CN114936711A - 一种大规模板式定制家具订单揉单优化方法 - Google Patents

一种大规模板式定制家具订单揉单优化方法 Download PDF

Info

Publication number
CN114936711A
CN114936711A CN202210676158.5A CN202210676158A CN114936711A CN 114936711 A CN114936711 A CN 114936711A CN 202210676158 A CN202210676158 A CN 202210676158A CN 114936711 A CN114936711 A CN 114936711A
Authority
CN
China
Prior art keywords
order
cluster
exchange
class cluster
list
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.)
Granted
Application number
CN202210676158.5A
Other languages
English (en)
Other versions
CN114936711B (zh
Inventor
刘强
洪奕辉
张�浩
胡文全
林利彬
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210676158.5A priority Critical patent/CN114936711B/zh
Publication of CN114936711A publication Critical patent/CN114936711A/zh
Application granted granted Critical
Publication of CN114936711B publication Critical patent/CN114936711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders
    • 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)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种大规模板式定制家具订单揉单优化方法，包括以下步骤：获取所有待分批的订单数据并进行数据预处理；采用凝聚层次聚类进行初始聚类优化，依次将具有相同材料订单簇进行合并，得到初始订单类簇/组批方案；对所述初始订单类簇间订单两两进行交换与评估迭代优化处理；获得最终揉单组批方案；这样可以提高了参与订单揉单组批的总订单数量和减少批次内订单中的使用材料种类数量，从而提高原料板的利用率，降低了企业的生产成本，获得更高的利润率；同时，在处理大规模的订单揉单组批问题上，可以更短时间内求解出更优的组批方案。本发明能降低成本、提高揉单优化效率和原料板利用率、适应范围广。

Description

一种大规模板式定制家具订单揉单优化方法
技术领域
本发明涉及订单揉单优化技术领域，尤其涉及一种大规模板式定制家具订单揉单优化方法。
背景技术
随着制造工艺和生产能力的发展以及消费者对个性化“全屋家具定制”需求的快速增长，家具定制企业蓬勃发展。全屋定制家具龙头企业每天承接近万个订单，企业面临大规模个性化的生产组织与高度差异化的紧迫交期生产条件下导致的生产组织混乱、交期与成本控制困难、生产计划变更频繁、生产线产能负荷不均、资源配置不合理等一系列问题。为了应对上述一系列问题，全屋家具企业一般采用“订单揉单+批量生产+订单分拣+齐套交付”的生产模式，以降低生产成本、提高生产效率。订单揉单生成的揉单组批方案是批量生产中排样下料的问题空间，批次方案中的材料种类、原料板所需数量等因素都会影响后续批量生产中板材原料加工利用率，并且板材原料成本占板式家具企业生产成本的50％以上，由此可见提高板材原料的加工利用率是降低生产成本的重中之重。因此在制定揉单组批方案的时候需要优先考虑板材原料的利用率，降低企业生产成本、增加企业利润，提高家具定制企业的核心竞争力。
目前针对订单组批问题，企业一般采用人工揉单组批或者按照订单的下单时间进行订单揉单组批，处理手段简单但是人工计算时间长，并且不能保证揉单组批方案的板材原料加工利用率保持在一个较高的水平，难以缩短生产时间、提高生产效率和降低成本；工业生产中的工程师们也提出了大量的订单揉单组批优化算法，但是目前大多应用在中、小规模订单组批问题上。在大规模的问题上使用，计算时间长且板材原料的利用率不高，生产效率低下，适用范围小。
发明内容
针对以上相关技术的不足，本发明提出一种成本低、揉单优化效率高、提高生产效率的大规模板式定制家具订单揉单优化方法。
为了解决上述技术问题，本发明实施例提供了一种大规模板式定制家具订单揉单优化方法，包括以下步骤：
获取所有待分批的订单数据并进行数据预处理；
采用凝聚层次聚类进行初始聚类优化，依次将具有相同材料订单簇进行合并，得到初始订单类簇/组批方案；
对所述初始订单类簇间订单两两进行交换与评估迭代优化处理；
获得最终揉单组批方案。
优选的，所述获取所有待分批的订单数据并进行数据预处理具体包括以下子步骤：
获取订单信息并进行数据处理；
通过双层Map结构对所述数据进行存储，获得存储信息；
根据所述存储信息进行订单量升序排序。
优选的，所述采用凝聚层次聚类进行初始聚类优化，依次将具有相同材料订单簇进行合并，得到初始订单类簇/组批方案具体包括以下子步骤：
对每一个订单生成一个原始类簇；
对材料和订单表按材料被使用的订单数量降序排序；
遍历所述材料和订单表；
判断是否遍历完成；
若是，则初始类簇按s是否小于α分两类；
所述订单数量s小于α类簇合并；
放入初始类簇列表；
若否，选出包含材料i、基订单类簇g和合并订单类簇k；
判断是否满足合并条件，若是，则合并类簇；
若否，则返回步骤遍历所述材料和订单表循环。
优选的，所述对所述初始订单类簇间订单两两进行交换与评估迭代优化处理具体包括以下子步骤：
对初始类簇列表中的类簇两两之间进行订单交换，并通过搜索剪枝策略减少订单交换迭代次数；
对所述订单交换进行预处理。
优选的，所述对初始类簇列表中的类簇两两之间进行订单交换，并通过搜索剪枝策略减少订单交换迭代次数具体包括以下子步骤：
对所述初始类簇的属性信息计算；
遍历类簇列表；
判断是否遍历完成所述类簇列表；
若是，则输出迭代交换后的基类簇；
若否，则从类簇类别按列表顺序取出类簇i作为交换基类簇和交换类簇j，其中，i＝1、2、…、n，j＝i+1、i+2、…、n；
根据所述取出类簇i继续判断是否遍历类簇列表完成，若是，则返回所述判断是否遍历完成所述类簇列表的步骤继续执行。
优选的，所述根据所述取出类簇i继续判断是否遍历类簇列表完成还包括以下子步骤：
若否，则取出所述类簇j作为交换类簇；
判断类簇间是否包含相同的材料；
若是，则将基类簇和交换类簇进行订单交换操作；
若否，则返回所述根据所述取出类簇i继续判断是否遍历类簇列表完成的步骤；
判断所述交换操作是否成功；
若是，则将交换后的类簇分别放回原基类簇和交换类簇的列表中，并返回所述取出所述类簇j作为交换类簇的步骤继续执行；
若否，则返回所述根据所述取出类簇i继续判断是否遍历类簇列表完成的步骤。
优选的，所述对所述订单交换进行预处理具体包括以下子步骤：
获取基类簇和预交换类簇中的订单列表；
遍历所述基类簇的订单列表；
判断是否遍历完成；
若是，则返回交换完成的两个类簇；
若否，则取出基类簇中的订单i；
判断是否包含预交换类簇中的材料；
若是，遍历所述交换类簇的订单列表；
取出所述交换类簇中的订单j；
将基类簇与交换类簇进行预交换；
满足交换条件，订单交换完成。
与相关技术相比，本发明通过获取所有待分批的订单数据并进行数据预处理；采用凝聚层次聚类进行初始聚类优化，依次将具有相同材料订单簇进行合并，得到初始订单类簇/组批方案；对所述初始订单类簇间订单两两进行交换与评估迭代优化处理；获得最终揉单组批方案；这样可以提高了参与订单揉单组批的总订单数量和减少批次内订单中的使用材料种类数量，从而提高原料板的利用率，降低了企业的生产成本，获得更高的利润率；同时，在处理大规模的订单揉单组批问题上，可以更短时间内求解出更优的组批方案，并且保证原料板材的利用率稳定在一个较高水平，减少了企业生产原料浪费，提高生产效率和降低生产成本，提升企业的核心竞争能力。
附图说明
下面结合附图详细说明本发明。通过结合以下附图所作的详细描述，本发明的上述或其他方面的内容将变得更清楚和更容易理解。附图中：
图1为本发明大规模板式定制家具订单揉单优化方法的方法流程图；
图2为本发明步骤S1具体的方法流程图；
图3为本发明步骤S2具体的方法流程图；
图4为本发明步骤S2的类簇合并示意图；
图5为本发明步骤S3具体的方法流程图；
图6为图5的步骤S31具体的方法流程图；
图7为图5的步骤S32具体的方法流程图；
图8为本发明步骤S32的预交换示意图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式。
在此记载的具体实施方式/实施例为本发明的特定的具体实施方式，用于说明本发明的构思，均是解释性和示例性的，不应解释为对本发明实施方式及本发明范围的限制。除在此记载的实施例外，本领域技术人员还能够基于本申请权利要求书和说明书所公开的内容采用显而易见的其它技术方案，这些技术方案包括采用对在此记载的实施例的做出任何显而易见的替换和修改的技术方案，都在本发明的保护范围之内。
实施例一
请参考图1-8所示，其中，图1为本发明大规模板式定制家具订单揉单优化方法的方法流程图；图2为本发明步骤S1具体的方法流程图；图3为本发明步骤S2具体的方法流程图；图4为本发明步骤S2的类簇合并示意图；图5为本发明步骤S3具体的方法流程图；图6为图5的步骤S31具体的方法流程图；
图7为图5的步骤S32具体的方法流程图；图8为本发明步骤S32的预交换示意图。
本发明提供一种大规模板式定制家具订单揉单优化方法，包括以下步骤：
S1、获取所有待分批的订单数据并进行数据预处理。
具体的，通过从企业中读取到订单信息，根据订单信息进行存储处理，将该存储的数据用于后续构建初始类簇使用。其中，订单信息可以是订单材料编号、日期、二维码等。
S2、采用凝聚层次聚类进行初始聚类优化，依次将具有相同材料订单簇进行合并，得到初始订单类簇/组批方案。
其中，所谓凝聚指的是该算法初始时，将每个点作为一个簇，每一步合并两个最接近的簇。另外即使到最后，对于噪音点或是离群点也往往还是各占一簇的，除非过度合并。
具体的，首先将每个订单作为一个样本点成为一个类簇，再将具有相同材料订单数量最少的订单依次进行合并，当类簇内订单数量s>24时则停止该类合并，并继续遍历其他材料订单，直到不能再合并或总类簇数量小于指定值后终止，得到初始类簇列表。其中，s表示订单数量。
具体的，通过运用凝聚层次聚类思想方法生成初始类簇，并且在生成过程中我们根据对企业揉单组批的历史数据进行分析得出板材利用率与单个批次内的订单量成正相关、与批次内订单中所使用材料种类数量成负相关以及与参与订单揉单组批的总订单数量成正相关的结论，制定一定的策略提高板材原料的利用率。
S3、对所述初始订单类簇间订单两两进行交换与评估迭代优化处理。
具体的，初始类簇列表中的类簇两两之间交换，并建立批次内材料相似度评估函数，
依照类簇中材料种类数量减少以及订单的产品成品数量的平均偏差
Figure BDA0003696637820000072
Figure BDA0003696637820000071
(i＝1、2、…、r)降低作为订单交换准则进行迭代优化，得到最终的组批方案。按照订单使用材料相同进行揉单组批，使得使用相同材料越多的订单尽可能在同一批次生产，提高了参与订单揉单组批的总订单数量和减少批次内订单中的使用材料种类数量，从而提高原料板的利用率，降低了企业的生产成本，获得更高的利润率。
S4、获得最终揉单组批方案。
具体的，通过获取所有待分批的订单数据并进行数据预处理；采用凝聚层次聚类进行初始聚类优化，依次将具有相同材料订单簇进行合并，得到初始订单类簇/组批方案；对所述初始订单类簇间订单两两进行交换与评估迭代优化处理；获得最终揉单组批方案；这样可以提高了参与订单揉单组批的总订单数量和减少批次内订单中的使用材料种类数量，从而提高原料板的利用率，降低了企业的生产成本，获得更高的利润率；同时，在处理大规模的订单揉单组批问题上，可以更短时间内求解出更优的组批方案，并且保证原料板材的利用率稳定在一个较高水平，减少了企业生产原料浪费，提高生产效率和降低生产成本，提升企业的核心竞争能力。
在本实施例中，步骤S1具体包括以下子步骤：
S11、获取订单信息并进行数据处理。
S12、通过双层Map结构对所述数据进行存储，获得存储信息。
S13、根据所述存储信息进行订单量升序排序。
具体的，从企业读取的订单信息并进行数据处理，使用TreeMap(key,value)双层Map结构进行存储，得到(订单，<材料，板List>)List和(材料，<订单，板List>)List，并且(材料，<订单，板List>)List按照使用材料的订单量升序排序，其目的是为了优先合并材料使用少的订单原始类簇，使得这些较少被使用的材料的订单聚在一个批次内生产，降低批次内订单中所使用的材料种类数量从而提高原料板材的加工利用率；其中的(订单，板List)TreeMap按照订单中使用该种材料的产品的数量进行升序排序，其目的是为了优先合并成品数量少的订单类簇，使得使用某种材料较少的订单的产品尽可能在同一块原料板上加工，提高原料板材的利用率。
其中，(订单，<材料，板List>)双层Map中key值存储订单号，value值储存key值为材料编号value值为使用改材料的所有产品的产品信息List的TreeMap。该表用于后续计算类簇的平均偏差使用。
其中，(材料，<订单，板List>)双层Map中key值存储材料编号，value值存储key值为订单号value值为订单中所有产品的产品信息的List的TreeMap。该表用于后续用于构建初始类簇使用。
在本实施例中，步骤S2具体包括以下子步骤：
S21、对每一个订单生成一个原始类簇。
S22、对材料和订单表按材料被使用的订单数量降序排序。
S23、遍历所述材料和订单表。
S24、判断是否遍历完成。
S25、若是，则初始类簇按s是否小于α分两类。
S26、所述订单数量s小于α类簇合并。
S27、放入初始类簇列表。
S28、若否，选出包含材料i、基订单类簇g和合并订单类簇k。
S29、判断是否满足合并条件，若是，则合并类簇。
S210、若否，则返回步骤判断是否遍历完成循环。
具体的，首先对所有参与揉单组批订单一一生成对应的原始类簇。依照企业经验设置同个批次最大订单数量α＝24。在升序排序处理好的(材料，<订单，板List>)List中，从第一个索引开始选出材料i(i＝1、2、3、…、n，共有n种材料)，满足使用材料i的订单数量s<α条件。对使用材料i的订单类簇进行合并；从材料i对应的<订单，(板List)中订单所属的原始类簇g作为基类簇，再从<订单，(板List)中选出原始类簇k(g≠k)作为合并类簇，满足两个订单类簇的订单数量总和sg+sk<α的合并条件则合并两个类簇成为新的基类簇，并且补充新类簇中所有属性信息；倘若两个订单类簇的订单数量和sg+sk≥α，则选择订单数量少的类簇作为基类簇继续合并，订单数量多的类簇等待该类簇中其他种类材料进行订单类簇合并的时候继续合并；重复步骤5直到使用材料i的订单表遍历一遍，完成使用材料i的所有订单类簇合并操作。
重复上述步骤S21-步骤S24直至遍历完(材料，<订单，板List>)List，并进行合并，合并示意图如图4所示。
遍历(材料，<订单，板List>)List之后得到一个类簇列表，最后为了减少订单数量少的批次提高原料板材的利用率，我们需要将订单量s<α的批次进行再一次合并处理。首先我们需要对得到的类簇列表中的类簇进行分类处理，分成两个集合——订单数量s≥α类簇的一个集合，订单数量s<α的类簇一个集合。
对订单数量s<α的类簇集合按照类簇中的订单数量进行升序排序处理，目的了为了优先合并订单数量少的类簇，增加一个批次中的订单数量从而提高板材原料的利用率。合并成订单数尽可能大但不超过α的类簇，最后得到初始类簇列表。
在本实施例中，步骤S3具体包括以下子步骤：
S31、对初始类簇列表中的类簇两两之间进行订单交换，并通过搜索剪枝策略减少订单交换迭代次数。
S32、对所述订单交换进行预处理。
具体的，通过初始类簇列表中的类簇两两之间交换，并建立批次内材料相似度评估函数，依照类簇中材料种类数量减少以及订单的产品成品数量的平均偏差
Figure BDA0003696637820000101
(i＝1、2、…、r)，降低作为订单交换准则进行迭代优化，得到最终的组批方案。
在本实施例中，步骤S31具体包括以下子步骤：
S311、对所述初始类簇的属性信息计算。
S312、遍历类簇列表。
S313、判断是否遍历完成所述类簇列表。
S314、若是，则输出迭代交换后的基类簇。
S315、若否，则从类簇类别按列表顺序取出类簇i作为交换基类簇和交换类簇j，其中，i＝1、2、…、n，j＝i+1、i+2、…、n。
S316、根据所述取出类簇i继续判断是否遍历类簇列表完成，若是，则返回所述判断是否遍历完成所述类簇列表的步骤继续执行。
具体的，通过对初始类簇的属性信息计算，遍历类簇列表，判断是否遍历完成所述类簇列表，若是，则输出迭代交换后的基类簇。若否，则从类簇类别按列表顺序取出类簇i作为交换基类簇和交换类簇j，根据所述取出类簇i继续判断是否遍历类簇列表完成，若是，则返回所述判断是否遍历完成所述类簇列表的步骤继续执行。通过按照订单使用材料相同进行揉单组批，使得使用相同材料越多的订单尽可能在同一批次生产，提高了参与订单揉单组批的总订单数量和减少批次内订单中的使用材料种类数量，从而提高原料板的利用率，降低了企业的生产成本，获得更高的利润率。
在本实施例中，在步骤S316后还包括以下子步骤：
S317、若否，则取出所述类簇j作为交换类簇。
S318、判断类簇间是否包含相同的材料。
S319、若是，则将基类簇和交换类簇进行订单交换操作。
S3110、若否，则返回所述根据所述取出类簇i继续判断是否遍历类簇列表完成的步骤。
S3111、判断所述交换操作是否成功。
S3112、若是，则将交换后的类簇分别放回原基类簇和交换类簇的列表中，并返回所述取出所述类簇j作为交换类簇的步骤继续执行。
S3113、若否，则返回所述根据所述取出类簇i继续判断是否遍历类簇列表完成的步骤。
具体的，通过对初始类簇的属性信息计算，遍历类簇列表，判断是否遍历完成所述类簇列表，若是，则输出迭代交换后的基类簇。若否，则从类簇类别按列表顺序取出类簇i作为交换基类簇和交换类簇j，其中，i＝1、2、…、n，j＝i+1、i+2、…、n。判断类簇i和类簇j两个类簇内的所有订单中是否有使用相同种类的材料，若没有相同材料种类则不进行预交换，取下一个类簇作为交换类簇j继续判断直到两个类簇中的订单使用了相同的材料种类；通过判断两个类簇之间是否包含有相同材料实现搜索枝干剪裁，减少搜索时间。若执行预交换，需要判断是否交换成功，若失败继续取下一个类簇作为类簇j继续判断。反之，将交换成功的类簇放回原来取出的类簇列表位置。重复步骤S311、S312、S313直到遍历完初始类簇中所有的类簇，得到揉单组批方案。这样相较于现有订单组批优化算法在处理大规模的订单揉单组批问题上，可以更短时间内求解出更优的组批方案，并且保证原料板材的利用率稳定在一个较高水平，减少了企业生产原料浪费，提高生产效率和降低生产成本，提升企业的核心竞争能力。
在本实施例中，步骤S4具体包括以下子步骤：
S321、获取基类簇和预交换类簇中的订单列表。
S322、遍历所述基类簇的订单列表。
S323、判断是否遍历完成。
S324、若是，则返回交换完成的两个类簇。
S325、若否，则取出基类簇中的订单i。
S326、判断是否包含预交换类簇中的材料。
S327、若是，遍历所述交换类簇的订单列表。
S328、取出所述交换类簇中的订单j。
S329、将基类簇与交换类簇进行预交换。
S3210、满足交换条件，订单交换完成。
具体的，预交换处理是用来判断从两个类簇中取出的两个订单之间是否执行交换，其过程中用到的变量符号含义如下表1所示：
表1
Figure BDA0003696637820000131
具体的，在预交换中我们首先计算出类簇A的种类数量TnumA、类簇B的种类数量TnumB、类簇A与类簇B的材料种类TsumA+B＝TnumA+TnumB和类簇A的平均偏差
Figure BDA0003696637820000132
之后我们从类簇中取出订单A1，再判断订单A1与类簇B中的订单是否使用了相同的材料，若没有使用相同材料，则从类簇A中取下一个订单；反之从类簇B中取出订单B1，订单A1和订单B1交换所属的类簇得到类簇A*和类簇B*，计算出类簇A*的种类数量TnumA*、类簇B*的种类数量TnumB*、类簇A*和类簇B*的材料种类和TsumA*+B*＝TnumA*+TnumB*、类簇A*的平均偏差
Figure BDA0003696637820000133
和类簇B*的平均偏差
Figure BDA0003696637820000134
满足以下条件其一可以进行交换，满足交换条件则交换订单。
(1)TsumA*+B*<TsumA+B；
TnumA*<TnumA；
TnumB*<TnumB。
(2)TsumA*+B*<TsumA+B；
TnumA*<TnumA；
Figure BDA0003696637820000135
其中，订单预交换示意图如图8所示。
在本实施例中，通过使用本发明与现有揉单方法分别进行组批，获得测试结果如下：
具体的，可以根据企业提供的揉单订单数据，可选的，包含21340个订单，1234310块板，400+种材料，使用本发明方法和企业目前采用的揉单方法分别进行组批，获得的两种揉单组批方案分别使用相同的排样下料算法进行优化，对比得到板材原料使用数量和板材原料的平均利用率如下表2所示。
表2
Figure BDA0003696637820000141
由上表可知使用本发明方法得到的订单揉单组批方案相较于使用企业设计的方法获得的订单揉单组批方案进行批量生产，原料板使用数量减少了3183块，平均利用率提高了1.85％。使用更少的板材原料，可以有效减少企业的生产成本，提高企业的利润率。
与相关技术相比，本发明通过获取所有待分批的订单数据并进行数据预处理；采用凝聚层次聚类进行初始聚类优化，依次将具有相同材料订单簇进行合并，得到初始订单类簇/组批方案；对所述初始订单类簇间订单两两进行交换与评估迭代优化处理；获得最终揉单组批方案；这样可以提高了参与订单揉单组批的总订单数量和减少批次内订单中的使用材料种类数量，从而提高原料板的利用率，降低了企业的生产成本，获得更高的利润率；同时，在处理大规模的订单揉单组批问题上，可以更短时间内求解出更优的组批方案，并且保证原料板材的利用率稳定在一个较高水平，减少了企业生产原料浪费，提高生产效率和降低生产成本，提升企业的核心竞争能力。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何纂改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (7)

1.一种大规模板式定制家具订单揉单优化方法，其特征在于，包括以下步骤：
获取所有待分批的订单数据并进行数据预处理；
采用凝聚层次聚类进行初始聚类优化，依次将具有相同材料订单簇进行合并，得到初始订单类簇/组批方案；
对所述初始订单类簇间订单两两进行交换与评估迭代优化处理；
获得最终揉单组批方案。
2.如权利要求1所述的大规模板式定制家具订单揉单优化方法，其特征在于，所述获取所有待分批的订单数据并进行数据预处理具体包括以下子步骤：
获取订单信息并进行数据处理；
通过双层Map结构对所述数据进行存储，获得存储信息；
根据所述存储信息进行订单量升序排序。
3.如权利要求1所述的大规模板式定制家具订单揉单优化方法，其特征在于，所述采用凝聚层次聚类进行初始聚类优化，依次将具有相同材料订单簇进行合并，得到初始订单类簇/组批方案具体包括以下子步骤：
对每一个订单生成一个原始类簇；
对材料和订单表按材料被使用的订单数量降序排序；
遍历所述材料和订单表；
判断是否遍历完成；
若是，则初始类簇按s是否小于α分两类；
所述订单数量s小于α类簇合并；
放入初始类簇列表；
若否，选出包含材料i、基订单类簇g和合并订单类簇k；
判断是否满足合并条件，若是，则合并类簇；
若否，则返回步骤遍历所述材料和订单表循环。
4.如权利要求1所述的大规模板式定制家具订单揉单优化方法，其特征在于，所述对所述初始订单类簇间订单两两进行交换与评估迭代优化处理具体包括以下子步骤：
对初始类簇列表中的类簇两两之间进行订单交换，并通过搜索剪枝策略减少订单交换迭代次数；
对所述订单交换进行预处理。
5.如权利要求4所述的大规模板式定制家具订单揉单优化方法，其特征在于，所述对初始类簇列表中的类簇两两之间进行订单交换，并通过搜索剪枝策略减少订单交换迭代次数具体包括以下子步骤：
对所述初始类簇的属性信息计算；
遍历类簇列表；
判断是否遍历完成所述类簇列表；
若是，则输出迭代交换后的基类簇；
若否，则从类簇类别按列表顺序取出类簇i作为交换基类簇和交换类簇j，其中，i＝1、2、…、n，j＝i+1、i+2、…、n；
根据所述取出类簇i继续判断是否遍历类簇列表完成，若是，则返回所述判断是否遍历完成所述类簇列表的步骤继续执行。
6.如权利要求5所述的大规模板式定制家具订单揉单优化方法，其特征在于，所述根据所述取出类簇i继续判断是否遍历类簇列表完成还包括以下子步骤：
若否，则取出所述类簇j作为交换类簇；
判断类簇间是否包含相同的材料；
若是，则将基类簇和交换类簇进行订单交换操作；
若否，则返回所述根据所述取出类簇i继续判断是否遍历类簇列表完成的步骤；
判断所述交换操作是否成功；
若是，则将交换后的类簇分别放回原基类簇和交换类簇的列表中，并返回所述取出所述类簇j作为交换类簇的步骤继续执行；
若否，则返回所述根据所述取出类簇i继续判断是否遍历类簇列表完成的步骤。
7.如权利要求4所述的大规模板式定制家具订单揉单优化方法，其特征在于，所述对所述订单交换进行预处理具体包括以下子步骤：
获取基类簇和预交换类簇中的订单列表；
遍历所述基类簇的订单列表；
判断是否遍历完成；
若是，则返回交换完成的两个类簇；
若否，则取出基类簇中的订单i；
判断是否包含预交换类簇中的材料；
若是，遍历所述交换类簇的订单列表；
取出所述交换类簇中的订单j；
将基类簇与交换类簇进行预交换；
满足交换条件，订单交换完成。
CN202210676158.5A 2022-06-15 2022-06-15 一种大规模板式定制家具订单揉单优化方法 Active CN114936711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210676158.5A CN114936711B (zh) 2022-06-15 2022-06-15 一种大规模板式定制家具订单揉单优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210676158.5A CN114936711B (zh) 2022-06-15 2022-06-15 一种大规模板式定制家具订单揉单优化方法

Publications (2)

Publication Number Publication Date
CN114936711A true CN114936711A (zh) 2022-08-23
CN114936711B CN114936711B (zh) 2023-05-02

Family

ID=82865981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210676158.5A Active CN114936711B (zh) 2022-06-15 2022-06-15 一种大规模板式定制家具订单揉单优化方法

Country Status (1)

Country Link
CN (1) CN114936711B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759634A (zh) * 2022-11-18 2023-03-07 中南大学 一种矩形板材组批排样高效协同方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984985A (zh) * 2014-04-22 2014-08-13 广东工业大学 一种实现定制家具继列分批调度优化的方法
CN107622092A (zh) * 2017-08-24 2018-01-23 河海大学 中国象棋基于多重优化、迭代加深剪枝的搜索方法
CN108537362A (zh) * 2018-03-06 2018-09-14 武汉蓝泰源信息技术有限公司 基于双向搜索及估值函数剪枝方式的公交换乘方法
CN109145423A (zh) * 2018-08-09 2019-01-04 广东工业大学 一种pcb合拼与排样集成优化方法及系统
CN110188131A (zh) * 2019-06-03 2019-08-30 西北工业大学 一种频繁模式挖掘方法及装置
CN110503352A (zh) * 2018-05-16 2019-11-26 北京三快在线科技有限公司 一种确定交付点的方法、装置及计算机可读存储介质
CN111353528A (zh) * 2020-02-21 2020-06-30 广东工业大学 一种基于下料利用率预测的组批与排样迭代优化方法
CN113674057A (zh) * 2021-08-19 2021-11-19 广东工业大学 一种基于分层聚合策略的组批优化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984985A (zh) * 2014-04-22 2014-08-13 广东工业大学 一种实现定制家具继列分批调度优化的方法
CN107622092A (zh) * 2017-08-24 2018-01-23 河海大学 中国象棋基于多重优化、迭代加深剪枝的搜索方法
CN108537362A (zh) * 2018-03-06 2018-09-14 武汉蓝泰源信息技术有限公司 基于双向搜索及估值函数剪枝方式的公交换乘方法
CN110503352A (zh) * 2018-05-16 2019-11-26 北京三快在线科技有限公司 一种确定交付点的方法、装置及计算机可读存储介质
CN109145423A (zh) * 2018-08-09 2019-01-04 广东工业大学 一种pcb合拼与排样集成优化方法及系统
CN110188131A (zh) * 2019-06-03 2019-08-30 西北工业大学 一种频繁模式挖掘方法及装置
CN111353528A (zh) * 2020-02-21 2020-06-30 广东工业大学 一种基于下料利用率预测的组批与排样迭代优化方法
CN113674057A (zh) * 2021-08-19 2021-11-19 广东工业大学 一种基于分层聚合策略的组批优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴子轩等: "考虑工艺路线的热轧无缝钢管订单排程方法", 《计算机集成制造系统》 *
武苏里等: "易阵游戏中两子交换算法的研究", 《计算机应用与软件》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759634A (zh) * 2022-11-18 2023-03-07 中南大学 一种矩形板材组批排样高效协同方法
CN115759634B (zh) * 2022-11-18 2024-04-26 中南大学 一种矩形板材组批排样高效协同方法

Also Published As

Publication number Publication date
CN114936711B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
Chen et al. An approximate nondominated sorting genetic algorithm to integrate optimization of production scheduling and accurate maintenance based on reliability intervals
CN111353528B (zh) 一种基于下料利用率预测的组批与排样迭代优化方法
CN101718977B (zh) 用于汽车纵梁冲孔加工的cam系统及控制方法和构建方法
Urselmann et al. Optimization-based design of reactive distillation columns using a memetic algorithm
CN110543303B (zh) 一种可视化业务平台
Afshin Mansouri et al. Minimizing energy consumption and makespan in a two-machine flowshop scheduling problem
CN111290283B (zh) 一种面向选择性激光熔融工艺的增材制造单机调度方法
CN115394358B (zh) 基于深度学习的单细胞测序基因表达数据插补方法和系统
CN102707669B (zh) 用于汽车纵梁冲孔加工的cam系统的构建方法
CN103488537A (zh) 一种数据抽取、转换和加载etl的执行方法及装置
CN114936711A (zh) 一种大规模板式定制家具订单揉单优化方法
CN107194411A (zh) 一种改进的分层级联的支持向量机并行化方法
Zhao et al. Simplifying reinforced feature selection via restructured choice strategy of single agent
Zhang et al. Reconfigurable distributed flowshop group scheduling with a nested variable neighborhood descent algorithm
CN109325623A (zh) 订单配置与组板组坯虚拟板坯整体方案优化装置及方法
CN115358204A (zh) 一种报表生成方法、装置、电子设备及存储介质
Turkcan et al. Due date and cost-based FMS loading, scheduling and tool management
CN106708875A (zh) 一种特征筛选方法及系统
CN116451936A (zh) 一种基于遗传算法的排程方法、系统和存储介质
Cui A CAM system for one-dimensional stock cutting
Ma et al. A new parallel framework algorithm for solving large-scale DEA models
Gao et al. Stochastic programming-based mathematical model and solution strategy for chemical production scheduling with processing time uncertainty
CN117745390B (zh) 多种群遗传算法的多目标模糊供应链配置优化方法和系统
CN117610896B (zh) 基于工业大模型智能调度系统
CN115374223B (zh) 一种基于规则与机器学习的智能血缘识别推荐方法及系统

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