CN116862206A - 一种自适应优化生产计划的分布式制造执行的方法和系统 - Google Patents
一种自适应优化生产计划的分布式制造执行的方法和系统 Download PDFInfo
- Publication number
- CN116862206A CN116862206A CN202311130978.5A CN202311130978A CN116862206A CN 116862206 A CN116862206 A CN 116862206A CN 202311130978 A CN202311130978 A CN 202311130978A CN 116862206 A CN116862206 A CN 116862206A
- Authority
- CN
- China
- Prior art keywords
- task
- mes
- subgenomic
- distributed
- production plan
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims abstract description 35
- 108091027544 Subgenomic mRNA Proteins 0.000 claims abstract description 68
- 238000013468 resource allocation Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 108090000623 proteins and genes Proteins 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 230000001360 synchronised effect Effects 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 8
- 230000001172 regenerating effect Effects 0.000 claims description 8
- 238000010845 search algorithm Methods 0.000 claims description 7
- 230000007306 turnover Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 4
- 238000009396 hybridization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000002787 reinforcement Effects 0.000 abstract description 10
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000002068 genetic effect Effects 0.000 abstract description 5
- 230000008929 regeneration Effects 0.000 abstract 1
- 238000011069 regeneration method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06Q10/06316—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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (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)
- General Factory Administration (AREA)
Abstract
本发明提供了一种自适应优化生产计划的分布式制造执行的方法和系统,涉及智能制造技术领域,包括:获取生产计划,并将生产计划离散为多个任务,随机生成多个拓扑组;建立每个任务的基因组,基因组包括资源分配子基因组和调度子基因组;基于每个任务的基因组验证多个拓扑组的适应性,基于适应性判断多个拓扑组是否需要重新生成并进行并行优化;基于MES的不同MES节点分布式执行。将任务所需要的生产线及人工等资源配置为基因形式,基于深度强化学习模型的文化基因算法自动优化生产计划,并根据生产计划分布式运行多个子计划进行生产,从而更好的提高工厂生产效率。
Description
技术领域
本申请涉及智能制造技术领域,具体涉及一种自适应优化生产计划的分布式制造执行的方法和系统。
背景技术
工业4.0生产系统需要在产品、流程和资源方面具备灵活性。为了实现高度的灵活性,工业4.0生产系统需要能够解释和执行由生产规划师制定的生产计划。工业4.0生产系统是由各组件组成的自主、灵活、可配置的系统,独立的组件可以被集成到整个工业网络中以提供更高级的功能,同时这些组件越来越通用,在不同的生产线上都能无缝使用这些组件,因为这些组件更加复杂,所以在工业4.0的MES系统中需要直接控制这些组件,而不是传统中控制线路。在传统制造业中,制造执行系统(MES)通常与监控和数据采集系统(SCADA)一起负责这些控制任务,但因为其功能有限,所以在工业4.0的生产系统需要新的分布式执行系统来提高整体工厂的生产效率,已有的制造执行系统通常是执行ERP系统给出的生产计划,生产计划相对固定,并没有对ERP系统给出的生产计划结合物理生产线的实时状态进行优化后执行,降低了生产效率。因此,如何对生产计划进行优化并执行优化计划来提高生产效率是本领域技术人员亟待解决的技术问题。
发明内容
(一)申请目的
有鉴于此,本申请的目的在于一种自适应优化生产计划的分布式制造执行的方法和系统,用于解决如何结合物理生产线的实时状态对生产计划进行优化并执行优化计划来提高生产效率的技术问题。
(二)技术方案
本申请公开了一种自适应优化生产计划的分布式制造执行的方法,包括如下步骤:
S1、获取生产计划,并将生产计划离散为多个任务,随机生成多个拓扑组;
S2、建立每个任务的基因组,所述基因组包括资源分配子基因组和调度子基因组;
S3、基于每个任务的基因组验证所述多个拓扑组的适应性,基于适应性判断所述多个拓扑组是否需要重新生成,若否,则结束流程,执行步骤S4,若是,重新生成多个拓扑组,并重新验证所述适应性,直到结束流程;
S4、对结束流程时的多个拓扑组进行并行优化;
S5、基于MES的不同MES节点分布式执行。
在一种可能的实施方式中,所述资源分配子基因组包括每个任务的ID、每个任务所在的拓扑组的ID、每个任务的生产线的ID和每个任务的执行工人的ID;所述调度子基因组包括生产线的ID和生产线的调度规则。
在一种可能的实施方式中,所述基于每个任务的基因组验证所述多个拓扑组的适应性,包括:
S311、设置生产线的初始状态,当尚未分配任何任务时,生产线的初始状态为自由状态;
S312、生产线对等待队列进行排序并提取一个可用的任务;
S313、等待资源分配子基因组中该任务对应的工人进行处理,等工人处理完成后,生产线返回到初始状态,当没有待处理的任务时,生产线进程结束;
S314、根据设定的目标确定生产计划的适应度,所述目标包括流程时间或等待时间。
在一种可能的实施方式中,所述重新生成多个拓扑组,包括:
S321、从多个任务中选择第一任务的基因组和第二任务的基因组;
S322、基于第一任务和第二任务的资源分配子基因组进行杂交;
S323、继承第一任务的调度子基因组;
S324、在预设的概率下,对资源分配子基因组中的一个随机基因进行资源翻转;当不对资源分配子基因组中的一个随机基因进行资源翻转时,对继承的调度子基因组中的一个随机选择的基因进行调度规则翻转。
在一种可能的实施方式中,所述基于MES的不同MES节点分布式执行,包括:
S51、初始化用于存储所有被分发了生产计划的任务的MES节点的MES池;
S52、对于每个任务,利用深度优先搜索算法进行分发,并将接收了分发的任务的MES节点存储在MES池中;
S53、对于没有被分发的任务,判断其能否被当前MES节点执行;如果可以被执行,则新开一个线程t,并将该任务的状态设置为排队状态,并将其状态同步给MES池中的其它MES节点,等到该任务所有的需求都满足以后,设置该任务的状态为执行状态,并将其状态同步给MES池中的其它MES节点。
作为本申请的第二方面,还公开了一种自适应优化生产计划的分布式制造执行的系统,包括:
随机生成模块,获取生产计划,并将生产计划离散为多个任务,随机生成多个拓扑组;
基因组创建模块,用于建立每个任务的基因组,所述基因组包括资源分配子基因组和调度子基因组;
第一优化模块,用于基于每个任务的基因组验证所述多个拓扑组的适应性,基于适应性判断所述多个拓扑组是否需要重新生成,若否,则结束流程,进入第二优化模块执行,若是,重新生成多个拓扑组,并重新验证所述适应性,直到结束流程;
第二优化模块,用于对结束流程时的多个拓扑组进行并行优化;
分布执行模块,用于基于MES的不同MES节点分布式执行。
在一种可能的实施方式中,所述资源分配子基因组包括每个任务的ID、每个任务所在的拓扑组的ID、每个任务的生产线的ID和每个任务的执行工人的ID;所述调度子基因组包括生产线的ID和生产线的调度规则。
在一种可能的实施方式中,所述第一优化模块包括:
第一优化单元,用于设置生产线的初始状态,当尚未分配任何任务时,生产线的初始状态为自由状态;
第二优化单元,用于生产线对等待队列进行排序并提取一个可用的任务;
第三优化单元,用于等待资源分配子基因组中该任务对应的工人进行处理,等工人处理完成后,生产线返回到初始状态,当没有待处理的任务时,生产线进程结束;
第四优化单元,用于根据设定的目标确定生产计划的适应度,所述目标包括流程时间或等待时间。
在一种可能的实施方式中,所述第一优化模块还包括:
第五优化单元,用于从多个任务中选择第一任务的基因组和第二任务的基因组;
第六优化单元,用于基于第一任务和第二任务的资源分配子基因组进行杂交;
第七优化单元,用于继承第一任务的调度子基因组;
第八优化单元,用于在预设的概率下,对资源分配子基因组中的一个随机基因进行资源翻转;当不对资源分配子基因组中的一个随机基因进行资源翻转时,对继承的调度子基因组中的一个随机选择的基因进行调度规则翻转。
在一种可能的实施方式中,所述分布执行模块包括:
第一分布执行单元,用于初始化用于存储所有被分发了生产计划的任务的MES节点的MES池;
第二分布执行单元,用于对于每个任务,利用深度优先搜索算法进行分发,并将接收了分发的任务的MES节点存储在MES池中;
第三分布执行单元,用于对于没有被分发的任务,判断其能否被当前MES节点执行;如果可以被执行,则新开一个线程t,并将该任务的状态设置为排队状态,并将其状态同步给MES池中的其它MES节点,等到该任务所有的需求都满足以后,设置该任务的状态为执行状态,并将其状态同步给MES池中的其它MES节点。
(三)有益效果
通过将计划离散为独立的任务,并将任务所需要的生产线及人工等资源配置为基因形式,基于深度强化学习模型的文化基因算法自动优化生产计划,并根据生产计划分布式运行多个子计划进行生产,从而更好的提高工厂生产效率。
本申请的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本申请的实践中得到教导。本申请的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
以下参考附图描述的实施例是示例性的,旨在用于解释和说明本申请,而不能理解为对本申请的保护范围的限制。
图1是本申请的系统流程图;
图2是本申请基因组的资源分配子基因图;
图3是本申请基因组的调度子基因组图;
图4是本申请的有向无环图;
图5是本申请MES节点任务分发图;
图6是本申请系统结构图。
其中,1、随机生成模块;2、基因组创建模块;3、第一优化模块;4、第二优化模块;5、分布执行模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的上述描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,本实施例提供了一种自适应优化生产计划的分布式制造执行的方法,包括如下步骤:
S1、获取生产计划,并将生产计划离散为多个任务,随机生成多个拓扑组;其中,多个拓扑组基于多个任务之间的前驱和后继关系随机生成,每个拓扑组中至少包括一个任务。
为了创建一个合适的起始种群,考虑步骤S2提出的基因组编码技术,使用特定的初始化技术。首先,为每个任务在满足对应的前驱任务和后继任务的生产条件的前提下,生成一个随机的有向无环图,确保了任务生产的有效拓扑顺序。
S2、建立每个任务的基因组,所述基因组包括资源分配子基因组和调度子基因组。所述资源分配子基因组包括每个任务的ID、每个任务所在的拓扑组的ID、每个任务的生产线的ID和每个任务的执行工人的ID;所述调度子基因组包括生产线的ID和生产线的调度规则。
将生产计划标准化成算法需要的输入,由于选择基于文化基因的算法进行优化,因此需要设计一种编码技术来表示生产计划中的每一个任务,对于每个任务(后文称基因组)由两个子基因组组成,用于确定要评估的调度。一个基因组被分割为资源分配子基因组和调度子基因组。如图2和3所示,资源分配子基因组由任务id,生产线id,执行工人id,拓扑组id组成(对应图2中每一列)。每一个基因对应于一个任务id,该id是唯一的索引,调度子基因组定义了各个生产线的调度规则,每个生产线由一个独立的id表示,每个生产线的调度规则包括最短执行时间优先、最大总加工时长优先和先来先服务优先。此外,每个任务的前驱/后继关系由拓扑组定义。拓扑组定义每个任务在拓扑排序的有向无环图中的位置。生产计划中所有没有入边的任务顶点将归为第一组/>中。如图4所示,任务3(拓扑组2)是拓扑组1(任务1和任务2)的后继任务。按照相同的概念,它也是拓扑组3(任务4和任务5)中所有任务的前驱任务。借助这种编码技术,固定顺序的生产系统也可以通过将相应的生产线设置为先来先服务来描述,可以看出该基因组编码技术可以根据所制定的模型在各种模式的工厂中通用。
