CN111210062A - 基于遗传算法的工件智能调度排产方法、设备及介质 - Google Patents
基于遗传算法的工件智能调度排产方法、设备及介质 Download PDFInfo
- Publication number
- CN111210062A CN111210062A CN201911413984.5A CN201911413984A CN111210062A CN 111210062 A CN111210062 A CN 111210062A CN 201911413984 A CN201911413984 A CN 201911413984A CN 111210062 A CN111210062 A CN 111210062A
- Authority
- CN
- China
- Prior art keywords
- working procedure
- processed
- time
- initial population
- preset
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 156
- 230000002068 genetic effect Effects 0.000 title claims abstract description 24
- 230000035772 mutation Effects 0.000 claims abstract description 14
- 238000005265 energy consumption Methods 0.000 claims description 34
- 238000004519 manufacturing process Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010187 selection method Methods 0.000 claims description 3
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 6
- 238000012163 sequencing technique Methods 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 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
- G06Q10/04—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
- G06Q10/06—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
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供的基于遗传算法的工件智能调度排产方法,包括根据订单数据随机生成初始种群将初始种群中的订单号、待加工工序、加工机器、操作人员名单随机组合得到第一初始种群;根据预设时序规则设置第一初始种群中的待加工工序的开始时间,得到第二初始种群;对第二初始种群依次进行第一次快速排序处理、交叉操作处理、变异操作处理以及第二次快速排序处理,得到新初始种群,对新初始种群中的订单数据进行解码,得到排产计划;根据排产计划和预设适应度函数计算出排产计划对应的适应度;当适应度满足预设最优条件时将排产计划作为最优排产计划输出。本发明的基于遗传算法的工件智能调度排产方法,使得到的最优排产计划更加精准。
Description
技术领域
本发明涉及单晶硅生产调度领域,尤其涉及基于遗传算法的工件智能调度排产方法、设备及介质。
背景技术
单晶硅的制造因其复杂的生产工艺、多变的客户需求,不断改革的生产技术和设备等特点被认为是最复杂的制造系统之一。
单晶硅生产排产的问题对大多数成长型企业来说是一个相当普遍的问题。生产排产的问题实质上是通过对有限资源的合理配置,寻求最优目标的解决方案。其中,有限资源包含了物料、机器、人力、时间、能源。目标则包含工期、能耗、效率等。在寻优过程中发现,资源和目标之间往往存在着诸多矛盾,因此在解决这类问题时,碰到的方案无法给出唯一最优解的情况下,应该从所有方案中选出相对较优的方案来制定科学的排产计划。目前的单晶硅的排产方法并没有考虑人为操作对整个生产时间的影响,从而导致排产计划并不是最优。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供基于遗传算法的工件智能调度排产方法,其能解决目前的单晶硅的排产方法并没有考虑人为操作对整个生产时间的影响,从而导致排产计划并未最优的问题。
本发明的目的之二在于提供电子设备,其能解决目前的单晶硅的排产方法并没有考虑人为操作对整个生产时间的影响,从而导致排产计划并未最优的问题。
本发明的目的之三在于提供计算机可读存储介质,其能解决目前的单晶硅的排产方法并没有考虑人为操作对整个生产时间的影响,从而导致排产计划并未最优的问题。
本发明的目的之一采用以下技术方案实现:
基于遗传算法的工件智能调度排产方法,包括以下步骤:
生成初始种群,根据订单数据随机生成初始种群,所述订单数据包括订单号、待加工工序、加工机器、工序耗时、工期、逾期惩罚权重、能耗值、操作人员名单,每个所述待加工工序与若干所述加工机器对应,每个所述加工机器对应若干操作人员名单对应,每个加工机器与唯一的所述能耗值对应,所述工序耗时为每个所述操作人员名单对应的操作人员完成待加工工序的实际完成时间;
随机组合,将所述初始种群中的所述订单号、所述待加工工序、所述加工机器、所述操作人员名单随机组合得到第一初始种群;
设定生产时序,根据预设时序规则设置所述第一初始种群中的所述待加工工序的开始时间,得到第二初始种群;
运算处理,对所述第二初始种群依次进行第一次快速排序处理、交叉操作处理、变异操作处理以及第二次快速排序处理,得到新初始种群,对新初始种群中的订单数据进行解码,得到排产计划;
计算适应度,根据所述排产计划和预设适应度函数计算出所述排产计划对应的适应度;
适应度判断,判断所述适应度是否满足预设最优条件,若是,则将所述排产计划作为最优排产计划输出,若否,返回执行步骤随机组合。
进一步地,在所述计算适应度之前包括设定适应度函数,根据所述工序耗时、所述能耗值、所述工期以及预设权重参数设置适应度函数。
进一步地,所述预设权重参数包括预设总耗时权重、预设总能耗权重、预设总延期时长权重,所述设定适应度函数具体为:根据所述工序耗时计算出总耗时,根据所述能耗值计算出总能耗值,根据所述工期计算出总工期,根据所述总工期和所述总耗时计算出总延期时长,根据所述总耗时、所述总能耗值、所述总延期时长、预设总耗时权重、预设总能耗权重、预设总延期时长权重设定适应度函数。
进一步地,所述预设时序规则为:
当待加工工序为第一道工序时且待加工工序对应的所述加工机器未运行时,将所述待加工工序开始时间设置为立即加工;
当待加工工序为第一道工序时且待加工工序对应的所述加工机器已经运行时,将所述待加工工序的开始时间设置为所述加工机器的结束时间;
当待加工工序为非第一道工序时且待加工工序对应的所述加工机器未运行时,将开始时间设置为所述待加工工序对应的产品的上一道工序的结束时间;
当待加工工序为非第一道工序时且待加工工序对应的所述加工机器已经运行时,若所述加工机器的结束时间小于待加工工序对应产品的上一道工序的结束时间,则将所述待加工工序的开始时间设置为待加工工序对应产品的上一道工序的结束时间,若所述加工机器的结束时间不小于待加工工序对应产品的上一道工序的结束时间,则将所述待加工工序的开始时间设置为所述加工机器的结束时间。
进一步地,所述第一次快速排序处理为采用轮盘赌选择法对所述第二初始种群进行排序处理。
进一步地,所述交叉操作处理为采用单点交叉方式对所述第二初始种群进行交叉处理。
进一步地,所述变异操作处理为采用二进制变异算子对所述第二初始种群进行变异处理。
进一步地,所述第二次快速排序处理为采用混排方式对所述第二初始种群进行排序处理。
本发明的目的之二采用以下技术方案实现:
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行本申请的基于遗传算法的工件智能调度排产方法。
本发明的目的之三采用以下技术方案实现:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行本申请的基于遗传算法的工件智能调度排产方法。
相比现有技术,本发明的有益效果在于:本申请的基于遗传算法的工件智能调度排产方法,包括生成初始种群,根据订单数据随机生成初始种群,订单数据包括订单号、待加工工序、加工机器、工序耗时、工期、逾期惩罚权重、能耗值、操作人员名单,每个待加工工序与若干加工机器对应,每个加工机器对应若干操作人员名单对应,每个加工机器与唯一的能耗值对应,工序耗时为每个操作人员名单对应的操作人员完成待加工工序的实际完成时间;随机组合,将初始种群中的订单号、待加工工序、加工机器、操作人员名单随机组合得到第一初始种群;设定生产时序,根据预设时序规则设置第一初始种群中的待加工工序的开始时间,得到第二初始种群;运算处理,对第二初始种群依次进行第一次快速排序处理、交叉操作处理、变异操作处理以及第二次快速排序处理,得到新初始种群,对新初始种群中的订单数据进行解码,得到排产计划;计算适应度,根据排产计划和预设适应度函数计算出排产计划对应的适应度;适应度判断,判断适应度是否满足预设最优条件,若是,则将排产计划作为最优排产计划输出,若否,返回执行步骤随机组合。通过将操作人员在每到工序上的实际完成时间纳入分析,充分考虑了人为操作对于生产耗时的影响,使得到的最优排产计划更加精准。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的基于遗传算法的工件智能调度排产方法的流程示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1所示,本申请的基于遗传算法的工件智能调度排产方法,包括以下步骤:
生成初始种群,根据订单数据随机生成初始种群,所述订单数据包括订单号、待加工工序、加工机器、工序耗时、工期、逾期惩罚权重、能耗值、操作人员名单,每个所述待加工工序与若干所述加工机器对应,每个所述加工机器对应若干操作人员名单对应,每个加工机器与唯一的所述能耗值对应,所述工序耗时为每个所述操作人员名单对应的操作人员完成待加工工序的实际完成时间。
设定适应度函数,根据所述工序耗时、所述能耗值、所述工期以及预设权重参数设置适应度函数。在本实施例中所述预设权重参数包括预设总耗时权重、预设总能耗权重、预设总延期时长权重,所述设定适应度函数具体为:根据所述工序耗时计算出总耗时,根据所述能耗值计算出总能耗值,根据所述工期计算出总工期,根据所述总工期和所述总耗时计算出总延期时长,根据所述总耗时、所述总能耗值、所述总延期时长、预设总耗时权重、预设总能耗权重、预设总延期时长权重设定适应度函数。适应度函数时遗传算法中可以影响到收敛速度以及能否找到最优解的必备函数,因此本实施例中设定适应度函数尤为重要。
随机组合,将所述初始种群中的所述订单号、所述待加工工序、所述加工机器、所述操作人员名单随机组合得到第一初始种群。
设定生产时序,根据预设时序规则设置所述第一初始种群中的所述待加工工序的开始时间,得到第二初始种群。具体为:当待加工工序为第一道工序时且待加工工序对应的所述加工机器未运行时,将所述待加工工序开始时间设置为立即加工;
当待加工工序为第一道工序时且待加工工序对应的所述加工机器已经运行时,将所述待加工工序的开始时间设置为所述加工机器的结束时间;
当待加工工序为非第一道工序时且待加工工序对应的所述加工机器未运行时,将开始时间设置为所述待加工工序对应的产品的上一道工序的结束时间;
当待加工工序为非第一道工序时且待加工工序对应的所述加工机器已经运行时,若所述加工机器的结束时间小于待加工工序对应产品的上一道工序的结束时间,则将所述待加工工序的开始时间设置为待加工工序对应产品的上一道工序的结束时间,若所述加工机器的结束时间不小于待加工工序对应产品的上一道工序的结束时间,则将所述待加工工序的开始时间设置为所述加工机器的结束时间。
运算处理,对所述第二初始种群依次进行第一次快速排序处理、交叉操作处理、变异操作处理以及第二次快速排序处理,得到新初始种群,对新初始种群中的订单数据进行解码,得到排产计划。具体为:依次采用轮盘赌选择法对所述第二初始种群进行排序处理、采用单点交叉方式对所述第二初始种群进行交叉处理、采用二进制变异算子对所述第二初始种群进行变异处理、采用混排方式对所述第二初始种群进行排序处理。
计算适应度,根据所述排产计划和预设适应度函数计算出所述排产计划对应的适应度。在本实施例中,举例说明计算适应度的过程,令预设总耗时权重为0.3、预设总能耗权重为0.5、预设总延期时长权重为0.4,则适应度为Y,则Y=总耗时*0.3+总能耗*0.5+总延期时长*0.4。
适应度判断,判断所述适应度是否满足预设最优条件,若是,则将所述排产计划作为最优排产计划输出,若否,返回循环执行步骤随机组合、设定生产时序、运算处理、计算适应度、适应度判断。在本实施例中,具体的预设最优条件为两种:第一种为:上述智能调度方法中在多次循环后适应度会趋于某一个值,不再变小,即预设最优条件为适应度的数值等于前一次得到适应度值。第二种为:设定一个理想的预设适应度值,该适应度值是在多次生产中得到的最小的适应度值,当本实施例中的适应度值小于或等于所述预设适应度值时,即为满足预设最优条件。
本发明还提供一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行本申请的基于遗传算法的工件智能调度排产方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行本申请的基于遗传算法的工件智能调度排产方法。
本发明的基于遗传算法的工件智能调度排产方法,包括生成初始种群,根据订单数据随机生成初始种群,订单数据包括订单号、待加工工序、加工机器、工序耗时、工期、逾期惩罚权重、能耗值、操作人员名单,每个待加工工序与若干加工机器对应,每个加工机器对应若干操作人员名单对应,每个加工机器与唯一的能耗值对应,工序耗时为每个操作人员名单对应的操作人员完成待加工工序的实际完成时间;随机组合,将初始种群中的订单号、待加工工序、加工机器、操作人员名单随机组合得到第一初始种群;设定生产时序,根据预设时序规则设置第一初始种群中的待加工工序的开始时间,得到第二初始种群;运算处理,对第二初始种群依次进行第一次快速排序处理、交叉操作处理、变异操作处理以及第二次快速排序处理,得到新初始种群,对新初始种群中的订单数据进行解码,得到排产计划;计算适应度,根据排产计划和预设适应度函数计算出排产计划对应的适应度;适应度判断,判断适应度是否满足预设最优条件,若是,则将排产计划作为最优排产计划输出,若否,返回执行步骤随机组合。通过将操作人员在每到工序上的实际完成时间纳入分析,充分考虑了人为操作对于生产耗时的影响,使得到的最优排产计划更加精准。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (10)
1.基于遗传算法的工件智能调度排产方法,其特征在于,包括以下步骤:
生成初始种群,根据订单数据随机生成初始种群,所述订单数据包括订单号、待加工工序、加工机器、工序耗时、工期、逾期惩罚权重、能耗值、操作人员名单,每个所述待加工工序与若干所述加工机器对应,每个所述加工机器对应若干操作人员名单对应,每个加工机器与唯一的所述能耗值对应,所述工序耗时为每个所述操作人员名单对应的操作人员完成待加工工序的实际完成时间;
