CN107506956B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107506956B CN107506956B CN201710439821.9A CN201710439821A CN107506956B CN 107506956 B CN107506956 B CN 107506956B CN 201710439821 A CN201710439821 A CN 201710439821A CN 107506956 B CN107506956 B CN 107506956B
- Authority
- CN
- China
- Prior art keywords
- particle
- batch
- workpiece
- max
- dimension
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于改进粒子群算法的供应链生产运输协同调度方法及装置,所述方法按如下步骤进行:1设定算法参数;2随机生成初始种群;3编码修正;4计算适应度值,更新粒子速度和位置;5锦标赛选择;6交叉变异;7更新种群;8判断终止条件是否满足,如果满足则输出全局最优解,否则返回步骤3;本发明能针对考虑分布式仓储的生产与运输协同调度问题,求得近似最优解,从而降低供应链成本,提高供应链服务水平。
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。
背景技术
近年来,生产与运输协同调度问题已成为供应链调度研究领域的热点问题之一。2003年Hall等首次阐述了供应链调度概念的问题,并针对单个工厂和多个客户的供应链调度问题,提出了动态规划算法用来优化配送时间和成本。随后调度问题的研究越来越深入。本文中为最大化供应链收益问题构建的改进粒子群算法是建立在已有的粒子群算法(Kennedy andEberhart,1995)基础上的,通过引入交叉和变异算子,改善粒子过早陷入早熟的情况,提高粒子的多样性,以实现合理安排工件排序、工件组批、运输配送方案。粒子群算法的步骤一般包括:(1)初始化粒子群位置和速度;(2)计算适应度,记录当前代最优解和全局最优解;(3)更新粒子的速度和位置;(4)更新当前代最优解和全局最优解。通过重复以上步骤在整个空间内搜索最优解。
然而,目前对半成品的生产和运输的协同调度问题的研究相对较少,很多学者提出的调度模型大多集中在机器环境、生产特征、资源优化上面,而忽略了半成品的运输以及成品的分配对生产的影响,同时考虑机器调度和产品运输的协同对提高生产企业的生产率尤为重要,会大大降低供应链成本,提高供应链竞争力。除此之外,在方法上,粒子群算法也存在着全局收敛性不足和容易早熟等缺点,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,不利于在供应链协同效率的提升。因此,我们有必要根据具体的实施项目,有针对性的改进粒子群算法,从而实现供应链协同优化决策。
发明内容
本发明实施例的一个目的在于提高批处理机工件的过程中调度的合理性。
第一方面,本发明实施例提供了一种基于改进粒子群算法的供应链生产运输协同调度方法,包括:
步骤1、获取得到每个仓库运送工件的数量;根据先到达的工件先安排生产原则,获得工件序列;采用0-1编码方式,使用一个Xm={x1m,x2m,...,xim,...,xnm}向量来表示第m个粒子的编码,元素取值为0或1,当元素数值为1时,与所述元素前面的数值0形成一批,第n维向量数值均取1;
步骤2、对粒子群进行初始化,确定粒子群的种群规模M,粒子的维度D,迭代次数t=0,最大迭代次数tmax,粒子的位置xim和速度vim,并按照编码规则给每个粒子的各个维度赋值0或1;取一个0到1之间的随机数rand,粒子的位置和速度计算方式如下:
其中,w,c1,c2均是常系数;
步骤3、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤4、利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;
步骤5、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤6、计算粒子的变异概率进行变异操作,根据BU规则和MF批次分配规则计算出粒子的适应度值,更新个体最优位置pb和全局最优位置gb;
步骤7、计算出所有粒子的速度和位置,更新粒子的位置xim,计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb,令t=t+1;
步骤8、判断t≤tmax是否成立,若成立,返回步骤3,否则,结束算法并输出全局最优解gb,输出最优的组批方式和批在每个机器上的加工顺序。
可选地,所述根据BU规则对初始解进行修正,包括:
步骤1’、对于一个给定的个体Xm,设定i=1,j=1;
步骤2’、如果xim=0,将工件i分配至第j批,i=i+1;否则,j=j+1,将工件i分配至第j批;
步骤3’、判断i>1是否成立,若成立,则重复步骤2’;否则,得到所有批集合;
步骤4’、对于任意批次Bj,如果Bj容量大于B,那么:如果|Bj|-B+|Bj+1|≤B,|Bj|表示批次Bj所含的工件数量,则选择从仓库到制造商运输阶段最晚达到机器的工件J*,将工件J*归入批次Bj+1中,否则在j+1位置重新插入新批次,将工件J*归入批次Bj+1中,最后从Bj中移除工件J*;
步骤5’、重复步骤4’,直至所有批均符合容量要求。
可选地,所述利用MF批次分配规则将批次分配到合适的机器上进行加工,包括:
步骤1”、根据批次修正的方法对工件进行组批后,得到每个批次bk的加工时间Pb,设定参数NE;
步骤2”、按照以下法则确定批次分配的上下界:
对于下界:
如果成立,则令LB=max(Pb,b∈B);否则,令
对于上界:
如果成立,则令UB=max(Pb,b∈B);否则,令其中|M|是机器总数,max(Pb,b∈B)表示所有批次中最大的批加工时间;
步骤3”、令
步骤4”、一次选择一个批次分配到机器上,且保证该机器加工时间之和没有超过Cmax;
如果批次不能在不超过Cmax的限制下放到机器上,则重新设置LB=Cmax;否则重新设置UB=Cmax;
步骤5”、判断是否成立,若成立,结束循环;否则,返回步骤3”。
可选地,所述利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉,包括:
步骤41、随机选择两个个体,比较适应度大小,选择适应度较好的作为候选交叉粒子;选择种群规模20%的粒子,对该选择出的粒子群体随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;具体交叉方式如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行互换,否则不互换;
步骤42、根据下式计算粒子m的变异概率
