CN108805403A - 一种基于改进遗传算法的单件车间调度方法 - Google Patents
一种基于改进遗传算法的单件车间调度方法 Download PDFInfo
- Publication number
- CN108805403A CN108805403A CN201810407527.4A CN201810407527A CN108805403A CN 108805403 A CN108805403 A CN 108805403A CN 201810407527 A CN201810407527 A CN 201810407527A CN 108805403 A CN108805403 A CN 108805403A
- Authority
- CN
- China
- Prior art keywords
- individual
- job
- method based
- iaga
- improved adaptive
- 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
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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (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)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进遗传算法的单件车间调度方法。该方法的操作步骤为:(1)确定运行参数,包括种群规模、交叉概率、变异概率和迭代次数。(2)改进型的初始种群生成,将采用能动方法产生的个体与随机产生的个体以一定比例结合组成初始种群。(3)适应度计算,将个体对应调度方案总完工时间的倒数作为其适应度值。(4)选择操作,采用轮盘赌选择算子。(5)交叉操作,选用POX交叉算子。(6)变异算子,选用逆序变异算子。(7)终止判断,判断是否满足终止条件,满足则停止,输出最优调度方案,否则转至(3)。本发明提出的方法能够提高求解收敛速度,求解性能良好,对于单件车间的生产调度问题,具有很好的应用价值。
Description
技术领域
本发明涉及一种基于改进遗传算法的单件车间调度方法,采用人工智能算法中的遗传算法求解单件车间调度问题。
背景技术
在生产作业计划中,产品的品种和数量在订单中是已知的,生产时间也可由工艺人员确定,但生产顺序的安排往往是难以合理确定的,确定工件的加工顺序以及分配相应的生产设备来对工件进行加工,这一过程称为作业排序或作业调度。作业调度的目的是通过为工件确定在机器上合理的加工顺序,优化生产过程,从而缩短生产周期,提高设备利用率。
车间作业调度问题的方法主要有:确定性最优化算法、基于启发式规则的构造性算法、人工智能算法等。其中确定性最优化算法包括数学规划法、分支定界法、拉格朗日松弛法等;基于启发式规则的构造性算法易于实现、计算复杂度低,被广泛应用;人工智能算法包括遗传算法、蚁群算法、禁忌搜索算法、免疫算法和神经网络算法等。
确定性最优化算法对小规模问题有效,对较大规模问题的计算时间难以接受;基于启发式规则的构造性算法对问题处理比较粗糙,得出的解质量通常不够好;而人工智能算法优化性能高,算法结构简单,通用性好,其中遗传算法因其自身优点,成为求解车间调度问题的研究热点之一。单件车间调度属于NP-hard问题,具有较高的复杂程度。遗传算法求解单件车间调度问题时,易出现早熟收敛现象,使进化寻优不理想,因此有必要展开研究,对遗传算法进行改进。
发明内容
本发明目的在于针对已有技术存在的缺陷,提供一种基于改进遗传算法的单件车间调度方法,能够提供好的调度方案,从而提高车间生产效率,缩短生产周期。
为达到上述目的,本发明采用以下技术方案:一种基于改进遗传算法的单件车间调度方法,其具体操作步骤如下:
步骤一,确定运行参数,
步骤二,改进型的初始种群生成,
步骤三,个体适应度计算,
步骤四,选择操作,
步骤五,交叉操作,
步骤六,变异操作,
步骤七,终止判别。
针对以上步骤进行具体说明如下:
步骤一、确定运行参数
遗传算法的运行参数:种群规模M一般取20~100,交叉概率Pc一般取0.4~0.99,变异概率Pm一般取0.0001~0.1,迭代次数一般取100~500。
步骤二、改进型的初始种群生成
初始种群的生成依靠编码得到工序码,基于工序的编码方法是:每个工件由相应的工件编号表示,相同工件编号出现的次序代表对应工件编号的工序。对于n个工件m道工序的排序问题,个体工序码有n×m个基因位,每个工件的工件编号只能出现m次,当对个体工序码从左到右读取时,同一个工件号出现的第k次表示此工件的第k道工序。如一个3工件2工序的问题,采用基于工序的编码方法随机生成一个个体工序码[1 3 2 2 1 3],工序码中第二个位置上的数字3第一次出现,其含义为工件3的第一道工序;工序码中第六个位置上的数字3第二次出现,表示工件3的第二道工序。
