CN114202439A - 一种离散制造企业订单评价体系下的生产重调度方法 - Google Patents

一种离散制造企业订单评价体系下的生产重调度方法 Download PDF

Info

Publication number
CN114202439A
CN114202439A CN202111186974.XA CN202111186974A CN114202439A CN 114202439 A CN114202439 A CN 114202439A CN 202111186974 A CN202111186974 A CN 202111186974A CN 114202439 A CN114202439 A CN 114202439A
Authority
CN
China
Prior art keywords
order
casting
algorithm
evaluation
production
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
CN202111186974.XA
Other languages
English (en)
Inventor
唐红涛
张伟
冯月
盛步云
王磊
方博
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Publication of CN114202439A publication Critical patent/CN114202439A/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种离散制造企业订单评价体系下的生产重调度方法。对热冷加工离散制造企业进行系统性分析，找出其存在的主要问题。基于GSA‑GA神经网络的订单准入评价模型，并通过实例分析验证该模型的适用性和有效性，并进一步构建热冷加工离散制造生产的重调度模型，运用相关算法对该模型进行求解。

Description

一种离散制造企业订单评价体系下的生产重调度方法
技术领域
本发明涉及热冷加工离散制造生产的重调度方法，具体涉及考虑企业订单准 入评价的重调度方法。
背景技术
铸造行业是装备制造业的基础产业，装备制造业的发展离不开铸造，铸造行 业中的热冷加工离散制造企业是国民经济的基础。其中热冷加工离散制造企业是 铸造行业的典型，其生产的铸件被广泛的应用在机床、汽车、航空航天、国防以 及人们的日常生活中。对热冷加工离散制造企业进行系统性分析，发现还存在以 下问题：
1)企业无科学可靠的评价体系对市场订单进行选择
不考虑企业自身实际的生产能力与库存容量，仅依靠企业工作人员的经验对 市场上的订单进行简单的挑选。过多的接受订单会超出企业生产系统的承载能力， 使得订单交货期延长，从而导致订单延误率增加。企业自身并没有一套科学可靠 的评价体系对来自市场上的订单进行挑选，从而导致生产进度、运作成本和产品 质量的控制难度增大。
2)车间生产调度计划由计划人员凭经验制定
由于企业信息化程度低，现阶段的热冷加工离散制造企业生产调度基本依靠 计划人员的个人经验进行决策。然而计划人员面对任务多、车间生产资源复杂的 情况难以指定适合企业实际生产情况的调度方案，容易出现生产计划指定困难， 资源分配难以均衡的现象，从而导致订单堆积或产能过剩，影响铸件的生产率。
本所发明涉及铸造车间重调度问题考虑热冷加工离散制造企业的订单准入 评价，原因如下：
1)热冷加工离散制造企业完成一个订单的加工需多部门共同协作，这增加 了企业运作管理难度。每个订单的需求、交货期、生产成本、价值等都不一致， 企业对每个客户的重视程度都不一致等因素增加了企业对一个生产周期内的所 有订单进行精细生产计划安排的难度。企业如果不能针对现有的订单制定合适的 生产计划造成不能按时交付订单，将会减少企业的利润、增加库存成本、降低企 业信誉等一系列后果。
2)订单准入评价是在考虑实际生产能力有限的前提下，对企业在市场上获 得的订单按照一定的现实因素进行排序，因素包括企业生产成本、企业利润、订 单交货期、订单金额等。通过相关算法得出一批订单的综合准入并得到每个订单 的准入评价值，以此来确定企业可接受的订单数量并指导企业制定生产计划。企 业进行订单选择的前提就是根据现实因素对订单进行准入综合评价。对热冷加工 离散制造企业的订单准入策略的研究，需要综合考虑各个部门对订单的评价指标， 对所有指标进行定量以及定性分析。以此建立热冷加工离散制造企业订单准入综 合评价模型，选择合适的算法对该模型进行求解，得出订单的准入评价值，进而 得到科学的订单准入策略。
发明内容
综合考虑铸造企业各个关键部门对订单的评价指标的基础上，设计了热冷加 工离散制造企业订单准入评价指标体系。最后在基于混合引力搜索和遗传算法优 化神经网络算法的基础上，构建基于GSA-GA神经网络的订单准入评价模型，然 后构建热冷加工离散制造生产重调度模型，并运用相关算法求解该模型，最后通 过实际数据验证了所建模型的适用性与算法的有效性。
本发明所设计的考虑订单准入评价的热冷加工离散制造生产重调度方法，其 特征在于，包括以下步骤：
1、构建基于混合GSA-GA神经网络的热冷加工离散制造企业订单准入评价模 型
1.1热冷加工离散制造企业订单准入评价指标体系设计；
1.2基于GSA-GA神经网络的热冷加工离散制造企业订单准入评价模型构建；
2、构建热冷加工离散制造生产重调度模型
2.1对研究的热冷加工离散制造生产重调度模型进行必要的假设；
2.2设置参数；
2.3设置约束条件；
2.4构建模型的优化目标函数；
3、基于混合教与学算法的模型求解
本发明所构建的一种离散制造企业订单评价体系下的生产重调度方法要基 于以下假设：
(1)由于热冷加工离散制造企业订单结构不同，本章节中一个铸件对应一个 订单。
(2)每个铸件的实际重量必须小于熔炼炉的最大熔炼质量。
(3)一旦工序开始加工就不允许中断直至完成加工。
(4)同一时间，一台熔炼炉内只允许对一个批次铸件进行浇注。
(5)同一时间，一台机器只能加工铸件的一道工序，且铸件只能被一个机器 加工。
(6)所有工件只有在完成上一道工序加工才能进行下一道工序加工，且一旦 工序加工完成则进行下一道工序加工。
(7)不考虑所有铸件的第一道工序和完成最后一道工序后的运输时间。
(8)不同工件的加工顺序具有不同的优先级顺序，相同工件的工序之间有加 工顺序。
商务部订单准入评价指标：
(4)客户重要度(Customer importance,CIm)
企业越重视某客户，该客户的订单在进行订单准入评价的优先级越高。本文 将客户重要度(CIm)定义为一个定量指标，可由公式计算得出。
Figure BDA0003299653480000031
其中，As为一个季度内一个客户的订单数。Aa为一个季度内所有的订单数。 CIm值越大，其对应客户的订单优先级越高。
(5)客户信誉度(Customer credibility,CCr)
在企业内，客户能否按照订单合同确定的结款日期按时结清订单相关款项是 影响客户在企业的信誉度的重要因素。客户信誉越好，商务部对客户订单进行订 单准入评价时客户的订单的优先级越高。客户信誉度(CCr)是可以量化的指标， 可由公式计算得出。
Figure BDA0003299653480000032
其中，Ns为一个季度同一客户的订单总数。Nc为一个季度同一客户按期履 行合同数量。CCr值越大，其对应客户的订单优先级越高。
(6)订单类型(Order Type,OTy)
商务部门在综合考虑企业实际生产能力和外协订单的费用的前提下，对订单 类型进行评价。订单类型是一个定性的指标，由商务部门的部长进行评价可得。
技术部订单准入评价指标：
(1)订单复杂度(Order complexity,OCo)
砂型铸造每道工序进行加工前，都有相应的准备工作要完成，完成相应的准 备工作就会增加时间成本和加工成本。因此技术部门在对订单进行准入评价时必 须考虑到这一指标。订单复杂度越大，企业在进行订单准入评价时的优先级越低。
订单复杂度(OCo)是一个定量指标，可由公式计算得到。
Figure BDA0003299653480000041
其中，n为订单j中订货件数。Pti为技术部门在进行订单准入评价时预计加 工订单j的第i个工件时完成准备工作所需时间。Oti为技术部门在进行订单准入 评价时加工订单j的第i个工件的理论完工时间。OCoj值越大，订单j的优先级 越低。
(2)订单工艺成熟度(Process maturity,PMa)
订单的工艺成熟度越高，进行准入评价的订单优先级越高。工艺成熟度(PMa) 是一个定量指标，由公式计算可得。
Figure BDA0003299653480000042
其中，n为订单j中订货件数。Opi为技术部门对订单j进行准入评价时为订 单j中第i个工件设计的工艺路线在企业历史总生产产成品中的数量。P为企业 工历史总生产产成品总数。PMaj值越大，订单j的优先级越高。
(3)订单难易程度(Order difficulty,ODi)
技术部门对订单制定加工计划时，部门的工艺员会根据历史经验对订单中全 部的工件的加工难易程度进行评判，其依据主要是加工铸件的材质、结构等因素。 订单加工的难度越大，企业在进行准入评价的订单优先级越低。订单难易程度 (ODi)是一个定性指标，通过技术部门的工艺人员进行评价可得。
生产部订单准入评价指标：
(4)交货期紧迫程度(Delivery Dates Urgency Degree,DUD)
若企业不能在交货期前完成加工会产生拖期成本且会对影响企业在市场上 的竞争力。交货期越是紧迫，进行准入评价的订单优先级越低。交货期紧迫程度 (DUD)是一个定量指标，可由公式计算得到。
Figure BDA0003299653480000043
式中，ODj为订单j的交货期。STj为生产部门在进行订单准入评价时预计订 单j的开工时间。TPj生产部门在进行订单准入评价时预计订单j的理论完工时间。 DUDj值越大，订单j的优先级越低。
(5)物料满足程度(Material satisfaction,MSa)
热冷加工离散制造企业是高消耗生产的企业，其中包括加工中需要的各种物 料，废钢、回炉铁、木料、生铁、造型材料、包装材料等。生产部门对订单进行 准入评价时必须考虑到物料在企业的库存状况，以此制定更加贴合实际的生产流 程和科学的管控实际生产过程中物料的调度。物料满足程度(MSa)是定量指标， 由公式计算可得。
