CN117314127A - 一种混合遗传禁忌搜索算法的生产计划和排产方法 - Google Patents

一种混合遗传禁忌搜索算法的生产计划和排产方法 Download PDF

Info

Publication number
CN117314127A
CN117314127A CN202311605229.3A CN202311605229A CN117314127A CN 117314127 A CN117314127 A CN 117314127A CN 202311605229 A CN202311605229 A CN 202311605229A CN 117314127 A CN117314127 A CN 117314127A
Authority
CN
China
Prior art keywords
production
equipment
individual
product
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.)
Granted
Application number
CN202311605229.3A
Other languages
English (en)
Other versions
CN117314127B (zh
Inventor
宋庭新
李文杰
刘慧中
冯威
涂子墨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Agco Software Technology Co ltd
Original Assignee
Wuhan Agco Software Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Agco Software Technology Co ltd filed Critical Wuhan Agco Software Technology Co ltd
Priority to CN202311605229.3A priority Critical patent/CN117314127B/zh
Publication of CN117314127A publication Critical patent/CN117314127A/zh
Application granted granted Critical
Publication of CN117314127B publication Critical patent/CN117314127B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0633—Workflow analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供一种混合遗传禁忌搜索算法的生产计划和排产方法，包括：基于生产周期、生产线平衡率以及设备利用率的多目标优化，建立最小化生产周期短、最大化生产线平衡率和最大化设备利用率的生产计划和排产模型；将所有产品的生产工序进行编码操作；利用混合遗传禁忌搜索算法，输入编码信息进行柔性作业调度求解确定出优化个体，获得生产计划和排产甘特图本。利用传统的遗传算法易得出局部最优解，而混合遗传禁忌搜索算法利用遗传算法良好的全局搜索能力和禁忌算法具有记忆能力的全局逐步优化特性，针对柔性作业调度问题，利用层次分析法求解各个目标函数，把多个目标函数值映射为染色体的适应度，从而得到符合要求的最优解或近优解。

Description

一种混合遗传禁忌搜索算法的生产计划和排产方法
技术领域
本发明涉及计算机技术领域，尤其涉及一种混合遗传禁忌搜索算法的生产计划和排产方法。
背景技术
在生产过程中，制造企业管理者往往只关注到了生产周期对生产效率的影响，仅把缩短生产周期作为提高生产效率的唯一指标。当生产周期最短时，生产线平衡率和设备利用率往往并非最优化，进而会引起中间产品物料堆积和不必要的资源浪费。基于此，如果运用工业工程的相关技术-柔性作业调度，是一种在工业和生产环境中的作业计划和排产方法，旨在根据需求和资源的变化来动态调整生产任务和工作流程，以提高生产效率、降低成本和减少浪费，采用多目标优化，通过混合遗传禁忌算法来改善生产计划和排产，避免生产过程中的不合理、不经济等情况，进而能够有效提高劳动效率、降低相关生产成本，实现企业的综合效益最优和长远发展。
发明内容
为了解决上述的技术问题，利用传统的遗传算法易得出局部最优解，而混合遗传禁忌搜索算法利用遗传算法良好的全局搜索能力和禁忌算法具有记忆能力的全局逐步优化特性，针对车间流控制系统中的柔性作业调度问题，利用层次分析法求解各个目标函数，把多个目标函数值映射为染色体的适应度，从而得到符合要求的最优解或近优解。
实现生产线平衡率、设备利用率和生产周期多目标优化的生产计划和排产，本发明提供了一种混合遗传禁忌搜索算法的生产计划和排产方法。
根据本发明实施例的第一方面，提供一种混合遗传禁忌搜索算法的生产计划和排产方法，包括：基于生产周期、生产线平衡率以及设备利用率的多目标优化，建立最小化生产周期短、最大化生产线平衡率和最大化设备利用率的生产计划和排产模型；
将所有产品的生产工序进行编码操作；
利用混合遗传禁忌搜索算法，输入编码信息进行柔性作业调度求解确定出优化个体，获得生产计划和排产甘特图。
在一种可能的实现方式中，所述建立最小化生产周期短、最大化生产线平衡率和最大化设备利用率的生产计划和排产模型，包括：
模型中用到的符号假设如下： 为每个工序的预计完成时间； 为每个工序的 开始时间； 为规定的生产周期； 为工序数； 为瓶颈工序时间； 为总时间； 为第 i个任务的设备运行时间；为设备利用率的倒数；
尽量使生产周期最短，赋予优先因子P1；用表示生产周期提前的偏差量，因此优 化生产周期目标函数为：
生产周期约束：
；
尽量满足生产线平衡率需求，赋予优先因子P2；用正偏差变量表示超出车间所 需物品需求量的部分，用表示低于车间所需物品需求量的部分，因此优化生产线平衡率 目标函数为：
生产线平衡率约束：
最大化生产线平衡率并不是一个线性规划问题，因为它涉及到除法运算。所以需要将目 标函数进行转化，可以定义一个辅助变量R表示生产平衡率的倒数，， 其中，代表工序数，代表瓶颈工序时间，表示每个工序的预计完成时间；
设备利用率要大于等于初始值，赋予优先因子P3；用表示第 k个产线设备利用 率相较于初始设备利用率的偏差量，因此优化设备利用率目标函数为:
设备利用率约束：
最大化设备利用率并不是一个线性规划问题，因为它涉及到除法运算，所以需要 将目标函数进行转化,可以将目标函数修改为最小化辅助变量, 表示设备利用率的倒数，。
其中，在本实施例中优先因子P1>P2>P3，用来表示重要性，生产周期＞生产线平衡率＞设备利用率。一般制造业是这样的，因为交货期肯定是首位的，是硬性要求，至于生产线平衡率和设备利用率两者可以调节，本实施例规定的生产线平衡率优先级＞设备利用率，一般均按此排优先级顺序，但后面两者顺序可以调整。
在一种可能的实现方式中，所述将所有产品的生产工序进行编码操作，每一种产品的生产工序进行编码操作包括：
每一行所有编码数字代表一种产品；
每一行的编码数字被分割成若干列，第一列数字代表所述产品的工序数；所述若干列中除第一列外的每一列代表一个工序所涉及到的生产设备、每台设备对于不同种类产品的生产能力大小；
具体地，第二列代表第一个工序，第二列第一个数字Q代表第一个工序可以在所述第一个数字Q台的设备上进行生产，所述第一个数字N后面的若干个数字分别代表第1台可生产设备到第Q台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；
第三列代表第二个工序，第三列第一个数字G代表第二个工序可以在所述第一个数字G台的设备上进行生产，所述第一个数字G后面的若干个数字分别代表第1台可生产设备到第G台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；
以此类推，直到涉及到的所有工序编码完成。
在一种可能的实现方式中，所述利用混合遗传禁忌搜索算法进行柔性作业调度求解确定出优化个体，包括：
随机产生N个个体构成第一代初始种群，计算出各个个体的适应度并初始化一个禁忌表，确定出适应度较高的个体；
判断所述适应度较高的个体是否满足事先设置的收敛条件，若满足则输出优化个体结果停止执行下一步骤，否则继续执行下一步骤；
将所述适应度较高的个体作为父代，进行交叉和变异操作产生新个体，对所述新个体进行适应度评估，选出适应度值较高的新个体判断所述新个体是否满足事先设置的收敛条件，若满足则输出优化个体结果停止执行下一步骤，否则所述新个体继续执行本步骤并将其的交叉变异操作记录到禁忌表中；
循环执行上一步骤，并在循环执行上一步骤中避免重复进行所述禁忌表中的交叉变异操作，直至产生符合收敛条件的最新优化个体，输出所述优化个体；或者，达到最大迭代次数，输出优化个体结果。
在一种可能的实现方式中，所述收敛条件包括生产周期要小于等于交货期且越短越好，生产线平衡率要达到a%的优良级别以上，设备利用率要达到b%以上。
在一种可能的实现方式中，还包括对获得的所述生产计划和排产甘特图进行微调，得到实际的生产计划和排产甘特图，包括：
将编码中产品名称和设备名称的编号还原成真实的产品名称和设备名称；
临时新增产品插入调整；
当月的产品和上月未生产完的产品可能存在能够合并的情况，进行合并调整；
优化生产周期最短的目标函数时还考虑到休息日的情况，针对性地做出调整。
根据本发明实施例的第二方面，提供混合遗传禁忌搜索算法的生产计划和排产系统，包括：
生产计划和排产模型建模模块，其被配置为建立最小化生产周期短、最大化生产线平衡率和最大化设备利用率的生产计划和排产模型，包括：
模型中用到的符号假设如下： 为每个工序的预计完成时间； 为每个工序的 开始时间； 为规定的生产周期； 为工序数； 为瓶颈工序时间； 为总时间； 为第 i个任务的设备运行时间；为设备利用率的倒数；
尽量使生产周期最短，赋予优先因子P1；用表示生产周期提前的偏差量，因此优 化生产周期目标函数为：
生产周期约束：
；
尽量满足生产线平衡率需求，赋予优先因子P2；用正偏差变量表示超出车间所 需物品需求量的部分，用表示低于车间所需物品需求量的部分，因此优化生产线平衡率 目标函数为：
生产线平衡率约束：
最大化生产线平衡率并不是一个线性规划问题，因为它涉及到除法运算。所以需要将 目标函数进行转化，可以定义一个辅助变量R表示生产平衡率的倒数，， 其中，代表工序数，代表瓶颈工序时间，表示每个工序的预计完成时间；
设备利用率要大于等于初始值，赋予优先因子P3；用表示第 k个产线设备利用 率相较于初始设备利用率的偏差量，因此优化设备利用率目标函数为:
设备利用率约束：
，
最大化设备利用率并不是一个线性规划问题，因为它涉及到除法运算，所以需要 将目标函数进行转化,可以将目标函数修改为最小化辅助变量, 表示设备利用率的倒数，；
生产工序编码操作模块，其被配置为对所有产品的生产工序进行编码操作，每一种产品的生产工序进行编码操作包括：
每一行所有编码数字代表一种产品；
每一行的编码数字被分割成若干列，第一列数字代表所述产品的工序数；所述若干列中除第一列外的每一列代表一个工序所涉及到的生产设备、每台设备对于不同种类产品的生产能力大小；
具体地，第二列代表第一个工序，第二列第一个数字Q代表第一个工序可以在所述第一个数字Q台的设备上进行生产，所述第一个数字N后面的若干个数字分别代表第1台可生产设备到第Q台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；
第三列代表第二个工序，第三列第一个数字G代表第二个工序可以在所述第一个数字G台的设备上进行生产，所述第一个数字G后面的若干个数字分别代表第1台可生产设备到第G台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；以此类推，直到涉及到的所有工序编码完成；
混合遗传禁忌搜索算法模块，其被配置为利用混合遗传禁忌搜索算法进行柔性作业调度求解确定出优化个体，包括：
随机产生N个个体构成第一代初始种群，计算出各个个体的适应度并初始化一个禁忌表，确定出适应度较高的个体；
判断所述适应度较高的个体是否满足事先设置的收敛条件，若满足则输优化个体结果停止执行下一步骤，否则继续执行下一步骤；
将所述适应度较高的个体作为父代，进行交叉和变异操作产生新个体，对所述新个体进行适应度评估，选出适应度值较高的新个体判断所述新个体是否满足事先设置的收敛条件，若满足则输出优化个体结果停止执行下一步骤，否则所述新个体继续执行本步骤并将其的交叉变异操作记录到禁忌表中；
循环执行上一步骤，并在循环执行上一步骤中避免重复进行所述禁忌表中的交叉变异操作，直至产生符合收敛条件的最新优化个体，输出所述优化个体；或者，达到最大迭代次数，输出优化个体，获得生产计划和排产甘特图。
在一种可能的实现方式中，还包括甘特图微调模块，其被配置为对生成的所述甘特图进行微调，获得实际的生产计划和排产甘特图，包括：
将编码中产品名称和设备名称的编号还原成真实的产品名称和设备名称；
临时新增产品插入调整；
当月的产品和上月未生产完的产品可能存在能够合并的情况，进行合并调整；
优化生产周期最短的目标函数时增加考虑到休息日的情况，针对性地做出调整。
根据本发明实施例的第三方面，提供一种电子设备包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现上述混合遗传禁忌搜索算法的生产计划和排产方法的步骤。
根据本公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述混合遗传禁忌搜索算法的生产计划和排产方法的步骤。
本公开的实施例提供的技术方案至少带来以下有益效果：
本公开通过把禁忌搜索算法嵌入到遗传算法中，这种混合结构由于融入了禁忌搜索法的思想，使得那些只有通过禁忌检验的个体，才能真正地被作为新的个体所接收，这一方面使得那些有效基因缺失、但适宜度不高于其父代的个体被禁忌掉，另一方面，也使得那些包含有效基因、但适宜度较低的个体有更多的机会参加交叉和变异，从而延缓或避免了早熟收敛的发生，也提高了遗传算法的爬山能力。通过混合遗传禁忌搜索算法全局优化后的生产计划主要的改进点是对产品加工顺序的重排，重新组织生产序列来减少整体完工时间，具体的，遗传和变异操作体现了对产品工序的重排，重新组织生产序列的目的是，使更多的机器投入生产，也可以直接改为使更多的机器投入生产来减少整体完工时间。以及替换设备获得更合理的加工路线，对瓶颈工序增加时间来提高生产能力，具体的，依据所列举的编码事例，每个具体的产品可以在多台设备进行加工，我们将根据整体的排产计划，考虑生产周期，生产线平衡率，设备利用率来设计出一个最为合理的加工路线。也即打破原有加工顺序和重组操作，再结合更换在可行范围内的设备，使得设备利用更加平衡和均匀，从而提高生产效率，缩短生产周期，具体的，具体的结合实际生产的产品，瓶颈工序的效率较低，所以要增加其生产的时间来达到产量的要求。具体的也可以参照我们给出的编码事例，对于瓶颈工序，就会增加生产设备来提高他的产量。
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，并不能限制本发明。
附图说明
图1为本发明方法的总体流程示意图；
图2为本发明方法的混合遗传禁忌搜索算法流程图；
图3是本发明方法的混合遗传禁忌搜索算法排产结果甘特图；
图4是本发明方法的实际排产结果图。
具体实施方式
以下结合附图对本发明的实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1：
本实施例提供了一种混合遗传禁忌搜索算法的生产计划和排产方法，如图1所示，包括：基于生产周期、生产线平衡率以及设备利用率的多目标优化，涉及的主要指标如下：
生产线平衡率是指产品生产过程中的消耗和产出之间的平衡关系，通常以各工序的总消耗量和总产出量之比来计算。生产线平衡率的高低直接影响着生产效率和产能。生产线平衡率是评估生产计划是否科学的重要指标之一，其计算公式如下：
生产计划的制订应该达到生产线平衡率的总体要求，如果平衡率较高（达到80%的优良级别以上），证明生产计划是合理的，这样有助于减少在制品库存，提高整体生产效率。同时，生产线平衡率的提升可以减少瓶颈工序作业时间，减少等待浪费，提高设备和人员利用率。
设备利用率是指生产设备在生产过程中的利用程度，通常以生产设备的运行时间和总时间之比来计算。设备利用率的高低直接影响着生产效率和产能。设备利用率是评估生产计划优劣的重要指标之一，其计算公式如下：
其中，总时间是指生产设备可用的总时间，包括生产时间、维护时间和停机时间等。生产计划的制订应该达到设备利用率的总体要求，如果设备利用率较高，则表明生产设备的利用程度较高，没有产能闲置，生产效率相对较高。
生产周期是指从生产计划制定到生产完成的时间间隔，通常以生产计划的总时间和总产出量之比来计算。生产周期的长短直接影响着生产效率和交货期。生产周期是评估生产计划优劣的重要指标之一，其计算公式如下：
其中，总产出量是指产品的总数量。生产计划的制订应该达到生产周期的总体要求，如果生产周期较短，则表明周转时间少，生产效率高，经济效益好。
产线平衡率、设备利用率和生产周期是评估生产计划优劣的重要指标。通过对这三个指标的评估和分析，可以确定生产计划是否满足市场需求和产能要求，进而制定相应的改进方案，提高生产效率。
进一步地，在生产计划的制订过程中，生产周期、生产线平衡率、设备利用率是生产计划的制订需要满足的主要指标，本发明的排产模型是最小化生产周期短、最大化生产线平衡率和设备利用率，需满足以下要求：
①市场需求在模拟期内相对稳定，不会出现大幅波动或突发性变化；
②生产设备的稳定性和生产能力能够满足预期的生产需求 ；
③原材料供应是稳定的，没有延迟或短缺等问题；
④产品生产的工艺和任务可以按照预期的时间和顺序完成，包括设备清洁和认证等周期性任务；
⑤员工的工作效率和质量稳定，不会出现人员短缺或拖延导致生产进度延误；
⑥企业已经确定了生产成本和资源成本，并且能够进行合理的成本控制。在模拟排产优化时，可以考虑成本在一定范围内的控制和优化；
⑦产品在生产过程中能够符合质量标准和合规要求，不会出现品质问题导致批次废弃和重新生产的情况。
本实施例生产计划和排产的优化策略采用的是多目标优化。首先，建立完善的市场信息收集和预测机制，精准地确定交货期并进行生产计划制定。销售部门应及时跟踪市场需求的变化，对销售数据进行分析和预测，以便及时调整生产计划，避免不必要的浪费。其次，设备维护人员需要全面统计设备故障、停机、性能降低情况，提高设备可用率和效率，减少设备故障对生产计划的干扰。最后，也是最重要的，采用科学的、量化的手段来进行生产排程。除了最小化生产周期以外，同时以最大化生产线平衡率和设备利用率为目标，采用混合遗传禁忌搜索算法对当前的生产任务进行重排，以保证生产计划满足市场需求和生产效率的要求。
在生产计划的制订过程中，生产周期、生产线平衡率、设备利用率是生产计划制订需要满足的主要指标，本发明的排产模型是最小化生产周期短、最大化生产线平衡率和设备利用率。为达到理想的生产效果，至少要满足：生产周期要小于等于交货期且越短越好，生产线平衡率要达到a%（本实施例中a=80）的优良级别以上，设备利用率要达到b%（本实施例中b=80）以上。
根据企业的实际要求，给生产周期、生产线平衡率和设备利用率赋予不同的优先因子，分别建立目标函数，进一步地，确定出生产周期、生产线平衡率和设备利用率的约束条件。
建立最小化生产周期短、最大化生产线平衡率和最大化设备利用率的生产计划和排产模型，包括：
模型中用到的符号假设如下： 为每个工序的预计完成时间； 为每个工序的 开始时间； 为规定的生产周期； 为工序数； 为瓶颈工序时间； 为总时间； 为第 i个任务的设备运行时间；为设备利用率的倒数；
尽量使生产周期最短，赋予优先因子P1；用表示生产周期提前的偏差量，因此优 化生产周期目标函数为：
生产周期约束：
；
：实际生产周期超过计划生产周期的偏差量；
：实际生产周期小于计划生产周期的偏差量；
尽量满足生产线平衡率需求，赋予优先因子P2；用正偏差变量表示超出车间所 需物品需求量的部分，用表示低于车间所需物品需求量的部分，因此优化生产线平衡率 目标函数为：
其中，“车间所需物品”是指车间加工出来的产品。“车间所需物品需求量”就是指每个单独生产线需要生产的特定产品的产量需求。这个目标函数的设定是为满足生产线平衡率需求（即每个生产线的产量分配）。
：表示生产线j产量超出"车间所需药品需求量"的部分。
：表示生产线j产量低于"车间所需药品需求量"的部分。
一般生产线产能分配,都是根据每个生产线需要生产的产品类型和数量来设定。
值得注意的是，因正负偏差变量都是正值，正偏差值是指超过目标值的部分，负偏差值是指低于目标值的部分。两者至少有一个是0，比如有低于目标值的，那么负偏差指大于零，正偏差值就是0 ，所以就把正偏差的那个函数省略掉了。只有当负偏差不为零时，才会进行优化，此时正偏差为零，就将正偏差的函数省略掉了，所以优化函数里面的变量都是负偏差。
生产线平衡率约束：
最大化生产线平衡率并不是一个线性规划问题，因为它涉及到除法运算。所以需要将目 标函数进行转化，可以定义一个辅助变量R表示生产平衡率的倒数，，其 中，代表工序数，代表瓶颈工序时间，表示第i个任务的预计完成时间；
：是指生产线平衡率低于目标平衡率的偏差量；
：是指生产线平衡率高于目标平衡率的偏差量；
设备利用率要大于等于初始值，赋予优先因子P3；用表示第 k个产线设备利用 率相较于初始设备利用率的偏差量，因此优化设备利用率目标函数为:
值得注意的是，只有当负偏差不为零时，才会进行优化，此时正偏差为零，就将正偏差的函数省略掉了，所以优化函数里面的变量都是负偏差。
其中，：设备k相较于初始设备利用率的下降偏差量；
“设备利用率要大于等于初始值”中的“初始值”是按照实际企业的生产情况来说的，改善后的设备利用率肯定要大于改善前的设备利用率，但是最后的要求还是生产周期要小于等于交货期且越短越好，生产线平衡率要达到a%（a=80）的优良级别以上，设备利用率要达到b%（b=80）以上；
设备利用率约束：
，
最大化设备利用率并不是一个线性规划问题，因为它涉及到除法运算，所以需要 将目标函数进行转化,可以将目标函数修改为最小化辅助变量，表示设备利用率的倒数，；
是指设备利用率低于目标利用率的偏差量。
是指设备利用率高于目标利用率的偏差量。
将所有产品的生产工序进行编码操作，每一种产品的生产工序进行编码操作包括：
每一行所有编码数字代表一种产品；
每一行的编码数字被分割成若干列，第一列数字（个位数字）代表所述产品的工序数；所述若干列中除第一列外的每一列代表一个工序所涉及到的生产设备、每台设备对于不同种类产品的生产能力大小；
具体地，第二列代表第一个工序，第二列第一个数字Q（自然数）代表第一个工序可以在所述第一个数字Q台的设备上进行生产，所述第一个数字N后面的若干个数字（第1到第Q个数字（自然数））分别代表第1台可生产设备到第Q台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；
第三列代表第二个工序，第三列第一个数字G（自然数）代表第二个工序可以在所述第一个数字G台的设备上进行生产，所述第一个数字G后面的若干个数字（第1到第G个数字（自然数））分别代表第1台可生产设备到第G台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；
以此类推，直到涉及到的所有工序编码完成。
针对不同的产品，具体的编码方式不同。本实施例以某一制药公司生产红霉素的工序编码方式为例。其他产品的编码方式与其相同。
编码原则：采用基于工序的编码方法，按照产品的加工工序进行编码。
每一行数字代表一种产品，以该公司3月份红霉素产品为例。
其中，
之前已经建立好了本发明的排产模型，已经建立出目标函数和约束条件。
如图2所示，把禁忌搜索算法嵌入到遗传算法中，首先要随机产生初始种群。种群是指一组个体，每个个体代表了一个可能的解决方案，在这里每个个体就代表着一种排产方案。因此，我们要统计出所有参与排产的产品，每个产品的具体工序不同，不同的组合就会产生不同排产方案，生产周期、生产线平衡率、设备利用率就会不同，本发明就旨在设计出最佳的一种排产方案。即：生产周期要小于等于交货期且越短越好，生产线平衡率要达到80%的优良级别以上，设备利用率要达到80%以上。
把禁忌搜索算法嵌入到遗传算法中，这种混合结构由于融入了禁忌搜索法的思想，使得那些只有通过禁忌检验的个体，才能真正地被作为新的个体所接收，这一方面使得那些有效基因缺失、但适宜度不高于其父代的个体被禁忌掉，另一方面，也使得那些包含有效基因、但适宜度较低的个体有更多的机会参加交叉和变异，从而延缓或避免了早熟收敛的发生，也提高了遗传算法的爬山能力。
本实施例利用混合遗传禁忌搜索算法进行柔性作业调度求解确定出优化个体，包括：
将所有产品的工序编码完成以后，将进行种群的初始化。
随机产生N个个体即若干个排产方案，构成第一代初始种群，计算出各个个体的适应度并初始化一个禁忌表，确定出适应度较高的个体；关于初始种群，每个产品的加工工序都是固定的，不同工序一般会在不同的设备上面进行加工，某些工序可以选择的设备有多台，并且不同产品的某些工序也会共用同一台设备。所以通过调整产品的加工位置以及产品的加工顺序，可以随机产生排产计划，达到初始化种群的目的。种群的大小，不同项目并不是一个固定的值，是一个动态调整的过程，但是初始种群大小一般都不低于所有生产计划的50%。本实施例与计算机软件matlab相结合的，所以将根据得出的排产计划调整相应的初始种群，本实施例中最终设置的初始种群大小是200个。一般在种群初始化中：“实验和调整”是确定种群大小的方法之一， 通过在实际应用中进行试验和调整，可以找到适合特定问题的最佳初始化种群大小，通过监测算法的性能和结果，可以逐步调整种群大小以取得最佳效果。一般建议初始的种群数可以从总的种群数量的50%开始进行尝试，这个开始的种群数量都是不断调试的，没有一个固定的数值，后面那100个进行交叉变异的个体，也是不断调试得出来的。而且这两个数据（200个和100个）都只针对本实施例而言。
判断所述适应度较高的个体是否满足事先设置的收敛条件，若满足则输出优化个体结果停止执行下一步骤，否则继续执行下一步骤；本实施例中，收敛条件包括生产周期要小于等于交货期且越短越好，生产线平衡率要达到a%（a=80）的优良级别以上，设备利用率要达到b%（b=80）以上。
将所述适应度较高的个体作为父代，进行交叉和变异操作产生新个体，交叉和变异操作就代表着交换任务顺序、重新分配资源、修改排产时序等操作；对所述新个体进行适应度评估，选出适应度值较高的新个体判断所述新个体是否满足事先设置的收敛条件，若满足则输出优化个体结果停止执行下一步骤，否则所述新个体继续执行本步骤并将其的交叉变异操作记录到禁忌表中，以避免在未来搜索中重复这些操作，提高优化效率；本实施例有三个指标：生产周期、生产线平衡率、设备利用率，生产周期最重要，不可能为提升生产线平衡率和设备利用率来牺牲生产周期，能按时交货最重要，所以不能给这三个指标赋予权重，若给这三个指标赋予权重，通过最后计算的值来判断是否适应度，有可能生产周期很长，超过了交货期，但是生产线平衡率和设备利用率很高，最后计算出来的值却仍然满足要求，不符合要求，对后续的交叉变异也是有很大影响的，会造成很大的误差。所以P1、P2、P3只能设置重要性顺序，在进行混合算法的计算时，会设置一开始随机种群的大小，设置会挑选用多少个个体进行交叉变异，挑选的原则就是收敛条件，按照，生产周期，生产线平衡率，设备利用率的目标函数公式独立计算相互比较进行挑选。本实施例中首先挑选出的是生产周期满足要求的个体，若大于100个就直接进行交叉变异，如果不足100个就根据生产周期、生产线平衡率、设备利用率这三个指标的优先级，补充到100个进行交叉变异。
总之，根据算法原理的流程框图2可以得出，若个体满足了生产条件（生产周期要小于等于交货期且越短越好，生产线平衡率要达到80%的优良级别以上，设备利用率要达到80%以上），那么直接会输出最后的结果，所以进行交叉变异的父代肯定都不满足生产条件，至少不满足其中一个条件。在挑选适应度较高的父代的过程中，挑选原则是首先看该个体的生产周期是否满足要求，若生产周期都满足要求，再看生产线平衡率是否满足要求，最后再比较设备利用率是否满去要求，有一个优先级的问题，例如，有个体A和B，A个体的生产周期满足要求，生产线平衡率和设备利用率都不满足要求，B的生产周期不满足要求，但他的生产线平衡率和设备利用率都满足要求，则认为A相较于B适应度更高，A是更优质的个体，应该选择A。在实际的生产中，能按时交货那肯定还是第一位的。
循环执行上一步骤，并在循环执行上一步骤中避免重复进行所述禁忌表中的交叉变异操作，直至产生符合收敛条件的最新优化个体，输出所述优化个体；或者，达到最大迭代次数（例如设置循环500次），输出优化个体结果。
根据输出优化个体结果获得生产计划和排产甘特图包括：
利用Matlab软件得出生产甘特图。
将编码数据输入到inputdata函数中，在inputdata函数中只用更改数字部分，分为3个部分，分别为base、sumjob、job这3个部分，例如：
base=[26 32 3];（数字分别为：产品种类、总的设备数量、平均每个工序可供选择的设备数量，3月份的）
sumjob=[21 5 5 4 32 3 10 2 3 44 3 1 1 1 1 1 1 1 1 1 1 6 9 6 2 4];（26个数字分别代表每种产品的具体批量，如21代表红霉素3月份生产21批，后面的数字每个都代表一种产品的生产批量）
job部分的编码就是前面提到每一种产品的生产工序所进行的编码部分，每一行代表一种产品的生产相关信息。也是3月份的。
在数据输入完成之后，首先打开混合遗传禁忌搜索算法main函数，然后点击运算，得出运算结果，最后得到的结果保存在RS（存储结果的一个空间）中，点击RS右键另存为，文件名可以自己进行更改。
打开转换函数ganting，加载刚刚保存的文件，点击运行，即可将数据转换为甘特图。
如图3所示，是本发明方法的混合遗传禁忌搜索算法排产结果甘特图，图中一个数字代表一个产品，同一个数字代表着同一个产品；一个产品有好几个工序，每个工序时间不同，所以长度不一样；没有数字的方块代表加工不同产品换行的时间，根据具体加工的产品来设置换行的时间，这里是以制药为例，同一台机器会加工不同的产品，当一种产品的某个工序加工完成以后，会更换另一种产品，因为药品对卫生的要求很严格，需要将设备进行清洗，消毒，待专门的质检部门检验合格之后，才能进行下一个产品的加工生产，一般需要一天；图中有3月32天、33天、34天和35天，是表示排产计划多出来的天数，并不是排产方案的的缺陷，而是由于实际之前的不合理排产，导致上个月的产品计划有堆积，并没有生产完成，累计到此，所以多了几天，这是从实际的角度进行排产的结果。
本实施例的方法还包括对获得的所述生产计划和排产甘特图进行微调，得到实际的生产计划和排产甘特图，包括：
将编码中产品名称和设备名称的编号还原成真实的产品名称和设备名称；
临时新增产品插入调整；
当月的产品和上月未生产完的产品可能存在能够合并的情况，进行合并调整；
优化生产周期最短的目标函数时还考虑到休息日的情况，针对性地做出调整。
如图4所示，是本发明方法的排产结果图，以2023年3月为例。图4中具体地，横坐标代表时间，纵坐标代表工序，相同工序后面的数字，代表着在不同的设备上进行生产。以红霉素的生产为例，一、2023年3月1日至2023年3月10日，进行制粒和总混操作；二、2023年3月1日至2023年3月6日，对经过步骤一操作的原料进行压片；2023年3月2日至2023年3月10日及2023年3月13日至2023年3月16日，在另一台压片设备上同时进行压片操作；三、2023年3月1日至2023年3月10日、2023年3月13日至2023年3月15日及2023年3月19日至2023年3月21日对经过步骤二操作的原料进行包衣操作；2023年3月1日至2023年3月10日及2023年3月13日至2023年3月22日在另一台包衣设备进行包衣操作；四、2023年3月5日至2023年3月6日及2023年3月13日至2023年3月14日对经过步骤三的原料进行瓶包操作；2023年3月7日至2023年3月10日、2023年3月13日至2023年3月15日、2023年3月21日至2023年3月24日及2023年3月27日在另一台瓶包设备上进行瓶包操作。经过上述的排产加工，可以得出成品红霉素。其他产品以此类推。图中有3月32日、33日、34日和35日，是表示排产计划多出来的天数，并不是排产方案的的缺陷，而是由于实际之前的不合理排产，导致上个月的产品计划有堆积，并没有生产完成，累计到此，所以多了几天，这是从实际的角度进行排产的结果。
实施例2
提供混合遗传禁忌搜索算法的生产计划和排产系统，包括：
生产计划和排产模型建模模块，其被配置为建立最小化生产周期短、最大化生产线平衡率和最大化设备利用率的生产计划和排产模型，包括：
模型中用到的符号假设如下： 为每个工序的预计完成时间； 为每个工序的 开始时间； 为规定的生产周期； 为工序数； 为瓶颈工序时间； 为总时间； 为第 i个任务的设备运行时间；为设备利用率的倒数；
尽量使生产周期最短，赋予优先因子P1；用表示生产周期提前的偏差量，因此优 化生产周期目标函数为：
生产周期约束：
；
尽量满足生产线平衡率需求，赋予优先因子P2；用正偏差变量表示超出车间所 需物品需求量的部分，用表示低于车间所需物品需求量的部分，因此优化生产线平衡率 目标函数为：
生产线平衡率约束：
最大化生产线平衡率并不是一个线性规划问题，因为它涉及到除法运算。所以需要将目 标函数进行转化，可以定义一个辅助变量R表示生产平衡率的倒数，， 其中，代表工序数，代表瓶颈工序时间，表示每个工序的预计完成时间；
设备利用率要大于等于初始值，赋予优先因子P3；用表示第 k个产线设备利用 率相较于初始设备利用率的偏差量，因此优化设备利用率目标函数为:
设备利用率约束：
，
最大化设备利用率并不是一个线性规划问题，因为它涉及到除法运算，所以需要 将目标函数进行转化,可以将目标函数修改为最小化辅助变量，表示设备利用率的倒数，；
生产工序编码操作模块，其被配置为对所有产品的生产工序进行编码操作，每一种产品的生产工序进行编码操作包括：
每一行所有编码数字代表一种产品；
每一行的编码数字被分割成若干列，第一列数字（个位数字）代表所述产品的工序数；所述若干列中除第一列外的每一列代表一个工序所涉及到的生产设备、每台设备对于不同种类产品的生产能力大小；
具体地，第二列代表第一个工序，第二列第一个数字Q（自然数）代表第一个工序可以在所述第一个数字Q台的设备上进行生产，所述第一个数字N后面的若干个数字（第1到第Q个数字（自然数））分别代表第1台可生产设备到第Q台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；
第三列代表第二个工序，第三列第一个数字G（自然数）代表第二个工序可以在所述第一个数字G台的设备上进行生产，所述第一个数字G后面的若干个数字（第1到第G个数字（自然数））分别代表第1台可生产设备到第G台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；以此类推，直到涉及到的所有工序编码完成；
混合遗传禁忌搜索算法模块，其被配置为利用混合遗传禁忌搜索算法进行柔性作业调度求解确定出优化个体，包括：
随机产生N个个体构成第一代初始种群，计算出各个个体的适应度并初始化一个禁忌表，确定出适应度较高的个体；
判断所述适应度较高的个体是否满足事先设置的收敛条件，若满足则输优化个体结果停止执行下一步骤，否则继续执行下一步骤；
将所述适应度较高的个体作为父代，进行交叉和变异操作产生新个体，对所述新个体进行适应度评估，选出适应度值较高的新个体判断所述新个体是否满足事先设置的收敛条件，若满足则输出优化个体结果停止执行下一步骤，否则所述新个体继续执行本步骤并将其的交叉变异操作记录到禁忌表中；
循环执行上一步骤，并在循环执行上一步骤中避免重复进行所述禁忌表中的交叉变异操作，直至产生符合收敛条件的最新优化个体，输出所述优化个体；或者，达到最大迭代次数，输出优化个体，获得生产计划和排产甘特图。
在本实现方式中，还包括甘特图微调模块，其被配置为对生成的所述甘特图进行微调，获得实际的生产计划和排产甘特图，包括：
将编码中产品名称和设备名称的编号还原成真实的产品名称和设备名称；
临时新增产品插入调整；
当月的产品和上月未生产完的产品可能存在能够合并的情况，进行合并调整；
优化生产周期最短的目标函数时增加考虑到休息日的情况，针对性地做出调整。
实施例3
提供一种电子设备包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器通过运行所述可执行指令以实现上述混合遗传禁忌搜索算法的生产计划和排产方法的步骤。
实施例4
提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现上述混合遗传禁忌搜索算法的生产计划和排产方法的步骤。

Claims (9)

1.一种混合遗传禁忌搜索算法的生产计划和排产方法，其特征在于，包括：基于生产周期、生产线平衡率以及设备利用率的多目标优化，建立最小化生产周期短、最大化生产线平衡率和最大化设备利用率的生产计划和排产模型；
将所有产品的生产工序进行编码操作；
利用混合遗传禁忌搜索算法，输入编码信息进行柔性作业调度求解确定出优化个体，获得生产计划和排产甘特图；
所述建立最小化生产周期短、最大化生产线平衡率和最大化设备利用率的生产计划和排产模型，包括：
模型中用到的符号假设如下： 为每个工序的预计完成时间；/> 为每个工序的开始时间；/> 为规定的生产周期；/> 为工序数；/> 为瓶颈工序时间；/> 为总时间；/> 为第i个任务的设备运行时间；/>为设备利用率的倒数；
尽量使生产周期最短，赋予优先因子P1；用表示生产周期提前的偏差量，因此优化生产周期目标函数为：
生产周期约束：
；
尽量满足生产线平衡率需求，赋予优先因子P2；用正偏差变量表示超出车间所需物品需求量的部分，用/>表示低于车间所需物品需求量的部分，因此优化生产线平衡率目标函数为：
生产线平衡率约束：
最大化生产线平衡率并不是一个线性规划问题，因为它涉及到除法运算；所以需要将目标函数进行转化，可以定义一个辅助变量R表示生产平衡率的倒数，；
设备利用率要大于等于初始值，赋予优先因子P3；用表示第 k个产线设备利用率相较于初始设备利用率的偏差量，因此优化设备利用率目标函数为:
设备利用率约束：
最大化设备利用率并不是一个线性规划问题，因为它涉及到除法运算，所以需要将目标函数进行转化,可以将目标函数修改为最小化辅助变量，/>。
2.根据权利要求1所述的混合遗传禁忌搜索算法的生产计划和排产方法，其特征在于，所述将所有产品的生产工序进行编码操作，每一种产品的生产工序进行编码操作包括：
每一行所有编码数字代表一种产品；
每一行的编码数字被分割成若干列，第一列数字代表所述产品的工序数；所述若干列中除第一列外的每一列代表一个工序所涉及到的生产设备、每台设备对于不同种类产品的生产能力大小；
具体地，第二列代表第一个工序，第二列第一个数字Q代表第一个工序可以在所述第一个数字Q台的设备上进行生产，所述第一个数字N后面的若干个数字分别代表第1台可生产设备到第Q台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；
第三列代表第二个工序，第三列第一个数字G代表第二个工序可以在所述第一个数字G台的设备上进行生产，所述第一个数字G后面的若干个数字分别代表第1台可生产设备到第G台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；
以此类推，直到涉及到的所有工序编码完成。
3.根据权利要求2所述的混合遗传禁忌搜索算法的生产计划和排产方法，其特征在于，所述利用混合遗传禁忌搜索算法进行柔性作业调度求解确定出优化个体，包括：
随机产生N个个体构成第一代初始种群，计算出各个个体的适应度并初始化一个禁忌表，确定出适应度较高的个体；
判断所述适应度较高的个体是否满足事先设置的收敛条件，若满足则输出优化个体结果停止执行下一步骤，否则继续执行下一步骤；
将所述适应度较高的个体作为父代，进行交叉和变异操作产生新个体，对所述新个体进行适应度评估，选出适应度值较高的新个体判断所述新个体是否满足事先设置的收敛条件，若满足则输出优化个体结果停止执行下一步骤，否则所述新个体继续执行本步骤并将其的交叉变异操作记录到禁忌表中；
循环执行上一步骤，并在循环执行上一步骤中避免重复进行所述禁忌表中的交叉变异操作，直至产生符合收敛条件的最新优化个体，输出所述优化个体结果；或者，达到最大迭代次数，输出优化个体结果。
4.根据权利要求3所述的混合遗传禁忌搜索算法的生产计划和排产方法，其特征在于，所述收敛条件包括生产周期要小于等于交货期且越短越好，生产线平衡率要达到a%的优良级别以上，设备利用率要达到b%以上。
5.根据权利要求4所述的混合遗传禁忌搜索算法的生产计划和排产方法，其特征在于，还包括对获得的所述生产计划和排产甘特图进行微调，得到实际的生产计划和排产甘特图，包括：
将编码中产品名称和设备名称的编号还原成真实的产品名称和设备名称；
临时新增产品插入调整；
当月的产品和上月未生产完的产品可能存在能够合并的情况，进行合并调整；
优化生产周期最短的目标函数时还考虑到休息日的情况，针对性地做出调整。
6.一种混合遗传禁忌搜索算法的生产计划和排产系统，其特征在于，包括：
生产计划和排产模型建模模块，其被配置为建立最小化生产周期短、最大化生产线平衡率和最大化设备利用率的生产计划和排产模型，包括：
模型中用到的符号假设如下： 为每个工序的预计完成时间；/> 为每个工序的开始时间；/> 为规定的生产周期；/> 为工序数；/> 为瓶颈工序时间；/> 为总时间；/> 为第i个任务的设备运行时间；/>为设备利用率的倒数；
尽量使生产周期最短，赋予优先因子P1；用表示生产周期提前的偏差量，因此优化生产周期目标函数为：
生产周期约束：
；
尽量满足生产线平衡率需求，赋予优先因子P2；用正偏差变量表示超出车间所需物品需求量的部分，用/>表示低于车间所需物品需求量的部分，因此优化生产线平衡率目标函数为：
生产线平衡率约束：
最大化生产线平衡率并不是一个线性规划问题，因为它涉及到除法运算；所以需要将目标函数进行转化，可以定义一个辅助变量R表示生产平衡率的倒数，；
设备利用率要大于等于初始值，赋予优先因子P3；用表示第 k个产线设备利用率相较于初始设备利用率的偏差量，因此优化设备利用率目标函数为:
设备利用率约束：
最大化设备利用率并不是一个线性规划问题，因为它涉及到除法运算，所以需要将目标函数进行转化,可以将目标函数修改为最小化辅助变量，/>；
生产工序编码操作模块，其被配置为对所有产品的生产工序进行编码操作，每一种产品的生产工序进行编码操作包括：
每一行所有编码数字代表一种产品；
每一行的编码数字被分割成若干列，第一列数字代表所述产品的工序数；所述若干列中除第一列外的每一列代表一个工序所涉及到的生产设备、每台设备对于不同种类产品的生产能力大小；
具体地，第二列代表第一个工序，第二列第一个数字Q代表第一个工序可以在所述第一个数字Q台的设备上进行生产，所述第一个数字N后面的若干个数字分别代表第1台可生产设备到第Q台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；
第三列代表第二个工序，第三列第一个数字G代表第二个工序可以在所述第一个数字G台的设备上进行生产，所述第一个数字G后面的若干个数字分别代表第1台可生产设备到第G台可加工设备的设备编号，所述若干个数字后面的0到1的小数代表对应可加工设备的生产能力，最大的生产能力为1；以此类推，直到涉及到的所有工序编码完成；
混合遗传禁忌搜索算法模块，其被配置为利用混合遗传禁忌搜索算法进行柔性作业调度求解确定出优化个体，包括：
随机产生N个个体构成第一代初始种群，计算出各个个体的适应度并初始化一个禁忌表，确定出适应度较高的个体；
判断所述适应度较高的个体是否满足事先设置的收敛条件，若满足则输出寻优结果，否则继续执行下一步骤；
将所述适应度较高的个体作为父代，进行交叉和变异操作产生新个体，对所述新个体进行适应度评估，选出适应度值较高的新个体判断所述新个体是否满足事先设置的收敛条件，若满足则输出寻优结果，否则所述新个体继续执行本步骤并将其的交叉变异操作记录到禁忌表中；
循环执行上一步骤，并在循环执行上一步骤中避免重复进行所述禁忌表中的交叉变异操作，直至产生符合收敛条件的最新个体，输出所述优化个体；或者，达到最大迭代次数，输出优化个体，获得生产计划和排产甘特图。
7.根据权利要求6所述的混合遗传禁忌搜索算法的生产计划和排产系统，其特征在于，还包括甘特图微调模块，其被配置为对生成的所述甘特图进行微调，获得实际的生产计划和排产甘特图，包括：
将编码中产品名称和设备名称的编号还原成真实的产品名称和设备名称；
临时新增产品插入调整；
当月的产品和上月未生产完的产品可能存在能够合并的情况，进行合并调整；
优化生产周期最短的目标函数时增加考虑到休息日的情况，针对性地做出调整。
8.一种电子设备，其特征在于，包括：
至少一个存储器，用于存储程序指令；
至少一个处理器，用于调用所述存储器中存储的程序指令，按照获得的程序指令执行上述权利要求1～5任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1～5任一所述方法的步骤。
CN202311605229.3A 2023-11-29 2023-11-29 一种混合遗传禁忌搜索算法的生产计划和排产方法 Active CN117314127B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311605229.3A CN117314127B (zh) 2023-11-29 2023-11-29 一种混合遗传禁忌搜索算法的生产计划和排产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311605229.3A CN117314127B (zh) 2023-11-29 2023-11-29 一种混合遗传禁忌搜索算法的生产计划和排产方法

Publications (2)

Publication Number Publication Date
CN117314127A true CN117314127A (zh) 2023-12-29
CN117314127B CN117314127B (zh) 2024-03-12

Family

ID=89286923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311605229.3A Active CN117314127B (zh) 2023-11-29 2023-11-29 一种混合遗传禁忌搜索算法的生产计划和排产方法

Country Status (1)

Country Link
CN (1) CN117314127B (zh)

Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102354311A (zh) * 2011-09-09 2012-02-15 河海大学常州校区 面向大批量定制的可重构装配线平衡方法
CN102608916A (zh) * 2012-02-15 2012-07-25 浙江工业大学 一种基于元胞机的大型零件柔性作业车间的动态调度方法
US20180129192A1 (en) * 2016-11-07 2018-05-10 Fujitsu Limited Job planning device and job planning method
CN108665092A (zh) * 2018-04-17 2018-10-16 东莞理工学院 一种基于混合萤火虫算法的全流程排产与优化方法
CN111382942A (zh) * 2020-03-09 2020-07-07 西安建筑科技大学 一种集成交货期配置的置换流水车间能效优化调度方法
CN113505985A (zh) * 2021-07-08 2021-10-15 山东科技大学 一种求解混合装配序列规划和产线平衡问题的方法
US20210335639A1 (en) * 2020-04-27 2021-10-28 Shanghai Huali Integrated Circuit Corporation Scheduling method and device for batch processing machine
CN113570134A (zh) * 2021-07-26 2021-10-29 浙江工业大学 一种用于大型装备生产制造与行车系统的元胞机协同调度方法
WO2022000924A1 (zh) * 2020-07-01 2022-01-06 北京工业大学 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法
CN114492895A (zh) * 2020-10-27 2022-05-13 上海交通大学 汽车发动机柔性产线分批与调度方法
CN114912346A (zh) * 2022-03-31 2022-08-16 杭州电子科技大学 基于学习能力的技能规划配置和车间调度集成优化方法
CN114971407A (zh) * 2022-06-27 2022-08-30 中车青岛四方机车车辆股份有限公司 一种检修计划自动排程控制方法及系统
CN115062980A (zh) * 2022-06-17 2022-09-16 山东省计算中心（国家超级计算济南中心） 基于改进金枪鱼群算法的柔性车间排产方法及程序产品
CN115129304A (zh) * 2022-05-20 2022-09-30 武汉爱科软件技术股份有限公司 一种基于零代码平台的可视化业务服务编排方法及装置
WO2022214468A1 (de) * 2021-04-07 2022-10-13 Zf Friedrichshafen Ag Computerimplementiertes verfahren und computerprogramm zur montagestückzahlplanung von montageteilen für eine produktionsoptimierung eines produktionssystems, montagestückzahlplanungssystem und produktionsplanung und-steuerungssystem
CN115470977A (zh) * 2022-08-30 2022-12-13 武汉理工大学 基于帝国竞争算法的多目标柔性作业车间分批调度方法
CN115700647A (zh) * 2021-07-26 2023-02-07 沈阳中科数控技术股份有限公司 一种基于禁忌搜索遗传算法的车间柔性作业调度方法
WO2023087418A1 (zh) * 2021-11-18 2023-05-25 东北大学 基于迁移遗传算法的电脑第二类装配线平衡优化方法
WO2023130709A1 (zh) * 2022-01-06 2023-07-13 青岛海尔科技有限公司 家电设备的生产排程方法、装置、设备及存储介质
US20230297089A1 (en) * 2022-02-04 2023-09-21 C3.Ai, Inc. Resource-task network (rtn)-based templated production schedule optimization (pso) framework
CN117010651A (zh) * 2023-08-11 2023-11-07 西安航天自动化股份有限公司 一种订单优先级感知的柔性作业车间调度方法

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102354311A (zh) * 2011-09-09 2012-02-15 河海大学常州校区 面向大批量定制的可重构装配线平衡方法
CN102608916A (zh) * 2012-02-15 2012-07-25 浙江工业大学 一种基于元胞机的大型零件柔性作业车间的动态调度方法
US20180129192A1 (en) * 2016-11-07 2018-05-10 Fujitsu Limited Job planning device and job planning method
CN108665092A (zh) * 2018-04-17 2018-10-16 东莞理工学院 一种基于混合萤火虫算法的全流程排产与优化方法
CN111382942A (zh) * 2020-03-09 2020-07-07 西安建筑科技大学 一种集成交货期配置的置换流水车间能效优化调度方法
US20210335639A1 (en) * 2020-04-27 2021-10-28 Shanghai Huali Integrated Circuit Corporation Scheduling method and device for batch processing machine
WO2022000924A1 (zh) * 2020-07-01 2022-01-06 北京工业大学 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法
CN114492895A (zh) * 2020-10-27 2022-05-13 上海交通大学 汽车发动机柔性产线分批与调度方法
WO2022214468A1 (de) * 2021-04-07 2022-10-13 Zf Friedrichshafen Ag Computerimplementiertes verfahren und computerprogramm zur montagestückzahlplanung von montageteilen für eine produktionsoptimierung eines produktionssystems, montagestückzahlplanungssystem und produktionsplanung und-steuerungssystem
CN113505985A (zh) * 2021-07-08 2021-10-15 山东科技大学 一种求解混合装配序列规划和产线平衡问题的方法
CN115700647A (zh) * 2021-07-26 2023-02-07 沈阳中科数控技术股份有限公司 一种基于禁忌搜索遗传算法的车间柔性作业调度方法
CN113570134A (zh) * 2021-07-26 2021-10-29 浙江工业大学 一种用于大型装备生产制造与行车系统的元胞机协同调度方法
WO2023087418A1 (zh) * 2021-11-18 2023-05-25 东北大学 基于迁移遗传算法的电脑第二类装配线平衡优化方法
WO2023130709A1 (zh) * 2022-01-06 2023-07-13 青岛海尔科技有限公司 家电设备的生产排程方法、装置、设备及存储介质
US20230297089A1 (en) * 2022-02-04 2023-09-21 C3.Ai, Inc. Resource-task network (rtn)-based templated production schedule optimization (pso) framework
CN114912346A (zh) * 2022-03-31 2022-08-16 杭州电子科技大学 基于学习能力的技能规划配置和车间调度集成优化方法
CN115129304A (zh) * 2022-05-20 2022-09-30 武汉爱科软件技术股份有限公司 一种基于零代码平台的可视化业务服务编排方法及装置
CN115062980A (zh) * 2022-06-17 2022-09-16 山东省计算中心（国家超级计算济南中心） 基于改进金枪鱼群算法的柔性车间排产方法及程序产品
CN114971407A (zh) * 2022-06-27 2022-08-30 中车青岛四方机车车辆股份有限公司 一种检修计划自动排程控制方法及系统
CN115470977A (zh) * 2022-08-30 2022-12-13 武汉理工大学 基于帝国竞争算法的多目标柔性作业车间分批调度方法
CN117010651A (zh) * 2023-08-11 2023-11-07 西安航天自动化股份有限公司 一种订单优先级感知的柔性作业车间调度方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
余璇;梁工谦;董仲慧;: "基于混合遗传禁忌搜索算法的多目标柔性作业车间调度", 机械制造, no. 08 *
徐华;程冰;: "混合遗传蝙蝠算法求解单目标柔性作业车间调度问题", 小型微型计算机系统, no. 05 *
时维国;薛倩;: "求解Job-Shop车间作业调度的混合算法", 大连交通大学学报, no. 04, 15 August 2009 (2009-08-15), pages 64 - 66 *
时维国等: "求解Job-Shop车间作业调度的混合算法", 《大连交通大学学报》, vol. 30, no. 4, pages 64 - 66 *
梁迪;陶泽;: "多目标柔性作业调度的优化研究", 计算机工程与应用, no. 15, 21 May 2009 (2009-05-21) *
陶思南等: "一种求解车间作业调度的自适应混合遗传算法", 《计算机系统应用》, vol. 19, no. 4, 15 April 2010 (2010-04-15), pages 53 - 57 *

Also Published As

Publication number Publication date
CN117314127B (zh) 2024-03-12

Similar Documents

Publication Publication Date Title
Dias et al. Integration of scheduling and control under uncertainties: Review and challenges
CN105045243B (zh) 一种半导体生产线动态调度装置
Lin et al. Considering stockers in reentrant hybrid flow shop scheduling with limited buffer capacity
CN101604418A (zh) 基于量子粒子群算法的化工企业智能生产计划控制系统
CN111062535A (zh) 一种实现含能材料生产过程动态排产的方法及系统
CN112907150B (zh) 一种基于遗传算法的生产排程方法
CN114897379A (zh) 一种基于信息反馈的动态生产计划排程系统及方法
WO2021232882A1 (zh) 基于数学优化模型的片剂营养品生产现场计划与调度方法
CN117252447A (zh) 一种工业盐生产统计方法及系统
CN101364292A (zh) 一种asp模式下企业间生产调度优化方法
CN103927628A (zh) 面向客户承诺的订单管理系统和订单管理方法
CN102298737A (zh) 面向客户承诺的订单管理系统和订单管理方法
CN114298426A (zh) Aps动态生产计划排程系统
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
CN117314127B (zh) 一种混合遗传禁忌搜索算法的生产计划和排产方法
CN116663861B (zh) 装配式构件生产鲁棒性和资源均衡结合的调度优化方法
CN113050553A (zh) 半导体生产线基于联邦学习机制的调度建模方法
CN116090676B (zh) 一种基于多目标优化的aps排产方法及aps排产系统
Liang et al. Hybrid Algorithm Based on Genetic Simulated Annealing Algorithm for Complex Multiproduct Scheduling Problem with Zero‐Wait Constraint
Pang et al. Feature-extraction-based iterated algorithms to solve the unrelated parallel machine problem with periodic maintenance activities
Kopanos et al. Advanced production scheduling in a seagate technology wafer fab
CN115952894A (zh) 一种电力物资需求及采购的预测方法
Wang et al. Multi-subpopulation parallel computing genetic algorithm for the semiconductor packaging scheduling problem with auxiliary resource constraints
US8185227B2 (en) Method and system for determining manufacturing throughput target
CN109543930B (zh) 基于机台多级别稳态生产速率的派工方法及系统

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A production planning and scheduling method using a hybrid genetic taboo search algorithm

Granted publication date: 20240312

Pledgee: Guanggu Branch of Wuhan Rural Commercial Bank Co.,Ltd.

Pledgor: Wuhan AGCO Software Technology Co.,Ltd.

Registration number: Y2024980019034