CN113011785B - 基于自适应调整参数的多订单混合调度优化方法、介质 - Google Patents

基于自适应调整参数的多订单混合调度优化方法、介质 Download PDF

Info

Publication number
CN113011785B
CN113011785B CN202110428726.5A CN202110428726A CN113011785B CN 113011785 B CN113011785 B CN 113011785B CN 202110428726 A CN202110428726 A CN 202110428726A CN 113011785 B CN113011785 B CN 113011785B
Authority
CN
China
Prior art keywords
parameters
order
machine
selection
workpiece
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
CN202110428726.5A
Other languages
English (en)
Other versions
CN113011785A (zh
Inventor
王建宣
张严林
赵静
何威
赵剑川
冯晓雯
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.)
Guangdong Mechanical and Electrical College
Original Assignee
Guangdong Mechanical and Electrical College
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 Guangdong Mechanical and Electrical College filed Critical Guangdong Mechanical and Electrical College
Priority to CN202110428726.5A priority Critical patent/CN113011785B/zh
Publication of CN113011785A publication Critical patent/CN113011785A/zh
Application granted granted Critical
Publication of CN113011785B publication Critical patent/CN113011785B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—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
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了基于自适应调整参数的多订单混合调度优化方法、介质，设置参数并初始化；在设置参数循环未结束时，将当前设置的参数作为选择参数，依据选择参数执行生产调度优化方案，获得订单加工时间，在订单加工时间小于等于订单最小加工时间时，将选择当前设置参数下的生产调度优化方案作为最终方案，调度结束，否则，在订单加工时间为当前最短加工时间时记录参数，接着重新设置参数值；在设置参数循环结束时，若还没有订单加工时间是小于等于订单最小加工时间，将当前最短订单加工时间下参数作为选择参数，再执行生产调度优化方案，得到最终方案；本发明采用自适应调整参数的算法，可以快速地完成动态混合订单的实时调度，从而实现动态排产。

Description

基于自适应调整参数的多订单混合调度优化方法、介质
技术领域
本发明属于生产调度优化领域，特别涉及一种基于自适应调整参数的多订单混合调度优化方法、介质。
背景技术
在产品生产中，生产排产方案问题是较为复杂的多目标优化问题，其中附带很多的约束条件；目前，一般采用以生产任务为主导优化方法对生产排产方案进行优化处理，主要以可以完成生产任务为优化目标，选出可实现生产任务的生成排产方案作为企业实际生产中最终执行的生产排产方案。但是，当可实现生产任务的生产排产方案有多种时，任选一个可行排产方案很难选到最合适的可行生产排产方案，这样会延长完成生产任务所需的工期、增加完成生产任务所需的成本。
在生产调度领域，关注的问题是在规定的工艺条件下，根据订单要求，找到使生产时间最短的最优化排序方法。目前此领域大多是采用某种最优化算法求解，如蚁群算法、遗传算法、粒子群算法等。但是，目前最优化算法解决的均是单个订单的优化排产问题，在多订单混合加工，特别是在加工的同时，又有新订单需要加工，这种动态混合订单的优化排产问题，用以上的算法难以完成，需要做较多的算法改进工作才能实现。
发明内容
本发明的第一目的在于克服现有技术的缺点与不足，提供一种基于自适应调整参数的多订单混合调度优化方法，该方法能够快速、实时完成动态混合订单的优化调度，并且基于自适应调整参数，本发明方法基本都能以最小加工时间完成排产。
本发明的第二目的在于提供一种基于自适应调整参数的订单调度优化装置。
本发明的第三目的在于提供一种存储介质。
本发明的第四目的在于提供一种计算设备。
本发明的第一目的通过下述技术方案实现：一种基于自适应调整参数的多订单混合调度优化方法，步骤包括：
S1、设置参数并进行初始化，同时根据当前所要加工的订单确定订单最小加工时间；参数包括机器选择所考虑因素的权重系数和工件选择所考虑因素的权重系数；
S2、判定设置参数循环是否结束；
若否，则进入步骤S3；
若是，则获取当前最短订单加工时间下所记录的参数，作为选择参数，依据该选择参数再执行一次生产调度优化方案，作为订单的调度优化方案；
S3、将当前设置的参数作为选择参数，依据选择参数、机器选择所考虑因素和工件选择所考虑因素执行生产调度优化方案，并且获取到生产调度优化方案下对应的订单加工时间，判定订单加工时间是否小于等于订单最小加工时间；
若是，则选择当前设置参数下的生产调度优化方案，作为订单的调度优化方案；
若否，则执行步骤S4；
S4、判定步骤S3中所获取到订单加工时间是否为当前最短加工时间；
若是，则记录当前设置的参数，然后执行步骤S5；
若否，则直接执行步骤S5；
S5、将参数设置为下一组值，然后返回步骤S2。
优选的，机器选择所考虑因素包括机器的剩余净加工时间mt和剩余加工次数mc，机器选择所考虑因素的权重系数即为机器的剩余净加工时间mt和剩余加工次数mc的权重系数；
工件选择所考虑因素的权重系数包括工件的剩余净加工时间pt和剩余加工次数pc，工件选择所考虑因素的权重系数即为工件的剩余净加工时间pt和剩余加工次数pc的权重系数。
优选的，步骤S3中，依据选择参数、机器选择所考虑因素和工件选择所考虑因素执行生产调度优化方案的具体过程如下：
S31、初始化加工数据，加工数据包括订单对应的机器净加工时间和加工次数、工件的净加工时间和加工次数；
S32、针对机器选择所考虑因素和工件选择所考虑因素分别进行正则化处理，得到正则化化处理后的值；
S33、确定所有订单是否加工完成；
若是，则获取到生产调度优化方案下对应的订单加工时间，算法结束；
若否，则设置选择的机器、订单、工件为null，设置选择的机器数为0，然后进入步骤S34；
S34、选择第一个订单；
S35、判定选择订单循环是否结束；
若是，则跳转到步骤S44；
若否，则进入步骤S36；
S36、判定当前订单是否为已经加工完成或还没有到加工时间的订单；
若是，则进入步骤S43；
若否，则选择当前订单的第一工件，然后进入步骤S37；
S37、判定选择工件循环是否结束；
若是，则进入步骤S43；
若否，则进入步骤S38；
S38、判定当前工件是否正在加工或者加工完成；
若是，则进入步骤S42；
若否，则获取当前工件所要使用机器，进入步骤S39；
S39、判定当前工件所要使用机器是否为忙；
若是，则进入步骤S42；
若否，则根据选择参数以及机器选择所考虑因素计算当前工件所要使用机器的加权值，然后进入步骤S40；
S40、判定当前工件所要使用机器的加权值是否为当前最大的机器加权值；
若是，则确定为选择当前机器，然后进入步骤S41；
若否，则进入步骤S42；
S41、针对于选择的当前机器，根据选择参数以及工件选择所考虑因素计算该机器所加工的当前工件的加权值，并且与选择该机器进行加工的其他工件的加权值进行比较，判定该机器加工的当前工件的加权值是否为最大的加权值；
若是，则确定上述选择的当前机器用来加工当前工件，然后进入步骤S42；
若否，则直接进入步骤S42；
在每次循环过程中，若每次执行到步骤S41时，在步骤S40确定选择当前机器，并且在步骤S41确定选择了当前工件，那么前一次循环时步骤S40和步骤S41确定选择的机器和工件将被放弃；
S42、选择下一个工件，然后跳转步骤S37；
S43、选择下一个订单，然后跳转步骤S35；
S44、判定是否选择到了机器和工件；
若是，则保存机器、订单和工件、更新状态信息，然后进入步骤S45；
若否，则直接进入步骤S45；
S45、判定是否至少选择到一台机器；
若否，则进入下一加工时刻时，更新状态信息，然后跳转到步骤S33；
若是，则跳转到步骤S33。
更进一步的，当机器选择所考虑因素包括机器的剩余净加工时间mt和剩余加工次数mc，当工件选择所考虑因素的权重系数包括工件的剩余净加工时间pt和剩余加工次数pc；步骤S32中，针对机器的剩余净加工时间mt和剩余加工次数mc进行正则化处理，分别对应得到cmt*mt和cmc*mc，针对工件的剩余净加工时间pt和剩余加工次数pc进行正则化处理，分别对应得到cpt*pt和cpc*pc；其中cmt、cmc、cpt、cpt分别为正则化系数；
步骤S39中，根据选择参数以及机器选择所考虑因素计算机器的加权值mv为：
mv＝mw*cmt*mt+(1-mw)*cmc*mc；
其中mw为机器选择所考虑因素的权重系数；
步骤S41中，根据选择参数以及工件选择所考虑因素计算工件的加权值pv为：
pv＝pw*cpt*pt+(1-pw)*cpc*pc；
其中pw为工件选择所考虑因素的权重系数。
更进一步的，在机器选择和工件选择时若都考虑订单的优先顺序，则：
当机器选择所考虑因素包括机器的剩余净加工时间mt和剩余加工次数mc时，则根据选择参数以及机器选择所考虑因素计算机器的加权值mv为：
mv＝priority+mw*cmt*mt+(1-mw)*cmc*mc；
当工件选择所考虑因素的权重系数包括工件的剩余净加工时间pt和剩余加工次数pc时，则根据选择参数以及工件选择所考虑因素计算工件的加权值pv为：
pv＝priority+pw*cpt*pt+(1-pw)*cpc*pc；
priority为订单的优先级，优先级越高，priority越大；mw为机器选择所考虑因素的权重系数，pw为工件选择所考虑因素的权重系数。
优选的，在生产过程中，若有临时新的订单加入，则针对于新加入的订单，单独执行步骤S1至S5，确定出最终的选择参数，作为优化后参数；
再将新加入的订单添加到原订单列表中，然后将优化后的参数作为选择参数，执行生产调度优化方案。
优选的，采用网格式的方式选择参数的各组值。
本发明的第二目的通过下述技术方案实现：基于自适应调整参数的多订单混合调度优化装置，包括：
参数设置和初始化模块，用于设置参数并且进行初始化，同时根据当前所要加工的订单确定订单最小加工时间；参数包括机器选择所考虑因素的权重系数和工件选择所考虑因素的权重系数；
第一判定模块，用于根据参数值设置模块设置的当前参数值判定设置参数循环是否结束；
生产调度优化方案执行模块，用于在设置参数循环未结束的情况下，将当前设置的参数作为选择参数，依据选择参数以及机器选择所考虑因素执行生产调度优化方案，并且获取到生产调度优化方案下对应的订单加工时间；
第二判定模块，用于判定生产调度优化方案下对应的订单加工时间是否小于等于订单最小加工时间；
第三判定模块，用于第二判定模块判定出生产调度优化方案下对应的订单加工时间大于订单最小加工时间时，判定订单加工时间是否为当前最短加工时间；
参数记录模块，用于在第三判定模块判定订单加工时间为当前最短加工时间时，记录当前设置的参数；
参数值设置模块，用于在第三判定模块判定订单加工时间不为当前最短加工时间下，或者用于在参数记录模块记录参数后，将参数设置为下一组值；
订单调度方案确定模块，用于在第二判断模块判定出生产调度优化方案下对应的订单加工时间小于等于订单最小加工时间时，选择当前设置参数下的生产调度优化方案，作为订单的调度优化方案；用于在第一判定模块判定设置参数循环结束的情况下，获取当前最短订单加工时间下所记录的参数，作为选择参数，依据该选择参数再执行一次生产调度优化方案，作为订单的调度优化方案。
本发明的第三目的通过下述技术方案实现：一种存储介质，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现本发明第一目的所述的基于自适应调整参数的多订单混合调度优化方法。
本发明的第四目的通过下述技术方案实现：一种计算设备，存储有程序，其特征在于，所述程序被处理器执行时，实现本发明第一目的所述的基于自适应调整参数的多订单混合调度优化方法。
本发明相对于现有技术具有如下的优点及效果：
(1)本发明基于自适应调整参数的多订单混合调度优化方法，首先设置参数并且进行初始化，参数包括机器选择所考虑因素的权重系数和工件选择所考虑因素的权重系数；在设置参数循环未结束的情况下，将当前设置的参数作为选择参数，依据选择参数以及机器选择所考虑因素执行生产调度优化方案，并且获取到生产调度优化方案下对应的订单加工时间，在订单加工时间是小于等于订单最小加工时间的情况下，将选择当前设置参数下的生产调度优化方案，作为订单的调度优化方案，调度结束，否则确定订单加工时间是否为当前最短加工时间，若是则记录当前参数，若否，则不记录，接着重新设置参数为下一组值；在设置参数循环结束的情况下，若还是没有得到生产调度优化方案下对应的订单加工时间是小于等于订单最小加工时间的，那么最终将当前最短订单加工时间下所记录的参数，作为选择参数，依据该选择参数再执行一次生产调度优化方案，作为订单的调度优化方案；本发明采用自适应调整参数的算法，可以快速地完成动态混合订单的实时调度，从而实现动态排产。另外本发明采用自适应调整参数的算法后，基本都能以最小加工时间完成排产，即达到全局最优，基于本发明方法得到的订单调度优化方案能够使得订单的加工时间达到最短。
(2)本发明基于自适应调整参数的多订单混合调度优化方法中，针对于新加入的订单，可以针对新加入订单执行本发明调度方法后，确定出最终的选择参数，作为优化后参数；再将新加入的订单添加到原订单列表中，然后将优化后的参数作为选择参数，执行生产调度优化方案。基于此，本发明方法即使是多订单动态混合加工，只要不是在原有订单的后期加入，基本也能达到全局最优。
(3)本发明基于自适应调整参数的多订单混合调度优化方法中，机器选择所考虑因素可以包括机器的剩余净加工时间mt和剩余加工次数mc，根据选择参数即机器的剩余净加工时间mt和剩余加工次数mc的权重系数以及机器选择所考虑因素计算机器的加权值mv，另外，工件选择所考虑因素包括工件的剩余净加工时间pt和剩余加工次数pc，可以根据选择参数即工件的剩余净加工时间pt和剩余加工次数pc的权重系数以及工件选择所考虑因素的权重系数计算工件的加权值pv，在生产调度优化方案中，将上获取到的机器权值mv和工件的加权值pv分别对应作为机器选择和工件选择的依据，能够最大程度的确定最优的生成调度优化方案。
(4)本发明基于自适应调整参数的多订单混合调度优化方法中，机器选择所考虑因素以及工件选择所考虑因素可以根据实际生产调度需求进行设置，例如还可以包括早期订单优先的因素，基于此，本发明方法能够灵活的实现订单调度，使得订单调度方案更加适合实际生产需求。
附图说明
图1是本发明方法流程图。
图2是本发明方法中生产调度优化方案流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
实施例1
本实施例公开了一种基于自适应调整参数的多订单混合调度优化方法，本实施例方法的目的是得到订单调度优化方案，该方案可以完成单个或多个订单的优化排产，在最短的时间内，完成所有订单的加工任务。
在描述本实施例方法之前，先说明算法中用到的关键概念，如下：
(1)同一时刻，每台机器只能加工一个工件(注：工件指订单中需要加工的某个产品或部件)，且每个工件在某一时刻只能被一台机器所加工，某工序的加工工程不间断。
(2)所有机器同时开工，且工件从机器I到机器J的转移过程时间损耗不计。
(3)各工件必须按工艺路线以指定的工序在机器上加工多次。
(4)机器可以因为工序原因闲置，操作允许等待，即前面的操作未完成，则后面的操作需要等待，可用资源有限。
本实施例基于自适应调整参数的多订单混合调度优化方法，如图1所示，具体过程包括：
S1、设置参数并且进行初始化，同时根据当前所要加工的订单确定订单最小加工时间；参数包括机器选择所考虑因素的权重系数mw和工件选择所考虑因素的权重系数pw。
在本实施例中，机器选择所考虑因素包括机器的剩余净加工时间mt和剩余加工次数mc，机器选择所考虑因素的权重系数mw即为机器的剩余净加工时间mt和剩余加工次数mc的权重系数；机器净加工时间指不考虑机器空闲，需要加工的总时间。本实施例中，在选择机器时，考虑选择mt最长或mc最大的机器，因为有两个因素，两个因素考虑的权重mw作为需要自适应调整的参数之一。
在本实施例中，工件选择所考虑因素的权重系数pw包括工件的剩余净加工时间pt和剩余加工次数pc，工件选择所考虑因素的权重系数即为工件的剩余净加工时间pt和剩余加工次数pc的权重系数。本实施例中，在选择工件时，考虑选择pt最长或pc最大的工件，因为有两个因素，两个因素考虑的权重pw作为需要自适应调整的参数之一。
本实施例中，上述mw和pw作为一组参数，设置范围为[a，b]，其中a为0，b为1，即设置范围为[0，1]，参数初始化为0，即mw和pw初始值设置为0，mw和pw设置的步长为0.1。当然机器选择所考虑因素和工件选择所考虑因素也可以根据实际情况进行选择，比如可以包括订单的优先级，设置早期的订单优先级是更高的。
本实施例中，订单确定以后，可以计算出机器的总净加工时间和工件的总加工时间，取其中的最大值作为订单的最小加工时间。
S2、判定设置参数循环是否结束；
若否，则进入步骤S3；
若是，则获取当前最短订单加工时间下所记录的参数，作为选择参数，依据该选择参数再执行一次生产调度优化方案，作为订单的调度优化方案，算法结束。
本实施例中，判定当前设置的参数的值是否超过b，若是，则判定设置参数循环结束，若否，则判断设置参数循环未结束。
S3、将当前设置的参数作为选择参数，依据选择参数、机器选择所考虑因素和工件选择所考虑因素执行生产调度优化方案，并且获取到生产调度优化方案下对应的订单加工时间，判定订单加工时间是否小于等于订单最小加工时间。
若是，则选择当前设置参数下的生产调度优化方案，作为订单的调度优化方案，算法结束。
若否，则执行步骤S4；
S4、判定步骤S3中所获取到订单加工时间是否为当前最短加工时间；
若是，则记录当前设置的参数，然后执行步骤S5；
若否，则直接执行步骤S5；
本实施例中，在获取到当前设置参数下所执行生产调度优化方案的订单加工时间后，与之前各设置参数下所执行生产调度优化方案的订单加工时间进行对比，确定是否为当前最短的加工时间，在是的情况下，则说明当前设置参数是有效的，可以记录并且保留，在否的情况下，说明相比当前设置参数下所执行生产调度优化方案，之前有设置参数下所执行生产调度优化方案更优，因此不记录当前设置参数。在本实施例中，每次计算到当前设置参数下所执行生产调度优化方案的订单加工时间后，都会确定下当前最短加工时间，具体是和前一次参数下所执行生产调度优化方案后，确定的最短加工时间进行对比，若更小了，则将当前设置参数下所执行生产调度优化方案的订单加工时间作为当前最短加工时间，否则，将前一次参数下所执行生产调度优化方案后，确定的最短加工时间还是作为当前最短加工时间，若当前设置参数为初始化值，则直接将当前设置参数下所执行生产调度优化方案的订单加工时间作为当前最短加工时间。
S5、将参数设置为下一组值，然后返回步骤S2。
在本实施例中，可以采用网格式选择参数的各组值，参数设置的步长可以为0.1，例如若当前设置参数mw和pw为初始化参数，那么本步骤中将参数mw和pw设置为下一组0、0.1，若当前设置参数mw和pw为0、0.1，那么本步骤中将参数设置为下一组0、0.2，依次类推，本实施例参数mw和pw可以依次为以下各组“0、0”，“0、0.1”，“0、0.2”，“0、0.3”，…，“0、1”，“0.1、0”，“0.1、0.1”，“0.1、0.2”，“0.1、0.3”，…，“0.1、1”，…，“1、1”。
本实施例中，上述步骤S3中，如图2中所示，依据选择参数、机器选择所考虑因素和工件选择所考虑因素执行生产调度优化方案的具体过程如下：
S31、初始化加工数据，加工数据包括订单对应的机器净加工时间和加工次数、工件的净加工时间和加工次数。
在本实施例中，订单里面的每个工件在每个机器上的加工时间进行累加，可以得到每个工件的净加工时间和每台机器的净加工时间。对所有订单的所有工件进行循环后，可以得到机器的总净加工时间和总加工次数，也可以得到某工件的总净加工时间和总加工次数。开始加工后，逐步递减机器和工件的总加工时间和总加工次数，就可以得到“机器剩余加工时间”、“机器剩余加工次数”、“工件剩余加工时间”、“工件剩余加工次数”。
S32、针对机器选择所考虑因素和工件选择所考虑因素分别进行正则化处理，得到正则化化处理后的值；
在本实施例中，针对机器的剩余净加工时间mt和剩余加工次数mc进行正则化处理，分别对应得到cmt*mt和cmc*mc，针对工件的剩余净加工时间pt和剩余加工次数pc进行正则化处理，分别对应得到cpt*pt和cpc*pc；其中cmt、cmc、cpt、cpt分别为正则化系数；
S33、确定所有订单是否加工完成；
若是，则获取到生产调度优化方案下对应的订单加工时间，算法结束；
若否，则设置选择的机器、订单、工件为null，设置选择的机器数为0，然后进入步骤S34；
S34、选择第一个订单；
S35、判定选择订单循环是否结束，即判定是否所有的订单都遍历过；
若是，则跳转到步骤S44；
若否，则进入步骤S36；
S36、判定当前订单是否为已经加工完成或还没有到加工时间的订单；
若是，则进入步骤S43；
若否，则选择当前订单的第一工件，然后进入步骤S37；
S37、判定选择工件循环是否结束，即判定当前订单下所有工件是否遍历过；
若是，则进入步骤S43；
若否，则进入步骤S38；
S38、判定当前工件是否正在加工或者加工完成；
若是，则进入步骤S42；
若否，则获取当前工件所要使用机器，进入步骤S39；
S39、判定当前工件所要使用机器是否为忙；
若是，则进入步骤S42；
若否，则根据选择参数以及机器选择所考虑因素计算当前工件所要使用机器的加权值，然后进入步骤S40；
在本实施例中，当机器选择所考虑因素包括机器的剩余净加工时间mt和剩余加工次数mc时，则根据选择参数以及机器选择所考虑因素计算机器的加权值mv为：
mv＝mw*cmt*mt+(1-mw)*cmc*mc；
其中mw为机器选择所考虑因素的权重系数。
在本实施例中，在机器选择时还考虑订单的优先顺序，则根据选择参数以及机器选择所考虑因素计算机器的加权值mv为：
mv＝priority+mw*cmt*mt+(1-mw)*cmc*mc；
priority为订单的优先级，优先级越高，priority越大；在本实施例中，可以根据订单优先级从高到低分别设置为0、-1、-2…等。
S40、判定当前工件所要使用机器的加权值是否为当前最大的机器加权值；
若是，则确定为选择当前机器，然后进入步骤S41；
若否，则进入步骤S42，即需要重新选择机器和工件。
在本实施例中，在某加工时刻，可能同时会有多个机器满足条件去加工工件，因此需要用上述公式计算各机器的加权值，通过选择加权值最大的机器来选择最需要投入加工的机器。
S41、针对于选择的当前机器，根据选择参数以及工件选择所考虑因素计算该机器所加工的当前工件的加权值，并且与选择该机器进行加工的其他工件的加权值进行比较，判定该机器加工的当前工件的加权值是否为最大的加权值；
若是，则确定上述选择的当前机器用来加工的是当前工件，然后进入步骤S42；
若否，则直接进入步骤S42，即继续选择机器和工件。
在本实施例中，当工件选择所考虑因素的权重系数包括工件的剩余净加工时间pt和剩余加工次数pc，则根据选择参数以及工件选择所考虑因素计算工件的加权值pv为：
pv＝pw*cpt*pt+(1-pw)*cpc*pc；
其中pw为工件选择所考虑因素的权重系数。
在本实施例中，在工件选择时还考虑订单的优先顺序，则根据选择参数以及工件选择所考虑因素计算工件的加权值pv为：
pv＝priority+pw*cpt*pt+(1-pw)*cpc*pc。
本实施例中，在某加工时刻，选择了某机器后，符合该机器加工条件的工件可能不止一个，因此需要用公式计算工件的加权值，通过选择加权值最大的工件来选择最需要投入加工的工件。
在每次循环过程中，若每次执行到步骤S41时，在步骤S40确定选择当前机器，并且在步骤S41确定选择了当前工件，那么前一次循环时步骤S40和步骤S41确定的机器和工件将被放弃。
S42、选择下一个工件，然后跳转步骤S37；
S43、选择下一个订单，然后跳转步骤S35；
S44、判定是否选择到了机器和工件；
若是，则保存机器、订单和工件、更新状态信息，然后进入步骤S45；
若否，则直接进入步骤S45；
S45、判定是否至少选择到一台机器；
若否，则进入下一加工时刻时，更新状态信息，然后跳转到步骤S33；
若是，则跳转到步骤S33。
本实施例上述生产调度优化方案，在某一个加工时刻，首先选择出所有订单中可以进行加工的工件，针对于上述每个可以加工的工件，确定对各个工件进行加工的机器，从这些确定的机器中选择出机器加权值最大的机器，针对于选择出的该机器，确定选择该机器的各工件，并且针对上述各工件计算加权值，从中选择出加权值最大的工件；因此某一加工时刻，通过上述步骤每次遍历完所有订单的所有工件后，会选择出一台机器以及该台机器对应所要加工的工件；一直重复上述步骤，直到无法选到一台机器。如果某一个时刻，遍历完所有订单的所有工件后，没有选择到一台机器，那么就跳转下一加工时刻，在这一时刻，某一个或多个工件的当前工序加工完成，该工件和对应的机器变成空闲状态，再重新执行本实施例上述步骤，即重新遍历所有订单的所有工件，基于本实施例上步骤进行再次优化，直到所有订单都加工完成。
本实施例中，在生产过程中，若有临时新的订单加入，则针对于新加入的订单，单独执行步骤S1至S5，确定出最终的选择参数，作为优化后参数；
再将新加入的订单添加到原订单列表中，然后将优化后的参数作为选择参数，执行生产调度优化方案。
综上，本实施例基于自适应调整参数的多订单混合调度优化方法，首先设置参数并且进行初始化；在设置参数循环未结束的情况下，将当前设置的参数作为选择参数，依据选择参数以及机器选择所考虑因素执行生产调度优化方案，并且获取到生产调度优化方案下对应的订单加工时间，在订单加工时间是小于等于订单最小加工时间的情况下，将选择当前设置参数下的生产调度优化方案，作为订单的调度优化方案，调度结束，否则确定订单加工时间是否为当前最短加工时间，若是则记录当前参数，若否，则不记录，接着重新设置参数为下一组值；在设置参数循环结束的情况下，若还是没有得到生产调度优化方案下对应的订单加工时间是小于等于订单最小加工时间的，那么最终将当前最短订单加工时间下所记录的参数，作为选择参数，依据该选择参数再执行一次生产调度优化方案，作为订单的调度优化方案；本实施例采用自适应调整参数的算法，可以快速地完成动态混合订单的实时调度，从而实现动态排产。另外本实施例采用自适应调整参数的算法后，基本都能以最小加工时间完成排产，即达到全局最优，基于本发明方法得到的订单调度优化方案能够使得定稿的加工时间达到最短。
本领域技术人员可以理解，实现本实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。应当注意，尽管在附图中以特定顺序描述了本实施例1的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序，有些步骤也可以同时执行。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2
本实施例公开了基于自适应调整参数的多订单混合调度优化装置，包括如下功能模块：
参数设置和初始化模块，用于设置参数并且进行初始化，同时根据当前所要加工的订单确定订单最小加工时间；参数包括机器选择所考虑因素的权重系数和工件选择所考虑因素的权重系数；
第一判定模块，用于根据参数值设置模块设置的当前参数值判定设置参数循环是否结束；
生产调度优化方案执行模块，用于在设置参数循环未结束的情况下，将当前设置的参数作为选择参数，依据选择参数以及机器选择所考虑因素执行生产调度优化方案，并且获取到生产调度优化方案下对应的订单加工时间；生产调度优化方案执行模块执行生产调度优化方案的过程具体如实施例1中步骤S31到步骤S45所述。
第二判定模块，用于判定生产调度优化方案下对应的订单加工时间是否小于等于订单最小加工时间；
第三判定模块，用于第二判定模块判定出生产调度优化方案下对应的订单加工时间大于订单最小加工时间时，判定订单加工时间是否为当前最短加工时间；
参数记录模块，用于在第三判定模块判定订单加工时间为当前最短加工时间时，记录当前设置的参数；
参数值设置模块，用于在第三判定模块判定订单加工时间不为当前最短加工时间下，或者用于在参数记录模块记录参数后，将参数设置为下一组值；
订单调度方案确定模块，用于在第二判断模块判定出生产调度优化方案下对应的订单加工时间小于等于订单最小加工时间时，选择当前设置参数下的生产调度优化方案，作为订单的调度优化方案；用于在第一判定模块判定设置参数循环结束的情况下，获取当前最短订单加工时间下所记录的参数，作为选择参数，依据该选择参数再执行一次生产调度优化方案，作为订单的调度优化方案。
本实施例上述各个模块的具体实现可以参见上述实施例1，在此不再一一赘述。需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3
本实施例公开了一种存储介质，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现实施例1所述的基于自适应调整参数的多订单混合调度优化方法，如下：
S1、设置参数并且进行初始化，同时根据当前所要加工的订单确定订单最小加工时间；参数包括机器选择所考虑因素的权重系数和工件选择所考虑因素的权重系数；
S2、判定设置参数循环是否结束；
若否，则进入步骤S3；
若是，则获取当前最短订单加工时间下所记录的参数，作为选择参数，依据该选择参数再执行一次生产调度优化方案，作为订单的调度优化方案；
S3、将当前设置的参数作为选择参数，依据选择参数、机器选择所考虑因素和工件选择所考虑因素执行生产调度优化方案，并且获取到生产调度优化方案下对应的订单加工时间，判定订单加工时间是否小于等于订单最小加工时间；
若是，则选择当前设置参数下的生产调度优化方案，作为订单的调度优化方案；
若否，则执行步骤S4；
S4、判定步骤S3中所获取到订单加工时间是否为当前最短加工时间；
若是，则记录当前设置的参数，然后执行步骤S5；
若否，则直接执行步骤S5；
S5、将参数设置为下一组值，然后返回步骤S2。
在本实施例中，存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
实施例4
本实施例公开了一种计算设备，存储有程序，所述程序被处理器执行时，实现实施例1所述的基于自适应调整参数的多订单混合调度优化方法，如下：
S1、设置参数并且进行初始化，同时根据当前所要加工的订单确定订单最小加工时间；参数包括机器选择所考虑因素的权重系数和工件选择所考虑因素的权重系数；
S2、判定设置参数循环是否结束；
若否，则进入步骤S3；
若是，则获取当前最短订单加工时间下所记录的参数，作为选择参数，依据该选择参数再执行一次生产调度优化方案，作为订单的调度优化方案；
S3、将当前设置的参数作为选择参数，依据选择参数、机器选择所考虑因素和工件选择所考虑因素执行生产调度优化方案，并且获取到生产调度优化方案下对应的订单加工时间，判定订单加工时间是否小于等于订单最小加工时间；
若是，则选择当前设置参数下的生产调度优化方案，作为订单的调度优化方案；
若否，则执行步骤S4；
S4、判定步骤S3中所获取到订单加工时间是否为当前最短加工时间；
若是，则记录当前设置的参数，然后执行步骤S5；
若否，则直接执行步骤S5；
S5、将参数设置为下一组值，然后返回步骤S2。
本实施例中，计算设备可以是台式电脑、笔记本电脑、智能手机、PDA手持终端、平板电脑等终端设备。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种基于自适应调整参数的多订单混合调度优化方法，其特征在于，步骤包括：
S1、设置参数并进行初始化，同时根据当前所要加工的订单确定订单最小加工时间；参数包括机器选择所考虑因素的权重系数和工件选择所考虑因素的权重系数；
S2、判定设置参数循环是否结束；
若否，则进入步骤S3；
若是，则获取当前最短订单加工时间下所记录的参数，作为选择参数，依据该选择参数再执行一次生产调度优化方案，作为订单的调度优化方案；
S3、将当前设置的参数作为选择参数，依据选择参数、机器选择所考虑因素和工件选择所考虑因素执行生产调度优化方案，并且获取到生产调度优化方案下对应的订单加工时间，判定订单加工时间是否小于等于订单最小加工时间；
若是，则选择当前设置参数下的生产调度优化方案，作为订单的调度优化方案；
若否，则执行步骤S4；
所述机器选择所考虑因素包括机器的剩余净加工时间mt和剩余加工次数mc，机器选择所考虑因素的权重系数即为机器的剩余净加工时间mt和剩余加工次数mc的权重系数；
工件选择所考虑因素的权重系数包括工件的剩余净加工时间pt和剩余加工次数pc，工件选择所考虑因素的权重系数即为工件的剩余净加工时间pt和剩余加工次数pc的权重系数；
所述依据选择参数、机器选择所考虑因素和工件选择所考虑因素执行生产调度优化方案的具体过程如下：
S31、初始化加工数据，加工数据包括订单对应的机器净加工时间和加工次数、工件的净加工时间和加工次数；
S32、针对机器选择所考虑因素和工件选择所考虑因素分别进行正则化处理，得到正则化化处理后的值；
S33、确定所有订单是否加工完成；
若是，则获取到生产调度优化方案下对应的订单加工时间，算法结束；
若否，则设置选择的机器、订单、工件为null，设置选择的机器数为0，然后进入步骤S34；
S34、选择第一个订单；
S35、判定选择订单循环是否结束；
若是，则跳转到步骤S44；
若否，则进入步骤S36；
S36、判定当前订单是否为已经加工完成或还没有到加工时间的订单；
若是，则进入步骤S43；
若否，则选择当前订单的第一工件，然后进入步骤S37
S37、判定选择工件循环是否结束；
若是，则进入步骤S43；
若否，则进入步骤S38；
S38、判定当前工件是否正在加工或者加工完成；
若是，则进入步骤S42；
若否，则获取当前工件所要使用机器，进入步骤S39；
S39、判定当前工件所要使用机器是否为忙；
若是，则进入步骤S42；
若否，则根据选择参数以及机器选择所考虑因素计算当前工件所要使用机器的加权值，然后进入步骤S40；
S40、判定当前工件所要使用机器的加权值是否为当前最大的机器加权值；
若是，则确定为选择当前机器，然后进入步骤S41；
若否，则进入步骤S42；
S41、针对于选择的当前机器，根据选择参数以及工件选择所考虑因素计算该机器所加工的当前工件的加权值，并且与选择该机器进行加工的其他工件的加权值进行比较，判定该机器加工的当前工件的加权值是否为最大的加权值；
若是，则确定上述选择的当前机器用来加工当前工件，然后进入步骤S42；
若否，则直接进入步骤S42；
在每次循环过程中，若每次执行到步骤S41时，在步骤S40确定选择当前机器，并且在步骤S41确定选择了当前工件，那么前一次循环时步骤S40和步骤S41确定选择的机器和工件将被放弃；
S42、选择下一个工件，然后跳转步骤S37；
S43、选择下一个订单，然后跳转步骤S35；
S44、判定是否选择到了机器和工件；
若是，则保存机器、订单和工件、更新状态信息，然后进入步骤S45；
若否，则直接进入步骤S45；
S45、判定是否至少选择到一台机器；
若否，则进入下一加工时刻时，更新状态信息，然后跳转到步骤S33；
若是，则跳转到步骤S33；
当机器选择所考虑因素包括机器的剩余净加工时间mt和剩余加工次数mc，当工件选择所考虑因素的权重系数包括工件的剩余净加工时间pt和剩余加工次数pc；步骤S32中，针对机器的剩余净加工时间mt和剩余加工次数mc进行正则化处理，分别对应得到cmt*mt和cmc*mc，针对工件的剩余净加工时间pt和剩余加工次数pc进行正则化处理，分别对应得到cpt*pt和cpc*pc；其中cmt、cmc、cpt、cpt分别为正则化系数；
步骤S39中，根据选择参数以及机器选择所考虑因素计算机器的加权值mv为：
mv＝mw*cmt*mt+(1-mw)*cmc*mc；
其中mw为机器选择所考虑因素的权重系数；
步骤S41中，根据选择参数以及工件选择所考虑因素计算工件的加权值pv为：
pv＝pw*cpt*pt+(1-pw)*cpc*pc；
其中pw为工件选择所考虑因素的权重系数；
在机器选择和工件选择时若都考虑订单的优先顺序，则：
当机器选择所考虑因素包括机器的剩余净加工时间mt和剩余加工次数mc时，则根据选择参数以及机器选择所考虑因素计算机器的加权值mv为：
mv＝priority+mw*cmt*mt+(1-mw)*cmc*mc；
当工件选择所考虑因素的权重系数包括工件的剩余净加工时间pt和剩余加工次数pc时，则根据选择参数以及工件选择所考虑因素计算工件的加权值pv为：
pv＝priority+pw*cpt*pt+(1-pw)*cpc*pc；
priority为订单的优先级，优先级越高，priority越大；mw为机器选择所考虑因素的权重系数，pw为工件选择所考虑因素的权重系数；
S4、判定步骤S3中所获取到订单加工时间是否为当前最短加工时间；
若是，则记录当前设置的参数，然后执行步骤S5；
若否，则直接执行步骤S5；
S5、将参数设置为下一组值，然后返回步骤S2；
在生产过程中，若有临时新的订单加入，则针对于新加入的订单，单独执行步骤S1至S5，确定出最终的选择参数，作为优化后参数；
再将新加入的订单添加到原订单列表中，然后将优化后的参数作为选择参数，执行生产调度优化方案。
2.根据权利要求1所述的基于自适应调整参数的多订单混合调度优化方法，其特征在于，采用网格式的方式选择参数的各组值。
3.基于自适应调整参数的多订单混合调度优化装置，其特征在于，应用于权利要求1～2中任一项所述的基于自适应调整参数的多订单混合调度优化方法，包括：
参数设置和初始化模块，用于设置参数并且进行初始化，同时根据当前所要加工的订单确定订单最小加工时间；参数包括机器选择所考虑因素的权重系数和工件选择所考虑因素的权重系数；
第一判定模块，用于根据参数值设置模块设置的当前参数值判定设置参数循环是否结束；
生产调度优化方案执行模块，用于在设置参数循环未结束的情况下，将当前设置的参数作为选择参数，依据选择参数以及机器选择所考虑因素执行生产调度优化方案，并且获取到生产调度优化方案下对应的订单加工时间；
第二判定模块，用于判定生产调度优化方案下对应的订单加工时间是否小于等于订单最小加工时间；
第三判定模块，用于第二判定模块判定出生产调度优化方案下对应的订单加工时间大于订单最小加工时间时，判定订单加工时间是否为当前最短加工时间；
参数记录模块，用于在第三判定模块判定订单加工时间为当前最短加工时间时，记录当前设置的参数；
参数值设置模块，用于在第三判定模块判定订单加工时间不为当前最短加工时间下，或者用于在参数记录模块记录参数后，将参数设置为下一组值；
订单调度方案确定模块，用于在第二判断模块判定出生产调度优化方案下对应的订单加工时间小于等于订单最小加工时间时，选择当前设置参数下的生产调度优化方案，作为订单的调度优化方案；用于在第一判定模块判定设置参数循环结束的情况下，获取当前最短订单加工时间下所记录的参数，作为选择参数，依据该选择参数再执行一次生产调度优化方案，作为订单的调度优化方案。
4.一种存储介质，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1～2中任一项所述的基于自适应调整参数的多订单混合调度优化方法。
5.一种计算设备，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1～2中任一项所述的基于自适应调整参数的多订单混合调度优化方法。
CN202110428726.5A 2021-04-21 2021-04-21 基于自适应调整参数的多订单混合调度优化方法、介质 Active CN113011785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110428726.5A CN113011785B (zh) 2021-04-21 2021-04-21 基于自适应调整参数的多订单混合调度优化方法、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110428726.5A CN113011785B (zh) 2021-04-21 2021-04-21 基于自适应调整参数的多订单混合调度优化方法、介质

Publications (2)

Publication Number Publication Date
CN113011785A CN113011785A (zh) 2021-06-22
CN113011785B true CN113011785B (zh) 2023-06-13

Family

ID=76388951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110428726.5A Active CN113011785B (zh) 2021-04-21 2021-04-21 基于自适应调整参数的多订单混合调度优化方法、介质

Country Status (1)

Country Link
CN (1) CN113011785B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005288245A (ja) * 2004-03-31 2005-10-20 Mitsui Eng & Shipbuild Co Ltd 生産計画作成装置、方法及びプログラム
CN105338497A (zh) * 2015-09-03 2016-02-17 广东机电职业技术学院 一种基于协议跨层优化的车辆定位方法
WO2016101181A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于指标预报和解相似度分析的光刻工序动态调度方法
CN106970604A (zh) * 2017-05-15 2017-07-21 安徽大学 一种基于蚁群算法的多目标工件调度算法
JP2017188038A (ja) * 2016-04-08 2017-10-12 ファナック株式会社 製造セルの稼働率を向上させる製造管理システム
CN108196518A (zh) * 2018-02-13 2018-06-22 东北大学 双代理动态混流作业极小化加权制造期问题下界求解方法
CN110135752A (zh) * 2019-05-22 2019-08-16 华东理工大学 一种具有切换时间的成套订单的调度方法
CN110909858A (zh) * 2019-11-27 2020-03-24 安徽大学 一种基于双信息素蚁群算法的批调度方法
CN111144710A (zh) * 2019-12-06 2020-05-12 重庆大学 一种可持续性混合流水车间的构建和动态调度方法
CN111160711A (zh) * 2019-12-06 2020-05-15 安徽大学 一种基于蚁群算法的平行机批调度方法
CN111210062A (zh) * 2019-12-31 2020-05-29 深圳金赋科技有限公司 基于遗传算法的工件智能调度排产方法、设备及介质
CN111260144A (zh) * 2020-01-20 2020-06-09 合肥工业大学 一种差异工件随机到达情况下单机批调度问题的求解方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11087263B2 (en) * 2014-10-09 2021-08-10 Splunk Inc. System monitoring with key performance indicators from shared base search of machine data
US11636429B2 (en) * 2017-05-25 2023-04-25 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance systems and methods with automatic parts resupply
JP7265929B2 (ja) * 2019-05-20 2023-04-27 株式会社日立製作所 保守工程フロー生成装置及び保守工程フローの生成方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005288245A (ja) * 2004-03-31 2005-10-20 Mitsui Eng & Shipbuild Co Ltd 生産計画作成装置、方法及びプログラム
WO2016101181A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于指标预报和解相似度分析的光刻工序动态调度方法
CN105338497A (zh) * 2015-09-03 2016-02-17 广东机电职业技术学院 一种基于协议跨层优化的车辆定位方法
JP2017188038A (ja) * 2016-04-08 2017-10-12 ファナック株式会社 製造セルの稼働率を向上させる製造管理システム
CN106970604A (zh) * 2017-05-15 2017-07-21 安徽大学 一种基于蚁群算法的多目标工件调度算法
CN108196518A (zh) * 2018-02-13 2018-06-22 东北大学 双代理动态混流作业极小化加权制造期问题下界求解方法
CN110135752A (zh) * 2019-05-22 2019-08-16 华东理工大学 一种具有切换时间的成套订单的调度方法
CN110909858A (zh) * 2019-11-27 2020-03-24 安徽大学 一种基于双信息素蚁群算法的批调度方法
CN111144710A (zh) * 2019-12-06 2020-05-12 重庆大学 一种可持续性混合流水车间的构建和动态调度方法
CN111160711A (zh) * 2019-12-06 2020-05-15 安徽大学 一种基于蚁群算法的平行机批调度方法
CN111210062A (zh) * 2019-12-31 2020-05-29 深圳金赋科技有限公司 基于遗传算法的工件智能调度排产方法、设备及介质
CN111260144A (zh) * 2020-01-20 2020-06-09 合肥工业大学 一种差异工件随机到达情况下单机批调度问题的求解方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Discrete harmony search algorithm for flexible job shop scheduling problem with multiple objectives;K. Z. Gao等;Journal of Intelligent Manufacturing;第27卷;363-374 *
一种基于加工匹配度的车间作业调度方法研究;严泽强 等;世界科技研究与发展(第03期);270-274 *
基于动态评价免疫算法的车间作业调度研究;余建军 等;机械工程学报(第03期);25-31 *
基于总加权完成时间的可重入混合流水车间调度问题;轩华 等;控制与决策;第33卷(第12期);2218-2226 *
基于遗传算法的订单式车间调度问题;李运霞 等;机械工程师(第10期);58-60 *
考虑优先级的IPPS紧急订单处理问题研究;苗志鸿 等;西安理工大学学报;第35卷(第04期);434-442 *
考虑学习效应的多目标流水车间调度问题;李永林 等;系统管理学报;第26卷(第06期);1071-1080 *

Also Published As

Publication number Publication date
CN113011785A (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
US20190080244A1 (en) Scheduling method and system based on improved variable neighborhood search and differential evolution algorithm
US5845258A (en) Strategy driven planning system and method of operation
CN109960576A (zh) 一种面向cpu-gpu异构的低能耗任务调度策略
CN107908464A (zh) 一种考虑可靠性的云计算工作流节能调度方法
CN116933939A (zh) 基于改进浣熊优化算法的柔性车间协同生产方法及系统
CN109445947B (zh) 资源的分配处理方法、装置、设备及存储介质
Li et al. A hybrid differential evolution algorithm for flexible job shop scheduling with outsourcing operations and job priority constraints
CN108509603B (zh) 一种数据仓库的自适应动态调度方法及系统
CN113762811B (zh) 一种考虑加班的无拖期Job Shop调度问题求解方法及系统
CN116107754A (zh) 一种面向深度神经网络的内存管理方法及系统
CN116700176A (zh) 一种基于强化学习的分布式阻塞流水车间调度优化系统
CN115249121A (zh) 一种基于深度强化学习的离散制造车间鲁棒调度优化方法
CN113011785B (zh) 基于自适应调整参数的多订单混合调度优化方法、介质
CN114429195A (zh) 混合专家模型训练的性能优化方法和装置
WO2021253706A1 (zh) 基于间歇特性的需求侧资源协调控制方法及系统
CN111062561B (zh) 面向多目标卫星任务规划的ahp理想目标点求解方法及系统
US6233572B1 (en) Computer implemented system and method for high level controlled searching through a problem space
Zhang et al. A Hybrid Differential Evolution and Tree Search Algorithm for the Job Shop Scheduling Problem.
CN110928648A (zh) 融合启发式和智能计算的云工作流分段在线调度优化方法
CN107589985B (zh) 一种面向大数据平台的两阶段作业调度方法及系统
CN114844058A (zh) 一种海上风电储能参与调峰辅助服务的调度方法
CN115034634A (zh) 一种基于贪婪算法的相控阵雷达资源调度管理方法
CN115562034A (zh) 并联冷机系统的负荷分配控制方法、系统、设备及介质
WO2022057459A1 (zh) 一种基于Tensorcore处理int4数据类型的方法、系统、设备及介质
CN114204553A (zh) 一种发电配比方法、装置及设备

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