CN113064392A - 基于矩阵车间agv调度的离散型优化方法 - Google Patents

基于矩阵车间agv调度的离散型优化方法 Download PDF

Info

Publication number
CN113064392A
CN113064392A CN202110299474.0A CN202110299474A CN113064392A CN 113064392 A CN113064392 A CN 113064392A CN 202110299474 A CN202110299474 A CN 202110299474A CN 113064392 A CN113064392 A CN 113064392A
Authority
CN
China
Prior art keywords
population
agv
scheduling
workshop
reached
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.)
Granted
Application number
CN202110299474.0A
Other languages
English (en)
Other versions
CN113064392B (zh
Inventor
桑红燕
李中凯
潘全科
韩玉艳
郭恒伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaocheng University
Original Assignee
Liaocheng University
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 Liaocheng University filed Critical Liaocheng University
Priority to CN202110299474.0A priority Critical patent/CN113064392B/zh
Publication of CN113064392A publication Critical patent/CN113064392A/zh
Application granted granted Critical
Publication of CN113064392B publication Critical patent/CN113064392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4189—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system
    • G05B19/41895—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system using automatic guided vehicles [AGV]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • 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
    • Y02P90/60—Electric or hybrid propulsion means for production processes

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于矩阵车间AGV调度的离散型优化方法，涉及车间自由导向小车送货调度技术领域，特别是属于一种基于矩阵车间AGV调度的离散型优化方法。包括以下步骤：步骤1：预设置离散杂草优化算法相关参数；包括初始种群数量，最大种群数量，最小种子数和最大种子数；步骤2：初始化种群；利用邻域最近距离的启发式算法生成一个优质解，利用随机生成的方法生成其他解直至达到初始种群数量；步骤3：对初始化种群进行优化；步骤4：输出最佳解；判断是否达到计算时间5s的停止条件，若未达到停止条件，返回步骤3；若已达到停止条件，输出当前种群中的最优解。通过本发明能够获得适合车间实际生产的调度方案，实现AGV的调度管理与优化。

Description

基于矩阵车间AGV调度的离散型优化方法
技术领域
本发明涉及车间自由导向小车送货调度技术领域，特别是属于一种基于矩阵车间AGV调度的离散型优化方法。
背景技术
在国家大力推进智能化工业产业背景下，在打造全面工业4.0口号中国内各大中小型企业如雨后春笋般转型、注册成立。然后其中AGV产业也相继被提到风头浪尖。
近几年来，我国物流技术装备行业连续以20-30％强劲增长。在物流市场和物流装备与技术发展日益成熟的如今，市场逐渐对AGV物流搬运装备需求开始从“量”到“质”的转变，这就表明AGV在今后的发展上，应在智能化、柔性化、兼容性、安全性等方面上随需求而提高、革新。
传统的车间调度中，配送物料都是由工人进行配送，由于人为因素，会导致配送不及时，物料配送不足或超容等。这些因素会在一定程度上降低车间的生产效率，进而影响生产者的订单数目和完工期限。随着工业4.0的口号提出，智能化工业产业逐步替代传统工业，AGV小车的使用在车间中变得越发广泛，极大的降低了人为因素导致的生产率下降。关于AGV车间调度的研究也就成为了研究重点，它是降低运输损耗，减少运输时间，保证生产效率的一个重要研究方向。AGV车间调度在实际生产过程中具有以下优点：(1)提高物料配送的精准率，当多台生产机器需要物料时，能够合理的安排车辆进行对点配送；(2)保证生产效率，合理安排车辆配送任务，保证物料按时按量配送到位；(3)降低运输成本，在保证规定配送时间到达的情况下，可以给一辆小车多个配送任务，既满足配送要求，又减少运输车辆。但AGV车间调度存在以下问题：一方面关于确定每辆车所负责的生产机器和确定每辆车对各自负责机器配送物料的顺序的问题；另一方面，AGV调度问题是典型的NP-hard问题，一直吸引着学者的广泛关注，是制造系统领域的研究热点之一。
从20世纪80年代以来，AGV系统已经发展成为生产物流系统中最大的专业分支之一，并出现产业化发展的趋势，成为现代化企业自动化装备不可或缺的重要组成部分。近年来，许多学者针对AGV调度问题提出了许多启发式算法，如迭代贪婪、人工蜂群、粒子群算法等方法。这些方法能够在极短的时间里计算出每辆车需要负责的生产机器和每辆车对各自负责机器配送物料的顺序。当前的离散杂草算法只针对于最优解决方案的搜索，然而求解AGV调度问题时还存在如下问题：固定时间下，迭代次数较低，并不能得出更好的结果；现在并没有针对降低运输成本提出特别的方案。
发明内容
本发明的目的即在于提供一种基于矩阵车间AGV调度的离散型优化方法，以达到获得适合车间实际生产的调度方案，实现AGV的调度管理与优化的目的。
本发明所提供的基于矩阵车间AGV调度的离散型优化方法，其特征在于，包括以下步骤：
步骤1：预设置离散杂草优化算法相关参数；包括初始种群数量，最大种群数量，最小种子数和最大种子数；
步骤2：初始化种群；利用邻域最近距离的启发式算法生成一个优质解，利用随机生成的方法生成其他解直至达到初始种群数量；
步骤3：对初始化种群进行优化；
步骤4：输出最佳解；判断是否达到计算时间5s的停止条件，若未达到停止条件，返回步骤3；若已达到停止条件，输出当前种群中的最优解。
进一步的，在步骤3中，又包括以下优化方法：
步骤3-1：将初始种群根据适应度进行排序，通过
Figure BDA0002985635540000031
公式，计算出初始种群的每个个体产生种子的个数，其中，seedn代表第n个父代可以产生的种子的个数，fn代表第n个父代的目标函数值，Smin为初始设定的最小种子数，Smax为初始设定的最大种子数，fmax为当前种群个体中最好的目标函数值，fmin为当前种群个体中最差的目标函数值，上述目标函数为运输成本；
步骤3-2：利用随机方法，初始种群的每个个体通过交换算子或插入算子新产生的种子加入初始种群中，形成新种群；
步骤3-3：将新种群按照适应度进行排序，判断新种群数量是否达到最大种群数量，判断新种群数量是否达到最大种群数量；若已达到最大种群数量，则按照适应度排名，则舍去多余的适应度较差的个体；若未达到最大种群数量，则直接进入3-4；
步骤3-4：对新种群中最好的个体进行局部搜索，进一步查找更好的解决方案，另随机在种群中选取另一个个体进行局部搜索。
进一步的，本方法根据实际情况采用小型运载量的AGV。
进一步的，在本方法的计算工程中，根据每辆车任务的最小早到时间，安排对应车辆延迟出发时间。
进一步的，在本方法的局部搜索的计算工程中，还设置有降低时间复杂度的实现方法：
a.随机选取所选择个体的一个任务t1并从原个体中删除，新个体根据目标函数，依次计算出每辆AGV在各个任务点的送达时间及运载量信息，并存储；
b.按照从前向后的规则，依次将已抽取的任务t1对新个体全部位置的进行插入操作并根据目标函数依次计算适应度；
c.判断选取的任务所插入的位置，计算新个体适应度时，提取记录的父代运载及到达预存信息应用。
本发明所提供的基于矩阵车间AGV调度的离散型优化方法，具有以下积极效果：
(1)本发明在杂草优化算法中加入了降低时间复杂度的方法，有效的降低了单次迭代的计算时间，增加规定时间内的迭代次数，能够比传统的算法得出更好的解。传统生产车间需要AGV调度系统能够在极短的时间里给出较好的调度方案，因此降低算法计算时间复杂度能够有效提升解的质量。
(2)本发明在针对AGV调度问题中，加入了增加小型AGV的方法，能够在运输少量物料时，通过选取小型AGV，降低运输成本。传统的AGV都是单一类型，当物料较少时，选取小型AGV能够有效的降低运输成本。
(3)本发明在针对AGV调度问题中，加入了延迟发车的方法，能够有效的避免AGV过早的将物料配送给生产机器，造成不必要的时间成本。在传统的生产车间中，物料过早或过晚的运输都会造成生产机器的生产效率，因此让AGV尽可能的按时配送物料在实际生产中具有很大的意义。
附图说明
图1为本发明的离散杂草优化算法流程图；
图2为本发明的降低时间复杂度算法流程图；
图3为本发明的局部搜索算法流程图。
具体实施方式
如图1-3所示，本发明所提供的基于矩阵车间AGV调度的离散型优化方法，主要包括以下实现过程：
1、预设置离散杂草优化算法相关参数。
主要包括：初始种群数量，最大种群数量，最小种子数最大种子数。根据已有的某实际工厂的AGV调度案例，对已有算法进行算法标定，利用实际算例中的三十个算例对算法预设值进行标定，找出适合问题的参数设定。根据算法运行的结果，可以将初始种群适量设定为PS0,将最大种群数量设定为PSmax，将最小种子数设定为S0，将最大种子数设定为Smax。
2、初始化种群。在基于种群的优化算法中，都需生成初始种群。
第一步：利用邻域最近距离的启发式方法，生成一个高质量的解，作为初始种群的一个解，这种方法能够极大的加快算法找到优质解的效率。
第二步：利用随机生成的方法，生成剩余的初始种群的解，利用上述方法生成的种群能够极大的降低陷入局部最优的结果。
3、对初始化种群进行优化。
如图1所示，包括以下处理过程：
步骤3-1：将初始种群根据适应度进行排序，并利用适应度来计算初始种群中每个个体可以产生的种子数量，具体的计算公式为
Figure BDA0002985635540000051
其中，seedn代表第n个父代可以产生的种子的个数，fn代表第n个父代的目标函数值，Smin为初始设定的最小种子数，Smax为初始设定的最大种子数，fmax为当前种群个体中最好的目标函数值，fmin为当前种群个体中最差的目标函数值，上述目标函数为运输成本。
步骤3-2：利用随机方法，选取每个个体产生种子的方式为交换算子或插入算子。并将新产生的种子加入初始种群中，形成新种群；
步骤3-3：将新种群按照适应度进行排序，判断新种群数量是否达到最大种群数量，判断新种群数量是否达到最大种群数量；若已达到最大种群数量，则按照适应度排名，则舍去多余的适应度较差的个体；若未达到最大种群数量，则直接进入下一步骤。
步骤3-4：对新种群中适应度最好的个体进行局部搜索，进一步查找更好的解决方案，另随机在种群中选取另一个个体进行局部搜索，总而增加算法的全局性，避免陷入局部最优。
4、输出最佳解。
判断算法是否达到计算时间5s的停止条件，若达到停止条件，则输出当前最好的解，若算法未达到停止条件，则返回步骤3。
此外，本方法采用运载量为原AGV车型一半的小型AGV。这样就能够在运输少量物料时，通过选取小型AGV，降低运输成本。传统的AGV都是单一类型，当物料较少时，选取小型AGV就能够有效的降低运输成本。另外，在本方法的计算工程中，根据每辆车任务的最小早到时间，安排对应车辆延迟出发时间。通过上述这种延迟发车的方法，能够有效的避免AGV过早的将物料配送给生产机器，造成不必要的时间成本。在传统的生产车间中，物料过早或过晚的运输都会造成生产机器的生产效率，因此让AGV尽可能的按时配送物料在实际生产中具有很大的意义。除此之外，在本方法的局部搜索的计算工程中，还设置有降低时间复杂度的实现方法，具体过程如下：a.随机选取所选择个体的一个任务t1并从原个体中删除，新个体根据目标函数，依次计算出每辆AGV在各个任务点的送达时间及运载量信息，并存储；b.按照从前向后的规则，依次将已抽取的任务t1对新个体全部位置的进行插入操作并根据目标函数依次计算适应度；c.判断选取的任务所插入的位置，计算新个体适应度时，提取记录的父代运载及到达预存信息应用。通过降低时间复杂度，能够有效的降低单次迭代的计算时间，增加规定时间内的迭代次数，相较于传统的算法能够得出更好的解。传统生产车间需要AGV调度系统能够在极短的时间里给出较好的调度方案，因此降低算法计算时间复杂度能够有效提升解的质量。
下面，通过本发明以下的仿真实验操作及过程记录，对本发明的实施过程及其实施效果做进一步的描述和说明。
(1)仿真实验所采用的实际工厂案例
采用以下100组某工厂AGV调度问题的实际案例集来检验本发明的有效性。
(2)仿真实验参数设置
算法循环的时间阈值maxTime＝5000ms，初始种群规模PS0＝50，最大种群规模PSmax＝70，最小种子数设定为S0＝1,最大种子数设定为Smax＝15。
(3)仿真实验环境
本发明采用C++语言编程实现，程序运行环境为：Intel i7处理器，1.8GHz，内存为8GB的笔记本电脑。
(4)仿真内容：本发明与其他算法的性能比较
该实验将本发明的离散杂草优化算法(discrete invasive weed optimizationalgorithm)与其他算法进行性能比较验证本发明的有效性。为了尽量消除由于算法的随机性而带来的计算误差，使得计算结果更具有有效性和一般性，对每个实例连续运行20次。其中，T10I1表示实例的任务数和实例的编号，本发明利用RPI的评比方法对算法的有效性进行比较，评比公式为
Figure BDA0002985635540000071
本发明的计算结果已标出。
表1 DIWO针对10任务调度的运行结果
Figure BDA0002985635540000072
Figure BDA0002985635540000081
表1比较了DIWO与另外6种算法在10任务中的调度性能。DABC是Zou等提出的方法，其它算法是近几年发表的论文中的调度方法。从表1中可以看出本发明在所有20个实例上都取得了比较好的结果。和其他算法的相比，DIWO在少量问题上优于其它算法得到的最优值，即表示本发明针对少量任务具有有效性性。
表2 DIWO针对30个任务的运行结果
Figure BDA0002985635540000082
表3 DIWO针对50个任务的运行结果
Figure BDA0002985635540000083
Figure BDA0002985635540000091
表2和表3比较了DIWO与另外6种算法在30和50任务中的调度性能。从表1中可以看出本发明在所有实例上都取得了比较好的结果。和其他算法的相比，DIWO在所有问题上优于其它算法得到的最优值，说明DIWO算法在大量任务中表现优异，即表示本发明针对大量任务具有有效性。
通过以上的2组AGV调度问题的标准实例集的测试结果来看，本发明在AGV调度问题的求解结果上都优于其他方法，这说明本发明在矩阵车间AGV调度问题上具有优越的性能，同时也具有较好的稳定性。

Claims (5)

1.一种基于矩阵车间AGV调度的离散型优化方法，其特征在于，包括以下步骤：
步骤1：预设置离散杂草优化算法相关参数；包括初始种群数量，最大种群数量，最小种子数和最大种子数；
步骤2：初始化种群；利用邻域最近距离的启发式算法生成一个优质解，利用随机生成的方法生成其他解直至达到初始种群数量；
步骤3：对初始化种群进行优化；
步骤4：输出最佳解；判断是否达到计算时间5s的停止条件，若未达到停止条件，返回步骤3；若已达到停止条件，输出当前种群中的最优解。
2.根据权利要求1所述的基于矩阵车间AGV调度的离散型优化方法，其特征还在于，在步骤3中，又包括以下优化方法：
步骤3-1：将初始种群根据适应度进行排序，通过
Figure FDA0002985635530000011
公式，计算出初始种群的每个个体产生种子的个数，其中，seedn代表第n个父代可以产生的种子的个数，fn代表第n个父代的目标函数值，Smin为初始设定的最小种子数，Smax为初始设定的最大种子数，fmax为当前种群个体中最好的目标函数值，fmin为当前种群个体中最差的目标函数值，上述目标函数为运输成本；
步骤3-2：利用随机方法，初始种群的每个个体通过交换算子或插入算子新产生的种子加入初始种群中，形成新种群；
步骤3-3：将新种群按照适应度进行排序，判断新种群数量是否达到最大种群数量，判断新种群数量是否达到最大种群数量；若已达到最大种群数量，则按照适应度排名，则舍去多余的适应度较差的个体；若未达到最大种群数量，则直接进入3-4；
步骤3-4：对新种群中最好的个体进行局部搜索，进一步查找更好的解决方案，另随机在种群中选取另一个个体进行局部搜索。
3.根据权利要求1所述的基于矩阵车间AGV调度的离散型优化方法，其特征还在于，本方法根据实际情况采用小型运载量的AGV。
4.根据权利要求1所述的基于矩阵车间AGV调度的离散型优化方法，其特征还在于，在本方法的计算工程中，根据每辆车任务的最小早到时间，安排对应车辆延迟出发时间。
5.根据权利要求2所述的基于矩阵车间AGV调度的离散型优化方法，其特征还在于，在本方法的局部搜索的计算工程中，还设置有降低时间复杂度的实现方法：
a.随机选取所选择个体的一个任务t1并从原个体中删除，新个体根据目标函数，依次计算出每辆AGV在各个任务点的送达时间及运载量信息，并存储；
b.按照从前向后的规则，依次将已抽取的任务t1对新个体全部位置的进行插入操作并根据目标函数依次计算适应度；
c.判断选取的任务所插入的位置，计算新个体适应度时，提取记录的父代运载及到达预存信息应用。
CN202110299474.0A 2021-03-22 2021-03-22 基于矩阵车间agv调度的离散型优化方法 Active CN113064392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110299474.0A CN113064392B (zh) 2021-03-22 2021-03-22 基于矩阵车间agv调度的离散型优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110299474.0A CN113064392B (zh) 2021-03-22 2021-03-22 基于矩阵车间agv调度的离散型优化方法

Publications (2)

Publication Number Publication Date
CN113064392A true CN113064392A (zh) 2021-07-02
CN113064392B CN113064392B (zh) 2023-09-08

Family

ID=76562921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110299474.0A Active CN113064392B (zh) 2021-03-22 2021-03-22 基于矩阵车间agv调度的离散型优化方法

Country Status (1)

Country Link
CN (1) CN113064392B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113671910A (zh) * 2021-07-21 2021-11-19 华南理工大学 一种集成多agv柔性作业车间调度方法、装置及介质
CN113822588A (zh) * 2021-09-28 2021-12-21 聊城大学 基于离散的人工蜂群进化的自动导向车辆调度方法
CN113835430A (zh) * 2021-09-22 2021-12-24 聊城大学 基于特殊情况的矩阵车间agv调度的优化方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120123980A1 (en) * 2010-04-28 2012-05-17 Indian Statistical Institute Optimization technique using evolutionary algorithms
CN109857074A (zh) * 2019-02-02 2019-06-07 宁波吉利汽车研究开发有限公司 智能物流系统及车间管理系统
CN110263970A (zh) * 2019-05-14 2019-09-20 上海大学 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法
CN110458478A (zh) * 2019-08-23 2019-11-15 兰州理工大学 基于离散入侵杂草算法的作业车间调度方法
CN110909930A (zh) * 2019-11-20 2020-03-24 浙江工业大学 一种面向冷库的移动式货架仓储系统货位分配方法
CN110969362A (zh) * 2019-12-09 2020-04-07 山东师范大学 一种云计算系统下多目标任务调度方法及系统
CN111553063A (zh) * 2020-04-20 2020-08-18 广州地铁设计研究院股份有限公司 一种入侵杂草算法求解资源受限项目调度方法
CN112100861A (zh) * 2020-09-22 2020-12-18 河南中烟工业有限责任公司 基于入侵杂草优化算法的卷烟生产物料货位分配方法
CN112147960A (zh) * 2020-09-17 2020-12-29 武汉理工大学 一种柔性制造系统优化调度方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120123980A1 (en) * 2010-04-28 2012-05-17 Indian Statistical Institute Optimization technique using evolutionary algorithms
CN109857074A (zh) * 2019-02-02 2019-06-07 宁波吉利汽车研究开发有限公司 智能物流系统及车间管理系统
CN110263970A (zh) * 2019-05-14 2019-09-20 上海大学 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法
CN110458478A (zh) * 2019-08-23 2019-11-15 兰州理工大学 基于离散入侵杂草算法的作业车间调度方法
CN110909930A (zh) * 2019-11-20 2020-03-24 浙江工业大学 一种面向冷库的移动式货架仓储系统货位分配方法
CN110969362A (zh) * 2019-12-09 2020-04-07 山东师范大学 一种云计算系统下多目标任务调度方法及系统
CN111553063A (zh) * 2020-04-20 2020-08-18 广州地铁设计研究院股份有限公司 一种入侵杂草算法求解资源受限项目调度方法
CN112147960A (zh) * 2020-09-17 2020-12-29 武汉理工大学 一种柔性制造系统优化调度方法及装置
CN112100861A (zh) * 2020-09-22 2020-12-18 河南中烟工业有限责任公司 基于入侵杂草优化算法的卷烟生产物料货位分配方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
桑红燕等: ""求解流水车间批量流集成调度的离散入侵杂草优化算法"", 《控制理论与应用》, vol. 32, no. 2, pages 246 - 250 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113671910A (zh) * 2021-07-21 2021-11-19 华南理工大学 一种集成多agv柔性作业车间调度方法、装置及介质
CN113835430A (zh) * 2021-09-22 2021-12-24 聊城大学 基于特殊情况的矩阵车间agv调度的优化方法
CN113822588A (zh) * 2021-09-28 2021-12-21 聊城大学 基于离散的人工蜂群进化的自动导向车辆调度方法
CN113822588B (zh) * 2021-09-28 2023-12-19 聊城大学 基于离散的人工蜂群进化的自动导向车辆调度方法

Also Published As

Publication number Publication date
CN113064392B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN113064392A (zh) 基于矩阵车间agv调度的离散型优化方法
CN109190857B (zh) 一种基于多目标资源受限项目调度模型的优化算法
CN107301473B (zh) 基于改进遗传算法的同类平行机批调度方法及系统
CN110598941A (zh) 一种基于仿生策略的粒子群优化制造系统双目标排产方法
CN109636011B (zh) 一种基于改进的变邻域遗传算法的多班制计划排程法
CN105629927A (zh) 一种基于混合遗传算法的mes生产计划排产方法
CN104808629B (zh) 一种柔性机器人制造单元的调度方法
CN113379087A (zh) 一种基于改进遗传算法的生产制造排产优化方法
CN113219918B (zh) 一种基于物料齐套的混流装配车间排序方法
CN114358378A (zh) 一种用于考虑需量管理的用户侧储能优化配置系统及方法
CN113487276A (zh) 一种电气装备制造生产过程协同管理平台
CN107423810B (zh) 基于骆驼群算法的作业车间调度排产方法及系统
Ip et al. CONWIP based control of a lamp assembly production line
CN115049175A (zh) 多产品的生产规划方法及装置、计算机设备及存储介质
CN111325487A (zh) 一种流水生产车间智能调度优化方法及系统
CN113283819B (zh) 基于规则解码的Job Shop调度问题求解方法及系统
CN110932334B (zh) 一种带约束多目标优化风电场功率控制方法
Pan et al. An adaptive genetic algorithm for the flexible job-shop scheduling problem
CN113947321A (zh) 一种分布式信息能源网络拓扑结构构建方法和系统
CN114462770A (zh) 半导体生产排程方法、系统以及计算机可读存储介质
Bao et al. Improved Genetic Algorithm for Production Scheduling in Machine Tool Manufacturing Plants
CN113835430A (zh) 基于特殊情况的矩阵车间agv调度的优化方法
Li et al. Scheduling strategy of semiconductor production lines with remaining cycle time prediction
Liu et al. Adaptive genetic algorithm for scheduling problem in flexible workshop with low carbon constraints
CN112766733B (zh) 利用改进的K-means算法加速优化调度算法收敛的方法及系统

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