CN113177781A - 基于变邻域和遗传算子的生产组装协同调度方法及系统 - Google Patents
基于变邻域和遗传算子的生产组装协同调度方法及系统 Download PDFInfo
- Publication number
- CN113177781A CN113177781A CN202110532921.2A CN202110532921A CN113177781A CN 113177781 A CN113177781 A CN 113177781A CN 202110532921 A CN202110532921 A CN 202110532921A CN 113177781 A CN113177781 A CN 113177781A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- assembly
- product
- equal
- production
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000002068 genetic effect Effects 0.000 title claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 45
- 238000012163 sequencing technique Methods 0.000 claims description 23
- 238000009826 distribution Methods 0.000 claims description 15
- 238000010923 batch production Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003247 decreasing effect Effects 0.000 claims description 6
- 238000012217 deletion Methods 0.000 claims description 6
- 230000037430 deletion Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000006872 improvement Effects 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 abstract description 8
- 239000000047 product Substances 0.000 description 72
- 238000005457 optimization Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005713 exacerbation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于变邻域和遗传算子的生产组装协同调度方法，针对高端装备制造的生产组装协同调度问题，设计了基于启发式算法和变邻域搜索算法的优化算法，首先运用启发式算法将零部件进行组批和排序，再通过编码确定组装机器分配和产品组装排序，最后通过组装阶段的启发式算法和算法的迭代改进并找到近似最优解。本发明采用与启发式算法相结合的变邻域搜索算法，一方面为变邻域搜索算法提供了更加有效的邻域结构，另一方面，保证了搜索过程的高效率，既保证了算法的收敛性，又保证了算法的简洁性，能在较短的时间内解决实际问题。
Description
技术领域
本发明涉及装备制造和生产组装协同调度技术领域，具体来说是一种基于变邻域和遗传算子的生产组装协同调度方法及系统。
背景技术
近年来，协同制造的快速发展加剧了企业的全球化竞争，各类高端装备(飞机，农机设备和汽车等)的制造需要来自全球的制造和组装企业共同完成，根据各企业的目标来制定相应的生产组装协同调度决策对于提高产能，降低生产成本具有重要意义。在实际的生产过程中，机器的运行效率会随着其运行时间的增长而有所降低，从而导致后加工的工件产生额外的加工时间；相对应的，组装生产线上的加工人员会随着加工进程的推进不断熟练操作过程，故后组装的产品所需的实际时间会相应减少。以上两种加工时间的描述在学术上被称为恶化和学习效应(Wang 2007)。在一些零部件的生产过程中，往往会采用批量化加工的方式来提高生产效率，减少机器的装载次数，故在生产组装协同调度问题中考虑批处理方式是必要的。面对复杂的实际问题，现有的精确算法难以给出合理的协同调度方案，所以，本专利运用了智能优化算法和多种启发式算法，设计了一种基于变邻域和遗传算子的生产组装协同调度方法。在以往的研究中，Zhang等学者提出了一种基于变邻域搜索算法的钢材生产批调度算法；Roshanaei等学者提出了基于变邻域搜索算法的job-shop调度方法；Pezzella等学者提出了一种遗传算法用于解决灵活车间调度问题。这些研究主要局限于特定的生产情形，其方法往往不适用于解决高端装备制造过程中的复杂的优化问题。
基本的变邻域搜索算法的步骤一般包括：(1)初始化参数，随机产生一个解；(2)在一个邻域产生多个解；(3)判断是否产生了更好的解，若是，继续使用初始邻域结构，否则，更新邻域；(4)判断终止条件是否满足，若满足，结束搜索，否则返回步骤(2)。通过以上步骤不断迭代，寻找最优解。
以上论述的技术缺陷如下：
(1)在研究问题上，传统的调度算法基于某一特定的生产情形，未能从全局考虑产品由半成品加工到运输再到组装的全过程，而在当前的全球化制造背景下，只有考虑了制造系统中多个离散企业的目标，才能有效实现各企业的协同，从而提高产能，降低成本。在以往的研究中，实际生产过程中的加工时间变化规律，即恶化和学习效应，也往往得不到足够的重视，从而导致一些理论上可行的算法在实际生产过程中难以发挥有效的作用。
(2)在研究方法上，变邻域搜索算法在解决一些基本的调度问题时展现出较好的性能，但是在解决一些复杂的协同制造问题时，仅仅以常见邻域结构为搜索手段往往难以在有限的时间能找到较好的解。
Wang,X.,&Cheng,T.E.(2007).Single-machine scheduling withdeteriorating jobs and learning effects to minimize the makespan.EuropeanJournal of Operational Research,178(1),57-70.
Zhang,B.,Pan,Q.K.,Gao,L.,&Zhang,X.L.(2018).A hybrid variableneighborhood search algorithm for the hot rolling batch scheduling problem incompact strip production.Computers&Industrial Engineering,116,22-36.
Roshanaei,V.,Naderi,B.,Jolai,F.,&Khalili,M.(2009).A variableneighborhood search for job shop scheduling with set-up times to minimizemakespan.Future Generation Computer Systems,25(6),654-661.
Pezzella,F.,Morganti,G.,&Ciaschetti,G..(2008).A genetic algorithm forthe flexible job-shop scheduling problem.Computers&Operations Research,35(10),3202-3212.
发明内容
本发明所要解决的技术问题在于如何解决高端装备的生产与组装协同调度问题。
本发明通过以下技术手段实现解决上述技术问题的：
一种基于变邻域和遗传算子的生产组装协同调度方法，包括以下步骤：
步骤1.执行连续批生产调度算法，安排各零部件制造商处的加工和运输；
步骤2.跟据步骤1的调度结果计算组装阶段的产品组装最早开始时间；
步骤3.采用整数编码方式对所有的产品组装排序和机器分配进行编码；
步骤4.设定算法初始参数itmax和ωmax，随机生成一个初始解，对其执行邻域NEI1产生多个初始解，运用组装阶段的启发式算法分别对多个初始解改进，取其中最优的解作为算法初始解V，设ω＝1；
步骤5.采用邻域结构NEIω在当前最优解V的邻域产生新解V*；
步骤6.对V和V*执行基于遗传算法的改进交叉算子得到V'；
步骤7.运用组装阶段的启发式算法对V'改进得到V”；
步骤8.若V”优于V，令V＝V”,ω＝1；否则，令ω＝ω+1；
步骤9.若ω＞ωmax,令ω＝1；
步骤10.记录当前算法运行时间it；
步骤11.如果it≤itmax，则返回步骤5；否则，输出结果和对应的协同调度方案。
本发明针对高端装备制造的生产组装协同调度问题，设计了基于启发式算法和变邻域搜索算法的优化算法，首先运用启发式算法将零部件进行组批和排序，再通过编码确定组装机器分配和产品组装排序，最后通过组装阶段的启发式算法和算法的迭代改进并找到近似最优解。本发明采用与启发式算法相结合的变邻域搜索算法，一方面为变邻域搜索算法提供了更加有效的邻域结构，另一方面，保证了搜索过程的高效率，既保证了算法的收敛性，又保证了算法的简洁性，能在较短的时间内解决实际问题。
进一步的，假设所需生产的产品数量为N，该类产品所需的零部件数量和零部件制造商数量均为g，各零部件的生产与零部件制造商一一对应，第i个产品的第m个零部件需要在第m个零件制造商处加工，其加工时间为ti,m，每批最多包含c个零部件，第m个零部件制造商至组装制造商的运输时间为Dm；第i个产品的组装时间表示为ai,组装机器的数量为G；
所述步骤1中连续批生产调度算法具体为：
步骤11：将零部件按照加工时间非减序排列；
步骤12：如果
将前
个零部件组成一批，并从零部件列表中删除；其中
表示不小于
的最小整数；
步骤13：将零部件列表中的前c个零部件组成一批并删除，重复此步骤直至所有零部件组批完成；
步骤14：按照批次生成的顺序对各批次进行加工和运输，并记录第i个产品的第m个零部件的到达时间Ci,m，第i个产品组装最早开始时间表示为
其中，
表示取Ci,1，Ci,2，…，Ci,g中的最大值。
进一步的，所述步骤3的具体方法为：
步骤31：解向量表示为V＝(v1,v2,...,vN+G-1)，其中v1,v2,...,vN+G-1序列包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤32：设定y＝1，d＝1，z＝1；
步骤33：若vy≤N，则令y＝y+1；否则，将第vz个产品至第vy-1个产品按次序分配至第d个组装机器生产，令z＝y+1，d＝d+1；
步骤34：如果y＝N+G-1，则将第vz个产品至第vy个产品按次序分配至第d个组装机器生产，输出分配和排序并结束算法；否则，返回步骤33。
进一步的，所述步骤5的具体方法为：
步骤51：获取解向量V＝(v1,v2,...,vN+G-1)；
步骤52：设定ii＝1；
步骤53：取z＝1到N+G-1之间的随机数，取y＝1到N+G-1之间的随机数；
步骤54：如果vz＝vy，则返回步骤53；否则，执行步骤55。
步骤55：如果vz＞N且vy＞N，则返回步骤53；否则，执行步骤56.
步骤56：交换vz和vy的值得到新的解向量V'。
步骤57：令ii＝ii+1，若ii＞ω，输出V'，结束搜索；否则，令V＝V'并返回步骤53。
进一步的，所述步骤6的具体方法为：
步骤61：输入初始解
和V＝(v1,v2,...,vN+G-1),其中，
和v1,v2,...,vN+G-1分别包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤62：产生一个1至N+G-1范围内的随机整数rand1；
步骤63：设i＝1，令
和
步骤64：若i≤rand1，则令
步骤65：若i＞rand1，则令
步骤66：令i＝i+1。如果i≤N+G-1，则返回步骤64；否则，执行步骤67；
步骤67：设i＝1,ii＝1；
步骤68：如果
则从V中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤69：如果i≤rand1，则返回步骤68；否则，将V中剩余的值依次赋值给
至
步骤610：设i＝rand1+1,ii＝1；
步骤611：如果
则从V*中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤612：如果i≤N+G-1，则返回步骤611；否则，将V*中剩余的值依次赋值给
至
步骤613：分别计算V*和V的适应度值，令两者中的较优解为V'，然后输出V'，结束算法。
进一步的，所述步骤7的具体方法为：
步骤71：将第1个产品至第N个产品依次组装获取产品排序，设定i＝1；
步骤72：如果Ri≥Ri+1且ai≥ai+1，执行步骤73；否则，执行步骤75；
步骤73：如果Ri＝Ri+1且ai＝ai+1，执行步骤75；否则，交换第i个产品和第i+1个产品的加工次序；
步骤74：如果i＝1，执行步骤75；否则，令i＝i-1，执行步骤72；
步骤75：令i＝i+1。如果i<N-1，则执行步骤72；否则结束搜索。
与上述方法对应的，本发明还提供一种基于变邻域和遗传算子的生产组装协同调度系统，包括：
零件商处的加工和运输调度计算模块；执行连续批生产调度算法，安排各零部件制造商处的加工和运输；
产品组装最早开始时间计算模块，跟据零件商处的加工和运输调度计算模块的调度结果计算组装阶段的产品组装最早开始时间；
产品组装排序和机器分配编码模块，采用整数编码方式对所有的产品组装排序和机器分配进行编码；
组装启发式算法改进得到初始解模块，设定算法初始参数itmax和ωmax，随机生成一个初始解，对其执行邻域NEI1产生多个初始解，运用组装阶段的启发式算法分别对多个初始解改进，取其中最优的解作为算法初始解V，设ω＝1；
领域产生新解模块，采用邻域结构NEIω在当前最优解V的邻域产生新解V*；
改进交叉算子模块，对V和V*执行基于遗传算法的改进交叉算子得到V'；
组装阶段的启发式算法模块，运用组装阶段的启发式算法对V'改进得到V”；
判断模块，若V”优于V，令V＝V”,ω＝1；否则，令ω＝ω+1；若ω＞ωmax,令ω＝1；
结果输出模块，记录当前算法运行时间it；如果it≤itmax，则返回执行领域产生新解模块；否则，输出结果和对应的协同调度方案。
进一步的，假设所需生产的产品数量为N，该类产品所需的零部件数量和零部件制造商数量均为g，各零部件的生产与零部件制造商一一对应，第i个产品的第m个零部件需要在第m个零件制造商处加工，其加工时间为ti,m，每批最多包含c个零部件，第m个零部件制造商至组装制造商的运输时间为Dm；第i个产品的组装时间表示为ai,组装机器的数量为G；
所述零件商处的加工和运输调度计算模块连续批生产调度算法具体为：
步骤11：将零部件按照加工时间非减序排列；
步骤12：如果
将前
个零部件组成一批，并从零部件列表中删除；其中
表示不小于
的最小整数；
步骤13：将零部件列表中的前c个零部件组成一批并删除，重复此步骤直至所有零部件组批完成；
步骤14：按照批次生成的顺序对各批次进行加工和运输，并记录第i个产品的第m个零部件的到达时间Ci,m，第i个产品组装最早开始时间表示为
其中，
表示取Ci,1，Ci,2，…，Ci,g中的最大值。
进一步的，所述产品组装排序和机器分配编码模块的具体执行过程为：
步骤31：解向量表示为V＝(v1,v2,...,vN+G-1)，其中v1,v2,...,vN+G-1序列包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤32：设定y＝1，d＝1，z＝1；
步骤33：若vy≤N，则令y＝y+1；否则，将第vz个产品至第vy-1个产品按次序分配至第d个组装机器生产，令z＝y+1，d＝d+1；
步骤34：如果y＝N+G-1，则将第vz个产品至第vy个产品按次序分配至第d个组装机器生产，输出分配和排序并结束算法；否则，返回步骤33。
进一步的，所述改进交叉算子模块的具体执行过程为：
步骤61：输入初始解
和V＝(v1,v2,...,vN+G-1),其中，
和v1,v2,...,vN+G-1分别包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤62：产生一个1至N+G-1范围内的随机整数rand1；
步骤63：设i＝1，令
和
步骤64：若i≤rand1，则令
步骤65：若i＞rand1，则令
步骤66：令i＝i+1。如果i≤N+G-1，则返回步骤4；否则，执行步骤67；
步骤67：设i＝1,ii＝1；
步骤68：如果
则从V中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤69：如果i≤rand1，则返回步骤68；否则，将V中剩余的值依次赋值给
至
步骤610：设i＝rand1+1,ii＝1；
步骤611：如果
则从V*中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤612：如果i≤N+G-1，则返回步骤611；否则，将V*中剩余的值依次赋值给
至
步骤613：分别计算V*和V的适应度值，令两者中的较优解为V'，然后输出V'，结束算法；
所述组装阶段的启发式算法模块的具体执行过程为：
步骤71：将第1个产品至第N个产品依次组装获取产品排序，设定i＝1；
步骤72：如果Ri≥Ri+1且ai≥ai+1，执行步骤73；否则，执行步骤75；
步骤73：如果Ri＝Ri+1且ai＝ai+1，执行步骤75；否则，交换第i个产品和第i+1个产品的加工次序；
步骤74：如果i＝1，执行步骤75；否则，令i＝i-1，执行步骤72；
步骤75：令i＝i+1。如果i<N-1，则执行步骤72；否则结束搜索。
本发明的优点在于：
(1)本发明针对高端装备制造的生产组装协同调度问题，设计了基于启发式算法和变邻域搜索算法的优化算法，首先运用启发式算法将零部件进行组批和排序，再通过编码确定组装机器分配和产品组装排序，最后通过组装阶段的启发式算法和算法的迭代改进并找到近似最优解。本发明采用与启发式算法相结合的变邻域搜索算法，一方面为变邻域搜索算法提供了更加有效的邻域结构，另一方面，保证了搜索过程的高效率，既保证了算法的收敛性，又保证了算法的简洁性，能在较短的时间内解决实际问题。
(2)本发明在分别考虑了零部件制造商和组装制造商的生产效率问题，并基于实际生产情形在不同的阶段分别考虑了恶化和学习效应，建立了符合高端装备制造特点的生产组装协同优化模型，所提出的方法能有效的解决全球化制造背景下的实际问题。
(3)初始解产生和邻域搜索过程中，都运用了启发式算法，有效保证了算法的收敛性。且根据问题和编码特点，设计了新的邻域结构，并在其中添加了依据问题性质进行改进的遗传算子，对于减少运算时间和提高算收敛性具有较好的意义。
附图说明
图1为本发明实施例中基于变邻域和遗传算子的生产组装协同调度方法的流程框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本发明提供一种基于变邻域和遗传算子的生产组装协同调度方法，包括以下步骤：
步骤1.执行连续批生产调度算法，安排各零部件制造商处的加工和运输；
假设所需生产的产品数量为N，该类产品所需的零部件数量和零部件制造商数量均为g，各零部件的生产与零部件制造商一一对应，第i个产品的第m个零部件需要在第m个零件制造商处加工，其加工时间为ti,m，每批最多包含c个零部件，第m个零部件制造商至组装制造商的运输时间为Dm；第i个产品的组装时间表示为ai,组装机器的数量为G；
步骤1中连续批生产调度算法具体为：
步骤11：将零部件按照加工时间非减序排列；
步骤12：如果
将前
个零部件组成一批，并从零部件列表中删除；其中
表示不小于
的最小整数；
步骤13：将零部件列表中的前c个零部件组成一批并删除，重复此步骤直至所有零部件组批完成；
步骤14：按照批次生成的顺序对各批次进行加工和运输，并记录第i个产品的第m个零部件的到达时间Ci,m，第i个产品组装最早开始时间表示为
其中，
表示取Ci,1，Ci,2，…，Ci,g中的最大值。
步骤2.跟据步骤1的调度结果计算组装阶段的产品组装最早开始时间；
步骤3.采用整数编码方式对所有的产品组装排序和机器分配进行编码；
具体方法为：
步骤31：解向量表示为V＝(v1,v2,...,vN+G-1)，其中v1,v2,...,vN+G-1序列包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤32：设定y＝1，d＝1，z＝1；
步骤33：若vy≤N，则令y＝y+1；否则，将第vz个产品至第vy-1个产品按次序分配至第d个组装机器生产，令z＝y+1，d＝d+1；
步骤34：如果y＝N+G-1，则将第vz个产品至第vy个产品按次序分配至第d个组装机器生产，输出分配和排序并结束算法；否则，返回步骤33。
步骤4.设定算法初始参数itmax和ωmax，随机生成一个初始解，对其执行邻域NEI1产生多个初始解，运用组装阶段的启发式算法分别对多个初始解改进，取其中最优的解作为算法初始解V，设ω＝1；
步骤5.采用邻域结构NEIω在当前最优解V的邻域产生新解V*；
具体方法为：
步骤51：获取解向量V＝(v1,v2,...,vN+G-1)；
步骤52：设定ii＝1；
步骤53：取z＝1到N+G-1之间的随机数，取y＝1到N+G-1之间的随机数；
步骤54：如果vz＝vy，则返回步骤53；否则，执行步骤55。
步骤55：如果vz＞N且vy＞N，则返回步骤53；否则，执行步骤56.
步骤56：交换vz和vy的值得到新的解向量V'。
步骤57：令ii＝ii+1，若ii＞ω，输出V'，结束搜索；否则，令V＝V'并返回步骤53。
步骤6.对V和V*执行基于遗传算法的改进交叉算子得到V'；
具体方法为：
步骤61：输入初始解
和V＝(v1,v2,...,vN+G-1),其中，
和v1,v2,...,vN+G-1分别包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤62：产生一个1至N+G-1范围内的随机整数rand1；
步骤63：设i＝1，令
和
步骤64：若i≤rand1，则令
步骤65：若i＞rand1，则令
步骤66：令i＝i+1。如果i≤N+G-1，则返回步骤64；否则，执行步骤67；
步骤67：设i＝1,ii＝1；
步骤68：如果
则从V中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤69：如果i≤rand1，则返回步骤68；否则，将V中剩余的值依次赋值给
至
步骤610：设i＝rand1+1,ii＝1；
步骤611：如果
则从V*中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤612：如果i≤N+G-1，则返回步骤611；否则，将V*中剩余的值依次赋值给
至
步骤613：分别计算V*和V的适应度值，令两者中的较优解为V'，然后输出V'，结束算法。
步骤7.运用组装阶段的启发式算法对V'改进得到V”；
具体方法为：
步骤71：将第1个产品至第N个产品依次组装获取产品排序，设定i＝1；
步骤72：如果Ri≥Ri+1且ai≥ai+1，执行步骤73；否则，执行步骤75；
步骤73：如果Ri＝Ri+1且ai＝ai+1，执行步骤75；否则，交换第i个产品和第i+1个产品的加工次序；
步骤74：如果i＝1，执行步骤75；否则，令i＝i-1，执行步骤72；
步骤75：令i＝i+1。如果i<N-1，则执行步骤72；否则结束搜索。
步骤8.若V”优于V，令V＝V”,ω＝1；否则，令ω＝ω+1；
步骤9.若ω＞ωmax,令ω＝1；
步骤10.记录当前算法运行时间it；
步骤11.如果it≤itmax，则返回步骤5；否则，输出结果和对应的协同调度方案。
本实施例针对高端装备制造的生产组装协同调度问题，设计了基于启发式算法和变邻域搜索算法的优化算法，首先运用启发式算法将零部件进行组批和排序，再通过编码确定组装机器分配和产品组装排序，最后通过组装阶段的启发式算法和算法的迭代改进并找到近似最优解。本发明采用与启发式算法相结合的变邻域搜索算法，一方面为变邻域搜索算法提供了更加有效的邻域结构，另一方面，保证了搜索过程的高效率，既保证了算法的收敛性，又保证了算法的简洁性，能在较短的时间内解决实际问题。
本实施例在分别考虑了零部件制造商和组装制造商的生产效率问题，并基于实际生产情形在不同的阶段分别考虑了恶化和学习效应，建立了符合高端装备制造特点的生产组装协同优化模型，所提出的方法能有效的解决全球化制造背景下的实际问题
本实施例初始解产生和邻域搜索过程中，都运用了启发式算法，有效保证了算法的收敛性。且根据问题和编码特点，设计了新的邻域结构，并在其中添加了依据问题性质进行改进的遗传算子，对于减少运算时间和提高算收敛性具有较好的意义。
与上述方法相对应的，本实施例还提供一种基于变邻域和遗传算子的生产组装协同调度系统，包括：
零件商处的加工和运输调度计算模块；执行连续批生产调度算法，安排各零部件制造商处的加工和运输；具体执行过程为：
假设所需生产的产品数量为N，该类产品所需的零部件数量和零部件制造商数量均为g，各零部件的生产与零部件制造商一一对应，第i个产品的第m个零部件需要在第m个零件制造商处加工，其加工时间为ti,m，每批最多包含c个零部件，第m个零部件制造商至组装制造商的运输时间为Dm；第i个产品的组装时间表示为ai,组装机器的数量为G；
步骤1中连续批生产调度算法具体为：
步骤11：将零部件按照加工时间非减序排列；
步骤12：如果
将前
个零部件组成一批，并从零部件列表中删除；其中
表示不小于
的最小整数；
步骤13：将零部件列表中的前c个零部件组成一批并删除，重复此步骤直至所有零部件组批完成；
步骤14：按照批次生成的顺序对各批次进行加工和运输，并记录第i个产品的第m个零部件的到达时间Ci,m，第i个产品组装最早开始时间表示为
其中，
表示取Ci,1，Ci,2，…，Ci,g中的最大值。
产品组装最早开始时间计算模块，跟据零件商处的加工和运输调度计算模块的调度结果计算组装阶段的产品组装最早开始时间；
产品组装排序和机器分配编码模块，采用整数编码方式对所有的产品组装排序和机器分配进行编码；具体执行过程为：
具体方法为：
步骤31：解向量表示为V＝(v1,v2,...,vN+G-1)，其中v1,v2,...,vN+G-1序列包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤32：设定y＝1，d＝1，z＝1；
步骤33：若vy≤N，则令y＝y+1；否则，将第vz个产品至第vy-1个产品按次序分配至第d个组装机器生产，令z＝y+1，d＝d+1；
步骤34：如果y＝N+G-1，则将第vz个产品至第vy个产品按次序分配至第d个组装机器生产，输出分配和排序并结束算法；否则，返回步骤33。
组装启发式算法改进得到初始解模块，设定算法初始参数itmax和ωmax，随机生成一个初始解，对其执行邻域NEI1产生多个初始解，运用组装阶段的启发式算法分别对多个初始解改进，取其中最优的解作为算法初始解V，设ω＝1；
领域产生新解模块，采用邻域结构NEIω在当前最优解V的邻域产生新解V*；具体方法为：
步骤51：获取解向量V＝(v1,v2,...,vN+G-1)；
步骤52：设定ii＝1；
步骤53：取z＝1到N+G-1之间的随机数，取y＝1到N+G-1之间的随机数；
步骤54：如果vz＝vy，则返回步骤53；否则，执行步骤55。
步骤55：如果vz＞N且vy＞N，则返回步骤53；否则，执行步骤56.
步骤56：交换vz和vy的值得到新的解向量V'。
步骤57：令ii＝ii+1，若ii＞ω，输出V'，结束搜索；否则，令V＝V'并返回步骤53。
改进交叉算子模块，对V和V*执行基于遗传算法的改进交叉算子得到V'；具体执行过程为：
步骤61：输入初始解
和V＝(v1,v2,...,vN+G-1),其中，
和v1,v2,...,vN+G-1分别包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤62：产生一个1至N+G-1范围内的随机整数rand1；
步骤63：设i＝1，令
和
步骤64：若i≤rand1，则令
步骤65：若i＞rand1，则令
步骤66：令i＝i+1。如果i≤N+G-1，则返回步骤64；否则，执行步骤67；
步骤67：设i＝1,ii＝1；
步骤68：如果
则从V中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤69：如果i≤rand1，则返回步骤68；否则，将V中剩余的值依次赋值给
至
步骤610：设i＝rand1+1,ii＝1；
步骤611：如果
则从V*中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤612：如果i≤N+G-1，则返回步骤611；否则，将V*中剩余的值依次赋值给
至
步骤613：分别计算V*和V的适应度值，令两者中的较优解为V'，然后输出V'，结束算法。
组装阶段的启发式算法模块，运用组装阶段的启发式算法对V'改进得到V”；
判断模块，若V”优于V，令V＝V”,ω＝1；否则，令ω＝ω+1；若ω＞ωmax,令ω＝1；
结果输出模块，记录当前算法运行时间it；如果it≤itmax，则返回执行领域产生新解模块；否则，输出结果和对应的协同调度方案。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于变邻域和遗传算子的生产组装协同调度方法，其特征在于，包括以下步骤：
步骤1.执行连续批生产调度算法，安排各零部件制造商处的加工和运输；
步骤2.跟据步骤1的调度结果计算组装阶段的产品组装最早开始时间；
步骤3.采用整数编码方式对所有的产品组装排序和机器分配进行编码；
步骤4.设定算法初始参数itmax和ωmax，随机生成一个初始解，对其执行邻域NEI1产生多个初始解，运用组装阶段的启发式算法分别对多个初始解改进，取其中最优的解作为算法初始解V，设ω＝1；
步骤5.采用邻域结构NEIω在当前最优解V的邻域产生新解V*；
步骤6.对V和V*执行基于遗传算法的改进交叉算子得到V'；
步骤7.运用组装阶段的启发式算法对V'改进得到V”；
步骤8.若V”优于V，令V＝V”,ω＝1；否则，令ω＝ω+1；
步骤9.若ω＞ωmax,令ω＝1；
步骤10.记录当前算法运行时间it；
步骤11.如果it≤itmax，则返回步骤5；否则，输出结果和对应的协同调度方案。
2.根据权利要求1所述的基于变邻域和遗传算子的生产组装协同调度方法，其特征在于，假设所需生产的产品数量为N，该类产品所需的零部件数量和零部件制造商数量均为g，各零部件的生产与零部件制造商一一对应，第i个产品的第m个零部件需要在第m个零件制造商处加工，其加工时间为ti,m，每批最多包含c个零部件，第m个零部件制造商至组装制造商的运输时间为Dm；第i个产品的组装时间表示为ai,组装机器的数量为G；
所述步骤1中连续批生产调度算法具体为：
步骤11：将零部件按照加工时间非减序排列；
步骤12：如果
将前
个零部件组成一批，并从零部件列表中删除；其中
表示不小于
的最小整数；
步骤13：将零部件列表中的前c个零部件组成一批并删除，重复此步骤直至所有零部件组批完成；
步骤14：按照批次生成的顺序对各批次进行加工和运输，并记录第i个产品的第m个零部件的到达时间Ci,m，第i个产品组装最早开始时间表示为
其中，
表示取Ci,1，Ci,2，…，Ci,g中的最大值。
3.根据权利要求2所述的基于变邻域和遗传算子的生产组装协同调度方法，其特征在于，所述步骤3的具体方法为：
步骤31：解向量表示为V＝(v1,v2,...,vN+G-1)，其中v1,v2,...,vN+G-1序列包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤32：设定y＝1，d＝1，z＝1；
步骤33：若vy≤N，则令y＝y+1；否则，将第vz个产品至第vy-1个产品按次序分配至第d个组装机器生产，令z＝y+1，d＝d+1；
步骤34：如果y＝N+G-1，则将第vz个产品至第vy个产品按次序分配至第d个组装机器生产，输出分配和排序并结束算法；否则，返回步骤33。
4.根据权利要求3所述的基于变邻域和遗传算子的生产组装协同调度方法，其特征在于，所述步骤5的具体方法为：
步骤51：获取解向量V＝(v1,v2,...,vN+G-1)；
步骤52：设定ii＝1；
步骤53：取z＝1到N+G-1之间的随机数，取y＝1到N+G-1之间的随机数；
步骤54：如果vz＝vy，则返回步骤53；否则，执行步骤55。
步骤55：如果vz＞N且vy＞N，则返回步骤53；否则，执行步骤56.
步骤56：交换vz和vy的值得到新的解向量V'。
步骤57：令ii＝ii+1，若ii＞ω，输出V'，结束搜索；否则，令V＝V'并返回步骤53。
5.根据权利要求4所述的基于变邻域和遗传算子的生产组装协同调度方法，其特征在于，所述步骤6的具体方法为：
步骤61：输入初始解
和V＝(v1,v2,...,vN+G-1),其中，
和v1,v2,...,vN+G-1分别包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤62：产生一个1至N+G-1范围内的随机整数rand1；
步骤63：设i＝1，令
和
步骤64：若i≤rand1，则令
步骤65：若i＞rand1，则令
步骤66：令i＝i+1。如果i≤N+G-1，则返回步骤64；否则，执行步骤67；
步骤67：设i＝1,ii＝1；
步骤68：如果
则从V中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤69：如果i≤rand1，则返回步骤68；否则，将V中剩余的值依次赋值给
至
步骤610：设i＝rand1+1,ii＝1；
步骤611：如果
则从V*中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤612：如果i≤N+G-1，则返回步骤611；否则，将V*中剩余的值依次赋值给
至
步骤613：分别计算V*和V的适应度值，令两者中的较优解为V'，然后输出V'，结束算法。
6.根据权利要求5所述的基于变邻域和遗传算子的生产组装协同调度方法，其特征在于，所述步骤7的具体方法为：
步骤71：将第1个产品至第N个产品依次组装获取产品排序，设定i＝1；
步骤72：如果Ri≥Ri+1且ai≥ai+1，执行步骤73；否则，执行步骤75；
步骤73：如果Ri＝Ri+1且ai＝ai+1，执行步骤75；否则，交换第i个产品和第i+1个产品的加工次序；
步骤74：如果i＝1，执行步骤75；否则，令i＝i-1，执行步骤72；
步骤75：令i＝i+1。如果i<N-1，则执行步骤72；否则结束搜索。
7.一种基于变邻域和遗传算子的生产组装协同调度系统，其特征在于，包括：
零件商处的加工和运输调度计算模块；执行连续批生产调度算法，安排各零部件制造商处的加工和运输；
产品组装最早开始时间计算模块，跟据零件商处的加工和运输调度计算模块的调度结果计算组装阶段的产品组装最早开始时间；
产品组装排序和机器分配编码模块，采用整数编码方式对所有的产品组装排序和机器分配进行编码；
组装启发式算法改进得到初始解模块，设定算法初始参数itmax和ωmax，随机生成一个初始解，对其执行邻域NEI1产生多个初始解，运用组装阶段的启发式算法分别对多个初始解改进，取其中最优的解作为算法初始解V，设ω＝1；
领域产生新解模块，采用邻域结构NEIω在当前最优解V的邻域产生新解V*；
改进交叉算子模块，对V和V*执行基于遗传算法的改进交叉算子得到V'；
组装阶段的启发式算法模块，运用组装阶段的启发式算法对V'改进得到V”；
判断模块，若V”优于V，令V＝V”,ω＝1；否则，令ω＝ω+1；若ω＞ωmax,令ω＝1；
结果输出模块，记录当前算法运行时间it；如果it≤itmax，则返回执行领域产生新解模块；否则，输出结果和对应的协同调度方案。
8.根据权利要求7所述的基于变邻域和遗传算子的生产组装协同调度系统，其特征在于，假设所需生产的产品数量为N，该类产品所需的零部件数量和零部件制造商数量均为g，各零部件的生产与零部件制造商一一对应，第i个产品的第m个零部件需要在第m个零件制造商处加工，其加工时间为ti,m，每批最多包含c个零部件，第m个零部件制造商至组装制造商的运输时间为Dm；第i个产品的组装时间表示为ai,组装机器的数量为G；
所述零件商处的加工和运输调度计算模块连续批生产调度算法具体为：
步骤11：将零部件按照加工时间非减序排列；
步骤12：如果
将前
个零部件组成一批，并从零部件列表中删除；其中
表示不小于
的最小整数；
步骤13：将零部件列表中的前c个零部件组成一批并删除，重复此步骤直至所有零部件组批完成；
步骤14：按照批次生成的顺序对各批次进行加工和运输，并记录第i个产品的第m个零部件的到达时间Ci,m，第i个产品组装最早开始时间表示为
其中，
表示取Ci,1，Ci,2，…，Ci,g中的最大值。
9.根据权利要求8所述的基于变邻域和遗传算子的生产组装协同调度系统，其特征在于，所述产品组装排序和机器分配编码模块的具体执行过程为：
步骤31：解向量表示为V＝(v1,v2,...,vN+G-1)，其中v1,v2,...,vN+G-1序列包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤32：设定y＝1，d＝1，z＝1；
步骤33：若vy≤N，则令y＝y+1；否则，将第vz个产品至第vy-1个产品按次序分配至第d个组装机器生产，令z＝y+1，d＝d+1；
步骤34：如果y＝N+G-1，则将第vz个产品至第vy个产品按次序分配至第d个组装机器生产，输出分配和排序并结束算法；否则，返回步骤33。
10.根据权利要求3所述的基于变邻域和遗传算子的生产组装协同调度系统，其特征在于，所述改进交叉算子模块的具体执行过程为：
步骤61：输入初始解
和V＝(v1,v2,...,vN+G-1),其中，
和v1,v2,...,vN+G-1分别包含了1至N+G-1中的所有整数，且每个整数仅出现一次；
步骤62：产生一个1至N+G-1范围内的随机整数rand1；
步骤63：设i＝1，令
和
步骤64：若i≤rand1，则令
步骤65：若i＞rand1，则令
步骤66：令i＝i+1。如果i≤N+G-1，则返回步骤4；否则，执行步骤67；
步骤67：设i＝1,ii＝1；
步骤68：如果
则从V中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤69：如果i≤rand1，则返回步骤68；否则，将V中剩余的值依次赋值给
至
步骤610：设i＝rand1+1,ii＝1；
步骤611：如果
则从V*中删除vii，令i＝i+1和ii＝1；否则令ii＝ii+1；
步骤612：如果i≤N+G-1，则返回步骤611；否则，将V*中剩余的值依次赋值给
至
步骤613：分别计算V*和V的适应度值，令两者中的较优解为V'，然后输出V'，结束算法；
所述组装阶段的启发式算法模块的具体执行过程为：
步骤71：将第1个产品至第N个产品依次组装获取产品排序，设定i＝1；
步骤72：如果Ri≥Ri+1且ai≥ai+1，执行步骤73；否则，执行步骤75；
步骤73：如果Ri＝Ri+1且ai＝ai+1，执行步骤75；否则，交换第i个产品和第i+1个产品的加工次序；
步骤74：如果i＝1，执行步骤75；否则，令i＝i-1，执行步骤72；
步骤75：令i＝i+1。如果i<N-1，则执行步骤72；否则结束搜索。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110532921.2A CN113177781B (zh) | 2021-05-17 | 2021-05-17 | 基于变邻域和遗传算子的生产组装协同调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110532921.2A CN113177781B (zh) | 2021-05-17 | 2021-05-17 | 基于变邻域和遗传算子的生产组装协同调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113177781A true CN113177781A (zh) | 2021-07-27 |
| CN113177781B CN113177781B (zh) | 2022-09-30 |
Family
ID=76929078
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110532921.2A Active CN113177781B (zh) | 2021-05-17 | 2021-05-17 | 基于变邻域和遗传算子的生产组装协同调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113177781B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114265380A (zh) * | 2022-03-02 | 2022-04-01 | 合肥工业大学 | 基于vns的高端装备制造鲁棒性调度方法和装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578178A (zh) * | 2017-09-11 | 2018-01-12 | 合肥工业大学 | 基于变邻域搜索和引力搜索混合算法的调度方法及系统 |
| CN107590603A (zh) * | 2017-09-11 | 2018-01-16 | 合肥工业大学 | 基于改进变邻域搜索和差分进化算法的调度方法及系统 |
| US20190080271A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Coordinated Production and Transportation Scheduling Method and System Based on Improved Tabu Search Algorithm |
| CN110991056A (zh) * | 2019-12-09 | 2020-04-10 | 西南交通大学 | 一种基于遗传变邻域算法的飞机装配线作业调度方法 |
| CN112580922A (zh) * | 2020-09-30 | 2021-03-30 | 北京工业大学 | 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法 |
-
2021
- 2021-05-17 CN CN202110532921.2A patent/CN113177781B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578178A (zh) * | 2017-09-11 | 2018-01-12 | 合肥工业大学 | 基于变邻域搜索和引力搜索混合算法的调度方法及系统 |
| CN107590603A (zh) * | 2017-09-11 | 2018-01-16 | 合肥工业大学 | 基于改进变邻域搜索和差分进化算法的调度方法及系统 |
| US20190080271A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Coordinated Production and Transportation Scheduling Method and System Based on Improved Tabu Search Algorithm |
| CN110991056A (zh) * | 2019-12-09 | 2020-04-10 | 西南交通大学 | 一种基于遗传变邻域算法的飞机装配线作业调度方法 |
| CN112580922A (zh) * | 2020-09-30 | 2021-03-30 | 北京工业大学 | 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法 |
Non-Patent Citations (4)
| Title |
|---|
| LU,SJ 等: "Less is more: variable neighborhood search for integrated production and assembly in smart manufacturing", 《JOURNAL OF SCHEDULING》 * |
| 崔琪等: "变邻域改进遗传算法求解混合流水车间调度问题", 《计算机集成制造系统》 * |
| 牟健慧等: "基于遗传变邻域混合算法的带交货期的单机车间逆调度方法", 《机械工程学报》 * |
| 陆少军: "面向协同制造过程考虑工件恶化的供应链生产调度问题研究", 《中国博士学位论文全文数据库-经济与管理科学辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114265380A (zh) * | 2022-03-02 | 2022-04-01 | 合肥工业大学 | 基于vns的高端装备制造鲁棒性调度方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113177781B (zh) | 2022-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fattahi et al. | Dynamic scheduling in flexible job shop systems by considering simultaneously efficiency and stability | |
| Qin et al. | An effective hybrid discrete grey wolf optimizer for the casting production scheduling problem with multi-objective and multi-constraint | |
| US20180357610A1 (en) | Method and system for collaborative scheduling of production and transportation based on shuffled frog leaping and path relinking algorithms | |
| 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 | |
| CN111985672B (zh) | 一种多Agent深度强化学习的单件作业车间调度方法 | |
| Zhu et al. | An adaptive real-time scheduling method for flexible job shop scheduling problem with combined processing constraint | |
| CN105974891A (zh) | 一种基于动态看板的模具生产过程自适应控制方法 | |
| CN113177781B (zh) | 基于变邻域和遗传算子的生产组装协同调度方法及系统 | |
| Vizvari et al. | Local search based meta-heuristic algorithms for optimizing the cyclic flexible manufacturing cell problem | |
| Manupati et al. | Near optimal process plan selection for multiple jobs in networked based manufacturing using multi-objective evolutionary algorithms | |
| CN114237222A (zh) | 一种基于强化学习的取送货车辆路径规划方法 | |
| Hu et al. | Synchronizing vehicles for multi-vehicle and one-cargo transportation | |
| Sun et al. | Scheduling a real-world hybrid flow shop with variable processing times using Lagrangian relaxation | |
| CN110874697A (zh) | 一种带起重机的柔性车间调度方法及系统 | |
| JP2011159230A (ja) | スケジュール作成支援システム、スケジュール作成支援方法、及びスケジュール作成支援プログラム | |
| CN113128839A (zh) | 面向高端装备分布式制造与多模式运输的协同调度方法 | |
| CN112100899A (zh) | 卷烟辅料调度的agv多线程作业全局优化方法 | |
| Fontes et al. | Energy-efficient job shop scheduling problem with transport resources considering speed adjustable resources | |
| Laha et al. | A penalty-shift-insertion-based algorithm to minimize total flow time in no-wait flow shops | |
| Xixing et al. | Approach of Solving Dual Resource Constrained Multi-Objective Flexible Job Shop Scheduling Problem Based on MOEA/D. | |
| Cui et al. | Modeling and optimization for static-dynamic routing of a vehicle with additive manufacturing equipment | |
| CN107437138B (zh) | 基于改进引力搜索算法的生产运输协同调度方法及系统 | |
| Lu et al. | Robust parallel-batching scheduling with fuzzy deteriorating processing time and variable delivery time in smart manufacturing | |
| Tanizaki et al. | Scheduling algorithms using metaheuristics for production processes with crane interference | |
| Kim et al. | Scheduling 3D printers with multiple printing alternatives |
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 |