CN115907399A - 一种面向电子产品的离散制造柔性生产的智能调度方法 - Google Patents
一种面向电子产品的离散制造柔性生产的智能调度方法 Download PDFInfo
- Publication number
- CN115907399A CN115907399A CN202211547977.6A CN202211547977A CN115907399A CN 115907399 A CN115907399 A CN 115907399A CN 202211547977 A CN202211547977 A CN 202211547977A CN 115907399 A CN115907399 A CN 115907399A
- Authority
- CN
- China
- Prior art keywords
- population
- random
- optimal solution
- discrete manufacturing
- algorithm
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
Abstract
本发明公开了一种面向电子产品的离散制造柔性生产的智能调度方法,包括:建立面向柔性离散制造车间调度方案集与调度优化方法搜索空间之间的映射关系,初始化调度优化算法中的参数;为扩大算法的搜索范围,对每个解进行点交换操作和块交换操作,产生新的染色体集合;基于遗传算法和粒子群算法的寻优原理,对遗传算法的每次迭代的结果进行粒子群局部搜索;基于生物体激素的反馈调节机制的原理,对粒子惯性因子的更新公式进行了改进;采用基于最小化总完工时间和最小化总加工能耗为目标的适应度函数计算每个解的适应度,寻找更优的资源分配方案;当满足本算法的迭代终止条件时,输出最优的面向电子产品的离散制造车间柔性制造过程的资源调度方案。
Description
技术领域
本发明涉及一种面向电子产品的离散制造柔性生产的智能调度方法,属于智能制造技术领域。
背景技术
伴随着我国经济的发展和科技的进步,制造业的市场需求发生了很多变化,如用户多样化、个性化的需求急剧上升,而企业对于柔性离散制造车间的资源分配存在搜索效率低下和所得到的结果质量低,影响企业的生产效率和生产成本,同时,国家大力倡导传统制造业向着绿色节能低碳的方向持续转型,而现有的调度方法大多数没有考虑制造过程中的能源消耗。因此研究具有高效稳定的调度优化算法来解决柔性离散制造车间的资源分配问题、并在这个过程中考虑车间的能源消耗,具有很强的理论价值和实际意义。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种面向电子产品的离散制造柔性生产的智能调度方法,能够大大提升资源分配效率和解的质量,同时对于小规模和大规模的订单都具有很强的搜索能力。
为达到上述目的,本发明是采用下述技术方案实现的:
一种面向电子产品的离散制造柔性生产的智能调度方法,方法包括如下步骤:
建立面向柔性离散制造车间调度方案集与调度优化方法搜索空间之间的映射关系,调度方案为一个工件所有工序的组合解,解空间是所有可行调度方案的集合;
初始化调度优化算法中的参数,参数包括种群最优解和个体最优解;
对种群进行点交换操作和块交换操作,产生新的染色体集合;
基于遗传算法和粒子群算法的寻优原理,对遗传算法的每次迭代的结果进行粒子群局部搜索,建立原始的速度更新公式和位置更新公式,按照速度更新公式和位置更新公式进行更新;
基于生物体激素的反馈调节机制的原理,对原始的速度更新公式进行改进,生成改进的速度更新公式,基于改进的速度更新公式更新其速度;
基于目标的适应度函数计算每个解的适应度,更新种群和个体最优解,寻找更优的资源分配方案,目标的适应度函数包括最小化总完工时间和最小化总加工能耗;
当满足本算法的迭代终止条件时,输出最优的面向电子产品的离散制造车间柔性制造过程的资源调度方案。
进一步地,前述初始化种群的个体最优解和种群最优解的步骤包括:
利用rand函数生成一个随机数矩阵,矩阵的行数为种群个体的数目,列数为工件工序数之和;
利用sort函数对随机数矩阵中每行数组的随机数从小到大排序,得到排序数组;
对排序数组中的随机数进行替换,得到下标数组,替换过程是用排序数组中的每个随机数在初始随机数数组中的顺序值代替该排序数组中的随机数;
对下标数组中的顺序值进行编码,得到染色体,编码过程是将下标数组中的顺序值3n-2、3n-1、3n分别编码为n,直至每个位置都被编号;
根据综合评价因子函数计算初始种群中每个个体的适应度,从而初始化种群最优解pg和个体最优解pi。
进一步地,前述综合评价因子函数表达式为:
其中,f1为最小化总完工时间目标适应度函数表达式,f2为最小化总加工能耗目标适应度函数表达式,
f1=max(Ti)
f2=E1+E2+E3
f1max、f1min表示最小化总完工时间的最大值和最小值,f2max、f2min表示最小化总加工能耗的最大值和最小值,w1为权重因子,Ti代表任务i的最后一道工序的完工时间,E1表示启动能耗,E2表示待机能耗,E3表示加工能耗。
进一步地,前述权重因子w1取0.6。
进一步地,前述点交换和快交换的步骤,包括:
利用random函数生成四个不能超过染色体的基因总数的随机整数,基因是指染色体中的总工序数;
对随机数矩阵,选取两个随机整数,随机整数对应随机数矩阵每一行的两个顺位,交换这两个顺位的基因,得到新的随机数矩阵;
对前述点交换后得到的新的随机数矩阵,选取另外两个随机整数,随机整数对应随机数矩阵每一行的两个顺位,将位于第一个随机整数对应顺位前端的所有基因记为第一基因片段,将位于第二个随机整数对应顺位后端的所有基因记为第二基因片段,交换两个基因片段的位置,并对每个基因片段内的基因倒数调整。
进一步地,前述原始的速度更新公式和位置更新公式分别为:
Vi(t+1)=w*Vi(t)+c1*r1*(Pi(t)-Xi(t))+c2*r2*(Pg(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
式中,t为迭代次数,i为粒子索引,w为粒子的惯性因子,Vi(t)代表经过t次迭代后第i个粒子的速度;c1、c2代表自我学习和社会学习因子;r1、r2为小于1的随机数且为正数;Pi(t)代表经过t次迭代后种群中第i个粒子的历史最优解;Xi(t)代表经过t次迭代后第i个粒子的位置;Pg(t)代表经过t次迭代后种群的最优解。
进一步地,前述基于生物体激素的反馈调节机制的原理,改进速度更新公式的步骤包括:
确定反馈调节下的激素变化函数:
基于生物体激素的反馈调节机制确定改进惯性因子w(i)的表达式:
其中,i代表迭代次数,w(i)代表第i次迭代的惯性因子,wmax和wmin代表惯性因子的最大值和最小值,w0代表初始值;
对原始的速度更新公式进行改进:
进一步地,前述种群个体和群体最优解的更新包括如下步骤:
每次迭代结束后计算新一代种群个体的综合评价因子,将每个个体当前的综合评价因子与自身的历史最优进行比较,如果当前综合评价因子优于后者,则将前者作为该个体的历史最优,否则,历史最优解不做改变;
将种群中个体的当前综合评价因子与种群最有进行比较,若前者更优,则将该综合因子对应的解作为当前种群最优解,否则,种群最优解不做改变。
本发明所达到的有益效果是:
对遗传算法的交叉操作进行改进,对每个解进行点交换操作和块交换操作,扩大了算法的搜索范围,基于遗传算法和粒子群算法的寻优原理,对遗传算法的每次迭代的结果进行粒子群局部搜索,大大提升了算法的收敛速度,基于生物体激素的反馈调节机制的原理,对粒子惯性因子的更新公式进行了改进,提升了所得到调度组合解的质量,大大提升了解的收敛速度,采用基于最小化总完工时间和最小化总加工能耗为目标的适应度函数,将柔性离散制造车间的生产能耗和最大完工时间进行优化,降低企业的生产成本,提高制造系统的生产效率。
附图说明
图1是根据本发明实施例提供的面向电子产品的离散制造柔性生产的智能调度方法的流程图;
图2根据本发明实施例提供的随机数数组转化为染色体的过程示意图;
图3为根据本发明实施例提供的零负载机器优先机制过程示意图;
图4为根据本发明实施例提供的工件最小推迟机器机制过程示意图;
图5为根据本发明实施例提供的性能选择优先机制过程示意图;
图6是根据本发明实施例提供的点交换变异示意图;
图7是根据本发明实施例提供的块交换变异示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
如图1、图2所示,是本发明实施例提供的一种面对制造过程的资源调度方法的流程图,包括如下步骤。
步骤1,参数和种群的初始化:
预先设定好种群中个体的数量、算法的迭代次数、粒子群局部搜索的迭代次数、染色体编解码方式、评价因子公式和粒子的更新公式。
群中个体的数量和算法的迭代次数影响着调度优化算法所得到解的质量。个体的数量和算法的迭代次数选取过大,虽然会使得调度优化算法搜索到最优解的概率增大,但是大大提升了调度优化算法的搜索时间;种群中个体的数量和算法的迭代次数选取过小,会减少算法的计算量,但是解的质量会大大降低。因此,综合考虑计算时间和解的优越性,一般种群的规模取30~60,调度优化算法的迭代次数选取50~1000次,粒子群局部寻优迭代次数选取30~100次。
解决柔性离散制造车间调度优化问题的首要步骤就是建立调度方案和解空间的映射关系。每个调度方案对应一个工件所有工序的组合解,解空间就是所有可行调度方案的集合。编码是将可行的调度方案转换成一个工序加工顺序序列即染色体,该染色体中每个数字表示一种工件,每个数字出现的频次表示该种工件所包含的工序。假设一个订单包含3个工件,其中第1个工件包含3道工序、第2个工件包含2个工序、第3个工件包含4个工序,共有9个工序,则染色体包含有9个基因(每个工序代表一个基因),由3个1、2个2和4个3组成,这个过程为编码的过程。
解码是将一个染色体转换成一个调度方案,即相同数字在染色体的位置则代表着该数字代表的工序在调度计划的加工顺序。继续上述假设,染色体中,第1个1表示工件1的首道工序,第1个2表示工件2的首道工序,第2个2表示工件2的第2道工序,这就是解码过程。
柔性离散制造车间中每道工序可在多个机器上加工,使得解的数量更加庞大,为了降低搜索难度,基于最快完工和最小能耗的设备选择机制包含3个规则,零负载机器优先、工件最小推迟机器优先和性能选择优先,其中上述优先级依次递减。具体地,零负载原则(图3):当备选机器中存在负载为零的机器,那么就将此机器作为计划安排加工的机器;工件完工最小推迟原则(图4):当机器在处理多个待加工任务时,应当根据先来先加工的规则,其加工完成时间为最后一个待加工工序的完工时间,如果工序选择机器时所有机器都存在加工任务时,应当遵循工件完成时间最小推迟原则,即优先选择最先加工好其所有已安排的加工任务的机器;性能选择原则(图5):当可以加工当前工序的机器预期所有任务完工时间一样时,选择性能较好的机器加工,性能较好指的是机器更适合加工此工序,主要表现在加工时间较短。
针对柔性离散制造过程中的资源分配优化问题,基于最小化总完工时间和最小化总加工能耗为目标的适应度函数如下所示:
其中,f1为最小化总完工时间目标适应度函数表达式,f2为最小化总加工能耗目标适应度函数表达式,基体公式如下所示:
f1=max(Ti)
f2=E1+E2+E3
f1max、f1min表示最小化总完工时间的最大值和最小值,f2max、f2min表示最小化总加工能耗的最大值和最小值,w1、(1-w1)为权重因子,Ti代表任务i的最后一道工序的完工时间,E1表示启动能耗、E2表示待机能耗、E3表示加工能耗,其计算公式为功率在时间维度上的积分。
种群初始化:利用rand函数生成一个随机数矩阵,矩阵的行数为种群个体的数目,列数为工件工序数之和(即基因总数目),则随机数矩阵的每一行则代表一个染色体。以一个6工件的订单为例,工件1~3包含有3道工序,件4~6包含有4道工序,共21道工序,若种群个体设为50,则矩阵的行数为50,列数为21,这就是初始解的生成过程。
初始化种群最优解pg和个体的最优解pi:利用sort排序函数对上述的随机数矩阵进行行排序,并将其排序后的下标转化为基因序列,然后根据综合评价因子公式计算每个个体的综合评价因子值,并将此作为种群个体历史最优解pi,并将最优的作为种群历史最优解pg。如图2所示,对随机数矩阵的每一行通过sort函数进行从小到大排序,得到新的排序数组;对排序数组中的随机数进行替换,得到下标数组,所述替换过程是用排序数组中的每个随机数在初始随机数数组中的顺序代替该排序数组中的随机数,比如排序数组中的0.09在随机数数组中的顺序为第6位,则在下标数组中将该位置处的0.09替换为6;对下标数组中的随机数进行编码,得到染色体,所述编码过程是将下标数组中的基因3n-2、3n-1、3n分别编码为n,直至每个顺序值都被编号,然后根据机器选择机制进行计算完工时间和加工能耗,最后根据综合评价因子公式计算每个染色体的综合评价因子值,从而更新种群最优解pg和个体的最优解pi。
步骤2:对种群进行点交换和块交换:
利用random函数生成四个不能超过染色体的基因总数的随机整数,如果四个数中有重复,则删除重复的数字,再次生成,直至所有数字不再重复。
如图6所示,点交换的过程为:对随机数矩阵的每行数组选取两个随机生成的随机整数,交换两个随机整数对应位置的基因,变异为新的随机数矩阵。比如随机生成5和10,则将5号位的基因4交换到10号位,将10号位的基因3交换到5号位。
如图7所示,对前述进行点交换后得到的新随机数矩阵再进行块交换:对随机数矩阵的每行数组选取另外两个随机整数,将位于第一个随机整数对应位置前端的所有基因记为第一基因片段,将位于第二个随机整数对应位置后端的所有基因记为第二基因片段,交换两个基因片段的位置,并对每个基因片段内的基因倒数调整。比如,随机生成4和8,则将染色体1的4号位前的基因1、2、1记为第一基因片段,则将染色体1的8号位后的基因4、3、1、2记为第二基因片段,交换两个基因片段的位置,并对每个基因片段内的基因倒数调整,则交叉后的染色体1的前4位基因为2、1、3、4,染色体1的后3位基因为1、2、1。
步骤3:对变异后的种群进行粒子群局部搜索:
利用rand函数生成一个速度随机数矩阵并将其作为每个粒子的初始速度,根据基于激素反馈调节机制改进的速度更新公式对速度随机数矩阵的速度进行更新。原始的速度更新公式和位置更新公式如下所示:
Vi(t+1)=w*Vi(t)+c1*r1*(Pi(t)-Xi(t))+c2*r2*(Pg(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
其中,t为迭代次数,i为粒子索引,w为粒子的惯性因子,Vi(t)代表经过t次迭代后第i个粒子的速度;c1、c2代表自我学习和社会学习因子;r1、r2为小于1的随机数且为正数;Pi(t)代表经过t次迭代后种群中第i个粒子的历史最优解;Xi(t)代表经过t次迭代后第i个粒子的位置;Pg(t)代表经过t次迭代后种群的最优解。
Farhy据此对激素的反馈调节机制做了相关的实验,根据最终的实验结果,Farhy指出,如果激素2对分泌激素1的腺体进行调节,那么激素1的分泌速度和激素2的浓度关系如下式所示:
基于生物体激素的反馈调节机制改进惯性因子w:
其中,t代表迭代次数,w(t)代表第t次迭代的惯性因子,wmax和wmin代表惯性因子的两个极值,T代表阈值且为正数,n为常数,w0代表初始值;
采用改进的速度更新公式计算粒子的速度:
Vi(t+1)代表经过t次迭代后第i个粒子的速度;c1、c2代表自我学习和社会学习因子;r1、r2为小于1的随机数且为正数;Pi(t)代表经过t次迭代后种群中第i个粒子的历史最优解;Xi(t)代表经过t次迭代后第i个粒子的位置;Pg(t)代表经过t次迭代后种群的最优解。
步骤4:更新种群最优pg和个体最优解pi:
其中,具体过程包括:
利用sort函数对随机数矩阵进行行排序并将其排序后的结果转换成工序排列序列集合并将其作为种群。
根据综合评价因子计算公式计算每个个体的在综合评价因子值。
将每个个体当前的综合评价因子与自身的历史最优pi进行比较,如果当前综合评价因子优于后者,则将前者作为该个体的历史最优,否则,个体历史最优解不做改变。
将种群中个体的当前综合评价因子与种群最优pg进行比较,若前者更优,则将该综合因子对应的解作为当前种群最优解,否则,种群最优解不做改变。
步骤5:判断是否满足粒子群搜索预设的迭代终止条件,是则结束迭代过程,否则转至步骤3,进行新一轮的迭代搜索;
步骤6:判断是否满足遗传算法的迭代终止条件,是则结束迭代过程,否则转至步骤2,进行新一轮的迭代搜索;
步骤7:输出种群最优解pg和对应的工序加工序列。
需要说明的是,在本文中,术语“包括”、“包含”或者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、物品或者装置不仅包含那些要素,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、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽范围。
Claims (8)
1.一种面向电子产品的离散制造柔性生产的智能调度方法,其特征在于,所述方法包括如下步骤:
建立面向柔性离散制造车间调度方案集与调度优化方法搜索空间之间的映射关系,所述调度方案为一个工件所有工序的组合解,所述解空间是所有可行调度方案的集合;
初始化调度优化算法中的参数,所述参数包括种群最优解和个体最优解;
对种群进行点交换操作和块交换操作,产生新的染色体集合;
基于遗传算法和粒子群算法的寻优原理,对遗传算法的每次迭代的结果进行粒子群局部搜索,建立原始的速度更新公式和位置更新公式,按照速度更新公式和位置更新公式进行更新;
基于生物体激素的反馈调节机制的原理,对原始的速度更新公式进行改进,生成改进的速度更新公式,基于改进的速度更新公式更新其速度;
基于目标的适应度函数计算每个解的适应度,更新种群和个体最优解,寻找更优的资源分配方案,所述目标的适应度函数包括最小化总完工时间和最小化总加工能耗;
当满足本算法的迭代终止条件时,输出最优的面向电子产品的离散制造车间柔性制造过程的资源调度方案。
2.根据权利要求1所述的一种面向电子产品的离散制造柔性生产的智能调度方法,其特征在于,所述初始化种群的个体最优解和种群最优解的步骤包括:
利用rand函数生成一个随机数矩阵,所述矩阵的行数为种群个体的数目,列数为工件工序数之和;
利用sort函数对随机数矩阵中每行数组的随机数从小到大排序,得到排序数组;
对排序数组中的随机数进行替换,得到下标数组,所述替换过程是用排序数组中的每个随机数在初始随机数数组中的顺序值代替该排序数组中的随机数;
对下标数组中的顺序值进行编码,得到染色体,所述编码过程是将下标数组中的顺序值3n-2、3n-1、3n分别编码为n,直至每个位置都被编号;
根据综合评价因子函数计算初始种群中每个个体的适应度,从而初始化种群最优解pg和个体最优解pi。
4.根据权利要求3所述的面向电子产品的离散制造柔性生产的智能调度方法,其特征在于,所述权重因子w1取0.6。
5.根据权利要求4所述的一种面向电子产品的离散制造柔性生产的智能调度方法,其特征在于,所述点交换和快交换的步骤,包括:
利用random函数生成四个不能超过染色体的基因总数的随机整数,所述基因是指染色体中的总工序数;
对随机数矩阵,选取两个随机整数,随机整数对应随机数矩阵每一行的两个顺位,交换这两个顺位的基因,得到新的随机数矩阵;
对前述点交换后得到的新的随机数矩阵,选取另外两个随机整数,随机整数对应随机数矩阵每一行的两个顺位,将位于第一个随机整数对应顺位前端的所有基因记为第一基因片段,将位于第二个随机整数对应顺位后端的所有基因记为第二基因片段,交换两个基因片段的位置,并对每个基因片段内的基因倒数调整。
6.根据权利要求5所述的一种面向电子产品的离散制造柔性生产的智能调度方法,其特征在于,所述原始的速度更新公式和位置更新公式分别为:
Vi(t+1)=w*Vi(t)+c1*r1*(Pi(t)-Xi(t))+c2*r2*(Pg(t)-Xi(t))
Xi(t+1)=Xi(t)+Vi(t+1)
式中,t为迭代次数,i为粒子索引,w为粒子的惯性因子,Vi(t)代表经过t次迭代后第i个粒子的速度;c1、c2代表自我学习和社会学习因子;r1、r2为小于1的随机数且为正数;Pi(t)代表经过t次迭代后种群中第i个粒子的历史最优解;Xi(t)代表经过t次迭代后第i个粒子的位置;Pg(t)代表经过t次迭代后种群的最优解。
8.根据权利要求7所述的一种面向电子产品的离散制造柔性生产的智能调度方法,其特征在于,所述种群个体和群体最优解的更新包括如下步骤:
每次迭代结束后计算新一代种群个体的综合评价因子,将每个个体当前的综合评价因子与自身的历史最优进行比较,如果当前综合评价因子优于后者,则将前者作为该个体的历史最优,否则,历史最优解不做改变;
将种群中个体的当前综合评价因子与种群最有进行比较,若前者更优,则将该综合因子对应的解作为当前种群最优解,否则,种群最优解不做改变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211547977.6A CN115907399A (zh) | 2022-12-05 | 2022-12-05 | 一种面向电子产品的离散制造柔性生产的智能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211547977.6A CN115907399A (zh) | 2022-12-05 | 2022-12-05 | 一种面向电子产品的离散制造柔性生产的智能调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907399A true CN115907399A (zh) | 2023-04-04 |
Family
ID=86489386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211547977.6A Pending CN115907399A (zh) | 2022-12-05 | 2022-12-05 | 一种面向电子产品的离散制造柔性生产的智能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907399A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795054A (zh) * | 2023-06-19 | 2023-09-22 | 上海交通大学 | 一种离散制造模式下的中间产品调度方法 |
-
2022
- 2022-12-05 CN CN202211547977.6A patent/CN115907399A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116795054A (zh) * | 2023-06-19 | 2023-09-22 | 上海交通大学 | 一种离散制造模式下的中间产品调度方法 |
CN116795054B (zh) * | 2023-06-19 | 2024-03-19 | 上海交通大学 | 一种离散制造模式下的中间产品调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110543151B (zh) | 基于改进nsga-ⅱ求解车间节能调度问题的方法 | |
CN111222642B (zh) | 基于改进小生境遗传算法的多目标柔性作业车间调度方法 | |
CN105740953B (zh) | 一种基于实数编码量子进化算法的不规则排样方法 | |
CN112381343B (zh) | 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 | |
CN106611379A (zh) | 一种改进文化基因算法求解多目标柔性作业车间调度问题 | |
CN105974799A (zh) | 一种基于差分进化-局部单峰采样算法的模糊控制系统优化方法 | |
CN106611230A (zh) | 结合关键工序的遗传局部搜索算法求解柔性作业车间调度 | |
CN107807518B (zh) | 一种化工生产原料蒸馏过程的多目标优化调度方法 | |
CN112163808B (zh) | 一种基于对立学习的自适应鲸鱼算法求解物流中心选址问题的方法 | |
CN115907399A (zh) | 一种面向电子产品的离散制造柔性生产的智能调度方法 | |
CN114266509A (zh) | 随机贪婪初始种群遗传算法求解柔性作业车间调度方法 | |
CN114493337A (zh) | 基于改进粒子群遗传混合算法的柔性作业车间调度方法 | |
CN111667071A (zh) | 一种基于改进遗传算法的传统作业车间调度方法 | |
Xie et al. | Intelligent selection of machining parameters in multi-pass turnings using a GA-based approach | |
CN116227874B (zh) | 一种基于遗传算法的柔性作业车间调度方法和装置 | |
CN116560313A (zh) | 一种多目标柔性作业车间问题的遗传算法优化调度方法 | |
CN106971243B (zh) | 一种降低生产用电成本的热轧优化调度方法 | |
CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
CN116985146B (zh) | 退役电子产品的机器人并行拆解规划方法 | |
CN115826530A (zh) | 一种基于d3qn和遗传算法的作业车间分批调度方法 | |
CN114723217A (zh) | 碳中和目标下的综合能源供给侧配置方法和系统 | |
CN108960509B (zh) | 一种制造系统智能排产方法与系统 | |
Bao et al. | Research on assembly line scheduling based on small population adaptive genetic algorithm | |
CN113359646A (zh) | 一种基于多目标的分布式柔性作业车间调度方法 | |
Tarakçı et al. | Design of a genetic algorithmic approach for reducing energy consumption in single machine production systems |
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 |