CN115130765A - 一种多工艺路线单车间汽车混流排产优化方法 - Google Patents
一种多工艺路线单车间汽车混流排产优化方法 Download PDFInfo
- Publication number
- CN115130765A CN115130765A CN202210791806.1A CN202210791806A CN115130765A CN 115130765 A CN115130765 A CN 115130765A CN 202210791806 A CN202210791806 A CN 202210791806A CN 115130765 A CN115130765 A CN 115130765A
- Authority
- CN
- China
- Prior art keywords
- automobile
- scheduling
- station
- workshop
- vehicles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- 230000035772 mutation Effects 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 238000003780 insertion Methods 0.000 claims description 4
- 230000037431 insertion Effects 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 239000011248 coating agent Substances 0.000 description 8
- 238000000576 coating method Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 230000033764 rhythmic process Effects 0.000 description 4
- 238000003466 welding Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007921 spray Substances 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
- G06Q10/04—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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Automobile Manufacture Line, Endless Track Vehicle, Trailer (AREA)
Abstract
本发明公开了一种多工艺路线单车间汽车混流排产优化方法，该方法首先将多工艺路线下各车间汽车投产排序问题转化为组合优化的数学模型问题，分析多工艺路线下汽车排产序列变化对车间调整成本的影响，其次以汽车生产过程中车间工位设备调整次数最小为优化目标，同时考虑加工开始时间和完成时间、汽车连续排产上限等约束条件，提取各车间优化目标及约束条件共性特征，构建考虑多工艺路线的单车间汽车混流排产通用模型；最后采用自适应遗传算法AGA进行求解，在求解过程中，结合自适应策略设计了交叉和变异算子，用以提高算法全局和局部搜索能力。本发明所得的排产方案可有效求解考虑多工艺路线的单车间汽车混流排产问题。
Description
技术领域
本发明属于具有多工艺路线的单车间汽车混流排产优化技术领域，尤其涉及一种多工艺路线单车间汽车混流排产优化方法。
背景技术
为了应对全球市场的快速变化和消费者的多变需求，混流生产成为各汽车制造商广泛采用的生产模式，在此模式下，汽车混流排产存在诸多问题，如由于多工艺路线的存在，引起汽车生产过程中排产序列发生变化，从而影响生产计划正常执行，也影响生产成本和生产效率。因此研究多工艺路线下的汽车混流排产问题对汽车制造业意义重大。
单车间汽车混流排产问题是指为各车间制定合理的汽车投产排列顺序，以提高生产效率和降低生产成本。目前，已有不少学者对单车间汽车混流排产问题进行研究，但是仅限于逐个为焊接、涂装、总装车间建模，再研发算法求解这些模型，建模过程复杂，泛化性不强，操作不灵活不方便。如何建立各车间排产通用模型，并采用统一算法获得各车间排产优化解，不仅可简化问题建模和求解过程，而且实际应用时可操作性强。
针对汽车混流排产问题的算法研究中，大多采用启发式规则和智能优化算法进行求解，启发式规则求解速度快，能在短时间内获得求解结果，但由于其全局搜索能力弱，求解精度和质量差，大多数情况下只能得到局部最优解，而智能优化算法全局搜索能力强，能以较大概率收敛于全局最优解，其求解精度和质量往往优于启发式规则，从而被广泛应用于汽车混流排产问题求解。
发明内容
为克服现有技术在解决汽车混流排产问题存在的不足，本发明提供一种多工艺路线单车间汽车混流排产优化方法。
本发明的一种多工艺路线单车间汽车混流排产优化方法，包括以下步骤：
步骤1：确定多工艺路线单车间汽车混流排产问题的描述和相关假设。
具有多工艺路线的单车间汽车混流排产问题所研究的是为不同属性特征的汽车制定最优排产顺序，使得与汽车排产序列相关的车间工位设备调整次数最少，从而降低调整成本，提高生产效率。多工艺路线主要分为以下两种情形，如图1所示：第一种是为了平衡生产线整体节拍，在某些生产节拍慢的工位设置了并行工位；第二种是由于不同类型汽车工艺复杂程度不同，增设并行工位以满足多类汽车生产，或者是由于某些类型汽车具有特殊工艺要求，需要为其设计和布局新工位。在此模式下，汽车排产序列会发生多次变化，从而引起车间设备调整次数变化，直接影响到车间生产效率和成本。因此，在制定排产序列时，还需考虑生产过程中排产序列变化对工位设备调整次数的影响。
具有多工艺路线的单车间汽车混流排产问题的前提假设包括：
(1)各汽车以相等节拍间隔到达并行工位前的分流处。
(2)若多台车同时在并行工位上加工完成，则按照先进先出原则从并行工位出车。
(3)无法立即进入下一个工位加工的汽车，需暂时进入工位之间的缓冲区等待，直到与上一个进入下一工位加工的汽车间隔一个节拍方可进入。
具有多工艺路线的单车间汽车混流排产问题描述如下：
n辆汽车需要经过某车间的m个工位进行加工，h表示汽车索引，h＝{1,2,…,n}，a表示工位索引，a＝{1,2,…,m}；I表示汽车属性集合，i表示汽车的第i个属性，i∈I；Ji表示汽车属性i的特征集合，j表示汽车属性i的第j个特征，j∈Ji；O代表排产队列集合，O＝(O1,O2,…,Od)，其中d表示排产队列数量；p表示排产队列索引，p＝{1,2,…,d}；
表示排产队列中Op中第h辆汽车；
代表排产队列Op第h辆汽车在工位a的加工时间；
代表排产队列Op第h辆汽车在工位a的开始加工时间；
代表排产队列Op第h辆汽车在工位a的完工时间；Δt表示相邻两辆车的投产时间间隔；Za为0,1变量，若工位a的设备调整受汽车排产队列顺序影响，则Za＝1，否则Za＝0；Wp,a为0,1变量，若进入工位a的排产队列是Op，则Wp,a＝1，否则Wp,a＝1；
为0,1变量，若排产队列Op中顺序序列号为h和h+1的汽车属性特征不相同，则
否则
步骤2：建立多工艺路线单车间汽车混流排产数学模型。
目标函数为：
即最小化与排产序列关联的车间工位设备调整次数。
约束条件为：
Xh,h',p+1＝Xh,h',p·Yh,h',p (6)
其中，式(2)保证队列中每辆汽车在该工位加工完成后方可进入下一个工位进行加工；式(3)所有汽车都以相同时间间隔投入各工位加工；式(4)确定各汽车完工时间；式(5)表示属性特征相同的汽车连续排产Gi辆后，需要强行切换到另一种特征的汽车；式(6)和(7)确定同时在并行工位上加工完成的汽车，从并行工位出去的先后顺序；式(8)确定汽车h和h'在第p个队列的先后顺序。
步骤3：自适应遗传算法优化求解。
S31：参数初始化：设置种群大小Nind，代沟为OPT，最大和最小交叉概率为Pc1、Pc2，最大和最小变异概率为M1、M2，算法最大迭代次数为Maxgen。
S32：种群初始化：采用整数编码方法随机产生Nind条染色体，每条染色体对应一个汽车上线序列，染色体中每个基因代表一辆汽车，相同属性特征的汽车编码相同。
S33：适应度函数值计算：以目标函数的倒数1/f作为适应度函数Fitness，即根据Fitness＝1/f计算种群中所有个体的适应度值。
S34：选择操作：采用轮盘赌的方式执行选择操作，根据代沟OPT和个体适应度函数值进行选择。
S35：交叉和变异操作：根据自适应交叉概率和变异概率，将选择操作后的种群进行两点交叉和插入变异操作。
自适应交叉概率计算公式如下：
其中，Pc为交叉概率，f'为个体适应度值，favg为种群的平均适应度值，fmax为种群中个体最大适应度值。
自适应变异概率计算公式如下：
其中，Pm为变异概率。
S36：种群合并：采用精英保留策略，挑选出父代种群中适应度排名前10％的精英个体，与子代个体进行组合形成新种群。
S37：判断算法是否达到迭代终止条件，如果达到，则输出最优个体，算法结束，否则返回步骤S33。
本发明的有益技术效果为：
(1)本发明考虑汽车生产过程中存在多工艺路线的实际情况。由于多工艺路线的存在，汽车排产序列会在生产过程中发生变化，使得生产管理部门原排产计划被打乱，而在现有的汽车混流排产问题建模过程中，这一问题往往被忽视，造成排产结果与实际现场情况不符。本发明则充分考虑了多工艺路线所导致的汽车排产序列变化对车间工位设备调整的影响，建立具有多工艺路线的单车间汽车混流排产数学模型，使得排产模型与实际相符，能更加精确地指导实际生产。
(2)本发明提取了焊接、涂装、总装车间的生产约束和优化目标共性特征，建立各车间通用的排产模型。现有汽车混流排产问题建模过程中，通常是逐个为焊接、涂装、总装车间建模，缺乏统一和通用模型指导，致使建模过程变得复杂，操作起来不灵活、不方便。本发明则合理地提取各车间共性特征，建立通用模型。
(3)本发明采用自适应遗传算法对具有多工艺路线的单车间汽车混流排产数学模型进行求解。设计基于自适应交叉、变异概率的两点交叉方法和插入变异方法，提高算法全局和局部搜索性能，避免算法陷入局部最优，使之较标准遗传算法求解更具优越性。
附图说明
图1为多工艺路线示意图；
图2为自适应遗传算法(AGA)流程示意图；
图3为多工艺路线情形1；
图4为多工艺路线情形2；
图5为多工艺路线情形3。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。
本发明的一种多工艺路线单车间汽车混流排产优化方法，包括以下步骤：
步骤1：确定多工艺路线单车间汽车混流排产问题的描述和相关假设。
具有多工艺路线的单车间汽车混流排产问题所研究的是为不同属性特征的汽车制定最优排产顺序，使得与汽车排产序列相关的车间工位设备调整次数最少，从而降低调整成本，提高生产效率。多工艺路线主要分为以下两种情形，如图1所示：第一种是为了平衡生产线整体节拍，在某些生产节拍慢的工位设置了并行工位；第二种是由于不同类型汽车工艺复杂程度不同，增设并行工位以满足多类汽车生产，或者是由于某些类型汽车具有特殊工艺要求，需要为其设计和布局新工位。在此模式下，汽车排产序列会发生多次变化，从而引起车间设备调整次数变化，直接影响到车间生产效率和成本。因此，在制定排产序列时，还需考虑生产过程中排产序列变化对工位设备调整次数的影响。
具有多工艺路线的单车间汽车混流排产问题的前提假设包括：
(1)各汽车以相等节拍间隔到达并行工位前的分流处。
(2)若多台车同时在并行工位上加工完成，则按照先进先出原则从并行工位出车。
(3)无法立即进入下一个工位加工的汽车，需暂时进入工位之间的缓冲区等待，直到与上一个进入下一工位加工的汽车间隔一个节拍方可进入。
具有多工艺路线的单车间汽车混流排产问题描述如下：
n辆汽车需要经过某车间的m个工位进行加工，h表示汽车索引，h＝{1,2,…,n}，a表示工位索引，a＝{1,2,…,m}；I表示汽车属性集合，i表示汽车的第i个属性，i∈I；Ji表示汽车属性i的特征集合，j表示汽车属性i的第j个特征，j∈Ji；O代表排产队列集合，O＝(O1,O2,…,Od)，其中d表示排产队列数量；p表示排产队列索引，p＝{1,2,…,d}；
表示排产队列中Op中第h辆汽车；
代表排产队列Op第h辆汽车在工位a的加工时间；
代表排产队列Op第h辆汽车在工位a的开始加工时间；
代表排产队列Op第h辆汽车在工位a的完工时间；Δt表示相邻两辆车的投产时间间隔；Za为0,1变量，若工位a的设备调整受汽车排产队列顺序影响，则Za＝1，否则Za＝0；Wp,a为0,1变量，若进入工位a的排产队列是Op，则Wp,a＝1，否则Wp,a＝1；
为0,1变量，若排产队列Op中顺序序列号为h和h+1的汽车属性特征不相同，则
否则
步骤2：建立多工艺路线单车间汽车混流排产数学模型。
目标函数为：
即最小化与排产序列关联的车间工位设备调整次数。
约束条件为：
Xh,h',p+1＝Xh,h',p·Yh,h',p (6)
其中，式(2)保证队列中每辆汽车在该工位加工完成后方可进入下一个工位进行加工；式(3)所有汽车都以相同时间间隔投入各工位加工；式(4)确定各汽车完工时间；式(5)表示属性特征相同的汽车连续排产Gi辆后，需要强行切换到另一种特征的汽车；式(6)和(7)确定同时在并行工位上加工完成的汽车，从并行工位出去的先后顺序；式(8)确定汽车h和h'在第p个队列的先后顺序。
步骤3：自适应遗传算法优化求解。
自适应遗传算法的算法流程图如图2所示，具体为：
S31：参数初始化：设置种群大小Nind，代沟为OPT，最大和最小交叉概率为Pc1、Pc2，最大和最小变异概率为M1、M2，算法最大迭代次数为Maxgen。
S32：种群初始化：采用整数编码方法随机产生Nind条染色体，每条染色体对应一个汽车上线序列，染色体中每个基因代表一辆汽车，相同属性特征的汽车编码相同。
S33：适应度函数值计算：以目标函数的倒数1/f作为适应度函数Fitness，即根据Fitness＝1/f计算种群中所有个体的适应度值。
S34：选择操作：采用轮盘赌的方式执行选择操作，根据代沟OPT和个体适应度函数值进行选择。
S35：交叉和变异操作：根据自适应交叉概率和变异概率，将选择操作后的种群进行两点交叉和插入变异操作。
自适应交叉概率计算公式如下：
其中，Pc为交叉概率，f'为个体适应度值，favg为种群的平均适应度值，fmax为种群中个体最大适应度值。
自适应变异概率计算公式如下：
其中，Pm为变异概率。
S36：种群合并：采用精英保留策略，挑选出父代种群中适应度排名前10％的精英个体，与子代个体进行组合形成新种群。
S37：判断算法是否达到迭代终止条件，如果达到，则输出最优个体，算法结束，否则返回步骤S33。
实施例：
以涂装车间为应用背景，分多种工艺路线情况构造算例，多工艺路线如图3、图4、图5所示，并将这三种情况下所构造的实验算例分别记为Case01-T、Case02-T、Case03-T。对于涂装车间而言，影响车间调整成本的工位主要是面漆工位，该工位上喷枪颜料的切换会直接影响到涂装车间的生产成本。现假设有4种车型、4种颜色的汽车可在涂装车间生产线上进行混流生产，设置涂装车间每天的产量为100、200以及400辆，每种规模下汽车的车型、颜色及其数量如表1、表2、表3所示。
表1汽车车型、颜色及数量表(总量100辆)
表2汽车车型、颜色及数量表(总量200辆)
表3汽车车型、颜色及数量表(总量400辆)
按照公式(1)-(8)建立实例的数学模型，并采用自适应遗传算法(AdaptiveGenetic Algorithm,AGA)对模型进行求解。通过Python3.7平台进行数值实验，采用AGA与传统遗传算法(GA)进行对比，在每种算例下运行10次，取10次运行结果的最优解Best和平均值Avg进行比较，得到的实验结果如表4所示。
表4 3种算例的求解结果
实验结果表明，在不同工艺路线、不同车辆规模下，自适应遗传算法的求解结果均优于传统遗传算法。从均值一行最优解Best的对比结果来看，在算例Case01-T、Case02-T、Case03-T下AGA相比于GA分别提高了15.47％、14.85％、17.72％，从均值一行平均值Avg的对比结果来看，在算例Case01-T、Case02-T、Case03-T下AGA相比于GA分别提高了15.50％、17.51％、17.78％。综合可见，本发明提出的多工艺路线单车间汽车混流排产问题模型和求解方法较现有技术更优越。
Claims (1)
1.一种多工艺路线单车间汽车混流排产优化方法，其特征在于，包括以下步骤：
步骤1：确定多工艺路线单车间汽车混流排产问题的描述和相关假设；
具有多工艺路线的单车间汽车混流排产问题的前提假设包括：
(1)各汽车以相等节拍间隔到达并行工位前的分流处；
(2)若多台车同时在并行工位上加工完成，则按照先进先出原则从并行工位出车；
(3)无法立即进入下一个工位加工的汽车，需暂时进入工位之间的缓冲区等待，直到与上一个进入下一工位加工的汽车间隔一个节拍方可进入；
具有多工艺路线的单车间汽车混流排产问题描述如下：
n辆汽车需要经过某车间的m个工位进行加工，h表示汽车索引，h＝{1,2,…,n}，a表示工位索引，a＝{1,2,…,m}；I表示汽车属性集合，i表示汽车的第i个属性，i∈I；Ji表示汽车属性i的特征集合，j表示汽车属性i的第j个特征，j∈Ji；O代表排产队列集合，O＝(O1,O2,…,Od)，其中d表示排产队列数量；p表示排产队列索引，p＝{1,2,…,d}；
表示排产队列中Op中第h辆汽车；
代表排产队列Op第h辆汽车在工位a的加工时间；
代表排产队列Op第h辆汽车在工位a的开始加工时间；
代表排产队列Op第h辆汽车在工位a的完工时间；Δt表示相邻两辆车的投产时间间隔；Za为0,1变量，若工位a的设备调整受汽车排产队列顺序影响，则Za＝1，否则Za＝0；Wp,a为0,1变量，若进入工位a的排产队列是Op，则Wp,a＝1，否则Wp,a＝1；
为0,1变量，若排产队列Op中顺序序列号为h和h+1的汽车属性特征不相同，则
否则
步骤2：建立多工艺路线单车间汽车混流排产数学模型；
目标函数为：
即最小化与排产序列关联的车间工位设备调整次数；
约束条件为：
Xh,h',p+1＝Xh,h',p·Yh,h',p (6)
其中，式(2)保证队列中每辆汽车在该工位加工完成后方可进入下一个工位进行加工；式(3)所有汽车都以相同时间间隔投入各工位加工；式(4)确定各汽车完工时间；式(5)表示属性特征相同的汽车连续排产Gi辆后，需要强行切换到另一种特征的汽车；式(6)和(7)确定同时在并行工位上加工完成的汽车，从并行工位出去的先后顺序；式(8)确定汽车h和h'在第p个队列的先后顺序；
步骤3：自适应遗传算法优化求解；
S31：参数初始化：设置种群大小Nind，代沟为OPT，最大和最小交叉概率为Pc1、Pc2，最大和最小变异概率为M1、M2，算法最大迭代次数为Maxgen；
S32：种群初始化：采用整数编码方法随机产生Nind条染色体，每条染色体对应一个汽车上线序列，染色体中每个基因代表一辆汽车，相同属性特征的汽车编码相同；
S33：适应度函数值计算：以目标函数的倒数1/f作为适应度函数Fitness，即根据Fitness＝1/f计算种群中所有个体的适应度值；
S34：选择操作：采用轮盘赌的方式执行选择操作，根据代沟OPT和个体适应度函数值进行选择；
S35：交叉和变异操作：根据自适应交叉概率和变异概率，将选择操作后的种群进行两点交叉和插入变异操作；
自适应交叉概率计算公式如下：
其中，Pc为交叉概率，f'为个体适应度值，favg为种群的平均适应度值，fmax为种群中个体最大适应度值；
自适应变异概率计算公式如下：
其中，Pm为变异概率；
S36：种群合并：采用精英保留策略，挑选出父代种群中适应度排名前10％的精英个体，与子代个体进行组合形成新种群；
S37：判断算法是否达到迭代终止条件，如果达到，则输出最优个体，算法结束，否则返回步骤S33。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210791806.1A CN115130765A (zh) | 2022-07-07 | 2022-07-07 | 一种多工艺路线单车间汽车混流排产优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210791806.1A CN115130765A (zh) | 2022-07-07 | 2022-07-07 | 一种多工艺路线单车间汽车混流排产优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115130765A true CN115130765A (zh) | 2022-09-30 |
Family
ID=83382079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210791806.1A Pending CN115130765A (zh) | 2022-07-07 | 2022-07-07 | 一种多工艺路线单车间汽车混流排产优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115130765A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659127A (zh) * | 2022-11-21 | 2023-01-31 | 苏芯物联技术(南京)有限公司 | 一种最优用丝成本下的焊接工艺参数求解方法 |
| CN116703112A (zh) * | 2023-06-25 | 2023-09-05 | 盐城工学院 | 一种混流涂装生产线排产优化方法 |
-
2022
- 2022-07-07 CN CN202210791806.1A patent/CN115130765A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659127A (zh) * | 2022-11-21 | 2023-01-31 | 苏芯物联技术(南京)有限公司 | 一种最优用丝成本下的焊接工艺参数求解方法 |
| CN116703112A (zh) * | 2023-06-25 | 2023-09-05 | 盐城工学院 | 一种混流涂装生产线排产优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115130765A (zh) | 一种多工艺路线单车间汽车混流排产优化方法 | |
| CN106530767B (zh) | 基于跟车法的干线信号协调优化方法 | |
| CN111929748A (zh) | 一种气象要素预报方法和系统 | |
| CN107766929A (zh) | 模型分析方法及装置 | |
| CN110533484A (zh) | 一种基于pca和改进bp神经网络的产品销量预测方法 | |
| CN110516871B (zh) | 一种基于模糊滚动时域控制策略的动态车辆路径优化方法 | |
| CN115759634B (zh) | 一种矩形板材组批排样高效协同方法 | |
| CN111291969B (zh) | 基于遗传算法的汽车重排序方法 | |
| CN114897217A (zh) | 一种生鲜电商前置仓选址-路径规划方法 | |
| CN105373845A (zh) | 制造企业车间的混合智能调度优化方法 | |
| CN113570112A (zh) | 求解考虑合作的带时间窗的车辆路径问题的优化算法 | |
| CN107832983B (zh) | 基于动态规划与遗传算法的铸造熔炼批计划与调度方法 | |
| CN115759552A (zh) | 一种基于多智能体架构的面向智慧工厂的实时调度方法 | |
| CN109991950A (zh) | 基于遗传算法的协作机器人装配生产线的平衡改善方法 | |
| CN109086936B (zh) | 一种智能车间的生产系统资源配置方法、装置及设备 | |
| CN117557078B (zh) | 一种基于时间节点的智能生产计划管理方法及系统 | |
| CN110412990A (zh) | 一种用于工厂环境下的agv避碰方法 | |
| CN114418213A (zh) | 一种基于深度强化学习的城市电动车辆调度方法和系统 | |
| CN112183838B (zh) | 一种基于多约束修正c-w算法优化解决智能无人车路径规划问题的方法 | |
| CN113887782A (zh) | 一种面向维修资源配送调度的遗传-烟花混合方法及系统 | |
| CN117114220A (zh) | 一种基于图神经网络的车辆调度算法 | |
| CN115577865B (zh) | 一种用于制剂工艺的生产房间布局优化方法及装置 | |
| CN115130766B (zh) | 一种考虑多工艺路线的多车间汽车混流排产协同优化方法 | |
| CN112508478B (zh) | 一种基于自组织自动导引车的柔性物流配送任务分配方法 | |
| CN115130766A (zh) | 一种考虑多工艺路线的多车间汽车混流排产协同优化方法 |
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 |