CN116611633A - 车辆的排产方法、装置及电子设备 - Google Patents
车辆的排产方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116611633A CN116611633A CN202310438513.XA CN202310438513A CN116611633A CN 116611633 A CN116611633 A CN 116611633A CN 202310438513 A CN202310438513 A CN 202310438513A CN 116611633 A CN116611633 A CN 116611633A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- scheduling scheme
- transformation
- target
- vehicle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 130
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 93
- 230000009466 transformation Effects 0.000 claims abstract description 394
- 238000012545 processing Methods 0.000 claims abstract description 104
- 238000012804 iterative process Methods 0.000 claims description 32
- 238000012216 screening Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 26
- 230000008859 change Effects 0.000 claims description 18
- 238000011282 treatment Methods 0.000 claims description 5
- 238000000844 transformation Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000003466 welding Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010924 continuous production Methods 0.000 description 3
- 239000003973 paint Substances 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000002922 simulated annealing Methods 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001962 electrophoresis Methods 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005507 spraying 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (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)
Abstract
本申请公开了一种车辆的排产方法、装置及电子设备。其中,该方法包括:获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,排产信息包括多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;根据排产信息确定车辆排产的初始排产方案;根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案。本申请解决了相关技术中车辆排产效率低的技术问题。
Description
技术领域
本申请涉及人工智能领域,具体而言,涉及一种车辆的排产方法、装置及电子设备。
背景技术
在车辆行业,生产模式逐渐由按库存生成模式转为按订单生产模式。为了满足顾客越来越个性化的购车需求,目前大部分车企会为顾客提供灵活选配的购车方案,使得车辆属性(型号、颜色、配置等)组合类别急剧增加,导致主机厂各个车间在生产过程中需要在不同属性中频繁切换。由于不同的车辆需要不同的物料、加工机器以及生产时间,混装车辆生产线在切换产品的过程中将产生额外的切换时间与切换成本,如果车辆上线排序计划不合理,则属性切换的次数会变得非常多,增加车辆生产成本,因此,生产过程中的车辆排序问题(Car Sequencing Problem,CSP)是车辆生产线管理需要解决的重要问题。
从算法技术角度而言,车辆排序问题是一类复杂的NP-Hard问题,也即对N辆车其完备的排产方案的数量为N!=1*2*…*N,该值远远大于2N,在如此巨大空间内找到满足生产要求的一组或有限组车辆排产方案是较为困难的。目前,求解大规模整数规划模型的方法众多,例如,分支定界(Branch&Bound,BB)算法和其衍生算法、割平面(Cutting Plane)算法等,但依靠这类算法很难在合理的时间内给出满足生产要求的排序方案,从而存在车辆排产效率低的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种车辆的排产方法、装置及电子设备,以至少解决相关技术中车辆排产效率低的技术问题。
根据本申请实施例的一个方面,提供了一种车辆的排产方法,包括:获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,所述排产信息包括所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;根据所述排产信息确定车辆排产的初始排产方案;根据变换策略对所述初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个变换后的排产方案中确定目标排产方案。
进一步地,在从所述多个变换后的排产方案中确定目标排产方案之后,所述方法还包括:根据所述目标排产方案更新所述初始排产方案,得到更新后的初始排产方案,重复执行根据所述变换策略对所述更新后的初始排产方案进行多次变换处理的步骤,直至达到预设迭代条件,并将在达到所述预设迭代条件的情况下得到的目标排产方案确定为车辆排产结果。
进一步地,根据变换策略对所述初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个变换后的排产方案中确定目标排产方案,包括:在所述变换策略为多个的情况下,从多个变换策略中确定需要第一个执行的变换策略,得到第一变换策略;根据所述第一变换策略对所述初始排产方案进行多次变换处理,得到多个第一排产方案;根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个第一排产方案中筛选出第二排产方案;在第一目标值小于第二目标值的情况下,确定所述第二排产方案为所述目标排产方案,其中,所述第一目标值表征所述第二排产方案与所述多个约束条件之间的匹配程度,所述第二目标值表征所述初始排产方案与所述多个约束条件之间的匹配程度。
进一步地,在从所述多个第一排产方案中筛选出第二排产方案之后,所述方法还包括:在所述第一目标值大于或等于所述第二目标值的情况下,从所述多个变换策略中确定下一个需要执行的变换策略,得到第二变换策略,其中,所述第二变换策略与所述第一变换策略不同;重复执行根据所述第二变换策略对所述初始排产方案进行多次变换处理的步骤,直至所述第一目标值小于所述第二目标值,将所述第一目标值对应的第二排产方案确定为所述目标排产方案,或者,直至所述多个变换策略全部执行,根据得到的多个第二排产方案的第一目标值,从所述得到的多个第二排产方案中确定所述目标排产方案。
进一步地,在确定所述第二排产方案为所述目标排产方案之后,所述方法还包括:更新所述第一变换策略的优先级;当下一次从所述多个变换策略中确定需要第一个执行的变换策略时,根据所述多个变换策略中变换策略的优先级确定需要第一个执行的变换策略。
进一步地,根据所述目标排产方案更新所述初始排产方案,包括:若所述目标排产方案匹配的第一目标值小于所述第二目标值,则将所述目标排产方案确定为所述更新后的初始排产方案;若所述目标排产方案匹配的第一目标值大于或等于所述第二目标值,则根据迭代信息和/或所述目标排产方案匹配的第一目标值确定对所述目标排产方案的接受概率,其中,所述迭代信息包括以下至少之一:已经迭代的次数、已经进行迭代的时间长度;根据所述接受概率从所述目标排产方案和迭代过程中的历史排产方案中筛选出所述更新后的初始排产方案,其中,所述接受概率表征将所述目标排产方案确定为所述更新后的初始排产方案的概率。
进一步地,在根据所述目标排产方案更新所述初始排产方案之后,所述方法还包括:统计迭代过程中第三目标值的变化趋势,其中,所述第三目标值表征所述更新后的初始排产方案与所述多个约束条件之间的匹配程度;在所述第三目标值的变化趋势符合预设变化趋势的情况下,对所述更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案。
进一步地,对所述更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案,包括:统计迭代过程中的扰动信息,其中,所述扰动信息为以下之一:局部扰动处理的次数、连续局部扰动处理的次数;在所述扰动信息满足预设扰动条件的情况下,对所述更新后的初始排产方案进行局部扰动处理,得到所述再次更新后的初始排产方案;在所述扰动信息不满足预设扰动条件的情况下,将迭代过程中的历史排产方案确定为再次更新后的初始排产方案。
进一步地,根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个第一排产方案中筛选出第二排产方案,包括:根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,确定所述第一排产方案在不同约束条件下的损失值;根据所述第一排产方案在不同约束条件下的损失值,确定所述第一排产方案与所述多个约束条件之间的匹配程度,得到第四目标值;根据所述多个第一排产方案的第四目标值,从所述多个第一排产方案中确定所述第二排产方案。
进一步地,根据所述排产信息确定车辆排产的初始排产方案,包括:获取多个排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件确定所述排产方案在不同约束条件下的损失值;根据所述排产方案在不同约束条件下的损失值,确定所述排产方案与所述多个约束条件的匹配程度,得到第五目标值;根据所述多个排产方案的第五目标值,从所述多个排产方案中确定所述初始排产方案。
进一步地,所述变换策略通过以下方式筛选得到:获取预设的多个初始变换策略,其中,所述多个初始变换策略包括多个通用变换策略和多个任务变换策略,所述通用变换策略与所有约束条件相匹配;从所述多个任务变换策略中确定与所述约束条件匹配的任务变换策略,得到多个目标任务变换策略;将所述通用变换策略和所述目标任务变换策略确定为所述变换策略。
根据本申请实施例的另一方面,还提供了一种车辆的排产方法,包括:获取客户端发送的对多个待排产车辆进行车辆排产所需要的排产信息,其中,所述排产信息包括所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;在云服务器中根据所述排产信息确定车辆排产的初始排产方案;根据变换策略对所述初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个变换后的排产方案中确定目标排产方案;将所述目标排产方案返回至所述客户端。
根据本申请实施例的另一方面,还提供了一种车辆的排产装置,包括:第一获取单元,用于获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,所述排产信息包括所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;第一确定单元,用于根据所述排产信息确定车辆排产的初始排产方案;第二确定单元,用于根据变换策略对所述初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个变换后的排产方案中确定目标排产方案。
进一步地,所述装置还包括:第一执行单元,用于根据所述目标排产方案更新所述初始排产方案,得到更新后的初始排产方案,重复执行根据所述变换策略对所述更新后的初始排产方案进行多次变换处理的步骤,直至达到预设迭代条件,并将在达到所述预设迭代条件的情况下得到的目标排产方案确定为车辆排产结果。
进一步地,第二确定单元包括:第一确定子单元,用于在所述变换策略为多个的情况下,从多个变换策略中确定需要第一个执行的变换策略,得到第一变换策略;第一处理子单元,用于根据所述第一变换策略对所述初始排产方案进行多次变换处理,得到多个第一排产方案;第一筛选子单元,用于根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个第一排产方案中筛选出第二排产方案;第二确定子单元,用于在第一目标值小于第二目标值的情况下,确定所述第二排产方案为所述目标排产方案,其中,所述第一目标值表征所述第二排产方案与所述多个约束条件之间的匹配程度,所述第二目标值表征所述初始排产方案与所述多个约束条件之间的匹配程度。
进一步地,所述装置还包括:第三确定单元,用于在所述第一目标值大于或等于所述第二目标值的情况下,从所述多个变换策略中确定下一个需要执行的变换策略,得到第二变换策略,其中,所述第二变换策略与所述第一变换策略不同;第二执行单元,用于重复执行根据所述第二变换策略对所述初始排产方案进行多次变换处理的步骤,直至所述第一目标值小于所述第二目标值,将所述第一目标值对应的第二排产方案确定为所述目标排产方案,或者,直至所述多个变换策略全部执行,根据得到的多个第二排产方案的第一目标值,从所述得到的多个第二排产方案中确定所述目标排产方案。
进一步地,所述装置还包括:更新单元,用于更新所述第一变换策略的优先级;第四确定单元,用于当下一次从所述多个变换策略中确定需要第一个执行的变换策略时,根据所述多个变换策略中变换策略的优先级确定需要第一个执行的变换策略。
进一步地,第一执行单元包括:第三确定子单元,用于若所述目标排产方案匹配的第一目标值小于所述第二目标值,则将所述目标排产方案确定为所述更新后的初始排产方案;第四确定子单元,用于若所述目标排产方案匹配的第一目标值大于或等于所述第二目标值,则根据迭代信息和/或所述目标排产方案匹配的第一目标值确定对所述目标排产方案的接受概率,其中,所述迭代信息包括以下至少之一:已经迭代的次数、已经进行迭代的时间长度;第二筛选子单元,用于根据所述接受概率从所述目标排产方案和迭代过程中的历史排产方案中筛选出所述更新后的初始排产方案,其中,所述接受概率表征将所述目标排产方案确定为所述更新后的初始排产方案的概率。
进一步地,所述装置还包括:统计单元,用于统计迭代过程中第三目标值的变化趋势,其中,所述第三目标值表征所述更新后的初始排产方案与所述多个约束条件之间的匹配程度;处理单元,用于在所述第三目标值的变化趋势符合预设变化趋势的情况下,对所述更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案。
进一步地,处理单元还包括:统计子单元,用于统计迭代过程中的扰动信息,其中,所述扰动信息为以下之一:局部扰动处理的次数、连续局部扰动处理的次数;第二处理子单元,用于在所述扰动信息满足预设扰动条件的情况下,对所述更新后的初始排产方案进行局部扰动处理,得到所述再次更新后的初始排产方案;第五确定子单元,用于在所述扰动信息不满足预设扰动条件的情况下,将迭代过程中的历史排产方案确定为再次更新后的初始排产方案。
进一步地,第一筛选子单元包括:第一确定模块,用于根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,确定所述第一排产方案在不同约束条件下的损失值;第二确定模块,用于根据所述第一排产方案在不同约束条件下的损失值,确定所述第一排产方案与所述多个约束条件之间的匹配程度,得到第四目标值;第三确定模块,用于根据所述多个第一排产方案的第四目标值,从所述多个第一排产方案中确定所述第二排产方案。
进一步地,第一确定单元包括:获取子单元,用于获取多个排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件确定所述排产方案在不同约束条件下的损失值;第六确定子单元,用于根据所述排产方案在不同约束条件下的损失值,确定所述排产方案与所述多个约束条件的匹配程度,得到第五目标值;第七确定子单元,用于根据所述多个排产方案的第五目标值,从所述多个排产方案中确定所述初始排产方案。
进一步地,所述装置还包括:第二获取单元,用于获取预设的多个初始变换策略,其中,所述多个初始变换策略包括多个通用变换策略和多个任务变换策略,所述通用变换策略与所有约束条件相匹配;第五确定单元,用于从所述多个任务变换策略中确定与所述约束条件匹配的任务变换策略,得到多个目标任务变换策略;第六确定单元,用于将所述通用变换策略和所述目标任务变换策略确定为所述变换策略。
根据本发明实施例的另一方面,还提供了一种电子设备,包括:存储器,存储有可执行程序;处理器,用于运行所述程序,其中,所述程序运行时执行上述任意一项所述的车辆的排产方法。
在本实施例中,采用获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,所述排产信息包括所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;根据所述排产信息确定车辆排产的初始排产方案;根据变换策略对所述初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个变换后的排产方案中确定目标排产方案,解决了相关技术中车辆排产效率低的技术问题。在本方案中,通过根据排产信息确定车辆排产的初始排产方案,实现了对一种可行的排产方案的快速确定,通过根据变换策略对所述初始排产方案进行多次变换处理,实现了对除初始排产方案以外的可行的排产方案的有效搜索,通过根据排产信息从得到的多个变换后的排产方案中确定目标排产方案,实现了对初始排产方案与较好的排产方案之间存在的差距的有效缩小,从而实现了对相对较好的排产方案的快速确定,避免了相关技术中基于分支定界框架的商业求解器等精确式算法确定车辆排产的排产方案时,由于车辆排产方案的方案数量巨大,导致计算效率低下影响排产效率的问题,进而提高了车辆排序效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例一提供的一种计算机终端的示意图;
图2是根据本申请实施例一提供的车辆的排产方法的流程图;
图3是根据本申请实施例一提供的可选的车辆的排产方法的示意图;
图4是根据本申请实施例一提供的可选的执行变换策略的示意图;
图5是根据本申请实施例二提供的车辆的排产方法的流程图;
图6是根据本申请实施例三提供的车辆的排产装置的示意图;
图7是根据本申请实施例四提供的计算机终端的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
实施例1
根据本申请实施例,还提供了一种车辆的排产方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现车辆的排产方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端(或移动设备)10可以包括处理器集合102(处理器集合102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置、以及处理器集合102可以包括处理器集合,图1中采用102a,102b,……,102n来示出)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB,Universal Serial Bus)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的车辆的排产方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的车辆的排产方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
车辆加工主要由冲压、焊装、涂装、总装四大核心车间完成。各车间完成的工艺不同,因此各个车间所遵循的制造原则有所差异,也即各车间有不同的约束条件。在生产过程中,车辆的生产顺序需要尽可能满足各车间的约束条件以降低生产成本,从而使得车辆的生产顺序具有优劣之分。在本申请中,提出一种车辆的排产方法以用于提高车辆排产效率。
在上述技术背景下,本申请提供了如图2所示的车辆的排产方法。图2是根据本申请实施例一提供的车辆的排产方法的流程图。该方法包括:
步骤S201,获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,排产信息包括多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件。
可选的,可以通过应用系统、服务器、电子设备等装置执行本申请中的车辆的排产方法,在本实施例中,通过目标排产系统执行前述的车辆的排产方法。其中,待排产车辆为待安排生产顺序的车辆。
首先,对待排产车辆的车辆属性信息进行说明。待排产车辆的车辆属性信息包括但不限于车型属性、颜色属性和配置属性。此外,对于同一车辆而言,每种属性可以只包含一个数据,也可以包含多个数据,例如,颜色属性可以是“全车红色”,也可以是“车门绿色”以及“车身红色”等。
其次,对车辆排产的多个约束条件进行说明。可选的,车辆排产的约束条件与车间类型有关,例如,在焊装车间内,冲压成型的钣金件通过夹具固定其相对位置,通过电阻焊机焊接并组拼,随后得到完整的白车身。在该过程中,焊接不同车型时需要进行焊机或钣金件的切换,因此焊接车间所对应的其中一个约束条件可以是“要求焊接不同车型时焊机的切换总次数不超过某一给定次数”。又例如,在涂装车间,焊装好的白色车身需要进行磷化、电泳和烤炉等多项操作。当两辆相邻的车辆喷涂的颜色发生变化时,清洁喷嘴和管道的成本非常高,因此涂装车间所对应的其中一个约束条件可以是“在保证完成生产任务的前提下,尽量减少喷涂的换色次数”。此外,在车辆离开涂装车间进入总装车间前需要接受目视检查以避免颜色喷涂的瑕疵问题,而目视检查需要限制同一颜色的车辆数量不得超过给定值以防止检察员产生视觉疲劳,因此涂装车间所对应的另一个约束条件可以是“同一颜色车辆的连续生产数量不得超过给定值”。再例如,在总装车间内,混合装配线应用非常广泛,即在同一条装配线上可以混合连续地生产不同类型的车辆,由于每辆车辆都是不同配置的组合,在实际生产中很难达到每个配置的理想消耗量,因此总装过程的总体目标是平准化配置物流的消耗,总装车间所对应的其中一个约束条件可以是“避免连续生产超过N辆的高配置车辆”。其中,在应用过程中,各个约束条件均对应有具体的限定范围,且该限定范围可以是人工预先设置的,例如当约束条件为“避免连续生产超过5辆的高配置车辆”时,其所对应的限定范围为“小于等于5”。此外,同一车间可以同时对应有多种不同的约束条件。
在步骤S201中,目标排产系统可以获取用户根据实际生产需求所输入的排产信息,其中,目标排产系统内可以预设多个初始约束条件,多个约束条件可以是用户从多个初始约束条件中选择的。可选的,排产信息还可以包含已排产车辆的车辆属性信息,由于在生产过程中各车间的初始生产状态取决于先前的生产情况,因此,通过额外获取已排产车辆的车辆属性信息,便于在后续确定排产方案的优劣时,可以结合历史排产数据进行更合理的判断。
步骤S202,根据排产信息确定车辆排产的初始排产方案。
其中,在本实施例中,排产方案用于记录对多个待排产车辆所安排的生产顺序。可选的,目标排产系统内预设有随机、规则以及贪婪等多种算法,目标排产系统可以从预设的多种算法中随机选择一种算法,然后利用所选择的算法,根据排产信息生成至少一个排产方案,然后在只生成了一个排产方案的情况下将该排产方案直接作为初始排产方案,或者是,在生成了多个排产方案的情况下根据车辆的排产信息评价所生成的各个排产方案,从而根据评价结果从中筛选出初始排产方案。可选的,目标排产系统也可以并行执行多种算法,生成与多种算法对应的排产方案,从而根据排产信息从多个算法对应的排产方案中筛选出初始排产方案。可选的,目标排产系统还可以获取人工录入的初始排产方案,从而根据排产信息从自动生成的排产方案和人工录入的初始排产方案中筛选出初始排产方案。
步骤S203,根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案。
其中,由于车辆排产方案的方案数量巨大,因此,初始排产方案与较好的排产方案之间往往存在一定的差距,为了减小这种差距,在步骤S203中,目标排产系统可以根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,从而实现对可行的排产方案的有效搜索。其中,变换策略可以是人工预先设定的,例如,变换策略可以是“将排产方案中某一对相邻的车辆的顺序进行置换”、“将排产方案中某一颜色的车辆安排成连续生产”等。此外,在对可行的排产方案进行搜索的过程中,目标排产系统可以仅使用一种变换策略,也可以使用多种变换策略。
进一步地,目标排产系统可以根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,评价多个变换后的排产方案的优劣,从而从中选出相对较好的排产方案作为目标排产方案。
综上,在本方案中,通过根据排产信息确定车辆排产的初始排产方案,实现了对一种可行的排产方案的快速确定,通过根据变换策略对初始排产方案进行多次变换处理,实现了对除初始排产方案以外的可行的排产方案的有效搜索,通过根据排产信息从得到的多个变换后的排产方案中确定目标排产方案,实现了对初始排产方案与较好的排产方案之间存在的差距的有效缩小,从而实现了对相对较好的排产方案的快速确定,避免了相关技术中基于分支定界框架的商业求解器等精确式算法确定车辆排产的排产方案时,由于车辆排产方案的方案数量巨大,导致计算效率低下影响排产效率的问题,进而提高了车辆排序效率。
在一种可选的实施例中,可以通过迭代的方式不断搜索相对较好的排序方案。可选的,目标排序系统可以在从多个变换后的排产方案中确定目标排产方案之后,根据目标排产方案更新初始排产方案,得到更新后的初始排产方案,重复执行根据变换策略对更新后的初始排产方案进行多次变换处理的步骤,直至达到预设迭代条件,并将在达到预设迭代条件的情况下得到的目标排产方案确定为车辆排产结果。
可选的,在迭代过程中,目标排序系统可以先确定当前迭代轮次中的初始排产方案,然后根据变换策略对当前迭代轮次中的初始排产方案进行变换处理,并从当前迭代轮次得到的多个变换后的初始排产方案中筛选出当前迭代轮次的目标排产方案。
进一步地,在迭代过程中,目标系统可以根据当前迭代轮次的目标排产方案更新当前迭代轮次的初始排产方案,得到更新后的初始排产方案,从而将当前迭代轮次中的更新后的初始排产方案作为下一迭代轮次中的初始排产方案。
其中,当迭代轮次大于1时,目标排产方案可以将当前迭代轮次中的目标排产方案直接作为该迭代轮次中的更新后的初始排产方案,目标排产方案也可以在确定当前迭代轮次中的目标排产方案不符合预设的目标条件时,从之前迭代轮次中的排产方案中筛选出一个排产方案作为该迭代轮次中的更新后的初始排产方案。目标排产方案还可以在确定当前迭代轮次中的目标排产方案不符合预设的目标条件时,对该目标排产方案进行局部扰动等处理,以将处理后的目标排产方案作为该迭代轮次中的更新后的初始排产方案。
再进一步地,当达到预设迭代条件时,目标排产系统可以将在达到预设迭代条件的情况下得到的目标排产方案确定为最终的车辆排产结果。其中,前述的预设迭代条件可以是“迭代轮次达到一定次数”或者“进行迭代的时间达到一定时间长度”等。
需要说明的是,通过迭代的方式不断更新初始排产方案,并不断对更新后的初始排产方案进行变化处理,实现了对更多可行的排产方案的搜索,从而便于进一步地确定相对更好的排序方案,进而可以提高最终得到的目标排产方案的方案质量。
在一种可选的实施例中,当变换策略为多个时,目标排产系统可以在迭代轮次中顺次执行各个变换策略,并在通过某一变换策略得到的排产方案满足目标条件的情况下,提前终止对当前迭代轮次中剩余变换策略的执行。可选的,在根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案的过程中,目标排产系统可以在变换策略为多个的情况下,从多个变换策略中确定需要第一个执行的变换策略,得到第一变换策略,然后根据第一变换策略对初始排产方案进行多次变换处理,得到多个第一排产方案,接着根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个第一排产方案中筛选出第二排产方案,从而在第一目标值小于第二目标值的情况下,确定第二排产方案为目标排产方案,其中,第一目标值表征第二排产方案与多个约束条件之间的匹配程度,第二目标值表征初始排产方案与多个约束条件之间的匹配程度。
具体地,当变换策略为多个时,在迭代过程中,目标排产系统可以先确定第一个需要执行的变换策略,得到第一变换策略。其中,变换策略的执行顺序可以是根据变换策略的执行时间确定的,例如,先采用执行时间短的变换策略,变换策略的执行顺序也可以是根据变换策略的优先级确定的,其中,优先级可以是人工预先设置的,也可以是在迭代过程中根据变换策略的执行效果不断变换的。
进一步地,当得到了第一变换策略之后,目标排产系统可以根据第一变换策略对初始排产方案进行多次变换处理,得到多个第一排产方案,然后根据排产信息,从多个第一排产方案中筛选出第二排产方案。其中,第二排产方案可以是多个第一排产方案中较好的排产方案,例如,对多个第一排产方案按照优劣进行排序,第二排产方案可以是排序后的多个第一排产方案中排在前50%中的任意一个排产方案。
再进一步地,目标排产系统可以利用预设的计算方式,根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,确定前述的第一目标值和前述的第二目标值,从而在第一目标值小于第二目标值的情况下,确定第二排产方案满足前述的目标条件,确定第二排产方案为目标排产方案。其中,在本实施例中,当目标值(即前述的第一目标值或第二目标值)越低时,目标值所对应的排产方案(即前述的第二排产方案或初始排产方案)与多个约束条件之间的匹配程度越高,当目标值越高时,目标值所对应的排产方案与多个约束条件之间的匹配程度越低。且当确定了目标排产方案后,在当前迭代轮次中,目标排产系统可以放弃对其它变换策略的执行。
需要说明的是,通过在变换策略为多个的情况下顺次执行变换策略,并在确定了第一个符合目标条件的第二排产方案时直接将其作为目标排产方案,实现了在迭代初期快速提高排产方案的质量,避免了在每轮迭代中均执行所有变换策略导致的时间成本高的问题,从而能够有效提高车辆排产效率。
在一种可选的实施例中,在通过某一个变换策略得到的排产方案不满足目标条件的情况下,目标排产系统可以继续顺次执行剩余的变换策略,以搜索满足目标条件的排产方案。可选的,目标排产系统可以在从多个第一排产方案中筛选出第二排产方案之后,在第一目标值大于或等于第二目标值的情况下,从多个变换策略中确定下一个需要执行的变换策略,得到第二变换策略,然后重复执行根据第二变换策略对初始排产方案进行多次变换处理的步骤,直至第一目标值小于第二目标值,将第一目标值对应的第二排产方案确定为目标排产方案,或者,直至多个变换策略全部执行,根据得到的多个第二排产方案的第一目标值,从得到的多个第二排产方案中确定目标排产方案。其中,第二变换策略与第一变换策略不同。
具体地,当通过执行第一变换策略得到的第二排产方案的第一目标值大于或等于第二目标值时,确定第二排产方案与多个约束条件之间的匹配程度等于或劣于初始排产方案与多个约束条件之间的匹配程度,也即第二排产方案不满足前述的目标条件。因此,目标排产系统可以从多个变换策略中确定下一个需要执行的变换策略,得到第二变换策略,以继续搜索当前迭代轮次中满足目标条件的排产方案。
进一步地,目标排产系统可以利用第二变换策略对初始排产方案进行多次变换处理,得到第二变换策略所对应的多个第一排产方案,并从第二变换策略所对应的多个第一排产方案中选出第二变换策略对应的第二排产方案,然后将该第二排产方案的第一目标值与第二目标值进行比较。
再进一步地,若第二变换策略对应的第二排产方案的第一目标值仍大于或等于第二目标值,则目标排产系统可以从多个变换策略中确定再下一个需要执行的变换策略,以根据新确定的变换策略继续寻找当前迭代轮次中满足目标条件的排产方案,直至得到的第二排产方案的第一目标值小于第二目标值,将该第二排产方案确定为目标排产方案。
可选的,若多个变换策略全部执行完成后,仍未找到小于第二目标值的第一目标值,则目标排产系统可以从通过各个变换策略得到的第二排产方案中选出第一目标值较小的第二排产方案,并将第一目标值较小的第二排产方案确定为目标排产方案。
需要说明的是,通过在未寻找到符合目标条件的第二排产方案时,不断通过不同的变换策略对初始排产方案进行变换以搜索得到更多的排产方案,并从得到的排产方案中持续寻找符合目标条件的排产方案,实现了对目标排产方案的质量的保证。进一步地,通过在多个变换策略全部执行完成但仍未找到符合目标条件的排产方案的情况下,从中选出相对较好的排产方案,避免了将当前迭代轮次的初始排产方案仍作为下一迭代轮次的初始排产方案导致容易陷入局部最优的现象发生,从而以便于在下一迭代轮次中,能够搜索到更多的排产方案,进而便于寻找到相对更优的排产方案,提高排产效率。
在一种可选的实施例中,对从多个第一排产方案中筛选出第二排产方案的方法进行说明。可选的,目标排产系统可以根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,确定第一排产方案在不同约束条件下的损失值,然后根据第一排产方案在不同约束条件下的损失值,确定第一排产方案与多个约束条件之间的匹配程度,得到第四目标值,从而根据多个第一排产方案的第四目标值,从多个第一排产方案中确定第二排产方案。
可选的,对于约束条件,目标排产系统可以根据第一排产方案以及多个待排产车辆的车辆属性信息确定第一排产方案与该约束条件之间的匹配程度,进而确定第一排产方案在该约束条件下的损失值,例如,约束条件为“待排产车辆中红色车辆需要连续排列3台以上”,则当第一排产方案中的红色车辆均连续排列3台以上时,确定第一排产方案与该约束条件的匹配程度为较高程度,损失值为0,当第一排产方案中的存在部分红色车辆未连续排列3台以上时,确定第一排产方案与该约束条件的匹配程度变低,损失值变高,当第一排产方案中的所有红色车辆均未连续排列3台以上时,确定第一排产方案与该约束条件的匹配程度为较低程度,损失值更高。其中,损失值的计算方式可以是人工预先设定的,且可以根据实际应用的需求进行更改,故而在本实施例中不作具体限定。
更进一步地,目标排产系统可以根据第一排产方案在不同约束条件下的损失值确定第一排产方案与多个约束条件之间的匹配程度,得到第四目标值。其中,目标排产系统可以将各个损失值相加以得到第四目标值,目标排产系统也可以在获取车辆排产的多个约束条件时,同时获取各约束条件的权重,从而根据各约束条件的权重,对各个损失值进行加权求和的第四目标值。可选的,目标排产系统还可以在获取车辆排产的多个约束条件时,同时获取各约束条件的条件优先级以及权重,从而对同一条件优先级的约束条件所对应的损失值进行加权求和,得到与该条件优先级对应的子目标值,然后由不同条件优先级对应的子目标值构成第四目标值。其中,根据损失值计算得到第四目标值的方式同样可以是人工预先设定的,且其可以根据实际应用的需求进行更改,故而在本实施例中不作具体限定。
再进一步地,目标排产系统可以从多个第一排产方案中确定第四目标值较小的第一排产方案,从而将第四目标值较小的第一排产方案确定为第二排产方案。其中,当第四目标值由不同条件优先级对应的子目标值构成时,可以将较高条件优先级对应的子目标值之间的大小比对结果确定为第四目标值的大小比对结果,可选的,也可以基于其它比对方式确定大小比对结果。
需要说明的是,通过确定第一排产方案在不同约束条件下的损失值,进而根据损失值确定第一排产方案与多个约束条件之间的匹配程度,实现了对第一排产方案的优劣程度的有效量化,从而便于实现从各个第一排产方案中筛选出相对更好的排产方案(也即第二排产方案)。
在一种可选的实施例中,在迭代过程中,可以根据各个变换策略的执行效果不断调整各个变换策略的优先级,从而根据优先级确定在迭代轮次中优先执行的变换策略。可选的,目标执行系统可以在确定第二排产方案为目标排产方案之后,更新第一变换策略的优先级,从而当下一次从多个变换策略中确定需要第一个执行的变换策略时,根据多个变换策略中变换策略的优先级确定需要第一个执行的变换策略。
具体地,当将第一变换策略对应的第二排产方案确定为目标排产方案之后,可以确定第一变换策略有效执行,在此情况下,可以将第一变换策略的优先级更新为更高的优先级,反之,若第一变换策略对应的第二排产方案无法作为目标排产方案,则可以确定第一变换策略无效执行,在此情况下,可以保持第一变换策略的优先级不变。在其它实施例中,也可以降低第一变换策略的优先级。进一步地,在进行下一迭代轮次时,目标排产系统可以将多个变换策略中优先级相对更高的变换策略作为需要第一个执行的变换策略。其中,在第一轮迭代中,所有的变换策略对应于相同的初始优先级,此时,可以根据变换策略的执行时间从多个变换策略中确定需要第一个执行的变换策略,例如,优先采用执行时间更短变换策略,以便于用更短的时间找到优于初始排产方案的排产方案。
其中,在迭代过程中,将当前迭代轮次中的目标排产方案所对应的变换策略确定为需要更新优先级的变换策略。例如,当通过某一个变换策略对当前迭代轮次中的初始排产方案进行变换处理,进而寻找到前述的目标排产方案时,确定该变换策略为该目标排产方案所对应的变换策略。
需要说明的是,通过在迭代轮次中根据变换策略的执行效果对变换策略的优先级进行更新,便于实现对之后的迭代轮次中相对更有效的变换策略的有效确定,从而便于更快速寻找到相对更好的排序方案,进而提高排产效率。
在一种可选的实施例中,在迭代过程中,为了增加对排序方案探索的广度,可以基于类似模拟退火的接受策略,在迭代初期允许对一些相对较差的排序方案进行变换处理,以在较差的区域实现对相对更好的排序方案的搜索。可选的,若目标排产方案匹配的第一目标值小于第二目标值,则目标排产系统可以将目标排产方案确定为更新后的初始排产方案,若目标排产方案匹配的第一目标值大于或等于第二目标值,则根据迭代信息和/或目标排产方案匹配的第一目标值确定对目标排产方案的接受概率,从而根据接受概率从目标排产方案和迭代过程中的历史排产方案中筛选出更新后的初始排产方案,其中,迭代信息包括以下至少之一:已经迭代的次数、已经进行迭代的时间长度,接受概率表征将目标排产方案确定为更新后的初始排产方案的概率。
可选的,在迭代过程中,若当前迭代轮次的目标排产方案匹配的第一目标值小于当前迭代轮次的第二目标值,则确定当前迭代轮次的目标排产方案优于当前迭代轮次的初始排产方案,若当前迭代轮次的目标排产方案匹配的第一目标值大于或等于当前迭代轮次的第二目标值,则确定当前迭代轮次的目标排产方案劣于或等于当前迭代轮次的初始排产方案。在此情况下,可以根据迭代信息和/或目标排产方案匹配的第一目标值确定对目标排产方案的接受概率。
其中,接受概率可以是基于迭代信息确定的,例如,当已经迭代的次数越多时,接受概率越低,又例如,当已经进行迭代的时间越久时,接受概率越低。可选的,迭代信息还可以包括允许迭代的次数或者允许进行迭代的时间长度,从而可以根据已经迭代的次数和允许迭代的次数之间的比值确定接受概率,或者根据已经进行迭代的时间长度和允许进行迭代的时间长度之间的比值确定接受概率。可选的,接受概率也可以是基于当前迭代轮次中目标排产方案匹配的第一目标值和当前迭代轮次中初始排产方案的第二目标值确定的,例如,当目标排产方案匹配的第一目标值和初始排产方案的第二目标值之间的差值越大时,接受概率越低。可选的,接受概率还可以是结合迭代信息、目标排产方案匹配的第一目标值以及初始排产方案的第二目标值确定的。可选的,确定接受概率的具体方法可以根据实际需求所确定,故而在本方案中不作具体限定。
更进一步地,当确定了接受概率之后,目标排产系统可以根据接受概率确定是否接受目标排产方案,其中,当接受概率越大时,越有可能确定接受目标排产方案。从而在确定接受目标排产方案的情况下,将目标排产方案确定为更新后的初始排产方案,以作为下一轮迭代中的初始排产方案,反之,在确定不接受目标排产方案的情况下,从迭代过程中的历史排产方案中筛选出更新后的初始排产方案。其中,历史排产方案包括已进行的迭代轮次中的第二排产方案,还可以包括已进行的迭代轮次中的其它第一排产方案。可选的,在从迭代过程中的历史排产方案中筛选出更新后的初始排产方案时,目标排产系统可以将历史排产方案中相对较好的排产方案确定为更新后的初始排产方案。
需要说明的是,通过引入类似模拟退火的接受策略,在确定了目标排产方案之后,根据目标排产方案与初始排产方案之间的优劣关系以及迭代信息等信息,确定用于作为下一迭代轮次中的初始排产方案的排产方案,实现了增加对排产方案的探索广度,从而便于找到更优的排产方案。
在一种可选的实施例中,在确定了更新后的初始排产方案之后,可以对更新后的初始排产方案进行再次更新,以将再次更新后的初始排产方案作为下一迭代轮次的初始排产方案。可选的,目标排产方案可以统计迭代过程中第三目标值的变化趋势,然后在第三目标值的变化趋势符合预设变化趋势的情况下,对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案。其中,第三目标值表征更新后的初始排产方案与多个约束条件之间的匹配程度。
其中,目标排产系统可以对历史迭代轮次以及当前迭代轮次中的更新后的初始排产方案的第三目标值进行记录,并将各个迭代轮次中的更新后的初始排产方案的第三目标值进行比对,以确定迭代过程中第三目标值的变化趋势。
更进一步地,目标排产系统可以确定第三目标值的变化趋势是否符合预设变化趋势,从而在第三目标值的变化趋势符合预设变化趋势的情况下,确定需要对当前迭代轮次中的更新后的初始排产方案进行局部扰动处理,以得到再次更新后的初始排产方案。反之,若第三目标值的变化趋势不符合预设变化趋势的情况下,则可以直接将更新后的初始排产方案作为下一迭代轮次中的初始排产方案。其中,预设变化趋势可以是用于表征连续多个迭代轮次还未找到更小的第三目标值的变化趋势。
可选的,目标排产系统可以根据预设的局部扰动策略对当前迭代轮次中更新后的初始排产方案进行局部扰动处理。例如,将更新后的初始排产方案中的第N-M辆车的顺序进行打乱等,其中,N与M不同,且N和M为大于等于1的正整数。
需要说明的是,通过依据迭代过程中排产方案质量的变化情况,确定是否对更新后的初始排产方案进行局部扰动处理,可以在迭代中后期帮助跳出局部最优区域。
在一种可选的实施例中,当进行多次扰动处理后仍然找不到相对更优的排产方案时,可以将更新后的初始排产方案重置为历史排产方案。可选的,目标排产系统可以统计迭代过程中的扰动信息,然后在扰动信息满足预设扰动条件的情况下,对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案,在扰动信息不满足预设扰动条件的情况下,将迭代过程中的历史排产方案确定为再次更新后的初始排产方案。
可选的,目标排产系统可以在迭代轮次中统计截止到当前迭代轮次时的扰动信息,从而在第三目标值的变化趋势符合预设变化趋势,并且扰动信息满足预设扰动条件的情况下,对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案,反之,在扰动信息不满足预设扰动条件的情况下,将更新后的排产方案重置为历史排产方案,以作为再次更新后的初始排产方案。可选的,在重置过程中,可以将历史排产方案中相对较好的排产方案确定为再次更新后的初始排产方案。其中,前述的预设扰动条件可以是局部扰动处理的次数小于一定次数,也可以是连续局部扰动处理的次数小于一定次数等。预设扰动条件可以根据实际需求确定,故而在本方案中不作具体限定。
需要说明的是,通过在进行多次扰动处理后仍然找不到相对更优的排产方案时,将迭代过程中的历史排产方案确定为再次更新后的初始排产方案,避免了对排产方案的搜索区域的过度偏离,从而可以更进一步地提高寻找相对更优的排产方案的效率,进而提高车辆排产效率。
初始排产方案的质量对排产效率起着至关重要的作用,在一种可选的实施例中,对确定初始排产方案的过程进行说明。可选的,目标排产系统可以获取多个排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件确定排产方案在不同约束条件下的损失值,然后根据排产方案在不同约束条件下的损失值,确定排产方案与多个约束条件的匹配程度,得到第五目标值,从而根据排产方案在不同约束条件下的损失值,确定排产方案与多个约束条件的匹配程度,得到第五目标值,并根据多个排产方案的第五目标值,从多个排产方案中确定初始排产方案。
可选的,目标排产系统可以先获取多个排产方案,其中,多个排产方案可以是由目标排产系统内预设的至少一个算法根据排产信息生成的,也可以是人工预先录入的,还可以同时包含由算法生成的排产方案以及人工录入的排产方案。
其中,目标排产系统内可以根据实际需求预设随机、规则、贪婪等算法。可选的,当使用随机算法生成排产方案时,可以理解为是采用随机的方式生成排产方案,从而得到多个排产方案。当使用规则算法生成排产方案时,可以依照约束条件和车辆属性信息,生成多个满足至少一个约束条件的排产方案。当使用贪婪算法生成排产方案时,可以依照约束条件、车辆属性信息以及约束条件对应的权重、优先级等信息,依序确定排产方案中每一个序位的相对较好的车辆,从而得到排产方案。
进一步地,目标排产系统可以按照前述的确定第四目标值的方法,根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件确定排产方案在不同约束条件下的损失值,然后根据排产方案在不同约束条件下的损失值,确定排产方案与多个约束条件的匹配程度,得到第五目标值,故而此处不再赘述。此外,还可以按照前述的确定第四目标值的方法确定前述的第一目标值,故而一并不再赘述。
再进一步地,目标排产系统可以从获取的多个排产方案中,选出第五目标值较小的排产方案,从而将该排产方案确定为初始排产方案。
需要说明的是,通过确定所获取的排产方案在不同约束条件下的损失值,进而根据损失值确定所获取的排产方案与多个约束条件之间的匹配程度,实现了对所获取的排产方案的优劣程度的有效量化,从而便于实现从所获取的排产方案中筛选出更优的排产方案(也即初始排产方案)。进一步地,当初始排产方案更优时,在迭代过程中能够更加快速的找到相对更优的排产方案,从而能够更高效的实现对目标排产方案的确定,进而提高排产效率。
在一种可选的实施例中,对确定变换策略的方法进行说明。可选的,目标排产系统可以获取预设的多个初始变换策略,然后从多个任务变换策略中确定与约束条件匹配的任务变换策略,得到多个目标任务变换策略,从而将通用变换策略和目标任务变换策略确定为变换策略。其中,多个初始变换策略包括多个通用变换策略和多个任务变换策略,通用变换策略与所有约束条件相匹配。
可选的,对于车辆排产问题,其所对应的排产方案数量巨大,变换策略的选择会影响到对排产方案的探索效果。在本实施例中,用户可以预先在目标排产系统内设置多个初始变换策略,多个初始变换策略包括多个通用变换策略和多个任务变换策略,以便于适配在不同生产场景下的车辆排产需求。其中,通用变换策略与所有约束条件相匹配,也即通用变换策略可以适用于所有约束条件,例如,通用变换策略可以是“将排序方案中的第一辆车和最后一辆车进行置换”。任务变换策略与特定的约束条件相匹配,例如,任务变换策略可以是“将排序方案中的连续排列6个以上的高配置车辆拆分为不连续排列的车辆”,该任务变换策略对应的约束条件可以是“避免连续生产超过N辆的高配置车辆”。可选的,任务变换策略中可以融入贪婪算法,且通用变换策略和任务变换策略中还可以融合禁忌搜索思想。
进一步地,目标排产系统可以从多个任务变换策略中确定与约束条件匹配的任务变换策略,从而得到多个目标任务变换策略,进而可以将得到的目标任务变换策略和通用变换策略确定为需要使用的变换策略。
需要说明的是,通过将通用变换策略和与约束条件匹配的目标任务变换策略确定为需要使用的变换策略,一方面,通用变换策略可以在算法初期快速提高排产方案的质量,另一方面,目标任务变换策略可以在算法中后期引导算法按生产经验寻找更优的排产方案,从而有效提高最终确定的目标排产方案的质量。
在一种可选的实施例中,图3是根据本申请实施例一提供的可选的车辆的排产方法的示意图,如图3所示,对本申请中一种可选的车辆的排产方法进行说明。可选的,首先获取输入数据,输入数据即为前述的多个待排产车辆进行车辆排产所需要的排产信息,排产信息至少包括多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,还可以包括约束条件的权重、条件优先级信息,以及已排产车辆的车辆属性信息。之后,目标排产系统可以根据排产信息确定初始排产方案,然后通过至少一个变换策略对可行的排产方案进行搜索,并利用预设的评价策略,根据排产信息确定搜索得到的排产方案的目标值,以实现对搜索得到的排产方案的优劣的有效评价。进一步地,目标排产系统可以根据搜索得到的排产方案的目标值确定当前迭代轮次的目标排产方案,并在未达到预设迭代条件时,根据预设的更新策略确定根据当前迭代轮次的目标排产方案更新当前迭代轮次的初始排产方案的方法,从而得到更新后的初始排产方案。其中,在更新策略中可以引入类似模拟退火算法的接受策略,以增加对排序方案探索的广度。更进一步地,在确定了更新后的初始排产方案之后,目标排产系统可以依据迭代过程中排产方案质量的变化情况,确定是否对更新后的初始排产方案进行局部扰动处理,并在确认进行扰动处理的情况下,利用预设的扰动策略,根据扰动信息和预设扰动条件确定对更新后的排产方案进行扰动还是重置处理,从而得到再次更新后的初始排产方案,并将再次更新后的初始排产方案作为下一迭代轮次中的初始排产方案,以进行下一迭代轮次。反之,若确认无需进行扰动处理,则可以直接将更新后的初始排产方案作为下一迭代轮次中的初始排产方案。再进一步地,当达到预设迭代条件后,将在达到预设迭代条件的情况下得到的目标排产方案确定为车辆排产结果。
其中,如图3所示,在通过至少一个变换策略对可行的排产方案进行搜索以确定的目标排产方案时,可以在各个变化策略中融合禁忌搜索算法,以避免重复探索类似区域。进一步地,在执行变换策略的过程中还可以结合变邻域搜索算法的思想。图4是根据本申请实施例一提供的可选的执行变换策略的示意图,图4中所示出的变换策略的执行方法即为结合了变邻域搜索算法的思想的执行方法,如图4所示,在迭代轮次中,目标排产系统可以先选择出需要第一个执行的变换策略,然后对初始排产方案进行多次变换处理,得到多个变换后的排产方案,之后,目标排产系统可以确定多个变换后的排产方案中是否存在满足目标条件(即前述的目标值小于第二目标值)的排产方案,从而在确定存在满足目标条件的排产方案时,确定得到目标排产方案,并放弃在当前迭代轮次执行剩余的变换策略。反之,若多个变换后的排产方案中不存在满足目标条件的排产方案时,则从多个变换策略中确定下一个需要执行的变换策略,并继续对初始排产方案进行多次变换处理,直至找到满足目标条件的排产方案。进一步地,若多个变换策略全部执行后,仍未找到满足目标条件的排产方案,则可以从已生成的排产方案中确定一个相对较好的排产方案作为目标排产方案。
需要说明的是,在本申请中,通过融合多种(元)启发式算法和生产经验规则,在确定相对较好的排产方案的过程中,有效地避免了陷入局部最优,从而能够有效提高排产效率以及最终得到的目标排产方案的质量。可选的,本申请所提供的车辆的排产方法还可以应用于相关的智能决策产品内,以支持用户通过全球广域网Web(World Wide Web,Web)和应用程序编程接口(Application Programming Interface,API)调用,方便用户试用和系统集成。
由此可见,在本申请实施例一提供的车辆的排产方法中,采用获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,排产信息包括多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;根据排产信息确定车辆排产的初始排产方案;根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案,解决了相关技术中车辆排产效率低的技术问题。在本方案中,通过根据排产信息确定车辆排产的初始排产方案,实现了对一种可行的排产方案的快速确定,通过根据变换策略对初始排产方案进行多次变换处理,实现了对除初始排产方案以外的可行的排产方案的有效搜索,通过根据排产信息从得到的多个变换后的排产方案中确定目标排产方案,实现了对初始排产方案与较好的排产方案之间存在的差距的有效缩小,从而实现了对相对较好的排产方案的快速确定,避免了相关技术中基于分支定界框架的商业求解器等精确式算法确定车辆排产的排产方案时,由于车辆排产方案的方案数量巨大,导致计算效率低下影响排产效率的问题,进而提高了车辆排序效率。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例的方法。
实施例2
根据本申请实施例,还提供了一种车辆的排产方法,图5是根据本申请实施例二提供的车辆的排产方法的流程图,如图5所示,该方法包括:
步骤S501,获取客户端发送的对多个待排产车辆进行车辆排产所需要的排产信息,其中,排产信息包括多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;
步骤S502,在云服务器中根据排产信息确定车辆排产的初始排产方案;根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案;
步骤S503,将目标排产方案返回至客户端。
在云端服务器中,对车辆的排产方法与实施例一中的方法相同,在此不再赘述。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例的方法。
实施例3
根据本申请实施例,还提供了一种用于实施上述车辆的排产方法的车辆的排产装置,图6是根据本申请实施例三提供的车辆的排产装置的示意图,如图6所示,该装置包括:第一获取单元601,第一确定单元602和第二确定单元603。
第一获取单元601,用于获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,排产信息包括多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;
第一确定单元602,用于根据排产信息确定车辆排产的初始排产方案;
第二确定单元603,用于根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案。
在本申请实施例三提供的车辆的排产装置中,通过第一获取单元601获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,排产信息包括多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;第一确定单元602根据排产信息确定车辆排产的初始排产方案;第二确定单元603根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案,解决了相关技术中车辆排产效率低的技术问题。在本方案中,通过根据排产信息确定车辆排产的初始排产方案,实现了对一种可行的排产方案的快速确定,通过根据变换策略对初始排产方案进行多次变换处理,实现了对除初始排产方案以外的可行的排产方案的有效搜索,通过根据排产信息从得到的多个变换后的排产方案中确定目标排产方案,实现了对初始排产方案与较好的排产方案之间存在的差距的有效缩小,从而实现了对相对较好的排产方案的快速确定,避免了相关技术中基于分支定界框架的商业求解器等精确式算法确定车辆排产的排产方案时,由于车辆排产方案的方案数量巨大,导致计算效率低下影响排产效率的问题,进而提高了车辆排序效率。
可选地,在本申请实施例三提供的车辆的排产装置中,该装置还包括:第一执行单元,用于根据目标排产方案更新初始排产方案,得到更新后的初始排产方案,重复执行根据变换策略对更新后的初始排产方案进行多次变换处理的步骤,直至达到预设迭代条件,并将在达到预设迭代条件的情况下得到的目标排产方案确定为车辆排产结果。
可选地,在本申请实施例三提供的车辆的排产装置中,第二确定单元包括:第一确定子单元,用于在变换策略为多个的情况下,从多个变换策略中确定需要第一个执行的变换策略,得到第一变换策略;第一处理子单元,用于根据第一变换策略对初始排产方案进行多次变换处理,得到多个第一排产方案;第一筛选子单元,用于根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个第一排产方案中筛选出第二排产方案;第二确定子单元,用于在第一目标值小于第二目标值的情况下,确定第二排产方案为目标排产方案,其中,第一目标值表征第二排产方案与多个约束条件之间的匹配程度,第二目标值表征初始排产方案与多个约束条件之间的匹配程度。
可选地,在本申请实施例三提供的车辆的排产装置中,该装置还包括:第三确定单元,用于在第一目标值大于或等于第二目标值的情况下,从多个变换策略中确定下一个需要执行的变换策略,得到第二变换策略,其中,第二变换策略与第一变换策略不同;第二执行单元,用于重复执行根据第二变换策略对初始排产方案进行多次变换处理的步骤,直至第一目标值小于第二目标值,将第一目标值对应的第二排产方案确定为目标排产方案,或者,直至多个变换策略全部执行,根据得到的多个第二排产方案的第一目标值,从得到的多个第二排产方案中确定目标排产方案。
可选地,在本申请实施例三提供的车辆的排产装置中,该装置还包括:更新单元,用于更新第一变换策略的优先级;第四确定单元,用于当下一次从多个变换策略中确定需要第一个执行的变换策略时,根据多个变换策略中变换策略的优先级确定需要第一个执行的变换策略。
可选地,在本申请实施例三提供的车辆的排产装置中,第一执行单元包括:第三确定子单元,用于若目标排产方案匹配的第一目标值小于第二目标值,则将目标排产方案确定为更新后的初始排产方案;第四确定子单元,用于若目标排产方案匹配的第一目标值大于或等于第二目标值,则根据迭代信息和/或目标排产方案匹配的第一目标值确定对目标排产方案的接受概率,其中,迭代信息包括以下至少之一:已经迭代的次数、已经进行迭代的时间长度;第二筛选子单元,用于根据接受概率从目标排产方案和迭代过程中的历史排产方案中筛选出更新后的初始排产方案,其中,接受概率表征将目标排产方案确定为更新后的初始排产方案的概率。
可选地,在本申请实施例三提供的车辆的排产装置中,该装置还包括:统计单元,用于统计迭代过程中第三目标值的变化趋势,其中,第三目标值表征更新后的初始排产方案与多个约束条件之间的匹配程度;处理单元,用于在第三目标值的变化趋势符合预设变化趋势的情况下,对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案。
可选地,在本申请实施例三提供的车辆的排产装置中,处理单元还包括:统计子单元,用于统计迭代过程中的扰动信息,其中,扰动信息为以下之一:局部扰动处理的次数、连续局部扰动处理的次数;第二处理子单元,用于在扰动信息满足预设扰动条件的情况下,对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案;第五确定子单元,用于在扰动信息不满足预设扰动条件的情况下,将迭代过程中的历史排产方案确定为再次更新后的初始排产方案。
可选地,在本申请实施例三提供的车辆的排产装置中,第一筛选子单元包括:第一确定模块,用于根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,确定第一排产方案在不同约束条件下的损失值;第二确定模块,用于根据第一排产方案在不同约束条件下的损失值,确定第一排产方案与多个约束条件之间的匹配程度,得到第四目标值;第三确定模块,用于根据多个第一排产方案的第四目标值,从多个第一排产方案中确定第二排产方案。
可选地,在本申请实施例三提供的车辆的排产装置中,第一确定单元包括:获取子单元,用于获取多个排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件确定排产方案在不同约束条件下的损失值;第六确定子单元,用于根据排产方案在不同约束条件下的损失值,确定排产方案与多个约束条件的匹配程度,得到第五目标值;第七确定子单元,用于根据多个排产方案的第五目标值,从多个排产方案中确定初始排产方案。
可选地,在本申请实施例三提供的车辆的排产装置中,该装置还包括:第二获取单元,用于获取预设的多个初始变换策略,其中,多个初始变换策略包括多个通用变换策略和多个任务变换策略,通用变换策略与所有约束条件相匹配;第五确定单元,用于从多个任务变换策略中确定与约束条件匹配的任务变换策略,得到多个目标任务变换策略;第六确定单元,用于将通用变换策略和目标任务变换策略确定为变换策略。
此处需要说明的是,上述第一获取单元601,第一确定单元602和第二确定单元603对应于实施例1中的步骤S201至步骤S203,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在实施例一提供的计算机终端10中。
需要说明的是,本申请上述实施例中涉及到的优选实施方案与实施例1提供的方案以及应用场景、实施过程相同,但不仅限于实施例1所提供的方案。
实施例4
本申请的实施例可以提供一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行车辆的排产方法中以下步骤的程序代码:获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,排产信息包括多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;根据排产信息确定车辆排产的初始排产方案;根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案。
上述计算机终端还可以执行车辆的排产方法中以下步骤的程序代码:在从多个变换后的排产方案中确定目标排产方案之后,方法还包括:根据目标排产方案更新初始排产方案,得到更新后的初始排产方案,重复执行根据变换策略对更新后的初始排产方案进行多次变换处理的步骤,直至达到预设迭代条件,并将在达到预设迭代条件的情况下得到的目标排产方案确定为车辆排产结果。
上述计算机终端还可以执行车辆的排产方法中以下步骤的程序代码:根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案,包括:在变换策略为多个的情况下,从多个变换策略中确定需要第一个执行的变换策略,得到第一变换策略;根据第一变换策略对初始排产方案进行多次变换处理,得到多个第一排产方案;根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个第一排产方案中筛选出第二排产方案;在第一目标值小于第二目标值的情况下,确定第二排产方案为目标排产方案,其中,第一目标值表征第二排产方案与多个约束条件之间的匹配程度,第二目标值表征初始排产方案与多个约束条件之间的匹配程度。
上述计算机终端还可以执行车辆的排产方法中以下步骤的程序代码:在从多个第一排产方案中筛选出第二排产方案之后,方法还包括:在第一目标值大于或等于第二目标值的情况下,从多个变换策略中确定下一个需要执行的变换策略,得到第二变换策略,其中,第二变换策略与第一变换策略不同;重复执行根据第二变换策略对初始排产方案进行多次变换处理的步骤,直至第一目标值小于第二目标值,将第一目标值对应的第二排产方案确定为目标排产方案,或者,直至多个变换策略全部执行,根据得到的多个第二排产方案的第一目标值,从得到的多个第二排产方案中确定目标排产方案。
上述计算机终端还可以执行车辆的排产方法中以下步骤的程序代码:在确定第二排产方案为目标排产方案之后,方法还包括:更新第一变换策略的优先级;当下一次从多个变换策略中确定需要第一个执行的变换策略时,根据多个变换策略中变换策略的优先级确定需要第一个执行的变换策略。
上述计算机终端还可以执行车辆的排产方法中以下步骤的程序代码:根据目标排产方案更新初始排产方案,包括:若目标排产方案匹配的第一目标值小于第二目标值,则将目标排产方案确定为更新后的初始排产方案;若目标排产方案匹配的第一目标值大于或等于第二目标值,则根据迭代信息和/或目标排产方案匹配的第一目标值确定对目标排产方案的接受概率,其中,迭代信息包括以下至少之一:已经迭代的次数、已经进行迭代的时间长度;根据接受概率从目标排产方案和迭代过程中的历史排产方案中筛选出更新后的初始排产方案,其中,接受概率表征将目标排产方案确定为更新后的初始排产方案的概率。
上述计算机终端还可以执行车辆的排产方法中以下步骤的程序代码:在根据目标排产方案更新初始排产方案之后,方法还包括:统计迭代过程中第三目标值的变化趋势,其中,第三目标值表征更新后的初始排产方案与多个约束条件之间的匹配程度;在第三目标值的变化趋势符合预设变化趋势的情况下,对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案。
上述计算机终端还可以执行车辆的排产方法中以下步骤的程序代码:对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案,包括:统计迭代过程中的扰动信息,其中,扰动信息为以下之一:局部扰动处理的次数、连续局部扰动处理的次数;在扰动信息满足预设扰动条件的情况下,对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案;在扰动信息不满足预设扰动条件的情况下,将迭代过程中的历史排产方案确定为再次更新后的初始排产方案。
上述计算机终端还可以执行车辆的排产方法中以下步骤的程序代码:根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个第一排产方案中筛选出第二排产方案,包括:根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,确定第一排产方案在不同约束条件下的损失值;根据第一排产方案在不同约束条件下的损失值,确定第一排产方案与多个约束条件之间的匹配程度,得到第四目标值;根据多个第一排产方案的第四目标值,从多个第一排产方案中确定第二排产方案。
上述计算机终端还可以执行车辆的排产方法中以下步骤的程序代码:根据排产信息确定车辆排产的初始排产方案,包括:获取多个排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件确定排产方案在不同约束条件下的损失值;根据排产方案在不同约束条件下的损失值,确定排产方案与多个约束条件的匹配程度,得到第五目标值;根据多个排产方案的第五目标值,从多个排产方案中确定初始排产方案。
上述计算机终端还可以执行车辆的排产方法中以下步骤的程序代码:变换策略通过以下方式筛选得到:获取预设的多个初始变换策略,其中,多个初始变换策略包括多个通用变换策略和多个任务变换策略,通用变换策略与所有约束条件相匹配;从多个任务变换策略中确定与约束条件匹配的任务变换策略,得到多个目标任务变换策略;将通用变换策略和目标任务变换策略确定为变换策略。
可选地,图7是根据本申请实施例四提供的计算机终端的示意图。如图7所示,该计算机终端10可以包括:一个或多个(图中仅示出一个)处理器102、存储器104。该计算机终端10还可以包括存储控制器,通过存储控制器对存储器104进行控制和管理;该计算机终端10还可以包括外设接口,通过外设接口连接射频模块、音频模块以及显示屏等。
其中,存储器可用于存储软件程序以及模块,如本申请实施例中的车辆的排产方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的车辆的排产方法。存储器可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,排产信息包括多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;根据排产信息确定车辆排产的初始排产方案;根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案。
可选的,上述处理器还可以执行如下步骤的程序代码:在从多个变换后的排产方案中确定目标排产方案之后,方法还包括:根据目标排产方案更新初始排产方案,得到更新后的初始排产方案,重复执行根据变换策略对更新后的初始排产方案进行多次变换处理的步骤,直至达到预设迭代条件,并将在达到预设迭代条件的情况下得到的目标排产方案确定为车辆排产结果。
可选的,上述处理器还可以执行如下步骤的程序代码:根据变换策略对初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个变换后的排产方案中确定目标排产方案,包括:在变换策略为多个的情况下,从多个变换策略中确定需要第一个执行的变换策略,得到第一变换策略;根据第一变换策略对初始排产方案进行多次变换处理,得到多个第一排产方案;根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个第一排产方案中筛选出第二排产方案;在第一目标值小于第二目标值的情况下,确定第二排产方案为目标排产方案,其中,第一目标值表征第二排产方案与多个约束条件之间的匹配程度,第二目标值表征初始排产方案与多个约束条件之间的匹配程度。
可选的,上述处理器还可以执行如下步骤的程序代码:在从多个第一排产方案中筛选出第二排产方案之后,方法还包括:在第一目标值大于或等于第二目标值的情况下,从多个变换策略中确定下一个需要执行的变换策略,得到第二变换策略,其中,第二变换策略与第一变换策略不同;重复执行根据第二变换策略对初始排产方案进行多次变换处理的步骤,直至第一目标值小于第二目标值,将第一目标值对应的第二排产方案确定为目标排产方案,或者,直至多个变换策略全部执行,根据得到的多个第二排产方案的第一目标值,从得到的多个第二排产方案中确定目标排产方案。
可选的,上述处理器还可以执行如下步骤的程序代码:在确定第二排产方案为目标排产方案之后,方法还包括:更新第一变换策略的优先级;当下一次从多个变换策略中确定需要第一个执行的变换策略时,根据多个变换策略中变换策略的优先级确定需要第一个执行的变换策略。
可选的,上述处理器还可以执行如下步骤的程序代码:根据目标排产方案更新初始排产方案,包括:若目标排产方案匹配的第一目标值小于第二目标值,则将目标排产方案确定为更新后的初始排产方案;若目标排产方案匹配的第一目标值大于或等于第二目标值,则根据迭代信息和/或目标排产方案匹配的第一目标值确定对目标排产方案的接受概率,其中,迭代信息包括以下至少之一:已经迭代的次数、已经进行迭代的时间长度;根据接受概率从目标排产方案和迭代过程中的历史排产方案中筛选出更新后的初始排产方案,其中,接受概率表征将目标排产方案确定为更新后的初始排产方案的概率。
可选的,上述处理器还可以执行如下步骤的程序代码:在根据目标排产方案更新初始排产方案之后,方法还包括:统计迭代过程中第三目标值的变化趋势,其中,第三目标值表征更新后的初始排产方案与多个约束条件之间的匹配程度;在第三目标值的变化趋势符合预设变化趋势的情况下,对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案。
可选的,上述处理器还可以执行如下步骤的程序代码:对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案,包括:统计迭代过程中的扰动信息,其中,扰动信息为以下之一:局部扰动处理的次数、连续局部扰动处理的次数;在扰动信息满足预设扰动条件的情况下,对更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案;在扰动信息不满足预设扰动条件的情况下,将迭代过程中的历史排产方案确定为再次更新后的初始排产方案。
可选的,上述处理器还可以执行如下步骤的程序代码:根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从多个第一排产方案中筛选出第二排产方案,包括:根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,确定第一排产方案在不同约束条件下的损失值;根据第一排产方案在不同约束条件下的损失值,确定第一排产方案与多个约束条件之间的匹配程度,得到第四目标值;根据多个第一排产方案的第四目标值,从多个第一排产方案中确定第二排产方案。
可选的,上述处理器还可以执行如下步骤的程序代码:根据排产信息确定车辆排产的初始排产方案,包括:获取多个排产方案,并根据多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件确定排产方案在不同约束条件下的损失值;根据排产方案在不同约束条件下的损失值,确定排产方案与多个约束条件的匹配程度,得到第五目标值;根据多个排产方案的第五目标值,从多个排产方案中确定初始排产方案。
可选的,上述处理器还可以执行如下步骤的程序代码:变换策略通过以下方式筛选得到:获取预设的多个初始变换策略,其中,多个初始变换策略包括多个通用变换策略和多个任务变换策略,通用变换策略与所有约束条件相匹配;从多个任务变换策略中确定与约束条件匹配的任务变换策略,得到多个目标任务变换策略;将通用变换策略和目标任务变换策略确定为变换策略。
本领域普通技术人员可以理解,图7所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(MobileInternetDevices,MID)、PAD等终端设备。图7其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图7中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图7所示不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(RandomAccess Memory,RAM)、磁盘或光盘等。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种车辆的排产方法,其特征在于,包括:
获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,所述排产信息包括所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;
根据所述排产信息确定车辆排产的初始排产方案;
根据变换策略对所述初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个变换后的排产方案中确定目标排产方案。
2.根据权利要求1所述的方法,其特征在于,在从所述多个变换后的排产方案中确定目标排产方案之后,所述方法还包括:
根据所述目标排产方案更新所述初始排产方案,得到更新后的初始排产方案,重复执行根据所述变换策略对所述更新后的初始排产方案进行多次变换处理的步骤,直至达到预设迭代条件,并将在达到所述预设迭代条件的情况下得到的目标排产方案确定为车辆排产结果。
3.根据权利要求2所述的方法,其特征在于,根据变换策略对所述初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个变换后的排产方案中确定目标排产方案,包括:
在所述变换策略为多个的情况下,从多个变换策略中确定需要第一个执行的变换策略,得到第一变换策略;
根据所述第一变换策略对所述初始排产方案进行多次变换处理,得到多个第一排产方案;
根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个第一排产方案中筛选出第二排产方案;
在第一目标值小于第二目标值的情况下,确定所述第二排产方案为所述目标排产方案,其中,所述第一目标值表征所述第二排产方案与所述多个约束条件之间的匹配程度,所述第二目标值表征所述初始排产方案与所述多个约束条件之间的匹配程度。
4.根据权利要求3所述的方法,其特征在于,在从所述多个第一排产方案中筛选出第二排产方案之后,所述方法还包括:
在所述第一目标值大于或等于所述第二目标值的情况下,从所述多个变换策略中确定下一个需要执行的变换策略,得到第二变换策略,其中,所述第二变换策略与所述第一变换策略不同;
重复执行根据所述第二变换策略对所述初始排产方案进行多次变换处理的步骤,直至所述第一目标值小于所述第二目标值,将所述第一目标值对应的第二排产方案确定为所述目标排产方案,或者,
直至所述多个变换策略全部执行,根据得到的多个第二排产方案的第一目标值,从所述得到的多个第二排产方案中确定所述目标排产方案。
5.根据权利要求3所述的方法,其特征在于,在确定所述第二排产方案为所述目标排产方案之后,所述方法还包括:
更新所述第一变换策略的优先级;
当下一次从所述多个变换策略中确定需要第一个执行的变换策略时,根据所述多个变换策略中变换策略的优先级确定需要第一个执行的变换策略。
6.根据权利要求4所述的方法,其特征在于,根据所述目标排产方案更新所述初始排产方案,包括:
若所述目标排产方案匹配的第一目标值小于所述第二目标值,则将所述目标排产方案确定为所述更新后的初始排产方案;
若所述目标排产方案匹配的第一目标值大于或等于所述第二目标值,则根据迭代信息和/或所述目标排产方案匹配的第一目标值确定对所述目标排产方案的接受概率,其中,所述迭代信息包括以下至少之一:已经迭代的次数、已经进行迭代的时间长度;
根据所述接受概率从所述目标排产方案和迭代过程中的历史排产方案中筛选出所述更新后的初始排产方案,其中,所述接受概率表征将所述目标排产方案确定为所述更新后的初始排产方案的概率。
7.根据权利要求6所述的方法,其特征在于,在根据所述目标排产方案更新所述初始排产方案之后,所述方法还包括:
统计迭代过程中第三目标值的变化趋势,其中,所述第三目标值表征所述更新后的初始排产方案与所述多个约束条件之间的匹配程度;
在所述第三目标值的变化趋势符合预设变化趋势的情况下,对所述更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案。
8.根据权利要求7所述的方法,其特征在于,对所述更新后的初始排产方案进行局部扰动处理,得到再次更新后的初始排产方案,包括:
统计迭代过程中的扰动信息,其中,所述扰动信息为以下之一:局部扰动处理的次数、连续局部扰动处理的次数;
在所述扰动信息满足预设扰动条件的情况下,对所述更新后的初始排产方案进行局部扰动处理,得到所述再次更新后的初始排产方案;
在所述扰动信息不满足所述预设扰动条件的情况下,将迭代过程中的历史排产方案确定为再次更新后的初始排产方案。
9.根据权利要求3所述的方法,其特征在于,根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个第一排产方案中筛选出第二排产方案,包括:
根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,确定所述第一排产方案在不同约束条件下的损失值;
根据所述第一排产方案在不同约束条件下的损失值,确定所述第一排产方案与所述多个约束条件之间的匹配程度,得到第四目标值;
根据所述多个第一排产方案的第四目标值,从所述多个第一排产方案中确定所述第二排产方案。
10.根据权利要求1至9中任一项所述的方法,其特征在于,根据所述排产信息确定车辆排产的初始排产方案,包括:
获取多个排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件确定所述排产方案在不同约束条件下的损失值;
根据所述排产方案在不同约束条件下的损失值,确定所述排产方案与所述多个约束条件的匹配程度,得到第五目标值;
根据所述多个排产方案的第五目标值,从所述多个排产方案中确定所述初始排产方案。
11.根据权利要求1至9中任一项所述的方法,其特征在于,所述变换策略通过以下方式筛选得到:
获取预设的多个初始变换策略,其中,所述多个初始变换策略包括多个通用变换策略和多个任务变换策略,所述通用变换策略与所有约束条件相匹配;
从所述多个任务变换策略中确定与所述约束条件匹配的任务变换策略,得到多个目标任务变换策略;
将所述通用变换策略和所述目标任务变换策略确定为所述变换策略。
12.一种车辆的排产方法,其特征在于,包括:
获取客户端发送的对多个待排产车辆进行车辆排产所需要的排产信息,其中,所述排产信息包括所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;
在云服务器中根据所述排产信息确定车辆排产的初始排产方案;根据变换策略对所述初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个变换后的排产方案中确定目标排产方案;
将所述目标排产方案返回至所述客户端。
13.一种车辆的排产装置,其特征在于,包括:
第一获取单元,用于获取对多个待排产车辆进行车辆排产所需要的排产信息,其中,所述排产信息包括所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件;
第一确定单元,用于根据所述排产信息确定车辆排产的初始排产方案;
第二确定单元,用于根据变换策略对所述初始排产方案进行多次变换处理,得到多个变换后的排产方案,并根据所述多个待排产车辆的车辆属性信息以及车辆排产的多个约束条件,从所述多个变换后的排产方案中确定目标排产方案。
14.一种电子设备,其特征在于,包括:
存储器,存储有可执行程序;
处理器,用于运行所述程序,其中,所述程序运行时执行权利要求1至11中任意一项所述的车辆的排产方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310438513.XA CN116611633A (zh) | 2023-04-18 | 2023-04-18 | 车辆的排产方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310438513.XA CN116611633A (zh) | 2023-04-18 | 2023-04-18 | 车辆的排产方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116611633A true CN116611633A (zh) | 2023-08-18 |
Family
ID=87677185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310438513.XA Pending CN116611633A (zh) | 2023-04-18 | 2023-04-18 | 车辆的排产方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116611633A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608257A (zh) * | 2024-01-23 | 2024-02-27 | 江苏中天互联科技有限公司 | 线缆排产方案的生成方法及电子设备 |
-
2023
- 2023-04-18 CN CN202310438513.XA patent/CN116611633A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117608257A (zh) * | 2024-01-23 | 2024-02-27 | 江苏中天互联科技有限公司 | 线缆排产方案的生成方法及电子设备 |
CN117608257B (zh) * | 2024-01-23 | 2024-05-28 | 江苏中天互联科技有限公司 | 线缆排产方案的生成方法及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Belo-Filho et al. | An adaptive large neighbourhood search for the operational integrated production and distribution problem of perishable products | |
Cesaret et al. | A tabu search algorithm for order acceptance and scheduling | |
CN107563843A (zh) | 汽车零配件的询报价方法及系统 | |
Khettabi et al. | Sustainable reconfigurable manufacturing system design using adapted multi-objective evolutionary-based approaches | |
Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
CN109492873A (zh) | 整车生产线的日排产方法、装置及智能终端 | |
CN116611633A (zh) | 车辆的排产方法、装置及电子设备 | |
Al-Ali et al. | Design sprints for roadmapping an agile digital transformation | |
KR102402782B1 (ko) | 가격책정 엔진 | |
Taghipour et al. | Coordination of operations planning in supply chains: a review | |
Shao et al. | A multi-neighborhood-based multi-objective memetic algorithm for the energy-efficient distributed flexible flow shop scheduling problem | |
Jia et al. | Q-learning driven multi-population memetic algorithm for distributed three-stage assembly hybrid flow shop scheduling with flexible preventive maintenance | |
CN111652493A (zh) | 一种基于acm平台的多项目协同管理系统 | |
CN109447428B (zh) | 整车生产线序排产的确定方法、装置及智能终端 | |
CN109086936B (zh) | 一种智能车间的生产系统资源配置方法、装置及设备 | |
Makui et al. | A hybrid intuitionistic fuzzy multi-criteria group decision making approach for supplier selection | |
Laili et al. | Concurrent local search for process planning and scheduling in the industrial Internet-of-Things environment | |
CN111353794A (zh) | 数据处理的方法、供应链调度的方法和装置 | |
CN111079974B (zh) | 一种信息处理方法、电子设备和计算机存储介质 | |
Yang et al. | A collaborative resequencing approach enabled by multi-core PREA for a multi-stage automotive flow shop | |
CN109543848A (zh) | 一种维修人员的风险控制方法及装置 | |
CN114637582A (zh) | 处理计算任务的方法及系统 | |
Fujita | Deep Reinforcement Learning Approach for Maintenance Planning in a Flow-Shop Scheduling Problem | |
CN110866675B (zh) | 一种产品设计平台设计流程管控方法及装置 | |
CN115858502B (zh) | 基于大数据分析的设备管理方法及装置 |
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 |