CN116432992B - T梁车间设备资源配置、生产优化方法、系统和存储介质 - Google Patents
T梁车间设备资源配置、生产优化方法、系统和存储介质 Download PDFInfo
- Publication number
- CN116432992B CN116432992B CN202310705801.7A CN202310705801A CN116432992B CN 116432992 B CN116432992 B CN 116432992B CN 202310705801 A CN202310705801 A CN 202310705801A CN 116432992 B CN116432992 B CN 116432992B
- Authority
- CN
- China
- Prior art keywords
- individuals
- production
- constraint
- population
- resource allocation
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 112
- 238000013468 resource allocation Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 230000035772 mutation Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 54
- 238000012545 processing Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 3
- 230000002028 premature Effects 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 9
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 239000004567 concrete Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011178 precast concrete Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及车间调度技术领域,尤其是一种T梁车间设备资源配置、生产优化方法、系统和存储介质。本发明提出的一种T梁车间设备资源配置优化方法,在确定的约束条件下,构建设备资源配置最优化模型,并在双变异策略的基础上结合自适应变异算子的改进差分进化算法对模型进行求解。本发明通过变异个体和试验个体结合,实现了父代双层变异,可以保证种群多样性,避免过早收敛,从而避免局部最优,保证全局最优解。
Description
技术领域
本发明涉及车间调度技术领域,尤其是一种T梁车间设备资源配置、生产优化方法、系统和存储介质。
背景技术
相比于一般流水车间构件的生产工序,混凝土预制构件的生产流程具有更大的复杂性,机械设备种类多且大多造价高昂,如何降低预制厂房造价提高设备利用率,就必须要科学合理的对设备资源配置方案进行优化。对于该问题的求解,智能优化算法为其最主要的手段,也成为当前生产调度领域的研究热点。
差分进化算法(DE算法)在处理复杂问题方面具有非常高的效率和鲁棒性,但算法依然有着一定的局限性,比如对于不同类型的问题控制采用不同的交叉变异策略,控制参数的不同也会影响算法的工作性能。
目前,在车间资源配置上,现有的差分进化算法局限很大,主要表现为收敛速度慢,容易陷入局部最优解等。
发明内容
为了克服上述现有技术中的车间资源配置方法收敛慢,效果不理想的缺陷,本发明提出了一种T梁车间设备资源配置、生产优化方法、系统和存储介质。
本发明提出的一种T梁车间设备资源配置优化方法,包括以下步骤:
S1、构建初始种群X(0),初始种群X(0)的种群规模为设定值N0,个体为J维数组的生产方案,个体中每一个数表示对应工序上的生产设备数量,J为工序总数量;设置种群的目标函数和约束条件;令个体中最大生产设备数量为生产方案的评估值,令种群中最小评估值为种群的目标函数值;
S2、结合步骤S21-S25对种群X(g)进行迭代,获得迭代后的种群X(g+1),g初始值0;
S21、从种群X(g)中随机选择多个个体作为初始个体,对初始个体进行变异,获取各初始个体对应的变异个体;
S22、将相对应的初始个体和变异个体组合成试验样本,针对每个试验样本生成对应的随机数,根据随机数与设定的交叉算子的比较结果,从试验样本中选择初始个体或者变异个体作为该试验样本的试验个体,将获取的试验个体添加到设定的试验集合中;
S23、判断种群X(g)中的个体是否全部完成变异;否,则返回步骤S21;是,则执行步骤S24;
S24、将种群X(g)和试验集合的并集作为备选集合,计算备选集合中各个体的目标函数值;从备选集合中选择目标函数值小于设定的目标阈值的个体组成迭代后的种群X(g+1);
S3、判断g+1是否大于或者等于设定的最大迭代次数G;否,则令g更新为g+1,然后返回步骤S21;是,则从种群X(g+1)中选择最终生产方案,并根据最终生产方案确定生产线数量。
优先的,S21具体为:从种群X(g)中随机选择3个个体x(g,n)作为初始个体,结合3个初始个体获取3个变异个体;
令3个初始个体分别为:x(g,r1)、x(g,r2)和x(g,r3);三个变异个体记作v(g,1)、v(g,2)和v(g,3);变异个体根据以下公式获得:
当Ra(1,p)≤F(g),v(g,p)=fqz{x(g,r1)+F(g)×[x(g,r2)-x(g,r3)]}
当Ra(1,p)>F(g),v(g,p)=fqz{x(g,best)+F(g)×[x(g,r1)-x(g,r2)]}
v(g,p)为第p个变异个体,1≤p≤3;Ra(1,p)为生成v(g,p)时在区间(0,1)上所选随机数,F(g)为第g+1次迭代的变异算子;x(g,best)表示种群X(g)中的最优个体;fqz表示取整函数,取整后数组和取整前数组为同维度数组,且取整后数组中的每一个数值为取整前数组中同维度数值根据设定取整方式取整后的正整数。
优先的,fqz为向下取整或者四舍五入取整。
优先的:
F(g)=F(0)×2exp[1-G/(G+1-g)];
G为设置的最大迭代次数,F(0)为设置的变异算子初始值;exp为指数函数。
优先的,S22中令试验样本[x(g,rp);v(g,p)]对应的试验个体记作u(g,p);
当Ra(2,p)≤CR,则u(g,p)=v(g,p);
当Ra(2,p)>CR,则u(g,p)=x(g,p);
Ra(2,p)表示为生成u(g,p)在区间(0,1)上所选随机数;CR为设定的交叉算子,0<CR<1。
优先的,S3中选择最小目标函数值对应的个体作为最终生产方案。
优先的,约束条件设置为:
约束1、一个构件的一道工序能且只能被加工一次;
约束2、同一构件的后一道工序加工开始时间要大于前一道工序的完成时间;
约束3、每一个构件的每一个工序的开始时间均在工人工作时间;
约束4、定义各个工序的加工时间约束,加工时间约束分为一级约束、二级约束、三级约束和无约束;定义二值数d(ij);d(ij)=0表示第i个构件的第j个加工工序可中断,d(ij)=1表示第i个构件的第j个加工工序必须在连续时间内完成,1≤i≤D;
三级约束为:工序需要在连续时间内完成且必须在工作时间内进行,即必须在同一个时间段t内完成;公式表示为:S(ij)≥TS(t),S(ij)+T(ij)≤TC(t),d(ij)=1;
二级约束为:工序加工可中断且必须在工作时间内进行;公式表示为:T(ij)≥TC(t)-S(ij)≥0,d(ij)=0;
一级约束为:工序需在连续时间内完成且工序不受工作时间限制;即必须在连续时间内完成,可以自动化操作,无需人工操作;公式表示为:S(ij)+T(ij)≥TC(t);d(ij)=0;
无约束:工序不受连续时间限制也不受工作时间限制,公式表示为:S(ij)+T(ij)≥TC(t),d(ij)=1;
约束5、定义机械生产设备约束包括相同生产设备约束和相异生产设备约束;定义第i个构件的第j个工序在第k个生产设备上加工,其加工开始时间为S(i,j,k);定义第i个构件的第j-1个工序在第c个生产设备上加工,其加工结束时间为C(i,j-1,k);
相同生产设备约束为:同一构件的第j-1个工序和第j个工序必须在同一个生产设备上加工,只有前一个构件的第j个工序加工完成,才能开始下一个构件的第j-1个工序的加工,公式表示为:S(i,j,k)≥C(i,j-1,k),k=c;
相异生产设备约束为:同一构件的第j-1个工序和第j个工序不在同一个生产设备上加工,前一个构件的第j个工序加工是否完成不影响下一个构件的第j-1个工序的开始,公式表示为:S(i,j,k)≥C(i,j-1,k),k≠c;
约束6、最后一个构件的最后一个工序结束时间小于或者等于最后一个工作时段的结束时间。
本发明还提供了一种T梁生产优化方法,采用所述的T梁车间设备资源配置优化方法制定多个适应不同生产偏好的生产方案。该生产优化方法包括以下步骤:
SA1、设置多组不同的约束条件,针对每一组约束条件执行所述的T梁车间设备资源配置优化方法,以获取满足约束条件的最终生产方案;
SA2、根据生产偏好,从最终生产方案中选择目标生产方案。
本发明还提供了一种T梁车间设备资源配置优化系统和存储介质,用于承载上述的T梁车间设备资源配置优化方法。
本发明提供的一种T梁车间设备资源配置优化系统,包括存储器和处理器,存储器中存储有计算机程序,处理器与存储器连接,处理器用于执行所述计算机程序,以实现所述的T梁车间设备资源配置优化方法。
本发明提供的一种存储介质,承载有计算机程序,所述计算机程序被执行时,用于实现所述的T梁车间设备资源配置优化方法。
本发明的优点在于:
(1)本发明提出的一种T梁车间设备资源配置优化方法,在确定的约束条件下,构建设备资源配置最优化模型,并在双变异策略的基础上结合自适应变异算子的差分进化算法(Differential Evolution,DE)对模型进行求解。本发明通过变异个体和试验个体结合,实现了父代双层变异,可以保证种群多样性,避免过早收敛,从而避免局部最优,保证全局最优解。
(2)本发明在采用DE/rand/1/bin变异策略与DE/best/1/bin变异策略相结合的基础上,选用自适应变异算子F(0)。在迭代初期自适应变异算子F(0)较大,变异策略DE/rand/1/bin为主要变异策略,其收敛速度慢可以保证种群多样性,避免过早收敛。随着迭代次数的推进,变异算子F(g)逐渐降低,收敛速度提高。
(3)在双变异策略的基础上结合自适应变异算子的差分进化算法,随着迭代次数的推进,变异算子逐渐降低,变异策略也随之变化,兼顾了模型收敛速度和全局最优需求,有利于保证获得的最终生产方案的优异性。
(4)以大型混凝土构件(T梁)智能化预制厂房为研究对象,基于本发明提出的T梁车间设备资源配置优化方法,可根据预制构件生产流程特点,考虑工人的工作时间及各工序的连续性,有利于降低预制厂房造价,提高生产设备利用率,科学合理的对设备资源配置方案进行优化。从而通过最优化预制厂房设备资源配置,减少公路桥梁等大型预制混凝土构件预制厂房建造成本,为日后类似预制厂房设备资源配置提供可行方案,有利于推动桥梁工程建设的转型升级和提质增效。
(5)本发明提出的一种优化方法,可通过约束条件的设置,获取不同约束下的最终生产方案,然后根据生产偏好进一步选择目标生产方案,例如实现最大产量的目标生产方案、实现最短工期的目标生产方案、需要最小生产设备成本的目标生产方案等,以确定生产线条数。
(6)本发明提出的一种优化方法,有利于高效、快速获取多个最终生产方案,从而为生产提供更多选择,使得生产方案的制定更加灵活。
附图说明
图1为一种T梁车间设备资源配置优化方法流程图;
图2为生产优化方法流程图。
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所示,本实施方式提出的一种T梁车间设备资源配置优化方法,包括以下步骤。
S1、设置种群的目标函数、约束条件以及初始种群X(0)。
种群包括多个个体,每一个个体均为一个指定各个生产工序上生产设备数量的生产方案。个体中最大生产设备数量即为该生产方案对应的生产线条数,故而令个体中最大生产设备数量为生产方案的评估值,令种群中最小评估值为种群的目标函数值。即优化目标为寻找所需生产线数量最少的生产方案。
约束条件可根据生产需要进行设定,本实施方式中给出了约束1-6,如下所述。
约束1、一个构件的一道工序能且只能被加工一次,公式表示为:
Σk=1 KX(ijk)=1;1≤i≤D,1≤j≤J;
X(ijk)表示二值数,当第i个T梁的第j个工序在第k个机械生产设备上执行,则X(ijk)=1;反之,X(ijk)=0;D为T梁数量,J为工序数量,K为机械生产设备数量。
约束2、同一构件的后一道工序加工开始时间要大于前一道工序的完成时间,公式表示为:
S(ij)≥C(i(j-1));1≤i≤D,1≤j≤J;
S(ij)表示第i个T梁的第j个工序的开始时间,C(i(j-1))表示第i个T梁的第j-1个工序的结束时间;C(i(0))表示生产开始时间。
约束3、工人工作时间约束,公式表示为:
TS(t)≤S(ij)≤TC(t);1≤i≤D,1≤j≤J,t∈T;
TS(t)表示工作时段t的开始时间,TC(t)表示工作时段t的结束时间,T表示工作时间的集合。
约束4、定义各个工序的加工时间约束,加工时间约束分为一级约束、二级约束、三级约束和无约束;定义二值数d(ij);d(ij)=0表示第i个构件的第j个加工工序可中断,d(ij)=1表示第i个构件的第j个加工工序必须在连续时间内完成,1≤i≤D;
三级约束为:工序需要在连续时间内完成且必须在工作时间内进行,即必须在同一个时间段t内完成;公式表示为:S(ij)≥TS(t),S(ij)+T(ij)≤TC(t),d(ij)=1;
二级约束为:工序加工可中断且必须在工作时间内进行;公式表示为:T(ij)≥TC(t)-S(ij)≥0,d(ij)=0;
一级约束为:工序需在连续时间内完成且工序不受工作时间限制;即必须在连续时间内完成,可以自动化操作,无需人工操作;公式表示为:S(ij)+T(ij)≥TC(t);d(ij)=0;
无约束:工序不受连续时间限制也不受工作时间限制,公式表示为:S(ij)+T(ij)≥TC(t),d(ij)=1。
约束5、定义机械生产设备约束包括相同生产设备约束和相异生产设备约束;定义第i个构件的第j个工序在第k个生产设备上加工,其加工开始时间为S(i,j,k);定义第i个构件的第j-1个工序在第c个生产设备上加工,其加工结束时间为C(i,j-1,k);
相同生产设备约束为:同一构件的第j-1个工序和第j个工序必须在同一个生产设备上加工,只有前一个构件的第j个工序加工完成,才能开始下一个构件的第j-1个工序的加工,公式表示为:S(i,j,k)≥C(i,j-1,k),k=c;
相异生产设备约束为:同一构件的第j-1个工序和第j个工序不在同一个生产设备上加工,前一个构件的第j个工序加工是否完成不影响下一个构件的第j-1个工序的开始,公式表示为:S(i,j,k)≥C(i,j-1,k),k≠c。
约束6、最后一个构件的最后一个工序结束时间小于或者等于最后一个工作时段的结束时间。
以上约束1-6为固定条件,约束中最后一个工作时段的结束时间为设定的生产周期的结束时间,通过调整生产周期,便可实现不同生产周期下的设备资源配置。
初始种群X(0)的种群规模为设定值N0,个体为J维数组的生产方案,个体中每一个数表示对应工序上的生产设备数量,J为工序总数量;初始种群X(0)经过g次迭代后的种群记作第g代种群X(g);
即:X(0)={x(0,1);x(0,2);…;x(0,n);…;x(0,N0)}
x(0,n)={x(0,n,1);x(0,n,2);…;x(0,n,j);…;x(0,n,J)}
x(0,1)表示初始种群X(0)中的第1个个体,x(0,2)表示初始种群X(0)中的第2个个体,x(0,n)表示初始种群X(0)中的第n个个体,x(0,N0)表示初始种群X(0)中的第N0个个体;
x(0,n,1)表示个体x(0,n)中第1个工序上的生产设备数量,x(0,n,2)表示个体x(0,n)中第2个工序上的生产设备数量,x(0,n,j)表示个体x(0,n)中第j个工序上的生产设备数量,x(0,n,J)表示个体x(0,n)中第J个工序上的生产设备数量;
x(0,n,1)、x(0,n,2)、x(0,n,j)和x(0,n,J)均为随机正整数。
S2、对种群X(g)进行迭代,获得迭代后的种群X(g+1),g初始值0。
X(g)={x(g,1);x(g,2);…;x(g,n);…;x(g,Ng}
x(g,n)={x(g,n,1);x(g,n,2);…;x(g,n,j);…;x(g,n,J)}
x(g,1)表示第g代种群X(g)中的第1个个体,x(g,2)表示第g代种群X(g)中的第2个个体,x(g,n)表示第g代种群X(g)中的第n个个体,x(g,Ng)表示第g代种群X(g)中的第Ng个个体,Ng表示种群X(g)中的个体数量;
x(g,n,1)表示x(g,n)中第1个工序上的生产设备数量,x(g,n,2)表示x(g,n)中第2个工序上的生产设备数量,x(g,n,j)表示x(g,n)中第j个工序上的生产设备数量,x(g,n,J)表示x(g,n)中第J个工序上的生产设备数量。
具体的,种群X(g)通过以下步骤S21-S24迭代为种群X(g+1)。
S21、从种群X(g)中随机选择3个个体x(g,n)作为初始个体,结合3个初始个体获取3个变异个体;
令3个初始个体分别为:x(g,r1)、x(g,r2)和x(g,r3);三个变异个体记作v(g,1)、v(g,2)和v(g,3);变异个体根据以下公式获得:
当Ra(1,p)≤F(g),v(g,p)=fqz{x(g,r1)+F(g)×[x(g,r2)-x(g,r3)]}
当Ra(1,p)>F(g),v(g,p)=fqz{x(g,best)+F(g)×[x(g,r1)-x(g,r2)]}
v(g,p)为第p个变异个体,1≤p≤3;Ra(1,p)为生成v(g,p)时在区间(0,1)上所选随机数,F(g)为第g+1次迭代的变异算子;x(g,best)表示种群X(g)中的最优个体;fqz表示取整,A=fqz{B},表示A和B为同维度数组,且A中的每一个数值为B中同维度数值根据设定取整方式取整后的正整数。具体实施时,fqz可设置为向下取整或者四舍五入取整。
F(g)=F(0)×2exp[1-G/(G+1-g)];
G为设置的最大迭代次数,F(0)为设置的变异算子初始值;exp为指数函数。
S22、结合3个初始个体和3个变异个体构建3个试验样本,3个试验样本分别为[x(g,r1);v(g,1)]、[x(g,r2);v(g,2)]和[x(g,r3);v(g,3)];获取各试验样本对应的试验个体,并将试验个体添加到设定的试验集合中;令试验样本[x(g,rp);v(g,p)]对应的试验个体记作u(g,p);
当Ra(2,p)≤CR,则u(g,p)=v(g,p);
当Ra(2,p)>CR,则u(g,p)=x(g,p);
Ra(2,p)表示为生成u(g,p)在区间(0,1)上所选随机数;CR为设定的交叉算子,0<CR<1;
S23、判断种群X(g)中的个体是否全部完成变异,即判断种群X(g)中的个体是否全部作为过初始个体;否,则返回步骤S21;是,则执行步骤S24;
S24、将种群X(g)和试验集合的并集作为备选集合,计算备选集合中各个体的目标函数值;从备选集合中选择目标函数值小于设定的目标阈值的个体组成迭代后的种群X(g+1);
S3、判断g+1是否大于或者等于设定的最大迭代次数G;否,则令g更新为g+1,然后返回步骤S21;是,则从种群X(g+1)中选择最终生产方案。具体的,可选择目标函数值最小的个体作为最终生产方案,以实现最少生产线条数和最小生产设备成本。
以下结合具体的实施例执行图2提供的生产优化方法,对本发明提供的T梁车间设备资源配置优化方法进行验证。
本实施例采用MATLAB2021软件,在配置CPU主频为3.0GHZ、内存为16GB、Windows10操作系统的环境下进行仿真实验。
本实施例中,T梁生产分为7道工序,按照加工顺序,7道工序依次为梁肋板钢筋绑扎、顶面钢筋绑扎、侧面安装模板及钢筋组装、浇筑混凝土、脱模、蒸压养护和张拉压浆。
固定的生产约束条件如下:
梁肋板钢筋绑扎的加工时间为2小时,顶面钢筋绑扎的加工时间为3小时,侧面安装模板及钢筋组装的加工时间为1小时,浇筑混凝土的加工时间为1.5小时,脱模的加工时间为14小时,蒸压养护的加工时间为16小时,张拉压浆的加工时间为1小时;
车间工人工作时间为8:00-12:00,14:00-18:00,单休。
本实施例中,生产任务如表1所示。
表1:生产任务
首先,本实施例中根据工作经验设置6条生产线。
本实施例中,首先固定生产数量为1920,针对不同工期执行上述的T梁车间设备资源配置优化方法,获得不同工期下的生产方案,即各工序上的生产设备配置数量,结果如下表2所示。
表2:生产数量为1920时不同工期对应的最终生产方案
由该表2可知,生产方案[2,2,1,2,6,6,1]需要6条生产线,只需要15个月便可完成生产数量,可见该生产方案造成生产设备的冗余。反之,如果本次生产任务更加关注设备数量的情况下,表2中在设定生产周期为18.5到19.5个月时,生产方案[1,2,1,1,4,4,1]均可完成1920的生产数量。
生产方案[1,2,1,1,4,4,1]的生产线数量为4,生产周期最短18.5;生产方案[2,2,1,2,6,6,1]的生产线数量为6,生产周期最短为15个月;生产方案[1,2,1,1,4,4,1]相对于生产方案[2,2,1,2,6,6,1]节约了33%的生产设备。
本实施例中,还进一步将生产周期固定为18个月,然后改变生产数量,再针对不同的生产数量执行上述的T梁车间设备资源配置优化方法,不同生产数量对应的生产方案如表3所示。
表3:生产工期为18个月时不同生产数量对应的最终生产方案
从表3可知,工期固定为18个月时,生产方案[2,2,1,2,5,5,1]最多可完成2330个生产数量,相比设定的1920,产量增加了21.4%。工期固定为18个月时,生产方案[2,2,1,2,6,6,1]最多可完成2450个生产数量。
生产方案[2,2,1,2,6,6,1]的生产线数量为6,最大产量为2450个。
生产方案[2,2,1,2,5,5,1]的,生产线数量为5,最大产量为2330个。
生产方案[2,2,1,2,6,6,1]相对于生产方案[2,2,1,2,5,5,1],生产设备增加了20%,产量增加了5.1%。
可见,本实施例中,在满足生产任务的前提下,可根据不同的生产偏好选择不同的生产方案,结合表2、表3可知:
如果生产偏好为尽量压缩工期或者产量更高,则生产方案可选择[2,2,1,2,6,6,1],即设置6条生产线;
如果生产偏好为尽量压缩生产设备,则生产方案可选择[1,2,1,1,4,4,1],即设置4条生产线。
相对于现有技术中只能根据经验给出生产方案,本发明可快速提供多个生产方案,以便根据生产偏好进行选择,从而根据生产偏好实现更高产能、少设备、短工期的生产方案。
以上仅为本发明创造的较佳实施例而已,并不用以限制本发明创造,凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明创造的保护范围之内。
Claims (9)
1.一种T梁车间设备资源配置优化方法,其特征在于,包括以下步骤:
S1、构建初始种群X(0),初始种群X(0)的种群规模为设定值N0,个体为J维数组的生产方案,个体中每一个数表示对应工序上的生产设备数量,J为工序总数量;设置种群的目标函数和约束条件;令个体中最大生产设备数量为生产方案的评估值,令种群中最小评估值为种群的目标函数值;
S2、结合步骤S21-S24对种群X(g)进行迭代,获得迭代后的种群X(g+1),g初始值0;
S21、从种群X(g)中随机选择多个个体作为初始个体,对初始个体进行变异,获取各初始个体对应的变异个体;
S22、将相对应的初始个体和变异个体组合成试验样本,针对每个试验样本生成对应的随机数,根据随机数与设定的交叉算子的比较结果,从试验样本中选择初始个体或者变异个体作为该试验样本的试验个体,将获取的试验个体添加到设定的试验集合中;
S23、判断种群X(g)中的个体是否全部完成变异;否,则返回步骤S21;是,则执行步骤S24;
S24、将种群X(g)和试验集合的并集作为备选集合,计算备选集合中各个体的目标函数值;从备选集合中选择目标函数值小于设定的目标阈值的个体组成迭代后的种群X(g+1);
S3、判断g+1是否大于或者等于设定的最大迭代次数G;否,则令g更新为g+1,然后返回步骤S21;是,则从种群X(g+1)中选择最终生产方案,并根据最终生产方案确定生产线数量,个体中最大生产设备数量即为该生产方案对应的生产线条数;
S21具体为:从种群X(g)中随机选择3个个体x(g,n)作为初始个体,结合3个初始个体获取3个变异个体;
令3个初始个体分别为:x(g,r1)、x(g,r2)和x(g,r3);三个变异个体记作v(g,1)、v(g,2)和v(g,3);变异个体根据以下公式获得:
当Ra(1,p)≤F(g),v(g,p)=fqz{x(g,r1)+F(g)×[x(g,r2)-x(g,r3)]}
当Ra(1,p)>F(g),v(g,p)=fqz{x(g,best)+F(g)×[x(g,r1)-x(g,r2)]}
v(g,p)为第p个变异个体,1≤p≤3;Ra(1,p)为生成v(g,p)时在区间(0,1)上所选随机数,F(g)为第g+1次迭代的变异算子;x(g,best)表示种群X(g)中的最优个体;fqz表示取整函数,取整后数组和取整前数组为同维度数组,且取整后数组中的每一个数值为取整前数组中同维度数值根据设定取整方式取整后的正整数。
2.如权利要求1所述的T梁车间设备资源配置优化方法,其特征在于,fqz为向下取整或者四舍五入取整。
3.如权利要求1所述的T梁车间设备资源配置优化方法,其特征在于:
F(g)=F(0)×2exp[1-G/(G+1-g)];
G为设置的最大迭代次数,F(0)为设置的变异算子初始值;exp为指数函数。
4.如权利要求1所述的T梁车间设备资源配置优化方法,其特征在于,S22中令试验样本[x(g,rp);v(g,p)]对应的试验个体记作u(g,p);
当Ra(2,p)≤CR,则u(g,p)=v(g,p);
当Ra(2,p)>CR,则u(g,p)=x(g,p);
Ra(2,p)表示为生成u(g,p)在区间(0,1)上所选随机数;CR为设定的交叉算子,0<CR<1。
5.如权利要求1所述的T梁车间设备资源配置优化方法,其特征在于,S3中选择最小目标函数值对应的个体作为最终生产方案。
6.如权利要求1所述的T梁车间设备资源配置优化方法,其特征在于,约束条件设置为:
约束1、一个构件的一道工序能且只能被加工一次;
约束2、同一构件的后一道工序加工开始时间要大于前一道工序的完成时间;
约束3、每一个构件的每一个工序的开始时间均在工人工作时间;
约束4、定义各个工序的加工时间约束,加工时间约束分为一级约束、二级约束、三级约束和无约束;定义二值数d(ij);d(ij)=0表示第i个构件的第j个加工工序可中断,d(ij)=1表示第i个构件的第j个加工工序必须在连续时间内完成,1≤i≤D;D为T梁数量;
三级约束为:工序需要在连续时间内完成且必须在工作时间内进行,即必须在同一个时间段t内完成;公式表示为:S(ij)≥TS(t),S(ij)+T(ij)≤TC(t),d(ij)=1;S(ij)表示第i个T梁的第j个工序的开始时间,TC(t)表示工作时段t的结束时间;TS(t)表示工作时段t的开始时间;
二级约束为:工序加工可中断且必须在工作时间内进行;公式表示为:T(ij)≥TC(t)-S(ij)≥0,d(ij)=0;
一级约束为:工序需在连续时间内完成且工序不受工作时间限制;即必须在连续时间内完成,可以自动化操作,无需人工操作;公式表示为:S(ij)+T(ij)≥TC(t);d(ij)=0;
无约束:工序不受连续时间限制也不受工作时间限制,公式表示为:S(ij)+T(ij)≥TC(t),d(ij)=1;
约束5、定义机械生产设备约束包括相同生产设备约束和相异生产设备约束;定义第i个构件的第j个工序在第k个生产设备上加工,其加工开始时间为S(i,j,k);定义第i个构件的第j-1个工序在第c个生产设备上加工,其加工结束时间为C(i,j-1,k);
相同生产设备约束为:同一构件的第j-1个工序和第j个工序必须在同一个生产设备上加工,只有前一个构件的第j个工序加工完成,才能开始下一个构件的第j-1个工序的加工,公式表示为:S(i,j,k)≥C(i,j-1,k),k=c;
相异生产设备约束为:同一构件的第j-1个工序和第j个工序不在同一个生产设备上加工,前一个构件的第j个工序加工是否完成不影响下一个构件的第j-1个工序的开始,公式表示为:S(i,j,k)≥C(i,j-1,k),k≠c;
约束6、最后一个构件的最后一个工序结束时间小于或者等于最后一个工作时段的结束时间。
7.一种采用如权利要求1-6任一项所述的T梁车间设备资源配置优化方法的T梁生产优化方法,其特征在于,包括以下步骤:
SA1、设置多组不同的约束条件,针对每一组约束条件执行所述的T梁车间设备资源配置优化方法,以获取满足约束条件的最终生产方案;
SA2、根据生产偏好,从最终生产方案中选择目标生产方案。
8.一种T梁车间设备资源配置优化系统,其特征在于,包括存储器和处理器,存储器中存储有计算机程序,处理器与存储器连接,处理器用于执行所述计算机程序,以实现如权利要求1-6任一项所述的T梁车间设备资源配置优化方法。
9.一种存储介质,其特征在于,承载有计算机程序,所述计算机程序被执行时,用于实现如权利要求1-6任一项所述的T梁车间设备资源配置优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705801.7A CN116432992B (zh) | 2023-06-15 | 2023-06-15 | T梁车间设备资源配置、生产优化方法、系统和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310705801.7A CN116432992B (zh) | 2023-06-15 | 2023-06-15 | T梁车间设备资源配置、生产优化方法、系统和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116432992A CN116432992A (zh) | 2023-07-14 |
CN116432992B true CN116432992B (zh) | 2023-08-22 |
Family
ID=87094746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310705801.7A Active CN116432992B (zh) | 2023-06-15 | 2023-06-15 | T梁车间设备资源配置、生产优化方法、系统和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432992B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620416A (zh) * | 2009-06-12 | 2010-01-06 | 浙江工业大学 | 一种流程工业企业生产过程的生产调度智能优化方法 |
JP2012064031A (ja) * | 2010-09-16 | 2012-03-29 | Ritsumeikan | スケジューリング装置、コンピュータプログラム、及びデータ |
KR20140102940A (ko) * | 2013-02-15 | 2014-08-25 | 동서대학교산학협력단 | 생산일정 자동 스케쥴링 방법 |
CN106779143A (zh) * | 2016-11-15 | 2017-05-31 | 浙江工业大学 | 一种生产排产调度优化方法 |
CN108846502A (zh) * | 2018-04-27 | 2018-11-20 | 中车青岛四方机车车辆股份有限公司 | 车间生产线布局优化方法及装置 |
CN111208794A (zh) * | 2020-02-22 | 2020-05-29 | 江南大学 | 基于差分进化算法的离散制造车间静态调度优化方法 |
CN112257296A (zh) * | 2020-11-27 | 2021-01-22 | 西南交通大学 | 基于改进遗传算法的带有缓存约束的作业车间调度方法 |
EP3798932A1 (en) * | 2019-09-24 | 2021-03-31 | Robert Bosch GmbH | Method, apparatus and computer program for optimizing a machine learning system |
CN113240307A (zh) * | 2021-05-24 | 2021-08-10 | 上海电力大学 | 一种基于改进差分进化算法的电力系统经济调度方法 |
WO2021218157A1 (zh) * | 2020-04-28 | 2021-11-04 | 福州大学 | 基于离散差分进化的多策略优化x结构最小树构建方法 |
CN113705812A (zh) * | 2021-07-19 | 2021-11-26 | 合肥工业大学 | 基于混合并行遗传和变邻域算法的生产调度方法和系统 |
CN114217580A (zh) * | 2021-12-06 | 2022-03-22 | 东华大学 | 基于改进型差分进化算法的功能性纤维生产排产方法 |
CN114399161A (zh) * | 2021-12-13 | 2022-04-26 | 西北工业大学 | 基于离散映射差分进化算法的多无人机协同任务分配方法 |
CN115526286A (zh) * | 2022-10-08 | 2022-12-27 | 中国人民解放军空军工程大学 | 针对基于成功历史和外部存档机制的差分进化改进方法 |
CN115758137A (zh) * | 2022-11-07 | 2023-03-07 | 中国电建集团江西省电力建设有限公司 | 一种基于差分演化算法的光伏功率预测方法及检测方法 |
CN115829148A (zh) * | 2022-12-19 | 2023-03-21 | 武汉理工大学 | 一种设备维护车间调度优化方法及计算机可读介质 |
CN116070859A (zh) * | 2023-01-30 | 2023-05-05 | 北京理工大学 | 一种应急资源调度优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590603B (zh) * | 2017-09-11 | 2018-11-13 | 合肥工业大学 | 基于改进变邻域搜索和差分进化算法的调度方法及系统 |
-
2023
- 2023-06-15 CN CN202310705801.7A patent/CN116432992B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101620416A (zh) * | 2009-06-12 | 2010-01-06 | 浙江工业大学 | 一种流程工业企业生产过程的生产调度智能优化方法 |
JP2012064031A (ja) * | 2010-09-16 | 2012-03-29 | Ritsumeikan | スケジューリング装置、コンピュータプログラム、及びデータ |
KR20140102940A (ko) * | 2013-02-15 | 2014-08-25 | 동서대학교산학협력단 | 생산일정 자동 스케쥴링 방법 |
CN106779143A (zh) * | 2016-11-15 | 2017-05-31 | 浙江工业大学 | 一种生产排产调度优化方法 |
CN108846502A (zh) * | 2018-04-27 | 2018-11-20 | 中车青岛四方机车车辆股份有限公司 | 车间生产线布局优化方法及装置 |
EP3798932A1 (en) * | 2019-09-24 | 2021-03-31 | Robert Bosch GmbH | Method, apparatus and computer program for optimizing a machine learning system |
CN111208794A (zh) * | 2020-02-22 | 2020-05-29 | 江南大学 | 基于差分进化算法的离散制造车间静态调度优化方法 |
WO2021218157A1 (zh) * | 2020-04-28 | 2021-11-04 | 福州大学 | 基于离散差分进化的多策略优化x结构最小树构建方法 |
US11288098B1 (en) * | 2020-11-27 | 2022-03-29 | Southwest Jiaotong University | Job shop scheduling method with buffer constraints based on improved genetic algorithm |
CN112257296A (zh) * | 2020-11-27 | 2021-01-22 | 西南交通大学 | 基于改进遗传算法的带有缓存约束的作业车间调度方法 |
CN113240307A (zh) * | 2021-05-24 | 2021-08-10 | 上海电力大学 | 一种基于改进差分进化算法的电力系统经济调度方法 |
CN113705812A (zh) * | 2021-07-19 | 2021-11-26 | 合肥工业大学 | 基于混合并行遗传和变邻域算法的生产调度方法和系统 |
CN114217580A (zh) * | 2021-12-06 | 2022-03-22 | 东华大学 | 基于改进型差分进化算法的功能性纤维生产排产方法 |
CN114399161A (zh) * | 2021-12-13 | 2022-04-26 | 西北工业大学 | 基于离散映射差分进化算法的多无人机协同任务分配方法 |
CN115526286A (zh) * | 2022-10-08 | 2022-12-27 | 中国人民解放军空军工程大学 | 针对基于成功历史和外部存档机制的差分进化改进方法 |
CN115758137A (zh) * | 2022-11-07 | 2023-03-07 | 中国电建集团江西省电力建设有限公司 | 一种基于差分演化算法的光伏功率预测方法及检测方法 |
CN115829148A (zh) * | 2022-12-19 | 2023-03-21 | 武汉理工大学 | 一种设备维护车间调度优化方法及计算机可读介质 |
CN116070859A (zh) * | 2023-01-30 | 2023-05-05 | 北京理工大学 | 一种应急资源调度优化方法 |
Non-Patent Citations (1)
Title |
---|
钢结构建筑产业化政策分析与推进机制研究;王静峰等;建筑钢结构进展;1-12 * |
Also Published As
Publication number | Publication date |
---|---|
CN116432992A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107450498B (zh) | 基于改进人工蜂群算法的生产调度方法及系统 | |
CN108376315B (zh) | 一种基于图模型的不确定炼钢-连铸柔性优化调度方法及系统 | |
CN114186791B (zh) | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 | |
CN110598941A (zh) | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 | |
CN111985672B (zh) | 一种多Agent深度强化学习的单件作业车间调度方法 | |
CN115600774B (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
CN103676881A (zh) | 一种半导体生产线动态瓶颈分析方法 | |
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 | |
CN107730029B (zh) | 基于量子行为粒子群算法的生产制造过程优化方法和装置 | |
CN106227163B (zh) | 基于Petri网和模拟退火的装备制造系统无死锁调度方法 | |
CN111259314B (zh) | 一种分布式混凝土预制构件流水车间生产调度方法 | |
CN114912346A (zh) | 基于学习能力的技能规划配置和车间调度集成优化方法 | |
CN105373845A (zh) | 制造企业车间的混合智能调度优化方法 | |
CN105590143A (zh) | Pcb板组装工艺中多机流水生产线贴片机负荷均衡优化方法 | |
CN109858780A (zh) | 一种炼钢-连铸生产调度优化方法 | |
CN112668789A (zh) | 一种柔性作业车间带准备工序的自适应分批调度方法 | |
JP2007188306A (ja) | 処理時間の確率分布を考慮したスケジューリング装置 | |
CN116432992B (zh) | T梁车间设备资源配置、生产优化方法、系统和存储介质 | |
Dai et al. | Resource levelling in repetitive construction projects with interruptions: an integrated approach | |
CN117747011A (zh) | 一种混凝土砂浆性能预测系统和方法 | |
CN116224946B (zh) | 机械件加工车间生产与物流集成的优化调度方法与系统 | |
CN115138472B (zh) | 分选悬浮液密度给定方法及系统 | |
CN115034634A (zh) | 一种基于贪婪算法的相控阵雷达资源调度管理方法 | |
CN114547761A (zh) | 一种基于高精度模型的预制构件钢筋优化方法及系统 | |
Jedrzejowicz et al. | Population learning algorithm for the resource-constrained project scheduling |
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 |