CN117151428B - 一种基于nsga-ii的经编机备料规划方法 - Google Patents
一种基于nsga-ii的经编机备料规划方法 Download PDFInfo
- Publication number
- CN117151428B CN117151428B CN202311406754.2A CN202311406754A CN117151428B CN 117151428 B CN117151428 B CN 117151428B CN 202311406754 A CN202311406754 A CN 202311406754A CN 117151428 B CN117151428 B CN 117151428B
- Authority
- CN
- China
- Prior art keywords
- total
- time
- raw material
- establishing
- nsga
- 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
- 238000009940 knitting Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000002994 raw material Substances 0.000 claims abstract description 118
- 238000002360 preparation method Methods 0.000 claims abstract description 71
- 239000000463 material Substances 0.000 claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 239000004744 fabric Substances 0.000 claims description 31
- 230000035772 mutation Effects 0.000 claims description 29
- 210000000349 chromosome Anatomy 0.000 claims description 20
- 210000001161 mammalian embryo Anatomy 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 239000007858 starting material Substances 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005303 weighing 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
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- 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
- 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]
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Medical Informatics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
Abstract
本发明涉及经编机备料技术领域,尤其涉及一种基于NSGA‑II的经编机备料规划方法。该方法包括S1:数据采集;S2:数据处理;S3:建立经编机备料的数学模型:引入NSGA‑II算法,分别生成有关停机次数和备料次数的适用性函数,得出多个解集;S4:增加惩罚机制;S5:生成备料计划。本发明通过引入NSGA‑II算法用于规划经编机的备料过程,将限定条件输入至带惩罚机制的NSGA‑II算法后,可得出一系列解集,生产人员根据解集和实际需要选择对应的备料计划,根据备料计划,生产人员可以提前准备好需要的盘头数量以及每个盘头所装载的原料数量,从而减少多次停机换料对生产效率的影响,大大提高生产效益。
Description
技术领域
本发明涉及经编机备料技术领域,尤其是涉及的是一种基于NSGA-I I的经编机备料规划方法。
背景技术
纺织经编生产过程中通过多个梳栉协同,将多种原料按一定的工艺规律编织成具有较高性能的面料。具体而言,首先将生产所需的每种纱线通过整经工艺装载到一组盘头上。但是由于原料的工艺参数、盘头容量大小、纱线进给量等参数不同,导致盘头转速不同和纱线进给量不同,并且,每组盘头装载的原料容量有限,在大批量的订单生产过程中,往往需要多次停机对已消耗完原料的盘头进行更换,而每一次更换原料后,需要重新对机台进行调整和测试,以保障所生产的面料满足客户工艺要求。然而,经编原料准备周期长、盘头更换成本高,对生产效率有较大的影响,需要提前制定可靠的生产备料计算以提高生产协同效率和生产稳定性,即需要根据每一原料的需求量、进给速度、装载容量,合理制定备料计划。
目前,主要的备料方法可以归结为以下两种:1、按照最大容量准备每一种原料;2、在每次设备停机时进行整体更换。然而,这两种方法都存在明显的问题。在按照每种原料的最大容量准备时,由于各种原料的消耗速度不同,当某种原料耗尽时,就不得不停机进行更换。这种做法容易导致多次停机,不仅影响了生产效率,而且每次停机还可能对成品的质量造成不良影响;另一种在设备停机时进行全部原料的更换,虽然避免了多次停机的问题,但不能充分发挥每种原料的最大容量,可能会导致多次不必要的备料操作。
发明内容
本发明的其他特征和优点将在随后的说明书中阐述,并且部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及其他说明书附图中所特别指出的结构来实现和获得。
本发明的目的在于克服上述不足,提供一种基于NSGA-II的经编机备料规划方法,通过引入NSGA-II算法用于规划经编机的备料过程,将限定条件输入至带惩罚机制的NSGA-II算法后,可得出一系列解集,生产人员根据解集和实际需要选择对应的备料计划,根据备料计划,生产人员可以提前准备好需要的盘头数量以及每个盘头所装载的原料数量,从而减少多次停机换料对生产效率的影响,大大提高生产效益。
本发明提供一种基于NSGA-II的经编机备料规划方法,包括:
S1:数据采集:根据订单获取胚布的组成原料、各原料的总需求量、各原料对应盘头的最大容量以及盘头对应梳栉的送纱速度;
S2:数据处理:根据各原料对应盘头的最大容量以及盘头对应梳栉的送纱速度,计算各原料单次盘头换纱的最大间隔时间,根据各原料的总需求量与送纱速度,计算织完该胚布的总需要时间;
S3:建立经编机备料的数学模型:为减少停机次数和备料次数,引入NSGA-II算法,分别生成有关停机次数和备料次数的适用性函数,得出多个解集;
S4:增加惩罚机制:在S3步骤得出的多个解集中,对不符合约束的解施加一定惩罚,以快速得到最优解;
S5:生成备料计划:按照S4步骤得出的最优解生成对应的备料计划,从解集中可得出组成原料需要在哪个时间序列开始备料以及需要备多少料。
在一些实施例中,在S1步骤中,对订单获取的胚布组成原料及各原料的总需求量生成数组D,D={d1,d2,…,di,…dn};根据各原料对应盘头的最大容量建立数组C,C={c1,c2,…,ci,…cn};根据盘头对应梳栉的送纱速度建立数组V,V={v1,v2,…,vi,…vnn};其中i为第i个原料,di为该原料对应梳栉的总需求量,ci为该原料对应盘头的最大容量,vi为该盘头对应梳栉的送纱速度;n为组成坯布的原料数量。
在一些实施例中,在S2步骤中,对各原料单次盘头换纱的最大间隔时间建立数组T,T={t1,t2,…,ti,…tn},其中,ti为某一原料的单次盘头换纱的最大间隔时间,ti=ci/vi,ci和vi为数组C和数组V中的任意值;织完该胚布的总需要时间为ttotal,ttotal=di/vi,其中,di和vi为数组D和数组V中的任意值。
在一些实施例中,在S3步骤中,建立经编机备料的数学模型的具体步骤如下:
S31、编码:将总需要时间ttotal平均划分成m个时间序列,设组成坯布的原料数量为n,初始种群数为p,随机生成p个m×n的二维二进制数组,建立编码矩阵X:
其中,xij表示原料i在第j个时间序列开始时是否备料,1为备料,0为不备料;
S32、最大时间约束:在第i列中任意连续的0的个数小于等于ti-1;
S33、计划开始备料约束:
对这个约束,第一列不参与交叉变异等操作且默认为1;
S34、惩罚:
其中,Qi表示第i列中连续0超过ti-1的数量;
S35、建立优化目标1:建立总备料次数最少的适应性函数:
建立优化目标2:建立总停机次数最少的适应性函数:
其中,Ij的定义为:如果第j个时间序列有停机,即第j列有包含1,Ij即为1,否则为0。
在一些实施例中,在S4步骤中,建立惩罚机制的具体步骤如下:
S41、设置变量以及参数:输入的变量和参数有:各原料单次盘头换纱的最大间隔时间T={t1,t2,…,ti,…tn}和时间序列的长度ttotal的最小整数比,最大迭代次数gen,种群数量p;
S42、编码与解码:采用S31步骤中的编码方式初始化种群,生成p个m×n的染色体作为初始解集;对种群中的每个染色体进行解码,采用S35中的计算公式计算每个染色体的适应度;
S43、非支配排序与拥挤度排序:通过比较解之间的支配关系,将解划分为多个不同的非支配层次;对于每个非支配层,计算每个个体的拥挤度距离,拥挤度距离表示个体在其邻域内的分布密度;
S44、选择操作:从每个非支配层中选择一定数量的最优个体作为精英,用于下一代种群的构建;
S45、交叉变异操作;
S46、精英保留策略:将S44步骤中选择的个体和S45步骤中经过交叉变异的子代组合形成新的种群;
S47、判断是否达到最大迭代次数,达到最大迭代次数,输出位于帕累托前沿的解集,否则回到S42步骤。
在一些实施例中,在S45步骤中,交叉变异操作具体可以分为交叉操作与变异操作,其中,交叉操作又包括单点交叉操作和行交叉操作。
在一些实施例中,所述单点交叉操作为:两个父代染色体同一行的编码中分别随机选择值为1和0的编码交换;所述行交叉操作为:两个父代染色体同一行的编码交换。
在一些实施例中,变异操作中,包括两种具体变异操作,一种为每个元素按一定概率随机取非值,另一种为同一行中随机选择一个1和0交换位置。
在一些实施例中,在S31与S41的编码步骤中,因为所有原料最终织成相同的产品,所以原料需要供给的总时间均相等,时间序列的长度为t1,t2,…,tn,ttotal的最小整数比值中ttotal对应的系数m,因此将时间序列分为m份。
在一些实施例中,在S5步骤中,当编码的第i行第j列的数为1时,表示原料i在第j个时间序列开始时刻需要备料,从这个数开始,继续向后遍历这一行,直到出现下一个1为止,统计遍历到0的数量,这个数量加1即为需要准备原料的生产时间序列长度。
