CN107807623A - 柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用 - Google Patents

柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用 Download PDF

Info

Publication number
CN107807623A
CN107807623A CN201711191484.2A CN201711191484A CN107807623A CN 107807623 A CN107807623 A CN 107807623A CN 201711191484 A CN201711191484 A CN 201711191484A CN 107807623 A CN107807623 A CN 107807623A
Authority
CN
China
Prior art keywords
parts
mrow
machine
production line
msub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711191484.2A
Other languages
English (en)
Inventor
薄洪光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
DALIAN HUATIE HAIXING TECHNOLOGY Co Ltd
Dalian University of Technology
CRRC Qingdao Sifang Co Ltd
Original Assignee
DALIAN HUATIE HAIXING TECHNOLOGY Co Ltd
Dalian University of Technology
CRRC Qingdao Sifang Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by DALIAN HUATIE HAIXING TECHNOLOGY Co Ltd, Dalian University of Technology, CRRC Qingdao Sifang Co Ltd filed Critical DALIAN HUATIE HAIXING TECHNOLOGY Co Ltd
Priority to CN201711191484.2A priority Critical patent/CN107807623A/zh
Publication of CN107807623A publication Critical patent/CN107807623A/zh
Pending legal-status Critical Current

Links

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]
    • G05B19/41885—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 modeling, simulation of the manufacturing system
    • 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
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用，属于复杂生产、信息技术及先进制造领域，用于解决针对柔性机加生产线加工环境中干扰事件的随机出现导致初始排产计划发生偏离的调度问题，技术要点是：柔性机加生产线动态排产过程中使用包含高斯变异算子和/或随机策略的多层邻域搜索结构的混合微粒群优化算法得到重调度方案，效果是：使得随机扰动信息对初始调度方案进行动态修正以应对由于随机扰动。

Description

柔性机加生产线的动态排产方法、系统及在高铁动车零部件 组柔性机加生产线中的应用
技术领域
本发明属于复杂生产、信息技术及先进制造领域，涉及一种柔性机加生产线的动态排产方法。
背景技术
目前，我国复杂装备制造业发展迅猛，同时在零部件制造过程中也面临着诸多问题，高铁动车组零部件制造则是这一现象的典型代表，其问题可以追溯至高铁动车组零部件制造的如下特征：同一工序由并行机共同承担，存在机器柔性；机器数量、零部件数量、工序数量多；零部件交货期要求严格、零部件拖期成本较高；由于机器维修维护、机器故障等机器扰动导致零部件加工受阻、影响交货期；由于零部件质量问题返修、临时插单等扰动导致零部件加工受阻、影响交货期。鉴于上述特征，传统的排产模式已难以适应高铁动车组零部件的制造执行。具体来讲，上述特点在高铁动车组零部件的磨床加工、卧式加工、立式加工工序中有着明显的体现。对于上述工序，很难通过传统的调度排产方法给出最优的加工时间表，实际生产中凭借调度人员的人工经验而采取的手工调度方案无论从及时性、准确性上，也更难符合复杂制造产业的严格要求。
发明内容
本发明要解决针对柔性机加生产线加工环境中干扰事件的随机出现导致初始排产计划发生偏离的调度问题。
为了解决上述技术问题，本发明提供如下方案：
一种柔性机加生产线的动态排产方法，包括：
S1.采集并读取排产调度相关信息；
S2.建立兼顾初始调度目标和偏离校正目标的多目标干扰管理调度模型；
S3.柔性机加生产线动态排产过程中使用包含高斯变异算子和/或随机策略的多层邻域搜索结构的混合微粒群优化算法得到重调度方案。
进一步的，步骤S2包括如下步骤：
S2.1.定义多目标干扰管理调度模型参数；
S2.2.初始调度方案及干扰管理策略制定；
S2.3.定义多目标干扰管理调度模型约束条件及相关特征量。
所述定义多目标干扰管理调度模型参数的步骤是：在t0时刻，机加生产线加工系统和待加工零部件集J均准备就绪，待加工零部件集J＝{1,2,…,j,…,n},n＞1，由n个零部件组成，各个零部件的加工权重为ωj，且各零部件具有相同的工艺行程，都需依次经过机加生产线中的L道加工工序，L≥2，任一加工工序均有li≥1台并行同速机，且至少有一道加工工序满足li＞1；任一机器在某一时刻只能加工一个零部件；每个零部件在各道工序机器上只加工一次；同一零部件需连续经过L道加工工序；若零部件加工被迫中断则需重新进入机加生产线进行加工；
零部件j在机加生产线工序i的加工时间为pij；零部件j经过工序i的第台机器上的开工时间为 完工时间为零部件j在机加生产线上的完工时间为Cj，可行的调度加工时间表记为π，机器扰动ΔM将在t1时刻出现，t1＞t0，使得机器在t1至t2时段被占用；因t0时刻预知出现机器扰动，故将取消或新增某零部件任务；扰动后零部件j的加工滞后时间为Tj，其计算公式为：
其中，为初始最优加工安排中，零部件j在机加生产线上的完工时间，Cj为干扰管理重调度后零部件j在机加生产线的完工时间；
所述初始调度方案及干扰管理策略制定的步骤是：以最小化所有零部件完工时间的加权和为机加生产线初始调度的优化目标，其描述为：
以所有零部件的完工滞后时间加权和作为偏离程度的度量指标，机加生产线重调度的优化目标，其描述为：
其中，n′为干扰后的待加工零部件，π′为新的可行调度加工时间表；
所述定义多目标干扰管理调度模型约束条件及相关特征量：定义σ(ijk)表示零部件j在工序i的机器上的紧后加工零部件，定义变量表示零部件j在工序i上是否由机器加工，令和零部件j在工序i的机器上的开工时间为模型的决策变量，机器扰动ΔM出现的时间窗记为[tm,tm+1]，其中m＝1,3,5,...；
面向零部件柔性机加生产线干扰管理调度问题的优化目标为：
其中，fI(π′)和fII(π′)分别为目标一加权完工时间和最小以及目标二加权滞后时间和最小；
包含了新增零部件的零部件，不能安排在机器扰动的时间窗内加工，其表示为：
同一机器只有在前一零部件加工完成之后才能开始对下一零部件进行加工，其表示为：
在柔性机加生产线上，两个零部件若被安排在同一台机器上加工，则不允许它们同时开工，其表示为：
其中，J′为干扰后待加工零部件集，j′为区别与j的待加工零部件；
空闲状态的机器上零部件先到先加工，其为FCFS调度规则约束，即：
其中，j″为区别于j的待加工零部件；Cimin＝minCij″表示零部件min是当前工序最早完工的零部件，即加工零部件min的机器是当前最早空闲的机器，表示紧后零部件在加工零部件min的机器上加工。
进一步的，步骤S3，具有生成种群规模为M的初始种群，并按如下方法对微粒位置进行初始化的子步骤：
在求解算法中，定义n′维搜索空间中第i个微粒的位置向量和速度向量分别为Xi＝[xi,1,xi,2,...,xi,n′]和Vi＝[vi,1,vi,2,...,vi,n′]，在t时刻，每个微粒搜索所经过的最佳位置记为群体最佳位置记为则t+1时刻各微粒的速度和位置迭代为：
vi,j(t+1)＝ωvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)]
xi,j(t+1)＝xi,j(t)+vi,j(t+1),j∈{1,2,...,n′}
其中，ω为惯性权因子，c1和c2为正的加速常数，r1和r2为在0到1之间均匀分布的随机数；用微粒位置矢量值的升序排列规则，该规则为ROV规则，通过构造从微粒位置矢量到零部件排序的映射编码，对各微粒的矢量维度进行位置排序，将微粒的连续位置转换为离散的零部件排序；
ROV规则具体实施步骤如下：对于一个微粒的位置矢量，首先将取值最小的分量位置赋予ROV值1，其次将第二小的分量位置赋予ROV值2，以此类推，直到将所有分量位置都赋予一个唯一的ROV值，构造出ROV规则零部件排序。
进一步的，步骤S3，混合微粒群优化算法中，高斯变异算子如下：
在求解算法的迭代过程中，假设第i个粒子位置是当前种群的最优位置，此时，对于粒子i，其速度更新方程的第二部分c1r1[pi,j-xi,j(t)]和第三部分c2r2[pg,j-xi,j(t)]均为0，因此粒子i的速度更新方程描述为vi,j(t+1)＝ωvi,j(t)，最优粒子i将沿着原来的搜索方向进化，当连续h次迭代原有的全局极值没有变化或变化量被视为算法陷入局部极值域，此时对全局最优产生一个服从高斯分布的随机扰动项，其公式如下：
gbest'j＝gbestj·[1+k·N(0,1)],j∈{1,2,...,n′}
其中，gbestj为当前全局最优位置；k为随迭代次数从1到0均匀递减的变量；N(0，1)为服从均值为0方差为1的高斯分布的随机向量。
进一步的，步骤S3执行方法如下：
S3.1.根据ROV规则编码，以随机方式初始化种群微粒位置与速度；
S3.2.将当前各微粒位置和优化目标存储于pbest中，并将种群中微粒的最优位置和目标值存储于gbest中；
S3.3.按照微粒速度和位置公式更新种群中各微粒位置，并以FCFS调度规则进行机器分配调整；
S3.4.根据多目标处理策略评价种群所有微粒的随机线性加权标准化适应度：
rand()·fⅠ(π′)/rulerⅠ+[1-rand()]·fⅡ(π′)/rulerⅡ；
S3.5.比较种群中每个微粒当前目标值与pbest的目标值，并更新pbest；比较当前所有pbest与gbest的目标值，并更新gbest；
S3.6.基于随机策略的多重邻域搜索对算法局部搜索进行改进，同时判断全局最优gbest连续k次迭代变化值|Δf|，如果则进入步骤S3.7，否则进入步骤S3.8；
S3.7.按照gbest'j＝gbestj·[1+k·N(0,1)],j∈{1,2,...,n′}对当前gbest进行高斯变异扰动，比较变异前后gbest的目标值，并更新gbest；其中，gbestj为当前全局最优位置；k为随迭代次数从1到0均匀递减的变量；N(0，1)为服从均值为0方差为1的高斯分布的随机向量；gbest′j为全局最优产生一个服从高斯分布的随机扰动项；
S3.8.判断算法是否达到最大迭代次数，如达到，则输出目标值并停止算法；否则跳转到步骤S3.3。
进一步的，随机策略的多重邻域搜索的结构，定义为表示以概率cPIII对各微粒执行步长为的局部精细搜索，其中，Xbest(g)为当前种群最佳微粒，cPIII为三阶段概率分布区间：cPi[α1,β1]、cPii[α2,β2]和cPiii[α3,β3]；对于任意(0,1)之间的均匀分布随机数rand()，若α1≤rand()≤β1，则执行insert(π,k1,k2)插入邻域搜索操作；若α2≤rand()≤β2，则执行Insert_change(π,k1,k2)插入-交换邻域搜索操作；若α3≤rand()≤β3，则执行Swap(π,k1)相邻互换邻域搜索操作。
进一步的，定义组合邻域结构COM＜FB,IC,S＞，描述三种邻域算子的组合状态，并规定组合状态下多邻域算子的优先级顺序为：先做Insert(π,k1,k2)邻域搜索，再做Insert_change(π,k1,k2)邻域搜索，最后执行Swap(π,k1)邻域搜索。
一种柔性机加生产线的动态排产系统，包括信息采集模块:采集并读取排产调度相关信息；模型建立模块：建立兼顾初始调度目标和偏离校正目标的多目标干扰管理调度模型；方案生成模块：柔性机加生产线动态排产过程中使用包含高斯变异算子和随机邻域结构的混合微粒群优化算法得到重调度方案。
一种高铁动车零部件组零部件柔性生产线动态排产的应用，为使用上述任一项所述的动态排产方法以对高铁动车零部件组零部件柔性生产线动态排产。
有益效果：本发明对于柔性机加生产线加工环境中干扰事件的随机出现，使用高斯变异算子或者随机邻域结构，或者二者的结合，应用于混合微粒群优化算法中，使得随机扰动信息对初始调度方案进行动态修正以应对由于随机扰动。
附图说明
图1采集系统硬件构成图；
图2干扰管理调度抽象示意图；
图3混合微粒群求解算法流程图；
图4机加生产线工序示意图。
具体实施方式
本实施例提供一种柔性机加生产线的动态排产方法，是一种可在高铁动车组零部件的磨床加工、卧式加工、立式加工工序中考虑机器柔性、机器干扰、零部件干扰等加工条件和考虑交货期、零部件拖期等多目标的工况下应用的动态排产方法。
针对柔性机加生产线加工环境中干扰事件的随机出现导致初始排产计划发生偏离的调度问题，本实施例基于干扰管理理论提出一种面向高铁动车组零部件柔性机加生产线的动态排产方法。该方法首先建立了兼顾初始调度目标和偏离校正目标的多目标干扰管理调度模型，然后通过包含高斯变异算子和随机邻域结构的混合微粒群优化算法得到基于干扰管理的重调度优化方案，并基于随机扰动信息对初始调度方案进行动态修正以应对由于随机扰动(机器扰动或零部件扰动)导致初始调度方案性能下降乃至不可行的问题。
本发明所述方法在计算机中依次按照以下步骤实现：
步骤一：通过集成制造数据采集硬件系统采集得到排产调度相关信息，所述的集成制造数据采集硬件系统(以下简称采集系统)由采集服务器、PC/工控机、多功能信息交互终端、终端采集设备(工位传感器、数字车床操作工位、条码扫描仪等)等构成，所述的调度相关信息包括零部件和设备(工装)的如下相关信息：
被调度(待加工)零部件集中的零部件总数，各零部件(包括零部件扰动所指的返修零部件和新增零部件)的加工工序，各零部件的加工权重，各零部件到达或预计到达流水线的时刻(零部件释放时刻)，各零部件在各加工工序的加工时间；各道工序拥有的并行机数量，发生扰动(故障或保养)的机器的编号，机器扰动的时间区域(开始时间和修复时间)。
步骤二：通过运行在调度服务器上的面向高铁动车组零部件柔性机加生产线的动态排产软件(以下简称动态排产软件)，从所述采集系统中读取所述排产调度相关信息，并在所述排产调度相关信息基础上，依次按如下操作逐步建立兼顾初始调度目标和偏离校正目标的多目标干扰管理调度模型：
操作1：定义多目标干扰管理调度模型参数。
在t0时刻，机加生产线加工系统和待加工零部件集J均准备就绪。待加工零部件集J＝{1,2,…,j,…,n}(n＞1)由n个零部件组成，各个零部件的加工权重为ωj，且各零部件具有相同的工艺行程，都需要依次经过机加生产线中的L(L≥2)道加工工序。任一加工工序均有li≥1台并行同速机，且至少有一道加工工序满足li＞1；任一机器在某一时刻只能加工一个零部件；每个零部件在各道工序机器上只加工一次；同一零部件需连续经过L道加工工序；若零部件加工被迫中断则需重新进入机加生产线进行加工。
零部件j在机加生产线工序i的加工时间为pij；零部件j经过工序i的第台机器上的开工时间为完工时间为零部件j在机加生产线上的完工时间为Cj，可行的调度加工时间表记为π。机器扰动ΔM将在t1时刻(t1＞t0)出现，使得机器在t1至t2时段被占用；因t0时刻预知出现机器扰动，故将取消或新增某零部件任务；扰动后零部件j的加工滞后时间为Tj，其计算公式为：
其中，为初始最优加工安排中，零部件j在机加生产线上的完工时间，Cj为干扰管理重调度后零部件j在机加生产线的完工时间。
操作2：初始调度方案及干扰管理策略。
以最小化所有零部件完工时间的加权和(或称加权总流水时间)为机加生产线初始调度的优化目标，其可以描述为：
本发明利用先到先服务(First Come First Served，FCFS)的启发式调度规则，采用生产周期快速算法，获得机加生产线初始调度问题可接受的最优加工时间表为
依照干扰管理的基本思想，在进行机加生产线扰动修复重调度时，为缩小修复方案与初始方案之间的偏离程度，要尽可能地使前后两个调度方案在时间安排上保持一致。也就是说，在制定干扰管理调度方案时，既要考虑新调度方案最小化所有零部件完工时间的加权和指标(初始调度目标)，又要保证新调度方案加工时间表π′与初始最优调度加工时间表之间的偏离度最小化，本文以所有零部件的完工滞后时间加权和作为偏离程度的度量指标，其可以描述为：
其中，n′为干扰后的待加工零部件，π′为新的可行调度加工时间表。
操作3：定义多目标干扰管理调度模型约束条件及相关特征量。
定义σ(ijk)表示零部件j在工序i的机器上的紧后加工零部件，定义变量表示零部件j在工序i上是否由机器加工(＝0或1)。令和零部件j在工序i的机器上的开工时间为模型的决策变量。机器扰动ΔM出现的时间窗记为[tm,tm+1]，其中m＝1,3,5,…。
面向高铁动车组零部件柔性机加生产线干扰管理调度问题的优化目标为：
其中，fI(π′)和fII(π′)分别为目标一加权完工时间和最小以及目标二加权滞后时间和最小。
零部件(包含新增零部件)不能安排在机器扰动的时间窗内加工，即：
同一机器只有在前一零部件加工完成之后才能开始对下一零部件进行加工，即：
在柔性机加生产线上，两个零部件若被安排在同一台机器上加工，则不允许它们同时开工(加工作业的析取约束)，即：
其中，J′为干扰后待加工零部件集，j′为区别与j的待加工零部件。
空闲状态的机器上零部件先到先加工(FCFS调度规则约束)，即：
其中，j″为区别于j的待加工零部件。
其中Cimin＝minCij″表示零部件min是当前工序最早完工的零部件即加工零部件min的机器是当前最早空闲的机器，表示紧后零部件在加工零部件min的机器上加工。
步骤三：所述动态排产软件依次按如下操作实现所述面向高铁动车组零部件柔性机加生产线的动态排产方法。
操作1：生成种群规模为M的初始种群，并按如下方法对微粒位置进行初始化。
在动态排产软件内的求解算法中，定义n′维搜索空间中第i个微粒的位置向量和速度向量分别为Xi＝[xi,1,xi,2,…,xi,n′]和Vi＝[vi,1,vi,2,…,vi,n′]。在t时刻，每个微粒搜索所经过的最佳位置记为群体最佳位置记为则t+1时刻各微粒的速度和位置迭代为：
vi,j(t+1)＝ωvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)]
xi,j(t+1)＝xi,j(t)+vi,j(t+1),j∈{1,2,…,n′}
其中，ω为惯性权因子，c1和c2为正的加速常数，r1和r2为在0到1之间均匀分布的随机数；
其中，本文利用微粒位置矢量值的升序排列(ROV)规则，通过构造从微粒位置矢量到零部件排序的映射编码，对各微粒的矢量维度进行位置排序，将微粒的连续位置转换为离散的零部件排序。
ROV规则具体实施步骤如下：对于一个微粒的位置矢量，首先将取值最小的分量位置赋予ROV值1，其次将第二小的分量位置赋予ROV值2，以此类推，直到将所有分量位置都赋予一个唯一的ROV值，构造出ROV规则零部件排序。
操作2：利用高斯变异对算法全局寻优进行改进。
在动态排产软件内的求解算法的迭代过程中，假设第i个粒子位置是当前种群的最优位置，此时，对于粒子i来说，其速度更新方程的第二部分c1r1[pi,j-xi,j(t)]和第三部分c2r2[pg,j-xi,j(t)]均为0，因此粒子i的速度更新方程可以描述为vi,j(t+1)＝ωvi,j(t)。由此可知，最优粒子i将沿着原来的搜索方向进化，即粒子i在固定的范围内搜索；当连续h次迭代原有的全局极值没有变化或变化量Δf很小时将其看作算法陷入局部极值域，此时对全局最优产生一个服从高斯分布[17]的随机扰动项，其公式如下：
gbest'j＝gbestj·[1+k·N(0,1)],j∈{1,2,…,n′}
其中，gbestj为当前全局最优位置；k为随迭代次数从1到0均匀递减的变量；N(0，1)为服从均值为0方差为1的高斯分布的随机向量。
操作3：利用邻域搜索对算法局部寻优进行改进。
考虑到机加生产线调度问题解空间的特点，动态排产软件内求解算法采用了3种邻域结构对算法局部寻优进行改进，分别是Insert(π,k1,k2)(插入)邻域结构、Insert_change(π,k1,k2)(插入-交换)邻域结构和Swap(π,k1)(相邻互换)邻域结构。
①Insert(π,k1,k2)邻域结构：当k1＜k2时，采用Forward_insert(π,k1,k2)邻域结构，即将零部件k2插入到零部件k1之前；当k1＞k2时，采用Backward_insert(π,k2,k1)邻域结构，即将零部件k2插入到零部件k1之后。k1和k2为排列π中的随机位置；
②Insert_change(π,k1,k2)邻域结构：将零部件加工时间表排列π中第k1和k2个位置上的零部件互换；
③Swap(π,k1)邻域结构：将零部件加工时间表排列π中第k1个位置上的两个相邻零部件互换排序。
为发挥上述三类邻域结构的组合作用优势，本发明在动态排产软件中设计了一种基于随机策略的多重邻域搜索结构。定义为表示以概率cPIII对各微粒执行步长为的局部精细搜索，其中，Xbest(g)为当前种群最佳微粒，cPIII为三阶段概率分布区间：cPi[α1,β1]、cPii[α2,β2]和cPiii[α3,β3]。对于任意(0,1)之间的均匀分布随机数rand()，若α1≤rand()≤β1，则执行insert(π,k1,k2)；若α2≤rand()≤β2，则执行Insert_change(π,k1,k2)邻域搜索操作；若α3≤rand()≤β3，则执行Swap(π,k1)邻域搜索操作。α1,β1，α2,β2，α3,β3为0到1之间六个互不相等的数字。
针对概率分布可能重叠的情况，定义组合邻域结构COM＜FB,IC,S＞，描述三种邻域算子的组合状态，并规定组合状态下多邻域算子的优先级顺序为：先做Insert(π,k1,k2)邻域搜索，再做Insert_change(π,k1,k2)邻域搜索，最后执行Swap(π,k1)邻域搜索。例如：当α3＜β2时，即存在有重叠区域[α3,β2]，若随机数rand()满足α3≤rand()≤β2，则形成组合邻域结构，在该邻域结构按照邻域算子的优先级顺序交替执行Insert_change(π,k1,k2)和Swap(π,k1)两种邻域搜索操作。
操作4：动态排产软件中，通过基于高斯变异算子和随机邻域结构的混合微粒群优化算法求解机加生产线干扰管理调度问题的具体实施。
(1)根据ROV规则编码，以随机方式初始化种群微粒位置与速度；
(2)将当前各微粒位置和优化目标存储于pbest中，并将种群中微粒的最优位置和目标值存储于gbest中；
(3)按照微粒速度和位置公式更新种群中各微粒位置，并以FCFS调度规则进行机器分配调整；
(4)根据多目标处理策略评价种群所有微粒的随机线性加权标准化适应度：
rand()·fⅠ(π′)/rulerⅠ+[1-rand()]·fⅡ(π′)/rulerⅡ；
(5)比较种群中每个微粒当前目标值与pbest的目标值，并更新pbest；比较当前所有pbest与gbest的目标值，并更新gbest；
(6)基于随机策略的多邻域搜索对算法局部搜索进行改进，同时判断全局最优gbest连续k次迭代变化值|Δf|，如果则进入(7)，否则进入(8)；
(7)按照gbest'j＝gbestj·[1+k·N(0,1)],j∈{1,2,...,n′}对当前gbest进行高斯变异扰动，比较变异前后gbest的目标值，并更新gbest；
(8)判断算法是否达到最大迭代次数(终止条件)，如达到，则输出目标值并停止算法；否则跳转到(3)。
其中(4)中所提到的多目标处理策略是在动态排产软件求解算法中将传统的多目标加权线性累加策略与随机权重方法相结合，建立支持算法搜索方向动态可变的随机线性加权标准化适应度函数，即其中，λk为第k个目标的非负权重系数rulerk为第k个目标的标准化数(归一化基数)，其值为各目标权重都为1的情况下1000次基本PSO数值实验所对应的第k个目标值。动态排产软件求解算法迭代过程中，每一组权重系数决定了种群个体在目标空间中的某一个搜索方向，为了增加算法搜索方向的多样性，获得尽可能多的非劣解，λk按照方式随机生成，randk为(0,1)之间均匀分布的随机数。
以上所述，仅为本发明创造较佳的具体实施方式，但本发明创造的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明创造披露的技术范围内，根据本发明创造的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明创造的保护范围之内。

Claims (10)

1.一种柔性机加生产线的动态排产方法，其特征在于，包括：
S1.采集并读取排产调度相关信息；
S2.建立兼顾初始调度目标和偏离校正目标的多目标干扰管理调度模型；
S3.柔性机加生产线动态排产过程中使用包含高斯变异算子和/或随机策略的多层邻域搜索结构的混合微粒群优化算法得到重调度方案。
2.如权利要求1所述的柔性机加生产线的动态排产方法，其特征在于，步骤S2包括如下步骤：
S2.1.定义多目标干扰管理调度模型参数；
S2.2.初始调度方案及干扰管理策略制定；
S2.3.定义多目标干扰管理调度模型约束条件及相关特征量。
3.如权利要求2所述的柔性机加生产线的动态排产方法，其特征在于，所述定义多目标干扰管理调度模型参数的步骤是：在t0时刻，机加生产线加工系统和待加工零部件集J均准备就绪，待加工零部件集J＝{1,2,…,j,…,n},n＞1，由n个零部件组成，各个零部件的加工权重为ωj，且各零部件具有相同的工艺行程，都需依次经过机加生产线中的L道加工工序，L≥2，任一加工工序均有li≥1台并行同速机，且至少有一道加工工序满足li＞1；任一机器在某一时刻只能加工一个零部件；每个零部件在各道工序机器上只加工一次；同一零部件需连续经过L道加工工序；若零部件加工被迫中断则需重新进入机加生产线进行加工；
零部件j在机加生产线工序i的加工时间为pij；零部件j经过工序i的第台机器上的开工时间为完工时间为零部件j在机加生产线上的完工时间为Cj，可行的调度加工时间表记为π，机器扰动ΔM将在t1时刻出现，t1＞t0，使得机器在t1至t2时段被占用；因t0时刻预知出现机器扰动，故将取消或新增某零部件任务；扰动后零部件j的加工滞后时间为Tj，其计算公式为：
<mrow> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>=</mo> <mi>max</mi> <mo>{</mo> <msub> <mi>C</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mover> <mi>C</mi> <mo>&amp;OverBar;</mo> </mover> <mi>j</mi> </msub> <mo>,</mo> <mn>0</mn> <mo>}</mo> </mrow>
其中，为初始最优加工安排中，零部件j在机加生产线上的完工时间，Cj为干扰管理重调度后零部件j在机加生产线的完工时间；
所述初始调度方案及干扰管理策略制定的步骤是：以最小化所有零部件完工时间的加权和为机加生产线初始调度的优化目标，其描述为：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>&amp;pi;</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>j</mi> </msub> <msub> <mi>C</mi> <mi>j</mi> </msub> </mrow>
以所有零部件的完工滞后时间加权和作为偏离程度的度量指标，机加生产线重调度的优化目标，其描述为：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <msup> <mi>&amp;pi;</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msup> <mi>n</mi> <mo>&amp;prime;</mo> </msup> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>j</mi> </msub> <msub> <mi>T</mi> <mi>j</mi> </msub> </mrow>
其中，n′为干扰后的待加工零部件，π′为新的可行调度加工时间表；
所述定义多目标干扰管理调度模型约束条件及相关特征量：定义σ(ijk)表示零部件j在工序i的机器上的紧后加工零部件，定义变量表示零部件j在工序i上是否由机器加工，令和零部件j在工序i的机器上的开工时间为模型的决策变量，机器扰动ΔM出现的时间窗记为[tm,tm+1]，其中m＝1,3,5,...；
面向零部件柔性机加生产线干扰管理调度问题的优化目标为：
<mrow> <mi>min</mi> <mo>{</mo> <msub> <mi>f</mi> <mi>I</mi> </msub> <mrow> <mo>(</mo> <msup> <mi>&amp;pi;</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msup> <mi>n</mi> <mo>&amp;prime;</mo> </msup> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>j</mi> </msub> <msub> <mi>C</mi> <mi>j</mi> </msub> <mo>,</mo> <msub> <mi>f</mi> <mrow> <mi>I</mi> <mi>I</mi> </mrow> </msub> <mrow> <mo>(</mo> <msup> <mi>&amp;pi;</mi> <mo>&amp;prime;</mo> </msup> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <msup> <mi>n</mi> <mo>&amp;prime;</mo> </msup> </msubsup> <msub> <mi>&amp;omega;</mi> <mi>j</mi> </msub> <msub> <mi>T</mi> <mi>j</mi> </msub> <mo>}</mo> </mrow>
其中，fI(π′)和fII(π′)分别为目标一加权完工时间和最小以及目标二加权滞后时间和最小；
包含了新增零部件的零部件，不能安排在机器扰动的时间窗内加工，其表示为：
<mrow> <msubsup> <mi>s</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>,</mo> <msubsup> <mi>C</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>&amp;NotElement;</mo> <mo>&amp;lsqb;</mo> <msub> <mi>t</mi> <mi>m</mi> </msub> <mo>,</mo> <msub> <mi>t</mi> <mrow> <mi>m</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> <mo>&amp;rsqb;</mo> </mrow>
同一机器只有在前一零部件加工完成之后才能开始对下一零部件进行加工，其表示为：
<mrow> <msubsup> <mi>s</mi> <mrow> <mi>i</mi> <mi>&amp;sigma;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mi>j</mi> <mi>k</mi> <mo>)</mo> </mrow> </mrow> <mi>k</mi> </msubsup> <mo>&amp;CenterDot;</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>&amp;GreaterEqual;</mo> <msubsup> <mi>s</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>&amp;CenterDot;</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>+</mo> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> </mrow>
在柔性机加生产线上，两个零部件若被安排在同一台机器上加工，则不允许它们同时开工，其表示为：
其中，J′为干扰后待加工零部件集，j′为区别与j的待加工零部件；
空闲状态的机器上零部件先到先加工，其为FCFS调度规则约束，即：
其中，j″为区别于j的待加工零部件；Cimin＝minCij″表示零部件min是当前工序最早完工的零部件，即加工零部件min的机器是当前最早空闲的机器，表示紧后零部件在加工零部件min的机器上加工。
4.如权利要求1所述的柔性机加生产线的动态排产方法，其特征在于，步骤S3，具有生成种群规模为M的初始种群，并按如下方法对微粒位置进行初始化的子步骤：
在求解算法中，定义n′维搜索空间中第i个微粒的位置向量和速度向量分别为Xi＝[xi,1,xi,2,...,xi,n′]和Vi＝[vi,1,vi,2,...,vi,n′]，在t时刻，每个微粒搜索所经过的最佳位置记为群体最佳位置记为则t+1时刻各微粒的速度和位置迭代为：
vi,j(t+1)＝ωvi,j(t)+c1r1[pi,j-xi,j(t)]+c2r2[pg,j-xi,j(t)]
xi,j(t+1)＝xi,j(t)+vi,j(t+1),j∈{1,2,...,n′}
其中，ω为惯性权因子，c1和c2为正的加速常数，r1和r2为在0到1之间均匀分布的随机数；用微粒位置矢量值的升序排列规则，该规则为ROV规则，通过构造从微粒位置矢量到零部件排序的映射编码，对各微粒的矢量维度进行位置排序，将微粒的连续位置转换为离散的零部件排序；
ROV规则具体实施步骤如下：对于一个微粒的位置矢量，首先将取值最小的分量位置赋予ROV值1，其次将第二小的分量位置赋予ROV值2，以此类推，直到将所有分量位置都赋予一个唯一的ROV值，构造出ROV规则零部件排序。
5.如权利要求1所述的柔性机加生产线的动态排产方法，其特征在于，步骤S3，混合微粒群优化算法中，高斯变异算子如下：
在求解算法的迭代过程中，假设第i个粒子位置是当前种群的最优位置，此时，对于粒子i，其速度更新方程的第二部分c1r1[pi,j-xi,j(t)]和第三部分c2r2[pg,j-xi,j(t)]均为0，因此粒子i的速度更新方程描述为vi,j(t+1)＝ωvi,j(t)，最优粒子i将沿着原来的搜索方向进化，当连续h次迭代原有的全局极值没有变化或变化量被视为算法陷入局部极值域，此时对全局最优产生一个服从高斯分布的随机扰动项，其公式如下：
gbest'j＝gbestj·[1+k·N(0,1)],j∈{1,2,...,n′}
其中，gbestj为当前全局最优位置；k为随迭代次数从1到0均匀递减的变量；N(0，1)为服从均值为0方差为1的高斯分布的随机向量。
6.如权利要求1所述的柔性机加生产线的动态排产方法，其特征在于，步骤S3执行方法如下：
S3.1.根据ROV规则编码，以随机方式初始化种群微粒位置与速度；
S3.2.将当前各微粒位置和优化目标存储于pbest中，并将种群中微粒的最优位置和目标值存储于gbest中；
S3.3.按照微粒速度和位置公式更新种群中各微粒位置，并以FCFS调度规则进行机器分配调整；
S3.4.根据多目标处理策略评价种群所有微粒的随机线性加权标准化适应度：
rand()·fⅠ(π′)/rulerⅠ+[1-rand()]·fⅡ(π′)/rulerⅡ；
S3.5.比较种群中每个微粒当前目标值与pbest的目标值，并更新pbest；比较当前所有pbest与gbest的目标值，并更新gbest；
S3.6.基于随机策略的多重邻域搜索对算法局部搜索进行改进，同时判断全局最优gbest连续k次迭代变化值|Δf|，如果则进入步骤S3.7，否则进入步骤S3.8；
S3.7.按照gbest'j＝gbestj·[1+k·N(0,1)],j∈{1,2,...,n′}对当前gbest进行高斯变异扰动，比较变异前后gbest的目标值，并更新gbest；其中，gbestj为当前全局最优位置；k为随迭代次数从1到0均匀递减的变量；N(0，1)为服从均值为0方差为1的高斯分布的随机向量；gbestj′为全局最优产生一个服从高斯分布的随机扰动项；
S3.8.判断算法是否达到最大迭代次数，如达到，则输出目标值并停止算法；否则跳转到步骤S3.3。
7.如权利要求1所述的柔性机加生产线的动态排产方法，其特征在于，随机策略的多重邻域搜索的结构，定义为表示以概率cPIII对各微粒执行步长为的局部精细搜索，其中，Xbest(g)为当前种群最佳微粒，cPIII为三阶段概率分布区间：cPi[α1,β1]、cPii[α2,β2]和cPiii[α3,β3]；对于任意(0,1)之间的均匀分布随机数rand()，若α1≤rand()≤β1，则执行insert(π,k1,k2)插入邻域搜索操作；若α2≤rand()≤β2，则执行Insert_change(π,k1,k2)插入-交换邻域搜索操作；若α3≤rand()≤β3，则执行Swap(π,k1)相邻互换邻域搜索操作。
8.如权利要求7所述的柔性机加生产线的动态排产方法，其特征在于，定义组合邻域结构COM＜FB,IC,S＞，描述三种邻域算子的组合状态，并规定组合状态下多邻域算子的优先级顺序为：先做Insert(π,k1,k2)邻域搜索，再做Insert_change(π,k1,k2)邻域搜索，最后执行Swap(π,k1)邻域搜索。
9.一种柔性机加生产线的动态排产系统，其特征在于，包括
信息采集模块:采集并读取排产调度相关信息；
模型建立模块：建立兼顾初始调度目标和偏离校正目标的多目标干扰管理调度模型；
方案生成模块：柔性机加生产线动态排产过程中使用包含高斯变异算子和随机邻域结构的混合微粒群优化算法得到重调度方案。
10.一种高铁动车零部件组零部件柔性生产线动态排产的应用，其特征在于，为使用权利要求1-8中任一项所述的动态排产方法以对高铁动车零部件组零部件柔性生产线动态排产。
CN201711191484.2A 2017-11-24 2017-11-24 柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用 Pending CN107807623A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711191484.2A CN107807623A (zh) 2017-11-24 2017-11-24 柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711191484.2A CN107807623A (zh) 2017-11-24 2017-11-24 柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用

Publications (1)

Publication Number Publication Date
CN107807623A true CN107807623A (zh) 2018-03-16

Family

ID=61590616

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711191484.2A Pending CN107807623A (zh) 2017-11-24 2017-11-24 柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用

Country Status (1)

Country Link
CN (1) CN107807623A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108673226A (zh) * 2018-05-28 2018-10-19 广东鸿图武汉压铸有限公司 加工中心防护方法及系统
CN108776862A (zh) * 2018-05-02 2018-11-09 华南理工大学 支持工序任务量拆分的智能排产方法
CN109002903A (zh) * 2018-06-12 2018-12-14 昆明理工大学 一种印刷电路板表面贴装生产线的优化调度方法
CN110147078A (zh) * 2019-01-25 2019-08-20 安庆师范大学 一种无故障rgv智能系统二道工序加工动态调度方法
CN111340383A (zh) * 2020-03-09 2020-06-26 中国船舶工业综合技术经济研究院 一种随机扰动下组立构件日程计划动态调整方法及系统
CN111507625A (zh) * 2020-04-17 2020-08-07 无锡雪浪数制科技有限公司 一种高效支持定人定岗的复杂任务柔性排产方法
CN112596473A (zh) * 2020-11-20 2021-04-02 首钢京唐钢铁联合有限责任公司 一种热镀板生产控制方法和装置
CN114153187A (zh) * 2022-02-09 2022-03-08 科大智能物联技术股份有限公司 针对柔性生产的优化排产方法、存储介质及设备
CN116610083A (zh) * 2023-07-18 2023-08-18 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
CN117314142A (zh) * 2023-09-15 2023-12-29 中国人民解放军海军工程大学 一种产品线工序次序优化方法
WO2024022054A1 (zh) * 2022-07-29 2024-02-01 京东方科技集团股份有限公司 柔性作业车间生产调度方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102892125A (zh) * 2012-10-19 2013-01-23 北京邮电大学 异构网络节能通信的干扰协调方法
CN105426954A (zh) * 2015-08-20 2016-03-23 武汉科技大学 一种基于多策略协同作用的粒子群优化的方法
CN106485314A (zh) * 2016-09-21 2017-03-08 常熟理工学院 一种基于自适应高斯变异的花朵授粉算法的优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102892125A (zh) * 2012-10-19 2013-01-23 北京邮电大学 异构网络节能通信的干扰协调方法
CN105426954A (zh) * 2015-08-20 2016-03-23 武汉科技大学 一种基于多策略协同作用的粒子群优化的方法
CN106485314A (zh) * 2016-09-21 2017-03-08 常熟理工学院 一种基于自适应高斯变异的花朵授粉算法的优化方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
曲良东 等: "改进的人工鱼群算法及其在近似求导中的应用", 《微电子学与计算机》 *
朱光福: "《企业物流管理》", 30 September 2012, 重庆大学出版社 *
王小根 等: "基于高斯扰动的量子粒子群优化算法", 《计算机应用研究》 *
肖辉辉 等: "融合高斯变异和Powell法的花朵授粉优化算法", 《计算机科学与探索》 *
莫愿斌 等: "带高斯变异的人工萤火虫优化算法", 《计算机应用研究》 *
薄洪光 等: "混合无等待流水线干扰管理调度方法研究", 《运筹与管理》 *
马晓燕: "混合无等待流水线干扰管理调度方法研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 *

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108776862B (zh) * 2018-05-02 2021-08-10 华南理工大学 支持工序任务量拆分的智能排产方法
US11714678B2 (en) 2018-05-02 2023-08-01 South China University Of Technology Smart scheduling method supporting process task volume splitting
WO2019210653A1 (zh) * 2018-05-02 2019-11-07 华南理工大学 支持工序任务量拆分的智能排产方法
CN108776862A (zh) * 2018-05-02 2018-11-09 华南理工大学 支持工序任务量拆分的智能排产方法
CN108673226A (zh) * 2018-05-28 2018-10-19 广东鸿图武汉压铸有限公司 加工中心防护方法及系统
CN109002903A (zh) * 2018-06-12 2018-12-14 昆明理工大学 一种印刷电路板表面贴装生产线的优化调度方法
CN109002903B (zh) * 2018-06-12 2022-02-08 昆明理工大学 一种印刷电路板表面贴装生产线的优化调度方法
CN110147078A (zh) * 2019-01-25 2019-08-20 安庆师范大学 一种无故障rgv智能系统二道工序加工动态调度方法
CN110147078B (zh) * 2019-01-25 2021-12-07 安庆师范大学 一种无故障rgv智能系统二道工序加工动态调度方法
CN111340383A (zh) * 2020-03-09 2020-06-26 中国船舶工业综合技术经济研究院 一种随机扰动下组立构件日程计划动态调整方法及系统
CN111340383B (zh) * 2020-03-09 2023-09-15 中国船舶工业综合技术经济研究院 一种随机扰动下组立构件日程计划动态调整方法及系统
CN111507625A (zh) * 2020-04-17 2020-08-07 无锡雪浪数制科技有限公司 一种高效支持定人定岗的复杂任务柔性排产方法
CN112596473A (zh) * 2020-11-20 2021-04-02 首钢京唐钢铁联合有限责任公司 一种热镀板生产控制方法和装置
CN114153187A (zh) * 2022-02-09 2022-03-08 科大智能物联技术股份有限公司 针对柔性生产的优化排产方法、存储介质及设备
WO2024022054A1 (zh) * 2022-07-29 2024-02-01 京东方科技集团股份有限公司 柔性作业车间生产调度方法及装置
CN116610083A (zh) * 2023-07-18 2023-08-18 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
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
CN117314142A (zh) * 2023-09-15 2023-12-29 中国人民解放军海军工程大学 一种产品线工序次序优化方法
CN117314142B (zh) * 2023-09-15 2024-05-28 中国人民解放军海军工程大学 一种产品线工序次序优化方法

Similar Documents

Publication Publication Date Title
CN107807623A (zh) 柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用
CN101334660B (zh) 一种冷轧连续退火机组钢卷优化排序方法及其系统
Jain et al. Ranking of flexibility in flexible manufacturing system by using a combined multiple attribute decision making method
CN110404965B (zh) 考虑非定尺订单规格柔性的热轧中厚板组板及板坯设计的方法及模型系统
CN104123587B (zh) Mto‑mts管理模式下钢铁生产合同计划和多级库存匹配优化方法
CN102063563A (zh) 网省地一体化的母线负荷预测方法
Alvarez et al. Novel methodology for selecting representative operating points for the TNEP
CN110084401B (zh) 一种基于预留维修时间的调度优化方法及装置
CN106097055A (zh) 个性化定制需求下企业订单处理方法
CN109544006A (zh) 一种评价电动汽车充电站经济效益的方法
CN107909221A (zh) 基于组合神经网络的电力系统短期负荷预测方法
CN116402002B (zh) 一种用于芯片布局问题的多目标分层强化学习方法
Su et al. Algorithms for solving assembly sequence planning problems
CN107146039A (zh) 一种多目标协同控制的定制式混流装配生产方法及装置
CN109948933A (zh) 一种智能工厂布局规划方法及系统
Correa et al. Enhanced multiobjective algorithm for transmission expansion planning considering N− 1 security criterion
CN105975701A (zh) 一种基于混合模糊模型的并行调度拆卸路径生成方法
CN103020767B (zh) 智能出钢材组坯方法及其装置
Liang et al. Hybrid algorithm based on genetic simulated annealing algorithm for complex multiproduct scheduling problem with zero-wait constraint
CN111144611A (zh) 一种基于聚类和非线性自回归的空间负荷预测方法
CN114781703A (zh) 一种分层多目标优化方法、终端设备及存储介质
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
CN107730065A (zh) 基于改进变邻域搜索算法的生产调度方法及系统
Yongqian et al. A manufacturing cost estimation method based on activity-based costing
CN117688845B (zh) 一种建筑物化阶段施工方案多目标优化方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180316

RJ01 Rejection of invention patent application after publication