CN113052418A - 一种基于多维数据结构的生产计划方法及系统 - Google Patents

一种基于多维数据结构的生产计划方法及系统 Download PDF

Info

Publication number
CN113052418A
CN113052418A CN201911377790.4A CN201911377790A CN113052418A CN 113052418 A CN113052418 A CN 113052418A CN 201911377790 A CN201911377790 A CN 201911377790A CN 113052418 A CN113052418 A CN 113052418A
Authority
CN
China
Prior art keywords
multidimensional
model
data structure
screening
dimensional
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
CN201911377790.4A
Other languages
English (en)
Inventor
张青青
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.)
Shanghai Gideon Information Technology Co ltd
Original Assignee
Shanghai Gideon Information 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 Shanghai Gideon Information Technology Co ltd filed Critical Shanghai Gideon Information Technology Co ltd
Priority to CN201911377790.4A priority Critical patent/CN113052418A/zh
Publication of CN113052418A publication Critical patent/CN113052418A/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • 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)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及生产计划与控制方法技术领域，公开了一种基于多维数据结构的生产计划方法及系统，具体为：建立多维数据结构构造框架模型，所述多维数据结构构造框架模型，包括多维决策变量和约束条件，通过建立可视化表单用于用户交互；构建多维路径算法引擎，应用所述多维路径算法引擎构建多维路径算法，生成备选解；构建多层次目标函数，对所述备选解进行多次筛选，形成最优解。解决了现有的生产计划与控制方法采用数学规划模型过度抽象，造成有用信息的大量丢失，很难建立模型，求解更困难，模型的解很难理解；当前多维数据结构还没有被应用于“带约束的生产计划”，多维数据结构之上缺乏原始的算法引擎可以满足生产计划的要求的技术问题。

Description

一种基于多维数据结构的生产计划方法及系统
技术领域
本发明涉及生产计划与控制方法领域，更具体地说，它涉及一种基于多维数据结构的生产计划方法及系统。
背景技术
目前生产计划与控制方法的技术发展长期滞后于企业界的实际需求，这主要源自于该领域在技术上和现实场景上的双重复杂性。目前在企业界普遍应用的企业资源计划(ERP，Enterprise Resource Planning，一种主要面向制造行业进行物质资源、资金资源和信息资源集成一体化管理的企业信息管理系统)系统，在生产计划时，仍然只能采用无限产能排产的方式，这也导致了主生产计划(MPS，MasterProduction Schedule，MPS是闭环计划系统的一个部分。MPS的实质是保证销售规划和生产规划对规定的需求与所使用的资源取得一致。MPS考虑了经营规划和销售规划，使生产规划同它们相协调。它着眼于销售什么和能够制造什么，这就能为车间制定一个合适的“主生产进度计划”，并且以粗能力数据调整这个计划，直到负荷平衡)和物料需求计划(MRP，Material Requirement Planning，根据产品结构各层次物品的从属和数量关系，以每个物品为计划对象，以完工时期为时间基准倒排计划，按提前期长短区别各个物品下达计划时间的先后顺序，是一种工业制造企业内物资计划管理模式)在时间上往往很不准确，甚至实际上无法使用。这也成为了企业资源计划(ERP)的实用效果普遍低于企业预期的主要的原因之一。
带约束条件的生产计划后来被归入了高级计划与排程(APS，Advanced Planningand Scheduling，提供给制造商解决全球的优先权和工厂本地的优化顺序问题，来满足制造业对客户响应越来越强烈的需求)领域。APS开始采用算法引擎来解决这一问题。生产计划问题理论上可以用数学规划模型来表示。数学规划模型时一种抽象的优化模型，其中，线性规划方法是数据规划中最常用和最具实用价值的方法之一。而生产计划的约束条件基本上也都是线性的。但是，高级计划与排程(APS)在企业界至今确并没有获得真正意义上的成功，甚至鲜少有真正成功的实施案例。主要的问题如下：
1)数学规划方法将实际问题抽象成纯粹的数学表达，隔断了与原问题之间的语义关系。比如，线性规划模型被抽象为：
Figure BDA0002341459130000021
其中x是决策变量的一维向量，A是约束条件的系数矩阵，b是约束条件的常数项一维向量，c是目标函数系数的一维向量
其中，决策变量是一维的，是以(x1,x2,x3,...,xn)表达的一维向量。而在现实世界中，决策变量是多维的，比如一个变量可以表述为：产品P01工艺路线的b道工序在2020.1.5日应当投入生产X件，或者产品P02成品库存在2020.2.8日需要销售发货Y件。这里面存在产品、工艺路线、天等多个维度，还存在进量和出量等多种关键值，它们各自都有特定的业务语义。而数学规划模型的过度抽象实质上造成了有用信息的大量丢失。
2)由于1)中的问题，运用数学规划模型的首要难点是：很难建立模型。假设一个模型需要计划84天(12周)，包含1000个产品，每个产品有20行工艺路线，包含进量、出量、余量3个关键值，那么这个模型就有84*1000*20*3，超过500万个决策变量。而要建立这些维度值和关键值和这500万个以一维向量表示的决策变量的映射转换关系，本身就是一项极具挑战性的任务。而更棘手的问题还在后面：这就是建立500万*500万的约束条件系数矩阵。这些约束条件本来都有明确而简洁的业务语义，比如：当天的余量应该等于前一天的余量加上当天的进量再减去当天的出量。现在都必须被转换成500万*500万的系数矩阵中的很多值。所以，应用数据规划模型的第一步“建立模型”就非常困难。
3)模型建立后的求解更加困难。因为数学规划模型抽象掉了业务语义信息，所以只能用纯数学的方法求解，而这又带来了两方面的困难：首先，纯数学的通用算法无法利用业务知识(甚至是业务常识)，所以计算量巨大。比如，在线性规划领域，超过1000个变量的模型就属于大型模型，在实际运算中已经出现困难。对于500万个变量的模型，基本上就束手无策了。而在现实世界，模型的变量数很容易比500万再高出数个数量级(比如当需要计划到机台，或更细的时间颗粒度)。所以，即使近年来内存计算和GPU等计算机技术有了长足的发展，但是用数学规划模型求解生产计划这条路在现实中仍然面临巨大的困难。其次，数学算法追求的是完美和严谨性。但是，很多问题找不到数学上完美的解决算法，但是对于实际问题却常常有一些特殊的算法可取得比较好的实际效果。所以，数学规划方法在实际项目中往往表现为“跑不出结果”，而它也完全无法给出“Plan B”,也就是在现实生活中企业日常总归需要的某种生产计划，哪怕它们不是完美的。
4)模型的解很难理解。最后，即使模型跑出了结果，但是由于模型中已经非常弱化业务语义，模型本身和实际问题之间的关系已经很难理解，而模型的计算过程对用户也是不透明的，所以模型的解往往表现出不可理解、无法校验、无法调整，也就不敢使用的尴尬结果。
正因为上述的各种原因，无论是企业资源计划(ERP)领域，还是高级计划与排程(APS)领域,抑或是数学规划理论界，近年来对带约束条件的生产计划这个问题的实际解决都处于半停滞状态。
以上是本发明所处应用领域的背景技术，也就是本发明所要解决的问题的背景技术及其发展现状。下面再介绍一下本发明的技术实现领域的背景技术，也就是本发明所用到的相关技术的背景及其发展情况。
本发明的技术基础是多维数据结构，也称为星型数据结构(Star Schema，在星型模型当中，一张事实表被若干张维度表所包围。每一个维度代表了一张表，有主键关联事实表当中的外键)。和关系型数据结构不同，多维数据结构的主体是事实表(FactTable)，事实表由各种维度(Dimensions)和各种关键值(Key Figures)共同构成。事实表中的各种维度又和各自的维度主数据表相连，于是构成了一种“星型”结构。星型数据结构还有各种发展和演进，比如“雪花型”数据结构等等，也都属于多维数据结构。
多维数据结构最早是随着数据仓库(DataWarehouse，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它是单个数据存储，出于分析性报告和决策支持目的而创建。为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及控制)技术被提出并使用的，主要用于数据挖掘和报表需求，偏重于数据的“读”操作。由于多维数据结构比关系型数据库更适合快速的业务建模，所以逐渐成为财务计划、全面预算、合并报表等以业务建模为核心要求的企业应用的基础数据结构，相关应用也被正式归类为企业绩效管理(Enterprise Performance Management，EPM，EPM倡导的绩效管理:一方面是注重员工的品行和业绩的考核，建立公平性、引导性、合理性、流程性的绩效考核平台；另一方面，建立项目管理的考核方案，激发员工参与改善的激情与责任担当)系统，数据操作也转变成“读写并重”。
多维数据结构是对现实世界非常好的一种抽象方法。相比数学规划模型的过度抽象，多维数据结构保留了大量的业务语义和业务信息。比如上文提到的变量：产品P01工艺路线的b道工序在2020.1.5日应当投入生产X件，可以用“产品”、“工艺路线”、“天”这三个维度和“进量”这个关键值组合起来表达，即简练又富含业务语义。同时，和关系型数据结构的极高自由度相比，多维数据结构存在某些预设的规范(如星型结构)，事实上反倒更适合快速构造业务模型。
虽然有这些优点，但是至今多维数据结构都还没有被应用于“带约束条件的生产计划”等复杂的业务领域，除了专业领域的隔阂外(“生产计划和控制”和“数据仓库和EPM”被认为是两个毫无关联的技术领域)，更重要的原因在于：多维数据结构之上缺乏原生的通用而强大的算法引擎可以满足生产计划的要求。虽然EPM领域已经和“计划”有关(如财务计划，全面预算等)，但这些“计划”只需要应用较为简单的计算方法，例如汇总、分摊、计价、重分类等，或者财务专业的计算方法，例如财务合并等。而生产计划所需要的复杂算法引擎却从未在多维数据结构上被开发出来。而多维数据结构上原生的、通用且强大的算法引擎正是本发明的核心组成部分之一。
综上所述，现有生产计划与控制方法存在以下问题：
(1)采用数学规划模型过度抽象，造成有用信息的大量丢失，进一步的很难建立模型，模型建立后求解更困难，模型的解很难理解。
(2)多维数据结构还没有被应用于“带约束的生产计划”等复杂业务领域，多维数据结构之上缺乏原始的通用而强大的算法引擎可以满足生产计划的要求。
发明内容
针对上述问题，本发明的目的在于提供一种基于多维数据结构的生产计划方法，解决长期困扰企业界的“带约束条件的生产计划”这一难题。这一难题极大地制约了企业信息化，尤其是企业资源计划(ERP)，实现其预定的目标。这些目标一般包括：1)提高产能利用率；2)降低库存；3)保证交付和缩短交期。
本发明涉及企业资源计划(ERP)和高级计划与排程(APS)，以多维数据结构为基础。多维数据结构，也称为星型数据结构(Star Schema),是数据仓库(DataWarehouse)领域和企业绩效管理(EPM,Enterprise Performance Management)领域的基本数据结构。
本发明具有提高产能利用率，降低库存，保证交付和缩短交期；可以将企业本身和管理学界的业务知识更好地融合进生产计划体系中；将业务知识融合进了算法，所以算法的性能比纯数学算法大大提高；数据和算法都保留了业务语义，所以本发明的生产计划无论是过程还是结果都更容易解读，从而也更容易进行调整和修改的优点。
本发明的上述发明目的是通过以下技术方案得以实现的：
一种基于多维数据结构的生产计划方法，其特征在于，包括以下步骤：
S101：建立多维数据结构构造框架模型，所述多维数据结构构造框架模型，包括多维决策变量和约束条件，通过建立可视化表单用于用户交互；
确定所述多维数据结构构造框架模型的维度和关键值；
所述维度包含：产品、工艺路线、天、工序、库存点、需求类型、客户；
所述关键值包含：进量、出量、余量、产品产能、产品产能利用率、工序产能、工序产能利用率、库存天数、优先分值、总需求量、销售计划量。
所述多维决策变量，表述为：[维度1,维度2,...,维度n,关键值m]，表示被维度1，维度2，…，维度n，各所述维度的具体值限定的关键值m。
所述约束条件，表述为：建立多个决策变量之间的函数关系；
所述表单，为一个或一组将所述框架模型进行可视化展现的工具；
所述表单包含：主计划、长期生产计划、需求计划、产能约束下的生产计划。
S102：构建多维路径算法引擎，应用所述多维路径算法引擎构建多维路径算法，生成备选解；
所述多维路径算法，根据业务逻辑，基于所述多维数据结构构造框架模型，沿着所述约束条件，对所述决策变量进行顺序赋值；
所述多维路径算法引擎，为以一系列可灵活组合的部件构成的算法合成器，快速构造各种所述多维路径算法；
S103：构建多层次目标函数，对所述备选解进行多次筛选，形成最优解。
进一步的，所述可灵活组合的部件包含：多维度筛选条件、筛选后的多维实例、算子、条件判断、异步并发处理、串行处理、串行处理排序规则、一轮运算结束符；
所述多维度筛选条件，通过对多个所述维度的值设定各种条件组合，从而筛选出一个变量子集的功能组件，所述多维度筛选条件可嵌套；
所述筛选后的多维实例，经过所述多维度筛选条件筛选之后，符合所述多维度筛选条件的一系列相关所述维度的维度值；
所述算子，为所述多维路径算法引擎的计算单元，将一些所述多维决策变量计算出另一些所述多维决策变量，所述多维决策变量可以是全量或增量Δ形式；
所述条件判断，当同一组筛选后的实例，若算法不同，用所述条件判断来区别处理不同的情况；
所述异步并发处理，用于当筛选出的所述筛选后的多维实例之间没有关联，对计算结果相互间没有影响时，对所述筛选后的多维实例同时进行后续处理；
所述串行处理，当对所述筛选后的多维实例再次进行筛选，或利用所述算子进行计算时，必须依赖于之前的筛选或者计算结果而进行，必须先进行之前的筛选或者计算，再进行当前的筛选或计算；
所述串行处理排序规则，当筛选出的所述筛选后的多维实例之间有关联，一个所述筛选后的多维实例的计算结果对另一个所述筛选后的多维实例计算结果有影响，设定所述串行处理排序规则，顺序处理每个所述筛选后的多维实例；
所述一轮运算结束符，用于当前面的筛选条件的相关计算已经完成，并要重新进行新的筛选时，所述一轮运算结束符表示上一轮的运算已经结束。
进一步的，所述多维决策变量，包含输入变量和输入参数，所述输入变量和所述输入参数为从企业内部采集的实际数据，直接输入到所述多维数据结构构造框架模型中；
所述输入变量是动态的，在运行所述多维数据结构构造框架模型前动态输入，所述输入变量包括余量；
所述输入参数是静态的，在所述输入参数变化时输入，所述输入参数包括产品产能。
进一步的，所述多维数据结构构造框架模型包含一个整体计划模型和一个长期计划模型；
所述整体计划模型包含多个相互关联的计划模型；
所述计划模型包含一主计划框架模型，所述主计划框架模型为所述多维数据结构构造框架模型的核心；
除所述主计划框架模型外的其它所述计划模型，将所述主计划框架模型中的节点进行展开，当前所述计划模型与所述主计划框架模型重合的所述多维决策变量构成两个所述计划模型之间的双向桥梁；
所述多维数据结构构造框架模型，还可以包含一长期计划模型，进行颗粒度较粗的长期计划，并将长期计划结果输入到颗粒度较细的所述整体计划模型中，作为所述整体计划模型的降落点，所述长期计划模型和所述整体计划模型的所述多维决策变量不重合。
进一步的，所述算子包含复合算子，所述复合算子，为将若干个基本的所述算子通过所述多维路径算法引擎构造而成的所述多维路径算法。
进一步的，所述多维路径算法引擎包含备选解筛选算子，用于对所述备选解进行筛选；
所述备选解筛选算子包含可行性筛选算子和经济价格筛选算子；
所述可行性筛选算子，用于当求解所述备选解的过程中存在多解分叉，同时所述多维路径算法无法在每一步都考虑所有所述约束条件，所述备选解存在断点，通过所述可行性筛选算子对所述备选解的断点情况进行评估，对所述备选解进行筛选；
所述经济价格筛选算子，用于评估所述备选解的经济价值，对所述备选解进行筛选形成最优解。
进一步的，在所述备选解筛选算子计算过程中通过所述多层次的目标函数，对所述备选解进行多次筛选；
所述多层次的目标函数，通过将所述备选解的一些信息转化成可以比较的分值，比较所述分值，根据所述分值的大小评价所述备选解的价值；
所述多层次的目标函数包含：评估备选解中的断点情况、用于筛选出可行性较高备选解的可行性筛选目标函数，评估备选解经济价值、用于筛选出具有最优经济价值备选解的经济价值目标函数。
本发明还提供一种基于多维数据结构的生产计划系统，包括：多维数据结构构造框架模型构建模块，多维路径算法引擎构建模块，备选解筛选模块；
所述多维数据结构构造框架模型构建模块，用于构建多维数据结构构造框架模型，包括多维决策变量和约束条件，通过建立可视化表单用于用户交互；
所述多维路径算法引擎构建模块，用于应用所述多维路径算法引擎构建多维路径算法，生成备选解；
所述备选解筛选模块，通过构建多层次目标函数，对所述备选解进行多次筛选，形成最优解。
进一步的，所述多维数据结构构造框架模型构建模块，包括建立多维决策变量模块，设计约束条件模块，建立可视化表单模块；
所述多维决策变量模块，通过所述多维数据结构构造框架模型的维度和关键值，构建所述多维决策变量，表述为：[维度1,维度2,...,维度n,关键值m]，表示被维度1，维度2，…，维度n等各所述维度的具体值限定的关键值m；
所述设计约束条件模块，用于建立多个决策变量之间的函数关系；
所述建立可视化表单模块，用于建立可视化表单用于用户交互，所述表单，为一个或一组将所述框架模型进行可视化展现的工具；
进一步的，所述多维路径算法引擎构建模块，包括多维路径算法模块和多维路径算法引擎模块；
所述多维路径算法模块，根据业务逻辑，基于所述多维数据结构构造框架模型，沿着所述约束条件，对所述决策变量进行顺序赋值；
所述多维路径算法引擎模块，以一系列可灵活组合的部件构成的算法合成器，快速构造各种所述多维路径算法。
进一步的，所述多维数据结构构造框架模型构建模块，包括，整体计划模型构建模块和长期计划模型构建模块；
所述整体计划模型构建模块，用于建立包含一主计划框架模型在内的多个相互关联的计划模型形成一整体计划模型，所述主计划框架模型为所述多维数据结构构造框架模型的核心；
所述长期计划模型构建模块，用于建立长期计划模型，进行颗粒度较粗的长期计划，并将长期计划结果输入到颗粒度较细的所述整体计划模型中，作为所述整体计划模型的降落点，所述长期计划模型和所述整体计划模型的所述多维决策变量不重合。
进一步的，所述多维路径算法引擎构建模块，包括算子建立模块，建立所述多维路径算法引擎的算子，用于构成所述多维路径算法引擎的计算单元，将一些所述多维决策变量计算出另一些所述多维决策变量。
进一步的，所述算子建立模块进一步包含复合算子建立模块，用于将若干个基本的所述算子通过所述多维路径算法引擎构造成所述多维路径算法。
进一步的，所述备选解筛选模块，进一步包括备选解筛选算子建立模块，用于建立备选解筛选算子对所述备选解进行筛选。
进一步的，所述备选解筛选算子建立模块，进一步包括目标函数构建模块，用于构建多层次的目标函数，通过将所述备选解的一些信息转化成可以比较的分值，比较所述分值，根据所述分值的大小评价所述备选解的价值。
与现有技术相比，本发明的有益效果是：
1)本发明以多维数据结构为基础，建立多维数据结构构造框架模型，并且构建多维路径算法引擎，解决了现有技术中采用数学规划模型过度抽象，造成有用信息的大量丢失，进一步的很难建立模型，模型建立后求解更困难，模型的解很难理解的技术问题。
2)通过将多维数据结构应用于“带约束的生产计划”，同时建立多维路径算法引擎，解决了现有技术中多维数据结构还没有被应用于“带约束的生产计划”等复杂业务领域，多维数据结构之上缺乏原始的通用而强大的算法引擎可以满足生产计划的要求的技术问题。
进一步的，企业使用本发明的解决方案，可实现以下效果：
3)企业应用本发明可实现三个方面的业务改善：提高产能利用率；降低库存；保证交付和缩短交期。这三方面的内在机理本身是存在一定的冲突的。本发明的带约束条件的生产计划可以帮助企业平衡各个目标和约束条件，争取最优的综合效益。
4)本发明可以将企业本身和管理学界的业务知识更好地融合进生产计划体系中，例如，可以将瓶颈理论(Theory ofConstraints，TOC)完全融入到长期生产计划(LTP)和产能约束下的生产计划(CP)中；也可以更好地统一不同的计划层次(中长期计划和短期计划)的关系(通过降落点算法)等。本发明可以将当前各种相互割裂的生产计划理论和方法融合成一个整体，让各种方法各展所长。
5)由于将业务知识融合进了算法，所以算法的性能比纯数学算法大大提高。同时，由于多维路径算法引擎(MRA_E)在算法构造层面区分并行(异步)计算和串行计算，并尽可能采用并行计算，所以能更好地利用多线程计算、分布式系统、GPU等技术，大大提高了性能，也就可以支持更大规模的模型，比各种现有方法和理论更具备在现实世界中的可行性。
6)由于数据和算法都保留了业务语义，所以本发明的生产计划无论是过程还是结果都更容易解读，从而也更容易进行调整和修改。而且当理论上的最优解无法实现时(比如由于算力的不足)，企业也可以灵活调整，获得可以使用的局部最优解，或者可行解。
附图说明
图1是本发明的一种基于多维数据结构的生产计划方法的总体流程图；
图2是本发明的基于多维数据结构的框架模型(FWM)示意图；
图3是本发明的多维路径算法引擎(MRA_E)的示意图；
图4是本发明第一实施例的基于多维数据结构的框架模型(FWM)总体结构图；
图5是本发明第一实施例的框架模型中的长期生产计划(LTP)示意图；
图6是本发明第一实施例的框架模型中的需求计划(DP)示意图；
图7是本发明第一实施例的框架模型中的产能约束下的生产计划(CP)示意图；
图8是本发明第一实施例的生产计划总体求解流程；
图9是本发明第一实施例的长期生产计划算子“R901”的结构图；
图10是本发明第一实施例的长期生产计划产品产能断点消缺算子“R902”的结构图；
图11是本发明第一实施例的长期生产计划工序产能断点消缺算子“R903”的结构图；
图12是本发明第一实施例的产能约束下的生产计划初始值算子“R904”的结构图；
图13是本发明第一实施例的需求计划算子“R905”的结构图；
图14是本发明第一实施例的主计划算子“R906”的结构图；
图15是本发明第一实施例的备选解可行性筛选目标函数“S801”的示意图；
图16是本发明第一实施例的负库存断点消缺算子“R907”的结构图；
图17是本发明第一实施例的无法交货断点消缺算子“R908”的结构图；
图18是本发明第一实施例的备选解经济价值筛选目标函数“S802”的示意图；
图19是本发明一种基于多维数据结构的生产计划系统的总体结构图。
具体实施方式
下面结合附图和实施例，对本发明进行详细描述。
如图1所示，展示了本发明的一种基于多维数据结构的生产计划方法的总体流程，包括以下步骤：
S101：建立多维数据结构构造框架模型，所述多维数据结构构造框架模型，包括多维决策变量和约束条件，通过建立可视化表单用于用户交互；
确定所述多维数据结构构造框架模型的维度和关键值；
所述多维决策变量，表述为：[维度1,维度2,...,维度n,关键值m]，表示被维度1，维度2，…，维度n等各所述维度的具体值限定的关键值m；
所述多维决策变量，包含输入变量和输入参数，所述输入变量和所述输入参数为从企业内部采集的实际数据，直接输入到所述多维数据结构构造框架模型中；
所述输入变量是动态的，在运行所述多维数据结构构造框架模型前动态输入，所述输入变量包括余量；
所述输入参数是静态的，在所述输入参数变化时输入，所述输入参数包括所述产品产能。
所述约束条件，表述为：建立多个决策变量之间的函数关系；
所述表单，为一个或一组将所述框架模型进行可视化展现的工具；
S102：构建多维路径算法引擎，应用所述多维路径算法引擎构建多维路径算法，生成备选解；
所述多维路径算法，根据业务逻辑，基于所述多维数据结构构造框架模型，沿着所述约束条件，对所述决策变量进行顺序赋值；
所述多维路径算法引擎，为以一系列可灵活组合的部件构成的算法合成器，快速构造各种所述多维路径算法；
所述可灵活组合的部件包含：多维度筛选条件、筛选后的多维实例、算子、条件判断、异步并发处理、串行处理、串行处理排序规则、一轮运算结束符；
所述多维度筛选条件，通过对多个所述维度的值设定各种条件组合，从而筛选出一个变量子集的功能组件，所述多维度筛选条件可嵌套；
所述筛选后的多维实例，经过所述多维度筛选条件筛选之后，符合所述多维度筛选条件的一系列相关所述维度的维度值；
所述算子，为所述多维路径算法引擎的计算单元，将一些所述多维决策变量计算出另一些所述多维决策变量，所述多维决策变量可以是全量或增量Δ形式；
所述算子包含复合算子，所述复合算子，为将若干个基本的所述算子通过所述多维路径算法引擎构造而成的所述多维路径算法。
所述条件判断，当同一组筛选后的实例，若算法不同，用所述条件判断来区别处理不同的情况；
所述异步并发处理，用于当筛选出的所述筛选后的多维实例之间没有关联，对计算结果相互间没有影响时，对所述筛选后的多维实例同时进行后续处理；
所述串行处理，当对所述筛选后的多维实例再次进行筛选，或利用所述算子进行计算时，必须依赖于之前的筛选或者计算结果而进行，必须先进行之前的筛选或者计算，再进行当前的筛选或计算；
所述串行处理排序规则，当筛选出的所述筛选后的多维实例之间有关联，一个所述筛选后的多维实例的计算结果对另一个所述筛选后的多维实例计算结果有影响，设定所述串行处理排序规则，顺序处理每个所述筛选后的多维实例；
所述一轮运算结束符，用于当前面的筛选条件的相关计算已经完成，并要重新进行新的筛选时，所述一轮运算结束符表示上一轮的运算已经结束。
S103：构建多层次目标函数，对所述备选解进行多次筛选，形成最优解。
所述多维路径算法引擎包含备选解筛选算子，用于对所述备选解进行筛选；
所述备选解筛选算子包含可行性筛选算子和经济价格筛选算子；
所述可行性筛选算子，用于当求解所述备选解的过程中存在多解分叉，同时所述多维路径算法无法在每一步都考虑所有所述约束条件，所述备选解存在断点，通过所述可行性筛选算子对所述备选解的断点情况进行评估，对所述备选解进行筛选；
所述经济价格筛选算子，用于评估所述备选解的经济价值，对所述备选解进行筛选形成最优解。
在所述备选解筛选算子计算过程中通过所述多层次的目标函数，对所述备选解进行多次筛选；
所述多层次的目标函数，通过将所述备选解的一些信息转化成可以比较的分值，比较所述分值，根据所述分值的大小评价所述备选解的价值；
所述多层次的目标函数包含：评估备选解中的断点情况、用于筛选出可行性较高备选解的可行性筛选目标函数，评估备选解经济价值、用于筛选出具有最优经济价值备选解的经济价值目标函数。
在步骤S101中，所述多维数据结构构造框架模型包含一个整体计划模型和一个长期计划模型；
所述整体计划模型包含多个相互关联的计划模型；
所述计划模型包含一主计划框架模型，所述主计划框架模型为所述多维数据结构构造框架模型的核心；
除所述主计划框架模型外的其它所述计划模型，将所述主计划框架模型中的节点进行展开，当前所述计划模型与所述主计划框架模型重合的所述多维决策变量构成两个所述计划模型之间的双向桥梁；
所述多维数据结构构造框架模型，还可以包含一长期计划模型，进行颗粒度较粗的长期计划，并将长期计划结果输入到颗粒度较细的所述整体计划模型中，作为所述整体计划模型的降落点，所述长期计划模型和所述整体计划模型的所述多维决策变量不重合。
如图2和图3所示，详细阐述了本发明总体流程中的主要构成组件。
如图2所示，具体展示了本发明的基于多维数据结构的框架模型(FWM)：
201.是以主计划(MP，Main Plan)表单为例展现的一个基于多维数据结构的框架模型(FWM,FrameworkModel)
202.是该框架模型(FWM)所包含的三个主要维度：产品、工艺路线、天。其中，维度“天”的值(D0,D1,D2,...)构成了该表单的列(第一层)。
203.是产品和工艺路线两个维度的值，它们的组合共同构成了该表单的行。
204.是该框架模型(FWM)的多维数据结构中所包含的三个主要关键值：进量(I)、出量(O)、余量(B)。这三个关键值和维度“天”的值共同构成了该表单的列(作为第二层)。
205.主计划(MP)的主体部分，也就是图中表单的空白单元格，就是框架模型(FWM)中基于多维数据结构的决策变量，简称为多维决策变量。例如，多维决策变量[P01,(>a>A>c>C),D2,I],就是指：产品P01的工艺路线(>a>A>c>C)，在未来第2天的进量，这是一个尚需被计划确定的决策变量。假设模型需要计划84天，包含1000个产品，每个产品有20行工艺路线，且关键值有3个，那么这个模型就有84*1000*20*3，约500万个决策变量。这在线性规划领域已经属于非常大规模的模型了。
其中，关于工艺路线维度，在这个例子中是用一串用“>”连接的字符串表示的，其中小写字母组成的字符串表示工序，大写字母组成的字符串表示库存点，它们串接起来就代表产品的生产过程所经过的一系列工序和库存状态。这只是工艺路线维度值的一种特殊表达方式，并不唯一，也不影响本发明的本质。
另外，为简化表述，在无歧义的前提下，也可将维度值直接相连表示决策变量，比如P01(>a>A>c>C)D2I；同时，根据上下文，也可省略某些维度，比如D2I。
206.在框架模型中，还有些决策变量是直接输入模型的，并不需要通过计算或决策得到。比如第0天(已经过去的当天)的余量(B)数据，它们是从企业内部采集的实际数据，并被直接输入模型中。这些变量称为输入变量或者输入参数，其中，输入变量往往是动态的，如D0天余量(B)，需要每天晚上在模型运行前输入模型；而输入参数往往是静态的，如各类产品产能参数，只需要在发生变动时才更新模型。在本发明中，输入变量和输入参数也是基于多维数据结构的，这点和决策变量一致。
207.约束条件是框架模型(FWM)的另一重要组成部分。在多维数据结构下，约束条件的表达变得非常简练，而且完全保留了它们的业务含义。
作为比较，传统的线性规划模型，约束条件是用冗余且庞大的系数矩阵(A)表达的，一个具有500万个决策变量的模型，系数矩阵就是一个5,000,000*5,000,000的矩阵。这种方法的问题不仅是对如此庞大的矩阵进行运算所需要的算力，以及由此带来的可行性问题，而且还需要将有业务含义的约束条件进行预处理转化为纯数学的系数矩阵，而这项任务在现实中本身就具有相当大的挑战性。
主计划(MP)模型中的两类约束条件的详细说明，记录在以下表格中：
Figure BDA0002341459130000191
如图3所示，具体展示了本发明的多维路径算法引擎(MRA_E,Multi-dimensionalRoute Algorithm Engine)：
301.是一个多维路径算法(MRA,Multi-dimensional Route Algorithm)在主计划(MP)表单中的直观体现。其中，圆圈代表算子，算子所在的单元格代表该算子计算的决策变量，箭头代表从其他变量根据某个算子推导出某个决策变量的步骤，而所有这些步骤组合在一起就构成了一个多维路径算法(MRA)。
302.是用于快速构造出各种多维路径算法(MRA)的，以一系列可灵活组合的部件构成的算法合成器，称为多维路径算法引擎(MRA_E)。为了便于说明，图中的多维路径算法引擎(MRA_E)正在构造301中所示的那个多维路径算法(MRA)。
303–311分别说明了多维路径算法引擎(MRA_E)中的各个组件：
303.指向的正方形组件是多维度筛选条件。它们是在多维数据结构中，通过对多个维度的值设定各种条件组合，从而筛选出一个变量子集的功能组件。如图3中所示，多维度筛选条件是可以嵌套的。
304.指向的长方形组件是筛选后的实例。它们是指经过多维度筛选之后，符合筛选条件的一系列相关维度值。
305.指向的菱形组件是条件判断。如果同一组筛选后的实例，它们的算法仍然有所不同，那么可以用条件判断来区别对待不同的情况。
306.指向的圆形组件是算子。它们是算法引擎中的计算单元。在本发明中，一个算子是将一些多维变量(可以是全量或增量Δ形式)计算得出另一些多维变量(也可以是全量或增量Δ形式)的特定的计算规则。所以，本发明中的算子都是以多维数据结构为基础的。
多维变量的全量是指在执行某个算子的时候，该多维变量当前的实际值。如果该多维变量是自变量(输入)，全量形式意味着算子采用这个变量的当前值作为输入；如果该多维变量是因变量(输出)，全量形式意味着算子将计算结果替换该变量的当前值。
多维变量的增量是指在执行某个算子的时候，该多维变量的改变量。如果该多维变量是自变量(输入)，增量形式意味着算子采用这个变量上一次运算对值的改变量(而不是该变量当前的全值)作为输入；如果该多维变量是因变量(输出)，算子将把计算结果作为增量来改变该变量的值，以获得新值。
算子有简单的也有复杂的。将若干个算子通过多维路径算法引擎(MRA_E)构造而成的某个多维路径算法(MRA)也可以看作是一个复合算子，并被用于更复杂的算子中。在本发明中，最基本的算子是那些基于某个约束条件，从该约束条件中的某几个变量推导出另一个(或几个)变量的算子。在图3的例子以及后面的第一实施例中，这样的基本算子都以“cc”作为前缀开头，以表明它们和约束条件之间的关系。图3中包含如下三个基本算子：
Figure BDA0002341459130000211
307.指向的实线箭头包含两种情况：1)当连接某个多维度筛选条件和它的多个筛选后的实例时，表示以异步并发处理的方式，处理每个实例。所以称之为：纵向并行(异步)处理。2)其他情况，表示串行(顺序)处理相关任务，称之为：横向串行处理。
308.此处并行处理方式是指：例如所有天这个筛选条件，筛选出D1，D2，D3...,每一天的数据按照并列又不相互干扰的方式，同时运行。此处横向串行是指：例如当天选择D1时，按步骤执行D1---P01--->a>A>b>B>c>C---库---cc101---cc201。
308.指向的虚线箭头仅包含如下一种情况：当连接某个多维度筛选条件和它的多个筛选后的实例时，表示以串行处理的方式，顺序处理每个实例，因此称之为：纵向串行处理。此时，还需要确定处理顺序的排序规则。
309.指向的在虚线箭头分叉侧的文字组件就是串行处理排序规则了。
310.如果307和308的箭头是双线箭头时，表示存在多解分叉。当双实线箭头指向算子时，则表示要么这个算子本身是具有多解的，要么此处可以有其他的算子替代该算子。例如，当产品存在多工艺路线的时候，本图中的“cc201”的某个下道工序，就可能对应两个上道工序。此时，下道工序的“进”量，可以按照“50/50”的比例推导两个上道工序的“出”量，也可以按照“10/90”,“20/80”，“30/70”等等其他比例进行推导，这时这个算子就具有多解。
再例如，本图中的“cc101”是一个根据上期“余”量、本期“余”量和本期“出”量来推导本期“进”量，而且假设保持“余”量稳定不变的简单算子。这个算子本身可以被更复杂的算子，比如按照目标安全库存天数调整本期“余”量，进而推导本期“进”量的算子所替代。这是另一种形式的多解分叉。
310在本图举例的多维路径算法(MRA)中没有使用，但在后面的第一实施例中会多次用到。
311.指向的空白小方块称为一轮运算结束符。当构造的算法中包含多个多维度筛选条件时，它们之间默认是嵌套的关系，也就是后面的筛选条件是在前一个筛选条件筛选出的变量子集中继续筛选。如果出于算法的要求，前面的筛选条件的相关计算已经完成，并要重新进行新的筛选，那么这时就需要用该部件表示上一轮的运算已经结束。
实施例一
本实施例提供一个具体完整的生产计划过程，图4到图18是本发明第一实施例的具体说明。
如图4所示，展示了本发明第一实施例的基于多维数据结构的框架模型(FWM)总体结构。
401.第一实施例展现了一个完整的生产计划过程。该实施例的框架模型(FWM)由四个相互关联的计划模型共同构成。
402.主计划(MP)是整个框架模型(FWM)的核心。它的时间颗粒度到天，反映了未来每天每个产品在每个工艺路线节点的计划进量、出量、和余量。主计划(MP)框架模型已经在图2中详细介绍。
403.产能约束下的生产计划(CP，Capacity Plan)是将主计划(MP)中的各工序节点的计划进行展开。展开后的模型加入了产能约束。CP的时间颗粒度也到天。
404.主计划(MP)和产能约束下的生产计划(CP)这两个框架模型中重合的决策变量主要是各产品的各工序节点每天的进量(I)和出量(O)，这类重合的决策变量就是这两个模型之间的双向桥梁。
405.需求计划(DP，DemandPlan)是生产计划在需求侧的框架模型。它将销售订单、销售询价等客户需求，销售计划，和出货量计划之间建立起关联关系。需求计划(DP)的时间颗粒度也到天，它也反映了客户需求能否按要求交付。
406.需求计划(DP)和主计划(MP)之间的双向桥梁(重合的决策变量)是各产品的成品库存点每天的计划出货量(O)。
以上三个模型构成了一个完整的天计划框架模型(FWM)。
407.在很多情况下，天计划的颗粒度太细、变量数太大，如果直接动用算法，不仅计算量太大，而且不利于快速定位到有潜力的备选解。因此，可以先进行颗粒度较粗的长期生产计划(LTP，Long-term Plan)，并将计划结果输入到颗粒度较细的天计划中作为计划初始值(降落点)。
408.长期生产计划(LTP)和天计划的决策变量是不重合的。长期生产计划(LTP)的变量的时间维度的值，举例来说，是未来12周整体，而天计划的变量的时间维度的值是D1,D2,D3,...，两者不是相同的变量。所以，长期生产计划(LTP)的结果，需要通过一定的算法，转化成产能约束下的生产计划(CP，颗粒度到天)的初始生产计划值(降落点)。
图5是本发明第一实施例的框架模型中的长期生产计划(LTP)示意图。
501.长期生产计划(LTP)框架模型是以一个长周期(本例中是12周)作为一个整体，描述企业的各种产能约束和各个产品的需求之间的内在关联关系的框架模型。除了时间维度的颗粒度变粗之外，LTP中还省略了大多数的库存点(半成品和在制品)而仅仅保留了成品库存。
在本例LTP模型中设计了两层产能控制：一层称为产品产能(PC),指某个产品在某道工序的产能；另一层称为工序产能(SC),指某道工序生产各种产品总体的产能。这样分层主要是因为本例的生产模式存在产品只能使用工序中特定设备的情况。本发明并不限于特定的框架模型。
502.如下表格所示长期生产计划(LTP)框架模型中存在四类约束条件：
Figure BDA0002341459130000241
Figure BDA0002341459130000251
如图6所示，展示了本发明第一实施例的框架模型中的需求计划(DP)。
601.需求计划(DP)模型负责描述整个框架模型(FWM)中需求侧的决策变量，及其内在的约束关系。需求计划中涉及三种需求类型：
1)客户的销售订单和销售询价这类直接来自于客户的需求统称为需求量(DM)。而销售订单和销售询价必须以明细形式出现在需求计划(DP)中，并事先计算出优先分值(p),以便当生产无法满足所有需求时，可以按一定的算法决定哪些需求将被延迟交付。
2)销售部门对未来需求的预测和计划称为销售计划量(PL)，这是以输入变量的形式输入到整个生产计划模型中的。
3)出货量(O)和主计划(MP)中的出货量(O)完全一致，它是两个模型的桥梁，也是整个生产计划模型对成品销售出货的最终计划量。
需求计划(DP)的时间维度的颗粒度也是天，且它的结果最终决定了哪些订单或询价可以按客户的要求按时交货，哪些需要延期。
602.如下表格所示需求计划(DP)框架模型中存在三类约束条件：
Figure BDA0002341459130000261
如图7所示，展示了本发明第一实施例的框架模型中的产能约束下的生产计划(CP)。
701.产能约束下的生产计划(CP)框架模型负责描述工序的产能和产品在各工序的产量之间的内在关系。
和长期生产计划(LTP)模型一致，CP中也有两层产能控制：一层称为产品产能(PC),指某个产品在某道工序的产能；另一层称为工序产能(SC),指某道工序生产各种产品总体的产能。对于工序产能(SC)来说，由于同样一个单位的产量，不同的产品在本工序消耗的产能资源是不同的(设备和耗时不同)，所以需要应用折算系数(c)将不同产品的产量折算成等价工序产能(ESC),来和工序产能(SC)比较。
702.如下表格所示产能约束下的生产计划(CP)框架模型中存在两类约束条件：
Figure BDA0002341459130000271
以上是本发明第一实施例的基于多维数据结构的框架模型(FWM),接下来就是基于这个框架模型(FWM),利用多维路径算法引擎(MRA_E)构造的各种求解和消缺算法，以及基于多层目标函数的筛选算法，来对模型求解的过程。
图8是本发明第一实施例的生产计划总体求解流程。
801.总体求解流程也是用多维路径算法引擎(MRA_E)构造的。只是对于这个层次来说，用到的每个算子都是比较复杂的算法(或称之为复合算子)。
总体求解流程的主要过程如下：首先对长期生产计划(LTP)求备选解，这个过程会用到三个复合算子(R901,R902,R903)，然后将长期生产计划(LTP)转化为产能约束下的生产计划(CP,颗粒度到天)的初始值(R904，降落点算子)。同步地，进行需求计划(DP)(R905)。两者共同构成了主计划(MP)的初始值。然后，在主计划(MP)中生成完整的计划(R906)。由于上述各步骤都存在多解分叉，所以到这一步就获得了一批备选解。同时，由于多维路径算法无法在每一步都考虑所有约束条件，所以这些备选解是存在断点(缺陷)的。接下来，通过评估备选解的断点情况，进行第一层筛选(S801)。筛选后的备选解会进行断点消缺(R907,R908)。消缺后的备选解晋级成可行解，然后再评估它们的经济价值，进行第二层筛选(S802),从而得到最优解。
802.总体求解流程中的各算子的简要说明如下：
Figure BDA0002341459130000281
803.指向的虚线圆形组件是备选解筛选算子，是多维路径算法引擎(MRA_E)的另一组件。
对备选解的筛选可以有相当多的方法。在数学规划领域里，这体现为目标函数，如在线性规划中表达为：min f(x)＝cx。但是，这里的目标函数仅仅是对可行解(满足所有约束条件的解)进行选优的标准。
在现实世界中，无论是约束条件还是目标函数，都体现出极大的复杂性和不确定性，比如，很多时候数学规划算法引擎连跑出一个可行解都做不到。所以，在现实中，能够“退而求其次”往往是比追求完美解更好的一种策略。所以，本发明采用多层次的目标函数，对备选解(很可能带缺陷)进行多次筛选的策略。同时，本发明的目标函数也是以多维数据结构表达的。
图9是本发明第一实施例的长期生产计划算子“R901”的结构图。
901.是以表单作为交互手段，对算子“R901”的形象化表达。
902.是以多维路径算法引擎(MRA_E)的标准体例，对算子“R901”的严谨表达。901和902相结合可以更清晰地说明算子“R901”的结构和过程。图10到图17也都采用类似的表达方式。
“R901”的主要思路是按需求和库存目标安排长期生产计划(LTP)，观察产能瓶颈，具体的结构和过程已在图中详细说明，其中调用的算子在下表中具体说明：
Figure BDA0002341459130000291
上述算子中也是有可能出现多解分叉的。例如，“cc321”的目标库存天数，不必是一个确定的输入变量，而可以是一个具有一定规则的变量值集合(如一定区间内的整数等差数列等等)，于是便产生了多解分叉。但为了使本实施例的表达更简洁，对于各种多解分叉的可能性，在下文中并不做穷举描述。
如图10所示，展示了本发明第一实施例的长期生产计划产品产能断点消缺算子“R902”的结构。
1001.是以表单作为交互手段，对算子“R902”的形象化表达。
1002.是以多维路径算法引擎(MRA_E)的标准体例，对算子“R902”的严谨表达。
“R902”的主要思路是消除长期生产计划(LTP)中的产品产能断点，具体的结构和过程已在图中详细说明，其中调用的算子在下表中具体说明：
Figure BDA0002341459130000301
上述算子中，出现了增量(Δ)形式的变量，既有自变量(输入变量)，也有因变量(输出变量)。对于带增量形式变量的算子，可以在算子后加“Δ”符号以示区别。变量的增量形式特别适合多次迭代运算的场景，比如“R902”是在首个迭代运算“R901”完成之后，对结果中的“超出产能”断点进行消缺的二次迭代运算。在这种运算中，需要对某些变量的值(如产能利用率)进行改变，并将这些改变“蔓延”到其它应该受到影响的变量上，而对于其它变量则不需要也不应该去重新计算。
如图11所示，展示了本发明第一实施例的长期生产计划工序产能断点消缺算子“R903”的结构。
1101.是以表单作为交互手段，对算子“R903”的形象化表达。
1102.是以多维路径算法引擎(MRA_E)的标准体例，对算子“R903”的严谨表达。
“R903”的主要思路是消除长期生产计划(LTP)中的工序产能断点，具体的结构和过程已在图中详细说明，其中调用的算子在下表中具体说明：
Figure BDA0002341459130000311
上述算子中的“cc332Δ”是非常典型的有多解分叉的算子，因为它需要将一个变量的增量，分摊到多个变量上去，这种有多个输出变量的算子都容易产生多解分叉。以“cc332Δ”为例，超出工序产能的部分产量要通过扣减相关产品的产量来消除，这里面可以选择多种分摊策略，比如按各种比例分摊(包括平均分摊)，或者按某种权重分摊等等。本例中，按库存天数由高到低逐级调整只是多解分叉中的一种解。多解分叉算子会生成多种备选解，而多个多解分叉算子组合会产生出更多数量的备选解。
另外，由于“R903”是对长期生产计划(LTP)的第三轮迭代运算，所以也使用了带增量(Δ)形式的算子。
如图12所示，展示了本发明第一实施例的产能约束下的生产计划初始值算子“R904”的结构。
1201.是以表单作为交互手段，对算子“R904”的形象化表达。
1202.是以多维路径算法引擎(MRA_E)的标准体例，对算子“R904”的严谨表达。
“R904”的主要思路是将长期生产计划(LTP)转换为按天的产能约束下的生产计划(CP)，作为初始值(即降落点)，具体的结构和过程已在图中详细说明，其中调用的算子在下表中具体说明：
Figure BDA0002341459130000321
如图13所示，展示了本发明第一实施例的需求计划算子“R905”的结构图。
1301.是以表单作为交互手段，对算子“R905”的形象化表达。
1302.是以多维路径算法引擎(MRA_E)的标准体例，对算子“R905”的严谨表达。
“R905”的主要思路是根据销售订单、询价，和销售计划，生成需求计划(DP)，具体的结构和过程已在图中详细说明，其中调用的算子在下表中具体说明：
Figure BDA0002341459130000331
如图14所示，展示了本发明第一实施例的主计划算子“R906”的结构。
1401.是以表单作为交互手段，对算子“R906”的形象化表达。
1402.是以多维路径算法引擎(MRA_E)的标准体例，对算子“R906”的严谨表达。
“R906”的主要思路是完成主计划(MP)的剩余部分，具体的结构和过程已在图中详细说明，其中调用的算子在下表中具体说明：
Figure BDA0002341459130000332
Figure BDA0002341459130000341
如图15所示，展示了本发明第一实施例的备选解可行性筛选目标函数“S801”的示意图。
1501.算法进行到本步骤产生了一批备选解。这些备选解可能存在各种断点(缺陷)，比如负库存、成品出货量不足(无法完全交货)等。1501中形象地举例表示一个备选解的断点情况。
1502.这一步对备选解的筛选，主要目标是筛选出断点(缺陷)比较少，而且比较容易消缺的备选解，而只让这些潜力比较大的备选解进入消缺环节。所以，这一步称为可行性筛选。
所谓目标函数，就是将备选解的一些信息转化成可以比较的分值的规则。因为这一步的可行性筛选是对备选解的断点(缺陷)情况进行评估，所以，目标函数就是将断点(缺陷)相关信息转化为分值的规则。这类规则可以灵活定义，这里用断点分值表的形式进行了举例说明。根据断点分值表，计算所有备选解的断点分值，分值越低的备选解潜力最大，并被筛选进入下一轮消缺环节。
如图16所示，展示了本发明第一实施例的负库存断点消缺算子“R907”的结构图。
1601.是以表单作为交互手段，对算子“R907”的形象化表达。
1602.是以多维路径算法引擎(MRA_E)的标准体例，对算子“R907”的严谨表达。
“R907”的主要思路是消除备选解中的负库存断点，具体的结构和过程已在图中详细说明，其中调用的算子在下表中具体说明：
Figure BDA0002341459130000342
Figure BDA0002341459130000351
如图17所示，展示了本发明第一实施例的无法交货断点消缺算子“R908”的结构。
1701.是以表单作为交互手段，对算子“R908”的形象化表达。
1702.是以多维路径算法引擎(MRA_E)的标准体例，对算子“R908”的严谨表达。
“R908”的主要思路是消除备选解中的出货量不足断点，具体的结构和过程已在图中详细说明，其中调用的算子在下表中具体说明：
Figure BDA0002341459130000352
Figure BDA0002341459130000361
图18是本发明第一实施例的备选解经济价值筛选目标函数“S802”的示意图。
1801.完成了消缺环节的备选解，都是可行解，就是现实可执行的生产计划方案。当这样的可行解不止一个时，就需要用第二层次的目标函数，从它们中挑选出最优方案。这时，可以以方案的经济价值为尺度进行筛选，所以称为经济价值筛选。一般来说，生产计划方案的经济价值体现为三个方面：产能利用、库存水平、准时交付。目标函数用“成本”作为目标变量(分值)，成本越低的方案越好。
1802.产能利用不足成本是将各个工序的冗余产能折算成成本金额。
1803.库存资金占用成本是将库存量水平折算成对企业资金占用的成本金额(相当于利息成本)。
1804.交付延误成本是将销售订单或者销售询价不能按客户要求的时间交付的事件折算成成本金额(对企业信誉损害的隐形成本)。
实施例二
如图19所示，本发明还提供了一种基于多维数据结构的生产计划系统。
包括多维数据结构构造框架模型构建模块，多维路径算法引擎构建模块，备选解筛选模块；
所述多维数据结构构造框架模型构建模块，用于构建多维数据结构构造框架模型，包括多维决策变量和约束条件，通过建立可视化表单用于用户交互；
所述多维数据结构构造框架模型构建模块，进一步包括建立多维决策变量模块，设计约束条件模块，建立可视化表单模块；
所述多维决策变量模块，通过所述多维数据结构构造框架模型的维度和关键值，构建所述多维决策变量，表述为：[维度1,维度2,...,维度n,关键值m]，表示被维度1，维度2，…，维度n等各所述维度的具体值限定的关键值m；
所述设计约束条件模块，用于建立多个决策变量之间的函数关系；
所述建立可视化表单模块，用于建立可视化表单用于用户交互，所述表单，为一个或一组将所述框架模型进行可视化展现的工具。
所述多维数据结构构造框架模型构建模块，进一步包括，整体计划模型构建模块和长期计划模型构建模块；
所述整体计划模型构建模块，用于建立包含一主计划框架模型在内的多个相互关联的计划模型形成一整体计划模型，所述主计划框架模型为所述多维数据结构构造框架模型的核心；
所述长期计划模型构建模块，用于建立长期计划模型，进行颗粒度较粗的长期计划，并将长期计划结果输入到颗粒度较细的所述整体计划模型中，作为所述整体计划模型的降落点，所述长期计划模型和所述整体计划模型的所述多维决策变量不重合。
所述多维路径算法引擎构建模块，用于应用所述多维路径算法引擎构建多维路径算法，生成备选解；
所述多维路径算法引擎构建模块，进一步包括多维路径算法模块和多维路径算法引擎模块；
所述多维路径算法模块，根据业务逻辑，基于所述多维数据结构构造框架模型，沿着所述约束条件，对所述决策变量进行顺序赋值；
所述多维路径算法引擎模块，以一系列可灵活组合的部件构成的算法合成器，快速构造各种所述多维路径算法。
所述多维路径算法引擎构建模块，进一步包括算子建立模块，建立所述多维路径算法引擎的算子，用于构成所述多维路径算法引擎的计算单元，将一些所述多维决策变量计算出另一些所述多维决策变量。
所述算子建立模块进一步包含复合算子建立模块，用于将若干个基本的所述算子通过所述多维路径算法引擎构造成所述多维路径算法。
所述备选解筛选模块，通过构建多层次目标函数，对所述备选解进行多次筛选，形成最优解。
所述备选解筛选模块，进一步包括备选解筛选算子建立模块，用于建立备选解筛选算子对所述备选解进行筛选。
所述备选解筛选算子建立模块，进一步包括目标函数构建模块，用于构建多层次的目标函数，通过将所述备选解的一些信息转化成可以比较的分值，比较所述分值，根据所述分值的大小评价所述备选解的价值。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种基于多维数据结构的生产计划方法，其特征在于，包括以下步骤：
S101：建立多维数据结构构造框架模型，所述多维数据结构构造框架模型，包括多维决策变量和约束条件，通过建立可视化表单用于用户交互；
确定所述多维数据结构构造框架模型的维度和关键值；
所述多维决策变量，表述为：[维度1,维度2,...,维度n,关键值m]，表示被维度1，维度2，…，维度n等各所述维度的具体值限定的关键值m；
所述约束条件，表述为：建立多个决策变量之间的函数关系；
所述表单，为一个或一组将所述框架模型进行可视化展现的工具；
S102：构建多维路径算法引擎，应用所述多维路径算法引擎构建多维路径算法，生成备选解；
所述多维路径算法，根据业务逻辑，基于所述多维数据结构构造框架模型，沿着所述约束条件，对所述决策变量进行顺序赋值；
所述多维路径算法引擎，为以一系列可灵活组合的部件构成的算法合成器，快速构造各种所述多维路径算法；
S103：构建多层次目标函数，对所述备选解进行多次筛选，形成最优解。
2.根据权利要求1所述的基于多维数据结构的生产计划方法，其特征在于，所述可灵活组合的部件包含：多维度筛选条件、筛选后的多维实例、算子、条件判断、异步并发处理、串行处理、串行处理排序规则、一轮运算结束符；
所述多维度筛选条件，通过对多个所述维度的值设定各种条件组合，从而筛选出一个变量子集的功能组件，所述多维度筛选条件可嵌套；
所述筛选后的多维实例，经过所述多维度筛选条件筛选之后，符合所述多维度筛选条件的一系列相关所述维度的维度值；
所述算子，为所述多维路径算法引擎的计算单元，将一些所述多维决策变量计算出另一些所述多维决策变量，所述多维决策变量可以是全量或增量的形式；
所述条件判断，当同一组筛选后的实例，若算法不同，用所述条件判断来区别处理不同的情况；
所述异步并发处理，用于当筛选出的所述筛选后的多维实例之间没有关联，对计算结果相互间没有影响时，对所述筛选后的多维实例同时进行后续处理；
所述串行处理，当对所述筛选后的多维实例再次进行筛选，或利用所述算子进行计算时，必须依赖于之前的筛选或者计算结果而进行，必须先进行之前的筛选或者计算，再进行当前的筛选或计算；
所述串行处理排序规则，当筛选出的所述筛选后的多维实例之间有关联，一个所述筛选后的多维实例的计算结果对另一个所述筛选后的多维实例计算结果有影响，设定所述串行处理排序规则，顺序处理每个所述筛选后的多维实例；
所述一轮运算结束符，用于当前面的筛选条件的相关计算已经完成，并要重新进行新的筛选时，所述一轮运算结束符表示上一轮的运算已经结束。
3.根据权利要求1或2所述的基于多维度数据结构的生产计划方法，其特征在于，所述多维决策变量，包含输入变量和输入参数，所述输入变量和所述输入参数为从企业内部采集的实际数据，直接输入到所述多维数据结构构造框架模型中；
所述输入变量是动态的，在运行所述多维数据结构构造框架模型前动态输入，所述输入变量包括余量；
所述输入参数是静态的，在所述输入参数变化时输入，所述输入参数包括所述产品产能。
4.根据权利要求1或2所述的基于多维度数据结构的生产计划方法，其特征在于，所述多维数据结构构造框架模型包含一个整体计划模型和一个长期计划模型；
所述整体计划模型包含多个相互关联的计划模型；
所述计划模型包含一主计划框架模型，所述主计划框架模型为所述多维数据结构构造框架模型的核心；
除所述主计划框架模型外的其它所述计划模型，将所述主计划框架模型中的节点进行展开，当前所述计划模型与所述主计划框架模型重合的所述多维决策变量构成两个所述计划模型之间的双向桥梁；
所述多维数据结构构造框架模型，还可以包含一长期计划模型，进行颗粒度较粗的长期计划，并将长期计划结果输入到颗粒度较细的所述整体计划模型中，作为所述整体计划模型的降落点，所述长期计划模型和所述整体计划模型的所述多维决策变量不重合。
5.根据权利要求2所述的基于多维度数据结构的生产计划方法，其特征在于，所述算子包含复合算子，所述复合算子，为将若干个基本的所述算子通过所述多维路径算法引擎构造而成的所述多维路径算法。
6.根据权利要求1或2或5所述的基于多维度数据结构的生产计划方法，其特征在于，所述多维路径算法引擎包含备选解筛选算子，用于对所述备选解进行筛选；
所述备选解筛选算子包含可行性筛选算子和经济价格筛选算子；
所述可行性筛选算子，用于当求解所述备选解的过程中存在多解分叉，同时所述多维路径算法无法在每一步都考虑所有所述约束条件，所述备选解存在断点，通过所述可行性筛选算子对所述备选解的断点情况进行评估，对所述备选解进行筛选；
所述经济价格筛选算子，用于评估所述备选解的经济价值，对所述备选解进行筛选形成最优解。
7.根据权利要求6所述的基于多维度数据结构的生产计划方法，其特征在于，在所述备选解筛选算子计算过程中通过所述多层次的目标函数，对所述备选解进行多次筛选；
所述多层次的目标函数，通过将所述备选解的一些信息转化成可以比较的分值，比较所述分值，根据所述分值的大小评价所述备选解的价值；
所述多层次的目标函数包含：评估备选解中的断点情况、用于筛选出可行性较高备选解的可行性筛选目标函数，评估备选解经济价值、用于筛选出具有最优经济价值备选解的经济价值目标函数。
8.一种基于多维数据结构的生产计划系统，其特征在于，包括：多维数据结构构造框架模型构建模块，多维路径算法引擎构建模块，备选解筛选模块；
所述多维数据结构构造框架模型构建模块，用于构建多维数据结构构造框架模型，包括多维决策变量和约束条件，通过建立可视化表单用于用户交互；
所述多维路径算法引擎构建模块，用于应用所述多维路径算法引擎构建多维路径算法，生成备选解；
所述备选解筛选模块，通过构建多层次目标函数，对所述备选解进行多次筛选，形成最优解。
9.根据权利要求8所述的一种基于多维数据结构的生产计划系统，其特征在于，所述多维数据结构构造框架模型构建模块，进一步包括建立多维决策变量模块，设计约束条件模块，建立可视化表单模块；
所述多维决策变量模块，通过所述多维数据结构构造框架模型的维度和关键值，构建所述多维决策变量，表述为：[维度1,维度2,...,维度n,关键值m]，表示被维度1，维度2，…，维度n等各所述维度的具体值限定的关键值m；
所述设计约束条件模块，用于建立多个决策变量之间的函数关系；
所述建立可视化表单模块，用于建立可视化表单用于用户交互，所述表单，为一个或一组将所述框架模型进行可视化展现的工具。
10.根据权利要求8所述的一种基于多维数据结构的生产计划系统，其特征在于，所述多维路径算法引擎构建模块，进一步包括多维路径算法模块和多维路径算法引擎模块；
所述多维路径算法模块，根据业务逻辑，基于所述多维数据结构构造框架模型，沿着所述约束条件，对所述决策变量进行顺序赋值；
所述多维路径算法引擎模块，以一系列可灵活组合的部件构成的算法合成器，快速构造各种所述多维路径算法。
11.根据权利要求8所述的一种基于多维数据结构的生产计划系统，其特征在于，所述多维数据结构构造框架模型构建模块，进一步包括，整体计划模型构建模块和长期计划模型构建模块；
所述整体计划模型构建模块，用于建立包含一主计划框架模型在内的多个相互关联的计划模型形成一整体计划模型，所述主计划框架模型为所述多维数据结构构造框架模型的核心；
所述长期计划模型构建模块，用于建立长期计划模型，进行颗粒度较粗的长期计划，并将长期计划结果输入到颗粒度较细的所述整体计划模型中，作为所述整体计划模型的降落点，所述长期计划模型和所述整体计划模型的所述多维决策变量不重合。
12.根据权利要求8所述的一种基于多维数据结构的生产计划系统，其特征在于，所述多维路径算法引擎构建模块，进一步包括算子建立模块，建立所述多维路径算法引擎的算子，用于构成所述多维路径算法引擎的计算单元，将一些所述多维决策变量计算出另一些所述多维决策变量。
13.根据权利要求12所述的一种基于多维数据结构的生产计划系统，其特征在于，所述算子建立模块进一步包含复合算子建立模块，用于将若干个基本的所述算子通过所述多维路径算法引擎构造成所述多维路径算法。
14.根据权利要求8所述的一种基于多维数据结构的生产计划系统，其特征在于，所述备选解筛选模块，进一步包括备选解筛选算子建立模块，用于建立备选解筛选算子对所述备选解进行筛选。
15.根据权利要求14所述的一种基于多维数据结构的生产计划系统，其特征在于，所述备选解筛选算子建立模块，进一步包括目标函数构建模块，用于构建多层次的目标函数，通过将所述备选解的一些信息转化成可以比较的分值，比较所述分值，根据所述分值的大小评价所述备选解的价值。
CN201911377790.4A 2019-12-27 2019-12-27 一种基于多维数据结构的生产计划方法及系统 Pending CN113052418A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911377790.4A CN113052418A (zh) 2019-12-27 2019-12-27 一种基于多维数据结构的生产计划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911377790.4A CN113052418A (zh) 2019-12-27 2019-12-27 一种基于多维数据结构的生产计划方法及系统

Publications (1)

Publication Number Publication Date
CN113052418A true CN113052418A (zh) 2021-06-29

Family

ID=76506574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911377790.4A Pending CN113052418A (zh) 2019-12-27 2019-12-27 一种基于多维数据结构的生产计划方法及系统

Country Status (1)

Country Link
CN (1) CN113052418A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997783A (zh) * 2022-06-02 2022-09-02 苏州传世智慧科技有限公司 一种基于采购全周期的降低成本的方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114997783A (zh) * 2022-06-02 2022-09-02 苏州传世智慧科技有限公司 一种基于采购全周期的降低成本的方法及系统

Similar Documents

Publication Publication Date Title
Choobineh A framework for the design of cellular manufacturing systems
Aghdaie et al. Synergies of data mining and multiple attribute decision making
CN109409773B (zh) 一种基于合同网机制的对地观测资源动态规划方法
CN109902954B (zh) 一种基于工业大数据的柔性作业车间动态调度方法
CN113139710B (zh) 一种基于遗传算法的多资源并行任务高级计划排程方法
Khojasteh Production Control Systems
Király et al. Minimization of off-grade production in multi-site multi-product plants by solving multiple traveling salesman problem
CN107146039A (zh) 一种多目标协同控制的定制式混流装配生产方法及装置
CN104268247A (zh) 一种基于模糊层次分析的主数据归集方法
CN116150493A (zh) 基于知识图谱的工业互联网优质供应链推荐方法及系统
CN109409848A (zh) 开放式流程的节点智能推荐方法、终端设备及存储介质
CN111652463A (zh) 基于分形自相似原理的aps递归系统、方法及设备
Chang et al. Manufacturing bill-of-material planning
CN117557078B (zh) 一种基于时间节点的智能生产计划管理方法及系统
Dotoli et al. A lean manufacturing procedure using value stream mapping and the analytic hierarchy process
CN113052418A (zh) 一种基于多维数据结构的生产计划方法及系统
CN114707874A (zh) 应用于铝合金生产的排程方法、设备及存储介质
US10068192B2 (en) System and method of solving supply chain campaign planning problems involving major and minor setups
US20230298057A1 (en) Framework for Implementing Segmented Dimensions
US11816752B2 (en) Image-based analytics of supply chain optimization problems
Wang et al. Modeling and analysis for multi-period, multi-product and multi-resource production scheduling
CN116307008A (zh) 一种mto和mts混合生产模式下aps排产方法
Ko et al. Modeling concurrent design method for product variety
Akhramovich et al. Lean manufacturing in Russia: Myth or reality?
CN111078203A (zh) 一种支持创客与小微企业孵化的4m1t创新系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210629

WD01 Invention patent application deemed withdrawn after publication