CN110135707A - 一种服装缝制流水线优化方法 - Google Patents

Abstract

本发明公开了一种服装缝制流水线优化方法，该方法利用遗传算法对蚁群算法进行了改进。通过借鉴遗传算法中染色体交叉和变异等思想，结合蚁群算法快速搜索最优值的能力和求解性能的鲁棒性,对服装缝制流水线进行优化设计。遗传算法中的交叉、变异思想能更好的实现缝制流水线工序的重新组合和再分配，而蚁群算法求解性能的鲁棒性可以使其较容易的应用到服装缝制流水线优化问题上。同时可以充分发挥蚁群算法快速搜索的优势，能够更准确、更快速的实现服装缝制流水线的优化重组，减少了迭代次数，避免发散。

Description

一种服装缝制流水线优化方法

技术领域

本发明涉及流水线优化技术领域，特别是涉及一种服装缝制流水线优化方法。

背景技术

服装缝制流水线的编制其实质就是在保证作业先后顺序的基础上，根据一定的排列方法，按照一定的生产要求进行工序重组，满足流水线均衡性的要求，实现流水线优化设计最优化。借助计算机进行编程来解决服装缝制流水线的编制问题时，必须要考虑到流水线的先后顺序。此外，必须明确流水线各模块工序间的优先关系，即工序的位置权重。这是流水线借助计算机技术进行科学编排的重要前提。在传统服装缝制流水线作业中，其生产工艺流程图通常是以生产任务图的形式来表示。生产任务图的最大特点就是能够体现生产过程的先后关系，服装缝制流水线工序的作业顺序在实际生产中是十分重要的。由于服装缝制生产流水线编制问题比其它路径优化问题更复杂。

因此，如何提供一种能够快速、准确的实现服装缝制流水线优化的方法是迫切需要本领域技术人员解决的技术问题。

发明内容

本发明提供了一种服装缝制流水线优化方法。

本发明提供了如下方案：

一种服装缝制流水线优化方法,包括：

步骤1：工序初始化，确定每一道工序的初始位置；设定种群规模A(i)，交叉概率J，变异概率B，迭代次数C；蚁群初始化，随机产生蚁群的初始位置；

步骤2：开始进行迭代并记录迭代次数；所述迭代为根据预置条件为当前访问的工位选择工序的一个循环；

步骤3：判断当前的迭代是否满足预置的终止条件，如果是，则进入步骤 5，如果否，则进入步骤4；

步骤4：对工序进行选择、交叉、变异后重新组合并返回步骤2；

步骤5：将选择的工序转移至当前访问的工位，结束当前访问的工位的迭代进入下一工位的迭代，并在被访问过的工位释放信息素，所述信息素包括服装缝制流水线编制过程中的即时信息；

步骤6：更新工位状态信息并获取迭代总数，所述迭代总数为所有被访问的工位的迭代次数之和；

步骤7：判断所有工序是否均分配完毕或者迭代总数小于迭代上限阈值，当同时满足两个条件时，则输出服装缝制流水线编制结果；如果只满足迭代总数小于迭代上限阈值，则返回步骤2；如果迭代总数等于迭代上限阈值，则返回步骤1。

优选的：所述根据预置条件为当前访问的工位选择工序，包括：

依据任务图的模块划分及各模块内工序的权重大小，计算工序转移的概率并为当前访问的工位选择概率大的工序进行组合。

优选的：所述预置的终止条件包括为当前访问的工位选择的所包含的工序节拍在节拍界限范围内。

优选的：所述步骤四包括：

当组合后的工序节拍小于节拍界限时继续选择概率较大的工序或者交叉工序进行组合，直到组合后的工序节拍满足节拍界限或者大于节拍界限，当满足节拍界限时进行步骤5；当大于节拍界限时则对并行工序进行选择然后进行变异，变异之后重新组合然后返回步骤2。

优选的：当组合后的工序节拍大于节拍界限时，则对并行工序进行重新选择然后进行变异后执行所述步骤2。

优选的：所述节拍界限范围为节拍上限与节拍下限之间的范围，其中，节拍上限:

节拍下限:L.P.T.＝S.P.T.-(U.P.T.-S.P.T.)＝2.S.P.T-U.P.T.

S.P.T.为服装缝制流水线的平均节拍，

式中：S.P.T.为服装缝制流水线的平均节拍；N为作业人员总数；k为流水线的工序数；t_i为第i道工序作业时间；T为一天作业的总时间；Q为日产量。

优选的：所述蚁群初始参数包括蚁群规模，所述蚁群规模大于工序总数。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

通过本发明，可以实现一种服装缝制流水线优化方法，在一种实现方式下，该方法可以包括步骤1：工序初始化，确定每一道工序的初始位置；设定种群规模A(i)，交叉概率J，变异概率B，迭代次数C；蚁群初始化，随机产生蚁群的初始位置；步骤2：开始进行迭代并记录迭代次数；所述迭代为根据预置条件为当前访问的工位选择工序的一个循环；步骤3：判断当前的迭代是否满足预置的终止条件，如果是，则进入步骤5，如果否，则进入步骤4；步骤4：对工序进行选择、交叉、变异后重新组合并返回步骤2；步骤5：将选择的工序转移至当前访问的工位，结束当前访问的工位的迭代进入下一工位的迭代，并在被访问过的工位释放信息素，所述信息素包括服装缝制流水线编制过程中的即时信息；步骤6：更新工位状态信息并获取迭代总数，所述迭代总数为所有被访问的工位的迭代次数之和；步骤7：判断所有工序是否均分配完毕或者迭代总数小于迭代上限阈值，当同时满足两个条件时，则输出服装缝制流水线编制结果；如果只满足迭代总数小于迭代上限阈值，则返回步骤2；如果迭代总数等于迭代上限阈值，则返回步骤1。该方法利用遗传算法对蚁群算法进行了改进。通过借鉴遗传算法中染色体交叉和变异等思想，结合蚁群算法快速搜索最优值的能力和求解性能的鲁棒性，对服装缝制流水线进行优化设计。遗传算法中的交叉、变异思想能更好的实现缝制流水线工序的重新组合和再分配，而蚁群算法求解性能的鲁棒性可以使其较容易的应用到服装缝制流水线优化问题上。同时可以充分发挥蚁群算法快速搜索的优势，能够更准确、更快速的实现服装缝制流水线的优化重组，减少了迭代次数，避免发散。

当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种服装缝制流水线优化方法的流程图；

图2是本发明实施例提供的男西裤生产工艺流程图相对应的生产任务图；

图3是本发明实施例提供的001款男西裤生产任务图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

实施例

参见图1，为本发明实施例提供的一种服装缝制流水线优化方法，如图1 所示，该方法包括步骤1：工序初始化，确定每一道工序的初始位置；设定种群规模A(i)，交叉概率J，变异概率B，迭代次数C；蚁群初始化，随机产生蚁群的初始位置；其中，所述蚁群初始参数包括蚁群规模，所述蚁群规模大于工序总数。

步骤2：开始进行迭代并记录迭代次数；所述迭代为根据预置条件为当前访问的工位选择工序的一个循环；具体的，依据任务图的模块划分及各模块内工序的权重大小，计算工序转移的概率并为当前访问的工位选择概率大的工序进行组合。

步骤3：判断当前的迭代是否满足预置的终止条件，如果是，则进入步骤 5，如果否，则进入步骤4；所述预置的终止条件包括为当前访问的工位选择的所包含的工序节拍在节拍界限范围内。

步骤4：对工序进行选择、交叉、变异后重新组合并返回步骤2；当组合后的工序节拍小于节拍界限时继续选择概率较大的工序或者交叉工序进行组合，直到组合后的工序节拍满足节拍界限或者大于节拍界限，当满足节拍界限时进行步骤5；当大于节拍界限时则对并行工序进行选择然后进行变异，变异之后重新组合然后返回步骤2。当组合后的工序节拍大于节拍界限时，则对并行工序进行重新选择然后进行变异后执行所述步骤2。所述节拍界限范围为节拍上限与节拍下限之间的范围，其中，

节拍上限:

节拍下限:L.P.T.＝S.P.T.-(U.P.T.-S.P.T.)＝2.S.P.T-U.P.T.

