CN113313551A - 一种订单处理方法、系统、电子设备及存储介质 - Google Patents

一种订单处理方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN113313551A
CN113313551A CN202110554424.2A CN202110554424A CN113313551A CN 113313551 A CN113313551 A CN 113313551A CN 202110554424 A CN202110554424 A CN 202110554424A CN 113313551 A CN113313551 A CN 113313551A
Authority
CN
China
Prior art keywords
order
processed
optimization
processing
information
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
CN202110554424.2A
Other languages
English (en)
Inventor
毛青军
张智海
张延滋
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110554424.2A priority Critical patent/CN113313551A/zh
Publication of CN113313551A publication Critical patent/CN113313551A/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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • G06Q10/103—Workflow collaboration or project management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本申请提供了一种订单处理方法、系统、电子设备及存储介质。该方法包括：确定至少一个待处理订单和与待处理订单对应的优化目标；将待处理订单在各个生产节点的信息输入与优化目标匹配的决策优化模型中，获得各个待处理订单对应的优化策略，优化目标用于从至少一个维度对待处理订单的处理流程进行优化，处理流程包括多个生产节点；按照各个待处理订单对应的优化策略，处理待处理订单。本申请中通过获得的优化策略来指导订单的处理流程，一方面可使得各个订单在符合各类预期目标的情况下完成处理，增强了订单处理的灵活性，另一方面，通过优化策略能更好地调度生产过程的各个环节，因此优化策略可作为协同生产的技术支持，促进企业的高效排产。

Description

一种订单处理方法、系统、电子设备及存储介质
技术领域
本发明涉及数据处理技术领域，特别是涉及一种订单处理方法、系统、电子设备及存储介质。
背景技术
协同生产是新一代信息技术背景下提出的一种新型模式。在该模式下，多个制造商以及供应链之间可以通过互联网相互联系(数字化供应链)，协同完成生产任务。企业供应链协同生产以及协同运输能够提升供应链的整体性能，高客户满意度，从而提升整个制造系统的生产效率。
然而，协同生产过程相比传统的车间生产过程，面临着更加复杂的情况，例如对于经编企业内的车间生产而言，生产过程存在工序繁多复杂、订单拆单等特点，因此，协同生产需要更高效的排产决策技术进行支持，而目前的经编企业中并不存在高效的排产决策技术。因此，如何提供一种高效的排产决策技术成为亟待解决的问题。
发明内容
本申请提供了一种订单处理方法、系统、电子设备及存储介质，通过该方法可获得每一个订单的优化策略，该优化策略可用于指导订单的处理流程，从而更好地调度生产过程的各个环节。
本申请第一方面提供了一种订单处理方法，包括：
确定至少一个待处理订单和与所述待处理订单对应的优化目标；
将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，所述优化目标用于从至少一个维度对所述待处理订单的处理流程进行优化，所述处理流程包括多个生产节点；
按照各个所述待处理订单对应的优化策略，处理所述待处理订单。
可选地，所述方法还包括：
根据设定的至少一个优化目标，获得各个所述优化目标的函数；
将各个所述优化目标的函数组合成联合目标函数；
根据所述联合目标函数、各个所述函数的约束条件以及所述联合目标函数的约束条件，构建所述决策优化模型。
可选地，所述联合目标函数为：
F(x)＝∑i∈Iwi*fi(x)
其中，I为所述优化目标的类型集合，用i索引，wi为第i个类型的优化目标的函数对应的权重，∑i∈Iwi＝1。
可选地，将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，包括：
求解所述决策优化模型在以所述待处理订单在各个生产节点的信息为输入时的最小值，并根据所述决策优化模型中涉及的集合和参数获得各个所述待处理订单对应的优化策略。
可选地，将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，包括：
获得用户输入的信息；
从所述输入的信息中确定所述待处理订单在各个生产节点的信息；
将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略。
可选地，所述优化目标包括以下至少一者：运输成本最低、交付时长最短以及不可靠惩罚成本最低。
可选地，所述待处理订单在各个生产节点的信息至少包括：待处理订单的订单信息、用于处理所述待处理订单的工厂的信息、各个不同的工厂之间的运输时间、各个不同的工厂之间的运输成本、用于处理所述待处理订单的设备的信息。
本申请第二方面提供了一种订单处理系统，包括：
确定模块，用于确定至少一个待处理订单和与所述待处理订单对应的优化目标；
获得模块，用于将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，所述优化目标用于从至少一个维度对所述待处理订单的处理流程进行优化，所述处理流程包括多个生产节点；
处理模块，用于按照各个所述待处理订单对应的优化策略，处理所述待处理订单。
可选地，所述订单处理系统包括：
第一获得子模块，用于根据设定的至少一个优化目标，获得各个所述优化目标的函数；
组合子模块，用于将各个所述优化目标的函数组合成联合目标函数；
构建子模块，用于根据所述联合目标函数、各个所述函数的约束条件以及所述联合目标函数的约束条件，构建所述决策优化模型。
可选地，所述联合目标函数为：
F(x)＝∑i∈Iwi*fi(x)
其中，I为所述优化目标的类型集合，用i索引，wi为第i个类型的优化目标的函数对应的权重，∑i∈Iwi＝1。
可选地，所述获得模块包括：
求解子模块，用于求解所述决策优化模型在以所述待处理订单在各个生产节点的信息为输入时的最小值，并根据所述决策优化模型中涉及的集合和参数获得各个所述待处理订单对应的优化策略。
可选地，所述获得模块包括：
第二获得子模块，用于获得用户输入的信息；
确定子模块，用于从所述输入的信息中确定所述待处理订单在各个生产节点的信息；
第三获得子模块，用于将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略。
可选地，所述优化目标包括以下至少一者：运输成本最低、交付时长最短以及不可靠惩罚成本最低。
可选地，所述待处理订单在各个生产节点的信息至少包括：待处理订单的订单信息、用于处理所述待处理订单的工厂的信息、各个不同的工厂之间的运输时间、各个不同的工厂之间的运输成本、用于处理所述待处理订单的设备的信息。
本申请第三方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行时实现本申请第一方面所述的订单处理方法的步骤。
本申请第四方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请第一方面所述的的订单处理方法中的步骤。
通过本实施例的订单处理方法，首先确定至少一个待处理订单与待处理订单对应的优化目标，然后将待处理订单在各个生产节点的信息输入与优化目标匹配的决策优化模型中，获得各个待处理订单对应的优化策略，该优化目标用于从至少一个维度对待处理订单的处理流程(包括多个生产节点)进行优化。最后按照各个待处理订单对应的优化策略，处理待处理订单。本申请中获得每一个订单的优化策略，并通过优化策略来指导订单的处理流程，一方面可使得各个订单在符合各类预期目标的情况下完成处理，增强了订单处理的灵活性，另一方面，通过优化策略能更好地调度生产过程的各个环节，因此优化策略可作为协同生产的技术支持，促进企业的高效排产。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例示出的实施环境示意图；
图2是本申请一实施例示出的一种订单处理方法的流程图；
图3是本申请一实施例示出的多个集合的示意图；
图4是本申请一实施例示出的多个参数的示意图；
图5是本申请一实施例示出的多个决策变量的示意图；
图6是本申请一实施例示出的一种订单拆分结果示意图；
图7是本申请一实施例示出的一种待处理订单的订单信息的示意图；
图8是本申请一实施例示出的一种订单处理结果示意图；
图9是本申请一实施例示出的图案及含义对照表；
图10是本申请一实施例示出的一种订单处理系统的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请的技术方案可适用于任意工艺生产领域，能显著优化订单处理流程。由于本申请的技术方案在应用于经编领域时优化订单处理流程的效果尤为明显，因此后文采用经编领域的生产流程为例对本申请的订单处理方法进行详细说明，而应用于其他工艺生产领域时的实施原理与经编领域相同，本申请不再赘述。
图1是本申请一实施例示出的实施环境示意图。在图1中，经编企业的内部供应链主要包括4个层级，依次为原料厂、织布厂(包括织布厂1-织布厂3)、印染厂(包括印染厂1-印染厂3)以及客户订单(包括客户订单1-客户订单6)。原料厂负责提供丝线，织布厂用于通过整经和经编工序生产出布品，印染厂用于对布品进行染色，获得最终的成品。原料厂、织布厂以及印染厂协同工作来获得成品，将成品交付到客户手中，从而完成客户订单的处理。
本申请的订单处理方法应用于经编企业的订单处理系统，通过订单处理方法可以显著优化原料厂、织布厂以及印染厂处理订单的流程。图2是本申请一实施例示出的一种订单处理方法的流程图。参照图2，本申请的订单处理方法可以包括如下步骤：
步骤S21：确定至少一个待处理订单和与所述待处理订单对应的优化目标。
在本实施例中，用户可通过客户端下单，例如某个用户通过客户端发起的订单为：定购A类布品1000吨。
订单处理系统用于收集所有客户端发起的订单，将这些订单作为至少一个待处理订单。
订单处理系统还可以对某些订单进行拆分处理，获得多个子订单，再将拆分处理后的订单作为至少一个待处理订单。示例地，订单处理系统收集到订单1-订单3，然后将订单3拆分成子订单1-子订单3，之后，再将订单1、订单2、子订单1、子订单2以及子订单3作为至少一个待处理订单。
例如对订单“定购A类布品1000吨”进行拆分时，可拆分为“由A工厂加工400吨”和“由B工厂加工600吨”两个子订单，本实施例对拆分订单的方式不作具体限制。
在本实施例中，优化目标是指在完成订单处理时需要达到的目标，也即预期目标。
在一种实施方式中，本申请的优化目标可以包括如下类型：运输成本最低(原料在各个工厂之间运输时产生的成本)、交付时长最短(从下单到将成品交付给用户所需的时长)以及不可靠惩罚成本最低(某个设备故障导致产品无法如期完成加工而额外产生的费用)。当然，优化目标还可以具有其他类型，本实施例对此不作具体限制。在执行步骤S21时，既可以确定一个优化目标，也可以确定多个优化目标，本实施例对此不作具体限制。如果确定一个优化目标，表示待处理订单在处理完成时需要满足该目标，如果确定多个优化目标，表示待处理订单在处理完成时需要同时满足多个目标。
步骤S22：将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，所述优化目标用于从至少一个维度对所述待处理订单的处理流程进行优化，所述处理流程包括多个生产节点。
在本实施例中，订单的生产流程包括多个生产节点，本实施例中的生产节点包括原料厂、织布厂、印染厂、交货位置。其中，织布厂内部又包括多个子节点，每一台织布机为一个子节点，印染厂内部又包括多个子节点，每一台印染机为一个子节点。生产节点的信息是指与各个节点或子节点相关的信息，以及各个节点之间的关联信息(例如两个工厂之间的运输时间、运输成本等)。
本申请中输入决策优化模型中的生产节点的信息为已知的生产节点的信息(例如已知织布厂的数量、印染厂的数量等)，通过求解决策优化模型来获得预先未知的生产节点的信息(例如某个待处理订单应当由哪一台织布机处理、由哪一台印染机处理等)，最后根据获得的预先未知的生产节点的信息来获得各个待处理订单的优化策略。
在一种实施方式中，所述待处理订单在各个生产节点的信息至少包括：待处理订单的订单信息、用于处理所述待处理订单的工厂的信息、各个不同的工厂之间的运输时间、各个不同的工厂之间的运输成本、用于处理所述待处理订单的设备的信息。
其中，待处理订单的订单信息可以包括订单的数量、下单时刻、下单的产品类型、下单的产品的数量等，订单信息可以根据用户的实际需求选取，本实施例对此不作具体限制。
用于处理待处理订单的工厂的信息可以包括：原料厂的信息(原料的类型、各个类型的原料的库存等)、织布厂信息(织布厂的名称、位置、各个不同的织布厂内织布机的类型和各个类型的织布机的数量、各个不同的织布厂的可靠性概率等)、印染厂信息(印染厂的名称、位置、各个不同的印染厂内印染机的类型和各个类型的印染机的数量、各个不同的印染厂的可靠性概率等)等。
各个不同的工厂之间的运输时间可以包括：原料厂到织布厂的运输时间、织布厂到印染厂的运输时间、印染厂到交货位置的运输时间等。
各个不同的工厂之间的运输成本可以包括：原料厂到织布厂的运输成本、织布厂到印染厂的运输成本、印染厂到交货位置的运输成本等。
用于处理待处理订单的设备的信息可以包括：各个类型的织布机的织布速率、各个类型的织布机的可靠性概率、各个类型的印染机的印染速率、各个类型的印染机的可靠性概率等。
当然，待处理订单在各个生产节点的信息还可以有其它类型，本实施例对此不作具体限制。
在本实施例中，决策优化模型可以是预先构建得到的(构建过程将在后文说明)。无论在步骤S21中确定的是一个优化目标还是多个优化目标，本实施例的订单处理系统中均有对应的决策优化模型。
在一种实施方式中，将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，可以包括：
求解所述决策优化模型在以所述待处理订单在各个生产节点的信息为输入时的最小值，并根据所述决策优化模型中涉及的集合和参数获得各个所述待处理订单对应的优化策略。
在本实施例中，在将各个待处理订单在各个生产节点的已知信息(各个生产节点的已知信息在决策优化模型中以集合和参数表示)输入决策优化模型后，求解决策优化模型，获得最小值，此时可以确定出那些预先未知的各个生产节点的信息，那么，根据这些确定出的预先未知的各个生产节点的信息(预先未知的各个生产节点的信息在决策优化模型中以决策变量表示)就可以进一步得出各个待处理订单对应的优化策略。换言之，决策优化模型可以根据输入的已知的集合和参数，获得预先未知的决策变量。
在求解决策优化模型的过程中，实际上是在模拟各个待处理订单的处理流程，在求得最小值后，意味着当前模拟的处理流程是最佳的，即获得的综合效益最佳，因此，可以将此时的各个待处理订单的处理流程作为各个待处理订单对应的优化策略。
在本实施例中，优化目标用于从至少一个维度对待处理订单的处理流程进行优化。具体地，一个优化目标可以从一个维度对待处理订单的处理流程进行优化，多个优化目标可以从多个维度对待处理订单的处理流程进行综合优化。例如优化目标为运输成本最低时，可以从运输成本这一维度对待处理订单的处理流程进行优化。再例如优化目标为交付时长最短和不可靠惩罚成本最低时，可以从交付时长这一维度和不可靠惩罚成本这一维度对待处理订单的处理流程进行综合优化。
步骤S23：按照各个所述待处理订单对应的优化策略，处理所述待处理订单。
在本实施例中，优化策略可以理解为优化后的各个订单的处理流程(处理流程可以由前文所述的生产节点表示)，包括在哪个时间段内将原料丝运输到织布厂、由哪台织布机负责处理、在哪个时间段内将织布机输出的布品运输到印染厂、由哪台印染机负责印染、各个织布机的处理时长、各个印染机的处理时长等。本实施例对订单的处理流程不作具体限制。
每一个订单都有对应的优化策略，每一个订单在获得对应的优化策略后，可以按照优化策略中的处理流程处理订单。
在本实施例中，订单处理系统可按照优化策略控制生产过程的各个环节，控制工厂内各个设备的运作以达到协同生产的目的，能更好地完成订单的处理，因此优化策略可作为协同生产的技术支持，促进企业的高效排产。
通过本实施例的订单处理方法，首先确定至少一个待处理订单与待处理订单对应的优化目标，然后将待处理订单在各个生产节点的信息输入与优化目标匹配的决策优化模型中，获得各个待处理订单对应的优化策略，该优化目标用于从至少一个维度对待处理订单的处理流程(包括多个生产节点)进行优化。最后按照各个待处理订单对应的优化策略，处理待处理订单。本申请中获得每一个订单的优化策略，并通过优化策略来指导订单的处理流程，一方面可使得各个订单在符合各类预期目标的情况下完成处理，增强了订单处理的灵活性，另一方面，通过优化策略能更好地调度生产过程的各个环节，因此优化策略可作为协同生产的技术支持，促进企业的高效排产。
结合以上实施例，在一种实施方式中，本申请还提供了一种构建决策优化模型的方法，该方法具体包括：
根据设定的至少一个优化目标，获得各个所述优化目标的函数；
将各个所述优化目标的函数组合成联合目标函数；
根据所述联合目标函数、各个所述函数的约束条件以及所述联合目标函数的约束条件，构建所述决策优化模型。
在本实施例中，每一个优化目标具有一个对应的函数表示。在确定出至少一个优化目标后，可以将各个优化目标各自的函数组合成一个联合目标函数。由于决策优化模型通常带有资源限制，因此本申请还需要为联合目标函数设置约束条件，该约束条件包括联合目标函数需要满足的约束条件和单个函数需要满足的约束条件。约束条件用于限定参数或决策变量的取值范围，例如每个订单在每个织布厂最多加工一次、每个织布厂在同一时间最多加工一个订单等。
在本实施例中，通过预先构建的决策优化模型对待处理订单的生产节点的信息进行处理，可提升获得各个待处理订单对应的优化策略的效率。
结合以上实施例，在一种实施方式中，所述联合目标函数为：
F(x)＝∑i∈Iwi*fi(x)
其中，I为所述优化目标的类型集合，用i索引，wi为第i个类型的优化目标的函数对应的权重，∑i∈Iwi＝1。
在本实施例中，wi是人为设置的权重，可根据各个优化目标的重要程度来设定。一般地，当某个优化目标的重要程度较高时，可将该优化目标对应的函数的权重设置得较高，当某个优化目标的重要程度较低时，可将该优化目标对应的函数的权重设置得较低。
示例地，有四个类型的优化目标，那么联合目标函数可以为：F(x)＝w1*f1(x)+w2*f2(x)+w3*f3(x)+w4*f4(x)，w1+w2+w3+w4＝1。其中，f1(x)为第一类优化目标的函数，f2(x)为第二类优化目标的函数，f3(x)为第三类优化目标的函数，f4(x)为第四类优化目标的函数。w1为对应第一类优化目标的函数的权重，w2为对应第二类优化目标的的函数的权重，w3为对应第三类优化目标的函数的权重，w4为对应第四类优化目标的函数的权重。
在具体实施时，联合目标函数可以根据确定的优化目标实时调整。示例地，当优化目标是交付时长最短时，联合目标函数可以为F(X)＝f1(x)。再示例地，当优化目标是交付时长最短和运输成本最低时，目标函数可以为F(X)＝w1’*f1(x)+w2’*f2(x)，其中，f1(x)为对应交付时长的函数，f2(x)为对应运输成本的函数，w1’+w2’＝1。
在获得联合目标函数后，可以将待处理订单的在各个生产节点的已知信息作为联合目标函数F(x)的输入值，然后在满足预先设置约束条件下，求取F(x)的最小值，并在取得最小值时，将各个待处理订单的处理流程作为各个待处理订单对应的优化策略。
通过本实施例，可获得每一个订单的优化策略，使用该优化策略来指导订单的处理流程，可使得各个订单在符合各类预期目标的情况下完成处理，增强了订单处理的灵活性。
结合以上各个实施例，在一种实施方式中，将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，包括：
获得用户输入的信息；
从所述输入的信息中确定所述待处理订单在各个生产节点的信息；
将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略。
用户在确定至少一个待处理订单后，可以从所有与订单相关的各类型信息中选择出待处理订单在各个生产节点的已知信息。例如，可以选择待处理订单的数量、各个待处理订单的下单时刻、织布机的类型和数量、印染机的类型和数量、不同类型的织布机的加工速率、不同类型的印染机的加工速率等作为待处理订单在各个生产节点的已知信息。然后将这些订单信息输入订单处理系统，使得订单处理系统可根据输入的在各个生产节点的已知信息获得各个待处理订单对应的优化策略。
在本实施例中，待处理订单在各个生产节点的信息可以由用户手动输入，提升了订单处理的灵活性。
下面将以一个具体实施例详细陈述本申请的订单处理方法中使用到的联合目标函数和对应的约束条件。在该实施例中，适用的优化目标包括：运输成本最低、交付时长最短以及不可靠惩罚成本最低。其中，该联合目标函数和对应的约束条件中涉及到的各个集合的含义如图3所示，涉及到的各个参数的含义如图4所示，涉及到的各个决策变量的含义如图5所示。图3是本申请一实施例示出的多个集合的示意图。图4是本申请一实施例示出的多个参数的示意图。图5是本申请一实施例示出的多个决策变量的示意图。
在图3中，J＝{1,2,...,|J|}表示待处理的订单的集合，用j索引。O＝{1}表示原料厂集，用o索引。A＝{1,2,...,|A|}表示织布厂集，用a索引。B＝{1，2,...，|B|}表示印染厂集，用b索引。K＝{1，2，...，|K|}表示订单在工厂内的加工位置集，用k索引。
在图4中，dj表示订单j需要加工的产品量。rj表示订单j的释放时间(即订单j的下单时刻)。
Figure BDA0003076577330000121
表示织布厂加工完成单位布料的速率。
Figure BDA0003076577330000122
表示印染厂加工完成单位布料的速率。
Figure BDA0003076577330000123
表示原料厂o到织布厂a的运输时间。
Figure BDA0003076577330000124
表示原料厂o到织布厂a的单位运输成本。
Figure BDA0003076577330000125
表示织布厂a到印染厂b的运输时间。
Figure BDA0003076577330000126
表示织布厂a到印染厂b的单位运输成本。
Figure BDA0003076577330000127
表示印染厂b到订单j对应的用户的运输时间。
Figure BDA0003076577330000128
表示印染厂b到订单j对应的用户的单位运输成本。
Figure BDA0003076577330000129
表示订单j的可靠性惩罚成本。m为一个很大的数。
Figure BDA00030765773300001210
表示织布厂a的可靠性概率。
Figure BDA00030765773300001211
表示织布厂b的可靠性概率。sj表示需要满足的最低的可靠性水平(可靠性概率)。
在图5中，
Figure BDA00030765773300001212
表示订单j是否在织布厂a的第k位置进行织布。
Figure BDA00030765773300001213
表示订单j在织布厂a的织布量。
Figure BDA00030765773300001214
表示订单j是否在印染厂b的第k位置进行印染。
Figure BDA00030765773300001215
表示订单j在印染厂b的印染量。
Figure BDA00030765773300001216
表示在织布厂a和印染厂b之间是否进行订单j的运输。
Figure BDA00030765773300001217
表示在织布厂a和印染厂b之间订单j的运输量。Tmax表示所有订单的最长加工时间，也是产品的交付时长。C表示运输成本总和。Rj表示订单j的可靠性水平(概率)。
Figure BDA00030765773300001218
分别为计算时间辅变量。
在该实施例中，联合目标函数对应如下公式(1)：
Figure BDA00030765773300001219
在公式(1)中，f1(x)＝Tmax，为对应交付时长的函数，f2(x)＝C，为对应运输成本的函数，
Figure BDA0003076577330000131
为对应不可靠惩罚成本的函数。w1、w2以及w3可任意设置，例如可设置w1＝w2＝0.3，w3＝0.4。
在上述联合目标函数中，当w1＝1，w2＝w3＝0时，决策优化模型可从交付时长这一维度对订单处理过程进行优化。当w1＝w2＝0.5，w3＝0时，决策优化模型可从交付时长和运输成本这两个维度对订单处理过程进行优化。通过设置w的值，可控制优化目标的类型。
其中，在使用公式(1)时，用户可以将一部分已知的生产节点的信息(用集合和参数的形式表示)作为待处理订单在各个生产节点的信息输入到订单处理系统中，订单处理系统通过决策优化模型对待处理订单在各个生产节点的信息进行处理。具体地，决策优化模型在计算时，当公式(1)在约束条件下取得了最小值时，可根据当前模型中其它预先未知的那部分决策变量的取值获得待处理订单的优化策略。
公式(1)的约束条件包括如下公式(2)-公式(24)。
Figure BDA0003076577330000132
约束条件(2)表示每个订单在每个织布厂最多加工一次。
Figure BDA0003076577330000133
约束条件(3)表示每个订单在每个印染厂最多加工一次。
Figure BDA0003076577330000134
约束条件(4)表示每个织布厂在同一时间最多加工一个订单。
Figure BDA0003076577330000135
约束条件(5)表示每个印染厂在同一时间最多加工一个订单。
Figure BDA0003076577330000136
约束条件(6)表示同一织布厂，如果靠前的加工位置空闲，则不使用后面的加工位置。
Figure BDA0003076577330000137
约束条件(7)表示同一印染厂，如果靠前的加工位置空闲，则不使用后面的加工位置。
Figure BDA0003076577330000138
约束条件(8)表示：如果不在相应的织布厂加工订单j，则j在该厂的加工量为0。
Figure BDA0003076577330000141
约束条件(9)表示：如果不在相应的印染厂加工订单j，则j在该厂的加工量(订单j对应的产品数量)为0。
Figure BDA0003076577330000142
约束条件(10)表示：如果不选择在织布厂a和印染厂b之间运输订单j，则j在该路径上的运输量(产品运输数量)为0。
Figure BDA0003076577330000143
约束条件(11)表示：订单j总织布量等于需求量。
Figure BDA0003076577330000144
约束条件(12)表示：订单j在织布厂a的加工量等于其运往各个印染厂b的量的和。
Figure BDA0003076577330000145
约束条件(13)表示：订单j在印染厂b的加工量等于各个织布厂a运来的量的和。
Figure BDA0003076577330000146
约束条件(14)表示：订单j在织布厂a的完成时间不小于其释放时间、由原料厂到织布厂a的运输时间和其在织布厂的加工时间之和。
Figure BDA0003076577330000147
约束条件(15)表示：订单j在织布厂a的完成时间不小于前一个订单的完成时间加上其在织布厂的加工时间。
Figure BDA0003076577330000148
约束条件(16)表示：辅助约束，用于计算订单j在织布厂a的最终完成时间。
Figure BDA0003076577330000149
约束条件(17)表示：订单j在印染厂b的完成时间不小于其在织布厂完成时间、由织布厂到印染厂b的运输时间和其在印染厂的加工时间之和。
Figure BDA00030765773300001410
约束条件(18)表示：订单j在印染厂b的完成时间不小于其前一个订单的完成时间加上其在印染厂的加工时间。
Figure BDA00030765773300001411
约束条件(19)表示：辅助约束，用于计算订单j在印染厂b的最终完成时间。
Figure BDA0003076577330000151
约束条件(20)表示：订单j的最终完成时间不小于其印染厂完成时间加上其从印染厂运输到客户端的时间。
Figure BDA0003076577330000152
约束条件(21)表示：计算最大完工时间。
Figure BDA0003076577330000153
约束条件(22)表示：计算运输成本。
Figure BDA0003076577330000154
约束条件(23)表示：计算每个订单的可靠性。订单的可靠性由加工订单的织布厂和印染厂的可靠性决定。如订单j由织布厂a(可靠性0.9)完成织布，之后送往印染厂b(可靠性0.9)印染，则订单的可靠性为0.9*0.9＝0.81。该订单被拆分为多个子订单进行加工(即：多条路径)，则最终整单的可靠性等于多条路径可靠性的乘积。
Figure BDA0003076577330000155
约束条件(24)表示：保证每个订单的可靠性大于最低的可靠性水平。
其中，针对约束条件(23)，假设订单被拆单成如图6所示，则最后订单的可靠性为
Figure BDA0003076577330000156
图6是本申请一实施例示出的一种订单拆分结果示意图。结合图6，具体地，假设有3个织布厂，各自对应的可靠性概率分别为：
Figure BDA0003076577330000157
假设有3个印染厂，各自对应的可靠性概率分别：
Figure BDA0003076577330000158
假设某一订单被拆分为2个子订单，其中一个子订单的加工路径为织布厂1-印染厂2，则该条路径的可靠性为：
Figure BDA0003076577330000159
另一个子订单的加工路径为织布厂2-印染厂1，则该条路径的可靠性为：
Figure BDA00030765773300001510
那么对于此整单来说，最终订单的可靠性为：
Figure BDA00030765773300001511
由此可知，对于一个整单而言，最后订单的可靠性为：
Figure BDA00030765773300001512
(当
Figure BDA00030765773300001513
以及
Figure BDA00030765773300001514
取1)。下面介绍约束条件(23)的推理过程：
引入如下近似，若e1、22≈1，那么e1×e2＝(1-(1-e1))(1-(1-e2))＝1-(1-e1)-(1-e2)+(1-e2)(1-e1)≈1-(1-e1)-(1-e2)。
同理：e1×e2×e3×e4＝e1e2×e3e4≈1-(1-e1e2)-(1-e3e4)≈1-(1-(1-(1-e1)-(1-e2)))-(1-(1-(1-e3)-(1-e4)))≈1-(1-e1)-(1-e2)-(1-e3)-(1-e4)。因此：
Figure BDA00030765773300001515
可近似为如下：
Figure BDA0003076577330000161
因此可以得到上述约束条件(23)。
在本申请中，原材料从原料厂出发，经过织布厂、印染厂加工后，将最后的产品交付到客户手中。加工时需要按照先织布，后染布的顺序进行。本实施例中，为保证产品的质量，在原材料阶段，假设只买一个原料厂的原料丝。织布厂有多个，印染厂有多个。拆分后的子订单可以分配给几个不同的织布厂和印染厂协同完成，拆分的订单的完成时间为子订单中最长完成时间。织布厂、印染厂按照一定的加工速率加工产品，一般，对于同一个订单，工厂一次性加工完成需要的产品量，并且同一时间最多加工一个订单。每个订单需要加工的产品量会根据过程的损耗提前计算好。每个工厂(织布厂、印染厂)有一定的可靠性概率，不可靠性是由工厂某些机器可能出现故障等问题导致。若通过历史数据分析出某厂并未出现过延误，则可靠性概率为100％。此外，由于每个厂的可靠性不同，且每一个订单的加工路径也不同，每个订单最终的延误概率也是不同的。
在本申请中，在得到上述联合目标函数(1)和约束条件(2)-(24)后，可以利用联合目标函数(1)和约束条件(2)-(24)获得各个待处理订单的优化策略。
示例地，当订单处理系统获得的待处理订单的订单信息如图7所示时，可以获得如图8所示的结果，图8即为优化后的各个订单的处理流程。在图7中，Uniform(X，Y)表示X和Y之间的随机数，例如Uniform(30，40)表示30和40之间的随机数。图7是本申请一实施例示出的一种待处理订单的订单信息的示意图。图8是本申请一实施例示出的一种订单处理结果示意图。图8中的各个图案的含义可如图9所示。图9是本申请一实施例示出的图案及含义对照表。
其中，订单处理系统在处理时，采用Gurobi(一种数学规划优化器)求解器求解决策优化模型，设置最优间隙(Gap)为4％。图8对应的是待处理订单的订单数量为5的情形。
在图8和图9中，编号为1的图案表示下单时刻。编号为2的图案表示运输时间，编号为3的图案表示在织布厂中加工完成一定订单量(订单对应的产品的数量)所需的时间，编号为4的图案表示在印染厂中加工完成一定订单量所需的时间。图8中示出了5个订单(一个订单对应一个方框)，分别为j0、j1、j2、j3以及j4。横坐标表示时间，单位为小时。
其中，编号为3的图案上标注的“j*A*num”，代表订单j在织布厂A中加工num大小的订单量。例如对于图8中的订单j0，“j0 A1 20”表示订单j0在织布厂A1中加工20吨布品。
编号为4的图案上标注的“j*B*num_1，num_2from A*”，代表订单j在印染厂B中加工num_1大小的订单量，其中num_2大小的量来自织布厂A。例如对于图8中的“J0 B0 20，1from A1,19from A2”表示订单j0在印染厂B0中加工20吨布品，其中1吨来自织布厂A1，19吨来自织布厂A2。
本申请中获得每一个订单的优化策略，并通过优化策略来指导订单的处理流程，一方面可使得各个订单在符合各类预期目标的情况下完成处理，增强了订单处理的灵活性，另一方面，通过优化策略能更好地调度生产过程的各个环节，因此优化策略可作为协同生产的技术支持，促进企业的高效排产。需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
如图8所示，订单处理系统给出了每一个订单的处理流程(即优化策略)，因此，后续可按照该流程对生产车间中的各个环节进行调度以完成订单的处理。
基于同一发明构思，本申请还提供了一种订单处理系统1000。图10是本申请一实施例示出的一种订单处理系统的结构框图。参照图10，本申请的订单处理系统1000可以包括：
确定模块，用于确定至少一个待处理订单和与所述待处理订单对应的优化目标；
获得模块，用于将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，所述优化目标用于从至少一个维度对所述待处理订单的处理流程进行优化，所述处理流程包括多个生产节点；
处理模块，用于按照各个所述待处理订单对应的优化策略，处理所述待处理订单。
可选地，所述订单处理系统包括：
第一获得子模块，用于根据设定的至少一个优化目标，获得各个所述优化目标的函数；
组合子模块，用于将各个所述优化目标的函数组合成联合目标函数；
构建子模块，用于根据所述联合目标函数、各个所述函数的约束条件以及所述联合目标函数的约束条件，构建所述决策优化模型。
可选地，所述联合目标函数为：
F(x)＝∑i∈Iwi*fi(x)
其中，I为所述优化目标的类型集合，用i索引，wi为第i个类型的优化目标的函数对应的权重，∑i∈Iwi＝1。
可选地，所述获得模块包括：
求解子模块，用于求解所述决策优化模型在以所述待处理订单在各个生产节点的信息为输入时的最小值，并根据所述决策优化模型中涉及的集合和参数获得各个所述待处理订单对应的优化策略。
可选地，所述获得模块包括：
第二获得子模块，用于获得用户输入的信息；
确定子模块，用于从所述输入的信息中确定所述待处理订单在各个生产节点的信息；
第三获得子模块，用于将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略。
可选地，所述优化目标包括以下至少一者：运输成本最低、交付时长最短以及不可靠惩罚成本最低。
可选地，所述待处理订单在各个生产节点的信息至少包括：待处理订单的订单信息、用于处理所述待处理订单的工厂的信息、各个不同的工厂之间的运输时间、各个不同的工厂之间的运输成本、用于处理所述待处理订单的设备的信息。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种订单处理方法、系统、电子设备及存储介质，进行了详细介绍，本申请中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种订单处理方法，其特征在于，所述方法包括：
确定至少一个待处理订单和与所述待处理订单对应的优化目标；
将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，所述优化目标用于从至少一个维度对所述待处理订单的处理流程进行优化，所述处理流程包括多个生产节点；
按照各个所述待处理订单对应的优化策略，处理所述待处理订单。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据设定的至少一个优化目标，获得各个所述优化目标的函数；
将各个所述优化目标的函数组合成联合目标函数；
根据所述联合目标函数、各个所述函数的约束条件以及所述联合目标函数的约束条件，构建所述决策优化模型。
3.根据权利要求2所述的方法，其特征在于，所述联合目标函数为：
F(x)＝∑i∈Iwi*fi(x)
其中，I为所述优化目标的类型集合，用i索引，wi为第i个类型的优化目标的函数对应的权重，∑i∈Iwi＝1。
4.根据权利要求1-3任一项所述的方法，其特征在于，将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，包括：
求解所述决策优化模型在以所述待处理订单在各个生产节点的信息为输入时的最小值，并根据所述决策优化模型中涉及的集合和参数获得各个所述待处理订单对应的优化策略。
5.根据权利要求3所述的方法，其特征在于，将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，包括：
获得用户输入的信息；
从所述输入的信息中确定所述待处理订单在各个生产节点的信息；
将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略。
6.根据权利要求4所述的方法，其特征在于，所述优化目标包括以下至少一者：运输成本最低、交付时长最短以及不可靠惩罚成本最低。
7.根据权利要求4所述的方法，其特征在于，所述待处理订单在各个生产节点的信息至少包括：待处理订单的订单信息、用于处理所述待处理订单的工厂的信息、各个不同的工厂之间的运输时间、各个不同的工厂之间的运输成本、用于处理所述待处理订单的设备的信息。
8.一种订单处理系统，其特征在于，所述系统包括：
确定模块，用于确定至少一个待处理订单和与所述待处理订单对应的优化目标；
获得模块，用于将所述待处理订单在各个生产节点的信息输入与所述优化目标匹配的决策优化模型中，获得各个所述待处理订单对应的优化策略，所述优化目标用于从至少一个维度对所述待处理订单的处理流程进行优化，所述处理流程包括多个生产节点；
处理模块，用于按照各个所述待处理订单对应的优化策略，处理所述待处理订单。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的订单处理方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行时实现如权利要求1-7任一项所述的订单处理方法中的步骤。
CN202110554424.2A 2021-05-20 2021-05-20 一种订单处理方法、系统、电子设备及存储介质 Pending CN113313551A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110554424.2A CN113313551A (zh) 2021-05-20 2021-05-20 一种订单处理方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110554424.2A CN113313551A (zh) 2021-05-20 2021-05-20 一种订单处理方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113313551A true CN113313551A (zh) 2021-08-27

Family

ID=77373802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110554424.2A Pending CN113313551A (zh) 2021-05-20 2021-05-20 一种订单处理方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113313551A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935570A (zh) * 2021-08-31 2022-01-14 广州佳帆计算机有限公司 订单处理方法、装置、设备及存储介质
CN114692069A (zh) * 2022-03-25 2022-07-01 广西鸿凯家具有限公司 一种钢制金属家具喷涂加工控制方法、系统及装置
WO2023109229A1 (zh) * 2021-12-17 2023-06-22 海尔优家智能科技（北京）有限公司 生产排程的生成方法及装置、电子设备、存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113935570A (zh) * 2021-08-31 2022-01-14 广州佳帆计算机有限公司 订单处理方法、装置、设备及存储介质
WO2023109229A1 (zh) * 2021-12-17 2023-06-22 海尔优家智能科技（北京）有限公司 生产排程的生成方法及装置、电子设备、存储介质
CN114692069A (zh) * 2022-03-25 2022-07-01 广西鸿凯家具有限公司 一种钢制金属家具喷涂加工控制方法、系统及装置
CN114692069B (zh) * 2022-03-25 2022-11-15 广西鸿凯家具有限公司 一种钢制金属家具喷涂加工控制方法、系统及装置

Similar Documents

Publication Publication Date Title
CN113313551A (zh) 一种订单处理方法、系统、电子设备及存储介质
Zaman et al. Evolutionary algorithms for dynamic economic dispatch problems
CN104268722B (zh) 基于多目标进化算法的动态柔性作业车间调度方法
CN105629927A (zh) 一种基于混合遗传算法的mes生产计划排产方法
Li et al. Model and metaheuristics for robotic two-sided assembly line balancing problems with setup times
CN110276481A (zh) 一种分布式混合流水线调度优化方法
Chaudhry et al. Integrated process planning and scheduling using genetic algorithms
CN110084401B (zh) 一种基于预留维修时间的调度优化方法及装置
CN110458326B (zh) 一种分布式阻塞型流水线调度的混合群智能优化方法
CN114897379A (zh) 一种基于信息反馈的动态生产计划排程系统及方法
CN116933939A (zh) 基于改进浣熊优化算法的柔性车间协同生产方法及系统
CN116500986A (zh) 一种分布式作业车间的优先调度规则生成方法及系统
CN114626745B (zh) 一种排产计划生成方法、系统、介质及电子终端
CN115689246A (zh) 用于确定排产计划的方法、装置、存储介质及处理器
CN115933568A (zh) 一种多目标分布式混合流水车间调度方法
CN113112145A (zh) 一种数据处理方法、装置、电子设备及存储介质
CN114462772A (zh) 半导体制造排产方法、系统以及计算机可读存储介质
Liang et al. Hybrid algorithm based on genetic simulated annealing algorithm for complex multiproduct scheduling problem with zero-wait constraint
Kim et al. Scheduling 3D printers with multiple printing alternatives
CN116774658A (zh) 一种物料限制下的柔性作业车间动态调度方法
CN115629584A (zh) 一种基于改进乌鸦搜索算法的订单排产优化方法
CN115437321A (zh) 基于深度强化学习网络的微服务-多代理工厂调度模型
Chiu et al. A GA embedded dynamic search algorithm over a Petri net model for an fms scheduling
CN100383914C (zh) 决定机器派工顺序的方法以及使用该方法的制造系统
CN114862045A (zh) 排产优化方法、装置、电子设备及存储介质

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