CN113256027A - 基于货物量的人力资源配置方法 - Google Patents
基于货物量的人力资源配置方法 Download PDFInfo
- Publication number
- CN113256027A CN113256027A CN202110689595.6A CN202110689595A CN113256027A CN 113256027 A CN113256027 A CN 113256027A CN 202110689595 A CN202110689595 A CN 202110689595A CN 113256027 A CN113256027 A CN 113256027A
- Authority
- CN
- China
- Prior art keywords
- individual
- time
- population
- staff
- employee
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
Abstract
本发明提供了一种基于货物量的人力资源配置方法,用于仓库调度,主要包括以下步骤:通过ARIMA数据预测模型对未来一段时间内货物的入库量和出库量进行预测,得到预测数据;利用排队论模型计算所需员工人数;根据仓库对排班的要求,通过整数规划建立约束模型;利用改进的差分进化算法求解约束模型,对员工进行排班。相较于现有技术,本发明采用ARIMA算法进行货物量预测,准确率高并可有效避免出现用工波峰波谷的问题,同时利用改进后的差分进化算法,可减少人员冗余带来的成本以及人员紧缺致使的货物周转时间延长等影响,最大限度的提高人员利用率,降低生产成本。
Description
技术领域
本发明涉及一种基于货物量的人力资源配置方法,属于资源配置领域。
背景技术
精细化的仓库排班可以提升仓库物流的工作效率并减少成本,对仓库的调度优化具有重要意义。特别是近年来,随着电商的不断发展,春节、“618”、“双十一”、“双十二”等时间段都成为了物流行业寄递包裹的高峰期,物流仓储行业在获得发展机遇的同时也承受了更多的压力,如仓储库房内订单挤压导致无法出库、快递公司的爆仓等情况经常发生,物流运营对人力资源的配置提出了更高的要求,优化人员排班成为亟待解决的问题。
目前,国内外在当地服务业的基础上,所提出的解决方案不尽相同。由于国外的服务业在业务繁忙阶段都采用兼职员工与正式员工共同工作的手段,而国内的员工大多是长期公用,更需要考虑员工的休息时间调整和工作任务分配。仓库员工排班问题也与护士排班、银行柜员排班等问题存在不同,仓库的业务量大小根据时间段不同存在明显的不同,由于仓库工作人员的工作时间具有特殊性,人员需求量通常会受当日的业务量影响;用人波峰波谷与购物节、网购热潮有关,仓库中的操作主要分为卸货和上货,操作差异较小,不同业务员可认为进行相同的操作,可互补性更大。
有鉴于此,确有必要提出一种基于货物量的人力资源配置方法,以解决上述问题。
发明内容
本发明的目的在于提供一种基于货物量的人力资源配置方法,可解决仓库员工排班的不合理、不人性化等问题,并克服传统差分进化算法收敛速度慢、易陷入局部最优解等缺陷,可以有效避免用工波峰波谷的问题。
为实现上述目的,本发明提供了一种基于货物量的人力资源配置方法,用于仓库调度,主要包括以下步骤:
步骤1、通过ARIMA数据预测模型对未来一段时间内货物的入库量和出库量进行预测,得到预测数据;
步骤2、利用排队论模型计算所需员工人数;
步骤3、根据仓库对排班的要求,通过整数规划建立约束模型;
步骤4、利用改进的差分进化算法求解约束模型,对员工进行排班。
作为本发明的进一步改进,步骤1的具体步骤为:
步骤11、对所述预测数据进行预处理;
步骤12、检验预测数据的时间序列,若所述预测数据的波动较大,则对所述预测数据进行平稳化处理并得到新的时间序列,否则直接转到步骤13;
步骤13、对时间序列进行ADF单位根验证;
步骤14、利用自相关函数和偏自相关函数对步骤12所得到的时间序列进行定阶;
步骤15、通过残差和相关性检验ARIMA数据预测模型的有效性,并对ARIMA数据预测模型进行训练。
作为本发明的进一步改进,所述步骤12中平稳化处理具体为:通过差分法计算时间序列中t时刻与t-1时刻的差值,以得到新的时间序列。
作为本发明的进一步改进,步骤2的具体步骤为:
步骤22、将员工人数c的值代入至排队论模型,计算货物周转时间,若货物周转时间小于或等于货物平均周转时间,则结束运算,若货物周转时间大于货物平均周转时间,则转到步骤23;
作为本发明的进一步改进,所述货物周转时间的计算公式为:
作为本发明的进一步改进,步骤3的具体步骤为:
步骤32、每位员工每天必须且只能选择1种工作模式,即:
步骤33、每位员工一周至少休息一天,即:
步骤34、每天各时段所安排的员工数不能少于排队论模型计算所得的人数,即:
步骤35、第j-1天安排为晚班的员工第j天不能安排上午班,即:
步骤36、每位员工一周内不得被安排晚班超过两次,即 :
步骤37、每位员工不得连续3天被安排同一工作模式,即:
其中,m表示一周内的星期数;
步骤38、在满足货物对于排队时间要求的基础上,以排班计划期间所有员工总的工作时间最短和员工工作时间方差最小为优化目标,得到目标函数:
作为本发明的进一步改进,步骤4的具体步骤为:
步骤41、对差分进化算法的各参数进行初始化,定义一个矩阵,其中,该矩阵的每一列代表种群中的一个个体,对种群进行初始化;
步骤42、初始化种群后,进行变异操作;
步骤43、变异操作完成后,进行交叉操作;
步骤44、交叉操作完成后,进行选择操作,并搜寻种群中每个个体的一定范围内的其他目标,以发现更好的个体;
步骤45、评估种群中每个个体的适应度函数值,并计算每个个体的选择概率;
步骤46、采用一对一选择算子,比较经过变异操作和交叉操作得到的实验个体与相应的副本个体的适应值,将较优者保存到下一代种群中。
作为本发明的进一步改进,步骤41中,所述矩阵为NP行D列,所述初始化为生成NP*D个满足条件且服从均匀分布的随机数作为种群的初始值,具体为:
其中,i=1,2,...,NP,j=1,2,...D,且rand(0,1)是一个服从均匀分布的随机数,而high[j]和low[j]分别是自变量的第j维的上界和下界。
作为本发明的进一步改进,步骤42中,所述变异操作具体为:
从父代种群中随机地选择两个不同的个体向量相减产生差分向量,然后将该差分向量赋予一定的权值与另一个父代种群随机产生的个体向量进行相加,从而产生新的变异个体;
作为本发明的进一步改进,步骤45中,每个个体的选择概率的计算公式为:
本发明的有益效果是:本发明采用ARIMA算法进行货物量预测,准确率高并可有效避免出现用工波峰波谷的问题,同时利用改进后的差分进化算法,可减少人员冗余带来的成本以及人员紧缺致使的货物周转时间延长等影响,最大限度的提高人员利用率,降低生产成本。
附图说明
图1为本发明基于货物量的人力资源配置方法的方法流程图。
图2为ARIMA数据预测模型的算法流程图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1至图2所示,本发明揭示了一种基于货物量的人力资源配置方法,用于仓库调度,主要包括以下步骤:
步骤1、通过ARIMA数据预测模型,根据过去一段时间内货物每天的入库量和出库量,对未来一段时间内货物每天的入库量和出库量进行预测,得到预测数据;
步骤2、利用排队论模型计算所需员工人数;
步骤3、根据仓库对排班的要求,通过整数规划建立约束模型;
步骤4、利用改进的差分进化算法求解约束模型,对员工进行排班。
以下将对步骤1-4进行详细说明。
步骤1中,还包括以下步骤:
步骤11、对所述预测数据进行预处理,通过绘制数据图来观察预测数据的平稳性;
步骤12、检验预测数据的时间序列,若所述预测数据的波动较大,即处于不平稳状态,则对所述预测数据进行平稳化处理并得到新的时间序列,否则直接转到步骤13;具体地,针对平稳化处理,本发明采用差分法计算时间序列中t时刻与t-1时刻的差值,以得到新的时间序列,新的时间序列更加平稳;
步骤13、对时间序列进行ADF单位根验证,以保证输入ARIMA数据预测模型的预测数据是平稳的;具体地,ADF单位根验证的H0假设就是存在单位根,如果得到的显著性检验统计量小于三个置信度(10%,5%,1%),则对应有(90%,95%,99%)的把握来拒绝原假设;
步骤14、利用自相关函数(ACF)和偏自相关函数(PACF)对步骤12所得到的时间序列进行定阶;若预测数据的波动较大,则对经过平稳化处理后的新的时间序列进行定阶,若预测数据的波动较小,则无需经过平稳化处理,可直接对经过检验后的时间序列进行定阶;
步骤15、通过残差和相关性检验ARIMA数据预测模型的有效性,并对ARIMA数据预测模型进行训练。ARIMA数据预测模型的相关参数确定好后,需要检验ARIMA数据预测模型的有效性。本发明主要通过ARIMA数据预测模型的残差和相关性来判断ARIMA数据预测模型型的有效性。
对于残差,本发明采用图像检验,通过绘制模型残差qq图检验残差是否接近正态分布。
对于相关性,本发明采用DW(Durbin-Watson)检验,假设残差为et,各残差的相关
性方程用表示,则检验的原假设为ρ= 0(残差不存在一阶相关性),备选假设
为ρ≠ 0(残差存在一阶相关性),检验统计量为:
由于DW的值近似等于2(1−ρ),所以DW的值越接近2越好,DW的值处于1~3之间是为正常范围,若DW的值小于1表明残差存在自相关性。若未通过DW检验,则需要修改ARIMA数据预测模型或对预测数据进行处理。
由上述操作处理得到的数据作为ARIMA数据预测模型的建模数据,即模型的训练集和验证集,通过训练可得到不断更新后的ARIMA数据预测模型。
步骤2中,还包括以下步骤:
步骤3中,还包括以下步骤:
步骤31、由于不同仓库对排班的要求略有不同,本发明仅讨论最基本的约束条件,
同时,对模型作出如下假设:假设该仓库采用三班倒机制(上午、下午和晚班),因此每位员
工的每天的工作状态有四种:上午班、下午班、晚班和休息。设变量表示第个员工在
第天选择第工作模式,变量的值为1代表选择,为0代表不选择;每位员工的每天的
工作状态有四种,包括上午班、下午班、晚班和休息。
步骤32、每位员工每天必须且只能选择1种工作模式,即:
步骤33、每位员工一周至少休息一天,即:
步骤34、每天各时段所安排的员工数不能少于排队论模型计算所得的人数,即:
步骤35、第j-1天安排为晚班的员工第j天不能安排上午班,即:
步骤36、每位员工一周内不得被安排晚班超过两次,即 :
步骤37、每位员工不得连续3天被安排同一工作模式,即:
其中,m表示一周内的星期数;
步骤38、在满足货物对于排队时间要求的基础上,以排班计划期间所有员工总的工作时间最短和员工工作时间方差最小为优化目标,得到目标函数:
步骤4中,还包括以下步骤:
步骤41、为了减少传统固定的参数限制算法搜索性能,进而导致过早收敛并陷入局部最优,在差分进化算法研究基础上,分别引入了自适应比例缩放因子和自适应个体交叉概率,以进一步增强算法的动态及全局搜索性能。对差分进化算法的各参数进行初始化,声明一个NP行D列的矩阵,其中,该矩阵的每一列代表种群中的一个个体,NP的值代表员工具体的人数,D的值代表员工在排班期的所有工作状态,对种群进行初始化,以生成NP*D个满足条件且服从均匀分布的随机数作为种群的初始值,具体为:
其中,i=1,2,...,NP,j=1,2,...D,且rand(0,1)是一个服从均匀分布的随机数,而high[j]和low[j]分别是自变量的第j维的上界和下界,需要初始化的参数包括:种群大小NP、变异缩放因子F、迭代次数最大值Nmax、杂交概率Pc。
步骤42、初始化种群后,进行变异操作;所述变异操作具体为:
从父代种群中随机地选择两个不同的个体向量相减产生差分向量,然后将该差分向量赋予一定的权值与另一个父代种群随机产生的个体向量进行相加,从而产生新的变异个体;
步骤43、变异操作完成后,进行交叉操作;根据每个个体情况,本发明引入了自适应个体交叉概率,相应的公式为:
步骤44、交叉操作完成后,进行选择操作,并搜寻种群中每个个体的一定范围内的其他目标,以发现优良个体,具体为:
步骤45、为了进一步提供对优良个体的搜索概率,需要评估种群中每个个体的适应度函数值,并计算每个个体的选择概率,即优良个体会获得更高的搜索概率,相反差的个体被搜索到概率就会降低,每个个体的选择概率的计算公式为:
步骤46、采用一对一选择算子,比较经过变异操作和交叉操作得到的实验个体与
相应的副本个体的适应值,将较优者保存到下一代种群中。其中,实验个体为经过一系列变
异、交叉操作得到的个体,副本个体为未经过任何操作处理的原始个体。在本实施例中,采
用“贪婪”选择模式,以最优化问题为为例,则该操作可有如下公式表述:
综上所述,本发明采用ARIMA算法进行货物量预测,准确率高,提前精准预测货物量为排班打好基础;采用排队论模型建立仓库员工和货物量关系模型,有效地衡量员工工作量和货物到达周转情况 ,避免了用工波谷波峰的出现,提高了人员利用率;在差分进化算法的基础上,分别引入了自适应比例缩放因子和自适应个体交叉概率,进一步增强算法的动态及全局搜索性能,提高了算法搜索性能,避免了导致过早收敛并陷入局部最优,可减少人员冗余带来的成本以及人员紧缺致使的货物周转时间延长等影响,降低生产成本。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于货物量的人力资源配置方法,用于仓库调度,其特征在于,主要包括以下步骤:
步骤1、通过ARIMA数据预测模型对未来一段时间内货物的入库量和出库量进行预测,得到预测数据;
步骤2、利用排队论模型计算所需员工人数;
步骤3、根据仓库对排班的要求,通过整数规划建立约束模型;
步骤4、利用改进的差分进化算法求解约束模型,对员工进行排班。
2.根据权利要求1所述的基于货物量的人力资源配置方法,其特征在于,步骤1与步骤2之间还存在以下步骤:
步骤11、对所述预测数据进行预处理;
步骤12、检验预测数据的时间序列,若所述预测数据的波动较大,则对所述预测数据进行平稳化处理并得到新的时间序列,否则直接转到步骤13;
步骤13、对时间序列进行ADF单位根验证;
步骤14、利用自相关函数和偏自相关函数对步骤12所得到的时间序列进行定阶;
步骤15、通过残差和相关性检验ARIMA数据预测模型的有效性,并对ARIMA数据预测模型进行训练。
3.根据权利要求2所述的基于货物量的人力资源配置方法,其特征在于,所述步骤12中平稳化处理具体为:通过差分法计算时间序列中t时刻与t-1时刻的差值,以得到新的时间序列。
6.根据权利要求1所述的基于货物量的人力资源配置方法,其特征在于,步骤3的具体步骤为:
步骤32、每位员工每天必须且只能选择1种工作模式,即:
步骤33、每位员工一周至少休息一天,即:
步骤34、每天各时段所安排的员工数不能少于排队论模型计算所得的人数,即:
步骤35、第j-1天安排为晚班的员工第j天不能安排上午班,即:
步骤36、每位员工一周内不得被安排晚班超过两次,即 :
步骤37、每位员工不得连续3天被安排同一工作模式,即:
其中,m表示一周内的星期数;
步骤38、在满足货物对于排队时间要求的基础上,以排班计划期间所有员工总的工作时间最短和员工工作时间方差最小为优化目标,得到目标函数:
7.根据权利要求1所述的基于货物量的人力资源配置方法,其特征在于,步骤4的具体步骤为:
步骤41、对差分进化算法的各参数进行初始化,定义一个矩阵,其中,该矩阵的每一列代表种群中的一个个体,对种群进行初始化;
步骤42、初始化种群后,进行变异操作;
步骤43、变异操作完成后,进行交叉操作;
步骤44、交叉操作完成后,进行选择操作,并搜寻种群中每个个体的一定范围内的其他目标,以发现更好的个体;
步骤45、评估种群中每个个体的适应度函数值,并计算每个个体的选择概率;
步骤46、采用一对一选择算子,比较经过变异操作和交叉操作得到的实验个体与相应的副本个体的适应值,将较优者保存到下一代种群中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689595.6A CN113256027B (zh) | 2021-06-22 | 2021-06-22 | 基于货物量的人力资源配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110689595.6A CN113256027B (zh) | 2021-06-22 | 2021-06-22 | 基于货物量的人力资源配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256027A true CN113256027A (zh) | 2021-08-13 |
CN113256027B CN113256027B (zh) | 2021-10-29 |
Family
ID=77189132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110689595.6A Active CN113256027B (zh) | 2021-06-22 | 2021-06-22 | 基于货物量的人力资源配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256027B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116231624A (zh) * | 2022-12-07 | 2023-06-06 | 中国电建集团贵阳勘测设计研究院有限公司 | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 |
CN116280850A (zh) * | 2023-03-20 | 2023-06-23 | 北京易酒批电子商务有限公司 | 货物自动拣选系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868840A (zh) * | 2016-03-12 | 2016-08-17 | 丽水学院 | 可实时调整窗口开放数目的弹性服务制排班系统和方法 |
CN106611298A (zh) * | 2016-07-25 | 2017-05-03 | 李平 | 一种基于排队论模型的医院人力资源量化配置方法 |
CN107844915A (zh) * | 2017-11-29 | 2018-03-27 | 信雅达系统工程股份有限公司 | 一种基于话务预测的呼叫中心的自动排班方法 |
CN108256755A (zh) * | 2018-01-09 | 2018-07-06 | 信雅达系统工程股份有限公司 | 一种基于单个员工同时胜任多岗位要求的排班方法 |
CN112542238A (zh) * | 2020-12-24 | 2021-03-23 | 南方科技大学 | 医院门诊规划方法、装置、设备及存储介质 |
-
2021
- 2021-06-22 CN CN202110689595.6A patent/CN113256027B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868840A (zh) * | 2016-03-12 | 2016-08-17 | 丽水学院 | 可实时调整窗口开放数目的弹性服务制排班系统和方法 |
CN106611298A (zh) * | 2016-07-25 | 2017-05-03 | 李平 | 一种基于排队论模型的医院人力资源量化配置方法 |
CN107844915A (zh) * | 2017-11-29 | 2018-03-27 | 信雅达系统工程股份有限公司 | 一种基于话务预测的呼叫中心的自动排班方法 |
CN108256755A (zh) * | 2018-01-09 | 2018-07-06 | 信雅达系统工程股份有限公司 | 一种基于单个员工同时胜任多岗位要求的排班方法 |
CN112542238A (zh) * | 2020-12-24 | 2021-03-23 | 南方科技大学 | 医院门诊规划方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
周亚云: "密集仓储作业优化与调度方法研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
杨凯等: "基于整数规划的排班模型对降低病房护理人员职业倦怠的研究", 《现代医院管理》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116231624A (zh) * | 2022-12-07 | 2023-06-06 | 中国电建集团贵阳勘测设计研究院有限公司 | 用于评估光伏电站经济效益的光伏组件输出功率预测方法 |
CN116280850A (zh) * | 2023-03-20 | 2023-06-23 | 北京易酒批电子商务有限公司 | 货物自动拣选系统 |
CN116280850B (zh) * | 2023-03-20 | 2024-02-23 | 武汉易久数科智能机器人有限公司 | 货物自动拣选系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113256027B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | An effective two-stage algorithm based on convolutional neural network for the bi-objective flexible job shop scheduling problem with machine breakdown | |
He et al. | Integrated predictive maintenance strategy for manufacturing systems by combining quality control and mission reliability analysis | |
CN113256027B (zh) | 基于货物量的人力资源配置方法 | |
Yang et al. | Robust scheduling based on extreme learning machine for bi-objective flexible job-shop problems with machine breakdowns | |
US7885848B2 (en) | Resource optimization system, method and computer program for business transformation outsourcing with reoptimization on demand | |
Zhou et al. | Energy-efficient scheduling of a single batch processing machine with dynamic job arrival times | |
Tosun et al. | A literature review on hybrid flow shop scheduling | |
Fan et al. | Data-centric or algorithm-centric: Exploiting the performance of transfer learning for improving building energy predictions in data-scarce context | |
CN108009667A (zh) | 一种能源需求总量及结构预测系统 | |
Jiang et al. | Two-stage robust optimization approach for flexible oxygen distribution under uncertainty in integrated iron and steel plants | |
CN109272276A (zh) | 一种库存补货管理方法以及装置 | |
Zhou et al. | Research on intelligent solution of service industry supply chain network optimization based on genetic algorithm | |
Guo et al. | Multi-objective fuzzy partial disassembly line balancing considering preventive maintenance scenarios using enhanced hybrid artificial bee colony algorithm | |
CN114581141A (zh) | 基于特征选择与lssvr的短期负荷预测方法 | |
Shi et al. | A no-tardiness job shop scheduling problem with overtime consideration and the solution approaches | |
Guo et al. | An effective fruit fly optimization algorithm for the distributed permutation flowshop scheduling problem with total flowtime | |
CN117277312A (zh) | 一种基于灰色关联分析的电力负荷影响因素方法及设备 | |
Li et al. | Dynamic Response Analysis Among Environmental Regulation, Technological Progress and Water Resource Consumption in China's Textile Industry. | |
CN115689201A (zh) | 面向企业资源供需调配的多准则智能决策优化方法及系统 | |
Sun et al. | A method for constructing the composite indicator of business cycles based on information granulation and dynamic time warping | |
Xiong et al. | Supplier selection model based on D numbers and transformation function | |
Cardo-Miota et al. | Deep learning-based forecasting of the automatic frequency reserve restoration band price in the iberian electricity market | |
Tanhaie et al. | Solving product mix problem in multiple constraints environment using goal programming | |
Xu et al. | Parallel Machine Scheduling with Due Date-to-Deadline Window, Order Sharing and Time Value of Money | |
Kianfar et al. | A mathematical model and NSGA-II algorithm for bi-objective grid scheduling problem with quality of service satisfaction |
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 |