TWI741760B - 學習式生產資源配置方法、學習式生產資源配置系統與使用者介面 - Google Patents
學習式生產資源配置方法、學習式生產資源配置系統與使用者介面 Download PDFInfo
- Publication number
- TWI741760B TWI741760B TW109129269A TW109129269A TWI741760B TW I741760 B TWI741760 B TW I741760B TW 109129269 A TW109129269 A TW 109129269A TW 109129269 A TW109129269 A TW 109129269A TW I741760 B TWI741760 B TW I741760B
- Authority
- TW
- Taiwan
- Prior art keywords
- resource allocation
- algorithm
- learning
- solutions
- solution
- Prior art date
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims description 46
- 230000006872 improvement Effects 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 2
- 238000005242 forging Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 229910000831 Steel Inorganic materials 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 238000005266 casting Methods 0.000 description 3
- 238000013481 data capture Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種學習式生產資源配置方法、學習式生產資源配置系統與使用者介面。學習式生產資源配置方法包括以下步驟。自一可用資源庫取得數個批號產品適用之數個資源的數筆設定內容。取得數個資源配置解。各個資源配置解係為這些批號產品與這些設定內容之一組合。各個資源配置解被歸類為一優群或一劣群。屬於劣群之這些資源配置解之一第一部分以一第一演算法變更這些設定內容,屬於劣群之這些資源配置解之一第二部分以一第二演算法變更這些設定內容。第一演算法不同於第二演算法。依據更新後之這些資源配置解,獲得一最佳資源配置解。
Description
本揭露是有關於一種學習式生產資源配置方法、學習式生產資源配置系統與使用者介面。
隨著文化和經濟的快速發展,供應鏈已經成為產業上不可分割的一環,產業的現況是整體物流時間冗長,加上外包體系運作缺乏有效管理模式,供應鏈排單須考量多廠區/多設備,造成排程困難。供應鏈的生產進度的回饋管控目前也需依靠人工跟催,無法即時準確。此外,異常問題相當複雜且不易解決。因此,生產資源配置的重要性也隨之提高。
生產資源配置是一種NP Hard(non-deterministic polynomial-time hardness)的問題。過去許多研究人員採用單一種演算法來解決這類的問題,例如是採用多目標演算法。但是多目標演算
法較大的問題就是收斂不夠快,導致需要花費較多時間才能獲得最佳解。
本揭露係有關於一種學習式生產資源配置方法、學習式生產資源配置系統與使用者介面。
根據本揭露之一實施例,提出一種學習式生產資源配置方法。學習式生產資源配置方法包括以下步驟。自一可用資源庫取得數個批號產品適用之數個資源的數筆設定內容。取得數個資源配置解。各個資源配置解係為這些批號產品與這設定內容之一組合。各個資源配置解被歸類為一優群或一劣群。屬於劣群之這些資源配置解之一第一部分以一第一演算法變更這些設定內容,屬於劣群之這些資源配置解之一第二部分以一第二演算法變更這些設定內容。第一演算法不同於第二演算法。依據更新後之這些資源配置解,獲得一最佳資源配置解。
根據本揭露之另一實施例,提出一種學習式生產資源配置系統。學習式生產資源配置系統包括一資料擷取裝置、一知識學習裝置及一輸出裝置。資料擷取裝置包括一可用資源庫及一配置單元。可用資源庫記錄數個批號產品適用之數個資源的數筆設定內容。配置單元用以取得數個資源配置解。各個資源配置解係為這些批號產品與這些設定內容之一組合。各個資源配置解被歸類為一優群或一劣群。知識學習裝置包括一第一演算單元及一第二演算單元。第一演算單元
用以對屬於劣群之這些資源配置解之一第一部分以一第一演算法變更這些設定內容。第二演算單元用以對屬於劣群之這些資源配置解之一第二部分以一第二演算法變更這些設定內容。第一演算法不同於第二演算法。輸出裝置用以依據更新後之這些資源配置解,獲得一最佳資源配置解。
根據本揭露之再一實施例,提出一種使用者介面。使用者介面包括一參數設定視窗、一資源配置結果視窗及一資源配置建議視窗。參數設定視窗用以選取一可用資源庫。可用資源庫記錄數個批號產品適用之數個資源的數筆設定內容。資源配置結果視窗用以輸出一最佳資源配置解。最佳資源配置解係為這些批號產品與這些設定內容之一組合。資源配置建議視窗用以輸出一熱力圖。熱力圖記錄數個資源配置解進行變更時,這些資源的正向改善變更次數。
為了對本揭露之上述及其他方面有更佳的瞭解,下文特舉實施例,並配合所附圖式詳細說明如下:
1000:學習式生產資源配置系統
100:資料擷取裝置
110:可用資源庫
120:配置單元
200:知識學習裝置
210:第一演算單元
220:第二演算單元
230:改善知識庫
300:知識更新裝置
400:輸出裝置
500:知識轉換裝置
900:使用者介面
a:第一正向改善數量
b:第二正向改善數量
BN:批號產品
C1,C2:曲線
G1:優群
G2:劣群
MP:熱力圖
QM:Q矩陣
QV:Q值
RA_1-RA_10:資源配置解
RS:資源
RS1:鑄錠
RS2:鍛機
RS3:鍛模
SC:設定內容
S110,S120,S130,S140,S150,S160,S170:步驟
W1:參數設定視窗
W2:資源配置結果視窗
W3:資源配置建議視窗
第1圖繪示根據一實施例之場域情境的示意圖。
第2圖繪示根據一實施例之學習式生產資源配置系統的方塊圖。
第3圖繪示根據一實施例之學習式生產資源配置方法的流程圖。
第4圖示例說明10個資源配置解。
第5圖繪示根據一實施例之第一演算法之示意圖。
第6圖繪示根據一實施例之第二演算法之示意圖。
第7圖繪示根據一實施例之Q矩陣之更新動作。
第8圖繪示根據一實施例之鍛模的熱力圖。
第9圖繪示根據一實施例之生產資源之學習式配置的使用者介面。
第10圖繪示本揭露之學習式配置方法與傳統之學習式配置方法的比較曲線。
請參照第1圖,其繪示根據一實施例之場域情境的示意圖。以鋼鐵業為例,對於各種批號產品BN之鋼材需要進行配置的資源RS包含鑄錠RS1、鍛機RS2(鍛打機台)、鑄模RS3(鍛打鋼材之模具)等。鑄錠RS1、鍛機RS2、鑄模RS3分別具有多種選擇。舉例來說,如下表一所示,鑄錠RS1可能包含「1、2、3、...」等編號。鍛機RS2可能包含「1、2、3、...」等編號。鑄模RS3可能包含「11、12、32、...」等編號。同一批號產品BN之鋼材可以透過這些資源RS的多種設定內容SC來進行製造。例如,不同的設定內容SC可能會需要不同成本與產生不同數量的餘料。在鋼鐵業的生產資源配置中,目標是分析出最佳/較佳資源配置解,以使成本最低/較低且餘料最少/較少。
請參照第2圖,其繪示根據一實施例之學習式生產資源配置系統1000的方塊圖。學習式生產資源配置系統1000包括一資料擷取裝置100、一知識學習裝置200、一知識更新裝置300、一輸出裝置400及一知識轉換裝置500。資料擷取裝置100、知識學習裝置200、知識更新裝置300、輸出裝置400及知識轉換裝置500例如是一電路、一晶片、一電路板或儲存數組程式碼之儲存裝置。各項元件之功能簡述如下:資料擷取裝置100用以擷取運算所需之資訊。資料擷取裝置100包括一可用資源庫110及一配置單元120。知識學習裝置200用以進行機器學習,以最佳化資源配置。知識學習裝置200包括一第一演算單元210、一第二演算單元220及一改善知識庫230。知識更新裝置300用以在機器學習的過程中更新資訊,以使機器學習逐漸收斂。輸出裝置400用以輸出資訊。知識轉換裝置500用以將機器學習過程的抽象資訊換成具體資訊。
學習式生產資源配置系統1000可以透過知識學習裝置200進行兩種機器學習演算法,以提升機器學習的效率。此外,學習式生產資源配置系統1000更可以透過知識轉換裝置500提供具體資訊,便利於操作人進行生產資源配置的參考。以下搭配一流程圖詳細說明上述各項元件之運作。
請參照第3圖,其繪示根據一實施例之學習式生產資源配置方法的流程圖。在步驟S110中,自資料擷取裝置100之可用資源庫110取得數個批號產品BN適用之數個資源RS的數筆設定內容SC,例如是上述表一。在此步驟中,資料擷取裝置100係持續地接收一個或多個產線可用資源訊息,來建立可用資源庫110。舉例來說,資料擷取裝置100可以透過存取場域資料庫系統或是企業資源規劃系統(ERP)中的訊息來建立可用資源庫110。
接著,在步驟S120中,資料擷取裝置100之配置單元120取得數個資源配置解(例如是資源配置解RA_1~RA_10)。各個資源配置解RA_1~RA_10係為這些批號產品BN與這些設定內容SC之一個組合。如下表二所示,表二所示的是一個資源配置解RA_1的內容。在初始的資源配置解RA_1中,對應於各個批號產品BN隨機抽取出一筆設定內容SC。表二之資源配置解RA_1,對應於第1個批號產品BN隨機抽取出第5筆設定內容SC,對應於第2個批號產品BN隨機抽取出第2筆設定內容SC,對應於第3個批號產品BN隨機抽取出第8筆設定內容SC,依此類推。
舉例來說,請參照第4圖,其示例說明10個資源配置解RA_1~RA_10。各個資源配置解RA_1~RA_10被歸類為優群G1或劣群G2。如第4圖所示,資源配置解RA_1~RA_4被歸類為優群G1,資源配置解RA_5~RA_10被歸類為劣群G2。配置單元120例如是將10個資源配置解RA_1~RA_10按照成本的優劣排序。然後,配置單元120以特定臨界值將這10個資源配置解RA_1~RA_10歸類入優群G1及劣群G2。
有了這些資源配置解RA_1~RA_10之後,接下來的目標便是去優化屬於劣群G2之資源配置解RA_5~RA_10之設定內容SC。
然後,在步驟S130中,知識學習裝置200之第一演算單元210對屬於劣群G2之資源配置解RA_5~RA_10之一第一部分(例如是資源配置解RA_5~RA_6)以一第一演算法變更設
定內容SC,並且知識學習裝置200之第二演算單元220對屬於劣群G2之資源配置解RA_5~RA_10之一第二部分(例如是資源配置解RA_7~RA_10)以一第二演算法變更設定內容SC。第一演算法不同於第二演算法。在此步驟中,所有屬於劣群G2之資源配置解RA_5~RA_10之設定內容SC均被變更。
在本實施例中,知識學習裝置200是採用相互學習(collaborative learning)的方式來執行第一演算法及第二演算法。
請參照第5圖,其繪示根據一實施例之第一演算法之示意圖。第一演算法係為一強化學習演算法(Re-enforce Learning Algorithm,RL),例如是Q學習演算法(Q learning)或sarsa演算法。強化學習演算法可以累積優化經驗,以提升收斂速度。如第5圖所示,改善知識庫230記錄一Q矩陣(Q-matrix)QM。Q矩陣中的Q值(Q value)QV記錄屬於劣群G2之資源配置解RA_5~RA_10參考屬於優群G1之資源配置解RA_1~RA_4進行變更後的改善程度。
對資源配置解RA_5來說,最大的Q值QV(星星記號者)對應於資源配置解RA_1。也就是說,對資源配置解RA_5來說,參考資源配置解RA_1進行變更,可以獲得最大改善程度。
接著,第一演算單元210隨機挑選N個批號產品BN(例如是第3個批號產品BN、第11個批號產品BN、第22個批號產品BN),參考資源配置解RA_1之設定內容SC,變更資源配置解RA_5之設定內容SC。
類似的,對資源配置解RA_6來說,參考資源配置解RA_4進行變更,可以獲得最大改善程度。
請參照第6圖,其繪示根據一實施例之第二演算法之示意圖。第二演算法係為一演化演算法(Evolutionary Algorithm,EA)。演化演算法可以考慮到各種可能的解,使得學習過程能夠收斂在全域最佳解。在第二演算法中,並不考慮Q矩陣QM(繪示於第5圖),而是以一預定順序,變更設定內容SC。以第6圖為例,從最差的資源配置解RA_10開始配置,對於資源配置解RA_10,參考資源配置解RA_1進行變更;對於資源配置解RA_9,參考資源配置解RA_2進行變更;對於資源配置解RA_8,參考資源配置解RA_3進行變更;對於資源配置解RA_7,參考資源配置解RA_4進行變更;對於資源配置解RA_6,參考資源配置解RA_1進行變更;對於資源配置解RA_5,參考資源配置解RA_2進行變更。在劣群G2的所有資源配置解RA_5~RA_10都會進行變更。
資源配置解RA_5~RA_10變更設定內容SC後,資源配置解RA_1~RA_10將重新排序。例如,資源配置解RA_5可能上升一個次序,而被歸類為優群G1;資源配置解RA_4可能下降一個次序,而被歸類為劣群G2。下一次運算則是針對屬於劣群G2之資源配置解RA_4、RA_6~RA_10變更其設定內容SC。
上述第二演算法係為演化演算法,其主要目的是使學習過程能收斂在全域最佳解,但其收斂速度較慢。第一演算法係為強化學習演算法,其可以累積優化經驗,加快收斂速度,但其可能會收斂在區域最佳解。本揭露同時採用第一演算法及第二演算法,以取得兩者的優點,不僅可使學習過程能夠收斂在全域最佳解,亦可增加收斂速度。
接著,在步驟S140中,更新改善知識庫230之Q矩陣QM,以利於再次執行第一演算法。不論資源配置解RA_5~RA_10是採用第一演算法或第二演算法進行變更,在Q矩陣QM中都會去更新其對應的數值。請參照第7圖,其繪示根據一實施例之Q矩陣QM之更新動作。屬於劣群G2之資源配置解RA_5~RA_10共有6個,故Q矩陣QM會有6個Q值QV需要更新。Q值QV增加時(如圓形虛線所示),定義為正向改善;Q值QV降低時(如方形虛線所示),定義為負向改善。如第7圖所示,採用第一演算法之資源配置解RA_5~RA_6之一第一正向改善數量a為1;採用第一演算法之資源配置解RA_7~RA_10之一第二正向改善數量b為2。
在前述的演算中,屬於劣群G2之資源配置解RA_5~RA_6採用第一演算法,屬於劣群G2之資源配置解RA_7~RA_10採用第二演算法。也就是說,第一部分與第二部分之比例為2:4。在一實施例中,第一部分及第二部分之比例可以按照逐步調整。第一部份及第二部分可以依據採用第一演算法之第一正向改善數量a及採用第二演算法之第二正向改善數量b進行調整。例如是按照以1/a:1/b之比例調整。在第一正向改善數量a為1,第二正向改善數量b為2的情況下,第一部份及第二部分之比例將調整為1/1:1/2=2:1。故下次執行第一演算法及第二演算法時,屬於劣群G2之資源配置解RA_5~RA_8將採用第一演算法;屬於劣群G2之資源配置解RA_9~RA_10將採用第二演算法。
然後,在步驟S150中,判斷是否滿足收斂條件。收斂條件例如是最優之資源配置解RA_1之成本降低量低於一預定值。若滿足收斂條件,則進入步驟S170;若不滿足收斂條件,則進入步驟S160並回至步驟S130,再次進行演算(在一實施例中,步驟S160係可省略,而直接回至步驟S130)。
在步驟S160中,知識轉換裝置500統計資源配置解RA_1~RA_10變更設定內容SC後之資源RS的正向改善變更次數,以獲得一熱力圖(例如是第8圖之熱力圖MP)。請參照第8圖,其繪示根據一實施例之鍛模RS3的熱力圖MP。在上述演算過程中,資源配置解RA_1~RA_10進行設定內容SC變更時,若有產生正向改善,則會在熱力圖MP累計次數。如第8圖所示,編號
11之鍛模RS3變更為編號32之鍛模RS3的次數最多,故操作人員可以得到具體建議為「編號11之鍛模RS3變更為編號32之鍛模RS3通常可以獲得較好的改善」。
如第8圖所示,熱力圖MP可以數種顏色來呈現數個次數區間,方便操作人員可以一眼看出哪些變更方式較佳。
接著,在步驟S170中,輸出裝置400依據更新後之資源配置解RA_1~RA_10,獲得最佳資源配置解。資源配置解RA_1~RA_10經過變更設定內容SC後,其優劣順序可能不再是從資源配置解RA_1到資源配置解RA_10。此時所輸出之最佳資源配置解係依據最後的優劣排序輸出排序第一者。
請參照第9圖,其繪示根據一實施例之生產資源之學習式配置的使用者介面900。使用者介面900包括一參數設定視窗W1、一資源配置結果視窗W2及一資源配置建議視窗W3。參數設定視窗W1用以選取可用資源庫110。可用資源庫110記錄批號產品BN適用之資源RS的設定內容SC。資源配置結果視窗W2用以輸出最佳資源配置解。最佳資源配置解係為批號產品BN與設定內容SC之一組合。資源配置建議視窗W3用以在另一頁面顯示熱力圖MP。熱力圖MP記錄資源配置解RA_1~RA_10進行變更時,資源RS的正向改善變更次數。
請參照表三,其說明本實施利應用於鋼鐵廠後所產生之成本變化。從成本的變化可以看出本揭露之學習式配置方法可以明顯降低成本。
請再參照第10圖,其繪示本揭露之學習式配置方法與傳統之學習式配置方法的比較曲線。曲線C1係為本實施例同時採用第一演算法及第二演算法的成本變化曲線;曲線C2係為傳統僅採用第二演算法的成本變化曲線。由第10圖可以看出在迭代25次之後,曲線C1明顯低於曲線C2。因此,本實施例之學習式配置方法能夠快速地收斂,相當適合應用於產線上。
根據上述實施例,學習式配置方法及應用其之學習式生產資源配置系統1000可以進行兩種機器學習演算法,以提升機器學習的效率。此外,更可以購過熱力圖MP提供具體資訊,便利於操作人進行生產資源配置的參考。
綜上所述,雖然本揭露已以實施例揭露如上,然其並非用以限定本揭露。本揭露所屬技術領域中具有通常知識者,在不脫離本揭露之精神和範圍內,當可作各種之更動與潤飾。因此,本揭露之保護範圍當視後附之申請專利範圍所界定者為準。
S110,S120,S130,S140,S150,S160,S170:步驟
Claims (20)
- 一種學習式生產資源配置方法,包括:自一可用資源庫,由一配置單元取得複數個批號產品適用之複數個資源的複數筆設定內容;以該配置單元取得複數個資源配置解,各該資源配置解係為該些批號產品與該些設定內容之一組合,各該資源配置解被該配置單元歸類為一優群或一劣群;以一知識學習裝置之一第一演算單元對屬於該劣群之該些資源配置解之一第一部分以一第一演算法變更該些設定內容,以該知識學習裝置之一第二演算單元對屬於該劣群之該些資源配置解之一第二部分以一第二演算法變更該些設定內容,該第一演算法不同於該第二演算法;以及依據更新後之該些資源配置解,以一輸出裝置獲得一最佳資源配置解。
- 如請求項1所述之學習式生產資源配置方法,其中屬於該劣群之該些資源配置解均被該第一演算單元或該第二演算單元變更。
- 如請求項2所述之學習式生產資源配置方法,其中該第一演算單元或該第二演算單元對屬於該劣群之該些資源配置解參考屬於該優群之該些資源配置解之其中之一變更該設定內容。
- 如請求項3所述之學習式生產資源配置方法,更包括:以一知識轉換裝置統計該些資源配置解變更該些設定內容,該知識轉換裝置以該些資源的正向改善變更次數,獲得一熱力圖。
- 如請求項2所述之學習式生產資源配置方法,其中該第一演算法係為一強化學習演算法(Re-enforce Learning Algorithm,RL),在該第一演算法中,該第一演算單元依據一改善知識庫之一最佳改善程度,變更該設定內容。
- 如請求項5所述之學習式生產資源配置方法,更包括:以一知識更新裝置更新該改善知識庫。
- 如請求項1所述之學習式生產資源配置方法,其中該第二演算法係為一演化演算法(Evolutionary Algorithm,EA),在該第二演算法中,該第二演算單元以一預定順序,變更該設定內容。
- 如請求項1所述之學習式生產資源配置方法,其中該知識學習裝置逐步調整該第一部分及該第二部分之比例。
- 如請求項8所述之學習式生產資源配置方法,其中該知識學習裝置依據採用該第一演算法之一第一正向改善數量及採用該第二演算法之一第二正向改善數量調整該第一部份及該第二部分。
- 一種學習式生產資源配置系統,包括:一資料擷取裝置,包括:一可用資源庫,記錄複數個批號產品適用之複數個資源的複數筆設定內容;及一配置單元,用以取得複數個資源配置解,各該資源配置解係為該些批號產品與該些設定內容之一組合,各該資源配置解被歸類為一優群或一劣群;一知識學習裝置,包括:一第一演算單元,用以對屬於該劣群之該些資源配置解之一第一部分以一第一演算法變更該些設定內容;及一第二演算單元,用以對屬於該劣群之該些資源配置解之一第二部分以一第二演算法變更該些設定內容,該第一演算法不同於該第二演算法;以及一輸出裝置,用以依據更新後之該些資源配置解,獲得一最佳資源配置解。
- 如請求項10所述之學習式生產資源配置系統,其中屬於該劣群之該些資源配置解均被變更。
- 如請求項11所述之學習式生產資源配置系統,其中屬於該劣群之各該資源配置解參考屬於該優群之該些資源配置解之其中之一變更該設定內容。
- 如請求項12所述之學習式生產資源配置系統,更包括:一知識轉換裝置,用以統計該些資源配置解變更該些設定內容後,該些資源的正向改善變更次數,以獲得一熱力圖。
- 如請求項11所述之學習式生產資源配置系統,其中該第一演算法係為一強化學習演算法(Re-enforce Learning Algorithm,RL),在該第一演算法中,依據一改善知識庫之一最佳改善程度,變更該設定內容。
- 如請求項14所述之學習式生產資源配置系統,更包括:一知識更新裝置,用以更新該改善知識庫。
- 如請求項10所述之學習式生產資源配置系統,其中該第二演算法係為一演化演算法(Evolutionary Algorithm,EA),在該第二演算法中,以一預定順序,變更該設定內容。
- 如請求項10所述之學習式生產資源配置系統,其中該第一部分及該第二部分之比例逐步調整。
- 如請求項17所述之學習式生產資源配置系統,其中該第一部份及該第二部分依據採用該第一演算法之一第一正向改善數量及採用該第二演算法之一第二正向改善數量進行調整。
- 一種使用者介面,包括:一參數設定視窗,用以選取一可用資源庫,該可用資源庫記錄複數個批號產品適用之複數個資源的複數筆設定內容;一資源配置結果視窗,用以根據複數個資源配置解輸出一最佳資源配置解,各該資源配置解係為該些批號產品與該些設定內容之一組合;以及一資源配置建議視窗,用以輸出一熱力圖,該熱力圖記錄該些資源配置解進行變更時,該些資源的正向改善變更次數。
- 如請求項19所述之生產資源之學習式配置的使用者介面,其中該熱力圖以複數種顏色呈現複數個次數區間。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109129269A TWI741760B (zh) | 2020-08-27 | 2020-08-27 | 學習式生產資源配置方法、學習式生產資源配置系統與使用者介面 |
CN202011028596.8A CN114118505A (zh) | 2020-08-27 | 2020-09-25 | 学习式生产资源配置方法、系统与用户界面 |
US17/077,851 US20220067611A1 (en) | 2020-08-27 | 2020-10-22 | Learning-based resource allocation method, learning-based resource allocation system and user interface |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109129269A TWI741760B (zh) | 2020-08-27 | 2020-08-27 | 學習式生產資源配置方法、學習式生產資源配置系統與使用者介面 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI741760B true TWI741760B (zh) | 2021-10-01 |
TW202209195A TW202209195A (zh) | 2022-03-01 |
Family
ID=80356759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109129269A TWI741760B (zh) | 2020-08-27 | 2020-08-27 | 學習式生產資源配置方法、學習式生產資源配置系統與使用者介面 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220067611A1 (zh) |
CN (1) | CN114118505A (zh) |
TW (1) | TWI741760B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714211A (zh) * | 2013-12-24 | 2014-04-09 | 西安电子科技大学 | 基于移动模式序列与多智能体粒子群的集成电路布图方法 |
CN103809506A (zh) * | 2014-01-26 | 2014-05-21 | 西安理工大学 | 基于一维粒子群算法获得零件加工最优调度方案的方法 |
TWI502523B (zh) * | 2013-09-11 | 2015-10-01 | Nat Univ Tsing Hua | 半導體產品多目標產能規劃系統及其方法 |
CN105243458A (zh) * | 2015-11-10 | 2016-01-13 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
CN106611231A (zh) * | 2016-01-08 | 2017-05-03 | 四川用联信息技术有限公司 | 一种混合粒子群禁忌搜索算法求解作业车间调度问题 |
CN108038538A (zh) * | 2017-12-06 | 2018-05-15 | 西安电子科技大学 | 基于强化学习的多目标进化算法 |
TWI633504B (zh) * | 2017-11-16 | 2018-08-21 | 財團法人工業技術研究院 | 基於樹狀搜尋的排程方法與使用此方法的電子裝置 |
CN108885717A (zh) * | 2015-11-12 | 2018-11-23 | 渊慧科技有限公司 | 异步深度强化学习 |
CN109448794A (zh) * | 2018-10-31 | 2019-03-08 | 华中农业大学 | 一种基于遗传禁忌和贝叶斯网络的上位性位点挖掘方法 |
CN109887274A (zh) * | 2019-01-23 | 2019-06-14 | 南京邮电大学 | 一种基于车辆平均延误的区域交通协调优化控制系统和方法 |
CN110266771A (zh) * | 2019-05-30 | 2019-09-20 | 天津神兔未来科技有限公司 | 分布式智能节点及分布式群体智能统部署方法 |
CN110770761A (zh) * | 2017-07-06 | 2020-02-07 | 华为技术有限公司 | 深度学习系统和方法以及使用深度学习的无线网络优化 |
CN111007813A (zh) * | 2019-11-19 | 2020-04-14 | 一汽物流有限公司 | 一种基于多种群混合智能算法的agv避障调度方法 |
CN111553063A (zh) * | 2020-04-20 | 2020-08-18 | 广州地铁设计研究院股份有限公司 | 一种入侵杂草算法求解资源受限项目调度方法 |
CN111582469A (zh) * | 2020-03-23 | 2020-08-25 | 成都信息工程大学 | 多智能体协作信息处理方法、系统、存储介质、智能终端 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8762304B2 (en) * | 2009-11-03 | 2014-06-24 | Hewlett-Packard Development Company, L.P. | Policy scheduling |
US8238924B2 (en) * | 2010-04-30 | 2012-08-07 | The United States Of America As Represented By The Secretary Of The Navy | Real-time optimization of allocation of resources |
TWI581120B (zh) * | 2016-02-16 | 2017-05-01 | 國立屏東大學 | 營建業的資料探勘方法與電腦程式產品 |
CN105976122B (zh) * | 2016-05-18 | 2020-08-11 | 聊城大学 | 一种多目标资源配置系统 |
CN107784391B (zh) * | 2017-10-20 | 2018-08-14 | 中国人民解放军国防科技大学 | 作业时间随机的基本作战单元使用保障资源优化配置方法 |
CN109902873A (zh) * | 2019-02-28 | 2019-06-18 | 长安大学 | 一种基于改进型鲸鱼算法的云制造资源配置的方法 |
CN111580973B (zh) * | 2020-05-08 | 2023-03-31 | 北京字节跳动网络技术有限公司 | 一种资源配置方法及装置 |
-
2020
- 2020-08-27 TW TW109129269A patent/TWI741760B/zh active
- 2020-09-25 CN CN202011028596.8A patent/CN114118505A/zh active Pending
- 2020-10-22 US US17/077,851 patent/US20220067611A1/en not_active Abandoned
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI502523B (zh) * | 2013-09-11 | 2015-10-01 | Nat Univ Tsing Hua | 半導體產品多目標產能規劃系統及其方法 |
CN103714211A (zh) * | 2013-12-24 | 2014-04-09 | 西安电子科技大学 | 基于移动模式序列与多智能体粒子群的集成电路布图方法 |
CN103809506A (zh) * | 2014-01-26 | 2014-05-21 | 西安理工大学 | 基于一维粒子群算法获得零件加工最优调度方案的方法 |
CN105243458A (zh) * | 2015-11-10 | 2016-01-13 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
CN108885717A (zh) * | 2015-11-12 | 2018-11-23 | 渊慧科技有限公司 | 异步深度强化学习 |
CN106611231A (zh) * | 2016-01-08 | 2017-05-03 | 四川用联信息技术有限公司 | 一种混合粒子群禁忌搜索算法求解作业车间调度问题 |
CN110770761A (zh) * | 2017-07-06 | 2020-02-07 | 华为技术有限公司 | 深度学习系统和方法以及使用深度学习的无线网络优化 |
TWI633504B (zh) * | 2017-11-16 | 2018-08-21 | 財團法人工業技術研究院 | 基於樹狀搜尋的排程方法與使用此方法的電子裝置 |
CN108038538A (zh) * | 2017-12-06 | 2018-05-15 | 西安电子科技大学 | 基于强化学习的多目标进化算法 |
CN109448794A (zh) * | 2018-10-31 | 2019-03-08 | 华中农业大学 | 一种基于遗传禁忌和贝叶斯网络的上位性位点挖掘方法 |
CN109887274A (zh) * | 2019-01-23 | 2019-06-14 | 南京邮电大学 | 一种基于车辆平均延误的区域交通协调优化控制系统和方法 |
CN110266771A (zh) * | 2019-05-30 | 2019-09-20 | 天津神兔未来科技有限公司 | 分布式智能节点及分布式群体智能统部署方法 |
CN111007813A (zh) * | 2019-11-19 | 2020-04-14 | 一汽物流有限公司 | 一种基于多种群混合智能算法的agv避障调度方法 |
CN111582469A (zh) * | 2020-03-23 | 2020-08-25 | 成都信息工程大学 | 多智能体协作信息处理方法、系统、存储介质、智能终端 |
CN111553063A (zh) * | 2020-04-20 | 2020-08-18 | 广州地铁设计研究院股份有限公司 | 一种入侵杂草算法求解资源受限项目调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114118505A (zh) | 2022-03-01 |
TW202209195A (zh) | 2022-03-01 |
US20220067611A1 (en) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | An improved differential evolution algorithm for practical dynamic scheduling in steelmaking-continuous casting production | |
Kaku et al. | Modeling and numerical analysis of line-cell conversion problems | |
Guo et al. | Modeling and Pareto optimization of multi-objective order scheduling problems in production planning | |
Guo et al. | Optimisation of integrated process planning and scheduling using a particle swarm optimisation approach | |
US8315980B2 (en) | Parallel execution of window functions | |
He et al. | Integrated scheduling of production and distribution operations in a global MTO supply chain | |
Li et al. | Mathematical modeling and a discrete artificial bee colony algorithm for the welding shop scheduling problem | |
Şahin et al. | Increasing production rate in U-type assembly lines with sequence-dependent set-up times | |
CN116529741A (zh) | 基于仿真的闭环aps调度优化方法、系统及存储介质 | |
CN104077630A (zh) | 一种模拟人体细胞演化的复杂作业车间布局方法 | |
CN113222253B (zh) | 排产优化方法、装置、设备及计算机可读存储介质 | |
CN106874112A (zh) | 一种结合负载均衡的工作流回填方法 | |
Wong et al. | Decision-making on multi-mould maintenance in production scheduling | |
Süer et al. | Models for cell loading and product sequencing in labor-intensive cells | |
CN107766143A (zh) | 数据处理管理系统和任务管理、任务调度方法及装置 | |
KR101527080B1 (ko) | 시나리오 시뮬레이션 및 병목 공정 정보 처리를 포함하는 디지털 제조 최적화 시스템 | |
Li | Comparing Kanban with CONWIP in a make-to-order environment supported by JIT practices | |
JP5864387B2 (ja) | 工程計画立案支援装置、工程計画立案支援方法およびプログラム | |
TWI741760B (zh) | 學習式生產資源配置方法、學習式生產資源配置系統與使用者介面 | |
Kaku et al. | A mathematical model for converting conveyor assembly line to cellular manufacturing | |
WO2020062047A1 (zh) | 更新调度规则的方法、设备、系统、存储介质和终端 | |
CN104915721A (zh) | 订单生产周期和产量的测量方法 | |
Li | Improving the performance of job shop manufacturing with demand-pull production control by reducing set-up/processing time variability | |
CN113205128A (zh) | 基于无服务器计算的分布式深度学习性能保证方法 | |
Xia et al. | A multi-shop integrated scheduling algorithm with fixed output constraint |