其中,fmin指全局最优位置的适应度值,favg指平均适应度值,f指当前粒子的适应度值,P1=0.1,P2=0.01;每个粒子生成[0,1]间的随机小数,并将其与Pm进行比较,如果小于Pm,则粒子进行变异操作,否则不变异;具体变异方法如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行变异,将1变成0或者将0变成1,否则不变异。
第二方面,本发明实施例提供了一种基于改进粒子群算法的供应链生产运输协同调度系统,包括:
计算模块,用于执行:
步骤1、获取得到每个仓库运送工件的数量;根据先到达的工件先安排生产原则,获得工件序列;采用0-1编码方式,使用一个Xm={x1m,x2m,...,xim,...,xnm}向量来表示第m个粒子的编码,元素取值为0或1,当元素数值为1时,与所述元素前面的数值0形成一批,第n维向量数值均取1;
步骤2、对粒子群进行初始化,确定粒子群的种群规模M,粒子的维度D,迭代次数t=0,最大迭代次数tmax,粒子的位置xim和速度vim,并按照编码规则给每个粒子的各个维度赋值0或1;取一个0到1之间的随机数rand,粒子的位置和速度计算方式如下:
其中,w,c1,c2均是常系数;
步骤3、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤4、利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;
步骤5、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤6、计算粒子的变异概率进行变异操作,根据BU规则和MF批次分配规则计算出粒子的适应度值,更新个体最优位置pb和全局最优位置gb;
步骤7、计算出所有粒子的速度和位置,更新粒子的位置xim,计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb,令t=t+1;
步骤8、判断t≤tmax是否成立,若成立,返回步骤3,否则,结束算法并输出全局最优解gb;
输出模块,用于输出最优的组批方式和批在每个机器上的加工顺序。
可选地,所述计算模块执行根据BU规则对初始解进行修正的步骤,包括:
步骤1’、对于一个给定的个体Xm,设定i=1,j=1;
步骤2’、如果xim=0,将工件i分配至第j批,i=i+1;否则,j=j+1,将工件i分配至第j批;
步骤3’、判断i>1是否成立,若成立,则重复步骤2’;否则,得到所有批集合;
步骤4’、对于任意批次Bj,如果Bj容量大于B,那么:如果|Bj|-B+|Bj+1|≤B,|Bj|表示批次Bj所含的工件数量,则选择从仓库到制造商运输阶段最晚达到机器的工件J*,将工件J*归入批次Bj+1中,否则在j+1位置重新插入新批次,将工件J*归入批次Bj+1中,最后从Bj中移除工件J*;
步骤5’、重复步骤4’,直至所有批均符合容量要求。
可选地,所述计算模块执行利用MF批次分配规则将批次分配到合适的机器上进行加工的步骤,包括:
步骤1”、根据批次修正的方法对工件进行组批后,得到每个批次bk的加工时间Pb,设定参数NE;
步骤2”、按照以下法则确定批次分配的上下界:
对于下界:
如果成立,则令LB=max(Pb,b∈B);否则,令
对于上界:
如果成立,则令UB=max(Pb,b∈B);否则,令其中|M|是机器总数,max(Pb,b∈B)表示所有批次中最大的批加工时间;
步骤3”、令
步骤4”、一次选择一个批次分配到机器上,且保证该机器加工时间之和没有超过Cmax;
如果批次不能在不超过Cmax的限制下放到机器上,则重新设置LB=Cmax;否则重新设置UB=Cmax;
步骤5”、判断是否成立,若成立,结束循环;否则,返回步骤3”。
可选地,所述计算模块执行利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉的步骤,包括:
步骤41、随机选择两个个体,比较适应度大小,选择适应度较好的作为候选交叉粒子;选择种群规模20%的粒子,对该选择出的粒子群体随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;具体交叉方式如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行互换,否则不互换;
步骤42、根据下式计算粒子m的变异概率
其中,fmin指全局最优位置的适应度值,favg指平均适应度值,f指当前粒子的适应度值,P1=0.1,P2=0.01;每个粒子生成[0,1]间的随机小数,并将其与Pm进行比较,如果小于Pm,则粒子进行变异操作,否则不变异;具体变异方法如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行变异,将1变成0或者将0变成1,否则不变异。
本发明实施例针对考虑分布式仓库的生产运输协同调度问题,通过改进的粒子群算法,首先将工件以编码的方式,进行分批和修正,然后依据问题的性质提出相应批指派策略,计算相应个体的适应度值;基于解的适应度对粒子执行交叉变异操作,通过重复迭代,在整个解空间内进行搜索,更新种群,最终求的近似最优解。改进的粒子群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,解决了考虑分布式仓库的生产运输协同调度问题,提高了供应链的生产效率,降低了供应链成本,提高了供应链的服务水平。
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平行机生产与两阶段运输协同调度结构图示意图;
图2是本发明一实施例提供的一种基于改进粒子群算法的供应链生产运输协同调度方法的流程示意图;
图3是本发明一实施例提供的一种基于改进粒子群算法的供应链生产运输协同调度系统的结构示意图。
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。
本发明的一个目的在于:解决考虑分布式仓储的平行机生产运输协同调度问题,该问题包括两个方面:(1)将工件进行分批;(2)将不同的批次分到相应的批处理机上进行加工。分批问题是指将从仓库运输到制造商处的工件在满足批处理机容量的条件下将工件分成多个批次;批次的分配问题是指将批次分到哪个机器上,确定安排在同一个机器的批次的加工顺序。本发明基于问题所特有的性质,克服了传统粒子群算法收敛性问题,提出了改进的粒子群算法,提高了智能化决策效率。
为便于理解,下面结合图1来说明本发明实施例提供的方法所要解决的问题。
考虑分布式仓库的平行机生产运输协同调度问题,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},m个分布在不同地理位置的仓库。不同的工件具有不同的加工时间和尺寸,分别由由pi和si(i=1,2,···,n)表示。该问题包含三个阶段,即工件从仓库运输到制造商的运输阶段,工件在制造商机器上的加工阶段和从制造商运输到客户的运输阶段。该问题存在以下设定:
(1)在半成品工件从仓库运输到制造商的阶段,每个仓库都只有一辆运载工具。且每次仅能运载一个工件。假定每个仓库的运载工具到制造商的往返运输时间是固定的,记为T={T1,T2,T3,···,Tn}。
(2)在工件加工阶段,批处理机属于同类平行机。每个批处理机的容量设为B,即任一批工件bk(k=1,2,...,l)中的所有工件尺寸之和不大于B,假设所有工件的尺寸均不大于机器容量。在加工过程中,同批次中的工件同时被处理,批次bk的加工时间是Pb,Pb的值等于批次中加工时间最长的数值。
(3)在工件从制造商运输到客户的阶段,制造商仅存在一辆运载车辆,将加工完成的工件运输给客户。运输车辆的容量与批处理机容量相等,即为B。假定运载车辆在制造商和客户之间的来回运输时间为t,则单程运输时间为t/2。为了方便描述,本文将装载和卸载工件的时间统一计算到运输时间中。
基于此,本发明实施例提供的一种基于改进粒子群算法的供应链生产运输协同调度方法,可以参考图2,包括:
步骤1、由模型分析可知,每个仓库的运载车辆无空闲,那么所有仓库的车辆从零时刻开始同时并且无空闲地运输工件,直到制造商处总工件数达到客户的订单数,运载车辆停止运输。因此可以获取得到每个仓库运送工件的数量;根据先到达的工件先安排生产原则,获得工件序列;采用0-1编码方式,使用一个Xm={x1m,x2m,...,xim,...,xnm}向量来表示第m个粒子的编码,元素取值为0或1,当元素数值为1时,与所述元素前面的数值0形成一批,第n维向量数值均取1;
步骤2、对粒子群进行初始化,确定粒子群的种群规模M,粒子的维度D,迭代次数t=0,最大迭代次数tmax,粒子的位置xim和速度vim,并按照编码规则给每个粒子的各个维度赋值0或1;取一个0到1之间的随机数rand,粒子的位置和速度计算方式如下:
其中,w,c1,c2均是常系数;
步骤3、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤4、利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;
步骤5、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤6、计算粒子的变异概率进行变异操作,根据BU规则和MF批次分配规则计算出粒子的适应度值,更新个体最优位置pb和全局最优位置gb;
步骤7、计算出所有粒子的速度和位置,更新粒子的位置xim,计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb,令t=t+1;
步骤8、判断t≤tmax是否成立,若成立,返回步骤3,否则,结束算法并输出全局最优解gb,输出最优的组批方式和批在每个机器上的加工顺序。
其中,在具体实施时,这里的根据BU规则对初始解进行修正可以通过多种方式来实施,其中一种可选的实施方式包括如下步骤:
步骤1’、对于一个给定的个体Xm,设定i=1,j=1;
步骤2’、如果xim=0,将工件i分配至第j批,i=i+1;否则,j=j+1,将工件i分配至第j批;
步骤3’、判断i>1是否成立,若成立,则重复步骤2’;否则,得到所有批集合;
步骤4’、对于任意批次Bj,如果Bj容量大于B,那么:如果|Bj|-B+|Bj+1|≤B,|Bj|表示批次Bj所含的工件数量,则选择从仓库到制造商运输阶段最晚达到机器的工件J*,将工件J*归入批次Bj+1中,否则在j+1位置重新插入新批次,将工件J*归入批次Bj+1中,最后从Bj中移除工件J*;
步骤5’、重复步骤4’,直至所有批均符合容量要求。
在具体实施时,这里的利用MF批次分配规则将批次分配到合适的机器上进行加工可以通过多种方式来实施,其中一种可选的实施方式包括如下步骤:
步骤1”、根据批次修正的方法对工件进行组批后,得到每个批次bk的加工时间Pb,设定参数NE;
步骤2”、按照以下法则确定批次分配的上下界:
对于下界:
如果成立,则令LB=max(Pb,b∈B);否则,令
对于上界:
如果成立,则令UB=max(Pb,b∈B);否则,令(其中|M|是机器总数,max(Pb,b∈B)表示所有批次中最大的批加工时间);
步骤3”、令
步骤4”、一次选择一个批次分配到机器上,但一定要保证该机器加工时间之和没有超过Cmax;
如果批次不能在不超过Cmax的限制下放到机器上,则重新设置LB=Cmax;否则重新设置UB=Cmax;
步骤5”、判断是否成立,若成立,结束循环;否则,返回步骤3”。
在具体实施时,这里的利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉也可以通过多种方式来实施,其中一种可选的实施方式包括如下步骤:
步骤41、随机选择两个个体,比较适应度大小,选择适应度较好的作为候选交叉粒子;选择种群规模20%的粒子,对该选择出的粒子群体随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;具体交叉方式如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行互换,否则不互换;
步骤42、根据下式计算粒子m的变异概率
其中,fmin指全局最优位置的适应度值,favg指平均适应度值,f指当前粒子的适应度值,P1=0.1,P2=0.01;每个粒子生成[0,1]间的随机小数,并将其与Pm进行比较,如果小于Pm,则粒子进行变异操作,否则不变异;具体变异方法如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行变异,将1变成0或者将0变成1,否则不变异。
本发明实施例提供的方法具有如下有益效果:
1、本发明实施例针对考虑分布式仓库的生产运输协同调度问题,通过改进的粒子群算法,首先将工件以编码的方式,进行分批和修正,然后依据问题的性质提出相应批指派策略,计算相应个体的适应度值;基于解的适应度对粒子执行交叉变异操作,通过重复迭代,在整个解空间内进行搜索,更新种群,最终求的近似最优解。改进的粒子群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,解决了考虑分布式仓库的生产运输协同调度问题,提高了供应链的生产效率,降低了供应链成本,提高了供应链的服务水平。
2、本发明实施例依据该问题性质,在解的编码上采取二维编码方式,基于该编码方式,提出了在整个算法求解过程中适用的编码修正策略,保证在任意个体产生后对个体进行调整,避免了非可行解的产生,并采用启发式算法进行批的分配加工,提高了算法的搜索效率和收敛速度,有利于算法最大可能的在解空间内搜索问题的最优解。
3、本发明实施例针对粒子群算法全局收敛性较弱和容易早熟的问题,引入了基于二维编码的交叉和变异策略,既保留了原有粒子群算法的收敛速度优势,又提升了种群的多样性,通过融合两种算法的种群更新策略,提升了算法的性能。
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粒子群算法的供应链生产运输协同调度系统,参见图3,包括:
计算模块201,用于执行:
步骤1、获取得到每个仓库运送工件的数量;根据先到达的工件先安排生产原则,获得工件序列;采用0-1编码方式,使用一个Xm={x1m,x2m,...,xim,...,xnm}向量来表示第m个粒子的编码,元素取值为0或1,当元素数值为1时,与所述元素前面的数值0形成一批,第n维向量数值均取1;
步骤2、对粒子群进行初始化,确定粒子群的种群规模M,粒子的维度D,迭代次数t=0,最大迭代次数tmax,粒子的位置xim和速度vim,并按照编码规则给每个粒子的各个维度赋值0或1;取一个0到1之间的随机数rand,粒子的位置和速度计算方式如下:
其中,w,c1,c2均是常系数;
步骤3、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤4、利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;
步骤5、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤6、计算粒子的变异概率进行变异操作,根据BU规则和MF批次分配规则计算出粒子的适应度值,更新个体最优位置pb和全局最优位置gb;
步骤7、计算出所有粒子的速度和位置,更新粒子的位置xim,计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb,令t=t+1;
步骤8、判断t≤tmax是否成立,若成立,返回步骤3,否则,结束算法并输出全局最优解gb;
输出模块202,用于输出最优的组批方式和批在每个机器上的加工顺序。
在具体实施时,所述计算模块201执行根据BU规则对初始解进行修正的步骤,包括:
步骤1’、对于一个给定的个体Xm,设定i=1,j=1;
步骤2’、如果xim=0,将工件i分配至第j批,i=i+1;否则,j=j+1,将工件i分配至第j批;
步骤3’、判断i>1是否成立,若成立,则重复步骤2’;否则,得到所有批集合;
步骤4’、对于任意批次Bj,如果Bj容量大于B,那么:如果|Bj|-B+|Bj+1|≤B,|Bj|表示批次Bj所含的工件数量,则选择从仓库到制造商运输阶段最晚达到机器的工件J*,将工件J*归入批次Bj+1中,否则在j+1位置重新插入新批次,将工件J*归入批次Bj+1中,最后从Bj中移除工件J*;
步骤5’、重复步骤4’,直至所有批均符合容量要求。
在具体实施时,所述计算模块201执行利用MF批次分配规则将批次分配到合适的机器上进行加工的步骤,包括:
步骤1”、根据批次修正的方法对工件进行组批后,得到每个批次bk的加工时间Pb,设定参数NE;
步骤2”、按照以下法则确定批次分配的上下界:
对于下界:
如果成立,则令LB=max(Pb,b∈B);否则,令
对于上界:
如果成立,则令UB=max(Pb,b∈B);否则,令(其中|M|是机器总数,max(Pb,b∈B)表示所有批次中最大的批加工时间);
步骤3”、令
步骤4”、一次选择一个批次分配到机器上,但一定要保证该机器加工时间之和没有超过Cmax;
如果批次不能在不超过Cmax的限制下放到机器上,则重新设置LB=Cmax;否则重新设置UB=Cmax;
步骤5”、判断是否成立,若成立,结束循环;否则,返回步骤3”。
在具体实施时,所述计算模块201执行利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉的步骤,包括:
步骤41、随机选择两个个体,比较适应度大小,选择适应度较好的作为候选交叉粒子;选择种群规模20%的粒子,对该选择出的粒子群体随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;具体交叉方式如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行互换,否则不互换;
步骤42、根据下式计算粒子m的变异概率
其中,fmin指全局最优位置的适应度值,favg指平均适应度值,f指当前粒子的适应度值,P1=0.1,P2=0.01;每个粒子生成[0,1]间的随机小数,并将其与Pm进行比较,如果小于Pm,则粒子进行变异操作,否则不变异;具体变异方法如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行变异,将1变成0或者将0变成1,否则不变异。
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存储在计算机程序,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 (6)
1.一种基于改进粒子群算法的供应链生产运输协同调度方法,其特征在于,包括:
步骤1、获取得到每个仓库运送工件的数量;根据先到达的工件先安排生产原则,获得工件序列;采用0-1编码方式,使用一个Xm={x1m,x2m,...,xim,...,xnm}向量来表示第m个粒子的编码,元素取值为0或1,当元素数值为1时,与所述元素前面的数值0形成一批,第n维向量数值均取1;
步骤2、对粒子群进行初始化,确定粒子群的种群规模M,粒子的维度D,迭代次数t=0,最大迭代次数tmax,粒子的位置xim和速度vim,并按照编码规则给每个粒子的各个维度赋值0或1;取一个0到1之间的随机数rand,粒子的位置和速度计算方式如下:
其中,w,c1,c2均是常系数;
步骤3、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤4、利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;
步骤5、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤6、计算粒子的变异概率进行变异操作,根据BU规则和MF批次分配规则计算出粒子的适应度值,更新个体最优位置pb和全局最优位置gb;
步骤7、计算出所有粒子的速度和位置,更新粒子的位置xim,计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb,令t=t+1;
步骤8、判断t≤tmax是否成立,若成立,返回步骤3,否则,结束算法并输出全局最优解gb,输出最优的组批方式和批在每个机器上的加工顺序;
所述根据BU规则对初始解进行修正,包括:
步骤1’、对于一个给定的个体Xm,设定i=1,j=1;
步骤2’、如果xim=0,将工件i分配至第j批,i=i+1;否则,j=j+1,将工件i分配至第j批;
步骤3’、判断i>1是否成立,若成立,则重复步骤2’;否则,得到所有批集合;
步骤4’、对于任意批次Bj,如果Bj容量大于B,那么:如果|Bj|-B+|Bj+1|≤B,|Bj|表示批次Bj所含的工件数量,则选择从仓库到制造商运输阶段最晚达到机器的工件J*,将工件J*归入批次Bj+1中,否则在j+1位置重新插入新批次,将工件J*归入批次Bj+1中,最后从Bj中移除工件J*;其中B表示每个批次的容量上限;步骤5’、重复步骤4’,直至所有批均符合容量要求。
2.根据权利要求1所述的方法,其特征在于,所述利用MF批次分配规则将批次分配到合适的机器上进行加工,包括:
步骤1”、根据BU规则对工件进行组批后,得到每个批次bk的加工时间Pb,设定参数NE;
步骤2”、按照以下法则确定批次分配的上下界:
对于下界:
如果成立,则令LB=max(Pb,b∈B);否则,令
对于上界:
如果成立,则令UB=max(Pb,b∈B);否则,令其中|M|是机器总数,max(Pb,b∈B)表示所有批次中最大的批加工时间;
步骤3”、令
步骤4”、一次选择一个批次分配到机器上,且保证该机器加工时间之和没有超过Cmax;
如果批次不能在不超过Cmax的限制下放到机器上,则重新设置LB=Cmax;否则重新设置UB=Cmax;
步骤5”、判断是否成立,若成立,结束循环;否则,返回步骤3”。
3.根据权利要求1所述的方法,其特征在于,所述利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉,包括:
步骤41、随机选择两个个体,比较适应度大小,选择适应度较好的作为候选交叉粒子;选择种群规模20%的粒子,对该选择出的粒子群体随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;具体交叉方式如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行互换,否则不互换;
步骤42、根据下式计算粒子m的变异概率
其中,fmin指全局最优位置的适应度值,favg指平均适应度值,f指当前粒子的适应度值,P1=0.1,P2=0.01;每个粒子生成[0,1]间的随机小数,并将其与Pm进行比较,如果小于Pm,则粒子进行变异操作,否则不变异;具体变异方法如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行变异,将1变成0或者将0变成1,否则不变异。
4.一种基于改进粒子群算法的供应链生产运输协同调度装置,其特征在于,包括:
计算模块,用于执行:
步骤1、获取得到每个仓库运送工件的数量;根据先到达的工件先安排生产原则,获得工件序列;采用0-1编码方式,使用一个Xm={x1m,x2m,...,xim,...,xnm}向量来表示第m个粒子的编码,元素取值为0或1,当元素数值为1时,与所述元素前面的数值0形成一批,第n维向量数值均取1;
步骤2、对粒子群进行初始化,确定粒子群的种群规模M,粒子的维度D,迭代次数t=0,最大迭代次数tmax,粒子的位置xim和速度vim,并按照编码规则给每个粒子的各个维度赋值0或1;取一个0到1之间的随机数rand,粒子的位置和速度计算方式如下:
其中,w,c1,c2均是常系数;
步骤3、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤4、利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;
步骤5、根据BU规则对初始解进行修正,再利用MF批次分配规则将批次分配到合适的机器上进行加工,然后用适应度函数计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb;
步骤6、计算粒子的变异概率进行变异操作,根据BU规则和MF批次分配规则计算出粒子的适应度值,更新个体最优位置pb和全局最优位置gb;
步骤7、计算出所有粒子的速度和位置,更新粒子的位置xim,计算各个粒子的适应度值,并更新个体最优位置pb和全局最优位置gb,令t=t+1;
步骤8、判断t≤tmax是否成立,若成立,返回步骤3,否则,结束算法并输出全局最优解gb;
输出模块,用于输出最优的组批方式和批在每个机器上的加工顺序;
所述计算模块执行根据BU规则对初始解进行修正的步骤,包括:
步骤1’、对于一个给定的个体Xm,设定i=1,j=1;
步骤2’、如果xim=0,将工件i分配至第j批,i=i+1;否则,j=j+1,将工件i分配至第j批;
步骤3’、判断i>1是否成立,若成立,则重复步骤2’;否则,得到所有批集合;
步骤4’、对于任意批次Bj,如果Bj容量大于B,那么:如果|Bj|-B+|Bj+1|≤B,|Bj|表示批次Bj所含的工件数量,则选择从仓库到制造商运输阶段最晚达到机器的工件J*,将工件J*归入批次Bj+1中,否则在j+1位置重新插入新批次,将工件J*归入批次Bj+1中,最后从Bj中移除工件J*;其中B表示每个批次的容量上限;
步骤5’、重复步骤4’,直至所有批均符合容量要求。
5.根据权利要求4所述的装置,其特征在于,所述计算模块执行利用MF批次分配规则将批次分配到合适的机器上进行加工的步骤,包括:
步骤1”、根据BU规则对工件进行组批后,得到每个批次bk的加工时间Pb,设定参数NE;
步骤2”、按照以下法则确定批次分配的上下界:
对于下界:
如果成立,则令LB=max(Pb,b∈B);否则,令
对于上界:
如果成立,则令UB=max(Pb,b∈B);否则,令其中|M|是机器总数,max(Pb,b∈B)表示所有批次中最大的批加工时间;
步骤3”、令
步骤4”、一次选择一个批次分配到机器上,且保证该机器加工时间之和没有超过Cmax;
如果批次不能在不超过Cmax的限制下放到机器上,则重新设置LB=Cmax;否则重新设置UB=Cmax;
步骤5”、判断是否成立,若成立,结束循环;否则,返回步骤3”。
6.根据权利要求4所述的装置,其特征在于,所述计算模块执行利用“锦标赛”方式选择粒子,将粒子按照适应度值从小到大排序,选择前20%的粒子随机两两进行交叉的步骤,包括:
步骤41、随机选择两个个体,比较适应度大小,选择适应度较好的作为候选交叉粒子;选择种群规模20%的粒子,对该选择出的粒子群体随机两两进行交叉,保证粒子数为偶数,如为小数则四舍五入,如为奇数则加1,产生相应的子代粒子,用子代代替父代;具体交叉方式如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行互换,否则不互换;
步骤42、根据下式计算粒子m的变异概率
其中,fmin指全局最优位置的适应度值,favg指平均适应度值,f指当前粒子的适应度值,P1=0.1,P2=0.01;每个粒子生成[0,1]间的随机小数,并将其与Pm进行比较,如果小于Pm,则粒子进行变异操作,否则不变异;具体变异方法如下:以维为基准,每维随机生成0或1,如果该数等于1,则该维的数值进行变异,将1变成0或者将0变成1,否则不变异。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439821.9A CN107506956B (zh) | 2017-06-12 | 2017-06-12 | 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 |
US16/006,769 US20180357584A1 (en) | 2017-06-12 | 2018-06-12 | Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439821.9A CN107506956B (zh) | 2017-06-12 | 2017-06-12 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107506956A CN107506956A (zh) | 2017-12-22 |
CN107506956B true CN107506956B (zh) | 2018-06-15 |
Family
ID=60679527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710439821.9A Active CN107506956B (zh) | 2017-06-12 | 2017-06-12 | 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 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20180357584A1 (zh) |
CN (1) | CN107506956B (zh) |
Families Citing this family (65)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450498B (zh) * | 2017-09-11 | 2018-08-28 | 合肥工业大学 | 基于改进人工蜂群算法的生产调度方法及系统 |
CN109598450B (zh) * | 2018-12-20 | 2019-10-18 | 宁波大学 | 一种面向定点输出的分布式制造调度方法 |
CN110059405B (zh) * | 2019-04-16 | 2022-05-13 | 福州大学 | X结构下带差分进化的高质量Steiner最小树构建方法 |
CN110112789B (zh) * | 2019-04-22 | 2021-12-24 | 南通大学 | 基于自适应快速粒子群的孤岛型微网多目标优化配置算法 |
CN110111048B (zh) * | 2019-04-29 | 2021-11-09 | 西安电子科技大学 | 仓储系统中的订单任务调度方法 |
CN112308274A (zh) * | 2019-07-31 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 一种可供应量分配方法和装置 |
CN110554698A (zh) * | 2019-08-22 | 2019-12-10 | 明阳智慧能源集团股份公司 | 一种海上风电场日常巡检无人船的路径优化方法 |
CN110866877B (zh) * | 2019-11-12 | 2022-09-09 | Oppo广东移动通信有限公司 | 基于约束粒子群算法的色彩校正方法、装置及终端设备 |
CN110909787B (zh) * | 2019-11-18 | 2023-05-12 | 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 |
CN110956320B (zh) * | 2019-11-26 | 2023-05-23 | 辽宁工程技术大学 | 基于动态松弛智能算法的可持续供应链的选址和分配方法 |
CN111079987A (zh) * | 2019-11-28 | 2020-04-28 | 电子科技大学 | 基于遗传算法的半导体车间生产调度方法 |
CN111160615A (zh) * | 2019-12-04 | 2020-05-15 | 广东司法警官职业学院 | 一种利用粒子群优化多模式资源约束项目调度的方法 |
CN110942209B (zh) * | 2019-12-10 | 2022-07-22 | 浙江工业大学 | 基于分层两阶段智能算法的资源受限项目调度优化方法 |
CN111210141B (zh) * | 2020-01-03 | 2023-07-14 | 黄河勘测规划设计研究院有限公司 | 基于约束机制粒子群算法的水库库容曲线修正方法 |
CN111242503B (zh) * | 2020-01-21 | 2022-02-18 | 南京航空航天大学 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
CN111311077B (zh) * | 2020-01-21 | 2022-02-18 | 南京航空航天大学 | 一种基于天牛须搜索的粒子群算法求解柔性作业车间调度的方法 |
CN111354415B (zh) * | 2020-02-17 | 2023-09-26 | 江苏大学 | 基因增强的骨架粒子群优化特征选择算法的小鼠唐氏综合征关键蛋白质筛选方法 |
CN111461402B (zh) * | 2020-03-06 | 2024-03-26 | 上海汽车集团股份有限公司 | 物流排程优化方法及装置、计算机可读存储介质、终端 |
CN111523636B (zh) * | 2020-04-14 | 2023-02-24 | 上海海事大学 | 一种提高无标度网络弹性的优化方法 |
CN111667138B (zh) * | 2020-04-21 | 2022-11-18 | 苏宁云计算有限公司 | 基于多目标离散二进制粒子群算法的客服排班方法及装置 |
CN111652345B (zh) * | 2020-05-29 | 2023-04-07 | 长安大学 | 基于空时联合优化的车队刹车控制方法 |
CN111859525B (zh) * | 2020-06-02 | 2023-08-04 | 北京航空航天大学 | 机载分布式pos布局优化方法和装置 |
CN111814324B (zh) * | 2020-06-30 | 2024-03-22 | 中国科学院合肥物质科学研究院 | 一种计算空位与自间隙团簇基态构型的方法及系统 |
CN111882200B (zh) * | 2020-07-23 | 2023-09-05 | 长安大学 | 一种考虑车辆路径与三维装箱的车货匹配方法 |
CN112147960B (zh) * | 2020-09-17 | 2022-07-26 | 武汉理工大学 | 一种柔性制造系统优化调度方法及装置 |
CN112100899B (zh) * | 2020-09-22 | 2024-04-09 | 河南中烟工业有限责任公司 | 卷烟辅料调度的agv多线程作业全局优化方法 |
CN112101674B (zh) * | 2020-09-22 | 2022-06-14 | 广东睿盟计算机科技有限公司 | 基于群智能算法资源配置匹配方法、装置、设备及介质 |
CN117238453A (zh) * | 2020-09-23 | 2023-12-15 | 温州大学 | 存储有医学图像特征处理方法程序的存储介质 |
CN112182678B (zh) * | 2020-09-24 | 2023-05-26 | 西北工业大学 | 一种固化质量与固化成本协同设计的热压罐成型方法 |
CN112132471A (zh) * | 2020-09-25 | 2020-12-25 | 华中科技大学 | 基于模拟退火粒子群算法的梯级水电站调度方法及系统 |
CN112184594B (zh) * | 2020-10-14 | 2023-08-15 | 哈尔滨工程大学 | 量子牧群机制自动演化pcnn的图像去噪方法 |
CN112348151B (zh) * | 2020-10-16 | 2023-07-28 | 中国联合网络通信集团有限公司 | 山林防火传感器的位置确定方法和装置 |
CN112381273B (zh) * | 2020-10-30 | 2024-03-05 | 贵州大学 | 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 |
CN112330071A (zh) * | 2020-11-27 | 2021-02-05 | 科技谷(厦门)信息技术有限公司 | 一种基于遗传算法的公铁水多式联运路径优化方法 |
CN112492032B (zh) * | 2020-11-30 | 2022-09-23 | 杭州电子科技大学 | 一种移动边缘环境下的工作流协作调度方法 |
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 |
CN112731888B (zh) * | 2021-01-07 | 2022-07-01 | 浙江工业大学 | 一种批量流混合流水车间调度问题的改进候鸟优化方法 |
CN112887994B (zh) * | 2021-01-20 | 2022-03-25 | 华南农业大学 | 基于改进二进制粒子群的无线传感器网络优化方法及应用 |
CN114912647A (zh) * | 2021-02-07 | 2022-08-16 | 富士通株式会社 | 用于决定决策的装置、方法和机器可读存储介质 |
CN112801810B (zh) * | 2021-02-25 | 2024-03-29 | 辽宁工程技术大学 | 一种基于图网络的可持续供应链设计方法 |
CN112801414B (zh) * | 2021-03-02 | 2023-03-10 | 安徽大学绿色产业创新研究院 | 一种装配式建筑构件排产优化方法及系统 |
CN112884368B (zh) * | 2021-03-23 | 2022-11-01 | 合肥工业大学 | 高端装备交货时间与延迟最小的多目标调度方法及系统 |
CN113033100B (zh) * | 2021-03-29 | 2022-11-29 | 重庆大学 | 一种基于混合教学优化算法的云制造服务组合方法 |
CN113095465B (zh) * | 2021-04-01 | 2023-10-17 | 哈尔滨工程大学 | 量子大马哈鱼洄游机制演化博弈的水下无人集群任务分配方法 |
CN113269426A (zh) * | 2021-05-18 | 2021-08-17 | 哈尔滨工程大学 | 一种基于启发式改进粒子群算法的宿舍分配方法 |
CN113326572B (zh) * | 2021-06-25 | 2022-07-01 | 北京理工大学 | 一种用于电动大巴的双电机耦合驱动系统集成优化方法 |
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 |
CN113807604B (zh) * | 2021-10-08 | 2023-08-29 | 华南农业大学 | 基于改进鲸鱼算法的制造云服务优化选择方法及其应用 |
CN114153397B (zh) * | 2021-12-03 | 2023-08-22 | 苏州浪潮智能科技有限公司 | 分布式存储多站点同步优化方法、装置、设备、存储介质 |
CN114143814B (zh) * | 2021-12-13 | 2024-01-23 | 华北电力大学(保定) | 一种基于异构边缘云架构的多任务卸载方法及系统 |
CN114818446B (zh) * | 2021-12-22 | 2023-03-24 | 安徽继远软件有限公司 | 面向5g云边端协同的电力业务分解方法及系统 |
CN114638332B (zh) * | 2021-12-28 | 2024-03-01 | 西北工业大学 | 一种基于多子群粒子群算法的侦察机器人任务分配方法 |
CN114599004B (zh) * | 2022-01-28 | 2024-01-05 | 北京邮电大学 | 一种基站布局方法和装置 |
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 |
CN115129017B (zh) * | 2022-08-30 | 2022-12-23 | 武汉理工大学 | 基于混合阿基米德算法的热冷加工离散制造生产调度方法 |
CN115564146B (zh) * | 2022-11-18 | 2023-04-07 | 吉林大学 | 一种以改进的粒子群算法为内核的分组车间作业调度方法 |
CN115759634B (zh) * | 2022-11-18 | 2024-04-26 | 中南大学 | 一种矩形板材组批排样高效协同方法 |
CN115983755A (zh) * | 2023-01-19 | 2023-04-18 | 中南大学 | 一种多式联运路径优化方法 |
CN116205377B (zh) * | 2023-04-28 | 2023-08-18 | 江西恒能电力工程有限公司 | 分布式光伏电站出力预测方法、系统、计算机及存储介质 |
CN116388865B (zh) * | 2023-06-05 | 2023-09-15 | 深圳市飞思卓科技有限公司 | 一种基于pon光模块光功率异常的自动筛选方法 |
CN116801288B (zh) * | 2023-06-25 | 2024-01-26 | 中电佰联通信科技南京有限公司 | 基于粒子群与遗传算法的自组织网络拓扑优化方法和系统 |
CN116610083B (zh) * | 2023-07-18 | 2023-11-10 | 成都飞机工业(集团)有限责任公司 | 一种面向大型复杂产品生产装配的动态调度方法 |
CN116663861B (zh) * | 2023-07-27 | 2023-10-13 | 安徽大学绿色产业创新研究院 | 装配式构件生产鲁棒性和资源均衡结合的调度优化方法 |
CN117688102A (zh) * | 2023-12-28 | 2024-03-12 | 江苏北联宝德计算机系统有限公司 | 一种基于人工智能的运行数据管理系统及方法 |
CN117634856A (zh) * | 2024-01-26 | 2024-03-01 | 武汉理工大学 | 基于超启发式樽海鞘算法的液压缸制造联合调度方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101303597A (zh) * | 2008-05-30 | 2008-11-12 | 合肥工业大学 | 基于实时工况的变权式随机调度方法 |
CN101706886A (zh) * | 2009-08-28 | 2010-05-12 | 华南理工大学 | 一种以订单驱动的加工车间单件小批量混流生产方法 |
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 |
CN102393634A (zh) * | 2011-11-28 | 2012-03-28 | 浙江工业大学 | 一种基于pso-ga混合优化算法的单目标多生产线调度控制方法 |
CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN103439886A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 一种半导体生产线自适应动态调度装置 |
CN103809506A (zh) * | 2014-01-26 | 2014-05-21 | 西安理工大学 | 基于一维粒子群算法获得零件加工最优调度方案的方法 |
CN104392298A (zh) * | 2014-10-28 | 2015-03-04 | 沈阳建筑大学 | 一种采用粒子群算法进行生产调度的方法 |
CN105956689A (zh) * | 2016-04-21 | 2016-09-21 | 合肥工业大学 | 一种基于改进粒子群优化的运输和生产协同调度方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI414376B (zh) * | 2011-04-14 | 2013-11-11 | Nat Univ Tsing Hua | 一種五軸曲面側銑加工系統及其刀具路徑規劃方法 |
CN102608916A (zh) * | 2012-02-15 | 2012-07-25 | 浙江工业大学 | 一种基于元胞机的大型零件柔性作业车间的动态调度方法 |
CN104700251B (zh) * | 2015-03-16 | 2018-02-02 | 华南师范大学 | 一种车辆调度问题的改进最大‑最小蚁群优化方法及系统 |
-
2017
- 2017-06-12 CN CN201710439821.9A patent/CN107506956B/zh active Active
-
2018
- 2018-06-12 US US16/006,769 patent/US20180357584A1/en not_active Abandoned
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101303597A (zh) * | 2008-05-30 | 2008-11-12 | 合肥工业大学 | 基于实时工况的变权式随机调度方法 |
CN101706886A (zh) * | 2009-08-28 | 2010-05-12 | 华南理工大学 | 一种以订单驱动的加工车间单件小批量混流生产方法 |
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 |
CN102393634A (zh) * | 2011-11-28 | 2012-03-28 | 浙江工业大学 | 一种基于pso-ga混合优化算法的单目标多生产线调度控制方法 |
CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN103439886A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 一种半导体生产线自适应动态调度装置 |
CN103809506A (zh) * | 2014-01-26 | 2014-05-21 | 西安理工大学 | 基于一维粒子群算法获得零件加工最优调度方案的方法 |
CN104392298A (zh) * | 2014-10-28 | 2015-03-04 | 沈阳建筑大学 | 一种采用粒子群算法进行生产调度的方法 |
CN105956689A (zh) * | 2016-04-21 | 2016-09-21 | 合肥工业大学 | 一种基于改进粒子群优化的运输和生产协同调度方法 |
Also Published As
Publication number | Publication date |
---|---|
US20180357584A1 (en) | 2018-12-13 |
CN107506956A (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506956B (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 | |
CN107301473B (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
CN103955818B (zh) | 多层穿梭车自动仓储系统的任务调度方法 | |
CN109146163B (zh) | 自动分拣系统分拣距离的优化方法、设备及存储介质 | |
CN105956689B (zh) | 一种基于改进粒子群优化的运输和生产协同调度方法 | |
CN107578199A (zh) | 一种求解二维装载约束物流车辆调度问题的方法 | |
CN108550007A (zh) | 一种制药企业自动化立体仓库的货位优化方法及系统 | |
CN110298589A (zh) | 基于遗传-蚁群融合算法的动态服务资源调度方法 | |
CN104572297B (zh) | 一种基于遗传算法的Hadoop作业调度方法 | |
CN109460859B (zh) | 一种车间布局优化方法 | |
CN106610654A (zh) | 针对柔性作业车间调度的改进遗传算法 | |
CN108647810A (zh) | 订单运输的分配方法及装置、计算机可读介质 | |
CN110414863A (zh) | 一种智能制造车间资源调度方法 | |
CN106845642A (zh) | 一种带约束云工作流调度的自适应多目标进化方法 | |
CN108564211A (zh) | 物流运输路径规划方法及系统 | |
CN102621887B (zh) | 一种服装缝制工序分析与组合方法 | |
CN105550825B (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 | |
Jiang | Solving multi-robot picking problem in warehouses: a simulation approach | |
CN110033121A (zh) | 一种求解带过道仓储作业优化问题的多物种协同进化方法 | |
CN113689122A (zh) | 一种云边协同环境下考虑运输设备的多目标组合调度方法 | |
CN109823757A (zh) | 一种板件出库方法、系统及存储介质 | |
CN108959782B (zh) | 一种智能车间的布局优化方法、装置及设备 | |
CN107437138A (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 | |
CN107545323A (zh) | 商品的物流配送方法、装置、设备及存储介质 | |
CN116342039A (zh) | 一种立体仓库的货物分配和拣选的优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |