CN115619183A - 多主体协同下考虑供应链成本的生产任务调度方法 - Google Patents
多主体协同下考虑供应链成本的生产任务调度方法 Download PDFInfo
- Publication number
- CN115619183A CN115619183A CN202211373659.2A CN202211373659A CN115619183A CN 115619183 A CN115619183 A CN 115619183A CN 202211373659 A CN202211373659 A CN 202211373659A CN 115619183 A CN115619183 A CN 115619183A
- Authority
- CN
- China
- Prior art keywords
- production
- cost
- production task
- supply chain
- tasks
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Abstract
本发明提供一种多主体协同下考虑供应链成本的生产任务调度方法、系统、存储介质和电子设备,涉及生产任务调度技术领域。本发明根据所述订单的生产调度资源、生产任务,以最小化所有生产任务的供应链成本为目标,构建MAC‑PTS模型;采用OAGA算法求解所述MAC‑PTS模型,获取多主体协同下考虑供应链成本的生产任务调度方案。将制造企业的海外小批量订单将抽象为生产任务,针对其制造任务需求复杂、制造服务能力跨行业、制造过程耦合等特点,建立多主体协同下的MAC‑PTS模型,并采用优选后的遗传算法进行求解,利于寻找接近最优解,帮助制造企业高效合理地进行生产任务调度。
Description
技术领域
本发明涉及生产任务调度技术领域,具体涉及一种多主体协同下考虑供应链成本的生产任务调度方法、系统、存储介质和电子设备。
背景技术
随着全球化趋势的日益增长,越来越多的制造企业为了更好的生产质量和客户满意度由集中式生产网络转向分散式生产网络,而在分散的生产网络下如何安排订单计划与任务分配是企业需要面临的一个常态化问题。
目前,现有研究主要集中在多工厂生产与调度与生产与运输计划等方面。然而,制造企业既有国内制造任务,也有出口制造任务,其中,出口制造任务涉及到海运,尤其体量小的生产任务在出口环节需要拼箱后才能海运。制造企业的生产任务产品种类多样,总体制造需求巨大,所以,合理、高效地对制造企业的生产任务进行统一调度迫在眉睫。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种多主体协同下考虑供应链成本的生产任务调度方法、系统、存储介质和电子设备,解决了如何合理、高效地对制造企业的生产任务的统一调度的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种多主体协同下考虑供应链成本的生产任务调度方法,包括:
S1、获取订单的生产调度资源、以及生产任务;
S2、根据所述订单的生产调度资源、以及生产任务,以最小化所有生产任务的供应链成本为目标,构建MAC-PTS模型;
S3、采用OAGA算法求解所述MAC-PTS模型,获取生产任务的生产任务调度方案。
优选的,所述S2中的MAC-PTS模型包括:
以最小化所有生产任务的供应链成本为目标的目标函数:
其中,i、j分别表示生产任务i、j,i、j∈I={1,2,...,n},订单总数为n;f表示工厂f,j∈F={1,2,...,m},工厂总数为m;k表示拼箱方案k,k∈K={1,2,...,w},方案总数为w;l表示产品类型l,l∈L={1,2,...,h},产品类型总数为h;
表示仓库wf中单位产品l的存储成本;表示产品l在仓库wf的单位存储成本;表示生产任务i中产品l在仓库wf中的持有天数;表示拼箱方案k的装船时间;表示工厂f到发货港rk的运输时间;rk表示拼箱方案k的发货港;表示生产任务i中产品l的生产完成时间;
优选的,所述S2中的MAC-PTS模型还包括:
约束条件:
(1)每个生产任务只分配给一个工厂,并且每个产品作业在生产线上前后均紧接着一个其他生产任务的作业;如果生产任务i是工厂f中的最后一个生产的订单,那么xfi(n+1)=1,否则xfi(n+1)=0;如果生产任务j是工厂f中的第一个生产的订单,那么xf0j=1,否则xf0j=0;
(2)每个生产任务各类产品的生产作业前后均不能有空闲;
(3)限制每个工厂只设置一个生产任务作为第一个和最后一个生产订单;如果工厂f不分配生产任务,则xf0(n+1)=1;
(4)当生产任务i和j被分配到同一工厂时,在任何一条产线上,要么i紧接在j前面生产,要么j紧接在i前面生产,要么两个关系都不成立;
(5)同一工厂内的生产任务各产品作业不能同时进行生产,并且在连续的两个生产作业中,后者的生产开始时间等于前者的生产开始时间与加工时间之和,即每条生产线上连续两个生产作业之间不允许有空闲时间;
其中,M是一个足够大的正数;
(6)生产任务i中产品l的生产完成时间等于其生产开始时间和生产时间之和,其中生产时间等于产品l的数量与产品l在工厂f的单位生产时间的乘积;
(7)每个生产任务所选拼箱方案的目的港与客户指定的目的港一致;
其中,wk表示拼箱方案k的目的港;wi表示生产任务i的目的港,即客户指定的目的港;
(8)每个生产任务由一个工厂完成,并且选择一个拼箱方案;
(9)限制每个生产任务出库的时间不早于其在工厂全部生产完成的时间,其中,生产任务的完成时间等于该订单中最晚生产完成的产品的完工时间;
(10)表示所有选择同一拼箱方案的生产任务的总装柜体积不超过其剩余可用体积;
(11)两个决策变量之间的一一对应关系;
优选的,S31、根据成本筛选规则生成初始种群,并进行约束校验与调整;其中,采用整数编码方式获取一条三行染色体,每一条染色体的长度等于生产任务数量;第一行表示生产任务所选择的拼箱方案,第二行表示生产任务所选择的工厂,第三行表示生产任务的生产调度顺序,仅对选择同一工厂的生产任务进行排序;
S32、若达到最大迭代次数则停止,否则继续执行;
S33、计算种群适应度,记录最优个体;其中,采用线性转换法将所述MAC-PTS模型的目标函数转化适应度函数:
F=αC+β
其中,F表示对供应链成本C进行线性尺度变换后的适应度函数,α、β为线性方程的超参数,且α<0;
S34、独立地从当前种群中选取N个母体;
S35、根据种群适应度自适应更新交叉概率,对N个母体进行交叉操作;
S36、根据种群适应度自适应更新变异概率,对N个交叉后的个体进行变异;
S37、对变异后的子代种群进行约束校验与调整;
S38、将父代种群和子代种群合并,得到规模为2N的种群;
S39、在2N种群中选出N个个体,得到新一代种群,返回S32。
优选的,所述S31中根据成本筛选规则生成初始种群,并进行约束校验与调整,具体是指:
(1)种群初始化:
在生成初始种群时,考虑目的港一致的约束条件,每个生产任务仅在目的港与客户要求一致的拼箱方案中进行随机选择;陆运成本因发货港与工厂的位置远近而不同,拼箱方案确定后,发货港随之确定,筛选与该发货港距离较近的工厂并随机分配;对分配到同一工厂的订单按照其选定拼箱方案的装船时间由早至晚进行排序,最后形成一条完整染色体,并生成初始种群;
(2)拼箱体积约束校验与调整:
对每一个拼箱方案进行检验,若选择它的生产任务的总体积超过了可用体积,则按照体积利用率最大化的原则进行调整;针对需要调整拼箱方案的生产任务,筛选出目的港一致并且剩余体积满足需求的拼箱方案;在可选的方案中选择一个海运成本最小的方案
优选的,所述S34中采用轮盘赌选择法选择母体;和/或
优选的,所述S35中采用两点交叉法进行交叉操作;
优选的,所述S36中采用整数值突变的变异方法;
优选的,所述S39中采用基于适应度排序的直接复制选择法得到新一代种群。
优选的,所述S35中根据种群适应度自适应更新交叉概率,具体是指:
其中,Pc为当前代的交叉概率;f′为等待交叉的两个个体的适应度较大值;Pc1为交叉概率的上限,Pc2为交叉概率的下限;fmax为当前种群中所有个体的最大适应度值,favg为当前种群中所有个体的适应度平均值;t为当前进化次数,tmax为最大进化次数。
优选的,所述S36中根据种群适应度自适应更新变异概率,具体是指:
其中,Pm为当前代的变异概率;f表示等待突变的个体的适应度值;Pm1为变异概率的上限,Pm2为变异概率的下限。
一种多主体协同下考虑供应链成本的生产任务调度系统,包括:
获取模块,用于获取订单的生产调度资源、以及生产任务;
构建模块,用于根据所述订单的生产调度资源、以及生产任务,以最小化所有生产任务的供应链成本为目标,构建MAC-PTS模型;
求解模块,用于采用OAGA算法求解所述MAC-PTS模型,获取生产任务的生产任务调度方案。
一种存储介质,其存储有用于多主体协同下考虑供应链成本的生产任务调度的计算机程序,其中,所述计算机程序使得计算机执行如上所述的多主体协同下考虑供应链成本的生产任务调度方法。
一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的多主体协同下考虑供应链成本的生产任务调度方法。
(三)有益效果
本发明提供了一种多主体协同下考虑供应链成本的生产任务调度方法、系统、存储介质和电子设备。与现有技术相比,具备以下有益效果:
本发明包括:获取订单的生产调度资源、以及生产任务;根据所述订单的生产调度资源、以及生产任务,以最小化所有生产任务的供应链成本为目标,构建MAC-PTS模型;采用OAGA算法求解所述MAC-PTS模型,获取生产任务的调度方案。针对企业的制造任务需求复杂、制造服务能力跨行业、制造过程耦合等特点,建立多主体协同下考虑供应链成本的MAC-PTS模型,并采用优选后的遗传算法进行求解,利于寻找接近最优解,帮助制造企业集中进行生产任务调度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有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发明的一些实施例,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为本发明实施例提供的一种多主体协同下考虑供应链成本的生产任务调度方法的方框图;
图2为本发明实施例提供的一种多主体协同下考虑供应链成本的生产任务调度场景示意图;
图3为本发明实施例提供的一种生产任务的完成时间线的示意图;
图4为本发明实施例提供的一种OAGA算法的基本流程图;
图5(a)为本发明实施例提供的一种MAC-PTS模型的染色体编码示意图;
图5(b)为本发明实施例提供的一种生产任务调度排序示意图;
图6为本发明实施例提供的一种轮盘赌选择法示意图;
图7为本发明实施例提供的一种两点交叉法的示意图;
图8为本发明实施例提供的一种整数值突变法的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本申请实施例通过提供一种多主体协同下考虑供应链成本的生产任务调度方法、系统、存储介质和电子设备,针对多主体协同下的生产任务,解决了如何合理、高效地进行多主体协同下考虑供应链成本的生产任务调度的技术问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
如图1所示,本发明实施例包括:获取订单的生产调度资源、以及生产任务;根据所述订单的生产调度资源、以及生产任务,以最小化所有生产任务的供应链成本为目标,构建多主体协同的生产任务调度(MAC-PTS,Multi-Agent Cooperative-Production TaskScheduling)模型;采用引导式的自适应遗传算法(Orientative Adaptive GeneticAlgorithm,OAGA)算法求解所述MAC-PTS模型,获取多主体协同下考虑供应链成本的生产任务调度方案。将制造企业的海外小批量订单将抽象为生产任务,针对其制造任务需求复杂、制造服务能力跨行业、制造过程耦合等特点,建立多主体协同下的MAC-PTS模型,并采用优选后的遗传算法进行求解,利于寻找接近最优解,帮助制造企业高效合理地进行生产任务调度。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例:
本发明实施例提供了一种多主体协同下考虑供应链成本的生产任务调度方法,包括:
S1、获取订单的生产调度资源、以及生产任务;
S2、根据所述订单的生产调度资源、以及生产任务,以最小化所有生产任务的供应链成本为目标,构建MAC-PTS模型;
S3、采用OAGA算法求解所述MAC-PTS模型,获取多主体协同下考虑供应链成本的生产任务调度方案。
本发明实施例针对企业的制造任务需求复杂、制造服务能力跨行业、制造过程耦合等特点,建立多主体协同下考虑供应链成本的MAC-PTS模型,并采用优选后的遗传算法进行求解,利于寻找接近最优解,帮助制造企业集中处理大量的生产任务。
接下来将详细介绍上述技术方案的各个步骤:
首先需要说明补充说明本发明实施例涉及的生产任务调度问题描述,具体如下:
某制造企业有n个来自海外客户的生产任务,需分配给分布在不同地区的m个工厂,并从w个拼箱方案中为其选择一个指定方案,最终实现订单的海外交付。其中,每个生产任务均包含h种类型的产品,每个工厂均有h条生产线,分别生产对应的各类产品。拼箱方案是对拼箱以及订船环节的抽象,每个拼箱方案包括发货港口、装船时间、预计送达时间、可用体积、海运费用、目的港口等信息。面向小批量生产任务,在多主体协同下考虑供应链成本的生产任务调度场景如图2所示。
针对同一个生产任务,不再进行拆分。每个工厂每条生产线在0时刻均是可用的,各条生产线均按照订单顺序依次进行产品作业。每个生产任务i中的产品l的生产时间取决于给定的产品l的单位处理时间与它被分配到的工厂f有关。生产任务的所有产品作业必须在生产线上不间断地操作,并立即储存在工厂附近的仓库中。工厂与仓库的交货时间、拼箱过程的时间相对于订单整体完成时间非常少,均忽略不计。生产任务的完成时间线如图3所示。
在步骤S1中,获取订单的生产调度资源、以及生产任务。
所述订单的生产调度资源和生产任务,具体涉及如下符号体系:
决策变量
符号定义
i,j | 生产任务,i,j∈I={1,2,...,n} |
f | 工厂,f∈F={1,2,...,m} |
k | 拼箱方案,k∈K={1,2,...,w} |
L | 产品种类,l∈L={1,2,...,h} |
参数
在步骤S2中,根据所述订单的生产调度资源、以及生产任务,以最小化所有生产任务的供应链成本为目标,构建MAC-PTS模型。
所述S2中的MAC-PTS模型包括:
以最小化所有生产任务的供应链成本为目标的目标函数:
where
where
其中,公式(1)是使所有生产任务产生的所有成本之和最小,其中包括生产成本、仓库储存成本、陆运成本、海运成本和惩罚成本;C为供应链成本。
公式(7)定义了生产任务i中产品l的单位惩罚成本,等于产品l的单位惩罚成本与生产任务i交货偏差的乘积,其中,交货偏差是指产品到达目的港的时间与客户要求时间的差的绝对值;表示生产任务i中产品l的单位惩罚成本。
以及约束条件:
(1)每个生产任务只分配给一个工厂,并且每个产品作业在生产线上前后均紧接着一个其他生产任务的作业;如果生产任务i是工厂f中的最后一个生产的订单,那么xfi(n+1)=1,否则xfi(n+1)=0;如果生产任务j是工厂f中的第一个生产的订单,那么xf0j=1,否则xf0j=0;
(2)每个生产任务各类产品的生产作业前后均不能有空闲;
(3)限制每个工厂只设置一个生产任务作为第一个和最后一个生产订单;如果工厂f不分配生产任务,则xf0(n+1)=1;
(4)当生产任务i和j被分配到同一工厂时,在任何一条产线上,要么i紧接在j前面生产,要么j紧接在i前面生产,要么两个关系都不成立;
(5)同一工厂内的生产任务各产品作业不能同时进行生产,并且在连续的两个生产作业中,后者的生产开始时间等于前者的生产开始时间与加工时间之和,即每条生产线上连续两个生产作业之间不允许有空闲时间;
其中,M是一个足够大的正数;
(6)生产任务i中产品l的生产完成时间等于其生产开始时间和生产时间之和,其中生产时间等于产品l的数量与产品l在工厂f的单位生产时间的乘积;
(7)每个生产任务所选拼箱方案的目的港与客户指定的目的港一致;
(8)每个生产任务由一个工厂完成,并且选择一个拼箱方案;
(9)限制每个生产任务出库的时间不早于其在工厂全部生产完成的时间,其中,生产任务的完成时间等于该订单中最晚生产完成的产品的完工时间;
(10)表示所有选择同一拼箱方案的生产任务的总装柜体积不超过其剩余可用体积;
(11)两个决策变量之间的一一对应关系;
在步骤S3中,采用OAGA算法求解所述MAC-PTS模型,针对制造企业的生产任务,获取的多主体协同下考虑供应链成本的生产任务调度方案。
遗传算法(GA)作为一种全局搜索方法,模仿生物界的“优胜劣汰”能够在较短的时间内找到问题的近似最优解,可以很好地解决多主体协同下考虑供应链成本的生产任务调度问题。面向多品种海外小批量生产任务,结合多主体协同下考虑供应链成本的生产任务调度问题的目标函数和约束条件,本发明实施例首先根据筛选规则生成初始种群,然后根据拼箱方案体积约束对拼箱方案的选择进行调整,再采用结合考虑种群适应度与迭代次数的自适应策略,得到引导式的自适应遗传算法(Orientative Adaptive GeneticAlgorithm,OAGA)对问题进行求解。
相应的,如图4所示,所述S3具体包括:
S31、根据成本筛选规则生成初始种群,并进行约束校验与调整;
其中,如图5(a)~(b)所示,本步骤采用整数编码方式获取一条三行染色体,每一条染色体的长度等于生产任务数量;第一行表示生产任务所选择的拼箱方案,第二行表示生产任务所选择的工厂,第三行表示生产任务的生产调度顺序,仅对选择同一工厂的生产任务进行排序。在图5(a)所示的编码中,10个生产任务在20个拼箱方案、2个工厂中分别选择一个,并生成生产顺序;如图5(b)所示,生产任务2、3、5、8均选择了工厂1,并按照3-5-2-8的顺序进行生产,工厂2同理。
所述根据成本筛选规则生成初始种群,并进行约束校验与调整,具体是指:
(1)种群初始化:
在生成初始种群时,考虑目的港一致的约束条件,每个生产任务仅在目的港与客户要求一致的拼箱方案中进行随机选择;陆运成本因发货港与工厂的位置远近而不同,拼箱方案确定后,发货港随之确定,筛选与该发货港距离较近的工厂并随机分配;生产任务的各项生产作业不能同时生产,其生产完成时间距离装船时间越近,相应的仓储成本就会越少,故对分配到同一工厂的订单按照其选定拼箱方案的装船时间由早至晚进行排序,最后形成一条完整染色体,并生成初始种群。
(2)拼箱体积约束校验与调整:
在生成生产任务选择拼箱方案的染色体行或者拼箱方案选择情况有调整时,都可能违反拼箱方案的可用体积约束,也就是所有选择同一拼箱方案的生产任务的总装柜体可能超过其剩余体积。所以,在生成初始种群以及产生新一代种群时,都添加了对染色体第一行的拼箱体积约束校验与调整策略。
首先,对每一个拼箱方案进行检验,若选择它的生产任务的总体积超过了可用体积,则按照体积利用率最大化的原则进行调整,也就是使继续选择该方案的订单体积最接近装满状态;然后,针对需要调整拼箱方案的生产任务,筛选出目的港一致并且剩余体积满足需求的拼箱方案;最后,考虑到总成本中占比最大的就是海运成本,在可选的方案中选择一个海运成本最小的方案。
S32、若达到最大迭代次数则停止,否则继续执行。
S33、计算种群适应度,记录最优个体;其中,采用线性转换法将所述MAC-PTS模型的目标函数转化适应度函数:
F=αC+β
其中,F表示对供应链成本C进行线性尺度变换后的适应度函数,α、β为线性方程的超参数,且α<0。
S34、独立地从当前种群中选取N个母体。
本步骤采用轮盘赌选择法选择母体,具体是指种群的个体被映射到区间的连续片段,每个个体所在片段的长度与其适应度成比例;生成随机数,根据其所落在的片段选择对应的个体,并重复该过程直到获得所需数量的个体,如图6所示。
S35、根据种群适应度自适应更新交叉概率,对N个母体进行交叉操作。
交叉操作通过染色体之间基因片段的交叉,改变染色体的基因序列,可以增加种群多样性,提高遗传算法全局搜索能力。本步骤采用两点交叉法进行交叉操作。如图7所示,首先随机确定基因位置,交换这两组基因的拼箱方案选择片段,然后根据发货港与工厂间陆运成本尽量小的原则对工厂分配进行更新,再对同一工厂的订单顺序进行更新,得到两条子代染色体。
特别的,所述S35中根据种群适应度自适应更新交叉概率,具体是指:
其中,Pc为当前代的交叉概率;f′为等待交叉的两个个体的适应度较大值;Pc1为交叉概率的上限,Pc2为交叉概率的下限;fmax为当前种群中所有个体的最大适应度值,favg为当前种群中所有个体的适应度平均值;t为当前进化次数,tmax为最大进化次数
S36、根据种群适应度自适应更新变异概率,对N个交叉后的个体进行变异。
变异操作通过改变染色体中基因或基因位置来产生新的染色体,增加种群的多样性,以避免算法陷入局部最优。本步骤采用整数值突变的变异方法,在染色体上随机确定一个基因位置,对其选择的拼箱方案编号进行突变。如图8所示,根据变异后的拼箱方案更新工厂的选择与各工厂中的订单排序。
特别的,所述S36中根据种群适应度自适应更新变异概率,具体是指:
其中,Pm为当前代的变异概率;f表示等待突变的个体的适应度值;Pm1为变异概率的上限,Pm2为变异概率的下限
S37、对变异后的子代种群进行约束校验与调整。
S38、将父代种群和子代种群合并,得到规模为2N的种群。
S39、在2N种群中选出N个个体,得到新一代种群,返回S32。
本步骤从2N种群中选出新一代种群时,采用基于适应度排序的直接复制选择法,先计算父代种群和交叉变异得到种群合并后的种群中所有个体适应度,按照适应度从大到小进行排序,然后,选择前N个个体,进行种群更新。这样可以保证最优的个体被遗传到下一代,并且使算法有更好的全局搜索能力,避免陷入局部最优。
本发明实施例提供了一种面向多品种生产任务的多主体协同下考虑供应链成本的生产任务调度系统,包括:
获取模块,用于获取订单的生产调度资源、以及多品种海外生产任务;
构建模块,用于根据所述订单的生产调度资源、以及生产任务,以最小化所有生产任务的供应链成本为目标,构建MAC-PTS模型;
求解模块,用于采用OAGA算法求解所述MAC-PTS模型,针对制造企业的生产任务,获取多主体协同下考虑供应链成本的生产任务调度方案。
本发明实施例提供了一种存储介质,其存储有用于多主体协同下考虑供应链成本的生产任务调度的计算机程序,其中,所述计算机程序使得计算机执行如上所述的多主体协同下考虑供应链成本的生产任务调度方法。
本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的多主体协同下考虑供应链成本的生产任务调度方法
可理解的是,本发明实施例提供的多主体协同下考虑供应链成本的生产任务调度系统、存储介质、电子设备与本发明实施例提供的多主体协同下考虑供应链成本的生产任务调度方法相对应,其有关内容的解释、举例和有益效果等部分可以参考多主体协同下考虑供应链成本的生产任务调度方法中的相应部分,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明实施例包括:获取订单的生产调度资源、以及生产任务;根据所述订单的生产调度资源、以及生产任务,以最小化所有生产任务的供应链成本为目标,构建MAC-PTS模型;采用OAGA算法求解所述MAC-PTS模型,面向制造企业的生产任务,获取多主体协同下考虑供应链成本的生产任务调度方案。针对企业的制造任务需求复杂、制造服务能力跨行业、制造过程耦合等特点,建立多主体协同下考虑供应链成本的MAC-PTS模型,并采用优选后的遗传算法进行求解,利于寻找接近最优解,帮助制造企业集中处理大量的多品种生产任务。
2、本发明实施例首先根据筛选规则生成初始种群,然后根据拼箱方案体积约束对拼箱方案的选择进行调整,再采用结合考虑种群适应度与迭代次数的自适应策略,得到引导式的自适应遗传算法(Orientative Adaptive Genetic Algorithm,OAGA)对问题进行求解。
3、本发明实施例采用的自适应策略保证了所有个体在进化的早期阶段都有较大的变异和交叉概率。即使种群最优解也具有最小的交叉概率和突变概率,保证个体在进化早期的快速替换搜索和全局优化。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他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、物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他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种多主体协同下考虑供应链成本的生产任务调度方法,其特征在于,包括:
S1、获取订单的生产调度资源、以及生产任务;
S2、根据所述订单的生产调度资源、以及生产任务,以最小化所有生产任务的供应链成本为目标,构建MAC-PTS模型;
S3、采用OAGA算法求解所述MAC-PTS模型,获取多主体协同下考虑供应链成本的生产任务调度方案。
2.如权利要求1所述的多主体协同下考虑供应链成本的生产任务调度方法,其特征在于,所述S2中的MAC-PTS模型包括:
以最小化所有生产任务的供应链成本为目标的目标函数:
其中,i、j分别表示生产任务i、j,i、j∈I={1,2,...,n},生产任务总数为n;f表示工厂f,j∈F={1,2,...,m},工厂总数为m;k表示拼箱方案k,k∈K={1,2,...,w},方案总数为w;l表示产品类型l,l∈L={1,2,...,h},产品类型总数为h;
表示仓库wf中单位产品l的存储成本;表示产品l在仓库wf的单位存储成本;表示生产任务i中产品l在仓库wf中的持有天数;表示拼箱方案k的装船时间;表示工厂f到发货港rk的运输时间;rk表示拼箱方案k的发货港;表示生产任务i中产品l的生产完成时间;
3.如权利要求2所述的多主体协同下考虑供应链成本的生产任务调度方法,其特征在于,所述S2中的MAC-PTS模型还包括:
约束条件:
(1)每个生产任务只分配给一个工厂,并且每个产品作业在生产线上前后均紧接着一个其他生产任务的作业;如果生产任务i是工厂f中的最后一个生产的订单,那么xfi(n+1)=1,否则xfi(n+1)=0;如果生产任务j是工厂f中的第一个生产的订单,那么xf0j=1,否则xf0j=0;
(2)每个生产任务各类产品的生产作业前后均不能有空闲;
(3)限制每个工厂只设置一个生产任务作为第一个和最后一个生产订单;如果工厂f不分配生产任务,则xf0(n+1)=1;
(4)当生产任务i和j被分配到同一工厂时,在任何一条产线上,要么i紧接在j前面生产,要么j紧接在i前面生产,要么两个关系都不成立;
(5)同一工厂内的生产任务各产品作业不能同时进行生产,并且在连续的两个生产作业中,后者的生产开始时间等于前者的生产开始时间与加工时间之和,即每条生产线上连续两个生产作业之间不允许有空闲时间;
其中,M是一个足够大的正数;
(6)生产任务i中产品l的生产完成时间等于其生产开始时间和生产时间之和,其中生产时间等于产品l的数量与产品l在工厂f的单位生产时间的乘积;
(7)每个生产任务所选拼箱方案的目的港与客户指定的目的港一致;
其中,wk表示拼箱方案k的目的港;wi表示生产任务i的目的港,即客户指定的目的港;
(8)每个生产任务由一个工厂完成,并且选择一个拼箱方案;
(9)限制每个生产任务出库的时间不早于其在工厂全部生产完成的时间,其中,生产任务的完成时间等于该订单中最晚生产完成的产品的完工时间;
(10)表示所有选择同一拼箱方案的生产任务的总装柜体积不超过其剩余可用体积;
(11)两个决策变量之间的一一对应关系;
4.如权利要求1~3任一项所述的多主体协同下考虑供应链成本的生产任务调度方法,其特征在于,所述S3具体包括:
S31、根据成本筛选规则生成初始种群,并进行约束校验与调整;其中,采用整数编码方式获取一条三行染色体,每一条染色体的长度等于生产任务数量;第一行表示生产任务所选择的拼箱方案,第二行表示生产任务所选择的工厂,第三行表示生产任务的生产任务调度顺序,仅对选择同一工厂的生产任务进行排序;
S32、若达到最大迭代次数则停止,否则继续执行;
S33、计算种群适应度,记录最优个体;其中,采用线性转换法将所述MAC-PTS模型的目标函数转化适应度函数:
F=αC+β
其中,F表示对供应链成本C进行线性尺度变换后的适应度函数,α、β为线性方程的超参数,且α<0;
S34、独立地从当前种群中选取N个母体;
S35、根据种群适应度自适应更新交叉概率,对N个母体进行交叉操作;
S36、根据种群适应度自适应更新变异概率,对N个交叉后的个体进行变异;
S37、对变异后的子代种群进行约束校验与调整;
S38、将父代种群和子代种群合并,得到规模为2N的种群;
S39、在2N种群中选出N个个体,得到新一代种群,返回S32。
5.如权利要求4所述的多主体协同下考虑供应链成本的生产任务调度方法,所述S31中根据成本筛选规则生成初始种群,并进行约束校验与调整,具体是指:
(1)种群初始化:
在生成初始种群时,考虑目的港一致的约束条件,每个生产任务仅在目的港与客户要求一致的拼箱方案中进行随机选择;陆运成本因发货港与工厂的位置远近而不同,拼箱方案确定后,发货港随之确定,筛选与该发货港距离较近的工厂并随机分配;对分配到同一工厂的订单按照其选定拼箱方案的装船时间由早至晚进行排序,最后形成一条完整染色体,并生成初始种群;
(2)拼箱体积约束校验与调整:
对每一个拼箱方案进行检验,若选择它的生产任务的总体积超过了可用体积,则按照体积利用率最大化的原则进行调整;针对需要调整拼箱方案的生产任务,筛选出目的港一致并且剩余体积满足需求的拼箱方案;在可选的方案中选择一个海运成本最小的方案。
6.如权利要求4所述的多主体协同下考虑供应链成本的生产任务调度方法,其特征在于,
所述S34中采用轮盘赌选择法选择母体;
所述S35中采用两点交叉法进行交叉操作;
所述S36中采用整数值突变的变异方法;
所述S39中采用基于适应度排序的直接复制选择法得到新一代种群。
8.一种多主体协同下考虑供应链成本的生产任务调度系统,其特征在于,包括:
获取模块,用于获取订单的生产调度资源、以及生产任务;
构建模块,用于根据所述订单的生产调度资源、以及生产任务,以最小化所有生产任务的供应链成本为目标,构建MAC-PTS模型;
求解模块,用于采用OAGA算法求解所述MAC-PTS模型,获取多主体协同下考虑供应链成本的生产任务调度方案。
9.一种存储介质,其特征在于,其存储有用于多主体协同下考虑供应链成本的生产任务调度的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1~7任一项所述的多主体协同下考虑供应链成本的生产任务调度方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1~7任一项所述的多主体协同下考虑供应链成本的生产任务调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211373659.2A CN115619183A (zh) | 2022-11-03 | 2022-11-03 | 多主体协同下考虑供应链成本的生产任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211373659.2A CN115619183A (zh) | 2022-11-03 | 2022-11-03 | 多主体协同下考虑供应链成本的生产任务调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115619183A true CN115619183A (zh) | 2023-01-17 |
Family
ID=84876385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211373659.2A Pending CN115619183A (zh) | 2022-11-03 | 2022-11-03 | 多主体协同下考虑供应链成本的生产任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115619183A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911573A (zh) * | 2023-09-07 | 2023-10-20 | 南京邮电大学 | 一种面向智能制造的供应链物流商多任务协同方法 |
CN117250931A (zh) * | 2023-11-16 | 2023-12-19 | 一夫科技股份有限公司 | 基于数据融合的石膏板生产智能控制方法及系统 |
-
2022
- 2022-11-03 CN CN202211373659.2A patent/CN115619183A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911573A (zh) * | 2023-09-07 | 2023-10-20 | 南京邮电大学 | 一种面向智能制造的供应链物流商多任务协同方法 |
CN116911573B (zh) * | 2023-09-07 | 2023-11-14 | 南京邮电大学 | 一种面向智能制造的供应链物流商多任务协同方法 |
CN117250931A (zh) * | 2023-11-16 | 2023-12-19 | 一夫科技股份有限公司 | 基于数据融合的石膏板生产智能控制方法及系统 |
CN117250931B (zh) * | 2023-11-16 | 2024-01-23 | 一夫科技股份有限公司 | 基于数据融合的石膏板生产智能控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115619183A (zh) | 多主体协同下考虑供应链成本的生产任务调度方法 | |
Xu et al. | A class of multi-objective supply chain networks optimal model under random fuzzy environment and its application to the industry of Chinese liquor | |
Che et al. | A modified Pareto genetic algorithm for multi-objective build-to-order supply chain planning with product assembly | |
Jawahar et al. | A genetic algorithm based heuristic to the multi-period fixed charge distribution problem | |
Jackson et al. | The combination of discrete-event simulation and genetic algorithm for solving the stochastic multi-product inventory optimization problem | |
Dzupire et al. | A multi-stage supply chain network optimization using genetic algorithms | |
CN112070326A (zh) | 多目标生产订单分配装置及多目标生产订单分配方法 | |
CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程系统及方法 | |
Woo et al. | Production-Inventory control model for a supply chain network with economic production rates under no shortages allowed | |
Pourakbar et al. | A joint economic lot-size model for an integrated supply network using genetic algorithm | |
Izadi et al. | A hybrid genetic algorithm for integrated production and distribution scheduling problem with outsourcing allowed | |
Alavidoost et al. | A novel fuzzy mathematical model for an integrated supply chain planning using multi-objective evolutionary algorithm | |
CN114792220A (zh) | 基于上下游企业个性定制家具的多信息融合库存管理方法 | |
Więcek | Intelligent approach to inventory control in logistics under uncertainty conditions | |
Zhou et al. | Research on intelligent solution of service industry supply chain network optimization based on genetic algorithm | |
Das et al. | Integrated warehouse assignment and carton configuration optimization using deep clustering-based evolutionary algorithms | |
CN114298426A (zh) | Aps动态生产计划排程系统 | |
Pirayesh et al. | GPSO-LS algorithm for a multi-item EPQ model with production capacity restriction | |
CN115660360A (zh) | 多主体协同产供销业务链的海外小批量订单分配方法 | |
Shahparvari et al. | Designing an integrated multi-objective supply chain network considering volume flexibility | |
Garavelli et al. | Global manufacturing systems: a model supported by genetic algorithms to optimize production planning | |
CN115759646A (zh) | 海运时间不确定下多工厂生产调度的多目标优化方法 | |
CN114862192A (zh) | 异构工业互联网系统低成本生产任务分配和资源调度方法 | |
Sun et al. | Hybrid evolutionary algorithm for integrated supply chain network design with assembly line balancing | |
Ding et al. | A multiobjective optimization method for strategic sourcing and inventory replenishment |
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 |