设施规划利用python求解从至表

在设施规划中,求解从至表从而得到最优的厂房排序是必不可少的一环
故利用python写了一段求解从至表的程序。对于不同的厂房数量与不同的零件加工程序,只需要修改对应内容即可,此程序通用性比较强。
这是本程序对应案例的相关数据


本案例对应的从至表.jpg

带入到程序求解
代码如下:

#计算从至表
import numpy as np
import pandas as pd

#————————————————————————————修改的内容————————————————————————————————#

#原材料库A  铸造车间B  热处理车间C   机加工车间D   精密车间E    标准件半成品库F
#仓库组成的序列
obj=pd.Series(['A','B','C','D','E','F'],index=[1,2,3,4,5,6])
#print(obj)
#零件组成的字典。零件名:权重,[加工顺序]
parts={'s1':[9,['A','D','C','F']],           
      's2':[90,['A','B','D','E','F']],
      's3':[3,['A','B','D','F']],
      's4':[3,['A','D','E','F']],
      's5':[27,['A','D','E','F']],
      's6':[700,['A','B','D','E','F']],
      's7':[60,['A','D','C','E','F']],
      's8':[56,['A','D','E','F']],
      's9':[32,['A','D','F']],
      's10':[1,['A','D','C','E','F']],
      's11':[120,['A','C','D','C','E','F']],
      's12':[60,['A','C','D','C','E','F']],
      's13':[80,['A','D','C','F']]
      }

#—————————————————————————场地数组的全排列——————————————————————————————#

m=len(obj)    #加工场地的个数
obj_sort=[i for i in range(1, m+1)]  #需要排列的列表

def AllRange(listx,p,q):      #递归生成全排列列表sorts  
    if p == q:
        all_sorts.append(list(listx)) 
    else:
        for i in range(p,q):
            listx[i],listx[p]=listx[p],listx[i]
            AllRange(listx,p+1,q)
            listx[i],listx[p]=listx[p],listx[i]
        
all_sorts=[]                 #所有全排列可能的列表
AllRange(obj_sort,0,len(obj_sort))

#—————————————————————————计算流量最小时的排列——————————————————————————#

min_flow=100000000     #最小流量,根据情况设置一个比较大的值
best_sort=[]           #最小流量下的排序

#计算一个零件在某排序下的流量
def one_part_folw(info,now_range):  
    p_flow=0    #不加权重的流量
    n=len(info[1])
    for i in range(n-1):   #工序A对应的数字1,在新排序中的先后位置
        index_f=obj[obj.values==info[1][i]].index  #工序对应的标签
        index_l=obj[obj.values==info[1][i+1]].index
        f=now_range.index(index_f)    
        l=now_range.index(index_l)
        if f > l:
            p_flow += (f-l)*2
        else:
            p_flow += (l-f)

    total_flow=p_flow*info[0]
    return total_flow

#找出所有序列流量最小值及对应序列
for all_sort in all_sorts[:]:     
    now_flow=0    #本次排列的流量
    for part in parts.values():
        part_flow=one_part_folw(part,all_sort)  #每个零件的流量
        now_flow += part_flow

    if now_flow <= min_flow:
        min_flow=now_flow
        best_sort=all_sort[:]

#—————————————————————————————输出结果——————————————————————————————————#        

print('min flow:')
print(min_flow)
print('best sort:')
for i in range(m):
    print(obj[best_sort[i]])

可以求得最优厂房排序为


最优排序及流量.PNG

ps:本程序迭代了所有厂房排序可能情况,从中求出最优解。为了提高程序的通用性,加之用python书写,所以运行速度稍微慢了些。
有不足之处,还请见谅。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 221,820评论 6 515
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 94,648评论 3 399
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 168,324评论 0 360
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 59,714评论 1 297
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 68,724评论 6 397
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 52,328评论 1 310
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,897评论 3 421
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,804评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 46,345评论 1 318
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,431评论 3 340
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,561评论 1 352
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 36,238评论 5 350
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,928评论 3 334
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,417评论 0 24
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,528评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,983评论 3 376
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,573评论 2 359

推荐阅读更多精彩内容