传统遗传算法的初始种群是随机产生的,具有很大的不确定性,如果初始种群中不包含优良信息会引起算法早熟收敛,影响算法的求解性能,所以需要对初始种群进行改善,在初始种群中加入一部分优良个体,不会破坏初始种群的多样性,而且能够提高初始种群的质量。求解单件车间调度问题,根据已有的启发式规则或者调度方法生成较好的个体放入随机初始种群中,可以对初始种群质量进行改善。通过能动法求解单件车间调度问题,能够得到相对较好的调度方案,所以本发明采用能动法对初始种群进行改善。
能动法是根据工艺信息,对可排事件按最小最早完工原则直接在机器上安排加工,得到每个排定事件在各机器上的开、完工时间,最终得出具体的调度方案;遗传算法是通过编码操作将调度问题转化为遗传算法能处理的个体工序码信息,经遗传操作,最后解码得到对应的调度方案。因此需要首先将能动调度方案转化为工序码,再放入随机生成的初始种群中参与进化。
将根据能动法所得调度方案转化为工序码时,一个调度方案可以得到很多个不同的工序码,是不能唯一确定的。经分析发现,在采用能动法对可排事件逐个进行安排得到排定事件过程中,由于排定事件的第一位数字为工件号,排定事件的先后出现表示工件安排任务的先后顺序,相同号码出现的顺序表示工序顺序,先出现的为前工序,后出现的为后工序;而基于工序编码的方法,工序码中数字代表工件号,不同数字先后出现的顺序表示工件安排加工的先后顺序,相同数字出现的先后顺序表示工序顺序,排在前面的是前工序,排在后面的是后工序。所以根据排定事件中提取的第一位工件号数字组成的序列,可以直接转化成工序码,且满足前述基于工序的编码结构。
改进型的初始种群生成方法:首先随机生成一定规模的初始种群,计算出种群中个体适应度,选择适应度低的个体作为待替换个体,然后用部分能动个体替换随机生成的初始种群中的待替换个体,这样可以改善初始种群的质量,同时也不会破坏种群的多样性,最终得到改进型的初始种群。
步骤三、个体适应度计算
计算个体适应度时,根据工件最早开工的原则,在满足后工序要在前工序完工后开始加工、一台机器上同一时刻只能加工一个工件的约束条件的前提下,以最早时间为各工件各工序分配机器安排加工,获得总完工时间,然后以总完工时间的倒数为适应度值,显然总时间越短,适应度值越高。
步骤四、选择操作
选择操作采用轮盘赌选择方法,选择概率根据适应度计算得到。适应度高的个体被选中的概率大,适应度低的个体被选中的概率小,符合遗传算法“优胜劣汰,适者生存”的思想。
步骤五、交叉操作
交叉操作采用POX交叉方法,此方法由华中科技大学的张超勇在论文《基于POX交叉的遗传算法求解Job-Shop调度问题》中提出,其操作过程为首先选定保留工件,保持交叉前个体工序码中保留工件基因信息不变,将另一交叉个体的非保留工件的基因顺序依次替换保留工件以外的基因位置,得到交叉操作后的个体工序码。此方法既能保证交叉后个体的合理性,又能保留个体的有效信息。
步骤六、变异操作
变异操作采用逆序变异方法,首先随机选定个体工序码中两个不相邻位置间的基因座位置,将两基因座之间的基因进行逆序排列,得到变异后的个体。采用逆序变异改变的个体信息较多,而且变异后不会破坏个体的可行性。
步骤七、终止判别
判断是否满足终止条件,满足则停止,并输出最优调度方案,否则转至步骤三。
本发明与现有技术相比,具有如下显而易见的突出特点和显著技术进步:本方法首先随机生成一定规模的初始种群,然后通过能动法生成能动个体,用能动个体替换随机生成的初始种群中适应度最差的个体,这样既能保证初始种群的多样性,又能改善初始种群的质量,而且在进化过程中,优良个体可以引导种群的进化,加快收敛速度。采用本发明的方法进行调度,能得到满意的调度方案,缩短加工时间,提高生产效率。
附图说明
图1为遗传算法的单件车间调度方法的流程框图。
图2为POX交叉操作示意图。
图3为逆序变异操作示意图。
图4为进化历程图。
图5为最优调度方案的甘特图。
具体实施方法
下面结合附图和优选实施例对本发明作进一步说明。
实施例一:参见图1,本基于改进遗传算法的单件车间调度方法,其特征是:
操作步骤如下:
步骤1:确定运行参数。
步骤2:改进型的初始种群生成。
步骤3:个体适应度计算。
步骤4:选择操作。
步骤5:交叉操作。
步骤6:变异操作。
步骤7:终止判别。
实施例二:本实施例与实施例一基本相同,特别之处如下:
所述运行参数为种群规模M,交叉概率Pc,变异概率Pm和迭代次数T。
所述改进型的初始种群生成是:采用基于工序编码的方法得到工序码,产生个体,与采用最小最早完工时间法得到的个体一起组成改进型的初始种群。
所述个体适应度计算是:根据最早完工时间准则,对个体中各工件工序选择机器进行安排,并计算总完工时间,以总完工时间的倒数作为适应度值;显然完工时间越短,适应度值越高。
所述选择操作采用轮盘赌选择方法。
所述交叉操作采用POX交叉方法对工序码进行操作。
所述变异操作是对工序码进行逆序变异操作。
所述终止判别是:判断世代数是否满足终止条件,满足则停止,输出最优调度方案;否则转到步骤3。
实施例三:参见图1~图3,本基于改进遗传算法的单件车间调度方法的操作步骤具体详述如下:
步骤一、确定运行参数
遗传算法的运行参数:种群规模M一般取20~100,交叉概率Pc一般取0.4~0.99,变异概率Pm一般取0.0001~0.1,迭代次数一般取100~500。
步骤二、改进型的初始种群生成
初始种群的生成依靠编码得到工序码,基于工序的编码方法是:每个工件由相应的工件编号表示,相同工件编号出现的次序代表对应工件编号的工序。对于n个工件m道工序的排序问题,个体工序码有n×m个基因位,每个工件的工件编号只能出现m次,当对个体工序码从左到右读取时,同一个工件号出现的第k次表示此工件的第k道工序。如一个3工件2工序的问题,采用基于工序的编码方法随机生成一个个体工序码[1 3 2 2 1 3],个体工序码中第二个位置上的数字3第一次出现,其含义为工件3的第一道工序;个体中第六个位置上的数字3第二次出现,表示工件3的第二道工序。
传统遗传算法的初始种群是随机产生的,具有很大的不确定性,如果初始种群中不包含优良信息会引起算法早熟收敛,影响算法的求解性能,所以需要对初始种群进行改善,在初始种群中加入一部分优良个体,不会破坏初始种群的多样性,而且能够提高初始种群的质量。求解单件车间调度问题,根据已有的启发式规则或者调度方法生成较好的个体工序码放入随机初始种群中,可以对初始种群质量进行改善。通过能动法求解单件车间调度问题,能够得到相对较好的调度方案,所以本发明采用能动法对初始种群进行改善。
能动法是根据工艺信息,对可排事件按最小最早完工原则直接在机器上安排工件加工,得到每个排定事件在各机器上的开、完工时间,最终得出具体的调度方案;遗传算法是通过编码操作将调度问题转化为遗传算法能处理的个体工序码信息,经遗传操作,最后解码得到对应的调度方案。因此需要首先将能动调度方案转化为工序码,再放入随机生成的初始种群中参与进化。
将根据能动法所得调度方案转化为工序码时,一个调度方案可以得到很多个不同的工序码,是不能唯一确定的。经分析发现,在采用能动法对可排事件逐个进行安排得到排定事件过程中,由于排定事件的第一位数字为工件号,排定事件的先后出现表示工件安排任务的先后顺序,相同号码出现的顺序表示工序顺序,先出现的为前工序,后出现的为后工序;而基于工序编码的方法,工序码中数字代表工件号,不同数字先后出现的顺序表示工件安排加工的先后顺序,相同数字出现的先后顺序表示工序顺序,排在前面的是前工序,排在后面的是后工序。所以根据排定事件中提取的第一位工件号数字组成的序列,可以直接转化成工序码,且满足前述基于工序的编码结构。
改进型的初始种群生成方法:首先随机生成一定规模的初始种群,计算出种群中个体适应度,选择适应度低的个体作为待替换个体,然后1个或者2个能动个体替换随机生成的初始种群中相同数量的待替换个体,改善初始种群的质量,同时也不会破坏种群的多样性,最终得到改进型的初始种群。
步骤三、个体适应度计算
计算个体适应度时,根据工件最早开工的原则,在满足后工序在前工序完工后开始加工、一台机器上同一时刻只能加工一个工件的约束条件的前提下,为各工件各工序分配机器安排加工,获得总完工时间,然后以总完工时间的倒数为适应度值,显然总时间越短,适应度值越高。
步骤四、选择操作
选择操作采用轮盘赌选择方法,选择概率依据个体适应度大小而定。适应度高的个体被选中的概率大,适应度低的个体被选中的概率小,符合遗传算法“优胜劣汰,适者生存”的思想。
步骤五、交叉操作
交叉操作采用POX交叉方法,首先选定保留工件,保持交叉前个体工序码中保留工件基因信息不变,将另一交叉个体的非保留工件的基因顺序依次替换保留工件以外的基因位置,得到交叉操作后的个体工序码。POX交叉操作如图2所示,保留两父代个体中工件3所在的基因座位置不变,将两个体中其余基因座上的信息,保持基因顺序不变,进行交叉互换,得到交叉后的两个子代个体。此方法既能保证交叉后个体的合理性,又能保留个体的有效信息。
步骤六、变异操作
变异操作采用逆序变异方法,首先随机选定个体工序码中两个不相邻位置间的基因座位置,将两基因座之间的基因进行逆序排列,得到新的个体,即变异后的个体,如图3所示,随机选择个体中两个不相邻的基因座3和6的位置,将这两个基因座间的基因按逆序方法重新排列,得到变异后的个体。采用逆序变异改变的个体信息较多,而且变异后不会破坏个体的可行性。
步骤七、终止判别
判断是否满足终止条件,满足则停止,输出最优调度方案,否则转至步骤三。
实施例四:以单件车间作业调度标准案例(LA16)为例,例中为10个工件,每个工件有10道工序。具体工件的工艺信息可从表1中得到,表中括号里的前数字表示工件所用的加工机器,后数字表示在对应机器上的加工时间,如工件1的第一道工序在机器1上加工,其加工时间为21。
运行参数:种群规模40,交叉概率0.85,变异概率0.05,迭代次数500。
对实施案例进行上述遗传算法的操作,运行三次,其中最优值为969。附图4为最优解的进化历程图,从图中可知种群进化良好。调度结果的甘特图如附图5所示,图中横坐标表示完工时间,纵坐标表示设备编号,图中数字代表工件号,线段的长度代表工件各工序的加工时间。
Claims (8)
1.一种基于改进遗传算法的单件车间调度方法,其特征是:
操作步骤如下:
步骤1:确定运行参数,
步骤2:改进型的初始种群生成,
步骤3:个体适应度计算,
步骤4:选择操作,
步骤5:交叉操作,
步骤6:变异操作,
步骤7:终止判别。
2.根据权利要求1所述的一种基于改进遗传算法的单件车间调度方法,其特征在于:所述步骤1)中运行参数为种群规模M,交叉概率Pc,变异概率Pm和迭代次数T。
3.根据权利要求1所述的一种基于改进遗传算法的单件车间调度方法,其特征在于:所述步骤2)中初始种群生成是:采用基于工序编码的方法得到工序码,产生个体,与采用最小最早完工时间法得到的个体一起组成改进型的初始种群。
4.根据权利要求1所述的一种基于改进遗传算法的单件车间调度方法,其特征在于:所述步骤3)中个体适应度计算是:根据最早完工时间准则,对个体中各工件工序选择机器进行安排,并计算总完工时间,以总完工时间的倒数作为适应度值;显然完工时间越短,适应度值越高。
5.根据权利要求1所述的一种基于改进遗传算法的单件车间调度方法,其特征在于:所述步骤4)中选择操作采用轮盘赌选择方法。
6.根据权利要求1所述的一种基于改进遗传算法的单件车间调度方法,其特征在于:所述步骤5)中的交叉操作采用POX交叉方法对工序码进行操作。
7.根据权利要求1所述的一种基于改进遗传算法的单件车间调度方法,其特征在于:所述步骤6)中的变异操作是对工序码进行逆序变异操作。
8.根据权利要求1所述的一种基于改进遗传算法的单件车间调度方法,其特征在于:所述步骤7)中的终止判别是:判断世代数是否满足终止条件,满足则停止,输出最优调度方案;否则转到步骤3)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810407527.4A CN108805403A (zh) | 2018-05-02 | 2018-05-02 | 一种基于改进遗传算法的单件车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810407527.4A CN108805403A (zh) | 2018-05-02 | 2018-05-02 | 一种基于改进遗传算法的单件车间调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805403A true CN108805403A (zh) | 2018-11-13 |
Family
ID=64093121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810407527.4A Pending CN108805403A (zh) | 2018-05-02 | 2018-05-02 | 一种基于改进遗传算法的单件车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805403A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059908A (zh) * | 2019-01-23 | 2019-07-26 | 渤海大学 | 基于自适应遗传算法的新工件重调度优化方法 |
CN110956319A (zh) * | 2019-11-25 | 2020-04-03 | 上海大学 | 一种基于免疫遗传算法的单件车间调度方法 |
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 |
CN111260181A (zh) * | 2019-12-31 | 2020-06-09 | 同济大学 | 一种基于分布式智能制造单元的车间自适应生产调度装置 |
CN111626516A (zh) * | 2020-05-30 | 2020-09-04 | 湖南科技大学 | 考虑倒货策略的双深位四向穿梭车系统订单排序优化方法 |
CN112926837A (zh) * | 2021-02-04 | 2021-06-08 | 郑州轻工业大学 | 基于数据驱动改进遗传算法求解作业车间调度问题的方法 |
CN113095733A (zh) * | 2021-05-10 | 2021-07-09 | 北京化工大学 | 一种基于改进遗传算法求解单机械臂转移作业车间调度方法 |
EP3961329A1 (de) * | 2020-08-25 | 2022-03-02 | Audi AG | Steuereinheit sowie verfahren zum steuern von transporten einer vielzahl an werkstücken in einem modularen montagesystem mittels eines genetischen algorithmus; montagesystem |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971236A (zh) * | 2017-02-20 | 2017-07-21 | 上海大学 | 一种基于遗传算法的柔性作业车间分批调度方法 |
-
2018
- 2018-05-02 CN CN201810407527.4A patent/CN108805403A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971236A (zh) * | 2017-02-20 | 2017-07-21 | 上海大学 | 一种基于遗传算法的柔性作业车间分批调度方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059908A (zh) * | 2019-01-23 | 2019-07-26 | 渤海大学 | 基于自适应遗传算法的新工件重调度优化方法 |
