CN117094512A - 一种基于遗传算法的工序排程方法、装置、终端及介质 - Google Patents
一种基于遗传算法的工序排程方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN117094512A CN117094512A CN202311071392.6A CN202311071392A CN117094512A CN 117094512 A CN117094512 A CN 117094512A CN 202311071392 A CN202311071392 A CN 202311071392A CN 117094512 A CN117094512 A CN 117094512A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- task
- genetic algorithm
- comprehensive
- chromosome
- 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 88
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 69
- 230000002068 genetic effect Effects 0.000 title claims abstract description 68
- 210000000349 chromosome Anatomy 0.000 claims abstract description 38
- 238000012795 verification Methods 0.000 claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003754 machining 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遗传算法的工序排程方法,包括:通过接口获取排程订单信息,对所述排程订单信息进行拆解,以获取若干单链子订单,所述单链子订单包括独立前置任务、前置任务链以及主任务链中的一种或多种;定义遗传算法参数,在所述遗传算法中加入染色体校验函数;将所述排程订单信息输入遗传算法进行排程;通过染色体校验函数对所述单链子订单进行位置和时间冲突校验,若有冲突则调整染色体并再次进行位置和时间冲突校验,否则输出初始解;计算初始解的综合KPI值,判断所述综合KPI值是否满足结束条件,满足则输出最优解,否则对所述初始解进行优化操作直到所述综合KPI值满足结束条件;将所述最优解转化为排产结果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于遗传算法的工序排程方法、装置、终端及介质。
背景技术
生产排程,是指将生产任务分配至生产资源的过程。在考虑能力和设备的前提下,在物料数量一定的情况下,安排各生产任务的生产顺序,优化生产顺序,优化选择生产设备,使得减少等待时间,平衡各机器和工人的生产负荷。从而优化产能,提高生产效率。
现有的模具加工生产排程主要通过人工进行,由于需要考虑的影响因素较多,且模具的生产工序多、工艺中心较多,同种工序在不同的工艺中心进行加工所需的时间不同,工艺中心能加工的工序种类不同,因此通过人工排程无法充分考虑约束条件,最大化利用加工资源。
发明内容
为了解决上述技术问题,本发明第一方面公开了一种基于遗传算法的工序排程方法,所述方法包括:
通过接口获取排程订单信息,对所述排程订单信息进行拆解,以获取若干单链子订单,所述单链子订单包括独立前置任务、前置任务链以及主任务链中的一种或多种;
定义遗传算法参数,在所述遗传算法中加入染色体校验函数;将所述排程订单信息输入遗传算法进行排程;
通过染色体校验函数对所述单链子订单进行位置和时间冲突校验,若有冲突则调整染色体并再次进行位置和时间冲突校验,否则输出初始解;
计算初始解的综合KPI值,判断所述综合KPI值是否满足结束条件,满足则输出最优解,否则对所述初始解进行优化操作直到所述综合KPI值满足结束条件;
将所述最优解转化为排产结果,所述排产结果包括加工任务、任务对应工作中心以及工作时间。
其中一实施方式中,所述遗传算法参数包括种群规模、迭代次数、GS概率、LS概率、交叉概率以及变异概率。
其中一实施方式中,所述优化操作包括选择操作、交叉操作以及变异操作。
其中一实施方式中,所述综合KPI值的计算公式为:(1-((1-交货准时率)*第一预设系数+(1-设备利用率)*第二预设系数+生产成本*第三预设系数))。
其中一实施方式中,所述排程订单信息包括订单信息、设备信息、任务信息、任务加工参数信息、KPI加权参数以及目标加权参数信息。
其中一实施方式中,所述染色体校验函数在进行冲突校验时,包括位置校验以及时间校验,所述位置校验为使所述独立前置任务的位置不大于其后置任务对应的位置;所述时间校验为完成前置任务的排程处理后,再进行其后置任务的排程处理。。
本发明第二方面公开了一种装置,所述装置包括:
拆解模块,其用于通过接口获取排程订单信息,对所述排程订单信息进行拆解,以获取若干单链子订单,所述单链子订单包括独立前置任务、前置任务链以及主任务链中的一种或多种;
定义模块,其用于定义遗传算法参数,在所述遗传算法中加入染色体校验函数;将所述排程订单信息输入遗传算法进行排程;
计算模块,其用于通过染色体校验函数对所述单链子订单进行位置和时间冲突校验,若有冲突则调整染色体并再次进行位置和时间冲突校验,否则输出初始解;
优化模块,其用于计算初始解的综合KPI值,判断所述综合KPI值是否满足结束条件,满足则输出最优解,否则对所述初始解进行优化操作直到所述综合KPI值满足结束条件;
输出模块,其用于将所述最优解转化为排产结果,所述排产结果包括加工任务、任务对应工作中心以及工作时间。
其中一实施方式中,所述装置包括:所述染色体校验函数在进行冲突校验时,包括位置校验以及时间校验,所述位置校验为使所述独立前置任务的位置不大于其后置任务对应的位置;所述时间校验为完成前置任务的排程处理后,再进行其后置任务的排程处理。
本发明第三方面公开了一种基于遗传算法的工序排程终端,所述终端包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如本发明第一方面公开的基于遗传算法的工序排程方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于遗传算法的工序排程方法中的部分或全部步骤。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例中,首先通过获取排程订单信息并进行拆解,获得工艺路线中并行的独立前置任务或前置任务链的时间顺序关系,以确保遗算法在进行排程时能够检测出前置任务和后置任务的冲突情况,并将其剔除,确保排程结果的可行性;通过在遗传算法中加入染色体校验函数,对独立前置任务和前置任务链进行时间和位置检测,确保在排程过程中前置任务执行完毕后才执行后置任务的排程,确保该单链子订单所对应的染色体为可行的初始解。通过对初始解进行冲突检测,再次判断该初始解是否符合实际工艺流程,如符合则对初始解进行优化操作,根据用户需求调整综合KPI值的计算系数,从而输出满足用户需求的排程结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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他的附图。
图1是本发明实施例公开的一种基于遗传算法的工序排程方法的流程示意图;
图2是本发明实施例公开的一种基于遗传算法的工序排程方法的又一流程示意图;
图3是本发明实施例公开的一种基于遗传算法的工序排程装置的结构示意图;
图4是本发明实施例公开的一种基于遗传算法的工序排程终端的结构示意图;
图5是本发明实施例公开的一种计算机存储介质的结构示意图;
图6是本发明实施例公开的排程订单信息的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、装置、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于遗传算法的工序排程方法、装置、终端以及存储介质,首先通过获取排程订单信息并进行拆解,获得工艺路线中并行的独立前置任务或前置任务链的时间顺序关系,以确保遗算法在进行排程时能够检测出前置任务和后置任务的冲突情况,并将其剔除,确保排程结果的可行性;通过在遗传算法中加入染色体校验函数,对独立前置任务和前置任务链进行时间和位置检测,确保在排程过程中前置任务执行完毕后才执行后置任务的排程,确保该单链子订单所对应的染色体为可行的初始解。通过对初始解进行冲突检测,再次判断该初始解是否符合实际工艺流程,如符合则对初始解进行优化操作,根据用户需求调整综合KPI值的计算系数,从而输出满足用户需求的排程结果。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于遗传算法的工序排程方法的流程示意图。如图1所示,该基于遗传算法的工序排程方法可以包括以下操作:
101通过接口获取排程订单信息,对所述排程订单信息进行拆解,以获取若干单链子订单,所述单链子订单包括独立前置任务、前置任务链以及主任务链中的一种或多种;如图6所示,在模具加工生产中,通常有多条并行的任务链,且并行的前置任务必须排在其后置任务之前,因此为了便于遗传算法进行排产求解,在算法的执行中,通过后置任务不能早于前置任务排产的约束,将排程订单信息分解为若干单链子订单,单链子订单之间进行绑定以形成可行解,分解结果如下:
子订单1:任务1->任务3->任务5->任务9;
子订单2:任务2;
子订单3:任务4;
子订单4:任务6;
子订单5:任务7->任务8;
其中一实施方式中,所述排程订单信息包括订单信息、设备信息、任务信息、任务加工参数信息、KPI加权参数以及目标加权参数信息。所述排程订单信息具体如下:
一.订单信息
OrderStruct{String orderId;//订单编号;
String deliveryDate;//交货期格式:2021-07-10};
二.设备信息:
DeviceStruct{String deviceId;//设备ID
double cost;//单位成本
String[]calendar;//生产日历,格式:2021-07-10 08:00,2021-07-11 12:00};三.任务信息:
TaskStruct{String taskId;//任务Id
String preId;//前置任务Id
String nextId;//后置任务Id
String[]deviceIds;//任务可加工设备数组
int status;//任务状态,1可调,0不可调
String startTime;//加工开始时间,任务可调时为空,不可调时指定时间
String endTime;//加工完成时间,任务可调时为空,不可调时指定时间};四.任务加工参数信息:
ProcessParam{String taskId;//任务Id
String deviceId;//设备Id
Int prepareTime;//准备时间
Int waitTime;//等待时间,注:准备时间和等待时间不占用设备使用时间Inttime;//分钟
double cost;//加工成本};
五.KPI加权参数
KPIWeightStruct{float delivery;//交货准时率系数
float device;//设备利用率系数
float cost;//生产成本系数};
六.目标加权参数信息:
WeightStruct{float device_utilization;//设备利用率系数
float order_delay;//订单延迟率系数
float weighted_Deliver;//加权交货期准时率系数
float cost;//生产成本系数
float kpi;//KPI系数};
102定义遗传算法参数,在所述遗传算法中加入染色体校验函数;将所述排程订单信息输入遗传算法进行排程;
其中一实施方式中,所述遗传算法参数包括种群规模、迭代次数、GS概率、LS概率、交叉概率以及变异概率等。
103通过染色体校验函数对所述单链子订单进行位置和时间冲突校验,若有冲突则调整染色体并再次进行位置和时间冲突校验,否则输出初始解;
其中一实施方式中,所述染色体校验函数在进行冲突校验时,包括位置校验以及时间校验,所述位置校验为使所述独立前置任务的位置不大于其后置任务对应的位置;所述时间校验为完成前置任务的排程处理后,再进行其后置任务的排程处理。
104计算初始解的综合KPI值,判断所述综合KPI值是否满足结束条件,满足则输出最优解,否则对所述初始解进行优化操作直到所述综合KPI值满足结束条件;
其中一实施方式中,所述综合KPI值的计算公式为:(1-((1-交货准时率)*第一预设系数+(1-设备利用率)*第二预设系数+生产成本*第三预设系数))。可以理解的是,预设系数为用户自行调整,根据用户实际需求确定交货准时率、设备利用率、生产成本对于综合KPI值的比重。
所述优化操作包括选择操作、交叉操作以及变异操作。
105将所述最优解转化为排产结果,所述排产结果包括加工任务、任务对应工作中心以及工作时间。
具体地,所述最优解包括任务排产结果以及排程指标;
一.任务排程结果:
TaskResut{String taskId;//任务Id
String deviceId;//设备Id
String startTime;//加工开始时间,格式:2021-07-11 08:00
String endTime;//加工完成时间,格式:2021-07-12 08:00};
二.排程指标:
AppraisalResult{float device;//设备利用率
float device;//订单延迟率
float weightedDeliver;//订单加权延期率
foat cost;//生产成本
float kpi;//综合KPI};
所述遗传算法的目标设定为:Maximize goal=设备利用率*WeightStruct.device_Utilization+订单延迟率*WeightStruct.order_delay+订单加权延期率*WeightStruct.weighted_Deliver+生产成本*WeightStruct.cost+综合KPI*WeightStruct.kpi
参数:设备利用率—device_utilization
订单延迟率—order_delay
订单加权延期率—weighted_Deliver
生产成本—cost
综合KPI值—kpi
本发明实施例至少具有以下有益效果:
(1)能够满足模具加工中多并行工序任务、前置工序任务的情形,在进行排程时进行冲突检测,计算获得可行的解。
(2)综合KPI值能够根据用户需求进行系数设置,通过调整系数实现了不同的加权规则,为用户提供更加灵活的排程。
可见,实施图1以及实施图2所描述的基于遗传算法的工序排程方法,首先通过获取排程订单信息并进行拆解,获得工艺路线中并行的独立前置任务或前置任务链的时间顺序关系,以确保遗算法在进行排程时能够检测出前置任务和后置任务的冲突情况,并将其剔除,确保排程结果的可行性;通过在遗传算法中加入染色体校验函数,对独立前置任务和前置任务链进行时间和位置检测,确保在排程过程中前置任务执行完毕后才执行后置任务的排程,确保该单链子订单所对应的染色体为可行的初始解。通过对初始解进行冲突检测,再次判断该初始解是否符合实际工艺流程,如符合则对初始解进行优化操作,根据用户需求调整综合KPI值的计算系数,从而输出满足用户需求的排程结果。
实施例二
请参阅图3,图3是本发明实施例公开的一种基于遗传算法的工序排程装置的结构示意图。如图3所示,该基于遗传算法的工序排程装置可以包括:
拆解模块,其用于通过接口获取排程订单信息,对所述排程订单信息进行拆解,以获取若干单链子订单,所述单链子订单包括独立前置任务、前置任务链以及主任务链中的一种或多种;
定义模块,其用于定义遗传算法参数,在所述遗传算法中加入染色体校验函数;将所述排程订单信息输入遗传算法进行排程;
计算模块,其用于通过染色体校验函数对所述单链子订单进行位置和时间冲突校验,若有冲突则调整染色体并再次进行位置和时间冲突校验,否则输出初始解;
优化模块,其用于计算初始解的综合KPI值,判断所述综合KPI值是否满足结束条件,满足则输出最优解,否则对所述初始解进行优化操作直到所述综合KPI值满足结束条件;
输出模块,其用于将所述最优解转化为排产结果,所述排产结果包括加工任务、任务对应工作中心以及工作时间。
其中一实施方式中,所述装置包括:所述染色体校验函数在进行冲突校验时,包括位置校验以及时间校验,所述位置校验为使所述独立前置任务的位置不大于其后置任务对应的位置;所述时间校验为完成前置任务的排程处理后,再进行其后置任务的排程处理。
对于上述基于遗传算法的工序排程装置的具体描述可以参照上述基于遗传算法的工序排程方法的具体描述,在此不再一一赘述。
实施例三
请参阅图4,图4是本发明实施例公开的一种基于遗传算法的工序排程终端的结构示意图。如图4所示,该基于遗传算法的工序排程终端可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于遗传算法的工序排程方法中的步骤。
实施例四
请参阅图5,图5是本发明实施例公开的一种计算机存储介质的结构示意图。如图5所示,本发明实施例公开了一种计算机存储介质401,计算机存储介质401存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于遗传算法的工序排程方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-OnlyMemory,ROM)、随机存储器(RandomAccessMemory,RAM)、可编程只读存储器(ProgrammableRead-onlyMemory,PROM)、可擦除可编程只读存储器(ErasableProgrammableReadOnlyMemory,EPROM)、一次可编程只读存储器(One-timeProgrammableRead-OnlyMemory,OTPROM)、电子抹除式可复写只读存储器(Electrically-ErasableProgrammableRead-OnlyMemory,EEPROM)、只读光盘(CompactDiscRead-OnlyMemory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于遗传算法的工序排程方法、装置、终端以及存储介质所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于遗传算法的工序排程方法,其特征在于,所述方法包括:
通过接口获取排程订单信息,对所述排程订单信息进行拆解,以获取若干单链子订单,所述单链子订单包括独立前置任务、前置任务链以及主任务链中的一种或多种;
定义遗传算法参数,在所述遗传算法中加入染色体校验函数;将所述排程订单信息输入遗传算法进行排程;
通过染色体校验函数对所述单链子订单进行位置和时间冲突校验,若有冲突则调整染色体并再次进行位置和时间冲突校验,否则输出初始解;
计算初始解的综合KPI值,判断所述综合KPI值是否满足结束条件,满足则输出最优解,否则对所述初始解进行优化操作直到所述综合KPI值满足结束条件;
将所述最优解转化为排产结果,所述排产结果包括加工任务、任务对应工作中心以及工作时间。
2.根据权利要求1所述的基于遗传算法的工序排程方法,其特征在于,
所述遗传算法参数包括种群规模、迭代次数、GS概率、LS概率、交叉概率以及变异概率。
3.根据权利要求1所述的基于遗传算法的工序排程方法,其特征在于,
所述优化操作包括选择操作、交叉操作以及变异操作。
4.根据权利要求1所述的基于遗传算法的工序排程方法,其特征在于,
所述综合KPI值的计算公式为:(1-((1-交货准时率)*第一预设系数+(1-设备利用率)*第二预设系数+生产成本*第三预设系数))。
5.根据权利要求1所述的基于遗传算法的工序排程方法,其特征在于,
所述排程订单信息包括订单信息、设备信息、任务信息、任务加工参数信息、KPI加权参数以及目标加权参数信息。
6.根据权利要求1所述的基于遗传算法的工序排程方法,其特征在于,所述染色体校验函数在进行冲突校验时,包括位置校验以及时间校验,所述位置校验为使所述独立前置任务的位置不大于其后置任务对应的位置;所述时间校验为完成前置任务的排程处理后,再进行其后置任务的排程处理。
7.一种基于遗传算法的工序排程装置,其特征在于,所述装置包括:
拆解模块,其用于通过接口获取排程订单信息,对所述排程订单信息进行拆解,以获取若干单链子订单,所述单链子订单包括独立前置任务、前置任务链以及主任务链中的一种或多种;
定义模块,其用于定义遗传算法参数,在所述遗传算法中加入染色体校验函数;将所述排程订单信息输入遗传算法进行排程;
计算模块,其用于通过染色体校验函数对所述单链子订单进行位置和时间冲突校验,若有冲突则调整染色体并再次进行位置和时间冲突校验,否则输出初始解;
优化模块,其用于计算初始解的综合KPI值,判断所述综合KPI值是否满足结束条件,满足则输出最优解,否则对所述初始解进行优化操作直到所述综合KPI值满足结束条件;
输出模块,其用于将所述最优解转化为排产结果,所述排产结果包括加工任务、任务对应工作中心以及工作时间。
8.根据权利要求7所述的基于遗传算法的工序排程装置,其特征在于,所述装置包括:所述染色体校验函数在进行冲突校验时,包括位置校验以及时间校验,所述位置校验为使所述独立前置任务的位置不大于其后置任务对应的位置;所述时间校验为完成前置任务的排程处理后,再进行其后置任务的排程处理。
9.一种基于遗传算法的工序排程终端,其特征在于,所述终端包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-6任一项所述的基于遗传算法的工序排程方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的基于遗传算法的工序排程方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311071392.6A CN117094512A (zh) | 2023-08-23 | 2023-08-23 | 一种基于遗传算法的工序排程方法、装置、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311071392.6A CN117094512A (zh) | 2023-08-23 | 2023-08-23 | 一种基于遗传算法的工序排程方法、装置、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117094512A true CN117094512A (zh) | 2023-11-21 |
Family
ID=88774851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311071392.6A Pending CN117094512A (zh) | 2023-08-23 | 2023-08-23 | 一种基于遗传算法的工序排程方法、装置、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094512A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08129586A (ja) * | 1994-10-31 | 1996-05-21 | Sanyo Electric Co Ltd | スケジュール作成方法 |
CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术(上海)有限公司 | 一种应用了基于精英解池的遗传算法的生产排程系统和方法 |
CN104166874A (zh) * | 2013-05-06 | 2014-11-26 | 北京理工大学 | 一种基于遗传算法的目标选择规划方法 |
CN111667194A (zh) * | 2020-06-15 | 2020-09-15 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
CN113379087A (zh) * | 2021-06-29 | 2021-09-10 | 浙江大学 | 一种基于改进遗传算法的生产制造排产优化方法 |
-
2023
- 2023-08-23 CN CN202311071392.6A patent/CN117094512A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08129586A (ja) * | 1994-10-31 | 1996-05-21 | Sanyo Electric Co Ltd | スケジュール作成方法 |
CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术(上海)有限公司 | 一种应用了基于精英解池的遗传算法的生产排程系统和方法 |
CN104166874A (zh) * | 2013-05-06 | 2014-11-26 | 北京理工大学 | 一种基于遗传算法的目标选择规划方法 |
CN111667194A (zh) * | 2020-06-15 | 2020-09-15 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
CN113379087A (zh) * | 2021-06-29 | 2021-09-10 | 浙江大学 | 一种基于改进遗传算法的生产制造排产优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114118799A (zh) | 一种基于虚拟工序的遗传算法车间排产方法 | |
CN115700639B (zh) | 智能生产排程方法、装置、设备及存储介质 | |
CN109872049B (zh) | 资源配置优化方法及装置 | |
CN110046777A (zh) | 一种柔性作业车间持续重构调度方法及装置 | |
CN108446534A (zh) | 选择神经网络超参数的方法、装置和计算机可读存储介质 | |
CN112101740A (zh) | 确定生产计划的方法、装置、设备和存储介质 | |
CN112686474B (zh) | 一种基于改进的水波优化算法的可并行装配线平衡方法 | |
CN111754086A (zh) | 一种订单排产的方法 | |
CN114781934B (zh) | 工单分配方法及相关装置 | |
CN113807821A (zh) | 基于离散场景同步工单的方法、系统、设备及存储介质 | |
CN114881301A (zh) | 生产线的仿真排产方法、系统、终端设备及存储介质 | |
CN113762811B (zh) | 一种考虑加班的无拖期Job Shop调度问题求解方法及系统 | |
CN106327053B (zh) | 一种基于多模式集合的纺织工艺推荐模型的构建方法 | |
CN113554301B (zh) | 一种生产计划排程方法及系统 | |
CN112491742B (zh) | 一种边缘计算终端资源调度方法及装置 | |
CN117094512A (zh) | 一种基于遗传算法的工序排程方法、装置、终端及介质 | |
CN117132232A (zh) | 项目排产方法及装置 | |
CN117455135A (zh) | 一种模具加工的生产排程方法、系统、终端及存储介质 | |
CN116451936A (zh) | 一种基于遗传算法的排程方法、系统和存储介质 | |
CN114418418A (zh) | 基于工序换算比的工单信息流转方法、系统、设备及介质 | |
CN114971606A (zh) | 一种用于优先成功的动态支付路由方法、系统及装置 | |
CN107885589A (zh) | 一种作业调度方法及装置 | |
CN117094511A (zh) | 一种基于时间函数的工序排程方法、装置、终端及介质 | |
CN114548661A (zh) | 生产排程的处理方法、装置、设备及存储介质 | |
CN110610350A (zh) | 一种项目管理方法、装置及设备 |
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 |