CN112700109B - 一种订单生产顺序优化方法、系统、设备及可读存储介质 - Google Patents
一种订单生产顺序优化方法、系统、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112700109B CN112700109B CN202011573743.XA CN202011573743A CN112700109B CN 112700109 B CN112700109 B CN 112700109B CN 202011573743 A CN202011573743 A CN 202011573743A CN 112700109 B CN112700109 B CN 112700109B
- Authority
- CN
- China
- Prior art keywords
- production
- chromosome
- sub
- population
- chromosomes
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 264
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 230000002068 genetic effect Effects 0.000 claims abstract description 74
- 238000004088 simulation Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000012163 sequencing technique Methods 0.000 claims abstract description 10
- 210000000349 chromosome Anatomy 0.000 claims description 149
- 108090000623 proteins and genes Proteins 0.000 claims description 37
- 230000035772 mutation Effects 0.000 claims description 32
- 239000012634 fragment Substances 0.000 claims description 20
- 230000002441 reversible effect Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 13
- 230000036961 partial effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 229910000831 Steel Inorganic materials 0.000 description 7
- 239000010959 steel Substances 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003920 cognitive function Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003466 welding Methods 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种订单生产顺序优化方法、系统、设备及可读存储介质，包括：对待生产订单进行随机排序，生成初始种群；根据实际生产制造工艺流程，将生产制造分成若干个子模块，采用em‑plant仿真软件搭建按照流水线式生产方式运作的子模块的仿真模型；计算初始种群的最佳适应度记入Pareto解集；对当前种群进行世代遗传，直到达到最大遗传代数；本发明利用遗传算法实现对订单生产顺序的优化，以使生产时间最小化，尤其是对突发追加订单，能够灵活调整生产顺序，解决传统流水线生产优化过程中存在的设计效果差、过程复杂、风险和成本高的问题。
Description
技术领域
本发明属于车间生产资料动态调度技术领域，特别涉及一种订单生产顺序优化方法、系统、设备及可读存储介质。
背景技术
动态调度必须满足两方面的要求，首先调度的变化必须反映生产线的实时信息；其次，必须在短时间内完成调度变化以免耽误实际操作；目前，主要有三种方法解决实时调度问题；其中，1)人工智能方法，车间调度问题的研究最初集中在整数规划、仿真和简单规则上，这些方法不是调度结果不理想就是难以解决复杂的问题。近年来车间调度问题上出现了许多人工智能方法，如模拟退火法，遗传算法，使得车间调度问题像多元化发展；2)仿真方法，由于制造系统的复杂性，很难用一个精确的系统模型来进行描述与分析；而通过对仿真模型的运行收集数据，就能对实际系统进行性能、状态等方面的分析，从而能对系统采用合适的控制调度方法，此方法在设计、运行制造系统方面非常有效；3)人机交互方法，为了考虑实际调度中存在的各种复杂因素及调度的多目标性，以取得好的调度结果，往往需要好的人机交互策略与手段去利用和启发调度决策者的经验知识，尤其是对于动态情形，人机交互的调度方法可以充分的发挥人的认知作用。
近年来，随着科技和行业要求逐步提升，车间调度问题逐渐成为现代制造企业关注的主要问题，同时也是生产制造领域研究的热点问题之一；车间调度问题属于非确定性多项式难题，主要针对不同制造企业对生产车间、机器、人员及物流等调度不同，生产周期会随之变长的问题；随着行业需求的不断上升，人工排产调度不仅会增加生产成本，延长生产周期，而且会浪费制造企业的部分生产资源；同时车间调度问题是计算机集成制造系统工程中的一个重要组成部分，它对企业的生产管理和控制系统有着重要的影响；在当今的竞争环境下，如何利用计算机技术实现生产调度计划优化，快速调整资源配置，统筹安排生产进度，提高设备利用率已成为许多加工企业面临的重大课题。
发明内容
针对现有技术中存在的技术问题，本发明提供了一种订单生产顺序优化方法、系统、设备及可读存储介质，以解决传统流水线生产优化过程中存在的设计效果差、过程复杂、风险和成本高的技术问题。
为达到上述目的，本发明采用的技术方案为：
本发明提供了一种订单生产顺序优化方法，包括以下步骤：
对n个待生产订单进行m次随机排序，得到m个生产排序，将m个生产排序作为初始种群；
根据实际生产制造工艺流程，将生产制造划分为若干生产子模块，利用em-plant仿真软件搭建生产子模块的仿真模型；
利用初始种群中的m个生产排序，分别运行生产子模块的仿真模型，得到m个生产排序对应的m个生产时间；将m个生产时间中的最小值，作为最佳适应度，将生产时间最小值对应的生产排序作为染色体；并将最佳适应度及对应的染色体记入Pareto解集；
对当前种群进行世代遗传，得到下一世代种群，并计算下一世代种群的最佳适应度；若下一世代种群的最佳适应度大于Pareto解集中已有染色体的适应度，则更新Pareto解集；
满足终止条件后，结束优化，输出Pareto解集中的染色体作为优化后的订单生产顺序。
进一步的，终止条件为判断当前遗传代数是否达到最大遗传代数M。
进一步的，利用em-plant仿真软件搭建生产子模块的仿真模型，具体操作为：
调用em-plant仿真软件的各子单元，并初始化各子单元参数；
将em-plant仿真软件子单元与生产子模块对应进行绑定；
编写各生产子模块的控制程序，得到生产子模块的仿真模型。
进一步的，对当前种群进行世代遗传，具体为：
在当前种群中，随机选择两个生产排序作为父代染色体对，对该父代染色体对进行交叉变异，得到变异后染色体对；
判断变异后染色体对中是否出现重复遗传基因；
若是，则对变异后染色体对进行部分映射，得到两条子代染色体；否则，对该父代染色体对重新进行交叉变异；
重复上述过程，至得到m条子代染色体，完成一次世代遗传，并将m条子代染色体作为下一世代种群。
进一步的，对父代染色体对进行交叉变异，具体为：
在父代染色体对中的两条父代染色体的对应位置上，随机选择一段遗传基因作为变异片段，进行交换，得到变异后染色体对。
进一步的，交叉变异的变异概率为10％-15％。
进一步的，对变异后染色体对进行部分映射，具体为：
获取变异后染色体对中，每条变异后染色体上的重复遗传基因；
将变异后染色体上的非变异片段上的重复遗传基因进行倒序变换，得到无重复遗传基因的染色体，即为两条子代染色体；
其中，倒序变换为将一条其中，倒序交换为将一条变异后染色体上的非变异片段上的重复遗传基因按位置顺序进行倒序排列，然后顺序放入另一条变异后染色体的非变异片段上的重复遗传基因处。
本发明还提供了一种订单生产顺序优化系统，包括初始种群模块、搭建模块、适应度模块、遗传模块及输出模块；
初始种群模块，用于对n个待生产订单进行m次随机排序，得到m个生产排序，将m个生产排序作为初始种群；
搭建模块，用于根据实际生产制造工艺流程，将生产制造划分为若干生产子模块，利用em-plant仿真软件搭建生产子模块的仿真模型；
适应度模块，用于利用初始种群中的m个生产排序，分别运行生产子模块的仿真模型，得到m个生产排序对应的m个生产时间；将m个生产时间中的最小值，作为最佳适应度，将生产时间最小值对应的生产排序作为染色体；并将最佳适应度及对应的染色体记入Pareto解集；
遗传模块，用于对当前种群进行世代遗传，得到下一世代种群，并计算下一世代种群的最佳适应度；若下一世代种群的最佳适应度大于Pareto解集中已有染色体的适应度，则更新Pareto解集；
输出模块，用于满足终止条件后，结束优化，输出Pareto解集中的染色体作为优化后的订单生产顺序。
与现有技术相比，本发明的有益效果为：
本发明提供了一种订单生产顺序优化方法及系统，采用em-plant仿真软件对实际流水线车间进行仿真建模，能够优化生产节拍，节省生产时间，为生产线的生产计划制定提供了科学依据；采用遗传算法对订单的生产顺序进行优化，以最大限度的节省生产时间和生产成本，优化过程更加灵活，特别是针对生产订单的突发变化，能够及时作出生产调度响应，过程简单，用时少、降低了生产成本和风险；
进一步的，采用将当前遗传代数是否达到最大遗传代数M作为遗传算法的终止条件，遗传代数过少很难获得较优的解；优选的，本发明中遗传代数设定为35-80代，以期得到较优解。
进一步的，将交叉变异的变异概率设置为10％-15％，避免了遗传出现局部最优；同时，便于遗传寻优。
进一步的，采用对变异后的染色体金相部分映射，实现了交叉变异后，子代染色体能够完全不同于父代染色体，确保了子代染色体能够继承父代染色体的遗传特征，更有力获取较优解；同时，确保子代染色体格式正确，避免出现重复遗传基因。
附图说明
图1为实施例所述的订单生产顺序优化方法的流程图；
图2为实施例所述的仿真模型界面图；
图3为实施例中的交叉变异和部分映射的过程示意图；
图4为实施例的优化结果图。
具体实施方式
为了使本发明所解决的技术问题，技术方案及有益效果更加清楚明白，以下具体实施例，对本发明进行进一步的详细说明。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。
本发明提供了一种订单生产顺序优化方法，包括以下步骤：
步骤1、对n个待生产订单进行m次随机排序，得到m个生产排序，将m个生产排序作为初始种群；设定最大遗传代数M，并初始化遗传代数为1；其中，n、m及M分别为大于2的正整数；优选的，15≤m≤35，35≤M≤80。
步骤2、根据实际生产制造工艺流程，将生产制造划分为若干生产子模块，利用em-plant仿真软件搭建生产子模块的仿真模型；其中，若干生产子模块按照流水线式生产方式运作；
具体操作如下：
首先，调用em-plant仿真软件的各子单元并初始化各子单元的参数；其中，em-plant仿真软件的子单元包括工具箱模块中的框架、连接器、事件控制器、接口、物料源、工位、天车模型、缓冲区及存储区；
其次，将em-plant仿真软件的各子单元与各生产子模块进行绑定，使其相互对应；
最后，编写各生产子模块的控制程序，生成生产子模块的仿真模型。
步骤3、利用初始种群中的m个生产排序，分别运行生产子模块的仿真模型，得到m个生产排序对应的m个生产时间；将m个生产时间中的最小值，作为最佳适应度，将生产时间最小值对应的生产排序作为染色体；并将最佳适应度及对应的染色体记入Pareto解集；
步骤4、对当前种群进行世代遗传，得到下一世代种群，按步骤3计算下一世代种群的最佳适应度，判断下一世代种群最佳适应度是否大于Pareto解集中记录已有染色天的适应度；若是，则用下一世代种群的最佳适应度及其对应的染色体更新Pareto解集，否则，转入步骤5；其中，本发明的优化目标为生产时间最小，生产时间最小时，适应度最大；进行世代遗传的多的大于原有染色体的适应度时，即生产时间更少，将更优的解更新至Pareto解集，并继续遗传，直至满足遗传代数这一要求后，输出得到的最优解。
对当前种群进行世代遗传，具体为：
在当前种群中随机选择两个生产排序作为父代染色体对，对该父代染色体对进行交叉变异，得到对应的变异后染色体对，判断该变异后染色体对中是否出现重复遗传基因；若是，则对变异后染色体对进行部分映射，得到对应的两条子代染色体；否则，对该父代染色体对重新进行交叉变异；重复上述过程，直到得到m条子代染色体，完成一次世代遗传，并将m条子代染色体作为下一世代种群；其中，每次随机选择的父代染色体对不重复。
其中，对该父代染色体对进行交叉变异，具体为：
在两条父代染色体的对应位置上随机选择一段遗传基因作为变异片段进行交换，得到变异后染色体对；优选的，交叉变异的变异概率为10-15％。
其中，对变异后染色体对进行部分映射，具体为：
首先，寻找每条变异后染色体上的重复遗传基因；然后，将两条变异后染色体上的非变异片段上的重复遗传基因进行倒序交换，得到两条没有重复遗传基因的染色体，即为两条子代染色体；其中，倒序交换为将一条变异后染色体上的非变异片段上的重复遗传基因按位置顺序进行倒序排列，然后顺序放入另一条变异后染色体的非变异片段上的重复遗传基因处。
步骤5、遗传代数加1，判断当前遗传代数是否达到最大遗传代数M；若是，则结束优化，输出Pareto解集中的染色体作为优化后的订单生产顺序，否则转入步骤4。
本发明还提供了一种订单生产顺序优化系统，包括初始种群模块、搭建模块、适应度模块、遗传模块及输出模块；
初始种群模块，用于对n个待生产订单进行m次随机排序，得到m个生产排序，将m个生产排序作为初始种群；
搭建模块，用于根据实际生产制造工艺流程，将生产制造划分为若干生产子模块，利用em-plant仿真软件搭建生产子模块的仿真模型；
适应度模块，用于利用初始种群中的m个生产排序，分别运行生产子模块的仿真模型，得到m个生产排序对应的m个生产时间；将m个生产时间中的最小值，作为最佳适应度，将生产时间最小值对应的生产排序作为染色体；并将最佳适应度及对应的染色体记入Pareto解集；
遗传模块，用于对当前种群进行世代遗传，得到下一世代种群，并计算下一世代种群的最佳适应度；若下一世代种群的最佳适应度大于Pareto解集中已有染色体的适应度，则更新Pareto解集；
输出模块，用于满足终止条件后，结束优化，输出Pareto解集中的染色体作为优化后的订单生产顺序。
本发明还提供了一种订单生产顺序优化设备，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令；所述处理器执行所述可执行指令时实现如下步骤：
对n个待生产订单进行m次随机排序，得到m个生产排序，将m个生产排序作为初始种群；根据实际生产制造工艺流程，将生产制造划分为若干生产子模块，利用em-plant仿真软件搭建生产子模块的仿真模型；利用初始种群中的m个生产排序，分别运行生产子模块的仿真模型，得到m个生产排序对应的m个生产时间；将m个生产时间中的最小值，作为最佳适应度，将生产时间最小值对应的生产排序作为染色体；并将最佳适应度及对应的染色体记入Pareto解集；对当前种群进行世代遗传，得到下一世代种群，并计算下一世代种群的最佳适应度；若下一世代种群的最佳适应度大于Pareto解集中已有染色体的适应度，则更新Pareto解集；满足终止条件后，结束优化，输出Pareto解集中的染色体作为优化后的订单生产顺序。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时可实现如下步骤：
对n个待生产订单进行m次随机排序，得到m个生产排序，将m个生产排序作为初始种群；根据实际生产制造工艺流程，将生产制造划分为若干生产子模块，利用em-plant仿真软件搭建生产子模块的仿真模型；利用初始种群中的m个生产排序，分别运行生产子模块的仿真模型，得到m个生产排序对应的m个生产时间；将m个生产时间中的最小值，作为最佳适应度，将生产时间最小值对应的生产排序作为染色体；并将最佳适应度及对应的染色体记入Pareto解集；对当前种群进行世代遗传，得到下一世代种群，并计算下一世代种群的最佳适应度；若下一世代种群的最佳适应度大于Pareto解集中已有染色体的适应度，则更新Pareto解集；满足终止条件后，结束优化，输出Pareto解集中的染色体作为优化后的订单生产顺序。
本发明中的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM)、随机存取存储器(RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明提供的一种订单生产顺序优化系统、设备及计算机可读存储介质中相关部分的说明可以参见本发明所述的一种订单生产顺序优化方法中对应部分的详细说明，在此不再赘述。
实施例
如附图1所示，本实施例提供了一种订单生产顺序优化方法及系统，包括以下步骤：
步骤1，对n个待生产订单进行m次随机排序，对应得到m个生产排序即为初始种群；设定最大遗传代数M，并初始化遗传代数为1；其中，n、m、M分别为大于2的正整数。
本实施例以钢厂对生产的钢板进行出厂预处理为例，对待生产处理的10个订单进行生产顺序的优化，本实施例中设定m为20，M为50。
步骤2，根据实际生产制造工艺流程，将生产制造过程分成若干个生产子模块，采用em-plant仿真软件，搭建按照流水线式生产方式运作的子模块的仿真模型。
本实施例中，以钢厂为汽车生产厂商供货为例，钢厂需要对原料钢板进行预处理，使其符合汽车生产厂商的供货要求；此时，钢厂需要对待处理的10批订单进行车间生产调度的安排，具体步骤为：
步骤21、根据实际生产制造工艺流程，将生产制造分成若干个生产子模块；例如将钢板的预处理过程分为以下生产子模块，包括板材出库、落料、整平、裁切、切割、矫形、焊缝、折弯、打磨、防锈、喷漆及成品出库；在根据实际生产需求，在相邻两个工艺中间设置缓冲区，即上一工序的暂存区和下一工序的准备区，如附图2中的各缓冲区。
步骤2.2，在em-plant仿真软件中，建立与步骤21中生产子模块对应的仿真模型，根据用户的不同需要对生产子模型进行关联，即建立各生产子模块之间的相互嵌套关系，即工艺段之间的相互关系；优选的，对于需要精细控制和具备高灵活性的部分，采用em-plant仿真软件内置的SimTalk面向对象编程语言来实现，即对每个工艺段的进出口控制进行编程控制，形成相应的控制区域，如附图2中的区域5所示；如果过程中存在易耗品，需要对其更换进行控制，例如切割和裁切工艺段，需要对道具更换进行控制。
此外，为了提高数据收集的效率，em-plant仿真软件还提供了仿真研究必要的工具以及应用模板，em-plant仿真软件中的应用模板可以被用户直接调用，加强数据的可视化程度，具体生成的仿真界面如附图2所示；例如可直接调用em-plantem-plant仿真软件中的与工艺段对应的子单元并初始化各子单元的参数；绑定子单元与生产子模块，使其相互对应；编写各生产子模块的控制程序，生成生产子模块的仿真模型。
如附图2所示，附图2中给出了利用em-plant仿真软件搭建生产子模块的仿真模型界面图；附图2中仿真部分包括区域2、区域4及区域5，遗传算法部分包括区域1和区域3；其中，区域1中订单即每一代优化后的染色体保存的表单，落料记录表单对每一个染色体的时间进行记录，用于优化系数，由于不同工件对应的加工流程不同，前一个工件会决定后一个工件是否进行工艺切换；区域3中GAWizard为系统自带的遗传算法优化工具，代码段optimization、evaluate及function分别是遗传算法的优化办法与评估染色体模块，最终将染色体更新在订单中；区域2为运行模型的控制界面与重置设定，当每一条染色体运行完成之后都将对模型数据进行一次重置，以运行下一条染色体；区域4是流水线模型，区域5是流水线模型的进出口控制，读取落料记录中的数据对每一道工序的加工时间，工序切换进行控制。
步骤3、根据初始种群中的m个生产排序，分别运行所述生产子模块的仿真模型，对应得到m个生产时间，将生产时间的最小值作为最佳适应度，将生产时间最小值对应的生产排序作为染色体，并将最佳适应度及其对应的染色体记入Pareto解集。
本实施例中，将初始种群中的20个生产排序，一一输入仿真模型，记录每个生产排序所需的生产总时间，选取生产总时间最小时对应的生产排序记入Pareto解集。
步骤4、对当前种群进行世代遗传，得到下一世代种群，按步骤3计算下一世代种群的最佳适应度，判断该最佳适应度是否大于Pareto解集中记录的适应度；若是，则用该最佳适应度及其对应的生产排序更新Pareto解集；否则，转入步骤5；
本实施例的世代遗产过程为：在当前种群中随机选择两个生产排序作为父代染色体对，对该父代染色体对进行交叉变异，即在两条父代染色体的对应位置上随机选择一段遗传基因作为变异片段进行交换，得到变异后染色体对，得到对应的变异后染色体对，判断该变异后染色体对中是否出现重复遗传基因，若是，则对变异后染色体对进行部分映射，得到对应的两条子代染色体，否则，对该父代染色体对重新进行交叉变异。
重复上述过程，直到得到m条子代染色体，完成一次世代遗传，并将m条子代染色体作为下一世代种群；其中，每次随机选择的父代染色体对不重复；本实施例中，任意两条染色体的交叉变异过程如附图3所示；优选的，本实施例中，交叉变异的变异概率为10％。
本实施例中所述部分映射具体为：
首先，寻找每条变异后染色体上的重复遗传基因；
然后，将两条变异后染色体上的非变异片段上的重复遗传基因进行倒序交换，即将一条变异后染色体上的非变异片段上的重复遗传基因按位置顺序进行倒序排列，然后顺序放入另一条变异后染色体的非变异片段上的重复遗传基因处，得到两条没有重复遗传基因的染色体，即为两条子代染色体；本实施例中，任两条染色体的部分映射过程如附图3所示。
步骤5、遗传代数加1，判断当前遗传代数是否达到最大遗传代数M；若是，则结束优化，输出Pareto解集中的染色体作为优化后的订单生产顺序，否则转入步骤4。
本实施例的遗传优化结果如附图4所示，从附图4可以看出，前13个世代遗传过程中，运行时间即生产时间下降非常快，在第13-31代时代遗传过程中，运行时间即生产时间几乎呈直线，在31-33代时又出现了小幅下降，之后又呈直线状；因此，要选择合适的最大遗传代数，以使优化效果好且计算量小。
本发明中，对于临时增加的突发订单，只需要将其加入待生产订单中，运行程序即可得到增加订单后的最佳生产排序，灵活性强；本发明对于流水线订单积压，流水线突发订单追加都有较好的优化，能优化流水线订单排序，调节生产线生产节拍，设计效果好、使用简单、降低了生产时间和成本；本发明采用人工智能技术与仿真相结合，附带少量的人机交互模式，以期解决传统车间调度存在的设计效果差、过程复杂、风险和成本高等问题。
上述实施例仅仅是能够实现本发明技术方案的实施方式之一，本发明所要求保护的范围并不仅仅受本实施例的限制，还包括在本发明所公开的技术范围内，任何熟悉本技术领域的技术人员所容易想到的变化、替换及其他实施方式。
Claims (6)
1.一种订单生产顺序优化方法，其特征在于，包括以下步骤：
对n个待生产订单进行m次随机排序，得到m个生产排序，将m个生产排序作为初始种群；
根据实际生产制造工艺流程，将生产制造划分为若干生产子模块，利用em-plant仿真软件搭建生产子模块的仿真模型；
利用初始种群中的m个生产排序，分别运行生产子模块的仿真模型，得到m个生产排序对应的m个生产时间；将m个生产时间中的最小值，作为最佳适应度，将生产时间最小值对应的生产排序作为染色体；并将最佳适应度及对应的染色体记入Pareto解集；
对当前种群进行世代遗传，得到下一世代种群，并计算下一世代种群的最佳适应度；若下一世代种群的最佳适应度大于Pareto解集中已有染色体的适应度，则更新Pareto解集；
满足终止条件后，结束优化，输出Pareto解集中的染色体作为优化后的订单生产顺序；
利用em-plant仿真软件搭建生产子模块的仿真模型，具体操作为：
调用em-plant仿真软件的各子单元，并初始化各子单元参数；
将em-plant仿真软件子单元与生产子模块对应进行绑定；
编写各生产子模块的控制程序，得到生产子模块的仿真模型；
对当前种群进行世代遗传，具体为：
在当前种群中，随机选择两个生产排序作为父代染色体对，对该父代染色体对进行交叉变异，得到变异后染色体对；
判断变异后染色体对中是否出现重复遗传基因；
若是，则对变异后染色体对进行部分映射，得到两条子代染色体；否则，对该父代染色体对重新进行交叉变异；
重复上述过程，至得到m条子代染色体，完成一次世代遗传，并将m条子代染色体作为下一世代种群；
对父代染色体对进行交叉变异，具体为：
在父代染色体对中的两条父代染色体的对应位置上，随机选择一段遗传基因作为变异片段，进行交换，得到变异后染色体对；
对变异后染色体对进行部分映射，具体为：
获取变异后染色体对中，每条变异后染色体上的重复遗传基因；
将变异后染色体上的非变异片段上的重复遗传基因进行倒序变换，得到无重复遗传基因的染色体，即为两条子代染色体；
其中，倒序变换为将一条其中，倒序交换为将一条变异后染色体上的非变异片段上的重复遗传基因按位置顺序进行倒序排列，然后顺序放入另一条变异后染色体的非变异片段上的重复遗传基因处。
2.根据权利要求1所述的一种订单生产顺序优化方法，其特征在于，终止条件为判断当前遗传代数是否达到最大遗传代数M。
3.根据权利要求1所述的一种订单生产顺序优化方法，其特征在于，交叉变异的变异概率为10%-15%。
4.一种订单生产顺序优化系统，其特征在于，包括初始种群模块、搭建模块、适应度模块、遗传模块及输出模块；
初始种群模块，用于对n个待生产订单进行m次随机排序，得到m个生产排序，将m个生产排序作为初始种群；
搭建模块，用于根据实际生产制造工艺流程，将生产制造划分为若干生产子模块，利用em-plant仿真软件搭建生产子模块的仿真模型；
适应度模块，用于利用初始种群中的m个生产排序，分别运行生产子模块的仿真模型，得到m个生产排序对应的m个生产时间；将m个生产时间中的最小值，作为最佳适应度，将生产时间最小值对应的生产排序作为染色体；并将最佳适应度及对应的染色体记入Pareto解集；
遗传模块，用于对当前种群进行世代遗传，得到下一世代种群，并计算下一世代种群的最佳适应度；若下一世代种群的最佳适应度大于Pareto解集中已有染色体的适应度，则更新Pareto解集；
输出模块，用于满足终止条件后，结束优化，输出Pareto解集中的染色体作为优化后的订单生产顺序；
利用em-plant仿真软件搭建生产子模块的仿真模型，具体操作为：
调用em-plant仿真软件的各子单元，并初始化各子单元参数；
将em-plant仿真软件子单元与生产子模块对应进行绑定；
编写各生产子模块的控制程序，得到生产子模块的仿真模型；
对当前种群进行世代遗传，具体为：
在当前种群中，随机选择两个生产排序作为父代染色体对，对该父代染色体对进行交叉变异，得到变异后染色体对；
判断变异后染色体对中是否出现重复遗传基因；
若是，则对变异后染色体对进行部分映射，得到两条子代染色体；否则，对该父代染色体对重新进行交叉变异；
重复上述过程，至得到m条子代染色体，完成一次世代遗传，并将m条子代染色体作为下一世代种群；
对父代染色体对进行交叉变异，具体为：
在父代染色体对中的两条父代染色体的对应位置上，随机选择一段遗传基因作为变异片段，进行交换，得到变异后染色体对；
对变异后染色体对进行部分映射，具体为：
获取变异后染色体对中，每条变异后染色体上的重复遗传基因；
将变异后染色体上的非变异片段上的重复遗传基因进行倒序变换，得到无重复遗传基因的染色体，即为两条子代染色体；
其中，倒序变换为将一条其中，倒序交换为将一条变异后染色体上的非变异片段上的重复遗传基因按位置顺序进行倒序排列，然后顺序放入另一条变异后染色体的非变异片段上的重复遗传基因处。
5.一种订单生产顺序优化设备，其特征在于，包括存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令；所述处理器执行所述可执行指令时实现如权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，其上存储有计算机可执行指令，所述可执行指令被处理器执行时实现如权利要求1-3任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011573743.XA CN112700109B (zh) | 2020-12-25 | 2020-12-25 | 一种订单生产顺序优化方法、系统、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011573743.XA CN112700109B (zh) | 2020-12-25 | 2020-12-25 | 一种订单生产顺序优化方法、系统、设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112700109A CN112700109A (zh) | 2021-04-23 |
| CN112700109B true CN112700109B (zh) | 2023-08-18 |
Family
ID=75511553
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011573743.XA Active CN112700109B (zh) | 2020-12-25 | 2020-12-25 | 一种订单生产顺序优化方法、系统、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112700109B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114331236B (zh) * | 2022-03-16 | 2022-06-07 | 济南邦德激光股份有限公司 | 一种基于mes的激光切割生产管理方法、设备及介质 |
| CN114742662A (zh) * | 2022-04-15 | 2022-07-12 | 卡奥斯工业智能研究院(青岛)有限公司 | 生产管理方法、装置、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001236113A (ja) * | 2000-02-24 | 2001-08-31 | Matsushita Electric Works Ltd | 負荷計画立案方法 |
| CN101303749A (zh) * | 2008-06-19 | 2008-11-12 | 上海交通大学 | 面向客户需求的车间作业调度方法 |
| CN101604409A (zh) * | 2009-07-15 | 2009-12-16 | 北京化工大学 | 应用于多重入复杂制造系统的调度方法 |
| EP2357603A1 (en) * | 2010-01-28 | 2011-08-17 | Honda Research Institute Europe GmbH | Evolutionary design optimization of real world structures with adaptive manipulation of nonlinear constraints |
| CA3039540A1 (en) * | 2016-10-15 | 2018-04-19 | Walmart Apollo, Llc | Courier management system |
| CN109711745A (zh) * | 2019-01-02 | 2019-05-03 | 郑州航空工业管理学院 | 基于智能优化算法的双层式生产计划优化控制方法 |
| CN111461402A (zh) * | 2020-03-06 | 2020-07-28 | 上海汽车集团股份有限公司 | 物流排程优化方法及装置、计算机可读存储介质、终端 |
-
2020
- 2020-12-25 CN CN202011573743.XA patent/CN112700109B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001236113A (ja) * | 2000-02-24 | 2001-08-31 | Matsushita Electric Works Ltd | 負荷計画立案方法 |
| CN101303749A (zh) * | 2008-06-19 | 2008-11-12 | 上海交通大学 | 面向客户需求的车间作业调度方法 |
| CN101604409A (zh) * | 2009-07-15 | 2009-12-16 | 北京化工大学 | 应用于多重入复杂制造系统的调度方法 |
| EP2357603A1 (en) * | 2010-01-28 | 2011-08-17 | Honda Research Institute Europe GmbH | Evolutionary design optimization of real world structures with adaptive manipulation of nonlinear constraints |
| CA3039540A1 (en) * | 2016-10-15 | 2018-04-19 | Walmart Apollo, Llc | Courier management system |
| CN109711745A (zh) * | 2019-01-02 | 2019-05-03 | 郑州航空工业管理学院 | 基于智能优化算法的双层式生产计划优化控制方法 |
| CN111461402A (zh) * | 2020-03-06 | 2020-07-28 | 上海汽车集团股份有限公司 | 物流排程优化方法及装置、计算机可读存储介质、终端 |
Non-Patent Citations (1)
| Title |
|---|
| 并行自动分拣系统订单排序优化研究;赵鑫亮;中国优秀硕士学位论文全文数据库;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112700109A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112700109B (zh) | 一种订单生产顺序优化方法、系统、设备及可读存储介质 | |
| Chen et al. | Resource-constrained assembly line balancing problems with multi-manned workstations | |
| CN112907150B (zh) | 一种基于遗传算法的生产排程方法 | |
| Cao et al. | An efficient scheduling approach for an iron-steel plant equipped with self-generation equipment under time-of-use electricity tariffs | |
| CN111985672B (zh) | 一种多Agent深度强化学习的单件作业车间调度方法 | |
| CN112381343B (zh) | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 | |
| CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
| CN111738578A (zh) | 一种动态环境下的离散型生产车间调度方法 | |
| CN111062535A (zh) | 一种实现含能材料生产过程动态排产的方法及系统 | |
| CN114492895B (zh) | 汽车发动机柔性产线分批与调度方法 | |
| CN113867275B (zh) | 一种分布式车间预防维修联合调度的优化方法 | |
| CN112699544A (zh) | 一种多目标柔性作业车间调度方法 | |
| Wang et al. | Genetic algorithm in flexible work shop scheduling based on multi-objective optimization | |
| CN114707432A (zh) | 一种基于遗传算法的锻造工厂智能排产方法 | |
| CN112966822B (zh) | 一种基于改进遗传算法的混流制造车间调度方法 | |
| CN105427058A (zh) | 一种基于遗传算法的发动机测试线工位分配优化方法 | |
| Zheng et al. | Solving multi-objective two-sided assembly line balancing problems by harmony search algorithm based on pareto entropy | |
| Li et al. | Digital twin-based virtual reconfiguration method for mixed-model robotic assembly line | |
| CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
| CN117075563A (zh) | 一种基于深度强化学习的金属酸洗混合流水车间调度方法 | |
| CN116957219A (zh) | 一种基于遗传算法的水泥生产线施工作业调度方法 | |
| CN114925602B (zh) | 一种教练机后机身研发流程的多目标优化方法 | |
| Akbar et al. | A social-conscious scheduling model of dual resources constrained identical parallel machine to minimize makespan and operator workload balance | |
| Li et al. | A robust scheduling for reconfigurable manufacturing system using petri nets and genetic algorithm | |
| CN112632777B (zh) | 面向家电产品装配线的ⅱ型双边装配线平衡方法及系统 |
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 |