CN110689201A - 一种基于免疫遗传算法的多项目协同计划优化方法 - Google Patents

一种基于免疫遗传算法的多项目协同计划优化方法 Download PDF

Info

Publication number
CN110689201A
CN110689201A CN201910943361.2A CN201910943361A CN110689201A CN 110689201 A CN110689201 A CN 110689201A CN 201910943361 A CN201910943361 A CN 201910943361A CN 110689201 A CN110689201 A CN 110689201A
Authority
CN
China
Prior art keywords
module
evaluation
data
collaborative
algorithm
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.)
Pending
Application number
CN201910943361.2A
Other languages
English (en)
Inventor
李敬花
尹文浩
张子祥
孟帛玉
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201910943361.2A priority Critical patent/CN110689201A/zh
Publication of CN110689201A publication Critical patent/CN110689201A/zh
Pending legal-status Critical Current

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
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Genetics & Genomics (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (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免疫遗传算法的多项目协同计划优化方法，对多项目协同计划进行优化不仅能够避免记单一的问题，且可以防止在目标网络选择过程中采用的算法未成熟收敛而造成的长时延问题，提高算法的计算效率，缩短计算时间，并且可以多评估项目同时操作、协同评估，对多项目协同进行效果预估。包括：数据采集模块、数据转换模块、建模模块、算法调用模块、参数设定模块、迭代次数设定模块、亲和度计算模块、记忆模块、抗体划分模块、目标参数模块、反馈模块项目选择模块、优先度设置模块、输出模块、协同评估模块、评估过程监控模块、评估数据管理模块、评估信息储存模块、评估结果分析模块、评估报告生成模块。

Description

一种基于免疫遗传算法的多项目协同计划优化方法
技术领域
本发明涉及协调控制技术领域，具体为一种基于免疫遗传算法的多项目协同计划优化方法。
背景技术
实践证明，项目虽然具有一次性，但实际上，项目又是层出不穷的，并且项目之间是交错运转的，这更加加剧了项目管理的复杂程度，使得传统的项目管理显得捉襟见肘，多项目的管理应运而生。多个项目的管理，从项目策略到资源约束下的项目计划，项目之间合作关系超越个体项目的管理级别，需要从企业的整体出发进行协调管理，包括资源及进度等各方面的协同管理。多项目的协同管理就成为多项目管理中的一个重要的课题。
免疫遗传算法就是将免疫理论和基本遗传算法各自的优点结合起来的一个多学科相互交叉、渗透的优化算法。该算法既保留了遗传算法的搜索特性，又利用了免疫算法的多机制求解多目标函数最优解的自适应特性，在很大程度上避免了"早熟"，收敛于局部极值。
目前，传统遗传算法在多项目协同管理方面已经有了长足的发展，并取得丰硕的研究成果，但在多项目协同管理的研究还存在不足，现有的传统遗传算法存在记忆单元单一、容易出现未成熟收敛的缺陷，而免疫遗传算法可以避免记忆单一的问题，且可以防止未成熟收敛，提高算法的计算效率，缩短计算时间，因此效率很低，并且在后期没有进行很好的效果评估，难以达到预期目标。
发明内容
针对现有技术的不足，本发明提供了一种基于免疫遗传算法的多项目协同计划优化方法，解决了效率低，后期没有进行很好的效果评估的问题，使得多项目协同方法更优。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于免疫遗传算法的多项目协同计划优化方法，包括：数据采集模块、数据转换模块、建模模块、算法调用模块、参数设定模块、迭代次数设定模块、亲和度计算模块、记忆模块、抗体划分模块、目标参数模块、反馈模块项目选择模块、优先度设置模块、输出模块、协同评估模块、评估过程监控模块、评估数据管理模块、评估信息储存模块、评估结果分析模块、评估报告生成模块，所述数据采集模块和数据转换模块连接，所述数据转换模块和建模模块连接，所述建模模块和算法调用模块连接，所述算法调用模块和参数设定模块连接，所述参数设定模块和迭代次数设定模块连接，所述迭代次数设定模块和亲和度计算模块连接，所述亲和度计算模块和记忆模块连接，所述记忆模块和抗体划分模块连接，所述抗体划分模块和目标参数模块连接，所述目标参数模块和项目选择模块连接，所述项目选择模块和优先度设置模块连接，所述优先度设置模块和输出模块连接，所述输出模块和协同评估模块连接。
优选的，所述目标参数模块和反馈模块连接，所述反馈模块和亲和度计算模块连。
优选的，所述协同评估模块和评估过程监控模块连接，所述协同评估模块和评估数据管理模块连接。
优选的，所述评估数据管理模块和评估信息储存模块连接。
优选的，所述评估数据管理模块和评估结果分析模块连接，所述评估结果分析模块和评估报告生成模块连接。
一种基于免疫遗传算法的多项目协同计划优化方法，具体步骤包括：
步骤一：通过数据采集模块采集项目数据，采集完成后，数据采集模块将数据传输至数据转换模块；
步骤二：数据转换模块接收数据后，将数据转换成数字编码，转换完成后，将数字编码传输至建模模块，建模模块接收数据后建立参数化模型文件并生成指令，指令生成后，建模模块将数据传输至算法调用模块；
步骤三：算法调用模块接收数据后开始调用免疫遗传算法，为每个项目选择目标网络，调用完成后，算法调用模块将数据传输至参数设定模块，参数设定模块接收数据后设定的参数及其允许变化范围；
步骤四：设定完成后，参数设定模块将命令传输至迭代次数设定模块。迭代次数设定模块接收数据后产生初始抗体，并设定算法迭代总次数，设定完成后，迭代次数设定模块将数据传输至亲和度计算模块；
步骤五：亲和度计算模块接收数据后计算抗体的亲和度，计算完成后将计算结果传输至记忆模块，记忆模块接收数据后根据所述亲和度对记忆模块进行更新，更新完成后，记忆模块将数据传输至抗体划分模块，抗体划分模块接收数据后对抗体种群进行划分和迁移，完成后，将数据传输至目标参数模块；
步骤六：目标参数模块接收数据后，判断是否达到设定的最大迭代次数，若没有达到设定的最大迭代次数，则将判断结果通过反馈模块反馈至亲和度计算模块，重复步骤五；
步骤七：若达到设定的最大迭代次数，则输出亲和度最高的抗体至项目选择模块，项目选择模块对项目进行选择，选择完成后将数据传输至优先度设置模块，优先度设置模块接收数据后，判断项目优先度，并将数据通过输出模块传输至协同评估模块；
步骤八：协同评估模块接收数据后，对评估过程监控模块发出指令，评估过程监控模块接收指令后，对评估过程进行监督；
步骤九：协同评估模块接收数据后开始进行评估，评估完成后，协同评估模块将评估结果传输至评估数据管理模块，评估数据管理模块将数据传输至评估信息储存模块进行储存，同时将数据传输至评估结果分析模块；
步骤十：评估结果分析模块接收数据后，开始对评估结果进行分析，分析完成后，评估结果分析模块将分析结果传输至评估报告生成模块进行报告生成。
有益效果
本发明提供了一种基于免疫遗传算法的多项目协同计划优化方法。具备以下有益效果：该基于免疫遗传算法的多项目协同计划优化方法，通过基于免疫遗传算法，对多项目协同计划进行优化不仅能够避免记单一的问题，且可以防止在目标网络选择过程中采用的算法未成熟收敛而造成的长时延问题，提高算法的计算效率，缩短计算时间，通过协同评估模块、评估过程监控模块、评估数据管理模块、评估信息储存模块、评估结果分析模块、评估报告生成模块，多评估项目同时操作、协同评估，对多项目协同进行效果预估。
