CN117575300A - 一种车间的任务分配方法以及装置 - Google Patents
一种车间的任务分配方法以及装置 Download PDFInfo
- Publication number
- CN117575300A CN117575300A CN202410079648.6A CN202410079648A CN117575300A CN 117575300 A CN117575300 A CN 117575300A CN 202410079648 A CN202410079648 A CN 202410079648A CN 117575300 A CN117575300 A CN 117575300A
- Authority
- CN
- China
- Prior art keywords
- order data
- target
- production line
- order
- target production
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 350
- 238000009826 distribution Methods 0.000 claims abstract description 53
- 238000003066 decision tree Methods 0.000 claims abstract description 47
- 239000000463 material Substances 0.000 claims description 36
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 14
- 238000012384 transportation and delivery Methods 0.000 description 12
- 239000002023 wood Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000002922 simulated annealing Methods 0.000 description 7
- 229910052751 metal Inorganic materials 0.000 description 5
- 239000002184 metal Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000004800 polyvinyl chloride Substances 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012261 overproduction Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及车间调度领域，具体涉及一种车间的任务分配方法以及装置，包括：获取多个订单数据，根据多个订单数据以及预设决策树模型，获取每个订单数据的订单类型，根据多个订单数据以及每个订单数据的订单类型，将多个订单数据分配到相应的目标生产线上，获取目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，根据目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整目标生产线上的任务量。通过目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整目标生产线上的任务量，从而防止产生目标生产线的工作负载分布不均衡的问题。
Description
技术领域
本发明涉及车间调度技术领域，尤其是一种车间的任务分配方法以及装置。
背景技术
目前，生产车间通常需要同时处理多个工序，这些工序涉及在产品制造的不同阶段，每个工序都有特定的要求和资源需求。产品的制造不再是一个简单的线性过程，而是涉及多个阶段和工序，这些工序之间存在依赖关系，而且需要严格的协调和管理。每个工序需要不同类型的设备、技能和物料，因此，为了实现高效生产和产品质量，必须有效地管理这些多工序流程。然而资源都是有限的，例如设备、劳动力和原材料，合理分配任务和资源，可以降低生产成本，提高资源的利用率，并最大化产量。现阶段，传统的生产线的工作负载分布不均衡，导致某些生产线过度工作，而其他生产线处于空闲状态，也就是不能及时调整传统的生产线的任务量，导致生产线制造产品的效率降低。
发明内容
为解决上述现有技术问题，本发明提供一种车间的任务分配方法以及装置，解决了传统的生产线的工作负载分布不均衡的问题。
本发明的一方面，提供了一种车间的任务分配方法，包括：
获取多个订单数据；
根据所述多个订单数据以及预设决策树模型，获取每个订单数据的订单类型；
根据所述多个订单数据以及所述每个订单数据的订单类型，将所述多个订单数据分配到相应的目标生产线上；
获取所述目标生产线的产能利用率、所述目标生产线的生产速度以及所述目标生产线上制造的产品数量；
根据所述目标生产线的产能利用率、所述目标生产线的生产速度以及所述目标生产线上制造的产品数量，调整所述目标生产线上的任务量。
在一实施例中，所述预设决策树模型的建立方法包括：
获取多个历史订单数据；
提取每个历史订单数据的多个特征；
对所述每个历史订单数据的多个特征进行预处理，以得到所述每个历史订单数据的多个预处理之后的特征；
获取所述每个历史订单数据的订单类型；
根据所述每个历史订单数据的订单类型，确定每个预处理之后的特征对应的特征值；
计算所述每个历史订单数据的多个预处理之后的特征对应的特征值之和为所述每个历史订单数据的订单类型对应的概率值；
根据所述多个历史订单数据、所述每个历史订单数据的订单类型以及所述每个历史订单数据的订单类型对应的概率值，构建所述预设决策树模型。
在一实施例中，所述获取每个订单数据的订单类型包括：
获取所述每个订单数据的订单类型对应的概率值；
根据所述概率值，计算所述多个订单数据的分布值；其中，所述分布值表示所述多个订单数据分布在不同种类的订单类型中的数量差异；
若所述分布值大于预设分布阈值，则在所述预设决策树模型中重新选择划分所述多个订单数据的特征作为关键特征；
根据所述关键特征，确定所述每个订单数据的订单类型。
在一实施例中，所述在所述预设决策树模型中重新选择划分所述多个订单数据的特征作为关键特征包括：
在所述预设决策树模型中确定划分所述多个订单数据的目标特征；
确定所述目标特征中特征值为目标特征值的多个订单数据子集；
根据所述分布值以及所述多个订单数据子集，计算所述目标特征对应的信息增益；其中，所述信息增益表示所述目标特征划分所述多个订单数据作出的贡献值；
若所述信息增益大于预设增益，则确定所述目标特征为关键特征。
在一实施例中，所述目标特征对应的信息增益的计算公式为：，/>表示所述目标特征对应的信息增益，/>为所述目标特征值的取值，/>表示所述目标特征值为v的订单数据子集，/>为所述多个订单数据的分布值。
在一实施例中，所述根据所述目标生产线的产能利用率、所述目标生产线的生产速度以及所述目标生产线上制造的产品数量，调整所述目标生产线上的任务量包括：
获取所述目标生产线上的多个决策变量；其中，每个决策变量表示目标产品是否在所述目标生产线上制造；
将所述多个决策变量中的一个决策变量的值进行翻转，以得到翻转后的决策变量；
根据所述多个决策变量、所述翻转后的决策变量、所述目标生产线的生产速度、所述目标生产线的产能利用率以及所述目标生产线上制造的产品数量，调整所述目标生产线上的任务量。
在一实施例中，所述根据所述多个决策变量、所述翻转后的决策变量、所述目标生产线的生产速度、所述目标生产线的产能利用率以及所述目标生产线上制造的产品数量，调整所述目标生产线上的任务量包括：
根据所述多个决策变量、所述翻转后的决策变量、所述目标生产线的生产速度、所述目标生产线的产能利用率以及所述目标生产线上制造的产品数量，计算得到目标函数值；
若所述目标函数值小于或者等于预设函数阈值，则选取所述目标函数值中的决策变量的值为预设变量阈值的决策变量为目标决策变量；
控制所述目标生产线按照所述目标决策变量的规则制造产品。
在一实施例中，所述目标函数值的计算公式为：
，N表示所述目标生产线上制造的产品数量，M表示所述目标生产线的数量，/>表示所述决策变量，/>表示所述目标生产线的生产速度，/>表示所述目标产品的生产需求，/>表示所述目标生产线的产能利用率，/>表示权衡因子。
在一实施例中，所述根据所述多个订单数据以及所述每个订单数据的订单类型，将所述多个订单数据分配到相应的目标生产线上包括：
根据所述多个订单数据的加急标记、所述多个订单数据的截止日期以及所述多个订单数据对应的物料需求，对所述多个订单数据进行优先级排序，以得到多个排序之后的订单数据；
根据所述每个订单数据的订单类型以及所述多个排序之后的订单数据，将所述多个订单数据分配到相应的目标生产线上。
本发明的另一方面，提供了一种车间的任务分配装置，包括：
数据获取模块，用于获取多个订单数据；
类型获取模块，用于根据所述多个订单数据以及预设决策树模型，获取每个订单数据的订单类型；
分配模块，用于根据所述多个订单数据以及所述每个订单数据的订单类型，将所述多个订单数据分配到相应的目标生产线上；
产能获取模块，用于获取所述目标生产线的产能利用率、所述目标生产线的生产速度以及所述目标生产线上制造的产品数量；
调整模块，用于根据所述目标生产线的产能利用率、所述目标生产线的生产速度以及所述目标生产线上制造的产品数量，调整所述目标生产线上的任务量。
本发明的有益效果体现在，本发明提供了一种车间的任务分配方法以及装置，该方法包括：获取多个订单数据，根据多个订单数据以及预设决策树模型，获取每个订单数据的订单类型，根据多个订单数据以及每个订单数据的订单类型，将多个订单数据分配到相应的目标生产线上，获取目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，根据目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整目标生产线上的任务量。通过将多个订单数据分类到不同的订单类型中，从而根据订单类型将订单数据分配到不同的目标生产线上，然后根据目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整目标生产线上的任务量，从而防止产生目标生产线的工作负载分布不均衡的问题。
附图说明
图1为本发明所提供的车间的任务分配方法的流程示意图。
图2为本发明所提供的调整目标生产线上的任务量的方法的流程示意图。
图3为本发明所提供的订单数据分配方法的流程示意图。
图4为本发明所提供的车间的任务分配装置的结构示意图。
图5为本发明另一提供的车间的任务分配装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例1：图1为本发明所提供的车间的任务分配方法的流程示意图。参照图1，车间的任务分配方法包括：
S110：获取多个订单数据。
在本申请实施例中，可以使用移动开发框架（React Native、Flutter）来构建用户界面，厂家或者用户可以通过该用户界面输入订单数据。当外部***或用户提交订单或任务信息时，需要编写服务器端代码并使用Express.js建立接收端，数据以JSON、格式传输，然后被解析成内部数据结构。
具体地，订单数据可以包括定制需求和工艺设备。定制需求包括：1、门框设计要求，包括尺寸、形状、开启方式、材料等。尺寸和尺寸精度中包括门框的高度、宽度、深度等；2、门框特定的形状和轮廓，以适应特定的门或窗户类型，包括圆弧形、方形、矩形、椭圆形等；3、关于门的开启方式的说明，包括单开、双开、滑动门等；4、材料和材质：订单中规定了门框所需的具体材料和材质，包括金属、木材、PVC、铝合金等。
工艺设备包括：1、交货期限；2.质量要求，包括高质量和低质量，且高质量和低质量要求的订单需要不同的处理流程，包括质量控制和检验；3、生产线状况：工厂中的不同生产线的状况，包括生产速度、可用性和当前负荷；4. 库存状况： 分析库存状况，以确定是否需要重新订购材料或部件。
S120：根据多个订单数据以及预设决策树模型，获取每个订单数据的订单类型。
在本申请实施例中，由于传统的生产线都是人工将订单数据进行分类，一旦作业人员出现疏忽将会把订单数据分配到错误的生产线上生产，导致生产线出现较大的负荷，因此为了减少订单处理的时间并提高生产线的生产效率，可以通过预设决策树模型，将多个订单数据进行分类，即确定每个订单数据对应的订单类型，根据订单类型将订单数据分配到相应的生产线上，从而快速的减少订单处理的时间并提高生产线的生产效率。
具体地，决策树算法使用树状结构表示分类规则，决策树算法基于数据来生成分类规则，因此它们更具适应性。随着新的订单类型和设计要求的出现，模型可以根据数据自动调整分类规则，相对于人为对订单数据的处理更具有便利性。除此之外，决策树算法还存在1）可扩展性： 决策树算法可以应对不断增长的订单数量和复杂性，因为它们可以轻松扩展以适应新的订单类型和规格。2）支持特征重要性评估： 决策树算法可以帮助识别哪些特征对于订单分类最为重要。这有助于门窗制造企业更好地了解客户需求和市场趋势。3）处理不确定性：在门窗制造中，可能会有一些不确定性因素，如特殊客户要求或新材料的使用。决策树算法能够处理这种不确定性，并根据订单的具体特征进行分类。
另外，可以将每个订单数据的订单类型通过电子邮件、短信、推送通知等方式将订单类型通知给相应的用户。
S130：根据多个订单数据以及每个订单数据的订单类型，将多个订单数据分配到相应的目标生产线上。
在本申请实施例中，确定每个订单数据的订单类型之后，根据订单类型将订单数据分配到相应的目标生产线上。例如订单类型为高档门，高档门对应的生产线为A产线以及B产线，那么将属于高档门的订单数据分别分配到A产线以及B产线进行生产。
S140：获取目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量。
在本申请实施例中，由于生产线的工作负载分布不均衡，导致某些生产线过度工作，而其他生产线处于空闲状态，因此通过目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量确定生产线的工作负荷是否过大。
S150：根据目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整目标生产线上的任务量。
在本申请实施例中，由于根据目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，确定了目标生产线的工作负荷，因此无论目标生产线的工作负荷过大还是过小，均调整目标生产线上的任务量，从而保证每条目标生产线都进行生产，且产出的产品数量均等，进而防止出现某些生产线过度工作，而其他生产线处于空闲状态的问题。
本发明提供了一种车间的任务分配方法，该方法包括：获取多个订单数据，根据多个订单数据以及预设决策树模型，获取每个订单数据的订单类型，根据多个订单数据以及每个订单数据的订单类型，将多个订单数据分配到相应的目标生产线上，获取目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，根据目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整目标生产线上的任务量。通过将多个订单数据分类到不同的订单类型中，从而根据订单类型将订单数据分配到不同的目标生产线上，然后根据目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整目标生产线上的任务量，从而防止产生目标生产线的工作负载分布不均衡的问题。
实施例2：在一实施例中，预设决策树模型的建立方法包括：获取多个历史订单数据；提取每个历史订单数据的多个特征；对每个历史订单数据的多个特征进行预处理，以得到每个历史订单数据的多个预处理之后的特征；获取每个历史订单数据的订单类型；根据每个历史订单数据的订单类型，确定每个预处理之后的特征对应的特征值； 计算每个历史订单数据的多个预处理之后的特征对应的特征值之和为每个历史订单数据的订单类型对应的概率值；根据多个历史订单数据、每个历史订单数据的订单类型以及每个历史订单数据的订单类型对应的概率值，构建预设决策树模型。
在本申请实施例中，为了可以快速的构建预设决策树模型，因此通过历史订单数据以及历史数据的订单类型输入到决策树算法中，以得到预设决策树模型。
具体地，获取多个历史订单数据，提取每个历史订单数据的多个特征，该多个特征包括门框设计、尺寸、形状、开启方式、材料、交货期限、质量要求、生产线状况、库存状况等。然后将多个特征进行清洗和预处理，从而从多个特征中选择最相关、最具信息量的特征，减少冗余和噪声，提高模型的效果和效率。另外，原始数据中常常存在缺失值、异常值、重复值、不一致的格式等问题，因此对多个特征进行预处理从而可以通过填充缺失值、处理异常值、去除重复值、统一格式等方式，提高数据的质量和准确性，其中，预处理的步骤包括处理缺失值、编码非数值特征（例如，将门框设计要求、开启方式等转换为数值表示），标准化数据等。
然后，获取每个历史订单数据的订单类型，根据历史订单数据和历史订单数据的订单类型训练决策树模型，从而使决策树模型学习如何根据上述的多个特征对订单数据进行分类。训练之后的决策树模型中，每个节点表示一个特征，每个分支表示特征值，从根节点到叶子节点的路径确定了订单数据的订单类型。当新订单信息输入到预设决策树模型中，模型根据订单数据的特征逐步沿树状结构向下移动，最终确定订单数据的订单类型，即计算每个历史订单数据的多个预处理之后的特征对应的特征值之和为每个历史订单数据的订单类型的概率值，根据概率值确定订单数据属于的订单类型。例如，订单数据为设计一个高门框，形状为圆形，材料为木质的门框，那么该订单数据的特征包括：高门框，圆形，木质。高门框对应的特征值为0.5，圆形为0.1，木质为0.3，那么该订单数据的概率值为0.5+0.1+0.3=0.9，0.9对应的订单类型为高门框，那么该订单数据的订单类型就为高门框。
实施例3：在一实施例中，步骤120可具体实施为：获取每个订单数据的订单类型对应的概率值；根据概率值，计算多个订单数据的分布值；其中，分布值表示多个订单数据分布在不同种类的订单类型中的数量差异；若分布值大于预设分布阈值，则在预设决策树模型中重新选择划分多个订单数据的特征作为关键特征；根据关键特征，确定每个订单数据的订单类型。
在本申请实施例中，由于在门窗制造领域,不同的门框设计要求可能需要不同的处理方式和工艺，并且每个订单数据可能包含各种不同的门框设计要求，因此在对订单数据进行分类时由于选择的特征不同将会导致对多个订单数据进行分类的结果不同。为了保证不同种类的订单类型中的订单数据均衡，因此可以通过分布值衡量多个订单数据分类的均匀程度，保证每个订单数据都被正确分类到适当的订单类型，以满足客户需求。
具体地，获取每个订单数据的订单类型对应的概率值，根据概率值，计算得到分布值，其中，分布值表示多个订单数据分布在不同种类的订单类型中的数量差异，分布值的计算公式为，其中，/>表示多个订单数据集的分布值（熵），/>表示可能的订单类型，/>表示每个订单数据属于第/>个订单类型的概率。若分布值大于预设分布阈值，则重新选择预设决策树模型中的特征作为关键特征，可以理解的是，若分布值大于预设分布阈值，说明订单类型分布不均匀，也就是某一个订单类型中的订单数据的数量远远大于其他订单类型中的订单数据的数量，进而可以确定在对多个订单数据进行分类时，选取的特征导致对多个订单数据分类时的不确定性高，因此需要重新选择预设决策树模型中的特征，也就是重新选取***点，以适应当前的分类需求，从而保证预设决策树模型可以适用各种变化，该变化可能包括客户要求的变化。例如，多个订单数据可能的订单类型包括高档门、中档门和低档门，也就是c=3。如果高档门占总订单数的2/3，中档门和低档门总共占总订单数据的1/3，那么说明订单类型部分不均匀。
例如，订单数据包括高档门，形状为圆形，材质为木质，那么该特征可以选取高档门、圆形和木质，也可以选取高档门和木质，也可以选取圆形和木质。如果特征选取高档门、圆形和木质导致订单类型分布不均匀，那么该特征可以选取高档门和木质，或者圆形和木质，并将高档门和木质作为关键特征，或者将圆形和木质作为关键特征。如果选取高档门、圆形和木质时对应的订单类型为高档门，那么后续选取高档门和木质作为关键特征时对应的订单类型就变成了圆形。由于重新选择预设决树模型中的特征，从而减少了分类时的不确定性。
实施例4：在一实施例中，步骤120可具体实施为：在预设决策树模型中确定划分多个订单数据的目标特征；确定目标特征中特征值为目标特征值的多个订单数据子集；根据分布值以及多个订单数据子集，计算目标特征对应的信息增益；其中，信息增益表示目标特征划分多个订单数据作出的贡献值；若信息增益大于预设增益，则确定目标特征为关键特征。
在本申请实施例中，虽然当分布值大于预设分布阈值时，可以重新选择预设决策树模型中的特征划分多个订单数据，但是预设决策树中的特征较多，且每个订单数据可以划分出多个特征，特征的不同组合将会导致产生多个订单类型，因此本申请通过计算目标特征的信息增益，根据信息增益确定目标特征是否是关键特征，从而可以快速的确定订单数据的订单类型，并且降低对订单数据分类时的不确定性。
具体地，在预设决策树模型中确定划分多个订单数据的目标特征，确定目标特征中特征值为预设特征值的订单数据集，根据分布值以及订单数据集，计算目标特征对应的信息增益，其中，信息增益表示目标特征划分多个订单数据作出的贡献值，若信息增益大于预设增益，则确定目标特征为关键特征，可以理解的是，该目标特征的信息增益越大，则使用目标特征划分订单后，订单分类的不确定性降低，因此该目标特征有助于订单数据分级。但若信息增益小于预设增益，则确定该目标特征没有显著地降低订单数据的不确定性，因此可以不选用该目标特征划分订单数据。
例如，目标特征可以为门框材料，其包括：金属、木材、PVC 等。如果门框材料是金属，那么金属的特征值为目标特征值，并从多个订单数据中确定门框材料的特征值为金属的特征值的订单数据子集，并计算订单数据子集的分布值，也就是订单数据子集的熵。确定多个订单数据的分布值与通过门框材料划分多个订单数据后每个数据子集的熵之和的差异，从而确定使用门框材料划分订单数据的不准确性减少了多少，即信息增益。若信息增益大于预设增益，则确定门框材料显著地降低对订单分类时的不确定性。
实施例5：在一实施例中，目标特征对应的信息增益的计算公式为：，/>表示目标特征对应的信息增益，/>为目标特征值的取值，/>表示目标特征值为v的订单数据子集，为多个订单数据的分布值。
在本申请实施例中，信息增益的计算通过比较使用不同特征划分订单后的信息熵差异衡量目标特征对订单分类的贡献。具体来说，它比较了整个订单数据的熵/>与使用特征/>划分多个订单数据后每个订单数据子集/>的熵之和的差异。信息增益越大，说明使用特征/>划分订单数据后，订单分类的不确定性减少得越多，这使得特征/>更有助于对多个订单数据的分级。
实施例6：图2为本发明所提供的调整目标生产线上的任务量的方法的流程示意图。参照图2，S150可以包括：
S151：获取目标生产线上的多个决策变量，其中，每个决策变量表示目标产品是否在目标生产线上制造。
在本申请实施例中，为了避免生产线过渡工作，而其他生产线处于空闲状态，因此可以通过模拟退火算法可以用于解决组合优化问题，也就是先获取目标生产线上的多个决策变量，其中，每个决策变量表示目标产品是否在目标生产线上制造。在模拟退火算法中，获取决策变量是为了确定问题的解决方案。决策变量是问题中需要优化的参数或变量，通过对这些变量的取值进行调整，可以得到不同的解决方案，并评估其在目标函数上的优劣。决策变量以表示，/>表示产品/>是否在生产线/>上制造，/>表示制造，/>表示不制造。
S152：将多个决策变量中的一个决策变量的值进行翻转，以得到翻转后的决策变量。
在本申请实施例中，在模拟退火算法中，翻转决策变量的值是为了在搜索过程中能够跳出局部最优解，增加搜索空间的多样性，从而有机会找到全局最优解或接近最优解的解决方案。当我们在当前解的邻域中搜索新解时，可以通过翻转决策变量的值来生成邻域解。通过翻转决策变量的值，可以在搜索过程中尝试新的解决方案，这些解决方案在目标函数上可能比当前解更差。这是因为模拟退火算法具有一定的接受劣质解的概率，在初始阶段和较高的温度下更容易接受劣质解。这样做的目的是为了避免算法陷入局部最优解，使其有机会跳出局部最优解并继续搜索。通过翻转决策变量的值，模拟退火算法可以在搜索空间中进行探索，寻找更优的解。当温度逐渐降低时，算法更加趋向于接受更优的解，从而逐步收敛到全局最优解或接近最优解。
具体地，随机选择一个决策变量并翻转其值（0 到 1 或 1 到 0）。
S153：根据多个决策变量、翻转后的决策变量、目标生产线的生产速度、目标生产线的产能利用率以及目标生产线上制造的产品数量，调整目标生产线上的任务量。
实施例7：在一实施例中，S153可具体配置为：根据多个决策变量、翻转后的决策变量、目标生产线的生产速度、目标生产线的产能利用率以及目标生产线上制造的产品数量，计算得到目标函数值；若目标函数值小于或者等于预设函数阈值，则选取目标函数值中的决策变量的值为预设变量阈值的决策变量为目标决策变量；控制目标生产线按照目标决策变量的规则制造产品。
在本申请实施例中，通过计算目标函数值的变化，判断是否接受新解。如果新解更优（目标函数值小于或者等于预设函数阈值），则接受新解，如果新解劣于当前解（目标函数值大于预设函数阈值），则以一定概率接受劣质解，即若目标函数值小于或者等于预设函数阈值，则选取目标函数值中的决策变量的值为预设变量阈值的决策变量为目标决策变量，其中，预设变量阈值为1，目标函数值记为/>，预设函数阈值为/>。
具体地，1、初始化决策变量，其中/>表示产品/>在生产线/>上制造，/>表示不制造。2、初始化温度参数/>和冷却率/>。3、在每个迭代中，随机选择一个决策变量/>并翻转其值（0 到 1 或 1 到 0）。4、 计算新的目标函数值/>。5、如果/>，则接受新的决策；否则，以一定概率接受新的决策，概率为。6、 降低温度/>。重复步骤 3 到 6，直到满足停止条件（如达到最大迭代次数或温度降至阈值）。通过模拟退火算法，***将寻找最优的决策变量/>配置，以最小化不平衡度/>并满足约束条件。这有助于确定哪个产品在哪条生产线上制造，以保持生产线的负载均衡，提高生产效率。
实施例8：在一实施例中，目标函数值的计算公式为：，N表示目标生产线上制造的产品数量，M表示目标生产线的数量，/>表示决策变量，/>表示目标生产线的生产速度，/>表示目标产品的生产需求，/>表示目标生产线的产能利用率，/>表示权衡因子。
在本申请实施例中，由于产能利用率、生产线的生产速度以及生产线上制造的产品数量均可以影响到生产线的工作负荷，因此在寻找目标生产线上制造产品的最优解时，需要将产能利用率、生产线的生产速度以及生产线上制造的产品数量考虑其中。
其中，产能利用率是指生产线实际产出与其潜在产能之间的比率。通过计算生产线的产能利用率，可以了解生产线目前的生产效率和资源利用情况。如果产能利用率接近100%，说明生产线正充分利用其潜在产能，工作负荷可能相对较高。
生产速度是指生产线在单位时间内能够完成的产品数量。通过监测生产线的生产速度，可以了解生产线每小时或每天能够生产的产品数量。如果生产速度较高，说明生产线的工作负荷可能较大。
另外，生产线是指在理想条件下，生产线每小时或每天应该能够制造的产品数量。通过比较实际生产线的产出与标准生产线的产出，可以评估生产线的工作负荷情况。如果实际产出低于标准产出，可能意味着生产线的工作负荷较轻，存在潜在的产能闲置。
另外，设置生产速度约束和生产需求约束是为了确保生产线能够满足生产需求，并在可接受的时间范围内完成生产任务。这些约束的目的是对生产过程进行有效管理和控制，以保证生产线的正常运行和生产计划的实现，因此通过设置生产速度约束和生产需求约束帮助模拟退火算法可以找出在可接受的时间范围内完成生产任务的最优解。
生产速度约束是指限制生产线在单位时间内能够完成的产品数量或生产速率。通过设置生产速度约束，可以确保生产线不会过度负荷，避免因生产速度过快而导致质量问题、设备故障或工人疲劳等问题。生产速度约束还可以帮助控制生产线的生产能力，确保其在可控的范围内运行。
生产需求约束是指根据市场需求或订单要求，对生产线的产量或产品种类进行限制。通过设置生产需求约束，可以确保生产线按照预定的计划和要求进行生产，满足市场需求或客户订单。生产需求约束还可以帮助平衡生产线的产能和市场需求之间的关系，避免过度生产或产能闲置的问题。
通过限制生产速度和生产需求，可以确保生产线的产能与市场需求相匹配，避免过度投入或资源浪费。限制生产速度可以防止过快的生产导致质量问题，确保产品质量得到有效控制和保证。通过设置生产需求约束，可以确保按时交付客户订单，提高交货准时率，增强客户满意度。通过合理安排生产速度和生产需求，可以最大限度地利用生产线的资源，提高生产效率和资源利用率。
其中，生产速度约束：，/>：产品 /> 在生产线/>上的生产速度，/>：生产线/>的产能。生产需求约束：
。
实施例9：在一实施例中，图3为本发明所提供的订单数据分配方法的流程示意图。参照图3，S130可以包括：
S131：根据多个订单数据的加急标记、多个订单数据的截止日期以及多个订单数据对应的物料需求，对多个订单数据进行优先级排序，以得到多个排序之后的订单数据。
在本申请实施例中，为了提高交货准时率以及合理分配生产资源，因此根据订单数据的截止日期以及订单数据对应的物料需求，对多个订单数据进行优先级排序，从而优先处理高优先级订单，从而减少库存积压和过剩库存的风险，并提高交货准时率以及合理分配生产资源。
S132：根据每个订单数据的订单类型以及多个排序之后的订单数据，将多个订单数据分配到相应的目标生产线上。
在本申请实施例中，可以创建一个任务队列或任务池，其中包含所有等待执行的订单。任务可以根据订单的优先级、截止日期和所需物料来排队。对于急需订单，可以标记为“加急”。
另外，当订单数据进入任务队列时，自动检查每个订单数据所需的物料是否可用。如果所需的物料缺失，那么会触发一个物料需求的过程。当物料需求被触发时，***会生成一个物料采购请求。这个请求将被发送到采购部门，采购部门会确认哪些物料需要采购，以满足订单数据的要求（供应商联系、采购订单生成和物料采购）。然后确保***中有物料库存的记录，以及库存水平的监控，这可以通过与仓库管理***的集成来实现，以便及时更新库存信息。
由于每个订单都应该有相关的交货日期，也可以根据订单的交货日期、加急标记和物料可用性对多个订单数据进行优先级排序。如果某个订单数据的物料不可用，但交货日期临近，***将将其标记为“加急”任务，以确保按时交货。
实施例10：在S150之后，车间的任务分配方法可具体实施为：通过RFID技术监测目标生产线上制造完成的产品的库存数量、位置和状态。
在本申请实施例中，为了可以及时检测制造完成的产品的出库记录，因此可以在每个制造完成的产品上设置RFID标签，通过RFID标签可以确定制造完成的产品的库存数量、位置、出库日期、出库批次、目的地等。
实施例11：在S150之后，车间的任务分配方法可具体实施为：在车间的各个环节上设置二维码，二维码包含有物料和产品的相关信息。
在本申请实施例中，为了收集车间各个环节的生产数据，因此在车间的各个环节上设置二维码，通过二维码监控物料和产品。具体地，可以通过移动设备扫描二维码，移动设备可以包括智能手机或平板电脑，移动设备具备相应的扫描应用程序。当工人需要执行特定任务或收集数据时，他们可以使用移动设备上的扫描应用程序扫描相关的二维码，该二维码可以是物料的二维码、设备的二维码或任务单上的二维码。扫描二维码后，扫描应用程序将自动收集与扫描对象相关的数据，包括任务开始和结束时间、设备状态、工序信息、工人信息等。采集到的数据可以实时传输到中央数据库或云平台，以便实时分析和监控，具体地通过移动设备的数据连接或WiFi来实现。管理人员和生产人员可以通过仪表板或可视化界面实时监控扫描的数据，他们可以看到任务进度、设备状态和生产效率。如果某些数据超出了事先定义的范围，***可以自动发出警报或通知，以提醒相关人员采取行动，或者产品出现质量问题，也可以发出警报或通知。
图4为本发明所提供的车间的任务分配装置的结构示意图。参照图4，车间的任务分配装置20包括：数据获取模块201，用于获取多个订单数据；类型获取模块202，用于根据多个订单数据以及预设决策树模型，获取每个订单数据的订单类型；分配模块203，用于根据多个订单数据以及每个订单数据的订单类型，将多个订单数据分配到相应的目标生产线上；产能获取模块204，用于获取目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量；调整模块205，用于根据目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整目标生产线上的任务量。
本发明提供了一种车间的任务分配装置，包括：通过数据获取模块获取多个订单数据，类型获取模块根据多个订单数据以及预设决策树模型，获取每个订单数据的订单类型，分配模块根据多个订单数据以及每个订单数据的订单类型，将多个订单数据分配到相应的目标生产线上，产能获取模块获取目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整模块根据目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整目标生产线上的任务量。通过将多个订单数据分类到不同的订单类型中，从而根据订单类型将订单数据分配到不同的目标生产线上，然后根据目标生产线的产能利用率、目标生产线的生产速度以及目标生产线上制造的产品数量，调整目标生产线上的任务量，从而防止产生目标生产线的工作负载分布不均衡的问题。
图5为本发明另一提供的车间的任务分配装置的结构示意图。参照图5，预设决策树模型的建立装置包括：获取多个历史订单数据；提取每个历史订单数据的多个特征；对每个历史订单数据的多个特征进行预处理，以得到每个历史订单数据的多个预处理之后的特征；获取每个历史订单数据的订单类型；根据每个历史订单数据的订单类型，确定每个预处理之后的特征对应的特征值； 计算每个历史订单数据的多个预处理之后的特征对应的特征值之和为每个历史订单数据的订单类型对应的概率值；根据多个历史订单数据、每个历史订单数据的订单类型以及每个历史订单数据的订单类型对应的概率值，构建预设决策树模型。
在一实施例中，类型获取模块202可具体配置为：获取每个订单数据的订单类型对应的概率值；根据概率值，计算多个订单数据的分布值；其中，分布值表示多个订单数据分布在不同种类的订单类型中的数量差异；若分布值大于预设分布阈值，则在预设决策树模型中重新选择划分多个订单数据的特征作为关键特征；根据关键特征，确定每个订单数据的订单类型。
在一实施例中，类型获取模块202可具体配置为：在预设决策树模型中确定划分多个订单数据的目标特征；确定目标特征中特征值为目标特征值的多个订单数据子集；根据分布值以及多个订单数据子集，计算目标特征对应的信息增益；其中，信息增益表示目标特征划分多个订单数据作出的贡献值；若信息增益大于预设增益，则确定目标特征为关键特征。
在一实施例中，目标特征对应的信息增益的计算公式为：，/>表示目标特征对应的信息增益，/>为目标特征值的取值，/>表示目标特征值为v的订单数据子集，/>为多个订单数据的分布值。
在一实施例中，调整模块205可以包括：变量获取子单元2051，用于获取目标生产线上的多个决策变量；其中，每个决策变量表示目标产品是否在目标生产线上制造；翻转单元2052，用于将多个决策变量中的一个决策变量的值进行翻转，以得到翻转后的决策变量；调整单元2053，用于根据多个决策变量、翻转后的决策变量、目标生产线的生产速度、目标生产线的产能利用率以及目标生产线上制造的产品数量，调整目标生产线上的任务量。
在一实施例中，调整单元2053可具体配置为：根据多个决策变量、翻转后的决策变量、目标生产线的生产速度、目标生产线的产能利用率以及目标生产线上制造的产品数量，计算得到目标函数值；若目标函数值小于或者等于预设函数阈值，则选取目标函数值中的决策变量的值为预设变量阈值的决策变量为目标决策变量；控制目标生产线按照目标决策变量的规则制造产品。
在一实施例中，目标函数值的计算公式为：
，N表示目标生产线上制造的产品数量，M表示目标生产线的数量，/>表示决策变量，/>表示目标生产线的生产速度，/>表示目标产品的生产需求，/>表示目标生产线的产能利用率，/>表示权衡因子。
在一实施例中，分配模块203可以包括：排序单元2031，用于根据多个订单数据的加急标记、多个订单数据的截止日期以及多个订单数据对应的物料需求，对多个订单数据进行优先级排序，以得到多个排序之后的订单数据；分配子单元2032，用于根据每个订单数据的订单类型以及多个排序之后的订单数据，将多个订单数据分配到相应的目标生产线上。
在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种车间的任务分配方法，其特征在于，包括：
获取多个订单数据；
根据所述多个订单数据以及预设决策树模型，获取每个订单数据的订单类型；
根据所述多个订单数据以及所述每个订单数据的订单类型，将所述多个订单数据分配到相应的目标生产线上；
获取所述目标生产线的产能利用率、所述目标生产线的生产速度以及所述目标生产线上制造的产品数量；
根据所述目标生产线的产能利用率、所述目标生产线的生产速度以及所述目标生产线上制造的产品数量，调整所述目标生产线上的任务量。
2.根据权利要求1所述的车间的任务分配方法，其特征在于，所述预设决策树模型的建立方法包括：
获取多个历史订单数据；
提取每个历史订单数据的多个特征；
对所述每个历史订单数据的多个特征进行预处理，以得到所述每个历史订单数据的多个预处理之后的特征；
获取所述每个历史订单数据的订单类型；
根据所述每个历史订单数据的订单类型，确定每个预处理之后的特征对应的特征值；
计算所述每个历史订单数据的多个预处理之后的特征对应的特征值之和为所述每个历史订单数据的订单类型对应的概率值；
根据所述多个历史订单数据、所述每个历史订单数据的订单类型以及所述每个历史订单数据的订单类型对应的概率值，构建所述预设决策树模型。
3.根据权利要求2所述的车间的任务分配方法，其特征在于，所述获取每个订单数据的订单类型包括：
获取所述每个订单数据的订单类型对应的概率值；
根据所述概率值，计算所述多个订单数据的分布值；其中，所述分布值表示所述多个订单数据分布在不同种类的订单类型中的数量差异；
若所述分布值大于预设分布阈值，则在所述预设决策树模型中重新选择划分所述多个订单数据的特征作为关键特征；
根据所述关键特征，确定所述每个订单数据的订单类型。
4.根据权利要求3所述的车间的任务分配方法，其特征在于，所述在所述预设决策树模型中重新选择划分所述多个订单数据的特征作为关键特征包括：
在所述预设决策树模型中确定划分所述多个订单数据的目标特征；
确定所述目标特征中特征值为目标特征值的多个订单数据子集；
根据所述分布值以及所述多个订单数据子集，计算所述目标特征对应的信息增益；其中，所述信息增益表示所述目标特征划分所述多个订单数据作出的贡献值；
若所述信息增益大于预设增益，则确定所述目标特征为关键特征。
5.根据权利要求4所述的车间的任务分配方法，其特征在于，所述目标特征对应的信息增益的计算公式为：
，/>表示所述目标特征对应的信息增益，/>为所述目标特征值的取值，/>表示所述目标特征值为v的订单数据子集，/>为所述多个订单数据的分布值。
6.根据权利要求1所述的车间的任务分配方法，其特征在于，所述根据所述目标生产线的产能利用率、所述目标生产线的生产速度以及所述目标生产线上制造的产品数量，调整所述目标生产线上的任务量包括：
获取所述目标生产线上的多个决策变量；其中，每个决策变量表示目标产品是否在所述目标生产线上制造；
将所述多个决策变量中的一个决策变量的值进行翻转，以得到翻转后的决策变量；
根据所述多个决策变量、所述翻转后的决策变量、所述目标生产线的生产速度、所述目标生产线的产能利用率以及所述目标生产线上制造的产品数量，调整所述目标生产线上的任务量。
7.根据权利要求6所述的车间的任务分配方法，其特征在于，所述根据所述多个决策变量、所述翻转后的决策变量、所述目标生产线的生产速度、所述目标生产线的产能利用率以及所述目标生产线上制造的产品数量，调整所述目标生产线上的任务量包括：
根据所述多个决策变量、所述翻转后的决策变量、所述目标生产线的生产速度、所述目标生产线的产能利用率以及所述目标生产线上制造的产品数量，计算得到目标函数值；
若所述目标函数值小于或者等于预设函数阈值，则选取所述目标函数值中的决策变量的值为预设变量阈值的决策变量为目标决策变量；
控制所述目标生产线按照所述目标决策变量的规则制造产品。
8.根据权利要求7所述的车间的任务分配方法，其特征在于，所述目标函数值的计算公式为：，N表示所述目标生产线上制造的产品数量，M表示所述目标生产线的数量，/>表示所述决策变量，/>表示所述目标生产线的生产速度，表示所述目标产品的生产需求，/>表示所述目标生产线的产能利用率，/>表示权衡因子。
9.根据权利要求1所述的车间的任务分配方法，其特征在于，所述根据所述多个订单数据以及所述每个订单数据的订单类型，将所述多个订单数据分配到相应的目标生产线上包括：
根据所述多个订单数据的加急标记、所述多个订单数据的截止日期以及所述多个订单数据对应的物料需求，对所述多个订单数据进行优先级排序，以得到多个排序之后的订单数据；
根据所述每个订单数据的订单类型以及所述多个排序之后的订单数据，将所述多个订单数据分配到相应的目标生产线上。
10.一种车间的任务分配装置，其特征在于，包括：
数据获取模块，用于获取多个订单数据；
类型获取模块，用于根据所述多个订单数据以及预设决策树模型，获取每个订单数据的订单类型；
分配模块，用于根据所述多个订单数据以及所述每个订单数据的订单类型，将所述多个订单数据分配到相应的目标生产线上；
产能获取模块，用于获取所述目标生产线的产能利用率、所述目标生产线的生产速度以及所述目标生产线上制造的产品数量；
调整模块，用于根据所述目标生产线的产能利用率、所述目标生产线的生产速度以及所述目标生产线上制造的产品数量，调整所述目标生产线上的任务量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410079648.6A CN117575300B (zh) | 2024-01-19 | 2024-01-19 | 一种车间的任务分配方法以及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410079648.6A CN117575300B (zh) | 2024-01-19 | 2024-01-19 | 一种车间的任务分配方法以及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117575300A true CN117575300A (zh) | 2024-02-20 |
| CN117575300B CN117575300B (zh) | 2024-05-14 |
Family
ID=89886803
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410079648.6A Active CN117575300B (zh) | 2024-01-19 | 2024-01-19 | 一种车间的任务分配方法以及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117575300B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892929A (zh) * | 2024-03-18 | 2024-04-16 | 德阳经开智航科技有限公司 | 基于产能规划的异地生产线智能控制方法和*** |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100121678A1 (en) * | 2008-11-13 | 2010-05-13 | Kimberly-Clark Worldwide, Inc. | Calculating production capacity, capacity utilization, demand allocation, and average inventory levels |
| US20110130857A1 (en) * | 2009-11-30 | 2011-06-02 | Exxonmobil Research And Engineering Company | Method and apparatus for optimizing a performance index of a bulk product blending and packaging plant |
| CN106651213A (zh) * | 2017-01-03 | 2017-05-10 | 百度在线网络技术（北京）有限公司 | 服务订单的处理方法及装置 |
| CN107464169A (zh) * | 2017-08-10 | 2017-12-12 | 北京小度信息科技有限公司 | 信息输出方法和装置 |
| WO2021042510A1 (zh) * | 2019-09-02 | 2021-03-11 | 平安科技（深圳）有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
| CN114548660A (zh) * | 2022-01-06 | 2022-05-27 | 青岛海尔科技有限公司 | 家电设备的生产排程方法、装置、设备及存储介质 |
| WO2023272850A1 (zh) * | 2021-06-29 | 2023-01-05 | 未鲲(上海)科技服务有限公司 | 基于决策树的产品匹配方法、装置、设备及存储介质 |
| CN115641177A (zh) * | 2022-10-20 | 2023-01-24 | 北京力尊信通科技股份有限公司 | 一种基于机器学习的防秒杀预判*** |
| CN115935076A (zh) * | 2023-02-20 | 2023-04-07 | 珠海大横琴泛旅游发展有限公司 | 基于人工智能的旅游服务信息推送方法及*** |
| CN116090788A (zh) * | 2023-02-27 | 2023-05-09 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
| CN116993530A (zh) * | 2023-08-11 | 2023-11-03 | 北京首钢自动化信息技术有限公司 | 基于多目标鲸鱼算法的冷轧生产计划优化方法 |
| CN117077381A (zh) * | 2023-07-28 | 2023-11-17 | 上海智租物联科技有限公司 | 一种基于大数据的电池调度算法提升电池利用效率的方法 |
-
2024
- 2024-01-19 CN CN202410079648.6A patent/CN117575300B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100121678A1 (en) * | 2008-11-13 | 2010-05-13 | Kimberly-Clark Worldwide, Inc. | Calculating production capacity, capacity utilization, demand allocation, and average inventory levels |
| US20110130857A1 (en) * | 2009-11-30 | 2011-06-02 | Exxonmobil Research And Engineering Company | Method and apparatus for optimizing a performance index of a bulk product blending and packaging plant |
| CN106651213A (zh) * | 2017-01-03 | 2017-05-10 | 百度在线网络技术（北京）有限公司 | 服务订单的处理方法及装置 |
| CN107464169A (zh) * | 2017-08-10 | 2017-12-12 | 北京小度信息科技有限公司 | 信息输出方法和装置 |
| WO2021042510A1 (zh) * | 2019-09-02 | 2021-03-11 | 平安科技（深圳）有限公司 | 一种任务分配方法、装置、可读存储介质及终端设备 |
| WO2023272850A1 (zh) * | 2021-06-29 | 2023-01-05 | 未鲲(上海)科技服务有限公司 | 基于决策树的产品匹配方法、装置、设备及存储介质 |
| CN114548660A (zh) * | 2022-01-06 | 2022-05-27 | 青岛海尔科技有限公司 | 家电设备的生产排程方法、装置、设备及存储介质 |
| WO2023130709A1 (zh) * | 2022-01-06 | 2023-07-13 | 青岛海尔科技有限公司 | 家电设备的生产排程方法、装置、设备及存储介质 |
| CN115641177A (zh) * | 2022-10-20 | 2023-01-24 | 北京力尊信通科技股份有限公司 | 一种基于机器学习的防秒杀预判*** |
| CN115935076A (zh) * | 2023-02-20 | 2023-04-07 | 珠海大横琴泛旅游发展有限公司 | 基于人工智能的旅游服务信息推送方法及*** |
| CN116090788A (zh) * | 2023-02-27 | 2023-05-09 | 湘南学院 | 一种柔性装配作业车间分批调度计划方法 |
| CN117077381A (zh) * | 2023-07-28 | 2023-11-17 | 上海智租物联科技有限公司 | 一种基于大数据的电池调度算法提升电池利用效率的方法 |
| CN116993530A (zh) * | 2023-08-11 | 2023-11-03 | 北京首钢自动化信息技术有限公司 | 基于多目标鲸鱼算法的冷轧生产计划优化方法 |
Non-Patent Citations (6)
| Title |
|---|
| BURCIN CAKIR 等: "Multi-objective optimization of a stochastic assembly line balancing: A hybrid simulated annealing algorithm", COMPUTERS & INDUSTRIAL ENGINEERING, vol. 60, no. 3, 30 April 2011 (2011-04-30), pages 376 - 384, XP028139296, DOI: 10.1016/j.cie.2010.08.013 * |
| MAREK MATUSIAK 等: "A fast simulated annealing method for batching precedence-constrained customer orders in a warehouse", EUROPEAN JOURNAL OF OPERATIONAL RESEARCH, vol. 236, no. 3, 1 August 2014 (2014-08-01), pages 968 - 977, XP028835653, DOI: 10.1016/j.ejor.2013.06.001 * |
| WIN-CHIN LIN 等: "Sequencing single machine multiple-class customer order jobs using heuristics and improved simulated annealing algorithms", RAIRO OPERATIONS RESEARCH, vol. 57, no. 3, 21 June 2023 (2023-06-21), pages 1417 - 1441 * |
| 刘文鑫: "基于数据挖掘的作业车间调度方法的研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, no. 04, 15 April 2022 (2022-04-15), pages 029 - 319 * |
| 李占丞: "装备制造企业关键物资供应不确定下采购计划研究", 中国博士学位论文全文数据库 经济与管理科学辑, no. 07, 15 July 2018 (2018-07-15), pages 150 - 4 * |
| 范志强: "供应链订单分配优化模型及其模拟退火算法", 计算机工程与应用, vol. 48, no. 25, 1 September 2012 (2012-09-01), pages 28 - 33 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117892929A (zh) * | 2024-03-18 | 2024-04-16 | 德阳经开智航科技有限公司 | 基于产能规划的异地生产线智能控制方法和*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117575300B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117575300B (zh) | 一种车间的任务分配方法以及装置 | |
| CN111915410B (zh) | 面向高动态生产物流过程的智能管控*** | |
| US6976033B2 (en) | Production cell information system based on activity costs and an architecture therefor | |
| US20210073695A1 (en) | Production scheduling system and method | |
| Lekurwale et al. | Framework to evaluate manufacturing capability using analytical hierarchy process | |
| CN101639687B (zh) | 一种集成化工艺质量控制***及其实现方法 | |
| CN107274095A (zh) | 构件订单的订单分配方法及装置、存储介质、订单分配服务器 | |
| CN107146039B (zh) | 一种多目标协同控制的定制式混流装配生产方法及装置 | |
| US20180107961A1 (en) | Task Support System and Task Support Method | |
| CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
| CN110689217B (zh) | 一种电脑生产智能制造*** | |
| CN115700639B (zh) | 智能生产排程方法、装置、设备及存储介质 | |
| US20180260769A1 (en) | Supply chain analytics tool | |
| CN114707874A (zh) | 应用于铝合金生产的排程方法、设备及存储介质 | |
| JP5831363B2 (ja) | 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム | |
| CN116777263A (zh) | 一种企业经营数据分析***及方法 | |
| CN114612005B (zh) | 基于SaaS实现的玻璃工厂数字智能*** | |
| CN115660608A (zh) | 一种一站式的创新创业孵化方法 | |
| CN115907067A (zh) | 一种数字化运营的方法及相关设备 | |
| CN114819239A (zh) | 智能交期预测方法与*** | |
| Gatica et al. | An aggregation approach for capacity planning under uncertainty for the pharmaceutical industry | |
| TWI831469B (zh) | 預測資料平衡系統以及預測資料平衡方法 | |
| TWI822469B (zh) | 差異資料處理系統以及差異資料處理方法 | |
| CN112381396B (zh) | 一种服务于企业发展规划的集成管理方法及*** | |
| TW202418020A (zh) | 預測資料平衡系統以及預測資料平衡方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |