CN117217501B - 一种数字化生产计划与调度方法 - Google Patents
一种数字化生产计划与调度方法 Download PDFInfo
- Publication number
- CN117217501B CN117217501B CN202311481407.6A CN202311481407A CN117217501B CN 117217501 B CN117217501 B CN 117217501B CN 202311481407 A CN202311481407 A CN 202311481407A CN 117217501 B CN117217501 B CN 117217501B
- Authority
- CN
- China
- Prior art keywords
- production
- industrial
- industrial production
- equipment
- scheduling
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 433
- 238000000034 method Methods 0.000 title claims abstract description 234
- 238000009776 industrial production Methods 0.000 claims abstract description 225
- 238000013179 statistical model Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 10
- 239000013598 vector Substances 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 72
- 238000004891 communication Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- -1 chemical engineering Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Multi-Process Working Machines And Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及生产调度的技术领域，公开了一种数字化生产计划与调度方法，所述方法包括：获取工序生产影响因子数据，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长；基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述；根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件并进行优化求解，按照求解得到的最优生产计划安排进行调度生产。本发明采用结合工序生产影响因子数据的聚类方式，实现簇内工业生产设备的生产时长计算，根据形式化工业生产时序信息确定目标函数并进行求解，得到满足工业产品生产所需设备类型且最小化完工时间、总工期以及总成本的最优生产计划安排。
Description
技术领域
本发明涉及生产调度的技术领域，尤其涉及一种数字化生产计划与调度方法。
背景技术
新技术的发展使得互联网、大数据和人工智能等新领域得到了突破。数字技术正在不断地提高改善，这份技术同样可以应用于传统制造业，使该行业进行转型升级。这也是因为传统制造业正逐渐不适应新时代发展，以及其他的领域对人类社会造成了冲击。数字化生产计划与调度既是制造业中重要的一部分，也在国民经济中占主导位置，其中包括石油、化工和医药等多个行业。其复杂性主要体现在生产规模的庞大、制造过程的严格以及商品产品的繁多等方面。除此以外，供需关系同样影响着生产计划与调度的最终产出效益。生产计划与调度作为工业体系中重要的一环，对国家经济和国民生活都有着重要影响。虽然当前工业体系较为完备，但仍然处于发展阶段，由此产生资源浪费和利用率较低等问题。这些问题的产生一定程度上是生产决策活动造成的。生产决策活动基本决定着整个生产活动的过程。由于我国的流程工业发展迅猛，但生产决策活动方法的发展还未完全同步，这也导致我国工业存在的一些问题。因此，借由现代信息技术的发展，可以加强工业信息的整合，为流程工业的决策活动提供合适的信息支持，以此来改善生产决策活动和其他的影响因素，对促进工业生产具有重要意义。
发明内容
有鉴于此，本发明提供一种数字化生产计划与调度方法，目的在于：1）通过计算不同工业生产设备间工序生产影响因子数据的距离，确定工序生产影响因子数据的互近邻数据数目以及相应的局部密度，并衡量不同工序生产影响因子数据之间的局部密度差异，计算得到不同工序生产影响因子数据之间的相对距离，基于局部密度和相对距离计算得到不同工序生产影响因子数据的乘积，其中乘积结果越大，则工序生产影响因子数据的局部密度以及同邻近大小局部密度的工序生产影响因子数据之间的距离越大，在保证选取局部密度较大的工序生产影响因子数据作为中心的基础上，可以选取密度小但离散程度更大的中心，提高中心选取的准确性，实现簇内工业生产设备的生产时长计算，将当前若干工业生产设备按照生产时长进行生产层级划分，实现数字化生产过程的形式化描述；2）根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，其中多目标数字化生产计划与调度目标函数的目标包括最小化完工时间、总工期以及总成本，对多目标数字化生产计划与调度目标函数进行结合参考向量的优化求解，在优化求解过程中，实时根据当前最优解和最差解之差对参考向量进行调整，提高生产计划安排求解过程中的解的范围，得到满足工业产品生产所需设备类型的最优生产计划安排，并按照求解得到的最优生产计划安排进行调度生产。