附图说明
图1为本发明的系统原理图。
图中：1、数据采集模块；2、数据转换模块；3、建模模块；4、算法调用模块；5、参数设定模块；6、迭代次数设定模块；7、亲和度计算模块；8、记忆模块；9、抗体划分模块；10、目标参数模块；11、反馈模块；12、项目选择模块；13、优先度设置模块；14、输出模块；15、协同评估模块；16、评估过程监控模块；17、评估数据管理模块；18、评估信息储存模块；19、评估结果分析模块；20、评估报告生成模块。
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。
请参阅图1，本发明提供一种技术方案：一种基于免疫遗传算法的多项目协同计划优化方法，包括：数据采集模块1、数据转换模块2、建模模块3、算法调用模块4、参数设定模块5、迭代次数设定模块6、亲和度计算模块7、记忆模块8、抗体划分模块9、目标参数模块10、反馈模块11项目选择模块12、优先度设置模块13、输出模块14、协同评估模块15、评估过程监控模块16、评估数据管理模块17、评估信息储存模块18、评估结果分析模块19、评估报告生成模块20，数据采集模块1和数据转换模块2连接，数据转换模块2和建模模块3连接，建模模块3和算法调用模块4连接，算法调用模块4和参数设定模块5连接，参数设定模块5和迭代次数设定模块6连接，迭代次数设定模块6和亲和度计算模块7连接，亲和度计算模块7和记忆模块8连接，记忆模块8和抗体划分模块9连接，抗体划分模块9和目标参数模块10连接，目标参数模块10和项目选择模块12连接，项目选择模块12和优先度设置模块13连接，优先度设置模块13和输出模块14连接，输出模块14和协同评估模块15连接。
目标参数模块10和反馈模块11连接，反馈模块11和亲和度计算模块7连。协同评估模块15和评估过程监控模块16连接，协同评估模块15和评估数据管理模块17连接。评估数据管理模块17和评估信息储存模块18连接。评估数据管理模块17和评估结果分析模块19连接，评估结果分析模块19和评估报告生成模块20连接。
一种基于免疫遗传算法的多项目协同计划优化方法，具体步骤包括：
步骤一：通过数据采集模块1采集项目数据，采集完成后，数据采集模块1将数据传输至数据转换模块2。
步骤二：数据转换模块2接收数据后，将数据转换成数字编码，转换完成后，将数字编码传输至建模模块3，建模模块3接收数据后建立参数化模型文件并生成指令，指令生成后，建模模块3将数据传输至算法调用模块4。
步骤三：算法调用模块4接收数据后开始调用免疫遗传算法，为每个项目选择目标网络，调用完成后，算法调用模块4将数据传输至参数设定模块5，参数设定模块5接收数据后设定的参数及其允许变化范围。
步骤四：设定完成后，参数设定模块5将命令传输至迭代次数设定模块6。迭代次数设定模块6接收数据后产生初始抗体，并设定算法迭代总次数，设定完成后，迭代次数设定模块6将数据传输至亲和度计算模块7。
步骤五：亲和度计算模块7接收数据后计算抗体的亲和度，计算完成后将计算结果传输至记忆模块8，记忆模块8接收数据后根据亲和度对记忆模块8进行更新，更新完成后，记忆模块8将数据传输至抗体划分模块9，抗体划分模块9接收数据后对抗体种群进行划分和迁移，完成后，将数据传输至目标参数模块10。
步骤六：目标参数模块10接收数据后，判断是否达到设定的最大迭代次数，若没有达到设定的最大迭代次数，则将判断结果通过反馈模块11反馈至亲和度计算模块7，重复步骤五。
步骤七：若达到设定的最大迭代次数，则输出亲和度最高的抗体至项目选择模块12，项目选择模块12对项目进行选择，选择完成后将数据传输至优先度设置模块13，优先度设置模块13接收数据后，判断项目优先度，并将数据通过输出模块14传输至协同评估模块15。
步骤八：协同评估模块15接收数据后，对评估过程监控模块16发出指令，评估过程监控模块16接收指令后，对评估过程进行监督。
步骤九：协同评估模块15接收数据后开始进行评估，评估完成后，协同评估模块15将评估结果传输至评估数据管理模块17，评估数据管理模块17将数据传输至评估信息储存模块18进行储存，同时将数据传输至评估结果分析模块19。
步骤十：评估结果分析模块19接收数据后，开始对评估结果进行分析，分析完成后，评估结果分析模块19将分析结果传输至评估报告生成模块20进行报告生成。
本发明的有益效果为：该基于免疫遗传算法的多项目协同计划优化方法，基于免疫遗传算法，对多项目协同计划进行优化不仅能够避免记单一的问题，且可以防止在目标网络选择过程中采用的算法未成熟收敛而造成的长时延问题，提高算法的计算效率，缩短计算时间，通过协同评估模块15、评估过程监控模块16、评估数据管理模块17、评估信息储存模块18、评估结果分析模块19、评估报告生成模块20，多评估项目同时操作、协同评估，对多项目协同进行效果预估。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于免疫遗传算法的多项目协同计划优化方法，包括：数据采集模块(1)、数据转换模块(2)、建模模块(3)、算法调用模块(4)、参数设定模块(5)、迭代次数设定模块(6)、亲和度计算模块(7)、记忆模块(8)、抗体划分模块(9)、目标参数模块(10)、反馈模块(11)项目选择模块(12)、优先度设置模块(13)、输出模块(14)、协同评估模块(15)、评估过程监控模块(16)、评估数据管理模块(17)、评估信息储存模块(18)、评估结果分析模块(19)、评估报告生成模块(20)，其特征在于：所述数据采集模块(1)和数据转换模块(2)连接，所述数据转换模块(2)和建模模块(3)连接，所述建模模块(3)和算法调用模块(4)连接，所述算法调用模块(4)和参数设定模块(5)连接，所述参数设定模块(5)和迭代次数设定模块(6)连接，所述迭代次数设定模块(6)和亲和度计算模块(7)连接，所述亲和度计算模块(7)和记忆模块(8)连接，所述记忆模块(8)和抗体划分模块(9)连接，所述抗体划分模块(9)和目标参数模块(10)连接，所述目标参数模块(10)和项目选择模块(12)连接，所述项目选择模块(12)和优先度设置模块(13)连接，所述优先度设置模块(13)和输出模块(14)连接，所述输出模块(14)和协同评估模块(15)连接。
2.根据权利要求1所述的一种基于免疫遗传算法的多项目协同计划优化系统，其特征在于：所述目标参数模块(10)和反馈模块(11)连接，所述反馈模块(11)和亲和度计算模块(7)连。
3.根据权利要求1所述的一种基于免疫遗传算法的多项目协同计划优化系统，其特征在于：所述协同评估模块(15)和评估过程监控模块(16)连接，所述协同评估模块(15)和评估数据管理模块(17)连接。
4.根据权利要求1所述的一种基于免疫遗传算法的多项目协同计划优化系统，其特征在于：所述评估数据管理模块(17)和评估信息储存模块(18)连接。
5.根据权利要求1所述的一种基于免疫遗传算法的多项目协同计划优化系统，其特征在于：所述评估数据管理模块(17)和评估结果分析模块(19)连接，所述评估结果分析模块(19)和评估报告生成模块(20)连接。
6.一种基于免疫遗传算法的多项目协同计划优化方法，其特征在于：具体步骤包括：
步骤一：通过数据采集模块(1)采集项目数据，采集完成后，数据采集模块(1)将数据传输至数据转换模块(2)；
步骤二：数据转换模块(2)接收数据后，将数据转换成数字编码，转换完成后，将数字编码传输至建模模块(3)，建模模块(3)接收数据后建立参数化模型文件并生成指令，指令生成后，建模模块(3)将数据传输至算法调用模块(4)；
步骤三：算法调用模块(4)接收数据后开始调用免疫遗传算法，为每个项目选择目标网络，调用完成后，算法调用模块(4)将数据传输至参数设定模块(5)，参数设定模块(5)接收数据后设定的参数及其允许变化范围；
步骤四：设定完成后，参数设定模块(5)将命令传输至迭代次数设定模块(6)。迭代次数设定模块(6)接收数据后产生初始抗体，并设定算法迭代总次数，设定完成后，迭代次数设定模块(6)将数据传输至亲和度计算模块(7)；
步骤五：亲和度计算模块(7)接收数据后计算抗体的亲和度，计算完成后将计算结果传输至记忆模块(8)，记忆模块(8)接收数据后根据所述亲和度对记忆模块(8)进行更新，更新完成后，记忆模块(8)将数据传输至抗体划分模块(9)，抗体划分模块(9)接收数据后对抗体种群进行划分和迁移，完成后，将数据传输至目标参数模块(10)；
步骤六：目标参数模块(10)接收数据后，判断是否达到设定的最大迭代次数，若没有达到设定的最大迭代次数，则将判断结果通过反馈模块(11)反馈至亲和度计算模块(7)，重复步骤五；
步骤七：若达到设定的最大迭代次数，则输出亲和度最高的抗体至项目选择模块(12)，项目选择模块(12)对项目进行选择，选择完成后将数据传输至优先度设置模块(13)，优先度设置模块(13)接收数据后，判断项目优先度，并将数据通过输出模块(14)传输至协同评估模块(15)；
步骤八：协同评估模块(15)接收数据后，对评估过程监控模块(16)发出指令，评估过程监控模块(16)接收指令后，对评估过程进行监督；
步骤九：协同评估模块(15)接收数据后开始进行评估，评估完成后，协同评估模块(15)将评估结果传输至评估数据管理模块(17)，评估数据管理模块(17)将数据传输至评估信息储存模块(18)进行储存，同时将数据传输至评估结果分析模块(19)；
步骤十：评估结果分析模块(19)接收数据后，开始对评估结果进行分析，分析完成后，评估结果分析模块(19)将分析结果传输至评估报告生成模块(20)进行报告生成。
CN201910943361.2A 2019-09-30 2019-09-30 一种基于免疫遗传算法的多项目协同计划优化方法 Pending CN110689201A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910943361.2A CN110689201A (zh) 2019-09-30 2019-09-30 一种基于免疫遗传算法的多项目协同计划优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910943361.2A CN110689201A (zh) 2019-09-30 2019-09-30 一种基于免疫遗传算法的多项目协同计划优化方法

Publications (1)

Publication Number Publication Date
CN110689201A true CN110689201A (zh) 2020-01-14

Family

ID=69111358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910943361.2A Pending CN110689201A (zh) 2019-09-30 2019-09-30 一种基于免疫遗传算法的多项目协同计划优化方法

Country Status (1)

Country Link
CN (1) CN110689201A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449966A (zh) * 2021-06-03 2021-09-28 湖北北新建材有限公司 一种石膏板设备巡检方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110173042A1 (en) * 2010-01-13 2011-07-14 Lockheed Martin Corporation Systems, methods and apparatus for just-in time scheduling and planning
CN102917440A (zh) * 2012-09-29 2013-02-06 北京邮电大学 基于并行免疫遗传算法的多模终端选择目标网络的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110173042A1 (en) * 2010-01-13 2011-07-14 Lockheed Martin Corporation Systems, methods and apparatus for just-in time scheduling and planning
CN102917440A (zh) * 2012-09-29 2013-02-06 北京邮电大学 基于并行免疫遗传算法的多模终端选择目标网络的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李国庆等: "基于免疫遗传算法的可用输电能力计算", 《东北电力大学学报》 *
李敬花等: "基于免疫遗传算法的海工多项目资源均衡研究", 《计算机工程与设计》 *
郑忠等: "基于免疫遗传算法的车间天车调度仿真模型", 《系统工程理论与实践》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449966A (zh) * 2021-06-03 2021-09-28 湖北北新建材有限公司 一种石膏板设备巡检方法及系统

Similar Documents

Publication Publication Date Title
JP7054250B2 (ja) スマート工場の迅速カスタムデザイン方法及びシステム
CN105069524B (zh) 基于大数据分析的计划调度优化方法
WO2023246568A1 (zh) 一种数字孪生架构、模型评价体系以及模型运行方法
CN107544251B (zh) 一种基于分布式鲁棒模型的最小化总拖期的单机调度方法
US11340562B2 (en) Self-adaptive configuration method and system for linkage response of construction type, motion type, control type and optimization type
CN107944765B (zh) 智能制造生产调度协同管控能力的评估系统和评估方法
CN109284298A (zh) 一种基于机器学习和大数据处理的内容生产系统
CN103258247A (zh) 一种基于目标级联分析法的碳排放优化方法
CN109858798B (zh) 关联改造措施与电压指标的电网投资决策建模方法及装置
CN115600774A (zh) 一种装配式建筑构件产线的多目标生产调度优化方法
CN104463355A (zh) 一种基于测试模型的小卫星测试规划系统
CN109934393A (zh) 一种需求不确定下生产计划与调度的集成优化方法
CN108898239A (zh) 一种基于数据分析的配电变压器选址方法
CN112200532A (zh) 一种施工工期智能计算的方法及系统、计算机可读介质
CN115037590B (zh) 一种网络虚拟化体系结构以及虚拟化方法
CN110689201A (zh) 一种基于免疫遗传算法的多项目协同计划优化方法
CN106845696B (zh) 一种智能优化水资源配置方法
CN115098278A (zh) 一种基于微服务的数字孪生车间多场景交互方法
CN104598698A (zh) 在线构架系统以及基于在线构架的供水管网模型建模方法
CN106951621A (zh) 一种用于船舶搭载计划调整的仿真优化方法
CN102737743A (zh) 一种核电站主控室盘台布局的方法和系统
CN117436727A (zh) 一种智能水利调度优化系统
CN103150685B (zh) 一种智能检修计划优化编制系统
Huang et al. Modeling the product development process as a dynamic system with feedback
CN104507150A (zh) 一种基带池内虚拟资源分簇方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200114