S.P.T.为服装缝制流水线的平均节拍，

式中：S.P.T.为服装缝制流水线的平均节拍；N为作业人员总数；k为流水线的工序数；t_i为第i道工序作业时间；T为一天作业的总时间；Q为日产量。

步骤5：将选择的工序转移至当前访问的工位，结束当前访问的工位的迭代进入下一工位的迭代，并在被访问过的工位释放信息素，所述信息素包括服装缝制流水线编制过程中的即时信息；

步骤6：更新工位状态信息并获取迭代总数，所述迭代总数为所有被访问的工位的迭代次数之和；

步骤7：判断所有工序是否均分配完毕或者迭代总数小于迭代上限阈值，当同时满足两个条件时，则输出服装缝制流水线编制结果；如果只满足迭代总数小于迭代上限阈值，则返回步骤2；如果迭代总数等于迭代上限阈值，则返回步骤1。

本申请提供的方案为服装缝制流水线的优化设计，首先要根据表征服装流水线的平衡指标公式计算出最小工作地数，利用平衡指标公式求出最小平均节拍；然后在最小平均节拍的基础上建立均衡指数模型，结合服装模块化生产思路并依托均衡指数数学模型实现流水线的优化。在初始化群体后，在模块化的基础上，依据工序位置权重的大小，不断进行工序组合和拆分，更新各工位的工序信息，达到均衡指数最小化，从而获得一组最优工位的工序组合，进而实现服装缝制流水线的优化设计。

式中：Wmin为最小工作地数；T为制作一件服装的总作业时间；S.P.T. 为服装缝制流水线的平均节拍。

本申请就遗传算法及蚁群算法从思想来源、优化原理进行了较为详细的介绍。服装生产流水线平衡问题是典型的NP-hard问题，具有离散组合优化的特点，这与普通的组合优化问题不同，它不能用数学公式进行系统化的求解。为了更好的优化服装缝制流水线平衡生产，借助模块化生产理论以及蚁群算法解决典型的流水线平衡问题，本申请利用遗传算法对蚁群算法进行了改进。通过借鉴遗传算法中染色体交叉和变异等思想，结合蚁群算法快速搜索最优值的能力和求解性能的鲁棒性，对服装缝制流水线进行优化设计。遗传算法中的交叉、变异思想能更好的实现缝制流水线工序的重新组合和再分配，而蚁群算法求解性能的鲁棒性可以使其较容易的应用到服装缝制流水线优化问题上。同时可以充分发挥蚁群算法快速搜索的优势，能够更准确、更快速的实现服装缝制流水线的优化重组，减少了迭代次数，避免发散。

为了更好的说明改进的蚁群算法，本申请首先对改进的蚁群算法所涉及到的变量进行解释说明，改进的蚁群算法中参数变量及各自的含义如下所示：

A(i)—表示所需蚂蚁的数目；

W—表示蚂蚁(工序)通过挥发信息素确定的工作地数；

SI—为目标函数，表示服装缝制流水线编制效果的好坏(服装缝制流水线平衡性的)；

C—表示迭代次数；

J—表示交叉概率；

B—表示变异概率；

ρ—表示信息素挥发因子，所以1-ρ代表信息素的剩余因子，其中ρ∈ (0,1)；

Q—表示信息素强度的常数。

每一个参数的取值都会对蚁群算法最优解的质量有一定影响，只有参数取值合适时才能得到让人满意的结果。

A(i)表示蚂蚁的数目。A(i)的数目越大，改进的蚁群算法的全局搜索能力和算法的稳定性也会越好，但当A(i)数目降低时，信息素的正反馈就会消失，蚁群算法通过启发函数找到最优解的速度随之快速下降，从而变的很慢；这时，如果A(i)的数目降低，算法的优化速度就会加快，其收敛速度也会随之提高。但是当A(i)的数目减小到一定程度时，信息素就会在局部某些最优路径上被强化，从而导致蚁群算法很难跳出局部最优，出现过早停滞而全局搜索能力下降的状况。

ρ代表信息素的挥发因子，通俗的讲就是蚂蚁经过某条路径时残留的信息素其挥发速度的快慢。ρ值越小说明信息素挥发的速度越慢，局部路径上就会积累过多的信息素，从而使得算法陷入局部寻优的困境，而且很难从局部困境中跳出，进而降低了其全局寻优能力，寻找最优解的能力随之降低；ρ值越大说明信息素挥发的速度越快，这样信息素影响蚂蚁寻优的能力会随信息素的挥发速度的加快而降低，蚁群算法的独特而显著的优势将会被削弱。特别是在解决大规模NP-hard问题时，如果ρ值过大会导致多条路径上信息素来不及起作用就消失了，使得算法陷入局部最优。因此合理的设定信息素参数是非常有必要的。

从流水线编制的实际问题出发确定适应度函数，搭建起流水线编制与蚁群算法之间的桥梁。适应度函数的设置不仅要与需要求解的流水线问题相关联，而且适应度函数值的大小决定了个体的生存程度。综上，本申请通过变换目标函数，确定适应度函数，通过适应度函数找出缝制流水线最优解。

一般，服装缝制流水线编制问题的目标函数会随着实际生产状况的不同而不同。适应度值越大，寻找到的全局最优值越好。因此，本申请需要建立与蚁群个体一致的关系。从上文可知，服装缝制流水线的目标函数是将均衡指数 SI最小化，对目标函数进行相应的转换后，适应度函数如下公式所示：

在公式中，f(i)指的是目标函数，A是一个可以调整的函数，它的取值，应保证适应度函数值恒大于0。

本申请将蚁群算法迭代过程中的最大目标函数值作为适应度函数A，目标函数是均衡指数的最小化，根据函数的增减性，f(i)越小，即均衡指数越小，则适应度函数值就越大，服装缝制流水线的平衡度就越好，符合服装缝制流水线智能化编制的要求。

由于服装缝制生产流水线编制问题比其它路径优化问题更复杂，且蚂蚁算法在优化过程中，一些参数并不能很好的表征服装作业工序的性质，而遗传算法在流水线编制问题上的应用更加成熟。因此，本申请对基本的蚁群群算法进行了改进，即：引入了遗传算法的交叉和变异算子对蚁群的局部最优解及全局最优解进行优化。

遗传算法中的交叉是种群产生新个体的关键技术手段。遗传算法将通过蚂蚁迭代产生的两个或者多个可行解的一个或者多个位置进行交叉，从而产生新的个体，再通过适应度函数对新个体的生存程度进行判别。

假设在蚁群算法迭代过程中产生了两个符合作业要求的有效解X和Y，且 X和Y的蚂蚁(工序)排序为：

X＝{G1，G2，G3，G4，G5，G6，G7，G8}

Y＝{G9，G10，G11，G12，G13，G14，G15，G16}

随机产生一个二进制串D＝{0 1 1 0 1 0 1 0}，其长度与X和Y的长度相同，将D与X(Y)进行对比，如果字符串D中的位为1(0)(二进制)，则将X(Y)中对应位置的蚂蚁(工序)放入到新解W(Z)的对应的位置中；如果字符串D中的位置标号为0(1)，则将X(Y)中对应位置的蚂蚁(工序)取出，然后按照Y(X)中相应的蚂蚁(工序)按顺序依次填入W(Z)中，具体的交叉过程如下所示：

X＝{G1，G2， G3， G4， G5， G6， G7， G8}

Y＝{G9，G10，G11，G12，G13，G14，G15，G16}

D＝{0 1 1 0 1 0 1 0}

根据二进制串，则X中可以取出的蚂蚁(工序)个体为{G1，G4，G6，G8}， Y中可以取出的蚂蚁(工序)个体为{G10，G11，G13，G15}，根据以上定义，则产生的新个体是：

W＝{G10，G2，G3， G11，G5， G13，G7， G15}

Z＝{G1， G9，G12，G4， G14，G6， G16，G8}

交叉概率的大小决定了蚂蚁交叉更新的速度，一般来讲，交叉率的值越高，则蚂蚁交叉的速度就越快，越有利于粒子个体的更新。通过查阅相关文献可知，一般交叉率的取值范围是[0.6,0.9]，通过多次试算，本申请选取的交叉概率为0.6。

变异的主要目的是避免发生适应度函数值早熟的现象。通过变异操作蚂蚁路径的多样性增加，可以有效的防止局部收敛。通过大量查阅文献可知，通常变异得概率很小，取值范围通常是0.01～0.2，通过多次试算，本申请的取值是0.03。

对有效解X和Y进行了交叉操作，由上文可知按照二进制数值进行对其交叉操作，必然会造成种群个体由于重复蚂蚁个体的产生而减少。为了保持蚂蚁路径的多样性，有必要对其进行变异操作，本申请采用逆序变异法对其进行变异。本申请有效解X＝{G1，G2，G3，G4，G5，G6，G7，G8}为例进行说明，通过将X中的位置1和位置6进行逆换，则变异后X＝{G6，G2，G3，G4，G5， G1，G7，G8}。

变异概率的大小决定了蚂蚁经过路径的多样性，通常变异概率的值越高，则蚂蚁路径越多样，通过查阅相关文献可知，一般变异概率的取值范围是 [0.01，0.2]，本申请选取的变异概率值是B＝0.03。

通过上述研究以及大量的文献分析可以发现，对于利用改进的蚁群算法来解决服装缝制流水线的编制问题，其最好的参数经验范围为：ρ∈[0.1，0.9]， Q∈[1，1000]，C∈[100，300]，J∈[0.6，0.9]，B∈[0.01，0.2]。所以本申请将改进的蚁群算法中的参数ρ、Q初始设置为：ρ＝0.1，Q＝100，C＝150，J＝0.6， B＝0.03。

评价服装缝制流水线编制水平的优劣，通常是依靠流水线平衡性指标来衡量，平衡性指标越好，说明流水线的编制效果越好。本申请为提高服装缝制流水线编制效率、达到服装企业精益化生产要求，以男西裤的缝制流水线为例，在确定最小工作地的情况下，结合划分好的模块对流水线进行组合优化，建立表征服装缝制流水线平衡行的数学模型。

服装缝制流水线的编制其实质就是在保证作业先后顺序的基础上，根据一定的排列方法，按照一定的生产要求进行工序重组，满足流水线均衡性的要求，实现流水线优化设计最优化。借助计算机进行编程来解决服装缝制流水线的编制问题时，必须要考虑到流水线的先后顺序。此外，必须明确流水线各模块工序间的优先关系，即工序的位置权重。这是流水线借助计算机技术进行科学编排的重要前提。在传统服装缝制流水线作业中，其生产工艺流程图通常是以生产任务图的形式来表示。生产任务图的最大特点就是能够体现生产过程的先后关系，服装缝制流水线工序的作业顺序在实际生产中是十分重要的。

本申请根据图2男西裤生产工艺流程图画出相对应的生产任务图(图3)，并对其进行分析。图3中圆圈内的数字代表工序号，括号内的数字分别代表工序工时和位置权重，左边的为工时，右边的为位置权重。在同一模块内，工序的加工顺序必须与位置权重由大到小的顺序一致。例如在Bm2中工序生产顺序：5号工序→6号工序，即：位置权重00→位置权重01。生产任务图及位置权重的引入，不仅清晰、准确的体现了各模块内部工序的加工顺序，也在一定程度上体现了模块间的生产顺序，为实现计算机辅助编制提供了很好的依据。

此外，进行计算机编程实现智能化流水线编制前，还需要对缝制流水线作业所涉及到的各项生产因素进行细致、深入的了解。如机械设备的种类及型号、作业人员的熟练程度、各工序作业工时及作业内容、缝制生产涉及到的相关专业术语等。因此，本申请所构建的数学模型在必须满足以下前提条件：

产品各缝制工序的加工顺序及各工序的作业时间已知；

(2)对个别工时较长的工序，可对其可以进行适当的拆分；

(3)在同一时间段，每个作业员只能对其所负责工序中的其中一道工序进行作业。

(4)同一模块内的工序，其缝制作业顺序必须满足位置权重的大小关系，只有位置权重小的工序加工完成后，位置权重的工序才能开始进行缝制作业。

(5)为了提高生产的灵活性，每个作业人员原则上可分配1-3台不同类型的缝纫设备；同时，为避免引起缝纫设备不必要的浪费，实现资源的有效利用，两个作业人员需共用其中的一台某类型设备(平缝机除外)；

(6)作业人员对负责工序的熟练程度、加工速度一致；

(7)设备种类、型号、数量均符合缝制作业需求。

通过数学的思想，将缝制流水线的相关参数建立数学的模型。其作为服装缝制生产专业术语与计算机编程语言之间的桥梁，能够发挥很好地衔接作用。因此，数学模型的构建是实现服装缝制流水线智能化编制的关键。经过对服装生产理论进行细致研究，本申请总结归纳出在构建服装缝制流水线数学模型时，必须遵循以下四项约束条件：

(1)单件服装各工序作业时间总和与单件服装实际工作地作业时间总和在数值上相等；

(2)编制后的缝制流水线各工作地的节拍，即在各个工作地上完成作业的工序其作业时间和应满足缝制流水线的节拍界限范围，节拍界限范围为 [S.P.T.(1-10％),(S.P.T.1+10％)]；

(3)各工序作业时必须遵循服装生产任务图的生产顺序，结合位置权重的大小关系，保证流水线工序作业的先后次序，顺畅无阻的完成服装的缝制作业。

(4)同一工作地的工序作业类型尽量小于等于两种，当无法满足时，个别工作地的作业类型可以有三种，但此时工作地节拍数值上应增加5％(此时该工作地的节拍变为此工作地各工序作业时间的1.05倍)，以此减少因同一工作地工作类型种类多而造成的时间损失。

基于上述分析，本申请在确定缝制流水线在生产作业的最小工作地和最小平均节拍的基础上，结合服装模块化生产理论以及改进的蚁群优化算法流程，建立数学模型如下所示：

数学模型中：SI min为最小均衡指数；W min为最小工作地数；Pt为瓶颈节拍；Pi为第i个工作地的节拍。

在评价流水线平衡性的各项指标中，均衡指数SI是非常重要的一项评价服装流水线作业平衡的指标。如何通过均衡指数来体现流水线的均衡度，是本申请需要考虑和解决的问题之一。因此，本申请通过将均衡指数作为目标函数，并对其进行最小化，以此来实现表征缝制流水线优化的功能。均衡指数SI的数值越小，服装缝制流水线的平衡度越好，当均衡指数等于零时，流水线达到绝对平衡。本申请主要通过以下几方面来实现服装缝制流水线均衡指数的最小化：

(1)根据公式计算得出最小工作地的数量，求实际生产的平均节拍，根据求得的实际生产平均节拍(最小化节拍)，以此优化目标函数，达到均衡指数最小化的目的。

(2)在各生产模块符合生产任务图及模块内部各工序满足位置权重大小关系的基础上，将工序进行组合或拆分后重组。当需要组合或拆分后重组的工序在同一模块时，只要满足位置权重大小关系可直接进行组合或者拆分后重组；当不同模块内的工序进行重组时，此时不仅需要满足模块的位置权重关系，还需要满足各模块的生产顺序，如模块1中11号工序不能与模块2中的6号工序进行组合。

编码是数学模型及算法得以顺畅运行的一个重要步骤，即借助蚁群算法思想将工序符号化进而进行优化工序位置的过程，是改进的蚁群算法得以充分其优越性的重要前提条件。编码，不仅可以决定各工序(蚂蚁)的排列方式，而且会影响到编码后的解码过程。因此，编码过程必须严谨，编码逻辑必须清晰。目前，针对于服装缝制流水线的编码方法有很多，本申请以服装生产理论为基础，通过仔细研究服装缝制流水线作业特点，结合服装生产流水线上的工序顺序是以普通罗马数字呈现的实际生产状况，考虑到服装生产流水线平衡问题的特殊性，在进行编码时，采用多种编码方法相结合的方法进行混合编码。具体方法如下：将部件模块用大写英文字母A、B、C、D…表示，每个字母代表一个模块；组合模块内部工序则按照与部件模块组合的先后顺序依次被分成几部分，各部分分别用大写罗马数字Ⅰ、Ⅱ、Ⅲ、Ⅳ…表示；而各模块内部工序的位置权重则用阿拉伯数字00、01、02、03…表示；默认组合模块第一部分内的工序代码用ⅠXxx表示，而组合模块最后一部分内的工序代码用xZxx(第一个x表示大写罗马数字序号；xx表示工序位置权重)表示。这种混合编码的方式不仅可以保证蚂蚁(工序)位置移动的合理性、表征全部解空间，同时可以清晰地表征整件服装各工序之间的先后加工顺序，在一定程度上简化了服装流水线编制存在的NP-hard问题。

为更好的理解上述混合编码方法，本申请以001款男西裤为例进行解释说明。由图3可知001款男西裤由六个部件模块分别为Bm1、Bm2、Bm3、Bm4、 Bm5、Bm6和1个组合模块Zm组成，且各模块包含工序若干。根据上述混合编码法将部件模块Bm1、Bm2、Bm3、Bm4、Bm5、Bm6分别编码为A、B、C、D、E、 F；且由图3可知，组合模块可以被分为六部分，分别将这六部分按先后顺序编码为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ；各工序具体代码如表1所示。

表1001款男西裤代码表

解码，即把经过编码的蚂蚁(工序)，通过一定的转换方式和分配方式表现出来，就是设计的要素被分配到各自工位，实现工序的分配的过程。本申请以001款男西裤对具体解码方法和流程进行解释说明。

解码方法，即解码过程中所用到的方法。具体方法如下：

首先，根据模块划分，结合生产工艺流程图可知Ⅰ模块、Bm1模块、Bm2 模块、Bm3模块、Bm4模块、Bm5模块、Bm6模块为并列模块(并行路径)，在工序编制的过程中这7个并列模块(并行路径)中的工序可采用鱼刺插序法进行编制，即以ⅠX、ⅠA、ⅠB、ⅠC、ⅠD、ⅠE、ⅠF开头的工序所属模块为并列模块，在保证各自模块内部工序位置权重关系不变的前提下，可将序号靠后模块内的工序插入序号靠前模块与其所属工序统一排序。例如：以ⅠA开头的工序所属(Bm1模块)与以ⅠB开头的工序所属模块(Bm2模块)为并列模块，进行工序编制时在保证工序ⅠA00、ⅠA01和ⅠB00、ⅠB01、ⅠB02位置权重大小关系不变的基础上，Bm2模块中的部分工序或者全部工序可插到ⅠA00、Ⅰ A01的任意位置进行统一的流水线编制。

其次，将组合模块分为六个小模块分别是Ⅰ模块、Ⅱ模块、Ⅲ模块、Ⅳ模块、Ⅴ模块、Ⅵ模块。在进行部件模块与组合模块的工序进行统一编制时，将其分成六个等级。每个模块既包含了部件模块又包含组合模块中的部分模块，且同一模块内的部件模块与组合模块中的部分模块属于并列模块，在进行工序编制时亦采用鱼刺插序法进行编制。且在进行Ⅱ模块内的工序编制前，必须要完成第一部分对应的部件模块、BM1和BM2模块所有工序的编制。同理，在进行第Ⅲ模块内的工序编制前，必须要完成第二部分及BM3模块对应的所有工序的编制…依次类推在进行Ⅵ模块内工序编制前其他模块内的工序必须已完成编制。

解码流程：流水线编制的实现过程，其具体分配过程如下：

(1)根据工序的模块划分以及工序位置权重初始化蚂蚁(工序)后，根据公式可得最小工作地Nmin和实际生产节拍S.P.T.，以实际生产节拍S.P.T. 为依据，将工序分配到最小工作地Nmin中得到初始排序表。

(2)如果在分配第j号工序时，其作业时间正好满足节拍界限，即在 [S.P.T.(1-10％),S.P.T.(1+10％)]内，则将第j号工序分配到第i个工作地，此时该工作地的编制完成。继而，分配第i+1个工作地的工序，将第j+1 道工序分配到该工作地，如果第j+1号工序作业时间不在节拍界限范围[S.P.T. (1-10％),S.P.T.(1+10％)]内，则进行第(3)步。

(3)如果j+1号工序作业时间小于S.P.T.(1-10％)，则在第i+1个工作地继续分配第j+2号工序进行判断：如果分配后工作地的作业时间在 [(1-5％)τ,(1+5％)τ]范围内，则将第j+1号工序和第j+2号工序分配到第i+1 个工作地，并转向第(2)步；如果分配后i+1工作地的作业时间在超过S.P.T. (1+10％)，则将j+2号工序作业时间的1/3或1/2或2/3倍分配到第i+1个工作地，然后转向第(2)步进行判断，如果满足则进行下一个工作地的编制；

此外，当某一作业工序比较复杂、作业时间太长不容易进行分配时，可以将其单独放置一个工作地或若干个工作地，以免影响作业进度，这种方法一般是在以上分配方法都不能使用的情况下才使用的。

需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (7)

1.一种服装缝制流水线优化方法，其特征在于，所述方法包括：

步骤1：工序初始化，确定每一道工序的初始位置；设定种群规模A(i)，交叉概率J，变异概率B，迭代次数C；蚁群初始化，随机产生蚁群的初始位置；

步骤2：开始进行迭代并记录迭代次数；所述迭代为根据预置条件为当前访问的工位选择工序的一个循环；

步骤3：判断当前的迭代是否满足预置的终止条件，如果是，则进入步骤5，如果否，则进入步骤4；

步骤4：对工序进行选择、交叉、变异后重新组合并返回步骤2；

步骤5：将选择的工序转移至当前访问的工位，结束当前访问的工位的迭代进入下一工位的迭代，并在被访问过的工位释放信息素，所述信息素包括服装缝制流水线编制过程中的即时信息；

步骤6：更新工位状态信息并获取迭代总数，所述迭代总数为所有被访问的工位的迭代次数之和；

步骤7：判断所有工序是否均分配完毕或者迭代总数小于迭代上限阈值，当同时满足两个条件时，则输出服装缝制流水线编制结果；如果只满足迭代总数小于迭代上限阈值，则返回步骤2；如果迭代总数等于迭代上限阈值，则返回步骤1。

2.根据权利要求1所述的服装缝制流水线优化方法，其特征在于，所述根据预置条件为当前访问的工位选择工序，包括：

依据任务图的模块划分及各模块内工序的权重大小，计算工序转移的概率并为当前访问的工位选择概率大的工序进行组合。

3.根据权利要求1所述的服装缝制流水线优化方法，其特征在于，所述预置的终止条件包括为当前访问的工位选择的所包含的工序节拍在节拍界限范围内。

4.根据权利要求3所述的服装缝制流水线优化方法，其特征在于，所述步骤四包括：

当组合后的工序节拍小于节拍界限时继续选择概率较大的工序或者交叉工序进行组合，直到组合后的工序节拍满足节拍界限或者大于节拍界限，当满足节拍界限时进行步骤5；当大于节拍界限时则对并行工序进行选择然后进行变异，变异之后重新组合然后返回步骤2。

5.根据权利要求4所述的服装缝制流水线优化方法，其特征在于，当组合后的工序节拍大于节拍界限时，则对并行工序进行重新选择然后进行变异后执行所述步骤2。

6.根据权利要求5所述的服装缝制流水线优化方法，其特征在于，所述节拍界限范围为节拍上限与节拍下限之间的范围，其中，

节拍上限:

节拍下限:L.P.T.＝S.P.T.-(U.P.T.-S.P.T.)＝2.S.P.T-U.P.T.

S.P.T.为服装缝制流水线的平均节拍，

式中：S.P.T.为服装缝制流水线的平均节拍；N为作业人员总数；k为流水线的工序数；t_i为第i道工序作业时间；T为一天作业的总时间；Q为日产量。

7.根据权利要求1所述的服装缝制流水线优化方法，其特征在于，所述蚁群初始参数包括蚁群规模，所述蚁群规模大于工序总数。