CN110069880B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110069880B CN110069880B CN201910359544.XA CN201910359544A CN110069880B CN 110069880 B CN110069880 B CN 110069880B CN 201910359544 A CN201910359544 A CN 201910359544A CN 110069880 B CN110069880 B CN 110069880B
- Authority
- CN
- China
- Prior art keywords
- equipment
- layout
- time
- agv
- simulation
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000005457 optimization Methods 0.000 title claims abstract description 100
- 238000004088 simulation Methods 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 64
- 230000008569 process Effects 0.000 claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 230000000875 corresponding effect Effects 0.000 claims description 67
- 239000011159 matrix material Substances 0.000 claims description 63
- 239000000463 material Substances 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 26
- 238000003754 machining Methods 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 abstract description 8
- 238000005094 computer simulation Methods 0.000 abstract description 2
- 208000021049 Carney complex type 2 Diseases 0.000 description 3
- 101001026573 Homo sapiens cAMP-dependent protein kinase type I-alpha regulatory subunit Proteins 0.000 description 3
- 102100037490 cAMP-dependent protein kinase type I-alpha regulatory subunit Human genes 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000010892 electric spark Methods 0.000 description 3
- 101100008044 Caenorhabditis elegans cut-1 gene Proteins 0.000 description 2
- 101100008046 Caenorhabditis elegans cut-2 gene Proteins 0.000 description 2
- 101100008047 Caenorhabditis elegans cut-3 gene Proteins 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012367 process mapping Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
Abstract
本发明公开了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,获取厂房、设备、工件信息,对设备布局和生产排程进行协同建模,构建智能车间设备布局和生产排程协同优化仿真模型;运行智能车间设备布局和生产排程协同仿真模型并计算相应目标参数值;构建基于设备位置序列和基于总共序列的双层遗传算法对智能车间设备布局和生产排程协同优化的仿真模型进行优化,当优化算法为遗传算法时,根据当前目标参数的性能值,不断迭代寻找满足目标参数的最佳设备布局和排程方案。本发明利用仿真技术实现了动态的仿真每个工件在生产线中的加工过程和相关数据实时计算,能够为企业在建厂时提供生产线的设备布局和生产排程方案,降低企业的生产成本。
Description
技术领域
本发明属于生产车间设备布局和生产排程技术领域,具体涉及一种将仿真技术和双层遗传算法结合来实现设备布局和生产排程协同优化的方法。
背景技术
设备布局和生产排程对于生产制造系统的生产效率和企业整体效益都具有重要的影响,有20%~50%的运营成本可以归因于布局形式及生产排程方案。随着加工中心、机器人、AGV等新的生产或者生产辅助工具引入到生产线中,传统的布局方法主要以物流量为优化目标、以简化的数学模型来实现设备位置的确定,已经无法适应于现有的生产系统,具体如下:
1.过度简化的数学模型和实际工厂中的环境有很大的差别,在布局方案确定之后很少能够通过仿真的方法来验证布局方案的合理性、稳定性;传统的设备布局中各工件工序假设在哪个设备上加工是确定的,但在实际的生产系统中存在并行机的分配问题,即某些工件工序可以在多个并行设备上完成加工,存在机器的柔性。传统的车间布局优化模型在计算物流量时忽略了机器的柔性导致其实用性降低。
2.传统的设备布局和生产排程技术无法进行协同优化,主要通过串行的方式即先优化布局再进行生产排程,忽略了布局形式和生产排程之间的关联因素。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供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,通过双层遗传算法分别对设备位置序列和工件总共序序列进行编码,通过考虑设备布局和生产排程之间的关联因素来提升布局方案和排程方案的实用性和可靠性。
本发明采用以下技术方案:
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,获取厂房、设备、工件信息,对设备布局和生产排程进行协同建模,构建基于完工时间、AGV搬运时间、AGV空回行程时间最小为目标的智能车间设备布局和生产排程协同优化仿真模型;运行智能车间设备布局和生产排程协同仿真模型并计算相应目标参数值;构建基于设备位置序列和基于总共序序列的双层遗传算法对智能车间设备布局和生产排程协同优化的仿真模型进行优化,当优化算法为遗传算法时,根据当前目标参数的性能值,不断迭代寻找满足目标参数的最佳设备布局和排程方案。
具体的,基于设备位置编号生成设备布局方案,设备布局方案生成步骤如下:
S1011、获取智能车间厂房及设备的面积并将相应的设备进行编号,抽象为矩阵形式表示:
X=[X1,X2,X3,…Xn]
其中,X为1×n矩阵,Xi表示矩阵第i个位置的设备编号;S为2×(n+1)矩阵,(Sxi,Syi)分别表示设备Mi作业区域的长和宽,(Sx(n+1),Sy(n+1))表示生产车间中给出的可用于产线布局区域的总长度和总宽度;
S1012、根据矩阵X中的值及S中给出的设备长度和宽度,依次将其对应的设备从左上角开始按照行方向,左上角的位置(x0,y0)=(0,0),(dx,dy)为已布置的上一设备的位置,依次向右放置设备到给定的厂房区域中,放置后的设备位置矩阵用L表示如下:
其中,L为2×n矩阵,(xi,yi)表示第i个设备作业区域的中心位置;
S1013、计算任意两个设备间的搬运距离和空回行程距离。
进一步的,步骤S1013中,通过设备的位置、所在的轨道区域即可得到相应搬运距离从至表和空回行程距离从至表:
其中,Dij,Eij分别表示设备i和j之间发生物流搬运时的AGV搬运距离和AGV空回行程距离。
具体的,考虑物料搬运中AGV的搬运时间和空回行程时间、工件的加工时间、工件的工艺路线,建立对应的生产排程策略,生产排程策略的生成步骤如下:
S1021、获取待加工工件的工序,建立工件工序和总工序之间的映射关系如下:
J=[J1,J2,…Jm]
K=[k1,k2,…km]
其中,J是一个1×m矩阵,表示由m个工件构成的工件集合。O是一个m×max{ki,i∈{1,2,…m}}矩阵,表示工件工序集合,oij表示第i个工件的第j道工序所在的设备编号,Y为或2×N映射矩阵,该矩阵用来建立工件工序和总共序之间的联系;
S1023、获取工件的加工时间及将AGV的距离从至表转化为搬运时间从至表,记总工件数为m,抽象为矩阵形式;
S1024、通过优先规则实现并行机的分配问题,将各个规则封装到仿真中模型的程序模块中形成规则集,将其抽象为矩阵。
其中,和都为1×N矩阵,分别表示新的总工序序列和工序序列,S为n×(max{ri},i∈{1,2,…,n})矩阵,ri表示需要在第i个设备上完成加工的工件数,sij表示第i个设备上加工顺序为j的工件的编号。
进一步的,步骤S1023中,矩阵形式如下:
tij=Dij÷v
etij=Eij÷v
其中,P为m×n矩阵,pij表示第i个工件在第j个设备上加工的加工时间,如果工件不在该设备上加工则为0。T为n×n矩阵,tij表示从设备i搬运物料到设备j搬运设备AGV所需要的时间,ET为n×n矩阵,etij表示从设备i搬运物料到设备j后AGV所需要的空回行程时间,v表示AGV设备的速度。
进一步的,步骤S1024中,矩阵表示:
其中,Rule_sets表示规则rule和规则选择变量set_value之间的关系,在仿真模型中通过改变set_value的值来实现规则的选取,在仿真模型中共建立了10中常见的优先规则,分别为SPT,FIFO,LPT,MS,Maxstd,ATC,LWKR,MWKR,EDD,Maxstd_and_MET。
具体的,构建设备布局和生产排程协同优化仿真模型具体为:
首先将设备位置序列和面积相关的信息存入仿真模型数据表中,按照设备位置序列表中的数据依次安放设备到作业区域,计算设备间的搬运距离和空回行程距离并将其存入到搬运距离从至表和空回行程从至表;
其次,基于加工工件工序建立总共序和工序之间的映射关系,并存入到映射转换关系表中,将映射转换关系表转化为各工件工序在设备上的加工顺序并将其存入到加工顺序表中;
运行仿真模型,工件依次进入到缓冲区中并按照加工顺序表中的顺序进入加工设备,进入加工设备之前应将物料搬运距离转化为物料搬运时间,将物料搬运时间、工件本工序的加工时间赋值给加工设备的加工时间;如选择的加工过设备存在并行机则调用相应的优先规则选择最佳的设备。
具体的,布局和生产排程模型目标参数值计算如下:
其中,tij表示从设备Mi通过AGV搬运物料到设备Mj的距离时间,etij表示完成从设备Mi通过AGV搬运物料到设备Mj的之后的空回行程距离时间,xij表示从设备Mi通过AGV搬运物料到设备Mj的工件数;cijk表示第i个工件的第j道工序在第k个设备上加工的完工时间,在布局和生产排程协同优化仿真模型中仿真结束时间对应的时间即为max{max{cijk}}。
具体的,通过不断迭代寻找满足目标参数的最佳设备布局和排程方案的步骤如下:
S301、按照设备在车间规划作业区域中的摆放位置组成设备位置编码作为双层遗传算法的第一层编码,按照工件在排程方案中的加工顺序组成基于总工序编码作为双层遗传算法的第二层编码;
S302、通过随机方法对种群初始化,计算每个个体相应的适应度,适应度函数为:
其中,∑∑(tij+etij)·xij÷v表示将物料的搬运距离和空回行程距离转化为执行相应动作所耗费的时间,w1,w2分别表示物料搬运及空回行程时间和总完工时间的之间的权重;
S303、遗传算法执行优化后,将每次迭代得到的个体解码得到相应的布局方案及生产排程方案,运行设备布局和生产排程协同优化仿真模型,获取相应的目标参数值;将相应的目标参数值带入到所述优化算法的适应度函数中,获取本次迭代得到的适应度值;
S304、判断是否满足所述优化算法预设终止条件;若满足,则所述优化算法优化完成,当前最佳的个体解码后即可得到最优的布局方案和排程方案;若不满足,则所述优化算法继续执行迭代优化策略,获得下一代种群并计算相应的个体所对应的目标参数值。
与现有技术相比,本发明至少具有以下有益效果:
本发明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,将设备布局、生产排程、仿真技术三者相集成,针对传统布局优化中以简单的物流成本、空间利用率等指标为优化目标的缺陷,考虑了生产过程中不同布局方案下AGV搬运时间、AGV空回行程时间对生产排程的影响。以完工时间、AGV搬运时间、AGV空回行程时间为优化目标构建了智能车间多目标设备布局和生产排程协同优化仿真模型,该模型充分考虑了布局形式和生产排程之间的内在关联,能够进一步提升布局方案的实用性;为实现设备布局和生产排程协同优化,提出了一种基于设备位置序列和基于工件总共序序列编码的双层遗传算法,通过编写解码程序实现遗传算法和仿真模型之间的关联;针对生产线中存在并行机问题,通过构建多个优先规则来实现并行机的分配。
进一步的,通过设备布局步骤将厂房、设备的面积等信息转化为设备的布局方案,并计算该布局方案下设备间发生物料搬运时所需的物料搬运时间和空回行程时间,其中不同布局方案会导致不同的物料搬运时间和空回行程时间进而会对生产排程方案产生影响,而传统的布局忽视了这一设备布局和生产排程之间的关联因素。
进一步的,通过建立总共序和工序之间的映射关系,利用解码程序将总共序序列转化为工件工序序列、再将工序序列转化为各个工件工序在设备上的加工顺序,而相应工序在加工设备上的加工时间既包括工序的加工时间、也包括了物料的搬运时间,从而考虑了布局方案对生产排程的影响。
进一步的,本发明的目标值选择为AGV搬运时间、AGV空回行程时间、完工时间,在生产加工中完工时间是生产效率高低的最基本指标,而随着车间自动化程度的提高,AGV被广泛使用到生产加工中,因此考虑AGV的搬运时间和AGV的空回行程时间能够使优化后的方案符合实际加工情况。
进一步的,为实现设备布局和生产排程的协同优化,本发明设计了基于设备位置序列和基于总共序序列的双层遗传算法,从而将布局问题和排程问题有效的衔接起来。利用仿真模型计算每个个体的目标参数值的大小并将其转化为适应度值,通过迭代进化寻找满足布局和生产排程要求的最佳方案。
进一步的,由于本发明中目标值选择为AGV搬运时间、AGV空回行程时间、完工时间,其优化方向都为最小化且其量纲都为时间,因此适应度函数可以直接使用加权的方式计算,而加权值的取值可基于实际加工情况或者多次仿真选择最优的权值组合。
综上所述,本发明利用仿真技术实现了动态的仿真每个工件在生产线中的加工过程和相关数据实时计算,包括多个并行机的选择、在制品时间实时计算、搬运量实时计算等。在仿真技术和智能优化算法的基础上将设备布局和生产排程进行协同优化,充分考虑了生产中物料搬运对设备布局和生产排程的影响,能够为企业在建厂时提供生产线的设备布局和生产排程方案,降低企业的生产成本。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明工作流程图;
图2为本发明中设备布局模型和AGV轨道示意图;
图3为本发明构建的设备布局和生产排程系统优化仿真模型;
图4为本发明构建的设备布局和生产排程系统优化仿真模型的功能模块图;
图5为本发明实例结果展示图。
具体实施方式
随着计算机仿真技术的发展,利用仿真技术可以动态的仿真每个工件在生产线中的加工过程和相关数据实时计算,包括多个并行机的选择、在制品时间实时计算、搬运量实时计算等。此外,在仿真技术和智能优化算法的基础上将车间布局和生产排程进行协同优化,充分考虑了布局形式和生产排程之间的内在关联,能够进一步提升布局方案的实用性。
本发明提供了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,基于加工车间厂房及设备的面积、加工设备数量、加工产品的工艺路线、约束条件、设备位置序列等信息,提出了一种设备布局和生产排程协同建模方法,通过基于Plant-simulation仿真软件建立了设备布局和生产排程协同优化仿真模型;首先,仿真模型基于设备位置编号生成设备布局的方案,考虑物料搬运中AGV的搬运时间和空回行程时间、工件的加工时间、工件的工艺路线,建立相应的生产排程策略。其次,建立基于完工时间、AGV搬运时间、AGV空回行程时间最小为目标的协同优化模型,考虑实际生产中存在并行机的问题,采用基于设备位置序列和基于总共序序列编码的双层遗传算法对协同优化模型进行求解,进而形成优化的车间布局和生成排程方案。本发明相较于于传统的布局优化模型无法将设备布局、生产排程、仿真技术三者相集成,以简单的物料成本、空间利用率等指标为优化目标的缺陷,考虑了生产过程中不同布局方案下AGV搬运时间、AGV空回行程时间对生产排程的影响,因此得到的方案更能满足实际生产系统的优化需求。
请参阅图1,本发明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,具体步骤如下:
S1、获取相应的厂房、设备、工件信息,对设备布局和生产排程进行协同建模,构建设备布局和生产排程协同优化的仿真模型;
S101、构建设备布局
S1011、获取智能车间厂房及设备的面积并将相应的设备进行编号,抽象为矩阵形式来表示:
X=[X1,X2,X3,…Xn]
其中,X为1×n矩阵,Xi表示矩阵第i个位置的设备编号;S为2×(n+1)矩阵,(Sxi,Syi)分别表示设备Mi作业区域的长和宽,(Sx(n+1),Sy(n+1))则表示生产车间中给出的可用于产线布局区域的总长度和总宽度;
S1012、根据矩阵X中的值及S中给出的设备长度和宽度,依次将其对应的设备从左上角开始按照行方向(记左上角的位置(x0,y0)=(0,0),(dx,dy)为已布置的上一设备的位置),依次向右放置设备到给定的厂房区域中。放置后的设备位置矩阵可用L来表示:
其中,L为2×n矩阵,(xi,yi)表示第i个设备作业区域的中心位置;
S1013、计算任意两个设备间的搬运距离和空回行程距离:
由于设备间的位置不同相应的AGV搬运距离公式和空回行程公式都有所不同,详细的搬运距离及空回行程距离通过附录附图2计算,通过设备的位置、所在的轨道区域即可得到相应搬运距离从至表和空回行程距离从至表:
其中,Dij,Eij分别表示设备i和j之间发生物流搬运时的AGV搬运距离和AGV空回行程距离;
S102、生成生产排程模块的排程方案
S1021、获取需要加工工件的工序,建立工件工序和总工序之间的映射关系:
J=[J1,J2,…Jm]
K=[k1,k2,…km]
其中,J是一个1×m矩阵,表示由m个工件构成的工件集合。O是一个m×max{ki,i∈{1,2,…m}}矩阵,表示工件工序集合,oij表示第i个工件的第j道工序所在的设备编号,Y为或2×N映射矩阵,该矩阵用来建立工件工序和总共序之间的联系;
其中,和都为1×N矩阵,分别表示新的总工序序列和工序序列。S为n×(max{ri},i∈{1,2,…,n})矩阵,ri表示需要在第i个设备上完成加工的工件数,sij表示第i个设备上加工顺序为j的工件的编号(假设完成一个工件在某一个设备上最多能加工一次);
S1023、获取工件的加工时间及将AGV的距离从至表转化为搬运时间从至表,记总工件数为m,抽象为矩阵形式来表示:
tij=Dij÷v
etij=Eij÷v
其中,P为n×n矩阵,pij表示第i个工件在第j个设备上加工的加工时间(假设每个工件的每道工序只能在一个设备上加工一次)。T为m×n矩阵,tij表示从设备i搬运物料到设备j搬运设备AGV所需要的时间,ET为n×n矩阵,etij表示从设备i搬运物料到设备j后AGV所需要的空回行程时间,v表示AGV设备的速度;
S1024、考虑生产线中各设备加工能力不同,部分设备存在2个或2个以上的并行机,此时存在机器的柔性,为此本发明考虑通过优先规则来实现并行机的分配问题,将各个规则封装到仿真模型中的程序模块中形成规则集,将其抽象为矩阵表示:
其中,Rule_sets表示规则rule和规则选择变量set_value之间的关系,在仿真模型中通过改变set_value的值来实现规则的选取。在仿真模型中共建立了10中常见的优先规则,分别为SPT(最短作业时间),FIFO(先到先服务),LPT(最长作业时间),MS(最小松弛时间),Maxstd(最大标准差),ATC(最大拖期成本),LWKR(剩余工序时间最长),MWKR(剩余工序时间最短),EDD(交货期优先),Maxstd_and_MET等10中规则。
S2、运行智能车间设备布局和生产排程协同仿真模型并计算相应目标参数值;
布局和生产排程模型目标参数值为:
其中,tij表示从设备Mi通过AGV搬运物料到设备Mj的搬运时间,etij表示完成从设备Mi通过AGV搬运物料到设备Mj的之后的空回行程搬运时间,xij表示从设备Mi通过AGV搬运物料到设备Mj的工件数;cijk表示第i个工件的第j道工序在第k个设备上加工的完工时间,在布局和生产排程协同优化仿真模型中仿真结束时间(Eventcontroller.simTime)对应的时间即为max{max{cijk}}。
S3、通过构建基于设备位置序列和基于总共序列的双层遗传算法对模型进行优化,当优化算法为遗传算法时,优化算法根据当前目标参数的性能值,通过不断迭代寻找满足所述目标参数的最佳设备布局和排程方案。
S301、按照设备在车间规划作业区域中的摆放位置组成设备位置编码作为双层遗传算法的第一层编码,按照工件在排程方案中的加工顺序组成基于总工序编码作为双层遗传算法的第二层编码;
S302、通过随机方法对种群初始化,计算每个个体相应的适应度,适应度函数为:
其中,∑∑(tij+etij)·xij÷v表示将物流的搬运距离和空回行程距离转化为执行相应动作所耗费的时间,w1,w2分别表示物流搬运及空回行程时间和总完工时间的之间的权重;
S303、遗传算法执行优化后,将每次迭代得到的个体解码得到相应的布局方案及生产排程方案,运行设备布局和生产排程协同优化仿真模型,获取相应的目标参数值;将相应的目标参数值带入到所述优化算法的适应度函数中,获取本次迭代得到的适应度值;
S304、判断是否满足所述优化算法预设终止条件;若满足,则所述优化算法优化完成,当前最佳的个体解码后即可得到最优的布局方案和排程方案;若不满足,则所述优化算法继续执行迭代优化策略,获得下一代种群并计算相应的个体所对应的目标参数值。
本发明中的生产排程是针对于设备布局的输入工件信息而言,而非指通常理解中的对加工工件的短期生产排程。具体来说,设备布局中所用的输入数据应是基于历史加工数据或者规划的加工能力来确定的一年或者一段时间的加工工件信息,这些工件信息包括生产工件总数、种类、加工时间等。作为布局输入数据的工件在设备上加工时,由于加工时间、设备选择和加工顺序的不同会导致不同的完工时间,因此,本发明中的生产排程是针对于布局输入数据中的工件加工顺序和加工设备选择进行优化,是面向布局优化的总工件的生产排程,而非传统上针对短期时间内加工工件的排程,这是理解本发明的基本点。
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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
实施例
S101、构建设备布局
S1011、针对某模具生产线的设备进行布局和生产排程优化,可用于规划的生产区域为11×18m,共有12台加工设备,初始设备编号所构成序列的矩阵形式为:
X=[1,2,3,4,5,6,7,8,9,10,11,12]
对应的加工设备为[铣床,CNC1,CNC2,CNC3,线切割1,线切割2,线切割3,电火花1,电火花2,电火花3,磨床,三坐标测量仪],相应的设备尺寸构成的矩阵为:
S1013、基于设备位置和AGV轨道确定的搬运距离和空回行程距离矩阵为12×12矩阵,相应的矩阵为:
S102、生成生产排程模块的排程方案
S1021、选择了6套模具共计36个加工零件,相应的工序和映射关系如矩阵所示:
J=[J1,J2,…J36]
K=[6,6,…2]
S1022、36个待加工工件总工序N为138,新的总工序序列和工序映射关系及加工顺序列表如下:
S1023、工件工序加工时间及转化后的搬运时间如矩阵所示:
v=0.5m/s
S1024、选取了SPT即加工时间最短为本次仿真优化的并行机分配规则。
S2、运行智能车间设备布局和生产排程协同仿真模型并计算相应目标参数值;
S3、当优化算法为遗传算法时,优化算法根据当前目标参数的性能值,通过不断迭代寻找满足所述目标参数的最佳设备布局和排程方案
S301、按照设备在车间规划作业区域中的摆放位置组成设备位置编码作为双层遗传算法的第一层编码,按照工件在排程方案中的加工顺序组成基于总工序编码作为双层遗传算法的第二层编码;
S302、适应度函数为:
选择的w1,w2分别为0.5和0.5,值得注意的是,w1,w2的选择并不是不变的,可以通过多次实验来选择最优的权值组合。
S303、遗传算法执行优化后,将每次迭代得到的个体解码得到相应的布局方案及生产排程方案,运行设备布局和生产排程协同优化仿真模型,获取相应的目标参数值;将相应的目标参数值带入到所述优化算法的适应度函数中,获取本次迭代得到的适应度值;
S304、判断是否满足所述优化算法预设终止条件;若满足,则所述优化算法优化完成,当前最佳的个体解码后即可得到最优的布局方案和排程方案;若不满足,则所述优化算法继续执行迭代优化策略,获得下一代种群并计算相应的个体所对应的目标参数值。
请参阅图3和图4,仿真模型主要包括以下几个功能模块:
①数据表模块
数据表模块用于存储在仿真模型运行时所需要的各类数据及解码后产生的相应数据,主要包括加工时间表(W_To_Chart)、设备位置序列表(M_Sequence)、总共序映射工序表(Process_seq)、订单表(Orders)、设备间搬运距离表(D_To_Chart)、设备间空回行程距离表(HD_To_Chart)、搬运量表(W_To_Chart)、工件加工顺序表(Res_seq)等;
②程序控制模块
用于仿真模型缓存区和设备出口控制加载(Set_Control)、加工时间加载和搬运时间加载(Set_time)、设备位置生成(InitPartsTable)、变量初始化(Init_Variable)、订单生成(Create_Schdule)等功能;
③目标值计算模块
目标参数值中物流搬运总距离和空回行程总距离计算主要通过设备入口控制程序来实现。设备间发生搬运的数量累加到搬运量表,在每次仿真结束后读取相应的数据表计算总的物料搬运时间和空回行程时间,而最大完工时间为仿真运行时间;
④解码实现模块
用于实现将双层遗传算法中的编码读入到仿真模型中。其中机器位置序列编码读入到机器位置序列表中,将总工序编码转化为工序编码并读入到工序编码表中,将工序编码表转化为工件加工顺序表;
⑤规则实现模块
用于将MET、EDD等规则封装在相应的程序中,在仿真时通过变量set_value的取值来选择相应的规则。
选取6套模具36个工件、12个加工设备,基于相应的加工时间、设备大小、规划区域等信息,通过智能车间设备布局和生产排程协同建模方法,构建了设备布局和生产排程系统优化仿真模型。通过双层遗传算法和仿真模型对该实施例中的设备布局和生产排程进行优化,本例中求得的设备位置最优序列为:
[铣床,CNC1,线切割1,CNC2,电火花1,磨床,三坐标测量仪,电火花2,线切割2,CNC3,线切割3,电火花3],
基于总工序的序列为:
[104 55 63 117 109 60 56 32 124......81 84 102 10 12 64 22 85 18 7454 39]
算法收敛图、优化的布局图、优化后的指标值和优化后的排程甘特图请参阅图5,而相应的目标参数值的大小、优化后的布局方案和生产排程甘特图也通过仿真模型中的控制程序得到。为进一步说明本发明中所属协同优化方法的实用性,将设备布局和生产排程进行串行优化,即先优化布局方案再优化生产排程,并将上述协同优化得到的结果和将设备布局与生产排程串行优化的结果进行对比。
通过串行优化即先优化布局再优化生产排程得到的设备序列为:
[铣床,CNC1,CNC3,线切割3,电火花3,电火花2,三坐标测量仪,线切割2,磨床,CNC2,线切割1,电火花1],
基于总共序的序列为:
[102 56 62 103 124 18 30 55 35.......33 95 12 122 69 113 112 26 9 7536 82]。
通过协同优化方法得到的完工时间、AGV搬运时间、AGV空回行程时间分别7:23:36:04,53:50,42:10,而串行方法得到的完工时间、AGV搬运时间、AGV空回行程时间分别为8:00:35:37,48:18,42:44。协同优化相较于串行优化的完工时间减少了59:33,相应的AGV搬运时间增加了04:32,AGV空回行程时间减小了00:34。可以看到协同优化在AGV搬运时间和AGV空回行程时间上与串行优化差别不大,而在完工时间上减少了59:33,因此协同优化方法表现更优。
为了进一步验证本发明想较于将设备布局和生产排程分开优化的优越性,选取12套模具72个工件,12个设备为输入进行优化。通过协同优化方法得到的完工时间、AGV搬运时间、AGV空回行程时间分别14:03:46:42,1:56:51,1:41:29,而串行方法得到完工时间、AGV搬运时间、AGV空回行程时间分别为14:05:40:32,1:47:41,1:43:07。协同优化相较于串行优化的完工时间减少了1:53:50,相应的AGV搬运时间增加了09:10,AGV空回行程时间减小了01:38。协同优化方法表现更优。
对以上结果加以分析,传统的串行优化方式即先优化布局再优化生产排程能够得到较好的AGV搬运时间和AGV空回行程而在完工时间上表现差,主要是因为先优化布局时没有考虑布局方案对生产排程的影响,而生产排程通过影响工件加工顺序对完工时间具有重要的影响。因此先优化布局再优化生产排程的方式虽然能够得到较优的AGV搬运时间和AGV空回行程时间,但无法得到最优的完工时间,而协同优化方案则能实现在AGV搬运时间和AGV空回行程时间较优的情况下得到最优的完工时间。综上所述,本发明在充分考虑了设备布局和生产排程内在关联因素的情况下能得到更好的优化结果,能更满足生产实际的优化需求。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (8)
1.一种基于仿真的多目标设备布局和生产排程协同优化方法,其特征在于,获取厂房、设备、工件信息,对设备布局和生产排程进行协同建模,基于设备位置编号生成设备布局方案,设备布局方案生成步骤如下:
S1011、获取智能车间厂房及设备的面积并将相应的设备进行编号,抽象为矩阵形式表示:
X=[X1,X2,X3,…Xn]
其中,X为1×n矩阵,Xi表示矩阵第i个位置的设备编号;S为2×(n+1)矩阵,(Sxi,Syi)分别表示第i个设备Mi作业区域的长和宽,(Sx(n+1),Sy(n+1))表示生产车间中给出的可用于产线布局区域的总长度和总宽度;
S1012、根据矩阵X中的值及S中给出的设备长度和宽度,依次将其对应的设备从左上角开始按照行方向,左上角的位置(x0,y0)=(0,0),依次向右放置设备到给定的厂房区域中,放置后的设备位置矩阵用L表示如下:
其中,L为2×n矩阵,(xi,yi)表示第i个设备作业区域的中心位置;
S1013、计算任意两个设备间的搬运距离和空回行程距离;
构建基于完工时间、AGV搬运时间、AGV空回行程时间最小为目标的智能车间设备布局和生产排程协同优化仿真模型,考虑物料搬运中AGV的搬运时间和空回行程时间、工件的加工时间、工件的工艺路线,建立对应的生产排程策略,生产排程策略的生成步骤如下:
S1021、获取待加工工件的工序,建立工件工序和总工序之间的映射关系如下:
J=[J1,J2,…Jm]
K=[k1,k2,…km]
其中,J是一个1×m矩阵,表示由m个工件构成的工件集合,O是一个m×max{ki}矩阵,表示工件工序集合,i∈{1,2,…m},oij表示第i个工件的第j道工序所在的设备编号,Y为或2×N映射矩阵,该矩阵用来建立工件工序和总工序之间的联系;
S1023、获取工件的加工时间及将AGV的距离从至表转化为搬运时间从至表,记总工件数为m,抽象为矩阵形式;
S1024、通过优先规则实现并行机的分配问题,将各个规则封装到仿真模型中的程序模块中形成规则集,将其抽象为矩阵;
运行智能车间设备布局和生产排程协同仿真模型并计算相应目标参数值;构建基于设备位置序列和基于总工序序列的双层遗传算法对智能车间设备布局和生产排程协同优化的仿真模型进行优化,当优化算法为遗传算法时,根据当前目标参数的性能值,不断迭代寻找满足目标参数的最佳设备布局和排程方案。
6.根据权利要求1所述的基于仿真的多目标设备布局和生产排程协同优化方法,其特征在于,构建设备布局和生产排程协同优化仿真模型具体为:
首先将设备位置序列和面积相关的信息存入仿真模型数据表中,按照设备位置序列表中的数据依次安放设备到作业区域,计算设备间的搬运距离和空回行程距离并将其存入到搬运距离从至表和空回行程从至表;
其次,基于加工工件工序建立总工序和工序之间的映射关系,并存入到映射转换关系表中,将映射转换关系表转化为各工件工序在设备上的加工顺序并将其存入到加工顺序表中;
运行仿真模型,工件依次进入到缓冲区中并按照加工顺序表中的顺序进入加工设备,进入加工设备之前应将物料搬运距离转化为物料搬运时间,将物料搬运时间、工件本工序的加工时间赋值给加工设备的加工时间;如选择的加工设备存在并行机则调用相应的优先规则选择最佳的设备。
8.根据权利要求1所述的基于仿真的多目标设备布局和生产排程协同优化方法,其特征在于,通过不断迭代寻找满足目标参数的最佳设备布局和排程方案的步骤如下:
S301、按照设备在车间规划作业区域中的摆放位置组成设备位置编码作为双层遗传算法的第一层编码,按照工件在排程方案中的加工顺序组成基于总工序编码作为双层遗传算法的第二层编码;
S302、通过随机方法对种群初始化,计算每个个体相应的适应度,适应度函数为:
其中,∑∑(tij+etij)·xij÷v表示将物料的搬运距离和空回行程距离转化为执行相应动作所耗费的时间,w1,w2分别表示物料搬运及空回行程时间和总完工时间的之间的权重,tij表示从设备Mi通过AGV搬运物料到设备Mj的距离时间,etij表示完成从设备Mi通过AGV搬运物料到设备Mj的之后的空回行程时间,xij表示从设备Mi通过AGV搬运物料到设备Mj的工件数;cijk表示第i个工件的第j道工序在第k个设备上加工的完工时间,在布局和生产排程协同优化仿真模型中仿真结束时间对应的时间即为max{max{cijk}},v表示AGV设备的速度;
S303、遗传算法执行优化后,将每次迭代得到的个体解码得到相应的布局方案及生产排程方案,运行设备布局和生产排程协同优化仿真模型,获取相应的目标参数值;将相应的目标参数值带入到所述优化算法的适应度函数中,获取本次迭代得到的适应度值;
S304、判断是否满足所述优化算法预设终止条件;若满足,则所述优化算法优化完成,当前最佳的个体解码后即可得到最优的布局方案和排程方案;若不满足,则所述优化算法继续执行迭代优化策略,获得下一代种群并计算相应的个体所对应的目标参数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359544.XA CN110069880B (zh) | 2019-04-30 | 2019-04-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910359544.XA CN110069880B (zh) | 2019-04-30 | 2019-04-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110069880A CN110069880A (zh) | 2019-07-30 |
CN110069880B true CN110069880B (zh) | 2021-04-20 |
Family
ID=67369654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910359544.XA Active CN110069880B (zh) | 2019-04-30 | 2019-04-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110069880B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705872A (zh) * | 2019-09-30 | 2020-01-17 | 北京工业大学 | 一种复合型并行加工的生产物流调度分析方法 |
CN110825043A (zh) * | 2019-10-31 | 2020-02-21 | 成都四威高科技产业园有限公司 | 一种适用于智能物流装备混料生产的工艺控制方法 |
CN111310924B (zh) * | 2020-02-14 | 2023-09-05 | 北京工业大学 | 一种考虑机床能耗的生产线缓冲区配置系统及方法 |
CN112100739A (zh) * | 2020-08-26 | 2020-12-18 | 福建摩尔软件有限公司 | 一种工厂agv的仿真管理方法、装置、系统、设备和介质 |
CN112084708B (zh) * | 2020-09-04 | 2022-08-19 | 西南交通大学 | 一种基于响应面和遗传算法的agv系统优化配置方法 |
CN112084580B (zh) * | 2020-09-14 | 2022-08-19 | 西南交通大学 | 基于回归分析和满意度函数法的agv系统优化配置方法 |
CN113359632B (zh) * | 2021-06-09 | 2023-11-07 | 江苏徐工工程机械研究院有限公司 | 多工序物料输运系统及控制方法 |
CN113792927A (zh) * | 2021-09-16 | 2021-12-14 | 北京电子工程总体研究所 | 基于遗传算法的航空航天柔性产品工序优化方法 |
CN113960964A (zh) * | 2021-09-22 | 2022-01-21 | 哈尔滨工业大学 | 基于仿真优化的柔性流水车间生产调度系统 |
CN113988377B (zh) * | 2021-09-30 | 2023-06-27 | 东方电气集团东方电机有限公司 | 一种智能车间agv充电站位置优化布置方法 |
CN115099656B (zh) * | 2022-07-05 | 2023-12-12 | 上海交通大学 | 基于仿真优化的海工分段智能排程系统 |
CN115345529A (zh) * | 2022-10-18 | 2022-11-15 | 一汽解放汽车有限公司 | 总装生产线排程方法、装置、计算机设备、存储介质 |
CN115496478B (zh) * | 2022-10-18 | 2023-04-18 | 南珠建材(清远)有限公司 | 一种混凝土管桩的生产管理方法及系统 |
CN116882691A (zh) * | 2023-07-19 | 2023-10-13 | 特维沃(上海)智能科技有限责任公司 | 实验计划的自动排程处理方法、装置、设备及可读介质 |
CN117077458B (zh) * | 2023-10-17 | 2024-02-13 | 中国电子工程设计院股份有限公司 | 一种电子产品生产线的动态仿真模型构建方法及装置 |
CN117348575A (zh) * | 2023-11-27 | 2024-01-05 | 无锡雪浪数制科技有限公司 | 基于生产仿真平台的生产优化方法、装置及系统 |
CN117724432B (zh) * | 2024-02-07 | 2024-05-10 | 中国电子工程设计院股份有限公司 | 一种半导体自动物料搬运系统布局的生成方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789096A (zh) * | 2010-01-25 | 2010-07-28 | 重庆大学 | 一种基于目标导引的炼钢-连铸生产物流仿真优化方法 |
CN102968702A (zh) * | 2012-12-18 | 2013-03-13 | 北京理工大学 | 一种基于遗传算法的曲面分段场地布局调度方法 |
CN103106543A (zh) * | 2013-01-29 | 2013-05-15 | 上海交通大学 | 生产系统设备层-系统层动态交互预防维护规划的方法 |
CN104077630A (zh) * | 2014-05-26 | 2014-10-01 | 浙江工业大学 | 一种模拟人体细胞演化的复杂作业车间布局方法 |
CN106875071A (zh) * | 2017-03-31 | 2017-06-20 | 华南理工大学 | 一种自适应遗传算法的车间设备多目标优化布局方法 |
CN107169611A (zh) * | 2017-06-09 | 2017-09-15 | 金陵科技学院 | 一种图形化方式规划agv行走区域并监控其运行的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10198778B2 (en) * | 2016-06-02 | 2019-02-05 | The Boeing Company | Processing data to replicate lifecycle threads in the development of a structural product |
-
2019
- 2019-04-30 CN CN201910359544.XA patent/CN110069880B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789096A (zh) * | 2010-01-25 | 2010-07-28 | 重庆大学 | 一种基于目标导引的炼钢-连铸生产物流仿真优化方法 |
CN102968702A (zh) * | 2012-12-18 | 2013-03-13 | 北京理工大学 | 一种基于遗传算法的曲面分段场地布局调度方法 |
CN103106543A (zh) * | 2013-01-29 | 2013-05-15 | 上海交通大学 | 生产系统设备层-系统层动态交互预防维护规划的方法 |
CN104077630A (zh) * | 2014-05-26 | 2014-10-01 | 浙江工业大学 | 一种模拟人体细胞演化的复杂作业车间布局方法 |
CN106875071A (zh) * | 2017-03-31 | 2017-06-20 | 华南理工大学 | 一种自适应遗传算法的车间设备多目标优化布局方法 |
CN107169611A (zh) * | 2017-06-09 | 2017-09-15 | 金陵科技学院 | 一种图形化方式规划agv行走区域并监控其运行的方法 |
Non-Patent Citations (2)
Title |
---|
Multi-objective process route optimization considering carbon emissions;Guang-hui Zhou;《The International Journal of Advanced Manufacturing Technology》;20180208;第96卷;第1195–1213页 * |
单件离散型生产作业排程的多目标协同优化;孙华岳;《价值工程》;20140528(第15期);第60-64页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110069880A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Yoshitake et al. | New automated guided vehicle system using real-time holonic scheduling for warehouse picking | |
CN109375601B (zh) | 基于数据驱动建模与仿真优化的流水线规划方法及设备 | |
Arbel et al. | Performance evaluation of flexible manufacturing systems | |
Nagi et al. | Multiple routeings and capacity considerations in group technology applications | |
CN107036618A (zh) | 一种基于最短路径深度优化算法的agv路径规划方法 | |
Yang et al. | Modelling and production configuration optimization for an assembly shop | |
Kouvelis | Design and planning problems in flexible manufacturing systems: a critical review | |
He et al. | A multiobjective evolutionary algorithm for achieving energy efficiency in production environments integrated with multiple automated guided vehicles | |
CN112561194A (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
KR20190068193A (ko) | 스마트 팩토리 레이아웃 설계 방법 및 시스템 | |
Sankar et al. | A multiobjective genetic algorithm for scheduling a flexible manufacturing system | |
CN109709985A (zh) | 一种无人机任务优化方法、装置及系统 | |
Hani et al. | Simulation based optimization of a train maintenance facility | |
Xiao et al. | A CEGA-based optimization approach for integrated designing of a unidirectional guide-path network and scheduling of AGVs | |
Nabovati et al. | Multi-objective invasive weeds optimisation algorithm for solving simultaneous scheduling of machines and multi-mode automated guided vehicles | |
CN114022028A (zh) | 一种自动化混合流水线调度布局集成优化方法 | |
Jawahar et al. | Optimal random storage allocation for an AS/RS in an FMS | |
Yu et al. | MILP model and a rolling horizon algorithm for crane scheduling in a hybrid storage container terminal | |
Hemmati Far et al. | A flexible cell scheduling problem with automated guided vehicles and robots under energy-conscious policy | |
Xuemei et al. | Collaborative optimization of transfer line balancing and buffer allocation based on polychromatic set | |
CN115741703A (zh) | 一种适用于多工位多机器人光学测点任务分配的方法 | |
Qu et al. | Coordinative scheduling of the mobile robots and machines based on hybrid GA in flexible manufacturing systems | |
Oerlemans | Production planning for flexible manufacturing systems | |
CN115730799A (zh) | 一种柔性装配作业车间生产任务调度方法、系统及设备 |
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 |