S3、基于每个任务的基因组验证所述多个拓扑组的适应性,基于适应性判断所述多个拓扑组是否需要重新生成,若否,则结束流程,执行步骤S4,若是,重新生成多个拓扑组,并重新验证所述适应性,直到结束流程。
为了解码基因组并且计算其适应度,本文设计了一个离散事件模拟器,用于评估算法结果的适应度。在模拟进程中,在调度子基因组中的每条生产线都会有自己的线程,在一些实施例中,所述基于每个任务的基因组验证所述多个拓扑组的适应性,包括:
S311、设置生产线的初始状态,当尚未分配任何任务时,生产线的初始状态为自由状态;
S312、生产线对等待队列进行排序并提取一个可用的任务;
S313、等待资源分配子基因组中该任务对应的工人(资源分配子基因组的执行工人id)进行处理,等工人处理完成后,生产线返回到初始状态,当没有待处理的任务时,生产线进程结束;
S314、根据设定的目标确定生产计划的适应度,所述目标包括流程时间或等待时间。
在一些实施例中,所述重新生成多个拓扑组,包括:
S321、从多个任务中选择第一任务的基因组和第二任务的基因组;
S322、基于第一任务和第二任务的资源分配子基因组进行杂交;具体为:从第一个父代中随机选择1到n-1个基因,其中n是所有基因的数量;将这些基因复制到后代基因组中的相同位置;从第二个父代中选择剩余任务的基因;按照它们在父代中出现的顺序将这些基因复制到后代基因组中;
S323、继承第一任务的调度子基因组;
S324、在预设的概率下,对资源分配子基因组中的一个随机基因进行资源翻转;当不对资源分配子基因组中的一个随机基因进行资源翻转时,对继承的调度子基因组中的一个随机选择的基因进行调度规则翻转。而预设的概率设置为50%。
S4、对结束流程时的多个拓扑组进行并行优化。
针对通过适应性验证的拓扑组,启动并行程序,通过并行的方式,可以将工作负载分配到分布式系统中,提高运行的性能,同时引入深度强化学习模型进行并行优化,来提高优化性能。
本实施例中,将深度强化学习模型被引用到文化基因模拟算法中,并在解码过程中改进基因组,以此提高并行优化性能。
首先,深度强化学习模型负责通过根据适当的调度规则动态排序每个生产线前面的等待队列来改进排序决策。其次,通过将任务分配给另一个生产线或另一个工人,改进分配决策,其实现了双离散动作空间。它由两个子集、/>组成,可以选择其中一个动作。提供了一组可选择的调度规则,
其中,SPT是最短执行时间优先,LPT是最长执行时间优先,MTWR是最大总加工时间优先,STR是剩余松弛时间优先。
提供了在应用调度规则后更改任务分配的操作,
其中,SF是生产线翻转,WF是工人翻转,NF是无翻转。如深度强化学习模型识别到有两个具有早期截止日期的任务在同一个生产线竞争,则将优先级第二高的任务移至另一个生产线以解决瓶颈(生产线翻转)。通过工人翻转的方法将优先级最高的任务移至具备处理该任务能力的另一个工人。
深度强化学习模型的奖励分为中间奖励()和最终奖励(/>)两部分,其中最终奖励是在每个回合结束时计算的。最终奖励根据深度强化学习模型达到的整体多标准目标值(/>)与样本标签值(/>)之间的差异乘以一个较大的数值(考虑到回合步数s),确保最终奖励具有较高的优先级,
其中,为最终奖励,/>为样本标签值,/>为整体多标准目标值,/>为回合步数。
中间奖励在每一步之后计算,并用于改进重要的关键指标,如平均吞吐率或平均剩余闲置时间;通过上述步骤,深度强化学习模型得到最优的生产计划。
S5、基于MES的不同MES节点分布式执行。
在一些实施例中,如图5所示,所述基于MES的不同MES节点分布式执行,包括:
S51、初始化用于存储所有被分发了生产计划的任务的MES节点的MES池;
S52、对于每个任务,利用深度优先搜索算法进行分发,并将接收了分发的任务的MES节点存储在MES池中;对于用深度优先搜索算法在DAG图中访问到的每个任务,如果它没有被委托,同时有准备好的MES节点能够处理该任务,则将该任务委托给该MES节点,同时将和该任务有关的所有子计划生成为新的独立的子计划;
S53、对于没有被分发的任务,判断其能否被当前MES节点执行;如果可以被执行,则新开一个线程t,并将该任务的状态设置为排队状态,并将其状态同步给MES池中的其它MES节点,等到该任务所有的需求都满足以后,设置该任务的状态为执行状态,并将其状态同步给MES池中的其它MES节点;判断该任务是否包含操作,如果包含操作,则判断该操作能否通过有效性的验证,有效性验证主要通过数字孪生模块进行,通过数字孪生模块对真实生产系统的最新状态持续监控,获取真实生产系统的当前状态,验证每个即将发生的操作的有效性,如果通过验证,则在生产线上执行该操作,如果操作被成功执行,则将该任务的状态设置为完成状态,并将其状态同步给MES池中的其它MES节点,将生产线上的状态提交给数字孪生模块,结束线程t;如果任务未包含操作,则等待其所有的子任务被执行完成或者等某个子任务执行失败,如果所有的子任务被执行完成,则将该任务的状态设置为完成状态,并将其状态同步给MES池中的其它MES节点,结束线程t;反之将任务的状态设置为失败状态,并将其状态同步给MES池中的其它MES节点,同时报告错误,并利用数字孪生模块解决该问题,结束线程t;如果该任务不能被当前MES节点执行,则将任务的状态设置为失败状态,并将其状态同步给MES池中的其它MES节点,报告错误,并结束;当任务的状态改变,则将生产计划及对应的状态同步到所有MES节点中。
重复本步骤操作直到任务完成或者分布式执行模块停止。当所有任务都完成时,生产计划的执行就成功完成了,当某些任务失败时,需要中断生产计划执行并解决问题,然后使用新的生产计划,重新通过分布式来执行。
通过将计划离散为独立的任务,并将任务所需要的生产线及人工等资源配置为基因形式,基于深度强化学习模型的文化基因算法自动优化生产计划,并根据生产计划分布式运行多个子计划进行生产,从而更好的提高工厂生产效率。
如图6所示,作为本申请的第二方面,还公开了一种自适应优化生产计划的分布式制造执行的系统,包括:
随机生成模块1,获取生产计划,并将生产计划离散为多个任务,随机生成多个拓扑组;
基因组创建模块2,用于建立每个任务的基因组,所述基因组包括资源分配子基因组和调度子基因组;
第一优化模块3,用于基于每个任务的基因组验证所述多个拓扑组的适应性,基于适应性判断所述多个拓扑组是否需要重新生成,若否,则结束流程,进入第二优化模块执行,若是,重新生成多个拓扑组,并重新验证所述适应性,直到结束流程;
第二优化模块4,用于对结束流程时的多个拓扑组进行并行优化;
分布执行模块5,用于基于MES的不同MES节点分布式执行。
在一些实施例中,所述资源分配子基因组包括每个任务的ID、每个任务所在的拓扑组的ID、每个任务的生产线的ID和每个任务的执行工人的ID;所述调度子基因组包括生产线的ID和生产线的调度规则。
在一些实施例中,所述第一优化模块3包括:
第一优化单元,用于设置生产线的初始状态,当尚未分配任何任务时,生产线的初始状态为自由状态;
第二优化单元,用于生产线对等待队列进行排序并提取一个可用的任务(调度)根据资源分配子基因组分配的所有任务都是生产线队列的一部分;
第三优化单元,用于等待资源分配子基因组中该任务对应的工人进行处理,等工人处理完成后,生产线返回到初始状态,当没有待处理的任务时,生产线进程结束;
第四优化单元,用于根据设定的目标确定生产计划的适应度,所述目标包括流程时间或等待时间。
在一些实施例中,所述第一优化模块3还包括:
第五优化单元,用于从多个任务中选择第一任务的基因组和第二任务的基因组;
第六优化单元,用于基于第一任务和第二任务的资源分配子基因组进行杂交;
第七优化单元,用于继承第一任务的调度子基因组;
第八优化单元,用于在预设的概率下,对资源分配子基因组中的一个随机基因进行资源翻转;当不对资源分配子基因组中的一个随机基因进行资源翻转时,对继承的调度子基因组中的一个随机选择的基因进行调度规则翻转。
在一些实施例中,所述分布执行模块5包括:
第一分布执行单元,用于初始化用于存储所有被分发了生产计划的任务的MES节点的MES池;
第二分布执行单元,用于对于每个任务,利用深度优先搜索算法进行分发,并将接收了分发的任务的MES节点存储在MES池中;
第三分布执行单元,用于对于没有被分发的任务,判断其能否被当前MES节点执行;如果可以被执行,则新开一个线程t,并将该任务的状态设置为排队状态,并将其状态同步给MES池中的其它MES节点,等到该任务所有的需求都满足以后,设置该任务的状态为执行状态,并将其状态同步给MES池中的其它MES节点。
最后说明的是,以上实施例仅用以说明本申请的技术方案而非限制,尽管参照较佳实施例对本申请进行了详细说明,本领域的普通技术人员应当理解,可以对本申请的技术方案进行修改或者等同覆盖,而不脱离本申请技术方案的宗旨和范围,其均应涵盖在本申请的权利要求范围当中。
Claims (10)
1.一种自适应优化生产计划的分布式制造执行的方法,其特征在于,包括如下步骤:
S1、获取生产计划,并将生产计划离散为多个任务,随机生成多个拓扑组;
S2、建立每个任务的基因组,所述基因组包括资源分配子基因组和调度子基因组;
S3、基于每个任务的基因组验证所述多个拓扑组的适应性,基于适应性判断所述多个拓扑组是否需要重新生成,若否,则结束流程,执行步骤S4,若是,重新生成多个拓扑组,并重新验证所述适应性,直到结束流程;
S4、对结束流程时的多个拓扑组进行并行优化;
S5、基于MES的不同MES节点分布式执行。
2.根据权利要求1所述的自适应优化生产计划的分布式制造执行的方法,其特征在于,所述资源分配子基因组包括每个任务的ID、每个任务所在的拓扑组的ID、每个任务的生产线的ID和每个任务的执行工人的ID;所述调度子基因组包括生产线的ID和生产线的调度规则。
3.根据权利要求2所述的自适应优化生产计划的分布式制造执行的方法,其特征在于,所述基于每个任务的基因组验证所述多个拓扑组的适应性,包括:
S311、设置生产线的初始状态,当尚未分配任何任务时,生产线的初始状态为自由状态;
S312、生产线对等待队列进行排序并提取一个可用的任务;
S313、等待资源分配子基因组中该任务对应的工人进行处理,等工人处理完成后,生产线返回到初始状态,当没有待处理的任务时,生产线进程结束;
S314、根据设定的目标确定生产计划的适应度,所述目标包括流程时间或等待时间。
4.根据权利要求3所述的自适应优化生产计划的分布式制造执行的方法,其特征在于,所述重新生成多个拓扑组,包括:
S321、从多个任务中选择第一任务的基因组和第二任务的基因组;
S322、基于第一任务和第二任务的资源分配子基因组进行杂交;
S323、继承第一任务的调度子基因组;
S324、在预设的概率下,对资源分配子基因组中的一个随机基因进行资源翻转;当不对资源分配子基因组中的一个随机基因进行资源翻转时,对继承的调度子基因组中的一个随机选择的基因进行调度规则翻转。
5.根据权利要求4所述的自适应优化生产计划的分布式制造执行的方法,其特征在于,所述基于MES的不同MES节点分布式执行,包括:
S51、初始化用于存储所有被分发了生产计划的任务的MES节点的MES池;
S52、对于每个任务,利用深度优先搜索算法进行分发,并将接收了分发的任务的MES节点存储在MES池中;
S53、对于没有被分发的任务,判断其能否被当前MES节点执行;如果可以被执行,则新开一个线程t,并将该任务的状态设置为排队状态,并将其状态同步给MES池中的其它MES节点,等到该任务所有的需求都满足以后,设置该任务的状态为执行状态,并将其状态同步给MES池中的其它MES节点。
6.一种自适应优化生产计划的分布式制造执行的系统,其特征在于,包括:
随机生成模块,获取生产计划,并将生产计划离散为多个任务,随机生成多个拓扑组;
基因组创建模块,用于建立每个任务的基因组,所述基因组包括资源分配子基因组和调度子基因组;
第一优化模块,用于基于每个任务的基因组验证所述多个拓扑组的适应性,基于适应性判断所述多个拓扑组是否需要重新生成,若否,则结束流程,进入第二优化模块执行,若是,重新生成多个拓扑组,并重新验证所述适应性,直到结束流程;
第二优化模块,用于对结束流程时的多个拓扑组进行并行优化;
分布执行模块,用于基于MES的不同MES节点分布式执行。
7.根据权利要求6所述的自适应优化生产计划的分布式制造执行的系统,其特征在于,所述资源分配子基因组包括每个任务的ID、每个任务所在的拓扑组的ID、每个任务的生产线的ID和每个任务的执行工人的ID;所述调度子基因组包括生产线的ID和生产线的调度规则。
8.根据权利要求7所述的自适应优化生产计划的分布式制造执行的系统,其特征在于,所述第一优化模块包括:
第一优化单元,用于设置生产线的初始状态,当尚未分配任何任务时,生产线的初始状态为自由状态;
第二优化单元,用于生产线对等待队列进行排序并提取一个可用的任务;
第三优化单元,用于等待资源分配子基因组中该任务对应的工人进行处理,等工人处理完成后,生产线返回到初始状态,当没有待处理的任务时,生产线进程结束;
第四优化单元,用于根据设定的目标确定生产计划的适应度,所述目标包括流程时间或等待时间。
9.根据权利要求8所述的自适应优化生产计划的分布式制造执行的系统,其特征在于,所述第一优化模块还包括:
第五优化单元,用于从多个任务中选择第一任务的基因组和第二任务的基因组;
第六优化单元,用于基于第一任务和第二任务的资源分配子基因组进行杂交;
第七优化单元,用于继承第一任务的调度子基因组;
第八优化单元,用于在预设的概率下,对资源分配子基因组中的一个随机基因进行资源翻转;当不对资源分配子基因组中的一个随机基因进行资源翻转时,对继承的调度子基因组中的一个随机选择的基因进行调度规则翻转。
10.根据权利要求9所述的自适应优化生产计划的分布式制造执行的系统,其特征在于,所述分布执行模块包括:
第一分布执行单元,用于初始化用于存储所有被分发了生产计划的任务的MES节点的MES池;
第二分布执行单元,用于对于每个任务,利用深度优先搜索算法进行分发,并将接收了分发的任务的MES节点存储在MES池中;
第三分布执行单元,用于对于没有被分发的任务,判断其能否被当前MES节点执行;如果可以被执行,则新开一个线程t,并将该任务的状态设置为排队状态,并将其状态同步给MES池中的其它MES节点,等到该任务所有的需求都满足以后,设置该任务的状态为执行状态,并将其状态同步给MES池中的其它MES节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311130978.5A CN116862206B (zh) | 2023-09-04 | 2023-09-04 | 一种自适应优化生产计划的分布式制造执行的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311130978.5A CN116862206B (zh) | 2023-09-04 | 2023-09-04 | 一种自适应优化生产计划的分布式制造执行的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116862206A true CN116862206A (zh) | 2023-10-10 |
CN116862206B CN116862206B (zh) | 2023-12-15 |
Family
ID=88230824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311130978.5A Active CN116862206B (zh) | 2023-09-04 | 2023-09-04 | 一种自适应优化生产计划的分布式制造执行的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116862206B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313438A (zh) * | 2023-11-30 | 2023-12-29 | 云南三耳科技有限公司 | 一种三维工厂工具编辑优化方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150678A (zh) * | 2018-08-07 | 2019-01-04 | 中国航空无线电电子研究所 | 分布式信息物理系统智能总装车间拓扑模型 |
EP3667579A1 (en) * | 2018-12-13 | 2020-06-17 | Siemens Aktiengesellschaft | Negotiation-based method and system for coordinating distributed mes order management |
CN111612124A (zh) * | 2020-04-09 | 2020-09-01 | 杭州电子科技大学 | 一种面向任务智能调度的网络结构自适应优化方法 |
CN113795826A (zh) * | 2019-06-27 | 2021-12-14 | 英特尔公司 | 用于分布式计算的自动化资源管理 |
US20220413455A1 (en) * | 2020-11-13 | 2022-12-29 | Zhejiang University | Adaptive-learning intelligent scheduling unified computing frame and system for industrial personalized customized production |
-
2023
- 2023-09-04 CN CN202311130978.5A patent/CN116862206B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150678A (zh) * | 2018-08-07 | 2019-01-04 | 中国航空无线电电子研究所 | 分布式信息物理系统智能总装车间拓扑模型 |
EP3667579A1 (en) * | 2018-12-13 | 2020-06-17 | Siemens Aktiengesellschaft | Negotiation-based method and system for coordinating distributed mes order management |
CN113795826A (zh) * | 2019-06-27 | 2021-12-14 | 英特尔公司 | 用于分布式计算的自动化资源管理 |
CN111612124A (zh) * | 2020-04-09 | 2020-09-01 | 杭州电子科技大学 | 一种面向任务智能调度的网络结构自适应优化方法 |
US20220413455A1 (en) * | 2020-11-13 | 2022-12-29 | Zhejiang University | Adaptive-learning intelligent scheduling unified computing frame and system for industrial personalized customized production |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313438A (zh) * | 2023-11-30 | 2023-12-29 | 云南三耳科技有限公司 | 一种三维工厂工具编辑优化方法及装置 |
CN117313438B (zh) * | 2023-11-30 | 2024-01-26 | 云南三耳科技有限公司 | 一种三维工厂工具编辑优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116862206B (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182109B (zh) | 一种云环境下的工作流调度与数据分配方法 | |
CN112416585B (zh) | 面向深度学习的gpu资源管理与智能化调度方法 | |
CN116862206B (zh) | 一种自适应优化生产计划的分布式制造执行的方法和系统 | |
CN106951330A (zh) | 一种云服务中心服务效用最大化的虚拟机分配方法 | |
CN111381950A (zh) | 一种面向边缘计算环境基于多副本的任务调度方法和系统 | |
CN104166903B (zh) | 基于工序划分的任务规划方法及系统 | |
CN112053002B (zh) | 一种基于效用感知的云制造多任务调度方法 | |
CN110780985A (zh) | 一种有限时间的并行任务调度方法与装置 | |
CN113886034A (zh) | 任务调度方法、系统、电子设备及存储介质 | |
CN116644931A (zh) | 一种基于遗传算法的任务调度方法 | |
Yu et al. | A discrete artificial bee colony method based on variable neighborhood structures for the distributed permutation flowshop problem with sequence-dependent setup times | |
CN109409746A (zh) | 一种生产调度方法及装置 | |
Acevedo-Chedid et al. | Soft-computing approaches for rescheduling problems in a manufacturing industry | |
CN111061565A (zh) | 一种Spark环境下的两段式流水线任务调度方法及系统 | |
CN107766144A (zh) | 一种任务调度方法、装置及系统 | |
Kamali et al. | An immune-based multi-agent system for flexible job shop scheduling problem in dynamic and multi-objective environments | |
Marzouki et al. | Decentralized Tabu searches in multi agent system for distributed and flexible job shop scheduling problem | |
CN110837950B (zh) | 一种rgv小车的动态调度方法 | |
CN112488542A (zh) | 基于机器学习的智慧工地智能物料调度方法及系统 | |
WO2020062047A1 (zh) | 更新调度规则的方法、设备、系统、存储介质和终端 | |
CN112988340A (zh) | 一种任务调度方法、装置及系统 | |
CN113723695A (zh) | 一种基于场景的再制造调度优化方法 | |
CN112948092A (zh) | 批量作业的调度方法、装置、电子设备及存储介质 | |
CN112506644A (zh) | 基于云边端混合计算模式系统的任务调度方法和系统 | |
Reijnen et al. | Job Shop Scheduling Benchmark: Environments and Instances for Learning and Non-learning Methods |
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 |