能确保为整数,此时需要将迭代的结果重新转换成为整数序列,才能使用适应度函数对其进行评价,修正步骤为:
2.2.3.1按M维向量Xi中的值从小到大排序重新设置;
2.2.3.2在不改变同一项目对应的工序编号在Xi中占据的位置前提下,将其调整成满足链式约束的形式。
2.2.4更新单个粒子和群体的最佳位置。根据步骤2.2计算粒子群中每个粒子的总工期,比较每个粒子更新后的总工期和该粒子历史最优工期的大小,选取总工期最小的更新为粒子个体的最优位置;选取当前粒子群中总工期最小的更新为群体的最优位置
2.2.5重复步骤2.2.3,2.2.4,检查迭代算法的终止条件:达到了最大迭代次数或者获得了足够小总工期,若上述条件满足,即可终止迭代。从而获取局部最优的工序序列。
2.3输出处理模块,对优化结果进行处理。如图3所示,包括以下步骤:
2.3.1按照优化后的工序序列,将工序分成占用加样头、机械臂、温育振荡模块、洗板机和检测仪五个设备子资源的分组;
2.3.2分别对每个分组中的工序解析成若干个对子资源进行操作的指令。在控制设备运作时,需要对五组指令进行读取,并根据读取的指令执行相应操作。
2.3.3为每个指令设置判读条件。对于一个工序的首条指令,其判读条件为:工序序列中前一个工序已经开始,并且工该序同项目的前一个工序完成。若该工序为项目的首工序,其判读条件为空;对于一个工序的其余指令,其判读条件为同工序的上一个指令执行完毕。
读取指令的规则如下:同时判断每个指令组的首条还未读取的指令的判读条件,若成立,则读取该指令,否则等到满足该指令的判读条件时,再进行读取。
Claims (5)
1.基于粒子群算法的全自动酶免疫仪工序调度方法,其特征在于该方法通过输入接口处理模块、基于粒子群算法的优化调度模块和输出处理模块实现;
所述输入接口处理模块用于完成:从数据库中读取与工序时间有关的信息,包括设备子资源位置信息和设备运行信息;计算完成每步工序所需的时间,即工序时间;每个项目涉及多个单独占用设备子资源的工序,其中,占用温育振荡模块、洗板机或检测仪这三个子资源的工序时间为常数;占用加样头和机械手资源的工序时间需要根据加样头或机械手运动模型与电机参数、设备位置信息进行计算;
所述的基于粒子群算法的优化调度模块完成以下步骤:
(2‐1)建立调度优化模型,具体包括:
一个实验组包含n个项目,第i个检测项目包括工序数为Mi,i=1,2,3….n,该实验组的总工序数为M=M1+M2+...Mi+...+Mn,第i个项目的第j个工序的开始时间为tstartij、工序时间为tij、工序结束时间为toverij,第i个项目的第j个工序与该项目的前一个工序的时间间隔为Δtij;ait、bit、cit、dit、eit分别表示第i个项目在t时刻对加样头、机械手、温育振荡模块、洗板机、检测仪的占用情况,其取值为1或0,取值为1时表示占用,取值为0时表示不占用;
目标模型的约束条件为:
(2‐1‐1)工序序列满足链式约束,即同一项目所包含的工序必须按照顺序进行;
(2‐1‐2)每道工序从开始至工序完成中间不允许中断;
(2‐1‐3)不同项目所包含的工序之间没有时间先后性;
(2‐1‐4)为确保设备运行安全,加样头与机械手不能同时工作;
(2‐1‐5)设备子资源有限性,即全自动酶免疫仪中每个子资源只有有限个;
(2‐1‐6)根据检测过程生化反应要求,同一项目中部分工序需要连续进行;
根据约束条件,目标模型描述为:
式(1)中,第i个检测项目中,后一个工序的开始时间tstarti(j+1)比前一个工序的结束时间toverij大,满足约束条件(2‐1‐1)和(2‐1‐2);式(2)、(3)、(4)、(5)、(6)表示第t时刻占用加样头或机械手、温育振荡模块、洗板机和检测仪的工序个数不大于该步骤占用的子资源数,S2,S3,S4分别代表温育振荡模块、洗板机、检测仪的个数;由于约束(2‐1‐4),同一时间只允许一个机械手或加样头运动,因此S1=1;式(7)中,若某检测项目第j到第j+m个工序为连续工序,则前一个工序结束后,后一个工序紧接着开始,其中m为连续工序个数;
对于一个实验组而言,一旦工序序列确定,每个工序的tij和Δtij也就确定;这样,第i个检测项目完成的时间为:
而整个实验组的完成时间为所有单个检测项目完成时间的最大值,即目标函数为:
(2‐2)基于粒子群的优化调度,包括以下步骤:
(2‐2‐1)初始化粒子群,产生粒子数为N的粒子群(X1,X2,X3,...Xi...XN),粒子Xi为实验组一个满足链式约束的工序序列;
(2‐2‐2)确定粒子群中每个粒子对应的总工期;更新粒子个体的最优位置及群体的最优位置,本方法中,总工期短为优;
(2‐2‐3)对粒子群进行迭代,更新粒子群信息;即利用粒子群算法基本公式更新粒子的移动速度和位置,并更新粒子群和单个粒子的最优位置;
(2‐2‐4)重复步骤(2‐2‐2)、(2‐2‐3),检查迭代算法的终止条件:达到了最大迭代次数或者获得了足够短的总工期,即可终止迭代;从而获取局部最优的工序序列。
2.根据权利要求1所述的基于粒子群算法的全自动酶免疫仪工序调度方法,其特征在于,步骤(2‐2‐1)包括以下步骤:
(2‐2‐1‐1)对项目工序进行编号,第一个项目第j个工序的编号Nub1j=j,第i个项目中的第j个工序的编号为
(2‐2‐1‐2)根据工序编号,生成工序表NubList[n,Max(Mi)],其中,Max()为最大值函数,NubList[i,j]=Nubij(1≤j≤Mi),即工序表第i维顺序存储第j个项目的工序编号;
(2‐2‐1‐3)随机生成正整数R,1≤R≤n,在工序表的第R维按顺序获取一个工序编号,即若第一次R=i,则选取第i维的第一个工序编号,第二次R=i,取第i维的第二个工序编号,重复上述步骤,直到把表中M个工序编号全部取完;则所获取的工序序列Xi=(x1,x2,...xk...,xM)为实验组的一个满足链式约束的工序序列,其中xk为第k次获取的工序编号。
3.根据权利要求1所述的基于粒子群算法的全自动酶免疫仪工序调度方法,其特征在于步骤(2‐2‐2)所述的确定粒子总工期包括以下步骤:
从零时刻开始按粒子的工序序列确定每个工序的起始时间:
对于第i个项目中的第j个工序,若该工序不是连续工序,令t=tstarti(j-1)+1,用t=t+1进行迭代,并用式子(3)、(4)、(5)、(6)衡量迭代后t时刻设备各子资源的占用情况,直到该工序占用的子资源不被占用时,得到该工序的开始时间tstarttj=t;
若该工序是连续工序的起始工序,需要确定该次连续工序的工序数,把该次连续的几个工序当作一个整体工序,并按照第一种情况对其起始时间进行确定,得到连续工序中首工序的起始时间,其余的连续工序的起始时间便得以确定。
4.根据权利要求1所述的基于粒子群算法的全自动酶免疫仪工序调度方法,其特征在于:(2‐2‐3)所述的更新粒子群信息具体是:
由于工序编号为整数,迭代后结果不能确保为整数,此时需要将迭代得到的粒子Xi重新修正成为整数序列,才能计算改粒子的总工期,修正步骤为:先按Xi中的工序编号值从小到大排序重新设置,然后在不改变同一项目对应的工序编号在Xi中占据的位置的前提下,将其调整成满足链式约束的形式。
5.根据权利要求1所述的基于粒子群算法的全自动酶免疫仪工序调度方法,其特征在于所述的输出处理模块用于完成以下步骤:
(3‐1)按照优化后的工序序列,将工序分成占用加样头、机械臂、温育振荡模块、洗板机和检测仪五个设备子资源的分组;
(3‐2)分别对步骤(3‐1)的每个分组中的工序解析成若干个对子资源进行操作的指令,控制全自动酶免疫仪工作时,按判读条件对五组指令进行读取;
对于一个工序的首条指令,其判读条件为:工序序列中前一个工序已经开始,并且该工序同项目的前一个工序完成;若该工序为项目的首工序,其判读条件为空;对于一个工序的其余指令,其判读条件为同工序的上一个指令执行完毕;
读取指令的规则如下:同时判断每个指令组的首条还未读取的指令的判读条件,若成立,则读取该指令,否则等到满足该指令的判读条件时,再进行读取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060767.3A CN103886366B (zh) | 2014-02-21 | 2014-02-21 | 基于粒子群算法的全自动酶免疫仪工序调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410060767.3A CN103886366B (zh) | 2014-02-21 | 2014-02-21 | 基于粒子群算法的全自动酶免疫仪工序调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103886366A CN103886366A (zh) | 2014-06-25 |
CN103886366B true CN103886366B (zh) | 2017-04-05 |
Family
ID=50955249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410060767.3A Active CN103886366B (zh) | 2014-02-21 | 2014-02-21 | 基于粒子群算法的全自动酶免疫仪工序调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103886366B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3299794A1 (en) * | 2016-09-21 | 2018-03-28 | F. Hoffmann-La Roche AG | Automated scheduler for laboratory equipment |
CN108053119B (zh) * | 2017-12-15 | 2021-07-30 | 兰州理工大学 | 一种求解零等待流水车间调度问题的改进粒子群优化方法 |
CN110766292A (zh) * | 2019-09-29 | 2020-02-07 | 广船国际有限公司 | 一种船舶分段资源的调度方法、装置、设备及存储介质 |
CN115689194B (zh) * | 2022-10-28 | 2023-04-28 | 山东博思生物技术有限公司 | 一种基于遗传算法的全自动酶免工作站多项目实验调度方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1030139A (zh) * | 1986-05-22 | 1989-01-04 | 尤尼利弗公司 | 一种新的免疫测定方法 |
CN1606691A (zh) * | 2001-09-06 | 2005-04-13 | 基因描绘系统有限公司 | 细胞和病毒的快速灵敏检测 |
-
2014
- 2014-02-21 CN CN201410060767.3A patent/CN103886366B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1030139A (zh) * | 1986-05-22 | 1989-01-04 | 尤尼利弗公司 | 一种新的免疫测定方法 |
CN1606691A (zh) * | 2001-09-06 | 2005-04-13 | 基因描绘系统有限公司 | 细胞和病毒的快速灵敏检测 |
Non-Patent Citations (2)
Title |
---|
"全自动生化免疫分析仪多任务优化调度研究及其软件系统实现";胡善德;《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》;20150115;C030-49 * |
"基于ARM的全自动荧光分析仪系统集成与实现";李韬;《中国优秀硕士学位论文全文数据库-信息科技辑》;20150215;I138-343 * |
Also Published As
Publication number | Publication date |
---|---|
CN103886366A (zh) | 2014-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Collaborative multifidelity-based surrogate models for genetic programming in dynamic flexible job shop scheduling | |
Nie et al. | A GEP-based reactive scheduling policies constructing approach for dynamic flexible job shop scheduling problem with job release dates | |
CN103886366B (zh) | 基于粒子群算法的全自动酶免疫仪工序调度方法 | |
Kucukkoc et al. | Mathematical model and agent based solution approach for the simultaneous balancing and sequencing of mixed-model parallel two-sided assembly lines | |
CN105045243A (zh) | 一种半导体生产线动态调度装置 | |
Tosun et al. | A literature review on hybrid flow shop scheduling | |
Özcan | Balancing and scheduling tasks in parallel assembly lines with sequence-dependent setup times | |
CN107506956A (zh) | 基于改进粒子群算法供应链生产运输协同调度方法及系统 | |
CN102053870A (zh) | 亲和性驱动的分布式调度并行计算的系统和方法 | |
CN108694502A (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
Kilincci et al. | A Petri net approach for simple assembly line balancing problems | |
Chaudhry | Minimizing flow time for the worker assignment problem in identical parallel machine models using GA | |
Adressi et al. | Solving group scheduling problem in no-wait flexible flowshop with random machine breakdown | |
Mousavi et al. | Bi-objective scheduling for the re-entrant hybrid flow shop with learning effect and setup times | |
Liu et al. | A multi-MILP model collaborative optimization method for integrated process planning and scheduling problem | |
Rabelo et al. | Intelligent scheduling for flexible manufacturing systems | |
CN114282370A (zh) | 考虑操作者体力和脑力负荷的拆卸线设置方法 | |
Tian et al. | Knowledge-based lot-splitting optimization method for flexible job shops considering energy consumption | |
Zhou et al. | Study on job shop scheduling with sequence-dependent setup times using biological immune algorithm | |
Satheesh Kumar et al. | An artificial immune system-based algorithm to solve linear and loop layout problems in flexible manufacturing systems | |
Bożejko et al. | Parallel genetic algorithm for the flow shop scheduling problem | |
Al Bataineh et al. | High-speed FPGA-based of the particle swarm optimization using HLS tool | |
Wang et al. | Hybrid Kanban/Conwip control system simulation and optimization based on theory of constraints | |
Monch | Heuristics to minimize total weighted tardiness of jobs on unrelated parallel machines | |
Kulkarni et al. | Simulation and optimisation based approach for job shop scheduling problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |