CN117057485B - 一种用于铸件加工生产的调度方法及系统 - Google Patents
一种用于铸件加工生产的调度方法及系统 Download PDFInfo
- Publication number
- CN117057485B CN117057485B CN202311310167.3A CN202311310167A CN117057485B CN 117057485 B CN117057485 B CN 117057485B CN 202311310167 A CN202311310167 A CN 202311310167A CN 117057485 B CN117057485 B CN 117057485B
- Authority
- CN
- China
- Prior art keywords
- chromosome
- initial
- processed
- gene
- casting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 274
- 238000005266 casting Methods 0.000 title claims abstract description 154
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 43
- 238000003754 machining Methods 0.000 title description 5
- 210000000349 chromosome Anatomy 0.000 claims abstract description 452
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 175
- 238000012545 processing Methods 0.000 claims abstract description 146
- 230000002068 genetic effect Effects 0.000 claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 50
- 230000035772 mutation Effects 0.000 claims abstract description 22
- 238000012217 deletion Methods 0.000 claims description 20
- 230000037430 deletion Effects 0.000 claims description 20
- 238000012797 qualification Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims 1
- 239000000758 substrate Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 101150076211 TH gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000002759 chromosomal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012259 partial gene deletion Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Genetics & Genomics (AREA)
- Data Mining & Analysis (AREA)
- Physiology (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及工艺生产调度技术领域，具体涉及一种用于铸件加工生产的调度方法及系统。该方法获取待加工铸件的工艺，确定目标染色体，获取遗传算法中的初始染色体；根据初始染色体中的加工设备加工待加工铸件每个工艺的时间和质量，获取初始染色体的基因适应度；根据初始染色体之间的相同工艺对应的基因位置差异和加工顺序差异，获取基因多样程度；根据基因适应度和基因多样程度，获取初始染色体的变异概率，基于变异概率利用遗传算法获取进行预设次数迭代后的更新染色体，根据更新染色体的基因适应度，确定待加工铸件的生产流程。本发明通过获取遗传算法每次迭代中的变异概率，确定最优的待加工铸件的生产流程，高效完成待加工铸件的加工。
Description
技术领域
本发明涉及工艺生产调度技术领域，具体涉及一种用于铸件加工生产的调度方法及系统。
背景技术
铸件加工生产是一种用于制造金属零件的常见方法。在铸件加工过程中，铸造厂通常需要管理和调度多个工作任务，为了提高生产效率和资源利用率，以及降低成本，现有方法中铸造厂采用遗传算法优化铸件加工过程，提高铸件的生产效率，并优化资源利用和任务安排。现有方法在使用遗传算法解决铸件生产调度问题时，由于染色体的变异概率设定不合理，导致遗传算法的优化结果不准确，进而不能有效提高铸件加工生产的效率。
发明内容
为了解决染色体的变异概率设定不合理，导致遗传算法的优化结果不准确的技术问题，本发明的目的在于提供一种用于铸件加工生产的调度方法及系统，所采用的技术方案具体如下：
第一方面，本发明提出了一种用于铸件加工生产的调度方法，该方法包括以下步骤：
获取待加工铸件和每个待加工铸件的每个工艺；依次获取每个加工设备加工每个工艺的时间和质量，依次作为第一时间和第一质量；
根据加工设备、待加工铸件和工艺的数量，获取目标染色体；调整目标染色体中基因的位置，获取遗传算法中预设数量的初始染色体；
根据每条初始染色体对应的第一质量和第一时间，获取每条初始染色体的质量合格度，以及每条初始染色体中的每个加工设备的整体工作时间和每个待加工铸件的完成时间；根据每条初始染色体和目标染色体之间的工艺差异，获取每条初始染色体的缺失工艺数量；根据每条初始染色体的质量合格度和缺失工艺数量，以及每条初始染色体中的整体工作时间和完成时间，获取每条初始染色体的基因适应度；
根据任意两条初始染色体之间的相同工艺对应的基因位置差异，以及加工设备加工相同工艺的顺序差异，获取基因多样程度；
根据每个初始染色体的基因适应度和基因多样程度，获取每个初始染色体的变异概率；基于变异概率利用遗传算法获取进行预设次数迭代后的更新染色体，根据更新染色体的基因适应度，确定待加工铸件的生产流程。
进一步地，所述根据加工设备、待加工铸件和工艺的数量，获取目标染色体的方法为：
将所有待加工铸件中所有工艺的总数量作为第一数量，将目标染色体的长度设定为两个第一数量；
将目标染色体的第一个第一数量的基因作为第一部分基因，第二个第一数量的基因作为第二部分基因；
对每个加工设备和每个待加工铸件进行标号，在第一部分基因中随机填充加工设备的标号，在第二部分基因中随机填充待加工铸件的标号；其中，每个待加工铸件的标号出现的次数与对应待加工铸件中的工艺数量相同；
将填充好的染色体作为目标染色体。
进一步地，所述根据每条初始染色体对应的第一质量和第一时间，获取每条初始染色体的质量合格度，以及每条初始染色体中的每个加工设备的整体工作时间和每个待加工铸件的完成时间的方法为：
对于任一条初始染色体，将该条初始染色体的第一部分基因与第二部分基因中相同位置的基因进行组合，确定每个加工设备加工的工艺，获取该条初始染色体对应的第一质量和第一时间；其中，初始染色体与目标染色体之间的基因数量相同，且第一部分基因均为加工设备的标号，第二部分基因均为待加工铸件的标号；
获取第一质量的均值，作为该条初始染色体的质量合格度；
对于该条初始染色体中的任一个加工设备，获取该加工设备加工的所有工艺对应的第一时间和该加工设备的等待时间的总和，作为该加工设备的整体工作时间；其中，等待时间为：对某一待加工铸件的某个工艺进行加工，但该待加工铸件的前一个工艺还未完成，形成的等待时间；
对于该条初始染色体中的任一个待加工铸件，获取该待加工铸件中的每个工艺对应的第一时间的总和，作为该待加工铸件的完成时间。
进一步地，所述缺失工艺数量的获取方法为：
对于任一条初始染色体，获取该条初始染色体和目标染色体中每个待加工铸件的工艺数量，作为第二数量；
获取该条初始染色体与目标染色体中相同的待加工铸件的第二数量的差异，作为第一差异；
获取第一差异的累加结果，作为该条初始染色体的缺失工艺数量。
进一步地，所述基因适应度的计算公式为：
式中，为第a条初始染色体的基因适应度；/>为第a条初始染色体的质量合格度；n为加工设备的数量；/>为第a条初始染色体中的第i个加工设备的整体工作时间；m为待加工铸件的数量；/>为第a条初始染色体中的第j个待加工铸件的完成时间；/>为第a条初始染色体的缺失工艺数量；norm为归一化函数。
进一步地，所述基因多样程度的获取方法为：
根据每条初始染色体中的每个工艺对应的基因与第一个基因之间的位置差异，获取任意两条初始染色体之间的相同工艺的位置差异的差异绝对值，作为该两条初始染色体之间的相同工艺的第一差异程度；
根据任意两条初始染色体之间的相同工艺是否在同一个设备上进行加工，获取该两条初始染色体之间的相同工艺的加工状态值；
获取任意两条初始染色体之间的相同工艺在同一个设备上进行加工的顺序差异，作为第二差异；
获取第二差异与第一预设常数的相加结果，作为第一结果；其中，预设常数大于0；
获取任意两条初始染色体之间的相同工艺的加工状态值与所述第一结果的乘积，作为第一值；
将所述第一值进行归一化的结果，作为对应两条初始染色体之间的相同工艺的第二差异程度；
根据任意两条初始染色体之间的相同工艺的第一差异程度与第二差异程度，获取该两条初始染色体之间的相似程度；
获取所有两条初始染色体之间的相似程度的均值，作为基因相似度；
将所述基因相似度进行负相关且归一化的结果，作为基因多样程度。
进一步地，所述相似程度的计算公式为：
式中，为第x条初始染色体和第y条初始染色体之间的相似程度；m为待加工铸件的数量；/>为第l个待加工铸件中的工艺数量；/>为第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第一差异程度；/>为第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第二差异程度；norm为归一化函数；/>为第二预设常数，/>大于0。
进一步地，所述变异概率的计算公式为：
式中，为第a条初始染色体的变异概率；/>为第a条初始染色体的基因适应度；F为基因多样程度。
进一步地，所述基于变异概率利用遗传算法获取进行预设次数迭代后的更新染色体，根据更新染色体的基因适应度，确定待加工铸件的生产流程的方法为：
根据每条初始染色体的变异概率，获取遗传算法进行第一次迭代的更新染色体；
获取第一次迭代的更新染色体的变异概率，确定遗传算法进行第二次迭代的更新染色体；
根据遗传算法每次迭代的更新染色体和每条更新染色体的变异概率，获取遗传算法进行下次迭代的更新染色体；
获取遗传算法预设次数迭代后的每条更新染色体的基因适应度，选取最大的基因适应度对应的更新染色体，作为最终染色体；
将目标染色体中的基因，根据最终染色体中的基因分布进行调整，确定待加工铸件的生产流程。
第二方面，本发明另一个实施例提供了一种用于铸件加工生产的调度系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时，实现上述任意一项方法的步骤。
本发明具有如下有益效果：
调整目标染色体中基因的位置，获取遗传算法中预设数量的初始染色体，使得遗传算法中的初始染色体的种类越多，进而获取的工艺调度方式越优；根据每条初始染色体的质量合格度和缺失工艺数量，以及每条初始染色体中的整体工作时间和完成时间，准确获取每条初始染色体的基因适应度，反映每条初始染色体的基因分布的合理性，更好的保留种群内的优秀基因型；根据任意两条初始染色体之间的相同工艺对应的基因位置差异，以及加工设备加工相同工艺的顺序差异，获取基因多样程度，准确反映出初始染色体中的基因排列顺序的多样性，有利于准确获取初始染色体的变异概率，进而根据每个初始染色体的基因适应度和基因多样程度，获取每个初始染色体的变异概率，便于准确获取变异后的初始染色体，进而利用遗传算法准确获取进行预设次数迭代后的更新染色体，避免出现局部最优的情况，同时增加获取其他优秀基因型的可能性，提高了最终种群优秀基因型为最优基因型的概率；根据更新染色体的基因适应度，准确确定待加工铸件的生产流程。极大的提高了待加工铸件加工的效率，使得遗传算法的优化结果更准确合理，节省大量的人力、物力和电力，降低生产成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种用于铸件加工生产的调度方法的流程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种用于铸件加工生产的调度方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于铸件加工生产的调度方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于铸件加工生产的调度方法的流程示意图，该方法包括以下步骤：
步骤S1：获取待加工铸件和每个待加工铸件的每个工艺；依次获取每个加工设备加工每个工艺的时间和质量，依次作为第一时间和第一质量。
具体的，获取需要加工的每个待加工铸件，以及每个待加工铸件的每个工艺，通过加工设备对待加工铸件中的不同工艺进行加工，完成对每个待加工铸件的加工。由此可知，对待加工铸件加工属于柔性作业车间调度问题，因此，本发明实施例通过遗传算法对待加工铸件的工艺的加工顺序进行调度，优化待加工铸件的加工顺序，达到节约人力、物力、电力等资源的目的。其中，遗传算法为现有技术，在此不再进行赘述。
获取每个加工设备加工每个工艺的时间，作为第一时间。根据历史数据获取每个加工设备对不同工艺的加工质量，加工质量是人为根据经验进行标识，取值范围为[0,1]。加工质量越大，说明使用对应加工设备对对应工艺加工的质量越好。作为一个示例，将历史数据中第d个加工设备加工第h个工艺的历史加工质量的均值，作为第d个加工设备加工第h个工艺的加工质量，进而获取每个加工设备加工每个工艺的加工质量。其中，若第d个加工设备在历史上没有对第h个工艺进行加工过，则第d个加工设备加工第h个工艺的加工质量为0。
在现有技术中遗传算法的变异概率是人为给定的，存在误差。在使用遗传算法进行优化调度的过程中，染色体变异概率的大小会对遗传算法的搜索过程和结果产生影响。因此，本发明实施例自适应获取遗传算法中的变异概率，进而准确确定待加工铸件的生产流程。
步骤S2：根据加工设备、待加工铸件和工艺的数量，获取目标染色体；调整目标染色体中基因的位置，获取遗传算法中预设数量的初始染色体。
具体的，将对待加工铸件的工艺进行调度的操作转换为目标染色体中的每个基因，进而根据遗传算法，获取加工待加工铸件的最优生产流程，提高加工待加工铸件的效率，降低生产成本。
优选地，获取目标染色体的方法为：将所有待加工铸件中所有工艺的总数量作为第一数量，将目标染色体的长度设定为两个第一数量；将目标染色体的第一个第一数量的基因作为第一部分基因，第二个第一数量的基因作为第二部分基因；对每个加工设备和每个待加工铸件进行标号，在第一部分基因中随机填充加工设备的标号，在第二部分基因中随机填充待加工铸件的标号；其中，每个待加工铸件的标号出现的次数与对应待加工铸件中的工艺数量相同；将填充好的染色体作为目标染色体。
作为一个示例，以3个加工设备，5个待加工铸件为例，将3个加工设备分别标记为1、2、3；将5个待加工铸件分别标记为1、2、3、4、5；其中标记为1的待加工铸件中有3个工艺，标记为2的待加工铸件中有4个工艺，标记为3的待加工铸件中有3个工艺，标记为4的待加工铸件中有5个工艺，标记为5的待加工铸件中有2个工艺，则共有3+4+3+5+2=17个工艺，17即为第一数量。则目标染色体的长度为。目标染色体的第一部分基因为随机填充的加工设备的标号，如目标染色体的第一部分基因可以为13213 12332 23132 21。目标染色体的第二部分基因为随机填充的待加工铸件的标号，且每个待加工铸件的标号出现的次数与对应待加工铸件中的工艺数量相同，如目标染色体的第二部分基因可以为1523224543 23414 14。实施者可根据实际情况随机填充目标染色体的第一部分基因和第二部分基因，在此不进行限定。需要说明的是，目标染色体的第一部分基因和第二部分基因可以随机填充，但目标染色体的第一部分基因中一定是加工设备的标号，目标染色体的第二部分基因中一定是待加工铸件的标号，务必保证每个待加工铸件的标号出现的次数与对应待加工铸件中的工艺数量相同。因此，本发明实施例中的目标染色体为13213 12332 23132 2115232 24543 23414 14。
调整目标染色体的第一部分基因中的位置和第二部分基因中的位置，目标染色体的第一部分基因和第二部分基因之间的位置一定不可以互换，即第一部分基因一定是加工设备的标号，第二部分基因一定是待加工铸件的标号。
本方明实施例将遗传算法中的预设数量设定为1000，即根据调整目标染色体的第一部分基因中的位置和第二部分基因中的位置，获取1000条初始染色体，即将遗传算法中的初始种群数量设定为1000。实施者可根据实际情况设定预设数量的大小，在此不进行限定。至此，获取遗传算法中的初始染色体。
步骤S3：根据每条初始染色体对应的第一质量和第一时间，获取每条初始染色体的质量合格度，以及每条初始染色体中的每个加工设备的整体工作时间和每个待加工铸件的完成时间；根据每条初始染色体和目标染色体之间的工艺差异，获取每条初始染色体的缺失工艺数量；根据每条初始染色体的质量合格度和缺失工艺数量，以及每条初始染色体中的整体工作时间和完成时间，获取每条初始染色体的基因适应度。
具体的，由步骤S2可知，每条初始染色体的长度和基因分布的规律均与目标染色体一致，以第a条初始染色体为例，根据第a条初始染色体的基因，确定第a条初始染色体的第一质量和第一时间的方法为如下：
若第a条初始染色体的基因与步骤S2中的目标染色体的基因相同，即为1321312332 23132 21 15232 24543 23414 14，则第a条初始染色体的第一部分基因1321312332 23132 21与第二部分基因15232 24543 23414 14中相同位置的基因进行组合的结果共有17种，且第一部分基因在第二部分基因的前面，即为（1，1），（3，5），（2，2），（1，3），（3，2），（1，2）…（2，1），（1，4）。（1，1）代表在第一个加工设备上对第一个待加工铸件的第一个工艺进行加工；（3，5）代表在第三个加工设备上对第五个待加工铸件的第一个工艺进行加工；（2，2）代表在第二个加工设备上对第二个待加工铸件的第一个工艺进行加工；（1，2）代表在第一个加工设备上对第二个待加工铸件的第二个工艺进行加工…（2，1）代表在第二个加工设备上对第一个待加工铸件的第三个工艺进行加工；（1，4）代表在第一个加工设备上对第四个待加工铸件的第五个工艺进行加工。至此，可以确定第a条初始染色体中的每个工艺的加工时间即第一时间，以及每个工艺对应的加工质量即第一质量。
根据第a条初始染色体的第一质量和第一时间，获取第a条初始染色体的质量合格度，以及第a条初始染色体中的每个加工设备的整体工作时间和每个待加工铸件的完成时间，为获取第a条初始染色体的基因适应度做准确。因此，获取第a条初始染色体中的所有第一质量的均值，作为第a条初始染色体的质量合格度。以第a条初始染色体中的第一个加工设备为例，获取第一个加工设备加工的所有工艺对应的第一时间和第一个加工设备的等待时间的总和，作为第一个加工设备的整体工作时间。其中，等待时间为：对某一待加工铸件的某个工艺进行加工，但该待加工铸件的前一个工艺还未完成，该加工设备所等待的时长即为等待时间。例如，若第一个加工设备要对第三个待加工铸件的第三个工艺进行加工，但第三个待加工铸件的第二个工艺正在第二个加工设备进行加工，且没有完成，此时，第一个加工设备需要进行等待，直至第三个待加工铸件的第二个工艺在第二个加工设备中加工完成，进而获取第一个加工设备所有等待时间的总时长即为第一个加工设备的等待时间。根据获取第a条初始染色体中的第一个加工设备的整体工作时间的方法，获取第a条初始染色体中的每个加工设备的整体工作时间。以第a条初始染色体中的第一个待加工铸件为例，获取第一个待加工铸件中的每个工艺对应的第一时间的总和，作为第一个待加工铸件的完成时间。根据获取第a条初始染色体中的第一个待加工铸件的完成时间的方法，获取第a条初始染色体中的每个待加工铸件的完成时间。
根据获取第a条初始染色体的质量合格度、第a条初始染色体中的每个加工设备的整体工作时间和每个待加工铸件的完成时间的方法，获取每条初始染色体的质量合格度，每条初始染色体中的每个加工设备的整体工作时间和每个待加工铸件的完成时间。
在获取初始染色体时，可能存在部分基因缺失，进而导致部分工艺缺失。工艺缺失的程度越大，说明对应的初始染色体中的基因越存在异常，该初始染色体的基因适应度越低，越可能发生变异。因此，获取每条初始染色体的缺失工艺数量。
优选地，获取缺失工艺数量的方法为：对于任一条初始染色体，获取该条初始染色体和目标染色体中每个待加工铸件的工艺数量，作为第二数量；获取该条初始染色体与目标染色体中相同的待加工铸件的第二数量的差异，作为第一差异；获取第一差异的累加结果，作为该条初始染色体的缺失工艺数量。
作为一个示例，以第k条初始染色体为例，目标染色体是最初根据待加工铸件中的工艺确定的，因此，以目标染色体为基准，获取第k条初始染色体和目标染色体中每个待加工铸件的工艺数量，即为第二数量，获取第k条初始染色体与目标染色体中相同的待加工铸件的第二数量的差值绝对值，即为第一差异，获取第一差异的累加结果，即为第k条初始染色体的缺失工艺数量。根据获取第k条初始染色体的缺失工艺数量的方法，获取每条初始染色体的缺失工艺数量。
根据每条初始染色体的质量合格度和缺失工艺数量，以及每条初始染色体中的整体工作时间和完成时间，获取每条初始染色体的基因适应度。作为一个示例，以第a条初始染色体为例，获取第a条初始染色体的基因适应度的计算公式为：
式中，为第a条初始染色体的基因适应度；/>为第a条初始染色体的质量合格度；n为加工设备的数量；/>为第a条初始染色体中的第i个加工设备的整体工作时间；m为待加工铸件的数量；/>为第a条初始染色体中的第j个待加工铸件的完成时间；/>为第a条初始染色体的缺失工艺数量；norm为归一化函数。
需要说明的是，越小，说明第a条初始染色体中的第i个加工设备的整体工作时间越短，间接说明第a条初始染色体中对应的加工工艺的调度越合理，第a条初始染色体中的基因分布越合理，/>越小，/>越大；/>越小，说明第a条初始染色体中的第j个待加工铸件的完成时间越短，间接说明第j个待加工铸件的每个工艺加工的效率越高，/>越小，/>越大；/>越小，说明第a条初始染色体中的工艺缺失的越少，第a条初始染色体发生变异的概率越低，/>越大；/>越大，说明第a条初始染色体中对应的每个工艺加工的越合理，加工质量越高，/>越大；因此，/>越大，说明第a条初始染色体中的基因分布越合理，第a条初始染色体中的基因发生变异的概率越低。
根据获取第a条初始染色体的基因适应度的方法，获取每条初始染色体的基因适应度。
步骤S4：根据任意两条初始染色体之间的相同工艺对应的基因位置差异，以及加工设备加工相同工艺的顺序差异，获取基因多样程度。
具体的，在获取每条初始染色体的变异概率过程中，需要考虑到初始染色体的混乱程度即种群中的基因多样程度。其中，基因多样程度越大，说明初始染色体越混乱，即初始染色体中的基因排列顺序越多样，间接说明此时优秀基因型越可能为最优基因型，初始染色体越不需要进行变异。
优选地，获取基因多样程度的方法为：根据每条初始染色体中的每个工艺对应的基因与第一个基因之间的位置差异，获取任意两条初始染色体之间的相同工艺的位置差异的差异绝对值，作为该两条初始染色体之间的相同工艺的第一差异程度；根据任意两条初始染色体之间的相同工艺是否在同一个设备上进行加工，获取该两条初始染色体之间的相同工艺的加工状态值；获取任意两条初始染色体之间的相同工艺在同一个设备上进行加工的顺序差异，作为第二差异；获取第二差异与第一预设常数的相加结果，作为第一结果；其中，预设常数大于0；获取任意两条初始染色体之间的相同工艺的加工状态值与所述第一结果的乘积，作为第一值；将所述第一值进行归一化的结果，作为对应两条初始染色体之间的相同工艺的第二差异程度；根据任意两条初始染色体之间的相同工艺的第一差异程度与第二差异程度，获取该两条初始染色体之间的相似程度；获取所有两条初始染色体之间的相似程度的均值，作为基因相似度；将所述基因相似度进行负相关且归一化的结果，作为基因多样程度。
作为一个示例，以第x条初始染色体和第y条初始染色体中相同的第c个工艺为例，其中，第x条初始染色体和第y条初始染色体中一定同时含有第c个工艺，且第x条初始染色体和第y条初始染色体中相同的第c个工艺为同一个待加工铸件的同一个工艺。获取第x条初始染色体中的第c个工艺对应的基因与第x条初始染色体的第一个基因之间的位置差异，若第c个工艺对应的基因为第x条初始染色体的第22个基因，则第x条初始染色体中的第c个工艺的位置差异为22-1=21。获取第y条初始染色体中的第c个工艺对应的基因与第y条初始染色体的第一个基因之间的位置差异，若第c个工艺对应的基因为第y条初始染色体的第18个基因，则第y条初始染色体中的第c个工艺的位置差异为18-1=17。获取第x条初始染色体中的第c个工艺的位置差异与第y条初始染色体中的第c个工艺的位置差异的差值绝对值，即，作为第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第一差异程度，即第一差异程度为4。
确定第x条初始染色体和第y条初始染色体之间相同的第c个工艺是否在同一个加工设备上进行加工，当第x条初始染色体和第y条初始染色体之间相同的第c个工艺是在同个加工设备上进行加工时，将第x条初始染色体和第y条初始染色体之间相同的第c个工艺的加工状态值设定为1，说明第x条初始染色体和第y条初始染色体越可能相似。当第x条初始染色体和第y条初始染色体之间相同的第c个工艺不是在同一个加工设备上进行加工时，将第x条初始染色体和第y条初始染色体之间相同的第c个工艺的加工状态值设定为0，不再考虑第x条初始染色体和第y条初始染色体之间相同的第c个工艺的相似度。当第x条初始染色体和第y条初始染色体之间相同的第c个工艺在同一个加工设备上进行加工时，为了更准确的表示出第x条初始染色体和第y条初始染色体之间相同的第c个工艺的相似度，本发明实施例获取第x条初始染色体和第y条初始染色体之间相同的第c个工艺在同一个加工设备上进行加工的顺序差异，即为第二差异。例如，第x条初始染色体和第y条初始染色体之间相同的第c个工艺均在第二个加工设备上进行加工，在第x条初始染色体中，第c个工艺为第二个加工设备第3次加工的工艺；在第y条初始染色体中，第c个工艺为第二个加工设备第5次加工的工艺，则第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第二差异为。其中，第二差异越小，说明第x条初始染色体和第y条初始染色体越相似。根据第x条初始染色体和第y条初始染色体之间相同的第c个工艺的加工状态值，以及第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第二差异，获取第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第二差异程度的公式为：
式中，为第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第二差异程度；/>为第x条初始染色体和第y条初始染色体之间相同的第c个工艺的加工状态值；/>为第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第二差异；/>为第一预设常数，/>大于0；norm为归一化函数；/>为第一结果；为第一值。
本发明实施例将设定为1，实施者可根据实际情况设定/>的大小，在此不进行限定，确定/>大于0，避免第一结果/>为0，影响获取第x条初始染色体和第y条初始染色体之间的相似程度。
需要说明的是，当为0时，/>为0，此时第x条初始染色体和第y条初始染色体之间相同的第c个工艺完全不相同，在获取第x条初始染色体和第y条初始染色体之间的相似程度时，不再计算第x条初始染色体和第y条初始染色体之间相同的第c个工艺，因此本发明实施例将/>=0的情况进行排除；当/>为1时，/>越大，说明第x条初始染色体和第y条初始染色体之间相同的第c个工艺的差异越大，即第一值越大，/>越大；因此，/>越大，说明第x条初始染色体和第y条初始染色体之间相同的第c个工艺的差异越大，第x条初始染色体和第y条初始染色体越不相似。其中，/>的取值范围为/>。
根据获取第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第一差异程度和第二差异程度，获取第x条初始染色体和第y条初始染色体之间的每个相同工艺的第一差异程度和第二差异程度。根据第x条初始染色体和第y条初始染色体之间的每个相同工艺的第一差异程度和第二差异程度，获取第x条初始染色体和第y条初始染色体之间的相似程度的计算公式为：
式中，为第x条初始染色体和第y条初始染色体之间的相似程度；m为待加工铸件的数量；/>为第l个待加工铸件中的工艺数量；/>为第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第一差异程度；/>为第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第二差异程度；norm为归一化函数；/>为第二预设常数，/>大于0。
本发明实施例将设定为0.1，避免分母为0，实施者可根据实际情况设定/>的大小，且保证/>大于0，在此不进行限定。
需要说明的是，越大，说明第x条初始染色体和第y条初始染色体之间相同的第c个工艺的位置差异越大，第x条初始染色体和第y条初始染色体之间的差异越大，越小；/>越大，第x条初始染色体和第y条初始染色体之间相同的第c个工艺在同一个加工设备上的加工顺序差异越大，第x条初始染色体和第y条初始染色体越不相似，越小；因此，/>越小，第x条初始染色体和第y条初始染色体之间的差异越大，初始染色体的基因排列顺序越多样。其中，/>的取值范围为/>。
根据获取第x条初始染色体和第y条初始染色体之间的相似程度的方法，获取任意两条初始染色体之间的相似程度。根据任意两条初始染色体之间的相似程度，获取基因多样程度的计算公式为：
式中，F为基因多样程度；g为初始染色体的数量；为第x条初始染色体和第y条初始染色体之间的相似程度；/>为基因相似度。
需要说明的是，越大，说明第x条初始染色体和第y条初始染色体越相似，基因相似度/>越大，说明所有初始染色体越相似，F越小；因此，F越小，说明初始染色体中的基因排列顺序越相似。其中/>的取值范围为/>，则基因相似度的取值范围为/>，因此，F的取值范围为/>。
步骤S5：根据每个初始染色体的基因适应度和基因多样程度，获取每个初始染色体的变异概率。
具体的，在使用遗传算法进行迭代时，需要保证每次迭代后种群内染色体的多样性，这样可以使得在迭代过程中获取更好的基因型，不至于使所得种群基因型陷入局部最优解，同时需要保证优秀的基因型保留下来。因此，为了确保遗传算法后续迭代过程中的染色体的多样性，同时将优秀的基因型保留下来，本方法实施例首先对初始染色体进行分析，根据每条初始染色体的基因适应度和基因多样程度，获取每个初始染色体的变异概率。
作为一个示例，以第a条初始染色体为例，获取第a条初始染色体的变异概率的计算公式为：
式中，为第a条初始染色体的基因变异概率；/>为第a条初始染色体的基因适应度；F为基因多样程度。/>
需要说明的是，越大，说明第a条初始染色体中的基因分布越合理，第a条初始染色体变异的概率越小，/>越小；F越大，说明初始染色体中的基因分布越混乱，初始染色体变异的概率越小，/>越小；因此，/>越小，说明第a条初始染色体的基因分布越合理，第a条初始染色体对应的待加工铸件的工艺的调度方式越优秀，第a条初始染色体变异的概率越小。
根据获取的第a条初始染色体的变异概率的方法，获取每条初始染色体的变异概率。
步骤S6：基于变异概率利用遗传算法获取进行预设次数迭代后的更新染色体，根据更新染色体的基因适应度，确定待加工铸件的生产流程。
具体的，根据每条初始染色体的变异概率，准确确定每条初始染色体的变异程度，根据遗传算法获取变异后的初始染色体，作为遗传算法进行第一次迭代的更新染色体。根据步骤S5中获取初始染色体的变异概率的方法，获取遗传算法进行第一次迭代的每个更新染色体的变异概率，进而确定遗传算法进行第二次迭代的更新染色体。遗传算法每次迭代的过程为：根据遗传算法每次迭代的更新染色体和每条更新染色体的变异概率，获取遗传算法进行下次迭代的更新染色体。
本发明实施例将预设次数设定为50，实施者可根据实际情况设定预设次数的大小，在此不进行限定。根据获取遗传算法进行第一次迭代的更新染色体和进行第二次迭代的更新染色体的方法，获取预设次数迭代后的更新染色体，作为参与染色体。获取每条参与染色体的基因适应度，将最大的基因适应度对应的参与染色体，作为最终染色体。将目标染色体中的基因，根据最终染色体中的基因分布进行调整，根据调整后的目标染色体的第一部分基因和第二部分基因的组合，准确确定待加工铸件的生产流程。高效的完成待加工铸件的加工，降低生产成本。
至此，本发明完成。
综上所述，本发明实施例待加工铸件的工艺，确定目标染色体，获取遗传算法中的初始染色体；根据初始染色体中的加工设备加工待加工铸件每个工艺的时间和质量，获取初始染色体的基因适应度；根据初始染色体之间的相同工艺对应的基因位置差异和加工顺序差异，获取基因多样程度；根据基因适应度和基因多样程度，获取初始染色体的变异概率，基于变异概率利用遗传算法获取进行预设次数迭代后的更新染色体，根据更新染色体的基因适应度，确定待加工铸件的生产流程。本发明通过获取遗传算法每次迭代中的变异概率，确定最优的待加工铸件的生产流程，高效完成待加工铸件的加工。
基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种用于铸件加工生产的调度系统，该系统包括：存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述一种用于铸件加工生产的调度方法实施例中的步骤，例如图1所示的步骤。该一种用于铸件加工生产的调度方法在上述实施例中已经详细说明，不再赘述。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
Claims (2)
1.一种用于铸件加工生产的调度方法，其特征在于，该方法包括以下步骤：
获取待加工铸件和每个待加工铸件的每个工艺；依次获取每个加工设备加工每个工艺的时间和质量，依次作为第一时间和第一质量；
根据加工设备、待加工铸件和工艺的数量，获取目标染色体；调整目标染色体中基因的位置，获取遗传算法中预设数量的初始染色体；
根据每条初始染色体对应的第一质量和第一时间，获取每条初始染色体的质量合格度，以及每条初始染色体中的每个加工设备的整体工作时间和每个待加工铸件的完成时间；根据每条初始染色体和目标染色体之间的工艺差异，获取每条初始染色体的缺失工艺数量；根据每条初始染色体的质量合格度和缺失工艺数量，以及每条初始染色体中的整体工作时间和完成时间，获取每条初始染色体的基因适应度；
根据任意两条初始染色体之间的相同工艺对应的基因位置差异，以及加工设备加工相同工艺的顺序差异，获取基因多样程度；
根据每个初始染色体的基因适应度和基因多样程度，获取每个初始染色体的变异概率；
基于变异概率利用遗传算法获取进行预设次数迭代后的更新染色体，根据更新染色体的基因适应度，确定待加工铸件的生产流程；
所述根据加工设备、待加工铸件和工艺的数量，获取目标染色体的方法为：
将所有待加工铸件中所有工艺的总数量作为第一数量，将目标染色体的长度设定为两个第一数量；
将目标染色体的第一个第一数量的基因作为第一部分基因，第二个第一数量的基因作为第二部分基因；
对每个加工设备和每个待加工铸件进行标号，在第一部分基因中随机填充加工设备的标号，在第二部分基因中随机填充待加工铸件的标号；其中，每个待加工铸件的标号出现的次数与对应待加工铸件中的工艺数量相同；
将填充好的染色体作为目标染色体；
所述根据每条初始染色体对应的第一质量和第一时间，获取每条初始染色体的质量合格度，以及每条初始染色体中的每个加工设备的整体工作时间和每个待加工铸件的完成时间的方法为：
对于任一条初始染色体，将该条初始染色体的第一部分基因与第二部分基因中相同位置的基因进行组合，确定每个加工设备加工的工艺，获取该条初始染色体对应的第一质量和第一时间；其中，初始染色体与目标染色体之间的基因数量相同，且第一部分基因均为加工设备的标号，第二部分基因均为待加工铸件的标号；
获取第一质量的均值，作为该条初始染色体的质量合格度；
对于该条初始染色体中的任一个加工设备，获取该加工设备加工的所有工艺对应的第一时间和该加工设备的等待时间的总和，作为该加工设备的整体工作时间；其中，等待时间为：对某一待加工铸件的某个工艺进行加工，但该待加工铸件的前一个工艺还未完成，形成的等待时间；
对于该条初始染色体中的任一个待加工铸件，获取该待加工铸件中的每个工艺对应的第一时间的总和，作为该待加工铸件的完成时间；
所述缺失工艺数量的获取方法为：
对于任一条初始染色体，获取该条初始染色体和目标染色体中每个待加工铸件的工艺数量，作为第二数量；
获取该条初始染色体与目标染色体中相同的待加工铸件的第二数量的差异，作为第一差异；
获取第一差异的累加结果，作为该条初始染色体的缺失工艺数量；
所述基因适应度的计算公式为：
式中，为第a条初始染色体的基因适应度；/>为第a条初始染色体的质量合格度；n为加工设备的数量；/>为第a条初始染色体中的第i个加工设备的整体工作时间；m为待加工铸件的数量；/>为第a条初始染色体中的第j个待加工铸件的完成时间；/>为第a条初始染色体的缺失工艺数量；norm为归一化函数；
所述基因多样程度的获取方法为：
根据每条初始染色体中的每个工艺对应的基因与第一个基因之间的位置差异，获取任意两条初始染色体之间的相同工艺的位置差异的差异绝对值，作为该两条初始染色体之间的相同工艺的第一差异程度；
根据任意两条初始染色体之间的相同工艺是否在同一个设备上进行加工，获取该两条初始染色体之间的相同工艺的加工状态值；
获取任意两条初始染色体之间的相同工艺在同一个设备上进行加工的顺序差异，作为第二差异；
获取第二差异与第一预设常数的相加结果，作为第一结果；其中，预设常数大于0；
获取任意两条初始染色体之间的相同工艺的加工状态值与所述第一结果的乘积，作为第一值；
将所述第一值进行归一化的结果，作为对应两条初始染色体之间的相同工艺的第二差异程度；
根据任意两条初始染色体之间的相同工艺的第一差异程度与第二差异程度，获取该两条初始染色体之间的相似程度；
获取所有两条初始染色体之间的相似程度的均值，作为基因相似度；
将所述基因相似度进行负相关且归一化的结果，作为基因多样程度；
所述相似程度的计算公式为：
式中，为第x条初始染色体和第y条初始染色体之间的相似程度；m为待加工铸件的数量；/>为第l个待加工铸件中的工艺数量；/>为第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第一差异程度；/>为第x条初始染色体和第y条初始染色体之间相同的第c个工艺的第二差异程度；norm为归一化函数；/>为第二预设常数，/>大于0；
所述变异概率的计算公式为：
式中，为第a条初始染色体的变异概率；/>为第a条初始染色体的基因适应度；F为基因多样程度；
所述基于变异概率利用遗传算法获取进行预设次数迭代后的更新染色体，根据更新染色体的基因适应度，确定待加工铸件的生产流程的方法为：
根据每条初始染色体的变异概率，获取遗传算法进行第一次迭代的更新染色体；
获取第一次迭代的更新染色体的变异概率，确定遗传算法进行第二次迭代的更新染色体；
根据遗传算法每次迭代的更新染色体和每条更新染色体的变异概率，获取遗传算法进行下次迭代的更新染色体；
获取遗传算法预设次数迭代后的每条更新染色体的基因适应度，选取最大的基因适应度对应的更新染色体，作为最终染色体；
将目标染色体中的基因，根据最终染色体中的基因分布进行调整，确定待加工铸件的生产流程；
调整目标染色体的第一部分基因中的位置和第二部分基因中的位置，目标染色体的第一部分基因和第二部分基因之间的位置不能互换。
2.一种用于铸件加工生产的调度系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时，实现上述权利要求1所述一种用于铸件加工生产的调度方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310167.3A CN117057485B (zh) | 2023-10-11 | 2023-10-11 | 一种用于铸件加工生产的调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311310167.3A CN117057485B (zh) | 2023-10-11 | 2023-10-11 | 一种用于铸件加工生产的调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117057485A CN117057485A (zh) | 2023-11-14 |
| CN117057485B true CN117057485B (zh) | 2024-01-09 |
Family
ID=88657569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311310167.3A Active CN117057485B (zh) | 2023-10-11 | 2023-10-11 | 一种用于铸件加工生产的调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117057485B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106610653A (zh) * | 2015-12-25 | 2017-05-03 | 四川用联信息技术有限公司 | 一种自交叉遗传算法解柔性作业车间调度问题 |
| CN108803524A (zh) * | 2018-06-28 | 2018-11-13 | 烟台东方能源科技有限公司 | 一种基于生产计划调度有序运行的工业设备控制策略 |
| CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
| CN111242503A (zh) * | 2020-01-21 | 2020-06-05 | 南京航空航天大学 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
| CN111667071A (zh) * | 2020-06-08 | 2020-09-15 | 西安工程大学 | 一种基于改进遗传算法的传统作业车间调度方法 |
| CN111985647A (zh) * | 2020-07-21 | 2020-11-24 | 西安理工大学 | 基于遗传算法的印刷装订作业调度优化方法 |
| CN114266509A (zh) * | 2022-01-26 | 2022-04-01 | 内蒙古工业大学 | 随机贪婪初始种群遗传算法求解柔性作业车间调度方法 |
| CN114819728A (zh) * | 2022-05-24 | 2022-07-29 | 北京沛元科技有限公司 | 一种自适应局部搜索的柔性车间生产调度方法 |
