CN115759646A - 海运时间不确定下多工厂生产调度的多目标优化方法 - Google Patents
海运时间不确定下多工厂生产调度的多目标优化方法 Download PDFInfo
- Publication number
- CN115759646A CN115759646A CN202211460543.2A CN202211460543A CN115759646A CN 115759646 A CN115759646 A CN 115759646A CN 202211460543 A CN202211460543 A CN 202211460543A CN 115759646 A CN115759646 A CN 115759646A
- Authority
- CN
- China
- Prior art keywords
- overseas
- production scheduling
- order
- time
- population
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种海运时间不确定下多工厂生产调度的多目标优化方法、***、存储介质和电子设备,涉及多工厂生产调度技术领域。本发明实施例在确定海运时间的前提下,根据所述多工厂生产调度资源和单批次海外订单,构建面向多工厂生产网络的生产调度模型;针对大船海运时间的不确定性,设计1范数球不确定集合,构建了多工厂生产调度的多目标鲁棒优化模型,优化单批次海外订单的总交付时间偏差与总交付成本多目标。该模型考虑了预先制定的海运计划和较长且不确定的海运时间;此外,将该模型转化为一个等价模型,并设计两阶段混合启发式算法求解,对单批次海外订单给出了合理可行的生产调度建议。
Description
技术领域
本发明涉及多工厂生产调度技术领域,具体涉及一种海运时间不确定下多工厂生产调度的多目标优化方法、***、存储介质和电子设备。
背景技术
随着全球贸易和新兴市场的快速发展,越来越多的制造企业选择从传统的集中式生产方式向分布式的多工厂生产网络转变。分布式多工厂生产方式具备地理位置分散的特征,为制造企业提供了降低成本、提高效率以及节能减排的潜能。
与单一工厂内部的生产调度相比,多工厂的跨地域性质不仅带来了原材料、人工、仓储等方面成本上的差异,还给远距离物流带来了严峻的挑战。海外客户在下单时,通常会综合考虑自身销售情况和库存情况,给出一个期望的要货日期,期望制造企业能够提供高效及时的产品交付服务。如果订单的交付时刻远提前于海外客户的要货时刻,那么会造成昂贵的国际港口储存成本。如果订单的交付时刻远超过海外客户的要货时刻,那么会造成客户严重的延误损失。
海外订单驱动的制造任务调度问题中,往往忽略了海运是一个重要的影响因素之一。第一,海运计划的影响。预期的海运计划和较长的运输提前期极大地限制了制造商的处理时间,影响了生产分配、调度和存储。第二,海运的不确定性是普遍存在的问题,严重影响全球供应链的可靠性。当实际船期与公布的船期有偏差时,托运人、制造商与他们的客户都会因延误而面临无数损失。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种海运时间不确定下多工厂生产调度的多目标优化方法、***、存储介质和电子设备,解决了忽略海运时间不确定性因素影响多工厂生产调度的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种海运时间不确定下多工厂生产调度的多目标优化方法,包括:
S1、获取多工厂生产调度资源和单批次海外订单;
S2、在确定海运时间的前提下,根据所述多工厂生产调度资源和单批次海外订单,构建面向多工厂生产网络的生产调度模型;
S3、根据所述生产调度模型,通过1范数球不确定集表示不确定海运时间,构建生产调度的多目标鲁棒优化模型;
S4、将所述多目标鲁棒优化模型转化为一个等价模型,采用启发式算法求解所述等价模型,获取多工厂生产调度鲁棒优化结果。
优选的,所述S3中的多目标鲁棒优化模型包括:
(1)以考虑海运时间偏差最糟时,单批次海外订单组所有海外订单的实际交付日期与海外客户的期望交付日期之差的1范数最小为鲁棒目标的第一目标函数:
(2)以单批次海外订单组所有海外订单的总交付成本最小为目标的第二目标函数:
其中,J表示海外订单集合,J={1,2,…,n};I表示工厂集合,I={1,2,…,m};G表示国内港口集合,G={1,2,…,p};S表示大船集合,S={1,2,…,q};
假定不确定参数实际海运时间δs在一个球内,为球心,ρ为球半径,Δs为误差值;令矩阵δ=[δ1,δ2,…,δs]为每条船实际海运时间的矩阵,矩阵为每条船历史平均海运时间的矩阵,矩阵Δ=[Δ1,Δ2,…,Δs]为每条船实际海运时间与其历史平均海运时间的偏差矩阵;
对于所有大船的实际海运时间都有约束:
|Δs|≤ρs
δ为s维实向量;则大船的实际海运时间的1范数球不确定集表示为
as表示大船s的海运出发日期;
yijs为决策变量,如果海外订单j的制造任务分配给工厂i,且海外订单j的海运任务分配给大船s,取1;否则取0;变量yjs,如果海外订单j的海运任务分配给大船s,取1;否则取0;dj表示海外订单j的客户要货日期;
xijj′为决策变量,如果海外订单j和j′的制造任务都分配给工厂i,且海外订单j生产完紧接着海外订单j′,取1;否则取0;
如果大船s在港口g出发,Tsg=1;否则Tsg=0;
所述S3中的多目标鲁棒优化模型还包括:
约束条件:
其中,sj、sj′分别表示海外订单j、j′的实际交付日期;M表示一个非常大的常数;
trig表示工厂i到港口g的陆运时间;
proij表示海外订单j在工厂i的加工时间。
优选的,所述S4中的等价模型包括:
目标一:
目标二:
约束条件:
其中,bj表示海外订单j所分配大船的发运日期减去客户要货日期的值。
优选的,采用两阶段混合启发式算法求解所述等价模型,包括:
第一阶段:
不考虑加工工厂选择和开始加工日期,简化并松弛将所述等价模型,设计启发式算法搜索获取多个海运任务方案,并编码获取包含多条分配大船编号染色体的种群;
第二阶段:
对上述种群的最后一代进行排序和筛选,作为本阶段包含多条分配大船编号染色体的部分初始种群,并生成包含多条分配工厂编号染色体的部分初始种群、以及包含多条开始加工日期染色体的部分初始种群,设计多目标优化启发式算法获取帕累托最优解,并解码作为最终的多工厂生产调度鲁棒优化结果。
优选的,所述第一阶段具体包括:
S411、在所述等价模型中,分离出只与分配大船决策变量yjs相关的目标和约束,简化出以下子模型:
目标一:
目标二:
约束条件:
S412、求解上述子模型,随机生成第一阶段的包括多条n列染色体的初始种群,计算种群中各个体适应度,令Gen1=0;
Zi=aV1+bV2
其中,a、b为常数,分别为目标一、二的权重;fi s1表示第i条染色体对应的第一阶段的适应度取值;Nind1表示第一阶段的种群规模;
S413、判断是否满足终止条件,若满足,将当前种群根据适应度大小非升序排列,作为最后一代种群Chrom1输出;否则,转入S414;
S414、将精英个体复制Nind1/2个组成种马;
S415、对去除精英个体的父代种群进行轮盘赌选择出Nind1/2个体;
S416、合并种马与选择出的种群;
S417、对合并后的种群执行两点交叉操作;
S418、对执行交叉操作后的种群执行breeder变异操作,生成新一代种群,并计算种群中各个体适应度;令Gen1=Gen1+1,返回S413。
优选的,所述第二阶段具体包括:
S421、生成第二阶段的包括多个由3条n列的染色体组成染色体单元的初始种群:
将第一阶段的最后一代种群Chrom1的前Nind2个个体作为第二阶段NSGAII算法中染色体3分配大船编号的部分初始种群;其中,Nind2表示第二阶段的种群规模,且Nind2<<Nind1;
引入加工与运输成本为判断指标的加工工厂优先选择机制,生成染色体1分配工厂编号的部分初始种群;该优先选择机制是指:该优先选择机制是指:设置一定的选择概率生成染色体1分配基地编号染色体的初始种群,选择概率设置的原则为:生产和国内陆运成本之和越低的工厂,设置选择概率越高;
在存储时间为0的理想假设下,通过海外订单截止交货日期进行倒推得到开始加工日期;
S422、针对S421中生成的初始种群内染色体进行约束校验;若不通过,按照预设的约束处理规则进行修正;
S423、计算种群中各个体适应度,令Gen2=0;其中,第二阶段的适应度函数由非支配排序层级和拥挤度组成,非支配层级越高,拥挤度越低,染色体个体的适应度越高;
S424、判断是否满足预设的终止条件,若满足,输出当前种群中的帕累托最优解,并解码作为最终的多工厂生产调度鲁棒优化结果;否则,转入,转入S425;
S425、保留父代种群,执行单点交叉操作;
S426、执行breeder变异操作;
S427、针对当前种群内染色体进行约束校验;若不通过,按照预设的约束处理规则进行修正,生成包含Nind2个个体的子代种群;
S428、合并子代与父代,并计算合并得到种群中各个体适应度,选择前Nind2个适应度较高的个体;令Gen2=Gen2+1,转入S424。
优选的,针对约束一:大船出发时刻必须晚于订单到达国内港口的时刻;所述预设的约束处理规则具体是指:通过初始种群的生成规则,降低初始种群内违反约束一的染色体的占比;通过直接修正染色体,将违反约束一的染色体修正为符合约束一的染色体;
优选的,针对约束二:被分配到同一个加工工厂的两个订单任务不能同时加工;所述预设的约束处理规则具体是指:
第一步,确定需要判断的订单集合,如果集合为空,结束;否则,进入第二步;
第二步,判断最后海外订单与倒数第二海外订单的加工时间是否冲突;如果是,跳到第三步;如果否,跳到第四步;
第三步,如果不冲突,将最后订单从订单集合中删除,返回第二步;如果冲突,将最后海外订单的加工时间往前移动,调整为不冲突,同时保持国内陆运时间不变,中间的时间差则安排订单放在加工工厂附近的仓库进行存储,等待国内运输,将最后订单从订单集合中删除,返回第二步;
第四步,跳到下一个加工工厂或者下一条染色体,重复第一步操作。
一种海运时间不确定下多工厂生产调度的多目标优化***,包括:
获取模块,用于获取多工厂生产调度资源和单批次海外订单;
构建模块,用于构建在确定海运时间的前提下,根据所述多工厂生产调度资源和单批次海外订单,构建面向多工厂生产网络的生产调度模型;
优化模块,用于根据所述生产调度模型,通过1范数球不确定集表示不确定海运时间,构建生产调度的多目标鲁棒优化模型;
求解模块,用于将所述多目标鲁棒优化模型转化为一个等价模型,采用启发式算法求解所述等价模型,获取多工厂生产调度鲁棒优化结果。
一种存储介质,其存储有用于海运时间不确定下多工厂生产调度的多目标优化的计算机程序,其中,所述计算机程序使得计算机执行如上所述的海运时间不确定下多工厂生产调度的多目标优化方法。
一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的海运时间不确定下多工厂生产调度的多目标优化方法。
(三)有益效果
本发明提供了一种海运时间不确定下多工厂生产调度的多目标优化方法、***、存储介质和电子设备。与现有技术相比,具备以下有益效果:
本发明针对大船海运时间设计1范数球不确定集合,构建了多工厂生产调度的多目标鲁棒优化模型,优化单批次海外订单的总交付时间偏差与总交付成本多目标。该模型考虑了预先制定的海运计划和较长且不确定的海运时间;此外,将该模型转化为一个等价模型,并设计两阶段混合启发式算法求解,对单批次海外订单给出了合理可行的生产调度建议。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种海运时间不确定下多工厂生产调度的多目标优化方法的示意图;
图2为本发明实施例提供的一种单批次海外订单组的交付过程案例示意图;
图3为本发明实施例提供的一种两阶段混合启发式算法的流程示意图;
图4为本发明实施例提供的第一阶段的1条n列染色体的编码示意图;
图5为本发明实施例提供的第二阶段的一个由3条n列的染色体组成染色体单元的编码示意图;
图6为本发明实施例提供的第一阶段启发式算法的流程示意图;
图7为本发明实施例提供的第二阶段启发式算法的流程示意图;
图8为本发明实施例提供的第二阶段启发式算法中初始种群的生成规则示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种海运时间不确定下多工厂生产调度的多目标优化方法、***、存储介质和电子设备,解决了忽略海运时间不确定性因素影响多工厂生产调度的技术问题。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
如图1所示,本发明实施例针对大船海运时间设计1范数球不确定集合,构建了多工厂生产调度的多目标鲁棒优化模型,优化单批次海外订单的总交付偏差与总交付成本多目标。该模型考虑了预先制定的海运计划和较长且不确定的海运时间;此外,将该模型转化为一个等价模型,并设计两阶段混合启发式算法求解,对单批次海外订单给出了合理可行的生产调度建议。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例:
本发明实施例提供了一种海运时间不确定下多工厂生产调度的多目标优化方法,包括:
S1、获取多工厂生产调度资源和单批次海外订单;
S2、在确定海运时间的前提下,根据所述多工厂生产调度资源和单批次海外订单,构建面向多工厂生产网络的生产调度模型;
S3、根据所述生产调度模型,通过1范数球不确定集表示不确定海运时间,构建生产调度的多目标鲁棒优化模型;
S4、将所述多目标鲁棒优化模型转化为一个等价模型,采用启发式算法求解所述等价模型,获取多工厂生产调度鲁棒优化结果。
本发明实施例中,所述多目标鲁棒优化模型考虑了预先制定的海运计划和较长且不确定的海运时间;此外,将该模型转化为一个等价模型,并设计两阶段混合启发式算法求解,对单批次海外订单给出了合理可行的生产调度建议。
下面将详细介绍上述技术方案的各个步骤:
首先需要说明补充说明本发明实施例涉及的多工厂生产调度问题描述,具体如下:
以单批次海外订单组为优化对象,每个海外订单需要通过国内生产、国内仓储、国内物流以及国际物流四个关键环节,最终交付给海外客户。单批次海外订单组,是指在相同或者相近时间段内由多个海外用户下达的订单所组成的单元。每个海外订单只包含一种需求产品型号,只对应一个海外用户,每个客户会向制造企业提出一个期望的订单交付时刻。每个海外订单在国内的生产环节,被称为执行海外订单的制造任务,每个订单的制造任务只能被分配给一个工厂进行加工。每个工厂有一个独立的流水车间,具备加工任何一个海外订单制造任务的能力,且加工质量相同,每个海外订单制造任务可以分配给任一工厂。一个工厂在同一时刻只能加工一个海外订单的制造任务,不允许中途抢占或者暂停。每个工厂配备一个仓库,用于成品的存储。每个海外订单的海运任务由唯一大船完成,每条大船有指定的国内出发港口、发运时刻和海运时间。海外订单的产品到达国际目的港口时刻,视为此订单的交付时刻。基于以上前提条件,一个单批次海外订单组的交付过程案例如图2所示。
某制造企业的一个单批次海外订单组包含n个海外订单,由集合J={1,2,…,n}表示,可分配给m个分布式工厂进行加工,工厂集合表示为I={1,2,…,m}。单批次订单组从订单下达开始,需要完成制造任务、存储任务、陆运任务和海运任务四个核心环节,最终到达海外客户实现订单交付。
在步骤S1中,获取多工厂生产调度资源和单批次海外订单;
所述多工厂生产调度资源和单批次海外订单,具体涉及如下符号体系:
集合:
集合 | 描述 |
J | 海外订单集合,J={1,2,…,n} |
I | 工厂集合,I={1,2,…,m} |
G | 国内港口集合,G={1,2,…,p} |
S | 大船集合,S={1,2,…,q} |
决策变量
相关参数
在步骤S2中,在确定海运时间的前提下,根据所述多工厂生产调度资源和单批次海外订单,构建面向多工厂生产网络的生产调度模型。
本步骤中重点考虑海运环节,提出了一种面向多工厂生产网络的生产调度的多目标的确定性模型,对单批次海外订单组进行协同调度,同时优化海外订单交付总准时度和海外订单总交付成本。
所述确定性模型包括:
目标一,其为单批次海外订单组所有海外订单的实际交付日期与海外客户的期望交付日期之间的总差和最小,即所有海外订单交付总准时度最高,最大程度降低海外订单的海外仓储成本和延误成本,满足客户的需求:
其中,公式(2)表示每个海外订单的实际交付日期是该订单的开始加工日期sj、加工天数订单仓库存储天数陆运天数与海运天数之和。公式(3)海外订单加工天数与海外订单j的产品类型相关,与所分配的工厂i的加工能力、产品数量成正比。公式(4)表示海外订单j仓库存储时间为所选大船的发运日期减去海外订单j的结束加工日期。最理想的情况是海外订单j仓库存储时间为0,表示海外订单j仓库存储时间制造任务在基地一完成价格,便被运往国内港口,赶当天出发的大船。公式(6)表示海外订单j陆运天数取决于海外订单j所分配的工厂与选择大船的发运港。
目标二,其为单批次海外订单组所有海外订单的总交付成本最小,每个海外订单的交付成本由生产成本、仓库存储成本、国内陆运成本与国际海运成本构成。
其中,公式(9)表示海外订单j的单位产品加工成本与订所分配的工厂i、产品本身的类型有关。公式(10)表示海外订单j的单位产品仓储成本为海外订单j的单位产品单位时间的仓储成本与仓储时间之积。公式(11)表示海外订单j的单位产品的国内陆运成本与海外订单j所分分配的工厂和所选择的大船的发运港口有关;公式(12)表示海外订单j的单位产品国际海运成本,与选定的大船有关。大船的运输成本设定为随着固定距离内海运时间的减少而增加。
约束条件:
其中,约束(13)表示任何一个订单任务与自己本身不存在先后顺序关系;约束(14)表示每一个订单任务前面都有一个唯一订单任务,且只分配唯一工厂;约束(15)表示每一个订单任务后面都有一个唯一订单任务,且只分配唯一工厂;约束(16)表示每个工厂只有一个第一个订单任务或者没有被分配订单任务;约束(17)表示每个工厂只有一个最后一个订单任务或者没有被分配订单任务;约束(18)表示对于任一工厂,任一订单任务不可能同时在另一订单任务的前面和后面;约束(19)表示对于任何一个订单任务,必有相同个数的前订单任务和后订单任务;约束(20)表示当工厂没有安排任何任务时,决策变量的取值约束;约束(21)表示每个订单任务的开始加工时间都大于0;约束(22)表示同一工厂的任何两个订单任务不能同时进行加工;约束(23)表示对于任何一个任务,只能选定唯一工厂进行加工,以及只能选定唯一大船进行海外运输;约束(24)表示两个决策变量之间的一一对应关系;约束(25)表示每一个订单任务选择的发船时刻必须都大于该订单任务的到达国内港口时刻;约束(26)表示决策变量取值范围。
在步骤S3中,根据所述生产调度模型,通过1范数球不确定集表示不确定海运时间,构建生产调度的多目标鲁棒优化模型。
通常情况下,在订单任务实际交付过程中,受海上天气、风向、海浪等众多影响因素,海外运输时间与预先计划的船期安排相比,往往存在偏差。海运船期是在交通运输中极不准时,且难以掌握。海外运输时间的变动,可能使得原有的制造任务调度方案远离最优。因此,采用鲁棒优化方法求解海运时间不确定下的生产调度问题。鲁棒优化考虑的是最坏情况下的最好方案,代表了一种保守的观点,得到的优化方案并不一定是最优的,但是当不确定参数发生扰动时,得到的解仍然可行。
针对不确定参数大船海运时间,本发明实施例设计1范数球不确定集,建立生产任务与物流任务联合调度的多目标鲁棒优化模型。
所述1范数球不确定集:假定不确定参数实际海运时间δs在一个球内,为球心,ρ为球半径(所有大船海运时间偏差的标准差最大值),Δs为误差值(大船s与历史平均海运时间之间的偏差);令矩阵δ=[δ1,δ2,…,δs]为每条船实际海运时间的矩阵,矩阵为每条船历史平均海运时间的矩阵,矩阵Δ=[Δ1,Δ2,…,Δs]为每条船实际海运时间与其历史平均海运时间的偏差矩阵;
对于所有大船的实际海运时间都有约束:
|Δs|≤ρs (27)
δ为s维实向量,即最大奇异值。参数ρ的取值提前给定,反应所有大船海运时间偏差的标准差不超过ρ。当时,此问题为确定性问题,表示所有大船的海运时间取标准值;当时,表示存在大船的海运时间在一定程度上偏离标准值。根据决策者的风险偏好程度,调整ρs的取值。由此,大船的实际海运时间的1范数球不确定集表示为:
所述多目标鲁棒优化模型包括:
目标一,其为考虑海运时间偏差取最糟的情况时,单批次海外订单组所有海外订单的实际交付日期与海外客户的期望交付日期之差的平方和最小。在原确定性模型中,考虑原参数大船海运时间的不确定情况,将参数调整为δs,且不确定参数海运时间只存在于原确定性模型的目标函数1的公式(7)中。
通过矩阵1范数描述目标1的所有产品交付偏差的程度,即以考虑海运时间偏差最糟时,单批次海外订单组所有海外订单的实际交付日期与海外客户的期望交付日期之差的1范数最小为鲁棒目标的第一目标函数:
目标二,其为单批次海外订单组所有海外订单的总交付成本最小,每个海外订单的交付成本由生产成本、仓库存储成本、国内陆运成本与国际海运成本构成;即以单批次海外订单组所有海外订单的总交付成本最小为目标的第二目标函数:
约束条件:
在步骤S4中,将所述多目标鲁棒优化模型转化为一个等价模型,采用启发式算法求解所述等价模型,获取多工厂生产调度鲁棒优化结果。
将所述多目标鲁棒优化模型转化为一个等价模型:
目标一为
目标二为
约束条件:
其中,bj表示海外订单j所分配大船的发运日期减去客户要货日期的值。
对于目标函数(29),其中:
证明如下:
要使得最大值可达,即:
必须满足:
第一个等号成立的条件是:
第二个等号成立的条件是:
Δs=±ρs (72)
所以:
通过以上分析,证明了原鲁棒优化多目标模型等价于转化后的等价模型。相应的,本发明实施例采用如图3所示的两阶段混合启发式算法求解所述等价模型,包括:
第一阶段:
不考虑加工工厂选择和开始加工日期,简化将所述等价模型,设计启发式算法搜索获取多个海运任务方案,并编码获取包含多条分配大船编号染色体的种群(图4示例性的给出了第一阶段的1条n列染色体,染色体每一列的位置编号代表海外订单编号,每一列的值代表海外订单选择大船的编号)。
第二阶段:
对上述种群的最后一代进行排序和筛选,作为包含多条分配大船编号染色体的部分初始种群,并生成包含多条分配工厂编号染色体的部分初始种群、以及包含多条开始加工日期染色体的部分初始种群(图5示例性的给出了第二阶段的一个由3条n列的染色体组成染色体单元,在一个染色体单元中,每一行的位置编号代表海外订单的编号,第1条染色体表示每一个海外订单的加工工厂分配情况,第2条染色体表示海外订单的订单任务在所在加工工厂的开始加工日期,第3条染色体表示每一个海外订单的海运大船分配情况),设计启发式算法获取帕累托最优解,并解码作为最终的多工厂生产调度鲁棒优化结果。
其中,第一阶段的目标是求解与分配大船决策变量yijs相关的解,搜索一群具有高准时交货率和良好海运经济效益的多订单的海运任务方案;如图6所示,具体包括:
目标一:
目标二:
约束条件:
S412、求解上述子模型,随机生成第一阶段的包括多条n列染色体的初始种群,计算种群中各个体适应度,令Gen1=0;
Zi=aV1+bV2 (78)
其中,a、b为常数,分别为目标一、二的权重;fi s1表示第i条染色体对应的第一阶段的适应度取值;Nind1表示第一阶段的种群规模;
S413、判断是否满足终止条件,若满足,将当前种群根据适应度大小非升序排列,作为最后一代种群Chrom1输出;否则,转入S414;
S414、将精英个体复制Nind1/2个组成种马;
S415、对去除精英个体的父代种群进行轮盘赌选择出Nind1/2个体;
S416、合并种马与选择出的种群;
S417、对合并后的种群执行两点交叉操作;
S418、对执行交叉操作后的种群执行breeder变异操作,生成新一代种群,并计算种群中各个体适应度;令Gen1=Gen1+1,返回S413。
S418、执行breeder变异操作,生成新一代种群,并计算种群中各个体适应度;令Gen1=Gen1+1,返回S413。
本步骤采用breeder GA变异策略,利用压缩率(MutShrink)和梯度划分(Gradient)来控制变异距离,压缩率越大、梯度划分越少,则变异的幅度越大,全局搜索能力越强。
第二阶段设计启发式算法求解海运时间不确定下多工厂生产调度多目标鲁棒优化模型的等价模型;如图7所示,具体包括:
S421、如图8所示,生成第二阶段的包括多个由3条n列的染色体组成染色体单元的初始种群:
第一步、将第一阶段的最后一代种群Chrom1的前Nind2个个体作为第二阶段NSGAII算法中染色体3分配大船编号的部分初始种群;其中,Nind2表示第二阶段的种群规模,且需要注意的是,Nind1远远大于Nind2。
第二步、引入加工与运输成本为判断指标的加工工厂优先选择机制,生成染色体1分配工厂编号的部分初始种群;该优先选择机制是指:该优先选择机制是指:设置一定的选择概率生成染色体1分配基地编号染色体的初始种群,选择概率设置的原则为:生产和国内陆运成本之和越低的工厂,设置选择概率越高。
展开来说,首先针对每个出口订单,根据生产和国内陆运成本之和Cpro+str,进行由小到大的加工工厂排序,计算加工工厂优先顺序矩阵Nind2行n列。例如某订单j,其加工工厂优先顺序矩阵中第j列中,排第1行的为生产和国内陆运成本和最低的加工工厂,排第2行的为成本第二的加工工厂,以此类推。因此,对于所有出口订单来说,Cpro+str最低的加工工厂在加工工厂优先顺序矩阵中的位置编号都是第一行。
染色体1分配基地编号染色体的初始种群的前Nind2/2个个体全设置为每个加工工厂优先顺序矩阵中的第1行。后Nind2/2个个体中,每个出口订单设置一定概率P在中选取加工工厂。P设置为[0.5,0.33,0.25,0.2,0.167,0.14,0.125,0.11,0.1,0.09,…],代表以0.5的概率选取中该订单所对应的第一行的加工工厂,0.33的概率选取第二行,以此类推,设置在中加工工厂位置编号越小的基地,被选中的概率越小。
第三步、在存储时间为0的理想假设下,通过海外订单截止交货日期进行倒推得到开始加工日期;
以上三个步骤将完整生成了3个决策变量的初始种群;3个初始种群以染色体个体编号为纽带相互关联,即相同个体编号的3个种群中的染色体组成一个染色体单元。
S422、针对S421中生成的初始种群内染色体进行约束校验;若不通过,按照预设的约束处理规则进行修正;
(1)针对约束一:大船出发时刻必须晚于订单到达国内港口的时刻;所述预设的约束处理规则具体是指:通过初始种群的生成规则,降低初始种群内违反约束一的染色体的占比(对应步骤S422);通过直接修正染色体,将违反约束一的染色体修正为符合约束一的染色体(对应后续步骤S427)。
(2)针对约束二:被分配到同一个加工工厂的两个订单任务不能同时加工;所述预设的约束处理规则具体是指:
第一步,确定需要判断的订单集合,如果集合为空,结束;否则,进入第二步;
第二步,判断最后海外订单与倒数第二海外订单的加工时间是否冲突;如果是,跳到第三步;如果否,跳到第四步;
第三步,如果不冲突,将最后订单从订单集合中删除,返回第二步;如果冲突,将最后海外订单的加工时间往前移动,调整为不冲突,同时保持国内陆运时间不变,中间的时间差则安排订单放在加工工厂附近的仓库进行存储,等待国内运输,将最后订单从订单集合中删除,返回第二步;
第四步,跳到下一个加工工厂或者下一条染色体,重复第一步操作。
本发明实施例设置CV矩阵判断种群中是否违反约束一,所述CV矩阵为存储种群个体违反各个约束的程度的矩阵,包括与染色体个数对应的行数,与约束条件个数对应的列数。
S423、计算种群中各个体适应度,令Gen2=0;其中,第二阶段的适应度函数由非支配排序层级和拥挤度组成,非支配层级越高,拥挤度越低,染色体个体的适应度越高;
S424、判断是否满足预设的终止条件,若满足,输出当前种群中的帕累托最优解,并解码作为最终的多工厂生产调度鲁棒优化结果;否则,转入,转入S425;
S425、保留父代种群,执行单点交叉操作;
本步骤中只对染色体单元中的染色体1分配基地编号染色体和染色体3分配大船编号染色体分别进行单点交叉操作;在2条进行交叉操作的两条染色体个体中,各随机设置1个交叉点进行分割,并交换交叉点右侧部分的基因,从而得到两条不同的染色体。
S426、执行breeder变异操作;
本步骤只对染色体单元中的染色体1分配基地编号染色体和染色体3分配大船编号染色体分别进行breeder GA变异操作,利用压缩率(MutShrink)和梯度划分(Gradient)来控制变异距离,压缩率越大、梯度划分越少,则变异的幅度越大,全局搜索能力越强。
而染色体单元中的染色体2开始加工日期,不进行交叉和变异操作,以交叉和变异完成后的染色体1和染色体3为已知条件,采用步骤S421中的公式计算得到染色体2开始加工日期。
S427、针对当前种群内染色体进行约束校验;若不通过,按照预设的约束处理规则进行修正,生成包含Nind2个个体的子代种群;
S428、合并子代与父代,并计算合并得到种群中各个体适应度,选择前Nind2个适应度较高的个体;令Gen2=Gen2+1,转入S424。
本发明实施例提供了一种海运时间不确定下多工厂生产调度的多目标优化***,包括:
获取模块,用于获取多工厂生产调度资源和单批次海外订单;
构建模块,用于构建在确定海运时间的前提下,根据所述多工厂生产调度资源和单批次海外订单,构建面向多工厂生产网络的生产调度模型;
优化模块,用于根据所述生产调度模型,通过1范数球不确定集表示不确定海运时间,构建生产调度的多目标鲁棒优化模型;
求解模块,用于将所述多目标鲁棒优化模型转化为一个等价模型,采用启发式算法求解所述等价模型,获取多工厂生产调度鲁棒优化结果。
本发明实施例提供了一种存储介质,其存储有用于海运时间不确定下多工厂生产调度的多目标优化的计算机程序,其中,所述计算机程序使得计算机执行如上所述的海运时间不确定下多工厂生产调度的多目标优化方法。
本发明实施例提供了一种电子设备,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如上所述的海运时间不确定下多工厂生产调度的多目标优化方法。
可理解的是,本发明实施例提供的海运时间不确定下多工厂生产调度的多目标优化***、存储介质和电子设备与本发明实施例提供的海运时间不确定下多工厂生产调度的多目标优化方法相对应,其有关内容的解释、举例和有益效果等部分可以参考海运时间不确定下多工厂生产调度的多目标优化方法中的相应部分,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
本发明实施例针对大船海运时间设计1范数球不确定集合,构建了多工厂生产调度的多目标鲁棒优化模型,优化单批次海外订单的总交付偏差与总交付成本多目标。该模型考虑了预先制定的海运计划和较长且不确定的海运时间;此外,将该模型转化为一个等价模型,并设计两阶段混合启发式算法求解,对单批次海外订单给出了合理可行的生产调度建议。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种海运时间不确定下多工厂生产调度的多目标优化方法,其特征在于,包括:
S1、获取多工厂生产调度资源和单批次海外订单;
S2、在确定海运时间的前提下,根据所述多工厂生产调度资源和单批次海外订单,构建面向多工厂生产网络的生产调度模型;
S3、根据所述生产调度模型,通过1范数球不确定集表示不确定海运时间,构建生产调度的多目标鲁棒优化模型;
S4、将所述多目标鲁棒优化模型转化为一个等价模型,采用启发式算法求解所述等价模型,获取多工厂生产调度鲁棒优化结果。
2.如权利要求1所述的海运时间不确定下多工厂生产调度的多目标优化方法,其特征在于,所述S3中的多目标鲁棒优化模型包括:
(1)以考虑海运时间偏差最糟时,单批次海外订单组所有海外订单的实际交付日期与海外客户的期望交付日期之差的1范数最小为鲁棒目标的第一目标函数:
(2)以单批次海外订单组所有海外订单的总交付成本最小为目标的第二目标函数:
其中,J表示海外订单集合,J={1,2,…,n};I表示工厂集合,I={1,2,…,m};G表示国内港口集合,G={1,2,…,p};S表示大船集合,S={1,2,…,q};
假定不确定参数实际海运时间δs在一个球内,为球心,ρ为球半径,Δs为误差值;令矩阵δ=[δ1,δ2,…,δs]为每条船实际海运时间的矩阵,矩阵为每条船历史平均海运时间的矩阵,矩阵Δ=[Δ1,Δ2,…,Δs]为每条船实际海运时间与其历史平均海运时间的偏差矩阵;
对于所有大船的实际海运时间都有约束:
|Δs|≤ρs
δ为s维实向量;则大船的实际海运时间的1范数球不确定集表示为
as表示大船s的海运出发日期;
yijs为决策变量,如果海外订单j的制造任务分配给工厂i,且海外订单j的海运任务分配给大船s,取1;否则取0;变量yjs,如果海外订单j的海运任务分配给大船s,取1;否则取0;dj表示海外订单j的客户要货日期;
xiji′为决策变量,如果海外订单j和j′的制造任务都分配给工厂i,且海外订单j生产完紧接着海外订单j′,取1;否则取0;
如果大船s在港口g出发,Tsg=1;否则Tsg=0;
所述S3中的多目标鲁棒优化模型还包括:
约束条件:
其中,sj、sj′分别表示海外订单j、j′的实际交付日期;M表示一个非常大的常数;
trig表示工厂i到港口g的陆运时间;
proij表示海外订单j在工厂i的加工时间。
4.如权利要求3所述的海运时间不确定下多工厂生产调度的多目标优化方法,其特征在于,采用两阶段混合启发式算法求解所述等价模型,包括:
第一阶段:
不考虑加工工厂选择和开始加工日期,简化并松弛将所述等价模型,设计启发式算法搜索获取多个海运任务方案,并编码获取包含多条分配大船编号染色体的种群;
第二阶段:
对上述种群的最后一代进行排序和筛选,作为本阶段包含多条分配大船编号染色体的部分初始种群,并生成包含多条分配工厂编号染色体的部分初始种群、以及包含多条开始加工日期染色体的部分初始种群,设计多目标优化启发式算法获取帕累托最优解,并解码作为最终的多工厂生产调度鲁棒优化结果。
5.如权利要求4所述的海运时间不确定下多工厂生产调度的多目标优化方法,其特征在于,所述第一阶段具体包括:
S411、在所述等价模型中,分离出只与分配大船决策变量yjs相关的目标和约束,简化出以下子模型:
目标一:
目标二:
约束条件:
S412、求解上述子模型,随机生成第一阶段的包括多条n列染色体的初始种群,计算种群中各个体适应度,令Gen1=0;
Zi=aV1+bV2
其中,a、b为常数,分别为目标一、二的权重;fi s1表示第i条染色体对应的第一阶段的适应度取值;Nind1表示第一阶段的种群规模;
S413、判断是否满足终止条件,若满足,将当前种群根据适应度大小非升序排列,作为最后一代种群Chrom1输出;否则,转入S414;
S414、将精英个体复制Nind1/2个组成种马;
S415、对去除精英个体的父代种群进行轮盘赌选择出Nind1/2个体;
S416、合并种马与选择出的种群;
S417、对合并后的种群执行两点交叉操作;
S418、对执行交叉操作后的种群执行breeder变异操作,生成新一代种群,并计算种群中各个体适应度;令Gen1=Gen1+1,返回S413。
6.如权利要求4或者5所述的海运时间不确定下多工厂生产调度的多目标优化方法,其特征在于,所述第二阶段具体包括:
S421、生成第二阶段的包括多个由3条n列的染色体组成染色体单元的初始种群:
将第一阶段的最后一代种群Chrom1的前Nind2个个体作为第二阶段NSGAII算法中染色体3分配大船编号的部分初始种群;其中,Nind2表示第二阶段的种群规模,且Nind2<<Nind1;
引入加工与运输成本为判断指标的加工工厂优先选择机制,生成染色体1分配工厂编号的部分初始种群;该优先选择机制是指:该优先选择机制是指:设置一定的选择概率生成染色体1分配基地编号染色体的初始种群,选择概率设置的原则为:生产和国内陆运成本之和越低的工厂,设置选择概率越高;
在存储时间为0的理想假设下,通过海外订单截止交货日期进行倒推得到开始加工日期;
S422、针对S421中生成的初始种群内染色体进行约束校验;若不通过,按照预设的约束处理规则进行修正;
S423、计算种群中各个体适应度,令Gen2=0;其中,第二阶段的适应度函数由非支配排序层级和拥挤度组成,非支配层级越高,拥挤度越低,染色体个体的适应度越高;
S424、判断是否满足预设的终止条件,若满足,输出当前种群中的帕累托最优解,并解码作为最终的多工厂生产调度鲁棒优化结果;否则,转入,转入S425;
S425、保留父代种群,执行单点交叉操作;
S426、执行breeder变异操作;
S427、针对当前种群内染色体进行约束校验;若不通过,按照预设的约束处理规则进行修正,生成包含Nind2个个体的子代种群;
S428、合并子代与父代,并计算合并得到种群中各个体适应度,选择前Nind2个适应度较高的个体;令Gen2=Gen2+1,转入S424。
7.如权利要求6所述的海运时间不确定下多工厂生产调度的多目标优化方法,其特征在于,
(1)针对约束一:大船出发时刻必须晚于订单到达国内港口的时刻;所述预设的约束处理规则具体是指:通过初始种群的生成规则,降低初始种群内违反约束一的染色体的占比;通过直接修正染色体,将违反约束一的染色体修正为符合约束一的染色体;
和/或(2)针对约束二:被分配到同一个加工工厂的两个订单任务不能同时加工;所述预设的约束处理规则具体是指:
第一步,确定需要判断的订单集合,如果集合为空,结束;否则,进入第二步;
第二步,判断最后海外订单与倒数第二海外订单的加工时间是否冲突;如果是,跳到第三步;如果否,跳到第四步;
第三步,如果不冲突,将最后订单从订单集合中删除,返回第二步;如果冲突,将最后海外订单的加工时间往前移动,调整为不冲突,同时保持国内陆运时间不变,中间的时间差则安排订单放在加工工厂附近的仓库进行存储,等待国内运输,将最后订单从订单集合中删除,返回第二步;
第四步,跳到下一个加工工厂或者下一条染色体,重复第一步操作。
8.一种海运时间不确定下多工厂生产调度的多目标优化***,其特征在于,包括:
获取模块,用于获取多工厂生产调度资源和单批次海外订单;
构建模块,用于构建在确定海运时间的前提下,根据所述多工厂生产调度资源和单批次海外订单,构建面向多工厂生产网络的生产调度模型;
优化模块,用于根据所述生产调度模型,通过1范数球不确定集表示不确定海运时间,构建生产调度的多目标鲁棒优化模型;
求解模块,用于将所述多目标鲁棒优化模型转化为一个等价模型,采用启发式算法求解所述等价模型,获取多工厂生产调度鲁棒优化结果。
9.一种存储介质,其特征在于,其存储有用于海运时间不确定下多工厂生产调度的多目标优化的计算机程序,其中,所述计算机程序使得计算机执行如权利要求1~7任一项所述的海运时间不确定下多工厂生产调度的多目标优化方法。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置成由所述一个或多个处理器执行,所述程序包括用于执行如权利要求1~7任一项所述的海运时间不确定下多工厂生产调度的多目标优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211460543.2A CN115759646A (zh) | 2022-11-17 | 2022-11-17 | 海运时间不确定下多工厂生产调度的多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211460543.2A CN115759646A (zh) | 2022-11-17 | 2022-11-17 | 海运时间不确定下多工厂生产调度的多目标优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759646A true CN115759646A (zh) | 2023-03-07 |
Family
ID=85334345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211460543.2A Pending CN115759646A (zh) | 2022-11-17 | 2022-11-17 | 海运时间不确定下多工厂生产调度的多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759646A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541019A (zh) * | 2024-01-04 | 2024-02-09 | 长江水利委员会水文局 | 一种梯级水库中长期鲁棒优化调度方法、***及存储介质 |
-
2022
- 2022-11-17 CN CN202211460543.2A patent/CN115759646A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541019A (zh) * | 2024-01-04 | 2024-02-09 | 长江水利委员会水文局 | 一种梯级水库中长期鲁棒优化调度方法、***及存储介质 |
CN117541019B (zh) * | 2024-01-04 | 2024-03-26 | 长江水利委员会水文局 | 一种梯级水库中长期鲁棒优化调度方法、***及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107506956B (zh) | 基于改进粒子群算法供应链生产运输协同调度方法及*** | |
CN109784547B (zh) | 一种码头岸桥与场桥协同优化调度方法 | |
CN110046865B (zh) | 分布式库存调度方法 | |
CN101585453A (zh) | 集装箱码头出口箱堆场分配方法 | |
CN112183812B (zh) | 一种计及短时低成本的成品卷烟物流车辆调度方法 | |
CN101271543A (zh) | 一种应用了基于精英解池的遗传算法的生产排程***和方法 | |
CN111199375B (zh) | 一种智能化物流运输*** | |
CN111368999B (zh) | 一种物流调度*** | |
CN115759646A (zh) | 海运时间不确定下多工厂生产调度的多目标优化方法 | |
Javanmard et al. | Solving a multi-product distribution planning problem in cross docking networks: An imperialist competitive algorithm | |
CN115619183A (zh) | 多主体协同下考虑供应链成本的生产任务调度方法 | |
CN114897217A (zh) | 一种生鲜电商前置仓选址-路径规划方法 | |
CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程***及方法 | |
CN115495859B (zh) | 一种基于遗传算法的仓网规划方法 | |
CN102298737A (zh) | 面向客户承诺的订单管理***和订单管理方法 | |
Singh et al. | Carton Set Optimization in E‐commerce Warehouses: A Case Study | |
CN116739840B (zh) | 基于多目标群优化的旅游套餐推荐方法、装置及存储介质 | |
Nasiri et al. | Location-inventory and shipment decisions in an integrated distribution system: an efficient heuristic solution | |
CN115907905A (zh) | 多主体协同平台生产任务规划的多目标鲁棒优化方法 | |
CN115860196A (zh) | 跨地域多主体制造任务分配的多目标鲁棒优化方法 | |
CN114862192A (zh) | 异构工业互联网***低成本生产任务分配和资源调度方法 | |
Mohammadi et al. | Optimisation of multi-plant capacitated lot-sizing problems in an integrated supply chain network using calibrated metaheuristic algorithms | |
Ndiaye et al. | A hybrid ant colony and genetic algorithm to solve the container stacking problem at seaport terminal | |
Ramyar et al. | A new bi-objective mathematical model to optimize reliability and cost of aggregate production planning system in a paper and wood company | |
Ha et al. | Optimization of Cube Storage Warehouse Scheduling Using Genetic Algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |