TWI802064B - 為工作站篩選派工規則的電子裝置和方法 - Google Patents
為工作站篩選派工規則的電子裝置和方法 Download PDFInfo
- Publication number
- TWI802064B TWI802064B TW110140155A TW110140155A TWI802064B TW I802064 B TWI802064 B TW I802064B TW 110140155 A TW110140155 A TW 110140155A TW 110140155 A TW110140155 A TW 110140155A TW I802064 B TWI802064 B TW I802064B
- Authority
- TW
- Taiwan
- Prior art keywords
- rule
- dispatching
- individual
- dispatch
- module
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001914 filtration Methods 0.000 title claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 43
- 230000002068 genetic effect Effects 0.000 claims abstract description 32
- 238000012216 screening Methods 0.000 claims description 64
- 108090000623 proteins and genes Proteins 0.000 claims description 61
- 230000004044 response Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 8
- 230000013011 mating Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 6
- 101000743114 Homo sapiens WASH complex subunit 4 Proteins 0.000 description 5
- 102100038143 WASH complex subunit 4 Human genes 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 101100388825 Drosophila melanogaster Swip-1 gene Proteins 0.000 description 2
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 101710191712 L,D-transpeptidase 1 Proteins 0.000 description 1
- 102100022068 Serine palmitoyltransferase 1 Human genes 0.000 description 1
- 101710122478 Serine palmitoyltransferase 1 Proteins 0.000 description 1
- 102100022059 Serine palmitoyltransferase 2 Human genes 0.000 description 1
- 101710122477 Serine palmitoyltransferase 2 Proteins 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 230000008775 paternal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31449—Monitor workflow, to optimize business, industrial processes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32271—Decision of job dispatching, select job to process next on each machine
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Genetics & Genomics (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提供一種為工作站篩選派工規則的電子裝置和方法。方法包含:取得包含第一派工規則的派工規則集合以及第一測試資料集合;基於基因演算法而根據派工規則集合產生初始個體;基於基因演算法而根據第一測試資料集合以及初始個體產生第一個體,其中第一個體包含對應於第一工作站的第一派工規則序列,其中第一派工規則序列包含第一派工規則;根據第一派工規則在第一派工規則序列中的第一排序計算對應於第一派工規則的第一分數,並且根據第一分數更新派工規則集合;以及輸出經更新的派工規則集合。
Description
本揭露是有關於一種為工作站篩選派工規則的電子裝置和方法。
為了提升產品生產效能以增加企業競爭力,產線自動化已成為不可避免的趨勢。隨著人工智慧技術的發展,越來越多廠商將人工智慧技術應用於產線自動化以優化產線的生產效率,以藉由人工智慧技術為工作站選擇派工規則。然而,因產業環境不同等因素,不同的產線可能具有不同的製程或需使用不同的機台。因此,不同產線的工作站適合的派工規則並不相同。若無法針對產線選擇數量適當的派工規則來訓練人工智慧模型,將會導致所訓練的人工智慧模型效能不佳或導致訓練模型的成本增加。因此,如何提出一種可適用於不同產業環境的派工規則推薦方式,是本領域重要的課題之一。
本揭露提供一種為工作站篩選派工規則的電子裝置和方法,可基於基因演算法(genetic algorithm,GA)為工作站篩選適合的派工規則,以改善工作站的排程效率。
