CN107301473A - 基于改进遗传算法的同类平行机批调度方法及系统 - Google Patents
基于改进遗传算法的同类平行机批调度方法及系统 Download PDFInfo
- Publication number
- CN107301473A CN107301473A CN201710439658.6A CN201710439658A CN107301473A CN 107301473 A CN107301473 A CN 107301473A CN 201710439658 A CN201710439658 A CN 201710439658A CN 107301473 A CN107301473 A CN 107301473A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- machine
- batch
- population
- solution
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 210000000349 chromosome Anatomy 0.000 claims description 44
- 108090000623 proteins and genes Proteins 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 21
- 238000013459 approach Methods 0.000 claims description 12
- 238000010923 batch production Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 19
- 230000002068 genetic effect Effects 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 description 7
- 238000004043 dyeing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000019606 astringent taste Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5066—Algorithms for mapping a plurality of inter-dependent sub-tasks onto a plurality of physical CPUs
-
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- 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
- G05B2219/39—Robotics, robotics to robotics hand
- G05B2219/39167—Resources scheduling and balancing
-
- 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]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于改进遗传算法的不同容量的同类平行机批调度方法及系统,该方法针对不同容量限制的同类平行机批调度问题,通过改进的遗传算法,首先将工件以编码的方式,分配到各个机器上,然后依据问题的性质提出相应的分批和生产调度策略,得出相应个体的适应度值;再通过局部搜索策略,提高解的质量;基于解的适应度对种群执行交叉操作,通过重复迭代,实现对种群的不断更新,最终求的最优解。改进的遗传算法在收敛速度和收敛结果上,是一种效率很高的算法;通过该算法,解决了容量不同的同类平行机批调度问题,提高了企业的生产效率,降低了企业成本,提高了企业的服务水平。
Description
技术领域
本发明涉及供应链技术领域,具体涉及一种协同制造方法及系统。
背景技术
批调度问题源于集成电路芯片的测试阶段,是一个典型的组合优化问题。它广泛存在于现代化生产的各行各业,如:半导体制造业、金属加工业、铸造业等领域。与传统调度问题中一台机器只能加工一个工件不同,批处理机可以在机器容量限制范围内同时加工多个工件。合理有效的利用批处理机将显著提升企业的生产效率,提高企业的市场竞争力。因此,对批处理机调度问题进行研究具有很强的现实意义。
在以往的研究中,智能算法被广泛应用于解决此类组合优化问题,Kashan等基于启发式算法提出了混合遗传算法(HGH)求解差异工件尺寸的相同平行批调度问题。Chang等提出了一个模拟退火算法用于求解该类问题,实验结果显示所提的算法在求解时间和质量上均优于CPLEX软件的求解结果。Jia和Leung提出了最大最小蚁群算法求解工件具有不同尺寸的相同平行机调度问题,并通过实验验证了该算法的性能。该文中为最大化生产效益问题构建的改进遗传算法是建立在已有的遗传算法基础上的。遗传算法的步骤一般包括:(1)初始化种群;(2)计算适应度,记录最优解;(3)交叉变异;(4)更新产生下一代种群。通过重复以上步骤在整个空间内搜索最优解。
然而,在实施本发明实施例的过程中,发明人发现,以往文献主要集中研究了单机以及相同平行机的批调度问题,虽然近年来也有少数文献开始研究机器不相同的平行批调度问题,但它们往往只关注平行机在某一方面的不同,如:只考虑容量不同或只考虑速度不同。而实际生产环境中新老机器往往同时存在,由于设备性能不同,导致生产线上的批处理机不仅具有不同的容量,同时也具有不同的加工速度。此类批调度问题更加复杂,它需要同时考虑机器容量和加工速度对优化目标的影响。除此之外,在方法上,遗传算法也存在着局部收敛性差和容易早熟等缺点,特别是在某些特定的优化问题中无法提供稳定可靠的解决方案,不利于在当前复杂生产环境下提高生产效率。
发明内容
本发明实施例的一个目的解决具有不同容量的同类平行机批调度问题,确定工件任务将分配至哪个机器,以及该机器上的工件的组批方式和加工顺序,以最小化制造跨度。基于问题所特有的性质,提出有效的算法,解决该组合优化问题,推动生产效率的提升。
第一方面,本发明实施例提供了一种基于改进遗传算法的不同容量的同类平行机批调度方法,包括:
步骤1、输入每个机器的容量和工件的加工时间,设定改进遗传算法参数,包括最大迭代次数tmax,全局最优解gbest,迭代次数t=1;
