CN114594744B - 一种分布式工厂生产配送集成调度方法和系统 - Google Patents
一种分布式工厂生产配送集成调度方法和系统 Download PDFInfo
- Publication number
- CN114594744B CN114594744B CN202210247331.XA CN202210247331A CN114594744B CN 114594744 B CN114594744 B CN 114594744B CN 202210247331 A CN202210247331 A CN 202210247331A CN 114594744 B CN114594744 B CN 114594744B
- Authority
- CN
- China
- Prior art keywords
- distribution
- information
- scheduling
- production
- distributed
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 129
- 238000009826 distribution Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 76
- 230000006870 function Effects 0.000 claims abstract description 63
- 238000013439 planning Methods 0.000 claims abstract description 62
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000010354 integration Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000009472 formulation Methods 0.000 abstract description 6
- 239000000203 mixture Substances 0.000 abstract description 6
- 238000000342 Monte Carlo simulation Methods 0.000 description 5
- 238000003754 machining Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种分布式工厂生产配送集成调度方法和系统，该方法包括：获取订单需求信息、分布式工厂加工信息和配送车辆信息；根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，并确定所述集成调度规划模型的约束条件和目标函数；计算所述集成调度规划模型的目标函数在所述约束条件下的最优解；根据所述目标函数的最优解，得到最优的生产配送调度方案。本发明通过建立更客观、更符合实际需求的集成调度规划模型，并采用高效的最优解计算方法对集成调度规划模型目标函数进行求解，最后根据最优解得到最优的生产配送调度方案，实现了调度策略的快速制定，降低了企业的生产配送成本，提高了供应链的整体效益。
Description
技术领域
本发明涉及生产供应链调度技术领域，尤其涉及一种分布式工厂生产配送集成调度方法、系统、电子设备和计算机可读存储介质。
背景技术
近年来，分布式制造已成为流行的工业生产方式。分布式制造具有层次结构相似、开放性好的特点，有效减少了规模效应。工厂被分散在了各地，这种制造方式能够重新定义需求，通过地理位置分散的工厂进行生产制造，企业管理人员可通过制定合理的生产配送调度方案来提高工业生产效率，降低生产配送成本。
在分布式制造系统中，生产配送调度是一个关键问题。相比于传统的工厂调度问题，分布式工厂生产配送的调度问题更加关注于加工车间的分散性，为了减少供应链的整体调度成本，需要减少分布式生产和配送中的资源浪费，加工工厂和配送车辆的选择对调度成本会造成一定程度的影响。此外，在实际调度的过程中，会存在各种不确定性因素，这些不确定因素导致在确定性条件下制定的生产调度方案往往不再具有实际的指导意义。因此，在分布式制造的生产配送调度中，对多种不确定性因素加以考虑，会更有助于客观的描述实际情况。然而，现有的生产和配送调度方法中，往往是单独对生产调度或车辆配送的调度方案进行优化，并没有综合考虑生产配送调度供应链的整体效益，也没有考虑实际情况中存在的多种不确定性因素，并且决策效率低，无法快速制定出最优的调度方案。
因此，需要设计一种工厂生产配送联合调度方法，能够综合考虑生产调度、车辆配送以及多种不确定性因素的影响，并快速制定更客观、更符合实际需求的生产配送调度方案。
发明内容
有鉴于此，有必要提供一种工厂生产配送集成调度方法、系统、电子设备及计算机可读存储介质，用以解决现有技术中存在的无法高效制定符合实际需求的生产配送调度方案的问题。
为了解决上述问题，本发明提供一种分布式工厂生产配送集成调度方法，包括：
获取订单需求信息、分布式工厂加工信息和配送车辆信息；
根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，并确定所述集成调度规划模型的约束条件和目标函数；
计算所述集成调度规划模型的目标函数在所述约束条件下的最优解；
根据所述目标函数的最优解，得到最优的生产配送调度方案。
进一步地，根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，包括：
