排产排程问题【数学规划的应用(含代码)】阿里达摩院MindOpt

简介: **文章摘要:**本文探讨了使用阿里巴巴达摩院的MindOpt优化求解器解决制造业中的排产排程问题。排产排程涉及物料流动、工序安排、设备调度等多个方面,通常通过数学规划方法建模。MindOpt支持线性规划、整数规划等,能有效处理大规模数据。案例以香皂制造工厂为例,考虑了多种油脂的购买、存储和生产计划,以及价格变化和存储成本。问题通过数学建模转化为MindOpt APL代码,求解器自动寻找最优解,以最大化利润。文章还提供了代码解析,展示了解决方案的细节,包括目标函数(利润最大化)、约束条件(如生产效率、库存管理)以及结果分析。

本文主要讲述使用MindOpt工具优化排产排程的数学规划问题。

视频讲解👈👈👈👈👈👈👈👈👈

一、排产排程问题

image.png

在实际生产过程中存在着各种各样的排产排程问题,如物料流动、工序安排、设备调度及员工分配等方面。在设备调度场景,我们可以控制任务的分配,将其分配给机器设备进行处理。根据任务特点、设备能力等约束条件,可以合理地分配任务,实现设备利用率、生产效率的最大化。

二、数学规划

排产排程问题也可以使用数学规划的方法。数学规划是一种数学优化方法,主要是寻找变量的取值在特定的约束情况下使我们的决策目标得到一个最大或最小值的决策。常见规划方法有线性规划、整数规划还有非线性规划。

工具:

MindOpt优化求解器:帮我们求解大规模数据的数学规划问题。

三、排产排程问题案例

image.png

该案例的目的在于最大化工厂的利润,约束是当月投入生产的原材料加上生产剩余的原材料不超过当月购买的原材料数量,这也符合生活常识逻辑。但在实际生活中,问题往往更加复杂。假设有一个香皂制造工厂,要求对未来半年内的香皂的生产和油脂的采买制定计划。

在这个问题中,我们需要考虑以下四点因素。

第一,油脂需要储存。每月生产香皂可能会有油脂的剩余,因此我们需要考虑剩余原材料的储存问题。

第二,制作香皂的油脂种类繁多。

第三,每月各种油脂的采购价格不完全相同,这会导致每个月采购成本的浮动。

第四,每种油脂每月使用量有限制,该因素用于模拟工厂的工作效率。

在确定问题的因素后,我们需要对其进行数学建模。将数学建模转化为代码,转化过程中需要使用一些工具,采用的是阿里巴巴达摩院的MindOpt,可以使用浏览器在MindOpt的云平台上访问。编程代码使用的是MindOpt APL建模语言,它可以直接调用MindOpt solve求解器。

四、代码解析

image.png

使用工具:

1.声明变量

image.png

变量xjmn表示工厂在第m个月对油脂j的购买、使用和储存计划;

变量ym表示在第m个月对香皂的生产计划;

2.声明集合、参数

image.png

o是定义油脂的集合,01表示植物油脂,02表示动物油脂,共有五种油脂;

M是月份集合;N表示“购买”“使用”“储存”计划。

image.png

声明的参数是每个月油脂采购的价格,即成本价格。

hardness是油脂的硬度,r是的销售单价,b1、b2是动物油脂和植物油脂采购的下限和上限,l、u是香皂的下限和上限,s是初始的油脂储存量,d是付出储存成本的单价。

3.声明目标

image.png

即需要最大化工厂的利润,并确定数学公式。查看代码,r是香皂的销售单价,y(m)是生产计划,即生产的香皂量以及销售量,计算得到盈利情况。j油脂在第m月的采购成本(cost[jm])乘以其该月的购买计划(x[jm,"Buy])得到采购成本,储存一吨油脂所付出的单价(d)乘以的j油脂在该月的储存计划(x[jm,"Store])得到储存成本。盈利情况减上述两项成本得到利润,最后得到利润的最大化。

4.声明约束

image.png

第一条约束,方便问题计算使得每个月的油脂使用量等于生产计划,如生产计划是生产一吨香皂,则使用一吨油脂。

forallMindOpt语法中的方法,主要用于快速声明约束,循环集合。这里循环集合是月份集合M,并使得第m个月的使用计划等于生产计划y(m)

image.png

第二条约束和第三条约束的是为了把控生产产品时产品的规格,这里是指香皂的硬度,在生产零件的案例中,可能约束的是形状等等。

油脂的硬度(hardness[j])乘以油脂在第m个月的使用计划(x[j,m,"Use"])组成了香皂的生产过程,l是香皂的下限,u是香皂的上限。例如,第1个月购使用第1种油脂(VEG1),油脂的硬度为8,相乘得到第一个月的产量,需要等于第1个月的生成计划。

image.png

第三条约束为限制油脂的购买量,主要用于模拟香皂生产的效率,即j油脂在第m个月的使用量小于等于b1和b2,b1和b2分别表示是植物油脂和动物油脂的购买数量。

image.png

第四条约束是考虑到生活逻辑。除一月之外,其他月有初始原材料的储存。初始储存数量(s)加j油脂在一月的采购计划等于j油脂在一月的使用计划加储存计划,即上个月的储存量加上本月的购买量的总和等于本月的使用量加储存到下月的原材料数量。

image.png

最后一条约束用于控制原材料的储存成本,考虑到仓库储存的情况,

既不能使仓库有过多空余,也不能造成仓库的积压,因此需要使用约束条件固定储存的数量,使得j油脂第6个月的储存计划等于1月初的初始储存数量。

5.结果解析

image.png image.png

从上图(部分结果)可以看到第一种植物油脂在一月份的购买情况是0,使用计划是100吨,储存计划是400吨;二月份购买计划是0,使用计划是200吨,储存计划是200吨。各月的生产计划均为450吨,最大利润(最终目标)是108250。

五、总结

本期主要是讲述了排场排程的问题,并以制作香皂的工厂为例进行了说明。案例中,工厂要求对其未来半年内的生产以及采购定制定计划,并最大化工厂的利润。

求解问题使用的工具,是使用的是阿里巴巴达摩院的MindOpt,可以在opt.aliyun.com平台上编写代码,编程代码的语言MAPL。

获取源代码

image.png

排产排程【系列】-MindOpt Studio

相关文章
|
3月前
|
达摩院 供应链 安全
光储荷经济性调度问题【数学规划的应用(含代码)】阿里达摩院MindOpt
本文介绍使用MindOpt工具优化光储荷经济性调度的数学规划问题。光储荷经济性调度技术旨在最大化能源利用率和经济效益,应用场景包括分布式光伏微网、家庭能源管理系统、商业及工业用电、电力市场参与者等。文章详细阐述了如何通过数学规划方法解决虚拟电厂中的不确定性与多目标优化难题,并借助MindOpt云建模平台、MindOpt APL建模语言及MindOpt优化求解器实现问题建模与求解。最终案例展示了如何通过合理充放电策略减少37%的电费支出,实现经济与环保双重效益。读者可通过提供的链接获取完整源代码。
|
3月前
|
达摩院 BI 索引
切割问题【数学规划的应用(含代码)】阿里达摩院MindOpt
本文主要讲述了使用MindOpt工具对切割问题进行优化的过程与实践。切割问题是指从一维原材料(如木材、钢材等)中切割出特定长度的零件以满足不同需求,同时尽可能减少浪费的成本。文章通过实例详细介绍了如何使用MindOpt云上建模求解平台及其配套的MindOpt APL建模语言来解决此类问题,包括数学建模、代码实现、求解过程及结果分析等内容。此外,还讨论了一维切割问题的应用场景,并对其进行了扩展,探讨了更复杂的二维和三维切割问题。通过本文的学习,读者能够掌握利用MindOpt工具解决实际切割问题的方法和技术。
|
3月前
|
达摩院 算法 安全
智慧楼宇多目标调度问题【数学规划的应用(含代码)】阿里达摩院MindOpt
本文探讨了使用MindOpt工具优化智慧楼宇的多目标调度问题,特别是在虚拟电厂场景下的应用。智慧楼宇通过智能化技术综合考虑能耗、舒适度等多目标,实现楼宇设备的有效管理和调度。虚拟电厂作为多能源聚合体,能够参与电力市场,提供调峰、调频等辅助服务。文章介绍了如何使用MindOpt云上建模求解平台及MindOpt APL建模语言对楼宇多目标调度问题进行数学建模和求解,旨在通过优化储能设备的充放电操作来最小化用电成本、碳排放成本和功率变化成本,从而实现经济、环保和电网稳定的综合目标。最终结果显示,在使用储能设备的情况下,相比不使用储能设备的情形,成本节约达到了约48%。
|
3月前
|
达摩院 供应链 JavaScript
网络流问题--仓储物流调度【数学规划的应用(含代码)】阿里达摩院MindOpt
本文通过使用MindOpt工具优化仓储物流调度问题,旨在提高物流效率并降低成本。首先,通过考虑供需匹配、运输时间与距离、车辆容量、仓库储存能力等因素构建案例场景。接着,利用数学规划方法,包括线性规划和网络流问题,来建立模型。在网络流问题中,通过定义节点(资源)和边(资源间的关系),确保流量守恒和容量限制条件下找到最优解。文中还详细介绍了MindOpt Studio云建模平台和MindOpt APL建模语言的应用,并通过实例展示了如何声明集合、参数、变量、目标函数及约束条件,并最终解析了求解结果。通过这些步骤,实现了在满足各仓库需求的同时最小化运输成本的目标。
|
6月前
|
达摩院 开发者 容器
「达摩院MindOpt」优化形状切割问题(MILP)
在制造业,高效地利用材料不仅是节约成本的重要环节,也是可持续发展的关键因素。无论是在金属加工、家具制造还是纺织品生产中,原材料的有效利用都直接影响了整体效率和环境影响。
「达摩院MindOpt」优化形状切割问题(MILP)
|
6月前
|
人工智能 自然语言处理 达摩院
MindOpt 云上建模求解平台:多求解器协同优化
数学规划是一种数学优化方法,主要是寻找变量的取值在特定的约束情况下,使我们的决策目标得到一个最大或者最小值的决策。
|
1月前
|
机器学习/深度学习 算法 数据可视化
如果你的PyTorch优化器效果欠佳,试试这4种深度学习中的高级优化技术吧
在深度学习领域,优化器的选择对模型性能至关重要。尽管PyTorch中的标准优化器如SGD、Adam和AdamW被广泛应用,但在某些复杂优化问题中,这些方法未必是最优选择。本文介绍了四种高级优化技术:序列最小二乘规划(SLSQP)、粒子群优化(PSO)、协方差矩阵自适应进化策略(CMA-ES)和模拟退火(SA)。这些方法具备无梯度优化、仅需前向传播及全局优化能力等优点,尤其适合非可微操作和参数数量较少的情况。通过实验对比发现,对于特定问题,非传统优化方法可能比标准梯度下降算法表现更好。文章详细描述了这些优化技术的实现过程及结果分析,并提出了未来的研究方向。
27 1
|
4月前
|
人工智能 算法 调度
优化问题之如何选择合适的优化求解器
优化问题之如何选择合适的优化求解器
|
4月前
|
调度 决策智能
优化问题之优化求解器有哪些主要的评估特性
优化问题之优化求解器有哪些主要的评估特性
|
达摩院 调度
使用达摩院MindOpt优化交通调度_最大化通行量—线性规划问题
在数学规划中,网络流问题是指一类基于网络模型的流量分配问题。网络流问题的目标是在网络中分配资源,使得网络的流量满足一定的限制条件,并且使得某些目标函数最小或最大化。网络流问题通常涉及一个有向图,图中每个节点表示一个资源,每条边表示资源之间的关系。边上有一个容量值,表示该边上最多可以流动的资源数量。流量从源节点开始流出,经过一系列中间节点,最终到达汇节点。在这个过程中,需要遵守一定的流量守恒和容量限制条件。