CN113554225B - 一种基于藤壶交配算法的流水车间人力调度优化方法 - Google Patents

一种基于藤壶交配算法的流水车间人力调度优化方法 Download PDF

Info

Publication number
CN113554225B
CN113554225B CN202110829563.1A CN202110829563A CN113554225B CN 113554225 B CN113554225 B CN 113554225B CN 202110829563 A CN202110829563 A CN 202110829563A CN 113554225 B CN113554225 B CN 113554225B
Authority
CN
China
Prior art keywords
barnacle
chromosomes
parent
chromosome
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.)
Active
Application number
CN202110829563.1A
Other languages
English (en)
Other versions
CN113554225A (zh
Inventor
骆淑云
王无双
王成群
徐伟强
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.)
Zhejiang Sci Tech University ZSTU
Original Assignee
Zhejiang Sci Tech University ZSTU
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 Zhejiang Sci Tech University ZSTU filed Critical Zhejiang Sci Tech University ZSTU
Priority to CN202110829563.1A priority Critical patent/CN113554225B/zh
Publication of CN113554225A publication Critical patent/CN113554225A/zh
Application granted granted Critical
Publication of CN113554225B publication Critical patent/CN113554225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/12—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
    • 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
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种基于藤壶交配算法的流水车间人力调度优化方法，包括S1获取生产信息；S2生成Q个排工矩阵；S3将排工矩阵转化为藤壶染色体，计算适应度值，并进行优劣排序以形成种群，设置相应生殖器长度；S4选择父代、母代并根据生殖器长度产生相应子代；S5重新进行优劣排序，并将排序超过个数Q的染色体删除以更新种群；S6判断所有染色体适应度值是否一致，若是进行步骤S7若否进行步骤S8；S7判断是否达到预设迭代次数，若是输出最优解，若否则设置生殖器长度为0并返回步骤S4；S8判断是否达到预设迭代次数，若是则输出最优解，若否则返回步骤S4。本发明考虑了各员工对各工序的熟练度，并采用藤壶交配算法进行排工，优化了流水车间人力调度方案。

Description

一种基于藤壶交配算法的流水车间人力调度优化方法
技术领域
本发明属于人力调度技术领域，尤其涉及一种基于藤壶交配算法的流水车间人力调度优化方法。
背景技术
生产调度是一个决策过程，即为组织执行生产调度计划的工作，在制造和生产系统中起着重要的作用。有效的生产调度不仅可以提高生产量，还可以提高客户满意度，减少成本消耗以及环境污染等。
劳动密集型产业，是我国的支柱型产业。由于该行业的劳动强度大且专业要求高，导致近年来一些劳动力新生力量不愿意进入到这个行业中，人力资源成为了劳动密集型产业的宝贵财富。举例来说，服装行业是一个典型的劳动密集型产业。近年来，人们的消费水平在不断提高，服装款式、流行趋势也日新月异。为了在消费市场中保持竞争力，服装企业必须迎合消费者的这些需求。因此，服装企业必须以更快的速度生产出产品，需要大量的人力资源。然而，招聘新员工需要高昂成本，如果不合理利用已有的人力资源，将会对企业造成极大浪费。员工对于不同工序的熟练程度存在多样性，因此，人力调度并不只是单纯地考虑各工序上的人数，而应该将各员工对各道工序的熟悉程度考虑在内。
目前存在一些兼顾人力与机器资源的生产调度研究成果。Guiliang Gong等人同时考虑了机器与工人的柔性以及加工时间、能源消耗和工人成本等因素。FatemehBozorgnezhad等人研究了包括寻找最佳工人分配的柔性流水车间调度问题。Paolo Renna等人利用博弈论提出了一种新的双重资源约束作业车间工人分配原则。FatemehBozorgnezhad等人研究了同时考虑最佳工人分配的柔性流水车间调度问题，以期望完工时间最小化。M.K.Marichelvam等人研究了在每个阶段具有相同并行机的多阶段混合流水车间调度问题，考虑到了员工的技能水平不同以及遗忘效应的影响。然而以上研究都没有考虑在没有机器参与的场景下，流水车间中员工熟练程度对排工策略的影响。
例如申请号为CN202011606759.6的中国专利，其公开了一种流水车间人力调度优化方法，为了使总完工时间最小化，建立了一个优化目标为各道工序处理能力近似相等的流水车间劳动力调度模型，并建立相关的约束条件，与此同时利用贪心算法，得到最优流水车间人力调度方案。但是其并未考虑流水车间中员工熟练程度对排工策略的影响。
发明内容
本发明针对现有技术存在的问题，提出了一种基于藤壶交配算法的流水车间人力调度优化方法。本发明是通过以下技术方案得以实现的：
一种基于藤壶交配算法的流水车间人力调度优化方法，包括步骤：
S1、获取生产信息，生产信息包括生产产品的总件数、工序数、各工序的基础时间、员工数以及各员工对各工序的熟练度；
S2、根据生产信息以及约束条件生成Q个排工矩阵；
S3、将每个排工矩阵转化为藤壶染色体，并根据生产信息计算藤壶染色体的适应度值，根据适应度值大小对藤壶染色体进行优劣排序，以形成藤壶染色体个数为Q的种群，并设置相应生殖器长度；
S4、在种群中随机选择藤壶染色体作为父代、母代藤壶染色体，并根据生殖器长度，产生相应子代藤壶染色体，并根据生产信息计算子代藤壶染色体的适应度值；
S5、将所有藤壶染色体合并，并根据适应度值重新进行优劣排序，并将排序超过个数Q的藤壶染色体删除，以更新种群；
S6、判断种群内所有藤壶染色体的适应度值是否一致，若是进行步骤S7，若否进行步骤S8；
S7、判断是否达到预设迭代次数，若是则输出当前种群中最优的藤壶染色体对应的排工矩阵，若否则设置生殖器长度为0并返回步骤S4；
S8、判断是否达到预设迭代次数，若是则输出当前种群中最优的藤壶染色体对应的排工矩阵，若否则返回步骤S4。
优选地，步骤S1中所述各员工对各工序的熟练度用以下矩阵表示：
其中，kij表示第i个员工对第j道工序的熟悉程度，kij∈(0,1)，R表示员工数，N表示工序数，M表示产品总件数。
优选地，步骤S2中所述排工矩阵表示为：
其中，xij表示第i个员工是否被安排在第j道工序，是即为1，不是即为0。
优选地，步骤S3中所述将每个排工矩阵转化为藤壶染色体具体包括：
将排工矩阵每一行中1所在位置编码，以转化为藤壶染色体，藤壶染色体长度即为员工数，染色体中第i个基因位上的数字j即为第i个员工被安排到了第j道工序上。
优选地，步骤S3中所述根据生产信息计算藤壶染色体的适应度值具体为：
根据生产信息计算排工矩阵相应排工策略所需的生产时间，并将生产时间作为该排工矩阵相应藤壶染色体的适应度值。
优选地，生产时间的计算公式为：
其中，Yj表示在第j道工序开始运转后，在第j道工序以及第j道工序之前
-的工序上的所有产品都流动一次所需的时间，Yj表示所有产品都经过了第j-1道工序后，此时在第j道工序以及第j道工序之后的工序上的所有产品都流动一次所需的时间。
优选地，
其中，tN表示第N道工序的基础时间，基础时间表示对该道工序熟练度为1的员工在该工序上加工一件产品的时间。
优选地，步骤S4中，当父代、母代藤壶染色体的距离在生殖器长度之内，则通过父代、母代藤壶染色体交配以产生子代藤壶染色体，当父代、母代藤壶染色体的距离在生殖器长度之外，则通过母代藤壶染色体自我变异，以产生子代藤壶染色体。
优选地，通过父代、母代藤壶染色体交配以产生子代藤壶染色体具体为：50％的概率复制母代藤壶染色体基因，50％的概率复制父代藤壶染色体的基因，以生成子代藤壶染色体；
通过母代藤壶染色体自我变异，以产生子代藤壶染色体具体为：当种群内所有藤壶染色体的适应度值不一致时，随机产生两个小于母代藤壶染色体上基因总数的随机数，将这两个数之间的基因翻转，以产生子代藤壶染色体，当种群内所有藤壶染色体的适应度值一致时，随机选择母代藤壶染色体上的两个基因位，交换两个基因位上的值，以产生子代藤壶染色体。
优选地，步骤S2中所述约束条件包括每个员工只能被分配到一道工序上，还包括每道工序上至少安排一个员工。
本发明的有益效果是：
1、本发明进行排工策略设计时，考虑了不同员工对于各工序的不同熟练度，优化了车间人力调度方案，使最终得到的排工策略生产效率更高。
2、将遗传算法中的染色体编码方式与藤壶交配算法相结合，有效地解决了排工排产问题，且收敛速度快，从一定意义上达到了流水车间智能排工的效果。
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为一种基于藤壶交配算法的流水车间人力调度优化方法的流程图；
图2是藤壶染色体编码示意图；
图3是交配产生子代的示意图；
图4是母代染色体第一种自我变异方式的示意图；
图5是母代染色体第二种自我变异方式的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细的说明。
参照图1，本实施例提供了一种基于藤壶交配算法的流水车间人力调度优化方法，包括步骤：
S1、获取生产信息，生产信息包括生产产品的总件数、工序数、各工序的基础时间、员工数以及各员工对各工序的熟练度；
S2、根据生产信息以及约束条件生成Q个排工矩阵(这里Q可以根据实际情况进行设置)；
S3、将每个排工矩阵转化为藤壶染色体，并根据生产信息计算藤壶染色体的适应度值，根据适应度值大小对藤壶染色体进行优劣排序，以形成藤壶染色体个数为Q的种群，并设置相应生殖器长度(需要注意的是：这里所述的生殖器长度可随不同生产规模以及Q个体数大小进行相应设置)；
S4、在种群中随机选择藤壶染色体作为父代、母代藤壶染色体，并根据生殖器长度，产生相应子代藤壶染色体，并根据生产信息计算子代藤壶染色体的适应度值；
S5、将所有藤壶染色体合并，并根据适应度值重新进行优劣排序，并将排序超过个数Q的藤壶染色体删除，以更新种群；
S6、判断种群内所有藤壶染色体的适应度值是否一致，若是进行步骤S7，若否进行步骤S8；
S7、判断是否达到预设迭代次数，若是则输出当前种群中最优的藤壶染色体对应的排工矩阵，若否则设置生殖器长度为0并返回步骤S4(即开始搜寻局部最优解的邻域解)；
S8、判断是否达到预设迭代次数，若是则输出当前种群中最优的藤壶染色体对应的排工矩阵，若否则返回步骤S4。
具体地：
以下内容涉及的公式中参数和符号含义如下表1所示：
步骤S1中所述各员工对各工序的熟练度用以下矩阵表示：
其中，kij表示第i个员工对第j道工序的熟悉程度，kij∈(0,1)，R表示员工数，N表示工序数，M表示产品总件数。
步骤S2中所述排工矩阵表示为：
其中，xij表示第i个员工是否被安排在第j道工序，是即为1，不是即为0。
取XTK对角线上的值即为各道工序上所有工人熟悉程度的累加值。
本实施例的目标函数为：
即使得完成该订单的时间最短，且希望每道工序的处理能力近似相等。
步骤S3中所述将每个排工矩阵转化为藤壶染色体具体包括：
将排工矩阵每一行中1所在位置编码，以转化为藤壶染色体，藤壶染色体长度即为员工数，染色体中第i个基因位上的数字j即为第i个员工被安排到了第j道工序上。参照图2所示员工数为20人，第一个员工被分配到了第10道工序上，第二个员工被分配到了第1道工序上，等等。
步骤S3中所述根据生产信息计算藤壶染色体的适应度值具体为：
根据生产信息计算排工矩阵相应排工策略所需的生产时间，并将生产时间作为该排工矩阵相应藤壶染色体的适应度值。
生产时间的计算方式如下：
现假设，产品在上一道工序处理完毕后，若下一道工序处于空闲状态，则能立即流入下道工序进行处理。由于工序间的传输距离较短，因此暂不考虑产品在两道工序之间的传输时间。第一件产品在第一道工序上所需的处理时间为为方便表示，令当第一件产品在第一道工序上处理完毕后，立即流入第二道工序进行处理，同时第二件产品流入第一道工序进行处理。那么第一件和第二件产产品都流入下一道工序之前所需的时间为/>令/>以此类推，直到所有工序都开始运作，各工序上所有产品都流动一次所需的时间为加工到后期，所有产品都经过了第一道工序，此时各工序上所有产品都流动一次所需的时间为/>令/>当所有产品都经过了第二道工序，此时各工序上所有产品都流动一次所需的时间为/>令以此类推，直到最后一件产品在最后一道工序上加工，所需时间为/>需要说明的是，流动一次即从上一道工序流动至下一道工序。
总完工时间即：
约束条件可以表示为：
tj≥0 (5)
rj∈Z+ (6)
M>>N(8)
公式(2)表示M件产品的完工时间；约束条件(3)表示每个员工只能被分配到一道工序上；约束条件(4)表示员工人数有限；约束条件(5)表示所有工序的基础时间必须是正数；约束条件(6)表示每道工序上安排的员工数必须是正整数；约束条件(7)表示每道工序上至少安排了一个员工；约束条件(8)表示产品件数远大于工序数。
步骤S4中，当父代、母代藤壶染色体的距离在生殖器长度之内，则通过父代、母代藤壶染色体交配以产生子代藤壶染色体，当父代、母代藤壶染色体的距离在生殖器长度之外，则通过母代藤壶染色体自我变异，以产生子代藤壶染色体。
参照图3，通过父代、母代藤壶染色体交配以产生子代藤壶染色体具体为：50％的概率复制母代藤壶染色体基因，50％的概率复制父代藤壶染色体的基因，以生成子代藤壶染色体；
通过母代藤壶染色体自我变异，以产生子代藤壶染色体具体为：
参照图4，当种群内所有藤壶染色体的适应度值不一致时，随机产生两个小于母代藤壶染色体上基因总数的随机数，将这两个数之间的基因翻转，以产生子代藤壶染色体；
参照图5，当种群内所有藤壶染色体的适应度值一致时，随机选择母代藤壶染色体上的两个基因位，交换两个基因位上的值，以产生子代藤壶染色体。
作为验证，本实例中还进行了如下实验。假设目前服装厂接到单子生产某一款衣服100件，生产该种衣服需要10道工序，各道工序所需基础时间为：5、8、10、15、13、7、20、6、9、17分钟，待安排总员工为20人，员工对各道工序的熟练程度用以下矩阵表示，熟练程度为0-1之间的小数。其中行表示员工，列表示工序：
设置排工矩阵的数量Q为1500，设置藤壶生殖器长度为1000，预设迭代次数为450次。按照本实施例中上述的流程运行50次后得到上述10道工序20人生产100件衣服所需的平均完工时间为843.37分钟，通过枚举法得出该情况下的最优解为818.39分钟，即可知通过自编码藤壶算法得出的近似最优解与最优解之间的近似比为97.04％。
综上，本实例针对流水车间进行了具体分析，与以往的建模方式不同，本发明从整体上来考虑，将一道工序看做一个节点，所安排员工的熟练程度总和越大，该道工序的处理能力就越强；为了使总完工时间最小化，建立了一个优化目标为各道工序处理能力近似相等的流水车间劳动力调度模型，并建立相关的约束条件；与此同时设计自编码的藤壶交配算法，得到流水车间人力调度方案。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围内。

Claims (10)

1.一种基于藤壶交配算法的流水车间人力调度优化方法，其特征在于，包括步骤：
S1、获取生产信息，生产信息包括生产产品的总件数、工序数、各工序的基础时间、员工数以及各员工对各工序的熟练度；
S2、根据生产信息以及约束条件生成Q个排工矩阵；
S3、将每个排工矩阵转化为藤壶染色体，并根据生产信息计算藤壶染色体的适应度值，根据适应度值大小对藤壶染色体进行优劣排序，以形成藤壶染色体个数为Q的种群，并设置相应生殖器长度；
S4、在种群中随机选择藤壶染色体作为父代、母代藤壶染色体，并根据生殖器长度，产生相应子代藤壶染色体，并根据生产信息计算子代藤壶染色体的适应度值；
S5、将所有藤壶染色体合并，并根据适应度值重新进行优劣排序，并将排序超过个数Q的藤壶染色体删除，以更新种群；
S6、判断种群内所有藤壶染色体的适应度值是否一致，若是进行步骤S7，若否进行步骤S8；
S7、判断是否达到预设迭代次数，若是则输出当前种群中最优的藤壶染色体对应的排工矩阵，若否则设置生殖器长度为0并返回步骤S4；
S8、判断是否达到预设迭代次数，若是则输出当前种群中最优的藤壶染色体对应的排工矩阵，若否则返回步骤S4。
2.根据权利要求1所述的一种基于藤壶交配算法的流水车间人力调度优化方法，其特征在于，步骤S1中所述各员工对各工序的熟练度用以下矩阵表示：
其中，kij表示第i个员工对第j道工序的熟悉程度，kij∈(0,1)，R表示员工数，N表示工序数，M表示产品总件数。
3.根据权利要求2所述的一种基于藤壶交配算法的流水车间人力调度优化方法，其特征在于，步骤S2中所述排工矩阵表示为：
其中，xij表示第i个员工是否被安排在第j道工序，是即为1，不是即为0。
4.根据权利要求3所述的一种基于藤壶交配算法的流水车间人力调度优化方法，其特征在于，步骤S3中所述将每个排工矩阵转化为藤壶染色体具体包括：
将排工矩阵每一行中1所在位置编码，以转化为藤壶染色体，藤壶染色体长度即为员工数，染色体中第i个基因位上的数字j即为第i个员工被安排到了第j道工序上。
5.根据权利要求4所述的一种基于藤壶交配算法的流水车间人力调度优化方法，其特征在于，步骤S3中所述根据生产信息计算藤壶染色体的适应度值具体为：
根据生产信息计算排工矩阵相应排工策略所需的生产时间，并将生产时间作为该排工矩阵相应藤壶染色体的适应度值。
6.根据权利要求5所述的一种基于藤壶交配算法的流水车间人力调度优化方法，其特征在于，生产时间的计算公式为：
其中，Yj表示在第j道工序开始运转后，在第j道工序以及第j道工序之前的工序上的所有产品都流动一次所需的时间，表示所有产品都经过了第j-1道工序后，此时在第j道工序以及第j道工序之后的工序上的所有产品都流动一次所需的时间。
7.根据权利要求6所述的一种基于藤壶交配算法的流水车间人力调度优化方法，其特征在于：
…，/> …，/>
其中，tN表示第N道工序的基础时间，基础时间表示对该道工序熟练度为1的员工在该工序上加工一件产品的时间。
8.根据权利要求1所述的一种基于藤壶交配算法的流水车间人力调度优化方法，其特征在于，步骤S4中，当父代、母代藤壶染色体的距离在生殖器长度之内，则通过父代、母代藤壶染色体交配以产生子代藤壶染色体，当父代、母代藤壶染色体的距离在生殖器长度之外，则通过母代藤壶染色体自我变异，以产生子代藤壶染色体。
9.根据权利要求8所述的一种基于藤壶交配算法的流水车间人力调度优化方法，其特征在于：
通过父代、母代藤壶染色体交配以产生子代藤壶染色体具体为：50％的概率复制母代藤壶染色体基因，50％的概率复制父代藤壶染色体的基因，以生成子代藤壶染色体；
通过母代藤壶染色体自我变异，以产生子代藤壶染色体具体为：当种群内所有藤壶染色体的适应度值不一致时，随机产生两个小于母代藤壶染色体上基因总数的随机数，将这两个数之间的基因翻转，以产生子代藤壶染色体，当种群内所有藤壶染色体的适应度值一致时，随机选择母代藤壶染色体上的两个基因位，交换两个基因位上的值，以产生子代藤壶染色体。
10.根据权利要求1所述的一种基于藤壶交配算法的流水车间人力调度优化方法，其特征在于，步骤S2中所述约束条件包括每个员工只能被分配到一道工序上，还包括每道工序上至少安排一个员工。
CN202110829563.1A 2021-07-22 2021-07-22 一种基于藤壶交配算法的流水车间人力调度优化方法 Active CN113554225B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110829563.1A CN113554225B (zh) 2021-07-22 2021-07-22 一种基于藤壶交配算法的流水车间人力调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110829563.1A CN113554225B (zh) 2021-07-22 2021-07-22 一种基于藤壶交配算法的流水车间人力调度优化方法

Publications (2)

Publication Number Publication Date
CN113554225A CN113554225A (zh) 2021-10-26
CN113554225B true CN113554225B (zh) 2023-09-26

Family

ID=78104061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110829563.1A Active CN113554225B (zh) 2021-07-22 2021-07-22 一种基于藤壶交配算法的流水车间人力调度优化方法

Country Status (1)

Country Link
CN (1) CN113554225B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016169286A1 (zh) * 2015-04-20 2016-10-27 海安县申菱电器制造有限公司 一种离散制造系统的车间布局方法
CN110750079A (zh) * 2019-10-25 2020-02-04 福州大学 一种允许工序跳跃的混合流水车间调度优化方法
WO2021013338A1 (en) * 2019-07-23 2021-01-28 Nokia Technologies Oy Integration of communication network in time sensitive networking system
CN112836928A (zh) * 2020-12-28 2021-05-25 浙江理工大学 一种流水车间人力调度优化方法
CN113009890A (zh) * 2021-01-25 2021-06-22 南京工业大学 一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016169286A1 (zh) * 2015-04-20 2016-10-27 海安县申菱电器制造有限公司 一种离散制造系统的车间布局方法
WO2021013338A1 (en) * 2019-07-23 2021-01-28 Nokia Technologies Oy Integration of communication network in time sensitive networking system
CN110750079A (zh) * 2019-10-25 2020-02-04 福州大学 一种允许工序跳跃的混合流水车间调度优化方法
CN112836928A (zh) * 2020-12-28 2021-05-25 浙江理工大学 一种流水车间人力调度优化方法
CN113009890A (zh) * 2021-01-25 2021-06-22 南京工业大学 一种基于bmo-lssvm的火电厂scr烟气脱硝控制系统的优化控制方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Barnacles mating optimizer: A new bio-inspired algorithm for solving engineering optimization problems;Sulaiman M H等;《Engineering Applications of Artificial Intelligence》;全文 *
基于演化算法求解组合优化问题的研究;翟庆雷;《中国优秀硕士学位论文全文数据库》;全文 *
基于遗传算法的多目标生产作业调度研究;李彬彬;《上海：东华大学》;全文 *
生产调度指挥中调度信息处理方式现状及发展趋势探究;郑山;《现代经济信息》;全文 *

Also Published As

Publication number Publication date
CN113554225A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN104808636B (zh) 柔性流水车间能耗优化调度方法
CN110543151A (zh) 基于改进nsga-ⅱ求解车间节能调度问题的方法
CN111966049B (zh) 一种混合流水车间生产设备调度控制方法
CN112381273B (zh) 一种基于u-nsga-iii算法的多目标作业车间节能优化方法
CN110414863A (zh) 一种智能制造车间资源调度方法
Zhang et al. Multi-objective scheduling simulation of flexible job-shop based on multi-population genetic algorithm
CN106970604A (zh) 一种基于蚁群算法的多目标工件调度算法
CN112859785B (zh) 基于多目标优化算法的纸盆车间生产调度方法及调度系统
CN112699544A (zh) 一种多目标柔性作业车间调度方法
CN116307008A (zh) 一种mto和mts混合生产模式下aps排产方法
CN112163808B (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
Wang et al. An online optimization scheme of the dynamic flexible job shop scheduling problem for intelligent manufacturing
CN113554225B (zh) 一种基于藤壶交配算法的流水车间人力调度优化方法
CN112257922A (zh) 一种柔性作业车间调度优化方法
CN116360355A (zh) 基于nsga-iii算法求解车间调度问题的方法
Mahdavi et al. Aggregate hybrid flowshop scheduling with assembly operations
CN105427058A (zh) 一种基于遗传算法的发动机测试线工位分配优化方法
CN111208794A (zh) 基于差分进化算法的离散制造车间静态调度优化方法
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
CN112836928B (zh) 一种流水车间人力调度优化方法
CN113112171A (zh) 一种基于轮盘赌和遗传算法的批调度方法
Dhingra et al. Hybrid genetic algorithm for SDST flow shop scheduling with due dates: a case study
CN113240176B (zh) 基于有限人员即时站位的单元式装配车间智能排产方法
Verma et al. Solving the job-shop scheduling problem by using genetic algorithm
CN115237076B (zh) 一种基于深度强化学习的考虑维护决策的单机调度方法

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