CN108960509B - 一种制造系统智能排产方法与系统 - Google Patents

一种制造系统智能排产方法与系统 Download PDF

Info

Publication number
CN108960509B
CN108960509B CN201810717393.6A CN201810717393A CN108960509B CN 108960509 B CN108960509 B CN 108960509B CN 201810717393 A CN201810717393 A CN 201810717393A CN 108960509 B CN108960509 B CN 108960509B
Authority
CN
China
Prior art keywords
fitness
module
population
scheduling
neural network
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
Application number
CN201810717393.6A
Other languages
English (en)
Other versions
CN108960509A (zh
Inventor
王晨升
易阳
陈浩哲
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.)
WUXI YITONG PRECISION MACHINERY CO Ltd
Original Assignee
WUXI YITONG PRECISION MACHINERY 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 WUXI YITONG PRECISION MACHINERY CO Ltd filed Critical WUXI YITONG PRECISION MACHINERY CO Ltd
Priority to CN201810717393.6A priority Critical patent/CN108960509B/zh
Publication of CN108960509A publication Critical patent/CN108960509A/zh
Application granted granted Critical
Publication of CN108960509B publication Critical patent/CN108960509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开一种制造系统智能排产方法与系统，使用人工神经网络对解决制造系统排产问题的遗传算法进行改进，通过神经网络记忆遗传算法子代的适应度，以此优化遗传算法的交叉概率，与传统使用遗传算法解决排产问题的方法相比求解质量更高，生成的排产计划更合理，提高了企业的生产效率。

Description

一种制造系统智能排产方法与系统
技术领域
本发明涉及智能排产领域，尤其涉及一种制造系统智能排产方法与系统。
背景技术
优秀的生产调度能够提高资源利用率，提高制造企业产能，提高产品的竞争性，帮助企业在竞争性日益增强的市场中脱颖而出。所以，对生产排产问题进行研究是一件非常有必要和意义的事。遗传算法在排产问题等复杂的组合优化问题中有着广泛的应用，它本身具有很好的鲁棒性，可以应用到大多数优化问题中。但是遗传算法容易过早收敛，导致得到的排产计划不能令人满意。传统遗传算法在解决作业车间调度问题时局部搜索能力较差，导致其解的质量不高，不能生成优秀的排产计划。
发明内容
本发明的目的在于通过一种制造系统智能排产方法与系统，来解决以上背景技术部分提到的问题。
为达此目的，本发明采用以下技术方案：
一种制造系统智能排产方法，该方法包括如下步骤：
S101、根据排产数据随机产生初始种群，并将初始种群输出到解码模块；
S102、所述解码模块将收到的初始种群中的排产数据分别解码，获得排产计划，并将排产计划输出到计算适应度模块；
S103、所述计算适应度模块计算排产计划的适应度；
S104、判断是否到达终止条件，若到达，则输出当前搜索到的最好解，并结束算法，否则执行步骤S105；
S105、选择模块根据步骤S103所计算出的适应度对种群进行选择，并将完成选择的种群输出到变异模块；
S106、所述变异模块根据变异概率随机对种群中的某些数据进行随机的变异；
S107、在变异模块输出的种群中选取父代，并保存每次选取的两个父代；
S108、将所有两两配对的父代送入神经网络一，计算子代适应度；
S109、根据步骤S108计算得到的子代适应度更新交叉概率；
S110、根据所述交叉概率进行交叉操作；
S111、循环执行步骤S103至步骤S110。
特别地，所述步骤S111还包括：在该循环中计算适应度模块计算子代适应度，并将子代适应度与之前保存的父代送入神经网络二中进行训练，并在达到神经网络一的更新阈值时，将神经网络二中的参数完全复制到神经网络一，完成对神经网络一中参数的更新。
特别地，所述步骤S101中排产数据包括但不限于：各机床已加工零件个数、已有的排产计划、各零件的截止日期，以及计划新加工的零件数、截止日期、加工工序。
特别地，所述步骤S105中选择模块根据步骤S103所计算出的适应度对种群进行选择，具体包括：选择模块根据步骤S103所计算出的适应度，采用最佳个体保存法和比例保存法两种策略相结合的方式对种群进行选择。
特别地，所述步骤S106中变异的方式是调整种群某些随机染色体中任意几个基因的顺序。
本发明还公开了一种制造系统智能排产系统，该系统包括:传感模块、数控控制器、数据采集卡以及工控机；所述传感模块用于感知数控机床的相关加工数据，输出给数据采集卡；所述数据采集卡用于采集数控控制器、传感模块输入的加工信息，输出给工控机；所述工控机用于执行如下步骤S101至步骤S111：S101、根据排产数据随机产生初始种群，并将初始种群输出到解码模块；S102、所述解码模块将收到的初始种群中的排产数据分别解码，获得排产计划，并将排产计划输出到计算适应度模块；S103、所述计算适应度模块计算排产计划的适应度；S104、判断是否到达终止条件，若到达，则输出当前搜索到的最好解，并结束算法，否则执行步骤S105；S105、选择模块根据步骤S103所计算出的适应度对种群进行选择，并将完成选择的种群输出到变异模块；S106、所述变异模块根据变异概率随机对种群中的某些数据进行随机的变异；S107、在变异模块输出的种群中选取父代，并保存每次选取的两个父代；S108、将所有两两配对的父代送入神经网络一，计算子代适应度；S109、根据步骤S108计算得到的子代适应度更新交叉概率；S110、根据所述交叉概率进行交叉操作；S111、循环执行步骤S103至步骤S110。
特别地，所述步骤S111还包括：在该循环中计算适应度模块计算子代适应度，并将子代适应度与之前保存的父代送入神经网络二中进行训练，并在达到神经网络一的更新阈值时，将神经网络二中的参数完全复制到神经网络一，完成对神经网络一中参数的更新。
特别地，所述步骤S101中排产数据包括但不限于：各机床已加工零件个数、已有的排产计划、各零件的截止日期，以及计划新加工的零件数、截止日期、加工工序。
特别地，所述步骤S105中选择模块根据步骤S103所计算出的适应度对种群进行选择，具体包括：选择模块根据步骤S103所计算出的适应度，采用最佳个体保存法和比例保存法两种策略相结合的方式对种群进行选择。
特别地，所述步骤S106中变异的方式是调整种群某些随机染色体中任意几个基因的顺序。
本发明提出的制造系统智能排产方法与系统使用人工神经网络对解决制造系统排产问题的遗传算法进行改进，通过神经网络记忆遗传算法子代的适应度，以此优化遗传算法的交叉概率，与传统使用遗传算法解决排产问题的方法相比求解质量更高，生成的排产计划更合理，提高了企业的生产效率。
附图说明
图1为本发明实施例提供的制造系统智能排产方法流程示意图；
图2为本发明实施例提供的神经网络中部分神经元间数据计算过程示意图；
图3为本发明实施例提供的智能排产程序示意图；
图4为本发明实施例提供的制造系统智能排产系统示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容理解的更加透彻全面。需要说明的是，当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参照图1所示，图1为本发明实施例提供的制造系统智能排产方法流程示意图。本实施例中制造系统智能排产方法具体包括如下步骤：
S101、根据排产数据随机产生初始种群，并将初始种群输出到解码模块。在本实施例中所述排产数据包括但不限于：各机床已加工零件个数、已有的排产计划、各零件的截止日期，以及计划新加工的零件数、截止日期、加工工序。
S102、所述解码模块将收到的初始种群中的排产数据分别解码，获得排产计划，并将排产计划输出到计算适应度模块。
S103、所述计算适应度模块计算排产计划的适应度。
S104、判断是否到达终止条件，若到达，则输出当前搜索到的最好解，并结束算法，否则执行步骤S105。
终止条件是一个人为设定的条件，条件是根据需求定义的，如果有效率上的要求，就将用于判断的变量阈值设定的小一些，如果要求解尽量的好，就设的大一些。举个例子，算法每次循环都会计算出一个解，这些解中有的解比曾经最好的解差(最好解的定义在下个问题中)，有的好。举一个例子，当某一次循环计算出的解比曾经的最好解还要好时，将用于判断终止条件的变量置0，如果循环中计算出的解没有比曾经的最好解差，就将这个变量自增1，在当前最好的解在后续循环中没有变的更好时，变量就会不断增大，直到到达设定的阈值，这时，终止条件就达到了，算法结束。这个阈值是自己设定的数字，例如100、200、3000都行，根据需求设定。
排产计划会根据上一步骤S103计算一个适应度，适应度越大，代表解越好。步骤S104中的“最好解”对应着当前最优的排产计划。
S105、选择模块根据步骤S103所计算出的适应度对种群进行选择，并将完成选择的种群输出到变异模块。在本实施例中选择模块根据步骤S103所计算出的适应度，采用最佳个体保存法和比例保存法两种策略相结合的方式对种群进行选择。针对采用最佳个体保存法和比例保存法两种策略相结合的方式对种群进行选择，说明如下：假设我的种群中有100个方案(上面的说明中介绍了100是人为设定的，并根据机器性能更改的)，最佳个体保存法会选出当前种群中最好的方案与最差的方案，用当前种群中最好的方案与曾经最好的方案进行比较，那个更好选择哪个，并用选择后的最好方案代替当前种群中最差的方案；比例保存法是根据适应度，按照比例进行选择，举个简单例子，原种群中有两个方案，第一个方案适应度为0.4(适应度在0到1之间)，第二个方案适应度为0.1，进行选择后种群中还要有两个个体，那么选择后种群的第一个方案有0.4/(0.4+0.1)＝80％的概率选到原种群中第一个方案，有0.1/(0.4+0.1)＝20％的概率选到原种群中第二个方案，选择后种群的第二个位置的选择方式与第一个位置相同。两种方法结合方式是显示用最佳个体保存法选出当前种群中的最好方案，再与曾经的最好方案进行比较，那个好选哪个作为最终的最好方案。再使用比例保存法对当前种群进行选择，最后，使用最终的最好方案代替比例选择法选择后种群中的最差方案。
S106、所述变异模块根据变异概率随机对种群中的某些数据进行随机的变异。在本实施例中所述变异概率是人为设定的，对于不同问题的最优变异概率很可能也会不同，并且变异概率需要根据算法求得排产计划的优劣在不断尝试中去提升。变异的方式是调整种群某些随机染色体中任意几个基因的顺序，一个染色体就是一个排产方案，可以在一个染色体中(一个排产方案中)任意选择几个交换，几个可以人为设定，但一个算法里只能选择一个固定的数(选择几都行，但不超过一个方案中基因的个数)，同时不能跨方案交换顺序。对种群中的某些数据进行随机的变异包括：算法将对排产问题进行编码，举一个简单的例子，有3个工件，每个工件都需要3个加工步骤，加工需要按照一定步骤进行。一共有9个步骤，可以编码为112132233(每个数字是一个基因)，这就代表了这个问题的一个排产方案，一个种群中有多个这样的排产方案，并且个数也是人为设定的，个数的大小和用于计算的机器的性能相关。编码中第一个1代表工件1的第一个步骤，第二个1代表工件1的第二个步骤，第一个2代表工件2的第一个步骤，一次类推。种群中每个方案的每个数字都可以变异，不需要条件。变异的方式可以是在一个方案中交换任意两个或多个数字的顺序，但不能和跨方案交换。
S107、在变异模块输出的种群中选取父代，并保存每次选取的两个父代。
S108、将所有两两配对的父代送入神经网络一，计算子代适应度。针对计算子代适应度：每个方案都能根据问题给出的原始数据计算一个完成时间，这个时间越小越好。可以通过变换，例如取倒数等等，将这个数据变换为0到1之间的小数，用这个小数作为适应度。S109、根据步骤S108计算得到的子代适应度更新交叉概率。
S110、根据所述交叉概率进行交叉操作。具体的，神经网络一会根据输入数据输出多个子代适应度。可以根据这个适应度对两父代进行交叉操作。例如在计算出的多个适应度中第3个位置是这些适应度中最大的一个，那么我就选择第3个位置，对两父代进行单点交叉。如果排产问题是有3个工件，每个工件有两个加工步骤。那么假设两个父代分别是123123、132321，选择第一个父代作为基准在第3个位置进行交叉，交叉后，生成一个子代122321,。但是这个子代不符合要求，因为根据问题，编码后我们需要方案中有2个1，两个2和两个3，方案中多了个2少了个3，我们就将第三个2变为3，最终子代就是122331。最后将种群中123123替换为122331。
S111、循环执行步骤S103至步骤S110，如图1所示，在该循环中计算适应度模块计算子代适应度，并将子代适应度与之前保存的父代送入神经网络二中进行训练，并在达到神经网络一的更新阈值时，将神经网络二中的参数完全复制到神经网络一，完成对神经网络一中参数的更新。需要说明的是，每经过一定的迭代步数，迭代步数达到一定的阈值例如200步(200是人为设定，根据问题会不同，通过不断尝试改变更新阈值来提升算法求解质量)，将神经网络二中的参数完全复制到神经网络一，完成对神经网络一中参数的更新。
具体的，如图2所示，神经网络中部分神经元间数据计算过程如下(此处神经网络是神经网络二神经元间数据(参数)的更新过程，神经网络一的参数不用按照此计算，因为神经网络二的结构和神经网络一一样，当迭代步数达到更新阈值时将网络，将这时神经网路二的参数直接复制到神经网络一中对应的位置)：第I-2层的输出为
Figure BDA0001717889820000081
则第I-1层第一个神经元的输出为：
Figure BDA0001717889820000085
Figure BDA0001717889820000082
反向更新公式为：
Figure BDA0001717889820000083
上式中
Figure BDA0001717889820000084
是第I-2层的输出，t＝1，2，…，t，t为当前层中神经元的个数。f是激活函数，这里用ReLU作为激活函数，当x小于等于时，ReLU输出0,；当x>0时，ReLU输出x；w11到wt1分别表示第I-2层从第1个神经元到第t个神经元输出到第I-1层第一个神经元的数字；
Figure BDA0001717889820000086
是第I-1层第一个神经元中的偏置，是一个实数；wij是计算过程中当前层和上一层之间的参数，代表上一层第i个神经元到当前层中第j个神经元间的数字；bj是当前层中第j个神经元的偏置；J是代价函数，w,b是所有wij和bj的总称；η1和η2是学习率。
如图3所示，智能排产程序运行在工控机，由感知、认知、计算和决策四部分组成。其中感知模块的内容包含各机床已加工零件个数、已有的排产计划(排期计划)和各零件的截止日期；认知模块的内容包含人工输入计划新加工的零件数、截止日期和加工工序和根据感知设定排产的初始条件；计算模块包含上述制造系统智能排产方法即智能排产算法；决策模块根据制造系统智能排产方法得到排产计划。在实际运行时，感知部分得到机床已加工零件个数、从决策部分得到已有的排产计划，和各零件的截止日期；认知部分需要人工输入计划新加工的零件数、截止日期和加工工序，与感知部分内容结合对排产任务的初始条件进行认知；计算部分基于初始条件，通过制造系统智能排产方法计算最优排产计划；决策部分最终得到排产计划。
如图4所示，图4为本发明实施例提供的制造系统智能排产系统示意图。在本实施例中制造系统智能排产系统具体包括:传感模块401、数控控制器402、数据采集卡403以及工控机404。所述传感模块401用于感知数控机床405的相关加工数据，输出给数据采集卡403。所述数据采集卡403用于采集数控控制器402、传感模块401输入的加工信息，输出给工控机404的智能排产程勋中的感知模块并实时更新。所述工控机404用于执行如下步骤S101至步骤S111：S101、根据排产数据随机产生初始种群，并将初始种群输出到解码模块。在本实施例中所述排产数据包括但不限于：各机床已加工零件个数、已有的排产计划、各零件的截止日期，以及计划新加工的零件数、截止日期、加工工序。S102、所述解码模块将收到的初始种群中的排产数据分别解码，获得排产计划，并将排产计划输出到计算适应度模块。S103、所述计算适应度模块计算排产计划的适应度。S104、判断是否到达终止条件，若到达，则输出当前搜索到的最好解，并结束算法，否则执行步骤S105。S105、选择模块根据步骤S103所计算出的适应度对种群进行选择，并将完成选择的种群输出到变异模块。在本实施例中选择模块根据步骤S103所计算出的适应度，采用最佳个体保存法和比例保存法两种策略相结合的方式对种群进行选择。S106、所述变异模块根据变异概率随机对种群中的某些数据进行随机的变异。在本实施例中变异的方式是调整种群某些随机染色体中任意几个基因的顺序。S107、在变异模块输出的种群中选取父代，并保存每次选取的两个父代。S108、将所有两两配对的父代送入神经网络一，计算子代适应度。S109、根据步骤S108计算得到的子代适应度更新交叉概率。S110、根据所述交叉概率进行交叉操作。S111、循环执行步骤S103至步骤S110，同样的，如图1所示，在该循环中计算适应度模块计算子代适应度，并将子代适应度与之前保存的父代送入神经网络二中进行训练，并在达到神经网络一的更新阈值时，将神经网络二中的参数完全复制到神经网络一，完成对神经网络一中参数的更新。需要说明的是，每经过一定的迭代步数例如200步，将神经网络二中的参数完全复制到神经网络一，完成对神经网络一中参数的更新。
同样的，如图2所示，神经网络中部分神经元间数据计算过程如下：第I-2层的输出为
Figure BDA0001717889820000101
则第I-1层第一个神经元的输出为：
Figure BDA0001717889820000102
Figure BDA0001717889820000103
反向更新公式为：
Figure BDA0001717889820000104
其中，
Figure BDA0001717889820000105
是第I-2层的输出，t＝1，2，…，t，t为当前层中神经元的个数。f是激活函数，这里用ReLU作为激活函数，当x小于等于时，ReLU输出0,；当x>0时，ReLU输出x；w11到wt1分别表示第I-2层从第1个神经元到第t个神经元输出到第I-1层第一个神经元的数字；
Figure BDA0001717889820000111
是第I-1层第一个神经元中的偏置，是一个实数；
Figure BDA0001717889820000112
到
Figure BDA0001717889820000113
是父代1和父代2合并起来后的基因，n是父代中基因个数的两倍。
Figure BDA0001717889820000114
到
Figure BDA0001717889820000115
是两父代在不同位置进行单点交叉后子代的适应度，m＝n/2。
同样的，如图3所示，智能排产程序运行在工控机，由感知、认知、计算和决策四部分组成。其中感知模块的内容包含各机床已加工零件个数、已有的排产计划(排期计划)和各零件的截止日期；认知模块的内容包含人工输入计划新加工的零件数、截止日期和加工工序和根据感知设定排产的初始条件；计算模块包含上述制造系统智能排产方法即智能排产算法；决策模块根据制造系统智能排产方法得到排产计划。在实际运行时，感知部分得到机床已加工零件个数、从决策部分得到已有的排产计划，和各零件的截止日期；认知部分需要人工输入计划新加工的零件数、截止日期和加工工序，与感知部分内容结合对排产任务的初始条件进行认知；计算部分基于初始条件，通过制造系统智能排产方法计算最优排产计划；决策部分最终得到排产计划。
人工神经网络拥有大规模的记忆能力，能够对遗传算法迭代过程中交叉的结果进行记忆，帮助遗传算法交叉概率的优化，从而使遗传算法生成更加优秀的解。本发明通过将神经网络与遗传算法融合，解决了单纯使用传统遗传算法的系统解决排产问题求解质量不高的问题。
本发明的技术方案使用人工神经网络对解决制造系统排产问题的遗传算法进行改进，通过神经网络记忆遗传算法子代的适应度，以此优化遗传算法的交叉概率，与传统使用遗传算法解决排产问题的方法相比求解质量更高，生成的排产计划更合理，提高了企业的生产效率。
本领域普通技术人员可以理解实现上述实施例中的全部部分是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种制造系统智能排产方法，其特征在于，包括如下步骤：
S101、根据排产数据随机产生初始种群，并将初始种群输出到解码模块；
S102、所述解码模块将收到的初始种群中的排产数据分别解码，获得排产计划，并将排产计划输出到计算适应度模块；
S103、所述计算适应度模块计算排产计划的适应度；
S104、判断是否到达终止条件，若到达，则输出当前搜索到的最好解，并结束算法，否则执行步骤S105；
S105、选择模块根据步骤S103所计算出的适应度对种群进行选择，并将完成选择的种群输出到变异模块；
S106、所述变异模块根据变异概率随机对种群中的某些数据进行随机变异；
S107、在变异模块输出的种群中选取父代，并保存每次选取的两个父代；
S108、将所有两两配对的父代送入神经网络一，计算子代适应度；
S109、根据步骤S108计算得到的子代适应度更新交叉概率；
S110、根据所述交叉概率进行交叉操作；
S111、循环执行步骤S103至步骤S110；
所述步骤S111，还包括：
在该循环中计算适应度模块计算子代适应度，并将子代适应度与之前保存的父代送入神经网络二中进行训练，并在达到神经网络一的更新阈值时，将神经网络二中的参数完全复制到神经网络一，完成对神经网络一中参数的更新；
所述更新阈值是人为设定的。
2.根据权利要求1所述的制造系统智能排产方法，其特征在于，所述步骤S101中排产数据包括但不限于：各机床已加工零件个数、已有的排产计划、各零件的截止日期，以及计划新加工的零件数、截止日期、加工工序。
3.根据权利要求1所述的制造系统智能排产方法，其特征在于，所述步骤S105中选择模块根据步骤S103所计算出的适应度对种群进行选择，具体包括：选择模块根据步骤S103所计算出的适应度，采用最佳个体保存法和比例保存法两种策略相结合的方式对种群进行选择。
4.根据权利要求1至3之一所述的制造系统智能排产方法，其特征在于，所述步骤S106中变异的方式是调整种群某些随机染色体中任意几个基因的顺序。
5.一种制造系统智能排产系统，其特征在于，包括:传感模块、数控控制器、数据采集卡以及工控机；所述传感模块用于感知数控机床的相关加工数据，输出给数据采集卡；所述数据采集卡用于采集数控控制器、传感模块输入的加工信息，输出给工控机；所述工控机用于执行如下步骤S101至步骤S111：S101、根据排产数据随机产生初始种群，并将初始种群输出到解码模块；S102、所述解码模块将收到的初始种群中的排产数据分别解码，获得排产计划，并将排产计划输出到计算适应度模块；S103、所述计算适应度模块计算排产计划的适应度；S104、判断是否到达终止条件，若到达，则输出当前搜索到的最好解，并结束算法，否则执行步骤S105；S105、选择模块根据步骤S103所计算出的适应度对种群进行选择，并将完成选择的种群输出到变异模块；S106、所述变异模块根据变异概率随机对种群中的某些数据进行随机的变异；S107、在变异模块输出的种群中选取父代，并保存每次选取的两个父代；S108、将所有两两配对的父代送入神经网络一，计算子代适应度；S109、根据步骤S108计算得到的子代适应度更新交叉概率；S110、根据所述交叉概率进行交叉操作；S111、循环执行步骤S103至步骤S110；
所述步骤S111，还包括：
在该循环中计算适应度模块计算子代适应度，并将子代适应度与之前保存的父代送入神经网络二中进行训练，并在达到神经网络一的更新阈值时，将神经网络二中的参数完全复制到神经网络一，完成对神经网络一中参数的更新；
所述更新阈值是人为设定的。
6.根据权利要求5所述的制造系统智能排产系统，其特征在于，所述步骤S101中排产数据包括但不限于：各机床已加工零件个数、已有的排产计划、各零件的截止日期，以及计划新加工的零件数、截止日期、加工工序。
7.根据权利要求5所述的制造系统智能排产系统，其特征在于，所述步骤S105中选择模块根据步骤S103所计算出的适应度对种群进行选择，具体包括：选择模块根据步骤S103所计算出的适应度，采用最佳个体保存法和比例保存法两种策略相结合的方式对种群进行选择。
8.根据权利要求5至7任一项所述的制造系统智能排产系统，其特征在于，所述步骤S106中变异的方式是调整种群某些随机染色体中任意几个基因的顺序。
CN201810717393.6A 2018-06-29 2018-06-29 一种制造系统智能排产方法与系统 Active CN108960509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810717393.6A CN108960509B (zh) 2018-06-29 2018-06-29 一种制造系统智能排产方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810717393.6A CN108960509B (zh) 2018-06-29 2018-06-29 一种制造系统智能排产方法与系统

Publications (2)

Publication Number Publication Date
CN108960509A CN108960509A (zh) 2018-12-07
CN108960509B true CN108960509B (zh) 2022-03-11

Family

ID=64485162

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810717393.6A Active CN108960509B (zh) 2018-06-29 2018-06-29 一种制造系统智能排产方法与系统

Country Status (1)

Country Link
CN (1) CN108960509B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113537754A (zh) * 2021-07-12 2021-10-22 佛山科学技术学院 一种高效智能定制家具订单排产方法、装置、介质及设备
CN114742377A (zh) * 2022-03-25 2022-07-12 清华大学 产品的生产任务处理方法、设备、介质及程序产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630380A (zh) * 2009-07-08 2010-01-20 西安电子科技大学 基于多种群进化机制的作业车间调度方法
CN106953768A (zh) * 2017-04-13 2017-07-14 西安电子科技大学 一种网络可靠性模型及混合智能优化方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2257892A4 (en) * 2008-03-05 2013-07-17 Univ Brown IMPROVED TECHNIQUES FOR STOCHASTIC COMBINATORY OPTIMIZATION

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101630380A (zh) * 2009-07-08 2010-01-20 西安电子科技大学 基于多种群进化机制的作业车间调度方法
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
CN106953768A (zh) * 2017-04-13 2017-07-14 西安电子科技大学 一种网络可靠性模型及混合智能优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Multi-stage ordinal optimization based approach for job shop scheduling problems;Hong Shih-Cheng;《APPLIED MATHEMATICS AND COMPUTATION》;20121015(第219期);全文 *

Also Published As

Publication number Publication date
CN108960509A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN113034026B (zh) 基于Q-learning和GA的多目标柔性作业车间调度自学习方法
Van der Lee et al. A tuning algorithm for model predictive controllers based on genetic algorithms and fuzzy decision making
CN109241291A (zh) 基于深度强化学习的知识图谱最优路径查询系统及其方法
CN112381343B (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
CN106610867B (zh) 一种片上网络任务调度方法及装置
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
CN108279647B (zh) 一种两阶段装配流水车间调度方法
CN108960509B (zh) 一种制造系统智能排产方法与系统
CN112907150A (zh) 一种基于遗传算法的生产排程方法
CN117314078B (zh) 基于Petri网和神经网络的柔性制造系统的无死锁调度方法
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
Badri et al. A multi-criteria decision-making approach to solve the product mix problem with interval parameters based on the theory of constraints
CN105373845A (zh) 制造企业车间的混合智能调度优化方法
CN110163409A (zh) 一种应用于置换流水车间的卷积神经网络调度方法
CN118192472A (zh) 一种柔性作业车间调度问题的改进星雀优化方法
CN114386843A (zh) 一种基于改进深度强化学习算法的柔性车间调度方法
CN110490446A (zh) 一种基于改进遗传算法的模块化工艺重组方法
CN117726119A (zh) 一种解决分布式混合流水车间组调度的图仿生学习方法
MirRokni Applying genetic algorithm in architecture and neural network training
CN112183817A (zh) 一种柔性车间调度方法
CN113792494B (zh) 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法
CN113485278B (zh) 优化两生产指标的柔性作业车间调度多目标分布估计方法
CN113011767B (zh) 一种多目标柔性作业车间调度用混合遗传方法
Pranav et al. Control parameter adaptation strategies for mutation and crossover rates of differential evolution algorithm-An insight
Guo et al. A parallel search genetic algorithm based on multiple peak values and multiple rules

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