CN108647859A - 知识驱动的置换流水线双种群协同学习策略与优化方法 - Google Patents

知识驱动的置换流水线双种群协同学习策略与优化方法 Download PDF

Info

Publication number
CN108647859A
CN108647859A CN201810344479.9A CN201810344479A CN108647859A CN 108647859 A CN108647859 A CN 108647859A CN 201810344479 A CN201810344479 A CN 201810344479A CN 108647859 A CN108647859 A CN 108647859A
Authority
CN
China
Prior art keywords
population
sub
assembly line
operator
knowledge
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
CN201810344479.9A
Other languages
English (en)
Inventor
朱云龙
吕赐兴
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.)
Dongguan University of Technology
Original Assignee
Dongguan University of Technology
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 Dongguan University of Technology filed Critical Dongguan University of Technology
Priority to CN201810344479.9A priority Critical patent/CN108647859A/zh
Publication of CN108647859A publication Critical patent/CN108647859A/zh
Pending legal-status Critical Current

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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种知识驱动的置换流水线双种群协同学习策略与优化方法，包括以下步骤，S1：收集生产计划数据、工艺流程数据；S2：设置调度知识，所述的调度知识包括参数指数和领域知识；S3：定义目标函数，通过目标函数得到关于流水线的目标最优值；S4：通过调度知识设置初始化种群；S5：计算种群的适应度，根据适应度将种群划分为子种群1和子种群2；S6：根据调度知识对子种群1和子种群2的个体进行调整；S7：若达到预设的目标值，则输出当前的流水线的调度结果，若没有达到预设的目标值，则执行S5。本发明通过实际决策要求配置相应的目标函数解决流水线调度问题，实现简易，算法具有较强的全局搜索能力，收敛速度快，求解的精度高。

Description

知识驱动的置换流水线双种群协同学习策略与优化方法
技术领域
本发明涉及流水车间调度领域，更具体地，涉及一种知识驱动的置换流水线双种群协同学习策略与优化方法。
背景技术
置换流水线调度问题是经典的组合优化问题,是许多实际企业生产调度的模型。该问题描述如下：n个生产任务在m台设备上进行加工，每台设备上的生产任务加工顺序一致，任意时刻每台设备上只能加工一个任务，任意时刻一个任务只能在一个设备上加工。已知每个生产任务在每台设备上的加工时间，给出一个加工顺序使得某个生产指标最优(如典型的基于完工时间的性能指标即最小化最大完工时间与最小化总流经时间)。随着计算复杂性理论的发展，三台以上的置换流水线调度问题已经被证明为NP难题，采用精确算法求解此类问题异常困难。从实际企业的计划排产状况调研可以发现，目前大多数企业的计划排产工作是由计划员手动排产执行，排产结果完全依赖于计划员的主观经验，特别当排产量大的时候，需要消耗大量的时间。
群体智能算法在求解函数优化问题时候表现出很好的优化能力，该类算法不依赖于目标函数的梯度信息，适合于处理传统搜索方法解决不了的复杂问题和非线性问题，具有较快的收敛速度。然而，传统的群体智能算法中的变异算子仅仅实现了种群各代个体之间的更替过程，针对特定的流水车间调度问题，这些变异算子的能力十分有限。
发明内容
本发明克服了传统的群体智能算法的技术缺陷，提供了一种新的知识驱动的置换流水线双种群协同学习策略与优化方法。本发明通过建立领域知识库；选择目标函数；通过适应度知识选择特定的个体形成新的种群，再分为两类不同种群，选择不同的领域知识算子指导最优解的搜索过程；输出最优调度结果。本发明通过实际决策要求配置相应的目标函数解决流水线调度问题，实现简易，算法具有较强的全局搜索能力，收敛速度快，求解的精度高。
为解决上述技术问题，本发明的技术方案如下：
一种知识驱动的置换流水线双种群协同学习策略与优化方法，包括以下步骤：
S1：收集生产计划数据、工艺流程数据；
S2：设置调度知识，所述的调度知识包括参数指数和领域知识；
S3：定义目标函数，通过目标函数得到关于流水线的目标最优值；
S4：通过调度知识设置初始化种群；
S5：计算种群的适应度，根据适应度将种群划分为子种群1和子种群2；
S6：根据调度知识对子种群1和子种群2的个体进行调整；
S7：若达到预设的目标值，则输出当前的流水线的调度结果，若没有达到预设的目标值，则执行S5。
在一种优选的方案中，所述的参数指数包括子种群1与子种群2的大小、迭代次数、子种群1与子种群2的比例，参数指数通过下式进行表示：
{P,T,Ratio}
其中，所述的P表示子种群1与子种群2的大小；所述的T表示迭代次数；所述的Ratio表示子种群1与子种群2的比例。
在一种优选的方案中，所述的领域知识包括变异算子、邻居交换算子、非邻居交换算子、翻转算子、前移算子和后移算子。
在一种优选的方案中，所述的目标函数包括最小化最大完工时间和最小化总流经时间，其中，
所述的最小化总流经时间通过下式进行表达：
流水线调度问题的目标函数计算过程如下：
C(π1,1)＝P(π1,1)
C(πi,1)＝C(πi-1,1)+P(πi,1),i＝2,...,n
C(π1,j)＝C(π1,j-1)+P(π1,j),j＝2,...,m
C(πi,j)＝max{C(πi-1,j),C(πi,j-1)}+P(πi,j)
i＝2,...,n,j＝2,...,m
最小化总流经时间是寻找一个调度序列π*，使得
Cmax(π*)≤C(πn,m)
其中，π＝(π1，π2，...，πn)，π为流水线调度问题的一个调度序列；
P(πi，j)，i＝1，...，n；j＝1，...，m；P(πi，j)为工件πi在机器j上的加工时间；
C(πi，j)为工件πi在机器j上的完工时间。
在一种优选的方案中，所述的S4包括以下流程：
对种群中的个体进行编码，所述的编码内容通过向量表示，所述的向量通过流水线的生产任务的顺序表示。
在一种优选的方案中，所述的S5包括以下流程：
S5.1：计算种群的个体的适应度：根据种群的个体参数，计算S3中目标函数的值，目标函数值越低，代表个体的适应度越好；
S5.2：根据适应度对种群的个体进行降序排列；
S5.3：降序排列后的个体按照顺序依次组成子种群1，剩余的个体组成子种群2，所述的子种群1与子种群2的个体数量的比值与调度知识中的参数指数的Ratio相同。
在一种优选的方案中，所述的S6包括以下流程：
S6.1：遍历子种群1中的所有个体，执行领域知识中关于子种群1的变异算子；
S6.2：遍历子种群1中的所有个体，执行领域知识的算子；所述的领域知识的算子包括变异算子、邻居交换算子、非邻居交换算子、翻转算子、前移算子和后移算子；
S6.3：判断是否达到终止条件，如果达到终止条件，执行S6.4，否则执行S6.2：
S6.4：遍历子种群2中的所有个体，执行领域知识中关于子种群2的变异算子；
S6.5：遍历子种群2中的所有个体，执行领域知识的算子；
S6.6：判断是否达到终止条件，如果达到终止条件，执行S7，否则执行S6.5。
在一种优选的方案中，所述的终止条件是预设的最大迭代次数D，或连续k次计算得到的目标函数值变化小于预设值δ，所述的k是正整数。
在一种优选的方案中，所述的S7包括以下流程：
若种群的当前已迭代次数不小于参数指数中的迭代次数T，则输出当前的流水线的调度结果；若种群的当前已迭代次数小于参数指数中的迭代次数T，执行S5。
在一种优选的方案中，所述的S7输出当前的流水线的调度结果通过甘特图形式表示。
与现有技术相比，本发明技术方案的有益效果是：
本发明通过实际决策要求配置相应的目标函数解决流水线调度问题，实现简易，算法具有较强的全局搜索能力，收敛速度快，求解的精度高。
附图说明
图1为实施例的结构图。
图2为实施例的的挤压工序流程图。
图3为实施例优化后的生产计划甘特图。
图4为实施例中的变异算子的示意图。
图5为实施例中的邻居交换算子的示意图。
图6为实施例中的非邻居交换算子的示意图。
图7为实施例中的翻转算子的示意图。
图8为实施例中的前移算子的示意图。
图9为实施例中的后移算子的示意图。
图10为实施例中的可行解的示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
本实施例的结构如图1所示。
本实施例应用于铝挤压作业调度环境，铝挤压的工艺流程如图3所示，包括挤压、拉伸、锯切、整形、定尺、包装工序，分别在挤压机、拉伸机、锯切机、整形机、成品锯切机、包装机上进行加工。
本实施例的流程如图2所示，一种知识驱动的置换流水线双种群协同学习策略与优化方法，包括如下步骤：
步骤1：准备生产计划数据、工艺流程数据；
作业调度需要准备的基础数据主要包括两类。第一类是生产计划部门按照计划周期下达的生产任务数据，生产任务给出了生产的产品、所走工艺流程、交期等等；第二类是工艺技术部门在销售接单后制定的工艺流程数据，工艺流程数据给出了生产任务指定的产品加工路线，规定了原料要走的工序、加工设备、额定的加工时间等等；
步骤2：设置调度知识表；
步骤2.1：设置参数知识；
依次设置算法运行的参数，包括种群大小、迭代次数、种群1与种群2的比例。参数知识的结构描述为：
{P,T,Ratio}
其中，P表示种群大小，T表示迭代次数，Ratio表示种群1与种群2的比例。
步骤2.2：设置领域知识；
设置种群1与种群2需要使用的知识算子；
知识算子包括变异算子、邻居交换算子、非邻居交换算子、翻转算子、前移算子、后移算子；
变异算子：如图4所示，a个体是正在操作的个体，c是选择的邻居个体，b是变异算子执行完毕后产生的新个体。操作过程是：随机选择a个体中两个生产任务，将它们之间的所有生产任务继承到b个体的相应位置，a个体中余下的个体依次插入到b个体上的空白位置。值得指出的是种群1中的变异算子中的c是从种群1自身中选择的，种群2中的变异算子中的c是从种群1中选择的；
邻居交换算子:随机选择一个生产任务，将其位置与下一个生产任务的位置交换；如图5所示，将序号为4的生产任务与下一个生产任务(序号为5)的位置进行交换；
非邻居交换算子：随机选择两个位置非相邻的生产任务，将它们的位置进行交换；如图6所示，将序号为3的生产任务与序号为1的生产任务的位置进行交换；
翻转算子：随机选择两个位置非相邻的生产任务，将它们之间的所有生产任务按照反向顺序重新排列；如图7所示，将序号为3的生产任务与序号为1的生产任务之间的所有生产任务3、4、5、1的顺序改变为1、5、4、3；
前移算子：随机选择两个生产任务，将后面的生产任务插入到前面的生产任务之前；如图8所示，将序号为3的生产任务插入到序号为1的生产任务之前的位置；
后移算子：随机选择两个生产任务，将前面的生产任务插入到后面的生产任务之后；
如图9所示，将序号为1的生产任务插入到序号为3的生产任务之后的位置；
步骤3：选择目标函数；
置换流水线调度问题中常被作为关键绩效指标的两个典型的目标函数如下:
1)最小化最大完工时间
完工时间是每一个工件的最后一道工序的结束时间，所有工件的最大完工时间体现了车间的加工效率。实现该目标函数的最优化可以使一个计划周期内的作业任务在较短的时间内完工，有利于提高设备的利用率；
2)最小化总流经时间
最小化总流经时间可以使车间的在线库存费用减小或多批工件均快速完成；
置换流水线调度问题的目标函数计算过程如下：
C(π1,1)＝P(π1,1)
C(πi,1)＝C(πi-1,1)+P(πi,1),i＝2,...,n
C(π1,j)＝C(π1,j-1)+P(π1,j),j＝2,...,m
C(πi,j)＝max{C(πi-1,j),C(πi,j-1)}+P(πi,j)
i＝2,...,n,j＝2,...,m
目标就是找一个调度序列π*，使得
Cmax(π*)≤C(πn,m).
或者最小化加工总流经时间
其中，π＝(π1，π2，...，πn)为置换流水线调度问题问题一个调度序列；
P(πi，j)，i＝1，...，n，j＝1，...，m为工件πi在机器j上的加工时间；
C(πi，j)为工件πi在机器j上的完工时间；TFT为总流经时间；
步骤4：根据调度知识表参数设置初始化种群,种群中的个体编码采用向量表示；以表1中的生产任务数据为例，表中10个生产任务的编码采用如下结构：
[2,3,5,9,7,1,10,8,4,6]
其含义表示加工顺序依次是生产任务2，生产任务3，生产任务5，生产任务9，生产任务7，生产任务1，生产任务10，生产任务8，生产任务4，生产任务6；
步骤5：计算种群的适应度；
步骤6：根据适应度划分种群；
步骤6.1：按照适应度对种群进行降序排列；
步骤6.2：读取调度知识表参数Ratio；
步骤6.3：依次取出种群中的个体形成种群1，剩余的个体形成种群2，直到种群1与种群2的比例等于Ratio；
步骤7：对种群1应用知识算子
步骤7.1：遍历种群1中的个体，执行变异算子；
步骤7.2：读取调度知识表中种群1的算子；
步骤7.3：遍历种群1中的个体，执行算子；
步骤7.4：判断是否达到终止条件，如果达到终止条件，执行步骤8，否则执行步骤7.2；
步骤8：对种群2应用知识算子；
步骤8.1：遍历种群2中的个体，执行变异算子；
步骤8.2：读取调度知识表中种群2的算子；
步骤8.3：遍历种群2中的个体，执行读取的算子；
步骤8.4：判断是否达到终止条件，如果达到终止条件，执行步骤9，否则执行步骤8.2；
步骤9：读取调度知识表中的迭代次数T；
步骤10：判断是否达到迭代次数T，如果达到最大迭代次数，执行步骤10，否则执行步骤5；
步骤10：输出最优调度结果；
最优调度结果以甘特图形式给出，如图10所示。图示给出的调度结果是[5 7 6 108 9 4 2 3 1]，其含义表示加工顺序依次是生产任务5，生产任务7，生产任务6，生产任务10，生产任务8，生产任务9，生产任务4，生产任务2，生产任务3，生产任务1。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.知识驱动的置换流水线双种群协同学习策略与优化方法，其特征在于，包括以下步骤：
S1：收集生产计划数据、工艺流程数据；
S2：设置调度知识，所述的调度知识包括参数指数和领域知识；
S3：定义目标函数，通过目标函数得到关于流水线的目标最优值；
S4：通过调度知识设置初始化种群；
S5：计算种群的适应度，根据适应度将种群划分为子种群1和子种群2；
S6：根据调度知识对子种群1和子种群2的个体进行调整；
S7：若达到预设的目标值，则输出当前的流水线的调度结果，若没有达到预设的目标值，则执行S5。
2.根据权利要求1所述的置换流水线双种群协同学习策略与优化方法，其特征在于，所述的参数指数包括子种群1与子种群2的大小、迭代次数、子种群1与子种群2的比例，参数指数通过下式进行表示：
{P,T,Ratio}
其中，所述的P表示子种群1与子种群2的大小；所述的T表示迭代次数；所述的Ratio表示子种群1与子种群2的比例。
3.根据权利要求2所述的置换流水线双种群协同学习策略与优化方法，其特征在于，所述的领域知识包括变异算子、邻居交换算子、非邻居交换算子、翻转算子、前移算子和后移算子。
4.根据权利要求3所述的置换流水线双种群协同学习策略与优化方法，其特征在于，所述的目标函数包括最小化最大完工时间和最小化总流经时间，其中，所述的最小化总流经时间通过下式进行表达：
流水线调度问题的目标函数计算过程如下：
C(π1,1)＝P(π1,1)
C(πi,1)＝C(πi-1,1)+P(πi,1),i＝2,...,n
C(π1,j)＝C(π1,j-1)+P(π1,j),j＝2,...,m
C(πi,j)＝max{C(πi-1,j),C(πi,j-1)}+P(πi,j)
i＝2,...,n,j＝2,...,m
最小化总流经时间是寻找一个调度序列π*，使得
Cmax(π*)≤C(πn,m)
其中，π＝(π1，π2，...，πN)，π为流水线调度问题的一个调度序列；
P(πi，j)，i＝1，...，n；j＝1，...，m；P(πi，j)为工件πi在机器j上的加工时间；
C(πi，j)为工件πi在机器j上的完工时间。
5.根据权利要求4所述的置换流水线双种群协同学习策略与优化方法，其特征在于，所述的S4包括以下流程：
对种群中的个体进行编码，所述的编码内容通过向量表示，所述的向量通过流水线的生产任务的顺序表示。
6.根据权利要求5所述的置换流水线双种群协同学习策略与优化方法，其特征在于，所述的S5包括以下流程：
S5.1：计算种群的个体的适应度：根据种群的个体参数，计算S3中目标函数的值，目标函数值越低，代表个体的适应度越好；
S5.2：根据适应度对种群的个体进行降序排列；
S5.3：降序排列后的个体按照顺序依次组成子种群1，剩余的个体组成子种群2，所述的子种群1与子种群2的个体数量的比值与调度知识中的参数指数的Ratio相同。
7.根据权利要求6所述的置换流水线双种群协同学习策略与优化方法，其特征在于，所述的S6包括以下流程：
S6.1：遍历子种群1中的所有个体，执行领域知识中关于子种群1的变异算子；
S6.2：遍历子种群1中的所有个体，执行领域知识的算子；所述的领域知识的算子包括变异算子、邻居交换算子、非邻居交换算子、翻转算子、前移算子和后移算子；
S6.3：判断是否达到终止条件，如果达到终止条件，执行S6.4，否则执行S6.2：
S6.4：遍历子种群2中的所有个体，执行领域知识中关于子种群2的变异算子；
S6.5：遍历子种群2中的所有个体，执行领域知识的算子；
S6.6：判断是否达到终止条件，如果达到终止条件，执行S7，否则执行S6.5。
8.根据权利要求7所述的置换流水线双种群协同学习策略与优化方法，其特征在于，所述的终止条件是预设的最大迭代次数D，或连续k次计算得到的目标函数值变化小于预设值δ，所述的k是正整数。
9.根据权利要求7或8所述的置换流水线双种群协同学习策略与优化方法，其特征在于，所述的S7包括以下流程：
若种群的当前已迭代次数不小于参数指数中的迭代次数T，则输出当前的流水线的调度结果；若种群的当前已迭代次数小于参数指数中的迭代次数T，执行S5。
10.根据权利要求9所述的置换流水线双种群协同学习策略与优化方法，其特征在于，所述的S7输出当前的流水线的调度结果通过甘特图形式表示。
CN201810344479.9A 2018-04-17 2018-04-17 知识驱动的置换流水线双种群协同学习策略与优化方法 Pending CN108647859A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810344479.9A CN108647859A (zh) 2018-04-17 2018-04-17 知识驱动的置换流水线双种群协同学习策略与优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810344479.9A CN108647859A (zh) 2018-04-17 2018-04-17 知识驱动的置换流水线双种群协同学习策略与优化方法

Publications (1)

Publication Number Publication Date
CN108647859A true CN108647859A (zh) 2018-10-12

Family

ID=63746266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810344479.9A Pending CN108647859A (zh) 2018-04-17 2018-04-17 知识驱动的置换流水线双种群协同学习策略与优化方法

Country Status (1)

Country Link
CN (1) CN108647859A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409774A (zh) * 2018-11-14 2019-03-01 合肥工业大学智能制造技术研究院 用于智能制造数字化车间的调度方法、系统及存储介质
CN109685259A (zh) * 2018-12-12 2019-04-26 聊城大学 基于多模态特性感知的混合流水调度进化优化方法
CN110110858A (zh) * 2019-04-30 2019-08-09 南京大学 一种基于强化学习的自动化机器学习方法
CN113313283A (zh) * 2021-04-14 2021-08-27 兰州理工大学 一种基于知识驱动方法的分布式装配阻塞流水车间集成调度系统
CN113467399A (zh) * 2021-07-08 2021-10-01 武汉理工大学 一种知识驱动的柔性离散制造生产调度优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090070103A1 (en) * 2007-09-07 2009-03-12 Enhanced Medical Decisions, Inc. Management and Processing of Information
CN102073311A (zh) * 2010-12-17 2011-05-25 浙江大学 基于离散量子微粒群算法的机器零件加工流水线调度方法
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090070103A1 (en) * 2007-09-07 2009-03-12 Enhanced Medical Decisions, Inc. Management and Processing of Information
CN102073311A (zh) * 2010-12-17 2011-05-25 浙江大学 基于离散量子微粒群算法的机器零件加工流水线调度方法
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
亓祥波: "求解PFSP的双种群协同学习算法", 《控制与决策》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409774A (zh) * 2018-11-14 2019-03-01 合肥工业大学智能制造技术研究院 用于智能制造数字化车间的调度方法、系统及存储介质
CN109685259A (zh) * 2018-12-12 2019-04-26 聊城大学 基于多模态特性感知的混合流水调度进化优化方法
CN110110858A (zh) * 2019-04-30 2019-08-09 南京大学 一种基于强化学习的自动化机器学习方法
CN113313283A (zh) * 2021-04-14 2021-08-27 兰州理工大学 一种基于知识驱动方法的分布式装配阻塞流水车间集成调度系统
CN113313283B (zh) * 2021-04-14 2022-08-19 兰州理工大学 一种基于知识驱动方法的分布式装配阻塞流水车间集成调度方法
CN113467399A (zh) * 2021-07-08 2021-10-01 武汉理工大学 一种知识驱动的柔性离散制造生产调度优化方法

Similar Documents

Publication Publication Date Title
CN108647859A (zh) 知识驱动的置换流水线双种群协同学习策略与优化方法
Çil et al. Mathematical model and bee algorithms for mixed-model assembly line balancing problem with physical human–robot collaboration
CN105320105B (zh) 一种并行批加工设备优化调度方法
CN107977740A (zh) 一种现场运维智能调度方法
CN113792924A (zh) 一种基于Deep Q-network深度强化学习的单件作业车间调度方法
CN109946965A (zh) 一种基于改进的多目标Jaya算法的离散制造车间排产方法
CN110288126B (zh) 一种机器人铸造生产线产能优化方法
CN106707990A (zh) 一种基于离散萤火虫算法的多目标柔性作业车间调度方法
CN112561225B (zh) 一种基于标杆协同进化算法的柔性作业车间调度方法
CN110472765B (zh) 一种车间布局调度的低熵协同优化方法
CN106611275A (zh) 针对作业车间生产问题的排产算法
CN111798120A (zh) 基于改进人工蜂群算法的柔性作业车间调度方法
CN106610867A (zh) 一种片上网络任务调度方法及装置
CN112381343A (zh) 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法
CN108776845A (zh) 一种基于双目标作业车间调度的混合果蝇算法
Rabbani et al. Reconfigurable dynamic cellular manufacturing system: a new bi-objective mathematical model
Javadian et al. An immune algorithm for hybrid flow shop scheduling problem with time lags and sequence-dependent setup times
CN112907150A (zh) 一种基于遗传算法的生产排程方法
CN116466659A (zh) 一种基于深度强化学习的分布式装配流水车间调度方法
CN109214695A (zh) 基于改进eda的高端装备研发制造协同调度方法及系统
CN110928261B (zh) 分布式异构流水车间的分布估计调度方法及系统
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
CN107730065B (zh) 基于改进变邻域搜索算法的生产调度方法及系统
CN116663806A (zh) 考虑不同作业场景的人机协作拆卸线设置方法
CN108873850A (zh) 一种机械制造自动化生产过程的优化调度方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20181012

WD01 Invention patent application deemed withdrawn after publication