CN112001618B - 一种工期指派、订单接受与生产调度集成优化方法 - Google Patents
一种工期指派、订单接受与生产调度集成优化方法 Download PDFInfo
- Publication number
- CN112001618B CN112001618B CN202010832501.1A CN202010832501A CN112001618B CN 112001618 B CN112001618 B CN 112001618B CN 202010832501 A CN202010832501 A CN 202010832501A CN 112001618 B CN112001618 B CN 112001618B
- Authority
- CN
- China
- Prior art keywords
- order
- sequence
- tnr
- orders
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 73
- 238000010276 construction Methods 0.000 title claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 64
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000003780 insertion Methods 0.000 claims abstract description 19
- 230000037431 insertion Effects 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 19
- 230000008901 benefit Effects 0.000 claims description 7
- 230000006378 damage Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007514 turning Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract description 12
- 230000001174 ascending effect Effects 0.000 abstract description 6
- 238000007726 management method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 230000003111 delayed effect Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 206010012186 Delayed delivery Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q30/0635—Processing of requisition or of purchase orders
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种工期指派、订单接受与生产调度集成优化方法。在调度时刻正式开始之前，采集建模所需的调度信息；将采集到的信息，通过构造启发式算法进行初始化得到初始解，在此基础上提出了一种基于知识导向的混合迭代贪婪算法用以求解该问题并得到局部最优调度方案及对应的最优交货期，同时，局部搜索阶段设计了一种基于插入和交换结构的快速变邻域上升搜索策略。在实际生产环境安排加工任务时，通过数次迭代比较得出全局最优调度方案。本发明通过集成最优配置策略，以最大化净利润为目标，为预制构件制造商提供了一种快速有效的管理方案。
Description
技术领域
本发明属于先进技术及先进制造技术领域，具体涉及一种工期指派、订单接受与生产调度集成优化方法。
背景技术
与现有浇施工相比，预制构件因具有耐用性、美学多功能性、节能环保的独特优势而广受欢迎。预制构件的生产过程属于流水生产过程，在实际生产过程中，制造商往往需要根据企业的生产能力与客户协商制定交货期，并通过拒绝部分订单来减少拖期惩罚以获取最大利润，因此需要对交货期配置和生产调度综合考虑。
如上所述，为了按期交付产品，制造商需要为客户指定有效的调度方案并指派合理的工期，否则就会因生产调度不当导致预制构件延迟交付施工现场，增加总工期和总成本并导致客户流失。合理的优化和调度方法是增加收益、降低成本、提高客户满意度和节约时间的关键。而预制构件由于存在可中断和不可中断，串行和并行工序并存等复杂工况特点，因此比传统的流水车间生产更为复杂，虽然在实际预制构件生产过程中，迫切需要对交货期配置、订单接受和调度进行同时优化，但三者的集成优化的难度大，因此更具挑战性。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种工期指派、订单接受与生产调度集成优化方法，使得制造商便于通过自身生产能力与客户协商制定交货期，并通过拒绝部分订单来减少拖期惩罚以获取最大利润从而达到优化预制生产总收益的目的，解决了实际生产管理过程中交货期配置、订单选择与生产调度需要同时决策的困难问题。
本发明采用以下技术方案：
一种工期指派、订单接受与生产调度集成优化方法，包括以下步骤：
S1、在调度时刻正式开始之前，采集建模所需调度信息；
S2、从步骤S1采集的信息中读取初始化信息，通过构造启发式算法进行初始化得到初始解，首先对一批订单按照加工每个订单6道工序的总时间和各订单的毛利润分别进行排序，再运用NEH启发式方法，选取总净利润TNR最大值对应的订单序列作为迭代贪婪算法的初始解；
S3、根据步骤S2的初始解，基于迭代贪婪算法，针对预制构件生产调度特征优化算法，在实际生产环境安排加工任务时，基于数次迭代进行寻优得到局部最优调度方案，通过比较得出全局最优调度方案，实现工期指派、订单接受与生产调度优化。
具体的，步骤S1中的调度信息包括：订单数量J，订单j加工时间pi,j，订单j的截止日期deadlinej，订单j的最优交货期 N+为正整数。
具体的，步骤S2具体为：
S201、计算Pj＝∑s∈Kpj,s，并将订单Pj按照非递增顺序排列，将排列顺序赋值给一批订单按Qj非递减排序，并将排列顺序赋值给
S202、选取ΠP中前两位的订单并赋值给Πa，剩余订单赋值给Πb。选取ΠQ中前两位的订单并赋值给Πc，剩余订单赋值给Πd；
S203、在Πa最佳位置插入Πb中的使得目标值TNR最大，将当前最优解对应的订单排列顺序赋值给Πa；
S204、在Πc最佳位置插入使得TNR值最大，将当前最优解赋值给Πc；
S205、判断和的大小关系，并将相对较好解对应的调度序列赋值给Π0；
S206、基于知识结构，确定调度序列Π0中每个订单的交货期。以便工厂为客户指定有效的调度方案并指派合理的工期，防止因生产调度不当而引起预制构件延迟交付施工现场，导致客户流失。
进一步的，步骤S203具体为：
S2031、令 表示在序列ΠP中第j个位置的订单；
S2032、设置ΠA＝Φ，ΠR＝Φ；
S2033、设置j的最大取值J及当前取值j＝3；
S2034、将插入Πa中第一个至最后一个位置并判断每一次插入后新产生的序列中每个订单的完成时间与截止日期的关系，如果接受订单 否则拒绝订单
S2035、计算TNR最大时对应的工件排列顺序，将当前最优解对应的订单排列顺序赋值给Πa。
进一步的，步骤S204具体为：
S2041、令 表示在序列ΠQ中第j个位置的订单；
S2042、设置ΠA＝Φ，ΠR＝Φ；
S2043、设置j的最大取值J及当前取值j＝3；
S2044、通过将插入Πc中第一个至最后一个位置并判断每一次插入后新产生的序列中每个订单的完成时间与截止日期的关系，如果接受订单 否则拒绝订单 得到接受集合ΠA和拒绝集合ΠR；
S2045、计算TNR最大时对应的工件排列顺序，将当前最优解对应的订单排列顺序赋值给Πc。
进一步的，步骤S206具体为：
S2061、设置j的最大取值J及当前取值j＝1；
S2062、判断γπj的取值，若γπj＝0，则转步骤S2063，否则转步骤S2064；
S2063、序列Π0中的订单πj的最优交货期取值为
S2064、如果则否则
S2065、将j+1赋值给j，判断j≥J是否成立，若成立，执行步骤S2066，否则转到步骤S2061；
S2066、输出Π0中每个订单对应的交货期，在此交货期下，计算目标值作为调度方案好坏的评价标准。
具体的，步骤S3具体为：
S301、对初始解Π0进行变邻域局部搜索，按照目标函数得到局部最优解Π*，并将Π*赋值给Π0；
S302、对步骤S301得到的局部最优解所对应的工件排列顺序通过迭代贪婪算法进行破坏和重新构造，找出破坏和构造后的最优解Π*；
S303、对当前Π*进行变邻域局部搜索后得到当前最优调度序列Π2 *；并对调度序列Π2 *在基于知识结构条件下，确定每个订单的交货期，以便满足客户要求的情况下使目标值最大化；输出Π2 *中每个订单对应的交货期，并在此交货期下计算
S304、判断TNR(Π2 *)与TNR(Π0)的大小关系，若TNR(Π2 *)＞TNR(Π0)，则输出Π2 *，否则将Π0的值所对应的订单排列顺序赋给Π2 *并输出；
S305、判断是否满足终止条件，若不满足，则执行步骤S302，否则结束算法并输出当前全局最优解及订单的交货期配置策略作为实际工厂中预制构件的生产调度方案，实现精准化生产，提高工厂净收益。
进一步的，步骤S301中，变邻域局部搜索具体为：
S3011、设置k＝1，获得输入的初始解Π0，设置Π*为当前最优解；
S3012、判断k≤2，若成立，执行步骤S3013，否则执行步骤S3014；
S3013、将调度序列Π0＝(π1,π2,...,πj,...,πk...,πJ)中订单按照顺序依次交换(π1,π2),(π1,π3),...,(π1,πJ),...,(π2,π3),...,(π2,πJ),...,(πJ-1,πJ)，保留并将当前TNR对应的最好序列赋值给Π’；如果TNR(Π’)>TNR(Π0)，则Π0:＝Π’且设置k＝1，继续进行步骤S3013操作，否则执行步骤S3014；
S3014、在序列Π0中每次均随机选择一个之前未被选择的订单，并将其插入剩余订单的所有位置，保留并将当前TNR对应的最好序列赋值给Π*，如果TNR(Π*)＞TNR(Π0)，则Π0＝:Π*，执行步骤S302，否则转至步骤S3013。
进一步的，步骤S302中，破坏阶段：从Π0中随机选择D个订单并删除，再按已选择的顺序添加到ΠD中；ΠD是D个被删除的订单序列，从当前完整的候选解Π0中去掉解的成分，得到中间部分候选解Π’；构造阶段：依次将ΠD中的订单逐步插入到Π’中的第一个至最后一个位置，保留并更新当前最优解，并将最优解的对应调度序列赋值给Π*。
与现有技术相比，本发明至少具有以下有益效果：
本发明针对预制构件生产背景下的交货期配置、订单接受与调度集成优化IDOS_PPE(Integrated Due date Assignment，Order Acceptance and Scheduling in PrecastProduction Environments)，在预制构件中存在的可中断和不可中断工序，串行和并行工序等复杂工况特点的基础上，以最大化总净利润为目标，建立混合整数规划集成调度优化模型，并基于固定调度情况下交货期配置性质给出了最优交货期配置策略，克服枚举交货期方法所带来的的目标函数评价困难的问题。同时，在局部搜索阶段设计基于插入和交换结构的快速变邻域上升搜索策略(VNA,Variable Neighborhood Ascend)，进而通提出了一种高效的基于工期指派、订单接受与调度集成的迭代贪婪搜索算法，优化预制生产总收益，以期为预制构件制造企业提供有价值的启示。
进一步的，获取工厂所需各批次订单的实时数据，保证工厂及时做出合理决策。
进一步的，从采集系统中读取初始化信息，建立初始化解，给迭代贪婪算法得到一个相对较好的初始解，加快该算法的搜索效率，提高算法的搜索质量。
进一步的，对一批订单按照加工每个工件6道工序的总时间进行非降序排列，运用NEH启发式方法，最终选取TNR较大的工件序列作为迭代贪婪算法初始解的候选解以便提高初始解的质量。
进一步的，对一批订单按照加工每个工件毛利润进行非升序排列，运用NEH启发式方法，最终选取TNR较大的工件序列作为迭代贪婪算法初始解的候选解以便提高初始解的质量。
进一步的，在该算法的目标评价阶段，为提高算法效率，节约算法运行时间。通过集成最优交货期配置策略快速计算给定调度对应的最优目标值，克服了枚举交货期方法所带来的的目标函数评价困难。
进一步的，预制构件生产过程具有高度的非线性和组合特性，精确算法无法在有限时间内获得问题解，因此运用高效智能算法-混合迭代贪婪算法进行求解。
进一步的，为提高搜索精度，在局部搜索阶段设计了一种基于插入和交换结构的快速变邻域上升搜索策略。
进一步的，破坏和重新构造这种特殊结构，防止算法因陷入局部最优而导致最终目标值较差，确保在运算时间可接受范围内给出最优解决方案的，该算法可获得更好的求解质量和更强的鲁棒性。
综上所述，本发明通过集成最优交货期配置策略，以最大化净利润为目标提出了一种工期指派、订单接受与调度并行优化的混合迭代贪婪算法框架，为预制构件制造商提供了一种快速有效的管理方案。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为预制构件不同工序完工时间示意图；
图2为不同规模算例下的平均偏差率图；
图3为不同规模算例下的平均值与标准差的误差棒示意图。
具体实施方式
请参阅图1，基于IDOS_PPE集成优化方法，分为以下几个部分：
1、分析了固定调度情况下交货期性质并给出了最优交货期配置策略；
制造商需要为客户指定有效的调度方案并指派合理的工期，否则就会因生产调度不当导致预制构件延迟交付和客户满意度下降。而枚举法确定交货期的方式使得计算时间大量增加，针对该实际问题，在给定调度序列情况下，可以得出如下性质。
NRj代表订单j的净利润，γj表示客户满意度系数，Qj订单j的毛利润，wj为订单j单位时间拖期惩罚系数，dj订单j的初始默认交货期， dj 订单j的交货期下界，订单j的交货期上界，订单j的最优交货期，Cj订单j六道工序的完工时间Cj:＝Cj,6，Tj订单j的拖期。
性质1γj＝0时，
证明：NRj＝Qj-wjTj-γjdj
＝Qj-wjTj
当Cj≤dj时，
当dj＜Cj时，NRj＝Qj-wj(Cj-dj)
性质2γj＞0，时，
证明：NRj＝Qj-wjTj-γjdj
当时，NRj＝Qj-γjdj
γj＞0，dj ≤dj≤Cj时,
性质3若wj≥γj,则若wj＜γj,则
证明：NRj＝Qj-wjTj-γjdj
＝Qj-wj(Cj-dj)-γjdj
＝Qj-wjCj+(wj-γj)dj
当wj≥γj时，
当wj＜γj时，NR*＝Qj-wjCj+(wj-γj)dj
2、以预制构件生产为背景，设计一种面向IDOS_PPE集成优化方法的HIG(HybridIterated Greedy Algorithm)混合算法；
从优化目标、约束条件等方面对预制构件工期指派、订单接受与调度建立模型。本发明中计算任务调度的目标为在顾客指定的交货期范围内通过同时决策交货期取值，订单接受与拒绝以及订单排序，使制造商获得的净利润最大化。
式(1)为目标函数，其中TNR为总净利润，NR为某个订单的净利润。
式(2)为定义的两类决策变量。
yj∈{0，1},xj,[k]∈{0，1} (2)
式(3)为各变量取值范围。
C[k],s≥0,D[k],s≥0,A[k],s≥0 (3)
式(4)约束订单j最优交货期取值范围。
式(5)为完工时间大于交货期时的拖期计算公式。
式(6)约束每个被接受的订单都分配至序列中的一个位置。
式(7)约束任一订单的加工必须且仅能在该工序对应的机器上完成一次。工作天数的计算如式(8)所示。
预制构件六道工序完成时间可由式(9)～(13)得到。其中，式(9)为传统流水车间订单加工的累计完成时间，即订单的某道工序的完成时间等于其开始时间与处理时间之和。式(10)为在传统流水车间基础上，预制构件八小时工作制且不可加班约束条件下，第一、二、五、六道工序的完工时间。
其中，yj为二进制变量，若工件j被接受，则为1，否则为0。Qj为工件j的利润。wj为工件j单位时间惩罚系数，Tj为工件j的拖期。Cj,s表示工件j在第s道工序的完成时间；C[k],s表示工件在生产序列第k个位置第s道工序的完成时间；A[k],s为工件在生产序列第k个位置第s道工序的累计时间；D[k],s为工件在生产序列第k个位置第s道工序的累计工作日天数。
浇筑(第三道工序)为不可间断工序且需顺序执行，因此若不能在包含加班的时间段内完成，需推迟到下一个工作日进行。
式(11)是在传统流水车间基础上，考虑到预制构件八小时工作制且可加班的条件下，第三道工序完工时间计算公式。
蒸汽养护为不可间断工序且可多个订单并行加工，需12小时不间断处理，因此存在两种不同情况。情况1，养护过程可在包含加班的时间段内完成。情况2，养护过程在夜间完成，其完成时间视为下一个工作日的开始时间。
式(12)为传统流水车间完成时间计算公式。
式(13)在传统流水车间基础上，考虑到预制构件八小时工作制且可加班的条件下，第四道工序完工时间计算公式。
3、由于预制构件生产过程具有高度的非线性和组合特性，精确算法无法在有限时间内获得问题解，因此需要高效智能算法求解。为提高搜索精度，在HIG(Hybrid IteratedGreedy Algorithm)算法的局部搜索阶段设计了一种基于插入和交换结构的快速变邻域上升搜索策略(VNA，Variable Neighborhood Ascend)。将VNA变邻域搜索算法与HIG算法相结合，设计一种HIG_VNA算法来满足计算目标函数的需求。在HIG算法破坏、构造的交替迭代过程中并行优化每组序列中每个订单的交货期。VNA算法是基于邻域结构变换而非单个邻域的局部搜索，它比传统的固定邻域寻优能力更强，且无需调整参数。
本发明提供了一种工期指派、订单接受与生产调度集成优化方法，考虑置换流水车间下的预制构件生产调度问题，在该问题中，工件加工时间具有差异性，优化目标为最大化订单的总净利润。根据问题特点，设计了有效的智能算法，解决交货期配置、订单接受和调度集成优化问题，促进企业生产效率的提升，实现精准化生产，提高顾客满意水平。
(1)设需要被安排的待加工工件集合J＝{j1，j2，...，jJ}；
(2)每个待加工工件j需在六台设备S＝{S1，S2，...，S6}上加工且每种类型的工件各道工序处理时间pj,s均已知。
(3)工序之间遵循工艺约束，每个工件六道工序按照预制构件生产流程进行生产，即各工件依次经过模具组装、预埋件安装、浇筑、蒸汽养护、拆模以及精加工，建立以最大化总净利润为目标的工期指派、订单接受与生产调度的集成优化。
(4)由于企业和客户对于精准化生产和零库存管理的要求越来越高，需要优化的目标设定为最大化总净利润。
本发明一种工期指派、订单接受与生产调度集成优化方法，包括以下步骤：
S1、调度信息的相关采集
在调度时刻正式开始之前，采集建模所需要的各类信息，其中包括：订单数量J，订单j加工时间pi,j，订单j的截止日期订单j的最优交货期取值范围，
S2、调度软件从采集系统中读取初始化信息，并建立初始化解：Π1←(π1，π2，...，πj，...，πJ)，通过构造启发式算法进行初始化，得到较好初始解。即首先对一批订单按照加工每个订单6道工序的总时间和和各订单的毛利润分别进行排序，再运用NEH启发式方法，最终选取TNR(TNR，Total Net Revenue，总净利润)最大值对应的订单序列作为迭代贪婪算法的初始解以便提高解的质量。具体包括以下步骤：
S201、计算Pj＝∑s∈Kpj,s，并将该批订单按Pj按照非递增顺序排列，将排列顺序赋值给一批订单按Qj非递减顺序排列，并将排列顺序赋值给
S202、选取ΠP中前两位的订单并赋值给Πa，剩余订单赋值给Πb。选取ΠQ中前两位的订单并赋值给Πc，剩余订单赋值给Πd；
S203、在Πa最佳位置插入Πb中的使得目标值TNR最大，将当前最优解对应的订单排列顺序赋值给Πa；
S2031、
S2032、设置ΠA＝Φ，ΠR＝Φ；
S2033、设置j的最大取值J及当前取值j＝3；
S2034、将插入Πa中第一个至最后一个位置并判断每一次插入后新产生的序列中每个订单的完成时间与截止日期的关系，采用面向IDOS_PPE集成优化方法计算每个订单的完工时间，如果接受订单 否则拒绝订单
S2035、计算并将TNR最大时对应的工件排列顺序赋值给Πa；
S204、在Πc最佳位置插入使得TNR值最大，将当前最优解赋值给Πc；
S2041、
S2042、设置ΠA＝Φ,ΠR＝Φ；
S2043、设置j的最大取值J及当前取值j＝3；
S2044、将插入Πc中第一个至最后一个位置并判断每一次插入后新产生的序列中每个订单的完成时间与截止日期的关系，采用面向IDOS_PPE集成优化方法计算每个订单的完工时间，如果接受订单 否则拒绝订单
S2045、计算并将TNR最大时对应的工件排列顺序赋值给Πc；
S205、判断和的大小关系，并将相对较好解对应的调度序列赋值给Π0；
S206、基于知识结构，根据最优交货期配置策略确定调度序列Π0中每个订单的交货期。以便工厂为客户指定有效的调度方案并指派合理的工期，防止因生产调度不当而引起预制构件延迟交付施工现场，导致客户流失。
S2061、设置j的最大取值J及当前取值j＝1；
S2062、判断γπj的取值范围，若γπj＝0，则转步骤S2063，否则转步骤S2064；
S2063、序列Π0中的订单πj的最优交货期取值为
S2064、如果则否则
S2065、将j+1赋值给j，判断j≤J是否成立，若成立则执行步骤S2066，否则转步骤S2061；
S2066、输出Π0中每个订单对应的交货期，在此交货期下，计算目标值作为调度方案好坏的评价标准。
S3、基于迭代贪婪算法针对预制构件生产调度特征的优化算法，在实际生产环境安排加工任务时，基于插入和交换结构的快速变邻域上升搜索策略，经数次迭代进行寻优得到的局部最优调度方案，并最终通过比较得到全局最优调度方案，以用来提高工厂实际生产中的调度性能。
S301、对初始解Π0进行变邻域局部搜索(VNA)，按照目标函数，得到局部最优解，VNA具体步骤如下：
S3011、设置k＝1，获得输入的初始解Π0，设置Π*为当前最优解；
S3012、判断k≤2是否成立，若成立则执行步骤S3013，否则执行步骤S3014；
S3013、将调度序列Π0＝(π1,π2,...,πj,...,πk...,πJ)中订单按照顺序依次交换(π1,π2),(π1,π3),...,(π1,πJ),...,(π2,π3),...,(π2,πJ),...,(πJ-1,πJ)，将当前TNR对应的最好序列保留并赋值给Π’；如果TNR(Π’)>TNR(Π0)，则Π0:＝Π’且设置k＝1，仍进行步骤S3013操作，否则执行步骤S3014；
S3014、在序列Π0中每次均随机选择一个之前未被选择的订单，并将其插入剩余订单的所有位置，将当前TNR对应的最好序列保留并赋值给Π*。如果TNR(Π*)＞TNR(Π0)，则Π0＝:Π*，执行步骤S302，否则转至步骤S3013；
S302、为了防止算法自身陷入局部最优，影响实际生产中的工厂调度效率，因此对算法进行破坏和重新构造。
破坏阶段：从Π0中随机选择D个订单并删除他们，再按已选择的顺序将其添加到ΠD中。其中ΠD是D个被删除的订单序列。从当前完整的候选解Π0中去掉被选择的成分，得到中间部分候选解Π’。
构造阶段：依次将ΠD中的订单逐步插入到Π’中的第一个至最后一个位置，保留并更新当前最优解，并将最优解的对应调度序列赋值给Π*。
S303、对当前Π*进行变邻域局部搜索(VNA)后得到当前最优调度序列Π2 *；并对调度序列Π2 *在基于知识结构条件下，确定每个订单的交货期，以便满足客户要求的情况下使目标值最大化，输出Π2 *中每个订单对应的交货期，并在此交货期下计算
S304、判断TNR(Π2 *)与TNR(Π0)的大小关系，若TNR(Π2 *)>TNR(Π0)，则输出Π2 *，否则将Π0的值所对应的订单排列顺序赋给Π2 *。
S305、判断是否满足终止条件，若不满足，则执行步骤S302，否则结束算法并输出当前全局最优解及订单的交货期作为实际工厂中预制构件的生产调度方案，实现精准化生产，提高工厂净收益。
为便于理解，我们用一个20规模订单算例来进一步解释如何实现工期指派、订单接受与生产调度集成优化。
假设工厂采集到一批规模为20的订单，通过构造启发式进行初始化后得到的初始解即工件排列顺序为[7,1,5,8,17,9,12,13,14,16,15,6,18,10,11,19,2,4,20,3]；固定调度顺序，通过最优交货期配置策略，在[40％·deadlinej,80％·deadlinej]范围内得到对应交货期[38,122,43,124,34,79,52,34,53,102,104,55,76,76,79,78,31,97,125,44]；
对初始解进行变邻域上升搜索策略后得到工件排列顺序为[7,17,5,8,1,14,16,20,6,13,15,18,19,2,10,11,4,12,9,3]；
混合迭代贪婪算法破坏部分应用随机选择的方式，选择了工件[17,16,6,11,9,14]；
将破坏部分选择的工件依次插入到剩余工件[7，5，8，1，20，13，15，18，9，2，10，4，12，3]的第一个位置至最后一个位置进行重新构造，计算并保留每次的最优目标值。最终工件排列顺序为[7,17,5,8,1,14,16,20,6,13,15,18,19,10,2,11,4,9,3]，目标值TNR为4766.7，工件12由于超过截止日期而被拒绝接受。
将工件排列顺序为[7,17,5,8,1,14,16,20,6,13,15,18,19,10,2,11,4,9,3]通过最优交货期配置策略，在[40％·deadlinej,80％·deadlinej]范围内得到对应交货期[38，102，43，124，34，55，52，34，31，101，121，36，73，52，74，53，27，76，80]。再将该工件排列顺序通过变邻域搜索策略，得到[7，17，5，8，1，14，16，20，6，13，15，18，19，2，10，11，4，9，3，12]及此交货期下目标值TNR为4982.3；
重复运行上述步骤，直至满足截止条件，并输出全局最好解对应的工件排列顺序[7，5，8，14，1，13，16，20，6，18，15，19，2，10，11，17，4，12，9，3]以及对应目标值TNR为5060.4。
相当于70规模订单若用HIG_LS3方法可获得四万元平均利润，用本发明方法HIG_VNA可额外平均多获5211.2元利润。同时，HIG的标准差在不同尺寸规模的订单下均为最小，说明本发明有较强的鲁棒性。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本实施案例基于某预制构件生产厂流水车间生产调度问题进行说明。生产任务选取20，30，50，70规模的订单进行测试。为保证订单的多样性和差异性，针对不同规模订单，不同种类预制构件各随机生成10个不同组合的算例。表1为预制构件实际生产数据。
参数设置
由于当前并没有标准测试算例可用来测试PPFSP(Precast Permutation Flowshop Scheduling Problem),因此本发明以Brandimarte预制构件车间调度问题标准算例中十种不同类型订单为基础，选取小、中、大规模订单，每种规模订单随机生成十组算例。
表1各类型预制构件六道工序的实际生产数据
其中，Ni表示预制构件的第i道工序，i＝1，2，...，6。
通过田口方法调节算法参数，得出优化后的参数如表2所示。
表2算法参数说明
注：round()表示四舍五入取整函数。
仿真结果
大量仿真实验验证本发明提出的知识结构的有效性，将通过知识结构配置交货期和枚举法计算交货期两种方法在充分的迭代次数下从最大值(MAX)、平均值(AVG)和运算时间(CPU time)进行对比。统计结果如表3所示。
(1)基于枚举法确定交货期与基于知识结构确定交货期的两种方法各规模实验结果平均值与最大值的平均百分比偏差率均小于0.16％，验证了引入问题特征来设计求解规则的方法是可行且有效的。
(2)在算法效率方面，融入知识结构的算法在J＝20，30，50和70时，运行时间分别提高8.55％，9.88％，14.33％，16.10％。按照常理，随着订单规模的增大，枚举法所需的求解时间为线性增长，而调度问题所需求解时间呈指数增长，但知识结构仍然表现出显著的优越性。因此，该知识结构能有效降低工厂因计算而产生的时间浪费，提高工厂的整体运行效率。
表3基于知识结构和枚举法的HIG算法比较
注：算例A_B表示订单规模为A的第B个算例
本发明采用相对偏差率(Relative Percentage Deviation,RPD)评估算法性能，计算公式如下：
其中，为算例i通过六种算法所求得的最好值；为算例i通过算法A所求得的值；为算法A的偏差率；为平均偏差率；
请参阅表4。
表4不同算法结果比较
(1)在所有六种算法中，HIG_VNA在所有算例上的最大值和平均值均表现的最为优异，HIG_LS2次之，HIG_LS3表现的最差。由此表明HIG_VNA在求解预制构件订单接受与调度问题时具有相对较好的性能。
(2)与HIG_LS2相比，HIG_VNA在J＝20，30，50，70的算例上，平均值的ARPD分别平均提升0.3％，1.16％，1.12％，1.20％，由此可知，VNA变邻域结构在求解中大规模问题上，优势愈加明显。与HGA_VNA相比，HIG_VNA在J＝20，30，50，70算例上，最大值的ARPD分别平均提升0.93％，1.27％，2.01％，1.40％，由此可知，HIG算法更适于求解预制构件工期指派、订单接受与生产调度的集成优化问题。综上所述，HIG算法的破坏和构造保留了全局搜索能力，独特的变邻域结构(VNA)进一步提高了算法的局部寻优能力，使HIG_VNA算法具有优秀的寻优能力。
(3)请参阅图2和图3，对于所有算例，与HGA_VNA相比，HIG_VNA均具有更小的标准差，说明HIG_VNA具有更好的鲁棒性，算法性能更为稳定。
(4)在J＝20规模算例中，GA_VNA有三个算例，GA_LS2两个算例，IG_LS有七个算例找到了当前最优解，主要原因是对于小规模算例中各算法搜到全局最优解的概率较大。
综上所述，本发明是一种工期指派、订单接受与生产调度集成优化方法，通过集成最优交货期配置策略快速计算给定调度对应的最优目标值，克服了枚举交货期方法所带来的的目标函数评价困难；在混合迭代贪婪的局部搜索阶段设计了一种基于插入和交换结构的快速变邻域上升搜索策略(VNA，Variable Neighborhood Ascend)提高搜索精度。结果显示,无论是解的质量还是算法的收敛精度和稳定性，本发明所提最优配置策略和VNA搜索策略的有效性和高效性。同时说明了工期指派、订单接受与生产调度集成优化方法的可行性与优越性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (7)
1.一种工期指派、订单接受与生产调度集成优化方法，其特征在于，包括以下步骤：
S1、在调度时刻正式开始之前，采集建模所需的调度信息；
S2、从步骤S1采集的信息中读取初始化信息，通过构造启发式算法进行初始化得到初始解，首先对一批订单按照加工每个订单6道工序的总时间和各订单的毛利润分别进行排序，再运用NEH启发式方法，选取总净利润TNR最大值的订单序列作为迭代贪婪算法的初始解，具体为：
S201、计算Pj＝∑s∈Kpj,s，并将订单Pj按照非递增顺序排列，将排列顺序赋值给一批订单按Qj非递减排序，并将排列顺序赋值给
S202、选取ΠP中前两位的订单并赋值给Πa，剩余订单赋值给Πb；选取ΠQ中前两位的订单并赋值给Πc，剩余订单赋值给Πd；
S203、在Πa最佳位置插入Πb中的使得目标值TNR最大，将当前最优解对应的订单排列顺序赋值给Πa；
S204、在Πc最佳位置插入使得TNR值最大，将当前最优解赋值给Πc；
S205、判断和的大小关系，并将相对较好解对应的调度序列赋值给Π0；
S206、基于知识结构，确定调度序列Π0中每个订单的交货期；
S3、根据步骤S2的初始解，基于迭代贪婪算法，针对预制构件生产调度特征优化算法，在实际生产环境安排加工任务时，基于数次迭代进行寻优得到局部最优调度方案，通过比较得出全局最优调度方案，实现工期指派、订单接受与生产调度优化，具体为：
S301、对初始解Π0进行变邻域局部搜索，按照目标函数得到局部最优解Π*，并将Π*赋值给Π0；
S302、对步骤S301得到的局部最优解所对应的工件排列顺序通过迭代贪婪算法进行破坏和重新构造，找出破坏和构造后的最优解Π*；
S303、对当前Π*进行变邻域局部搜索后得到当前最优调度序列Π2 *；并对调度序列Π2 *在基于知识结构条件下，确定每个订单的交货期，以便满足客户要求的情况下使目标值最大化；输出Π2 *中每个订单对应的交货期，并在此交货期下计算
S304、判断TNR(Π2 *)与TNR(Π0)的大小关系，若TNR(Π2 *)＞TNR(Π0)，则输出Π2 *，否则将Π0的值所对应的订单排列顺序赋给Π2 *并输出；
S305、判断是否满足终止条件，若不满足，则执行步骤S302，否则结束算法并输出当前全局最优解及订单的交货期配置策略作为实际工厂中预制构件的生产调度方案，实现精准化生产，提高工厂净收益。
2.根据权利要求1所述的工期指派、订单接受与生产调度集成优化方法，其特征在于，步骤S1中的调度信息包括：订单数量J，订单j加工时间pi,j，订单j的截止日期deadlinej，订单j的最优交货期N+为正整数。
3.根据权利要求1所述的工期指派、订单接受与生产调度集成优化方法，其特征在于，步骤S203具体为：
S2031、令 表示在序列ΠP中第j个位置的订单；
S2032、设置ΠA＝Φ，ΠR＝Φ；
S2033、设置j的最大取值J及当前取值j＝3；
S2034、将插入Πa中第一个至最后一个位置并判断每一次插入后新产生的序列中每个订单的完成时间与截止日期的关系，如果接受订单否则拒绝订单
S2035、计算ΠA中TNR最大时对应的工件排列顺序，将当前最优解对应的订单排列顺序赋值给Πa。
4.根据权利要求1所述的工期指派、订单接受与生产调度集成优化方法，其特征在于，步骤S204具体为：
S2041、令 表示在序列ΠQ中第j个位置的订单；
S2042、设置ΠA＝Φ，ΠR＝Φ；
S2043、设置j的最大取值J及当前取值j＝3；
S2044、通过将插入Πc中第一个至最后一个位置并判断每一次插入后新产生的序列中每个订单的完成时间与截止日期的关系，如果接受订单否则拒绝订单得到接受集合ΠA和拒绝集合ΠR；
S2045、计算ΠA中TNR最大时对应的工件排列顺序，将当前最优解对应的订单排列顺序赋值给Πc。
5.根据权利要求1所述的工期指派、订单接受与生产调度集成优化方法，其特征在于，步骤S206具体为：
S2061、设置j的最大取值J及当前取值j＝1；
S2062、判断γπj的取值，若γπj＝0，则转步骤S2063，否则转步骤S2064；
S2063、序列Π0中的订单πj的最优交货期取值为
S2064、如果则否则
S2065、将j+1赋值给j，判断j≥J是否成立，若成立，执行步骤S2066，否则转到步骤S2061；
S2066、输出Π0中每个订单对应的交货期，在此交货期下，计算目标值作为调度方案好坏的评价标准。
6.根据权利要求1所述的工期指派、订单接受与生产调度集成优化方法，其特征在于，步骤S301中，变邻域局部搜索具体为：
S3011、设置k＝1，获得输入的初始解Π0，设置Π*为当前最优解；
S3012、判断k≤2，若成立，执行步骤S3013，否则执行步骤S3014；
S3013、将调度序列Π0＝(π1,π2,...,πj,...,πk...,πJ)中订单按照顺序依次交换(π1,π2),(π1,π3),...,(π1,πJ),...,(π2,π3),...,(π2,πJ),...,(πJ-1,πJ)，保留并将当前TNR对应的最好序列赋值给Π’；如果TNR(Π’)>TNR(Π0)，则Π0:＝Π’且设置k＝1，仍进行步骤S3013操作，否则执行步骤S3014；
S3014、在序列Π0中每次均随机选择一个之前未被选择的订单，并将其插入剩余订单的所有位置，保留并将当前TNR对应的最好序列赋值给Π*，如果TNR(Π*)＞TNR(Π0)，则Π0:＝Π*，执行步骤S302，否则转至步骤S3013。
7.根据权利要求1所述的工期指派、订单接受与生产调度集成优化方法，其特征在于，步骤S302中，破坏阶段：从Π0中随机选择D个订单并删除，再按已选择的顺序添加到ΠD中；ΠD是D个被删除的订单序列，从当前完整的候选解Π0中去掉被选择的成分，得到中间部分候选解Π’；构造阶段：依次将ΠD中的订单逐步插入到Π’中的第一个至最后一个位置，保留并更新当前最优解，并将最优解的对应调度序列赋值给Π*。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010832501.1A CN112001618B (zh) | 2020-08-18 | 2020-08-18 | 一种工期指派、订单接受与生产调度集成优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010832501.1A CN112001618B (zh) | 2020-08-18 | 2020-08-18 | 一种工期指派、订单接受与生产调度集成优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001618A CN112001618A (zh) | 2020-11-27 |
| CN112001618B true CN112001618B (zh) | 2023-09-05 |
Family
ID=73473866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010832501.1A Active CN112001618B (zh) | 2020-08-18 | 2020-08-18 | 一种工期指派、订单接受与生产调度集成优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001618B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836928B (zh) * | 2020-12-28 | 2023-09-22 | 浙江理工大学 | 一种流水车间人力调度优化方法 |
| CN112734188B (zh) * | 2020-12-30 | 2023-11-24 | 杭州电子科技大学 | 一种基于两阶段混合元启发式算法的家庭医疗护理调度优化方法 |
| CN112700063A (zh) * | 2021-01-13 | 2021-04-23 | 中铁一局集团有限公司 | 一种基于物联网技术的装配式构件调度系统及其使用方法 |
| CN112686471B (zh) * | 2021-01-21 | 2024-08-13 | 成都博智云创科技有限公司 | 基于贪婪策略的钢材生产优化调度方法 |
| CN112884231A (zh) * | 2021-03-01 | 2021-06-01 | 西安建筑科技大学 | 预制构件生产调度与工人配置集成优化方法、介质及设备 |
| CN114881446A (zh) * | 2022-04-29 | 2022-08-09 | 合肥工业大学 | 考虑工序不确定性的高端装备试制与试验协同调度方法 |
| CN115146837B (zh) * | 2022-06-21 | 2024-07-23 | 南京航空航天大学 | 一种基于gcn-gru的订单剩余完工期预测方法 |
| CN115186495B (zh) * | 2022-07-18 | 2023-05-02 | 广东工业大学 | 一种基于关键工序增强优化的流水线快速优化方法 |
| CN114997532B (zh) * | 2022-07-29 | 2023-02-03 | 江苏新视云科技股份有限公司 | 不确定性环境下民事电话送达调度方法、终端及存储介质 |
| CN116011757B (zh) * | 2022-12-28 | 2024-03-29 | 广州汽车集团股份有限公司 | 订单接收和调度方法、装置以及电子设备 |
| CN116596483A (zh) * | 2023-07-14 | 2023-08-15 | 中路高科交通检测检验认证有限公司 | 一种基于三维数字技术的桥梁施工组织方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110597218A (zh) * | 2019-10-18 | 2019-12-20 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于柔性化调度的排程优化方法 |
| CN111259314A (zh) * | 2020-01-16 | 2020-06-09 | 西安建筑科技大学 | 一种分布式混凝土预制构件流水车间生产调度方法 |
| CN111382942A (zh) * | 2020-03-09 | 2020-07-07 | 西安建筑科技大学 | 一种集成交货期配置的置换流水车间能效优化调度方法 |
| CN111401616A (zh) * | 2020-03-09 | 2020-07-10 | 西安建筑科技大学 | 一种供应链环境下预制混凝土构件的双层调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578178B (zh) * | 2017-09-11 | 2018-08-28 | 合肥工业大学 | 基于变邻域搜索和引力搜索混合算法的调度方法及系统 |
-
2020
- 2020-08-18 CN CN202010832501.1A patent/CN112001618B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110597218A (zh) * | 2019-10-18 | 2019-12-20 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于柔性化调度的排程优化方法 |
| CN111259314A (zh) * | 2020-01-16 | 2020-06-09 | 西安建筑科技大学 | 一种分布式混凝土预制构件流水车间生产调度方法 |
| CN111382942A (zh) * | 2020-03-09 | 2020-07-07 | 西安建筑科技大学 | 一种集成交货期配置的置换流水车间能效优化调度方法 |
| CN111401616A (zh) * | 2020-03-09 | 2020-07-10 | 西安建筑科技大学 | 一种供应链环境下预制混凝土构件的双层调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| F. Xiong等."A Novel Optimization Model for Sequencing Final Assembly Shops.《"A Novel Optimization Model for Sequencing Final Assembly Shops》.2009,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001618A (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001618B (zh) | 一种工期指派、订单接受与生产调度集成优化方法 | |
| CN104268722B (zh) | 基于多目标进化算法的动态柔性作业车间调度方法 | |
| CN113159383B (zh) | 一种面向多机协作加工车间的制造资源重构调度方法及系统 | |
| CN115600774B (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
| CN108776862B (zh) | 支持工序任务量拆分的智能排产方法 | |
| CN111738578A (zh) | 一种动态环境下的离散型生产车间调度方法 | |
| CN111401616B (zh) | 一种供应链环境下预制混凝土构件的双层调度方法 | |
| US20130117066A1 (en) | Decision support method and system for project management of liquefied natural gas plant | |
| CN111798119B (zh) | 一种预制构件流水车间订单接受与调度集成优化方法 | |
| CN111259314B (zh) | 一种分布式混凝土预制构件流水车间生产调度方法 | |
| CN113867295A (zh) | 一种基于数字孪生的制造车间agv动态调度方法、系统、设备及存储介质 | |
| CN111047272A (zh) | 一种用于多语言协同开发的项目调度方法及装置 | |
| 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 | |
| Nagamine et al. | A case study of applying software product line engineering to the air conditioner domain | |
| Jiang et al. | Application and dynamic simulation of improved genetic algorithm in production workshop scheduling | |
| CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
| Grobler-Debska et al. | Idea of switching algebraic-logical models in flow-shop scheduling problem with defects | |
| Liao et al. | A new artificial bee colony algorithm for the flexible job shop scheduling problem with extra resource constraints in numeric control centers | |
| CN104636610B (zh) | 一种应用于动态环境下的制造系统派工信息修正方法 | |
| CN115936342A (zh) | 一种基于多目标算法的柔性作业车间批量调度方法 | |
| CN102226913A (zh) | 一种自动生成Bug修复计划的方法及Bug修复方法 | |
| CN115204619A (zh) | 基于改进遗传算法解码的柔性车间调度方法、设备及系统 | |
| CN115222107A (zh) | 一种可重入混合流水车间调度问题的优化方法及装置 | |
| CN111311406B (zh) | 基于电力市场并发交易的发电商交易能力管控系统及方法 | |
| CN114154847A (zh) | 一种工程施工方案的确定方法、装置、客户端和存储介质 |
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 |