实现上述目的，本发明提供的一种数字化生产计划与调度方法，包括以下步骤：
S1：获取工序生产影响因子数据，构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长，所述工序生产时长统计模型以工序生产影响因子数据为输入，以不同工业生产设备的生产时长为输出，其中改进的密度峰值聚类为所述生产时长统计的主要实施方法；
S2：基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述，得到形式化工业生产时序信息；
S3：根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，其中多目标数字化生产计划与调度目标函数的目标包括最小化完工时间、总工期以及总成本；
S4：对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，并按照求解得到的最优生产计划安排进行调度生产。
作为本发明的进一步改进方法：
可选地，所述S1步骤中获取工序生产影响因子数据，包括：
获取工序生产影响因子数据，其中工序生产影响因子数据的表示形式为：
其中：
表示第n件工业生产设备的工序生产影响因子数据，N表示工业生产设备的总数；
表示在第m个工业生产任务中第n件工业生产设备的工序生产数据，M表示工业生产任务的总数；
表示第n件工业生产设备在第m个工业生产任务中的工序数；
表示第n件工业生产设备在第m个工业生产任务中生产每件产品的工时。
可选地，所述S1步骤中构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长，包括：
构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长，其中工业生产设备生产时长的计算流程为：
S11：计算得到任意两个工业生产设备所对应工序生产影响因子数据的欧式距离，其中与/>之间的欧式距离为/>，/>，/>表示第i件工业生产设备的工序生产影响因子数据；
S12：标记任意工序生产影响因子数据的k近邻集合，其中工序生产影响因子数据的k近邻集合为：
其中：
表示工序生产影响因子数据/>的k近邻集合；
表示距离工序生产影响因子数据/>第k近的工序生产影响因子数据；
若且/>，则称/>与/>为互近邻数据，其中/>表示工序生产影响因子数据/>的k近邻集合；
S13：计算得到任意工序生产影响因子数据的局部密度，其中工序生产影响因子数据的局部密度为：
其中：
表示以自然常数为底的指数函数；
，X表示k近邻集合/>中的任意工序生产影响因子数据；
表示工序生产影响因子数据/>的局部密度；
表示工序生产影响因子数据/>的互近邻数据数目；
S14：计算得到任意工序生产影响因子数据的相对距离，其中工序生产影响因子数据的相对距离为：
其中：
表示工序生产影响因子数据/>的相对距离；
表示选取/>的工序生产影响因子数据/>，并计算得到/>和/>的欧式距离，选取计算得到的最小欧式距离作为相对距离；
表示选取/>的工序生产影响因子数据/>，并计算得到/>和/>的欧式距离，选取计算得到的最大欧式距离作为相对距离；
S15：计算得到任意工序生产影响因子数据的相对距离与局部密度乘积，选取乘积结果最大的S个工序生产影响因子数据作为初始中心，以初始中心为中心构建S个聚类簇，并将其他工序生产影响因子数据划分到欧式距离最近的初始中心所在的聚类簇中，得到S个聚类结果；
S16：计算得到每个聚类簇中工序生产影响因子数据的平均工序以及平均工时，将平均工序以及平均工时作为聚类簇中工序生产影响因子数据所对应工业生产设备的生产时长。
可选地，所述S2步骤中基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述，包括：
基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述，其中形式化描述流程为：
初始化S个生产层级，按照工序升序顺序，将N个工业生产设备加入到S个生产层级中，其中每个层级的工业生产设备的生产时长相同，构成S个生产工序的形式化工业生产时序信息：
其中：
表示第s个生产层级的工业生产设备集合，/>表示工业生产设备集合/>中的第/>个工业生产设备，/>表示工业生产设备集合/>中的工业生产设备总数，；
并标记每个工业生产设备的类型，其中工业生产设备的设备类型为/>，，/>表示设备类型集合，/>表示设备类型。在本发明实施例中，每个生产层级内的工业生产设备按照生产成本降序进行排序。
可选地，所述S3步骤中根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，包括：
根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，其中多目标数字化生产计划与调度目标函数的目标包括最小化完工时间、总工期以及总成本，多目标数字化生产计划与调度目标函数为：
其中：
表示多目标数字化生产计划与调度目标函数，/>表示H组工业产品生产过程中所需的设备类型集合，/>，/>表示第h组工业产品生产过程中所需的设备类型集合，/>表示H组工业产品生产过程中的工业生产设备调度结果，/>表示第h组工业产品生产过程中所调度的工业生产设备；
表示常数，将/>设置为0.001；
表示/>中的任意设备类型；
表示从形式化工业生产时序信息中筛选任意生产层级s的工业生产设备/>，使得/>达到最小，其中/>表示工业生产设备集合/>中的第r个工业生产设备，/>表示第s个生产层级的平均工序，/>表示第s个生产层级的平均工时，表示工业生产设备/>的设备类型，/>表示工业生产设备/>的生产成本；
确定多目标数字化生产计划与调度目标函数对应的约束条件：
其中：
表示工业生产设备/>被选取匹配成功第h组工业产品生产过程中所需的设备类型集合的次数小于等于1次。
可选地，所述S4步骤中对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，包括：
对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，其中多目标数字化生产计划与调度目标函数的优化求解流程为：
S41：初始化生产D组符合约束条件的H组工业产品生产过程中的工业生产设备调度结果：
其中：
表示初始化生成的第d组符合约束条件的H组工业产品生产过程中的工业生产设备调度结果，/>，/>表示第h组工业产品生产过程中所调度的工业生产设备；在本发明实施例中，在目标函数求解过程中采用向量编码对每个工业生产设备进行编码处理，其中工业生产设备/>的编码即为(s,r)；
S42：初始化参考向量，设置工业生产设备调度结果的当前迭代次数为t，最大迭代次数为Max，t的初始值为0，则第t次得到的第d组工业产品生产过程中的工业生产设备调度结果为：
；
S43：将D组工业生产设备调度结果输入到多目标数字化生产计划与调度目标函数中，得到每组工业生产设备调度结果的目标函数值，并对目标函数值进行转换，其中转换公式为：
其中：
表示将/>代入多目标数字化生产计划与调度目标函数的目标函数值，/>表示将/>与/>进行匹配的函数值；在本发明实施例中，所述/>表示将/>中的工业生产设备同第h组工业产品生产过程中所需的设备类型集合的类型进行结合工时、工序以及生产成本的成本运算，得到的生产调度成本；
表示第t次迭代的工业生产设备调度结果的最小目标函数值，/>表示第t次迭代的D组工业生产设备调度结果中，对于第h组生产产品的工业生产设备调度结果与/>进行匹配的最小函数值；
表示目标函数值/>的转换结果；
S44：计算目标函数值转换结果与参考向量的余弦值：
其中：
表示参考向量的第t次调整结果；
表示目标函数值转换结果/>与参考向量/>的余弦值；
表示L1范数；
S45：生成不同组工业生产设备调度结果在第t+1次迭代过程中的迭代步长，其中第d组工业生产设备调度结果在第t+1次迭代过程中的迭代步长为：
其中：
第d组工业生产设备调度结果在第t+1次迭代过程中的迭代步长；
表示控制参数，将/>设置为0.2；
S46：对每组工业生产设备调度结果进行迭代，其中第d组工业生产设备调度结果的迭代公式为：
计算迭代后第t+1次迭代的工业生产设备调度结果的最小目标函数值以及最大目标函数值/>，对参考向量进行迭代，其中参考向量的迭代公式为：
令t=t+1，返回步骤S43；
直到达到最大迭代次数Max，并将每组工业生产设备调度结果输入到多目标数字化生产计划与调度目标函数中，选取目标函数值最小的工业生产设备调度结果作为最优生产计划安排，其中最优生产计划安排为每组工业产品生产过程中所需的设备类型以及设备类型对应的工业生产设备。
可选地，所述S4步骤中按照求解得到的最优生产计划安排进行调度生产，包括：
按照求解得到的最优生产计划安排，确定每个工业产品生产过程中所需要的工业生产设备，并进行对应的工业生产设备调度，利用最优生产计划安排中的工业生产设备进行工业产品生产。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及
处理器，执行所述存储器中存储的指令以实现上述所述的数字化生产计划与调度方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的数字化生产计划与调度方法。
相对于现有技术，本发明提出一种数字化生产计划与调度方法，该技术具有以下优势：
首先，本方案提出一种工序生产时长计算方法，构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长，其中工业生产设备生产时长的计算流程为：计算得到任意两个工业生产设备所对应工序生产影响因子数据的欧式距离，其中与/>之间的欧式距离为/>，/>，/>表示第i件工业生产设备的工序生产影响因子数据；标记任意工序生产影响因子数据的k近邻集合，其中工序生产影响因子数据/>的k近邻集合为：
其中：/>表示工序生产影响因子数据/>的k近邻集合；/>表示距离工序生产影响因子数据第k近的工序生产影响因子数据；若/>且/>，则称/>与/>为互近邻数据，其中/>表示工序生产影响因子数据/>的k近邻集合；计算得到任意工序生产影响因子数据的局部密度，其中工序生产影响因子数据/>的局部密度为：
其中：/>表示以自然常数为底的指数函数；/>，X表示k近邻集合/>中的任意工序生产影响因子数据；/>表示工序生产影响因子数据/>的局部密度；/>表示工序生产影响因子数据/>的互近邻数据数目；计算得到任意工序生产影响因子数据的相对距离，其中工序生产影响因子数据/>的相对距离为：
其中：/>表示工序生产影响因子数据/>的相对距离；/>表示选取/>的工序生产影响因子数据/>，并计算得到/>和/>的欧式距离，选取计算得到的最小欧式距离作为相对距离；/>表示选取/>的工序生产影响因子数据/>，并计算得到和/>的欧式距离，选取计算得到的最大欧式距离作为相对距离；计算得到任意工序生产影响因子数据的相对距离与局部密度乘积，选取乘积结果最大的S个工序生产影响因子数据作为初始中心，以初始中心为中心构建S个聚类簇，并将其他工序生产影响因子数据划分到欧式距离最近的初始中心所在的聚类簇中，得到S个聚类结果；计算得到每个聚类簇中工序生产影响因子数据的平均工序以及平均工时，将平均工序以及平均工时作为聚类簇中工序生产影响因子数据所对应工业生产设备的生产时长。本方案通过计算不同工业生产设备间工序生产影响因子数据的距离，确定工序生产影响因子数据的互近邻数据数目以及相应的局部密度，并衡量不同工序生产影响因子数据之间的局部密度差异，计算得到不同工序生产影响因子数据之间的相对距离，基于局部密度和相对距离计算得到不同工序生产影响因子数据的乘积，其中乘积结果越大，则工序生产影响因子数据的局部密度以及同邻近大小局部密度的工序生产影响因子数据之间的距离越大，在保证选取局部密度较大的工序生产影响因子数据作为中心的基础上，可以选取密度小但离散程度更大的中心，提高中心选取的准确性，实现簇内工业生产设备的生产时长计算，将当前若干工业生产设备按照生产时长进行生产层级划分，实现数字化生产过程的形式化描述。
同时，本方案提出一种生产计划安排生产策略，根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，其中多目标数字化生产计划与调度目标函数的目标包括最小化完工时间、总工期以及总成本，多目标数字化生产计划与调度目标函数为：
其中：/>表示多目标数字化生产计划与调度目标函数，表示H组工业产品生产过程中所需的设备类型集合，/>，表示第h组工业产品生产过程中所需的设备类型集合，/>表示H组工业产品生产过程中的工业生产设备调度结果，/>表示H组工业产品生产过程中的工业生产设备调度结果，/>表示第h组工业产品生产过程中所调度的工业生产设备；/>表示常数，将/>设置为0.001；/>表示/>中的任意设备类型；/>表示从形式化工业生产时序信息中筛选任意生产层级s的工业生产设备/>，使得/>达到最小，其中/>表示工业生产设备集合/>中的第r个工业生产设备，/>表示第s个生产层级的平均工序，/>表示第s个生产层级的平均工时，/>表示工业生产设备/>的设备类型，/>表示工业生产设备/>的生产成本；确定多目标数字化生产计划与调度目标函数对应的约束条件：
其中：/>表示工业生产设备/>被选取匹配成功第h组工业产品生产过程中所需的设备类型集合的次数小于等于1次。对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，按照求解得到的最优生产计划安排，确定每个工业产品生产过程中所需要的工业生产设备，并进行对应的工业生产设备调度，利用最优生产计划安排中的工业生产设备进行工业产品生产。本方案根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，其中多目标数字化生产计划与调度目标函数的目标包括最小化完工时间、总工期以及总成本，对多目标数字化生产计划与调度目标函数进行结合参考向量的优化求解，在优化求解过程中，实时根据当前最优解和最差解之差对参考向量进行调整，提高生产计划安排求解过程中的解的范围，得到满足工业产品生产所需设备类型的最优生产计划安排，并按照求解得到的最优生产计划安排进行调度生产。
附图说明
图1为本发明一实施例提供的一种数字化生产计划与调度方法的流程示意图；
图2为本发明一实施例提供的实现数字化生产计划与调度方法的电子设备的结构示意图。
图中：1电子设备，10处理器，11存储器，12程序，13通信接口。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种数字化生产计划与调度方法。所述数字化生产计划与调度方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述数字化生产计划与调度方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：获取工序生产影响因子数据，构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长，所述工序生产时长统计模型以工序生产影响因子数据为输入。
所述S1步骤中获取工序生产影响因子数据，包括：
获取工序生产影响因子数据，其中工序生产影响因子数据的表示形式为：
其中：
表示第n件工业生产设备的工序生产影响因子数据，N表示工业生产设备的总数；
表示在第m个工业生产任务中第n件工业生产设备的工序生产数据，M表示工业生产任务的总数；
表示第n件工业生产设备在第m个工业生产任务中的工序数；
表示第n件工业生产设备在第m个工业生产任务中生产每件产品的工时。
所述S1步骤中构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长，包括：
构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长，其中工业生产设备生产时长的计算流程为：
S11：计算得到任意两个工业生产设备所对应工序生产影响因子数据的欧式距离，其中与/>之间的欧式距离为/>，/>，/>表示第i件工业生产设备的工序生产影响因子数据；
S12：标记任意工序生产影响因子数据的k近邻集合，其中工序生产影响因子数据的k近邻集合为：
其中：
表示工序生产影响因子数据/>的k近邻集合；
表示距离工序生产影响因子数据/>第k近的工序生产影响因子数据；
若且/>，则称/>与/>为互近邻数据，其中/>表示工序生产影响因子数据/>的k近邻集合；
S13：计算得到任意工序生产影响因子数据的局部密度，其中工序生产影响因子数据的局部密度为：
其中：
表示以自然常数为底的指数函数；
，X表示k近邻集合/>中的任意工序生产影响因子数据；
表示工序生产影响因子数据/>的局部密度；
表示工序生产影响因子数据/>的互近邻数据数目；
S14：计算得到任意工序生产影响因子数据的相对距离，其中工序生产影响因子数据的相对距离为：
其中：
表示工序生产影响因子数据/>的相对距离；
表示选取/>的工序生产影响因子数据/>，并计算得到/>和/>的欧式距离，选取计算得到的最小欧式距离作为相对距离；
表示选取/>的工序生产影响因子数据/>，并计算得到/>和/>的欧式距离，选取计算得到的最大欧式距离作为相对距离；
S15：计算得到任意工序生产影响因子数据的相对距离与局部密度乘积，选取乘积结果最大的S个工序生产影响因子数据作为初始中心，以初始中心为中心构建S个聚类簇，并将其他工序生产影响因子数据划分到欧式距离最近的初始中心所在的聚类簇中，得到S个聚类结果；
S16：计算得到每个聚类簇中工序生产影响因子数据的平均工序以及平均工时，将平均工序以及平均工时作为聚类簇中工序生产影响因子数据所对应工业生产设备的生产时长。
S2：基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述，得到形式化工业生产时序信息。
所述S2步骤中基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述，包括：
基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述，其中形式化描述流程为：
初始化S个生产层级，按照工序升序顺序，将N个工业生产设备加入到S个生产层级中，其中每个层级的工业生产设备的生产时长相同，构成S个生产工序的形式化工业生产时序信息：
其中：
表示第s个生产层级的工业生产设备集合，/>表示工业生产设备集合/>中的第/>个工业生产设备，/>表示工业生产设备集合/>中的工业生产设备总数，；
并标记每个工业生产设备的类型，其中工业生产设备的设备类型为/>，，/>表示设备类型集合，/>表示设备类型。
S3：根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，其中多目标数字化生产计划与调度目标函数的目标包括最小化完工时间、总工期以及总成本。
所述S3步骤中根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，包括：
根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，其中多目标数字化生产计划与调度目标函数的目标包括最小化完工时间、总工期以及总成本，多目标数字化生产计划与调度目标函数为：
其中：
表示多目标数字化生产计划与调度目标函数，/>表示H组工业产品生产过程中所需的设备类型集合，/>，/>表示第h组工业产品生产过程中所需的设备类型集合，/>表示H组工业产品生产过程中的工业生产设备调度结果，/>表示第h组工业产品生产过程中所调度的工业生产设备；
表示常数，将/>设置为0.001；
表示/>中的任意设备类型；
表示从形式化工业生产时序信息中筛选任意生产层级s的工业生产设备/>，使得/>达到最小，其中/>表示工业生产设备集合/>中的第r个工业生产设备，/>表示第s个生产层级的平均工序，/>表示第s个生产层级的平均工时，表示工业生产设备/>的设备类型，/>表示工业生产设备/>的生产成本；
确定多目标数字化生产计划与调度目标函数对应的约束条件：
其中：
表示工业生产设备/>被选取匹配成功第h组工业产品生产过程中所需的设备类型集合的次数小于等于1次。
S4：对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，并按照求解得到的最优生产计划安排进行调度生产。
所述S4步骤中对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，包括：
对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，其中多目标数字化生产计划与调度目标函数的优化求解流程为：
S41：初始化生产D组符合约束条件的H组工业产品生产过程中的工业生产设备调度结果：
其中：
表示初始化生成的第d组符合约束条件的H组工业产品生产过程中的工业生产设备调度结果，/>，/>表示第h组工业产品生产过程中所调度的工业生产设备；在本发明实施例中，在目标函数求解过程中采用向量编码对每个工业生产设备进行编码处理，其中工业生产设备/>的编码即为(s,r)；
S42：初始化参考向量，设置工业生产设备调度结果的当前迭代次数为t，最大迭代次数为Max，t的初始值为0，则第t次得到的第d组工业产品生产过程中的工业生产设备调度结果为：
；
S43：将D组工业生产设备调度结果输入到多目标数字化生产计划与调度目标函数中，得到每组工业生产设备调度结果的目标函数值，并对目标函数值进行转换，其中转换公式为：
/>其中：
表示将/>代入多目标数字化生产计划与调度目标函数的目标函数值，/>表示将/>与/>进行匹配的函数值；
表示第t次迭代的工业生产设备调度结果的最小目标函数值，/>表示第t次迭代的D组工业生产设备调度结果中，对于第h组生产产品的工业生产设备调度结果与/>进行匹配的最小函数值；
表示目标函数值/>的转换结果；
S44：计算目标函数值转换结果与参考向量的余弦值：
其中：
表示参考向量的第t次调整结果；
表示目标函数值转换结果/>与参考向量/>的余弦值；
表示L1范数；
S45：生成不同组工业生产设备调度结果在第t+1次迭代过程中的迭代步长，其中第d组工业生产设备调度结果在第t+1次迭代过程中的迭代步长为：
其中：
第d组工业生产设备调度结果在第t+1次迭代过程中的迭代步长；
表示控制参数，将/>设置为0.2；
S46：对每组工业生产设备调度结果进行迭代，其中第d组工业生产设备调度结果的迭代公式为：
；
计算迭代后第t+1次迭代的工业生产设备调度结果的最小目标函数值以及最大目标函数值/>，对参考向量进行迭代，其中参考向量的迭代公式为：
令t=t+1，返回步骤S43；
直到达到最大迭代次数Max，并将每组工业生产设备调度结果输入到多目标数字化生产计划与调度目标函数中，选取目标函数值最小的工业生产设备调度结果作为最优生产计划安排，其中最优生产计划安排为每组工业产品生产过程中所需的设备类型以及设备类型对应的工业生产设备。
所述S4步骤中按照求解得到的最优生产计划安排进行调度生产，包括：
按照求解得到的最优生产计划安排，确定每个工业产品生产过程中所需要的工业生产设备，并进行对应的工业生产设备调度，利用最优生产计划安排中的工业生产设备进行工业产品生产。
实施例2：
如图2所示，是本发明一实施例提供的实现数字化生产计划与调度方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现数字化生产计划与调度的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extendedindustry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图2仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图2示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
获取工序生产影响因子数据，构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长；
基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述，得到形式化工业生产时序信息；
根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件；
对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，并按照求解得到的最优生产计划安排进行调度生产。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图2对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种数字化生产计划与调度方法，其特征在于，所述方法包括：
S1：获取工序生产影响因子数据，构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长，所述工序生产时长统计模型以工序生产影响因子数据为输入，以不同工业生产设备的生产时长为输出；
S2：基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述，得到形式化工业生产时序信息；
S3：根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，其中多目标数字化生产计划与调度目标函数的目标包括最小化完工时间、总工期以及总成本；
S4：对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，并按照求解得到的最优生产计划安排进行调度生产；
所述S1步骤中获取工序生产影响因子数据，包括：
获取工序生产影响因子数据，其中工序生产影响因子数据的表示形式为：
其中：
表示第n件工业生产设备的工序生产影响因子数据，N表示工业生产设备的总数；
表示在第m个工业生产任务中第n件工业生产设备的工序生产数据，M表示工业生产任务的总数；
表示第n件工业生产设备在第m个工业生产任务中的工序数；
表示第n件工业生产设备在第m个工业生产任务中生产每件产品的工时；
所述S1步骤中构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长，包括：
构建工序生产时长统计模型，利用工序生产时长统计模型计算得到不同工业生产设备的生产时长，其中工业生产设备生产时长的计算流程为：
S11：计算得到任意两个工业生产设备所对应工序生产影响因子数据的欧式距离，其中与/>之间的欧式距离为/>， />，/>表示第i件工业生产设备的工序生产影响因子数据；
S12：标记任意工序生产影响因子数据的k近邻集合，其中工序生产影响因子数据的k近邻集合为：
其中：
表示工序生产影响因子数据/>的k近邻集合；
表示距离工序生产影响因子数据/>第k近的工序生产影响因子数据；
若且/>，则称/>与/>为互近邻数据，其中/>表示工序生产影响因子数据/>的k近邻集合；
S13：计算得到任意工序生产影响因子数据的局部密度，其中工序生产影响因子数据的局部密度为：
其中：
表示以自然常数为底的指数函数；
，X表示k近邻集合/>中的任意工序生产影响因子数据；
表示工序生产影响因子数据/>的局部密度；
表示工序生产影响因子数据/>的互近邻数据数目；
S14：计算得到任意工序生产影响因子数据的相对距离，其中工序生产影响因子数据的相对距离为：
其中：
表示工序生产影响因子数据/>的相对距离；
表示选取/>的工序生产影响因子数据/>，并计算得到/>和的欧式距离，选取计算得到的最小欧式距离作为相对距离；
表示选取/>的工序生产影响因子数据/>，并计算得到/>和的欧式距离，选取计算得到的最大欧式距离作为相对距离；
S15：计算得到任意工序生产影响因子数据的相对距离与局部密度乘积，选取乘积结果最大的S个工序生产影响因子数据作为初始中心，以初始中心为中心构建S个聚类簇，并将其他工序生产影响因子数据划分到欧式距离最近的初始中心所在的聚类簇中，得到S个聚类结果；
S16：计算得到每个聚类簇中工序生产影响因子数据的平均工序以及平均工时，将平均工序以及平均工时作为聚类簇中工序生产影响因子数据所对应工业生产设备的生产时长；
所述S2步骤中基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述，包括：
基于不同工业生产设备的生产时长对数字化生产过程进行形式化描述，其中形式化描述流程为：
初始化S个生产层级，按照工序升序顺序，将N个工业生产设备加入到S个生产层级中，其中每个层级的工业生产设备的生产时长相同，构成S个生产工序的形式化工业生产时序信息：
其中：
表示第s个生产层级的工业生产设备集合，/>表示工业生产设备集合/>中的第/>个工业生产设备，/>表示工业生产设备集合/>中的工业生产设备总数，/>；
并标记每个工业生产设备的类型，其中工业生产设备的设备类型为/>，，/>表示设备类型集合，/>表示设备类型；
所述S3步骤中根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，包括：
根据形式化工业生产时序信息确定多目标数字化生产计划与调度目标函数和约束条件，其中多目标数字化生产计划与调度目标函数的目标包括最小化完工时间、总工期以及总成本，多目标数字化生产计划与调度目标函数为：
其中：
表示多目标数字化生产计划与调度目标函数，/>表示H组工业产品生产过程中所需的设备类型集合，/>，/>表示第h组工业产品生产过程中所需的设备类型集合，/>表示H组工业产品生产过程中的工业生产设备调度结果，/>表示第h组工业产品生产过程中所调度的工业生产设备；
表示常数，将/>设置为0.001；
表示/>中的任意设备类型；
表示从形式化工业生产时序信息中筛选任意生产层级s的工业生产设备，使得/>达到最小，其中/>表示工业生产设备集合/>中的第r个工业生产设备，/>表示第s个生产层级的平均工序，/>表示第s个生产层级的平均工时，/>表示工业生产设备/>的设备类型，/>表示工业生产设备/>的生产成本；
确定多目标数字化生产计划与调度目标函数对应的约束条件：
其中：
表示工业生产设备/>被选取匹配成功第h组工业产品生产过程中所需的设备类型集合的次数小于等于1次；
所述S4步骤中对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，包括：
对多目标数字化生产计划与调度目标函数进行优化求解，得到最优生产计划安排，其中多目标数字化生产计划与调度目标函数的优化求解流程为：
S41：初始化生产D组符合约束条件的H组工业产品生产过程中的工业生产设备调度结果：
其中：
表示初始化生成的第d组符合约束条件的H组工业产品生产过程中的工业生产设备调度结果，/>，/>表示第h组工业产品生产过程中所调度的工业生产设备；
S42：初始化参考向量，设置工业生产设备调度结果的当前迭代次数为t，最大迭代次数为Max，t的初始值为0，则第t次得到的第d组工业产品生产过程中的工业生产设备调度结果为：
S43：将D组工业生产设备调度结果输入到多目标数字化生产计划与调度目标函数中，得到每组工业生产设备调度结果的目标函数值，并对目标函数值进行转换，其中转换公式为：
其中：
表示将/>代入多目标数字化生产计划与调度目标函数/>的目标函数值，/> 表示将/>与/>进行匹配的函数值；
表示第t次迭代的工业生产设备调度结果的最小目标函数值，/>表示第t次迭代的D组工业生产设备调度结果中，对于第h组生产产品的工业生产设备调度结果与/>进行匹配的最小函数值；
表示目标函数值/>的转换结果；
S44：计算目标函数值转换结果与参考向量的余弦值：
其中：
表示参考向量的第t次调整结果；
表示目标函数值转换结果/>与参考向量/>的余弦值；
表示L1范数；
S45：生成不同组工业生产设备调度结果在第t+1次迭代过程中的迭代步长，其中第d组工业生产设备调度结果在第t+1次迭代过程中的迭代步长为：
其中：
第d组工业生产设备调度结果在第t+1次迭代过程中的迭代步长；
表示控制参数，将/>设置为0.2；
S46：对每组工业生产设备调度结果进行迭代，其中第d组工业生产设备调度结果的迭代公式为：
计算迭代后第t+1次迭代的工业生产设备调度结果的最小目标函数值以及最大目标函数值/>，对参考向量进行迭代，其中参考向量的迭代公式为：
令t=t+1，返回步骤S43；
直到达到最大迭代次数Max，并将每组工业生产设备调度结果输入到多目标数字化生产计划与调度目标函数中，选取目标函数值最小的工业生产设备调度结果作为最优生产计划安排，其中最优生产计划安排为每组工业产品生产过程中所需的设备类型以及设备类型对应的工业生产设备。
2.如权利要求1所述的一种数字化生产计划与调度方法，其特征在于，所述S4步骤中按照求解得到的最优生产计划安排进行调度生产，包括：
按照求解得到的最优生产计划安排，确定每个工业产品生产过程中所需要的工业生产设备，并进行对应的工业生产设备调度，利用最优生产计划安排中的工业生产设备进行工业产品生产。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311481407.6A CN117217501B (zh) | 2023-11-09 | 2023-11-09 | 一种数字化生产计划与调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311481407.6A CN117217501B (zh) | 2023-11-09 | 2023-11-09 | 一种数字化生产计划与调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117217501A CN117217501A (zh) | 2023-12-12 |
| CN117217501B true CN117217501B (zh) | 2024-02-20 |
Family
ID=89046591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311481407.6A Active CN117217501B (zh) | 2023-11-09 | 2023-11-09 | 一种数字化生产计划与调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217501B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649456A (zh) * | 2016-09-23 | 2017-05-10 | 西安电子科技大学 | 基于多智能体进化的聚类和离群点检测方法 |
| CN112528025A (zh) * | 2020-12-16 | 2021-03-19 | 平安科技（深圳）有限公司 | 基于密度的文本聚类方法、装置、设备及存储介质 |
| CN114549062A (zh) * | 2022-02-14 | 2022-05-27 | 中国农业大学 | 消费者偏好预测方法、系统、电子设备、存储产品 |
| WO2022166380A1 (zh) * | 2021-02-05 | 2022-08-11 | 天翼数字生活科技有限公司 | 一种基于meanshift优化的数据处理方法和装置 |
| CN115578023A (zh) * | 2022-10-31 | 2023-01-06 | 中国农业银行股份有限公司 | 一种装配车间调度方法、装置、设备和存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018220744A1 (ja) * | 2017-05-31 | 2018-12-06 | 株式会社日立製作所 | 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム |
-
2023
- 2023-11-09 CN CN202311481407.6A patent/CN117217501B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106649456A (zh) * | 2016-09-23 | 2017-05-10 | 西安电子科技大学 | 基于多智能体进化的聚类和离群点检测方法 |
| CN112528025A (zh) * | 2020-12-16 | 2021-03-19 | 平安科技（深圳）有限公司 | 基于密度的文本聚类方法、装置、设备及存储介质 |
| WO2022126971A1 (zh) * | 2020-12-16 | 2022-06-23 | 平安科技（深圳）有限公司 | 基于密度的文本聚类方法、装置、设备及存储介质 |
| WO2022166380A1 (zh) * | 2021-02-05 | 2022-08-11 | 天翼数字生活科技有限公司 | 一种基于meanshift优化的数据处理方法和装置 |
| CN114549062A (zh) * | 2022-02-14 | 2022-05-27 | 中国农业大学 | 消费者偏好预测方法、系统、电子设备、存储产品 |
| CN115578023A (zh) * | 2022-10-31 | 2023-01-06 | 中国农业银行股份有限公司 | 一种装配车间调度方法、装置、设备和存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 》.2015,全文. * |
| 张明.柔性作业车间调度问题优化算法研究.《工程科技Ⅱ辑 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117217501A (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tosun et al. | A literature review on hybrid flow shop scheduling | |
| Jiang et al. | Flow shop optimization of hybrid make-to-order and make-to-stock in precast concrete component production | |
| Liu et al. | A hybrid VNS-HS algorithm for a supply chain scheduling problem with deteriorating jobs | |
| Behnamian | Survey on fuzzy shop scheduling | |
| CN112651563B (zh) | 负荷预测方法、装置、计算机可读存储介质及电子设备 | |
| CN104102212A (zh) | 一种钢铁企业中煤气和蒸汽系统的调度方法、设备和系统 | |
| CN110232483A (zh) | 深度学习负荷预测方法、装置及终端设备 | |
| CN112085378B (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
| CN113850439A (zh) | 轨道交通站点设备能耗预测方法、装置、设备和存储介质 | |
| CN114580678A (zh) | 一种产品维修资源调度方法和系统 | |
| CN113722939B (zh) | 风电出力预测方法、装置、设备及存储介质 | |
| CN113807728A (zh) | 基于神经网络的绩效考核方法、装置、设备及存储介质 | |
| Zhang et al. | Transfer learning featured short-term combining forecasting model for residential loads with small sample sets | |
| CN115619005A (zh) | 一种智能用电网络资源优化配置方法及系统 | |
| CN113256108A (zh) | 人力资源分配方法、装置、电子设备及存储介质 | |
| CN114399212A (zh) | 生态环境质量评估方法、装置、电子设备及存储介质 | |
| CN113868529A (zh) | 知识推荐方法、装置、电子设备及可读存储介质 | |
| CN112102011A (zh) | 基于人工智能的用户等级预测方法、装置、终端及介质 | |
| CN112269875A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN116404631A (zh) | 一种电网负荷预测方法、装置和电子设备 | |
| CN111738529A (zh) | 基于强化学习的综合能源系统需求响应方法、系统及设备 | |
| CN117217501B (zh) | 一种数字化生产计划与调度方法 | |
| CN113342940A (zh) | 文本匹配分析方法、装置、电子设备及存储介质 | |
| CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
| CN115796231B (zh) | 一种时态分析的超短期风速预测方法 |
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 |