CN106097055A - 个性化定制需求下企业订单处理方法 - Google Patents
个性化定制需求下企业订单处理方法 Download PDFInfo
- Publication number
- CN106097055A CN106097055A CN201610400663.1A CN201610400663A CN106097055A CN 106097055 A CN106097055 A CN 106097055A CN 201610400663 A CN201610400663 A CN 201610400663A CN 106097055 A CN106097055 A CN 106097055A
- Authority
- CN
- China
- Prior art keywords
- population
- sub
- order
- individuality
- generation
- 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.)
- Withdrawn
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- 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)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (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
个性化定制需求下企业订单处理方法,涉及信息通讯技术下企业订单处理方法,该方法针对定制化需求环境下,制造企业对订单生产优先级确定,详细列举并分析了约束理论、熵概念以及蚁群算法,确定订单生产优先级问题上的应用,然后结合企业实际生产运行模式指出传统方法的局限。提出在多节点动态的生产系统中订单生产优先级确定的数学模型,在此基础上提出了将模拟退火算法和多种群遗传算法融合产生混合遗传算法,解决订单生产优先级确定的问题。混合模拟算法不仅能够克服多种群遗传算法的局限,而且能够发挥模拟退火算法的优点,能够较为成功的处理多节点动态生产系统中的订单处理模型,进而能对企业生产实践活动进行指导。
Description
技术领域
本发明涉及信息通讯技术下企业订单处理方法,特别是涉及信息通讯技术下个性化定制需求下企业订单处理方法。
背景技术
个性化定制化生产的趋势:
二十世纪七十年代起定制化生产开始迅速向各行各业扩散,八十年代末期部分发达国家开始着手制定定制营销的思想基础,到了上世纪九十年代大规模定制化(MassCustomization, MC)模式开始兴起,由于其成本低、满足消费者个性化的消费需求的突出特点,迅速超越传统大规模生产(Mass Production, MP)模式,定制化模式能代表先进生产力的发展方向,被视为产业转型升级的必然方向。
到目前为止,定制化模式是人本的思想在现代生产制造领域集中体现。通过现代化的信息通讯技术将消费者与生产者以产品为纽带紧密联系在一起,消费者可以实时的参与到产品的设计、生产的全过程,提高了顾客对产品的满意度,同时也增强了顾客对企业品牌的忠诚度。定制化模式中生产企业直接面对消费者,根据消费者需求及消费者自身特点进行产品设计,节省了生产企业经销推广的费用,顾客的积极参与能有效保证产品质量,使得企业可以采取灵活的定价策略,能够在降低生产成本的同时有效提升企业的效益。
传统制造企业订单处理方法现状分析:
(1)约束理论(Theory of Constrains, TOC)。利润最大化是企业的首要使命,即用企业的财务指标去衡量企业的绩效。约束理论通过建立系统的生产核算标准,量化生产过程对组织目标的贡献。利用线性规划中对偶问题的互补松弛性,通过计算可以等到生产所需的各种物质资源以及各种外部市场资源的影子价格。
约束理论的局限:通过约束理论确定的订单生产优先级由企业追求利润最大化的目标一致。但是,该理论的局限性在于其仅关注生产系统获利的高低,而忽略了企业要想在竞争激烈的市场获利,就必须在保证产品质量的前提下,通过先进的技术、便捷的运输、完善的服务来建立完善的生产经营系统。
(2)熵值法。熵(Entropy)在物理学中用来定义一个热力系统的无序程度。在生产系统种利用熵的不确定性这一度量,将系统的输入信息经由各个单独系统指标综合而成的混合系统指标进行度量,并以此做出决策。熵概念确定订单生产优先等级方法的局限:虽然该方法采取了多指标综合评估的思想,但在订单处理方案的制定以方案评价指标的选择具有一定的随机性和随意性,不同处理方案的制定以及不同评价指标的选择会对最终订单优先级的确定造成不可逆的影响。生产企业所处的外部竞争环境瞬息万变,许多对生产系统产生重要影响的的外部因素是无法提前准确预知的,因此熵概念确定订单生产优先等级的方法,设定的外部环境过于理想化,使用的范围也过于狭窄。
(3)蚁群算法。蚁群算法(Ant Colony Optimization, ACO)是一种通用型几率型的寻找最优路径的优化方法。依据蚁群算法来确定订单生产优先级的方法,正是利用蚁群觅食的这一特性。首先将订单生产优先级问题简化为排序优化问题,然后将问题模型化,以订单的提前/拖期最小化为目标函数,最后利用蚂蚁算法求出最优解,从而确定订单生产优先级的最优排序。
基于蚁群算法确定订单生产优先级的方法的局限性:从算法本身来看,蚁群算法与同等复杂程度算法相比较而言,需要的搜索时间更长。算法在搜索进行到一定阶段后,易出现“停滞现象”,即所有蚂蚁通过的路径均一致,造成算法在某个或某些局部最优解的邻域内停滞。从生产系统的角度看,算法是以订单的提前/拖期最小化为目标函数,缺少对生产系统内其他因素的考虑,对实现生产系统整体最优化这一目标缺少有力支持,造成算法应用场景单一、系统化思维不足等问题。
中国制造于2010年产值全球份额一跃赶超美国,成为世界第一。经济一路狂奔的同时也沉淀了可观的生产能力,但产能利用低下、有效产能不能充分释放由此而引起的产能过剩成为我国制造业的硬伤。对比全球制造业一般标准:当企业产能利用率在90%以下且持续下降,说明生产设备闲置过多,长时间积累必定造成产能过剩。研究表明,我国现在制造业平均产能利用率在60%左右,而同期发达国家的利用率为78.9%,全球平均水平为71.6%。据调查,钢铁、汽车、家电、风电、光伏等新旧产业都出现不同程度的产能过剩。致使中国制造 “大而不强”,中国制造始终位于全球产业链条的低端领域。如何能够根据客户订单尤其是及时生产,提高生产效率且提高产能的同时,降低库存是未来制造企业亟待解决的问题。在当下制造业转型升级的关口,传统制造企业只有抓住时机积极参并推进个性化定制生产,才能保证企业在未来的竞争处于领先地位。
发明内容
本发明的目的在于提供一种个性化定制需求下企业订单处理方法,该方法在制造企业的订单处理上,提出在多节点动态生产系统中订单生产优先级确定的数学模型,采用模拟退火算法和多种群遗传算法融合,产生混合遗传算法,来解决订单生产优先级确定的问题,大大提高了订单处理的效率和准确性。
本发明的目的是通过以下技术方案实现的:
个性化定制需求下企业订单处理方法,所述方法完成订单选择是在订单排序的基础上完成的,包括以下具体步骤:
步骤1,将订单集合中各个订单的收益进行排序优化;
步骤2,删除收益小于零的订单,然后重复进行步骤1,当所有订单收益均大于零时停止循环;采用混合遗传算法求解订单生产优先级的具体步骤如下:
第一步:根据多种群遗传算法划分初始种群,将出始终种群划分成四个子初始群P1P2P3P4,然后定义子初始群;
第二步:根据模拟退火算法进行种群进化,划分好子初始群后,子初始群P1P2P3分别独立进化,每进化一代都把子种群P1P2P3中的最优秀个体保存到子种群P4,同时还要保持各个子初始群之间的个体交流;
第三步:设定初始参数,初始种群中个体总数,随机平均分成四个子初始群,种群交叉概率为,种群变异概率为,退火冷却系数,各代退火初始温度设为,其中,独立进化代数为;
第四步:对子种群进行操作;
第五步:判断此时算法是否满足终止条件,若满足终止条件则算法终止,同时输出最优解;若不满足终止条件则算法转入第四步;
第六步:利用混合遗传算法,求解多节点动态订单生产优先级问题的具体操作中,确定个体适应度函数、编码方法的选择以及遗传算子的设计。
所述的个性化定制需求下企业订单处理方法,所述步骤2中第一步的定义子初始群,子初始群P1为探测群,子初始群P2为发展群,子初始群P3为探测发展群,子初始群P4为筛选群。
所述的个性化定制需求下企业订单处理方法,所述步骤2中第四步的对子种群进行操作,包括以下操作过程:
(1)确定每个个体的适应度函数值,其中,将子初始群P1P2P3中最优秀的个体保存到子初始群P4;
(2)将第i代子种群按照种群交叉概率进行种群交叉,个体与产生新个体与;计算,若或(其中为【0,1】区间上的随机数)则接受为新个体。否则,拒绝接受;
(3)对经过交叉筛选后的个体进行种群变异概率为的种群变异,重复过程(2)中的检验过程,决定是否接受新个体;
(4)当第i代子种群中所有个体均完成种群交叉变异操作,且所有变异、交叉产生的新个体均完成检验过程后,将第i代子种群P1iP2iP3i中最优秀的个体保存到子种群P4i
(5)为保持子种群间的个体交流,从第i代子种群P4i取出若干优秀个体转移到第i代子种群P1iP2iP3i中,同时将代子种群P1iP2iP3i中等量的最差的若干个体淘汰;
(6)子种群退火温度传递函数为。
所述的个性化定制需求下企业订单处理方法,所述步骤2中第六步的确定个体适应度函数、编码方法的选择以及遗传算子的设计包括如下方法:
个体适应度函数的确定;
编码方法的选择;
遗传算子的设计;
遗传过程包括选择过程、变异过程以及交叉过程,依次作用于子种群中的个体,并产生下一代个体。
所述的个性化定制需求下企业订单处理方法,所述个体适应度函数的确定,个体适应度函数计算公式为:
其中表示同一代个体中目标函数最小的那个数值。
所述的个性化定制需求下企业订单处理方法,所述编码方法的选择,采取基于工序与加工能力的双层编码系统,第一层编码表示生产工序加工的顺序,第二层编码表示生产工序使用的设备,基因中编码的信息包括:工序编码,紧前工序,紧后工序,设备编码,加工用时,开始加工时刻,完成加工时刻等。
所述的个性化定制需求下企业订单处理方法,所述遗传算子的设计,包括选择过程、变异与交叉过程:变异过程采取均匀变异(Uniform Mutation)的操作,交叉过程采取单点交叉(One Point Crossover)的操作。若过程中产生的新个体不满足要求,那么重复进行变异或是交叉,直至产生满足要求的新个体;若重复进操作的次数过多,那么直接将父代性状遗传给子代。
所述的个性化定制需求下企业订单处理方法,所述选择过程,采用适应度比例法,利用回放式随机采样原理,各个个体被选择的概率与其适应度所占比例成正比,即第i代第j个个体被选择的概率为:。
所述的个性化定制需求下企业订单处理方法,所述变异与交叉过程采取均匀变异的操作,交叉过程采取单点交叉的操作;若过程中产生的新个体不满足要求,那么重复进行变异或是交叉,直至产生满足要求的新个体;若重复进操作的次数过多,那么直接将父代性状遗传给子代。
本发明的优点与效果是:
本发明针对定制化需求环境下制造企业对订单生产优先级确定的问题,提出在多节点动态的生产系统中订单生产优先级确定的数学模型,在此基础上提出了将模拟退火算法和多种群遗传算法融合产生混合遗传算法,来解决订单生产优先级确定的问题。通过分析可知混合模拟算法不仅能够克服多种群遗传算法的局限,而且能够发挥模拟退火算法的优点,能够较为成功的处理多节点动态生产系统中的订单处理模型,进而能对企业生产实践活动进行指导。
具体实施方式
下面结合实施例对本发明进行详细说明。
基于混合遗传算法的个性化订单生产模型:
订单选择是根据订单排序的结果,量化各个订单的收益与损失,然后综合做出决策。研究发现,过去处理订单排序过程均是从单节点(Single-stage)的角度出发。而事实上,多节点(Multi-stage)动态的处理过程更加符合生产系统处理订单排序问题的实际情况。
假设到达某生产系统的订单,其处理过程需要n个阶段,阶段集合为I,下标i表示第i个处理阶段,订单经过n个阶段后完成处理过程;在某段时间内,到达生产系统的订单数为x个,订单集合为J,第j个订单的交货期为Dj,获得的收益Pj,在第i个阶段第j个订单所需时间为Tij。建立动态规划模型如下:
用Si={<s,e>}ij表示第i个阶段订单的排序与完成时间,其中第i个阶段的第j个顺序号对应的订单号为sij完成时间为eij;用Fj={<f,o>ij}表示第j个订单的各阶段的完成时间与处理顺序号,其中第i个阶段第j个订单的完成时间为fij处理顺序号为oij;若交货逾期会造成损失,损失与预期时间正相关,第j个订单逾期单位时间造成损失为Lj,第n个阶段的完成时间为fnj,订单可能造成的损失为(+表示仅取正数);故系统的状态转移方程为,即在第i个阶段第j个订单开始处理必须满足:第i-1个阶段第j个订单处理完成以及第i个阶段第j个订单前面的订单处理完成;阶段指标为。
最优指标函数:
完成订单选择是在订单排序的基础上完成,具体步骤如下:
步骤1,将订单集合中各个订单的收益进行排序优化。
步骤2,删除收益小于零的订单,然后重复进行步骤1,当所有订单收益均大于零时停止循环。
多节点动态模型较单节点模型而言处理阶段增多,模型解的组合更加丰富,求解过程的复杂程度也急剧增加,传统启发式算法难以适应这种求解过程。这里考虑将模拟退火算法(Simulated Annealing,SA)和多种群遗传算法(Multi-group Genetic Algorithm)有机结合,融合成混合遗传算法(Hybrid Genetic Algorithm,HGA)。多种群遗传算法能较好的克服传统遗传算法过早收敛以及后期搜索效率过低造成的搜索结果是局部最优解而非全局最优解的问题,模拟退火算法具有较强的局部搜索能力。
混合遗传算法求解订单生产优先级的具体步骤如下:
第一步:根据多种群遗传算法划分初始种群。
将出始终种群划分成四个子初始群P1P2P3P4,然后定义子初始群。子初始群P1为探测群,以较高的概率产生新个体,并扩大新个体的搜索范围。子初始群P2为发展群,交叉变异的概率较低,用于局部搜索优秀个体。子初始群P3为探测发展群,交叉变异的概率介于P1P2之间,同时又兼具两者的搜索功能。子初始群P4为筛选群,没有初始个体也不参与进化,仅筛选P1P2P3中优秀的个体并保存。
第二步:根据模拟退火算法进行种群进化。
划分好子初始群后,子初始群P1P2P3分别独立进化,每进化一代都把子种群P1P2P3中的最优秀个体保存到子种群P4,同时还要保持各个子初始群之间的个体交流。
第三步:设定初始参数。
初始种群中个体总数,随机平均分成四个子初始群,种群交叉概率为,种群变异概率为,退火冷却系数为,各代退火初始温度设为,其中,独立进化代数为。
第四步:对子种群进行操作。
(1)确定每个个体的适应度函数值,其中,将子初始群P1P2P3中最优秀的个体保存到子初始群P4。
(2)将第i代子种群按照种群交叉概率进行种群交叉,个体与产生新个体与;计算,若或(其中为【0,1】区间上的随机数)则接受为新个体。否则,拒绝接受;
(3)对经过交叉筛选后的个体进行种群变异概率为的种群变异,重复过程(2)中的检验过程,决定是否接受新个体;
(4)当第i代子种群中所有个体均完成种群交叉变异操作,且所有变异、交叉产生的新个体均完成检验过程后,将第i代子种群P1iP2iP3i中最优秀的个体保存到子种群P4i
(5)为保持子种群间的个体交流,从第i代子种群P4i取出若干优秀个体转移到第i代子种群P1iP2iP3i中,同时将代子种群P1iP2iP3i中等量的最差的若干个体淘汰;
(6)子种群退火温度传递函数为。
第五步:判断此时算法是否满足终止条件,若满足终止条件则算法终止,同时输出最优解;若不满足终止条件则算法转入第四步。
第六步:利用混合遗传算法,求解多节点动态订单生产优先级问题的具体操作中,确定个体适应度函数、编码方法的选择以及遗传算子的设计这三个方面是重点,同时也是难点。这里,结合上述订单生产优先级问题模型,详细介绍个体适应度函数的确定、编码方法的选择以及遗传算子的设计。
个体适应度函数的确定。
订单生产优先级问题求解模型中,最优指标函数是寻求整个生产系统的效益最大化。在混合遗传算法中,个体适应度函数是用来衡量子群落中个体适应度的高低,适应度高的个体遗传到下一代的概率将更大。通过对求解模型中的最有指标函数进行改造,得到个体适应度函数计算公式:
其中表示同一代个体中目标函数最小的那个数值。
(2)编码方法的选择。
订单生产优先级问题模型中,不仅涉及到产品的生产工序,还涉及到各个工序的加工能力。因此这里采取基于工序与加工能力的双层编码系统。第一层编码表示生产工序加工的顺序,第二层编码表示生产工序使用的设备。基因中编码的信息包括:工序编码,紧前工序,紧后工序,设备编码,加工用时,开始加工时刻,完成加工时刻等。
(3)遗传算子的设计。
遗传过程包括选择过程、变异过程以及交叉过程,依次作用于子种群中的个体,并产生下一代个体。
选择过程:这里采用适应度比例法(Fitness Proportional Model),利用回放式随机采样原理,各个个体被选择的概率与其适应度所占比例成正比,即第i代第j个个体被选择的概率为:
变异与交叉过程:变异过程采取均匀变异(Uniform Mutation)的操作,交叉过程采取单点交叉(One Point Crossover)的操作。若过程中产生的新个体不满足要求,那么重复进行变异或是交叉,直至产生满足要求的新个体;若重复进操作的次数过多,那么直接将父代性状遗传给子代。
订单参数设置如下表:
根据上述数据利用混合遗传算法对多节点动态生产系统订单生产优先级确定进行模拟运算。具体算法参数设置如下:个体总数,种群交叉概率为,种群变异概率为,退火温度系数为,退火初始温度为,独立进化代数为。采用混合遗传算法时个体适应度函数平均收敛代数为:9.7,而传统遗传算法个体适应度函数平均收敛代数为:34.8。最终在粗车工序订单加工顺序为:8-3-4-9-1-5-7-2-6;半精铣工序订单加工顺序为:8-3-4-9-1-5-2-7-6;精磨工序订单加工顺序为:8-3-4-9-1-2-7-6-5 。发生延期的订单仅有6号与9号订单,最大函数收益值为335.75元。
通过上述数据可知,混合遗传算法较传统遗传算法而言,能很好的克服过早收敛以及后期搜索效率过低造成的搜索结果是局部最优解而非全局最优解的问题。生产过程的多样化、生产工序的灵活组合以及对交货期的合理利用等特点,使得多节点动态的模型能很好的适应定制化生产模式。同时,在个性化定制模式下,订单生产优先级的确定变得准确、使用和高效。
Claims (9)
1.个性化定制需求下企业订单处理方法,其特征在于,所述方法完成订单选择是在订单排序的基础上完成的,包括以下具体步骤:
步骤1,将订单集合中各个订单的收益进行排序优化;
步骤2,删除收益小于零的订单,然后重复进行步骤1,当所有订单收益均大于零时停止循环;采用混合遗传算法求解订单生产优先级的具体步骤如下:
第一步:根据多种群遗传算法划分初始种群,将出始终种群划分成四个子初始群P1P2P3P4,然后定义子初始群;
第二步:根据模拟退火算法进行种群进化,划分好子初始群后,子初始群P1P2P3分别独立进化,每进化一代都把子种群P1P2P3中的最优秀个体保存到子种群P4,同时还要保持各个子初始群之间的个体交流;
第三步:设定初始参数,初始种群中个体总数,随机平均分成四个子初始群,种群交叉概率为,种群变异概率为,退火冷却系数,各代退火初始温度设为,其中,独立进化代数为;
第四步:对子种群进行操作;
第五步:判断此时算法是否满足终止条件,若满足终止条件则算法终止,同时输出最优解;若不满足终止条件则算法转入第四步;
第六步:利用混合遗传算法,求解多节点动态订单生产优先级问题的具体操作中,确定个体适应度函数、编码方法的选择以及遗传算子的设计。
2.根据权利要求1所述的个性化定制需求下企业订单处理方法,其特征在于,所述步骤2中第一步的定义子初始群,子初始群P1为探测群,子初始群P2为发展群,子初始群P3为探测发展群,子初始群P4为筛选群。
3.根据权利要求1所述的个性化定制需求下企业订单处理方法,其特征在于,所述步骤2中第四步的对子种群进行操作,包括以下操作过程:
(1)确定每个个体的适应度函数值,其中,将子初始群P1P2P3中最优秀的个体保存到子初始群P4;
(2)将第i代子种群按照种群交叉概率进行种群交叉,个体与产生新个体与;计算,若或(其中为【0,1】区间上的随机数)则接受为新个体;否则,拒绝接受;
(3)对经过交叉筛选后的个体进行种群变异概率为的种群变异,重复过程(2)中的检验过程,决定是否接受新个体;
(4)当第i代子种群中所有个体均完成种群交叉变异操作,且所有变异、交叉产生的新个体均完成检验过程后,将第i代子种群P1iP2iP3i中最优秀的个体保存到子种群P4i
(5)为保持子种群间的个体交流,从第i代子种群P4i取出若干优秀个体转移到第i代子种群P1iP2iP3i中,同时将代子种群P1iP2iP3i中等量的最差的若干个体淘汰;
(6)子种群退火温度传递函数为。
4.根据权利要求1所述的个性化定制需求下企业订单处理方法,其特征在于,所述步骤2中第六步的确定个体适应度函数、编码方法的选择以及遗传算子的设计包括如下方法:
个体适应度函数的确定;
编码方法的选择;
遗传算子的设计;
遗传过程包括选择过程、变异过程以及交叉过程,依次作用于子种群中的个体,并产生下一代个体。
5.根据权利要求4所述的个性化定制需求下企业订单处理方法,其特征在于,所述个体适应度函数的确定,个体适应度函数计算公式为:
其中表示同一代个体中目标函数最小的那个数值。
6.根据权利要求4所述的个性化定制需求下企业订单处理方法,其特征在于,所述编码方法的选择,采取基于工序与加工能力的双层编码系统,第一层编码表示生产工序加工的顺序,第二层编码表示生产工序使用的设备,基因中编码的信息包括:工序编码,紧前工序,紧后工序,设备编码,加工用时,开始加工时刻,完成加工时刻等。
7.根据权利要求1所述的个性化定制需求下企业订单处理方法,其特征在于,所述遗传算子的设计,包括选择过程、变异与交叉过程:变异过程采取均匀变异(Uniform Mutation)的操作,交叉过程采取单点交叉(One Point Crossover)的操作;若过程中产生的新个体不满足要求,那么重复进行变异或是交叉,直至产生满足要求的新个体;若重复进操作的次数过多,那么直接将父代性状遗传给子代。
8.根据权利要求7所述的个性化定制需求下企业订单处理方法,其特征在于,所述选择过程,采用适应度比例法,利用回放式随机采样原理,各个个体被选择的概率与其适应度所占比例成正比,即第i代第j个个体被选择的概率为:。
9.根据权利要求7所述的个性化定制需求下企业订单处理方法,其特征在于,所述变异与交叉过程采取均匀变异的操作,交叉过程采取单点交叉的操作;若过程中产生的新个体不满足要求,那么重复进行变异或是交叉,直至产生满足要求的新个体;若重复进操作的次数过多,那么直接将父代性状遗传给子代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610400663.1A CN106097055A (zh) | 2016-06-08 | 2016-06-08 | 个性化定制需求下企业订单处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610400663.1A CN106097055A (zh) | 2016-06-08 | 2016-06-08 | 个性化定制需求下企业订单处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106097055A true CN106097055A (zh) | 2016-11-09 |
Family
ID=57228876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610400663.1A Withdrawn CN106097055A (zh) | 2016-06-08 | 2016-06-08 | 个性化定制需求下企业订单处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097055A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952066A (zh) * | 2017-03-01 | 2017-07-14 | 广州唯品会信息科技有限公司 | 订单管理方法及装置 |
CN108550069A (zh) * | 2018-04-19 | 2018-09-18 | 上海携程商务有限公司 | 旅行需求单推送方法、装置、电子设备、存储介质 |
CN109409774A (zh) * | 2018-11-14 | 2019-03-01 | 合肥工业大学智能制造技术研究院 | 用于智能制造数字化车间的调度方法、系统及存储介质 |
CN109460957A (zh) * | 2018-11-12 | 2019-03-12 | 北京航天智造科技发展有限公司 | 一种基于量子遗传模拟退火算法的仓储补货方法 |
CN111552241A (zh) * | 2020-04-15 | 2020-08-18 | 成都飞机工业(集团)有限责任公司 | 一种装配生产线仿真模型优化方法 |
CN111665808A (zh) * | 2020-06-16 | 2020-09-15 | 北京经纬纺机新技术有限公司 | 基于遗传算法的生产调度计划优化方法 |
CN111831421A (zh) * | 2020-07-23 | 2020-10-27 | 石家庄坚泰科技有限公司 | 任务分配方法及终端设备 |
CN113706240A (zh) * | 2021-08-18 | 2021-11-26 | 上海明略人工智能(集团)有限公司 | 订单排序的方法和装置、电子设备和存储介质 |
CN114881504A (zh) * | 2022-05-19 | 2022-08-09 | 电子科技大学 | 一种基于订单选择的电子精密件全自动柔性生产线调度方法 |
CN115688605A (zh) * | 2022-11-21 | 2023-02-03 | 西北工业大学 | 一种基于多目标优化算法的民机研制需求排序方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708407A (zh) * | 2012-05-15 | 2012-10-03 | 广东工业大学 | 一种基于种群分解的自适应混合多目标进化方法 |
CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
CN104636813A (zh) * | 2013-11-12 | 2015-05-20 | 中国科学院沈阳计算技术研究所有限公司 | 一种求解车间作业调度问题的混合遗传模拟退火算法 |
-
2016
- 2016-06-08 CN CN201610400663.1A patent/CN106097055A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708407A (zh) * | 2012-05-15 | 2012-10-03 | 广东工业大学 | 一种基于种群分解的自适应混合多目标进化方法 |
CN104636813A (zh) * | 2013-11-12 | 2015-05-20 | 中国科学院沈阳计算技术研究所有限公司 | 一种求解车间作业调度问题的混合遗传模拟退火算法 |
CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
Non-Patent Citations (1)
Title |
---|
蔡良伟等: "作业车间调度问题的多种群遗传算法", 《电子学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952066A (zh) * | 2017-03-01 | 2017-07-14 | 广州唯品会信息科技有限公司 | 订单管理方法及装置 |
CN108550069A (zh) * | 2018-04-19 | 2018-09-18 | 上海携程商务有限公司 | 旅行需求单推送方法、装置、电子设备、存储介质 |
CN109460957B (zh) * | 2018-11-12 | 2024-04-02 | 北京航天智造科技发展有限公司 | 一种基于量子遗传模拟退火算法的仓储补货方法 |
CN109460957A (zh) * | 2018-11-12 | 2019-03-12 | 北京航天智造科技发展有限公司 | 一种基于量子遗传模拟退火算法的仓储补货方法 |
CN109409774A (zh) * | 2018-11-14 | 2019-03-01 | 合肥工业大学智能制造技术研究院 | 用于智能制造数字化车间的调度方法、系统及存储介质 |
CN111552241A (zh) * | 2020-04-15 | 2020-08-18 | 成都飞机工业(集团)有限责任公司 | 一种装配生产线仿真模型优化方法 |
CN111665808A (zh) * | 2020-06-16 | 2020-09-15 | 北京经纬纺机新技术有限公司 | 基于遗传算法的生产调度计划优化方法 |
CN111831421A (zh) * | 2020-07-23 | 2020-10-27 | 石家庄坚泰科技有限公司 | 任务分配方法及终端设备 |
CN111831421B (zh) * | 2020-07-23 | 2022-06-03 | 石家庄坚泰科技有限公司 | 任务分配方法及终端设备 |
CN113706240A (zh) * | 2021-08-18 | 2021-11-26 | 上海明略人工智能(集团)有限公司 | 订单排序的方法和装置、电子设备和存储介质 |
CN114881504A (zh) * | 2022-05-19 | 2022-08-09 | 电子科技大学 | 一种基于订单选择的电子精密件全自动柔性生产线调度方法 |
CN114881504B (zh) * | 2022-05-19 | 2023-04-07 | 电子科技大学 | 一种基于订单选择的电子精密件全自动柔性生产线调度方法 |
CN115688605A (zh) * | 2022-11-21 | 2023-02-03 | 西北工业大学 | 一种基于多目标优化算法的民机研制需求排序方法 |
CN115688605B (zh) * | 2022-11-21 | 2023-09-08 | 西北工业大学 | 一种基于多目标优化算法的民机研制需求排序方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106097055A (zh) | 个性化定制需求下企业订单处理方法 | |
Zavadskas et al. | Selecting a contractor by using a novel method for multiple attribute analysis: Weighted Aggregated Sum Product Assessment with grey values (WASPAS-G) | |
CN101329683A (zh) | 推荐系统及方法 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN115600774B (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
Yan | Research on green suppliers' evaluation based on AHP & genetic algorithm | |
CN105809277A (zh) | 一种电力营销稽查精益化管控主题大数据预测方法 | |
Safdarian et al. | Coalitional game theory based value sharing in energy communities | |
CN109697566A (zh) | 机电产品加工工艺评价系统及其评价方法 | |
CN111080041A (zh) | 一种配电网互动性综合评价方法及系统 | |
CN110796293A (zh) | 一种电力负荷预测方法 | |
CN112330045A (zh) | 一种基于K-medoids聚类分析方法的输电网线损评估与降损方法 | |
Zhou et al. | Research on intelligent solution of service industry supply chain network optimization based on genetic algorithm | |
CN110135743A (zh) | 基于直觉模糊层次分析模型的科技成果效益评估方法 | |
Irfan et al. | Week Ahead Electricity Power and Price Forecasting Using Improved DenseNet-121 Method. | |
CN113240235A (zh) | 一种电网公司发展状态的评价方法 | |
Xu et al. | Solving a multi-objective distributed scheduling problem for building material equipment group enterprises by measuring quality indicator with a product gene evaluation approach | |
CN114004065A (zh) | 基于智能算法和环境约束下的变电站工程多目标优化方法 | |
CN113780686A (zh) | 一种面向分布式电源的虚拟电厂运行方案优化方法 | |
Chang et al. | Probe of the replenishment strategy and grouping rule in the semiconductor industry | |
Rong | Analysis of the comprehensive evaluation model of enterprise technological innovation ability based on improved genetic algorithm | |
Yang et al. | Design of investment management optimization system for power grid companies under new electricity reform | |
Baotao | The decoupling relationship between the expansion of urban construction land and economic growth in Jilin province | |
Zhao et al. | Analysis of Influencing Factors of Equipment Life Cycle Based on TOPSIS-AISM | |
CN110852480B (zh) | 一种电力数据补全方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20161109 |