CN113762754A - 一种混合车间低熵自适应调度方法 - Google Patents
一种混合车间低熵自适应调度方法 Download PDFInfo
- Publication number
- CN113762754A CN113762754A CN202111005874.2A CN202111005874A CN113762754A CN 113762754 A CN113762754 A CN 113762754A CN 202111005874 A CN202111005874 A CN 202111005874A CN 113762754 A CN113762754 A CN 113762754A
- Authority
- CN
- China
- Prior art keywords
- assembly
- time
- product
- low
- entropy
- 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
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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种混合车间低熵自适应调度方法,包括以下步骤:1)获取车间生产的产品数据,包括产品种类及数目,产品需求量,各个产品的工序、加工单元与加工时间,以及各个加工单位内的机器数量的数据信息,对获得的产品数据进行分析处理;2)建立混合车间低熵自适应调度仿真模型,对车间各个低熵目标建立对应的目标函数及约束条件,并进行统合,得到最后的总目标函数;3)使用Pareto解集法求得最优解,通过算法得到调度方案。本发明以熵作为车间受到的干扰判断指标,结合自适应调度方法和混合车间调度方法,提出一类混合车间低熵自适应调度策略,该方法采用多目标粒子群算法与自适应调度的资源集合更新结合,能够有效得到合理的调度方案。
Description
技术领域
本发明涉及一种混合车间低熵自适应调度方法。
背景技术
目前,车间生产调度问题求解已比较广泛,求解算法较多,有数学规划法、智能算法、系统仿真等等,多数方法主要针对自动化程度较高的流水线或者装配线,但是对于在低熵环境下的加工、装配统一综合调度问题尚研究不多,特别是面对车间扰动的不确定情况,如机器故障、订单波动、操作延时等,如何提高混合车间的抗扰动能力,实现自适应调度,提高生产效率等方面的研究成果较少,多集中于加工和装配分开进行研究。急需一类针对具有高复杂性、多目标性和强扰动性的混合车间,对低熵的背景下的自适应调度方法设计。
发明内容
为解决当前车间调度方法抗干扰能力不强的问题,本发明的目的在于提供一种混合车间低熵自适应调度方法。本发明以熵作为车间受到的干扰判断指标,结合自适应调度方法和混合车间调度方法,提出一类混合车间低熵自适应调度策略。该方法考虑了最小化最大装配体完工时间、最小化总装完工时间和最低库存成本,最低效率损失成本、最低资源闲置成本和最大订单完成数等6个低熵目标,采用多目标粒子群算法与自适应调度的资源集合更新结合,能够有效得到合理的调度方案。
一种混合车间低熵自适应调度方法,其特征在于包括以下步骤:
1)获取产品数据包括产品种类及数目,产品需求量,各个产品的工序及加工单元与加工时间,各个加工单位内的机器数量等数据,对需要的数据进行处理并输入;
2)建立混合车间低熵自适应调度仿真模型,对车间6个低熵目标(6个低熵目标分别为最小化最大装配体完工时间、最小化总装完工时间、最低库存成本,最低效率损失成本、最低资源闲置成本和最大订单完成数)建立对应的目标函数及约束条件,并进行统合,得到最后的总目标函数;
3)针对步骤2)获得的总目标函数,使用Pareto解集法求得最优解,通过算法得到调度方案。
本发明结合产品数据和目标函数,并使用Pareto解集法求得最优解。考虑订单波动、机器故障和操作延时进行扰动等扰动情况,本发明在自适应调度上采用混合驱动机制,并且采用资源更新的方式使扰动对调度的影响降到最低。使用多目标粒子群算法进行求解,得到初始解后对模型进行调试,得到优解,分析,得到结论。
所述的一种混合车间低熵自适应调度方法,其特征在于步骤2)中,建立低熵目标函数及约束条件,并统合得到总目标函数具体步骤如下:
S1:建立低熵目标
根据低熵指标推导,可以确定低熵指标分为低碳和抗扰动能力两个部分,其中低碳指标包括最小化最大装配体完工时间、最小化最大产品总完工时间和最低库存成本三个目标,抗扰动能力指标包括最低效率损失成本、最低资源闲置成本和最大订单完成量;
首先各种指标变量定义如下:
根据低熵指标推导,可以确定低熵指标分为低碳和抗扰动能力两个部分,其中低碳指标包括最小化最大装配体完工时间、最小化最大产品总完工时间和最低库存成本三个目标,抗扰动能力指标包括最低效率损失成本、最低资源闲置成本和最大订单完成量;
首先各种指标变量定义如下:
i——N个产品中的任意一个产品;
j-产品J个装配体中的任意一个装配体;
k——某装配体中O个工序中的任意一个工序;
r——M台机器中任意一台设备;
m——总装配工位节点;
h——订单号;
H——总共生产订单数量;
U——总装陪工位数量;
T——加工时间;
S——开始加工时间;
α——装配体提前完工的惩罚因子;
β——装配体配送到装配线延迟的惩罚因子;
li——i产品的数量;
lij——i产品的j装配体数量;
Sijm——i产品的j装配体在装配工位节点m的开始装配时间;
Sijo——i产品的j装配体的子项开始装配时间;
Eijm——i产品j装配体在总装配节点m的完工时间;
Tijm——i产品的j装配体在装配工位节点m所需要的装配时间;
Tijo——i产品的j装配体的子项所需要的时间;
Sijkr——i产品的j号装配体的k工序在设备r上的开始加工时间;
Tijkr——i产品的j号装配体的k工序在设备r上的加工时间,其中已经包含准备时间和转换时间;
Cij——某装配工位节点对装配体j的需求到达时间;
Eij——i产品的j装配体的完工时间;
Rijm——布尔变量,总装配节点m上是否需要装配体j;
WCij——i产品j装配体库存成本;
cdij——i产品的j装配体的库存时间;
gm——单位时间发生的库存管理成本;
Wh——订单h的权重;
pc——效率损失成本;
aij——i产品的j装配体现有加工数量;
ztijk——i产品的j装配体的第k道工序的加工准备和转换时间;
bmj——不同装配体单元的单位时间准备成本;
sc——资源闲置成本;
Elj——j装配体加工单元中没有进行加工的机器的空闲时间或者是发生故障的机器的未加工时间;
pmj——人操纵机器进行装配体j加工的单位成本。
多目标函数低碳指标如下:
1)最小化最大装配体完工时间FJ,如下式:
2)最小化最大总装完工时间FZ,如下式:
3)库存成本在发生即时产品量超过设定在制品库存量时有效,所以最小化库存成本WC,如下式:
WCij=cdij×gm (3)
低熵多目标函数抗扰动能力指标如下:
1)为达到最有目标保证在扰动下达到最大订单完成量,其中设置订单权重,表示每个订单的优先级,优先完成权重高的订单最大加权订单完成数FD如下:
2)各个单元装配体由于异动造成的额外准备和切换的成本的效率损失成本pc,如下式:
3)低熵化车间要求机器的利用率高,尽量降低成本,这里的资源不仅仅指机器,还有人力资源。可将利用率指标转化为成本,即若发生扰动,车间可用资源可进行组合和重新分配,得到资源闲置成本sc如下:
S2:主要有以下约束条件:
1)0时刻开始加工约束:
2)加工先后顺序约束:
3)同一时间机器加工一个任务约束:
4)子项装配后进行总装的约束:
Sijo+Tijo≤Sijm j=1,2,…,J (10)
5)订单是否满足交货期任务约束:
6)装配体J完工时间在总装任务前的约束:
(1-Rijm)×Sijm+c≥Cij (C为常数) (12)
7)时间状态变量为正的约束:
Sijm≥0;Sijmr≥0;Tijm≥0;Tijmr≥0 (13)
S3:上述6项低熵指标并不在统一的维度上,所以对混合车间调度建立以下模型:
S=(Time,Cost,FD) (14)
St.Time=Minimize(FJ+FZ) (15)
Cost=min(pcij+scj+wcij) (16)
上式中:多目标调度模型糅合成三个因素组成的向量,Time指时间向量,cost指成本向量,FD表示加权订单完成数量。三个因子由于在不同纬度,所以本发明采用Pareto解集法求得最优解。
