CN113112143B - 云制造环境下多级别制造商协同生产任务分配方法及系统 - Google Patents
云制造环境下多级别制造商协同生产任务分配方法及系统 Download PDFInfo
- Publication number
- CN113112143B CN113112143B CN202110375476.3A CN202110375476A CN113112143B CN 113112143 B CN113112143 B CN 113112143B CN 202110375476 A CN202110375476 A CN 202110375476A CN 113112143 B CN113112143 B CN 113112143B
- Authority
- CN
- China
- Prior art keywords
- manufacturer
- production
- level
- task
- downstream
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 23
- 239000000047 product Substances 0.000 claims description 18
- 239000011265 semifinished product Substances 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000032258 transport Effects 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282461 Canis lupus Species 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision 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
本发明公开了云制造环境下多级别制造商协同生产任务分配方法及系统,其中涉及的云制造环境下多级别制造商协同生产任务分配方法,包括:S1.获取与制造商协同生产相对应的最大化用户的满意度、最小化完成任务总时间和成本;S2.构建多级别制造商协同生产任务分配的优化模型;S3.采用基于切比雪夫分解策略的多目标进化MOEA/D算法对构建的优化模型进行求解,输出最优分配方法。本发明的模型以成本、时间最短,质量最优为目标函数,综合考虑了制造商任务数、起制数、限制数等产能约束;用相同数据集实验显示,MOEA/D得到的Pareto解在IGD指标、最大散布范围方面比PDMOSA和NSGA‑II好;在不同数据集实验显示,MOEA/D在最好解和平均解方面也有较好表现。
Description
技术领域
本发明涉及任务分配技术领域,尤其涉及云制造环境下多级别制造商协同生产任务分配方法及系统。
背景技术
云制造是网络化、服务化制造和云计算、云安全、物联网等技术的融合,通过统一管理各类资源,为客户提供各类按需制造服务,能促进企业提高产品价值,满足消费者多样化的需求。收到制造任务后,云制造平台需要在资源池中找到符合条件的制造商,进行任务分配。任务分配是指云平台经过一定的规则分解需求任务,拆分后的子需求任务分配给最优的候选资源,即找出最优的资源服务链。任务分配过程中包括大量服务提供方,服务需求方,运营方,各方具有自治性和偏好,需要综合考虑利益分配、资源利用、服务质量等众多指标。随着资源池规模不断增大,任务分配越来越困难,成为云制造的关键环节。
云制造环境下的任务分配问题引起了国内外不少学者的关注,众多学者从服务组合的关联性、供应商协作,单目标和多目标优化出发研究。服务组合的关联性,如Liu等人将功能相同的基本服务自由组成服务群,共同完成每个子任务,提高QoS指标和组合成功率。Jin等认为制造云服务之间质量具有相关性,提出了服务相互依赖的QoS映射模型,用于提高组合的QoS值。李永湘等将服务组合的可靠度、可信度、组合复杂度、协同度与执行时间和执行费用结合,提出新的QoS评价指标。任磊等综合考虑服务群体的胜任度和协同水平,提出混合任务的多目标任务分配优化模型,实现制造任务的优化分配。
传统的任务分配往往采取一对一模式,即一个任务由一家制造商完成。周珂等从任务的结构出发指出将任务分解为产品级、部件级、零件级和工序级后,优化制造单元级资源配置的方法。陈友玲等提出将订单分解成不同的数量,由同类型制造商协作完成,可以解决因制造资源生产能力约束导致的任务分配不合理问题。谢乃明等人以云平台为调度中心进行订单分派、组织运输方式,使订单总成本最低。Chen等提出需求者利用合作博弈对预定资源交换和再利用,降低需求者的成本。
研究常用单一目标或者多个目标筛选服务组合,用单一目标往往得到一个最优解,所得解不能满足用户多样化的需求。多目标优化过程中,每个目标相互制约,不可能同时达到最优,算法需要找到一组最接近Pareto最优域且均匀分散的解。Yang等从经济和环境出发,将成本、碳排放和水资源利用作为目标函数来构建模型,得到最优服务组合。Bi等针对服务组合和最优选择过程中,QoS评价指标的制约问题,通过非支配排序遗传算法求解基于用户偏好的Pareto面。Yang等用逆向学习和控制参数的非线性调整策略,对多目标灰狼算法改进,加强了算法的全局搜索能力,避免陷入局部最优。Sofia等人以最小化运行本和最小化完工时间为目标,优化调度任务和分配云服务资源。
上述文献中只对制造商的级别选择优化或者只允许同类别多家制造商协同生产,若两者结合,可用于解决复杂大规模任务的生产。基于此本发明提出了制造商级别选择下可组合生产的多目标调度模型。
发明内容
本发明的目的是针对现有技术的缺陷,提供了云制造环境下多级别制造商协同生产任务分配方及系统。
为了实现以上目的,本发明采用以下技术方案:
云制造环境下多级别制造商协同生产任务分配方法,包括:
S1.获取与制造商协同生产相对应的最大化用户的满意度、最小化完成任务总时间和成本;
S2.构建多级别制造商协同生产任务分配的优化模型;
S3.采用基于切比雪夫分解策略的多目标进化MOEA/D算法对构建的优化模型进行求解,输出最优分配方法。
进一步的,所述步骤S2中构建多级别制造商协同生产任务分配的优化模型中总时间的目标函数表示为:
T1′=T1
其中,Tr′表示总时间;δr-1、均表示决策变量;Tr表示第r个组合的总时间;Si,j,k表示制造商RSi,j,k的生产数量;Tmai,j,k表示制造商RSi,j,k的单位产品生产时间;/>表示半成品从制造商RSi,j,k转运至下游制造商w的时间;Sw表示下游制造商w的生产数量;Tmaw表示下游制造商w的单位产品生产时间;w表示下游制造商数量;k表示级别下制造商数量;j表示级别。
进一步的,所述步骤S2中构建多级别制造商协同生产任务分配的优化模型中总成本的目标函数表示为:
其中,C表示总成本;Si,j,k表示制造商RSi,j,k的生产数量;Cmai,j,k表示制造商RSi,j,k的d单位产品的生产成本;Si,j,k,w表示制造商RSi,j,k运输至下游供应商w的数量;Ctai,j,k,w表示制造商RSi,j,k运输至下游供应商w的单位产;Cmaw表示下游制造商w的单位产品生产费用。
进一步的,所述步骤S2中构建多级别制造商协同生产任务分配的优化模型中总质量的目标函数表示为:
其中,Q表示总质量;Qi,j,k表示制造商RSi,j,k的服务质量;Qw表示下游制造商w的服务质量。
进一步的,所述步骤S2中构建多级别制造商协同生产任务分配的优化模型的模型约束条件包括:
任务RTi制造商生产数量总和等于任务要求的数量,表示为:
其中,Si,j表示任务i下级别j的制造商生产总数量;Ai表示相对应任务要求的制造商数量;
任务RTi下各级别的制造商生产的总数量等于级别要求的数量,表示为:
其中,Si,j,k表示任务i级别j下的制造商k生产数量;Ai,j表示任务相对应级别要求的生产总数量;
下游任务产品级制造商的生产数量总和为任务的要求数量,表示为:
其中,Sw表示下游制造商w生产数量;Aw表示下游制造商总生产数量;任务的制造商RSi,j,k的生产数量大于制造商的起制数量,表示为:
Li,j,k≤Si,j,k
其中,Li,j,k表示制造商相对应的起制数量;
各任务的制造商数量总和小于所限制的数量,表示为:
其中,Ei表示各任务相对应的限制的数量;
下游子任务的制造商数量总和小于限制数量,表示为:
其中,Ew表示子任务相对应的限制数量。
进一步的,所述步骤S3具体包括:
S31.初始化参数;其中参数包括种群规模、均匀权重λ、交叉概率pc、变异概率pm、初始迭代次数T0、终止迭代次数Tend、选择邻域概率η;
S32.生成初始种群,外部归档案集为初始种群;
S33.计算初始种群各个体的目标函数f1,f2,f3,记录当前迭代次数T=T0;
S34.以η的概率选择某个邻域进行交叉、变异操作,得到解x;
S35.修正不可行解,得到可行解x′;
S36.计算新生成个体目标函数f1,f2,f3;
S37.更新参考点fi best,对每个i(i=1,2,3),若fi(x′)<fi best,则令fi best=fi(x′);
S38.产生新解x′,若对每个邻域j∈(1,…,R),g(x′|λj)≤g(yj|λj),则旧解x′更新为yj=x′,yj表示第j个邻域个体,λj为第j个邻域个体的权重;
S39.当T<Tend,则T=T+1,转至步骤S34;否则执行步骤S39;
S40.算法结束,输出最优分配方法。
进一步的,所述步骤S34中以η的概率选择某个邻域具体为:以η的概率从个体的邻域中选择交叉个体,1-η的概率从整个种群中随机选择交叉个体。
进一步的,所述步骤S34中交叉操作具体为:对第一个体和第二个体已选中的同级别制造商进行交叉;
变异操作具体为:随机选择个体已选择的某个制造商,在所处的级别下重新构造各制造商的生产任务。
进一步的,所述步骤S35中修正不可行解的修正方法为:对个体选中的各个级别的制造商数量进行排序,选择数量多的加工级别对应的基因片段,在选择的片段中随机选择某个选中的制造商,将该制造商加工任务的数量累加至其他选中制造商上,并将其清零,保证了任务数量不变。
相应的,还提供云制造环境下多级别制造商协同生产任务分配系统,包括:
获取模块,用于获取与制造商协同生产相对应的最大化用户的满意度、最小化完成任务总时间和成本;
构建模块,用于构建多级别制造商协同生产任务分配的优化模型;
求解模块,用于采用基于切比雪夫分解策略的多目标进化MOEA/D算法对构建的优化模型进行求解,输出最优分配方法。
与现有技术相比,本发明为了提高云制造环境下制造任务的制造商级别选择合理性和任务分配效率,建立了面向云制造的制造商级别选择下的协同生产任务分配模型,采用MOEA/D进行了求解。该模型以成本、时间最短,质量最优为目标函数,综合考虑了制造商任务数、起制数、限制数等产能约束;用相同数据集实验显示,MOEA/D得到的Pareto解在IGD指标、最大散布范围方面比PDMOSA和NSGA-II好;在不同数据集实验显示,MOEA/D在最好解和平均解方面也有较好表现。以上研究为云制造任务协同分配问题提供了有用的方法支撑。
附图说明
图1是实施例一提供的云制造环境下多级别制造商协同生产任务分配方法流程图;
图2是实施例一提供的多级别制造商示意图;
图3是实施例一提供的整个云制造任务协同生产分配过程示意图;
图4是实施例一提供的MOEA/D算法示意图;
图5是实施例二提供的各算法IGD指标的变化曲线示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷,提供了云制造环境下多级别制造商协同生产任务分配方法及系统。
实施例一
本实施例提供
云制造环境下多级别制造商协同生产任务分配方法,如图1所示,包括:
S1.获取与制造商协同生产相对应的最大化用户的满意度、最小化完成任务总时间和成本;
S2.构建多级别制造商协同生产任务分配的优化模型;
S3.采用基于切比雪夫分解策略的多目标进化MOEA/D算法对构建的优化模型进行求解,输出最优分配方法。
本实施例提供的多级别制造商协同生产任务分配问题,它指的是云需求方向云制造平台提交了生产任务的需求,如何将经过分解的生产任务需求恰当地分配至位于不同地理位置的具有不同级别的制造商,并获得完成生产任务的加工时间、服务质量和运输成本最小的分配方案。该问题具有以下特点:(1)生产任务需求可以进行拆分,根据BOM清单可以划分为四层,即为产品级、部件级、零件级和工序级。(2)在制造商生产完成后,需要运输到下游制造商生产。由于选择的制造商级别不同,运输至下游制造商后,假设易组装,忽略组装时间。(3)制造商的级别选择具有冲突性,级别大的制造商选择后对具有加工能力包含关系制造商不能选择,例如选择产品级后不能选择部件级制造商。(4)随着级别变小,任务制造数量增多,工序级供应商生产的加工数量比选择产品级的加工数量多。
基于此,多级别制造商协同生产任务分配问题可以描述为:云制造平台在某一时刻(记为零)收到了一个生产任务需求,其可以分解为RTi(i=1,...,n)个并行任务,对于任意任务RTi,可以由隶属云平台的多个制造商协同生产。由于制造商的资质不同,位于不同位置的制造商被划分为产品级、部件级、零件级和工序级四类,假设每一级别下的制造商数量不同。不同级别的制造商可以共同生产完成某一任务RT,其中x代表数量不同的制造商。
如图2所示为多级别制造商示意图,某任务根据BOM清单划分后,每个级别都有相应的制造商,若干个数量不等的制造商相互协作共同生产,任务的分配策略有若干种组合方式,表1为某任务若干种组合方式的6种举例。
表1
定义生产任务集合为J={RT1,RT2,...,RTn},各任务制造商集合为M={RS1,RS2,...,RSn},假设任务RTi分解后由属于第j级别的第k个制造商进行部分加工时,所分配到的任务数量为Sijk,制造商RSijk对任务Ti的服务质量为Qijk,相应的单位产品的制造时间Tmaijk,每单位制造成本不同级别的制造商在加工完成分配的任务后需要运送至下游装配商RSw进一步加工,制造商RSijk将其加工的任务运输至下游制造商w时,下游制造商w生产数量为Sw,需要运输时间Ttijkw,下游制造商w每单位生产时间需要Tmaijkw、制造成本为Cmaijkw和服务质量为Qw。整个云制造任务协同生产分配过程如图3所示。
本实施例所选择的制造商组合需要最大化用户的满意度,最小化完成任务总时间和成本为目标,对多级别制造商协同生产任务分配问题进行分析、建模与求解,最终确定决策变量Sijk、Sw。
结合上述分析,基于制造商级别可组合生产的云制造任务分配问题综合了制造资源的多级别、多服务、分布性等特点,以此构建任务分配链,解决多级别制造商协同生产问题。
在步骤S2中,构建多级别制造商协同生产任务分配的优化模型。
优化模型中总时间的目标函数表示为:
T1′=T1 (1.1)
其中,公式(1)为总时间目标函数,由式(1.2)计算得到各上游任务到下游任务的时间;Si,j,kTmai,j,k表示制造商RSi,j,k的生产数量和单位产品生产时间累计得到生产时间,表示制造商RSi,j,k到制造商RSw的运输时间和制造商RSw的生产时间总和。Tr′表示总时间;δr-1、/>均表示决策变量;Tr表示第r个组合的总时间;Si,j,k表示制造商RSi,j,k的生产数量;Tmai,j,k表示制造商RSi,j,k的单位产品生产时间;/>表示半成品从制造商RSi,j,k转运至下游制造商w的时间;Sw表示下游制造商w的生产数量;Tmaw表示下游制造商w的单位产品生产时间;w表示下游制造商数量;k表示级别下制造商数量;j表示级别。
优化模型中总成本的目标函数表示为:
其中,式(2)是总成本目标函数,Si,j,kCma i,j,k是针对制造商RSi,j,k的生产数量与其单位制造成本的累计,Si,j,k,wCta i,j,k,w表示制造商RSi,j,k分配至下游制造商RSw的数量和其单位产品转运成本的累乘;C表示总成本;Si,j,k表示制造商RSi,j,k的生产数量;Cmai,j,k表示制造商RSi,j,k的d单位产品的生产成本;Si,j,k,w表示制造商RSi,j,k运输至下游供应商w的数量;Ctai,j,k,w表示制造商RSi,j,k运输至下游供应商w的单位产;Cmaw表示下游制造商w的单位产品生产费用。
优化模型中总质量的目标函数表示为:
其中,式(3)为总质量目标函数,表示各个任务中所选企业的服务质量之和;Q表示总质量;Qi,j,k表示制造商RSi,j,k的服务质量;Qw表示下游制造商w的服务质量。
在本实施例中,制造商数量增加至一定规模后,任务完成的协调性会降低,所以选择的制造商数量不能超过用户所限制的数量。由于每家制造商都有起制的任务数,选择制造商时要大于起制量。在满足相关约束情况下,所选择的制造商组合需要最大化用户的满意度,最小化完成任务总时间和成本。
制造商级别组合模型主要存在以下一些约束条件:主要体现在制造商任务数量恒定约束条件(1)、(2)、(3),大于起制数量约束(4)、总数小于限制数量约束(5)、(6)、(7)。
(1)任务RTi制造商生产数量总和等于任务要求的数量Ai,表示为:
(2)任务RTi下各级别的制造商生产的总数量等于级别要求的数量Ai,j,表示为:
(3)下游任务产品级制造商的生产数量总和为任务的要求数量Aw,表示为:
(4)任务的制造商RSi,j,k的生产数量大于制造商的起制数量Li,j,k,表示为:
Li,j,k≤Si,j,k
(5)各任务的制造商数量总和小于所限制的数量Ei,表示为:
(6)下游子任务的制造商数量总和小于限制数量Ew,表示为:
在步骤S3中,采用基于切比雪夫分解策略的多目标进化MOEA/D算法对构建的优化模型进行求解,输出最优分配方法。
根据上述对云制造环境下多级别制造商协同生产任务分配问题的描述,问题决策过程与求解思路如下:
(1)对于已到达的生产任务1到n选择加工级别(制造商),同时在选择过程中回避具有冲突性的情形发生,比如选择产品级就不能选择其他级别加工,加工级别需要能够完整的加工该任务(如表1)。
(2)选择加工的制造商,每个级别下都有若干个制造商商,从已选择的制造商商级别中选择制造商,选择能够组合后完成该级别任务的制造商商,加工总成本和总质量为C1,Q1。
(3)选择下游制造商商,将在不同级别制造商生产完的半成品运输至下游制造商商,进行下一步加工。在此过程中,由于众多产品组装时间较短,可忽略上游半成品到下游制造商商的组装时间。下游制造商商的总成本和质量记为C2,Q2,加工的总时间为T。
(4)计算成本C=C1+C2,质量Q=Q1+Q2,用指标T,C,Q结合MOEA/D算法选择出最优的方案。
本实施例主要是基于切比雪夫方法的MOEA/D算法进行求解的,其中基于切比雪夫方法的MOEA/D算法具体为:
基于切比雪夫分解策略的MOEA-D因邻域优化合作的特点,搜索效率高。切比雪夫方法是一种非线性多目标聚合方法,聚合函数为:
其中,目标个数m为3,λ=(λ1,λ2,λ3)为权重向量,λi≥0且z*各优化目标的理想点,定义为z*=min{fi(x)|x∈Ω}。基于切比雪夫的MOEA/D算法的最大特点是通过邻域实现解的分解和合作,种群中的每个个体的各目标权重设置不同,代表权重不一的子问题,用欧式距离计算得到数量为R的邻域个体。MOEA/D算法从邻域中选择交叉个体,遵循一定的规则更新,因此当某子问题找到一个质量高的解时,会立即扩散到其他相关个体中,加快种群的收敛速度。
MOEA/D算法的操作:
可行解构造:
步骤1:选择加工级别。先确定该任务的生产结构,从中选择加工级别,所选择的加工级别需要能正好加工完该任务。
步骤2:选择制造商。每个加工级别下都有若干个不同的制造商,对选中的加工级别中的制造商进行筛选。在满足各制造商起制数量的要求下,分配任务数量。
如果制造商数量超过设定的数量作不可行解的修正。修正的方式为,首先对该个体选中的各个级别的制造商数量进行排序,选择数量多的加工级别对应的基因片段,在该片段中随机选择某个选中的制造商,将其加工任务的数量累加至其他选中制造商上,并将其清零,保证了任务数量不变。
步骤3:选择下游产品级制造商。上游任务的半成品还需运输至下游制造商继续加工,在大于下游制造商的起制数量前提下,随机选择制造商和分配任务数量,依据就近原则将上游制造商的半成品指派运输至下游。
本实施例采用了4层矩阵编码方法,第1层表示任务制造商的生产数量,第2层表示选中的任务制造商编号,第3层表示选中的下游制造商编号,第4层表示上游制造商分配给下游制造商的半成品数量。
个体评价:
为了筛选出非劣解,找出支配关系,需要对所得解归一化处理,方法如下:
效益型指标:
成本型指标:
其中fmax和fmin分别为目标函数的极大值,极小值。
步骤S3如图4所示,具体包括:
S31.初始化参数;其中参数包括种群规模、均匀权重λ、交叉概率pc、变异概率pm、初始迭代次数T0、终止迭代次数Tend、选择邻域概率η;
S32.生成初始种群,外部归档案集为初始种群;
S33.计算初始种群各个体的目标函数f1,f2,f3,记录当前迭代次数T=T0;
S34.以η的概率选择某个邻域进行交叉、变异操作,得到解x;
选择操作具体为:以η的概率从个体的邻域中选择交叉个体,1-η的概率从整个种群中随机选择交叉个体,保证下一代个体的多样性。
交叉操作具体为:对个体1和个体2已选中的同级别制造商进行交叉。例如个体1随机选择子任务1中的已选中部件级制造商,则在个体2选中级别中找出与个体1该部件级别两者间存在包含关系的片段,对个体1和个体2的该片段基因进行交叉。
变异操作具体为:随机选择个体已选择的某个制造商,在其所处的级别下重新构造各制造商的生产任务。经过交叉变异后的解制造商数量可能超出限制,需要重新修正。
S35.修正不可行解,得到可行解x′;
S36.计算新生成个体目标函数f1,f2,f3;
S37.更新参考点fi best,对每个i(i=1,2,3),若fi(x′)<fi best,则令fi best=fi(x′);
S38.产生新解x′,若对每个邻域j∈(1,…,R),g(x′|λj)≤g(yj|λj),则旧解x′更新为yj=x′,yj表示第j个邻域个体,λj为第j个邻域个体的权重;
S39.当T<Tend,则T=T+1,转至步骤S34;否则执行步骤S39;
S40.算法结束,输出最优分配方法。
相应的,本实施例还提供云制造环境下多级别制造商协同生产任务分配系统,包括:
获取模块,用于获取与制造商协同生产相对应的最大化用户的满意度、最小化完成任务总时间和成本;
构建模块,用于构建多级别制造商协同生产任务分配的优化模型;
求解模块,用于采用基于切比雪夫分解策略的多目标进化MOEA/D算法对构建的优化模型进行求解,输出最优分配方法。
与现有技术相比,本发明为了提高云制造环境下制造任务的制造商级别选择合理性和任务分配效率,建立了面向云制造的制造商级别选择下的协同生产任务分配模型,采用MOEA/D进行了求解。该模型以成本、时间最短,质量最优为目标函数,综合考虑了制造商任务数、起制数、限制数等产能约束。
实施例二
本实施例提供的云制造环境下多级别制造商协同生产任务分配方法与实施例一的不同之处在于:
本实施例为了论证实施例一种解决多级别制造商协同生产任务分配问题处理思路及其所涉及算法的有效性,通过算例分析验证上述结论。
为验证MOEA/D算法的有效性,在同一数据集下用PDMOSA和NSGA-II取相同参数的情况下,对比各算法求得的Pareto面的收敛性和分布性。NSGA-II是在快速找到Pareto前沿和保持种群多样性方面都有良好的表现,在多个领域中得到了成熟的应用。本实施例采用MATLAB版本为R2015a,编程语言实现上述算法,在内存为8G,主频为1.6GHz的PC上进行仿真实验。
参数设置:
结合实际调研,同时根据特点,结合文献,适当调整算例参数,设置如下:
订单的类型type=U(1,6),数量N=U(500,200)0,各个级别下的制造商数量K=U(6,10),制造商地理位置x,y=U(1,3000),起制数量E=U(300,800)件,制造时间Tma=U(20,3000)小时,制造成本Cma=U(20,30000)元,质量Q=U(80,100)。每单位产品的运输成本元/公里,运输速度V=U(1,10)时/公里。
种群数66,邻域大小为6,变异概率0.05,交叉概率为0.9,迭代次数为1000。
多目标算法性能衡量指标:
由于算法输出的解为基于Pareto,为了体现解的有效前沿面、分布均匀性和散布范围等特点,本实施例使用IGD指标、间距评估、最大散布范围评估对所得解集综合性评估,令P为真实Pareto前沿面,S为算法所求的Pareto非支配解集,为个体i的第k个目标函数经过归一化后的值。
(1)间距评估:根据Pareto解集中相邻解之间的距离,来评估解集中个体分布的均匀性,定义为:
其中m为目标函数个数,n为Pareto解集中的个数,解集越接近均匀分布时,所得间距的值越小。
(2)最大散布范围评估:用于评估每个目标函数中极大值和极小值之间的距离,L的值越大,算法所求得的解散布范围越广。定义为:
(3)IGD:传统IGD的计算方式是在真实Pareto前沿面上均匀分布的点到算法所求的非支配解集的平均距离,该值越小,说明越接近Pareto面,算法所得的解集越好。计算方式根据算法所得解与Pareto前沿面解的相似性得到,并没有考虑到解的维度问题,结合IGD计算公式,本实施例提出改进IGD计算公式,s表示算法所求的解集S中的个体经过归一化后所得目标函数值,p和n表示真实Pareto集合P中解个体归一化目标函数值及数量。
实验结果分析:
最大散布范围和间距分析:
数据集为任务数量2个、总共为557家制造商,在同一数据集,即制造商信息和订单信息相同的前提下,三种算法运行30次,平均得到以下各算法的评价结果。
MOEA/D | PDMOSA | NSGA-II | |
间距评估 | 0.0928 | 0.0980 | 0.0772 |
最大散布范围评估 | 1.7261 | 1.6869 | 1.7199 |
表2
由表2可知在MOEAD算法在间距评估指标上表现比PDMOSA算法要好,但是不如NSGA-II算法,最大散布范围评估该指标上,MOEA/D的算法效果比其他两种算法有微小的优势。
IGD指标对比:
为了对三种算法更好的分析,对上述数据集中每个算法运行25次每隔50次迭代做记录,平均计算IGD指标。本实施例的问题的Pareto真实面未知,只能将算法所得的非支配解近似为Pareto解集。对各个算法经过多次运行,将得到的所得解组合,确定非支配解,从非支配解集中取出均匀分布的点,将其作为Pareto真实面。图5为各算法经过1000次迭代后,IGD指标的变化曲线。
由图5可知,PDMOSA和NSGA-II算法较早收敛,200次迭代后最终大致稳定。PDMOSA初始解的IGD值较高,后续迭代的值稳定在0.0183。NSGA-II的值初始解IGD值在0.0323,值一直处于波动中,Pareto解集不稳定但最终IGD值为0.0152比PDMOSA的解集要低。MOEA/D的初始解质量明显优于其他两个算法,且IGD指标经过500次迭代后稳定收敛至0.0094,说明解集有较好的多样性,更加接近Pareto真实面。
三种算法最好解和平均解指标分析:
为了进一步验证MOEA/D算法任务中协同分配效果,在不同规模的数据集下进行实验。制造商数量是指该任务数量下所有级别的供应商数量总和。
云平台的资源池所提供的服务质量是决定平台发展的关键因素,选取制造商时,质量的权重偏大,取时间、成本、质量目标函数权重分别为0.2、0.1、0.7,计算得到在各个数据集下的最好解、平均解和最差解。求解的问题是最小化问题,所以目标值越小越好。
表3
由表3可知,当制造商只有195家数据较小时,MOEA/D算法所求得的三个解不如NSGA-II和PMOSA。数据集慢慢增大后,MOEA/D的算法的最好解质量依旧保持较优,说明MOEA/D算法具有较好的稳定性,但NSGA-II和PMOSA最好解值显著增大,解质量降低。除此之外,MOEAD算法均解和最差解也比其他两种算法要好。综上,本实施例模型和MOEA/D算法能很好的求解云制造环境下多级别供应商协同任务分配模型。
在资源丰富的云资源池中,对于复杂大规模的任务,制造商生产的能力、时间、价格、质量都不同的情况下,本实施例基于云平台的角度最大化利用资源,先经过级别的选择,再对制造商进行选择,允许制造商组合加工,以时间最短,成本最少,质量最高为目标科学分配任务,提出多目标任务优化分配模型和MOEA/D算法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (5)
1.云制造环境下多级别制造商协同生产任务分配方法,其特征在于,包括如下步骤:
S1.获取与制造商协同生产相对应的最大化用户的满意度、最小化完成任务总时间和成本;
S2.构建多级别制造商协同生产任务分配的优化模型;
S3.采用基于切比雪夫分解策略的多目标进化MOEA/D算法对构建的优化模型进行求解,输出最优分配方法;
步骤S2中,构建多级别制造商协同生产任务分配的优化模型中总时间的目标函数表示为:
T1′=T1
其中,T′r表示总时间;δr-1、均表示决策变量;Tr表示第r个组合的总时间;Si,j,k表示制造商RSi,j,k的生产数量;Tmai,j,k表示制造商RSi,j,k的单位产品生产时间;/>表示半成品从制造商RSi,j,k转运至下游制造商w的时间;Sw表示下游制造商w的生产数量;Tmaw表示下游制造商w的单位产品生产时间;w表示下游制造商数量;k表示级别下制造商数量;j表示级别;
步骤S2中,构建多级别制造商协同生产任务分配的优化模型中总成本的目标函数表示为:
其中,C表示总成本;Si,j,k表示制造商RSi,j,k的生产数量;Cmai,j,k表示制造商RSi,j,k的d单位产品的生产成本;Si,j,k,w表示制造商RSi,j,k运输至下游供应商w的数量;Ctai,j,k,w表示制造商RSi,j,k运输至下游供应商w的单位产;Cmaw表示下游制造商w的单位产品生产费用;
步骤S2中,构建多级别制造商协同生产任务分配的优化模型中总质量的目标函数表示为:
其中,Q表示总质量;Qi,j,k表示制造商RSi,j,k的服务质量;Qw表示下游制造商w的服务质量;
步骤S2中,构建多级别制造商协同生产任务分配的优化模型的模型约束条件包括:
任务RTi制造商生产数量总和等于任务要求的数量,表示为:
其中,Si,j表示任务i下级别j的制造商生产总数量;Ai表示相对应任务要求的制造商数量;
任务RTi下各级别的制造商生产的总数量等于级别要求的数量,表示为:
其中,Si,j,k表示任务i级别j下的制造商k生产数量;Ai,j表示任务相对应级别要求的生产总数量;
下游任务产品级制造商的生产数量总和为任务的要求数量,表示为:
其中,Sw表示下游制造商w生产数量;Aw表示下游制造商总生产数量;
任务的制造商RSi,j,k的生产数量大于制造商的起制数量,表示为:
Li,j,k≤Si,j,k
其中,Li,j,k表示制造商相对应的起制数量;
各任务的制造商数量总和小于所限制的数量,表示为:
其中,Ei表示各任务相对应的限制的数量;
下游子任务的制造商数量总和小于限制数量,表示为:
其中,Ew表示子任务相对应的限制数量;
步骤S3具体包括:
S31.初始化参数;其中,参数包括种群规模、均匀权重λ、交叉概率pc、变异概率pm、初始迭代次数T0、终止迭代次数Tend、选择邻域概率η;
S32.生成初始种群,外部归档案集为初始种群;
S33.计算初始种群各个体的目标函数f1、f2、f3,记录当前迭代次数T=T0;
S34.以η的概率选择某个邻域进行交叉、变异操作,得到解x;
S35.修正不可行解,得到可行解x′;
S36.计算新生成个体目标函数f1、f2、f3;
S37.更新参考点fi best,对每个i,i=1,2,3,若fi(x′)<fi best,则令fi best=fi(x′);
S38.产生新解x′,若对每个邻域j∈(1,…,R),g(x′|λj)≤g(yj|λj),则旧解x′更新为yj=x′,yj表示第j个邻域个体,λj为第j个邻域个体的权重;
S39.当T<Tend,则T=T+1,转至步骤S34;否则执行步骤S40;
S40.算法结束,输出最优分配方法。
2.根据权利要求1所述的云制造环境下多级别制造商协同生产任务分配方法,其特征在于,步骤S34中,以η的概率选择某个邻域具体为:以η的概率从个体的邻域中选择交叉个体,1-η的概率从整个种群中随机选择交叉个体。
3.根据权利要求2所述的云制造环境下多级别制造商协同生产任务分配方法,其特征在于,步骤S34中,交叉操作具体为:对第一个体和第二个体已选中的同级别制造商进行交叉;
变异操作具体为:随机选择个体已选择的某个制造商,在所处的级别下重新构造各制造商的生产任务。
4.根据权利要求3所述的云制造环境下多级别制造商协同生产任务分配方法,其特征在于,步骤S35中,修正不可行解的修正方法为:对个体选中的各个级别的制造商数量进行排序,选择数量多的加工级别对应的基因片段,在选择的片段中随机选择某个选中的制造商,将该制造商加工任务的数量累加至其他选中制造商上,并将其清零,保证了任务数量不变。
5.云制造环境下多级别制造商协同生产任务分配系统,其特征在于,包括:
获取模块,用于获取与制造商协同生产相对应的最大化用户的满意度、最小化完成任务总时间和成本;
构建模块,用于构建多级别制造商协同生产任务分配的优化模型;
求解模块,用于采用基于切比雪夫分解策略的多目标进化MOEA/D算法对构建的优化模型进行求解,输出最优分配方法;
构建模块中,构建多级别制造商协同生产任务分配的优化模型中总时间的目标函数表示为:
T1′=T1
其中,T′r表示总时间;δr-1、均表示决策变量;Tr表示第r个组合的总时间;Si,j,k表示制造商RSi,j,k的生产数量;Tmai,j,k表示制造商RSi,j,k的单位产品生产时间;/>表示半成品从制造商RSi,j,k转运至下游制造商w的时间;Sw表示下游制造商w的生产数量;Tmaw表示下游制造商w的单位产品生产时间;w表示下游制造商数量;k表示级别下制造商数量;j表示级别;
构建模块中,构建多级别制造商协同生产任务分配的优化模型中总成本的目标函数表示为:
其中,C表示总成本;Si,j,k表示制造商RSi,j,k的生产数量;Cmai,j,k表示制造商RSi,j,k的d单位产品的生产成本;Si,j,k,w表示制造商RSi,j,k运输至下游供应商w的数量;Ctai,j,k,w表示制造商RSi,j,k运输至下游供应商w的单位产;Cmaw表示下游制造商w的单位产品生产费用;
构建模块中,构建多级别制造商协同生产任务分配的优化模型中总质量的目标函数表示为:
其中,Q表示总质量;Qi,j,k表示制造商RSi,j,k的服务质量;Qw表示下游制造商w的服务质量;
构建模块中,构建多级别制造商协同生产任务分配的优化模型的模型约束条件包括:
任务RTi制造商生产数量总和等于任务要求的数量,表示为:
其中,Si,j表示任务i下级别j的制造商生产总数量;Ai表示相对应任务要求的制造商数量;
任务RTi下各级别的制造商生产的总数量等于级别要求的数量,表示为:
其中,Si,j,k表示任务i级别j下的制造商k生产数量;Ai,j表示任务相对应级别要求的生产总数量;
下游任务产品级制造商的生产数量总和为任务的要求数量,表示为:
其中,Sw表示下游制造商w生产数量;Aw表示下游制造商总生产数量;
任务的制造商RSi,j,k的生产数量大于制造商的起制数量,表示为:
Li,j,k≤Si,j,k
其中,Li,j,k表示制造商相对应的起制数量;
各任务的制造商数量总和小于所限制的数量,表示为:
其中,Ei表示各任务相对应的限制的数量;
下游子任务的制造商数量总和小于限制数量,表示为:
其中,Ew表示子任务相对应的限制数量;
求解模块具体执行如下:
S31.初始化参数;其中,参数包括种群规模、均匀权重λ、交叉概率pc、变异概率pm、初始迭代次数T0、终止迭代次数Tend、选择邻域概率η;
S32.生成初始种群,外部归档案集为初始种群;
S33.计算初始种群各个体的目标函数f1、f2、f3,记录当前迭代次数T=T0;
S34.以η的概率选择某个邻域进行交叉、变异操作,得到解x;
S35.修正不可行解,得到可行解x′;
S36.计算新生成个体目标函数f1、f2、f3;
S37.更新参考点fi best,对每个i,i=1,2,3,若fi(x′)<fi best,则令fi best=fi(x′);
S38.产生新解x′,若对每个邻域j∈(1,…,R),g(x′|λj)≤g(yj|λj),则旧解x′更新为yj=x′,yj表示第j个邻域个体,λj为第j个邻域个体的权重;
S39.当T<Tend,则T=T+1,转至步骤S34;否则执行步骤S40;
S40.算法结束,输出最优分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375476.3A CN113112143B (zh) | 2021-04-08 | 2021-04-08 | 云制造环境下多级别制造商协同生产任务分配方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375476.3A CN113112143B (zh) | 2021-04-08 | 2021-04-08 | 云制造环境下多级别制造商协同生产任务分配方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113112143A CN113112143A (zh) | 2021-07-13 |
CN113112143B true CN113112143B (zh) | 2024-04-23 |
Family
ID=76714536
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110375476.3A Active CN113112143B (zh) | 2021-04-08 | 2021-04-08 | 云制造环境下多级别制造商协同生产任务分配方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113112143B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114254861A (zh) * | 2021-11-12 | 2022-03-29 | 珠海格力电器股份有限公司 | 多因素约束下面向多式联运的制造任务分配方法及装置 |
CN114862333B (zh) * | 2022-03-08 | 2023-04-28 | 北京航空航天大学 | 智能产品服务系统与供应商协同配置方法 |
CN114904447B (zh) * | 2022-05-18 | 2024-03-12 | 中冶长天国际工程有限责任公司 | 一种混匀矿生产方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110579971A (zh) * | 2019-10-25 | 2019-12-17 | 福州大学 | 一种面向绿色制造的多目标切削参数优化方法 |
CN110837918A (zh) * | 2019-10-08 | 2020-02-25 | 北京航空航天大学 | 一种多层集成调度机制 |
CN111857976A (zh) * | 2020-08-07 | 2020-10-30 | 华侨大学 | 一种基于分解的多目标优化的计算迁移方法 |
CN112053002A (zh) * | 2020-09-11 | 2020-12-08 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
-
2021
- 2021-04-08 CN CN202110375476.3A patent/CN113112143B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837918A (zh) * | 2019-10-08 | 2020-02-25 | 北京航空航天大学 | 一种多层集成调度机制 |
CN110579971A (zh) * | 2019-10-25 | 2019-12-17 | 福州大学 | 一种面向绿色制造的多目标切削参数优化方法 |
CN111857976A (zh) * | 2020-08-07 | 2020-10-30 | 华侨大学 | 一种基于分解的多目标优化的计算迁移方法 |
CN112053002A (zh) * | 2020-09-11 | 2020-12-08 | 浙江财经大学 | 一种基于效用感知的云制造多任务调度方法 |
Non-Patent Citations (1)
Title |
---|
基于混合任务网络的智慧制造任务协同分配模型;任磊等;计算机集成制造系统;20180430;第24卷(第4期);838-850 * |
Also Published As
Publication number | Publication date |
---|---|
CN113112143A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113112143B (zh) | 云制造环境下多级别制造商协同生产任务分配方法及系统 | |
Nekooghadirli et al. | Solving a new bi-objective location-routing-inventory problem in a distribution network by meta-heuristics | |
CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
CN106203911A (zh) | 基于云计算的智能物流数据管理方法 | |
CN110322066B (zh) | 一种基于共享承运人和共享仓库的协同车辆路径优化方法 | |
CN110033076B (zh) | 混合云环境下面向代价优化的工作流数据布局方法 | |
CN106650993B (zh) | 一种基于马尔科夫决策过程的动态资源优化方法 | |
CN106203912A (zh) | 物流信息智能处理方法 | |
CN106156981A (zh) | 基于云计算的物流协同处理方法 | |
Salimifard et al. | A multi objective volleyball premier league algorithm for green scheduling identical parallel machines with splitting jobs | |
CN114172963B (zh) | 基于资源利用率的多粒度的任务与服务匹配方法和系统 | |
Yue et al. | Hybrid Pareto artificial bee colony algorithm for multi-objective single machine group scheduling problem with sequence-dependent setup times and learning effects | |
CN113792989B (zh) | 一种需求驱动的共享观光车区域间并行优化调度方法 | |
CN116708446B (zh) | 基于网络性能综合权值决策的算网调度服务方法及系统 | |
CN110928648B (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 | |
Zhang et al. | Combining extended imperialist competitive algorithm with a genetic algorithm to solve the distributed integration of process planning and scheduling problem | |
CN111026534B (zh) | 云计算环境下基于多种群遗传算法的工作流执行优化方法 | |
CN114980216B (zh) | 基于移动边缘计算的依赖型任务卸载系统及方法 | |
Lin et al. | Integrated optimization of supplier selection and service scheduling in cloud manufacturing environment | |
Xun et al. | Distributed tasks-platforms scheduling method to holonic-C2 organization | |
CN114519297A (zh) | 基于嵌套nsga-ii的多目标双层交互式优化方法 | |
CN114330891A (zh) | 一种面向云计算的多目标资源调度方法 | |
Zheng et al. | Optimal scheduling scheme for urban crowdsourcing distribution task based on path planning | |
CN113033100B (zh) | 一种基于混合教学优化算法的云制造服务组合方法 | |
CN111047183A (zh) | 基于分层自适应智能计算算法的云工作流调度优化方法 |
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 |