一种导向辊制造资源优化配置方法、装置、设备及介质

1.本发明涉及印刷机械零件制造技术领域，具体涉及一种导向辊制 造资源优化配置方法、装置、电子设备和计算机可读存储介质。


背景技术：

2.印刷业作为我国实体经济的重要组成部分，推进其智能化进程， 对加快建设印刷强国、引领产业高质量发展具有重要意义。印刷机械 结构复杂，制造精密，安装难度大，导向辊作为印刷机械的关键零部 件之一，加工质量要求极高，为保证导向辊加工的效率和质量稳定性， 同时兼顾加工的经济性，需要将导向辊制造资源整合到产品周期中进 行组织和管理，对制造资源进行合理的优化配置。
3.导向辊的制造资源优化配置类似于混合流水车间调度问题，对于 这种np(non-deterministic polynomial，非确定多项式)问题，目前 多采用启发式算法和元启发式算法进行求解，如改进ils算法，通过 引入禁忌表的方式来平衡全局搜索和局部搜索，同时优化了车间能耗、 完工时间和机器负荷三个目标；再如有学者提出了ig算法，通过执 行多次插入操作，将工件分配各工厂最佳位置。但现有的研究多集中 于特定背景下的理论与应用，现有技术所构建的模型和算法并不适用 于导向辊实际制造车间，无法有效优化导向辊的制造和生产。
4.因此，有必要针对印刷机械导向辊制造车间的真实情况，建立更 贴合实际的导向辊协同制造链模型，并采用智能寻优算法寻找到模型 的最优解，从而实现导向辊生产效率与生产成本的协同优化。


技术实现要素：

5.有鉴于此，有必要提供一种导向辊制造资源优化配置方法、装置、 设备及介质，用以解决现有印刷机械导向辊制造资源优化方法不能契 合实际导向辊制造车间的真实情况，无法对导向辊的制造和生产进行 有效优化的问题。
6.为了解决上述问题，本发明提供一种导向辊制造资源优化配置方 法，包括：
7.获取导向辊制造任务信息和导向辊制造资源信息；
8.根据所述导向辊制造任务信息和导向辊制造资源信息，建立导向 辊协同制造链模型，以最小化加工时间和生产成本为所述协同制造链 模型的目标函数；
9.确定所述协同制造链模型的制造约束条件；
10.利用预设的优化配置算法，计算所述目标函数在所述制造约束件 下的最优解，根据所述最优解得到导向辊制造的资源优化配置方案。
11.进一步的，所述导向辊制造任务信息包括具有时序性的工序级协 同制造子任务集合；所述导向辊制造资源信息包括导向辊生产车间的 制造资源集合。
12.进一步的，所述协同制造链模型的目标函数中，所述最小化加工 时间包括最小化工件加工的最大完成时间；所述最小化生产成本包括 最小化工件加工的总成本；
13.其中，所述工件加工的最大完成时间为时序上排在最后的制造子 任务的加工结束时间；所述工件加工的总成本包括制造资源加工成本 和制造过程中工件储运成本。
14.进一步的，所述制造约束条件包括：导向辊加工工艺约束、制造 加工时间约束和制造资源状态约束。
15.进一步的，利用预设的优化配置算法，计算所述目标函数在所述 制造约束件下的最优解，包括：
16.生成所述集成调度模型在所述约束条件下的初始解集；
17.计算所述初始解集的适应度，根据所述适应度确定最优个体和最 差个体；
18.根据所述最优个体、最差个体和预设的迭代规则，对所述初始解 集进行更新，得到候选解集；
19.利用预设的局部搜索方法确定所述候选解集的最优个体，当满足 预设的终止条件时，将所述最优个体作为所述目标函数在所述制造约 束件下的最优解。
20.进一步的，计算所述初始解集的适应度，根据所述适应度确定最 优个体和最差个体，包括：
21.计算所述初始解集的非支配等级和拥挤度；
22.所述非支配度等级越高则个体越优；当个体拥有相同的非支配度 等级时，拥挤度高则个体更优。
23.进一步的，所述预设的迭代规则为：对种群中的个体进行交换变 换和移位变换，得到变换个体；
24.根据所述最优个体、最差个体和预设的迭代规则，对所述初始解 集进行更新，得到候选解集，包括：
25.根据所述最优个体、最差个体和jaya算法迭代公式，对所述变 换个体进行更新，得到更新个体；
26.根据所述更新个体的适应度判断所述更新个体是否优于更新前 的变换个体；若是，则将所述更新个体作为保留个体；若否，则将所 述变换个体作为保留个体；
27.根据所述保留个体得到候选解集。
28.本发明还提供一种导向辊制造资源优化配置装置，包括：
29.信息获取模块，用于获取导向辊制造任务信息和导向辊制造资源 信息；
30.目标建立模块，用于根据所述导向辊制造任务信息和导向辊制造 资源信息，建立导向辊协同制造链模型，以最小化加工时间和生产成 本为所述协同制造链模型的目标函数；
31.约束条件确定模块，用于确定所述协同制造链模型的制造约束条 件；
32.配置方案输出模块，用于利用预设的优化配置算法，计算所述目 标函数在所述制造约束件下的最优解，根据所述最优解得到导向辊制 造的资源优化配置方案。
33.本发明还提供一种电子设备，包括处理器以及存储器，所述存储 器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现 上述技术方案中任一所述的一种导向辊制造资源优化配置方法。
34.本发明还提供一种计算机可读存储介质，所述计算机可读存储介 质存储有计算机指令，所述指令被处理器执行上述技术方案中任一技 术方案所述的一种导向辊制造资
源优化配置方法。
35.现有技术相比，本发明的有益效果包括：首先，获取导向辊制造 任务信息和导向辊制造资源信息；其次，根据所述导向辊制造任务信 息和导向辊制造资源信息，建立导向辊协同制造链模型，并确定模型 的目标函数和制造约束条件；最后，利用预设的优化配置算法，计算 所述目标函数在所述制造约束件下的最优解，根据所述最优解得到导 向辊制造的资源优化配置方案。本发明面向印刷机械导向辊加工过程， 对导向辊生产车间的协同制造资源配置问题进行研究，建立了更契合 实际生产情况的导向辊协同制造链模型，将导向辊生产车间制造资源 配置问题归结为多目标优化问题，并设计了一种优化配置算法对模型 问题进行求解，能够快速对协同制造链模型进行求解，提高了配置策 略的制定速度，使配置方案的制定更加高效。
附图说明
36.图1为本发明提供的一种导向辊制造资源优化配置方法一实施 例的流程示意图；
37.图2为本发明提供的导向辊协同制造链模型一实施例的示意图；
38.图3为本发明提供的个体拥挤度一实施例的示意图；
39.图4为本发明提供的交换变换一实施例的变换示意图；
40.图5为本发明提供的移位变换一实施例的变换示意图；
41.图6为本发明提供的插入操作一实施例的变换示意图；
42.图7本发明提供的对称变换操作一实施例的变换示意图；
43.图8本发明提供的混合jaya算法一实施例的流程示意图；
44.图9本发明提供的导向辊生产线布局一实施例的结构示意图；
45.图10(a)本发明提供的导向辊制造资源按传统模式配置一实施 例的加工完成时间甘特图；
46.图10(b)本发明提供的导向辊制造资源按ga算法配置一实施 例的加工完成时间甘特图；
47.图10(c)本发明提供的导向辊制造资源按混合jaya算法配置一 实施例的加工完成时间甘特图；
48.图11为本发明提供的一种导向辊制造资源优化配置装置一实施 例的结构示意图；
49.图12为本发明提供的电子设备一实施例的结构示意图。
具体实施方式
50.下面结合附图来具体描述本发明的优选实施例，其中，附图构成 本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并 非用于限定本发明的范围。
51.在实施例描述之前，首先对目前印刷机械导向辊的生产车间实际 情况进行介绍。
52.成品导向辊需要依次通过下料、粗车、半精车、热装、精车、氧 化、动平衡等工艺，其中，粗车包含车钢轴、车成铝堵以及车辊筒。 对于导向辊的协同制造，需要同时考虑待加工导向辊的制造顺序以及 各加工子任务间加工设备的分配情况。
53.本发明根据实际的导向辊生产车间资源和任务情况，以加工时间 最小化和生产
成本最低化为目标，构建导向辊制造资源与制造任务的 协同制造链模型，将导向辊制造资源配置归结为多目标优化问题，并 且设计了一种优化配置算法，在实际生产的约束条件下对模型进行求 解，得到导向辊生产车间制造资源的最优配置，达到生产效率与生产 成本的协同优化。
54.本发明实施例提供了一种导向辊制造资源优化配置方法，图1为 本发明提供的一种导向辊制造资源优化配置方法一实施例的流程示 意图，包括：
55.步骤s101：获取导向辊制造任务信息和导向辊制造资源信息；
56.步骤s102：根据所述导向辊制造任务信息和导向辊制造资源信 息，建立导向辊协同制造链模型，以最小化加工时间和生产成本为所 述协同制造链模型的目标函数；
57.步骤s103：确定所述协同制造链模型的制造约束条件；
58.步骤s104：利用预设的优化配置算法，计算所述目标函数在所 述制造约束件下的最优解，根据所述最优解得到导向辊制造的资源优 化配置方案。
59.本实施例提供的一种导向辊制造资源优化配置方法，首先，获取 导向辊制造任务信息和导向辊制造资源信息；其次，根据所述导向辊 制造任务信息和导向辊制造资源信息，建立导向辊协同制造链模型， 并确定模型的目标函数和制造约束条件；最后，利用预设的优化配置 算法，计算所述目标函数在所述制造约束件下的最优解，根据所述最 优解得到导向辊制造的资源优化配置方案。本实施例面向印刷机械导 向辊加工过程，对导向辊生产车间的协同制造资源配置问题进行研究， 建立了更契合实际生产情况的导向辊协同制造链模型，将导向辊生产 车间制造资源配置问题归结为多目标优化问题，并设计了一种优化配 置算法对模型问题进行求解，能够快速对协同制造链模型进行求解， 提高了配置策略的制定速度，使配置方案的制定更加高效。
60.作为优选的实施例，在步骤s101中，所述导向辊制造任务信息 包括具有时序性的工序级协同制造子任务集合；所述导向辊制造资源 信息包括导向辊生产车间的制造资源集合。
61.作为一个具体的实施例，将导向辊制造任务分解为具有时序性的 工序级协同制造子任务，所有制造子任务的集合可表示为： ms＝{ms1，ms2，
…
，msi，
…
，msn}，式中msi为第i个协同制造 子任务，n为制造子任务的总数。
62.所述导向辊制造资源包括单刀架车削中心、双端面数控车床、动 平衡机等设备，将导向辊生产车间的所有制造资源集合为协同制造资 源集：mr＝{mr1，mr2，
…
，mrj，
…
，mrk}，式中mrj为第j个协 同制造资源，k为制造资源的总数。
63.根据所述导向辊制造任务信息和导向辊制造资源信息，建立导向 辊协同制造链模型如图2所示。
64.作为优选的实施例，在步骤s102中，所述协同制造链模型的目 标函数中，所述最小化加工时间包括最小化工件加工的最大完成时间； 所述最小化生产成本包括最小化工件加工的总成本；
65.其中，所述工件加工的最大完成时间为时序上排在最后的制造子 任务的加工结束时间；所述工件加工的总成本包括制造资源加工成本 和制造过程中工件储运成本。
66.作为一个具体的实施例，以所有导向辊加工时间和生产成本最小 为目标，建立导向辊协同制造链模型的目标函数可用数学式表达为：
67.f＝{min t
max
,min c
ost
}
ꢀꢀ
(1)
68.t
max
＝ft
nj
ꢀꢀ
(2)
[0069][0070]
式(1)表示最小化最大完工时间和最小化加工成本，其中，t
max
表示工件加工最大完成时间，c
ost
表示工件加工总成本；
[0071]
式(2)表示工件加工最大完成时间为最后制造子任务的加工结 束时间；其中，ft
ij
表示第i个协同制造子任务在制造资源j上加工 结束时间，n表示协同制造子任务总数；
[0072]
式(3)表示导向辊工件加工总成本为装置加工成本与储运成本 之和，其中，制造资源加工成本为加工时间与单位时间制造资源加工 成本之积，储运成本为工件储运时间与单位时间储运成本之积；cm表示制造资源加工成本，cr表示制造过程中工件储运成本；y
ij
表示第 i个制造子任务在第j个制造资源上加工时为1，否则为0；t
ij
表示第 i个协同制造任务在制造资源j上的加工时间；f
ij
表示第i个协同制 造任务在制造资源j上的加工单位时间加工成本；l
ij
表示第i个协同 制造任务在制造资源j上的工件储运时间(包含工件运输及等待时间 等)；l
ij
表第i个协同制造任务在制造资源j上的工件单位时间储运 成本。
[0073]
作为优选的实施例，在步骤s103中，所述制造约束条件包括： 导向辊加工工艺约束、制造加工时间约束和制造资源状态约束。
[0074]
作为一个具体的实施例，所述约束条件用数学式表达如下：
[0075]
1、所述导向辊加工工艺约束包括：
[0076][0077]
式(4)表示所有待加工导向辊需要经过所有制造任务，且每个 制造任务只能在一个制造资源上加工；其中，y
ij
∈{0,1}，y
ij
表示第i个 制造子任务在第j个制造资源上加工时为1，否则为0；n表示协同制 造子任务总数；k表示制造资源总数。
[0078]
2、所述制造加工时间约束包括：
[0079][0080]
式(5)表示导向辊的加工开始时间与结束时间的关系，即工件 加工的连续性；
[0081][0082]
式(6)表示导向辊准备时间为加工完成时间与制造资源加工时 间之差；t
ij
表示第i个协同制造任务在制造资源j上的加工时间；ti表示第i个协同制造子任务的加工完成时间；
[0083][0084]
式(7)表示任一待加工的导向辊在零时刻释放等待加工；f
ij
表 示第i个协同制造
任务在制造资源j上的加工单位时间加工成本。
[0085]
3、所述制造约束条件包括：
[0086][0087]
式(8)表示制造子任务的链式约束，即导向辊某子任务完成时 才能开始下一子任务的加工。
[0088]
作为优选的实施例，在步骤s104中，利用预设的优化配置算法， 计算所述目标函数在所述制造约束件下的最优解，包括：
[0089]
生成所述集成调度模型在所述约束条件下的初始解集；
[0090]
计算所述初始解集的适应度，根据所述适应度确定最优个体和最 差个体；
[0091]
根据所述最优个体、最差个体和预设的迭代规则，对所述初始解 集进行更新，得到候选解集；
[0092]
利用预设的局部搜索方法确定所述候选解集的最优个体，当满足 预设的终止条件时，将所述最优个体作为所述目标函数在所述制造约 束件下的最优解。
[0093]
作为优选的实施例，计算所述初始解集的适应度，根据所述适应 度确定最优个体和最差个体，包括：
[0094]
计算所述初始解集的非支配等级和拥挤度；
[0095]
所述非支配度等级越高则个体越优；当个体拥有相同的非支配度 等级时，拥挤度高则个体更优。
[0096]
作为优选的实施例，所述预设的迭代规则为：对种群中的个体进 行交换变换和移位变换，得到变换个体；
[0097]
根据所述最优个体、最差个体和预设的迭代规则，对所述初始解 集进行更新，得到候选解集，包括：
[0098]
根据所述最优个体、最差个体和jaya算法迭代公式，对所述变 换个体进行更新，得到更新个体；
[0099]
根据所述更新个体的适应度判断所述更新个体是否优于更新前 的变换个体；若是，则将所述更新个体作为保留个体；若否，则将所 述变换个体作为保留个体；
[0100]
根据所述保留个体得到候选解集。
[0101]
下面结合具体的实施例对上述的优化配置算法进行详细说明。
[0102]
本实施例采用基于操作的整数编码方式，具体规则为编码长度只 与待加工工件总数z和协同制造子任务数n相关，编码长度就是z*n， 编码内容是1,2,3,4,5
…
z*n之间的整数值。
[0103]
以待加工工件总数z＝4，协同制造子任务数n＝3为例，可得编码 和操作o
ji
之间的对应关系如表1所示。
[0104]
表1编码基础对应表
[0105][0106]
解码过程中，要同时考虑待加工导向辊的制造顺序以及各子任务 间加工装置分配情况。本实施例中，在某一子任务先加工完成的导向 辊，在下一制造子任务优先进行加工；在给定子任务最先空闲的装置 优先安排加工；而对于多个导向辊在某一子任务同时完成时，采用随 机原则(random rule,rr)进行求解。
[0107]
针对制造资源等待时间过长问题，本实施例提出一种基于空闲时 间升序的插入机制：如果某个导向辊的加工时长小于某制造装置的空 闲时间，则将该导向辊优先加工，直接插入该装置的空闲时间内完成 加工。
[0108]
在种群初始化时，为保证全局多样性，且导向辊生产车间制造资 源优化配置问题只需考虑加工排序与资源分配，故编码方案根据编码 长度使用完全随机生成策略。
[0109]
为了有效均衡加工效率和加工成本之间的特征，本技术中，个体 适应度评价策略为：利用帕累托寻优进行非支配等级排序及个体拥挤 度结合的机制进行个体选择。具体规则为，
[0110]
min f(x1)＝min{f1(x1)，f2(x1)，
…fn
(x1)}，x1∈m，
[0111]
其中fn(x1)表示以最小化为目标的第n个目标函数，x1表示目标 函数的一个解，m表示解集空间。如果存在另外一个解x2∈m，对 于均满足fi(x1)≤fi(x2),且满足 fi(x1)《fi(x2)，则有x
1 f x2，即x1支配x2，解x1具有更高的等级。
[0112]
等级越高的解会被认为是更加优秀的解；如果两个解拥有相同的 等级，具有较高拥挤距离的解会被视为优于其他解。
[0113]
其中，拥挤度ds的计算公式如下式所示：
[0114][0115]
式(9)中，n为目标函数的个数，f
imax
与f
imin
分别为种群中第i个目 标函数值的最大值与最小值，fi(s+1)和fi(s-1)分别为待求解相邻两个 位置第i个目标函数值。
[0116]
图3为某一边界集中的个体s的拥挤度示意图。对于边界解(第0 和第r个个体)，设定边界距离为无穷大。
[0117]
本实施例预设了迭代规则，对初始解集进行更新，具体为：对种 群个体xk实施两种变换因子，变换后的新个体与原个体构成迭代候选 集isetk，通过轮盘赌的选择策略，从候选集中获取x'k参与jaya迭代， 用于产生候选解x'k的两种变换包括交换变换和移位变换。
[0118]
交换变换具体为：在一个加工序列中随机选取两个序列点，交换 它们的位置，得到新的加工序列，如图4所示。
[0119]
移位变换具体为：在一个加工序列中随机选取两个序列点，将第 一个序列点依次与其后一个序列点交换位置，直至与随机选取的第二 个序列点交换完位置，得到新的序
列，如图5所示。
[0120]
在jaya迭代过程中，最优解为非支配等级最高的解，若存在解 的非支配等级相同，则最优解为拥挤度距离大的解，最劣解的选择与 之相反。jaya算法迭代公式为：
[0121]
a(i+1，j，k)＝a(i，j，k)+r(i，j，1)(a(i，j，b)-|a(i，j，k)|)
ꢀ‑
r(i，j，2)(a(i，j，b)-|a(i，j，w)|)
ꢀꢀ
(10)
[0122]
其中，i，j，k分别代表迭代代数，个体的变量，种群中的个体。 例如，a(i，j，k)表示迭代第轮时，种群中第k个个体的第j个变量； a(i，j，b)和a(i，j，w)分别代表i代时种群中的最优个体和最差个体的第j 个变量；r(i，j，1)和r(i，j，2)分别控制缩放大小，取值在[0，1]之间。通过 公式(10)对个体进行更新，得到更新后的个体。
[0123]
为进一步提高算法的搜索性能，本实施例采用变邻域搜索 (variable neighborhood search，vns)对后期优秀个体进行局部优化， 从而提高混合算法的收敛速度以及增大其跳出局部最优的概率。
[0124]
而对于局部搜索策略的邻域结构，选择插入操作和对称变换操作， 在搜索过程中，两种混合结构各有50％的概率被选择参与迭代。
[0125]
插入操作具体规则为：随机选取一个元素插入到序列最开始的位 置，其他子批依次后退，如图6所示。
[0126]
对称变换操作具体规则为：在一个序列中随机产生两个位置连续 的序列对，先将每个序列中序列点反转，然后将序列对交换位置，得 到新的序列，如图7所示。
[0127]
上述过程的完整流程图如图8所示，具体步骤包括：
[0128]
步骤1：初始化种群，并设置最大迭代次数为终止条件。
[0129]
步骤2：寻找x
best
和x
worst
；计算所有个体非支配等级和拥挤度， 确定相对最优解与最差解。
[0130]
步骤3：实施变换因子；对每个个体xk进行交换、移位变换，和 原个体构成候选迭代集isetk。
[0131]
步骤4：选择迭代候选解x'k；对迭代候选集中的解决方案进行轮 盘赌选择，确定参与迭代的候选解x’k
。
[0132]
步骤5：更新种群；根据迭代公式对所有候选解进行更新。
[0133]
步骤6：判断是否替换；计算新解的适应度，若优于旧解，则将 旧解替换，否则保留旧解进入下一次迭代。
[0134]
步骤7：执行局部搜索；开始对种群中前15％的个体进行变邻域 搜索。
[0135]
步骤8：选择最优解；根据适应度评价规则，更新最优个体。
[0136]
步骤9：判断是否达到终止条件；若是跳转到步骤9，否则跳回 步骤3并遵循后续循环。
[0137]
步骤10：输出结果并结束。
[0138]
为了将比较本技术的优化配置方法与常用的优化算法进行分析 对比，本实施例选用常见的遗传算法与本技术的优化配置算法(后面 简称混合jaya算法)进行仿真对比分析，说明本技术算法的实用性 与优越性。
[0139]
以某印刷机械导向辊生产车间的实际订单为例，进行面向导向辊 协同制造资源优化配置问题研究，并与当前加工模式及其他资源优化 配置算法进行对比，导向辊生产线
布局如图9所示。
[0140]
以某时间段12个导向辊加工任务为实例，对导向辊制造过程中 的粗车、半精车、热装、精车、氧化、动平衡六大工序构成的协同制 造链进行优化，12个待加工导向辊毛坯需要依次完成以上6个制造 子任务，其中粗车、半精车、热装、精车、氧化、动平衡的制造资源 数分别为：1、2、2、3、1、2，各工件的制造子任务(msi)在不同 的制造资源(mri)上的加工时间与单位时间加工成本如表3所示， 储运成本为每小时30元。
[0141]
表2各工件制造任务不同制造资源加工时间表(单位：min)
[0142][0143]
表3单位时间各制造资源mri加工成本(单位：元/min)
[0144]
mr1mr2mr3mr4mr5mr62 3 2.5 1.5 1.5 5 mr7mr8mr9mr
10
mr
11
ꢀꢀ
4.5 4 1 2 2.5
ꢀꢀꢀ
[0145]
通过完全试验设计法，取混合jaya算法性能最优的参数组合： popsize为100，gmax为400。同时根据表2、表3所示的导向辊加工 数据，分别使用混合jaya算法，遗传算法(ga)进行模型求解，并 与传统生产方式进行比较，所得结果如图10(a)、图10(b)、图 10(c)及表4所示。图10(a)、(b)、(c)中，图示条形框[z msi] 表示导线辊第z个待加工毛坯的第i个制造子任务在对应纵坐标制造 资源上进行加工，
[0146]
由图10(a)、图10(b)、图10(c)可看出，传统的加工模式 会导致制造资源的空闲等待时间过长，对比条形框长度，可发现存在 并行制造资源时，传统模式不能选择更优的资源路线，而采用混合jaya算法结果的加工模式，可很好的选择制造资源，且总完工时间缩 短，提高了车间的生产效率。
[0147]
通过表4比较三种加工方案的制造周期与检定成本：基于本技术 所提混合jaya算法结果的加工模式，加工完成全部12个导向辊，约 需33小时，总加工成本约21000元，相较于按遗传算法结果的加工 模式所需2176min，总加工成本22836元，可节约9％的加工时间和 7％的加工成本。而在完成相同工作量下，采用传统加工模式，用时 约35小时，总加工成本约23000元，采用本发明所提算法结果模式 加工，可节约4.6％的加工时间，而加工成本可大幅节约7.9％。
[0148]
表4导线辊按不同模式加工结果对比
[0149]
加工方式 装置加工成本 储运成本 总完工时间 总加工成本 传统模式 13915 9101 2087 23016 遗传算法 13084 9752 2176 22836 混合jaya算法 12600 8755 1995 21335 [0150]
可见采用本技术所提混合jaya算法的导向辊协同制造资源优化 配置方案，达到了制造效率与制造成本的协同优化，且和其他智能算 法相比，混合java算法在解决此类问题上更具优势。
[0151]
本发明还提供一种导向辊制造资源优化配置装置，其结构框图如 图11所示，一种导向辊制造资源优化配置装置1100，包括：
[0152]
信息获取模块1101，用于获取导向辊制造任务信息和导向辊制 造资源信息；
[0153]
目标建立模块1102，用于根据所述导向辊制造任务信息和导向 辊制造资源信息，建立导向辊协同制造链模型，以最小化加工时间和 生产成本为所述协同制造链模型的目标函数；
[0154]
约束条件确定模块1103，用于确定所述协同制造链模型的制造 约束条件；
[0155]
配置方案输出模块1104，用于利用预设的优化配置算法，计算 所述目标函数在所述制造约束件下的最优解，根据所述最优解得到导 向辊制造的资源优化配置方案。
[0156]
如图12所示，上述的一种导向辊制造资源优化配置方法，本发 明还相应提供了一种电子设备1200，该电子设备可以是移动终端、 桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备 包括处理器1201、存储器1202及显示器1203。
[0157]
存储器1202在一些实施例中可以是计算机设备的内部存储单元， 例如计算机设备的硬盘或内存。存储器1202在另一些实施例中也可 以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬 盘，智能存储卡(smart media card，smc)，安全数字(secure digital， sd)卡，闪存卡(flash card)等。进一步地，存储器1202还可以既 包括计算机设备的内部存储单元也包括外部存储设备。存储器1202 用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机 设备的程序代码等。存储器1202还可以用于暂时地存储已经输出或 者将要输出的数据。在一实施例中，存储器1202上存储有一种导向 辊制造资源优化配置方法程序1204，该一种导向辊制造资源优化配 置方法程序1204可被处理器1201所执行，从而实现本发明各实施例 的一种导向辊制造资源优化配置方法。
[0158]
处理器1201在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行 存储器1202中存储的程序代码或处理数据，例如执行一种导向辊制 造资源优化配置程序等。
[0159]
显示器1203在一些实施例中可以是led显示器、液晶显示器、 触控式液晶显示器以及oled(organic light-emitting diode，有机发 光二极管)触摸器等。显示器1203用于显示在计算机设备的信息以 及用于显示可视化的用户界面。计算机设备的部件1201-1203通过系 统总线相互通信。
[0160]
本实施例还提供了一种计算机可读存储介质，其上存储有一种导 向辊制造资源优化配置方法的程序，处理器执行程序时，实现如上述 任一技术方案所述的一种导向辊制造资源优化配置方法。
[0161]
根据本发明上述实施例提供的计算机可读存储介质和计算设备， 可以参照根据本发明实现如上所述的一种导向辊制造资源优化配置 方法具体描述的内容实现，并具有与如上所述的一种导向辊制造资源 优化配置方法类似的有益效果，在此不再赘述。
[0162]
本发明公开的一种导向辊制造资源优化配置方法、装置、设备及 介质，首先，获取导向辊制造任务信息和导向辊制造资源信息；其次， 根据所述导向辊制造任务信息和导向辊制造资源信息，建立导向辊协 同制造链模型，并确定模型的目标函数和制造约束条件；最后，利用 预设的优化配置算法，计算所述目标函数在所述制造约束件下的最优 解，根据所述最优解得到导向辊制造的资源优化配置方案。
[0163]
本发明面向印刷机械导向辊加工过程，对导向辊生产车间的协同 制造资源配置问题进行研究，建立了更契合实际生产情况的导向辊协 同制造链模型，将导向辊生产车间制造资源配置问题归结为多目标优 化问题，并设计了一种优化配置算法对模型问题进行求解，能够快速 对协同制造链模型进行求解，提高了配置策略的制定速度，使配置方 案的制定更加高效。
[0164]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范 围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技 术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围 之内。