CN114037251A - 一种基于Petri网的制造系统成本最小化资源配置方法 - Google Patents
一种基于Petri网的制造系统成本最小化资源配置方法 Download PDFInfo
- Publication number
- CN114037251A CN114037251A CN202111301090.4A CN202111301090A CN114037251A CN 114037251 A CN114037251 A CN 114037251A CN 202111301090 A CN202111301090 A CN 202111301090A CN 114037251 A CN114037251 A CN 114037251A
- Authority
- CN
- China
- Prior art keywords
- resource
- cost
- transition
- resource quantity
- configuration
- 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.)
- Withdrawn
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013468 resource allocation Methods 0.000 title claims abstract description 8
- 239000002994 raw material Substances 0.000 claims abstract description 28
- 238000002922 simulated annealing Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000007704 transition Effects 0.000 claims description 54
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003801 milling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (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
一种基于Petri网的制造系统成本最小化资源配置方法,首先建立制造系统Petri网模型,然后根据实际情况输入各道工序的加工时间、资源成本、资源数量上限以及生产率下限,并输入原材料数量、随机生成初始资源数量配置,计算系统的生产率是否满足要求,并计算初始资源数量配置的成本并赋值最小成本和最优资源数量配置,然后利用模拟退火算法进行成本优化,优化完成后最终输出最小成本和最优资源数量配置;本发明解决了制造系统满足生产率的前提下如何配置资源数量使得资源成本最小化问题,在满足生产率的前提下,优化资源数量配置来使得制造系统成本最小化,较大程度的降低了企业的投资成本并合理分配成本,具有良好的应用前景。
Description
技术领域
本发明涉及制造系统技术领域,具体涉及一种基于Petri网的制造系统成本最小化资源配置方法。
技术背景
制造企业可包括一个或多个制造系统,制造系统是由多个单独的异种制造资源组成,制造资源包括(但不限于)机床和制造机构、测量资源、传感器、制动器、辅助资源等。自90年代早期以来,制造系统的性能优化受到广泛关注,利用各种属性,包括(但不限于):成本、生产率、安全性、质量、效率和维修,确定制造系统的性能。其中,在满足制造系统一定生产率的前提下,合理配置不同资源的数量,对制造系统的成本最小化的研究能够降低企业的生产成本。通常一个制造系统可以抽象为一个离散事件系统,Petri网作为一种研究离散系统的有效工具,已广泛应用于建模和分析柔性制造系统,如车间系统和装配线。
目前还没有基于Petri网和智能算法对制造系统成本最小化的相关文献公开。
发明内容
为了克服上述现有技术的缺点,本发明的目的是提出一种基于Petri网的制造系统成本最小化资源配置方法,使制造系统在满足一定生产率的前提下,合理的配置资源数量来最小化系统资源成本,较大程度的降低企业的生产成本,具有良好的应用前景。
为了达到上述目的,本发明采用如下技术方案:
一种基于Petri网的制造系统成本最小化资源配置方法,包括以下步骤:
步骤一:建立制造系统Petri网模型;
步骤二:输入各道工序的加工时间、资源成本、资源数量上限以及生产率下限;
步骤三:输入原材料数量、随机生成初始资源数量配置;
步骤四:计算制造系统的生产率是否满足要求,计算初始资源数量配置的成本并赋值最小成本和最优资源数量配置;
步骤五:利用模拟退火算法进行成本优化;
步骤六:输出最小成本和最优资源数量配置。
所述的步骤一具体为:
根据实际生产线绘制Petri网模型;Petri网是一个四元组,用N=(P,T,F,W)来表示,其中:P、T分别是库所和变迁的集合,F∈(P×T)∪(T×P)表示有向弧集合,表示各个有向弧的权值;如果W(f)=1,则Petri网又称为普通网,否则称为一般网;
令x∈P∪T是Petri网N=(P,T,F,W)的节点,x的前置集·x定义为·x={y∈P∪T|(y,x)∈F},x的后置集x·定义为x·={y∈P∪T|(x,y)∈F},相应地,X∈P∪T是节点的集合,X的前置集·X定义为·X=∪x∈X ·x,X的后置集X·定义为
对于一个Petri网系统,Pre∈{0,1}m×n:为前置关联矩阵,Post∈{0,1}m×n:为后置关联矩阵,分别指定从库所到变迁和变迁到库所的弧,其中m为库所数目,n为变迁数目;若库所p的输出弧指向变迁t时,Pre(p,t)=1,否则Pre(p,t)=0;若变迁t的输出弧指向库所p时,Post(p,t)=1,否则Post(p,t)=0;C=Post-Pre∈Zm×n是关联矩阵,其中Z={0,±1,±2,...}表示整数集;
所述的步骤二具体为:
每一个变迁上的自环代表资源回路,变迁触发延迟向量用θ=[θ(t1),θ(t2),...,θ(tn)]T表示,其中θ(ti)表示每个变迁ti的触发时间,即该变迁代表的资源Mi需要的加工时间;
资源成本用向量f=[f(t1),f(t2),...,f(tn)]T表示,其中f(ti)表示每个变迁ti代表工序所需资源Mi的成本;
资源数量上限用向量Up=[Up(t1),Up(t2),...,Up(tn)]T表示,其中Up(ti)表示每个变迁ti代表工序所需资源Mi的数量上限;
所述的步骤三具体为:
3.1)M=[M(p1),M(p2),...,M(pm)]T是Petri网的数量标识,如果库所pi内有原材料或者资源,那么M(pi)为原材料或者资源数量,否则M(pi)=0;
3.4)根据利特尔法则(Little′s law)得到一个线性规划来计算基于当前数量标识下M的最小生产周期γ(M),具体表示如下:
minγ(M)
s.t.
C·v+γ(M)·M≥Pre·θ
其中:
C∈Zm×n是Petri网的关联矩阵;
v∈Rn×1是一个没有物理意义的变量向量;
γ(M)是在数量标识M下的生产周期;
M是Petri网的数量标识,包含了原材料和资源的数量;
Pre∈{0,1}m×n是Petri网的前置关联矩阵;
θ是Petri网的变迁触发延迟向量,包含了每个变迁发射所需要的时间。
所述的步骤四具体为:
F(Me)=Me·f
其中F(Me)是资源数量配置Me的成本,也是需要优化的目标;否则F(Me)=∞;
4.3)令最小成本:F(Me)*=F(Me);
最优资源数量配置:Me *=Me。
所述的步骤五具体为:
5.1)资源数量配置操作:
在每一个温度下的资源数量配置存在两种操作机制:
第一种操作,两点交换操作:
第二种操作,变异操作:
5.2)根绝新的资源数量配置M′e更新Petri网的数量标识为M′;
5.3)根据利特尔法则(Little′s law)得到一个线性规划来计算基于当前数量标识下M′的最小生产周期γ(M′),具体表示如下:
minγ(M′)
s.t.
C·v+γ(M′)·M′≥Pre·θ
其中:
C∈Zm×n是Petri网的关联矩阵;
v∈Rn×1是一个没有物理意义的变量向量;
γ(M′)是在数量标识M′下的生产周期;
M′是操作后Petri网的数量标识,包含了原材料和资源的数量;
Pre∈{0,1}m×n是Petri网的前置关联矩阵;
θ是Petri网的变迁触发延迟向量,包含了每个变迁发射所需要的时间;
F(M′e)=M′e·f
其中F(M′e)是新的资源数量配置M′e的成本,否则F(M′e)=∞;
5.6)判断F(M′e)和F(Me)的大小:
①若F(M′e)<F(Me),则更新Me=M′e;
另外若F(M′e)<F(Me)*,则更新最小成本和最优资源数量配置;
令最小成本:F(Me)*=F(M′e);
最优资源数量配置:Me *=M′e;
②若F(M′e)≥F(Me),则根据Metropolis接受准则以:
所述的步骤六具体为:
输出步骤五中通过模拟退火算法优化得到的最小成本F(Me)*以及最优数量配置Me *。
本发明的有益效果为:
对于一个制造系统需要满足一定生产率的前提下,资源数量配置具有多种可能行,对于不同的资源数量配置,其生产率和资源成本都可能有很大的差异,因此对资源数量配置的合理选择,对满足生产率的前提下使得成本最小化十分有必要的,能够合理利用资源,节省企业生产线的空间。本发明利用Petri网和模拟退火算法,首先建立制造系统Petri网模型,然后根据实际情况输入各道工序的加工时间、资源成本、资源数量上限以及生产率下限,并输入原材料数量、随机生成初始资源数量配置,计算系统的生产率是否满足要求,并计算初始资源数量配置的成本并赋值最小成本和最优资源数量配置,然后利用模拟退火算法进行成本优化,优化完成后最终输出最小成本和最优资源数量配置。
本发明不仅具有良好的通用性,而且在满足生产率的前提下,优化资源数量配置来使得制造系统成本最小化,较大程度的降低了企业的投资成本并合理分配成本,具有良好的应用前景;本发明还能与智能算法结合起来,提高计算的高效性。
附图说明
图1是本发明方法的流程框图。
图2是本发明实施例的Petri网模型图。
图3是本发明实施例步骤五模拟退火优化的流程框图。
具体实施方式
以下结合实施例和附图对发明作进一步说明。
参照图1,一种基于Petri网的制造系统成本最小化资源配置方法,包括以下步骤:
步骤一:建立制造系统Petri网模型:
根据实际生产线绘制Petri网模型,如图2所示,将两个生产线的原材料库存抽象建模为库所p1、p5,第一个生产线中的车床、铣床、磨床分别抽象建模为库所p8、p9、p10,对应的加工过程抽象建模为变迁t1、t2、t3,缓冲区分别抽象建模为库所p2、p3、p4;第二个生产线中的车床、铣床分别抽象建模为库所p11、p12,对应的加工过程抽象建模为变迁t4、t5,缓冲区分别抽象建模为库所p6、p7;总装机器抽象建模为库所p13,对应的加工过程抽象建模为变迁t6;Petri网是一个四元组,用N=(P,T,F,W)来表示,其中:P、T分别是库所和变迁的集合,F∈(P×T)∪(T×P)表示有向弧集合, 表示各个有向弧的权值;如果W(f)=1,则该Petri网又称为普通网,否则称为一般网;
在本实施例中:
P={p1,p2,p3,p4,p5,p6,p7,p8,p9,p10,p11,p12,p13}
T={t1,t2,t3,t4,t5,t6}
令x∈P∪T是Petri网N=(P,T,F,W)的节点,x的前置集·x定义为·x={y∈P∪T|(y,x)∈F},x的后置集x·定义为x·={y∈P∪T|(x,y)∈F},相应地,X∈P∪T是节点的集合,X的前置集·X定义为·X=∪x∈X ·x,X的后置集X·定义为
对于一个Petri网系统,Pre∈{0,1}m×n:为前置关联矩阵,Post∈{0,1}m×n:为后置关联矩阵,分别指定从库所到变迁和变迁到库所的弧,其中m为库所数目,n为变迁数目;若库所p的输出弧指向变迁t时,Pre(p,t)=1,否则Pre(p,t)=0;若变迁t的输出弧指向库所p时,Post(p,t)=1,否则Post(p,t)=0;C=Post-Pre∈Zm×n是关联矩阵,其中Z={0,±1,±2,...}表示整数集;在本实施例中:
定义原始材料库所集台其中mr表示原始材料库所数目;定义资源库所集合其中me表示资源的库所数目,库所表示资源Mi,即在变迁ti自环回路中的库所;一般情况下一个变迁由一个资源库所控制,即,me=n;在本实施例中:
Pr={p1,p5}
Pe={p8,p9,p10,p11,p12,p13}
me=n=6
其中库所p8代表资源M1,库所p9代表资源M2,库所p10代表资源M3,库所p11代表资源M4,库所p12代表资源M5,库所p13代表资源M6;
步骤二:输入各道工序的加工时间、资源成本、资源数量上限以及生产率下限:
每一个变迁上的自环代表资源回路,变迁触发延迟向量用θ=[θ(t1),θ(t2),...,θ(t6)]T表示,其中θ(ti)表示每个变迁ti的触发时间,即该变迁代表的资源Mi需要的加工时间;本实施例中:
θ=[10,8,4,3,6,7]T
其具体意义为资源M1、资源M2、资源M3、资源M4、资源M5、资源M6的加工时间分别是10、8、4、3、6、7;
资源成本用向量f=[f(t1),f(t2),...,f(t6)]T表示,其中f(ti)表示每个变迁ti代表工序所需资源Mi的成本;本实施例中:
f=[7,5,2,9,5,13]T
其具体意义为资源M1、资源M2、资源M3、资源M4、资源M5、资源M6的成本分别是7、5、2、7、5、13;
资源数量上限用向量Up=[Up(t1),Up(t2),...,Up(t6)]T表示,其中Up(ti)表示每个变迁ti代表工序所需资源Mi的数量上限;本实施例中:
Up=[10,10,10,10,10,10]T
其具体意义为资源M1、资源M2、资源M3、资源M4、资源M5、资源M6每种资源最多10台;
步骤三:输入原材料数量、随机生成初始资源数量配置:
3.1)M=[M(p1),M(p2),...,M(p13)]T是Petri网的数量标识,如M(p1)、M(p5)表示原材料数量,M(p8)、M(p9)、M(p10)、M(p11)、M(p12)、M(p13)分别表示资源M1、资源M2、资源M3、资源M4、资源M5、资源M6的数量;
3.3)根据资源数量上限Up,对于每一个资源Mi的数量是一个随机整数其中N是正整数集,则另外,用表示资源数量配置,其中表示资源Mi的数量;在本实施例中可随机生成:M(p8)=5、M(p9)=3、M(p10)=9、M(p11)=4、M(p12)=2、M(p13)=6,即一个初始资源数量配置为:
Me=[5,3,9,4,2,6]
则:
M=[1000,0,0,0,1000,0,0,5,3,9,4,2,6]T
3.4)根据利特尔法则(Little′s law)得到一个线性规划来计算基于当前数量标识下M的最小生产周期γ(M),具体表示如下:
minγ(M)
s.t.
C·v+γ(M)·M≥Pre·θ
其中:
C∈Zm×n是Petri网的关联矩阵;
v∈Rn×1是一个没有物理意义的变量向量;
γ(M)是在数量标识M下的生产周期;
M是Petri网的数量标识,包含了原材料和资源的数量;
Pre∈{0,1}m×n是Petri网的前置关联矩阵;
θ是Petri网的变迁触发延迟向量,包含了每个变迁发射所需要的时间;
在本实施例中,对于M=[1000,0,0,0,1000,0,0,5,3,9,4,2,6]T可求得γ(M)=3;
步骤四:计算制造系统的生产率是否满足要求,计算初始资源数量配置的成本并赋值最小成本和最优资源数量配置:
F(Me)=Me·f
其中F(Me)是资源数量配置Me的成本,也是需要优化的目标;否则F(Me)=∞;
4.3)令最小成本:F(Me)*=F(Me);
最优资源数量配置:Me *=Me;
本实施例中对于初始资源数量配置Me=[5,3,9,4,2,6],初始最小成本和最优资源数量配置赋值如下:
F(Me)*=F(Me)=192
Me *=Me=[5,3,9,4,2,6]
步骤五:参照图3,利用模拟退火算法进行成本优化:
5.1)资源数量配置操作:
在每一个温度下的资源数量配置存在两种操作机制:
第一种操作,两点交换操作:
在本实施例中对于Me=[5,3,9,4,2,6]随机交换两点可能产生M′e=[5,2,9,4,3,6];
第二种操作,变异操作:
在本实施例中对于Me=[5,3,9,4,2,6]随机一点变异可能产生M′e=[5,3,9,4,2,1];
5.2)根绝新的资源数量配置M′e更新Petri网的数量标识为M′;在本实施例中,对于新的资源数量配置M′e=[5,3,9,4,2,1],更新Petri网的数量标识M′=[1000,0,0,0,1000,0,0,5,3,9,4,2,1]T
5.3)根据利特尔法则(Little′s law)得到一个线性规划来计算基于当前数量标识下M′的最小生产周期γ(M′),具体表示如下:
minγ(M′)
s.t.
C·v+γ(M′)·M′≥Pre·θ
其中:
C∈Zm×n是Petri网的关联矩阵;
v∈Rn×1是一个没有物理意义的变量向量;
γ(M′)是在数量标识M′下的生产周期;
M′是操作后Petri网的数量标识,包含了原材料和资源的数量;
Pre∈{0,1}m×n是Petri网的前置关联矩阵;
θ是Petri网的变迁触发延迟向量,包含了每个变迁发射所需要的时间;
在本实施例中,对于新Petri网的数量标识M′=[1000,0,0,0,1000,0,0,5,3,9,4,2,1]T可求得γ(M′)=7;
F(M′e)=M′e·f
其中F(M′e)是新的资源数量配置M′e的成本,否则F(M′e)=∞;
5.6)判断F(M′e)和F(Me)的大小:
①若F(M′e)<F(Me),则更新Me=M′e;
另外若F(M′e)<F(Me)*,则更新最小成本和最优资源数量配置;
令最小成本:F(Me)*=F(M′e);
最优资源数量配置:Me *=M′e;
②若F(M′e)≥F(Me),则根据Metropolis接受准则以:
在本实施例中,每个温度下搜索10次;
步骤六:输出最小成本和最优资源数量配置:输出步骤五中通过模拟退火算法优化得到的最小成本F(Me)*以及最优数量配置Me *;
在本实施例中,对于给定的资源数量上限要求Up=[10,10,10,10,10,10]T,一共有106种资源数量配置可能性。用枚举法或者线性规划的方法解决该类问题需要耗费大量的时间成本,因此运用智能算法解决在制造系统满足生产率的前提下如何配置资源数量使得资源成本最小化是十分有必要的。本实施例利用Petri网和模拟退火算法,首先建立制造系统Petri网模型,然后根据实际情况输入各道工序的加工时间、资源成本、资源数量上限以及生产率下限,并输入原材料数量、随机生成初始资源数量配置,计算系统的生产率是否满足要求,并计算初始资源数量配置的成本并赋值最小成本和最优资源数量配置,然后利用模拟退火算法进行成本优化,优化完成后最终输出最小成本和最优资源数量配置。通过本实施例的求解结果显示,本发明方法能够有效解决在制造系统满足生产率的前提下如何配置资源数量使得资源成本最小化问题。针对更大规模的该类问题,本发明方法利用智能算法依然能够快速高效地求解,具有良好的通用性。
Claims (7)
1.一种基于Petri网的制造系统成本最小化资源配置方法,其特征在于,包括以下步骤:
步骤一:建立制造系统Petri网模型;
步骤二:输入各道工序的加工时间、资源成本、资源数量上限以及生产率下限;
步骤三:输入原材料数量、随机生成初始资源数量配置;
步骤四:计算制造系统的生产率是否满足要求,计算初始资源数量配置的成本并赋值最小成本和最优资源数量配置;
步骤五:利用模拟退火算法进行成本优化;
步骤六:输出最小成本和最优资源数量配置。
2.根据权利要求1所述的方法,其特征在于,所述的步骤一具体为:
根据实际生产线绘制Petri网模型;Petri网是一个四元组,用N=(P,T,F,W)来表示,其中:P、T分别是库所和变迁的集合,F∈(P×T)∪(T×P)表示有向弧集合,表示各个有向弧的权值;如果W(f)=1,则Petri网又称为普通网,否则称为一般网;
令x∈P∪T是Petri网N=(P,T,F,W)的节点,x的前置集·x定义为·x={y∈P∪T|(y,x)∈F},x的后置集x·定义为x·={y∈P∪T|(x,y)∈F},相应地,X∈P∪T是节点的集合,X的前置集·X定义为·X=∪x∈X ·x,X的后置集X·定义为X·=∪x∈Xx·.;
对于一个Petri网系统,为前置关联矩阵,为后置关联矩阵,分别指定从库所到变迁和变迁到库所的弧,其中m为库所数目,n为变迁数目;若库所p的输出弧指向变迁t时,Pre(p,t)=1,否则Pre(p,t)=0;若变迁t的输出弧指向库所p时,Post(p,t)=1,否则Post(p,t)=0;C=Post-Pre∈Zm×n是关联矩阵,其中Z={0,±1,±2,...}表示整数集;
4.根据权利要求3所述的方法,其特征在于,所述的步骤三具体为:
3.1)M=[M(p1),M(p2),...,M(pm)]T是Petri网的数量标识,如果库所pi内有原材料或者资源,那么M(pi)为原材料或者资源数量,否则M(pi)=0;
3.4)根据利特尔法则(Little′s law)得到一个线性规划来计算基于当前数量标识下M的最小生产周期γ(M),具体表示如下:
minγ(M)
s.t.
C·v+γ(M)·M≥Pre·θ
其中:
C∈Zm×n是Petri网的关联矩阵;
v∈Rn×1是一个没有物理意义的变量向量;
γ(M)是在数量标识M下的生产周期;
M是Petri网的数量标识,包含了原材料和资源的数量;
Pre∈{0,1}m×n是Petri网的前置关联矩阵;
θ是Petri网的变迁触发延迟向量,包含了每个变迁发射所需要的时间。
6.根据权利要求5所述的方法,其特征在于,所述的步骤五具体为:
5.1)资源数量配置操作:
在每一个温度下的资源数量配置存在两种操作机制:
第一种操作,两点交换操作:
第二种操作,变异操作:
5.2)根绝新的资源数量配置M′e更新Petri网的数量标识为M′;
5.3)根据利特尔法则(Little′s law)得到一个线性规划来计算基于当前数量标识下M′的最小生产周期γ(M′),具体表示如下:
minγ(M′)
s.t.
C·v+γ(M′)·M′≥Pre·θ
其中:
C∈Zm×n是Petri网的关联矩阵;
v∈Rn×1是一个没有物理意义的变量向量;
γ(M′)是在数量标识M′下的生产周期;
M′是操作后Petri网的数量标识,包含了原材料和资源的数量;
Pre∈{0,1}m×n是Petri网的前置关联矩阵;
θ是Petri网的变迁触发延迟向量,包含了每个变迁发射所需要的时间;
F(M′e)=M′e·f
其中F(M′e)是新的资源数量配置M′e的成本,否则F(M′e)=∞;
5.6)判断F(M′e)和F(Me)的大小:
①若F(M′e)<F(Me),则更新Me=M′e;
另外若F(M′e)<F(Me)*,则更新最小成本和最优资源数量配置;
令最小成本:F(Me)*=F(M′e);
最优资源数量配置:Me *=M′e;
②若F(M′e)≥F(Me),则根据Metropolis接受准则以:
7.根据权利要求1所述的方法,其特征在于,所述的步骤六具体为:输出步骤五中通过模拟退火算法优化得到的最小成本F(Me)*以及最优数量配置Me *。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111301090.4A CN114037251A (zh) | 2021-11-04 | 2021-11-04 | 一种基于Petri网的制造系统成本最小化资源配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111301090.4A CN114037251A (zh) | 2021-11-04 | 2021-11-04 | 一种基于Petri网的制造系统成本最小化资源配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114037251A true CN114037251A (zh) | 2022-02-11 |
Family
ID=80142856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111301090.4A Withdrawn CN114037251A (zh) | 2021-11-04 | 2021-11-04 | 一种基于Petri网的制造系统成本最小化资源配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037251A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511234A (zh) * | 2022-02-16 | 2022-05-17 | 陕西科技大学 | 一种生产线资源稳健配置方法、系统、设备及可读存储介质 |
CN116050638A (zh) * | 2023-02-10 | 2023-05-02 | 武汉科技大学 | 基于标签时间Petri网的自动制造系统初始资源优化配置方法 |
-
2021
- 2021-11-04 CN CN202111301090.4A patent/CN114037251A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114511234A (zh) * | 2022-02-16 | 2022-05-17 | 陕西科技大学 | 一种生产线资源稳健配置方法、系统、设备及可读存储介质 |
CN114511234B (zh) * | 2022-02-16 | 2023-05-30 | 陕西科技大学 | 一种生产线资源稳健配置方法、系统、设备及可读存储介质 |
CN116050638A (zh) * | 2023-02-10 | 2023-05-02 | 武汉科技大学 | 基于标签时间Petri网的自动制造系统初始资源优化配置方法 |
CN116050638B (zh) * | 2023-02-10 | 2023-09-01 | 武汉科技大学 | 基于标签时间Petri网的自动制造系统初始资源优化配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107301473B (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
CN114037251A (zh) | 一种基于Petri网的制造系统成本最小化资源配置方法 | |
US11860610B2 (en) | Systems of industrial internet of things for industrial production control and control methods thereof | |
CN110288126B (zh) | 一种机器人铸造生产线产能优化方法 | |
CN104636871B (zh) | 一种基于数据的单阶段多产品批处理的控制方法 | |
CN112232548B (zh) | 基于遗传算法的机械加工车间智能排产优化方法及系统 | |
CN112381343B (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 | |
JPH0652176A (ja) | 最適化方法およびそれを利用した工程計画作成装置 | |
CN108053152A (zh) | 基于多色集合的改进遗传算法求解动态车间调度的方法 | |
Xianzhou et al. | An improved genetic algorithm for dual-resource constrained flexible job shop scheduling | |
CN112286152B (zh) | 具有批量交付约束的分布式流水车间调度方法及系统 | |
CN114492895A (zh) | 汽车发动机柔性产线分批与调度方法 | |
CN113805545A (zh) | 一种考虑批处理的柔性流水车间组合调度规则生成方法 | |
CN111857081A (zh) | 基于Q-learning强化学习的芯片封装测试生产线性能控制方法 | |
Mathirajan et al. | Heuristic algorithms for scheduling heat-treatment furnaces of steel casting industries | |
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 | |
CN112101773A (zh) | 一种用于流程工业的多智能体系统任务调度方法及系统 | |
Ma et al. | A hybrid particle swarm optimization and simulated annealing algorithm for job-shop scheduling | |
CN115049246A (zh) | 一种面向订单扰动下的离散制造生产线重调度方法 | |
CN109543921A (zh) | 基于改进遗传算法的石油专用管流水车间的生产排产方法 | |
CN112907152A (zh) | 多组同时完工工序综合调度的多功能设备预选矩阵方法 | |
CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
CN115829425A (zh) | 基于成组技术和改进cs算法的虚拟单元调度方法和系统 | |
CN116011723A (zh) | 基于哈里斯鹰算法的焦化炼焦混合流水车间智能调度方法及应用 | |
CN115700647A (zh) | 一种基于禁忌搜索遗传算法的车间柔性作业调度方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220211 |