CN109086936B - 一种智能车间的生产系统资源配置方法、装置及设备 - Google Patents

一种智能车间的生产系统资源配置方法、装置及设备 Download PDF

Info

Publication number
CN109086936B
CN109086936B CN201810892012.8A CN201810892012A CN109086936B CN 109086936 B CN109086936 B CN 109086936B CN 201810892012 A CN201810892012 A CN 201810892012A CN 109086936 B CN109086936 B CN 109086936B
Authority
CN
China
Prior art keywords
production system
manufacturing unit
resources
production
constraint
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
CN201810892012.8A
Other languages
English (en)
Other versions
CN109086936A (zh
Inventor
席少辉
陈庆新
俞爱林
毛宁
胡常伟
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.)
Guangdong University of Technology
Original Assignee
Guangdong 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201810892012.8A priority Critical patent/CN109086936B/zh
Publication of CN109086936A publication Critical patent/CN109086936A/zh
Application granted granted Critical
Publication of CN109086936B publication Critical patent/CN109086936B/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
    • G06Q10/06313—Resource planning in a project environment
    • 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)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种智能车间的生产系统资源配置方法、装置及设备，该方法包括：获取生产系统和生产系统中每个制造单元各自对应的资源的随机规划模型及各自对应的约束条件；其中，资源包括机器人数量、自动导向车数量和缓冲区大小，约束条件包括利用开排队网络计算获取的性能指标的约束；利用搜索算法计算的每个制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取生产系统对应的随机规划模型在对应的约束条件内的资源；本发明采用开排队网络建立生产系统的评估模型，可以计算生产系统的平均产出率和平均生产周期等性能指标；在性能指标的约束下，采用分解协调优化算法快速的优化配置生产系统中的资源。

Description

一种智能车间的生产系统资源配置方法、装置及设备
技术领域
本发明涉及生产车间或制造系统规划布局领域，特别涉及一种智能车间的生产系统资源配置方法、装置及设备。
背景技术
中国制造业正从传统的大规模面向库存生产方式，逐渐转变为以客户主导的按需求定制生产方式。随着信息技术的发展与物联网的普及，以及集成化生产设备与自动化物流储运系统的应用，定制型生产系统的布局方式从机群式布局，逐步向由含机器人的多个柔性制造单元所组成的生产系统演变，其中单元间的加工件通过批量储运系统传递(如图1所示)，实现高效、低成本的定制化生产过程。
定制型生产系统在接到客户订单后开始生产，按期交货是此类生产企业的核心竞争力之一，因此生产周期、产出率是设计此类生产系统的重要指标。此外，随机不确定性因素大量存在于个性化的定制生产过程中，具体反映在订单到达时间间隔、零件加工工时以及在制品运输时间的不确定，以及工件返修报废，设备故障等，因此将这些不确定性信息包含在系统性能评估过程中才能较为准确的评估系统的平均产出率和平均生产周期等性能指标；并且定制型生产系统中大量先进的加工设备、机器人、物流运输小车(自动导向车，AVG)及相关的存储设施等生产资源价格昂贵，并且这些资源的配置相互耦合作用，例如制造单元的输入、输出速率与物流运输系统的运输能力彼此关联；加工设备与装卸机器人同时占用完成装卸任务；增大缓冲区既对加工设备的输出速率和运输系统的运输能力有积极影响，又对系统的在制品数量和生产周期造成消极影响，这就需要通过联合优化数量众多的资源以最少的成本保证预期的设计目标。
因此，如何能够计算生产系统的平均产出率和平均生产周期等性能指标，并在性能指标的约束下，快速的优化配置生产系统中资源，提高用户体验，是现今急需解决的问题。
发明内容
本发明的目的是提供一种智能车间的生产系统资源配置方法、装置及设备。以计算生产系统的平均产出率和平均生产周期等性能指标，并在性能指标的约束下，快速的优化配置生产系统中资源。
为解决上述技术问题，本发明提供一种智能车间的生产系统资源配置方法，包括：
获取生产系统和所述生产系统中每个制造单元各自对应的资源的随机规划模型及各自对应的约束条件；其中，所述资源包括机器人数量、自动导向车数量和缓冲区大小，所述约束条件包括利用开排队网络计算获取的性能指标的约束；
利用搜索算法计算的每个所述制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取所述生产系统对应的随机规划模型在对应的约束条件内的资源。
可选的，所述随机规划模型为以最小化总投资为目标的随机规划模型，所述约束条件包括平均产出率约束和平均生产周期约束时，所述生产系统对应的随机规划模型和对应的约束条件分别为：
Figure GDA0003466855090000021
Θ(X,Y,Z)≥a和T(X,Y,Z)≤b；其中，X、Y、Z分别为所述生产系统中的机器人数量、自动导向车数量和缓冲区大小，X＝(x1,x2,...xN)∈N+，Y＝(y1,y2,...yN)∈N+，Z＝(z1,z2,...zN)∈N+，a和b分别为所述生产系统的预设平均产出率和预设平均生产周期，Θ(X,Y,Z)和T(X,Y,Z)分别为利用开排队网络计算获取的所述生产系统的平均产出率和平均生产周期，xN、yN和zN分别为所述生产系统中工序N中的机器人数量、自动导向车数量和缓冲区大小，N为所述生产系统中的总工序数；
每个所述制造单元各自对应的随机规划模型和对应的约束条件分别为：
Figure GDA0003466855090000022
Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi；其中，Xi、Yi和Zi分别为制造单元i中的机器人数量、自动导向车数量和缓冲区大小，Xi＝(xj,xj+1,...xj+m)∈N+，Yi＝(yj,yj+1,...yj+m)∈N+，Zi＝(zj,zj+1,...zj+m)∈N+，ai和bi分别为制造单元i的预设平均产出率和预设平均生产周期，Θi(Xi,Yi,Zi)和Ti(Xi,Yi,Zi)≤bi分别为利用开排队网络计算获取的制造单元i对应的平均产出率和平均生产周期，xj+m、yj+m和zj+m分别为制造单元i中工序m中的机器人数量、自动导向车数量和缓冲区大小，m为制造单元i中的总工序数。
可选的，所述利用搜索算法计算的每个所述制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取所述生产系统对应的随机规划模型在对应的约束条件内的资源，包括：
调节ai和bi的数值，获取ai的数值最大且bi的数值最小时，
Figure GDA0003466855090000031
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的资源对应的
Figure GDA0003466855090000032
在Θ(X,Y,Z)≥a和T(X,Y,Z)≤b内的资源。
可选的，所述调节ai和bi的数值，获取ai的数值最大且bi的数值最小时，
Figure GDA0003466855090000033
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的资源对应的
Figure GDA0003466855090000034
在Θ(X,Y,Z)≥a和T(X,Y,Z)≤b内的资源，包括：
利用搜索算法并行计算的
Figure GDA0003466855090000035
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的每个所述制造单元各自对应的资源，获取所述生产系统中的机器人数量和缓冲区大小；
根据每个所述制造单元各自对应的资源中的自动导向车数量，利用搜索算法计算所述生产系统中的物流运输系统的自动导向车数量，获取所述生产系统中的自动导向车数量。
可选的，所述利用搜索算法计算的每个所述制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取所述生产系统对应的随机规划模型在对应的约束条件内的资源，包括：
获取所述生产系统的排队网络；其中，所述排队网络包括物料流动方向；
利用广义扩展法按所述物料流动方向，获取所述生产系统中每台自动导向车和每台机器人的不同状态之间的关联关系，并对排队网络中每个节点逐步推算，获取所述生产系统的系统状态平衡概率；
根据所述系统状态平衡概率，计算获取所述生产系统的性能指标。
本发明还提供了一种智能车间的生产系统资源配置装置，包括：
获取模块，用于获取生产系统和所述生产系统中每个制造单元各自对应的资源的随机规划模型及各自对应的约束条件；其中，所述资源包括机器人数量、自动导向车数量和缓冲区大小，所述约束条件包括利用开排队网络计算获取的性能指标的约束；
分解协调模块，用于利用搜索算法计算的每个所述制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取所述生产系统对应的随机规划模型在对应的约束条件内的资源。
可选的，所述随机规划模型为以最小化总投资为目标的随机规划模型，所述约束条件包括平均产出率约束和平均生产周期约束时，所述获取模块，包括：
第一获取子模块，用于获取所述生产系统对应的随机规划模型和对应的约束条件；其中，所述生产系统对应的随机规划模型和对应的约束条件分别为
Figure GDA0003466855090000041
Θ(X,Y,Z)≥a和T(X,Y,Z)≤b；其中，X、Y、Z分别为所述生产系统中的机器人数量、自动导向车数量和缓冲区大小，X＝(x1,x2,...xN)∈N+，Y＝(y1,y2,...yN)∈N+，Z＝(z1,z2,...zN)∈N+，a和b分别为所述生产系统的预设平均产出率和预设平均生产周期，Θ(X,Y,Z)和T(X,Y,Z)分别为利用开排队网络计算获取的所述生产系统的平均产出率和平均生产周期，xN、yN和zN分别为所述生产系统中工序N中的机器人数量、自动导向车数量和缓冲区大小，N为所述生产系统中的总工序数；
第二获取子模块，用于每个所述制造单元各自对应的随机规划模型和对应的约束条件，其中，每个所述制造单元各自对应的随机规划模型和对应的约束条件分别为
Figure GDA0003466855090000042
Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi；其中，Xi、Yi和Zi分别为制造单元i中的机器人数量、自动导向车数量和缓冲区大小，Xi＝(xj,xj+1,...xj+m)∈N+，Yi＝(yj,yj+1,...yj+m)∈N+，Zi＝(zj,zj+1,...zj+m)∈N+，ai和bi分别为制造单元i的预设平均产出率和预设平均生产周期，Θi(Xi,Yi,Zi)和Ti(Xi,Yi,Zi)≤bi分别为利用开排队网络计算获取的制造单元i对应的平均产出率和平均生产周期，xj+m、yj+m和zj+m分别为制造单元i中工序m中的机器人数量、自动导向车数量和缓冲区大小，m为制造单元i中的总工序数。
可选的，所述分解协调模块，包括：
分解协调子模块，用于调节ai和bi的数值，获取ai的数值最大且bi的数值最小时，
Figure GDA0003466855090000043
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的资源对应的
Figure GDA0003466855090000044
在Θ(X,Y,Z)≥a和T(X,Y,Z)≤b内的资源。
可选的，所述分解协调模块，包括：
第三获取子模块，用于获取所述生产系统的排队网络；其中，所述排队网络包括物料流动方向；
第四获取子模块，用于利用广义扩展法按所述物料流动方向，获取所述生产系统中每台自动导向车和每台机器人的不同状态之间的关联关系，并对排队网络中每个节点逐步推算，获取所述生产系统的系统状态平衡概率；
第五获取子模块，用于根据所述系统状态平衡概率，计算获取所述生产系统的性能指标。
此外，本发明还提供了一种智能车间的生产系统资源配置设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一项所述的智能车间的生产系统资源配置方法的步骤。
本发明所提供的一种智能车间的生产系统资源配置方法，包括：获取生产系统和生产系统中每个制造单元各自对应的资源的随机规划模型及各自对应的约束条件；其中，资源包括机器人数量、自动导向车数量和缓冲区大小，约束条件包括利用开排队网络计算获取的性能指标的约束；利用搜索算法计算的每个制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取生产系统对应的随机规划模型在对应的约束条件内的资源；
可见，本发明采用开排队网络这一随机模型建立生产系统的评估模型，可以计算生产系统的平均产出率和平均生产周期等性能指标；通过分解协调优化算法获取生产系统对应的随机规划模型在对应的约束条件内的资源，可以在性能指标的约束下，采用分解协调优化算法快速的优化配置生产系统中的资源，提高了用户体验。此外，本发明还提供了一种智能车间的生产系统资源配置装置及设备，同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为现有具有物料储运环节耦合柔性制造单元的大型生产系统的结构示意图；
图2为本发明实施例所提供的一种智能车间的生产系统资源配置方法的流程图；
图3为本发明实施例所提供的一种智能车间的生产系统资源配置方法的具有环形AGV轨道的制造单元的排队网络的拓扑结构示意图；
图4为本发明实施例所提供的一种智能车间的生产系统资源配置方法的分解协调优化算法的结构示意图；
图5为本发明实施例所提供的一种智能车间的生产系统资源配置方法的分解协调优化算法的流程示意图；
图6为本发明实施例所提供的一种智能车间的生产系统资源配置装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图2，图2为本发明实施例所提供的一种智能车间的生产系统资源配置方法的流程图。该方法可以包括：
步骤101：获取生产系统和生产系统中每个制造单元各自对应的资源的随机规划模型及各自对应的约束条件；其中，资源包括机器人数量、自动导向车数量和缓冲区大小，约束条件包括利用开排队网络计算获取的性能指标的约束。
可以理解的是，本步骤中的生产系统和生产系统中每个制造单元各自对应的资源的随机规划模型，可以为对对应的生产系统和每个制造单元中的资源进行优化配置的模型，对于随机规划模型所优化配置的资源的具体选择，可以由设计人员根据实用场景和用户需求自行设置，如可以仅包括机器人数量、自动导向车数量和缓冲区大小，也可以还包括生产设备数量等其他资源，本实施例对此不做任何限制。
需要说明的是，本步骤中生产系统和每个制造单元各自对应的随机规划模型各自的约束条件的具体设置，可以由设计人员根据实用场景和用户需求自行设置，如可以仅包括利用开排队网络计算获取的平均产出率和平均生产周期等性能指标的约束，也可以还包括其他约束条件，本实施例对此不做任何限制。
对应的，本实施例可以采用开排队网络计算获取生产系统和每个制造单元的平均产出率和平均生产周期等性能指标，即可以通过计算采用开排队网络这一随机模型建立生产系统和每个制造单元的评估模型，获取性能指标。
其中，排队网是研究随机系统的数学建模方法，能够较好地描述随机生产系统的行为，该方法可以通过计算系统的状态概率评估性能指标。以计算生产系统的性能指标为例，可以获取生产系统的排队网络，如图3中生产系统抽象的排队网络拓扑结构；其中，排队网络包括物料流动方向；利用广义扩展法(Generalized Expansion Method)按物料流动方向，获取生产系统中每台自动导向车和每台机器人的不同状态之间的关联关系，并对排队网络中每个节点逐步推算，获取生产系统的系统状态平衡概率，即生产系统平衡状态的近似概率；根据系统状态平衡概率，计算获取生产系统的性能指标。
具体的，对于本步骤中生产系统和生产系统中每个制造单元各自对应的资源的随机规划模型及各自对应的约束条件的具体设置，可以由设计人员根据实用场景和用户需求自行设置，如随机规划模型为以最小化总投资为目标的随机规划模型，约束条件包括平均产出率约束和平均生产周期约束时，即在满足平均产出率、平均生产周期的条件下，最小化生产系统的总投资的随机规划模型(目标函数)及对应的约束条件可以分别如下：
Figure GDA0003466855090000071
Θ(X,Y,Z)≥a(平均产出率约束)和T(X,Y,Z)≤b(平均生产周期约束)；其中，X、Y、Z分别为生产系统中的机器人数量、自动导向车数量和缓冲区大小，X＝(x1,x2,...xN)∈N+，Y＝(y1,y2,...yN)∈N+，Z＝(z1,z2,...zN)∈N+，a和b分别为生产系统的预设平均产出率和预设平均生产周期，Θ(X,Y,Z)和T(X,Y,Z)分别为利用开排队网络计算获取的生产系统的平均产出率和平均生产周期，可以利用如上述排队网模型进行计算获取；xN、yN和zN分别为生产系统中工序N中的机器人数量、自动导向车数量和缓冲区大小，N为生产系统中的总工序数。
可以理解的是，由于直接生产系统的随机规划模型中决策变量多，且对应的约束条件中，平均产出率和平均生产周期这两个指标难以用决策变量的封闭形式表述，传统的搜索方法求解该随机整数模型，会导致搜索时间随着决策变量的增多而呈指数级增长。因此，本实施例可以如图4所示中将生产系统(原生产系统)分解为系统层和单元层，系统层可以协调各制造单元的协调变量，单元层可通过如poly-block算法等搜索算法对规模较小的各个制造单元和生产系统中的物流运输系统分别进行独立优化配置。对应的各包括单元间物流运输系统的制造单元各自的随机规划模型及各自对应的约束条件可以分别如下：
Figure GDA0003466855090000081
Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi；其中，Xi、Yi和Zi分别为制造单元i中的机器人数量、自动导向车数量和缓冲区大小，Xi＝(xj,xj+1,...xj+m)∈N+，Yi＝(yj,yj+1,...yj+m)∈N+，Zi＝(zj,zj+1,...zj+m)∈N+，ai和bi分别为制造单元i的预设平均产出率和预设平均生产周期，Θi(Xi,Yi,Zi)和Ti(Xi,Yi,Zi)≤bi分别为利用开排队网络计算获取的制造单元i对应的平均产出率和平均生产周期，可以利用与上述排队网模型相似的排队网模型进行计算获取；xj+m、yj+m和zj+m分别为制造单元i中工序m中的机器人数量、自动导向车数量和缓冲区大小，m为制造单元i中的总工序数。
步骤102：利用搜索算法计算的每个制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取生产系统对应的随机规划模型在对应的约束条件内的资源。
需要说明的是，本步骤可以利用搜索算法计算的当前时刻的每个制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，获取当前时刻生产系统对应的随机规划模型在对应的约束条件内的资源，如上述随机规划模型为以最小化总投资为目标的随机规划模型，约束条件包括平均产出率约束和平均生产周期约束时，生产系统对应的随机规划模型在对应的约束条件内的资源(机器人数量、缓冲区大小和自动导向车数量)的获取，可以利用搜索算法并行计算的
Figure GDA0003466855090000082
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的每个制造单元各自对应的资源，获取生产系统中的机器人数量和缓冲区大小；并根据每个制造单元各自对应的资源中的自动导向车数量，利用搜索算法计算生产系统中的物流运输系统的自动导向车数量，获取生产系统中的自动导向车数量。只要可以利用搜索算法计算的当前时刻的每个制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，获取当前时刻的生产系统对应的随机规划模型在对应的约束条件内的资源，对于具体获取方式，可以由设计人员根据实用场景和用户需求自行设置，本实施例对此不做任何限制。
可以理解的是，由于各制造单元和生产系统中的物流运输系统之间缺少关联耦合信息，尽管可以利用采用如poly-block算法等搜索算法获取的优化配置的资源，得到生产系统的随机规划模型在对应的约束条件内的解(资源)，但得到的生产系统的资源配置往往并不是最优的。因此，如图4所示，可以引入协调器，将每个制造单元各自对应的约束条件作为全局的协调变量，通过将生产系统内所有资源的优化配置方案输入协调器，利用协调器迭代更新协调变量，如上述ai和bi。各制造单元随后使用更新后的协调变量再次执行独立优化，反复迭代执行分解(子系统优化)协调，直至获得满足生产系统的约束条件的最优资源配置方案。协调器在更新各个制造单元的协调变量过程中，交换了各个制造单元和生产系统中的物流运输系统的关联耦合信息，最终使整个生产系统的整体资源配置满足约束最符合目标。
对应的，本步骤的目的可以为通过分解协调优化算法，获取满足生产系统的约束条件的最优的资源配置，即获取满足生产系统的约束条件下，各制造单元在各自对应的约束条件的边界处的资源配置对应的生产系统的资源配置，如上述随机规划模型为以最小化总投资为目标的随机规划模型，约束条件包括平均产出率约束和平均生产周期约束时，本步骤可以通过对ai和bi的数值的调节，获取ai的数值最大且bi的数值最小时，
Figure GDA0003466855090000091
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的资源对应的
Figure GDA0003466855090000092
在Θ(X,Y,Z)≥a和T(X,Y,Z)≤b内的资源。
具体的，如上述随机规划模型为以最小化总投资为目标的随机规划模型，约束条件包括平均产出率约束和平均生产周期约束时，协调器更新协调变量的协调算法可以包含公式：
物流平衡方程：Θ1＝Θ2＝...＝ΘN；
根据物流平衡关系，每个单元的平均产出率必须相等，由此得到制造单元i的理论产出率约束计算式：
Figure GDA0003466855090000093
考虑到机器人数量、缓存区大小都为整数变量，且每个制造单元的加工处理能力略有差异，为了保证得到最优资源配置解，可以通过修正
Figure GDA0003466855090000101
得到各个单元的协调变量ai：
Figure GDA0003466855090000102
其中，(pk)i为制造单元i的阻塞概率，该参数可以近似反映当前制造单元在整个生产系统中的工作强度。
物流平衡方程：T1＝T2＝...＝TN；
为了使得各制造单元工作效率最大化，每个制造单元的平均逗留时间也需要相等，由此得到制造单元i的理论逗留时间约束计算式：
Figure GDA0003466855090000103
其中，N为生产系统的总工序数，Ni为制造单元i内包含的工序数。同样考虑到机器人数量、缓存区大小都为整数变量，每个制造单元的加工处理能力略有差异，为了保证得到最优资源配置解，可以通过修正bi *得到各个单元的协调变量bi：
Figure GDA0003466855090000104
其中，(pk)i为制造单元i的阻塞概率。由此，可以完成协调过程，更新了ai和bi。
需要说明的是，如上述随机规划模型为以最小化总投资为目标的随机规划模型，约束条件包括平均产出率约束和平均生产周期约束时，本步骤可以通过如图5所示的方法，在分解协调过程采用迭代的方式，不断获得新的资源配置解，直到两次资源配置(或协调变量ai和bi)完全相同时获得生产系统的优化配置，即生产系统的总成本最小的资源配置(最优或近似最优解)。
具体的，图5中步骤⑦中平均产出率Θ和平均生产周期T可以通过上述排队网模型进行计算获取；步骤⑧的目的可以为保证获得生产系统的资源配置满足生产系统对应的约束条件；步骤⑨的目的可以为保证搜索到生产系统的资源配置在搜索空间的边界处，即寻找到生产系统的总成本最小的资源配置，找到最优或近似最优解。
本实施例中，本发明实施例采用开排队网络这一随机模型建立生产系统的评估模型，可以计算生产系统的平均产出率和平均生产周期等性能指标；通过分解协调优化算法获取生产系统对应的随机规划模型在对应的约束条件内的资源，可以在性能指标的约束下，采用分解协调优化算法快速的优化配置生产系统中的资源，提高了用户体验。
请参考图6，图6为本发明实施例所提供的一种智能车间的生产系统资源配置装置的结构图。该装置可以包括：
获取模块100，用于获取生产系统和生产系统中每个制造单元各自对应的资源的随机规划模型及各自对应的约束条件；其中，资源包括机器人数量、自动导向车数量和缓冲区大小，约束条件包括利用开排队网络计算获取的性能指标的约束；
分解协调模块200，用于利用搜索算法计算的每个制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取生产系统对应的随机规划模型在对应的约束条件内的资源。
可选的，随机规划模型为以最小化总投资为目标的随机规划模型，约束条件包括平均产出率约束和平均生产周期约束时，获取模块100，可以包括：
第一获取子模块，用于获取生产系统对应的随机规划模型和对应的约束条件；其中，生产系统对应的随机规划模型和对应的约束条件分别为
Figure GDA0003466855090000111
Θ(X,Y,Z)≥a和T(X,Y,Z)≤b；其中，X、Y、Z分别为生产系统中的机器人数量、自动导向车数量和缓冲区大小，X＝(x1,x2,...xN)∈N+，Y＝(y1,y2,...yN)∈N+，Z＝(z1,z2,...zN)∈N+，a和b分别为生产系统的预设平均产出率和预设平均生产周期，Θ(X,Y,Z)和T(X,Y,Z)分别为利用开排队网络计算获取的生产系统的平均产出率和平均生产周期，xN、yN和zN分别为生产系统中工序N中的机器人数量、自动导向车数量和缓冲区大小，N为生产系统中的总工序数；
第二获取子模块，用于每个制造单元各自对应的随机规划模型和对应的约束条件，其中，每个制造单元各自对应的随机规划模型和对应的约束条件分别为
Figure GDA0003466855090000112
Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi；其中，Xi、Yi和Zi分别为制造单元i中的机器人数量、自动导向车数量和缓冲区大小，Xi＝(xj,xj+1,...xj+m)∈N+，Yi＝(yj,yj+1,...yj+m)∈N+，Zi＝(zj,zj+1,...zj+m)∈N+，ai和bi分别为制造单元i的预设平均产出率和预设平均生产周期，Θi(Xi,Yi,Zi)和Ti(Xi,Yi,Zi)≤bi分别为利用开排队网络计算获取的制造单元i对应的平均产出率和平均生产周期，xj+m、yj+m和zj+m分别为制造单元i中工序m中的机器人数量、自动导向车数量和缓冲区大小，m为制造单元i中的总工序数。
可选的，分解协调模块200，可以包括：
分解协调子模块，用于调节ai和bi的数值，获取ai的数值最大且bi的数值最小时，
Figure GDA0003466855090000121
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的资源对应的
Figure GDA0003466855090000122
在Θ(X,Y,Z)≥a和T(X,Y,Z)≤b内的资源。
可选的，分解协调子模块，可以包括：
第一获取单元，用于利用搜索算法并行计算的
Figure GDA0003466855090000123
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的每个制造单元各自对应的资源，获取生产系统中的机器人数量和缓冲区大小；
第二获取单元，用于根据每个制造单元各自对应的资源中的自动导向车数量，利用搜索算法计算生产系统中的物流运输系统的自动导向车数量，获取生产系统中的自动导向车数量。
可选的，分解协调模块200，可以包括：
第三获取子模块，用于获取生产系统的排队网络；其中，排队网络包括物料流动方向；
第四获取子模块，用于利用广义扩展法按物料流动方向，获取生产系统中每台自动导向车和每台机器人的不同状态之间的关联关系，并对排队网络中每个节点逐步推算，获取生产系统的系统状态平衡概率；
第五获取子模块，用于根据系统状态平衡概率，计算获取生产系统的性能指标。
本实施例中，本发明实施例采用开排队网络这一随机模型建立生产系统的评估模型，可以计算生产系统的平均产出率和平均生产周期等性能指标；通过分解协调优化算法获取生产系统对应的随机规划模型在对应的约束条件内的资源，可以在性能指标的约束下，采用分解协调优化算法快速的优化配置生产系统中的资源，提高了用户体验。
此外，本发明还提供了一种智能车间的生产系统资源配置设备，包括：存储器，用于存储计算机程序；处理器，用于执行计算机程序时实现如上述实施例所提供的智能车间的生产系统资源配置方法的步骤。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置及设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的智能车间的生产系统资源配置方法、装置及设备进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (6)

1.一种智能车间的生产系统资源配置方法，其特征在于，包括：
获取生产系统和所述生产系统中每个制造单元各自对应的资源的随机规划模型及各自对应的约束条件；其中，所述资源包括机器人数量、自动导向车数量和缓冲区大小，所述约束条件包括利用开排队网络计算获取的性能指标的约束；
利用搜索算法计算的每个所述制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取所述生产系统对应的随机规划模型在对应的约束条件内的资源；
其中，所述随机规划模型为以最小化总投资为目标的随机规划模型，所述约束条件包括平均产出率约束和平均生产周期约束时，所述生产系统对应的随机规划模型和对应的约束条件分别为：
Figure FDA0003466855080000011
Θ(X,Y,Z)≥a和T(X,Y,Z)≤b；其中，X、Y、Z分别为所述生产系统中的机器人数量、自动导向车数量和缓冲区大小，X＝(x1,x2,...xN)∈N+，Y＝(y1,y2,...yN)∈N+，Z＝(z1,z2,...zN)∈N+，a和b分别为所述生产系统的预设平均产出率和预设平均生产周期，Θ(X,Y,Z)和T(X,Y,Z)分别为利用开排队网络计算获取的所述生产系统的平均产出率和平均生产周期，xN、yN和zN分别为所述生产系统中工序N中的机器人数量、自动导向车数量和缓冲区大小，N为所述生产系统中的总工序数；
每个所述制造单元各自对应的随机规划模型和对应的约束条件分别为：
Figure FDA0003466855080000012
Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi；其中，Xi、Yi和Zi分别为制造单元i中的机器人数量、自动导向车数量和缓冲区大小，Xi＝(xj,xj+1,...xj+m)∈N+，Yi＝(yj,yj+1,...yj+m)∈N+，Zi＝(zj,zj+1,...zj+m)∈N+，ai和bi分别为制造单元i的预设平均产出率和预设平均生产周期，Θi(Xi,Yi,Zi)和Ti(Xi,Yi,Zi)≤bi分别为利用开排队网络计算获取的制造单元i对应的平均产出率和平均生产周期，xj+m、yj+m和zj+m分别为制造单元i中工序m中的机器人数量、自动导向车数量和缓冲区大小，m为制造单元i中的总工序数；
所述利用搜索算法计算的每个所述制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取所述生产系统对应的随机规划模型在对应的约束条件内的资源，包括：
调节ai和bi的数值，获取ai的数值最大且bi的数值最小时，
Figure FDA0003466855080000021
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的资源对应的
Figure FDA0003466855080000022
在Θ(X,Y,Z)≥a和T(X,Y,Z)≤b内的资源。
2.根据权利要求1所述的智能车间的生产系统资源配置方法，其特征在于，所述调节ai和bi的数值，获取ai的数值最大且bi的数值最小时，
Figure FDA0003466855080000023
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的资源对应的
Figure FDA0003466855080000024
在Θ(X,Y,Z)≥a和T(X,Y,Z)≤b内的资源，包括：
利用搜索算法并行计算的
Figure FDA0003466855080000025
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的每个所述制造单元各自对应的资源，获取所述生产系统中的机器人数量和缓冲区大小；
根据每个所述制造单元各自对应的资源中的自动导向车数量，利用搜索算法计算所述生产系统中的物流运输系统的自动导向车数量，获取所述生产系统中的自动导向车数量。
3.根据权利要求1或2所述的智能车间的生产系统资源配置方法，其特征在于，所述利用搜索算法计算的每个所述制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取所述生产系统对应的随机规划模型在对应的约束条件内的资源，包括：
获取所述生产系统的排队网络；其中，所述排队网络包括物料流动方向；
利用广义扩展法按所述物料流动方向，获取所述生产系统中每台自动导向车和每台机器人的不同状态之间的关联关系，并对排队网络中每个节点逐步推算，获取所述生产系统的系统状态平衡概率；
根据所述系统状态平衡概率，计算获取所述生产系统的性能指标。
4.一种智能车间的生产系统资源配置装置，其特征在于，包括：
获取模块，用于获取生产系统和所述生产系统中每个制造单元各自对应的资源的随机规划模型及各自对应的约束条件；其中，所述资源包括机器人数量、自动导向车数量和缓冲区大小，所述约束条件包括利用开排队网络计算获取的性能指标的约束；
分解协调模块，用于利用搜索算法计算的每个所述制造单元各自对应的随机规划模型在各自对应的约束条件内的资源，通过分解协调优化算法获取所述生产系统对应的随机规划模型在对应的约束条件内的资源；
其中，所述随机规划模型为以最小化总投资为目标的随机规划模型，所述约束条件包括平均产出率约束和平均生产周期约束时，所述获取模块，包括：
第一获取子模块，用于获取所述生产系统对应的随机规划模型和对应的约束条件；其中，所述生产系统对应的随机规划模型和对应的约束条件分别为
Figure FDA0003466855080000031
Θ(X,Y,Z)≥a和T(X,Y,Z)≤b；其中，X、Y、Z分别为所述生产系统中的机器人数量、自动导向车数量和缓冲区大小，X＝(x1,x2,...xN)∈N+，Y＝(y1,y2,...yN)∈N+，Z＝(z1,z2,...zN)∈N+，a和b分别为所述生产系统的预设平均产出率和预设平均生产周期，Θ(X,Y,Z)和T(X,Y,Z)分别为利用开排队网络计算获取的所述生产系统的平均产出率和平均生产周期，xN、yN和zN分别为所述生产系统中工序N中的机器人数量、自动导向车数量和缓冲区大小，N为所述生产系统中的总工序数；
第二获取子模块，用于每个所述制造单元各自对应的随机规划模型和对应的约束条件，其中，每个所述制造单元各自对应的随机规划模型和对应的约束条件分别为
Figure FDA0003466855080000032
Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi；其中，Xi、Yi和Zi分别为制造单元i中的机器人数量、自动导向车数量和缓冲区大小，Xi＝(xj,xj+1,...xj+m)∈N+，Yi＝(yj,yj+1,...yj+m)∈N+，Zi＝(zj,zj+1,...zj+m)∈N+，ai和bi分别为制造单元i的预设平均产出率和预设平均生产周期，Θi(Xi,Yi,Zi)和Ti(Xi,Yi,Zi)≤bi分别为利用开排队网络计算获取的制造单元i对应的平均产出率和平均生产周期，xj+m、yj+m和zj+m分别为制造单元i中工序m中的机器人数量、自动导向车数量和缓冲区大小，m为制造单元i中的总工序数；
所述分解协调模块，包括：
分解协调子模块，用于调节ai和bi的数值，获取ai的数值最大且bi的数值最小时，
Figure FDA0003466855080000033
在Θi(Xi,Yi,Zi)≥ai和Ti(Xi,Yi,Zi)≤bi内的资源对应的
Figure FDA0003466855080000034
在Θ(X,Y,Z)≥a和T(X,Y,Z)≤b内的资源。
5.根据权利要求4所述的智能车间的生产系统资源配置装置，其特征在于，所述分解协调模块，包括：
第三获取子模块，用于获取所述生产系统的排队网络；其中，所述排队网络包括物料流动方向；
第四获取子模块，用于利用广义扩展法按所述物料流动方向，获取所述生产系统中每台自动导向车和每台机器人的不同状态之间的关联关系，并对排队网络中每个节点逐步推算，获取所述生产系统的系统状态平衡概率；
第五获取子模块，用于根据所述系统状态平衡概率，计算获取所述生产系统的性能指标。
6.一种智能车间的生产系统资源配置设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至3任一项所述的智能车间的生产系统资源配置方法的步骤。
CN201810892012.8A 2018-08-07 2018-08-07 一种智能车间的生产系统资源配置方法、装置及设备 Active CN109086936B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810892012.8A CN109086936B (zh) 2018-08-07 2018-08-07 一种智能车间的生产系统资源配置方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810892012.8A CN109086936B (zh) 2018-08-07 2018-08-07 一种智能车间的生产系统资源配置方法、装置及设备

Publications (2)

Publication Number Publication Date
CN109086936A CN109086936A (zh) 2018-12-25
CN109086936B true CN109086936B (zh) 2022-03-25

Family

ID=64834228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810892012.8A Active CN109086936B (zh) 2018-08-07 2018-08-07 一种智能车间的生产系统资源配置方法、装置及设备

Country Status (1)

Country Link
CN (1) CN109086936B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109903419B (zh) * 2019-02-02 2021-03-19 宁波吉利汽车研究开发有限公司 问题件处理方法、装置和多车型共线的生产控制设备
CN110570018B (zh) * 2019-08-13 2020-09-08 广东工业大学 一种定制生产车间的规划设计方法
CN110648050B (zh) * 2019-08-21 2023-05-02 大连理工大学 一种传统流水线装配向单元式装配方式转换的重构方法
CN118278720A (zh) * 2024-06-04 2024-07-02 山东力乐新材料研究院有限公司 一种木质托盘生产用原材料调度管理方法
CN118313628B (zh) * 2024-06-06 2024-09-17 广东技术师范大学 车间资源配置方案生成方法和装置、电子设备及存储介质
CN118396348A (zh) * 2024-06-27 2024-07-26 广东技术师范大学 多层车间资源调控方法和装置、电子设备及存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976122A (zh) * 2016-05-18 2016-09-28 聊城大学 一种多目标资源配置系统
CN107742168A (zh) * 2017-10-20 2018-02-27 西北工业大学 一种基于物联技术的生产车间动态瓶颈预测方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102981468B (zh) * 2012-11-14 2014-12-31 广东工业大学 集成加工与装配一体化的机器人搬运调度制造系统及方法
EP3166058A1 (en) * 2015-11-09 2017-05-10 Dematic Systems GmbH Method of fulfilling orders in a warehouse with an order fulfillment area
CN106203716A (zh) * 2016-07-13 2016-12-07 广东工业大学 一种生产单元的双重资源配置的分析方法和装置
CN108197787B (zh) * 2017-12-22 2021-12-14 上海海得控制系统股份有限公司 柔性自动化生产线和自动化物流输送线的协同调度系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105976122A (zh) * 2016-05-18 2016-09-28 聊城大学 一种多目标资源配置系统
CN107742168A (zh) * 2017-10-20 2018-02-27 西北工业大学 一种基于物联技术的生产车间动态瓶颈预测方法

Also Published As

Publication number Publication date
CN109086936A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN109086936B (zh) 一种智能车间的生产系统资源配置方法、装置及设备
CN110069880B (zh) 一种基于仿真的多目标设备布局和生产排程协同优化方法
Zandieh et al. An adaptive multi-population genetic algorithm to solve the multi-objective group scheduling problem in hybrid flexible flowshop with sequence-dependent setup times
CN110570018B (zh) 一种定制生产车间的规划设计方法
CN108959783B (zh) 一种智能车间的布局仿真优化方法及装置
CN104122796B (zh) 一种智能装配序列规划方法
CN113867295A (zh) 一种基于数字孪生的制造车间agv动态调度方法、系统、设备及存储介质
CN108304926B (zh) 一种适用于神经网络的池化计算装置及方法
CN112348314A (zh) 一种带起重机的分布式柔性车间调度方法及系统
CN110717684B (zh) 一种基于任务分配协调策略与粒子群算法的任务分配方法
Long et al. A self‐learning artificial bee colony algorithm based on reinforcement learning for a flexible job‐shop scheduling problem
CN109709985B (zh) 一种无人机任务优化方法、装置及系统
CN108959782B (zh) 一种智能车间的布局优化方法、装置及设备
CN105373845A (zh) 制造企业车间的混合智能调度优化方法
WO2024212471A1 (zh) 一种焊接装配智能调度方法及系统
CN112597610A (zh) 机械臂结构轻量化设计的优化方法、装置及设备
CN113159506A (zh) 人机协作生产单元任务分配与作业调度集成决策方法
CN110490446A (zh) 一种基于改进遗传算法的模块化工艺重组方法
Zheng et al. Solving multi-objective two-sided assembly line balancing problems by harmony search algorithm based on pareto entropy
CN117575434A (zh) 智能车间的单元上下料口位置与容量规划配置优化方法
CN112613146B (zh) 一种校直自适应优化方法、系统、存储介质及计算设备
Zhang et al. An effective coding approach for multiobjective integrated resource selection and operation sequences problem
CN109746918B (zh) 一种联合优化的云机器人系统延时的优化方法
Zhong et al. Research on the multi-objective optimized scheduling of the flexible job-shop considering multi-resource allocation
Hussain et al. Multi-agent-based dynamic scheduling of flexible manufacturing systems with routing flexibility

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