一种基于多维数据结构的生产计划方法及系统技术方案

本发明专利技术涉及生产计划与控制方法技术领域，公开了一种基于多维数据结构的生产计划方法及系统，具体为：建立多维数据结构构造框架模型，所述多维数据结构构造框架模型，包括多维决策变量和约束条件，通过建立可视化表单用于用户交互；构建多维路径算法引擎，应用所述多维路径算法引擎构建多维路径算法，生成备选解；构建多层次目标函数，对所述备选解进行多次筛选，形成最优解。解决了现有的生产计划与控制方法采用数学规划模型过度抽象，造成有用信息的大量丢失，很难建立模型，求解更困难，模型的解很难理解；当前多维数据结构还没有被应用于“带约束的生产计划”，多维数据结构之上缺乏原始的算法引擎可以满足生产计划的要求的技术问题。技术问题。技术问题。

【技术实现步骤摘要】
一种基于多维数据结构的生产计划方法及系统


[0001]本专利技术涉及生产计划与控制方法领域，更具体地说，它涉及一种基于多维数据结构的生产计划方法及系统。

技术介绍

[0002]目前生产计划与控制方法的技术发展长期滞后于企业界的实际需求，这主要源自于该领域在技术上和现实场景上的双重复杂性。目前在企业界普遍应用的企业资源计划(ERP，Enterprise Resource Planning，一种主要面向制造行业进行物质资源、资金资源和信息资源集成一体化管理的企业信息管理系统)系统，在生产计划时，仍然只能采用无限产能排产的方式，这也导致了主生产计划(MPS，MasterProduction Schedule，MPS是闭环计划系统的一个部分。MPS的实质是保证销售规划和生产规划对规定的需求与所使用的资源取得一致。MPS考虑了经营规划和销售规划，使生产规划同它们相协调。它着眼于销售什么和能够制造什么，这就能为车间制定一个合适的“主生产进度计划”，并且以粗能力数据调整这个计划，直到负荷平衡)和物料需求计划(MRP，Material Requirement Planning，根据产品结构各层次物品的从属和数量关系，以每个物品为计划对象，以完工时期为时间基准倒排计划，按提前期长短区别各个物品下达计划时间的先后顺序，是一种工业制造企业内物资计划管理模式)在时间上往往很不准确，甚至实际上无法使用。这也成为了企业资源计划(ERP)的实用效果普遍低于企业预期的主要的原因之一。
[0003]带约束条件的生产计划后来被归入了高级计划与排程(APS，Advanced Planning and Scheduling，提供给制造商解决全球的优先权和工厂本地的优化顺序问题，来满足制造业对客户响应越来越强烈的需求)领域。APS开始采用算法引擎来解决这一问题。生产计划问题理论上可以用数学规划模型来表示。数学规划模型时一种抽象的优化模型，其中，线性规划方法是数据规划中最常用和最具实用价值的方法之一。而生产计划的约束条件基本上也都是线性的。但是，高级计划与排程(APS)在企业界至今确并没有获得真正意义上的成功，甚至鲜少有真正成功的实施案例。主要的问题如下：
[0004]1)数学规划方法将实际问题抽象成纯粹的数学表达，隔断了与原问题之间的语义关系。比如，线性规划模型被抽象为：
[0005][0006]其中x是决策变量的一维向量，A是约束条件的系数矩阵，b是约束条件的常数项一维向量，c是目标函数系数的一维向量
[0007]其中，决策变量是一维的，是以(x1,x2,x3,...,xn)表达的一维向量。而在现实世界中，决策变量是多维的，比如一个变量可以表述为：产品P01工艺路线的b道工序在2020.1.5日应当投入生产X件，或者产品P02成品库存在2020.2.8日需要销售发货Y件。这里面存在产品、工艺路线、天等多个维度，还存在进量和出量等多种关键值，它们各自都有特
定的业务语义。而数学规划模型的过度抽象实质上造成了有用信息的大量丢失。
[0008]2)由于1)中的问题，运用数学规划模型的首要难点是：很难建立模型。假设一个模型需要计划84天(12周)，包含1000个产品，每个产品有20行工艺路线，包含进量、出量、余量3个关键值，那么这个模型就有84*1000*20*3，超过500万个决策变量。而要建立这些维度值和关键值和这500万个以一维向量表示的决策变量的映射转换关系，本身就是一项极具挑战性的任务。而更棘手的问题还在后面：这就是建立500万*500万的约束条件系数矩阵。这些约束条件本来都有明确而简洁的业务语义，比如：当天的余量应该等于前一天的余量加上当天的进量再减去当天的出量。现在都必须被转换成500万*500万的系数矩阵中的很多值。所以，应用数据规划模型的第一步“建立模型”就非常困难。
[0009]3)模型建立后的求解更加困难。因为数学规划模型抽象掉了业务语义信息，所以只能用纯数学的方法求解，而这又带来了两方面的困难：首先，纯数学的通用算法无法利用业务知识(甚至是业务常识)，所以计算量巨大。比如，在线性规划领域，超过1000个变量的模型就属于大型模型，在实际运算中已经出现困难。对于500万个变量的模型，基本上就束手无策了。而在现实世界，模型的变量数很容易比500万再高出数个数量级(比如当需要计划到机台，或更细的时间颗粒度)。所以，即使近年来内存计算和GPU等计算机技术有了长足的发展，但是用数学规划模型求解生产计划这条路在现实中仍然面临巨大的困难。其次，数学算法追求的是完美和严谨性。但是，很多问题找不到数学上完美的解决算法，但是对于实际问题却常常有一些特殊的算法可取得比较好的实际效果。所以，数学规划方法在实际项目中往往表现为“跑不出结果”，而它也完全无法给出“Plan B”,也就是在现实生活中企业日常总归需要的某种生产计划，哪怕它们不是完美的。
[0010]4)模型的解很难理解。最后，即使模型跑出了结果，但是由于模型中已经非常弱化业务语义，模型本身和实际问题之间的关系已经很难理解，而模型的计算过程对用户也是不透明的，所以模型的解往往表现出不可理解、无法校验、无法调整，也就不敢使用的尴尬结果。
[0011]正因为上述的各种原因，无论是企业资源计划(ERP)领域，还是高级计划与排程(APS)领域,抑或是数学规划理论界，近年来对带约束条件的生产计划这个问题的实际解决都处于半停滞状态。
[0012]以上是本专利技术所处应用领域的
技术介绍
，也就是本专利技术所要解决的问题的
技术介绍
及其发展现状。下面再介绍一下本专利技术的技术实现领域的
技术介绍
，也就是本专利技术所用到的相关技术的背景及其发展情况。
[0013]本专利技术的技术基础是多维数据结构，也称为星型数据结构(Star Schema，在星型模型当中，一张事实表被若干张维度表所包围。每一个维度代表了一张表，有主键关联事实表当中的外键)。和关系型数据结构不同，多维数据结构的主体是事实表(FactTable)，事实表由各种维度(Dimensions)和各种关键值(Key Figures)共同构成。事实表中的各种维度又和各自的维度主数据表相连，于是构成了一种“星型”结构。星型数据结构还有各种发展和演进，比如“雪花型”数据结构等等，也都属于多维数据结构。
[0014]多维数据结构最早是随着数据仓库(DataWarehouse，是为企业所有级别的决策制定过程，提供所有类型数据支持的战略集合。它是单个数据存储，出于分析性报告和决策支持目的而创建。为需要业务智能的企业，提供指导业务流程改进、监视时间、成本、质量以及
控制)技术被提出并使用的，主要用于数据挖掘和报表需求，偏重于数据的“读”操作。由于多维数据结构比关系型数据库更适合快速的业务建模，所以逐渐成为财务计划、全面预算、合并报表等以业务建模为核心要求的企业应用的基础数据结构，相关应用也被正式归类为企业绩效管理(Enterprise Performance Management，EPM，EPM倡导的绩效管理:一方面是注重员工的品行和业绩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维数据结构的生产计划方法，其特征在于，包括以下步骤：S101：建立多维数据结构构造框架模型，所述多维数据结构构造框架模型，包括多维决策变量和约束条件，通过建立可视化表单用于用户交互；确定所述多维数据结构构造框架模型的维度和关键值；所述多维决策变量，表述为：[维度1,维度2,...,维度n,关键值m]，表示被维度1，维度2，
…
，维度n等各所述维度的具体值限定的关键值m；所述约束条件，表述为：建立多个决策变量之间的函数关系；所述表单，为一个或一组将所述框架模型进行可视化展现的工具；S102：构建多维路径算法引擎，应用所述多维路径算法引擎构建多维路径算法，生成备选解；所述多维路径算法，根据业务逻辑，基于所述多维数据结构构造框架模型，沿着所述约束条件，对所述决策变量进行顺序赋值；所述多维路径算法引擎，为以一系列可灵活组合的部件构成的算法合成器，快速构造各种所述多维路径算法；S103：构建多层次目标函数，对所述备选解进行多次筛选，形成最优解。2.根据权利要求1所述的基于多维数据结构的生产计划方法，其特征在于，所述可灵活组合的部件包含：多维度筛选条件、筛选后的多维实例、算子、条件判断、异步并发处理、串行处理、串行处理排序规则、一轮运算结束符；所述多维度筛选条件，通过对多个所述维度的值设定各种条件组合，从而筛选出一个变量子集的功能组件，所述多维度筛选条件可嵌套；所述筛选后的多维实例，经过所述多维度筛选条件筛选之后，符合所述多维度筛选条件的一系列相关所述维度的维度值；所述算子，为所述多维路径算法引擎的计算单元，将一些所述多维决策变量计算出另一些所述多维决策变量，所述多维决策变量可以是全量或增量的形式；所述条件判断，当同一组筛选后的实例，若算法不同，用所述条件判断来区别处理不同的情况；所述异步并发处理，用于当筛选出的所述筛选后的多维实例之间没有关联，对计算结果相互间没有影响时，对所述筛选后的多维实例同时进行后续处理；所述串行处理，当对所述筛选后的多维实例再次进行筛选，或利用所述算子进行计算时，必须依赖于之前的筛选或者计算结果而进行，必须先进行之前的筛选或者计算，再进行当前的筛选或计算；所述串行处理排序规则，当筛选出的所述筛选后的多维实例之间有关联，一个所述筛选后的多维实例的计算结果对另一个所述筛选后的多维实例计算结果有影响，设定所述串行处理排序规则，顺序处理每个所述筛选后的多维实例；所述一轮运算结束符，用于当前面的筛选条件的相关计算已经完成，并要重新进行新的筛选时，所述一轮运算结束符表示上一轮的运算已经结束。3.根据权利要求1或2所述的基于多维度数据结构的生产计划方法，其特征在于，所述多维决策变量，包含输入变量和输入参数，所述输入变量和所述输入参数为从企业内部采集的实际数据，直接输入到所述多维数据结构构造框架模型中；
所述输入变量是动态的，在运行所述多维数据结构构造框架模型前动态输入，所述输入变量包括余量；所述输入参数是静态的，在所述输入参数变化时输入，所述输入参数包括所述产品产能。4.根据权利要求1或2所述的基于多维度数据结构的生产计划方法，其特征在于，所述多维数据结构构造框架模型包含一个整体计划模型和一个长期计划模型；所述整体计划模型包含多个相互关联的计划模型；所述计划模型包含一主计划框架模型，所述主计划框架模型为所述多维数据结构构造框架模型的核心；除所述主计划框架模型外的其它所述计划模型，将所述主计划框架模型中的节点进行展开，当前所述计划模型与所述主计划框架模型重合的所述多维决策变量构成两个所述计划模型之间的双向桥梁；所述多维数据结构构造框架模型，还可以包含一长期计划模型，进行颗粒度较粗的长期计划，并将长期计划结果输入到颗粒度较细的所述整体计划模型中，作为所述整体计划模型的降落点，所述长期计划模型和所述整体计划模型的所述多维决策变量不重合。5.根据权利要求2所述的基于多维度数据结构的生产计划方法，其特征在于，所述算子包含复合算子，所述复合算子，为将若干个基本的所述算子通过所述多维路径算法引擎构造而成的所述多维路径算法。6.根据权利要求1或2或5所述的基于多维度数据结构的生产计划方法，其特征在于，所述多维路径算法引擎包含备选解筛选算子，用于对所述备选解进行筛选；所述备选解筛选算子包含可行性筛选算子和经济价格筛...

【专利技术属性】
技术研发人员：张青青，
申请(专利权)人：上海基甸信息科技有限公司，
类型：发明
国别省市：