CN115358532A - 设备作业的工单生成方法、装置、计算机设备 - Google Patents
设备作业的工单生成方法、装置、计算机设备 Download PDFInfo
- Publication number
- CN115358532A CN115358532A CN202210891194.3A CN202210891194A CN115358532A CN 115358532 A CN115358532 A CN 115358532A CN 202210891194 A CN202210891194 A CN 202210891194A CN 115358532 A CN115358532 A CN 115358532A
- Authority
- CN
- China
- Prior art keywords
- path
- target
- path set
- equipment
- work order
- 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
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
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及工单数据处理技术领域,具体公开了一种设备作业的工单生成方法、装置、计算机设备,所述方法包括:确定作业任务对应的目标设备,和所述目标设备所处的目标位置;获取所述目标位置之间的路径集合,从所述路径集合中筛选出满足预设约束规则的候选路径集合;基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径;根据所述目标设备作业顺序排列的最优路径生成目标设备作业的工单。本公开节约了目标设备作业路径的时间成本,提高了对目标设备的作业效率;同时,工单的生成是基于具体的作业任务的预设约束条件,提高了工单准确性,减少了设备作业顺序失误。
Description
技术领域
本公开涉及工单数据处理技术领域,特别是涉及一种设备作业的工单生成方法、装置、计算机设备。
背景技术
企业资产管理以资产模型、设备台账为基础,以工单的创建、审批、执行、关闭为主线,最大化合理优化的安排相关的人、财、物资源,用于维护和控制运营资产及设备。其目的是优化企业资产在整个生命周期的质量和利用率,降本增效。随着计算机技术全面普及以及软件技术的发展,企业资产管理已经有了相对清晰的管理流程及其配套的管理软件,更加强调在资产整个生命周期内的全程跟踪管理。其中,工单的执行效率直接关系到设备的停机时间,生产成本等问题。
目前,在根据工单执行作业过程中,往往是根据执行人经验采用的手动对工单下多个设备进行排序,决定作业执行的先后顺序。存在工单创建效率较低,无法针对设备创建优化执行路径,进而导致作业执行效率偏低。
发明内容
基于此,有必要针对上述技术问题,提供一种设备作业的工单生成方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面,本公开提供了一种设备作业的工单生成方法。所述方法包括:
确定作业任务对应的目标设备,和所述目标设备所处的目标位置;
获取所述目标位置之间的路径集合,从所述路径集合中筛选出满足预设约束规则的候选路径集合,所述预设约束规则中包括多个决策设备作业顺序的影响因子,所述影响因子对应有不同的处理优先级;
基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径;
根据所述目标设备作业顺序排列的最优路径生成目标设备作业的工单。
在其中一个实施例中,在所述确定作业任务对应的目标设备,和所述目标设备所处的目标位置之前包括:
根据设备的位置信息确定设备位置和所述设备位置之间的通道;所述设备位置对应一个或多个设备;
根据所述设备位置和所述通道建立路径模型。
在其中一个实施例中,所述确定作业任务对应的目标设备,和所述目标设备所处的目标位置包括:
根据所述路径模型和所述目标设备获取所述目标位置和目标通道。
在其中一个实施例中,所述获取所述目标位置之间的路径集合,从所述路径集合中筛选出满足预设约束规则的候选路径集合之前包括:
接收所述预设约束规则的配置信息,确定所述预设约束规则;所述影响因子包括执行起始点、前后工序、设备重要分值、设备状态分值中的一种或多种。
在其中一个实施例中,所述基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径包括:
对所述候选路径集合中的个体路径进行选择运算,根据运算结果获取满足预设过滤条件的个体路径的第二路径集合;
对所述第二路径集合进行交叉运算产生新的个体路径,对新的个体路径进行选择运算,获取满足预设过滤条件的个体路径加入所述第二路径集合;
重复对所述第二路径集合进行选择运算、交叉运算,直至满足终止条件;
在满足所述终止条件的情况下,输出所述第二路径集合中的最优路径。
在其中一个实施例中,所述基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径包括:
对所述候选路径集合中的个体路径进行选择运算,根据运算结果获取满足预设过滤条件的个体路径的第二路径集合;
对所述第二路径集合进行变异运算产生新的个体路径,对新的个体路径进行选择运算,获取满足预设过滤条件的个体路径加入所述第二路径集合;
重复对所述第二路径集合进行选择运算、变异运算,直至满足终止条件;
在满足所述终止条件的情况下,输出所述第二路径集合中的最优路径。
在其中一个实施例中,所述直至满足终止条件包括:
获取所述选择运算的循环次数,在所述循环次数达到预设次数阈值的情况下,停止对所述第二路径集合进行选择运算,输出当前所述第二路径集合中的最优路径。
在其中一个实施例中,所述直至满足终止条件包括:
获取所述第二路径集合中每次选择运算输出的中间最优路径;
在连续预设次数的所述中间最优路径相同的情况下,停止对所述第二路径集合进行选择运算,输出相同的所述中间最优路径作为所述最优路径。
第二方面,本公开还提供了一种设备作业的工单生成装置。所述装置包括:
目标位置模块,用于确定作业任务对应的目标设备,和所述目标设备所处的目标位置;
候选路径集合模块,用于获取所述目标位置之间的路径集合,从所述路径集合中筛选出满足预设约束规则的候选路径集合,所述预设约束规则中包括多个决策设备作业顺序的影响因子,所述影响因子对应有不同的处理优先级;
遗传算法模块,用于基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径;
工单生成模块,用于根据所述目标设备作业顺序排列的最优路径生成目标设备作业的工单。
在其中一个实施例中,所述装置还包括路径模型模块,所述路径模型模块包括:
位置单元,用于根据设备的位置信息确定设备位置和所述设备位置之间的通道;所述设备位置对应一个或多个设备;
模型生成单元,用于根据所述设备位置和所述通道建立路径模型。
在其中一个实施例中,所述目标位置模块用于根据所述路径模型和所述目标设备获取所述目标位置和目标通道。
在其中一个实施例中,所述装置还包括:
约束规则模块,用于接收所述预设约束规则的配置信息,确定所述预设约束规则;所述影响因子包括执行起始点、前后工序、设备重要分值、设备状态分值中的一种或多种。
在其中一个实施例中,所述遗传算法模块包括:
选择单元,用于对所述候选路径集合中的个体路径进行选择运算,根据运算结果获取满足预设过滤条件的个体路径的第二路径集合;
交叉运算单元,用于对所述第二路径集合进行交叉运算产生新的个体路径,对新的个体路径进行选择运算,获取满足预设过滤条件的个体路径加入所述第二路径集合;
第二路径集合更新单元,用于重复对所述第二路径集合进行选择运算、交叉运算,直至满足终止条件;
终止条件单元,用于在满足所述终止条件的情况下,输出所述第二路径集合中的最优路径。
在其中一个实施例中,所述遗传算法模块包括:
选择单元,用于对所述候选路径集合中的个体路径进行选择运算,根据运算结果获取满足预设过滤条件的个体路径的第二路径集合;
变异运算单元,用于对所述第二路径集合进行变异运算产生新的个体路径,对新的个体路径进行选择运算,获取满足预设过滤条件的个体路径加入所述第二路径集合;
第二路径集合更新单元,用于重复对所述第二路径集合进行选择运算、变异运算,直至满足终止条件;
终止条件单元,用于在满足所述终止条件的情况下,输出所述第二路径集合中的最优路径。
在其中一个实施例中,所述终止条件单元包括:
循环次数子单元,用于获取所述选择运算的循环次数,在所述循环次数达到预设次数阈值的情况下,停止对所述第二路径集合进行选择运算,输出当前所述第二路径集合中的最优路径。
在其中一个实施例中,所述终止条件单元包括:
中间路径单元,用于获取所述第二路径集合中每次选择运算输出的中间最优路径;
连续判断单元,用于在连续预设次数的所述中间最优路径相同的情况下,停止对所述第二路径集合进行选择运算,输出相同的所述中间最优路径作为所述最优路径。
第三方面,本公开还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述设备作业的工单生成方法的步骤。
第四方面,本公开还提供了一种计算机可读存储介质。所述计算机可读存储介质,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上述设备作业的工单生成方法的步骤。
第五方面,本公开还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述设备作业的工单生成方法的步骤。
上述设备作业的工单生成方法、装置、计算机设备、存储介质和计算机程序产品,至少包括以下有益效果:
本公开通过确定作业任务的目标设备,对目标设备进行预设约束规则筛选以及遗传算法计算,根据预设约束规则对设备作业顺序进行约束,以及根据遗传算法得到满足预设约束规则且时间最短的最优路径,即可以根据目标设备的最优路径生成工单,节约了目标设备作业路径的时间成本,提高了对目标设备的作业效率;同时,工单的生成是基于具体的作业任务的预设约束条件,提高了工单准确性,减少了设备作业顺序失误。
附图说明
为了更清楚地说明本公开实施例或传统技术中的技术方案,下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中设备作业的工单生成方法的应用环境图;
图2为一个实施例中设备作业的工单生成方法的流程示意图;
图3为一个实施例中设备作业的工单生成方法的流程示意图;
图4为一个实施例中路径模型示意图;
图5为一个实施例中预设约束规则的配置界面示意图;
图6为一个实施例中设备作业的工单生成方法的流程示意图;
图7为一个实施例中设备作业的工单生成方法的流程示意图;
图8为一个实施例中设备作业的工单生成方法的流程示意图;
图9为一个实施例中设备作业的工单生成装置的结构框图;
图10为一个实施例中设备作业的工单生成装置的结构框图;
图11为一个实施例中设备作业的工单生成装置的结构框图;
图12为一个实施例中设备作业的工单生成装置的结构框图;
图13为一个实施例中设备作业的工单生成装置的结构框图;
图14为一个实施例中设备作业的工单生成装置的结构框图;
图15为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本申请的目的、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,此处描述的具体实施例仅仅用以解释本申请,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公开的技术领域的技术人员通常理解的含义相同。本文中在本公开的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本公开。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还是包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下,并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。例如若使用到第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
在此使用时,单数形式的“一”、“一个”和“所述/该”也可以包括复数形式,除非上下文清楚指出另外的方式。还应当理解的是,术语“包括/包含”或“具有”等指定所陈述的特征、整体、步骤、操作、组件、部分或它们的组合的存在,但是不排除存在或添加一个或更多个其他特征、整体、步骤、操作、组件、部分或它们的组合的可能性。同时,在本说明书中,术语“和/或”包括相关所列项目的任何及所有组合。
本申请实施例提供的设备作业的工单生成方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104可以根据作业任务确定该任务需要执行的目标设备,并生成目标设备作业的工单。目标设备作业的工单可以包括目标设备的信息(例如编号)、目标设备的目标位置和目标设备的作业顺序排序。服务器104可以将生成的工单派发至终端102。终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在本公开的一些实施例中,如图2所示,提供了一种设备作业的工单生成方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S10:确定作业任务对应的目标设备,和所述目标设备所处的目标位置。
具体地,作业任务可以是指通过执行操作若干设备以完成设定任务。作业任务至少包括该任务涉及的所有设备的信息(例如设备编号),根据设备的信息可以唯一确定被执行的设备。上述服务器可以根据预设的任务合集中的已知作业任务确定对应的目标设备。服务器还可接收录入的新增作业任务,根据录入的作业任务确定作业任务对应的目标设备。服务器确定作业任务对应的目标设备后,还可以根据目标设备获取到目标设备对应的目标位置。
步骤S20:获取所述目标位置之间的路径集合,从所述路径集合中筛选出满足预设约束规则的候选路径集合,所述预设约束规则中包括多个决策设备作业顺序的影响因子,所述影响因子对应有不同的处理优先级。
具体地,根据获取到的目标位置,可以通过遍历所有目标位置的方式得到若干条个体路径,每个个体路径中涵盖了作业任务涉及的所有目标位置。遍历得到的若干条个体路径形成了路径集合。服务器可以在路径集合中筛选满足预设约束规则的候选路径集合。预设约束规则可以由服务器预先配置,预设约束规则包括多个决策设备作业顺序的影响因子,影响因子对应有不同的处理优先级,处理优先级可以理解为影响因子对作业任务的影响程度优先级。因此预设约束规则可以在一定程度上约束目标设备作业的顺序,进而可以在路径集合中筛选出满足预设约束规则的个体路径形成候选路径集合。
步骤S30:基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径。
具体地,在获得候选路径集合后,基于遗传算法对候选路径集合中的个体路径进行计算。遗传算法通常是指通过模拟自然进化过程搜索最优解的方法。本实施例通过遗传算法,对候选路径集合中的个体路径进行扩充,并计算其特征参数,以特征参数作为衡量最优路径的标准。例如,可以以完成个体路径的时间作为衡量最优路径的标准。在对候选路径集合中的个体路径进行计算后,可以得到满足预设约束规则且时间最短的一条个体路径,以该路径作为目标设备作业顺序排列的最优路径。
步骤S40:根据所述目标设备作业顺序排列的最优路径生成目标设备作业的工单。
具体地,根据获得的目标设备作业顺序排列的最优路径,生成目标设备作业的工单。目标设备作业的工单上可以包括目标设备作业顺序列表,该列表按照最优路径对目标设备进行排序。服务器可以将生成的工单派发至终端,通过终端进行显示。
上述设备作业的工单生成方法中,通过确定作业任务的目标设备,对目标设备进行预设约束规则筛选以及遗传算法计算,根据预设约束规则对设备作业顺序进行约束,以及根据遗传算法得到满足预设约束规则且时间最短的最优路径,即可以根据目标设备的最优路径生成工单,节约了目标设备作业路径的时间成本,提高了对目标设备的作业效率;同时,工单的生成是基于具体的作业任务的预设约束条件,提高了工单准确性,减少了设备作业顺序失误。
在本公开的一些实施例中,如图3所示,步骤S10之前还包括:
步骤A10:根据设备的位置信息确定设备位置和所述设备位置之间的通道;所述设备位置对应一个或多个设备。
具体地,可以预先将设备信息和设备的位置信息进行汇总,以及确定设备位置和设备位置之间的通道。例如,可以根据汇总信息建立设备位置信息和设备信息的对应关系表,即可以通过设备信息(如设备编号)可以快速定位到该设备对应的设备位置。通道可以是指两个设备位置之间存在直达的路线,任意两个设备位置之间可以存在通道或者不存在通道。例如,可以将作业场所的所有设备进行汇总编号。在某些设备在一个设备位置时,或者某些设备两两之间存在通道且两两之间距离小于等于预设的阈值,可以将这些设备对应为一个目标位置,即设备位置可以对应一个设备或多个设备。
步骤A20:根据所述设备位置和所述通道建立路径模型。
具体地,参考图4所示的路径模型示意图,根据汇总设备位置、通道建立路径模型。图中圆形d1-圆形d6代表d1-d6这个6个设备位置,直线代表设备位置之间的通道。根据建立的路径模型,以供后续根据目标位置直接从路径模型中获取目标位置和目标位置之间的通道。
进一步地,在以完成个体路径的时间作为衡量最优路径的标准,通过对候选路径集合中的个体路径进行计算后,可以得到满足预设约束规则且时间最短的一条个体路径的情况下,可以根据路径模型计算两两设备位置通道所对应的时间。计算两两设备位置之间通道对应的时间可以通过通道的距离和该通道对应的速度计算。在建立路径模型后,可以获取每个通道的距离和速度。通道对应的速度可以根据通道的作业环境进行配置,例如,某一通道位于大型厂区之间,往往需要通过作业车通过,可以根据作业车的速度配置该通道的速度;某一通道位于复杂管廊通道、室内多层空间场所,往往需要通过步行通过,可以根据步行速度配置该通道的速度。如果某一通道涉及两段或两段以上不同的作业环境,可以根据每一段通道对应的作业环境计算对应的速度。根据路径模型和通道对应的时间,可以建立邻接矩阵,可以快速根据设备位置得到设备位置之间的通道以及通道对应时间。
本实施例通过预先构建的路径模型,可以快速直观的根据目标位置确定目标位置之间的通道。
在本公开的一些实施例中,步骤S10进一步包括:根据所述路径模型和所述目标设备获取所述目标位置和目标通道。
具体地,根据作业任务获取目标设备后,可以在路径模型中快速定位到目标位置和目标位置之间的通道。在一些实施例中,还可以根据基于路径模型建立的邻接矩阵获得目标位置之间的通道对应的时间。
本实施例通过预先建立的路径模型获取目标位置和目标位置之间的通道,提高了确定通道的速度。
在本公开的一些实施例中,步骤S20之前还包括:
接收所述预设约束规则的配置信息,确定所述预设约束规则;所述影响因子包括执行起始点、前后工序、设备重要分值、设备状态分值中的一种或多种。
具体地,服务器可以接收预设约束规则的配置信息,根据配置信息可以确定具体的预设约束规则。预设约束规则的影响因子可以包括执行起始点、前后工序、设备重要分值、设备状态分值中的一种或多种。服务器可以通过网络接口连接终端,通过终端的输入装置(例如显示器)接收预设约束规则的配置信息。参阅图5所示的预设约束规则的配置界面,可以通过配置界面接收对预设约束规则的配置信息。
其中,执行起始点可以是指目标设备中需要根据作业任务第一个被执行的目标设备的目标位置。通过配置执行起始点,可以生成对应的一条约束规则,选定执行起始点后,后续作业执行过程中执行起始点固定不变。若未配置执行起始点,即无相关的约束规则,在作业执行过程中可以选取任意一个目标位置作为起始位置。
前后工序可以是指基于作业任务某目标设备必须在另一目标设备执行之前或之后。例如,配置信息中指示目标设备A为目标设备B的前置工序,则会生成一条对应的约束规则,该约束规则会使得路径集合中所有个体路径中目标设备A的目标位置在目标设备B的目标位置之前。
设备重要分值可以通过分值数据来表征目标设备的重要程度。例如,可以按照重要程度为关键、重要、一般,对应配置设备重要分值为关键10分,重要5分,一般0分,则会对应生成一条对应的约束规则,该约束规则会使得同一个目标位置的目标设备的设备重要分值进行累加,分值更高的目标位置优先级更高,即设备重要分值高的目标位置在个体路径中优先排在前面顺序。
设备状态分值可以通过分值数据来表征目标设备的健康状态。例如,可以根据目标设备状态为故障、报警、正常,对应配置设备状态分值故障10分,报警5分,正常0分,则会对应生成一条对应的约束规则,该约束规则会使得同一个目标位置的目标设备的设备状态分值进行累加,分值更高的目标位置优先级更高,即设备状态分值高的目标位置在个体路径中优先排在前面顺序。可以使得优先处理故障设备,避免设备发生故障造成的负面停产。
上述示例的影响因子对应有不同的处理优先级,在一些实施例中,影响因子的优先级由高到低排序为:执行起始点、前后工序、设备重要分值、设备状态分值。当预设约束规则包含多条规则,影响因子存在冲突的时候,根据影响因子的优先级高低,优先考虑优先级较高的影响因子。例如,根据前后工序对应规则中约束目标设备A为目标设备B的前置工序,设备重要分值对应规则约束目标设备B为关键设备、目标设备A为一般设备;那么根据优先级计算的时候只考虑前后工序约束的目标设备A排列在目标设备B前面。当两个目标设备的设备重要分值一样的时候,按照低优先级的设备状态分值排序。
本实施例通过对预设约束规则配置,可以根据执行起始点、前后工序、设备重要分值、设备状态分值中的一种或多种对最优路径进行约束,使得工单的生成更加适配作业任务,提高工单派发准确性。
在一些实施例中,上述步骤S20中,筛选出满足预设约束规则的候选路径集合可以采用以下公式计算获得:
可以对目标位置进行数字编号,便于后续计算。
最优路径R=[R1 …… Ri ……],R为一维矩阵,表示最优路径依次经过的目标位置,Ri表示第i个经过的目标位置。
O=[O1 …… Oi ……],O为一维矩阵,Oi表示目标位置i在最优路径上的位置,ORi=i。
矩阵E为N×N矩阵,N为目标位置个数,Eij表示目标位置i到目标位置j是否在最优路径上,可以用1表示在,用0表示不在。例如,ERi,Ri+1=1,i=(0,……,N-1),则目标位置i到目标位置i+1在最优路径上。
V为N×N的时间矩阵,Vij表示目标位置i到目标位置j所需的时间。如果目标位置i到目标位置j存在直达通道,则可以直接获取其时间;如果目标位置i到目标位置j不存在直达通道,则可以根据路径模型获取目标位置i到目标位置j之间多个直达通道的时间和的最小值。
其中,W为N×M的影响因子矩阵,M可以为影响因子个数,Ck为放大系数,可以设定k越大,影响因子的重要程度越高,即权重越高。例如,可以设定Ck=10k。
其中,i为依赖矩阵行数,p为前后工序的约束规则数量。D为前后工序矩阵,Di0和Di1可以表示第i行元素中,Di1为Di0的前置目标位置。
上述公式中,公式(1)可以表示最优路径所经过路径的权重和最小化,为优化目标。公式(2)、公式(3)可以保证每个目标位置节点只经过一次。公式(4)可以确保任意两个目标位置节点之间,优先级更高的排序靠前。公式(5)可以确保任意两个目标位置节点之间满足前后工序的约束规则。
在本公开的一些实施例中,如图6所示,上述步骤S30进一步包括:
步骤S312:对所述候选路径集合中的个体路径进行选择运算,根据运算结果获取满足预设过滤条件的个体路径的第二路径集合。
具体地,根据预设约束规则,可以获得输出的候选路径集合。候选路径集合中的一个路径作为个体路径。基于遗传算法,个体路径的染色体编码以经过位置路径按照X=1-2-3-4-5-6-7-8-9的方式编码。候选路径集合中包括N个个体路径,N数量可配置。在一些实施例中,可以随机选择部分满足预设约束规则的个体路径作为候选路径集。
遗传算法中以个体适应度的大小来评定各个个体的优劣程度,从而决定其遗传机会的大小。对候选路径集合中的N条初始路径进行适应度评价。在一些实施例中,适应度函数为求解的路径所花费时间,路径所花费时间长越短越好。适应度函数可以参考如下:
前述公式(1)以直接作为适应度估算形式。
公式(2)、公式(3)可以作为初始化以及交叉变异保证。
公式(4)、公式(5)可以对个体路径的所有点组合进行验证,因此无法在交叉变异时验证,所以通过加权的形式与公式(1)相加,作为适应度的一部分,最终适应度的表达式:
其中,α为可调系数,通过调节α到较大值可以让算法优先保证其约束。公式(5)直接作为遗传算法选择时的过滤条件。
根据公式(6)可以选用轮盘赌算法选择适应度高的个体路径组成第二路径集合,作为后续交叉算法的输入。
步骤S314:对所述第二路径集合进行交叉运算产生新的个体路径,对新的个体路径进行选择运算,获取满足预设过滤条件的个体路径加入所述第二路径集合。
具体地,交叉运算通常是指遗传算法中产生新个体的主要操作过程,它以某一概率相互交换某两个个体之间的部分染色体。交叉的概率可以通过配置调整,交叉概率可以选择0.4—0.9。
根据预设约束规则的约束,每个目标位置只能经过一次,所以两条个体路径进行交叉的时候会发生路径存在重复节点的情况。因此这里不能做简单的交叉,参考示例性的下表一,需要将序号1和2的个体路径中的第二个位置交叉(即编号7和6交叉),实际上是在序号1的个体路径中查找序号2的个体路径中重复的编号6进行位置调换,完成交叉运算。
表一
需要注意的是,交叉运算后产生新的个体路径同样需要受到预设约束条件的约束。对新的个体路径参照公式(6)进行选择运算,获取满足预设过滤条件的个体路径加入第二路径集合。
步骤S316:重复对所述第二路径集合进行选择运算、交叉运算,直至满足终止条件。
步骤S318:在满足所述终止条件的情况下,输出所述第二路径集合中的最优路径。
具体地,新的个体路径加入第二路径集合后,重复对第二路径集合进行选择运算、交叉运算,不断的产生新的个体路径。直至重复进行选择运算、交叉运算达到终止条件时,停止进行选择运算、交叉运算,并输出第二路径集合中的最优路径。
本实施例通过交叉运算不断的生成新的个体路径,扩充第二路径集合,更加充分的选择计算出最优路径。
在本公开的一些实施例中,如图7所示,上述步骤S30进一步包括:
步骤S322:对所述候选路径集合中的个体路径进行选择运算,根据运算结果获取满足预设过滤条件的个体路径的第二路径集合。
具体地,步骤S322的描述可以参考上述步骤S312的描述,在此不做赘述。
步骤S324:对所述第二路径集合进行变异运算产生新的个体路径,对新的个体路径进行选择运算,获取满足预设过滤条件的个体路径加入所述第二路径集合。
具体地,变异运算通常是指对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变,它也是产生新个体的一种操作方法。变异概率可以选择0.0001—0.1。在一些实施例中,可以采用连续的几个目标位置反转变异的方法来进行变异运算,其具体操作过程可以参考如下示例表二。
表二
需要注意的是,变异运算后产生新的个体路径同样需要受到预设约束条件的约束。对新的个体路径参照公式(6)进行选择运算,获取满足预设过滤条件的个体路径加入第二路径集合。
步骤S326:重复对所述第二路径集合进行选择运算、变异运算,直至满足终止条件。
步骤S328:在满足所述终止条件的情况下,输出所述第二路径集合中的最优路径。
具体地,新的个体路径加入第二路径集合后,重复对第二路径集合进行选择运算、变异运算,不断的产生新的个体路径。直至重复进行选择运算、变异运算达到终止条件时,停止进行选择运算、变异运算,并输出第二路径集合中的最优路径。
本实施例通过变异运算不断的生成新的个体路径,扩充第二路径集合,更加充分的选择计算出最优路径。
在本公开的一些实施例中,上述步骤S318或者步骤S328中,直至满足终止条件包括进一步包括:
获取所述选择运算的循环次数,在所述循环次数达到预设次数阈值的情况下,停止对所述第二路径集合进行选择运算,输出当前所述第二路径集合中的最优路径。
具体地,可以根据进化代数的循环次数(即选择运算的循环次数)来判断是否满足终止条件。响应于循环次数达到预设次数阈值,停止对第二路径集合进行选择运算,输出当前第二路径集合中的最优路径。需要注意的是,预设次数阈值的设置太小会导致还没有找到最优解就结束;设置太大又会导致已经收敛还继续计算造成时间浪费。
本实施例通过选择运算的循环次数来判断是否满足终止条件,可以在找到最优路径的情况下及时终止循环,减少运算和时间浪费。
在本公开的一些实施例中,如图8所示,上述步骤S318或者步骤S328中,直至满足终止条件包括进一步包括:
步骤B10:获取所述第二路径集合中每次选择运算输出的中间最优路径。
具体地,对第二路径集合进行选择运算后,可以获得满足预设过滤条件的个体路径,此时可以输出当前选择运算结果下的最优路径,即中间最优路径。随着循环运算,第二路径集合不断进行更新,并持续输出每一次选择运算下的中间最优路径。
步骤B20:在连续预设次数的所述中间最优路径相同的情况下,停止对所述第二路径集合进行选择运算,输出相同的所述中间最优路径作为所述最优路径。
具体地,将获取到的中间最优路径进行对比判断,响应于连续预设次数的中间最优路径相同,停止对第二路径集合进行选择运算,输出相同的中间最优路径作为最优路径。
本实施例通过中间最优路径是否连续次数相同来判断遗传算法是否已经收敛,根据遗传算法是否收敛判断是否满足终止条件,可以在找到最优路径的情况下及时终止循环,减少运算和时间浪费。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本公开实施例还提供了一种用于实现上述所涉及的设备作业的工单生成方法的设备作业的工单生成装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个设备作业的工单生成装置实施例中的具体限定可以参见上文中对于设备作业的工单生成方法的限定,在此不再赘述。
所述装置可以包括使用了本说明书实施例所述方法的系统(包括分布式系统)、软件(应用)、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思,本公开实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似,因此本说明书实施例具体的装置的实施可以参见前述方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
在本公开的一些实施例中,如图9所示,提供了一种设备作业的工单生成装置,所述装置可以为前述所述服务器,或者集成于终端或服务器的模块、组件、器件、单元等。该装置Z00可以包括:
目标位置模块Z10,用于确定作业任务对应的目标设备,和所述目标设备所处的目标位置;
候选路径集合模块Z20,用于获取所述目标位置之间的路径集合,从所述路径集合中筛选出满足预设约束规则的候选路径集合,所述预设约束规则中包括多个决策设备作业顺序的影响因子,所述影响因子对应有不同的处理优先级;
遗传算法模块Z30,用于基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径;
工单生成模块Z40,用于根据所述目标设备作业顺序排列的最优路径生成目标设备作业的工单。
在本公开的一些实施例中,如图10所示,所述装置Z00还包括路径模型模块Z50,所述路径模型模块Z50包括:
位置单元Z52,用于根据设备的位置信息确定设备位置和所述设备位置之间的通道;所述设备位置对应一个或多个设备;
模型生成单元Z54,用于根据所述设备位置和所述通道建立路径模型。
在本公开的一些实施例中,所述目标位置模块用于根据所述路径模型和所述目标设备获取所述目标位置和目标通道。
在本公开的一些实施例中,如图11所示,所述装置Z00还包括:
约束规则模块Z60,用于接收所述预设约束规则的配置信息,确定所述预设约束规则;所述影响因子包括执行起始点、前后工序、设备重要分值、设备状态分值中的一种或多种。
在本公开的一些实施例中,如图12所示,所述遗传算法模块Z30包括:
选择单元Z32,用于对所述候选路径集合中的个体路径进行选择运算,根据运算结果获取满足预设过滤条件的个体路径的第二路径集合;
交叉运算单元Z341,用于对所述第二路径集合进行交叉运算产生新的个体路径,对新的个体路径进行选择运算,获取满足预设过滤条件的个体路径加入所述第二路径集合;
第二路径集合更新单元Z36,用于重复对所述第二路径集合进行选择运算、交叉运算,直至满足终止条件;
终止条件单元Z38,用于在满足所述终止条件的情况下,输出所述第二路径集合中的最优路径。
在本公开的一些实施例中,如图13所示,所述遗传算法模块Z30包括:
选择单元Z32,用于对所述候选路径集合中的个体路径进行选择运算,根据运算结果获取满足预设过滤条件的个体路径的第二路径集合;
变异运算单元Z342,用于对所述第二路径集合进行变异运算产生新的个体路径,对新的个体路径进行选择运算,获取满足预设过滤条件的个体路径加入所述第二路径集合;
第二路径集合更新单元Z36,用于重复对所述第二路径集合进行选择运算、变异运算,直至满足终止条件;
终止条件单元Z38,用于在满足所述终止条件的情况下,输出所述第二路径集合中的最优路径。
在本公开的一些实施例中,所述终止条件单元包括:
循环次数子单元,用于获取所述选择运算的循环次数,在所述循环次数达到预设次数阈值的情况下,停止对所述第二路径集合进行选择运算,输出当前所述第二路径集合中的最优路径。
在本公开的一些实施例中,如图14所示,所述终止条件单元Z38包括:
中间路径单元Z382,用于获取所述第二路径集合中每次选择运算输出的中间最优路径;
连续判断单元Z384,用于在连续预设次数的所述中间最优路径相同的情况下,停止对所述第二路径集合进行选择运算,输出相同的所述中间最优路径作为所述最优路径。
上述设备作业的工单生成装置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。需要说明的是,本公开实施例中对模块的划分是示意性的,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。
基于前述设备作业的工单生成方法的实施例描述,在本公开提供的另一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图15所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种设备作业的工单生成方法。
本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
基于前述设备作业的工单生成方法的实施例描述,在本公开提供的另一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
基于前述设备作业的工单生成方法的实施例描述,在本公开提供的另一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
在本说明书的描述中,参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性描述不一定指的是相同的实施例或示例。
可以理解的是,本说明书中上述方法的各个实施例均采用递进的方式描述,各个实施例之间相同/相似的部分互相参见即可,每个实施例重点说明的都是与其它实施例的不同之处。相关之处参见其他方法实施例的描述说明即可。
上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开构思的前提下,还可以作出若干变形和改进,这些都属于本公开的保护范围。因此,本公开专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种设备作业的工单生成方法,其特征在于,所述方法包括:
确定作业任务对应的目标设备,和所述目标设备所处的目标位置;
获取所述目标位置之间的路径集合,从所述路径集合中筛选出满足预设约束规则的候选路径集合,所述预设约束规则中包括多个决策设备作业顺序的影响因子,所述影响因子对应有不同的处理优先级;
基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径;
根据所述目标设备作业顺序排列的最优路径生成目标设备作业的工单。
2.根据权利要求1所述的方法,其特征在于,在所述确定作业任务对应的目标设备,和所述目标设备所处的目标位置之前包括:
根据设备的位置信息确定设备位置和所述设备位置之间的通道;所述设备位置对应一个或多个设备;
根据所述设备位置和所述通道建立路径模型。
3.根据权利要求2所述的方法,其特征在于,所述确定作业任务对应的目标设备,和所述目标设备所处的目标位置包括:
根据所述路径模型和所述目标设备获取所述目标位置和目标通道。
4.根据权利要求1所述的方法,其特征在于,所述获取所述目标位置之间的路径集合,从所述路径集合中筛选出满足预设约束规则的候选路径集合之前包括:
接收所述预设约束规则的配置信息,确定所述预设约束规则;所述影响因子包括执行起始点、前后工序、设备重要分值、设备状态分值中的一种或多种。
5.根据权利要求1所述的方法,其特征在于,所述基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径包括:
对所述候选路径集合中的个体路径进行选择运算,根据运算结果获取满足预设过滤条件的个体路径的第二路径集合;
对所述第二路径集合进行交叉运算产生新的个体路径,对新的个体路径进行选择运算,获取满足预设过滤条件的个体路径加入所述第二路径集合;
重复对所述第二路径集合进行选择运算、交叉运算,直至满足终止条件;
在满足所述终止条件的情况下,输出所述第二路径集合中的最优路径。
6.根据权利要求1所述的方法,其特征在于,所述基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径包括:
对所述候选路径集合中的个体路径进行选择运算,根据运算结果获取满足预设过滤条件的个体路径的第二路径集合;
对所述第二路径集合进行变异运算产生新的个体路径,对新的个体路径进行选择运算,获取满足预设过滤条件的个体路径加入所述第二路径集合;
重复对所述第二路径集合进行选择运算、变异运算,直至满足终止条件;
在满足所述终止条件的情况下,输出所述第二路径集合中的最优路径。
7.根据权利要求5或6所述的方法,其特征在于,所述直至满足终止条件包括:
获取所述选择运算的循环次数,在所述循环次数达到预设次数阈值的情况下,停止对所述第二路径集合进行选择运算,输出当前所述第二路径集合中的最优路径。
8.根据权利要求5或6所述的方法,其特征在于,所述直至满足终止条件包括:
获取所述第二路径集合中每次选择运算输出的中间最优路径;
在连续预设次数的所述中间最优路径相同的情况下,停止对所述第二路径集合进行选择运算,输出相同的所述中间最优路径作为所述最优路径。
9.一种设备作业的工单生成装置,其特征在于,所述装置包括:
目标位置模块,用于确定作业任务对应的目标设备,和所述目标设备所处的目标位置;
候选路径集合模块,用于获取所述目标位置之间的路径集合,从所述路径集合中筛选出满足预设约束规则的候选路径集合,所述预设约束规则中包括多个决策设备作业顺序的影响因子,所述影响因子对应有不同的处理优先级;
遗传算法模块,用于基于遗传算法对所述候选路径集合进行计算,得到所述目标设备作业顺序排列的最优路径;
工单生成模块,用于根据所述目标设备作业顺序排列的最优路径生成目标设备作业的工单。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210891194.3A CN115358532A (zh) | 2022-07-27 | 2022-07-27 | 设备作业的工单生成方法、装置、计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210891194.3A CN115358532A (zh) | 2022-07-27 | 2022-07-27 | 设备作业的工单生成方法、装置、计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115358532A true CN115358532A (zh) | 2022-11-18 |
Family
ID=84031475
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210891194.3A Pending CN115358532A (zh) | 2022-07-27 | 2022-07-27 | 设备作业的工单生成方法、装置、计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358532A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879499A (zh) * | 2023-06-21 | 2023-10-13 | 清华大学 | 道路传感器布设位置的确定方法、装置及计算机设备 |
-
2022
- 2022-07-27 CN CN202210891194.3A patent/CN115358532A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879499A (zh) * | 2023-06-21 | 2023-10-13 | 清华大学 | 道路传感器布设位置的确定方法、装置及计算机设备 |
CN116879499B (zh) * | 2023-06-21 | 2024-02-13 | 清华大学 | 道路传感器布设位置的确定方法、装置及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7213007B2 (en) | Method for forecasting using a genetic algorithm | |
CN110352415B (zh) | 大规模数据管理系统中利用图团体监测的预测表预连接 | |
Onwubolu et al. | Optimal path for automated drilling operations by a new heuristic approach using particle swarm optimization | |
US10642257B2 (en) | Tree search-based scheduling method and electronic apparatus using the same | |
Petrosov et al. | Large discrete systems evolutionary synthesis procedure | |
Page | On incentives and updating in agent based models | |
Yang et al. | Designing fuzzy supply chain network problem by mean-risk optimization method | |
EP3239905A1 (en) | Methods and apparatus for use in predicting non-stationary time-series data | |
CN115660380B (zh) | 货到人拣选的订单处理方法及装置 | |
Tseng | Guided genetic algorithms for solving a larger constraint assembly problem | |
CN115358532A (zh) | 设备作业的工单生成方法、装置、计算机设备 | |
Luo | A sequence learning harmony search algorithm for the flexible process planning problem | |
CN113657812A (zh) | 一种基于大数据和算法的门店运营智慧决策的方法和系统 | |
Vaghefinezhad et al. | A genetic algorithm approach for solving a flexible job shop scheduling problem | |
Desmet et al. | Safety stock optimisation in two-echelon assembly systems: normal approximation models | |
US20130103456A1 (en) | Method, system and program storage device for production planning | |
CN113641471B (zh) | 基于遗传算法模型的软负载调度方法、装置、设备及介质 | |
CN106709572A (zh) | 一种数据处理方法及设备 | |
CN109902851B (zh) | 一种生产计划的确定方法以及装置 | |
CN111639888A (zh) | 仓库出库量预测方法、装置、计算机设备及存储介质 | |
CN117151672B (zh) | 用于药企销售人员的智能排班方法、设备及存储介质 | |
JP2019164398A (ja) | 在庫管理システムおよびプログラム | |
CN117875619A (zh) | 作业车间调度方法、装置、设备、存储介质和程序产品 | |
Kremljak | OPTIMISING PRODUCTION SYSTEMS USING GENETIC ALGORITHMS. | |
US20230222437A1 (en) | Method and system for initiating object transfer |
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 |