步骤2、初始化种群,考虑共有Q个染色体,第h个染色体的基因定义为h=1,2,...,Q,其中表示第h个染色体在第d维上的基因,表明第d个工件被分配至第个机器;
步骤3、用启发式算法产生一个初始解,将该初始解作为种群中的第一个染色体‘
步骤4、对种群执行局部搜索策略,提高种群质量;
步骤5、计算种群中每个解的适应度,更新全局最优解,将最小适应度值赋给;
步骤6、从种群中随机选择两个解和比较其适应度,将适应度较大者作为第一个父代解,重复该操作,产生另一个父代解;
步骤7、设定变量h=1,判断rand<0.5是否成立,其中rand为[0,1]之间的随机数,若成立,选择第一个父代解的第h个基因作为子代的第h个基因;否则,选择第二个父代解的第h个基因作为子代的第h个基因,令h=h+1,重复该步骤直至h>n,从而产生一个新的染色体;
步骤8、重复步骤7,产生Q个子代解,计算子代解的适应度;
步骤9、将原种群与子代种群按照适应度非减排序,取原种群前Ns个染色体和子代种群前Q-Ns个染色体组成一个新的种群;
步骤10、将新种群按照适应度非减排序,随机产生Nm个染色体,替代新种群中的后Nm个染色体,得到下一代种群,令t=t+1;
步骤11、判断t≤tmax是否成立,若成立,返回步骤4,否则,结束算法并输出全局最优解gbest,输出最优的加工任务分配和每个机器上的组批方式和加工顺序。
可选地,步骤3中所述用启发式算法产生一个初始解,包括:
步骤31、将所有工件按加工时间非增序进行排列,得到排序后的工件集合;
步骤32、将所有机器按加工速度非增序进行排列,若加工速度相同则按机器容量非增序进行排列;
步骤33、令j=1,Cj[i]=0,Ai=0,i=1,...,m,其中,Cj[i]表示机器i上工件j的完工时间,Ai表示机器i的空闲时间;
步骤34、计算
步骤35、选择Cj[i]最小的机器,称之为机器min,令Amin=Cj[min],j=j+Cmin;
步骤36、若j<n,则将工件j-Cmin到工件j-1(共Cmin个工件)分配到机器min上,执行步骤34;否则,将工件集合中未分配的所有工件分配到机器min上,执行步骤37;
步骤37、返回Cmax=maxi∈m{Ai},算法结束。
可选地,步骤4中所述对种群执行局部搜索策略,包括:
步骤41、将各机器上的批次按批加工时间非增序进行排列,各批次内的工件按加工时间非增序进行排列;
步骤42、将机器按完工时间(机器完工时间为机器上最后一个批次的完工时间)非增序进行排列,令i=1,h=m;
步骤43、选择第i台机器,称之为机器i;选择第h台机器,称之为机器h;
步骤44、若h>1,执行步骤45;否则,执行步骤48;
步骤45、选择机器i上任意批次b,选择机器h上任意批次f;
步骤46、若批次f中存在工件j,满足pj<Pb并且Pb≤Pf,则交换工件j和批次b中的第一个工件,执行步骤47;否则,h=h-1,执行步骤44;
步骤47、将批次b和批次f内的工件按加工时间非增序进行排列,执行步骤45;
步骤48、结束搜索。
可选地,所述方法通过下述步骤计算个体适应度,包括:
步骤1’、对Xk=(x1,x2,...,xh,...,xn),将第h个工件分配到第xh个机器,从而获得每个机器上的工件集合;
步骤2’、将每个机器上的工件集合中第y个未分配的工件暂时放入能容纳该工件的所有批中,并选出其中放入该工件后批剩余容量最小的批,把该工件分配到选定的批中;若当前所有批的剩余空间都不能容纳第y个未分配工件,则将该工件放入一个批容量为ci的新批中,令y=y+1;
步骤3’、重复步骤2’,直至把工件集合中所有的工件都分配到相应的批中,批的加工时间由批中工件最大加工时间决定。
第二方面,本发明实施例还提供了一种基于改进遗传算法的不同容量的同类平行机批调度系统,包括:
计算模块21,用于执行:
步骤1、输入每个机器的容量和工件的加工时间,设定改进遗传算法参数,包括最大迭代次数tmax,全局最优解gbest,迭代次数t=1;
步骤2、初始化种群,考虑共有Q个染色体,第h个染色体的基因定义为h=1,2,...,Q,其中表示第h个染色体在第d维上的基因,表明第d个工件被分配至第个机器;
步骤3、用启发式算法产生一个初始解,将该初始解作为种群中的第一个染色体‘
步骤4、对种群执行局部搜索策略,提高种群质量;
步骤5、计算种群中每个解的适应度,更新全局最优解,将最小适应度值赋给;
步骤6、从种群中随机选择两个解和比较其适应度,将适应度较大者作为第一个父代解,重复该操作,产生另一个父代解;
步骤7、设定变量h=1,判断rand<0.5是否成立,其中rand为[0,1]之间的随机数,若成立,选择第一个父代解的第h个基因作为子代的第h个基因;否则,选择第二个父代解的第h个基因作为子代的第h个基因,令h=h+1,重复该步骤直至h>n,从而产生一个新的染色体;
步骤8、重复步骤7,产生Q个子代解,计算子代解的适应度;
步骤9、将原种群与子代种群按照适应度非减排序,取原种群前Ns个染色体和子代种群前Q-Ns个染色体组成一个新的种群;
步骤10、将新种群按照适应度非减排序,随机产生Nm个染色体,替代新种群中的后Nm个染色体,得到下一代种群,令t=t+1;
输出模块22,用于后执行步骤11,包括:判断t≤tmax是否成立,若成立,返回步骤4,否则,结束算法并输出全局最优解gbest,输出最优的加工任务分配和每个机器上的组批方式和加工顺序。
可选地,所述计算模块21在执行步骤3中用启发式算法产生一个初始解包括如下步骤:
步骤31、将所有工件按加工时间非增序进行排列,得到排序后的工件集合;
步骤32、将所有机器按加工速度非增序进行排列,若加工速度相同则按机器容量非增序进行排列;
步骤33、令j=1,Cj[i]=0,Ai=0,i=1,...,m,其中,Cj[i]表示机器i上工件j的完工时间,Ai表示机器i的空闲时间;
步骤34、计算
步骤35、选择Cj[i]最小的机器,称之为机器min,令Amin=Cj[min],j=j+Cmin;
步骤36、若j<n,则将工件j-Cmin到工件j-1(共Cmin个工件)分配到机器min上,执行步骤34;否则,将工件集合中未分配的所有工件分配到机器min上,执行步骤37;
步骤37、返回Cmax=maxi∈m{Ai},算法结束。
可选地,所述计算模块21在执行步骤4中对种群执行局部搜索策略具体包括:
步骤41、将各机器上的批次按批加工时间非增序进行排列,各批次内的工件按加工时间非增序进行排列;
步骤42、将机器按完工时间(机器完工时间为机器上最后一个批次的完工时间)非增序进行排列,令i=1,h=m;
步骤43、选择第i台机器,称之为机器i;选择第h台机器,称之为机器h;
