CN111666681B - 基于改进遗传算法的pbs缓冲区车辆排序调度方法 - Google Patents
基于改进遗传算法的pbs缓冲区车辆排序调度方法 Download PDFInfo
- Publication number
- CN111666681B CN111666681B CN202010496551.7A CN202010496551A CN111666681B CN 111666681 B CN111666681 B CN 111666681B CN 202010496551 A CN202010496551 A CN 202010496551A CN 111666681 B CN111666681 B CN 111666681B
- Authority
- CN
- China
- Prior art keywords
- sequence
- pbs buffer
- vehicle
- sequences
- buffer area
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002068 genetic effect Effects 0.000 title claims abstract description 20
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 40
- 108091006146 Channels Proteins 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000010422 painting Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009396 hybridization Methods 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
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Automobile Manufacture Line, Endless Track Vehicle, Trailer (AREA)
Abstract
本发明公开了一种基于改进遗传算法的PBS缓冲区车辆排序调度方法,包括如下步骤:S1.构建PBS缓冲区车辆排序调度模型;S2.调整PBS缓冲区车辆排序调度模型中各参数的值,使得PBS缓冲区车辆排序调度模型取得最小值,并根据得到最小值时设置的车辆在PBS缓冲区的位置将车辆输送到调整道。本发明的一种基于改进遗传算法的PBS缓冲区车辆排序调度方法,能够大幅度提高PBS缓冲区调度效率,增强了生产能力,减少了运营成本。
Description
技术领域
本发明涉及调度领域,具体涉及一种基于改进遗传算法的PBS缓冲区车辆排序调度方法。
背景技术
汽车生产制造过程中,历经冲压、焊接、涂装、总装四大车间。其中涂装、总装为典型的流水作业车间,并且联系紧密。涂装车间的优化目标为减少喷涂机器人喷涂颜色的切换次数,总装车间的优化目标通常为减少瓶颈工位的负载和保证物料平衡消耗。车间的优化目标不同,车辆在各个车间中的加工顺序也不同,因此为了实现车辆的重排序以及保证生产效率,车间之间通常设立缓冲区,其中,涂装与总装车间之间的缓冲区为PBS(PaintedBody Storage)。
当今车辆制造业的发展迅速,随着订单量的增加,对车辆的生产效率要求就更高。而车间之间缓冲区的调度效率对于车辆的生产效率有着重要的影响,但当前对PBS缓冲区调度的研究并不多,这就导致了PBS缓冲区的调度主要依赖人工操作,当缓冲区的规模变大时,调度过程缓慢,调度出错率上升,车辆常常滞留在缓冲区,人工、时间等各种成本会进一步增加。
因此,为解决以上问题,需要一种基于改进遗传算法的PBS缓冲区车辆排序调度方法,能够大幅度提高PBS缓冲区调度效率,增强了生产能力,减少了运营成本。
发明内容
有鉴于此,本发明的目的是克服现有技术中的缺陷,提供基于改进遗传算法的PBS缓冲区车辆排序调度方法,能够大幅度提高PBS缓冲区调度效率,增强了生产能力,减少了运营成本。
本发明的基于改进遗传算法的PBS缓冲区车辆排序调度方法,包括如下步骤:
S1.构建PBS缓冲区车辆排序调度模型:
其中,n为调整道个数;m为每条调整道能容纳的车辆个数;i为调整道序号;j为调整道中所在列的序号;di,j为车辆生产序号判断标识符;Ni,j为排产计划中为车辆在总装车间设定的生产序号;Ci,j为车辆颜色判断标识符;Bcolor为一个生产批次中车辆颜色的总种类数目;
S2.基于改进遗传算法调整PBS缓冲区车辆排序调度模型中各参数的值,使得PBS缓冲区车辆排序调度模型取得最小值,并根据得到最小值时设置的车辆在PBS缓冲区的位置将车辆输送到调整道。
进一步,步骤S2中,基于改进遗传算法调整PBS缓冲区车辆排序调度模型中各参数的值,使得PBS缓冲区车辆排序调度模型取得最小值,具体包括:
S21.随机产生r个由车辆在总装车间的生产序号Ni,j组成的序列得到序列集合NS;其中,所述r为序列集合NS的个数,取值为正整数;
S22.确定序列集合NS中第k个序列的适应度fk;
其中,所述适应度k=1,2,...,r;
S23.根据第k个序列的适应度fk计算第k个序列被选中的概率pk得到序列集合NS的概率分布P,根据概率分布P从序列集合NS中筛选出t个序列;其中,所述t小于r,t取值为正整数;
S24.从t个序列中任意选择多对序列并对每对序列进行交叉操作得到多对新的序列,将多对新的序列添加到序列集合NS中得到新的序列集合N'S;
S25.从序列集合N'S中任意选择一个序列进行变异操作得到一个新的序列,并将新的序列添加到序列集合N'S中得到新的序列集合N″S;
S26.对序列集合N″S中各序列按照从前到后的顺序以m个序号为一组进行分组,并对序列的每个分组按照序号从小到大顺序进行排序得到新的序列,将新的序列更新到序列集合N″S中得到新的序列集合N″′S;
S27.判断序列集合N″′S中是否存在使得PBS缓冲区车辆排序调度模型取得最小值的序列,若是,则算法结束,若否,进入步骤S28;
S28.判断算法迭代执行次数是否达到设定值,若是,则算法结束,若否,则回到步骤S22更新序列集合为N″′S,并从步骤S22开始继续执行。
进一步,步骤S23中,根据第k个序列的适应度fk计算第k个序列被选中的概率pk得到序列集合NS的概率分布P,具体包括:
S231.确定第k个序列的相对适应度其中,fmin为序列集合NS中序列适应度的最小值;fmax为序列集合NS中序列适应度的最大值;
S232.确定第k个序列被选中的概率
S234.根据第k个序列被选中的概率pk得到序列集合NS的概率分布P=(p1,p2,...,pr)。
本发明的有益效果是:本发明公开的一种基于改进遗传算法的PBS缓冲区车辆排序调度方法,通过构建调度排序模型,使用改进的遗传算法求得调度排序模型的最优解,根据最优解对应的调度排序序列对处于PBS缓冲区的车辆进行调度,能够大幅度提高PBS缓冲区调度效率,增强了生产能力,减少了运营成本。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为本发明的方法流程示意图;
图2为本发明的改进遗传算法原理示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明,如图所示:
本发明的基于改进遗传算法的PBS缓冲区车辆排序调度方法,包括如下步骤:
S1.构建PBS缓冲区车辆排序调度模型:
其中,n为调整道个数;m为每条调整道能容纳的车辆个数;i为调整道序号;j为调整道中所在列的序号;本实施例中,所述调整道为PBS缓冲区的车辆调整道;di,j为车辆生产序号判断标识符;Ni,j为排产计划中为车辆在总装车间设定的生产序号,本实施例中,在实际生产前,首先设定车间的排产计划,其中,预先设定一个生产批次的车辆在总装车间的生产序号为一个递增序列(1,2,3,…,Ni,j,…,w),其中,w为所述序列的车辆个数,一个车辆对应一个生产序号;Ci,j为车辆颜色判断标识符;Bcolor为一个生产批次中车辆颜色的总种类数目;本实施例中,PBS缓冲区车辆排序调度是对每个生产批次中生产的所有车辆进行排序调度处理。
S2.基于改进遗传算法调整PBS缓冲区车辆排序调度模型中各参数的值,使得PBS缓冲区车辆排序调度模型取得最小值,并根据得到最小值时设置的车辆在PBS缓冲区的位置(i,j)将车辆输送到对应的调整道。
本实施例中,步骤S2中,基于改进遗传算法调整PBS缓冲区车辆排序调度模型中各参数的值,使得PBS缓冲区车辆排序调度模型取得最小值,具体包括:
S21.随机产生r个由车辆在总装车间的生产序号Ni,j组成的序列,将r个序列组成一个序列集合NS;其中,所述r为序列集合NS的个数,取值为正整数,本实施例中,r不大于20,所述序列的车辆个数为w;
S22.确定序列集合NS中第k个序列的适应度fk;
其中,所述适应度k=1,2,...,r;
S23.根据第k个序列的适应度fk计算第k个序列被选中的概率pk得到序列集合NS的概率分布P,根据概率分布P从序列集合NS中筛选出t个序列;其中,所述t小于r,t取值为正整数;
本实施例中,根据概率分布P从序列集合NS中筛选出t个序列,具体包括:
使用轮盘赌算法,计算每个序列的累计概率区间,其中,第k个序列的概率区间为具体地,第一个序列的概率区间为[0,p1],第二个序列的概率区间为[p1,p1+p2],第三个序列的概率区间为[p1+p2,p1+p2+p3],以此类推可以得到序列集合NS中所有序列的概率区间。
产生取值在[0,1]区间内的2个随机数,根据随机数落入的概率区间,选择对应的序列。当随机数落入区间[p1,p1+p2]时,则选择概率为p2对应的序列。如此反复循环t/2次,最终筛选出t个序列。
S24.本实施例中,采用部分映射杂交匹配法(PMX),从t个序列中任意选择多对序列并对每对序列进行交叉操作。具体地,首先产生[1,w]之间的随机数a1和a2,然后将每对序列中2个序列的位置a1和位置a2之间的数据部分进行交叉互换,由于交叉互换之后的个体序列中有相同的生产序号,因此需要将不重复的生产序号保留,有冲突的生产序号消除。其中,利用交叉互换段的映射关系,分别将个体序列中的冲突生产序号进行变更,此为现有技术,在此不再赘述。多对序列进行所述的交叉互换后,可以得到多对新的序列,将多对新的序列添加到序列集合NS中得到新的序列集合N'S;
S25.从序列集合N'S中任意选择一个序列,将序列中的一个生产序号进行变异以产生更优秀的序列。本实施例中,采用的变异方法为单点变异和逆转变异。其中,单点变异为:产生[1,w]之间的随机数b1和b2,当序列的位置b1和位置b分别对应的生产序号不在PBS缓冲区的同一调整道中时,就将序列的位置b1和位置b2分别对应的生产序号对调;逆转变异为:产生[1,w]之间的随机数c1和c2,当序列的位置c1和位置c2分别对应的生产序号不在PBS缓冲区的同一调整道中时,就将序列的位置c1和位置c2之间的生产序号逆序排列;那么一个序列变异之后就能得到一个新的序列,然后将新的序列添加到序列集合N'S中得到新的序列集合N″S;
S26.对序列集合N″S中各序列进行重新排序,具体地,将序列按照从前到后的顺序以m个序号为一组进行分组,可以得到多个分组,然后对该序列(称为原序列)的每个分组按照生成序号从小到大顺序进行排序得到新的序列,最后将原序列删除,并将原序列对应的新序列添加到序列集合N″S中得到新的序列集合N″′S;
S27.判断序列集合N″′S中是否存在使得PBS缓冲区车辆排序调度模型取得最小值的序列,若是,则算法结束,将最小值对应的序列带入调度模型即可得到最小值;若否,进入步骤S28;
S28.判断算法迭代执行次数是否达到设定值,若是,则算法结束;若否,则回到步骤S22更新序列集合为N″′S,并从步骤S22开始继续执行;本实施例中,设定值为10000次。
本实施例中,步骤S23中,根据第k个序列的适应度fk计算第k个序列被选中的概率pk得到序列集合NS的概率分布P,具体包括:
S231.确定第k个序列的相对适应度其中,fmin为序列集合NS中序列适应度的最小值;fmax为序列集合NS中序列适应度的最大值;
S232.确定第k个序列被选中的概率
S234.根据第k个序列被选中的概率pk得到序列集合NS的概率分布P=(p1,p2,...,pr)。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于改进遗传算法的PBS缓冲区车辆排序调度方法,其特征在于:包括如下步骤:
S1.构建PBS缓冲区车辆排序调度模型:
其中,n为调整道个数;m为每条调整道能容纳的车辆个数;i为调整道序号;j为调整道中所在列的序号;di,j为车辆生产序号判断标识符;Ni,j为排产计划中为车辆在总装车间设定的生产序号;Ci,j为车辆颜色判断标识符;Bcolor为一个生产批次中车辆颜色的总种类数目;
S2.基于改进遗传算法调整PBS缓冲区车辆排序调度模型中各参数的值,使得PBS缓冲区车辆排序调度模型取得最小值,并根据得到最小值时设置的车辆在PBS缓冲区的位置将车辆输送到调整道;
步骤S2中,基于改进遗传算法调整PBS缓冲区车辆排序调度模型中各参数的值,使得PBS缓冲区车辆排序调度模型取得最小值,具体包括:
S21.随机产生r个由车辆在总装车间的生产序号Ni,j组成的序列得到序列集合NS;其中,所述r为序列集合NS的个数,取值为正整数;
S22.确定序列集合NS中第k个序列的适应度fk;
其中,所述适应度k=1,2,...,r;
S23.根据第k个序列的适应度fk计算第k个序列被选中的概率pk得到序列集合NS的概率分布P,根据概率分布P从序列集合NS中筛选出t个序列;其中,所述t小于r,t取值为正整数;
S24.从t个序列中任意选择多对序列并对每对序列进行交叉操作得到多对新的序列,将多对新的序列添加到序列集合NS中得到新的序列集合N'S;
S25.从序列集合N'S中任意选择一个序列进行变异操作得到一个新的序列,并将新的序列添加到序列集合N'S中得到新的序列集合N'S';
S26.对序列集合N'S'中各序列按照从前到后的顺序以m个序号为一组进行分组,并对序列的每个分组按照序号从小到大顺序进行排序得到新的序列,将新的序列更新到序列集合N'S'中得到新的序列集合N'S”;
S27.判断序列集合N'S”中是否存在使得PBS缓冲区车辆排序调度模型取得最小值的序列,若是,则算法结束,若否,进入步骤S28;
S28.判断算法迭代执行次数是否达到设定值,若是,则算法结束,若否,则回到步骤S22更新序列集合为N'S”,并从步骤S22开始继续执行。
2.根据权利要求1所述的基于改进遗传算法的PBS缓冲区车辆排序调度方法,其特征在于:步骤S23中,根据第k个序列的适应度fk计算第k个序列被选中的概率pk得到序列集合NS的概率分布P,具体包括:
S231.确定第k个序列的相对适应度其中,fmin为序列集合NS中序列适应度的最小值;fmax为序列集合NS中序列适应度的最大值;
S232.确定第k个序列被选中的概率
S234.根据第k个序列被选中的概率pk得到序列集合NS的概率分布P=(p1,p2,...,pr)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010496551.7A CN111666681B (zh) | 2020-06-03 | 2020-06-03 | 基于改进遗传算法的pbs缓冲区车辆排序调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010496551.7A CN111666681B (zh) | 2020-06-03 | 2020-06-03 | 基于改进遗传算法的pbs缓冲区车辆排序调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111666681A CN111666681A (zh) | 2020-09-15 |
CN111666681B true CN111666681B (zh) | 2024-03-22 |
Family
ID=72385813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010496551.7A Active CN111666681B (zh) | 2020-06-03 | 2020-06-03 | 基于改进遗传算法的pbs缓冲区车辆排序调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111666681B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801501B (zh) * | 2021-01-27 | 2023-10-17 | 重庆大学 | 基于两级线性缓冲区的车辆重排序调度系统 |
CN114842545A (zh) * | 2022-07-06 | 2022-08-02 | 南京熊猫电子股份有限公司 | 一种基于轮盘赌的车站降级人脸识别库配发方法 |
CN115469622A (zh) * | 2022-09-16 | 2022-12-13 | 重庆大学 | Wbs缓冲区车辆调度方法 |
CN115685951B (zh) * | 2023-01-04 | 2023-03-31 | 中汽研汽车工业工程(天津)有限公司 | 一种汽车生产pbs缓存区调度控制方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05225203A (ja) * | 1992-02-17 | 1993-09-03 | Nippon Telegr & Teleph Corp <Ntt> | ジョブショップスケジューリング問題解決方式 |
WO2001069488A1 (en) * | 2000-03-10 | 2001-09-20 | Jones Charles P | Vehicle scheduling system |
KR20140017278A (ko) * | 2012-07-31 | 2014-02-11 | 제주대학교 산학협력단 | 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템 |
KR20140123792A (ko) * | 2013-04-15 | 2014-10-23 | 제주대학교 산학협력단 | 유전 알고리즘을 이용한 전기 자동차 재배치 스케줄링 방법 및 장치 |
CN106971236A (zh) * | 2017-02-20 | 2017-07-21 | 上海大学 | 一种基于遗传算法的柔性作业车间分批调度方法 |
CN111007813A (zh) * | 2019-11-19 | 2020-04-14 | 一汽物流有限公司 | 一种基于多种群混合智能算法的agv避障调度方法 |
CN111222642A (zh) * | 2020-01-03 | 2020-06-02 | 浙江大学 | 基于改进小生境遗传算法的多目标柔性作业车间调度方法 |
-
2020
- 2020-06-03 CN CN202010496551.7A patent/CN111666681B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05225203A (ja) * | 1992-02-17 | 1993-09-03 | Nippon Telegr & Teleph Corp <Ntt> | ジョブショップスケジューリング問題解決方式 |
WO2001069488A1 (en) * | 2000-03-10 | 2001-09-20 | Jones Charles P | Vehicle scheduling system |
KR20140017278A (ko) * | 2012-07-31 | 2014-02-11 | 제주대학교 산학협력단 | 유전자 알고리즘과 초기 해 선택 휴리스틱을 이용한 전기 자동차의 충전 태스크 스케쥴링 방법 및 시스템 |
KR20140123792A (ko) * | 2013-04-15 | 2014-10-23 | 제주대학교 산학협력단 | 유전 알고리즘을 이용한 전기 자동차 재배치 스케줄링 방법 및 장치 |
CN106971236A (zh) * | 2017-02-20 | 2017-07-21 | 上海大学 | 一种基于遗传算法的柔性作业车间分批调度方法 |
CN111007813A (zh) * | 2019-11-19 | 2020-04-14 | 一汽物流有限公司 | 一种基于多种群混合智能算法的agv避障调度方法 |
CN111222642A (zh) * | 2020-01-03 | 2020-06-02 | 浙江大学 | 基于改进小生境遗传算法的多目标柔性作业车间调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111666681A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111666681B (zh) | 基于改进遗传算法的pbs缓冲区车辆排序调度方法 | |
CN111113409B (zh) | 一种基于分步优化的多机器人多工位协作点焊规划方法 | |
CN111580488B (zh) | 基于改进遗传算法的wbs缓冲区车辆排序调度方法 | |
CN105956689B (zh) | 一种基于改进粒子群优化的运输和生产协同调度方法 | |
CN110334838B (zh) | 基于蚁群算法和遗传算法的agv小车协同调度方法及系统 | |
CN108171372B (zh) | 一种存在准备时间的多品种生产分批调度方法 | |
CN104077630B (zh) | 一种模拟人体细胞演化的复杂作业车间布局方法 | |
CN114912346A (zh) | 基于学习能力的技能规划配置和车间调度集成优化方法 | |
CN112580865A (zh) | 一种基于混合遗传算法的外卖配送路径的优化方法 | |
CN116560313A (zh) | 一种多目标柔性作业车间问题的遗传算法优化调度方法 | |
CN105760621A (zh) | 一种考虑复杂度的装配线平衡方法 | |
CN108108883A (zh) | 一种基于聚类算法的车辆调度网络弹性简化方法 | |
CN113792989B (zh) | 一种需求驱动的共享观光车区域间并行优化调度方法 | |
CN110705650B (zh) | 一种基于深度学习的钣金布局方法 | |
CN109214695A (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
CN112183838B (zh) | 一种基于多约束修正c-w算法优化解决智能无人车路径规划问题的方法 | |
CN112561338A (zh) | 基于遗传算法的汽车生产队列排序系统和方法 | |
CN108805463B (zh) | 一种支持削峰型电力需求响应的生产调度方法 | |
CN115438877A (zh) | 一种基于灰狼算法求解多目标分布式柔性车间调度优化方法 | |
CN115689049A (zh) | 一种改进灰狼优化算法的多目标车间调度方法 | |
CN114707748A (zh) | 一种基于群体免疫-遗传算法的混流产线智能排产方法 | |
CN104571007A (zh) | 一种轿车生产制造中总装配线生产装配过程的优化调度方法 | |
CN107730072A (zh) | 基于改进人工免疫算法的平行机成组调度方法及系统 | |
EP4210899A1 (en) | Assembly sequence generation | |
CN112561335A (zh) | 一种车身质量在线监测的自动化任务分配方法 |
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 |