CN115600774A - 一种装配式建筑构件产线的多目标生产调度优化方法 - Google Patents
一种装配式建筑构件产线的多目标生产调度优化方法 Download PDFInfo
- Publication number
- CN115600774A CN115600774A CN202211600382.2A CN202211600382A CN115600774A CN 115600774 A CN115600774 A CN 115600774A CN 202211600382 A CN202211600382 A CN 202211600382A CN 115600774 A CN115600774 A CN 115600774A
- Authority
- CN
- China
- Prior art keywords
- production
- scheduling
- component
- data
- optimization
- 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
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
-
- 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
- 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
-
- 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
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)
- General Factory Administration (AREA)
Abstract
本发明属于建筑工业领域,具体涉及一种装配式建筑构件产线的多目标生产调度优化方法、系统与装置。该多目标生产调度优化方法包括如下步骤:S1:对企业的订单数据、产线数据、生产资料数据和工艺数据进行标准化处理,构成企业运营数据集。S2:以均衡各条产线的负载为目标,生成若干个可行的调度网络图。S3:对调度网络图进行解析获得生产工序图。S4:构建用于评价生产工序图效能的优化函数。S5:采用遗传算法对初始化种群进行迭代优化,得到最佳调度网络图。S6:根据最佳调度网络图解析出当前订单的最佳排产方案。本发明解决了现有方案无法有根据企业产能的变化对产线进行合理调度,进而导致订单加工时长延长、产品生产成本升高等问题。
Description
技术领域
本发明属于建筑工业领域,具体涉及一种装配式建筑构件产线的多目标生产调度优化方法、系统与装置。
背景技术
装配式建筑是一种预先在工厂对建筑行业需要的各种类型的建筑预制构件进行加工,然后将构件运输到建设工地现场,并在建设工地现场进行装配的新型建筑。装配式建筑的主体构件可以工业化和规模化快速生产,建筑可以快速装配。因此,装配式建筑相对传统的施工现场现浇结构建筑而言,具有建造速度快、建造成本低等优点,是发展绿色建筑工业化的一个重要方向。
预制构件生产是装配式建筑的核心,其智能化生产水平的不断提高,是装配式建筑发展迫切需求的。随着装配式建筑的行业的不断发展,能够实现工厂预制的构件种类、数量也不断增加。同时,市场对建筑预制构件的需求也在不断增长,呈现良好的发展态势。
但是目前装配式建筑预制构件的生产依然存在诸多瓶颈。例如,由于构件生产的标准化程度较低、工厂生产的数字信息化程度不高,以及工厂生产资源利用率低下等问题,导致现有装配式建筑构件工厂的生产效率和生产成本等难以满足企业要求。
对产线上不同生产任务进行合理调配,最大化利用产线的产能,是提高生产效率和降低生产成本的关键。产线的合理排产需要考虑企业全方位的生产信息,例如包括企业的产线负荷、工人的数量和水平,生产资料的库存情况,以及订单和工艺等因素。目前市场上已有多款关于排产的软件,而这些软件大多是从全局来把握生产车间资源、分析生产流程和监控车间生产情况,针对具体的企业和具体的业务流程,不能完全适合企业的实际情况和生产需求。无论是软件的通用性,还是算法对特定业务的针对性,都不能有效降低企业应对突发状况时对生产的影响,不能保证生产的连续性、高效性和低成本。在构件排产时,造成资源冲突,生产成本高,还存在多个优化目标之间存在的冲突,这给预制构件资源调度、智能化排产和智能化技术方案的设计带来了极大困难。
发明内容
为了解决现有排产软件对企业的生产信息利用不充分,无法有根据企业产能的变化对产线进行合理调度,进而导致订单加工时长延长,产品生产成本升高等问题;本发明提供一种装配式建筑构件产线的多目标生产调度优化方法、系统与装置。
本发明采用以下技术方案实现:
一种装配式建筑构件产线的多目标生产调度优化方法,其用于基于多重约束对产线上各工位进行合理排产,并最终实现生产效率最大化和生产成本最小化。该多目标生产调度优化方法包括如下步骤:
S1:对企业的订单数据、产线数据、生产资料数据和工艺数据进行标准化处理,构成所需的企业运营数据集。
其中,订单数据表示待生产订单中的各类构件的生产任务。产线数据表示所有产线的产能及负载信息。生产资料数据包括原料和模具的库存信息,以及生产人员的排班信息。工艺数据对应各构件的完整工序,以及各工序的关联关系和时间要求。
S2:以均衡各条产线的负载为目标,采用启发式算法,根据企业运营数据集中的订单数据和产线数据生成若干个可行的调度网络图。
其中,每个调度网络图用于表征各个构件在不同产线上的排产策略。
S3:以企业运营数据集中的工艺数据和生产资料数据为约束,对各个调度网络图进行解析,获得生产订单中每个构件对应的生产工序图。
其中,生产工序图中包含了每个构件在不同工位上的完整生产流程对应的时间节点和必要的生产要素。
S4:构建一种用于评价调度网络图中解析出的生产工序图效能的优化函数,优化函数的优化目标为实现订单完成时间最短和/或各构件生产成本最低。
S5:设置初始化种群、迭代轮次和优化目标,并根据优化目标设置对应的适应度函数;采用遗传算法对初始化种群进行迭代优化;进而得到满足优化目标的最佳调度网络图。
S6:根据最佳调度网络图解析出当前订单数据对应的最佳排产方案。
作为本发明进一步的改进,步骤S2中,调度网络图的生成方法如下:
S21:根据订单数据中包含的构件的类型和数量,随机生成各个构件的一个生产顺序。
S22:根据各个构件的生产顺序以及生产线的占用状态,依次为各个构件分配相应的生产线和工位。
S23:将订单数据中所有构件均完成分配后的排产策略作为调度网络图。
S24:重复S21-S23的步骤,生成多个不同的调度网络图,并构成所需的调度网络图集。
作为本发明进一步的改进,步骤S3中,每个调度网络图对应的生产工序图的生成方法如下:
S31:从调度网络图集中选择随机选择一个调度网络图作为初始化图。
S32:根据各构件对应的生产资料数据约束,遍历调度网络图中第一个生产的构件中各工序的生产要素,并确保该构件中所有工序包含的生产要素均被满足。
S33:根据当前构件对应的工艺数据约束,确定当前构件中各个工序的开始时间和结束时间。
S34:重复S31-S33的步骤,解析出调度网络图中每个构件的生成工序中对应的生产要素,并按照时间轴排序构成所需的生产工序图。
作为本发明进一步的改进,步骤S3中,工艺数据和生产资料数据的约束对应的表达式如下:
上式中:Sl,i,k表示对应k工序的开始时间;Sl,i,k+1表示对应k+1工序的开始时间;Pl,i,k表示k工序的持续时间;Al,j表示l生产线上构件j的所有紧前构件集合。L和j分别表示生产线集合和某一条具体生产线,l、j为构件的索引,表示构件集合的某一个构件;k为构件的工序索引,表示某个构件的某一道工序。MT和mt分别表示模具的类型集合和某一种具体的模具。R和r分别表示资源集合和某一种具体的资源;PC和pc分别表示构件的集合和某一种具体的构件;T表示批处理构件的一个生产周期内的时间。
其中,表达式中的公式(1)为生产线上各工位的生产机器产生的约束;公式(2)为构建对应的工序中紧前逻辑关系产生的约束;公式(3)为模具数量产生的约束;公式(4)为生产资源产生的约束;公式(5)表示工期、资源、索引、时间对应要素的非负及非空约束。
作为本发明进一步的改进,步骤S4中,构建的优化函数如下:
针对每一种调度方案,上式中:FinishTime表示该方案的完工时间,其中Sl,i,k表示k工序的开始时间,Pl,i,k表示k工序的持续时间,Max为求最大值函数,FinishTime函数中用于求取最晚的构件完工时间;CriticalLineLoad表示该方案的关键生产线负载,其中Pl,i,k表示工序的持续时间,Max为求最大值函数,CriticalLineLoad函数中用于求取最长的生产线生产时间;LineAllLoad表示该方案的生产线总负载,其中Pl,i,k表示工序的持续时间,公式为求取生产线的总生产时间;MoldCost表示最小模具成本,Maxmt表示T生产周期内,某一时间t下模具的最大使用个数,Cmt表示模具的成本。
作为本发明进一步的改进,步骤S5中,根据优化目标的差异,遗传算法获取最佳调度网络图的过程包括两种不同的迭代优化途径,具体过程如下:
一、单目标优化
S51:将调度网络图集中的初始化图作为初始种群,并从优化函数中选择一条作为优化目标,设置相应的适应度函数.
S52:对当前轮次种群进行个体的选择、交叉、变异操作得到子代种群.
S53:计算子代种群中所有个体的适应度值,并将个体按照适应度进行排序.
S54:按照预设比例从当前轮次的子代种群中选择适应度值较高的个体作为下一轮的种群.
S55:判断迭代轮次是否达到预设值:(1)是则输出适应度最高的个体作为所需的最佳调度网络图;(2)否则返回步骤S52继续进行种群迭代.
二、多目标优化
S051:将调度网络图集中的初始化图作为初始种群,并从优化函数中选择至少两条作为优化目标,设置相应的适应度函数.
S052:对当前种群进行个体的选择、交叉、变异操作得到子代种群.
S053:将父代种群和子代种群合并,并计算每个个体的适应度值。其中,适应度值中包含不同指标项。
S054:基于适应度值中的不同指标项,对合并后的种群进行快速非装配排序,并对排序后的Pareto层中的每个个体进行种群拥挤度计算。
S055:判断迭代轮次是否达到预设值:(1)是则从排序后的Pareto层中选择各项指标较佳的若干个体,输出为所需的多个从不同维度评估的最佳调度网络图。(2)否则基于排序和种群拥挤度计算结果选择预设数量的个体作为下一轮的种群;并返回到步骤S052继续进行种群迭代。
作为本发明进一步的改进,步骤S52或S052中,遗传算法执行过程中的选择操作是从父代种群中进行部分个体的选择,通过构造个体选择池,子代个体由选择池中的个体直接获得。交叉操作是从父代种群中进行部分个体的选择,构造一个个体交配池,子代个体由交配池中的个体通过两两交叉产生。变异操作是从父代种群中进行部分个体的选择,构造一个个体变异池,子代个体由变异池中的个体通过变异产生。
作为本发明进一步的改进,步骤S054中,快速非支配排序过程中,根据个体之间的不同指标项的支配关系对个体进行分层;个体拥挤度计算过程中,根据种群中的给定个体的周围个体的密度计算个体的拥挤度。
本发明还包括一种装配式建筑构件产线的多目标生产调度优化系统,该系统采用如前述的装配式建筑构件产线的多目标生产调度优化方法,对生产线上的生产任务进行排产,进而优化构件的生产成本并提高产线的生产效率。该多目标生产调度优化系统包括:数据采集模块、标准化模块、调度网络图生成模块、生产工序图解析模块、遗传算法优化模块、排产方案输出模块。
其中,数据采集模块用于实时采集企业内部对应的与生产有关的各类要素信息,包括订单数据、产线数据、生产资料数据和工艺数据。标准化模块用于对数据采集模块采集到的各类信息进行标准化处理,得到所需的企业运营数据集。
调度网络图生成模块用于以均衡各条产线的负载为目标,采用启发式算法,根据企业运营数据集中的订单数据和产线数据生成若干个可行的调度网络图;进而构成调度网络图集。
生产工序图解析模块用于以企业运营数据集中的工艺数据和生产资料数据为约束,对调度网络图集中的各个调度网络图进行解析,获得生产订单中每个构件对应的生产工序图。
遗传算法优化模块用于以实现订单完成时间最短和/或各构件生产成本最低为优化目标,对调度网络图集中的各个初始化调度网络图进行迭代优化,进而得到满足优化目标的最佳调度网络图。
排产方案输出模块用于根据最佳调度网络图调用生产工序图解模块解析出当前订单数据对应的最佳排产方案。
本发明包括一种装配式建筑构件产线的多目标生产调度优化装置,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行所述计算机程序时,实现如前述的装配式建筑构件产线的多目标生产调度优化方法的步骤;进而根据企业当前的生产数据,输出当前待生产订单的最佳的排产方案。
本发明提供的技术方案,具有如下有益效果:
本发明提供一种综合考虑企业生产和管理过程中订单数据、产线数据、生产资料数据和工艺数据等各种信息,并且可以实现对多个不同优化目标进行平衡的多目标生产调度优化方法。在该方案中,本发明创造性地提出一种调度网络图和生产工序图的概念,并设计了两种特殊数据的量化和生产方法,最终利用该类特殊数据通过遗传算法对生产过程中的排产方案进行合理优化;以使得方案在满足资源和产能等多种约束条件下,实现对工期、效率、成本等多方位目标的优化。
特别的,本发明提供的多目标生产调度优化方法不仅性能优异,还具有很强适应性,可以根军企业具体的生产需求对方案的优化目标进行合理调整,即可以实现单目标优化,也可以实现多目标优化。基本可以囊括所有同类企业的应用需求,具有极大的实用价值,可以有助于优化企业的生产流程改进,为企业创造价值。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1提供的一种装配式建筑构件产线的多目标生产调度优化方法的步骤流程图。
图2为本发明实施例1中调度网络图生成过程的步骤流程图。
图3为本发明实施例1中根据调度网络图生成对应的生产工序图的流程图。
图4为本发明实施例1中一个包含两种构件产品的典型订单的排产工序分布优化图。
图5为本发明实施例1中优化函数的逻辑关系示意图。
图6为本发明实施例1中遗传算法执行单目标优化和多目标优化的步骤流程图。
图7为本发明实施例1中一个典型的种群经快速非支配个体分层后的结果图。
图8为本发明实施例1中调度网络图对应的甘特图。
图9为验证试验中项目方案对应的局部调度网络图。
图10为验证试验中单目标的完工时间适应度变化曲线。
图11为验证试验中单目标的成本适应度变化曲线。
图12为验证试验中双目标的完工时间-成本适应度变化曲线。
图13为验证试验中不同方案对应的成本与工期的柱状对照图。
图14为本发明实施例2中提供的一种装配式建筑构件产线的多目标生产调度优化系统的系统框架图。
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,对本发明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发明,并不用于限定本发明。
实施例1
本实施例提供了一种装配式建筑构件产线的多目标生产调度优化方法,其用于基于多重约束对产线上各工位进行合理排产,并最终实现生产效率最大化和生产成本最小化。如图1所示,该多目标生产调度优化方法包括如下步骤:
S1:对企业的订单数据、产线数据、生产资料数据和工艺数据进行标准化处理,构成所需的企业运营数据集。
其中,订单数据表示待生产订单中的各类构件的生产任务。具体包含的信息为:在当前工厂接收到的待生产订单中需要加工出的不同构件的种类数,每种构件需要加工出的数量。各类构建需要完成生产和交货的期限,等等。
产线数据表示所有产线的产能及负载信息。这些信息包括当前工厂可以用于生产的生产流水线的总数量,每条流水线可以完成的加工任务,每条流水线加工当前的负载情况和可接受的最大负荷,等等。
生产资料数据包括原料和模具的库存信息,以及生产人员的排班信息。本实施例中将生产所需的物料和人工均归为生产资料,因此,生产资料数据包括的内容主要就是:当前工厂内各类原材料如水泥、砂浆、模具的库存量和占用情况;以及普通技术工人和管理人员的构成的不同班组的排班情况等等。
工艺数据对应各构件的完整工序,以及各工序的关联关系和时间要求。工艺数据反应另了一个构件被加工出来的过程中所需经历的所有工序,不同工序之间先后顺序以及紧前紧后的逻辑关联性,以及各个工序之间对间隔时间的要求,等等。
S2:以均衡各条产线的负载为目标,采用启发式算法,根据企业运营数据集中的订单数据和产线数据生成若干个可行的调度网络图。其中,每个调度网络图用于表征各个构件在不同产线上的排产策略。需要特别强调的是:本实施例采用启发式算法来生成可行的调度网络图的其中一个优势,是可以优先生成技术效果较佳的调度网络图,此时,得到的调度网络图集中第一个生成的初始化图即可作为遗传算法的初始化种群。
具体地,如图2所示,调度网络图的生成方法如下:
S21:根据订单数据中包含的构件的类型和数量,随机生成各个构件的一个生产顺序。
S22:根据各个构件的生产顺序以及生产线的占用状态,依次为各个构件分配相应的生产线和工位。
S23:将订单数据中所有构件均完成分配后的排产策略作为调度网络图。
S24:重复S21-S23的步骤,生成多个不同的调度网络图,并构成所需的调度网络图集。
为了更清楚地说明调度网络图的概念,以下进行举例说明:上述调度网络图集中包含大量个体,为了便于进行数据处理,本实施例对每个个体采用个体双层基因图的方式进行编码,采用这种特殊编码方式的原因在于:在预制构件的生产调度过程中,主要涉及两方面的信息,一是预制构件的生产顺序不同,即构件的编号不同,二是预制构件所处生产线的不同。具体地,实施例提出基于构件对应生产线不同和构件生产顺序不同的双层编码方式中,对预制构件的生产调度进行编码操作的格式如表1所示。
表1:本实施例采用的调度网络图的双层编码方式的数据格式
从表1可以看出:个体的基因序列由两层序列组成,第一层序列代表生产顺序编码,第二层序列代表所属流水线编码。第一层的PC_0_01_0 > PC_0_02_0 > PC_0_03_0 >PC_0_02_1表示构件生产的优先级顺序,第二层的1# - 2# - 1# - 2# 代表了上层构件所处的生产线顺序;通过该双层基因编码,可以确定各构件的生产顺序和生产线信息。例如,生产线1#的构件生产顺序为PC_0_01_0 > PC_0_03_0,生产线2#的生产顺序为PC_0_02_0 >PC_0_02_1。
S3:以企业运营数据集中的工艺数据和生产资料数据为约束,对各个调度网络图进行解析,获得生产订单中每个构件对应的生产工序图。
其中,生产工序图中包含了每个构件在不同工位上的完整生产流程对应的时间节点和必要的生产要素。例如包括构件分配的生产线,构件的全部工序、类别,每个工序需要各种资源,每个工序的开始和结束时间,等等。
如图3所示,每个调度网络图对应的生产工序图的生成方法如下:
S31:从调度网络图集中选择随机选择一个调度网络图作为初始化图。
S32:根据各构件对应的生产资料数据约束,遍历调度网络图中第一个生产的构件中各工序的生产要素,并确保该构件中所有工序包含的生产要素均被满足。
S33:根据当前构件对应的工艺数据约束,确定当前构件中各个工序的开始时间和结束时间。
S34:重复S31-S33的步骤,解析出调度网络图中每个构件的生成工序中对应的生产要素,并按照时间轴排序构成所需的生产工序图。
对生产工序图的解析过程中,工艺数据和生产资料数据的约束对应的表达式如下:
上式中:Sl,i,k表示对应k工序的开始时间;Sl,i,k+1表示对应k+1工序的开始时间;Pl,i,k表示k工序的持续时间;Al,j表示l生产线上构件j的所有紧前构件集合。L和l分别表示生产线集合和某一条具体生产线,l、j为构件的索引,表示构件集合的某一个构件;k为构件的工序索引,表示某个构件的某一道工序。MT和mt分别表示模具的类型集合和某一种具体的模具。R和r分别表示资源集合和某一种具体的资源;PC和pc分别表示构件的集合和某一种具体的构件;T表示批处理构件的一个生产周期内的时间。
其中,表达式中的公式(1)为生产线上各工位的生产机器产生的约束;具体可以用来描述构件j的所有紧前构件集合。只有当所有紧前构件完成工序步骤k后,j构件的工序步骤k才可以进行;表示任意一个生产线的某一个工位生产机器只能同时处理一个工序,只有前一个构件处理完后才可以继续下一个工序。
公式(2)为构建对应的工序中紧前逻辑关系产生的约束,具体可以用来描述同一构件的不同工序之间的紧前紧后约束关系。构件的当前工序开始的前提条件是其紧前工序已经结束,即任意一个构件的工序k+1的开始时间大于等于工序k的结束时间。
公式(3)为模具数量产生的约束;其用来描述不同生产线上的模具数量是有限的这一约束状态。当所有模具均被占用时,只有当最先进行拆模工序的构件释放模具后,下一构件方可以进行模具安装工序。
公式(4)为生产资源产生的约束;生产线共享的资源包括人工,而不同工序需要的人工资源不同,包含钢筋工、混凝土工、模具工等工种,工种资源是有限的,同一时刻各个生产线占用某一资源的数量不能超过该资源的上限。
公式(5)表示工期、资源、索引、时间对应要素集合的非负及非空约束。
同样地,为了更清楚地说明生产工序图的概念,以下继续进行举例说明:生产工序图是从调度网络图中解析出来的,解析过程需要考虑构件本身的工序以及工厂拥有的资源等约束条件。假设根据生产周期内构件订单:确定需要生产的构件及其生产工序包含相关参数如表2所示:
表2:本实施例中不同构件对应的生产工序和参数
从表中数据可知:要求生产的产品包括PC_0_01_0、PC_0_02_0、PC_0_03_0、PC_0_02_1,从构件的详细参数信息中可以看到各个构件对应的工序数量、时间,以及所需的人力资源等。以构件PC_0_01_0为例,构件PC_0_01_0在1#生产线上生产;需要模具A;共6道工序,分为模台清理、模具安装、布料振捣、抹平压板、养护、质检修补。假设工序生产时间都为单位时间1;对于工人资源,前两道工序需要工人A,中间两道工序需要工人B,后两道工序需要工人C。该构件的工序约束的6个工序步骤,在2条生产线上生产。此外,基于上标可以还可分析出各构件加工所需的资源量。例如,对构件PC_0_01_0而言,该构件生产的所需的资源大致可以通过表3反映。
表3:PC_0_01_0生产过程的资源约束
分析上表数据可知:构件PC_0_01_0生产过程性所需的资源包括两种,分别是模具和工人。其中,模具有两个类别:模具A,模具B,数量各一个。工人则包括三个类别:工人A、工人B和工人C,数量各1个、2个和1个。
相应的,对于构件1和构件2,二者的生产流程可以简化为:模台清理、模具安装、布料振捣、抹平压板、养护、质检修补。在产线分配过程,为了优化产线的负载和效率,对二者生产工艺的分析如下:构件1和构件2分别在1#和2#生产线上执行各个工序活动;构件1和构件2生产流程和所需工序相同。模具方面,两构件从工序“模具安装”到“养护”共同使用模具A。工人方面,两构件从“模台清理”到“模具安装”需要工人A,从“布料振捣”到“”需要工人B,从“养护”到“质检修补”需要工人C。资源约束方面,模具A、工人A、工人B和工人C各一个;构件1和构件2在不同流水线上使用相同的模具和工人生产不同的构件,因此彼此之间有约束关系。基于以上数据,绘制如图4的排产工序分布优化图。从图4中可以得出结论:在最优化的条件下,构件1先在1#生产线上生产,此时模具和工人资源供给充足,没有中断工序,正常生产。构件2生产过程,只有当构件1执行“模具安装”后释放工人A,构件2方能开始执行“模台清理”工序,且因只有当构件1执行“养护”后释放模具A,此构件2方能开始执行“模具安装”,故构件2 的生产需要两个工序中断时间,分别等待工人A的释放和模具A的释放。
S4:构建一种用于评价调度网络图中解析出的生产工序图效能的优化函数,优化函数的优化目标为实现订单完成时间最短和/或各构件生产成本最低。
本实施例是以生产周期内的批构件和工序、生产资源受限为算法的输入条件,基于多目标进化遗传算法模型,在不同的生产需求下,得到最优的批构件详细生产调度方案。因此可以将方案的评估值设为:最短完工时间、最小关键生产线负载、最小生产线总负载以及最小模具成本。具体的,如图5所示,构建出的优化函数如下:
针对每一种调度方案,上式中:FinishTime表示该方案的完工时间,其中Sl,i,k表示k工序的开始时间,Pl,i,k表示k工序的持续时间,Max为求最大值函数,FinishTime函数中用于求取最晚的构件完工时间;CriticalLineLoad表示该方案的关键生产线负载,其中Pl,i,k表示工序的持续时间,Max为求最大值函数,CriticalLineLoad函数中用于求取最长的生产线生产时间;LineAllLoad表示该方案的生产线总负载,其中Pl,i,k表示工序的持续时间,公式为求取生产线的总生产时间;MoldCost表示最小模具成本,Maxmt表示T生产周期内,某一时间t下模具的最大使用个数,Cmt表示模具的成本。
S5:设置初始化种群、迭代轮次和优化目标,并根据优化目标设置对应的适应度函数;采用遗传算法对初始化种群进行迭代优化;进而得到满足优化目标的最佳调度网络图。
步骤S5中,根据优化目标的差异,遗传算法获取最佳调度网络图的过程包括两种不同的迭代优化途径,如图6所示,具体过程如下:
一、单目标优化
S51:将调度网络图集中的初始化图作为初始种群,并从优化函数中选择一条作为优化目标,设置相应的适应度函数.
S52:对当前轮次种群进行个体的选择、交叉、变异操作得到子代种群.
S53:计算子代种群中所有个体的适应度值,并将个体按照适应度进行排序.
S54:按照预设比例从当前轮次的子代种群中选择适应度值较高的个体作为下一轮的种群.
S55:判断迭代轮次是否达到预设值:(1)是则输出适应度最高的个体作为所需的最佳调度网络图;(2)否则返回步骤S52继续进行种群迭代.
二、多目标优化
S051:将调度网络图集中的初始化图作为初始种群,并从优化函数中选择至少两条作为优化目标,设置相应的适应度函数.
S052:对当前种群进行个体的选择、交叉、变异操作得到子代种群.
S053:将父代种群和子代种群合并,并计算每个个体的适应度值。其中,适应度值中包含不同指标项。
S054:基于适应度值中的不同指标项,对合并后的种群进行快速非装配排序,并对排序后的Pareto层中的每个个体进行种群拥挤度计算。
其中,快速非支配排序过程中,根据个体之间不同指标项的支配关系对个体进行分层;个体拥挤度计算指根据种群中的给定个体的周围个体的密度,计算个体的拥挤度。
S055:判断迭代轮次是否达到预设值:(1)是则从排序后的Pareto层中选择各项指标较佳的若干个体,输出为所需的多个从不同维度评估的最佳调度网络图。(2)否则基于排序和种群拥挤度计算结果选择预设数量的个体作为下一轮的种群;并返回到步骤S052继续进行种群迭代。
在遗传算法优化过程中,步骤S52或S052的选择操作、交叉操作、变异操作的详细过程如下:
算法设计是从父代种群中进行部分个体的选择,通过构造个体选择池,子代个体由选择池中的个体直接获得。个体进入选择池的规则为:将父代种群中个体的适应度值叠加,得到总适应度;单个个体的适应度值除以总适应度值得到个体被选择的概率,个体被选择的概率累加和为1。基于个体的累积概率构造一个基于概率分布的轮盘;对于轮盘的选择,通过产生一个 [ 0 ,– 1 ] 区间内的随机数,若该随机数小于或等于个体的累积概率且大于个体1的累积概率,选择个体进入选择池。
算法设计的交叉是从父代种群中进行部分个体的选择,构造一个个体交配池,子代个体由交配池中的个体通过两两交叉产生。交叉规则为:随机交换两个个体的构件生产顺序片段和构件生产对应的生产线片段;父代种群的个体能否进入交配池,由交配概率Pc决定。
算法设计的变异是从父代种群中进行部分个体的选择,构造一个个体变异池,子代个体由变异池中的个体通过变异产生;变异规则为:针对该个体的构件生产顺序和构件生产对应的生产线,随机交换该个体构件生产顺序的中的两个构件及其对应的生产线;父代种群的个体能否进入交配池,由变异概率Pm决定。
在算法设计的快速非支配排序过程中,对于每个个体i都设有以下两个参数 n(i)和s(i)。n(i)为在种群中支配个体i的解个体的数量,s(i)为被个体i所支配的解个体的集合。
首先,找到种群中所有 n(i)=0 的个体,将它们存入当前集合F(1)。然后,对于当前集合 F(1) 中的每个个体 j,考察它所支配的个体集 S(j),将集合 S(j) 中的每个个体k 的 n(k) 减去1,即支配个体 k 的解个体数减1。如 n(k)-1=0则将个体 k 存入另一个集H。最后,将 F(1) 作为第一级非支配个体集合,并赋予该集合内个体一个相同的非支配序i(rank)。接下来,继续对 H 作上述分级操作并赋予相应的非支配序,直到所有的个体都被分级。
算法设计的拥挤度计算过程中,在种群中的给定点的周围个体的密度,用id表示,它指出了在个体i周围包含个体i本身但不包含其他个体的长方形,以同一支配层的最近邻点作为顶点的长方形。
遗传算法的结束条件为是否达到一定的进迭代次数,迭代次数可以人为设定。当达到预设的迭代次数后,如果设定的优化目标为单一目标,则可以得到一个特定的最优解。如果设定的优化目标为多个目标,则可以根据算法输出得到多个目标的最优解集,该子代种群也是本算法最终求得的最优种群,多个目标的最优解集可以解析出包含多个从不同维度评估最优的构件排产方案。其中,图7即为一个典型的种群个体适应度函数快速非支配个体分层结果图。
S6:最后,根据最佳调度网络图解析出当前订单数据对应的最佳排产方案。
具体地,本实施例根据不同的生产需求,以个体的适应度函数为评估依据,确定所需的调度网络图。然后再分别以图8的甘特图和表4的排产单的形式,展示解析出的详细的排产结果,并结合图8和表4对排产方案进行详细的分析和说明。
表4:不同构件的排产方案
结合图8可知:第一个构件PC_0_01_0首先在1#生产线上生产,工序连续生产,没有中断,依次完成六个工序活动的执行。
PC_0_02_0紧跟构件PC_0_01_0在另一条生产线2#上生产,如图8所示:工序2-1出现中断,因为受到工人A的限制,工序2-1需要在工序1-2工序释放工人A后,方可进行工序2-1的生产。工序2-2出现中断,因为受到模具A的限制,工序2-2需要在工序1-5释放模具A后,方可进行工序2-2的生产。后面工序2-3到2-6因为资源充足,故没有发生中断。
PC_0_03_0紧跟构件PC_0_02_0在另一条生产线1#上生产,如图8所示:工序3-1出现中断,因为受到工人A的限制;工序3-1需要在工序2-2释放工人A后,方可进行工序3-1的生产。工序3-3出现中断,因为受到工人B的限制。工序3-3需要在工序2-4释放工人B后,方可进行工序3-3的生产。工序3-6出现中断,因为受到工人C的限制,工序3-6需要在工序2-6释放工人B后,方可进行工序3-6的生产。
需要特别说明的是:因为PC_0_03_0构件需要的是模具B,与同生产线1#上PC_0_01_0需要的模具A不冲突,且工序3-2的开始时间小于同生产线1#上PC_0_01_0工序1-2的结束时间,故工序3-2没有发生中断。
PC_0_02_1紧跟构件PC_0_03_0在另一条生产线2#上生产,如图8所示:工序4-1出现中断,因为受到工人A的限制,工序4-1需要在工序3-1释放工人A后,方可进行工序4-1的生产。工序4-2出现中断,因为受到模具A的限制,工序4-2需要在工序2-5释放模具A后,方可进行工序4-2的生产。后面工序4-3到4-6因为资源充足,故没有发生中断。
在表4的排产单中,详细的对每一个构件,包括其每道工序的开始时间和结束时间都进行了详细的安排。
验证试验
为了验证本实施例提供的方案,本实施例还结合发明人参与的安徽省某装配式住宅项目的构件生产过程设计了一个测试例,对该方案进行现场验证,以论证方案方案可行性与有效性。
1、试验数据的采集和标准化
为了说明本预制构件生产调度数学模型的可行性,测试例以一个混合流水车间的为例,模拟数据进行实验分析,实验所采集的数据采用表5的方法进行标准化处理。
表5:本实施例中试验数据的采样类型和标准化方法
其中,考虑到实际订单参数庞大繁杂,项目资源和构件订单的数据无法进行完全展示,以下仅列出部分数据作为参考;数据分布如表6和表7所示。
表6:项目部分资源可用情况统计
表7:项目中构件订单部分生产参数统计表
2、方案控制性参数简介
在测试例中得到的项目方案对应的局部调度网络图如图9所示。
在遗传算法的迭代优化过程中,迭代次数上限设为200,种群数量取50,交叉概率取0.8,变异概率取0.05。
为了综合评估该方案在不同优化目标下的性能,测试过程中先分别以完工时间和成本为单目标优化对象进行研究,再以完工时间和成本为多目标优化对象进行研究。
单目标分别以最小适应度和平均适应度作为算法的综合性能评价指标。多目标采用IGD值作为算法的综合性能的评价指标,IGD表示真实 Pareto前沿面上的点到算法获取的个体集合之间的最小欧式距离的平均值,用于评价算法的收敛性能和分布性能。值越小,算法的综合性能性能越好。并采用拟合曲线更加直观的展示IGD的变化趋势,拟合曲线的公式为 y = a * np.exp(-b * x) + c,其中x为种群迭代次数,y为拟合后的IGD指标,根据不同的模拟实验数据,a、b和c的常量值不定,本次模拟实验数据中a=0.60163178、b=0.07165228、c=0.37835093。
3、试验结果与分析
在试验过程中,根据试验数据绘制单目标的完工时间适应度变化曲线如图10所示,单目标的成本适应度变化曲线如图11所示。双目标的完工时间-成本适应度变化曲线如图12所示。
分析图10-12中的数据可知,两种不同的优化目标条件下,遗传算法在少于40轮迭代的条件下均可以实现收敛,反映了该方案具有较好的收敛性能和分布性能。
以生产完工时间和惩罚成本为目标的预制构件生产调度数学模型,对该问题进行双目标问题求解,结果如下表8所示。
表8:不同进度方案的工期与成本对比
为了使得上表的数据更加直观,本实施例还将表中数据绘制为如图12所示的柱状图,图中为了实现工期和成本在同一个柱状图中展示,对工期和成本进行归一化处理,同一项目的工期和成本,分别以本算法结果和企业生产结果中的最大工期和最大成本作为归一化的标准。
观察表8和图13中的数据可知:每个进度方案所对应的两个目标值各有优劣,以方案1和方案2对比可知,方案1工期较短,但是成本较高,方案2工期较长,但是成本较低。考虑到多目标值之间的权衡,所有的解均为非支配解,决策者可以根据自己的倾向性在非支配解中间进行权衡、决策、选择满足自身要求的进度方案。
实施例2
在实施例1的基础上,本实施例提供一种装配式建筑构件产线的多目标生产调度优化系统,该系统采用如前述的装配式建筑构件产线的多目标生产调度优化方法,对生产线上的生产任务进行排产,进而优化构件的生产成本并提高产线的生产效率。按照功能模块进行划分,如图14所示,该多目标生产调度优化系统包括:数据采集模块、标准化模块、调度网络图生成模块、生产工序图解析模块、遗传算法优化模块、排产方案输出模块。
其中,数据采集模块用于实时采集企业内部对应的与生产有关的各类要素信息,包括订单数据、产线数据、生产资料数据和工艺数据。标准化模块用于对数据采集模块采集到的各类信息进行标准化处理,得到所需的企业运营数据集。
调度网络图生成模块用于以均衡各条产线的负载为目标,采用启发式算法,根据企业运营数据集中的订单数据和产线数据生成若干个可行的调度网络图;进而构成调度网络图集。
生产工序图解析模块用于以企业运营数据集中的工艺数据和生产资料数据为约束,对调度网络图集中的各个调度网络图进行解析,获得生产订单中每个构件对应的生产工序图。
遗传算法优化模块用于以实现订单完成时间最短和/或各构件生产成本最低为优化目标,对调度网络图集中的各个初始化调度网络图进行迭代优化,进而得到满足优化目标的最佳调度网络图。
排产方案输出模块用于根据最佳调度网络图调用生产工序图解模块解析出当前订单数据对应的最佳排产方案。
实施例3
在实施例1和2的基础上,本实施例进一步提供一种装配式建筑构件产线的多目标生产调度优化装置。这种装置是实现前述实时例中方案的一种实体产品。具体地,该型多目标生产调度优化装置包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。
处理器执行所述计算机程序时,实现如前述的装配式建筑构件产线的多目标生产调度优化方法的步骤;进而根据企业当前的生产数据,输出当前待生产订单的最佳的排产方案。
在产品方案的实际部署中,计算机设备可以是能够执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器、处理器。
本实施例中,存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card ,SMC),安全数字(Secure Digital ,SD)卡,闪存卡(Flash Card)等。当然,存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外,存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。
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 (10)
1.一种装配式建筑构件产线的多目标生产调度优化方法,其特征在于,其用于基于多重约束对产线上各工位进行合理排产,并最终实现生产效率最大化和生产成本最小化;所述多目标生产调度优化方法包括如下步骤:
S1:对企业的订单数据、产线数据、生产资料数据和工艺数据进行标准化处理,构成所需的企业运营数据集;
其中,所述订单数据表示待生产订单中的各类构件的生产任务;所述产线数据表示所有产线的产能及负载信息;所述生产资料数据包括原料和模具的库存信息,以及生产人员的排班信息;所述工艺数据对应各构件的完整工序,以及各工序的关联关系和时间要求;
S2:以均衡各条产线的负载为目标,采用启发式算法,根据所述企业运营数据集中的订单数据和产线数据生成若干个可行的调度网络图;
其中,每个所述调度网络图用于表征各个构件在不同产线上的排产策略;
S3:以所述企业运营数据集中的工艺数据和生产资料数据为约束,对各个所述调度网络图进行解析,获得生产订单中每个构件对应的生产工序图;
其中,所述生产工序图中包含了每个构件在不同工位上的完整生产流程对应的时间节点和必要的生产要素;
S4:构建一种用于评价所述调度网络图中解析出的生产工序图效能的优化函数,所述优化函数的优化目标为实现订单完成时间最短和/或各构件生产成本最低;
S5:设置初始化种群、迭代轮次和优化目标,并根据优化目标设置对应的适应度函数;采用遗传算法对所述初始化种群进行迭代优化;进而得到满足优化目标的最佳调度网络图;
S6:根据所述最佳调度网络图解析出当前订单数据对应的最佳排产方案。
2.如权利要求1所述的装配式建筑构件产线的多目标生产调度优化方法,其特征在于:步骤S2中,所述调度网络图的生成方法如下:
S21:根据订单数据中包含的构件的类型和数量,随机生成各个构件的一个生产顺序;
S22:根据各个构件的生产顺序以及生产线的占用状态,依次为各个构件分配相应的生产线和工位;
S23:将订单数据中所有构件均完成分配后的排产策略作为所述调度网络图;
S24:重复步骤S21-S23的步骤,生成多个不同的调度网络图,并构成所需的调度网络图集。
3.如权利要求1所述的装配式建筑构件产线的多目标生产调度优化方法,其特征在于:步骤S3中,所述每个调度网络图对应的生产工序图的生成方法如下:
S31:从所述调度网络图集中选择随机选择一个调度网络图作为初始化图;
S32:根据各构件对应的生产资料数据约束,遍历所述调度网络图中第一个生产的构件中各工序的生产要素,并确保该构件中所有工序包含的生产要素均被满足;
S33:根据当前构件对应的工艺数据约束,确定当前构件中各个工序的开始时间和结束时间;
S34:重复S31-S33的步骤,解析出调度网络图中每个构件的生成工序中对应的生产要素,并按照时间轴排序构成所需的生产工序图。
4.如权利要求1所述的装配式建筑构件产线的多目标生产调度优化方法,其特征在于:步骤S3中,工艺数据和生产资料数据的约束对应的表达式如下:
上式中:Sl,i,k表示对应k工序的开始时间;Sl,i,k+1表示对应k+1工序的开始时间;Pl,i,k表示k工序的持续时间;Al,j表示l生产线上构件j的所有紧前构件集合;L和l分别表示生产线集合和某一条具体生产线,l、j为构件的索引,表示构件集合的某一个构件;k为构件的工序索引,表示某个构件的某一道工序;MT和mt分别表示模具的类型集合和某一种具体的模具;R和r分别表示资源集合和某一种具体的资源;PC和pc分别表示构件的集合和某一种具体的构件;T表示批处理构件的一个生产周期内的时间;
其中,表达式中的公式(1)为生产线上各工位的生产机器产生的约束;公式(2)为构建对应的工序中紧前逻辑关系产生的约束;公式(3)为模具数量产生的约束;公式(4)为生产资源产生的约束;公式(5)表示工期、资源、索引、时间对应要素的非负及非空约束。
5.如权利要求1所述的装配式建筑构件产线的多目标生产调度优化方法,其特征在于:步骤S4中,构建的优化函数如下:
针对每一种调度方案,上式中:FinishTime表示该方案的完工时间,其中Sl,i,k表示k工序的开始时间,Pl,i,k表示k工序的持续时间,Max为求最大值函数,FinishTime函数中用于求取最晚的构件完工时间;CriticalLineLoad表示该方案的关键生产线负载,其中Pl,i,k表示工序的持续时间,Max为求最大值函数,CriticalLineLoad函数中用于求取最长的生产线生产时间;LineAllLoad表示该方案的生产线总负载,其中Pl,i,k表示工序的持续时间,公式为求取生产线的总生产时间;MoldCost表示最小模具成本,Maxmt表示T生产周期内,某一时间t下模具的最大使用个数,Cmt表示模具的成本;
其中,l表示产线编号,i表示构件编号,k表示某一个构件工艺,mt表示模台,t表示时间,pc表示某一个构件,PC为构件集合,MT为模台集合,T为工期集合,L为产线集合。
6.如权利要求1所述的装配式建筑构件产线的多目标生产调度优化方法,其特征在于:步骤S5中,根据优化目标的差异,遗传算法获取最佳调度网络图的过程包括两种不同的迭代优化途径,具体过程如下:
一、单目标优化
S51:将调度网络图集中的初始化图作为初始种群,并从优化函数中选择一条作为优化目标,设置相应的适应度函数;
S52:对当前轮次种群进行个体的选择、交叉、变异操作得到子代种群;
S53:计算子代种群中所有个体的适应度值,并将个体按照适应度进行排序;
S54:按照预设比例从当前轮次的子代种群中选择适应度值较高的个体作为下一轮的种群;
S55:判断迭代轮次是否达到预设值:(1)是则输出适应度最高的个体作为所需的最佳调度网络图;(2)否则返回步骤S52继续进行种群迭代;
二、多目标优化
S051:将调度网络图集中的初始化图作为初始种群,并从优化函数中选择至少两条作为优化目标,设置相应的适应度函数;
S052:对当前种群进行个体的选择、交叉、变异操作得到子代种群;
S053:将父代种群和子代种群合并,并计算每个个体的适应度值,所述适应度值中包含不同指标项;
S054:基于适应度值中的不同指标项,对合并后的种群进行快速非装配排序,并对排序后的Pareto层中的每个个体进行种群拥挤度计算;
S055:判断迭代轮次是否达到预设值:(1)是则从排序后的Pareto层中选择各项指标较佳的若干个体,输出为所需的多个从不同维度评估的最佳调度网络图;(2)否则基于排序和种群拥挤度计算结果选择预设数量的个体作为下一轮的种群;并返回到步骤S052继续进行种群迭代。
7.如权利要求6所述的装配式建筑构件产线的多目标生产调度优化方法,其特征在于:步骤S52或S052中,遗传算法执行过程中的选择操作是从父代种群中进行部分个体的选择,通过构造个体选择池,子代个体由选择池中的个体直接获得;交叉操作是从父代种群中进行部分个体的选择,构造一个个体交配池,子代个体由交配池中的个体通过两两交叉产生;变异操作是从父代种群中进行部分个体的选择,构造一个个体变异池,子代个体由变异池中的个体通过变异产生。
8.如权利要求6所述的装配式建筑构件产线的多目标生产调度优化方法,其特征在于:步骤S054中,快速非支配排序过程中,根据个体之间不同指标项的支配关系对个体进行分层;个体拥挤度计算过程中,根据种群中的给定个体的周围个体的密度计算个体的拥挤度。
9.一种装配式建筑构件产线的多目标生产调度优化系统,其特征在于:其采用如权利要求1-8中任意一项所述的装配式建筑构件产线的多目标生产调度优化方法,对生产线上的生产任务进行排产,进而优化构件的生产成本并提高产线的生产效率;所述多目标生产调度优化系统包括:
数据采集模块,其用于实时采集企业内部对应的与生产有关的各类要素信息,包括订单数据、产线数据、生产资料数据和工艺数据;
标准化模块,其用于对数据采集模块采集到的各类信息进行标准化处理,得到所需的企业运营数据集;
调度网络图生成模块,其用于以均衡各条产线的负载为目标,采用启发式算法,根据所述企业运营数据集中的订单数据和产线数据生成若干个可行的调度网络图;进而构成调度网络图集;
生产工序图解析模块,其用于以所述企业运营数据集中的工艺数据和生产资料数据为约束,对所述调度网络图集中的各个调度网络图进行解析,获得生产订单中每个构件对应的生产工序图;
遗传算法优化模块,其用于以实现订单完成时间最短和/或各构件生产成本最低为优化目标,对所述调度网络图集中的各个初始化调度网络图进行迭代优化,进而得到满足优化目标的最佳调度网络图;以及
排产方案输出模块,其用于根据所述最佳调度网络图调用所述生产工序解析模块解析出当前订单数据对应的最佳排产方案。
10.一种装配式建筑构件产线的多目标生产调度优化装置,其包括存储器、处理器以及计算机程序,其特征在于:所述处理器执行所述计算机程序时,实现如权利要求1-8中任意一项所述的装配式建筑构件产线的多目标生产调度优化方法的步骤;进而根据企业当前的生产数据,输出当前待生产订单的最佳的排产方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211600382.2A CN115600774B (zh) | 2022-12-14 | 2022-12-14 | 一种装配式建筑构件产线的多目标生产调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211600382.2A CN115600774B (zh) | 2022-12-14 | 2022-12-14 | 一种装配式建筑构件产线的多目标生产调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115600774A true CN115600774A (zh) | 2023-01-13 |
CN115600774B CN115600774B (zh) | 2023-03-10 |
Family
ID=84853976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211600382.2A Active CN115600774B (zh) | 2022-12-14 | 2022-12-14 | 一种装配式建筑构件产线的多目标生产调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115600774B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227890A (zh) * | 2023-05-05 | 2023-06-06 | 安元科技股份有限公司 | 一种支持换产的排程调度方法及系统 |
CN116663861A (zh) * | 2023-07-27 | 2023-08-29 | 安徽大学绿色产业创新研究院 | 装配式构件生产鲁棒性和资源均衡结合的调度优化方法 |
CN116911581A (zh) * | 2023-09-14 | 2023-10-20 | 山东德丰重工有限公司 | 一种装配式建筑的智能生产管理系统及方法 |
CN117252372A (zh) * | 2023-09-22 | 2023-12-19 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 一种基于聚类分析算法的工业互联网资源分配和调度方法 |
CN117391259A (zh) * | 2023-12-11 | 2024-01-12 | 山东建筑大学 | 一种混凝土预制构件分组生产调度方法及系统 |
CN117892885A (zh) * | 2024-03-13 | 2024-04-16 | 宁德时代新能源科技股份有限公司 | 排产方法、装置、设备、存储介质及产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180284747A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment |
CN110378528A (zh) * | 2019-07-17 | 2019-10-25 | 南京大学 | 基于遗传算法的车间排产方法及系统 |
CN111798119A (zh) * | 2020-06-30 | 2020-10-20 | 西安建筑科技大学 | 一种预制构件流水车间订单接受与调度集成优化方法 |
CN112801414A (zh) * | 2021-03-02 | 2021-05-14 | 安徽大学绿色产业创新研究院 | 一种装配式建筑构件排产优化方法及系统 |
CN115204497A (zh) * | 2022-07-19 | 2022-10-18 | 山东建筑大学 | 一种基于强化学习的预制构件生产调度优化方法及系统 |
CN115330179A (zh) * | 2022-08-10 | 2022-11-11 | 安徽大学绿色产业创新研究院 | 一种考虑资源受限的装配式建筑生产调度优化方法 |
-
2022
- 2022-12-14 CN CN202211600382.2A patent/CN115600774B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180284747A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment |
CN110378528A (zh) * | 2019-07-17 | 2019-10-25 | 南京大学 | 基于遗传算法的车间排产方法及系统 |
CN111798119A (zh) * | 2020-06-30 | 2020-10-20 | 西安建筑科技大学 | 一种预制构件流水车间订单接受与调度集成优化方法 |
CN112801414A (zh) * | 2021-03-02 | 2021-05-14 | 安徽大学绿色产业创新研究院 | 一种装配式建筑构件排产优化方法及系统 |
CN115204497A (zh) * | 2022-07-19 | 2022-10-18 | 山东建筑大学 | 一种基于强化学习的预制构件生产调度优化方法及系统 |
CN115330179A (zh) * | 2022-08-10 | 2022-11-11 | 安徽大学绿色产业创新研究院 | 一种考虑资源受限的装配式建筑生产调度优化方法 |
Non-Patent Citations (5)
Title |
---|
M.FERA: "A modified genetic algorithm for time and cost optimization of an additive manufacturing single-machine scheduling:", 《INTERNATIONAL JOURNAL OF INDUSTRIAL ENGINEERING COMPUTATIONS》 * |
孟旭等: "基于粒子群算法的预制构件生产调度优化应用研究", 《价值工程》 * |
谢思聪等: "基于多层编码遗传算法的两阶段装配式建筑预制构件生产调度优化", 《工程管理学报》 * |
靳华中等: "面向生产线级的PC构件排产模式研究", 《土木建筑工程信息技术》 * |
韩玉: "面向装配式建筑产品的多目标生产调度方法研究", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227890A (zh) * | 2023-05-05 | 2023-06-06 | 安元科技股份有限公司 | 一种支持换产的排程调度方法及系统 |
CN116663861A (zh) * | 2023-07-27 | 2023-08-29 | 安徽大学绿色产业创新研究院 | 装配式构件生产鲁棒性和资源均衡结合的调度优化方法 |
CN116663861B (zh) * | 2023-07-27 | 2023-10-13 | 安徽大学绿色产业创新研究院 | 装配式构件生产鲁棒性和资源均衡结合的调度优化方法 |
CN116911581A (zh) * | 2023-09-14 | 2023-10-20 | 山东德丰重工有限公司 | 一种装配式建筑的智能生产管理系统及方法 |
CN116911581B (zh) * | 2023-09-14 | 2023-12-08 | 山东德丰重工有限公司 | 一种装配式建筑的智能生产管理系统及方法 |
CN117252372A (zh) * | 2023-09-22 | 2023-12-19 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 一种基于聚类分析算法的工业互联网资源分配和调度方法 |
CN117391259A (zh) * | 2023-12-11 | 2024-01-12 | 山东建筑大学 | 一种混凝土预制构件分组生产调度方法及系统 |
CN117391259B (zh) * | 2023-12-11 | 2024-03-26 | 山东建筑大学 | 一种混凝土预制构件分组生产调度方法及系统 |
CN117892885A (zh) * | 2024-03-13 | 2024-04-16 | 宁德时代新能源科技股份有限公司 | 排产方法、装置、设备、存储介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN115600774B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
US20210373888A1 (en) | Multi-objective optimization method and system for master production plan of casting parallel workshops | |
CN109190857B (zh) | 一种基于多目标资源受限项目调度模型的优化算法 | |
Amiri et al. | Buffer allocation in unreliable production lines based on design of experiments, simulation, and genetic algorithm | |
CN111382942B (zh) | 一种集成交货期配置的置换流水车间能效优化调度方法 | |
CN113705866B (zh) | 基于资源受限项目调度问题模型的排程优化方法和系统 | |
CN112001618B (zh) | 一种工期指派、订单接受与生产调度集成优化方法 | |
Li et al. | Multi-objective optimization of cloud manufacturing service composition with cloud-entropy enhanced genetic algorithm. | |
CN102608916A (zh) | 一种基于元胞机的大型零件柔性作业车间的动态调度方法 | |
CN111047272B (zh) | 一种用于多语言协同开发的项目调度方法及装置 | |
CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
CN110991784B (zh) | 一种用于异常低压台区派工的方法及系统 | |
CN111667191A (zh) | 资源专享和转移视角下双目标鲁棒资源分配方法和系统 | |
CN114594744A (zh) | 一种分布式工厂生产配送集成调度方法和系统 | |
Zaman et al. | Multi-method based algorithm for multi-objective problems under uncertainty | |
CN115330179A (zh) | 一种考虑资源受限的装配式建筑生产调度优化方法 | |
CN116663861B (zh) | 装配式构件生产鲁棒性和资源均衡结合的调度优化方法 | |
CN111798119A (zh) | 一种预制构件流水车间订单接受与调度集成优化方法 | |
CN117557078A (zh) | 一种基于时间节点的智能生产计划管理方法及系统 | |
Chen et al. | Joint optimization of fleet-level sequential selective maintenance and repairpersons assignment for multi-state manufacturing systems | |
CN114757448A (zh) | 一种基于数据空间模型的制造环节间最优价值链构建方法 | |
Labbi et al. | Genetic algorithm combined with Taguchi method for optimisation of supply chain configuration considering new product design | |
CN109543930B (zh) | 基于机台多级别稳态生产速率的派工方法及系统 | |
Azimi et al. | Developing a new integrated bi-objective model for buffer and process time optimization problem using optimization via simulation approach | |
Song et al. | Research on Flexible Equipment Maintenance Process Scheduling Problems Based on HNSGSA Algorithm |
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 |