CN115564146A - 一种以改进的粒子群算法为内核的分组车间作业调度方法 - Google Patents

一种以改进的粒子群算法为内核的分组车间作业调度方法 Download PDF

Info

Publication number
CN115564146A
CN115564146A CN202211442450.7A CN202211442450A CN115564146A CN 115564146 A CN115564146 A CN 115564146A CN 202211442450 A CN202211442450 A CN 202211442450A CN 115564146 A CN115564146 A CN 115564146A
Authority
CN
China
Prior art keywords
machine
particle
current
workpiece
information table
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
CN202211442450.7A
Other languages
English (en)
Other versions
CN115564146B (zh
Inventor
王鏐璞
赵鹏
周柚
徐征
刘妍妤
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202211442450.7A priority Critical patent/CN115564146B/zh
Publication of CN115564146A publication Critical patent/CN115564146A/zh
Application granted granted Critical
Publication of CN115564146B publication Critical patent/CN115564146B/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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06Q10/063118—Staff planning in a project environment
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Manufacturing & Machinery (AREA)
  • Biophysics (AREA)
  • Biodiversity & Conservation Biology (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

本发明属于用于预测最优调度结果的数据处理领域，涉及一种以改进的粒子群算法为内核的分组车间作业调度方法，包括以下步骤：（1）将分组车间所有的加工方案储存到excel表，读取所有工件、机器信息，整理成两个dataframe，分别命名为工件信息表和机器信息表；（2）读取所有工件信息和机器信息，利用改进的粒子群算法计算机器余量矩阵pre；（3）根据改进的粒子群算法获得的机器余量矩阵pre进行初次调度；（4）读取初次调度获得的机器信息表和工件信息表矩阵，开始迭代优化调度结果。该方法可以确定一个良好的调度结果，并为调度结果进行调度优化，获得更优的调度结果，解决调度不平均的问题。

Description

一种以改进的粒子群算法为内核的分组车间作业调度方法
技术领域
本发明属于车间生产调度时用于预测最优调度结果的数据处理领域，具体涉及一种以改进的粒子群算法为内核的分组车间作业调度方法。
背景技术
调度问题一直是现代工业生产中重要的一类问题，好的调度算法能够极大的合理分配生产资源，进一步提高生产力。分组车间调度是调度问题中的特殊一类，对于分组车间调度，由于加工过程中需要并行加工若干给定种工件，工件的数量和种类都已经给定，且每一种工件都对应着一种独特的加工工艺，而加工工艺涉及到一系列已经给定种类的机器；在不同种工件的加工工艺方案中，同一时刻可能会有不同种的加工机器进行加工，因此在整个加工过程中，不同时间所需的机器可能不同；工件的整个加工流程中，所需的加工机器也可能不同；但不论如何选择确定加工机器，所需的加工总时间都固定。在加工过程中，每一机器在同一时刻只能加工一个工件，由于所有的工件在同一时刻进行并行加工，所以整个机器加工时间就是加工时长最长的那种工件所需的加工时间。调度问题的满意指标为希望能让整个所有加工流程中，任意一时间段内，任一种机器所需数量尽可能平均，也可以解读为需要任一一种机器的最大需要数量最小。
现有技术在解决分组车间调度问题中，由于分组车间调度问题的约束可能性众多，很多专门的特殊约束和特殊要求并没有优秀的算法进行处理，无法使其在有效时间内快速完成调度排序，令约束达到优秀满意的结果。
发明内容
鉴于上述技术问题，本发明的目的在于提供一种以改进的粒子群算法为内核的分组车间作业调度方法，该方法以改进的粒子群算法为内核，利用改进的粒子群算法确定一个良好的调度结果，并为调度结果进行调度优化，获得更优的调度结果，解决调度不平均的问题。
为实现上述目的，本发明采用如下技术方案：
一种以改进的粒子群算法为内核的分组车间作业调度方法，该方法包括以下步骤：
步骤S1、将分组车间所有的加工方案储存到excel表，读取excel表内所有工件、机器信息，整理成两个dataframe，分别命名为工件信息表df_w和机器信息表df_m；其中，所述工件信息表df_w内包含工件名称、工件种类、加工工艺方案；所述机器信息表df_m内包含机器名称、机器每单位时间所需数量信息；dataFrame是编程语言python中pandas包内的一个表格型的代表性数据结构，既有行索引也有列索引；
步骤S2、利用粒子群算法计算机器余量矩阵pre；
步骤S2.1 读取所有工件信息和机器信息；
步骤S2.2 根据每个机器与其相关的加工工艺方案，整理出N个机器约束列表；所述机器约束列表为n×4大小的列表；其中，n为所有加工工艺方案中涉及到机器约束列表中相关机器的数量；列表的4列分别表示：涉及到机器约束列表中相关机器的加工工艺方案对应的工件组内的工件数量、加工的最小起始时间、加工的最大结束时间与加工时长的差值、加工时长；在制作约束列表时，如果在当前加工工艺方案中，机器是处于一个任选状态，则将该加工工艺方案的工件数量乘以当前机器所被选择的几率后再填入；
步骤S2.3 根据步骤S2.2所得机器约束列表的信息，随机初始化一定数量的粒子矩阵生成种群，同时每个粒子生成对应的储存每个粒子最优结果的记忆矩阵；其中，每一个粒子为n×m大小的矩阵，m为所涉及到所有加工方案中最大的加工时长；粒子矩阵中每一元素都代表着某一时刻由当前机器所开始加工的工件的数量，粒子矩阵中的每一行与机器约束列表中每一行所对应的数据进行相对应，在初始化生成时，满足当前行工件总数等于机器约束列表中当前行中对应的加工工件数量；在生成粒子时，满足在机器约束列表对应行所对应的时间区间内进行生成粒子；
步骤S2.4 对每个粒子矩阵进行解码，计算每个粒子适应度，将适应度最高的粒子作为当前最优粒子；
步骤S2.5 每个粒子根据当前最优粒子和其记忆矩阵进行计算，计算出其目标粒子；
步骤S2.6 每个粒子向其目标粒子移动，并根据0.1的变异率选择变异，记录更新每个粒子的记忆矩阵；
步骤S2.7 判断是否满足迭代条件或终止条件；若否，则重复步骤S2.4～S2.6；若是，则保留最优粒子，将其行进行压缩，保留成一个机器每单位时间加工余量数组；之后将所有机器的每单位时间加工余量数组进行整合，存储在机器余量矩阵pre；
步骤S3、根据改进的粒子群算法计算得到的机器余量矩阵pre进行初次调度，若当前调度结果满足机器信息表df_m的总体的方差要求，则调度过程结束；若不满足，则执行步骤S4；
步骤S4、读取机器信息表df_m和工件信息表df_w矩阵，开始迭代优化调度结果。
作为本发明的优选，步骤S2随机初始化100个粒子，迭代1000次。
作为本发明的优选，步骤S2.2中机器第1阶段加工的最小起始时间为1，第b阶段加工的最小起始时间=1+已加工的加工时长；机器不同阶段的加工的最大结束时间=该阶段加工的最小起始时间+该阶段的加工时长。
作为本发明的优选，步骤S2.4粒子适应度的计算方法为：若在粒子矩阵中第x行y列的值为a，在对应列表的x行的加工时间为t，则在x行的y、y+1、y+2...y+t-1列依次加上a；将矩阵的每一个元素都进行展开后，将每一列的所有值进行累加，得到一个新的1×m大小的数组res，求出该数组res的方差，将其作为当前粒子的适应度。
作为本发明的优选，步骤S2.5目标粒子的计算方法为：将当前最优粒子的矩阵乘以权重c1，将当前粒子的记忆矩阵乘以权重c2，并将两个结果进行加和得到目标粒子。
作为本发明的优选，步骤S2.6粒子的移动方法为：移动前先是初始化一个记录变量count，其值为0；之后开始移动，在处理粒子的第x行时，首先去对应机器约束列表第x行获取当前行所代表机器的加工时间区间，在区间内随机取一个整数时间点，在当前时间点，令目标粒子的工件数量减去非目标粒子对应的工件数量并乘以r，向上取整获得结果i；将目标粒子当前时间点的值加上i，同时令count减去i；接着再随机下一个时间点，同样处理，直到只剩下一个时间点；在最后这个时间点，将其值直接与count相减；
在上述粒子移动过程中，移动时首先利用random.random()取一个随机数，若其小于0.1，则当前行不进行移动，同时根据列表中当前行重新进行随机初始化。
作为本发明的优选，所述步骤S3具体包括以下步骤：
步骤S3.1 访问工件信息表df_w，依次处理工件信息表df_w内每个工件的信息，获得当前工件的加工工艺方案存储路径并读取，获得加工工艺方案的具体信息；
步骤S3.2 根据机器余量矩阵pre判断当前工件当前时刻应当选择的机器，并将每一阶段机器选择信息写入到工件信息表df_w中；在每一时刻进行决策选择机器时，若只有一个机器可供选择，则直接写入到工件信息表df_w中；若有多种选择，则查询机器余量矩阵pre，选出在当前时间点中机器中剩余名额最多的机器；若有多种机器且剩余余额相同，则在其中随机选择一个机器，并更新机器余量矩阵pre，将当前时间点当前机器的名额减1；若查询机器余量矩阵pre时所有机器都没有名额，则选择绝对值最小的机器，同时仍然将当前时间点当前机器的名额减1；
步骤S3.3 依次处理每一个工件直至全部工件调度完毕，根据写入后的工件信息表df_w更新机器信息表df_m；
步骤S3.4 判断当前调度结果是否满足机器信息表df_m的总体的方差要求；若否，则执行步骤S4；若是，则调度过程结束。
作为本发明的优选，所述步骤S4具体包括以下步骤：
步骤S4.1 读取机器信息表df_m和工件信息表df_w；
步骤S4.2 在机器信息表df_m中顺序读取，每三个单位时间比较一次，查到当前三个单位时间内加工最多工件的时间点，保存当前时间点和对应的机器名，并记录当前机器信息表df_m读取位置；
步骤S4.3 去工件信息表df_w中顺序搜索，找到一个在步骤S4.2保存的当前时间点用对应的机器名加工的工件；
步骤S4.4 判断步骤S4.3找到的工件当前时间是否可以被其他机器加工；若是，则执行步骤S4.5；若否，则重复步骤S4.3；
步骤S4.5 重新进行一定次数随机，并对每一次随机计算机器信息表df_m的总体的方差，记录下有较优提升的总次数和最优提升的工件信息表df_w和机器信息表df_m；
步骤S4.6 判断提升次数是否超过两次；若是，则重复迭代步骤S4.5的流程；若否，则执行步骤S4.7；
步骤S4.7 判断当前时间点随机选定的机器加工工件是否还是比周围三个时间点加工数量多，若是，则执行步骤S4.8；若否，则执行步骤S4.9；
步骤S4.8 判断工件信息表df_w是否搜索完毕；若否，则执行步骤S4.3；若是，则执行步骤S4.9；
步骤S4.9更新工件信息表df_w和机器信息表df_m；
步骤S4.10 判断机器信息表df_m的总体的方差是否满足条件；若是，则结束；若否，则执行步骤S4.2。
作为本发明的优选，粒子移动时，当最后时间点与count相减为负数时，采用以下处理方式：迭代找到目前排好的其他时间点中与当前最优粒子的差值，依次找到差值最大且为正的点，将其减1，并将负数点加1，直到负数点非负为止。
本发明的优点和有益效果：
（1）本发明提供的调度方法通过对分组车间调度问题进行归纳，利用改进的粒子群算法为内核可以得到一个较优的调度结果，通过在已经较优的调度结果上进行优化，可以获得更优的调度结果，解决调度不平均的问题，采用该调度方法能够在有效时间内快速完成调度排序，并令约束达到优秀满意的结果。
（2）本发明所提供算法不局限于解决不平均的问题，还可以为中等规模的加工业进行分配预测：在提供加工方案后对所需要消耗的加工资源进行分配，同时对所需最小加工资源进行预测。这里加工资源特指在加工过程中所需的加工机器的数量。涉及到的加工业可以包括如加工半导体制造中的晶片制造部分等制作规范复杂及产品工序组合多样化的加工业。
（3）本发明提供的调度方法进行调度后机器信息表方差数值为7482.30941358025，而以传统纯随机算法为内核进行调度的方差结果为10338.24614197531，以遗传算法为内核进行调度的方差结果为8432.438271604937，通过对比可以明显体现出本发明调度方法的优势。
（4）本发明提供的调度方法还可用于医院轮转排班，经过医院轮转排班实例测试，并与医院当前结果进行实际对比，调度后的方差明显小于医院系统内进行调度后方差数值（医院系统内进行调度后方差数值为9148.393518518518），调度决策性能提升约24%。
附图说明
图1为本发明调度方法的流程图；
图2为本发明利用粒子群算法计算机器余量矩阵pre的流程图；
图3为本发明优化调度结果的流程图；
图4为粒子移动轨迹示意图；
图5为三个工件组的加工方案信息表的示意图；
图6为工件信息表df_w的示意图；
图7为机器信息表df_m的示意图；
图8为机器M1的约束列表的示意图；
图9为粒子矩阵的示意图；
图10为粒子矩阵转化成的数组res的示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例1 小规模分组车间调度实例
为了便于划分，将全局内单次加工所需时间最小的机器所需加工时间设置为单位1，所有工件在机器加工中所需时间都为正整数。在研究中，令加工具有连贯性，切换机器以及与加工工艺方案不同的时间都忽略不计。为达到调度的满意指标，即：希望在整个加工过程中，任一种机器在全部调用时间内，所需要的机器数量（所加工的工件数量）尽可能平均，本发明提供一种以改进的粒子群算法为内核的分组车间作业调度方法，该方法包括以下步骤：
步骤S1、前期准备：将分组车间所有的加工方案储存到excel表，excel表内包括工件种类、工件数量、工件加工工艺方案；
下面以三个工件组（三种工件）为例，每个工件组都包含两个工件，同一工件组内的两个工件遵循相同的加工方案，汇总后的加工方案信息表（excel表）如图5所示，图5中，阶段Oabc的含义为：第a种工件的第b个阶段需要选择c个不同种机器进行加工；机器下对应的数字为第a种工件的第b个阶段若选择该机器所用的加工时长。
对于获取的加工方案信息表，利用python的pandas的表格处理方法对加工方案进行解读，根据已经给定的信息，将所有工件的信息（包括每个工件的每一时间机器处理信息，初始化时为空）转化成dataframe，命名为工件信息表df_w，再将所有机器的每一时间所需数量信息转化为另一个dataframe，命名为机器信息表df_m；dataFrame是编程语言python中pandas包内的一个表格型的代表性数据结构，既有行索引也有列索引；
本发明根据加工方案信息表所获得的工件信息表df_w有多种调度结果，图6示意了其中一种调度结果的工件信息表df_w，图7为根据图6的工件信息表df_w所获得的机器信息表df_m。图6中，Gab代表第a种工件中第b个工件；图7的机器信息表df_m中的每一个数据代表当前种机器在当前时刻需要的数量。
步骤S2、利用粒子群算法计算机器余量矩阵pre；
步骤S2.1读取所有工件信息和机器信息；
步骤S2.2 根据每个机器与其相关的加工工艺方案，整理出N个机器约束列表；
首先根据工件信息表df_w内信息获得每一工件的种类，并根据不同种类读取到它们的加工工艺方案信息；之后针对机器信息表df_m内的每一种机器都制作出一个n×4大小的列表；其中，n为所有加工工艺方案中涉及到机器约束列表中相关机器的数量；列表的4列分别表示：涉及到机器约束列表中相关机器的方案对应的工件组内的工件数量、加工的最小起始时间（时间上限）、加工的最大结束时间与加工时长的差值（时间下限）、加工时长。
本实施例按照上述方法制定出机器M1的约束列表，如图8所示，图8中机器M1第1阶段加工的最小起始时间为1，第b阶段加工的最小起始时间=1+已加工的加工时长；机器M1不同阶段的加工的最大结束时间=该阶段加工的最小起始时间+该阶段的加工时长。
同理，可获得机器M2和机器M3的约束列表。在制作约束列表时，如果在当前加工工艺方案中，该机器是处于一个任选状态，即有多台机器与该机器处于同等功能效益，则将该加工工艺方案的工件数量乘以当前机器所被选择的几率后再填入。
步骤S2.3根据约束信息，初始化100个粒子矩阵生成种群，同时每个粒子生成对应的储存每个粒子最优结果的记忆矩阵；
根据步骤S2.2所得机器约束列表的信息，随机初始化100个粒子矩阵生成种群；其中，每一个粒子为n×m大小的矩阵，m为所涉及到所有加工方案中最大的加工时长，而矩阵中每一元素都代表着某一时刻由当前机器所开始加工的工件的数量（注意并不是整体每一时刻加工的数量，而是开始准备加工的工件数量）。
粒子矩阵中的每一行与机器约束列表中每一行所对应的数据进行相对应，在初始化生成时，即同时满足当前行工件总数等于机器约束列表中当前行中对应的加工工件数量；在生成粒子时，满足在机器约束列表对应行所对应的时间区间内进行生成粒子。可以理解为，每一个粒子，都是对应的一个针对该分组车间所有所涉及加工机器的可行加工方案；同时对于每一个粒子，生成一个与其格式相同的记忆矩阵，在每次迭代中保存其最优历史结果。
本实施例根据机器M1约束列表的信息生成的某粒子矩阵如图9所示。
步骤S2.4 对每个粒子矩阵进行解码，计算每个粒子适应度，并选出最优粒子；
满意指标是希望所需机器的数量尽可能平均，由于给定条件是一台机器同一时刻只能加工一种工件，那么可以将每一个粒子中同一时刻加工工件的数量等价为所需机器的数量。由于衡量指标为整个加工时间段内数据平均，所以可以用方差作为适应度函数。
将每一个粒子进行解码，由于粒子矩阵中存放的元素是当前时刻由当前机器开始加工的工件数量，因此需要将这些工件进行展开，获取对应列表（工件信息表）的相同行内的加工时间，将每一个时间段内开始加工的工件进行展开。如在粒子矩阵中第x行y列的值为a，在对应列表的x行的加工时间为t，那么在x行的y,y+1,y+2...y+t-1列依次加上a；将矩阵的每一个元素都进行展开后，将每一列的所有值进行累加，得到一个新的1×m大小的数组res，它的现实意义即为当前机器在每一时间所需要的数量的数组，求出该数组res的方差，将其作为当前粒子的适应度。
本实施例根据图9所示的粒子矩阵转化成的数组res如图10所示。在所有粒子中进行适应度计算，计算并得到适应度最高的粒子，将适应度最高的粒子作为当前最优粒子。
步骤S2.5 每个粒子根据当前最优粒子和其记忆矩阵进行计算，计算出其目标粒子；
将当前最优粒子的矩阵乘以权重c1，将当前粒子的最优历史结果矩阵（记忆矩阵）乘以权重c2，并将两个结果进行加和得到目标粒子；
步骤S2.6粒子向其目标粒子移动，并根据0.1的变异率选择变异，并记录更新每个粒子的记忆矩阵；
移动前先是初始化一个记录变量count，其值为0，设置count值的目的是为了控制每一行在移动时保持该行总数（工件数量）不会改变；之后开始移动，在处理粒子的第x行时，首先去对应列表（机器约束列表）第x行获取当前行所代表机器的加工时间区间，在区间内随机取一个整数时间点，在当前时间点，令目标粒子的工件数量减去非目标粒子对应的工件数量并乘以r，向上取整获得结果i（通过改变r的取值可以更改移动的速度，在本算法中r取值为2）；将目标粒子当前时间点的值加上i，同时令count减去i；接着再随机下一个时间点，同样处理，直到只剩下一个时间点；在最后这个时间点，将其值直接与count相减。
本实施例将最后时间点与count相减时，可能会出现负数的情况，对于负数采用以下处理方式：迭代找到目前排好的其他时间点中与当前最优粒子的差值，依次找到差值最大且为正的点，将其减1，并将负数点加1，直到负数点非负为止。接着将count重置为0，再另取一行进行迭代。
另外，为了防止过早陷入局部最优解，同时为了增加种群的多样性，需要对粒子群算法加入变异的操作，本实施例取变异率为0.1。在上述粒子移动过程中，移动时首先利用random.random()取一个随机数，若其小于0.1，则当前行不进行移动，同时根据列表中当前行重新进行随机初始化。
现以下述示例介绍粒子群算法（与上述实施例无关），其中每个粒子、矩阵都只表示其中某一行中起始时间到截止时间对应列的数值，取c1为0.6，c2为0.4，r为0.6。
当前粒子：
2 4 6
当前全局最优粒子：
3 8 1
当前粒子记忆最优粒子：
5 6 1
通过计算得到目标粒子：
3.8 7.2 1
当前粒子移动后：
3 6 3
示例中当前粒子移动的三维图见如图4。
步骤S2.7判断是否满足迭代条件或终止条件；若否，则重复步骤S2.4- S2.6；若是，则保留最优粒子，将其行进行压缩，保留成一个机器每单位时间加工余量数组。
本实施例中粒子的数量和迭代的次数可以视问题的规模而定，在测试里推荐使用100粒子和1000次迭代。
本实施例根据上述的粒子群算法，可以得到针对每一种机器的预调度局部最优结果矩阵；其中，每个矩阵的行数代表当前机器所涉及到的所有工件的加工工艺方案，列数为工件最长加工时间，其中的元素为每一时间内所需要加工的工件数量（也即所需该机器的数量）。通过将这个结果进行处理，将所有行进行压缩累加，得到一个1行m列的数组，意义为每一时间内所需要当前机器的数量数组。将所有机器的数组进行整合，存储在机器余量矩阵pre中。机器余量矩阵pre可以理解为当前种机器所能容纳的工件数量数组。
步骤S3、根据改进的粒子群算法进行初次调度
步骤S3.1 访问df_w，依次处理工件信息表df_w内每个工件的信息，获得当前工件的加工工艺方案存储路径并读取，获得加工工艺方案的具体信息；
步骤S3.2 根据机器余量矩阵pre判断当前工件当前时刻应当选择的机器，并将每一阶段机器选择信息写入到df_w中；在每一时刻进行决策选择机器时，若只有一个机器可供选择，则直接写入到df_w中；若有多种选择，则查询机器余量矩阵pre，选出在当前时间点中机器中剩余名额最多的机器；若有多种机器且剩余余额相同，则在其中随机选择一个机器，并更新机器余量矩阵pre，将当前时间点当前机器的名额减1；若查询机器余量矩阵pre时所有机器都没有名额，则选择绝对值最小的机器，同时仍然将机器的名额减1；
步骤S3.3 依次处理每一个工件直至全部工件调度完毕，根据写入后的df_w更新df_m；依次调度df_w内所有的工件直至全部工件调度完成，一份调度结果就保存至df_w内；根据df_w更新df_m，将全部结果进行读取，调度全过程结束；
步骤S3.4 判断当前调度结果是否满足方差（df_m总方差）要求；若否，则执行步骤S4；
步骤S4、读取df_m和df_w矩阵，开始迭代优化调度结果（进行优化算法）；
步骤S4.1 读取df_m和df_w；
步骤S4.2 在df_m中顺序读取，每三个单位时间比较一次，查到当前三个单位时间内加工最多工件的时间点，保存当前时间点和对应的机器名，并记录当前df_m读取位置；
步骤S4.3 去df_w中顺序搜索，找到一个在步骤S4.2保存的当前时间点用对应的机器名加工的工件；
步骤S4.4 判断步骤S4.3找到的工件当前时间是否可以被其他机器加工（是否是强约束，即特定一些当前时间段特殊要求不能用其他机器的工件）；若是，则执行步骤S4.5；若否，则重复步骤S4.3；
步骤S4.5 重新进行一定次数随机，并对每一次随机计算df_m的总体的方差，记录下有较优提升的总次数和最优提升的工件信息表和机器信息表（在随机中保存最优随机结果和出现更优随机结果的次数）；
步骤S4.6 判断提升次数（更优次数）是否超过两次；若是，则重复迭代步骤S4.5的流程；若否，则执行步骤S4.7；
步骤S4.7判断当前时间点随机选定的机器加工工件是否还是比周围三个时间点加工数量多，若是，则执行步骤S4.8；若否，则执行步骤S4.9；
步骤S4.8 判断df_w是否搜索完毕；若否，则执行步骤S4.3；若是，则执行步骤S4.9；
步骤S4.9更新df_w和df_m；
步骤S4.10 判断df_m的总体的方差是否满足条件；若是，则结束；若否，则执行步骤S4.2。
本实施例在步骤S4.5每一次随机中计算一次df_m的总体的方差，在其中选出最低的一次，如果低于先前的总体方差的值，则对其进行修改，更新df_w和df_m。在这一步中，并不要求一定要削弱当前较多的该时间段的值，因为每一次都是一次减少，通过多次迭代去解决这个问题。本发明将这一步进行封装，用多进程去进行重新随机。比如设置10个进程，需要重新随机50次，那么可以设置每个进程随机5次，可以提高系统运行效率；其中，随机次数的设定，可以取当前方案所涉及不同的机器选择方案的数量的一定百分比，在本算法中建议取值10%。
本实施例将最优随机结果保存到df_w和df_m内，之后重新判断当前时间点该机器加工数量还是不是过多，如果仍然过多，则接着往下面找该时间的用当前机器的工件；df_w遍历一次后，接着遍历df_m，迭代这个过程，直到找不到过多的点或者能减少方差的点为止。上述迭代过程，若解结果过多，可以设置一定的迭代次数，满足迭代次数或在某次迭代中优化提升次数少于一定次数程序终止。
实施例2 医院排轮转实例
本实施例以真实医院轮转排班为背景，以实际人员和科室为数据集进行测试；将车间调度和实际问题进行相应转化，医院人员视作工件，不同科室的医院人员遵循不同的轮转规则，视为加工工艺方案；将轮转值班的科室视为加工工件的机器；其问题规模如下：共有71种轮转规则，共524个人员，相关轮转的科室有134种。人员轮转的单次最长调度时间为36月，最小单位为1月。本实施例参照实施例1的调度方法进行调度：
（1）准备工作：读取储存人员信息、科室信息、轮转规则的excel表，整理成两个dataframe ，分别命名为人员信息表、科室信息表。
（2）根据两个dataframe利用改进的粒子群算法制成对应的每科室轮转人员数量预测数组。
（3）利用预测数组，依次为每名医院人员的每一时刻的调度做决策，直至调度全部完成。
（4）对调度结果进行取出，进行优化算法，优化调度结果，满足调度条件或收敛后，将调度结果取出，存放到相应的人员信息表和科室信息表内。
轮转决策完成后交付给医院系统，与医院实际数据进行预测对比，实测比医院系统内的调度决策性能提升约24%。

Claims (9)

1.一种以改进的粒子群算法为内核的分组车间作业调度方法，其特征在于，包括以下步骤：
步骤S1、将分组车间所有的加工方案储存到excel表，读取excel表内所有工件、机器信息，整理成两个dataframe，分别命名为工件信息表df_w和机器信息表df_m；其中，所述工件信息表df_w内包含工件名称、工件种类、加工工艺方案；所述机器信息表df_m内包含机器名称、机器每单位时间所需数量信息；dataFrame是编程语言python中pandas包内的一个表格型的代表性数据结构，既有行索引也有列索引；
步骤S2、利用粒子群算法计算机器余量矩阵pre；
步骤S2.1 读取所有工件信息和机器信息；
步骤S2.2 根据每个机器与其相关的加工工艺方案，整理出N个机器约束列表；所述机器约束列表为n×4大小的列表；其中，n为所有加工工艺方案中涉及到机器约束列表中相关机器的数量；列表的4列分别表示：涉及到机器约束列表中相关机器的加工工艺方案对应的工件组内的工件数量、加工的最小起始时间、加工的最大结束时间与加工时长的差值、加工时长；在制作约束列表时，如果在当前加工工艺方案中，机器是处于一个任选状态，则将该加工工艺方案的工件数量乘以当前机器所被选择的几率后再填入；
步骤S2.3 根据步骤S2.2所得机器约束列表的信息，随机初始化一定数量的粒子矩阵生成种群，同时每个粒子生成对应的储存每个粒子最优结果的记忆矩阵；其中，每一个粒子为n×m大小的矩阵，m为所涉及到所有加工方案中最大的加工时长；粒子矩阵中每一元素都代表着某一时刻由当前机器所开始加工的工件的数量，粒子矩阵中的每一行与机器约束列表中每一行所对应的数据进行相对应，在初始化生成时，满足当前行工件总数等于机器约束列表中当前行中对应的加工工件数量；在生成粒子时，满足在机器约束列表对应行所对应的时间区间内进行生成粒子；
步骤S2.4 对每个粒子矩阵进行解码，计算每个粒子适应度，将适应度最高的粒子作为当前最优粒子；
步骤S2.5 每个粒子根据当前最优粒子和其记忆矩阵进行计算，计算出其目标粒子；
步骤S2.6 每个粒子向其目标粒子移动，并根据0.1的变异率选择变异，记录更新每个粒子的记忆矩阵；
步骤S2.7 判断是否满足迭代条件或终止条件；若否，则重复步骤S2.4～S2.6；若是，则保留最优粒子，将其行进行压缩，保留成一个机器每单位时间加工余量数组；之后将所有机器的每单位时间加工余量数组进行整合，存储在机器余量矩阵pre；
步骤S3、根据改进的粒子群算法计算得到的机器余量矩阵pre进行初次调度，若当前调度结果满足机器信息表df_m的总体的方差要求，则调度过程结束；若不满足，则执行步骤S4；
步骤S4、读取机器信息表df_m和工件信息表df_w矩阵，开始迭代优化调度结果。
2.根据权利要求1所述的一种以改进的粒子群算法为内核的分组车间作业调度方法，其特征在于，步骤S2随机初始化100个粒子，迭代1000次。
3.根据权利要求1所述的一种以改进的粒子群算法为内核的分组车间作业调度方法，其特征在于，步骤S2.2中机器第1阶段加工的最小起始时间为1，第b阶段加工的最小起始时间=1+已加工的加工时长；机器不同阶段的加工的最大结束时间=该阶段加工的最小起始时间+该阶段的加工时长。
4.根据权利要求1所述的一种以改进的粒子群算法为内核的分组车间作业调度方法，其特征在于，步骤S2.4粒子适应度的计算方法为：若在粒子矩阵中第x行y列的值为a，在对应列表的x行的加工时间为t，则在x行的y、y+1、y+2...y+t-1列依次加上a；将矩阵的每一个元素都进行展开后，将每一列的所有值进行累加，得到一个新的1×m大小的数组res，求出该数组res的方差，将其作为当前粒子的适应度。
5.根据权利要求1所述的一种以改进的粒子群算法为内核的分组车间作业调度方法，其特征在于，步骤S2.5目标粒子的计算方法为：将当前最优粒子的矩阵乘以权重c1，将当前粒子的记忆矩阵乘以权重c2，并将两个结果进行加和得到目标粒子。
6.根据权利要求1所述的一种以改进的粒子群算法为内核的分组车间作业调度方法，其特征在于，步骤S2.6粒子的移动方法为：移动前先是初始化一个记录变量count，其值为0；之后开始移动，在处理粒子的第x行时，首先去对应机器约束列表第x行获取当前行所代表机器的加工时间区间，在区间内随机取一个整数时间点，在当前时间点，令目标粒子的工件数量减去非目标粒子对应的工件数量并乘以r，向上取整获得结果i；将目标粒子当前时间点的值加上i，同时令count减去i；接着再随机下一个时间点，同样处理，直到只剩下一个时间点；在最后这个时间点，将其值直接与count相减；
在上述粒子移动过程中，移动时首先利用random.random()取一个随机数，若其小于0.1，则当前行不进行移动，同时根据列表中当前行重新进行随机初始化。
7.根据权利要求1所述的一种以改进的粒子群算法为内核的分组车间作业调度方法，其特征在于，所述步骤S3具体包括以下步骤：
步骤S3.1 访问工件信息表df_w，依次处理工件信息表df_w内每个工件的信息，获得当前工件的加工工艺方案存储路径并读取，获得加工工艺方案的具体信息；
步骤S3.2 根据机器余量矩阵pre判断当前工件当前时刻应当选择的机器，并将每一阶段机器选择信息写入到工件信息表df_w中；在每一时刻进行决策选择机器时，若只有一个机器可供选择，则直接写入到工件信息表df_w中；若有多种选择，则查询机器余量矩阵pre，选出在当前时间点中机器中剩余名额最多的机器；若有多种机器且剩余余额相同，则在其中随机选择一个机器，并更新机器余量矩阵pre，将当前时间点当前机器的名额减1；若查询机器余量矩阵pre时所有机器都没有名额，则选择绝对值最小的机器，同时仍然将当前时间点当前机器的名额减1；
步骤S3.3 依次处理每一个工件直至全部工件调度完毕，根据写入后的工件信息表df_w更新机器信息表df_m；
步骤S3.4 判断当前调度结果是否满足机器信息表df_m的总体的方差要求；若否，则执行步骤S4；若是，则调度过程结束。
8.根据权利要求1所述的一种以改进的粒子群算法为内核的分组车间作业调度方法，其特征在于，步骤S4具体包括以下步骤：
步骤S4.1 读取机器信息表df_m和工件信息表df_w；
步骤S4.2 在机器信息表df_m中顺序读取，每三个单位时间比较一次，查到当前三个单位时间内加工最多工件的时间点，保存当前时间点和对应的机器名，并记录当前机器信息表df_m读取位置；
步骤S4.3 去工件信息表df_w中顺序搜索，找到一个在步骤S4.2保存的当前时间点用对应的机器名加工的工件；
步骤S4.4 判断步骤S4.3找到的工件当前时间是否可以被其他机器加工；若是，则执行步骤S4.5；若否，则重复步骤S4.3；
步骤S4.5 重新进行一定次数随机，并对每一次随机计算机器信息表df_m的总体的方差，记录下有较优提升的总次数和最优提升的工件信息表df_w和机器信息表df_m；
步骤S4.6 判断提升次数是否超过两次；若是，则重复迭代步骤S4.5的流程；若否，则执行步骤S4.7；
步骤S4.7 判断当前时间点随机选定的机器加工工件是否还是比周围三个时间点加工数量多，若是，则执行步骤S4.8；若否，则执行步骤S4.9；
步骤S4.8 判断工件信息表df_w是否搜索完毕；若否，则执行步骤S4.3；若是，则执行步骤S4.9；
步骤S4.9更新工件信息表df_w和机器信息表df_m；
步骤S4.10 判断机器信息表df_m的总体的方差是否满足条件；若是，则结束；若否，则执行步骤S4.2。
9.根据权利要求6所述的一种以改进的粒子群算法为内核的分组车间作业调度方法，其特征在于，粒子移动时，当最后时间点与count相减为负数时，采用以下处理方式：迭代找到目前排好的其他时间点中与当前最优粒子的差值，依次找到差值最大且为正的点，将其减1，并将负数点加1，直到负数点非负为止。
CN202211442450.7A 2022-11-18 2022-11-18 一种以改进的粒子群算法为内核的分组车间作业调度方法 Active CN115564146B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211442450.7A CN115564146B (zh) 2022-11-18 2022-11-18 一种以改进的粒子群算法为内核的分组车间作业调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211442450.7A CN115564146B (zh) 2022-11-18 2022-11-18 一种以改进的粒子群算法为内核的分组车间作业调度方法

Publications (2)

Publication Number Publication Date
CN115564146A true CN115564146A (zh) 2023-01-03
CN115564146B CN115564146B (zh) 2023-04-07

Family

ID=84770838

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211442450.7A Active CN115564146B (zh) 2022-11-18 2022-11-18 一种以改进的粒子群算法为内核的分组车间作业调度方法

Country Status (1)

Country Link
CN (1) CN115564146B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222268A (zh) * 2011-06-02 2011-10-19 西安电子科技大学 基于多种群混合粒子群算法的流水车间调度方法
CN106611213A (zh) * 2016-01-27 2017-05-03 四川用联信息技术有限公司 一种求解作业车间调度问题的混合粒子群算法
CN108053119A (zh) * 2017-12-15 2018-05-18 兰州理工大学 一种求解零等待流水车间调度问题的改进粒子群优化算法
US20180357584A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization
CN110533301A (zh) * 2019-08-09 2019-12-03 大连理工大学 一种基于动态约束矩阵的粒子群调度方法
CN110599068A (zh) * 2019-09-29 2019-12-20 哈尔滨理工大学 一种基于粒子群优化算法的云资源调度方法
CN110738365A (zh) * 2019-10-09 2020-01-31 湖北工业大学 一种基于粒子群算法的柔性作业车间生产调度方法
CN111079987A (zh) * 2019-11-28 2020-04-28 电子科技大学 基于遗传算法的半导体车间生产调度方法
CN111311077A (zh) * 2020-01-21 2020-06-19 南京航空航天大学 一种基于天牛须搜索的粒子群算法求解柔性作业车间调度的方法
CN112381343A (zh) * 2020-09-30 2021-02-19 北京工业大学 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法
CN113222096A (zh) * 2021-04-30 2021-08-06 桂林理工大学 一种面向云计算任务调度的改进粒子群算法
CN113359646A (zh) * 2021-06-30 2021-09-07 河南工业大学 一种基于多目标的分布式柔性作业车间调度方法
CN113408951A (zh) * 2021-07-16 2021-09-17 山东大学 一种基于动态信息累计狮群最优柔性调度方法及系统
US20210335639A1 (en) * 2020-04-27 2021-10-28 Shanghai Huali Integrated Circuit Corporation Scheduling method and device for batch processing machine
CN114493337A (zh) * 2022-02-15 2022-05-13 河南中烟工业有限责任公司 基于改进粒子群遗传混合算法的柔性作业车间调度方法
CN114819728A (zh) * 2022-05-24 2022-07-29 北京沛元科技有限公司 一种自适应局部搜索的柔性车间生产调度方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102222268A (zh) * 2011-06-02 2011-10-19 西安电子科技大学 基于多种群混合粒子群算法的流水车间调度方法
CN106611213A (zh) * 2016-01-27 2017-05-03 四川用联信息技术有限公司 一种求解作业车间调度问题的混合粒子群算法
US20180357584A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for collaborative scheduling of production and transportation in supply chains based on improved particle swarm optimization
CN108053119A (zh) * 2017-12-15 2018-05-18 兰州理工大学 一种求解零等待流水车间调度问题的改进粒子群优化算法
CN110533301A (zh) * 2019-08-09 2019-12-03 大连理工大学 一种基于动态约束矩阵的粒子群调度方法
CN110599068A (zh) * 2019-09-29 2019-12-20 哈尔滨理工大学 一种基于粒子群优化算法的云资源调度方法
CN110738365A (zh) * 2019-10-09 2020-01-31 湖北工业大学 一种基于粒子群算法的柔性作业车间生产调度方法
CN111079987A (zh) * 2019-11-28 2020-04-28 电子科技大学 基于遗传算法的半导体车间生产调度方法
CN111311077A (zh) * 2020-01-21 2020-06-19 南京航空航天大学 一种基于天牛须搜索的粒子群算法求解柔性作业车间调度的方法
US20210335639A1 (en) * 2020-04-27 2021-10-28 Shanghai Huali Integrated Circuit Corporation Scheduling method and device for batch processing machine
CN112381343A (zh) * 2020-09-30 2021-02-19 北京工业大学 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法
CN113222096A (zh) * 2021-04-30 2021-08-06 桂林理工大学 一种面向云计算任务调度的改进粒子群算法
CN113359646A (zh) * 2021-06-30 2021-09-07 河南工业大学 一种基于多目标的分布式柔性作业车间调度方法
CN113408951A (zh) * 2021-07-16 2021-09-17 山东大学 一种基于动态信息累计狮群最优柔性调度方法及系统
CN114493337A (zh) * 2022-02-15 2022-05-13 河南中烟工业有限责任公司 基于改进粒子群遗传混合算法的柔性作业车间调度方法
CN114819728A (zh) * 2022-05-24 2022-07-29 北京沛元科技有限公司 一种自适应局部搜索的柔性车间生产调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘洪铭等: "基于改进粒子群算法作业车间调度问题的优化", 《山东大学学报(工学版)》 *
吴晓雯等: "基于改进粒子群的柔性作业车间调度问题优化研究", 《湖北大学学报(自然科学版)》 *
王磊: "基于改进离散粒子群算法的作业车间调度方法研究及应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Also Published As

Publication number Publication date
CN115564146B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109800936B (zh) 基于树状搜寻的调度方法与使用该方法的电子装置
CN110909787B (zh) 基于聚类的进化算法进行多目标批调度优化的方法和系统
CN110543953A (zh) 基于狼群算法的空间约束下多目标拆卸线设置方法
CN109872091B (zh) 一种基于蚁群算法的工件调度方法及装置
CN111400868B (zh) 带订单和机器人搬运的分布式车间调度优化方法及系统
CN113627642A (zh) 基于自适应大规模邻域搜索算法的堆垛机路径优化方法
CN116880424A (zh) 一种基于多目标优化的多机器人调度方法以及装置
CN116933939A (zh) 基于改进浣熊优化算法的柔性车间协同生产方法及系统
US7280880B2 (en) Manufacturing analysis using a part-process matrix
CN115935616A (zh) 一种一致批次的序列依赖流水车间组调度多目标优化方法
CN115564146B (zh) 一种以改进的粒子群算法为内核的分组车间作业调度方法
CN110942251A (zh) 一种基于联合蚁群算法的批调度方法
CN110909858A (zh) 一种基于双信息素蚁群算法的批调度方法
CN109214695B (zh) 基于改进eda的高端装备研发制造协同调度方法及系统
CN115933570B (zh) 一种考虑产品工序差异的混流装配线平衡方法
Vincent et al. A differential evolution-based algorithm to schedule flexible assembly lines
CN116300756A (zh) 带运输机器人柔性制造车间的双目标优化调度方法及系统
CN115829148A (zh) 一种设备维护车间调度优化方法及计算机可读介质
CN115392616A (zh) 一种知识挖掘结合遗传算法的多目标离散车间调度方法
CN114707748A (zh) 一种基于群体免疫-遗传算法的混流产线智能排产方法
CN111539648B (zh) 设备群间动态产能的自动分配装置和方法
CN114415615A (zh) 不确定需求下混流装配线平衡分配方法及装置
CN112906968A (zh) 基于文化基因灰狼优化算法的电缆运输路径规划方法
Morandin et al. An adaptive genetic algorithm based approach for production reactive scheduling of manufacturing systems
CN115221460B (zh) 一种有限资源下的有序背包问题分段动态规划求解方法

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