CN113496313A - 一种总装车间物料需求预测方法 - Google Patents
一种总装车间物料需求预测方法 Download PDFInfo
- Publication number
- CN113496313A CN113496313A CN202110776812.5A CN202110776812A CN113496313A CN 113496313 A CN113496313 A CN 113496313A CN 202110776812 A CN202110776812 A CN 202110776812A CN 113496313 A CN113496313 A CN 113496313A
- Authority
- CN
- China
- Prior art keywords
- station
- auxiliary material
- individual
- dragonfly
- population
- 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
Links
- 239000000463 material Substances 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000009826 distribution Methods 0.000 claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 238000013277 forecasting method Methods 0.000 claims abstract 8
- 241000238633 Odonata Species 0.000 claims description 113
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 32
- 241000255925 Diptera Species 0.000 claims description 25
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000011423 initialization method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 11
- 238000003754 machining Methods 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000010367 cloning Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000033764 rhythmic process Effects 0.000 claims 1
- 230000001960 triggered effect Effects 0.000 abstract 1
- 238000013507 mapping Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000000739 chaotic effect Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/04—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
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明为一种总装车间物料需求预测方法,属于智能制造领域,满足辅料需求预测触发条件时,首先,判断是周期出发还是辅料可以用量触发,设置触发工位;然后确定触发工位的对应关键基准件及该关键基准件当前所在工位;最后再确定触发工位需生成的辅料配送任务数及最佳送达时间段;当满足关重件需求预测触发条件时,根据关重件需求预测方法及工位完工耗时预测算法,确定并更新后续工位的关重件配送任务的最佳送达时间段。本方法综合考虑了工人信息、基准件等级、辅料等级及关重件等级,建立了完工耗时预测模型,并针对辅料、关重件分别提出物料需求预测方法,为物料搬运系统提供预测物料搬运任务及最佳送达时间段,为物料搬运系统提供调度缓冲时间。
Description
技术领域
本发明涉及智能制造领域,具体涉及一种总装车间物料需求预测方法。
背景技术
生产装配通常需要多种物料,针对用量大、单价低的辅料,常在工位点设置缓存区用于辅料存储;针对结构重要、价格昂贵的关重件,不设置工位缓存区,物料搬运系统根据工位需求及时配送关重件至需求工位。由于工位装配执行需满足物料齐套性,因此如何保障缓存区辅料库存量在要求库存量区间、关重件在最佳时间段送达需求工位,逐渐成为智能制造领域的一大研究热点。现有的应用和研究中,前者的实现手段主要为当工位缓存区辅料实时库存量达到某一阈值时,工位向物料系统发出辅料需求,物料搬运系统根据辅料需求配送定额辅料至工位缓存区,当物料搬运系统中任务量大且交通拥堵度高时,难以保证在辅料达到最低要求库存量前能进行辅料补给;后者的研究方向主要有物料搬运调度及完工时间预测两方面,物料搬运调度目前已有大量的相关文献,如公开号为CN111653098A,专利名称为多载量自动导引车交叉路口通行顺序优化方法的中国发明专利申请,其研究了调度中的交通管控问题,后者的研究相对较少,且现有研究中对完工耗时影响因素的考虑维度少,如名称为卫星总装数字孪生车间物料准时配送方法的文章,仅考虑了工人维度,对物料存在等级差异的场景,该文章中所提方法其预测误差较大、场景适应性较低。此外,现有技术中,一般依据预测完工时间对所有物料均采用统一需求预测方法,并未深入考虑辅料、关重件的配送策略的区别,导致方法实际应用转化困难。
发明内容
为解决现有技术中存在的技术缺陷,本发明提出了一种总装车间物料需求预测方法,通过综合考虑工人信息、基准件等级、辅料等级及关重件等级,建立完工耗时预测模型,并基于完工耗时预测模型,针对辅料、关重件分别提出物料需求预测方法,为物料搬运系统提供预测物料搬运任务及最佳送达时间段,为物料搬运系统提供调度缓冲时间。
本发明通过以下技术方案实现:
一种总装车间物料需求预测方法,包括以下步骤:
步骤1:判断是否满足辅料需求预测触发条件或关重件需求预测触发条件,若满足辅料需求预测触发条件,进入步骤2,若满足关重件需求预测触发条件,进入步骤5,若均不满足,进入步骤1;
步骤2:判断是否为周期触发,若是,将所有工位设置为触发工位,若否,将辅料可用量C低于最小库存量Cmin的工位设置为触发工位;
步骤3:根据关键基准件确定方法及工位完工耗时预测算法,确定触发工位的对应关键基准件及该关键基准件当前所在工位;
步骤4:根据辅料需求预测方法、工位完工耗时预测算法、触发工位的对应关键基准件及该关键基准件当前所在工位,确定触发工位需生成的辅料配送任务数及最佳送达时间段;
步骤5:根据关重件需求预测方法及工位完工耗时预测算法,确定并更新后续工位的关重件配送任务的最佳送达时间段。
进一步地,所述辅料需求预测触发条件,包括周期触发与最小库存量触发。
进一步地,所述最小库存量触发,为出现辅料可用量低于最小库存量的工位。
进一步地,所述关重件需求预测触发条件,为出现开始执行下一装配任务的工位。
进一步地,所述辅料可用量,其计算公式如下:
C=Cr+c′*Δ (1)
式中,Cr为工位辅料缓存区中辅料实际余量,c′为工位待送达的辅料配送任务的个数,Δ为单次配送任务辅料补给量。
进一步地,所述完工耗时预测模型,为改进蜻蜒算法优化的BP神经网络,其建立包括以下步骤:
步骤3.1.1:确定BP神经网络的隐藏层的总层数U、隐藏层的第u层节点数nh,u、输入层的节点数I与输出层的节点数K。
步骤3.1.2:确定蜻蜒种群规模数DS、最大迭代次数tmax与蜻蜒个体的维数D。
步骤3.1.3:根据种群初始化方法,生成蜻蜒算法的初始种群。
步骤3.1.4:计算蜻蜒个体的适应度值,若存在蜻蜒个体的适应度值优于食物,将食物更新为该蜻蜒个体,若存在蜻蜒个体的适应度值劣于天敌,将天敌更新为该蜻蜒个体。
步骤3.1.5:判断是否达到最大迭代次数,若是,进入步骤3.1.8;若否,进入步骤3.1.6。
步骤3.1.6:根据邻域半径更新机制,为蜻蜒个体更新邻域半径。
步骤3.1.7:判断食物是否连续G次迭代未变化,若是,根据种群生成机制,生成新的种群,进入步骤3.1.4;若否,根据基本蜻蜒算法定义,更新蜻蜒个体位置和步长向量,进入步骤3.1.4。
步骤3.1.8:将食物对应解作为BP神经网络的初始权重和偏差,利用样本数据库对BP神经网络进行训练,建立完工耗时预测模型。
进一步地,所述样本数据库,由多组样本数据组成。
进一步地,所述样本数据,由输入数据和输出数据组成,其中输入数据包含工人信息、基准件等级、辅料等级、关重件等级,输出数据为实际完工耗时。
进一步地,所述蜻蜒个体的维数D,为BP神经网络所需的初始权重与偏差的个数之和,其计算方法如下:
进一步地,所述种群初始化方法,为伯努利混沌映射种群初始化方法,其包括以下步骤:
步骤3.1.3.1:根据伯努利混沌映射公式,获得含D*DS个数据的混沌序列[Z1,Z2,...,ZD*DS],伯努利混沌映射公式如下:
式中,λ取0.4;Z0为(0,1)的随机数。
步骤3.1.3.2:基于混沌序列,生成初始蜻蜒种群,初始种群中第i个蜻蜒个体的第j维分量的计算公式如下:
式中,i=1,2,...,D;lbj为蜻蜒个体的取值下限矩阵lb的第j维分量;ubj为蜻蜒个体的取值上限矩阵ub的第j维分量。
步骤3.1.3.3:采用随机初始化方法为初始种群中蜻蜒个体生成初始步长向量。
进一步地,所述蜻蜒个体的适应度值,其计算公式为:
式中,S为用于训练BP神经网络的样本数据数;k=1,2…,K;s=1,2…,S;ys,k为蜻蜒个体对应的BP神经网络对第s个样本数据所产生的第k个输出层节点的预测输出;为第s个样本数据中对应BP神经网络的第k个输出层节点的实际输出。
进一步地,所述蜻蜒个体对应的BP神经网络,为将蜻蜒个体对应解作为BP神经网络的初始权重和偏差,利用样本数据库进行训练,所获得的神经网络。
进一步地,所述邻域半径奖惩机制,为邻域半径奖惩机制,为根据种群中蜻蜒个体适应度值对蜻蜒个体的邻域半径进行更新,种群中第i个蜻蜒个体的第j维的邻域半径更新公式如下:
式中,Ei为种群中第i个蜻蜒个体的适应度值;Emax为种群中所有蜻蜒个体的适应度值中的最大值;Emin为种群中所有蜻蜒个体的适应度值中的最小值;为奖惩系数,取0.5;Rj为蜻蜒个体的第j维的基本邻域半径,计算公式如下:
式中,iter为当前迭代次数;tmax为最大迭代次数。
进一步地,所述种群生成机制,为多级变异及种群初始化复合机制,包括以下步骤:
步骤3.1.7.1将当前种群O中蜻蜒个体按适应度值升序排列,选择位于设定比例的蜻蜒个体,对每个蜻蜒个体进行一次克隆,克隆时复制对应蜻蜒个体的步长向量属性,形成克隆种群A,对A中每个蜻蜒个体以概率0.1连续五次变异,对应步长向量保持不变,并将变异操作后的蜻蜒个体按适应度值升序排列,变异操作如下:
步骤3.1.7.2基于种群初始化方法,生成一个含DS个蜻蜒个体的新种群B,将B中蜻蜒个体按适应度值升序排列。
步骤3.1.7.3从A、B中各选择前0.1DS个蜻蜒个体作为补充蜻蜒,选中O中位于后0.2DS个蜻蜒个体,将其替换为补充蜻蜒,形成新的种群。
进一步地,所述设定比例取50%。
进一步地,所述关键基准件确定方法,包括以下步骤:
步骤3.2.2:确定关键基准件bj+x,x的计算公式为:
步骤3.2.3:初始化变量k←1,w←0,z←0,y←0。
步骤3.2.5:获取工位当前加工基准件bj l,比较j′与j+x,若相等,y←1,输出k、w、z、y,算法结束;若j′>j+x,y←2,输出k、w、z、y,算法结束;若j′<j+x,k←k+1,进入步骤3.2.4。
步骤3.2.6:输出k、w、z、y,当y=0时,根据生产计划,获得关键基准件bj+x的计划排产时刻tp,即bj+x的首道工序的计划开始时刻。
进一步地,所述辅料需求预测方法,包括以下步骤:
步骤4.1:判断触发工位辅料可用量C是否大于Cmax-Δ,若是,进入步骤4.2;若否,进入步骤4.3;
步骤4.2:生成一个辅料配送任务,结束本次辅料需求预测方法调用,该辅料配送任务的最佳送达时间段的起始时刻TB与截止时刻TE的计算公式分别如下:
式中,y由关键基准件确定方法获得。
步骤4.3:判断触发工位辅料可用量C是否大于Cmin,若是,进入步骤4.4;若否进入步骤4.5;
步骤4.4:生成Ntask个辅料配送任务,结束本次辅料需求预测方法调用,Ntask的计算公式如下:
生成的第q个辅料配送任务的最佳送达时间段的起始时刻TB与截止时刻TE的计算公式分别如下:
TB=t0 (18)
式中,q=1,2,...Ntask。
步骤4.5:生成N′task个最佳送达时间段的起始时刻TB与截止时刻TE均为t0的辅料配送任务,结束本次辅料需求预测方法调用,N′task的计算公式如下:
进一步地,所述关重件需求预测方法,包括以下步骤:
式中,Δtm为预测时间允许误差量,根据实际应用要求进行取值。
与现有技术相比,本发明至少具有下述的有益效果或优点:
本发明提出了一种总装车间物料需求预测方法,通过综合考虑工人信息、基准件等级、辅料等级及关重件等级,建立完工耗时预测模型,提高了模型输入考虑维度,增强了预测模型的预测精度,同时基于完工耗时预测模型,针对辅料、关重件分别提出物料需求预测方法,为物料搬运系统提供预测物料搬运任务及最佳送达时间段,为物料搬运系统提供调度缓冲时间,避免因搬运任务量大、交通拥堵造成物料补给不及时,出现工位等料待产的情况,保障了产线的生产效率。
附图说明
以下将结合附图对本发明做进一步详细说明:
图1为本发明的一种总装车间物料需求预测方法的流程图;
图2为本发明的改进蜻蜒算法优化的BP神经网络的流程图;
图3为某应用场景的环境模型。
具体实施方式
下面将结合附图对本发明内容进行详细说明,但不是对本发明的限定。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做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。
由于本发明为物料需求预测方法,其产生的物料搬运任务为未来时间段将会产生的任务,任务的提前发布为物料搬运系统提供了足够的缓冲时间进行任务调度和交通管控,因此作如下假设:
1、装配任务执行结束,即搬离当前工位;
2、基准件送达工位,即可开始执行装配,即基准件到达工位时刻为开始加工时刻。
图1为本发明所述的一种总装车间物料需求预测方法的流程图,一种总装车间物料需求预测方法具体包括如下步骤:
一种总装车间物料需求预测方法,包括以下步骤:
步骤1:判断是否满足辅料需求预测触发条件或关重件需求预测触发条件,若满足辅料需求预测触发条件,进入步骤2,若满足关重件需求预测触发条件,进入步骤5,若均不满足,进入步骤1;
本发明所提出的一种总装车间物料需求预测方法涉及辅料、关重件两种类型物料的需求预测,由于上述两种类型物料的配送策略不同,因此采用不同的物料需求预测触发条件,即辅料需求预测触发条件与关重件需求预测触发条件。其中,辅料需求预测触发条件又分为周期触发和最小库存量触发,前者为定时对所有工位进行一次辅料需求预测,后者为当出现辅料可用量低于最小库存量的工位时,为该工位进行一次辅料需求预测;关重件需求预测触发条件为出现开始执行下一装配任务的工位,即出现开始执行新任务的工位。
本发明实施案例中,辅料可用量并非该工位辅料缓存区中的辅料实际余量,而是辅料实际余量与待送达辅料量之和,其计算公式如下:
C=Cr+c′*Δ (1)
式中,Cr为工位辅料缓存区中辅料实际余量,c′为工位待送达的辅料配送任务的个数,Δ为单次配送任务辅料补给量。
步骤2:判断是否为周期触发,若是,将所有工位设置为触发工位,将辅料可用量C低于最小库存量Cmin的工位设置为触发工位;
由于,周期触发为对所有工位进行一次辅料需求预测,因此,若辅料需求预测触发条件为周期触发时,将所有工位均设置为触发工位。若辅料需求预测触发条件不为周期触发,即辅料需求预测触发条件为最小库存量触发时,此时将辅料可用量低于最小库存量Cmin的工位设置为触发工位,通常最小库存量为保障工位正常装配所设置的辅料缓存区的最低要求量,若辅料可用量低于最小库存量,大概率将会影响该工位后续装配任务的执行,因此需立刻对该工位进行辅料需求预测,进行辅料补给。触发工位的设置用于明确哪些工位需要进行物料需求预测。
步骤3:根据关键基准件确定方法及工位完工耗时预测算法,确定触发工位的对应关键基准件及该关键基准件当前所在工位;
当确定存在辅料需求预测的触发工位后,根据关键基准件确定方法及工位完工耗时预测算法,确定触发工位的对应关键基准件及其当前所在工位。
工位完工耗时预测算法用于提供工位的装配任务的完工预测耗时,为关键基准件确定方法、辅料需求预测方法及关重件需求预测方法中的计算提供所需的完工预测耗时。关键基准件确定方法用于确定使触发工位的辅料可用余量达到Cmax-Δ或Cmin的基准件,其中,Cmax为工位辅料缓存区的最大库存量,Cmax-Δ和Cmin分别对应触发工位的辅料缓存区刚好可接受一次辅料任务补给和辅料可用余量已达最低限度。
关键基准件确定方法将在后续进行详细描述。
式中,为工位的完工耗时预测模型;p、CB、CAn、CKl分别为此次装配的工人信息、基准件的等级、第n种辅料的等级及第l种关重件的等级,为进行完工预测耗时所需提供的装配信息;N为工位装配需辅料种数;L为工位装配需关重件种数。工人信息p共有种取值,其中为工位可用工人数,为工位单次加工装配所需工人数,输入完工耗时预测模型的工人信息p取值由工人排班表决定。如,工位为双人协作工位,该工位可用工人数为3,对应工人分别为甲、乙、丙,因此工人信息p共有3种取值,工人信息p编码为{1,2,3},分别对应甲乙、甲丙、乙丙,当需对某基准件在该工位的完工耗时进行预测时,查询工人排班表中基准件在该工位装配时的对应工人组合,若为甲丙,则此次输入完工耗时预测模型的工人信息p为2。基准件等级、辅料等级及关重件等级的编码方式同工人信息,由于对工位完工耗时预测时,对应的基准件可能为该工位的当前加工基准件,也可能为未来加工基准件,前者的基准件、辅料、关重件均等级为已知,后者的基准件等级为已知,而辅料、关重件等级均为未知,此时,可当日BOM清单中各等级辅料、关重件占比,运用轮盘赌确定辅料、关重件等级,作为此次完工耗时预测的对应输入信息。
完工耗时预测模型可采用BP神经网络、基于仿生算法优化的BP神经网络、灰度理论预测模型等。本实施案例中,完工耗时预测模型采用改进蜻蜒算法优化的BP神经网络,改进蜻蜒算法优化的BP神经网络的本质为,将BP神经网络的初始权重和偏差作为蜻蜒个体,进行改进蜻蜒算法迭代,当算法满足迭代停止条件时,输出蜻蜒算法的食物,即蜻蜒算法的历史最优蜻蜒个体,作为BP神经网络的初始权重和偏差,改进蜻蜒算法优化的BP神经网络相比基础BP神经网络,可降低神经网络在训练中落入局部最优陷阱的可能,提升输出的神经网络为最优的概率。
改进蜻蜒算法优化的BP神经网络将在后续进行详细描述。
步骤4:根据辅料需求预测方法、工位完工耗时预测算法、触发工位的对应关键基准件及该关键基准件当前所在工位,确定触发工位需生成的辅料配送任务数及最佳送达时间段;
利用工位完工耗时预测算法获得辅料预测所需的完工预测耗时,基于获得的完工预测耗时数据,运用辅料需求预测方法,确定触发工位需生成的辅料配送任务数及每个辅料配送任务的最佳送达时间段。
辅料需求预测方法将在后续进行详细描述。
步骤5:根据关重件需求预测方法及工位完工耗时预测算法,确定并更新后续工位的关重件配送任务的最佳送达时间段。
利用工位完工耗时预测算法获得关重件需求预测所需的完工预测耗时,基于获得的完工预测耗时数据,运用关重件需求预测方法,确定并更新后续工位的关重件配送任务的最佳送达时间段。如,当基准件bj到达图3中的工位时,根据关重件需求预测方法可获得基准件bj到达后续工位的预测时刻,根据获得的预测时刻可确定工位针对基准件bj的配套关重件的最佳送达时间段,当基准件bj到达下一工位时,根据关重件需求预测方法对基准件bj到达后续工位的预测时刻进行更新,同时根据获得的预测时刻更新工位针对基准件bj的配套关重件的最佳送达时间段。通过将获得的带最佳送达时间段属性的关重件配送任务加入物料搬运系统的任务库中,物料搬运系统可提前对这些关重件配送任务进行路径规划、任务分配,由于上述任务为预测类任务,因此可降低路径堵塞对任务送达准时性的冲击,当物料搬运系统任务较少时,可安排搬运小车提前做好搬运准备。通过关重件需求预测,可为物料搬运系统提供充足的调度缓冲时间。
关重件需求预测方法将在后续进行详细描述。
图2为本发明所述的改进蜻蜒算法优化的BP神经网络的流程图,改进蜻蜒算法优化的BP神经网络,其建立包括以下步骤:
步骤3.1.1:确定BP神经网络的隐藏层的总层数U、隐藏层的第u层节点数nh,u、输入层的节点数I与输出层的节点数K。
BP神经网络包含1个输入层、自定义个隐藏层,1个输出层,在进行完工耗时预测模型的建立时,需首先确定隐藏层的总层数U、隐藏层的第u层节点数nh,u、输入层的节点数I与输出层的节点数K。优选地,隐藏层的总层数U为1,隐藏层的节点数nh,1为10,输入层的节点数I等于该工位进行完工耗时预测所需输入的装配信息的维度数,即公式(2)的变量数,不同工位因所需辅料种类数、关重件种类数不同,输入层的节点数I的值有所不同,如图3中的工位需1种辅料、1种关重件,工位需2种辅料、2种关重件,工位的完工耗时预测模型中神经网络的输入层节点数I分别为4、6。由于完工耗时预测模型仅输出完工耗时,因此BP神经网络的输出层的节点数K取值1。
步骤3.1.2:确定蜻蜒种群规模数DS、最大迭代次数tmax与蜻蜒个体的维数D。
蜻蜒种群规模数DS为蜻蜒种群中的蜻蜒个数,蜻蜒个体的维数D,即组成蜻蜒个体的对应解的分量数,等于BP神经网络的初始权重和偏差的个数之和,其计算方法如下:
步骤3.1.3:根据种群初始化方法,生成蜻蜒算法的初始种群。
依据种群初始化方法,生成用于蜻蜒算法迭代计算的初始种群。
本实施案例中,种群初始化方法为伯努利混沌映射种群初始化方法,包括以下步骤:
步骤3.1.3.1:根据伯努利混沌映射公式,获得含D*DS个数据的混沌序列[Z1,Z2,...,ZD*DS],伯努利混沌映射公式如下:
式中,λ取0.4;Z0为(0,1)的随机数。
步骤3.1.3.2:基于混沌序列,生成初始蜻蜒种群,初始种群中第i个蜻蜒个体的第j维分量的计算公式如下:
式中,i=1,2,...,D;lbj为蜻蜒个体的取值下限矩阵lb的第j维分量;ubj为蜻蜒个体的取值上限矩阵ub的第j维分量。
步骤3.1.3.3:采用随机初始化方法为初始种群中蜻蜒个体生成初始步长向量。
步骤3.1.4:计算蜻蜒个体的适应度值,若存在蜻蜒个体的适应度值优于食物,将食物更新为该蜻蜒个体,若存在蜻蜒个体的适应度值劣于天敌,将天敌更新为该蜻蜒个体。
蜻蜒算法中食物对应蜻蜒种群历史迭代中的最优解,天敌则对应最劣解,蜻蜒个体的优劣由其适应度值判断,当蜻蜒种群中出现适应度值优于食物的蜻蜒个体时,将食物更新为该蜻蜒个体,当蜻蜒种群中出现适应度值劣于天敌的蜻蜒个体时,将天敌更新为该蜻蜒个体。由于,改进蜻蜒算法优化的BP神经网络中蜻蜒算法用于为BP神经网络提供优质的初始权重和偏差,因此,蜻蜒个体的适应度值为该蜻蜒个体对应的BP神经网络的预测输出的均方误差,蜻蜒个体的适应度值的计算公式为:
式中,S为用于训练BP神经网络的样本数据数;k=1,2…,K;s=1,2…,S;ys,k为蜻蜒个体对应的BP神经网络对第s个样本数据所产生的第k个输出层节点的预测输出;为第s个样本数据中对应BP神经网络的第k个输出层节点的实际输出。上述所提的蜻蜒个体对应的BP神经网络,为将蜻蜒个体对应解作为BP神经网络的初始权重和偏差,利用样本数据库进行训练,所获得的神经网络。上述提到的样本数据库由多组样本数据组成,每个样本数据均有输入数据和输出数据组成,其中输入数据包含工人信息、基准件等级、辅料等级、关重件等级,输出数据为实际完工耗时。
步骤3.1.5:判断是否达到最大迭代次数,若是,进入步骤3.1.8;若否,进入步骤3.1.6。
判断改进蜻蜒算法是否达到最大迭代次数,若达到最大迭代次数,进入步骤3.1.8,输出食物对应解作为BP神经网络的初始权重和偏差,若未达到最大迭代次数,进入步骤3.1.6,为蜻蜒个体更新邻域半径。
步骤3.1.6:根据邻域半径更新机制,为蜻蜒个体更新邻域半径。
在蜻蜒算法中,邻域半径决定了蜻蜒个体的相邻个体数,即影响了蜻蜒个体下一步的位置和步长向量。改进蜻蜒算法优化的BP神经网络在进行蜻蜒个体的邻域半径时,引入了邻域半径奖惩机制。
邻域半径奖惩机制,为根据种群中蜻蜒个体适应度值对蜻蜒个体的邻域半径进行更新,种群中第i个蜻蜒个体的第j维的邻域半径更新公式如下:
式中,Ei为种群中第i个蜻蜒个体的适应度值;Emax为种群中所有蜻蜒个体的适应度值中的最大值;Emin为种群中所有蜻蜒个体的适应度值中的最小值;为奖惩系数,取0.5;Rj为蜻蜒个体的第j维的基本邻域半径,计算公式如下:
式中,iter为当前迭代次数;tmax为最大迭代次数。
步骤3.1.7:判断食物是否连续G次迭代未变化,若是,根据种群生成机制,生成新的种群,进入步骤3.1.4;若否,根据基本蜻蜒算法定义,更新蜻蜒个体位置和步长向量,进入步骤3.1.4。
判断食物是否连续G次迭代未变化,若是,说明此时种群一定概率陷入了局部最优陷阱,因此根据种群生成机制,生成新的种群,代替原来的种群进入下一次迭代,进入步骤3.1.4;若否,对种群中蜻蜒个体的位置及步长向量更新所需的算法参数进行更新,计算蜻蜒个体的五种行为分量,更新蜻蜒个体的位置和步长向量,形成下一代种群,进入步骤3.1.4。
本实施案例中,种群生成机制采用多级变异及种群初始化复合机制,多级变异及种群初始化复合机制包括以下步骤:
步骤3.1.7.1将当前种群O中蜻蜒个体按适应度值升序排列,选择位于设定比例的蜻蜒个体,对每个蜻蜒个体进行一次克隆,克隆时复制对应蜻蜒个体的步长向量属性,形成克隆种群A,对A中每个蜻蜒个体以概率0.1连续五次变异,对应步长向量保持不变,并将变异操作后的蜻蜒个体按适应度值升序排列,变异操作如下:
本实施案例中,设定比例设置为50%,使得克隆种群A的种群规模与当前种群O保持一致。
步骤3.1.7.2基于种群初始化方法,生成一个含DS个蜻蜒个体的新种群B,将B中蜻蜒个体按适应度值升序排列。
步骤3.1.7.3从A、B中各选择前0.1DS个蜻蜒个体作为补充蜻蜒,选中O中位于后0.2DS个蜻蜒个体,将其替换为补充蜻蜒,形成新的种群。
步骤3.1.8:将食物对应解作为BP神经网络的初始权重和偏差,利用样本数据库对BP神经网络进行训练,建立完工耗时预测模型。
关键基准件确定方法,包括以下步骤:
步骤3.2.2:确定关键基准件bj+x,x的计算公式为:
需注意的是,辅料配送任务的最佳送达时间段的起始时刻预测和截止时刻预测的x的计算公式不同。
步骤3.2.3:初始化变量k←1,w←0,z←0,y←0。
步骤3.2.5:获取工位当前加工基准件bj′,比较j′与j+x,若相等,y←1,输出k、w、z、y,算法结束;若j′>j+x,y←2,输出k、w、z、y,算法结束;若j′<j+x,k←k+1,进入步骤3.2.4。
步骤3.2.6:输出k、w、z、y,当y=0时,根据生产计划,获得关键基准件bj+x的计划排产时刻tp,即bj+x的首道工序的计划开始时刻。
通过调用关键基准件确定方法,获得变量k、w、z、y的值。z用于判断触发工位是否为装配线的首个工位,z=0表示触发工位为该装配线的首个工位,z=1表示触发工位不为该装配线的首个工位。y用于判断关键基准件bj+x的所在位置,y=0表示关键基准件bj+x还未进入装配线,处于排产状态;y=1表示关键基准件bj+x正在工位装配;y=2表示关键基准件bj+x已在工位完成装配,却未到达工位w用于判断关键基准件bj+x是否处于排产状态,w=0表示关键基准件bj+x已进入装配线;w=1表示关键基准件bj+x处于排产状态。
辅料需求预测方法,包括以下步骤:
步骤4.1:判断触发工位辅料可用量C是否大于Cmax-Δ,若是,进入步骤4.2;若否,进入步骤4.3;
步骤4.2:生成一个辅料配送任务,结束本次辅料需求预测方法调用,该辅料配送任务的最佳送达时间段的起始时刻TB与截止时刻TE的计算公式分别如下:
式中,y由关键基准件确定方法获得。
步骤4.3:判断触发工位辅料可用量C是否大于Cmin,若是,进入步骤4.4;若否进入步骤4.5;
步骤4.4:生成Ntask个辅料配送任务,结束本次辅料需求预测方法调用,Ntask的计算公式如下:
生成的第q个辅料配送任务的最佳送达时间段的起始时刻TB与截止时刻TE的计算公式分别如下:
TB=t0 (18)
式中,q=1,2,...Ntask。
步骤4.5:生成N′task个最佳送达时间段的起始时刻TB与截止时刻TE均为t0的辅料配送任务,结束本次辅料需求预测方法调用,N′task的计算公式如下:
关重件需求预测方法,包括以下步骤:
式中,Δtm为预测时间允许误差量,根据实际应用要求进行取值。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (9)
1.一种总装车间物料需求预测方法,其特征在于,包括以下步骤:
步骤1:判断是否满足辅料需求预测触发条件或关重件需求预测触发条件,若满足辅料需求预测触发条件,进入步骤2,若满足关重件需求预测触发条件,进入步骤5,若均不满足,进入步骤1;
步骤2:判断是否为周期触发,若是,将所有工位设置为触发工位,若否,将辅料可用量C低于最小库存量Cmin的工位设置为触发工位;
步骤3:根据关键基准件确定方法及工位完工耗时预测算法,确定触发工位的对应关键基准件及该关键基准件当前所在工位;
步骤4:根据辅料需求预测方法、工位完工耗时预测算法、触发工位的对应关键基准件及该关键基准件当前所在工位,确定触发工位需生成的辅料配送任务数及最佳送达时间段;
步骤5:根据关重件需求预测方法及工位完工耗时预测算法,确定并更新后续工位的关重件配送任务的最佳送达时间段。
2.根据权利要求1所述的一种总装车间物料需求预测方法,其特征在于,所述辅料需求预测触发条件,包括周期触发与最小库存量触发,其中,所述最小库存量触发,为出现辅料可用量低于最小库存量的工位,所述辅料可用量计算公式如下:
C=Cr+c′*Δ (1)
式中,Cr为工位辅料缓存区中辅料实际余量,c′为工位待送达的辅料配送任务的个数,Δ为单次配送任务辅料补给量;
所述关键基准件,为使触发工位的辅料可用余量C达到Cmax-Δ或Cmin的基准件,其中,Cmax为工位辅料缓存区的最大库存量。
4.根据权利要求3所述的一种总装车间物料需求预测方法,其特征在于,所述完工耗时预测模型,为改进蜻蜒算法优化的BP神经网络,其建立包括以下步骤:
步骤3.1.1:确定BP神经网络的隐藏层的总层数U、隐藏层的第u层节点数nh,u、输入层的节点数I与输出层的节点数K;
步骤3.1.2:确定蜻蜒种群规模数DS、最大迭代次数tmax与蜻蜒个体的维数D;
步骤3.1.3:根据种群初始化方法,生成蜻蜒算法的初始种群;
步骤3.1.4:计算蜻蜒个体的适应度值,若存在蜻蜒个体的适应度值优于食物,将食物更新为该蜻蜒个体,若存在蜻蜒个体的适应度值劣于天敌,将天敌更新为该蜻蜒个体;
步骤3.1.5:判断是否达到最大迭代次数,若是,进入步骤3.1.8,若否,进入步骤3.1.6;
步骤3.1.6:根据邻域半径更新机制,为蜻蜒个体更新邻域半径;
步骤3.1.7:判断食物是否连续G次迭代未变化,若是,根据种群生成机制,生成新的种群,进入步骤3.1.4,若否,根据基本蜻蜒算法定义,更新蜻蜒个体位置和步长向量,进入步骤3.1.4;
步骤3.1.8:将食物对应解作为BP神经网络的初始权重和偏差,利用样本数据库对BP神经网络进行训练,建立完工耗时预测模型,其中,样本数据库由多组样本数据组成,每组样本数据由输入数据和输出数据组成,其中输入数据包含工人信息、基准件等级、辅料等级、关重件等级,输出数据为实际完工耗时。
6.根据权利要求5的一种总装车间物料需求预测方法,其特征在于,所述种群生成机制,为多级变异及种群初始化复合机制,包括以下步骤:
步骤3.1.7.1将当前种群O中蜻蜒个体按适应度值升序排列,选择位于设定比例的蜻蜒个体,对每个蜻蜒个体进行一次克隆,克隆时复制对应蜻蜒个体的步长向量属性,形成克隆种群A,对A中每个蜻蜒个体以设定概率连续变异若干次,对应步长向量保持不变,并将变异操作后的蜻蜒个体按适应度值升序排列,变异操作如下:
步骤3.1.7.2基于种群初始化方法,生成一个含DS个蜻蜒个体的新种群B,将B中蜻蜒个体按适应度值升序排列;
步骤3.1.7.3从A、B中各选择前0.1DS个蜻蜒个体作为补充蜻蜒,选中O中位于后0.2DS个蜻蜒个体,将其替换为补充蜻蜒,形成新的种群。
7.根据权利要求1所述的一种总装车间物料需求预测方法,其特征在于,所述关键基准件确定方法,包括以下步骤:
步骤3.2.2:确定关键基准件bj+x,x的计算公式为:
式中,Δ为单次配送任务辅料补给量,b为工位单次加工辅料消耗量,t0为当前时刻,为基准件bj到达工位的时刻,为基准件bj在工位的预测完工耗时,Cmax为工位辅料缓存区最大辅料库存量,Cmin为工位辅料缓存区最小辅料库存量;
步骤3.2.3:初始化变量k←1,w←0,z←0,y←0;
步骤3.2.5:获取工位当前加工基准件bj′,比较j′与j+x,若相等,y←1,输出k、w、z、y,算法结束,若j′>j+x,y←2,输出k、w、z、y,算法结束,若j′<j+x,k←k+1,进入步骤3.2.4;
步骤3.2.6:输出k、w、z、y,当y=0时,根据生产计划,获得关键基准件bj+x的计划排产时刻tp,即bj+x的首道工序的计划开始时刻。
8.根据权利要求1所述的一种总装车间物料需求预测方法,其特征在于,所述辅料需求预测方法,包括以下步骤:
步骤4.1:判断触发工位辅料可用量C是否大于Cmax-Δ,若是,进入步骤4.2,若否,进入步骤4.3;
步骤4.2:生成一个辅料配送任务,结束本次辅料需求预测方法调用,该辅料配送任务的最佳送达时间段的起始时刻TB与截止时刻TE的计算公式分别如下:
式中,y由关键基准件确定方法获得;
步骤4.3:判断触发工位辅料可用量C是否大于Cmin,若是,进入步骤4.4;若否进入步骤4.5;
步骤4.4:生成Ntask个辅料配送任务,结束本次辅料需求预测方法调用,Ntask的计算公式如下:
生成的第q个辅料配送任务的最佳送达时间段的起始时刻TB与截止时刻TE的计算公式分别如下:
TB=t0 (18)
式中,q=1,2,...Ntask;
步骤4.5:生成N′task个最佳送达时间段的起始时刻TB与截止时刻TE均为t0的辅料配送任务,结束本次辅料需求预测方法调用,N′task的计算公式如下:
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776812.5A CN113496313A (zh) | 2021-07-09 | 2021-07-09 | 一种总装车间物料需求预测方法 |
PCT/CN2021/134700 WO2023279636A1 (zh) | 2021-07-09 | 2021-12-01 | 一种总装车间物料需求预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110776812.5A CN113496313A (zh) | 2021-07-09 | 2021-07-09 | 一种总装车间物料需求预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113496313A true CN113496313A (zh) | 2021-10-12 |
Family
ID=77996125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110776812.5A Pending CN113496313A (zh) | 2021-07-09 | 2021-07-09 | 一种总装车间物料需求预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113496313A (zh) |
WO (1) | WO2023279636A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023279636A1 (zh) * | 2021-07-09 | 2023-01-12 | 南京航空航天大学 | 一种总装车间物料需求预测方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115983901B (zh) * | 2023-03-17 | 2023-06-06 | 山东捷瑞数字科技股份有限公司 | 基于数字孪生的设备配件需求量预测方法、系统及介质 |
CN116610083B (zh) * | 2023-07-18 | 2023-11-10 | 成都飞机工业(集团)有限责任公司 | 一种面向大型复杂产品生产装配的动态调度方法 |
CN117391734B (zh) * | 2023-10-07 | 2024-03-26 | 华北电力大学 | 一种基于支持向量机回归模型的发电成本预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276439A (zh) * | 2007-03-30 | 2008-10-01 | 上海宝信软件股份有限公司 | 大宗物料资源集中统筹平衡优化仿真方法及系统 |
JP2013156693A (ja) * | 2012-01-26 | 2013-08-15 | Mitsubishi Heavy Ind Ltd | 需要予測装置、需要予測方法および需要予測プログラム |
CN112053082A (zh) * | 2020-09-15 | 2020-12-08 | 四川创客知佳科技有限公司 | 基于云计算的物料管理系统 |
CN112949993A (zh) * | 2021-02-03 | 2021-06-11 | 浙江富安莱科技有限公司 | 一种一线流智能化生产线共享协同平台及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11010697B1 (en) * | 2018-02-14 | 2021-05-18 | Amazon Technologies, Inc. | On-demand resource scheduling |
CN112150076B (zh) * | 2020-09-29 | 2023-11-21 | 陕西科技大学 | 基于工位排序的车间物料动态配送模型设计及实现方法 |
CN112418497B (zh) * | 2020-11-10 | 2023-04-11 | 河南科技大学 | 一种面向制造物联的物料配送路径优化方法 |
CN113496313A (zh) * | 2021-07-09 | 2021-10-12 | 南京航空航天大学 | 一种总装车间物料需求预测方法 |
-
2021
- 2021-07-09 CN CN202110776812.5A patent/CN113496313A/zh active Pending
- 2021-12-01 WO PCT/CN2021/134700 patent/WO2023279636A1/zh unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276439A (zh) * | 2007-03-30 | 2008-10-01 | 上海宝信软件股份有限公司 | 大宗物料资源集中统筹平衡优化仿真方法及系统 |
JP2013156693A (ja) * | 2012-01-26 | 2013-08-15 | Mitsubishi Heavy Ind Ltd | 需要予測装置、需要予測方法および需要予測プログラム |
CN112053082A (zh) * | 2020-09-15 | 2020-12-08 | 四川创客知佳科技有限公司 | 基于云计算的物料管理系统 |
CN112949993A (zh) * | 2021-02-03 | 2021-06-11 | 浙江富安莱科技有限公司 | 一种一线流智能化生产线共享协同平台及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023279636A1 (zh) * | 2021-07-09 | 2023-01-12 | 南京航空航天大学 | 一种总装车间物料需求预测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023279636A1 (zh) | 2023-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113496313A (zh) | 一种总装车间物料需求预测方法 | |
Dulebenets | An Adaptive Polyploid Memetic Algorithm for scheduling trucks at a cross-docking terminal | |
CN111862579B (zh) | 一种基于深度强化学习的出租车调度方法及系统 | |
Liao et al. | Metaheuristics for project and construction management–A state-of-the-art review | |
CN109359884A (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
Xu et al. | Functional objectives decisionmaking of discrete manufacturing system based on integrated ant colony optimization and particle swarm optimization approach | |
JP2002521756A (ja) | 資産集約製造業者のためのコンピュータ実装される価値管理ツール | |
CN104077634B (zh) | 基于多目标优化的主动‑反应式动态项目调度方法 | |
CN109272276A (zh) | 一种库存补货管理方法以及装置 | |
Ribas et al. | A micro-genetic algorithm for multi-objective scheduling of a real world pipeline network | |
CN115271130B (zh) | 面向船舶主动力设备维修订单的动态调度方法及系统 | |
CN114202439A (zh) | 一种离散制造企业订单评价体系下的生产重调度方法 | |
CN110490503A (zh) | 一种基于海量数据的物流配送车辆优化调度方法 | |
Möller et al. | Airline network revenue management by multistage stochastic programming | |
CN113158549B (zh) | 面向多样化任务的舰艇编队等级修理计划编制方法 | |
CN116341753A (zh) | 一种使用机器学习对区域二氧化碳排放预测的方法 | |
CN114819622A (zh) | 舰载机出动作业调度方法、装置、设备和介质 | |
CN116050752A (zh) | 基于数据驱动的神经网络代理辅助露天矿无人卡车调度方法 | |
Yan et al. | Study on optimization of a multi-location inventory model with lateral transshipment considering priority demand | |
Hu et al. | Joint optimization of age replacement and spare ordering policy based on genetic algorithm | |
Yan et al. | A job shop scheduling approach based on simulation optimization | |
Didden et al. | Workload Control in High-Mix-Low-Volume Factories Through the Use of a Multi-Agent System | |
CN111815061B (zh) | 一种基于svm解决天车调度过程中任务优先级划分方法 | |
TWI403963B (zh) | 預鑄廠存貨之管理方法 | |
Deng et al. | A learning approach to multi-robot task allocation with priority constraints and uncertainty |
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 |