本发明结合产品数据和目标函数,并使用Pareto解集法求得最优解之后,采用Visual Basic和MATLAB建立了混合车间低熵自适应调度仿真模型,对仿真系统界面和程序进行开发设计。所述的基于Visual Basic和MATLAB设计混合车间低熵自适应调度模型,模型流程图如图2所示:
仿真模型界面基于Visual Basic和MATLAB设计,设计主要包含如下:
1)输入界面设计包含:订单信息输入界面,BOM信息管理界面,产品工序信息输入;
2)运行界面设计包含:仿真界面运行,异常扰动资源更新主界面,异常扰动机器资源集合更新界面;
3)输出界面设计包含:输出调度的数据表和调度甘特图。
一种混合车间低熵自适应调度方法,其特征在于步骤3)中,具体解法为改良的多目标粒子群算法算法,
所述的一种混合车间低熵自适应调度方法,其特征在于步骤3)中,使用Pareto解集法求得最优解的具体解法为改良的多目标粒子群算法算法,改进的多目标粒子群算法的处理过程包括以下步骤:
1)初始化种群,设置算法参数,初始化外部文档非劣解集Rt为空集;
2)根据已经有的目标函数,计算求解每个算子的适应度值;
3)更新每个算子,将它的适应度值与它自身所经历过的最好位置pbest进行比较,如果适应度值新的粒子较好,则将其当作最好位置;
4)按照Pareto的支配关系将非劣解存储到外部文档Rt中并进行外部文档管理,文档管理包括拥挤度计算和外部文档删除;
5)从外部文档中选取全局最优值;
6)判断算法是否满足整个的停止条件,如果满足那么算法停止,输出最优值,否则转到步骤3)继续运行。
所述的一种混合车间低熵自适应调度方法,其特征在于还包括模型可视化过程,具体为:通过算法得到调度方案后,以甘特图的形式显示调度方案的结果,方便进行调度结果对比。
相对于现有技术,本发明取得的有益效果是:
本发明设计车间加工的低熵理论,自适应调度和混合车间调度的在车间作业的调度方法,通过结合这些方法能够得到有较强抗干扰的低熵混合车间调度方案。本发明以车间及产品基本情况以及加工数据作为输入端,使用多目标粒子群算法求解得到合适的调度方案。同时,本发明考虑了订单波动、机器故障和操作延时等扰动情况,采用自适应调度方法能够有效产生新的方案,并且得到对应甘特图进行分析。
附图说明
图1为本发明所述低熵混合车间调度方法的流程示意图;
图2为本发明仿真模型界面的设计模型流程图;
图3为本发明实施例中初始的装配体加工最优调度甘特图;
图4为本发明实施例中的总装配调度甘特图;
图5为本发明实施例中的机器故障自适应调度甘特图;
图6为本发明实施例中的订单插单自适应调度甘特图;
图7为本发明实施例中的操作延时自适应调度甘特图。
具体实施方式
下面结合具体实施例对本发明作进一步说明,但本发明的保护范围并不限于此。
实施例:
本发明提供一种技术方案:一种新的低熵混合车间调度方案,包括以下步骤(本发明所述低熵混合车间调度方法的流程示意图如图1所示):
步骤一:获取对应数据并输入:包括产品种类及数目,产品需求量,各个产品的工序及加工单元与加工时间,各个加工单位内的机器数量等数据,对需要的数据进行处理并输入;
步骤二:建立混合车间低熵自适应调度仿真模型,对车间6个低熵目标建立对应的目标函数及约束条件,并进行统合,得到最后的总目标函数;
步骤三:结合产品数据和目标函数,并使用Pareto解集法求得最优解,采用VisualBasic和MATLAB建立了混合车间低熵自适应调度仿真模型,对仿真系统界面和程序进行开发设计。考虑订单波动、机器故障和操作延时进行扰动等扰动情况,本发明在自适应调度上采用混合驱动机制,并且采用资源更新的方式使扰动对调度的影响降到最低。使用多目标粒子群算法进行求解,得到初始解后对模型进行调试,得到优解,分析,得到结论。
1.获取对应数据并分析处理,再输入:
以FG公司的NV系列产品为例,获取产品数据,包括产品种类及数目,产品需求量,各个产品的工序及加工单元与加工时间,各个加工单位内的机器数量等数据,总共有6种产品型号,每种型号各有5种工件,总共有3条总装线。详细的数据如表1所示,对需要的数据进行处理并输入;
表1车间产品数据内容表
对数据进行分析处理,根据产品需求量,6种产品分别设置1个,2个,1个,2个,3个,1个生产批量,总共10个生产批量,每个产品5个工序,则有50个工序及其机器集合和工序时间;总装线3条不变。综合数据,得到表2内容。
表2车间产品数据处理结果表
2.建立混合车间低熵自适应调度仿真模型,对车间6个低熵目建立对应的目标函数,并进行统合,得到最后的总目标函数:
多目标函数指标:
最小化最大装配体完工时间FJ表示如下:
最小化最大总装完工时间FZ表示如下:
最小化库存成本WC表示如下:
WCij=cdij×gm (3)
最大加权订单完成数FD表示如下:
效率损失成本pcij表示如下:
资源闲置成本scj表示如下:
总目标函数表示如下:
S=(Time,Cost,FD) (7)
St.Time=Minimize(FJ+FZ) (8)
Cost=min(pcij+scj+wcij) (9)
多目标调度模型糅合成三个因素组成的向量,Time指时间向量,Cost指成本向量,FD表示加权订单完成数量。
3.结合产品数据和目标函数,并使用Pareto解集法求得最优解,采用VisualBasic和MATLAB建立了混合车间低熵自适应调度仿真模型,对仿真系统界面和程序进行开发设计。考虑订单波动、机器故障和操作延时进行扰动等扰动情况,本发明在自适应调度上采用混合驱动机制,并且采用资源更新的方式使扰动对调度的影响降到最低。使用多目标粒子群算法进行求解,得到初始解后对模型进行调试,得到优解,分析,得到结论。
其中,使用Pareto解集法求得最优解的具体解法为改良的多目标粒子群算法算法,改进的多目标粒子群算法的处理过程包括以下步骤:
1)初始化种群,设置算法参数,初始化外部文档非劣解集Rt为空集;
2)根据已经有的目标函数,计算求解每个算子的适应度值;
3)更新每个算子,将它的适应度值与它自身所经历过的最好位置pbest进行比较,如果适应度值新的粒子较好,则将其当作最好位置;
4)按照Pareto的支配关系将非劣解存储到外部文档Rt中并进行外部文档管理,文档管理包括拥挤度计算和外部文档删除;
5)从外部文档中选取全局最优值;
6)判断算法是否满足整个的停止条件,如果满足那么算法停止,输出最优值,否则转到步骤3)继续运行。
设调度开始时间为0时刻,通过上文中构建的改进多目标粒子群算法仿真模型,算法相关参数设置如下:设种群规模为100,产品总数为6种,惯性权重系数为w=0.8,学习系数c1=0.6,社会系数c2=0.6,迭代总数Tmax=800,外部文档规模Rt=40,得到初始的装配体加工最优调度甘特图如图3所示,总装配调度甘特图如图4所示,由调度甘特图可得各批次完工时间,初始总装调度产品订单最小化最大完工时间为1005min,装配体加工最小化最大完工时间为805min,最大订单完成量为6,库存成本为835。
可对甘特图进行分析,找到优化目标,再对模型进行优化,得到之后的更优解。
对方案进行订单波动、机器故障和操作延时进行扰动等扰动情况,考验其自适应调度功能,得到以下结果:
1)在400时刻,生产水泵的加工单元WB机器M6发生故障,则机器在这一阶段生产中将后续无法使用,尽量保证产品按时完成需进行重新调度,资源集中M6机器无法使用,获取机器故障后自适应调度甘特图,如图5所示。
2)当有紧急订单来临时,一个新的NV01型号产品订单在400时刻到来,订单规模为400件,则需要安排生产,此时自适应调度进行订单任务集更新,插单后交货期为900,获取订单插单自适应调度甘特图,如图6所示。
3)自适应调度混合驱动机制运行,当周期驱动检测到偏离值大于设定值时,可以发现某加工工位出现操作延时现象,操作延时现象导致机器加工时间变长,整个加工进程并没有按照预先调度情况进行,所以对操作延时机器进行调整,发现加工中出现问题,排查之后发现M7有明显的机器操作延时,在700时刻进行自适应调度,获取操作延时自适应调度甘特图,如图7所示。
通过得到的甘特方案进行分析,对比,可得到方案的特点与优劣性。
本说明书所述的内容仅仅是对发明构思实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式。
Claims (4)
1.一种混合车间低熵自适应调度方法,其特征在于包括以下步骤:
1)获取车间生产的产品数据,包括产品种类及数目,产品需求量,各个产品的工序、加工单元与加工时间,以及各个加工单位内的机器数量的数据信息,对获得的产品数据进行分析处理,以便进行下一步操作;
2)建立混合车间低熵自适应调度仿真模型,对车间各个低熵目标建立对应的目标函数及约束条件,并进行统合,得到最后的总目标函数;
3)针对步骤2)获得的总目标函数,使用Pareto解集法求得最优解,通过算法得到调度方案。
2.如权利要求1所述的一种混合车间低熵自适应调度方法,其特征在于步骤2)中,建立低熵目标函数及约束条件,并统合得到总目标函数具体步骤如下:
S1:建立低熵目标
根据低熵指标推导,可以确定低熵指标分为低碳和抗扰动能力两个部分,其中低碳指标包括最小化最大装配体完工时间、最小化最大产品总完工时间和最低库存成本三个目标,抗扰动能力指标包括最低效率损失成本、最低资源闲置成本和最大订单完成量;
首先各种指标变量定义如下:
i——N个产品中的任意一个产品;
j-产品J个装配体中的任意一个装配体;
k——某装配体中O个工序中的任意一个工序;
r——M台机器中任意一台设备;
m——总装配工位节点;
h——订单号;
H——总共生产订单数量;
U——总装陪工位数量;
T——加工时间;
S——开始加工时间;
α——装配体提前完工的惩罚因子;
β——装配体配送到装配线延迟的惩罚因子;
li——i产品的数量;
lij——i产品的j装配体数量;
Sijm——i产品的j装配体在装配工位节点m的开始装配时间;
Sijo——i产品的j装配体的子项开始装配时间;
Eijm——i产品j装配体在总装配节点m的完工时间;
Tijm——i产品的j装配体在装配工位节点m所需要的装配时间;
Tijo——i产品的j装配体的子项所需要的时间;
Sijkr——i产品的j号装配体的k工序在设备r上的开始加工时间;
Tijkr——i产品的j号装配体的k工序在设备r上的加工时间,其中已经包含准备时间和转换时间;
Cij——某装配工位节点对装配体j的需求到达时间;
Eij——i产品的j装配体的完工时间;
Rijm——布尔变量,总装配节点m上是否需要装配体j;
WCij——i产品j装配体库存成本;
cdij——i产品的j装配体的库存时间;
gm——单位时间发生的库存管理成本;
Wh——订单h的权重;
pc——效率损失成本;
aij——i产品的j装配体现有加工数量;
ztijk——i产品的j装配体的第k道工序的加工准备和转换时间;
bmj——不同装配体单元的单位时间准备成本;
sc——资源闲置成本
Elj——j装配体加工单元中没有进行加工的机器的空闲时间或者是发生故障的机器的未加工时间;
pmj——人操纵机器进行装配体j加工的单位成本。
多目标函数低碳指标如下:
1)最小化最大装配体完工时间FJ,如下式:
2)最小化最大总装完工时间FZ,如下式:
3)库存成本在发生即时产品量超过设定在制品库存量时有效,所以最小化库存成本WC,如下式:
WCij=cdij×gm (3)
低熵多目标函数抗扰动能力指标如下:
1)为达到最有目标保证在扰动下达到最大订单完成量,其中设置订单权重,表示每个订单的优先级,优先完成权重高的订单最大加权订单完成数FD如下:
2)各个单元装配体由于异动造成的额外准备和切换的成本的效率损失成本pc,i产品j装配的体损失成本pcij如下式:
3)将低熵化车间要求机器的利用率指标转化为成本,即若发生扰动,车间可用资源可进行组合和重新分配,得到资源闲置成本sc,j装配的资源闲置成本scj如下式如下:
S2:主要有以下约束条件:
1)0时刻开始加工约束:
2)加工先后顺序约束:
3)同一时间机器加工一个任务约束:
4)子项装配后进行总装的约束:
Sijo+Tijo≤Sijm j=1,2,...,J (10)
5)订单是否满足交货期任务约束:
6)装配体J完工时间在总装任务前的约束:
(1-Rijm)×Sijm+c≥Cij(C为常数) (12)
7)时间状态变量为正的约束:
Sijm≥0;Sijmr≥0;Tijm≥0;Tijmr≥0 (13)
S3:上述各项低熵指标并不在统一的维度上,所以对混合车间调度建立以下模型:
S=(Time,Cost,FD) (14)
St.Time=Minimize(FJ+FZ) (15)
Cost=min(pcij+scj+wcij) (16)
上式中:多目标调度模型糅合成三个因素组成的向量,Time指时间向量,cost指成本向量,FD表示加权订单完成数量。
3.如权利要求1所述的一种混合车间低熵自适应调度方法,其特征在于步骤3)中,使用Pareto解集法求得最优解的具体解法为改良的多目标粒子群算法算法,改进的多目标粒子群算法的处理过程包括以下步骤:
1)初始化种群,设置算法参数,初始化外部文档非劣解集Rt为空集;
2)根据已经有的目标函数,计算求解每个算子的适应度值;
3)更新每个算子,将它的适应度值与它自身所经历过的最好位置pbest进行比较,如果适应度值新的粒子较好,则将其当作最好位置;
4)按照Pareto的支配关系将非劣解存储到外部文档Rt中并进行外部文档管理,文档管理包括拥挤度计算和外部文档删除;
5)从外部文档中选取全局最优值;
6)判断算法是否满足整个的停止条件,如果满足那么算法停止,输出最优值,否则转到步骤3)继续运行。
4.如权利要求1所述的一种混合车间低熵自适应调度方法,其特征在于还包括模型可视化过程,具体为:通过算法得到调度方案后,以甘特图的形式显示调度方案的结果,方便进行调度结果对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005874.2A CN113762754A (zh) | 2021-08-30 | 2021-08-30 | 一种混合车间低熵自适应调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111005874.2A CN113762754A (zh) | 2021-08-30 | 2021-08-30 | 一种混合车间低熵自适应调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113762754A true CN113762754A (zh) | 2021-12-07 |
Family
ID=78791844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111005874.2A Pending CN113762754A (zh) | 2021-08-30 | 2021-08-30 | 一种混合车间低熵自适应调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762754A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423393A (zh) * | 2022-08-12 | 2022-12-02 | 北京邮电大学 | 一种基于lstm的动态自适应调度周期的订单调度方法及装置 |
CN117575216A (zh) * | 2023-11-15 | 2024-02-20 | 淄博京科电气有限公司 | 基于物联网和工业大数据的智能工厂管理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472765A (zh) * | 2019-06-25 | 2019-11-19 | 浙江工业大学 | 一种车间布局调度的低熵协同优化方法 |
CN110598941A (zh) * | 2019-09-18 | 2019-12-20 | 河海大学常州校区 | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 |
-
2021
- 2021-08-30 CN CN202111005874.2A patent/CN113762754A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472765A (zh) * | 2019-06-25 | 2019-11-19 | 浙江工业大学 | 一种车间布局调度的低熵协同优化方法 |
CN110598941A (zh) * | 2019-09-18 | 2019-12-20 | 河海大学常州校区 | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 |
Non-Patent Citations (1)
Title |
---|
许雅斌: "一类混合车间低熵自适应调度", 《CNKI硕士电子期刊》, pages 29 - 75 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115423393A (zh) * | 2022-08-12 | 2022-12-02 | 北京邮电大学 | 一种基于lstm的动态自适应调度周期的订单调度方法及装置 |
CN117575216A (zh) * | 2023-11-15 | 2024-02-20 | 淄博京科电气有限公司 | 基于物联网和工业大数据的智能工厂管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553590B (zh) | 一种雷达嵌入式健康管理系统 | |
CN110609531B (zh) | 一种基于数字孪生的车间调度方法 | |
CN109598416B (zh) | 一种复材车间的动态排产系统及排产方法 | |
CN113762754A (zh) | 一种混合车间低熵自适应调度方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN110597218B (zh) | 一种基于柔性化调度的排程优化方法 | |
CN113867299B (zh) | 基于数字孪生的不确定扰动下的ipps问题求解方法 | |
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 | |
CN113627032B (zh) | 一种基于数字孪生的设备设计/维修方案智能决策方法 | |
CN113159341A (zh) | 融合深度强化学习和专家经验的配电网辅助决策方法及系统 | |
CN114527714A (zh) | 一种基于数字孪生及扰动监测的车间动态调度方法 | |
CN115098278B (zh) | 一种基于微服务的数字孪生车间多场景交互方法 | |
Chen et al. | Meta-action reliability-based mechanical product optimization design under uncertainty environment | |
Wang et al. | Reliability evaluation for manufacturing system based on dynamic adaptive fuzzy reasoning Petri net | |
Yuan et al. | A multi-agent double deep-Q-network based on state machine and event stream for flexible job shop scheduling problem | |
CN111290360B (zh) | 一种铸造生产线多目标优化方法 | |
CN106909992B (zh) | 一种多品种小批量混流装配线的分装生产方法及装置 | |
CN106873555B (zh) | 一种多品种小批量混流装配线的总装生产排序方法及装置 | |
CN117687356A (zh) | 生产调度方法、终端设备及计算机可读存储介质 | |
CN111144639A (zh) | 一种基于alln算法的地铁设备故障预测方法及系统 | |
CN116360339A (zh) | 一种基于元动作单元数字孪生模型的数控机床可靠性优化方法 | |
CN116680833B (zh) | 一种基于大数据共享式的钻攻铣设计图像生成系统 | |
Chiang | Model simplification for accelerating simulation-based evaluation of dispatching rules in wafer fabrication facilities | |
CN117950380B (zh) | Mes驱动的工位终端生产过程控制系统及方法 | |
CN116200813B (zh) | 一种晶体生长设备控制方法及系统 |
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 |