CN116540659B - 一种大型复杂产品车间调度方法、系统、设备及介质 - Google Patents
一种大型复杂产品车间调度方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116540659B CN116540659B CN202310810708.2A CN202310810708A CN116540659B CN 116540659 B CN116540659 B CN 116540659B CN 202310810708 A CN202310810708 A CN 202310810708A CN 116540659 B CN116540659 B CN 116540659B
- Authority
- CN
- China
- Prior art keywords
- complex product
- workpiece
- debugging
- scheduling
- assembly
- 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
- 238000000034 method Methods 0.000 title claims abstract description 206
- 230000008569 process Effects 0.000 claims abstract description 99
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 65
- 230000002068 genetic effect Effects 0.000 claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims description 24
- 108090000623 proteins and genes Proteins 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 210000000349 chromosome Anatomy 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 33
- 238000010586 diagram Methods 0.000 description 9
- 238000011423 initialization method Methods 0.000 description 8
- 238000013178 mathematical model Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 4
- 241000899793 Hypsophrys nicaraguensis Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 125000003275 alpha amino acid group Chemical group 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000007591 painting process Methods 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及作业车间调度技术领域,具体地说,涉及一种大型复杂产品车间调度方法、系统、设备及介质;该方法首先确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间,然后将最小化大型复杂产品工件最长完工时间作为优化目标,建立大型复杂产品装配与调试车间调度优化模型;最后采用多目标遗传算法优化求解,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间,保证了装配调试过程与实际生产过程的高度匹配,提高了模型求解的精度和收敛速度。
Description
技术领域
本发明涉及作业车间调度技术领域,具体地说,涉及一种大型复杂产品车间调度方法、系统、设备及介质。
背景技术
复杂产品生产过程中,部件连接方式以装配为主,并且装配完成后的系统调试作为必不可少的加工环节,工时占比高,可见提升装调车间组织运行能力,是保证产品质量与生产效率、提高企业整体经济效益的关键,因此对大型复杂产品制造企业具有重要意义。
目前鲜有学者对于同时考虑装配调试设备工具资源和装配调试工人的多资源约束车间问题进行研究,但是所研究的调度问题只适用于简单流水车间,导致建立的数学模型与实际模型之间差别很大,对具有装配工艺结构的大型复杂产品的调度,若仍采用传统的调度算法来处理,必定会分裂制造过程中工艺树内在的可并行关系,致使生产周期延长。
在面向大型复杂产品的装配生产中,由于结构件体积庞大,因此每一道工序都需要占用相应的设备工具,同时在装配、系统调试等过程中,需要调度相应技能的工人围绕着操作对象或者设备在对应的工位进行工序处理。同时车间班组工人数量有限,如果不考虑人员资源约束,势必会导致产品在生产时,调度方案与实际生产能力不对应而导致方案不可行。由于问题的复杂度较高,目前鲜有其研究成果的报道,因此,针对大型复杂产品的装配调试车间调度问题的研究存在较大的意义。
发明内容
本发明针对现有大型复杂工件调度方法中存在求解精度和收敛速度不足的问题,提出一种大型复杂产品车间调度方法、系统、设备及介质,该方法首先确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间,然后将最小化大型复杂产品工件最长完工时间作为优化目标,建立大型复杂产品装配与调试车间调度优化模型;最后采用多目标遗传算法优化求解,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间,保证了装配调试过程与实际生产过程的高度匹配,提高了模型求解的精度和收敛速度。
本发明具体实现内容如下:
一种大型复杂产品车间调度方法,首先确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间,然后将最小化大型复杂产品工件最长完工时间作为优化目标,建立大型复杂产品装配与调试车间调度优化模型;最后采用多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间。
为了更好地实现本发明,进一步地,所述大型复杂产品车间调度方法具体包括以下步骤:
步骤1:确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间;
步骤2:根据所述工件最长完工时间,以最小化工件最长完工时间和最小化任务总拖期量为优化目标,设置大型复杂产品工序之间的优先级约束条件、装配调试设备及工具资源约束条件和装配调试工人资源约束条件,建立大型复杂产品装配与调试车间调度优化模型;
步骤3:采用启发式规则改进多目标遗传算法的初始化操作,得到改进的多目标遗传算法;
步骤4:采用改进的多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间。
为了更好地实现本发明,进一步地,所述步骤1具体包括以下步骤:
步骤11:确定大型复杂产品装配与调试车间调度决策问题和前提假设;
步骤12:在大型复杂产品的工序满足优先级约束情况下,确定工件的先后装配顺序,在调度过程中选择当前工序的工具或设备,并配置对应数量的工人,得到工件最长完工时间。
为了更好地实现本发明,进一步地,所述步骤2具体包括以下步骤:
步骤21:根据所述工件最长完工时间,得到工件最长完工时间目标函数;
步骤22:根据所述工件最长完工时间、工件的交付期、工件的拖期系数,得到任务总拖期量目标函数;
步骤23:根据所述工件最长完工时间目标函数和所述任务总拖期量目标函数,设置大型复杂产品工序之间的优先级约束条件、装配调试设备及工具资源约束条件和装配调试工人资源约束条件,建立大型复杂产品装配与调试车间调度优化模型。
为了更好地实现本发明,进一步地,所述步骤3的具体操作为:采用多种初始化方式改进多目标遗传算法的初始化操作,所述多种初始化方式包括随机初始化方式、按照交付期规则优先级初始化方式和剩余加工时间优先级初始化方式。
为了更好地实现本发明,进一步地,所述步骤4具体包括以下操作:
步骤41:建立工件工艺结构树;
步骤42:展开所述工件工艺结构树,得到工件工序工艺结构树信息;
步骤43:根据所述工件工序工艺结构树信息进行染色体编码,得到满足装配调试工艺中工件之间存在的前后加工顺序的约束条件的合法基因结构;
步骤44:根据所述合法基因结构进行解码,得到工件大型复杂产品装配与调试车间目标调度决策和目标完工时间。
为了更好地实现本发明,进一步地,所述步骤44具体包括以下步骤:
步骤441:获取调度任务,根据所述合法基因结构,遍历染色体排序中的工件;
步骤442:根据所述工件的编号,检索所述工件类型;
步骤443:读取所述工件的工序,并根据所述工序获取所述工序的平台信息;
步骤444:根据所述工件类型选择对应的工具,判断所述工具的剩余使用时间,根据所述剩余使用时间,判断工人数量是否满足设定条件,并计算当前完工时间;
步骤445:判断所有工序是否遍历完成,若工序没有遍历完成,则返回步骤443;若所有工序遍历完成,则判断所有工件是否遍历完成,若工件没有遍历完成,则返回步骤441,若所有工件遍历完成,则将当前完工时间作为目标完工时间,输出大型复杂产品装配与调试车间目标调度决策。
基于上述提出的大型复杂产品车间调度方法,为了更好地实现本发明,进一步地,提出一种大型复杂产品车间调度系统,包括初始化单元、模型建立单元、计算单元;
所述初始化单元,用于确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间;
所述模型建立单元,用于将最小化大型复杂产品工件最长完工时间作为优化目标,建立大型复杂产品装配与调试车间调度优化模型;
所述计算单元,用于采用多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间。
基于上述提出的大型复杂产品车间调度方法,为了更好地实现本发明,进一步地,提出一种电子设备,包括存储器和处理器;所述存储器上存储有计算机程序;当所述计算机程序在所述处理器上执行时,实现上述的大型复杂产品车间调度方法。
基于上述提出的大型复杂产品车间调度方法,为了更好地实现本发明,进一步地,提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机指令;当所述计算机指令在上述的电子设备上执行时,实现上述的大型复杂产品车间调度方法。
本发明具有以下有益效果:
(1)本发明采用多种初始化方式组合改进多目标遗传算法的初始化操作,得到的多目标遗传算法的求解精度更高,能在有限的搜索时间内更快更稳定地收敛至近似最优解,加快了模型收敛的速度。
(2)本发明综合考虑装配工人、调试工人的资源上限,通过多目标遗传算法对模型进行求解得到目标最长完工时间和订单总拖期量,缩短了生产周期。
附图说明
图1为本发明实施例提供的多目标遗传算法流程示意图。
图2为本发明实施例提供的工艺结构树示意图。
图3为本发明实施例提供的结构工艺树工序展开结构示意图。
图4为本发明实施例提供的编码示例结构示意框图。
图5为本发明实施例提供的解码流程示意图。
图6为本发明实施例提供的零部件对应工序的工具/设备选择编码结构示意框图。
图7为本发明实施例提供的生产任务产品工艺树信息结构示意图。
图8为本发明实施例提供的生产任务产品零部件代号结构示意图。
图9为本发明实施例提供的不同算法求解装配调试调度实例迭代曲线示意图。
图10为本发明实施例提供的大型复杂产品车间调度方法流程示意框图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案,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,应当理解,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例,因此不应被看作是对保护范围的限定。基于本发明中的实施例,本领域普通技术工作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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“设置”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;也可以是直接相连,也可以是通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明专利涉及装配与调试车间的优化技术领域,特别是需要同时考虑装配调试设备工具资源和工人资源约束的大型复杂产品装配调试调度优化方法。既包括对车间调度的数学建模,也包括多目标遗传算法求解该数学模型的具体过程。
本发明实施例中涉及的专业名词的英文全称如下:
多目标遗传算法:Multi-Objective Genetic Algorithm,MOGA。
装配车间调度:Assemble and Adjusting Shop Scheduling Problem,AASSP。
实施例1:
