CN112487721B - 一种工单排产实现方法、设备及介质 - Google Patents

一种工单排产实现方法、设备及介质 Download PDF

Info

Publication number
CN112487721B
CN112487721B CN202011378324.0A CN202011378324A CN112487721B CN 112487721 B CN112487721 B CN 112487721B CN 202011378324 A CN202011378324 A CN 202011378324A CN 112487721 B CN112487721 B CN 112487721B
Authority
CN
China
Prior art keywords
work order
populations
scheduling
genetic
initial generation
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
Application number
CN202011378324.0A
Other languages
English (en)
Other versions
CN112487721A (zh
Inventor
马占涛
冯焕虎
张将
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.)
Inspur General Software Co Ltd
Original Assignee
Inspur General Software 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 Inspur General Software Co Ltd filed Critical Inspur General Software Co Ltd
Priority to CN202011378324.0A priority Critical patent/CN112487721B/zh
Publication of CN112487721A publication Critical patent/CN112487721A/zh
Application granted granted Critical
Publication of CN112487721B publication Critical patent/CN112487721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种工单排产实现方法、设备及介质，方法包括：确定预先搭建的业务模型，其中，业务模型为基于车间生产过程中的相关特征值进行搭建得到的，相关特征值包括工作日历、工作班制、工艺路线、工序资源、资源日历、工单；基于业务模型，对当前的业务数据进行编码处理，得到编码数据；使用遗传算法对编码数据进行排产运算，得到排产结果。通过考虑车间生产过程中的实际情况预先搭建业务模型，确保了业务模型的真实性和稳定性，充分考虑到了车间内可能发生的情况，确保了业务模型的实用性。并通过遗传、选择、基因交叉过程得到更多优质种群，提升了种群的多样性，并且逐渐淘汰适应度较低的种群，使得本申请可以更快更准确的找到最优解。

Description

一种工单排产实现方法、设备及介质
技术领域
本申请涉及工单生产领域，尤其涉及一种工单排产实现方法、设备及介质。
背景技术
制造企业生产过程执行管理系统(Manufacturing Execution System，MES)中的工单排产，是MES系统实现生产计划管控、为各个生产单元提供可执行生产作业计划的核心功能模块。工单排产是在考虑能力和设备的前提下，在物料数量一定的情况下，安排各生产任务的生产顺序，优化生产顺序，优化选择生产设备，使得减少等待时间，平衡各机器和工人的生产负荷。从而优化产能，提高生产效率，缩短生产周期。
现有技术中，工单排产问题具有运算量大、复杂度高的特点，当前主流排产主要是基于简单的排程算法，例如：最短交货期算法，最短工序算法等，该类算法适用于低复杂度低准确性业务场景。但是随着精益生产要求不断提升，企业迫切追求一种新的工单排产算法，来实现更优的工单排产。
发明内容
本申请实施例提供了一种工单排产实现方法，用以解决通过现有的简单算法得到的排产数据具有不严谨性、容易影响到车间业务效率的技术问题。
一种工单排产实现方法，所述方法包括：确定预先搭建的业务模型，其中，所述业务模型为基于车间生产过程中的相关特征值进行搭建得到的，所述相关特征值包括工作日历、工作班制、工艺路线、工序资源、资源日历、工单中的至少一种；基于所述业务模型，对当前的业务数据进行编码处理，得到编码数据；使用遗传算法对所述编码数据进行排产运算，得到排产结果。
在一个示例中，使用遗传算法对所述编码数据进行排产运算，包括：基于所述编码数据，得到多个初代种群，并通过所述多个初代种群重复执行遗传过程，直至结果收敛；所述遗传过程包括：根据预先设置的适应度运算规则，对所述多个初代种群进行适应度运算；根据运算结果在所述多个初代种群中选取若干个遗传种群；将所述若干个遗传种群进行基因交叉，得到多个二代种群，并将所述多个二代种群用于下一轮的遗传过程。
在一个示例中，根据预先设置的适应度运算规则，对所述多个初代种群进行适应度运算，包括：确定所有所述初代种群对应的工单结束日期的最大值；针对每个所述初代种群，根据所述工单结束日期的最大值、该初代种群的工单结束日期对应的资源能力总和、所述工单结束日期的最大值对应的资源占用总和进行计算，确定该初代种群对应的适应度；在所有计算结果中取最小值作为所述初代种群的适应度最优解。
在一个示例中，在所有计算结果中取最小值作为所述初代种群的适应度最优解，包括：O_best＝min{SumSource(P_max)+P_max*DaySumSource(Day)}；其中，WO_enddta为工单结束日期，P_max为工单结束日期的最大值，SumSource(P_max)为工单结束日期的最大值对应的资源占用总和，DaySumSource(Day)为工单结束日期对应的资源能力总和，O_best为最优解。
在一个示例中，每个所述初代种群中包括多个工单，每个所述工单包括多个工序，每个所述工序对应一个资源组，所述资源组与所述工序资源相关。
在一个示例中，所述资源组包括车间工人、设备、文档、环境中的至少一种。
在一个示例中，将所述若干个遗传种群进行基因交叉，得到多个二代种群，包括：通过顺序交叉算子将所述若干个遗传种群进行基因交叉，并不经过基因变异过程，直接得到多个二代种群。
在一个示例中，所述方法还包括：将所述排产结果根据所述业务模型进行映射，得到模型化数据；将所述模型化数据传递至前端，以甘特图的形式展示。
另一方面，本申请还提出了一种工单排产实现设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任意一个示例所述的工单排产实现方法。
在一个示例中，一种工单排产实现的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：如上述任意一个示例所述的工单排产实现方法。
通过本申请提出工单排产实现方法能够带来如下有益效果：
通过考虑车间生产过程中的实际情况预先搭建业务模型，确保了业务模型的真实性和稳定性，充分考虑到了车间内可能发生的情况，确保了业务模型的实用性。并通过遗传、选择、基因交叉过程得到更多优质种群，提升了种群的多样性，并且逐渐淘汰适应度较低的种群，使得本申请可以更快更准确的找到最优解。
附图说明
图1为本申请实施例中工单排产实现方法的流程示意图；
图2为本申请实施例中业务模型的示意图；
图3为本申请实施例中工单排产的具体流程示意图；
图4为本申请实施例中甘特图的示意图；
图5为本申请实施例中仿真过程的遗传结果示意图；
图6为本申请实施例中仿真结果的资源使用情况示意图；
图7为本申请实施例中仿真结果的每日资源占用情况示意图；
图8为本申请实施例中工单排产实现设备的示意图。
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，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例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前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种工单排产的实现方法，通过确定预先搭建的业务模型，对当前的业务数据进行编码处理，得到编码数据；使用遗传算法对编码数据进行排产运算，得到排产结果。本申请通过上述方法保证了工单排产问题的精确度及合理性，进而减少了车间资源的损耗。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
如图1所示，本申请实施例提供一种工单排产实现方法，主要包括以下步骤：
S101、确定预先搭建的业务模型，其中，所述业务模型为基于车间生产过程中的相关特征值进行搭建得到的，所述相关特征值包括工作日历、工作班制、工艺路线、工序资源、资源日历、工单中的至少一种。
可以预先根据MES系统中的工单排产业务需求等相应的业务场景，来进行业务模型的搭建。在搭建业务模型的过程中，可以是基于车间生产过程中的相关特征值进行搭建的。其中，相关特征值可以包括：工作日历、工作班制、工艺路线、工序资源、资源日历、工单等。工作日历和工作班制分别描述工序级工作日历和班次信息，工序资源和资源日历分别描述工序关键资源组和资源组日历信息，工单作为排产的数据源，工艺路线描述工序集合和资源以及对应日历的关联关系，代表每个工单的排产深度。
如图2所示，业务模型中的每个工单可以包括多个工序，每个工序包含有多个资源组。这里的资源组与上述实施例中的工序资源相关，具体可以包括车间工人、设备、文档、环境等。各工序的组合即可得到工作日历，而各资源组的组合即可得到资源日历。
在预先建立了业务模型后，在需要进行工单排产时，即可确定该预先搭建的业务模型，然后执行工单排产。当然，针对不同的业务场景，可以搭建不同的业务模型，然后在进行工单排产时使用相应的业务模型。
S102、基于所述业务模型，对当前的业务数据进行编码处理，得到编码数据。
在确定了业务模型后，即可通过设备或者人工的输入，来采集当前的业务数据，并对该业务数据进行编码处理，在此可以将编码处理后的业务数据称作编码数据。其中，当前的业务数据指的是，在当前的实际工作过程中，所需要进行排产的工单、工序等业务数据。
S103、使用遗传算法对所述编码数据进行排产运算，得到排产结果。
在确定了编码数据后，即可通过遗传算法来对编码数据进行排产运算，最终得到的计算结果即为排产结果，然后即可将该排产结果应用在实际的生产过程中。
具体地，在使用遗传算法进行排产运算的过程中，可以如图3所示，首先对编码数据进行处理，随机生成多个初代种群。比如，假设编码数据为：[1 1 1 2 2 2 2 3 3 3 3]，该场景下有序随机排列种群总数为：A(11,11)/(A(3,3)*A(4,4)*A(4,4))，此时可随机抽取其中200个作为初始种群。
然后根据已经设置好的适应度运算规则，对这多个初代种群进行适应度运算。当然，若是没有预先设置好，可以此时设置适应度，然后进行适应度运算。然后根据运算结果，在多个初代种群中进行筛选，将筛选出来的结果称作遗传种群。然后让这若干个遗传种群进行基因交叉重组，生成下一代个体，然后进行正向排序，取其中的TOP-N作为二代种群。接下来可以将二代种群用于下一轮的遗传过程，分别计算三代种群至N代种群，直至最终计算结果收敛，可以将最后一代的种群作为本次遗传运算的计算结果。
进一步地，在根据适应度运算规则进行适应度运算时，以初代种群为例，可以先确定所有初代种群对应的工单结束日期的最大值。由于包含有多个初代种群，因此这多个初始种群也就对应着多个工单结束日期，此时可以先计算出其中的最大值。接着针对每个初代种群，根据工单结束日期的最大值、该初代种群的工单结束日期对应的资源能力总和、工单结束日期的最大值对应的资源占用总和进行计算，确定该初代种群对应的适应度。最后在在所有计算结果中取最小值作为所有初代种群的适应度最优解。
其中，计算最优解的公式可以是：
O_best＝min{SumSource(P_max)+P_max*DaySumSource(Day)}；
其中，WO_enddta为工单结束日期，P_max为工单结束日期的最大值，SumSource(P_max)为工单结束日期的最大值对应的资源占用总和，DaySumSource(Day)为工单结束日期对应的资源能力总和，O_best为最优解。
另外，在进行基因交叉的过程中，可以使用顺序交叉算子将遗传种群进行基因交叉，以实现遗传迭代更快的收敛。并且由于实际工作过程中，工单和工序不会产生突变，因此可以忽略基因变异。在此不对顺序交叉因子的计算过程进行赘述。
当然，在计算出相应的排产结果后，可以根据业务模型进行映射，得到模型化数据。然后将排产结果发送至相应的终端设备，终端设备的后端进行数据组织，最终传递至前端，以如图4所示的甘特图进行展示，方便用户进行相应的查看以及管理。
在一个实施例中，还可以对上述实施例中的方法进行仿真过程，以便于后续投入实际的生产工作中。仿真过程可以基于Matlab的遗传算法仿真以及Java混合编程技术，仿真过程可以如下所示。
编码数据为[1 1 1 2 2 2 2 3 3 3 3]，从中随机选取200个初始种群。而工序资源可以包括：[1 2 0；8 10 0；0.5 0.5 0][2 3 0；8 10 0；0.5 0.5 0][3 4 0；8 10 0；0.50.5 0][1 3 0；10 10 0；0.5 0.50 0][2 6 0；10 10 0；0.5 0.50 0][3 9 0；10 10 0；0.50.5 0][4 8 0；10 10 0；0.5 0.5 0][1 0 0；11 0 0；1 0 0][2 0 0；11 0 0；1 0 0][3 00；11 0 0；1 0 0][4 0 0；11 0 0；1 0 0]，资源组编号可以为[1 2 3 4 5 6 7 8 9]，资源日历可以包括：[8.0 12.0 14.0 18.0][8.0 12.0 14.0 18.0][9.0 12.0 14.0 18.0][10.0 12.0 14.0 18.0][11 12.0 14.0 18.0][10 12.0 14.0 18.0][9.0 12.0 14.018.0][8.0 12.0 14.0 18.0][7.0 12.0 14.0 18.0]，工单优先级为[0 0 0]，工序资源为[0][0][0][0][0][0][0][0][0]，交叉率为0.95，遗传代数为20，初始种群个数为200，优势种群个数为20，最终计算出的结果可以如图5所示，从第5次遗传开始即可得到排产结果，本次仿真的最终工序计划为[1 233 2 13212 3]，资源使用情况如图6所示，每日资源占用情况如图7所示。
如图8所示，本申请实施例还提供了一种工单排产实现设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任意一个实施例所述的工单排产实现方法。
本申请实施例还提供了一种工单排产实现的非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：如上述任意一个实施例所述的工单排产实现方法。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备和介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的，因此，设备和介质也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备和介质的有益技术效果。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种工单排产实现方法，其特征在于，所述方法包括：
确定预先搭建的业务模型，其中，所述业务模型为基于车间生产过程中的相关特征值进行搭建得到的，所述相关特征值包括工作日历、工作班制、工艺路线、工序资源、资源日历、工单中的至少一种；
基于所述业务模型，对当前的业务数据进行编码处理，得到编码数据；
使用遗传算法对所述编码数据进行排产运算，得到排产结果；
使用遗传算法对所述编码数据进行排产运算，包括：
基于所述编码数据，得到多个初代种群，并通过所述多个初代种群重复执行遗传过程，直至结果收敛；
所述遗传过程包括：
根据预先设置的适应度运算规则，对所述多个初代种群进行适应度运算；
根据运算结果在所述多个初代种群中选取若干个遗传种群；
将所述若干个遗传种群进行基因交叉，得到多个二代种群，并将所述多个二代种群用于下一轮的遗传过程；
根据预先设置的适应度运算规则，对所述多个初代种群进行适应度运算，包括：
确定所有所述初代种群对应的工单结束日期的最大值；
针对每个所述初代种群，根据所述工单结束日期的最大值、该初代种群的工单结束日期对应的资源能力总和、所述工单结束日期的最大值对应的资源占用总和进行计算，确定该初代种群对应的适应度；
在所有计算结果中取最小值作为所述初代种群的适应度最优解；
在所有计算结果中取最小值作为所述初代种群的适应度最优解，包括：
P_max＝max{WO_enddta}；
O_best＝min{SumSource(P_max)+P_max*DaySumSource(Day)}；
其中，WO_enddta为工单结束日期，P_max为工单结束日期的最大值，SumSource(P_max)为工单结束日期的最大值对应的资源占用总和，DaySumSource(Day)为工单结束日期对应的资源能力总和，O_best为最优解。
2.根据权利要求1所述的一种工单排产实现方法，其特征在于，每个所述初代种群中包括多个工单，每个所述工单包括多个工序，每个所述工序对应一个资源组，所述资源组与所述工序资源相关。
3.根据权利要求2所述的一种工单排产实现方法，其特征在于，所述资源组包括车间工人、设备、文档、环境中的至少一种。
4.根据权利要求1所述的一种工单排产实现方法，其特征在于，将所述若干个遗传种群进行基因交叉，得到多个二代种群，包括：
通过顺序交叉算子将所述若干个遗传种群进行基因交叉，并不经过基因变异过程，直接得到多个二代种群。
5.根据权利要求1所述的一种工单排产实现方法，其特征在于，所述方法还包括：
将所述排产结果根据所述业务模型进行映射，得到模型化数据；
将所述模型化数据传递至前端，以甘特图的形式展示。
6.一种工单排产实现设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-5中任意一项权利要求所述的工单排产实现方法。
7.一种工单排产实现的非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：如权利要求1-5中任意一项权利要求所述的工单排产实现方法。
CN202011378324.0A 2020-11-30 2020-11-30 一种工单排产实现方法、设备及介质 Active CN112487721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011378324.0A CN112487721B (zh) 2020-11-30 2020-11-30 一种工单排产实现方法、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011378324.0A CN112487721B (zh) 2020-11-30 2020-11-30 一种工单排产实现方法、设备及介质

Publications (2)

Publication Number Publication Date
CN112487721A CN112487721A (zh) 2021-03-12
CN112487721B true CN112487721B (zh) 2023-04-18

Family

ID=74937787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011378324.0A Active CN112487721B (zh) 2020-11-30 2020-11-30 一种工单排产实现方法、设备及介质

Country Status (1)

Country Link
CN (1) CN112487721B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647336A (zh) * 2017-02-23 2017-05-10 南京航空航天大学 一种基于仿真的飞机装配过程智能监控系统
CN107767068A (zh) * 2017-11-02 2018-03-06 山东中烟工业有限责任公司 一种精益生产高级计划排产系统及方法
CN111191846A (zh) * 2019-12-31 2020-05-22 同济大学 一种面向客户复杂定制需求的油缸产品排产优化装置
CN111582537A (zh) * 2020-03-23 2020-08-25 四川绵竹鑫坤机械制造有限责任公司 一种生产叶片的数字化车间施工方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106647336A (zh) * 2017-02-23 2017-05-10 南京航空航天大学 一种基于仿真的飞机装配过程智能监控系统
CN107767068A (zh) * 2017-11-02 2018-03-06 山东中烟工业有限责任公司 一种精益生产高级计划排产系统及方法
CN111191846A (zh) * 2019-12-31 2020-05-22 同济大学 一种面向客户复杂定制需求的油缸产品排产优化装置
CN111582537A (zh) * 2020-03-23 2020-08-25 四川绵竹鑫坤机械制造有限责任公司 一种生产叶片的数字化车间施工方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
卷烟生产计划排产模型建立与优化;金剑;《计算机工程与应用》;20131231;253-259页 *
基于窗口的印刷车间作业动态调度研究;郝琪;《计算机测量去控制》;20171231;141-145页 *
基于订单拆分生产的MTO企业生产调度及算法研究;姜康;《管理技术》;20181231;143-148页 *
基于遗传算法的 MES 热轧型钢生产计划调度系统的研究;花季伟;《计算机应用与软件》;20131031;108-112页 *

Also Published As

Publication number Publication date
CN112487721A (zh) 2021-03-12

Similar Documents

Publication Publication Date Title
Shen et al. Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems
US6233493B1 (en) Computer-implemented product development planning method
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
US8250007B2 (en) Method of generating precedence-preserving crossover and mutation operations in genetic algorithms
CN109284858A (zh) 一种钢筋下料优化方法、装置及存储设备
CN105243449A (zh) 售电量预测结果修正方法及装置
CN104077634A (zh) 基于多目标优化的主动-反应式动态项目调度方法
CN110390607A (zh) 基于科目指标体系的目标成本测算方法、系统和计算机可读存储介质
CN103678585A (zh) 一种用户数据筛选的方法和系统
CN104199820A (zh) 云平台MapReduce工作流调度优化方法
CN111078380B (zh) 一种多目标任务调度方法及系统
CN112215444B (zh) 基于分布曲线的预测方法、装置、设备及存储介质
CN104239520B (zh) 一种基于历史信息的hdfs数据块放置策略
JP7432087B2 (ja) エネルギースケジュールを含むデータ構造、およびエネルギースケジュールを含むデータ構造を提供するための方法
CN112487721B (zh) 一种工单排产实现方法、设备及介质
JP7399967B2 (ja) 取引スケジュール管理システム
CN111950753A (zh) 一种景区客流预测的方法及装置
CN115545329A (zh) 一种适用于服装制造产线的一体化动态排程方法
CN110858355A (zh) 项目预算结余预测方法及装置
CN115271130A (zh) 面向船舶主动力设备维修订单的动态调度方法及系统
Wuttipornpun et al. Finite capacity material requirement planning system for assembly flow shop with alternative work centres
CN114581220A (zh) 数据处理方法、设备及分布式计算系统
Lv et al. Scenario-based modeling approach and scatter search algorithm for the stochastic slab allocation problem in steel industry
CN113065734A (zh) 基于指标体系的决策树构建方法及系统、设备、存储介质
CN112712236A (zh) 一种造船企业线表负荷评估软件设计方法

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230321

Address after: 250101 Inspur science and Technology Park, 1036 Inspur Road, hi tech Zone, Jinan City, Shandong Province

Applicant after: Inspur Genersoft Co.,Ltd.

Address before: 250101 Inspur science and Technology Park, 1036 Inspur Road, hi tech Zone, Jinan City, Shandong Province

Applicant before: SHANDONG INSPUR GENESOFT INFORMATION TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant