CN112070326A - 多目标生产订单分配装置及多目标生产订单分配方法 - Google Patents
多目标生产订单分配装置及多目标生产订单分配方法 Download PDFInfo
- Publication number
- CN112070326A CN112070326A CN201910495376.7A CN201910495376A CN112070326A CN 112070326 A CN112070326 A CN 112070326A CN 201910495376 A CN201910495376 A CN 201910495376A CN 112070326 A CN112070326 A CN 112070326A
- Authority
- CN
- China
- Prior art keywords
- allocation
- objective
- optimization model
- customers
- data
- 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 163
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000009826 distribution Methods 0.000 claims abstract description 94
- 238000005457 optimization Methods 0.000 claims abstract description 79
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000012384 transportation and delivery Methods 0.000 claims description 26
- 230000002068 genetic effect Effects 0.000 claims description 17
- 230000008901 benefit Effects 0.000 abstract description 23
- 239000000047 product Substances 0.000 description 52
- 108090000623 proteins and genes Proteins 0.000 description 9
- 210000000349 chromosome Anatomy 0.000 description 8
- 238000007796 conventional method Methods 0.000 description 4
- 230000006735 deficit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000013011 mating Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 239000011265 semifinished product Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种多目标生产订单分配装置及多目标生产订单分配方法,目的在于使整个集团公司的效益达到全局最优。该多目标生产订单分配装置从多个工厂向多个客户供应产品,具备:数据获取部,获取工厂数据、物流数据和客户需求数据;分配方式确定部,根据客户需求数据确定分配方式;多目标优化模型建立部,根据分配方式建立包括多个目标函数和约束条件的多目标优化模型;以及运算部,基于NSGA‑Ⅱ算法求解通过多目标优化模型建立部建立的多目标优化模型。
Description
技术领域
本发明涉及基于改进遗传算法的多目标生产订单分配装置及多目标生产订单分配方法。
背景技术
在由集团型公司向多个客户供应产品的背景下,往往要考虑集团内多个区域分公司的整体利润最大化,生产订单的分配方式对于生产成本及效率有十分重大的影响。分配方式的好坏,关系到整个集团公司的效益。因此,迫切需要从集团总部层面建立多厂生产订单分配优化模型,统一分配集团公司内各地区分公司的资源和产品,根据市场情况和集团内各工厂的生产能力,充分利用现有资源、设备提高公司的效益,从而使整个集团公司的效益达到全局最优。
对此,专利文献1(CN107451679A)提供一种生产订单分配云处理方法。该方法基于免疫算法求解目标函数,以在客户选择多个不同厂商生产时,提供一种使生产成本最低的订单分配方法。
然而,专利文献1等现有技术存在如下技术问题。
首先,专利文献1等现有技术中一次计算仅能对一次需求进行分配,无法同时计算多次需求或多个订单的分配问题。在实际的生产制造中,一个周期内有需向多个客户提供产品的生产任务,集团总部需同时统筹所有的生产任务,按照多客户不同的需求类型制定分配方案,以使该周期整体的效益达到最优。
其次,专利文献1等现有技术中仅以采购方成本最优为目标,未兼顾多供应方的利润均衡,即集团内多工厂的利润均衡。在国内人工成本和土地成本日益高企的背景下,工厂的固定成本上涨,集团总部分配生产任务时需考虑各分公司的利益均衡性,以避免工厂无单可做,影响生产积极性。
另外,专利文献1等现有技术中仅考虑了将一个批量进行分配,无法得到更具体的分配结果,例如某订单何时、在何处生产。在大中型设备的生产制造中,产品往往有一定的定制化要求,从设计到最终产出的周期长;并且每台设备包含的零部件较多,较早的生产会形成大量的零部件、半成品和成品库存,造成资金的积压等各种风险。因此,具体考虑了某订单何时、在何处生产的分配结果,对于避免上述各种风险有重要的实际意义。
由此可见,现有技术无法满足整个集团公司的效益全局最优,新的生产订单分配方法被需求。
发明内容
本发明针对现有技术中上述技术问题,其目的在于,提供一种使整个集团公司的效益达到全局最优的多目标生产订单分配装置及多目标生产订单分配方法。
本发明的一个实施方式提供一种多目标生产订单分配装置,其为从多个工厂向多个客户供应产品的多目标生产订单分配装置,其特征在于,具备:数据获取部,获取工厂数据、物流数据和客户需求数据,客户需求数据为至少包括多个客户各自的需求总量的需求总量信息或至少包括与多个客户对应的多个订单的订单信息;分配方式确定部,根据客户需求数据确定分配方式,在客户需求数据为需求总量信息的情况下,分配方式被确定为将多个客户各自的需求总量分别分配给多个工厂中的至少一部分工厂的第一分配方式;在客户需求数据为订单信息的情况下,分配方式被确定为将多个订单中的各个订单分别分配给多个工厂中的一个工厂的第二分配方式;多目标优化模型建立部,根据分配方式确定部确定的分配方式,建立与第一分配方式或第二分配方式相对应的多目标优化模型,多目标优化模型包括多个目标函数和至少一个约束条件;以及运算部,基于NSGA-Ⅱ算法即改进的非支配排序遗传算法求解通过多目标优化模型建立部建立的多目标优化模型,从而得到多目标优化模型的解作为生产订单分配方案。
由此,能够按照客户不同的需求类型优化生产订单分配,满足不同客户的不同需求。并且,实现同时计算多个客户的多个需求的分配问题,使得一个周期内集团公司整体的效益能够达到全局最优。
上述多目标生产订单分配装置也可以是,由数据获取部获取的工厂数据至少包括多个工厂各自的产能、生产成本和盈亏平衡点,由数据获取部获取的物流数据至少包括多个工厂与多个客户之间的运输成本;在多目标优化模型建立部建立的多目标优化模型中,多个目标函数至少包括根据生产成本、运输成本及分配方式确定部确定的分配方式建立的成本目标函数、根据盈亏平衡点及分配方式确定部确定的分配方式建立的盈亏平衡目标函数、及根据产能及分配方式确定部确定的分配方式建立的产能利用率偏差目标函数,至少一个约束条件为根据工厂数据、物流数据和客户需求数据决定的约束条件。
由此,兼顾了成本最优和利润均衡性,从而优化了各工厂的利益分配,提升了生产积极性。
上述多目标生产订单分配装置也可以是,在多目标优化模型建立部建立的多目标优化模型中,成本目标函数目标使多个工厂的生产成本的总和与从多个工厂向多个客户的运输成本的总和之和最小化;盈亏平衡目标函数目标使从多个工厂中的各个工厂向多个客户供应的产品量分别超过该各个工厂的盈亏平衡点;产能利用率偏差目标函数目标使多个工厂各自的产能利用率之间的偏差不超过规定的产能利用率偏差上限,该产能利用率为从多个工厂中的某工厂向多个客户供应的产品量与该工厂的产能之比。
由此,使订单分配方案确切地兼顾了整体的成本最优和各工厂的利润均衡性,使得集团公司整体的效益能够达到全局最优。
上述多目标生产订单分配装置也可以是,在多目标优化模型建立部建立的多目标优化模型中,至少一个约束条件包括使从多个工厂中的各个工厂向多个客户供应的产品量分别不超过该各个工厂的产能。
由此,使订单分配方案确切地限定了根据各工厂的生产能力决定的约束条件,提升了订单分配方案的可靠性。
上述多目标生产订单分配装置也可以是,在分配方式被确定为第一分配方式的情况下,至少一个约束条件包括使多个工厂供应给多个客户中的某客户的产品数量等于该客户的需求总量。
由此,使订单分配方案确切地限定了根据客户需求决定的约束条件,提升了订单分配方案的可靠性。
上述多目标生产订单分配装置也可以是,数据获取部获取的物流数据还包括多个工厂与多个客户之间的运输时间,订单信息中包括多个订单各自的约定交货期,在分配方式被确定为第二分配方式的情况下,第二分配方式包括多个订单各自的生产时间的分配方式,多个目标函数还包括根据运输时间、约定交货期和第二分配方式建立的倒排产目标函数。
由此,进一步兼顾了多个订单各自的生产时间,以使订单分配方案能够使多个订单以倒排产的方式生产,即实际交货期尽可能接近约定交货期,从而减少了因大量的零部件、半成品和成品库存而造成资金的积压等各种可能出现的风险。
上述多目标生产订单分配装置也可以是,在分配方式被确定为第二分配方式的情况下,至少一个约束条件中包括使多个订单中的单个订单仅由多个工厂中的单个工厂生产、以及使根据运输时间和第二分配方式得到的实际交货期不超过约定交货期。
由此,使订单分配方案确切地限定了根据客户需求决定的约束条件,提升了订单分配方案的可靠性。
上述多目标生产订单分配装置也可以是,在运算部中,针对至少一个约束条件中的约束条件构造程度函数,并根据所有约束条件的程度函数之和以及由进化代数规定的惩罚系数构造惩罚函数,通过将惩罚函数与多个目标函数结合而处理至少一个约束条件,从而将含有约束条件的多目标生产订单分配问题转换为不含约束条件的多目标生产订单分配问题。
由此,使基于NSGA-Ⅱ算法的运算能够正确地考虑到约束条件,提升了运算的可行性。
上述多目标生产订单分配装置也可以是,在运算部中,设定规定的遗传代数,将基于NSGA-Ⅱ算法针对所述多目标优化模型的求解进行了规定的遗传代数后的运算结果作为目标函数的解。
由此,能够以有限的运算量基于NSGA-Ⅱ算法得到最优解,提升了订单分配方案的可靠性。
本发明的另一方式还提供一种多目标生产订单分配方法,其为从多个工厂向多个客户供应产品的多目标生产订单分配方法,其特征在于,具备:数据获取步骤,获取工厂数据、物流数据和客户需求数据,客户需求数据为至少包括多个客户各自的需求总量的需求总量信息或至少包括与多个客户对应的多个订单的订单信息;分配方式确定步骤,根据客户需求数据确定分配方式,在客户需求数据为需求总量信息的情况下,分配方式被确定为将多个客户各自的需求总量分别分配给多个工厂中的至少一部分工厂的第一分配方式;在客户需求数据为订单信息的情况下,分配方式被确定为将多个订单中的各个订单分别分配给多个工厂中的一个工厂的第二分配方式;多目标优化模型建立步骤,根据在分配方式确定步骤中确定的分配方式,建立与第一分配方式或第二分配方式相对应的多目标优化模型,多目标优化模型包括多个目标函数和至少一个约束条件;以及运算步骤,基于NSGA-Ⅱ算法即改进的非支配排序遗传算法求解在多目标优化模型建立步骤中建立的多目标优化模型,从而得到多目标优化模型的解作为生产订单分配方案。
本发明的多目标生产订单分配方法的上述各具体方式及其效果,也能够通过多目标生产订单分配装置、多目标生产订单分配系统、使计算机执行多目标生产订单分配方法的多目标生产订单分配程序,或者存储了多目标生产订单分配程序的记录介质实现。
附图说明
图1是表示多目标生产订单分配问题的概要的示意图。
图2是表示本实施方式的多目标生产订单分配装置100的框图。
图3A是表示需求总量信息的数据结构的一例的示意表。
图3B是表示订单信息的数据结构的一例的示意表。
图4是表示本实施方式的多目标生产订单分配装置100所执行的多目标生产订单分配方法的流程图。
图5A是表示实施方式的第一具体例中各工厂的生产成本的一例的示意表。
图5B是表示实施方式的第一具体例中从各工厂向各客户的运输成本的一例的示意表。
图5C是表示实施方式的第一具体例中各工厂的产能和盈亏平衡点的一例的示意表。
图5D是表示实施方式的第一具体例中各客户的需求总量信息的一例的示意表。
图6是表示在实施方式的第一具体例中运算部104求解多目标优化模型的步骤的流程图。
图7是表示实施方式的第一具体例中得到的分配结果的一例的示意表。
图8A是表示实施方式的第二具体例中各工厂的产能和盈亏平衡点的一例的示意表。
图8B是表示实施方式的第二具体例中从各工厂向各客户的运输时间的一例的示意表。
图8C是表示实施方式的第二具体例中与多个客户对应的多个订单的订单信息的一例的示意表。
图9是表示实施方式的第二具体例中得到的分配结果的一例的示意表。
具体实施方式
以下结合附图、实施方式及具体例对本发明进行更详细的说明。其中,下述说明只是为了方便理解本发明而举出的例子,不用于限定本发明的范围。在具体实施方式中,装置所具备的部件可以根据实际情况变更、删减或追加,方法的步骤可以根据实际情况变更、删减、追加或改变顺序。
首先,说明有关多目标生产订单分配问题的概要。多目标生产订单分配问题是指从多个工厂生产产品,并按照多个客户各自的需求将产品供应给多个客户的分配问题。由于多个工厂各自的生产成本、产能、地理位置、硬件设施以及人员配置等条件不同,并且多个客户所需求的产品种类、产品数量、纳期等条件不同,所以存在多样的分配方式。多目标生产订单分配问题旨在该多样的分配方式中,在满足一定的约束条件的前提下,选择达到总成本尽可能低、各工厂尽可能盈利、各工厂产能利用率尽可能高等目的的分配方式。图1是表示多目标生产订单分配问题的概要的示意图。如图1所示,分别从四个工厂即工厂1、工厂2、工厂3和工厂4向三个客户即客户A、客户B和客户C供应产品,供应的方式如图1中箭头所示。图1中示出了四个工厂与三个客户的例子,但工厂和客户的具体数量不限于此。
以下具体说明本发明的实施方式。首先,说明本发明的实施方式的多目标生产订单分配装置100。图2是表示本实施方式的多目标生产订单分配装置100的框图,其中箭头表示数据流的方向。如图2所示,本实施方式的多目标生产订单分配装置100具备数据获取部101、分配方式确定部102、多目标优化模型建立部103以及运算部104。其中,多目标生产订单分配装置100中的上述各部可以通过软件模块的方式实现,或者也可以通过专用的硬件集成电路的方式实现。多目标生产订单分配装置100既可以由单体的计算机或服务器实现,也可以由分体的多个设备、例如由多台服务器构成的云计算服务器实现。另外,也可以通过计算机的处理器执行被预先存储在记录介质中的多目标生产订单分配程序,实现多目标生产订单分配装置100的上述各部的功能,从而作为多目标生产订单分配装置实施本实施方式。以下具体说明多目标生产订单分配装置100的各部。
数据获取部101获取工厂数据、物流数据和客户需求数据。如图2所示,数据获取部101例如从工厂数据库2获取工厂数据,从物流数据库3获取物流数据,从客户需求数据库4获取客户需求数据。当然,获取工厂数据、物流数据和客户需求数据的方式不限于此,数据获取部101例如也可以从同一数据库中获取工厂数据、物流数据和客户需求数据,也可以通过用户的手动输入而获取,也可以从便携式存储介质等未图示的存储部中获取。
数据获取部101获取的工厂数据可以至少包括多个工厂各自的产能、生产成本和盈亏平衡点。产能是指工厂在现有技术、设备、人员条件下,单位周期内能够生产质量合格产品数量的最大值,根据具体需分配问题不同,可以是天、周、月和季度等不同周期内的工厂产能;成本是指生产单位产品的费用,包括材料费、制造费、包装费和管理费等;盈亏平衡点可以按金额计,也可以按实物计,在本实施方式中以实物数量计,表示达到工厂盈亏临界点的销售产品数量,引入该参数的目的在于在生产分配过程中充分考虑各工厂的利润。
数据获取部101获取的物流数据可以至少包括多个工厂与多个客户之间的运输成本。运输成本是指运输单位产品的费用,如果一批次运送多个产品,需要将费用分摊到每个产品上。
在本实施方式中,考虑数据获取部101获取的客户需求数据存在两种类型,即客户需求数据为至少包括多个客户各自的需求总量的需求总量信息或至少包括与多个客户对应的多个订单的订单信息。需求总量信息至少包括各客户在周期内需求的总量。图3A是表示需求总量信息的数据结构的一例的示意表。如图3A所示,每个客户在周期内需求的总量不尽相同,例如客户A在周期内需求的总量为100件,该周期按照产品和需求的不同可以是天、周、月和季度等不同时间周期。订单信息至少包括周期内的多个订单的编号与所属客户的对应关系。图3B是表示订单信息的数据结构的一例的示意表。如图3B所示,例如订单O1所属于客户A。
分配方式确定部102根据客户需求数据确定分配方式。即,在客户需求数据为需求总量信息的情况下,分配方式为将多个客户各自的需求总量分别分配给多个工厂中的至少一部分工厂的第一分配方式。在客户需求数据为与多个客户对应的订单信息的情况下,分配方式为将多个订单中的各个订单分别分配给多个工厂中的一个工厂的第二分配方式。根据上述两种的客户需求数据确定不同的两种分配方式,其意义在于,在实际的产品生产及销售过程中,客户需求通常有两种情况,一种情况是客户的一个需求需要由多个工厂的生产来供应,例如某客户在短期内需求大量产品,一个工厂的供应难以满足其需求时,适用将客户的需求总量分配给多个工厂来供应的分配方式(第一分配方式);另一种情况是客户的一个需求(订单)需要指定一个工厂来供应,例如客户需求的产品有较严格的尺寸公差要求,由不同的工厂生产则可能导致尺寸公差增大等诸多不可控因素时,适用一个客户订单仅与一个工厂建立关联的分配方式(第二分配方式)。由此,本实施方式能够按照客户不同的需求类型确定不同的分配分式,满足客户的多种需求。
分配方式确定部102例如既可以由用户手动对客户需求数据进行判断,而确定分配方式;也可以由例如内置于分配方式确定部102并基于自动识别算法的客户需求数据判断部(未图示)自动判断客户需求数据的类型,而确定分配方式。
多目标优化模型建立部103根据分配方式,建立与第一分配方式或第二分配方式相对应的多目标优化模型。本实施方式中的多目标优化模型包括多个目标函数和至少一个约束条件。由此,能够实现按照不同的分配分式建立不同的多目标优化模型,针对性地优化生产订单分配方案。
多个目标函数可以至少包括成本目标函数、盈亏平衡目标函数和产能利用率偏差目标函数。在该情况下,多目标优化模型建立部103建立与第一分配方式或第二分配方式相对应的成本目标函数、盈亏平衡目标函数和产能利用率偏差目标函数。
成本目标函数是根据由数据获取部101获取的生产成本和运输成本以及由分配方式确定部102确定的分配方式(第一分配方式或第二分配方式)而建立的目标函数。其目标例如可以是使由具体的分配方式而决定的针对多个工厂的生产成本的总和以及多个工厂与多个客户之间的运输成本的总和之和最小化,即总成本最小化。由此,目标使包括所有工厂的集团公司的总成本最小化,目标实现最符合集团公司整体及多个客户整体的利益分配方案,即总成本尽可能低的分配方案。此外,成本目标函数的目标不限于此,根据实际的集团公司的利益需要以及客户的要求,成本目标函数的目标设定可以不尽相同。例如,成本目标函数也可以针对多个客户中的各个客户,目标使多个客户各自的从多个工厂采购所需的包括生产成本和运输成本的成本之中的最大值最小化。由此,目标实现使每个客户满意的分配方案。
盈亏平衡目标函数是根据由数据获取部101获取的盈亏平衡点及由分配方式确定部102确定的分配方式(第一分配方式或第二分配方式)建立的目标函数。其目标例如可以是使从多个工厂中的各个工厂向多个客户供应的产品量分别超过各工厂的盈亏平衡点,即每个工厂的实际生产的产值高于盈亏平衡点。由此,目标使多个工厂各自的产值尽可能地高于盈亏平衡点,目标实现集团公司内多个工厂能够盈利且利益均衡,不会出现某工厂无单可做的情况,提升生产积极性。此外,盈亏平衡目标函数的目标不限于此,根据实际的集团公司的利益需要以及客户的要求,盈亏平衡目标函数的目标设定可以不尽相同。例如,盈亏平衡目标函数的目标也可以是使多个工厂各自的盈亏平衡点与向多个客户供应的产品量之差中的最大值最小化,即亏损最严重的工厂的亏损最小化(利益最大化)。由此,目标使得集团公司中效益最差的工厂的利益得到保证,避免工厂因亏损而导致停业或破产等不利状况出现。
产能利用率偏差目标函数是根据由数据获取部101获取的产能及由分配方式确定部102确定的分配方式(第一分配方式或第二分配方式)建立的目标函数。其目标例如可以是使多个工厂各自的产能利用率之间的偏差不超过产能利用率偏差上限,其中产能利用率是指从多个工厂中的某工厂向多个客户供应的产品量与该工厂的产能之比,产能利用率偏差上限是由用户预先规定的常数,根据情况可以设定为0到1之间任意的数值。由此,目标使得工厂间产能利用率之间的偏差尽可能不超过规定的上限,优化各工厂间产能利用率的均衡性。产能利用率的均衡性对于集团公司的地缘战略发展有重大的意义,例如由于我国西部地区较东部沿海地区对核心客户的运输成本高,可能导致集团公司位于西部地区的分工厂的产能利用率较低,而通过提升产能利用率的均衡性,能够提高西部地区分工厂的效益和生产积极性,对于集团公司进一步挖掘西部等发展中地区的潜在客户有重大的积极意义。此外,产能利用率偏差目标函数的目标不限于此,根据实际的集团公司的利益需要以及客户的要求,产能利用率偏差目标函数的目标设定可以不尽相同。例如,产能利用率偏差目标函数的目标也可以是使多个工厂的两两之间的产能利用率偏差中的最大值最小化。由此,目标避免各工厂间出现产能利用率过度不均衡。
多目标优化模型建立部103建立与第一分配方式或第二分配方式相对应的至少一个约束条件。该至少一个约束条件为由工厂数据、物流数据和客户需求数据决定的约束条件。具体而言,约束条件例如是使分配方案满足产能限制、满足客户需求、满足纳期限制等。根据具体情况,约束条件可以是一个或多个。通过设置约束条件,能够确保分配方案的可靠性。
运算部104基于NSGA-Ⅱ算法即改进的非支配排序遗传算法求解通过多目标优化模型建立部建立的多目标优化模型,从而得到满足约束条件的的解作为生产订单分配方案。具体而言,在分配方式确定部102确定的分配方式为第一分配方式的情况下,该解至少包括多个客户各自的需求总量在各工厂的生产数量;在分配方式确定部102确定的分配方式为第二分配方式的情况下,该解至少包括多个订单各自与多个工厂的对应关系。
NSGA-Ⅱ算法(Non-dominated Sorting Genetic Algorithm-Ⅱ)是一种多目标遗传算法,其本身含有并行性,不需要人为确定各目标的权重,运行一次可找出多个帕累托(pareto)最优解,然后再由用户根据实际情况进行判断选择,因此它是是处理多目标优化问题的有效方法。此外,相较NSGA等其他算法,NSGA-Ⅱ算法还具有如下优势:采用快速非支配排序,降低了算法计算的复杂度;提出了拥挤度和拥挤度比较算子,代替了需要指定共享半径的适应度共享策略,并在快速排序后的同级比较中作为胜出标准,使准帕累托域中的个体能扩展到整个帕累托域,并均匀分布,保持了种群的多样性;引入精英策略,扩大采样空间,将父代种群与其产生的子代种群组合,共同竞争产生下一代种群,有利于保持父代中的优良个体进入下一代,并通过对种群中所有个体的分层存放,使得最佳个体不会丢失,迅速提高种群水平。
在本实施方式中,将根据分配方式(第一分配方式或第二分配方式)的具体分配方案作为决策变量,并由决策变量和多个目标函数构成NSGA-Ⅱ算法中的染色体。具体的染色体编码方式不做限定,只要是将决策变量和目标函数作为染色体中的基因即可。此外,由于传统的NSGA-Ⅱ算法只针对无约束的多目标优化问题求解,而本实施方式的多目标优化模型涉及约束条件,因此需要将自带约束多目标规划问题转换为不含约束的多目标规划问题。例如,可以根据至少一个约束条件中的所有约束条件以及由进化代数规定的惩罚系数构造惩罚函数,通过将构造出的惩罚函数与多个目标函数结合,构成新的目标函数作为NSGA-Ⅱ算法的适应度函数,以处理约束条件。之后,按照NSGA-Ⅱ算法的一般流程,随机生成一定规模的初始种群,进行非支配排序和拥挤度计算,并进行遗传操作生成子代种群,迭代若干代种群后,根据预先规定的终止条件,输出最终结果,其个体对应的解为作为生产订单分配方案的最优解。其中,终止条件根据实际的需求情况由用户预先设定,例如可以是设定规定的遗传代数,将进行了规定的遗传代数后的运算结果作为最优解。此外,终止条件不限于此,例如也可以设定规定的收敛条件,将连续两代种群间的个体差异小于规定的定值后的运算结果作为最优解。
由此,本发明的实施方式的多目标生产订单分配装置100针对第一分配方式或第二分配方式,能够输出作为生产订单分配方案的最终结果。通过一次运算,解决了多个客户的多个需求的分配问题,使得集团公司整体的利益达到全局最优。
以下说明本实施方式的多目标生产订单分配装置100所执行的多目标生产订单分配方法。图4是表示本实施方式的多目标生产订单分配装置100所执行的多目标生产订单分配方法的流程图。图4所示的流程根据用户的一次请求而执行。
首先,在数据获取步骤S101中,数据获取部101获取工厂数据、物流数据和客户需求数据。工厂数据至少包括多个工厂各自的产能、生产成本和盈亏平衡点;物流数据至少包括多个工厂与多个客户之间的运输成本;客户需求数据为包括多个客户各自的需求总量的需求总量信息或包括与多个客户对应的多个订单的订单信息。流程向步骤S102前进。
在分配方式确定步骤S102中,分配方式确定部102根据客户需求数据确定分配方式。当在数据获取步骤S101中获取到的客户需求数据为需求总量信息的情况下,分配方式被确定为将多个客户各自的需求总量分别分配给多个工厂中的至少一部分工厂的第一分配方式。流程向步骤S103前进。
接着,在多目标优化模型建立步骤S103中,多目标优化模型建立部103建立与第一分配方式相对应的多目标优化模型。该多目标优化模型包括多个目标函数和至少一个约束条件。多个目标函数可以至少包括根据在数据获取步骤S101中获取到的生产成本、运输成本及在分配方式确定步骤S102中确定的第一分配方式建立的成本目标函数;根据在数据获取步骤S101中获取到的盈亏平衡点及在分配方式确定步骤S102中确定的第一分配方式建立的盈亏平衡目标函数;及根据在数据获取步骤S101中获取到的产能及在分配方式确定步骤S102中确定的第一分配方式建立的产能利用率偏差目标函数。约束条件可以为根据在数据获取步骤S101中获取到的工厂数据、物流数据和需求总量信息决定的约束条件。流程向步骤S105前进。
接着,在运算步骤S105中,运算部104基于NSGA-Ⅱ算法即改进的非支配排序遗传算法求解在多目标优化模型建立步骤S103中建立的多目标优化模型,从而得到至少包括多个客户各自的需求总量在各工厂的生产数量的解,作为生产订单分配方案。结束流程。
此外,在分配方式确定步骤S102中,当在数据获取步骤S101中获取到的客户需求数据为与多个客户对应的订单信息的情况下,分配方式被确定为将多个订单中的各个订单分别分配给多个工厂中的一个工厂的第二分配方式。流程向步骤S104前进。
接着,在多目标优化模型建立步骤S104中,多目标优化模型建立部103建立与第二分配方式相对应的多目标优化模型。该多目标优化模型包括多个目标函数和至少一个约束条件。多个目标函数可以至少包括根据在数据获取步骤S101中获取到的生产成本、运输成本及在分配方式确定步骤S102中确定的第二分配方式建立的成本目标函数;根据在数据获取步骤S101中获取到的盈亏平衡点及在分配方式确定步骤S102中确定的第二分配方式建立的盈亏平衡目标函数;及根据在数据获取步骤S101中获取到的产能及在分配方式确定步骤S102中确定的第二分配方式建立的产能利用率偏差目标函数。约束条件可以为根据在数据获取步骤S101中获取到的工厂数据、物流数据和订单信息决定的约束条件。流程向步骤S106前进。
接着,在运算步骤S106中,运算部104基于NSGA-Ⅱ算法求解在多目标优化模型建立步骤S104中建立的多目标优化模型,从而得到至少包括多个订单各自与多个工厂的对应关系的解,作为生产订单分配方案。结束流程。
通过执行上述多目标生产订单分配方法,能够按照客户不同的需求类型优化生产订单分配,满足不同客户的不同需求。并且,实现同时计算多个客户的多个需求的分配问题,使得一个周期内集团公司整体的效益能够达到全局最优。
(实施方式的第一具体例)
以下,说明实施方式的第一具体例。该第一具体例使用如图2所示的多目标生产订单分配装置100,是分配方式为第一分配方式的情况下的一个具体例。以下具体说明该第一具体例中执行的多目标生产订单分配方法。
在实施方式的第一具体例中,作为一例,考虑在一个周期内从4个工厂(F1~F4)向30个客户(C1~C30)供应产品的情况,工厂和客户的数量当然也可以是其它的数值。首先,数据获取部101获取4个工厂各自的生产单位产品的成本。图5A是表示实施方式的第一具体例中各工厂的生产成本的一例的示意表。如图5A所示,在本具体例中,考虑各个工厂生产单位产品的成本分别是固定的。此外,数据获取部101获取4个工厂与30个客户之间运输单位产品的运输成本。图5B是表示实施方式的第一具体例中从各工厂向各客户的运输成本的一例的示意表。如图5B所示,在本具体例中,考虑从各工厂向各客户运输单位产品的运输成本是固定的,例如在一个周期内将从工厂f向一客户j供应的产品一批次全部运输,并将运输成本分摊到每个产品上即为表中的数据。此外,数据获取部101获取在该周期内4个工厂各自的产能和盈亏平衡点。图5C是表示实施方式的第一具体例中各工厂的产能和盈亏平衡点的一例的示意表。如图5C所示,在本具体例中,按周期内生产产品的实物数量(件)作为判定产能和盈亏平衡的参数,各工厂在周期内生产产品的数量不能超过产能要求的数据,而生产产品的数量超过盈亏平衡的数量即为盈利。此外,数据获取部101获取30个客户各自的需求总量。图5D是表示实施方式的第一具体例中各客户的需求总量信息的一例的示意表。如图5D所示,在本具体例中,需求总量信息为各客户在周期内需求产品的件数。
接着,分配方式确定部102根据数据获取部101获取的需求总量,确定分配方式为将30个客户各自的需求总量分别分配给4个工厂中的至少一部分工厂的第一分配方式,即一个客户的需求能够由一个或多个工厂来供给的分配方式。在本具体例中,例如由用户手动对数据获取部101中获取的信息进行判断,发现数据中包含30个客户各自的需求总量,因此选择第一分配方式。
接着,多目标优化模型建立部103根据分配方式确定部102确定的第一分配方式,建立与之匹配的多目标优化模型。以下,为了说明上的便利,对模型中的参数进行如下定义:定义工厂的集合F,其中F={1,2,…f,…},在本具体例中F中元素的数量为4;定义客户的集合J,J={1,2,…j,…},在本具体例中J中元素的数量为30;定义工厂f生产单位产品的生产成本Wf,其中Wf≥0;定义工厂f生产并供应给客户j的产品数量Qjf,其中Qjf≥0且为整数,Qjf即根据第一分配方式决定的本具体例中的决策变量;定义工厂f到客户j的单位产品的运输成本Vjf,其中Vjf≥0;定义周期内工厂f的产能Cf,其中Cf≥0;定义周期内工厂f的盈亏平衡点Sf,其中Sf≥0;定义周期内客户j的需求量dj,其中dj≥0;定义周期内工厂f的产能利用率Uf;任意两工厂间产能利用率偏差的上限k,其中0≤k≤1。
以下,参照上述参数具体说明实施方式的第一具体例中的多个目标函数的建立方法。在本具体例中,成本目标函数z1是将决策变量Qjf作为变量计算总成本的函数。具体而言,分别将工厂f生产并供应给客户j的产品数量Qjf和与之对应的生产成本Wf和运输成本Vjf之和进行乘法运算,并针对所有工厂和客户的组合进行求和,从而得到总成本。成本目标函数z1的目标是使该总成本尽可能低。在本具体例中,盈亏平衡目标函数z2是将决策变量Qjf作为变量计算亏损最大值的函数。具体而言,将各工厂f的盈亏平衡点Sf与该工厂向所有客户供应的产品数量即∑j∈JQjf进行减法运算,并针对所有工厂求出其中的最大值,作为亏损最大值。盈亏平衡目标函数z2的目标是使该亏损最大值尽可能小。在本具体例中,产能利用率偏差目标函数z3是将决策变量Qjf作为变量计算产能利用率偏差总量的函数。具体而言,将各工厂f两两间的产能利用率Uf之差的绝对值与产能利用率偏差的上限k进行减法运算,并针对所有工厂的两两组合求和,从而得到产能利用率偏差总量。其中,工厂f的产能利用率Uf是指∑j∈JQjf与该工厂f产能Cf之比。产能利用率偏差目标函数z3的目标是使该产能利用率偏差总量尽可能小。
以下,具体说明实施方式的第一具体例中的约束条件。首先,如下式(1)所示,工厂f生产并供应给多个客户的产品量不得超过工厂f的产能Cf。该约束条件的数量等于工厂的个数,在本具体例中,为4个。
并且,如下式(2)所示,由各工厂生产并供应给客户j的产品数量的总和应满足客户j的需求量dj。该约束条件的数量等于客户的个数,在本具体例中,为30个。
接着,运算部104基于NSGA-Ⅱ算法求解如上所述由多目标优化模型建立部103建立的多目标优化模型。图6是表示在实施方式的第一具体例中运算部104求解多目标优化模型的步骤的流程图。以下参照图6具体说明其求解步骤。
在步骤S201中,采用整数编码进行编码设计,染色体由决策变量Qjf和上述多个目标函数构成。针对j个客户和f个工厂的订单分配问题,每个染色体的前j*f个基因为决策变量,后面l个基因为目标函数的值,l对应目标函数的个数。即染色体Pi={Q1,Q2,...,Qj*f,z1,...,zl},i=1,2,...N,其中i是从1到N的整数,N表示种群规模。就本具体例而言,针对30个客户和4个工厂的上述订单分配问题,每个染色体的前30*4个基因为决策变量,后面3个基因为成本目标函数z1、盈亏平衡目标函数z2和产能利用率偏差目标函数z3的值。
在步骤S202中,通过构造惩罚函数,进行约束处理。首先,如下式(3)所示,将如上述式(1)、式(2)所述的约束条件转换为标准形式,
并且,构造如下式(4)的函数,
接着,针对j个客户和f个工厂的上述订单分配问题,一共具有j+f个约束条件,对这些约束条件进行排序。对于群体中的个体q,其违反第m个约束条件的程度可表示为如下式(5)的形式,
并由此构造个体q的惩罚函数如下式(6)所示,
其中,(Ct)α为惩罚系数,它随进化代数递增,t为进化代数,C和α为正值常数。
然后,将该惩罚函数与原目标函数min zl(q)结合,构成新的目标函数作为NSGA-Ⅱ算法的适应度函数。
在步骤S203中,随机生成一定规模的初始种群,进行种群初始化。具体而言,随机生成初始种群中每个个体的作为决策变量的基因Qjf,并将基因Qjf带入每个目标函数,得到作为目标函数的基因的取值。
在步骤S204中,对初始种群进行非支配排序,并计算每一非支配层中的各个体的拥挤度。
在步骤S205中,规定种群世代数Gen=1,即初始种群为第1代。
在步骤S206中,进行包括选择、交叉、变异的遗传操作。具体而言,利用同时考虑适应度值和拥挤度的二元锦标赛法从第t代种群Pt中选择出N/2个个体放入交配池,对交配池中的个体进行模拟二进制交叉和多项式变异操作,产生子代种群Qt。
在步骤S207中,通过合并Pt和Qt,构造中间代种群Rt。
在步骤S208中,对中间代种群Rt,进行非支配排序,并计算每一非支配层中的每个个体的拥挤度。
在步骤S209中,利用精英策略选出N个个体,构成新一代种群Pt+1。
在步骤S210中,进行终止条件判定。具体而言,判断现种群世代数Gen是否小于预先设定的规定值,在Gen<规定值(S210为“是”)的情况下,执行步骤S211,种群世代数Gen增加一代,即Gen=Gen+1,并返回步骤S206。在Gen≥规定值(S210为“否”)的情况下,结束运算部104的运算,输出个体对应的解作为该订单分配问题的最优解,该解包括多个客户各自的需求总量在各工厂的生产数量,即Qjf的值。
图7是表示实施方式的第一具体例中得到的分配结果的一例的示意表。根据数据获取部101获取的上述4个工厂与30个客户的相关数据,得到如图7所示的全局最优的具体分配结果。在图7中,数值代表从各工厂向各客户供应的产品的件数,一个客户的总需求可以有多个工厂分别供应,也可以只由一个工厂供给。由图7所示的按第一分配方式的分配方案使得集团公司的效益达到全局最优
(实施方式的第二具体例)
以下,说明实施方式的第二具体例。该第二具体例使用如图2所示的多目标生产订单分配装置100,是分配方式为第二分配方式的情况下的一个具体例。以下具体说明该第一具体例中执行的多目标生产订单分配方法。此外,对于第二具体例中与第一具体例相同的部分,省略或简化具体说明。
在实施方式的第二具体例中,作为一例,将半个月(14天)作为一个周期,考虑半个月内4个客户(C1~C4)的40个订单(O1~O40)在4个工厂(F1~F4)的生产分配,其中每个订单要求仅能够在一个工厂生产。其中,该4个客户(C1~C4)与第一具体例的30个客户中的客户(C1~C4)相同、4个工厂(F1~F4)与第一具体例的4个工厂(F1~F4)相同,即相关生产成本和运输成本与图5A和图5B中相应的数据相同,数据获取部101获取这些数据。此外,数据获取部101获取在该半个月内4个工厂各自的产能和盈亏平衡点。图8A是表示实施方式的第二具体例中各工厂的产能和盈亏平衡点的一例的示意表。此外,数据获取部101获取从4个工厂向4个客户的各自的运输时间(天数)。图8B是表示实施方式的第二具体例中从各工厂向各客户的运输时间的一例的示意表。图8B中的数值表示从某工厂向某客户运输产品需要几天。此外,数据获取部101获取与所述多个客户对应的多个订单的订单信息。图8C是表示实施方式的第二具体例中与多个客户对应的多个订单的订单信息的一例的示意表。如图8C所示,该订单信息中包括40个订单(O1~O40)各自与客户(C1~C4)的对应关系,以及40个订单各自执行分配当天起至客户指定的交期为止的剩余交货天数。在本具体例中,考虑每个订单可在一天内完成生产,并在完成生产的翌日被向对应客户运输的情况。此外,在本具体例中,为了简单起见,考虑40个订单(O1~O40)各自仅包含一个产品的情况。各个订单当然也可以包含多个产品,在该情况下,仅需要由数据获取部101获取每个订单包含的产品数量并进行适应性计算即可。
接着,分配方式确定部102根据数据获取部101获取的订单信息,确定分配方式为将40订单中的各个订单分别分配给4工厂中的某一个工厂的第二分配方式,即一个客户的一次订单需求仅能够由一个工厂来供给的分配方式。
接着,多目标优化模型建立部103根据分配方式确定部102确定的第二分配方式,建立与之匹配的多目标优化模型。对于模型中的参数,沿用第一具体例中定义的F、J、Wf、Vjf。此外,进一步定义订单集合O:O={1,2,…,o,…},在本具体例中O中元素的数量为40;定义周期内日期的集合D:D={1,2,…,d,…},在本具体例中O中元素的数量为该半个月的天数即14;定义订单与客户的所属关系Boj,Boj为非1即0的数值,1表示订单o属于客户j,0表示不属于;定义订单o的约定交期mo,即执行分配当天之后的第几天需要交付至对应客户(含运输时间);定义工厂f到客户j的运输时间Tjf(天),其中Tjf≥0且为整数;定义工厂f每天的产能Cfd(台/天),其中Cfd≥0;定义工厂f每天的盈亏平衡点Sfd(台/天),其中Sfd≥0;定义订单o在第d天是否在工厂f生产的参数zofd,zofd为非1即0的数值,1表示生产,0表示不生产,zofd作为本具体例中的决策变量。
以下,参照上述参数具体说明实施方式的第二具体例中的多个目标函数的建立方法。在本具体例中,成本目标函数是将决策变量zofd作为变量计算总成本的函数。具体而言,针对所有订单(O1~O40),根据zofd确定每个订单o的生产工厂f,从而得到该工厂f的生产成本,对所有工厂求和得到总生产成本;根据zofd和Boj得到每个订单o的生产工厂f以及对应的客户j,并根据该工厂f至该客户j的运输成本得到总运输成本,将总生产成本和总运输成本相加得到总成本。成本目标函数的目标是使该总成本尽可能低。在本具体例中,盈亏平衡目标函数是将决策变量zofd作为变量计算亏损最大值的函数。具体而言,根据每天的盈亏平衡点Sfd对所有时间求和得到半个月内的工厂f的总盈亏平衡点,并根据zofd得到由工厂f供应的订单总量,将总盈亏平衡点和订单总量进行减法运算,并对所有工厂取其最大值作为亏损最大值。盈亏平衡目标函数的目标是使该亏损最大值尽可能小。在本具体例中,产能利用率偏差目标函数是将决策变量zofd作为变量计算产能利用率偏差最大值的函数。具体而言,根据zofd得到工厂f在第d天生成的总订单数,该总订单数与Cfd的比值作为工厂f在第d天的产能利用率,对各工厂两两间的产能利用率之差在周期内取最大值,作为产能利用率偏差最大值。产能利用率偏差目标函数的目标是使该产能利用率偏差最大值尽可能小。
此外,在本具体例中,多个目标函数还包括倒排产目标函数。设置倒排产目标函数的目的是使各订单o配送到客户的时间尽可能接近其交期,从而避免生产出的产品积压于工厂。倒排产目标函数是将决策变量zofd作为变量计算各订单o的约定交期与实际交期之差中的最大值的函数。具体而言,根据zofd和Boj得到每个订单o的生产日期d、生产的工厂f以及对应的客户j,从而根据生产日期d和运输时间Tjf计算得到实际交期,并将约定交期mo与该实际交期之差对所有订单取最大值。倒排产目标函数的目标是使该最大值尽可能小。此外,倒排产目标函数的的目标不限于此,例如也可以是目标使所有订单约定交期与实际交期之差的总和最小化,只要在一定意义上目标实现倒排产即可。
以下,具体说明实施方式的第二具体例中的约束条件。首先,如下式(7)所示,产能限制工厂f在第d天生产的订单总量不能超过工厂f该日的产能。该约束条件的数量等于工厂的个数与周期内天数之积,在本具体例中,为4*14即56个。
其次,如下式(8)所示,单个订单不可分割,即一个订单只由一个工厂在一个具体的日期生产。该约束条件的数量等于订单的总数,在本具体例中,为40个。
其次,如下式(9)所示,每个订单的实际交期不得超过约定交期,即满足按期交付。该约束条件的数量等于订单的总数,在本具体例中,为40个。
zofdBoj(d+Tfj)≤Mo 式(9)
接着,运算部104基于NSGA-Ⅱ算法求解如上所述由多目标优化模型建立部103建立的多目标优化模型。求解的步骤与图6中示出的流程相同,在此不再重复介绍求解步骤。在本具体例中,针对4个客户的40个订单在4个工厂生产的上述订单分配问题,每个染色体的前4*40*4个基因为决策变量,后面4个基因为成本目标函数、盈亏平衡目标函数、产能利用率偏差目标函数以及倒排产目标函数的值。并且,与第一具体例中类似的,针对本具体例的上述3种约束条件,将其形式标准化并构造惩罚函数,从而将含有约束条件的多目标生产订单分配问题转换为不含约束条件的多目标生产订单分配问题。由此,运算部104基于NSGA-Ⅱ算法输出个体对应的解作为该订单分配问题的最优解,该解包括多个订单各自与多个工厂的对应关系以及生产时间,即zofd的值。
图9是表示实施方式的第二具体例中得到的分配结果的一例的示意表。根据数据获取部101获取的上述4个客户的40个订单与4个工厂的相关数据,得到如图9所示的全局最优的具体分配结果。在图9中,示出了每个订单对应由哪个工厂在第几天生产,并示出了具体的实际交期及约定交期信息。由此,能够使得集团公司的效益达到全局最优。
以上参照附图说明了本发明的具体实施方式和具体例。其中,以上说明的具体实施方式和具体例仅是本发明的具体例子,用于理解本发明,而不用于限定本发明的范围。本领域技术人员能够基于本发明的技术思想对具体实施方式和具体例进行各种变形、组合和要素的合理省略,由此得到的方式也包括在本发明的范围内。例如,上述各实施方式和具体例皆可以相互组合,其组合而成的实施方式也包含在本发明的范围中。
Claims (10)
1.一种多目标生产订单分配装置,其为从多个工厂向多个客户供应产品的多目标生产订单分配装置,其特征在于,具备:
数据获取部,获取工厂数据、物流数据和客户需求数据,所述客户需求数据为至少包括所述多个客户各自的需求总量的需求总量信息或至少包括与所述多个客户对应的多个订单的订单信息;
分配方式确定部,根据所述客户需求数据确定分配方式,在所述客户需求数据为所述需求总量信息的情况下,分配方式被确定为将所述多个客户各自的需求总量分别分配给所述多个工厂中的至少一部分工厂的第一分配方式;在所述客户需求数据为所述订单信息的情况下,分配方式被确定为将所述多个订单中的各个订单分别分配给所述多个工厂中的一个工厂的第二分配方式;
多目标优化模型建立部,根据所述分配方式确定部确定的分配方式,建立与所述第一分配方式或所述第二分配方式相对应的多目标优化模型,所述多目标优化模型包括多个目标函数和至少一个约束条件;以及
运算部,基于NSGA-Ⅱ算法即改进的非支配排序遗传算法求解通过所述多目标优化模型建立部建立的所述多目标优化模型,从而得到所述多目标优化模型的解作为生产订单分配方案。
2.如权利要求1所述的多目标生产订单分配装置,其特征在于,
由数据获取部获取的所述工厂数据至少包括所述多个工厂各自的产能、生产成本和盈亏平衡点,由数据获取部获取的所述物流数据至少包括所述多个工厂与所述多个客户之间的运输成本;
由多目标优化模型建立部建立的所述多目标优化模型中,所述多个目标函数至少包括根据所述生产成本、所述运输成本及所述分配方式确定部确定的分配方式建立的成本目标函数、根据所述盈亏平衡点及所述分配方式确定部确定的分配方式建立的盈亏平衡目标函数、及根据所述产能及所述分配方式确定部确定的分配方式建立的产能利用率偏差目标函数,所述至少一个约束条件为根据所述工厂数据、所述物流数据和所述客户需求数据决定的约束条件。
3.如权利要求2所述的多目标生产订单分配装置,其特征在于,
在所述多目标优化模型建立部建立的所述多目标优化模型中,所述成本目标函数目标使所述多个工厂的所述生产成本的总和与从所述多个工厂向所述多个客户的所述运输成本的总和之和最小化;所述盈亏平衡目标函数目标使从所述多个工厂中的各个工厂向所述多个客户供应的产品量分别超过该各个工厂的所述盈亏平衡点;所述产能利用率偏差目标函数目标使所述多个工厂各自的产能利用率之间的偏差不超过规定的产能利用率偏差上限,该产能利用率为从所述多个工厂中的某工厂向所述多个客户供应的产品量与该工厂的所述产能之比。
4.如权利要求3所述的多目标生产订单分配装置,其特征在于,
在所述多目标优化模型建立部建立的所述多目标优化模型中,所述至少一个约束条件包括使从所述多个工厂中的各个工厂向所述多个客户供应的产品量分别不超过该各个工厂的所述产能。
5.如权利要求1所述的多目标生产订单分配装置,其特征在于,
在分配方式被确定为所述第一分配方式的情况下,所述至少一个约束条件包括使所述多个工厂供应给所述多个客户中的某客户的产品数量等于该客户的所述需求总量。
6.如权利要求2所述的多目标生产订单分配装置,其特征在于,
所述数据获取部获取的所述物流数据还包括所述多个工厂与所述多个客户之间的运输时间,所述订单信息中包括所述多个订单各自的约定交货期,
在分配方式被确定为所述第二分配方式的情况下,所述第二分配方式包括所述多个订单各自的生产时间的分配方式,所述多个目标函数还包括根据所述运输时间、所述约定交货期和所述第二分配方式建立的倒排产目标函数。
7.如权利要求6所述的多目标生产订单分配装置,其特征在于,
在分配方式被确定为所述第二分配方式的情况下,所述至少一个约束条件中包括使所述多个订单中的单个订单仅由所述多个工厂中的单个工厂生产、以及使根据所述运输时间和所述第二分配方式得到的实际交货期不超过所述约定交货期。
8.如权利要求1至7中任一项所述的多目标生产订单分配装置,其特征在于,
在所述运算部中,根据所述至少一个约束条件中的所有约束条件以及由进化代数规定的惩罚系数构造惩罚函数,通过将所述惩罚函数与所述多个目标函数结合而处理所述至少一个约束条件,从而将含有约束条件的多目标生产订单分配问题转换为不含约束条件的多目标生产订单分配问题。
9.如权利要求8所述的多目标生产订单分配装置,其特征在于,
在所述运算部中,设定规定的遗传代数,将基于NSGA-Ⅱ算法针对所述多目标优化模型的求解进行了所述规定的遗传代数后的运算结果作为所述解。
10.一种多目标生产订单分配方法,其为从多个工厂向多个客户供应产品的多目标生产订单分配方法,其特征在于,具备:
数据获取步骤,获取工厂数据、物流数据和客户需求数据,所述客户需求数据为至少包括所述多个客户各自的需求总量的需求总量信息或至少包括与所述多个客户对应的多个订单的订单信息;
分配方式确定步骤,根据所述客户需求数据确定分配方式,在所述客户需求数据为所述需求总量信息的情况下,分配方式被确定为将所述多个客户各自的需求总量分别分配给所述多个工厂中的至少一部分工厂的第一分配方式;在所述客户需求数据为所述订单信息的情况下,分配方式被确定为将所述多个订单中的各个订单分别分配给所述多个工厂中的一个工厂的第二分配方式;
多目标优化模型建立步骤,根据在所述分配方式确定步骤中确定的分配方式,建立与所述第一分配方式或所述第二分配方式相对应的多目标优化模型,所述多目标优化模型包括多个目标函数和至少一个约束条件;以及
运算步骤,基于NSGA-Ⅱ算法即改进的非支配排序遗传算法求解在所述多目标优化模型建立步骤中建立的所述多目标优化模型,从而得到所述多目标优化模型的解作为生产订单分配方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495376.7A CN112070326A (zh) | 2019-06-10 | 2019-06-10 | 多目标生产订单分配装置及多目标生产订单分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495376.7A CN112070326A (zh) | 2019-06-10 | 2019-06-10 | 多目标生产订单分配装置及多目标生产订单分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070326A true CN112070326A (zh) | 2020-12-11 |
Family
ID=73658071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495376.7A Pending CN112070326A (zh) | 2019-06-10 | 2019-06-10 | 多目标生产订单分配装置及多目标生产订单分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070326A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884284A (zh) * | 2021-01-19 | 2021-06-01 | 广州爱思威科技股份有限公司 | 化合物半导体的生产控制方法、生产系统及存储介质 |
CN113027458A (zh) * | 2021-03-31 | 2021-06-25 | 内蒙古科技大学 | 一种资源枯竭型矿井剩余煤炭资源协调性开采方法及系统 |
CN113269447A (zh) * | 2021-05-28 | 2021-08-17 | 深圳市时代速信科技有限公司 | 一种ic半导体订单管理方法及装置 |
CN114429381A (zh) * | 2021-12-27 | 2022-05-03 | 广州盖盟达工业品有限公司 | 一种工业器械的网购订单处理方法及系统 |
-
2019
- 2019-06-10 CN CN201910495376.7A patent/CN112070326A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884284A (zh) * | 2021-01-19 | 2021-06-01 | 广州爱思威科技股份有限公司 | 化合物半导体的生产控制方法、生产系统及存储介质 |
CN113027458A (zh) * | 2021-03-31 | 2021-06-25 | 内蒙古科技大学 | 一种资源枯竭型矿井剩余煤炭资源协调性开采方法及系统 |
CN113269447A (zh) * | 2021-05-28 | 2021-08-17 | 深圳市时代速信科技有限公司 | 一种ic半导体订单管理方法及装置 |
CN114429381A (zh) * | 2021-12-27 | 2022-05-03 | 广州盖盟达工业品有限公司 | 一种工业器械的网购订单处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070326A (zh) | 多目标生产订单分配装置及多目标生产订单分配方法 | |
Peidro et al. | Fuzzy optimization for supply chain planning under supply, demand and process uncertainties | |
Mohammed et al. | A tabu search based algorithm for the optimal design of multi-objective multi-product supply chain networks | |
Pan et al. | Robust supply chain design under uncertain demand in agile manufacturing | |
Escudero et al. | Schumann, a modeling framework for supply chain management under uncertainty | |
Hnaien et al. | Multi-objective optimization for inventory control in two-level assembly systems under uncertainty of lead times | |
Badhotiya et al. | Fuzzy multi-objective optimization for multi-site integrated production and distribution planning in two echelon supply chain | |
Chan et al. | Optimization of order fulfillment in distribution network problems | |
Varthanan et al. | An AHP based heuristic DPSO algorithm for generating multi criteria production–distribution plan | |
Rostamzadeh et al. | Hybrid GA for material routing optimization in supply chain | |
Pasandideh et al. | Optimization of vendor managed inventory of multiproduct EPQ model with multiple constraints using genetic algorithm | |
CN102298737A (zh) | 面向客户承诺的订单管理系统和订单管理方法 | |
Arabzad et al. | A multi-objective robust optimization model for a facility location-allocation problem in a supply chain under uncertainty | |
Woo et al. | Production-Inventory control model for a supply chain network with economic production rates under no shortages allowed | |
Li et al. | A Production Planning Model for Make‐to‐Order Foundry Flow Shop with Capacity Constraint | |
Pasandideh et al. | Modeling and solving a bi-objective joint replenishment-location problem under incremental discount: MOHSA and NSGA-II | |
Hossain et al. | Multi-period, multi-product, aggregate production planning under demand uncertainty by considering wastage cost and incentives | |
Behnamian et al. | Incorporating transportation time in multi-agent production network scheduling | |
Pirayesh et al. | GPSO-LS algorithm for a multi-item EPQ model with production capacity restriction | |
Shahparvari et al. | Designing an integrated multi-objective supply chain network considering volume flexibility | |
WO2023159344A1 (zh) | 产品的生产排程方法、电子设备和存储介质 | |
Maalouf et al. | Production management for mass customization and smart cellular manufacturing system: NSGAII and SMPSO for factory-level planning | |
Krause | AI-based discrete-event simulations for manufacturing schedule optimization | |
Mohammadi et al. | Optimisation of multi-plant capacitated lot-sizing problems in an integrated supply chain network using calibrated metaheuristic algorithms | |
Labbi et al. | Genetic algorithm combined with Taguchi method for optimisation of supply chain configuration considering new product design |
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 |