CN107730065B - 基于改进变邻域搜索算法的生产调度方法及系统 - Google Patents
基于改进变邻域搜索算法的生产调度方法及系统 Download PDFInfo
- Publication number
- CN107730065B CN107730065B CN201710439818.7A CN201710439818A CN107730065B CN 107730065 B CN107730065 B CN 107730065B CN 201710439818 A CN201710439818 A CN 201710439818A CN 107730065 B CN107730065 B CN 107730065B
- Authority
- CN
- China
- Prior art keywords
- individual
- generation
- group
- solution
- knowledge base
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000010845 search algorithm Methods 0.000 title claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 238000002360 preparation method Methods 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000003247 decreasing effect Effects 0.000 claims description 12
- 230000006866 deterioration Effects 0.000 claims description 7
- 241000764238 Isis Species 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003754 machining Methods 0.000 claims description 3
- 238000006386 neutralization reaction Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 239000003814 drug Substances 0.000 abstract 2
- 230000006978 adaptation Effects 0.000 abstract 1
- 230000007115 recruitment Effects 0.000 abstract 1
- 238000004590 computer program Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 239000011541 reaction mixture Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于改进变邻域搜索算法的生产调度方法及系统,该方法包括:1.将工件进行分组;2对每个组中的工件进行分批;3.设定解的邻域结构;4.设定学习策略;5.设定算法中各参数;6.产生初始解;7.产生初始种群个体;8.初始化个体知识库和社会知识库;9.更新获得个体的新解;10.计算个体适应度值;11.更新个体知识库和社会知识库;12.获取种群中最优解;13比较初始解和种群最优解,若初始解优于种群更新后最优解,则返回步骤9;否则更新初始解,并返回步骤7;14.判断终止条件是否满足,若满足则算法结束并输出最优解,否则算法继续。本公开提供的方法能提高生产效率,降低生产成本,从而实现企业的总体经济效益最大化。
Description
技术领域
本公开涉及供应链技术领域,具体涉及一种基于改进变邻域搜索算法的生产调度方法及系统。
背景技术
在当今的市场环境中,买方市场已成为主流,所以制造型企业想要在市场中占得一席之地,不仅要为客户提供产品的价值,更重要的是要为客户提供满足客户需求的服务价值,而制造型企业的制造能力又是体现为客户提供的服务价值中重要的一环。因此,企业需要科学合理地分配和利用现有的生产资源,优化生产系统,提高生产效率,提升生产系统的制造能力,才能在最大程度上满足产品对客户的及时供给,提高企业客户的满意度,为客户提供更好的服务水平,从而使得企业中整个运营系统的总体经济效益最大化,并提升企业在市场中的竞争力。
生产调度是一类面向企业生产资源分配利用的优化方法,通过采用精确具体的调度方式,设计加工机器中完成加工需求的生产调度方案,使得企业可以提高生产效率和生产能力,并同时可降低企业的生产成本。
然而目前,对生产调度问题的研究主要还是集中在一个较为理想的生产环境,在这种环境中,一台加工设备机器可以同时加工处理一批具有固定数量的作业,批中的作业具有不同的处理时间,而很多情况下没有考虑到现实生产加工环境中存在的人为学习和加工机器恶化的客观因素。
发明内容
本公开的一个目的在于提高生产和运输协同调度的合理性,以期能实现总体经济效益的最优化,从而能降低生产成本,提升工作效率。
第一方面,本公开提供了一种基于改进变邻域搜索算法的生产调度方法,所述的生产调度方法是按如下步骤进行:
步骤1、输入多组任务中每个工件的到达时间,加工时间,将组集合中的第i个组Gi中的工件集合中的工件按加工时间非递减顺序进行排序,从而获得排序后的工件集合
步骤2、将所述组Gi中经过排序后的工件集合中的第1个未分配的工件放入能容纳该工件的批中;若批的剩余空间不能容纳第1个未分配工件,则将该工件放到一个容量为C的新批中,直至把所述组Gi中的工件集合中的所有工件都分配到相应的批中;
步骤3、将步骤2中组Gi得到的所有批按批处理时间非递减进行排序,得到组Gi的批处理集合 表示组Gi中的第j个批,将第j个批的加工时间记为其加工时间是所有批中完工时间最长的工件决定;将组Gi中第j批的准备时间记为组Gi中批次总数记为 表示不小于x的最小整数;其中表示Gi中的工件数量;
步骤4、随机产生组序列初始解,记为 表示序列解中第i1个组,其中,1≤i1≤n1;
步骤5、初始化算法中的各个参数,包括变邻域算法最小邻域h_min、变邻域算法跨邻域步长hstep、自适应算法迭代次数it、自适应算法最大迭代次数it_max、种群个体数目N、当前算法迭代次数I、最大迭代次数Imax,1≤I≤Imax;并初始化I=1;it=1;
步骤6、定义变量h,并初始化h=h_min;
步骤7、根据初始解X和变量h初始化获得第k个个体知识库,记为IKDk表示第k个个体经迭代获得最好的N1个解,表示IKDk中的第i2个解,其中1≤i2≤N1;
步骤8、重复步骤7,获得N个个体的初始化个体知识库IKD,记为IKD={IKD1,…,IKDk,…,IKDN},其中1≤k≤N;
步骤9、初始化社会知识库SKD,记为 表示第k个个体当前获得最好的解,其中1≤k≤N;
步骤10、根据社会知识库SKD和变量h产生初始种群个体,获得第I代的第k个个体对应的解,记为 表示第I代中的第k个体在第i3维搜索空间上的位置;其中,1≤I≤Imax;1≤k≤N;1≤i3≤n2;
步骤11、计算第I代中第k个个体对应解的适应度根据适应度值更新第k个个体的知识库和社会知识库SKDI中对应的
步骤12、重复步骤10和步骤11,获得第I代中的N个个体更新后的个体知识库IKDI,更新后的社会知识库SKDI;
步骤13、根据当前社会知识库SKDI中选出适应度值最大的解作为第I代中最好的解,记为 表示第I代中N个个体种群在第i4维搜索空间上的最优位置;
步骤14、根据第I代社会知识库SKDI、第k个个体对应个体知识库和第k个个体对应的解更新获得第I+1代中第k个个体对应的解
步骤15、重复步骤14从而获得更新后的第I+1代的N个个体的序列解;
步骤16、计算I+1代种群中第k个个体对应的解的适应度值并与第I代中第k个个体的存储的N1个解的适应度值进行比较,将N1个适应度值最大的解作为第I+1代中第k个个体的个体知识库与第I代中的社会知识库SKDI中对应的的适应度值比较,把较大适应度值对应的解作为第I+1代中社会知识库SKDI+1中对应的
步骤17、将I+1赋值给I,判断I≤Imax是否成立,若成立,则执行步骤18;否则算法结束,从SKDI-1中获得适应度值最大的解作为最优解将所述最优解作为最优的工件组加工序列方案输出;
步骤18、将it+1赋值给it,判断it≤it_max是否成立,若成立,则执行步骤14;否则把1赋值给it并执行步骤19;
步骤19、比较初始解X适应度值FX和迭代至第I代后获得最优解的适应度值若优于FX,则h_min赋值给h并返回步骤7;否则将h+hstep赋值给h,并执行步骤10。
再一方面,本公开还提供了一种基于改进变邻域搜索算法的生产调度系统,包括:
计算模块,用于执行以下步骤:
步骤1、输入多组任务中每个工件的到达时间,加工时间,将组集合中的第i个组Gi中的工件集合中的工件按加工时间非递减顺序进行排序,从而获得排序后的工件集合
步骤2、将所述组Gi中经过排序后的工件集合中的第1个未分配的工件放入能容纳该工件的批中;若批的剩余空间不能容纳第1个未分配工件,则将该工件放到一个容量为C的新批中,直至把所述组Gi中经过排序后的工件集合中的所有工件都分配到相应的批中;
步骤3、将步骤2中组Gi得到的所有批按批处理时间非递减进行排序,得到组Gi的批处理集合 表示组Gi中的第j个批,将第j个批的加工时间记为其加工时间是所有批中完工时间最长的工件决定;将组Gi中第j批的准备时间记为组Gi中批次总数记为 表示不小于x的最小整数;其中表示Gi中的工件数量;
步骤4、随机产生组序列初始解,记为 表示序列解中第i1个组,其中,1≤i1≤n1;
步骤5、初始化算法中的各个参数,包括变邻域算法最小邻域h_min、变邻域算法跨邻域步长hstep、自适应算法迭代次数it、自适应算法最大迭代次数it_max、种群个体数目N、当前算法迭代次数I、最大迭代次数Imax,1≤I≤Imax;并初始化I=1;it=1;
步骤6、定义变量h,并初始化h=h_min;
步骤7、根据初始解X和变量h初始化获得第k个个体知识库,记为IKDk表示第k个个体经迭代获得最好的N 1个解,表示IKDk中的第i2个解,其中1≤i2≤N11≤i≤N;
步骤8、重复步骤7,获得N个个体的初始化个体知识库IKD,记为IKD={IKD1,…,IKDk,…,IKDN},其中1≤k≤N;
步骤9、初始化社会知识库SKD,记为 表示第k个个体当前获得最好的解,其中1≤k≤N;
步骤10、根据社会知识库SKD和变量h产生初始种群个体,获得第I代的第k个个体对应的解,记为 表示第I代中的第k个体在第i3维搜索空间上的位置;其中,1≤I≤Imax;1≤k≤N;1≤i3≤n2;
步骤11、计算第I代中第k个个体对应解的适应度根据适应度值更新第I代中的第k个个体的知识库和社会知识库SKDI中对应的
步骤12、重复步骤10和步骤11,获得第I代中的N个个体更新后的个体知识库IKDI,更新后的社会知识库SKDI;
步骤13、根据当前社会知识库SKDI中选出适应度值最大的解作为第I代中最好的解,记为 表示第I代中N个个体种群在第i4维搜索空间上的最优位置;
步骤14、根据第I代社会知识库SKDI、第k个个体对应个体知识库和第k个个体对应的解更新获得第I+1代中第k个个体对应的解
步骤15、重复步骤14从而获得更新后的第I+1代的N个个体的序列解;
步骤16、计算I+1代种群中第k个个体对应的解的适应度值并与第I代中第k个个体的存储的N1个解的适应度值进行比较,将N1个适应度值最大的解作为第I+1代中第k个个体的个体知识库与第I代中的社会知识库SKDI中对应的的适应度值比较,把较大适应度值对应的解作为第I+1代中社会知识库SKDI+1中对应的
步骤17、将I+1赋值给I,判断I≤Imax是否成立,若成立,则执行步骤18;否则算法结束,从SKDI-1中获得适应度值最大的解作为最优解
步骤18、将it+1赋值给it,判断it≤it_max是否成立,若成立,则执行步骤14;否则把1赋值给it并执行步骤19;
步骤19、比较初始解X适应度值FX和迭代至第I代后获得最优解的适应度值若优于FX,则h_min赋值给h并返回步骤7;否则将h+hstep赋值给h,并执行步骤10;
输出模块,用于将计算模块在步骤17得到的所述最优解作为最优的工件组加工序列方案输出。
本公开的各种实施例可与本文中描述的这些特征和其他特征中的一个或更多个进行结合。可通过参照下面的具体实施方式来获得对本公开的性质和优点的更好理解。
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,而并不认为是对本公开的限制。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是本公开实施例提供的一种基于改进变邻域搜索算法的生产调度方法的流程示意图;
图2是本公开实施例提供的一种基于改进变邻域搜索算法的生产调度系统的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开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公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,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,都属于本公开保护的范围。
本公开实施例提供了一种基于改进变邻域搜索算法的生产调度方法,该方法中,工件集合中的m个工件,将在1台批处理机上进行生产加工,其加工方式为:首先对m个工件进行分组,形成n个组,并且每个组中包含的工件数目确定;然后对各个组中的工件进行组批;所述m个工件构成的工件集合记为J={J1,…,Ji,…Jm},Ji表示第i个工件,其中1≤i≤m;n个组构成的集合记为G={G1,…Gi,…Gn},Gi表示第i个组,其中1≤i≤n;n个组中包含的工件数目集合记为 表示第i个组中所包含的工件数目,其中1≤i≤n;n个组的到达时间集合记为 表示第i个组的到达时间,其中1≤i≤n;组Gi的工件集合记为 表示Gi组中的第j个工件,其中将组Gi中的第j个工件的加工时间记为将组Gi的准备时间记为加工机器的容量记为C。
如图1所示,所述的生产运输协同调度方法是按如下步骤进行:
步骤1、将所述组集合中的第i个组Gi中的工件集合中的工件按加工时间非递减顺序进行排序,从而获得排序后的工件集合
步骤2、将所述组Gi中经过排序后的工件集合中的第1个未分配的工件放入能容纳该工件的批中;若批的剩余空间不能容纳第1个未分配工件,则将该工件放到一个容量为C的新批中,直至把所述组Gi中经过排序后的工件集合中的所有工件都分配到相应的批中;
步骤3、将步骤2中组Gi得到的所有批按批处理时间非递减进行排序,得到组Gi的批处理集合 表示组Gi中的第j个批,将第j个批的加工时间记为其加工时间是所有批中完工时间最长的工件决定;将组Gi中第j批的准备时间记为组Gi中批次总数记为 表示不小于x的最小整数;其中表示Gi中的工件数量;
步骤4、随机产生组序列初始解,记为 表示序列解中第i1个组,其中,1≤i1≤n1;
步骤5、初始化算法中的各个参数,包括变邻域算法最小邻域h_min、变邻域算法跨邻域步长hstep、自适应算法迭代次数it、自适应算法最大迭代次数it_max、种群个体数目N、当前算法迭代次数I、最大迭代次数Imax,1≤I≤Imax;并初始化I=1;it=1;
步骤6、定义变量h,初始化h=h_min;
步骤7、根据初始解X和变量h初始化获得第k个个体知识库,记为IKDk表示第k个个体经迭代获得最好的N 1个解,表示IKDk中的第i2个解,其中1≤i2≤N1;
其中,这里的初始化种群中第k个个体的知识库是按如下步骤产生
步骤7.1、定义变量IKDk表示存储第k个个体经迭代获得最好的N1个解,将初始解赋值给X',变量X'与变量X具有相同的含义,初始化i2=1;
步骤7.2、定义循环变量m,并初始化m=1;
步骤7.3、随机产生两个在区间[1,n1]范围内的整数分别记为r1,r2,交换变量X'中下标索引为r1,r2的两个元素,其他元素不变;
步骤7.4、将m+1赋值给m,判断m≤h是否成立,若成立,则返回步骤7.3;否则把经过交换的X'赋值给,并执行步骤7.5;
步骤7.5、将i2+1赋值给i2,判断i2≤N1是否成立,若成立,则返回步骤7.2;否则完成对第k个个体知识库的初始化。
步骤8、重复步骤7,获得N个个体的初始化个体知识库IKD,记为IKD={IKD1,…,IKDk,…,IKDN},其中1≤k≤N;
步骤9、初始化社会知识库SKD,记为 表示第k个个体当前获得最好的解,其中1≤k≤N;
其中,这里的初始化社会知识库是按如下步骤产生:
步骤9.1、定义变量SKD表示存储种群N个个体经迭代获得的最好的解,表示种群中第k个个体所获得的最优解,初始化k=1;
步骤9.2、根据第k个个体对应的个体知识库IKDk,分别计算IKDk中N1个解的适应度值,并获取其中适应度值最大的解并将该最优解赋值给
步骤9.3、将k+1赋值给k,判断k≤N1是否成立,若成立,则返回步骤9.2;否则完成社会知识库的初始化。
步骤10、根据社会知识库SKD和变量h产生初始种群个体,获得第I代的第k个个体对应的解,记为 表示第I代中的第k个体在第i3维搜索空间上的位置,其中,1≤I≤Imax;1≤k≤N;1≤i3≤n2;
其中,这里的初始化种群个体是按如下步骤产生:
步骤10.1、定义循环变量k,并初始化k=1;
步骤10.2、定义循环变量m,并初始化m=1;
步骤10.3、把社会知识库SKD中的赋值给Sk',变量Sk'与具有相同的含义;
步骤10.4、随机产生两个在区间[1,N]范围内的整数分别记为r1,r2,交换变量Sk'中下标索引为r1,r2的两个元素,其他元素不变;
步骤10.5、将m+1赋值给m,判断m≤h是否成立,若成立,则返回步骤10.4;否则把经过交换的Sk'赋值给并执行步骤10.6;
步骤10.6、将k+1赋值给k,判断k≤N是否成立,若成立,则返回步骤10.2;否则完成对种群N个个体的初始化;
步骤11、计算第I代中第k个个体对应解的适应度根据适应度值更新第I代中的第k个个体的知识库和社会知识库SKDI中对应的
步骤12、重复步骤10和步骤11,获得第I代中的N个个体更新后的个体知识库IKDI,更新后的社会知识库SKDI;
步骤13、根据当前社会知识库SKDI中选出适应度值最大的解作为第I代中最好的解,记为 表示第I代中N个个体种群在第i4维搜索空间上的最优位置;
步骤14、根据第I代社会知识库SKDI、第k个个体对应个体知识库和第k个个体对应的解更新获得第I+1代中第k个个体对应的解
其中,这里的对第I代中第k个个体进行更新获得第I+1代个体是按如下步骤产生:
步骤14.1、把第I代中第k个个体对应的解赋值给变量与具有相同的含义,
步骤14.2、初始化变量i3=1,
步骤14.3、把中第i3个元素赋值给变量q,随机产生一个在区间[0,1)范围内的数,记为random;
步骤14.4、判断random<pr是否成立,若成立,则执行步骤14.5;否则判断是否成立,若成立,则执行步骤14.6;否则执行步骤14.7;
步骤14.5、随机产生一个在区间[1,n2]范围内的整数,记为index1,把中第i3个元素替换为index1;
步骤14.6、随机产生一个在区间[1,N]范围内的整数,记为index2,将个体知识库中第index2个个体的第k个元素赋值给中第k个元素;
步骤14.7、随机产生一个在区间[1,N]范围内的整数,记为index3,将社会知识库SKDI中第index3个个体的第k个元素赋值给中第k个元素;
步骤14.8、循环遍历个体中与第i3个元素值相同的其他元素,获取与第i3个元素相同的元素,并把该元素替换为q;
步骤14.9、把i3+1赋值给i3,判断i3≤n2是否成立,若成立,则返回步骤14.3;否则把经过变换的赋值给
步骤15、重复步骤14从而获得更新后的第I+1代的N个个体的序列解;
步骤16、计算I+1代种群中第k个个体对应的解的适应度值并与第I代中第k个个体的存储的N1个解的适应度值进行比较,将N1个适应度值最大的解作为第I+1代中第k个个体的个体知识库与第I代中的社会知识库SKDI中对应的的适应度值比较,把较大适应度值对应的解作为第I+1代中社会知识库SKDI+1中对应的
步骤17、将I+1赋值给I,判断I≤Imax是否成立,若成立,则执行步骤18;否则算法结束,从SKDI-1中获得适应度值最大的解作为最优解并作为最优的工件组加工序列方案;
步骤18、将it+1赋值给it,判断it≤it_max是否成立,若成立,则执行步骤14;否则把1赋值给it并执行步骤19;
步骤19、比较初始解X适应度值FX和迭代至第I代后获得最优解的适应度值若优于FX,则h_min赋值给h并返回步骤7;否则将h+hstep赋值给h,并执行步骤10。
可选地,上述步骤中涉及到某个体的适应度值是按如下步骤进行计算:
步骤S1、把S赋值给S',S'与S具有相同的含义;
步骤S2、初始化参数i5=1,j=1,t=0;
步骤S3、根据公式(1)计算第i5个组的准备时间
式(1)中,θg表示组的准备时间学习率,并将赋值给t;
步骤S4、根据公式(2)计算第i5个组中第j个批的准备时间
式(2)中,表示第i5个组中批的准备时间学习率,并将赋值给t;
步骤S5、根据公式(3)计算第j批中第i5组的第w个工件的完工时间再将赋值给t;
式(3)中,表示工件的基本加工时间,表示组所有工件的学习率,并设定β表示截断参数,并设0<β<1,b表示工件的恶化率,max{x,y}表示取x,y中的最大值;
步骤S6、重复步骤S5直至把第j批中的所有工件的完工时间计算完毕;
步骤S7、将j+1赋值给j,判断j≤li是否成立,若成立,则返回步骤S4;否则执行步骤S8;
步骤S8、判断是否成立,若成立,则执行步骤S9;否则执行步骤S10;
步骤S9、将i5+1赋值给i5,判断i5<n4是否成立,若成立,则返回步骤S3;否则计算适应度值完毕,把当前的t值作为该个体解的Cmax值,并把S'赋值给S,同时适应度值记为
步骤S10、根据公式(4)分别计算S'中的最后n4-i5+1个元素的ρ值:
式(4)中lr表示元素组Sr中批的数量,b表示工件的恶化率,θg表示组的准备时间学习率,表示第r个组Sr中批的准备时间学习率,n4rd表示组Sr中第d批中所含工件的数量,表示组Sr中第u批中所含工件的数量,表示组Sr中所包含的所有工件数量,prj表示组Sr中的第j个加工的工件,αr表示组Sr所有工件的学习率;
步骤S11、在S'中保持前面i5-1个元素的排序不变,而后面n4-i5+1个元素按照ρ值的非递增排序,从而形成新的组序列记为S”;
步骤S12、把S”赋值给S',并返回步骤S3;
与现有技术相比,本公开有益效果体现在:
1、本公开在差异分批、连续批加工的制造模式下,同时考虑人为学习和加工机器设备恶化客观因素,基于这两个因素研究制造型企业生产系统中的生产调度问题,通过采用变邻域搜索和自适应人类学习策略的混合算法,首先针对工件进行分组,再对组中的工件进行分批,然后基于批处理时间、组处理时间、截断学习模型以及机器设备的恶化模型提出相应调度策略,得出个体中各组的加工序列;再利用个体的当前学习策略,更新个体中组的加工序列,实现多次迭代,最终获得最优解;在时间的有效性和优化结果的程度上通过对比,证实变邻域搜索和自适应人类学习策略的混合算法是一种更优的优化制造跨度的近似组合算法。
2、本公开在产生初始种群的过程是基于设定的邻域结构,首先随机产生一个个体,该个体依据邻域结构策略产生整个种群的所有个体,这样的初始种群产生方式既保证了初始种群的多样性,同时限定算法的搜索空间,从而减少额外无效的搜索,增强了算法的时间效用。
3、本公开引入人类学习策略,在每一代个体更新时,都会根据自身随机学习、个体经验学习和社会经验学习三种学习方式进行更新,产生下一代个体,此迭代方式充分利用了个体的历史信息,保证了新解的质量;并且在产生新解后,及时对个体的个体知识库和社会知识库进行相对应的更新,保证了下一代个体获得历史信息的有效性。
4、本公开通过引入变邻域算法,设定不同的邻域搜索结构,若算法在当前的邻域结构可以搜索到更好的解,则返回首个邻域结构内继续搜索;否则算法搜索跳到下一个邻域结构进行搜索,该搜索策略既保证了算法的搜索质量,也保证了算法的搜索多样性。
基于相同的构思,本公开还提供了一种基于改进变邻域搜索算法的生产调度系统,参见图2,包括:
计算模块31,用于执行以下步骤:
步骤1、输入多组任务中每个工件的到达时间,加工时间,将组集合中的第i个组Gi中的工件集合中的工件按加工时间非递减顺序进行排序,从而获得排序后的工件集合
步骤2、将所述组Gi中经过排序后的工件集合中的第1个未分配的工件放入能容纳该工件的批中;若批的剩余空间不能容纳第1个未分配工件,则将该工件放到一个容量为C的新批中,直至把所述组Gi中经过排序后的工件集合中的所有工件都分配到相应的批中;
步骤3、将步骤2中组Gi得到的所有批按批处理时间非递减进行排序,得到组Gi的批处理集合 表示组Gi中的第j个批,将第j个批的加工时间记为其加工时间是所有批中完工时间最长的工件决定;将组Gi中第j批的准备时间记为组Gi中批次总数记为 表示不小于x的最小整数;其中表示Gi中的工件数量;
步骤4、随机产生组序列初始解,记为 表示序列解中第i1个组,其中,1≤i1≤n1;
步骤5、初始化算法中的各个参数,包括变邻域算法最小邻域h_min、变邻域算法跨邻域步长hstep、自适应算法迭代次数it、自适应算法最大迭代次数it_max、种群个体数目N、当前算法迭代次数I、最大迭代次数Imax,1≤I≤Imax;并初始化I=1;it=1;
步骤6、定义变量h,并初始化h=h_min;
步骤7、根据初始解X和变量h初始化获得第k个个体知识库,记为IKDk表示第k个个体经迭代获得最好的N1个解,表示IKDk中的第i2个解,其中1≤i2≤N1;
步骤8、重复步骤7,获得N个个体的初始化个体知识库IKD,记为IKD={IKD1,…,IKDk,…,IKDN},其中1≤k≤N;
步骤9、初始化社会知识库SKD,记为 表示第k个个体当前获得最好的解,其中1≤k≤N;
步骤10、根据社会知识库SKD和变量h产生初始种群个体,获得第I代的第k个个体对应的解,记为 表示第I代中的第k个体在第i 3维搜索空间上的位置;其中,1≤I≤Imax;1≤k≤N;1≤i3≤n2;
步骤11、计算第I代中第k个个体对应解的适应度根据适应度值更新第I代中的第k个个体的知识库和社会知识库SKDI中对应的
步骤12、重复步骤10和步骤11,获得第I代中的N个个体更新后的个体知识库IKDI,更新后的社会知识库SKDI;
步骤13、根据当前社会知识库SKDI中选出适应度值最大的解作为第I代中最好的解,记为 表示第I代中N个个体种群在第i4维搜索空间上的最优位置;
步骤14、根据第I代社会知识库SKDI、第k个个体对应个体知识库和第k个个体对应的解更新获得第I+1代中第k个个体对应的解
步骤15、重复步骤14从而获得更新后的第I+1代的N个个体的序列解;
步骤16、计算I+1代种群中第k个个体对应的解的适应度值并与第I代中第k个个体的存储的N1个解的适应度值进行比较,将N1个适应度值最大的解作为第I+1代中第k个个体的个体知识库与第I代中的社会知识库SKDI中对应的的适应度值比较,把较大适应度值对应的解作为第I+1代中社会知识库SKDI+1中对应的
步骤17、将I+1赋值给I,判断I≤Imax是否成立,若成立,则执行步骤18;否则算法结束,从SKDI-1中获得适应度值最大的解作为最优解
步骤18、将it+1赋值给it,判断it≤it_max是否成立,若成立,则执行步骤14;否则把1赋值给it并执行步骤19;
步骤19、比较初始解X适应度值FX和迭代至第I代后获得最优解的适应度值若优于FX,则h_min赋值给h并返回步骤7;否则将h+hstep赋值给h,并执行步骤10;
输出模块32,用于将计算模块在步骤17得到的所述最优解作为最优的工件组加工序列方案输出。
由于本实施例所介绍的基于改进变邻域搜索算法的生产调度的系统为可以执行本公开实施例中的基于改进变邻域搜索算法的生产调度的方法的系统,故而基于本公开实施例中所介绍的基于改进变邻域搜索算法的生产调度的方法,本领域所属技术人员能够了解本实施例的基于改进变邻域搜索算法的生产调度的系统的具体实施方式以及其各种变化形式,所以在此对于该基于改进变邻域搜索算法的生产调度的系统如何实现本公开实施例中的基于改进变邻域搜索算法的生产调度的方法不再详细介绍。只要本领域所属技术人员实施本公开实施例中基于改进变邻域搜索算法的生产调度的方法所采用的系统,都属于本申请所欲保护的范围。
本公开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,本公开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,在上面对本公开的示例性实施例的描述中,本公开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:即所要求保护的本公开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公开的单独实施例。
Claims (7)
1.一种基于改进变邻域搜索算法的生产调度方法,其特征在于,所述的生产调度方法是按如下步骤进行:
步骤1、输入多组任务中每个工件的到达时间,加工时间,将组集合中的第i个组Gi中的工件集合中的工件按加工时间非递减顺序进行排序,从而获得排序后的工件集合
步骤2、将所述组Gi中经过排序后的工件集合中的第1个未分配的工件放入能容纳该工件的批中;若批的剩余空间不能容纳第1个未分配工件,则将该工件放到一个容量为C的新批中,直至把所述组Gi中经过排序后的工件集合中的所有工件都分配到相应的批中;
步骤3、将步骤2中组Gi得到的所有批按批处理时间非递减进行排序,得到组Gi的批处理集合 表示组Gi中的第j个批,将第j个批的加工时间记为其加工时间是所有批中完工时间最长的工件决定;将组Gi中第j批的准备时间记为组Gi中批次总数记为 表示不小于x的最小整数;其中表示Gi中的工件数量;
步骤4、随机产生组序列初始解,记为 表示序列解中第i1个组,其中,1≤i1≤n1;
步骤5、初始化算法中的各个参数,包括变邻域算法最小邻域h_min、变邻域算法跨邻域步长hstep、自适应算法迭代次数it、自适应算法最大迭代次数it_max、种群个体数目N、当前算法迭代次数I、最大迭代次数Imax,1≤I≤Imax;并初始化I=1;it=1;
步骤6、定义变量h,并初始化h=h_min;
步骤7、根据初始解X和变量h初始化获得第k个个体知识库,记为IKDk表示第k个个体经迭代获得最好的N1个解,表示IKDk中的第i2个解,其中1≤i2≤N1;
步骤8、重复步骤7,获得N个个体的初始化个体知识库IKD,记为IKD={IKD1,…,IKDk,…,IKDN},其中1≤k≤N;
步骤9、初始化社会知识库SKD,记为 表示第k个个体当前获得最好的解,其中1≤k≤N;
步骤10、根据社会知识库SKD和变量h产生初始种群个体,获得第I代的第k个个体对应的解,记为 表示第I代中的第k个体在第i3维搜索空间上的位置;其中,1≤I≤Imax;1≤k≤N;1≤i3≤n2
步骤11、计算第I代中第k个个体对应解的适应度根据适应度值更新第I代中的第k个个体的知识库和社会知识库SKDI中对应的
步骤12、重复步骤10和步骤11,获得第I代中的N个个体更新后的个体知识库IKDI,更新后的社会知识库SKDI;
步骤13、根据当前社会知识库SKDI中选出适应度值最大的解作为第I代中最好的解,记为 表示第I代中N个个体种群在第i4维搜索空间上的最优位置;
步骤14、根据第I代社会知识库SKDI、第k个个体对应个体知识库和第k个个体对应的解更新获得第I+1代中第k个个体对应的解
步骤15、重复步骤14从而获得更新后的第I+1代的N个个体的序列解;
步骤16、计算I+1代种群中第k个个体对应的解的适应度值并与第I代中第k个个体的存储的N1个解的适应度值进行比较,将N1个适应度值最大的解作为第I+1代中第k个个体的个体知识库与第I代中的社会知识库SKDI中对应的的适应度值比较,把较大适应度值对应的解作为第I+1代中社会知识库SKDI+1中对应的
步骤17、将I+1赋值给I,判断I≤Imax是否成立,若成立,则执行步骤18;否则算法结束,从SKDI-1中获得适应度值最大的解作为最优解将所述最优解作为最优的工件组加工序列方案输出;
步骤18、将it+1赋值给it,判断it≤it_max是否成立,若成立,则执行步骤14;否则把1赋值给it并执行步骤19;
步骤19、比较初始解X适应度值FX和迭代至第I代后获得最优解的适应度值若优于FX,则h_min赋值给h并返回步骤7;否则将h+hstep赋值给h,并执行步骤10。
2.根据权利要求1所述的方法,其特征在于,步骤7中初始化种群中第k个个体的知识库是按如下步骤产生:
步骤7.1、定义变量IKDk表示存储第k个个体经迭代获得最好的N1个解,将初始解赋值给X',变量X'与变量X具有相同的含义,初始化i2=1;
步骤7.2、定义循环变量m,并初始化m=1;
步骤7.3、随机产生两个在区[1,n1]范围内的整数分别记为r1,r2,交换变量X'中下标索引为r1,r2的两个元素,其他元素不变;
步骤7.4、将m+1赋值给m,判断m≤h是否成立,若成立,则返回步骤7.3;否则把经过交换的X'赋值给并执行步骤7.5;
步骤7.5、将i2+1赋值给i2,判断i2≤N1是否成立,若成立,则返回步骤7.2;否则完成对第k个个体知识库的初始化。
3.根据权利要求1所述的方法,其特征在于,步骤9中初始化社会知识库是按如下步骤产生:
步骤9.1、定义变量SKD表示存储种群N个个体经迭代获得的最好的解,表示种群中第k个个体所获得的最优解,初始化k=1;
步骤9.2、根据第k个个体对应的个体知识库IKDk,分别计算IKDk中N1个解的适应度值,并获取其中适应度值最大的解并将该最优解赋值给
步骤9.3、将k+1赋值给k,判断k≤N1是否成立,若成立,则返回步骤9.2;否则完成社会知识库的初始化。
4.根据权利要求1所述的方法,其特征在于,步骤10中初始化种群个体是按如下步骤产生:
步骤10.1、定义循环变量k,并初始化k=1;
步骤10.2、定义循环变量m,并初始化m=1;
步骤10.3、把社会知识库SKD中的赋值给Sk',变量Sk'与具有相同的含义;
步骤10.4、随机产生两个在区间[1,N]范围内的整数分别记为r1,r2,交换变量Sk'中下标索引为r1,r2的两个元素,其他元素不变;
步骤10.5、将m+1赋值给m,判断m≤h是否成立,若成立,则返回步骤10.4;否则把经过交换的Sk'赋值给并执行步骤10.6;
步骤10.6、将k+1赋值给k,判断k≤N是否成立,若成立,则返回步骤10.2;否则完成对种群N个个体的初始化。
5.根据权利要求1所述的方法,其特征在于,步骤14中对第I代中第k个个体进行更新获得第I+1代个体是按如下步骤产生:
步骤14.1、把第I代中第k个个体对应的解赋值给变量与具有相同的含义;
步骤14.2、初始化变量i3=1,
步骤14.3、把中第i3个元素赋值给变量q,随机产生一个在区间[0,1)范围内的数,记为random;
步骤14.4、判断random<pr是否成立,若成立,则执行步骤14.5;否则判断是否成立,若成立,则执行步骤14.6;否则执行步骤14.7;
步骤14.5、随机产生一个在区间[1,n2]范围内的整数,记为index1,把中第i3个元素替换为index1;
步骤14.6、随机产生一个在区间[1,N]范围内的整数,记为index2,将个体知识库中第index2个个体的第k个元素赋值给中第k个元素;步骤14.7、随机产生一个在区间[1,N]范围内的整数,记为index3,将社会知识库SKDI中第index3个个体的第k个元素赋值给中第k个元素;
步骤14.8、循环遍历个体中与第i3个元素值相同的其他元素,获取与第i3个元素相同的元素,并把该元素替换为q;
步骤14.9、把i3+1赋值给i3,判断i3≤n2是否成立,若成立,则返回步骤14.3;否则把经过变换的赋值给
6.根据权利要求1-5任一所述的方法,其特征在于,计算个体的适应度值是按如下步骤进行计算的:
S1、把S赋值给S',S'与S具有相同的含义;
S2、初始化参数i5=1,j=1,t=0;
S3、根据下式计算第i5个组的准备时间
其中,θg表示组的准备时间学习率,并将赋值给t;
S4、根据下式计算第i5个组中第j个批的准备时间
其中,表示第i5个组中批的准备时间学习率,并将赋值给t;
S5、根据下式计算第j批中第i5组的第w个工件的完工时间再将赋值给t;
其中,表示工件的基本加工时间,表示组所有工件的学习率,并设定β表示截断参数,并设0<β<1,b表示工件的恶化率,max{x,y}表示取x,y中的最大值;
S6、重复步骤S5直至把第j批中的所有工件的完工时间计算完毕;
S7、将j+1赋值给j,判断j≤li是否成立,若成立,则返回步骤S4;否则执行步骤S8;
S8、判断是否成立,若成立,则执行步骤S9;否则执行步骤S10;
S9、将i5+1赋值给i5,判断i5<n4是否成立,若成立,则返回步骤S3;否则计算适应度值完毕,把当前的t值作为该个体解的Cmax值,并把S'赋值给S,同时适应度值记为
S10、根据下式分别计算S'中的最后n4-i5+1个元素的ρ值:
其中,中lr表示元素组Sr中批的数量,b表示工件的恶化率,θg表示组的准备时间学习率,表示第r个组Sr中批的准备时间学习率,n4rd表示组Sr中第d批中所含工件的数量,n4ru表示组Sr中第u批中所含工件的数量,表示组Sr中所包含的所有工件数量,prj表示组Sr中的第j个加工的工件,αr表示组Sr所有工件的学习率;
S11、在S'中保持前面i5-1个元素的排序不变,而后面n4-i5+1个元素按照ρ值的非递增排序,从而形成新的组序列记为S”;
S12、把S”赋值给S',并返回步骤S3。
7.一种基于改进变邻域搜索算法的生产调度系统,其特征在于,包括:
计算模块,用于执行以下步骤:
步骤1、输入多组任务中每个工件的到达时间,加工时间,将组集合中的第i个组Gi中的工件集合中的工件按加工时间非递减顺序进行排序,从而获得排序后的工件集合
步骤2、将所述组Gi中经过排序后的工件集合中的第1个未分配的工件放入能容纳该工件的批中;若批的剩余空间不能容纳第1个未分配工件,则将该工件放到一个容量为C的新批中,直至把所述组Gi中经过排序后的工件集合中的所有工件都分配到相应的批中;
步骤3、将步骤2中组Gi得到的所有批按批处理时间非递减进行排序,得到组Gi的批处理集合 表示组Gi中的第j个批,将第j个批的加工时间记为其加工时间是所有批中完工时间最长的工件决定;将组Gi中第j批的准备时间记为组Gi中批次总数记为 表示不小于x的最小整数;其中表示Gi中的工件数量;
步骤4、随机产生组序列初始解,记为 表示序列解中第i1个组,其中,1≤i1≤n1;
步骤5、初始化算法中的各个参数,包括变邻域算法最小邻域h_min、变邻域算法跨邻域步长hstep、自适应算法迭代次数it、自适应算法最大迭代次数it_max、种群个体数目N、当前算法迭代次数I、最大迭代次数Imax,1≤I≤Imax;并初始化I=1;it=1;
步骤6、定义变量h,并初始化h=h_min;
步骤7、根据初始解X和变量h初始化获得第k个个体知识库,记为IKDk表示第k个个体经迭代获得最好的N1个解,表示IKDk中的第i2个解,其中1≤i2≤N1;
步骤8、重复步骤7,获得N个个体的初始化个体知识库IKD,记为IKD={IKD1,…,IKDk,…,IKDN},其中1≤k≤N;
步骤9、初始化社会知识库SKD,记为 表示第k个个体当前获得最好的解,其中1≤k≤N;
步骤10、根据社会知识库SKD和变量h产生初始种群个体,获得第I代的第k个个体对应的解,记为 表示第I代中的第k个体在第i3维搜索空间上的位置;其中,1≤I≤Imax;1≤k≤N;1≤i3≤n2;
步骤11、计算第I代中第k个个体对应解的适应度根据适应度值更新第I代中的第k个个体的知识库和社会知识库SKDI中对应的
步骤12、重复步骤10和步骤11,获得第I代中的N个个体更新后的个体知识库IKDI,更新后的社会知识库SKDI;
步骤13、根据当前社会知识库SKDI中选出适应度值最大的解作为第I代中最好的解,记为 表示第I代中N个个体种群在第i4维搜索空间上的最优位置;
步骤14、根据第I代社会知识库SKDI、第k个个体对应个体知识库和第k个个体对应的解更新获得第I+1代中第k个个体对应的解
步骤15、重复步骤14从而获得更新后的第I+1代的N个个体的序列解;
步骤16、计算I+1代种群中第k个个体对应的解的适应度值并与第I代中第k个个体的存储的N1个解的适应度值进行比较,将N1个适应度值最大的解作为第I+1代中第k个个体的个体知识库与第I代中的社会知识库SKDI中对应的的适应度值比较,把较大适应度值对应的解作为第I+1代中社会知识库SKDI+1中对应的
步骤17、将I+1赋值给I,判断I≤Imax是否成立,若成立,则执行步骤18;否则算法结束,从SKDI-1中获得适应度值最大的解作为最优解
步骤18、将it+1赋值给it,判断it≤it_max是否成立,若成立,则执行步骤14;否则把1赋值给it并执行步骤19;
步骤19、比较初始解X适应度值FX和迭代至第I代后获得最优解的适应度值若优于FX,则h_min赋值给h并返回步骤7;否则将h+hstep赋值给h,并执行步骤10;
输出模块,用于将计算模块在步骤17得到的所述最优解作为最优的工件组加工序列方案输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439818.7A CN107730065B (zh) | 2017-06-12 | 2017-06-12 | 基于改进变邻域搜索算法的生产调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710439818.7A CN107730065B (zh) | 2017-06-12 | 2017-06-12 | 基于改进变邻域搜索算法的生产调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107730065A CN107730065A (zh) | 2018-02-23 |
CN107730065B true CN107730065B (zh) | 2018-07-24 |
Family
ID=61201593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710439818.7A Active CN107730065B (zh) | 2017-06-12 | 2017-06-12 | 基于改进变邻域搜索算法的生产调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107730065B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109686431B (zh) * | 2018-12-28 | 2021-04-06 | 合肥工业大学 | 基于混合灰狼-变邻域搜索算法的手术室调度方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411306A (zh) * | 2011-11-17 | 2012-04-11 | 浙江工业大学 | 一种基于蜂社会自组织模型的混流装配生产调度控制方法 |
CN103577900A (zh) * | 2013-11-19 | 2014-02-12 | 天津工业大学 | 基于分散变邻域搜索的阻塞流水车间调度方法 |
CN103592920A (zh) * | 2013-11-19 | 2014-02-19 | 天津工业大学 | 一种中间存储能力有限的混合流水车间调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8190463B2 (en) * | 2000-09-06 | 2012-05-29 | Masterlink Corporation | System and method for managing mobile workers |
-
2017
- 2017-06-12 CN CN201710439818.7A patent/CN107730065B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411306A (zh) * | 2011-11-17 | 2012-04-11 | 浙江工业大学 | 一种基于蜂社会自组织模型的混流装配生产调度控制方法 |
CN103577900A (zh) * | 2013-11-19 | 2014-02-12 | 天津工业大学 | 基于分散变邻域搜索的阻塞流水车间调度方法 |
CN103592920A (zh) * | 2013-11-19 | 2014-02-19 | 天津工业大学 | 一种中间存储能力有限的混合流水车间调度方法 |
Non-Patent Citations (2)
Title |
---|
"基于粒子群优化和变邻域搜索的混合调度算法";潘全科 等;《计算机集成制造系统》;20070228;第13卷(第2期);第323-328页 * |
"基于连续批加工的生产运输协同调度研究";裴军;《中国博士学位论文全文数据库信息科技辑》;20150715(第7期);第I140-42页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107730065A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107392402B (zh) | 基于改进禁忌搜索算法的生产运输协同调度方法及系统 | |
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 | |
CN107301473B (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
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 | |
CN107102552B (zh) | 基于混合集合蛙跳与变邻域算法的平行机调度方法及系统 | |
CN110543151B (zh) | 基于改进nsga-ⅱ求解车间节能调度问题的方法 | |
CN107093046B (zh) | 无人配送车任务分配方法、系统和无人配送车 | |
Chaudhry et al. | Minimizing total tardiness for the machine scheduling and worker assignment problems in identical parallel machines using genetic algorithms | |
CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
CN106610654A (zh) | 针对柔性作业车间调度的改进遗传算法 | |
CN111382915A (zh) | 一种共融agv的柔性作业车间调度方法 | |
CN105740953B (zh) | 一种基于实数编码量子进化算法的不规则排样方法 | |
CN110389819A (zh) | 一种计算密集型批处理任务的调度方法和系统 | |
Mahmudy et al. | Real coded genetic algorithms for solving flexible job-shop scheduling problem-part I: modelling | |
Mahmudy et al. | Optimization of part type selection and loading problem with alternative production plans in flexible manufacturing system using hybrid genetic algorithms-part 1: Modelling and representation | |
CN107730065B (zh) | 基于改进变邻域搜索算法的生产调度方法及系统 | |
CN111798120A (zh) | 基于改进人工蜂群算法的柔性作业车间调度方法 | |
CN113705812B (zh) | 基于混合并行遗传和变邻域算法的生产调度方法和系统 | |
Gu et al. | A discrete particle swarm optimization algorithm with adaptive inertia weight for solving multiobjective flexible job-shop scheduling problem | |
CN110928261A (zh) | 分布式异构流水车间的分布估计调度方法及系统 | |
CN112668789A (zh) | 一种柔性作业车间带准备工序的自适应分批调度方法 | |
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 | |
CN116360355A (zh) | 基于nsga-iii算法求解车间调度问题的方法 | |
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 | |
CN111985841B (zh) | 一种基于改进遗传算法的注塑车间调度方法及系统 |
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 | ||
GR01 | Patent grant |