CN117540944A - 一种工厂式养殖基地排程方法 - Google Patents
一种工厂式养殖基地排程方法 Download PDFInfo
- Publication number
- CN117540944A CN117540944A CN202311200177.1A CN202311200177A CN117540944A CN 117540944 A CN117540944 A CN 117540944A CN 202311200177 A CN202311200177 A CN 202311200177A CN 117540944 A CN117540944 A CN 117540944A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- time
- task
- fish
- tasks
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 241000251468 Actinopterygii Species 0.000 claims abstract description 80
- 238000009395 breeding Methods 0.000 claims abstract description 6
- 230000001488 breeding effect Effects 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims abstract description 5
- 238000006213 oxygenation reaction Methods 0.000 claims description 82
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 46
- 230000008859 change Effects 0.000 claims description 28
- 230000002068 genetic effect Effects 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 13
- 239000010865 sewage Substances 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 2
- 229910052760 oxygen Inorganic materials 0.000 claims description 2
- 239000001301 oxygen Substances 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000007599 discharging Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 206010064571 Gene mutation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 101150036080 at gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002921 genetic algorithm search Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Genetics & Genomics (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
Abstract
一种工厂式养殖基地排程方法,包括如下步骤:步骤1,获取若干个鱼池的养殖任务;步骤2,获取每个鱼池养殖任务的基本参数;步骤3,设置鱼池养殖的约束条件;步骤4,生成若干个鱼池的排程计划;步骤5,根据养殖基地要求选择最优排程计划;步骤6,若是在选择的排程计划中添加应急任务,应急任务之前的排程计划不变,应急任务之后的排程计划回到步骤1重新开始,得到新的添加有应急任务的排程计划;若是不添加应急任务,则进行到步骤5即为结束。该排程方法操作简单,能快速的得到基地精细化养殖任务排程计划,省事省力,节省人力,提高日常生产养殖效率。
Description
技术领域
本发明涉及养殖技术领域,尤其是涉及一种工厂式养殖基地排程方法。
背景技术
现有的鱼池养殖主要通过增氧、排污、换水和投料四种养殖任务相互配合来实现基地日常生产,通常是通过设备对鱼池进行设施养殖,现场养殖环境中,常常出现不同要求,例如:一般养殖工厂,中央投料室不能同时对所有鱼池同时投料,需要分组分批次错开安排投料时间;且通常多个鱼池共用同一个尾水处理车间,其容量是有限的,所有鱼池不能同时进行排污,需要分别排污;且鱼类投料不易过快,必须慢慢投,也会消耗时间;同时,投料后不能立即排污,必须等待鱼消化一段时间排便发生后进行排污,甚至有些鱼池由于各种原因会需要联动同步操作某一或全部任务等等,这些现场情况、设备设施等约束不能逐一而论;因此需要更加合理的时间分配,在时空上充分利用共用资源,并且解决好各个池子对这些设备资源和管路资源充分高效的共享,若是仅仅通过人工对四种任务进行整个基地的排程,工作量巨大,也会耗费大量人力和时间。
因此,实有必要设计一种工厂式养殖基地排程方法,以克服上述问题。
发明内容
为了避免上述问题,提供了一种工厂式养殖基地排程方法,采用暴力算法将所有任务排列组合得到全面完整的初始排程,然后遗传算法根据给出的约束条件等干预因素作为筛选条件计算适应度,根据适应度的高低筛选罗列出符合约束条件等干预因素要求的排程计划,再进行交叉变异及迭代计算,得到最优排程计划供工人选择;该排程方法操作简单,能快速的得到基地精细化养殖任务排程计划,省事省力,节省人力,提高日常生产养殖效率。
本发明提供的一种工厂式养殖基地排程方法,包括如下步骤:
步骤1,获取若干个鱼池的养殖任务;
步骤2,获取每个鱼池养殖任务的基本参数;
步骤3,设置鱼池养殖的约束条件;
步骤4,生成若干个鱼池的排程计划;
步骤5,根据养殖基地要求选择最优排程计划;
步骤6,若是在选择的排程计划中添加应急任务,应急任务之前的排程计划不变,应急任务之后的排程计划回到步骤1重新开始,得到新的添加有应急任务的排程计划;若是不添加应急任务,则进行到步骤5即为结束。
优选地,步骤1中的养殖任务包括增氧、排污、换水和投料。
优选地,步骤2中的基本参数包括:增氧次数n1、每次增氧总量w1、单位时间的增氧量m1、每次的增氧时长t1、排污次数n2、每次排污总量w2、单位时间的排污量m2、每次的排污时长t2、换水次数n3、每次换水总量w3、单位时间的换水量m3、每次的换水时长t3、投料次数n4、每次投料总量w4、单位时间的投料量m4和每次的投料时长t4;其中,w1=m1*t1,w2=m2*t2,w3=m3*t3,w4=m4*t4。
优选地,步骤3中的约束条件包括:
1)每个鱼池同一时刻只允许执行一种养殖任务;
2)每个鱼池相邻两种任务的时间间隔;
3)每个鱼池相邻同种任务之间的最少时间间隔;
4)每个鱼池相同情况下四种养殖任务的优先级;
5)每个鱼池首次养殖任务种类;
6)多个鱼池进行同种养殖任务但不能同时进行时的优先级;
7)设置鱼池排程开始时间和结束时间;
8)每个鱼池每个养殖任务前后的等待时间;
9)若干个鱼池的分组情况,同一组内的鱼池排程计划相同;
10)若干个鱼池的分区情况,同一区内的鱼池某一种或多种养殖任务相同;
11)鱼池之间连锁设置情况,设置连锁的鱼池排程计划相同。
优选地,步骤4中,根据暴力算法和遗传算法迭代计算生成若干个鱼池的排程计划。其中,暴力算法将所有任务排列组合得到初始排程,然后遗传算法根据给出的约束条件等干预因素作为筛选条件,将符合约束条件要求的组合的排程计划筛选罗列出来。
优选地,根据暴力算法和遗传算法迭代计算生成若干个鱼池的排程计划,其包括如下子步骤为:
S1根据步骤1的养殖任务和步骤2的基本参数,采用暴力算法枚举得到所有的排程计划;
S2采用遗传算法将步骤3的约束条件作为适应性条件测算步骤S1得到的所有排程计划的适应度;
S3根据适应度保留部分排程计划,放弃其他排程计划;适应度高的保留下来,适应度低的淘汰掉,即能得到适应度高的保留下来的部分排程计划;
S4将保留的部分排程计划交叉变异,得到新的排程计划;
S5将步骤S4中得到的新的排程计划按步骤S2至S4不断循环迭代计算,得到若干个鱼池的排程计划。
首先,暴力算法将所用可能的排程计划全部枚举罗列出来,一个排程计划代表一个解决方案;然后,采用遗传算法根据适应度来衡量这些解决方案的优劣,得到适应度高的解决方案,即保留的部分排程计划,再针对保留的部分排程计划进行迭代计算,覆盖面大,利于全局择优,减少陷入局部最优解的风险;遗传算法通过选择、交叉、变异操作能迅速排除与最优解决方案相差极大的解决方案,这是一个强烈的滤波过程也是一个并行滤波机制,即将适应度低的排程计划过滤出去,将适应度高的排程计划保留下来,并遗传算法有很高的容错能力;遗传算法是采用选择、交叉和变异等随机方法进行最优解决方案搜索,选择体现了向最优解决方案迫近,交叉体现了最优解的产生,变异体现了全局最优解的复盖,全面考虑各种情况,得到最优的排程计划;具体的,选择操作的目的是选择出父体(即保留的部分排程计划),用于参加交叉和变异操作;交叉操作也成为杂交,其目的是产生新的个体,选择出的父体经杂交算子后产生新的个体;变异操作的目的是是基因突变,可防止算法陷入局部最优,从而跳出局部最优,帮助算法找到全局最优解决方案。
优选地,步骤4中,当根据步骤1至3无法生成排程计划,则回到步骤1至步骤3更改相关设置,当根据步骤1至3生成了排程计划,则继续下一步骤。
优选地,步骤5中,当没有符合养殖基地要求的排程计划,回到步骤1至步骤3更改相关设置,然后继续步骤4生成若干个鱼池的排程计划,依次循环直至得到符合养殖基地要求的排程计划。
其中,基地排程作业逻辑:增氧任务频次较多、任务时间较长,排污、换水和投料任务频次少且任务时间短,尽量将排污、换水和投料任务穿插与两组增氧之间,若无增氧任务,则按照任务优先级顺序(投料>排污>换水)进行,如图2所示。
例如:若鱼池相邻两个增氧Z任务之间的时间间隔最少为ZK,投料T任务需要的时长为Z1,排污P任务需要的时长为Z2,换水H任务需要的时长为Z3,则会出现几种情况:
