CN113988674A - 一种基于深度学习的制造业智能排产方法 - Google Patents
一种基于深度学习的制造业智能排产方法 Download PDFInfo
- Publication number
- CN113988674A CN113988674A CN202111290933.5A CN202111290933A CN113988674A CN 113988674 A CN113988674 A CN 113988674A CN 202111290933 A CN202111290933 A CN 202111290933A CN 113988674 A CN113988674 A CN 113988674A
- Authority
- CN
- China
- Prior art keywords
- time
- scheduling
- work
- equipment
- manufacturing industry
- 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
- 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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的目的在于提供一种基于深度学习的制造业智能排产方法,包括以下步骤:构造作业、设备;建立制造业排产数学模型;建立约束条件函数;降低完成多种多批次的原料所对应的工作的工作时间,建立排产问题的目标函数;基于人工蜂群算法进行排产编码与解码;搭建初始化种群;设计适应度计算函数;设计算法以满足邻域搜索,提出邻域搜索法;设计雇佣蜂、跟随蜂和侦察蜂;根据初始化种群中的迭代次数进行迭代,直到满足迭代次数,输出最优解,即仿真生产数据表。本发明设计了一种应用在制造行业排产的人工蜂群算法,解决了传统人工排产效率低、可靠性不足等问题。联合人工蜂群算法对制造行业排产进行分析,提高计算精度,算法稳定性。
Description
技术领域
本发明涉及的是一种人工智能方法,具体地说是智能排产方法。
背景技术
在制造行业中,生产排产由于切实关系到车间生产效率而得到了广泛关注。为了防止资源浪费,车间往往根据设备种类、年需求量进行生产排产。然而,加工原料和设备种类都比较多,在多种条件约束下,考虑人工经验排产可靠性不足,严重影响全流程效率。因此,如何解决制造行业的排产问题是一个需要重点研究的问题。
发明内容
本发明的目的在于提供能实现从单个设备至产线乃至车间的智能决策、显著提升全流程生产效率、提高生产质量、降低成本的一种基于深度学习的制造业智能排产方法。
本发明的目的是这样实现的:
本发明一种基于深度学习的制造业智能排产方法,其特征是:
(1)根据原料与批次构造作业,根据工段、并行机个数及种类构造设备;
(2)作业加工过程中没有新作业的加入,也不能临时取消作业的加工,建立制造业排产数学模型;
(3)根据每台并行机不同时进行一个工作,每个工作不在一个设备上同时加工,建立约束条件函数;
(4)降低完成多种多批次的原料所对应的工作的工作时间,建立排产问题的目标函数;
(5)基于步骤(1)~(4)生产排产数学模型,进行智能化优化分析,基于人工蜂群算法进行排产编码与解码;
(6)搭建初始化种群;
(7)根据排产数学建模与初始化种群设计适应度计算函数;
(8)设计算法以满足邻域搜索,提出邻域搜索法;
(9)根据人工蜂群算法与步骤(8),设计雇佣蜂、跟随蜂和侦察蜂;
(10)根据初始化种群中的迭代次数进行迭代,重复步骤(7)-步骤(9),直到满足迭代次数,输出最优解,即仿真生产数据表。
本发明还可以包括:
1、所述步骤(1)具体为:
设各个作业生产最大需要进行h个工段,各个工段中对应的并行机数量为hi,设备量M表示为:
2、步骤(2)中制造业排产数学模型的具体建立过程为:
设Pi,j,k为第i个工作的第j道工序是否在第k台设备上加工,ti,j,k为第i种原料的第j道工序在第k台设备上的生产加工时间,STi,j,k为第i个工作的第j道工序在第k台设备上的生产开始时间,ETi,j,k为第i个工作的第j道工序在第k台设备上的生产开始时间,有以下数学模型:
ETi,j,k=STi,j,k+ti,j,k
3、步骤(3)中约束条件函数的建立具体为:
设gi,j,k为当前时刻属于第j个工段的第k个设备完成当前工作i的生产结束时间,有以下约束函数:
gi,j,k<STi′,j,k
STi,j,k+ti,j,k=ETi,j,k<STi′,j,k
STi,j,k+ti,j,k=ETi,j,k≤STi,(j+1),k′。
4、步骤(4)中排产问题的目标函数具体为:
5、步骤(5)中基于人工蜂群算法进行排产编码与解码具体为:
利用N个作业量在M个设备上工作编码:设定每个解为一定的数字组成的序列为染色体,每个染色体中的一部分为基因段,每个染色体上的基因数量设定为N,每个染色体是由Si个{1,2,…,k}的基因组成;
6、初始化种群的搭建过程为:
根据人工蜂群算法与排产数学模型设计人工蜂群种群具体设计方式如下:
设计任意作业的任意工段安排对应一个Stage()类,包括4个参数:这个安排对应设备名Machine,这项安排的开始加工时间StartTime,这项安排的加工时间Time,这项安排的结束加工时间EndTime;
设计任意作业对应一个product()类,包括5项参数:这个作业的名称name,这个作业对应的原料对应的编号pinhao,这个作业对应的原料生产批次num,这个作业当前加工了的结束时间time,这项工作已经完成了那些安排process,其中process为安排的Stage的链集合;
设计设备合成设备链MachineList,其中任意设备对应一个Machine()类,其中包括4个参数:这个设备对应的工段gongduan,这个设备自身的编号gonghao,这个设备结束当前工作的时间time,这个设备已经加工过的作业名称job;
设计每一个蜜源对应一个可行解序列random、一个作业链productlist包含N个product类、一个设备链machinelist包含M个maschine类、一个适应度值fitness、一个trail值代表:该蜜源当前经过trail次迭代仍保留在种群中;
设计每一个雇佣蜂对应一个蜜源,在初始化种群过程中令每一个雇佣蜂与蜜源的各项参数值相同;
设置算法迭代次数T。
7、步骤(7)中适应度计算函数的设计方案如下:
a、根据工段将设备分为各个工段链;
b、根据random()判断加工哪一个工作;
c、在作业链productlist中找到此件工作productlist[0];
d、根据工段间约束条件,选择工段;
e、将工段链按当前工作的结束时间排序;
f、选择当前结束时间最少的并行机,并在maschinelist中找到此设备maschinelist[0];
g、将这个工作的名ptoductlist[0].name加入到maschinelist[0].job;
h、新建一个stage类存储这个工作调度的各项参数,记录这个工作调度安排的设备编号、加工时间;
i、比较工段时间与作业链时间的值大小,若大于则存储这个工作调度的开始加工时间为工段时间,反之,存储为作业链时间;
j、更新此工作时间productlist[0].time和此设备的结束当前工作时间;
k、将这个调度安排stage类存储到此工作的进程中productlist[0].process,productlist[0].process中stage的数量为该工作完成的工段数量;
l、根据新的maschinelist更新新的工段链例,并重复步骤b-步骤k,直到所有工作的所有工段均被安排完毕;
m、将maschinelist按结束工作时间time排序,选择time值大的maschinelist[i],将1/maschinelist[i].time值作为适应度值用于调度算法的评价。
8、步骤(8)中所述的领域搜索法包括method1#、method2#,
Method1#:随机更改random()序列即蜜源序列中任意两个不相等的值的顺序以更改各工作在每个工段时的工作顺序既而产生邻域解;
Method2#随机选择一个工段,随机选择蜜源上一点将其与相邻的另一种原料的工作的生产顺序调换以更改此工段上两个相邻原料的生产顺序;
在此工段前和工段后调度顺序仍根据初始顺序保持不变。
本发明的优势在于:本发明设计了一种应用在制造行业排产的人工蜂群算法,解决了传统人工排产效率低、可靠性不足等问题。联合人工蜂群算法对制造行业排产进行分析,提高计算精度,算法稳定性。
附图说明
图1为本发明的流程图;
图2为本发明的初始化种群架构图;
图3为本发明的实施案例中各原料在各设备上的生产时间图;
图4为本发明的仿真调度表;
图5为本发明的迭代曲线;
图6为本发明的最优解对应作业甘特图。
具体实施方式
下面结合附图举例对本发明做更详细地描述:
结合图1-6,为更好地理解相关问题,现对下列专有名词作出解释。
并行机:指同一时刻或是同一时间间隔内完成两种或两种以上性质相同或不相同的工作。
人工蜂群算法:一种新颖的基于群智能的全局优化算法,其直观背景来源于蜂群的采蜜行为,蜜蜂根据各自的分工进行不同的活动,并实现蜂群信息的共享和交流,从而找到问题的最优解。人工蜂群算法属于群智能算法的一种。
蜜源:可能的最优解。
邻域搜索:在可行解附近区域寻找其他可行解。
本发明的具体步骤如下:
步骤1:根据原料与批次构造作业,根据工段、并行机个数及种类构造设备。
设有原料种类数为k,每种原料对应需要生产Si个批次,则工作量N可表示为:
设各个作业生产最大需要进行h个工段,各个工段中对应的:并行机数量为hi,则设备量M可表示为:
步骤2:根据条件:作业加工过程中没有新作业的加入,也不能临时取消作业的加工,建立制造业排产数学模型。
设Pi,j,k为第i个工作的第j道工序是否在第k台设备上加工,ti,j,k为第i种原料的第j道工序在第k台设备上的生产加工时间,STi,j,k为第i个工作的第j道工序在第k台设备上的生产开始时间,ETi,j,k为第i个工作的第j道工序在第k台设备上的生产开始时间。有以下数学模型:
ETi,j,k=STi,j,k+ti,j,k
步骤3:根据每台并行机不同时进行一个工作,每个工作不一个设备上同时加工,建立约束条件函数。
设gi,j,k为当前时刻属于第j个工段的第k个设备完成当前工作i的生产结束时间。有以下约束函数。
gi,j,k<STi′,j,k
STi,j,k+ti,j,k=ETi,j,k<STi′,j,k
STi,j,k+ti,j,k=ETi,j,k≤STi,(j+1),k′
步骤4:根据制造业排产需求:降低完成多种多批次的原料所对应的工作的工作时间,建立排产问题的目标函数f。
步骤5:基于步骤1~4生产排产数学模型,进行智能化优化分析。基于人工蜂群算法进行排产编码与解码。
利用N个作业量在M个设备上工作编码:设定每个解为一定的数字组成的序列为染色体,每个染色体中的一部分为基因段以方便描述。每个染色体上的基因数量设定为N,每个染色体是由Si个{1,2,…,k}的基因组成。
步骤6:搭建初始化种群
根据人工蜂群算法与排产数学模型设计人工蜂群种群具体设计方式如下:
1、设计任意作业的任意工段安排对应一个Stage()类,对应4个关键参数:这个安排对应设备名Machine,这项安排的开始加工时间StartTime,这项安排的加工时间Time,这项安排的结束加工时间EndTime。
2、设计任意作业对应一个product()类,含有5项关键参数:这个作业的名称name,这个作业对应的原料对应的编号pinhao,这个作业对应的原料生产批次num,这个作业当前加工了的结束时间time,这项工作已经完成了那些安排process,其中process为安排的Stage的链集合。
3、设计设备合成设备链MachineList,其中任意设备对应一个Machine()类,其中含有4个关键参数:这个设备对应的工段gongduan,这个设备自身的编号gonghao,这个设备结束当前工作的时间time,这个设备已经加工过的作业名称job。
4、设计每一个蜜源对应一个可行解序列random、一个作业链productlist包含N个product类、一个设备链machinelist包含M个maschine类、一个适应度值fitness、一个trail值代表:该蜜源当前经过trail次迭代仍保留在种群中。
5、设计每一个雇佣蜂对应一个蜜源,在初始化种群过程中令每一个雇佣蜂与蜜源的各项参数值相同。
6、设置算法迭代次数T
步骤7:根据排产数学建模与初始化种群设计适应度计算函数。具体设计方案如下:
1、根据工段将设备分为各个工段链;
2、根据random()判断加工哪一个工作;
3、在作业链productlist中找到此件工作productlist[0];
4、根据工段间约束条件,选择工段。;
5、将工段链按当前工作的结束时间排序;
6、选择当前结束时间最少的并行机,并在maschinelist中找到此设备maschinelist[0];
7、将这个工作的名ptoductlist[0].name加入到maschinelist[0].job;
8、新建一个stage类存储这个工作调度的各项参数,记录这个工作调度安排的设备编号、加工时间;
9、比较工段时间与作业链时间的值大小,若大于则存储这个工作调度的开始加工时间为工段时间,反之,存储为作业链时间;
10、更新此工作时间productlist[0].time和此设备的结束当前工作时间;
11、将这个调度安排stage类存储到此工作的进程中productlist[0].process,由此看出productlist[0].process中stage的数量为该工作完成的工段数量;
12、根据新的maschinelist更新新的工段链例,并重复2-12直到所有工作的所有工段均被安排完毕;
13、将maschinelist按结束工作时间time排序,选择time值大的maschinelist[i],将1/maschinelist[i].time值作为适应度值用于调度算法的评价。
步骤8:设计算法以满足邻域搜索,提出两种邻域搜索法method1#、method2#。
Method1#随机更改random()序列即蜜源序列中任意两个不相等的值的顺序以更改各工作在每个工段时的工作顺序既而产生邻域解。这种邻域搜索法更适用于适应度值较小的蜜源找到较好的邻域蜜源,设计Method1#的概率为P1。
Method2#随机选择一个工段,随机选择蜜源上一点将其与相邻的另一种原料的工作的生产顺序调换以更改此工段上两个相邻原料的生产顺序。
在此工段前和工段后调度顺序仍根据初始顺序保持不变。这种邻域解可能达到使同一设备上相邻生产的两个作业调换顺序或调换同一时间在不同并行机设备上生产的两个工作。设计这种邻域搜索的概率为P2。
步骤9:根据人工蜂群算法与步骤8,设计雇佣蜂、跟随蜂和侦察蜂。
在人工蜂群算法中,每一个雇佣蜂对应一个蜜源,并在蜜源附近根据Method1#、Method2#寻找邻域解,根据贪婪算法找到的邻域解即雇佣蜂的适应度值大于其对应的蜜源的适应度值时,舍弃原有的蜜源值。跟随蜂同理,在蜜源附近根据Method1#、Method2#寻找邻域解,并根据适应度值进行轮盘赌按比例选择蜜源,根据贪婪算法适应度值大于其对应的蜜源的适应度值时,舍弃原有的蜜源值,用新的跟随蜂的值替代蜜源值。
为防止算法陷入局部最优则引入侦察蜂。既新产生一个生产调度序列,并根据此序列进行适应度计算,将其替换trail值已达到limit限制的蜜源。
步骤10:根据初始化种群中的迭代次数T进行迭代,重复步骤7-步骤9,直到满足迭代次数,输出最优解,即仿真生产数据表。
实施案例如下:
假设有原料4种,各对应10个批次,有27个设备分别对应4道工段分别为:提取工段、双效工段、醇沉工段、单效工段。其中提取工段对应12台并行机,双效工段对应6台并行机,醇沉工段对应6台并行机,单效工段对应3台并行机。假设每种设备对应的工序是唯一的,且四个工序对应的四个工段,存在以下约束条件:提取工段>双效工段>醇沉工段>单效工段,设每种原料对应在各个设备上的工作时间图3所示。
发明实施具体分为以下几个步骤:
1、根据实例建立编码染色体random(),random()为含有10个0~3的数组,如:random(40)=(3,2,1,3,0,2,2,3,0,1,3,2,1,2,0,1,3,2,3,3,1,3,2,3,1,2,2,0,1,0,1,0,2,0,0,0,1,3,0,1)。其中random(4)=3,表示为安排第4种原料的第2个批次。
2、根据图2生成初始化种群,设置算法迭代次数。
3、计算种群中各蜜源的适应度值。如TQ1、TQ2的工作进度均为0即TQlist[0].time=TQlist[1].time。random(0)=3,所以这个工作安排原料4到TQ1设备上加工,所以将m31加入到maschinelist[0].job中。因prouductlist.name[m31]的工作进度time为0,所以该工作stage类的生产开始时间为0,生产结束时间为7,生产时间为7,生产设备为TQ1。将此stage加入到prouductlist.name[m31]的进度process中,并更新maschinelist[0],prouductlist.name[m31]的进程time为7。以此类推,直到计算出此蜜源的适应度值。根据上述random(40),最后结束设备为DX1,结束时间为97.2,适应度值为1/97.2。
4、根据蜜源招募雇佣蜂,雇佣蜂根据步骤8两种邻域搜索方式搜索新食物源,并结合适应度值和轮盘赌选择新的食物源加入种群。例:产生0-1的随机数0.5,,若P1=0.7,则选择Method2#邻域搜索方式。随机选择一个工段SXlist(),随机更改其染色体的任意两个基因,从而更改random()序列。根据贪婪选择,若新蜜源的适应度值高于原有种群中的蜜源,则将此蜜源加入种群中,舍弃原适应度值低的蜜源。
5、雇佣蜂根据轮盘赌招募跟随蜂,为跟随蜂分配食物源。根据贪婪选择,选择适应度值最高的食物源。
6、经过N次迭代后,为防止陷入局部最优。在种群中含有经过trail次迭代仍然保留在种群中的蜜源时,产生侦察蜂,替换此蜜源,防止陷入局部最优。
7、根据数据、仿真结果进行参数调整。种群中蜜源的数量,迭代次数,邻域解产生Method1#的概率P1,邻域解产生Method2#的概率1-P1,limit每个蜜源中的trail值达到limit时产生侦察蜂均影响算法最优解的优劣。
如P1参数是寻找邻域解的关键参数,P1值过大则适应度较大时仍用Method1#产生邻域解的可能性较大,则在每一个工段均更改了两种原料的生产顺序,这种方式产生的邻域解的值能通过贪婪选择成为蜜源的可能型较小,从而失去了雇佣蜂和跟随蜂的意义。同理P1值过小,适应度值较小仍通过Method2#产生邻域解的可能性较大,则只在单一工段调换两种原料的生产顺序,这种方式所对应的邻域解的适应度值跟原有的蜜源的适应度值差距较小,而不能满足雇佣蜂和跟随蜂对邻域解的要求。
通过参数调整,使种群中蜜源随机分布在各个方向,以达到人工蜂群算法向各个方向找寻最优解的目的,实现种群中蜜源的多样性。
仿真结果如图4所示,可以看出,完成所有工作的总时间为92.5,最后完成的工作为第1种原料的第10批次。
8、根据算法,进行仿真实验,验证发明可行性。图5给出随着迭代次数的增加,目标值的变化曲线。由此看出在迭代次数为400时,目标值趋于稳定。由图可以看出,目标值逐渐收敛到相对全局最优解。在400后曲线有上升趋势,证明算法在搜索过程中保持了种群一定的多样性,在迭代过程中跳出了陷入局部最优。
9、根据算法得出的最优解,做出作业仿真甘特图。由图6可看出,每一个工作的工作时间和间隔时间。其中黑色为工作时间,白色为间隔时间。可以得出作业在第三工段等待时间较长。所以提高第三工段的并行机数量,对提高工作效率有显著提高。
综上,本发明能连接市场、库存及生产。通过人工蜂群算法解决制造业排产问题,找到较优调度。最优调度作为生产指导,以优化排产,便于生产,降低不同批次原料的生产时间从而达到提高年产量。根据本发明最优解数据分析可得到,后续车间管理部门资源分配的合理建议,以达到提高生产效率、增加年产量、优化生产的目的,最终达到智能排产的目的。
Claims (9)
1.一种基于深度学习的制造业智能排产方法,其特征是:
(1)根据原料与批次构造作业,根据工段、并行机个数及种类构造设备;
(2)作业加工过程中没有新作业的加入,也不能临时取消作业的加工,建立制造业排产数学模型;
(3)根据每台并行机不同时进行一个工作,每个工作不在一个设备上同时加工,建立约束条件函数;
(4)降低完成多种多批次的原料所对应的工作的工作时间,建立排产问题的目标函数;
(5)基于步骤(1)~(4)生产排产数学模型,进行智能化优化分析,基于人工蜂群算法进行排产编码与解码;
(6)搭建初始化种群;
(7)根据排产数学建模与初始化种群设计适应度计算函数;
(8)设计算法以满足邻域搜索,提出邻域搜索法;
(9)根据人工蜂群算法与步骤(8),设计雇佣蜂、跟随蜂和侦察蜂;
(10)根据初始化种群中的迭代次数进行迭代,重复步骤(7)-步骤(9),直到满足迭代次数,输出最优解,即仿真生产数据表。
4.根据权利要求1所述的一种基于深度学习的制造业智能排产方法,其特征是:步骤(3)中约束条件函数的建立具体为:
设gi,j,k为当前时刻属于第j个工段的第k个设备完成当前工作i的生产结束时间,有以下约束函数:
gi,j,k<STi′,j,k
STi,j,k+ti,j,k=ETi,j,k<STi′,j,k
STi,j,k+ti,j,k=ETi,j,k≤STi,(j+1),k′。
6.根据权利要求1所述的一种基于深度学习的制造业智能排产方法,其特征是:步骤(5)中基于人工蜂群算法进行排产编码与解码具体为:
利用N个作业量在M个设备上工作编码:设定每个解为一定的数字组成的序列为染色体,每个染色体中的一部分为基因段,每个染色体上的基因数量设定为N,每个染色体是由Si个{1,2,…,k}的基因组成;
7.根据权利要求1所述的一种基于深度学习的制造业智能排产方法,其特征是:初始化种群的搭建过程为:
根据人工蜂群算法与排产数学模型设计人工蜂群种群具体设计方式如下:
设计任意作业的任意工段安排对应一个Stage()类,包括4个参数:这个安排对应设备名Machine,这项安排的开始加工时间StartTime,这项安排的加工时间Time,这项安排的结束加工时间EndTime;
设计任意作业对应一个product()类,包括5项参数:这个作业的名称name,这个作业对应的原料对应的编号pinhao,这个作业对应的原料生产批次Bum,这个作业当前加工了的结束时间time,这项工作已经完成了那些安排process,其中process为安排的Stage的链集合;
设计设备合成设备链MachineList,其中任意设备对应一个Machine()类,其中包括4个参数:这个设备对应的工段gongduan,这个设备自身的编号gonghao,这个设备结束当前工作的时间time,这个设备已经加工过的作业名称job;
设计每一个蜜源对应一个可行解序列random、一个作业链productlist包含N个product类、一个设备链machinelist包含M个maschine类、一个适应度值fitness、一个trail值代表:该蜜源当前经过trail次迭代仍保留在种群中;
设计每一个雇佣蜂对应一个蜜源,在初始化种群过程中令每一个雇佣蜂与蜜源的各项参数值相同;
设置算法迭代次数T。
8.根据权利要求1所述的一种基于深度学习的制造业智能排产方法,其特征是:步骤(7)中适应度计算函数的设计方案如下:
a、根据工段将设备分为各个工段链;
b、根据random()判断加工哪一个工作;
c、在作业链productlist中找到此件工作productlist[0];
d、根据工段间约束条件,选择工段;
e、将工段链按当前工作的结束时间排序;
f、选择当前结束时间最少的并行机,并在maschinelist中找到此设备maschinelist[0];
g、将这个工作的名ptoductlist[0].name加入到maschinelist[0].job;
h、新建一个stage类存储这个工作调度的各项参数,记录这个工作调度安排的设备编号、加工时间;
i、比较工段时间与作业链时间的值大小,若大于则存储这个工作调度的开始加工时间为工段时间,反之,存储为作业链时间;
j、更新此工作时间productlist[0].time和此设备的结束当前工作时间;
k、将这个调度安排stage类存储到此工作的进程中productlist[0].process,productlist[0].process中stage的数量为该工作完成的工段数量;
l、根据新的maschinelist更新新的工段链例,并重复步骤b-步骤k,直到所有工作的所有工段均被安排完毕;
m、将maschinelist按结束工作时间time排序,选择time值大的maschinelist[i],将1/maschinelist[i].time值作为适应度值用于调度算法的评价。
9.根据权利要求1所述的一种基于深度学习的制造业智能排产方法,其特征是:步骤(8)中所述的领域搜索法包括method1#、method2#,
Method1#:随机更改random()序列即蜜源序列中任意两个不相等的值的顺序以更改各工作在每个工段时的工作顺序既而产生邻域解;
Method2#随机选择一个工段,随机选择蜜源上一点将其与相邻的另一种原料的工作的生产顺序调换以更改此工段上两个相邻原料的生产顺序;
在此工段前和工段后调度顺序仍根据初始顺序保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290933.5A CN113988674A (zh) | 2021-11-02 | 2021-11-02 | 一种基于深度学习的制造业智能排产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290933.5A CN113988674A (zh) | 2021-11-02 | 2021-11-02 | 一种基于深度学习的制造业智能排产方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988674A true CN113988674A (zh) | 2022-01-28 |
Family
ID=79745951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111290933.5A Pending CN113988674A (zh) | 2021-11-02 | 2021-11-02 | 一种基于深度学习的制造业智能排产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988674A (zh) |
-
2021
- 2021-11-02 CN CN202111290933.5A patent/CN113988674A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107450498B (zh) | 基于改进人工蜂群算法的生产调度方法及系统 | |
CN109190857B (zh) | 一种基于多目标资源受限项目调度模型的优化算法 | |
CN113159383B (zh) | 一种面向多机协作加工车间的制造资源重构调度方法及系统 | |
Liu et al. | Solving distributed and flexible job-shop scheduling problems for a real-world fastener manufacturer | |
CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
CN112907150B (zh) | 一种基于遗传算法的生产排程方法 | |
CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
Yin et al. | A branch-and-bound algorithm for a single machine sequencing to minimize the total tardiness with arbitrary release dates and position-dependent learning effects | |
CN106933200A (zh) | 基于遗传算法的解决柔性作业车间调度问题的控制方法 | |
CN113139710B (zh) | 一种基于遗传算法的多资源并行任务高级计划排程方法 | |
CN112561225B (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
CN113962091B (zh) | 一种处理混合废旧产品的多人共站不完全拆卸线平衡设计方法 | |
CN112381343A (zh) | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 | |
CN107831740A (zh) | 一种应用于笔记本零件的分布式生产制造过程中的优化调度方法 | |
Gu et al. | A discrete particle swarm optimization algorithm with adaptive inertia weight for solving multiobjective flexible job-shop scheduling problem | |
CN115471133A (zh) | 一种基于订单管理和滚动优化排产的车间综合调度系统 | |
Yu et al. | Improved meta-heuristics with Q-learning for solving distributed assembly permutation flowshop scheduling problems | |
CN116466659A (zh) | 一种基于深度强化学习的分布式装配流水车间调度方法 | |
Sekkal et al. | A multi-objective optimization algorithm for flow shop group scheduling problem with sequence dependent setup time and worker learning | |
CN109255484A (zh) | 数据驱动的离散制造资源协同优化方法及系统 | |
CN113988674A (zh) | 一种基于深度学习的制造业智能排产方法 | |
CN116957219A (zh) | 一种基于遗传算法的水泥生产线施工作业调度方法 | |
CN116644930A (zh) | 一种工业互联网背景的多企业动态任务调度方法及系统 | |
CN112488543A (zh) | 基于机器学习的智慧工地智能排班方法及系统 | |
CN113743784A (zh) | 一种基于深度强化学习的生产时序表智能生成方法 |
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 |