WO2016169287A1 - 一种混流生产线产能分配方法 - Google Patents

一种混流生产线产能分配方法 Download PDF

Info

Publication number
WO2016169287A1
WO2016169287A1 PCT/CN2015/098068 CN2015098068W WO2016169287A1 WO 2016169287 A1 WO2016169287 A1 WO 2016169287A1 CN 2015098068 W CN2015098068 W CN 2015098068W WO 2016169287 A1 WO2016169287 A1 WO 2016169287A1
Authority
WO
WIPO (PCT)
Prior art keywords
buffer
processing
empire
time
size
Prior art date
Application number
PCT/CN2015/098068
Other languages
English (en)
French (fr)
Inventor
李申
范小斌
秦威
Original Assignee
海安县申菱电器制造有限公司
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 海安县申菱电器制造有限公司 filed Critical 海安县申菱电器制造有限公司
Publication of WO2016169287A1 publication Critical patent/WO2016169287A1/zh

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling

Definitions

  • the invention relates to a distribution method, in particular to a method for distributing capacity of a mixed flow production line.
  • the problem of capacity allocation and control of the mixed flow production line involves sub-problems such as production buffer size control, order batch division and order processing route optimization. It is a very complex combination optimization problem.
  • the more mature mixed-flow production line capacity allocation methods mainly include stochastic programming methods, capacity-based planning methods based on input-output models, and linear programming methods. These methods all have combined explosion problems, which are difficult to apply to large-scale production systems. Dynamic events such as "blocking" frequently occurring in the production line (the buffer between the process is full, the previous process cannot be processed) and “starvation" (the buffer between the processes is empty, and the subsequent process has no workpiece processing) cannot be considered. However, these events will have an important impact on the production capacity of the production line, so the existing methods are not suitable for the actual production application of the enterprise, and it is difficult to obtain good production performance.
  • the empire competition algorithm is an evolutionary algorithm proposed by Atashpaz and Lucas in 2007 inspired by the competition phenomenon of imperialist countries.
  • the algorithm starts with an initial population search. Individuals in the initial population are called countries, and they fall into two categories: colonies and sovereign states, each of which forms an empire with several colonies attached to it. There is competition between the empire for competition among the colonies. A strong empire will acquire more and more colonies, while a weak one will gradually lose its own. Colony until the demise. The strength of an empire depends on the strength of the sovereign state and the strength of the colony.
  • the end result of the algorithm execution is that all countries form an empire and the algorithm stops searching. It has been shown that the Empire competition algorithm has a good global search ability and fast convergence speed for solving the combinatorial optimization problem. It is an intelligent algorithm whose performance is very suitable for solving large-scale combinatorial optimization problems.
  • the present invention provides a method for capacity distribution of a mixed flow production line.
  • the technical solution adopted by the present invention is: a method for distributing capacity of a mixed flow production line, and the implementation steps are as follows:
  • the user enters the product information of the motor production line into the control system through the browser by verifying the license information of the module;
  • the conversion production data is a specific capacity allocation model
  • the user sets the production line model parameters, the control strategy parameters, and the control system interaction protocol.
  • Production line capacity allocation and control module specifically including production line buffer size control sub-module, Imperial competition algorithm optimization product batch division sub-module, and product batch production sequence control sub-module.
  • Buffer i buffer 0 +i* ⁇
  • an integer programming model is established to calculate the optimal processing cycle as the calculation basis for the individual fitness value of each empire competition algorithm.
  • the processing cycle after the convergence of the final empire competition algorithm is used as the return value of step C, and the corresponding batch size and product batch processing sequence are used as the capacity optimization scheme.
  • the CPLEX tool is used to calculate the optimal processing cycle OF i , after normalization, the fitness value NOF i of each country is obtained;
  • NOF i max j ⁇ OF j ⁇ -OF i (1)
  • empire division selects the fitness value NOF i the largest N imp country as the audienceist, and assigns the remaining country as the colony to the corresponding emperialist according to the ratio w i , forming N imp empire;
  • NTOF i max j ⁇ TOF j ⁇ -TOF i (4)
  • T i T i-2 , that is, the processing cycle is unchanged for three consecutive times
  • the workshop optimized capacity for Time_available is the length of time for capacity evaluation
  • input_num is the number of workpieces input by the algorithm
  • the buffer size is set to buffer i-2 ; otherwise, return to step C.1;
  • step C.2.1.3 the mathematical model of the integer programming is as follows:
  • m i the number of equivalent parallel machines in processing station i;
  • a i operating rate of equipment in processing station i;
  • b i the size of the buffer capacity between the processing station i and the processing station i+1;
  • n i the number of workpieces in the jth batch
  • d ij the total dead time of the jth batch of workpieces at processing station i;
  • s ij the preparation time of the jth batch of workpieces at the processing station i;
  • equation (6) is the objective function formula, that is, the production cycle is minimized; and equation (7) is the stagnation time constraint of the workpiece on the device.
  • d ij is at least equal to the preparation time.
  • the sum of the processing time and the processing time; the formula (8) represents the production cycle calculation formula, which is the maximum dead time of the processing task at all processing stations; the equation (9) represents the input workpiece constraint, considering the device i and the device i-1 and the buffer i If the size of the workpiece set jk, j-k+1, L, j is smaller than the size of the buffer i, then
  • the processing time period of j-k+1, L, j is [t 1 , t 2 ], and considering that the preparation work can be completed in advance, the earliest completion time of the device i is t 2 +P ij , the latest starting time is t 1 +w(i-1,j,k)-s j,jk , which is the residence time of machine i That is, formula (9);
  • Equation (10) represents the output workpiece constraint. If the size of the workpiece set j-k, j-k+1, L, j is smaller than the size of the buffer i-1, then
  • Equation (11) is an integer constraint
  • the invention comprehensively considers the phenomenon of “blocking” and “starvation” in production activities, and establishes a capacity allocation method to achieve optimal sequencing of workpiece batches and increase the efficiency of capacity allocation.
  • the invention uses the empire competition algorithm to optimize the batch division of different products, avoiding the limitation of the traditional capacity optimization algorithm considering only the bottleneck station, and realizing the global optimization of the production capacity.
  • the invention further considers the adjustability of the buffer size between the devices and the optimization of the batch processing sequence of the products, and further eliminates the "blocking" and “starvation” phenomena in the production activities while further reducing the production capacity of the production line. optimization.
  • Figure 1 is a flow chart of the present invention.
  • FIG. 2 is a block diagram of a control system of the present invention.
  • the user enters the product information of the motor production line into the control system through the browser by verifying the license information of the module;
  • the conversion production data is a specific capacity allocation model (see C.2.1.3.1 and C.2.1.3.), the user sets the production line model parameters, the control strategy parameters, and the control system interaction protocol.
  • Production line capacity allocation and control module specifically including production line buffer size control sub-module, Imperial competition algorithm optimization product batch division sub-module, and product batch production sequence control sub-module.
  • Buffer i buffer 0 +i* ⁇
  • an integer programming model is established to calculate the optimal processing cycle as the calculation basis for the individual fitness value of each empire competition algorithm.
  • the processing cycle after the convergence of the final empire competition algorithm is used as the return value of step C, and the corresponding batch size and product batch processing sequence are used as the capacity optimization scheme.
  • the CPLEX tool is used to calculate the optimal processing cycle OF i , after normalization, the fitness value NOF i of each country is obtained;
  • NOF i max i ⁇ OF j ⁇ -OF i (1)
  • empire division selects the fitness value NOF i the largest N imp country as the audienceist, and assigns the remaining country as the colony to the corresponding emperialist according to the ratio w i , forming N imp empire;
  • NTOF i max j ⁇ TOF j ⁇ -TOF i (4)
  • T i T i-2 , that is, the processing cycle is unchanged for three consecutive times, the workshop optimized capacity for (Time_available is the length of time for capacity evaluation, input_num is the number of workpieces input by the algorithm), at this time the buffer size is set to buffer i-2 ; otherwise, return to step C.1;
  • step C.2.1.3 the mathematical model of the integer programming is as follows:
  • m i the number of equivalent parallel machines in processing station i;
  • a i operating rate of equipment in processing station i;
  • b i the size of the buffer capacity between the processing station i and the processing station i+1;
  • n i the number of workpieces in the jth batch
  • d ij the total dead time of the jth batch of workpieces at processing station i;
  • s ij the preparation time of the jth batch of workpieces at the processing station i;
  • equation (6) is the objective function formula, that is, the production cycle is minimized;
  • equation (7) is the stagnation time constraint of the workpiece on the device, and considering the possible "blocking" phenomenon, d ij is at least equal to the preparation time.
  • Equation (8) represents the production cycle calculation formula, which is the maximum stagnation time of the machining task at all processing stations (including multiple identical models);
  • Equation (9) represents the input workpiece constraints, considering the device i And device i-1 and buffer i, if the size of the workpiece set jk, j-k+1, L, j is smaller than the size of the buffer i, then there is
  • the processing time period of j-k+1, L, j is [t 1 , t 2 ], and considering that the preparation work can be completed in advance, the earliest completion time of the device i is t 2 +P ij , the latest starting time is t 1 +w(i-1,j,k)-s j,jk , which is the residence time of machine i That is, formula (9);
  • Equation (10) represents the output workpiece constraint. If the size of the workpiece set j-k, j-k+1, L, j is smaller than the size of the buffer i-1, then
  • Equation (11) is an integer constraint
  • the object of the present invention is to solve the problem that the existing capacity distribution and control method of the mixed flow production line has poor applicability and low optimization performance, and provides a capacity distribution method and control system for the mixed flow production line based on the imperial competition algorithm, so as to facilitate the capacity distribution of the enterprise. Adjust activities and increase production efficiency and production flexibility of mixed flow lines.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种混流生产线产能分配方法，实现步骤分为：用户通过验证模块许可信息，将电动机生产线产品信息通过浏览器录入至控制系统；信息预处理；转化生产数据为具体的产能分配模型、用户设置生产线模型参数、控制策略参数以及控制系统交互协议；生产线产能分配与控制模块，具体包括生产线缓冲区大小调控子模块、帝国竞争算法优化产品批次划分子模块以及产品批次投产顺序调控子模块；缓冲区大小优化终止判断；生产线产能分配与控制结果显示；用户通过模块许可，将以上优化控制结果发送至服务器，车间管理人员按照结果执行任务。该方法实现工件批次的最优排序，调高了产能分配的效率，进一步对生产线的产能进行了优化。

Description

一种混流生产线产能分配方法 技术领域
本发明涉及一种分配方法，尤其涉及一种混流生产线产能分配方法。
背景技术
面对现如今的客户化个性定制市场，多品种混流生产线是目前企业普遍采用的一种生产方式，通过改变混流生产线的产能分配，在一定时间内，同一条生产线上可以生产出多种不同型号、不同数量的产品。而在订单驱动的生产系统中，如何将有限的产能与生产需求相匹配是企业面临的一个关键问题。有效的混流生产线产能分配方法与控制系统不仅能够提高企业的产能和生产效率，还能使企业快速响应市场的变动和客户需求，在激烈的市场竞争中脱颖而出，从而赢得更大的市场份额，创造更多的经济效益。
混流生产线的产能分配与控制问题涉及到生产缓冲区大小控制、订单批次划分以及订单加工路线优化等子问题，是一类十分复杂的组合优化问题。目前比较成熟的混流生产线产能分配方法主要包括随机规划方法、基于投入-产出模型的能力规划方法以及线性规划方法等，这些方法均存在组合爆炸问题，很难适用于大规模的生产系统，且对生产线中频繁出现的“阻塞”(工序间缓冲区已满，前道工序无法继续加工)和“饥饿”(工序间缓冲区已空，后道工序没有工件加工)等动态事件没能进行考虑，而以上这些事件都会对生产线的产能产生重要影响，因此现有的方法并不适用于企业的实际生产应用，也很难取得良好的生产性能。
帝国竞争算法是受到帝国主义国家竞争现象的启发而由Atashpaz和Lucas于2007年提出的一种进化类算法。该算法是从一个初始种群开始搜索。初始种群中的个体被称为国家，它们分为两类：殖民地和宗主国，每个宗主国与附属于它的若干个殖民地构成一个帝国。各帝国之间存在互相争夺殖民地的竞争，实力强的帝国将会获取越来越多的殖民地，而实力弱的则将会逐渐失去自己的 殖民地，直至灭亡。一个帝国的实力同时取决于宗主国的实力与殖民地的实力。算法执行后的最终结果是所有国家形成一个帝国，算法停止搜索。已有研究表明，帝国竞争算法对于组合优化问题的求解具有良好的全局搜索能力和快捷的收敛速度，是一种性能十分适合大规模组合优化问题求解的智能算法。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种混流生产线产能分配方法。
为了解决以上技术问题，本发明采用的技术方案是：一种混流生产线产能分配方法，实现步骤如下：
A、用户通过验证模块许可信息，将电动机生产线产品信息通过浏览器录入至控制系统；
B、信息预处理。转化生产数据为具体的产能分配模型、用户设置生产线模型参数、控制策略参数以及控制系统交互协议。
C、生产线产能分配与控制模块；具体包括生产线缓冲区大小调控子模块、帝国竞争算法优化产品批次划分子模块以及产品批次投产顺序调控子模块。
C.1、生产缓冲区大小调控子模块设置
设置设备间缓冲区大小初始值buffer0和每次循环的递增量Δ，
bufferi＝buffer0+i*Δ
C.2、帝国竞争算法搜索；
根据步骤1所计算的设备间的缓冲区大小和优化后的每种产品的加工批次大小，建立整数规划模型，计算最优的加工周期，作为每个帝国竞争算法个体适应度值的计算依据，最终帝国竞争算法收敛后的加工周期作为步骤C的返回值，与之对应的批次大小和产品批次加工顺序作为产能优化方案。
C.2.1、帝国竞争算法初始化
C.2.1.1、算法参数设置，参数设定，设定算法的country个数Npop，emperialist个数Nimp，colony权重因子ξ，革命率r以及最大循环次数N；
C.2.1.2、初始种群生产
设置计数器i＝0，在
Figure PCTCN2015098068-appb-000001
内重复Npop次随机抽取n个整数，其中product_numi为产品i的个数，n为产品的种类数；如产生的染色体为[2，3，5，3，1，4，2，6，则表示产品1，2L，3，的加工批次大小依次为2，3，5，3，1，4，2，6，5，3，2，3；
C.2.1.3、种群适应度值计算
根据缓冲区大小和产品批次划分，结合式(6)、(7)、(8)、(9)、(10)、(11)所建立的数学模型，采用CPLEX工具计算最优加工周期OFi，正规化后得出各country的适应度值NOFi；
NOFi＝maxj{OFj}-OFi         (1)
C.2.1.4、empire划分选出适应度值NOFi最大的Nimp个country作为emperialist，并按比例wi将其余country作为colony分配给相应的emperialist，形成Nimp个empire；
Figure PCTCN2015098068-appb-000002
C.2.2、同化
依次选择每一个colonyij和其从属的emperialisti，利用emperialisti的序列同化colonyij的序列，然后根据步骤C.2.1.3计算同化后的colonyij的适应度值；
C.2.3、交换
依次对比每一个colonyij和其从属的emperialisti的适应度值，若前者大于后者，则二者交换地位；
C.2.4、empire总体适应度值计算
根据各empire中emperialisti及colonyij的生产周期计算empire的总体适应度值NTOFi；
Figure PCTCN2015098068-appb-000003
NTOFi＝maxj{TOFj}-TOFi          (4)
C.2.5、竞争
选取总体适应度值最小的empire中适应度值最小的colonyij，计算各个empire占有该殖民地的概率
Figure PCTCN2015098068-appb-000004
然后随机生成一个[0，1]范围内的Nimp维数组
Figure PCTCN2015098068-appb-000005
计算概率数组
Figure PCTCN2015098068-appb-000006
其中对应概率Di最大的empire竞争胜利，获得该殖民地；
Figure PCTCN2015098068-appb-000007
C.2.6、革命
选出适应度值最小的country，以概率r用一个随机序列替换原来的序列；
C.2.7、消灭empire
但一个empire失去所有colony时，该empire消失，并将其emperialist加入到最适应度值最大的empire中；
C.2.8、帝国竞争算法终止判断
判断帝国竞争算法的最大迭代次数是否达到N或者所有country的适应度值相同，若是，则终止算法；否则，返回步骤C.2.2；
D、缓冲区大小优化终止判断
将C.2中算法终止时最小的加工周期赋值给Ti，即为当前buffer下的加工周期，若Ti＝Ti-2，即加工周期连续三次均不变，则车间优化后的产能为
Figure PCTCN2015098068-appb-000008
Time_available为产能评估的时间长度，input_num为算法输入的工件数量，此时缓冲区大小的设置为bufferi-2；否则，返回步骤C.1；
进一步的，在步骤C.2.1.3中，所述的整数规划数学模型如下：
C.2.1.3.1、变量定义
w：加工站数量；
c：工件批次数量；
mi：加工站i内等效并行机的数量；
T：加工周期；
ai：加工站i内设备的开工率；
bi：加工站i和加工站i+1之间缓冲区容量的大小；
ni：第j批次内工件数量；
pij：第j批次内每一个工件在加工站i的设备上的加工时间；
dij：第j批工件在加工站i的总停滞时间；
sij：第j批工件在加工站i加工的准备时间；
w(i，j，k)：加工站i在加工产品j-k，j-k+1，L，j，其中k＝0，1，L，N-1的情况下，将缓冲区i装满所用的时间；
Y(i，j，k)：加工站i将缓冲区i-1中顺序为j-k，j-k+1，L，j，其中k＝0，1，L，N-1的产品加工完所用的时间；
整数规划数学模型如下：
C.2.1.3.2、模型建立
min T             (6)
Figure PCTCN2015098068-appb-000009
Figure PCTCN2015098068-appb-000010
Figure PCTCN2015098068-appb-000011
Figure PCTCN2015098068-appb-000012
i＝1，2，L，w；j＝1，2，L c；k＝0，1，L，c-1        (11)
上述式子中，式(6)为目标函数式，即最小化生产周期；式(7)为工件 在设备上的停滞时间约束，考虑到可能出现的“阻塞”现象，dij至少等于准备时间与加工时间之和；式(8)表示生产周期计算公式，即为加工任务在所有加工站的最大停滞时间；式(9)表示输入工件约束，考虑设备i和设备i-1以及缓冲区i，如果工件集j-k，j-k+1，L，j的大小小于缓冲区i的大小，则有
Figure PCTCN2015098068-appb-000013
当
Figure PCTCN2015098068-appb-000014
当工件集j-k，j-k+1，L，j的大小大于缓冲区i的大小时，则有
Figure PCTCN2015098068-appb-000015
且批次j-k+η会有部分γijk装入缓冲区i，
Figure PCTCN2015098068-appb-000016
此时有
Figure PCTCN2015098068-appb-000017
如果设备i-1完成工件集j-k，j-k+1，L，j的加工的时间段为[t1，t2]，考虑到可以提前完成准备工作，则设备i的最早完工时间为t2+Pij，最晚开工时间为t1+w(i-1，j，k)-sj，j-k，即机器i的滞留时间
Figure PCTCN2015098068-appb-000018
即为公式(9)；
式(10)表示输出工件约束，如果工件集j-k，j-k+1，L，j的大小小于缓冲区i-1的大小，则有
Figure PCTCN2015098068-appb-000019
当
Figure PCTCN2015098068-appb-000020
当工件集j-k，j-k+1，L，j的大小大于缓冲区i-1的大小时，则有
Figure PCTCN2015098068-appb-000021
且批次j-η会有部分τijk和工件j装入缓冲区i-1，
Figure PCTCN2015098068-appb-000022
此时有
Figure PCTCN2015098068-appb-000023
考虑设备i和设备i+1以及缓冲区i+1，如果设备i+1完成工件集j-k，
Figure PCTCN2015098068-appb-000024
，的加工的时间段为[t3，t4]，考虑到可以提前完成准备工作，则设备i的最早完工时间为t4-Y(i+1，j，k)，开工时间为t3+sti+1，j-k-Pi，j-k，即机器i的滞留时间
Figure PCTCN2015098068-appb-000025
即为公式(10)；
公式(11)为整数约束；
E、生产线产能分配与控制结果显示；用户通过模块许可，将以上优化控制结果发送至服务器，车间管理人员按照结果执行任务。
本发明与现有的技术相比具有以下优点：
1、本发明综合考虑了生产活动中的“阻塞”和“饥饿”现象，并建立了产能分配方法，实现工件批次的最优排序，调高了产能分配的效率。
2、本发明采用帝国竞争算法对不同产品的批次划分进行优化，避免了传统产能优化算法仅考虑瓶颈工位的局限性，实现了产能的全局性优化。
3、本发明进一步考虑了设备间缓冲区大小的可调性和产品批次加工顺序的优化，在尽可能消除生产活动中“阻塞”和“饥饿”现象的同时，进一步对生产线的产能进行了优化。
附图说明
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为本发明的控制系统框图。
具体实施方式
如图1、图2所示，本发明的实现步骤如下：
A、用户通过验证模块许可信息，将电动机生产线产品信息通过浏览器录入至控制系统；
B、信息预处理。转化生产数据为具体的产能分配模型(见C.2.1.3.1和C.2.1.3.)、用户设置生产线模型参数、控制策略参数以及控制系统交互协议。
C、生产线产能分配与控制模块；具体包括生产线缓冲区大小调控子模块、帝国竞争算法优化产品批次划分子模块以及产品批次投产顺序调控子模块。
C.1、生产缓冲区大小调控子模块设置
设置设备间缓冲区大小初始值buffer0和每次循环的递增量Δ，
bufferi＝buffer0+i*Δ
C.2、帝国竞争算法搜索(帝国竞争算法优化产品批次划分子模块，计算生产周期)；
根据步骤1所计算的设备间的缓冲区大小和优化后的每种产品的加工批次大小，建立整数规划模型，计算最优的加工周期，作为每个帝国竞争算法个体适应度值的计算依据，最终帝国竞争算法收敛后的加工周期作为步骤C的返回值，与之对应的批次大小和产品批次加工顺序作为产能优化方案。
C.2.1、帝国竞争算法初始化
C.2.1.1、算法参数设置，参数设定，设定算法的country个数Npop，emperialist个数Nimp，colony权重因子ξ，革命率r以及最大循环次数N；
C.2.1.2、初始种群生产
设置计数器i＝0，在
Figure PCTCN2015098068-appb-000026
内重复Npop次随机抽取n个整数，其中product_numi为产品i的个数，n为产品的种类数；如产生的染色体为[2，3，5，3，1，4，2，6，则表示产品1，2L，3，的加工批次大小依次为2，3，5，3，1，4，2，6，5，3，2，3；
C.2.1.3、种群适应度值计算
根据缓冲区大小和产品批次划分，结合式(6)、(7)、(8)、(9)、(10)、(11)所建立的数学模型，采用CPLEX工具计算最优加工周期OFi，正规化后得出各country的适应度值NOFi；
NOFi＝maxi{OFj}-OFi         (1)
C.2.1.4、empire划分选出适应度值NOFi最大的Nimp个country作为emperialist，并按比例wi将其余country作为colony分配给相应的emperialist，形成Nimp个empire；
Figure PCTCN2015098068-appb-000027
C.2.2、同化
依次选择每一个colonyij和其从属的emperialisti，利用emperialisti的序列同化colonyij的序列，然后根据步骤C.2.1.3计算同化后的colonyij的适应度值；
C.2.3、交换
依次对比每一个colonyij和其从属的emperialisti的适应度值，若前者大于后者，则二者交换地位；
C.2.4、empire总体适应度值计算
根据各empire中emperialisti及colonyij的生产周期计算empire的总体适应度值NTOFi；
Figure PCTCN2015098068-appb-000028
NTOFi＝maxj{TOFj}-TOFi         (4)
C.2.5、竞争
选取总体适应度值最小的empire中适应度值最小的colonyij，计算各个empire占有该殖民地的概率
Figure PCTCN2015098068-appb-000029
然后随机生成一个[0，1]范围内的Nimp维数组
Figure PCTCN2015098068-appb-000030
计算概率数组
Figure PCTCN2015098068-appb-000031
其中对应概率Di最大的empire竞争胜利，获得该殖民地。
Figure PCTCN2015098068-appb-000032
C.2.6、革命
选出适应度值最小的country，以概率r用一个随机序列替换原来的序列；
C.2.7、消灭empire
但一个empire失去所有colony时，该empire消失，并将其emperialist加入到最适应度值最大的empire中；
C.2.8、帝国竞争算法终止判断
判断帝国竞争算法的最大迭代次数是否达到N或者所有country的适应度值相同，若是，则终止算法；否则，返回步骤C.2.2；
D、缓冲区大小优化终止判断
将C.2中算法终止时最小的加工周期赋值给Ti，即为当前buffer下的加工周期，若Ti＝Ti-2，即加工周期连续三次均不变，则车间优化后的产能为
Figure PCTCN2015098068-appb-000033
(Time_available为产能评估的时间长度，input_num为算法输入的工件数量)，此时缓冲区大小的设置为bufferi-2；否则，返回步骤C.1；
进一步的，在步骤C.2.1.3中，所述的整数规划数学模型如下：
C.2.1.3.1、变量定义
w：加工站数量；
c：工件批次数量；
mi：加工站i内等效并行机的数量；
T：加工周期；
ai：加工站i内设备的开工率；
bi：加工站i和加工站i+1之间缓冲区容量的大小；
ni：第j批次内工件数量；
pij：第j批次内每一个工件在加工站i的设备上的加工时间；
dij：第j批工件在加工站i的总停滞时间；
sij：第j批工件在加工站i加工的准备时间；
w(i，j，k)：加工站i在加工产品j-k，j-k+1，L，j，其中k＝0，1，L，N-1的情况下，将缓冲区i装满所用的时间；
Y(i，j，k)：加工站i将缓冲区i-1中顺序为j-k，j-k+1，L，j，其中k＝0，1，L，N-1的产品加工完所用的时间；
整数规划数学模型如下：
C.2.1.3.2、模型建立
min T           (6)
Figure PCTCN2015098068-appb-000034
Figure PCTCN2015098068-appb-000035
Figure PCTCN2015098068-appb-000036
Figure PCTCN2015098068-appb-000037
i＝1，2，L，w，j＝1，2，L c；k＝0，1，L，c-1       (11)
上述式子中，式(6)为目标函数式，即最小化生产周期；式(7)为工件在设备上的停滞时间约束，考虑到可能出现的“阻塞”现象，dij至少等于准备时间与加工时间之和；式(8)表示生产周期计算公式，即为加工任务在所有加工站(包含多台同种机型)的最大停滞时间；式(9)表示输入工件约束，考虑设备i和设备i-1以及缓冲区i，如果工件集j-k，j-k+1，L，j的大小小于缓冲区i的大小，则有
Figure PCTCN2015098068-appb-000038
当
Figure PCTCN2015098068-appb-000039
当工件集j-k，j-k+1，L，j的大小大于缓冲区i的大小时，则有
Figure PCTCN2015098068-appb-000040
且批次j-k+η会有部分γijk装入缓冲区i，
Figure PCTCN2015098068-appb-000041
此时有
Figure PCTCN2015098068-appb-000042
如果设备i-1完成工件集j-k，j-k+1，L，j的加工的时间段为[t1，t2]，考虑到可以提前完成准备工作，则设备i的最早完工时间为t2+Pij，最晚开工时间为t1+w(i-1，j，k)-sj，j-k，即机器i的滞留时间
Figure PCTCN2015098068-appb-000043
即为公式(9)；
式(10)表示输出工件约束，如果工件集j-k，j-k+1，L，j的大小小于缓冲区i-1的大小，则有
Figure PCTCN2015098068-appb-000044
当
Figure PCTCN2015098068-appb-000045
当工件集j-k，j-k+1，L，j的大小大于缓冲区i-1的大小时，则有
Figure PCTCN2015098068-appb-000046
且批次j-η会有部分τijk和工件j装入缓冲区i-1，
Figure PCTCN2015098068-appb-000047
此时有
Figure PCTCN2015098068-appb-000048
考虑设备i和设备i+1以及缓冲区i+1，如果设备i+1完成工件集
Figure PCTCN2015098068-appb-000049
的加工的时间段为[t3，t4]，考虑到可以提前完成准备工作，则设 备i的最早完工时间为t4-Y(i+1，j，k)，开工时间为t3+sti+1，j-k-Pi，j-k，即机器i的滞留时间
Figure PCTCN2015098068-appb-000050
即为公式(10)；
公式(11)为整数约束；
E、生产线产能分配与控制结果显示；用户通过模块许可，将以上优化控制结果发送至服务器，车间管理人员按照结果执行任务。
本发明的目的在于解决现有的混流生产线产能分配与控制方法适用性差，优化性能不高的问题，提供了一种基于帝国竞争算法的混流生产线产能分配方法与控制系统，以方便企业的产能分配与调整活动，并提高混流生产线的生产效率和生产灵活性。

Claims (1)

  1. 一种混流生产线产能分配方法，其特征在于：实现步骤如下：
    A、用户通过验证模块许可信息，将电动机生产线产品信息通过浏览器录入至控制系统；
    B、信息预处理；转化生产数据为具体的产能分配模型、用户设置生产线模型参数、控制策略参数以及控制系统交互协议；
    C、生产线产能分配与控制模块；具体包括生产线缓冲区大小调控子模块、帝国竞争算法优化产品批次划分子模块以及产品批次投产顺序调控子模块；
    C.1、生产缓冲区大小调控子模块设置
    设置设备间缓冲区大小初始值buffer0和每次循环的递增量Δ；
    bufferi＝buffer0+i*Δ
    C.2、帝国竞争算法搜索；
    根据步骤1所计算的设备间的缓冲区大小和优化后的每种产品的加工批次大小，建立整数规划模型，计算最优的加工周期，作为每个帝国竞争算法个体适应度值的计算依据，最终帝国竞争算法收敛后的加工周期作为步骤C的返回值，与之对应的批次大小和产品批次加工顺序作为产能优化方案；
    C.2.1、帝国竞争算法初始化
    C.2.1.1、算法参数设置，参数设定，设定算法的country个数Npop，emperialist个数Nimp，colony权重因子ξ，革命率r以及最大循环次数N；
    C.2.1.2、初始种群生产
    设置计数器i＝0，在
    Figure PCTCN2015098068-appb-100001
    内重复Npop次随机抽取n个整数，其中product_numi为产品i的个数，n为产品的种类数；如产生的染色体为[2，3，5，3，1，4，2，6，则表示产品
    Figure PCTCN2015098068-appb-100002
    的加工批次大小依次为2，3，5，3，1，4，2，6，5，3，2，3；
    C.2.1.3、种群适应度值计算
    根据缓冲区大小和产品批次划分，结合式(6)、(7)、(8)、(9)、(10)、(11)所建立的数学模型，采用CPLEX工具计算最优加工周期OFi，正规化后得出各country的适应度值NOFi；
    NOFi＝maxj{OFj}-OFi    (1)
    C.2.1.4、empire划分选出适应度值NOFi最大的Nimp个country作为emperialist，并按比例wi将其余country作为colony分配给相应的emperialist，形成Nimp个empire；
    Figure PCTCN2015098068-appb-100003
    C.2.2、同化
    依次选择每一个colonyij和其从属的
    Figure PCTCN2015098068-appb-100004
    利用
    Figure PCTCN2015098068-appb-100005
    的序列同化colonyij的序列，然后根据步骤C.2.1.3计算同化后的colonyij的适应度值；
    C.2.3、交换
    依次对比每一个colonyij和其从属的emperialisti的适应度值，若前者大于后者，则二者交换地位；
    C.2.4、empire总体适应度值计算
    根据各empire中emperialisti及colonyij的生产周期计算empire的总体适应度值NTOFi；
    Figure PCTCN2015098068-appb-100006
    NTOFi＝maxj{TOFj}-TOFi       (4)
    C.2.5、竞争
    选取总体适应度值最小的empire中适应度值最小的colonyij，计算各个empire占有该殖民地的概率
    Figure PCTCN2015098068-appb-100007
    然后随机生成一个[0，1]范围内的Nimp维数组
    Figure PCTCN2015098068-appb-100008
    计算概率数组
    Figure PCTCN2015098068-appb-100009
    其中对应概率Di最大的empire竞争胜利，获得该殖民地；
    Figure PCTCN2015098068-appb-100010
    C.2.6、革命
    选出适应度值最小的country，以概率r用一个随机序列替换原来的序列；
    C.2.7、消灭empire
    但一个empire失去所有colony时，该empire消失，并将其emperialist加入到最适应度值最大的empire中；
    C.2.8、帝国竞争算法终止判断
    判断帝国竞争算法的最大迭代次数是否达到N或者所有country的适应度值相同，若是，则终止算法；否则，返回步骤C.2.2；
    D、缓冲区大小优化终止判断
    将C.2中算法终止时最小的加工周期赋值给Ti，即为当前buffer下的加工周期，若Ti＝Ti-2，即加工周期连续三次均不变，则车间优化后的产能为
    Figure PCTCN2015098068-appb-100011
    Time_available为产能评估的时间长度，input_hum为算法输入的工件数量，此时缓冲区大小的设置为bufferi-2；否则，返回步骤C.1；
    进一步的，在步骤C.2.1.3中，所述的整数规划数学模型如下：
    C.2.1.3.1、变量定义
    w：加工站数量；
    c：工件批次数量；
    mi：加工站i内等效并行机的数量；
    T：加工周期；
    ai：加工站i内设备的开工率；
    bi：加工站i和加工站i+1之间缓冲区容量的大小；
    ni：第j批次内工件数量；
    pij：第j批次内每一个工件在加工站i的设备上的加工时间；
    dij：第j批工件在加工站i的总停滞时间；
    sij：第j批工件在加工站i加工的准备时间；
    w(i，j，k)：加工站i在加工产品j-k，j-k+1，L，j，其中k＝0，1，L，N-1的情况下，将缓冲区i装满所用的时间；
    Y(i，j，k)：加工站i将缓冲区i-1中顺序为j-k，j-k+1，L，j，其中k＝0，1，L，N-1的产品加工完所用的时间；
    整数规划数学模型如下：
    C.2.1.3.2、模型建立
    min T     (6)
    Figure PCTCN2015098068-appb-100012
    Figure PCTCN2015098068-appb-100013
    Figure PCTCN2015098068-appb-100014
    Figure PCTCN2015098068-appb-100015
    i＝1，2，L，w；j＝1，2，L c；k＝0，1，L，c-1   (11)
    上述式子中，式(6)为目标函数式，即最小化生产周期；式(7)为工件在设备上的停滞时间约束，考虑到可能出现的“阻塞”现象，dij至少等于准备时间与加工时间之和；式(8)表示生产周期计算公式，即为加工任务在所有加工站的最大停滞时间；式(9)表示输入工件约束，考虑设备i和设备i-1以及缓冲区i，如果工件集j-k，j-k+1，L，j的大小小于缓冲区i的大小，则有
    Figure PCTCN2015098068-appb-100016
    当
    Figure PCTCN2015098068-appb-100017
    当工件集j-k，j-k+1，L，j的大小大于缓冲区i的大小时，则有
    Figure PCTCN2015098068-appb-100018
    且 批次j-k+η会有部分γijk装入缓冲区i，
    Figure PCTCN2015098068-appb-100019
    此时有
    Figure PCTCN2015098068-appb-100020
    如果设备i-1完成工件集j-k，j-k+1，L，j的加工的时间段为[t1，t2]，考虑到可以提前完成准备工作，则设备i的最早完工时间为t2+Pij，最晚开工时间为t1+w(i-1，j，k)-sj，j-k，即机器i的滞留时间
    Figure PCTCN2015098068-appb-100021
    即为公式(9)；
    式(10)表示输出工件约束，如果工件集j-k，j-k+1，L，j的大小小于缓冲区i-1的大小，则有
    Figure PCTCN2015098068-appb-100022
    当
    Figure PCTCN2015098068-appb-100023
    当工件集j-k，j-k+1，L，j的大小大于缓冲区i-1的大小时，则有
    Figure PCTCN2015098068-appb-100024
    且批次j-η会有部分τijk和工件j装入缓冲区i-1，
    Figure PCTCN2015098068-appb-100025
    此时有
    Figure PCTCN2015098068-appb-100026
    考虑设备i和设备i+1以及缓冲区i+1，如果设备i+1完成工件集
    Figure PCTCN2015098068-appb-100027
    的加工的时间段为[t3，t4]，考虑到可以提前完成准备工作，则设备i的最早完工时间为t4-Y(i+1，j，k)，开工时间为t3+sti+1，j-k-pi，j-k，即机器i的滞留时间
    Figure PCTCN2015098068-appb-100028
    即为公式(10)；
    公式(11)为整数约束；
    E、生产线产能分配与控制结果显示；用户通过模块许可，将以上优化控制结果发送至服务器，车间管理人员按照结果执行任务。
PCT/CN2015/098068 2015-04-20 2015-12-21 一种混流生产线产能分配方法 WO2016169287A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201510186024.5 2015-04-20
CN201510186024.5A CN104751297A (zh) 2015-04-20 2015-04-20 一种混流生产线产能分配方法

Publications (1)

Publication Number Publication Date
WO2016169287A1 true WO2016169287A1 (zh) 2016-10-27

Family

ID=53590939

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2015/098068 WO2016169287A1 (zh) 2015-04-20 2015-12-21 一种混流生产线产能分配方法

Country Status (2)

Country Link
CN (1) CN104751297A (zh)
WO (1) WO2016169287A1 (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523109A (zh) * 2018-09-27 2019-03-26 江汉大学 一种作业调度方法
CN110276126A (zh) * 2019-06-20 2019-09-24 北京机械设备研究所 基于缓存区容量计算的自动化生产线优化方法
CN110288126A (zh) * 2019-05-30 2019-09-27 湖南大学 一种机器人铸造生产线产能优化方法
CN110298578A (zh) * 2019-06-24 2019-10-01 电子科技大学 一种混流生产线动态瓶颈预测方法
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
CN110991544A (zh) * 2019-12-10 2020-04-10 上海交通大学 一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法
CN112561173A (zh) * 2020-12-18 2021-03-26 安徽巨一科技股份有限公司 一种快速提升焊装线产能的优化方法
CN113341896A (zh) * 2021-06-07 2021-09-03 电子科技大学 面向离散制造的动态集成车间调度与装配序列规划方法
CN113741369A (zh) * 2021-09-07 2021-12-03 福州大学 一种混合流水车间调度优化方法
CN113743747A (zh) * 2021-08-17 2021-12-03 广州工业智能研究院 一种车间环境下的多agv协同调度方法及装置
CN113779782A (zh) * 2021-08-29 2021-12-10 西北工业大学 考虑工件报废的装配线建模与性能评估方法
CN113821972A (zh) * 2021-08-17 2021-12-21 同济大学 一种考虑能效的多机器人协同装配线平衡方法
CN114281050A (zh) * 2021-12-30 2022-04-05 沈阳建筑大学 基于q学习的流程制造车间滚揉结扎工序段生产优化方法
CN115759634A (zh) * 2022-11-18 2023-03-07 中南大学 一种矩形板材组批排样高效协同方法
CN115933570A (zh) * 2022-12-28 2023-04-07 华南理工大学 一种考虑产品工序差异的混流装配线平衡方法
CN116739312A (zh) * 2023-08-11 2023-09-12 超网实业(成都)股份有限公司 一种用于智慧厂务的多需求监测方法及系统
CN117148803A (zh) * 2023-10-27 2023-12-01 深圳市磐锋精密技术有限公司 一种用于自动居中调宽流水线的调节控制方法
CN117901102A (zh) * 2024-01-22 2024-04-19 广东环境保护工程职业学院 一种产线机器人同步方法、装置、系统和介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104751297A (zh) * 2015-04-20 2015-07-01 海安县申菱电器制造有限公司 一种混流生产线产能分配方法
CN107146039B (zh) * 2017-06-13 2020-07-17 河南科技大学 一种多目标协同控制的定制式混流装配生产方法及装置
CN109767118A (zh) * 2019-01-11 2019-05-17 沈阳建筑大学 一种在具有可重入工序的客车涂装车间中有限缓冲区动态容量预留方法
CN110009259B (zh) * 2019-04-18 2023-04-07 天津工业大学 一种应用于双向路径下柔性制造车间的多agv调度方法
CN110544053B (zh) * 2019-09-27 2023-01-31 合肥工业大学 确定大小型铸件混流装配生产线的规划方案的方法与系统
CN111489048A (zh) * 2020-02-18 2020-08-04 深圳坤湛科技有限公司 一种鞋履制造企业需求与产能匹配的方法及系统
CN113780892B (zh) * 2021-09-29 2024-06-21 上海华力微电子有限公司 基于整数规划的产品生产计划的制定方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7369910B2 (en) * 2002-11-11 2008-05-06 Axxom Software Ag Method for the optimizing of a production process
CN101303749A (zh) * 2008-06-19 2008-11-12 上海交通大学 面向客户需求的车间作业调度方法
CN102402716A (zh) * 2010-09-15 2012-04-04 香港理工大学 智能生产决策支持系统
CN103714395A (zh) * 2013-12-18 2014-04-09 华中科技大学 一种面向成本的混流双边装配线平衡方法
CN104751297A (zh) * 2015-04-20 2015-07-01 海安县申菱电器制造有限公司 一种混流生产线产能分配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7369910B2 (en) * 2002-11-11 2008-05-06 Axxom Software Ag Method for the optimizing of a production process
CN101303749A (zh) * 2008-06-19 2008-11-12 上海交通大学 面向客户需求的车间作业调度方法
CN102402716A (zh) * 2010-09-15 2012-04-04 香港理工大学 智能生产决策支持系统
CN103714395A (zh) * 2013-12-18 2014-04-09 华中科技大学 一种面向成本的混流双边装配线平衡方法
CN104751297A (zh) * 2015-04-20 2015-07-01 海安县申菱电器制造有限公司 一种混流生产线产能分配方法

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523109A (zh) * 2018-09-27 2019-03-26 江汉大学 一种作业调度方法
CN109523109B (zh) * 2018-09-27 2022-12-06 江汉大学 一种作业调度方法
CN110288126A (zh) * 2019-05-30 2019-09-27 湖南大学 一种机器人铸造生产线产能优化方法
CN110276126A (zh) * 2019-06-20 2019-09-24 北京机械设备研究所 基于缓存区容量计算的自动化生产线优化方法
CN110276126B (zh) * 2019-06-20 2023-04-07 北京机械设备研究所 基于缓存区容量计算的自动化生产线优化方法
CN110298578B (zh) * 2019-06-24 2022-11-29 电子科技大学 一种混流生产线动态瓶颈预测方法
CN110298578A (zh) * 2019-06-24 2019-10-01 电子科技大学 一种混流生产线动态瓶颈预测方法
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
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
CN110991544A (zh) * 2019-12-10 2020-04-10 上海交通大学 一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法
CN110991544B (zh) * 2019-12-10 2023-04-28 上海交通大学 一种基于PICA-VMD和Hilbert边际谱的轴向柱塞泵空化等级识别方法
CN112561173A (zh) * 2020-12-18 2021-03-26 安徽巨一科技股份有限公司 一种快速提升焊装线产能的优化方法
CN113341896A (zh) * 2021-06-07 2021-09-03 电子科技大学 面向离散制造的动态集成车间调度与装配序列规划方法
CN113341896B (zh) * 2021-06-07 2022-08-05 电子科技大学 面向离散制造的动态集成车间调度与装配序列规划方法
CN113743747B (zh) * 2021-08-17 2024-02-06 广州工业智能研究院 一种车间环境下的多agv协同调度方法及装置
CN113821972A (zh) * 2021-08-17 2021-12-21 同济大学 一种考虑能效的多机器人协同装配线平衡方法
CN113743747A (zh) * 2021-08-17 2021-12-03 广州工业智能研究院 一种车间环境下的多agv协同调度方法及装置
CN113779782A (zh) * 2021-08-29 2021-12-10 西北工业大学 考虑工件报废的装配线建模与性能评估方法
CN113779782B (zh) * 2021-08-29 2024-03-19 西北工业大学 考虑工件报废的装配线建模与性能评估方法
CN113741369A (zh) * 2021-09-07 2021-12-03 福州大学 一种混合流水车间调度优化方法
CN114281050B (zh) * 2021-12-30 2024-06-07 沈阳建筑大学 基于q学习的流程制造车间滚揉结扎工序段生产优化方法
CN114281050A (zh) * 2021-12-30 2022-04-05 沈阳建筑大学 基于q学习的流程制造车间滚揉结扎工序段生产优化方法
CN115759634A (zh) * 2022-11-18 2023-03-07 中南大学 一种矩形板材组批排样高效协同方法
CN115759634B (zh) * 2022-11-18 2024-04-26 中南大学 一种矩形板材组批排样高效协同方法
CN115933570B (zh) * 2022-12-28 2024-04-23 华南理工大学 一种考虑产品工序差异的混流装配线平衡方法
CN115933570A (zh) * 2022-12-28 2023-04-07 华南理工大学 一种考虑产品工序差异的混流装配线平衡方法
CN116739312A (zh) * 2023-08-11 2023-09-12 超网实业(成都)股份有限公司 一种用于智慧厂务的多需求监测方法及系统
CN116739312B (zh) * 2023-08-11 2023-12-01 超网实业(成都)股份有限公司 一种用于智慧厂务的多需求监测方法及系统
CN117148803B (zh) * 2023-10-27 2024-01-26 深圳市磐锋精密技术有限公司 一种用于自动居中调宽流水线的调节控制方法
CN117148803A (zh) * 2023-10-27 2023-12-01 深圳市磐锋精密技术有限公司 一种用于自动居中调宽流水线的调节控制方法
CN117901102A (zh) * 2024-01-22 2024-04-19 广东环境保护工程职业学院 一种产线机器人同步方法、装置、系统和介质

Also Published As

Publication number Publication date
CN104751297A (zh) 2015-07-01

Similar Documents

Publication Publication Date Title
WO2016169287A1 (zh) 一种混流生产线产能分配方法
CN109492774B (zh) 一种基于深度学习的云资源调度方法
CN103679388B (zh) 生产调度方法及生产调度系统
CN110134146A (zh) 一种不确定环境下的分布式多无人机任务分配方法
CN112907057B (zh) 基于改进mopso算法的生产调度优化方法及系统
CN105094970B (zh) 一种求解分布式系统下可分任务多趟调度模型的方法
TWI788650B (zh) 用於半導體加工調度的方法、半導體加工調度系統和非暫時性電腦可讀儲存介質
CN102183931A (zh) 基于时间约束的机械加工生产过程优化调度方法
CN101424919A (zh) 半导体制造系统的重调度决策系统
TW201428647A (zh) 產線排配控制系統及方法
CN104199820A (zh) 云平台MapReduce工作流调度优化方法
CN109445386A (zh) 一种基于onba的云制造任务最短生产时间调度方法
CN104392298A (zh) 一种采用粒子群算法进行生产调度的方法
Fan et al. Balancing and simulating of assembly line with overlapped and stopped operation
Shen An uncertain parallel machine problem with deterioration and learning effect
CN104915255B (zh) 一种可分任务多趟调度模型的求解方法及系统
CN104915250B (zh) 一种实现作业内的MapReduce数据本地化的方法
CN106780035A (zh) 用于云计算的指标公式处理方法、计算方法、处理装置和计算系统
Wang et al. An assemble-to-order production planning with the integration of order scheduling and mixed-model sequencing
CN113379386B (zh) 一种基于多阶段采样的任务分配与定价方法
CN106033217B (zh) 派工系统及派工方法
CN108363789A (zh) 一种工商业用户用电表码数据短期缺失修补方法及装置
CN110009180B (zh) 一种基于区块链的准时生产控制方法
CN110705872A (zh) 一种复合型并行加工的生产物流调度分析方法
Sriram et al. A novel work-sharing protocol for U-shaped assembly lines

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: 15889767

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: 15889767

Country of ref document: EP

Kind code of ref document: A1