CN112884231A - 预制构件生产调度与工人配置集成优化方法、介质及设备 - Google Patents

预制构件生产调度与工人配置集成优化方法、介质及设备 Download PDF

Info

Publication number
CN112884231A
CN112884231A CN202110225317.5A CN202110225317A CN112884231A CN 112884231 A CN112884231 A CN 112884231A CN 202110225317 A CN202110225317 A CN 202110225317A CN 112884231 A CN112884231 A CN 112884231A
Authority
CN
China
Prior art keywords
worker
order
workers
production scheduling
time
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
Application number
CN202110225317.5A
Other languages
English (en)
Inventor
熊福力
杜瑶
储梦伶
曹劲松
汪琳婷
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.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
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 Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202110225317.5A priority Critical patent/CN112884231A/zh
Publication of CN112884231A publication Critical patent/CN112884231A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06Q10/063118—Staff planning in a project environment
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种预制构件生产调度与工人配置集成优化方法、介质及设备，确定预制构件生产调度过程的约束条件，建立预制构件生产调度与工人配置集成优化的目标函数；根据预制构件生产调度与工人配置集成问题建立双层交替混合迭代优化方法框架；根据双层交替混合迭代优化方法框架构建基于遗传配置方法和迭代贪婪调度方法的混合遗传‑迭代贪婪交替搜索方法；采用混合遗传‑迭代贪婪交替搜索方法求解目标函数，经过迭代运算，将满足终止条件的解作为最终的调度方案，实现优化。本发明基于交替分解思想，通过集成构造启发式、群体搜索、邻域搜索和破坏‑构造机制对预制构件生产调度与工人配置问题进行优化，能够有效的对该问题进行集成优化。

Description

预制构件生产调度与工人配置集成优化方法、介质及设备
技术领域
本发明属于预制构件生产调度技术领域，具体涉及一种预制构件生产调度与工人配置集成优化方法、介质及设备。
背景技术
预制构件生产调度问题通常可以描述为一批待加工的工件，按照一定的顺序依次通过特定的机器进行加工，每台机器对应一道工序，各工件在每台机器上的加工顺序相同。在满足一定约束条件的同时，通过调度工件的加工顺序，使某些指标达到最优，如最小化最大完工时间、最小化总成本等。且在预制构件生产过程中需要工人进行加工处理，不同的工人配置方案不仅会造成订单处理时间的变化，影响订单的最大完工时间，且配置不同等级或不同数量的工人需要支付的工人薪资成本也会随之变化。
目前，大量学者采用了大量不同方法对预制构件生产调度问题进行求解，同时也有学者通过在生产过程中考虑劳动力资源的调度优化问题，主要使用的方法有智能算法、精确算法等。但是，精确算法只能对工件数较少的小规模调度问题求解，因此未在实践中大量应用。然而，智能算法能够在一定的时间内较大概率的获得较高质量的解，因此，在解决流水车间调度问题和实践中已被广泛应用，如遗传算法(GA)、粒子群算法(PSO)、模拟退火算法(SA)、禁忌搜索(TS)等。
但是，在装配式建筑背景下，集成预制构件生产调度与工人配置的研究目前还鲜有发现，并且现有的这些智能算法的流水车间调度问题中，存在着收敛速度慢、搜索的解得质量较差、容易陷入局部最优等缺点。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种预制构件生产调度与工人配置集成优化方法、介质及设备，以解决现有技术中存在的未在预制构件生产过程中考虑工人配置方案的技术问题。
本发明采用以下技术方案：
预制构件生产调度与工人配置集成优化方法，包括以下步骤：
S1、确定预制构件生产调度过程的约束条件，建立预制构件生产调度与工人配置集成优化的目标函数；
S2、根据预制构件生产调度与工人配置集成问题建立双层交替混合迭代优化方法框架；
S3、根据步骤S2建立的双层交替混合迭代优化方法框架构建基于遗传配置方法和迭代贪婪调度方法的混合遗传-迭代贪婪交替搜索方法；采用混合遗传-迭代贪婪交替搜索方法求解步骤S1建立的目标函数，经过迭代运算，将满足终止条件的解作为最终的调度方案，实现优化。
具体的，步骤S1中，目标函数F即最小化拖期惩罚和工人成本，具体如下：
Figure BDA0002957115890000021
其中，
Figure BDA0002957115890000022
为工件编号，J为订单数量；
Figure BDA0002957115890000023
为工序编号；
Figure BDA0002957115890000024
为工人等级编号；dj为订单j的交货期；Cj,s为订单j在工序s上的完工时间；βj为订单j单位时间拖期惩罚；XL,S为工序S中配置的L级工人的数量；
Figure BDA0002957115890000025
为工序S上订单j的原处理时间；βj·max{0,Cj,6-dj}为订单拖期惩罚，
Figure BDA0002957115890000026
为订单工人成本。
具体的，步骤S1中，约束条件具体为：
当前订单在当前工序上的处理时间不早于上一订单在当前工序上的完工时间；
当前订单在当前工序上的开始处理时间不早于当前订单在上一工序的完工时间；
可中断工序完工时间，若订单能够在当天工作时间内完成，则完成处理，完工时间为订单在工序上的累积完成时间Aj,s，否则将中断至次日工作时间继续加工完成，完工时间为订单在工序上的累积完成时间Aj,s与非工作时间HN之和；
订单在工序j上的累计工作日，为订单在工序上的累积完成时间除以24并向下取整，若累积完成时间为26小时，
Figure BDA0002957115890000031
订单在不可中断工序且需要人工时的完工时间，若订单在当天工作时间可以完成，则完成处理，完工时间为订单在工序上的累积完成时间Aj,3，否则将该工序推迟至次日工作时间开始加工，则完工时间为Aj,3+HN；
订单在不可中断工序且不需要人工时的完工时间，该工序采用并行处理，当工件在当天工作时间完成或第二天工作时间完成，则完工时间为订单在工序上的累积完成时间Aj,4，否则工作处理时间延长至次日上班时间截止，则完工时间为24(Dj,4+1)；
订单在不可中断工序且不需要人工时的累积完成时间和累计工作日；
限制各工序工人为同一等级；
工人分配数量约束，分配人数不超过各工序工人数量限制；
分配工人数和订单完工时间大于等于0；
工人配置后的调整处理时间。
具体的，步骤S2中，双层交替混合迭代优化方法框架具体为：
根据启发式规则构造初始解，即初始化工人配置方案和生产调度方案；工人配置阶段决策变量为各工序所分配的工人数量和工人等级，采用最小化工人成本和最小化订单处理时间两种启发式规则；随后固定初始生产调度方案优化工人配置方案；当满足工人配置终止条件时输出优化后工人配置方案，并计算订单调整处理时间；固定工人配置方案，优化生产调度方案；当满足生产调度终止条件时判断是否满足总体终止条件，若未满足则返回工人配置阶段按照优化后生产调度方案继续优化工人配置方案，交替迭代优化；满足算法终止条件则输出优化后工人指派方案、生产调度方案和目标函数值。
进一步的，最小化工人成本和最小化订单处理时间具体为：
所有分组中的所有工序工人等级分配初级工人，且工人数量设定为工序人数约束的最小值；此初始解分配最小工人数和最低等级工人，将具有最小的工人成本；所有分组中的所有工序工人等级分配高级工人，且工人数量设定为工序人数约束的最大值；此初始解将分配最高等级工人和最大工人数，将具有最高的处理效率，即最小的订单处理时间；生产调度问题初始解按照订单交货期排序。
具体的，步骤S3中，混合遗传-迭代贪婪交替搜索方法具体为：
根据启发式规则构造初始解，即初始化工人配置方案和生产调度方案；工人配置阶段决策变量为各工序所分配的工人数量和工人等级；工人配置问题初始解构造采用最小化工人成本和最小化订单处理时间两种启发式规则；随后固定初始生产调度方案使用遗传配置方法优化工人配置方案；当满足工人配置终止条件时输出优化后工人配置方案，并计算订单调整处理时间；固定工人配置方案，使用迭代贪婪调度方法优化生产调度方案；当满足生产调度终止条件时判断是否满足总体终止条件，若未满足则返回工人配置阶段按照优化后生产调度方案继续优化工人配置方案，交替迭代优化；满足算法终止条件则输出优化后工人指派方案、生产调度方案、目标函数值。
进一步的，使用遗传配置方法优化工人配置方案具体为：
使用轮盘赌法对种群进行选择操作，得到两组解；随后使用交叉操作，在交叉过程中，首先对染色体第一层工人数量进行两点交叉，随机产生两个交叉点，将两交叉点间的染色体交换，保证交叉过程中互换的为相同工序的工人数量，保证满足工序上的工人数量约束；再对第二层进行两点交叉，随机产生两个交叉点，将两条染色体交叉点间的部分进行交换；对两层分别进行交叉操作；交叉操作形成两条新的染色体；最后对染色体进行变异操作，将变异点处配置的工人数量和等级按照约束重新配置；变异后形成两组新的解。
进一步的，使用迭代贪婪调度方法优化生产调度方案具体为：
使用破坏规则将解决方案中的部分部件剔除，产生不完全的解决方案；使用重建操作应用NEH启发式方法，将剔除的部件按照最优的方式重新插入不完全的解决方案中，重新构成完整的解决方案；最后对完整的解决方案进行局部搜索，将前插点后面的解决方案插入序列最前方，形成新的解决方案。
本发明的另一个技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述的方法中的任一方法。
本发明的另一个技术方案是，一种计算设备，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。
与现有技术相比，本发明至少具有以下有益效果：
本发明预制构件生产调度与工人配置集成优化方法，针对以往预制构件生产过程中工人指派与生产调度递阶求解方法的不足，研究了预制构件生产调度与工人配置的集成优化问题。在深入分析预制构件的生产工艺、工序约束、工人数量、工人技能水平等制约关系的基础上，首先以最小化拖期惩罚和工人成本为目标建立了预制构件生产调度与工人配置集成优化数学模型；随后，为降低问题求解困难，基于交替分解思想，通过集成构造启发式、群体搜索、邻域搜索和破坏-构造机制，具有较优的求解质量、鲁棒性和收敛性，且相相对于预制构件企业常用的基于经验的启发式方法具有较大改进，有望在实际应用中取得显著的经济效益并改善顾客满意度。
进一步的，步骤S1目标函数F即最小化将生产调度问题中拖期惩罚和成本与工人成本设置的目的或好处配置问题中工人薪资成本综合考虑，可用于同时优化预制构件生产调度与工人配置集成优化问题。
进一步的，步骤S1约束条件用于处理预制构件生产调度与工人配置集成优化问题具有的可利用时间与不可利用时间、串并行混合、可中断与不可中断混合、不同技术等级工人混合等生产特点。
进一步的，步骤S2双层交替混合迭代优化方法框架使用分解协调的思想，将预制构件生产调度与工人配置集成优化问题分解为工人指派层子问题和生产调度层子问题，通过两个子问题的求解结果信息交互，交替求解改进每个子问题的解，进而优化原问题的总目标值。
进一步的，使用最小化工人成本和最小化订单处理时间两种启发式方法用于构件初始解决方案，初始解能够显著提高算法的搜索性能。
进一步的，混合遗传-迭代贪婪交替搜索方法的主要思想是：首先利用启发式方法产生一初始工人配置和生产调度解；随后固定生产调度方案，设计一种混合遗传配置方法用于优化工人配置方案；反过来固定工人配置方案，设计一种迭代贪婪调度方法用于优化生产调度方案，如此两阶段交替优化，直到满足终止条件；将预制构件生产调度与工人配置集成优化问题分解为工人指派层子问题和生产调度层子问题，通过两个子问题的求解结果信息交互，交替求解改进每个子问题的解，进而优化原问题的总目标值。
进一步的，遗传配置方法使用交叉、变异、选择三种操作来更新双层编码表示的工人配置方案，具有较大的操作便利性。
进一步的，迭代贪婪调度方法使用破坏操作、重建操作以及局部搜索优化生产调度方案能够显著增大搜索空间，有利于寻找全局最优解。
综上所述，本发明基于交替分解思想，通过集成构造启发式、群体搜索、邻域搜索和破坏-构造机制对预制构件生产调度与工人配置问题进行优化，能够有效的对该问题进行集成优化。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明流程示意图；
图2为本发明各薪资水平算法收敛曲线示意图，其中，(a)为低等薪资水平收敛曲线，(b)为中等薪资水平收敛曲线，(c)为高等薪资水平收敛曲线。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
请参阅图1，本发明一种预制构件生产调度与工人配置集成优化方法，包括以下步骤：
S1、确定调度过程的约束条件，建立预制构件生产调度与工人配置集成优化的目标函数；
目标函数F即最小化拖期惩罚和工人成本，具体如下：
Figure BDA0002957115890000091
其中，
Figure BDA0002957115890000092
为工件编号，J为订单数量；
Figure BDA0002957115890000093
为工序编号；
Figure BDA0002957115890000094
为工人等级编号；dj为订单j的交货期；Cj,s为订单j在工序s上的完工时间；βj为订单j单位时间拖期惩罚；Xl,s为工序s中配置的l级工人的数量；
Figure BDA0002957115890000095
为工序s上订单j的原处理时间；βj·max{0,Cj,6-dj}为订单拖期惩罚，如果订单在最后一道工序上的完工时间，即最大完工时间Cj,6小于或等于订单交货期dj，则该订单的拖期惩罚为0，否则将会产生拖期惩罚。
Figure BDA0002957115890000096
Figure BDA0002957115890000097
为订单工人成本。
约束条件具体为：
式(2)为订单在工序上的处理时间不早于上一订单在此工序上的完工时间，第四道工序蒸汽养护为并行处理过程，不需要满足此约束，具体为：
Figure BDA0002957115890000098
式(3)表示订单在工序上的开始处理时间不早于该订单上一工序的完工时间，具体为：
Figure BDA0002957115890000099
式(4)表示可中断工序完工时间，若订单可在当天工作时间内完成，则完成处理，完工时间为订单在工序上的累积完成时间Aj,s，由式(5)计算得到，否则将中断至次日工作时间继续加工完成，完工时间为订单在工序上的累积完成时间Aj,s与非工作时间HN之和，具体为：
Figure BDA00029571158900000910
Figure BDA00029571158900000911
式(6)为订单在工序j上的累计工作日，为订单在工序上的累积完成时间除以24并向下取整，若累积完成时间为26小时，则
Figure BDA0002957115890000101
具体为：
Figure BDA0002957115890000102
式(7)为订单在不可中断工序且需要人工时的完工时间，若订单在当天工作时间可以完成，则完成处理，完工时间为订单在工序上的累积完成时间Aj,3，否则将该工序推迟至次日工作时间开始加工，则完工时间为Aj,3+HN，具体为：
Figure BDA0002957115890000103
式(8)为订单在不可中断工序且不需要人工时的完工时间，该工序采用并行处理，当工件在当天工作时间完成或第二天工作时间完成，则完工时间为订单在工序上的累积完成时间Aj,4，否则工作处理时间延长至次日上班时间截止，则完工时间为24(Dj,4+1)，具体为：
Figure BDA0002957115890000104
式(9)～(10)表示订单在不可中断工序且不需要人工时的累积完成时间和累计工作日，具体为：
Figure BDA0002957115890000105
Figure BDA0002957115890000106
式(11)～(12)限制各工序工人必须为同一等级，具体为：
Figure BDA0002957115890000107
Figure BDA0002957115890000108
式(13)为工人分配数量约束，分配人数不能超过各工序工人数量限制，具体为：
Figure BDA0002957115890000111
式(14)表示分配工人数和订单完工时间必须大于等于0，具体为：
Figure BDA0002957115890000112
式(15)表示工人配置后的调整处理时间，具体为：
Figure BDA0002957115890000113
其中，N为工人数量，S为工序数量，L为工人等级数量，
Figure BDA0002957115890000114
为工序s上l级工人的最小数量，
Figure BDA0002957115890000115
为工序s上l级工人的最大数量，Pj,s为工序s上订单j的原处理时间，
Figure BDA0002957115890000116
为工序s上订单j的调整处理时间，dj为订单j交货期，βj为订单j单位时间拖期惩罚，Wl为l级工人单位时间薪水，ηl为l级工人工作效率，为，HW为工作时间，HO为可加班时间(HO＜HN)，HN为非工作时间(HN＝24-Hw)。
S2、建立双层交替混合迭代优化方法框架；
双层交替混合迭代优化方法框架如下：
S201、根据启发式规则构造初始解，即初始化工人配置方案和生产调度方案。工人配置阶段决策变量为各工序所分配的工人数量和工人等级。因此工人配置问题初始解构造采用最小化工人成本和最小化订单处理时间两种启发式规则。
根据这两种启发式规则将产生两种初始解：
1)所有分组中的所有工序工人等级分配初级工人，且工人数量设定为工序人数约束的最小值。
此初始解分配最小工人数和最低等级工人，将具有最小的工人成本；
2)所有分组中的所有工序工人等级分配高级工人，且工人数量设定为工序人数约束的最大值。
此初始解将分配最高等级工人和最大工人数，将具有最高的处理效率，即最小的订单处理时间。生产调度阶段中订单拖期惩罚和订单交货期密切相关，当订单交货期越长，产生拖期惩罚的可能性越低或产生的拖期惩罚越小。因此生产调度问题初始解将按照订单交货期排序，交货期越短则订单越早处理。
S202、随后固定初始生产调度方案优化工人配置方案；
S203、当满足工人配置终止条件时输出优化后工人配置方案，并计算订单调整处理时间；
S204、固定工人配置方案，优化生产调度方案；
S205、当满足生产调度终止条件时判断是否满足总体终止条件，若未满足则返回工人配置阶段按照优化后生产调度方案继续优化工人配置方案，如此交替迭代优化；
S206、满足算法终止条件则输出优化后工人指派方案、生产调度方案、目标函数值。
S3、根据算法框架提出基于遗传配置方法和迭代贪婪调度方法的混合遗传-迭代贪婪交替搜索方法(AHGA_IG)；采用混合遗传-迭代贪婪交替搜索方法(AHGA_IG)的方法求解所述目标函数，经过迭代运算，将满足终止条件的解作为最终的调度方案；
混合遗传-迭代贪婪交替搜索方法(AHGA_IG)具体为：
S301、根据启发式规则构造初始解，即初始化工人配置方案和生产调度方案；工人配置阶段决策变量为各工序所分配的工人数量和工人等级；因此工人配置问题初始解构造采用最小化工人成本和最小化订单处理时间两种启发式规则；根据这两种启发式规则将产生两种初始解，
1)所有分组中的所有工序工人等级分配初级工人，且工人数量设定为工序人数约束的最小值。
此初始解分配最小工人数和最低等级工人，将具有最小的工人成本；
2)所有分组中的所有工序工人等级分配高级工人，且工人数量设定为工序人数约束的最大值。
此初始解将分配最高等级工人和最大工人数，将具有最高的处理效率，即最小的订单处理时间。生产调度阶段中订单拖期惩罚和订单交货期密切相关，当订单交货期越长，产生拖期惩罚的可能性越低或产生的拖期惩罚越小。因此生产调度问题初始解将按照订单交货期排序，交货期越短则订单越早处理。
S302、随后固定初始生产调度方案使用遗传配置方法优化工人配置方案，具体操作如下：
首先使用轮盘赌法对种群进行选择操作，得到两组解；
随后使用交叉操作，在交叉过程中，首先对染色体第一层工人数量进行两点交叉，随机产生两个交叉点，将两交叉点间的染色体交换，保证交叉过程中互换的为相同工序的工人数量，保证满足工序上的工人数量约束。再对第二层进行两点交叉，随机产生两个交叉点，将两条染色体交叉点间的部分进行交换；对两层分别进行交叉操作，将增大对解空间的探索和开发；交叉操作将形成两条新的染色体；
最后对染色体进行变异操作，将变异点处配置的工人数量和等级按照约束重新配置。变异后形成两组新的解；
S303、当满足工人配置终止条件时输出优化后工人配置方案，并计算订单调整处理时间；
S304、固定工人配置方案，使用迭代贪婪调度方法优化生产调度方案，具体操作如下：
首先使用破坏规则将解决方案中的部分部件剔除，产生不完全的解决方案；
然后使用重建操作应用NEH启发式方法，将剔除的部件按照最优的方式重新插入不完全的解决方案中，重新构成完整的解决方案；
最后对完整的解决方案进行局部搜索，将前插点后面的解决方案插入序列最前方，形成新的解决方案；
S305、当满足生产调度终止条件时判断是否满足总体终止条件，若未满足则返回工人配置阶段按照优化后生产调度方案继续优化工人配置方案，如此交替迭代优化；
S306、满足算法终止条件则输出优化后工人配置方案、生产调度方案、目标函数值，预制构件制造企业使用优化后的工人配置方案进行工人安排，并将各订单按照优化后的生产调度方案按顺序进行加工生产即能极大降低生产成本，增加企业收益。
本发明再一个实施例中，提供一种预制构件生产调度与工人配置集成优化系统，该系统能够用于实现上述预制构件生产调度与工人配置集成优化方法，具体的，该预制构件生产调度与工人配置集成优化系统包括函数模块、混合模块以及优化模块。
其中，函数模块，确定预制构件生产调度过程的约束条件，建立预制构件生产调度与工人配置集成优化的目标函数；
混合模块，根据预制构件生产调度与工人配置集成问题建立双层交替混合迭代优化方法框架；
优化模块，根据混合模块建立的双层交替混合迭代优化方法框架构建基于遗传配置方法和迭代贪婪调度方法的混合遗传-迭代贪婪交替搜索方法；采用混合遗传-迭代贪婪交替搜索方法求解函数模块建立的目标函数，经过迭代运算，将满足终止条件的解作为最终的调度方案，实现优化。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于预制构件生产调度与工人配置集成优化方法的操作，包括：
确定预制构件生产调度过程的约束条件，建立预制构件生产调度与工人配置集成优化的目标函数；根据预制构件生产调度与工人配置集成问题建立双层交替混合迭代优化方法框架；根据建立的双层交替混合迭代优化方法框架构建基于遗传配置方法和迭代贪婪调度方法的混合遗传-迭代贪婪交替搜索方法；采用混合遗传-迭代贪婪交替搜索方法求解建立的目标函数，经过迭代运算，将满足终止条件的解作为最终的调度方案，实现优化。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关预制构件生产调度与工人配置集成优化方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
确定预制构件生产调度过程的约束条件，建立预制构件生产调度与工人配置集成优化的目标函数；根据预制构件生产调度与工人配置集成问题建立双层交替混合迭代优化方法框架；根据建立的双层交替混合迭代优化方法框架构建基于遗传配置方法和迭代贪婪调度方法的混合遗传-迭代贪婪交替搜索方法；采用混合遗传-迭代贪婪交替搜索方法求解建立的目标函数，经过迭代运算，将满足终止条件的解作为最终的调度方案，实现优化。
实施例
将基于交替混合迭代搜索的预制构件生产调度与工人配置集成优化方法。为充分验证该方法的性能，因此设计了混合遗传-禁忌交替搜索方法(AHGA_TS)、混合遗传交替搜索方法(AHGA_GA)和混合遗传-果蝇交替搜索方法(AHGA_FOA)用于与对比分析。AHGA_TS算法在生产调度层中将破坏和重建操作改为禁忌操作；AHGA_GA算法在生产调度层使用经典遗传算法实现；在AHGA_FOA算法中，使用嗅觉和视觉搜索过程对生产调度层问题进行求解。
目标函数为最小化工人成本与拖期惩罚，但由于各工厂具有不同的薪资待遇，因此当工人成本和拖期惩罚处于不同比重时，可能会对问题的结果有所影响。为测试不同薪资水平对实验结果的影响，将分为三种不同薪资水平情况对各算法进行实验。实验中所有算法均采用JAVA语言编程实现，代码测试环境为Intel i7_9750H/2.6GHz/16.0GB/IntelliJ IDEA。
各订单交货期dj按照[MK(1-τ-R/2),MK(1-τ+R/2)]均匀随机产生，其中MK为利用构造启发式得到的最大完工时间，τ为松紧系数，R为产生宽度。实验数据如下：订单数量J∈{10,20,30,50,70}，拖期惩罚系数βj∈{10,20}，每组订单数量n1＝10。按照订单数量分为小(J∈{10})、中(J∈{20,30})、大(J∈{50,70})三种问题规模进行试验。每种订单规模生成10组不同测试算例，每组算例运行20次，避免随机误差对于试验的影响。对同一规模算例，为公平起见，所有算法均采用相同时间运行。为评估算法性能，定义平均相对偏差率(Average relative percentage difference，ARPD)如下：
Figure BDA0002957115890000171
其中，Fmin(Alg)表示当前算例中算法Alg取得的最小值(最小化问题的最优值)，ref为当前测试算例的参考值，即所有算法在当前测试算例中取得的最小值。
情形一：低等薪资水平
当工人处于低等薪资水平时，为测试三种算法的求解能力和算法间的差异。将各等级工人工作效率ηl及单位时间薪资Wl设置如表1所示。实验通过5种订单规模，分50组测试算例进行，将每种订单规模的10组算例结果取平均值，得到表2中各算法ARPD均值和标准差均值统计结果。由表2可以看出，AHGA_IG算法ARPD值最小，其中在10订单规模时为0.00％，说明其在此订单规模时每次都能求解得到三种算法中的最小值，在三种算法中具有较好的求解质量。AHGA_IG算法标准差在各个规模下均优于其他两种算法，说明该算法具有更好的鲁棒性。AHGA_GA算法在求解质量上略差于AHGA_IG算法，但优于AHGA_TS算法和AHGA_FOA算法。AHGA_TS算法平均标准差达到216.76，远超于其他算法，因此其鲁棒性较差，AHGA_FOA算法标准差与AHGA_IG算法相近，但ARPD值远超AHGA_IG算法，具有较差的求解质量。得出结论，AHGA_IG算法在工人处于低等薪资水平时较其他算法具有较强的求解质量和鲁棒性。
表1各级工人工作效率及单位时间薪资表
Figure BDA0002957115890000181
表2情形一各算法ARPD均值、标准差(std)均值统计结果
Figure BDA0002957115890000182
情形二：中等薪资水平
在中等薪资水平下，将各等级工人工作效率ηl及单位时间薪资Wl设置如下表3所示。各算法ARPD均值和标准差均值统计结果如表4所示。由表4中数据可以得出，当工人处于中等薪资水平时，就ARPD而言，AHGA_IG算法在各规模上均优于其他三种算法，具有较高的求解质量。就标准差而言，AHGA_IG算法在大多数规模小于其他算法，当订单数量J＝20时，AHGA_GA算法优于AHGA_IG算法，但差距较小。AHGA_TS算法依旧在所有算法中标准差最大，具有较差的稳定性，AHGA_FOA算法ARPD值远大于其他算法，具有较差的求解质量。综合分析AHGA_IG算法在此情形下依旧是综合性能表现较好的算法。
表3各级工人工作效率及单位时间薪资表
Figure BDA0002957115890000191
表4情形二各算法ARPD均值、标准差(std)均值统计结果
Figure BDA0002957115890000192
Figure BDA0002957115890000201
情形三：高等薪资水平
在工人处于高等薪资水平时，各等级工人工作效率ηl及单位时间薪资Wl设置和各算法ARPD均值和标准差均值统计结果如表5-6所示。从表6中数据可得，三种算法标准差较大，这是由于工人处于高等薪资水平，工人成本增大，导致目标值变大，标准差与目标值比值平均值为4.06％处于合理范围。AHGA_IG算法ARPD和标准差值均小于其他算法，AHGA_TS算法在此情形下标准差和ARPD值优于AHGA_GA算法和AHGA_FOA算法，AHGA_FOA在标准差和ARPD方面均表现较差。由此可得，AHGA_IG算法在此情况下仍是求解性能和鲁棒性更优的算法。
表5各级工人工作效率及单位时间薪资表
Figure BDA0002957115890000202
表6情形三各算法ARPD均值、标准差(std)均值统计结果
Figure BDA0002957115890000203
Figure BDA0002957115890000211
以30订单规模为例，三种算法在各薪资水平下的收敛情况由图2可得。AHGA_IG算法在各薪资水平下均收敛最快，并且具有较高的求解质量。AHGA_FOA算法也能较快达到收敛状态，但其解的质量较差，AHGA_GA算法能够在较快达到收敛状态的同时兼顾解的质量，AHGA_TS算法则在收敛效果上表现较差。AHGA_IG算法各情形下在求解质量、鲁棒性均优于其他算法，在收敛性上，AHGA_IG算法均能够较快的达到收敛。因此认为AHGA_IG算法相较于AHGA_TS算法、AHGA_GA算法和AHGA_FOA算法具有更好的求解能力、鲁棒性和收敛性，在预制构件生产调度与工人配置集成优化问题上表现更优。
现阶段各预制构件生产工厂多采用基于经验的启发式方式进行工人配置和生产调度，为验证AHGA_IG算法与启发式方式间求解性能差异，各工人薪资水平下算法改进率如表7所示。由此可得，AHGA_IG在各工人薪资水平下各订单规模均相比启发式方法求解性能均有较大的提升，其中各工人薪资水平分别对应贫困地区、一般地区和发达地区的工人薪资。由此可得，AHGA_IG算法适用于各地区预制构件生产工厂，对预制构件生产调度问题与工人配置问题集成优化，具有较好的优化性能。
表7各工人薪资水平情形下算法改进率
Figure BDA0002957115890000221
综上所述，本发明一种预制构件生产调度与工人配置集成优化方法，具有较优的求解质量、鲁棒性和收敛性。与预制构件制造企业常用的基于经验的启发式方法相比，具有较大的改进率，有望产生显著的经济效益。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.预制构件生产调度与工人配置集成优化方法，其特征在于，包括以下步骤：
S1、确定预制构件生产调度过程的约束条件，建立预制构件生产调度与工人配置集成优化的目标函数；
S2、根据预制构件生产调度与工人配置集成问题建立双层交替混合迭代优化方法框架；
S3、根据步骤S2建立的双层交替混合迭代优化方法框架构建基于遗传配置方法和迭代贪婪调度方法的混合遗传-迭代贪婪交替搜索方法；采用混合遗传-迭代贪婪交替搜索方法求解步骤S1建立的目标函数，经过迭代运算，将满足终止条件的解作为最终的调度方案，实现优化。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，目标函数F即最小化拖期惩罚和工人成本，具体如下：
Figure FDA0002957115880000011
其中，
Figure FDA0002957115880000012
为工件编号，J为订单数量；
Figure FDA0002957115880000013
为工序编号；
Figure FDA0002957115880000014
为工人等级编号；dj为订单j的交货期；Cj，s为订单j在工序s上的完工时间；βj为订单j单位时间拖期惩罚；Xl，s为工序s中配置的l级工人的数量；
Figure FDA0002957115880000015
为工序s上订单j的原处理时间；βj·max{0，Cj，6-dj}为订单拖期惩罚，
Figure FDA0002957115880000016
为订单工人成本。
3.根据权利要求1所述的方法，其特征在于，步骤S1中，约束条件具体为：
当前订单在当前工序上的开始处理时间不早于上一订单在当前工序上的完工时间；
当前订单在当前工序上的开始处理时间不早于当前订单在上一工序的完工时间；
可中断工序完工时间，若订单能够在当天工作时间内完成，则完成处理，完工时间为订单在工序上的累积完成时间Aj，s，否则将中断至次日工作时间继续加工完成，完工时间为订单在工序上的累积完成时间Aj，s与非工作时间HN之和；
订单在工序j上的累计工作日，为订单在工序上的累积完成时间除以24并向下取整，若累积完成时间为26小时，
Figure FDA0002957115880000021
订单在不可中断工序且需要人工时的完工时间，若订单在当天工作时间可以完成，则完成处理，完工时间为订单在工序上的累积完成时间Aj，3，否则将该工序推迟至次日工作时间开始加工，则完工时间为Aj，3+HN；
订单在不可中断工序且不需要人工时的完工时间，该工序采用并行处理，当工件在当天工作时间完成或第二天工作时间完成，则完工时间为订单在工序上的累积完成时间Aj，4，否则工作处理时间延长至次日上班时间截止，则完工时间为24(Dj，4+1)；
订单在不可中断工序且不需要人工时的累积完成时间和累计工作日；
限制各工序工人为同一等级；
工人分配数量约束，分配人数不超过各工序工人数量限制；
分配工人数和订单完工时间大于等于0；
工人配置后的调整处理时间。
4.根据权利要求1所述的方法，其特征在于，步骤S2中，双层交替混合迭代优化方法框架具体为：
根据启发式规则构造初始解，即初始化工人配置方案和生产调度方案；工人配置阶段决策变量为各工序所分配的工人数量和工人等级，采用最小化工人成本和最小化订单处理时间两种启发式规则；随后固定初始生产调度方案优化工人配置方案；当满足工人配置终止条件时输出优化后工人配置方案，并计算订单调整处理时间；固定工人配置方案，优化生产调度方案；当满足生产调度终止条件时判断是否满足总体终止条件，若未满足则返回工人配置阶段按照优化后生产调度方案继续优化工人配置方案，交替迭代优化；满足算法终止条件则输出优化后工人指派方案、生产调度方案和目标函数值。
5.根据权利要求4所述的方法，其特征在于，最小化工人成本和最小化订单处理时间具体为：
所有分组中的所有工序工人等级分配初级工人，且工人数量设定为工序人数约束的最小值；此初始解分配最小工人数和最低等级工人，将具有最小的工人成本；所有分组中的所有工序工人等级分配高级工人，且工人数量设定为工序人数约束的最大值；此初始解将分配最高等级工人和最大工人数，将具有最高的处理效率，即最小的订单处理时间；生产调度问题初始解按照订单交货期排序。
6.根据权利要求1所述的方法，其特征在于，步骤S3中，混合遗传-迭代贪婪交替搜索方法具体为：
根据启发式规则构造初始解，即初始化工人配置方案和生产调度方案；工人配置阶段决策变量为各工序所分配的工人数量和工人等级；工人配置问题初始解构造采用最小化工人成本和最小化订单处理时间两种启发式规则；随后固定初始生产调度方案使用遗传配置方法优化工人配置方案；当满足工人配置终止条件时输出优化后工人配置方案，并计算订单调整处理时间；固定工人配置方案，使用迭代贪婪调度方法优化生产调度方案；当满足生产调度终止条件时判断是否满足总体终止条件，若未满足则返回工人配置阶段按照优化后生产调度方案继续优化工人配置方案，交替迭代优化；满足算法终止条件则输出优化后工人指派方案、生产调度方案、目标函数值。
7.根据权利要求6所述的方法，其特征在于，使用遗传配置方法优化工人配置方案具体为：
使用轮盘赌法对种群进行选择操作，得到两组解；随后使用交叉操作，在交叉过程中，首先对染色体第一层工人数量进行两点交叉，随机产生两个交叉点，将两交叉点间的染色体交换，保证交叉过程中互换的为相同工序的工人数量，保证满足工序上的工人数量约束；再对第二层进行两点交叉，随机产生两个交叉点，将两条染色体交叉点间的部分进行交换；对两层分别进行交叉操作；交叉操作形成两条新的染色体；最后对染色体进行变异操作，将变异点处配置的工人数量和等级按照约束重新配置；变异后形成两组新的解。
8.根据权利要求6所述的方法，其特征在于，使用迭代贪婪调度方法优化生产调度方案具体为：
使用破坏规则将解决方案中的部分部件剔除，产生不完全的解决方案；使用重建操作应用NEH启发式方法，将剔除的部件按照最优的方式重新插入不完全的解决方案中，重新构成完整的解决方案；最后对完整的解决方案进行局部搜索，将前插点后面的解决方案插入序列最前方，形成新的解决方案。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至8所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至8所述的方法中的任一方法的指令。
CN202110225317.5A 2021-03-01 2021-03-01 预制构件生产调度与工人配置集成优化方法、介质及设备 Pending CN112884231A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110225317.5A CN112884231A (zh) 2021-03-01 2021-03-01 预制构件生产调度与工人配置集成优化方法、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110225317.5A CN112884231A (zh) 2021-03-01 2021-03-01 预制构件生产调度与工人配置集成优化方法、介质及设备

Publications (1)

Publication Number Publication Date
CN112884231A true CN112884231A (zh) 2021-06-01

Family

ID=76055031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110225317.5A Pending CN112884231A (zh) 2021-03-01 2021-03-01 预制构件生产调度与工人配置集成优化方法、介质及设备

Country Status (1)

Country Link
CN (1) CN112884231A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344304A (zh) * 2021-07-19 2021-09-03 安徽理工大学 一种新型煤矿井下机车调度优化方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001618A (zh) * 2020-08-18 2020-11-27 西安建筑科技大学 一种工期指派、订单接受与生产调度集成优化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001618A (zh) * 2020-08-18 2020-11-27 西安建筑科技大学 一种工期指派、订单接受与生产调度集成优化方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
熊福力等: "基于交替混合迭代搜索方法的预制构件生产调度与工人配置集成优化", 计算机集成制造系统 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113344304A (zh) * 2021-07-19 2021-09-03 安徽理工大学 一种新型煤矿井下机车调度优化方法

Similar Documents

Publication Publication Date Title
CN112001618B (zh) 一种工期指派、订单接受与生产调度集成优化方法
CN111382942B (zh) 一种集成交货期配置的置换流水车间能效优化调度方法
CN109447510B (zh) 基于scuc的中长期电量安全校核方法、装置及系统
CN115600774B (zh) 一种装配式建筑构件产线的多目标生产调度优化方法
CN102608916A (zh) 一种基于元胞机的大型零件柔性作业车间的动态调度方法
CN113962091B (zh) 一种处理混合废旧产品的多人共站不完全拆卸线平衡设计方法
Zhang et al. Multi-objective scheduling simulation of flexible job-shop based on multi-population genetic algorithm
CN110837981B (zh) 一种调度与控制协同处理方法及相关设备
CN115471133A (zh) 一种基于订单管理和滚动优化排产的车间综合调度系统
CN104166903A (zh) 基于工序划分的任务规划方法及系统
CN1661609A (zh) 钢铁生产计划中合同与库存联合优化管理方法
CN105550825B (zh) 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法
CN111259314A (zh) 一种分布式混凝土预制构件流水车间生产调度方法
Luo et al. Knowledge-driven two-stage memetic algorithm for energy-efficient flexible job shop scheduling with machine breakdowns
CN106327053B (zh) 一种基于多模式集合的纺织工艺推荐模型的构建方法
CN110991732B (zh) 一种基于能耗聚类的建材装备制造过程优化调度方法
CN116307008A (zh) 一种mto和mts混合生产模式下aps排产方法
CN112884231A (zh) 预制构件生产调度与工人配置集成优化方法、介质及设备
CN115421885A (zh) 一种分布式多目标云任务的调度方法、装置及云服务系统
Cao et al. Concrete plant operations optimization using combined simulation and genetic algorithms
Gong et al. Energy-efficient flexible job shop scheduling problem considering discrete operation sequence flexibility
CN113723695A (zh) 一种基于场景的再制造调度优化方法
Liu et al. Adaptive genetic algorithm for scheduling problem in flexible workshop with low carbon constraints
Chan et al. A Multi-Heuristic GA for Schedule Repair in Precast Plant Production.
KR20140055837A (ko) 유전자 알고리즘을 이용한 프로젝트 스케줄링 방법 및 시스템

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601