CN115018387A - 订单揉合管理方法、系统、设备及存储介质 - Google Patents
订单揉合管理方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115018387A CN115018387A CN202210935358.8A CN202210935358A CN115018387A CN 115018387 A CN115018387 A CN 115018387A CN 202210935358 A CN202210935358 A CN 202210935358A CN 115018387 A CN115018387 A CN 115018387A
- Authority
- CN
- China
- Prior art keywords
- order
- chromosome
- probability
- fitness
- codes
- 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
Links
- 238000004898 kneading Methods 0.000 title claims abstract description 86
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 210000000349 chromosome Anatomy 0.000 claims abstract description 198
- 230000035772 mutation Effects 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 39
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000008439 repair process Effects 0.000 claims abstract description 20
- 239000000463 material Substances 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 20
- 230000004927 fusion Effects 0.000 claims description 13
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000009401 outcrossing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 26
- 238000009776 industrial production Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 7
- 230000002759 chromosomal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000011031 large-scale manufacturing process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 108700028369 Alleles Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000009395 genetic defect Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- BJRNKVDFDLYUGJ-RMPHRYRLSA-N hydroquinone O-beta-D-glucopyranoside Chemical compound O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@H]1OC1=CC=C(O)C=C1 BJRNKVDFDLYUGJ-RMPHRYRLSA-N 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012384 transportation and delivery 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及工业生产技术领域,公开是一种订单揉合管理方法、系统、设备及存储介质。该方法包括:对订单进行动态编码处理以生成染色体编码,初始化种群;对染色体编码进行基因修复处理,重新编码;根据构建的多目标适应度函数计算各个染色体编码的适应度;判断是否满足进化终止条件;不满足时,设定选择概率,基于选择概率随机选择染色体编码来进行交叉处理,设定动态的变异概率,基于变异概率对染色体编码进行变异处理,返回计算各个染色体编码的适应度;满足时,终止进化过程,将适应度最高的染色体编码作为确定的订单揉合方案。本发明采用改进的遗传算法对订单揉合结果进行求解,使订单揉合方案具备良好的内聚度和相似度,降低生产成本。
Description
技术领域
本发明涉及工业生产技术领域,尤其是一种订单揉合管理方法、系统、设备及存储介质。
背景技术
在一些生产行业中,不同订单所需要的材料差异性大、规格多,传统生产方式是以一个订单为一个批次进行生产,这种单订单的生产方式导致最后会有大量余料短时间内无法使用,造成材料浪费、仓库堆积等问题。为处理个性化需求与规模化生产之间的矛盾以及提高材料利用率,部分企业在生产规划前开始采用揉单和应用智能排产算法的方式,通过更合理的排产组合,减少材料浪费。
为处理个性化需求与规模化生产之间的矛盾以及提高材料利用率,现有技术通过智能排产算法对相同材料的订单进行逻辑计算以得出最佳的排产组合,从而减少废料的产生,或者是按照人工经验对订单进行划分。然而,智能排产算法的有效性很大程度上依赖于单种材料所需零部件数量,按照人工经验对进行划分的结果又较为粗糙。
