CN118171896A - 系泊试验的设备调试调度优化方法、装置、及计算机设备 - Google Patents
系泊试验的设备调试调度优化方法、装置、及计算机设备 Download PDFInfo
- Publication number
- CN118171896A CN118171896A CN202410592171.1A CN202410592171A CN118171896A CN 118171896 A CN118171896 A CN 118171896A CN 202410592171 A CN202410592171 A CN 202410592171A CN 118171896 A CN118171896 A CN 118171896A
- Authority
- CN
- China
- Prior art keywords
- debugging
- equipment
- equipment debugging
- comfort
- scheduling
- 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 53
- 238000012360 testing method Methods 0.000 title claims abstract description 52
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 230000002068 genetic effect Effects 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 66
- 238000013178 mathematical model Methods 0.000 claims abstract description 38
- 230000006870 function Effects 0.000 claims description 89
- 230000035772 mutation Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 25
- 108090000623 proteins and genes Proteins 0.000 claims description 14
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010064571 Gene mutation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Landscapes
- Debugging And Monitoring (AREA)
Abstract
本申请涉及一种系泊试验的设备调试调度优化方法、装置、及计算机设备，其中，方法包括：获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；根据所述约束关系、所述设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；基于所述完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；采用遗传算法对所述遗传算法数学模型进行迭代求解，得到设备调试调度方案。整个方案可以实现合理的系泊试验的设备调试调度优化。
Description
技术领域
本申请涉及船舶建造技术领域，特别是涉及一种系泊试验的设备调试调度优化方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
系泊试验是当新船建成或船舶大修后，为了全面彻底地暴露和消除主辅机等机电设备和***的缺陷，以及验证船舶是否满足设计、规范和船检的要求，在码头上进行的设备调试和性能试验。
系泊试验包含主机码头试车、发电机试验、辅助锅炉试验和倾斜试验等多项内容，需要船厂、设备厂商、船检和设计院所等多方共同参与、协同完成，涉及到大量的工作和人员调度。由于系泊试验需要进行多个***、多个设备间的串并行调试，因此合理的作业调度对于节约资源、缩短试验周期从而降低造船成本非常重要。系泊试验的设备调试可以描述为n个***由m个人进行调试，每个***可能包括1个或者多个需要调试的设备，每个设备的调试由多个人完成，***与***、设备与设备间存在先后约束关系。这属于一类复杂的NP-hard问题，传统的方法在解决这类问题时往往得到的是局部最优解，容易造成系泊试验时部分人力闲置而部分人力过度繁忙。
因此，通过大数据分析来得到一种能够合理的设备调试调度优化方法对于缩短系泊试验周期，减小资源浪费和降低造船成本具有重要意义。
发明内容
基于此，有必要针对上述技术问题，提供一种合理的系泊试验的设备调试调度优化方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面，本申请提供了一种系泊试验的设备调试调度优化方法。所述方法包括：
获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；
根据所述约束关系、所述设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；
基于所述完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；
采用遗传算法对所述遗传算法数学模型进行迭代求解，得到设备调试调度方案。
在其中一个实施例中，所述采用遗传算法对所述遗传算法数学模型进行迭代求解，得到设备调试调度方案包括：
根据所述约束关系和所述设备调试耗时列表，生成所述遗传算法数学模型的初始种群；
对所述初始种群的个体进行解码，根据所述完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度；
根据所述最终完工时间和作业总舒适度得到各个体编码的适应度值，基于所述适应度值、并采用轮盘赌策略选择个体；
对选择的个体进行交叉变异操作，迭代优化种群中个体，直至满足预设迭代停止条件，得到最优的设备调试调度方案。
在其中一个实施例中，所述根据所述约束关系和所述设备调试耗时列表，生成所述遗传算法数学模型的初始种群包括：
根据所述约束关系，获取第一类约束和第二类约束，所述第一类约束用于表征***内设备间先后关系，所述第二类约束用于表征***间设备先后关系；
基于所述第一类约束和所述第二类约束，生成不同设备调试调度方案对应的设备编码；
基于设备调试耗时列表，生成不同设备调试调度方案对应的人员编码；
组合在同一个设备调试调度方案下的所述设备编码和人员编码，生成初始种群。
在其中一个实施例中，所述对所述初始种群的个体进行解码，根据所述完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度包括：
对所述初始种群的个体进行解码；
确定当前个体对应的设备调试调度方案；
根据所述当前个体对应的设备调试调度方案、所述完工时间函数和设备调试的总舒适度值函数，计算得到当前个体对应的最终完工时间和作业总舒适度；
重新选择解码后的个体，返回所述确定当前个体对应的设备调试调度方案的步骤，得到不同个体对应的最终完工时间和作业总舒适度。
在其中一个实施例中，所述根据所述最终完工时间和作业总舒适度得到各个体编码的适应度值包括：
对所述最终完工时间和作业总舒适度进行加权处理，得到各个体编码的适应度值，其中，所述最终完工时间的权重系数大于所述作业总舒适度的权重系数。
在其中一个实施例中，所述对选择的个体进行交叉变异操作，迭代优化种群中个体，直至满足预设迭代停止条件，得到最优的设备调试调度方案包括：
基于预设交叉率、且通过单点交叉的方法对选择的个体进行随机配对，并随机设置交叉点位置；
根据所述交叉点位置相互交换配对染色体的部分基因，生成初始新个体；
基于所述约束关系对所述初始新个体进行筛选，得到筛选个体；
使用变异遗传运算，根据预设最大变异率和最小变异率对所述筛选个体中的基因进行改变，产生新个体；
修改所述预设交叉率、所述预设最大变异率和最小变异率；
返回所述根据所述完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度的步骤，直至两次迭代中个体的平均适应度值的误差小于预设误差阈值，得到最优的设备调试调度方案。
第二方面，本申请还提供了一种系泊试验的设备调试调度优化装置。所述装置包括：
数据获取模块，用于获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；
函数生成模块，用于根据所述约束关系、所述设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；
遗传算法模型构建模块，用于基于所述完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；
迭代求解模块，用于采用遗传算法对所述遗传算法数学模型进行迭代求解，得到设备调试调度方案。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；
根据所述约束关系、所述设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；
基于所述完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；
采用遗传算法对所述遗传算法数学模型进行迭代求解，得到设备调试调度方案。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；
根据所述约束关系、所述设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；
基于所述完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；
采用遗传算法对所述遗传算法数学模型进行迭代求解，得到设备调试调度方案。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；
根据所述约束关系、所述设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；
基于所述完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；
采用遗传算法对所述遗传算法数学模型进行迭代求解，得到设备调试调度方案。
上述系泊试验的设备调试调度优化方法、装置、计算机设备、存储介质和计算机程序产品，获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；根据约束关系、设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；基于完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；采用遗传算法对遗传算法数学模型进行迭代求解，得到设备调试调度方案。整个过程中，综合考虑完工时间和设备调试的总舒适度值两个维度的数据来进行优化求解，并且采用遗传算法的方式迭代求解出设备调试调度的最优方案，可以实现合理的系泊试验的设备调试调度优化。
附图说明
图1为一个实施例中系泊试验的设备调试调度优化方法的应用环境图；
图2为一个实施例中系泊试验的设备调试调度优化方法的流程示意图；
图3为另一个实施例中系泊试验的设备调试调度优化方法的流程示意图；
图4为一个实施例中系泊试验的设备调试调度优化装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的系泊试验的设备调试调度优化方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据。数据存储***可以集成在服务器104上，也可以放在云上或其他网络服务器上。终端102发送系泊试验的设备调试调度请求至服务器104，服务器104响应该请求，获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；根据约束关系、设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；基于完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；采用遗传算法对遗传算法数学模型进行迭代求解，得到设备调试调度方案。进一步的，服务器104可以将设备调试调度方案反馈至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。需要指出的是，本申请系泊试验的设备调试调度优化方法还可以直接应用于终端，用户在终端一侧操作，生成系泊试验的设备调试调度优化方案，其具体处理过程与上述类似，在此不再赘述。
在一个实施例中，如图2所示，提供了一种系泊试验的设备调试调度优化方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：
S200：获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表。
***设备调试先后的约束关系具体是指相同***内不同设备之间的调试先后的约束以及***间设备先后的约束。具体来说，可以基于已有的系泊试验大纲来确定***设备调试先后的约束关系。在实际应用中，可以根据系泊试验大纲确定船舶上需要调试的***数量n、***下的设备数量m、设备调试需花工时数t以及调试人员总数k，并确定***间和设备间的j个先后约束关系。这j个先后约束关系，可以分为两类，第一类是***内设备间先后关系，它确定了一个***当中，每个设备代号对应哪个设备；第二类是***间设备先后关系，它确定了后面编码生成时需满足的规则。
设备调试耗时列表用于表征不同设备、不同调整人员对应的调试耗时，其具体可以基于历史经验数据分析得到。在实际应用中，有些设备只能由特定的人员进行调试，对于调试人员的定义可以是单个人也可以是一个团队，实际如何定义需根据具体问题确定。假设共有3个***，每个***有3个设备需要调试，共有5个调试人员可供调度，而每个设备由特定人员调试的耗时如下表1所示。
表1为设备调试耗时列表
在上述表1中，设备E11、E12和E13的第一个下标表示它们是属于***S1的设备，第二个下标则表示它们的调试顺序，该顺序由j个先后约束关系的第一类确定。
调试人员舒适度列表用于表征不同调试人员在进行设备调试时的抗压能力。具体来说，可以根据专业测试，对每个调试人员在单位负荷下的抗压能力进行评分，可以得到人员每工作一小时的舒适度，舒适度值越小，说明人员身心越健康。在上述实施例中调试人员数的假设，其对应的舒适度表如下表2所示。
表2为调试人员舒适度列表
S400：根据约束关系、设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数。
在最终的系泊试验的设备调试调度方案中期望完工时间尽量短，并且设备调试的总舒适度尽量小。因此，需要以完工时间和总舒适度值作为调试调度方案的优化目标，根据S200中已经得到的约束关系、设备调试耗时列表以及调试人员舒适度列表，来获取针对不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数。
S600：基于完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型。
如上述的，在进行设备调试调度方案优化时，需要以完工时间和总舒适度最小值为优化目标。在这里基于S400得到的完工时间函数和设备调试的总舒适度值函数，以该两个维度值最小为优化目标，构建设备调试调度的遗传算法数学模型，后续采用遗传算法的方式来进行最优解的求解。
S800：采用遗传算法对遗传算法数学模型进行迭代求解，得到设备调试调度方案。
每个设备调试调度方案作为遗传算法中的个体，采用遗传算法对整个遗传算法数学模型进行迭代求解，寻找出最优个体，即寻找到最优的设备调试调度方案。
上述系泊试验的设备调试调度优化方法，获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；根据约束关系、设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；基于完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；采用遗传算法对遗传算法数学模型进行迭代求解，得到设备调试调度方案。整个过程中，综合考虑完工时间和设备调试的总舒适度值两个维度的数据来进行优化求解，并且采用遗传算法的方式迭代求解出设备调试调度的最优方案，可以实现合理的系泊试验的设备调试调度优化。
如图3所示，在其中一个实施例中，S800包括：
S820：根据约束关系和设备调试耗时列表，生成遗传算法数学模型的初始种群。
根据约束关系可以确定***中设备调试的先后顺序、***间设备调试的先后顺序；而根据设备调试耗时列表可以确定部分特殊设备对应的特定调试人员，以及不同设备不同调试人员对应的耗时时间。基于上述这些约束数据，生成不同的初始设备调试调度方案，这里每个初始设备调试调度方案可以理解为单个个体，这些个体形成遗传算法数学模型的初始种群。
S840：对初始种群的个体进行解码，根据完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度。
在每个初始设备调试调度方案中针对设备调试顺序以及人员顺序分别对应有设备编码和人员编码，这里的设备编码和人员编码采取双层编码方式，其中第一设备编码表征设备的调试顺序，第二层人员编码表征设备相应的调试人员。基于以上述假设实例为例，第一层设备编码共有9个编码位，对应于设备总数；编码位的代码只能为1、2、3，其对应于***数，每个取值出现的次数，对应于相应***的第几个设备，就比如第一层编码如下2-3-3-1-2-3-1-1-2，代表着设备调试顺序如：E21-E31-E32-E11-E22-E33-E12-E13-E23。则第二层人员编码对应关系表如下表3所示。
表3为人员编码对应关系表
其中，相应设备Eij代表第i个***的第j个设备，对应的人员编码位则表示该设备由哪位人员负责。
对初始种群的个体进行解码即还原得出每个初始设备调试调度方案（个体）对应的设备编码和人员编码，根据得到的设备编码和人员编码、以及完工时间函数和设备调试的总舒适度值函数计算出初始设备调试调度方案（个体）对应的最终完工时间和作业总舒适度。
S860：根据最终完工时间和作业总舒适度得到各个体编码的适应度值，基于适应度值、并采用轮盘赌策略选择个体。
适应度值（Fitness Value）是衡量个体（即解决方案的候选者）优劣的一个指标。根据问题描述，适应度值是根据最终完工时间（Completion Time）和作业总舒适度（Overall Comfort Level）来计算的。一旦有了适应度值，就可以使用各种选择策略来选择个体以进行后续的遗传操作（如交叉和变异）。轮盘赌（Roulette Wheel Selection）策略是一种基于适应度值的比例选择方法，其中每个个体被选中的概率与其适应度值成比例。
具体来说，基于最终完工时间和作业总舒适度采取加权计算的方式得到每个个体编码的适应度值，然后再基于适应度值，采取轮盘赌策略选择个体。
S880：对选择的个体进行交叉变异操作，迭代优化种群中个体，直至满足预设迭代停止条件，得到最优的设备调试调度方案。
在遗传算法（Genetic Algorithm, GA）中，选择、交叉（或称为重组、配对）和变异是三个核心操作，它们共同作用于种群以寻找问题的最优解。具体来说，在这里针对选择的个体（初始设备调试调度方案）进行交叉变异操作以生成新的个体，不断迭代化种群中个体，直至整个迭代过程满足预设迭代停止条件，停止迭代，此时得到的个体即为最优个体，即为最优的设备调试调度方案。
具体来说，上述整个迭代优化过程包括以下步骤：1、初始化种群：首先，随机生成一个包含多个个体的初始种群。每个个体都代表一个可能的设备调试调度方案，并且由一组基因（或称为染色体）编码。2）、适应度评估：对于种群中的每个个体，根据最终完工时间和作业总舒适度计算其适应度值。这个适应度值将用于评估个体的优劣。3）、选择操作：使用轮盘赌策略或其他选择机制（如精英选择、锦标赛选择等）从当前种群中选择出适应度较高的个体。这些个体将有机会参与后续的交叉和变异操作。4）、交叉操作：随机选择两个父代个体（即选择出的个体），根据预设的交叉概率决定是否进行交叉操作。如果决定进行交叉，则按照某种交叉策略（如单点交叉、多点交叉、均匀交叉等）交换两个父代个体的部分基因，生成两个新的子代个体。5）、变异操作：对于每个新生成的子代个体，根据预设的变异概率决定是否进行变异操作。如果决定进行变异，则随机选择个体中的一个或多个基因进行改变，以引入新的遗传信息。6）、生成新种群：将新生成的子代个体与父代个体（可能包括精英个体）合并，形成一个新的种群。如果新种群的大小超过了预设的种群大小，则需要通过某种策略（如截断选择、适应度排序等）选择出适应度较高的个体，以保持种群大小不变。7）、迭代优化：重复步骤2到6，直到满足预设的迭代停止条件。这些停止条件可能包括达到最大迭代次数、连续几代适应度值没有明显提高、找到满足预设条件的解等。8）、输出最优解：在迭代结束后，从最终种群中选择适应度值最高的个体作为最优解输出。这个最优解就是最优的设备调试调度方案。
在其中一个实施例中，根据约束关系和设备调试耗时列表，生成遗传算法数学模型的初始种群包括：
根据约束关系，获取第一类约束和第二类约束，第一类约束用于表征***内设备间先后关系，第二类约束用于表征***间设备先后关系；基于第一类约束和第二类约束，生成不同设备调试调度方案对应的设备编码；基于设备调试耗时列表，生成不同设备调试调度方案对应的人员编码；组合在同一个设备调试调度方案下的设备编码和人员编码，生成初始种群。
针对之前得到的约束关系进行分析，其具体包括第一类约束和第二类约束，其中第一类约束用于表征***内设备间先后关系；第二类约束用于表征***间设备先后关系。综合考虑这两类约束，生成不同设备调试调度方案对应的设备编码，例如上述的E21-E31-E32-E11-E22-E33-E12-E13-E23。基于设备调试耗时列表中规定的设备可用调试人员，随机生成每个设备的人员编码，在此基础上即可得到的不同设备调试调度方案对应的人员编码。将设备编码和人员编码进行组合，生成不同设备调试调度方案对应的编码，即生成初始种群。
在其中一个实施例中，对初始种群的个体进行解码，根据完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度包括：
对初始种群的个体进行解码；确定当前个体对应的设备调试调度方案；根据当前个体对应的设备调试调度方案、完工时间函数和设备调试的总舒适度值函数，计算得到当前个体对应的最终完工时间和作业总舒适度；重新选择解码后的个体，返回确定当前个体对应的设备调试调度方案的步骤，得到不同个体对应的最终完工时间和作业总舒适度。
对于得到的初始化种群的个体进行解码，根据设备调试顺序、参与该设备调试的人员、人员的舒适度以及每个设备调试需要的工时数计算出个体编码对应的最终完工时间和作业总舒适度。具体来说，个体对应的调试调度方案的编码中包括2N个编码，其具体分为两层，每层存在N个编码，第一层为设备编码，第二层为人员编码。整个计算过程包括以下步骤：
1、针对当前个体，从i=1开始读取代码的前N个设备编码位，判断该值在设备编码中出现的次数n，以此确定该编码对应的***中的设备Eij；
2、从i=N+1到2N位的人员编码中选取出设备Eij的调试人员Pk；
3、根据设备Eij和调试人员Pk，从设备调试耗时表中获取相应的调试时间ti，并从舒适度值表中获取对应的舒适度值si；
4、继续读取下一个设备编码，并按步骤1到3获取相应的调试人员Pm、对应的舒适度值si+1和调试时间ti+1；
5、针对当前个体，计算当前完工时间和设备调试的总舒适度值，若Pk和Pm不是同一个人，则表明当前***合理，最终完工时间T=T+Max(ti，ti+1)；若Pk和Pm是同一个人，则表明当前针对同一个人员同一时间安排了两个不同的调试任务，***不合理，需要排队延时一个时间点，即T=T+ti+ti+1。而设备调试总舒适度S=S+ti*si+ ti+1*si+1；
6、重新选择新的个体重复上述步骤处理，直至遍历完所有个体的设备编码，最终可以获得完工时间和设备调试的总舒适度值。
在其中一个实施例中，根据最终完工时间和作业总舒适度得到各个体编码的适应度值包括：
对最终完工时间和作业总舒适度进行加权处理，得到各个体编码的适应度值，其中，最终完工时间的权重系数大于作业总舒适度的权重系数。
以最终完工时间和设备调试总舒适度的加权和作为每个编码的适应度值。在加权计算的过程中，考虑到系泊试验以船的保交付为主，因此最终完工时间的权重会大些，例如最终完工时间的权重系数和作业总舒适度的权重系数的比值可以为7：3。
在其中一个实施例中，对选择的个体进行交叉变异操作，迭代优化种群中个体，直至满足预设迭代停止条件，得到最优的设备调试调度方案包括：
基于预设交叉率、且通过单点交叉的方法对选择的个体进行随机配对，并随机设置交叉点位置；根据交叉点位置相互交换配对染色体的部分基因，生成初始新个体；基于约束关系对初始新个体进行筛选，得到筛选个体；使用变异遗传运算，根据预设最大变异率和最小变异率对筛选个体中的基因进行改变，产生新个体；修改预设交叉率、预设最大变异率和最小变异率；返回根据完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度的步骤，直至两次迭代中个体的平均适应度值的误差小于预设误差阈值，得到最优的设备调试调度方案。
预设交叉率、预设最大变异率和最小变异率是预先设定的遗传算法参数。具体来说，可以在初始时设置遗传算法的参数，包括确定种群规模、迭代次数、交叉率、最大变异率和最小变异率。例如假定种群规模为200、迭代次数为400、交叉率为0.6、最大变异率为0.08和最小变异率为0.03。
在具体进行种群迭代优化时，使用交叉遗传运算产生新个体，具体是通过单点交叉的方法，先对群体进行随机配对，再随机设置交叉点位置，最后相互交换配对染色体之间的部分基因。由于随机交叉过程中会产生非法解，因此根据***设备的第二类先后约束关系，对产生的新个体进行筛选。使用变异遗传运算，根据最大变异率和最小变异率对个体中的基因进行改变以产生新个体。具体采用基本位变异的方法来进行变异运算，首先确定出各个个体的基因变异位置，然后依照某一概率将变异点的原有基因值取反。若两次迭代中种群个体的平均适应度值的误差小于预设阈值，则结束循环，输出最优的设备调试调度方案，否则继续循环，修改预设交叉率、预设最大变异率和最小变异率；返回根据完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度的步骤。
在上述其中一个实施例中，本申请系泊试验的设备调试调度优化方法具备以下显著的效果：以系泊试验的最终完工时间和设备调试的总舒适度值为优化目标，在保证***及设备正确调试的前提下，构建了考虑***设备数量、调试人员数量、设备调试舒适度值和调试任务之间***与***、设备与设备先后约束关系等因素的设备调试调度遗传算法模型，然后通过编码、初始化种群、解码、计算适应度值、个体选择和交叉变异操作，并迭代循环得到优化后的设备调试任务顺序，能有效缩短系泊试验周期，并降低开销和成本。本发明除了保证人力、物力资源的合理调配、减小资源的浪费，也能充分保障员工的身心健康，对于提高船企市场竞争力具有重要意义。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的系泊试验的设备调试调度优化方法的系泊试验的设备调试调度优化装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个系泊试验的设备调试调度优化装置实施例中的具体限定可以参见上文中对于系泊试验的设备调试调度优化方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种系泊试验的设备调试调度优化装置，包括：
