CN109086990B - 面向连续生产的生产与运输联合调度方法 - Google Patents
面向连续生产的生产与运输联合调度方法 Download PDFInfo
- Publication number
- CN109086990B CN109086990B CN201810832869.0A CN201810832869A CN109086990B CN 109086990 B CN109086990 B CN 109086990B CN 201810832869 A CN201810832869 A CN 201810832869A CN 109086990 B CN109086990 B CN 109086990B
- Authority
- CN
- China
- Prior art keywords
- raw material
- vehicle
- transportation
- time
- bee
- 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.)
- Expired - Fee Related
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010924 continuous production Methods 0.000 title claims abstract description 20
- 239000002994 raw material Substances 0.000 claims abstract description 158
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 26
- 241000257303 Hymenoptera Species 0.000 claims abstract description 20
- 239000000463 material Substances 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 41
- 230000003044 adaptive effect Effects 0.000 claims description 37
- 239000000126 substance Substances 0.000 claims description 10
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 abstract description 6
- 238000004904 shortening Methods 0.000 abstract 1
- 230000032258 transport Effects 0.000 description 37
- 230000006978 adaptation Effects 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 101500023488 Lithobates catesbeianus GnRH-associated peptide 1 Proteins 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 101500022510 Lithobates catesbeianus GnRH-associated peptide 2 Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06Q10/06—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
- 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]
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明为面向连续生产的生产与运输联合调度方法,该方法基于分段解码的角色互换人工蜂群算法,将调度环节延伸到原料采购环节,调度时将采购、生产与配送过程同时考虑,且将车辆在采购与生产过程共用,可以更好的利用车辆资源,缩短总调度时间。采用基于分段解码的角色互换人工蜂群算法求解,引领蜂与跟随蜂在寻优过程中可以互相转换,搜索能力与开发能力较强,并增大了解的搜索空间,可找到更多的可行解,并避免陷入局部;相对于基于分段解码的人工蜂群算法以及基于分段解码的遗传算法,求解结果更优。
Description
技术领域
本发明涉及面向连续生产的调度领域,具体涉及一种面向连续生产的生产与运输联合调度方法。
背景技术
生产和运输是供应链中重要的两个部分,生产-运输联合优化是降低供应链总调度时间的关键。目前的生产-运输联合调度中,很大一部分生产方式局限于离散的生产方式,未考虑到连续生产的生产方式;且调度环节只涉及到生产、配送两个环节,未将采购、生产及配送三个环节联合考虑。如,Jamili等(JamiliN,Ranjbar M,Salari M.Abi-objectivemodel for integrated scheduling ofproduction and distribution in a supplychain with order release date restrictions[J].Journal ofManufacturingSystems,2016,40:105-118.)研究了供应链中采购、生产、配送三阶段调度问题,生产商从供应商处采购原材料后,采用单机生产方式生产,之后将成品配送给客户,调度时需要确定每个订单的完成时间、交货时间、运输批次及运输路径,没有将原料与成品同时调度以缩短总调度时间,且不能用于连续生产中。程八一和李明(程八一,李明.面向生产-库存-配送的联合调度问题及蚁群优化算法[J].机械工程学报,2015(12):202-212.)采用改进的蚁群算法求解差异分批制造模式下的生产和配送环节的联合调度,且该过程为离散的生产方式。
发明内容
本发明的目的是为了解决上述问题,提供一种面向连续生产的生产与运输联合调度方法。该方法基于分段解码的角色互换人工蜂群算法,将调度环节延伸到原料采购环节,调度时将采购、生产与配送过程同时考虑,且将车辆在采购与生产过程共用,可以更好的利用车辆资源,缩短总调度时间。
本发明为实现上述目的所采用的技术方案是:一种面向连续生产的生产与运输联合调度方法,该方法采用分段解码的方式保证生产的连续性,利用角色互换的人工蜂群算法扩大解的范围,包括以下步骤:
第一步、问题描述
生产商期初接收了n个客户的订单,每个订单需要不同种类成品,O={W1,W2,...,Wn}表示订单集合,订单Wi需要成品i,且需求量为qi,生产需要m种原料;车辆从生产商出发,首先运输原料j,原料到达生产商后放入原料库,待所有原料齐备保证连续生产后再生产;生产中需要按一定比例投入原料j,并以恒定生产率P生产并包装为n种规格的成品进行销售;完工的成品可直接运送至客户,若当前无可用车辆进行配送,则转入成品库等待配送;生产商从物流企业租赁K辆车运输,车辆k的容积为Vk,原料j的一个采购周期为成品i的一个配送周期为所有的车辆既可以运输原料也可以运输成品,其中成品i的装载率为βi;
第二步、模型构建
以xkaj、xkai为决策变量,以公式(2)-(8)为约束条件,以公式(1)为目标函数,构建模型;xkaj表示若第a次排k号车去运输原料j,其值为1;若不运输原料j,其值为0;xkai表示若第a次排k号车去运输成品i,其值为1;若不运输成品i,其值为0;
Ckaz≤Vk (8)
第三步、构建二维编码矩阵
以物料z与车辆k匹配的优先权值构建二维编码矩阵,二维编码矩阵中的元素用Pe(z,k)表示,Pe(z,k)通过公式(9)得到,
Pe(z,k)=|ln(1+xzk)/(1-xzk)| (9)
其中,xzk∈(0,1)之间的随机数;
第四步、分段解码:
运输时优先安排原料运输的方式进行分段解码,已知成品i的需求qi,确定原料j的需求量rj,进而获取所有物料需要的运量;其次,设定当前时刻t及前时刻t'为0,即t=t'=0,原料库存和成品库存都为0;最后,确定各类物料的运输车次、每次运输的开始运输时刻、每次运输到达生产商时刻、每次运量及最晚车辆到达生产商的时刻
第五步、角色互换人工蜂群算法:
5-1:初始化蜂群,设定种群规模N,令引领蜂规模Ne和跟随蜂规模Nu均为N/2,并设定全局最优适应值f,生成Ne个二维编码矩阵,作为引领蜂的初始位置,每个二维编码矩阵中的权值元素为Pe(z,k),e=1、2、…、Ne,并采用分段解码方式求得的对应引领蜂最晚车辆到达生产商时刻作为引领蜂对应的适应值fe;
5-3:选定一只引领蜂,利用公式(26)产生这只引领蜂对应跟随蜂的位置,
其中,rnd∈(0,1)之间随机数;
每只跟随蜂所对应的二维编码矩阵中的权值元素为同引领蜂一样,采用分段解码方式求得的跟随蜂的最晚车辆到达生产商的时刻作为跟随蜂的适应值fu,若fu<fe,则令引领蜂的二维编码矩阵中的元素等于跟随蜂的二维编码矩阵中的元素,即且fe=fu,将跟随蜂的位置传递给对应的引领蜂,引领蜂位置得到更新,否则引领蜂的适应值及位置不变;
5-4:Ne个引领蜂的位置以及适应值都得到更新后,将所有引领蜂适应值进行排序,得出最优适应值f';
5-5:比较最优适应值f'与全局最优适应值f,若f'≥f,将适应值最差的引领蜂转化为跟随蜂,Ne=Ne-1,并令Nu=Nu+1;若f'<f,令f=f',引领蜂、跟随蜂分别恢复为原来的规模Ne=Nu=N/2,转入步骤5-2,直到剩最后一只引领蜂,得出最后一只引领蜂对应的适应值和其对应的最优方案,即得到每次运输物料编号z、车辆编号k、每次运量Ckaz以及每次运输的开始运输时刻及到达生产商时刻实现连续生产的生产与运输联合调度。
本发明的有益效果是:
1.生产方式为连续的生产方式,丰富了联合调度的理论内容。
2.将调度环节延伸到采购环节,采购、生产、配送三个环节紧密相连,同时将三个环节联合调度,缩短了总调度时间。
3.将采购与配送环节的车辆共用,实现了车辆的有效利用。
4.采用本发明中的联合调度方式,通过简单的测例表明,总调度时间缩短了37.5%。
5.采用分段解码的方式保证了生产的连续性。
6.本发明采用基于分段解码的角色互换人工蜂群算法求解,搜索能力与开发能力较强,并增大了解的搜索空间,可找到更多的可行解,并避免陷入局部;相对于基于分段解码的人工蜂群算法以及基于分段解码的遗传算法,求解结果更优。
附图说明
图1表示问题与算法逻辑关系图。
图2表示二维编码矩阵的编码方式图。
图3表示角色互换人工蜂群算法的流程图。
图4表示原料库存变化图。
图5表示现有调度方法甘特图。
图6表示联合调度方法甘特图。
具体实施方式
下面结合实施例及附图进一步解释本发明,但并不以此作为对本申请保护范围的限定。
本发明面向连续生产的生产与运输联合调度方法,该方法采用分段解码的方式保证生产的连续性,利用角色互换的人工蜂群算法扩大解的范围,并避免陷入局部最优,包括以下步骤:
第一步、问题描述
生产商期初接收了n个客户的订单,每个订单需要不同种类成品,O={W1,W2,...,Wn}表示订单集合,订单Wi需要成品i,且需求量为qi,生产需要m种原料,每类成品所需原料种类相同;车辆从生产商出发,首先运输原料j,原料到达生产商后放入原料库,待所有原料齐备保证连续生产后再生产;生产中需要按一定比例投入原料j,并以恒定生产率P生产并包装为n种规格的成品进行销售;完工的成品可直接运送至客户,若当前无可用车辆进行配送,则转入成品库等待配送;生产商从物流企业租赁K辆车运输,车辆k的容积为Vk,原料j的一个采购周期为成品i的一个配送周期为所有的车辆既可以运输原料也可以运输成品,其中成品i的装载率为βi。
第二步、模型构建
以xkaj、xkai为决策变量,以公式(2)-(8)为约束条件,以公式(1)为目标函数,构建模型;公式(1)表示最晚车辆到达生产商时刻的最小化;公式(2)表示原料的需求量由成品总需求量、生产速率以及原料消耗速率共同决定;公式(3)表示原料j卸载时的已运量大于生产时累计消耗量;公式(4)表示成品i装载时的已运量小于成品的累计生产量;公式(5)表示车辆k的到达生产商时刻等于开始运输时刻加上一个运输周期;公式(6)表示车辆k只有在上一次任务完成后,才能进行下一次任务;公式(7)生产线结束时刻等于生产开始时刻加上生产时间;公式(8)第a次运量不大于此次运输车辆的容量;其中xkaj表示若第a次排k号车去运输原料j,其值为1;若不运输原料j,其值为0;xkai表示若第a次排k号车去运输成品i,其值为1;若不运输成品i,其值为0。
Ckaz≤Vk (8)
模型符号说明见表1。
表1
问题与求解算法逻辑关系参见图1。
第三步、构建二维编码矩阵
运输时,以物料z与车辆k匹配的优先权值构建二维编码矩阵,二维编码矩阵中的元素用Pe(z,k)表示,参见图2,通过比较权值的大小,依次选择权值最大的所在位置的行数和列数的组合代表物料和车辆的组合,即元素Pe(z,k)最大时,则对应的车辆k运输物料z,实现运输时物料与车辆的匹配,此过程即为编码过程;
所述优先权值Pe(z,k)通过公式(9)得到,利用公式(9)把xzk∈(0,1)之间的随机数转化成一个(0,+∞)之间的权值,可以使二维编码矩阵中的权值明显差异化,
Pe(z,k)=|ln(1+xzk)/(1-xzk)| (9)
第四步、分段解码(优先安排原料运输)运输:
为保证生产连续性,原料供应不能中断,因此,运输时优先安排原料的运输。首先,已知成品i的需求qi,由公式(2)确定原料j的需求量rj,进而获取所有物料需要的运量;其次,设定当前时刻t及前时刻t'为0,即t=t'=0,原料库存和成品库存都为0;最后,通过如下过程,确定各类物料的运输车次、每次运输的开始运输时刻、每次运输到达生产商时刻、每次运量及最晚车辆到达生产商的时刻
4-1:对运输原料j或成品i的车辆k进行卸载:判断运输原料j的车辆k到达时间是否小于当前时刻t,若是,卸载原料j,根据公式(10)增加相应的原料j当前库存量车辆k变为可用状态;同理,卸载成品i,并据公式(11)更新成品i已完成配送订单量更新车辆k的状态为可用。
4-2:如果生产已启动,且时,根据公式(12)和(13)更新原料j的库存量和成品i的库存量如果生产未启动且原料均有库存,则启动生产,并设生产开始时刻为当前时刻t,并依据公式(7)计算生产结束时刻否则继续等待原料j运输;
4-3:安排原料运输:首先,根据公式(14)判断原料j是否运输完成,若没有运输完成,则安排原料j运输,否则跳到步骤4-4;其次,根据公式(15)计算原料j已运量是否还能满足该原料一个采购周期消耗,若公式成立,表示库存充足,暂不安排该原料的采购运输,否则,选择当前状态为可用,且最早可用时间满足公式(16)要求的,二维编码矩阵中优先权值最大的车辆,作为本次原料运输的车辆k;最后,根据公式(17)和公式(5)分别计算本次原料运输车辆的开始运输时刻及到达生产商时刻根据公式(18)更新原料j已运量根据公式(15)再次判断原料j的已运量是否满足下一个采购周期内生产连续消耗,若是,则完成对该原料的运输车辆安排;否则继续安排该原料的运输车辆。
其中,表示原料已运量;表示原料j的已运量耗尽的时刻;表示待原料j已运量耗尽前,安排下次采购此原料的最晚开始时刻;Ckaj表示车辆k第a次运输的原料j的运量,根据公式(8)及待运原料量,Ckaj在解码过程中具体化为:
安排成品i运输的具体过程是:k选择运输的车辆,若成品i的待运量大于车辆k的容量且其当前库存量可以装满一车,则从二维编码矩阵中,选择优先权值最大的满载车辆k作为此次配送的车辆;若成品i的待运量小于车辆的容量且待运量已产出,选择可用车辆中的容积率最高的车辆k来配送。再次,计算时间,依据公式(21)计算开始运输时刻进一步依据公式(5)计算到达生产商时刻最后,更新物料状态,根据公式(22)更新成品i已运量根据公式(23)更新成品i库存量再次根据公式(20)和库存量判断是否可以继续安排运输,若是,则继续运行步骤4-4;否则转入步骤4-5。
第五步、角色互换人工蜂群算法:
算法运行前只需要设定唯一的参数是种群规模N,令引领蜂规模Ne和跟随蜂规模Nu均为N/2,并设定全局最优适应值f=10000000,之后结合图3进入以下过程:
5-1:初始化蜂群,利用上述第三步的方式生成Ne个二维编码矩阵,作为引领蜂的初始位置,每个二维编码矩阵中的权值元素为Pe(z,k),e=1、2、…、Ne,并采用上述第四步的分段解码方式求得的对应引领蜂最晚车辆到达生产商时刻作为引领蜂对应的适应值fe。
5-3:选定一只引领蜂,利用公式(26)产生这只引领蜂对应跟随蜂的位置,
其中,rnd∈(0,1)之间随机数;
每只跟随蜂所对应的二维编码矩阵中的权值元素为同引领蜂一样,按照分段解码求得的跟随蜂的最晚车辆到达生产商的时刻作为跟随蜂的适应值fu,若fu<fe,则令引领蜂的二维编码矩阵中的元素等于跟随蜂的二维编码矩阵中的元素,即且fe=fu,将跟随蜂的位置传递给对应的引领蜂,引领蜂位置得到更新,否则引领蜂的适应值及位置不变。
5-4:Ne个引领蜂的位置以及适应值都得到更新后,将所有引领蜂适应值进行排序,得出最优适应值f'。
5-5:比较最优适应值f'与全局最优适应值f。若f'≥f,将适应值最差的引领蜂转化为跟随蜂,Ne=Ne-1,并令Nu=Nu+1;若f'<f,令f=f',引领蜂、跟随蜂分别恢复为原来的规模Ne=Nu=N/2,转入步骤5-2,直到剩最后一只引领蜂,人工蜂群算法结束,得出最后一只引领蜂对应的适应值和其对应的最优方案,即得到每次运输物料编号z、车辆编号k、每次运量Ckaz以及每次运输的开始运输时刻及到达生产商时刻
实施例1
本实施例面向连续生产的生产与运输联合调度方法,
(一)问题描述:
生产商期初接收了n个客户的订单,每个订单需要不同种类成品,O={W1,W2,...,Wn}表示订单集合,订单Wi需要成品i,且需求量为qi,生产需要m种原料;车辆从生产商出发,首先运输原料j,原料到达生产商后放入原料库,待所有原料齐备保证连续生产后再生产;生产中需要按一定比例投入原料j,并以恒定生产率P生产并包装为n种规格的成品进行销售;完工的成品可直接运送至客户,若当前无可用车辆进行配送,则转入成品库等待配送;生产商从物流企业租赁K辆车运输,车辆k的容积为Vk,原料j的一个采购周期为成品i的一个配送周期为所有的车辆既可以运输原料也可以运输成品,其中成品i的装载率为βi。
本发明预先建立了一些假设条件:(1)原料和成品库存量期初为0,且库存容量无限;(2)生产商租赁的车辆型号、数量是确定的;(3)生产准备时间、产品包装时间以及装载卸载时间忽略不计;(4)单位时间车辆的运输能力大于生产能力;(5)假设是从0时刻开始运输物料。
(二)构建模型
以xkaj、xkai为决策变量,以公式(2)-(8)为约束条件,以公式(1)为目标函数,构建模型;公式(1)表示最晚车辆到达生产商时刻的最小化。公式(2)表示原料的需求量由成品总需求量、生产速率以及原料消耗速率共同决定。公式(3)表示原料j卸载时的已运量大于生产时累计消耗量,其中,表示原料j卸载时的已运量,表示从生产线开始生产到原料j卸载时的累计消耗量。公式(4)表示成品i装载时的已运量小于成品的累计生产量,其中,表示成品i装载时的累积运输量,表示成品i装载时的累计生产量。公式(5)表示车辆k的到达生产商时刻等于开始运输时刻加上一个运输周期。公式(6)表示车辆k只有在上一次任务完成后,才能进行下一次任务,其中,表示第a-1次运输物料z的k号车到达生产商的时刻。公式(7)生产线结束时刻等于生产开始时刻加上生产时间,其中,表示生产线的总生产时间。公式(8)第a次运量不大于此次运输车辆的容量。其中xkaj表示若第a次排k号车去运输原料j,其值为1;若不运输原料j,其值为0;xkai表示若第a次排k号车去运输成品i,其值为1;若不运输成品i,其值为0。
Ckaz≤Vk (8)
模型符号说明见表1。
表1
问题与求解算法逻辑关系参见图1。
(三)构建二维编码矩阵
运输时,以物料z与车辆k匹配的优先权值构建二维编码矩阵,二维编码矩阵中的元素用Pe(z,k)表示,参见图2,通过比较权值的大小,依次选择权值最大的所在位置的行数和列数的组合代表物料和车辆的组合,即元素Pe(z,k)最大时,则对应的车辆k运输物料z,实现运输时物料与车辆的匹配,此过程即为编码过程;
所述优先权值Pe(z,k)通过公式(9)得到,利用公式(9)把xzk∈(0,1)之间的随机数转化成一个(0,+∞)之间的权值,可以使二维编码矩阵中的权值明显差异化,
Pe(z,k)=|ln(1+xzk)/(1-xzk)| (9)
(四)分段解码(优先安排原料运输)运输:
为保证生产连续性,原料供应不能中断,因此,运输时优先安排原料的运输。首先,已知成品i的需求qi,由公式(2)确定原料j的需求量rj,进而获取所有物料需要的运量;其次,设定当前时刻t及前时刻t'为0,即t=t'=0,原料库存和成品库存都为0;最后,通过如下过程,确定各类物料的运输车次、每次运输的开始运输时刻、每次运输到达生产商时刻、每次运量及最晚车辆到达生产商的时刻
4-1:对运输原料j或成品i的车辆k进行卸载:判断运输原料j的车辆k到达时间是否小于当前时刻t,若是,卸载原料j,根据公式(10)增加相应的原料j当前库存量车辆k变为可用状态;同理,卸载成品i,并据公式(11)更新成品i已完成配送订单量更新车辆k的状态为可用。
4-2:如果生产已启动,且时,根据公式(12)和(13)更新原料j的库存量和成品i的库存量如果生产未启动且原料均有库存,则启动生产,并设生产开始时刻为当前时刻t,并依据公式(7)计算生产结束时刻否则继续等待原料j运输;
4-3:安排原料运输:首先,根据公式(14)判断原料j是否运输完成,若没有运输完成,则安排原料j运输,否则跳到步骤4-4;其次,根据公式(15)计算原料j已运量是否还能满足该原料一个采购周期消耗,若公式成立,表示库存充足,暂不安排该原料的采购运输,否则,选择当前状态为可用,且最早可用时间满足公式(16)要求的,二维编码矩阵中优先权值最大的车辆,作为本次原料运输的车辆k;最后,根据公式(17)和公式(5)分别计算本次原料运输车辆的开始运输时刻及到达生产商时刻根据公式(18)更新原料j已运量根据公式(15)再次判断原料j的已运量是否满足下一个采购周期内生产连续消耗,若是,则完成对该原料的运输车辆安排;否则继续安排该原料的运输车辆。
其中,表示原料已运量;表示原料j的已运量耗尽的时刻;表示待原料j已运量耗尽前,安排下次采购此原料的最晚开始时刻;Ckaj表示车辆k第a次运输的原料j的运量,根据公式(8)及待运原料量,Ckaj在解码过程中具体化为:
其次,选择运输的车辆,若成品i的待运量大于车辆k的容量且其当前库存量可以装满一车,则从二维编码矩阵中,选择优先权值最大的满载车辆k作为此次配送的车辆;若成品i的待运量小于车辆k的容量且待运量已产出,选择可用车辆中的容积率最高的车辆k来配送。再次,计算时间,依据公式(21)计算开始运输时刻进一步依据公式(5)计算到达生产商时刻最后,更新物料状态,根据公式(22)更新成品i已运量根据公式(23)更新成品i库存量再次根据公式(20)和库存量判断是否可以继续安排运输,若是,则继续运行步骤4-4;否则转入步骤4-5。
(五)角色互换人工蜂群算法:
算法运行前只需要设定唯一的参数是种群规模N,令引领蜂规模Ne和跟随蜂规模Nu均为N/2,并设定全局最优值f=10000000,之后结合图3进入以下过程:
5-1:初始化蜂群,利用上述第三步的方式生成Ne个二维编码矩阵,作为引领蜂的初始位置,每个二维编码矩阵中的权值元素为Pe(z,k),e=1、2、…、Ne,并采用上述第四步的分段解码方式求得的对应引领蜂最晚车辆到达生产商时刻作为引领蜂对应的适应值fe。
5-3:选定一只引领蜂,利用公式(26)产生这只引领蜂对应跟随蜂的位置,
其中,rnd∈(0,1)之间随机数;
每只跟随蜂所对应的二维编码矩阵中的权值元素为同引领蜂一样,按照分段解码求得的跟随蜂的最晚车辆到达生产商的时刻作为跟随蜂的适应值fu,若fu<fe,则令引领蜂的二维编码矩阵中的元素等于跟随蜂的二维编码矩阵中的元素,即且fe=fu,将跟随蜂的位置传递给对应的引领蜂,引领蜂位置得到更新,否则引领蜂的适应值及位置不变。
5-4:Ne个引领蜂的位置以及适应值都得到更新后,将所有引领蜂适应值进行排序,得出最优适应值f'。
5-5:比较最优适应值f'与全局最优适应值f。若f'≥f,将适应值最差的引领蜂转化为跟随蜂,Ne=Ne-1,并令Nu=Nu+1;若f'<f,令f=f',引领蜂、跟随蜂分别恢复为原来的规模Ne=Nu=N/2,转入步骤5-2,直到剩最后一只引领蜂,人工蜂群算法结束,得出最后一只引领蜂对应的适应值和其对应的最优方案,即得到每次运输物料编号z、车辆编号k、每次运量Ckaz以及每次运输的开始运输时刻及到达生产商时刻
分段解码中的步骤4-3所述的安排原料运输,既要保证原料供应不中断,又要保证原料库有较小的库存。原料j库存变化的趋势参见图4,在时刻,第一批原料j到达,运量为Ck1j,但此时并不开始生产,等到其他原料备齐后,即在时刻,原料j继续到达,库存量增加Ck2j,同时假设其它原料到齐开始生产,原料j此时的库存量为Ck1j+Ck2j。原料j的消耗速率为uj,在时刻,原料j的库存量即将耗尽,但此时会有第三批原料j到达,以后的周期依此类推。
本发明在立足于车辆共用的情况下,不仅采用分段解码方式保证生产的连续性,还考虑到如何使生产和物料运输时间最小化,以及前一个解码周期对后一个周期的影响。
为说明本发明中联合调度方法的优越性,以运输4种物料为例进行实验,物料属性以及车辆的详情分别参见表2及表3,现有调度方法与本发明中联合调度方法的结果分别参见图5和图6(图中a,b代表原料种类,A,B代表成品种类)。在现有调度方法中,所有车辆先运输原料,需要7小时,从原料开始运输到生产完成一共需要14时,生产完成后,开始成品配送,所有成品配送完成,总调度周期为20小时。当利用本发明中的联合调度方法后,开始生产时间为3.5时,比现有调度方法下的开始生产时间早3.5小时,成品开始配送的时间早9.55小时,原料采购与成品配送实现了车辆共用,总的运输时间为12.5小时。
为说明本发明中分段解码方式的优越性,将上述测例中成品A、B的需求量分别扩大倍数增长,结果详情参见表4(表4中的Z1、Z2列分别是整体解码(原料和成品同时安排运输)人工蜂群算法(人工蜂群算法的过程可参见文献:王志刚,夏慧明.求解车辆路径问题的人工蜂群算法[J].计算机工程与科学,2014,36(6):1088-1094.)(t-ABC)、基于分段解码的人工蜂群算法(y-ABC)运行10次取得的平均值)。从表中可以看到,虽然t-ABC部分测例也能求解,但增大成品需求量时,t-ABC找不到最优解,原因是不能保证生产的连续性,而y-ABC仍然可以进行求解,因此说明了分阶段解码的优越性。
为了进一步的验证本发明中基于分段解码的角色互换人工蜂群算法的优越性,利用表5中的测例来测试,将基于分阶段解码的角色互换人工蜂群算法(g-ABC)与y-ABC、基于分段解码的遗传算法(Genetic Algorithm,GA)(遗传算法的过程可参见文献:李锡良,李修身.基于遗传算法的大规模定制供应链调度优化研究[J].价值工程,2007,26(11):55-58.)两种算法进行对比,设定3种算法的种群规模为120,y-ABC的引领蜂局部寻优次数20,循环次数200,GA的交叉概率p=0.8,变异概率p=0.1,循环次数为200。每种算法运行10次,比较3种算法运行的结果,参见表6(表6中,Z3、Z4、Z5列分别表示y-ABC、GA、g-ABC运行10次的平均值;GAP1列表示g-ABC与y-ABC之间的差值比,计算方式为
GAP1=(Z3-Z5)/Z3*100%,同理,GAP2列表示g-ABC与GA之间的差值比。如果两个比值是正数,说明g-ABC优于y-ABC及GA)。从表中可以看出,差值比均为正数,且g-ABC有较优的最大值与最小值,都小于y-ABC及GA的方差,说明g-ABC运行结果比较稳定,总体来看,g-ABC显著要优于y-ABC及GA。
表2
*注:设定生产速率P=10t/h,消耗率α=消耗速率/生产速率,“/”表示无数据,下同。
表3
表4
表5
*注:[Rj(α,t),Pi(β,t,q)]表示一个测例,其中,Rj(α,t)表示原料j的参数,α表示原料j的消耗速率,t表示原料j的一个运输周期;Pi(β,t,q)表示成品i的参数,β表示产品i的装载率,t表示成品i的一个运输周期,q表示成品i的需求量。
表6
*注:Max表示最大值,Min表示最小值,σ表示方差
上述所有测例表明,本发明所提出的方法能够用比现有的生产-运输联合调度方法更优,有效地缩短了总调度时间,生成与之相适应的运输调度及其生产计划。
以上仅是本发明的优选实施方案,本发明的保护范围并不仅局限于上述测例,凡属于本发明思路下的技术方案均属于本发明的保护范围,应当指出,对于本技术领域的普通技术人员来读,在不脱离发明原理前提下改进和润饰,应视为本发明的保护范围。
Claims (2)
1.一种面向连续生产的生产与运输联合调度方法,该方法采用分段解码的方式保证生产的连续性,利用角色互换的人工蜂群算法扩大解的范围,包括以下步骤:
第一步、问题描述
生产商期初接收了n个客户的订单,每个订单需要不同种类成品,O={W1,W2,...,Wn}表示订单集合,订单Wi需要成品i,且需求量为qi,生产需要m种原料;车辆从生产商出发,首先运输原料j,原料到达生产商后放入原料库,待所有原料齐备保证连续生产后再生产;生产中需要按一定比例投入原料j,并以恒定生产率P生产并包装为n种规格的成品进行销售;完工的成品可直接运送至客户,若当前无可用车辆进行配送,则转入成品库等待配送;生产商从物流企业租赁K辆车运输,车辆k的容积为Vk,原料j的一个采购周期为成品i的一个配送周期为所有的车辆既可以运输原料也可以运输成品,其中成品i的装载率为βi;
第二步、模型构建
以xkaj、xkai为决策变量,以公式(2)-(8)为约束条件,以公式(1)为目标函数,构建模型;xkaj表示若第a次排k号车去运输原料j,其值为1;若不运输原料j,其值为0;xkai表示若第a次排k号车去运输成品i,其值为1;若不运输成品i,其值为0;
Ckaz≤Vk (8)
第三步、构建二维编码矩阵
以物料z与车辆k匹配的优先权值构建二维编码矩阵,二维编码矩阵中的元素用Pe(z,k)表示,Pe(z,k)通过公式(9)得到,
Pe(z,k)=|ln(1+xzk)/(1-xzk)| (9)
其中,xzk∈(0,1)之间的随机数;
第四步、分段解码:
运输时优先安排原料运输的方式进行分段解码,已知成品i的需求qi,确定原料j的需求量rj,进而获取所有物料需要的运量;其次,设定当前时刻t及前时刻t'为0,即t=t'=0,原料库存和成品库存都为0;最后,确定各类物料的运输车次、每次运输的开始运输时刻、每次运输到达生产商时刻、每次运量及最晚车辆到达生产商的时刻
第五步、角色互换人工蜂群算法:
5-1:初始化蜂群,设定种群规模N,令引领蜂规模Ne和跟随蜂规模Nu均为N/2,并设定全局最优适应值f,生成Ne个二维编码矩阵,作为引领蜂的初始位置,每个二维编码矩阵中的权值元素为Pe(z,k),e=1、2、…、Ne,并采用分段解码方式求得的对应引领蜂最晚车辆到达生产商时刻作为引领蜂对应的适应值fe;
5-3:选定一只引领蜂,利用公式(26)产生这只引领蜂对应跟随蜂的位置,
其中,rnd∈(0,1)之间随机数;
每只跟随蜂所对应的二维编码矩阵中的权值元素为同引领蜂一样,采用分段解码方式求得的跟随蜂的最晚车辆到达生产商的时刻作为跟随蜂的适应值fu,若fu<fe,则令引领蜂的二维编码矩阵中的元素等于跟随蜂的二维编码矩阵中的元素,即且fe=fu,将跟随蜂的位置传递给对应的引领蜂,引领蜂位置得到更新,否则引领蜂的适应值及位置不变;
5-4:Ne个引领蜂的位置以及适应值都得到更新后,将所有引领蜂适应值进行排序,得出最优适应值f';
2.根据权利要求1所述的面向连续生产的生产与运输联合调度方法,其特征在于,所述分段解码的具体步骤是:
4-1:对运输原料j或成品i的车辆k进行卸载:判断运输原料j的车辆k到达时间是否小于当前时刻t,若是,卸载原料j,根据公式(10)增加相应的原料j当前库存量车辆k变为可用状态;同理,卸载成品i,并据公式(11)更新成品i已完成配送订单量更新车辆k的状态为可用;
4-2:如果生产已启动,且时,根据公式(12)和(13)更新原料j的库存量和成品i的库存量如果生产未启动且原料均有库存,则启动生产,并设生产开始时刻为当前时刻t,并依据公式(7)计算生产结束时刻否则继续等待原料j运输;
4-3:安排原料运输:首先,根据公式(14)判断原料j是否运输完成,若没有运输完成,则安排原料j运输,否则跳到步骤4-4;其次,根据公式(15)计算原料j已运量是否还能满足该原料一个采购周期消耗,若公式成立,表示库存充足,暂不安排该原料的采购运输,否则,选择当前状态为可用,且最早可用时间满足公式(16)的要求,二维编码矩阵中优先权值最大的车辆,作为本次原料运输的车辆k;最后,根据公式(17)和公式(5)分别计算本次原料运输车辆的开始运输时刻及到达生产商时刻根据公式(18)更新原料j已运量根据公式(15)再次判断原料j的已运量是否满足下一个采购周期内生产连续消耗,若是,则完成对该原料的运输车辆安排;否则继续安排该原料的运输车辆;
安排成品i运输的具体过程是:选择运输的车辆,若成品i的待运量大于车辆k的容量且其当前库存量可以装满一车,则从二维编码矩阵中,选择优先权值最大的满载车辆k作为此次配送的车辆;若成品i的待运量小于车辆k的容量且待运量已产出,选择可用车辆中的容积率最高的车辆k来配送;再次,计算时间,依据公式(21)计算开始运输时刻进一步依据公式(5)计算到达生产商时刻最后,更新物料状态,根据公式(22)更新成品i已运量根据公式(23)更新成品i库存量再次根据公式(20)和库存量判断是否可以继续安排运输,若是,则继续运行步骤4-4;否则转入步骤4-5;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810832869.0A CN109086990B (zh) | 2018-07-26 | 2018-07-26 | 面向连续生产的生产与运输联合调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810832869.0A CN109086990B (zh) | 2018-07-26 | 2018-07-26 | 面向连续生产的生产与运输联合调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086990A CN109086990A (zh) | 2018-12-25 |
CN109086990B true CN109086990B (zh) | 2021-05-04 |
Family
ID=64830978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810832869.0A Expired - Fee Related CN109086990B (zh) | 2018-07-26 | 2018-07-26 | 面向连续生产的生产与运输联合调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086990B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086994A (zh) * | 2018-07-31 | 2018-12-25 | 河北工业大学 | 面向连续生产的生产与运输联合调度方法 |
CN112508240B (zh) * | 2020-11-23 | 2021-08-31 | 广州大学 | 一种物料运输的自动调度方法 |
CN116039095A (zh) * | 2023-01-11 | 2023-05-02 | 中国科学技术大学 | 分布式制造模式下的3d打印方法、装置和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598994A (zh) * | 2015-01-23 | 2015-05-06 | 广东易富网络科技有限公司 | 一种带时变时间窗的关联物流运输优化调度方法 |
CN105785963A (zh) * | 2016-05-18 | 2016-07-20 | 中南大学 | 一种基于人工蜂群算法的炼钢连铸调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9082093B2 (en) * | 2012-05-09 | 2015-07-14 | Infosys Limited | System and method for non-production environment management |
-
2018
- 2018-07-26 CN CN201810832869.0A patent/CN109086990B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104598994A (zh) * | 2015-01-23 | 2015-05-06 | 广东易富网络科技有限公司 | 一种带时变时间窗的关联物流运输优化调度方法 |
CN105785963A (zh) * | 2016-05-18 | 2016-07-20 | 中南大学 | 一种基于人工蜂群算法的炼钢连铸调度方法 |
Non-Patent Citations (2)
Title |
---|
"Self-adaptive Artificial Bee Colony with role transformation for engineering constraint optimization problem";Zhang Weicun etc.;《IEEE International Conference on Computer and Communications》;20161017;第1250-1253页 * |
"人工蜂群算法及其在调度问题中的应用研究";刘倩雯;《万方数据知识服务平台》;20141031;第5.1-5.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN109086990A (zh) | 2018-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086990B (zh) | 面向连续生产的生产与运输联合调度方法 | |
Yimer et al. | A genetic approach to two-phase optimization of dynamic supply chain scheduling | |
Goyal et al. | An integrated production-inventory-marketing model for deteriorating items | |
CN111080408B (zh) | 一种基于深度强化学习的订单信息处理方法 | |
Utama et al. | Sustainable Production-inventory model with multimaterial, quality degradation, and probabilistic demand: From bibliometric analysis to a robust model | |
CN109460957B (zh) | 一种基于量子遗传模拟退火算法的仓储补货方法 | |
CN105740961B (zh) | 一种基于进化算法的零散货物拼船/车运输优化方法 | |
CN113361073B (zh) | 一种基于改进拉格朗日松弛算法的库存路径联合优化方法 | |
CN107146039B (zh) | 一种多目标协同控制的定制式混流装配生产方法及装置 | |
CN115619183A (zh) | 多主体协同下考虑供应链成本的生产任务调度方法 | |
CN111815148B (zh) | 排产方法、装置、电子设备及计算机可读存储介质 | |
Sarker et al. | Operations planning for a single-stage kanban system operating under linear demand | |
Pirayesh et al. | GPSO-LS algorithm for a multi-item EPQ model with production capacity restriction | |
CN116151931B (zh) | 基于人工智能的跨境电商销产一体化数据处理系统 | |
CN109086994A (zh) | 面向连续生产的生产与运输联合调度方法 | |
CN115759646A (zh) | 海运时间不确定下多工厂生产调度的多目标优化方法 | |
CN114862192A (zh) | 异构工业互联网系统低成本生产任务分配和资源调度方法 | |
CN101079121A (zh) | 冶金行业综合计划排程系统和方法 | |
Cao et al. | A multiobjective multiperiod mixed-integer programming optimization model for integrated scheduling of supply chain under demand uncertainty | |
CN111445100B (zh) | 有限运力下基于自适应时间窗口的车货匹配方法 | |
CN114091994A (zh) | 货物的数据处理方法及装置 | |
Aazami et al. | A bi-objective robust optimization model for an integrated production-distribution problem of perishable goods with demand improvement strategies: a case study | |
Stadtler | Purchasing and material requirements planning | |
CN112734286B (zh) | 一种基于多策略深度强化学习的车间调度方法 | |
CN114881367A (zh) | 一种基于粒子群优化算法的供应规划方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210504 |