WO2016169286A1 - 一种离散制造系统的车间布局方法 - Google Patents
一种离散制造系统的车间布局方法 Download PDFInfo
- Publication number
- WO2016169286A1 WO2016169286A1 PCT/CN2015/098067 CN2015098067W WO2016169286A1 WO 2016169286 A1 WO2016169286 A1 WO 2016169286A1 CN 2015098067 W CN2015098067 W CN 2015098067W WO 2016169286 A1 WO2016169286 A1 WO 2016169286A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- level
- chromosome
- workshop
- layout
- equipment
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 67
- 238000005457 optimization Methods 0.000 claims abstract description 31
- 238000013461 design Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims abstract description 4
- 238000013210 evaluation model Methods 0.000 claims abstract description 4
- 210000000349 chromosome Anatomy 0.000 claims description 101
- 230000002068 genetic effect Effects 0.000 claims description 35
- 238000013178 mathematical model Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 101100273030 Schizosaccharomyces pombe (strain 972 / ATCC 24843) caf1 gene Proteins 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 101150000810 BVES gene Proteins 0.000 claims description 6
- 101150025129 POP1 gene Proteins 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000011143 downstream manufacturing Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000002921 genetic algorithm search Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000000903 blocking effect Effects 0.000 abstract 1
- 230000008901 benefit Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
Images
Classifications
-
- 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]
-
- 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]
- G05B19/41805—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 assembly
-
- 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
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25314—Modular structure, modules
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Definitions
- the general discrete manufacturing system shop layout problem is a two-dimensional space combination optimization problem, involving two sub-tasks of device row number allocation and in-row device sorting.
- the existing typical layout design methods mainly include system layout design (SLP) and integers.
- SLP system layout design
- Planning, mixed integer programming, dynamic programming, and rule placement methods are not ideal for the overall optimization capabilities and computational time of the solution.
- intelligent algorithms and such algorithms take into account the solution speed and the quality of the solution, it is possible to find the best possible solution in a reasonable time, so it is gradually applied to the problem of shop layout optimization.
- A. System UI layer input the workshop equipment and production information to the layout design platform
- the device allocation design module the device sequencing design module, and the product batch path control module;
- the present invention uses a three-level nesting mode to solve the large-scale combinatorial optimization problem of the shop floor layout optimization, and decomposes the problem into three sub-problems: device line number allocation, in-row device ordering, and device-to-device flow distribution,
- the nesting strategy is used to ensure the algorithm to search the globality, which solves the shortcomings of the general genetic algorithm which is easy to fall into the local optimum when solving such problems.
- the algorithm's solution efficiency and solution quality are high.
- the present invention considers the situation in which the same type of equipment is separately laid out in the layout process, and avoids the disadvantage of reducing the global performance of the shop layout by considering only the block layout of the processing station (the same type of work, the cluster type layout) in the general layout optimization. At the same time, in the case of multiple front and back process equipment, the optimal allocation of tasks between equipments is considered, and the third-level optimization is used to further reduce the logistics traffic.
- A. System UI layer input the workshop equipment and production information to the layout design platform
- a single-point crossover operation is used here, that is, a crossover point is randomly generated, and then the chromosome of chromosome21 on the left side of the intersection is sequentially deleted from chromosome22, and the gene on the left side of the intersection of chromosome21 is added to the leftmost side of chromosome22 to generate a new one.
- the production of the chromosome chromosome21', chromosome22' is similar.
- Step C.5 the first-level chromosome crossover operation.
- Step C.6 first-level chromosome mutation operation
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种离散制造系统的车间布局方法,具体步骤如下:系统UI层,将车间设备与生产信息录入至布局设计平台;模型搭建层;根据录入的车间信息,分别搭建行间设备分配数学模型、行内设备排序数学模型、工序间批次划分数学模型以及布局方案性能评估模型;车间布局优化子系统;车间布局设计结果评估与显示模块。用户通过模块许可,将以上布局设计方案发送至服务器,车间管理人员执行优化结果。本方法避免了一般布局优化中因仅考虑加工站的分块布局而降低车间布局全局性能的缺点。同时,在前后道工序设备均有多台情况下,考虑了设备间任务量的最优分配,利用第三级优化进一步减小了物流运输量。
Description
本发明涉及一种车间布局方法,尤其涉及一种离散制造系统的车间布局方法。
离散制造系统的车间布局设计是制造工业中最为关键和困难的设计任务之一,其设计好坏直接影响到生产过程的物流成本与生产效率,具有重要的理论意义和实用价值。有效的布局优化方法能够大大提高企业的工作效率,降低物流运送费用,增强企业竞争力,创造可观的经济效益。同时,车间布局优化问题是典型的NP-hard问题,高效的布局设计方法能够为工厂设计与管理人员提供极大的便利。
一般的离散制造系统车间布局问题是二维空间的组合优化问题,涉及到设备的行数分配和行内的设备排序两个子任务,现有的典型布局设计方法主要有系统布局设计(SLP)、整数规划、混合整数规划、动态规划和规则布局等方法,这些传统方法在方案的全局优化能力和计算时间等方面的性能不甚理想。近年来随着智能算法的出现和发展,且这类算法兼顾求解速度和求解质量,能够在合理的时间内找到问题尽可能好的解,因此也逐渐被应用到车间布局优化问题上。
基于遗传算法的组合优化方法模拟达尔文的自然选择和适者生存法则,一般适应性强的个体生存概率越高,以生成更加适应新环境的后代。当采用遗传算法求解某个组合优化问题时,它能够利用个体的进化信息进行自组织的搜索,一般以交叉、变异和选择三个算子循环进行,增加了其搜索的灵活性。然而,在求解车间布局优化这类解空间结构复杂且规模庞大的优化问题时,一般的遗传算法还存在以下两方面的问题:首先,由于遗传算法是基于生物之间的竞争
机制,因此在算法初始阶段,较优个体很容易形成压倒性优势,致使算法陷入局部最优;其次,面对巨大解空间的优化问题,遗传算法搜索效率低、收敛速度慢。遗传算法以上两方面的缺陷使得对车间优化问题求解极易陷入局部最优,鉴于此,遗传算法的一系列改进,如带局部搜索(模拟退火、邻域搜索等)的遗传算法、并行遗传算法等,被提了出来。
并行遗传算法是这类改进方案中备受关注的一种。并行遗传算法中包含若干个不同搜索机制的染色体种群,既有各种群内的进化搜索,也有种群间的信息交流。这类通过空间隔离机制限制优势个体支配整个群体的方法,在一定程度上减小了种群陷入局部最优的概率,但种群进化的基本策略和解的搜索方法未变,在解空间极大的情况下,以上两个问题依然存在。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种离散制造系统的车间布局方法。
为了解决以上技术问题,本发明采用的技术方案是:一种离散制造系统的车间布局方法,具体步骤如下:
A、系统UI层,将车间设备与生产信息录入至布局设计平台;
B、模型搭建层。根据录入的车间信息,分别搭建行间设备分配数学模型、行内设备排序数学模型、工序间批次划分数学模型以及布局方案性能评估模型,具体模型见C.2.2.1)和C.2.2.2。
C、车间布局优化子系统
具体包括设备分配设计模块、设备排序设计模块以及产品批次路径控制模块;
C.1、初始化
设定第一级种群数量pop1,第一级交叉概率Pc1,第一级变异概率Pm1,第一级循环次数N1,第二级种群数量pop2,第二级交叉概率Pc2,第二级变异概率
Pm2,第二级循环次数N2;按照设定好的参数和建立的车间布局优化数学模型,随机生成规模为pop1的第一级的染色体种群,染色体的每一个基因表示对应设备所分配的行数;
C.2、第二级遗传算法搜索
C.2.1、第二级初始化;
对于第一级的每一个染色体个体chromosomeli,按照设定好的参数,随机生成规模为pop2的染色体种群,染色体的每一个基因表示对应设备在全体排序中的优先级;
C.2.2、解码
由第一阶段的染色体和第二阶段的染色体组合,可以得出车间中每行所配置的设备名称和设备顺序,然后根据车间的生产纲领和产品加工工艺,计算出生产完成所有产品所产生的总的物流成本其中,在计算每两道工序间的物流量时,若前、后道工序均对应只有一台可用设备,则直接计算amounti*dis tan cej-1,j的值可得;若前道工序对应一台可用设备,后道工序对应多台同种机型,则前道工序的任务量均摊到所有后道工序可用设备,计算所有amounti*dis tan cej-1,j之和;同样的,若前道工序有多台同种机型,后道工序对应只有一台可用设备时,计算所有前道工序设备到后道工序设备的物流量amounti*dis tan cej-1,j之和;若前、后道工序均对应多台同种机型时,则以局部最小化物流量为目标,建立两道工序间任务量分配的整数规划模型,采用CPLEX工具箱进行求解(第三级),得出每台前道工序设备分配到每台后道工序设备的任务量,最后计算所有amounti*dis tan cej-1,j之和。
C.2.3、适应度函数计算。根据计算出的每个染色体的物流量之和C,按公式fitness=Clocal_min/C计算每个染色体的适应度值;
C.2.4、第二级染色体选择操作
C.2.5、第二级染色体交叉操作。对选出的染色体chromosome21、chromosome22,按概率Pc2进行交叉操作,产生两个子代染色体chromosome21′和chromosome22′。
C.2.6、第二级染色体变异操作。对子代染色体chromosome21′和chromosome22′按概率Pm2进行变异操作,产生两个新染色体chromosome21″和chromosome22″,i=i+2,如果i<pop2,跳到步骤(2.4),否则,用所有新的染色体种群替代原来的第二级种群,进入下一步。
C.2.7、第二级遗传算法终止判断。判断第二级遗传算法迭代次数是否达到N2,是,则将第二级染色体种群中最小的物流量值赋给第一级的染色体chromosome,作为其物流量,终止第二级遗传算法,否则,跳到步骤C.2.3,i=0;
C.3、第一级适应度函数计算。在对所有第一级染色体chromosomeli均运行第二级遗传算法后,得出所有染色体的物流量,根据fitness=Clocal_min/C,计算染色体chromosomeli的适应度值。
C.5、第一级染色体交叉操作。对选出的染色体chromosome11、chromosome12,按概率Pc1进行交叉操作,产生两个子代染色体chromosome11′和chromosome12′。
C.6、第一级染色体变异操作。对子代染色体chromosome11′和chromosome12′按概率Pm1进行变异操作,产生两个新染色体chromosome21″和chromosome22″,j=j+2,如果j<pop1,跳到步骤(4),否则,用所新的染色体种群替代原来的第一级种群,进入下一步。
C.7、第一级遗传算法终止判断。判断第一级遗传算法迭代次数是否达到N1,
是,则终止第一级遗传算法,否则,跳到步骤C.2,j=0。
进一步的,在步骤C.2.2中,所述的车间布局优化数学模型如下:
C.2.2.1、变量定义
ck:第k种产品的数量;
Dij:设备i和设备j之间的距离;
xi、yi:设备i的横、纵坐标;
li、wi:设备i的长度和宽度;
L、H:车间的总长、总宽;
(i,j):工件的工序对,工序i和工序j为两道紧邻工序;
Si:工件i的工序对集合。
C.2.2.2、模型建立
Dij=|xi-xj|+|yi-yj| (2)
yk(1)=yk(2)=L=yk(s(k))y0(1)=0 (4)
0≤xi≤L (6)
0≤yi≤H (7)
上述式子中,式(1)为目标函数式;式(2)为两台设备间的距离计算公式;式(3)表示设备间的横向坐标约束,其中dk(0),k(1),dk(s(k))+1)分别是第一个位置的作业单位和第s(k)位置的作业单位与始端与终端边界间的最小间距;式(4)表示第k行的设备具有同样的纵坐标;式(5)表示设备间的纵向坐标约束,其
中hk(i),(k+1)(j)表示第一行作业单位与起始墙壁之间的距离;式(6)、(7)表示横、纵坐标极限值约束。
再进一步的,步骤C.2.2所述的两道工序间任务量分配的整数规划模型如下:
C.2.2.2.1、变量定义
m,n:前道工序和后道工序分别对应的设备台数;
xij:前道工序第i台设备分配到后道工序第j台设备的任务量,i=1,2,L,m,j=1,2,L,n;
S:某工件总的任务量。
(2.2.2.2)模型建立
xij≥0 (11)
上述式中,式(8)为局部优化目标函数;式(9)最终分配到每台后道工序设备上的任务量相同;式(10)表示从每台前道工序分配出去的任务量相等;式(11)表示分配任务量非负。
D、车间布局设计结果评估与显示模块。用户通过模块许可,将以上布局设计方案发送至服务器,车间管理人员执行优化结果。
本发明与现有的技术相比具有以下优点:
1、本发明采用三级嵌套模式进行车间布局优化这类大规模组合优化问题的求解,将问题分解为设备行数分配,行内设备排序以及设备间物流量分配三个子问题,在减小每一级解的搜索空间的同时,利用嵌套策略保证算法搜索全局性,很好地解决了一般遗传算法在求解这类问题时易陷入局部最优的缺点,提
高了算法的求解效率和求解质量。
2、本发明中第一、二级的遗传算法分别采用行数分配和优先级赋予的编码方式,通过两段编码相结合,就可以得出车间设备的布局方案,避免了一般的二级算法需要通过对车间的每行进行二级搜索来完成设备排序的缺点,极大减少了算法的计算时间。
3、本发明在布局过程中考虑同种类型设备分开布局的情况,避免了一般布局优化中因仅考虑加工站(同工种,机群式布局)的分块布局而降低车间布局全局性能的缺点。同时,在前后道工序设备均有多台情况下,考虑了设备间任务量的最优分配,利用第三级优化进一步减小了物流运输量。
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明的流程图。
图2为本发明的车间布局设计平台框图。
具体实施例如图1、图2所示,本发明的实现步骤如下:
A、系统UI层,将车间设备与生产信息录入至布局设计平台;
例如,车间设备与生产信息分别如表1、2、3所示:
表1车间设备信息表
设备编号 | 设备名称 | 设备数量 | 占地长度 |
1 | CW6140A | 4 | 4 |
2 | Z30 | 2 | 4 |
3 | Z8210C | 2 | 4 |
4 | CA6141 | 2 | 4 |
5 | CA6140 | 2 | 4 |
6 | MS 1332B | 1 | 4 |
7 | XK5032C | 4 | 4 |
8 | CK50 | 1 | 4 |
9 | NC_M | 1 | 4 |
10 | S_CA6140 | 1 | 4 |
11 | S_NC | 1 | 4 |
12 | S Grind | 1 | 2 |
13 | S_M | 1 | 2 |
14 | S_Drill | 1 | 2 |
15 | SC NC | 1 | 4 |
16 | SC_M | 1 | 2 |
表2产品订单信息表
产品编号 | 产品名称 | 产品数量 |
1 | 大机座1_旧 | 2500 |
2 | 大机座1_新 | 5000 |
3 | 大转子1_旧 | 2500 |
4 | 大转子1_新 | 5000 |
5 | 小转子1_异步 | 6000 |
6 | 小转子1_同步 | 8000 |
表3产品工艺信息表
B、模型搭建层。根据录入的车间信息,分别搭建行间设备分配数学模型、行内设备排序数学模型、工序间批次划分数学模型以及布局方案性能评估模型;
C、车间布局优化子系统。
具体包括设备分配设计模块、设备排序设计模块以及产品批次路径控制模块;
步骤C.1、初始化,设置算法运行参数
设置第一级种群数量pop1,第一级交叉概率pc1,第一级变异概率Pm1,第一级循环次数上限N1,第二级种群数量pop2,第二级交叉概率Pc2,第二级变异概率Pm2,第二级循环次数上限N2;按照设定好的参数和建立的车间布局优化数学模型,随机生成规模为pop1的第一级的染色体种群,染色体的每一个基因表示对应设备所分配的行数。
步骤C.2、初始化第一级种群
设置计算器i=0,根据行数编码方式,在[1,rows]内重复pop1次随机抽取M个整数,生产第一级遗传算法初始种群;如产生的染色体为[1,2,2,1,1,1,2,1,2,2,2,1],则表示设备1,2,3,L,12依次分配在第1,2,2,1,1,1,2,1,2,2,2,1行;
步骤C.3、计算第一级染色体适应度值
依次选取第一级遗传算法中的染色体,对于每一个个体均运行一次第二级遗传算法,选取第二级遗传算法中解码后物流成本最小的值作为该一级染色体的物流成本;
C.3.1、初始化第二级种群
设置计数器i=0,根据设备优先级编码方式,在[1,M]内重复pop2次随机抽取M个不重复的整数,生产第二级遗传算法初始种群。如产生的染色体为
[5,9,4,1,10,7,11,2,8,3,6,12],则表示设备1,2,3,L,12在排序过程中的优先级依次为5,9,4,1,10,7,11,2,8,3,6,12;
C.3.2、计算第二级染色体适应度值
C.3.2.1、解码车间布局
结合第一级染色体与第二级染色体,可以得出车间中每行所配置的设备名称和设备摆放顺序,如第一级为[1,2,2,1,1,1,第二级为[5,9,4,1,10,7,11,2,8,3,6,12],则车间中设备的布局如下:第一行设备的排列顺序为4,8,1,6,5,12,第二行设备的排列顺序为10,3,11,9,2,7;然后根据设备排放的相关约束条件(式(3)、(4)、(5)、(6)、(7)),计算设备的具体位置坐标。
C.3.2.2、解码物流成本
基于设备的位置坐标、车间的生产纲领(产品种类以及相关产品的年产量),以及产品加工工艺路线,计算出生产完成所有产品所产生的总的物流成本(amounti为产品i的产量,dis tan cej-1,j为产品i前后两道工序间的运输距离)。特别的,在计算每两道工序间的物流量时,需分一下集中情况分别计算:
a、若前、后道工序均对应只有一台可用设备,则直接计算amounti*dis tan cej-1,j的值可得;
b、若前道工序对应一台可用设备,后道工序对应多台同种机型,则前道工序的任务量均摊到所有后道工序可用设备,计算所有amounti*dis tan cej-1,j之和;
c、若前道工序有多台同种机型,后道工序对应只有一台可用设备时,计算所有前道工序设备到后道工序设备的物流量amounti*dis tan cej-1,j之和;
(d)若前、后道工序均对应多台同种机型时,则以局部最小化物流量为目标,建立两道工序间任务量分配的整数规划模型(如式(8)、(9)、(10)、(11)),采用CPLEX工具箱进行求解,得出每台前道工序设备分配到每台后道工序设备的任务量,最后计算所有amounti*dis tan cej-1,j之和。
C.3.2.3、适应度值计算
根据计算出的每个染色体的物流量之和C,按公式fitness=Clocal_min/C计算每个染色体的适应度值,其中Clocal_min为当前局部最小物流量。
C.3.3、第二级染色体选择操作。
采用轮盘赌,先按分别计算每个染色体被选择的概率,然后生产随机数possibility1=ran(0,1),依次比较possibility1与的大小,当前者小于后者时,选中此时的的染色体k。如此选出两个父辈染色体chromosome21、chromosome22。
C.3.4、第二级染色体交叉操作;
对选出的染色体chromosome21、chromosome22,按概率Pc2进行交叉操作,即先生成随机数possibility2=ran(0,1),若possibility2<Pc2,则两个父辈染色体进行交叉操作,产生两个子代染色体chromosome21′和chromosome22′;否则,直接将两个父辈染色体赋值给新的子代染色体。特别的,这里采用单点交叉操作,即随机生成一个交叉点,然后从chromosome22中依次删除chromosome21在交叉点左边的基因,最后将chromosome21在交叉点左边的基因添加到chromosome22的最左边,生成新的子代染色体chromosome21′,chromosome22′的生产类似。
C.3.5、第二级染色体变异操作
对子代染色体chromosome21′和chromosome22′按概率Pm2进行变异操作,即先生成随机数possibility3=ran(0,1),若possibility3<Pm2,则两个子代染色体进行变异操作,产生两个新染色体chromosome21″和chromosome22″,i=i+2,如果i<pop2,跳到步骤(3.3),否则,用所有新的染色体种群替代原来的第二级种群,进入下一步。特别的,这里采用逆序变异算子,即随机生成两个变异位置,处于两者之间的基因逆序。
C.3.6、第二级遗传算法终止判断。
判断第二级遗传算法迭代次数是否达到N2,是,则将第二级染色体种群中最小的物流量值赋给第一级的染色体chromosomeli,作为其物流量,终止第二级遗传算法,否则,跳到步骤(3.2.3),i=0。
C.3.7、第一级染色体适应度值计算
在对所有第一级染色体chromosomeli均运行第二级遗传算法后,得出所有染色体的物流量,根据fitness=Clocal_min/C,计算染色体chromosomeli的适应度值。
步骤C.4、第一级染色体选择操作
采用轮盘赌,先按分别计算每个染色体被选择的概率,然后生产随机数possibility4=ran(0,1),依次比较possibility4与的大小,当前者小于后者时,选中此时的的染色体k。如此选出两个父辈染色体chromosome11、Chromosome12。
步骤C.5、第一级染色体交叉操作。
对选出的染色体chromosome11、chromosome12,按概率Pc1进行交叉操作,即先生成随机数possibility5=ran(0,1),若possibility5<Pc1,则两个父辈染色体进行交叉操作,产生两个子代染色体chromosome11′和chromosome12″;否则,直接将两个父辈染色体赋值给新的子代染色体。特别的,这里采用单点交叉操作,即随机生成一个交叉点,用chromosome11在交叉点左边的基因替换chromosome12的交叉点左边基因,生成新的子代染色体chromosome11′,chromosome12′的生产类似。
步骤C.6、第一级染色体变异操作
对子代染色体chromosome11′和chromosome12′按概率Pm1进行变异操作,即先生成随机数possibility6=ran(0,1),若possibility6<Pm1,则两个子代染色体进行变异操作,产生两个新染色体chromosome11″和chromosome12″,i=i+2,如果i<pop1,跳到步骤(4),否则,用所有新的染色体种群替代原来的第二级种群,进入下一步。特别的,这里采用逆序变异算子,即随机生成两个变异位置,处于两者之
间的基因逆序。
步骤C.7、第一级遗传算法终止判断。
判断第一级遗传算法迭代次数是否达到N1,是,则终止第一级遗传算法,否则,跳到步骤(3),j=0。
D、车间布局设计结果评估与显示模块。用户通过模块许可,将以上布局设计方案发送至服务器,车间管理人员执行优化结果,上例优化结果如表4所示。
表4布局优化结果
车间行数 | 设备名称 | 开始位置 | 结束位置 |
1 | Z8210C | 0 | 4 |
1 | XK5032C | 4 | 8 |
1 | Z8210C | 8 | 12 |
1 | XK5032C | 12 | 16 |
1 | CA6140 | 16 | 20 |
1 | XK5032C | 20 | 24 |
1 | Z30 | 24 | 28 |
1 | MS 1332B | 28 | 32 |
1 | S_CA6140 | 32 | 36 |
1 | SC_NC | 36 | 40 |
1 | S_Drill | 40 | 42 |
1 | Z30 | 42 | 46 |
1 | S_M | 46 | 48 |
2 | CW6140A | 0 | 4 |
2 | NC_M | 4 | 8 |
2 | XK5032C | 8 | 12 |
2 | CA6141 | 12 | 16 |
2 | CA6140 | 16 | 20 |
2 | CK50 | 20 | 24 |
2 | CW6140A | 24 | 28 |
2 | CW6140A | 28 | 32 |
2 | CA6141 | 32 | 36 |
2 | SC_M | 36 | 38 |
2 | S_NC | 38 | 42 |
2 | CW6140A | 42 | 46 |
2 | S_Grind | 46 | 48 |
Claims (1)
- 一种离散制造系统的车间布局方法,其特征在于:具体步骤如下:A、系统UI层,将车间设备与生产信息录入至布局设计平台;B、模型搭建层;根据录入的车间信息,分别搭建行间设备分配数学模型、行内设备排序数学模型、工序间批次划分数学模型以及布局方案性能评估模型;C、车间布局优化子系统具体包括设备分配设计模块、设备排序设计模块以及产品批次路径控制模块;C.1、初始化设定第一级种群数量pop1,第一级交叉概率Pc1,第一级变异概率Pm1,第一级循环次数N1,第二级种群数量pop2,第二级交叉概率Pc2,第二级变异概率Pm2,第二级循环次数N2;按照设定好的参数和建立的车间布局优化数学模型,随机生成规模为pop1的第一级的染色体种群,染色体的每一个基因表示对应设备所分配的行数;C.2、第二级遗传算法搜索C.2.1、第二级初始化;对于第一级的每一个染色体个体chromosome1i,按照设定好的参数,随机生成规模为pop2的染色体种群,染色体的每一个基因表示对应设备在全体排序中的优先级;C.2.2、解码由第一阶段的染色体和第二阶段的染色体组合,可以得出车间中每行所配置的设备名称和设备顺序,然后根据车间的生产纲领和产品加工工艺,计算出生产完成所有产品所产生的总的物流成本其中,在计算每两道工序间的物流量时,若前、后道工序均对应只有一台可用设 备,则直接计算amounti*dis tan cej-1,j的值可得;若前道工序对应一台可用设备,后道工序对应多台同种机型,则前道工序的任务量均摊到所有后道工序可用设备,计算所有amounti*dis tan cej-1,j之和;同样的,若前道工序有多台同种机型,后道工序对应只有一台可用设备时,计算所有前道工序设备到后道工序设备的物流量amounti*dis tan cej-1,j之和;若前、后道工序均对应多台同种机型时,则以局部最小化物流量为目标,建立两道工序间任务量分配的整数规划模型,采用CPLEX工具箱进行求解,得出每台前道工序设备分配到每台后道工序设备的任务量,最后计算所有amounti*dis tan cej-1,j之和;C.2.3、适应度函数计算根据计算出的每个染色体的物流量之和C,按公式fitness=Clocal_min/C计算每个染色体的适应度值;C.2.4、第二级染色体选择操作C.2.5、第二级染色体交叉操作对选出的染色体chromosome21、chromosome22,按概率Pc2进行交叉操作,产生两个子代染色体chromosome21′和chromosome22′;C.2.6、第二级染色体变异操作对子代染色体chromosome21′和chromosome22′按概率Pm2进行变异操作,产生两个新染色体chromosome21″和chromosome22″,i=i+2,如果i<pop2,跳到步骤(2.4),否则,用所有新的染色体种群替代原来的第二级种群,进入下一步;C.2.7、第二级遗传算法终止判断判断第二级遗传算法迭代次数是否达到N2,是,则将第二级染色体种群中最小的物流量值赋给第一级的染色体chromosome1i,作为其物流量,终止第二级遗传算法,否则,跳到步骤C.2.3,i=0;C.3、第一级适应度函数计算在对所有第一级染色体chromosome1i均运行第二级遗传算法后,得出所有染色体的物流量,根据fitness=Clocal_min/C,计算染色体chromosome1i的适应度值;C.4、第一级染色体选择操作C.5、第一级染色体交叉操作;对选出的染色体chromosome11、chromosome12,按概率Pc1进行交叉操作,产生两个子代染色体chromosome11′和chromosome12′;C.6、第一级染色体变异操作;对子代染色体chromosome11′和chromosome12′按概率Pm1进行变异操作,产生两个新染色体chromosome21″和chromosome22″,j=j+2,如果j<pop1,跳到步骤(4),否则,用所新的染色体种群替代原来的第一级种群,进入下一步;C.7、第一级遗传算法终止判断;判断第一级遗传算法迭代次数是否达到N1,是,则终止第一级遗传算法,否则,跳到步骤C.2,j=0;进一步的,在步骤C.2.2中,所述的车间布局优化数学模型如下:C.2.2.1、变量定义ck:第k种产品的数量;Dij:设备i和设备j之间的距离;xi、yi:设备i的横、纵坐标;li、wi:设备i的长度和宽度;L、H:车间的总长、总宽;(i,j):工件的工序对,工序i和工序j为两道紧邻工序;Si:工件i的工序对集合;C.2.2.2、模型建立Dij=|xi-xj|+|yi-yj| (2)yk(1)=yk(2)=L=yk(s(k)) y0(1)=0 (4)0≤xi≤L (6)0≤yi≤H (7)上述式子中,式(1)为目标函数式;式(2)为两台设备间的距离计算公式;式(3)表示设备间的横向坐标约束,其中dk(0),k(1),dk(s(k)),k(s(k)+1)分别是第一个位置的作业单位和第s(k)位置的作业单位与始端与终端边界间的最小间距;式(4)表示第k行的设备具有同样的纵坐标;式(5)表示设备间的纵向坐标约束,其中hk(i),(k+1)(i)表示第一行作业单位与起始墙壁之间的距离;式(6)、(7)表示横、纵坐标极限值约束;再进一步的,步骤C.2.2所述的两道工序间任务量分配的整数规划模型如下:C.2.2.2.1、变量定义m,n:前道工序和后道工序分别对应的设备台数;xij:前道工序第i台设备分配到后道工序第j台设备的任务量,i=1,2,L,m,j=1,2,L,n;S:某工件总的任务量(2.2.2.2)模型建立xij≥0 (11)上述式中,式(8)为局部优化目标函数;式(9)最终分配到每台后道工序设备上的任务量相同;式(10)表示从每台前道工序分配出去的任务量相等;式(11)表示分配任务量非负;D、车间布局设计结果评估与显示模块;用户通过模块许可,将以上布局设计方案发送至服务器,车间管理人员执行优化结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510186021.1 | 2015-04-20 | ||
CN201510186021.1A CN104808627A (zh) | 2015-04-20 | 2015-04-20 | 一种离散制造系统的车间布局方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2016169286A1 true WO2016169286A1 (zh) | 2016-10-27 |
Family
ID=53693548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/CN2015/098067 WO2016169286A1 (zh) | 2015-04-20 | 2015-12-21 | 一种离散制造系统的车间布局方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN104808627A (zh) |
WO (1) | WO2016169286A1 (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590603A (zh) * | 2017-09-11 | 2018-01-16 | 合肥工业大学 | 基于改进变邻域搜索和差分进化算法的调度方法及系统 |
CN107908805A (zh) * | 2017-05-05 | 2018-04-13 | 浙江工业大学 | 一种多目标优化的混合作业车间布局方法 |
CN109033506A (zh) * | 2018-06-13 | 2018-12-18 | 温州大学 | 一种三值固定极性rm电路面积与功耗的优化方法 |
CN109408905A (zh) * | 2018-09-30 | 2019-03-01 | 湘潭大学 | 一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用 |
CN109543921A (zh) * | 2018-12-11 | 2019-03-29 | 合肥工业大学 | 基于改进遗传算法的石油专用管流水车间的生产排产方法 |
CN109784603A (zh) * | 2018-11-15 | 2019-05-21 | 长安大学 | 一种基于混合鲸鱼群算法求解柔性作业车间调度的方法 |
CN110032813A (zh) * | 2019-04-18 | 2019-07-19 | 江苏师范大学 | 兼顾固定及可变高宽比功能区铁路物流中心平面布局方法 |
CN110472300A (zh) * | 2019-07-25 | 2019-11-19 | 天津大学青岛海洋技术研究院 | 一种fpso核心生产模块布局优化方法 |
CN110472317A (zh) * | 2019-07-31 | 2019-11-19 | 中国石油大学(华东) | 一种用于校园绿地的洒水喷头空间布局优化的方法 |
CN110648050A (zh) * | 2019-08-21 | 2020-01-03 | 大连理工大学 | 一种传统流水线装配向单元式装配方式转换的重构方法 |
CN110782080A (zh) * | 2019-10-21 | 2020-02-11 | 浙江大学 | 一种基于种群性能排序选择的电力系统结构优化方法 |
CN110851962A (zh) * | 2019-10-23 | 2020-02-28 | 上海船舶工艺研究所(中国船舶工业集团公司第十一研究所) | 一种数字化车间布局优化方法 |
CN111461911A (zh) * | 2020-01-17 | 2020-07-28 | 华中科技大学 | 一种基于混合nsga-ii的加工工件虚拟单元构建方法 |
CN113093673A (zh) * | 2021-03-31 | 2021-07-09 | 南京大学 | 一种使用平均场动作价值学习优化车间作业排程的方法 |
CN113326581A (zh) * | 2021-05-28 | 2021-08-31 | 江麓机电集团有限公司 | 一种基于组合生产和设备故障约束的遗传调度方法 |
CN113379087A (zh) * | 2021-06-29 | 2021-09-10 | 浙江大学 | 一种基于改进遗传算法的生产制造排产优化方法 |
CN113516272A (zh) * | 2021-04-06 | 2021-10-19 | 西北农林科技大学 | 一种考虑多类型设施投入的产地预冷体系规划方法 |
CN113554225A (zh) * | 2021-07-22 | 2021-10-26 | 浙江理工大学 | 一种基于藤壶交配算法的流水车间人力调度优化方法 |
CN114881400A (zh) * | 2022-03-24 | 2022-08-09 | 武汉敏声新技术有限公司 | 一种baw滤波器自动布局方法及相关设备 |
CN117332700A (zh) * | 2023-11-22 | 2024-01-02 | 长春设备工艺研究所 | 一种生产线布局优化及智能物流安全性仿真方法 |
CN117829552A (zh) * | 2024-03-04 | 2024-04-05 | 北京理工大学 | 一种基于赛汝生产调度的鲁棒优化方法、装置和设备 |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104808627A (zh) * | 2015-04-20 | 2015-07-29 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
CN106610654A (zh) * | 2015-12-29 | 2017-05-03 | 四川用联信息技术有限公司 | 针对柔性作业车间调度的改进遗传算法 |
CN106933200A (zh) * | 2015-12-31 | 2017-07-07 | 中国科学院沈阳计算技术研究所有限公司 | 基于遗传算法的解决柔性作业车间调度问题的控制方法 |
US20180348742A1 (en) * | 2017-06-01 | 2018-12-06 | X Development Llc | Planning and Adapting Projects Based on a Buildability Analysis |
CN107203140B (zh) * | 2017-07-10 | 2019-11-15 | 中国地质大学(武汉) | 一种基于模糊综合的烧结生产过程性能评估方法 |
CN108171359B (zh) * | 2017-11-29 | 2021-11-23 | 安徽四创电子股份有限公司 | 一种方舱布局的最优化方法 |
CN108564232A (zh) * | 2018-05-04 | 2018-09-21 | 西北工业大学 | 一种基于遗传算法的飞机部件装配车间总体布局优化方法 |
CN108959783B (zh) * | 2018-07-09 | 2019-05-24 | 广东工业大学 | 一种智能车间的布局仿真优化方法及装置 |
CN109460859B (zh) * | 2018-10-18 | 2022-11-01 | 上海海事大学 | 一种车间布局优化方法 |
CN109543896B (zh) * | 2018-11-16 | 2021-07-27 | 闽江学院 | 一种基于绝对值和函数最小化与粒子群优化的车间设备双行布局方法 |
CN109669421B (zh) * | 2018-12-27 | 2021-06-25 | 四川普什宁江机床有限公司 | 一种智能数控车间设计验证方法 |
CN109445397B (zh) * | 2018-12-27 | 2021-08-27 | 四川普什宁江机床有限公司 | 智能数控车间设计验证系统 |
CN113190885A (zh) * | 2021-03-12 | 2021-07-30 | 西安理工大学 | 一种工业流水线车间布局规划方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323952A (zh) * | 2011-09-09 | 2012-01-18 | 河海大学常州校区 | 基于改进遗传算法的可重构装配线排序方法 |
CN102609805A (zh) * | 2012-01-16 | 2012-07-25 | 浙江工业大学 | 一种基于改进遗传算法的解决复杂生产环境下作业车间调度控制方法 |
US20140149083A1 (en) * | 2009-03-27 | 2014-05-29 | Squareclock | Computer aided design method and system for modular layouts |
CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
CN104808627A (zh) * | 2015-04-20 | 2015-07-29 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000132604A (ja) * | 1998-10-27 | 2000-05-12 | Nippon Telegr & Teleph Corp <Ntt> | 要員配置スケジューリング方法および装置と要員配置スケジューリングプログラムを記録した記録媒体 |
CN104077630B (zh) * | 2014-05-26 | 2017-04-12 | 浙江工业大学 | 一种模拟人体细胞演化的复杂作业车间布局方法 |
CN104091027A (zh) * | 2014-07-17 | 2014-10-08 | 中国科学院自动化研究所 | 一种可视化车间布局优化方法及系统 |
-
2015
- 2015-04-20 CN CN201510186021.1A patent/CN104808627A/zh active Pending
- 2015-12-21 WO PCT/CN2015/098067 patent/WO2016169286A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140149083A1 (en) * | 2009-03-27 | 2014-05-29 | Squareclock | Computer aided design method and system for modular layouts |
CN102323952A (zh) * | 2011-09-09 | 2012-01-18 | 河海大学常州校区 | 基于改进遗传算法的可重构装配线排序方法 |
CN102609805A (zh) * | 2012-01-16 | 2012-07-25 | 浙江工业大学 | 一种基于改进遗传算法的解决复杂生产环境下作业车间调度控制方法 |
CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
CN104808627A (zh) * | 2015-04-20 | 2015-07-29 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
Non-Patent Citations (2)
Title |
---|
GUO HONG ET AL.: "Multi-line Workshop Layout Optimization Based on Improved Genetic Algorithm", MANUFACTURING AUTOMATION, vol. 37, no. 2, 28 February 2015 (2015-02-28) * |
ZHAO CHUAN ET AL.: "Workshop Layout Design Based on Hybrid Genetic Algorithm", JOURNAL OF CHONGQING UNIVERSITY OF TECHNOLOGY ( NATURAL SCIENCE, vol. 24, no. 2, 28 February 2010 (2010-02-28) * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107908805A (zh) * | 2017-05-05 | 2018-04-13 | 浙江工业大学 | 一种多目标优化的混合作业车间布局方法 |
CN107908805B (zh) * | 2017-05-05 | 2021-03-26 | 浙江工业大学 | 一种多目标优化的混合作业车间布局方法 |
CN107590603A (zh) * | 2017-09-11 | 2018-01-16 | 合肥工业大学 | 基于改进变邻域搜索和差分进化算法的调度方法及系统 |
CN109033506A (zh) * | 2018-06-13 | 2018-12-18 | 温州大学 | 一种三值固定极性rm电路面积与功耗的优化方法 |
CN109033506B (zh) * | 2018-06-13 | 2022-12-02 | 温州大学 | 一种三值固定极性rm电路面积与功耗的优化方法 |
CN109408905A (zh) * | 2018-09-30 | 2019-03-01 | 湘潭大学 | 一种Alpha导向灰狼算法及其在两级运算放大器设计中的应用 |
CN109784603B (zh) * | 2018-11-15 | 2024-02-02 | 长安大学 | 一种基于混合鲸鱼群算法求解柔性作业车间调度的方法 |
CN109784603A (zh) * | 2018-11-15 | 2019-05-21 | 长安大学 | 一种基于混合鲸鱼群算法求解柔性作业车间调度的方法 |
CN109543921B (zh) * | 2018-12-11 | 2021-04-06 | 合肥工业大学 | 基于改进遗传算法的石油专用管流水车间的生产排产方法 |
CN109543921A (zh) * | 2018-12-11 | 2019-03-29 | 合肥工业大学 | 基于改进遗传算法的石油专用管流水车间的生产排产方法 |
CN110032813A (zh) * | 2019-04-18 | 2019-07-19 | 江苏师范大学 | 兼顾固定及可变高宽比功能区铁路物流中心平面布局方法 |
CN110472300A (zh) * | 2019-07-25 | 2019-11-19 | 天津大学青岛海洋技术研究院 | 一种fpso核心生产模块布局优化方法 |
CN110472300B (zh) * | 2019-07-25 | 2023-05-30 | 天津大学青岛海洋技术研究院 | 一种fpso核心生产模块布局优化方法 |
CN110472317A (zh) * | 2019-07-31 | 2019-11-19 | 中国石油大学(华东) | 一种用于校园绿地的洒水喷头空间布局优化的方法 |
CN110648050B (zh) * | 2019-08-21 | 2023-05-02 | 大连理工大学 | 一种传统流水线装配向单元式装配方式转换的重构方法 |
CN110648050A (zh) * | 2019-08-21 | 2020-01-03 | 大连理工大学 | 一种传统流水线装配向单元式装配方式转换的重构方法 |
CN110782080A (zh) * | 2019-10-21 | 2020-02-11 | 浙江大学 | 一种基于种群性能排序选择的电力系统结构优化方法 |
CN110782080B (zh) * | 2019-10-21 | 2022-05-27 | 浙江大学 | 一种基于种群性能排序选择的电力系统结构优化方法 |
CN110851962A (zh) * | 2019-10-23 | 2020-02-28 | 上海船舶工艺研究所(中国船舶工业集团公司第十一研究所) | 一种数字化车间布局优化方法 |
CN110851962B (zh) * | 2019-10-23 | 2023-04-07 | 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) | 一种数字化车间布局优化方法 |
CN111461911A (zh) * | 2020-01-17 | 2020-07-28 | 华中科技大学 | 一种基于混合nsga-ii的加工工件虚拟单元构建方法 |
CN113093673A (zh) * | 2021-03-31 | 2021-07-09 | 南京大学 | 一种使用平均场动作价值学习优化车间作业排程的方法 |
CN113516272B (zh) * | 2021-04-06 | 2023-09-01 | 西北农林科技大学 | 一种考虑多类型设施投入的产地预冷体系规划方法 |
CN113516272A (zh) * | 2021-04-06 | 2021-10-19 | 西北农林科技大学 | 一种考虑多类型设施投入的产地预冷体系规划方法 |
CN113326581A (zh) * | 2021-05-28 | 2021-08-31 | 江麓机电集团有限公司 | 一种基于组合生产和设备故障约束的遗传调度方法 |
CN113379087A (zh) * | 2021-06-29 | 2021-09-10 | 浙江大学 | 一种基于改进遗传算法的生产制造排产优化方法 |
CN113554225A (zh) * | 2021-07-22 | 2021-10-26 | 浙江理工大学 | 一种基于藤壶交配算法的流水车间人力调度优化方法 |
CN113554225B (zh) * | 2021-07-22 | 2023-09-26 | 浙江理工大学 | 一种基于藤壶交配算法的流水车间人力调度优化方法 |
CN114881400A (zh) * | 2022-03-24 | 2022-08-09 | 武汉敏声新技术有限公司 | 一种baw滤波器自动布局方法及相关设备 |
CN114881400B (zh) * | 2022-03-24 | 2023-08-25 | 武汉敏声新技术有限公司 | 一种baw滤波器自动布局方法及相关设备 |
CN117332700A (zh) * | 2023-11-22 | 2024-01-02 | 长春设备工艺研究所 | 一种生产线布局优化及智能物流安全性仿真方法 |
CN117332700B (zh) * | 2023-11-22 | 2024-03-15 | 长春设备工艺研究所 | 一种生产线布局优化及智能物流安全性仿真方法 |
CN117829552A (zh) * | 2024-03-04 | 2024-04-05 | 北京理工大学 | 一种基于赛汝生产调度的鲁棒优化方法、装置和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN104808627A (zh) | 2015-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2016169286A1 (zh) | 一种离散制造系统的车间布局方法 | |
CN107301473B (zh) | 基于改进遗传算法的同类平行机批调度方法及系统 | |
CN107784380B (zh) | 一种巡检最短路径的优化方法及优化系统 | |
CN106527381B (zh) | 一种面向并行批处理机动态调度的快速评估方法 | |
CN107301504A (zh) | 基于混合蛙跳—路径重连的生产运输协同调度方法和系统 | |
CN109460859B (zh) | 一种车间布局优化方法 | |
CN110286588B (zh) | 一种考虑能耗的装配线再平衡优化方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN104636871B (zh) | 一种基于数据的单阶段多产品批处理的控制方法 | |
CN106503333B (zh) | 一种三维片上网络测试规划方法 | |
CN112084632B (zh) | 一种结合人机工程的五金数字生产线布局优化方法 | |
CN106611288A (zh) | 一种改进的柔性流水车间调度问题的求解算法 | |
CN106611232A (zh) | 一种求解多工艺路线作业车间调度的分层优化算法 | |
Huang et al. | An improved genetic algorithm for job-shop scheduling problem with process sequence flexibility | |
CN110851962A (zh) | 一种数字化车间布局优化方法 | |
Shang et al. | Spatial scheduling optimization algorithm for block assembly in shipbuilding | |
CN103714384B (zh) | 基于移动模式序列与遗传禁忌的集成电路的布图方法 | |
CN116957177A (zh) | 一种柔性车间产线规划方法、系统、设备及介质 | |
Hani et al. | Simulation based optimization of a train maintenance facility | |
CN112990716B (zh) | 一种双资源约束柔性车间调度和布局集成优化方法及系统 | |
CN104281917A (zh) | 基于自适应遗传和克隆选择算法的模糊作业车间调度方法 | |
CN113848904A (zh) | 一种基于惩罚能耗优化多移动机器人任务分配的方法 | |
CN106610655A (zh) | 一种改进的粒子群算法求解作业车间调度问题 | |
CN112699544A (zh) | 一种多目标柔性作业车间调度方法 | |
Golmohammadi et al. | Design of a facility layout problem in cellular manufacturing systems with stochastic demands |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 15889766 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 15889766 Country of ref document: EP Kind code of ref document: A1 |