第一种情况:ZK>Z1+Z2+Z3,增氧间隔时间满足投料、排污和换水任务,即任务计划为增氧Z—投料T—排污P—换水H—增氧Z;
第二种情况:Z1+Z2<ZK<Z1+Z2+Z3且ZK>Z3,增氧间隔时间满足投料和排污任务,即任务计划为增氧Z—投料T—排污P—增氧Z—换水H—增氧Z;
第三种情况:Z1<ZK<Z1+Z2,且ZK>Z2和ZK>Z3,增氧间隔时间满足投料或排污或换水任务,即任务计划为增氧Z—投料T—增氧Z—排污P—增氧Z—换水H—增氧Z;
第四种情况:ZK<Z1、ZK<Z2且ZK<Z3,增氧间隔时间不满足任何一种任务,需要等待所有增氧任务完成后继续执行剩余任务,即任务计划为增氧Z—···—增氧Z—投料T—排污P—换水H。
与现有技术相比,本发明具有以下有益效果:本发明采用暴力算法将所有任务排列组合得到全面完整的初始排程,然后遗传算法根据给出的约束条件等干预因素作为筛选条件计算适应度,根据适应度的高低筛选罗列出符合约束条件等干预因素要求的排程计划,再进行交叉变异及迭代计算,得到最优排程计划供工人选择;该排程方法操作简单,能快速的得到基地精细化养殖任务排程计划,省事省力,节省人力,提高日常生产养殖效率。
附图说明
图1为本发明一优选实施例的工厂式养殖基地排程方法流程图;
图2为本发明一优选实施例的基地排程作业逻辑图。
具体实施方式
如图1至图2所示,本实施例提供的一种工厂式养殖基地排程方法,以石室基地为例,石室基地有8个控制箱,49个鱼池,鱼池控制箱SS1至SS8对应控制多个鱼池的增氧Z、排污P和换水H任务下发执行,三组投料机组T1至T3对应控制各个鱼池的投料T任务下发执行。
其中,在本实施例的基地中,同一控制箱组的控制箱可同时工作,不同控制箱组不能同时开启,且同一控制箱组只能同时进行同一种养殖任务,同样的,同一投料机组可同时进行投料,但是不同投料机组不可同时开启投料任务,控制箱及投料机控制连接情况如下;
本基地的排程方法包括如下步骤:
步骤1,获取49个鱼池的养殖任务:每个鱼池需要进行增氧Z、排污P、换水H和投料T任务。
步骤2,获取49个鱼池的养殖任务的基本参数:增氧Z任务4次,以基地内控制箱控制增氧Z时的时长为准;排污P任务1次,以基地内控制箱控制排污P时的时长为准;换水H任务1次,以基地内控制箱控制排污P时的时长为准;投料T任务1次,以基地内投料机组控制投料T时的时长为准;
具体地,控制箱组A1控制的鱼池每次增氧时长为60min,控制箱组A2控制的鱼池每次增氧时长为50min,控制箱组A3控制的鱼池每次增氧时长为40min,每个控制箱组每次排污和换水时长为5min,每个投料机组每次投料时长为10分钟,投料总量为1kg,每次投料量为1kg
步骤3,设置养殖任务的约束条件,包括如下:
1)首次任务开始时间均为06:00;
2)鱼池结束养殖任务的时间需早于23:59;
3)每个鱼池首次养殖任务均为增氧Z;
4)每个鱼池养殖任务的优先级均为:增氧Z>投料T>排污P>换水H;
5)同样情况下,控制箱组控制排污P和换水H任务的排序为A1>A2>A3;
6)同样情况下,投料机组控制投料T任务的排序为T1>T2>T3;
7)相邻任务之间时间间隔为5min;
8)同一控制箱组控制的鱼池增氧Z、排污P、换水H排程顺序相同;
9)控制箱组A1控制的鱼池相邻两次增氧间隔至少为60min;控制箱组A2控制的鱼池相邻两次增氧间隔至少为70min;控制箱组A3控制的鱼池相邻两次增氧间隔至少为80min;
10)不同控制箱组和不同的投料机组不能同时启动,同一控制箱组只能同时进行同一种养殖任务;
11)每个鱼池同一时间只能进行一种养殖任务。
其中,基地排程作业逻辑:增氧任务频次较多、任务时间较长,排污、换水和投料任务频次少且任务时间短,尽量将排污、换水和投料任务穿插与两组增氧之间,若无增氧任务,则按照任务优先级顺序(投料>排污>换水)进行,如图2所示。
若鱼池相邻两个增氧Z任务之间的时间间隔最少为ZK,投料T任务需要的时长为Z1,排污P任务需要的时长为Z2,换水H任务需要的时长为Z3,则会出现几种情况:
第一种情况:ZK>Z1+Z2+Z3,增氧间隔时间满足投料、排污和换水任务,即任务计划为增氧Z—投料T—排污P—换水H—增氧Z;
第二种情况:Z1+Z2<ZK<Z1+Z2+Z3且ZK>Z3,增氧间隔时间满足投料和排污任务,即任务计划为增氧Z—投料T—排污P—增氧Z—换水H—增氧Z;
第三种情况:Z1<ZK<Z1+Z2,且ZK>Z2和ZK>Z3,增氧间隔时间满足投料或排污或换水任务,即任务计划为增氧Z—投料T—增氧Z—排污P—增氧Z—换水H—增氧Z;
第四种情况:ZK<Z1、ZK<Z2且ZK<Z3,增氧间隔时间不满足任何一种任务,需要等待所有增氧任务完成后继续执行剩余任务,即任务计划为增氧Z—···—增氧Z—投料T—排污P—换水H。
步骤4,根据步骤1至步骤3的基本参数和约束条件,暴力算法和遗传算法迭代计算生成若干个鱼池的排程计划;具体的,首先,暴力算法将所有任务排列组合得到初始排程,然后,遗传算法根据给出的约束条件等干预因素作为筛选条件,将符合约束条件等干预因素要求的排程计划筛选罗列出来。
包括如下子步骤为:
S1根据步骤1的养殖任务和步骤2的基本参数,采用暴力算法枚举得到所有的排程计划;
S2采用遗传算法将步骤3的约束条件作为适应性条件测算步骤S1得到的所有排程计划的适应度;
S3根据适应度保留部分排程计划,放弃其他排程计划,即将符合适应度要求(本实施例中可理解为约束条件)的排程计划保留,去掉不符合适应度要求的其他排程计划。
S4将保留的部分排程计划交叉变异,得到新的排程计划;
S5将步骤S4中得到的新的排程计划按步骤S2至S4不断循环迭代计算,得到若干个鱼池的排程计划。
①根据暴力算法以及遗传算法的特性,以步骤2中的基本参数和步骤3中约束条件4)两点进行任务排列组合(遗传算法中初始化群体/暴力算法中获取所有可能出现的任务执行方式);
②通过步骤1至步骤3,计算出任务结束时间,如果任务时长超出当天23:59分,则需要提醒用户基地排程不合理;
③根据遗传算法特性将同控制箱组增氧、排污和换水,同投料机组投料按照步骤2中的基本参数和步骤3的约束条件5)至11)进行选择和复制任务模块,如下表所示:
增氧:整个基地同时进行增氧时,不同控制箱组增氧时长不同:
控制箱组 | 开始时间 | 结束时间 |
Al | N点M分 | N点M分+60分钟 |
A2 | N点M分 | N点M分+50分钟 |
A3 | N点M分 | N点M分+40分钟 |
排污和换水:按控制箱组及相关顺序划分,每组执行任务时长5分钟,下一次任务执行开始较上一次任务执行结束间隔5分钟:
控制箱组 | 开始时间 | 结束时间 |
Al | N点M分 | N点M分+5分钟 |
A2 | N点M分+10分钟 | N点M分+15分钟 |
A3 | N点M分+20分钟 | N点M分+25分钟 |
投料:按投料机组及相关顺序划分,每组执行任务时长10分钟,下一次任务执行开始较上一次任务执行结束间隔5分钟:
控制箱组 | 开始时间 | 结束时间 |
Tl | N点M分 | N点M分+10分钟 |
T2 | N点M分+15分钟 | N点M分+25分钟 |
T3 | N点M分+30分钟 | N点M分+40分钟 |
④根据遗传算法特性,按照步骤1至3的基本参数和约束条件,将基地排程任务进行重组迭代计算,得出n个基地排程任务计划,高效全面;
方案1 | 增氧 | 增氧 | 增氧 | 增氧 | 投料 | 排污 | 换水 |
方案1 | 增氧 | 增氧 | 增氧 | 投料 | 排污 | 换水 | 增氧 |
方案1 | 增氧 | 增氧 | 投料 | 排污 | 换水 | 增氧 | 增氧 |
··· | |||||||
方案n | 增氧 | 投料 | 增氧 | 排污 | 增氧 | 换水 | 增氧 |
步骤5,根据养殖基地要求或偏好选择最优排程计划,如选择最优选项第n中方案,基地自动化排程表如下表:
生产基地排程表后,如用户无需调整,则直接下发任务至控制柜或其他控制装置进行基地排程;如用户需要任务调整,则只需要调整对应的任务时间,其他任务会根据排程规则进行相应的调整,若出现任务时间不足,会告警用户重新配置。通过人为开启和关闭各类设备,或者定时开启关闭均能达到最佳的生产效率和鱼池环境调控的最佳效果。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (8)
1.一种工厂式养殖基地排程方法,其特征在于,包括如下步骤:
步骤1,获取若干个鱼池的养殖任务;
步骤2,获取每个鱼池养殖任务的基本参数;
步骤3,设置鱼池养殖的约束条件;
步骤4,生成若干个鱼池的排程计划;
步骤5,根据养殖基地要求选择最优排程计划;
步骤6,若是在选择的排程计划中添加应急任务,应急任务之前的排程计划不变,应急任务之后的排程计划回到步骤1重新开始,得到新的添加有应急任务的排程计划;若是不添加应急任务,则进行到步骤5即为结束。
2.如权利要求1中所述的工厂式养殖基地排程方法,其特征在于:步骤1中的养殖任务包括增氧、排污、换水和投料。
3.如权利要求2中所述的工厂式养殖基地排程方法,其特征在于:步骤2中的基本参数包括:增氧次数n1、每次增氧总量w1、单位时间的增氧量m1、每次的增氧时长t1、排污次数n2、每次排污总量w2、单位时间的排污量m2、每次的排污时长t2、换水次数n3、每次换水总量w3、单位时间的换水量m3、每次的换水时长t3、投料次数n4、每次投料总量w4、单位时间的投料量m4和每次的投料时长t4;其中,w1=m1*t1,w2=m2*t2,w3=m3*t3,w4=m4*t4。
4.如权利要求3中所述的工厂式养殖基地排程方法,其特征在于:步骤3中的约束条件包括:
1)每个鱼池同一时刻只允许执行一种养殖任务;
2)每个鱼池相邻两种任务的时间间隔;
3)每个鱼池相邻同种任务之间的最少时间间隔;
4)每个鱼池相同情况下四种养殖任务的优先级;
5)每个鱼池首次养殖任务种类;
6)多个鱼池进行同种养殖任务但不能同时进行时的优先级;
7)设置鱼池排程开始时间和结束时间;
8)每个鱼池每个养殖任务前后的等待时间;
9)若干个鱼池的分组情况,同一组内的鱼池排程计划相同;
10)若干个鱼池的分区情况,同一区内的鱼池某一种或多种养殖任务相同;
11)鱼池之间连锁设置情况,设置连锁的鱼池排程计划相同。
5.如权利要求4中所述的工厂式养殖基地排程方法,其特征在于:步骤4中,根据暴力算法和遗传算法迭代计算生成若干个鱼池的排程计划。
6.如权利要求5中所述的工厂式养殖基地排程方法,其特征在于:根据暴力算法和遗传算法迭代计算生成若干个鱼池的排程计划,其包括如下子步骤为:
S1根据步骤1的养殖任务和步骤2的基本参数,采用暴力算法枚举得到所有的排程计划;
S2采用遗传算法将步骤3的约束条件作为适应性条件测算步骤S1得到的所有排程计划的适应度;
S3根据适应度保留部分排程计划,放弃其他排程计划;
S4将保留的部分排程计划交叉变异,得到新的排程计划;
S5将步骤S4中得到的新的排程计划按步骤S2至S4不断循环迭代计算,得到若干个鱼池的排程计划。
7.如权利要求1中所述的工厂式养殖基地排程方法,其特征在于:步骤4中,当根据步骤1至3无法生成排程计划,则回到步骤1至步骤3更改相关设置,当根据步骤1至3生成了排程计划,则继续下一步骤。
8.如权利要求1中所述的工厂式养殖基地排程方法,其特征在于:步骤5中,当没有符合养殖基地要求的排程计划,回到步骤1至步骤3更改相关设置,然后继续步骤4生成若干个鱼池的排程计划,继续循环直至得到符合养殖基地要求的排程计划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311200177.1A CN117540944A (zh) | 2023-09-15 | 2023-09-15 | 一种工厂式养殖基地排程方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311200177.1A CN117540944A (zh) | 2023-09-15 | 2023-09-15 | 一种工厂式养殖基地排程方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117540944A true CN117540944A (zh) | 2024-02-09 |
Family
ID=89781361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311200177.1A Pending CN117540944A (zh) | 2023-09-15 | 2023-09-15 | 一种工厂式养殖基地排程方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117540944A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1112680A2 (en) * | 1999-12-27 | 2001-07-04 | Technology Park Malaysia, Corporation SDN BHD (Co.No. 377141-T) | Method and apparatus for computerized integrated farming |
CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术(上海)有限公司 | 一种应用了基于精英解池的遗传算法的生产排程***和方法 |
CN105321042A (zh) * | 2015-10-19 | 2016-02-10 | 金航数码科技有限责任公司 | 一种基于遗传算法的高级计划排程***及方法 |
CN115169886A (zh) * | 2022-07-06 | 2022-10-11 | 广州赛意信息科技股份有限公司 | 一种pcb钻孔工序自动排程方法、***、介质及装置 |
-
2023
- 2023-09-15 CN CN202311200177.1A patent/CN117540944A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1112680A2 (en) * | 1999-12-27 | 2001-07-04 | Technology Park Malaysia, Corporation SDN BHD (Co.No. 377141-T) | Method and apparatus for computerized integrated farming |
CN101271543A (zh) * | 2008-04-23 | 2008-09-24 | 永凯软件技术(上海)有限公司 | 一种应用了基于精英解池的遗传算法的生产排程***和方法 |
CN105321042A (zh) * | 2015-10-19 | 2016-02-10 | 金航数码科技有限责任公司 | 一种基于遗传算法的高级计划排程***及方法 |
CN115169886A (zh) * | 2022-07-06 | 2022-10-11 | 广州赛意信息科技股份有限公司 | 一种pcb钻孔工序自动排程方法、***、介质及装置 |
Non-Patent Citations (2)
Title |
---|
江苏省水产局: "《新编淡水养殖实用技术问答》", 31 October 1992, 农业出版社, pages: 149 * |
重庆市合川区原种猪场: "智能养殖助力种猪场高效管理", 《农机科技推广》, 31 October 2020 (2020-10-31), pages 57 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359884B (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
Wang et al. | An enhanced Pareto-based artificial bee colony algorithm for the multi-objective flexible job-shop scheduling | |
CN109118002B (zh) | 一种板式产品切割下料与分箱分架集成优化方法 | |
CN104570997B (zh) | 一种用于金属结构件下料与加工排产集成优化方法 | |
Stankard et al. | A note on Bomberger's approach to lot size scheduling: Heuristic proposed | |
CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
CN101833709A (zh) | 半导体生产线生产计划的混合智能优化方法 | |
DE102006025352A1 (de) | Verfahren und System zum Bestimmen der Auslastung von Prozessanlagen in einer Fertigungsumgebung auf der Grundlage von Eigenschaften eines automatisierten Materialhandhabungssystems | |
CN117540944A (zh) | 一种工厂式养殖基地排程方法 | |
CN116227874B (zh) | 一种基于遗传算法的柔性作业车间调度方法和装置 | |
DE102020203718A1 (de) | Computerimplementiertes Verfahren für eine Produktionsplanung und/oder -steuerung eines Produktionssystems und Produktionsplanung und/oder-steuerungssystem zur Produktionsoptimierung | |
US11372396B2 (en) | Control product flow of semiconductor manufacture process under time constraints | |
Niaki et al. | Resource constrained project scheduling with material ordering: Two hybridized meta-heuristic approaches | |
WO2021190919A1 (de) | Computerimplementiertes verfahren für eine produktionsplanung und/oder -steuerung eines produktionssystems und produktionsplanung und/oder -steuerungssystem | |
CN113112145A (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN113361833B (zh) | 化学机械抛光***以及相关的派工管理方法 | |
JP2004250961A (ja) | 広域プラントの最適運用制御装置 | |
Sadeh | MICRO-BOSS: A micro-opportunistic factory scheduler | |
CN102024213A (zh) | 任务制定方法和装置 | |
Bensmaine et al. | A simulation-based genetic algorithm approach for process plans selection in uncertain reconfigurable environment | |
CN112884231A (zh) | 预制构件生产调度与工人配置集成优化方法、介质及设备 | |
CN104573839B (zh) | 一种库存管理优化方法、装置和*** | |
CN111539648A (zh) | 设备群间动态产能的自动分配装置和方法 | |
Lee et al. | Multi-period part selection and loading problems in flexible manufacturing systems | |
KR20100101705A (ko) | 원재료 저조로의 입조 계획 작성 방법, 장치 및 컴퓨터 판독 가능한 기록 매체 |
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 |