CN113283819A - 基于规则解码的Job Shop调度问题求解方法及系统 - Google Patents
基于规则解码的Job Shop调度问题求解方法及系统 Download PDFInfo
- Publication number
- CN113283819A CN113283819A CN202110826615.XA CN202110826615A CN113283819A CN 113283819 A CN113283819 A CN 113283819A CN 202110826615 A CN202110826615 A CN 202110826615A CN 113283819 A CN113283819 A CN 113283819A
- Authority
- CN
- China
- Prior art keywords
- decoding
- rule
- chromosome
- workpiece
- scheduling problem
- 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
- G06Q10/06—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
- 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
- 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
- G06Q50/00—Systems or methods specially adapted for 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
Abstract
本发明公开一种基于规则解码的Job Shop调度问题求解方法及系统,所述方法包括:基于工件编号进行染色体编码,生成初始种群;按照从左至右解码的总体原则,按基于规则解码的方式对部分基因进行错序解码;按基于规则解码的方式进行染色体重组,得到与解码对应的新染色体;对新染色体进行选择、交叉和变异操作,生成新一代种群,迭代运算并保存最优解作为Job Shop调度问题的解。本发明通过规则解码和染色体重组的方式改进遗传算法,可快速高质量的获得少拖期或无拖期的活动调度方案。
Description
技术领域
本发明属于智能制造技术领域,具体涉及一种基于规则解码的Job Shop调度问题求解方法及系统。
背景技术
Job Shop调度问题是一种典型的制造系统调度问题,该问题的快速、有效和高质量求解对于智能制造领域的发展具有重要意义。由于该问题属于NP困难问题,其求解算法绝大多数为近似算法,如启发算法、元启发式算法、邻域搜索类算法等。其中,遗传算法是应用最多和最有效的算法之一。
为求解各类Job Shop的变体问题及提高算法的性能,现有研究对遗传算法进行了各种改进,但主要集中于算子的改进、控制参数的改进和算法流程的改造等方面:如提出各种交叉算子、变异算子、自适应交叉与变异概率、添加免疫算子、融合禁忌搜索算法等。
遗传算法求解过程中的一个重要步骤为染色体解码,常规的染色体解码目的是得到一个满足问题各种约束的活动调度解,解的质量改进和优化主要通过算子的作用在逐步迭代过程中实现。然而,目前的染色体解码方式,获得的调度方案的质量有待提高,工件总拖期、工件总完工时间等有待优化,且在多次迭代中要付出的计算成本较高。
发明内容
有鉴于此,本发明提出了一种基于规则解码的Job Shop调度问题求解方法及系统,用于解决求解Job Shop调度问题的过程中工件总拖期过长的问题。
本发明第一方面,公开一种基于规则解码的Job Shop调度问题求解方法,所述方法包括:
基于工件编号进行染色体编码,生成初始种群;
按照从左至右解码的总体原则,按基于规则解码的方式对部分基因进行错序解码;
按基于规则解码的方式进行染色体重组,得到与解码对应的新染色体;
对新染色体进行选择、交叉和变异操作,生成新一代种群,迭代运算并保存最优解作为Job Shop调度问题的解。
优选的,所述基于工件编号进行染色体编码具体包括:
将染色体上每个基因设为工件编号,染色体编码的长度为需要调度的所有工件的工序数量总和,染色体中相同工件编号出现的次数与对应工件所含工序的数量相等,在相同的工件编号中,基因按照对应工件的工序顺序从左至右依次排列。
优选的,所述基于规则解码的方式为基于修正交货期规则的解码。
优选的,按照从左至右解码的总体原则,按基于规则解码的方式对部分基因进行错序解码具体包括:
按照从左至右的顺序提取基因座上的基因,若当前基因实际对应的工序为未调度状态,将工序加入对应加工机器的待加工队列;
按修正交货期规则对待加工队列中所有不迟于加工机器闲置时刻到达的工序进行优选,得到第一优选工序,若优选出的是当前基因座上的基因,遵循原有顺序,否则忽略当前顺序,错序提取第一优选工序对应的基因;
调度第一优选工序,若第一优选工序非工件末道工序,将第一优选工序同工件的下一道工序加入对应加工机器的待加工队列;
重复以上步骤,直到所有基因解码完成。
优选的,所有基因解码完成之后还包括:
计算性能指标,所述性能指标包括工件总拖期和工件总完工时间。
优选的,按基于规则解码的原则进行染色体重组,得到与解码对应的新染色体具体包括:
按从左至右的顺序提取基因座上的基因,若基因实际对应的工序为未调度状态,将工序加入对应加工机器的待加工队列;
按修正交货期规则对待加工队列中所有不迟于加工机器闲置时刻到达的工序进行优选,得到第二优选工序;
将第二优选工序对应基因放入重组染色体的第k个基因座;
调度第二 优选工序,若第二优选工序非工件末道工序,将第二优选工序同工件的下一道工序加入对应加工机器的待加工队列;
重复以上步骤,重组染色体的第k+1个基因座,直到染色体重组结束。
优选的,选择操作采用轮盘赌方式进行,交叉操作按POX算子进行,变异操作采用单点基因互换方式进行。
本发明第二方面,一种基于规则解码的Job Shop调度问题求解系统,所述系统包括:
编码模块:用于基于工件编号进行染色体编码,生成初始种群;
解码模块:用于按照从左至右解码的总体原则,按基于规则解码的方式对部分基因进行错序解码;
重组模块:用于按基于规则解码的方式进行染色体重组,得到与解码对应的新染色体;
求解模块:对新染色体进行选择、交叉和变异操作,生成新一代种群;迭代运算并保存最优解作为Job Shop调度问题的解。
本发明第三方面,公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明第一方面所述的方法。
本发明第四方面,公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现本发明第一方面所述的方法。
本发明相对于现有技术具有以下有益效果:
1)本发明对染色体解码时,采用基于规则的解码方式对部分基因进行错序解码,其按修正交货期规则对待加工队列中所有不迟于加工机器闲置时刻到达的工序进行优选,选出修正交货期最小的一道工序,然后错序提取优选工序对应的基因进行调度,并将优选工序同工件的下一道工序加入对应机器的待加工队列,基于规则解码的方法与常规解码方式对比,可有效改进工件总拖期和工件总完工时间这两个制造系统重要的性能指标;
2)本发明在基于规则的解码方式的基础上提出了相应的染色体重组算子,从而使得染色体解码可获得更加高质量的调度方案,并可大大加速遗传算法求解Job Shop调度问题的收敛过程,快速高质量的获得少拖期或无拖期的活动调度方案。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的基于规则解码的Job Shop调度问题求解方法流程图;
图2为采用常规解码得到的调度方案的甘特图;
图3为采用本发明的规则解码得到的调度方案的甘特图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
本发明针对遗传算法求解Job Shop调度问题过程中解码质量不高的问题,提出了一种基于规则的解码方式,并提出了相应的染色体重组算子,旨在提高遗传算法求解JobShop调度问题质量和速度。所求解的Job Shop调度问题具体应用场景为各类离散制造系统的加工过程:制造系统中包含各种不同类型工件,每个工件含多道需要加工的工序,工序加工需要遵循给定的技术和工艺约束,如工艺路线约束、工艺顺序约束、机器约束、等待时间约束等。本发明通过改进遗传算法,快速高质量的获得少拖期或无拖期的活动调度方案。
请参阅图1,本发明提出一种基于规则解码的Job Shop调度问题求解方法,所述方法包括:
S1、基于工件编号进行染色体编码,生成初始种群;
具体,染色体编码方式为基于工件编号的编码,染色体编码长度为需要调度的所有工件的工序数量总和。染色体上每个基因为工件的编号,染色体中同工件编号出现的次数与该工件所含工序的数量相等。在相同的工件编号中,从左至右,依次为相同工件的第一道工序、第二道工序,以此类推,最右出现的为该工件的最后一道工序。
染色体初始种群以满足上述情况为前提随机产生。
S2、按照从左至右解码的总体原则,按基于规则解码的方式对部分基因进行错序解码;
本发明在解码的过程中,同时考虑待加工队列和优先规则,对部分基因进行错序解码,从而获得更好的活动调度方案。
步骤S2具体包括如下步骤:
1)设l表示基因座序号,L为染色体总长度;
2)令l=1,置所有闲置加工机器的待加工队列为空,置所有基因上对应的工序为未调度状态;
3)提取第l个基因座上的基因,并解析其实际对应的工序,若工序为未调度状态,转步骤4),否则转步骤9);
4)将工序加入对应加工机器的待加工队列;
5)对待加工队列中所有不迟于机器闲置时刻到达的工序,按修正交货期规则进行优选,得到第一优选工序,若优选的是当前基因座上的基因,遵循原有顺序,否则忽略当前顺序,错序提取第一优选工序对应的基因;
6)以满足前述5条假设为前提,按产生活动调度的方式调度第一优选工序,确定其加工时间区间,并置该工序为已调度状态;
7)若第一优选工序非对应工件的末道工序,转步骤8),否则,转步骤9);
8)将第一优选工序同工件的下一道工序加入对应机器的待加工队列;
9)若l<L,令l=l+1,转步骤3),否则,转步骤10);
10)计算性能指标,解码结束。
本发明在解码时按修正交货期规则(Modified due date,MDD)对待加工队列中的工序进行工序优选和错序解码,通过基于修正交货期规则解码的方式,优选出修正交货期最小的一道工序,可有效改进工件总拖期和工件总完工时间这两个制造系统重要的性能指标,提高解码质量。
S3、按基于规则解码的方式进行染色体重组,得到与解码对应的新染色体;
在解码的过程中,部分基因的错序解码更改了原染色体基因顺序,为进行后续的选择、交叉和变异操作,本发明按基于规则解码的原则进行染色体重组,得到与解码对应的新染色体。
步骤S3具体包括如下步骤:
1)设l表示基因座序号,L为染色体总长度;
2)令l=1,置所有闲置加工机器待加工队列为空,置所有基因上对应的工序为未调度状态;
3)令重组染色体基因座序号k=1;
4)提取第l个基因座上的基因,若工序为未调度状态,转步骤4),否则转步骤9);
5)将工序加入其加工机器的待加工队列;
6)对待加工队列中所有不迟于机器闲置时刻到达的工序,按修正交货期规则进行优选,得到第二优选工序;
7)将第二优选工序对应基因放入重组染色体的第k个基因座;
8)k = k+1;
9)按产生活动调度的方式调度优选工序,并置该工序为已调度状态;
10)若第二优选工序非对应工件的末道工序,转步骤11),否则,转步骤12);
11)将第二优选工序同工件的下一道工序加入对应机器的待加工队列;
12)若l<L,令l=l+1,转步骤4),否则,转步骤13);
13)染色体重组结束,输出重组后的染色体。
按类似的基于规则解码的方式进行染色体重组,得到与解码对应的新染色体,在重组以后的新染色体的基础上可进行后续选择、交叉和变异操作。
S4、对新染色体进行选择、交叉和变异操作,生成新一代种群;
本发明改进的遗传算法中,选择操作采用轮盘赌方式进行,交叉操作按POX(Precedence Operation Crossover)算子进行,变异算子采用单点基因互换方式进行。
S5、迭代运算并保存最优解作为Job Shop调度问题的解。
生成新一代种群后,返回步骤S2,进行迭代运算,以最大迭代次数或最大滞留次数作为算法的终止条件,二者满足其一迭代终止,算法运行过程中采用最优解保存策略。
基于规则解码的方法与常规解码方式对比,在工件总拖期和工件总完工时间两个制造系统重要的性能指标下表现出非常明显的优势,各种规模下的调度问题实验表明,两个性能指标的改进均达到20~30%。且随着问题规模的扩大,性能指标的改进效果越明显。此外,对于最大完工时间指标也有一定改进,在大规模问题上改进可达5~15%。
请参阅图2、图3,比较图2、图3可得到常规解码与本发明的规则解码效果对比图,其中,图2为采用常规解码得到的调度方案的甘特图,图3为采用本发明的规则解码得到的调度方案的甘特图。其中横坐标代表加工时间,其为无量纲时间,M1、M2、M3代表不同的加工机器,J1、J2、J3分别代表不同工件的加工任务。比较常规解码与本发明的规则解码完成加工任务的时间可知,本发明基于规则解码的方式可明显缩短加工时间,得到质量更高的调度方案。
本发明将基于规则的解码及染色体重组用于遗传算法中,求解Job Shop调度问题时,在保证解质量的前提下,收敛速度具有明显提高,达到收敛时的迭代次数减少30%以上。
与上述方法实施例相对应,本发明还提出一种基于规则解码的Job Shop调度问题求解系统,所述系统包括:
编码模块:用于基于工件编号进行染色体编码,生成初始种群;
其中,染色体上每个基因为工件编号,染色体编码的长度为需要调度的所有工件的工序数量总和,染色体中相同工件编号出现的次数与对应工件所含工序的数量相等,在相同的工件编号中,基因按照对应工件的工序顺序从左至右依次排列。
解码模块:用于按照从左至右解码的总体原则,按基于规则解码的方式对部分基因进行错序解码;所述解码模块具体包括:
加工等待单元:用于按照从左至右的顺序提取基因座上的基因,若当前基因实际对应的工序为未调度状态,将工序加入对应加工机器的待加工队列;
规则优选单元:用于按修正交货期规则对待加工队列中所有不迟于加工机器闲置时刻到达的工序进行优选,得到第一优选工序,错序提取第一优选工序对应的基因;
优选调度单元:用于调度第一优选工序,若第一优选工序非工件末道工序,将第一优选工序同工件的下一道工序加入对应加工机器的待加工队列;
循环单元:用于重复加工等待单元、规则优选单元、优选调度单元,直到每个基因解码完成。
重组模块:用于按基于规则解码的方式进行染色体重组,得到与解码对应的新染色体;该模块按照与解码模块对应的规则解码的方式进行染色体重组,得到与解码对应的新染色体。
求解模块:对新染色体进行选择、交叉和变异操作,生成新一代种群;迭代运算并保存最优解作为Job Shop调度问题的解。
以上方法实施例和系统实施例是一一对应的,系统实施例简述之处请参阅方法实施例即可,不再赘述。
本发明通过基于规则解码和染色体重组的方式来改进以遗传算法,通过改进的遗传算法求解制造系统的几种典型Job Shop调度问题,包括基本Job Shop调度问题、考虑等待时间受限的Job Shop调度问题和考虑无拖期的Job Shop调度问题。
本发明还公开一种电子设备,包括:至少一个处理器、至少一个存储器、通信接口和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现本发明前述的基于规则解码的Job Shop调度问题求解方法。
本发明还公开一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机实现本发明实施例所述基于规则解码的Job Shop调度问题求解方法的全部或部分步骤。所述存储介质包括:U盘、移动硬盘、只议存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下,可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于规则解码的Job Shop调度问题求解方法,其特征在于,所述方法包括:
基于工件编号进行染色体编码,生成初始种群;
按照从左至右解码的总体原则,按基于规则解码的方式对部分基因进行错序解码;
按基于规则解码的方式进行染色体重组,得到与解码对应的新染色体;
对新染色体进行选择、交叉和变异操作,生成新一代种群,迭代运算并保存最优解作为Job Shop调度问题的解。
2.根据权利要求1所述基于规则解码的Job Shop调度问题求解方法,其特征在于,所述基于工件编号进行染色体编码具体包括:
将染色体上每个基因设为工件编号,染色体编码的长度为需要调度的所有工件的工序数量总和,染色体中相同工件编号出现的次数与对应工件所含工序的数量相等,在相同的工件编号中,基因按照对应工件的工序顺序从左至右依次排列。
3.根据权利要求1所述基于规则解码的Job Shop调度问题求解方法,其特征在于,所述基于规则解码的方式为基于修正交货期规则的解码。
4.根据权利要求3所述基于规则解码的Job Shop调度问题求解方法,其特征在于,所述按照从左至右解码的总体原则,按基于规则解码的方式对部分基因进行错序解码具体包括:
按照从左至右的顺序提取基因座上的基因,若当前基因实际对应的工序为未调度状态,将工序加入对应加工机器的待加工队列;
按修正交货期规则对待加工队列中所有不迟于加工机器闲置时刻到达的工序进行优选,得到第一优选工序,若优选出的是当前基因座上的基因,遵循原有顺序,否则忽略当前顺序,错序提取第一优选工序对应的基因;
调度第一优选工序,若第一优选工序非工件末道工序,将第一优选工序同工件的下一道工序加入对应加工机器的待加工队列;
重复以上步骤,直到所有基因解码完成。
5.根据权利要求4所述基于规则解码的Job Shop调度问题求解方法,其特征在于,所有基因解码完成之后还包括:
计算性能指标,所述性能指标包括工件总拖期和工件总完工时间。
6.根据权利要求4所述基于规则解码的Job Shop调度问题求解方法,其特征在于,按基于规则解码的原则进行染色体重组,得到与解码对应的新染色体具体包括:
按从左至右的顺序提取基因座上的基因,若基因实际对应的工序为未调度状态,将工序加入对应加工机器的待加工队列;
按修正交货期规则对待加工队列中所有不迟于加工机器闲置时刻到达的工序进行优选,得到第二优选工序;
将第二优选工序对应基因放入重组染色体的第k个基因座;
调度第二优选工序,若第二优选工序非工件末道工序,将第二优选工序同工件的下一道工序加入对应加工机器的待加工队列;
重复以上步骤,重组染色体的第k+1个基因座,直到染色体重组结束。
7.根据权利要求1所述基于规则解码的Job Shop调度问题求解方法,其特征在于,选择操作采用轮盘赌方式进行,交叉操作按POX算子进行,变异操作采用单点基因互换方式进行。
8.一种基于规则解码的Job Shop调度问题求解系统,其特征在于,所述系统包括:
编码模块:用于基于工件编号进行染色体编码,生成初始种群;
解码模块:用于按照从左至右解码的总体原则,按基于规则解码的方式对部分基因进行错序解码;
重组模块:用于按基于规则解码的方式进行染色体重组,得到与解码对应的新染色体;
求解模块:对新染色体进行选择、交叉和变异操作,生成新一代种群;迭代运算并保存最优解作为Job Shop调度问题的解。
9.一种电子设备,其特征在于,包括:至少一个处理器、至少一个存储器、通信接口和总线;
其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令,以实现如权利要求1~7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令使计算机实现如权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110826615.XA CN113283819B (zh) | 2021-07-21 | 2021-07-21 | 基于规则解码的Job Shop调度问题求解方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110826615.XA CN113283819B (zh) | 2021-07-21 | 2021-07-21 | 基于规则解码的Job Shop调度问题求解方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283819A true CN113283819A (zh) | 2021-08-20 |
CN113283819B CN113283819B (zh) | 2021-10-01 |
Family
ID=77286829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110826615.XA Active CN113283819B (zh) | 2021-07-21 | 2021-07-21 | 基于规则解码的Job Shop调度问题求解方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283819B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762811A (zh) * | 2021-11-08 | 2021-12-07 | 武汉科技大学 | 一种考虑加班的无拖期Job Shop调度问题求解方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334663A (zh) * | 2008-06-11 | 2008-12-31 | 清华大学 | 基于加工能力特征模型的机器组调度方法 |
CN103037215A (zh) * | 2011-10-04 | 2013-04-10 | 汤姆森特许公司 | 编码和重建高动态范围图像的方法和设备 |
CN103809506A (zh) * | 2014-01-26 | 2014-05-21 | 西安理工大学 | 基于一维粒子群算法获得零件加工最优调度方案的方法 |
US20150120778A1 (en) * | 2013-10-24 | 2015-04-30 | International Business Machines Corporation | Approximate assignment operator for constrained based evolutionary search |
CN105005842A (zh) * | 2015-05-18 | 2015-10-28 | 鲁东大学 | 一种用于准时制生产的并行设备调度策略 |
CN106933200A (zh) * | 2015-12-31 | 2017-07-07 | 中国科学院沈阳计算技术研究所有限公司 | 基于遗传算法的解决柔性作业车间调度问题的控制方法 |
CN109978365A (zh) * | 2019-03-20 | 2019-07-05 | 吉林师范大学 | 一种基于动态工序偏序关系表的复杂产品综合调度方法 |
CN111242503A (zh) * | 2020-01-21 | 2020-06-05 | 南京航空航天大学 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
CN111242500A (zh) * | 2020-01-21 | 2020-06-05 | 南京航空航天大学 | 一种存在新工件插入的模糊柔性作业车间调度方法 |
CN111985841A (zh) * | 2020-08-31 | 2020-11-24 | 华中科技大学 | 一种基于改进遗传算法的注塑车间调度方法及系统 |
CN112633662A (zh) * | 2020-12-17 | 2021-04-09 | 北京工业大学 | 一种有限运输条件下柔性作业车间调度的编码与解码方法 |
CN112668789A (zh) * | 2020-12-30 | 2021-04-16 | 重庆大学 | 一种柔性作业车间带准备工序的自适应分批调度方法 |
CN113011612A (zh) * | 2021-03-23 | 2021-06-22 | 合肥工业大学 | 基于改进灰狼算法的生产与维修调度方法及系统 |
-
2021
- 2021-07-21 CN CN202110826615.XA patent/CN113283819B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334663A (zh) * | 2008-06-11 | 2008-12-31 | 清华大学 | 基于加工能力特征模型的机器组调度方法 |
CN103037215A (zh) * | 2011-10-04 | 2013-04-10 | 汤姆森特许公司 | 编码和重建高动态范围图像的方法和设备 |
US20150120778A1 (en) * | 2013-10-24 | 2015-04-30 | International Business Machines Corporation | Approximate assignment operator for constrained based evolutionary search |
CN103809506A (zh) * | 2014-01-26 | 2014-05-21 | 西安理工大学 | 基于一维粒子群算法获得零件加工最优调度方案的方法 |
CN105005842A (zh) * | 2015-05-18 | 2015-10-28 | 鲁东大学 | 一种用于准时制生产的并行设备调度策略 |
CN106933200A (zh) * | 2015-12-31 | 2017-07-07 | 中国科学院沈阳计算技术研究所有限公司 | 基于遗传算法的解决柔性作业车间调度问题的控制方法 |
CN109978365A (zh) * | 2019-03-20 | 2019-07-05 | 吉林师范大学 | 一种基于动态工序偏序关系表的复杂产品综合调度方法 |
CN111242503A (zh) * | 2020-01-21 | 2020-06-05 | 南京航空航天大学 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
CN111242500A (zh) * | 2020-01-21 | 2020-06-05 | 南京航空航天大学 | 一种存在新工件插入的模糊柔性作业车间调度方法 |
CN111985841A (zh) * | 2020-08-31 | 2020-11-24 | 华中科技大学 | 一种基于改进遗传算法的注塑车间调度方法及系统 |
CN112633662A (zh) * | 2020-12-17 | 2021-04-09 | 北京工业大学 | 一种有限运输条件下柔性作业车间调度的编码与解码方法 |
CN112668789A (zh) * | 2020-12-30 | 2021-04-16 | 重庆大学 | 一种柔性作业车间带准备工序的自适应分批调度方法 |
CN113011612A (zh) * | 2021-03-23 | 2021-06-22 | 合肥工业大学 | 基于改进灰狼算法的生产与维修调度方法及系统 |
Non-Patent Citations (4)
Title |
---|
HUALI FAN,HEGEN XIONG,MARK GOH: "Genetic programming-based hyper-heuristic approach for solving dynamic job shop scheduling problem with extended technical precedence constraints", 《COMPUTERS AND OPERATIONS RESEARCH》 * |
MAJID ABDOLRAZZAGH-NEZHAD: "Job-Shop Scheduling with Fuzzy Due Date by Multi-", 《5TH CONFERENCE ON SIGNAL PROCESSING AND INTELLIGENT SYSTEMS》 * |
刘琳等: "工件到达时间未知的动态车间滚动重调度", 《机械工程学报》 * |
赵诗奎等: "基于工序编码和邻域搜索策略的遗传算法优化作业车间调度", 《机械工程学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762811A (zh) * | 2021-11-08 | 2021-12-07 | 武汉科技大学 | 一种考虑加班的无拖期Job Shop调度问题求解方法及系统 |
CN113762811B (zh) * | 2021-11-08 | 2022-02-08 | 武汉科技大学 | 一种考虑加班的无拖期Job Shop调度问题求解方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113283819B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301473B (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
CN107590603B (zh) | 基于改进变邻域搜索和差分进化算法的调度方法及系统 | |
US11288098B1 (en) | Job shop scheduling method with buffer constraints based on improved genetic algorithm | |
CN111325443B (zh) | 一种基于灾变机制的改进遗传算法求解柔性作业车间调度的方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN115310794A (zh) | 人机协同装配线平衡方法及装置 | |
CN113822525B (zh) | 基于改进遗传算法的柔性作业车间多目标调度方法及系统 | |
CN111966049B (zh) | 一种混合流水车间生产设备调度控制方法 | |
CN113283819B (zh) | 基于规则解码的Job Shop调度问题求解方法及系统 | |
CN110750079A (zh) | 一种允许工序跳跃的混合流水车间调度优化方法 | |
CN112686474A (zh) | 一种基于改进的水波优化算法的可并行装配线平衡方法 | |
CN112580922A (zh) | 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 | |
CN113762811B (zh) | 一种考虑加班的无拖期Job Shop调度问题求解方法及系统 | |
CN113805545A (zh) | 一种考虑批处理的柔性流水车间组合调度规则生成方法 | |
CN114492895A (zh) | 汽车发动机柔性产线分批与调度方法 | |
CN116227874B (zh) | 一种基于遗传算法的柔性作业车间调度方法和装置 | |
CN112561225A (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN117455222B (zh) | 基于分布式异构流水车间组调度问题的求解方法 | |
CN110490446A (zh) | 一种基于改进遗传算法的模块化工艺重组方法 | |
Mhasawade et al. | A survey of hybrid metaheuristics to minimize makespan of job shop scheduling problem | |
Liang et al. | Improved nsga2 algorithm to solve multi-objective flexible job shop scheduling problem | |
CN109102211B (zh) | 改进布谷鸟搜索的高端装备批处理机调度方法及系统 | |
CN113191662B (zh) | 考虑支配工件和最小化能源消耗的智能协同调度方法及系统 | |
CN117055481A (zh) | 一种可重入装配柔性作业车间调度问题的优化方法和系统 | |
CN117707078A (zh) | 基于超启发式算法的半导体封测键合工序快响应调度方法及系统 |
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 |