CN111177642A - 一种航材备件需求预测方法 - Google Patents
一种航材备件需求预测方法 Download PDFInfo
- Publication number
- CN111177642A CN111177642A CN201911346542.3A CN201911346542A CN111177642A CN 111177642 A CN111177642 A CN 111177642A CN 201911346542 A CN201911346542 A CN 201911346542A CN 111177642 A CN111177642 A CN 111177642A
- Authority
- CN
- China
- Prior art keywords
- feasible
- aviation
- spare parts
- feasible solution
- solution
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000000463 material Substances 0.000 title claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000013508 migration Methods 0.000 claims description 44
- 230000005012 migration Effects 0.000 claims description 44
- 230000035772 mutation Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于航空维修保障技术,涉及一种航材备件需求预测方法。该方法包括:确定航空装备的航材备件种类m;随机生成M个可行解,每个可行解包括m个航材备件各自的储备数量;基于购买和存储航空备件的总费用和航材备件的保障概率,运用生物地理学优化算法对M个可行解进行迭代优化求解,得到能够平衡购买和存储航空备件的总费用和航材备件的保障概率的最优解。
Description
技术领域
本发明属于航空维修保障技术,涉及一种航材备件需求预测方法。
背景技术
合理的航材备件预测和配置是保证航空装备正常的训练战备和装备战斗力的重要因素。目前的航材备件保障工作过多地依靠管理人员的经验进行粗放式的管理,无法满足精确保障的要求。如果备件库存量过多,会浪费大量保障费用;如果备件库存量过少,会显著降低备件保障概率和装备战备完好性。因此如何合理地预测航空备件的需求数量以及不同种类备件的配置方式,将直接影响供应保障系统的效能,进而影响到航空装备战备完好性和保障费用。航材备件配置是一个比较复杂的多约束、非线性组合优化问题,优化过程十分复杂,计算规模大,难以靠人工计算获取最优解。
发明内容
发明明目的:提出一种航材备件需求预测方法,能够对航材备件需求预测问题进行数学建模,模型中考虑各项影响因素和各项约束,通过运用生物地理学优化算法对模型进行迭代优化求解,经过若干代进化最终获得最优解,并输出最优备件需求方案。
本发明提供一种航材备件需求预测方法,包括:
确定航空装备的航材备件种类m;
随机生成M个可行解,每个可行解包括m个航材备件各自的储备数量;
基于购买和存储航空备件的总费用和航材备件的保障概率,
运用生物地理学优化算法对M个可行解进行迭代优化求解,得到能够平衡购买和存储航空备件的总费用和航材备件的保障概率的最优解。
进一步的,生物地理学优化算法的目标函数为:
C表示购买和存储航空备件的总费用,P表示装备的备件保障概率;Ci表示第i种备件的购买和存储费用,xi表示第i种备件的配置数量,Cmax表示总费用上限;Pi表示第i种备件的备件保障概率,Pmin表示最小备件保障概率,ni表示第i种备件的装机数量,vi表示第i种备件的故障率,ti表示第i种备件的工作时间,αi表示第i种备件的运行比,运行比为备件的运行时间除以飞机的运行时间。
进一步的,运用生物地理学优化算法对M个可行解进行迭代优化求解,得到能够平衡购买和存储航空备件的总费用和航材备件的保障概率的最优解,包括:
根据目标函数,计算第w次迭代的M个可行解的函数值;w为正整数;
对第w次迭代的M个可行解按照从函数值从小到大的顺序进行排序;其中,函数值越大,顺序号越大;
根据每个第w次迭代的可行解的顺序号计算的迁入率和迁出率;可行解的迁出率和迁入率是可行解每个元素的迁出率和迁入率;
根据迁入率与0到1的m个第一随机数比较;
若目标可行解的第a个元素的迁入率大于对应第一随机数时,比较除目标可行解之外可行解的迁出率与0到1的m个第二随机数;a为1到m的整数;
当第一次出现可行解的迁出率大于对应第二随机数时,迁入该可行解的第a个元素,作为目标可行解的第a个元素;
当每个可行解都完成迁入后,根据目标函数,计算完成迁入的M个可行解的函数值;
对完成迁入的M个可行解按照从函数值从小到大的顺序进行排序;
将顺序号排在前N的可行解进行变异操作;其中,第w+1次迭代的可行解包括:变异的前N的可行解和完成迁入的M个可行解中未变异的可行解;第1次迭代的可行解为随机生成的可行解;N为小于M的整数。
进一步的,根据目标函数,计算第w次迭代的M个可行解的函数值,包括:
判断w是否到达预设迭代次数;
若是,则停止,若否,根据目标函数,计算第w次迭代的M个可行解的函数值。
进一步的,N为M/2取整。
进一步的,根据每个第w次迭代的可行解的顺序号计算的迁入率,包括:
根据迁入公式,确定第w次迭代的第i个可行解的迁入率;迁入公式为:
其中,I为最大迁入率;λi为第i个可行解的迁入率。
进一步的,根据每个第w次迭代的可行解的顺序号计算的迁入率和迁出率,包括:
根据迁出公式,确定第w次迭代的第i个可行解的迁出率;迁出公式为:
其中,μi为第i个可行解的迁出率;E为最大迁出率。
本发明提供一种计算机可读的存储介质,所述存储介质上存储有计算机程序,所述计算机程序包括用于执行上述方法。
本发明的优点:能平衡购买和存储航空备件的总费用和航材备件的保障概率。
附图说明
图1为一种航材备件需求预测方法的流程图。
具体实现方式
生物地理学优化算法是一种模拟自然界中物种在栖息地间进行迁移的过程来寻优的群智能优化算法,该算法在生物地理学物种迁移模型的研究基础上,借鉴其他仿生智能优化算法的框架而形成,具有全局搜索能力强、收敛速度快及对当前群体中信息有效利用能力强等优点,该算法在求解非线性、不可微等复杂优化问题时表现出较好性能。
本发明提供一种航材备件需求预测方法,如图1所示,包括:
步骤一:构造目标函数f:
其中C表示购买和存储航空备件的总费用,P表示装备的备件保障概率。
总费用C的计算方法如下:
其中m表示航空备件的种类数,Ci表示第i种备件的购买和存储费用,xi表示第i种备件的配置数量,Cmax表示总费用上限。
备件保障概率P的计算方法如下:
其中,Pi表示第i种备件的备件保障概率,Pmin表示最小备件保障概率,ni表示第i种备件的装机数量,vi表示第i种备件的故障率,ti表示第i种备件的工作时间,αi表示第i种备件的运行比,运行比为备件的运行时间除以飞机的运行时间。
步骤二:初始化生物地理学优化算法参数,确定种群规模为M,M为偶数,最大迁入率I,最大迁出率E,最大变异概率Hmax,最大迭代次数Cmax。初始化当前迭代次数C=1,随机初始化M个可行解作为初始种群。
按照步骤一所述计算得到每个可行解的目标函数值。
步骤三:按照目标函数值从大到小的顺序排列可行解,依次对排列好的可行解的种群数赋值,为M,M-1,...,2,1。按照计算公式计算每个可行解的迁入率λi和迁出率μi:
其中,λt和μt分别表示第i个可行解的迁入率和迁出率。
步骤四:依次对每个可行解判断是否进行迁移操作,得到新的一组可行解,对于第i个可行解,依次对该可行解中每一个因子比较迁入率λi和随机数(0,1)的大小,如果λi小于或等于随机数(0,1),则不对该因子进行操作,对下一个因子进行判断;如果λi大于随机数(0,1),则从依次比较其他可行解的迁出率μj(j≠t)和随机数(0,1)的大小:如果Pj(j≠i)小于或等于随机数(0,1),则跳过该可行解,选择下一个可行解进行判断;如果μj(j≠l)大于随机数(0,1),则用迁出可行解的选中因子替换掉第i个可行解的对应位置因子。
步骤五:按照步骤一所述计算得到新的一组可行解的目标函数值,按照目标函数值从大到小的顺序排列可行解,依次对排列好的可行解的种群数赋值,为M,M-1,...,2,1。选取目标函数值较小的一半的可行解进行变异操作,计算每个可行解的物种数量概率,第i个可行解的物种数量概率Pi按下式计算:
第i个可行解的变异率mi计算方式如下:
其中,Pmax表示所有可行解中最大的物种数量概率。
依次比较mi和随机数(0,1)的大小,如果mi大于随机数(0,1),则随机选取第i个可行解中的一个因子,用随机生成的变量代替该因子。
每个可行解更新后要对前n个数进行取整。
步骤六:将当前迭代次数C增加1,判断当前迭代次数C。若C<Cmax,则转到步骤三;若C=Cmax,则输出最优解。
Claims (8)
1.一种航材备件需求预测方法,其特征在于,包括:
确定航空装备的航材备件种类m;
随机生成M个可行解,每个可行解包括m个航材备件各自的储备数量;
基于购买和存储航空备件的总费用和航材备件的保障概率,
运用生物地理学优化算法对M个可行解进行迭代优化求解,得到能够平衡购买和存储航空备件的总费用和航材备件的保障概率的最优解。
3.根据权利要求2所述的方法,其特征在于,运用生物地理学优化算法对M个可行解进行迭代优化求解,得到能够平衡购买和存储航空备件的总费用和航材备件的保障概率的最优解,包括:
根据目标函数,计算第w次迭代的M个可行解的函数值;w为正整数;
对第w次迭代的M个可行解按照从函数值从小到大的顺序进行排序;其中,函数值越大,顺序号越大;
根据每个第w次迭代的可行解的顺序号计算的迁入率和迁出率;可行解的迁出率和迁入率是可行解每个元素的迁出率和迁入率;
根据迁入率与0到1的m个第一随机数比较;
若目标可行解的第a个元素的迁入率大于对应第一随机数时,比较除目标可行解之外可行解的迁出率与0到1的m个第二随机数;a为1到m的整数;
当第一次出现可行解的迁出率大于对应第二随机数时,迁入该可行解的第a个元素,作为目标可行解的第a个元素;
当每个可行解都完成迁入后,根据目标函数,计算完成迁入的M个可行解的函数值;
对完成迁入的M个可行解按照从函数值从小到大的顺序进行排序;
将顺序号排在前N的可行解进行变异操作;其中,第w+1次迭代的可行解包括:变异的前N的可行解和完成迁入的M个可行解中未变异的可行解;第1次迭代的可行解为随机生成的可行解;N为小于M的整数。
4.根据权利要求3所述的方法,其特征在于,根据目标函数,计算第w次迭代的M个可行解的函数值包括:
判断w是否到达预设迭代次数;
若是,则停止,若否,根据目标函数,计算第w次迭代的M个可行解的函数值。
5.根据权利要求3所述的方法,其特征在于,N为M/2取整。
8.一种计算机可读的存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序包括用于执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911346542.3A CN111177642A (zh) | 2019-12-24 | 2019-12-24 | 一种航材备件需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911346542.3A CN111177642A (zh) | 2019-12-24 | 2019-12-24 | 一种航材备件需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111177642A true CN111177642A (zh) | 2020-05-19 |
Family
ID=70654031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911346542.3A Pending CN111177642A (zh) | 2019-12-24 | 2019-12-24 | 一种航材备件需求预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111177642A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528510A (zh) * | 2020-12-17 | 2021-03-19 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于生灭过程模型的可修航材备件预测方法 |
CN116280512A (zh) * | 2023-02-06 | 2023-06-23 | 荣耀终端有限公司 | 物品摆放方式生成方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278716B1 (en) * | 1998-03-23 | 2001-08-21 | University Of Massachusetts | Multicast with proactive forward error correction |
US20050060327A1 (en) * | 2003-09-05 | 2005-03-17 | Jiro Kawahara | Spare part lineup selection system |
CN105787245A (zh) * | 2014-12-25 | 2016-07-20 | 北京电子工程总体研究所 | 一种基于修复率与库存量的备件优化方法 |
CN106056208A (zh) * | 2016-06-20 | 2016-10-26 | 华北电力大学(保定) | 面向生物地理学优化算法的约束处理方法和装置 |
CN107248005A (zh) * | 2017-05-23 | 2017-10-13 | 广东电网有限责任公司电力调度控制中心 | 一种电力通信设备备件数量的优化方法 |
CN107451692A (zh) * | 2017-08-02 | 2017-12-08 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于人工蜂群算法的航空备件配置优化方法 |
CN110490470A (zh) * | 2019-08-23 | 2019-11-22 | 兰州理工大学 | 基于生物地理学优化算法的调度优化求解器 |
-
2019
- 2019-12-24 CN CN201911346542.3A patent/CN111177642A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278716B1 (en) * | 1998-03-23 | 2001-08-21 | University Of Massachusetts | Multicast with proactive forward error correction |
US20050060327A1 (en) * | 2003-09-05 | 2005-03-17 | Jiro Kawahara | Spare part lineup selection system |
CN105787245A (zh) * | 2014-12-25 | 2016-07-20 | 北京电子工程总体研究所 | 一种基于修复率与库存量的备件优化方法 |
CN106056208A (zh) * | 2016-06-20 | 2016-10-26 | 华北电力大学(保定) | 面向生物地理学优化算法的约束处理方法和装置 |
CN107248005A (zh) * | 2017-05-23 | 2017-10-13 | 广东电网有限责任公司电力调度控制中心 | 一种电力通信设备备件数量的优化方法 |
CN107451692A (zh) * | 2017-08-02 | 2017-12-08 | 中国航空工业集团公司西安飞机设计研究所 | 一种基于人工蜂群算法的航空备件配置优化方法 |
CN110490470A (zh) * | 2019-08-23 | 2019-11-22 | 兰州理工大学 | 基于生物地理学优化算法的调度优化求解器 |
Non-Patent Citations (1)
Title |
---|
王彦超: ""生物地理学优化算法的改进研究及应用"" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528510A (zh) * | 2020-12-17 | 2021-03-19 | 中国航空工业集团公司成都飞机设计研究所 | 一种基于生灭过程模型的可修航材备件预测方法 |
CN116280512A (zh) * | 2023-02-06 | 2023-06-23 | 荣耀终端有限公司 | 物品摆放方式生成方法和装置 |
CN116280512B (zh) * | 2023-02-06 | 2023-09-22 | 荣耀终端有限公司 | 物品摆放方式生成方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10915816B2 (en) | System and method of executing neural networks | |
Zhu et al. | An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints | |
Shen et al. | Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems | |
JP2019164793A5 (zh) | ||
US20220414426A1 (en) | Neural Architecture Search Method and Apparatus, Device, and Medium | |
CN108170529A (zh) | 一种基于长短期记忆网络的云数据中心负载预测方法 | |
Şahman | A discrete spotted hyena optimizer for solving distributed job shop scheduling problems | |
CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
CN113867295A (zh) | 一种基于数字孪生的制造车间agv动态调度方法、系统、设备及存储介质 | |
CN109165081B (zh) | 基于机器学习的Web应用自适应资源配置方法 | |
CN111177642A (zh) | 一种航材备件需求预测方法 | |
CN114399227A (zh) | 一种基于数字孪生的生产调度方法、装置及计算机设备 | |
CN113341889B (zh) | 带装配阶段和能耗的分布式阻塞流水车间调度方法及系统 | |
CN110750852A (zh) | 一种超级电容器的剩余使用寿命预测方法、装置及电子设备 | |
CN116345578B (zh) | 基于深度确定性策略梯度的微电网运行优化调度方法 | |
CN114492191A (zh) | 基于dbn-svr的热力站设备剩余寿命评估方法 | |
CN110222824B (zh) | 智能算法模型自主生成及进化方法、系统、装置 | |
CN111209930A (zh) | 一种生成授信策略的方法、装置和电子设备 | |
CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
CN115528750B (zh) | 一种面向电网安全稳定的数据模型混合驱动机组组合方法 | |
CN107038244A (zh) | 一种数据挖掘方法和装置、一种可读介质和存储控制器 | |
CN116629352A (zh) | 一种亿级参数寻优平台 | |
EP2357603A1 (en) | Evolutionary design optimization of real world structures with adaptive manipulation of nonlinear constraints | |
CN115827225A (zh) | 异构运算的分配方法、模型训练方法、装置、芯片、设备及介质 | |
CN113128771B (zh) | 一种并行差分进化算法的昂贵函数寻优方法及其装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200519 |