CN111724044A - 基于遗传算法的智能排产系统 - Google Patents

基于遗传算法的智能排产系统 Download PDF

Info

Publication number
CN111724044A
CN111724044A CN202010475386.7A CN202010475386A CN111724044A CN 111724044 A CN111724044 A CN 111724044A CN 202010475386 A CN202010475386 A CN 202010475386A CN 111724044 A CN111724044 A CN 111724044A
Authority
CN
China
Prior art keywords
chromosome
variation
mutation
population
randomly
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
Application number
CN202010475386.7A
Other languages
English (en)
Inventor
郭正韦华
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.)
Zhejiang Hannao Digital Technology Co ltd
Original Assignee
Zhejiang Hannao Digital Technology Co ltd
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 Zhejiang Hannao Digital Technology Co ltd filed Critical Zhejiang Hannao Digital Technology Co ltd
Priority to CN202010475386.7A priority Critical patent/CN111724044A/zh
Publication of CN111724044A publication Critical patent/CN111724044A/zh
Pending legal-status Critical Current

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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种基于遗传算法的智能排产系统，它至少包括如下步骤：步骤1、随机生成一定规模的种群，种群中的个体由两条染色体组成，染色体1的基因为所有任务与可选设备的随机顺序组合，染色体2的基因为可加班设备的每天工作时间，工作时间为随机生成的；步骤2、从种群中随机选择两个双亲进行基因重组；步骤3、将重组产生的子代个体加入到种群中：步骤4、从种群中随机选择部分个体进行基因变异；步骤5、将变异产生的个体加入到种群中；步骤6、计算任务的生产开始与结束时间；步骤7、计算目标函数值；步骤8、筛选出所有的非支配个体；步骤9、优胜劣汰；步骤10、进化迭代。用本发明的智能排产系统，不但排产计算时间短，效率高，能快速应对异常情况进行排产。

Description

基于遗传算法的智能排产系统
技术领域
本发明属于一种智能排产方法，具体地说是一种基于遗传算法的智能排产系统。
背景技术
现有的生产排产过程为人工排产方式，当订单、设备数量较多时，需要耗费大量人工时间进行计算排产，当异常情况增多时，比如设备维修、紧急订单等情况，人工排产无法及时变更排产计划，且现有人工排产计划准确率低。
发明内容
本发明一种研究出一种基于遗传算法的智能排产系统。
本发明的目的是解决现有人工排产无法及时变更排产计划，且现有人工排产计划准确率低的问题。
本发明解决其技术问题所采用的技术方案是：一种基于遗传算法的智能排产系统，至少包括如下步骤：
步骤1、随机生成一定规模的种群，种群中的个体由两条染色体组成，染色体1的基因为所有任务与可选设备的随机顺序组合，染色体2的基因为可加班设备的每天工作时间，工作时间为随机生成的；
步骤2、从种群中随机选择两个双亲进行基因重组，重组方式分为如下4种：
1)双亲中染色体1互换；
2)双亲中染色体1的部分基因互换，染色体2不变；
3)双亲中染色体2部分基因互换，染色体1不变；
4)双亲中染色体1部分基因互换，染色体2部分基因互换；
步骤3、将基因重组产生的子代个体加入到种群中；
步骤4、从种群中随机选择部分个体进行基因变异，变异方式分为如下15种：
1)变异1：染色体1变异I，即染色体1进行第一种方式变异，染色体2不变；
2)变异2：染色体1变异II，即染色体1进行第二种方式变异，染色体2不变；
3)变异3：染色体1变异III，即染色体1进行第三种方式变异)，染色体2不变；
4)变异4：染色体1变异IV，即染色体1进行第四种方式变异)，染色体2不变；
5)变异5：染色体1变异V，即染色体1进行第五种方式变异，染色体2不变；
6)变异6：染色体1变异VI，即染色体1进行第六种方式变异，染色体2不变；
7)变异7：染色体1变异VII，即染色体1进行第七种方式变异，染色体2不变；
8)变异8：染色体1不变，染色体2变异I，即染色体2进行第一种方式变异；
9)变异9：染色体1不变，染色体2变异II，即染色体2进行第二种方式变异；
10)变异10：染色体1变异I/IV/VI，即对染色体1随机选择第一种或者第四种或者第六种方式变异；染色体2变异I，即染色体2进行第一种方式变异；
11)变异11：染色体1变异II，即染色体1进行第二种方式变异；染色体2变异I，即染色体2进行第一种方式变异；
12)变异12：染色体1变异III/V/VII，即对染色体1随机选择第三种或者第五种或者第七种方式变异；染色体2变异I，即染色体2进行第一种方式变异；
13)变异13：染色体1变异I/IV/VI，即对染色体1随机选择第一种或者第四种或者第六种方式变异；染色体2变异II，即染色体2进行第二种方式变异；
14)变异14：染色体1变异II，即染色体1进行第二种方式变异；染色体2变异II，即染色体2进行第二种方式变异；
15)变异15：染色体1变异III/V/VII，即对染色体1随机选择第三种或者第五种或者第七种方式变异，染色体2变异II，即染色体2进行第二种方式变异；
步骤5、将基因变异产生的子代加入到种群中；
步骤6、计算任务的生产开始与结束时间：按照一定规则进行计算，规则为下一道工序的开始点为上一道工序结束点或者设备的空闲开始时间或者某一天的工作开始时间。
步骤7、计算目标函数值：目标函数为提前生产率，任务切换时设备准备时间总和，连续生率；提前生产率：以产品为单位，如果产品的最后一道工序任务生产结束时间小于产品交期的，不计入提前生产率；如果大于，则计算时间差，然后计算所有时间差的平均值；
任务切换时设备准备时间总和：计算所有任务切换发生时设备产生的准备时间总和；
连续生产率：计算所有设备中的空隙长度总和，空隙为正常工作时间且没有任务时间段；
步骤8、筛选出所有的非支配个体：对种群进行非支配个体筛选，如果在种群中无法找到另外
一个个体的三个目标函数值同时大于某个体的三个目标函数值，则该个体为非支配个体；
步骤9、优胜劣汰：对种群中的所有个体按照三个目标的重要程度，依次排序，取排序后种群中的适应度最高的一些个体，作为新的种群；
步骤10、进化迭代：重复步骤3、4、5、6、7、8，既是种群进化过程，直到种群满足一定的迭代停止条件，则种群迭代，输出最优个体；迭代停止条件为：三个目标都达到最小值或者三个目标在一定次数内不发生变化或者为迭代次数达到最大值。
步骤8、筛选出所有的非支配个体：对种群进行非支配个体筛选，如果在种群中无法找到另外一个个体的三个目标函数值同时大于某个体的三个目标函数值，则该个体为非支配个体；
步骤9、优胜劣汰：对种群中的所有个体按照三个目标的重要程度，依次排序，取排序后种群中的适应度最高的一些个体，作为新的种群；
步骤10、进化迭代：重复步骤3、4、5、6、7、8，既是种群进化过程，直到种群满足一定的迭代停止条件，则种群迭代，输出最优个体；迭代停止条件为：三个目标都达到最小值或者三个目标在一定次数内不发生变化或者为迭代次数达到最大值。
本发明的有益效果是：当企业订单、设备数量较多时，包括出现异常情况增多时，比如设备维修、紧急订单等情况下，应用本发明的智能排产系统，不但排产计算时间短，效率高，能快速应对异常情况进行排产，而且排产准确率高。
附图说明
图1为算法流程图。
图2为运算过程三个目标函数值变化图。
图3为运算结果排产图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明：
本发明所述的基于遗传算法的智能排产系统，至少包括如下步骤：
步骤1、随机生成一定规模的种群，种群中的个体由两条染色体组成，染色体1的基因为所有任务与可选设备的随机顺序组合，染色体2的基因为可加班设备的每天工作时间，工作时间为随机生成的；
步骤2、从种群中随机选择两个双亲进行基因重组，重组方式分为如下4种：
Figure BDA0002515672910000031
双亲中染色体1互换；
Figure BDA0002515672910000032
双亲中染色体1的部分基因互换，染色体2不变；
Figure BDA0002515672910000041
双亲中染色体2部分基因互换，染色体1不变；
Figure BDA0002515672910000042
双亲中染色体1部分基因互换，染色体2部分基因互换；
步骤3、将基因重组产生的子代个体加入到种群中；
步骤4、从种群中随机选择部分个体进行基因变异，变异方式分为如下15种：
1)变异1：染色体1变异I，即染色体1进行第一种方式变异，染色体2不变；
2)变异2：染色体1变异II，即染色体1进行第二种方式变异，染色体2不变；
3)变异3：染色体1变异III，即染色体1进行第三种方式变异)，染色体2不变；
4)变异4：染色体1变异IV，即染色体1进行第四种方式变异)，染色体2不变；
5)变异5：染色体1变异V，即染色体1进行第五种方式变异，染色体2不变；
6)变异6：染色体1变异VI，即染色体1进行第六种方式变异，染色体2不变；
7)变异7：染色体1变异VII，即染色体1进行第七种方式变异，染色体2不变；
8)变异8：染色体1不变，染色体2变异I，即染色体2进行第一种方式变异；
9)变异9：染色体1不变，染色体2变异II，即染色体2进行第二种方式变异；
10)变异10：染色体1变异I/IV/VI，即对染色体1随机选择第一种或者第四种或者第六种方式变异；染色体2变异I，即染色体2进行第一种方式变异；
11)变异11：染色体1变异II，即染色体1进行第二种方式变异；染色体2变异I，即染色体2进行第一种方式变异；
12)变异12：染色体1变异III/V/VII，即对染色体1随机选择第三种或者第五种或者第七种方式变异；染色体2变异I，即染色体2进行第一种方式变异；
13)变异13：染色体1变异I/IV/VI，即对染色体1随机选择第一种或者第四种或者第六种方式变异；染色体2变异II，即染色体2进行第二种方式变异；
14)变异14：染色体1变异II，即染色体1进行第二种方式变异；染色体2变异II，即染色体2进行第二种方式变异；
15)变异15：染色体1变异III/V/VII，即对染色体1随机选择第三种或者第五种或者第七种方式变异，染色体2变异II，即染色体2进行第二种方式变异；
步骤5、将基因变异产生的子代加入到种群中；
步骤6、计算任务的生产开始与结束时间：按照一定规则进行计算，规则为下一道工序的开始点为上一道工序结束点或者设备的空闲开始时间或者某一天的工作开始时间。
步骤7、计算目标函数值：目标函数为提前生产率，任务切换时设备准备时间总和，连续生产率；
Figure BDA0002515672910000051
提前生产率：以产品为单位，如果产品的最后一道工序任务生产结束时间小于产品交期的，不计入提前生产率；如果大于，则计算时间差，然后计算所有时间差的平均值；
Figure BDA0002515672910000052
任务切换时设备准备时间总和：计算所有任务切换发生时设备产生的准备时间总和；
Figure BDA0002515672910000053
连续生产率：计算所有设备中的空隙长度总和，空隙为正常工作时间且没有任务时间段；
步骤8、筛选出所有的非支配个体：对种群进行非支配个体筛选，如果在种群中无法找到另外一个个体的三个目标函数值同时大于某个体的三个目标函数值，则该个体为非支配个体；
步骤9、优胜劣汰：对种群中的所有个体按照三个目标的重要程度，依次排序，取排序后种群中的适应度最高的一些个体，作为新的种群；
步骤10、进化迭代：重复步骤3、4、5、6、7、8，既是种群进化过程，直到种群满足一定的迭代停止条件，则种群迭代，输出最优个体；迭代停止条件为：三个目标都达到最小值或者三个目标在一定次数内不发生变化或者为迭代次数达到最大值。
图3中的H8、H9为可加班设备，允许周一至周六晚上加班，其他设备不可加班；其中的1～89为任务号，括号上方为任务所对应的产品编号；灰色形状为上周任务设备被占用时间或者每天夜间休息时间，周日全天为休息，所以全天都为灰色；黑色为任务之间切换设备准备时间；顶部为时间轴，前一天8:00:00至后一天8:00:00。
所述的染色体1变异分为7种：
Figure BDA0002515672910000054
变异I：随机选择的部分基因任务位置改变1，首先随机选择一些(相同产品、生产数量、交期)任务流，任务流为生产一种产品的所有工序流；然后对选择好的基因随机生成新的位置，需满足的条件为：满足上下工序先后生产关系，(相同产品、生产数量、交期)任务流顺序不变关系；
Figure BDA0002515672910000055
变异II：随机选取的部分基因中设备号改变，首先随机选择一些任务流，然后对选择好的基因随机生成新的位置，需满足的条件为：满足上下工序先后生产关系；
Figure BDA0002515672910000056
变异III：变异1与变异2同时发生，随机选择的部分基因方法使用变异1中方法；
Figure BDA0002515672910000057
变异IV：随机选择的部分基因任务位置改变2，首先随机选择一些相同产品的所有任务，然后对选择好的基因随机生成新的位置，需满足的条件为：满足上下工序先后生产关系、相同产品的任务放在一起、具有相同产品、生产数量、交期的任务的顺序固定；
Figure BDA0002515672910000058
变异V：变异4与变异2同时发生，随机选择的部分基因方法使用变异4中方法；
Figure BDA0002515672910000061
变异VI：随机选择的部分基因任务位置改变3，首先随机选择一些(相同产品、生产数量、交期)任务流，不包括任务流数量只有单个的情况；然后对选择好的基因随机生成新的位置，需满足的条件为：满足上下工序先后生产关系，相同产品、生产数量、交期的任务流的位置紧挨在一起且顺序固定；
Figure BDA0002515672910000062
变异VII：变异6与变异2同时发生，随机选择的部分基因方法使用变异6中方法。所述的染色体2变异分为2种：
Figure BDA0002515672910000063
变异I：使得随机选择的部分日期对应的工作时间随机变短。
Figure BDA0002515672910000064
变异II：使得随机选择的部分日期对应的工作时间随机变长。

Claims (3)

1.一种基于遗传算法的智能排产系统，其特征在于它至少包括如下步骤：
步骤1、随机生成一定规模的种群，种群中的个体由两条染色体组成，染色体1的基因为所有任务与可选设备的随机顺序组合，染色体2的基因为可加班设备的每天工作时间，工作时间为随机生成的；
步骤2、从种群中随机选择两个双亲进行基因重组，重组方式分为如下4种：
1)双亲中染色体1互换；
2)双亲中染色体1的部分基因互换，染色体2不变；
3)双亲中染色体2部分基因互换，染色体1不变；
4)双亲中染色体1部分基因互换，染色体2部分基因互换；
步骤3、将基因重组产生的子代个体加入到种群中；
步骤4、从种群中随机选择部分个体进行基因变异，变异方式分为如下15种：
1)变异1：染色体1变异I，即染色体1进行第一种方式变异，染色体2不变；
2)变异2：染色体1变异II，即染色体1进行第二种方式变异，染色体2不变；
3)变异3：染色体1变异III，即染色体1进行第三种方式变异)，染色体2不变；
4)变异4：染色体1变异IV，即染色体1进行第四种方式变异)，染色体2不变；
5)变异5：染色体1变异V，即染色体1进行第五种方式变异，染色体2不变；
6)变异6：染色体1变异VI，即染色体1进行第六种方式变异，染色体2不变；
7)变异7：染色体1变异VII，即染色体1进行第七种方式变异，染色体2不变；
8)变异8：染色体1不变，染色体2变异I，即染色体2进行第一种方式变异；
9)变异9：染色体1不变，染色体2变异II，即染色体2进行第二种方式变异；
10)变异10：染色体1变异I/IV/VI，即对染色体1随机选择第一种或者第四种或者第六种方式变异；染色体2变异I，即染色体2进行第一种方式变异；
11)变异11：染色体1变异II，即染色体1进行第二种方式变异；染色体2变异I，即染色体2进行第一种方式变异；
12)变异12：染色体1变异III/V/VII，即对染色体1随机选择第三种或者第五种或者第七种方式变异；染色体2变异I，即染色体2进行第一种方式变异；
13)变异13：染色体1变异I/IV/VI，即对染色体1随机选择第一种或者第四种或者第六种方式变异；染色体2变异II，即染色体2进行第二种方式变异；
14)变异14：染色体1变异II，即染色体1进行第二种方式变异；染色体2变异II，即染色体2进行第二种方式变异；
15)变异15：染色体1变异III/V/VII，即对染色体1随机选择第三种或者第五种或者第七种方式变异，染色体2变异II，即染色体2进行第二种方式变异；
步骤5、将基因变异产生的子代加入到种群中；
步骤6、计算任务的生产开始与结束时间：按照一定规则进行计算，规则为下一道工序的开始点为上一道工序结束点或者设备的空闲开始时间或者某一天的工作开始时间。
步骤7、计算目标函数值：目标函数为提前生产率，任务切换时设备准备时间总和，连续生率；提前生产率：以产品为单位，如果产品的最后一道工序任务生产结束时间小于产品交期的，不计入提前生产率；如果大于，则计算时间差，然后计算所有时间差的平均值；任务切换时设备准备时间总和：计算所有任务切换发生时设备产生的准备时间总和；连续生产率：计算所有设备中的空隙长度总和，空隙为正常工作时间且没有任务时间段；
步骤8、筛选出所有的非支配个体：对种群进行非支配个体筛选，如果在种群中无法找到另外一个个体的三个目标函数值同时大于某个体的三个目标函数值，则该个体为非支配个体；
步骤9、优胜劣汰：对种群中的所有个体按照三个目标的重要程度，依次排序，取排序后种群中的适应度最高的一些个体，作为新的种群；
步骤10、进化迭代：重复步骤3、4、5、6、7、8，既是种群进化过程，直到种群满足一定的迭代停止条件，则种群迭代，输出最优个体；迭代停止条件为：三个目标都达到最小值或者三个目标在一定次数内不发生变化或者为迭代次数达到最大值。
2.根据权利要求1所述的基于遗传算法的智能排产系统，其特征在于所述的染色体1的七种变异方式分别为：
所述的变异I：随机选择的部分基因任务位置改变1，首先随机选择一些任务流任务流为生产一种产品的所有工序流；然后对选择好的基因随机生成新的位置，需满足的条件为：满足上下工序先后生产关系，任务流顺序不变关系；
所述的变异II：随机选取的部分基因中设备号改变，首先随机选择一些任务流，然后对选择好的基因随机生成新的位置，需满足的条件为：满足上下工序先后生产关系；
所述的变异III：变异1与变异2同时发生，随机选择的部分基因方法使用变异1中方法；
所述的变异IV：随机选择的部分基因任务位置改变2，首先随机选择一些相同产品的所有任务，然后对选择好的基因随机生成新的位置，需满足的条件为：满足上下工序先后生产关系、相同产品的任务放在一起、具有相同产品、生产数量、交期的任务的顺序固定；
所述的变异V：变异4与变异2同时发生，随机选择的部分基因方法使用变异4中方法；
所述的变异VI：随机选择的部分基因任务位置改变3，首先随机选择一些任务流，不包括任务流数量只有单个的情况；然后对选择好的基因随机生成新的位置，需满足的条件为：满足上下工序先后生产关系，相同产品、生产数量、交期的任务流的位置紧挨在一起且顺序固定；
所述的变异VII：变异6与变异2同时发生，随机选择的部分基因方法使用变异6中方法。
3.根据权利要求1所述的基于遗传算法的智能排产系统，其特征在于所述的染色体2的二种变异方式为：
变异I：使得随机选择的部分日期对应的工作时间随机变短；
变异II：使得随机选择的部分日期对应的工作时间随机变长。
CN202010475386.7A 2020-05-29 2020-05-29 基于遗传算法的智能排产系统 Pending CN111724044A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010475386.7A CN111724044A (zh) 2020-05-29 2020-05-29 基于遗传算法的智能排产系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010475386.7A CN111724044A (zh) 2020-05-29 2020-05-29 基于遗传算法的智能排产系统

Publications (1)

Publication Number Publication Date
CN111724044A true CN111724044A (zh) 2020-09-29

Family

ID=72565446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010475386.7A Pending CN111724044A (zh) 2020-05-29 2020-05-29 基于遗传算法的智能排产系统

Country Status (1)

Country Link
CN (1) CN111724044A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396323A (zh) * 2020-11-18 2021-02-23 广东赛意信息科技有限公司 一种基于生产计划的制程工艺单分配方法及系统
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

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000040106A (ja) * 1998-07-22 2000-02-08 Zexel Corp 生産システムの工程編成方法及び生産システムの工程編成装置並びに生産システムの工程編成プログラムを記録した記録媒体
CN103870647A (zh) * 2014-03-14 2014-06-18 西安工业大学 一种基于遗传算法的作业车间调度建模的方法
WO2016165392A1 (zh) * 2015-04-17 2016-10-20 华南理工大学 一种基于遗传算法的云计算资源调度方法
CN111062535A (zh) * 2019-12-16 2020-04-24 中国工程物理研究院化工材料研究所 一种实现含能材料生产过程动态排产的方法及系统
CN111079987A (zh) * 2019-11-28 2020-04-28 电子科技大学 基于遗传算法的半导体车间生产调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000040106A (ja) * 1998-07-22 2000-02-08 Zexel Corp 生産システムの工程編成方法及び生産システムの工程編成装置並びに生産システムの工程編成プログラムを記録した記録媒体
CN103870647A (zh) * 2014-03-14 2014-06-18 西安工业大学 一种基于遗传算法的作业车间调度建模的方法
WO2016165392A1 (zh) * 2015-04-17 2016-10-20 华南理工大学 一种基于遗传算法的云计算资源调度方法
CN111079987A (zh) * 2019-11-28 2020-04-28 电子科技大学 基于遗传算法的半导体车间生产调度方法
CN111062535A (zh) * 2019-12-16 2020-04-24 中国工程物理研究院化工材料研究所 一种实现含能材料生产过程动态排产的方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112396323A (zh) * 2020-11-18 2021-02-23 广东赛意信息科技有限公司 一种基于生产计划的制程工艺单分配方法及系统
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

Similar Documents

Publication Publication Date Title
CN109636011B (zh) 一种基于改进的变邻域遗传算法的多班制计划排程法
CN110598920B (zh) 用于铸造并行车间主生产计划的多目标优化方法及系统
CN111724044A (zh) 基于遗传算法的智能排产系统
CN111382942B (zh) 一种集成交货期配置的置换流水车间能效优化调度方法
CN109615105B (zh) 一种考虑柔性节拍和操作人员技能差异的装配线平衡方法
CN111062535A (zh) 一种实现含能材料生产过程动态排产的方法及系统
CN112785454B (zh) 一种梯级水电站汛期智能调度方法及决策支持系统
CN101833709A (zh) 半导体生产线生产计划的混合智能优化方法
CN101539800A (zh) 一种低功耗作业调度计算方法
CN101989743B (zh) 基于直流潮流的节能发电调度优化方法
CN104463414A (zh) 一种分时电价下热轧生产经济负荷调度方法
CN111206650A (zh) 一种水箱错峰调蓄管理系统
CN103761385A (zh) 一种多热源环状管网的优化设计方法
CN110245799B (zh) 考虑负荷柔性需求的配电网架结构过渡的多目标规划方法
CN115860205A (zh) 考虑跨季节调度的两阶段分布鲁棒氢储设备优化配置方法
Kong et al. Multifurnace optimization in electric smelting plants by load scheduling and control
Dasgupta et al. Short term unit-commitment using genetic algorithms
CN110648037A (zh) 一种整车生产评价方法及装置
CN117057634A (zh) 储能电站参与电力现货市场的低碳运行优化方法及系统
CN112700109A (zh) 一种订单生产顺序优化方法、系统、设备及可读存储介质
Ramteke et al. Novel genetic algorithm for short-term scheduling of sequence dependent changeovers in multiproduct polymer plants
CN111652413A (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
Hadwan Annealing Harmony Search Algorithm to Solve the Nurse Rostering Problem.
CN114091720A (zh) 一种基于决策者偏好的多目标配煤方法
CN108667031B (zh) 一种基于实时滚动窗口的家庭用电调度优化方法

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