CN116529741A - 基于仿真的闭环aps调度优化方法、系统及存储介质 - Google Patents
基于仿真的闭环aps调度优化方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116529741A CN116529741A CN202080106382.XA CN202080106382A CN116529741A CN 116529741 A CN116529741 A CN 116529741A CN 202080106382 A CN202080106382 A CN 202080106382A CN 116529741 A CN116529741 A CN 116529741A
- Authority
- CN
- China
- Prior art keywords
- aps
- scheduling
- simulation
- particle swarm
- rule
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 189
- 238000005457 optimization Methods 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 26
- 239000002245 particle Substances 0.000 claims description 209
- 238000004422 calculation algorithm Methods 0.000 claims description 115
- 238000013439 planning Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 22
- 230000002068 genetic effect Effects 0.000 claims description 20
- 238000002922 simulated annealing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 29
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 23
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000009472 formulation Methods 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 238000012795 verification Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 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
- 238000011160 research Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于仿真的闭环APS调度优化方法、系统及存储介质。其中，方法包括：确定为排程选择的APS规则(101)；确定为所选择的APS规则设置的权重配置(102)；根据所述APS规则的权重配置，生成调度甘特图(103)；导出对应所述调度甘特图的订单序列(104)；将所述订单序列以及获取的预先设置的仿真模型配置数据加载到工厂设计模拟仿真软件的基本仿真模型中，得到排程仿真模型(105)；运行所述排程仿真模型，并评估得到关键绩效指标数据(106)；将所述关键绩效指标数据作为仿真结果导出(107)；判断所述仿真结果是否满足需要(108)，如果是，则输出对应的调度甘特图(109)；否则，返回执行所述为排程选择APS规则的步骤。本方法能够提供更加可行的工厂生产调度方案。
Description
本申请涉及数字化领域，特别是一种基于仿真的闭环高级计划和调度软件(APS)调度优化方法、系统及存储介质。
目前，工业企业正在探索更智能、更高效的生产计划和调度方法。一个最优的生产计划要求以最低的成本满足生产需求和约束条件。Opcenter APS(以前称为“Preactor APS”)作为一种高级计划和调度软件解决方案专为满足这一要求而开发，用于通过平衡需求和产能来生成能够完成的生产计划。Opcenter APS为用户提供了专业的生产数据管理方法和简单高效的生产调度规则。
发明内容
有鉴于此，本发明实施例中一方面提出了一种基于仿真的闭环APS调度优化方法，另一方面提出了一种基于仿真的闭环APS调度优化系统和计算机可读存储介质，用以提供更加可行的调度方案。
本发明实施例中提出的一种基于仿真的闭环APS调度优化方法，包括：确定为排程选择的APS规则；确定为所选择的APS规则设置的权重配置；根据所述APS规则的权重配置，生成调度甘特图；导出对应所述调度甘特图的订单序列；将所述订单序列以及获取的预先设置的仿真模型配置数据加载到工厂设计模拟仿真软件的基本仿真模型中，得到排程仿真模型；运行所述排程仿真模型，并评估得到关键绩效指标数据；将所述关键绩效指标数据作为仿真结果导出；判断所述仿真结果是否满足需要，如果是，则输出对应的调度甘特图；否则，返回执行所述为排程选择APS规则的步骤。
在一个实施方式中，所述确定为所选择的APS规则设置的权重配置包括：采用综合粒子群优化算法对所选择的APS规则设置权重配置；所述综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作对粒子群最佳位置 进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
在一个实施方式中，所述采用综合粒子群优化算法对所选择的APS规则设置权重配置包括：为所选择的APS规则分配初始权重，并对所述初始权重进行粒子编码；对进行粒子编码后的权重进行初始化，得到当前粒子群；对所述当前粒子群进行解码，得到所述APS规则的当前权重配置，并将所述当前权重配置确定为为所选择的APS规则设置的权重配置；在执行所述运行所述排程仿真模型，并评估得到关键绩效指标数据的步骤之后，进一步包括：获取所述关键绩效指标数据，并根据所述关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置；判断是否到达最大迭代次数？在未到达最大迭代次数时，采用模拟退火算法对所述粒子本身经历过的最优位置进行评价处理，并采用遗传算法的变异操作对所述粒子群经历过的最优位置进行评价更新；产生新一代的当前粒子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作；在到达最大迭代次数时，将所述粒子群经历过的最优位置对应的粒子群作为当前例子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作。
在一个实施方式中，所述确定为排程选择的APS规则包括：基于高级计划和调度软件已有的规则和/或添加的自定义规则选择当前排程所需的规则。
本发明实施例中提出的基于仿真的闭环APS调度优化系统，包括：至少一个存储器和至少一个处理器，其中：所述至少一个存储器用于存储计算机程序；所述至少一个处理器用于调用所述至少一个存储器中存储的计算机程序使所述装置执行对应的操作，所述操作包括：确定为排程选择的APS规则；确定为所选择的APS规则设置的权重配置；根据所述APS规则的权重配置，生成调度甘特图；导出对应所述调度甘特图的订单序列；将所述订单序列以及获取的预先设置的仿真模型配置数据加载到工厂设计模拟仿真软件的基本仿真模型中，得到排程仿真模型；运行所述排程仿真模型，并评估得到关键绩效指标数据；将所述关键绩效指标数据作为仿真结果导出；判断所述仿真结果是否满足需要，如果是，则输出对应的调度甘特图；否则，返回执行所述为排程选择APS规则的步骤。
在一个实施方式中，所述确定为所选择的APS规则设置的权重配置包括：采用综合粒子群优化算法对所选择的APS规则设置权重配置；所述综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作对粒子群最佳位 置进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
在一个实施方式中，所述采用综合粒子群优化算法对所选择的APS规则设置权重配置包括：为所选择的APS规则分配初始权重，并对所述初始权重进行粒子编码；对进行粒子编码后的权重进行初始化，得到当前粒子群；对所述当前粒子群进行解码，得到所述APS规则的当前权重配置，并将所述当前权重配置确定为为所选择的APS规则设置的权重配置；在执行所述运行所述排程仿真模型，并评估得到关键绩效指标数据的步骤之后，进一步包括：获取所述关键绩效指标数据，并根据所述关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置；判断是否到达最大迭代次数？在未到达最大迭代次数时，采用模拟退火算法对所述粒子本身经历过的最优位置进行评价处理，并采用遗传算法的变异操作对所述粒子群经历过的最优位置进行评价更新；产生新一代的当前粒子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作；在到达最大迭代次数时，将所述粒子群经历过的最优位置对应的粒子群作为当前例子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作。
在一个实施方式中，所述确定为排程选择的APS规则包括：基于高级计划和调度软件已有的规则和/或添加的自定义规则选择当前排程所需的规则。
本发明实施例中提出的基于仿真的闭环APS调度优化系统，包括：高级计划和调度软件模块；工厂设计模拟仿真软件模块；和基于仿真的调度模块，其被构造为一个组件对象模型COM组件，通过COM接口集成到所述高级计划和调度软件模块中，并通过所述工厂设计模拟仿真软件模块的COM接口连接到所述工厂设计模拟仿真软件模块，并执行如下操作：确定为排程选择的APS规则；确定所选择的APS规则的权重配置；根据所述APS规则的权重配置，生成调度甘特图；导出对应所述调度甘特图的订单序列；将所述订单序列以及获取的预先设置的仿真模型配置数据加载到工厂设计模拟仿真软件模块的基本仿真模型中，得到排程仿真模型；运行所述排程仿真模型，并评估得到关键绩效指标数据；将所述关键绩效指标数据作为仿真结果导出；判断所述仿真结果是否满足需要，如果是，则输出对应的调度甘特图；否则，返回执行所述为排程选择APS规则的步骤。
在一个实施方式中，所述确定所选择的APS规则的权重配置包括：采用综合粒子群优化算法对所选择的APS规则设置权重配置；所述综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得 到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作对粒子群最佳位置进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
在一个实施方式中，所述基于仿真的调度模块包括：调度子模块和仿真子模块；其中，所述调度子模块用于确定为排程选择的APS规则，并确定所选择的APS规则的权重配置；根据所述APS规则的权重配置，生成调度甘特图；导出对应所述调度甘特图的订单序列到数据库中；并从所数据库中获取基于所述订单序列的仿真结果；判断所述仿真结果是否满足需要，如果是，则输出对应的调度甘特图；否则，返回执行所述为排程选择APS规则的操作；所述仿真子模块用于从所述数据库中加载所述订单序列以及预先设置的仿真模型配置数据，并将所述所订单序列和所述仿真模型配置数据加载到工厂设计模拟仿真软件的基本仿真模型中，得到排程仿真模型；运行所述排程仿真模型，并评估得到关键绩效指标数据；将所述关键绩效指标数据作为仿真结果存储到所述数据库中。
在一个实施方式中，所述基于仿真的调度模块进一步包括：优化算法子模块；用于采用综合粒子群优化算法对所选择的APS规则设置权重配置，将所述权重配置提供给所述调度子模块；所述综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作对粒子群最佳位置进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
在一个实施方式中，所述优化算法子模块为所选择的APS规则分配初始权重，并对所述初始权重进行粒子编码；对进行粒子编码后的权重进行初始化，得到当前粒子群；对所述当前粒子群进行解码，得到所述APS规则的当前权重配置，并将所述当前权重配置提供给所述调度子模块；获取所述仿真子模块评估得到的关键绩效指标数据，并根据所述关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置；判断是否到达最大迭代次数？在未到达最大迭代次数时，采用模拟退火算法对所述粒子本身经历过的最优位置进行评价处理，并采用遗传算法的变异操作对所述粒子群经历过的最优位置进行评价更新；产生新一代的当前粒子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作；在到达最大迭代次数时，将所述粒子群经历过的最优位置对应的粒子群作为当前例子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作。
在一个实施方式中，所述基于仿真的调度模块进一步包括：APS规则配置模块，用于 基于高级计划和调度软件已有的规则和/或添加的自定义规则确定当前排程所需的规则。
本发明实施例中提出的计算机可读存储介质，其上存储有计算机程序；所述计算机程序能够被一处理器执行并实现如上所述的基于仿真的闭环APS调度优化方法。
从上述方案中可以看出，由于本发明实施例中将高级计划和调度软件和工厂设计模拟仿真软件集成在一起，使得基于高级计划和调度软件生成的排程调度方案可以通过工厂设计模拟仿真软件创建对应的排程仿真模型，通过运行该排程仿真模型可以得到仿真结果的KPI数据，基于该KPI数据可以判断对应的排程调度方案是否满足要求，从而可以提供更加可行的调度方案。
进一步地，通过采用综合粒子群优化算法对排程所选择的APS规则进行自动的权重分配，可以使得那些面对新的生产场景或变化的生产需求，不知道该如何选择APS规则权重的生产计划人员能够准确高效地完成排程。
下面将通过参照附图详细描述本发明的优选实施例，使本领域的普通技术人员更清楚本发明的上述及其它特征和优点，附图中：
图1为本发明实施例中一种基于仿真的闭环APS调度优化方法的示例性流程图。
图2为本发明实施例中一种基于仿真的闭环APS调度优化系统的框架结构示意图。
图3为本发明实施例中基于图2所示框架的一种基于仿真的闭环APS调度优化方法的流程示意图。
图4为本发明一个例子中SSM的功能对话框的示意图。
图5为本发明一个例子中APS规则库配置的示意图。
图6为本发明一个例子中创建仿真模型的过程示意图。
图7为本发明一个例子中APS规则权重分配自动优化过程的示意图。
图8为本发明实施例中基于仿真的闭环APS调度优化系统的示例性结构图。
其中，附图标记如下：
本发明实施例中，考虑到目前为止，高级计划和调度软件如Opcenter APS也像其他工业APS软件一样，没有优化算法来进行调度，而是提供一套APS规则来生成调度甘特图，计划人员需要根据个人经验手动调整和优化结果，这使得Opcenter APS还存在一些不足，特别是在一些复杂的生产场景中，存在如下两个问题：1、难以验证和评估Opcenter APS给出的计划和调度结果；2、目前还没有成熟的Opcenter APS算法来优化基于规则的调度方案。
上述第一个问题使得Opcenter APS的调度结果在实际生产过程中不太可行或者执行效果差，且重新排程总是要付出额外的成本。第二个问题来自Opcenter APS提供的基于规则的调度算法。APS规则实现了非常快速的调度，但其不是面向用户需求的。因此，用户通常无法找到一个好的方法来评估其质量，看看调度是否符合生产要求，也不知道是否能找到更好的解决方案。因此，Opcenter APS需要一种可行的方法来优化所述APS规则并验证针对不同用户目标需求的调度结果。
针对第一个问题，目前有些研究中，考虑提供一种计算器，用于根据甘特图中的当前调度结果基于数学模型生成通过各种图表或报告显示的关键绩效指标(KPI，Key Performance Indicator)统计信息。其中，图表可包括表示生产资源利用率的“利用率”图表等，报告可包括与时间和成本相关的订单KPI。使用KPI统计数据，用户可以快速评估调度结果并进行调整。
针对第二个问题，目前有些学术研究中，考虑利用各种启发式算法，如遗传算法(GA)，粒子群优化算法(PSO)，蚁群算法(AG)和模拟退火算法(SA)求解最佳订单调度序列。但是所有这些智能算法都需要大量的计算资源和时间。在一些复杂的生产场景中，这种智能算法无法找到全局最优解，只能找到局部最优解。另一方面，优化算法必须逐个开发。因此，在实际生产中很难应用不同的场景。
为此，本发明实施例中，考虑提供一种基于仿真的闭环APS调度优化解决方案。该解决方案中考虑用工厂设计模拟仿真软件如Plant Simulation中的模型代替数据模型来模拟计划生产，并计算KPI统计数据；并且，考虑在Opcenter APS中开发一种优化算法来 优化APS规则。
具体地，可提供一种基于仿真的调度模块(Simulation-based Scheduling Module，SSM)，用于集成高级计划和调度软件如Opcenter APS和工厂设计模拟仿真软件如Plant Simulation，实现一种基于仿真的闭环APS调度优化方案。将基于高级计划和调度软件如Opcenter APS制定的调度方案提供给基于工厂设计模拟仿真软件如Plant Simulation生成的仿真模型进行检验，根据仿真结果得到对应的KPI数据，基于该KPI数据判断调度方案是否满足要求。例如，可如图1所示的基于仿真的闭环APS调度优化方法，其包括如下步骤：
步骤S101，确定为排程选择的APS规则。
步骤S102，确定为所选择的APS规则设置的权重配置。
步骤S103，根据所述APS规则的权重配置，生成调度甘特图。
步骤S104，导出对应所述调度甘特图的订单序列。
步骤S105，将所述订单序列以及获取的预先设置的仿真模型配置数据加载到工厂设计模拟仿真软件的基本仿真模型中，得到排程仿真模型。
步骤S106，运行所述排程仿真模型，并评估得到关键绩效指标数据。
步骤S107，将所述关键绩效指标数据作为仿真结果导出。
步骤S108，判断所述仿真结果是否满足需要，如果是，则执行步骤S109；否则，返回执行步骤S101。
步骤S109，输出对应的调度甘特图。
进一步地，还可以在基于高级计划和调度软件制定调度方案时，采用优化迭代算法找到排程中各APS规则的最优权重，且在寻找最终权重时可根据仿真得到的KPI数据进行相应地优化计算。例如，可提供一种综合粒子群优化算法，对所选择的APS规则设置权重配置。该综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作对粒子群最佳位置进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
为使本发明的目的、技术方案和优点更加清楚，以下举实施例对本发明进一步详细说明。
图2为本发明实施例中一种基于仿真的闭环APS调度优化系统的框架结构示意图。该实施例中，以高级计划和调度软件为Opcenter APS，工厂设计模拟仿真软件为Plant Simulation的情况为例进行描述。如图2所示，该框架结构分为三层：应用层1、服务层2和数据层3。
应用层1代表Opcenter APS 10和Plant Simulation20的集成。具体地，本发明实施例中，设置有一个SSM 30，该SSM 30被构造为一个组件对象模型(COM，Component Object Model)组件，通过COM接口集成到Opcenter APS 10中，并通过Plant Simulation20的COM接口连接到Plant Simulation20中，从而得到本发明实施例中的基于仿真的闭环APS调度优化系统。
服务层2包括三个部分：分别是SSM 30利用APS框架和应用程序接口(API)形成的调度子模块31、SSM 30利用Plant Simulation20的框架和API形成的包括高精度仿真模型321的仿真子模块32和SSM 30提供的优化算法子模块33。
调度子模块31中包括APS规则库311和调度器312。APS规则库311中包括各种APS规则，这些规则不仅包括Opcenter APS的内置规则，也包括用户自定义的规则。调度器312是执行调度过程的调度引擎。
在服务层2，优化算法子模块33用于通过调度APS规则库311中当前选择的相应规则，并为每个规则分配初始权重，对分配的初始权重进行编码操作331，并生成用于迭代的初始权重分配粒子种群。为了对每个权重分配进行验证和评估，会将所述权重分配粒子进行解码操作332，并提供给调度子模块31进而由仿真子模块32进行仿真验证，并接收仿真子模块32报告的KPI数据322，根据所述KPI数据对每个权重分配进行迭代优化，迭代结束后对最后的权重分配进行解码操作332，将解码后的权重分配提供给调度子模块31，生成最优调度方案。该过程中操作所需的数据来自数据层3。
数据层3中包括上述服务层2所有模块的数据源。基本上，它是为Opcenter APS 10服务的SQL Server数据库40，其中包含资源数据41、产品数据42、库存数据43、订单数据44等，这些数据是调度和仿真所必需的。在此基础上，该数据库还存储了调度结果数据(如订单序列等)45、仿真模型配置数据46，这些数据是仿真所需的。
本实施例中，调度输入/输出数据和仿真所需的数据都存储在同一个数据库中，并可使用标准的数据表模板。从订单调度到模拟生产，数据层3还可以应用于MRP(物料需求计划)、MPS(主生产计划)、SCM(供应链管理)等可能的场景。
图3为本发明实施例中基于图2所示框架的一种基于仿真的闭环APS调度优化方法 的流程示意图。如图3所示，该方法主要涉及调度子模块31、仿真子模块32和优化算法子模块33三个模块之间的交互。
具体地，在调度子模块31侧可包括如下操作：
步骤S401，导入调度数据。
本步骤中，调度数据为排程所需要的数据输入，如订单、资源、工艺等相关的数据。
步骤S402，设置优化目标。
本步骤中，优化目标也即排程目标，例如，所有订单都完成交付还是成品库存最低，和/或在制品的库存最低，和/或某些订单提前加工，和/或库存在一个范围之内，和/或成本最低等。
步骤S403，确定为排程选择的APS规则。
本步骤中，可由用户选择所需的APS规则，或者根据预先配置选择所需的APS规则。具体实现时，可如图4所示，图4示出了本发明一个例子中SSM 30的功能对话框的示意图。可见，在SSM 30侧可具体包括一个APS规则配置模块34。Opcenter APS 10提供了一些内置的APS规则，如按最短交货期(EDD)、最短加工时间(SPT)、关键比率最低(CR)、先进先出(FIFO)等规则。此外，除了内置规则，APS规则库进一步扩展了规则，如松弛时间最短(STR)、后进先出(LIFO)、最少操作数(LOPNR)等。该APS规则配置模块34通过将这些规则呈现给用户，由用户通过选择所需的规则。当然，该规则库还可供用户定义和添加自定义规则，这可通过设置每个生产订单的属性并将这些属性作为订单排序的新规则添加到库中来实现。图5示出了一个例子中，APS规则库配置的示意图。如图5所示，右侧是呈现的Opcenter APS规则库中的部分规则，用户可通过APS规则配置模块34执行三种操作：第一操作341：添加自定义规则；第二操作342：选择所需要的规则，如图5右侧选中了EDD、LIFO和LOPNR；第三操作343：为所选择的规则分配权重，如图5右侧方框内的1、2和3。
其中，关于为所选择的规则分配权重的第三操作341，本实施例可有两种实现方案。一种是人工调度，即用户手动为所选择的APS规则分配权重，然后调用仿真模型对调度方案进行验证。这种方式适用于有经验的计划员和需要进行快速规划和验证的人员。如果是采用人工调度的方案，则本步骤之后执行步骤S404，如果是选择自动调度，则执行步骤S405。
步骤S404，接受用户对APS规则的权重配置。
步骤S405，接受优化算法子模块33对APS规则的权重配置。
其中，优化算法子模块33对APS规则的权重配置指的是SSM 30利用优化算法子模块33对APS规则进行自动权重配置，并对所配置的权重通过调度和仿真不断寻找最佳APS调度序列。自动调度是为那些面对新的生产场景或变化的目标，不知道该如何选择APS规则权重的计划人员而设计的。因此，仿真闭环调度优化方案有助于用户验证调度结果和自动优化APS规则。具体过程可参见下方的步骤501至步骤509。
步骤S406，根据APS规则的权重配置，生成调度方案，即得到调度甘特图。在调度甘特图中体现了每个订单的加工顺序及其对应的加工工站和加工时间。
本步骤中，可根据APS规则的权重配置按照下式(1)计算出每个订单的总分。
S
sum＝(V
fcfs×W
fcfs+V
edd×W
edd+V
spt×W
spt+V
str×W
str)/(W
fcfs+W
edd+W
spt+W
str) (1)
S
sum：每个订单的总分；
V
fcfs：每个订单的初始优先级分值，第一个订单的值为1，第一个订单的值为2，以此类推；
V
edd：每个订单的初始交货期分值，交货期最早的订单的值为1，交货期第二早的订单的值为2，以此类推；
V
spt：每个订单的初始加工时间分值，加工时间最短的订单的值为1，加工时间第二短的订单的值为2，以此类推；
V
str：每个订单的初始松弛时间分值，剩余时间最短的订单的值为1，剩余时间第二短的订单的值为2，以此类推。
W
fcfs、W
edd、W
spt、W
str为权重值。
每一个订单的得分决定了整个订单序列，最终决定了调度结果。
步骤S407，基于所述调度方案，导出对应的订单序列，将所述订单序列存储到数据库(DB，Database)中。
步骤S411，从数据库中提取仿真结果。
步骤S412，判断所述仿真结果是否满足需要，如果是，则执行步骤S413；否则，返回执行步骤S403。
步骤S413，输出对应的调度方案。
可见，调度子模块31主要用于确定为排程选择的APS规则，并确定所选择的APS规 则的权重配置；根据所述APS规则的权重配置，生成调度甘特图；导出对应所述调度甘特图的订单序列到数据库中；并从所数据库中获取基于所述订单序列的仿真结果；判断所述仿真结果是否满足需要，如果是，则输出对应的调度甘特图；否则，返回执行所述为排程选择APS规则的操作。
在仿真子模块32侧可包括如下操作：
步骤S408，仿真子模块32加载仿真相关数据，并创建排程仿真模型。其中，加载仿真相关数据包括：步骤S4081，加载仿真模型配置数据；步骤S4082，加载仿真模型；步骤S4083，加载订单序列。
本步骤S408中，仿真模型可如图6所示快速创建。通过COM接口可以使用各种方法，具体过程可包括：首先，SSM 30通过LoadModel()方法加载基本仿真模型。在基本仿真模型中有一系列SimTalk方法和ODBC连接对象，它们由ExecuteSimTalk()方法远程控制，该方法可以从Opcenter APS数据库读取数据，然后自动创建和运行相关的生产线仿真模型。此外，调度子模块31生成的订单序列也被加载到当前生产线仿真模型中并分配给每个生产工站。为了校准模型，还通过这种方式加载仿真模型配置数据，仿真模型配置数据可由用户从集成到Opcenter APS 10中的SSM 30输入并存储在数据库中。仿真模型配置数据可包括工作站处理时间、工作站平均故障时间(MTTF)、良品率、物流规则等的设置。这样就可以得到一个高精度的模型，每次通过改变Opcenter APS10中与生产相关的数据，就可以快速创建一个新的模型来运行仿真。然后在模拟触发SimulationFinished事件后，SSM最终通过GetValue()方法接收KPI数据。图6中的第一界面61和第二界面62只是用于示意性的表示模型创建所承载的一个示例，其并不用于限定实际的应用界面，且不影响本发明技术方案的实施，因此其上的具体内容被模糊处理。
步骤S409，运行所述排程仿真模型并评估得到仿真的KPI数据。
本实施例中，若前述的APS规则的权重由优化算法子模块33自动配置，则本步骤中可将得到的KPI数据反馈给优化算法子模块33。
步骤S410，将所述KPI数据作为仿真结果导出存储到数据库DB中。
可见，仿真子模块32主要用于从所述数据库中加载所述订单序列以及预先设置的仿真模型配置数据，并将所述所订单序列和所述仿真模型配置数据加载到Plant Simulation的基本仿真模型中，得到排程仿真模型；运行所述排程仿真模型，并评估得到关键绩效指标数据；将所述关键绩效指标数据作为仿真结果存储到所述数据库中。
在优化算法子模块33侧可包括如下操作：
本实施例中，考虑到调度优化问题是基于离散场景的，而本申请中考虑基于KPI结果来指导APS规则的权重配置，本实施例中，优化算法子模块33可采用一种称为综合粒子群优化算法(SG-DPSO)的优化算法。该SG-DPSO基于粒子群优化算法(PSO，Particle swarm optimization)进行迭代优化，并在迭代优化过程中结合SA算法和GA算法共同来完成权重配置的优化。其中，PSO的初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”，即粒子本身经历过的最优位置Pbest和粒子群经历过的最优位置Gbest，来更新自己。在找到这两个最优解后，粒子更新自己的速度和位置。使用PSO算法的原因是每次迭代的结果都可以通过更新粒子的速度和位置来引导粒子的适应度值变得更好。同时，利用SA算法对当前自身的最佳粒子位置进行处理，并利用GA算法变异操作处理更新粒子种群的全局最优位置，从而避免局部最优解的产生。此外，根据KPI数据计算适应度值以确定Pbest和Gbest。具体实现时，可包括如下步骤：
步骤S501，通过COM接口确定调度子模块31侧选择的APS规则，为所述APS规则分配初始权重，对所述初始权重进行粒子编码。
例如，图7示出了一个APS规则权重分配自动优化过程的示意图。如图7所示，该APS规则组合中包括：所选择的EDD、FIFO、STR和SPT四种规则，相应地编码后的一个可能的粒子应该像“1342”，每个位置的数量代表每个规则的权重值，最大值表示相关规则的权重最高。解码后，调度子模块31可根据不同APS规则的权重值计算出每个生产订单的总分。
步骤S502，对进行粒子编码后的权重进行初始化，得到当前粒子群。
步骤S503，对所述当前粒子群进行解码，得到所述APS规则的当前权重配置，并通过COM接口将所述APS规则的当前权重配置提供给调度子模块31，由调度子模块31在步骤S404接受优化算法子模块33对APS规则的权重配置。
步骤S504，通过COM接口接收仿真子模块32在步骤S408之后反馈的KPI数据，并根据所述KPI数据计算适应度值以确定Pbest和Gbest。
步骤S505，判断是否到达最大迭代次数？如果是，则执行步骤S509；否则，执行步骤S506,并根据迭代次数调整粒子位置更新的惯性权重值。
步骤S506，采用模拟退火算法对Pbest进行评价处理。
步骤S507，采用遗传算法的变异操作对Gbest进行评价更新。
步骤S508，产生新一代的当前粒子群，之后执行步骤S503。
步骤S509，选择Gbest对应的粒子群作为当前例子群，之后执行步骤S503。
可见，优化算法子模块33主要用于采用综合粒子群优化算法对所选择的APS规则设置权重配置，将所述权重配置提供给所述调度子模块；所述综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作对粒子群最佳位置进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
可见，如图2至图7中所示，本发明实施例中的一种基于仿真的闭环APS调度优化系统可包括：高级计划和调度软件模块、工厂设计模拟仿真软件模块和基于仿真的调度模块30，其被构造为一个组件对象模型COM组件，通过COM接口集成到所述高级计划和调度软件模块中，并通过所述工厂设计模拟仿真软件模块的COM接口连接到所述工厂设计模拟仿真软件模块，并执行如下操作：确定为排程选择的APS规则；确定所选择的APS规则的权重配置；根据所述APS规则的权重配置，生成调度甘特图；导出对应所述调度甘特图的订单序列；将所述订单序列以及获取的预先设置的仿真模型配置数据加载到工厂设计模拟仿真软件模块的基本仿真模型中，得到排程仿真模型；运行所述排程仿真模型，并评估得到关键绩效指标数据；将所述关键绩效指标数据作为仿真结果导出；判断所述仿真结果是否满足需要，如果是，则输出对应的调度甘特图；否则，返回执行所述为排程选择APS规则的步骤。
图8为本发明实施例中又一种基于仿真的闭环APS调度优化系统的结构示意图，该装置可用于实施图1和图3中所示的方法，或实现图2中所示的系统。如图8所示，该系统可包括：至少一个存储器81、至少一个处理器82和至少一个显示器83。此外，还可以包括一些其它组件，例如通信端口等。这些组件通过总线84进行通信。
其中，至少一个存储器81用于存储计算机程序。在一个实施方式中，该计算机程序可以理解为包括图2所示的基于仿真的闭环APS调度优化系统的各个模块。此外，至少一个存储器81还可存储操作系统等。操作系统包括但不限于：Android操作系统、Symbian操作系统、Windows操作系统、Linux操作系统等等。
至少一个显示器83用于显示调度甘特图等。
至少一个处理器82用于调用至少一个存储器81中存储的计算机程序，执行本发明实施 例中所述的基于仿真的闭环APS调度优化方法。
具体地，至少一个处理器82用于调用至少一个存储器81中存储的计算机程序使所述装置执行对应的操作。所述操作可包括：确定为排程选择的APS规则；确定为所选择的APS规则设置的权重配置；根据所述APS规则的权重配置，生成调度甘特图；导出对应所述调度甘特图的订单序列；将所述订单序列以及获取的预先设置的仿真模型配置数据加载到Plant Simulation的基本仿真模型中，得到排程仿真模型；运行所述排程仿真模型，并评估得到KPI数据；将所述KPI数据作为仿真结果导出；判断所述仿真结果是否满足需要，如果是，则输出对应的调度甘特图；否则，返回执行所述为排程选择APS规则的步骤。
在一个实施方式中，所述确定为所选择的APS规则设置的权重配置包括：采用综合粒子群优化算法对所选择的APS规则设置权重配置；所述综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作对粒子群最佳位置进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
在一个实施方式中，所述采用综合粒子群优化算法对所选择的APS规则设置权重配置包括：为所选择的APS规则分配初始权重，并对所述初始权重进行粒子编码；对进行粒子编码后的权重进行初始化，得到当前粒子群；对所述当前粒子群进行解码，得到所述APS规则的当前权重配置，并将所述当前权重配置确定为为所选择的APS规则设置的权重配置；在执行所述运行所述排程仿真模型，并评估得到关键绩效指标数据的步骤之后，进一步包括：获取所述关键绩效指标数据，并根据所述关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置；判断是否到达最大迭代次数？在未到达最大迭代次数时，采用模拟退火算法对所述粒子本身经历过的最优位置进行评价处理，并采用遗传算法的变异操作对所述粒子群经历过的最优位置进行评价更新；产生新一代的当前粒子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作；在到达最大迭代次数时，将所述粒子群经历过的最优位置对应的粒子群作为当前例子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作。
在一个实施方式中，所述确定为排程选择的APS规则包括：基于高级计划和调度软件已有的规则和/或添加的自定义规则选择当前排程所需的规则。
从上述方案中可以看出，由于本发明实施例中将Opcenter APS和Plant Simulation集 成在一起，使得基于Opcenter APS生成的排程调度方案可以通过Plant Simulation创建对应的排程仿真模型，通过运行该排程仿真模型可以得到仿真结果的KPI数据，基于该KPI数据可以判断对应的排程调度方案是否满足要求，从而可以提供更加可行的调度方案。
进一步地，通过采用综合粒子群优化算法对排程所选择的APS规则进行自动的权重分配，可以使得那些面对新的生产场景或变化的生产需求，不知道该如何选择APS规则权重的生产计划人员能够完成排程。
以上所述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、改进等，均应包含在本发明的保护范围之内。
Claims (15)
- 基于仿真的闭环高级计划和调度软件(APS)调度优化方法，其特征在于，包括：确定为排程选择的APS规则(S101)；确定为所选择的APS规则设置的权重配置(S102)；根据所述APS规则的权重配置，生成调度甘特图(S103)；导出对应所述调度甘特图的订单序列(S104)；将所述订单序列以及获取的预先设置的仿真模型配置数据加载到工厂设计模拟仿真软件的基本仿真模型中，得到排程仿真模型(S105)；运行所述排程仿真模型，并评估得到关键绩效指标数据(S106)；将所述关键绩效指标数据作为仿真结果导出(S107)；判断所述仿真结果是否满足需要(S108)，如果是，则输出对应的调度甘特图(S109)；否则，返回执行所述为排程选择APS规则的步骤。
- 根据权利要求1所述的基于仿真的闭环APS调度优化方法，其特征在于，所述确定为所选择的APS规则设置的权重配置(S102)包括：采用综合粒子群优化算法对所选择的APS规则设置权重配置；所述综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作对粒子群最佳位置进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
- 根据权利要求2所述的基于仿真的闭环APS调度优化方法，其特征在于，所述采用综合粒子群优化算法对所选择的APS规则设置权重配置包括：为所选择的APS规则分配初始权重，并对所述初始权重进行粒子编码；对进行粒子编码后的权重进行初始化，得到当前粒子群；对所述当前粒子群进行解码，得到所述APS规则的当前权重配置，并将所述当前权重配置确定为为所选择的APS规则设置的权重配置；在执行所述运行所述排程仿真模型，并评估得到关键绩效指标数据(S106)的步骤之后，进一步包括：获取所述关键绩效指标数据，并根据所述关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置；判断是否到达最大迭代次数？在未到达最大迭代次数时，采用模拟退火算法对所述粒子本身经历过的最优位置进行评价处理，并采用遗传算法的变异操作对所述粒子群经 历过的最优位置进行评价更新；产生新一代的当前粒子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作；在到达最大迭代次数时，将所述粒子群经历过的最优位置对应的粒子群作为当前例子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作。
- 根据权利要求1至3中任一项所述的基于仿真的闭环APS调度优化方法，其特征在于，所述确定为排程选择的APS规则(S101)包括：基于高级计划和调度软件已有的规则和/或添加的自定义规则选择当前排程所需的规则。
- 基于仿真的闭环高级计划和调度软件(APS)调度优化系统，其特征在于，包括：至少一个存储器(81)和至少一个处理器(82)，其中：所述至少一个存储器(81)用于存储计算机程序；所述至少一个处理器(82)用于调用所述至少一个存储器(81)中存储的计算机程序使所述装置执行对应的操作，所述操作包括：确定为排程选择的APS规则；确定为所选择的APS规则设置的权重配置；根据所述APS规则的权重配置，生成调度甘特图；导出对应所述调度甘特图的订单序列；将所述订单序列以及获取的预先设置的仿真模型配置数据加载到工厂设计模拟仿真软件的基本仿真模型中，得到排程仿真模型；运行所述排程仿真模型，并评估得到关键绩效指标数据；将所述关键绩效指标数据作为仿真结果导出；判断所述仿真结果是否满足需要，如果是，则输出对应的调度甘特图；否则，返回执行所述为排程选择APS规则的步骤。
- 根据权利要求5所述的基于仿真的闭环APS调度优化系统，其特征在于，所述确定为所选择的APS规则设置的权重配置包括：采用综合粒子群优化算法对所选择的APS规则设置权重配置；所述综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作 对粒子群最佳位置进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
- 根据权利要求6所述的基于仿真的闭环APS调度优化系统，其特征在于，所述采用综合粒子群优化算法对所选择的APS规则设置权重配置包括：为所选择的APS规则分配初始权重，并对所述初始权重进行粒子编码；对进行粒子编码后的权重进行初始化，得到当前粒子群；对所述当前粒子群进行解码，得到所述APS规则的当前权重配置，并将所述当前权重配置确定为为所选择的APS规则设置的权重配置；在执行所述运行所述排程仿真模型，并评估得到关键绩效指标数据的步骤之后，进一步包括：获取所述关键绩效指标数据，并根据所述关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置；判断是否到达最大迭代次数？在未到达最大迭代次数时，采用模拟退火算法对所述粒子本身经历过的最优位置进行评价处理，并采用遗传算法的变异操作对所述粒子群经历过的最优位置进行评价更新；产生新一代的当前粒子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作；在到达最大迭代次数时，将所述粒子群经历过的最优位置对应的粒子群作为当前例子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作。
- 根据权利要求5至7中任一项所述的基于仿真的闭环APS调度优化系统，其特征在于，所述确定为排程选择的APS规则包括：基于高级计划和调度软件已有的规则和/或添加的自定义规则选择当前排程所需的规则。
- 基于仿真的闭环高级计划和调度软件(APS)调度优化系统，其特征在于，包括：高级计划和调度软件模块；工厂设计模拟仿真软件模块；和基于仿真的调度模块(30)，其被构造为一个组件对象模型COM组件，通过COM接口集成到所述高级计划和调度软件模块中，并通过所述工厂设计模拟仿真软件模块的COM接口连接到所述工厂设计模拟仿真软件模块，并执行如下操作：确定为排程选择的APS规则；确定所选择的APS规则的权重配置；根据所述APS规则的权重配置，生成调度甘特图；导出对应所述调度甘特图的订单序列；将所述订单序列以及获取的预先设置的仿真模型配置数据加载到工厂设计模拟仿真软件模块的基本仿真模型中，得到排程仿真模型；运行所述排程仿真模型，并评估得到关键绩效指标数据；将所述关键绩效指标数据作为仿真结果导出；判断所述仿真结果是否满足需要，如果是，则输出对应的调度甘特图；否则，返回执行所述为排程选择APS规则的步骤。
- 根据权利要求9所述的基于仿真的闭环APS调度优化系统，其特征在于，所述确定所选择的APS规则的权重配置包括：采用综合粒子群优化算法对所选择的APS规则设置权重配置；所述综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作对粒子群最佳位置进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
- 根据权利要求9所述的基于仿真的闭环APS调度优化系统，其特征在于，所述基于仿真的调度模块(30)包括：调度子模块(31)和仿真子模块(32)；其中，所述调度子模块(31)用于确定为排程选择的APS规则，并确定所选择的APS规则的权重配置；根据所述APS规则的权重配置，生成调度甘特图；导出对应所述调度甘特图的订单序列到数据库中；并从所数据库中获取基于所述订单序列的仿真结果；判断所述仿真结果是否满足需要，如果是，则输出对应的调度甘特图；否则，返回执行所述为排程选择APS规则的操作；所述仿真子模块(32)用于从所述数据库中加载所述订单序列以及预先设置的仿真模型配置数据，并将所述所订单序列和所述仿真模型配置数据加载到工厂设计模拟仿真软件模块的基本仿真模型中，得到排程仿真模型；运行所述排程仿真模型，并评估得到关键绩效指标数据；将所述关键绩效指标数据作为仿真结果存储到所述数据库中。
- 根据权利要求11所述的基于仿真的闭环APS调度优化系统，其特征在于，所述基于仿真的调度模块(30)进一步包括：优化算法子模块(33)；用于采用综合粒子群优化算法对所选择的APS规则设置权重配置，将所述权重配置提供给所述调度子模块(31)；所述综合粒子群优化算法在基本粒子群优化算法的基础上进行改进，其在迭代优化 过程中根据关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置，并采用模拟退火算法对每次得到的粒子本身最佳位置进行评价处理，采用遗传算法的变异操作对粒子群最佳位置进行评价更新，动态调节惯性权重值，最终更新产生下一代粒子种群。
- 根据权利要求12所述的基于仿真的闭环APS调度优化系统，其特征在于，所述优化算法子模块(33)为所选择的APS规则分配初始权重，并对所述初始权重进行粒子编码；对进行粒子编码后的权重进行初始化，得到当前粒子群；对所述当前粒子群进行解码，得到所述APS规则的当前权重配置，并将所述当前权重配置提供给所述调度子模块(31)；获取所述仿真子模块(32)评估得到的关键绩效指标数据，并根据所述关键绩效指标数据计算适应度值以确定粒子本身经历过的最优位置和粒子群经历过的最优位置；判断是否到达最大迭代次数？在未到达最大迭代次数时，采用模拟退火算法对所述粒子本身经历过的最优位置进行评价处理，并采用遗传算法的变异操作对所述粒子群经历过的最优位置进行评价更新；产生新一代的当前粒子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作；在到达最大迭代次数时，将所述粒子群经历过的最优位置对应的粒子群作为当前例子群，并返回执行所述对所述当前粒子群进行解码，得到所述APS规则的当前权重配置的操作。
- 根据权利要求9至13中任一项所述的基于仿真的闭环APS调度优化系统，其特征在于，所述基于仿真的调度模块(30)进一步包括：APS规则配置模块(34)，用于基于高级计划和调度软件已有的规则和/或添加的自定义规则确定当前排程所需的规则。
- 计算机可读存储介质，其上存储有计算机程序；其特征在于，所述计算机程序能够被一处理器执行并实现如权利要求1至4中所述的基于仿真的闭环高级计划和调度软件(APS)调度优化方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2020/124827 WO2022087962A1 (zh) | 2020-10-29 | 2020-10-29 | 基于仿真的闭环aps调度优化方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116529741A true CN116529741A (zh) | 2023-08-01 |
Family
ID=81381761
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080106382.XA Pending CN116529741A (zh) | 2020-10-29 | 2020-10-29 | 基于仿真的闭环aps调度优化方法、系统及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN116529741A (zh) |
| WO (1) | WO2022087962A1 (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115431174B (zh) * | 2022-09-05 | 2023-11-21 | 昆山市恒达精密机械工业有限公司 | 一种用于中板研磨控制的方法及系统 |
| CN115562074A (zh) * | 2022-10-29 | 2023-01-03 | 福州大学 | 一种快速生成无人机最优规划路径的仿真系统及方法 |
| CN115952696B (zh) * | 2023-03-13 | 2023-05-23 | 武汉益模科技股份有限公司 | 一种基于仿真预测与代价模型的刀具全生命周期管理方法 |
| CN116227890A (zh) * | 2023-05-05 | 2023-06-06 | 安元科技股份有限公司 | 一种支持换产的排程调度方法及系统 |
| CN116307636B (zh) * | 2023-05-17 | 2023-08-04 | 彼图科技(青岛)有限公司 | 一种用于智能工具柜终端的智能调控方法及系统 |
| CN116523262B (zh) * | 2023-06-02 | 2023-12-22 | 深圳普菲特信息科技股份有限公司 | 基于大数据的生产计划智能规划方法、系统和介质 |
| CN117455208B (zh) * | 2023-12-25 | 2024-03-12 | 苏州特铭精密科技有限公司 | 基于人工智能的注塑品生产调度优化方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070288283A1 (en) * | 2006-06-09 | 2007-12-13 | Devshop Inc. | Method for project management |
| US8332405B2 (en) * | 2009-09-29 | 2012-12-11 | Sap Ag | Marketing project filter search tools |
| CN105488602A (zh) * | 2014-09-19 | 2016-04-13 | 上海宝信软件股份有限公司 | 利用集约生产规律提高合同兑现率的多工序排程方法 |
| CN111177897A (zh) * | 2019-12-16 | 2020-05-19 | 北京航天智造科技发展有限公司 | 一种云制造模式下的产线生产工艺数据对接和仿真模型快速建模方法和系统 |
| CN111652463A (zh) * | 2020-04-18 | 2020-09-11 | 北京智通云联科技有限公司 | 基于分形自相似原理的aps递归系统、方法及设备 |
-
2020
- 2020-10-29 CN CN202080106382.XA patent/CN116529741A/zh active Pending
- 2020-10-29 WO PCT/CN2020/124827 patent/WO2022087962A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| WO2022087962A1 (zh) | 2022-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116529741A (zh) | 基于仿真的闭环aps调度优化方法、系统及存储介质 | |
| Phanden et al. | Integration of process planning and scheduling: a state-of-the-art review | |
| US10325237B2 (en) | System and method for solving large scale supply chain planning problems with integer constraints | |
| Gyulai et al. | Robust production planning and control for multi-stage systems with flexible final assembly lines | |
| US20060235557A1 (en) | Associated systems and methods for improving planning, scheduling, and supply chain management | |
| US20060010418A1 (en) | Facilitation of multi-project management using threoughput measurement | |
| WO2018154799A1 (ja) | 業務計画最適化装置及び業務計画最適化方法 | |
| US20090228309A1 (en) | Method and system for optimizing business process management using mathematical programming techniques | |
| US20170185943A1 (en) | Data analysis for predictive scheduling optimization for product production | |
| WO2004034305A2 (en) | Systems and methods for planning, scheduling, and management | |
| WO2003094107A2 (en) | Constraint-based production planning and scheduling | |
| Romero-Silva et al. | A conceptual framework of the applicability of production scheduling from a contingency theory approach: addressing the theory-practice gap | |
| Mohanavelu et al. | Simulation modelling and development of analytic hierarchy process-based priority dispatching rule for a dynamic press shop | |
| Vass et al. | Exact and meta-heuristic approaches for the production leveling problem | |
| Mitsuyuki et al. | Design of production strategy considering the cutting peak demand of electricity in the shipbuilding industry | |
| US20240013131A1 (en) | Systems and methods for managing decision scenarios | |
| JP7505083B2 (ja) | 材料補充計画のための方法およびシステム | |
| Rabbani et al. | A novel bi-level hierarchy towards available-to-promise in mixed-model assembly line sequencing problems | |
| Cayo et al. | A shifting bottleneck procedure with multiple objectives in a complex manufacturing environment | |
| US8185420B2 (en) | Approximating cycle times within material flow network | |
| Son et al. | A Compromise Programming to Task Assignment Problem in Software Development Project. | |
| Seo et al. | Backward capacity-filtering for electronics Fabs | |
| JP2006244470A (ja) | 納期回答システム、納期回答方法、及び納期回答プログラム | |
| JP7311270B2 (ja) | スケジューリングシステム、スケジュール生成装置、および選好値計算装置、プログラム、並びにこれらの方法 | |
| Villarraga et al. | Agent-based modeling and simulation for an order-to-cash process using netlogo |
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 |