CN110956319A (zh) * | 2019-11-25 | 2020-04-03 | 上海大学 | 一种基于免疫遗传算法的单件车间调度方法 |
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 |
CN111260181A (zh) * | 2019-12-31 | 2020-06-09 | 同济大学 | 一种基于分布式智能制造单元的车间自适应生产调度装置 |
CN111626516A (zh) * | 2020-05-30 | 2020-09-04 | 湖南科技大学 | 考虑倒货策略的双深位四向穿梭车系统订单排序优化方法 |
EP3961329A1 (de) * | 2020-08-25 | 2022-03-02 | Audi AG | Steuereinheit sowie verfahren zum steuern von transporten einer vielzahl an werkstücken in einem modularen montagesystem mittels eines genetischen algorithmus; montagesystem |
CN112926837A (zh) * | 2021-02-04 | 2021-06-08 | 郑州轻工业大学 | 基于数据驱动改进遗传算法求解作业车间调度问题的方法 |
CN112926837B (zh) * | 2021-02-04 | 2023-09-12 | 郑州轻工业大学 | 基于数据驱动改进遗传算法求解作业车间调度问题的方法 |
CN113095733A (zh) * | 2021-05-10 | 2021-07-09 | 北京化工大学 | 一种基于改进遗传算法求解单机械臂转移作业车间调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805403A (zh) | 一种基于改进遗传算法的单件车间调度方法 | |
CN109359884B (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
CN103530702B (zh) | 一种基于瓶颈设备分解的大规模作业车间调度方法 | |
CN109034633A (zh) | 改进遗传算法求解带移动时间的柔性作业车间调度方法 | |
CN103955818B (zh) | 多层穿梭车自动仓储系统的任务调度方法 | |
CN105045243A (zh) | 一种半导体生产线动态调度装置 | |
CN109636011A (zh) | 一种基于改进的变邻域遗传算法的多班制计划排程法 | |
CN106610654A (zh) | 针对柔性作业车间调度的改进遗传算法 | |
CN108303958B (zh) | 一种炼钢连铸过程的多目标柔性调度方法 | |
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 | |
CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
CN106971236A (zh) | 一种基于遗传算法的柔性作业车间分批调度方法 | |
CN105652791A (zh) | 订单驱动的离散制造过程能耗优化方法 | |
CN108776845A (zh) | 一种基于双目标作业车间调度的混合果蝇算法 | |
CN109765862A (zh) | 基于自适应遗传算法的混合流水车间可持续调度控制方法 | |
CN106610652A (zh) | 改进编码方式的遗传算法解分布式柔性作业车间调度问题 | |
CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
CN101901426A (zh) | 一种基于蚁群算法的动态滚动调度方法 | |
CN107479522B (zh) | 一种改良的帝国竞争算法解决柔性作业车间调度问题的方法 | |
CN110516978A (zh) | 一种电子产品调测生产线混流排产方法 | |
CN110956371A (zh) | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 | |
CN107368912A (zh) | 一种面向低碳制造的加工中心刀具决策方法 | |
CN102945510B (zh) | 一种求解复杂资源受限项目调度问题的有效方法 | |
CN111401616B (zh) | 一种供应链环境下预制混凝土构件的双层调度方法 | |
CN109615105A (zh) | 一种考虑柔性节拍和操作人员技能差异的装配线平衡方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181113 |
|
RJ01 | Rejection of invention patent application after publication |