根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，确定生产配送调度总成本。
进一步地，所述集成调度规划模型包括：生产加工模型、车辆配送模型和随机时间模型；
所述生产加工模型，用于根据所述订单需求信息和分布式工厂加工信息，确定加工成本和加工时间；
所述车辆配送模型，用于根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，确定配送成本和配送时间；
所述随机时间模型，用于根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，确定随机占用时间。
进一步地，确定所述集成调度规划模型的目标函数包括：
根据所述订单需求信息、加工时间、配送时间和随机占用时间，确定损耗成本；
根据所述加工成本、配送成本和损耗成本，确定所述生产配送调度总成本；
将最小化所述生产配送调度总成本作为所述集成调度规划模型的目标函数。
进一步地，计算所述集成调度规划模型的目标函数在所述约束条件下的最优解，包括：
生成所述集成调度规划模型目标函数的初始解集；
计算所述初始解集的特征值；
根据所述特征值对所述初始解集进行优化，得到候选解集；
对所述候选解集进行局部优化，得到所述目标函数在所述约束条件下的最优解。
进一步地，根据所述特征值对所述初始解集进行优化，得到候选解集，包括：
根据所述特征值对所述初始解集进行选择操作，得到初步优化解集；
对所述初步优化解集进行分段随机交叉操作，得到二次优化解集；
对所述二次优化解集进行启发式变异操作，得到候选解集。
进一步地，对所述候选解集进行局部优化，得到所述目标函数在所述约束条件下的最优解，包括：
利用预设的寻优方法对所述候选解集进行局部优化，得到局部优化解；
判断是否满足预设的终止条件，如果满足终止条件，则输出所述局部优化解为所述目标函数在所述约束条件下的最优解。
本发明还提供一种分布式工厂生产配送集成调度系统，包括：
信息获取模块，用于获取订单需求信息、分布式工厂加工信息和配送车辆信息；
模型建立模块，用于根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，并确定所述集成调度规划模型的约束条件和目标函数；
计算模块，用于计算所述集成调度规划模型的目标函数在所述约束条件下的最优解；
方案制定模块，用于根据所述目标函数的最优解，得到最优的生产配送调度方案。
本发明还提供一种电子设备，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的一种分布式工厂生产配送集成调度方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的一种分布式工厂生产配送集成调度方法。
与现有技术相比，本发明的有益效果包括：首先，获取订单需求信息、分布式工厂加工信息和配送车辆信息；其次，根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，确定所述集成调度规划模型的约束条件和目标函数；本发明综合考虑了订单需求信息、分布式工厂加工信息和配送车辆信息对生产配送调度的各种影响因素，建立了更客观、更符合实际需求的集成调度规划模型；再次，计算所述集成调度规划模型的目标函数在所述约束条件下的最优解；最后，根据所述目标函数的最优解，得到最优的生产配送调度方案；通过高效的最优解计算方法对目标函数进行求解，并根据最优解得到最优的生产配送调度方案，实现了调度策略的快速制定，降低了企业的生产配送成本，提高了供应链的整体效益。
附图说明
图1为本发明提供的一种分布式工厂生产配送集成调度方法一实施例的流程示意图；
图2为本发明提供的计算集成调度规划模型的目标函数在所述约束条件下的最优解一实施例的流程示意图；
图3为本发明提供的对初始解集进行优化一实施例的流程示意图；
图4为本发明提供的对候选解集进行局部优化一实施例的流程示意图；
图5为本发明提供的一种分布式工厂生产配送集成调度系统一实施例的结构示意图；
图6为本发明提供的电子设备一实施例的结构框图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明提供了一种分布式工厂生产配送集成调度方法、系统、电子设备及计算机可读存储介质，以下分别进行详细说明。
本发明实施例提供了一种分布式工厂生产配送集成调度方法，其流程示意图如图1所示，具体包括：
步骤S101、获取订单需求信息、分布式工厂加工信息和配送车辆信息；
步骤S102、根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，并确定所述集成调度规划模型的约束条件和目标函数；
步骤S103、计算所述集成调度规划模型的目标函数在所述约束条件下的最优解；
步骤S104、根据所述目标函数的最优解，得到最优的生产配送调度方案。
与现有技术相比，本实施例提供的一种分布式工厂生产配送集成调度方法，首先，获取订单需求信息、分布式工厂加工信息和配送车辆信息；其次，根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，确定所述集成调度规划模型的约束条件和目标函数；本方法综合考虑了订单需求信息、分布式工厂加工信息和配送车辆信息对生产配送调度的各种影响因素，建立了更客观、更符合实际需求的集成调度规划模型；再次，计算所述集成调度规划模型的目标函数在所述约束条件下的最优解；最后，根据所述目标函数的最优解，得到最优的生产配送调度方案；通过高效的最优解计算方法对目标函数进行求解，并根据最优解得到最优的生产配送调度方案，实现了调度策略的快速制定，降低了企业的生产配送成本，提高了供应链的整体效益。
作为一个具体的实施例，步骤S101中，所述订单需求信息包括：订单的交付地点、各种工件的需求量、各种工件的时间窗限制等；
所述分布式工厂加工信息包括：各工厂的地理位置、各工厂的加工车间数量和加工车间内的并行机数量、各种工件的单位时间加工成本、各种工件在不同并行机上的加工时间等；
所述配送车辆信息包括：配送车辆数量、配送车辆单位时间配送成本、配送车辆容量限制等。
在实际的交付场景中，客户一般会指定订单需求时间的范围，如果超出时间的范围，则会产生相应的损耗成本。作为一个具体的实施例，对于各种工件的时间窗限制，规定时间窗的上限和下限均为软时间窗，超出时间窗上限配送的工件需要增加考虑拖期成本，违反时间窗下限约束的工件需考虑提前到达而产生的库存成本。
通过获取地点、时间和加工成本相关的信息，为后续多维度考虑实际情况中的影响因素，制定出更合理、更客观的生产配送调度模型提供数据基础。
作为优选的实施例，步骤S102中，根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，包括：
根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，确定生产配送调度总成本。
作为优选的实施例，所述集成调度规划模型包括：生产加工模型、车辆配送模型和随机时间模型；
所述生产加工模型，用于根据所述订单需求信息和分布式工厂加工信息，确定加工成本和加工时间；
所述车辆配送模型，用于根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，确定配送成本和配送时间；
所述随机时间模型，用于根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，确定随机占用时间。
通过综合考虑需求、生产和配送等各个维度的影响因素，制定了更加精确的集成调度规划模型，使最终的调度方案更加精准，为降低供应链的生产调度成本提供了理论基础。
作为一个具体的实施例，所述加工成本具体包括：生产的原材料的成本以及生产加工过程的生产成本；
所述配送成本包括：车辆的固定成本、车辆在运行过程中的运输成本；
所述损耗成本包括：违反工件时间窗约束的拖期成本或早到库存成本。
由于从工厂到交付地点的运送过程中，运送时间存在诸多不确定因素，如：不确定的路况信息对工件配送过程的影响，尤其是当制造企业在接收到比较庞大的订单或者道路拥堵严重，以及天气状况不好的条件下，应当适当增加配送车辆数量，降低不确定因素对企业运营所带来的影响，避免带来不必要的经济损失；为了将不确定因素加入到调度方案的制定中，通过建立随机时间模型来模拟配送过程中的不确定因素对配送时间的影响。作为一个具体的实施例，所述随机时间模型的建立过程包括：采用蒙特卡洛方法对不确定性随机模拟。
假设配送车辆在行驶的过程中，工厂地点和交付地点之间的行驶时间满足正态分布。由于现实中车辆在行驶过程中，发生不确定因素的概率与路段长度有关，路段距离越长，则在行驶过程中受到不确定因素影响的几率也越大。
通过蒙特卡罗模拟，将配送的不确定性转化为确定性变量，得到配送过程中的随机占用时间，所述随机占用时间的期望值可表示为如下：
式中，表示工厂i和交付地点j之间的随机占用时间的期望值，T表示蒙特卡洛模拟次数，/>表示随机占用时间满足方差为/>的正态分布。
由于随机变量满足正态分布、随机占用时间的波动范围和配送点之间的距离成正比，标准差的大小会影响配送方案的选择，所以设计标准差因子k来控制随机性的大小：
σi,j＝k2·di,j
式中，k表示标准因子的大小，di,j表示工厂i和交付地点j之间的距离。
作为一个具体的实施例，本实施例设定了具体的数值，对采用蒙特卡洛方法模拟配送旅途中存在的不确定性因素，进行不确定性实验计算，三种不同的标准差因子0.8，1.0，1.2下目标函数值分别为：28.01，35.60，38.85，违反时间窗约束的零售商数量分别为3，5，9。可见，在调度的过程中，应当降低不确定因素对企业运营所带来的影响，避免带来不必要的经济损失。
作为一个具体的实施例，所述集成调度规划模型的约束条件至少包括：
(1)工厂(车间)约束：任意车间都有加工工件的能力，同一个工件在不同车间并行机的加工时间不一致；每个加工阶段都有足够数量的并行机来满足工件的加工需求；
(2)并行机约束：每台并行机一次只可以加工一个工件，插队是不允许的；加工阶段之间没有缓冲；
(3)工件约束：一旦一个工件被划分在某个加工车间，其所有工序都将在这个车间完成；
(4)配送约束：生产完毕的产品根据划分的批次来进行配送；在不考虑不确定性因素的条件下，工厂和订单交付地之间的配送时间是确定的；
(5)车辆约束：配送车辆包含的工件数不能超过车辆的容量限制；忽略工件的生产准备时间，包装时间，装载和卸载时间。
通过以上约束条件对实际的生产过程进行拟合，使得到的最优解更符合实际情况。
作为优选的实施例，确定所述集成调度规划模型的目标函数包括：
根据所述订单需求信息、加工时间、配送时间和随机占用时间，确定损耗成本；
根据所述加工成本、配送成本和损耗成本，确定所述生产配送调度总成本；
将最小化所述生产配送调度总成本作为所述集成调度规划模型的目标函数。
生产配送调度方案的目的是在完成订单需求的前提下，使生产配送的调度总成本最小，节约企业开支，以达到供应链效益的最大化。
下面以一个具体的实施例对上述技术方案进行说明：
所述集成调度规划模型的目标函数用下式来表示：
式中，第一部分表示生产的原材料成本，CRp表示工件p的原材料成本，P表示工件的总数目；
第二部分表示生产加工过程的生产成本，/>表示工件p的单位时间生产加工成本，/>表示在工厂f加工工件p，f表示加工工厂，F表示分布式工厂总数，/>表示工件p在阶段t的生产加工时间，T表示生产加工的总阶段；
第三部分表示配送车辆的固定成本，ψv表示单个配送车辆v的固定成本，V表示配送车辆总数；
第四部分表示配送车辆在运送过程中的运输成本，ωv表示配送车辆的单位时间配送成本，ti,j表示从工厂位置i到交付地点j的路程配送时间，表示如果工件/>被分配到了批次b则为1；否则为0；其中，路程配送时间ti,j包含了通过蒙特卡罗模拟的随机占用时间；
第五部分表示工件的提早到达产生的库存成本，ECi,p表示工件p的单位早到时间产生的库存成本，[ζp,ξp]表示工件p的时间窗限制，/>表示工件p的到达时间点；
第六部分表示工件拖延到达造成的拖期成本，表示工件p的到达时间点，TCi,p表示工件p单位时间的拖期成本。
所述集成调度规划模型的约束条件可表示为：
约束条件(1)：
式中，表示工件p在工厂f的完成时间，/>表示阶段t中，工件p在工厂f的生产加工时间，f表示加工工厂。即：工件的完成时间需大于等于工件在工厂的生产加工时间。
约束条件(2)：
式中，如果工件p2在工件p1加工完成之后立即进行加工则为1，否则为0；即：工件的加工具有先后次序。
约束条件1和约束条件2表达了对工件的生产完成时间约束。
约束条件(3)：
式中，表示工件p在工厂f的等待时间，约束条件3表示工件p的第一个时间阶段的生产等待时间为0。
约束条件(4)：
式中，表示阶段t中，工件p在工厂f的生产加工时间，/>表示工件p在工厂f的等待时间；约束条件4表示工件p的等待时间大于等于工件p的生产加工时间。
约束条件(5)：
式中，表示如果/>在工厂f中进行加工则为1，否则为0；/>表示如果工件/>被分配到了批次b则为1，否则为0；/>表示工件p在工厂f的完成时间；约束条件5表示同一批次内的所有工件生产完成之后进行统一的配送。
约束条件(6)：
式中，表示工件p在工厂f的完成时间，VTf,p表示工件p的配送出发时间点；约束条件6表示工件p的生产完成时间小于等于批次b的配送出发时间。
约束条件(7)：
式中，ζp表示工件p到达的时间下限，ξp表示工件p的到达时间上限；约束条件7表示工件p的时间窗限制。
约束条件(8)：
式中，Vb表示批次b的配送出发时间，VTf,p表示工件p的配送出发时间点，表示工件p的到达时间点；约束条件8表示批次b的配送到达时间大于等于该工件的配送时间与之前加工工件的加工时间之和。
约束条件(9)：
式中，表示工件p的到达时间点；/>表示如果工件p1、p2在同一辆配送车上则为1，否则为0；约束条件9对工件p的配送出发时间进行了约束。
约束条件(10)：
式中，表示如果工件/>被分配到了批次b则为1，否则为0；约束条件10对工件p的批次条件限制，即：工件至多被分配到一个批次进行运送。
约束条件(11)：
式中，表示如果/>在工厂f中进行加工则为1，否则为0；约束条件11约束了同一批次的工件在一个工厂生产。
约束条件(12)：
式中，表示如果工件p1,p2在同一辆配送车上则为1，否则为0；约束条件12约束了配送的工件不超过车辆的容量限制，并且至少满足一个客户的需求。
约束条件(13)：
式中，ωv表示配送车辆的单位时间配送成本，表示工件/>的完成时间，Vb表示批次b的配送出发时间；约束条件13表示所有时间相关和成本相关的决策变量都为正。
通过以上技术方案建立了集成调度规划模型，并确定了所述集成调度规划模型的约束条件和目标函数，下面对目标函数的最优解求解过程进行说明。
作为优选的实施例，如图2所示，计算所述集成调度规划模型的目标函数在所述约束条件下的最优解，包括：
步骤S201：生成所述集成调度规划模型目标函数的初始解集；
步骤S202：计算所述初始解集的特征值；
步骤S203：根据所述特征值对所述初始解集进行优化，得到候选解集；
步骤S204：对所述候选解集进行局部优化，得到所述目标函数在所述约束条件下的最优解。
作为一个具体的实施例，步骤S201中，根据分布式制造环境下生产配送集成调度问题的具体特点，所述集成调度规划模型包含着工件的加工次序、加工车间的选择及配送车辆的指派阶段性三个层面的问题。因此，本实施例采用三段编码的方式对所述解集进行编码。
第一段编码随机生成n个客户所需要的工件的生产配送次序；使用1到P个数字进行随机排序，代表P个工件的生产加工次序；
第二段编码生成工件的配送指派车辆；等概率生成配送车辆v1,v2,…,v；
第三段编码对应工件安排生产的车间；随机生成总和为工件数P，长度为配送车辆个数V的数字序列，表示不同工件生产加工指派的分布式车间。
对解集进行解码的过程包括：
按照第一段编码对工件加工次序的排列和第三段加工车间的指派，确定每个工件加工的工厂和加工的完成时间，再根据工件指派的配送车辆进行分次循环配送，计算出不同车辆的配送的等待时间以及配送达到的时间，不同车辆旅途中的行驶距离。
作为一个具体的实施例，步骤S202中，所述特征值为所述初始解集中每个个体的适应度。
作为优选的实施例，步骤S203中，如图3所示，根据所述特征值对所述初始解集进行优化，得到候选解集，包括：
步骤S301：根据所述特征值对所述初始解集进行选择操作，得到初步优化解集；
步骤S302：对所述初步优化解集进行分段随机交叉操作，得到二次优化解集；
步骤S303：对所述二次优化解集进行启发式变异操作，得到候选解集。
作为一个具体的实施例，所述步骤S301中，采用二元锦标赛结合最优个体强制保存的方法进行选择；即：每次从种群中取出一定数量个体，然后选择其中特征值最大的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模。具体的操作步骤如下：
第一步：确定每次选择的个体数量selNum。
第二步：从种群中随机选择selNum个个体，根据每个个体的适应度值，选择其中适应度值最好的个体进入子代种群。
第三步：重复第二步，到达预设种群规模NIND时结束循环，得到的个体构成新一代种群NewChrome。
第四步：判断父代种群中适应度值最好的个体bestS是否存在于NewChrome中，存在则返回种群，否则直接将bestS放入NewChrome中。
第五步：返回选择之后的种群NewChrome。
作为一个具体的实施例，所述步骤S302中，采用启发式分段随机交叉操作。由于所采用的编码方式是三段编码，涉及到生产过程中订单的排产、车间的分配、以及配送的过程中配送车辆的选择。生产过程中订单排产次序改变会同时对生产和配送的环节都造成影响，所以采用分两段交叉的方式进行处理，两段生成交叉点的概率分别为：
式中，C表示采用第一段交叉方式的数量，V表示采用第二段交叉方式的数量。
具体的交叉过程为：
第一步：生成0～1之间的随机数并与p1的大小作比较。
第二步：如果随机数大于p1，生成一个P+1～2P的随机数；否则，生成1～P的随机数，确定要交换的项目段。
第三步：交换双亲对应位置的基因片段，产生子代。
作为一个具体的实施例，步骤S303中，所述启发式变异操作为：两段启发式变异操作。具体包括：
排产阶段对进行变异的染色体编码段进行抽取，然后进行启发式变异调度优化，使之对应的生产加工时间最少；
配送阶段对排产阶段变异调度策略之后的染色体进行编码段抽取，然后直接对抽取的编码段进行配送车辆指派变异。
作为优选的实施例，在步骤S204中，对所述候选解集进行局部优化，得到所述目标函数在所述约束条件下的最优解，包括：
利用预设的寻优方法对所述候选解集进行局部优化，得到局部优化解；
判断是否满足预设的终止条件，如果满足终止条件，则输出所述局部优化解为所述目标函数在所述约束条件下的最优解；如果没有达到终止条件，则对所述候选解集继续进行优化。
作为一个具体的实施例，所述预设的寻优方法为禁忌搜索操作，具体包括：
步骤S401：随机选择一个候选解集进行禁忌搜索操作，并将禁忌表T置空。
步骤S402：邻域选择；随机生成一个工件p，互换工件p的前后两个基因并进行合法性调整实现邻域搜索操作。
步骤S403：确定备选解；确定是否有满足蔑视规则的备选解，从中确定bestS个备选解。
步骤S404：邻域评价；计算备选解的适应度值，将当前解的染色体适应度值fit(Si)与备选解的适应度值fit(Si’)进行比较，若备选解的适应度值比当前解的适应度值好，则用Si’替换Si，判断Si’是否存在于禁忌表中,不存在则更新禁忌表T。
步骤S405：判断是否满足终止条件，即：判断迭代计算的次数是否达到了预设的迭代阈值；如果满足终止条件，进入步骤S406；如果不满足终止条件，返回步骤S402；
步骤S406：结束并返回局部搜索的结果。
作为一个具体的实施例，根据所述目标函数的最优解，得到最优的生产配送调度方案，包括：确定工件的加工次序的排列，指派各工件的加工车间，确定各工件的配送批次和该批次的配送车辆。
本发明实施例提供了一种分布式工厂生产配送集成调度系统，其结构框图，如图5所示，所述一种分布式工厂生产配送集成调度系统500，包括：
信息获取模块501，用于获取订单需求信息、分布式工厂加工信息和配送车辆信息；
模型建立模块502，用于根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，并确定所述集成调度规划模型的约束条件和目标函数；
计算模块503，用于计算所述集成调度规划模型的目标函数在所述约束条件下的最优解；
方案制定模块504，用于根据所述目标函数的最优解，得到最优的生产配送调度方案。
如图6所示，上述的一种分布式工厂生产配送集成调度方法，本发明还相应提供了一种电子设备600，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器601、存储器602及显示器603。
存储器602在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器602在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器602还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器602用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器602上存储有一种分布式工厂生产配送集成调度方法程序604，该一种分布式工厂生产配送集成调度方法程序604可被处理器601所执行，从而实现本发明各实施例的一种分布式工厂生产配送集成调度方法。
处理器601在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器602中存储的程序代码或处理数据，例如执行一种分布式工厂生产配送集成调度程序等。
显示器603在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器603用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件601-603通过系统总线相互通信。
本实施例还提供了一种计算机可读存储介质，其上存储有一种分布式工厂生产配送集成调度方法的程序，处理器执行程序时，实现如上所述的一种分布式工厂生产配送集成调度方法。
根据本发明上述实施例提供的计算机可读存储介质和计算设备，可以参照根据本发明实现如上所述的一种分布式工厂生产配送集成调度方法具体描述的内容实现，并具有与如上所述的一种分布式工厂生产配送集成调度方法类似的有益效果，在此不再赘述。
本发明公开的一种分布式工厂生产配送集成调度方法、系统、电子设备及计算机可读存储介质，首先，获取订单需求信息、分布式工厂加工信息和配送车辆信息；其次，根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，确定所述集成调度规划模型的约束条件和目标函数；本方法综合考虑了订单需求信息、分布式工厂加工信息和配送车辆信息对生产配送调度的各种影响因素，建立了更客观、更符合实际需求的集成调度规划模型；再次，计算所述集成调度规划模型的目标函数在所述约束条件下的最优解；最后，根据所述目标函数的最优解，得到最优的生产配送调度方案；通过高效的最优解计算方法对目标函数进行求解，并根据最优解得到最优的生产配送调度方案，实现了调度策略的快速制定，降低了企业的生产配送成本，提高了供应链的整体效益。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种分布式工厂生产配送集成调度方法，其特征在于，包括：
获取订单需求信息、分布式工厂加工信息和配送车辆信息；
根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，并确定所述集成调度规划模型的约束条件和目标函数；
计算所述集成调度规划模型的目标函数在所述约束条件下的最优解；
根据所述目标函数的最优解，得到最优的生产配送调度方案；
所述计算所述集成调度规划模型的目标函数在所述约束条件下的最优解，包括：
生成所述集成调度规划模型目标函数的初始解集；
计算所述初始解集的特征值；
根据所述特征值对所述初始解集进行优化，得到候选解集；
对所述候选解集进行局部优化，得到所述目标函数在所述约束条件下的最优解。
2.根据权利要求1所述的分布式工厂生产配送集成调度方法，其特征在于，根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，包括：
根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，确定生产配送调度总成本。
3.根据权利要求2所述的分布式工厂生产配送集成调度方法，其特征在于，所述集成调度规划模型包括：生产加工模型、车辆配送模型和随机时间模型；
所述生产加工模型，用于根据所述订单需求信息和分布式工厂加工信息，确定加工成本和加工时间；
所述车辆配送模型，用于根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，确定配送成本和配送时间；
所述随机时间模型，用于根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，确定随机占用时间。
4.根据权利要求3所述的分布式工厂生产配送集成调度方法，其特征在于，确定所述集成调度规划模型的目标函数包括：
根据所述订单需求信息、加工时间、配送时间和随机占用时间，确定损耗成本；
根据所述加工成本、配送成本和损耗成本，确定所述生产配送调度总成本；
将最小化所述生产配送调度总成本作为所述集成调度规划模型的目标函数。
5.根据权利要求1所述的分布式工厂生产配送集成调度方法，其特征在于，根据所述特征值对所述初始解集进行优化，得到候选解集，包括：
根据所述特征值对所述初始解集进行选择操作，得到初步优化解集；
对所述初步优化解集进行分段随机交叉操作，得到二次优化解集；
对所述二次优化解集进行启发式变异操作，得到候选解集。
6.根据权利要求1所述的分布式工厂生产配送集成调度方法，其特征在于，对所述候选解集进行局部优化，得到所述目标函数在所述约束条件下的最优解，包括：
利用预设的寻优方法对所述候选解集进行局部优化，得到局部优化解；
判断是否满足预设的终止条件，如果满足终止条件，则输出所述局部优化解为所述目标函数在所述约束条件下的最优解。
7.一种分布式工厂生产配送集成调度系统，其特征在于，包括：
信息获取模块，用于获取订单需求信息、分布式工厂加工信息和配送车辆信息；
模型建立模块，用于根据所述订单需求信息、分布式工厂加工信息和配送车辆信息，建立集成调度规划模型，并确定所述集成调度规划模型的约束条件和目标函数；
计算模块，用于计算所述集成调度规划模型的目标函数在所述约束条件下的最优解；
方案制定模块，用于根据所述目标函数的最优解，得到最优的生产配送调度方案；
所述计算模块包括：
生成所述集成调度规划模型目标函数的初始解集；
计算所述初始解集的特征值；
根据所述特征值对所述初始解集进行优化，得到候选解集；
对所述候选解集进行局部优化，得到所述目标函数在所述约束条件下的最优解。
8.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-6任一所述的一种分布式工厂生产配送集成调度方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如权利要求1-6任一所述的一种分布式工厂生产配送集成调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210247331.XA CN114594744B (zh) | 2022-03-14 | 2022-03-14 | 一种分布式工厂生产配送集成调度方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210247331.XA CN114594744B (zh) | 2022-03-14 | 2022-03-14 | 一种分布式工厂生产配送集成调度方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114594744A CN114594744A (zh) | 2022-06-07 |
| CN114594744B true CN114594744B (zh) | 2023-11-28 |
Family
ID=81817294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210247331.XA Active CN114594744B (zh) | 2022-03-14 | 2022-03-14 | 一种分布式工厂生产配送集成调度方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114594744B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115793591B (zh) * | 2023-01-30 | 2023-05-26 | 武汉理工大学 | 基于改进仿生智能优化算法的液压缸分布式制造调度方法 |
| CN117236824B (zh) * | 2023-11-15 | 2024-02-20 | 新立讯科技股份有限公司 | 一种用于农产品在线交易平台的物流调度方法 |
| CN117635000B (zh) * | 2023-11-22 | 2024-06-25 | 中建材智能自动化研究院有限公司 | 基于工业互联网的lms生产物流调度方法 |
| CN117634856B (zh) * | 2024-01-26 | 2024-06-11 | 武汉理工大学 | 基于超启发式樽海鞘算法的液压缸制造联合调度方法 |
| CN118171898A (zh) * | 2024-05-15 | 2024-06-11 | 绵阳职业技术学院 | 新型建材生产调度方法、装置、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU7865700A (en) * | 1999-10-06 | 2001-05-10 | Sensoria Corporation | Method and apparatus for internetworked wireless integrated network sensor (wins) nodes |
| AU2002951957A0 (en) * | 2002-10-09 | 2002-10-24 | Bhp Billiton Innovation Pty Ltd | System and method(s) of mine planning, design and processing |
| CN108921483A (zh) * | 2018-07-16 | 2018-11-30 | 深圳北斗应用技术研究院有限公司 | 一种物流路径规划方法、装置及司机排班调度方法、装置 |
| CN112116134A (zh) * | 2020-09-04 | 2020-12-22 | 上海汽车集团股份有限公司 | 一种物流计划的制定方法及相关装置 |
| CN112286152A (zh) * | 2020-10-28 | 2021-01-29 | 山东师范大学 | 具有批量交付约束的分布式流水车间调度方法及系统 |
| CN112288357A (zh) * | 2020-10-27 | 2021-01-29 | 中铁广州工程局集团有限公司 | 钢筋集中加工配送方法、系统、设备及介质 |
| WO2021142917A1 (zh) * | 2020-01-15 | 2021-07-22 | 深圳大学 | 多车场车辆路径规划方法、装置、计算机设备及存储介质 |
| CN113283732A (zh) * | 2021-05-17 | 2021-08-20 | 广东省科学院智能制造研究所 | 基于差分进化算法的多目标优化家禽配送方法及系统 |
-
2022
- 2022-03-14 CN CN202210247331.XA patent/CN114594744B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU7865700A (en) * | 1999-10-06 | 2001-05-10 | Sensoria Corporation | Method and apparatus for internetworked wireless integrated network sensor (wins) nodes |
| AU2002951957A0 (en) * | 2002-10-09 | 2002-10-24 | Bhp Billiton Innovation Pty Ltd | System and method(s) of mine planning, design and processing |
| CN108921483A (zh) * | 2018-07-16 | 2018-11-30 | 深圳北斗应用技术研究院有限公司 | 一种物流路径规划方法、装置及司机排班调度方法、装置 |
| WO2021142917A1 (zh) * | 2020-01-15 | 2021-07-22 | 深圳大学 | 多车场车辆路径规划方法、装置、计算机设备及存储介质 |
| CN112116134A (zh) * | 2020-09-04 | 2020-12-22 | 上海汽车集团股份有限公司 | 一种物流计划的制定方法及相关装置 |
| CN112288357A (zh) * | 2020-10-27 | 2021-01-29 | 中铁广州工程局集团有限公司 | 钢筋集中加工配送方法、系统、设备及介质 |
| CN112286152A (zh) * | 2020-10-28 | 2021-01-29 | 山东师范大学 | 具有批量交付约束的分布式流水车间调度方法及系统 |
| CN113283732A (zh) * | 2021-05-17 | 2021-08-20 | 广东省科学院智能制造研究所 | 基于差分进化算法的多目标优化家禽配送方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 《Comparison between two approaches to solve the Job Shop Scheduling Problem with Routing》;M. Gondran;《IFAC-PapersOnLine》;第2513页-第2518页 * |
| 《分布式车间调度优化算法研究综述》;王凌;《控制与决策》(第第1期期);第1页-第1页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114594744A (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114594744B (zh) | 一种分布式工厂生产配送集成调度方法和系统 | |
| US10325237B2 (en) | System and method for solving large scale supply chain planning problems with integer constraints | |
| CN112561194B (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
| CN105389975A (zh) | 专车调度方法和装置 | |
| CN109472362B (zh) | 一种基于可变任务窗的agv动态调度方法及装置 | |
| CN109345166B (zh) | 用于生成信息的方法和装置 | |
| CN111898221A (zh) | 选址方法、装置及计算机可读存储介质 | |
| KR20190068193A (ko) | 스마트 팩토리 레이아웃 설계 방법 및 시스템 | |
| JP2003167615A (ja) | 生産計画立案装置および方法 | |
| CN115600774A (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
| Wang et al. | Simulation-based optimisation of logistics distribution system for an assembly line with path constraints | |
| CN114580678A (zh) | 一种产品维修资源调度方法和系统 | |
| CN112101841A (zh) | 一种物流路径规划方法、装置、设备及存储介质 | |
| CN115049339A (zh) | 一种向驾驶者推荐货源的方法及装置 | |
| Liu et al. | A new knowledge-guided multi-objective optimisation for the multi-AGV dispatching problem in dynamic production environments | |
| CN116090676B (zh) | 一种基于多目标优化的aps排产方法及aps排产系统 | |
| Wang et al. | Model construction of material distribution system based on digital twin | |
| CN116430805A (zh) | 车间调度控制方法及装置、生产线、作业机械 | |
| CN115409392A (zh) | 物料生产计划的确定方法，装置，存储介质以及电子设备 | |
| CN103246923A (zh) | 基于自适应遗传算法的弹性车间调度技术 | |
| Xu et al. | Dynamic pricing and inventory control for a production system with average profit criterion | |
| Zhou et al. | Simulation based capacity optimization of a general assembly line with extremely unbalanced station process time | |
| JP7410345B1 (ja) | 生産計画立案装置、生産計画立案プログラム、および生産計画立案方法 | |
| Huang et al. | Fast algorithm for evaluating the similarity of manufacturing processes within a dynamic production environment | |
| CN117057552A (zh) | 多零件日生产计划数据处理方法、装置、介质及电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |