CN115795908A - 模型训练方法、图像处理方法、装置、设备与介质 - Google Patents
模型训练方法、图像处理方法、装置、设备与介质 Download PDFInfo
- Publication number
- CN115795908A CN115795908A CN202211627403.XA CN202211627403A CN115795908A CN 115795908 A CN115795908 A CN 115795908A CN 202211627403 A CN202211627403 A CN 202211627403A CN 115795908 A CN115795908 A CN 115795908A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- result
- sample
- solving
- data
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种排产模型构建方法、排产方法、装置、设备与介质,涉及智慧工业、数据处理技术领域,尤其涉及车间排产技术领域;该方法包括:对求解器中变量增设至少一个维度的预设属性参数;采集柔性作业车间中每种排产问题对应的若干组样本排产数据以及样本排产结果;样本排产数据中包含多个预设求解变量,预设求解变量的属性参数对应基础属性参数和至少一个维度的预设属性参数;基于样本排产数据和对应的样本排产结果,构建得到用于输出表征排产优化方案的排产结果的目标排产模型。本公开特别适用于大规模的柔性车间排产问题的求解器加速求解场景中,能够有效降低求解器的求解复杂度,提高求解速度,保证了车间排产合理且有序执行。
Description
技术领域
本公开涉及智慧工业、数据处理技术领域,尤其涉及车间排产技术领域,提供一种排产模型构建方法、排产方法、装置、设备与介质。
背景技术
柔性车间排产(例如汽车生产排产、机床加工生产排产等)问题是一种NP难问题(一种类型的困难问题),车间内每个订单有一系列的工序,这些工序必须按照一定的顺序执行;其中,每个工序需要选择一个设备,对应的设备必须是符合该工序要求的,同时需要为该工序选择开始时间。
目前,主要采用纯启发式(例如种群进化结合邻域搜索等)的方式或者基于纯求解器求解的方式来解决柔性车间排产问题;但是,上述这些实现方案均存在订单工序的排产无法达到合理有序,例如对于大规模的柔性车间排产问题,使用纯求解器很难解出来,找不到可行解,导致易发生订单交付延期即不满足订单deadline(最终期限)的要求的情况。
发明内容
本公开要解决的技术问题是为了克服现有技术中的缺陷,提供一种排产模型构建方法、排产方法、装置、设备与介质。
本公开是通过下述技术方案来解决上述技术问题:
本公开的一方面,提供一种排产模型构建方法,所述构建方法包括:
对求解器中变量增设至少一个维度的预设属性参数;
其中,所述预设属性参数为辅助所述求解器得到可行解的参数;
采集柔性作业车间中每种排产问题对应的若干组样本排产数据,以及获取所述样本排产数据对应的样本排产结果;
其中,所述样本排产数据中包含多个预设求解变量,所述预设求解变量的属性参数对应基础属性参数和至少一个维度的所述预设属性参数;
基于所述样本排产数据和对应的所述样本排产结果,构建得到用于输出表征排产优化方案的排产结果的目标排产模型。
本公开的另一方面,还提供一种柔性作业车间的排产方法,所述排产方法基于上述的排产模型构建方法得到的目标排产模型实现,所述排产方法包括:
采集柔性作业车间中每个排产任务中不同排产问题对应的若干组实际排产数据;
将每组所述实际排产数据输入至所述目标排产模型,以得到输出预测排产结果;
采用求解器对所述述目标排产模型进行求解处理,得到求解结果;
根据所述预测排产结果和所述求解结果,确定每组所述实际排产数据包含的对应预设求解变量为固定变量;
获取每组所述实际排产数据对应的所有所述预设求解变量中除所述固定变量之外的其他求解变量;
采用所述求解器对所述其他求解变量进行求解处理,以得到每组所述实际排产数据的目标排产结果。
本公开的另一方面,还提供一种排产模型构建装置,所述构建装置包括:
属性参数增设模块,用于对求解器中变量增设至少一个维度的预设属性参数;
其中,所述预设属性参数为辅助所述求解器得到可行解的参数;
样本排产数据采集模块,用于采集柔性作业车间中每种排产问题对应的若干组样本排产数据;
样本排产结果获取模块,用于获取所述样本排产数据对应的样本排产结果;
其中,所述样本排产数据中包含多个预设求解变量,所述预设求解变量的属性参数对应基础属性参数和至少一个维度的所述预设属性参数;
目标排产模型构建模块,用于基于所述样本排产数据和对应的所述样本排产结果,构建得到用于输出表征排产优化方案的排产结果的目标排产模型。
本公开的另一方面,还提供一种柔性作业车间的排产装置,所述排产方法基于上述的排产模型构建装置得到的目标排产模型实现,所述排产装置包括:
实际排产数据采集模块,用于采集柔性作业车间中每个排产任务中不同排产问题对应的若干组实际排产数据;
预测排产结果模块,用于将每组所述实际排产数据输入至所述目标排产模型,以得到输出预测排产结果;
求解结果获取模块,用于采用求解器对所述述目标排产模型进行求解处理,得到求解结果;
固定变量确定模块,用于根据所述预测排产结果和所述求解结果,确定每组所述实际排产数据包含的对应预设求解变量为固定变量;
其他求解变量获取模块,用于获取每组所述实际排产数据对应的所有所述预设求解变量中除所述固定变量之外的其他求解变量;
目标排产结果获取模块,用于采用所述求解器对所述其他求解变量进行求解处理,以得到每组所述实际排产数据的目标排产结果。
本公开的另一方面,还提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法。
本公开的另一方面,还提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据上述的方法。
本公开的另一方面,还提供一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据上述的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开第一实施例的排产模型构建方法的流程图。
图2为本公开第一实施例的排产模型构建方法的流程图。
图3为本公开第一实施例的排产模型构建方法的流程图。
图4为本公开第一实施例的排产模型构建的示意图。
图5为本公开第二实施例的柔性作业车间的排产方法的流程图。
图6为本公开第二实施例的柔性作业车间的排产方法的流程图。
图7为本公开第二实施例的柔性作业车间的排产方法的流程图。
图8为本公开第二实施例的固定变量的求解示意图。
图9为本公开第三实施例的排产模型构建方法的模块示意图。
图10为本公开第三实施例的排产模型构建方法的模块示意图。
图11为本公开第四实施例的柔性作业车间的排产方法的模块示意图。
图12为本公开第四实施例的柔性作业车间的排产方法的模块示意图。
图13为本公开第五实施例的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例1
如图1所示,本实施例的排产模型构建方法包括:
S101、对求解器中变量增设至少一个维度的预设属性参数;
其中,预设属性参数为辅助求解器得到可行解的参数;
具体地,预设属性参数为求解器中变量的基础属性参数之外的其他属性参数,预设属性参数包括但不限于group变量组属性、step优先级属性。
例如,对于柔性车间排产场景中,有两个基本的求解变量:X[i,j]:i工序是否选择j设备进行加工;Y[i,j]:i工序在j设备上加工的开始时间;具体地,对于求解变量X[i,j]而言,通过增设X[i,j]对应的预设属性参数,将其分配至指定的group变量组且设置优先级最高,这样就可以使得对应排查任务中的i工序如何选择设备,求解器最终都能求解得到该求解变量对应的一个可行解,以达到排查优化的目的。
S102、采集柔性作业车间中每种排产问题对应的若干组样本排产数据;
其中,柔性作业车间包括但不限于汽车生产排产、机床加工生产排产。
S103、获取样本排产数据对应的样本排产结果;
其中,样本排产数据中包含多个预设求解变量,预设求解变量的属性参数对应基础属性参数和至少一个维度的预设属性参数;
S104、基于样本排产数据和对应的样本排产结果,构建得到用于输出表征排产优化方案的排产结果的目标排产模型。
本实施例中,通过修改建模语言,在设计变量时对于每个整数变量而言,增加变量的处基础属性参数之外的其他属性参数,基于这样的求解变量训练模型,保证了用于输出排产计划的目标排产模型的精度和可靠性,进而有效改善后续柔性作业车间中工序执行的合理且有序。
如图2所示,本实施例的排产模型构建方法是图1中的技术方案的进一步改进,具体地:
在一可实施的方案中,步骤S101包括:
S1011、在求解器中变量的基础属性参数基础上,增设对应的变量组和优先级。
在一可实施的方案中,构建方法还包括:
获取属性参数调整指令;
基于属性参数调整指令,采用修改、增加、删减中的至少一种调整方式设置求解器中变量在基础属性参数之外的其他属性参数。
本方案中,使得属性参数设置具有灵活性,能够更好地满足更高要求的排产优化场景,还可以根据实际需求增设其他维度的属性参数,只要能够满足求解需求即可,在此不再赘述。
在一可实施的方案中,步骤S102包括:
S1021、采用二部图采集柔性作业车间中每种排产问题对应的若干组样本排产数据;
其中,柔性作业车间中不同排产任务下对应不同的排产问题,采用二部图采集各种类型的排产问题对应的n组obs数据(一种排产数据类型);对于每种类型的排产问题下的每个小问题均对应一组obs数据,用于后续的模型训练。
另外,二部图如何采集数据属于本领域成熟技术,因此在此不再赘述。需要说明的是,还可以采用其他能够有效采集得到柔性作业车间中每种排产问题的排产数据的采集方式,不作具体限定。
步骤S103包括:
S1031、根据样本排产数据对应的排产结果标识信息获取对应的样本排产结果。
对于用于模型训练的样本排产数据,均具有匹配的样本排产结果,需要实现对这些样本排产数据进行打标签处理,以构建样本排产数据与对应的样本排产结果之间的关联关系,该处理过程可以自动生成或基于人工实现,若采用自动方式可以有效保证处理效率以及准确度,进而保证后续模型训练的精度与可靠性。
在一可实施的方案中,步骤S104包括:
S1041、基于样本排产数据和对应的样本排产结果,构建对应的排产问题的第一排产模型;
S1042、基于不同排产问题的第一排产模型,获取初始排产模型;
其中,基于每种不同类型的排产问题的样本排产数据,需要分别训练得到对应第一排产模型;例如:不同类型的排产问题包括A、B、C,则分别构建得到对应的A问题的A问题排产模型、B问题的B问题排产模型、C问题的C问题排产模型。
初始排产模型为这些不同类型的排产问题的模型参数汇总处理后得到的一个综合或融合模型。
另外,具体采用何种网络模型训练得到对应的第一排产模型没有特殊限定,只要能够保证对应问题的第一排产模型的精度达到设定训练条件即可。
S1043、采用求解器对样本排产数据进行求解处理,获取对应的第一排产结果;
S1044、基于样本排产数据和第一排产结果,重新训练第一排产模型以优化初始排产模型,直至达到预设优化条件以得到最终的目标排产模型。
本方案中,基于样本排产数据中不同预设求解变量的优先级,通过将求解器按照优先级分别对样本排产数据进行求解处理,得到排产结果以作为模型训练的输出;不断重新执行步骤S1041-S1044,直至得到满足预设优化条件的模型以作为最终的目标排产模型,从而有效地保证了模型训练的准确度与可靠性。其中,预设优化条件可以基于实际经验预先设置。
在一可实施的方案中,如图3所示,步骤S1042具体包括:
S10421、采用预设融合方式对不同排产问题的第一排产模型进行融合处理,以得到初始排产模型。即对不同排产问题的第一排产模型的模型参数进行汇总处理以最终得到融合后的一个综合排产模型。
在一可实施的方案中,步骤S1043具体包括:
S10431、采用求解器根据样本排产数据中不同预设求解变量的优先级进行区分处理,以分别得到样本排产数据中不同优先级的预设求解变量对应的第一排产结果。
具体地,如图4所示,例如:不同类型的排产问题包括A、B,分别构建得到对应的A问题的A问题排产模型、B问题的B问题排产模型;将A问题排产模型与和B问题排产模型的模型参数进行融合处理,以得到初始排查模型并存储至模型池中;
基于样本排产数据中不同预设求解变量的优先级,通过将求解器按照优先级分别对样本排产数据进行求解处理,得到排产结果以作为模型训练的输出;基于求解器的输出,重新确定对应的样本排产数据的用于模型训练的输出,然后对A问题的A问题排产模型、B问题的B问题排产模型进行重新训练,再次将重新训练的A问题排产模型与和B问题排产模型的模型参数进行融合处理,以得到优化后的初始排查模型并存储至模型池中;
不断重复执行上述的重新训练模型的构成,直至模型满足设定条件,则停止训练模型以得到满足要求的目标排产模型。
实施例2
如图5所示,本实施例的柔性作业车间的排产方法基于实施例1的排产模型构建方法得到的目标排产模型实现。
本实施例中的排产方法包括:
S201、采集柔性作业车间中每个排产任务中不同排产问题对应的若干组实际排产数据;
其中,采用二部图采集柔性作业车间中不同排产任务下对应不同各种类型的排产问题对应的n组obs数据;对于每种类型的排产问题下的每个小问题均对应一组obs数据,用于后续的模型训练。
当然,还可以采用其他能够有效采集得到柔性作业车间中每种排产问题的排产数据的采集方式,不作具体限定。
S202、将每组实际排产数据输入至目标排产模型,以得到输出预测排产结果;
S203、采用求解器对目标排产模型进行求解处理,得到求解结果;
S204、根据预测排产结果和求解结果,确定每组实际排产数据包含的对应预设求解变量为固定变量;
其中,求解器中每次启发式去固定变量,每次固定使用group分组,每次只固定一组变量,直至得到可以固定的所有固定变量,以保证后续加速求解。
S205、获取每组实际排产数据对应的所有预设求解变量中除固定变量之外的其他求解变量;
S206、采用求解器对其他求解变量进行求解处理,以得到每组实际排产数据的目标排产结果。
本实施例中,对于不同排产问题对应的若干组实际排产数据,每组实际排产数据中的预设求解变量对应增设变量组属性和优先级属性;采用求解器目标排产模型进行求解得到固定变量,这些固定变量不参与后续的求解过程,仅剩余的其他求解变量参与求解构成,且保证能够找到一个可行解,从而降低了求解器的求解复杂度,大大地提高了求解速度,特别适用于大规模的柔性车间排产问题的求解器加速求解场景中,保证了柔性车间排产中工序执行的合理且有序,能够有效地减小延期值,以达到较好地满足排产订单的deadline的要求的效果,达到降低订单交付延期、提高在制品周转率的目的,克服人工排产存在的效率低且易出错等缺陷。
上述的柔性作业车间的排产方法可以很好地应用在,gurobi(数学规划优化器)等求解器对大规模排产问题无法找到可行解的情况下,保证能够尽快地找到一个可行解,使得达到排查优化的效果。
本实施例的柔性作业车间的排产方法是图3中的技术方案的进一步改进,具体地:
在一可实施的方案中,如图6所示,步骤S204包括:
S20411、在求解结果表征存在可行解时,对预测排产结果和求解结果进行杂交处理,获取第一杂交结果;
S20412、基于第一杂交结果确定每组实际排产数据包含的对应预设求解变量为固定变量。
在一可实施的方案中,如图7所示,步骤S204包括:
S20421、在求解结果不存在可行解时,则获取求解器中的线性规划LP解;
S20422、对基于预测排产结果和线性规划LP解进行杂交处理,获取第二杂交结果;
S20423、基于第二杂交结果确定每组实际排产数据包含的对应预设求解变量为固定变量。
具体地,如图8所示,在实际的柔性作业车间的排产场景过程中,在求解器的求解结果表示存在当前最优解/其他可行解,则确定将模型输出的预测排产结果与该求解结果进行杂交处理,以得到对应的固定变量;在求解器的求解结果表示不存在当前最优解/其他可行解,则确定将模型输出的预测排产结果与求解器中的当前线性规划LP解进行杂交处理,以得到对应的固定变量;该排产方案使得无论何种情况均能够得到一个可行解,即修改rins提高型启发式的杂交逻辑,增加求解器的rins的调用逻辑,以达到有效排产优化的目的。
实施例3
如图9所示,本实施例的排产模型构建装置包括:
属性参数增设模块1,用于对求解器中变量增设至少一个维度的预设属性参数;
其中,预设属性参数为辅助求解器得到可行解的参数;
具体地,预设属性参数为求解器中变量的基础属性参数之外的其他属性参数,预设属性参数包括但不限于group变量组属性、step优先级属性。
例如,对于柔性车间排产场景中,有两个基本的求解变量:X[i,j]:i工序是否选择j设备进行加工;Y[i,j]:i工序在j设备上加工的开始时间;具体地,对于求解变量X[i,j]而言,通过增设X[i,j]对应的预设属性参数,将其分配至指定的group变量组且设置优先级最高,这样就可以使得对应排查任务中的i工序如何选择设备,求解器最终都能求解得到该求解变量对应的一个可行解,以达到排查优化的目的。
样本排产数据采集模块2,用于采集柔性作业车间中每种排产问题对应的若干组样本排产数据;
其中,柔性作业车间包括但不限于汽车生产排产、机床加工生产排产。
样本排产结果获取模块3,用于获取样本排产数据对应的样本排产结果;
其中,样本排产数据中包含多个预设求解变量,预设求解变量的属性参数对应基础属性参数和至少一个维度的预设属性参数;
目标排产模型构建模块4,用于基于样本排产数据和对应的样本排产结果,构建得到用于输出表征排产优化方案的排产结果的目标排产模型。
本实施例中,通过修改建模语言,在设计变量时对于每个整数变量而言,增加变量的处基础属性参数之外的其他属性参数,基于这样的求解变量训练模型,保证了用于输出排产计划的目标排产模型的精度和可靠性,进而有效改善后续柔性作业车间中工序执行的合理且有序。
如图10所示,本实施例的排产模型构建装置是图9中的技术方案的进一步改进,具体地:
在一可实施的方案中,属性参数增设模块1用于在求解器中变量的基础属性参数基础上,增设对应的变量组和优先级。
在一可实施的方案中,构建装置还包括:
参数调整指令获取模块5,用于获取属性参数调整指令;
属性参数调整模块6,用于基于属性参数调整指令,采用修改、增加、删减中的至少一种调整方式设置求解器中变量在基础属性参数之外的其他属性参数。
本方案中,使得属性参数设置具有灵活性,能够更好地满足更高要求的排产优化场景,还可以根据实际需求增设其他维度的属性参数,只要能够满足求解需求即可,在此不再赘述。
在一可实施的方案中,样本排产数据采集模块2用于采用二部图采集柔性作业车间中每种排产问题对应的若干组样本排产数据;
其中,柔性作业车间中不同排产任务下对应不同的排产问题,采用二部图采集各种类型的排产问题对应的n组obs数据;对于每种类型的排产问题下的每个小问题均对应一组obs数据,用于后续的模型训练。
另外,二部图如何采集数据属于本领域成熟技术,因此在此不再赘述。需要说明的是,还可以采用其他能够有效采集得到柔性作业车间中每种排产问题的排产数据的采集方式,不作具体限定。
样本排产结果获取模块3用于根据样本排产数据对应的排产结果标识信息获取对应的样本排产结果。
对于用于模型训练的样本排产数据,均具有匹配的样本排产结果,需要实现对这些样本排产数据进行打标签处理,以构建样本排产数据与对应的样本排产结果之间的关联关系,该处理过程可以自动生成或基于人工实现,若采用自动方式可以有效保证处理效率以及准确度,进而保证后续模型训练的精度与可靠性。
在一可实施的方案中,目标排产模型构建模块4包括:
第一排产模型构建单元7,用于基于样本排产数据和对应的样本排产结果,构建对应的排产问题的第一排产模型;
初始排产模型构建单元8,用于基于不同排产问题的第一排产模型,获取初始排产模型;
第一排产结果获取单元9,用于采用求解器对样本排产数据进行求解处理,获取对应的第一排产结果;