| CN116128215A (zh) * | 2022-12-23 | 2023-05-16 | 上海集成电路研发中心有限公司 | 半导体加工设备的生产调度方法、装置、设备及介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8862627B2 (en) * | 2011-07-29 | 2014-10-14 | The Aerospace Corporation | Systems and methods for auto-adaptive control over converged results for multi-dimensional optimization |
-
2023
- 2023-10-11 CN CN202311310167.3A patent/CN117057485B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106610653A (zh) * | 2015-12-25 | 2017-05-03 | 四川用联信息技术有限公司 | 一种自交叉遗传算法解柔性作业车间调度问题 |
| CN108803524A (zh) * | 2018-06-28 | 2018-11-13 | 烟台东方能源科技有限公司 | 一种基于生产计划调度有序运行的工业设备控制策略 |
| CN109800071A (zh) * | 2019-01-03 | 2019-05-24 | 华南理工大学 | 一种基于改进遗传算法的云计算任务调度方法 |
| CN111242503A (zh) * | 2020-01-21 | 2020-06-05 | 南京航空航天大学 | 一种基于两层遗传算法的多目标柔性作业车间调度方法 |
| CN111667071A (zh) * | 2020-06-08 | 2020-09-15 | 西安工程大学 | 一种基于改进遗传算法的传统作业车间调度方法 |
| CN111985647A (zh) * | 2020-07-21 | 2020-11-24 | 西安理工大学 | 基于遗传算法的印刷装订作业调度优化方法 |
| CN114266509A (zh) * | 2022-01-26 | 2022-04-01 | 内蒙古工业大学 | 随机贪婪初始种群遗传算法求解柔性作业车间调度方法 |
| CN114819728A (zh) * | 2022-05-24 | 2022-07-29 | 北京沛元科技有限公司 | 一种自适应局部搜索的柔性车间生产调度方法 |
| CN116128215A (zh) * | 2022-12-23 | 2023-05-16 | 上海集成电路研发中心有限公司 | 半导体加工设备的生产调度方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进遗传算法的车间调度问题研究;白俊峰;贾志浩;白一辰;;现代制造技术与装备(12);第205-207页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117057485A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107301473B (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
| CN111222642B (zh) | 基于改进小生境遗传算法的多目标柔性作业车间调度方法 | |
| CN112859785B (zh) | 基于多目标优化算法的纸盆车间生产调度方法及调度系统 | |
| CN112668789B (zh) | 一种柔性作业车间带准备工序的自适应分批调度方法 | |
| CN112561225B (zh) | 一种基于标杆协同进化算法的柔性作业车间调度方法 | |
| CN112882449A (zh) | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 | |
| CN112580922A (zh) | 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法 | |
| CN116227874B (zh) | 一种基于遗传算法的柔性作业车间调度方法和装置 | |
| CN115049246A (zh) | 一种面向订单扰动下的离散制造生产线重调度方法 | |
| CN112232548A (zh) | 基于遗传算法的机械加工车间智能排产优化方法及系统 | |
| CN117057485B (zh) | 一种用于铸件加工生产的调度方法及系统 | |
| CN113139720B (zh) | 一种具有学习效应的铸造车间生产调度优化方法 | |
| JP2009277095A (ja) | 生産計画立案装置、生産計画立案方法、プログラム、及びコンピュータ読み取り可能な記憶媒体 | |
| CN111985841B (zh) | 一种基于改进遗传算法的注塑车间调度方法及系统 | |
| CN107437121A (zh) | 适用于多机器同时处理单工件的生产工艺过程控制方法 | |
| CN117132232A (zh) | 项目排产方法及装置 | |
| CN111105164B (zh) | 一种车间调度方法、装置及设备 | |
| CN113283819B (zh) | 基于规则解码的Job Shop调度问题求解方法及系统 | |
| CN115933570A (zh) | 一种考虑产品工序差异的混流装配线平衡方法 | |
| CN115204619A (zh) | 基于改进遗传算法解码的柔性车间调度方法、设备及系统 | |
| CN114859832A (zh) | 一种t梁生产控制方法和系统 | |
| CN112631214B (zh) | 基于改进入侵杂草优化算法的柔性作业车间分批调度方法 | |
| CN109102211B (zh) | 改进布谷鸟搜索的高端装备批处理机调度方法及系统 | |
| CN113821972A (zh) | 一种考虑能效的多机器人协同装配线平衡方法 | |
| CN112257922A (zh) | 一种柔性作业车间调度优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |