CN112508309B - 智能排产方法、设备及计算机存储介质 - Google Patents

智能排产方法、设备及计算机存储介质 Download PDF

Info

Publication number
CN112508309B
CN112508309B CN202110122801.5A CN202110122801A CN112508309B CN 112508309 B CN112508309 B CN 112508309B CN 202110122801 A CN202110122801 A CN 202110122801A CN 112508309 B CN112508309 B CN 112508309B
Authority
CN
China
Prior art keywords
order
production
scheduling
locked
capacity
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
CN202110122801.5A
Other languages
English (en)
Other versions
CN112508309A (zh
Inventor
孙穆歆
王金明
黄公伟
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.)
Shenzhen Kunzhan Technology Co ltd
Original Assignee
Shenzhen Kunzhan 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 Shenzhen Kunzhan Technology Co ltd filed Critical Shenzhen Kunzhan Technology Co ltd
Priority to CN202110122801.5A priority Critical patent/CN112508309B/zh
Publication of CN112508309A publication Critical patent/CN112508309A/zh
Application granted granted Critical
Publication of CN112508309B publication Critical patent/CN112508309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种智能排产方法、设备及计算机存储介质，该方法包括以下步骤：基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果；所述锁定订单排产完成后，更新所有产线剩余的理论产能；基于预设约束构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果；基于所述锁定订单排产结果与所述非锁定订单排产结果，生成第一排产计划。本发明在满足不同订单类型和优先级，以及产线产能等业务规则约束的情况下，综合考虑了包括整体交期满足率，产线负荷平衡率和产线生产运营效率的多个业务指标，可实时动态的计算输出可执行的生产线班次排程，达到实时准确地实现智能排产的业务目的。

Description

智能排产方法、设备及计算机存储介质
技术领域
本发明涉及生产制作技术领域，尤其涉及一种智能排产方法、设备及计算机存储介质。
背景技术
在制鞋生产流程中，从订单录入到最终排产涉及到多个环节的信息，需要综合权衡多个业务目标从而进行决策，计划是制造流程中最重要的一环，所有的信息在这一环节汇总，生成针对每个订单对每个产线在时间上的匹配。很多的生产排产还是靠人工来执行，甚至一个星期执行一次，在海量信息的情况下，会造成无法全面优化业务目标，同时，时间上的滞后性，也会导致计划与执行的不匹配。
发明内容
有鉴于此，提供一种智能排产方法，解决在满足不同订单类型和优先级，以及产线产能等业务规则约束的情况下，综合考虑了包括整体交期满足率，产线负荷平衡率和产线生产运营效率的多个业务指标，可实时动态的计算输出可执行的生产线班次排程，达到实时准确地实现智能排产的业务目的。
本申请实施例提供了一种智能排产方法，所述方法包括：
基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果；
所述锁定订单排产完成后，更新所有产线剩余的理论产能；
基于预设约束构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果；
基于所述锁定订单排产结果与所述非锁定订单排产结果，生成第一排产计划。
在一实施例中，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，包括：
获得当前客户优先级最高的未排产的所述锁定订单；
在默认产线上，若所述锁定订单的理论产能可以按期生产交付，则按所述锁定订单的理论产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
在一实施例中，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
获得当前客户优先级最高的未排产的所述锁定订单；
在默认产线上，若所述锁定订单的理论产能不可以按期生产交付，且所述锁定订单的极限产能可以按期生产交付，则按所述锁定订单的极限产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
在一实施例中，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
获得当前客户优先级最高的未排产的所述锁定订单；
在默认产线上，若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线可更换，则更换至所有可调产线上；
在所有可调产线上，若所述锁定订单的理论产能可以按期生产交付，则按所述锁定订单的理论产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
在一实施例中，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
获得当前客户优先级最高的未排产的所述锁定订单；
在默认产线上，若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线可更换，则更换至所有可调产线上；
在所有可调产线上，若所述锁定订单的理论产能不可以按期生产交付，且所述锁定订单的极限产能可以按期生成交付，则按所述锁定订单的极限产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
在一实施例中，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
获得当前客户优先级最高的未排产的所述锁定订单；
在默认产线上，若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线不可更换；
在默认产线上，占用全部极限产能后，剩余部分安排在交期当天生产，直至所有所述锁定订单完成排产。
在一实施例中，所述理论产能的计算方法如下：
理论产能= 每日总产能-每日已占用产能；
所述极限产能的计算方法如下：
极限产能 = 每日总产能*(1+超产能百分比)-每日已占用产能。
在一实施例中，所述基于预设约束构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果，包括：
构建交期满足率；所述交期满足率为能在期望交期前完成的订单所包含的产品数量与所有订单产品数量的比值；
构建产线负荷平衡率；所述产线负荷平衡率为在预设时间内各产线产能饱和情况保持均衡的概率；
对所述交期满足率以及所述产线负荷平衡率进行归一化处理，生成全局统一的目标函数：
总目标 = W1*交期满足率 + W2*产线负荷平衡率；
求解最大化所述总目标的带约束的优化问题：
最优方案=argmax 总目标
s.t. 产线产能约束
订单交期约束
全局优先级约束；
其中，W1, W2代表对两个子目标设定分权重；所述产线产能约束为每条产线占用产能小于或等于每条产线理论产能；所述优化问题利用标准求解器进行求解。
在一实施例中，所述全局优先级的计算过程如以下公式：
全局优先级 = 订单类型*M+客户优先级；
其中，订单类型用0表示头单，1表示补单; M为正有理数，满足M>max(客户优先级), 全局优先级的数字越大，表示优先级越高。
在一实施例中，所述方法，还包括：
基于所述第一排产计划，执行合批计算，获得第二排产计划。
在一实施例中，所述基于所述锁定基于所述第一排产计划，执行合批计算，获得第二排产计划，包括：
倒序搜索所述第一排产计划，获得最后一个未达到合批量下限值的订单；
若所述订单与合批窗口期内的订单符合合批操作条件，则进行合批操作，并标记完成；或
若所述订单与合批窗口期内的订单不符合合批操作条件，则保留初始结果，并标记完成；
直至遍历所有未达到合批量下限值的订单。
在一实施例中，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果的步骤之前，包括：
获得排产订单的所需产能；且所述所需产能的计算方式如下：
所需产能 = 产品数量*产品款号对应的产能系数；
其中排产订单分为所述锁定订单与非锁定订单。
为实现上述目的，还提供一种计算机存储介质，所述计算机存储介质上存储有智能排产方法程序，所述智能排产方法程序被处理器执行时实现权利要求1-12任一所述的方法的步骤。
为实现上述目的，还提供一种智能排产设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能排产方法程序，所述处理器执行所述智能排产方法程序时实现权利要求1-12任一所述的方法的步骤。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果；本步骤中基于预设条件执行轮询计算，充分将业务约束规则加入排产计划中，使得锁定订单的排产更加适应多个业务约束和业务目标。所述锁定订单排产完成后，更新所有产线剩余的理论产能；本步骤中更新所有产线剩余的理论产能，保证产线中剩余理论产能的正确性，从而保证非锁定订单合理排产。基于预设约束构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果；本步骤基于数学排产模型对非锁定订单进行排产，保证非锁定订单的排产更加合理。基于所述锁定订单排产结果与所述非锁定订单排产结果，生成第一排产计划。本步骤使整个排产过程达到自动化和智能化，保证业务需求和生产计划的最佳匹配。本发明在满足不同订单类型和优先级，以及产线产能等业务规则约束的情况下，综合考虑了包括整体交期满足率，产线负荷平衡率和产线生产运营效率的多个业务指标，可实时动态的计算输出可执行的生产线班次排程，达到实时准确地实现智能排产的业务目的。
附图说明
图1为本申请实施例中涉及的智能排产方法的硬件架构示意图；
图2为本申请智能排产方法的第一实施例的流程示意图；
图3为本申请智能排产方法第一实施例中步骤S110的具体实施步骤的流程示意图；
图4为本申请智能排产方法第一实施例中步骤S110的另一具体实施步骤的流程示意图；
图5为本申请智能排产方法第一实施例中步骤S110的另一具体实施步骤的流程示意图；
图6为本申请智能排产方法第一实施例中步骤S110的另一具体实施步骤的流程示意图；
图7为本申请智能排产方法第一实施例中步骤S110的另一具体实施步骤的流程示意图；
图8为本申请智能排产方法第一实施例中步骤S130的具体实施步骤的流程示意图；
图9为本申请智能排产方法的第二实施例的流程示意图；
图10为本申请智能排产方法第二实施例中步骤S250的具体实施步骤的流程示意图；
图11为本申请智能排产方法的计算流程图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果；所述锁定订单排产完成后，更新所有产线剩余的理论产能；基于预设约束构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果；基于所述锁定订单排产结果与所述非锁定订单排产结果，生成第一排产计划。本发明在满足不同订单类型和优先级，以及产线产能等业务规则约束的情况下，综合考虑了包括整体交期满足率，产线负荷平衡率和产线生产运营效率的多个业务指标，可实时动态的计算输出可执行的生产线班次排程，达到实时准确地实现智能排产的业务目的。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本申请涉及一种智能排产设备010包括如图1所示：至少一个处理器012、存储器011。
处理器012可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器012中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器012可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC）、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器011，处理器012读取存储器011中的信息，结合其硬件完成上述方法的步骤。
可以理解，本发明实施例中的存储器011可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器或闪存。易失性存储器可以是随机存取存储器，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本发明实施例描述的系统和方法的存储器011旨在包括但不限于这些和任意其它适合类型的存储器。
参照图2，图2为本申请智能排产方法的第一实施例，所述方法包括：
步骤S110：基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果。
预设条件可以是锁定订单的理论产能满足按照生产交付、锁定订单的理论产能不可以按期生产交付，且所述锁定订单的极限产能可以按期生产交付、若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线可更换、若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线不可更换等。其中，预设条件也可以是满足其他的业务约束和业务目标，在此不作限定。
轮询计算可以是以循环的方式依次将符合条件的产能进行分配。
针对所有锁定订单，按客户优先级顺序设定优先级，当订单为锁定时，直接进入锁定排产计算。
对锁定订单的排产原则，首先是必须按期交付，不允许出现延期，其次是考虑到生产运营效率，尽量减少换线次数，同时尽量按照理论产能进行生产，减小运营成本。
步骤S120：所述锁定订单排产完成后，更新所有产线剩余的理论产能。
所有产线的总产能减去锁定订单排产所用产能，更新所有产线剩余的理论产能，则保证接下来分配于非锁定订单的产能的正确性。
步骤S130：基于预设约束构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果。
初始排产中，业务指标优化可拆解为两个子目标，增加满足期望交期的产品数量(能在期望交期前完成的订单所包含的产品数量) 和维持产线负荷平衡 (在一段时间内各产线产能饱和情况尽量保持均衡)。为了使得全局目标达到最优值，需要为子目标设定权重比例，当子目标出现冲突时(一个子目标权重的增加会导致另一个子目标权重下降), 权重比例会决定对子目标的倾向，明确优化方向，所以不同的权重会导致不同的方案生成。权重的设置根据业务指标动态调整，在此不作限定。
预设约束可以是交期满足率与产线负荷平衡率，也可以是其他的业务约束，在此不作限定。
步骤S140：基于所述锁定订单排产结果与所述非锁定订单排产结果，生成第一排产计划。
所述第一排产计划可以结合锁定订单排产结果与非锁定订单排产结果，兼顾锁定订单和非锁定订单的业务约束和业务目标，进行实时动态排产，使整个排产过程达到自动化和智能化。
在上述实施例中，存在的有益效果：基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果；本步骤中基于预设条件执行轮询计算，充分将业务约束规则加入排产计划中，使得锁定订单的排产更加适应多个业务约束和业务目标。所述锁定订单排产完成后，更新所有产线剩余的理论产能；本步骤中更新所有产线剩余的理论产能，保证产线中剩余理论产能的正确性，从而保证非锁定订单合理排产。基于预设约束构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果；本步骤基于数学排产模型对非锁定订单进行排产，保证非锁定订单的排产更加合理。基于所述锁定订单排产结果与所述非锁定订单排产结果，生成第一排产计划。本步骤使整个排产过程达到自动化和智能化，保证业务需求和生产计划的最佳匹配。本发明在满足不同订单类型和优先级，以及产线产能等业务规则约束的情况下，综合考虑了包括整体交期满足率，产线负荷平衡率和产线生产运营效率的多个业务指标，可实时动态的计算输出可执行的生产线班次排程，达到实时准确地实现智能排产的业务目的。
参照图3，图3为本申请智能排产方法第一实施例中步骤S110的具体实施步骤，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，包括：
步骤S111a：获得当前客户优先级最高的未排产的所述锁定订单；
客户优先级可以是订单所属客户的优先级。按照订单对应的客户的优先级进行排产。
步骤S112a：在默认产线上，若所述锁定订单的理论产能可以按期生产交付，则按所述锁定订单的理论产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
默认产线可以是每个订单默认被分配的产线。
理论产能是指在各种条件最优化时，忽略各种操作误差、损耗所得出的产能。极限产能是指产能的最大值。
在上述实施例中，存在的有益效果：通过轮询计算，在默认产线上，锁定订单的理论产能可以按期生产交付的情况下具体执行的步骤，保证锁定订单处于上述情况能顺利排产，保证锁定订单排产的全面性及正确性。
参照图4，图4为本申请智能排产方法第一实施例中步骤S110的另一具体实施步骤，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
步骤S111b：获得当前客户优先级最高的未排产的所述锁定订单；
步骤S112b：在默认产线上，若所述锁定订单的理论产能不可以按期生产交付，且所述锁定订单的极限产能可以按期生产交付，则按所述锁定订单的极限产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
在上述实施例中，存在的有益效果：通过轮询计算，在默认产线上，锁定订单的理论产能不可以按期生产交付，但锁定订单的极限产能可以按期生产交付的情况下具体执行的步骤，保证锁定订单处于上述情况能顺利排产，保证锁定订单排产的全面性及正确性。
参照图5，图5为本申请智能排产方法第一实施例中步骤S110的另一具体实施步骤，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
步骤S111c：获得当前客户优先级最高的未排产的所述锁定订单；
步骤S112c：在默认产线上，若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线可更换，则更换至所有可调产线上；
步骤S113c：在所有可调产线上，若所述锁定订单的理论产能可以按期生产交付，则按所述锁定订单的理论产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
在上述实施例中，存在的有益效果：通过轮询计算，在默认产线上，锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线可更换的情况下，在所有可调产线上，锁定订单的理论产能可以按期生产交付的情况下的具体执行的步骤，保证锁定订单处于上述情况能顺利排产，保证锁定订单排产的全面性及正确性。
参照图6，图6为本申请智能排产方法第一实施例中步骤S110的另一具体实施步骤，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
步骤S111d：获得当前客户优先级最高的未排产的所述锁定订单；
步骤S112d：在默认产线上，若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线可更换，则更换至所有可调产线上；
步骤S113d：在所有可调产线上，若所述锁定订单的理论产能不可以按期生产交付，且所述锁定订单的极限产能可以按期生成交付，则按所述锁定订单的极限产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
在上述实施例中，存在的有益效果：通过轮询计算，在默认产线上，锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线可更换的情况下，在所有可调产线上，锁定订单的理论产能不可以按期生产交付的情况下的具体执行的步骤，保证锁定订单处于上述情况能顺利排产，保证锁定订单排产的全面性及正确性。
参照图7，图7为本申请智能排产方法第一实施例中步骤S110的另一具体实施步骤，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
步骤S111e：获得当前客户优先级最高的未排产的所述锁定订单；
步骤S112e：在默认产线上，若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线不可更换；
步骤S113e：在默认产线上，占用全部极限产能后，剩余部分安排在交期当天生产，直至所有所述锁定订单完成排产。
在上述实施例中，存在的有益效果：通过轮询计算，在默认产线上，锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线不可更换的情况下的具体执行的步骤，保证锁定订单处于上述情况能顺利排产，保证锁定订单排产的全面性及正确性。
在其中一个实施例中，所述理论产能的计算方法如下：
理论产能= 每日总产能-每日已占用产能；
所述极限产能的计算方法如下：
极限产能 = 每日总产能*(1+超产能百分比)-每日已占用产能。
根据所有默认产线的信息，进行每日剩余可用的理论产能和极限产能的计算，其中极限产能只针对锁定订单开放，并且需要配置每条产线最多超产能生产的百分比，来计算每条产线每天的产能情况。
上述实施例中，存在的有益效果：具体给出计算理论产能和极限产能的步骤，保证数据的正确性，从而保证排产计划的合理性。
参照图8，图8为本申请智能排产方法第一实施例中步骤S130的具体实施步骤，所述基于预设约束构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果，包括：
步骤S131：构建交期满足率；所述交期满足率为能在期望交期前完成的订单所包含的产品数量与所有订单产品数量的比值；
交期满足率可以是能在期望交期前完成的订单所包含的产品数量与所有订单产品数量的比值，计算公式具体如下：
交期满足率 =sum(满足交期的订单产品数量)/所有订单产品数量*100%；
在其中一个实施例中，排产业务可以是制鞋订单的排产，则交期满足率用来衡量按期完成的订单中，对应鞋的双数在所有订单的鞋的双数的总和中所占的比例。
步骤S132：构建产线负荷平衡率；所述产线负荷平衡率为在预设时间内各产线产能饱和情况保持均衡的概率；
产线负荷平衡率可以用来量化排产后，各个产线之间剩余产能的差异情况，针对每组客户想替换的产线分组计算，不同的组之间由于不可替换，不考虑产能差异情况，以下针对每组可替换产线的计算规则：
产线剩余产能 = 产线总产能 - 产线占用产能 (对于每条产线)；
平均剩余产能 = sum(产线剩余产能)/产线数量；
平均剩余差异产能 = sum(产线剩余产能-平均剩余产能)/产线数量；
产线负荷平衡率 =（平均剩余差异产能/总产能）*100%；
步骤S133：对所述交期满足率以及所述产线负荷平衡率进行归一化处理，生成全局统一的目标函数：
总目标 = W1*交期满足率 + W2*产线负荷平衡率；
在计算过程中,两个子目标都进行了归一化处理，即取值在0到1之间，然后设定单独的权重系数，生成全局统一的目标函数。
其中，W1, W2代表对两个子目标设定分权重，可根据不同的需求灵活配置，可对应不同需求场景下两个子目标之间的权衡，不同的数值比例会影响排产方案搜索的优化方向。
步骤S134：求解最大化所述总目标的带约束的优化问题：
最优方案=argmax 总目标
s.t. 产线产能约束
订单交期约束
全局优先级约束；
其中，W1, W2代表对两个子目标设定分权重；所述产线产能约束为每条产线占用产能小于或等于每条产线理论产能；所述优化问题利用标准求解器进行求解。
每个订单的排产结果可标记为两个状态，1代表按时完成，0代表未完成。针对每一条产线所有标记为按时完成的订单，汇总每天需要占用的产能，需要满足每一天的产线产能约束。
对非锁定订单进行数学建模排产，可以归结为一个整数规划问题，核心为在满足约束的情况下，优化设定的业务指标。首先需要满足业务约束，才能生成业务逻辑上的可行方案，即存在为了满足业务约束而牺牲业务指标的可能性，进而在可行解的域中，输出使得业务指标最优的排产结果。
通过上述建模过程得到的整数规划问题，可利用标准求解器来进行求解。其中，可以利用lpsolve求解器，lpsolve是一个混合整数线性规划求解器，可以求解纯线性、（混合）整数/二值、半连续和特殊有序集模型。并且经过实际验证，有极高的求解效率。而且lpsolve还支持很多编程语言对它的调用，具有很好的可扩展性。
此外，还可以是其他能够解决整数规划问题的滤波器，在此不作限定。
在上述实施例中，存在的有益效果：具体给出所述基于预设约束构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果步骤的实施步骤，基于数学排产模型对非锁定订单进行排产，保证非锁定订单的排产更加合理。
在其中一个实施例中，所述全局优先级的计算过程如以下公式：
全局优先级 = 订单类型*M+客户优先级；
其中，订单类型用0表示头单，1表示补单; M为正有理数，满足M>max(客户优先级), 全局优先级的数字越大，表示优先级越高。
全局优先级可以是订单类型和客户优先级组合而成，也可以其他的业务优先级组合而成，在此不作限定。
在本实施例中，订单类型的优先级比客户优先级更重要，即所有的补单，不论客户优先级高低，全部高于头单的优先级，而补单和头单内部则按照客户优先级的高低进行排序，对所有订单的优先级进行排序，汇总成为全局优先级。
在整个排产过程中，高优先级订单有可排产条件，但是处于被延迟的状态，低优先级的订单禁止进行排产。
在上述实施例中，存在的有益效果：具体定义全局优先级，使得全局优先级能够在排产计划中发挥作用，保证排产计划的合理。
参照图9，图9为本申请智能排产方法的第二实施例，所述方法，还包括：
步骤S210：基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果。
步骤S220：所述锁定订单排产完成后，更新所有产线剩余的理论产能。
步骤S230：基于预设约束构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果。
步骤S240：基于所述锁定订单排产结果与所述非锁定订单排产结果，生成第一排产计划。
步骤S250：基于所述第一排产计划，执行合批计算，获得第二排产计划。
与第一实施例相比，第二实施例包括步骤S240，其他步骤与第一实施例相同，在此不再赘述。
合批计算，可以是某产线同一款号非连续生产的班次，进行前后顺序调整，尽量连续生产，涉及到班次的提前或推后，其中涉及到两个限制条件，合批量下限值和合批窗口期。
为了提高运营的生产效率，在不影响交期满足和产线负荷平衡的情况下，尽量减少产线换型次数，针对第一排产计划，进行合批计算。
在上述实施例中，存在的有益效果：对第一排产计划执行合批计算，可以是对第一排产计划进一步优化，使得生成的第二排产计划更加的合理，提高运营的生产效率。
参照图10，图10为本申请智能排产方法第二实施例中步骤S250的具体实施步骤，所述基于所述锁定基于所述第一排产计划，执行合批计算，获得第二排产计划，包括：
步骤S251：倒序搜索所述第一排产计划，获得最后一个未达到合批量下限值的订单；
合批量下限值，是针对某产线同一款号连续班次的鞋的数量，设定一个最小数量，认为低于该数量，则产线的平均运行成本会增加，从而触发合批操作。
步骤S252：若所述订单与合批窗口期内的订单符合合批操作条件，则进行合批操作，并标记完成；或
合批窗口期，是指在触发合批操作后，单个订单的初始生产结束日期所能向前移动的最大天数，如果时间跨度过大，则提前完成生产会造成库存积压，不进行合批操作。此处合批窗口期的限制，每个订单的初始生产结束时间是指第一排产计划后的完成日期，在合批计算中如果涉及多次时间调整，依旧保持不变。
步骤S253：若所述订单与合批窗口期内的订单不符合合批操作条件，则保留初始结果，并标记完成；
如果不符合合批操作条件，则保留初始结果，并将订单标记为已完成。
步骤S254：直至遍历所有未达到合批量下限值的订单。
对所有未达到合批量下限值的订单进行遍历，保证所有未达到合批量下限值的订单可以进行合批操作。
最终的结果输出为生产线的班次信息，针对于不同的维度进行汇总，可以得到两方面的信息：对于每个生产线，得到每天的班次，和其对应的订单以及生产数量；对于每个订单，得到其分配的生产线以及生产日期。
在上述实施例中，存在的有益效果：具体给出所述基于所述锁定基于所述第一排产计划，执行合批计算，获得第二排产计划步骤的实施步骤，合批操作的计算过程保证第二排产计划优化的合理性。
在其中一个实施例，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果的步骤之前，包括：
获得排产订单的所需产能；且所述所需产能的计算方式如下：
所需产能 = 产品数量*产品款号对应的产能系数；
其中排产订单分为所述锁定订单与非锁定订单。
在进行排产之前，首先要对各排产订单所需的产能进行计算。
其中，以制鞋订单排产为例，自动计算所需排产订单所需要的产能，基于产品款号和产品的数量，根据产品款号生产单双鞋所需要的产能系数，可以计算得到订单生产所需要的产能。
本申请还提供一种计算机存储介质，所述计算机存储介质上存储有智能排产方法程序，所述智能排产方法程序被处理器执行时实现上述任一所述的方法的步骤。
本申请还提供一种智能排产设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能排产方法程序，所述处理器执行所述智能排产方法程序时实现上述任一所述的方法的步骤。
参照图11，图11为本申请智能排产方法的计算流程图。
整个智能排产流程一共分为四个阶段：基础信息输入，设定业务约束规则，排产决策计算和执行方案输出四个阶段。其中，基础信息的输入为，在触发排产计划时与排产相关的实时数据信息，包括所有参与排产的订单信息和可用的工厂产线信息；业务约束规则包括订单和产线之前的匹配规则设定，产能约束以及对基于订单优先级的交期的约束。基于上述的数据状态和约束规则，算法自动计算未来一段时间内的订单生成计划，最后输出可执行的按每条产线，每天针对订单进行生成的顺序和生产量；而排产计算又分为锁定排产和非锁定排产两个子步骤。
参与排产订单的信息包括每个订单的交付日期，如过未按交付日期完成生产，则标记为延迟；每个订单对应某种鞋的款号，称之为产品款号；订单包含的鞋的双数，定义为订单产品数量；订单类型分为锁定，头单和补单三种类型，锁定的优先级最高，不受最大产能的现状，补单的优先级次高，在产能不足的情况下，需要比头单优先生产；订单对应的客户类型，会绑定不同的客户优先级。当前产线的信息，可自动从生产系统中实时获取，包括可用产线本身的总产能，在未来每一天已经参与排产的占用产能情况；另外每个产线会属于某个分组，代表了每组产线内部的相互可替换关系。
订单和产线之间的匹配关系，主要分为三种情况，每个订单都会被分配一个默认产线，并且最终同一个订单只能在某一条产线上生产，即不允许同一个订单在两条以上的产线进行生产。订单和产线的匹配关系支持两个场景，对于不可换产线的场景，订单只能在默认产线生产；对于可换产线的场景，算法自动计算可替换产线，在产能不足的情况下，自动调整订单到非默认产线生产，以满足交付日期完成前的生产；另外，订单产线匹配，支持计划人员对于订单产线匹配的定制化场景，即在可换产线的情况下，人为指定默认产线外可更换的产线，而不再参与默认的产线分组规则。
定义订单未在默认产线的排产，为订单换线。在整个排产过程中，订单是否可以换线，为单次排产计算的全局统一配置输入，如果设定为否，则所有订单只能在默认产线排产，如设定为是，则默认所有订单可更换产线，并且默认对应上述匹配关系的第二种规则。
定义某个产线在某一天生产连续生产某一个订单的生产活动为一个班次，每个班次的输出信息按时间排列汇总即为每条产线排产计划的输出，包括产线，订单，日期，顺序，数量四个维度，跨天生产的订单会对应某产线上的多个班次。
在订单和产线匹配以后，同一个订单必须连续生产，即如果在同一天生产，则需要分配为当日某个班次进行生产，对于需要跨天生产的订单，同一产线上所占班次按时间顺序，必须连续，即跨天时可连续占用前一日的最后班次和后一日的第一个班次。
综上所述，本发明设计了一种智能排产方法，以订单信息，产线信息和订单产线之间的匹配关系为输入，在满足不同订单类型和优先级，以及产线产能等业务规则约束的情况下，综合考虑了包括整体交期满足率，产线负荷平衡率和产线生产运营效率的多个业务指标，可实时动态的计算输出可执行的生产线班次排程，达到实时准确地实现智能排产的业务目的。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、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。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发
明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (12)

1.一种智能排产方法，其特征在于，所述方法包括：
基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果；
所述锁定订单排产完成后，更新所有产线剩余的理论产能；
基于交期满足率以及产线负荷平衡率，构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果；
基于所述锁定订单排产结果与所述非锁定订单排产结果，生成第一排产计划；
其中，所述基于交期满足率以及产线负荷平衡率，构建数学排产模型，对非锁定订单进行排产，生成非锁定订单排产结果，包括：
构建交期满足率；所述交期满足率为能在期望交期前完成的订单所包含的产品数量与所有订单产品数量的比值；
构建产线负荷平衡率；所述产线负荷平衡率为在预设时间内各产线产能饱和情况保持均衡的概率；
对所述交期满足率以及所述产线负荷平衡率进行归一化处理，生成全局统一的目标函数：
总目标 = W1*交期满足率 + W2*产线负荷平衡率；
求解最大化所述总目标的带约束的优化问题：
最优方案=argmax 总目标；
所述最优方案满足以下条件：产线产能约束、订单交期约束以及全局优先级约束；
其中，W1, W2代表对两个子目标设定分权重；所述产线产能约束为每条产线占用产能小于或等于每条产线理论产能，所述理论产能=每日总产能－每日已占用产能；所述全局优先级=订单类型*M+客户优先级；其中，订单类型用0表示头单，1表示补单; M为正有理数，满足M>客户优先级最大值, 全局优先级的数字越大，表示优先级越高；所述优化问题利用标准求解器进行求解。
2.如权利要求1所述的智能排产方法，其特征在于，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，包括：
获得当前客户优先级最高的未排产的所述锁定订单；
在默认产线上，若所述锁定订单的理论产能可以按期生产交付，则按所述锁定订单的理论产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
3.如权利要求1所述的智能排产方法，其特征在于，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
获得当前客户优先级最高的未排产的所述锁定订单；
在默认产线上，若所述锁定订单的理论产能不可以按期生产交付，且所述锁定订单的极限产能可以按期生产交付，则按所述锁定订单的极限产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
4.如权利要求1所述的智能排产方法，其特征在于，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
获得当前客户优先级最高的未排产的所述锁定订单；
在默认产线上，若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线可更换，则更换至所有可调产线上；
在所有可调产线上，若所述锁定订单的理论产能可以按期生产交付，则按所述锁定订单的理论产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
5.如权利要求1所述的智能排产方法，其特征在于，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
获得当前客户优先级最高的未排产的所述锁定订单；
在默认产线上，若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线可更换，则更换至所有可调产线上；
在所有可调产线上，若所述锁定订单的理论产能不可以按期生产交付，且所述锁定订单的极限产能可以按期生成交付，则按所述锁定订单的极限产能进行排产并锁定对应产能，并标记为已排产状态，直至所有所述锁定订单完成排产。
6.如权利要求1所述的智能排产方法，其特征在于，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果，还包括：
获得当前客户优先级最高的未排产的所述锁定订单；
在默认产线上，若所述锁定订单的理论产能与极限产能均不可以按期生产交付，且所述锁定订单的生产产线不可更换；
在默认产线上，占用全部极限产能后，剩余部分安排在交期当天生产，直至所有所述锁定订单完成排产。
7.如权利要求2-6任一项所述的智能排产方法，其特征在于，极限产能的计算方法如下：
极限产能 = 每日总产能*(1+超产能百分比)-每日已占用产能。
8.如权利要求1所述的智能排产方法，其特征在于，所述方法，还包括：
基于所述第一排产计划，执行合批计算，获得第二排产计划。
9.如权利要求8所述的智能排产方法，其特征在于，所述基于所述锁定基于所述第一排产计划，执行合批计算，获得第二排产计划，包括：
倒序搜索所述第一排产计划，获得最后一个未达到合批量下限值的订单；
若所述订单与合批窗口期内的订单符合合批操作条件，则进行合批操作，并标记完成；或
若所述订单与合批窗口期内的订单不符合合批操作条件，则保留初始结果，并标记完成；
直至遍历所有未达到合批量下限值的订单。
10.如权利要求1所述的智能排产方法，其特征在于，所述基于预设条件执行轮询计算，对锁定订单进行排产，生成锁定订单排产结果的步骤之前，包括：
获得排产订单的所需产能；且所述所需产能的计算方式如下：
所需产能 = 产品数量*产品款号对应的产能系数；
其中排产订单分为所述锁定订单与非锁定订单。
11.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有智能排产方法程序，所述智能排产方法程序被处理器执行时实现权利要求1-10任一所述的方法的步骤。
12.一种智能排产设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的智能排产方法程序，所述处理器执行所述智能排产方法程序时实现权利要求1-10任一所述的方法的步骤。
CN202110122801.5A 2021-01-29 2021-01-29 智能排产方法、设备及计算机存储介质 Active CN112508309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110122801.5A CN112508309B (zh) 2021-01-29 2021-01-29 智能排产方法、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110122801.5A CN112508309B (zh) 2021-01-29 2021-01-29 智能排产方法、设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN112508309A CN112508309A (zh) 2021-03-16
CN112508309B true CN112508309B (zh) 2021-07-06

Family

ID=74952630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110122801.5A Active CN112508309B (zh) 2021-01-29 2021-01-29 智能排产方法、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN112508309B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095704A (zh) * 2021-04-22 2021-07-09 海信集团控股股份有限公司 一种生产计划排配方法、装置、设备及介质
CN113298428A (zh) * 2021-06-18 2021-08-24 成都普朗克科技有限公司 一种适用于离散行业的自动排产方法
CN113762710A (zh) * 2021-07-19 2021-12-07 青岛奥利普自动化控制系统有限公司 生产计划排产方法、装置及存储介质
CN113592277A (zh) * 2021-07-23 2021-11-02 联宝(合肥)电子科技有限公司 一种生产订单的排产方法及装置
CN113723763B (zh) * 2021-08-06 2024-05-03 广东伟达智能装备股份有限公司 一种订单生产效率管理方法、装置、终端设备及存储介质
CN113673885B (zh) * 2021-08-25 2024-05-14 浙江中控技术股份有限公司 一种确定排产计划的方法及系统
CN114565258A (zh) * 2022-02-24 2022-05-31 苏州普中智能科技有限公司 一种用于制造业的mes系统及其智能生产方法
CN114862122B (zh) * 2022-04-11 2023-06-16 益模(东莞)智能科技有限公司 一种基于aps的车间排产方法、系统及设备
CN115032957B (zh) * 2022-06-30 2024-02-06 中国电信股份有限公司 生产调度方法及装置、存储介质、电子设备
CN115345529A (zh) * 2022-10-18 2022-11-15 一汽解放汽车有限公司 总装生产线排程方法、装置、计算机设备、存储介质
CN116384718B (zh) * 2023-06-05 2023-09-05 合肥联宝信息技术有限公司 一种基于智能决策的供应商联合排产方法、系统及设备
CN117094509A (zh) * 2023-08-23 2023-11-21 广州聚超软件科技有限公司 一种修正生产流程的排程方法、设备及储存介质
CN117047870B (zh) * 2023-10-12 2023-12-22 四川省致链数字科技有限公司 一种基于工业互联网的家具打孔工序柔性匹配系统及方法
CN117852837A (zh) * 2024-03-04 2024-04-09 山东豪泉软件技术有限公司 一种排产系统、装置、方法及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109102191A (zh) * 2018-08-15 2018-12-28 中国人民解放军海军航空大学 一种轮胎制造企业生产计划调度排产方法
WO2020051213A1 (en) * 2018-09-05 2020-03-12 Trax Technology Solutions Pte Ltd. Systems and methods for monitoring products and aggregating product information
CN112204588A (zh) * 2018-05-31 2021-01-08 利乐拉瓦尔集团及财务有限公司 通过模拟在现有生产工厂中对包装乳制品的生产的调度

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112204588A (zh) * 2018-05-31 2021-01-08 利乐拉瓦尔集团及财务有限公司 通过模拟在现有生产工厂中对包装乳制品的生产的调度
CN109102191A (zh) * 2018-08-15 2018-12-28 中国人民解放军海军航空大学 一种轮胎制造企业生产计划调度排产方法
WO2020051213A1 (en) * 2018-09-05 2020-03-12 Trax Technology Solutions Pte Ltd. Systems and methods for monitoring products and aggregating product information

Also Published As

Publication number Publication date
CN112508309A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN112508309B (zh) 智能排产方法、设备及计算机存储介质
CN107168267B (zh) 基于改进粒子群与启发式策略的生产排产方法及系统
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
WO2020086214A1 (en) Deep reinforcement learning for production scheduling
JPH05225205A (ja) 順次確定生産計画システム
CN115600774A (zh) 一种装配式建筑构件产线的多目标生产调度优化方法
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
CN112200489A (zh) 有色金属冶炼产供销一体优化系统、方法、装置
CN113408856B (zh) 一种基于物联网技术的关键链计划调度方法
US20180260902A1 (en) System and method for determining an optimal stopping time
CN115375216A (zh) 一种确定安全库存的方法和装置
CN113298313A (zh) 一种基于遗传算法的柔性作业车间调度方法及系统
CN115049175A (zh) 多产品的生产规划方法及装置、计算机设备及存储介质
US20100293127A1 (en) Controlled Constraint Sharing in Parallel Problem Solvers
US11372396B2 (en) Control product flow of semiconductor manufacture process under time constraints
CN116579570A (zh) 产品生产排产方法、装置、设备及介质
US20130151303A1 (en) Carbon footprint restriction in sequencing process
Suen et al. A two-stage stochastic model for a multi-objective blood platelet supply chain network design problem incorporating frozen platelets
CN115486247A (zh) 用于确定肥料配比的方法、存储介质及处理器
CN113220437A (zh) 一种工作流多目标调度方法及装置
CN113095704A (zh) 一种生产计划排配方法、装置、设备及介质
CN109543930B (zh) 基于机台多级别稳态生产速率的派工方法及系统
CN118134223A (zh) 产品排产方法、电子设备及存储介质
WO2004036466A2 (en) Determining values for characteristic value combinations
Wieczorek et al. Elitism Mechanism in the Genetic Optimization of Networked Distribution Systems

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