随机组合,将所述初始种群中的所述订单号、所述待加工工序、所述加工机器、所述操作人员名单随机组合得到第一初始种群;
设定生产时序,根据预设时序规则设置所述第一初始种群中的所述待加工工序的开始时间,得到第二初始种群;
运算处理,对所述第二初始种群依次进行第一次快速排序处理、交叉操作处理、变异操作处理以及第二次快速排序处理,得到新初始种群,对新初始种群中的订单数据进行解码,得到排产计划;
计算适应度,根据所述排产计划和预设适应度函数计算出所述排产计划对应的适应度;
适应度判断,判断所述适应度是否满足预设最优条件,若是,则将所述排产计划作为最优排产计划输出,若否,返回执行步骤随机组合。
2.如权利要求1所述的基于遗传算法的工件智能调度排产方法,其特征在于:在所述计算适应度之前包括设定适应度函数,根据所述工序耗时、所述能耗值、所述工期以及预设权重参数设置适应度函数。
3.如权利要求2所述的基于遗传算法的工件智能调度排产方法,其特征在于:所述预设权重参数包括预设总耗时权重、预设总能耗权重、预设总延期时长权重,所述设定适应度函数具体为:根据所述工序耗时计算出总耗时,根据所述能耗值计算出总能耗值,根据所述工期计算出总工期,根据所述总工期和所述总耗时计算出总延期时长,根据所述总耗时、所述总能耗值、所述总延期时长、预设总耗时权重、预设总能耗权重、预设总延期时长权重设定适应度函数。
4.如权利要求1所述的基于遗传算法的工件智能调度排产方法,其特征在于:所述预设时序规则为:
当待加工工序为第一道工序时且待加工工序对应的所述加工机器未运行时,将所述待加工工序开始时间设置为立即加工;
当待加工工序为第一道工序时且待加工工序对应的所述加工机器已经运行时,将所述待加工工序的开始时间设置为所述加工机器的结束时间;
当待加工工序为非第一道工序时且待加工工序对应的所述加工机器未运行时,将开始时间设置为所述待加工工序对应的产品的上一道工序的结束时间;
当待加工工序为非第一道工序时且待加工工序对应的所述加工机器已经运行时,若所述加工机器的结束时间小于待加工工序对应产品的上一道工序的结束时间,则将所述待加工工序的开始时间设置为待加工工序对应产品的上一道工序的结束时间,若所述加工机器的结束时间不小于待加工工序对应产品的上一道工序的结束时间,则将所述待加工工序的开始时间设置为所述加工机器的结束时间。
5.如权利要求1所述的基于遗传算法的工件智能调度排产方法,其特征在于:所述第一次快速排序处理为采用轮盘赌选择法对所述第二初始种群进行排序处理。
6.如权利要求1所述的基于遗传算法的工件智能调度排产方法,其特征在于:所述交叉操作处理为采用单点交叉方式对所述第二初始种群进行交叉处理。
7.如权利要求1所述的基于遗传算法的工件智能调度排产方法,其特征在于:所述变异操作处理为采用二进制变异算子对所述第二初始种群进行变异处理。
8.如权利要求1所述的基于遗传算法的工件智能调度排产方法,其特征在于:所述第二次快速排序处理为采用混排方式对所述第二初始种群进行排序处理。
9.一种电子设备,其特征在于包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行权利要求1-8任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行如权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911413984.5A CN111210062B (zh) | 2019-12-31 | 2019-12-31 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911413984.5A CN111210062B (zh) | 2019-12-31 | 2019-12-31 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111210062A true CN111210062A (zh) | 2020-05-29 |
CN111210062B CN111210062B (zh) | 2023-04-07 |
Family
ID=70787542
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911413984.5A Active CN111210062B (zh) | 2019-12-31 | 2019-12-31 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111210062B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667194A (zh) * | 2020-06-15 | 2020-09-15 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
CN112884284A (zh) * | 2021-01-19 | 2021-06-01 | 广州爱思威科技股份有限公司 | 化合物半导体的生产控制方法、生产系统及存储介质 |
