CN116090676A - 一种基于多目标优化的aps排产方法及aps排产系统 - Google Patents
一种基于多目标优化的aps排产方法及aps排产系统 Download PDFInfo
- Publication number
- CN116090676A CN116090676A CN202310373456.1A CN202310373456A CN116090676A CN 116090676 A CN116090676 A CN 116090676A CN 202310373456 A CN202310373456 A CN 202310373456A CN 116090676 A CN116090676 A CN 116090676A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- result
- target
- production
- score value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000005457 optimization Methods 0.000 title claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 230000002068 genetic effect Effects 0.000 claims abstract description 37
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 46
- 238000013439 planning Methods 0.000 claims description 15
- 239000000047 product Substances 0.000 description 15
- 239000000463 material Substances 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 229910001220 stainless steel Inorganic materials 0.000 description 6
- 239000010935 stainless steel Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012938 design process Methods 0.000 description 3
- 238000012946 outsourcing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000000137 annealing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 241000190070 Sarracenia purpurea Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000010367 cloning Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于多目标优化的APS排产方法及APS排产系统,该方法包括:获取待排产订单以及可使用资源清单,依据各种约束条件进行APS运算,得到排产结果;根据多目标优化配置算式计算此次排产结果的多目标评分值,多目标包括订单未延期率和资源计划占用率;计算此次排产结果的多目标总评分值,并与历史最高多目标总评分值进行比较,选取最佳排产结果;通过遗传算法对所选取的排产结果进行遗传因子变异,之后再次进行APS运算,如此循环迭代,直到满足如下条件则退出迭代;取最高多目标总评分值的排产结果作为最终最优结果输出。本发明可以快速排出一套达到交付时间计划,同时计划最大利用资源率,且满足多目标优化的排产结果。
Description
技术领域
本发明属于信息技术领域,具体涉及一种基于多目标优化的APS排产方法及APS排产系统。
背景技术
众所周知,精益化生产管理已经取代传统粗略化生产管理,而采用信息化技术是实现精益化生产管理的重要途径。目前制造业采用信息化工具主要包括:ERP(企业资源计划系统)、MES(制造执行系统)、APS(高级计划与调度系统)等,其中APS作为ERP补充,用于协调物流、生产资源瓶颈和保证交货日期。
APS(Advanced Planning Systems,高级计划与调度系统)是一种供应链管理和约束理论的先进计划与排程工具,包含了大量的数学模型、优化及模拟技术。在企业生产过程中:人、机、料、法、环等都涉及到计划-执行-分析-优化-决策,尤其是采购、库存、资源利用等方面必须使用APS。因此说APS已经等于精益化生产。
APS是对企业车间资源:人员、生产设备、辅助工具等,按照它们的能力进行合理安排,这就需要详细了解企业的每一个生产细节,建立物料、工序、资源、时间、逻辑关系、技术参数、成本、BOM(Bill of Material,物料清单)等等错综复杂的生产业务模型。由于不同制造行业、相同制造行业不同企业对生产业务模型建模区别很大,同时建模的约束条件更加细致化,往往一个行业经验所累积建立的模型,在企业实际使用中利用APS算法+行业模型排产的计划结果不能达到理想结果,因此,需要一套算法体系基于企业实际数据来修正模型中的具体参数。
由上述可知,从数学角度上可以简单理解为:APS运算就是将任务合理化安排在设备有限负荷上的时间段上,无论算法是采用基于TOC及启发式规则或者其它智能算法,在大量的工作指令、资源、规则中需要通过反复迭代获得最优的设备空闲时间段,而在寻找过程中由于设备多、可生产的空闲时段多,在反复迭代寻找中会消耗大量的运算时间。而算法的准确性和响应速度决定着一款APS工具的好坏,尤其是在多目标优化的角度出发,如果运算时间过于缓慢且输出计划与期望值相差很大,则会导致最终运算结果与实际执行存在巨大差异,企业是不能接受的。因此,亟需一种基于多目标优化的APS排产技术。
发明内容
本发明的目的在于,提供一种基于多目标优化的APS排产方法及APS排产系统,解决APS多目标优化问题。
本发明的技术方案如下:
一种基于多目标优化的APS排产方法,包括以下步骤:
获取待排产订单以及可使用资源清单,依据各种约束条件进行APS运算,得到排产结果;
根据多目标优化配置算式计算此次排产结果的多目标评分值,多目标包括订单未延期率和资源计划占用率;其中,多目标优化配置算式如下:
式中,为订单未延期率的目标评分值,为第一权重值,为此次排产结果订单延期数目,为此次排产结果订单总数目;为资源计划占用率的目标评分值,为第二权重值,为此次排产结果资源占用时长,为此次排产结果资源额定时长;
计算此次排产结果的多目标总评分值,并与历史最高多目标总评分值进行比较;若此次排产结果的多目标总评分值低于历史最高多目标总评分值,则选取历史最高多目标总评分值的排产结果;若此次排产结果的多目标总评分值高于历史最高多目标总评分值,则选取此次排产结果;若此次排产结果的多目标总评分值等于历史最高多目标总评分值,则同时选取此次排产结果以及历史最高多目标总评分值的排产结果;
通过遗传算法对所选取的排产结果进行遗传因子变异,之后再次进行APS运算,如此循环迭代,直到满足如下条件则退出迭代:
①满足多目标要求
②达到迭代约束时间或迭代约束次数
取最高多目标总评分值的排产结果作为最终最优结果输出。
进一步的,APS运算包括:
建立统一的任务描述模型;
建立多目标优化调度模型;
基于多目标优化调度算法求解多目标优化调度模型,得到排产结果。
进一步的,统一的任务描述模型如下:
T = [type, w, { Oij}]
Oij= {S(s,t)}
式中,type表示任务类型,w表示任务级别,Oij表示组成任务工序集的一个工序,i表示订单序号,j表示工序序号,S表示任务的工序状态是一组状态的集合,由状态量s和时间量t组成;其中,状态量s包括开始、暂停、终止和完成;
任务分为计划任务T和实际任务T’,任务根据订单得到。
进一步的,多目标优化调度模型如下:
式中,,为订单总数,为订单
Mo i的延期数目,和分别为订单
Mo i的计划完成时间和需求交货期,和分别为工序的计划开工时间和计划完工时间,为优先级,为工序的前置工序集,为工序的计划加工资源,为工序的候选资源集,表示工序的计划资源的当前状态,为工序的实际加工资源,表示工序的当前状态;
式中,,为资源总数,为资源
Ro i的额定负荷剩余时长,和分别为资源
Ro i额定时长和占用时长。
进一步的,通过遗传算法对所选取的排产结果进行遗传因子变异如下:
对所选取的排产结果中的订单进行遗传编码,将遗传因子中前X位与后X位替换形成变异后的遗传编码,然后将新的编码在求解结果集搜索,不存在则使用此遗传编码进行下一轮迭代求解,存在则再次对遗传编码进行随机编码直到不重复的编码形成,从而进行下一轮迭代求解。
进一步的,在求解过程中,根据变异遗传编号进行正向或逆向进行调度:
在局部求解优化过程中,针对的订单进行逆向调度;针对的订单进行正向调度。
进一步的,满足多目标要求具体为:多目标总评分值达到设定值或各目标的评分值达到各自的设定值。
一种APS排产系统,该APS排产系统采用上述中任意一项所述的基于多目标优化的APS排产方法。
本发明与现有技术相比,具有以下优点及有益效果:
本发明可以快速排出一套达到交付时间计划,同时计划最大利用资源率,且满足多目标优化的排产结果。
附图说明
图1是基于多目标优化的APS排产方法流程示意图;
图2是算法架构图;
图3是局部优化任务工序关系图;
图4是模具遗传编码图;
图5是变异遗传编码图;
图6是测试的硬件配置清单图;
图7是测试数据的结果汇总图。
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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明属于信息技术领域,利用企业车间生产过程数据进行大数据建模的模型在高级计划与排程(APS)的运算中实现多目标优化完成未来车间计划的输出,从而实现秒级别滚动式响应排产,最终达到计划可执行性高。
结合背景技术,需要在工厂中生产主管或计划员在安排生产计划时,对车间设备,车间工具,车间人员,车间物料以及加工产品的交期,不同产品生产的优先级进行综合考虑后,依靠APS快速排出一套达到交付时间计划,同时计划最大利用资源率,并且可以随时依据计划与实际的差异即时进行滚动更新计划。做到计划与实际同步,指导生产的原则的同时达到可执行且精细化的计划,减少设备的空闲浪费,库存积压,交期延迟等问题。
APS运算是基于一套智能算法和模型约束,而上述操作过程中,每一次排产的结果需要计划员在众多不同目标结果中选择最适合的车间计划,为了保证每一次APS运算的准确性,同时耗时最小,结果更优。必须匹配一套更成熟,更契合计划员目标优化的模型作为基础,而往往契合计划员目标的计划都是能够达成指定多维度目标的计划,因此APS算法支持多目标优化是一种更优的算法体现。
一种基于多目标优化的APS排产方法,需要一套成熟的APS智能算法和一套更契合生产企业的多目标优化模型数据,具体实现步骤如下:
某企业需要排产订单800套,每套订单生产的产品、投产期、交货期均不相同;每个产品需要生产50个不同自制件然后组装完成;每个不同自制件需要20道工序依次加工才能完成;每道不同工序可候选加工的不同型号设备5台;企业不同型号设备总数为5000台。
以上述举例数据归纳如下:
1、企业的设备总数5000台
2、企业需要APS运算的订单800套
3、一个订单生产一个不同型号产品,每个产品需要生产50个不同零件后进行组装,每个零件需要依次加工20道工序
4、每道工序可选择的候选设备5台
任务总数=订单*产品*自制件*工序,即任务总数为800000任务,需要合理安排在5000台设备上,并确保计划结果符合计划员的多个预期目标:
1、订单交付未延期率100%
2、资源计划占用率100%
一次运算需要800000*5=4000000次进行设备匹配,在匹配过程中需要考虑企业指定的规则(如:任务优先级、任务前后置约束);而通常需要获得最优的匹配结果,需要进行上千次的迭代,即迭代总次数=4000000*N(N大于1000),并在迭代过程中使用各类型的启发式智能算法筛选、组合等,每次迭代结果需要考虑模型多目标的匹配结果,最终筛选出最契合多目标的排产结果。
综上,想要更快速、更准确给出最优运算结果,运算过程中必须考虑多目标的匹配情况,通过每次排产结果的某单一目标更优的情况下进行遗传。
名词解释:
订单(O):车间生产的需求单据,单据包含信息:编号,产品,数量,投产期(ST),要求完成时间(NFT)。一个订单都有一个唯一的编号且只能生产一个类型产品,例如:我要生产1000个不锈钢水杯。
产品(P):表示一个订单需要完成的最终产品,每个产品都有一个唯一的物料编号。例如:1个不锈钢水杯就是1个产品。
物料(M):表示一种实物的名称,产品也可以称为物料,零件也可以称为物料,工艺也可以称为在制物料。1个物料有1个唯一的物料编号。比如:不锈钢水杯为P001,1000个不锈钢水杯则为P001有1000个单位。
自制件(Part):一个产品通常需要多个不同的自制件组装而成,例如:瓶盖,瓶身,包装纸3个自制件组装成1个不锈钢水杯,而3*1000个零件就可以组装为1000个产品。
工序(Tech):生产1个自制件的1个步骤名称,例如:1个瓶身的生产需要:把不锈钢卷进行冲压,然后再进行倒角,最后喷图上色。工序步骤则是:冲压 ->倒角 ->喷图3道工序步骤操作可以完成1个零件。
资源(R):生产过程中需要用到的设备,模具和工人都统称为资源,而不同的工序是需要不同的资源才能进行生产。例如:冲压工序步骤操作则同时需要:1个工人,1台设备,1个模具才能操作生产。
额定负荷(LH):表示资源的标准工作时间,每个资源都有标准的工作时间,比如:某个工人,他的工作时间是周一至周五09:00~18:00,周六周日休息。而某台设备的工作时间是周一至周日00:00~24:00,但存在特殊具体日期进行保养而不能工作。
加工工时(WH):表示某个工序生产需要的时长,通常以秒为单位。例如:冲压工艺每生产1个需要60秒,生产1000个则需要60000秒。
如图1所示,APS运算是根据任务,资源,以及各种约束规则,使用一套遗传算法进行运算,最终得到每个任务的计划开始时间,计划结束时间以及对应的资源的过程。
在数据转换环节时,需要将多目标定义转换为数据模型。其中:{weights}、{workOrdersTotalDelayCount}、{workOrdersTotalNumber}、{ResourceOccupyTotalHour}、{ResourceTotalHour}分别代表每次【运算结束】后动态计算的结果值,如:
{weights}:权重值,单一目标的权重值;
{workOrdersTotalDelayCount}:本次运算的订单延期数目;
{workOrdersTotalNumber}:本次运算总的订单数目;
{ResourceOccupyTotalHour}:本次运算资源可利用时长;
{ResourceTotalHour}:本次运算资源占用时长。
通过数据模型定义的脚本运算最终多目标的评分结果,通过不同排产结果的评分获得最高评分结果的排产数据,计算方法如下:
订单未延期率:{weights}*(1-{workOrdersTotalDelayCount}/{workOrdersTotalNumber})
资源计划占用率:{weights}*({ResourceOccupyTotalHour}/{ResourceTotalHour})
根据本次运算的结果计算每个目标的评分值以及总评分值,在下次迭代开始前将已运算目标值中寻找总评分值最高的一次运算结果作为下次迭代的原始模型数据,在此过程中需要考虑三种逻辑:
1、本次结果评分低于历史运算结果
2、本次结果评分高于历史运算结果
3、本次结果评分等于历史运算结果
下次迭代选择原始模型结果的规则为:
1、取历史运算结果中评分值最高
2、历史评分值中存在相同最高分值存在多个则取多个。
通过遗传算法针对原始模型数据进行遗传因子交叉、替换等算式后再次进行运算,如此循环迭代,直到满足如下条件则退出迭代:
1、完全满足多目标要求
2、迭代约束时间结束,取结束中评分值最高的结果
最后将获取历史排产结果中评分值最高的作为最终最优结果输出。
下面以模具订单为例,对本发明的基于多目标优化的APS排产方法进行详细说明:
1、模具从设计到交付全过程的优化调度模型
为了建立面向模具研发全过程的调度模型,首先需建立模具研发全过程的统一任务描述模型,然后在此基础上构建优化调度模型。由于动态优化调度管控的目标是实现保证模具的交期,同时资源额定负荷占用最大,为此,建立如下统一的任务描述模型:
T = [type, w, { Oij }]
Oij = {S(s,t)}
其中,type表示任务类型,w表示任务级别(权重),Oij 表示组成任务工序集的一个工序,S表示任务的工序状态是一组状态的集合,它由状态量s(开始、暂停、终止、完成)和时间量t组成。任务可分为计划任务T和实际任务T’,它们之间在状态下的差异,即会产生相应的事件。在本实施例中,一个模具订单代表一套模具的生产加工单,一套模具通常分为上模、下模、镶件、顶针等关键零部件,每个零件部需要一套完整的工艺路线加工完成,每套工艺路线包含10道左右工序,而一个工序代表一个任务,因此可根据订单得到对应的任务。
通过任务这一模型,可将设计、采购、加工、检测、装配、试模等任务进行统一描述,从而建立全过程的优化调度模型。另外,在模具设计制造过程中还存在多种复杂的情况会影响模具生产作业计划的制定,例如,任务的相关性、批量加工、多机加工、采购、外协加工、工艺变更、车间转序、急件插入等。只有充分地考虑这些因素对调度的影响,才能构建有效的优化调度模型,解决模具实际设计制造过程中的优化调度问题。为此,本项目通过扩展调度模型的关联要素(外协、采购、转序、变更)、引入任务相关性定义,并通过将批处理与多处理机问题转换为统一的经典车间作业调度问题,以模具交付不延期、资源负荷占用率最大为多目标优化,建立了模具生产过程的多目标优化调度模型,采用其如下式所示:
其中,,为模具
Mo i的延期套数,和分别为模具
Mo i的计划完成时间和需求交货期,和分别为工序的计划开工时间和计划完工时间,为工序的前置工序集,为工序的计划加工资源,为工序的候选资源集, 表示工序的计划资源的当前状态,为工序的实际加工资源,表示工序的当前状态。
其中,,为资源
Ro i的额定负荷剩余时长,和分别为资源
Ro i额定时长和占用时长,假定资源
Ro 1额定计划开始时间PST为01/01,计划结束时间PET为01/31,每天D1设定的工作区间段的起B1止E1为08:00~12:00,则
Ro 1的额定时长为120H:
假定资源
Ro i被工序占用时间区间和分别为01/01 08:00~01/22 11:00,则
Ro 1的占用时长为87H。
同时辅助算法架构如图2所示。在算法框架中采用遗传算法+规则调度,最大利用全局多目标优调度和局部快速规则调度匹配相结合,能够快速寻找模具延期最少,资源负荷率最大的排产结果。
2、多目标优化调度算法
上述模型属于NP困难的组合优化问题,可以使用目前所常用的模拟退火法、遗传算法、蚁群算法、神经网络算法、基于规则的启发式算法等进行求解,但目前所常用的模拟退火法、遗传算法、蚁群算法、神经网络算法、基于规则的启发式算法等都存在求解效率低或解质量不高的问题。由于模具生产过程动态多变,只有实现快速求解,才能使优化结果和加工的实际情况相吻合,否则,在求解过程中实际加工情况可能就已发生了较大的变化。为此,可以采用包含任务衔接性优先级、任务主观性优先级、任务优先数、资源模糊优选、时段优选的多级启发式调度策略,形成调度模型结构化数据,采用多目标优化算法+基于规则调度试验运行模式方法,优选出最佳的组合优化调度规则,并将工序的相关性、工序完成状态、任务抢占、资源优选、非常规工作时间、外协加工、加班及交货期等,作为规则调用的前件。
然后以模具设计制造过程各任务的工序关系网络图为基础,如图3所示,进行有效任务工序的遍历搜索,避免了盲目搜索,从而大幅缩小遍历空间,实现优化调度模型的快速求解。
获得本次求解结果后,根据多目标优化配置算式计算本次求解的结果值,对结果值进行全局判定,当判定是否达标,未达标则取多次迭代求解结果中结果值最优进行克隆,同时完成模具遗传编码,如图4所示。其次将遗传因子中前X位与后X位替换形成变异后的遗传编码,如图5所示,然后将新的编码在多线程求解结果集搜索,不存在则使用此遗传编码进行下一轮迭代求解,存在则再次对遗传编码进行随机编码直到不重复的编码形成,从而进行下一轮迭代求解。
最后,以多目标优化配置算式达标或求解预计时长耗尽标志算法结束,然后在求解的结果集中寻找最接近多目标优化目标值的求解结果输出。
其中,计算模具延期结果值:为权重值,为本次求解未延期模具套数,为本次求解模具总套数;计算资源负荷率结果值:为权重值,为本次求解中资源占用时长,为本次求解资源额定总时长。
在求解过程中,根据变异遗传编号进行正向或逆向进行调度。在局部求解优化过程中针对模具进行逆向调度,解决可以明确模具不延期的情况下,可以提前释放资源额定负荷以供应延期的模具占用资源负荷;针对模具进行正向调度,提高资源额定负荷占用时长。
采用图6所示的硬件配置清单对本发明的方法进行测试,测试数据的结果如图7所示,可见该组合算法避免了一般启发式算法存在的解质量不高的问题,既保证了优化效果,又极大地提高了求解效率。同时利用遗传算法在全局进行优化调度,避免了局部求解的搜索局限性。
本发明还提供一种APS排产系统,该APS排产系统采用上述中任意一项所述的基于多目标优化的APS排产方法。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本领域的技术人员容易理解,以上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 (8)
1.一种基于多目标优化的APS排产方法,其特征在于,包括以下步骤:
获取待排产订单以及可使用资源清单,依据各种约束条件进行APS运算,得到排产结果;
根据多目标优化配置算式计算此次排产结果的多目标评分值,多目标包括订单未延期率和资源计划占用率;其中,多目标优化配置算式如下:
式中,为订单未延期率的目标评分值,为第一权重值,为此次排产结果订单延期数目,为此次排产结果订单总数目;为资源计划占用率的目标评分值,为第二权重值,为此次排产结果资源占用时长,为此次排产结果资源额定时长;
计算此次排产结果的多目标总评分值,并与历史最高多目标总评分值进行比较;若此次排产结果的多目标总评分值低于历史最高多目标总评分值,则选取历史最高多目标总评分值的排产结果;若此次排产结果的多目标总评分值高于历史最高多目标总评分值,则选取此次排产结果;若此次排产结果的多目标总评分值等于历史最高多目标总评分值,则同时选取此次排产结果以及历史最高多目标总评分值的排产结果;
通过遗传算法对所选取的排产结果进行遗传因子变异,之后再次进行APS运算,如此循环迭代,直到满足如下条件则退出迭代:
①满足多目标要求
②达到迭代约束时间或迭代约束次数
取最高多目标总评分值的排产结果作为最终最优结果输出。
2.根据权利要求1所述的基于多目标优化的APS排产方法,其特征在于,APS运算包括:
建立统一的任务描述模型;
建立多目标优化调度模型;
基于多目标优化调度算法求解多目标优化调度模型,得到排产结果。
3.根据权利要求2所述的基于多目标优化的APS排产方法,其特征在于,统一的任务描述模型如下:
T = [type, w, { Oij }]
Oij = {S(s,t)}
式中,type表示任务类型,w表示任务级别,Oij表示组成任务工序集的一个工序,i表示订单序号,j表示工序序号,S表示任务的工序状态是一组状态的集合,由状态量s和时间量t组成;其中,状态量s包括开始、暂停、终止和完成;
任务分为计划任务T和实际任务T’,任务根据订单得到。
4.根据权利要求3所述的基于多目标优化的APS排产方法,其特征在于,多目标优化调度模型如下:
式中,,为订单总数,为订单Mo i的延期数目,和分别为订单Mo i的计划完成时间和需求交货期,和分别为工序的计划开工时间和计划完工时间,为优先级,为工序的前置工序集,为工序的计划加工资源,为工序的候选资源集,表示工序的计划资源的当前状态,为工序的实际加工资源,表示工序的当前状态;
式中,,为资源总数,为资源Ro i的额定负荷剩余时长,和分别为资源Ro i额定时长和占用时长。
5.根据权利要求4所述的基于多目标优化的APS排产方法,其特征在于,通过遗传算法对所选取的排产结果进行遗传因子变异如下:
对所选取的排产结果中的订单进行遗传编码,将遗传因子中前X位与后X位替换形成变异后的遗传编码,然后将新的编码在求解结果集搜索,不存在则使用此遗传编码进行下一轮迭代求解,存在则再次对遗传编码进行随机编码直到不重复的编码形成,从而进行下一轮迭代求解。
6.根据权利要求5所述的基于多目标优化的APS排产方法,其特征在于,在求解过程中,根据变异遗传编号进行正向或逆向进行调度:
在局部求解优化过程中,针对的订单进行逆向调度;针对的订单进行正向调度。
7.根据权利要求1所述的基于多目标优化的APS排产方法,其特征在于,满足多目标要求具体为:多目标总评分值达到设定值或各目标的评分值达到各自的设定值。
8.一种APS排产系统,其特征在于,该APS排产系统采用权利要求1至7中任意一项所述的基于多目标优化的APS排产方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310373456.1A CN116090676B (zh) | 2023-04-10 | 2023-04-10 | 一种基于多目标优化的aps排产方法及aps排产系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310373456.1A CN116090676B (zh) | 2023-04-10 | 2023-04-10 | 一种基于多目标优化的aps排产方法及aps排产系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116090676A true CN116090676A (zh) | 2023-05-09 |
CN116090676B CN116090676B (zh) | 2023-07-04 |
Family
ID=86212332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310373456.1A Active CN116090676B (zh) | 2023-04-10 | 2023-04-10 | 一种基于多目标优化的aps排产方法及aps排产系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116090676B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117891224A (zh) * | 2024-03-15 | 2024-04-16 | 山东国泰民安玻璃科技有限公司 | 一种口服液体瓶的生产控制方法、设备及介质 |
CN118229039A (zh) * | 2024-05-24 | 2024-06-21 | 浙江未来佰泽科技有限公司 | 一种多目标智能优化的aps排产方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001016726A2 (en) * | 1999-08-31 | 2001-03-08 | Accenture Llp | A system, method and article of manufacture for a constant class component in a business logic services patterns environment |
CN109634231A (zh) * | 2018-11-22 | 2019-04-16 | 合肥工业大学 | 基于遗传模拟退火算法的成形车间节能调度方法 |
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 |
KR20210147672A (ko) * | 2020-05-29 | 2021-12-07 | 삼성전자주식회사 | 전자장치 및 그 제어방법 |
CN114298426A (zh) * | 2021-12-30 | 2022-04-08 | 北京深度奇点科技有限公司 | Aps动态生产计划排程系统 |
CN114707748A (zh) * | 2022-04-20 | 2022-07-05 | 江苏大学 | 一种基于群体免疫-遗传算法的混流产线智能排产方法 |
CN114862122A (zh) * | 2022-04-11 | 2022-08-05 | 益模(东莞)智能科技有限公司 | 一种基于aps的车间排产方法、系统及设备 |
US20230078448A1 (en) * | 2019-11-05 | 2023-03-16 | Strong Force Vcn Portfolio 2019, Llc | Robotic Fleet Provisioning for Value Chain Networks |
-
2023
- 2023-04-10 CN CN202310373456.1A patent/CN116090676B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001016726A2 (en) * | 1999-08-31 | 2001-03-08 | Accenture Llp | A system, method and article of manufacture for a constant class component in a business logic services patterns environment |
CN109634231A (zh) * | 2018-11-22 | 2019-04-16 | 合肥工业大学 | 基于遗传模拟退火算法的成形车间节能调度方法 |
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 |
US20230078448A1 (en) * | 2019-11-05 | 2023-03-16 | Strong Force Vcn Portfolio 2019, Llc | Robotic Fleet Provisioning for Value Chain Networks |
KR20210147672A (ko) * | 2020-05-29 | 2021-12-07 | 삼성전자주식회사 | 전자장치 및 그 제어방법 |
CN114298426A (zh) * | 2021-12-30 | 2022-04-08 | 北京深度奇点科技有限公司 | Aps动态生产计划排程系统 |
CN114862122A (zh) * | 2022-04-11 | 2022-08-05 | 益模(东莞)智能科技有限公司 | 一种基于aps的车间排产方法、系统及设备 |
CN114707748A (zh) * | 2022-04-20 | 2022-07-05 | 江苏大学 | 一种基于群体免疫-遗传算法的混流产线智能排产方法 |
Non-Patent Citations (2)
Title |
---|
武韶敏;胡晓兵;王江武;徐兴伟;: "改进遗传算法求解面向订单多目标排产问题", 机械设计与制造, no. 03 * |
赵松;徐哲;刘东宁;: "考虑全局资源闲置成本的分布式RCMPSPTT", 系统工程理论与实践, no. 07 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117891224A (zh) * | 2024-03-15 | 2024-04-16 | 山东国泰民安玻璃科技有限公司 | 一种口服液体瓶的生产控制方法、设备及介质 |
CN117891224B (zh) * | 2024-03-15 | 2024-05-24 | 山东国泰民安玻璃科技有限公司 | 一种口服液体瓶的生产控制方法、设备及介质 |
CN118229039A (zh) * | 2024-05-24 | 2024-06-21 | 浙江未来佰泽科技有限公司 | 一种多目标智能优化的aps排产方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116090676B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116090676B (zh) | 一种基于多目标优化的aps排产方法及aps排产系统 | |
Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
CN101916404A (zh) | 一种装备制造过程多厂协同调度优化方法 | |
CN107016449B (zh) | 一种基于跨企业动态计划排程的智能制造方法 | |
Nurprihatin et al. | Improving the performance of planning and controlling raw material inventory in food industry | |
CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程系统及方法 | |
Stupina et al. | Building the strategy for innovative development of industrial enterprises based on network planning methods | |
Tassel et al. | Semiconductor Fab Scheduling with Self-Supervised and Reinforcement Learning | |
Giordano et al. | On just-in-time production leveling | |
Rabbani et al. | A new AATP model with considering supply chain lead-times and resources and scheduling of the orders in flowshop production systems: A graph-theoretic view | |
CN116415780A (zh) | 一种智能排单的方法及系统 | |
CN114862122B (zh) | 一种基于aps的车间排产方法、系统及设备 | |
Bo et al. | Manufacturing rescheduling after crisis or disaster-caused supply chain disruption | |
Pfitzer et al. | Event-driven production rescheduling in job shop environments | |
Sivasundari et al. | Production, capacity and workforce planning: a mathematical model approach | |
Slak et al. | Application of genetic algorithm into multicriteria batch manufacturing scheduling | |
Chowdary et al. | Production planning under dynamic product environment: a multi-objective goal programming approach | |
Sharma et al. | EVALUATION OF ASSEMBLY LINE BALANCING METHODS USING AN ANALYTICAL HIERARCHY PROCESS (AHP) AND TECHNIQUE FOR ORDER PREFERENCES BY SIMILARITY TO IDEAL SOLUTION (TOPSIS) BASED APPROACH. | |
Modrák | Case on manufacturing cell formation using production flow analysis | |
Panfilova et al. | Supply chain model of a manufacturing enterprise: Multi-agent approach | |
Turgay et al. | An Effective Heuristic Algorithm for Flexible Flow Shop Scheduling Problems with Parallel Batch Processing | |
Kalinowski | Multistage decision making process of multicriteria production scheduling | |
Trebuna et al. | Optimization of Production Schedule Using Advanced Scheduling Tools for Green Production | |
Valencia et al. | An optimization approach for MPS in a MTO multiproduct assembly line system | |
Van Goubergen | Set-up reduction for lean cells and multi-machine situations |
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 |