步骤44、若h>1,执行步骤45;否则,执行步骤48;
步骤45、选择机器i上任意批次b,选择机器h上任意批次f;
步骤46、若批次f中存在工件j,满足pj<Pb并且Pb≤Pf,则交换工件j和批次b中的第一个工件,执行步骤47;否则,h=h-1,执行步骤44;
步骤47、将批次b和批次f内的工件按加工时间非增序进行排列,执行步骤45;
步骤48、结束搜索。
可选地,所述计算模块21还用于通过下述步骤计算个体适应度,包括:
步骤1’、对Xk=(x1,x2,...,xh,...,xn),将第h个工件分配到第xh个机器,从而获得每个机器上的工件集合;
步骤2’、将每个机器上的工件集合中第y个未分配的工件暂时放入能容纳该工件的所有批中,并选出其中放入该工件后批剩余容量最小的批,把该工件分配到选定的批中;若当前所有批的剩余空间都不能容纳第y个未分配工件,则将该工件放入一个批容量为ci的新批中,令y=y+1;
步骤3’、重复步骤2’,直至把工件集合中所有的工件都分配到相应的批中,批的加工时间由批中工件最大加工时间决定。
本发明实施例针对不同容量限制的同类平行机批调度问题,通过改进的遗传算法,首先将工件以编码的方式,分配到各个机器上,然后依据问题的性质提出相应的分批和生产调度策略,得出相应个体的适应度值;再通过局部搜索策略,提高解的质量;基于解的适应度对种群执行交叉操作,通过重复迭代,实现对种群的不断更新,最终求的最优解。改进的遗传算法在收敛速度和收敛结果上,是一种效率很高的算法;通过该算法,解决了容量不同的同类平行机批调度问题,提高了企业的生产效率,降低了企业成本,提高了企业的服务水平。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明一实施例提供的不同容量的同类机批调度问题示意图;
图2是本发明一实施例提供的一种基于改进遗传算法的不同容量的同类平行机批调方法的流程示意图;
图3是本发明一实施例提供的一种基于改进遗传算法的不同容量的同类平行机批调系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明各个实施例主要解决具有不同容量的同类平行机批调度问题,确定工件任务将分配至哪个机器,以及该机器上的工件的组批方式和加工顺序,以最小化制造跨度。基于问题所特有的性质,提出有效的算法,解决该组合优化问题,推动生产效率的提升。
为便于理解,下面结合图1对本发明实施例所解决的问题进行详细描述。
如图1所示,具有不同容量的同类平行机批调度问题,目标为最小化制造跨度。该问题描述如下:给定一组包含N个工件的任务集合J={J1,J2,J3,···,Jn}需要在m个平行批处理机上进行加工。不同的工件具有不同的加工时间和相同的单位尺寸,加工时间由pj(j=1,2,···,n)表示。问题假设如下:
(1)所有工件和机器在零时刻准备完毕,工件具有单位尺寸和不同的加工时间,各批处理机具有不同的容量和加工速度;
(2)所有工件是相容的,在满足机器容量约束的条件下可以将多个工件放入同一批中进行加工,批的加工时间由批中加工时间最长的工件以及加工机器所决定;
(3)批的加工过程不允许中断,中途不允许工件退出或加入。
基于此,本发明实施例提供了一种基于改进遗传算法的不同容量的同类平行机批调度方法,参见图2,包括:
步骤1、输入每个机器的容量和工件的加工时间,设定改进遗传算法参数,包括最大迭代次数tmax,全局最优解gbest,迭代次数t=1;
步骤2、初始化种群,考虑共有Q个染色体,第h个染色体的基因定义为h=1,2,...,Q,其中表示第h个染色体在第d维上的基因,表明第d个工件被分配至第个机器;
步骤3、用启发式算法产生一个初始解,将该初始解作为种群中的第一个染色体‘
步骤4、对种群执行局部搜索策略,提高种群质量;
步骤5、计算种群中每个解的适应度,更新全局最优解,将最小适应度值赋给;
步骤6、从种群中随机选择两个解和比较其适应度,将适应度较大者作为第一个父代解,重复该操作,产生另一个父代解;
步骤7、设定变量h=1,判断rand<0.5是否成立,其中rand为[0,1]之间的随机数,若成立,选择第一个父代解的第h个基因作为子代的第h个基因;否则,选择第二个父代解的第h个基因作为子代的第h个基因,令h=h+1,重复该步骤直至h>n,从而产生一个新的染色体;
步骤8、重复步骤7,产生Q个子代解,计算子代解的适应度;
步骤9、将原种群与子代种群按照适应度非减排序,取原种群前Ns个染色体和子代种群前Q-Ns个染色体组成一个新的种群;
步骤10、将新种群按照适应度非减排序,随机产生Nm个染色体,替代新种群中的后Nm个染色体,得到下一代种群,令t=t+1;
步骤11、判断t≤tmax是否成立,若成立,返回步骤4,否则,结束算法并输出全局最优解gbest,输出最优的加工任务分配和每个机器上的组批方式和加工顺序。
在具体实施时,步骤3中所述用启发式算法产生一个初始解X_1可以通过多种实施方式,其中一种可选的事实方式包括如下步骤:
步骤31、将所有工件按加工时间非增序进行排列,得到排序后的工件集合;
步骤32、将所有机器按加工速度非增序进行排列,若加工速度相同则按机器容量非增序进行排列;
步骤33、令j=1,Cj[i]=0,Ai=0,i=1,...,m,其中,Cj[i]表示机器i上工件j的完工时间,Ai表示机器i的空闲时间;
步骤34、计算
步骤35、选择Cj[i]最小的机器,称之为机器min,令Amin=Cj[min],j=j+Cmin;
步骤36、若j<n,则将工件j-Cmin到工件j-1(共Cmin个工件)分配到机器min上,执行步骤34;否则,将工件集合中未分配的所有工件分配到机器min上,执行步骤37;
步骤37、返回Cmax=maxi∈m{Ai},算法结束。
在具体实施时,步骤4中所述对种群执行局部搜索策略可以通过多种实施方式,其中一种可选的事实方式包括如下步骤:
步骤41、将各机器上的批次按批加工时间非增序进行排列,各批次内的工件按加工时间非增序进行排列;
步骤42、将机器按完工时间(机器完工时间为机器上最后一个批次的完工时间)非增序进行排列,令i=1,h=m;
步骤43、选择第i台机器,称之为机器i;选择第h台机器,称之为机器h;
步骤44、若h>1,执行步骤45;否则,执行步骤48;
步骤45、选择机器i上任意批次b,选择机器h上任意批次f;
步骤46、若批次f中存在工件j,满足pj<Pb并且Pb≤Pf,则交换工件j和批次b中的第一个工件,执行步骤47;否则,h=h-1,执行步骤44;
步骤47、将批次b和批次f内的工件按加工时间非增序进行排列,执行步骤45;
步骤48、结束搜索。
在具体实施时,本发明实施例提供的方法可以通过下述步骤计算个体适应度,包括:
步骤1’、对Xk=(x1,x2,...,xh,...,xn),将第h个工件分配到第xh个机器,从而获得每个机器上的工件集合;
步骤2’、将每个机器上的工件集合中第y个未分配的工件暂时放入能容纳该工件的所有批中,并选出其中放入该工件后批剩余容量最小的批,把该工件分配到选定的批中;若当前所有批的剩余空间都不能容纳第y个未分配工件,则将该工件放入一个批容量为ci的新批中,令y=y+1;
步骤3’、重复步骤2’,直至把工件集合中所有的工件都分配到相应的批中,批的加工时间由批中工件最大加工时间决定。
本发明实施例的有益效果如下:
1、本发明实施例针对不同容量限制的同类平行机批调度问题,通过改进的遗传算法,首先将工件以编码的方式,分配到各个机器上,然后依据问题的性质提出相应的分批和生产调度策略,得出相应个体的适应度值;再通过局部搜索策略,提高解的质量;基于解的适应度对种群执行交叉操作,通过重复迭代,实现对种群的不断更新,最终求的最优解。改进的遗传算法在收敛速度和收敛结果上,是一种效率很高的算法;通过该算法,解决了容量不同的同类平行机批调度问题,提高了企业的生产效率,降低了企业成本,提高了企业的服务水平。
2、本发明实施例在初始解产生时采用了启发式方法,保证了初始种群的质量;基于问题的性质提出了有效的局部搜索策略,在种群产生后对种群进行调整和改进,从而提高了交叉操作中父代解的质量,提高了算法的收敛能力和收敛速度,有利于算法跳出局部最优,保证了种群的多样性。
3、本发明实施例针对遗传算法局部收敛性不足和容易早熟的问题,提出了基于原种群,交叉基因和移民的种群更新策略,兼顾优秀个体的传承和种群多样性,解决了遗传算法容易早熟的问题,有效地提高了算法的搜索效率。
基于相同的构思,本发明另一实施例还提供了一种基于改进遗传算法的不同容量的同类平行机批调度系统,参见图3,包括:
计算模块21,用于执行:
步骤1、输入每个机器的容量和工件的加工时间,设定改进遗传算法参数,包括最大迭代次数tmax,全局最优解gbest,迭代次数t=1;
步骤2、初始化种群,考虑共有Q个染色体,第h个染色体的基因定义为h=1,2,...,Q,其中表示第h个染色体在第d维上的基因,表明第d个工件被分配至第个机器;
步骤3、用启发式算法产生一个初始解,将该初始解作为种群中的第一个染色体‘
步骤4、对种群执行局部搜索策略,提高种群质量;
步骤5、计算种群中每个解的适应度,更新全局最优解,将最小适应度值赋给;
步骤6、从种群中随机选择两个解和比较其适应度,将适应度较大者作为第一个父代解,重复该操作,产生另一个父代解;
步骤7、设定变量h=1,判断rand<0.5是否成立,其中rand为[0,1]之间的随机数,若成立,选择第一个父代解的第h个基因作为子代的第h个基因;否则,选择第二个父代解的第h个基因作为子代的第h个基因,令h=h+1,重复该步骤直至h>n,从而产生一个新的染色体;
步骤8、重复步骤7,产生Q个子代解,计算子代解的适应度;
步骤9、将原种群与子代种群按照适应度非减排序,取原种群前Ns个染色体和子代种群前Q-Ns个染色体组成一个新的种群;
步骤10、将新种群按照适应度非减排序,随机产生Nm个染色体,替代新种群中的后Nm个染色体,得到下一代种群,令t=t+1;
输出模块22,用于后执行步骤11,包括:判断t≤tmax是否成立,若成立,返回步骤4,否则,结束算法并输出全局最优解gbest,输出最优的加工任务分配和每个机器上的组批方式和加工顺序。
可选地,所述计算模块21在执行步骤3中用启发式算法产生一个初始解包括如下步骤:
步骤31、将所有工件按加工时间非增序进行排列,得到排序后的工件集合;
步骤32、将所有机器按加工速度非增序进行排列,若加工速度相同则按机器容量非增序进行排列;
步骤33、令j=1,Cj[i]=0,Ai=0,i=1,...,m,其中,Cj[i]表示机器i上工件j的完工时间,Ai表示机器i的空闲时间;
步骤34、计算
步骤35、选择Cj[i]最小的机器,称之为机器min,令Amin=Cj[min],j=j+Cmin;
步骤36、若j<n,则将工件j-Cmin到工件j-1(共Cmin个工件)分配到机器min上,执行步骤34;否则,将工件集合中未分配的所有工件分配到机器min上,执行步骤37;
步骤37、返回Cmax=maxi∈m{Ai},算法结束。
可选地,所述计算模块21在执行步骤4中对种群执行局部搜索策略具体包括:
步骤41、将各机器上的批次按批加工时间非增序进行排列,各批次内的工件按加工时间非增序进行排列;
步骤42、将机器按完工时间(机器完工时间为机器上最后一个批次的完工时间)非增序进行排列,令i=1,h=m;
步骤43、选择第i台机器,称之为机器i;选择第h台机器,称之为机器h;
步骤44、若h>1,执行步骤45;否则,执行步骤48;
步骤45、选择机器i上任意批次b,选择机器h上任意批次f;
步骤46、若批次f中存在工件j,满足pj<Pb并且Pb≤Pf,则交换工件j和批次b中的第一个工件,执行步骤47;否则,h=h-1,执行步骤44;
步骤47、将批次b和批次f内的工件按加工时间非增序进行排列,执行步骤45;
步骤48、结束搜索。
可选地,所述计算模块21还用于通过下述步骤计算个体适应度,包括:
步骤1’、对Xk=(x1,x2,...,xh,...,xn),将第h个工件分配到第xh个机器,从而获得每个机器上的工件集合;
步骤2’、将每个机器上的工件集合中第y个未分配的工件暂时放入能容纳该工件的所有批中,并选出其中放入该工件后批剩余容量最小的批,把该工件分配到选定的批中;若当前所有批的剩余空间都不能容纳第y个未分配工件,则将该工件放入一个批容量为ci的新批中,令y=y+1;
步骤3’、重复步骤2’,直至把工件集合中所有的工件都分配到相应的批中,批的加工时间由批中工件最大加工时间决定。
本发明实施例提供的系统能针对不同容量的同类平行机批调度问题,求得近似最优解,从而降低企业生产成本,提高企业服务水平。
本发明实施例还公开一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:第一方面所述的方法。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
Claims (8)
1.一种基于改进遗传算法的不同容量的同类平行机批调度方法,其特征在于,包括:
步骤1、输入每个机器的容量和工件的加工时间,设定改进遗传算法参数,包括最大迭代次数tmax,全局最优解gbest,迭代次数t=1;
步骤2、初始化种群,考虑共有Q个染色体,第h个染色体的基因定义为h=1,2,...,Q,其中表示第h个染色体在第d维上的基因,表明第d个工件被分配至第个机器;
步骤3、用启发式算法产生一个初始解,将该初始解作为种群中的第一个染色体‘
步骤4、对种群执行局部搜索策略,提高种群质量;
步骤5、计算种群中每个解的适应度,更新全局最优解,将最小适应度值赋给;
步骤6、从种群中随机选择两个解和比较其适应度,将适应度较大者作为第一个父代解,重复该操作,产生另一个父代解;
步骤7、设定变量h=1,判断rand<0.5是否成立,其中rand为[0,1]之间的随机数,若成立,选择第一个父代解的第h个基因作为子代的第h个基因;否则,选择第二个父代解的第h个基因作为子代的第h个基因,令h=h+1,重复该步骤直至h>n,从而产生一个新的染色体;
步骤8、重复步骤7,产生Q个子代解,计算子代解的适应度;
步骤9、将原种群与子代种群按照适应度非减排序,取原种群前Ns个染色体和子代种群前Q-Ns个染色体组成一个新的种群;
步骤10、将新种群按照适应度非减排序,随机产生Nm个染色体,替代新种群中的后Nm个染色体,得到下一代种群,令t=t+1;
步骤11、判断t≤tmax是否成立,若成立,返回步骤4,否则,结束算法并输出全局最优解gbest,输出最优的加工任务分配和每个机器上的组批方式和加工顺序。
2.根据权利要求1所述的方法,其特征在于,步骤3中所述用启发式算法产生一个初始解,包括:
步骤31、将所有工件按加工时间非增序进行排列,得到排序后的工件集合;
步骤32、将所有机器按加工速度非增序进行排列,若加工速度相同则按机器容量非增序进行排列;
步骤33、令j=1,Cj[i]=0,Ai=0,i=1,...,m,其中,Cj[i]表示机器i上工件j的完工时间,Ai表示机器i的空闲时间;
步骤34、计算
步骤35、选择Cj[i]最小的机器,称之为机器min,令Amin=Cj[min],j=j+Cmin;
步骤36、若j<n,则将工件j-Cmin到工件j-1(共Cmin个工件)分配到机器min上,执行步骤34;否则,将工件集合中未分配的所有工件分配到机器min上,执行步骤37;
步骤37、返回Cmax=maxi∈m{Ai},算法结束。
3.根据权利要求1所述的方法,其特征在于,步骤4中所述对种群执行局部搜索策略,包括:
步骤41、将各机器上的批次按批加工时间非增序进行排列,各批次内的工件按加工时间非增序进行排列;
步骤42、将机器按完工时间(机器完工时间为机器上最后一个批次的完工时间)非增序进行排列,令i=1,h=m;
步骤43、选择第i台机器,称之为机器i;选择第h台机器,称之为机器h;
步骤44、若h>1,执行步骤45;否则,执行步骤48;
步骤45、选择机器i上任意批次b,选择机器h上任意批次f;
步骤46、若批次f中存在工件j,满足pj<Pb并且Pb≤Pf,则交换工件j和批次b中的第一个工件,执行步骤47;否则,h=h-1,执行步骤44;
步骤47、将批次b和批次f内的工件按加工时间非增序进行排列,执行步骤45;
步骤48、结束搜索。
4.根据权利要求1所述的方法,其特征在于,所述方法通过下述步骤计算个体适应度,包括:
步骤1’、对Xk=(x1,x2,...,xh,...,xn),将第h个工件分配到第xh个机器,从而获得每个机器上的工件集合;
步骤2’、将每个机器上的工件集合中第y个未分配的工件暂时放入能容纳该工件的所有批中,并选出其中放入该工件后批剩余容量最小的批,把该工件分配到选定的批中;若当前所有批的剩余空间都不能容纳第y个未分配工件,则将该工件放入一个批容量为ci的新批中,令y=y+1;
步骤3’、重复步骤2’,直至把工件集合中所有的工件都分配到相应的批中,批的加工时间由批中工件最大加工时间决定。
5.一种基于改进遗传算法的不同容量的同类平行机批调度系统,其特征在于,包括:
计算模块,用于执行:
步骤1、输入每个机器的容量和工件的加工时间,设定改进遗传算法参数,包括最大迭代次数tmax,全局最优解gbest,迭代次数t=1;
步骤2、初始化种群,考虑共有Q个染色体,第h个染色体的基因定义为h=1,2,...,Q,其中表示第h个染色体在第d维上的基因,表明第d个工件被分配至第个机器;
步骤3、用启发式算法产生一个初始解,将该初始解作为种群中的第一个染色体‘
步骤4、对种群执行局部搜索策略,提高种群质量;
步骤5、计算种群中每个解的适应度,更新全局最优解,将最小适应度值赋给;
步骤6、从种群中随机选择两个解和比较其适应度,将适应度较大者作为第一个父代解,重复该操作,产生另一个父代解;
步骤7、设定变量h=1,判断rand<0.5是否成立,其中rand为[0,1]之间的随机数,若成立,选择第一个父代解的第h个基因作为子代的第h个基因;否则,选择第二个父代解的第h个基因作为子代的第h个基因,令h=h+1,重复该步骤直至h>n,从而产生一个新的染色体;
步骤8、重复步骤7,产生Q个子代解,计算子代解的适应度;
步骤9、将原种群与子代种群按照适应度非减排序,取原种群前Ns个染色体和子代种群前Q-Ns个染色体组成一个新的种群;
步骤10、将新种群按照适应度非减排序,随机产生Nm个染色体,替代新种群中的后Nm个染色体,得到下一代种群,令t=t+1;
输出模块,用于后执行步骤11,包括:判断t≤tmax是否成立,若成立,返回步骤4,否则,结束算法并输出全局最优解gbest,输出最优的加工任务分配和每个机器上的组批方式和加工顺序。
6.根据权利要求5所述的系统,其特征在于,所述计算模块在执行步骤3中用启发式算法产生一个初始解包括如下步骤:
步骤31、将所有工件按加工时间非增序进行排列,得到排序后的工件集合;
步骤32、将所有机器按加工速度非增序进行排列,若加工速度相同则按机器容量非增序进行排列;
步骤33、令j=1,Cj[i]=0,Ai=0,i=1,...,m,其中,Cj[i]表示机器i上工件j的完工时间,Ai表示机器i的空闲时间;
步骤34、计算
步骤35、选择Cj[i]最小的机器,称之为机器min,令Amin=Cj[min],j=j+Cmin;
步骤36、若j<n,则将工件j-Cmin到工件j-1(共Cmin个工件)分配到机器min上,执行步骤34;否则,将工件集合中未分配的所有工件分配到机器min上,执行步骤37;
步骤37、返回Cmax=maxi∈m{Ai},算法结束。
7.根据权利要求5所述的系统,其特征在于,所述计算模块在执行步骤4中对种群执行局部搜索策略具体包括:
步骤41、将各机器上的批次按批加工时间非增序进行排列,各批次内的工件按加工时间非增序进行排列;
步骤42、将机器按完工时间(机器完工时间为机器上最后一个批次的完工时间)非增序进行排列,令i=1,h=m;
步骤43、选择第i台机器,称之为机器i;选择第h台机器,称之为机器h;
步骤44、若h>1,执行步骤45;否则,执行步骤48;
步骤45、选择机器i上任意批次b,选择机器h上任意批次f;
步骤46、若批次f中存在工件j,满足pj<Pb并且Pb≤Pf,则交换工件j和批次b中的第一个工件,执行步骤47;否则,h=h-1,执行步骤44;
步骤47、将批次b和批次f内的工件按加工时间非增序进行排列,执行步骤45;
步骤48、结束搜索。
8.根据权利要求5所述的系统,其特征在于,所述计算模块还用于通过下述步骤计算个体适应度,包括:
步骤1’、对Xk=(x1,x2,...,xh,...,xn),将第h个工件分配到第xh个机器,从而获得每个机器上的工件集合;
步骤2’、将每个机器上的工件集合中第y个未分配的工件暂时放入能容纳该工件的所有批中,并选出其中放入该工件后批剩余容量最小的批,把该工件分配到选定的批中;若当前所有批的剩余空间都不能容纳第y个未分配工件,则将该工件放入一个批容量为ci的新批中,令y=y+1;
步骤3’、重复步骤2’,直至把工件集合中所有的工件都分配到相应的批中,批的加工时间由批中工件最大加工时间决定。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439658.6A CN107301473B (zh) | 2017-06-12 | 2017-06-12 | 基于改进遗传算法的同类平行机批调度方法及系统 |
US16/006,743 US20180356803A1 (en) | 2017-06-12 | 2018-06-12 | Method and system for batch scheduling uniform parallel machines with different capacities based on improved genetic algorithm |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439658.6A CN107301473B (zh) | 2017-06-12 | 2017-06-12 | 基于改进遗传算法的同类平行机批调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107301473A true CN107301473A (zh) | 2017-10-27 |
CN107301473B CN107301473B (zh) | 2018-06-15 |
Family
ID=60136244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710439658.6A Active CN107301473B (zh) | 2017-06-12 | 2017-06-12 | 基于改进遗传算法的同类平行机批调度方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20180356803A1 (zh) |
CN (1) | CN107301473B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492025A (zh) * | 2018-03-20 | 2018-09-04 | 合肥工业大学 | 基于混合差分遗传算法的高端装备制造过程协同调度方法 |
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 |
CN109872091A (zh) * | 2019-04-18 | 2019-06-11 | 安徽大学 | 一种基于蚁群算法的工件调度方法及装置 |
CN109961221A (zh) * | 2019-03-20 | 2019-07-02 | 合肥工业大学 | 一种直接配送时间依赖于机器地理位置的平行机调度方法 |
CN110059842A (zh) * | 2018-01-19 | 2019-07-26 | 武汉十傅科技有限公司 | 一种考虑熔炉和砂型大小的铸造车间生产计划优化方法 |
CN110113387A (zh) * | 2019-04-17 | 2019-08-09 | 深圳前海微众银行股份有限公司 | 一种基于分布式批量处理系统的处理方法、装置及系统 |
CN110674155A (zh) * | 2019-09-27 | 2020-01-10 | 湘潭大学 | 一种铸造过程的砂箱调度方法及调度系统 |
CN110909787A (zh) * | 2019-11-18 | 2020-03-24 | 安徽大学 | 基于聚类的进化算法进行多目标批调度优化的方法和系统 |
CN111507641A (zh) * | 2020-04-27 | 2020-08-07 | 上海华力集成电路制造有限公司 | 一种批处理设备调度方法及其装置 |
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 |
Families Citing this family (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444078B (zh) * | 2019-01-16 | 2023-02-07 | 河南工业大学 | 一种基于蚁群算法的软件缺陷定位方法及装置 |
CN109872046B (zh) * | 2019-01-21 | 2023-03-28 | 同济大学 | 混流装配线任务分配与投产排序集成优化方法 |
CN110059908A (zh) * | 2019-01-23 | 2019-07-26 | 渤海大学 | 基于自适应遗传算法的新工件重调度优化方法 |
CN109885401B (zh) * | 2019-01-27 | 2020-11-24 | 中国人民解放军国防科技大学 | 基于lpt局部优化的结构化网格负载平衡方法 |
CN109919379B (zh) * | 2019-03-07 | 2020-09-08 | 合肥工业大学 | 为航班分配登机口的方法、系统和存储介质 |
CN110648050B (zh) * | 2019-08-21 | 2023-05-02 | 大连理工大学 | 一种传统流水线装配向单元式装配方式转换的重构方法 |
CN110516870B (zh) * | 2019-08-22 | 2023-09-22 | 安庆师范大学 | 一种基于协同进化的多回收站点垃圾收运方法 |
CN110633869B (zh) * | 2019-09-24 | 2023-04-07 | 中南大学 | 一种sapf剩余容量的优化配置方法及系统 |
CN110942251B (zh) * | 2019-11-27 | 2022-09-30 | 安徽大学 | 一种基于联合蚁群算法的批调度方法 |
CN111160711B (zh) * | 2019-12-06 | 2022-09-16 | 安徽大学 | 一种基于蚁群算法的平行机批调度方法 |
CN111260144B (zh) * | 2020-01-20 | 2022-03-29 | 合肥工业大学 | 一种差异工件随机到达情况下单机批调度问题的求解方法 |
CN111665799B (zh) * | 2020-05-20 | 2023-08-29 | 同济大学 | 一种基于协同算法的时间约束型并行机节能调度方法 |
CN112085059B (zh) * | 2020-08-06 | 2023-10-20 | 温州大学 | 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法 |
CN112181598B (zh) * | 2020-10-12 | 2022-12-09 | 内蒙古农业大学 | 基于改进遗传算法的云计算任务调度方法 |
CN112257296B (zh) * | 2020-11-27 | 2021-06-25 | 西南交通大学 | 基于改进遗传算法的带有缓存约束的作业车间调度方法 |
CN112488315B (zh) * | 2020-11-30 | 2022-11-04 | 合肥工业大学 | 一种基于深度强化学习和遗传算法的分批调度优化方法 |
CN112632777B (zh) * | 2020-12-22 | 2024-04-23 | 华中科技大学 | 面向家电产品装配线的ⅱ型双边装配线平衡方法及系统 |
CN112783172B (zh) * | 2020-12-31 | 2023-03-31 | 重庆大学 | 基于离散鲸鱼优化算法的agv与机器集成调度方法 |
CN112926837B (zh) * | 2021-02-04 | 2023-09-12 | 郑州轻工业大学 | 基于数据驱动改进遗传算法求解作业车间调度问题的方法 |
CN112990716B (zh) * | 2021-03-22 | 2024-02-09 | 杭州电子科技大学 | 一种双资源约束柔性车间调度和布局集成优化方法及系统 |
CN113657642B (zh) * | 2021-07-05 | 2023-09-01 | 安徽师范大学 | 基于混合算法的熔炼车间生产和运输协同优化方法及系统 |
CN113822525B (zh) * | 2021-07-22 | 2023-09-19 | 合肥工业大学 | 基于改进遗传算法的柔性作业车间多目标调度方法及系统 |
CN113741418B (zh) * | 2021-07-23 | 2023-07-25 | 安徽有云智能科技有限公司 | 异构车机编队协同路径的生成方法和装置 |
CN113703472B (zh) * | 2021-07-23 | 2023-08-01 | 安徽有云智能科技有限公司 | 多无人机与车辆协同巡检的路径优化方法和装置 |
CN113946159B (zh) * | 2021-09-02 | 2023-08-04 | 安徽有云智能科技有限公司 | 无人机高速公路巡逻的路径优化方法和系统 |
CN114020005B (zh) * | 2021-09-02 | 2023-09-15 | 安徽有云智能科技有限公司 | 多无人机协同巡检配网线路的航迹规划方法和系统 |
CN117377945A (zh) * | 2021-10-18 | 2024-01-09 | 英特尔公司 | 用于分布式数据并行dnn训练中的批量再均衡的装置和方法 |
CN113901728B (zh) * | 2021-11-18 | 2024-04-19 | 东北大学 | 基于迁移遗传算法的电脑第二类装配线平衡优化方法 |
EP4191487A1 (en) * | 2021-12-06 | 2023-06-07 | Tata Consultancy Services Limited | Enhancing batch predictions by localizing jobs contributing to time deviation and generating fix recommendations |
CN114662765A (zh) * | 2022-03-25 | 2022-06-24 | 武汉理工大学 | 离散制造不相关工件的批处理调度方法 |
CN115129002B (zh) * | 2022-06-02 | 2024-04-12 | 武汉理工大学 | 一种带批处理机可重入混合流水车间调度方法及系统 |
CN116562436B (zh) * | 2023-05-04 | 2024-05-14 | 北京机械工业自动化研究所有限公司 | 跨企业分布式服装协同生产调度优化方法、设备及介质 |
CN117555305B (zh) * | 2024-01-11 | 2024-03-29 | 吉林大学 | 一种基于nsgaii的多目标可变子批柔性车间作业调度方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901425A (zh) * | 2010-07-15 | 2010-12-01 | 华中科技大学 | 一种基于多种群协同进化的柔性作业车间调度方法 |
CN106610652A (zh) * | 2015-12-22 | 2017-05-03 | 四川用联信息技术有限公司 | 改进编码方式的遗传算法解分布式柔性作业车间调度问题 |
CN106611219A (zh) * | 2015-12-17 | 2017-05-03 | 四川用联信息技术有限公司 | 针对多目标优化问题的导引式局部搜索遗传算法 |
-
2017
- 2017-06-12 CN CN201710439658.6A patent/CN107301473B/zh active Active
-
2018
- 2018-06-12 US US16/006,743 patent/US20180356803A1/en not_active Abandoned
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901425A (zh) * | 2010-07-15 | 2010-12-01 | 华中科技大学 | 一种基于多种群协同进化的柔性作业车间调度方法 |
CN106611219A (zh) * | 2015-12-17 | 2017-05-03 | 四川用联信息技术有限公司 | 针对多目标优化问题的导引式局部搜索遗传算法 |
CN106610652A (zh) * | 2015-12-22 | 2017-05-03 | 四川用联信息技术有限公司 | 改进编码方式的遗传算法解分布式柔性作业车间调度问题 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059842A (zh) * | 2018-01-19 | 2019-07-26 | 武汉十傅科技有限公司 | 一种考虑熔炉和砂型大小的铸造车间生产计划优化方法 |
CN108492025A (zh) * | 2018-03-20 | 2018-09-04 | 合肥工业大学 | 基于混合差分遗传算法的高端装备制造过程协同调度方法 |
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 |
CN109961221A (zh) * | 2019-03-20 | 2019-07-02 | 合肥工业大学 | 一种直接配送时间依赖于机器地理位置的平行机调度方法 |
CN110113387A (zh) * | 2019-04-17 | 2019-08-09 | 深圳前海微众银行股份有限公司 | 一种基于分布式批量处理系统的处理方法、装置及系统 |
CN109872091A (zh) * | 2019-04-18 | 2019-06-11 | 安徽大学 | 一种基于蚁群算法的工件调度方法及装置 |
CN110674155A (zh) * | 2019-09-27 | 2020-01-10 | 湘潭大学 | 一种铸造过程的砂箱调度方法及调度系统 |
CN110674155B (zh) * | 2019-09-27 | 2022-04-26 | 湘潭大学 | 一种铸造过程的砂箱调度方法及调度系统 |
CN110909787A (zh) * | 2019-11-18 | 2020-03-24 | 安徽大学 | 基于聚类的进化算法进行多目标批调度优化的方法和系统 |
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 |
CN111507641A (zh) * | 2020-04-27 | 2020-08-07 | 上海华力集成电路制造有限公司 | 一种批处理设备调度方法及其装置 |
CN111507641B (zh) * | 2020-04-27 | 2024-04-16 | 上海华力集成电路制造有限公司 | 一种批处理设备调度方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107301473B (zh) | 2018-06-15 |
US20180356803A1 (en) | 2018-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301473A (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
CN107450498B (zh) | 基于改进人工蜂群算法的生产调度方法及系统 | |
CN107301504B (zh) | 基于混合蛙跳—路径重连的生产运输协同调度方法和系统 | |
CN107590603B (zh) | 基于改进变邻域搜索和差分进化算法的调度方法及系统 | |
CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
CN107230023B (zh) | 基于改进和声搜索的生产和运输协同调度方法和系统 | |
CN102222268A (zh) | 基于多种群混合粒子群算法的流水车间调度方法 | |
CN112561225B (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN106610652A (zh) | 改进编码方式的遗传算法解分布式柔性作业车间调度问题 | |
CN108182518A (zh) | 一种基于改进遗传算法的在制状态人员调度方法 | |
CN108460463A (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN103679388A (zh) | 生产调度方法及生产调度系统 | |
CN105373845A (zh) | 制造企业车间的混合智能调度优化方法 | |
CN113901728B (zh) | 基于迁移遗传算法的电脑第二类装配线平衡优化方法 | |
CN108320059A (zh) | 一种工作流调度进化寻优方法及终端设备 | |
CN110348126A (zh) | 钢厂原料堆位布局优化方法、系统、设备及存储介质 | |
CN116933939A (zh) | 基于改进浣熊优化算法的柔性车间协同生产方法及系统 | |
CN112686474A (zh) | 一种基于改进的水波优化算法的可并行装配线平衡方法 | |
Chen et al. | Production management of hybrid flow shop based on genetic algorithm | |
CN109255484A (zh) | 数据驱动的离散制造资源协同优化方法及系统 | |
CN110490446A (zh) | 一种基于改进遗传算法的模块化工艺重组方法 | |
CN107437138B (zh) | 基于改进引力搜索算法的生产运输协同调度方法及系统 | |
CN112947324A (zh) | 纺织生产调度优化方法、系统、储存介质及计算机设备 | |
CN104122861A (zh) | 基于等待时间松弛的冲突消解方法及优化调度方法 | |
CN107730065B (zh) | 基于改进变邻域搜索算法的生产调度方法及系统 |
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 |