CN111667194A - 适用于印染企业的生产调度方法、装置及电子设备 - Google Patents
适用于印染企业的生产调度方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111667194A CN111667194A CN202010542155.3A CN202010542155A CN111667194A CN 111667194 A CN111667194 A CN 111667194A CN 202010542155 A CN202010542155 A CN 202010542155A CN 111667194 A CN111667194 A CN 111667194A
- Authority
- CN
- China
- Prior art keywords
- dye vat
- production
- scheduling
- individual
- initial
- 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
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
- G06Q10/06—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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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—Systems or methods specially adapted for 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
Abstract
本申请涉及一种适用于印染企业的生产调度方法、装置及电子设备,属于纺织工业互联网信息化技术领域,本申请的生产调度方法包括,获取生产订单信息和待排产染缸设备信息;基于遗传算法,根据所述生产订单信息和待排产染缸设备信息计算得到初始染缸排产计划;根据所述初始染缸排产计划,针对每台设备进行局部优化计算,以得到最终染缸排产计划。本申请的技术方案,可高效的得到较优的染缸排产计划,有助于提升印染企业生产效率,降低成本。
Description
技术领域
本申请属于纺织工业互联网信息化技术领域,具体涉及一种适用于印染企业的生产调度方法、装置及电子设备。
背景技术
目前,发达国家的纺织行业已经采用最新的信息技术,而我国纺织产业作为劳动密集型行业,信息化建设仍然处于起步阶段,信息化机制正在逐步建立中。我国纺织产业细分下来包括棉纺织、化纤、麻纺织、毛纺织、丝绸、印染业等,其中的印染企业大多为小批量生产模式,传统上基于经验采用人为手动制定生产计划,对整个生产流程和生产周期做不到精确控制,而当前实现信息化主要依靠引入ERP系统,但相关技术中,ERP系统中并不涉及生产计划调度方面。
印染企业中,染色是企业生产的核心,染色分为轧染和浸染两种,目前大部分印染企业用的是印染技术,浸染的生产设备为染缸。这类印染企业的计划调度主要体现在染缸排产的过程中。
染缸排产过程就是企业将收到的客户订单,分类拆分,然后依据客户需求将不同布种放到染缸进行染色的过程。这一过程中,由于同一个缸加工的订单,要满足布种、颜色、配方等兼容性,订单数量、颜色、加工工艺、配方、布种、交货期都存在不确定性,为染缸排产带来了很高的难度和复杂性,依靠人工排产很难考虑到各种因素,频繁的洗缸操作会造成很高的生产成本。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
为至少在一定程度上克服相关技术中存在的问题,本申请提供一种适用于印染企业的生产调度方法、装置及电子设备,可高效的得到较优的染缸排产计划,有助于提升企业生产效率,降低成本。
为实现以上目的,本申请采用如下技术方案:
第一方面,
本申请提供一种适用于印染企业的生产调度方法,该生产调度方法包括:
获取生产订单信息和待排产染缸设备信息;
基于遗传算法,根据所述生产订单信息和待排产染缸设备信息计算得到初始染缸排产计划;
根据所述初始染缸排产计划,针对每台设备进行局部优化计算,以得到最终染缸排产计划。
可选地,所述基于遗传算法,根据所述生产订单信息和待排产染缸设备信息计算得到初始染缸排产计划,包括:
步骤1、对所述待排产染缸设备信息和生产订单信息进行基因编码处理,生成初始种群中各个个体,其中,每个个体对应于一排产计划;
步骤2、以所述初始种群作为当前种群;
步骤3、根据排产成本函数计算当前种群中各个体的适应度值,并以计算得到的最小适应度值作为当前种群的评价值;
步骤4、判断当前种群的评价值是否小于预设值,若小于,则将当前种群中适应度值最小的个体所对应的排产计划作为初始染缸排产计划,否则执行步骤5;
步骤5、对当前种群进行遗传操作,生成新一代种群作为当前种群,并跳转执行步骤3。
可选地,所述对所述待排产染缸设备信息和生产订单信息进行基因编码处理,生成初始种群中各个个体,具体为:
对所述待排产染缸设备信息和生产订单信息进行编码处理,得到对应的设备位置编码和订单编码;
构建数组表示个体的染色体,采用随机数方式产生数组元素,并生成预定数量的数组,来得到初始种群中各个个体,其中,数组元素值对应于设备位置编码,数组索引对应于订单编码。
可选地,所述对当前种群进行遗传操作,生成新一代种群作为当前种群,包括
根据各个体的适应度值大小,从所述当前种群中选择预定个数的父母个体;
针对所述父母个体所对应数组,随机选择子序列并进行元素交叉替换,生成子代个体所对应数组;
对子代个体所对应数组的元素使用随机数方式进行替换,从而生成子代个体所对应数组。
可选地,所述排产成本函数基于染缸切换成本和订单延期成本构建。
可选地,所述染缸切换成本,基于对同一染缸先后要生产的两种产品的颜色深浅度差值进行计算。
可选地,所述订单延期成本,基于订单超期时间和超期惩罚权重进行计算。
可选地,所述根据所述初始染缸排产计划,针对每台设备进行局部优化计算,具体为:
对所述初始染缸排产计划进行解析,获取每台设备所对应的订单列表;
基于模拟退火算法,针对每台设备的订单列表进行生产顺序优化调整。
第二方面,
本申请提供一种适用于印染企业的生产调度装置,所述装置包括,
获取模块,用于获取生产订单信息和待排产染缸设备信息;
第一计算模块,用于基于遗传算法,根据所述生产订单信息和待排产染缸设备信息计算得到初始染缸排产计划;
第二计算模块,用于根据所述初始染缸排产计划,针对每台设备进行局部优化计算,以得到最终染缸排产计划。
第三方面,
本申请提供一种电子设备,包括:
存储器,其上存储有可执行程序;
处理器,用于执行所述存储器中的所述可执行程序,以实现上述所述方法的步骤。
本申请采用以上技术方案,至少具备以下有益效果:
本申请以印染企业为目标群体,结合生产实际,在染缸排产过程中应用信息化技术手段,针对排产问题采用遗传算法先进行全局搜索优化再针对每台设备进行局部优化计算,可高效的得到较优的染缸排产计划,有助于提升印染企业生产效率,降低成本。
本发明的其他优点、目标,和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书,权利要求书,以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请的技术方案或现有技术的进一步理解,并且构成说明书的一部分。其中,表达本申请实施例的附图与本申请的实施例一起用于解释本申请的技术方案,但并不构成对本申请技术方案的限制。
图1为本申请一个实施例提供的适用于印染企业的生产调度方法的流程示意图;
图2为图1所示实施例中遗传算法实现的流程示意说明图;
图3为本申请一个实施例提供的适用于印染企业的生产调度装置的结构示意图;
图4为本申请一个实施例提供的染缸排产优化系统的应用示意说明图;
图5为本申请一个实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将对本申请的技术方案进行详细的描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施方式,都属于本申请所保护的范围。
如背景技术中所述,染缸排产过程是企业将收到的客户订单,分类拆分,然后依据客户需求将不同布种放到染缸进行染色的过程。将这一过程进行建模,其实就是在N个待加工订单中,挑出n个订单,放入m个染缸依批次进行生产。基于此,可见解决该染缸排产问题的基础为数学规划,从全局角度,在所有可用染缸、资源可用时间段、订单可能的批次顺序内进行搜索,得到最优解(综合成本最低)。然而,由于问题规模的巨大性,求最优解为NP难题,所以在保证可用性的前提下,采用随机搜索方法获得近似最优解是一个比较具有实用性的手段。
本申请中,用遗传算法进行全局搜索,再结合相关算法进行局部搜索来改进遗传算法的计算结果,以得到较优的染缸排产计划。基于上述原理,在本申请的一个实施例中,
如图1所示,适用于印染企业的生产调度方法包括如下步骤:
步骤S110、获取生产订单信息和待排产染缸设备信息。这里的生产订单信息包括订单编号、订单客户重要程度、交货期、订单品种等信息,待排产染缸设备信息主要指可用染缸的设备编号、相应设备的资源可用时间段等信息。
之后,进行步骤S120,基于遗传算法,根据生产订单信息和待排产染缸设备信息计算得到初始染缸排产计划。
具体的,如图2所示,基于遗传算法计算得到初始染缸排产计划,包括,
步骤1、对待排产染缸设备信息和生产订单信息进行基因编码处理,生成初始种群中各个个体,其中,每个个体对应于一排产计划。
该实施例中,为生成初始种群,首先对待排产染缸设备信息和生产订单信息进行编码处理,得到对应的设备位置编码和订单编码;
而为实现计算机处理,这里构建数组表示个体的染色体,其中,数组元素值对应于设备位置编码,数组索引对应于订单编码。即数组长度为订单数量N,数组的index对应一个订单,数组value对应设备和设备上的位置,种群中每条染色体都对应着一个排产的计划plan。
举例而言,有5个订单,染色体为individual=[123,87,23,907,74],订单0的生产位置为individual[0],也就是123。
需要说明的是,这里设备上的位置指设备可用时间段上的“位置”,即染色体对应数组所体现的是某订单在具体哪个设备哪个时间段进行生产的信息,从而构成一排产计划。
为确保初始种群可行性,步骤1中,采用随机数方式产生数组元素,并生成预定数量的数组,来得到初始种群中各个个体。举例而言,设备位置为1000个,从[0,999]这个区间中,基于random函数随机选择整数,来生成数组元素。
如图2所示,之后进行步骤2、以初始种群作为当前种群;
再之后进行步骤3、根据排产成本函数计算当前种群中各个体的适应度值,并以计算得到的最小适应度值作为当前种群的评价值。
需要说明的是,遗传算法基于优胜劣汰进行遗传淘汰,对于基因的选择则通过对每一条基因进行评判来进行,在本申请该实施例中,基因的评判以排产成本函数计算各个体(排产计划)的适应度值(排产成本)来进行。
实际中,同一个染缸在处理完一种产品后,继续加工不同的产品,需要清洗染缸,以免影响下一次染色,清洗需要花费水、电、时间等,带来成本。且在实际中,还会遇到一些重要客户的订单超期带来的损失。
因此,该实施例中,排产成本函数基于染缸切换成本和订单延期成本构建。
其中,染缸切换成本,基于对同一染缸先后要生产的两种产品的颜色深浅度差值进行计算。例如,对于某一排产计划,将其中涉及的所有切换,基于颜色深浅度差值进行加权求和,以得到染缸切换成本。订单延期成本,基于订单超期时间和超期惩罚权重进行计算。例如,对于某一排产计划,分析出各订单的订单超期时间,乘以相应超期惩罚权重后进行累加,以得到订单延期成本。
步骤3中,以排产成本函数计算当前种群中各个体的适应度值后,将其中最小适应度值作为当前种群的评价值。
之后,继续如图2所示,进行步骤4、判断当前种群的评价值是否小于预设值,若小于,则将当前种群中适应度值最小的个体所对应的排产计划作为初始染缸排产计划,否则执行步骤5;
如图2所示,步骤5中,对当前种群进行遗传操作,生成新一代种群作为当前种群,并跳转执行步骤3。
需要说明的是,遗传算法中遗传操作一般包括选择、交叉和变异三个基本算子,实际实现中可通过三种方式来实现子代生成。具体到本实施例中的步骤5,对当前种群进行遗传操作,生成新一代种群作为当前种群,包括
根据各个体的适应度值大小,从当前种群中选择预定个数的父母个体;
针对父母个体所对应数组,随机确定子序列并进行元素交叉替换,以生成子代个体所对应数组,即针对父母个体所对应数组,随机选择一个子序列,交换子序列内的所有元素,从而生成子代个体所对应数组;
之后对子代个体所对应数组的元素使用随机数方式进行替换,从而生成子代个体所对应数组。举例而言,individual[0]=53,通过individual[0]=random()*MAX_VALUE来实现替换,这里MAX_VALUE用于保证替换的数组元素的有效性。
采用如图2所示的遗传算法实现,得到初始染缸排产计划之后,继续回到图1,进行步骤S130,根据初始染缸排产计划,针对每台设备进行局部优化计算,以得到最终染缸排产计划。
具体的,该实施例的步骤S130中,对初始染缸排产计划进行解析,获取每台设备所对应的订单列表;基于模拟退火算法,针对每台设备的订单列表进行生产顺序优化调整,以得到最终染缸排产计划。
模拟退火算法其实也是一种Greedy算法,但是它的搜索过程引入了随机因素。其以一定的概率来接受一个比当前解要差的解,因此有可能会跳出这个局部的最优解,达到最优解。模拟退火算法的步骤:
1.初始化温度T,初始解状态S,每个温度t下的迭代次数L;
2.当k=1,2,……,L时,进行3~6;
3.对当前解进行变换得到新解S’(例如对某些解中的元素进行互换,置换);
4.计算增量Δt′=C(S′)-C(S),其中C(S)为评价函数;
5.若Δt′<0则接受S′作为新的当前解,否则以概率exp(-Δt′/(KT))接受S′作为新的当前解(k为玻尔兹曼常数,数值为:K=1.3806505(24)×10^-23J/K);
6.如果满足终止条件则输出当前解作为最优解,结束程序;
7.减小T,转到第2步,直到T小于初始设定的阈值。
具体到本实施例中,基于前文所述,容易理解的是,这里的解S指某一设备的订单序列,评价函数C(S)采用与前文提到的排产成本函数类似的逻辑构建,各种控制变量及阈值基于具体实际情况来设定。本领域技术人员基于此,可采用相关具体软件工具实现步骤S130中的模拟退火方法,本申请这里对步骤S130就不进行进一步详述了。
本申请采用上述技术方案,以印染企业为目标群体,结合生产实际,在染缸排产过程中应用信息化技术手段,针对排产问题采用遗传算法先进行全局搜索优化再针对每台设备进行局部优化计算,可高效的得到较优的染缸排产计划,有助于提升企业生产效率,降低成本。
图3为本申请一个实施例提供的适用于印染企业的生产调度装置的结构示意图,如图3所示,该生产调度装置300包括:
获取模块301,用于获取生产订单信息和待排产染缸设备信息;
第一计算模块302,用于基于遗传算法,根据生产订单信息和待排产染缸设备信息计算得到初始染缸排产计划;
第二计算模块303,用于根据初始染缸排产计划,针对每台设备进行局部优化计算,以得到最终染缸排产计划。
关于上述相关实施例中的生产调度装置300,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
在本申请一个实施例中,基于对上述生产调度装置300的内嵌,还提出一套染缸排产优化系统,为企业实际排产提供决策支持。染缸排产优化系统属于车间信息化系统的一部分,其主要供车间负责人使用。该染缸排产优化系包括如下功能模块,
订单管理模块,订单管理模块负责用户管理订单,进行订单的新增、修改和删除,用户可以查看待排产订单、全部订单,订单汇总和分析功能可以让用户按照客户名称、交货期等信息过滤和分组订单。
排产模块,排产模块是系统核心功能,包括规则设定、运行排产操作、排产结果查看、排产历史查看、排产指标和数据分析等。规则设定用来输入排产模块所需的一些限定规则,比如某些布种的订单只能在特定染缸机型进行生产。用户在运行操作界面,可以直接选择需要排产的订单,一键自动排产。排产完成后,可以看到染缸排产任务表与甘特图等结果,横坐标为时间轴,纵坐标为染缸设备,可以看到每个染缸所有生产任务的开始和结束时间,同时,提供了排产结果总览表,列出每个染缸的所有待生产任务。这些功能以外,排产模块还提供记录查询功能,用户可以查看与搜索所有的历史排产信息,并对这些历史信息作出分析和统计指标汇总,展示作为参考。
图4为该系统在实际使用中示意说明图。
如图4所示,首先,根据客户需求确定所需产品的品种、数量、交货日期等,将这些信息以生产订单的形式录入到企业ERP系统中。订单下发后,生产部门按需采购所需材料,材料齐全后,订单下发到染色车间,车间首先对产品进行打样,试验确定加工工艺、染色配方等,待小样被客户认可后,开染色处方单,可以进入正式染色加工流程。
然后,进入正式生产阶段,染色车间定期,比如每天,在排产系统操作界面,进行自动排产操作。排产系统会自动获取未完成的生产卡,确定各染缸加工的订单顺序,自动给出生产成本最小的排产结果,排产结果在软件系统中以多种方式展现,比如染缸作业甘特图等,工人依照排产结果按顺序生产即可。生产结束,进行不要的后处理工序,质检部门会对产品进行质量检查,所有流程完成后,企业将订单如期交货。
图5为本申请一个实施例提供的电子设备的结构示意图,如图5所示,该电子设备500包括:
存储器501,其上存储有可执行程序;
处理器502,用于执行存储器501中的可执行程序,以实现上述方法的步骤。
关于上述实施例中的电子设备500,其处理器502执行存储器501中的程序的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人员在本发明所揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种适用于印染企业的生产调度方法,其特征在于,包括:
获取生产订单信息和待排产染缸设备信息;
基于遗传算法,根据所述生产订单信息和待排产染缸设备信息计算得到初始染缸排产计划;
根据所述初始染缸排产计划,针对每台设备进行局部优化计算,以得到最终染缸排产计划。
2.根据权利要求1所述的生产调度方法,其特征在于,所述基于遗传算法,根据所述生产订单信息和待排产染缸设备信息计算得到初始染缸排产计划,包括:
步骤1、对所述待排产染缸设备信息和生产订单信息进行基因编码处理,生成初始种群中各个个体,其中,每个个体对应于一排产计划;
步骤2、以所述初始种群作为当前种群;
步骤3、根据排产成本函数计算当前种群中各个体的适应度值,并以计算得到的最小适应度值作为当前种群的评价值;
步骤4、判断当前种群的评价值是否小于预设值,若小于,则将当前种群中适应度值最小的个体所对应的排产计划作为初始染缸排产计划,否则执行步骤5;
步骤5、对当前种群进行遗传操作,生成新一代种群作为当前种群,并跳转执行步骤3。
3.根据权利要求2所述的生产调度方法,其特征在于,所述对所述待排产染缸设备信息和生产订单信息进行基因编码处理,生成初始种群中各个个体,具体为:
对所述待排产染缸设备信息和生产订单信息进行编码处理,得到对应的设备位置编码和订单编码;
构建数组表示个体的染色体,采用随机数方式产生数组元素,并生成预定数量的数组,来得到初始种群中各个个体,其中,数组元素值对应于设备位置编码,数组索引对应于订单编码。
4.根据权利要求3所述的生产调度方法,其特征在于,所述对当前种群进行遗传操作,生成新一代种群作为当前种群,包括
根据各个体的适应度值大小,从所述当前种群中选择预定个数的父母个体;
针对所述父母个体所对应数组,随机确定子序列并进行元素交叉替换,生成子代个体所对应数组;
对子代个体所对应数组的元素使用随机数方式进行替换,从而生成子代个体所对应数组。
5.根据权利要求2所述的生产调度方法,其特征在于,所述排产成本函数基于染缸切换成本和订单延期成本构建。
6.根据权利要求5所述的生产调度方法,其特征在于,所述染缸切换成本,基于对同一染缸先后要生产的两种产品的颜色深浅度差值进行计算。
7.根据权利要求5所述的生产调度方法,其特征在于,所述订单延期成本,基于订单超期时间和超期惩罚权重进行计算。
8.根据权利要求1所述的生产调度方法,其特征在于,所述根据所述初始染缸排产计划,针对每台设备进行局部优化计算,具体为:
对所述初始染缸排产计划进行解析,获取每台设备所对应的订单列表;
基于模拟退火算法,针对每台设备的订单列表进行生产顺序优化调整。
9.一种适用于印染企业的生产调度装置,其特征在于,包括:
获取模块,用于获取生产订单信息和待排产染缸设备信息;
第一计算模块,用于基于遗传算法,根据所述生产订单信息和待排产染缸设备信息计算得到初始染缸排产计划;
第二计算模块,用于根据所述初始染缸排产计划,针对每台设备进行局部优化计算,以得到最终染缸排产计划。
10.一种电子设备,其特征在于,包括:
存储器,其上存储有可执行程序;
处理器,用于执行所述存储器中的所述可执行程序,以实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542155.3A CN111667194B (zh) | 2020-06-15 | 2020-06-15 | 适用于印染企业的生产调度方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010542155.3A CN111667194B (zh) | 2020-06-15 | 2020-06-15 | 适用于印染企业的生产调度方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667194A true CN111667194A (zh) | 2020-09-15 |
CN111667194B CN111667194B (zh) | 2023-08-08 |
Family
ID=72387660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010542155.3A Active CN111667194B (zh) | 2020-06-15 | 2020-06-15 | 适用于印染企业的生产调度方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667194B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561177A (zh) * | 2020-12-21 | 2021-03-26 | 厦门大学 | 一种产线均衡优化调度管理平台 |
CN112651625A (zh) * | 2020-12-22 | 2021-04-13 | 湖南三一智能控制设备有限公司 | 一种混凝土智能调度方法、系统、介质及电子设备 |
CN112859782A (zh) * | 2021-01-12 | 2021-05-28 | 福建省莆田市双驰科技有限公司 | 基于工业互联网的飞织机群动态调度方法 |
CN113011717A (zh) * | 2021-02-26 | 2021-06-22 | 杭州开源电脑技术有限公司 | 一种应用于印染的自动排缸方法 |
CN114936900A (zh) * | 2022-05-19 | 2022-08-23 | 浙江理工大学 | 一种纱线纺织企业智能排产方法及系统 |
CN115169993A (zh) * | 2022-09-05 | 2022-10-11 | 埃克斯工业(广东)有限公司 | 产品的生产调度方法、设备及计算机可读存储介质 |
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 |
CN117094512A (zh) * | 2023-08-23 | 2023-11-21 | 广州聚超软件科技有限公司 | 一种基于遗传算法的工序排程方法、装置、终端及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915355A (zh) * | 2012-10-11 | 2013-02-06 | 李英明 | 一种基于和声搜索和模拟退火的多处理机任务调度的方法 |
KR20140102940A (ko) * | 2013-02-15 | 2014-08-25 | 동서대학교산학협력단 | 생산일정 자동 스케쥴링 방법 |
CN104636813A (zh) * | 2013-11-12 | 2015-05-20 | 中国科学院沈阳计算技术研究所有限公司 | 一种求解车间作业调度问题的混合遗传模拟退火算法 |
CN108416523A (zh) * | 2018-03-08 | 2018-08-17 | 中国人民解放军陆军工程大学 | 任务调度方法、装置、电子设备及存储介质 |
CN109242101A (zh) * | 2018-10-19 | 2019-01-18 | 西南交通大学 | 基于遗传模拟退火算法的柔性制造系统生产能力配置方法 |
CN109634231A (zh) * | 2018-11-22 | 2019-04-16 | 合肥工业大学 | 基于遗传模拟退火算法的成形车间节能调度方法 |
CN111007823A (zh) * | 2019-12-25 | 2020-04-14 | 北京理工大学 | 柔性作业车间动态调度方法及装置 |
CN111210062A (zh) * | 2019-12-31 | 2020-05-29 | 深圳金赋科技有限公司 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
-
2020
- 2020-06-15 CN CN202010542155.3A patent/CN111667194B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915355A (zh) * | 2012-10-11 | 2013-02-06 | 李英明 | 一种基于和声搜索和模拟退火的多处理机任务调度的方法 |
KR20140102940A (ko) * | 2013-02-15 | 2014-08-25 | 동서대학교산학협력단 | 생산일정 자동 스케쥴링 방법 |
CN104636813A (zh) * | 2013-11-12 | 2015-05-20 | 中国科学院沈阳计算技术研究所有限公司 | 一种求解车间作业调度问题的混合遗传模拟退火算法 |
CN108416523A (zh) * | 2018-03-08 | 2018-08-17 | 中国人民解放军陆军工程大学 | 任务调度方法、装置、电子设备及存储介质 |
CN109242101A (zh) * | 2018-10-19 | 2019-01-18 | 西南交通大学 | 基于遗传模拟退火算法的柔性制造系统生产能力配置方法 |
CN109634231A (zh) * | 2018-11-22 | 2019-04-16 | 合肥工业大学 | 基于遗传模拟退火算法的成形车间节能调度方法 |
CN111007823A (zh) * | 2019-12-25 | 2020-04-14 | 北京理工大学 | 柔性作业车间动态调度方法及装置 |
CN111210062A (zh) * | 2019-12-31 | 2020-05-29 | 深圳金赋科技有限公司 | 基于遗传算法的工件智能调度排产方法、设备及介质 |
Non-Patent Citations (2)
Title |
---|
邱照景,周律,程珣,郭世良,董良飞: "基于生产优化调度的污染源头控制方案研究-以棉针织染整企业为例", vol. 10, no. 2, pages 1010 - 1016 * |
郝平;莫丰勇;徐新黎;: "基于遗传算法和多智能体的染缸生产排产与动态优化设计", 计算机集成制造系统, no. 08, pages 132 - 137 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561177A (zh) * | 2020-12-21 | 2021-03-26 | 厦门大学 | 一种产线均衡优化调度管理平台 |
CN112651625A (zh) * | 2020-12-22 | 2021-04-13 | 湖南三一智能控制设备有限公司 | 一种混凝土智能调度方法、系统、介质及电子设备 |
CN112859782A (zh) * | 2021-01-12 | 2021-05-28 | 福建省莆田市双驰科技有限公司 | 基于工业互联网的飞织机群动态调度方法 |
CN112859782B (zh) * | 2021-01-12 | 2022-02-08 | 福建省莆田市双驰科技有限公司 | 基于工业互联网的飞织机群动态调度方法 |
CN113011717A (zh) * | 2021-02-26 | 2021-06-22 | 杭州开源电脑技术有限公司 | 一种应用于印染的自动排缸方法 |
CN114936900A (zh) * | 2022-05-19 | 2022-08-23 | 浙江理工大学 | 一种纱线纺织企业智能排产方法及系统 |
CN115169993A (zh) * | 2022-09-05 | 2022-10-11 | 埃克斯工业(广东)有限公司 | 产品的生产调度方法、设备及计算机可读存储介质 |
CN115169993B (zh) * | 2022-09-05 | 2022-12-13 | 埃克斯工业(广东)有限公司 | 产品的生产调度方法、设备及计算机可读存储介质 |
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 |
CN117094512A (zh) * | 2023-08-23 | 2023-11-21 | 广州聚超软件科技有限公司 | 一种基于遗传算法的工序排程方法、装置、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111667194B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111667194B (zh) | 适用于印染企业的生产调度方法、装置及电子设备 | |
Olafsson et al. | Learning effective new single machine dispatching rules from optimal scheduling data | |
Radhi et al. | Optimal configuration of remanufacturing supply network with return quality decision | |
Bonnal et al. | Where do we stand with fuzzy project scheduling? | |
EP1010093A1 (en) | Genetic algorithm scheduling system and method | |
Zhang et al. | Bottleneck machine identification method based on constraint transformation for job shop scheduling with genetic algorithm | |
Slavek et al. | Application of grey system theory to software projects ranking | |
CN111191879B (zh) | 一种综合评估的方法和系统 | |
Wang | Applying 2-tuple multigranularity linguistic variables to determine the supply performance in dynamic environment based on product-oriented strategy | |
CN112990515A (zh) | 一种基于启发式优化算法的车间资源调度方法 | |
CN114118691A (zh) | 基于业务量的排班方案处理方法、装置、设备和介质 | |
CN105824806A (zh) | 一种公众账号的质量评价方法和装置 | |
Coito et al. | Assessing the impact of automation in pharmaceutical quality control labs using a digital twin | |
US20210382751A1 (en) | Job management method and job management apparatus | |
Li et al. | Discrete event simulation analysis of a reservation-based, one-way car-sharing system | |
Novikova et al. | Economic evaluation of mathematical methods application in the management systems of electronic component base development for forest machines | |
Shao et al. | Lot Sizing and Scheduling Problem in Distributed Heterogeneous Hybrid Flow Shop and Learning-Driven Iterated Local Search Algorithm | |
CN114819660A (zh) | 一种动态演进的设计众包的人力资源任务匹配方法系统 | |
Kostrzewa et al. | Scheduling construction processes using the probabilistic time coupling method III | |
Lavazza et al. | Defining and evaluating software project success indicators: A GQM-based case study | |
Eydi et al. | A multi-objective resource-constrained project scheduling problem with time lags and fuzzy activity durations | |
CN115249166B (zh) | 出清电价预测方法、装置、计算机设备和存储介质 | |
CN114548523B (zh) | 用户观影信息预测方法、装置、设备及存储介质 | |
CN114418456B (zh) | 一种基于工况的机器学习进度管控方法及相关装置 | |
KR20140055837A (ko) | 유전자 알고리즘을 이용한 프로젝트 스케줄링 방법 및 시스템 |
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 |