通过采用上述的技术方案,本发明的有益效果是:
本发明通过引入NSGA-II算法用于规划经编机的备料过程,将限定条件输入至带惩罚机制的NSGA-II算法后,可得出一系列解集,生产人员可以在生产前根据实际需要选择对应的备料计划,根据备料计划,生产人员可以提前准备好需要的盘头数量,以及每个盘头所装载的原料数量,从而减少多次停机换料对生产效率的影响,控制经编机在最优的停机时机批量更换盘头,减少机台停机次数和备料次数,从而大大提高生产效益。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
无疑的,本发明的此类目的与其他目的在下文以多种附图与绘图来描述的较佳实施例细节说明后将变为更加显见。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举一个或数个较佳实施例,并配合所示附图,作详细说明如下。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例共同用于解释本发明,并不构成对本发明的限制。
在附图中,相同的部件使用相同的附图标记,并且附图是示意性的,并不一定按照实际的比例绘制。
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,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个或数个实施例,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,还可以根据此类附图获得其他的附图。
图1为本发明一些实施例中的经编机备料计划总流程示意图;
图2为本发明一些实施例中的带惩罚机制的NSGA-II算法流程示意图;
图3为本发明实施例1解集的甘特图;
图4为本发明实施例2解集的甘特图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合具体实施方式对本发明进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,但并不用于限定本发明。
另外,在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。但注明直接连接则说明连接地两个主体之间并不通过过渡结构构建连接关系,只通过连接结构相连形成一个整体。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。
参照图1-2,图1为本发明一些实施例中的经编机备料计划总流程示意图;图2为本发明一些实施例中的带惩罚机制的NSGA-II算法流程示意图。
根据本发明的一些实施例,本发明提供了一种基于NSGA-II的经编机备料规划方法,包括:
S1:数据采集:根据订单获取胚布的组成原料、各原料的总需求量、各原料对应盘头的最大容量以及盘头对应梳栉的送纱速度;
在S1步骤中,对订单获取的胚布组成原料及各原料的总需求量生成数组D,D=
{d1,d2,…,di,…dn};根据各原料对应盘头的最大容量建立数组C,C={c1,c2,…,ci,…cn};根据盘头对应梳栉的送纱速度建立数组V,V={v1,v2,…,vi,…vn};其中i为第i个原料,di为该原料对应梳栉的总需求量,ci为该原料对应盘头的最大容量,vi为该盘头对应梳栉的送纱速度;n为组成坯布的原料数量。
S2:数据处理:根据各原料对应盘头的最大容量以及盘头对应梳栉的送纱速度,计算各原料单次盘头换纱的最大间隔时间,根据各原料的总需求量与送纱速度,计算织完该胚布的总需要时间;
在S2步骤中,对各原料单次盘头换纱的最大间隔时间建立数组T,T={t1,t2,…,ti,…tn},其中,ti为某一原料的单次盘头换纱的最大间隔时间,ti=ci/vi,ci和vi为数组C和数组V中的任意值;织完该胚布的总需要时间为ttotal,ttotal=di/vi,其中,dii和vi为数组D和数组V中的任意值。
S3:建立经编机备料的数学模型:为减少停机次数和备料次数,引入NSGA-II算法,分别生成有关停机次数和备料次数的适用性函数,得出多个解集;
在S3步骤中,建立经编机备料的数学模型的具体步骤如下:
S31、编码:将总需要时间ttotal平均划分成m个时间序列,设组成坯布的原料数量为n,初始种群数为p,随机生成p个m×n的二维二进制数组,建立编码矩阵X:
其中,xij表示原料i在第j个时间序列开始时是否备料,1为备料,0为不备料;因为所有原料最终织成相同的产品,所以原料需要供给的总时间均相等,时间序列的长度为t1,t2,…,tn,ttotal的最小整数比值中ttotal对应的系数m,因此将时间序列分为m份。
S32、最大时间约束:在第i列中任意连续的0的个数小于等于ti-1;
S33、计划开始备料约束:
对这个约束,第一列不参与交叉变异等操作且默认为1;
S34、惩罚:
其中,Qi表示第i列中连续0超过ti-1的数量;
S35、建立优化目标1:建立总备料次数最少的适应性函数:
建立优化目标2:建立总停机次数最少的适应性函数:
其中,Ij的定义为:如果第j个时间序列有停机,即第j列有包含1,Ij即为1,否则为0。
S4:增加惩罚机制:在S3步骤得出的多个解集中,对不符合约束的解施加一定惩罚,以快速得到最优解;
如图2所示,在S4步骤中,建立惩罚机制的具体步骤如下:
S41、设置变量以及参数:输入的变量和参数有:各原料单次盘头换纱的最大间隔时间T={t1,t2,…,ti,…tn}和时间序列的长度ttotal的最小整数比,最大迭代次数gen,种群数量p;
S42、编码与解码:采用S31步骤中的编码方式初始化种群,生成p个m×n的染色体作为初始解集;对种群中的每个染色体进行解码,采用S35中的计算公式计算每个染色体的适应度;
S43、非支配排序与拥挤度排序:通过比较解之间的支配关系,将解划分为多个不同的非支配层次;对于每个非支配层,计算每个个体的拥挤度距离,拥挤度距离表示个体在其邻域内的分布密度;
S44、选择操作:从每个非支配层中选择一定数量的最优个体作为精英,用于下一代种群的构建;
S45、交叉变异操作;
交叉变异操作具体可以分为交叉操作与变异操作,其中,交叉操作又包括单点交叉操作和行交叉操作;所述单点交叉操作为:两个父代染色体同一行的编码中分别随机选择值为1和0的编码交换;所述行交叉操作为:两个父代染色体同一行的编码交换;变异操作中,包括两种具体变异操作,一种为每个元素按一定概率随机取非值,另一种为同一行中随机选择一个1和0交换位置。
S46、精英保留策略:将S44步骤中选择的个体和S45步骤中经过交叉变异的子代组合形成新的种群;
S47、判断是否达到最大迭代次数,达到最大迭代次数,输出位于帕累托前沿的解集,否则回到S42步骤。
S5:生成备料计划:按照S4步骤得出的最优解生成对应的备料计划,从解集中可得出组成原料需要在哪个时间序列开始备料以及需要备多少料。
在S5步骤中,当编码的第i行第j列的数为1时,表示原料i在第j个时间序列开始时刻需要备料,从这个数开始,继续向后遍历这一行,直到出现下一个1为止,统计遍历到0的数量,这个数量加1即为需要准备原料的生产时间序列长度,进一步地可以根据解码结果生成备料计划的甘特图。
实施例1
参照图1-3,图1为本发明一些实施例中的经编机备料计划总流程示意图;图2为本发明一些实施例中的带惩罚机制的NSGA-II算法流程示意图;图3为本发明实施例1解集的甘特图。
本实施例提供了一种基于NSGA-II的经编机备料规划方法,包括:
S1:数据采集:根据订单获取胚布的组成原料、各原料的总需求量、各原料对应盘头的最大容量以及盘头对应梳栉的送纱速度;
在S1步骤中,对订单获取的胚布组成原料及各原料的总需求量生成数组D,D=
{d1,d2,…,di,…dn};根据各原料对应盘头的最大容量建立数组C,C={c1,c2,…,ci,…cn};根据盘头对应梳栉的送纱速度建立数组V,V={v1,v2,…,vi,…vn};其中i为第i个原料,di为该原料对应梳栉的总需求量,ci为该原料对应盘头的最大容量,vi为该盘头对应梳栉的送纱速度;n为组成坯布的原料数量。
在此例中,D={200,200,100,100,100},C={50,70,45,55,65},V={10,10,5,5,5}。
S2:数据处理:根据各原料对应盘头的最大容量以及盘头对应梳栉的送纱速度,计算各原料单次盘头换纱的最大间隔时间,根据各原料的总需求量与送纱速度,计算织完该胚布的总需要时间;
在S2步骤中,对各原料单次盘头换纱的最大间隔时间建立数组T,T={t1,t2,…,ti,…tn},其中,ti为某一原料的单次盘头换纱的最大间隔时间,ti=ci/vi,ci和vi为数组C和数组V中的任意值;织完该胚布的总需要时间为ttotal,ttotal=di/vi,其中,di和vi为数组D和数组V中的任意值;
根据S1的输入可以得到:t={5,7,9,11,13},ttotal=20。
S3:建立经编机备料的数学模型:为减少停机次数和备料次数,引入NSGA-II算法,分别生成有关停机次数和备料次数的适用性函数,得出多个解集;
在S3步骤中,建立经编机备料的数学模型的具体步骤如下:
S31、编码:将总需要时间ttotal平均划分成m个时间序列,设组成坯布的原料数量为n,初始种群数为p,随机生成p个m×n的二维二进制数组,建立编码矩阵X:
其中,xij表示原料i在第j个时间序列开始时是否备料,1为备料,0为不备料;因为所有原料最终织成相同的产品,所以原料需要供给的总时间均相等,时间序列的长度为t1,t2,…,tn,ttotal的最小整数比值中ttotal对应的系数m,因此将时间序列分为m份,本实施例中,化为最小整数比可以得到m=20。
S32、最大时间约束:在第i列中任意连续的0的个数小于等于ti-1;
S33、计划开始备料约束:
对这个约束,第一列不参与交叉变异等操作且默认为1;
S34、惩罚:
其中,Qi表示第i列中连续0超过ti-1的数量;
S35、建立优化目标1:建立总备料次数最少的适应性函数:
建立优化目标2:建立总停机次数最少的适应性函数:
其中,Ij的定义为:如果第j个时间序列有停机,即第j列有包含1,Ij即为1,否则为0。
S4:增加惩罚机制:在S3步骤得出的多个解集中,对不符合约束的解施加一定惩罚,以快速得到最优解;
如图2所示,在S4步骤中,建立惩罚机制的具体步骤如下:
S41、设置变量以及参数:输入的变量和参数有:各原料单次盘头换纱的最大间隔时间T={t1,t2,…,ti,…tn}和时间序列的长度ttotal的最小整数比,最大迭代次数gen,种群数量p;
S42、编码与解码:采用S31步骤中的编码方式初始化种群,生成p个m×n的染色体作为初始解集;对种群中的每个染色体进行解码,采用S35中的计算公式计算每个染色体的适应度;
S43、非支配排序与拥挤度排序:通过比较解之间的支配关系,将解划分为多个不同的非支配层次;对于每个非支配层,计算每个个体的拥挤度距离,拥挤度距离表示个体在其邻域内的分布密度;
S44、选择操作:从每个非支配层中选择一定数量的最优个体作为精英,用于下一代种群的构建;
S45、交叉变异操作;
交叉变异操作具体可以分为交叉操作与变异操作,其中,交叉操作又包括单点交叉操作和行交叉操作;所述单点交叉操作为:两个父代染色体同一行的编码中分别随机选择值为1和0的编码交换;所述行交叉操作为:两个父代染色体同一行的编码交换;变异操作中,包括两种具体变异操作,一种为每个元素按一定概率随机取非值,另一种为同一行中随机选择一个1和0交换位置。
S46、精英保留策略:将S44步骤中选择的个体和S45步骤中经过交叉变异的子代组合形成新的种群;
S47、判断是否达到最大迭代次数,达到最大迭代次数,输出位于帕累托前沿的解集,否则回到S42步骤。
S5:生成备料计划:按照S4步骤得出的最优解生成对应的备料计划,从解集中可得出组成原料需要在哪个时间序列开始备料以及需要备多少料;
在S5步骤中,当编码的第i行第j列的数为1时,表示原料i在第j个时间序列开始时刻需要备料,从这个数开始,继续向后遍历这一行,直到出现下一个1为止,统计遍历到0的数量,这个数量加1即为需要准备原料的生产时间序列长度,进一步地可以根据解码结果生成备料计划的甘特图。
在本实施例中,解集的备料计划甘特图如图3所示,解集的编码如表1所示,具体的,备料次数可理解为编码结果中遇到1的个数,停机次数可以理解为在编码的数条纵列当中,纵列中有1即停机,从表1中可得出编码A的备料次数为14,停机次数为5;编码B的备料次数为16,停机次数为4,综合比较得出,编码A在备料次数上更有优势,编码B在停机次数上更有优势,备料人员可根据生产的实际需要,择一进行备料。
表1:实施例1编码结果
实施例2
本实施例与实施例1的区别在于:
参照图1-2与图4,图1为本发明一些实施例中的经编机备料计划总流程示意图;图2为本发明一些实施例中的带惩罚机制的NSGA-II算法流程示意图;图4为本发明实施例2解集的甘特图。
根据本发明的一些实施例,可选的,对订单获取的胚布组成原料及各原料的总需求量生成数组D,D={d1,d2,…,di,…dn};根据各原料对应盘头的最大容量建立数组C,C=
{c1,c2,…,ci,…cn};根据盘头对应梳栉的送纱速度建立数组V,V={v11,v2,…,vi,…vn};其中i为第i个原料,di为该原料对应梳栉的总需求量,ci为该原料对应盘头的最大容量,vi为该盘头对应梳栉的送纱速度;n为组成坯布的原料数量。
在此例中,D={200,200,200,120,80,80,80},C={60,70,80,54,40,44,48},V={5,5,5,3,2,2,2}。
根据本发明的一些实施例,可选的,在S2步骤中,对各原料单次盘头换纱的最大间隔时间建立数组T,T={t1,t2,…,ti,…tn},其中,ti为某一原料的单次盘头换纱的最大间隔时间,ti=ci/vi,ci和vi为数组C和数组V中的任意值;织完该胚布的总需要时间为ttotal,ttotal=di/vi,其中,di和vi为数组D和数组V中的任意值;
根据S1的输入可以得到t={12,14,16,18,20,22,24},ttotal=40。
根据本发明的一些实施例,可选的,在S31编码步骤中:将总需要时间ttotal平均划分成m个时间序列,设组成坯布的原料数量为n,初始种群数为p,随机生成p个m×n的二维二进制数组,建立编码矩阵X:
其中,xij表示原料i在第j个时间序列开始时是否备料,1为备料,0为不备料;因为所有原料最终织成相同的产品,所以原料需要供给的总时间均相等,时间序列的长度为t1,t2,…,tn,ttotal的最小整数比值中ttotal对应的系数m,因此将时间序列分为m份,本实施例中,化为最小整数比可以得到m=20。
根据本发明的一些实施例,可选的,在本实施例S5步骤最后得出的解集,解集的备料计划甘特图如图4所示,解集的编码如表2所示,具体的,备料次数可理解为编码结果中遇到1的个数,停机次数可以理解为在编码的数条纵列当中,纵列中有1即停机;
从表1中可得出编码A的备料次数为20,停机次数为4;编码B的备料次数为20,停机次数为4;编码C的备料次数为19,停机次数为5;编码D的备料次数为20,停机次数为4;编码E的备料次数为20,停机次数为4;综合比较后得出,编码C在备料次数上更有少,但需多停一次机;编码A、B、D、E的停机次数相对于编码C更少,但需多备一次料,备料人员可根据生产的实际需要,择一进行备料。
表2:实施例2编码结果
本发明的工作原理:基于NSGA-II算法,首先根据原料最大容量等因素,将布匹总需要时间划分成多个时间节点,用二进制编码矩阵表示每种原料在各个节点是否进行原料更换,而后随机生成多个备料方案组成的初始种群,并通过交叉、变异操作生成临时种群,将评价后的种群和临时种群合并生成新种群;按总备料次数和停机次数两个指标对合并种群进行非支配排序;最终,判断如果达到最大迭代次数,则输出备料计划的非支配解集,基于上述优化后的备料计划方案集,生产人员,依据实际情况对两目标进行权衡决策,从而提高计划制定效率和生产执行效果。
应该理解的是,本发明所公开的实施例不限于此处所公开的特定处理步骤或材料,而应当延伸到相关领域的普通技术人员所理解的此类特征的等同替代。还应当理解的是,在此使用的术语仅用于描述特定实施例的目的,而并不意味着限制。
说明书中提到的“实施例”意指结合实施例描述的特定特征、或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语或“实施例”并不一定均指同一个实施例。
此外,所描述的特征或特性可以任何其他合适的方式结合到一个或多个实施例中。在上面的描述中,提供一些具体的细节,例如厚度、数量等,以提供对本发明的实施例的全面理解。然而,相关领域的技术人员将明白,本发明无需上述一个或多个具体的细节便可实现或者也可采用其他方法、组件、材料等实现。
Claims (5)
1.一种基于NSGA-II的经编机备料规划方法,其特征在于,包括:
S1:数据采集:根据订单获取胚布的组成原料、各原料的总需求量、各原料对应盘头的最大容量以及盘头对应梳栉的送纱速度;
S2:数据处理:根据各原料对应盘头的最大容量以及盘头对应梳栉的送纱速度,计算各原料单次盘头换纱的最大间隔时间,根据各原料的总需求量与送纱速度,计算织完该胚布的总需要时间;
S3:建立经编机备料的数学模型:引入NSGA-II算法,分别生成有关停机次数和备料次数的适用性函数,得出多个解集;
S4:增加惩罚机制:在S3步骤得出的多个解集中,对不符合约束的解施加一定惩罚,以得到最优解;
S5:生成备料计划:按照S4步骤得出的最优解生成对应的备料计划,从解集中得出组成原料需要在哪个时间序列开始备料以及需要备多少料;其中,
在S1步骤中,对订单获取的胚布组成原料及各原料的总需求量生成数组D,D={d1,d2,…,di,…dn};根据各原料对应盘头的最大容量建立数组C,C={c1,c2,…,ci,…cn};根据盘头对应梳栉的送纱速度建立数组V,V={v1,v2,…,vi,…vn};其中i为第i个原料,di为该原料对应梳栉的总需求量,ci为该原料对应盘头的最大容量,vi为该盘头对应梳栉的送纱速度;n为组成坯布的原料数量;
在S2步骤中,对各原料单次盘头换纱的最大间隔时间建立数组T,T={t1,t2,…,ti,…tn},其中,ti为某一原料的单次盘头换纱的最大间隔时间,ti=ci/vi,ci和vi为数组C和数组V中的任意值;织完该胚布的总需要时间为ttotal,ttotal=di/vi,其中,di和vi为数组D和数组V中的任意值;
在S3步骤中,建立经编机备料的数学模型的具体步骤如下:
S31、编码:将总需要时间ttotal平均划分成m个时间序列,设组成坯布的原料数量为n,初始种群数为p,随机生成p个m×n的二维二进制数组,建立编码矩阵X:
其中,xij表示原料i在第j个时间序列开始时是否备料,1为备料,0为不备料;原料需要供给的总时间均相等,时间序列的长度为t1,t2,...,tn,ttotal的最小整数比值中ttotal对应的系数m;
S32、最大时间约束:在第i列中任意连续的0的个数小于等于ti-1;
S33、计划开始备料约束:对这个约束,第一列不参与交叉变异操作且默认为1;
S34、惩罚:其中,Qi表示第i列中连续0超过ti-1的数量;
S35、建立优化目标1:建立总备料次数最少的适应性函数:
建立优化目标2:建立总停机次数最少的适应性函数:
其中,Ij的定义为:如果第j个时间序列有停机,即第j列有包含1,Ij即为1,否则为0;
在S5步骤中,当编码的第i行第j列的数为1时,表示原料i在第j个时间序列开始时刻需要备料,从这个数开始,继续向后遍历这一行,直到出现下一个1为止,统计遍历到0的数量,这个数量加1即为需要准备原料的生产时间序列长度。
2.根据权利要求1所述的基于NSGA-II的经编机备料规划方法,其特征在于,在S4步骤中,建立惩罚机制的具体步骤如下:
S41、设置变量以及参数:输入的变量和参数有:各原料单次盘头换纱的最大间隔时间T={t1,t2,…,ti,…tn}和时间序列的长度ttotal的最小整数比,最大迭代次数gen,种群数量p;
S42、编码与解码:采用S31步骤中的编码方式初始化种群,生成p个m×n的染色体作为初始解集;对种群中的每个染色体进行解码,采用S35步骤中的计算公式计算每个染色体的适应度;
S43、非支配排序与拥挤度排序:通过比较解之间的支配关系,将解划分为多个不同的非支配层次;对于每个非支配层,计算每个个体的拥挤度距离,拥挤度距离表示个体在其邻域内的分布密度;
S44、选择操作:从每个非支配层中选择一定数量的最优个体作为精英,用于下一代种群的构建;
S45、交叉变异操作;
S46、精英保留策略:将S44步骤中选择的个体和S45步骤中经过交叉变异的子代组合形成新的种群;
S47、判断是否达到最大迭代次数,达到最大迭代次数,输出位于帕累托前沿的解集,否则回到S42步骤。
3.根据权利要求2所述的基于NSGA-II的经编机备料规划方法,其特征在于,在S45步骤中,交叉变异操作具体分为交叉操作与变异操作,其中,交叉操作包括单点交叉操作和行交叉操作。
4.根据权利要求3所述的基于NSGA-II的经编机备料规划方法,其特征在于,所述单点交叉操作为:两个父代染色体同一行的编码中分别随机选择值为1和0的编码交换;所述行交叉操作为:两个父代染色体同一行的编码交换。
5.根据权利要求3所述的基于NSGA-II的经编机备料规划方法,其特征在于,变异操作包括两种具体变异操作,一种为每个元素按一定概率随机取非值,另一种为同一行中随机选择一个1和0交换位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311406754.2A CN117151428B (zh) | 2023-10-27 | 2023-10-27 | 一种基于nsga-ii的经编机备料规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311406754.2A CN117151428B (zh) | 2023-10-27 | 2023-10-27 | 一种基于nsga-ii的经编机备料规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117151428A CN117151428A (zh) | 2023-12-01 |
CN117151428B true CN117151428B (zh) | 2024-03-01 |
Family
ID=88902932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311406754.2A Active CN117151428B (zh) | 2023-10-27 | 2023-10-27 | 一种基于nsga-ii的经编机备料规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151428B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055836A (zh) * | 2016-06-27 | 2016-10-26 | 重庆大学 | 连铸机组浇炉次选择、排序与开浇时间决策的多目标优化方法 |
CN109801180A (zh) * | 2019-01-23 | 2019-05-24 | 广州市天海花边有限公司 | 经编机的物联智能信息管理系统及控制方法 |
CN113160899A (zh) * | 2020-12-31 | 2021-07-23 | 无锡东研信科科技研发有限公司 | 一种基于nsga-ii算法的烧结配料多目标优化方法 |
CN113626976A (zh) * | 2021-06-21 | 2021-11-09 | 江苏省镔鑫钢铁集团有限公司 | 一种基于nsga-ii算法的烧结配料多目标优化方法、装置及设备 |
CN114693257A (zh) * | 2022-03-23 | 2022-07-01 | 浙江理工大学 | 一种纺织品生产多目标大规模排产方法及系统 |
CN115758655A (zh) * | 2022-09-23 | 2023-03-07 | 中国辐射防护研究院 | 一种基于nsga-ⅱ算法的核动力厂气载流出物排放量优化方法 |
CN116307214A (zh) * | 2023-03-23 | 2023-06-23 | 无锡物联网创新中心有限公司 | 一种基于nsga-ii算法的自动配棉方法及相关装置 |
CN116307213A (zh) * | 2023-03-23 | 2023-06-23 | 无锡物联网创新中心有限公司 | 一种基于nsga-iii算法的自动配棉方法及装置 |
CN116451973A (zh) * | 2023-06-12 | 2023-07-18 | 闽都创新实验室 | 一种基于时序递推的经编机备料计划优化方法及备料方法 |
CN116880424A (zh) * | 2023-08-24 | 2023-10-13 | 遨博(北京)智能科技股份有限公司 | 一种基于多目标优化的多机器人调度方法以及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598920B (zh) * | 2019-08-29 | 2023-03-17 | 华中科技大学 | 用于铸造并行车间主生产计划的多目标优化方法及系统 |
-
2023
- 2023-10-27 CN CN202311406754.2A patent/CN117151428B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106055836A (zh) * | 2016-06-27 | 2016-10-26 | 重庆大学 | 连铸机组浇炉次选择、排序与开浇时间决策的多目标优化方法 |
CN109801180A (zh) * | 2019-01-23 | 2019-05-24 | 广州市天海花边有限公司 | 经编机的物联智能信息管理系统及控制方法 |
CN113160899A (zh) * | 2020-12-31 | 2021-07-23 | 无锡东研信科科技研发有限公司 | 一种基于nsga-ii算法的烧结配料多目标优化方法 |
CN113626976A (zh) * | 2021-06-21 | 2021-11-09 | 江苏省镔鑫钢铁集团有限公司 | 一种基于nsga-ii算法的烧结配料多目标优化方法、装置及设备 |
CN114693257A (zh) * | 2022-03-23 | 2022-07-01 | 浙江理工大学 | 一种纺织品生产多目标大规模排产方法及系统 |
CN115758655A (zh) * | 2022-09-23 | 2023-03-07 | 中国辐射防护研究院 | 一种基于nsga-ⅱ算法的核动力厂气载流出物排放量优化方法 |
CN116307214A (zh) * | 2023-03-23 | 2023-06-23 | 无锡物联网创新中心有限公司 | 一种基于nsga-ii算法的自动配棉方法及相关装置 |
CN116307213A (zh) * | 2023-03-23 | 2023-06-23 | 无锡物联网创新中心有限公司 | 一种基于nsga-iii算法的自动配棉方法及装置 |
CN116451973A (zh) * | 2023-06-12 | 2023-07-18 | 闽都创新实验室 | 一种基于时序递推的经编机备料计划优化方法及备料方法 |
CN116880424A (zh) * | 2023-08-24 | 2023-10-13 | 遨博(北京)智能科技股份有限公司 | 一种基于多目标优化的多机器人调度方法以及装置 |
Non-Patent Citations (5)
Title |
---|
Multi-objective Generation Scheduling Using Modified Non-dominated Sorting Genetic Algorithm-II;S Dhanalakshmi et al.;《Swarm, Evolutionary, and Memetic Computing》;全文 * |
基于改进NSGA-Π算法的新型引纬机构的参数优化;陈建能 等;《纺织学报》;第29卷(第01期);全文 * |
基于改进型NSGAⅡ的织造车间多目标大规模动态调度;沈春娅 等;《纺织学报》;第43卷(第04期);全文 * |
基于遗传算法的服装智能制造系统生产调度优化研究;马永远;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(月刊)》(第09期);全文 * |
织造车间智能调度算法研究;雷钧杰;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(月刊)》(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117151428A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104268722B (zh) | 基于多目标进化算法的动态柔性作业车间调度方法 | |
CN108090650A (zh) | 一种基于遗传算法的排案优化方法 | |
CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
CN106610652A (zh) | 改进编码方式的遗传算法解分布式柔性作业车间调度问题 | |
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 | |
Mahmudy et al. | Optimization of part type selection and loading problem with alternative production plans in flexible manufacturing system using hybrid genetic algorithms-part 1: Modelling and representation | |
CN104570997A (zh) | 一种用于金属结构件下料与加工排产集成优化方法 | |
CN108492025A (zh) | 基于混合差分遗传算法的高端装备制造过程协同调度方法 | |
Lee et al. | Improve quality and efficiency of textile process using data-driven machine learning in industry 4.0 | |
CN117151428B (zh) | 一种基于nsga-ii的经编机备料规划方法 | |
CN111665808A (zh) | 基于遗传算法的生产调度计划优化方法 | |
CN115933568A (zh) | 一种多目标分布式混合流水车间调度方法 | |
CN114819355A (zh) | 基于改进灰狼算法的多目标柔性作业车间节能调度方法 | |
CN116560313A (zh) | 一种多目标柔性作业车间问题的遗传算法优化调度方法 | |
CN113112121B (zh) | 一种基于多目标非支配排序的车间布局调度优化方法 | |
CN115249113A (zh) | 一种带准备时间分布式零等待流水车间调度方法与系统 | |
CN110531727B (zh) | 一种聚酯纤维生产制造全流程的多级优化控制方法 | |
CN109214695A (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
CN112926837A (zh) | 基于数据驱动改进遗传算法求解作业车间调度问题的方法 | |
CN110705844A (zh) | 基于非强制空闲时间的作业车间调度方案鲁棒优化方法 | |
CN116360355A (zh) | 基于nsga-iii算法求解车间调度问题的方法 | |
CN107392515A (zh) | 基于遗传算法的粗细联输送系统库存管理与线路优化方法 | |
CN116451973A (zh) | 一种基于时序递推的经编机备料计划优化方法及备料方法 | |
CN116307214A (zh) | 一种基于nsga-ii算法的自动配棉方法及相关装置 | |
CN110598943A (zh) | 改良文化基因算法求解带运输时间柔性作业车间调度方法 |
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 |