CN113112084A - 一种教练机后机身研发流程优化方法及装置 - Google Patents
一种教练机后机身研发流程优化方法及装置 Download PDFInfo
- Publication number
- CN113112084A CN113112084A CN202110434999.0A CN202110434999A CN113112084A CN 113112084 A CN113112084 A CN 113112084A CN 202110434999 A CN202110434999 A CN 202110434999A CN 113112084 A CN113112084 A CN 113112084A
- Authority
- CN
- China
- Prior art keywords
- information
- critical path
- initial
- trainer
- path information
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种教练机后机身研发流程优化方法及装置。所述教练机后机身研发流程优化方法包括:获取教练机后机身研发活动信息;根据教练机后机身研发活动信息生成关键路径信息以及至少两条非关键路径信息;根据所述非关键路径信息生成初始粒子,其中,一个初始粒子由一个非关键路径信息生成;根据各个所述初始粒子生成教练机后机身研发活动信息生成初始种群;基于所述初始种群进行寻优,从而获取基于初始种群生成的最优粒子,所述最优粒子包括一个非关键路径信息;根据所述最优粒子中的非关键路径信息以及所述关键路径信息中的生成最优教练机后机身研发活动信息。本发明提出的教练机后机身研发流程优化方法可缩短生产工期和减少成本。
Description
技术领域
本发明涉及航空产品研发技术领域,具体涉及一种教练机后机身研发流 程优化方法以及教练机后机身研发流程优化装置。
背景技术
当前,中国的航空产品的研发条件和制造能力快速发展,基于模型面向 产品全生命周期的数字化设计技术理论框架、模型定义方法和管理越来越深 入,航空批产和预研产品多品种小批量需求增加,同时产品模型管理目标也 越来越多。航空产品属于复杂产品,其研发过程较为烦琐,因此航空产品研 发流程管理需要先进的优化技术作为支撑,进而实现复杂产品模型的多个管 理目标。
当前已有多种多目标优化算法,例如:分支定界法、遗传算法、模拟退 火算法等优化算法。分支定界法:是一种求解整数规划问题的最常用算法。 这种方法不但可以求解纯整数规划,还可以求解混合整数规划的问题,是一 种搜索与迭代的方法,选择不同的分支变量和子问题进行分支。遗传算法: 针对种群进行染色体的交叉、选择、变异等操作,通过适应函数挑选出全局 最优个体,即为最优解。模拟退火算法:其出发点是基于物理中固体物质的 退火过程与一般组合优化问题之间的相似性,模拟退火算法从某一高初温出 发,伴随温度参数的不断下降,结合概率突跳特征在解空间中随机寻找目标 函数的全局最优解。但这些优化算法应用到实际产品生产过程中,比较复杂, 过程较为繁琐且用时较长。
发明内容
本发明的目的在于提供一种教练机后机身研发流程优化方法,来克服或 至少减轻现有技术的至少一个上述缺陷。
本发明的一个方面,提供一种教练机后机身研发流程优化方法,所述教 练机后机身研发流程优化方法包括:
获取教练机后机身研发活动信息;
根据教练机后机身研发活动信息生成关键路径信息以及至少两条非关 键路径信息;
根据所述非关键路径信息生成初始粒子,其中,一个初始粒子由一个非 关键路径信息生成;
根据各个所述初始粒子生成初始种群;
基于所述初始种群进行寻优,从而获取基于初始种群生成的最优粒子, 所述最优粒子包括一个非关键路径信息;
根据所述最优粒子中的非关键路径信息以及所述关键路径信息生成最 优教练机后机身研发活动信息。
可选地,所述根据教练机后机身研发活动信息生成关键路径信息以及至 少两条非关键路径信息包括:
通过关键路径算法对所述教练机后机身研发活动信息进行处理,从而生 成关键路径信息以及至少两条非关键路径信息。
可选地,每条所述非关键路径信息包括活动信息、每个活动的工期信息、 每个活动的人工成本信息;
根据所述非关键路径信息生成初始粒子包括:
获取每条所述非关键路径信息的活动信息、每个活动的工期信息、每个 活动的人工成本信息;
根据所述活动信息、每个活动的工期信息、每个活动的人工成本信息生 成一个初始粒子。
可选地,各个非关键路径信息的工期信息不同。
可选地,所述基于所述初始种群进行寻优,从而获取基于初始种群生成 的最优粒子,所述最优粒子包括一个非关键路径信息包括:
根据第一预设条件获取初始种群中的一个初始粒子作为初始最优粒子;
以所述初始最优粒子作为输入,根据粒子群优化算法对所述初始种群进 行寻优,以获取符合第二预设条件的基于初始种群生成的最优粒子。
可选地,所述第一预设条件为:获取初始种群中综合评分值最小的初始 粒子为最优粒子。
可选地,所述综合评分值采用如下公式获取:
min F(X)=C(X)+T(X);其中,
minF(X)为综合评分值、C(X)表示初始粒子中的各个活动的人工成本 信息之和,T(X)表示初始粒子中的各个活动的工期信息之和。
本申请还提供了一种教练机后机身研发流程优化装置,所述教练机后机 身研发流程优化装置包括:
活动信息获取模块,所述活动信息获取模块用于获取教练机后机身研发 活动信息;
路径信息生成模块,所述路径信息生成模块用于根据教练机后机身研发 活动信息生成关键路径信息以及至少两条非关键路径信息;
初始粒子生成模块,所述初始粒子生成模块用于根据所述非关键路径信 息生成初始粒子,其中,一个初始粒子由一个非关键路径信息生成;
初始种群生成模块,所述初始种群生成模块用于根据各个所述初始粒子 生成初始种群;
寻优模块,所述寻优模块用于基于所述初始种群进行寻优,从而获取基 于初始种群生成的最优粒子,所述最优粒子包括一个非关键路径信息;
最优教练机后机身研发活动信息生成模块,所述最优教练机后机身研发 活动信息生成模块用于根据所述最优粒子中的非关键路径信息以及所述关 键路径信息生成最优教练机后机身研发活动信息。
本申请还提供了一种电子设备,包括存储器、处理器以及存储在所述存 储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算 机程序时实现如上所述的教练机后机身研发流程优化方法。
本申请还提供了一种计算机可读存储介质,所述计算机可读存储介质存 储有计算机程序,所述计算机程序被处理器执行时能够实现如上所述的教练 机后机身研发流程优化方法。
有益效果
本发明的教练机后机身研发流程优化方法才做简单,并且在寻优过程中 具有记忆功能,确保全局最优解不被遗忘;通过使用关键路径算法设计适应 函数,确保了全局最优解的唯一性。
附图说明
图1为本发明第一实施例的教练机后机身流程优化方法的流程示意图。
图2是本申请的一个实施例中的教练机后机身的结构设计矩阵。
图3是通过本申请的教练机后机身流程优化方法对该教练机后机身的结 构设计矩阵进行优化后的最优结构设计矩阵。
具体实施方式
为使本申请实施的目的、技术方案和优点更加清楚,下面将结合本申请 实施例中的附图,对本申请实施例中的技术方案进行更加详细的描述。在附 图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似 功能的元件。所描述的实施例是本申请一部分实施例,而不是全部的实施例。 下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能 理解为对本申请的限制。基于本申请中的实施例,本领域普通技术人员在没 有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范 围。下面结合附图对本申请的实施例进行详细说明。
在本申请的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、 “前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底” “内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系, 仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件 必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请 保护范围的限制。
图1为本发明第一实施例的教练机后机身研发流程优化方法的流程示 意图。
如图1所示的教练机后机身研发流程优化方法包括:
步骤1:获取教练机后机身研发活动信息;
步骤2:根据教练机后机身研发活动信息生成关键路径信息以及至少两 条非关键路径信息;
步骤3:根据所述非关键路径信息生成初始粒子,其中,一个初始粒子 由一个非关键路径信息生成;
步骤4:根据各个所述初始粒子生成初始种群;
步骤5:基于所述初始种群进行寻优,从而获取基于初始种群生成的最 优粒子,所述最优粒子包括一个非关键路径信息;
步骤6:根据所述最优粒子中的非关键路径信息以及所述关键路径信息 生成最优教练机后机身研发活动信息。
本发明的教练机后机身研发流程优化方法才做简单,并且在寻优过程中 具有记忆功能,确保全局最优解不被遗忘;通过使用关键路径算法设计适应 函数,确保了全局最优解的唯一性。
在本实施例中,根据教练机后机身研发活动信息生成关键路径信息以及 至少两条非关键路径信息包括:
通过关键路径算法对教练机后机身研发活动信息进行处理,从而生成关 键路径信息以及至少两条非关键路径信息。
在本实施例中,每条非关键路径信息包括活动信息、每个活动的工期信 息、每个活动的人工成本信息;
在本实施例中,根据非关键路径信息生成初始粒子包括:
获取每条非关键路径信息的活动信息、每个活动的工期信息、每个活动 的人工成本信息;
根据活动信息、每个活动的工期信息、每个活动的人工成本信息生成一 个初始粒子。
在本实施例中,各个非关键路径信息的工期信息不同。
在本实施例中,基于初始种群进行寻优,从而获取基于初始种群生成的 最优粒子,最优粒子包括一个非关键路径信息包括:
根据第一预设条件获取初始种群中的一个初始粒子作为初始最优粒子;
以初始最优粒子作为输入,根据粒子群优化算法对初始种群进行寻优, 以获取符合第二预设条件的基于初始种群生成的最优粒子。
在本实施例中,第二预设条件为:获取比最优粒子的综合评分值还小的 基于初始种群生成的粒子中的各个粒子中的综合评分值最小的粒子作为最 优粒子。
在本实施例中,第一预设条件为:获取初始种群中综合评分值最小的初 始粒子为最优粒子。
在本实施例中,综合评分值采用如下公式获取:
min F(X)=C(X)+T(X);其中,
minF(X)为综合评分值、C(X)表示初始粒子中的各个活动的人工成本 信息之和,T(X)表示初始粒子中的各个活动的工期信息之和。
X=(x1,x2,......xn)表示活动,C(X)表示初始粒子中的各个活动的人工成 本信息之和,T(X)表示初始粒子中的各个活动的工期信息之和,α为平均人 工成本系数,表示第i个活动的人数;表示每个活动工期,取值为0-1, ρ表示每个关键路径活动的缩短工期比重系数,取值为0-1,γ表示关键路径 中新增人员工作工期所占工期比例,取值为0-1,表示第i个活动第j 次新人人员数量,m代表关键路径新增人数的次数。
下面以举例的方式对本申请进行进一步详细阐述。可以理解的是,该举 例并不构成对本申请的任何限制。
参见图2,图2给图的是某型教练机后机身的研发流程的AOV图。该 图中的102、103、104等,每个数字代表一个活动,具体可参见图3。该活 动时教练机后机身研发过程中的一个活动,例如,在本实施例中,102代表 参加总体结构布局设计这个活动、103代表设计结构部件的总体传力方案及 确定传力路线这个活动、104代表提出结构重大技术关键和新技术项且清单 这个活动。其他数字也都代表一个教练机后机身研发过程中的已知的活动。
参见图3,图3为教练机后机身研发活动信息,包括活动信息、每个活 动的工期信息、每个活动的人工成本信息。
根据图3中的各个信息,我们可以通过关键路径算法进行计算,从而获 得关键路径信息以及非关键路径信息。其中,我们通过关键路径算法可以获 得多条非关键路径信息。
根据非关键路径信息生成初始粒子,其中,一个初始粒子由一个非关键 路径信息生成;
根据各个所述初始粒子生成初始种群;
基于所述初始种群进行寻优,从而获取基于初始种群生成的最优粒子, 所述最优粒子包括一个非关键路径信息;
根据所述最优粒子中的非关键路径信息以及所述关键路径信息生成最 优教练机后机身研发活动信息。
本申请还提供了一种教练机后机身研发流程优化装置,所述教练机后机 身研发流程优化装置包括活动信息获取模块、路径信息生成模块、初始粒子 生成模块、初始种群生成模块、寻优模块以及最优教练机后机身研发活动信 息生成模块;其中,
活动信息获取模块用于获取教练机后机身研发活动信息;
路径信息生成模块用于根据教练机后机身研发活动信息生成关键路径 信息以及至少两条非关键路径信息;
初始粒子生成模块用于根据非关键路径信息生成初始粒子,其中,一个 初始粒子由一个非关键路径信息生成;
初始种群生成模块用于根据各个初始粒子生成初始种群;
寻优模块用于基于所述初始种群进行寻优,从而获取基于初始种群生成 的最优粒子,最优粒子包括一个非关键路径信息;
最优教练机后机身研发活动信息生成模块用于根据最优粒子中的非关 键路径信息以及关键路径信息生成最优教练机后机身研发活动信息。
在本实施例中,寻优模块采用粒子群优化算法进行寻优。
需要说明的是,前述对方法实施例的解释说明也适用于本实施例的装 置,此处不再赘述。
本申请还提供了一种电子设备,包括存储器、处理器以及存储在存储器 中并能够在处理器上运行的计算机程序,处理器执行计算机程序时实现如上 的教练机后机身研发流程优化方法。
举例来说,电子设备包括输入设备、输入接口、中央处理器、存储器、 输出接口以及输出设备。其中,输入接口、中央处理器、存储器以及输出接 口通过总线相互连接,输入设备和输出设备分别通过输入接口和输出接口与 总线连接,进而与计算设备的其他组件连接。具体地,输入设备接收来自外 部的输入信息,并通过输入接口将输入信息传送到中央处理器;中央处理器 基于存储器中存储的计算机可执行指令对输入信息进行处理以生成输出信 息,将输出信息临时或者永久地存储在存储器中,然后通过输出接口将输出 信息传送到输出设备;输出设备将输出信息输出到计算设备的外部供用户使 用。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质存储有 计算机程序,计算机程序被处理器执行时能够实现如上的教练机后机身研发 流程优化方法。
本申请虽然以较佳实施例公开如上,但其实并不是用来限定本申请,任 何本领域技术人员在不脱离本申请的精神和范围内,都可以做出可能的变动 和修改,因此,本申请的保护范围应当以本申请权利要求所界定的范围为准。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入 /输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动,媒体可以 由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、 程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、 其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可 编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数据多功能光盘(DVD)或其他光学存储、磁盒式磁 带、磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储 可以被计算设备访问的信息。
本领域技术人员应明白,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。
此外,显然“包括”一词不排除其他单元或步骤。装置权利要求中陈述 的多个单元、模块或装置也可以由一个单元或总装置通过软件或硬件来实 现。第一、第二等词语用来标识名称,而不标识任何特定的顺序。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和 计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或 框图中的每个方框可以代表一个模块、程序段、或代码的一部分,模块、程 序段、或代码的一部分包括一个或多个用于实现规定的逻辑功能的可执行指 令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以 不同于附图中所标注的顺序发生。例如,两个接连地标识的方框实际上可以 基本并行地执行,他们有时也可以按相反的顺序执行,这依所涉及的功能而 定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或总流程 图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统 来实现,或者可以用专用硬件与计算机指令的组合来实现。
在本实施例中所称处理器可以是中央处理单元(Central Processing Unit,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 Gate Array,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。通用处理器可以是微处 理器或者该处理器也可以是任何常规的处理器等。
存储器可用于存储计算机程序和/或模块,处理器通过运行或执行存储 在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实 现装置/终端设备的各种功能。存储器可主要包括存储程序区和存储数据区, 其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声 音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创 建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机 存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘, 智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡, 闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性 固态存储器件。
在本实施例中,装置/终端设备集成的模块/单元如果以软件功能单元的 形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存 储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流 程,也可以通过计算机程序来指令相关的硬件来完成,的计算机程序可存储 于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述 各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程 序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记 录介质、U盘、移动硬盘、磁碟、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)、 电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介 质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增 减。
虽然,上文中已经用一般性说明及具体实施方案对本发明作了详尽的描 述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员 而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或 改进,均属于本发明要求保护的范围。
Claims (10)
1.一种教练机后机身研发流程优化方法,其特征在于,所述教练机后机身研发流程优化方法包括:
获取教练机后机身研发活动信息;
根据教练机后机身研发活动信息生成关键路径信息以及至少两条非关键路径信息;
根据所述非关键路径信息生成初始粒子,其中,一个初始粒子由一个非关键路径信息生成;
根据各个所述初始粒子生成初始种群;
基于所述初始种群进行寻优,从而获取基于初始种群生成的最优粒子,所述最优粒子包括一个非关键路径信息;
根据所述最优粒子中的非关键路径信息以及所述关键路径信息生成最优教练机后机身研发活动信息。
2.如权利要求1所述的教练机后机身研发流程优化方法,其特征在于,所述根据教练机后机身研发活动信息生成关键路径信息以及至少两条非关键路径信息包括:
通过关键路径算法对所述教练机后机身研发活动信息进行处理,从而生成关键路径信息以及至少两条非关键路径信息。
3.如权利要求2所述的教练机后机身研发流程优化方法,其特征在于,
每条所述非关键路径信息包括活动信息、每个活动的工期信息、每个活动的人工成本信息;
根据所述非关键路径信息生成初始粒子包括:
获取每条所述非关键路径信息的活动信息、每个活动的工期信息、每个活动的人工成本信息;
根据所述活动信息、每个活动的工期信息、每个活动的人工成本信息生成一个初始粒子。
4.如权利要求3所述的教练机后机身研发流程优化方法,其特征在于,各个非关键路径信息的工期信息不同。
5.如权利要求4所述的教练机后机身研发流程优化方法,其特征在于,所述基于所述初始种群进行寻优,从而获取基于初始种群生成的最优粒子,所述最优粒子包括一个非关键路径信息包括:
根据第一预设条件获取初始种群中的一个初始粒子作为初始最优粒子;
以所述初始种群作为输入,根据粒子群优化算法对所述初始种群进行寻优,以获取符合第二预设条件的基于初始种群生成的最优粒子。
6.如权利要求5所述的教练机后机身研发流程优化方法,其特征在于,所述第一预设条件为:获取初始种群中综合评分值最小的初始粒子为最优粒子。
7.如权利要求6所述的教练机后机身研发流程优化方法,其特征在于,所述综合评分值采用如下公式获取:
min F(X)=C(X)+T(X);其中,
minF(X)为综合评分值、C(X)表示初始粒子中的各个活动的人工成本信息之和,T(X)表示初始粒子中的各个活动的工期信息之和。
8.一种教练机后机身研发流程优化装置,其特征在于,所述教练机后机身研发流程优化装置包括:
活动信息获取模块,所述活动信息获取模块用于获取教练机后机身研发活动信息;
路径信息生成模块,所述路径信息生成模块用于根据教练机后机身研发活动信息生成关键路径信息以及至少两条非关键路径信息;
初始粒子生成模块,所述初始粒子生成模块用于根据所述非关键路径信息生成初始粒子,其中,一个初始粒子由一个非关键路径信息生成;
初始种群生成模块,所述初始种群生成模块用于根据各个所述初始粒子生成初始种群;
寻优模块,所述寻优模块用于基于所述初始种群进行寻优,从而获取基于初始种群生成的最优粒子,所述最优粒子包括一个非关键路径信息;
最优教练机后机身研发活动信息生成模块,所述最优教练机后机身研发活动信息生成模块用于根据所述最优粒子中的非关键路径信息以及所述关键路径信息生成最优教练机后机身研发活动信息。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的教练机后机身研发流程优化方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时能够实现如权利要求1至7中任一项所述的教练机后机身研发流程优化方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010754493 | 2020-07-31 | ||
CN2020107544933 | 2020-07-31 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112084A true CN113112084A (zh) | 2021-07-13 |
CN113112084B CN113112084B (zh) | 2023-01-31 |
Family
ID=76719498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110434999.0A Active CN113112084B (zh) | 2020-07-31 | 2021-04-22 | 一种教练机后机身研发流程优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112084B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629907A (zh) * | 2023-04-28 | 2023-08-22 | 南京贝迪新材料科技股份有限公司 | 一种基于市场数据分析的激光幕布优化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106293003A (zh) * | 2016-08-05 | 2017-01-04 | 广东工业大学 | 一种基于aov网关键路径查询的异构系统动态功耗优化方法 |
CN106910350A (zh) * | 2017-03-22 | 2017-06-30 | 东南大学 | 一种寻找信号控制交叉口群关键路径的方法 |
CN108829501A (zh) * | 2018-05-18 | 2018-11-16 | 天津科技大学 | 一种基于改进遗传算法的批处理科学工作流任务调度算法 |
-
2021
- 2021-04-22 CN CN202110434999.0A patent/CN113112084B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106293003A (zh) * | 2016-08-05 | 2017-01-04 | 广东工业大学 | 一种基于aov网关键路径查询的异构系统动态功耗优化方法 |
CN106910350A (zh) * | 2017-03-22 | 2017-06-30 | 东南大学 | 一种寻找信号控制交叉口群关键路径的方法 |
CN108829501A (zh) * | 2018-05-18 | 2018-11-16 | 天津科技大学 | 一种基于改进遗传算法的批处理科学工作流任务调度算法 |
Non-Patent Citations (3)
Title |
---|
兰舟等: ""基于关键路径知识的任务调度遗传算法"", 《计算机应用》 * |
祖伟等: "基于改进粒子群优化算法的路径规划方法研究", 《弹箭与制导学报》 * |
马华伟等: ""多层级外包模式下的复杂产品制造项目工期估算方法"", 《项目管理技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116629907A (zh) * | 2023-04-28 | 2023-08-22 | 南京贝迪新材料科技股份有限公司 | 一种基于市场数据分析的激光幕布优化方法及系统 |
CN116629907B (zh) * | 2023-04-28 | 2024-05-03 | 南京贝迪新材料科技股份有限公司 | 一种基于市场数据分析的激光幕布优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113112084B (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107402955A (zh) | 确定地理围栏的索引网格的方法和装置 | |
CN108363788B (zh) | 帖子智能排位方法、装置以及计算机可读存储介质 | |
CN110399487B (zh) | 一种文本分类方法、装置、电子设备及存储介质 | |
EP3961384A1 (en) | Automatic derivation of software engineering artifact attributes from product or service development concepts | |
CN111461168A (zh) | 训练样本扩充方法、装置、电子设备及存储介质 | |
CN111241353B (zh) | 一种图数据的分区方法、装置以及设备 | |
CN109948680A (zh) | 病历数据的分类方法及系统 | |
CN108073687B (zh) | 随机游走、基于集群的随机游走方法、装置以及设备 | |
CN112906865B (zh) | 神经网络架构搜索方法、装置、电子设备及存储介质 | |
CN111783873A (zh) | 基于增量朴素贝叶斯模型的用户画像方法及装置 | |
CN113112084B (zh) | 一种教练机后机身研发流程优化方法及装置 | |
CN114862140A (zh) | 基于行为分析的潜力评估方法、装置、设备及存储介质 | |
CN112818219A (zh) | 解释推荐效果的方法、系统、电子设备及可读存储介质 | |
CN115035017A (zh) | 细胞密度分群方法、装置、电子设备及存储介质 | |
CN108830302B (zh) | 一种图像分类方法、训练方法、分类预测方法及相关装置 | |
CN115564578B (zh) | 欺诈识别模型生成方法 | |
CN108229572B (zh) | 一种参数寻优方法及计算设备 | |
CN109658094B (zh) | 随机游走、基于集群的随机游走方法、装置以及设备 | |
CN114691630A (zh) | 一种智慧供应链大数据共享方法及系统 | |
CN114298329A (zh) | 一种模型训练方法、装置、设备及存储介质 | |
CN113255933A (zh) | 特征工程和图网络生成方法和装置、分布式系统 | |
CN113468469A (zh) | 由计算机执行的特征图的卷积处理方法、装置和电子设备 | |
CN106919946A (zh) | 一种受众选择的方法及装置 | |
CN113704520B (zh) | 利用cuda并行加速Anchor-based数据的处理方法、装置以及电子设备 | |
CN118171166A (zh) | 一种自适应商品标签变化的分类方法、装置、设备及介质 |
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 |