CN115222243A - 一种门窗自动化生产线的自适应重调度方法及系统 - Google Patents

一种门窗自动化生产线的自适应重调度方法及系统 Download PDF

Info

Publication number
CN115222243A
CN115222243A CN202210839034.4A CN202210839034A CN115222243A CN 115222243 A CN115222243 A CN 115222243A CN 202210839034 A CN202210839034 A CN 202210839034A CN 115222243 A CN115222243 A CN 115222243A
Authority
CN
China
Prior art keywords
population
production
time
equipment
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.)
Pending
Application number
CN202210839034.4A
Other languages
English (en)
Inventor
王立猛
韩腾飞
孔昕
付振帅
刘炳浩
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.)
China Construction Eighth Bureau Construction Technology Shandong Co ltd
Original Assignee
China Construction Eighth Bureau Construction Technology Shandong Co ltd
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 China Construction Eighth Bureau Construction Technology Shandong Co ltd filed Critical China Construction Eighth Bureau Construction Technology Shandong Co ltd
Priority to CN202210839034.4A priority Critical patent/CN115222243A/zh
Publication of CN115222243A publication Critical patent/CN115222243A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种门窗自动化生产线的自适应重调度方法及系统，本发明根据门窗自动化生产过程中各个生产参数建立目标函数，并通过遗传算法进行最优寻解，由于可根据需求设置生产线中各种物料加工的生产时间、生产成本以及设备负荷等的优先度等级，并自适应调度各个生产环节，可有效降低门窗自动化生产成本，并提高自动化生产效率，可满足不断变化的市场需求和不同客户的个性化需要。

Description

一种门窗自动化生产线的自适应重调度方法及系统
技术领域
本发明涉及门窗自动化生产技术领域，特别是一种门窗自动化生产线的自适应重调度方法及系统。
背景技术
目前我国门窗自动化装备行业大部分企业仍然采用数控化生产设备人力控制加工的方式进行生产，对操作人员的文化水平要求极高，并且生产效率低下，良品率较低，仅仅停留在单个生产加工工序工位智能化，由于缺乏对应的联机系统，业务部、设计部、生产部、仓储部、项目部等各职能部门设备无法联机，来实现信息互联互通，从而没有形成真正的智能自动流水线的作业模式。
而在经济全球化背景下，面对制造业复杂市场环境，在满足不断变化的市场需求和不同客户的个性化需要，并确保生产任务的低成本和高效率实施成为企业保持竞争力的重要手段。
发明内容
本发明的目的是提供一种门窗自动化生产线的自适应重调度方法及系统，旨在解决现有技术中门窗自动化生产无法根据需求动态变化的问题，实现自适应动态调节生产过程，提高生产效率，降低生产成本。
为达到上述技术目的，本发明提供了一种门窗自动化生产线的自适应重调度方法，所述方法包括以下操作：
根据门窗自动化生产过程中的生产参数建立关于最大生产时间、生产成本以及设备最大负荷的目标函数，并设置约束条件；
根据遗传算法随机生成初始种群，根据设定的不同目标优先度等级，进行种群个体优先度排序，通过选择、交叉和变异生成第一代子种群；
从种群第二代开始，将父代种群和子代种群合并，对合并后的种群通过个体间隔度值进行优先度排序，选择高优先度个体组成新的父代种群；
基于新的父代种群，通过选择、交叉、变异操作产生新的子代种群，以此类推，直至满足设定条件，得到目标函数的最优解。
优选地，所述生产参数包括：
待加工物料数量n，机械设备数量m，每种待加工物料的工序数量Pi，不同物料的不同工序在不同设备上的加工开始时间
Figure BDA0003749942050000021
加工时长tijk以及加工完成时间
Figure BDA0003749942050000022
不同物料的不同工序在不同设备上的加工成本Sijk，不同设备最早可加工时间Tk，不同物料的不同工序是否可在某台设备上加工Xijk。
优选地，所述目标函数为：
最大生产时间为第一个物料开始加工到最后一个物料加工完成所需要的时间，为
Figure BDA0003749942050000023
生产成本为所有物料所有工序的生产成本总和，为
Figure BDA0003749942050000024
设备最大负荷为设备的加工时间，为
Figure BDA0003749942050000025
优选地，所述约束条件为：
某一时刻某一物料最多只能在一台设备上进行加工，即
Figure BDA0003749942050000026
一台设备每一时刻最多只能加工N个物料，即
Figure BDA0003749942050000027
一个物料只有前道工序完工后，后道工序才能加工，且不能早于所使用设备的最早可加工时间，即
Figure BDA0003749942050000028
优选地，所述个体间隔度值的计算为：
Figure BDA0003749942050000029
其中，D(i)为种群中个体i的个体间隔度值，D(i,j)为个体i在第j个目标分量上的个体间隔度值；
Figure BDA00037499420500000210
和
Figure BDA00037499420500000211
为目标分量j的最大值与最小值，
Figure BDA00037499420500000212
和
Figure BDA00037499420500000213
为个体i在目标分量j上的前后相邻值。
本发明还提供了一种门窗自动化生产线的自适应重调度系统，所述系统包括：
模型建立模块，用于根据门窗自动化生产过程中的生产参数建立关于最大生产时间、生产成本以及设备最大负荷的目标函数，并设置约束条件；
初始种群模块，用于根据遗传算法随机生成初始种群，根据设定的不同目标优先度等级，进行种群个体优先度排序，通过选择、交叉和变异生成第一代子种群；
优先度排序模块，用于从种群第二代开始，将父代种群和子代种群合并，对合并后的种群通过个体间隔度值进行优先度排序，选择高优先度个体组成新的父代种群；
模型求解模块，用于基于新的父代种群，通过选择、交叉、变异操作产生新的子代种群，以此类推，直至满足设定条件，得到目标函数的最优解。
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
与现有技术相比，本发明根据门窗自动化生产过程中各个生产参数建立目标函数，并通过遗传算法进行最优寻解，由于可根据需求设置生产线中各种物料加工的生产时间、生产成本以及设备负荷等的优先度等级，并自适应调度各个生产环节，可有效降低门窗自动化生产成本，并提高自动化生产效率，可满足不断变化的市场需求和不同客户的个性化需要。
附图说明
图1为本发明实施例中所提供的一种门窗自动化生产线的自适应重调度方法流程图；
图2为本发明实施例中所提供的一种门窗自动化生产线的自适应重调度系统框图。
具体实施方式
为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
下面结合附图对本发明实施例所提供的一种门窗自动化生产线的自适应重调度方法及系统进行详细说明。
如图1所示，本发明公开了一种门窗自动化生产线的自适应重调度方法，所述方法包括以下操作：
根据门窗自动化生产过程中的生产参数建立关于最大生产时间、生产成本以及设备最大负荷的目标函数，并设置约束条件；
根据遗传算法随机生成初始种群，根据设定的不同目标优先度等级，进行种群个体优先度排序，通过选择、交叉和变异生成第一代子种群；
从种群第二代开始，将父代种群和子代种群合并，对合并后的种群通过个体间隔度值进行优先度排序，选择高优先度个体组成新的父代种群；
基于新的父代种群，通过选择、交叉、变异操作产生新的子代种群，以此类推，直至满足设定条件，得到目标函数的最优解。
对于门窗自动化生产线调度问题，调度目的是优化生产时间、生产成本以及装备负荷之间的关系，将生产时间最小化、生产成本最小化以及装备负荷最大化。在此基础上，需考虑每种门窗物料包含的工序，每道工序需要在哪些机械设备上进行加工，每台机械设备上的生产时间以及生产成本。
假设待加工物料数量为n，机械设备数量为m，每种待加工物料的工序数量为Pi，某一物料的某一工序在某台设备上的加工开始时间为
Figure BDA0003749942050000041
(i为物料序号，j为工序序号，k为设备序号)、加工时长为tijk(i为物料序号，j为工序序号，k为设备序号)以及加工完成时间为
Figure BDA0003749942050000042
(i为物料序号，j为工序序号，k为设备序号)，某一物料的某一工序在某台设备上的加工成本为Sijk(i为物料序号，j为工序序号，k为设备序号)，某台设备最早可加工时间为Tk(k为设备序号)，某一物料的某一工序是否可在某台设备上加工Xijk(i为物料序号，j为工序序号，k为设备序号)。
因此最大生产时间为第一个物料开始加工到最后一个物料加工完成所需要的时间，为
Figure BDA0003749942050000051
生产成本为所有物料所有工序的生产成本总和，为
Figure BDA0003749942050000052
设备最大负荷为设备的加工时间，为
Figure BDA0003749942050000053
而在实际生产过程中，某一时刻某一物料最多只能在一台设备上进行加工，即
Figure BDA0003749942050000054
而一台设备每一时刻最多只能加工N个物料，即
Figure BDA0003749942050000055
一个物料只有前道工序完工后，后道工序才能加工，且不能早于所使用设备的最早可加工时间，即
Figure BDA0003749942050000056
对于最优解寻优，应用度较广的有遗传算法等，而传统遗传算法存在早熟、随机搜索收敛慢以及局部搜索能力低的问题。
随机生成一定规模的初始种群，由于在优化过程中存在各个目标函数相互冲突的问题，可根据需求设置优先度排序，例如可设置优先生产时间或生产成本或设备负荷，或生产时间与生产成本以及设备负荷等优先度进行。在对种群进行优先度排序后，通过选择、交叉和变异生成第一代子种群。
从种群第二代开始，将父代种群和子代种群合并，对合并后的种群通过个体间隔度值进行优先度排序，设定阈值，对优先度等级高的个体组成新的父代种群。
由于种群中的个体的优先度层级越高，个体间隔度值越大，则个体在种群中的排序越靠前，生成子代种群时优先选择排序靠前的个体。对于个体间隔度值的计算如下：
Figure BDA0003749942050000057
其中，D(i)为种群中个体i的个体间隔度值，D(i,j)为个体i在第j个目标分量上的个体间隔度值。将与个体i具备相同优先度层级的目标分量分别按照从小到大的顺序进行排列，其中
Figure BDA0003749942050000061
和
Figure BDA0003749942050000062
为目标分量j的最大值与最小值，
Figure BDA0003749942050000063
和
Figure BDA0003749942050000064
为个体i在目标分量j上的前后相邻值。
基于新的父代种群，通过选择、交叉、变异等操作产生新的子代种群，以此类推，直至满足设定条件，得到目标函数的最优解。由于可根据需求设置生产线中各种物料加工的生产时间、生产成本以及设备负荷等的优先度等级，并自适应调度各个生产环节，可有效降低门窗自动化生产成本，并提高自动化生产效率，可满足不断变化的市场需求和不同客户的个性化需要。
如图2所示，本发明实施例还公开了一种门窗自动化生产线的自适应重调度系统，所述系统包括：
模型建立模块，用于根据门窗自动化生产过程中的生产参数建立关于最大生产时间、生产成本以及设备最大负荷的目标函数，并设置约束条件；
初始种群模块，用于根据遗传算法随机生成初始种群，根据设定的不同目标优先度等级，进行种群个体优先度排序，通过选择、交叉和变异生成第一代子种群；
优先度排序模块，用于从种群第二代开始，将父代种群和子代种群合并，对合并后的种群通过个体间隔度值进行优先度排序，选择高优先度个体组成新的父代种群；
模型求解模块，用于基于新的父代种群，通过选择、交叉、变异操作产生新的子代种群，以此类推，直至满足设定条件，得到目标函数的最优解。
对于门窗自动化生产线调度问题，调度目的是优化生产时间、生产成本以及装备负荷之间的关系，将生产时间最小化、生产成本最小化以及装备负荷最大化。在此基础上，需考虑每种门窗物料包含的工序，每道工序需要在哪些机械设备上进行加工，每台机械设备上的生产时间以及生产成本。
假设待加工物料数量为n，机械设备数量为m，每种待加工物料的工序数量为Pi，某一物料的某一工序在某台设备上的加工开始时间为
Figure BDA0003749942050000065
(i为物料序号，j为工序序号，k为设备序号)、加工时长为tijk(i为物料序号，j为工序序号，k为设备序号)以及加工完成时间为
Figure BDA0003749942050000071
(i为物料序号，j为工序序号，k为设备序号)，某一物料的某一工序在某台设备上的加工成本为Sijk(i为物料序号，j为工序序号，k为设备序号)，某台设备最早可加工时间为Tk(k为设备序号)，某一物料的某一工序是否可在某台设备上加工Xijk(i为物料序号，j为工序序号，k为设备序号)。
因此最大生产时间为第一个物料开始加工到最后一个物料加工完成所需要的时间，为
Figure BDA0003749942050000072
生产成本为所有物料所有工序的生产成本总和，为
Figure BDA0003749942050000073
设备最大负荷为设备的加工时间，为
Figure BDA0003749942050000074
而在实际生产过程中，某一时刻某一物料最多只能在一台设备上进行加工，即
Figure BDA0003749942050000075
而一台设备每一时刻最多只能加工N个物料，即
Figure BDA0003749942050000076
一个物料只有前道工序完工后，后道工序才能加工，且不能早于所使用设备的最早可加工时间，即
Figure BDA0003749942050000077
对于最优解寻优，应用度较广的有遗传算法等，而传统遗传算法存在早熟、随机搜索收敛慢以及局部搜索能力低的问题。
随机生成一定规模的初始种群，由于在优化过程中存在各个目标函数相互冲突的问题，可根据需求设置优先度排序，例如可设置优先生产时间或生产成本或设备负荷，或生产时间与生产成本以及设备负荷等优先度进行。在对种群进行优先度排序后，通过选择、交叉和变异生成第一代子种群。
从种群第二代开始，将父代种群和子代种群合并，对合并后的种群通过个体间隔度值进行优先度排序，设定阈值，对优先度等级高的个体组成新的父代种群。
由于种群中的个体的优先度层级越高，个体间隔度值越大，则个体在种群中的排序越靠前，生成子代种群时优先选择排序靠前的个体。对于个体间隔度值的计算如下：
Figure BDA0003749942050000081
其中，D(i)为种群中个体i的个体间隔度值，D(i,j)为个体i在第j个目标分量上的个体间隔度值。将与个体i具备相同优先度层级的目标分量分别按照从小到大的顺序进行排列，其中
Figure BDA0003749942050000082
和
Figure BDA0003749942050000083
为目标分量j的最大值与最小值，
Figure BDA0003749942050000084
和
Figure BDA0003749942050000085
为个体i在目标分量j上的前后相邻值。
基于新的父代种群，通过选择、交叉、变异等操作产生新的子代种群，以此类推，直至满足设定条件，得到目标函数的最优解。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种门窗自动化生产线的自适应重调度方法，其特征在于，所述方法包括以下操作：
根据门窗自动化生产过程中的生产参数建立关于最大生产时间、生产成本以及设备最大负荷的目标函数，并设置约束条件；
根据遗传算法随机生成初始种群，根据设定的不同目标优先度等级，进行种群个体优先度排序，通过选择、交叉和变异生成第一代子种群；
从种群第二代开始，将父代种群和子代种群合并，对合并后的种群通过个体间隔度值进行优先度排序，选择高优先度个体组成新的父代种群；
基于新的父代种群，通过选择、交叉、变异操作产生新的子代种群，以此类推，直至满足设定条件，得到目标函数的最优解。
2.根据权利要求1所述的一种门窗自动化生产线的自适应重调度方法，其特征在于，所述生产参数包括：
待加工物料数量n，机械设备数量m，每种待加工物料的工序数量Pi，不同物料的不同工序在不同设备上的加工开始时间
Figure FDA0003749942040000011
加工时长tijk以及加工完成时间
Figure FDA0003749942040000012
不同物料的不同工序在不同设备上的加工成本Sijk，不同设备最早可加工时间Tk，不同物料的不同工序是否可在某台设备上加工Xijk。
3.根据权利要求1所述的一种门窗自动化生产线的自适应重调度方法，其特征在于，所述目标函数为：
最大生产时间为第一个物料开始加工到最后一个物料加工完成所需要的时间，为
Figure FDA0003749942040000013
生产成本为所有物料所有工序的生产成本总和，为
Figure FDA0003749942040000014
设备最大负荷为设备的加工时间，为
Figure FDA0003749942040000015
4.根据权利要求1所述的一种门窗自动化生产线的自适应重调度方法，其特征在于，所述约束条件为：
某一时刻某一物料最多只能在一台设备上进行加工，即
Figure FDA0003749942040000016
一台设备每一时刻最多只能加工N个物料，即
Figure FDA0003749942040000021
一个物料只有前道工序完工后，后道工序才能加工，且不能早于所使用设备的最早可加工时间，即
Figure FDA0003749942040000022
5.根据权利要求1所述的一种门窗自动化生产线的自适应重调度方法，其特征在于，所述个体间隔度值的计算为：
Figure FDA0003749942040000023
其中，D(i)为种群中个体i的个体间隔度值，D(i,j)为个体i在第j个目标分量上的个体间隔度值；
Figure FDA0003749942040000024
和
Figure FDA0003749942040000025
为目标分量j的最大值与最小值，
Figure FDA0003749942040000026
和
Figure FDA0003749942040000027
为个体i在目标分量j上的前后相邻值。
6.一种门窗自动化生产线的自适应重调度系统，其特征在于，所述系统包括：
模型建立模块，用于根据门窗自动化生产过程中的生产参数建立关于最大生产时间、生产成本以及设备最大负荷的目标函数，并设置约束条件；
初始种群模块，用于根据遗传算法随机生成初始种群，根据设定的不同目标优先度等级，进行种群个体优先度排序，通过选择、交叉和变异生成第一代子种群；
优先度排序模块，用于从种群第二代开始，将父代种群和子代种群合并，对合并后的种群通过个体间隔度值进行优先度排序，选择高优先度个体组成新的父代种群；
模型求解模块，用于基于新的父代种群，通过选择、交叉、变异操作产生新的子代种群，以此类推，直至满足设定条件，得到目标函数的最优解。
CN202210839034.4A 2022-07-18 2022-07-18 一种门窗自动化生产线的自适应重调度方法及系统 Pending CN115222243A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210839034.4A CN115222243A (zh) 2022-07-18 2022-07-18 一种门窗自动化生产线的自适应重调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210839034.4A CN115222243A (zh) 2022-07-18 2022-07-18 一种门窗自动化生产线的自适应重调度方法及系统

Publications (1)

Publication Number Publication Date
CN115222243A true CN115222243A (zh) 2022-10-21

Family

ID=83612525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210839034.4A Pending CN115222243A (zh) 2022-07-18 2022-07-18 一种门窗自动化生产线的自适应重调度方法及系统

Country Status (1)

Country Link
CN (1) CN115222243A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348323A (zh) * 2020-10-23 2021-02-09 浙江中烟工业有限责任公司 一种多目标的能源供应与作业柔性排程方法
CN113689066A (zh) * 2021-07-07 2021-11-23 浙江工业大学 一种基于nsga-ii算法的物联网车间调度方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112348323A (zh) * 2020-10-23 2021-02-09 浙江中烟工业有限责任公司 一种多目标的能源供应与作业柔性排程方法
CN113689066A (zh) * 2021-07-07 2021-11-23 浙江工业大学 一种基于nsga-ii算法的物联网车间调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
荆巍巍等: "基于自适应NSGA-Ⅱ算法的柔性车间多目标生产调度", 《组合机床与自动化加工技术》 *

Similar Documents

Publication Publication Date Title
CN111258734B (zh) 一种基于强化学习的深度学习任务调度方法
Fan et al. An improved genetic algorithm for flexible job shop scheduling problem considering reconfigurable machine tools with limited auxiliary modules
CN102254246A (zh) 一种工作流管理方法及其系统
CN104636871B (zh) 一种基于数据的单阶段多产品批处理的控制方法
CN108846502A (zh) 车间生产线布局优化方法及装置
CN111861167A (zh) 基于分解的多目标优化算法的生产线在线动态调度方法
CN115759634B (zh) 一种矩形板材组批排样高效协同方法
CN110414863A (zh) 一种智能制造车间资源调度方法
CN109164766B (zh) 多工种车间的生产控制系统
Liu et al. A framework for scheduling in cloud manufacturing with deep reinforcement learning
Wu et al. Dynamic dispatching and preventive maintenance for parallel machines with dispatching-dependent deterioration
CN115222243A (zh) 一种门窗自动化生产线的自适应重调度方法及系统
CN111242446A (zh) 一种基于ga-ts混合算法的车间排产方法
CN100456744C (zh) 一种数据调度方法及系统
Didden et al. Decentralized learning multi-agent system for online machine shop scheduling problem
Wang et al. Real-time decision support with reinforcement learning for dynamic flowshop scheduling
CN113657742B (zh) 车间调度方法、装置、电子设备及存储介质
Yano et al. A dynamic switching policy with thresholds of inventory level and waiting orders for MTS/MTO hybrid production systems
CN116090647A (zh) 采用自动调配模型的综合能源优化方法及系统
Li et al. Research on dynamic multi-objective fjsp based on genetic algorithm
CN110247854A (zh) 一种多等级业务调度方法和调度系统以及调度控制器
Madureira et al. Using genetic algorithms for dynamic scheduling
CN114819040A (zh) 一种基于对偶搜索的双种群协同进化方法及应用
De Sousa et al. Finite-Time Consensus and Readjustment Three-Stage Filter for Predictive Schedules in FMS
Arumugam et al. Inventory based allocation policies for flexible servers in serial systems

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20221021

RJ01 Rejection of invention patent application after publication