WO2017126720A1 - 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법 - Google Patents

할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법 Download PDF

Info

Publication number
WO2017126720A1
WO2017126720A1 PCT/KR2016/000664 KR2016000664W WO2017126720A1 WO 2017126720 A1 WO2017126720 A1 WO 2017126720A1 KR 2016000664 W KR2016000664 W KR 2016000664W WO 2017126720 A1 WO2017126720 A1 WO 2017126720A1
Authority
WO
WIPO (PCT)
Prior art keywords
order
production plan
solution information
meta
allocation ratio
Prior art date
Application number
PCT/KR2016/000664
Other languages
English (en)
French (fr)
Inventor
김영훈
한종림
조현보
지봉준
김태훈
Original Assignee
티라에스앤씨 (주)
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 티라에스앤씨 (주) filed Critical 티라에스앤씨 (주)
Publication of WO2017126720A1 publication Critical patent/WO2017126720A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • 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 present specification relates to a meta-heuristic based production planning method considering allocation rate compliance, and more specifically, based on the meta-heuristic algorithm, the initial solution information of the production plan considering the allocation ratio is generated, and from the generated initial solution information.
  • Production planning methods are becoming a core competency of global manufacturers.
  • the production planning method determines how many items should be produced in a given period so that customer demand is met.
  • production plans can be classified according to several criteria, such as production structure, uncertainty management and material requirements management.
  • the production plan can be classified into a single-level production plan or a multi-level production plan according to the production structure.
  • the single-level production plan considers the cost and available capacity of each site at a single production level.
  • a multi-level production plan considers movement between production levels.
  • a production plan can be classified into a deterministic production plan or a stochastic production plan.
  • Deterministic production planning assumes that the lead time and delivery of demand, raw material procurement, and item production have been determined. In contrast, probabilistic production planning considers these variables to be uncertain.
  • a production plan can be classified into a material requirements plan or a material allocation plan.
  • Material requirements planning assumes that all materials are available and the requirements for each material are calculated according to the production plan.
  • a material allocation plan creates plans with materials that are available or will be available immediately.
  • Common heuristic-based production planning techniques combine multi-level, deterministic, and material allocation production planning.
  • Heuristic based production planning techniques are assumed to be multi-level, deterministic, material allocation production planning. So the production chain in a heuristic based production planning technique has several production levels.
  • Higher level items are produced from lower level items. Some items have the same characteristics, such as appearance, quality, and functionality, while others have different item codes (IDs). If items are separated by physical location of the manufacturing site or warehouse, different item codes are assigned. Higher level items have replaceable lower level items. Heuristic-based production planning techniques can choose one of them. When a higher level item has a non-zero allocation rate for lower level items, heuristic based production planning techniques should consider each allocation rate.
  • the heuristic based production planning technique can produce without considering the allocation ratio. Since the allocation rate prohibits exceeding the limits laid down by the contract, an appropriate allocation ratio following the contract prevents unfair and intensive allocation. Production planning techniques based on allocation rates can be optimized for multi-purposes.
  • heuristic based production planning techniques must be evaluated by several criteria. Some of these criteria are to minimize the total cost of each solution, the number of violated orders, and maximize compliance with the allocation rate. Optimization for multi-purpose means a mathematical optimization problem involving one or more objective functions to be continuously optimized.
  • Embodiments of the present disclosure produce initial solution information based on meta heuristic rules, and improve solution information of an improved production plan from the generated initial solution information based on a Tabu search.
  • it is intended to provide a meta-heuristic based production planning method considering the allocation ratio compliance.
  • the order data is analyzed and the order data is ordered in order of highest order priority, shortest delivery date, and maximum order quantity. Aligning; Selecting an order to be allocated from the sorted order data and selecting a raw material having a maximum consumption number in each material substitution group of the selected first order; Confirming whether the maximum number of consumption of the selected raw material is equal to or greater than an order quantity; Calculating the allocation ratio if the maximum consumption number of the raw materials is equal to or greater than the order quantity, and generating initial solution information of the production plan by allocating the order quantity to the raw material having the maximum allocation ratio among the calculated allocation ratios; And a method of providing a meta-heuristic-based production plan in consideration of allocation ratio compliance, including improving initial solution information of the generated production plan by using a meta heuristic algorithm.
  • the method may further include shifting the allocation time if the maximum consumption number of the raw materials is less than the order quantity as a result of the checking.
  • the method further includes deleting the selected order from the order list and resetting the time position to the beginning of the planned target period when the allocated time moved in the shifting of the allocated time reaches the end of the planned target period. can do.
  • the method may further comprise performing a step of selecting a raw material having the maximum consumption number if the sorted order list is null.
  • the step of improving the initial solution information of the generated production plan is to generate the improvement solution information within the time limit from the generated initial solution information, if the executable solution information does not exist, the solution information that is not executable to the improvement solution information Can be generated.
  • the initial solution information of the generated production plan may be improved by using a meta-heuristic algorithm based on Tabu search.
  • the improved solution information may be generated by performing a neighbor solution search process of repeatedly moving from the initial solution information of the generated production plan to the improved neighbor solution information.
  • the neighbor solution search process may be performed using a Tabu list that guides a search for an unsearched solution area.
  • Embodiments of the present disclosure produce initial solution information based on meta heuristic rules, and improve solution information of an improved production plan from the generated initial solution information based on a Tabu search. By generating, the optimal solution of the production plan in consideration of the allocation ratio can be solved.
  • Embodiments of the present disclosure can quickly respond to frequent order changes in a production manufacturing site by quickly generating improvement solution information for a production plan not only for data sets of different sizes but also for large data sets.
  • FIG. 1 is a block diagram of a meta-heuristic production planning apparatus in consideration of compliance with the allocation ratio according to an embodiment of the present disclosure.
  • FIG. 2 is a flowchart illustrating a meta-heuristic based production planning method in consideration of compliance with the allocation ratio according to an embodiment of the present disclosure.
  • FIG. 1 is a block diagram of a meta-heuristic production planning apparatus in consideration of compliance with the allocation ratio according to an embodiment of the present disclosure.
  • the meta-heuristic production planning apparatus 100 considering the allocation ratio compliance includes a data input unit 110, an order aligning unit 120, and a raw material checking unit 130. , An initial solution generator 140, an improvement solution generator 150, and a data storage 160.
  • the data input unit 110 receives data related to the meta-heuristic based production plan in consideration of compliance with the allocation ratio.
  • the data related to the production plan is input to the data input unit 110, and the data related to the production plan includes procurement records of raw materials, bill of materials (BOM) and subcontract rate (subcontract rate). May be included.
  • the data input unit 110 may generate virtual order data.
  • the virtual order data may be converted into BOM data, resource planning, and order data.
  • the production planning apparatus 100 in consideration of the allocation ratio according to an embodiment of the present disclosure may generate a meta-heuristic based production plan using at least one of virtual order data or converted BOM data, resource planning, and order data.
  • the BOM data represents the product configuration.
  • the BOM data structure is organized in a tree structure.
  • the tree structure has parent and child nodes.
  • the BOM data includes parent nodes with parent IDs, child nodes with child IDs, demand counts, replaceable IDs, and subcontract rates. To produce one parent note item, the number of demands of the child node items is required.
  • each parent-child relationship has a replaceable ID representing a material substitution group. If the child nodes have the same replaceable ID, the child nodes have an equivalent relationship with their parent notes. Thus child nodes belong to the same material substitution group, and parent nodes can be assembled from any of their group members.
  • replaceable IDs differ between child nodes, those nodes are not interchangeable.
  • a parent node with three different replaceable IDs requires three types of items for production such as camera group, battery group and cover group.
  • Interchangeable groups can have two relationship types, depending on the percentage of subcontracts of raw materials that can be replaced within the material substitution group. If the subcontract rate has zero values for all items in the material substitution group, the items can be allocated as freely as possible regardless of the subcontract rate.
  • a material substitution group has only one item, the item is automatically considered the first type of item. However, if the material substitution group has a non-zero subcontract rate, the subcontract rate must add up to 1. The percentage of subcontracts between material substitution groups should be as large as possible given the percentage of subcontracts given.
  • the production planning apparatus 100 may generate a production plan using BOM data including parent nodes, child nodes, demand counts, replaceable IDs, and subcontract rates. have.
  • Resource plan data includes additional numbers of raw materials with a particular time.
  • Resource planning data includes information on the availability of raw materials in terms of time and quantity.
  • Resource planning data includes the time when certain raw materials are replenished to a factory or warehouse.
  • resource planning data includes supplemented quantities of specific raw materials. In terms of time, raw materials are available after they are stored. In terms of quantity, raw materials are available as long as the raw materials are replenished. Raw materials are needed to produce semi-finished products. If raw materials are scarce, semi-finished products cannot be produced. Production planning is considered in accordance with resource planning.
  • Order data includes information about order quantity, order priority, and due date of order.
  • the order quantity is equal to the number of demands of the product that meets the customer demand.
  • Order priorities relate to customer importance, which is considered important to the company of the customer placing such an order.
  • the delivery date of an order is the deadline of production. In general, the delivery date of an order is considered the top priority. However, in situations where order priority is considered first, order priority is considered before the due date.
  • the order sorter 120 analyzes the order data input from the data input unit 110 to order the highest order priority, the closest due date and the largest order quantity. Sort the order data as order list.
  • the raw material confirmation unit 130 selects an order to be assigned from the order data arranged in the order alignment unit 120.
  • the raw material verification unit 130 selects the raw material having the maximum consumption number in each material replacement group of the selected first order.
  • the production planning apparatus 100 it is assumed that an order is not divided. For example, if the order quantity is 100, the production planning apparatus 100 must allocate all 100 assemblies to one subcontract item. Split order quantities create low traceability in the production chain and the resulting difficulties in production management. If the order is split, the delivery arrival time of the split order quantity is not unified among the sub-contract items. This requires extra inventory storage and management.
  • the production planning apparatus 100 generates a production plan under the assumption that the order priority is not violated.
  • an order has a low priority, raw materials cannot be used if there is an unsatisfied order with a higher priority.
  • production planning apparatus 100 may jump higher priority orders if forced by their delivery dates.
  • the production planning apparatus 100 generates a meta heuristic based production plan for two reasons as follows.
  • the production planning apparatus 100 generates a production plan required to meet the time constraints.
  • Conventional production planning methods using MIP solvers have the problem that a solution cannot be generated in a limited time. if.
  • MIP can ensure that the solution information in the production planning is optimal. However, if it is terminated in advance by time constraints, it cannot be guaranteed to be optimal.
  • the production planning apparatus 100 may generate solution information about the production plan even if it is impossible. If the executable solution information does not exist, the meta heuristic based production planning apparatus 100 should produce at least non-executable solution information. It means that solution information violates the minimum constraints possible. Typical MIP-based production planning techniques search around solution boundaries that are limited by constraints. So these production planning methods cannot at least search for infeasible solutions.
  • the production planning apparatus 100 performs a meta-heuristic based production planning process consisting of two steps.
  • the production planning apparatus 100 performs a step of generating initial solution information and a step of generating an improved solution having improved initial solution information. We will look at the initial solution information generation step and the improvement solution generation step.
  • the production planning apparatus 100 generates a production plan based on the meta heuristic algorithm.
  • the production planning apparatus 100 sorts the order data having the highest order priority as the first order, and sorts the order data in order of the nearest delivery date and the largest order quantity.
  • the production planning apparatus 100 calculates the quantity of raw materials consumed according to the raw material consumption amount and the supplementary data, for each order having the highest priority.
  • the production planning apparatus 100 searches for the maximum consumption raw materials for each material substitution group, and selects the maximum consumption raw materials for each material substitution group.
  • the production planning apparatus 100 may calculate the latest allocation ratio in the material substitution group for the maximum consumption raw materials of each material substitution group, as shown in Equation 1 below. That is, the production planning apparatus 100 may calculate the latest allocation ratio of the i-th item by subtracting a value obtained by dividing the planned quantity of the i-th item by the total planned quantity from the replaceable ratio of the i-th item.
  • recent allocation rate is the recent allocation rate
  • (alternative rate) i is the replaceable ratio of the i-th item
  • planned quantity i is the planned quantity of the i-th item
  • total planned quantity is the total planned quantity
  • the production planning apparatus 100 assigns the order quantity to the item having the most recent allocation ratio at the top. If the allocation is not possible, that is, the quantity of the maximum raw materials is smaller than the quantity ordered, the production planning apparatus 100 shifts the time. If the shifted time reaches the end of the planned target period, the production planning apparatus 100 repeats this process for all levels of order priority in the downstream order.
  • the initial solution generation unit 140 confirms whether the maximum number of consumption of the raw materials selected by the raw material verification unit 130 is greater than or equal to the order quantity.
  • the initial solution generation unit 140 calculates the allocation ratio if the maximum number of consumption of the raw materials is more than the order quantity.
  • the initial solution generation unit 140 generates initial solution information of the production plan by allocating an order quantity to a raw material having a maximum allocation ratio among the calculated allocation ratios.
  • the initial solution generator 140 may shift the allocation time if the maximum number of consumption of the raw material is less than the order quantity.
  • the initial solution generation unit 140 deletes the order selected by the raw material checking unit 130 from the order list. Subsequently, the initial solution generator 140 may reset the time position to the start of the planning target period.
  • the initial solution generator 140 performs a process of selecting a raw material having a maximum consumption number again.
  • the improvement solution generation unit 150 may improve the solution from the initial solution using the meta heuristic.
  • the meta heuristic based production plan can generate the information solution for improvement of the production plan based on the other search algorithm.
  • the improvement solution generation unit 150 may improve the initial solution information of the production plan generated by the initial solution generation unit 140 using the meta heuristic algorithm.
  • the improvement solution generation unit 150 generates the improvement solution information within a time limit from the initial solution information generated by the initial solution generation unit 140. In this case, the improvement solution generation unit 150 may generate solution information that is not executable as the improvement solution information if the executable solution information does not exist.
  • the improvement solution generation unit 150 may improve the initial solution information of the production plan by using the metaheuristic algorithm based on the other part search algorithm. Referring to the other part search algorithm, the improvement solution generation unit 150 performs a neighbor solution search process to repeatedly move from the initial solution information of the production plan generated by the initial solution generation unit 140 to the improved neighbor solution information. The improvement solution generation unit 150 may generate improved solution information through the neighbor solution improvement process. The improvement solution generation unit 150 may perform a neighbor solution search process using the other part list. The other part list indicates a list for guiding the improvement solution generation unit 150 to search for an unsearched solution area when searching for a neighboring solution.
  • the other search basically shows a method of searching for neighboring solution information by repeatedly moving the improved neighboring solution information from one initial solution information.
  • the improvement solution generator 150 prohibits the search of the neighbor solution information in the other list, thereby performing the other search using the other list that guides the search of the unsearched solution area.
  • the improvement solution generation unit 150 searches for neighboring solution information using the other part search according to a restriction referred to as local optimization.
  • local optimization means that a stuck occurs in the search space of limited neighbor solution information because of repeated sets of identical neighbor solutions.
  • the improvement solution generation unit 150 according to an embodiment of the present disclosure prohibits searching in the area of the neighbor solution information in the other list for a certain period and performs the other search. At this time, the possibility of local optimization is rapidly increased.
  • the data storage unit 160 stores data related to the meta heuristic based production plan in the meta heuristic based production planning apparatus 100.
  • the data storage unit 160 may input data related to the meta-heuristic based production plan in consideration of the allocation ratio compliance, and input data, order data, order list, order priority, delivery date, order quantity, and material substitution group. It can store data, the number of raw material consumption, data related to the allocation ratio calculation, and so on.
  • FIG. 2 is a flowchart illustrating a meta-heuristic based production planning method in consideration of compliance with the allocation ratio according to an embodiment of the present disclosure.
  • the production planning apparatus 100 receives the order data, and sorts the input order data in the order of the highest order priority, the shortest delivery date, and the maximum order quantity (S202).
  • the production planning apparatus 100 selects an order to be assigned from the sorted order data (S204).
  • the production planning apparatus 100 selects raw materials having the maximum consumption number in each raw material replacement group of the selected order (S206).
  • the production planning apparatus 100 checks whether the maximum number of consumption is equal to or greater than the order quantity (S208).
  • the production planning apparatus 100 allocates the order quantity to the raw material having the maximum allocation ratio to generate initial solution information of the production plan (S210).
  • the production planning apparatus 100 checks whether the order list is empty (S212).
  • the production planning apparatus 100 moves the allocation time (S214).
  • the production planning apparatus 100 checks whether the end of the planning target period is reached (S216).
  • the production planning apparatus 100 deletes the selected order, and resets the time position to the start position of the planning target period (S218).
  • the production planning apparatus 100 performs the process S204 to select the order to be assigned from the order data ordered.
  • the production planning apparatus 100 improves the initial solution information of the production plan using the meta-heuristic algorithm (S220).
  • the production planning apparatus 100 performs the step S204 to select the order to be assigned from the order data ordered.
  • the production planning apparatus 100 After the S220 process, the production planning apparatus 100 generates the improvement solution information of the fish plan through the improvement process of the initial solution information of the production plan (S222).
  • the production planning method and other techniques according to the embodiment of the present specification will be compared in various aspects such as order fulfillment level, date of delivery date violation, allocation ratio suitability.
  • Another algorithm to be compared is a mathematical model based production planning method.
  • Production planning methods based on mathematical models do not stop production plan generation until the optimal solution information is retrieved for the production plan. So the production planning apparatus 100 sets the time limit for the day. In the experiment, the production planning method repeated 50 experiments to obtain an average of each criterion.
  • the order fulfillment level is measured as in Equation 2 below. That is, the order fulfillment level is calculated by dividing the total satisfied orders by the total orders.
  • total satisfied orders is the order satisfied level
  • total orders are total orders
  • Days of violation of the delivery date are measured as shown in Equation 3 below.
  • the number of days in violation of the delivery date is calculated as the sum of all the i values, which is the maximum of 0 and the production date of the i-th item order minus the delivery date of the i-th item order.
  • D i represents the delivery date of the i-th item order
  • P i represents the production date of the i-th item order
  • the allocation ratio suitability is measured as shown in Equation 4 below. That is, the allocation ratio suitability is calculated as the sum of the squares of the absolute values of the contract ratio of the i-site in the j-th material substitution group minus the allocation ratio of the i-site in the j-th material substitution group as the sum of all i and j. do.
  • CR ij represents the contract ratio of the i-th site in the j-th material substitution group
  • AR ij represents the allocation ratio of the i-th site in the j-th material substitution group.
  • the first data set is the simplest set of 100 orders, 10 raw material sites, 1 manufacturing site and 2 replaceable groups.
  • the second data set is a set of 1,000 orders, 50 raw material sites, two manufacturing sites and 10 replaceable groups.
  • the third data set is a set of 10,000 orders, 100 raw material sites, two manufacturing sites, and 20 replaceable groups.
  • each algorithm shows a minor difference between the 100% order fulfillment level, a similar level of deadline date of violation, and allocation ratio suitability, referring to Table 1 below.
  • N was set to 50 and repeatedly calculated, and the performance evaluation was carried out through the average and the variance.
  • the mean and standard deviation of the order fulfillment level, the number of days in violation of the delivery date, and the allocation ratio suitability were calculated.
  • the mathematical model technique shows the highest order fulfillment level and the shortest days of delivery date violations.
  • the production planning method according to an embodiment of the present disclosure shows a statistically minor difference with reference to Table 1 below, and provides excellent allocation ratio suitability.
  • N was set to 50 and tested.
  • the mean and standard deviation of the order fulfillment level, the number of days for the due date violation, and the allocation ratio suitability were calculated.
  • the production planning method according to the embodiment of the present specification provided the latest best solution.
  • the production planning method according to the present specification provided the highest quality solution compared to other algorithms with reference to Table 3 below.
  • N was set to 50 and tested.
  • the mean and standard deviation of the order fulfillment level, the number of days in violation of the delivery date, and the allocation ratio suitability were calculated.
  • the heuristic-based production planning apparatus 100 compared the order fulfillment levels, delivery date violation days, and allocation ratio suitability of the two algorithms with three types of data sets.
  • the production planning method according to the present specification showed the same results compared to algorithms using mathematical models. Because of the small size of the data set, all algorithms can find the optimal solution. Production planning method according to an embodiment of the present disclosure can easily solve a small size planning problem.
  • the production planning method according to an embodiment of the present disclosure For an intermediate data set, the production planning method according to an embodiment of the present disclosure generates a minimum allocation violation solution, and generates a shortage of order fulfillment levels and delivery date violations. Mathematical model techniques have slightly better results. However, more time is required than the production planning method according to an embodiment of the present disclosure. In addition, the production planning method according to an embodiment of the present disclosure can search for the best solution in the allocation rate violation criteria.
  • the production planning method in accordance with the embodiments herein shows the best results in each criterion.
  • the mathematical model failed to search for the optimal solution in four hours.
  • the production planning method according to an embodiment of the present specification shows an excellent result in terms of the number of days in violation of the delivery date and the allocation ratio in violation of the experimental results of the mathematical model, while the order fulfillment level of the production planning method according to the embodiment of the present specification is slightly different. Giving. Production planning method according to an embodiment of the present disclosure can be very effective when using a large data set.
  • Balanced allocations can increase supply chain sustainability and stability by preventing unbalanced allocations and avoiding compulsory allocations.
  • the production planning method may solve the optimal allocation of alternative selection problems in the production scheduling process.
  • order satisfaction and delivery date violations are also considered.
  • the production planning method shows a similar level of order fulfillment level and delivery date violation date and allocation rate violation compared to a mathematical model based technique. While mathematical model-based techniques provide the optimal solution, we do not find an optimal solution within four hours for large data sets. Production planning method according to an embodiment of the present disclosure can always generate appropriate production schedules within 10 minutes. In addition, the schedule quality of the production planning method according to an embodiment of the present disclosure provides better results than the schedule quality of a mathematical model-based technique for a large data set.
  • the production planning method according to embodiments of the present disclosure By solving the optimal allocation of alternative selection problems using the production planning method according to embodiments of the present disclosure, it is possible to allocate appropriate quantities of products and parts to prevent unbalanced and intensive allocations that can lead to unstable supply chains. . Since the production planning method according to an embodiment of the present disclosure has a short execution period even for a large data set, it may help to respond quickly to frequent order changes in the manufacturing site.

Landscapes

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

Abstract

본 명세서는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법에 관한 것으로서, 더욱 상세하게는 메타 휴리스틱 규칙(Meta heuristic rules)들 기반으로 초기 솔루션 정보를 생산하고, 타부 검색(Tabu search)을 기초로 하여 그 생성된 초기 솔루션 정보로부터 개선된 생산 계획의 개선 솔루션 정보를 생성함으로써, 할당비율을 고려한 생산 계획의 최적 솔루션을 해결할 수 있는, 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법을 제공하고자 한다.

Description

할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법
본 명세서는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법에 관한 것으로서, 더욱 상세하게는 메타 휴리스틱 알고리즘을 기초로 하여 할당비율을 고려한 생산 계획의 초기 솔루션 정보를 생성하고 그 생성된 초기 솔루션 정보로부터 개선된 생산 계획의 개선 솔루션 정보를 생성할 수 있는, 할당비율을 고려한 휴리스틱 기반의 생산 계획 방법에 관한 것이다.
생산 계획 방법은 글로벌 제조업체의 핵심 역량이 되고 있다. 생산 계획 방법은 고객의 수요량이 충족되도록 주어진 기간마다 얼마나 많은 아이템이 생산되어야 하는지를 결정한다.
특히, 생산 계획은 생산 구조, 불확실성 관리 및 자재 소요 관리와 같은 몇 개의 기준에 따라 분류될 수 있다. 생산 계획은 생산 구조에 따라 단일-레벨 생산 계획 또는 멀티-레벨 생산 계획으로 분류될 수 있다. 단일-레벨 생산 계획은 비용과 단일 생산 레벨에서의 각 사이트의 가용량을 고려한다. 이에 반하여, 멀티-레벨 생산 계획은 생산 레벨들 간의 이동을 고려한다.
불확실성 관리에 따르면, 생산 계획은 결정론적인 생산 계획 또는 확률적인 생산 계획으로 분류될 수 있다. 결정론적인 생산 계획은 수요량, 원료 조달 및 아이템 생산의 리드 타임 및 배송이 결정된 것을 예측하는 것으로 가정한다. 이에 반하여, 확률적인 생산 계획은 이러한 변수들이 불확실하다는 것을 고려하고 있다.
자재 소요 관리에 따르면, 생산 계획은 자재 소요 계획 또는 자재 할당 계획으로 분류될 수 있다. 자재 소요 계획은 모든 자재들이 이용가능하고 생산 계획에 따른 각 자재의 소요량이 계산되는 것으로 가정한다. 이에 반하여, 자재 할당 계획은 이용 가능하거나, 또는 바로 이용 가능하게 될 자재들을 이용한 계획들을 생성한다.
일반적인 휴리스틱 기반의 생산 계획 기법은 멀티-레벨, 결정론적, 자재 할당 생산 계획을 함께 고려하고 있다.
이러한 생산 계획의 타입에 따른 최적 솔루션을 찾기 위해 몇 가지 연구가 제안되고 있다. 생산 계획을 해결하기 위한 주요 아이디어는 비용을 최소화시키는 것이다. 이러한 목표는 수학적 모델들을 이용한 기법 및 혼합 정수 계획법(MIP: Mixed integer programming)을 이용한 연구가 될 수 있다.
그러나 비용에 따른 최적화 방법은 2개의 제한 사항을 보여준다. 2개의 제한 사항은 낮은 생산 비용을 갖는 사이트에 집중적으로 할당하는 것과 생산 체인 조정 계약의 위반이 포함된다.
집중된 할당은 불안정한 생산 체인이 원인이 된다. 이는 그 생산 체인이 외부 또는 내부 사고가 할당된 계획에 대해 변경이 이루어질 때 엄격하기 때문에 발생한다. 게다가, 작은 가용량을 갖는 작은 제조 사이트의 집중적인 할당은 잔업을 요구하고, 비효율적이고 비용을 증가시킨다. 비용 지향적인 최적화는 계약을 쉽게 위반한다. 왜냐하면, 그 계약의 제약을 고려하는 것이 적합하지 않기 때문이다. 생산 체인의 조정 계약을 위반하고 불안정한 생산 체인을 유발하는 불공평하고 집중적인 할당들 모두를 제거하는 것이 필요하다.
할당비율을 고려한 생산 계획 기법은 이러한 요구들을 충족시킬 수 있다. 휴리스틱 기반의 생산 계획 기법은 멀티-레벨, 결정론적, 자재 할당 생산 계획인 것을 가정한다. 그래서 휴리스틱 기반의 생산 계획 기법에서의 생산 체인은 몇 개의 생산 레벨들을 가진다.
상위 레벨 아이템은 하위 레벨 아이템들로부터 생산된다. 어떤 아이템들은 외형, 품질 및 기능과 같은 동일한 특징을 가지는 반면, 다른 아이템 코드(IDs)를 가진다. 아이템이 제조 사이트나 창고의 물리적 위치에 의해 분리되는 경우, 다른 아이템 코드들이 할당된다. 상위 레벨 아이템은 대체 가능한 하위 레벨 아이템을 가진다. 휴리스틱 기반의 생산 계획 기법은 그들의 하나를 선택할 수 있다. 상위 레벨 아이템은 하위 레벨 아이템에 대해 0이 아닌 할당비율을 가질 때, 휴리스틱 기반의 생산 계획 기법운 각 할당비율을 고려해야 한다.
대조적으로, 상위 레벨 아이템이 하위 레벨 아이템들에 대해 제로(zero) 할당비율을 가질 때, 휴리스틱 기반의 생산 계획 기법은 할당비율을 고려하지 않고 생산할 수 있다. 할당비율이 계약에 의해 규정된 한계를 초과하는 것을 금지하기 때문에, 계약을 따르는 적절한 할당비율은 불공평하고 집중적인 할당을 방지한다. 할당비율에 따른 생산 계획 기법은 멀티-목적에 대해서 최적화될 수 있다.
그래서 휴리스틱 기반의 생산 계획 기법은 몇 개의 기준에 의해 평가되어야 한다. 이러한 몇 개의 기준은 각 솔루션을 전체 비용 및 위반된 주문의 개수를 최소화시키고, 할당비율 준수를 최대화시키는 것이다. 멀티-목적에 대한 최적화는 연속적으로 최적화되기 위한 하나 이상의 목적 함수를 포함하는 수학적인 최적화 문제를 의미한다.
그러나 일반적인 수학적 모델 기반 기법 또는 혼합 정수 계획법(MIP)은 멀티-목적에 대한 최적화에 적합하지 않다. 왜냐하면, 멀티-목적에 대한 최적화 문제를 해결하는 것은 모든 파레토(Pareto)의 최적 솔루션들을 계산하거나, 파레토의 최적 솔루션들의 대표적인 세트를 계산하는 것을 요구한다. 가능한 모든 파레토 솔루션들을 계산하는 것은 매우 시간 소모적이고, 높은 계산 비용을 수반한다. 이러한 일반적인 접근 방식은 제조 영역에 사용되기에는 부적절하다. 따라서 다른 접근 방식이 절실히 필요한 상황이다.
본 명세서의 실시 예들은 메타 휴리스틱 규칙(Meta heuristic rules)들 기반으로 초기 솔루션 정보를 생산하고, 타부 검색(Tabu search)을 기초로 하여 그 생성된 초기 솔루션 정보로부터 개선된 생산 계획의 개선 솔루션 정보를 생성함으로써, 할당비율을 고려한 생산 계획의 최적 솔루션을 해결할 수 있는, 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법을 제공하고자 한다.
본 명세서의 제1 측면에 따르면, 생산 계획 제공 장치에서 수행되는 생산 계획 제공 방법에 있어서, 입력된 주문 데이터를 분석하여 최상위 주문 우선순위, 최단 납기일 및 최대 주문 수량의 순서대로 주문 데이터를 주문 리스트로 정렬하는 단계; 상기 정렬된 주문 데이터에서 할당 대상이 되는 주문을 선택하고, 상기 선택된 첫 번째 주문의 각 자재 대체 그룹에서 최대 소비 개수를 가지는 원자재를 선택하는 단계; 상기 선택된 원자재의 최대 소비 개수가 주문 수량 이상인지를 확인하는 단계; 상기 확인 결과, 원자재의 최대 소비 개수가 주문 수량 이상이면 할당비율을 계산하고, 상기 계산된 할당비율 중에서 최대 할당비율을 갖는 원자재에 주문 수량을 할당하여 생산 계획의 초기 솔루션 정보를 생성하는 단계; 및 메타 휴리스틱(meta heuristic) 알고리즘을 이용하여 상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 단계를 포함하는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 제공 방법이 제공될 수 있다.
상기 방법은, 상기 확인 결과, 원자재의 최대 소비 개수가 주문 수량 미만이면, 할당 시간을 이동(shift)시키는 단계를 더 포함할 수 있다.
상기 방법은, 상기 할당 시간을 이동시키는 단계에서 이동시킨 할당 시간이 계획 대상 기간의 끝에 도달하면 상기 주문 리스트로부터 상기 선택된 주문을 삭제하고, 시간 위치를 계획 대상 기간의 시작으로 리셋하는 단계를 더 포함할 수 있다.
상기 방법은, 상기 정렬된 주문 리스트가 비어 있으면(Null), 상기 최대 소비 개수를 가지는 원자재를 선택하는 단계를 수행하는 단계를 더 포함할 수 있다.
상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 단계는 상기 생성된 초기 솔루션 정보로부터 제한 시간 내에 개선 솔루션 정보를 생성하되, 실행 가능한 솔루션 정보가 존재하지 않으면 실행 가능하지 않은 솔루션 정보를 개선 솔루션 정보로 생성할 수 있다.
상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 단계는 타부 검색(Tabu search) 기반의 메타 휴리스틱 알고리즘을 이용하여 상기 생성된 생산 계획의 초기 솔루션 정보를 개선할 수 있다.
상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 단계는 상기 생성된 생산 계획의 초기 솔루션 정보에서 개선된 이웃 솔루션 정보로 반복적으로 이동시키는 이웃 솔루션 검색 과정을 수행하여 개선된 솔루션 정보를 생성할 수 있다.
상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 단계는 미검색한 솔루션 영역을 검색하도록 가이드하는 타부 리스트(Tabu list)를 이용하여 상기 이웃 솔루션 검색 과정을 수행할 수 있다.
본 명세서의 실시 예들은 메타 휴리스틱 규칙(Meta heuristic rules)들 기반으로 초기 솔루션 정보를 생산하고, 타부 검색(Tabu search)을 기초로 하여 그 생성된 초기 솔루션 정보로부터 개선된 생산 계획의 개선 솔루션 정보를 생성함으로써, 할당비율을 고려한 생산 계획의 최적 솔루션을 해결할 수 있다.
본 명세서의 실시 예들은 다른 사이즈의 데이터 세트뿐만 아니라 대용량 데이터 세트에 대해서도 신속하게 생산 계획에 대한 개선 솔루션 정보를 생성함으로써, 생산 제조 현장에서 빈번한 주문 변경에 대해서도 빠르게 대응할 수 있다.
도 1은 본 명세서의 실시 예에 따른 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 장치의 구성도이다.
도 2는 본 명세서의 실시 예에 따른 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법에 대한 흐름도이다.
<부호의 설명>
100: 생산 계획 장치
110; 데이터 입력부
120: 주문 정렬부
130: 원자재 확인부
140: 초기 솔루션 생성부
150: 개선 솔루션 생성부
160: 데이터 저장부
이하, 본 명세서의 실시 예를 첨부된 도면을 참조하여 설명한다. 본 명세서에 따른 동작 및 작용을 이해하는 데 필요한 부분을 중심으로 상세히 설명한다. 본 명세서의 실시 예를 설명하면서, 본 명세서가 속하는 기술 분야에 익히 알려졌고 본 명세서와 직접적으로 관련이 없는 기술 내용에 대해서는 설명을 생략한다. 이는 불필요한 설명을 생략함으로써 본 명세서의 요지를 흐리지 않고 더욱 명확히 전달하기 위함이다.
또한, 본 명세서의 구성 요소를 설명하는 데 있어서, 동일한 명칭의 구성 요소에 대하여 도면에 따라 다른 참조부호를 부여할 수도 있으며, 서로 다른 도면임에도 동일한 참조부호를 부여할 수도 있다. 그러나 이와 같은 경우라 하더라도 해당 구성 요소가 실시 예에 따라 서로 다른 기능을 갖는다는 것을 의미하거나, 서로 다른 실시 예에서 동일한 기능을 갖는다는 것을 의미하는 것은 아니며, 각각의 구성 요소의 기능은 해당 실시 예에서의 각각의 구성 요소에 대한 설명에 기초하여 판단하여야 할 것이다.
도 1은 본 명세서의 실시 예에 따른 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 장치의 구성도이다.
도 1에 도시된 바와 같이, 본 명세서의 실시 예에 따른 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 장치(100)는 데이터 입력부(110), 주문 정렬부(120), 원자재 확인부(130), 초기 솔루션 생성부(140), 개선 솔루션 생성부(150) 및 데이터 저장부(160)를 포함한다.
이하, 도 1의 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 장치(100)의 각 구성요소들의 구체적인 구성 및 동작을 설명한다.
데이터 입력부(110)는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획과 관련된 데이터를 입력받는다. 여기서, 생산 계획과 관련된 데이터는 데이터 입력부(110)에 입력되고, 생산 계획과 관련된 데이터에는 원자재의 조달 기록들, 생산품의 자재 명세서(BOM: Bill of Material) 및 부계약 비율(subcontract rate) 등이 포함될 수 있다. 이를 통해, 데이터 입력부(110)는 가상 주문 데이터를 생성할 수 있다. 여기서, 가상 주문 데이터는 BOM 데이터, 자원 계획 및 주문 데이터로 변환될 수 있다. 본 명세서의 실시 예에 따른 할당비율을 고려한 생산 계획 장치(100)는 가상 주문 데이터 또는 변환된 BOM 데이터, 자원 계획 및 주문 데이터 중 적어도 하나를 이용하여 메타 휴리스틱 기반의 생산 계획을 생성할 수 있다.
우선, 데이터 입력부(110)에서 입력되는 BOM 데이터를 살펴보면, BOM 데이터는 생산품 구성을 나타낸다. BOM 데이터 구조는 트리 구조로 조직화되어 있다. 트리 구조는 부모 및 자식 노드들을 가진다. BOM 데이터는 부모 ID를 가진 부모 노드들, 자식 ID를 가진 자식 노드들, 수요 개수, 대체 가능한 ID, 및 부계약 비율을 포함한다. 하나의 부모 노트 아이템을 생산하기 위해서는 자식 노드 아이템들의 수요 개수가 필요하다.
여기서, 각각의 부모-자식 관계는 자재 대체 그룹을 나타내는 대체 가능한 ID를 가진다. 만약, 자식 노드들이 동일한 대체 가능한 ID를 가지면, 자식 노드들은 그들의 부모 노트와 동등한 관계를 가지고 있다. 그래서 자식 노드들은 동일한 자재 대체 그룹에 속하고, 부모 노드는 그들의 그룹 멤버들의 어느 하나로부터 조립될 수 있다.
만약, 대체 가능한 ID들이 자식 노드들 사이에서 서로 다르면, 그 노드들은 교환 가능하지 않다. 예를 들면, 세 개의 다른 대체 가능한 ID들을 가진 부모 노드는 카메라 그룹, 배터리 그룹 및 커버 그룹과 같은 생산을 위한 세 가지 타입의 아이템들을 요구한다.
자재 대체 그룹(interchangeable group)은 자재 대체 그룹 내에서 대체 가능한 원자재의 부계약 비율에 따라 2개의 관계 타입을 가질 수 있다. 만약, 부계약 비율이 모든 자재 대체 그룹의 아이템들에 대해 제로 값을 가지면, 그 아이템들은 부계약 비율에 관계없이 가능한 한 자유롭게 할당될 수 있다.
만약, 자재 대체 그룹이 단지 하나의 아이템이 있다면, 아이템은 자동으로 그 첫 번째 타입의 아이템으로 간주한다. 그러나 자재 대체 그룹이 제로가 아닌 부계약 비율을 가지고 있으면, 그 부계약 비율의 합은 1이 되어야 한다. 자재 대체 그룹 사이의 부계약 비율은 가능한 만큼 최대로 주어진 부계약 비율에 맞추어야 한다.
이와 같이, 본 명세서의 실시 예에 따른 생산 계획 장치(100)는 부모 노드들, 자식 노드들, 수요 개수, 대체 가능한 ID, 및 부계약 비율을 포함하는 BOM 데이터를 이용하여 생산 계획을 생성할 수 있다.
한편, 데이터 입력부(110)에서 변환되는 자원 계획 데이터를 살펴보기로 한다.
자원 계획 데이터(Resource plan data)는 특정 시간을 갖는 원자재들의 추가 개수들을 포함한다. 자원 계획 데이터는 시간 및 수량의 관점에서 원자재들의 유용성에 대한 정보를 포함한다. 자원 계획 데이터는 특정 원자재들이 공장 또는 창고에 보충(replenish)될 때의 시간을 포함한다. 추가로, 자원 계획 데이터는 특정 원자재들의 보충된 수량을 포함한다. 시간 관점에서, 원자재들은 원자재들이 저장된 후 이용 가능하다. 수량 관점에서, 원자재들은 원자재들이 보충되는 만큼 이용 가능하다. 원자재들은 반제품들을 생산하기 위해 소요된다. 만약 원자재가 부족하면, 반제품은 생산될 수 없다. 생산 계획은 자원 계획에 따라 고려된다.
한편, 데이터 입력부(110)에서 변환되는 주문 데이터를 살펴보기로 한다.
주문 데이터(Order data)는 주문 수량(order quantity), 주문 우선순위(order priority) 및 주문의 납기일(due date of order)에 대한 정보를 포함한다. 주문 수량은 고객 수요를 충족하는 생산품의 수요 개수와 동일하다. 주문 우선순위는 이러한 주문을 배치하는 고객의 회사에서 중요하다고 여기는 고객 중요도에 관련이 있다. 주문의 납기일은 생산의 마감일이다. 일반적으로 주문의 납기일은 제일 우선순위로 고려된다. 그러나 주문 우선순위가 첫 번째로 고려되는 상황에서, 주문 우선순위는 납기일 이전에 고려된다.
한편, 주문 정렬부(120)는 데이터 입력부(110)에서 입력된 주문 데이터를 분석하여 최상위 주문 우선순위(highest order priority), 최단 납기일(closest due date) 및 최대 주문 수량(largest order quantity)의 순서대로 주문 데이터를 주문 리스트로 정렬한다.
이어서, 원자재 확인부(130)는 주문 정렬부(120)에서 정렬된 주문 데이터에서 할당 대상이 되는 주문을 선택한다. 그리고 원자재 확인부(130)는 그 선택된 첫 번째 주문의 각 자재 대체 그룹에서 최대 소비 개수를 가지는 원자재를 선택한다.
본 명세서의 실시 예에 따른 생산 계획 장치(100)에서는 주문이 분할되지 않는 것으로 가정한다. 예를 들면, 주문 수량이 100개라면, 생산 계획 장치(100)는 하나의 부계약 아이템에 모든 100개의 조립을 할당해야 한다. 분할된 주문 수량은 생산 체인에서 낮은 추적성과 생산 관리에서 결과적인 어려움을 발생시킨다. 만약, 주문이 분할되면, 분할된 주문 수량의 배송 도착 시각은 부계약 아이템들 사이에 통일되지 않는다. 그래서 추가 재고 저장소(extra inventory storage) 및 관리가 필요해진다.
또한, 생산 계획 장치(100)에는 주문 우선순위를 위반하지 않는 가정하에 생산 계획을 생성한다. 주문은 낮은 우선순위를 가질 때, 상위 우선순위를 갖는 충족되지 않는 주문이 존재하면, 원자재들 사용할 수 없다. 그러나 생산 계획 장치(100)는 그들의 납기일들에 의해 강요되면, 상위 우선순위 주문들을 뛰어 넘을 수 있다.
따라서, 본 명세서의 실시 예에 따른 생산 계획 장치(100)는 하기의 2가지 이유들 때문에 메타 휴리스틱 기반의 생산 계획을 생성한다.
첫 번째, 본 명세서의 실시 예에 따른 생산 계획 장치(100)는 시간적인 제약을 충족시키도록 요구되는 생산 계획을 생성한다. MIP 솔버(solver)들을 이용한 종래의 생산 계획 방법들은 솔루션이 제한된 시간 안에 생성될 수 없다는 문제가 있다. 만약. 생산 계획 방법이 완료되면, MIP는 생산 계획의 솔루션 정보가 최적임을 보장할 수 있다. 그러나 시간적 제약들에 의해 미리 종료된다면 최적임을 보장할 수 없다.
두 번째, 본 명세서의 실시 예에 따른 생산 계획 장치(100)는 실행 불가능한 솔루션을 생성하는 것이 요구되면, 실행 불가능하더라도 생산 계획에 대해 솔루션 정보를 생성할 수 있다. 만약, 실행 가능한 솔루션 정보가 존재하지 않으면, 메타 휴리스틱 기반의 생산 계획 장치(100)는 적어도 실행 불가능한 솔루션 정보라도 생산해야 한다. 그것은 솔루션 정보가 가능한 최소한의 제약을 위반한다는 것을 의미한다. 일반적인 MIP 기반의 생산 계획 기법은 제약들에 의해 한계가 있는 솔루션 경계들 주위를 검색한다. 그래서 이러한 생산 계획 방법들은 적어도 실행 불가능한 솔루션을 검색할 수 없다.
이하, 본 명세서의 실시 예에 따른 생산 계획 장치(100)는 2개의 단계로 이루어진 메타 휴리스틱 기반의 생산 계획 과정을 수행한다. 생산 계획 장치(100)는 초기 솔루션 정보의 생성 단계 및 그 초기 솔루션 정보가 개선된 개선 솔루션 생성 단계를 수행한다. 초기 솔루션 정보의 생성 단계 및 개선 솔루션 생성 단계를 살펴보기로 한다.
우선, 초기 솔루션 정보의 생성 단계를 살펴보면 다음과 같다.
생산 계획 장치(100)는 메타 휴리스틱 알고리즘을 기초로 하여 생산 계획을 생성한다. 생산 계획 장치(100)는 주문 데이터는 최상위 주문 우선순위를 가지는 주문을 첫 번째 주문으로 정렬하고, 가장 가까운 납기일 및 가장 큰 주문 수량의 순서대로 주문 데이터를 정렬한다.
생산 계획 장치(100)는 최상위 우선순위를 갖는 각 주문에 대해서, 원자재 소비량 및 보충 데이터에 따른 소비 원자재들의 수량을 계산한다. 그리고 생산 계획 장치(100)는 각각의 자재 대체 그룹에 대해 최대 소비 원자재들을 검색하고, 각 자재 대체 그룹의 최대 소비 원자재들을 선택한다. 생산 계획 장치(100)는 각각의 자재 대체 그룹의 최대 소비 원자재들에 대해, 자재 대체 그룹 안에서의 최근 할당비율을 하기의 [수학식 1]과 같이 계산할 수 있다. 즉, 생산 계획 장치(100)는 i번째 아이템의 최근 할당비율은 i번째 아이템의 대체 가능한 비율에서 i번째 아이템의 계획된 수량을 전체 계획된 수량으로 나눈 값을 차감하여 계산할 수 있다.
Figure PCTKR2016000664-appb-M000001
여기서, recent allocation rate는 최근 할당비율, (alternative rate)i는 i번째 아이템의 대체 가능한 비율, planned quantityi는 i번째 아이템의 계획된 수량, total planned quantity는 전체 계획된 수량을 나타낸다.
다음으로, 생산 계획 장치(100)는 주문 수량을 최상위의 최근 할당비율을 갖는 아이템에 할당한다. 만약, 할당이 불가능하면, 즉, 최대 원자재들의 수량이 주문된 수량보다 작으면, 생산 계획 장치(100)는 시간을 이동시킨다. 만약, 이동된 시간이 계획 대상 기간의 끝에 도달하면, 생산 계획 장치(100)는 하향 주문에서의 주문 우선순위의 모든 레벨에 대해 이러한 프로세스를 반복한다.
초기 솔루션 생성부(140)는 원자재 확인부(130)에서 선택된 원자재의 최대 소비 개수가 주문 수량 이상인지를 확인한다.
상기 확인 결과, 초기 솔루션 생성부(140)는 원자재의 최대 소비 개수가 주문 수량 이상이면 할당비율을 계산한다. 그리고 초기 솔루션 생성부(140)는 그 계산된 할당비율 중에서 최대 할당비율을 갖는 원자재에 주문 수량을 할당하여 생산 계획의 초기 솔루션 정보를 생성한다.
한편, 상기 확인 결과, 초기 솔루션 생성부(140)는 원자재의 최대 소비 개수가 주문 수량 미만이면, 할당 시간을 이동(shift)시킬 수 있다. 초기 솔루션 생성부(140)는 이동시킨 할당 시간이 계획 대상 기간의 끝에 도달하면, 주문 리스트로부터 원자재 확인부(130)에서 선택된 주문을 삭제한다. 이어서, 초기 솔루션 생성부(140)는 시간 위치를 계획 대상 기간의 시작으로 리셋할 수 있다.
그리고 초기 솔루션 생성부(140)는 주문 정렬부(120)에서 정렬된 주문 리스트가 비어 있으면(Null), 최대 소비 개수를 가지는 원자재를 선택하는 과정을 다시 수행한다.
개선 솔루션 생성부(150)는 초기 솔루션으로부터, 솔루션은 메타 휴리스틱을 이용하여 개선할 수 있다. 메타 휴리스틱 기반의 생산 계획은 타부 검색 알고리즘을 기반으로 생산 계획의 개선 솔루션 정볼르 생성할 수 있다.
구체적으로 살펴보면, 개선 솔루션 생성부(150)는 메타 휴리스틱 알고리즘을 이용하여 초기 솔루션 생성부(140)에서 생성된 생산 계획의 초기 솔루션 정보를 개선한다.
메타 휴리스틱 알고리즘을 이용한 초기 솔루션의 개선 과정을 구체적으로 살펴보기로 한다.
개선 솔루션 생성부(150)는 초기 솔루션 생성부(140)에서 생성된 초기 솔루션 정보로부터 제한 시간 내에 개선 솔루션 정보를 생성한다. 이때, 개선 솔루션 생성부(150)는 실행 가능한 솔루션 정보가 존재하지 않으면 실행 가능하지 않은 솔루션 정보를 개선 솔루션 정보로 생성할 수 있다.
개선 솔루션 생성부(150)는 타부 검색 알고리즘 기반의 메타 휴리스틱 알고리즘을 이용하여 생산 계획의 초기 솔루션 정보를 개선한다. 타부 검색 알고리즘을 살펴보면, 개선 솔루션 생성부(150)는 초기 솔루션 생성부(140)에서 생성된 생산 계획의 초기 솔루션 정보에서 개선된 이웃 솔루션 정보로 반복적으로 이동시키는 이웃 솔루션 검색 과정을 수행한다. 개선 솔루션 생성부(150)는 이러한 이웃 솔루션 개선 과정을 통해 개선된 솔루션 정보를 생성할 수 있다. 개선 솔루션 생성부(150)는 타부 리스트를 이용하여 이웃 솔루션 검색 과정을 수행할 수 있다. 타부 리스트는 개선 솔루션 생성부(150)가 이웃 솔루션을 검색할 때, 미검색한 솔루션 영역을 검색하도록 가이드하는 리스트를 나타낸다.
여기서, 타부 검색은 기본적으로 하나의 초기 솔루션 정보로부터 개선된 이웃 솔루션 정보를 반복적으로 이동하여 이웃 솔루션 정보를 검색하는 방법을 나타낸다. 일반적인 이웃 검색 알고리즘들과 비교하여, 개선 솔루션 생성부(150)는 타부 리스트에서 이웃 솔루션 정보의 검색을 금지함으로써, 미검색된 솔루션 영역의 검색을 가이드하는 타부 리스트를 이용하여 타부 검색을 수행한다.
또한, 개선 솔루션 생성부(150)는 로컬 최적화라고 지칭되는 제한사항에 따라 타부 검색을 이용한 이웃 솔루션 정보를 검색한다. 여기서, 로컬 최적화는 반복되는 동일한 이웃 솔루션의 집합들 때문에 제한된 이웃 솔루션 정보의 검색 공간에서 스턱(stuck)이 발생하는 것을 의미한다. 그러나 본 명세서의 실시 예에 따른 개선 솔루션 생성부(150)는 일정 기간에 타부 리스트에서의 이웃 솔루션 정보의 영역에서 검색하는 것을 금지하여 타부 검색을 수행한다. 이때, 로컬 최적화가 존재하는 가능성은 급격히 증가하게 된다.
한편, 데이터 저장부(160)는 메타 휴리스틱 기반의 생산 계획 장치(100)에서 메타 휴리스틱 기반의 생산 계획과 관련된 데이터를 저장한다. 예를 들면, 데이터 저장부(160)는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획과 관련된 데이터를 입력된 데이터, 주문 데이터, 주문 리스트, 주문 우선순위, 납기일, 주문 수량, 자재 대체 그룹에 대한 데이터, 원자재 소비 개수, 할당비율 계산과 관련된 데이터 등을 저장할 수 있다.
도 2는 본 명세서의 실시 예에 따른 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법에 대한 흐름도이다.
생산 계획 장치(100)는 주문 데이터를 입력받고, 입력된 주문 데이터를 최상위 주문 우선순위, 최단 납기일 및 최대 주문 수량의 순서대로 정렬한다(S202).
그리고 생산 계획 장치(100)는 그 정렬된 주문 데이터에서 할당 대상이 되는 주문을 선택한다(S204).
이어서, 생산 계획 장치(100)는 선택된 주문의 각 원자재 대체 그룹에서 최대 소비 개수를 가지는 원자재를 선택한다(S206).
이후, 생산 계획 장치(100)는 최대 소비 개수가 주문 수량 이상인지를 확인한다(S208).
상기 확인 결과(S208), 최대 소비 개수가 주문 수량 이상이면, 생산 계획 장치(100)는 최대 할당비율을 갖는 원자재에 주문 수량을 할당하여 생산 계획의 초기 솔루션 정보를 생성한다(S210).
그리고 생산 계획 장치(100)는 주문 리스트가 비어 있는지를 확인한다(S212).
반면, 상기 확인 결과(S208), 최대 소비 개수가 주문 수량 미만이면, 생산 계획 장치(100)는 할당 시간을 이동한다(S214).
이어서, 생산 계획 장치(100)는 계획 대상 기간의 끝에 도달하는지를 확인한다(S216).
상기 확인 결과(S216), 계획 대상 기간의 끝에 도달하면, 생산 계획 장치(100)는 선택된 주문을 삭제하고, 시간 위치를 계획 대상 기간의 시작 위치로 리셋한다(S218). 반면, 상기 확인 결과(S216), 계획 대상 기간의 끝에 도달하지 않으면, 생산 계획 장치(100)는 정렬된 주문 데이터에서 할당 대상이 되는 주문을 선택하는 S204 과정을 수행한다.
한편, 상기 확인 결과(S212), 주문 리스트가 비어 있으면, 생산 계획 장치(100)는 메타 휴리스틱 알고리즘을 이용하여 생산 계획의 초기 솔루션 정보를 개선한다(S220).
반면, 상기 확인 결과(S212), 주문 리스트가 비어 있지 않으면, 생산 계획 장치(100)는 정렬된 주문 데이터에서 할당 대상이 되는 주문을 선택하는 S204 과정을 수행한다.
S220 과정 이후, 생산 계획 장치(100)는 생산 계획의 초기 솔루션 정보의 개선 과정을 통해 생선 계획의 개선 솔루션 정보를 생성한다(S222).
한편, 본 명세서의 실시 예에 따른 생산 계획 방법과 다른 기법을 주문 충족 레벨, 납기일 위반 일수, 할당비율 적합성과 같은 다양한 관점에서 비교하기로 한다. 비교 대상인 다른 알고리즘은 수학적 모델 기반의 생산 계획 방법이 있다.
수학적 모델 기반의 생산 계획 방법은 생산 계획에 대해 최적의 솔루션 정보가 검색되기 전에 생산 계획 생성을 중지하지 않는다. 그래서 생산 계획 장치(100)는 하루 동안을 시간제한으로 설정한다. 실험시, 생산 계획 방법은 각 기준의 평균을 획득하기 위해 50번 실험을 반복했다.
주문 충족 레벨은 하기의 [수학식 2]와 같이 측정된다. 즉, 주문 충족 레벨은 전체 충족된 주문들을 전체 주문들로 나눈 값으로 산출된다.
Figure PCTKR2016000664-appb-M000002
여기서, total satisfied orders는 주문 충족 레벨, total orders는 전체 주문들을 나타낸다.
납기일 위반 일수는 하기의 [수학식 3]과 같이 측정된다. 즉, 납기일 위반 일수는 i번째 아이템 주문의 납기일에서 i번째 아이템 주문의 생산일을 차감한 값과 0 중에서 최대인 값들을 모든 i에 대해서 합산한 값으로 산출된다.
Figure PCTKR2016000664-appb-M000003
여기서, Di는 i번째 아이템 주문의 납기일, Pi는 i번째 아이템 주문의 생산일을 나타낸다.
할당비율 적합성은 하기의 [수학식 4]와 같이 측정된다. 즉, 할당비율 적합성은 j번째 자재 대체 그룹에서 i번째 사이트의 계약 비율에서 j번째 자재 대체 그룹에서 i번째 사이트의 할당비율을 차감한 절대값의 제곱을 모든 i, j에 대해서 합산한 값으로 산출된다.
Figure PCTKR2016000664-appb-M000004
여기서, CRij는 j번째 자재 대체 그룹에서 i번째 사이트의 계약 비율, ARij는 j번째 자재 대체 그룹에서 i번째 사이트의 할당비율을 나타낸다.
한편, 본 명세서의 실시 예에 따른 생산 계획 방법과 다른 기법을 비교하기 위해 3개의 데이터 세트로 실험이 수행되었다.
제1 데이터 세트는 100개 주문들, 10개의 원자재 사이트들, 1개의 제조 사이트들 및 2개의 대체 가능한 그룹들로 구성된 가장 간단한 세트이다. 제2 데이터 세트는 1,000개 주문들, 50개의 원자재 사이트들, 2개의 제조 사이트들 및 10개의 대체 가능한 그룹들로 구성된 세트이다. 제3 데이터 세트는 10,000개 주문들, 100개의 원자재 사이트들, 2개의 제조 사이트들 및 20개의 대체 가능한 그룹들로 구성된 세트이다.
첫째로, 작은 사이즈인 제1 데이터 세트의 실험 결과를 살펴보기로 한다.
작은 사이즈의 데이터 세트에 대해서, 각각의 알고리즘은 하기의 [표 1]을 참조하면, 100% 주문 충족 레벨, 납기일 위반 일수의 비슷한 레벨과, 할당 비율 적합성 사이의 사소한 차이를 보여주고 있다.
알고리즘 기준(Criteria)
주문 충족 레벨 마감일 위반 일 수
평균 표준편차 평균 표준편차
수학적 모델 100.0(최적) - 2(최적) -
본 발명 100 0 2 0
수학적 모델의할당 비율 준수 0.57 - 0.62 -
본 발명의할당 비율 준수 0.39 0.26 0.39 0.26
여기서, 생산 계획 방법에 대해서 N은 50개로 설정되어 반복하여 계산하였고, 그 성능 평가는 평균 및 분산을 통해 실시되었다. 제1 데이터 세트에 대해서 수학적 모델을 사용한 방법과 본 명세서의 실시 예에 따른 생산 계획 방법을 이용하여 주문 충족 레벨의 평균 및 표준편차, 납기일 위반 일수 및 할당비율 적합성이 산출되었다.
둘째로, 중간 사이즈인 제2 데이터 세트의 실험 결과를 살펴보기로 한다.
중간 사이즈의 데이터 세트에 대해서, 수학적인 모델 기법은 최상위 주문 충족 레벨 및 납기일 위반의 가장 짧은 일수를 보여준다. 그러나 본 명세서의 실시 예에 따른 생산 계획 방법은 하기의 [표 1]을 참조하면, 통계적으로 사소한 차이를 보여주고, 뛰어난 할당비율 적합성을 제공한다.
알고리즘 기준(Criteria)
주문 충족 레벨 마감일 위반 일 수
평균 표준편차 평균 표준편차
수학적 모델 92.0(최적) - 13(최적) -
본 발명 86.3 5.6 17.3 0.96
수학적 모델의할당 비율 준수 4.71 - 3.92 -
본 발명의할당 비율 준수 0.65 0.17 0.65 0.17
여기서, 생산 계획 방법에 대해서 N은 50개로 설정되어 실험되었다. 제 2 데이터 세트에 대해서 수학적 모델을 사용한 방법과 본 명세서의 실시 예에 따른 생산 계획 방법을 이용하여 주문 충족 레벨의 평균 및 표준편차, 납기일 위반 일수 및 할당비율 적합성이 산출되었다.
셋째로, 대용량 사이즈의 제3 데이터 세트의 실험 결과를 살펴보기로 한다.
대용량 사이즈의 데이터 세트에 대해서, 수학적인 모델 기법은 4시간 안에 최적의 솔루션을 검색하지 못하였다. 그래서 본 명세서의 실시 예에 따른 생산 계획 방법은 가장 최근의 베스트 솔루션을 제공하였다. 대용량 사이즈의 데이터 세트에서, 본 명세서에 따른 생산 계획 방법은 하기의 [표 3]을 참조하면 다른 알고리즘과 비교하여 최상위 품질의 솔루션을 제공하였다.
알고리즘 기준(Criteria)
주문 충족 레벨 마감일 위반 일 수
평균 표준편차 평균 표준편차
수학적 모델 84.3 - 307 -
본 발명 82.2 3.68 298 16
수학적 모델의할당 비율 준수 95.2 - 107.4 -
본 발명의할당 비율 준수 32.1 3.17 32.1 3.17
여기서, 생산 계획 방법에 대해서 N은 50개로 설정되어 실험되었다. 제 3 데이터 세트에 대해서 수학적 모델을 사용한 방법과 본 명세서의 실시 예에 따른 생산 계획 방법을 이용하여 주문 충족 레벨의 평균 및 표준편차, 납기일 위반 일수, 및 할당비율 적합성이 산출되었다.
이와 같이, 휴리스틱 기반의 생산 계획 장치(100)는 3개 타입의 데이터 세트들로 2개의 알고리즘들의 주문 충족 레벨, 납기일 위반 일수, 및 할당비율 적합성을 비교하였다.
작은 데이터 세트에 대해서, 본 명세서에 따른 생산 계획 방법은 수학적 모델을 사용한 알고리즘들과 비교하여 동일한 결과를 보여주었다. 작은 사이즈의 데이터 세트이기 때문에, 모든 알고리즘들은 최적 솔루션을 검색할 수 있다. 본 명세서의 실시 예에 따른 생산 계획 방법은 작은 사이즈의 계획 문제를 쉽게 해결할 수 있다.
중간 데이터 세트에 대해서, 본 명세서의 실시 예에 따른 생산 계획 방법은 최소 할당비율 위반 솔루션을 생성하고, 주문 충족 레벨 및 납기일 위반 일수가 조금 부족하게 생성하고 있다. 수학적인 모델 기법은 약간 더 나은 결과를 가진다. 그러나 본 명세서의 실시 예에 따른 생산 계획 방법보다 더 많은 시간이 소요되고 있다. 추가로, 본 명세서의 실시 예에 따른 생산 계획 방법은 할당비율 위반 기준에서 최고의 솔루션을 검색할 수 있다.
대용량 데이터 세트에 대해서, 본 명세서의 실시 예에 따른 생산 계획 방법은 각각의 기준에서 최고의 결과를 보여주고 있다. 수학적 모델은 4시간 안에 최적 솔루션을 검색하는 것에 실패했다. 본 명세서의 실시 예에 따른 생산 계획 방법은 본 명세서의 실시 예에 따른 생산 계획 방법의 주문 충족 레벨이 수학적 모델의 실험 결과와 근소한 차이를 보이는 반면, 납기일 위반 일수 및 할당비율 위반에서 뛰어난 결과를 보여주고 있다. 본 명세서의 실시 예에 따른 생산 계획 방법은 대용량 데이터 세트를 이용할 때, 매우 효과적일 수 있다.
일반적으로, 수학적 모델 및 본 명세서의 실시 예에 따른 생산 계획 방법은 각 기준에서 최고의 결과를 보여준다. 본 명세서의 실시 예에 따른 생산 계획 방법은 실험 결과에서 가장 빠르게 생산 계획에 대한 최적의 솔루션 정보를 생성한다. 소비된 시간은 항상 10분보다 적게 소요되었다. 또한, 이러한 결과는 본 명세서의 실시 예에 따른 생산 계획 방법의 유용성을 지지해준다. 왜냐하면, 제조 영역에서 주문 변경이 매우 자주 발생하고, 생산 계획 방법은 주문 변경에 빠르게 대응해야 한다. 이러한 상황에서, 수학적 모델 기법은 적절하지 못한 측면이 있다.
할당비율 위반의 관점에서, 본 명세서의 실시 예에 따른 생산 계획 방법은 균형 있는 할당을 생성하기 위해 적합하다. 균형 잡힌 할당은 불균형적 할당을 방지하고 강제적인 할당을 피하게 함으로써, 공급 체인의 지속 가능성 및 안정성을 증가시킬 수 있다.
전술된 바와 같이, 본 명세서의 실시 예에 따른 생산 계획 방법은 생산 스케줄 프로세스에서 대체 가능한 선택 문제들의 최적 할당을 해결할 수 있다. 여기서, 주문 만족, 납기일 위반도 또한 고려된다.
본 명세서의 실시 예에 따른 생산 계획 방법은 수학적인 모델 기반의 기법과 비교하여 주문 충족 레벨 및 납기일 위반 일수 및 할당비율 위반의 비슷한 레벨을 보여준다. 수학적 모델 기반의 기법은 최적 솔루션을 제공하는 반면, 대용량 데이터 세트에 대해서 4시간 안에 최적 솔루션을 찾지 못했다. 본 명세서의 실시 예에 따른 생산 계획 방법은 10분 안에 항상 적절한 생산 스케줄들을 생성할 수 있다. 그리고 본 명세서의 실시 예에 따른 생산 계획 방법의 스케줄 품질은 대용량 데이터 세트에 대한 수학적인 모델 기반의 기법의 스케줄 품질보다 더 나은 결과를 제공한다.
본 명세서의 실시 예에 따른 생산 계획 방법을 이용하여 대체 선택 문제의 최적 할당을 해결함으로써, 불안정한 공급 체인들을 유발할 수 있는 불균형적이고 집중적인 할당을 방지하기 위해 생산품 및 부분들의 적정한 수량들을 할당할 수 있다. 본 명세서의 실시 예에 따른 생산 계획 방법은 대용량 데이터 세트에 대해서도 짧은 실행 기간을 가지기 때문에, 제조 현장에서 빈번한 주문 변경에 대해 빠른 대응을 하도록 도와줄 수 있다.
이상에서 설명한 실시 예들은 그 일 예로서, 본 명세서가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (8)

  1. 생산 계획 제공 장치에서 수행되는 생산 계획 제공 방법에 있어서,
    입력된 주문 데이터를 분석하여 최상위 주문 우선순위, 최단 납기일 및 최대 주문 수량의 순서대로 주문 데이터를 주문 리스트로 정렬하는 단계;
    상기 정렬된 주문 데이터에서 할당 대상이 되는 주문을 선택하고, 상기 선택된 첫 번째 주문의 각 자재 대체 그룹에서 최대 소비 개수를 가지는 원자재를 선택하는 단계;
    상기 선택된 원자재의 최대 소비 개수가 주문 수량 이상인지를 확인하는 단계;
    상기 확인 결과, 원자재의 최대 소비 개수가 주문 수량 이상이면 할당비율을 계산하고, 상기 계산된 할당비율 중에서 최대 할당비율을 갖는 원자재에 주문 수량을 할당하여 생산 계획의 초기 솔루션 정보를 생성하는 단계; 및
    메타 휴리스틱(meta heuristic) 알고리즘을 이용하여 상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 단계
    를 포함하는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 제공 방법.
  2. 제1항에 있어서,
    상기 확인 결과, 원자재의 최대 소비 개수가 주문 수량 미만이면, 할당 시간을 이동(shift)시키는 단계
    를 더 포함하는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 제공 방법.
  3. 제2항에 있어서,
    상기 할당 시간을 이동시키는 단계에서 이동시킨 할당 시간이 계획 대상 기간의 끝에 도달하면 상기 주문 리스트로부터 상기 선택된 주문을 삭제하고, 시간 위치를 계획 대상 기간의 시작으로 리셋하는 단계
    를 더 포함하는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 제공 방법.
  4. 제1항에 있어서,
    상기 정렬된 주문 리스트가 비어 있으면(Null), 상기 최대 소비 개수를 가지는 원자재를 선택하는 단계를 수행하는 단계
    를 더 포함하는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 제공 방법.
  5. 제1항에 있어서,
    상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 단계는
    상기 생성된 초기 솔루션 정보로부터 제한 시간 내에 개선 솔루션 정보를 생성하되, 실행 가능한 솔루션 정보가 존재하지 않으면 실행 가능하지 않은 솔루션 정보를 개선 솔루션 정보로 생성하는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 제공 방법.
  6. 제1항에 있어서,
    상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 단계는
    타부 검색(Tabu search) 기반의 메타 휴리스틱 알고리즘을 이용하여 상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 제공 방법.
  7. 제6항에 있어서,
    상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 단계는
    상기 생성된 생산 계획의 초기 솔루션 정보에서 개선된 이웃 솔루션 정보로 반복적으로 이동시키는 이웃 솔루션 검색 과정을 수행하여 개선된 솔루션 정보를 생성하는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 제공 방법.
  8. 제7항에 있어서,
    상기 생성된 생산 계획의 초기 솔루션 정보를 개선하는 단계는
    미검색한 솔루션 영역을 검색하도록 가이드하는 타부 리스트(Tabu list)를 이용하여 상기 이웃 솔루션 검색 과정을 수행하는 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 제공 방법.
PCT/KR2016/000664 2016-01-20 2016-01-21 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법 WO2017126720A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020160007265A KR101770303B1 (ko) 2016-01-20 2016-01-20 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법
KR10-2016-0007265 2016-01-20

Publications (1)

Publication Number Publication Date
WO2017126720A1 true WO2017126720A1 (ko) 2017-07-27

Family

ID=59362112

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2016/000664 WO2017126720A1 (ko) 2016-01-20 2016-01-21 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법

Country Status (2)

Country Link
KR (1) KR101770303B1 (ko)
WO (1) WO2017126720A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539610A (zh) * 2020-04-17 2020-08-14 上海电气集团股份有限公司 一种装配车间的生产管理系统、方法、装置、设备及介质
CN112419082A (zh) * 2020-11-18 2021-02-26 广东赛意信息科技有限公司 一种基于电子柔性制造的智能转产方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005092716A (ja) * 2003-09-19 2005-04-07 Kobe Steel Ltd 生産計画スケジューリング装置，そのスケジューリング方法及びスケジューリングプログラム
JP2010244200A (ja) * 2009-04-02 2010-10-28 Hitachi Ltd 生産順序再計画システム、生産順序再計画装置及び方法
KR20130082688A (ko) * 2011-12-14 2013-07-22 한국타이어 주식회사 타이어공장 내 일별 작업계획 수립 시스템
KR20140102940A (ko) * 2013-02-15 2014-08-25 동서대학교산학협력단 생산일정 자동 스케쥴링 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014085390A (ja) 2012-10-19 2014-05-12 Seiko Epson Corp プロジェクター

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005092716A (ja) * 2003-09-19 2005-04-07 Kobe Steel Ltd 生産計画スケジューリング装置，そのスケジューリング方法及びスケジューリングプログラム
JP2010244200A (ja) * 2009-04-02 2010-10-28 Hitachi Ltd 生産順序再計画システム、生産順序再計画装置及び方法
KR20130082688A (ko) * 2011-12-14 2013-07-22 한국타이어 주식회사 타이어공장 내 일별 작업계획 수립 시스템
KR20140102940A (ko) * 2013-02-15 2014-08-25 동서대학교산학협력단 생산일정 자동 스케쥴링 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SUH, JUNG DAE: "A Multistage Metaheuristic Scheduling Algorithm in LCD Module Lines Composed of Processes", JOURNAL OF THE KOREAN INSTITUTE OF INDUSTRIAL ENGINEERS, vol. 38, no. 4, December 2012 (2012-12-01), pages 262 - 275, XP055400404, ISSN: 1225-0988 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539610A (zh) * 2020-04-17 2020-08-14 上海电气集团股份有限公司 一种装配车间的生产管理系统、方法、装置、设备及介质
CN112419082A (zh) * 2020-11-18 2021-02-26 广东赛意信息科技有限公司 一种基于电子柔性制造的智能转产方法
CN112419082B (zh) * 2020-11-18 2023-12-19 广东赛意信息科技有限公司 一种基于电子柔性制造的智能转产方法

Also Published As

Publication number Publication date
KR101770303B1 (ko) 2017-08-23
KR20170087355A (ko) 2017-07-28

Similar Documents

Publication Publication Date Title
Sabuncuoglu et al. Dynamic dispatching algorithm for scheduling machines and automated guided vehicles in a flexible manufacturing system
US8121885B2 (en) Plan solver
Zhang et al. Integration of process planning and scheduling by exploring the flexibility of process planning
Yu et al. Scheduling of unrelated parallel machines: an application to PWB manufacturing
Sarin et al. Flow shop lot streaming
Saravanan et al. Different approaches for the loop layout problems: a review
WO2017126720A1 (ko) 할당비율 준수를 고려한 메타 휴리스틱 기반의 생산 계획 방법
Qiao et al. Layered Drum-Buffer-Rope-Based scheduling of reentrant manufacturing systems
Thenarasu et al. MULTI-CRITERIA DECISION MAKING APPROACH FOR MINIMIZING MAKESPAN IN A LARGE SCALE PRESS-SHOP.
Wu et al. Knowledge and Behavior‐Driven Fruit Fly Optimization Algorithm for Field Service Scheduling Problem with Customer Satisfaction
Sawik A multilevel machine and vehicle scheduling in a flexible manufacturing system
Olumolade Reactive scheduling system for cellular manufacturing with failure-prone machines
Bard et al. Midterm planning to minimize deviations from daily target outputs in semiconductor manufacturing
Manda et al. Recent advances in the design and analysis of material handling systems
Rahimi et al. Reactive scheduling addressing unexpected disturbance in cellular manufacturing systems
Shah et al. New modeling and performance evaluation of tool sharing control in FMS using colored Petri nets
Iwata et al. Simulation for design and operation of manufacturing systems
Kumar et al. Performance evaluation of flexible manufacturing systems under uncertain and dynamic situations
Lin et al. Integrated GA and AHP for re-entrant flow shop scheduling problem
Thompson Using simulation-based finite capacity planning and scheduling software to improve cycle time in front end operations
Rolston Modeling flexible manufacturing systems with MAP/1
CN113538115B (zh) 创业孵化器的智能匹配方法、系统、装置及可读存储介质
Partovi et al. Service centers location problem considering service diversity within queuing framework
Gashti et al. Greedy Randomized Adaptive Search Procedures for a Single Product Network Design Model
Kim et al. Heuristic-Based Algorithm for Production Planning Considering Allocation Rate Conformance to Prevent Unstable Production Chain

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: 16886563

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 16/11/2018)

122 Ep: pct application non-entry in european phase

Ref document number: 16886563

Country of ref document: EP

Kind code of ref document: A1