目标排产模块获取单元10,用于基于样本排产数据和第一排产结果,重新训练第一排产模型以优化初始排产模型,直至达到预设优化条件以得到最终的目标排产模型。
其中,基于每种不同类型的排产问题的样本排产数据,需要分别训练得到对应第一排产模型;例如:不同类型的排产问题包括A、B、C,则分别构建得到对应的A问题的A问题排产模型、B问题的B问题排产模型、C问题的C问题排产模型。
初始排产模型为这些不同类型的排产问题的模型参数汇总处理后得到的一个综合或融合模型。
另外,具体采用何种网络模型训练得到对应的第一排产模型没有特殊限定,只要能够保证对应问题的第一排产模型的精度达到设定训练条件即可。
在一可实施的方案中,初始排产模型构建单元8用于采用预设融合方式对不同排产问题的第一排产模型进行融合处理,以得到初始排产模型。
即对不同排产问题的第一排产模型的模型参数进行汇总处理以最终得到融合后的一个综合排产模型。
在一可实施的方案中,第一排产结果获取单元9用于采用求解器根据样本排产数据中不同预设求解变量的优先级进行区分处理,以分别得到样本排产数据中不同优先级的预设求解变量对应的第一排产结果。
具体地,如图4所示,例如:不同类型的排产问题包括A、B,分别构建得到对应的A问题的A问题排产模型、B问题的B问题排产模型;将A问题排产模型与和B问题排产模型的模型参数进行融合处理,以得到初始排查模型并存储至模型池中;
基于样本排产数据中不同预设求解变量的优先级,通过将求解器按照优先级分别对样本排产数据进行求解处理,得到排产结果以作为模型训练的输出;基于求解器的输出,重新确定对应的样本排产数据的用于模型训练的输出,然后对A问题的A问题排产模型、B问题的B问题排产模型进行重新训练,再次将重新训练的A问题排产模型与和B问题排产模型的模型参数进行融合处理,以得到优化后的初始排查模型并存储至模型池中;
不断重复执行上述的重新训练模型的构成,直至模型满足设定条件,则停止训练模型以得到满足要求的目标排产模型。
实施例4
如图11所示,本实施例的柔性作业车间的排产装置基于实施例3的排产模型构建装置得到的目标排产模型实现。
本实施例的排产装置包括:
实际排产数据采集模块11,用于采集柔性作业车间中每个排产任务中不同排产问题对应的若干组实际排产数据;
其中,采用二部图采集柔性作业车间中不同排产任务下对应不同各种类型的排产问题对应的n组obs数据;对于每种类型的排产问题下的每个小问题均对应一组obs数据,用于后续的模型训练。
当然,还可以采用其他能够有效采集得到柔性作业车间中每种排产问题的排产数据的采集方式,不作具体限定。
预测排产结果模块12,用于将每组实际排产数据输入至目标排产模型,以得到输出预测排产结果;
求解结果获取模块13,用于采用求解器对目标排产模型进行求解处理,得到求解结果;
其中,求解器中每次启发式去固定变量,每次固定使用group分组,每次只固定一组变量,直至得到可以固定的所有固定变量,以保证后续加速求解。
固定变量确定模块14,用于根据预测排产结果和求解结果,确定每组实际排产数据包含的对应预设求解变量为固定变量;
其他求解变量获取模块15,用于获取每组实际排产数据对应的所有预设求解变量中除固定变量之外的其他求解变量;
目标排产结果获取模块16,用于采用求解器对其他求解变量进行求解处理,以得到每组实际排产数据的目标排产结果。
本实施例中,对于不同排产问题对应的若干组实际排产数据,每组实际排产数据中的预设求解变量对应增设变量组属性和优先级属性;采用求解器目标排产模型进行求解得到固定变量,这些固定变量不参与后续的求解过程,仅剩余的其他求解变量参与求解构成,且保证能够找到一个可行解,从而降低了求解器的求解复杂度,大大地提高了求解速度,特别适用于大规模的柔性车间排产问题的求解器加速求解场景中,保证了柔性车间排产中工序执行的合理且有序,能够有效地减小延期值,以达到较好地满足排产订单的deadline的要求的效果,达到降低订单交付延期、提高在制品周转率的目的,克服人工排产存在的效率低且易出错等缺陷。
上述的柔性作业车间的排产方法可以很好地应用在,gurobi等求解器对大规模排产问题无法找到可行解的情况下,保证能够尽快地找到一个可行解,使得达到排查优化的效果。
如图12所示,本实施例的柔性作业车间的排产装置是图11中的技术方案的进一步改进,具体地:
在一可实施的方案中,固定变量确定模块14包括:
第一杂交结果获取单元17,用于在求解结果表征存在可行解时,对预测排产结果和求解结果进行杂交处理,获取第一杂交结果;
第一固定变量确定单元18,用于基于第一杂交结果确定每组实际排产数据包含的对应预设求解变量为固定变量。
在一可实施的方案中,第二杂交结果获取单元19,用于在求解结果不存在可行解时,则获取求解器中的线性规划LP解,对基于预测排产结果和线性规划LP解进行杂交处理,获取第二杂交结果;
第二固定变量确定单元20,用于基于第二杂交结果确定每组实际排产数据包含的对应预设求解变量为固定变量。
具体地,如图8所示,在实际的柔性作业车间的排产场景过程中,在求解器的求解结果表示存在当前最优解/其他可行解,则确定将模型输出的预测排产结果与该求解结果进行杂交处理,以得到对应的固定变量;在求解器的求解结果表示不存在当前最优解/其他可行解,则确定将模型输出的预测排产结果与求解器中的当前线性规划LP解进行杂交处理,以得到对应的固定变量;该排产方案使得无论何种情况均能够得到一个可行解,即修改rins提高型启发式的杂交逻辑,增加求解器的rins的调用逻辑,以达到有效排产优化的目的。
实施例5
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图13示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图13所示,设备800包括计算单元801,其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM803中,还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805,包括:输入单元806,例如键盘、鼠标等;输出单元807,例如各种类型的显示器、扬声器等;存储单元808,例如磁盘、光盘等;以及通信单元809,例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理,例如上述方法。例如,在一些实施例中,上述方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时,可以执行上文描述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行上述方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (23)
1.一种排产模型构建方法,所述构建方法包括:
对求解器中变量增设至少一个维度的预设属性参数;
其中,所述预设属性参数为辅助所述求解器得到可行解的参数;
采集柔性作业车间中每种排产问题对应的若干组样本排产数据,以及获取所述样本排产数据对应的样本排产结果;
其中,所述样本排产数据中包含多个预设求解变量,所述预设求解变量的属性参数对应基础属性参数和至少一个维度的所述预设属性参数;
基于所述样本排产数据和对应的所述样本排产结果,构建得到用于输出表征排产优化方案的排产结果的目标排产模型。
2.如权利要求1所述的排产模型构建方法,所述基于所述样本排产数据和对应的所述样本排产结果,构建得到用于输出表征排产优化方案的排产结果的目标排产模型的步骤,包括:
基于所述样本排产数据和对应的所述样本排产结果,构建对应的所述排产问题的第一排产模型;
基于不同所述排产问题的所述第一排产模型,获取初始排产模型;
采用所述求解器对所述样本排产数据进行求解处理,获取对应的第一排产结果;
基于所述样本排产数据和所述第一排产结果,重新训练所述第一排产模型以优化所述初始排产模型,直至达到预设优化条件以得到最终的目标排产模型。
3.如权利要求2所述的排产模型构建方法,所述对求解器中变量增设至少一个维度的预设属性参数的步骤,包括:
在所述求解器中变量的所述基础属性参数基础上,增设对应的变量组和优先级。
4.如权利要求3所述的排产模型构建方法,所述构建方法还包括:
获取属性参数调整指令;
基于所述属性参数调整指令,采用修改、增加、删减中的至少一种调整方式设置所述求解器中变量在所述基础属性参数之外的其他属性参数。
5.如权利要求3所述的排产模型构建方法,所述采用所述求解器对所述样本排产数据进行求解处理,获取对应的第一排产结果的步骤包括:
采用所述求解器根据所述样本排产数据中不同所述预设求解变量的优先级进行区分处理,以分别得到所述样本排产数据中不同优先级的所述预设求解变量对应的所述第一排产结果。
6.如权利要求1或2所述的排产模型构建方法,所述采集柔性作业车间中每种排产问题对应的若干组样本排产数据的步骤,包括:
采用二部图采集所述柔性作业车间中每种所述排产问题对应的若干组所述样本排产数据;
所述获取所述样本排产数据对应的样本排产结果的步骤,包括:
根据所述样本排产数据对应的排产结果标识信息获取对应的所述样本排产结果。
7.如权利要求2所述的排产模型构建方法,基于不同所述排产问题的所述第一排产模型,获取初始排产模型的步骤,包括:
采用预设融合方式对不同所述排产问题的所述第一排产模型进行融合处理,以得到所述初始排产模型。
8.一种柔性作业车间的排产方法,所述排产方法基于权利要求1-7中任一项所述的排产模型构建方法得到的目标排产模型实现,所述排产方法包括:
采集柔性作业车间中每个排产任务中不同排产问题对应的若干组实际排产数据;
将每组所述实际排产数据输入至所述目标排产模型,以得到输出预测排产结果;
采用求解器对所述述目标排产模型进行求解处理,得到求解结果;
根据所述预测排产结果和所述求解结果,确定每组所述实际排产数据包含的对应预设求解变量为固定变量;
获取每组所述实际排产数据对应的所有所述预设求解变量中除所述固定变量之外的其他求解变量;
采用所述求解器对所述其他求解变量进行求解处理,以得到每组所述实际排产数据的目标排产结果。
9.如权利要求8所述的柔性作业车间的排产方法,所述根据所述预测排产结果和所述求解结果,确定每组所述实际排产数据包含的对应预设求解变量为固定变量的步骤,包括:
在所述求解结果表征存在可行解时,对所述预测排产结果和所述求解结果进行杂交处理,获取第一杂交结果;
基于所述第一杂交结果确定每组所述实际排产数据包含的对应预设求解变量为所述固定变量。
10.如权利要求8所述的柔性作业车间的排产方法,所述根据所述预测排产结果和所述求解结果,确定每组所述实际排产数据包含的对应预设求解变量为固定变量的步骤,包括:
在所述求解结果不存在可行解时,则获取所述求解器中的线性规划LP解;
对基于所述预测排产结果和所述线性规划LP解进行杂交处理,获取第二杂交结果;
基于所述第二杂交结果确定每组所述实际排产数据包含的对应预设求解变量为所述固定变量。
11.一种排产模型构建装置,所述构建装置包括:
属性参数增设模块,用于对求解器中变量增设至少一个维度的预设属性参数;
其中,所述预设属性参数为辅助所述求解器得到可行解的参数;
样本排产数据采集模块,用于采集柔性作业车间中每种排产问题对应的若干组样本排产数据;
样本排产结果获取模块,用于获取所述样本排产数据对应的样本排产结果;
其中,所述样本排产数据中包含多个预设求解变量,所述预设求解变量的属性参数对应基础属性参数和至少一个维度的所述预设属性参数;
目标排产模型构建模块,用于基于所述样本排产数据和对应的所述样本排产结果,构建得到用于输出表征排产优化方案的排产结果的目标排产模型。
12.如权利要求11所述的排产模型构建装置,所述目标排产模型构建模块包括:
第一排产模型构建单元,用于基于所述样本排产数据和对应的所述样本排产结果,构建对应的所述排产问题的第一排产模型;
初始排产模型构建单元,用于基于不同所述排产问题的所述第一排产模型,获取初始排产模型;
第一排产结果获取单元,用于采用所述求解器对所述样本排产数据进行求解处理,获取对应的第一排产结果;
目标排产模块获取单元,用于基于所述样本排产数据和所述第一排产结果,重新训练所述第一排产模型以优化所述初始排产模型,直至达到预设优化条件以得到最终的目标排产模型。
13.如权利要求12所述的排产模型构建装置,所述属性参数增设模块用于在所述求解器中变量的所述基础属性参数基础上,增设对应的变量组和优先级。
14.如权利要求11所述的排产模型构建装置,所述构建装置还包括:
参数调整指令获取模块,用于获取属性参数调整指令;
属性参数调整模块,用于基于所述属性参数调整指令,采用修改、增加、删减中的至少一种调整方式设置所述求解器中变量在所述基础属性参数之外的其他属性参数。
15.如权利要求13所述的排产模型构建装置,所述第一排产结果获取单元用于采用所述求解器根据所述样本排产数据中不同所述预设求解变量的优先级进行区分处理,以分别得到所述样本排产数据中不同优先级的所述预设求解变量对应的所述第一排产结果。
16.如权利要求11或12所述的排产模型构建装置,所述样本排产数据采集模块用于采用二部图采集所述柔性作业车间中每种所述排产问题对应的若干组所述样本排产数据;
所述样本排产结果获取模块用于根据所述样本排产数据对应的排产结果标识信息获取对应的所述样本排产结果。
17.如权利要求12所述的排产模型构建装置,所述初始排产模型构建单元用于采用预设融合方式对不同所述排产问题的所述第一排产模型进行融合处理,以得到所述初始排产模型。
18.一种柔性作业车间的排产装置,所述排产方法基于权利要求11-17中任一项所述的排产模型构建装置得到的目标排产模型实现,所述排产装置包括:
实际排产数据采集模块,用于采集柔性作业车间中每个排产任务中不同排产问题对应的若干组实际排产数据;
预测排产结果模块,用于将每组所述实际排产数据输入至所述目标排产模型,以得到输出预测排产结果;
求解结果获取模块,用于采用求解器对所述述目标排产模型进行求解处理,得到求解结果;
固定变量确定模块,用于根据所述预测排产结果和所述求解结果,确定每组所述实际排产数据包含的对应预设求解变量为固定变量;
其他求解变量获取模块,用于获取每组所述实际排产数据对应的所有所述预设求解变量中除所述固定变量之外的其他求解变量;
目标排产结果获取模块,用于采用所述求解器对所述其他求解变量进行求解处理,以得到每组所述实际排产数据的目标排产结果。
19.如权利要求18所述的柔性作业车间的排产装置,所述固定变量确定模块包括:
第一杂交结果获取单元,用于在所述求解结果表征存在可行解时,对所述预测排产结果和所述求解结果进行杂交处理,获取第一杂交结果;
第一固定变量确定单元,用于基于所述第一杂交结果确定每组所述实际排产数据包含的对应预设求解变量为所述固定变量。
20.如权利要求18所述的柔性作业车间的排产装置,所述固定变量确定模块包括:
第二杂交结果获取单元,用于在所述求解结果表征不存在可行解时,则获取所述求解器中的线性规划LP解,对基于所述预测排产结果和所述线性规划LP解进行杂交处理,获取第二杂交结果;
第二固定变量确定单元,用于基于所述第二杂交结果确定每组所述实际排产数据包含的对应预设求解变量为所述固定变量。
21.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法;或,权利要求8-10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法;或,权利要求8-10中任一项所述的方法。
23.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-7中任一项所述的方法;或,权利要求8-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627403.XA CN115795908A (zh) | 2022-12-16 | 2022-12-16 | 模型训练方法、图像处理方法、装置、设备与介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211627403.XA CN115795908A (zh) | 2022-12-16 | 2022-12-16 | 模型训练方法、图像处理方法、装置、设备与介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115795908A true CN115795908A (zh) | 2023-03-14 |
Family
ID=85425558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211627403.XA Pending CN115795908A (zh) | 2022-12-16 | 2022-12-16 | 模型训练方法、图像处理方法、装置、设备与介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115795908A (zh) |
-
2022
- 2022-12-16 CN CN202211627403.XA patent/CN115795908A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112948079B (zh) | 任务调度方法、装置、设备和计算机存储介质 | |
CN113342345A (zh) | 深度学习框架的算子融合方法、装置 | |
CN114841315A (zh) | 混合专家模型实现方法、系统、电子设备及存储介质 | |
CN114428674A (zh) | 任务调度方法、装置、设备以及存储介质 | |
CN114862209A (zh) | 运力调度方法、装置、电子设备及存储介质 | |
CN114091589B (zh) | 模型训练方法、装置、电子设备及介质 | |
CN113742457B (zh) | 应答处理方法、装置、电子设备及存储介质 | |
CN115795908A (zh) | 模型训练方法、图像处理方法、装置、设备与介质 | |
CN114997414B (zh) | 数据处理方法、装置、电子设备和存储介质 | |
CN115809688A (zh) | 一种模型调试方法、装置、电子设备及存储介质 | |
CN113344214B (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN114185661A (zh) | 一种任务处理方法、装置、设备以及存储介质 | |
CN114819095A (zh) | 业务数据处理模型的生成方法、装置及电子设备 | |
CN114386577A (zh) | 用于执行深度学习模型的方法、设备和存储介质 | |
CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN114141236A (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN112561390B (zh) | 订单排产模型的训练方法、订单排产方法、装置 | |
CN113901095A (zh) | 数据处理方法、装置、设备以及存储介质 | |
CN114880242B (zh) | 测试用例的提取方法、装置、设备和介质 | |
CN114615144B (zh) | 网络优化方法及系统 | |
CN115168044A (zh) | 一种参数化控制方法、装置、电子设备和存储介质 | |
CN115526453A (zh) | 车辆调度方法、装置、设备、存储介质及计算机程序产品 | |
CN116362482A (zh) | 基于机器人社群服务运营大数据的任务自动派发系统 | |
CN113962382A (zh) | 训练样本的构建方法、装置、电子设备和可读存储介质 | |
CN116860130A (zh) | 数据可视化方法、装置、电子设备及介质 |
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 |