CN114118799A - 一种基于虚拟工序的遗传算法车间排产方法 - Google Patents

一种基于虚拟工序的遗传算法车间排产方法 Download PDF

Info

Publication number
CN114118799A
CN114118799A CN202111421074.9A CN202111421074A CN114118799A CN 114118799 A CN114118799 A CN 114118799A CN 202111421074 A CN202111421074 A CN 202111421074A CN 114118799 A CN114118799 A CN 114118799A
Authority
CN
China
Prior art keywords
order
scheduling
individual
virtual process
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
Application number
CN202111421074.9A
Other languages
English (en)
Inventor
李永恒
张梦杰
曹文辉
赵吉祥
苏展
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.)
Henan Huizhiyu Big Data Co ltd
Original Assignee
Henan Huizhiyu Big Data Co ltd
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 Henan Huizhiyu Big Data Co ltd filed Critical Henan Huizhiyu Big Data Co ltd
Priority to CN202111421074.9A priority Critical patent/CN114118799A/zh
Publication of CN114118799A publication Critical patent/CN114118799A/zh
Pending legal-status Critical Current

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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • 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
    • G06Q10/0633—Workflow 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提出了一种基于虚拟工序的遗传算法车间排产方法，其步骤如下：读取排产任务，抽取排产订单中的排产数据，将排产数据进行标准化处理；按照虚拟工序表示规则将标准化后的排产数据转化为虚拟工序排产数据；利用增加了移民策略和最优保存策略的遗传算法处理虚拟工序排产数据，将遗传算法输出的最优个体解码得到最优的车间排产结果；对输出的最优的车间排产结果在用户界面进行可视化的展示。本发明虚拟工序处理极大的简化了遗传算法在求解复杂排产问题的求解难度，提高了算法求解速度。本发明利用遗传算法对排产问题进行建模求解，降低订单交付延期、提高在制品周转率、克服人工排产缺陷；通过最优保存策略和移民策略保证了算法的全局收敛性。

Description

一种基于虚拟工序的遗传算法车间排产方法
技术领域
本发明涉及智能车间排产调度的技术领域，尤其涉及一种基于虚拟工序的遗传算法车间排产方法，构建多目标约束条件并通过遗传优化算法进行求解，优化车间排产。
背景技术
在智能车间排产调度领域，目前的主流技术方案是采用启发式算法，如遗传算法、粒子群算法、模拟退火算法等以及各种在这些启发式算法上进行改进的方法。以主流的遗传算法在车间排产为例，一般分为以下内容步骤：
1.编码，用一组特定规则表示的数据代表排产问题的可能解。
2.解码，按照预设的规则将求得的解转换为可理解的直观数据。
3.初始化种群，按照编码规则，随机生成若干个可能解（种群个体），作为遗传算法的初始种群。
4.适应度计算，按照预定的约束条件，如加工时间等，对种群个体进行评价，以此作为个体的适应度。
5.选择，在每一个连续的父代和子代中，子代继承父代的部分染色体，然后基于子代的适应度值来选择新产生的个体。
6.交叉：采用各交叉算子，如两点交叉算子。两个染色体的某一相同位置处基因被切断，前后两串分别交叉组合形成两个新的染色体。也称基因重组或杂交。
7.变异：复制时可能（很小的概率）产生某些复制差错，变异产生新的染色体，表现出新的性状。
8. 重复步骤4、5、6、7实现进化，直到达到指定的迭代次数，或获得指定的值。获得最优个体，解码产生最优排产方案。
现有的遗传启发式算法，需要根据排产问题设计复杂的编码方法，并且当产品、工序增多的时候，会导致解空间急剧增大，进而使得求解时间变长，甚至无法在短时间内求得满意解。另外，普遍采用传统的遗传算法在后期容易陷入局部极值，出现早熟的现象。
在中国发明专利CN202010962138中，提出了一种利用遗传算法进行机械加工车间智能排产优化的方法。具体步骤包括：1.针对车间调度任务，构建柔性作业车间调度问题数学模型；2.利用改进的遗传算法求解步骤1中的数学模型，获得并输出最优的机械加工车间智能化排产优化方案；3.判断车间调度任务是否更新，若是则返回执行步骤1。该专利为启发式算法在智能排产领域的一个典型应用，同样的，该方法存在着求解时间长的问题，传统遗传算法后期会陷入局部极值等问题，如果问题较为复杂，还可能导致编码设计困难。
在中国专利申请CN201911215900中，提出了一种优选的利用启发式算法的车间资源调度方法，其主要步骤为：1.接受输入数据并输入到算法中；2.设置约束条件，用来筛选结果；3.算法接受数据进行运算并输出结果。重要步骤集中在步骤2，步骤2中相对于传统的遗传算法，在初始化种群阶段，采用模糊聚类的方式，将加工数据分成多个簇或者类。该方法一定程度上降低了算法运行时间，提升了结果质量。同样的，排产问题较复杂时，聚类会产生的较多的簇或者类，算法运行时间仍然较长，且聚类算法运行效果依赖于聚类算法参数设置，为排产引入了新的不确定因素。
发明内容
针对现有的启发式算法，如遗传算法，在面对复杂加工场景，存在难以设计染色体编码方式、求解时间长的技术问题，本发明提出一种基于虚拟工序的遗传算法车间排产方法，采用虚拟工序的方式简化原问题，对简化后的排产问题再利用遗传算法求解，排产问题的编码设计、求解难度速度等都较原问题大幅下降；另外，通过引入移民策略避免了遗传算法在后期可能出现的早熟现象；通过最优保存策略，延长了优秀个体的生存寿命，保证了遗传算法的全局收敛性。
为了达到上述目的，本发明的技术方案是这样实现的：一种基于虚拟工序的遗传算法车间排产方法，其步骤如下：
步骤1.读取排产任务，抽取排产订单中的排产数据，将排产数据进行标准化处理；
步骤2.按照虚拟工序表示规则将标准化后的排产数据转化为虚拟工序排产数据；
步骤3.利用增加了移民策略和最优保存策略的遗传算法处理虚拟工序排产数据，将遗传算法输出的最优个体解码得到最优的车间排产结果；
步骤4.对输出的最优的车间排产结果在用户界面进行可视化的展示。
所述步骤1中排产数据包括抽取排产订单对应的产品工序信息和机器信息，产品工序信息包括产品各个工艺的加工顺序和加工时间，机器信息包括每个机器对应的加工工艺。
所述步骤一中标准化包括工序的标准化和订单的标准化，工序的标准化是将输入的需要排产的订单任务信息中所有工序采用同一套编码表示方法进行编码，使同一种工序在不同订单、不同产品中编码一致，且有序的从1开始进行编码；订单的标准化是将所有排产订单的编码采用同一套编码方式按顺序从1进行编码。
所述步骤一中排产任务中还包括订单交付数据和库存数据，订单交付数据用于获取订单的交付时间、数量信息，交付时间用来评估排产结果的好坏，数量信息用来计算单个订单的加工时间；库存数据用于评估实际需要生产的产品数量，实际生产=订单需求-库存。
所述步骤2中虚拟工序表示规则为：依次遍历所有订单的所有工序信息，如果若干个订单产品的加工工序存在相同的部分，则这些订单的虚拟工序编码相同，虚拟工序编码从第一个订单开始生成，直到最后一个订单，一个虚拟工序编码代表一个订单的加工工序序列；不同虚拟工序编码的订单不存在共用工序，可以同时进行加工，同虚拟工序编码的订单存在共用工序，排产时按先后顺序进行加工处理；相同虚拟工序编号的订单，给其中一个订单分配了该虚拟工序编号后，该订单就占用了这个虚拟工序编号代表的一系列实际工序下的使用时间，其他订单在分配时只能分配该虚拟工序的其他时间或者其他空闲的虚拟工序。
所述步骤3中的遗传算法依次包括编码、初始化种群、适应度计算、选择、交叉、变异、最优保护策略、移民策略和解码。
所述编码是对虚拟工序编码进行编码，染色体的长度为虚拟工序总个数*订单任务数，虚拟工序数是虚拟工序总个数，订单任务数是需要进行排产的订单的数量；随机生成一个染色体表示一个个体，个体组成种群；以每虚拟工序数为一节，每一节中的下标次序代表虚拟工序编码，染色体中每节的下标表示订单编码，每节中除该节对应的订单任务i所对应的虚拟工序有值外，该节其余位置的编码均为0，虚拟工序值表示在该虚拟工序上的加工顺序在初始化种群时为随机生成，取值为1到任务订单数之间的整数；
所述初始化种群采用虚拟工序方式对原始复杂排产场景进行简化；根据编码的规则，随机生成满足编码要求的单个染色体作为个体，重复生成个体直到满足规定数量的个体形成种群，构成初始种群；
所述适应度计算：考虑到订单最早交付时间、库存上下限的约束进行综合计算设计适应度函数，每个约束分配不同的权重，权重和为1；
所述选择操作是以一定的概率从种群中选择若干的个体，以遗传到下一代个体；采用轮盘赌选择算子，每个个体进入下一代的概率等于它的适应度值与整个种群适应度和的比例；
所述交叉采用两点交叉算子交配产生下一代个体，在父代染色体上随机选取两个交换节点，交换父母染色体序列中两个交换点之间的节，实现两点交叉；
所述变异为设定变异概率和个体数量，确定变异个体数量；然后随机选取种群中的某个个体作为变异个体执行变异操作；变异操作为随机选取染色体序列中某一节，该节中一系列值应该只有一个不为0，代表订单所在虚拟工序和加工顺序，对该值进行重新赋值为1到所有使用该虚拟工序的订单任务数之间的随机整数；重复选择个体和变异操作，直到生产满足变异数量要求的个体。
每次迭代前，根据适应度函数计算部分数据，挑选出当代种群最佳个体并记录，加入最优个体记录列表，用于最后输出最优个体；
种群迭代次数达到预设次数时，算法停止迭代，并从迭代的最优个体记录中选取最佳的个体进行解码；
所述解码为参照编码的规则，从染色体的左侧往右，以每虚拟工序数为一节，将染色体拆分为数量为订单任务数的节。
所述适应度的计算方法为染色体个体对环境的适应程度为
适应度=1/(订单交期权重*订单交期损失+库存权重*库存损失)
其中，订单交期损失是订单交期的适应度，订单交期损失计算为：订单交期损失=订单排产计划确定的交期-订单的预定交期；
以订单交付时间为例，从左到右遍历染色体个体，对染色体以节为单位进行分割，订单任务j的开始时间为该虚拟工序上前j-1个订单任务的加工时间和：
订单任务j开始时间=前j-1订单任务加工时间和
1<=j<=n，n是订单的总个数;
订单任务j的结束时间为：
订单任务j结束时间=任务j开始时间+加工时间
则可得该订单任务j的交付损失为：
订单任务j交付损失=订单任务j结束时间-订单预定交付时间
订单预定交付时间根据订单信息得到即订单中的订单交付时间；
最后，加工完所有订单任务的排产整体交付时间损失为：
整体交付时间损失=sum(订单任务1…j交付损失)
在计算出相应的排产整体交付时间损失后，乘以权重值通过适应度函数计算出排产的整体适应度。
所述轮盘赌选择算子的实现方法为：
（1）计算该种群所有个体适应度之和fitness；
（2）对每个个体计算其个体选择概率Sele_i和当前已计算过个体选择概率的所有个体选择概率和，其中最新的概率和作为当前个体的累计选择概率Sum_i；个体选择概率Sele_i是预设的参数；
（3）随机生成随机数作为选择概率p；
（4）根据选择概率p落在个体累计概率Sum_i的区间选择个体，p落在哪个个体所在的累计概率区间就选择哪个个体；
（5）重复步骤（3）和（4）直到染色体数量满足种群数量要求时，停止选择过程；
所述最优个体保存策略是将父代、子代种群中的个体分别按适应度从大到小进行排序，从子代中选择一定比例的最优优秀个体替换父代中相应数量的最差个体，替换后的新种群形成一个新的种群作为下一次进化的初始种群；
所述移民策略为：每次形成新种群后，判断当前种群的多样性，若多样性较低，通过种群的适应度的方差引入移民策略；且方差：
Figure DEST_PATH_IMAGE001
式中，f i 为种群中第i个染色体个体的适应度值；
Figure DEST_PATH_IMAGE002
为种群的平均适应度值；N为种群个体数目；当方差D小于某一阀值时，需要实施移民策略；
移民策略首先生成外部移民，生成方法直接利用初始化种群的方式进行生成；生成移民后，利用移民替换现有种群的最低适应度的个体，最终形成新的种群；
若两个订单的虚拟工序编码和加工顺序相同，导致产生冲突，错误个体修复的步骤如下：
1）遍历所有虚拟工序编码，同时记录每个虚拟工序编码下的订单编码；
2）判断对每个虚拟工序编码下的订单加工顺序是否有冲突，若有，进行重新排序；
3）重新排序：从订单顺序1开始排，当遇到两或多个个顺序相同时，查询订单交付时间，按距离交付时间先后进行排序；
4）直到所有虚拟工序编码下面，所有订单加工顺序无冲突。
所述步骤4中可视化的展示包括包括排产派单和排产甘特图，排产派单根据排产的结果生成生产任务，派发到加工部门安排生产；排产甘特图是根据排产的结果生产的甘特图，用于展示排产计划；最优的排产结果用排产甘特图的形式进行展示。
现有的遗传算法排产方法，在处理复杂排产情况时，如多订单多产品小批量混流生产，通常面临着求解时间过长的缺陷。与现有技术相比，本发明具有以下有益效果：
1.本发明通过对原始排产数据进行虚拟工序处理，极大的简化了遗传算法等启发式算法在求解复杂排产问题的求解难度，并提高了算法求解速度。在160个订单、20个总工序的测试数据上，原始遗传算法运行时间为两个多小时，经过虚拟工序处理后的遗传算法运行时间减少到了五分钟，效果十分明显。
2.本发明利用遗传算法等启发式算法对排产问题进行建模求解，通过设计、调整不同的适应度函数，以达到降低订单交付延期、提高在制品周转率、克服人工排产缺陷的目的。如要实现其他需求可通过设计调整适应度函数进行实现，扩展性较强。
3.本发明通过最优保存策略和移民策略，保证了算法的全局收敛性，以及避免出现陷入局部极值的情况。
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为本发明整体框架的结构示意图。
图2为本发明方法的流程示意图。
图3为本发明遗传算中交叉的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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付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。
本发明整体的框架结构图如图1所示，包含基础数据部分、遗传算法部分、用户交互部分，基础数据部分给遗传算法部分提供数据，遗传算法部分将得到的排产调度方案传送至用户交互部分。基础数据部分包括订单交付数据、算法预设数据、各库存数据和产品工艺工时工序数据。订单交付数据用于获取订单的交付时间、数量信息，前者可以用来评估排产结果的好坏（适应度部分可以用到），后者用来计算单个订单的加工时间。算法预设数据包括算法迭代次数、变异交叉概率等，该部分数据用于控制算法的运行情况，比如算法迭代多少次停止，每次迭代时的变异概率等；库存数据用于评估实际需要生产的产品数量，实际生产=订单需求-库存；产品工艺工时数据在生成虚拟工序时会用到。遗传算法部分包括虚拟工序、适应度函数、最优个体以及遗传、变异、选择部分。用户交互部分通过液晶显示可以进行人机交互，包括排产派单、排产甘特图、排产编辑和资源负载，排产派单是根据排产的结果生成生产任务，派发到加工部门安排生产；排产甘特图是根据排产的结果生产的甘特图，用于展示排产计划；排产编辑用于编辑排产结果，算法生成的排产结果可能和需要的有差别、冲突，提供算法排产结果的手动编辑功能；资源负载用于展示每个加工的单元的负荷信息，方便找到负荷最低的单元。其中，算法部分为本发明的核心部分。
如图2所示，一种基于虚拟工序的遗传算法车间排产方法，其步骤如下：
步骤1.读取排产任务，抽取排产订单中的排产数据，将排产数据进行标准化处理。
在一个具体实施例中，假设有n个订单，m个加工工序，每个订单的数量不一定相同，加工时间也不一定相同，但均是已知的，每个订单不一定使用所有的m个加工工序。排产调度的目标是使得订单的完工时间满足订单信息中的交付时间、不出现延期交付、库存不超过安全库存、机器利用率达到最优等。
抽取排产订单对应的产品工序信息、机器信息、遗传算法信息等，作为排产数据。标准化处理将排产数据转化为编码规则统一有序的排产数据。其中产品工序信息包括产品各个工艺的加工顺序、加工时间等；机器信息包括每个机器对应的加工工艺；遗传算法数据包括算法的预设数据，即算法迭代次数、变异概率、选择概率等。
工序的标准化为：将输入的需要排产的订单任务信息中所有工序采用同一套编码表示方法进行编码，使同一种工序在不同订单、不同产品中编码一致，且有序的从1开始进行编码，如p1,p2,p3……pm。
订单的标准化：将所有排产订单的编码采用同一套编码方式按顺序从1进行编码，如j1,j2,j3……jn。
步骤2.按照虚拟工序表示规则将标准化后的排产数据转化为虚拟工序排产数据。
本发明主要针对的是多订单产品小批量混流生产，由于实际排产场景较为复杂，且加工系统为离散资源系统，所以将排产中的工序信息利用虚拟工序进行抽象，进而降低问题复杂度。虚拟工序表示规则为：依次遍历所有订单的所有工序信息，如果若干个订单产品的加工工序存在相同的部分，则这些订单的虚拟工序编码相同，虚拟工序编码从第一个订单开始生成，直到最后一个订单，一个虚拟工序编码代表一个订单的加工工序序列。例如，存在5个订单，首先依次为这5个订单分配虚拟工序编码1、2、3、4、5。依次遍历所有订单的所有工序信息，如果某个订单产品任务的加工工序中，存在与前面订单任务中相同的工序，则该订单任务的虚拟编码改为前面存在同工序订单的虚拟编码，直到所有的不同虚拟编码的订单不存在相同工序为止。此时，不同虚拟工序编码的订单不存在共用工序，可以同时进行加工，同虚拟工序编码的订单存在共用工序，排产时需要按先后顺序进行加工处理。
第一个订单的虚拟工序编码假设为1，第二个订单虚拟工序编码假设为2……，每个订单分配一个编码作为虚拟工序编码，如果两个订单的工序标准编码序列中存在相同的编码，则这两个订单的虚拟编码设置为相同。如订单1的加工工序编码为[p1,p2,p3,p4,p5,p6]，虚拟工序为[1]，订单2的加工工序编码为[p8,p9,p10,p3,p4,p11]，则两个订单存在相同的加工工序p3和p4，即两个订单存在共用工序，则订单2的虚拟工序编码应该也为[1]。
虚拟工序编码可以将需要一系列工序编码表示的工艺流程缩短成用一个虚拟工序进行表示，大大降低算法计算的复杂程度，同时保证不会出现两个订单同时使用同一个工序。另外不同订单中如果存在相同的加工工序，则它们的虚拟工序也相同，在算法计算时会避免将它们排到同一时间进行执行，也就是说相同工序的订单，给其中一个订单分配了该虚拟工序后，该订单就占用了这个虚拟工序代表的一系列实际工序下的使用时间，其他订单在分配时只能分配该虚拟工序的其他时间或者其他空闲的虚拟工序。
步骤3.利用增加了移民策略和最优保存策略的遗传算法处理虚拟工序排产数据，将遗传算法输出的最优个体解码得到最优的车间排产结果。
根据遗传算法计算规则，运算并输出排产结果。所述遗传算法包括编码、初始化种群、适应度计算、选择、交叉、变异、最优保护策略、移民策略和解码。
编码：对输入数据即虚拟工序编码进行编码，染色体的长度为虚拟工序总个数*订单任务数，虚拟工序数指的是虚拟工序总个数；订单任务数即需要进行排产的订单的数量。染色体数量不只一个，采用同样的方法随机生成，一个染色体表示一个个体，个体组成了种群，种群大小即表示种群中的个体数，也就代表染色体的数量。其中以每虚拟工序数为一节，每一节中的下标次序代表虚拟工序编码，染色体中每节的下标表示订单编码，每节中除该节对应的订单任务i所对应的虚拟工序有值外，该节其余位置的编码均为0，虚拟工序值表示在该虚拟工序上的加工顺序，虚拟工序值不是前面的虚拟工序编码，该值在初始化种群时为随机生成，取值为1到任务订单数之间的整数。若此处有m个虚拟工序、n个订单，则[[0,0,1,0…0],…,[0,1,0 ,0…0]]表示订单1在虚拟工序3上进行加工，加工顺序为1。[[0,0,1,…0],…,[0,1,0 ,0…]]中的[0,0,1,…0]是第一个列表，代表第一个订单，同样下面的第二个列表就代表第二个订单，依次类推，一共有n个列表表示n个订单，每个列表的大小为m，代表m个虚拟工序，其中只有一个值不为0，该列表的其余值均为0；第一个列表唯一的不为0的值在列表的第三个位置，代表该订单在虚拟工序3进行加工（位置表示虚拟工序编码），又因为该值为1，所以代表在虚拟工序3上的加工顺序为1，即在虚拟工序3上第1个加工该订单。为计算方便，编码序列可合并成[1,0,1,…,n*m]的形式，直接合并，按次序依次去掉列表符号，将它们按顺序依次合并起来。染色体交叉、变异时，为避免破环节，只能以节为单位进行交叉、变异。
初始化种群：为简化计算提高运行效率，采用虚拟工序方式对原始复杂排产场景进行简化。根据编码部分的规则，随机生成满足编码要求的单个染色体作为个体，重复生成个体直到满足规定数量的个体形成种群，最后构成初始种群。每个染色体即为一个个体，一个可行的排产结果。在具体实例中，种群规模即为种群中个体的数量，根据需求提前设定，存储在算法预设的数据。一个染色体的实例就是一个个体。
适应度函数计算：考虑到订单最早交付时间、库存上下限的约束等多个现实因素进行综合计算设计适应度函数，每个约束分配不同的权重，权重和为1。通过调整约束的权重、设计约束计算方式等操作，可以选择算法迭代进化的方向。调整通过调整权重大小的方式进行调整，例如如果更看重交付时间，可以将交付对应的交期权重调大，其余权重相应调小。
设fitness为对应个体的适应度，ordertime为订单交付超期时间，stock为库存超出上下限部分。权重值越大越优先考虑相应的因素，其中，设w1和w2分别为订单交付时间权重、库存权重。
适应度=1/(订单交期权重*订单交期损失+库存权重*库存损失)
其中，订单交期损失其实就是订单交期的适应度，适应度指的就是个体对环境的适应程度，或者说用来评估排产结果好坏的一个指标，库存也一样，订单交期损失计算为：订单交期损失=订单排产计划确定的交期-订单的预定交期。
具体的计算步骤中，以订单交付时间为例，从左到右遍历染色体个体，对染色体以节为单位进行分割，其中，w_i表示第i节即第i个作业的编码，每个节内非0的值对应的值代表使用的虚拟工序的加工顺序设为P_i，是虚拟工序上该订单的加工顺序。P_i在节内所在的位置顺序代表虚拟工序编码设为S_i，当前作业任务的加工时间为time_i，订单预定交付时间为OrderTime_i，则订单任务i的开始时间为该虚拟工序上前j-1个订单任务的加工时间和：
订单任务i开始时间=前j-1订单任务加工时间和
j是订单的总个数，i是其中的一个订单编号，且1<=i<=j。
订单任务i的结束时间为：
订单任务i结束时间=任务i开始时间+加工时间
则可得该订单任务i的交付损失为：
订单任务i交付损失=任务i结束时间-订单预定交付时间
订单预定交付时间根据订单信息得到，就是订单中的订单交付时间。
最后，加工完所有订单任务的排产整体交付时间损失为：
整体交付时间损失=sum(任务1…j交付损失)从第一个一直到j个订单交付损失的和
在计算出相应的排产整体交付时间损失（单个订单的交付损失加起来就是整体的交付时间损失，交付时间损失就是交期损失，与库存损失无关）后，乘以权重值通过上述适应度函数计算出排产的整体适应度。
选择操作是以一定的概率从种群中选择若干的个体，以便遗传到下一代个体。一般选择的过程是基于适应度的，本发明采用轮盘赌选择算子，每个个体进入下一代的概率等于它的适应度值与整个种群适应度和的比例。
选择采用轮盘赌选择算子，具体的过程为：
（1）计算该种群所有个体适应度之和Fitness；
（2）对每个个体计算其个体选择概率Sele_i和当前已计算过个体选择概率的所有个体选择概率和，其中最新的概率和作为当前个体的累计选择概率Sum_i；个体选择概率Sele_i是预设的参数。
（3）随机生成随机数作为选择概率p；
（4）根据选择概率p落在个体累计概率Sum_i的区间选择个体，p落在哪个个体所在的累计概率区间就选择哪个个体，该方法保证了所有个体都有机会被选择，且适应度越大被选中的概率越大；
（5）重复步骤（3）和（4）直到染色体数量满足种群数量要求时，停止选择过程。
具体实例中，一次选择得到一个染色体，种群数量也是预设的。
交叉：采用两点交叉算子交配产生下一代个体，设父母染色体序列分别为S1、S2，在父代染色体上随机选取两个交换节点，交换父母染色体序列中两个交换点之间的节，实现两点交叉。选择的交叉点为交叉点一和交叉点二，交换前后的父代和子代染色体序列如图3所示。从父代中随机挑选两个个体P1,P2，接着分别生成对应的子代序列C1,C2。令C1=P1、C2=P2，然后随机选取两个交换点，对换序列C1,C2中两个交换点之间的序列节，实现两点交叉。
变异：由于编码部分设计的有节，变异时也应考虑节。首先根据算法参数部分设定的变异概率和个体数量，确定变异个体数量。具体实例中设定变异概率根据经验，一般为变异过大影响稳定会取一个比较小的值，大概在0.2以下。然后随机选取种群中的某个作为变异个体执行变异操作。变异操作为随机选取染色体序列中某一节，该节中一系列值应该只有一个不为0，代表订单所在虚拟工序和加工顺序，对该值进行重新赋值，新值为1到所有使用该虚拟工序的订单任务数之间的随机整数，该随机值保证了订单加工产品较分散时任务排产不出现较大的空闲，如果随机值为原有值，重新再次赋值。重复选择个体和变异操作，直到生产满足变异数量要求的个体。
最优个体保存策略：将父代、子代种群中的个体分别按适应度从大到小进行排序，从子代中选择一定比例的最优优秀个体替换父代中相应数量的最差个体（适应度值较低的个体）。替换后的新种群形成一个新的种群作为下一次进化的初始种群。具体实例中，根据经验，取较小的比例，例如0.1，或者直接只取一个个体。
移民策略：在遗传算法后期，群体结构趋于相似，遗传算法容易陷入局部极值。通过移民策略，引入外部个体，替换掉部分低适应度的个体，打乱群体结构，以增强遗传算法的后期多样性，避免陷入局部极值。
每次形成新种群后，判断当前种群的多样性，若多样性较低，说明已经陷入早熟，开始陷入了局部极值，需要引入移民。对算法是否陷入多样性减少进行判断，具体判断方式为通过种群的适应度的方差，方差越小说明种群中个体越接近。为方便计算，设方差：
Figure DEST_PATH_IMAGE003
式中：f i 为种群中第i个染色体个体的适应度值；
Figure 181057DEST_PATH_IMAGE002
为种群的平均适应度值；N为种群个体数目。当方差D小于某一阀值时，则可认为种群陷入多样性减少，这时需要实施移民策略。具体的阈值设置可根据实际情况判断，此处设置为0.05。移民方式为随机初始化指定数量的个体，然后替换掉种群中相应数量的最低适应度个体。
移民时，首先生成外部移民，生成方法可直接利用初始化种群的方式进行生成；移民数量根据种群大小进行设置，可设置为种群数量的0.1到0.2之间。生成移民后，利用移民，替换现有种群的最低适应度的个体，最终形成新的种群。
错误个体修复：编码以及变异时可能会产生某些错误解，如两个订单的虚拟工序编码和加工顺序相同，导致产生冲突。修复步骤如下：
1）遍历所有虚拟工序编码，同时记录每个虚拟工序编码下的订单编码；
2）判断对每个虚拟工序编码下的订单加工顺序是否有冲突，若有，进行重新排序；
每节代表一个订单，若两节中的虚拟工序编码相同，则说明两个订单使用同一个虚拟工序，再对比订单加工顺序，若两次对比均相同，则说明存在冲突。
3）重新排序：从订单顺序1开始排，当遇到两或多个个顺序相同时，查询订单交付时间，按距离交付时间先后进行排序；
4）直到所有虚拟工序编码下面，所有订单加工顺序无冲突。
最优个体记录：每次迭代前，根据适应度函数计算部分数据，挑选出当代种群最佳个体并记录，加入最优个体记录列表，用于最后输出最优个体。
停止迭代条件：种群迭代次数达到预设次数时，算法停止迭代，并从迭代的最优个体记录中选取最佳的个体进行解码。根据经验或者问题大小设定，例如预设次数可设定2000。
解码：参照编码规则，从染色体的左侧往右，以每虚拟工序数为一节，将染色体拆分为数量为订单任务数的节。每节中，下标表示订单所在的虚拟加工工序，值表示在该工序的加工顺序，如2个虚拟工序、3个订单任务的最终染色体序列为[0,1,0,2,1,0]，拆分为节后[[0,1],[0,2],[1,0]]，其中，[0,1]表示订单任务1，对应虚拟工序编码为2，加工顺序为1；[0,2]表示订单任务2对应虚拟工序编码为2，加工顺序为2；[1,0]表示订单任务3对应虚拟工序编码为1，加工顺序为1。按加工顺序进行排序，即先加工订单3、再加工订单1、最后加工订单2。每节的序列中，除了订单所在的加工虚拟单元位置有非0值外，其余位置值均为0。
步骤4.对输出的最优的车间排产结果在用户界面进行可视化的展示。
用户界面包括排产派单、排产甘特图、排产编辑和资源负载，最优的排产结果可以用甘特图的形式进行展示。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于虚拟工序的遗传算法车间排产方法，其特征在于，其步骤如下：
步骤1.读取排产任务，抽取排产订单中的排产数据，将排产数据进行标准化处理；
步骤2.按照虚拟工序表示规则将标准化后的排产数据转化为虚拟工序排产数据；
步骤3.利用增加了移民策略和最优保存策略的遗传算法处理虚拟工序排产数据，将遗传算法输出的最优个体解码得到最优的车间排产结果；
步骤4.对输出的最优的车间排产结果在用户界面进行可视化的展示。
2.根据权利要求1所述的基于虚拟工序的遗传算法车间排产方法，其特征在于，所述步骤1中排产数据包括抽取排产订单对应的产品工序信息和机器信息，产品工序信息包括产品各个工艺的加工顺序和加工时间，机器信息包括每个机器对应的加工工艺。
3.根据权利要求1或2所述的基于虚拟工序的遗传算法车间排产方法，其特征在于，所述步骤一中标准化包括工序的标准化和订单的标准化，工序的标准化是将输入的需要排产的订单任务信息中所有工序采用同一套编码表示方法进行编码，使同一种工序在不同订单、不同产品中编码一致，且有序的从1开始进行编码；订单的标准化是将所有排产订单的编码采用同一套编码方式按顺序从1进行编码。
4.根据权利要求3所述的基于虚拟工序的遗传算法车间排产方法，其特征在于，所述步骤一中排产任务中还包括订单交付数据和库存数据，订单交付数据用于获取订单的交付时间、数量信息，交付时间用来评估排产结果的好坏，数量信息用来计算单个订单的加工时间；库存数据用于评估实际需要生产的产品数量，实际生产=订单需求-库存。
5.根据权利要求1或4所述的基于虚拟工序的遗传算法车间排产方法，其特征在于，所述步骤2中虚拟工序表示规则为：依次遍历所有订单的所有工序信息，如果若干个订单产品的加工工序存在相同的部分，则这些订单的虚拟工序编码相同，虚拟工序编码从第一个订单开始生成，直到最后一个订单，一个虚拟工序编码代表一个订单的加工工序序列；不同虚拟工序编码的订单不存在共用工序，可以同时进行加工，同虚拟工序编码的订单存在共用工序，排产时按先后顺序进行加工处理；相同虚拟工序编号的订单，给其中一个订单分配了该虚拟工序编号后，该订单就占用了这个虚拟工序编号代表的一系列实际工序下的使用时间，其他订单在分配时只能分配该虚拟工序的其他时间或者其他空闲的虚拟工序。
6.根据权利要求5所述的基于虚拟工序的遗传算法车间排产方法，其特征在于，所述步骤3中的遗传算法依次包括编码、初始化种群、适应度计算、选择、交叉、变异、最优保护策略、移民策略和解码。
7.根据权利要求6所述的基于虚拟工序的遗传算法车间排产方法，其特征在于，所述编码是对虚拟工序编码进行编码，染色体的长度为虚拟工序总个数*订单任务数，虚拟工序数是虚拟工序总个数，订单任务数是需要进行排产的订单的数量；随机生成一个染色体表示一个个体，个体组成种群；以每虚拟工序数为一节，每一节中的下标次序代表虚拟工序编码，染色体中每节的下标表示订单编码，每节中除该节对应的订单任务i所对应的虚拟工序有值外，该节其余位置的编码均为0，虚拟工序值表示在该虚拟工序上的加工顺序在初始化种群时为随机生成，取值为1到任务订单数之间的整数；
所述初始化种群采用虚拟工序方式对原始复杂排产场景进行简化；根据编码的规则，随机生成满足编码要求的单个染色体作为个体，重复生成个体直到满足规定数量的个体形成种群，构成初始种群；
所述适应度计算：考虑到订单最早交付时间、库存上下限的约束进行综合计算设计适应度函数，每个约束分配不同的权重，权重和为1；
所述选择操作是以一定的概率从种群中选择若干的个体，以遗传到下一代个体；采用轮盘赌选择算子，每个个体进入下一代的概率等于它的适应度值与整个种群适应度和的比例；
所述交叉采用两点交叉算子交配产生下一代个体，在父代染色体上随机选取两个交换节点，交换父母染色体序列中两个交换点之间的节，实现两点交叉；
所述变异为设定变异概率和个体数量，确定变异个体数量；然后随机选取种群中的某个个体作为变异个体执行变异操作；变异操作为随机选取染色体序列中某一节，该节中一系列值应该只有一个不为0，代表订单所在虚拟工序和加工顺序，对该值进行重新赋值为1到所有使用该虚拟工序的订单任务数之间的随机整数；重复选择个体和变异操作，直到生产满足变异数量要求的个体；
每次迭代前，根据适应度函数计算部分数据，挑选出当代种群最佳个体并记录，加入最优个体记录列表，用于最后输出最优个体；
种群迭代次数达到预设次数时，算法停止迭代，并从迭代的最优个体记录中选取最佳的个体进行解码；
所述解码为参照编码的规则，从染色体的左侧往右，以每虚拟工序数为一节，将染色体拆分为数量为订单任务数的节。
8.根据权利要求6所述的基于虚拟工序的遗传算法车间排产方法，其特征在于，所述适应度的计算方法为染色体个体对环境的适应程度为
适应度=1/(订单交期权重*订单交期损失+库存权重*库存损失)
其中，订单交期损失是订单交期的适应度，订单交期损失计算为：订单交期损失=订单排产计划确定的交期-订单的预定交期；
以订单交付时间为例，从左到右遍历染色体个体，对染色体以节为单位进行分割，订单任务j的开始时间为该虚拟工序上前j-1个订单任务的加工时间和：
订单任务j开始时间=前j-1订单任务加工时间和
1<=j<=n，n是订单的总个数;
订单任务j的结束时间为：
订单任务j结束时间=任务j开始时间+加工时间
则可得该订单任务j的交付损失为：
订单任务j交付损失=订单任务j结束时间-订单预定交付时间
订单预定交付时间根据订单信息得到即订单中的订单交付时间；
最后，加工完所有订单任务的排产整体交付时间损失为：
整体交付时间损失=sum(订单任务1…j交付损失)
在计算出相应的排产整体交付时间损失后，乘以权重值通过适应度函数计算出排产的整体适应度。
9.根据权利要求7或8所述的基于虚拟工序的遗传算法车间排产方法，其特征在于，所述轮盘赌选择算子的实现方法为：
（1）计算该种群所有个体适应度之和fitness；
（2）对每个个体计算其个体选择概率Sele_i和当前已计算过个体选择概率的所有个体选择概率和，其中最新的概率和作为当前个体的累计选择概率Sum_i；个体选择概率Sele_i是预设的参数；
（3）随机生成随机数作为选择概率p；
（4）根据选择概率p落在个体累计概率Sum_i的区间选择个体，p落在哪个个体所在的累计概率区间就选择哪个个体；
（5）重复步骤（3）和（4）直到染色体数量满足种群数量要求时，停止选择过程；
所述最优个体保存策略是将父代、子代种群中的个体分别按适应度从大到小进行排序，从子代中选择一定比例的最优优秀个体替换父代中相应数量的最差个体，替换后的新种群形成一个新的种群作为下一次进化的初始种群；
所述移民策略为：每次形成新种群后，判断当前种群的多样性，若多样性较低，通过种群的适应度的方差引入移民策略；且方差：
Figure 570152DEST_PATH_IMAGE002
式中，f i 为种群中第i个染色体个体的适应度值；
Figure DEST_PATH_IMAGE004
为种群的平均适应度值；N为种群个体数目；当方差D小于某一阀值时，需要实施移民策略；
移民策略首先生成外部移民，生成方法直接利用初始化种群的方式进行生成；生成移民后，利用移民替换现有种群的最低适应度的个体，最终形成新的种群；
若两个订单的虚拟工序编码和加工顺序相同，导致产生冲突，错误个体修复的步骤如下：
1）遍历所有虚拟工序编码，同时记录每个虚拟工序编码下的订单编码；
2）判断对每个虚拟工序编码下的订单加工顺序是否有冲突，若有，进行重新排序；
3）重新排序：从订单顺序1开始排，当遇到两或多个个顺序相同时，查询订单交付时间，按距离交付时间先后进行排序；
4）直到所有虚拟工序编码下面，所有订单加工顺序无冲突。
10.根据权利要求1所述的基于虚拟工序的遗传算法车间排产方法，其特征在于，所述步骤4中可视化的展示包括包括排产派单和排产甘特图，排产派单根据排产的结果生成生产任务，派发到加工部门安排生产；排产甘特图是根据排产的结果生产的甘特图，用于展示排产计划；最优的排产结果用排产甘特图的形式进行展示。
CN202111421074.9A 2021-11-26 2021-11-26 一种基于虚拟工序的遗传算法车间排产方法 Pending CN114118799A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111421074.9A CN114118799A (zh) 2021-11-26 2021-11-26 一种基于虚拟工序的遗传算法车间排产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111421074.9A CN114118799A (zh) 2021-11-26 2021-11-26 一种基于虚拟工序的遗传算法车间排产方法

Publications (1)

Publication Number Publication Date
CN114118799A true CN114118799A (zh) 2022-03-01

Family

ID=80369972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111421074.9A Pending CN114118799A (zh) 2021-11-26 2021-11-26 一种基于虚拟工序的遗传算法车间排产方法

Country Status (1)

Country Link
CN (1) CN114118799A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757530A (zh) * 2022-04-13 2022-07-15 格莱杰(深圳)科技有限公司 用于生产排期的数据处理方法、系统、计算机设备及介质
CN114936900A (zh) * 2022-05-19 2022-08-23 浙江理工大学 一种纱线纺织企业智能排产方法及系统
CN115169993A (zh) * 2022-09-05 2022-10-11 埃克斯工业(广东)有限公司 产品的生产调度方法、设备及计算机可读存储介质
CN115239173A (zh) * 2022-08-03 2022-10-25 上海数策软件股份有限公司 排产计划生成方法、装置、电子设备及存储介质
CN115330552A (zh) * 2022-08-12 2022-11-11 墨点狗智能科技（东莞）有限公司 多参数融合排产决策方法、系统、存储介质及电子设备
CN117829549A (zh) * 2024-03-01 2024-04-05 南京默鼎信息科技有限公司 一种基于虚拟中转库管理车间在制品的系统及方法
CN117892885A (zh) * 2024-03-13 2024-04-16 宁德时代新能源科技股份有限公司 排产方法、装置、设备、存储介质及产品

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757530A (zh) * 2022-04-13 2022-07-15 格莱杰(深圳)科技有限公司 用于生产排期的数据处理方法、系统、计算机设备及介质
CN114936900A (zh) * 2022-05-19 2022-08-23 浙江理工大学 一种纱线纺织企业智能排产方法及系统
CN114936900B (zh) * 2022-05-19 2023-04-07 浙江理工大学 一种纱线纺织企业智能排产方法及系统
CN115239173A (zh) * 2022-08-03 2022-10-25 上海数策软件股份有限公司 排产计划生成方法、装置、电子设备及存储介质
CN115330552A (zh) * 2022-08-12 2022-11-11 墨点狗智能科技（东莞）有限公司 多参数融合排产决策方法、系统、存储介质及电子设备
CN115330552B (zh) * 2022-08-12 2024-03-22 墨点狗智能科技（东莞）有限公司 多参数融合排产决策方法、系统、存储介质及电子设备
CN115169993A (zh) * 2022-09-05 2022-10-11 埃克斯工业(广东)有限公司 产品的生产调度方法、设备及计算机可读存储介质
CN117829549A (zh) * 2024-03-01 2024-04-05 南京默鼎信息科技有限公司 一种基于虚拟中转库管理车间在制品的系统及方法
CN117829549B (zh) * 2024-03-01 2024-05-03 南京默鼎信息科技有限公司 一种基于虚拟中转库管理车间在制品的系统及方法
CN117892885A (zh) * 2024-03-13 2024-04-16 宁德时代新能源科技股份有限公司 排产方法、装置、设备、存储介质及产品

Similar Documents

Publication Publication Date Title
CN114118799A (zh) 一种基于虚拟工序的遗传算法车间排产方法
CN110598920B (zh) 用于铸造并行车间主生产计划的多目标优化方法及系统
CN104268722B (zh) 基于多目标进化算法的动态柔性作业车间调度方法
Shen et al. Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems
Lova et al. An efficient hybrid genetic algorithm for scheduling projects with resource constraints and multiple execution modes
CN109636011A (zh) 一种基于改进的变邻域遗传算法的多班制计划排程法
CN111080408B (zh) 一种基于深度强化学习的订单信息处理方法
CN115600774B (zh) 一种装配式建筑构件产线的多目标生产调度优化方法
CN104636871B (zh) 一种基于数据的单阶段多产品批处理的控制方法
CN110414826B (zh) 一种云制造环境下柔性多任务前摄性调度优化方法
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
CN109872049B (zh) 资源配置优化方法及装置
CN113792989B (zh) 一种需求驱动的共享观光车区域间并行优化调度方法
CN116307008A (zh) 一种mto和mts混合生产模式下aps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
CN116451936A (zh) 一种基于遗传算法的排程方法、系统和存储介质
CN111553610A (zh) 一种基于学习-遗忘效应的调度方法及系统
CN111639835A (zh) 一种具备智能调度能力的服装企业计划方法及系统
CN110705844A (zh) 基于非强制空闲时间的作业车间调度方案鲁棒优化方法
Wang et al. A competitive genetic algorithm for resource-constrained project scheduling problem
CN112734286B (zh) 一种基于多策略深度强化学习的车间调度方法
CN116401037B (zh) 一种基于遗传算法的多任务调度方法和系统
CN117952397B (zh) 物流订单分析方法、装置、设备及存储介质
KR20140055837A (ko) 유전자 알고리즘을 이용한 프로젝트 스케줄링 방법 및 시스템
CN118014316B (zh) 基于无性遗传算法的阻塞流水车间调度方法及电子设备

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