本揭露的一種為工作站篩選派工規則的電子裝置,包含處理器、儲存媒體以及收發器。儲存媒體儲存多個模組以及包含第一派工規則的派工規則集合。處理器耦接儲存媒體以及收發器,並且存取和執行多個模組,其中多個模組包含資料擷取模組、多層派工規則建立模組、演化模組、規則區塊篩選模組以及派工規則推薦模組。資料擷取模組通過收發器接收第一測試資料集合。多層派工規則建立模組基於基因演算法而根據派工規則集合產生初始個體。演化模組基於基因演算法而根據第一測試資料集合以及初始個體產生第一個體,其中第一個體包含對應於第一工作站的第一派工規則序列,其中第一派工規則序列包含第一派工規則。規則區塊篩選模組根據第一派工規則在第一派工規則序列中的第一排序計算對應於第一派工規則的第一分數,並且根據第一分數更新派工規則集合。派工規則推薦模組通過收發器輸出經更新的派工規則集合。
在本揭露的一實施例中,上述的派工規則集合更包含對應於第二分數的第二派工規則,其中規則區塊篩選模組響應於第一分數小於第二分數而將第一派工規則自派工規則集合移除以更新派工規則集合。
在本揭露的一實施例中,上述的規則區塊篩選模組響應於將第一派工規則自派工規則集合移除而增加對應於第一派工規則的第一計數值。
在本揭露的一實施例中,上述的規則區塊篩選模組響應於將第二派工規則自經更新的派工規則集合移除而增加對應於第二派工規則的第二計數值。
在本揭露的一實施例中,上述的資料擷取模組通過收發器接收包含第一測試資料集合的多個測試資料集合,其中第一計數值為分別對應於多個測試資料集合的多個計數值的總和。
在本揭露的一實施例中,上述的第二派工規則對應於第二計數值,其中派工規則推薦模組響應於第一計數值小於第二計數值而從第一派工規則以及第二派工規則中選擇第一派工規則以作為推薦派工規則,其中派工規則推薦模組通過收發器輸出推薦派工規則。
在本揭露的一實施例中,上述的規則區塊篩選模組對派工規則集合執行多次更新以產生多個派工規則子集合,並且根據派工規則集合以及多個派工規則子集合產生多個局部最優個體,其中規則區塊篩選模組響應於多個局部最優個體中的對應於第N次更新的第N個局部最優個體為全域最優個體而減少對應於第M次更新的第一計數值,其中N和M為正整數並且M大於N。
在本揭露的一實施例中,上述的規則區塊篩選模組響應於第一派工規則序列僅包含第一派工規則而使用派工規則集合中的其他派工規則取代第一派工規則以將第一派工規則自第一派工規則序列移除。
在本揭露的一實施例中,上述的規則區塊篩選模組將第二派工規則自經更新的派工規則集合移除以再次更新派工規則集合。
在本揭露的一實施例中,上述的第一個體更包含對應於第二工作站的第二派工規則序列,其中第二派工規則序列包含第一派工規則,其中規則區塊篩選模組根據第一派工規則在第二派工規則序列中的第二排序計算第一分數。
在本揭露的一實施例中,上述的派工規則推薦模組通過收發器輸出基於經更新的派工規則集合產生的最優個體。
在本揭露的一實施例中,上述的初始個體包含分別對應於多個工作站的多個基因,其中演化模組根據基因演算法更新多個基因中的至少一基因以產生第一個體。
在本揭露的一實施例中,上述的至少一基因包含至少一派工規則,其中演化模組根據基因演算法對至少一基因執行突變以更新至少一派工規則。
在本揭露的一實施例中,上述的多層派工規則建立模組基於基因演算法而根據派工規則集合產生第二初始個體,其中演化模組對初始個體以及第二初始個體執行交配以更新初始個體上的至少一基因。
在本揭露的一實施例中,上述的多層派工規則建立模組基於基因演算法而根據派工規則集合產生多個初始個體,其中多個初始個體包含對應於高適應度的第一個體集合以及對應於低適應度的第二個體集合,其中演化模組自第一個體集合取得初始個體並自第二個體集合取得第二初始個體以執行交配。
在本揭露的一實施例中,上述的資料擷取模組通過收發器取得可用資源資訊,其中可用資源資訊包含可用工作站、可用工作站的可用派工規則以及工序工時的至少其中之一,其中多層派工規則建立模組根據可用資源資訊產生初始個體。
在本揭露的一實施例中,上述的第一測試資料集合包含工單,其中工單包含關聯於多個工作站的工作站排程。
本揭露的一種為工作站篩選派工規則的方法,包含:取得包含第一派工規則的派工規則集合以及第一測試資料集合;基於基因演算法而根據派工規則集合產生初始個體;基於基因演算法而根據第一測試資料集合以及初始個體產生第一個體,其中第一個體包含對應於第一工作站的第一派工規則序列,其中第一派工規則序列包含第一派工規則;根據第一派工規則在第一派工規則序列中的第一排序計算對應於第一派工規則的第一分數,並且根據第一分數更新派工規則集合;以及輸出經更新的派工規則集合。
基於上述,本揭露的電子裝置可根據基因演算法為產線上的多個工作站篩選或推薦適用的派工規則集合。使用者可根據電子裝置推薦的派工規則集合為工作站分配派工規則以達到產線排程的優化。
為了使本揭露之內容可以被更容易明瞭,以下特舉實施例作為本揭露確實能夠據以實施的範例。另外,凡可能之處,在圖式及實施方式中使用相同標號的元件/構件/步驟,係代表相同或類似部件。
圖1根據本揭露的一實施例繪示一種為工作站篩選派工規則的電子裝置100的示意圖。電子裝置100可包含處理器110、儲存媒體120以及收發器130。
處理器110例如是中央處理單元(central processing unit,CPU),或是其他可程式化之一般用途或特殊用途的微控制單元(micro control unit,MCU)、微處理器(microprocessor)、數位信號處理器(digital signal processor,DSP)、可程式化控制器、特殊應用積體電路(application specific integrated circuit,ASIC)、圖形處理器(graphics processing unit,GPU)、影像訊號處理器(image signal processor,ISP)、影像處理單元(image processing unit,IPU)、算數邏輯單元(arithmetic logic unit,ALU)、複雜可程式邏輯裝置(complex programmable logic device,CPLD)、現場可程式化邏輯閘陣列(field programmable gate array,FPGA)或其他類似元件或上述元件的組合。處理器110可耦接至儲存媒體120以及收發器130,並且存取和執行儲存於儲存媒體120中的多個模組和各種應用程式。
儲存媒體120例如是任何型態的固定式或可移動式的隨機存取記憶體(random access memory,RAM)、唯讀記憶體(read-only memory,ROM)、快閃記憶體(flash memory)、硬碟(hard disk drive,HDD)、固態硬碟(solid state drive,SSD)或類似元件或上述元件的組合,而用於儲存可由處理器110執行的多個模組或各種應用程式。在本實施例中,儲存媒體120可儲存包含資料擷取模組121、多層派工規則建立模組122、演化模組123、規則區塊篩選模組124以及派工規則推薦模組125等多個模組,其功能將於後續說明。此外,儲存媒體120還可儲存包含多個派工規則的派工規則集合126。表1為派工規則的範例。初始的派工規則集合126可包含如表1所示的20個派工規則,但本揭露不限於此。舉例來說,派工規則集合126還可包含代表隨機派工的「派工規則RANDOM」。
表1
派工規則 | 說明 |
LWIP | 工作站點前的水位越高,越優先派工 |
SWIP | 工作站點前的水位越低,越優先派工 |
HCM | 機台能執行的工序越多,越優先使用 |
LCM | 機台能執行的工序越少,越優先使用 |
LPT | 工時越長越優先 |
SPT | 工時越短越優先 |
FOPNR | 剩餘工序數量越少越優先 |
MOPNR | 剩餘工序數量越多越優先 |
NINQ | 機台能執行的剩餘工序越少,越優先使用 |
WINQ | 此工序所在機台線上等待工時越短越優先 |
FIFO | 工序開始時間越早越優先 |
FILO | 工序開始時間越晚越優先 |
FMRT | 此工序所用的機台釋放釋出時間越早越優先 |
LMRT | 此工序所用的機台釋放釋出時間越晚越優先 |
LWKR | 剩餘工序之工時加總最少者優先 |
LMT | 此工序工時與總工時的乘積最大者優先 |
SMT | 此工序工時與總工時的乘積最小者優先 |
TWORK | 總工時最小者優先 |
LDT | 此工序工時佔總工時最大比例者優先 |
SSO | 下一工序的工時最短者優先 |
收發器130以無線或有線的方式傳送及接收訊號。收發器130還可以執行例如低噪聲放大、阻抗匹配、混頻、向上或向下頻率轉換、濾波、放大以及類似的操作。
為了針對產線上的工作站推薦適合的派工規則,資料擷取模組121可通過收發器130接收來自產線收集而來的多個測試資料集合。測試資料集合可包括多筆工單,並且每筆工單可包含關聯於多個工作站的工作站排程。工作站排程可包含工作站的機台或工序工時等資訊。表2為兩筆工單的範例。
表2
工單#1 | 機台#11 (83分鐘) > 機台#7 (59分鐘) > … > 機台#10 (58分鐘) |
工單#2 | 機台#1 (11分鐘) > 機台#14 (67分鐘) > … > 機台#3 (9分鐘) |
在取得多個測試資料集合後,多層派工規則建立模組122可為多個測試資料集合的每一者產生基因演算法的初始個體(individual)(或稱為初始染色體(chromosome))。以多個測試資料集合中的第一測試資料集合為例,多層派工規則建立模組122可基於基因演算法而根據派工規則集合126為第一測試資料集合產生一或多個初始個體。初始個體可包含分別對應於多個工作站的多個基因,且每一個基因可包含派工規則序列。派工規則序列可包含依序排列的一或多個派工規則。換句話說,每一個工作站可被分配多個派工規則。
表3為一對應於3個工作站(即:假設產線上共有3個工作站)的初始個體的範例。對應於工作站#1(或稱為第一工作站)的派工規則序列可包含依序排列的「派工規則LWIP」、「派工規則MOPNR」以及「派工規則NINQ」。對應於工作站#2(或稱為第二工作站)的派工規則序列可包含依序排列的「派工規則LWIP」以及「派工規則FOPNR」。對應於工作站#3的派工規則序列可包含依序排列的「派工規則LPT」以及「派工規則NINQ」。
表3
工作站#1 | 工作站#2 | 工作站#3 |
LWIP MOPNR NINQ | LWIP FOPNR | LPT NINQ |
在一實施例中,資料擷取模組121可通過收發器130取得收集自產線的可用資源資訊,其中可用資源資訊可包含可用工作站、工作站的可用派工規則或工序工時等資訊。多層派工規則建立模組122可根據可用資源資訊為第一測試資料集合產生一或多個初始個體。
在多層派工規則建立模組122為第一測試資料集合產生一或多個初始個體後,演化模組123可基於基因演算法而根據第一測試資料集合以及初始個體產生一或多個第一個體。亦即,初始個體為第一個體的父代(paternal generation),並且第一個體為初始個體的第一代(first generation)的子代(offspring)。與初始個體相似,第一個體也可包含分別對應於多個工作站的多個基因,且每一個基因可包含派工規則序列。
演化模組123可根據基因演算法更新初始個體中的多個基因的至少其中之一以產生第一個體。圖2根據本揭露的一實施例繪示基於基因演算法產生個體的示意圖。演化模組123可將多個初始個體區分別分配至對應於高適應度(fitness)的第一個體集合210或對應於低適應度的個體集合(或稱為第二個體集合)220。具體來說,演化模組123可通過收發器130輸出初始個體。接著,演化模組123可通過收發器130接收對應於所輸出之初始個體的適應度。若初始個體的適應度大於適應度閾值,則演化模組123可將初始個體分配至對應於高適應度的第一個體集合210。若初始個體的適應度小於或等於適應度閾值,則演化模組123可將初始個體分配至對應於低適應度的第二個體集合220。
舉例來說,使用者可根據演化模組123輸出的初始個體來為產線上的多個工作站配置派工規則,並記錄經配置的產線所消耗的資源,所述資源例如是產線消耗的總工時。總工時越低,代表所述初始個體的適應度越高。總工時越高,代表所述初始個體的適應度越低。使用者可將對應於初始個體的適應度回饋給演化模組123。
在一實施例中,假設多層派工規則建立模組122所產生的多個初始個體包含被分配至第一個體集合210的初始個體以及被分配至第二個體集合220的第二初始個體。演化模組123可從第一個體集合210中選出初始個體,並可從第二個體集合220中選出第二初始個體。演化模組123可對選出的初始個體以及第二初始個體執行交配(crossover)以更新初始個體上的一或多個基因以產生並產生第一個體。換句話說,第一個體的父代可包含具有高適應度的初始個體以及具有低適應度的第二初始個體。
以圖2為例,假設第一個體集合210包含初始個體#1以及初始個體#2,並且第二個體集合220包含初始個體#3、初始個體#4以及初始個體#5。演化模組123可從第一個體集合210中選出初始個體#1,並可從第二個體集合220中選出初始個體#5。初始個體#1可包含對應於工作站#1的基因11、對應於工作站#2的基因12以及對應於工作站#3的基因13,其中基因11中的派工規則序列包含「派工規則A」以及「派工規則B」,基因12中的派工規則序列包含「派工規則C」,並且基因13中的派工規則序列包含「派工規則D」以及「派工規則E」。初始個體#5可包含對應於工作站#1的基因51、對應於工作站#2的基因52以及對應於工作站#3的基因53,其中基因51中的派工規則序列包含「派工規則F」以及「派工規則G」,基因52中的派工規則序列包含「派工規則H」以及「派工規則I」,並且基因53中的派工規則序列包含「派工規則J」。
演化模組123可對初始個體#1以及初始個體#5進行交配更新初始個體#1上的基因11。演化模組123可利用初始個體#5上對應於工作站#1的基因51取代初始個體#1上的基因11以產生個體#6。個體#6可包含對應於工作站#1的基因51、對應於工作站#2的基因12以及對應於工作站#3的基因13。
在一實施例中,演化模組123可根據基因演算法對初始個體上的一或多個基因執行突變(mutation)以更新初始個體的基因中的一或多個派工規則,從而產生第一個體。以圖2為例,假設初始個體#2可包含對應於工作站#1的基因21、對應於工作站#2的基因22以及對應於工作站#3的基因23,其中基因21中的派工規則序列包含「派工規則A」以及「派工規則B」,基因22中的派工規則序列包含「派工規則C」,並且基因23中的派工規則序列包含「派工規則G」以及「派工規則H」。
演化模組123可對初始個體#2上的基因22或基因23執行突變以更新基因22或基因23,從而產生個體#7。個體#7可包含對應於工作站#1的基因21、對應於工作站#2的基因24以及對應於工作站#3的基因25。基因24是由基因22經突變而產生,並且基因24中的派工規則序列包含「派工規則D」。基因25是由基因23經突變而產生,並且基因25中的派工規則序列包含「派工規則J」以及「派工規則H」。
在演化模組123根據基因演算法更新初始個體中的基因以產生第一個體(即:第一子代)後,演化模組123可基於與圖2的實施例相似的方式更新第一個體中的基因以產生第二子代。依此類推,演化模組123可根據初始個體產生不同世代的多個個體。規則區塊篩選模組124可從多個個體中選出一個體,並且根據受選個體為派工規則進行評分。在一實施例中,規則區塊篩選模組124可根據第一測試資料集合計算所述多個個體的每一者的適應度,並且根據適應度以從多個個體中選出最優個體。規則區塊篩選模組124可根據受選最優個體為派工規則進行評分。在一實施例中,派工規則推薦模組125可通過收發器130輸出所選的最優個體以供使用者參考。
具體來說,假設規則區塊篩選模組124選擇了第一個體。規則區塊篩選模組124可根據第一個體為派工規則評分,其中第一個體可包含分別對應於多個工作站(例如:工作站#1或工作站#2)的多個派工規則序列(例如:第一派工規則序列或第二派工規則序列)。規則區塊篩選模組124可根據特定派工規則(例如:第一派工規則或第二派工規則)在所述多個派工規則序列的每一者中的排序計算對應於所述特定派工規則的分數。若特定派工規則的排序越高,代表所述特定派工規則的優先度和分數越高。換句話說,派工規則的分數可與所述派工規則在派工規則序列中的排序有關,並且所述派工規則的分數可與第一個體上的不同基因(即:不同派工規則序列)有關。
表4為規則區塊篩選模組124所選擇的第一個體(或最優個體)的範例,其中第一個體包含對應於工作站#1的第一派工規則序列、對應於工作站#2的第二派工規則序列以及對應於工作站#3的第三派工規則序列。規則區塊篩選模組124可為派工規則序列中的各個排序分配權重。舉例來說,若派工規則位於派工規則序列中的第一排序,則所述派工規則可取得4分。若派工規則位於派工規則序列中的第二排序,則所述派工規則可取得3分。若派工規則位於派工規則序列中的第三排序,則所述派工規則可取得2分。若派工規則位於派工規則序列中的第四排序,則所述派工規則可取得1分。如此,規則區塊篩選模組124可為各個派工規則計算分數,如表5所示。
表4
表5
工作站#1 | 工作站#2 | 工作站#3 |
SWIP SPT | LPT | FOPNR NINQ SPT LCM |
派工規則 | 在工作站#1的排序 | 在工作站#2的排序 | 在工作站#3的排序 | 分數 |
SWIP | 1 (4分) | N/A | N/A | 4 |
SPT | 2 (3分) | N/A | 3 (2分) | 3+2=5 |
LPT | N/A | 1 (4分) | N/A | 4 |
FOPNR | N/A | N/A | 1 (4分) | 4 |
NINQ | N/A | N/A | 2 (3分) | 3 |
LCM | N/A | N/A | 4 (1分) | 1 |
在取得各個派工規則的分數後,規則區塊篩選模組124可將分數較低的派工規則自第一個體移除以更新第一個體,並可通過收發器130輸出經更新的第一個體以供使用者參考。以表4和表5為例,規則區塊篩選模組124可將對應於最小分數的「派工規則LCM」自表4的第一個體移除,藉以產生如表6所示的經更新的第一個體。規則區塊篩選模組124可輸出經更新的第一個體以供使用者參考。
表6
工作站#1 | 工作站#2 | 工作站#3 |
SWIP SPT | LPT | FOPNR NINQ SPT LCM |
值得注意的是,在規則區塊篩選模組124根據分數決定好將要自第一個體中移除的特定派工規則後,若第一個體中的派工規則序列僅包含將被移除的特定派工規則,則規則區塊篩選模組124可使用派工規則集合126中的其他派工規則(即:與所述特定派工規則相異的派工規則)來取代所述特定派工規則,藉以將所述特定派工規則自派工規則序列中移除。以表4的第一個體為例,假設「派工規則LPT」具有最小分數。由於對應於工作站#2的第二派工規則序列僅包含「派工規則LPT」,故規則區塊篩選模組124可使用派工規則集合126中的其他派工規則(即:與「派工規則LPT」相異的派工規則)取代「派工規則LPT」以更新第二派工規則序列。
另一方面,在取得各個派工規則的分數後,規則區塊篩選模組124可將分數較低的派工規則自派工規則集合126移除以更新派工規則集合126,並且通過收發器130輸出經更新的派工規則集合126以供使用者參考。接著,多層派工規則建立模組122可基於基因演算法而根據經更新的派工規則集合126產生新初始個體。演化模組123可根據新初始個體產生新第一個體。規則區塊篩選模組124可根據新第一個體為派工規則集合126中的每一個派工規則計算分數,並且將分數較低的派工規則自派工規則集合126移除以再次更新派工規則集合126。如此重複地更新派工規則集合126,派工規則集合126中的派工規則數量將會越來越少。電子裝置100可重複地更新派工規則集合126直到派工規則集合126中的派工規則數量等於零為止。
以表5為例,假設規則區塊篩選模組124在派工規則集合126的一次更新中移除分數最低的兩種派工規則。在初次更新派工規則集合126時,規則區塊篩選模組124可響應於「派工規則LCM」的分數為表5中的所有分數中的最小分數而將「派工規則LCM」自派工規則集合126移除。接著,規則區塊篩選模組124可響應於「派工規則NINQ」的分數為表5中的所有分數中的次小分數而將「派工規則NINQ」自派工規則集合126移除。在將「派工規則LCM」以及「派工規則NINQ」自派工規則集合126,規則區塊篩選模組124即可完成派工規則集合126的初次更新。派工規則推薦模組125可通過收發器130輸出經更新的派工規則集合126以供使用者參考。由於派工規則集合126的更新過程可顯著地降低派工規則的數量,故使用者可根據較少的派工規則為產線上的工作站進行排程。據此,可在改善產線效能的同時降低排程的複雜度。
規則區塊篩選模組124可基於經更新的派工規則集合126而從多個個體中選出最優個體,其中所述多個個體可包含由多層派工規則建立模組122根據第一測試資料集合產生的初始個體或由演化模組123執行交配或突變而產生的個體。派工規則推薦模組125可通過收發器130輸出最優個體以供使用者參考。
規則區塊篩選模組124可根據初始的派工規則集合126為第一測試資料集合產生最優個體,其中所述最優個體又稱為局部最優個體。在規則區塊篩選模組124將派工規則(例如:第一派工規則)自初始的派工規則集合126移除以更新派工規則集合126後,規則區塊篩選模組124可增加對應於被移除的派工規則的計數值。更新派工規則集合126可產生派工規則子集合(即:經更新的派工規則集合126)。規則區塊篩選模組124可根據派工規則子集合為第一測試資料集合產生另一個局部最優個體。電子裝置100可為派工規則集合126進行多次更新直到派工規則集合126中的派工規則數量等於零為止。在結束派工規則集合126的多次更新後,規則區塊篩選模組124可取得多個局部最優個體,其中所述多個局部最優個體可包含對應於初始的派工規則集合126的局部最優個體,並可包含對應於各個派工規則子集合的局部最優個體。
在派工規則集合126的每一次更新中,規則區塊篩選模組124可為被移除的派工規則增加計數值(將計數值加一)。在完成派工規則集合126的多次更新後,亦即,派工規則集合126中的派工規則數量等於零後,規則區塊篩選模組124可產生多個局部最優個體,並可統計出各個派工規則的計數值。規則區塊篩選模組124可響應於多個局部最優個體中的對應於第N次更新的第N個局部最優個體為全域最優個體(即:所有局部最優個體中的最優個體)而減少對應於第M次更新的計數值(將在第M次更新時被移除的派工規則的計數值減一),其中N和M為正整數並且M大於N。
表7
派工規則集合126的第i次更新 | |||||
i | 0 | 1 | 2 | 3 | 4 |
適應度 | 20 | 30 | 50 | 60 | 90 |
刪除的派工規則 | LWIP SSO | SWIP LDT | HCM TWORK | LCM SMT | LPT LMT |
i | 5 | 6 | 7 | 8 | 9 |
適應度 | 65 | 75 | 120 | 100 | 80 |
刪除的派工規則 | SPT LWKR | FOPNR LMRT | MOPNR FMRT | NINQ FILO | WINQ FIFO |
第一測試資料 |
以表7為例,表7表示與派工規則集合126的第i次更新所產生的派工規則子集合相對應的局部最優個體的適應度,其中(i = 0)的情況代表未經更新的派工規則集合126(即:初始的派工規則集合126)。在本實施例中,假設初始的派工規則集合126包含如表1所示的20種派工規則,並且規則區塊篩選模組124在派工規則集合126的每一次更新中將2個派工規則自派工規則集合126移除。
在尚未更新派工規則集合126時,規則區塊篩選模組124可根據第一測試資料集合計算多個個體的每一者的適應度,並且根據適應度以從多個個體中選出局部最優個體,其中所述局部最優個體的適應度為20。
接著,規則區塊篩選模組124可將「派工規則LWIP」以及「派工規則SSO」自初始的派工規則集合126移除,藉以完成派工規則集合126的初次更新。在移除「派工規則LWIP」以及「派工規則」時,規則區塊篩選模組124可增加「派工規則LWIP」的計數值以及「派工規則SSO」的計數值。在完成派工規則集合126的初次更新後,規則區塊篩選模組124可根據經更新的派工規則集合126以及第一測試資料集合計算多個個體的每一者的適應度,並且根據適應度以從多個個體中選出局部最優個體,其中所述局部最優個體的適應度為30。
以此類推,在經過9次的更新後,派工規則集合126中的派工規則數量等於零。規則區塊篩選模組124可停止更新派工規則集合126,並取得如表7所示的資訊。規則區塊篩選模組124可響應於10個局部最優個體中的對應於第7次更新的第7個局部最優個體具有最高的適應度而判斷所述第7個局部最優個體為全域最優個體。規則區塊篩選模組124可響應於所述第7個局部最優個體為全域最優個體而減少對應於第8~9次更新的計數值,亦即,規則區塊篩選模組124可減少「派工規則NINQ」的計數值、「派工規則FILO」的計數值、「派工規則WINQ」的計數值以及「派工規則FIFO」的計數值。最終,規則區塊篩選模組124可根據第一測試資料集合取得如表8所示的計數值的統計結果。基於類似的方法,規則區塊篩選模組124可根據多個測試資料集合取得多個計數值的統計結果。規則區塊篩選模組124可將分別對應於多個測試資料集合的特定派工規則的多個計數值相加以取得所述特定派工規則的計數值的總合,如表9所示。
表8
表9
派工規則 | 計數值 |
LWIP | 1 |
SWIP | 1 |
HCM | 1 |
LCM | 1 |
LPT | 1 |
SPT | 1 |
FOPNR | 1 |
MOPNR | 1 |
NINQ | 0 |
WINQ | 0 |
FIFO | 0 |
FILO | 0 |
FMRT | 1 |
LMRT | 1 |
LWKR | 1 |
LMT | 1 |
SMT | 1 |
TWORK | 1 |
LDT | 1 |
SSO | 1 |
派工規則 | 計數值 |
LWIP | 39 |
SWIP | 38 |
HCM | 38 |
LCM | 35 |
LPT | 37 |
SPT | 34 |
FOPNR | 35 |
MOPNR | 32 |
NINQ | 32 |
WINQ | 31 |
FIFO | 28 |
FILO | 28 |
FMRT | 25 |
LMRT | 25 |
LWKR | 23 |
LMT | 17 |
SMT | 18 |
TWORK | 7 |
LDT | 14 |
SSO | 13 |
派工規則推薦模組125從初始的派工規則集合126中選出具有較少計數值的一或多個派工規則以作為推薦派工規則。派工規則推薦模組125可通過收發器130輸出推薦派工規則以供使用者作為排程工作站的參考。以表9為例,假設電子裝置100欲產生三個推薦派工規則。派工規則推薦模組125可響應於「派工規則TWORK」的計數值小於表9中的其他計數值而將「派工規則TWORK」設為推薦派工規則。派工規則推薦模組125可響應於「派工規則SSO」的計數值小於表9中的其他計數值(即:除了「派工規則TWORK」的計數值以外的所有計數值)而將「派工規則SSO」設為推薦派工規則。派工規則推薦模組125可響應於「派工規則LDT」的計數值小於表9中的其他計數值(即:除了「派工規則TWORK」的計數值以及「派工規則SSO」的計數值以外的所有計數值)而將「派工規則LDT」設為推薦派工規則。
圖3根據本揭露的一實施例繪示一種為工作站篩選派工規則的方法的流程圖,其中方法可由如圖1所示的電子裝置100實施。在步驟S301中,取得包含第一派工規則的派工規則集合以及第一測試資料集合。在步驟S302中,基於基因演算法而根據派工規則集合產生初始個體。在步驟S303中,基於基因演算法而根據第一測試資料集合以及初始個體產生第一個體,其中第一個體包含對應於第一工作站的第一派工規則序列,其中第一派工規則序列包含第一派工規則。在步驟S304中,根據第一派工規則在第一派工規則序列中的第一排序計算對應於第一派工規則的第一分數,並且根據第一分數更新派工規則集合。在步驟S305中,輸出經更新的派工規則集合。
綜上所述,本揭露的電子裝置可根據基因演算法為產線上的多個工作站篩選或推薦適用的派工規則。電子裝置可建立對應於多個工作站的個體,且所述個體可包含與工作站相關的派工規則序列,其中派工規則序列可包含多個派工規則。電子裝置可根據派工規則在派工規則序列中的排序來為派工規則進行評分,並根據分數判斷派工規則是否適合產線並產生判斷結果。在使用多個測試資料集合產生多個判斷結果後,電子裝置可根據多個判斷結果篩選出能顯著改善工作站效率的派工規則。使用者可根據電子裝置推薦的派工規則優化產線的排程。
100:電子裝置
11、12、13、21、22、23、24、25、51、52、53:基因
110:處理器
120:儲存媒體
121:資料擷取模組
122:多層派工規則建立模組
123:演化模組
124:規則區塊篩選模組
125:派工規則推薦模組
126:派工規則集合
130:收發器
210:第一個體集合
220:第二個體集合
S301、S302、S303、S304、S305:步驟
圖1根據本揭露的一實施例繪示一種為工作站篩選派工規則的電子裝置的示意圖。
圖2根據本揭露的一實施例繪示基於基因演算法產生個體的示意圖。
圖3根據本揭露的一實施例繪示一種為工作站篩選派工規則的方法的流程圖。
S301、S302、S303、S304、S305:步驟
Claims (18)
- 一種為工作站篩選派工規則的電子裝置,包括:收發器;儲存媒體,儲存多個模組以及包括第一派工規則的派工規則集合;以及處理器,耦接所述儲存媒體以及所述收發器,並且存取和執行所述多個模組,其中所述多個模組包括:資料擷取模組,通過所述收發器接收第一測試資料集合;多層派工規則建立模組,基於基因演算法而根據所述派工規則集合產生初始個體;演化模組,基於所述基因演算法而根據所述第一測試資料集合以及所述初始個體產生第一個體,其中所述第一個體包括對應於第一工作站的第一派工規則序列,其中所述第一派工規則序列包括所述第一派工規則;規則區塊篩選模組,根據所述第一派工規則在所述第一派工規則序列中的第一排序計算對應於所述第一派工規則的第一分數,並且根據所述第一分數更新所述派工規則集合;以及派工規則推薦模組,通過所述收發器輸出經更新的所述派工規則集合。
- 如請求項1所述的電子裝置,其中所述派工規則集合更包括對應於第二分數的第二派工規則,其中所述規則區塊篩選 模組響應於所述第一分數小於所述第二分數而將所述第一派工規則自所述派工規則集合移除以更新所述派工規則集合。
- 如請求項2所述的電子裝置,其中所述規則區塊篩選模組響應於將所述第一派工規則自所述派工規則集合移除而增加對應於所述第一派工規則的第一計數值。
- 如請求項3所述的電子裝置,其中所述規則區塊篩選模組響應於將所述第二派工規則自經更新的所述派工規則集合移除而增加對應於所述第二派工規則的第二計數值。
- 如請求項3述的電子裝置,其中所述資料擷取模組通過所述收發器接收包括所述第一測試資料集合的多個測試資料集合,其中所述第一計數值為分別對應於所述多個測試資料集合的多個計數值的總和。
- 如請求項5所述的電子裝置,其中所述第二派工規則對應於第二計數值,其中所述派工規則推薦模組響應於所述第一計數值小於所述第二計數值而從所述第一派工規則以及所述第二派工規則中選擇所述第一派工規則以作為推薦派工規則,其中所述派工規則推薦模組通過所述收發器輸出所述推薦派工規則。
- 如請求項6所述的電子裝置,其中所述規則區塊篩選模組對所述派工規則集合執行多次更新以產生多個派工規則子集合,並且根據所述派工規則集合以及所述多個派工規則子集合產生多個局部最優個體,其中所述規則區塊篩選模組響應於所述多個局部最優個體中的對應於第N次更新的第N個局部最優個體為 全域最優個體而減少對應於第M次更新的所述第一計數值,其中N和M為正整數並且M大於N。
- 如請求項2所述的電子裝置,其中所述規則區塊篩選模組響應於所述第一派工規則序列僅包含所述第一派工規則而使用所述派工規則集合中的其他派工規則取代所述第一派工規則以將所述第一派工規則自所述第一派工規則序列移除。
- 如請求項2所述的電子裝置,其中所述規則區塊篩選模組將所述第二派工規則自經更新的所述派工規則集合移除以再次更新所述派工規則集合。
- 如請求項1所述的電子裝置,其中所述第一個體更包括對應於第二工作站的第二派工規則序列,其中所述第二派工規則序列包括所述第一派工規則,其中所述規則區塊篩選模組根據所述第一派工規則在所述第二派工規則序列中的第二排序計算所述第一分數。
- 如請求項1所述的電子裝置,其中所述派工規則推薦模組通過所述收發器輸出基於經更新的所述派工規則集合產生的最優個體。
- 如請求項1所述的電子裝置,其中所述初始個體包括分別對應於多個工作站的多個基因,其中所述演化模組根據所述基因演算法更新所述多個基因中的至少一基因以產生所述第一個體。
- 如請求項12所述的電子裝置,其中所述至少一基因包括至少一派工規則,其中所述演化模組根據所述基因演算法對所述至少一基因執行突變以更新所述至少一派工規則。
- 如請求項12所述的電子裝置,其中所述多層派工規則建立模組基於所述基因演算法而根據所述派工規則集合產生第二初始個體,其中所述演化模組對所述初始個體以及所述第二初始個體執行交配以更新所述初始個體上的所述至少一基因。
- 如請求項14所述的電子裝置,其中所述多層派工規則建立模組基於所述基因演算法而根據所述派工規則集合產生多個初始個體,其中所述多個初始個體包括對應於高適應度的第一個體集合以及對應於低適應度的第二個體集合,其中所述演化模組自所述第一個體集合取得所述初始個體並自所述第二個體集合取得所述第二初始個體以執行所述交配。
- 如請求項1所述的電子裝置,其中所述資料擷取模組通過所述收發器取得可用資源資訊,其中所述可用資源資訊包括可用工作站、可用工作站的可用派工規則以及工序工時的至少其中之一,其中所述多層派工規則建立模組根據所述可用資源資訊產生所述初始個體。
- 如請求項1所述的電子裝置,其中所述第一測試資料集合包括工單,其中所述工單包括關聯於多個工作站的工作站排程。
- 一種為工作站篩選派工規則的方法,適用於電子裝置,其中所述方法包括:由所述電子裝置取得包括第一派工規則的派工規則集合以及第一測試資料集合;由所述電子裝置基於基因演算法而根據所述派工規則集合產生初始個體;由所述電子裝置基於所述基因演算法而根據所述第一測試資料集合以及所述初始個體產生第一個體,其中所述第一個體包括對應於第一工作站的第一派工規則序列,其中所述第一派工規則序列包括所述第一派工規則;由所述電子裝置根據所述第一派工規則在所述第一派工規則序列中的第一排序計算對應於所述第一派工規則的第一分數,並且根據所述第一分數更新所述派工規則集合;以及由所述電子裝置輸出經更新的所述派工規則集合。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110140155A TWI802064B (zh) | 2021-10-28 | 2021-10-28 | 為工作站篩選派工規則的電子裝置和方法 |
US17/551,201 US20230137363A1 (en) | 2021-10-28 | 2021-12-15 | Electronic device and method of filtering dispatching rules for workstation |
CN202210007418.XA CN116050559A (zh) | 2021-10-28 | 2022-01-05 | 为工作站筛选派工规则的电子装置和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110140155A TWI802064B (zh) | 2021-10-28 | 2021-10-28 | 為工作站篩選派工規則的電子裝置和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202318286A TW202318286A (zh) | 2023-05-01 |
TWI802064B true TWI802064B (zh) | 2023-05-11 |
Family
ID=86112044
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110140155A TWI802064B (zh) | 2021-10-28 | 2021-10-28 | 為工作站篩選派工規則的電子裝置和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230137363A1 (zh) |
CN (1) | CN116050559A (zh) |
TW (1) | TWI802064B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW583560B (en) * | 2002-03-01 | 2004-04-11 | Li-Chen Fu | Modeling and scheduling of a semiconductor wafer fab |
CN101493857A (zh) * | 2009-02-13 | 2009-07-29 | 同济大学 | 基于Petri网与免疫算法的半导体生产线建模与优化调度方法 |
CN105045243A (zh) * | 2015-08-05 | 2015-11-11 | 同济大学 | 一种半导体生产线动态调度装置 |
US9425636B2 (en) * | 2011-03-18 | 2016-08-23 | Fujitsu Limited | Operation plan preparation method, operation plan preparation device, and recording medium |
US20170109205A1 (en) * | 2015-10-20 | 2017-04-20 | Nishi Ahuja | Computing Resources Workload Scheduling |
TWM567403U (zh) * | 2018-06-07 | 2018-09-21 | 財團法人精密機械研究發展中心 | Smart scheduling system |
CN111415069A (zh) * | 2020-03-02 | 2020-07-14 | 广州市江钰智能科技有限公司 | 离散制造业工序级智能实时调度方法 |
CN111507641A (zh) * | 2020-04-27 | 2020-08-07 | 上海华力集成电路制造有限公司 | 一种批处理设备调度方法及其装置 |
-
2021
- 2021-10-28 TW TW110140155A patent/TWI802064B/zh active
- 2021-12-15 US US17/551,201 patent/US20230137363A1/en active Pending
-
2022
- 2022-01-05 CN CN202210007418.XA patent/CN116050559A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW583560B (en) * | 2002-03-01 | 2004-04-11 | Li-Chen Fu | Modeling and scheduling of a semiconductor wafer fab |
CN101493857A (zh) * | 2009-02-13 | 2009-07-29 | 同济大学 | 基于Petri网与免疫算法的半导体生产线建模与优化调度方法 |
US9425636B2 (en) * | 2011-03-18 | 2016-08-23 | Fujitsu Limited | Operation plan preparation method, operation plan preparation device, and recording medium |
CN105045243A (zh) * | 2015-08-05 | 2015-11-11 | 同济大学 | 一种半导体生产线动态调度装置 |
US20170109205A1 (en) * | 2015-10-20 | 2017-04-20 | Nishi Ahuja | Computing Resources Workload Scheduling |
TWM567403U (zh) * | 2018-06-07 | 2018-09-21 | 財團法人精密機械研究發展中心 | Smart scheduling system |
CN111415069A (zh) * | 2020-03-02 | 2020-07-14 | 广州市江钰智能科技有限公司 | 离散制造业工序级智能实时调度方法 |
CN111507641A (zh) * | 2020-04-27 | 2020-08-07 | 上海华力集成电路制造有限公司 | 一种批处理设备调度方法及其装置 |
Also Published As
Publication number | Publication date |
---|---|
TW202318286A (zh) | 2023-05-01 |
CN116050559A (zh) | 2023-05-02 |
US20230137363A1 (en) | 2023-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180356803A1 (en) | Method and system for batch scheduling uniform parallel machines with different capacities based on improved genetic algorithm | |
CN104268722B (zh) | 基于多目标进化算法的动态柔性作业车间调度方法 | |
US10642257B2 (en) | Tree search-based scheduling method and electronic apparatus using the same | |
Gravel et al. | Efficient solutions to the cell-formation problem with multiple routings via a double-loop genetic algorithm | |
CN106796533A (zh) | 自适应地选择执行模式的系统和方法 | |
CN112711475A (zh) | 一种基于图卷积神经网络的工作流调度方法及系统 | |
CN109102468A (zh) | 图像增强方法、装置、终端设备及存储介质 | |
TWI802064B (zh) | 為工作站篩選派工規則的電子裝置和方法 | |
CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
CN107766144A (zh) | 一种任务调度方法、装置及系统 | |
US7272584B2 (en) | Use of dominance to improve performance or increase search space in genetic algorithms | |
CN112148446A (zh) | 一种用于多技能资源受限项目调度的进化策略算法 | |
Chan et al. | Combining genetic approach and integer programming to solve multi-facility economic lot-scheduling problem | |
CN109902851A (zh) | 一种生产计划的确定方法以及装置 | |
CN114757466A (zh) | 一种基于遗传算法的排程方法及系统 | |
TWI739229B (zh) | 快篩派工法則方法和裝置 | |
CN116804971B (zh) | 一种基于信息熵的模糊测试方法 | |
CN115983429B (zh) | 基于bim模型的施工策略优化方法、系统、终端及介质 | |
CN115580487B (zh) | 一种网络异常流量检测模型构建方法及装置 | |
CN113220548B (zh) | 一种基于可靠性框图的软件可靠性指标分配方法、介质及设备 | |
JP7167355B2 (ja) | 学習装置、学習装置の作動方法、学習装置の作動プログラム | |
CN110647386B (zh) | 数据处理方法、装置及计算机设备、存储介质 | |
CN117151395A (zh) | 一种作业调度方法、装置、调度设备及可读存储介质 | |
CN115344752A (zh) | 网络流量数据属性重要度排序方法、装置、设备及介质 | |
CN115220872A (zh) | 一种容器调整方法及装置、计算机可读存储介质 |