CN113177667A - 一种基于改进遗传算法的电气装备制造资源优化配置方法 - Google Patents

一种基于改进遗传算法的电气装备制造资源优化配置方法 Download PDF

Info

Publication number
CN113177667A
CN113177667A CN202110563139.7A CN202110563139A CN113177667A CN 113177667 A CN113177667 A CN 113177667A CN 202110563139 A CN202110563139 A CN 202110563139A CN 113177667 A CN113177667 A CN 113177667A
Authority
CN
China
Prior art keywords
production
solution
information
population
resource
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
CN202110563139.7A
Other languages
English (en)
Inventor
张丽媛
赵晓东
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110563139.7A priority Critical patent/CN113177667A/zh
Publication of CN113177667A publication Critical patent/CN113177667A/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
    • G06Q10/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于改进遗传算法的电气装备制造资源优化配置方法，其特征在于，包括2个步骤：步骤1，任务分解与重组：基于最小粒度划分将待生产的产品拆分成不同的构件，然后利用成组技术，将同种构件组合在一起组成新的任务，不同构件归为不同任务；步骤2，资源优化配置：为各项任务分配生产资源，构建总时间、总成本最小化的多目标优化模型，通过遗传算法求解最优解或次优解。

Description

一种基于改进遗传算法的电气装备制造资源优化配置方法
技术领域
本发明涉及一种基于改进遗传算法的电气装备制造中资源优化配置方案，应用于自动生成的平台，属于智能制造技术领域。
背景技术
目前，装备制造业主要是采用传统的生产经营方式，制造企业制定生产计划并且向上游供货商采购生产所需的原材料，在原材料送达之后，生产车间开始逐个完成产品的生产、装配等任务。这种方式下，每件产品从制定计划开始，主要存在原材料的运输时间、生产车间调配生产所需的机床、量具、刀具、夹具的时间、实际生产时间及最终产品的装配时间。但是，装配制造所需的生产资源分布比较分散，原材料实际送达时间不统一，而实际生产多数情况下需要在所有原材料都送达后才开始生产任务，这样会存在较长的等待时间，同时也增加了生产计划的不确定性。另外，不同时间送达的原材料也需要先存放起来，潜在的增加了仓储成本。工厂车间按序逐个生产产品，需要频繁切换生产线路，工厂车间的生产效率会大受影响。此外，不同型号的机床、刀具、夹具等资源的使用成本也存在着差异。因此，合理地制定整个生产计划同时对资源进行优化配置显得异常重要。
发明内容
本发明的目的是通过发明一种基于改进遗传算法的电气装备制造资源优化配置方法，以解决协同制造环境下资源选择优化的难题，为平台多资源优化配置提供了解决方案。
鉴于装备制造生产中存在着生产资源分布分散，资源利用率低，缺少服务平台，资源共享不畅，资源标准规范不统一，企业管理模式落后等一系列问题，本发明提出基于改进遗传算法的电气装备制造资源优化配置方法，针对不同产品制造需求，制定个性化的组装方案，上游供应商根据实时动态信息，及时提供配套供应。本发明还提出基于改进遗传算法构建装备制造总时间、总成本最小化的多目标优化模型，以实现装备制造过程中生产资源的最优化配置，提升产品的生产效率。
本发明技术方案：
步骤1，任务分解与重组：
基于最小粒度划分将待生产的产品拆分成不同的构件，然后利用成组技术，将同种构件组合在一起组成新的任务，不同构件归为不同任务。
步骤2，资源优化配置：
为各项任务分配生产资源，构建总时间、总成本最小化的多目标优化模型，通过遗传算法求解最优解或次优解。
本发明的有益效果是：
本发明具有较强的可行性，对实际生产中资源配置能够从全局角度出发给出一个最优解，为装备制造业高效率生成提供了可行的解决方案。
附图说明
图1本发明实施例一流程图
图2制造任务分解与重组图
图3本发明实施例一改进遗传算法搜索资源配置方案工作流程图
具体实施方式
下面通过实施例结合附图进一步说明本发明。
实施例一
图1是本发明的总工作流程图,方法过程包括：
步骤1，任务分解与重组：
基于最小粒度划分将待生产的产品拆分成不同的构件，然后利用成组技术，将同种构件组合在一起组成新的任务，不同构件归为不同任务。
步骤2，资源优化配置：
为各项任务分配生产资源，构建总时间、总成本最小化的多目标优化模型，通过遗传算法求解最优解或次优解。
其中，上述各个步骤的实施过程如下：
步骤1，任务分解与重组。
图2是根据当前任务进行的任务划分与重组，对同种构件集中生产，减少中间线路切换所浪费的时间，以达到全局最优。
具体实施过程如下：
1.1获取生产计划，从企业中已有的生产过程协同管理平台导出要进行的生产产品属性信息；
1.2根据1.1中获取的产品的属性信息，将生产任务拆分成粒度最小的构件；
1.3对1.2步骤拆分之后的构件进行组合，将同一构件重新归为同一子任务，不同构件归为不同的子任务；
1.4根据1.3步骤组合结果，生成新的工厂车间生产任务清单并保存至生产过程协同管理平台。
步骤2，资源优化配置。
图3是基于遗传算法所进行的资源优化配置的详细步骤。首先初始化解空间，交叉变异得到子代种群，将父代种群和新产生的子代种群合，计算当前种群中个体的Patora等级及排序，计算拥挤度，与设定阈值比较从而淘汰不适应当前种群环境的解，当出现进化十代而没有比较明显的提升时，说明算法已经收敛到一个稳定的解，此时可以输出计算得到的资源配置方案。
具体实施过程如下：
2.1从生产过程协同管理平台获取重组之后的生产任务清单；
2.2从生产过程协同管理平台获取所有生产车间的机床属性信息、刀具属性信息、夹具属性信息、量具属性信息，包括使用成本、功率、所在车间等，这些是为后续步骤计算时间、成本等提供相关的数据；
2.3从生产过程协同管理平台获取目前各种生产资源的数目、使用情况、生产状态等信息；
2.4计算单件产品的生产时间：
假设企业计划生产N种产品，通过模块分解与重组得到m种通用构件及n种特定构件。那么，
产品k,k∈(1,N)的生产时间为：
Figure BDA0003079767330000041
其中，
Figure BDA0003079767330000042
代表产品k的构件i最长的可能生产时间(这里主要考虑到任务重组之后，通用构件会集中生产，但是实际生产时还是会存在一个生产的先后顺序问题，我们这里取一个最大时间作为所有产品该构件的生产时间)，
Figure BDA0003079767330000043
代表构件i生产过程中需要的资源调配时间，
Figure BDA0003079767330000044
代表构件i生产过程中需要的装配时间；
2.5计算所有产品总的生产时间T
Figure BDA0003079767330000045
2.6计算单件产品的生产成本
产品k,k∈(1,N)的生产成本为：
Figure BDA0003079767330000046
其中，
Figure BDA0003079767330000047
代表构件i生产过程中需要的制造成本，
Figure BDA0003079767330000048
代表构件i生产过程中需要的资源调配成本，
Figure BDA0003079767330000049
代表构件i生产过程中需要的装配成本。
2.7计算所有产品总的生产成本C
Figure BDA00030797673300000410
2.8构建多目标最小化的优化函数
为了使总生产时间、总生产成本最小化，我们构建多目标优化函数：
F＝min(T,C) (5)
2.9对需要优化配置的生产资源进行信息编码
为了方便进行遗传算法的搜索，需要将待优化的资源信息编码成为染色体的基因信息。目前，比较常用的是两种编码方式：实数编码和二进制编码。实数编码能够表示的更大范围的数据，适合复杂场景下的寻优问题，所以本文这里将选用一个多层的实数编码进行染色体信息编码。
染色体中将存放构件信息、机床信息、刀具信息、夹具信息、量具信息，整体长度为2∑ikijicigiqi,其中，ki代表产品k的i构件,ji代表构件i分配的机床，ci代表构件i分配到的刀具，gi代表构件i分配到的夹具，qi代表构件i分配到的量具。
2.10初始化解空间
遗传算法的初代解可以通过随机生成的P个染色体串来代表，其中每个染色体代表一个个体，所有染色体构成了一个初代种群，并以此为进化的起点开始最优解的求解。
2.11交叉变异
随机选择两个当前种群中的个体，在其染色体的前∑ikijicigiqi位随机选择交叉位置进行交叉操作；随机选择变异个体，选择变异位置a和位置b，最后把个体位置a和位置b对应的编码信息调换，得到变异个体。
2.12父代子代种群合并
这里采用精英策略，将2.11步骤中交叉、变异生成的子代种群和父代种群同时保留下来，为了将父代中优良个体保存下来。
2.13快速非支配排序
2.13.1Pareto支配关系定义
在处理多目标最小化优化问题时，有M个目标分量fi(x),i＝1...M,这里是T和C,任意给定两个决策变量Xa，Xb，如果有以下两个条件成立，则称Xa支配Xb。
a.对于
Figure BDA0003079767330000051
都有fi(Xa)≤fi(Xb)成立
b.
Figure BDA0003079767330000052
使得fi(Xa)＜fi(Xb)成立
如果一个决策变量，不存在其他决策变量能够支配它，那么就称决策变量为非支配解。
2.13.1 Pareto等级定义
在一组解中，非支配解Pareto定义为1，将非支配解从解的集合中删除，剩下解的Pareto等级定义为2，依次类推，可以得到该解集合中所有解的Pareto等级。
2.13.2快速非支配排序
a.对解空间中的每个个体p，计算被支配数及支配解；
b.将被支配数为0的个体分入Pateto等级1的集合F1；
c.将集合F1中所有个体的除当前个体外，被支配数为0的支配解分到集合F2；
d.重复步骤c,将当前种群所有个体进行等级划分。
2.14计算拥挤度
为了使计算得到的解能够均匀分布在的我们的目标解空间中，我们
引入一个拥挤度的指标nd：
a.初始时，nd＝0；
b.循环遍历每个目标函数fm，这里是T和C:
Figure BDA0003079767330000061
为个体目标函数值fm的最大值，
Figure BDA0003079767330000062
为个体目标函数值fm的最小值，然后对该等级的个体进行排序，将排序之后的两个边界的拥挤度Td和Hd置为∞，最后计算
Figure BDA0003079767330000063
其中，fm(p+1)是该个体p排序后后一位的目标函数值。
2.15选择
对经过步骤2.13、2.14快速非支配排序及拥挤度计算后的解空间中的个体，根据期望值SOTA(最初可以按照之前生产方式下计算总时间、总成本),将当前种群中的解能够达到期望值SOTA的80％效果以上的保留，其余删除，得到选择操作之后的新的解空间。
2.16计算当前解空间中最优分配方案
计算2.15中得到的解空间中的所有分配方案，将最优分配方案保存，并更新期望值SOTA。
2.17进化终止条件
通过比较最近10代得到的分配方案的结果，如果效果提升小于0.1％，说明算法已经收敛，可以将目前结果作为最优解或次优解输出资源分配方案。否则，继续执行步骤2.11。

Claims (3)

1.本发明提出一种基于改进遗传算法的电气装备制造资源优化配置方法，其特征在于，包括2个步骤
步骤1，任务分解与重组：
基于最小粒度划分将待生产的产品拆分成不同的构件，然后利用成组技术，将同种构件组合在一起组成新的任务，不同构件归为不同任务；
步骤2，资源优化配置：
为各项任务分配生产资源，构建总时间、总成本最小化的多目标优化模型，通过遗传算法求解最优解或次优解。
2.如权利要求书1中所述一种基于改进遗传算法的电气装备制造资源优化配置方法，其特征在于，
步骤1，任务分解与重组；
具体实施过程如下：
1.1获取生产计划，从企业中已有的生产过程协同管理平台导出要进行的生产产品属性信息；
1.2根据1.1中获取的产品的属性信息，将生产任务拆分成粒度最小的构件；
1.3对1.2步骤拆分之后的构件进行组合，将同一构件重新归为同一子任务，不同构件归为不同的子任务；
1.4根据1.3步骤组合结果，生成新的工厂车间生产任务清单并保存至生产过程协同管理平台。
3.如权利要求书1中所述一种基于改进遗传算法的电气装备制造资源优化配置方法，其特征在于，
步骤2，资源优化配置；
首先初始化解空间，交叉变异得到子代种群，将父代种群和新产生的子代种群合，计算当前种群中个体的Patora等级及排序，计算拥挤度，与设定阈值比较从而淘汰不适应当前种群环境的解，当出现进化十代而没有比较明显的提升时，说明算法已经收敛到一个稳定的解，此时可以输出计算得到的资源配置方案；
具体实施过程如下：
2.1从生产过程协同管理平台获取重组之后的生产任务清单；
2.2从生产过程协同管理平台获取所有生产车间的机床属性信息、刀具属性信息、夹具属性信息、量具属性信息，包括使用成本、功率、所在车间等，这些是为后续步骤计算时间、成本等提供相关的数据；
2.3从生产过程协同管理平台获取目前各种生产资源的数目、使用情况、生产状态等信息；
2.4计算单件产品的生产时间：
假设企业计划生产N种产品，通过模块分解与重组得到m种通用构件及n种特定构件；那么，
产品k,k∈(1,N)的生产时间为：
Figure FDA0003079767320000021
其中，
Figure FDA0003079767320000022
代表产品k的构件i最长的可能生产时间(这里主要考虑到任务重组之后，通用构件会集中生产，但是实际生产时还是会存在一个生产的先后顺序问题，我们这里取一个最大时间作为所有产品该构件的生产时间)，
Figure FDA0003079767320000023
代表构件i生产过程中需要的资源调配时间，
Figure FDA0003079767320000024
代表构件i生产过程中需要的装配时间；
2.5计算所有产品总的生产时间T
Figure FDA0003079767320000025
2.6计算单件产品的生产成本
产品k,k∈(1,N)的生产成本为：
Figure FDA0003079767320000026
其中，
Figure FDA0003079767320000027
代表构件i生产过程中需要的制造成本，
Figure FDA0003079767320000028
代表构件i生产过程中需要的资源调配成本，
Figure FDA0003079767320000029
代表构件i生产过程中需要的装配成本；
2.7计算所有产品总的生产成本C
Figure FDA0003079767320000031
2.8构建多目标最小化的优化函数
为了使总生产时间、总生产成本最小化，我们构建多目标优化函数：
F＝min(T,C) (5)
2.9对需要优化配置的生产资源进行信息编码
为了方便进行遗传算法的搜索，需要将待优化的资源信息编码成为染色体的基因信息；目前，比较常用的是两种编码方式：实数编码和二进制编码；实数编码能够表示的更大范围的数据，适合复杂场景下的寻优问题，所以本文这里将选用一个多层的实数编码进行染色体信息编码；
染色体中将存放构件信息、机床信息、刀具信息、夹具信息、量具信息，整体长度为2∑ikijicigiqi,其中，ki代表产品k的i构件,ji代表构件i分配的机床，ci代表构件i分配到的刀具，gi代表构件i分配到的夹具，qi代表构件i分配到的量具；
2.10初始化解空间
遗传算法的初代解可以通过随机生成的P个染色体串来代表，其中每个染色体代表一个个体，所有染色体构成了一个初代种群，并以此为进化的起点开始最优解的求解；
2.11交叉变异
随机选择两个当前种群中的个体，在其染色体的前∑ikijicigiqi位随机选择交叉位置进行交叉操作；随机选择变异个体，选择变异位置a和位置b，最后把个体位置a和位置b对应的编码信息调换，得到变异个体；
2.12父代子代种群合并
这里采用精英策略，将2.11步骤中交叉、变异生成的子代种群和父代种群同时保留下来，为了将父代中优良个体保存下来；
2.13快速非支配排序
2.13.1Pareto支配关系定义
在处理多目标最小化优化问题时，有M个目标分量fi(x),i＝1...M,这里是T和C,任意给定两个决策变量Xa，Xb，如果有以下两个条件成立，则称Xa支配Xb；
a.对于
Figure FDA0003079767320000041
都有fi(Xa)≤fi(Xb)成立
b.
Figure FDA0003079767320000042
使得fi(Xa)＜fi(Xb)成立
如果一个决策变量，不存在其他决策变量能够支配它，那么就称决策变量为非支配解；
2.13.1 Pareto等级定义
在一组解中，非支配解Pareto定义为1，将非支配解从解的集合中删除，剩下解的Pareto等级定义为2，依次类推，可以得到该解集合中所有解的Pareto等级；
2.13.2快速非支配排序
a.对解空间中的每个个体p，计算被支配数及支配解；
b.将被支配数为0的个体分入Pateto等级1的集合F1；
c.将集合F1中所有个体的除当前个体外，被支配数为0的支配解分到集合F2；
d.重复步骤c,将当前种群所有个体进行等级划分；
2.14计算拥挤度
为了使计算得到的解能够均匀分布在的我们的目标解空间中，我们引入一个拥挤度的指标nd：
a.初始时，nd＝0；
b.循环遍历每个目标函数fm，这里是T和C:
Figure FDA0003079767320000043
为个体目标函数值fm的最大值，
Figure FDA0003079767320000044
为个体目标函数值fm的最小值，然后对该等级的个体进行排序，将排序之后的两个边界的拥挤度Td和Hd置为∞，最后计算
Figure FDA0003079767320000045
其中，fm(p+1)是该个体p排序后后一位的目标函数值；
2.15选择
对经过步骤2.13、2.14快速非支配排序及拥挤度计算后的解空间中的个体，根据期望值SOTA(最初可以按照之前生产方式下计算总时间、总成本),将当前种群中的解能够达到期望值SOTA的80％效果以上的保留，其余删除，得到选择操作之后的新的解空间；
2.16计算当前解空间中最优分配方案
计算2.15中得到的解空间中的所有分配方案，将最优分配方案保存，并更新期望值SOTA；
2.17进化终止条件
通过比较最近10代得到的分配方案的结果，如果效果提升小于0.1％，说明算法已经收敛，可以将目前结果作为最优解或次优解输出资源分配方案；否则，继续执行步骤2.11。
CN202110563139.7A 2021-05-24 2021-05-24 一种基于改进遗传算法的电气装备制造资源优化配置方法 Pending CN113177667A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110563139.7A CN113177667A (zh) 2021-05-24 2021-05-24 一种基于改进遗传算法的电气装备制造资源优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110563139.7A CN113177667A (zh) 2021-05-24 2021-05-24 一种基于改进遗传算法的电气装备制造资源优化配置方法

Publications (1)

Publication Number Publication Date
CN113177667A true CN113177667A (zh) 2021-07-27

Family

ID=76930040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110563139.7A Pending CN113177667A (zh) 2021-05-24 2021-05-24 一种基于改进遗传算法的电气装备制造资源优化配置方法

Country Status (1)

Country Link
CN (1) CN113177667A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705978A (zh) * 2021-08-03 2021-11-26 西安交通大学 一种多机任务刀具静态与动态集成决策方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942610A (zh) * 2014-04-04 2014-07-23 同济大学 基于任务的可重组制造系统多态构型优化方法
CN107437121A (zh) * 2016-05-25 2017-12-05 华中科技大学 适用于多机器同时处理单工件的生产工艺过程控制方法
CN110414863A (zh) * 2019-08-06 2019-11-05 河海大学常州校区 一种智能制造车间资源调度方法
CN110991732A (zh) * 2019-11-28 2020-04-10 武汉理工大学 一种基于能耗聚类的建材装备制造过程优化调度方法
CN111665799A (zh) * 2020-05-20 2020-09-15 同济大学 一种基于协同算法的时间约束型并行机节能调度方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103942610A (zh) * 2014-04-04 2014-07-23 同济大学 基于任务的可重组制造系统多态构型优化方法
CN107437121A (zh) * 2016-05-25 2017-12-05 华中科技大学 适用于多机器同时处理单工件的生产工艺过程控制方法
CN110414863A (zh) * 2019-08-06 2019-11-05 河海大学常州校区 一种智能制造车间资源调度方法
CN110991732A (zh) * 2019-11-28 2020-04-10 武汉理工大学 一种基于能耗聚类的建材装备制造过程优化调度方法
CN111665799A (zh) * 2020-05-20 2020-09-15 同济大学 一种基于协同算法的时间约束型并行机节能调度方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705978A (zh) * 2021-08-03 2021-11-26 西安交通大学 一种多机任务刀具静态与动态集成决策方法及系统

Similar Documents

Publication Publication Date Title
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
CN108320057B (zh) 一种基于有限制稳定配对策略的柔性作业车间调度方法
CN108921472B (zh) 一种多车型的两阶段车货匹配方法
CN113487276B (zh) 一种电气装备制造生产过程协同管理平台
CN105629927A (zh) 一种基于混合遗传算法的mes生产计划排产方法
CN108460463B (zh) 基于改进遗传算法的高端装备流水线生产调度方法
CN111062535A (zh) 一种实现含能材料生产过程动态排产的方法及系统
US7292903B2 (en) Methods for determining tool assignment preference and manufacturing systems using the same
CN110288185B (zh) 一种分布式柔性流水线调度方法
CN104636871A (zh) 一种基于数据的单阶段多产品批处理的控制方法
Hnaien et al. Genetic algorithm for supply planning in two-level assembly systems with random lead times
CN113177667A (zh) 一种基于改进遗传算法的电气装备制造资源优化配置方法
CN113705978B (zh) 一种多机任务刀具静态与动态集成决策方法及系统
CN110648037A (zh) 一种整车生产评价方法及装置
WO2024022054A1 (zh) 柔性作业车间生产调度方法及装置
CN111985841A (zh) 一种基于改进遗传算法的注塑车间调度方法及系统
Xu et al. Study on improving multi-objective flexible job shop scheduling based on Memetic algorithm in the NSGA-II framework
Lin et al. Integrated optimization of supplier selection and service scheduling in cloud manufacturing environment
Zhipeng et al. Small-world optimization algorithm and its application in a sequencing problem of painted body storage in a car company
CN114021950A (zh) 电力物资需求分配方法、装置、终端设备及存储介质
CN114519297A (zh) 基于嵌套nsga-ii的多目标双层交互式优化方法
Gianessi et al. Using Reconfigurable Manufacturing Systems to minimize energy cost: a two-phase algorithm
CN116300763B (zh) 考虑机器配置的混合流水车间数学启发式调度方法及系统
CN104021437A (zh) 一种基于有向图适应度评估的混合差分进化算法
CN112734286B (zh) 一种基于多策略深度强化学习的车间调度方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210727