本实施例提出一种大型复杂产品车间调度方法,如图10所示,首先确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间,然后将最小化大型复杂产品工件最长完工时间作为优化目标,建立大型复杂产品装配与调试车间调度优化模型;最后采用多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间。
所述大型复杂产品车间调度方法具体包括以下步骤。
步骤1:确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间。
所述步骤1具体包括以下步骤:
步骤11:确定大型复杂产品装配与调试车间调度决策问题和前提假设;
步骤12:在大型复杂产品的工序满足优先级约束情况下,确定工件的先后装配顺序,在调度过程中选择当前工序的工具或设备,并配置对应数量的工人,得到工件最长完工时间。
步骤2:根据所述工件最长完工时间,以最小化工件最长完工时间和最小化任务总拖期量为优化目标,设置大型复杂产品工序之间的优先级约束条件、装配调试设备及工具资源约束条件和装配调试工人资源约束条件,建立大型复杂产品装配与调试车间调度优化模型。
所述步骤2具体包括以下步骤:
步骤21:根据所述工件最长完工时间,得到工件最长完工时间目标函数;
步骤22:根据所述工件最长完工时间、工件的交付期、工件的拖期系数,得到任务总拖期量目标函数;
步骤23:根据所述工件最长完工时间目标函数和所述任务总拖期量目标函数,设置大型复杂产品工序之间的优先级约束条件、装配调试设备及工具资源约束条件和装配调试工人资源约束条件,建立大型复杂产品装配与调试车间调度优化模型。
步骤3:采用启发式规则改进多目标遗传算法的初始化操作,得到改进的多目标遗传算法。
所述步骤3的具体操作为:采用多种初始化方式改进多目标遗传算法的初始化操作,所述多种初始化方式包括随机初始化方式、按照交付期规则优先级初始化方式和剩余加工时间优先级初始化方式。
步骤4:采用改进的多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间。
所述步骤4具体包括以下操作:
步骤41:建立工件工艺结构树;
步骤42:展开所述工件工艺结构树,得到工件工序工艺结构树信息;
步骤43:根据所述工件工序工艺结构树信息进行染色体编码,得到满足装配调试工艺中工件之间存在的前后加工顺序的约束条件的合法基因结构;
步骤44:根据所述合法基因结构进行解码,得到工件大型复杂产品装配与调试车间目标调度决策和目标完工时间。
所述步骤44具体包括以下步骤:
步骤441:获取调度任务,根据所述合法基因结构,遍历染色体排序中的工件;
步骤442:根据所述工件的编号,检索所述工件类型;
步骤443:读取所述工件的工序,并根据所述工序获取所述工序的平台信息;
步骤444:根据所述工件类型选择对应的工具,判断所述工具的剩余使用时间,根据所述剩余使用时间,判断工人数量是否满足设定条件,并计算当前完工时间;
步骤445:判断所有工序是否遍历完成,若工序没有遍历完成,则返回步骤443;若所有工序遍历完成,则判断所有工件是否遍历完成,若工件没有遍历完成,则返回步骤441,若所有工件遍历完成,则将当前完工时间作为目标完工时间,输出大型复杂产品装配与调试车间目标调度决策。
工作原理:本实施例首先将同时考虑大型复杂产品装配与调试调度决策问题转化为组合优化的数学模型问题,其次以复杂产品最大完工时间最小为优化目标,同时考虑大型复杂产品工序之间的优先级约束、装配调试设备及工具资源、装配调试工人资源等约束条件,构建大型复杂产品装配与调试车间调度决策模型;最后采用多目标遗传算法进行求解,在求解过程中,针对装配调试调度问题对工人资源的需求设计了能在装配调试过程满足工人资源的分配调度算法,保证在装配调试过程能与实际生产过程高度匹配。通过本实施例所求得的调度方案可有效求解具有多资源需求的大型复杂产品装配调试的调度问题。
实施例2:
本实施例在上述实施例1的基础上,如图1、图2、图3、图4、图5、图6所示,以一个具体的实施例对步骤1-步骤4的具体操作进行详细说明。
步骤1:确定装配调试调度决策问题的描述和相关假设。
装配车间调度问题AASSP是在大型复杂产品装配调试过程加工过程中考虑装配调试设备工具和工人资源的多资源调度问题。大型复杂产品的装配过程首先需要按照产品各工序之间的存在优先级先后关系的工艺结构,然后在调度过程中需要为该工件的每道工序选择合适的装配调试设备工具,其次根据工艺信息调度相应需要的装配工人,直到完成对大型复杂产品所有工序的资源调度。
装配车间调度问题AASSP建立的前提假设包括:
(1)每个设备工具资源同一时刻只能允许一道工序的装配或调试。
(2)在作业过程中,除非发生质量问题,否则被工序不会中断。
(3)车间内每种工人资源的数量是有限的,在满足工序对设备工具资源的占用时,还需要考虑当日工人是否充足,未达到开工条件,则延迟开工。
(4)已调度到某一工序上的工人,在该工序没有完成时,不可被调度到其他工序上加工,避免该工序的中断。
(5)物流时间忽略不计。因为运输时间相对于作业时间而言较小,且实际车间通常运输能力充足,所以忽略运输时间。
(6)作业之间的优先级根据工艺树确定,即后继作业所有工序必须等其前序作业所有工序全部完工后才能开始。
(7)所有工具/设备和工人在零时刻都可被占用和调度。
装配车间调度问题AASSP描述如下:在某车间内有m种类型的装配设备/工具、k类不同技能的工人和n个待装配的大型复杂工件集,工件之间具有基于BOM的工艺层次结构,即之间有紧前紧后关系和优先级,每个工件包含相同或不同的工序数量,其工序信息已知,且每道工序可选择工具/设备至少一个。在考虑大型复杂产品的工序满足优先级约束情况下,为所有工件确定一个合理的先后装配顺序,在调度过程中为每道工序选择一个合适的工具/设备,并配置合理数量的工人,以使得所有工件的最大完工时间最小。
J表示工件的集合{1,2,3…,j},其中j代表索引;Inf表示一个极大值;i∈O j 表示是属于工件j包含工序i;表示工件j的第i道工序使用工具/设备M p 加工;M i,j 表示工件j的第i道工序的可选工具/设备集合;/>表示工件j的第i道工序使用工具/设备p、加工的开始时间;/>表示为工件j的第i道工序使用工具/设备p的完工时间;t j,i 表示工件j的第i道工序所需加工时间;F j 表示工件j的前置工件集合{1,2,3…,j’},其中j’表示前置工件的索引;i’∈O j’ 表示前置工件j’包含工序i’;/>表示第k类工人在时间a的可用数,其中a表示时间索引;Hk表示第k类资源的上限;/>工件j的第i道工序在第a时刻(小时)所占用第k种工人的数量;Q i,j 表示工件j的第i道工序前置工序集合{1,2,3…,i’};/>决策变量,工件j的工序O j,i 选择工具/设备M p 进行加工,则/>,否则/>,/>决策变量,如果工件j的工序O j,i 在使用工具/设备M p 的加工顺序比工件j'的工序O j’,i’ 使用工具/设备M p 加工的早,则/>,否则/>。
步骤2:建立装配车间调度优化的数学模型。
目标函数:最小化最大完工时间和任务总拖期量。
(1-1)
(1-2)
式(1-1)中:f1是最小化制造产品最大完工时间,Cj代表工件j的完工时间。
式(1-2)中,f2是任务的总拖期量,dj代表零部件j的交付期,wj代表零部件j的拖期系数,Cj代表工件j的完工时间。
约束条件如下:
(2)
(3)
式(3)中,表示为工件j的第i道工序在平台p上的完工时间;/>表示工件j的第i道工序在平台p上加工的开始时间。
(4)
(5)
式(5)中,t j,i 表示工件j的第i道工序加工时间。
(6)
式(6)为工件j的第i道工序的前一道工序的完工时间。
(7)
(8)
(9)
(10)
(11)
(12)
其中:约束(2)表示工件每道工序只能占用一个工具或设备;约束(3)和约束(4)表示工序占用工具/设备的开工时间早于或等于该工序使用该设备的完工时间;约束(5)表示工件的开工时间需晚于或等于其所有前序工件所有工序的完工时间;约束(6)表示同一工件所有前道工序的完工时间均早于或等于后一道工序的开工时间;约束(7)和约束(8)表示不同工件的工序可占用同一个工具/设备时,不可同时进行工作,即在任何时候同一工具/设备正在使用的工件不能超过一个;约束(9)表示在任何时刻对每种工人的调用数量不能超过当前时间其实际车间该种工人数量上限;约束(10)~约束(12)表示决策变量为0-1变量。
步骤3:改进多目标遗传算法。
种群初始化是遗传算法求解装配车间综合调度问题中的重要环节,它不仅决定了在初始化阶段产生种群的质量,还对算法后期搜索效率和收敛速度有很大的影响。鉴于本发明数学模型目标函数包括最大完工时间、任务总拖期量,由于多目标搜索的解空间更复杂,给算法搜索增加了难度,因此需要对遗传算法的初始化操作进行改进,使其在对问题进行多目标求解时具有更高的效率和更好的求解效果。具体改进如下:
为控制遗传算法在求解时的全局上界,尽可能地使初始化得到的种群更靠近全局最优解,以提升算法在多目标搜索中的效率,采用现有启发式规则对多目标遗传算法的初始化操作进行改进,对此采用了三种方式的初始化操作,分别是随机初始化,按照交付期规则优先级初始化,按照交付期减去零部件生产周期剩余加工时间得到的优先级。
采用以交付期优先级为参考产生的初始解,基于交付期优先级排序初始化规则产生的基因个体X2和基于剩余加工时间优先级排序规则产生的基因个体X3更容易分布在以任务总拖期量为目标的解空间附近,而随机初始化产生的初始种群则无太多规律地散落在整个解空间。
采用后两种启发式规则初始化产生的解可以为部分基因个体提供一个朝交付期优先级爆炸的方向,并且采用规则初始化得到的基因个体X2、X3与包含最大完工时间和任务总拖期量的多目标近似最优解的距离d2、d3相较d1可能更短,这样可以为算法节省大量时间来搜索满足任务总拖期量最小的优质解。为了在不影响烟花种群多样性的前提下引入规则初始化操作,本实施例设置的三种初始化方式的占比分别为随机初始化占40%、基于交付期优先级排序初始化占30%、基于剩余加工时间优先级初始化占30%。基于上述初始化改进方案,本发明提出了一种多目标遗传算法,流程如图1所示。
步骤4:结合编码解码方式求解。
(1)编码设计
编码和解码在求解该特殊问题是影响算法性能的关键问题。与普通的车间调度问题不同,装配调试的调度决策问题的编码需考虑在装配调试工艺中工件之间存在的前后加工顺序的约束,为了产生满足该约束的合法基因结构,本实施例设计了一种基于产品BOM相关的结构工艺树的适用于综合调度问题求解的编码方法。以如图2所示的简单产品工艺树为例。每种工件在各道工序的加工时间以及对工人种类及需求情况如表表1所示。根据表表1信息将如图2所示工艺树进行展开,可得到如图3所示的详细工序工艺树信息。图3中箭头的指向代表工艺的顺序,被指向的工序需要在前序工件的所有工序完成后才能进行调度,当无箭头输入时则代表此工序无前序工件,如首次可调度工件集为{J 1,J 2,J 4,J 5,J 6,J 8,J 9,J 10},其对应的可调度工序集为{O 1,1,O 2,1,O 4,1,O 5,1,O 6,1,O 8,1,O 9,1,O 10,1}。
表1 零部件各工序对工人的需求及加工时间
基于图2所示工艺树,可按照以下步骤执行个体编码以产生如图4所示的合法基因结构:
步骤S1:录入工艺树和对应工具/设备及工人信息,设置备选零部件集Can,初始化当前维度z=1,总维度为Z,即总零部件数;
步骤S2:扫描工艺树所有零部件,将入度为0的零部件放入备选零部件集Can,更新备选零部件集;
步骤S3:在备选零部件集合中产生随机数来确定此次调度的零部件j,将该零部件j放到烟花的维度z;
步骤S4:在工艺树上检索当前被调度零部件的后继零部件,该后继零部件入度减1,当前维度z加1;
步骤S5:判断所有零部件是否调度完毕,即当前维度z是否超过总维度Z,如果是则转步骤S6,否则转向步骤S2;
步骤S6:输出烟花个体。
按照上述流程过后,可以得到图6所示的结果,比如位于染色体的第七位的零部件J3,结合表1,其工序1选用属于L3的工具/设备M5,占用装配工人2人;工序2选用工具或设备类型属于L3的工具/设备M5,占用调试工人4人;工序3选用工具/设备类型属于L1的工具/设备M1,占用打磨工人2人。
按照图5所示流程过后,可以得到图5所示的结果,比如位于染色体的第七位的零部件J3,结合表表1,其工序1选用属于L3的工具或设备M5,占用装配工人2人;工序2选用工具/设备类型属于L3的工具/设备M5,占用调试工人4人;工序3选用工具/设备类型属于L1的工具/设备M1,占用打磨工人2人。
本实施例的其他部分与上述实施例1相同,故不再赘述。
实施例3:
本实施例在上述实施例1-实施例2任一项的基础上,以某生产复杂产品的大型装备制造企业分厂车间为例,该车间主要工具/设备信息组成:线束敷设工具L 1={M 1,M 2},数量为2;线束安装工具L 2={M 3,M 4,M 5,M 6,M 7,M 8};管路安装工具L 3={M 9,M 10,M 11,M 12,M 13,M 14},数量为6;导通检测设备L 4={M 15},数量为1;气密检测设备L 5={M 16},数量为1;打磨工具L 6={M 17,M 18,M 19,M 20},数量为4;紧固工具L 7={M 21,M 22,M 23,M 24},数量为4;涂胶工具L 8={M 25},数量为1;搭铁电阻检测工具L 9={M 26,M 27,M 28,M 29},数量为4。各个工具/设备类型下的详细信息以及对应可加工工序如表2所示。
表2 工具/设备详细信息
如表3所示,车间包含的工人班组有调试班组、装配班组、打磨班组、导通班组,其中装配班组有6人,焊接班组有26人,打磨班组有4人,导通班组为2人。每种工人可加工与技能对应的工序。
表3 工人信息
1、生产任务分析
(1)现有产品工艺信息
每道工序生产实际和生产周期如表4所示。据调研,车间原排程调度计划是由排程调度人员按照以往生产经验根据产品的生产周期与交付期来确定生产计划,对车间设备工具资源以及工人资源的全局把控不足,为了满足产品交付,经常导致车间加班以及对设备工具和工人的调度不均衡。与此同时在生产过程中存在急件插单、装配调试过程中质量问题导致中断、检测出质量问题导致返工等干扰因素,这些车间中常见的动态扰动给车间计划生产决策增添了很大的难度,频繁的扰动会导致任务中大量任务完工时间滞后于约定交付期,从而造成效益上的损失。
表4 产品零部件工序装配时间(单位:小时)
/>
每道工序需要占用相应的设备工具,其中每种设备工具的数量至少为1个,如表5所示,产品类别为1的工序1需要的设备工具类型为L9,从表5中读取到该类型的可选设备工具为{M26,M27,M28,M29}。
表5 产品零部件工序工具类型需求
车间的各类工人资源是有限的,在一些工序的加工中需要对这些工人在当日可调度的余量进行考虑,一般在装配工序需要的工人类型为H1,在焊接工序需要的工人类型为H2,在打磨工序需要的工人类型为H3,在油漆工序需要的工人类型为H4,对于每种类型产品对于工人的具体需求数量如表6所示。
表6 产品零部件工序工人需求
基于以上不同类型的产品零部件装配需求,在实际生产中,某次任务计划采用工艺树表示,零部件之间的工艺顺序约束如图7所示。图中对多批量同种类型的产品进行了简化,例如工艺树第一行从左往右第一个矩形框中“线束2×4”代表该类型产品的需求量为4。该任务原计划装配总周期为160小时。对图7所示的工艺树进行零部件编号,编号后的结果如图8所示,其中第一行从左往右第一个方框中J39-J42代表零部件类型为线束2的零部件装配工序包括{J39,J40,J41,J42},最末行从左往右第一个方框J1代表零部件类型为氧气管路1的零部件装配工序包括{J1}。所有任务对应安装完成期限如表1所示,J1对应安装完成期限为生产进行的第50小时。
表7 交付期信息
2、问题求解及分析
对以上车间实例进行分析可以发现,在实际生产调度过程中需要在排程计划阶段考虑工具/设备资源与工人资源上限和复杂工艺约束影响,即本发明所提出装配调试调度建模和求解。因此将综合调度问题模型应用到此问题上,可解决车间的初始排程调度问题。本节采用基于python 3.7的pycharm软件工具进行仿真优化求解,多目标遗传算法参数设置如下:
根据相关经验设置初始化种群参数:烟花种群数量K为50,爆炸次数IT为100,高斯概率Pm为0.25;三种初始化分配方案为随机初始化40%,按交付期初始化30%,按交付期与生产周期之间的差值优先级初始化30%。
3、工程实例调度求解
首先采用本实施例提出的多目标遗传算法MOGA对初始调度问题模型进行求解,在考虑上述设备工具资源、工人资源以及复杂工艺的约束条件下,连续计算10次,计算结果如表8所示,为验证本发明所提的多目标遗传算法在求解有效性,采用前文提出的三种对比算法遗传算法GA、离散烟花算法DFWA、以及独立框架的烟花算法CoFFA分别对本实例进行求解,设置实验次数为10次,最后取每种算法在10次求解结果的平均值和最优值进行对比,对比结果如表8所示。
从表8中的对比结果可以看出,本发明提出多目标遗传算法在对面向复杂产品生产的带有设备工具资源和工人资源约束的车间综合调度问题上,在与车间原定生产周期的对比中,求得最大完工时间近似最优值较原定交付期提前9.9%;在与其他智能算法的对比中,求解得到的以最大完工时间和订单总拖期量为目标的最小值和平均值均优于另外几种算法,在连续求解10次的实验结果表示MOGA相比于FA、GA、CoFFA求解结果完工时间与总拖期量平均值分别优化1.29%、1.43%、2.15%,由此可得出多目标遗传算法求解精度更高。
四种算法对于最优解的搜寻迭代曲线如图9所示,可看出本发明的多目标遗传算法能在有限的搜索时间内更快更稳定地收敛至近似最优解。
由于加工过程中不仅需要考虑设备工具的空闲,还需要考虑装配工人、调试工人的资源上限,当所有零部件都需要进行装配时,装配工人就成了瓶颈资源,此时会造成一些零部件无法进行装配工序,导致部分设备工具处于空闲的状态。本实施例以某大型复杂产品制造企业车间的生产实例为背景,将带有50个零部件的生产任务为输入,应用本实施例所提模型以及算法进行求解,最后在静态实例中求得最大完工时间为142小时,订单总拖期量为4,比原本计划生产周期节省了9.9%。
本实施例的其他部分与上述实施例1-实施例2任一项相同,故不再赘述。
实施例4:
本实施例在上述实施例1-实施例3任一项的基础上,提出一种大型复杂产品车间调度系统,包括初始化单元、模型建立单元、计算单元;
所述初始化单元,用于确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间;
所述模型建立单元,用于将最小化大型复杂产品工件最长完工时间作为优化目标,建立大型复杂产品装配与调试车间调度优化模型;
所述计算单元,用于采用多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间。
本实施例还提出一种电子设备,包括存储器和处理器;所述存储器上存储有计算机程序;当所述计算机程序在所述处理器上执行时,实现上述的大型复杂产品车间调度方法。
本实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机指令;当所述计算机指令在上述的电子设备上执行时,实现上述的大型复杂产品车间调度方法。
本实施例的其他部分与上述实施例1-实施例3任一项相同,故不再赘述。
以上所述,仅是本发明的较佳实施例,并非对本发明做任何形式上的限制,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化,均落入本发明的保护范围之内。
Claims (6)
1.一种大型复杂产品车间调度方法,其特征在于,首先确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间,然后将最小化大型复杂产品工件最长完工时间作为优化目标,建立大型复杂产品装配与调试车间调度优化模型;最后采用多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间;
所述大型复杂产品车间调度方法具体包括以下步骤:
步骤1:确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间;
步骤2:根据所述工件最长完工时间,以最小化工件最长完工时间和最小化任务总拖期量为优化目标,设置大型复杂产品工序之间的优先级约束条件、装配调试设备及工具资源约束条件和装配调试工人资源约束条件,建立大型复杂产品装配与调试车间调度优化模型;
步骤3:采用启发式规则改进多目标遗传算法的初始化操作,得到改进的多目标遗传算法;
步骤4:采用改进的多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间;
所述步骤3的具体操作为:采用多种初始化方式改进多目标遗传算法的初始化操作;所述采用多种初始化方式改进多目标遗传算法的初始化操作的具体操作为:以百分比的方式采用多种初始化的方式初始化k个基因;所述多种初始化方式包括随机初始化方式、按照交付期规则优先级初始化方式和剩余加工时间优先级初始化方式;
所述步骤4具体包括以下操作:
步骤41:建立工件工艺结构树;
步骤42:展开所述工件工艺结构树,得到工件工序工艺结构树信息;
步骤43:根据所述工件工序工艺结构树信息进行染色体编码,得到满足装配调试工艺中工件之间存在的前后加工顺序的约束条件的合法基因结构;
步骤44:根据所述合法基因结构进行解码,得到工件大型复杂产品装配与调试车间目标调度决策和目标完工时间;
所述步骤44具体包括以下步骤:
步骤441:获取调度任务,根据所述合法基因结构,遍历染色体排序中的工件;
步骤442:根据所述工件的编号,检索所述工件类型;
步骤443:读取所述工件的工序,并根据所述工序获取所述工序的平台信息;
步骤444:根据所述工件类型选择对应的工具,判断所述工具的剩余使用时间,根据所述剩余使用时间,判断工人数量是否满足设定条件,并计算当前完工时间;
步骤445:判断所有工序是否遍历完成,若工序没有遍历完成,则返回步骤443;若所有工序遍历完成,则判断所有工件是否遍历完成,若工件没有遍历完成,则返回步骤441,若所有工件遍历完成,则将当前完工时间作为目标完工时间,输出大型复杂产品装配与调试车间目标调度决策。
2.根据权利要求1所述的一种大型复杂产品车间调度方法,其特征在于,所述步骤1具体包括以下步骤:
步骤11:确定大型复杂产品装配与调试车间调度决策问题和前提假设;
步骤12:在大型复杂产品的工序满足优先级约束情况下,确定工件的先后装配顺序,在调度过程中选择当前工序的工具或设备,并配置对应数量的工人,得到工件最长完工时间。
3.根据权利要求2所述的一种大型复杂产品车间调度方法,其特征在于,所述步骤2具体包括以下步骤:
步骤21:根据所述工件最长完工时间,得到工件最长完工时间目标函数;
步骤22:根据所述工件最长完工时间、工件的交付期、工件的拖期系数,得到任务总拖期量目标函数;
步骤23:根据所述工件最长完工时间目标函数和所述任务总拖期量目标函数,设置大型复杂产品工序之间的优先级约束条件、装配调试设备及工具资源约束条件和装配调试工人资源约束条件,建立大型复杂产品装配与调试车间调度优化模型。
4.一种大型复杂产品车间调度系统,其特征在于,包括初始化单元、模型建立单元、计算单元;
所述初始化单元,用于确定大型复杂产品装配与调试车间调度决策问题和前提假设,得到工件最长完工时间;
所述模型建立单元,用于将最小化大型复杂产品工件最长完工时间作为优化目标,建立大型复杂产品装配与调试车间调度优化模型;
所述计算单元,用于采用多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间;
所述采用多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间具体包括:
采用启发式规则改进多目标遗传算法的初始化操作,得到改进的多目标遗传算法;
采用改进的多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间;
所述采用启发式规则改进多目标遗传算法的初始化操作的具体操作为:以百分比的方式采用多种初始化的方式初始化k个基因;所述多种初始化方式包括随机初始化方式、按照交付期规则优先级初始化方式和剩余加工时间优先级初始化方式;
所述采用改进的多目标遗传算法优化求解所述大型复杂产品装配与调试车间调度优化模型,得到大型复杂产品装配与调试车间目标调度决策和目标完工时间的具体操作为:首先建立工件工艺结构树;其次展开所述工件工艺结构树,得到工件工序工艺结构树信息;然后根据所述工件工序工艺结构树信息进行染色体编码,得到满足装配调试工艺中工件之间存在的前后加工顺序的约束条件的合法基因结构;最后根据所述合法基因结构进行解码,得到工件大型复杂产品装配与调试车间目标调度决策和目标完工时间;
所述根据所述合法基因结构进行解码,得到工件大型复杂产品装配与调试车间目标调度决策和目标完工时间的具体操作为:首先获取调度任务,根据所述合法基因结构,遍历染色体排序中的工件,并根据所述工件的编号,检索所述工件类型;然后读取所述工件的工序,并根据所述工序获取所述工序的平台信息,并根据所述工件类型选择对应的工具,判断所述工具的剩余使用时间,根据所述剩余使用时间,判断工人数量是否满足设定条件,并计算当前完工时间;最后判断所有工序是否遍历完成,若工序没有遍历完成,则再次读取所述工件的工序,并根据所述工序获取所述工序的平台信息;若所有工序遍历完成,则判断所有工件是否遍历完成,若工件没有遍历完成,则获取调度任务,根据所述合法基因结构,遍历染色体排序中的工件,若所有工件遍历完成,则将当前完工时间作为目标完工时间,输出大型复杂产品装配与调试车间目标调度决策。
5.一种电子设备,其特征在于,包括存储器和处理器;所述存储器上存储有计算机程序;当所述计算机程序在所述处理器上执行时,实现如权利要求1-3任一项所述的大型复杂产品车间调度方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令;当所述计算机指令在如权利要求5所述的电子设备上执行时,实现如权利要求1-3任一项所述的大型复杂产品车间调度方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310810708.2A CN116540659B (zh) | 2023-07-04 | 2023-07-04 | 一种大型复杂产品车间调度方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310810708.2A CN116540659B (zh) | 2023-07-04 | 2023-07-04 | 一种大型复杂产品车间调度方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116540659A CN116540659A (zh) | 2023-08-04 |
CN116540659B true CN116540659B (zh) | 2023-11-10 |
Family
ID=87452790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310810708.2A Active CN116540659B (zh) | 2023-07-04 | 2023-07-04 | 一种大型复杂产品车间调度方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116540659B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116984924B (zh) * | 2023-09-27 | 2023-12-01 | 南京航空航天大学 | 一种智能加工单元刀具需求优化方法 |
CN117852840B (zh) * | 2024-03-07 | 2024-05-03 | 长春工业大学 | 一种基于多目标差分进化可变子批的柔性车间调度方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111966050A (zh) * | 2020-07-01 | 2020-11-20 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
CN112001573A (zh) * | 2020-10-27 | 2020-11-27 | 联通(浙江)产业互联网有限公司 | 生产线管理方法、装置、系统以及存储介质 |
CN112650187A (zh) * | 2021-01-22 | 2021-04-13 | 北京理工大学 | 一种车间调度方法、装置和系统 |
CN113592319A (zh) * | 2021-08-04 | 2021-11-02 | 清华大学 | 基于insga-ⅱ的复杂约束下的柔性作业车间调度方法及装置 |
US11256241B1 (en) * | 2019-09-12 | 2022-02-22 | Veo Robotics, Inc. | Optimized factory schedule and layout generation |
CN114912346A (zh) * | 2022-03-31 | 2022-08-16 | 杭州电子科技大学 | 基于学习能力的技能规划配置和车间调度集成优化方法 |
CN115983584A (zh) * | 2022-12-29 | 2023-04-18 | 成都飞机工业(集团)有限责任公司 | 一种装配过程规划优化方法、装置、设备及介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278594A1 (en) * | 2013-03-15 | 2014-09-18 | Agilquest Corporation | System and Method for Facilitating Workplace Utilization and Occupancy Management Using Mobile Devices |
US20170091688A1 (en) * | 2015-09-30 | 2017-03-30 | Embraer S.A. | Method and system for maintenance services planning and scheduling optimization |
US20180348742A1 (en) * | 2017-06-01 | 2018-12-06 | X Development Llc | Planning and Adapting Projects Based on a Buildability Analysis |
JP7265929B2 (ja) * | 2019-05-20 | 2023-04-27 | 株式会社日立製作所 | 保守工程フロー生成装置及び保守工程フローの生成方法 |
-
2023
- 2023-07-04 CN CN202310810708.2A patent/CN116540659B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11256241B1 (en) * | 2019-09-12 | 2022-02-22 | Veo Robotics, Inc. | Optimized factory schedule and layout generation |
CN111966050A (zh) * | 2020-07-01 | 2020-11-20 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
WO2022000924A1 (zh) * | 2020-07-01 | 2022-01-06 | 北京工业大学 | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 |
CN112001573A (zh) * | 2020-10-27 | 2020-11-27 | 联通(浙江)产业互联网有限公司 | 生产线管理方法、装置、系统以及存储介质 |
CN112650187A (zh) * | 2021-01-22 | 2021-04-13 | 北京理工大学 | 一种车间调度方法、装置和系统 |
CN113592319A (zh) * | 2021-08-04 | 2021-11-02 | 清华大学 | 基于insga-ⅱ的复杂约束下的柔性作业车间调度方法及装置 |
CN114912346A (zh) * | 2022-03-31 | 2022-08-16 | 杭州电子科技大学 | 基于学习能力的技能规划配置和车间调度集成优化方法 |
CN115983584A (zh) * | 2022-12-29 | 2023-04-18 | 成都飞机工业(集团)有限责任公司 | 一种装配过程规划优化方法、装置、设备及介质 |
Non-Patent Citations (7)
Title |
---|
A branch population genetic algorithm for dual-resource constrained job shop scheduling problem;Li, JY;《COMPUTERS & INDUSTRIAL ENGINEERING》;第102卷;第113-131页 * |
双资源多目标调度模型及其算法研究;任晓青;《中国优秀硕士学位论文全文数据库工程科技II辑》;C028-38 * |
双资源多目标项目协作计划与调度模型研究;朱雨晴;《中国优秀硕士学位论文全文数据库信息科技辑》;I140-134 * |
基于数字孪生的飞机总装生产线管控模式探索与实践;唐健钧;《航空制造技术》;第34-41页 * |
基于遗传算法的车间作业调度问题研究与应用;万芳;《中国优秀博硕士学位论文全文数据库信息科技辑》;I140-29 * |
考虑工人负荷的流水车间多目标优化调度问题研究;郑再思;《中国优秀硕士学位论文全文数据库经济与管理科学辑》;J152-467 * |
考虑行为效应的双资源约束柔性作车间调度方法及应用;娄航宇;《中国优秀硕士学位论文全文数据库工程科技II辑》;C029-293 * |
Also Published As
Publication number | Publication date |
---|---|
CN116540659A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116540659B (zh) | 一种大型复杂产品车间调度方法、系统、设备及介质 | |
De Boer | Resource-constrained multi-project management | |
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 | |
CN112561194A (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
Li et al. | A hybrid differential evolution algorithm for flexible job shop scheduling with outsourcing operations and job priority constraints | |
US20230128899A1 (en) | Computer-implemented method for planning and/or controlling a production by a production system, and production planning and/or control system for production optimization | |
CN116610083B (zh) | 一种面向大型复杂产品生产装配的动态调度方法 | |
Atan et al. | Setting planned leadtimes in customer-order-driven assembly systems | |
Hassan et al. | Application of pull concept-based lean production system in the ship building industry | |
Lin et al. | A case study of batch scheduling for an assembly shop | |
Thenarasu et al. | Development and selection of hybrid dispatching rule for dynamic job shop scheduling using multi-criteria decision making analysis (MCDMA) | |
Liu et al. | Bi-objective optimization for scheduling and multi-skilled worker assignments in the hybrid flow shop | |
Weng et al. | Realtime scheduling heuristics for just-in-time production in large-scale flexible job shops | |
US20230115525A1 (en) | Computer-implemented method for planning and/or controlling a production by a production system, and production planning and/or control system | |
Noack et al. | A simulation based optimization algorithm for slack reduction and workforce scheduling | |
CN110716522B (zh) | 基于任意时间a*启发式搜索的制造企业车间调度优化方法 | |
Chen et al. | GEP algorithm-based optimization method for PCs production scheduling under due date variation | |
Turgay et al. | An Effective Heuristic Algorithm for Flexible Flow Shop Scheduling Problems with Parallel Batch Processing | |
Lin et al. | IoT-enabled manufacturing synchronization for ecommerce | |
Tambe | Balancing mixed-model assembly line to reduce work overload in a multi-level production system | |
CN111369129B (zh) | 一种建筑机器人的生产调度方法和系统 | |
Vozhakov | Intelligent Scheduling in MES with the Fuzzy Information and Unclear Preferences | |
Kamble et al. | Throughput improvement of the assembly line by the application of MOST and Simulation | |
US20220270012A1 (en) | System and method for providing short-term dispatching decisions for operating a number of resources involved in a number of production processes under consideration of long-term objectives | |
CN116976603A (zh) | 一种复杂零部件批量生产优化调度方法 |
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 |