生产计划与调度范文

2022-06-15

在人生的每一阶段，我们都需要提前去做好计划，以免在新的征程中困惑与迷茫，是时候为自己拟写一份新的计划了，你知道如何写好吗？今天小编为大家精心挑选了关于《生产计划与调度范文》，供需要的小伙伴们查阅，希望能够帮助到大家。

第一篇：生产计划与调度范文

生产计划与调度搜集资料

JIT生产模式：

JIT生产是日本丰田汽车公司根据自身的特点，逐步创立的一种独特的多品种、小批量、高质量和低消耗制造模式的生产方式。JIT生产的基本原理来源于超级市场以需定供的管理方式，即供方依据订货传票(看板)的要求，在规定的时间将货品配送到需要的地点。也就是只在“需要的时间，供应所需要品质和数量的产品”，具体地说就是每一个阶段加工或供应产品的品质、数量和时间由下一阶段的需求确定。因此JIT生产是指在生产组织的各个层面上，采用通用性强、自动化程度高的机器设备，以不断降低成本、无废品和零库存为目标的一种生产方式。简而言之是在面对不断变化的市场，以尽可能低的成本，按照所需的数量，以完美的质量为顾客提供所需的产品和服务，最大程度地满足顾客需求。 JIT生产的核心是消除一切浪费，其实现途径就是通过实现“标。

零库存”目混合遗传算法：

混合遗传算法就是将遗传算法与其他算法相混合，互取所长，互补所短。比如遗传算法与模拟退火算法的混合，就是将遗传算法的全局搜索能力与模拟退火算法的局部搜索能力结合起来，形成一种强大的算法。类似的还有：遗传算法与最速下降法的混合、蚁群算法与遗传算法的混合等。

遗传算法的基本运算过程如下：

a)初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。

b)个体评价：计算群体P(t)中各个个体的适应度。

c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。 d)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。 e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。

群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。

f)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

交叉算子：

变异算子：

轮盘赌的方法：

第二篇：生产计划与控制 8 生产调度与适应性概要

JIT生产方式中的生产计划与控制

特点：只向最后一道工序以外的各个工序出示每月大致的生产品种和数量计划，作为其安排作业的一个参考基准，而真正作为生产指令的投产顺序计划只下达到最后一道工序。

机械加工工序以及粗加工工序等的作业现场，没有任何生产计划表或生产指令书这样的东西，而是在需要的时候通过“看板”由后工序顺次向前工序传递生产指令。序所需要的产品，避免了生产不必要的产品; 和减少了不急需品的库存量;

各工序只生产后工

只在后工序需要时才生产，避免

生产指令只下达给最后一道工序，最后的生产成品数量与生产指令所指示的数量是一致的。

第三篇：生产计划调度

目前大多数仿真是以静态方式运行的：仿真系统仅以启动时确定下来的静态数据集作为输入，仿真运行过程中不能动态地向系统注入数据。如果有新数据到来，必须重新运行仿真系统。这就限制了应用仿真系统的分析和预测能力。而许多领域已形成了对动态应用仿真系统的需求，在此背景下，美国国家自然科学基金会(The National ScienceFoundation，NSF)提出了动态数据驱动应用系统(DynamicData Driven Application Systems，DDDAS)的概念和研究方向，试图将仿真与实验有机地结合起来，构成一种仿真与实验融合为一体的自然和谐的共生动态反馈系统。

各单元模块的功能如下

1.控制单元：控制仿真模型运行，抽取模型的状态特征数据与注入数据对比分析，据此调整模型和分辨率;控制实际生产线运行，根据仿真结果数据反馈生产线调度优化方案;控制数据采集，根据仿真结果数据产生数据采集策略，反馈数据采集模块执行。

2.仿真模型单元：根据控制系统指令，产生新的仿真目标策略。据此，从模型库调用相应模型进行新模型的构建，并动态调整模型或模型参数，达到仿真结果与仿真目标逼近。最后，将模型与仿真结果进行分析评价，并形成知识保存在知识库中，为完善模型库构建和模型选择提供依据。

3.人机接口单元：显示仿真结果，支持用户对仿真策略进行调整和控制，支持用户根据仿真结果对生产线运行进行控制，支持用户根据仿真结果对数据采集策略进行选择控制。

4.数据采集单元：根据控制系统指令，生成新的数据采集策略。据此，采集生产线上的数据，并且具备多信息源数据融合能力。

(一)动态数据驱动仿真单元

此单元由调度模块和仿真模块组成，完成调度方案的生成功能。

其中，调度模块包括相互协同的两个层次：上层模块是生产计划调度器，采用全局优化的方法，利用群体智能蚁群算法进行寻优，可产生一个静态的调度计划，其寻优时间长的问题可以通过多Agent建模的分布式计算能力得到解决。下层模块是实时调度模块，采用启发式的规则对生成的调度计划进行调整，并通过仿真进行分析和验证。当不确定事件发生，生产线上的环境变量发生改变时，该模块负责调整调度计划适应新的系统状态。如果在多个调度目标无法优化的情况下，通知上层模块，重新生成调度计划。整个过程是一个动态反馈过程。采用智能算法的优点在于能够从全局的角度进行优化，缺点在于模型描述的精度不高和易于陷入局部优化解;利用带启发式规则的仿真方法恰恰能够精确地描述模型和改善局部的解的性能，同时在较短的时间内生成优化的调度方案。上层的调度结果不仅会指导下层的调度过程，即带启发式规则的仿真是对智能蚁群算法产生的调度计划的局部修改;而且下层的调度结果也能帮助上层的调度寻优，启发式规则产生的某些局部优化解也可以作为启发信息指导蚁群算法更快地收敛。

仿真模块完成以下三种功能：首先，它能够实现用户可视化的生产线建模，模型的复杂程度可以根据用户研究问题的深度不同进行定义和设置;其次，为适应动态变化的生产环境，在仿真运行过程中，生产模型也可以根据生产线的具体情况进行自动修正，如某个设备失效等;最后，对调度模块产生的调度方案进行仿真，并把由此生成的对该调度方案的多目标评价值和对瓶颈设备的预测数据反

馈给调度模块，作为对下一步调度优化判断的依据。 (二)动态数据驱动仿真控制单元

由中心推理机和辅助功能Agent组成，共同构成一个调度决策支持系统。中心推理机实现基于案例库或规则库的智能决策功能，辅助功能Agent在中心推理机的协同下工作，包括多目标管理Agent、优化策略管理Agent、调度仿真剧情管理Agent、调度因素分析Agent等四种类型的Agent，它们分别实现不同的控制功能。

多目标管理Agent：负责控制当前调度优化的方向，对调度方案评价函数中多个不同目标的权重进行动态的参数调整，实现调度目标与当前生产线的实际生产情况一致。柔性制造系统生产线调度问题是一个多目标的优化问题。短期优化目标包括：最大化生产量、最大化WIP移动步数、最小订单交货延迟率、降低加工周期、降低加工周期方差、降低WIP水平等。目标之间存在相互制约的关系，如何选取各目标优化的权重以平衡各目标优化的能力是需要解决的问题。各目标权值的大小比例是一个动态调适的过程。首先，它必须与我们生产计划对当前生产的要求和侧重点一致。同时，它也在不断地动态调整，保持与生产线当前的实际生产情况一致，完成这个任务需要中心推理机的协同，如基于案例库的推理等。

优化策略管理Agent：直接对调度和仿真模块下达指令，负责监控调度仿真的执行过程。优化策略管理Agent根据控制模块设定的优化目标或调度模块反馈的优化目标的达成情况，在中心推理机的帮助下，按照推理规则，进行模型和算法的调整，实现全局优化算法和局部优化算法之间的动态协作，当满足一定的条件时，返回优化的调度方案作为当前的最优解。

调度仿真剧情管理Agent：协助用户完成“what—if”分析。与传统仿真不同，动态数据驱动仿真是一种与生产线生产过程并行的仿真方法。因此，我们可以在仿真过程中设置多个时间断点，通过改变假设条件来进行生产预测;同时，也可以进行回放分析，这在传统仿真方法中是无法实现的。对多剧情仿真的管理由仿真剧情管理Agent实现;同时，仿真参数和得到的结果也将作为知识保存在案例库中。

调度因素分析Agent：接收来自数据采集模块的实时生产线数据，比较仿真数据与生产数据的差异，如果发现两者有较大的偏差，即参数超出了允许的域值范围，则使用中心推理机分析原因，并将分析的调度因素传递给优化策略管理Agent，作为调整调度模型和算法的依据。同时，将调度因素反馈给数据采集策略Agent，由后者按一定的策略完成下一步的生产线数据采集工作。 (三)动态数据注入单元

由数据采集策略Agent根据调度因素分析A—gent反馈的结果生成下一步的数据采集策略，然后派出对应的移动Agent到生产制造EMS系统中采集生产线上的生产数据。由于柔性制造系统生产线由上百个生产设备构成，如果对所有的生产数据进行采集必然影响数据的采集效率，所以采用移动Agent既缩短时间又提高数据的精确性，同时还可以根据需要对数据作一定的预处理以缩小传递的数据量。

(四)用户界面交互Agent 负责把仿真数据展示给用户，同时，接收用户对仿真模型或参数的控制。使用户可以实时地控制仿真的整个过程，并利用仿真结果指导生产和数据采集过程。

模型运行机制

从图3中可见，动态数据驱动仿真的过程与生产线的生产过程是并行进行的。仿真系统根据一定的时钟节拍采样生产线上的数据;然后，将仿真数据与生产线数据作比较，使用因素分析Agent分析原因。如果发现两者有较大的偏差，即参数超出了允许的域值范围，则调整仿真模型，重新进行仿真。其中，仿真模型根据动态注入的生产数据完成自适应调整是整个DDDAS的核心，本文采用分层优化的思想生成调度方案，同时达到全局和局部的优化目标。首先，将智能搜索技术与离散事件仿真技术相结合，得到上层的调度方案;然后，应用优化策略Agent对仿真结果进行分析，找到进一步优化的方向，利用启发式调度规则进行方案调整得到下层的调度方案，并反复地使用仿真进行验证。不仅下层的调度方案建立在上层调度方案的基础上;同时，上层的调度模块接受下层调度方案的局部优化解作为启发信息引导搜索过程，以加快收敛，在较短的时间内得到全局的优化解。与传统的静态仿真不同，DDDAS仿真能动态地吸收新的数据，并将仿真过程同真实系统相融合，让二者相互协同起来。一方面，通过真实系统运行过程中产生的参数同步地对仿真系统进行调整，可以大大提高仿真的准确性、时效性、智能化;另一方面，通过仿真提供的数据同步地为真实系统地运行提供决策支持，这些将大大地扩展仿真系统的应用能力。

第四篇：生产计划调度大作业

《作业车间调度的非合作博弈模型与混合自适应遗传算法》作者：周光辉，王蕊，江平宇，张国海

摘要：采用博弈理论，建立了一种基于非合作博弈的作业车间任务调度模型，在该任务调度模型中，将源于不同客户的制造任务映射为非合作博弈模型中的局中人，并将与制造任务包括的工序集所对应的可选加工设备映射为可行方案集，将使各制造任务的加工完成时间和成本组合形成的多目标综合指标映射为收益函数，从而将对任务调度模型的求解转换为寻求非合作博弈模型的Nash均衡点，通过设计的爬山搜索混合自适应遗传算法、自适应交叉和变异算子，实现了对该任务调度非合作博弈模型的Nash均衡点的有效求解，同时算例仿真结果也验证了所提出的调度方法的正确性。

根据数学模型和假设条件，竞争驱动的作业车间任务调度目标就是寻求使得每个制造任务均能达到综合目标值最小、利益均衡的调度结果。

《基于自适应遗传算法的Job Shop 调度问题研究》作者：沈斌，周莹君，王家海

Job Shop 求解过程的计算量随问题的规模呈指数增长，已被证明是NP完全问题。因此近年来倾向于利用人工智能的原理和技术进行搜索，寻找复杂问题的较优解，特别是以效仿生物处理模式以获得智能信息处理功能的遗传算法研究最为深入。但是也有不足之处，早熟收敛问题，局部搜索能力，算子的无方向性，正因为这些不足限制了以遗传算法的进一步推广和应用，因此对遗传算法进行改进显得尤为重要。本文提出一种新的自适应遗传算法用以求解Job Shop调度问题。

Job Shop问题描述

一个加工系统有m台设备，要求加工n个工件，第i个工件ji包含m个操作(工序)，需要考虑如下假设：

1) 每道工序必须按照工艺顺寻依次在指定的设备上加工，且必须在前一道工序(如果存在))加工完成后才一开始加工;

2) 工件在一台设备上一旦开始加工，便不能中断，必须等到加工完成后，才能加工另外工件，即某一时刻一台设备只能加工一个工件; 3) 同一个工件不能同时在两个设备上加工;

4) 同一台设备不能同时加工两个工件;

5) 每个工件在每台设备上必须加工一次，也只能加工一次;

6) 各工件的工艺路线jsn和每到工序的加工时间jt已知，且不随加工排序的改变而改变，转移时间和辅助时间忽略不计或计入加工时间。

《A Hybrid Genetic Algorithm for Job Shop Scheduling Problem to Minimize Makespan》作者：Lin Liu, Yugeng Xi

In this paper, we present a hybrid genetic algorithm for the job shop scheduling problem to mimize makespan. How to improve GA performance is a critical issue when using a GA to solve optimization problems. The general way focuses on tuning its parameters such as population size, crossover rate and mutation rate. However, if all parameters have attained the useful bounds, the expected improvement is often not worth the efforts of finding even better parameters. More potential improvements can be only explored by modifying the size of search space. The set of active schedules is usually large and includes a lot of schedules with relatively large idle times on machines, and thus with relatively large idle times on machines, and thus with poor performance in terms of makespan. The proposed algorithm used the idea of hybrid scheduler to reduce the search space as well as the computational efforts. The search space can be reduced or increased by controlling the upper bound of idle times allowed on machines. Since the parameters of the hyubrid scheduler are unlikely to be determined appropriately in advance, we search better values of them in the hybrid GA evolution. Dissimilar to Gas in literatures, a chromosome includes not only genes representing the relative priorities of all operations but also genes representing the parameters to determine the upper bound of idle times permitted on a given machine before scheduling an operation. The random keys representation is used to encode a chromosome. Each element of the chromosome is a real number of [0,1]. During the schedule generation phase, the SPV rule is used to convert a real number vector into a job repetition representation. Based on the hybrid scheduler, a chromosome is decoded into a feasible schedule. Finally, a local search is executed in the neighborhood determined by the critical active chain to improve the performance of the schedule generated in the schedule generation phase.

nd In the 2section, we present the formulation of job shop scheduling problem to minimize makespan. In the 3 section, we describe the proposed hybrid genetic algorithm in detail. In the 4 section, the proposed algorithm is evaluated on benchmark instances. Finally, we conclude the paper with a summary in 5th section.

《Hybrid Genetic Algorithm for Solving Job-Shop Scheduling Problem》作者：S.M. Kamrul Hasan

The Job-Shop Scheduling Problem(JSSP) is a well-known difficult combinatorial optimization problem. Many algorithms have been proposed for solving JSSP in the last few decades, including algorithms based on evolutionary techniques. However, there is room for improvement in solving medium to large scale problems effectively. In this paper, we present a Hybrid Genetic Algorithm(HGA) that includes a heuristic job ordering with a Genetic Algorithm. We apply HGA to a number of benchmark problems. It is found that the algorithm is able to improve the solution the solution obtained by traditional genetic algorithm.

《Scheduling jobs and maintenances in flexible job shop with a hybrid genetic algorithm》

Most flexible job shop scheduling models assume that the machines are available all of the time. However, in most realistic situations, machines may be unavailable due to maintenances, pre-schedules and so on. In this paper, we study the flexible job shop scheduling problem with availability constraints. The availability constraints are non-fixed in that the completion time of the maintenance tasks is not fixed and has to be determined during the scheduling procedure. We then propose a hybrid genetic alogorithm to solve the flexible job shop scheduling problem with non-fixed availability constraints. The genetic algorithm uses an innovative representation method thrdand applies genetic operations in phenotype space in order to enhance the inheritability. We also define two kinds of neighbourhood for the problem based on the concept of critical path. A local search procedure is then integrated under the framework of the genetic algorithm. Representative flexible job shop scheduling benchmark problems and fJSP-nfa problems are solved in order to test the the effectiveness and efficiency of the suggested methodology.

《A Hybrid genetic algorithm for no-wait job shop scheduling problems》作者：Jason Chao-Hsien Pan, Han-Chiang Huang

A no-wait job shop describes a situation where every job has its own processing sequence with the constraint that no waiting time is allowed between operations within any job. A NWJS problem with the objective of minimizing total completion time is a NP-hard problem and this paper proposes a hybrid genetic algorithm(HGA) to solve this complex problem. A genetic operation is defined by cutting out a section of genes from a chromosome and treated as a subproblem. This subproblem is then transformed into an asymeetric traveling salesman problem(ATSP) and solved with a heuristic algorithm. Subsequently, this section with new sequence is put back to replace the original section of chromosome. The incorporation of this problem-specific genetic operator is responsible for the hybrid adjective. By doing so, the course of the search of the proposed genetic algorithm is set to more profitable regions in the solution space. The experiemental results show that this hybrid genetic algorithm can accelerate the convergence and improve solution quality as well.