Figure BDA0003299653480000051
式中，n为订单j所需物料种类数。Mi为生产部门进行准入评价时预计完成 订单j所需物料i的数量，Si为生产部门进行准入评价时企业存存储物料i的数 量。MSaj值越大，订单j的优先级越高。
(6)历史工艺出品率(History process yield,HPY)
根据历史生产数据计算订单内各个工件的工艺出品率，工艺出品率高的铸件 会降低企业生产成本。生产部门在进行准入评价时订单的历史工艺出品率越高， 其订单的优先级越高。本发明将历史工艺出品率(HPY)定义为一个定量指标，可 由公式计算得到。
Figure BDA0003299653480000052
其中，n为订单j中订货件数。Si为一个季度内生产与订单j的第i个相同铸 件的净工艺重量。Ni为一个季度内生产与订单j的第i个相同铸件的浇注计算重 量。HPYj值越大，订单j的优先级越高。
财务部订单准入评价指标：
(3)订单金额(Order amount,OAm)
热冷加工离散制造企业的订单多是一个订单包含多种铸件，每种铸件的订货 件数不一致。在财务部门进行订单准入评价时，订单金额越高，该订单的优先级 越。本文将订单金额定义(OAm)为一个定量指标，由公式计算可得。
Figure BDA0003299653480000053
式中，v为订单j中铸件种类数。ONi为订单j中第i类铸件的订货件数。WPi为订单j中第i类铸件每个铸件的重量单价。PVi为订单j中第i类铸件每个铸件 的加工单价。OAmj值越大，订单j的优先级越高。
(4)订单利润率(Order profit margin,OCE)
财务部门在进行准入评价时，订单利润率越高，其对应的订单优先级越高。
本文将订单利润率(OCE)定义为一个定量的指标，由公式计算可得。
Figure BDA0003299653480000061
Figure BDA0003299653480000062
其中，q为订单j订货件数。Mci为加工订单j中铸件i加工原材料消耗成本。 WCi为加工订单j中铸件i工人工资费用。PCi加工订单j中铸件i能源消耗成本。 公式(3-10)中，v为订单j中铸件种类数。ONi为订单j中第i类铸件的订货件数。 WPi为订单j中第i类铸件每个铸件的重量单价。PVi为订单j中第i类铸件每个 铸件的加工单价。OCE值越大，订单j的优先级越高。
2、基于GSA-GA神经网络的热冷加工离散制造企业订单准入评价模型
本发明基于混合GSA-GA神经网络算法对热冷加工离散制造企业订单准入 评价模型进行求解。算法主要结构包括数据处理、GSA-GA算法编码设计和确定 参数、确定神经网络结构、GSA-GA全局优化、神经网络迭代计算等。算法根据 订单准入评价指标体系确定神经网络训练结构和GSA-GA算法的编码方式，通 过训练子数据集进行神经网络训练阶段。算法首先利用Tent混沌映射随机产生 分布均匀的初始种群，然后根据GSA算法粒子迭代规则进行全局优化。在全局 优化阶段使用基于遗传算法交叉和变异操作进行局部寻优，若算法达到最大迭代 次数或满足优化标准，则将最优解粒子的位置映射为神经网络的权值和阈值。训 练完成后将待评价订单的指标输入进神经网络模型，其输出即是待评价订单的评价值，对评价值进行排序即可进行订单是否准入判断。选择评价值最优的一批订 单进入企业，并按照评价值排序得到各个订单的优先级进行生产排产，详细步骤 如下：
步骤1：数据处理。本文将数据集拆分为训练和测试两个子数据集，训练子 集用于训练过程，测试子集用于评估模型的准确率。针对热冷加工离散制造企业 订单准入评价模型选取了12个评价指标，每个评价指标的物理单位不同且现实 中的意义不一致。为提升神经网络训练的收敛速度和消除奇异样本数据导致的不 良影响，本文对样本数据进行归一化处理，见下式。使各个指标数值处于同一个 数量级适合进行综合评价。
Figure BDA0003299653480000063
Xi为经归一化处理后的一个样本数据，Xi∈[-1,1]。X为未经归一化给处理的 一个样本数据，Xmax为样本数据中一个指标的最大值，Xmin为最小值。
步骤2：初始化神经网络结构。建立神经网络结构主要包括：输入层、隐藏 层和输出层以及各层之间的传递函数的确定。根据构建的订单准入评价指标体系， 因此神经网络输入层节点数为12个。隐藏层节点数对训练过程有很大的影响， 一般根据经验公式计算，根据本文研究Ni＝12，No＝1,确定隐藏层节点数的取值 范围为[4,13]，通过试验对比确定隐藏层节点数为14。选取订单准入评价值作为 神经网络的输出结果，所以输出层节点数为1。神经网络的激活函数可以增强神 经网络的表达且让网络具备更强的非线性拟合能力，其选取一般根据输入输出层 数值的特性选取激活函数。取值范围在[0,1]之间的选取logsig函数，取值范围在 [-1,1]之间的选取tansig函数，没有取值范围限制的选取purelin函数。本文选取 tansig函数作为激活函数。公式(3-22)中，Nq为隐藏层节点数，Ni为输入层节点 数，No为输出层节点数，a为常数，a∈[1,10]。
Figure BDA0003299653480000071
根据已确定的参数与结构可得到神经网络的训练结构如图1所示。12个热 冷加工离散制造企业订单准入评价指标代表网络输入层节点数。隐藏层节点数为 14，输出层节点数为1。网络误差通过反向传播算法不断更新各层的权值阈值到 训练结束为止。
步骤3：GSA-GA算法编码设计和参数确定。通过GSA-GA算法搜索神经网 络各层之间权值阈值最优组合，算法的编码结构由神经网络的输入层节点隐藏层 节点数和输出层节点数确定。各层节点数分别为：h、k、l，由此可知输入层到 隐藏层的权值Vhk个数为h*k，隐藏层阈值θq个数为k，隐藏层到输出层的权值 Wkl个数为k*l，输出层阈值θo个数为l。所以GSA-GA算法编码长度为： N＝h*k+k*l+k+l所示。
步骤4：GSA-GA算法初始化。针对所选GSA算法容易陷入局部最优和神 经网络收敛速度慢的缺陷，本文采用基于Tent混沌映射的算法初始化方式。良 好的初始值能够提升神经网络模型的收敛速度，且可以避免陷入局部最优。利用 Tent混沌映射随机产生分布均匀的初始值可以提升粒子个体多样性以此提高算 法的收敛速度。Tent混沌映射表达式见公式，通过伯努利移位变换后见公式。
Figure BDA0003299653480000072
xi+1＝(2xi)mod1
使用Tent混沌映射进行算法初始化伪代码如下：
Input:根据Step3已确定的编码结构长度N和初始种群大小P
-for i＝1:P
-在区间(0,1)内产生一个随机数x0(i＝0)。
-for j＝1:N
-根据公式进行迭代计算。
-End for
-保存已生成的一个随机序列Xi。
-End for
Output:随机序列集X
通过将Tent混沌映射伪代码运行两次即可完成GSA-GA算法对粒子位置和 速度的初始化。GSA-GA算法初始种群由粒子的位置集
Figure BDA0003299653480000081
和速度 集
Figure BDA0003299653480000082
组成。
步骤5：GSA-GA算法迭代运算
GSA-GA算法中的粒子代表算法在搜索空间中的候选解，在算法迭代过程中， 粒子自身的属性会根据粒子之间的引力作用发生改变，且引力常数也会发生改变。 粒子的属性包括：粒子的质量、粒子的位置、粒子的速度。粒子的质量根据公式 进行更新。为改善GSA算法局部搜索能力较弱的问题和提升算法优化性能，在 粒子位置更新公式加入系数α，因此粒子位置更新公式变为：
Figure BDA0003299653480000083
粒子速度根据公式进行更新计算。为避免算法在迭代后期收敛速度变慢，提 出引力常数G动态调整策略，因此引力常数G的更新公式变为公式，其中w1＝1.5, w2＝1。
Figure BDA0003299653480000084
全局优化过程中，引入基于遗传算法的交叉算子和变异算子来提升算法的探 索能力。根据步骤3所确定的编码结构，根据编码结构的组成部分采取不同的交 叉操作和变异操作。进行交叉变异操作之前需要进行选择操作，本文采用锦标赛 方法进行选择操作。编码中权值段采取两点交叉和逆序变异操作，阈值段采取均 匀交叉与互换变异操作。
步骤6：神经网络迭代计算。本文神经网络模型的目标函数设置为mse(均方 误差，mean squared error)。函数公式见下式，其中，si为第i个训练样本的实际 网络输出值，di为第i个训练样本的期望输出值，N为样本个数。
Figure BDA0003299653480000091
网络迭代过程本文使用Adam算法取代随机梯度下降算法(SGD)来进行误差 反向传播，相比于SGD算法，Adam可以避免陷入局部最优值且能提升算法收 敛速度。Adam计算公式如下：
Figure BDA0003299653480000092
mt＝β1·mt-1+(1-β1)·gt
Figure BDA0003299653480000093
由于mt和vt初始化是0向量，因此需要对其进行偏差修正，偏差修正公式 见以下两公式，其中β1＝0.9，β2＝0.999，ε＝10-8。
Figure BDA0003299653480000094
Figure BDA0003299653480000095
Adam更新公式如下：
Figure BDA0003299653480000096
步骤7：订单准入评价。GSA-GA对神经网络训练完成后，可对企业订单进 行准入评价。将订单基础数据转化成指标体系中的各个指标组成数据集，将数据 集作为输入层输入到已训练完成的神经网络模型中，输出层的输出结果即为每个 订单的准入评价值，通过将评价值排序得到企业可以接受生产的订单集，并按照 订单集中各个订单的评价值得到订单集中的订单优先级，以此按照生产计划的制 定。
3、具体参数包括：
n：铸件数量；
Ji：第i个铸件，i∈[1,n]；
q：每个铸件工序总数；
Oij：第i个铸件的第j道工序，j∈[1,q]；
m：机器数量；
l：加工第j道工序可使用机器数，l∈[1,m]；
r：熔炼炉数量；
fh：第h台熔炼炉，h∈[1,r]；
b：批次b，b∈[1,r]；
Caph：熔炼炉h最大熔炼质量；
Qi：铸件i的理论重量；
U：一个足够大的正数；
V：合金种类；
Ti：铸件i的材质，Ti∈V；
ui：铸件i的拖期完工惩罚值；
pi：订单(铸件)i的订单准入评价值的百分率；
Stijk：铸件i的第j道工序在机器k上的开工时间；
Ptijk：铸件i的第j道工序在机器k上的加工时间；
Etijk：铸件i的第j道工序在机器k上的完工时间；
Lti：铸件i的最后一道工序的完工时间；
Dti：铸件i的交货期；
Atij：铸件i的第j道工序加工前虚拟工序的完工时间；
Rtuv：机器u到机器v之间的运输时间，u,v∈m。
决策变量
Xijk：单件生产时，铸件i的第j道工序在机器k上加工时，Xijk＝1，否则 Xijk＝0；
Hij：铸件i的第j道工序是组批工序时，Hij＝1，否则Hij＝0；
Zib：组批生产时，若铸件i分配到批次b时，Zib＝1，否则，Zib＝0；
Vhb：组批生产时，若批次b由熔炼炉fh浇注时，Vhb＝1，否则，Vhb＝0。
4、约束条件具体如下：
(4)批次生产约束
公式分别表示一个批次必须存在一个铸件和进行组批生产时一个铸件只能 分配到一个批次中。
Figure BDA0003299653480000101
Figure BDA0003299653480000102
以下公式分别表示批次铸件浇注与熔炼炉的约束，一个批次总重为批次中所 有铸件的重量之和，批次铸件重量与熔炼炉最大熔炼质量的约束。
Figure BDA0003299653480000103
Figure BDA0003299653480000111
Figure BDA0003299653480000112
下式表示一个批次中所有铸件的材质必须相同。
Figure BDA0003299653480000113
(5)单件生产约束
下式表示铸件以单件形式生产时每道工序只能被一台机器加工。
Figure BDA0003299653480000114
下式保证同一工件加工路线的完整性，即工件的下一道工序必须在上一道工 序完成加工后才能开始加工。
Figure BDA0003299653480000115
下式保证同一机器上加工工序的顺序，即同一机器必须完成上一道工序的加 工才能开始加工当前工序，式中机器k先加工工序Oi’j’后加工工序Oij。
Figure BDA0003299653480000116
(6)决策变量约束
本发明所建立模型的决策变量为0～1变量，取值如下所示：
Figure BDA0003299653480000117
5、目标函数包括：
(1)最小化最大完工时间
本发明中最大完工时间是指第一个铸件的第一道工序开始加工到最后一个 铸件的最后一道工序的完工时间，每一道工序完工时间为开工时间和在机器上的 加工加工时间之和，本发明工序开工时间考虑铸件每道工序加工前的虚拟工序完 工时间和加工机器之间的运输时间，分别见下式。
Figure BDA0003299653480000118
Stijk＝max(Eti'j'k+Aij,Eti(j-1)v+Rtvk)
其中，Eti’j’k为在机器k加工工序Oij的前一道工序Oi’j’的完工时间；Eti(j-1)v为工序Oij在机器v上加工的完工时间。
(2)最小化拖期成本
动态事件对实际生产计划造成混乱，会导致部分铸件完工时间延长，使得铸 件不能按期交货，产生拖期成本。根据铸件的实际完工时间和订单合同确定交货 期之间的差值与拖期完工惩罚值和订单准入评价值百分率计算可得，订单准入评 价值越大，则该订单的拖期成本越大。公式如下：
Figure BDA0003299653480000121
(3)最小化调度方案偏离度
企业在应对动态事件会在已有调度方案上产生新的调度方案，动态事件会对 企业生产稳定性造成影响，为此本文考虑新的调度方案与初始调度方案之间的偏 差度，由初始调度方案每道工序的开工时间与新的调度方案每道工序开工时间 (Sti'jk)计算可得，公式如下：
Figure BDA0003299653480000122
6、基于混合教与学算法的模型求解过程如下：
Step1:设置算法参数，进行种群初始化；
Step2:计算初始化种群适应度值，并更新动态教师组；
Step3:基于禁忌搜索进行局部搜索增加教师数量，更新动态教师组；
Step4:在动态教师组中选择三位优秀教师，并按种群适应度值进行教师分配， 通过交叉的方式进行“教”阶段的操作，更新种群；
Step5:在种群中随机选择两个不同的解决方案，以交叉的方式进行“学”阶段 的操作，更新种群；
Step6:判断是否满足算法终止条件，如果是，就输出动态教师组中最佳教师，
否则，执行Step3。
7、验证混合算法在解决基于订单准入评价值的砂型铸造车间调度重调度问 题的适用性和可行性：
求解15*25*8(铸件数*设备数*紧急订单数)规模的砂型铸造车间调度问题 的Pareto最优解。表1为实例工序的加工机器信息。表2为实例工件加工时间和 工件材质与重量信息，其中红色标出的为紧急订单工件(Rush Job，RJi)的加工时 间和材质与重量信息。表为实例运输时间和虚拟工序完工时间信息，其中的工序 加工前的虚拟工序的完成时间(VOCT)相同，每道工序加工的运输时间矩阵鱼工 序加工机器数量有关。以上数据均来源于杭州某砂型铸造企业实际生产数据。
表4为实例下订单准入评价值，其中实例的紧急订单数为15，其订单准入 评价值的平均值为8.34。因此选择紧急订单RJ1、RJ2、RJ4、RJ7、 RJ11、RJ13、RJ15进入企业进行生产。
表1不同规模算例工序加工机器集
Figure BDA0003299653480000123
表2实例工件加工机器和材质、重量数据集
Figure BDA0003299653480000131
续表2
Figure BDA0003299653480000132
表3实例运输时间和虚拟工序完工时间
Figure BDA0003299653480000141
表4实例订单准入评价值
Figure BDA0003299653480000142
通过与其他五种多目标群智能算法进行对比，来公平合理的验证本章节所提 算法在解决基于动态事件的砂型铸造企业生产车间重调度问题模型的有效性。主 要使用的评估指标如下:
(1)平均理想距离(Mean ideal distance,MID)，该指标主要用于衡量算法的 收敛速度。MID的值越低，则表示算法的质量和性能越好。
(2)非支配解的传播(Spread of non-dominated solution,SNS)，该指标主要 用于衡量算法生成的解决方案的多样性，SNS的值越高，则表示算法生成的解决 方案拥有更好的多样性。
(3)支配率(Percentage of domination,POD)，该指标主要用于衡量算法支配 其他算法的解决方案的能力。POD的值越高，则表示该算法相比
六种算法获得的在不同维度下的pareto前沿解的表现如图2所示。
(a)为六种算法在三个目标函数的pareto前沿解的表现；(b)为六种算法在 最小化最大完工时间与最小化调度方案偏离度两个目标函数的表现；(c)为六种 算法在最小化最大完工时间与最小化拖期成本两个目标函数的表现；(d)为六种 算法在最小化拖期成本与最小化调度方案偏离度两个目标函数的表现。
上述六种算法的性能和效率通过MID，SNS和POD性能指标进行评价。结果 列于表5中，可以看出，所设计的HTLBO在MID和POD方面明显优于其他五种算 法
表5由HTLBO，GWO，PSO，MDDE，EDA与TLBO算法获得的指标值
Figure BDA0003299653480000151
根据上述实例数据，基于混合教与学算法对所提的初始调度模型进行求解， 得到初始调度方案的甘特图，如图所示。图中长方形方框表示一道工序，方框对 应的y轴为该工序的加工机器号，对应的x轴的长度为该工序的加工时间，方框 内的数字标识为“铸件编码0工序编码”，如“202”表示铸件2的第2道工序。 初始时刻车间按图3所示的初始调度方案进行加工。
当初始调度方案加工到35h时，紧急订单RJ1、RJ2、RJ4、RJ7、RJ11、RJ13、 RJ15进入企业，则必须在交货期内将紧急订单生产完成。加工时间为35h时，铸 件7的第一道工序已完成加工，铸件4和铸件9的第一道工序正在加工，当铸件 9和铸件4的第一道工序完成加工即可进行基于紧急订单准入评价值的生产车间 重调度，其生产车间重调度甘特图如图3所示。由图3可得，紧急订单RJ1、RJ2、 RJ4、RJ7、RJ11、RJ13、RJ15均在交货期内完成生产。重调度方案中的最大完工时 间为273.6h，相比于初始调度方案的调度方案偏离度为161.7，由于紧急订单的 加入造成正常生产订单而增加的拖期成本为68.9。最终得到的调度方案得到该 企业生产部门负责人的认可。
具体的求解步骤如图3所示
本发明的优点在于：
(1)对热冷加工离散制造企业面向订单生产的生产方式进行研究，以及企 业协作生产全流程进行了详细介绍，并设计了热冷加工离散制造企业订单准入评 价策略。分析了铸件在企业生产加工时的多重约束以及批次单件结合的生产特点， 并针对动态事件对生产系统造成的影响，设计了砂型铸造生产车间重调度策略。
(2)对热冷加工离散制造企业订单准入评价进行研究。通过分析企业关键 部门对订单准入评价的指标，设计了订单准入评价指标体系以及建立了订单准入 评价模型，通过使用GSA-GA算法优化神经网络算法进行方法，研究出一种基于 GSA-GA神经网络算法对模型进行求解。
(3)对砂型铸造生产车间加工铸件的全流程进行了研究。分析了其批次单 件结合的生产特点，对动态事件下的热冷加工离散制造生产重调度策略进行研究， 考虑实际生产的现实约束，建立了以最小化最大完工时间、最小化调度方案偏离 度与最小化拖期成本的多目标的重调度模型。通过对教与学算法混合禁忌搜索算 法进行改进，研究出HTLBO对模型进行求解。
附图说明
图1为本发明中热冷加工离散制造企业订单准入评价网络构造。
图2为六种算法在不同维度下的pareto前沿解表现。
图3为初始调度方案甘特图。
图4为紧急订单下的生产车间重调度甘特图。
图5为HTLBO求解流程图。
具体实施方式
本发明所设计的考虑订单准入评价的热冷加工离散制造生产重调度方法，具 体实施包括以下步骤：
1、构建基于混合GSA-GA神经网络的热冷加工离散制造企业订单准入评价模 型
1.1热冷加工离散制造企业订单准入评价指标体系设计；
1.2基于GSA-GA神经网络的热冷加工离散制造企业订单准入评价模型构建；
2、构建热冷加工离散制造生产重调度模型
2.1对研究的热冷加工离散制造生产重调度模型进行必要的假设；
2.2设置参数；
2.3设置约束条件；
2.4构建模型的优化目标函数；
3、基于HTLBO的模型求解
本发明所构建的一种离散制造企业订单评价体系下的生产重调度方法要基 于以下假设：
(9)由于热冷加工离散制造企业订单结构不同，本章节中一个铸件对应一个 订单。
(10)每个铸件的实际重量必须小于熔炼炉的最大熔炼质量。
(11)一旦工序开始加工就不允许中断直至完成加工。
(12)同一时间，一台熔炼炉内只允许对一个批次铸件进行浇注。
(13)同一时间，一台机器只能加工铸件的一道工序，且铸件只能被一个 机器加工。
(14)所有工件只有在完成上一道工序加工才能进行下一道工序加工，且 一旦工序加工完成则进行下一道工序加工。
(15)不考虑所有铸件的第一道工序和完成最后一道工序后的运输时间。
(16)不同工件的加工顺序具有不同的优先级顺序，相同工件的工序之间 有加工顺序。
1、商务部订单准入评价指标：
(7)客户重要度(Customer importance,CIm)
企业越重视某客户，该客户的订单在进行订单准入评价的优先级越高。本文 将客户重要度(CIm)定义为一个定量指标，可由公式计算得出。
Figure BDA0003299653480000171
其中，As为一个季度内一个客户的订单数。Aa为一个季度内所有的订单数。 CIm值越大，其对应客户的订单优先级越高。
(8)客户信誉度(Customer credibility,CCr)
在企业内，客户能否按照订单合同确定的结款日期按时结清订单相关款项是 影响客户在企业的信誉度的重要因素。客户信誉越好，商务部对客户订单进行订 单准入评价时客户的订单的优先级越高。客户信誉度(CCr)是可以量化的指标， 可由公式计算得出。
Figure BDA0003299653480000172
其中，Ns为一个季度同一客户的订单总数。Nc为一个季度同一客户按期履 行合同数量。CCr值越大，其对应客户的订单优先级越高。
(9)订单类型(Order Type,OTy)
商务部门在综合考虑企业实际生产能力和外协订单的费用的前提下，对订单 类型进行评价。订单类型是一个定性的指标，由商务部门的部长进行评价可得。
技术部订单准入评价指标：
(1)订单复杂度(Order complexity,OCo)
砂型铸造每道工序进行加工前，都有相应的准备工作要完成，完成相应的准 备工作就会增加时间成本和加工成本。因此技术部门在对订单进行准入评价时必 须考虑到这一指标。订单复杂度越大，企业在进行订单准入评价时的优先级越低。
订单复杂度(OCo)是一个定量指标，可由公式计算得到。
Figure BDA0003299653480000181
其中，n为订单j中订货件数。Pti为技术部门在进行订单准入评价时预计加 工订单j的第i个工件时完成准备工作所需时间。Oti为技术部门在进行订单准入 评价时加工订单j的第i个工件的理论完工时间。OCoj值越大，订单j的优先级 越低。
(2)订单工艺成熟度(Process maturity,PMa)
订单的工艺成熟度越高，进行准入评价的订单优先级越高。工艺成熟度(PMa) 是一个定量指标，由公式计算可得。
Figure BDA0003299653480000182
其中，n为订单j中订货件数。Opi为技术部门对订单j进行准入评价时为订 单j中第i个工件设计的工艺路线在企业历史总生产产成品中的数量。P为企业 工历史总生产产成品总数。PMaj值越大，订单j的优先级越高。
(3)订单难易程度(Order difficulty,ODi)
技术部门对订单制定加工计划时，部门的工艺员会根据历史经验对订单中全 部的工件的加工难易程度进行评判，其依据主要是加工铸件的材质、结构等因素。 订单加工的难度越大，企业在进行准入评价的订单优先级越低。订单难易程度 (ODi)是一个定性指标，通过技术部门的工艺人员进行评价可得。
生产部订单准入评价指标：
(7)交货期紧迫程度(Delivery Dates Urgency Degree,DUD)
若企业不能在交货期前完成加工会产生拖期成本且会对影响企业在市场上 的竞争力。交货期越是紧迫，进行准入评价的订单优先级越低。交货期紧迫程度 (DUD)是一个定量指标，可由公式计算得到。
Figure BDA0003299653480000191
式中，ODj为订单j的交货期。STj为生产部门在进行订单准入评价时预计订 单j的开工时间。TPj生产部门在进行订单准入评价时预计订单j的理论完工时间。 DUDj值越大，订单j的优先级越低。
(8)物料满足程度(Material satisfaction,MSa)
热冷加工离散制造企业是高消耗生产的企业，其中包括加工中需要的各种物 料，废钢、回炉铁、木料、生铁、造型材料、包装材料等。生产部门对订单进行 准入评价时必须考虑到物料在企业的库存状况，以此制定更加贴合实际的生产流 程和科学的管控实际生产过程中物料的调度。物料满足程度(MSa)是定量指标， 由公式计算可得。
Figure BDA0003299653480000192
式中，n为订单j所需物料种类数。Mi为生产部门进行准入评价时预计完成 订单j所需物料i的数量，Si为生产部门进行准入评价时企业存存储物料i的数 量。MSaj值越大，订单j的优先级越高。
(9)历史工艺出品率(History process yield,HPY)
根据历史生产数据计算订单内各个工件的工艺出品率，工艺出品率高的铸件 会降低企业生产成本。生产部门在进行准入评价时订单的历史工艺出品率越高， 其订单的优先级越高。本发明将历史工艺出品率(HPY)定义为一个定量指标，可 由公式计算得到。
Figure BDA0003299653480000193
其中，n为订单j中订货件数。Si为一个季度内生产与订单j的第i个相同铸 件的净工艺重量。Ni为一个季度内生产与订单j的第i个相同铸件的浇注计算重 量。HPYj值越大，订单j的优先级越高。
财务部订单准入评价指标：
(5)订单金额(Order amount,OAm)
热冷加工离散制造企业的订单多是一个订单包含多种铸件，每种铸件的订货 件数不一致。在财务部门进行订单准入评价时，订单金额越高，该订单的优先级 越。本文将订单金额定义(OAm)为一个定量指标，由公式计算可得。
Figure BDA0003299653480000201
式中，v为订单j中铸件种类数。ONi为订单j中第i类铸件的订货件数。WPi为订单j中第i类铸件每个铸件的重量单价。PVi为订单j中第i类铸件每个铸件 的加工单价。OAmj值越大，订单j的优先级越高。
(6)订单利润率(Order profit margin,OCE)
财务部门在进行准入评价时，订单利润率越高，其对应的订单优先级越高。
本文将订单利润率(OCE)定义为一个定量的指标，由公式计算可得。
Figure BDA0003299653480000202
Figure RE-GDA0003513380100000244
其中，q为订单j订货件数。Mci为加工订单j中铸件i加工原材料消耗成本。 WCi为加工订单j中铸件i工人工资费用。PCi加工订单j中铸件i能源消耗成本。 公式(3-10)中，v为订单j中铸件种类数。ONi为订单j中第i类铸件的订货件数。 WPi为订单j中第i类铸件每个铸件的重量单价。PVi为订单j中第i类铸件每个 铸件的加工单价。OCE值越大，订单j的优先级越高。
2、基于GSA-GA神经网络的热冷加工离散制造企业订单准入评价模型
本发明基于混合GSA-GA神经网络算法对热冷加工离散制造企业订单准入 评价模型进行求解。算法主要结构包括数据处理、GSA-GA算法编码设计和确定 参数、确定神经网络结构、GSA-GA全局优化、神经网络迭代计算等。算法根据 订单准入评价指标体系确定神经网络训练结构和GSA-GA算法的编码方式，通 过训练子数据集进行神经网络训练阶段。算法首先利用Tent混沌映射随机产生 分布均匀的初始种群，然后根据GSA算法粒子迭代规则进行全局优化。在全局 优化阶段使用基于遗传算法交叉和变异操作进行局部寻优，若算法达到最大迭代 次数或满足优化标准，则将最优解粒子的位置映射为神经网络的权值和阈值。训 练完成后将待评价订单的指标输入进神经网络模型，其输出即是待评价订单的评价值，对评价值进行排序即可进行订单是否准入判断。选择评价值最优的一批订 单进入企业，并按照评价值排序得到各个订单的优先级进行生产排产，详细步骤 如下：
步骤1：数据处理。本文将数据集拆分为训练和测试两个子数据集，训练子 集用于训练过程，测试子集用于评估模型的准确率。针对热冷加工离散制造企业 订单准入评价模型选取了12个评价指标，每个评价指标的物理单位不同且现实 中的意义不一致。为提升神经网络训练的收敛速度和消除奇异样本数据导致的不 良影响，本文对样本数据进行归一化处理，见下式。使各个指标数值处于同一个 数量级适合进行综合评价。
Figure BDA0003299653480000211
Xi为经归一化处理后的一个样本数据，Xi∈[-1,1]。X为未经归一化给处理的 一个样本数据，Xmax为样本数据中一个指标的最大值，Xmin为最小值。
步骤2：初始化神经网络结构。建立神经网络结构主要包括：输入层、隐藏 层和输出层以及各层之间的传递函数的确定。根据构建的订单准入评价指标体系， 因此神经网络输入层节点数为12个。隐藏层节点数对训练过程有很大的影响， 一般根据经验公式计算，根据本文研究Ni＝12，No＝1,确定隐藏层节点数的取值 范围为[4,13]，通过试验对比确定隐藏层节点数为14。选取订单准入评价值作为 神经网络的输出结果，所以输出层节点数为1。神经网络的激活函数可以增强神 经网络的表达且让网络具备更强的非线性拟合能力，其选取一般根据输入输出层 数值的特性选取激活函数。取值范围在[0,1]之间的选取logsig函数，取值范围在 [-1,1]之间的选取tansig函数，没有取值范围限制的选取purelin函数。本文选取 tansig函数作为激活函数。公式(3-22)中，Nq为隐藏层节点数，Ni为输入层节点 数，No为输出层节点数，a为常数，a∈[1,10]。
Figure BDA0003299653480000212
根据已确定的参数与结构可得到神经网络的训练结构如图1所示。12个热 冷加工离散制造企业订单准入评价指标代表网络输入层节点数。隐藏层节点数为 14，输出层节点数为1。网络误差通过反向传播算法不断更新各层的权值阈值到 训练结束为止。
步骤3：GSA-GA算法编码设计和参数确定。通过GSA-GA算法搜索神经网 络各层之间权值阈值最优组合，算法的编码结构由神经网络的输入层节点隐藏层 节点数和输出层节点数确定。各层节点数分别为：h、k、l，由此可知输入层到 隐藏层的权值Vhk个数为h*k，隐藏层阈值θq个数为k，隐藏层到输出层的权值 Wkl个数为k*l，输出层阈值θo个数为l。所以GSA-GA算法编码长度为： N＝h*k+k*l+k+l。
步骤4：GSA-GA算法初始化。针对所选GSA算法容易陷入局部最优和神 经网络收敛速度慢的缺陷，本文采用基于Tent混沌映射的算法初始化方式。良 好的初始值能够提升神经网络模型的收敛速度，且可以避免陷入局部最优。利用 Tent混沌映射随机产生分布均匀的初始值可以提升粒子个体多样性以此提高算 法的收敛速度。Tent混沌映射表达式见公式，通过伯努利移位变换后见公式。
Figure BDA0003299653480000221
xi+1＝(2xi)mod1
使用Tent混沌映射进行算法初始化伪代码如下：
Input:根据Step3已确定的编码结构长度N和初始种群大小P
-for i＝1:P
-在区间(0,1)内产生一个随机数x0(i＝0)。
-for j＝1:N
-根据公式进行迭代计算。
-End for
-保存已生成的一个随机序列Xi。
-End for
Output:随机序列集X
通过将Tent混沌映射伪代码运行两次即可完成GSA-GA算法对粒子位置和 速度的初始化。GSA-GA算法初始种群由粒子的位置集
Figure BDA0003299653480000222
和速度 集
Figure BDA0003299653480000223
组成。
步骤5：GSA-GA算法迭代运算
GSA-GA算法中的粒子代表算法在搜索空间中的候选解，在算法迭代过程中， 粒子自身的属性会根据粒子之间的引力作用发生改变，且引力常数也会发生改变。 粒子的属性包括：粒子的质量、粒子的位置、粒子的速度。粒子的质量根据公式 进行更新。为改善GSA算法局部搜索能力较弱的问题和提升算法优化性能，在 粒子位置更新公式加入系数α，因此粒子位置更新公式变为：
Figure BDA0003299653480000224
粒子速度根据公式进行更新计算。为避免算法在迭代后期收敛速度变慢，提 出引力常数G动态调整策略，因此引力常数G的更新公式变为公式，其中w1＝1.5, w2＝1。
Figure BDA0003299653480000225
全局优化过程中，引入基于遗传算法的交叉算子和变异算子来提升算法的探 索能力。根据步骤3所确定的编码结构，根据编码结构的组成部分采取不同的交 叉操作和变异操作。进行交叉变异操作之前需要进行选择操作，本文采用锦标赛 方法进行选择操作。编码中权值段采取两点交叉和逆序变异操作，阈值段采取均 匀交叉与互换变异操作。
步骤6：神经网络迭代计算。本文神经网络模型的目标函数设置为mse(均方 误差，mean squared error)。函数公式见下式，其中，si为第i个训练样本的实际 网络输出值，di为第i个训练样本的期望输出值，N为样本个数。
Figure BDA0003299653480000231
网络迭代过程本文使用Adam算法取代随机梯度下降算法(SGD)来进行误差 反向传播，相比于SGD算法，Adam可以避免陷入局部最优值且能提升算法收 敛速度。Adam计算公式如下：
Figure BDA0003299653480000232
mt＝β1·mt-1+(1-β1)·gt
Figure BDA0003299653480000233
由于mt和vt初始化是0向量，因此需要对其进行偏差修正，偏差修正公式 见以下两公式，其中β1＝0.9，β2＝0.999，ε＝10-8。
Figure BDA0003299653480000234
Figure BDA0003299653480000235
Adam更新公式如下：
Figure BDA0003299653480000236
步骤7：订单准入评价。GSA-GA对神经网络训练完成后，可对企业订单进 行准入评价。将订单基础数据转化成指标体系中的各个指标组成数据集，将数据 集作为输入层输入到已训练完成的神经网络模型中，输出层的输出结果即为每个 订单的准入评价值，通过将评价值排序得到企业可以接受生产的订单集，并按照 订单集中各个订单的评价值得到订单集中的订单优先级，以此按照生产计划的制 定。
3、具体参数包括：
n：铸件数量；
Ji：第i个铸件，i∈[1,n]；
q：每个铸件工序总数；
Oij：第i个铸件的第j道工序，j∈[1,q]；
m：机器数量；
l：加工第j道工序可使用机器数，l∈[1,m]；
r：熔炼炉数量；
fh：第h台熔炼炉，h∈[1,r]；
b：批次b，b∈[1,r]；
Caph：熔炼炉h最大熔炼质量；
Qi：铸件i的理论重量；
U：一个足够大的正数；
V：合金种类；
Ti：铸件i的材质，Ti∈V；
ui：铸件i的拖期完工惩罚值；
pi：订单(铸件)i的订单准入评价值的百分率；
Stijk：铸件i的第j道工序在机器k上的开工时间；
Ptijk：铸件i的第j道工序在机器k上的加工时间；
Etijk：铸件i的第j道工序在机器k上的完工时间；
Lti：铸件i的最后一道工序的完工时间；
Dti：铸件i的交货期；
Atij：铸件i的第j道工序加工前虚拟工序的完工时间；
Rtuv：机器u到机器v之间的运输时间，u,v∈m。
决策变量
Xijk：单件生产时，铸件i的第j道工序在机器k上加工时，Xijk＝1，否则 Xijk＝0；
Hij：铸件i的第j道工序是组批工序时，Hij＝1，否则Hij＝0；
Zib：组批生产时，若铸件i分配到批次b时，Zib＝1，否则，Zib＝0；
Vhb：组批生产时，若批次b由熔炼炉fh浇注时，Vhb＝1，否则，Vhb＝0。
4、约束条件具体如下：
(7)批次生产约束
公式分别表示一个批次必须存在一个铸件和进行组批生产时一个铸件只能 分配到一个批次中。
Figure BDA0003299653480000241
Figure BDA0003299653480000242
以下公式分别表示批次铸件浇注与熔炼炉的约束，一个批次总重为批次中所 有铸件的重量之和，批次铸件重量与熔炼炉最大熔炼质量的约束。
Figure BDA0003299653480000251
Figure BDA0003299653480000252
Figure BDA0003299653480000253
下式表示一个批次中所有铸件的材质必须相同。
Figure BDA0003299653480000254
(8)单件生产约束
下式表示铸件以单件形式生产时每道工序只能被一台机器加工。
Figure BDA0003299653480000255
下式保证同一工件加工路线的完整性，即工件的下一道工序必须在上一道工 序完成加工后才能开始加工。
Figure BDA0003299653480000256
下式保证同一机器上加工工序的顺序，即同一机器必须完成上一道工序的加 工才能开始加工当前工序，式中机器k先加工工序Oi’j’后加工工序Oij。
Figure BDA0003299653480000257
(9)决策变量约束
本发明所建立模型的决策变量为0～1变量，取值如下所示：
Figure BDA0003299653480000258
5、目标函数包括：
(1)最小化最大完工时间
本发明中最大完工时间是指第一个铸件的第一道工序开始加工到最后一个 铸件的最后一道工序的完工时间，每一道工序完工时间为开工时间和在机器上的 加工加工时间之和，本发明工序开工时间考虑铸件每道工序加工前的虚拟工序完 工时间和加工机器之间的运输时间，分别见下式。
Figure BDA0003299653480000259
Stijk＝max(Eti'j'k+Aij,Eti(j-1)v+Rtvk)
其中，Eti’j’k为在机器k加工工序Oij的前一道工序Oi’j’的完工时间；Eti(j-1)v为工序Oij在机器v上加工的完工时间。
(2)最小化拖期成本
动态事件对实际生产计划造成混乱，会导致部分铸件完工时间延长，使得铸 件不能按期交货，产生拖期成本。根据铸件的实际完工时间和订单合同确定交货 期之间的差值与拖期完工惩罚值和订单准入评价值百分率计算可得，订单准入评 价值越大，则该订单的拖期成本越大。公式如下：
Figure BDA0003299653480000261
(3)最小化调度方案偏离度
企业在应对动态事件会在已有调度方案上产生新的调度方案，动态事件会对 企业生产稳定性造成影响，为此本文考虑新的调度方案与初始调度方案之间的偏 差度，由初始调度方案每道工序的开工时间与新的调度方案每道工序开工时间 (Sti'jk)计算可得，公式如下：
Figure BDA0003299653480000262
6、基于HTLBO的模型求解过程如下：
Step1:设置算法参数，进行种群初始化；
Step2:计算初始化种群适应度值，并更新动态教师组；
Step3:基于禁忌搜索进行局部搜索增加教师数量，更新动态教师组；
Step4:在动态教师组中选择三位优秀教师，并按种群适应度值进行教师分配， 通过交叉的方式进行“教”阶段的操作，更新种群；
Step5:在种群中随机选择两个不同的解决方案，以交叉的方式进行“学”阶段 的操作，更新种群；
Step6:判断是否满足算法终止条件，如果是，就输出动态教师组中最佳教师，
否则，执行Step3。
具体的求解步骤如图5所示。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技 术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用 类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的 范围。

Claims (7)

1.一种离散制造企业订单评价体系下的生产重调度方法，其特征在于，包括以下步骤：
步骤1、构建基于混合GSA-GA神经网络的热冷加工离散制造企业订单准入评价模型
步骤1.1热冷加工离散制造企业订单准入评价指标体系设计；
步骤1.2基于GSA-GA神经网络的热冷加工离散制造企业订单准入评价模型构建；
步骤2、构建热冷加工离散制造生产重调度模型
步骤2.1对研究的热冷加工离散制造生产重调度模型进行必要的假设；
步骤2.2设置参数；
步骤2.3设置约束条件；
步骤2.4构建模型的优化目标函数；
步骤3、基于混合教与学算法(HTLBO)的模型求解。
2.根据权利要求1所述的离散制造企业订单评价体系下的生产重调度方法，其特征在于：热冷加工离散制造企业订单准入评价指标体系设计包括：
商务部订单准入评价指标：
(1)客户重要度(Customer importance,CIm)
企业越重视某客户，该客户的订单在进行订单准入评价的优先级越高；本文将客户重要度(CIm)定义为一个定量指标，可由公式计算得出；
Figure RE-FDA0003513380090000011
其中，As为一个季度内一个客户的订单数；Aa为一个季度内所有的订单数；CIm值越大，其对应客户的订单优先级越高；
(2)客户信誉度(Customer credibility,CCr)
在企业内，客户能否按照订单合同确定的结款日期按时结清订单相关款项是影响客户在企业的信誉度的重要因素；客户信誉越好，商务部对客户订单进行订单准入评价时客户的订单的优先级越高；客户信誉度(CCr)是可以量化的指标，可由公式计算得出；
Figure RE-FDA0003513380090000021
其中，Ns为一个季度同一客户的订单总数；Nc为一个季度同一客户按期履行合同数量；CCr值越大，其对应客户的订单优先级越高；
(3)订单类型(Order Type,OTy)
商务部门在综合考虑企业实际生产能力和外协订单的费用的前提下，对订单类型进行评价；订单类型是一个定性的指标，由商务部门的部长进行评价可得；
技术部订单准入评价指标：
(1)订单复杂度(Order complexity,OCo)
砂型铸造每道工序进行加工前，都有相应的准备工作要完成，完成相应的准备工作就会增加时间成本和加工成本；因此技术部门在对订单进行准入评价时必须考虑到这一指标；订单复杂度越大，企业在进行订单准入评价时的优先级越低；订单复杂度(OCo)是一个定量指标，可由公式计算得到；
Figure RE-FDA0003513380090000022
其中，n为订单j中订货件数；Pti为技术部门在进行订单准入评价时预计加工订单j的第i个工件时完成准备工作所需时间；Oti为技术部门在进行订单准入评价时加工订单j的第i个工件的理论完工时间；OCoj值越大，订单j的优先级越低；
(2)订单工艺成熟度(Process maturity,PMa)
订单的工艺成熟度越高，进行准入评价的订单优先级越高；工艺成熟度(PMa)是一个定量指标，由公式计算可得；
Figure RE-FDA0003513380090000023
其中，n为订单j中订货件数；Opi为技术部门对订单j进行准入评价时为订单j中第i个工件设计的工艺路线在企业历史总生产产成品中的数量；P为企业工历史总生产产成品总数；PMaj值越大，订单j的优先级越高；
(3)订单难易程度(Order difficulty,ODi)
技术部门对订单制定加工计划时，部门的工艺员会根据历史经验对订单中全部的工件的加工难易程度进行评判，其依据主要是加工铸件的材质、结构等因素；订单加工的难度越大，企业在进行准入评价的订单优先级越低；订单难易程度(ODi)是一个定性指标，通过技术部门的工艺人员进行评价可得；
生产部订单准入评价指标：
(1)交货期紧迫程度(Delivery Dates Urgency Degree,DUD)
若企业不能在交货期前完成加工会产生拖期成本且会对影响企业在市场上的竞争力；交货期越是紧迫，进行准入评价的订单优先级越低；交货期紧迫程度(DUD)是一个定量指标，可由公式计算得到；
Figure RE-FDA0003513380090000031
式中，ODj为订单j的交货期；STj为生产部门在进行订单准入评价时预计订单j的开工时间；TPj生产部门在进行订单准入评价时预计订单j的理论完工时间；DUDj值越大，订单j的优先级越低；
(2)物料满足程度(Material satisfaction,MSa)
热冷加工离散制造企业是高消耗生产的企业，其中包括加工中需要的各种物料，废钢、回炉铁、木料、生铁、造型材料、包装材料等；生产部门对订单进行准入评价时必须考虑到物料在企业的库存状况，以此制定更加贴合实际的生产流程和科学的管控实际生产过程中物料的调度；物料满足程度(MSa)是定量指标，由公式计算可得；
Figure RE-FDA0003513380090000032
式中，n为订单j所需物料种类数；Mi为生产部门进行准入评价时预计完成订单j所需物料i的数量，Si为生产部门进行准入评价时企业存存储物料i的数量；MSaj值越大，订单j的优先级越高；
(3)历史工艺出品率(History process yield,HPY)
根据历史生产数据计算订单内各个工件的工艺出品率，工艺出品率高的铸件会降低企业生产成本；生产部门在进行准入评价时订单的历史工艺出品率越高，其订单的优先级越高；本发明将历史工艺出品率(HPY)定义为一个定量指标，可由公式计算得到；
Figure RE-FDA0003513380090000041
其中，n为订单j中订货件数；Si为一个季度内生产与订单j的第i个相同铸件的净工艺重量；Ni为一个季度内生产与订单j的第i个相同铸件的浇注计算重量；HPYj值越大，订单j的优先级越高；
财务部订单准入评价指标：
(1)订单金额(Order amount,OAm)
热冷加工离散制造企业的订单多是一个订单包含多种铸件，每种铸件的订货件数不一致；在财务部门进行订单准入评价时，订单金额越高，该订单的优先级越；本文将订单金额定义(OAm)为一个定量指标，由公式计算可得；
Figure RE-FDA0003513380090000042
式中，v为订单j中铸件种类数；ONi为订单j中第i类铸件的订货件数；WPi为订单j中第i类铸件每个铸件的重量单价；PVi为订单j中第i类铸件每个铸件的加工单价；OAmj值越大，订单j的优先级越高；
(2)订单利润率(Order profit margin,OCE)
财务部门在进行准入评价时，订单利润率越高，其对应的订单优先级越高；本文将订单利润率(OCE)定义为一个定量的指标，由公式计算可得；
Figure RE-FDA0003513380090000043
Figure RE-FDA0003513380090000044
其中，q为订单j订货件数；Mci为加工订单j中铸件i加工原材料消耗成本；WCi为加工订单j中铸件i工人工资费用；PCi加工订单j中铸件i能源消耗成本；公式(3-10)中，v为订单j中铸件种类数；ONi为订单j中第i类铸件的订货件数；WPi为订单j中第i类铸件每个铸件的重量单价；PVi为订单j中第i类铸件每个铸件的加工单价；OCE值越大，订单j的优先级越高。
3.根据权利要求2所述的离散制造企业订单评价体系下的生产重调度方法，其特征在于：基于GSA-GA神经网络的热冷加工离散制造企业订单准入评价模型：
本发明基于混合GSA-GA神经网络算法对热冷加工离散制造企业订单准入评价模型进行求解；算法主要结构包括数据处理、GSA-GA算法编码设计和确定参数、确定神经网络结构、GSA-GA全局优化、神经网络迭代计算等；算法根据订单准入评价指标体系确定神经网络训练结构和GSA-GA算法的编码方式，通过训练子数据集进行神经网络训练阶段；算法首先利用Tent混沌映射随机产生分布均匀的初始种群，然后根据GSA算法粒子迭代规则进行全局优化；在全局优化阶段使用基于遗传算法交叉和变异操作进行局部寻优，若算法达到最大迭代次数或满足优化标准，则将最优解粒子的位置映射为神经网络的权值和阈值；训练完成后将待评价订单的指标输入进神经网络模型，其输出即是待评价订单的评价值，对评价值进行排序即可进行订单是否准入判断；选择评价值最优的一批订单进入企业，并按照评价值排序得到各个订单的优先级进行生产排产，详细步骤如下：
步骤1：数据处理；本文将数据集拆分为训练和测试两个子数据集，训练子集用于训练过程，测试子集用于评估模型的准确率；针对热冷加工离散制造企业订单准入评价模型选取了12个评价指标，每个评价指标的物理单位不同且现实中的意义不一致；为提升神经网络训练的收敛速度和消除奇异样本数据导致的不良影响，本文对样本数据进行归一化处理，见下式；使各个指标数值处于同一个数量级适合进行综合评价；
Figure RE-FDA0003513380090000061
Xi为经归一化处理后的一个样本数据，Xi∈[-1,1]；X为未经归一化给处理的一个样本数据，Xmax为样本数据中一个指标的最大值，Xmin为最小值；
步骤2：初始化神经网络结构；建立神经网络结构主要包括：输入层、隐藏层和输出层以及各层之间的传递函数的确定；根据构建的订单准入评价指标体系，因此神经网络输入层节点数为12个；隐藏层节点数对训练过程有很大的影响，一般根据经验公式计算，根据本文研究Ni＝12，No＝1,确定隐藏层节点数的取值范围为[4,13]，通过试验对比确定隐藏层节点数为14；选取订单准入评价值作为神经网络的输出结果，所以输出层节点数为1；神经网络的激活函数可以增强神经网络的表达且让网络具备更强的非线性拟合能力，其选取一般根据输入输出层数值的特性选取激活函数；取值范围在[0,1]之间的选取logsig函数，取值范围在[-1,1]之间的选取tansig函数，没有取值范围限制的选取purelin函数；本文选取tansig函数作为激活函数；公式(3-22)中，Nq为隐藏层节点数，Ni为输入层节点数，No为输出层节点数，a为常数，a∈[1,10]；
Figure RE-FDA0003513380090000062
根据已确定的参数与结构可得到神经网络的训练结构如图1所示；12个热冷加工离散制造企业订单准入评价指标代表网络输入层节点数；隐藏层节点数为14，输出层节点数为1；网络误差通过反向传播算法不断更新各层的权值阈值到训练结束为止；
步骤3：GSA-GA算法编码设计和参数确定；通过GSA-GA算法搜索神经网络各层之间权值阈值最优组合，算法的编码结构由神经网络的输入层节点隐藏层节点数和输出层节点数确定；各层节点数分别为：h、k、l，由此可知输入层到隐藏层的权值Vhk个数为h*k，隐藏层阈值θq个数为k，隐藏层到输出层的权值Wkl个数为k*l，输出层阈值θo个数为l；所以GSA-GA算法编码长度为：N＝h*k+k*l+k+l；
步骤4：GSA-GA算法初始化；针对所选GSA算法容易陷入局部最优和神经网络收敛速度慢的缺陷，本文采用基于Tent混沌映射的算法初始化方式；良好的初始值能够提升神经网络模型的收敛速度，且可以避免陷入局部最优；利用Tent混沌映射随机产生分布均匀的初始值可以提升粒子个体多样性以此提高算法的收敛速度；Tent混沌映射表达式见公式，通过伯努利移位变换后见公式；
Figure RE-FDA0003513380090000071
xi+1＝(2xi)mod1
使用Tent混沌映射进行算法初始化伪代码如下：
Input:根据Step3已确定的编码结构长度N和初始种群大小P
-for i＝1:P
-在区间(0,1)内产生一个随机数x0(i＝0)；
-for j＝1:N
-根据公式进行迭代计算；
-End for
-保存已生成的一个随机序列Xi；
-End for
Output:随机序列集X
通过将Tent混沌映射伪代码运行两次即可完成GSA-GA算法对粒子位置和速度的初始化；GSA-GA算法初始种群由粒子的位置集
Figure RE-FDA0003513380090000072
和速度集
Figure RE-FDA0003513380090000073
组成；
步骤5：GSA-GA算法迭代运算
GSA-GA算法中的粒子代表算法在搜索空间中的候选解，在算法迭代过程中，粒子自身的属性会根据粒子之间的引力作用发生改变，且引力常数也会发生改变；粒子的属性包括：粒子的质量、粒子的位置、粒子的速度；粒子的质量根据公式进行更新；为改善GSA算法局部搜索能力较弱的问题和提升算法优化性能，在粒子位置更新公式加入系数α，因此粒子位置更新公式变为：
Figure RE-FDA0003513380090000074
粒子速度根据公式进行更新计算；为避免算法在迭代后期收敛速度变慢，提出引力常数G动态调整策略，因此引力常数G的更新公式变为公式，其中w1＝1.5,w2＝1；
Figure RE-FDA0003513380090000081
全局优化过程中，引入基于遗传算法的交叉算子和变异算子来提升算法的探索能力；根据步骤3所确定的编码结构，根据编码结构的组成部分采取不同的交叉操作和变异操作；进行交叉变异操作之前需要进行选择操作，本文采用锦标赛方法进行选择操作；编码中权值段采取两点交叉和逆序变异操作，阈值段采取均匀交叉与互换变异操作；
步骤6：神经网络迭代计算；本文神经网络模型的目标函数设置为mse(均方误差，meansquared error)；函数公式见下式，其中，si为第i个训练样本的实际网络输出值，di为第i个训练样本的期望输出值，N为样本个数；
Figure RE-FDA0003513380090000082
网络迭代过程本文使用Adam算法取代随机梯度下降算法(SGD)来进行误差反向传播，相比于SGD算法，Adam可以避免陷入局部最优值且能提升算法收敛速度；Adam计算公式如下：
Figure RE-FDA0003513380090000083
mt＝β1·mt-1+(1-β1)·gt
Figure RE-FDA0003513380090000087
由于mt和vt初始化是0向量，因此需要对其进行偏差修正，偏差修正公式见以下两公式，其中β1＝0.9，β2＝0.999，ε＝10-8；
Figure RE-FDA0003513380090000084
Figure RE-FDA0003513380090000085
Adam更新公式如下：
Figure RE-FDA0003513380090000086
步骤7：订单准入评价；GSA-GA对神经网络训练完成后，可对企业订单进行准入评价；将订单基础数据转化成指标体系中的各个指标组成数据集，将数据集作为输入层输入到已训练完成的神经网络模型中，输出层的输出结果即为每个订单的准入评价值，通过将评价值排序得到企业可以接受生产的订单集，并按照订单集中各个订单的评价值得到订单集中的订单优先级，以此按照生产计划的制定。
4.根据权利要求3所述的离散制造企业订单评价体系下的生产重调度方法，其特征在于：所设置的具体参数包括：
n：铸件数量；
Ji：第i个铸件，i∈[1,n]；
q：每个铸件工序总数；
Oij：第i个铸件的第j道工序，j∈[1,q]；
m：机器数量；
l：加工第j道工序可使用机器数，l∈[1,m]；
r：熔炼炉数量；
fh：第h台熔炼炉，h∈[1,r]；
b：批次b，b∈[1,r]；
Caph：熔炼炉h最大熔炼质量；
Qi：铸件i的理论重量；
U：一个足够大的正数；
V：合金种类；
Ti：铸件i的材质，Ti∈V；
ui：铸件i的拖期完工惩罚值；
pi：订单(铸件)i的订单准入评价值的百分率；
Stijk：铸件i的第j道工序在机器k上的开工时间；
Ptijk：铸件i的第j道工序在机器k上的加工时间；
Etijk：铸件i的第j道工序在机器k上的完工时间；
Lti：铸件i的最后一道工序的完工时间；
Dti：铸件i的交货期；
Atij：铸件i的第j道工序加工前虚拟工序的完工时间；
Rtuv：机器u到机器v之间的运输时间，u,v∈m；
决策变量
Xijk：单件生产时，铸件i的第j道工序在机器k上加工时，Xijk＝1，否则Xijk＝0；
Hij：铸件i的第j道工序是组批工序时，Hij＝1，否则Hij＝0；
Zib：组批生产时，若铸件i分配到批次b时，Zib＝1，否则，Zib＝0；
Vhb：组批生产时，若批次b由熔炼炉fh浇注时，Vhb＝1，否则，Vhb＝0。
5.根据权利要求4所述的离散制造企业订单评价体系下的生产重调度方法，其特征在于：约束条件具体如下：
(1)批次生产约束
公式分别表示一个批次必须存在一个铸件和进行组批生产时一个铸件只能分配到一个批次中；
Figure RE-FDA0003513380090000101
Figure RE-FDA0003513380090000102
以下公式分别表示批次铸件浇注与熔炼炉的约束，一个批次总重为批次中所有铸件的重量之和，批次铸件重量与熔炼炉最大熔炼质量的约束；
Figure RE-FDA0003513380090000103
Figure RE-FDA0003513380090000104
Figure RE-FDA0003513380090000105
下式表示一个批次中所有铸件的材质必须相同；
Figure RE-FDA0003513380090000106
(2)单件生产约束
下式表示铸件以单件形式生产时每道工序只能被一台机器加工；
Figure RE-FDA0003513380090000107
下式保证同一工件加工路线的完整性，即工件的下一道工序必须在上一道工序完成加工后才能开始加工；
Figure RE-FDA0003513380090000108
下式保证同一机器上加工工序的顺序，即同一机器必须完成上一道工序的加工才能开始加工当前工序，式中机器k先加工工序Oi’j’后加工工序Oij；
Figure RE-FDA0003513380090000111
(3)决策变量约束
本发明所建立模型的决策变量为0～1变量，取值如下所示：
Figure RE-FDA0003513380090000112
6.根据权利要求5所述的离散制造企业订单评价体系下的生产重调度方法，其特征在于：所构建的目标函数包括：
(1)最小化最大完工时间
本发明中最大完工时间是指第一个铸件的第一道工序开始加工到最后一个铸件的最后一道工序的完工时间，每一道工序完工时间为开工时间和在机器上的加工加工时间之和，本发明工序开工时间考虑铸件每道工序加工前的虚拟工序完工时间和加工机器之间的运输时间，分别见下式；
Figure RE-FDA0003513380090000113
Figure RE-FDA0003513380090000114
其中，Eti’j’k为在机器k加工工序Oij的前一道工序Oi’j’的完工时间；Eti(j-1)v为工序Oij在机器v上加工的完工时间；
(2)最小化拖期成本
动态事件对实际生产计划造成混乱，会导致部分铸件完工时间延长，使得铸件不能按期交货，产生拖期成本；根据铸件的实际完工时间和订单合同确定交货期之间的差值与拖期完工惩罚值和订单准入评价值百分率计算可得，订单准入评价值越大，则该订单的拖期成本越大；公式如下：
Figure RE-FDA0003513380090000115
(3)最小化调度方案偏离度
企业在应对动态事件会在已有调度方案上产生新的调度方案，动态事件会对企业生产稳定性造成影响，为此本文考虑新的调度方案与初始调度方案之间的偏差度，由初始调度方案每道工序的开工时间与新的调度方案每道工序开工时间(St'ijk)计算可得，公式如下：
Figure RE-FDA0003513380090000121
7.根据权利要求6所述的离散制造企业订单评价体系下的生产重调度方法，其特征在于：基于混合教与学算法的模型求解过程如下：
Step1:设置算法参数，进行种群初始化；
Step2:计算初始化种群适应度值，并更新动态教师组；
Step3:基于禁忌搜索进行局部搜索增加教师数量，更新动态教师组；
Step4:在动态教师组中选择三位优秀教师，并按种群适应度值进行教师分配，通过交叉的方式进行“教”阶段的操作，更新种群；
Step5:在种群中随机选择两个不同的解决方案，以交叉的方式进行“学”阶段的操作，更新种群；
Step6:判断是否满足算法终止条件，如果是，就输出动态教师组中最佳教师，否则，执行Step3。
CN202111186974.XA 2021-09-22 2021-10-12 一种离散制造企业订单评价体系下的生产重调度方法 Pending CN114202439A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202111105030 2021-09-22
CN2021111050305 2021-09-22

Publications (1)

Publication Number Publication Date
CN114202439A true CN114202439A (zh) 2022-03-18

Family

ID=80646164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111186974.XA Pending CN114202439A (zh) 2021-09-22 2021-10-12 一种离散制造企业订单评价体系下的生产重调度方法

Country Status (1)

Country Link
CN (1) CN114202439A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548840A (zh) * 2022-04-26 2022-05-27 广州赛意信息科技股份有限公司 基于人工智能的生产调度方法及系统
CN114881504A (zh) * 2022-05-19 2022-08-09 电子科技大学 一种基于订单选择的电子精密件全自动柔性生产线调度方法
CN115129017A (zh) * 2022-08-30 2022-09-30 武汉理工大学 基于混合阿基米德算法的热冷加工离散制造生产调度方法
CN116610083A (zh) * 2023-07-18 2023-08-18 成都飞机工业（集团）有限责任公司 一种面向大型复杂产品生产装配的动态调度方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114548840A (zh) * 2022-04-26 2022-05-27 广州赛意信息科技股份有限公司 基于人工智能的生产调度方法及系统
CN114881504A (zh) * 2022-05-19 2022-08-09 电子科技大学 一种基于订单选择的电子精密件全自动柔性生产线调度方法
CN114881504B (zh) * 2022-05-19 2023-04-07 电子科技大学 一种基于订单选择的电子精密件全自动柔性生产线调度方法
CN115129017A (zh) * 2022-08-30 2022-09-30 武汉理工大学 基于混合阿基米德算法的热冷加工离散制造生产调度方法
CN115129017B (zh) * 2022-08-30 2022-12-23 武汉理工大学 基于混合阿基米德算法的热冷加工离散制造生产调度方法
CN116610083A (zh) * 2023-07-18 2023-08-18 成都飞机工业（集团）有限责任公司 一种面向大型复杂产品生产装配的动态调度方法
CN116610083B (zh) * 2023-07-18 2023-11-10 成都飞机工业（集团）有限责任公司 一种面向大型复杂产品生产装配的动态调度方法

Similar Documents

Publication Publication Date Title
CN114202439A (zh) 一种离散制造企业订单评价体系下的生产重调度方法
Liao et al. Metaheuristics for project and construction management–A state-of-the-art review
Wang et al. Framework for modeling operational uncertainty to optimize offsite production scheduling of precast components
Chan et al. Production scheduling for precast plants using a flow shop sequencing model
Chen et al. A competence-time-quality scheduling model of multi-skilled staff for IT project portfolio
Onwubolu Emerging Optimization Techniques in Production Planning & Control
Wang et al. Proactive and reactive multi-project scheduling in uncertain environment
Tuan et al. A fuzzy credibility-based chance-constrained optimization model for multiple-objective aggregate production planning in a supply chain under an uncertain environment
Ballestín et al. Production scheduling in a market-driven foundry: a mathematical programming approach versus a project scheduling metaheuristic algorithm
Eklin et al. Model for cost estimation in a finite-capacity stochastic environment based on shop floor optimization combined with simulation
Piri et al. Developing a new model for simultaneous scheduling of two grand projects based on game theory and solving the model with Benders decomposition
Elkabalawy et al. Optimized resource-constrained method for project schedule compression
Zelentsov et al. The organizational-technological decisions acceptance support system in the investment and construction projects management
Son et al. A Compromise Programming to Task Assignment Problem in Software Development Project.
Nelsia Priya Dharsini et al. Probabilistic model development for estimating construction labor productivity optimization integrating with fuzzy logic approach systems
Techawiboonwong et al. Aggregate production planning using spreadsheet solver: model and case study
Bakry Optimized scheduling of repetitive construction projects under uncertainty
Shen et al. A hybrid GA-PSO algorithm for seru scheduling problem with dynamic resource allocation
Sutthibutr et al. Integrated possibilistic linear programming with beta-skewness degree for a fuzzy multi-objective aggregate production planning problem under uncertain environments
Ning et al. Multiproduct aggregate production planning in fuzzy random environments
CochranV Effectiveness of manufacturing rules on driving daily production plans
Panigrahy et al. Soft computing for HR uncertainty management in steel industry
Ji et al. Construct drawing man-hour forecasting based on GA-BP in chemical equipment design process
Jianhua et al. An integrated planning approach based on harmony search algorithm and prediction model for steelmaking-continuous casting-hot rolling process
Zhao et al. An improved particle swarm optimization (PSO) algorithm and fuzzy inference systems based approach to process planning and production scheduling integration in holonic manufacturing system (HMS)

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