论文部分内容阅读
摘要：在智能技术蓬勃发展的过程中，基于智能控制理论的遗传算法既具有非线性特点，也可并行处理，有利于生产调度的科学开展，也可对生产线排产调度进行优化。基于此，文章将从生产工艺及排产流程的阐述入手，通过优化调度问题模型的分析，进一步提出遗传算法这种智能技术在生产调度及优化排产中的具体运用。
Abstract： In the process of the vigorous development of intelligent technology， genetic algorithm based on intelligent control theory has nonlinear characteristics， but also can be parallel processing， which is conducive to scientific development of production scheduling， but also can optimize the production line scheduling. Based on this， the paper will start from the production process and scheduling process， through the analysis of optimization scheduling problem model， and further put forward the specific application of genetic algorithm in the intelligent technology of production scheduling and optimization scheduling.
关键词：智能技术;生产调度;优化排产;遗传算法
Key words： intelligent technology;production scheduling;optimizing production scheduling;genetic algorithm
中图分类号：TF087 文献标识码：A 文章编号：1674-957X（2021）20-0044-02
0 引言
生产制造领域当中，通常是采用生产调度的方式降低生产等待期、缩短产品生产周期，从而达到设备利用率提高的目的。生产线工作效率的高低是关乎企业经济及社会效益的重要因素。然而部分生产企业由于缺乏优化调度的理念，只是凭借以往的工作经验开展生产调度，不仅会延长生产时间，还会降低生产效率，甚至会因部分零件的缺失而出现生产中断现象，既难以提高设备利用率，也会降低产品生产质量。为此，构建生产线优化调度模型，对其计算方法进行优化具有重要意义。
1 生产排产流程分析
本某汽车生产企业的冲压车间共有三条生产线，静态优化排产时，要具备三方面条件：一是所有生产设备均可正常使用;二是有充足的生产原料;三是具备足够的产品存储空间。在明确排产条件后，可对车间的排产计划进行分析，从而确定具体的排产流程。该生产企业的焊接车间作为冲压车间的后续加工单位，是其排产系统计划的重要影响因素，需要以其某一生产周期所采用的焊接规划为基础，结合产品库存情况，分析出该生产周期内所需生产的工件数量，生产第j种工件时，去除安全库存后库存量以Lj为代表，需求工件数量以Rj为代表，则其预计生产数量的计算公式为：（1）
上式表明，在Rj比Lj數值更大的情况下，说明此种工件数量不足，此时此种工件属于缺件时期之内。该车间所应用的工件生产方式不同，或是资源种类情况不一，预计生产数量也会发生变化。此时，需要明确最小包装材料的数量Q，确定最小生产量Mj，在这两个数据基础上进行生产数量的规范统计，生产数量规范计算公式为：
在计算出规范后的生产数量之后，还要结合生产线的实际生产能力进行生产计划的排出，并应于生产实践当中持续性采用人工方式进行排产计划的调整，从而确保焊接车间加工需求的有效满足。
2 调度问题模型的优化分析
排产的优化需要利用优化计算方法来进行，优化计算开展前，应先收集生产所需的各种信息，统计与整合所有生产参数，并利用数据预处理方式进行矩阵P以及向量d的计算，并将这两项数据作为输入数据，之后方可进行优化计算。其中向量d是指各个工件生产所需的最长时间，Tj表示缺件时刻，Ts代表的是生产启动时刻，可通过以下公式计算各个分量：（3）
之后可以向量d为依据进行生产序划的具体明确，以确保dj-1始终小于dj。按照此种排列方式可进一步明确生产工件的最早交货期限调度情况，这属于最优化的调度方式。矩阵以P为代表，其是指各条生产线上加工各个工件所需的具体时间，矩阵式为：，其中各个Pij代表的是第i条生产线上的第j个工件的加工时间，冲压节拍以t表示，t′表示的是在此生产线上进行此批工件加工时，加工第一个工件所需的时间，t″表示的是准备所需的时间，因而可根据这一矩阵，计算出具体的Pij数值：
此式当中，N′的具体数值可通过式（1）及式（2）计算得出，并且表示各工件加工准备时间的t″是一致的，并且需确保Pij与dj的单位统一，均应以s作为二者的单位。可以矩阵及向量这两个数值为基础展开优化计算，可实现计算模型的构建，可在最长生产线的时间范围之内，进行向量X的确定，从而确保三条生产线的生产任务完成所需的总体时间为最小值，具体计算公式如下： 在公式（6）当中，Ai表示的是集合，代表的是第i条生产线之上全部工件号j的集合;Sj代表的是此条生产线加工任务的完成时間;Cj代表的是第j种工件加工完成的时间，这一时间应比最长生产时间dj更长。需要对向量x的具体数值进行明确，即■，这个式中的各个■应在{1，2，3}三个数据中选取，这便是指生产线的具体编号。
3 以遗传算法为基础的调度优化计算分析
3.1 编解码方式的确定与种群的初始化设计 利用智能技术进行生产调度的优化是当前最佳的优化方法，而其中遗传算法又是最为可行的技术之一。编码方式选择方面，应以实数或符号作为编码，可以上述公式当中的（5）式或（6）式中所要计算的向量X作为编码，这一编码的位数由n代表，且各个编码均应从三个生产线的编号中选取。编码与解码一一对应时，便完成了一组调度方案的设计。解码之时，可在第xj条生产线的生产队列当中进行第j种工件的生产即可。获取母体时，既可以贪心算法为依据，也可利用启发式算法进行解码获取，并将之作为母体，在这一母体基础上进行随机性且高概率的变异，经过多种变异之后可形成种群，再从中筛选出适应值最高的个体，以其作为下一代的计算基础，以确保得到的输出结果为最优值。
3.2 适应度的计算 适应度计算时，共有两种方式可以选择，一是禁止超期策略执行方法，在执行时策略之时，所有无法满足公式（6）中条件cj≤dj的个体的适应值均是0，应对这部分个体做淘汰处理，此种适应度计算方式可防止出现无效解，然而却对种群多样性产生了一定限制。二是灵活性超期控制方法，若在整体任务完成时间方面，某组解的结果始终较为理想，即便其存在少部分超期现象也可忽略。f1（Xk）代表的是Xk这一染色体编码对应解的总体超期时间，而Xk总完成时间则用表示f2（Xk），最大值估计由fmax代表，那么在适应值不为负值的条件下，则可根据如下公式通过第一种计算方法计算出适应值：
利用第二种方法计算适应值的具体公式如下：
上式中，参数？琢代表对总超期时间的重视程度，而参数？茁表示对总完成时间的重视度。若？琢远远大于？茁时，说明超期控制严格度良好，若？琢为较大的正数，在f1（Xk）>0条件能够满足的前提下，？琢f（Xk）>fmax是始终成立的，若？茁=1时，则可对公式（8）进行简化，可利用式（7）进行计算。
按照下列步骤可完成f1与f2的同步计算：
第一步：设定初始值，其中
第二步：
第三步：
第四步：
第五步：若jn，则进入第六步;
第六步：
第七步：将计算得出的结果输出，整个适应值计算过程即可结束。
3.3 算子选择、交叉及变异的进化
可利用具备尺度变功的比例进行算子的选择。可利用整体退火方式进行算子选择，在条件下，其对应尺度的比例选择公式如下：
在此式当中，T代表的是退火温度，而n（Xv）表示的是种群当中个体Xv的总重复次数。若已知给定种群，的情况下，可根据公式（9），以选出的一个体作为母体进行单点交叉，之后按照两个个体在基因前后所处的位置划分成两个部分，后半部分用已知概率Pc进行交换，从而获得两个与之前不同的个体。再均匀性变异新个体，利用相对较小的概率Pm，采用随机数分布方式于其取值范围内替代原有基因值。之后反复进行上述操作，直至得出种群数符合要求的新种群，利用上代最大适应值个体，采用强制性方法，以概率1进入到新种群当中进行最低适应度个体的替换，由此便可强化对最优解产生的保护效果。
4 仿真结果分析
分别利用贪心算法或启发式算法、遗传算法对生产周期内需要加工生产的45种零件的排产进行分析计算之后，可得到具体的仿真结果。在仿真软件应用时，需要将工作时间输入其中，还要利用其他生产参数，根据仿真结果分析得知，遗传算法比另外两种算法的优化效果更为理想，因而此种智能技术在生产调度及优化排产中具有极高的应用优势。
5 结语
文章根据某生产企业的生产排产情况进行了相关模型的建立，而后利用基于遗传算法的优化计算方式优化其生产调度，并采用软件仿真的方式验证了优化结果，总结出在生产调度优化方面遗传算法的利用效果最佳，可将之应用于实际生产实际当中，可为现场生产调度以及排产的优化起到有效的指导作用。
参考文献：
[1]武照云，张毓兰，原富林，等.基于排样优化与车间调度的粮机装备智能制造平台研究[J].河南工业大学学报：自然科学版，2019，40（1）：89-93.
[2]杨春江.炼钢连铸混合智能优化调度方法及应用[J].中小企业管理与科技（中旬刊），2019（6）：200-201.
[3]张贵军，丁情，王柳静，等.柔性车间生产排产调度优化方法[J].计算机科学，2018，45（2）：269-275.
Abstract： In the process of the vigorous development of intelligent technology， genetic algorithm based on intelligent control theory has nonlinear characteristics， but also can be parallel processing， which is conducive to scientific development of production scheduling， but also can optimize the production line scheduling. Based on this， the paper will start from the production process and scheduling process， through the analysis of optimization scheduling problem model， and further put forward the specific application of genetic algorithm in the intelligent technology of production scheduling and optimization scheduling.
关键词：智能技术;生产调度;优化排产;遗传算法
Key words： intelligent technology;production scheduling;optimizing production scheduling;genetic algorithm
中图分类号：TF087 文献标识码：A 文章编号：1674-957X（2021）20-0044-02
0 引言
生产制造领域当中，通常是采用生产调度的方式降低生产等待期、缩短产品生产周期，从而达到设备利用率提高的目的。生产线工作效率的高低是关乎企业经济及社会效益的重要因素。然而部分生产企业由于缺乏优化调度的理念，只是凭借以往的工作经验开展生产调度，不仅会延长生产时间，还会降低生产效率，甚至会因部分零件的缺失而出现生产中断现象，既难以提高设备利用率，也会降低产品生产质量。为此，构建生产线优化调度模型，对其计算方法进行优化具有重要意义。
1 生产排产流程分析
本某汽车生产企业的冲压车间共有三条生产线，静态优化排产时，要具备三方面条件：一是所有生产设备均可正常使用;二是有充足的生产原料;三是具备足够的产品存储空间。在明确排产条件后，可对车间的排产计划进行分析，从而确定具体的排产流程。该生产企业的焊接车间作为冲压车间的后续加工单位，是其排产系统计划的重要影响因素，需要以其某一生产周期所采用的焊接规划为基础，结合产品库存情况，分析出该生产周期内所需生产的工件数量，生产第j种工件时，去除安全库存后库存量以Lj为代表，需求工件数量以Rj为代表，则其预计生产数量的计算公式为：（1）
上式表明，在Rj比Lj數值更大的情况下，说明此种工件数量不足，此时此种工件属于缺件时期之内。该车间所应用的工件生产方式不同，或是资源种类情况不一，预计生产数量也会发生变化。此时，需要明确最小包装材料的数量Q，确定最小生产量Mj，在这两个数据基础上进行生产数量的规范统计，生产数量规范计算公式为：
在计算出规范后的生产数量之后，还要结合生产线的实际生产能力进行生产计划的排出，并应于生产实践当中持续性采用人工方式进行排产计划的调整，从而确保焊接车间加工需求的有效满足。
2 调度问题模型的优化分析
排产的优化需要利用优化计算方法来进行，优化计算开展前，应先收集生产所需的各种信息，统计与整合所有生产参数，并利用数据预处理方式进行矩阵P以及向量d的计算，并将这两项数据作为输入数据，之后方可进行优化计算。其中向量d是指各个工件生产所需的最长时间，Tj表示缺件时刻，Ts代表的是生产启动时刻，可通过以下公式计算各个分量：（3）
之后可以向量d为依据进行生产序划的具体明确，以确保dj-1始终小于dj。按照此种排列方式可进一步明确生产工件的最早交货期限调度情况，这属于最优化的调度方式。矩阵以P为代表，其是指各条生产线上加工各个工件所需的具体时间，矩阵式为：，其中各个Pij代表的是第i条生产线上的第j个工件的加工时间，冲压节拍以t表示，t′表示的是在此生产线上进行此批工件加工时，加工第一个工件所需的时间，t″表示的是准备所需的时间，因而可根据这一矩阵，计算出具体的Pij数值：
此式当中，N′的具体数值可通过式（1）及式（2）计算得出，并且表示各工件加工准备时间的t″是一致的，并且需确保Pij与dj的单位统一，均应以s作为二者的单位。可以矩阵及向量这两个数值为基础展开优化计算，可实现计算模型的构建，可在最长生产线的时间范围之内，进行向量X的确定，从而确保三条生产线的生产任务完成所需的总体时间为最小值，具体计算公式如下： 在公式（6）当中，Ai表示的是集合，代表的是第i条生产线之上全部工件号j的集合;Sj代表的是此条生产线加工任务的完成时間;Cj代表的是第j种工件加工完成的时间，这一时间应比最长生产时间dj更长。需要对向量x的具体数值进行明确，即■，这个式中的各个■应在{1，2，3}三个数据中选取，这便是指生产线的具体编号。
3 以遗传算法为基础的调度优化计算分析
3.1 编解码方式的确定与种群的初始化设计 利用智能技术进行生产调度的优化是当前最佳的优化方法，而其中遗传算法又是最为可行的技术之一。编码方式选择方面，应以实数或符号作为编码，可以上述公式当中的（5）式或（6）式中所要计算的向量X作为编码，这一编码的位数由n代表，且各个编码均应从三个生产线的编号中选取。编码与解码一一对应时，便完成了一组调度方案的设计。解码之时，可在第xj条生产线的生产队列当中进行第j种工件的生产即可。获取母体时，既可以贪心算法为依据，也可利用启发式算法进行解码获取，并将之作为母体，在这一母体基础上进行随机性且高概率的变异，经过多种变异之后可形成种群，再从中筛选出适应值最高的个体，以其作为下一代的计算基础，以确保得到的输出结果为最优值。
3.2 适应度的计算 适应度计算时，共有两种方式可以选择，一是禁止超期策略执行方法，在执行时策略之时，所有无法满足公式（6）中条件cj≤dj的个体的适应值均是0，应对这部分个体做淘汰处理，此种适应度计算方式可防止出现无效解，然而却对种群多样性产生了一定限制。二是灵活性超期控制方法，若在整体任务完成时间方面，某组解的结果始终较为理想，即便其存在少部分超期现象也可忽略。f1（Xk）代表的是Xk这一染色体编码对应解的总体超期时间，而Xk总完成时间则用表示f2（Xk），最大值估计由fmax代表，那么在适应值不为负值的条件下，则可根据如下公式通过第一种计算方法计算出适应值：
利用第二种方法计算适应值的具体公式如下：
上式中，参数？琢代表对总超期时间的重视程度，而参数？茁表示对总完成时间的重视度。若？琢远远大于？茁时，说明超期控制严格度良好，若？琢为较大的正数，在f1（Xk）>0条件能够满足的前提下，？琢f（Xk）>fmax是始终成立的，若？茁=1时，则可对公式（8）进行简化，可利用式（7）进行计算。
按照下列步骤可完成f1与f2的同步计算：
第一步：设定初始值，其中
第二步：
第三步：
第四步：
第五步：若j
第六步：
第七步：将计算得出的结果输出，整个适应值计算过程即可结束。
3.3 算子选择、交叉及变异的进化
可利用具备尺度变功的比例进行算子的选择。可利用整体退火方式进行算子选择，在条件下，其对应尺度的比例选择公式如下：
在此式当中，T代表的是退火温度，而n（Xv）表示的是种群当中个体Xv的总重复次数。若已知给定种群，的情况下，可根据公式（9），以选出的一个体作为母体进行单点交叉，之后按照两个个体在基因前后所处的位置划分成两个部分，后半部分用已知概率Pc进行交换，从而获得两个与之前不同的个体。再均匀性变异新个体，利用相对较小的概率Pm，采用随机数分布方式于其取值范围内替代原有基因值。之后反复进行上述操作，直至得出种群数符合要求的新种群，利用上代最大适应值个体，采用强制性方法，以概率1进入到新种群当中进行最低适应度个体的替换，由此便可强化对最优解产生的保护效果。
4 仿真结果分析
分别利用贪心算法或启发式算法、遗传算法对生产周期内需要加工生产的45种零件的排产进行分析计算之后，可得到具体的仿真结果。在仿真软件应用时，需要将工作时间输入其中，还要利用其他生产参数，根据仿真结果分析得知，遗传算法比另外两种算法的优化效果更为理想，因而此种智能技术在生产调度及优化排产中具有极高的应用优势。
5 结语
文章根据某生产企业的生产排产情况进行了相关模型的建立，而后利用基于遗传算法的优化计算方式优化其生产调度，并采用软件仿真的方式验证了优化结果，总结出在生产调度优化方面遗传算法的利用效果最佳，可将之应用于实际生产实际当中，可为现场生产调度以及排产的优化起到有效的指导作用。
参考文献：
[1]武照云，张毓兰，原富林，等.基于排样优化与车间调度的粮机装备智能制造平台研究[J].河南工业大学学报：自然科学版，2019，40（1）：89-93.
[2]杨春江.炼钢连铸混合智能优化调度方法及应用[J].中小企业管理与科技（中旬刊），2019（6）：200-201.
[3]张贵军，丁情，王柳静，等.柔性车间生产排产调度优化方法[J].计算机科学，2018，45（2）：269-275.