数据获取模块200，用于获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；
函数生成模块400，用于根据约束关系、设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；
遗传算法模型构建模块600，用于基于完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；
迭代求解模块800，用于采用遗传算法对遗传算法数学模型进行迭代求解，得到设备调试调度方案。
在其中一个实施例中，迭代求解模块800还用于根据约束关系和设备调试耗时列表，生成遗传算法数学模型的初始种群；对初始种群的个体进行解码，根据完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度；根据最终完工时间和作业总舒适度得到各个体编码的适应度值，基于适应度值、并采用轮盘赌策略选择个体；对选择的个体进行交叉变异操作，迭代优化种群中个体，直至满足预设迭代停止条件，得到最优的设备调试调度方案。
在其中一个实施例中，迭代求解模块800还用于根据约束关系，获取第一类约束和第二类约束，第一类约束用于表征***内设备间先后关系，第二类约束用于表征***间设备先后关系；基于第一类约束和第二类约束，生成不同设备调试调度方案对应的设备编码；基于设备调试耗时列表，生成不同设备调试调度方案对应的人员编码；组合在同一个设备调试调度方案下的设备编码和人员编码，生成初始种群。
在其中一个实施例中，迭代求解模块800还用于对初始种群的个体进行解码；确定当前个体对应的设备调试调度方案；根据当前个体对应的设备调试调度方案、完工时间函数和设备调试的总舒适度值函数，计算得到当前个体对应的最终完工时间和作业总舒适度；重新选择解码后的个体，返回确定当前个体对应的设备调试调度方案的步骤，得到不同个体对应的最终完工时间和作业总舒适度。
在其中一个实施例中，迭代求解模块800还用于对最终完工时间和作业总舒适度进行加权处理，得到各个体编码的适应度值，其中，最终完工时间的权重系数大于作业总舒适度的权重系数。
在其中一个实施例中，迭代求解模块800还用于基于预设交叉率、且通过单点交叉的方法对选择的个体进行随机配对，并随机设置交叉点位置；根据交叉点位置相互交换配对染色体的部分基因，生成初始新个体；基于约束关系对初始新个体进行筛选，得到筛选个体；使用变异遗传运算，根据预设最大变异率和最小变异率对筛选个体中的基因进行改变，产生新个体；修改预设交叉率、预设最大变异率和最小变异率；返回根据完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度的步骤，直至两次迭代中个体的平均适应度值的误差小于预设误差阈值，得到最优的设备调试调度方案。
上述系泊试验的设备调试调度优化装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种系泊试验的设备调试调度优化方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述系泊试验的设备调试调度优化方法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述系泊试验的设备调试调度优化方法。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述系泊试验的设备调试调度优化方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（FerroelectricRandom Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（StaticRandom Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种系泊试验的设备调试调度优化方法，其特征在于，所述方法包括：
获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；
根据所述约束关系、所述设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；
基于所述完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；
采用遗传算法对所述遗传算法数学模型进行迭代求解，得到设备调试调度方案。
2.根据权利要求1所述的方法，其特征在于，所述采用遗传算法对所述遗传算法数学模型进行迭代求解，得到设备调试调度方案包括：
根据所述约束关系和所述设备调试耗时列表，生成所述遗传算法数学模型的初始种群；
对所述初始种群的个体进行解码，根据所述完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度；
根据所述最终完工时间和作业总舒适度得到各个体编码的适应度值，基于所述适应度值、并采用轮盘赌策略选择个体；
对选择的个体进行交叉变异操作，迭代优化种群中个体，直至满足预设迭代停止条件，得到最优的设备调试调度方案。
3.根据权利要求1所述的方法，其特征在于，所述根据所述约束关系和所述设备调试耗时列表，生成所述遗传算法数学模型的初始种群包括：
根据所述约束关系，获取第一类约束和第二类约束，所述第一类约束用于表征***内设备间先后关系，所述第二类约束用于表征***间设备先后关系；
基于所述第一类约束和所述第二类约束，生成不同设备调试调度方案对应的设备编码；
基于设备调试耗时列表，生成不同设备调试调度方案对应的人员编码；
组合在同一个设备调试调度方案下的所述设备编码和人员编码，生成初始种群。
4.根据权利要求3所述的方法，其特征在于，所述对所述初始种群的个体进行解码，根据所述完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度包括：
对所述初始种群的个体进行解码；
确定当前个体对应的设备调试调度方案；
根据所述当前个体对应的设备调试调度方案、所述完工时间函数和设备调试的总舒适度值函数，计算得到当前个体对应的最终完工时间和作业总舒适度；
重新选择解码后的个体，返回所述确定当前个体对应的设备调试调度方案的步骤，得到不同个体对应的最终完工时间和作业总舒适度。
5.根据权利要求2所述的方法，其特征在于，所述根据所述最终完工时间和作业总舒适度得到各个体编码的适应度值包括：
对所述最终完工时间和作业总舒适度进行加权处理，得到各个体编码的适应度值，其中，所述最终完工时间的权重系数大于所述作业总舒适度的权重系数。
6.根据权利要求2所述的方法，其特征在于，所述对选择的个体进行交叉变异操作，迭代优化种群中个体，直至满足预设迭代停止条件，得到最优的设备调试调度方案包括：
基于预设交叉率、且通过单点交叉的方法对选择的个体进行随机配对，并随机设置交叉点位置；
根据所述交叉点位置相互交换配对染色体的部分基因，生成初始新个体；
基于所述约束关系对所述初始新个体进行筛选，得到筛选个体；
使用变异遗传运算，根据预设最大变异率和最小变异率对所述筛选个体中的基因进行改变，产生新个体；
修改所述预设交叉率、所述预设最大变异率和最小变异率；
返回所述根据所述完工时间函数和设备调试的总舒适度值函数，计算出个体对应的最终完工时间和作业总舒适度的步骤，直至两次迭代中个体的平均适应度值的误差小于预设误差阈值，得到最优的设备调试调度方案。
7.一种系泊试验的设备调试调度优化装置，其特征在于，所述装置包括：
数据获取模块，用于获取系泊试验中***设备调试先后的约束关系、设备调试耗时列表以及调试人员舒适度列表；
函数生成模块，用于根据所述约束关系、所述设备调试耗时列表以及调试人员舒适度列表，获取不同设备调试调度方案的完工时间函数和设备调试的总舒适度值函数；
遗传算法模型构建模块，用于基于所述完工时间函数和设备调试的总舒适度值函数、以最小值为优化目标，构建设备调试调度的遗传算法数学模型；
迭代求解模块，用于采用遗传算法对所述遗传算法数学模型进行迭代求解，得到设备调试调度方案。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410592171.1A CN118171896A (zh) | 2024-05-14 | 2024-05-14 | 系泊试验的设备调试调度优化方法、装置、及计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410592171.1A CN118171896A (zh) | 2024-05-14 | 2024-05-14 | 系泊试验的设备调试调度优化方法、装置、及计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118171896A true CN118171896A (zh) | 2024-06-11 |
Family
ID=91350756
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410592171.1A Pending CN118171896A (zh) | 2024-05-14 | 2024-05-14 | 系泊试验的设备调试调度优化方法、装置、及计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118171896A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130308570A1 (en) * | 2012-05-17 | 2013-11-21 | Beijing University Of Posts And Telecommunications | Method for joint optimization of schedule and resource allocation based on the genetic algorithm |
| CN113987936A (zh) * | 2021-10-27 | 2022-01-28 | 中国人民解放军32801部队 | 一种基于混沌遗传算法的装备试验资源统筹调配方法 |
| CN114912346A (zh) * | 2022-03-31 | 2022-08-16 | 杭州电子科技大学 | 基于学习能力的技能规划配置和车间调度集成优化方法 |
-
2024
- 2024-05-14 CN CN202410592171.1A patent/CN118171896A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130308570A1 (en) * | 2012-05-17 | 2013-11-21 | Beijing University Of Posts And Telecommunications | Method for joint optimization of schedule and resource allocation based on the genetic algorithm |
| CN113987936A (zh) * | 2021-10-27 | 2022-01-28 | 中国人民解放军32801部队 | 一种基于混沌遗传算法的装备试验资源统筹调配方法 |
| CN114912346A (zh) * | 2022-03-31 | 2022-08-16 | 杭州电子科技大学 | 基于学习能力的技能规划配置和车间调度集成优化方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Scrucca | GA: A package for genetic algorithms in R | |
| Chen et al. | An approximate nondominated sorting genetic algorithm to integrate optimization of production scheduling and accurate maintenance based on reliability intervals | |
| Li et al. | Mathematical model and metaheuristics for simultaneous balancing and sequencing of a robotic mixed-model assembly line | |
| WO2022134581A1 (zh) | 测试用例排序方法及相关设备 | |
| CN114399227A (zh) | 一种基于数字孪生的生产调度方法、装置及计算机设备 | |
| CN115357554B (zh) | 一种图神经网络压缩方法、装置、电子设备及存储介质 | |
| CN111461402B (zh) | 物流排程优化方法及装置、计算机可读存储介质、终端 | |
| Zanic et al. | Design synthesis of complex ship structures | |
| Peng et al. | Research on multi-agent genetic algorithm based on tabu search for the job shop scheduling problem | |
| US20190311248A1 (en) | Method for random sampled convolutions with low cost enhanced expressive power | |
| CN111259312B (zh) | 多目标流水车间调度方法、装置、计算机设备及存储介质 | |
| Quan et al. | Multi-objective optimization scheduling for manufacturing process based on virtual workflow models | |
| CN118171896A (zh) | 系泊试验的设备调试调度优化方法、装置、及计算机设备 | |
| CN115859016B (zh) | 基于处理器的运算方法、装置、计算机设备及存储介质 | |
| CN112836794A (zh) | 一种图像神经架构的确定方法、装置、设备及存储介质 | |
| US20220343146A1 (en) | Method and system for temporal graph neural network acceleration | |
| CN113947503A (zh) | 基于区块链和新能源消纳调度的电能生产单位推荐方法 | |
| CN113673042A (zh) | 基于声环境仿真的船舶降噪***设计方法、***、介质及终端 | |
| Zhang et al. | A simulation‐based differential evolution algorithm for stochastic parallel machine scheduling with operational considerations | |
| Wu et al. | Green hybrid flow shop scheduling problem considering sequence dependent setup times and transportation times | |
| CN108153992B (zh) | 液货舱的建模方法、***、存储介质及电子设备 | |
| CN110826771A (zh) | 一种物流外包的风险分析方法、装置及存储介质 | |
| TWI782845B (zh) | 通用型圖形處理器核心函式之組態設定預測系統及方法 | |
| CN112257330B (zh) | 一种组合模型成熟度评估方法和装置 | |
| TWI778924B (zh) | 大數據檢索方法及系統 |
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 |