CN105629927A - 一种基于混合遗传算法的mes生产计划排产方法 - Google Patents
一种基于混合遗传算法的mes生产计划排产方法 Download PDFInfo
- Publication number
- CN105629927A CN105629927A CN201510961828.8A CN201510961828A CN105629927A CN 105629927 A CN105629927 A CN 105629927A CN 201510961828 A CN201510961828 A CN 201510961828A CN 105629927 A CN105629927 A CN 105629927A
- Authority
- CN
- China
- Prior art keywords
- task
- order
- scheduling
- sequence
- genetic algorithm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000002068 genetic effect Effects 0.000 title claims abstract description 43
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 30
- 238000013439 planning Methods 0.000 title abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 210000000349 chromosome Anatomy 0.000 claims abstract description 4
- 230000035772 mutation Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- YASAKCUCGLMORW-UHFFFAOYSA-N Rosiglitazone Chemical compound C=1C=CC=NC=1N(C)CCOC(C=C1)=CC=C1CC1SC(=O)NC1=O YASAKCUCGLMORW-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32091—Algorithm, genetic algorithm, evolution strategy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明适用于车间生产计划管理技术领域,提供了一种基于混合遗传算法的MES生产计划排产方法,根据订单优先度的生成方式和/或随机的生成方式,为预设数目的初始排产方案产生符合任务间约束关系和遗传算法编码规则的车间任务序列;根据任务最佳开始、结束时间分配,根据资源负荷平衡原则分配和随机分配中的一种或者多种分配组合方式,为预设数目的初始排产方案中的每个车间任务设定执行资源;将预设数目的初始排产方案经由编码过程转换为一系列染色体,作为混合遗传算法的初始种群;将初始种群带入混合遗传算法,并依据预先设定的优化目标计算出优化后的排产结果。本发明提高了现有技术中MES生产计划排产结果的高效性。
Description
技术领域
本发明属于车间生产计划管理技术领域,尤其涉及一种基于混合遗传算法的MES生产计划排产方法。
背景技术
制造执行系统(ManufacturingExecutionSystems,简写为:MES)关注车间制造计划的执行和管理的特点,决定了详细生产计划的制定和排产是MES最为重要的核心功能之一。通过这一过程,MES接收上层生产计划系统的较粗的整体生产计划目标,依据MES中的工艺信息、车间资源和现有工作执行的具体情况和各项约束,生成具体到最小加工单元上的各项详细的生产作业计划,而产生的生产计划的质量将直接关系到车间现场各项工作的效率。
要生成符合车间实际生产情况的合理的生产计划,排产系统及其优化方法就必须与MES紧密地集成,同时在排产过程中要考虑车间实际工况对车间任务的约束和影响,并且要有效地利用MES采集到的任务执行情况数据。另一方面,在离散制造的情景下,生产计划的优化需考虑多种优化指标,如订单按时完成率、订单延期时间、完工时间、平均等待时间等,而且不同类型的企业对于优化目标的选择和侧重各有不同。
发明内容
本发明实施例的目的在于提供一种基于混合遗传算法的MES生产计划排产方法,以解决现有技术中MES排产方式低效的问题。
本发明实施例是这样实现的,一种基于混合遗传算法的MES生产计划排产方法,其特征在于,在所述MES生产计划排产中存在一个或者多个订单,每个订单需由一个或者多个车间任务构成,而每个车间任务由一个或者多个资源执行,排产过程为每一个车间任务确定执行资源并设定计划开始和计划完成时间,所述方法包括:
根据订单优先度的生成方式和/或随机的生成方式,为预设数目的初始排产方案产生符合任务间约束关系和遗传算法编码规则的车间任务序列;
根据任务最佳开始、结束时间分配,根据资源负荷平衡原则分配和随机分配中的一种或者多种分配组合方式,为预设数目的初始排产方案中的每个车间任务设定执行资源;
将所述预设数目的初始排产方案经由编码过程转换为一系列染色体,作为混合遗传算法的初始种群;将所述初始种群带入混合遗传算法,并依据预先设定的优化目标计算出优化后的排产结果。
优选的,所述根据订单优先度的生成方式,产生符合任务间约束关系和遗传算法编码规则的车间任务序列,具体包括:
步骤2.1:将订单按优先度从高到低排列,优先度相同的订单则以随机顺序排列其前后位置;
步骤2.2:从完成排序后的订单序列中依次选取订单,若是正向排程的订单则将其下属车间任务按照接续关系从首道任务至末道任务依次放入车间任务序列中;若是逆向排程的订单则将其下属车间任务按照接续关系从末道任务至首道任务依次放入车间任务序列中;
步骤2.3:重复步骤2.2直至所有订单的下属车间任务已被放入车间任务序列中。
优选的,所述根据随机的生成方式,产生符合任务间约束关系和遗传算法编码规则的车间任务序列;
步骤3.1:将订单所包含的各车间任务按任意顺序放入车间任务序列中;
步骤3.2:生成一个可选车间任务集合Oa,将正向排程的订单中选取没有前任务的车间任务,同时在未开始的逆向排程的订单中选取没有后续任务的车间任务,接着将这些车间任务放入Oc中;
步骤3.3:从Oa中随机选择一个车间任务Oc放在车间任务序列的下一位,然后将Oc移出Oa;
步骤3.4:若Oc属于正向排程的订单,找出Oc所有的后续任务;对每个后续任务判断其所有前任务是否已经存在于车间任务序列中,是则将其加入Oa中;若Oc属于逆向排程的订单,则找出Oc所有前任务,对每个前任务判断其所有后续任务是否已经存在于车间任务序列中,是则将其加入Oa中;
步骤3.5:判断可选车间任务集合Oa是否还有车间任务,如果有则跳转至步骤3.3,否则结束生成过程。
优选的,所述正向排程和所述逆向排程具体为:
在正向排程中,一个订单的计划开始时间首先被确定,然后属于此订单的车间任务的计划开始、完成时间将在此时间点之后按照各任务的所需工时依次被计算和确定,并在满足其他约束条件的前提下让订单的计划完成时间尽可能地早;
在逆向排程中,一个订单的计划结束时间首先被确定,然后属于此订单的车间任务的计划完成、开始时间将在此时间点之前按照各任务的所需工时依次被计算确定,并在满足其他约束条件的前提下让订单的计划开始时间尽可能的晚。
优选的,所述依据预先设定的优化目标计算出优化后的排产结果,其中,优化目标具体包括:
订单按时完成数、延期订单的延期时间、车间任务的总共/最大/平均等待时间、订单的总共/平均/最小提前时间和总共/平均/最大延期时间、总体加工时间、资源的总共/平均/最大空闲时间、资源利用率中的一项或者多项。
优选的,将所述初始种群带入混合遗传算法,并依据预先设定的优化目标计算出优化后的排产结果,其中,在混合遗传算法中具体包括:
利用车间任务序列的交叉操作、变异操作,执行资源序列中的交叉操作、变异操作和/或变领域搜索操作不断生成新一代个体,并迭代直到达到预设算法终止条件,将得到最优的个体解码为排产方案作为排产结果输出。
优选的,设参与交叉操作的两个父个体为p1={O11,O12,…,O1n},p2={O21,O22,…O2n},车间任务数目为n,所有L个订单的集合为J={J1,J2,…,JL},则所述车间任务序列的交叉操作具体包括:
步骤4.1:随机生成两个数目小于L/2的订单子集JP1和JP2,令 有约束关系的订单需要在同一个订单子集中;将JP1和JP2中订单的下属车间任务的集合记为OP1/OP2,并生成两个长度为n的空车间任务序列c1、c2;
步骤4.2:生成两组车间任务集合oc11={O|O∈OP1,O∈p1}和将oc11中的车间任务放入c1中,位置与在p1中的位置相同;将oc12中的车间任务按在p2中的先后顺序放入c1中余下的空位,c1即为生成的第一个子个体的车间任务序列;
步骤4.3:生成两组车间任务集合oc21={O|O∈OP2,O∈p2}和将oc21中的车间任务放入c2中,位置与在p2中的位置相同;将oc22中的车间任务按在p1中的先后顺序放入c2中余下的空位,c2即为生成的第二个子个体的车间任务序列。
优选的,所述执行资源序列中的交叉操作具体包括:
步骤5.1:产生两个随机数r1、r2,使关系0≤r1<r2≤n成立;生成两个集合olsub1、olsub2,使得:
olsub1={O1i|O1i∈p1,r1≤i≤r2}
olsub2={O2i|O2i∈p2,r1≤i≤r2}
步骤5.2:从左至右依次选中子车间任务序列c1中的车间任务;设选中的车间任务记为Oc1i,如果Oc1i∈olsub1,则c1中的Oc1i选用p1中该车间任务的执行资源,否则选用p2中该车间任务的执行资源;
步骤5.3:从左至右依次选中子车间任务序列c2中的车间任务;设选中的车间任务记为Oc2i,如果Oc2i∈olsub2,则c2中的Oc2i选用p2中该车间任务的执行资源,否则选用p1中该车间任务的执行资源。
优选的,所述变异操作具体包括:
步骤6.1:随机选出两个没有相互约束关系的订单J1、J2;
步骤6.2:从待变异的个体的车间任务序列里选取属于J1、J2的车间任务;设J1的在车间任务序列中出现的首工序在J2的首工序之前,则将J2的车间任务移到J1的车间任务之前。J1、J2各自订单内的车间任务顺序和其他订单的车间任务的位置均保持不变。
优选的,所述变领域搜索中的邻域结构具体包括:改变订单下属任务在任务序列中的位置的方式形成的领域结构;以及改变任务的执行资源的方式形成的领域结构。
本发明实施例提供的一种基于混合遗传算法的MES生产计划排产方法的有益效果包括:本发明采用了用选择压力控制的非线性排序的适应度算法来计算个体适应度。通过设置选择压力的初始值和选择压力随着种群代数的增长速率,可以控制优势个体在选择过程中所占优势的程度和优势的增长速度,因此在遗传算法初期可以保持种群多样性从而避免陷入早熟收敛,在算法后期较优的个体在选择中优势可以增加从而增强遗传算法的局部搜索能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于混合遗传算法的MES生产计划排产方法的流程示意图;
图2是本发明实施例提供的一种车间任务序列生成方法的流程示意图;
图3是本发明实施例提供的一种按优先度生成车间任务序列的流程示意图;
图4是本发明实施例提供的一种随机生成车间计划序列的流程示意图;
图5是本发明实施例提供的一种随机生成车间计划序列的流程示意图;
图6是本发明实施例提供的一种车间任务序列的交叉示例图;
图7是本发明实施例提供的一种执行资源序列的交叉示例图;
图8是本发明实施例提供的一种车间任务序列的变异实例图;
图9是本发明实施例提供的一种排产系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
在MES排产中,有如下假设:
1)各资源同一时刻只能执行一个车间任务,在当前执行车间任务完成之前,不能执行另外的车间任务。
2)各资源只能在生产日历中定义的工作时间内工作。
3)各车间任务依据订单信息和对应的工序模板信息生成,任务之间的接续关系和相互约束不能改变。已经开始和完成的车间任务的加工历史信息(如实际开始时间,完成品的数量和质量信息等)在排产过程中不允许改变。
4)车间任务的执行资源只能从工序模板给出的对应可选资源中选择。
实施例一
如图1所示为本发明提供的一种基于混合遗传算法的MES生产计划排产方法,在所述MES生产计划排产中存在一个或者多个订单,并且车间内存在一个或者多个执行资源,所述方法包括:
在步骤201中,根据订单优先度的生成(OSinitializationbasedonorderpriority,简写为:OSIOP)方式和/或随机的生成(RandomOSinitialization,简写为:ROSI)方式,为预设数目的初始排产方案产生符合任务间约束关系和遗传算法编码规则的车间任务序列;
在步骤202中,根据任务最佳开始、结束时间分配(resourceselectionaccordingtoappropriateplannedtime,简写为:RSAPT),根据资源负荷平衡原则分配(resourceselectionforworkingtimebalance,简写为:RSWTB)和随机分配(randomresourceselection,简写为:RRS)中的一种或者多种分配组合方式,为预设数目的初始排产方案中的每个车间任务设定执行资源;
在步骤203中,将所述预设数目的初始排产方案经由编码过程转换为一系列染色体,作为混合遗传算法的初始种群;
在步骤204中,将所述初始种群带入混合遗传算法,并依据预先设定的优化目标计算出优化后的排产结果。
其中,所述优化目标具体包括:订单按时完成数、延期订单的延期时间、车间任务的总共/最大/平均等待时间、订单的总共/平均/最小提前时间和总共/平均/最大延期时间、总体加工时间、资源的总共/平均/最大空闲时间、资源利用率中的一项或者多项。
本发明实施例所提出的MES排产的算法采用了依据排产的各项实际要求设计的混合遗传算法,使得算法既具有遗传算法较好的优化能力,又能保证排产结果符合实际生产中的各项约束条件。应用本排产系统能提高MES详细生产计划的质量和排产效率,提高MES现场任务计划管理的水平。
结合本发明实施例,存在一种优选的实现方案,对于步骤204,其中,在混合遗传算法中具体包括:
利用车间任务序列的交叉操作、变异操作,执行资源序列中的交叉操作、变异操作和/或变领域搜索操作不断生成新一代个体,并迭代直到达到预设算法终止条件,将得到最优的个体解码为排产方案作为排产结果输出。
在本发明实施例中,其中所涉及的按最佳计划开始、完成时间选择,具体实现为:
这种方式是在满足车间任务开始、结束的各项时间约束条件下,对于属于正向排程订单的车间任务,在可选执行资源中选择能让其计划完成时间最早的资源作为执行资源;对于属于逆向排程订单的车间任务,选择能让其计划开始时间最晚的资源作为执行资源。采用这个方法选择执行资源比起随机选择执行资源能显著减小初始个体总体加工时间。
在本发明实施例中,其中所涉及的按资源负荷平衡选择
这种方式是在满足车间任务开始、结束的各项时间约束条件下,在可选执行资源中选择那个能让各资源已分配的车间任务所占用的时间的最大值最小的那个资源作为执行资源。使用该方法选择执行资源而生成的初始个体中各资源的负荷较为均衡。
实施例二
本发明实施例针对在实施例一中步骤201里所涉及的技术特征做进一步的细化阐述,给予其实现方式的具体实例,其中,步骤201中所述根据订单优先度的生成方式,产生符合任务间约束关系和遗传算法编码规则的车间任务序列,如图2所示,具体包括:
步骤301:将订单按优先度从高到低排列,优先度相同的订单则以随机顺序排列其前后位置;
步骤302:从完成排序后的订单序列中依次选取订单,若是正向排程的订单则进入步骤303;若是逆向排程的订单则进入步骤304。
步骤303,将其下属车间任务按照接续关系从首道任务至末道任务依次放入车间任务序列中;
步骤304,将其下属车间任务按照接续关系从末道任务至首道任务依次放入车间任务序列中;
步骤305:重复步骤302直至所有订单的下属车间任务已被放入车间任务序列中。
该过程示例如图3所示。依据订单优先度生成车间任务序列,可以使优先度高的订单的车间任务处于车间任务序列的前面位置,这样优先度较高的车间任务在选择资源时优先度也较高。而同订单的车间任务连续排列有利于缩短同订单车间任务之间的等待时间。采用这种方法是因为大多数用户在排产时都有两个要求:优先度高的订单应分配充足的资源较快完成;订单内车间任务之间的等待时间应尽可能短以减小中间品库存成本。
实施例三
本发明实施例针对在实施例一中步骤201里所涉及的技术特征做进一步的细化阐述,给予其实现方式的具体实例,其中,步骤201中所述根据随机的生成方式,产生符合任务间约束关系和遗传算法编码规则的车间任务序列,如图4所示,具体实现为:
步骤401:将订单所包含的各车间任务按任意顺序放入车间任务序列中;
步骤402:生成一个可选车间任务集合Oa,将正向排程的订单中选取没有前任务的车间任务,同时在未开始的逆向排程的订单中选取没有后续任务的车间任务,接着将这些车间任务放入Oc中;
步骤403:从Oa中随机选择一个车间任务Oc放在车间任务序列的下一位,然后将Oc移出Oa;
步骤404:若Oc属于正向排程的订单,找出Oc所有的后续任务;对每个后续任务判断其所有前任务是否已经存在于车间任务序列中,是则将其加入Oa中;若Oc属于逆向排程的订单,则找出Oc所有前任务,对每个前任务判断其所有后续任务是否已经存在于车间任务序列中,是则将其加入Oa中;
步骤405:判断可选车间任务集合Oa是否还有车间任务,如果有则跳转至步骤403,否则结束生成过程。
该过程如图5所示。可以看出,本实施例方法既可以保证车间任务接续关系的正确性也不会影响生成序列的随机性。随机生成车间任务序列用于提高初始个体的随机性。
在上述实施例二和实施例三中所涉及的正向排程和所述逆向排程具体为:在正向排程中,一个订单的计划开始时间首先被确定,然后属于此订单的车间任务的计划开始、完成时间将在此时间点之后按照各任务的所需工时依次被计算和确定,并在满足其他约束条件的前提下让订单的计划完成时间尽可能地早;
在逆向排程中,一个订单的计划结束时间首先被确定,然后属于此订单的车间任务的计划完成、开始时间将在此时间点之前按照各任务的所需工时依次被计算确定,并在满足其他约束条件的前提下让订单的计划开始时间尽可能的晚。
实施例四
本发明实施例给予了如何实现车间任务序列的交叉的实例,具体的,设参与交叉操作的两个父个体为p1={O11,O12,…,O1n},p2={O21,O22,…O2n},车间任务数目为n,所有L个订单的集合为J={J1,J2,…,JL},则所述车间任务序列的交叉操作具体包括:
步骤501:随机生成两个数目小于L/2的订单子集JP1和JP2,令 有约束关系的订单需要在同一个订单子集中;将JP1和JP2中订单的下属车间任务的集合记为OP1/OP2,并生成两个长度为n的空车间任务序列c1、c2;
步骤502:生成两组车间任务集合oc11={O|O∈OP1,O∈p1}和将oc11中的车间任务放入c1中,位置与在p1中的位置相同;将oc12中的车间任务按在p2中的先后顺序放入c1中余下的空位,c1即为生成的第一个子个体的车间任务序列;
步骤503:生成两组车间任务集合oc21={O|O∈OP2,O∈p2}和将oc21中的车间任务放入c2中,位置与在p2中的位置相同;将oc22中的车间任务按在p1中的先后顺序放入c2中余下的空位,c2即为生成的第二个子个体的车间任务序列。
该车间任务序列交叉的过程示例如图6所示。从交叉的操作过程中可以看出,交叉后的每个订单内的车间任务的先后关系均与其中一个父代中同订单内的车间任务的先后关系相同,因此只要两个父代个体的车间任务序列是正确的,则生成的子代的车间任务序列也能保持正确性。
实施例五
本发明实施例给予了如何实现执行资源序列中的交叉操作的实例,具体的,所述执行资源序列中的交叉操作具体包括:
步骤601:产生两个随机数r1、r2,使关系0≤r1<r2≤n成立;生成两个集合olsub1、olsub2,使得:
olsub1={O1i|O1i∈p1,r1≤i≤r2}
olsub2={O2i|O2i∈p2,r1≤i≤r2}
步骤602:从左至右依次选中子车间任务序列c1中的车间任务;设选中的车间任务记为Oc1i,如果Oc1i∈olsub1,则c1中的Oc1i选用p1中该车间任务的执行资源,否则选用p2中该车间任务的执行资源;
步骤603:从左至右依次选中子车间任务序列c2中的车间任务;设选中的车间任务记为Oc2i,如果Oc2i∈olsub2,则c2中的Oc2i选用p2中该车间任务的执行资源,否则选用p1中该车间任务的执行资源。
示例如图7所示。从该操作过程可以看出,只要两个父代个体中车间任务的执行资源是正确的,则子代中的执行资源一定正确。
实施例六
本发明实施例给予了如何实现变异操作的实例,具体的,所述变异操作具体包括:
步骤701:随机选出两个没有相互约束关系的订单J1、J2;
步骤702:从待变异的个体的车间任务序列里选取属于J1、J2的车间任务;设J1的在车间任务序列中出现的首工序在J2的首工序之前,则将J2的车间任务移到J1的车间任务之前。J1、J2各自订单内的车间任务顺序和其他订单的车间任务的位置均保持不变。
J1、J2各自订单内的车间任务顺序和其他订单的车间任务的位置均保持不变。该过程示例图8所示。执行资源部分的变异比较简单,即从待变异车间任务的可选执行资源中随机选取一个与当前执行资源不同的资源作为此任务的执行资源即可。
实施例七
其中,所述领域搜索变换操作具体包括:改变订单下属任务在任务序列中的位置的方式形成的领域结构;或者是改变任务的执行资源的方式形成的领域结构。具体实现如下:
1、交换两个订单所属车间任务的位置
设预先选中的一个订单为Jc(如果在原排产方案中存在延期订单,则在有较大几率为延期订单中的一个),然后随机选择一个按时的且至少有一个车间任务在车间任务序列中的位置早于Jc首任务的订单并记为Jr。交换Jc和Jr的任务位置以生成新的排产方案,交换方法与实施例四中车间任务序列变异的方法相同,再次不一一赘述。
2、向前移动一个车间任务的位置
设预先选中的一个订单为Jc,并随机选择一个属于订单Jc的车间任务Oc。若Oc不是Jc在车间任务序列中最靠前的工序,则记属于Jc的在车间任务序列中位于Oc之前且最接近Oc的车间任务为OP。设OP/Oc位于车间任务序列中的第p/c位,若p=c-1,则选车间任务OP为Oc并重复前述步骤,直至p<c-1或Oc已经是Jc在车间任务序列中位置最前的车间任务。若Oc已是Jc位置最前的车间任务,则随机生成整数i∈[1,c),否则随机生成整数i∈(p,c)。将Oc移动到车间任务序列的第i位从而生成新的排产方案。
3、改变一个车间任务的执行资源
随机选择一个属于预先选定的订单Jc的车间任务Oc,并依次用该任务的其他可选资源作为其执行资源,从产生的一系列新排产方案中选择最好的那个作为生成的新的排产方案。
实施例八
结合实施例七所描述领域搜索变换操作,本实施例给出了领域搜索变换中具体的多邻域搜索(variableneighborhoodsearch,简写为:VNS)算法实现方法。
设初始排产方案为Si,两个整型参数分别为邻域计数k=1,迭代次数g=0,一个预设的延期订单选中概率pl,并有两个预设的参数分别为最大邻域数kmax和最大迭代次数gmax,则VNS算法主流程如下:
步骤801:随机选择一个订单Jc,若Si中存在延期订单,则有概率pl从延期订单中选择。
步骤802:采用实施例七中第1、2个邻域结构依据Si生成两个新的排产方案Sc1和Sc2。
步骤803:采用实施例七中第3个邻域结构分别依据Sc1和Sc2产生两个新的排产方案Sc3和Sc4。找出Sc1、Sc2、Sc3、Sc4中最佳的那个排产方案并记为Scb,若Scb比Si更佳,则令Si=Scb,k=1;否则k=k+1。令g=g+1。
步骤4:重复执行步骤1-3,直到k>kmax或g>gmax。
实施例九
本发明实施例从整的实现过程出发,结合上述各实施例所提供的具体实现细节,阐述如何在具体工业环境中实现本发明方法。参考图9,具体的:
当排产开始时,MES中的排产相关信息由排产数据处理接口收集整理。处理好的信息将被存入中间表中,同时没有计划开始/完成时间和执行资源的车间任务将根据中间表中处理好的订单、工序模板、MBOM信息创建出来。之后,车间任务序列生成器将根据用户设定的比例调用实施例二或实施例三所述的方法生成具有车间任务序列的初始个体,执行资源分配算法将根据用户设定的比例调用实施例一中所述的方法为初始个体中的每个车间任务分配执行资源以生成完整的初始个体。生成的初始个体将被送入混合遗传算法中进行优化,优化过后的排产结果经用户检查、修改、确认后被存入中间表,然后经由排产数据处理接口转换后传输给MES数据库,由MES继续进行接下来的生产任务管理流程。
本发明实施例使用上述各实施例所提出的多邻域搜索算法与前述遗传算法结合,构成混合遗传算法。VNS可以改进遗传算法产生的个体,有助于提高遗传算法的局部优化能力和避免早熟收敛。但是VNS需要消耗较多的计算资源,如果使用VNS优化每个遗传算法生成的个体,将极大地影响算法的效率。因此,本文设计的混合算法中仅当遗传算法的本代个体比上代个体的进化水平低于预先设定的条件时,才会调用VNS优化参与交叉、变异操作的个体。
本领域普通技术人员还可以理解,实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,包括ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于混合遗传算法的MES生产计划排产方法,其特征在于,在所述MES生产计划排产中存在一个或者多个订单,每个订单需由一个或者多个车间任务构成,而每个车间任务由一个或者多个资源执行,排产过程为每一个车间任务确定执行资源并设定计划开始和计划完成时间,所述方法包括:
根据订单优先度的生成方式和/或随机的生成方式,为预设数目的初始排产方案产生符合任务间约束关系和遗传算法编码规则的车间任务序列;
根据任务最佳开始、结束时间分配,根据资源负荷平衡原则分配和随机分配中的一种或者多种分配组合方式,为预设数目的初始排产方案中的每个车间任务设定执行资源;
将所述预设数目的初始排产方案经由编码过程转换为一系列染色体,作为混合遗传算法的初始种群;
将所述初始种群带入混合遗传算法,并依据预先设定的优化目标计算出优化后的排产结果。
2.根据权利要求1所述的方法,其特征在于,所述根据订单优先度的生成方式,产生符合任务间约束关系和遗传算法编码规则的车间任务序列,具体包括:
步骤2.1:将订单按优先度从高到低排列,优先度相同的订单则以随机顺序排列其前后位置;
步骤2.2:从完成排序后的订单序列中依次选取订单,若是正向排程的订单则将其下属车间任务按照接续关系从首道任务至末道任务依次放入车间任务序列中;若是逆向排程的订单则将其下属车间任务按照接续关系从末道任务至首道任务依次放入车间任务序列中;
步骤2.3:重复步骤2.2直至所有订单的下属车间任务已被放入车间任务序列中。
3.根据权利要求1所述的方法,其特征在于,所述根据随机的生成方式,产生符合任务间约束关系和遗传算法编码规则的车间任务序列;
步骤3.1:将订单所包含的各车间任务按任意顺序放入车间任务序列中;
步骤3.2:生成一个可选车间任务集合Oa,将正向排程的订单中选取没有前任务的车间任务,同时在未开始的逆向排程的订单中选取没有后续任务的车间任务,接着将这些车间任务放入Oc中;
步骤3.3:从Oa中随机选择一个车间任务Oc放在车间任务序列的下一位,然后将Oc移出Oa;
步骤3.4:若Oc属于正向排程的订单,找出Oc所有的后续任务;对每个后续任务判断其所有前任务是否已经存在于车间任务序列中,是则将其加入Oa中;若Oc属于逆向排程的订单,则找出Oc所有前任务,对每个前任务判断其所有后续任务是否已经存在于车间任务序列中,是则将其加入Oa中;
步骤3.5:判断可选车间任务集合Oa是否还有车间任务,如果有则跳转至步骤3.3,否则结束生成过程。
4.根据权利要求2或3所述的方法,其特征在于,所述正向排程和所述逆向排程具体为:
在正向排程中,一个订单的计划开始时间首先被确定,然后属于此订单的车间任务的计划开始、完成时间将在此时间点之后按照各任务的所需工时依次被计算和确定,并在满足其他约束条件的前提下让订单的计划完成时间尽可能地早;
在逆向排程中,一个订单的计划结束时间首先被确定,然后属于此订单的车间任务的计划完成、开始时间将在此时间点之前按照各任务的所需工时依次被计算确定,并在满足其他约束条件的前提下让订单的计划开始时间尽可能的晚。
5.根据权利要求1所述的方法,其特征在于,所述依据预先设定的优化目标计算出优化后的排产结果,其中,优化目标具体包括:
订单按时完成数、延期订单的延期时间、车间任务的总共/最大/平均等待时间、订单的总共/平均/最小提前时间和总共/平均/最大延期时间、总体加工时间、资源的总共/平均/最大空闲时间、资源利用率中的一项或者多项。
6.根据权利要求1-5任一所述的方法,其特征在于,将所述初始种群带入混合遗传算法,并依据预先设定的优化目标计算出优化后的排产结果,其中,在混合遗传算法中具体包括:
利用车间任务序列的交叉操作、变异操作,执行资源序列中的交叉操作、变异操作和/或变领域搜索操作不断生成新一代个体,并迭代直到达到预设算法终止条件,将得到最优的个体解码为排产方案作为排产结果输出。
7.根据权利要求6所述的方法,其特征在于,设参与交叉操作的两个父个体为p1={O11,O12,…,O1n},p2={O21,O22,…O2n},车间任务数目为n,所有L个订单的集合为J={J1,J2,…,JL},则所述车间任务序列的交叉操作具体包括:
步骤4.1:随机生成两个数目小于L/2的订单子集JP1和JP2,令 有约束关系的订单需要在同一个订单子集中;将JP1和JP2中订单的下属车间任务的集合记为OP1/OP2,并生成两个长度为n的空车间任务序列c1、c2;
步骤4.2:生成两组车间任务集合oc11={O|O∈OP1,O∈p1}和将oc11中的车间任务放入c1中,位置与在p1中的位置相同;将oc12中的车间任务按在p2中的先后顺序放入c1中余下的空位,c1即为生成的第一个子个体的车间任务序列;
步骤4.3:生成两组车间任务集合oc21={O|O∈OP2,O∈p2}和将oc21中的车间任务放入c2中,位置与在p2中的位置相同;将oc22中的车间任务按在p1中的先后顺序放入c2中余下的空位,c2即为生成的第二个子个体的车间任务序列。
8.根据权利要求7所述的方法,其特征在于,所述执行资源序列中的交叉操作具体包括:
步骤5.1:产生两个随机数r1、r2,使关系0≤r1<r2≤n成立;生成两个集合olsub1、olsub2,使得:
olsub1={O1i|O1i∈p1,r1≤i≤r2}
olsub2={O2i|O2i∈p2,r1≤i≤r2}
步骤5.2:从左至右依次选中子车间任务序列c1中的车间任务;设选中的车间任务记为Oc1i,如果Oc1i∈olsub1,则c1中的Oc1i选用p1中该车间任务的执行资源,否则选用p2中该车间任务的执行资源;
步骤5.3:从左至右依次选中子车间任务序列c2中的车间任务;设选中的车间任务记为Oc2i,如果Oc2i∈olsub2,则c2中的Oc2i选用p2中该车间任务的执行资源,否则选用p1中该车间任务的执行资源。
9.根据权利要求6所述的方法,其特征在于,所述变异操作具体包括:
步骤6.1:随机选出两个没有相互约束关系的订单J1、J2;
步骤6.2:从待变异的个体的车间任务序列里选取属于J1、J2的车间任务;设J1的在车间任务序列中出现的首工序在J2的首工序之前,则将J2的车间任务移到J1的车间任务之前。J1、J2各自订单内的车间任务顺序和其他订单的车间任务的位置均保持不变。
10.根据权利要求6所述的方法,其特征在于,所述变领域搜索中的邻域结构具体包括:改变订单下属任务在任务序列中的位置的方式形成的领域结构;以及改变任务的执行资源的方式形成的领域结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510961828.8A CN105629927A (zh) | 2015-12-18 | 2015-12-18 | 一种基于混合遗传算法的mes生产计划排产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510961828.8A CN105629927A (zh) | 2015-12-18 | 2015-12-18 | 一种基于混合遗传算法的mes生产计划排产方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105629927A true CN105629927A (zh) | 2016-06-01 |
Family
ID=56044984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510961828.8A Pending CN105629927A (zh) | 2015-12-18 | 2015-12-18 | 一种基于混合遗传算法的mes生产计划排产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105629927A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016462A (zh) * | 2017-04-05 | 2017-08-04 | 张玉州 | 一种基于混合遗传算法的多跑道机场航班起降协同优化方法 |
CN109543921A (zh) * | 2018-12-11 | 2019-03-29 | 合肥工业大学 | 基于改进遗传算法的石油专用管流水车间的生产排产方法 |
CN109636011A (zh) * | 2018-11-26 | 2019-04-16 | 江苏科技大学 | 一种基于改进的变邻域遗传算法的多班制计划排程法 |
CN109902851A (zh) * | 2018-10-18 | 2019-06-18 | 华为技术有限公司 | 一种生产计划的确定方法以及装置 |
CN110221583A (zh) * | 2019-05-20 | 2019-09-10 | 清华大学 | 一种基于HoloLens的智能装配生产线仿真方法 |
CN110378528A (zh) * | 2019-07-17 | 2019-10-25 | 南京大学 | 基于遗传算法的车间排产方法及系统 |
CN111210062A (zh) * | 2019-12-31 | 2020-05-29 | 深圳金赋科技有限公司 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
CN111275356A (zh) * | 2020-02-25 | 2020-06-12 | 福州大学 | 基于混合调度算法的smt车间智能排程方法 |
CN111626513A (zh) * | 2020-05-29 | 2020-09-04 | 四川农业大学 | Mto-mts混合装配式建筑预制构件生产排程方法 |
CN112561253A (zh) * | 2020-11-18 | 2021-03-26 | 广东赛意信息科技有限公司 | 基于生产计划的订单分派方法、系统、平台及存储介质 |
CN112990515A (zh) * | 2019-12-02 | 2021-06-18 | 中船重工信息科技有限公司 | 一种基于启发式优化算法的车间资源调度方法 |
CN113240176A (zh) * | 2021-05-12 | 2021-08-10 | 西北工业大学 | 基于有限人员即时站位的单元式装配车间智能排产方法 |
CN113723937A (zh) * | 2021-11-02 | 2021-11-30 | 南京理工大学 | 一种基于启发式规则遗传算法的测发项目双层排期方法 |
CN114862122A (zh) * | 2022-04-11 | 2022-08-05 | 益模(东莞)智能科技有限公司 | 一种基于aps的车间排产方法、系统及设备 |
CN114862231A (zh) * | 2022-05-20 | 2022-08-05 | 广州小鹏汽车科技有限公司 | 生产排程方法、装置及电子设备 |
CN114936900A (zh) * | 2022-05-19 | 2022-08-23 | 浙江理工大学 | 一种纱线纺织企业智能排产方法及系统 |
CN115700639A (zh) * | 2022-12-30 | 2023-02-07 | 东方合智数据科技(广东)有限责任公司 | 智能生产排程方法、装置、设备及存储介质 |
CN116029516A (zh) * | 2023-02-01 | 2023-04-28 | 上海交大智邦科技有限公司 | 机加工车间排产方法及系统 |
CN117094509A (zh) * | 2023-08-23 | 2023-11-21 | 广州聚超软件科技有限公司 | 一种修正生产流程的排程方法、设备及储存介质 |
CN117094511A (zh) * | 2023-08-23 | 2023-11-21 | 广州聚超软件科技有限公司 | 一种基于时间函数的工序排程方法、装置、终端及介质 |
CN117455135A (zh) * | 2023-08-23 | 2024-01-26 | 广州聚超软件科技有限公司 | 一种模具加工的生产排程方法、系统、终端及存储介质 |
CN118333199A (zh) * | 2023-12-21 | 2024-07-12 | 杭州海康威视数字技术股份有限公司 | 一种排程方法、系统、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08129586A (ja) * | 1994-10-31 | 1996-05-21 | Sanyo Electric Co Ltd | スケジュール作成方法 |
JPH08315017A (ja) * | 1995-05-15 | 1996-11-29 | Sanyo Electric Co Ltd | 生産スケジュール作成方法 |
EP1359529A1 (en) * | 1998-09-16 | 2003-11-05 | i2 TECHNOLOGIES, INC. | Computer-implemented product development planning method |
US20100205127A1 (en) * | 2009-02-11 | 2010-08-12 | Inotera Memories, Inc. | Method for planning a semiconductor manufacturing process based on users' demands |
CN102567850A (zh) * | 2011-12-29 | 2012-07-11 | 北京理工大学 | 跨车间协作模式下车间生产计划与调度一体化方法 |
CN103500375A (zh) * | 2013-09-26 | 2014-01-08 | 西安工业大学 | 一种基于eM-Plant的MES调度控制方法 |
CN103842921A (zh) * | 2011-10-06 | 2014-06-04 | 株式会社日立制作所 | 生产计划装置以及生产计划方法 |
CN104050544A (zh) * | 2014-07-04 | 2014-09-17 | 浪潮通用软件有限公司 | 一种生成车间工序计划的系统及其实现方法 |
-
2015
- 2015-12-18 CN CN201510961828.8A patent/CN105629927A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08129586A (ja) * | 1994-10-31 | 1996-05-21 | Sanyo Electric Co Ltd | スケジュール作成方法 |
JPH08315017A (ja) * | 1995-05-15 | 1996-11-29 | Sanyo Electric Co Ltd | 生産スケジュール作成方法 |
EP1359529A1 (en) * | 1998-09-16 | 2003-11-05 | i2 TECHNOLOGIES, INC. | Computer-implemented product development planning method |
US20100205127A1 (en) * | 2009-02-11 | 2010-08-12 | Inotera Memories, Inc. | Method for planning a semiconductor manufacturing process based on users' demands |
CN103842921A (zh) * | 2011-10-06 | 2014-06-04 | 株式会社日立制作所 | 生产计划装置以及生产计划方法 |
CN102567850A (zh) * | 2011-12-29 | 2012-07-11 | 北京理工大学 | 跨车间协作模式下车间生产计划与调度一体化方法 |
CN103500375A (zh) * | 2013-09-26 | 2014-01-08 | 西安工业大学 | 一种基于eM-Plant的MES调度控制方法 |
CN104050544A (zh) * | 2014-07-04 | 2014-09-17 | 浪潮通用软件有限公司 | 一种生成车间工序计划的系统及其实现方法 |
Non-Patent Citations (2)
Title |
---|
LI ZHOU,ZHUONING CHEN,SHAOPING CHEN: "An effective detailed operation scheduling in MES based on hybrid genetic algorithm", 《JOURNAL OF INTELLIGENT MANUFACTURING》 * |
崔雪丽: "基于混合遗传算法的车间生产计划调度", 《计算机工程与设计》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016462B (zh) * | 2017-04-05 | 2018-08-03 | 张玉州 | 一种基于混合遗传算法的多跑道机场航班起降协同优化方法 |
CN107016462A (zh) * | 2017-04-05 | 2017-08-04 | 张玉州 | 一种基于混合遗传算法的多跑道机场航班起降协同优化方法 |
CN109902851B (zh) * | 2018-10-18 | 2023-12-19 | 华为技术有限公司 | 一种生产计划的确定方法以及装置 |
CN109902851A (zh) * | 2018-10-18 | 2019-06-18 | 华为技术有限公司 | 一种生产计划的确定方法以及装置 |
CN109636011B (zh) * | 2018-11-26 | 2023-04-07 | 江苏科技大学 | 一种基于改进的变邻域遗传算法的多班制计划排程法 |
CN109636011A (zh) * | 2018-11-26 | 2019-04-16 | 江苏科技大学 | 一种基于改进的变邻域遗传算法的多班制计划排程法 |
CN109543921B (zh) * | 2018-12-11 | 2021-04-06 | 合肥工业大学 | 基于改进遗传算法的石油专用管流水车间的生产排产方法 |
CN109543921A (zh) * | 2018-12-11 | 2019-03-29 | 合肥工业大学 | 基于改进遗传算法的石油专用管流水车间的生产排产方法 |
CN110221583B (zh) * | 2019-05-20 | 2020-08-07 | 清华大学 | 一种基于HoloLens的智能装配生产线仿真方法 |
CN110221583A (zh) * | 2019-05-20 | 2019-09-10 | 清华大学 | 一种基于HoloLens的智能装配生产线仿真方法 |
CN110378528B (zh) * | 2019-07-17 | 2022-12-09 | 南京大学 | 基于遗传算法的车间排产方法及系统 |
CN110378528A (zh) * | 2019-07-17 | 2019-10-25 | 南京大学 | 基于遗传算法的车间排产方法及系统 |
CN112990515A (zh) * | 2019-12-02 | 2021-06-18 | 中船重工信息科技有限公司 | 一种基于启发式优化算法的车间资源调度方法 |
CN111210062A (zh) * | 2019-12-31 | 2020-05-29 | 深圳金赋科技有限公司 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
CN111275356A (zh) * | 2020-02-25 | 2020-06-12 | 福州大学 | 基于混合调度算法的smt车间智能排程方法 |
CN111626513A (zh) * | 2020-05-29 | 2020-09-04 | 四川农业大学 | Mto-mts混合装配式建筑预制构件生产排程方法 |
CN112561253A (zh) * | 2020-11-18 | 2021-03-26 | 广东赛意信息科技有限公司 | 基于生产计划的订单分派方法、系统、平台及存储介质 |
CN113240176A (zh) * | 2021-05-12 | 2021-08-10 | 西北工业大学 | 基于有限人员即时站位的单元式装配车间智能排产方法 |
CN113240176B (zh) * | 2021-05-12 | 2023-06-20 | 西北工业大学 | 基于有限人员即时站位的单元式装配车间智能排产方法 |
CN113723937B (zh) * | 2021-11-02 | 2022-04-01 | 南京理工大学 | 一种基于启发式规则遗传算法的测发项目双层排期方法 |
CN113723937A (zh) * | 2021-11-02 | 2021-11-30 | 南京理工大学 | 一种基于启发式规则遗传算法的测发项目双层排期方法 |
CN114862122A (zh) * | 2022-04-11 | 2022-08-05 | 益模(东莞)智能科技有限公司 | 一种基于aps的车间排产方法、系统及设备 |
CN114936900A (zh) * | 2022-05-19 | 2022-08-23 | 浙江理工大学 | 一种纱线纺织企业智能排产方法及系统 |
CN114936900B (zh) * | 2022-05-19 | 2023-04-07 | 浙江理工大学 | 一种纱线纺织企业智能排产方法及系统 |
CN114862231A (zh) * | 2022-05-20 | 2022-08-05 | 广州小鹏汽车科技有限公司 | 生产排程方法、装置及电子设备 |
CN115700639A (zh) * | 2022-12-30 | 2023-02-07 | 东方合智数据科技(广东)有限责任公司 | 智能生产排程方法、装置、设备及存储介质 |
CN116029516A (zh) * | 2023-02-01 | 2023-04-28 | 上海交大智邦科技有限公司 | 机加工车间排产方法及系统 |
CN116029516B (zh) * | 2023-02-01 | 2023-08-18 | 上海交大智邦科技有限公司 | 机加工车间排产方法及系统 |
CN117094509A (zh) * | 2023-08-23 | 2023-11-21 | 广州聚超软件科技有限公司 | 一种修正生产流程的排程方法、设备及储存介质 |
CN117094511A (zh) * | 2023-08-23 | 2023-11-21 | 广州聚超软件科技有限公司 | 一种基于时间函数的工序排程方法、装置、终端及介质 |
CN117455135A (zh) * | 2023-08-23 | 2024-01-26 | 广州聚超软件科技有限公司 | 一种模具加工的生产排程方法、系统、终端及存储介质 |
CN118333199A (zh) * | 2023-12-21 | 2024-07-12 | 杭州海康威视数字技术股份有限公司 | 一种排程方法、系统、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
CN109190857B (zh) | 一种基于多目标资源受限项目调度模型的优化算法 | |
CN104268722B (zh) | 基于多目标进化算法的动态柔性作业车间调度方法 | |
CN107168267B (zh) | 基于改进粒子群与启发式策略的生产排产方法及系统 | |
CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
CN110956371B (zh) | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 | |
CN110414863A (zh) | 一种智能制造车间资源调度方法 | |
CN112232548B (zh) | 基于遗传算法的机械加工车间智能排产优化方法及系统 | |
CN113139710B (zh) | 一种基于遗传算法的多资源并行任务高级计划排程方法 | |
CN113379087A (zh) | 一种基于改进遗传算法的生产制造排产优化方法 | |
CN110458326B (zh) | 一种分布式阻塞型流水线调度的混合群智能优化方法 | |
CN111047272A (zh) | 一种用于多语言协同开发的项目调度方法及装置 | |
CN105373845A (zh) | 制造企业车间的混合智能调度优化方法 | |
CN112699544A (zh) | 一种多目标柔性作业车间调度方法 | |
CN102945510B (zh) | 一种求解复杂资源受限项目调度问题的有效方法 | |
CN116700176A (zh) | 一种基于强化学习的分布式阻塞流水车间调度优化系统 | |
CN105550825A (zh) | 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法 | |
CN114707432A (zh) | 一种基于遗传算法的锻造工厂智能排产方法 | |
CN117132181B (zh) | 一种分布式柔性生产与运输协同调度方法 | |
CN112148446B (zh) | 一种用于多技能资源受限项目调度的进化策略方法 | |
CN117726119A (zh) | 一种解决分布式混合流水车间组调度的图仿生学习方法 | |
CN117333084A (zh) | 一种基于超启发多维分布估计的节能分布式装配零等待流水车间调度方法及系统 | |
CN116957219A (zh) | 一种基于遗传算法的水泥生产线施工作业调度方法 | |
CN112700109A (zh) | 一种订单生产顺序优化方法、系统、设备及可读存储介质 | |
CN112183933A (zh) | 基于混合变邻域进化算法的检定流水线调度方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160601 |