CN116663861B - 装配式构件生产鲁棒性和资源均衡结合的调度优化方法 - Google Patents

装配式构件生产鲁棒性和资源均衡结合的调度优化方法 Download PDF

Info

Publication number
CN116663861B
CN116663861B CN202310927346.5A CN202310927346A CN116663861B CN 116663861 B CN116663861 B CN 116663861B CN 202310927346 A CN202310927346 A CN 202310927346A CN 116663861 B CN116663861 B CN 116663861B
Authority
CN
China
Prior art keywords
production
component
resource
layer
matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310927346.5A
Other languages
English (en)
Other versions
CN116663861A (zh
Inventor
周思宇
史快乐
吴仙俣
琚川徽
王华彬
李学俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Green Industry Innovation Research Institute of Anhui University
Original Assignee
Green Industry Innovation Research Institute of Anhui University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Green Industry Innovation Research Institute of Anhui University filed Critical Green Industry Innovation Research Institute of Anhui University
Priority to CN202310927346.5A priority Critical patent/CN116663861B/zh
Publication of CN116663861A publication Critical patent/CN116663861A/zh
Application granted granted Critical
Publication of CN116663861B publication Critical patent/CN116663861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • G06Q10/06—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
    • 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
    • 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
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种装配式构件生产鲁棒性和资源均衡结合的调度优化方法，基于遗传算法，考虑生产过程中的逻辑约束和资源约束，构建以鲁棒性值和资源均衡为双优化目标的生产调度数学模型，从而合理安排装配式建筑构件的生产顺序和资源配置，并基于层次分析法的基础上，选出满足工期要求且抗干扰能力（抵抗环境等不确定因素）强和资源波动指数小的调度方案。本发明在成批构件生产调度过程中，解决了双优化目标之间相互约束的矛盾，保证资源需求量的稳定，充分利用企业的生产能力，达到提高生产效率、降本增效的目的。

Description

装配式构件生产鲁棒性和资源均衡结合的调度优化方法
技术领域
本发明涉及装配式建筑技术领域，具体是一种装配式构件生产鲁棒性和资源均衡结合的调度优化方法。
背景技术
装配式建筑施工是将建筑业所需的各类建筑预制构件提前在工厂内加工，再将其运至施工现场，再将其拼装在一起，从而达到施工的目的。与传统的施工现场现浇结构建筑相比，它拥有工业化，规模化，速度快、成本低等优势，是国家发展绿色建筑产业化的一个重要方向。
在装配式建筑中，预制构件的生产制造是最核心的部分，它的智能制造水平在持续提升，这也是装配式建筑发展中所需要的，而且，随着我国对装配式建筑的大力发展，构件的种类和数量呈井喷式增长，对构件的需求量也在不断地增加。然而，当前装配式建筑预制构件的生产仍面临着许多瓶颈问题，如生产标准化程度低、生产数字化信息化程度低、生产资源利用率低等，难以实现规模化和智能化。
时至今日，关于排产相关的软件以及解决方法已经出现了很多，但是这些解决方法中，大部分都是从整体上来对生产车间资源进行掌控，对生产流程进行分析，并对车间生产状况进行监控，但是并未考虑到生产过程中的干扰因素，以及复杂环境下的多目标优化问题。不确定因素干扰可能会导致一些活动比计划时间延迟了一些，并影响关键任务的执行，整个项目由于不可控因素导致完工时间推迟，并且造成资源消耗超出计划的成本。构件调度过程中，生产环境的不确定性，资源的波动情况，多个优化目标相互矛盾，这些问题都为构件资源调度、智能调度及智能化技术方案设计等带来很大难度。
发明内容
本发明要解决的技术问题是提供一种装配式构件生产鲁棒性和资源均衡结合的调度优化方法，以资源均衡和鲁棒性值最小为双目标，从而合理安排预制构件的生产顺序和资源配置，得到满足工期要求且抗干扰能力（抵抗环境等不确定因素）强和资源波动指数小的调度方案。
本发明的技术方案为：
装配式构件生产鲁棒性和资源均衡结合的调度优化方法，具体包括以下步骤：
（1）、获取企业原始生产数据集并进行处理，从而构建得到生产调度数据集；
（2）、对生产调度数据集中的构件信息、生产线信息、构件可选择生产模式信息进行编码，构建个体，多个个体构建得到初始种群；
（3）、基于生产过程中的逻辑约束和资源约束，对初始种群的每个个体进行解码，获得生产调度方案的集合；
（4）、构建生产调度数学模型，用来评价生产调度方案，生产调度数学模型的优化目标为生产成批构件的最小鲁棒性值和最小化项目资源消耗量波动；
（5）、采用遗传算法对初始种群进行迭代优化，得到满足优化目标的最优解集；
（6）、基于层次分析法，构建层次分析法数学模型，从最优解集中选出最优的生产调度方案。
所述的生产调度数据集的构建方法具体包括有以下步骤：
S11、获取企业原始生产数据集；
S12、通过指标的一致化处理，解决企业原始生产数据集中数据之间不同性质的问题；
S13、通过指标的无量纲化处理，解决企业原始生产数据集中数据之间可比性的问题；
S14、通过步骤S12和S13，将企业原始生产数据集转化为标准化的生产调度数据集。
所述的构建得到初始种群的具体步骤为：
S21、采用三层编码方式对生产调度数据集中的构件信息、生产线信息、构件可选择生产模式信息进行编码，即定义个体染色体；三层编码中的第一层编码表示构件生产顺序，第二层编码表示构件对应的生产线，第三层编码表示构件对应的生产模式；
S22、针对第一层，基于生产调度数据集，获取全部的构件信息，采用随机数技术，生成一个随机的构件生产顺序；
S23、针对第二层，基于生产调度数据集和第一层，获取每个构件的可分配生产线集合，采用随机数技术，为每个构件随机分配一条生产线；
S24、针对第三层，基于生产调度数据集和第一层，获取每个构件的可选择生产模式，采用随机数技术，为每个构件随机分配一种生产模式；
S25、将随机生成的构件生产顺序、随机分配的生产线和随机分配的生产模式组合形成一个个体，然后重复步骤S22-S24，构建得到多个个体，多个个体构建得到初始种群。
所述的逻辑约束和资源约束的表达式为：
;
式（1）-（5）中，表示构件i其k道工序的开始时间, />表示构件j其k道工序的开始时间，/>表示构件i其k道工序的处理时间，/>表示构件i其 k+1道工序的开始时间，/>表示l生产线上构件j的所有紧前构件集合；/>表示构件i第1道工序的开始时间，/>表示构件i第6道工序的开始时间，/>表示构件i第6道工序的处理时间；/>表示t时刻，每条生产线上，构件i其k道工序占用的资源量/>不大于k道工序允许的最大资源总量/>；/> 表示l生产线上的构件i其k道工序占用的资源量；L和l分别表示生产线集合和某一条具体生产线；k表示某个构件的某一道工序；MT和mt分别表示模具的类型集合和某一种具体的模具；R和r分别表示资源集合和某一种具体的资源；PC和pc分别表示构件的集合和某一种具体的构件；T表示成批构件在一个生产周期内的生产时间。
所述的对初始种群的每个个体进行解码的具体过程为：
S31、基于逻辑约束，针对个体染色体的三层编码，遍历个体染色体第一层编码确定构件生产顺序对应的每一个构件；
S32、针对S31确定的一个构件，基于个体染色体第二层编码确定该构件所在的生产线，基于个体染色体第三层编码确定该构件的生产模式，根据该构件的生产线和生产模式，从生产调度数据集确定该构件的工序属性，即该构件生产的工序时间和资源需求量；
S33、针对S32确定的构件工序属性后，基于逻辑约束和资源约束，确定该构件每道工序的开始时间和结束时间；
S34、重复S32和S33，按照生产顺序遍历全部构件，确定全部工序的开始时间和结束时间，完成一个个体染色体的解码过程；
S35、针对一个初始种群，遍历其中的每个个体染色体，重复步骤S31-S34，完成初始种群每个个体的解码过程。
所述的生产调度数学模型的优化目标为式（6）和式（7）：
;
式（6）中，表示最小鲁棒性值，/>表示k道工序的紧后工序个数，/>表示构件j其k道工序的资源占用比例，/>表示资源r约束下k道工序的自由时差；
式（7）中，表示最小化项目资源消耗量波动，即一个生产周期内，项目资源消耗量波动最小；/>表示k道工序所需资源的相对重要程度，即资源均衡的权重系数；表示在t时刻，正在执行的k道工序的集合，所需要的资源相对需求量；/>为调整系数；表示在t时刻，正在执行的k道工序的集合，所需要资源的总需求量；/>表示一个生产周期内，k道工序的集合，所需要资源的最大需求量；/>表示一个生产周期内，k道工序集合所需资源相对需求量的单位时间平均值；T表示成批构件在一个生产周期内的生产时间。
所述的采用遗传算法对初始种群进行迭代优化的具体步骤为：
S51、设置种群参数：种群规模、个体交叉概率、个体变异概率、最大迭代次数和优化目标，并根据优化目标设置对应的适应度函数；
S52、将初始种群作为第一代父代种群；
S53、对第一代父代种群进行选择、交叉、变异操作，获得第一代子代种群；
S54、将第一代父代种群和第一代子代种群进行合并，对合并种群进行快速非支配排序和Pareto层个体拥挤度计算，然后根据种群规模从排序后的Pareto层中选择排序在前的个体组合成下一代父代种群；
S55、重复执行步骤S53和S54，使种群不断迭代优化，直至达到最大迭代次数，迭代过程结束，得到Pareto层的最优解集。
所述的选择是根据适应度函数，从父代种群中进行个体的选择，具有高适应度值的个体被选择的概率更大；所述的交叉是交换两个个体部分染色体片段的操作；所述的变异操作是将一个个体染色体C1基因位置的基因值V1改变成该个体基因值范围内的基因值V2，同时基因值V2原有基因位置C2处的基因值被改变成基因值V1。
所述的层次分析法数学模型如下：
;
公式（8）-（14）中，为一致性程度，RI为随机一致性指标，CI为一致性指标，为判断矩阵的最大特征根，n为判断矩阵的维度，A为原始判断矩阵，/>为判断矩阵标准化后的权重，/>为判断矩阵乘以其标准化后的权重后，按行累加的结果，/>为判断矩阵的每列进行标准化的结果；/>为判断矩阵对应的参考矩阵的元素值，/>为判断矩阵中第x行第z列的元素，/>是判断矩阵中第z行第y列的元素，z=1，2，…，n；/>为判断矩阵中第x行第y列的元素，即判断矩阵中的任一元素；/>为参考矩阵中的偏离程度，/>为偏移距离。
所述的从最优解集中选出最优的生产调度方案的具体步骤为：
S61、构建三层层次结构，第一层表示总目标层，第二层表示细分目标层，第三层表示方案层；
S62、构建判断矩阵：针对三层层次结构，采用Santy的1-9标度法，比较每一层每一种因素的权重大小，得到一个正反矩阵，判断各因素重要程度的定量化结果，写成矩阵形式，构建得到判断矩阵；
S63、对判断矩阵进行一致性检验，判断构建的判断矩阵是否存在逻辑问题；一致性检验方法是：当一致性程度 < 0.1时，认为通过一致性检验，否则没有通过；
S64、当判断矩阵通过一致性检验，则计算判断矩阵标准化后的权重，得到权重矩阵；当判断矩阵没有通过一致性检验，即存在元素之间的权重关系出现矛盾，调整判断矩阵为一致性矩阵后，再计算权重，得到权重矩阵；
其中，调整判断矩阵为一致性矩阵的步骤为：a、求出判断矩阵中对应参考矩阵中的/>，然后求出其偏离程度/>；b、当满足/>< 1且/>=9、或者/>> 1且/>=1/9，则无需计算偏离距离/>，否则就需要计算偏离距离/>；c、找出最大的偏移距离/>，在Santy的1-9标度法中找出最接近/>的值替换/>；d、求出调整后判断矩阵的最大特征根/>，并求出/>，当调整后的判断矩阵还是不通过一致性检验，重复步骤a-c，直至调整后的判断矩阵通过一致性检验；
S65、根据权重矩阵计算得分，并进行排序，选出最优方案。
本发明的优点：
本发明基于遗传算法，考虑装配式构件生产过程中的逻辑约束和资源约束，构建以鲁棒性值和资源均衡为双优化目标的生产调度数学模型，从而合理安排装配式构件的生产顺序和资源配置，并基于AHP层次分析法的基础上，选出满足工期要求且抗干扰能力（抵抗环境等不确定因素）强和资源波动指数小的调度方案。本发明考虑到装配式构件生产过程中的干扰因素，资源的波动情况，以及复杂环境下的目标优化问题。本发明在保证不影响关键任务执行的同时，保证生产的连续性，使整个装配式构件生产项目在可控范围时间内完工。本发明在成批构件的生产调度过程中，解决了双优化目标之间相互约束的矛盾，保证资源需求量的稳定，充分利用企业的生产能力，达到提高生产效率，降本增效的目的。
附图说明
图1是本发明的流程图。
图2是本发明实施例中反映鲁棒性指标的生产调度甘特图。
图3是本发明遗传算法进行迭代优化的流程图。
图4是本发明实施例中父代种群中个体交叉操作的示意图。
图5是本发明实施例中父代种群中个体变异操作的示意图。
图6是本发明实施例中快速非支配排序的分层结果图。
图7是本发明实施例中的个体拥挤度距离示意图。
图8是本发明实施例中的层次分析法构建的三层层次结构图。
图9是本发明实施例中的IGD适应度变化曲线图。
图10是本发明实施例中生产周期内装配式构件的生产调度甘特图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
见图1， 装配式构件生产鲁棒性和资源均衡结合的调度优化方法，具体包括以下步骤：
（1）、获取企业原始生产数据集并进行处理，从而构建得到生产调度数据集；
（2）、对生产调度数据集中的构件信息、生产线信息、构件可选择生产模式信息进行编码，构建个体，多个个体构建得到初始种群；
（3）、基于生产过程中的逻辑约束和资源约束，对初始种群的每个个体进行解码，获得生产调度方案的集合；
（4）、构建生产调度数学模型，用来评价生产调度方案，生产调度数学模型的优化目标为生产成批构件的最小鲁棒性值和最小化项目资源消耗量波动；
（5）、采用遗传算法对初始种群进行迭代优化，得到满足优化目标的最优解集；
（6）、基于层次分析法（AHP方法），构建层次分析法数学模型，从最优解集中选出最优的生产调度方案。
步骤（1）中，生产调度数据集的构建方法具体包括有以下步骤：
S11、获取企业原始生产数据集；
S12、通过指标的一致化处理，解决企业原始生产数据集中数据之间不同性质的问题；
S13、通过指标的无量纲化处理，解决企业原始生产数据集中数据之间可比性的问题；
S14、通过步骤S12和S13，将企业原始生产数据集转化为标准化的生产调度数据集。
步骤（2）中，构建得到初始种群的具体步骤为：
S21、采用三层编码方式对生产调度数据集中的构件信息、生产线信息、构件可选择生产模式信息进行编码，即定义个体染色体；见下表1，三层编码中的第一层编码表示构件生产顺序，第二层编码表示构件对应的生产线，第三层编码表示构件对应的生产模式；
表1 三层基因编码图
第三层的1 - 2 - 2 - 1 代表了上层构件所处的生产模式；通过该三层基因编码，可以确定一批准备生产的构件的生产顺序，同时确定构件对应的生产线信息和生产模式信息，从而确定构件的生产属性，即；生产线1#的构件生产顺序为PC_1_0 > PC_3_0，生产线2#的生产顺序为PC_2_0 > PC_2_1；
S22、针对第一层，基于生产调度数据集，获取全部的构件信息，采用随机数技术，生成一个随机的构件生产顺序；如表1所示的第一层的PC_1_0 > PC_2_0 > PC_3_0 > PC_2_1表示构件生产的优先级顺序；
S23、针对第二层，基于生产调度数据集和第一层，获取每个构件的可分配生产线集合，采用随机数技术，为每个构件随机分配一条生产线；如表1所示的第二层的1# - 2# -1# - 2# 代表了上层构件所处的生产线顺序；
S24、针对第三层，基于生产调度数据集和第一层，获取每个构件的可选择生产模式，采用随机数技术，为每个构件随机分配一种生产模式；如表1所示的第三层的1 - 2 - 2- 1 代表了上层构件所处的生产模式；
S25、将随机生成的构件生产顺序、随机分配的生产线和随机分配的生产模式组合形成一个个体，然后重复步骤S22-S24，构建得到多个个体，多个个体构建得到初始种群。
步骤（3）中，逻辑约束和资源约束的表达式为：
;
式（1）-（5）中，表示构件i其k道工序的开始时间, />表示构件j其k道工序的开始时间，/>表示构件i其k道工序的处理时间，/>表示构件i其 k+1道工序的开始时间，/>表示l生产线上构件j的所有紧前构件集合；/>表示构件i第1道工序的开始时间，/>表示构件i第6道工序的开始时间，/>表示构件i第6道工序的处理时间；/>表示t时刻，每条生产线上，构件i其k道工序占用的资源量/>不大于k道工序允许的最大资源总量/>；/> 表示l生产线上的构件i其k道工序占用的资源量；L和l分别表示生产线集合和某一条具体生产线；k表示某个构件的某一道工序；MT和mt分别表示模具的类型集合和某一种具体的模具；R和r分别表示资源集合和某一种具体的资源；PC和pc分别表示构件的集合和某一种具体的构件；T表示成批构件在一个生产周期内的生产时间；
公式（1）为生产线上工位生产机器约束，表示构件所有的紧前构件集合，只有当所有的紧前构件i完成/>道工序后，/>构件的/>道工序才可以进行；表示任意一个生产线的某一个工位生产机器只能同时处理一个构件的一道工序，只有前一个构件的工序处理完后才可以继续下一个构件的工序处理；
公式（2）为构件的工序紧前逻辑关系约束，表示同一构件的不同道工序之间的紧前紧后约束关系，构件当前一道工序开始的前提条件是其紧前工序已经全部结束，即任意一个构件的道工序的开始时间不早于构件/>道工序的结束时间；
公式（3）为模具数量约束，表示不同生产线上的模具数量是有限的，当所有模具均被占用时，只有当最先进行拆模构件工序的构件释放模具后，下一构件方可以进行模具安装构件工序；
公式（4）为资源有限约束，生产线共享的资源包括人工，而不同构件工序需要的人工资源不同，包含钢筋工、混凝土工、模具工等工种，工种资源是有限的，同一时刻各个生产线占用某一资源的数量不能超过该资源的上限；
公式（5）表示构件、工序、生产线和生产时间的非负及非空约束。
其中，初始种群的每个个体进行解码的具体过程为：
S31、基于逻辑约束，针对个体染色体的三层编码，遍历个体染色体第一层编码确定构件生产顺序对应的每一个构件；
S32、针对S31确定的一个构件，基于个体染色体第二层编码确定该构件所在的生产线，基于个体染色体第三层编码确定该构件的生产模式，根据该构件的生产线和生产模式，从生产调度数据集确定该构件的工序属性，即该构件生产的工序时间和资源需求量；
S33、针对S32确定的构件工序属性后，基于逻辑约束和资源约束，确定该构件每道工序的开始时间和结束时间；
S34、重复S32和S33，按照生产顺序遍历全部构件，确定全部工序的开始时间和结束时间，完成一个个体染色体的解码过程；
S35、针对一个初始种群，遍历其中的每个个体染色体，重复步骤S31-S34，完成初始种群每个个体的解码过程。
解码过程需要考虑构件生产过程中的逻辑约束和资源约束。见表2所示，根据生产周期内构件订单生产参数表，确定需要生产的构件集为：PC_1_0、PC_2_0、PC_3_0、PC_2_1，并且包含构件的详细生产信息；该构件生产的资源约束共考虑2种资源，一种资源是模具资源，另一种资源是工人资源，其中模具资源有两个类别，类别一是模具A，类别二是模具B，模具A和B的数量各一个，工人资源有三个类别，类别一是工人A、类别二是工人B、类别三是工人C，工人数量各1个、2个和1个。
表2
步骤（4）中，生产调度数学模型的优化目标为式（6）和式（7）：
;
式（6）中，表示最小鲁棒性值，基于时差效用函数设计鲁棒性指标，即用工序的不稳定性权重乘以工序的自由时差来表示，/>表示k道工序的紧后工序个数，表示构件j其k道工序的资源占用比例，/>表示资源r约束下k道工序的自由时差；
见图2，具体通过以下方法得到：k道工序作为紧前工序结束后，判断哪些工序可以开始执行，统计这些工序的数量，得到/>，例如构件pc_2_0的第一道工序结束后，紧后工序个数为2，即可以开始该构件的第二道工序，也可以开始pc_3_0的第一道工序；/>具体通过以下方法得到：k道工序占用的各类资源与各类资源占用比例的累加和，例如k道工序需要一个模具M，一个工人W，而模具有3个，工人有6个，则资源占用比例为1/3+1/6 =0.5；工序的不稳定性权重即为/>；/>具体通过以下方法得到：计算k道工序的结束时间与紧后工序的开始时间之差，例如k道工序紧后工序的开始时间与k道工序的结束时间相同，则自由时差为0；
式（7）中，表示最小化项目资源消耗量波动，即一个生产周期内，项目资源消耗量波动最小，用资源相对需求量与其平均值的方差表示/>；表示k道工序所需资源的相对重要程度，即资源均衡的权重系数；/>表示在t时刻，正在执行的k道工序的集合，所需要的资源相对需求量；/>为调整系数；/>表示在t时刻，正在执行的k道工序的集合，所需要资源的总需求量；/>表示一个生产周期内，k道工序的集合，所需要资源的最大需求量；/>表示一个生产周期内，k道工序集合所需资源相对需求量的单位时间平均值；T表示成批构件在一个生产周期内的生产时间。
见图3，采用遗传算法对初始种群进行迭代优化的具体步骤为：
S51、设置种群参数：种群规模PopSize、个体交叉概率IDVc、个体变异概率IDVm、最大迭代次数Max_Itertions和优化目标，并根据优化目标设置对应的适应度函数；
S52、将初始种群作为第一代父代种群；
S53、对第一代父代种群进行选择、交叉、变异操作，获得第一代子代种群；
S54、将第一代父代种群和第一代子代种群进行合并，对合并种群进行快速非支配排序和Pareto层个体拥挤度计算，然后根据种群规模从排序后的Pareto层中选择排序在前的个体组合成下一代父代种群；
S55、重复执行步骤S53和S54，使种群不断迭代优化（gen+1），直至达到最大迭代次数Max_Itertions，迭代过程结束，得到Pareto层的最优解集。
选择操作是根据适应度函数，从父代种群中进行个体的选择，具有高适应度值的个体被选择的概率更大，即按照种群的快速非支配排序和个体拥挤度计算后，对个体按照优劣程度进行排序，选择数量为PopSize大小的个体数量，组成新的种群；
见图4，交叉操作以个体交叉概率IDVc判断是否进行交叉操作，交叉操作是交换两个个体部分染色体片段的操作，且仅交换第一层的构件生产顺序；具体操作方式为：先在个体1父代上进行等位基因部分片段的交换，基因值相等即保留，不相等即发生交换；然后在个体2父代上进行余下基因片段的非等位交换，基因值相等则即保留，不相等即发生交换；
见图5，变异操作以个体变异概率IDVm判断是否进行变异操作，且仅改变第一层的构件生产顺序；具体操作方式为：将一个个体染色体C1基因位置的基因值V1（PC_3_0）改变成该个体基因值范围内的基因值V2（PC_1_0），同时基因值V2（PC_1_0）原有基因位置C2处的基因值被改变成基因值V1（PC_3_0）。
快速非支配排序结果示意图如图6所示：Pareto 快速非支配排序的具体过程为：第一步：首先找出当前种群中，Pareto最优前沿面的个体，第一Pareto层的非支配最优解；第二步：将第一Pareto层的非支配最优解从种群中移出，在剩余个体中重复选出Pareto最优前沿面的个体，即第二Pareto层的非支配最优解；第三步：重复第二步，直至当前种群所有个体都被判断，即所有个体都被分层。
个体拥挤度距离示意图如图7所示：一个个体的拥挤度距离通过计算与此个体同Pareto层且相邻的两个个体在每个子目标（图7中的横、纵坐标）上的曼哈顿距离之和来求取。
遗传算法的结束条件为是否达到最大迭代次数Max_Itertions。当达到最大迭代次数后，得到的Pareto最优前沿面即为最优解集，最后得到的子代种群也是遗传算法最终求得的最优种群，Pareto最优前沿面包含大量最优的生产调度方案，如图6所示，即为种群个体快速非支配排序的分层结果。
步骤（6）中，层次分析法数学模型如下：
;
公式（8）-（14）中，为一致性程度，RI为随机一致性指标，CI为一致性指标，为判断矩阵的最大特征根，n为判断矩阵的维度，A为原始判断矩阵，/>为判断矩阵标准化后的权重，/>为判断矩阵乘以其标准化后的权重后，按行累加的结果，/>为判断矩阵的每列进行标准化的结果，/>为判断矩阵对应的参考矩阵的元素值，/>为判断矩阵中第x行第z列的元素，/>是判断矩阵中第z行第y列的元素，z=1，2，…，n；/>为判断矩阵中第x行第y列的元素，即判断矩阵中的任一元素/>；为参考矩阵中的偏离程度，/>为偏移距离。
步骤（6）中，从最优解集中选出最优的生产调度方案的具体步骤为：
S61、构建三层层次结构，第一层表示总目标层，第二层表示细分目标层，第三层表示方案层；
S62、构建判断矩阵：针对三层层次结构，采用Santy的1-9标度法，比较每一层每一种因素的权重大小，得到一个正反矩阵，判断各因素重要程度的定量化结果，写成矩阵形式，构建得到判断矩阵；
S63、对判断矩阵进行一致性检验，判断构建的判断矩阵是否存在逻辑问题；一致性检验方法是：当一致性程度< 0.1时，认为通过一致性检验，否则没有通过；
S64、当判断矩阵通过一致性检验，则计算判断矩阵标准化后的权重，得到权重矩阵；当判断矩阵没有通过一致性检验，即存在元素之间的权重关系出现矛盾，调整判断矩阵为一致性矩阵后，再计算权重，得到权重矩阵；
其中，调整判断矩阵为一致性矩阵的步骤为：a、求出判断矩阵中对应参考矩阵中的/>，然后求出其偏离程度/>；b、当满足/>< 1且/>=9、或者/>> 1且/>=1/9，则无需计算偏离距离/>，否则就需要计算偏离距离/>；c、找出最大的偏移距离/>，在Santy的1-9标度法中找出最接近/>的值替换/>；d、求出调整后判断矩阵的最大特征根/>，并求出/>，当调整后的判断矩阵还是不通过一致性检验，重复步骤a-c，直至调整后的判断矩阵通过一致性检验；
S65、根据权重矩阵计算得分，并进行排序，选出最优方案。
实施例
为了说明本发明生产调度数学模型的可行性，以一个混合流水车间为例，模拟数据进行实验分析，实验所需要的数据采用表3模拟生成。遗传算法的最大迭代次数为200，种群规模取50，个体交叉概率取0.8，个体变异概率取0.05。以鲁棒性值最小和资源波动最小为优化目标进行研究，优化目标采用IGD值作为遗传算法综合性能的评价指标。基于AHP层次分析法从最优解集中选出最优的生产调度方案。
表3实验数据
基于实验数据构建初始种群的个体，基于遗传算法对初始种群的个体进行迭代优化，求解Pareto最优前沿面，即生产调度的近似最优解。
IGD表示真实 Pareto最优前沿面上的点到算法获取的个体集合之间的最小欧式距离的平均值，用于评价算法的收敛性能和分布性能。IGD值越小，算法的综合性能越好。并采用拟合曲线，更加直观的展示IGD的变化趋势，拟合曲线的公式为 F= a×np.exp(-b ×E) + c，其中E为种群的迭代次数，F为拟合后的IGD指标，根据不同的模拟实验数据，a、b和c的常量值不定，本次模拟实验数据中a=0.60163178、b=0.07165228、c=0.37835093。
基于表3的实验数据，拟合的IGD适应度变化曲线如图9所示。由图9可以看出，遗传算法对求解装配式构件的生产调度问题，具有较好的收敛性能和分布性能。
基于遗传算法求解Pareto最优前沿面后，获得一定数量的生产调度的近似最优解，基于AHP法，对近似最优解集排序。AHP法三层层次结构如图8所示，第一层表示总目标层，第二层表示细分目标层，第三层表示方案层。
设定资源波动目标的重要性更高，采用经典的Santy的1-9标度法，设置鲁棒性值为1，设置资源波动值为4，模拟构建判断矩阵如下表4所示：
表4 判断矩阵
根据判断矩阵，构建AHP层次分析结果输出，AHP层次分析结果如下表5所示：
表5 AHP层次分析结果
根据AHP层次分析结果，构建一致性检验结果输出，一致性检验结果如下表7所示；
随机一致性指标RI的值通过查表可知，Satty模拟1000次得到的随机—致性指标RI的分布图，如表6所示。由表6可知，维度n为2 的判断矩阵，其RI取值为0。
表 6
在判断矩阵的维度为1或者2时，不需要判断一致性检验是否通过，维度为 1或者2时，一致性检验的结果一定是通过的。
表7一致性检验结果
由上述一致性检验结果可知，的取值小于0.1，一致性检验的结果为通过，所以层次分析法结果有效。
综上所述：在生产调度数学模型构建、遗传算法设计和AHP层次分析法的基础上，通过对某装配式住宅项目实例进行计算和分析，验证了本发明对于解决装配式建筑构件生产调度问题的有效性。根据不同的生产需求，以个体的鲁棒性和资源波动为双优化目标，确定成批构件的生产调度方案，其简化版本的甘特图展示结果如图10所示。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.装配式构件生产鲁棒性和资源均衡结合的调度优化方法，其特征在于：具体包括以下步骤：
（1）、获取企业原始生产数据集并进行处理，从而构建得到生产调度数据集；
（2）、对生产调度数据集中的构件信息、生产线信息、构件可选择生产模式信息进行编码，构建个体，多个个体构建得到初始种群；
（3）、基于生产过程中的逻辑约束和资源约束，对初始种群的每个个体进行解码，获得生产调度方案的集合；
所述的逻辑约束和资源约束的表达式为：
;
式（1）-（5）中，表示构件/>其/>道工序的开始时间, />表示构件/>其/>道工序的开始时间，/>表示构件/>其/>道工序的处理时间，/>表示构件/>其/>道工序的开始时间，/>表示l生产线上构件/>的所有紧前构件集合；/>表示构件/>第1道工序的开始时间，/>表示构件/>第6道工序的开始时间，/>表示构件/>第6道工序的处理时间；表示/>时刻，每条生产线上，构件/>其/>道工序占用的资源量/>不大于/>道工序允许的最大资源总量/>；/> 表示l生产线上的构件/>其/>道工序占用的资源量；/>和/>分别表示生产线集合和某一条具体生产线；/>表示某个构件的某一道工序；/>和/>分别表示模具的类型集合和某一种具体的模具； />和/>分别表示构件的集合和某一种具体的构件；/>表示成批构件在一个生产周期内的生产时间；
（4）、构建生产调度数学模型，用来评价生产调度方案，生产调度数学模型的优化目标为生产成批构件的最小鲁棒性值和最小化项目资源消耗量波动；
所述的生产调度数学模型的优化目标为式（6）和式（7）：
;
式（6）中，表示最小鲁棒性值，/>表示/>道工序的紧后工序个数，/>表示构件/>其/>道工序的资源占用比例，/>表示资源/>约束下/>道工序的自由时差；
式（7）中，表示最小化项目资源消耗量波动，即一个生产周期内，项目资源消耗量波动最小；/>表示/>道工序所需资源的相对重要程度，即资源均衡的权重系数；/>表示在/>时刻，正在执行的/>道工序的集合所需要的资源相对需求量；/>为调整系数；/>表示在/>时刻，正在执行的/>道工序的集合所需要资源的总需求量；/>表示一个生产周期内，/>道工序的集合所需要资源的最大需求量；/>表示一个生产周期内，/>道工序集合所需资源相对需求量的单位时间平均值；/>表示成批构件在一个生产周期内的生产时间；
（5）、采用遗传算法对初始种群进行迭代优化，得到满足优化目标的最优解集；
（6）、基于层次分析法，构建层次分析法数学模型，从最优解集中选出最优的生产调度方案。
2.根据权利要求1所述的装配式构件生产鲁棒性和资源均衡结合的调度优化方法，其特征在于：所述的生产调度数据集的构建方法具体包括有以下步骤：
S11、获取企业原始生产数据集；
S12、通过指标的一致化处理，解决企业原始生产数据集中数据之间不同性质的问题；
S13、通过指标的无量纲化处理，解决企业原始生产数据集中数据之间可比性的问题；
S14、通过步骤S12和S13，将企业原始生产数据集转化为标准化的生产调度数据集。
3.根据权利要求1所述的装配式构件生产鲁棒性和资源均衡结合的调度优化方法，其特征在于：所述的构建得到初始种群的具体步骤为：
S21、采用三层编码方式对生产调度数据集中的构件信息、生产线信息、构件可选择生产模式信息进行编码，即定义个体染色体；三层编码中的第一层编码表示构件生产顺序，第二层编码表示构件对应的生产线，第三层编码表示构件对应的生产模式；
S22、针对第一层，基于生产调度数据集，获取全部的构件信息，采用随机数技术，生成一个随机的构件生产顺序；
S23、针对第二层，基于生产调度数据集和第一层，获取每个构件的可分配生产线集合，采用随机数技术，为每个构件随机分配一条生产线；
S24、针对第三层，基于生产调度数据集和第一层，获取每个构件的可选择生产模式，采用随机数技术，为每个构件随机分配一种生产模式；
S25、将随机生成的构件生产顺序、随机分配的生产线和随机分配的生产模式组合形成一个个体，然后重复步骤S22-S24，构建得到多个个体，多个个体构建得到初始种群。
4.根据权利要求3所述的装配式构件生产鲁棒性和资源均衡结合的调度优化方法，其特征在于：所述的对初始种群的每个个体进行解码的具体过程为：
S31、基于逻辑约束，针对个体染色体的三层编码，遍历个体染色体第一层编码确定构件生产顺序对应的每一个构件；
S32、针对S31确定的一个构件，基于个体染色体第二层编码确定该构件所在的生产线，基于个体染色体第三层编码确定该构件的生产模式，根据该构件的生产线和生产模式，从生产调度数据集确定该构件的工序属性，即该构件生产的工序时间和资源需求量；
S33、针对S32确定的构件工序属性后，基于逻辑约束和资源约束，确定该构件每道工序的开始时间和结束时间；
S34、重复S32和S33，按照生产顺序遍历全部构件，确定全部工序的开始时间和结束时间，完成一个个体染色体的解码过程；
S35、针对一个初始种群，遍历其中的每个个体染色体，重复步骤S31-S34，完成初始种群每个个体的解码过程。
5.根据权利要求1所述的装配式构件生产鲁棒性和资源均衡结合的调度优化方法，其特征在于：所述的采用遗传算法对初始种群进行迭代优化的具体步骤为：
S51、设置种群参数：种群规模、个体交叉概率、个体变异概率、最大迭代次数和优化目标，并根据优化目标设置对应的适应度函数；
S52、将初始种群作为第一代父代种群；
S53、对第一代父代种群进行选择、交叉、变异操作，获得第一代子代种群；
S54、将第一代父代种群和第一代子代种群进行合并，对合并种群进行快速非支配排序和Pareto层个体拥挤度计算，然后根据种群规模从排序后的Pareto层中选择排序在前的个体组合成下一代父代种群；
S55、重复执行步骤S53和S54，使种群不断迭代优化，直至达到最大迭代次数，迭代过程结束，得到Pareto层的最优解集。
6.根据权利要求5所述的装配式构件生产鲁棒性和资源均衡结合的调度优化方法，其特征在于：所述的选择是根据适应度函数，从父代种群中进行个体的选择，具有高适应度值的个体被选择的概率更大；所述的交叉是交换两个个体部分染色体片段的操作；所述的变异操作是将一个个体染色体基因位置的基因值/>改变成该个体基因值范围内的基因值，同时基因值/>原有基因位置/>处的基因值被改变成基因值/>。
7.根据权利要求1所述的装配式构件生产鲁棒性和资源均衡结合的调度优化方法，其特征在于：所述的层次分析法数学模型如下：
;
公式（8）-（14）中，为一致性程度，/>为随机一致性指标，/>为一致性指标，/>为判断矩阵的最大特征根，/>为判断矩阵的维度，/>为原始判断矩阵，/>为判断矩阵标准化后的权重，/>为判断矩阵乘以其标准化后的权重后，按行累加的结果，/>为判断矩阵的每列进行标准化的结果；/>为判断矩阵对应的参考矩阵的元素值，/>为判断矩阵中第/>行第/>列的元素，/>是判断矩阵中第/>行第/>列的元素，z=1，2，…，n；/>为判断矩阵中第/>行第/>列的元素，即判断矩阵中的任一元素；/>为参考矩阵中的偏离程度，/>为偏移距离。
8.根据权利要求7所述的装配式构件生产鲁棒性和资源均衡结合的调度优化方法，其特征在于：所述的从最优解集中选出最优的生产调度方案的具体步骤为：
S61、构建三层层次结构，第一层表示总目标层，第二层表示细分目标层，第三层表示方案层；
S62、构建判断矩阵：针对三层层次结构，采用Santy的1-9标度法，比较每一层每一种因素的权重大小，得到一个正反矩阵，判断各因素重要程度的定量化结果，写成矩阵形式，构建得到判断矩阵；
S63、对判断矩阵进行一致性检验，判断构建的判断矩阵是否存在逻辑问题；一致性检验方法是：当一致性程度时，认为通过一致性检验，否则没有通过；
S64、当判断矩阵通过一致性检验，则计算判断矩阵标准化后的权重，得到权重矩阵；当判断矩阵没有通过一致性检验，即存在元素之间的权重关系出现矛盾，调整判断矩阵为一致性矩阵后，再计算权重，得到权重矩阵；
其中，调整判断矩阵为一致性矩阵的步骤为：a、求出判断矩阵中对应参考矩阵中的，然后求出其偏离程度/>；b、当满足/>< 1且/>=9、或者/>> 1且/>=1/9，则无需计算偏离距离/>，否则就需要计算偏离距离/>；c、找出最大的偏移距离/>，在Santy的1-9标度法中找出最接近/>的值替换/>；d、求出调整后判断矩阵的最大特征根，并求出/>，当调整后的判断矩阵还是不通过一致性检验，重复步骤a-c，直至调整后的判断矩阵通过一致性检验；
S65、根据权重矩阵计算得分，并进行排序，选出最优方案。
CN202310927346.5A 2023-07-27 2023-07-27 装配式构件生产鲁棒性和资源均衡结合的调度优化方法 Active CN116663861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310927346.5A CN116663861B (zh) 2023-07-27 2023-07-27 装配式构件生产鲁棒性和资源均衡结合的调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310927346.5A CN116663861B (zh) 2023-07-27 2023-07-27 装配式构件生产鲁棒性和资源均衡结合的调度优化方法

Publications (2)

Publication Number Publication Date
CN116663861A CN116663861A (zh) 2023-08-29
CN116663861B true CN116663861B (zh) 2023-10-13

Family

ID=87722714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310927346.5A Active CN116663861B (zh) 2023-07-27 2023-07-27 装配式构件生产鲁棒性和资源均衡结合的调度优化方法

Country Status (1)

Country Link
CN (1) CN116663861B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105929690A (zh) * 2016-04-29 2016-09-07 南京信息工程大学 一种基于分解多目标进化算法的柔性车间鲁棒调度方法
CN110070305A (zh) * 2019-05-05 2019-07-30 中国人民解放军国防科技大学 一种资源转移视角下的双目标鲁棒资源分配方法
CN111667191A (zh) * 2020-06-11 2020-09-15 湖南大学 资源专享和转移视角下双目标鲁棒资源分配方法和系统
CN112308472A (zh) * 2020-12-31 2021-02-02 成都飞机工业（集团）有限责任公司 一种基于工序时差松弛的鲁棒调度方法
CN113139710A (zh) * 2021-01-05 2021-07-20 中国电子科技集团公司第二十九研究所 一种基于遗传算法的多资源并行任务高级计划排程方法
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
CN113988396A (zh) * 2021-10-21 2022-01-28 天津大学 一种基于nsga-iii算法的工序排序多目标优化方法
CN115330179A (zh) * 2022-08-10 2022-11-11 安徽大学绿色产业创新研究院 一种考虑资源受限的装配式建筑生产调度优化方法
CN115600774A (zh) * 2022-12-14 2023-01-13 安徽大学绿色产业创新研究院（Cn） 一种装配式建筑构件产线的多目标生产调度优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107506956B (zh) * 2017-06-12 2018-06-15 合肥工业大学 基于改进粒子群算法供应链生产运输协同调度方法及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105929690A (zh) * 2016-04-29 2016-09-07 南京信息工程大学 一种基于分解多目标进化算法的柔性车间鲁棒调度方法
CN110070305A (zh) * 2019-05-05 2019-07-30 中国人民解放军国防科技大学 一种资源转移视角下的双目标鲁棒资源分配方法
CN111667191A (zh) * 2020-06-11 2020-09-15 湖南大学 资源专享和转移视角下双目标鲁棒资源分配方法和系统
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
CN112308472A (zh) * 2020-12-31 2021-02-02 成都飞机工业（集团）有限责任公司 一种基于工序时差松弛的鲁棒调度方法
CN113139710A (zh) * 2021-01-05 2021-07-20 中国电子科技集团公司第二十九研究所 一种基于遗传算法的多资源并行任务高级计划排程方法
CN113988396A (zh) * 2021-10-21 2022-01-28 天津大学 一种基于nsga-iii算法的工序排序多目标优化方法
CN115330179A (zh) * 2022-08-10 2022-11-11 安徽大学绿色产业创新研究院 一种考虑资源受限的装配式建筑生产调度优化方法
CN115600774A (zh) * 2022-12-14 2023-01-13 安徽大学绿色产业创新研究院（Cn） 一种装配式建筑构件产线的多目标生产调度优化方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
不确定因素扰动下多目标柔性作业车间鲁棒调度方法;顾泽平;杨建军;周勇;;计算机集成制造系统(第01期);全文 *
基于时差效用的双目标资源约束型鲁棒性项目调度优化;张静文;周杉;乔传卓;;系统管理学报(第02期);全文 *
杨耀红 ; 宋一鸣 ; .资源约束型鲁棒性项目调度的多目标优化.项目管理技术.2019,(12),全文. *
生产能力约束条件下的柔性作业车间调度优化;张铁男;韩兵;于渤;;系统工程理论与实践(第03期);全文 *
资源转移视角下的RCPSP鲁棒资源分配方法;胡雪君;王建江;崔南方;黄浩;;系统工程学报(第02期);全文 *

Also Published As

Publication number Publication date
CN116663861A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN115600774B (zh) 一种装配式建筑构件产线的多目标生产调度优化方法
CN113139710B (zh) 一种基于遗传算法的多资源并行任务高级计划排程方法
CN110598920A (zh) 用于铸造并行车间主生产计划的多目标优化方法及系统
CN111382942B (zh) 一种集成交货期配置的置换流水车间能效优化调度方法
CN113705866B (zh) 基于资源受限项目调度问题模型的排程优化方法和系统
CN111047272B (zh) 一种用于多语言协同开发的项目调度方法及装置
CN110956371B (zh) 面向复杂人机耦合的智能制造车间的绿色调度优化方法
CN113034026A (zh) 基于Q-learning和GA的多目标柔性作业车间调度自学习方法
CN111062535A (zh) 一种实现含能材料生产过程动态排产的方法及系统
CN112907150B (zh) 一种基于遗传算法的生产排程方法
CN109146160A (zh) 一种云制造资源服务调度方法
CN110751378A (zh) 一种核设施退役方案评价方法以及系统
CN113987936B (zh) 一种基于混沌遗传算法的装备试验资源统筹调配方法
CN111667191A (zh) 资源专享和转移视角下双目标鲁棒资源分配方法和系统
CN114912346A (zh) 基于学习能力的技能规划配置和车间调度集成优化方法
Zaman et al. Multi-method based algorithm for multi-objective problems under uncertainty
CN115330179A (zh) 一种考虑资源受限的装配式建筑生产调度优化方法
Kong et al. RCPSP with combined precedence relations and resource calendars
CN116663861B (zh) 装配式构件生产鲁棒性和资源均衡结合的调度优化方法
CN117557078A (zh) 一种基于时间节点的智能生产计划管理方法及系统
Tan et al. Selection ideal coal suppliers of thermal power plants using the matter-element extension model with integrated empowerment method for sustainability
CN110866586B (zh) 用于受资源约束多项目调度的改进遗传规划算法优化方法
CN112148446A (zh) 一种用于多技能资源受限项目调度的进化策略算法
CN111553610A (zh) 一种基于学习-遗忘效应的调度方法及系统
Mahmud et al. Application of multi-objective genetic algorithm to aggregate production planning in a possibilistic environment

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