CN116151424B - 一种多园区下料车间方法 - Google Patents

一种多园区下料车间方法 Download PDF

Info

Publication number
CN116151424B
CN116151424B CN202211548118.9A CN202211548118A CN116151424B CN 116151424 B CN116151424 B CN 116151424B CN 202211548118 A CN202211548118 A CN 202211548118A CN 116151424 B CN116151424 B CN 116151424B
Authority
CN
China
Prior art keywords
batch
scheduling
scheme
lot
determining
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.)
Active
Application number
CN202211548118.9A
Other languages
English (en)
Other versions
CN116151424A (zh
Inventor
龚文引
李�瑞
卢超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences
Original Assignee
China University of Geosciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Geosciences filed Critical China University of Geosciences
Priority to CN202211548118.9A priority Critical patent/CN116151424B/zh
Publication of CN116151424A publication Critical patent/CN116151424A/zh
Application granted granted Critical
Publication of CN116151424B publication Critical patent/CN116151424B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

本发明提供了一种多园区下料车间方法，该方法包括：获取批次信息和工厂信息；其中，所述批次信息包括：批次优先级和批次交货期；基于所述批次信息和工厂信息，确定至少一个排产计划；其中，所述排产计划包括所述批次对应的加工时间；利用遗传算法，对所述排产计划进行交叉变异，确定第一方案；基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定第二方案；基于所述批次交货期和批次优先级，对第二方案进行局部搜索，确定最终排产方案；输出所述最终排产方案。如此，本发明可以基于优先级和交货期，增加批次约束，并根据批次模糊加工时间指导实际排产，提高生产效率。

Description

一种多园区下料车间方法
技术领域
本发明涉及但不限于智能制造领域，尤其涉及一种多园区下料车间方法、装置、终端及存储介质。
背景技术
目前，国有大型装备生产企业为了抢占国际市场，选择走高端定制化的生产路线。定制化生产使得产品可以明确的适应各种用户要求，用户订单也随之增多，随之而来的是大量的排产，工作量远超排产工程师的能力范畴，因而工程师无法从全局角度安排生产方案。且，不同订单有不同的重要程度，而每一批订单都没有历史数据可以参考，无法估计每个批次的生产时间，造成排产计划经常变更，许多潜在产能无法有效释放。
且，现有的对于车间调度问题的建模，只限于无工件约束的分布式调度问题，从未考虑过批次优先级的约束；而对于批次加工时间的不确定性都是基于固定时间的预测，也未考虑到基于人工经验对定制化生产中批次加工时间的不确定性的预测。
发明内容
为了解决上述问题，本发明提供了一种多园区下料车间方法、装置、终端及存储介质。
本发明的技术方案是这样实现的：
一种多园区下料车间方法，所述方法包括：
获取批次信息和工厂信息；其中，所述批次信息包括：批次优先级和批次交货期；
基于所述批次信息和所述工厂信息，确定至少一个排产计划；其中，所述排产计划包括所述批次对应的加工时间；
利用遗传算法，对所述排产计划进行交叉变异，确定第一方案；
基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定第二方案；
基于所述批次优先级和所述批次交货期，对所述第二方案进行局部搜索，确定最终排产方案；
输出所述最终排产方案。
在一些实施例中，所述批次信息包括：批次重量和难度系数；所述难度系数根据人工经验预设，每一所述批次对应三个所述难度系数；所述工厂信息包括：工厂产能；
所述方法还包括：
基于所述难度系数，所述工厂产能和所述批次重量，确定所述批次的加工时间；其中，所述加工时间是一个三角模糊数。
在一些实施例中，所述批次信息还包括：开工时间；所述工厂信息包括：班组产能；所述工厂包括至少一个园区，所述园区包括至少两个班组；
所述方法还包括：
基于所述开工时间和所述加工时间，确定每一所述班组对应批次的完工时间；
基于所述完工时间，从小到大对班组进行排序，选择排序最前的第一班组和第二班组；
达到所述第一班组完工时间，将所述第一班组的班组产能附加到所述第二班组的班组产能上，更新所述第二班组的班组产能；
基于所述第二班组的班组产能，所述第二班组对应批次的难度系数和所述第二班组对应批次的批次重量，更新所述第二班组对应批次的加工时间；
将所述第二班组对应批次的加工时间更新到所述最终排产方案；
输出所述最终排产方案。
在一些实施例中，所述基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量所述排产计划，确定第二方案，包括：
基于所述批次优先级，确定超期惩罚因子，所述超期惩罚因子与所述批次优先级正相关；
基于所述超期惩罚因子，每一所述班组对应批次的完工时间和所述批次交货期，确定所述排产计划的适应值；
基于所述适应值，从大到小对所述第一方案中所述排产计划进行排序，选择排序在前的第一预设数量的排产计划，确定所述第二方案。
在一些实施例中，所述基于所述批次优先级和所述批次交货期，对所述第二方案进行局部搜索，确定最终排产方案，包括：
基于所述超期惩罚因子，确定所述第二方案中的关键批次；
选择所述关键批次对应班组上的在所述关键批次之前的同组批次，进行局部搜索；
基于所述批次优先级和所述批次交货期，对比所述关键批次和所述同组批次，确定所述最终排产方案。
在一些实施例中，所述工厂信息包括：园区数量和班组数量；所述批次信息包括：批次数量；所述基于所述批次信息和工厂信息，确定至少一个排产计划，包括：
基于所述批次数量，确定所述批次的加工工序向量，所述批次数量为所述加工工序向量的长度；
基于所述园区数量，确定所述批次的园区选择向量，所述园区数量为所述园区选择向量的长度；
基于所述班组数量，确定所述批次的班组选择向量，所述班组数量为所述班组选择向量的长度；
基于所述加工工序向量，所述园区选择向量和所述班组选择向量，随机初始化，确定至少一个所述排产计划。
在一些实施例中，所述利用遗传算法，对所述排产计划进行交叉变异，确定第一方案，包括：
从初始化确定的排产计划中选择第二预设数量的排产计划，构成交配池；其中，所述第二预设数量小于或者等于所述初始化确定的排产计划的数量；
将所述初始化确定的排产计划与所述交配池中排产计划进行交叉变异，生成备选方案；
将所述备选方案的排产计划和所述初始化确定的排产计划合并，确定所述第一方案。
本发明实施例还提供一种多园区下料车间装置，包括：
获取模块，用于获取批次信息和工厂信息；其中，所述批次信息包括：批次优先级和批次交货期；
处理模块，用于基于所述批次信息和所述工厂信息，确定至少一个排产计划；其中，所述排产计划包括批次对应的加工时间；
所述处理模块，也用于利用遗传算法，对所述排产计划进行交叉变异，确定第一方案；
所述处理模块，还用于基于所述批次信息和工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定第二方案；
所述处理模块，还用于基于所述批次交货期和所述批次优先级，对所述第二方案进行局部搜索，确定最终排产方案；
输出模块，用于输出所述最终排产方案。
本发明实施例还提供了一种终端，所述终端包括处理器和用于存储能够在所述处理器上运行的计算机程序的存储器；其中，所述处理器用于运行计算机程序时，实现本发明任一实施例所述多园区下料车间方法。
本发明实施例还提供了一种计算机可读存储介质，所述存储介质中有计算机可执行指令，其特征在于，所述计算机可执行指令被处理器执行实现本发明任一实施例所述多园区下料车间方法。
本发明实施例提供了一种多园区下料车间方法，获取批次信息和工厂信息；其中，所述批次信息包括：批次优先级和批次交货期；基于所述批次信息和工厂信息，确定至少一个排产计划；其中，所述排产计划包括所述批次对应的加工时间；利用遗传算法，对所述排产计划进行交叉变异，确定第一方案；基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定第二方案；基于所述批次优先级和所述批次交货期，对所述第二方案进行局部搜索，确定最终排产方案；输出所述最终排产方案。如此，本发明可以基于批次优先级和批次交货期，增加批次约束，并结合批次的加工时间，给实际排产提供指导方案；且基于遗传算法的交叉和变异优化排产方案，进而提高工厂的生产效率，减小实际交货期，满足客户的高端定制化需求的同时也提升了企业的收益。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例提供的一种多园区下料车间方法的流程示意图；
图2是本发明实施例提供的一种多园区下料车间方法的工艺流程示意图；
图3是本发明实施例提供的一种模糊加工时间三角模糊预测系统示意图；
图4是本发明实施例提供的一种多园区下料车间方法的流程示意图；
图5是本发明实施例提供的一种多园区下料车间方法的流程示意图；
图6是本发明实施例提供的一种多园区下料车间方法的流程示意图；
图7是本发明实施例提供的一种多园区下料车间方法的流程示意图；
图8是本发明实施例提供的一种多园区下料车间方法的流程示意图；
图9是本发明实施例提供的一种多园区下料车间方法的流程示意图；
图10是本发明实施例提供的一种多园区下料车间装置示意图；
图11是本发明实施例提供的一种多园区下料车间终端硬件结构示意图。
具体实施方式
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。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
如图1所示，本发明实施例提供了一种多园区下料车间方法，所述方法包括：
步骤S101：获取批次信息和工厂信息；其中，所述批次信息包括：批次优先级和批次交货期；
步骤S102：基于所述批次信息和工厂信息，确定至少一个排产计划；其中，所述排产计划包括所述批次对应的加工时间；
步骤S103：利用遗传算法，对所述排产计划进行交叉变异，确定第一方案；
步骤S104：基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定第二方案；
步骤S105：基于所述批次优先级和所述批次交货期，对所述第二方案进行局部搜索，确定最终排产方案；
步骤S106：输出所述最终排产方案。
本发明实施例所述下料方法由终端执行。所述终端可以是各类型的终端；例如，所述终端可以是但不限于是以下至少之一：服务器、计算机、平板电脑或者其他电子设备。
在一些实施例中，所述批次信息表征所有所述批次的信息，所述批次信息可以是但不限于是：批次数量，批次工序，开工时间，加工时间，难度系数，批次优先级，批次交货期和批次重量。
在一个实施例中，所述批次优先级可以是企业按照客户的不同重要程度给订单定制的等级。
示例性的，企业按照重要客户，一般重要客户和普通客户，将客户对应的订单分为三个等级对应数字1,2,3，数字越小对应的批次优先级越高。
这里，所述批次工序可以是根据所述批次优先级对所述批次的初始排序；所述批次工序也可以是所述排产计划中对所述批次的排序。
在一个实施例中，每一所述批次均有对应的所述难度系数，所述难度系数根据人工经验预设，每一所述批次对应三个所述难度系数。
示例性的，基于排产工程师的经验对所述批次难度进行预设，设定三个难度系数：F1，F2和F3；其中，F1为所述批次对应的最小难度系数，F2为所述批次对应的最可能难度系数，F3为所述批次对应的最大难度系数。如此，本发明实施例可以基于人工经验对所述批次进行更为准确的难度系数预测。
这里，所述工厂信息包括但不限于：工厂数量，工厂产能，工厂机器数量，园区数量，班组数量，班组产能，员工数量。
在一个实施例中，所述工厂产能以班组为基本单位，所述班组产能根据历史生产数据确定，所述工厂产能由所述班组的班组产能确定。示例性的，工厂中有M个班组，则，工厂总产能为Ek(k＝1,2，…，M)。
可以理解的是，所述工厂的下料工艺流程根据所述工厂规格不同而有所不同；示例性的，如图2所示，工厂包括两个园区，所述下料的工艺流程主要包括三个步骤：切割，钳压和坡口打磨。
这里，所述排产计划至少包括：所述批次被排产的园区、班组、批次工序、开工时间和加工时间。
所述步骤S101中获取批次信息和工厂信息的一种实现方式为：同一时间获取一个工厂的工厂信息，及所述工厂对应的多个批次的批次信息。
示例性的，一个时刻，终端获取到工厂的工厂信息和所述工厂要处理的多个批次的批次信息。例如，有1个工厂和10个要处理批次，在一个时刻，终端同时获取到1个工厂的工厂信息和10个批次的批次信息。如此，本发明实施例可以对整个加工工厂进行分布式调度。
在一些实施例中，所述步骤S102，包括：
基于所述难度系数，所述工厂产能和所述批次重量，确定所述批次的加工时间；其中，所述加工时间是一个三角模糊数。
示例性的，本发明可以通过所述难度系数，所述工厂产能和所述批次重量，确定所述加工时间。例如，难度系数转换为加工时间公式，如下：
Ti＝Wi*(Fi1,Fi2,Fi3)*1000/Ek
其中，Wi为所述批次重量，Fi1为所述最小难度系数，Fi2为所述最可能难度系数，Fi3为所述最大难度系数，Ek为所述工厂产能，i为所述批次工序。由此可以确定加工时间Ti＝(t1,t2,t3)，即所述加工时间为一个三角模糊数，有一个三元组(t1,t2,t3)组成；其中，t1对应于所述最小难度系数Fi1，表示所述批次的最早开始时间；t2对应于所述最可能难度系数Fi2，表示所述批次的最可能开始时间；t3对应于所述最大难度系数，Fi3表示所述批次的最晚开始时间。
可以理解的是，所述难度系数和所述加工时间可以通过如图3所示的三角隶属函数建立映射关系；在三角模糊系统中可以进行加，减，数乘，数除和比较大小等操作，两个三元组之间加减，单个三元组数乘和数除。如此，本发明实施例可以基于所述三角模糊系统，对每一所述批次的加工时间进行预估，实现模糊调度。
如此，本发明实施例可以基于所述批次的难度系数，利用所述三角隶属函数确定所述难度系数与所述加工时间之间的映射关系，并对所述批次的加工时间进行模糊估计。
在一个实施例中，所述步骤S103到所述步骤S105在整个下料过程中可以按照设定的次数循环进行。
示例性的，完整的一个循环是，利用所述遗传算法，对所述最终排产方案中的所述排产计划进行交叉，确定所述第一方案；基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排产，选择第一预设数量的所述排产计划，确定所述第二方案；基于所述批次优先级和所述批次交货期，对所述第二方案进行局部搜索，更新所述最终排产方案。
这里，所述设定的次数要在规定的时间段内完成，所述设定的次数可以根据实际情况进行最优的循环次数设定。例如，为了在20s内得到更优的最终排产方案，实验测试得到设定的次数为100最为合适。
在本发明实施例中，获取所述批次信息和所述工厂信息，其中，所述批次信息包括：批次优先级和批次交货期；基于所述批次信息和工厂信息，确定至少一个所述排产计划，其中，所述排产计划包括所述批次对应的加工时间；利用遗传算法，对所述排产计划进行交叉变异，确定所述第一方案；基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定所述第二方案；基于所述批次优先级和所述批次交货期，对所述第二方案进行局部搜索，确定所述最终排产方案。
如此，在本发明可以基于人工经验对每个批次的加工时间惊醒模糊估计；同时，基于所述批次优先级和所述批次交货期，对所述排产计划进行优化，进而针对不同订单确定更加合理的胜场排序，提升实际生产效率。
如图4所示，在一些实施例中，所述方法还包括：
所述批次信息还包括：开工时间；所述工厂信息包括：班组产能；所述工厂包括至少一个园区，所述园区包括至少两个班组；所述方法还包括：
步骤S201：基于所述开工时间和所述加工时间，确定每一所述班组对应批次的完工时间；
步骤S202：基于所述完工时间，从小到大对所述班组进行排序，选择排序最前的第一班组和第二班组；
步骤S203：达到所述第一班组完工时间，将所述第一班组的班组产能附加到所述第二班组的班组产能上，更新所述第二班组的班组产能；
步骤S204：基于所述第二班组的班组产能，所述第二班组对应批次的难度系数和所述第二班组对应批次的批次重量，确定所述第二班组对应批次的加工时间；
所述步骤S106，包括：
步骤S205：将所述第二班组对应批次的加工时间更新到所述最终排产方案，输出所述最终排产方案。
可以理解的是，所述步骤S202到所述步骤S205在整个下料过程中一直进行，直到所有批次下料完成。
在一个实施例中，每一所述批次对应一个所述开工时间，所述开工时间基于所述批次工序确定。
可以理解的是，所述批次工序是指所述批次的加工顺序；具体的，所述批次工序为1，则所述批次第一个被加工。
在一个实施例中，所述步骤S201包括：
基于所述批次工序，确定所述批次的所述开工时间；基于所述开工时间和所述批次的加工时间，确定所述批次的完工时间。
示例性的，所述批次信息包括所述批次对应的批次工序，所述批次的开始加工时间等于所述批次工序前所有加工时间相加；所述批次的完工时间等于所述批次的开始加工时间加上所述批次的加工时间。具体的，批次a的批次工序为1，且批次a的加工时间为(1,1,1)，则批次a的完工时间为(1,1,1)；批次b的工序为2，且批次b的加工时间为(1,2,2)，则批次b的完工时间为(2,3,3)。
在一个实施例中，所述步骤S202包括：
以园区为单位，获取所述班组对应批次的完工时间；
基于所述班组对应批次的完工时间，确定所述班组完工时间；
基于所述班组完工时间，从小到大对所述班组进行排序，选择排序最前的第一班组和第二班组。
这里，所述班组完工时间大于或者等于所述班组对应的所述批次的完工时间。
示例性的，园区中有至少两个班组，所述班组对应至少一个批次；基于所述批次的完工时间，确定所述班组完工时间；基于所述班组完工时间，从小到大对所述班组进行排序。
例如，园区1中有班组1和班组2，班组1处理批次1和批次2，其中，批次1的完工时间为(1,1,1)，批次2的完工时间为(2,2,2)；班组2处理批次1，其中，批次1的完工时间为(1,1,1)；则根据三角模糊预测系统的相加法则，班组1完工时间为(3,3,3)，班组2完工时间为(1,1,1)，则根据三角模糊预测系统的比较法则，班组排序是(班组2，班组1，…)。
如此，本发明实施例可以基于所述批次的完工时间，确定所述班组完工时间，进而基于所述班组完工时间确定所述班组完工的先后顺序。
在一个实施例中，所述步骤S203包括：
达到所述第一班组完工时间，获取所述第一班组的班组产能和所述第二班组的班组产能；
将所述第一班组的班组产能附加到所述第二班组的班组产能上，更新所述第二班组的班组产能。
这里，所述班组产能根据工厂历史生产数据获得，所述班组产能可以叠加。
示例性的，选择排序最前的所述第一班组和所述第二班组，以第一班组完工时间为释放节点，获取所述第一班组的班组产能和所述第二班组的班组产能，并将所述第一班组的班组产能附加到所述第二班组的班组产能上，更新所述第二班组的班组产能。
例如，班组2排除第一，班组1排序第二，班组1的班组产能为E2，班组2的班组产能为E1，且班组2的完工时间为(1,1,1)；在达到完工时间(1,1,1)时，将班组1的产能E2附加到班组1上，则班组1的产能更新为E2′＝(E1+E2)。
如此，本发明实施例可以基于所述班组完工时间确定已经完工班组，并以所述班组完工时间为释放节点，将所述已经完工班组的产能附加到其他未完工班组中，充分利用生产资源，提升空闲班组利用率。
在一个实施例中，基于所述第二班组的班组产能，所述第二班组对应批次的难度系数和所述第二班组对应批次的批次重量，利用所述难度系数转换为加工时间公式，确定所述第二班组对应批次的加工时间；将所述第二版组对应批次的加工时间更新到所述最终排产方案，输出所述排产方案。
示例性的，将所述第二班组的班组产能，所述第二班组对应批次的难度系数和所述第二版组对应批次的批次重量代入所述难度系数转换为加工时间公式中，得到所述第二班组对应批次的加工时间；将所述加工时间更新到所述最终排产方案，输出所述最终排产方案。
例如，班组1的产能更新为E2′，班组1对应批次1，批次1的难度系数为F11，F12和F13，批次1的重量为W1，则批次1的加工时间为T1＝W1*(F11,F12,F13)*1000/(E1+E2)，将所述加工时间T1更新到最终排产方案，输出更新后的最终排产方案。
可以理解的是，所述完工时间由加工时间和所述开始加工时间确定，所述开始加工时间取决与所述批次的批次工序，所述加工时间变更则所述开始加工时间和所述完工时间均会发生变化。
如此，本发明实施例可以基于所述第二班组新的班组产能，所述第二班组对应批次的难度系数和批次重量，确定所述第二班组对应批次新的加工时间；基于所述第二班组对应批次新的加工时间，更新所述最终排产方案；进而充分利用班组产能，提高生产效率。
如图5所示，在一些实施例中，所述方法还包括：
所述步骤S104，包括：
步骤S104a：基于所述批次优先级，确定超期惩罚因子，所述超期惩罚因子与所述批次优先级正相关；
步骤S104b：基于所述超期惩罚因子，每一所述班组对应批次的完工时间和所述批次交货期，确定所述排产计划的适应值；
步骤S104c：基于所述适应值，从大到小对所述第一方案中所述排产计划进行排序，选择排序在前的第一预设数量的排产计划，确定所述第二方案。
在一个实施例中，所述步骤S104a包括：基于所述批次对应客户的重要程度确定所述批次优先级；基于所述批次优先级确定超期惩罚因子，所述超期惩罚因子与所述批次优先级正相关。
示例性的，基于所述批次对应客户的重要程度，确定所述批次对应的优先级，所述优先级多的数值越小优先级越高；设置与所述批次优先级正相关的超期惩罚因子，所述批次优先级越高所述超期惩罚因子越大。例如，客户1为很重要客户，对应批次1；客户2为重要客户，对应批次2；客户3为普通客户，对应批次3；则，确定批次1的优先级为1，批次2的优先级为2，批次3的优先级为3级，其中，1级优先于2级，2级优先于3级；则，设置如下与批次优先级正相关的超期惩罚因子：
其中，x为批次优先级，批次1的超期惩罚因子大于批次2的超期惩罚因子，批次2的超期惩罚因子大于批次3的超期惩罚因子。可以理解的是，批次1应该排在批次2和批次3前面投入生产，批次2应该在批次3的前面投入生产。
如此，本发明实施例可以基于批次优先级设定超期惩罚因子，将重要的批次更新到加工工序前面，优化排产的同时优先完成优先级高的客户订单，避免客户订单超期。
在一个实施例中，所述适应值表征所述排产计划的其他所述排产计划相比，能够被选择的能力；所述适应值越大，所述排产计划被选择的能力越大；所述适应值可以通过是一个目标函数确定。
示例性的，所述适应值目标函数表达式如下：
其中，Ci表示每个批次的完工时间，Pi是所述批次优先级，Di是所述批次交货期，由此可以求得每个所述排产计划对应的适应值；如此，本发明实施例可以基于所述适应值可以对所述排产计划进行从大到小的排序。
这里，所述第一预设数量小于所述第一方案中所述排产计划的数量，所述第一预设数量是确定的常量值。
如此，本发明实施例可以基于所述批次优先级确定与其正相关的超期惩罚因子，基于所述超期惩罚因子，每一所述班组对应批次的完工时间和所述批次交货期，确定所述排产计划的适应值；基于所述适应值，对所述第一方案中所述排产计划进行排序，进而可以从多个所述排产计划中选择更优的排产计划，指导实际排产，提升生产效率。
如图6所示，在一个实施例中，所述方法还包括：
所述步骤S102，包括：
步骤S102a：基于所述园区数量，确定所述批次的园区选择向量，所述批次数量为所述园区选择向量的长度；
步骤S102b：基于所述班组数量，确定所述批次的班组选择向量，所述批次数量为所述班组选择向量的长度；
步骤S102c：基于所述批次数量，确定所述批次的加工工序向量，所述批次数量为所述加工工序向量的长度；
步骤S102d：基于所述园区选择向量，所述班组选择向量和所述加工工序向量，随机初始化，确定至少一个所述排产计划。
这里，所述园区分配向量，所述班组分配向量和所述加工工序向量都是一维向量；所述园区分配向量，所述班组分配向量和所述加工工序向量用于对所述批次的随机初始排产，可以作为所述批次的批次信息。
这里，所述初始序列中包括加工工序、园区分配、班组分配的三个初始常量。
示例性的，基于所述批次数量，确定所述加工工序向量；基于所述班组数量，确定所述班组分配向量；基于所述园区数量，确定所述园区分配向量；基于所述园区分配向量，所述班组分配向量和所述加工工序向量，随机初始化得到初始序列。
例如，批次数量为N，可以将批次按照1-N编号，班组数量为K，园区数量为H，且N、K和H均为大于或者等于1的自然数；则加工工序向量长为N，该向量为1-n乱序排列组成；班组选择向量长度为N，从头到尾对应批次编号1-N的班组选择，每一纬度的值在1-k随机取整，K表示班组数量；园区选择向量长度为N，每一纬度表示园区选择，范围是1-h，H是园区数量，同样从头到尾对应批次编号1-N；则随机初始化得到初始序列是(h，k，n)，即初始加工排序是在h园区的k班组上加工，n表示批次工序。
如此，本发明实施例可以基于所述园区数量，所述班组数量和所述批次数量，随机生成初始加工序列。
如图7所示，在一些实施例中，所述方法还包括：
所述步骤S105，包括：
步骤S105a：基于所述超期惩罚因子，确定所述第二方案中的关键批次；
步骤S105b：选择所述关键批次对应班组上的在所述关键批次之前的同组批次，进行局部搜索；
步骤S105c：基于所述批次优先级和所述批次交货期，对比所述关键批次和所述同组批次，确定所述最终排产方案。
在一个实施例中，所述基于所述超期惩罚因子，确定所述第二方案中的关键批次，包括：基于所述超期惩罚因子对所述批次从大到小进行排序，找到排在最前的所述批次，确定为所述关键批次。
这里，所述关键批次可以是从所有园区进行超期惩罚因子排序后确定的。
在一个实施例中，所述局部搜索可以包括多个邻域结构。
示例性的，所述局部搜索包括多个邻域结构，随机选择一个所述邻域结构；基于所选择的所述邻域结构，对所述关键批次进行局部搜索；基于所述批次优先级和所述批次交货期，确定所述最终排产方案。
例如，局部搜索包括如下四的邻域结构：
邻域结构一：在关键批次所在班组上的所有之前的批次中，向前搜索，如果找到一个批次的交货期大于关键批次或者交货期相同但优先级更低，则交换两个批次的位置；
领域结构二：在关键批次所在班组上的所有之前的批次中，向前搜索，如果找到一个批次的交货期大于关键批次或者交货期相同但优先级更低，则将关键批次插入到所选批次的前面；
邻域结构三：在关键批次所在班组上的所有之前的批次中，向前搜索，如果找到一个批次的优先级低于关键批次或者优先级相同但交货期更晚，则交换两个批次的位置；
邻域结构四：在关键批次所在班组上的所有之前的批次中，随机选择其他工厂中的一个班组，在该班组上向前搜索，如果找到一个批次的交货期晚于关键批次，则将关键批次插入到所选工厂的所选班组的所选批次的前面。
在一个实施例中，在所述步骤S105a到所述步骤S105b可以按照预设数值循环执行。例如，设定所述预设数值为20次。可以理解的是，循环确定所述关键批次，并对所述关键批次进行局部搜索；则所述批次优先级更高和所述批次交货期更早的批次的排序越来越前。
如此，本发明实施例可以基于
如图8所示，在一些实施例中，所述方法还包括：
所述步骤S103，包括：
步骤S103a：从初始化确定的排产计划中选择第二预设数量的排产计划，构成交配池；其中，所述第二预设数量小于或者等于所述初始化确定的排产计划的数量；
步骤S103b：将所述初始化确定的所述排产计划与所述交配池中排产计划进行交叉变异，生成备选方案；
步骤S103c：将所述备选方案的排产计划和所述初始化确定的排产计划合并，确定所述第一方案。
这里，所述第二预设数量是确定的常量值，所述第二预设数量可以根据不同的排产情况进行预设。
在一个实施例中，所述交配池中的所述排产计划可以重复。
在一个实施例中，所述步骤S103b还包括：从所述交配池中随机选择所述排产计划与所述初始化确定的排产计划进行交叉变异，生成所述备选方案。
在一个实施例中，所述将所述初始化确定的所述排产计划与所述交配池中排产计划进行交叉变异，包括：对所述加工工序向量使用偏于工序的交叉算子；对所述园区分配向量和所述班组分配向量使用普遍交叉算子。
示例性的，对所述排产计划的所述加工工序向量使用偏于工序的交叉算子；随机选择所述初始化确定的排产计划中的一个批次和所述交配池中的一个批次交换位置。
示例性的，对所述排产计划的所述园区分配向量和所述班组分配向量使用普通交叉算子；所述对园区分配向量的变异是随机选择一个批次并替换到另外一个园区；所述对班组分配向量的变异是随机选择一个批次并在园区内重新选择一个班组。
如此，本发明实施例可以基于所述交配池中的适应值最大的排产计划，对所述初始化确定的排产计划进行交叉变异，进而确定所述第一方案。
如图9所示，在一些实施例中，所述方法还包括：
所述步骤S101，包括：
步骤S301：获取批次信息和工厂信息；其中，所述批次信息包括：批次数量，批次工序，批次优先级和批次交货期，所述工厂信息包括：园区数量和班组数量；
所述步骤S102，包括：
步骤S302：基于所述园区数量，所述班组数量和所述批次数量，随机初始化至少一个所述排产计划；其中，所述排产计划包括所述批次对应的加工时间；
示例性的，随机初始化10个所述排产计划。
所述步骤S103，包括：
步骤S303：从所述排产计划中选择第二预设数量的排产计划，构成交配池；
示例性的，使用双人锦标赛算法，从所述初始种群中可重复选取10个精英个体构成交配池。
步骤S304：将初始化的所述排产计划与所述交配池中排产计划进行交叉变异，确定所述备选方案；
所述步骤S104，包括：
步骤S305：将所述备选方案与初始化的所述排产计划合并，确定所述第一方案；
步骤S306：基于所述批次优先级和所述批次交货期，确定所述第一方案中所述排产计划的适应值；
步骤S307：基于所述适应值，从大到小对所述第一方案中所述排产计划进行排序，选择排序在前的所述第一预设数量的排产计划，构成所述第二方案；
这里，所述第一预设数量的排产计划为所述适应值前10的排产计划。
所述步骤S105，包括：
步骤S308：对所述第二方案中的排产计划进行预设次数局部搜索，确定所述最终排产方案；
这里，所述预设次数是一个常量值，所述预设次数可以自定义设定。例如，对第二方案中的排产计划进行20次局部搜索。
步骤S309：循环所述步骤S302到所述步骤S308；
步骤S310：判断所述循环是否迭代了100次；若是，则执行步骤S311；若否，则执行步骤S302；
这里，所述预设循环次数是一个常量值，所述预设循环次数可以自定义设置。例如，设置100次。
所述步骤S106，包括：
步骤S311：基于所述批次工序和所述批次的加工时间，确定所述班组的完工时间；
这里，所述基于所述批次工序和所述批次的加工时间，确定所述班组的完工时间，包括：基于所述批次工序和所述加工时间，确定所述批次对应的开始加工时间；基于所述开始加工时间和所述加工时间，确定所述批次的完工时间；基于所述批次的完工时间和所述批次的批次工序，确定所述班组的完工时间。
步骤S312：基于所述班组完工时间对所述班组进行排序，选择排序最前的第一班组和第二班组，将所述第一班组的班组产能附加到所述第二班组上，更新所述第二班组的班组产能；
这里，所述将所述第一班组的班组产能附加到所述第二班组上，更新所述第二班组的班组产能还包括：以所述第一班组的完工时间为释放节点，达到所述第一班组的完工时间，将所述第一班组的班组产能附加到所述第二班组的班组产能上。
步骤S313：基于所述第二班组的班组产能，确定所述第二班组对应批次的加工时间，并将所述加工时间更新到所述最终排产方案；
步骤S314：判断当前时间是否为所述班组排序中最后一个所述班组的完工时间；若是，则执行步骤S315；若否，则执行所述步骤S311；
步骤S315：输出所述最终排产方案。
如此，本发明实施例可以基于所述批次信息和所述工厂信息，随机初始化排产计划；基于所述批次优先级和所述批次交货期，对所述批次的排产进行优化，提高优先级高或者交货期早的生产订单的生产效率，避免生产超期；也可以基于所述加工时间，对所述空闲班组的产能进行释放，充分利用班组产能，进而提高生产效率。
如图10所示，本发明实施例还提供了一种多园区下料车间方法的装置，所述装置包括：获取模块401，处理模块402，输出模块403；其中，
所述获取模块401，用于获取批次信息和工厂信息；其中，所述批次信息包括：批次优先级和批次交货期；
所述处理模块402，用于基于所述批次信息和所述工厂信息，确定至少一个排产计划；其中，所述排产计划包括所述批次对应的加工时间；
所述处理模块402，也用于利用遗传算法，对所述排产计划进行交叉变异，确定第一方案；
所述处理模块402，还用于基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定第二方案；
所述处理模块402，还用于基于所述批次优先级和所述批次交货期，对所述第二方案进行局部搜索，确定最终排产方案；
所述输出模块403，用于输出所述最终排产方案。
在一些实施例中，所述方法还包括：
所述批次信息，还包括：批次重量和难度系数；所述难度系数根据人工经验预设，每一所述批次对应三个所述难度系数；
所述工厂信息，还包括：工厂产能；
所述处理模块，用于基于所述难度系数，所述工厂产能和所述批次重量，确定所述批次的加工时；其中，所述加工时间是一个三角模糊数。
在一些实施例中，所述方法还包括：
所述批次信息还包括：批次工序；所述工厂信息包括：班组产能；所述工厂包括至少一个园区，所述园区包括至少两个班组；
所述处理模块，用于基于所述批次工序和所述加工时间，确定每一所述班组对应批次的完工时间；
所述处理模块，也用于基于所述完工时间，从小到大对班组进行排序，选择排序最前的第一班组和第二班组；
所述处理模块，还用于达到所述第一班组完工时间，将所述第一班组的班组产能附加到所述第二班组的班组产能上，更新所述第二班组的班组产能；
所述处理模块，还用于基于所述第二班组的班组产能，所述第二班组对应批次的难度系数和所述第二班组对应批次的批次重量，更新所述第二班组对应批次的加工时间；
所述处理模块，还用于将所述第二班组对应批次的加工时间更新到所述最终排产方案；
所述输出模块，用于输出所述最终排产方案。
在一些实施例中，所述方法还包括：
所述处理模块，用于基于所述批次优先级，确定超期惩罚因子，所述超期惩罚因子与所述批次优先级正相关；
所述处理模块，用于基于所述超期惩罚因子，每一所述班组对应批次的完工时间和所述批次交货期，确定所述排产计划的适应值；
所述处理模块，用于基于所述适应值，从大到小对所述第一方案中所述排产计划进行排序，选择排序在前的第一预设数量的排产计划，确定所述第二方案。
在一些实施例中，所述方法还包括：
所述处理模块，用于基于所述超期惩罚因子，确定所述第二方案中的关键批次；
选择所述关键批次对应班组上的在所述关键批次之前的同组批次，进行局部搜索；
基于所述批次优先级和所述批次交货期，对比所述关键批次和所述同组批次，确定所述最终排产方案。
在一些实施例中，所述方法还包括：
所述工厂信息包括：园区数量和班组数量；所述批次信息包括：批次数量；
所述处理模块，用于基于所述批次数量，确定所述批次的加工工序向量，所述批次数量为所述加工工序向量的长度；
所述处理模块，用于基于所述园区数量，确定所述批次的园区选择向量，所述园区数量为所述园区选择向量的长度；
所述处理模块，用于基于所述班组数量，确定所述批次的班组选择向量，所述班组数量为所述班组选择向量的长度；
所述处理模块，用于基于所述加工工序向量，所述园区选择向量和所述班组选择向量，随机初始化，确定至少一个所述排产计划。
在一些实施例中，所述方法还包括：
所述处理模块，用于从初始化确定的排产计划中选择的排产计划，构成交配池；其中，所述第二预设数量小于或者等于所述初始化确定的排产计划的数量；
所述处理模块，用于将所述初始化确定的排产计划与所述交配池中排产计划进行交叉变异，生成备选方案；
所述处理模块，用于将所述备选方案中的排产计划和所述初始化确定的排产计划合并，确定所述第一方案。
如图12所示，本发明实施例还提供了一种终端，所述终端包括处理器501和用于计算机程序的存储器502；其中，所述处理器501用于运行计算机程序时，实现本发明任一实施例所述下料方法，所述存储器502存储指令及数据。
在一些实施例中，本发明实施例中的存储器502可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(DoubleDataRate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本文描述的方法的存储器502旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器501可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器501中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器501可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器502，处理器501读取存储器502中的信息，结合其硬件完成上述方法的步骤。
在一些实施例中，本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现，处理单元可以实现在一个或多个专用集成电路(Application Specific Integrated Circuits，ASIC)、数字信号处理器(DigitalSignalProcessing，DSP)、数字信号处理设备(DSP Device，DSPD)、可编程逻辑设备(ProgrammableLogic Device，PLD)、现场可编程门阵列(Field-Programmable GateArray，FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本发明所述功能的其它电子单元或其组合中。
对于软件实现，可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
本发明又一实施例提供了一种计算机存储介质，该计算机可读存储介质存储有可执行程序，所述可执行程序被处理器501执行时，可实现应用于所述终端中的信息处理方法的步骤。例如，如图1-图12所示的方法中的一个或多个。
在一些实施例中，所述计算机存储介质可以包括：U盘、移动硬盘、只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是：本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种多园区下料车间方法，其特征在于，所述方法包括：
获取批次信息和工厂信息；其中，所述批次信息包括：批次优先级，批次交货期；
所述批次信息包括：批次重量和难度系数，所述难度系数根据人工经验预设，每一所述批次对应三个所述难度系数；
所述工厂信息包括：工厂产能；所述方法还包括：
基于所述难度系数，所述工厂产能和所述批次重量，确定所述批次的加工时间；其中，所述加工时间是一个三角模糊数；
所述批次信息还包括：开工时间；所述工厂信息包括：班组产能；所述工厂包括至少两个园区，所述园区包括至少两个班组；
基于所述批次信息和所述工厂信息，确定至少一个排产计划；其中，所述排产计划包括所述批次对应的加工时间；
利用遗传算法，对所述排产计划进行交叉变异，确定第一方案；
所述利用遗传算法，对所述排产计划进行交叉变异，确定第一方案，包括：
从初始化确定的排产计划中选择第二预设数量的排产计划，构成交配池；其中，所述第二预设数量小于或者等于所述初始化确定的排产计划的数量；
将所述初始化确定的排产计划与所述交配池中排产计划进行交叉变异，生成备选方案；
将所述备选方案的排产计划和所述初始化确定的排产计划合并，确定所述第一方案；
基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定第二方案；
所述基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定第二方案，包括：
基于所述批次优先级，确定超期惩罚因子，所述超期惩罚因子与所述批次优先级正相关；
基于所述超期惩罚因子，每一所述班组对应批次的完工时间和所述批次交货期，确定所述排产计划的适应值；
基于所述适应值，从大到小对所述第一方案中所述排产计划进行排序，选择排序在前的第一预设数量的排产计划，确定所述第二方案；
基于所述批次优先级和所述批次交货期，对所述第二方案进行局部搜索，确定最终排产方案；
基于所述批次优先级和所述批次交货期，对所述第二方案进行局部搜索，确定最终排产方案，包括：
基于所述超期惩罚因子，确定所述第二方案中的关键批次；
选择所述关键批次对应班组上的在所述关键批次之前的同组批次，进行局部搜索；
基于所述批次优先级和所述批次交货期，对比所述关键批次和所述同组批次，确定所述最终排产方案；
输出所述最终排产方案；
所述方法还包括：
基于所述开工时间和所述加工时间，确定每一所述班组对应批次的完工时间；
基于所述完工时间，从小到大对班组进行排序，选择排序最前的第一班组和第二班组；
达到所述第一班组完工时间，将所述第一班组的班组产能附加到所述第二班组的班组产能上，更新所述第二班组的班组产能；
基于所述第二班组的班组产能，所述第二班组对应批次的难度系数和所述第二班组对应批次的批次重量，更新所述第二班组对应批次的加工时间；
将所述第二班组对应批次的加工时间更新到所述最终排产方案；
输出所述最终排产方案。
2.根据权利要求1所述方法，其特征在于，所述工厂信息包括：园区数量和班组数量；所述批次信息包括：批次数量；所述基于所述批次信息和工厂信息，确定至少一个排产计划，包括：
基于所述批次数量，确定所述批次的加工工序向量，所述批次数量为所述加工工序向量的长度；
基于所述园区数量，确定所述批次的园区选择向量，所述园区数量为所述园区选择向量的长度；
基于所述班组数量，确定所述批次的班组选择向量，所述班组数量为所述班组选择向量的长度；
基于所述加工工序向量，所述园区选择向量和所述班组选择向量，随机初始化，确定至少一个所述排产计划。
3.一种多园区下料车间装置，其特征在于，所述装置包括：
获取模块，用于获取批次信息和工厂信息；其中，所述批次信息包括：批次优先级和批次交货期；
所述批次信息包括：批次重量和难度系数，所述难度系数根据人工经验预设，每一所述批次对应三个所述难度系数；
所述工厂信息包括：工厂产能；
基于所述难度系数，所述工厂产能和所述批次重量，确定所述批次的加工时间；其中，所述加工时间是一个三角模糊数；
所述批次信息还包括：开工时间；所述工厂信息包括：班组产能；所述工厂包括至少两个园区，所述园区包括至少两个班组；
处理模块，用于基于所述批次信息和所述工厂信息，确定至少一个排产计划；其中，所述排产计划包括批次对应的加工时间；
所述处理模块，也用于利用遗传算法，对所述排产计划进行交叉变异，确定第一方案；
所述利用遗传算法，对所述排产计划进行交叉变异，确定第一方案，包括：
从初始化确定的排产计划中选择第二预设数量的排产计划，构成交配池；其中，所述第二预设数量小于或者等于所述初始化确定的排产计划的数量；
将所述初始化确定的排产计划与所述交配池中排产计划进行交叉变异，生成备选方案；
将所述备选方案的排产计划和所述初始化确定的排产计划合并，确定所述第一方案；
所述处理模块，还用于基于所述批次信息和工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定第二方案；
所述基于所述批次信息和所述工厂信息，对所述第一方案中所述排产计划进行排序，选择第一预设数量的所述排产计划，确定第二方案，包括：
基于所述批次优先级，确定超期惩罚因子，所述超期惩罚因子与所述批次优先级正相关；
基于所述超期惩罚因子，每一所述班组对应批次的完工时间和所述批次交货期，确定所述排产计划的适应值；
基于所述适应值，从大到小对所述第一方案中所述排产计划进行排序，选择排序在前的第一预设数量的排产计划，确定所述第二方案；
所述处理模块，还用于基于所述批次交货期和所述批次优先级，对所述第二方案进行局部搜索，确定最终排产方案；
基于所述批次优先级和所述批次交货期，对所述第二方案进行局部搜索，确定最终排产方案，包括：
基于所述超期惩罚因子，确定所述第二方案中的关键批次；
选择所述关键批次对应班组上的在所述关键批次之前的同组批次，进行局部搜索；
基于所述批次优先级和所述批次交货期，对比所述关键批次和所述同组批次，确定所述最终排产方案；
输出模块，用于输出所述最终排产方案；
基于所述开工时间和所述加工时间，确定每一所述班组对应批次的完工时间；
基于所述完工时间，从小到大对班组进行排序，选择排序最前的第一班组和第二班组；
达到所述第一班组完工时间，将所述第一班组的班组产能附加到所述第二班组的班组产能上，更新所述第二班组的班组产能；
基于所述第二班组的班组产能，所述第二班组对应批次的难度系数和所述第二班组对应批次的批次重量，更新所述第二班组对应批次的加工时间；
将所述第二班组对应批次的加工时间更新到所述最终排产方案；
输出所述最终排产方案。
4.一种终端，其特征在于，所述终端包括处理器和用于存储能够在所述处理器上运行的计算机程序的存储器；其中，所述处理器用于运行计算机程序时，实现权利要求1-2任一项所述多园区下料车间方法。
5.一种计算机可读存储介质，所述计算机可读存储介质中有计算机可执行指令，其特征在于，所述计算机可执行指令被处理器执行实现权利要求1-2任一项所述多园区下料车间方法。
CN202211548118.9A 2022-12-05 2022-12-05 一种多园区下料车间方法 Active CN116151424B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211548118.9A CN116151424B (zh) 2022-12-05 2022-12-05 一种多园区下料车间方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211548118.9A CN116151424B (zh) 2022-12-05 2022-12-05 一种多园区下料车间方法

Publications (2)

Publication Number Publication Date
CN116151424A CN116151424A (zh) 2023-05-23
CN116151424B true CN116151424B (zh) 2023-11-03

Family

ID=86337964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211548118.9A Active CN116151424B (zh) 2022-12-05 2022-12-05 一种多园区下料车间方法

Country Status (1)

Country Link
CN (1) CN116151424B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976653B (zh) * 2023-09-25 2023-12-05 成都芯极客科技有限公司 一种基于mes系统的多工厂产能协调方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007079663A (ja) * 2005-09-12 2007-03-29 Jfe Steel Kk 生産稼動計画立案装置及び生産稼動計画評価装置
CN101271543A (zh) * 2008-04-23 2008-09-24 永凯软件技术（上海）有限公司 一种应用了基于精英解池的遗传算法的生产排程系统和方法
CN105321042A (zh) * 2015-10-19 2016-02-10 金航数码科技有限责任公司 一种基于遗传算法的高级计划排程系统及方法
CN109636011A (zh) * 2018-11-26 2019-04-16 江苏科技大学 一种基于改进的变邻域遗传算法的多班制计划排程法
CN111062535A (zh) * 2019-12-16 2020-04-24 中国工程物理研究院化工材料研究所 一种实现含能材料生产过程动态排产的方法及系统
CN114548735A (zh) * 2022-02-17 2022-05-27 武汉重工铸锻有限责任公司 一种船用柴油机曲轴批量制造的智能排产方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8655705B2 (en) * 2010-01-13 2014-02-18 Lockheed Martin Corporation Systems, methods and apparatus for implementing hybrid meta-heuristic inventory optimization based on production schedule and asset routing

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007079663A (ja) * 2005-09-12 2007-03-29 Jfe Steel Kk 生産稼動計画立案装置及び生産稼動計画評価装置
CN101271543A (zh) * 2008-04-23 2008-09-24 永凯软件技术（上海）有限公司 一种应用了基于精英解池的遗传算法的生产排程系统和方法
CN105321042A (zh) * 2015-10-19 2016-02-10 金航数码科技有限责任公司 一种基于遗传算法的高级计划排程系统及方法
CN109636011A (zh) * 2018-11-26 2019-04-16 江苏科技大学 一种基于改进的变邻域遗传算法的多班制计划排程法
CN111062535A (zh) * 2019-12-16 2020-04-24 中国工程物理研究院化工材料研究所 一种实现含能材料生产过程动态排产的方法及系统
CN114548735A (zh) * 2022-02-17 2022-05-27 武汉重工铸锻有限责任公司 一种船用柴油机曲轴批量制造的智能排产方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于遗传算法和多智能体的染缸生产排产与动态优化设计;郝平;莫丰勇;徐新黎;;计算机集成制造系统;第15卷(第08期);第1586-1591页 *
改进的基于分解的多目标进化算法求解双目标模糊柔性作业车间调度问题;李瑞;龚文引;控制理论与应用;第39卷(第1期);第31-40页 *

Also Published As

Publication number Publication date
CN116151424A (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
US20190080244A1 (en) Scheduling method and system based on improved variable neighborhood search and differential evolution algorithm
CN107168267B (zh) 基于改进粒子群与启发式策略的生产排产方法及系统
Shen et al. Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems
CN109165808B (zh) 一种电力通信网现场运维工单派发方法
CN110046777B (zh) 一种柔性作业车间持续重构调度方法及装置
CN111523968B (zh) 拼单方法和设备
CN116151424B (zh) 一种多园区下料车间方法
EP1730686A2 (en) Approach for estimating user ratings of items
CN111400868B (zh) 带订单和机器人搬运的分布式车间调度优化方法及系统
CN109284895A (zh) 项目任务分配方法、装置、计算机设备及存储介质
CN111105133B (zh) 生产调度方法、计算机设备以及存储介质
CN113128839A (zh) 面向高端装备分布式制造与多模式运输的协同调度方法
CN106874080B (zh) 基于分布式服务器集群的数据计算方法及系统
US20080147573A1 (en) Tuning of Problem Solvers
Turkcan et al. Due date and cost-based FMS loading, scheduling and tool management
CN109658187A (zh) 推荐云服务商的方法、装置、存储介质及电子设备
CN113268331A (zh) 机器人调用方法、机器人调用装置、管理系统和存储介质
Jia et al. Improving performance of dispatch rules for daily scheduling of assembly and test operations
US6941183B1 (en) Method and apparatus for selecting tools in manufacturing scheduling
CN114862065B (zh) 社工任务规划方法、装置、电子设备及存储介质
Okada et al. A random key-based genetic algorithm approach for resource-constrained project scheduling problem with multiple modes
CN112884370B (zh) 考虑订单插单的高端装备研制过程多项目重调度方法及系统
CN115187097A (zh) 一种任务排期方法、装置、电子设备以及计算机存储介质
CN113299587A (zh) 一种晶圆清洗工艺任务排列方法及装置
CN113538115B (zh) 创业孵化器的智能匹配方法、系统、装置及可读存储介质

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
GR01 Patent grant
GR01 Patent grant