CN103927628B - 面向客户承诺的订单管理系统和订单管理方法 - Google Patents

Abstract

本发明申请是201110235000.6的分案申请，本发明公开了一种基于数学规划的批处理订单承诺模型，该模型由目标函数和各类约束组成，本发明还公开了一种以该模型为基础的面向客户承诺的订单处理系统，包括订单承诺模型构建模块、订单决策承诺模块、订单交货期承诺模块和订单交付量承诺模块。本发明的订单处理系统使企业能够分析订单接受与否对客户满意度、利润、生产能力状态等因素的影响而对客户订单进行快速响应决策，并能够针对接受的订单向客户提供准确的交货期、交货数量的承诺信息，从而为提高客户满意度提供支持。

Description

面向客户承诺的订单管理系统和订单管理方法

本申请为2011年8月16日提交的申请号为201110235000.6的发明专利申请“面向客户承诺的订单管理系统和订单管理方法”的分案申请。

技术领域

本发明涉及一种订单管理系统和订单管理方法，尤其涉及一种多品种小批量生产环境下面向客户承诺的订单管理系统和订单管理方法。

背景技术

随着市场需求的多样化和个性化，多品种小批量生产已经成为当今工业企业的主要生产模式之一。这种生产模式采用面向客户订单生产的方式，且产品具有生产周期短、产品品种多、产量各不相同的特点。这些特点使得多品种小批量的生产模式对企业生产管理造成诸多困难，如工艺路线不同，生产能力的计划和利用困难大，产品生产计划和控制难度加大等。然而面对激烈的市场竞争，以顾客为中心、提高客户满意度的企业管理理念已经逐步取代以成本和质量为中心的传统观念，企业被要求能够快速、准确地满足客户的各种需求，灵活地适应市场多样的变化。因此，企业为了应对订单的变化和高效处理生产中的问题，企业订单管理系统和管理方法要求企业在考虑订单的接受、交货数量及时间等对客户满意度、利润、生产能力状态等因素的影响而对客户订单进行快速响应，对接受的订单向客户进行交货量和交货期的承诺，以提高客户满意度。

目前，对于面向客户承诺(ATP，Available-to-Promise)的订单管理方法还处于探索阶段。经过对现有技术文献的检索发现，Chen等在《Production OperationsManagement》(生产运营管理杂志)(2002年11卷)424-440页上发表的“A Model for BatchAdvanced Available-to-Promise”(一种批处理的高级可承诺模型)，该文提出了采用ATP的计算方法将工厂的生产资源向批处理间隔期内所接收的订单进行分配，且该方法主要以利润为目标指导企业进行订单决策。然而对客户的订单决策不仅仅需要保证企业的利润，同时还需要衡量企业的生产能力，以及提前、拖期交货等对客户满意度产生的影响。特别地，针对多品种小批量生产模式的特点，企业在实际生产过程中会对不同批量的订单进行分解或合并，并指派至不同工厂来安排生产。而现有的将生产资源在订单层面分配的ATP方法显然不足以满足这一特性，因此其所承诺的订单交货期、交货量也不具有准确性。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种面向客户承诺的订单管理系统和订单管理方法，使企业能够分析订单接受与否对客户满意度、利润、生产能力状态等因素的影响而对客户订单进行快速响应决策，并能够针对接受的订单向客户提供准确的交货期、交货数量的承诺信息，从而为客户满意度的提高提供支持。

为实现上述目的，本发明提供了一种面向客户承诺的订单管理系统，包括：订单承诺模型构建模块，用于在批处理间隔期的触发下，获取客户订单的产品、数量和要求的交货期，以企业利润和客户满意度作为目标，获得相互间的任务约束、资源能力约束关系，形成基于数学规划的订单承诺模型；订单决策承诺模块，用于根据所述批处理订单承诺模型，将订单决策问题的解码空间转换为编码空间的染色体，并确定相应的遗传算子，然后经解码生成客户订单接受或拒绝的订单决策；订单交货期承诺模块，用于根据所述订单承诺模型，考虑产品加工过程中的工艺约束，基于流程时间对订单交货期进行预测，生成可向客户承诺的最早订单交货期；订单交付量承诺模块，用于根据所述订单承诺模型，将静态的多层BOM转换为动态的单层BOM，考虑瓶颈资源在设备加工过程中的抢占约束，基于所述动态的单层BOM对产出进行预测，生成多个交付时段可向客户承诺的交付量。

本发明还提供了一种面向客户承诺的订单管理方法，包括以下步骤：

步骤A、在批处理间隔期的触发下，获取客户订单的产品、数量、要求交货期信息，以企业利润和客户满意度作为目标，获得相互间的任务约束、资源能力约束关系，构建基于数学规划的订单承诺模型；

步骤B、根据所述批处理订单承诺模型，将订单决策问题的解码空间转换为编码空间的染色体，并确定相应的遗传算子，然后经解码生成客户订单接受或拒绝的订单决策；

步骤C、根据所述订单承诺模型，考虑产品加工过程中的工艺约束，基于流程时间对订单交货期进行预测，生成可向客户承诺的最早订单交货期；

步骤D、根据所述订单承诺模型，将静态的多层BOM转换为动态的单层BOM，考虑瓶颈资源在设备加工过程中的抢占约束，基于所述动态的单层BOM对产出进行预测，生成多个交付时段可向客户承诺的交付量。

进一步地，所述步骤B中的将订单决策问题的解码空间转换为编码空间的染色体进一步包括以下步骤：

步骤B1、确定算法的参数，所述参数包括种群规模、交叉概率、变异概率和最大进化代数；

步骤B2、确定适应度函数；

步骤B3、确定编码规则和编码方式；

步骤B4、确定遗传算子，所述遗传算子包括选择算子、交叉算子和变异算子；

步骤B5、循环步骤B3、步骤B4，直至满足循环的次数达到预定值为止，得到所述适应度函数的最优解。

进一步地，所述编码方式为二维编码。

进一步地，所述编码规则包括：

单个订单需求数量低于最小批量时，只能在一个工厂生产，不进行订单分解；

一个订单最多分解到两个工厂；

如果某批次被一个工厂拒绝，那么同属一个订单的另一个批次也不能安排生产。

进一步地，所述步骤B4中的交叉算子的交叉步骤进一步包括以下步骤：

步骤B41、分别从第一染色体和第二染色体中，找出适应度函数值最大的工厂，将两个工厂对应的基因组进行交换，其中，假设所述第一染色体的适应度大于所述第二染色体；

步骤B42、解决所述第二染色体中的批次冲突问题；

步骤B43、解决第一染色体中的冲突问题。

进一步地，所述步骤C中的基于流程时间对订单交货期进行预测进一步包括以下步骤：

步骤C1、根据订单获取最优染色体，即获取所述订单在各工厂生产的批次任务的序列；

步骤C2、计算所述订单在所述各工厂的批次任务生产的流程时间；

步骤C3、比较所述订单在所述各工厂的批次任务的流程时间，选取最大的流程时间作为所述订单的完工时间；

步骤C4、比较所述订单的完工时间与客户希望的交货期，生成可向客户承诺的最早订单交货期。

进一步地，所述步骤D进一步包括以下步骤：

步骤D1、将一个具有多层的静态BOM转换为单层BOM；

步骤D2、计算该单层BOM中每个部件的可用数量，

步骤D3、比较该单层BOM中每个部件的可用数量，获取瓶颈部件的可用数量；

步骤D4、如果瓶颈部件BOM具有子部件，则展开子部件生成新的单层BOM，并返回步骤D2；如果瓶颈部件BOM没有子部件，则执行步骤D5；

步骤D5、将生成的所有单层BOM的瓶颈部件的可用数量相加，得到可向客户承诺的交付量。

本发明的订单管理系统和订单管理方法的有益效果在于：

1)通过分析订单的接受与否对企业的利润、生产能力状态、客户满意度等因素的影响，帮助企业进行合理的订单决策，提高客户满意度及保证企业利润率；

2)帮助企业及时地响应客户，对于承诺接受的订单，能够向客户及时地提供交货期与交货数量的承诺，提升客户满意度。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的面向客户承诺的订单管理系统的结构框图；

图2是静态BOM的示意图。

具体实施方式

如图1所示，本发明的面向客户承诺的订单管理系统包括：

(1)订单承诺模型构建模块，该模块用于在批处理间隔期的触发下，获取客户订单的产品、数量、要求交货期信息，以企业利润和客户满意度作为目标，获得相互间的任务约束、资源能力约束关系，形成基于数学规划的批处理订单承诺模型；

(2)基于混合遗传的订单决策承诺模块，该模块用于针对订单承诺模型，设计基于订单分解指派的遗传算法编码以实现订单决策问题的解码空间转换为编码空间的染色体，同时设计相应的遗传操作算子(选择、交叉、变异)，最后通过解码方法生成客户订单接受或拒绝的订单决策；

(3)基于流程时间的订单交货期承诺模块，该模块用于针对订单承诺模型，考虑产品加工过程中的工艺约束，设计基于流程时间的订单交货期预测方法，生成可向客户承诺的最早订单交货期。

(4)基于动态BOM的订单交付量承诺模块，该模块用于针对订单承诺模型，将静态的多层BOM转换为动态的单层BOM，考虑瓶颈资源在设备加工过程中的抢占约束，设计基于动态BOM的产出预测方法，生成多个交付时段可向客户承诺的交付量。

上层的GUI界面对面向客户承诺的订单管理系统的四个模块分别进行控制。面向客户承诺的订单管理系统与其他信息系统互相通信。

本发明还提供了一种面向客户承诺的订单管理方法，包括以下步骤：

步骤(1)、构建基于数学规划的订单承诺模型；

步骤(2)、生成客户订单接受或拒绝的订单决策；

步骤(3)、生成可向客户承诺的最早订单交货期；

步骤(4)、生成多个交付时段可向客户承诺的交付量。

以下对上述每一个步骤做进一步描述：

企业采用每隔一定时间间隔以固定的批处理间隔期为周期进行滚动，连续不断地对批处理间隔期内新收到的客户订单进行承诺，承诺内容包括订单决策(即是否接受订单)、交货期、交货量。首先，构建基于数学规划的批处理订单承诺模型，分析订单的接受与否对企业的利润、生产能力状态、客户满意度等因素的影响；接着分别由基于混合遗传算法的订单决策模块、基于流程时间的订单交付期承诺模块、基于动态BOM的订单交付量承诺模块，分别向客户给出订单决策、交货期、交货量的承诺。

(1)基于数学规划的批处理订单承诺模型的构建；

构建基于数学规划的批处理订单承诺模型，分析订单的接受与否对企业的利润、生产能力状态、客户满意度等因素的影响，其数学模型主要由目标函数(企业利润和客户满意度)以及各类约束(生产和运输过程中的能力约束、资源约束等)组成。

●目标函数

目标函数是由企业利润与客户满意度共同组成：

企业利润是由每个订单i的收益P_i减去生产成本Cp_i和运输成本Ct_i然后累计求和，其中：

·P_i＝p_id_iV_i，p_i表示单位价格；d_i表示产品需求数量；V_i为0、1变量，V_i为1时代表订单i被接受；

·cp_jm表示工厂m生产产品j的单位生产成本，表示工厂m为订单i生产的产品数量总和；

·ct_im表示工厂m的运输订单i产品至交货点的单位运输成本，db_im表示订单i的交货点与工厂m之间的距离。

客户满意度是由每个订单i的交货期满意度Cd_i与拒绝订单的不满意度Cr_i组成，其中：

·

Ta_im表示m工厂为订单i生产的产品运送到交货点的时间，[tl_i,tu_i]表示客户希望订单i交货时间的上下限，ce_i,cd_i,ct_i分别表示订单i的提前交货、按时交货、拖期交货的单位满意度。当tl_i≤Ta_im≤tu_i时，表示订单i按时交货，企业赢得客户满意度；当Ta_im超出这个范围之外时，产生提前或拖期惩罚；

Cr_i＝(1-V_i)cr_id_i，cr_i表示拒绝订单i造成的不满意度。

●任务约束

表示接受的订单必须全部完成，拒绝的订单不生产；

Td_im≥Tc_im，表示订单的发货时间不早于完工时间；

Dp_jmt≥dm_jm,if(Dp_jmt≠0)表示每个工厂在任一时段生产某种产品的最小数量限制；

表示工厂单次运输某种产品的最小数量限制。

●资源能力约束

表示工厂在任何时段库存总数不超过库存上限；

表示各个工厂在任意阶段总的生产量不超过产能限制。

(2)生成客户订单接受或拒绝的订单决策；

基于混合遗传算法的订单决策承诺模块，通过基于订单分解指派的遗传算法编码及解码步骤，以实现订单决策问题的解码空间转换为编码空间的染色体，其基本步骤是：

步骤1、确定算法的参数。包括种群规模M，交叉概率P_c，变异概率P_m，最大进化代数MAXGEN；

步骤2、确定适应度函数；

适应度函数定义如下：

其中，以F_MAX表示上一代种群中最大的总成本，而在初始种群中即为当代最大的总成本。

步骤3、确定编码方案；

编码过程主要包括订单批次分解和工厂批次指派两个步骤，设定如下规则：

1)单个订单需求数量低于最小批量时，只能在一个工厂生产，不进行订单分解；

2)一个订单最多分解到两个工厂，可以有效降低求解难度；

3)如果某批次被一个工厂拒绝，那么同属一个订单的另一个批次也不能安排生产。

编码方式采用二维编码，以矩阵表示，每一行一个工厂，订单通过随机数方式，生成多个批次，并分布于各个工厂中。

步骤4、遗传算子的设计；

●选择算子

为了保持稳定有效的选择压力，对父代中的个体适应度值由低到高排序，并按序号赋予每个个体一个等级，序号为i的个体被选中的概率按如下定义：其中M为种群大小，i为个体的排名等级。

●交叉算子

交叉操作的步骤如下所述：

1)分别从染色体chr1,chr2中(假设chr1的适应度大于chr2)找到F值最大的工厂，将两个工厂对应的基因组进行交换

2)解决chr2中的批次冲突问题。删除除了交换基因组对应工厂外的其他工厂中重复的批次，依次将缺失的批次随机添加至其他工厂，同时保持同属一个订单的两个批次不能分配到同一个工厂的原则。

3)解决chr1中的冲突问题。删除除了交换基因组对应工厂外的其他工厂中重复的批次，依次将缺失的批次随机添加至其他工厂，同时保持同属一个订单的两个批次不能分配到同一个工厂的原则。

●变异算子

变异操作的步骤如下所述：

从染色体中找到F值最小的工厂，随机选择该工厂对应基因组中的某依次批次，若该批次的需求数量小于最小批次，则将该批次的需求数量转移给同属一个订单的另一批次，否则将该批次需求数量的一半分给另一批次。

步骤5、循环步骤3～步骤4直至满足终止条件为止，得到最优解。

(3)生成可向客户承诺的最早订单交货期；

基于流程时间的订单交货期承诺模块，通过基于流程时间的订单交货期预测步骤来预测向客户承诺的最早订单交货期，其基本步骤是：

步骤1、根据订单i获取由基于混合遗传算法的订单决策承诺模块得出的最优染色体，即获取订单i在各工厂生产的批次任务序列；

步骤2、分别计算订单i在工厂m的批次任务生产的流程时间，用p_i表示订单i单位批次的加工时间，Q_im表示订单i在工厂m的批次数量，q_n表示第n个在该工厂所有生产批次序列中第n个批次对应订单的下标，N该工厂所有生产批次的数量，因此订单i在工厂m的批次任务生产的流程时间

步骤3、比较订单i在工厂m各工厂批次任务的流程时间，选取最大的流程时间作为订单i的完工时间F_i＝max(F_im,m∈M)；

步骤4、比较订单i的完工时间Fi与客户希望的交货期若则向客户可承诺的交货期D_i＝F_i，若则存在可承诺的交货区间

(4)生成多个交付时段可向客户承诺的交付量。

基于动态BOM的订单交付量承诺模块，通过基于动态BOM的产出预测步骤，将静态的多层BOM转换为多个单层BOM，考虑瓶颈资源在设备加工过程中的抢占约束，生成多个交付时段可向客户承诺的交付量，其基本步骤是：

步骤1、将一个具有n层的静态BOM依据层级i,(i＝1)转换为单层BOM；

步骤2、计算该单层BOM中每个部件C_i的可用数量其中 和分别表示在t时刻部件C_i已生产量和计划生产量，而表示部件C_i的累积生产提前期，表示生产成品所需部件C_i的数量；

步骤3、比较该单层BOM中每个部件C_i的可用数量，获取可用数量最小的部件，即瓶颈部件的可用数量

步骤4、若该瓶颈部件BOM具有子部件，则展开子部件生成新的单层BOM，并返回步骤2；

步骤5、将生成的所有单层BOM的瓶颈部件的可用数量相加，得到在t时刻向客户可承诺的交付量

以下以某大型液体包装纸制造企业为背景，但本发明的保护范围不限于下述实施例，具体步骤如下：

(1)基于数学规划的批处理订单承诺模型的构建；

考虑产能及企业日常接收订单的订单，为了确定基于数学规划的批处理订单承诺模型中的参数，根据其15天内收到的20个订单的计算数据来源，如表1所示，考虑企业在江苏昆山、呼和浩特以及广州佛山3家制造工厂的实际地理分布情况和机器设备能力，以订单利润和客户满意度作为目标函数，同时引入任务和资源能力等约束，构建基于数学规划的批处理订单承诺模型。

表1订单信息

(2)生成客户订单接受或拒绝的订单决策；

步骤1、确定算法的参数：包括种群规模M＝50，交叉概率P_c＝0.7，变异概率P_m＝0.3，最大进化代数MAXGEN＝100；

步骤2、确定适应度函数：

步骤3、确定编码规则：随机生成某个染色体基因组的矩阵批次p2,p3,p10在工厂M1中生产，p4,p5,p7,p9在工厂M2中生产，p1,p6,p8在工厂M3中生产；

步骤4、确定遗传算子；

●选择算子

对父代中的个体适应度值由低到高排序，并按序号赋予每个个体一个等级，序号为i的个体被选中的选择概率为

●交叉算子

初始的两个染色体chr1,chr2分别为：

经过交叉操作的第一个步骤后，染色体变为：

经过交叉操作的后两个步骤后，染色体可能为：

●变异算子

假设随机选取的批次为p8。如果批次p8的需求数量小于最小批量，则把批次p8的需求数量，全部转移给同属一个订单的p7中，即p8的需求数量为0，p7的需求数量等于订单的需求数量；否则，把批次p8的需求数量的一半分给p7。

步骤5、循环步骤3-步骤4直至满足终止条件为止，得到最优解，解码后得到订单的决策结果，如表2所示。

表2订单决策结果

(3)生成可向客户承诺的最早订单交货期；

根据订单获取由基于混合遗传算法的订单决策承诺模块得出的最优染色体，即获取订单在各工厂生产的批次任务序列，分别计算订单在各工厂的批次任务生产的流程时间，以前4个订单为例，其计算结果如表3所示。

表3订单交货期承诺结果

(4)生成多个交付时段可向客户承诺的交付量。

考虑如图2所示的产品结构，产品A由部件1个B、1个C、两个D、1个E组成，其第一层动态BOM1由部件B、C组成，第二层动态BOM2由部件C、两个D、E组成。每个部件的在离散时间段的可用数量如表4所示。

表4动态BOM的部件可用数量

因此，

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域的技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种面向客户承诺的订单处理系统，其特征在于，包括：

订单承诺模型构建模块、订单决策承诺模块、订单交货期承诺模块和订单交付量承诺模块；

其中，所述订单承诺模型构建模块用于构建订单承诺模型，可表示为：

<mfenced open = "" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>M</mi> <mi>a</mi> <mi>x</mi> </mrow> </mtd> <mtd> <mrow> <mi>F</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>I</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>P</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>Cp</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>Ct</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>+</mo> <mi>&amp;mu;</mi> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>I</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>Cd</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>Cr</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> </mfenced>

上式中，P_i为每个订单i的收益，Cp_i为生产成本，Ct_i为运输成本，Cd_i为每个订单的交货期满意度，Cr_i为拒绝订单的不满意度；

所述订单决策承诺模块被设置为根据所述订单承诺模型生成客户订单接受或拒绝的订单决策，包括：(1)确定算法的参数，所述算法的参数包括种群规模，交叉概率，变异概率，最大进化代数；(2)确定适应度函数，所述适应度函数定义为：其中，以F_MAX表示上一代种群中最大的总成本；(3)确定编码方案：单个订单需求数量低于最小批量时，只能在一个工厂生产，不进行订单分解；一个订单最多分解到两个工厂，可以有效降低求解难度；如果某批次被一个工厂拒绝，那么同属一个订单的另一个批次也不能安排生产；采用二维编码，以矩阵表示，每一行一个工厂，订单通过随机数方式，生成多个批次，并分布于各个工厂中；(4)设计遗传算子，包括选择算子、交叉算子和变异算子；(5)循环步骤(3)～(4)直至满足终止条件，得到最优解，解码后得到订单的决策结果；

所述订单交货期承诺模块被设置为根据所述订单承诺模型生成可向客户承诺的最早订单交货期，包括：(1)根据订单i获取由基于混合遗传算法的订单决策承诺模块得出的最优染色体，即获取订单i在各工厂生产的批次任务序列；(2)分别计算订单i在工厂m的批次任务生产的流程时间其中，p_i表示订单i单位批次的加工时间，Q_i表示订单i在工厂m的批次数量，q_n表示第n个在该工厂所有生产批次序列中第n个批次对应订单的下标，N为该工厂所有生产批次的数量；(3)比较订单i在工厂m各工厂批次任务的流程时间，选取最大的流程时间作为订单i的完工时间F_i＝max(F_im,m∈M)；(4)比较订单i的完工时间F_i与客户希望的交货期若则向客户可承诺的交货期D_i＝F_i，若则存在可承诺的交货期

所述订单交付量承诺模块被设置为根据所述订单承诺模型生成多个交付时段可向客户承诺的交付量，包括：(1)将一个具有n层的静态BOM依据层级i,(i＝1)转换为单层BOM；(2)计算该单层BOM中每个部件C_i的可用数量其中 和分别表示在t时刻部件C_i已生产量和计划生产量，而表示部件C_i的累积生产提前期，表示生产成品所需部件C_i的数量；(3)比较该单层BOM中每个部件C_i的可用数量，获取可用数量最小的部件，即瓶颈部件的可用数量(4)若该瓶颈部件BOM具有子部件，则展开子部件生成新的单层BOM，并返回步骤(2)；(5)将生成的所有单层BOM的瓶颈部件的可用数量相加，得到在t时刻向客户可承诺的交付量

2.如权利要求1所述的面向客户承诺的订单处理系统，其特征在于，所述每个订单i的收益P_i为P_i＝p_id_iV_i，其中，p_i表示单位价格；d_i表示产品需求数量；V_i为0、1变量，V_i为1时代表订单i被接受。

3.如权利要求2所述的面向客户承诺的订单处理系统，其特征在于，所述生产成本Cp_i为其中，cp_jm表示工厂m生产产品j的单位生产成本，表示工厂m为订单i生产的产品数量总和。

4.如权利要求3所述的面向客户承诺的订单处理系统，其特征在于，所述运输成本Ct_i为其中，ct_im表示工厂m的运输订单i产品至交货点的单位运输成本，db_im表示订单i的交货点与工厂m之间的距离。

5.如权利要求4所述的面向客户承诺的订单处理系统，其特征在于，所述每个订单的交货期满意度Cd_i为其中，Ta_im表示m工厂为订单i生产的产品运送到交货点的时间，[tl_i,tu_i]表示客户希望订单i交货时间的上下限，ce_i,cd_i,ct_i分别表示订单i的提前交货、按时交货、拖期交货的单位满意度；当tl_i≤Ta_im≤tu_i时，表示订单i按时交货，企业赢得客户满意度；当Ta_im超出这个范围之外时，产生提前或拖期惩罚。

6.如权利要求5所述的面向客户承诺的订单处理系统，其特征在于，所述拒绝订单的不满意度Cr_i为Cr_i＝(1-V_i)cr_id_i，其中，cr_i表示拒绝订单i造成的不满意度。

7.如权利要求6所述的面向客户承诺的订单处理系统，其特征在于，任务约束包括：(1)表示接收的订单必须全部完成，拒绝的订单不生产；(2)Td_im≥Tc_im，表示订单的发货时间不早于完工时间；(3)Dp_jmt≥dm_jm,当Dp_jmt≠0，表示每个工厂在任一时段生产某种产品的最小数量限制；(4)当表示工厂单次运输某种产品的最小数量限制。

8.如权利要求6所述的面向客户承诺的订单处理系统，其特征在于，资源能力约束包括：(1)表示工厂在任何时段库存总数不超过库存上限；(2)表示各个工厂在任意阶段总的生产量不超过产能限制。

9.如权利要求1所述的面向客户承诺的订单处理系统，其特征在于，所述选择算子为对父代中的个体适应度值由低到高排序，并按序号赋予每个个体一个等级，序号为i的个体被选中的概率按如下定义：其中M为种群大小，i为个体的排名等级。

10.如权利要求1所述的面向客户承诺的订单处理系统，其特征在于，所述交叉算子步骤包括(1)分别从染色体chr1,chr2中(假设chr1的适应度大于chr2)找到F值最大的工厂，将两个工厂对应的基因组进行交换；(2)解决chr2中的批次冲突问题，即删除除了交换基因组对应工厂外的其他工厂中重复的批次，依次将缺失的批次随机添加至其他工厂，同时保持同属一个订单的两个批次不能分配到同一个工厂的原则；(3)解决chr1中的冲突问题，即删除除了交换基因组对应工厂外的其他工厂中重复的批次，依次将缺失的批次随机添加至其他工厂，同时保持同属一个订单的两个批次不能分配到同一个工厂的原则；所述变异算子步骤包括从染色体中找到F值最小的工厂，随机选择该工厂对应基因组中的某依次批次，若该批次的需求数量小于最小批次，则将该批次的需求数量转移给同属一个订单的另一批次，否则将该批次需求数量的一半分给另一批次。