CN108182518B - 一种基于改进遗传算法的在制状态人员调度方法 - Google Patents
一种基于改进遗传算法的在制状态人员调度方法 Download PDFInfo
- Publication number
- CN108182518B CN108182518B CN201711381996.5A CN201711381996A CN108182518B CN 108182518 B CN108182518 B CN 108182518B CN 201711381996 A CN201711381996 A CN 201711381996A CN 108182518 B CN108182518 B CN 108182518B
- Authority
- CN
- China
- Prior art keywords
- personnel
- scheduling
- time
- task
- working
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于改进遗传算法的在制状态人员调度方法,其具体步骤为:步骤1、基于在制状态的人员调度问题建模,人员的在制状态指在进行人员调度时,人员已被安排部分任务;基于在制状态的人员调度是在不影响人员原有任务作业的基础上,为新建任务安排作业人员;基于在制状态的人员调度是实现任务与人员协同调度技术的关键,根据于当前工人状态对任务进行人员安排,确定任务在制造中的起止时间;步骤2、利用改进遗传算法,实现在制状态人员调度的最优解的求解。本发明能够从而为调度人员进行人员调度时提供辅助。
Description
技术领域
本发明涉及人员调度方法,特别是一种基于改进遗传算法的在制状态人员调度方法。
背景技术
大型产品装配过程中,其作业的主体主要是人员,目前对人员调度方面的研究主要集中在虚拟流水运行模式上,多偏重于较为宏观的作业组分配,而如何在执行过程中对人员进行精确地分配,并将其作为作业计划指导生产,是企业急需解决的问题。
发明内容
本发明要解决的技术问题是提供一种基于改进遗传算法的在制状态人员调度方法,解决目前对人员调度方面的研究主要集中在虚拟流水运行模式上,多偏重于较为宏观的作业组分配的问题。
一种基于改进遗传算法的在制状态人员调度方法,其具体步骤为:
步骤1、基于在制状态的人员调度问题建模,人员的在制状态指在进行人员调度时,人员已被安排部分任务。基于在制状态的人员调度是在不影响人员原有任务作业的基础上,为新建任务安排作业人员。基于在制状态的人员调度是实现任务与人员协同调度技术的关键,根据于当前工人状态对任务进行人员安排,确定任务在制造中的起止时间。
步骤2、利用改进遗传算法,实现在制状态人员调度的最优解的求解。
作为上述技术方案的优选,其中所述步骤1中所述的进行问题数学建模具体为:
步骤11、基于在制状态的人员调度问题描述:作业现场共有w个工人{W1,W2,...,Ww},在不影响工人原有任务作业的前提下为b个新任务{B1,B2,...,Bb}安排作业人员。每个任务工艺路线预先确定,由一道或者多道序组成,每道工序有固定的工时可在同一时刻选择多个对应工种和工人进行加工,每个工人掌握一种作业技能。通过确定最佳的工序作业顺序,并为每道工序选择最佳的人员组合,在满足所有工序对人员需求的条件下,获得最佳性能指标,是基于在制状态下人员调度的目标;
步骤12、基于在制状态的人员调度约束:
在人员调度过程中对人员提出如下约束:
①人员的初始状态为已安排部分作业任务;
②每个作业人员拥有独立的加工日历;
③每个人员在同一时刻只能加工一个任务的一道序;
④当确定作业人员的加工工序,其加工过程不能停止直至工序完成;
⑤每个人员掌握一种作业技能;
⑥忽略作业人员在任务间的流转时间。
对任务提出如下约束:
①任务的工艺路线约束:每个任务对应一道或者多道工序,工序的工艺路线预先确定;
②每道工序对应至少一个工种,工种至少一个工人;
③每道工序有固定的工时;
④工序可作业的条件为,工序对应的工种和工人数量同时满足需求;
⑤不考虑任务移出和移入车间的时间。
步骤13、基于在制状态的人员调度数学建模:
(1)基础数据定义
Pi,j表示任务Bi的第j道序;
[tpid1,tpid2,...,tpidk]表示所有工人工种的集合,tpid是工人工种对应功能种类的唯一标示符且tpid≠0,k表示种类的总数;
表示工序Pi,j所需工种的数量,取值为0到该种类资源数量的最大值,当取值为0时表示Pi,j不需要该种类资源,例如[1,2,0,...,0],表示在工序Pi,j作业时需要1个工种为tpid1的工人,2个工种为tpid2的工人;
(2)工艺约束
(3)作业能力约束
(3)目标函数
最大完工时间最短:
人力资源平均负荷:
适应度函数:
F=ω1f1+ω2f2 (3)
其中ω1,ω2为f1,f2的加权值。
作为上述技术方案的优选,所述步骤2包括:
步骤21、确定参数。包括种群规模、迭代次数、初始化、交叉概率、变异概率;
步骤22、初始种群。利用禁忌搜索思想,基于工艺约束与作业能力约束,建立候选工序集SP与人员集[S1,S2,...,SK],利用平衡人员之间负荷的伪随机方法生成初始种群;
步骤23、解码。利用基于启发式规则的解码算法对染色体进行解码生成面向人员调度的可行解。;
步骤26、SA局部搜索。设初始化温度为T0,k=0
While Tk>Tend count=0
Whilecount<Lmax
采用Metropolis准则决定是否接受新解;
If接受新解
Else count=count+1;
END
温度更新:Tk+1=Tkαk(其中αk为温度衰减率)
k=k+1
END
步骤28:对种群中满足交叉概率的染色体个体按照交叉策略进行交叉,对交叉得到的种群满足变异概率的染色体个体按照变异策略进行变异,利用扇形分割法选取得到新一代种群,返回步骤24;
终止条件为达到设定的迭代次数。
本发明提出的精确管理模式下的人员生产组织模式,以人员作为最基本的作业单元安排任务。在作业任务与人员协同调度中,由于任务安排的时间不同,需对不同时刻作业任务进行人员安排,从而获得任务完成的起止时间。针对上述需求,本发明提出了精确管理作业模式下基于改进遗传算法在制状态人员调度,以实现车间中对人力资源的调度排产。基于在制状态的人员调度思想是将新建任务安排到已存在部分作业任务的人员上进行持续调度的作业排产。基于在制状态的人员调度是一种典型的多资源调度算法,其难点是多人员的协同作业以及新任务与人员原有任务在时间上的协调。本发明提出了一种改进的混合遗传算法对基于在制状态的人员调度进行求解,构造一种特殊的两部分二维编码形式解决多人员的协同作业问题,保证了算法解的可行性;设计了基于启发式规则的解码,实现了新任务与人员原有任务在时间上的协调;制定了一种伪随机的初始种群生存方法,平均人员负荷,提高初始种群质量加快算法收敛;利用Pareto算法选择新的种群,保证新种群的多样性同时继承了原始种群的优秀基因。
具体实施方式
一种基于改进遗传算法的在制状态人员调度方法,包括:
步骤1、基于在制状态的人员调度问题建模,人员的在制状态指在进行人员调度时,人员已被安排部分任务。基于在制状态的人员调度是在不影响人员原有任务作业的基础上,为新建任务安排作业人员。基于在制状态的人员调度是实现任务与人员协同调度技术的关键,根据于当前工人状态对任务进行人员安排,确定任务在制造中的起止时间。
在步骤1中,包括以下分步骤:
步骤11、基于在制状态的人员调度问题描述:作业现场共有w个工人{W1,W2,...,Ww},在不影响工人原有任务作业的前提下为b个新任务{B1,B2,...,Bb}安排作业人员。每个任务工艺路线预先确定,由一道或者多道序组成,每道工序有固定的工时可在同一时刻选择多个对应工种和工人进行加工,每个工人掌握一种作业技能。通过确定最佳的工序作业顺序,并为每道工序选择最佳的人员组合,在满足所有工序对人员需求的条件下,获得最佳性能指标,是基于在制状态下人员调度的目标;
步骤12、基于在制状态的人员调度约束:
在人员调度过程中对人员提出如下约束:
①人员的初始状态为已安排部分作业任务;
②每个作业人员拥有独立的加工日历;
③每个人员在同一时刻只能加工一个任务的一道序;
④当确定作业人员的加工工序,其加工过程不能停止直至工序完成;
⑤每个人员掌握一种作业技能;
⑥忽略作业人员在任务间的流转时间。
对任务提出如下约束:
①任务的工艺路线约束:每个任务对应一道或者多道工序,工序的工艺路线预先确定;
②每道工序对应至少一个工种,工种至少一个工人;
③每道工序有固定的工时;
④工序可作业的条件为,工序对应的工种和工人数量同时满足需求;
⑤不考虑任务移出和移入车间的时间。
步骤13、基于在制状态的人员调度数学建模:
(1)基础数据定义
Pi,j表示任务Bi的第j道序;
[tpid1,tpid2,...,tpidk]表示所有工人工种的集合,tpid是工人工种对应功能种类的唯一标示符且tpid≠0,k表示种类的总数;
表示工序Pi,j所需工种的数量,取值为0到该种类资源数量的最大值,当取值为0时表示Pi,j不需要该种类资源,例如[1,2,0,...,0],表示在工序Pi,j作业时需要1个工种为tpid1的工人,2个工种为tpid2的工人;
(2)工艺约束
(3)作业能力约束
(3)目标函数
最大完工时间最短:
人力资源平均负荷:
适应度函数:
F=ω1f1+ω2f2 (3)
其中ω1,ω2为f1,f2的加权值。
步骤2、利用改进遗传算法,实现在制状态人员调度的最优解的求解。
在步骤2中,包括以下分步骤:
步骤21、确定参数。包括种群规模、迭代次数、初始化、交叉概率、变异概率;
步骤22、初始种群。利用禁忌搜索思想,基于工艺约束与作业能力约束,建立候选工序集SP与人员集[S1,S2,...,SK],利用平衡人员之间负荷的伪随机方法生成初始种群;
步骤23、解码。利用基于启发式规则的解码算法对染色体进行解码生成面向人员调度的可行解。;
步骤26、SA局部搜索。设初始化温度为T0,k=0
While Tk>Tend count=0
Whilecount<Lmax
采用Metropolis准则决定是否接受新解;
If接受新解
Else count=count+1;
END
温度更新:Tk+1=Tkαk(其中αk为温度衰减率)
k=k+1
END
步骤28:对种群中满足交叉概率的染色体个体按照交叉策略进行交叉,对交叉得到的种群满足变异概率的染色体个体按照变异策略进行变异,利用扇形分割法选取得到新一代种群,返回步骤24;
终止条件为达到设定的迭代次数。
Claims (1)
1.一种基于改进遗传算法的在制状态人员调度方法,其特征在于具体步骤为:
步骤1、基于在制状态的人员调度问题建模,人员的在制状态指在进行人员调度时,人员已被安排部分任务;基于在制状态的人员调度是在不影响人员原有任务作业的基础上,为新建任务安排作业人员;基于在制状态的人员调度是实现任务与人员协同调度技术的关键,根据于当前工人状态对任务进行人员安排,确定任务在制造中的起止时间;
步骤2、利用改进遗传算法,实现在制状态人员调度的最优解的求解,
其中,所述步骤1中进行问题数学建模具体为:
步骤11、基于在制状态的人员调度问题描述:作业现场共有w个工人{W1,W2,...,Ww},在不影响工人原有任务作业的前提下为b个新任务{B1,B2,...,Bb}安排作业人员;每个任务工艺路线预先确定,由一道或者多道序组成,每道工序有固定的工时在同一时刻选择多个对应工种和工人进行加工,每个工人掌握一种作业技能;通过确定最佳的工序作业顺序,并为每道工序选择最佳的人员组合,在满足所有工序对人员需求的条件下,获得最佳性能指标,是基于在制状态下人员调度的目标;
步骤12、基于在制状态的人员调度约束:
在人员调度过程中对人员提出如下约束:
①人员的初始状态为已安排部分作业任务;
②每个作业人员拥有独立的加工日历;
③每个人员在同一时刻只能加工一个任务的一道序;
④当确定作业人员的加工工序,其加工过程不能停止直至工序完成;
⑤每个人员掌握一种作业技能;
⑥忽略作业人员在任务间的流转时间;
对任务提出如下约束:
①任务的工艺路线约束:每个任务对应一道或者多道工序,工序的工艺路线预先确定;
②每道工序对应至少一个工种,工种至少一个工人;
③每道工序有固定的工时;
④工序可作业的条件为,工序对应的工种和工人数量同时满足需求;
⑤不考虑任务移出和移入车间的时间;
步骤13、基于在制状态的人员调度数学建模:
(1)基础数据定义
Pi,j表示任务Bi的第j道序;
[tpid1,tpid2,...,tpidk]表示所有工人工种的集合,tpid是工人工种对应功能种类的唯一标示符且tpid≠0,k表示种类的总数;
(2)工艺约束
(3)作业能力约束
(3)目标函数
最大完工时间最短:
人力资源平均负荷:
适应度函数:
F=ω1f1+ω2f2 (3)
其中ω1,ω2为f1,f2的加权值,
并且其中,所述步骤2包括:
步骤21、确定参数;包括种群规模、迭代次数、初始化、交叉概率、变异概率;
步骤22、初始种群;利用禁忌搜索思想,基于工艺约束与作业能力约束,建立候选工序集SP与人员集[S1,S2,...,SK],利用平衡人员之间负荷的伪随机方法生成初始种群;
步骤23、解码;利用基于启发式规则的解码算法对染色体进行解码生成面向人员调度的可行解;
步骤26、SA局部搜索;设初始化温度为T0,k=0
While Tk>Tendcount=0
Whilecount<Lmax
采用Metropolis准则决定是否接受新解;
If接受新解
Else count=count+1;
END
温度更新:Tk+1=Tkαk,其中αk为温度衰减率;
k=k+1
END
步骤28:对种群中满足交叉概率的染色体个体按照交叉策略进行交叉,对交叉得到的种群满足变异概率的染色体个体按照变异策略进行变异,利用扇形分割法选取得到新一代种群,返回步骤24;
终止条件为达到设定的迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711381996.5A CN108182518B (zh) | 2017-12-20 | 2017-12-20 | 一种基于改进遗传算法的在制状态人员调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711381996.5A CN108182518B (zh) | 2017-12-20 | 2017-12-20 | 一种基于改进遗传算法的在制状态人员调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108182518A CN108182518A (zh) | 2018-06-19 |
CN108182518B true CN108182518B (zh) | 2021-12-10 |
Family
ID=62546534
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711381996.5A Active CN108182518B (zh) | 2017-12-20 | 2017-12-20 | 一种基于改进遗传算法的在制状态人员调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182518B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109192284B (zh) * | 2018-07-13 | 2021-08-24 | 广东工业大学 | 一种带软时间窗的远程健康监护线下服务任务调度的方法 |
CN109064047A (zh) * | 2018-08-16 | 2018-12-21 | 浪潮通用软件有限公司 | 一种基于遗传算法自动分配单据的实现方法 |
CN111507625B (zh) * | 2020-04-17 | 2022-03-22 | 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 |
CN112906952A (zh) * | 2021-02-04 | 2021-06-04 | 交通银行股份有限公司 | 一种银行流程任务智能调度系统 |
CN113592257B (zh) * | 2021-07-14 | 2024-03-29 | 交通银行股份有限公司 | 一种集中作业任务调度方法 |
CN114254902B (zh) * | 2021-12-13 | 2024-04-02 | 四川启睿克科技有限公司 | 一种多产线人员调度方法 |
CN114723180A (zh) * | 2022-06-07 | 2022-07-08 | 深圳市佑荣信息科技有限公司 | 一种任务分配的计算方法及系统 |
CN116401037B (zh) * | 2023-06-05 | 2023-08-22 | 杭州谐云科技有限公司 | 一种基于遗传算法的多任务调度方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402716A (zh) * | 2010-09-15 | 2012-04-04 | 香港理工大学 | 智能生产决策支持系统 |
KR20120138549A (ko) * | 2011-06-15 | 2012-12-26 | 전북대학교산학협력단 | 주문생산형 공장의 생산일정계획 수립을 위한 알고리즘 및 이를 이용한 생산일정계획 수립시스템 |
CN102968057A (zh) * | 2012-09-12 | 2013-03-13 | 浙江工业大学 | 基于改进元胞机的多品种多工艺多单元制造调度方法 |
CN106681291A (zh) * | 2017-01-09 | 2017-05-17 | 北京理工大学 | 一种生产调度方法及系统 |
-
2017
- 2017-12-20 CN CN201711381996.5A patent/CN108182518B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402716A (zh) * | 2010-09-15 | 2012-04-04 | 香港理工大学 | 智能生产决策支持系统 |
KR20120138549A (ko) * | 2011-06-15 | 2012-12-26 | 전북대학교산학협력단 | 주문생산형 공장의 생산일정계획 수립을 위한 알고리즘 및 이를 이용한 생산일정계획 수립시스템 |
CN102968057A (zh) * | 2012-09-12 | 2013-03-13 | 浙江工业大学 | 基于改进元胞机的多品种多工艺多单元制造调度方法 |
CN106681291A (zh) * | 2017-01-09 | 2017-05-17 | 北京理工大学 | 一种生产调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108182518A (zh) | 2018-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182518B (zh) | 一种基于改进遗传算法的在制状态人员调度方法 | |
Zuo et al. | Vehicle scheduling of an urban bus line via an improved multiobjective genetic algorithm | |
Shen et al. | Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems | |
Xie et al. | Flexible job shop scheduling problem with interval grey processing time | |
CN110221585B (zh) | 一种用于混合流水车间考虑设备维护的节能调度控制方法 | |
CN113705866B (zh) | 基于资源受限项目调度问题模型的排程优化方法和系统 | |
CN106951330A (zh) | 一种云服务中心服务效用最大化的虚拟机分配方法 | |
CN112053002B (zh) | 一种基于效用感知的云制造多任务调度方法 | |
CN103530702A (zh) | 一种基于瓶颈设备分解的大规模作业车间调度方法 | |
CN104268722A (zh) | 基于多目标进化算法的动态柔性作业车间调度方法 | |
CN112686474B (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 | |
CN106228265B (zh) | 基于改进粒子群优化的总拖期运输计划调度方法 | |
CN108776461A (zh) | 一种柔性作业车间调度方法及系统 | |
CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
CN111966049B (zh) | 一种混合流水车间生产设备调度控制方法 | |
CN108335228B (zh) | 一种基于改进bp神经网络的配电网中工作量均衡派单方法 | |
CN110097190B (zh) | 一种基于双时间限制的群智感知任务分配方法 | |
Liu et al. | Agent-based simulation and optimization of hybrid flow shop considering multi-skilled workers and fatigue factors | |
CN105160403B (zh) | 一种云制造环境下的资源服务序列验证方法 | |
CN104281917A (zh) | 基于自适应遗传和克隆选择算法的模糊作业车间调度方法 | |
Kim et al. | Comparing schedule generation schemes in resource-constrained project scheduling using elitist genetic algorithm | |
CN116663806B (zh) | 考虑不同作业场景的人机协作拆卸线设置方法 | |
CN104869154A (zh) | 统筹资源可信度与用户满意度的分布式资源调度方法 | |
Yusof et al. | Constraint-chromosome genetic algorithm for flexible manufacturing system machine-loading problem | |
Han et al. | Multiple rules decision-based DE solution for the earliness-tardiness case of hybrid flow-shop scheduling problem |
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 |