CN111665808A - 基于遗传算法的生产调度计划优化方法 - Google Patents
基于遗传算法的生产调度计划优化方法 Download PDFInfo
- Publication number
- CN111665808A CN111665808A CN202010547306.4A CN202010547306A CN111665808A CN 111665808 A CN111665808 A CN 111665808A CN 202010547306 A CN202010547306 A CN 202010547306A CN 111665808 A CN111665808 A CN 111665808A
- Authority
- CN
- China
- Prior art keywords
- production
- genetic algorithm
- batch
- ijk
- scheduling
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000002068 genetic effect Effects 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 239000004753 textile Substances 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 34
- 230000035772 mutation Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000010923 batch production Methods 0.000 claims description 2
- 238000009987 spinning Methods 0.000 abstract description 6
- 238000009826 distribution Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 14
- 210000000349 chromosome Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明涉及一种基于遗传算法的生产调度计划优化方法,本发明在以订单为驱动力的生产方式下,对设备已经相对成型的纺纱企业,就订单生产线分配、以及生产顺序进行优化,通过对不同种类纺织品加工顺序和流程的调整,来提高生产效率。本发明包括生产计划调度优化的详细项目需求、模型的建立、针对提出模型的遗传算法设计、具体的算法实现、来通过算法产成最优生产计划调度结果。
Description
技术领域
本发明涉及一种优化方法,尤其是涉及一种基于遗传算法的生产调度计划优化方法。
背景技术
遗传算法是模拟达尔文进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群开始的,而一个种群则由经过基因编码的一定数目的个体组成。在初代种群产生之后,按照适者生存和优胜劣汰的原理,逐代演化产生出越来越好的近似解,在每一代,根据问题中个体的适应度大小选择个体,并借助于自然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的种群。这个过程将导致种群像自然进化一样,后代种群比前代更适应于环境,末代种群中的最优个体对应作为问题近似的最优解。
遗传算法的具体流程详见图1,首先针对问题,确定表示问题解答的染色体(编码),实现初始群体的形成,根据适应度函数的评价,判断是否满足终止条件,如果是,则输出最优解;如果不是,则根据适应度值选择种群,经过交叉变异处理后,返回到根据适应度函数的评价,进行下一次的判断,直至得到最优解。
发明内容
本发明提供了一种基于遗传算法的生产调度计划优化方法,在以订单为驱动力的生产方式下,本方法解决的问题是,对设备已经相对成型的纺纱企业,就订单生产线分配、以及生产顺序进行优化,通过对不同种类纺织品加工顺序和流程的调整,提高生产效率。其技术方案如下所述:
一种基于遗传算法的生产调度计划优化方法,包括以下步骤:
S1:分析生产计划调度优化的详细项目需求,确定订单的内容并根据订单定义批次;
S2:将批次信息转化模型参数,并确定批次的总量、完成日期、生产工序;
S3:构建采用遗传算法的模型,并确定相关的约束条件;
S4:对上述模型利用遗传算法处理,通过构造目标函数、变量初始化、交叉、赋值、变异步骤,直到产生最优解,即最优生产计划表;
S5:将通过算法产成的最优生产计划调度结果进行显示。
进一步的,步骤S1中,当纺织企业接到短期内的不同订单时,对订单中的不同纺织品拆分批次,将不同订单中的批次进行统一生产。
进一步的,步骤S2中,批次的总量是每个批次所需数量的总和。
进一步的,步骤S3中,约束条件包括工序约束、机器约束、完成时间约束:
(1)工序约束:同一生产线只有在上一道工序任务加工完成后,才能进行下一工序加工:
Cij(k+1)-Cijk-Pij(k+1)≥0(Xijk+Xij(k+1)<=1)
(2)机器约束:同一生产线,只有在上一个批次加工完成后,才能加工下一个批次:
C(i+1)jk-Cijk-P(i+1)jk≥0(X(i+1)jk+Xijk<=1)
(4)完成时间约束:
Cij(k+1)=max{Cijk,STij(k+1)}+Pi2(k+1)
其中,第i个批次在第j条生产线上,第(k+1)道工序的完成的时间C_(ij(k+1))满足如下约束:
Cij(k+1)=STijk+Pij(k+1)
其中,Ci为第i个批次的完工时间,Cijk表示第i个批次在第j条生产线上生产时第k道工序结束时间,Pijk表示第i个批次在第j条生产线上生产时第k道工序的加工时间,STijk表示第i个批次在第j条生产线上生产时第k道工序开始时间。
所述机器约束包括以下内容:
(6)工厂机器数量配置表;
(7)生产线配置表;
(8)各工序制成率-设备运转率-设备运行时间表;
(9)机器生产参数配置表;
(10)产品干湿重比例;
(6)各工序切换产品所需时间表。
进一步的,步骤S3中,所述模型的目标函数如下:
其中,F是最小化最大完工时间,m是批次的数目,i是指第i个批次,Ci为第i个批次的完工时间。
进一步的,步骤S4中,具体的遗传算法实现,具体步骤如下:
S41:确定输入、输出变量,编码方式,其中输入变量:订单信息;输出变量:最优生产调度方案;编码方式:订单拆分为多个批次,对批次号进行全排列;
S42:构造适应度函数GeneticAlgorithm,即按照算法,对批次形成的个体依次计算进行生产的生产时间;
S43:随机产生初始种群farm并计算适应度函数,在群体farm中,每一个个体即为一个生产调度方案;
S44:将个体根据适应度函数进行排序,保留最优的Parent个解,即为保留最好的Parent个生产调度方案;
S45:交叉处理,在随机产生的众多生产调度方案中,选择两个父代方案进行交叉,交叉具体操作是将两个调度方案中的批次生产顺序进行交换,然后产生两个新的子代方案;
S46:变异处理,通过随机的方法产生新的生产调度方案,以避免局部收敛的情况发生;
S47:重复步骤S44到S46,直到适应度函数收敛,产生最优解。
所述基于遗传算法的生产调度计划优化方法通过优化现有成型的纺纱工序,实现了生产效率的提升,节约了时间,减少了成本,能够有效地分配管理,从而实现生产的良好发展。
附图说明
图1是遗传算法流程图;
图2是本发明的整体流程图;
图3是在实际应用中用本发明生成的最优生产计划调度结果示意图。
具体实施方式
在以订单为驱动力的生产方式下,本方法适合对设备已经相对成型的纺纱企业,就生产线分配方面进行优化,通过对不同订单的生产线分配进行调整,来提高生产效率。
所述基于遗传算法的生产调度计划优化方法,具体的应用环境和相关的参数发生了变化,如图2所示,其包括以下几个步骤:
S1:分析生产计划调度优化的详细项目需求;
在纺织企业的生产任务以订单为基础的前提下,所述详细项目需求是指:确定订单的内容并根据订单定义批次信息,后面根据生产车间生产设备参数定义工件的工序影响因素,进而能够顺利的实现从订单出发到构建模型这一过程。
批次:当纺织企业在短期内接到不同订单时,要对订单中的不同纺织品拆分批次,将不同订单中的批次进行统一生产。本方法定义一个订单中的一个纺织品成为一个“批次”。例如:企业短期内收到三个订单,订单一包含A、B、C三种类型纺织品,订单二包含A、C两种纺织品,订单三包含B、C两种。那么,本次生产计划一共包含7个批次。
综上,当纺织企业在短期内接到不同订单时,要对订单的加工需求进行批次拆分,分别对批次进行生产。
S2:转化模型参数;
建立模型时,需要采用数学语言,根据上述详细项目需求的描述,具体数学语言描述为:
在企业收到的某个订单当中,有i种纱织品(细纱),这i种纱织品分为i批次进行生产,各种批次的总量为Ni,这里总量是以细纱机的最后输出为标准。
不同i批次纺织品依次经过七道工序,分别为依次进行生产的清梳联、预并条、条并卷、精梳、末并条、粗纱、细纱。
操作的实施例中,比如说有新订单,则根据订单内容录入品种、需求的重量、完结日期,比如该新订单中存在两种类型纺织品,第一种是品种A,重量15吨,完结日期是XX年12月10日;第二种是品种B,重量10吨,完结日期是XX年12月20日。
这两种纱织品分为两个批次进行生产,批次的总量是25吨。两个批次的纺织品都会依次经过七道工序进行处理。
S3:构建采用遗传算法的模型;
构建采用遗传算法的模型,调度的目标是最小化最大完工时间。
这时需要考虑工序影响因素:影响因素包括各工序制成率、设备运转率、设备运行时间、机器生产参数配置表以及生产产品的干湿重。进而需要录入工厂设备数量及各种参数信息,从而确定约束条件,所述约束条件包括工序约束、机器约束、完成时间约束等。
所以在操作时,还需要录入工厂设备数量及各种参数信息,并将信息存储至相关表,其包括的内容示例如下:
(1)工厂机器数量配置表;
(2)生产线配置表;
(3)各工序制成率-设备运转率-设备运行时间表;
(4)机器生产参数配置表;
(5)产品干湿重g-m;
(6)各工序切换产品所需时间表。
这样,通过数据交互,确定约束条件,后续就能够利用算法生成最优方案了。
基于以上分析,构建如下数学优化模型:
目标函数:
其中,
F是最小化最大完工时间,m是批次的数目,i是指第i个批次,Ci为第i个批次的完工时间。
约束条件:
(1)工序约束:同一生产线只有在上一道工序任务加工完成后,才能进行下一工序加工。
Cij(k+1)-Cijk-Pij(k+1)≥0(Xijk+Xij(k+1)<=1)
(2)机器约束:同一生产线,只有在上一个批次加工完成后,才能加工下一个批次。
C(i+1)jk-Cijk-P(i+1)jk≥0(X(i+1)jk+Xijk<=1)
(5)完成时间约束:
Cij(k+1)=max{Cijk,STij(k+1)}+Pi2(k+1)
其中,第i个批次在第j条生产线上,第(k+1)道工序的完成的时间C_(ij(k+1))满足如下约束:
Cij(k+1)=STijk+Pij(k+1)
其中,Ci为第i个批次的完工时间,Cijk表示第i个批次在第j条生产线上生产时第k道工序结束时间,Pijk表示第i个批次在第j条生产线上生产时第k道工序的加工时间,STijk表示第i个批次在第j条生产线上生产时第k道工序开始时间。
(4)加工开始时,所有的纺织材料都已准备就绪;
(5)每个批次依次按照7道工序的顺序依次加工,并且仅加工一次。
针对订单第一次使用本方法时,需要录入工厂设备数量及各种参数信息,相关信息越准确,信息越多,越能清楚的判断工序约束、机器约束、完成时间约束。在之后的订单处理中,则可以直接使用之前录入的信息,如果需要对信息进行调整,则在调整后,进行后续操作。
S4:具体的遗传算法实现;
具体的遗传算法实现,是通过构造目标函数、变量初始化、交叉、赋值、编译等步骤,直到产生最优解,即最优生产计划表。
具体步骤如下:
第一步:确定输入、输出变量,编码方式。输入变量:订单信息,输出变量:最优生产调度方案,编码方式:订单拆分为多个批次,对批次号进行全排列;
第二步:构造适应度函数GeneticAlgorithm,即按照算法个体依次计算进行生产的生产时间;
第三步:随机产生初始种群farm并计算适应度函数。在群体farm中,每一个个体即为一个生产调度方案;
第四步:将个体根据适应度函数进行排序,保留最优的Parent个解,即为保留最好的Parent个生产调度方案。
第五步:交叉。在种群中选择两个父代个体,进行交叉方式和交叉点的随机选择,产生两个新的子代染色体,并将新旧染色体组合成新的种群。即,在随机产生的众多生产调度方案中,选择两个父代方案进行交叉,交叉具体操作是将两个调度方案中的批次生产顺序进行交换,然后产生两个新的子代方案;
第六步:变异。在种群中随机选择要变异的基因,产生新的染色体,以避免局部收敛的情况发生。即,通过随机的方法产生新的生产调度方案;
第七步:重复第四到六步,直到适应度函数收敛,产生最优解。
最后,将最优方案存储至相关表,进行数据存储。
S5:将通过算法产成的最优生产计划调度结果进行显示。
如图3所示,详细描述了每个批次选择的生产线,以及在每条生产线中的开始时间与结束时间。
所述基于遗传算法的生产调度计划优化方法通过优化现有成型的纺纱工序,实现了生产效率的提升,节约了时间,减少了成本,能够有效地分配管理,从而实现生产的良好发展。
Claims (7)
1.一种基于遗传算法的生产调度计划优化方法,包括以下步骤:
S1:分析生产计划调度优化的详细项目需求,确定订单的内容并根据订单定义批次;
S2:将批次信息转化模型参数,并确定批次的总量、完成日期、生产工序;
S3:构建采用遗传算法的模型,并确定相关的约束条件;
S4:对上述模型利用遗传算法处理,通过构造目标函数、变量初始化、交叉、赋值、变异步骤,直到产生最优解,即最优生产计划表;
S5:将通过算法产成的最优生产计划调度结果进行显示。
2.根据权利要求1所述的基于遗传算法的生产调度计划优化方法,其特征在于:步骤S1中,当纺织企业接到短期内的不同订单时,对订单中的不同纺织品拆分批次,将不同订单中的批次进行统一生产。
3.根据权利要求1所述的基于遗传算法的生产调度计划优化方法,其特征在于:步骤S2中,批次的总量是每个批次所需数量的总和。
4.根据权利要求1所述的基于遗传算法的生产调度计划优化方法,其特征在于:步骤S3中,约束条件包括工序约束、机器约束、完成时间约束:
(1)工序约束:同一生产线只有在上一道工序任务加工完成后,才能进行下一工序加工:
Cij(k+1)-Cijk-Pij(k+1)≥0(Xijk+Xij(k+1)<=1)
(2)机器约束:同一生产线,只有在上一个批次加工完成后,才能加工下一个批次:
C(i+1)jk-Cijk-P(i+1)jk≥0(X(i+1)jk+Xijk<=1)
(3)完成时间约束:
Cij(k+1)=max{Cijk,STij(k+1)}+Pi2(k+1)
其中,第i个批次在第j条生产线上,第(k+1)道工序的完成的时间C_(ij(k+1))满足如下约束:
Cij(k+1)=STijk+Pij(k+1)
其中,Ci为第i个批次的完工时间,Cijk表示第i个批次在第j条生产线上生产时第k道工序结束时间,Pijk表示第i个批次在第j条生产线上生产时第k道工序的加工时间,STijk表示第i个批次在第j条生产线上生产时第k道工序开始时间。
5.根据权利要求4所述的基于遗传算法的生产调度计划优化方法,其特征在于:所述机器约束包括以下内容:
(1)工厂机器数量配置表;
(2)生产线配置表;
(3)各工序制成率-设备运转率-设备运行时间表;
(4)机器生产参数配置表;
(5)产品干湿重比例;
(6)各工序切换产品所需时间表。
7.根据权利要求1所述的基于遗传算法的生产调度计划优化方法,其特征在于:步骤S4中,具体的遗传算法实现,具体步骤如下:
S41:确定输入、输出变量,编码方式,其中输入变量:订单信息;输出变量:最优生产调度方案;编码方式:订单拆分为多个批次,对批次号进行全排列;
S42:构造适应度函数GeneticAlgorithm,即按照算法,对批次形成的个体依次计算进行生产的生产时间;
S43:随机产生初始种群farm并计算适应度函数,在群体farm中,每一个个体即为一个生产调度方案;
S44:将个体根据适应度函数进行排序,保留最优的Parent个解,即为保留最好的Parent个生产调度方案;
S45:交叉处理,在随机产生的众多生产调度方案中,选择两个父代方案进行交叉,交叉具体操作是将两个调度方案中的批次生产顺序进行交换,然后产生两个新的子代方案;
S46:变异处理,通过随机的方法产生新的生产调度方案,以避免局部收敛的情况发生;
S47:重复步骤S44到S46,直到适应度函数收敛,产生最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010547306.4A CN111665808A (zh) | 2020-06-16 | 2020-06-16 | 基于遗传算法的生产调度计划优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010547306.4A CN111665808A (zh) | 2020-06-16 | 2020-06-16 | 基于遗传算法的生产调度计划优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111665808A true CN111665808A (zh) | 2020-09-15 |
Family
ID=72387970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010547306.4A Pending CN111665808A (zh) | 2020-06-16 | 2020-06-16 | 基于遗传算法的生产调度计划优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111665808A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947324A (zh) * | 2021-01-27 | 2021-06-11 | 广东工业大学 | 纺织生产调度优化方法、系统、储存介质及计算机设备 |
CN113657647A (zh) * | 2021-07-16 | 2021-11-16 | 东华大学 | 一种用于纺织服装工业互联网中的订单分配方法 |
CN114524119A (zh) * | 2020-11-22 | 2022-05-24 | 广州宁基智能系统有限公司 | 柔性化定制纸皮包装生产方案 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097055A (zh) * | 2016-06-08 | 2016-11-09 | 沈阳工业大学 | 个性化定制需求下企业订单处理方法 |
CN107392515A (zh) * | 2017-06-01 | 2017-11-24 | 经纬软信科技无锡有限公司 | 基于遗传算法的粗细联输送系统库存管理与线路优化方法 |
CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
CN107832983A (zh) * | 2017-12-18 | 2018-03-23 | 华中科技大学 | 基于动态规划与遗传算法的铸造熔炼批计划与调度方法 |
KR102076225B1 (ko) * | 2019-05-21 | 2020-02-11 | 국방과학연구소 | 무인기의 임무 계획 최적화 방법 및 장치 |
-
2020
- 2020-06-16 CN CN202010547306.4A patent/CN111665808A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097055A (zh) * | 2016-06-08 | 2016-11-09 | 沈阳工业大学 | 个性化定制需求下企业订单处理方法 |
CN107392515A (zh) * | 2017-06-01 | 2017-11-24 | 经纬软信科技无锡有限公司 | 基于遗传算法的粗细联输送系统库存管理与线路优化方法 |
CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
CN107832983A (zh) * | 2017-12-18 | 2018-03-23 | 华中科技大学 | 基于动态规划与遗传算法的铸造熔炼批计划与调度方法 |
KR102076225B1 (ko) * | 2019-05-21 | 2020-02-11 | 국방과학연구소 | 무인기의 임무 계획 최적화 방법 및 장치 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114524119A (zh) * | 2020-11-22 | 2022-05-24 | 广州宁基智能系统有限公司 | 柔性化定制纸皮包装生产方案 |
CN114524119B (zh) * | 2020-11-22 | 2023-09-19 | 广州宁基智能系统有限公司 | 柔性化定制纸皮包装生产方案 |
CN112947324A (zh) * | 2021-01-27 | 2021-06-11 | 广东工业大学 | 纺织生产调度优化方法、系统、储存介质及计算机设备 |
CN113657647A (zh) * | 2021-07-16 | 2021-11-16 | 东华大学 | 一种用于纺织服装工业互联网中的订单分配方法 |
CN113657647B (zh) * | 2021-07-16 | 2023-10-10 | 东华大学 | 一种用于纺织服装工业互联网中的订单分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111665808A (zh) | 基于遗传算法的生产调度计划优化方法 | |
CN111080408B (zh) | 一种基于深度强化学习的订单信息处理方法 | |
CN112882449A (zh) | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 | |
CN114118799A (zh) | 一种基于虚拟工序的遗传算法车间排产方法 | |
CN115471133A (zh) | 一种基于订单管理和滚动优化排产的车间综合调度系统 | |
CN114580937B (zh) | 基于强化学习和注意力机制的智能作业调度系统 | |
CN110648050B (zh) | 一种传统流水线装配向单元式装配方式转换的重构方法 | |
CN115933568A (zh) | 一种多目标分布式混合流水车间调度方法 | |
CN107944748A (zh) | 柔性作业车间人员配置及作业排序方法 | |
CN110490446A (zh) | 一种基于改进遗传算法的模块化工艺重组方法 | |
CN114881301A (zh) | 生产线的仿真排产方法、系统、终端设备及存储介质 | |
Zeng et al. | Multi-skilled worker assignment in seru production system for the trade-off between production efficiency and workload fairness | |
CN111652413B (zh) | 基于多Agent分布式海量数据处理的工业电力负荷预测方法 | |
CN112947324A (zh) | 纺织生产调度优化方法、系统、储存介质及计算机设备 | |
Homberger | A parallel genetic algorithm for the multilevel unconstrained lot-sizing problem | |
CN110516807B (zh) | 半导体产品良品率极值计算方法及其极值计算系统 | |
CN116880424A (zh) | 一种基于多目标优化的多机器人调度方法以及装置 | |
CN101587545A (zh) | 棉花异性纤维目标图像的特征选择方法和系统 | |
CN114217580B (zh) | 基于改进型差分进化算法的功能性纤维生产排产方法 | |
CN106327053A (zh) | 一种基于多模式集合的纺织工艺推荐模型的构建方法 | |
CN113901728B (zh) | 基于迁移遗传算法的电脑第二类装配线平衡优化方法 | |
CN115826530A (zh) | 一种基于d3qn和遗传算法的作业车间分批调度方法 | |
CN115952896A (zh) | 一种基于物料过程齐套的柔性作业车间调度方法 | |
CN114707808A (zh) | 一种基于动态根节点工序集的逆序设备网络综合调度方法 | |
CN112734286B (zh) | 一种基于多策略深度强化学习的车间调度方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200915 |
|
WD01 | Invention patent application deemed withdrawn after publication |