CN111353528A - 一种基于下料利用率预测的组批与排样迭代优化方法 - Google Patents

一种基于下料利用率预测的组批与排样迭代优化方法 Download PDF

Info

Publication number
CN111353528A
CN111353528A CN202010106617.7A CN202010106617A CN111353528A CN 111353528 A CN111353528 A CN 111353528A CN 202010106617 A CN202010106617 A CN 202010106617A CN 111353528 A CN111353528 A CN 111353528A
Authority
CN
China
Prior art keywords
batch
prediction
utilization rate
layout
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.)
Granted
Application number
CN202010106617.7A
Other languages
English (en)
Other versions
CN111353528B (zh
Inventor
张�浩
刘强
魏丽军
严都喜
冷杰武
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.)
Guangdong University of Technology
Original Assignee
Guangdong 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010106617.7A priority Critical patent/CN111353528B/zh
Publication of CN111353528A publication Critical patent/CN111353528A/zh
Application granted granted Critical
Publication of CN111353528B publication Critical patent/CN111353528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Factory Administration (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

本发明公开了一种基于下料利用率预测的组批与排样迭代优化方法，包括下述步骤：订单组批：根据满足交货期偏差和生产约束的订单凝聚层次聚类算法进行订单组批优化，获得多个可行的组批方案；特征提取和降维：将每个组批方案中的每个批次中相同材质的板材作为最小预测样本；输入预测模型得出预测结果：将每个组批方案中所有的最小预测样本输入到下料利用率预测模型中进行排样结果预测，计算组批方案中所有批次中所有材料的排样预测结果；对排样预测结果进行计算和评估；调用排样优化算法进行计算；判断并输出结果；本发明旨在提供一种基于下料利用率预测的组批与排样迭代优化方法，能够大幅提高原材料利用率，降低原料成本，能大幅缩短计算时间。

Description

一种基于下料利用率预测的组批与排样迭代优化方法
技术领域
本发明涉及板材排版优化领域，尤其涉及一种基于下料利用率预测的组批与排样迭代优化方法。
背景技术
板式家具是一种具有个性化设计、美观时尚、高效空间利用、质量稳定、价格实惠的主流家具，它具有可定制、环保节约、实用的特性。板式家具是指以胶合板、刨花板、中纤板、绅木工板等人造板作为部件基材，以连接件接合组装而成的家具，其组成具有“标准化部件+五金件接口”的构造特征。相比实木家具，具有可以定制化外观设计，产品款式变化多样，材质不易变形，拆卸安装简单，运输和仓储方便等诸多优势，并且节约了宝贵的木材资源，提升了木材利用率。板式家具的定制化生产是一种批量的规模化生产，其板式工艺的复杂程度同产品的外观设计、产品结构、用料以及生产线上产品品种的种类数量等诸多因素息息相关，涉及的要素越多就越复杂。
当前，板式产品的生产方式仍停留在半自动化阶段：加工装备基本实现数字化、关键中间装备与制造执行系统缺位、作业过程离散、生产组织欠缺效率，各作业段仍需要大量人力物力。生产订单具有变更频繁且交货期紧迫等特征，导致原材料利用率低、生产效率低、设备稼动率偏低、资源配置不合理、交期与成本难控制等一系列问题。如果组批批次太小，材料利用率低，生产效率低；如果组批批次太大，材料利用率会提高，但订单交货期得不到保证，订单分拣难度提高，生产效率降低，缓冲区容量不足而造成堵塞等问题。排样(下料)优化直接决定了原料利用率与成本，排样后板材的流片次序决定了后续加工次序与分拣过程，直接影响生产管控，成为企业生产计划决策的核心问题。因此，板式产品生产企业迫切的需要解决订单组批与排样问题之间协同优化难题，实现解的协调性，来确保板式产品车间运行优化的整体性能，提高原材料利用率，减少制造周期与生产批次，降低生产成本，提高生产效率，为企业生产综合决策提供支持。
订单组批过程是一个组合优化问题，按实际生产约束与交货期等要求进行订单组合，如果把所有可能的排列组合方式进行组合，对于少量订单组合时或许可行，但是对于订单量比较大时，穷举所产生的组批方案种类将非常庞大。而排样优化问题是一个NP-hard问题，排样问题的搜索与求解空间庞大，计算耗时长。如果按常规方式将订单组批后，直接调用板材排样优化算法，排样结果，即利用率，一旦不理想则进行下一次迭代(更换组批方案)，这种迭代方法将无法确保求解过程的收敛速度及解的质量，最终导致整个求解过程变得非常漫长。为了适应小批量、多品种、大规模的订单进行揉单生产，避免出现如上述方法导致的部分板材下料率低、计算时间长、生产效率低与交期不能满足等问题，提出了一种基于历史数据驱动的下料利用率预测模型，通过预测模型对组批方案快速筛选的方式实现订单组批与排样的迭代优化。随着下料率预测模型训练数据的增加，预测精度也将不断提高，则可以增加剪支的力度，从而实现更快的迭代。
发明内容
本发明的目的在于提出一种基于下料利用率预测的组批与排样迭代优化方法，能够大幅提高原材料利用率，降低原料成本，能大幅缩短计算时间。。
为达此目的，本发明采用以下技术方案：一种基于下料利用率预测的组批与排样迭代优化方法，包括下述步骤：
订单组批：根据满足交货期偏差和生产约束的订单凝聚层次聚类算法进行订单组批优化，获得多个可行的组批方案；
特征提取和降维：将每个组批方案中的每个批次中相同材质的板材作为最小预测样本；
输入预测模型得出预测结果：将每个组批方案中所有的最小预测样本输入到下料利用率预测模型中进行排样结果预测，计算组批方案中所有批次中所有材料的排样预测结果；
对排样预测结果进行计算和评估：对所有组批方案的排样预测结果的预测值进行计算与评估，判断是否达标，达标则进行下一步骤，不达标则返回订单组批步骤，调整组批方案；
调用排样优化算法进行计算：选择预测利用率大于90％的组批方案，调用排样优化算法，进行真实排样优化，计算实际排样优化结果；
判断并输出结果：判断已排样的实际排样优化结果是否达标，如果不达标，则返回订单组批步骤，调整与优化组批方案进行二次迭代；如果达标，则输出最优的组批方案与排样优化结果。
优选的，在所述订单组批步骤中，所述订单组批影响因素包括：材料种类、订单完工时间、批次大小、订单数量与材料利用率；根据原料生产成本、客户交货期、生产设备产能与负荷、生产批次切换周期以及设备加工时间与效率，将同型号材质、交货期相近以及相似工件尺寸的订单组合为同一批次。
优选的，在所述订单组批步骤中，包括对订单数据进行预处理和分析相似性：
杰卡德相似系数的计算公式为：
Figure BDA0002388677000000031
其中A为订单集合A，B为订单集合B；
杰卡德距离的计算公式为：
Figure BDA0002388677000000041
其中A为订单集合A，B为订单集合B；
订单簇之间距离计算公式为：
Figure BDA0002388677000000042
其中nH为H类任一样本的个数；nK为K类任一样本的个数；i为H类任一样本的个数的项数；j为K类任一样本的个数的项数；
Figure BDA0002388677000000043
为H类任一样本Xi和K类任一样本Xj之间的欧式距离平方。
优选的，在所述订单组批步骤中，基于交货期偏差与生产工艺约束的凝聚层次聚类算法包括下述步骤：
步骤A1：N个初始状态下的订单各自成一类，即建立N类：G1(0)，G2(0)，…，Gn(0)，计算各类之间即订单之间的距离，即得到一个N*N维距离矩阵；“0”表示初始状态；
步骤A2：计算各类(订单簇)之间的类平均距离矩阵D(n)(n为逐次聚类合并的次数)，找出D(n)中的最小的元素(距离)及其对应的两个类Gx(n)与Gy(n)；
步骤A3：将Gx(n)与Gy(n)这两个类尝试合并成类G0(n)，判断合成后类G0(n)中的所有订单交货期偏差、订单总数、材质种类数、板件总数是否满足约束要求；如果不满足，则返回步骤二，找出D(n)中次小的元素对应的类进行合并检验；如果满足约束条件，则进行合并，并由此建立新的分类：G1(n+1)，G2(n+1)，…；
步骤A4：计算合并后新类别之间的距离，得D(n+1)；
步骤A5：跳至步骤二，重复计算及合并；设置类间距离阈值T，当D(n)的最小分量超过给定的阈值T时，算法停止；当所有类合并后都不满足交货期偏差和生产工艺约束条件时，停止合并，输出聚类结果。
优选的，在所述特征提取和降维步骤中：每个排样任务根据任务数据包括面积集合、周长集合、长边集合、短边集合、长宽比集合以及数量集合六种集合数据；对每种集合中的数据按从大到小进行排序；在每种集合中提取特征值九个特征值：
集合中的最大值与最小值的比值；
集合中所有值的平均值；
集合中所有值的中位值；
集合中所有值的标准差；
排序后集合中前后1/10个数之和的比值；
排序后集合中前后1/4个数之和的比值；
排序后集合中前后1/2个数之和的比值；
排序后集合中第1/10个数和第9/10个数值的比值；
排序后集合中第1/4个数和第3/4个数值的比值；
以及另一组十个特征值：原片长、原片宽、切片数量、切片种类、旋转后种类、Group数量、修边长、锯缝长、最小大板数以及切片总面积；每个排样任务提取的六十四个特征值为预测样本的数据。
优选的，在所述输入预测模型得出预测结果的步骤中，所述下料利用率预测模型为学习实际生产订单中的排样下料优化的历史数据，运行机器学习中的RandomForest模型、XGBboost模型与LightGBM模型，对历史订单排样经验数据进行学习与训练的回归模型。
优选的，在所述对排样预测结果进行计算和评估的步骤中，利用训练好的下料利用率预测模型对每个组批方案进行排样结果预测，再根据预测结果中利用率值的大小进行组批方案的初步筛选与评估，当组批方案预测利用率达标时，进入下一步骤；当组批方案预测利用率不达标时，则直接返回订单组批步骤，调整组批方案。
优选的，在所述调用排样优化算法进行计算步骤中，所述排样优化算法为单规格或多规格或卷型材或异形排样优化算法。
本发明采用上述结构，首先提出满足交货期与生产工艺约束的订单凝聚层次聚类算法对订单进行组批；再利用机器学习模型对组批后的订单数据进行下料利用率进行预测；按预测的结果筛选较好的组批方案进行排样计算，通过预测模型对组批方案筛选后再进行组批与排样的迭代，以此来提高搜索速度。通过计算实验结果表明，基于下料利用率预测模型的订单组批与排样迭代优化方法能够大幅提高原材料利用率，降低原料成本，能大幅缩短计算时间。通过企业实际生产数据进行组批与排样的协同优化测试，验证了所提方法的有效性，为企业节省大量的成本。
附图说明
附图对本发明做进一步说明，但附图中的内容不构成对本发明的任何限制。
图1是本发明基于代理模型的组批与排样迭代优化算法流程图；
图2是本发明中订单凝聚层次聚类过程图；
图3是本发明中考虑交货期与生产约束的订单凝聚层次聚类结果图图；
图4是本发明中使用板材数预测值与实际值图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
参阅图1至图4所示，本实施例的一种基于下料利用率预测的组批与排样迭代优化方法，包括下述步骤：
订单组批：根据满足交货期偏差和生产约束的订单凝聚层次聚类算法进行订单组批优化，获得多个可行的组批方案；
特征提取和降维：将每个组批方案中的每个批次中相同材质的板材作为最小预测样本；
输入预测模型得出预测结果：将每个组批方案中所有的最小预测样本输入到下料利用率预测模型中进行排样结果预测，计算组批方案中所有批次中所有材料的排样预测结果；
对排样预测结果进行计算和评估：对所有组批方案的排样预测结果的预测值进行计算与评估，判断是否达标，达标则进行下一步骤，不达标则返回订单组批步骤，调整组批方案；
调用排样优化算法进行计算：选择预测利用率大于90％的组批方案，调用排样优化算法，进行真实排样优化，计算实际排样优化结果；
判断并输出结果：判断已排样的实际排样优化结果是否达标，如果不达标，则返回订单组批步骤，调整与优化组批方案进行二次迭代；如果达标，则输出最优的组批方案与排样优化结果。
板式产品制造企业的个性化需求旺盛，生产订单数量多，规格多样，常面临着“多品种小批量”的定制生产需求，生产订单变更频繁、交货期紧迫，这一系列生产特征导致生产过程批次多、换产频繁，进而导致原材料利用率与生产效率低下、设备稼动率不平衡、资源配置不合理、交期保障困难等一系列问题，迫切需要提高订单组批能力，降低生产批次。进行订单组批与排样的协同优化有利于实现板式产品定制生产过程的系统性优化，同步提高原材料利用率和减少生产批次，降低生产成本，提高生产效率，研究订单组批与排样的协同优化问题具有重要的理论研究价值和实际工程意义。
订单组批问题是研究如何实现订单的批量化生产，需要考虑订单材质、板件数量、交货期等，并按实际生产约束等进行订单组合，获得最优的组批方案，以提高产线效率，缩短订单完工期。下料排样是板式产品的首道工序，对板件进行排版优化以最大化原材料利用率，直接影响生产批次构成与原料成本。月均数万订单准时交付对企业生产组织构成了极大挑战。孤立的考虑订单组批与排样优化这两个问题，会出现最优组批方案对应的板材开料利用率低，最大利用率的排样方案对应的订单完工期达不到要求等问题。而多元优化目标之间极有可能存在结构性的不可协调性，而导致非收敛式迭代，在订单齐套性约束下，更增加了问题的难度，迭代计算量增加，限时迭代步数显著减少，更容易呈现非收敛式迭代现象。需要寻找一种合适平衡的快速搜索与剪支机制，实现两者之间快速迭代，对订单组批和排样问题优化目标值之间进行协同。因此，需要对订单组批与排样问题进行协同优化，以利于实现生产过程的系统性优化，同步提高材料利用率和生产效率，减少批次，降低成本。
板式产品大规模个性化定制生产中，订单组批与排样优化之间存在强耦合关联，在订单交货期、原料下料率、设备利用率等方面存在时间或空间维度上的不可协调性，从而导致两个问题求解计算的非收敛式迭代，计算时间长，材料利用率低，组批不合理等问题。针对该问题提出了一种基于下料利用率预测的订单组批与排样迭代优化方法。首先提出一种满足交货期与生产工艺约束的订单凝聚层次聚类算法对订单进行组批；再利用机器学习模型对组批后的订单数据进行下料利用率进行预测；按预测的结果筛选较好的组批方案进行排样计算，通过预测模型对组批方案筛选后再进行组批与排样的迭代，以此来提高搜索速度。通过计算实验结果表明，基于下料利用率预测模型的订单组批与排样迭代优化方法能够大幅提高原材料利用率，降低原料成本，能大幅缩短计算时间。通过企业实际生产数据进行组批与排样的协同优化测试，验证了所提方法的有效性，为企业节省大量的成本。
优选的，在所述订单组批步骤中，所述订单组批影响因素包括：材料种类、订单完工时间、批次大小、订单数量与材料利用率；根据原料生产成本、客户交货期、生产设备产能与负荷、生产批次切换周期以及设备加工时间与效率，将同型号材质、交货期相近以及相似工件尺寸的订单组合为同一批次。
生产订单的组批通常按其订单相似性，将不同订单组成若干批次。板式产品生产订单组批考虑的因素包括：材料种类(材质与厚度)、订单完工时间、批次大小、订单数量、材料利用率等。需要综合考虑原料生产成本、客户交货期、生产设备产能与负荷、生产批次切换周期、设备加工时间与效率等诸多因素。组批的订单数量如果太少，则会导致材料利用率过低，生产切换时间长，设备效率低；组批订单数量如果太多，订单完生产工期较长，订单分拣难度增加，交期得不到保证。通常将同型号材质、交货期相近、相似工件尺寸的订单尽量放在同一批次，以减少加工设备的调整次数，提高材料利用率，提高生产效率。
优选的，在所述订单组批步骤中，包括对订单数据进行预处理和分析相似性：
杰卡德相似系数的计算公式为：
Figure BDA0002388677000000091
其中A为订单集合A，B为订单集合B；
杰卡德距离的计算公式为：
Figure BDA0002388677000000092
其中A为订单集合A，B为订单集合B；
订单簇之间距离计算公式为：
Figure BDA0002388677000000101
其中nH为H类任一样本的个数；nK为K类任一样本的个数；i为H类任一样本的个数的项数；j为K类任一样本的个数的项数；
Figure BDA0002388677000000102
为H类任一样本Xi和K类任一样本Xj之间的欧式距离平方。
板式产品生产企业中客户的一个订单可能有多种材质的板件，每个订单数据包含的信息有：材质种类、板件尺寸与数量、订单完工期等信息。为了能让具有相同材质的订单组合在一起，需要建立各订单之间材质相似性度量方法，本方法中采用基于杰卡德相似性系数(Jaccard similarity coefficient，JSC)来评估两个订单之间材质的相似程度。杰卡德相似系数是衡量两个(订单材质)集合的相似度的一种指标，而杰卡德距离则表示用两个集合中不同元素(材质)与所有元素(材质)的比例来衡量两个(订单材质)集合的区分度。
在层次聚类算法中，计算聚类距离间距的计算方法主要有最短距离法、最长距离法、中间距离法、重心法、类平均距离法这五种方法。本算法中类间距离采用类平均距离法，类平均距离法是计算两个簇之间各订单两两之间距离，将所有距离的均值作为两个订单簇之间的距离。
若K类由I类和J类合并产生，则递推式为:
Figure BDA0002388677000000103
优选的，在所述订单组批步骤中，基于交货期偏差与生产工艺约束的凝聚层次聚类算法包括下述步骤：
步骤A1：N个初始状态下的订单各自成一类，即建立N类：G1(0)，G2(0)，…，Gn(0)，计算各类之间即订单之间的距离，即得到一个N*N维距离矩阵；“0”表示初始状态；
步骤A2：计算各类(订单簇)之间的类平均距离矩阵D(n)(n为逐次聚类合并的次数)，找出D(n)中的最小的元素(距离)及其对应的两个类Gx(n)与Gy(n)；
步骤A3：将Gx(n)与Gy(n)这两个类尝试合并成类G0(n)，判断合成后类G0(n)中的所有订单交货期偏差、订单总数、材质种类数、板件总数是否满足约束要求；如果不满足，则返回步骤二，找出D(n)中次小的元素对应的类进行合并检验；如果满足约束条件，则进行合并，并由此建立新的分类：G1(n+1)，G2(n+1)，…；
步骤A4：计算合并后新类别之间的距离，得D(n+1)；
步骤A5：跳至步骤二，重复计算及合并；设置类间距离阈值T，当D(n)的最小分量超过给定的阈值T时，算法停止；当所有类合并后都不满足交货期偏差和生产工艺约束条件时，停止合并，输出聚类结果。
订单层次聚类(Hierarchical Clustering)是聚类算法的一种，按其创建聚类订单树时是采用“自底向上”还是“自顶向下”可分为凝聚(agglomerative)层次聚类和分裂(divsive)层次聚类。本算法中采用的是凝聚层次聚类算法，首先将每个订单作为一个簇，将最近的一对簇进行合并，并反复迭代这一过程，直到所有的簇都不能合并为止，通过这种方式创建一棵有层次的嵌套聚类树。即通过计算每一个类别的订单之间的距离来确定它们之间的相似性，距离越小，相似度越高，然后按距离准则逐步合并，减少类数。
订单层次聚类算例分析：
为了检验订单层次聚类算法的性能，我们从企业获取了24个板式产品生产订单数据，每个订单包含有3-5种材质，总计有16种材质，订单完工期为3-13个工期不等，采用杰卡德距离的订单凝聚层次聚类过程如图2所示。
凝聚层次聚类算法采用“自底向上”的方式进行聚类，层次聚类过程图可以在不同的尺度上(层次)展示订单集的聚类情况。当设置类间聚类阀值T＝0.8时，由图中五个黑点可将订单分成如下五类：{‘0’、‘15’、‘6’、‘9’、‘7’、‘1’、‘16’、‘18’}，{‘2’、‘11’、‘17’}，{‘3’,、‘4’、‘23’}，{‘10’、‘22’、‘12’、‘14’}，{‘5’、‘13’、‘8’、‘19’、‘20’、‘21’}。由于图中的聚类方式没有考虑交货期与生产约束的限制，聚类后的批次会出现交货期偏差较大，材料种类偏多等问题(图中打叉点处的批次)，导致组批后无法投放生产，因此需要在聚类的过程中加入实际生产约束条件。在层次聚类的过程中，每次合并前先判断两个批次的订单合并后是否满足如下条件：合并后批次内订单交货期偏差≤4；材料种类≤10；订单数量≤5等。如果满足这些约束条件，则两个类合并；如果不满足合并条件，则再寻找次小的类间距离批次进行合并，直到都不能合并为止。满足交货期偏差与生产约束的订单凝聚层次聚类结果如图3所示，最终将订单分成7个批次。
优选的，在所述特征提取和降维步骤中：每个排样任务根据任务数据包括面积集合、周长集合、长边集合、短边集合、长宽比集合以及数量集合六种集合数据；对每种集合中的数据按从大到小进行排序；在每种集合中提取特征值九个特征值：
集合中的最大值与最小值的比值；
集合中所有值的平均值；
集合中所有值的中位值；
集合中所有值的标准差；
排序后集合中前后1/10个数之和的比值；
排序后集合中前后1/4个数之和的比值；
排序后集合中前后1/2个数之和的比值；
排序后集合中第1/10个数和第9/10个数值的比值；
排序后集合中第1/4个数和第3/4个数值的比值；
以及另一组十个特征值：原片长、原片宽、切片数量、切片种类、旋转后种类、Group数量、修边长、锯缝长、最小大板数以及切片总面积；每个排样任务提取的六十四个特征值为预测样本的数据。
在排样下料利用率预测任务中，数据决定机器学习预测排样结果的上限，而算法只是尽可能的逼近这个上限，可见数据在机器学习中的作用，算法模型的效果依赖于训练数据，实际上是依赖于任务数据中提取的特征值，因此排样下料利用率预测模型需要选择最具有“代表性”的特征数据作为输入，否则会出现过拟合或欠拟合现象。排样下料优化问题从原始订单任务数据中获取的只有原片尺寸信息、切片信息(长、宽、数量)，即使有再多的训练数据也无法被算法模型很好的利用，因为这些数据与装箱利用率之间，以及原材料使用数目的关联紧密程度只占到小部分因素，算法模型无法从数据中获得更好的特征表达，模型训练结果所获得的模型参数并不是最佳参数，从而直接影响后期的排样下料预测结果。所以需要筛选出与排样下料利用率相关的显著特征、摒弃非显著特征，并了解排样的相关过程及工艺参数的影响等。
针对板材排样下料预测问题的特点在选择提取特征值时应体现如下关系：表现小矩形与板材原料之间尺寸的对比关系；表现小矩形之间的数据变化程度；表现小矩形与板材原料数据之间对比关系的变化程度。
优选的，在所述输入预测模型得出预测结果的步骤中，所述下料利用率预测模型为学习实际生产订单中的排样下料优化的历史数据，运行机器学习中的RandomForest模型、XGBboost模型与LightGBM模型，对历史订单排样经验数据进行学习与训练的回归模型。
一种基于机器学习的排样下料率预测模型，通过学习实际生产订单中的排样下料优化历史数据，运行机器学习中的RandomForest模型、XGBboost模型与LightGBM模型，对这些历史订单排样经验数据的学习与训练，不断的提高模型的预测精确度。在此训练任务中，使用多个机器学习回归模型训练同一批历史经验数据，分析并评估每个训练模型的性能，从中找出一个最符合此类排样下料问题的预测模型。当有新的订单数据时，对任务订单中切片和原片信息数据先进行特征提取，再运用训练好的预测模型对待优化任务需要消耗的原材料板材数量、排样利用率、切割版面数进行预测，即不需要经过实际排版优化就能快速对新订单任务的排样优化结果进行准确的预测。
优选的，在所述对排样预测结果进行计算和评估的步骤中，利用训练好的下料利用率预测模型对每个组批方案进行排样结果预测，再根据预测结果中利用率值的大小进行组批方案的初步筛选与评估，当组批方案预测利用率达标时，进入下一步骤；当组批方案预测利用率不达标时，则直接返回订单组批步骤，调整组批方案。
优选的，在所述调用排样优化算法进行计算步骤中，所述排样优化算法为单规格或多规格或卷型材或异形排样优化算法。
计算实验与分析：
计算实验：
为了验证基于下料利用率预测模型的订单组批与排样迭代优化方法的可行性与有效性，从板式定制家具企业获取了实际生产订单数据进行迭代优化与测试。其中迭代优化算法用Java实现，由Eclipse 3.7编译；使用Python来训练排样代理模型，将模型转为PMML文件，再使用Java直接调用PMML文件(预测模型)。所有实验均在主频为3.4G Hz(四核)的Intel i7 CPU上执行，8GB RAM的Windows 7SP1操作系统。
实验对比与分析：
运用基于预测模型的迭代优化算法，对企业提供的24个订单数据进行组批与排样的协同优化实验。采用凝聚层次聚类算法进行订单组批，其中组批的订单需要满足每个批次内：材料种类数≤12、订单交货期偏差≤5、小板总数量≤1000、订单总数≤8。通过调整组批约束参数来调整组批方案，在整个迭代过程中总计生成20种组批方案，这20中组批方案对应的实际排样优化结果和代理模型预测的结果如表1所示。通过组批后的实际排样结果与代理模型预测结果对比可知，使用大板数的实际值与预测值的最大偏差为3块板，且有7个组批方案的预测值与实际值相等，具体如图4所示。实线代表预测值，选取预测值中较优(前20％)组批方案即方案4、5、9、10进行排样优化，选出所有组批方案中的最优方案，且大幅减短了迭代时间。
Figure BDA0002388677000000161
表1组批方案实际排样优化结果与代理模型预测结果对比
采用不同优化方法进行优化的结果对比如表2所示。其中加代理模型与不加代理模型的组批与排样迭代方法相比，都能获得相同的解，但迭代搜索时间缩短了80.1％；基于代理模型的迭代优化方法与不组批优化的排样结果对比，使用大板数减少了29块，切割效率提高了5.9％，材料利用率提高了9.1％。
Figure BDA0002388677000000171
表2组批与代理模型迭代优化算法效果对比
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。

Claims (8)

1.一种基于下料利用率预测的组批与排样迭代优化方法，其特征在于，包括下述步骤：
订单组批：根据满足交货期偏差和生产约束的订单凝聚层次聚类算法进行订单组批优化，获得多个可行的组批方案；
特征提取和降维：将每个组批方案中的每个批次中相同材质的板材作为最小预测样本；
输入预测模型得出预测结果：将每个组批方案中所有的最小预测样本输入到下料利用率预测模型中进行排样结果预测，计算组批方案中所有批次中所有材料的排样预测结果；
对排样预测结果进行计算和评估：对所有组批方案的排样预测结果的预测值进行计算与评估，判断是否达标，达标则进行下一步骤，不达标则返回订单组批步骤，调整组批方案；
调用排样优化算法进行计算：选择预测利用率大于90％的组批方案，调用排样优化算法，进行真实排样优化，计算实际排样优化结果；
判断并输出结果：判断已排样的实际排样优化结果是否达标，如果不达标，则返回订单组批步骤，调整与优化组批方案进行二次迭代；如果达标，则输出最优的组批方案与排样优化结果。
2.根据权利要求1所述的一种基于下料利用率预测的组批与排样迭代优化方法，其特征在于，在所述订单组批步骤中，所述订单组批影响因素包括：材料种类、订单完工时间、批次大小、订单数量与材料利用率；根据原料生产成本、客户交货期、生产设备产能与负荷、生产批次切换周期以及设备加工时间与效率，将同型号材质、交货期相近以及相似工件尺寸的订单组合为同一批次。
3.根据权利要求2所述的一种基于下料利用率预测的组批与排样迭代优化方法，其特征在于，在所述订单组批步骤中，包括对订单数据进行预处理和分析相似性：
杰卡德相似系数的计算公式为：
Figure FDA0002388676990000021
其中A为订单集合A，B为订单集合B；
杰卡德距离的计算公式为：
Figure FDA0002388676990000022
其中A为订单集合A，B为订单集合B；
订单簇之间距离计算公式为：
Figure FDA0002388676990000023
其中nH为H类任一样本的个数；nK为K类任一样本的个数；i为H类任一样本的个数的项数；j为K类任一样本的个数的项数；
Figure FDA0002388676990000024
为H类任一样本Xi和K类任一样本Xj之间的欧式距离平方。
4.根据权利要求3所述的一种基于下料利用率预测的组批与排样迭代优化方法，其特征在于，在所述订单组批步骤中，基于交货期偏差与生产工艺约束的凝聚层次聚类算法包括下述步骤：
步骤A1：N个初始状态下的订单各自成一类，即建立N类：G1(0)，G2(0)，…，Gn(0)，计算各类之间即订单之间的距离，即得到一个N*N维距离矩阵；“0”表示初始状态；
步骤A2：计算各类(订单簇)之间的类平均距离矩阵D(n)(n为逐次聚类合并的次数)，找出D(n)中的最小的元素(距离)及其对应的两个类Gx(n)与Gy(n)；
步骤A3：将Gx(n)与Gy(n)这两个类尝试合并成类G0(n)，判断合成后类G0(n)中的所有订单交货期偏差、订单总数、材质种类数、板件总数是否满足约束要求；如果不满足，则返回步骤二，找出D(n)中次小的元素对应的类进行合并检验；如果满足约束条件，则进行合并，并由此建立新的分类：G1(n+1)，G2(n+1)，…；
步骤A4：计算合并后新类别之间的距离，得D(n+1)；
步骤A5：跳至步骤二，重复计算及合并；设置类间距离阈值T，当D(n)的最小分量超过给定的阈值T时，算法停止；当所有类合并后都不满足交货期偏差和生产工艺约束条件时，停止合并，输出聚类结果。
5.根据权利要求1所述的一种基于下料利用率预测的组批与排样迭代优化方法，其特征在于，在所述特征提取和降维步骤中：每个排样任务根据任务数据包括面积集合、周长集合、长边集合、短边集合、长宽比集合以及数量集合六种集合数据；对每种集合中的数据按从大到小进行排序；在每种集合中提取特征值九个特征值：
集合中的最大值与最小值的比值；
集合中所有值的平均值；
集合中所有值的中位值；
集合中所有值的标准差；
排序后集合中前后1/10个数之和的比值；
排序后集合中前后1/4个数之和的比值；
排序后集合中前后1/2个数之和的比值；
排序后集合中第1/10个数和第9/10个数值的比值；
排序后集合中第1/4个数和第3/4个数值的比值；
以及另一组十个特征值：原片长、原片宽、切片数量、切片种类、旋转后种类、Group数量、修边长、锯缝长、最小大板数以及切片总面积；每个排样任务提取的六十四个特征值为预测样本的数据。
6.根据权利要求1所述的一种基于下料利用率预测的组批与排样迭代优化方法，其特征在于，在所述输入预测模型得出预测结果的步骤中，所述下料利用率预测模型为学习实际生产订单中的排样下料优化的历史数据，运行机器学习中的RandomForest模型、XGBboost模型与LightGBM模型，对历史订单排样经验数据进行学习与训练的回归模型。
7.根据权利要求1所述的一种基于下料利用率预测的组批与排样迭代优化方法，其特征在于，在所述对排样预测结果进行计算和评估的步骤中，利用训练好的下料利用率预测模型对每个组批方案进行排样结果预测，再根据预测结果中利用率值的大小进行组批方案的初步筛选与评估，当组批方案预测利用率达标时，进入下一步骤；当组批方案预测利用率不达标时，则直接返回订单组批步骤，调整组批方案。
8.根据权利要求1所述的一种基于下料利用率预测的组批与排样迭代优化方法，其特征在于，在所述调用排样优化算法进行计算步骤中，所述排样优化算法为单规格或多规格或卷型材或异形排样优化算法。
CN202010106617.7A 2020-02-21 2020-02-21 一种基于下料利用率预测的组批与排样迭代优化方法 Active CN111353528B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010106617.7A CN111353528B (zh) 2020-02-21 2020-02-21 一种基于下料利用率预测的组批与排样迭代优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010106617.7A CN111353528B (zh) 2020-02-21 2020-02-21 一种基于下料利用率预测的组批与排样迭代优化方法

Publications (2)

Publication Number Publication Date
CN111353528A true CN111353528A (zh) 2020-06-30
CN111353528B CN111353528B (zh) 2020-10-30

Family

ID=71195704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010106617.7A Active CN111353528B (zh) 2020-02-21 2020-02-21 一种基于下料利用率预测的组批与排样迭代优化方法

Country Status (1)

Country Link
CN (1) CN111353528B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232584A (zh) * 2020-10-28 2021-01-15 中冶南方工程技术有限公司 一种钢铁企业大宗原燃料汽车取样组批方法和系统
CN112348240A (zh) * 2020-10-28 2021-02-09 中冶南方工程技术有限公司 一种大宗原燃料自动取样的两阶段组批方法和系统
CN112907068A (zh) * 2021-02-09 2021-06-04 刘连英 紧固件组批生产的方法
CN113053476A (zh) * 2021-04-30 2021-06-29 清远欧派集成家居有限公司 一种提升平面材料切割时利用率的方法和系统
CN113674057A (zh) * 2021-08-19 2021-11-19 广东工业大学 一种基于分层聚合策略的组批优化方法
CN113780339A (zh) * 2021-08-03 2021-12-10 阿里巴巴（中国）有限公司 模型训练、预测及内容理解方法及电子设备
CN114331189A (zh) * 2021-12-31 2022-04-12 曲美家居集团股份有限公司 定制家具用板材的加工方法、装置及流水线
CN114359276A (zh) * 2022-03-17 2022-04-15 武汉海明亮科技发展有限公司 基于麻点缺陷的钢模下料优选方案获取方法
CN114734210A (zh) * 2022-04-29 2022-07-12 浙江大学 一种基于滚动填炉策略的钢管合同组批方法
CN114936711A (zh) * 2022-06-15 2022-08-23 广东工业大学 一种大规模板式定制家具订单揉单优化方法
CN115759634A (zh) * 2022-11-18 2023-03-07 中南大学 一种矩形板材组批排样高效协同方法
US20230119396A1 (en) * 2021-10-19 2023-04-20 Dell Products L.P. Smart product sales and manufacturing
CN116629520A (zh) * 2023-04-27 2023-08-22 苏州大学 一种瓦楞纸板双刀加工线集成控制方法
CN116882555A (zh) * 2023-06-26 2023-10-13 广东工业大学 一种分拣工位受限的多订单排样优化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100257011A1 (en) * 2007-09-21 2010-10-07 Kazuhiro Takeyasu Precut material allocating method, computer program for the precut material allocating method, and computer-readable recording media
CN105678408A (zh) * 2015-12-30 2016-06-15 广州兴森快捷电路科技有限公司 Pcb板合拼方法及合拼系统
CN106920004A (zh) * 2017-01-25 2017-07-04 重庆大学 一种基于成本动态平衡的一维下料方法
CN108811345A (zh) * 2018-08-09 2018-11-13 广东工业大学 一种考虑多种工艺约束的pcb排样优化方法
CN109118002A (zh) * 2018-08-09 2019-01-01 广东工业大学 一种板式产品切割下料与分箱分架集成优化方法
CN109145423A (zh) * 2018-08-09 2019-01-04 广东工业大学 一种pcb合拼与排样集成优化方法及系统
CN109325623A (zh) * 2018-09-27 2019-02-12 湘潭大学 订单配置与组板组坯虚拟板坯整体方案优化装置及方法
CN109685790A (zh) * 2018-12-24 2019-04-26 杭州澳星科技有限公司 一种基于gpu运算的真皮快速排料算法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100257011A1 (en) * 2007-09-21 2010-10-07 Kazuhiro Takeyasu Precut material allocating method, computer program for the precut material allocating method, and computer-readable recording media
CN105678408A (zh) * 2015-12-30 2016-06-15 广州兴森快捷电路科技有限公司 Pcb板合拼方法及合拼系统
CN106920004A (zh) * 2017-01-25 2017-07-04 重庆大学 一种基于成本动态平衡的一维下料方法
CN108811345A (zh) * 2018-08-09 2018-11-13 广东工业大学 一种考虑多种工艺约束的pcb排样优化方法
CN109118002A (zh) * 2018-08-09 2019-01-01 广东工业大学 一种板式产品切割下料与分箱分架集成优化方法
CN109145423A (zh) * 2018-08-09 2019-01-04 广东工业大学 一种pcb合拼与排样集成优化方法及系统
CN109325623A (zh) * 2018-09-27 2019-02-12 湘潭大学 订单配置与组板组坯虚拟板坯整体方案优化装置及方法
CN109685790A (zh) * 2018-12-24 2019-04-26 杭州澳星科技有限公司 一种基于gpu运算的真皮快速排料算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JIEWU LENG ET AL.: "Digital twin-driven manufacturing cyber-physical system for parallel of smart workshop", 《JOURNAL OF AMBIENT INTELLIGENCE AND HUMANISED COMPUTING》 *
QIANG LIU ET AL.: "Digital twin-driven rapid individualized designing of automated flow-shop manufacturing system", 《INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348240B (zh) * 2020-10-28 2022-08-05 中冶南方工程技术有限公司 一种大宗原燃料自动取样的两阶段组批方法和系统
CN112348240A (zh) * 2020-10-28 2021-02-09 中冶南方工程技术有限公司 一种大宗原燃料自动取样的两阶段组批方法和系统
CN112232584B (zh) * 2020-10-28 2023-11-24 中冶南方工程技术有限公司 一种钢铁企业大宗原燃料汽车取样组批方法和系统
CN112232584A (zh) * 2020-10-28 2021-01-15 中冶南方工程技术有限公司 一种钢铁企业大宗原燃料汽车取样组批方法和系统
CN112907068A (zh) * 2021-02-09 2021-06-04 刘连英 紧固件组批生产的方法
CN113053476A (zh) * 2021-04-30 2021-06-29 清远欧派集成家居有限公司 一种提升平面材料切割时利用率的方法和系统
CN113780339A (zh) * 2021-08-03 2021-12-10 阿里巴巴（中国）有限公司 模型训练、预测及内容理解方法及电子设备
CN113780339B (zh) * 2021-08-03 2024-03-29 阿里巴巴（中国）有限公司 模型训练、预测及内容理解方法及电子设备
CN113674057A (zh) * 2021-08-19 2021-11-19 广东工业大学 一种基于分层聚合策略的组批优化方法
CN113674057B (zh) * 2021-08-19 2023-08-25 广东工业大学 一种基于分层聚合策略的组批优化方法
US20230119396A1 (en) * 2021-10-19 2023-04-20 Dell Products L.P. Smart product sales and manufacturing
CN114331189A (zh) * 2021-12-31 2022-04-12 曲美家居集团股份有限公司 定制家具用板材的加工方法、装置及流水线
CN114359276A (zh) * 2022-03-17 2022-04-15 武汉海明亮科技发展有限公司 基于麻点缺陷的钢模下料优选方案获取方法
CN114359276B (zh) * 2022-03-17 2022-05-27 武汉海明亮科技发展有限公司 基于麻点缺陷的钢模下料优选方案获取方法
CN114734210A (zh) * 2022-04-29 2022-07-12 浙江大学 一种基于滚动填炉策略的钢管合同组批方法
CN114936711A (zh) * 2022-06-15 2022-08-23 广东工业大学 一种大规模板式定制家具订单揉单优化方法
CN115759634A (zh) * 2022-11-18 2023-03-07 中南大学 一种矩形板材组批排样高效协同方法
CN115759634B (zh) * 2022-11-18 2024-04-26 中南大学 一种矩形板材组批排样高效协同方法
CN116629520A (zh) * 2023-04-27 2023-08-22 苏州大学 一种瓦楞纸板双刀加工线集成控制方法
CN116629520B (zh) * 2023-04-27 2024-03-15 苏州大学 一种瓦楞纸板双刀加工线集成控制方法
CN116882555A (zh) * 2023-06-26 2023-10-13 广东工业大学 一种分拣工位受限的多订单排样优化方法
CN116882555B (zh) * 2023-06-26 2024-03-12 广东工业大学 一种分拣工位受限的多订单排样优化方法

Also Published As

Publication number Publication date
CN111353528B (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN111353528B (zh) 一种基于下料利用率预测的组批与排样迭代优化方法
WO2021088499A1 (zh) 一种基于动态网络表征的发票虚开识别方法及系统
CN111309871B (zh) 一种基于文本语义分析需求与输出成果之间匹配度的方法
CN110807527A (zh) 一种基于客群筛选的额度调整方法、装置和电子设备
CN111242363A (zh) 一种基于机器学习的pcb板订单合拼与排版预测方法及系统
CN109919489B (zh) 基于企业资产管理系统和ga-bp的企业设备寿命预测方法
CN103294817A (zh) 一种基于类别分布概率的文本特征抽取方法
CN109376247B (zh) 一种基于关联规则的软件缺陷自动分类方法
CN111144106B (zh) 一种不平衡数据集下的两阶段文本特征选择方法
CN110990529B (zh) 企业的行业明细划分方法及系统
CN105825078A (zh) 基于基因大数据的小样本基因表达数据分类方法
CN117453764A (zh) 一种数据挖掘分析方法
CN110232154A (zh) 基于随机森林的产品推荐方法、装置及介质
CN113591947A (zh) 基于用电行为的电力数据聚类方法、装置和存储介质
CN113537758A (zh) 基于大数据技术的制造业高质量发展综合评价方法和系统
CN109978023A (zh) 面向高维大数据分析的特征选择方法及计算机存储介质
CN110597796B (zh) 基于全生命周期的大数据实时建模方法及系统
US20230195081A1 (en) Industrial internet of things, control method, and medium for regulating multi-type of working parameters
CN105678430A (zh) 基于邻近项目Slope One算法的用户改进推荐方法
CN113657106B (zh) 基于归一化词频权重的特征选择方法
CN113495906B (zh) 数据处理方法与装置、计算机可读存储介质、电子设备
CN113780618B (zh) 基于自然语言处理和随机森林的特钢生产锭型预测方法
CN111881668B (zh) 基于卡方统计和tf-crf改进的tf-idf计算装置
Li Software Defect Prediction Technology Based on Fuzzy Support Vector Machine
CN115358863A (zh) 一种投资机构分析方法

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