CN113011785A (zh) * | 2021-04-21 | 2021-06-22 | 广东机电职业技术学院 | 基于自适应调整参数的多订单混合调度优化方法、介质 |
CN113240176A (zh) * | 2021-05-12 | 2021-08-10 | 西北工业大学 | 基于有限人员即时站位的单元式装配车间智能排产方法 |
CN114240021A (zh) * | 2021-10-30 | 2022-03-25 | 中冶华天工程技术有限公司 | 一种钢铁料场上料自动排程方法 |
CN114707432A (zh) * | 2022-06-06 | 2022-07-05 | 浙江大学滨江研究院 | 一种基于遗传算法的锻造工厂智能排产方法 |
CN115409289A (zh) * | 2022-10-28 | 2022-11-29 | 湖南省交通科学研究院有限公司 | 混凝土订单排产方法、装置及存储介质 |
CN117745721A (zh) * | 2024-02-19 | 2024-03-22 | 江苏中天互联科技有限公司 | 一种基于标识解析的排产计划优化方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629927A (zh) * | 2015-12-18 | 2016-06-01 | 武汉开目信息技术有限责任公司 | 一种基于混合遗传算法的mes生产计划排产方法 |
CN109447408A (zh) * | 2018-09-21 | 2019-03-08 | 华中科技大学 | 一种基于复杂网络理论的跨单元调度方法 |
CN109948828A (zh) * | 2019-01-23 | 2019-06-28 | 北京航空航天大学 | 工序排序优化方法及装置 |
-
2019
- 2019-12-31 CN CN201911413984.5A patent/CN111210062B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105629927A (zh) * | 2015-12-18 | 2016-06-01 | 武汉开目信息技术有限责任公司 | 一种基于混合遗传算法的mes生产计划排产方法 |
CN109447408A (zh) * | 2018-09-21 | 2019-03-08 | 华中科技大学 | 一种基于复杂网络理论的跨单元调度方法 |
CN109948828A (zh) * | 2019-01-23 | 2019-06-28 | 北京航空航天大学 | 工序排序优化方法及装置 |
Non-Patent Citations (1)
Title |
---|
姜康等: "基于订单拆分生产的MTO企业生产调度及算法研究", 《制造技术与机床》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111667194B (zh) * | 2020-06-15 | 2023-08-08 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
CN111667194A (zh) * | 2020-06-15 | 2020-09-15 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
CN112884284A (zh) * | 2021-01-19 | 2021-06-01 | 广州爱思威科技股份有限公司 | 化合物半导体的生产控制方法、生产系统及存储介质 |
CN113011785B (zh) * | 2021-04-21 | 2023-06-13 | 广东机电职业技术学院 | 基于自适应调整参数的多订单混合调度优化方法、介质 |
CN113011785A (zh) * | 2021-04-21 | 2021-06-22 | 广东机电职业技术学院 | 基于自适应调整参数的多订单混合调度优化方法、介质 |
CN113240176B (zh) * | 2021-05-12 | 2023-06-20 | 西北工业大学 | 基于有限人员即时站位的单元式装配车间智能排产方法 |
CN113240176A (zh) * | 2021-05-12 | 2021-08-10 | 西北工业大学 | 基于有限人员即时站位的单元式装配车间智能排产方法 |
CN114240021A (zh) * | 2021-10-30 | 2022-03-25 | 中冶华天工程技术有限公司 | 一种钢铁料场上料自动排程方法 |
CN114707432B (zh) * | 2022-06-06 | 2022-10-14 | 浙江大学滨江研究院 | 一种基于遗传算法的锻造工厂智能排产方法 |
CN114707432A (zh) * | 2022-06-06 | 2022-07-05 | 浙江大学滨江研究院 | 一种基于遗传算法的锻造工厂智能排产方法 |
CN115409289A (zh) * | 2022-10-28 | 2022-11-29 | 湖南省交通科学研究院有限公司 | 混凝土订单排产方法、装置及存储介质 |
CN115409289B (zh) * | 2022-10-28 | 2024-04-02 | 湖南省交通科学研究院有限公司 | 混凝土订单排产方法、装置及存储介质 |
CN117745721A (zh) * | 2024-02-19 | 2024-03-22 | 江苏中天互联科技有限公司 | 一种基于标识解析的排产计划优化方法及相关设备 |
CN117745721B (zh) * | 2024-02-19 | 2024-05-07 | 江苏中天互联科技有限公司 | 一种基于标识解析的排产计划优化方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111210062B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210062B (zh) | 基于遗传算法的工件智能调度排产方法、设备及介质 | |
US20180356803A1 (en) | Method and system for batch scheduling uniform parallel machines with different capacities based on improved genetic algorithm | |
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 | |
CN107450498B (zh) | 基于改进人工蜂群算法的生产调度方法及系统 | |
US10401840B2 (en) | Method and system for scheduling parallel processing machines based on hybrid shuffled frog leaping algorithm and variable neighborhood search algorithm | |
US20150241876A1 (en) | Clustering for Prediction Models in Process Control and for Optimal Dispatching | |
CN107015875B (zh) | 一种电子整机贮存寿命评估方法及装置 | |
CN111062535A (zh) | 一种实现含能材料生产过程动态排产的方法及系统 | |
CN110619582A (zh) | 区块链交易方法、装置、设备及计算机存储介质 | |
CN108776845B (zh) | 一种基于双目标作业车间调度的混合果蝇算法 | |
CN106611275A (zh) | 针对作业车间生产问题的排产算法 | |
CN106709628A (zh) | 一种生产排程方法及系统 | |
CN110378583B (zh) | 一种拟关键路径同设备相邻工序互换方法 | |
CN112668789A (zh) | 一种柔性作业车间带准备工序的自适应分批调度方法 | |
CN110673560B (zh) | 基于操作完工时间快速预测的集成电路生产线调度方法 | |
Chou | A joint GA+ DP approach for single burn-in oven scheduling problems with makespan criterion | |
Pinheiro et al. | Effective IG heuristics for a single-machine scheduling problem with family setups and resource constraints | |
Kim et al. | Heuristics for a two-stage hybrid flowshop scheduling problem with ready times and a product-mix ratio constraint | |
Zhou et al. | EFSM-based test data generation with multi-population genetic algorithm | |
CN114285012B (zh) | 继电保护装置动作定值优化方法、系统、设备及存储介质 | |
CN106648834B (zh) | 基于批装箱问题的虚拟机调度方法 | |
Zhang et al. | A discrete fruit fly optimization algorithm for flow shop scheduling problem with intermingling equal sublots | |
Kumar et al. | Optimization of Scheduling Problems: A genetic algorithm survey | |
Chamnanlor et al. | Bi-objective optimization for reentrant shop scheduling problem | |
CN110147078A (zh) | 一种无故障rgv智能系统二道工序加工动态调度方法 |
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 |