CN114626765B - 一种动力锂电池化成智能调度方法 - Google Patents
一种动力锂电池化成智能调度方法 Download PDFInfo
- Publication number
- CN114626765B CN114626765B CN202210491486.8A CN202210491486A CN114626765B CN 114626765 B CN114626765 B CN 114626765B CN 202210491486 A CN202210491486 A CN 202210491486A CN 114626765 B CN114626765 B CN 114626765B
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- power lithium
- formation
- goblet
- individual
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 83
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 53
- 241000251555 Tunicata Species 0.000 claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 20
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 230000035772 mutation Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 44
- 241000251557 Ascidiacea Species 0.000 claims description 24
- 150000001875 compounds Chemical class 0.000 claims description 10
- 229940088594 vitamin Drugs 0.000 claims description 10
- 229930003231 vitamin Natural products 0.000 claims description 10
- 235000013343 vitamin Nutrition 0.000 claims description 10
- 239000011782 vitamin Substances 0.000 claims description 10
- 150000003722 vitamin derivatives Chemical class 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 241001465754 Metazoa Species 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 108090000623 proteins and genes Proteins 0.000 abstract 1
- 230000009466 transformation Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 7
- 230000018109 developmental process Effects 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06Q50/06—Energy or water supply
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
一种动力锂电池化成智能调度方法，建立了动力锂电池化成调度数学模型，并采用改进型樽海鞘算法(Modified salp swarm algorithm,MSSA)对该模型进行求解。本发明针对樽海鞘算法易陷入局部最优的不足，基于以下两点对其进行了改进：首先，采用优等生学习策略使不同表现型的优良基因都能得到较好的遗传，从而改善了求解质量；其次，基于镜像变异算子对最优个体进行更新，较好的平衡了算法的全局开拓能力及局部探索能力，提高了求解效率。本发明进一步提高了动力锂电池生产制造的智能化水平，并为其进行数字化转型提供了有益借鉴。
Description
技术领域
本发明涉及新能源智能制造领域，尤其是涉及一种动力锂电池化成智能调度方法。
背景技术
随着我国“碳达峰、碳中和”目标的提出，新能源电动汽车走上了快速发展的通道。锂电池作为电动汽车的动力来源，只有具有足够高的产量才能为新能源电动汽车的健康发展保驾护航。然而，对于动力锂电池生产企业来说，动力锂电池化成环节的日常排产大多仍依靠人工经验来进行，这势必影响动力锂电池的化成效率。因此，亟需依靠科技力量，寻求一种动力锂电池化成智能调度方法，该智能调度方法不仅有助于提高动力锂电池的化成效率，为电动汽车产业的良性发展提供充足动力，而且将大力推动我国早日实现双碳目标。
发明内容
为了克服背景技术中的不足，本发明公开了一种动力锂电池化成智能调度方法，其目的在于：缩短动力锂电池的化成时间，提高化成效率。
为实现上述发明目的，本发明采用如下技术方案：
一种动力锂电池化成智能调度方法，首先，分析动力锂电池生产现场存在的约束条件，将动力锂电池化成的工序次序及各工序所对应的机器序列的排列组合等效为由所有樽海鞘个体形成的樽海鞘种群；然后，以动力锂电池化成时间最短为目标建立化成调度数学模型，将该化成调度数学模型的最优解等效为距离食物最近的最优樽海鞘个体；在每一代的进化过程中，所有樽海鞘个体都将采用化成调度数学模型来计算自身距离食物的远近，即适应度的大小；其中，适应度最大的樽海鞘个体为领导者，其余的樽海鞘个体为追随者；之后，领导者和追随者按进化策略进行进化，再在下一代的进化过程中重新评选出领导者和追随者；如此循环，直至樽海鞘种群进化结束；此时，最优的领导者即为最优解，该最优解为最优的动力锂电池化成的工序次序及各工序所对应的机器序列。
本调度方法过程如下：
（1）以化成所用时间最短为优化目标，对动力锂电池生产现场存在的约束条件进行分析，建立带约束条件的动力锂电池化成调度数学模型：
s.t.
式中，
为动力锂电池箱体编号，
；
为第
箱锂电池生产完工时间；
为动力锂电池工序编号，
；
为第
道工序的设备总数；
为动力锂电池每道工序的设备编号，
；
为第
箱动力锂电池在设备
上完成第
工序所用时间；
为第
箱动力锂电池第
道工序是否被分配在设备
上生产，是则
，否则
；
为第
箱动力锂电池第
工序在设备
上的完成时间；
为第
箱动力锂电池第
工序在设备
上的开始生产时间。
上述公式中，式（1）为目标函数即最小化所有动力锂电池的最大化成完工时间；式（2）至式（6）为各种约束条件。具体为：式（2）表示任一动力锂电池只有在前道工序完成后才可开始下道工序；式（3）为动力锂电池在各工序中的完成时间；式（4）表示任一动力锂电池的生产完成时间等于该动力锂电池最后一道工序的完成时间；式（5）表示动力锂电池在每道工序只能选择该工序的一台设备进行生产；式（6）表示动力锂电池在每道工序中的加工时间；式（7）为决策变量的二进制值域约束。
（2）初始化参数：樽海鞘种群规模N、最大进化代数G_max、进化代数计数器t、樽海鞘个数计数器n、初始化樽海鞘种群个体；
（3）令t=t+1，进行全局搜索；
（3-1）将樽海鞘个体解码为所有动力锂电池化成工序次序及其各工序对应的机器，其中化成工序包括一次老化、预充、一次分容、二次老化、二次分容、OCV/IR测量和抽辊切7道工序；
步骤（3-1）包括以下步骤：
（3-1-1）随机生成一维实数向量：
；
式中，
为箱体
动力锂电池完成化成所需的工序数，
为待化成的动力锂电池箱体数量；
（3-1-2）对该向量前半部及后半部的元素分别进行升序排列，并将各元素用其序号来代替；
（3-1-3）将向量前半部分各元素对待化成的锂电池箱体数量
进行求余操作，以实现各箱动力锂电池工序的编排；同时，将向量后半部分各元素对向量前半部分各工序对应的可用机器数进行求余操作以实现各工序所用机器的选择。
上述步骤能够将樽海鞘个体解码为动力锂电池的化成次序。为更好的利用标准樽海鞘算法求解连续问题的优良性能，本发明对樽海鞘个体进行实数编码，考虑到待化成的动力锂电池所在箱体编号为离散值，为此必须对实数编码的樽海鞘个体进行解码，便于计算樽海鞘个体的适应度及提供可行的调度解。
（3-2）基于步骤（1）建立的化成调度数学模型计算每个樽海鞘个体的适应度；
（3-3）更新最佳樽海鞘个体位置及其适应度；其中，最佳樽海鞘个体位置为最佳动力锂电池化成工序次序及其各工序对应的机器，最佳樽海鞘个体的适应度为最佳樽海鞘个体位置对应的完工时间；
（3-4）令n=n+1，进行局部搜索；
（3-4-1）基于优等生学习策略的领导者更新机制；其中，领导者更新的公式为：
式中，
为[0, 1]之间的随机数，
为随机选择的一名优等生的第
维，
和
分别为领导者更新前及更新后的第
维。
这里，领导者是指解码后为最佳动力锂电池化成工序次序及其各工序对应的机器序列的樽海鞘个体。在标准樽海鞘算法中，领导者基于最优个体进行更新，很容易导致算法陷入局部最优，从而影响了求解精度和效率。为此，式（8）借鉴了优等生群体百花齐放的思想，即优等生的能力各有千秋，大都有自己与众不同的特长。如果领导者能够基于优等生群体博采众长进行更新，将会大大提高其自身的综合优化能力。这里，优等生为适应度排名在整个种群前五分之一的较优个体。为更好的向每个优等生学习，在领导者更新时，对其每一维随机选择一名优等生进行学习，从而为各动力锂电池的化成工序排序以及各工序对应的加工机器选择提供指导性参考，有效训练出化成完工时间较短的动力锂电池化成各工序排序，保证良好的学习效果。
（3-4-2）追随者更新机制；
这里，追随者为解码后为非最佳动力锂电池化成工序次序及其各工序对应的机器序列的樽海鞘个体。在标准樽海鞘算法中，由于樽海鞘群体呈领导者引导的链式结构排列，因此追随者的位置变化仅与其初始位置、加速度和速度有关，由牛顿第二定律可得出追随者的运动距离
：
在樽海鞘算法进化过程中，
即为进化代数的差值，其值为1。进化开始时每个樽海鞘个体的初速度
均为0。从一次迭代开始到结束的加速度
可表示为
，樽海鞘群体的链式结构导致追随者只能跟随相邻的樽海鞘移动，因而速度
。由此，式(9)变为：
由此可得追随者的位置更新公式：
式中，
、
分别为第
个追随者更新前及更新后的第
维，
第
个追随者前一个樽海鞘个体的第
维。
（3-4-3）如果n<N，则返回步骤（3-4）；否则转入步骤（3-5）；
（3-5）镜像变异机制；
这里，镜像变异是指对解码后为最佳动力锂电池化成工序次序及其各工序对应的机器序列的樽海鞘个体实施变异。在标准樽海鞘算法中，樽海鞘种群是以首尾相连的链式结构存在，并且链中前一个樽海鞘会直接影响下一个樽海鞘，因而当种群最优个体陷入局部最优时，这种链式传递机制很容易导致其他个体也陷入局部最优，将大大影响算法的性能。为此，本发明采用镜像机制对最优个体进行变异，以降低其进入局部最优的几率。
该镜像变异方式包括以下步骤：
（3-5-1）求出种群所有个体每一维上下界的中心；
（3-5-2）对最优个体每一维基于每维对应的中心点进行镜面成像，形成最优个体的镜像；
（3-5-3）通过比较选出最优个体，如果该最优子代个体优于整个种群的最优个体，则替换，否则保持不变。
上述变异方式能够确保变异后的个体正好位于变异前个体的对立面，既有效拓展了搜索空间，增强了种群的多样性，又较好兼顾了局部搜索，更重要的是有效克服了随机变异带来的盲目性。
假设种群所有个体第
维的中心为
，种群当前最优个体的第
维为
，则按式(12)对其实施镜像变异：
式中，
为当前最优个体经过镜像变异后的第
维。
（3-6）如果t<G_max，则返回步骤（3）；否则输出最优解。
由于采用上述技术方案，相比背景技术，本发明具有如下有益效果：
（1）基于樽海鞘群智能算法对动力锂电池化成进行智能调度，可有效缩短化成时间、提高化成效率，从而为电动汽车健康发展提供充足的动力保障。
（2）将优等生学习策略及镜像变异算子引入到标准樽海鞘算法中，进一步改善了樽海鞘算法的局部寻优能力及种群多样性，从而提高了算法的求解精度和收敛效率。
本发明将群智能算法应用于动力锂电池化成生产环节，有效克服了传统人工排产效率低的弊端，对于提升动力锂电池生产相关企业的数字化、智能化水平具有较好的示范带动作用。
附图说明
图1 是本发明的流程图；
图2 是本发明针对优选的实施例各算法求解收敛趋势对比；
图3是本发明针对优选的实施例各算法求解均值对比；
图4是本发明针对优选的实施例各算法运行30次结果对比；
图5是本发明选用标准樽海鞘算法求出的动力锂电池化成甘特图；
图6是本发明提出的改进型樽海鞘算法求出的动力锂电池化成甘特图。
具体实施方式
结合附图和优选的实施例对本发明方法做进一步描述。本实施例涉及某新能源生产企业动力锂电池化成调度优化问题，利用本发明求出满足约束条件的最优解或次优解。
（1）问题概况
按照上述技术方案以某新能源生产企业动力锂电池化成为应用背景进行示例说明。其动力锂电池化成工艺包含7道工序，具体信息如表1所示。
表1中，一次老化和二次老化使用的机器相同，一次分容和二次分容使用的机器也相同。随机产生10箱待化成的动力锂电池进行测试，实验在Win10系统平台，3.7GHz主频的Intel处理器，4GB内存及Matlab R2014b开发环境下进行。本发明算法MSSA的种群规模
、最大进化代数
分别为50和600；为了比较的公平性，标准樽海鞘算法SSA采用与MSSA相同的种群规模和最大进化代数。针对本实施例各算法分别运行30次，并以最优解、最差解、平均值及标准差进行统计，为增加区分度，最优值加粗显示。结果如表2、图2、图3、图4、图5和图6所示。
（2）优化结果对比分析
关于动力锂电池化成优化实施例，图2、图3和图4直观地验证了MSSA算法优越的求解性能。可以得知，在求解效率上，MSSA能以较快速度收敛于最优解或次优解；在求解质量上，表2中30次实验的最优解、最差解、平均值及标准差均优于标准SSA算法，同时，图3较为形象揭示了MSSA算法求解性能优良的原因，即MSSA在求解过程中较好地保持了种群的多样性。
表230次求解结果对比
| 算法 | 最差解 | 最优解 | 平均值 | 标准差 |
| SSA | 248 | 213 | 230 | 8.23 |
| MSSA | 239 | 205 | 225 | 8.15 |
更进一步，图4表明MSSA相对SSA其30次求解结果波动较小，从一定程度上证明了MSSA具有较强的鲁棒性。为向动力锂电池生产企业提供切实可行的化成调度方案，图5和图6分别展示了标准SSA算法和本发明MSSA算法求出的甘特图。本发明方法之所以表现优越，主要得益于以下两点：其一，优等生学习策略博采众长，大大增加了向其他优良个体学习的机会，从而改善了求解质量；其二，基于镜像变异算子对最优个体进行更新，这种变异方式能够确保变异后的个体正好位于变异前个体的对立面，既有效拓展了搜索空间，增强了种群的多样性，避免陷入局部最优，又较好的兼顾了局部搜索，更重要的是有效克服了随机变异带来的盲目性，从而提高求解效率。
未详述部分为现有技术。尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的保护范围由所附权利要求及其等同物限定。
Claims (2)
1.一种动力锂电池化成智能调度方法，其特征在于：首先，分析动力锂电池生产现场存在的约束条件，将动力锂电池化成的工序次序及各工序所对应的机器序列的排列组合等效为由所有樽海鞘个体形成的樽海鞘种群；然后，以动力锂电池化成时间最短为目标建立化成调度数学模型，将该化成调度数学模型的最优解等效为距离食物最近的最优樽海鞘个体；在每一代的进化过程中，所有樽海鞘个体都将采用化成调度数学模型来计算自身距离食物的远近，即适应度的大小；其中，适应度最大的樽海鞘个体为领导者，其余的樽海鞘个体为追随者；之后，领导者和追随者按进化策略进行进化，再在下一代的进化过程中重新评选出领导者和追随者；如此循环，直至樽海鞘种群进化结束；此时，最优的领导者即为最优解，该最优解为最优的动力锂电池化成的工序次序及各工序所对应的机器序列；
本调度方法过程如下：
（1）建立化成调度数学模型：
s.t.
式中，
为动力锂电池箱体编号，
；
为第
箱锂电池生产完工时间；
为动力锂电池工序编号，
；
为第
道工序的设备总数；
为动力锂电池每道工序的设备编号，
；
为第
箱动力锂电池在设备
上完成第
工序所用时间；
为第
箱动力锂电池第
道工序是否被分配在设备
上生产，是则
，否则
；
为第
箱动力锂电池第
工序在设备
上的完成时间；
为第
箱动力锂电池第
工序在设备
上的开始生产时间；
（2）初始化参数：樽海鞘种群规模N、最大进化代数G_max、进化代数计数器t、樽海鞘个数计数器n、初始化樽海鞘种群个体；
（3）令t=t+1，进行解空间全局搜索；
（3-1）将樽海鞘个体解码为所有动力锂电池化成工序次序及其各工序对应的机器；
（3-2）基于步骤（1）建立的化成调度数学模型计算每个樽海鞘个体的适应度；
（3-3）更新最佳樽海鞘个体位置及其适应度；
（3-4）令n=n+1，进行局部搜索；
（3-4-1）基于优等生学习策略的领导者更新机制；
领导者更新的公式为：
（3-4-2）追随者更新机制；
追随者位置的更新公式为：
式中，
、
分别为第
个追随者更新前及更新后的第
维，
第
个追随者前一个樽海鞘个体的第
维，R为追随者的运动距离；
（3-4-3）如果n<N，则返回步骤（3-4）；否则转入步骤（3-5）；
（3-5）镜像变异机制；
（3-5-1）求出种群所有个体每一维上下界的中心
；
（3-5-2）对最优个体每一维基于每维对应的中心点进行镜面成像，形成最优个体的镜像；镜像变异机制的公式为：
式中，
为当前最优个体经过镜像变异后的第
维，
为种群当前最优个体的第
维；
（3-5-3）通过比较选出最优个体，如果该最优个体的镜像优于整个种群的最优个体，则替换，否则保持不变；
（3-6）如果t<G_max，则返回步骤（3）；否则输出最优解。
2.如权利要求1所述的一种动力锂电池化成智能调度方法，其特征是：步骤（3-1）包括以下步骤：
（3-1-1）随机生成一维实数向量：
式中，
为箱体
动力锂电池完成化成所需的工序数，
为待化成的动力锂电池箱体数量；
（3-1-2）对该向量前半部及后半部的元素分别进行升序排列，并将各元素用其序号来代替；
（3-1-3）将向量前半部分各元素对待化成的锂电池箱体数量
进行求余操作，以实现各箱动力锂电池工序的编排；同时，将向量后半部分各元素对向量前半部分各工序对应的可用机器数进行求余操作以实现各工序所用机器的选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210491486.8A CN114626765B (zh) | 2022-05-07 | 2022-05-07 | 一种动力锂电池化成智能调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210491486.8A CN114626765B (zh) | 2022-05-07 | 2022-05-07 | 一种动力锂电池化成智能调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114626765A CN114626765A (zh) | 2022-06-14 |
| CN114626765B true CN114626765B (zh) | 2022-09-16 |
Family
ID=81906400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210491486.8A Active CN114626765B (zh) | 2022-05-07 | 2022-05-07 | 一种动力锂电池化成智能调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114626765B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111522315A (zh) * | 2020-04-30 | 2020-08-11 | 昆明理工大学 | 一种锂电池叠片加工过程的优化调度方法 |
| CN113037213A (zh) * | 2021-03-04 | 2021-06-25 | 国网新疆电力有限公司信息通信公司 | 基于樽海鞘群算法的光伏电池模型参数辨识方法及装置 |
| CN114398762A (zh) * | 2021-12-22 | 2022-04-26 | 淮阴工学院 | 一种基于樽海鞘算法的高精度储能元件模型的拟合方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578178B (zh) * | 2017-09-11 | 2018-08-28 | 合肥工业大学 | 基于变邻域搜索和引力搜索混合算法的调度方法及系统 |
| CN109886589B (zh) * | 2019-02-28 | 2024-01-05 | 长安大学 | 一种基于改进鲸鱼优化算法求解低碳车间调度的方法 |
| CN111027663A (zh) * | 2019-11-12 | 2020-04-17 | 天津大学 | 一种改进樽海鞘群算法的方法 |
| CN113128127A (zh) * | 2021-04-27 | 2021-07-16 | 国网上海市电力公司 | 一种多区域虚拟电厂协调优化调度方法 |
| CN113255146B (zh) * | 2021-06-03 | 2022-05-27 | 郑州轻工业大学 | 基于改进樽海鞘优化算法的拉伸/压缩弹簧设计方法 |
-
2022
- 2022-05-07 CN CN202210491486.8A patent/CN114626765B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111522315A (zh) * | 2020-04-30 | 2020-08-11 | 昆明理工大学 | 一种锂电池叠片加工过程的优化调度方法 |
| CN113037213A (zh) * | 2021-03-04 | 2021-06-25 | 国网新疆电力有限公司信息通信公司 | 基于樽海鞘群算法的光伏电池模型参数辨识方法及装置 |
| CN114398762A (zh) * | 2021-12-22 | 2022-04-26 | 淮阴工学院 | 一种基于樽海鞘算法的高精度储能元件模型的拟合方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114626765A (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103620624B (zh) | 用于导致稀疏连通性的局部竞争性学习规则的方法和装置 | |
| CN109886343B (zh) | 图像分类方法及装置、设备、存储介质 | |
| CN109800910B (zh) | 一种基于禁忌搜索的超启发式算法的车辆路径优化方法 | |
| EP3611799A1 (en) | Array element arrangement method for l-type array antenna based on inheritance of acquired characteristics | |
| CN104715490B (zh) | 一种基于自适应步长和声搜索算法的脐橙图像分割方法 | |
| CN112084704A (zh) | 柔性车间的多工艺路线与布局联合优化方法 | |
| CN108241872A (zh) | 基于多特征因子的隐马尔科夫模型的自适应股票预测方法 | |
| Yoo et al. | Improving visual prompt tuning for self-supervised vision transformers | |
| CN114626765B (zh) | 一种动力锂电池化成智能调度方法 | |
| CN116842354A (zh) | 基于量子人工水母搜索机制的特征选择方法 | |
| Anwaar et al. | Genetic algorithms: Brief review on genetic algorithms for global optimization problems | |
| CN107577918A (zh) | 基于遗传算法和隐马尔可夫模型的CpG岛识别方法、装置 | |
| CN117234957B (zh) | 一种基于改进萤火虫算法的测试用例优先级排序方法 | |
| CN113705109A (zh) | 基于混合偏好模型的进化高维多目标优化方法及系统 | |
| Bi et al. | Self-adaptive Teaching-learning-based Optimizer with Improved RBF and Sparse Autoencoder for Complex Optimization Problems | |
| CN110674883A (zh) | 一种基于k近邻和概率选择主动学习方法 | |
| CN116596059A (zh) | 一种基于优先级经验共享的多智能体强化学习方法 | |
| CN116796964A (zh) | 一种基于生成对抗模仿学习解决作业车间调度问题的方法 | |
| CN104281877B (zh) | 一种基于改进遗传聚类的人类活动区域分类方法 | |
| CN116522132A (zh) | 交通数据的补全方法、装置和存储介质 | |
| CN112819161B (zh) | 变长基因遗传算法的神经网络构建系统、方法及存储介质 | |
| Wang et al. | Multi-objective end-to-end self-driving based on pareto-optimal actor-critic approach | |
| CN112330043B (zh) | 一种结合Q-learning与多蜂群算法的疏散路径规划方法及系统 | |
| Lin et al. | Multiobjective multitasking optimization with decomposition-based transfer selection | |
| CN113554144A (zh) | 用于多目标进化特征选择算法的自适应种群初始化方法和存储设备 |
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 |