CN109242396B - 面向医用耗材库存与补货协同优化过程的调度方法及系统 - Google Patents

面向医用耗材库存与补货协同优化过程的调度方法及系统 Download PDF

Info

Publication number
CN109242396B
CN109242396B CN201811154993.2A CN201811154993A CN109242396B CN 109242396 B CN109242396 B CN 109242396B CN 201811154993 A CN201811154993 A CN 201811154993A CN 109242396 B CN109242396 B CN 109242396B
Authority
CN
China
Prior art keywords
population
individual
individuals
sub
order
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
CN201811154993.2A
Other languages
English (en)
Other versions
CN109242396A (zh
Inventor
范雯娟
宋庆儒
裴军
丁帅
刘同柱
偶德峻
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.)
Hefei University of Technology
Original Assignee
Hefei 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 Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201811154993.2A priority Critical patent/CN109242396B/zh
Publication of CN109242396A publication Critical patent/CN109242396A/zh
Application granted granted Critical
Publication of CN109242396B publication Critical patent/CN109242396B/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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遗传算法面向医用耗材库存与补货协同优化过程的调度方法，该方法包括：1初始化算法的参数；2初始化种群个体；3计算种群个体的适应度值；4根据个体适应度值对原种群划分为若干个子种群；5在各子种群中个体进行交叉操作；6把经过更新的所有子种群合并为一个新种群；7针对新种群中的个体进行变异操作；8若判断算法满足终止条件则输出算法搜索的全局最优解，否则返回步骤3。本发明能针对医院对医药耗材实现库存与补货协同优化过程决策问题，求得对应问题的近似最优解，从而使得医院可以制定科学合理的库存与补货策略，医院根据制定的策略对医药耗材进行管理，提高医院对医药耗材的库存管理水平，降低医院整体运营成本。

Description

面向医用耗材库存与补货协同优化过程的调度方法及系统
技术领域
本发明涉及软件技术领域，具体涉及一种面向医用耗材库存与补货协同优化过程的遗传调度方法及系统。
背景技术
医院为满足未来病人的需求，并保证医院的整体服务水平，在医院库房中产生医用耗材的周转库存。而医用耗材种类繁多，并且型号不一，这使得医院库房对医用耗材的管理难度大，成本高。医院作为社会性的公共服务机构，为社会提供医疗服务，因此优化医院库房中医用耗材的库存补货策略，对医院的服务水平满意度和社会福祉的提高具有重要的意义。医院制定库存补货策略，即需确定订货点和对应的订货量，医院通常通过采用定点采购策略对医用耗材进行补货。在定点采购策略中，医用耗材的当前库存量低于安全库存量时，医院库房便会采取补货行动，而补货量是由医用耗材的当前库存量和最高库存量共同决定。
然而，在进行发明创造的过程中发明人发现，现有的优化方法存在如下问题：
(1)在研究问题上，医院采用的定点采购策略考虑医用耗材的安全库存量和最大库存量因素，主要是从医院库房单一库存角度来制定补货策略，优化的目标单一。按照定点采购策略进行补货，在每次医院进行医用耗材补货时，前期通常会出现医用耗材库存过度积压，导致库存成本急剧上升。通常情况下，医院库房的库存能力有限，而且医院所需的医用耗材种类繁多，而目前的库存补货策略不够科学合理。
(2)在研究方法上，影响本发明改进遗传算法性能的因素主要有：初始个体的质量、子种群的划分策略、种群中个体的交叉和变异操作。而在现有的优化方法中并未考虑到这些因素。
发明内容
本发明实施例的一个目的在于在医药耗材消耗量预测模型确定情形下，基于医药耗材在周期内总库存成本和总补货成本最小化的优化目标，制定医院对于该种医药耗材的补货策略，即需给定周期内的订货点以及对应的订货量，从而可使医院实现对该种医药耗材的周转库存和在途库存的协同优化，进一步降低医院的整体运营成本。
第一方面，本发明实施例提供了一种基于遗传算法面向医用耗材库存与补货协同优化过程的调度方法，包括：
S1.初始化算法的输入参数，包括周期内时间点的数量n，周期内时间点集合记为T＝{t1,...,ti,...,tn}，其中ti表示周期中的第i个时间点，时间点对应的预测消耗量记为V＝{v1,...,vi,...,vn}，其中vi表示ti时间点上的预测消耗量；
S2.设定算法的执行参数，包括最大迭代次数Imax，当前迭代次数 I＝1，种群规模Q，全局最优解Xbest；
S3.初始化搜索种群个体集合X；考虑共有Q个个体，其中第I代种群中的第j个个体定义为
Figure BDA0001818739620000021
1≤I≤Imax， j＝1,2,...,Q，k＝1,2,...,n，j＝1,2,...,Q，其中
Figure BDA0001818739620000022
表示在个体
Figure BDA0001818739620000023
中第i个时间点的订货状态，若
Figure BDA0001818739620000024
表示个体
Figure BDA0001818739620000025
中对应的第i个时间点为订货状态，否则在该时间点不进行订货；
S4.分别计算种群中个体的适应度值，把种群中所有个体按照其适应度值的非递增序进行排序，从而获得一个经过排序后的种群记为
Figure BDA0001818739620000026
S5.考虑S个子种群，其子种群集合记为
Figure BDA0001818739620000027
将S4中经过排序的种群
Figure BDA0001818739620000028
中的个体依次分配给每个子种群，即把位置为kS+i,k∈Z+上的个体放置子种群
Figure BDA0001818739620000029
中；
S6.对子种群
Figure BDA0001818739620000031
中所有个体进行交叉以及变异更新操作，以子种群的形式进行局部搜索；
S7.把经过更新的所有子种群重新融合为一个新种群记为
Figure BDA0001818739620000032
S8.对种群
Figure BDA0001818739620000033
进行变异操作；
S9.更新全局最优解；
S10.将I+1赋值给I，判断算法终止条件I≤Imax是否成立，若成立则执行S4，否则执行S11；
S11.算法执行结束并输出全局最优解Xbest的适应度值和对应的库存补货策略。
第二方面，本发明实施例提供了一种基于遗传算法面向医用耗材库存与补货协同优化过程的调度系统，包括：
计算单元，用于执行以下步骤：
S1.初始化算法的输入参数，包括周期内时间点的数量n，周期内时间点集合记为T＝{t1,...,ti,...,tn}，其中ti表示周期中的第i个时间点，时间点对应的预测消耗量记为V＝{v1,...,vi,...,vn}，其中vi表示ti时间点上的预测消耗量；
S2.设定算法的执行参数，包括最大迭代次数Imax，当前迭代次数 I＝1，种群规模Q，全局最优解Xbest；
S3.初始化搜索种群个体集合X；考虑共有Q个个体，其中第I代种群中的第j个个体定义为
Figure BDA0001818739620000034
1≤I≤Imax， j＝1,2,...,Q，k＝1,2,...,n，j＝1,2,...,Q，其中
Figure BDA0001818739620000035
表示在个体
Figure BDA0001818739620000036
中第i个时间点的订货状态，若
Figure BDA0001818739620000037
表示个体
Figure BDA0001818739620000038
中对应的第i个时间点为订货状态，否则在该时间点不进行订货；
S4.分别计算种群中个体的适应度值，把种群中所有个体按照其适应度值的非递增序进行排序，从而获得一个经过排序后的种群记为
Figure BDA0001818739620000039
S5.考虑S个子种群，其子种群集合记为
Figure BDA00018187396200000310
将S4中经过排序的种群
Figure BDA0001818739620000041
中的个体依次分配给每个子种群，即把位置为kS+i,k∈Z+上的个体放置子种群
Figure BDA0001818739620000042
中；
S6.对子种群
Figure BDA0001818739620000043
中所有个体进行交叉以及变异更新操作，以子种群的形式进行局部搜索；
S7.把经过更新的所有子种群重新融合为一个新种群记为
Figure BDA0001818739620000044
S8.对种群
Figure BDA0001818739620000045
进行变异操作；
S9.更新全局最优解；
S10.将I+1赋值给I，判断算法终止条件I≤Imax是否成立，若成立则执行S4，否则执行S11；
S11.算法执行结束；
输出单元，用于输出全局最优解Xbest的适应度值和对应的库存补货策略。
本发明实施例提供了一种基于遗传算法面向医用耗材库存与补货协同优化过程的调度方法及系统，所述方法包括：1初始化算法的参数； 2初始化种群个体；3计算种群个体的适应度值；4根据个体适应度值对原种群划分为若干个子种群；5在各子种群中个体进行交叉操作；6 把经过更新的所有子种群合并为一个新种群；7针对新种群中的个体进行变异操作；8判断算法执行的终止条件是否满足，若满足则输出算法搜索的全局最优解，否则返回步骤3；本发明能针对医院对医药耗材实现库存与补货协同优化过程决策问题，求得对应问题的近似最优解，从而使得医院可以制定科学合理的库存与补货策略，医院根据制定的策略对医药耗材进行管理，提高医院对医药耗材的库存管理水平，并降低医院的整体运营成本。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明一实施例提供的一种基于遗传算法面向医用耗材库存与补货协同优化过程的调度方法的流程示意图；
图2是本发明一实施例提供的一种基于遗传算法面向医用耗材库存与补货协同优化过程的调度系统的结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
本发明实施例的一个目的在于在医药耗材消耗量预测模型确定情形下，基于医药耗材在周期内总库存成本和总补货成本最小化的优化目标，制定医院对于该种医药耗材的补货策略，即需给定周期内的订货点以及对应的订货量。本发明实施例依据问题的结构特点，设计了有效的智能算法，在合理的时间范围内通过本发明设计的智能算法可搜索到问题对应的近似最优解，即近似最优补货策略，从而可使医院实现对该种医药耗材的周转库存和在途库存的协同优化，进一步降低医院的整体运营成本。
为便于理解，下面来具体说明本发明实施例提供的方法所要解决的问题。
(1)医用耗材的消耗量预测模型为：
f(t)＝0.54*t2-23.88*t+433.94
其中t表示周期内的时间点，f(t)表示t时间对应的预测消耗量，周期内时间点的对应预测消耗量集合记为V＝{v1,...,vi,...,vn}，其中vi由消耗量预测模型计算获得并且为一正整数。
(2)医院库房需要在相应的订货点确定其订货量，医用耗材的供应只考虑一个供应商，并且订货的价格P不随时间的变化而变化，运输成本与订货量有关，单位订货量的运输成本为CT。
(3)医用耗材在医院库房中的单位时间的库存成本CM为一固定值，当医院库房中的当前库存量无法满足需求时需要紧急订货，此时医用耗材的订货价格翻倍，即为正常订货时价格的两倍，但是不发生运输成本。
(4)需要优化的目标为周期内医用耗材的总库存成本，包括订货时发生的购买成本与运输成本，和医用耗材在医院库房存储时需要的库存管理成本。
基于此，本发明实施例提供的一种基于遗传算法面向医用耗材库存与补货协同优化过程的调度方法，可以参考图1，包括：
S1.初始化算法的输入参数，包括周期内时间点的数量n，周期内时间点集合记为T＝{t1,...,ti,...,tn}，其中ti表示周期中的第i个时间点，时间点对应的预测消耗量记为V＝{v1,...,vi,...,vn}，其中vi表示ti时间点上的预测消耗量；
S2.设定算法的执行参数，包括最大迭代次数Imax，当前迭代次数 I＝1，种群规模Q，全局最优解Xbest；
S3.初始化搜索种群个体集合X；考虑共有Q个个体，其中第I代种群中的第j个个体定义为
Figure BDA0001818739620000061
1≤I≤Imax， j＝1,2,...,Q，k＝1,2,...,n，j＝1,2,...,Q，其中
Figure BDA0001818739620000062
表示在个体
Figure BDA0001818739620000063
中第i个时间点的订货状态，若
Figure BDA0001818739620000064
表示个体
Figure BDA0001818739620000065
中对应的第i个时间点为订货状态，否则在该时间点不进行订货；个体所对应的库存补货策略由计算适应度值时给出；
S4.分别计算种群中个体的适应度值，把种群中所有个体按照其适应度值的非递增序进行排序，从而获得一个经过排序后的种群记为
Figure BDA0001818739620000066
S5.考虑S个子种群，其子种群集合记为
Figure BDA0001818739620000071
将S4中经过排序的种群
Figure BDA0001818739620000072
中的个体依次分配给每个子种群，即把位置为kS+i,k∈Z+上的个体放置子种群
Figure BDA0001818739620000073
中；
S6.对子种群
Figure BDA0001818739620000074
中所有个体进行交叉以及变异等更新操作，以子种群的形式进行局部搜索；
S7.把经过更新的所有子种群重新融合为一个新种群记为
Figure BDA0001818739620000075
S8.对种群
Figure BDA0001818739620000076
进行变异操作，保证种群个体的多样性，有效地避免陷入局部最优解；
S9.更新全局最优解；
S10.将I+1赋值给I，判断算法终止条件I≤Imax是否成立，若成立则执行S4，否则执行S11；
S11.算法执行结束并输出全局最优解Xbest的适应度值和对应的库存补货策略。
在具体实施时，上述步骤S4中计算个体
Figure BDA0001818739620000077
的适应度值，可以有多种方式，其中一种可选的方式，包括：
S41：定义变量V＝{v1,...,vk,...,vn}，表示周期内每个时间点的预测消耗量，其中vk有下列公式计算获得：
Figure BDA0001818739620000078
其中
Figure BDA0001818739620000079
表示大于或等于m的最小整数；
S42：判断
Figure BDA00018187396200000710
是否成立，若成立，则执行S43；否则把1赋值给
Figure BDA00018187396200000711
执行步骤S43；
S43：定义变量k＝1,z＝0；
S44：判断
Figure BDA00018187396200000712
是否成立，若成立，则执行S45；否则执行S46；
S45：把z+1赋值给z，定义变量Cz＝0；
S46：把Cz+vk赋值给Cz；
S47：将k+1赋值给k，判断k≤n是否成立，若成立，则返回S44，否则执行S48；
S48：形成订货点对应预测消耗量集合C＝{C1,...,Cj,...,Cl}，l表示个体订货点的个数，|Cj|表示当前订货点到下一订货点之间的时间点的个数，l个订货点把个体时间周期划分的时间点对应预测消耗量集合
Figure BDA0001818739620000081
表示第j个订货点到第j+1个订货点之间的时间点对应的预测消耗量的集合；
S49：定义变量O＝{O1,...,Oj,...,Ol}，表示每个订货点对应的订货量， VC＝{V1,...,Vj,...,Vl}，表示每个订货点对应的当前库存量，j＝1，个体解对应的成本记为Ccost＝0；
S410：若j＝1成立，则Vj＝0，否则Vj＝Oj-1+Vj-1-Cj-1；
S411：判断Vj≥Cj是否成立，若成立，则令Oj＝0，否则计算订货量按公式Oj＝Cj-Vj+ε获得，ε表示一个随机因子；
S412：把Ccost+Oj*(P+CT)赋值给Ccost，Oj+Vj赋值给Vj，定义变量m＝1；
S413：把
Figure BDA0001818739620000087
赋值给Ccost，然后把
Figure BDA0001818739620000082
赋值给Vj；
S414：将m+1赋值给m，判断m≤|Cj|是否成立，若成立，则返回 S413；否则执行S415；
S415：将j+1赋值给j，判断j≤l是否成立，若成立，则返回S410；否则以最终获得的Ccost值作为该个体对应的适应度值。
在具体实施时，上述步骤S5中把经过排序的种群
Figure BDA0001818739620000083
个体分配到个子种群中可以有多种方式，其中一种可选的实施方式，包括：
S51：定义变量j＝1；
S52：取j除以子种群的规模数量S的余数记为num；
S53：若num＝0，则把未分配的个体
Figure BDA0001818739620000084
放置子种群
Figure BDA0001818739620000085
中；否则放置于
Figure BDA0001818739620000086
S54：将j+1赋值给j，判断j≤n是否成立，若成立则返回S52；否则步骤执行完毕，种群
Figure BDA0001818739620000091
中所有个体分配完毕。
在具体实施时，上述步骤S6中，子种群
Figure BDA0001818739620000092
中局部搜索可以有多种方式，其中一种可选的实施方式，包括：
S61:根据个体的适应度值，选出子种群中适应度值最小的个体，记为
Figure BDA0001818739620000093
S62：产生两个位于区间[1，n]范围内的不同随机整数，分别记为r1和r2；
S63：把
Figure BDA0001818739620000094
个体中对应位置的元素值赋值到子种群中的其他个体对应的位置上，从而生成一个经过交叉的新个体Xo；
S64：计算新个体的适应度值，若个体适应度值比原来的小，则执行S66；否则执行S65；
S65：产生一个位于区间[1，n]范围内的随机数rand，若个体上第 rand个位置上的元素值为1，则把其元素值替换为0；否则替换为1；
S66：重复以上步骤，直至子种群中的其他个体都已更新完毕。
在具体实施时，上述步骤S8中新种群的变异操作可以有多种方式，其中一种可选的实施方式，包括：
S81：计算新种群中所有个体的适应度值，并把个体按照适应度值以非递减序进行排序，形成一个经过排序的种群个体集合 X'＝{X1',...,Xi',...,X'Q}；
S82：判断个体在X'中的位置，若个体位于X'中前20％，则执行步骤3；若位于X'中后20％，则执行步骤5；
S83：取当前迭代次数除以个体向量维度的余数记为located，判断 X'中前20％尚未变异的个体向量上的第located个位置上的元素是否为 1，若为1，则替换为0；否则替换为1；
S84：重复S83，直至X'中前20％个体全部变异完成；
S85：随机产生两个位于区间[1，n]范围内的互不相同的整数，分别记为rand1和rand2；
S86：将个体向量上的元素
Figure BDA0001818739620000101
转化为
Figure BDA0001818739620000102
S87：重复S85和S86，直至X'中后20％个体全部变异完成。
本发明实施例提供的方法具有如下有益效果：
1、本发明针对基于医用耗材消耗量预测模型下的医用耗材库存补货策略制定过程，通过改进的遗传算法求解医用耗材的近似最优库存补货策略。首先对周期内各时间点进行二进制编码，根据个体染色体上具体的编码结构获得周期内所有订货点集合，而每个订货点对应的订货量由当前库存量和当前订货点到下一订货点间总的预测消耗量共同决定。在本发明设计的改进遗传算法中，基于种群个体在问题对应解的空间中不断搜索，通过设定种群中个体的更新策略，对个体进行选择、交叉和变异等操作，不断提高种群中个体解的质量，直至求得问题的近似最优解。通过对比标准的遗传算法，本发明设计的改进遗传算法在解的收敛速度和质量等性能上有良好的表现。通过本发明设计的改进遗传算法获得的近似最优解，即近似最优的医用耗材库存补货策略，辅助医院库房对医用耗材库存进行决策，可降低医院库房对医用耗材的库存管理成本，从而降低医院整体的运营成本。
2、本发明设计的改进遗传算法中迭代个体采用二进制编码方式，这样可保证个体在迭代过程中都为可行解，避免过多的编码修正操作，增大算法的运算复杂度。
3、在本发明设计的算法中，设定了一个子种群划分策略，各子种群分别独立在解的空间中进行搜索，通过运用子种群的划分策略，有助于加强种群的局部搜索能力。
4、在对子种群中所有个体进行交叉操作，从而有助于促进种群中个体质量的提高，使得个体能够不断接近问题对应的最优解。
5、在对经过整合的新种群执行变异操作，有助于保证种群个体的多样性，并且可以对算法后期的迭代过程加强搜索，避免算法过早地收敛到局部最优解。
基于相同的构思，本发明另一实施例还提供了一种基于遗传算法面向医用耗材库存与补货协同优化过程的调度系统，参见图2，包括：
计算单元201，用于执行以下步骤：
S1.初始化算法的输入参数，包括周期内时间点的数量n，周期内时间点集合记为T＝{t1,...,ti,...,tn}，其中ti表示周期中的第i个时间点，时间点对应的预测消耗量记为V＝{v1,...,vi,...,vn}，其中vi表示ti时间点上的预测消耗量；
S2.设定算法的执行参数，包括最大迭代次数Imax，当前迭代次数 I＝1，种群规模Q，全局最优解Xbest；
S3.初始化搜索种群个体集合X；考虑共有Q个个体，其中第I代种群中的第j个个体定义为
Figure BDA0001818739620000111
1≤I≤Imax， j＝1,2,...,Q，k＝1,2,...,n，j＝1,2,...,Q，其中
Figure BDA0001818739620000112
表示在个体
Figure BDA0001818739620000113
中第i个时间点的订货状态，若
Figure BDA0001818739620000114
表示个体
Figure BDA0001818739620000115
中对应的第i个时间点为订货状态，否则在该时间点不进行订货；
S4.分别计算种群中个体的适应度值，把种群中所有个体按照其适应度值的非递增序进行排序，从而获得一个经过排序后的种群记为
Figure BDA0001818739620000116
S5.考虑S个子种群，其子种群集合记为
Figure BDA0001818739620000117
将S4中经过排序的种群
Figure BDA0001818739620000118
中的个体依次分配给每个子种群，即把位置为kS+i,k∈Z+上的个体放置子种群
Figure BDA0001818739620000119
中；
S6.对子种群
Figure BDA00018187396200001110
中所有个体进行交叉以及变异更新操作，以子种群的形式进行局部搜索；
S7.把经过更新的所有子种群重新融合为一个新种群记为
Figure BDA0001818739620000121
S8.对种群
Figure BDA0001818739620000122
进行变异操作；
S9.更新全局最优解；
S10.将I+1赋值给I，判断算法终止条件I≤Imax是否成立，若成立则执行S4，否则执行S11；
S11.算法执行结束；
输出单元202，用于输出全局最优解Xbest的适应度值和对应的库存补货策略。
在一些具体的实施例中，所述计算单元201执行步骤S4中计算个体
Figure BDA0001818739620000123
的适应度值，包括：
S41：定义变量V＝{v1,...,vk,...,vn}，表示周期内每个时间点的预测消耗量，其中vk有下列公式计算获得：
Figure BDA0001818739620000124
其中
Figure BDA0001818739620000125
表示大于或等于m的最小整数；
S42：判断
Figure BDA0001818739620000126
是否成立，若成立，则执行S43；否则把1赋值给
Figure BDA0001818739620000127
执行步骤S43；
S43：定义变量k＝1,z＝0；
S44：判断
Figure BDA0001818739620000128
是否成立，若成立，则执行S45；否则执行S46；
S45：把z+1赋值给z，定义变量Cz＝0；
S46：把Cz+vk赋值给Cz；
S47：将k+1赋值给k，判断k≤n是否成立，若成立，则返回S44，否则执行S48；
S48：形成订货点对应预测消耗量集合C＝{C1,...,Cj,...,Cl}，l表示个体订货点的个数，|Cj|表示当前订货点到下一订货点之间的时间点的个数，l个订货点把个体时间周期划分的时间点对应预测消耗量集合
Figure BDA0001818739620000129
表示第j个订货点到第j+1个订货点之间的时间点对应的预测消耗量的集合；
S49：定义变量O＝{O1,...,Oj,...,Ol}，表示每个订货点对应的订货量， VC＝{V1,...,Vj,...,Vl}，表示每个订货点对应的当前库存量，j＝1，个体解对应的成本记为Ccost＝0；
S410：若j＝1成立，则Vj＝0，否则Vj＝Oj-1+Vj-1-Cj-1；
S411：判断Vj≥Cj是否成立，若成立，则令Oj＝0，否则计算订货量按公式Oj＝Cj-Vj+ε获得，ε表示一个随机因子；
S412：把Ccost+Oj*(P+CT)赋值给Ccost，Oj+Vj赋值给Vj，定义变量m＝1；
S413：把
Figure BDA0001818739620000131
赋值给Ccost，然后把
Figure BDA0001818739620000132
赋值给Vj；
S414：将m+1赋值给m，判断m≤|Cj|是否成立，若成立，则返回 S413；否则执行S415；
S415：将j+1赋值给j，判断j≤l是否成立，若成立，则返回S410；否则以最终获得的Ccost值作为该个体对应的适应度值。
在一些具体的实施例中，所述计算单元201执行步骤S5中把经过排序的种群
Figure BDA0001818739620000133
个体分配到个子种群中是按如下步骤进行，包括：
S51：定义变量j＝1；
S52：取j除以子种群的规模数量S的余数记为num；
S53：若num＝0，则把未分配的个体
Figure BDA0001818739620000134
放置子种群
Figure BDA0001818739620000135
中；否则放置于
Figure BDA0001818739620000136
S54：将j+1赋值给j，判断j≤n是否成立，若成立则返回S52；否则步骤执行完毕，种群
Figure BDA0001818739620000137
中所有个体分配完毕。
在一些具体的实施例中，所述计算单元201执行步骤S6中，子种群
Figure BDA0001818739620000138
中局部搜索是按如下步骤进行，包括：
S61:根据个体的适应度值，选出子种群中适应度值最小的个体，记为
Figure BDA0001818739620000141
S62：产生两个位于区间[1，n]范围内的不同随机整数，分别记为r1和r2；
S63：把
Figure BDA0001818739620000142
个体中对应位置的元素值赋值到子种群中的其他个体对应的位置上，从而生成一个经过交叉的新个体Xo；
S64：计算新个体的适应度值，若个体适应度值比原来的小，则执行S66；否则执行S65；
S65：产生一个位于区间[1，n]范围内的随机数rand，若个体上第 rand个位置上的元素值为1，则把其元素值替换为0；否则替换为1；
S66：重复以上步骤，直至子种群中的其他个体都已更新完毕。
在一些具体的实施例中，所述计算单元201执行步骤S8中新种群的变异操作是按如下步骤进行，包括：
S81：计算新种群中所有个体的适应度值，并把个体按照适应度值以非递减序进行排序，形成一个经过排序的种群个体集合 X'＝{X1',...,Xi',...,X'Q}；
S82：判断个体在X'中的位置，若个体位于X'中前20％，则执行步骤3；若位于X'中后20％，则执行步骤5；
S83：取当前迭代次数除以个体向量维度的余数记为located，判断 X'中前20％尚未变异的个体向量上的第located个位置上的元素是否为 1，若为1，则替换为0；否则替换为1；
S84：重复S83，直至X'中前20％个体全部变异完成；
S85：随机产生两个位于区间[1，n]范围内的互不相同的整数，分别记为rand1和rand2；
S86：将个体向量上的元素
Figure BDA0001818739620000143
转化为
Figure BDA0001818739620000144
S87：重复S85和S86，直至X'中后20％个体全部变异完成。
由于本实施例所介绍的基于遗传算法面向医用耗材库存与补货协同优化过程的调度系统为可以执行本发明实施例中的基于遗传算法面向医用耗材库存与补货协同优化过程的调度方法的系统，故而基于本发明实施例中所介绍的基于遗传算法面向医用耗材库存与补货协同优化过程的调度的方法，本领域所属技术人员能够了解本实施例的基于遗传算法面向医用耗材库存与补货协同优化过程的调度系统的具体实施方式以及其各种变化形式，所以在此对于该基于遗传算法面向医用耗材库存与补货协同优化过程的调度系统如何实现本发明实施例中的基于遗传算法面向医用耗材库存与补货协同优化过程的调度方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中基于遗传算法面向医用耗材库存与补货协同优化过程的调度方法所采用的系统，都属于本申请所欲保护的范围。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

Claims (8)

1.一种基于遗传算法面向医用耗材库存与补货协同优化过程的调度方法，其特征在于，包括：
S1.初始化算法的输入参数，包括周期内时间点的数量n，周期内时间点集合记为T＝{t1,...,ti,...,tn}，其中ti表示周期中的第i个时间点，时间点对应的预测消耗量记为V＝{v1,...,vi,...,vn}，其中vi表示ti时间点上的预测消耗量；
S2.设定算法的执行参数，包括最大迭代次数Imax，当前迭代次数I＝1，种群规模Q，全局最优解Xbest；
S3.初始化搜索种群个体集合X；考虑共有Q个个体，其中第I代种群中的第j个个体定义为
Figure FDA0003126674260000011
Figure FDA0003126674260000012
其中
Figure FDA0003126674260000013
表示在个体
Figure FDA0003126674260000014
中第i个时间点的订货状态，若
Figure FDA0003126674260000015
表示个体
Figure FDA0003126674260000016
中对应的第i个时间点为订货状态，否则在该时间点不进行订货；
S4.分别计算种群中个体的适应度值，把种群中所有个体按照其适应度值的非递增序进行排序，从而获得一个经过排序后的种群记为
Figure FDA0003126674260000017
S5.考虑S个子种群，其子种群集合记为
Figure FDA0003126674260000018
将S4中经过排序的种群
Figure FDA0003126674260000019
中的个体依次分配给每个子种群，即把位置为kS+i,k∈Z+上的个体放置子种群
Figure FDA00031266742600000110
中；
S6.对子种群
Figure FDA00031266742600000111
中所有个体进行交叉以及变异更新操作，以子种群的形式进行局部搜索；
S7.把经过更新的所有子种群重新融合为一个新种群记为
Figure FDA00031266742600000112
S8.对种群
Figure FDA00031266742600000113
进行变异操作；
S9.更新全局最优解；
S10.将I+1赋值给I，判断算法终止条件I≤Imax是否成立，若成立则执行S4，否则执行S11；
S11.算法执行结束并输出全局最优解Xbest的适应度值和对应的库存补货策略；
步骤S4中计算个体
Figure FDA0003126674260000021
的适应度值，包括：
S41：定义变量V＝{v1,...,vk,...,vn}，表示周期内每个时间点的预测消耗量，其中vk有下列公式计算获得：
Figure FDA0003126674260000022
其中
Figure FDA0003126674260000023
表示大于或等于m的最小整数；
S42：判断
Figure FDA0003126674260000024
是否成立，若成立，则执行S43；否则把1赋值给
Figure FDA0003126674260000025
执行步骤S43；
S43：定义变量k＝1,z＝0；
S44：判断
Figure FDA0003126674260000026
是否成立，若成立，则执行S45；否则执行S46；
S45：把z+1赋值给z，定义变量Cz＝0；
S46：把Cz+vk赋值给Cz；
S47：将k+1赋值给k，判断k≤n是否成立，若成立，则返回S44，否则执行S48；
S48：形成订货点对应预测消耗量集合C＝{C1,...,Cj,...,Cl}，l表示个体订货点的个数，|Cj|表示当前订货点到下一订货点之间的时间点的个数，l个订货点把个体时间周期划分的时间点对应预测消耗量集合VP＝{V1 P,...,Vj P,...,Vl P}，
Figure FDA0003126674260000027
表示第j个订货点到第j+1个订货点之间的时间点对应的预测消耗量的集合；
S49：定义变量O＝{O1,...,Oj,...,Ol}，表示每个订货点对应的订货量，VC＝{V1,...,Vj,...,Vl}，表示每个订货点对应的当前库存量，j＝1，个体解对应的成本记为Ccost＝0；
S410：若j＝1成立，则Vj＝0，否则Vj＝Oj-1+Vj-1-Cj-1；
S411：判断Vj≥Cj是否成立，若成立，则令Oj＝0，否则计算订货量按公式Oj＝Cj-Vj+ε获得，ε表示一个随机因子；
S412：把Ccost+Oj*(P+CT)赋值给Ccost，Oj+Vj赋值给Vj，定义变量m＝1；
S413：把
Figure FDA0003126674260000031
赋值给Ccost，然后把
Figure FDA0003126674260000032
赋值给Vj；
S414：将m+1赋值给m，判断m≤|Cj|是否成立，若成立，则返回S413；否则执行S415；
S415：将j+1赋值给j，判断j≤l是否成立，若成立，则返回S410；否则以最终获得的Ccost值作为该个体对应的适应度值。
2.根据权利要求1所述的方法，其特征在于，步骤S5中把经过排序的种群
Figure FDA0003126674260000033
个体分配到个子种群中是按如下步骤进行，包括：
S51：定义变量j＝1；
S52：取j除以子种群的规模数量S的余数记为num；
S53：若num＝0，则把未分配的个体
Figure FDA0003126674260000034
放置子种群
Figure FDA0003126674260000035
中；否则放置于
Figure FDA0003126674260000036
S54：将j+1赋值给j，判断j≤n是否成立，若成立则返回S52；否则步骤执行完毕，种群
Figure FDA0003126674260000037
中所有个体分配完毕。
3.根据权利要求1所述的方法，其特征在于，步骤S6中，子种群
Figure FDA0003126674260000038
中局部搜索是按如下步骤进行，包括：
S61:根据个体的适应度值，选出子种群中适应度值最小的个体，记为
Figure FDA0003126674260000039
S62：产生两个位于区间[1，n]范围内的不同随机整数，分别记为r1和r2；
S63：把
Figure FDA00031266742600000310
个体中对应位置的元素值赋值到子种群中的其他个体对应的位置上，从而生成一个经过交叉的新个体Xo；
S64：计算新个体的适应度值，若个体适应度值比原来的小，则执行S66；否则执行S65；
S65：产生一个位于区间[1，n]范围内的随机数rand，若个体上第rand个位置上的元素值为1，则把其元素值替换为0；否则替换为1；
S66：重复以上步骤，直至子种群中的其他个体都已更新完毕。
4.根据权利要求1所述的方法，其特征在于，步骤S8中新种群的变异操作是按如下步骤进行，包括：
S81：计算新种群中所有个体的适应度值，并把个体按照适应度值以非递减序进行排序，形成一个经过排序的种群个体集合X'＝{X′1,...,X′i,...,X′Q}；
S82：判断个体在X'中的位置，若个体位于X'中前20％，则执行步骤3；若位于X'中后20％，则执行步骤5；
S83：取当前迭代次数除以个体向量维度的余数记为located，判断X'中前20％尚未变异的个体向量上的第located个位置上的元素是否为1，若为1，则替换为0；否则替换为1；
S84：重复S83，直至X'中前20％个体全部变异完成；
S85：随机产生两个位于区间[1，n]范围内的互不相同的整数，分别记为rand1和rand2；
S86：将个体向量上的元素
Figure FDA0003126674260000041
转化为
Figure FDA0003126674260000042
S87：重复S85和S86，直至X'中后20％个体全部变异完成。
5.一种基于遗传算法面向医用耗材库存与补货协同优化过程的调度系统，其特征在于，包括：
计算单元，用于执行以下步骤：
S1.初始化算法的输入参数，包括周期内时间点的数量n，周期内时间点集合记为T＝{t1,...,ti,...,tn}，其中ti表示周期中的第i个时间点，时间点对应的预测消耗量记为V＝{v1,...,vi,...,vn}，其中vi表示ti时间点上的预测消耗量；
S2.设定算法的执行参数，包括最大迭代次数Imax，当前迭代次数I＝1，种群规模Q，全局最优解Xbest；
S3.初始化搜索种群个体集合X；考虑共有Q个个体，其中第I代种群中的第j个个体定义为
Figure FDA0003126674260000051
Figure FDA0003126674260000052
其中
Figure FDA0003126674260000053
表示在个体
Figure FDA0003126674260000054
中第i个时间点的订货状态，若
Figure FDA0003126674260000055
表示个体
Figure FDA0003126674260000056
中对应的第i个时间点为订货状态，否则在该时间点不进行订货；
S4.分别计算种群中个体的适应度值，把种群中所有个体按照其适应度值的非递增序进行排序，从而获得一个经过排序后的种群记为
Figure FDA0003126674260000057
S5.考虑S个子种群，其子种群集合记为
Figure FDA0003126674260000058
将S4中经过排序的种群
Figure FDA0003126674260000059
中的个体依次分配给每个子种群，即把位置为kS+i,k∈Z+上的个体放置子种群
Figure FDA00031266742600000510
中；
S6.对子种群
Figure FDA00031266742600000511
中所有个体进行交叉以及变异更新操作，以子种群的形式进行局部搜索；
S7.把经过更新的所有子种群重新融合为一个新种群记为
Figure FDA00031266742600000512
S8.对种群
Figure FDA00031266742600000513
进行变异操作；
S9.更新全局最优解；
S10.将I+1赋值给I，判断算法终止条件I≤Imax是否成立，若成立则执行S4，否则执行S11；
S11.算法执行结束；
输出单元，用于输出全局最优解Xbest的适应度值和对应的库存补货策略；
所述计算单元执行步骤S4中计算个体
Figure FDA00031266742600000514
的适应度值，包括：
S41：定义变量V＝{v1,...,vk,...,vn}，表示周期内每个时间点的预测消耗量，其中vk有下列公式计算获得：
Figure FDA00031266742600000515
其中
Figure FDA00031266742600000516
表示大于或等于m的最小整数；
S42：判断
Figure FDA00031266742600000517
是否成立，若成立，则执行S43；否则把1赋值给
Figure FDA0003126674260000061
执行步骤S43；
S43：定义变量k＝1,z＝0；
S44：判断
Figure FDA0003126674260000062
是否成立，若成立，则执行S45；否则执行S46；
S45：把z+1赋值给z，定义变量Cz＝0；
S46：把Cz+vk赋值给Cz；
S47：将k+1赋值给k，判断k≤n是否成立，若成立，则返回S44，否则执行S48；
S48：形成订货点对应预测消耗量集合C＝{C1,...,Cj,...,Cl}，l表示个体订货点的个数，|Cj|表示当前订货点到下一订货点之间的时间点的个数，l个订货点把个体时间周期划分的时间点对应预测消耗量集合VP＝{V1 P,...,Vj P,...,Vl P}，
Figure FDA0003126674260000063
表示第j个订货点到第j+1个订货点之间的时间点对应的预测消耗量的集合；
S49：定义变量O＝{O1,...,Oj,...,Ol}，表示每个订货点对应的订货量，VC＝{V1,...,Vj,...,Vl}，表示每个订货点对应的当前库存量，j＝1，个体解对应的成本记为Ccost＝0；
S410：若j＝1成立，则Vj＝0，否则Vj＝Oj-1+Vj-1-Cj-1；
S411：判断Vj≥Cj是否成立，若成立，则令Oj＝0，否则计算订货量按公式Oj＝Cj-Vj+ε获得，ε表示一个随机因子；
S412：把Ccost+Oj*(P+CT)赋值给Ccost，Oj+Vj赋值给Vj，定义变量m＝1；
S413：把
Figure FDA0003126674260000064
赋值给Ccost，然后把
Figure FDA0003126674260000065
赋值给Vj；
S414：将m+1赋值给m，判断m≤|Cj|是否成立，若成立，则返回S413；否则执行S415；
S415：将j+1赋值给j，判断j≤l是否成立，若成立，则返回S410；否则以最终获得的Ccost值作为该个体对应的适应度值。
6.根据权利要求5所述的系统，其特征在于，所述计算单元执行步骤S5中把经过排序的种群
Figure FDA0003126674260000066
个体分配到个子种群中是按如下步骤进行，包括：
S51：定义变量j＝1；
S52：取j除以子种群的规模数量S的余数记为num；
S53：若num＝0，则把未分配的个体
Figure FDA0003126674260000071
放置子种群
Figure FDA0003126674260000072
中；否则放置于
Figure FDA0003126674260000073
S54：将j+1赋值给j，判断j≤n是否成立，若成立则返回S52；否则步骤执行完毕，种群
Figure FDA0003126674260000074
中所有个体分配完毕。
7.根据权利要求5所述的系统，其特征在于，所述计算单元执行步骤S6中，子种群
Figure FDA0003126674260000075
中局部搜索是按如下步骤进行，包括：
S61:根据个体的适应度值，选出子种群中适应度值最小的个体，记为
Figure FDA0003126674260000076
S62：产生两个位于区间[1，n]范围内的不同随机整数，分别记为r1和r2；
S63：把
Figure FDA0003126674260000077
个体中对应位置的元素值赋值到子种群中的其他个体对应的位置上，从而生成一个经过交叉的新个体Xo；
S64：计算新个体的适应度值，若个体适应度值比原来的小，则执行S66；否则执行S65；
S65：产生一个位于区间[1，n]范围内的随机数rand，若个体上第rand个位置上的元素值为1，则把其元素值替换为0；否则替换为1；
S66：重复以上步骤，直至子种群中的其他个体都已更新完毕。
8.根据权利要求5所述的系统，其特征在于，所述计算单元执行步骤S8中新种群的变异操作是按如下步骤进行，包括：
S81：计算新种群中所有个体的适应度值，并把个体按照适应度值以非递减序进行排序，形成一个经过排序的种群个体集合X'＝{X′1,...,X′i,...,X′Q}；
S82：判断个体在X'中的位置，若个体位于X'中前20％，则执行步骤3；若位于X'中后20％，则执行步骤5；
S83：取当前迭代次数除以个体向量维度的余数记为located，判断X'中前20％尚未变异的个体向量上的第located个位置上的元素是否为1，若为1，则替换为0；否则替换为1；
S84：重复S83，直至X'中前20％个体全部变异完成；
S85：随机产生两个位于区间[1，n]范围内的互不相同的整数，分别记为rand1和rand2；
S86：将个体向量上的元素
Figure FDA0003126674260000081
转化为
Figure FDA0003126674260000082
S87：重复S85和S86，直至X'中后20％个体全部变异完成。
CN201811154993.2A 2018-09-30 2018-09-30 面向医用耗材库存与补货协同优化过程的调度方法及系统 Active CN109242396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811154993.2A CN109242396B (zh) 2018-09-30 2018-09-30 面向医用耗材库存与补货协同优化过程的调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811154993.2A CN109242396B (zh) 2018-09-30 2018-09-30 面向医用耗材库存与补货协同优化过程的调度方法及系统

Publications (2)

Publication Number Publication Date
CN109242396A CN109242396A (zh) 2019-01-18
CN109242396B true CN109242396B (zh) 2021-09-14

Family

ID=65055528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811154993.2A Active CN109242396B (zh) 2018-09-30 2018-09-30 面向医用耗材库存与补货协同优化过程的调度方法及系统

Country Status (1)

Country Link
CN (1) CN109242396B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163546A (zh) * 2019-05-20 2019-08-23 四川长虹电器股份有限公司 一种基于大数据确定最优补货量的方法
CN112308274A (zh) * 2019-07-31 2021-02-02 北京沃东天骏信息技术有限公司 一种可供应量分配方法和装置
CN113283831B (zh) * 2021-05-07 2024-01-26 云南电网有限责任公司曲靖供电局 一种基于周期检查库存补货策略的安全库存控制方法
CN117114577B (zh) * 2023-09-08 2024-05-24 深圳市元亿通科技有限公司 一种自适应库存成本管理方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701717A (zh) * 2015-11-11 2016-06-22 东南大学 一种基于改进遗传算法的配电网互动方案编制方法
CN108460463A (zh) * 2018-03-20 2018-08-28 合肥工业大学 基于改进遗传算法的高端装备流水线生产调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701717A (zh) * 2015-11-11 2016-06-22 东南大学 一种基于改进遗传算法的配电网互动方案编制方法
CN108460463A (zh) * 2018-03-20 2018-08-28 合肥工业大学 基于改进遗传算法的高端装备流水线生产调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Time Table Scheduling using Genetic Algorithms employing Guided Mutation;Vinayak Sapru et al.;《2010 IEEE International Conference on Computational Intelligence and Computing Research 》;20110131;第1-4页 *
两级排序遗传算法在柔性工作车间调度中的应用;陈华平等;《系统仿真学报》;20060731;第1717-1720页 *
遗传二进制多粒子群优化算法及其在子阵STAP中的应用;张增辉等;《信号处理》;20090408;第52-57页 *

Also Published As

Publication number Publication date
CN109242396A (zh) 2019-01-18

Similar Documents

Publication Publication Date Title
CN109242396B (zh) 面向医用耗材库存与补货协同优化过程的调度方法及系统
CN107590603B (zh) 基于改进变邻域搜索和差分进化算法的调度方法及系统
Ding et al. Improved particle swarm optimization algorithm based novel encoding and decoding schemes for flexible job shop scheduling problem
Li et al. An improved artificial bee colony algorithm with Q-learning for solving permutation flow-shop scheduling problems
CN110389819B (zh) 一种计算密集型批处理任务的调度方法和系统
Chiang et al. NNMA: An effective memetic algorithm for solving multiobjective permutation flow shop scheduling problems
Van Hop et al. The scheduling problem of PCBs for multiple non-identical parallel machines
Ishikawa et al. Effective hierarchical optimization by a hierarchical multi-space competitive genetic algorithm for the flexible job-shop scheduling problem
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
Mishra et al. A fuzzy goal-programming model of machine-tool selection and operation allocation problem in FMS: a quick converging simulated annealing-based approach
Defersha et al. Linear programming assisted (not embedded) genetic algorithm for flexible jobshop scheduling with lot streaming
Wang et al. Inventory based two-objective job shop scheduling model and its hybrid genetic algorithm
CN110390491B (zh) 一种公路工程多目标施工计划确定方法
CN108320059A (zh) 一种工作流调度进化寻优方法及终端设备
CN110045613A (zh) 基于量子退火的混合整数最优控制数值求解方法
Sasaki et al. Fuzzy multiple objective optimal system design by hybrid genetic algorithm
CN113569483A (zh) 基于人工蜂群算法求解多目标柔性作业车间调度的方法
CN110851247A (zh) 一种带约束云工作流的成本优化调度方法
CN116341860A (zh) 一种基于改进nsga-ⅱ算法的车辆调度优化方法
CN110633784A (zh) 一种多规则人工蜂群改进算法
CN114371915A (zh) 一种基于分解策略的制造企业数据空间系统任务调度方法
Kartam et al. An artificial neural network for resource leveling problems
CN114860385B (zh) 一种基于进化强化学习策略的并行云工作流调度方法
Chan et al. Rescheduling precast production with multiobjective optimization
Thompson Genetic algorithms and applications

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