CN107230023B - 基于改进和声搜索的生产和运输协同调度方法和系统 - Google Patents

Abstract

本公开涉及一种基于改进和声搜索的生产和运输协同调度方法及系统，所述方法包括：1将工件进行组批；2设定算法参数；3产生初始和声库；4计算适应度值；5获取和声库最劣解；6产生新和声；7对新和声进行变邻域搜索操作，更新新和声；8比较新和声和最劣解，若新和声优于最劣解，替代最劣解并更新和声库；9更新全局最优解；10判断终止条件是否满足，如果满足则输出全局最优解；否则返回步骤4。本发明能实现供应链总体效率的优化，从而能降低供应链成本，提升顾客满意水平。

Description

基于改进和声搜索的生产和运输协同调度方法和系统

技术领域

本公开涉及供应链技术领域，具体涉及一种基于改进和声搜索的生产和运输协同调度方法和系统。

背景技术

随着经济全球化和知识经济的发展，用户个性化需求不断增加，传统的企业间竞争模式已经扩展到整个供应链的竞争。在新兴信息技术环境下，制造企业不再关注于自身制造能力的提升，他们倾向于设计和优化整个供应链。供应链是包含供应商，客户，产品和服务等的跨时间和跨地域的组织。这些组件的集成和协调直接影响用户对产品或服务的满意程度。因此，共享信息，协同规划和统一调度，有利于提高企业生产效率，从而提升顾客对产品质量，为企业赢得更多利润。为了发挥全球化技术资源的优势，供应链中的企业往往分布在不同的地理位置，

这就导致了供应商和主制造商之间存在不同的运输时间，而且在实际生产情形中，供应商处的机器和工人存在超负荷和疲倦的情况，主制造企业只有与其他供应商企业一起协同将生产、运输等环节进行全局控制，进一步将生产系统和物流运输系统进行联合优化，才能最大限度满足客户产品的及时供给，从而获得总体经济效益的最大化，提升企业的竞争能力。

协同调度是一类面向供应链的优化方法，采用精确调度的方式，设计供应链上各环节的协同调度方案，实现企业总体经济效益的优化，从而提升企业的服务水平。

目前，对协同调度问题的研究主要集中在传统生产模式下，在这类生产模式中，一台设备可以同时处理一个作业或者一批固定数量的作业。但传统的协同调度问题一般不考虑到多个供应商分布在不同地理位置和加工时间存在恶化效应的情况。在生产实际中，分布式制造模式是普遍存在的，而且由于生产线和工人存在过载和疲倦，工件的实际加工时间会随着加工开始时间的增长而增长。而传统的调度方法往往将运输时间忽略或者抽象为相同的，并忽略了工件的恶化加工时间，因此并不能适应当前分布式制造企业的生产需求。

发明内容

本公开的一个目的在于提高生产和运输协同调度的合理性，以期能实现总体经济效益的最优化，从而能降低生产成本，提升工作效率。

第一方面，本公开提供一种基于改进和声搜索的生产和运输协同调度方法，所述方法包括如下步骤：

步骤1、将整个工件簇，每个工件的加工时间和往返各个供应商与制造商之间的运输时间作为输入，将所述工件集合中的工件按一般加工时间非增的顺序进行排序，获得排序后的工件集合；

步骤2、将所述排序后的工件集合中的第一个未分配的工件放入第一个批中，批的剩余空间为容积与放入相应批中工件个数的差值；若批的剩余空间为零，则生成容积为c的新批，并将第一个未分配的工件加入新批中，直至所述工件集合中的所有工件都分配到相应的批中；

步骤3、将步骤2中得到的所有批按一般批处理时间非减排列，得到批处理集合B＝{B₁,B₂,...,B_v,...,B_l}，B_v表示第v个批，将第v个批的一般加工时间记为R_v，第v个批的一般加工时间是由第v个批中一般加工时间最长的工件决定；批次总数记为l， 表示不小于x的最小整数；

步骤4、初始化和声算法的各个参数，所述各个参数包括：和声总数HMS、迭代次数t、最大迭代次数t_max、记忆考虑概率HR和调整概率PR；并初始化t＝1；

步骤5、基于所述输入生成初始和声库，获得第t代的第h个和声的初始位置 表示第t代的第h个和声在第v维搜索空间上的位置，表示第个批次，其中1≤v≤l；

步骤6、计算第t代中HMS个和声的适应度fit_t＝{fit(X₁),fit(X₂),...,fit(X_h),...,fit(X_HMS)}，1≤h≤HMS，fit(X_h)表示第h个和声的适应度值，并从中选出最小适应度值对应的最差解作为第t代的最差解对应的适应度值记为f_worst；

步骤7、根据第t代中HMS个和声的适应度值，计算第t代中HMS个和声的概率值p^t＝{p₁,p₂,...,p_h,...,p_HMS}，1≤h≤HMS：

步骤8、基于记忆考虑、随机生成、微调扰动三种规则产生一个新的和声向量

步骤9、对执行变邻域搜索操作，得到新的和声向量并计算的适应度值f_new；

步骤10、比较f_new与f_worst的大小，若f_new≤f_worst，则用替代X_worst得到新的和声库；

步骤11、将t+1赋值给t，判断t≤t_max是否成立，若成立，则执行步骤6；否则，表示完成t_max次迭代，并获得和声库最优解，以所述最优解所对应的调度方案作为最优调度方案并输出。

再一方面，本公开实施例又一种基于改进和声搜索的生产和运输协同调度系统，包括：

计算模块，用于执行如下步骤：

步骤1、将整个工件簇，每个工件的加工时间和往返各个供应商与制造商之间的运输时间作为输入，将所述工件集合中的工件按一般加工时间非增的顺序进行排序，获得排序后的工件集合；

步骤2、将所述排序后的工件集合中的第一个未分配的工件放入第一个批中，批的剩余空间为容积与放入相应批中工件个数的差值；若批的剩余空间为零，则生成容积为c的新批，并将第一个未分配的工件加入新批中，直至所述工件集合中的所有工件都分配到相应的批中；

步骤3、将步骤2中得到的所有批按一般批处理时间非减排列，得到批处理集合B＝{B₁,B₂,...,B_v,...,B_l}，B_v表示第v个批，将第v个批的一般加工时间记为R_v，第v个批的一般加工时间是由第v个批中一般加工时间最长的工件决定；批次总数记为l， 表示不小于x的最小整数；

步骤4、初始化和声算法的各个参数，所述各个参数包括：和声总数HMS、迭代次数t、最大迭代次数t_max、记忆考虑概率HR和调整概率PR；并初始化t＝1；

步骤5、基于所述输入生成初始和声库，获得第t代的第h个和声的初始位置 表示第t代的第h个和声在第v维搜索空间上的位置，表示第个批次，其中1≤v≤l；

步骤6、计算第t代中HMS个和声的适应度fit_t＝{fit(X₁),fit(X₂),...,fit(X_h),...,fit(X_HMS)}，1≤h≤HMS，fit(X_h)表示第h个和声的适应度值，并从中选出最小适应度值对应的最差解作为第t代的最差解对应的适应度值记为f_worst；

步骤7、根据第t代中HMS个和声的适应度值，计算第t代中HMS个和声的概率值p^t＝{p₁,p₂,...,p_h,...,p_HMS}，1≤h≤HMS：

步骤8、基于记忆考虑、随机生成、微调扰动三种规则产生一个新的和声向量

步骤9、对执行变邻域搜索操作，得到新的和声向量并计算的适应度值f_new；

步骤10、比较f_new与f_worst的大小，若f_new≤f_worst，则用替代X_worst得到新的和声库；

步骤11、将t+1赋值给t，判断t≤t_max是否成立，若成立，则执行步骤6；否则，表示完成t_max次迭代，并获得和声库最优解，以所述最优解所对应的调度方案作为最优调度方案；

输出模块，用于输出所述最优调度方案。

本公开的各种实施例可与本文中描述的这些特征和其他特征中的一个或更多个进行结合。可通过参照下面的具体实施方式来获得对本公开的性质和优点的更好理解。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本公开的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本公开实施例提供的一种基于改进和声搜索的生产和运输协同调度方法的流程示意图；

图2是根据本公开实施例提供基于改进和声搜索的生产和运输协同调度方法时的生产过程和运输图；

图3是本公开实施例提供的一种基于改进和声搜索的生产和运输协同调度系统的结构示意图。

具体实施方式

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

本公开实施例提供了一种基于改进和声搜索的生产和运输协同调度方法，该方法是针对工件一般加工时间，工件加工时间恶化和不同运输路线上运输时间有差异的生产运输协同调度问题进行建模，然后通过一种改进和声搜索算法进行求解，从而得到一套生产运输调度的优化方案，以此实现供应链总体效率的优化，从而能降低供应链成本，提升顾客满意水平。具体的说，是将处于工件集合处的n个工件进行分批处理后，在m个供应商处进行生产加工，再通过运送车辆往返送达主制造商处进行统一组装；所述n个工件构成的工件集合记为J＝{J₁,J₂,...,J_i,...,J_n},J_i表示第i个工件，1≤i≤n；将第i个工件的一般加工时间记为b_i；所述m个供应商记为M＝{M₁,M₂,M₃,...,M_j,...,M_m}，M_j表示第j个供应商，1≤j≤m；将第j个供应商往返主制造商的运输时间记为T_j；将运输车辆的容积和加工工件设备的容积均记为c；

如图1所示，所述生产和运输协同调度方法是按如下步骤进行：

步骤1、将所述工件集合中的工件按一般加工时间非增的顺序进行排序，获得排序后的工件集合；

步骤2、将所述排序后的工件集合中的第1个未分配的工件放入第1个批中，批的剩余空间为容积与放入相应批中工件个数的差值；若批的剩余空间为零，则生成容积为c的新批，并将第1个未分配的工件加入新批中，直至所述工件集合中的所有工件都分配到相应的批中；

步骤3、将步骤2中得到的所有批按一般批处理时间非减排列，得到批处理集合B＝{B₁,B₂,...,B_v,...,B_l}，B_v表示第v个批，将第v个批的一般加工时间记为R_v，第v个批的一般加工时间是由第v个批中一般加工时间最长的工件决定；批次总数记为l， 表示不小于x的最小整数；

步骤4、初始化和声算法的各个参数，包括：和声总数HMS、迭代次数t、最大迭代次数t_max、记忆考虑概率HR和调整概率PR；并初始化t＝1；

步骤5、产生初始和声库，获得第t代的第h个和声的初始位置 表示第t代的第h个和声在第v维搜索空间上的位置，其中1≤v≤l；

步骤6、计算第t代中HMS个和声的适应度fit_t＝{fit(X₁),fit(X₂),...,fit(X_h),...,fit(X_HMS)}，1≤h≤HMS，fit(X_h)表示第h个和声的适应度值，并从中选出最小适应度值对应的最差解作为第t代的最差解对应的适应度值记为f_worst；

其中，步骤6中计算第t代第h个体的适应度值fit(X_h)的一种可选的实施方式如下所示，包括：

步骤6.1、令A_j表示第j个供应商的最后一批工件送达制造商的时间，Ag_j表示第j个供应商上加工的批的集合，R_k表示第k批的一般加工时间，n_j'表示第j'个供应商上的加工工件数量；初始化迭代次数times＝1，A_j＝0，k＝1，j'＝1,2,...,m，j＝1,2,...,m，j^*＝1,2,...,m；

步骤6.2、选择批列表中的第k批，将其安排至第j个供应商上加工Ag_j＝Ag_j∪B_k；

步骤6.3、将安排到每个供应商上加工的批按照批的一般加工时间的非减序排列，按照所述批排列顺序进行加工，利用式(2)获得第k批安排至第j个供应商上加工时的最大完工时间：

式(1)中，max{x,y}表示取x和y中的较大者，α和β为常数；

步骤6.4、从第k个批在m个供应商上时的最大完工时间中选择最小的最大完工时间所对应的供应商，记为供应商j^*，将第k个批次安排到供应商j^*上进行加工；再将times+1赋值给times，k+1赋值给k；

步骤6.5、若 表示不小于x的最小整数，则安排完毕；否则执行步骤6.2。

步骤7、根据第t代中HMS个和声的适应度值，计算第t代中HMS个和声的概率值p^t＝{p₁,p₂,...,p_h,...,p_HMS}，1≤h≤HMS：

步骤8、基于记忆考虑、随机生成、微调扰动三种规则产生一个新的和声向量

其中，这里的产生新和声向量的步骤可以通过多种方式实现，其中一种可选的实施方式如下所示，包括：

步骤8.1、定义变量v，sum，R，rand，h，定义常数0＜PAR,HR＜1；令v＝1，h＝1，sum＝0；

步骤8.2、产生0到1的随机数，将其赋给R，判断R＜HR是否成立，若成立，则执行步骤8.3；否则，随机产生X_new的第v个乐器x_new(v)，执行步骤8.6；

步骤8.3、产生0到1的随机数，将其赋给rand，将sum+p_h赋值给sum，将h+1赋值给h；

步骤8.4、判断rand＜sum是否成立，若成立，则令h＝1，执行步骤8.5；否则，执行步骤8.3；

步骤8.5、将第h-1个和声的第v个乐器赋值给新和声的第v个乐器，令sum＝0；

步骤8.6、产生0到1的随机数，将其赋给rand，若rand＜PAR，则执行步骤8.8；否则，执行步骤8.7；

步骤8.7、将x_new(v)+rand赋值给x_new(v)；

步骤8.8、将v+1赋值给v，若v＞l成立，则新和声已经完成；否则，执行步骤8.2。

步骤9、对执行变邻域搜索操作，得到新的和声向量并计算的适应度值f_new；

具体地，步骤9的一种可选的实施方式如下所示，包括：

步骤9.1、定义S个不同的领域结构neighbor＝{N₁,N₂,...,N_s,...,N_S}；

步骤9.2、从步骤8获得产生的新和声X_new作为初始解，令s＝1,it＝1，定义常数Y，itm；

步骤9.3、对新和声X_new执行第s个邻域操作产生第s个邻域内的Y个解，计算Y个解的适应度值，将适应度值最小的解作为该邻域内的最优解X_new'；

步骤9.4、判断fitness(X_new')＜fitness(X_new)是否成立，若成立，则将X_new'赋值给X_new，令s＝1，执行步骤9.3；否则，将s+1赋值给s，执行步骤9.5；

步骤9.5、判断s＞S是否成立，若成立，则结束迭代；否则，执行步骤9.3。

步骤10、比较f_new与f_worst的大小，若f_new≤f_worst，则用替代X_worst得到新的和声库；

步骤11、将t+1赋值给t，判断t≤t_max是否成立，若成立，则执行步骤6；否则，表示完成t_max次迭代，并获得和声库最优解，以该最优解所对应的调度方案作为最优调度方案并输出。

相比于现有技术，本发明具有如下优势：

1、本发明在典型的差异分批制造模式下，研究制造企业的生产和运输两阶段协同调度问题，通过采用改进的和声算法，首先针对差异工件进行分批然后基于批的一般处理时间、运输时间和批加工时间恶化函数提出相应的调度策略，得出和声库和最差和声；再利用和声库更新规则，基于和声库和声的适应度逐个产生新的乐器，从而组成新的和声；对新和声进行变领域搜索操作，强化和声质量，与和声库最差解比较并更新和声库；通过多次迭代，最终获得最优解；针对和声算法在优化问题中局部搜索能力弱的缺点，引入了变邻域搜索策略，提高了算法的搜索效率，解决了现实工业中作业分批生产和运输的联合优化问题，实现了企业总体经济效益的优化，降低了能耗，节省了成本，提升了企业的服务水平。

2、本发明基于一般处理时间、运输时间和批加工时间恶化函数提出在单个供应商上的最优化调度策略，既提高了解的质量，也加快了算法的收敛速度。

3、本发明在求解和声适应度的过程中基于一般处理时间、运输时间和批加工时间恶化函数提出相应的策略，将批分配到使最大完工时间最小的供应商上，由此分配准则，在保证解的质量的同时提高了算法的优化效率。

4、传统的和声算法存在收敛速度较慢和局部搜索能力不足的问题，而传统的变邻域搜索算法存在全局搜索能力不足，容易陷入局部最优的问题，本发明在每次迭代后对产生的新和声进行变邻域搜索，扩大了算法的搜索范围，发挥了算法的不同优势，在保证算法局部搜索能力的同时，避免了算法陷入局部最优。

5、适应度较好的和声中一般含有较大价值的信息，本发明基于和声的适应度设计了乐器选择策略，在产生新和声前计算每个和声对应的选择概率，然后以所得概率从和声库内和和声库外逐个产生新的乐器，从而创造出新的和声，提高了新和声的质量。

基于相同的构思，本公开还提供了一种基于改进和声搜索的生产和运输协同调度系统，参见图3，包括：

计算模块31，用于执行如下步骤：

步骤1、将整个工件簇，每个工件的加工时间和往返各个供应商与制造商之间的运输时间作为输入，将所述工件集合中的工件按一般加工时间非增的顺序进行排序，获得排序后的工件集合；

步骤2、将所述排序后的工件集合中的第一个未分配的工件放入第一个批中，批的剩余空间为容积与放入相应批中工件个数的差值；若批的剩余空间为零，则生成容积为c的新批，并将第一个未分配的工件加入新批中，直至所述工件集合中的所有工件都分配到相应的批中；

步骤3、将步骤2中得到的所有批按一般批处理时间非减排列，得到批处理集合B＝{B₁,B₂,...,B_v,...,B_l}，B_v表示第v个批，将第v个批的一般加工时间记为R_v，第v个批的一般加工时间是由第v个批中一般加工时间最长的工件决定；批次总数记为l， 表示不小于x的最小整数；

步骤4、初始化和声算法的各个参数，所述各个参数包括：和声总数HMS、迭代次数t、最大迭代次数t_max、记忆考虑概率HR和调整概率PR；并初始化t＝1；

步骤5、基于所述输入生成初始和声库，获得第t代的第h个和声的初始位置 表示第t代的第h个和声在第v维搜索空间上的位置，表示第个批次，其中1≤v≤l；

步骤6、计算第t代中HMS个和声的适应度fit_t＝{fit(X₁),fit(X₂),...,fit(X_h),...,fit(X_HMS)}，1≤h≤HMS，fit(X_h)表示第h个和声的适应度值，并从中选出最小适应度值对应的最差解作为第t代的最差解对应的适应度值记为f_worst；

步骤7、根据第t代中HMS个和声的适应度值，计算第t代中HMS个和声的概率值p^t＝{p₁,p₂,...,p_h,...,p_HMS}，1≤h≤HMS：

步骤8、基于记忆考虑、随机生成、微调扰动三种规则产生一个新的和声向量

步骤9、对执行变邻域搜索操作，得到新的和声向量并计算的适应度值f_new；

步骤10、比较f_new与f_worst的大小，若f_new≤f_worst，则用替代X_worst得到新的和声库；

步骤11、将t+1赋值给t，判断t≤t_max是否成立，若成立，则执行步骤6；否则，表示完成t_max次迭代，并获得和声库最优解，以所述最优解所对应的调度方案作为最优调度方案；

输出模块32，用于输出所述最优调度方案。

由于本实施例所介绍的基于改进和声搜索的生产和运输协同调度的系统为可以执行本公开实施例中的基于改进和声搜索的生产和运输协同调度的方法的系统，故而基于本公开实施例中所介绍的基于改进和声搜索的生产和运输协同调度的方法，本领域所属技术人员能够了解本实施例的基于改进和声搜索的生产和运输协同调度的系统的具体实施方式以及其各种变化形式，所以在此对于该基于改进和声搜索的生产和运输协同调度的系统如何实现本公开实施例中的基于改进和声搜索的生产和运输协同调度的方法不再详细介绍。只要本领域所属技术人员实施本公开实施例中基于改进和声搜索的生产和运输协同调度的方法所采用的系统，都属于本申请所欲保护的范围。

本公开实施例还公开一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：第一方面所述的方法。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

Claims (4)

1.一种基于改进和声搜索的生产和运输协同调度方法，其特征在于，所述方法包括如下步骤：

步骤1、将整个工件簇，每个工件的加工时间和往返各个供应商与制造商之间的运输时间作为输入，将所述工件簇中的工件按一般加工时间非增的顺序进行排序，获得排序后的工件集合；

步骤2、将所述排序后的工件集合中的第一个未分配的工件放入第一个批中，批的剩余空间为容积与放入相应批中工件个数的差值；若批的剩余空间为零，则生成容积为c的新批，并将第一个未分配的工件加入新批中，直至所述工件集合中的所有工件都分配到相应的批中；

步骤3、将步骤2中得到的所有批按一般批处理时间非减序排列，得到批处理集合B＝{B₁,B₂,...,B_v,...,B_l}，B_v表示第v个批，将第v个批的一般加工时间记为R_v，第v个批的一般加工时间是由第v个批中一般加工时间最长的工件决定；批次总数记为l， 表示不小于x的最小整数；所述n表示工件集合中的工件总数量；

步骤4、初始化和声算法的各个参数，所述各个参数包括：和声总数HMS、迭代次数t、最大迭代次数t_max、记忆考虑概率HR和调整概率PR；并初始化t＝1；

步骤5、基于所述输入生成初始和声库，获得第t代的第h个和声的初始位置 表示第t代的第h个和声在第v维搜索空间上的位置，表示第个批次，其中1≤v≤l；

步骤6、计算第t代中HMS个和声的适应度fit_t＝{fit(X₁),fit(X₂),...,fit(X_h),...,fit(X_HMS)}，1≤h≤HMS，fit(X_h)表示第h个和声的适应度值，并从中选出最小适应度值对应的最差解作为第t代的最差解对应的适应度值记为f_worst，其中表示第t代解中最差解在第v个位置的数值；

步骤7、根据第t代中HMS个和声的适应度值，计算第t代中HMS个和声的概率值p^t＝{p₁,p₂,...,p_h,...,p_HMS}，1≤h≤HMS：

步骤8、基于记忆考虑、随机生成、微调扰动三种规则产生一个新的和声向量

步骤9、对执行变邻域搜索操作，得到新的和声向量并计算的适应度值f_new；

步骤10、比较f_new与f_worst的大小，若f_new≤f_worst，则用替代X_worst得到新的和声库；

步骤11、将t+1赋值给t，判断t≤t_max是否成立，若成立，则执行步骤6；否则，表示完成t_max次迭代，并获得和声库最优解，以所述最优解所对应的调度方案作为最优调度方案并输出。

2.根据权利要求1所述的方法，其特征在于，步骤6计算第t代第h个体的适应度值fit(X_h)是按照如下步骤进行：

步骤6.1、令A_j表示第j个供应商的最后一批工件送达制造商的时间，Ag_j表示第j个供应商上加工的批的集合，R_k表示第k批的一般加工时间，n_j'表示第j'个供应商上的加工工件数量；初始化子步骤迭代次数times＝1，A_j＝0，k＝1，j'＝1,2,...,m，j＝1,2,...,m，j^*＝1,2,...,m；

具体的说，是将处于工件集合处的n个工件进行分批处理后，在m个供应商处进行生产加工，再通过运送车辆往返送达主制造商处进行统一组装；所述n个工件构成的工件集合记为J＝{J₁,J₂,...,J_i,...,J_n},J_i表示第i个工件，1≤i≤n；将第i个工件的一般加工时间记为b_i；所述m个供应商记为M＝{M₁,M₂,M₃,...,M_j,...,M_m}，M_j表示第j个供应商，1≤j≤m；j',j^*含义与j相同；

步骤6.2、选择批列表中的第k批，将其安排至第j个供应商上加工Ag_j＝Ag_j∪B_k；

步骤6.3、将安排到每个供应商上加工的批按照批的一般加工时间的非减序排列，按照所述批排列顺序进行加工，利用公式(2)获得第k批安排至第j个供应商上加工时的最后一批工件送达制造商的时间：

其中，max{x,y}表示取x和y中的较大者，α和β为常数；第j个供应商往返主制造商的运输时间记为T_j；将运输车辆的容积和加工工件设备的容积均记为c；

步骤6.4、从第k个批在m个供应商上时的最大完工时间中选择最小的最大完工时间所对应的供应商，记为供应商j^*，将第k个批次安排到供应商j^*上进行加工；再将times+1赋值给times，k+1赋值给k；

步骤6.5、若 表示不小于x的最小整数，则安排完毕；否则执行步骤6.2。

3.一种基于改进和声搜索的生产和运输协同调度系统，其特征在于，包括：

计算模块，用于执行如下步骤：

步骤1、将整个工件簇，每个工件的加工时间和往返各个供应商与制造商之间的运输时间作为输入，将所述工件簇中的工件按一般加工时间非增的顺序进行排序，获得排序后的工件集合；

步骤2、将所述排序后的工件集合中的第一个未分配的工件放入第一个批中，批的剩余空间为容积与放入相应批中工件个数的差值；若批的剩余空间为零，则生成容积为c的新批，并将第一个未分配的工件加入新批中，直至所述工件集合中的所有工件都分配到相应的批中；

步骤3、将步骤2中得到的所有批按一般批处理时间非减序排列，得到批处理集合B＝{B₁,B₂,...,B_v,...,B_l}，B_v表示第v个批，将第v个批的一般加工时间记为R_v，第v个批的一般加工时间是由第v个批中一般加工时间最长的工件决定；批次总数记为l， 表示不小于x的最小整数；所述n表示工件集合中的工件总数量；

步骤4、初始化和声算法的各个参数，所述各个参数包括：和声总数HMS、迭代次数t、最大迭代次数t_max、记忆考虑概率HR和调整概率PR；并初始化t＝1；

步骤5、基于所述输入生成初始和声库，获得第t代的第h个和声的初始位置 表示第t代的第h个和声在第v维搜索空间上的位置，表示第个批次，其中1≤v≤l；

步骤6、计算第t代中HMS个和声的适应度fit_t＝{fit(X₁),fit(X₂),...,fit(X_h),...,fit(X_HMS)}，1≤h≤HMS，fit(X_h)表示第h个和声的适应度值，并从中选出最小适应度值对应的最差解作为第t代的最差解对应的适应度值记为f_worst，其中表示第t代解中最差解在第v个位置的数值；

步骤7、根据第t代中HMS个和声的适应度值，计算第t代中HMS个和声的概率值p^t＝{p₁,p₂,...,p_h,...,p_HMS}，1≤h≤HMS：

步骤8、基于记忆考虑、随机生成、微调扰动三种规则产生一个新的和声向量

步骤9、对执行变邻域搜索操作，得到新的和声向量并计算的适应度值f_new；

步骤10、比较f_new与f_worst的大小，若f_new≤f_worst，则用替代X_worst得到新的和声库；

步骤11、将t+1赋值给t，判断t≤t_max是否成立，若成立，则执行步骤6；否则，表示完成t_max次迭代，并获得和声库最优解，以所述最优解所对应的调度方案作为最优调度方案；

输出模块，用于输出所述最优调度方案。

4.根据权利要求3所述的系统，其特征在于，计算模块执行步骤6时计算第t代第h个体的适应度值fit(X_h)是按照如下步骤进行：

步骤6.1、令A_j表示第j个供应商的最后一批工件送达制造商的时间，Ag_j表示第j个供应商上加工的批的集合，R_k表示第k批的一般加工时间，表示第j'个供应商上的加工工件数量；初始化子步骤迭代次数times＝1，A_j＝0，k＝1，j'＝1,2,...,m，j＝1,2,...,m，j^*＝1,2,...,m；

具体的说，是将处于工件集合处的n个工件进行分批处理后，在m个供应商处进行生产加工，再通过运送车辆往返送达主制造商处进行统一组装；所述n个工件构成的工件集合记为J＝{J₁,J₂,...,J_i,...,J_n},J_i表示第i个工件，1≤i≤n；将第i个工件的一般加工时间记为b_i；所述m个供应商记为M＝{M₁,M₂,M₃,...,M_j,...,M_m}，M_j表示第j个供应商，1≤j≤m；j',j^*含义与j相同；

步骤6.2、选择批列表中的第k批，将其安排至第j个供应商上加工Ag_j＝Ag_j∪B_k；

步骤6.3、将安排到每个供应商上加工的批按照批的一般加工时间的非减序排列，按照所述批排列顺序进行加工，利用公式(2)获得第k批安排至第j个供应商上加工时的最后一批工件送达制造商的时间：

其中，max{x,y}表示取x和y中的较大者，α和β为常数；第j个供应商往返主制造商的运输时间记为T_j；将运输车辆的容积和加工工件设备的容积均记为c；

步骤6.4、从第k个批在m个供应商上时的最大完工时间中选择最小的最大完工时间所对应的供应商，记为供应商j^*，将第k个批次安排到供应商j^*上进行加工；再将times+1赋值给times，k+1赋值给k；

步骤6.5、若 表示不小于x的最小整数，则安排完毕；否则执行步骤6.2。