另外,还有人提出以揉单(将零散的订单组合到一起进行批量生产)的方式对订单排产进行规划。例如,熊先青提出一种基于约束理论的板式定制家具揉单优化方法(专利号:CN202210291240.6),该专利主要通过计算订单之间的相似度进行聚类的方式达到揉单的目的,具体是通过Jaccard距离对订单的色调、材质、尺寸大小以及交货日期等信息进行距离计算,在一定约束条件下实现揉单,一方面,对多个特征进行聚类并没有形成材料的唯一标识,聚类的结果在材料分类上依旧是较为离散的,对于后续的切割利用率的提高非常有限,另一方面,当材料种类达到上千种时,材料矩阵会非常庞大,使得订单间的材料等相关性较为稀疏。
发明内容
本发明的目的是提供一种订单揉合管理方法、系统、设备及存储介质,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
第一方面,提供一种订单揉合管理方法,包括:
对订单进行动态编码处理以生成染色体编码,以每次生成的染色体编码作为种群个体,构建遗传算法的初始种群;其中,所述染色体编码由若干个订单集组成,所述订单集由多个订单进行动态编码后揉合而成;
根据订单的融合度对染色体编码进行基因修复处理,对基因修复后的染色体编码的订单进行重新编码,以更新染色体编码;
以订单集的内聚度和订单集的相似度为目标构建多目标适应度函数,根据多目标适应度函数计算各个染色体编码的适应度;
判断当前染色体编码的适应度是否满足进化终止条件;
在不满足进化终止条件时,根据染色体编码的适应度设定选择概率,基于选择概率随机选择染色体编码来进行交叉处理;
设定动态的变异概率,基于变异概率对染色体编码进行变异处理,返回计算各个染色体编码的适应度的步骤;
在满足进化终止条件时,终止进化过程,将适应度最高的染色体编码作为确定的订单揉合方案。
进一步,所述对订单进行动态编码处理以生成染色体编码,包括:
确定所要形成订单集的数量,对形成的订单集进行编号;
根据随机生成的编码概率对第一个订单进行编码,根据编码生成结果将第一个订单归入至对应编号的订单集;
根据历史生成的编码的生成频率和染色体编码的当前长度调节编码概率,根据更新后的编码概率对当前的订单进行编码,根据编码生成结果将当前的订单归入至对应编号的订单集。
进一步,所述对订单进行动态编码处理以生成染色体编码,还包括:
在每次对订单进行编码前,根据互换概率随机将任意两个订单集所对应的编码概率互换;其中,所述互换概率的值与染色体编码的当前长度呈正相关。
进一步,所述根据订单的融合度对染色体编码进行基因修复处理,包括:
对染色体编码进行解码处理,解码得到染色体编码中的订单集;
判断订单集的订单数量是否均没有超出订单数量阈值;
在有订单集的订单数量超出订单数量阈值时,将订单数量超出订单数量阈值的订单集中与订单数量最小的订单集融合度最高的订单迁移至订单数量最小的订单集,返回至判断订单集的订单数量是否均没有超出订单数量阈值的步骤。
进一步,所述订单集的内聚度为:
所述订单集的相似度为:
所述多目标适应度函数为:
其中,gatheri表示染色体编码中第i个订单集的内聚度,materiali表示染色体编码中第i个订单集所需要的零部件总数;hi表示染色体编码中第i个订单集所需要用到的材料种类数量,similarityi表示染色体编码中第i个订单集的相似度,mergecount表示count个订单的所需材料数量总和,k表示订单集中订单的数量,fitness表示染色体编码的适应度,N表示染色体编码中订单集的数量。
进一步,所述根据染色体编码的适应度设定选择概率,基于选择概率随机选择染色体编码来进行交叉处理,包括:
通过指数概率函数计算根据适应度排序后染色体编码的选择概率;
根据种群内各染色体编码的平均适应度和最大适应度计算交叉概率;
基于选择概率随机选择两个染色体编码作为父代个体,基于交叉概率随机从两个父代个体中随机选择任意数量的订单集的编号进行互换,形成两个新的染色体编码。
进一步,所述设定动态的变异概率,基于变异概率对染色体编码进行变异处理,包括:
根据进化迭代次数对初始设定的变异概率进行线性调节,使变异概率随进化迭代次数增加而线性降低;
在每次迭代进化时向各个染色体编码分配一个随机的染色体概率,对染色体概率小于最新的变异概率的染色体编码进行柯西变异处理。
第二方面,提供一种订单揉合管理系统,包括:
编码模块,用于对订单进行动态编码处理以生成染色体编码,以每次生成的染色体编码作为种群个体,构建遗传算法的初始种群;其中,所述染色体编码由若干个订单集组成,所述订单集由多个订单进行动态编码后揉合而成;
基因修复模块,用于根据订单的融合度对染色体编码进行基因修复处理,对基因修复后的染色体编码的订单进行重新编码,以更新染色体编码;
适应度计算模块,用于以订单集的内聚度和订单集的相似度为目标构建多目标适应度函数,根据多目标适应度函数计算各个染色体编码的适应度;
判断模块,用于判断当前染色体编码的适应度是否满足进化终止条件;
交叉模块,用于在不满足进化终止条件时,根据染色体编码的适应度设定选择概率,基于选择概率随机选择染色体编码来进行交叉处理;
变异模块,用于设定动态的变异概率,基于变异概率对染色体编码进行变异处理,返回判断当前染色体编码的适应度是否满足进化终止条件的步骤;
输出模块,用于在满足进化终止条件时,终止进化过程,将适应度最高的染色体编码作为确定的订单揉合方案。
第三方面,提供一种计算机设备,包括:
至少一个存储器;
至少一个处理器;
所述存储器存储有计算机程序,处理器执行所述计算机程序以实现如第一方面所述的订单揉合管理方法。
第四方面,提供一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的订单揉合管理方法。
本发明的有益效果:在对订单进行揉单处理时,在获得待排产的订单信息后,随机生成多个订单揉合方案,每个订单揉合方案包含若干个有多个订单揉合而成的订单集,采用改进的遗传算法以及基于订单集的内聚度和订单集的相似度为目标对订单揉合结果进行求解,保持了种群多样性,使得订单揉合方案具备良好的内聚度和相似度,可以科学地对订单进行揉单处理,降低生产成本。
附图说明
图1是本公开实施例提供的订单揉合管理方法的流程图。
图2是图1中的步骤S100的流程图。
图3是图1中的步骤S200的流程图。
图4是图1中的步骤S500的流程图。
图5是图1中的步骤S600的流程图。
图6是本公开实施例提供的订单揉合管理系统的结构示意图。
图7是本公开实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
首先,对本申请中涉及的若干名词进行解析:
遗传算法(Genetic Algorithm,GA),是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。可以理解地,遗传算法由编码、适应度函数、遗传算子(选择、交叉、变异)及运行参数组成。
编码,是将要求解的问题表示成遗传空间的染色体或者个体的过程。由于遗传算法不能直接处理问题空间的参数,因此必须通过编码将要求解的问题表示成遗传空间的染色体或者个体,这一转换操作就叫做编码,也可以称作(问题的)表示(representation)。
适应度函数,是表示某一个体对环境的适应能力,也表示该个体繁殖后代的能力。遗传算法的适应度函数也叫评价函数,是用来判断群体中的个体的优劣程度的指标,它是根据所求问题的目标函数来进行评估的。
选择,是从群体中选择优胜的个体,淘汰劣质个体的操作过程。一般来说,适应度高的种群个体被遗传到下一代的概率较大,适应度低的种群个体被遗传到下一代的概率较小。
交叉,是指对两个相互配对的染色体按某种方式相互交换其部分基因,从而形成两个新的个体的过程。交叉运算是遗传算法区别于其他进化算法的重要特征,是产生新个体的主要方法。
变异,指将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来替换,从而形成一个新的个体。就遗传算法运算过程中产生新个体的能力方面来说,交叉运算是产生新个体的主要方法,它决定了遗传算法的全局搜索能力;而变异运算只是产生新个体的辅助方法,但也是必不可少的一个运算步骤,它决定了遗传算法的局部搜索能力。交叉算子与变异算子的共同配合完成了其对搜索空间的全局搜索和局部搜索,从而使遗传算法能以良好的搜索性能完成最优化问题的寻优过程。
为处理个性化需求与规模化生产之间的矛盾以及提高材料利用率,现有技术采用智能排产算法、揉单或人工经验对订单进行管理等应对方式。通过智能排产算法对相同材料的订单进行揉合以得出最佳的排产组合,从而减少废料的产生,或者是按照人工经验对订单进行划分。然而,智能排产算法的有效性很大程度上依赖于单种材料所需零部件数量,按照人工经验对进行划分的结果较又为粗糙,现有揉单处理方案在订单材料种类数量较多时会使得订单之间的材料相关性较为稀疏。
基于此,本发明实施例提供一种订单揉合管理方法、系统、设备及存储介质,基于遗传算法以订单集的内聚度和订单集的相似度为目标对订单揉合结果进行迭代进化处理,将进化中将适应度最高的种群个体作为确定的订单揉合方案,提高了订单揉合方案中订单之间的相关性,降低生产成本。
参照图1,根据本发明第一方面实施例的订单揉合管理方法,包括但不限于包括步骤S100至步骤S700。
步骤S100,对订单进行动态编码处理以生成染色体编码,以每次生成的染色体编码作为种群个体,构建遗传算法的初始种群;
其中,所述染色体编码由若干个订单集组成,所述订单集由多个订单进行动态编码后揉合而成。
步骤S200,根据订单的融合度对染色体编码进行基因修复处理,对基因修复后的染色体编码的订单进行重新编码,以更新染色体编码;
步骤S300,以订单集的内聚度和订单集的相似度为目标构建多目标适应度函数,根据多目标适应度函数计算各个染色体编码的适应度;
步骤S400,判断当前染色体编码的适应度是否满足进化终止条件;
在不满足进化终止条件时,执行步骤S500,在满足进化终止条件时,执行步骤S700;
步骤S500,根据染色体编码的适应度设定选择概率,基于选择概率随机选择染色体编码来进行交叉处理;
步骤S600,设定动态的变异概率,基于变异概率对染色体编码进行变异处理;
执行步骤S600之后,执行步骤S300;
步骤S700,终止进化过程,将适应度最高的染色体编码作为确定的订单揉合方案。
构建遗传算法的初始种群由多个随机生成的染色体编码组成,一个染色体编码代表一个种群个体,根据所需种群规模来确定种群个体的数量,当完成生成所需数量的染色体编码后,则完成种群初始化。染色体编码包含若干个随机生成的订单集组成,订单集由若干个订单随机揉合编码揉合而成,示例性地,一个染色体编码可以是包含10个随机生成的订单集,每个订单集可以是包含10个订单,即一个染色体编码揉合了100个订单。
对染色体编码进行基因修复处理是由于种群的生成和迭代过程中具备随机性,不可避免存在不符合实际揉单生产要求的种群个体,需要找到并修复有问题的基因,染色体编码有可能是基因数量溢出,也有可能是基因数量缺少,将染色体编码中有问题的基因(订单集)找到后,将有数量溢出的基因剔除出来,根据将剔除出来的基因放入至与其融合度适配的染色体编码中,完成对染色体编码进行基因修复处理。
计算各个染色体编码的适应度时,一方面要求揉单后的各订单集内聚度高,即订单集内材料型号复杂程度低、单种材料型号所需要切割的材料数量多,另一方面要求各订单集的材料型号相似度高,以订单集的内聚度和订单集的相似度作为多目标适应度函数的影响因子来构建多目标适应度函数,进而使用多目标适应度函数计算各个染色体编码的适应度,判断群体中的种群个体的优劣程度。
一实施例中,所述订单集的内聚度为:
所述订单集的相似度为:
所述多目标适应度函数为:
其中,gatheri表示染色体编码中第i个订单集的内聚度,materiali表示染色体编码中第i个订单集所需要的零部件总数;hi表示染色体编码中第i个订单集所需要用到的材料种类数量,similarityi表示染色体编码中第i个订单集的相似度,mergecount表示count个订单的所需材料数量总和,k表示订单集中订单的数量,fitness表示染色体编码的适应度,N表示染色体编码中订单集的数量。
多目标适应度函数以订单集中各个订单所需要用到的材料种类复杂程度作为订单集内聚度的影响因子,订单所需的材料种类数量越少,订单集内聚度越高,通过多目标适应度函数可以计算出种群内全部个体的适应度,fitness的值越大表示订单集内聚度和相似度越高。
进化终止条件可以是存在适应度高于预设预期值的种群个体或者是迭代进化次数达到预设迭代次数。示例性地,若进化终止条件为存在适应度高于预设预期值的种群个体,经过若干次迭代进化后,通过多目标适应度函数计算得到染色体编码的适应度大于或等于预期值时,则满足进化终止条件,终止进化过程并将适应度最高的染色体编码作为确定的订单揉合方案。
基于如上所述的实施例的方案,其在对订单进行揉单处理时,在获得待排产的订单信息后,随机生成多个订单揉合方案,每个订单揉合方案包含若干个有多个订单揉合而成的订单集,并采用改进的遗传算法进行求解,保持了种群多样性,使得订单揉合方案具备良好的内聚度和相似度,在整个空间分散开来,从而能更加科学地反映订单揉合问题的实质,可以科学地对订单进行揉单处理,降低生产成本。
在一些实施例中,如图2所示,步骤S100具体包括但不限于步骤S110至步骤S130。
步骤S110,确定所要形成订单集的数量,对形成的订单集进行编号;
步骤S120,根据随机生成的编码概率对第一个订单进行编码,根据编码生成结果将第一个订单归入至对应编号的订单集;
步骤S130,根据历史生成的编码的生成频率和染色体编码的当前长度调节编码概率,根据更新后的编码概率对当前的订单进行编码,根据编码生成结果将当前的订单归入至对应编号的订单集。
在一些实施例的步骤S110中,确定所要形成订单集的数量可以是根据单次生产的订单标准数量,视实际生产情况而定,允许订单集的订单数量波动幅度为μ,全部订单可分割的订单集数量表示为N=m/k。其中,N表示订单集数量,m表示订单数量,k表示订单集的订单容量。
通过上述初步计算可以确定染色体编码的订单集数量,对形成的订单集进行编号可以表示为{D1,D2,...,DN}。其中,D1,D2,...,DN分别表示订单集。
基于如上所述的实施例的方案,采用实数编码的方式对订单进行分别编码,在编码过程中会结合已经出现过的编码实时更新编码概率,编码结果将与订单集的编号进行关联,从而将订单编入至对应的订单集中,使各个订单集的订单数量逐渐达到单次生产的订单标准数量,初步形成染色体编码。
在一次形成染色体编码的过程中,首先是对第一个订单进行编码,在[1,N]的范围内随机生成一个实数作为第一个订单的订单编码,可以是采用梅森旋转算法伪随机数生成算法保障出现的订单编码为随机概率;开始对第二个订单进行编码时,在每次对订单进行编码前,根据历史生成的编码的生成频率和染色体编码的当前长度调整当前编码过程的编码概率,使产生过的订单编码再次出现的概率降低。
示例性地,在一次形成染色体编码的过程中,对于第i个订单,当i=1时,其编码概率为Pi=1/k,当1<i<m时,其编码概率为Pi=(k-Si)/(m-S)。其中,Pi表示第i个订单的编码概率,Si表示第i个订单的历史出现频率,S为染色体编码的当前长度。
在一些实施例中,所述对订单进行动态编码处理以生成染色体编码,还包括:在每次对订单进行编码前,根据互换概率随机将任意两个订单集所对应的编码概率互换。
其中,所述互换概率的值与染色体编码的当前长度呈正相关。
通过上述实施例步骤S130中根据历史生成的编码的生成频率和染色体编码的当前长度调节编码概率可以在一定程度上引导染色体编码的健康生成,但是在编码后期,随着已出现编码的增多,新编码的概率会趋于稳定,不利于全局搜索。为此,本实施例通过非线性概率调换机制,在编码概率计算过程中随机选择两个订单集的编号,对换两个订单集所对应的编码概率,互换概率应用反正弦函数进行确定,互换概率的值与染色体编码的当前长度呈正相关,在编码过程的前段互换概率的值较小,随着编码过程的进行,互换概率的值随染色体编码的长度增加而提高,互换概率的最大值不超过0.5。
最高概率不超过0.5,互换概率的具体计算公式为:
其中,Preplace表示互换概率。
编码后得到的染色体编码可以表示为C={[s1,r1],[s2,r2],...,[sN,rN]},即编码为sN的订单归入至订单集rN中,将染色体编码简化得到C={r1,r2,...,rN},设定种群大小为PT,初始化生成PT个染色体编码作为种群个体。
在一些实施例中,如图3所示,步骤S200具体包括但不限于步骤S210至步骤S230。
步骤S210,对染色体编码进行解码处理,解码得到染色体编码中的订单集;
步骤S220,判断订单集的订单数量是否均没有超出订单数量阈值;
在有订单集的订单数量超出订单数量阈值时,执行步骤S230,在没有订单集的订单数量超出订单数量阈值时,执行步骤S240;
步骤S230,将订单数量超出订单数量阈值的订单集中与订单数量最小的订单集融合度最高的订单迁移至订单数量最小的订单集;
执行步骤S230之后,执行步骤S220;
步骤S240,结束对染色体编码进行基因修复处理。
对染色体编码进行解码处理,可以是先遍历染色体编码中各个订单集的订单的订单编码,对相同订单编码进行规类,结合订单集的编号,染色体编码解码后可以表示为:
C={D1,D2,...,DN}={[s11,s12,...s1k],[s21,s22,...s2k],...,[sN1,sN2,...sNk]};
其中,s11,s12,...s1k分别表示第一个订单集中的订单,s21,s22,...s2k分别表示第二个订单集中的订单,sN1,sN2,...sNk分别表示第N个订单集中的订单。
本实施例将订单集的订单数量超出订单数量阈值作为具有基因缺陷的依据。在有订单集的订单数量超出订单数量阈值时,将订单数量超出订单数量阈值的订单集中与订单数量最小的订单集融合度最高的订单迁移至订单数量最小的订单集。具体地,遍历解码后的订单集后,当存在订单集的订单数量超出订单数量阈值时,对超过订单容量的订单集Dover以及订单容量最小的订单集Dmin进行匹配操作,在订单集Dover中遍历全部订单后,通过欧氏距离找出与订单集Dmin融合度最高的订单并将其迁移到订单集Dmin,然后开始下一次遍历全部订单集的过程,直到各订单集在订单容量在订单数量阈值的范围内。其中,订单数量阈值[k-μ,k+μ]。
在一些实施例中,如图4所示,步骤S500具体包括但不限于步骤S510至步骤S530。
步骤S510,通过指数概率函数计算根据适应度排序后染色体编码的选择概率;
步骤S520,根据种群内各染色体编码的平均适应度和最大适应度计算交叉概率;
步骤S530,基于选择概率随机选择两个染色体编码作为父代个体,基于交叉概率随机从两个父代个体中随机选择任意数量的订单集的编号进行互换,形成两个新的染色体编码。
本实施例的交叉算子采用两点交叉算子对种群进行交叉操作。具体地,首先从种群中随机抽取两个染色体编码,设定选择交叉互换的步长length,步长length的大小影响种群迭代变化的幅度以及全局搜索能力,本实施例设定步长length=0.1m,在染色体编码中随机选择交叉互换起点,对两个染色体编码中长度为length的基因进行交叉互换。需要说明的是,交叉互换起点应当在染色体编码中[1,m-length]的范围内进行选取,例如,交叉互换的起点为point,则交叉互换的基因位置则为[point,point+length]。
示例性地,从种群中随机抽取两个染色体编码Ca和Cb,染色体Ca和Cb原本基因序列分别为:
Ca={ra1,ra2,...rapoint,...,ra(point+length),...raN};
Cb={rb1,rb2,...rbpoint,...,rb(point+length),...rbN};
交叉互换后染色体Ca和Cb原本基因序列分别为:
Ca={ra1,ra2,...rbpoint,...,rb(point+length),...raN};
Cb={rb1,rb2,...rapoint,...,ra(point+length),...rbN};
交叉互换后产生新的染色体编码进入种群,实际操作时,通过自适应调整交叉概率,使交叉概率的值在迭代前期较大,随着群体适应度的提高减小交叉概率的值。示例性地,设定交叉概率的取值区间为[Pdown,Pup],计算种群整体的平均适应度和最大适应度:
所述平均适应度计算为:
所述最大适应度计算为:
筛选参与交叉的两个对象中较大的适应度,即:
当fitnesstemp<fitnessavg时,交叉概率计算方法如下:
当fitnesstemp≥fitnessavg时,交叉概率计算方法如下:
其中,fitnessavg表示种群整体的平均适应度,PT表示种群中染色体编码的数量,fitnessmax表示种群整体的最大适应度,fitnesstemp表示染色体编码Ca和Cb中较大的适应度,Pcross表示交叉概率。
优选地,交叉概率的取值区间为[0.3,0.8]。
在一些实施例中,如图5所示,步骤S600具体包括但不限于步骤S610至步骤S620。
步骤S610,根据进化迭代次数对初始设定的变异概率进行线性调节,使变异概率随进化迭代次数增加而线性降低;
步骤S620,在每次迭代进化时向各个染色体编码分配一个随机的染色体概率,对染色体概率小于最新的变异概率的染色体编码进行柯西变异处理。
与传统遗传算法区别的是,传统遗传算法的变异概率是保持不变的,这样的结果是在种群迭代的前期收敛慢,而在后期整体的适应度较高的情况下,种群存在过大波动,在一些实施例的步骤S610中,采用动态的变异概率,以更好符合种群迭代发展的趋势。具体地,以线性变化的方式,达到变异率随着迭代次数的增加而逐步降低。变异概率的线性变化公式为:
其中,w表示变异概率的动态调整幅度,G表示种群迭代进化总数,g表示当前的迭代进化次数,c表示变异概率在迭代进化中的最小值。
在一些实施例的步骤S620中,根据步骤S610中动态调整的变异概率来选择染色体编码进行变异处理,当染色体编码符合变异概率时对该染色体编码进行变异处理。具体地,在每次迭代进化时向各个染色体编码分配一个随机的染色体概率,在染色体概率小于动态调整的变异概率时,对该染色体编码进行柯西变异处理。
柯西变异相比高斯变异会产生较大的变异步长,因为柯西分布函数在原点处的峰值较小但在两端的分布比较长,利用柯西变异能在变异的个体附近生成能有效保持种群的多样性,也就是说明算法能具备较好的全局搜索能力。柯西变异表达式为:
其中,x0表示定义分布峰值位置的位置参数,γ表示最大值一半处的一半宽度的尺寸参数。
将x0设置为当前要变异基因的实数值,即订单编号,令γ=1,则得到新的柯西变异表达式:
动态调整的变异概率为:
其中,xnew表示最新变异后的值。
本发明实施例提供的一种订单揉合管理方法,在对订单进行揉单处理时,在获得待排产的订单信息后,随机生成多个订单揉合方案,每个订单揉合方案包含若干个有多个订单揉合而成的订单集,采用改进的遗传算法以及基于订单集的内聚度和订单集的相似度为目标对订单揉合结果进行求解,保持了种群多样性,使得订单揉合方案具备良好的内聚度和相似度,可以科学地对订单进行揉单处理,降低生产成本。
参照图6,根据本发明第二方面实施例的订单揉合管理系统,包括:
编码模块610,用于对订单进行动态编码处理以生成染色体编码,以每次生成的染色体编码作为种群个体,构建遗传算法的初始种群;其中,所述染色体编码由若干个订单集组成,所述订单集由多个订单进行动态编码后揉合而成;
基因修复模块620,用于根据订单的融合度对染色体编码进行基因修复处理,对基因修复后的染色体编码的订单进行重新编码,以更新染色体编码;
适应度计算模块630,用于以订单集的内聚度和订单集的相似度为目标构建多目标适应度函数,根据多目标适应度函数计算各个染色体编码的适应度;
判断模块640,用于判断当前染色体编码的适应度是否满足进化终止条件;
交叉模块650,用于在不满足进化终止条件时,根据染色体编码的适应度设定选择概率,基于选择概率随机选择染色体编码来进行交叉处理;
变异模块660,用于设定动态的变异概率,基于变异概率对染色体编码进行变异处理,返回判断当前染色体编码的适应度是否满足进化终止条件的步骤;
输出模块670,用于在满足进化终止条件时,终止进化过程,将适应度最高的染色体编码作为确定的订单揉合方案。
本公开实施例提供的订单揉合管理系统执行上述的订单揉合管理方法,关于订单揉合管理系统的具体限定可以参见上文中对于订单揉合管理方法的限定,在此不再赘述。
上述订单揉合管理系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本公开实施例还提供了一种电子设备,包括:
至少一个存储器;
至少一个处理器;
至少一个程序;
所述程序被存储在存储器中,处理器执行所述至少一个程序以实现本公开实施上述的订单揉合管理方法。该电子设备可以为包括手机、平板电脑、个人数字助理(PersonalDigital Assistant,简称PDA)、车载电脑等任意智能终端。
如图7所示,图7示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器710,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本公开实施例所提供的技术方案;
存储器720,可以采用ROM(ReadOnlyMemory,只读存储器)、静态存储设备、动态存储设备或者RAM(RandomAccessMemory,随机存取存储器)等形式实现。存储器720可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器720中,并由处理器710来调用执行本公开实施例的订单揉合管理方法;
输入/输出接口730,用于实现信息输入及输出;
通信接口740,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线750,在设备的各个组件(例如处理器710、存储器720、输入/输出接口730和通信接口740)之间传输信息;
其中处理器710、存储器720、输入/输出接口730和通信接口740通过总线750实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质,该存储介质是计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令用于使计算机执行上述的订单揉合管理方法。
本公开实施例提出的订单揉合管理方法、系统、设备及存储介质,在对订单进行揉单处理时,在获得待排产的订单信息后,随机生成多个订单揉合方案,每个订单揉合方案包含若干个有多个订单揉合而成的订单集,采用改进的遗传算法以及基于订单集的内聚度和订单集的相似度为目标对订单揉合结果进行求解,保持了种群多样性,使得订单揉合方案具备良好的内聚度和相似度,可以科学地对订单进行揉单处理,降低生产成本。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案,并不构成对于本公开实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本公开实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1至图7中示出的技术方案并不构成对本公开实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本发明的优选实施例,并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。另外,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本领域技术人员不脱离本发明的范围和实质,可以有多种变型方案实现本发明,比如作为一个实施例的特征可用于另一实施例而得到又一实施例。以上参照附图说明了本公开实施例的优选实施例,并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本公开实施例的权利范围之内。
Claims (10)
1.一种订单揉合管理方法,其特征在于,包括:
对订单进行动态编码处理以生成染色体编码,以每次生成的染色体编码作为种群个体,构建遗传算法的初始种群;其中,所述染色体编码由若干个订单集组成,所述订单集由多个订单进行动态编码后揉合而成;
根据订单的融合度对染色体编码进行基因修复处理,对基因修复后的染色体编码的订单进行重新编码,以更新染色体编码;
以订单集的内聚度和订单集的相似度为目标构建多目标适应度函数,根据多目标适应度函数计算各个染色体编码的适应度;
判断当前染色体编码的适应度是否满足进化终止条件;
在不满足进化终止条件时,根据染色体编码的适应度设定选择概率,基于选择概率随机选择染色体编码来进行交叉处理;
设定动态的变异概率,基于变异概率对染色体编码进行变异处理,返回计算各个染色体编码的适应度的步骤;
在满足进化终止条件时,终止进化过程,将适应度最高的染色体编码作为确定的订单揉合方案。
2.根据权利要求1所述的订单揉合管理方法,其特征在于,所述对订单进行动态编码处理以生成染色体编码,包括:
确定所要形成订单集的数量,对形成的订单集进行编号;
根据随机生成的编码概率对第一个订单进行编码,根据编码生成结果将第一个订单归入至对应编号的订单集;
根据历史生成的编码的生成频率和染色体编码的当前长度调节编码概率,根据更新后的编码概率对当前的订单进行编码,根据编码生成结果将当前的订单归入至对应编号的订单集。
3.根据权利要求2所述的订单揉合管理方法,其特征在于,所述对订单进行动态编码处理以生成染色体编码,还包括:
在每次对订单进行编码前,根据互换概率随机将任意两个订单集所对应的编码概率互换;其中,所述互换概率的值与染色体编码的当前长度呈正相关。
4.根据权利要求1所述的订单揉合管理方法,其特征在于,所述根据订单的融合度对染色体编码进行基因修复处理,包括:
对染色体编码进行解码处理,解码得到染色体编码中的订单集;
判断订单集的订单数量是否均没有超出订单数量阈值;
在有订单集的订单数量超出订单数量阈值时,将订单数量超出订单数量阈值的订单集中与订单数量最小的订单集融合度最高的订单迁移至订单数量最小的订单集,返回至判断订单集的订单数量是否均没有超出订单数量阈值的步骤。
6.根据权利要求1所述的订单揉合管理方法,其特征在于,所述根据染色体编码的适应度设定选择概率,基于选择概率随机选择染色体编码来进行交叉处理,包括:
通过指数概率函数计算根据适应度排序后染色体编码的选择概率;
根据种群内各染色体编码的平均适应度和最大适应度计算交叉概率;
基于选择概率随机选择两个染色体编码作为父代个体,基于交叉概率随机从两个父代个体中随机选择任意数量的订单集的编号进行互换,形成两个新的染色体编码。
7.根据权利要求1所述的订单揉合管理方法,其特征在于,所述设定动态的变异概率,基于变异概率对染色体编码进行变异处理,包括:
根据进化迭代次数对初始设定的变异概率进行线性调节,使变异概率随进化迭代次数增加而线性降低;
在每次迭代进化时向各个染色体编码分配一个随机的染色体概率,对染色体概率小于最新的变异概率的染色体编码进行柯西变异处理。
8.一种订单揉合管理系统,其特征在于,包括:
编码模块,用于对订单进行动态编码处理以生成染色体编码,以每次生成的染色体编码作为种群个体,构建遗传算法的初始种群;其中,所述染色体编码由若干个订单集组成,所述订单集由多个订单进行动态编码后揉合而成;
基因修复模块,用于根据订单的融合度对染色体编码进行基因修复处理,对基因修复后的染色体编码的订单进行重新编码,以更新染色体编码;
适应度计算模块,用于以订单集的内聚度和订单集的相似度为目标构建多目标适应度函数,根据多目标适应度函数计算各个染色体编码的适应度;
判断模块,用于判断当前染色体编码的适应度是否满足进化终止条件;
交叉模块,用于在不满足进化终止条件时,根据染色体编码的适应度设定选择概率,基于选择概率随机选择染色体编码来进行交叉处理;
变异模块,用于设定动态的变异概率,基于变异概率对染色体编码进行变异处理,返回判断当前染色体编码的适应度是否满足进化终止条件的步骤;
输出模块,用于在满足进化终止条件时,终止进化过程,将适应度最高的染色体编码作为确定的订单揉合方案。
9.一种计算机设备,其特征在于,包括:
至少一个存储器;
至少一个处理器;
所述存储器存储有计算机程序,处理器执行所述计算机程序以实现如权利要求1至7任一项所述的订单揉合管理方法。
10.一种计算机存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的订单揉合管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210935358.8A CN115018387B (zh) | 2022-08-05 | 2022-08-05 | 订单揉合管理方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210935358.8A CN115018387B (zh) | 2022-08-05 | 2022-08-05 | 订单揉合管理方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018387A true CN115018387A (zh) | 2022-09-06 |
CN115018387B CN115018387B (zh) | 2022-11-04 |
Family
ID=83065464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210935358.8A Active CN115018387B (zh) | 2022-08-05 | 2022-08-05 | 订单揉合管理方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018387B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587765A (zh) * | 2022-09-29 | 2023-01-10 | 北京沛元科技有限公司 | 一种齐套数浮动的物料齐套方法 |
CN116924287A (zh) * | 2023-09-18 | 2023-10-24 | 临工重机股份有限公司 | 液压补偿调平机构的控制方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596422A (zh) * | 2018-02-27 | 2018-09-28 | 南京林业大学 | 一种大规模定制家具的mes平台 |
CN110390409A (zh) * | 2018-04-17 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 配送方案的确定方法、装置以及计算机可读存储介质 |
CN111260288A (zh) * | 2020-01-16 | 2020-06-09 | 北京旷视机器人技术有限公司 | 订单管理方法、装置、介质及电子设备 |
CN113379087A (zh) * | 2021-06-29 | 2021-09-10 | 浙江大学 | 一种基于改进遗传算法的生产制造排产优化方法 |
CN113592393A (zh) * | 2021-07-21 | 2021-11-02 | 上海发网供应链管理有限公司 | 一种基于遗传算法的快速分拣线初始上架算法 |
CN114662914A (zh) * | 2022-03-23 | 2022-06-24 | 南京林业大学 | 基于约束理论的板式定制家具揉单优化方法 |
-
2022
- 2022-08-05 CN CN202210935358.8A patent/CN115018387B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596422A (zh) * | 2018-02-27 | 2018-09-28 | 南京林业大学 | 一种大规模定制家具的mes平台 |
CN110390409A (zh) * | 2018-04-17 | 2019-10-29 | 北京京东尚科信息技术有限公司 | 配送方案的确定方法、装置以及计算机可读存储介质 |
CN111260288A (zh) * | 2020-01-16 | 2020-06-09 | 北京旷视机器人技术有限公司 | 订单管理方法、装置、介质及电子设备 |
CN113379087A (zh) * | 2021-06-29 | 2021-09-10 | 浙江大学 | 一种基于改进遗传算法的生产制造排产优化方法 |
CN113592393A (zh) * | 2021-07-21 | 2021-11-02 | 上海发网供应链管理有限公司 | 一种基于遗传算法的快速分拣线初始上架算法 |
CN114662914A (zh) * | 2022-03-23 | 2022-06-24 | 南京林业大学 | 基于约束理论的板式定制家具揉单优化方法 |
Non-Patent Citations (3)
Title |
---|
李广等: "基于遗传禁忌算法的Ontology划分", 《计算机工程》 * |
杨毅等: "高级排产模型及其可配置构件系统设计", 《计算机工程与设计》 * |
王伟等: "基于任务关系矩阵的作战任务分解优化", 《军事运筹与系统工程》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587765A (zh) * | 2022-09-29 | 2023-01-10 | 北京沛元科技有限公司 | 一种齐套数浮动的物料齐套方法 |
CN115587765B (zh) * | 2022-09-29 | 2023-05-02 | 北京沛元科技有限公司 | 一种齐套数浮动的物料齐套方法 |
CN116924287A (zh) * | 2023-09-18 | 2023-10-24 | 临工重机股份有限公司 | 液压补偿调平机构的控制方法、装置、设备及介质 |
CN116924287B (zh) * | 2023-09-18 | 2023-12-08 | 临工重机股份有限公司 | 液压补偿调平机构的控制方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115018387B (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018387B (zh) | 订单揉合管理方法、系统、设备及存储介质 | |
Fallah-Mehdipour et al. | Extraction of decision alternatives in construction management projects: Application and adaptation of NSGA-II and MOPSO | |
CN111832101B (zh) | 一种水泥强度预测模型的构建方法及水泥强度预测方法 | |
CN109919489B (zh) | 基于企业资产管理系统和ga-bp的企业设备寿命预测方法 | |
CN115600774B (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
CN107679750A (zh) | 一种基于自适应系数遗传算法的云制造服务资源匹配方法 | |
CN109298930B (zh) | 一种基于多目标优化的云工作流调度方法及装置 | |
CN111062535A (zh) | 一种实现含能材料生产过程动态排产的方法及系统 | |
CN112580259B (zh) | 基于遗传算法的智能矿山自动配矿方法及系统 | |
CN110555563B (zh) | 大规模钢筋分组及下料优化方法及装置 | |
CN110008023B (zh) | 基于遗传算法的云计算系统预算约束随机任务调度方法 | |
CN113935235A (zh) | 基于遗传算法和代理模型的工程设计优化方法及装置 | |
CN114819728A (zh) | 一种自适应局部搜索的柔性车间生产调度方法 | |
Rahman et al. | Supplier selection using fuzzy-topsis method: A case study in a cement industry | |
CN115049175A (zh) | 多产品的生产规划方法及装置、计算机设备及存储介质 | |
CN109919688B (zh) | 一种考虑市场因素的电子烟产品线规划方法 | |
Falcone et al. | Supply chain optimisation using evolutionary algorithms | |
CN116957219A (zh) | 一种基于遗传算法的水泥生产线施工作业调度方法 | |
Li et al. | Supply chain optimization modeling in uncertain environment with prediction mechanism | |
Ma et al. | A mean-semi-variance portfolio optimization model with full transaction costs | |
Bin et al. | A Genetic Clustering Method Based on Variable Length String | |
CN111695739B (zh) | 一种负荷预测方法、系统以及设备 | |
Jin et al. | Evolutionary algorithms | |
Majid et al. | Optimization of warranty cost using genetic algorithm: a case study in fleet vehicle | |
CN111369193B (zh) | 基于制造-再制造混合生产系统的多维库存控制方法 |
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 | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Order blending management methods, systems, equipment, and storage media Effective date of registration: 20230621 Granted publication date: 20221104 Pledgee: Foshan Rural Commercial Bank Co.,Ltd. Lanshi Branch Pledgor: Foshan Dayan Data Technology Co.,Ltd. Registration number: Y2023980045191 |