CN113283755B - 一种车间智能调度决策方法 - Google Patents
一种车间智能调度决策方法 Download PDFInfo
- Publication number
- CN113283755B CN113283755B CN202110594537.5A CN202110594537A CN113283755B CN 113283755 B CN113283755 B CN 113283755B CN 202110594537 A CN202110594537 A CN 202110594537A CN 113283755 B CN113283755 B CN 113283755B
- Authority
- CN
- China
- Prior art keywords
- dominance
- scheduling
- processing
- workpiece
- archive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- NUFBIAUZAMHTSP-UHFFFAOYSA-N 3-(n-morpholino)-2-hydroxypropanesulfonic acid Chemical compound OS(=O)(=O)CC(O)CN1CCOCC1 NUFBIAUZAMHTSP-UHFFFAOYSA-N 0.000 claims abstract 2
- 238000005265 energy consumption Methods 0.000 claims description 8
- 230000009191 jumping Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 230000035772 mutation Effects 0.000 claims description 2
- 238000009966 trimming Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—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
- 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
- G06Q10/0631—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
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种车间智能调度决策方法，对柔性工作车间调度数学模型进行处理，来获得一个节能、高效率的工件加工调度决策方法。该方法步骤包括：分析生产流程，根据需求选取优化的目标，设计调度模型；计算优势因子，根据优势因子采用轮盘赌的方式从MOPSO、SPEA2和NSGA‑Ⅲ三种算法中选择最合适的一种求解多目标优化问题；计算后，更新种群和优势因子，确定非支配解，并再次计算，直到结果收敛或者达到最大迭代次数。本发明在多种优化目标求解的智能工厂调度问题上，能够快速、高效、稳定地获取最优调度结果。让工厂在对加工产品线上的工作效率得到有效提高，提升了制造过程中的柔性、效率、稳定性和透明性。
Description
技术领域
本发明涉及智能工厂生产调度技术领域，尤其涉及一种车间智能调度决策方法。
背景技术
为实现高效率、稳定的生产，智能工厂亟需智能调度技术来合理规划生产流程。目前，柔性作业车间优化问题已吸引了越来越多的关注，但大多数现有研究成果中只考虑复杂的实际环境的某一特定优化目标，这往往会导致调度方案可用性不高。其主要原因在于数学模型简化过度，与实际情况差异很大。单一优化目标难以反映实际生产调度问题的真实情况，通常需要同时考虑多种性能指标。
对于柔性作业车间调度多目标优化问题的优化算法研究，最初的研究思路是通过给每个优化目标加权，而将多目标优化问题转化为求解难度较低的单目标优化问题，但其缺点在于人为地给每个优化目标加权会导致最终的优化解集表现不全面，甚至很差。另一研究思路是只考虑一个优化目标而将其余目标作为约束条件，该策略会弱化其它优化目标的重要性，从而得不到理想的优化结果。
目前主要的研究思路是利用解之间的非支配关系来比较两个解的优劣，使用该评价策略的优化算法计算结果是最优解的集合。因而，其能更好地求解多目标优化问题。此外由于单一算法在求解柔性作业车间调度的单目标优化问题时已不具备优势，所以对更加复杂的多目标优化问题混合算法是可以深入研究的方向之一。
然而，每种算法都有一定的适用范围，任何一种算法不可能在所有问题上占据优势。为更好解决复杂动态环境下多目标柔性生产调度问题，需要综合不同算法的本质特征，取长补短，来设计出高效的自适应的智能调度方法。
发明内容
本发明的目的就在于为了解决上述问题而提供一种车间智能调度决策方法。该方法首先调查智能化工厂中所有加工设备，对每一种工件的各个加工工序的所需加工时间进行统计，将统计后的数据进行FJSP(Flexible Job Shop Scheduling Problem，柔性工作车间调度问题)建模；之后选取优化的目标，计算优势因子，根据优势因子的数值，选取MOPSO(多目标粒子群算法)、SPEA2和NSGA-Ⅲ三种算法执行寻优；计算后，更新种群和优势因子，确定非支配解，并再次计算，直到结果收敛或者达到最大迭代次数。
本发明通过以下技术方案来实现上述目的：
本发明包括以下步骤：
S1：搜集所有设备加工工序时间，并分析加工流程；
S2：将采集的数据，进行统计，构建多目标需求下的调度模型(待求解的多目标优化问题)；
S3：在计算前，对相关参数进行初始化；
S4：根据优势因子，选择进化策略算法；
S5：执行策略算法：根据优势因子，从MOPSO(多目标粒子群算法)、SPEA2和NSGA-Ⅲ三种算法选择其中之一进行计算；
S6：更新优势因子，判断继续是否迭代，从策略算法的结果中，更新种群，确定当前的非支配解，执行自适应学习机制，更新优势因子，并更新迭代次数，如果继续迭代，跳转至步骤S4。
本发明的有益效果在于：
本发明是一种车间智能调度决策方法，与现有技术相比，本发明使用了自适应多目元启发式优化算法，对柔性工作车间调度问题进行计算，让工厂在对加工产品线上的工作效率得到有效提高，提升了制造过程中的柔性、效率、稳定性和透明性。
附图说明
图1是制造车间智能调度决策执行流程图；
图2是自适应多目标元启发式优化算法的计算流程图。
具体实施方式
下面结合附图对本发明作进一步说明：
如图1所示：本发明包括以下步骤：
S1：搜集所有设备加工工序时间，并分析加工流程；因为工厂中有多台流水生产线和加工设备，每一种被加工的工件都会分成不同的加工工序，同一种加工设备加工不同的工序都要花费不同的时间。所以，需要搜集所有设备加工工序时间，并分析加工流程。
采集智能工厂中，加工设备加工工件的所有工序时间，并设n个工件J＝{J1,J2...Jn}和m台设备M＝{M1,M2...Mm}，其中，工件i有j个工序{Oi1,Oi2...Oij}，这些工序在满足工艺约束的条件下逐个被加工：
智能调度的最优结果是：给每个工序分配一个可选设备集合中的一台设备，并对工序进行排序。以前两个优化目标为例，为了达到高效率加工过程，需要对两个目标进行优化：最小完工时间,最小化设备总能耗。
S2：将采集的数据，进行统计，构建多目标需求下的调度模型(待求解的多目标优化问题)；将采集的数据，进行统计，目的需要解决两个问题：将每一个工序分配给可选的加工设备集合中的其中一台；和对分配的工序进行排序。为了解决以上问题，需要将数据建模，确定待求解的多目标优化问题，例如可以选取最小化完工时间和最小化设备总能耗最为两个目标进行优化。当采用不同的加工工序和加工设备时，会得出不同的最大完工时间和消耗一定的能量，为了提高加工效率和降低能耗，需要选取一个最优的生产方案。
确定优化目标：
Ⅰ.最小化完工时间f1:
Ⅱ.最小化设备总能耗f2:
索引：
i,h ：工件索引，i,h＝1,2,…,，
j,g ：工序索引,j,g＝1,2,…,ri；
k ：设备索引,k＝1,2…,m；
l ：两相邻工序之间的间隔索引,l＝1,2…,s；
参数：
n ：工件总数；
r ：工序总数；
m ：设备总数；
s ：相邻工序间的间隔总数；
Oij ：工件i的第j道工序；
Tijk ：工序Oij在设备k上的加工时间；
COij ：工序Oij的完成时间；
Ci ：工件i的完成时间；
Ui ：工件i的总工序数；
PMk ：设备k的加工功率；
IPMk ：设备k的待机功率；
PSk ：设备k的平均启动功率；
TIlk ：设备k上第l个工序间隔长度；
Zlk ：设备k上第l个重启；
S3：在计算前，对相关参数进行初始化；为了对FJSP模型中的优化目标进行计算，使用三种优化算法，在计算前，需要对相关参数进行初始化。如：初始种群、归档集、参考点、迭代次数等。自适应多目标元启发式优化算法过程参考图2。
S4：根据优势因子，选择进化策略算法；为了更加快速、准确的获取最优解，综合不同优化算子和支配机制的本质特征，将其应用于不同的多目标智能优化算法。为了在多种算法中进行决策，采用轮盘赌的策略随机选择一种策略进行进化，选择依据是优势因子，每计算一次时，会更新一次优势因子。
每次一代进化前，根据各自的优势因子pl,采用轮盘赌的策略随机选择一种策略进行进化。
优势因子的更新公式为：
其中，nl是第l个策略使用时成功进化的个体数目，n0是用来消除随机成功的影响。为了避免算法退化，设定优势因子的下限δ，若pl≤δ，则对所有的pl重新初始化。
S5：执行策略算法：根据优势因子，从MOPSO、SPEA2和NSGA-Ⅲ三种算法选择其中之一进行计算；
S6：更新优势因子，判断继续是否迭代，从策略算法的结果中，更新种群，确定当前的非支配解，执行自适应学习机制，更新优势因子，并更新迭代次数，如果继续迭代，跳转至步骤S4。
如果根据优势因子结果选择SPEA2算法，那么执行如下步骤：
S5.1：适应度分配：计算种群Pt和归档集Qt中所有个体的适应度；
S5.2：环境选择：将种群Pt和归档集Qt所有非支配个体保存到归档集Qt+1中；若归档集Qt+1的大小超过M，则利用修剪过程降低其大小；若归档集Qt+1的大小比M小，则从种群Pt和归档集Qt中选取支配个体填满归档集Qt+1；
S5.3：结束条件：若终止条件满足，则将归档集Qt+1中的所有非支配个体作为返回结果，保存到非支配集NDSet中；
S5.4：配对选择：对归档集Qt+1执行锦标赛选择；
S5.5：进化操作：对归档集Qt+1执行交叉、变异操作，并将结果保存到归档集Qt+1中，转到步骤S5.1。
计算完毕后,获得更新种群和非支配解，更新优势因子。并判断迭代次数是否大于预设值，如果大于，结束计算，否则跳转至步骤(3),继续执行。
经过多目标优化处理后，将得到一个高效率的工序排序方案，使智能工厂能够以最短的工作时间和加工能耗，完成工件的加工过程。
以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (1)
1.一种车间智能调度决策方法，其特征在于，包括以下步骤：
S1：搜集所有设备加工工序时间，并分析加工流程；采集智能工厂中，加工设备加工工件的所有工序时间，并设n个工件J＝{J1,J2...Jn}和m台设备M＝{M1,M2...Mm}，其中，工件i有j个工序{Oi1,Oi2...Oij}，这些工序在满足工艺约束的条件下逐个被加工，给每个工序分配一个可选设备集合中的一台设备，并对工序进行排序，对最小完工时间和最小化设备总能耗进行目标优化；
S2：将采集的数据，进行统计，构建多目标需求下的调度模型；数学建模构建如下：
确定优化目标：
Ⅰ.最小化完工时间f1:
Ⅱ.最小化设备总能耗f2:
索引：
i,h：工件索引，i,h＝1,2,…,，
j,g：工序索引,j,g＝1,2,…,ri；
k：设备索引,k＝1,2…,m；
l：两相邻工序之间的间隔索引,l＝1,2…,s；
参数：
n：工件总数；
r：工序总数；
m：设备总数；
s：相邻工序间的间隔总数；
Oij：工件i的第j道工序；
Tijk：工序Oij在设备k上的加工时间；
COij：工序Oij的完成时间；
Ci：工件i的完成时间；
Ui：工件i的总工序数；
PMk：设备k的加工功率；
IPMk：设备k的待机功率；
PSk：设备k的平均启动功率；
TIlk：设备k上第l个工序间隔长度；
Zlk：设备k上第l个重启；
S3：在计算前，对相关参数进行初始化；对群体P、归档集Q，NSGA-Ⅲ的参考点进行初始化，并设置种群大小和最大迭代次数；
S4：根据优势因子，选择进化策略算法；具体为：每次一代进化前，根据各自的优势因子pl,采用轮盘赌的策略随机选择一种策略进行进化；
优势因子的更新公式为：
其中，nl是第l个策略使用时成功进化的个体数目，n0是用来消除随机成功的影响；为了避免算法退化，设定优势因子的下限δ，若pl≤δ，则对所有的pl重新初始化；
S5：执行策略算法：根据优势因子，从MOPSO、SPEA2和NSGA-Ⅲ三种算法选择其中之一进行计算；如果根据优势因子结果选择SPEA2算法，那么执行如下步骤：
S5.1：适应度分配：计算种群Pt和归档集Qt中所有个体的适应度；
S5.2：环境选择：将种群Pt和归档集Qt所有非支配个体保存到归档集Qt+1中；若归档集Qt+1的大小超过M，则利用修剪过程降低其大小；若归档集Qt+1的大小比M小，则从种群Pt和归档集Qt中选取支配个体填满归档集Qt+1；
S5.3：结束条件：若满足终止条件，则将Qt+1中的所有非支配个体作为返回结果，保存到非支配解集NDSet中；
S5.4：配对选择：对归档集Qt+1执行锦标赛选择；
S5.5：进化操作：对归档集Qt+1执行交叉、变异操作，并将结果保存到归档集Qt+1中，转到步骤S5.1；
S6：更新优势因子，判断继续是否迭代：从策略算法的结果中，更新种群，确定当前的非支配解，执行自适应学习机制，更新优势因子，并更新迭代次数，如果继续迭代，跳转至步骤S4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110594537.5A CN113283755B (zh) | 2021-05-28 | 2021-05-28 | 一种车间智能调度决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110594537.5A CN113283755B (zh) | 2021-05-28 | 2021-05-28 | 一种车间智能调度决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113283755A CN113283755A (zh) | 2021-08-20 |
| CN113283755B true CN113283755B (zh) | 2023-06-30 |
Family
ID=77282625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110594537.5A Active CN113283755B (zh) | 2021-05-28 | 2021-05-28 | 一种车间智能调度决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113283755B (zh) |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109202904B (zh) * | 2018-09-30 | 2020-10-20 | 湘潭大学 | 一种机械臂运动路径的确定方法及确定系统 |
-
2021
- 2021-05-28 CN CN202110594537.5A patent/CN113283755B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113283755A (zh) | 2021-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110138612B (zh) | 一种基于QoS模型自校正的云软件服务资源分配方法 | |
| CN110543151B (zh) | 基于改进nsga-ⅱ求解车间节能调度问题的方法 | |
| CN111062632B (zh) | 一种基于边缘智能的5g能源互联网虚拟电厂经济调度方法 | |
| Hardiansyah et al. | Solving economic load dispatch problem using particle swarm optimization technique | |
| Gharghory et al. | Optimal tuning of PID controller using adaptive hybrid particle swarm optimization algorithm | |
| CN109946965A (zh) | 一种基于改进的多目标Jaya算法的离散制造车间排产方法 | |
| CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
| CN112859615B (zh) | 家庭用电负荷优化调度方法、系统、设备及可读存储介质 | |
| CN112286152B (zh) | 具有批量交付约束的分布式流水车间调度方法及系统 | |
| CN112287990A (zh) | 一种基于在线学习的边云协同支持向量机的模型优化方法 | |
| CN112163808A (zh) | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 | |
| CN111242446A (zh) | 一种基于ga-ts混合算法的车间排产方法 | |
| CN109034479B (zh) | 一种基于差分进化算法的多目标调度方法及装置 | |
| Liang et al. | Improved nsga2 algorithm to solve multi-objective flexible job shop scheduling problem | |
| CN113283755B (zh) | 一种车间智能调度决策方法 | |
| CN111290360B (zh) | 一种铸造生产线多目标优化方法 | |
| CN117495052A (zh) | 强化学习与遗传算法融合驱动的多农机多任务调度方法 | |
| Zhou et al. | Imperialist competitive algorithm based on VNSOBL optimization for distributed parallel machine scheduling problem | |
| Xu et al. | Research on hybrid cloud particle swarm optimization for multi-objective flexible job shop scheduling problem | |
| CN111047465B (zh) | 一种基于电力大数据的电网友好型负荷响应方法 | |
| Li et al. | A regional local search and memory based evolutionary algorithm for dynamic multi-objective optimization | |
| Tan et al. | A fast and stable forecasting model to forecast power load | |
| CN110400073B (zh) | 一种基于多方向收敛粒子群优化算法的fsp方法及系统 | |
| Ponnambalam et al. | Discrete particle swarm optimization algorithm for flowshop scheduling | |
| Yan et al. | Flexible Job-Shop Scheduling with Setups and Variable Sublots |
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 |