CN110378528A - 基于遗传算法的车间排产方法及系统 - Google Patents

Abstract

本发明公开一种基于遗传算法的车间排产方法，本方法基于已标注订单数据构建并训练决策树模型，将待生产订单数据输入训练好的决策树模型得到待生产订单的优先级；基于遗传算法、约束条件、编解码、适应度计算等综合考虑找到较优的排产计划，最后将指定个数的编码方案通过图形界面形式呈现给排产人员进行选择。进一步，还公开一种与该车间排产方法对应的基于遗传算法的车间排产系统。本发明在使用遗传算法参与决策的过程中，综合考虑生产效率、产线整体均衡、多目标优化以及可能的突发事件等因素，有利于提高生产效率，实现产线均衡，有助于实现企业效益最大化。

Description

基于遗传算法的车间排产方法及系统

技术领域

本发明属于车间排产计划管理技术领域，具体涉及一种基于遗传算法的排产方法及系统。

背景技术

目前实际生产中的排程多用的是ERP(Enterprise Resource Planning)系统的静态方法，根据订单的要求和物料产能的供应情况编制排产计划。而实际生产情况常常与预期不符，ERP系统无法实时采集生产数据，也不能对生产资源进行有效调度配置，从而造成时间和资源的浪费，增加生产的成本。

在对一些企业的调研中我们发现，当下很多企业尚未重视动态排产，企业往往对排产没有严格的要求，只要能让生产车间正常运转，满足客户订单要求即可。因此动态排产有着很大的待开发的市场。

目前已经存在一些尝试解决动态排产问题的研究方案，但这些研究结果往往都不够贴合生产实际，存在以下缺点：1)不考虑生产线体的线性，实际生产中机器有一定的关联度，有些机器是连在一条产线上的，产品一旦放到产线上，就必然经过这条线上的所有机器，而现有方案大多都只是把机器看做零散的点集，而没有以生产线为单位去考量；2)目标函数基本都是只着重于订单完成时间的最小化，目标过于单一，不完全符合实际生产情要求；3)缺乏对产线整体均衡的考虑，缺乏考虑换线、不同产品的交付缓急等实际的因素，常常着眼于个别工位而忽略总装产线多品种生产、过程多变的动态特征。总之，现有的制造类企业生产车间主要依赖于人工排产，响应和调整不够及时，即使是有一些开发出的智能排产方案，也不够贴合生产实际。

现有的物联网技术可以通过电路设计实现对自动化工厂线体上所使用设备和线体各工位上工件完成情况的数据采集，再通过NB-IoT模组的应用，定时向云端服务器传输采集到的数据。我们可以利用这一技术接收到的数据进行分析处理，实现排产计划的变更。

遗传算法(GA)是一类借鉴生物界的进化规律(适者生存，优胜劣汰遗传机制) 演化而来的随机化搜索方法，将问题的求解表示成“染色体”的适者生存过程，通过“染色体”的一代代不断进化，包括选择、交叉和变异等操作，最终收敛到“最适应环境”的个体，从而求得问题的最优解或者满意解，目前已得到广泛的应用。因此，我们的方案已具备了可行的技术基础。

发明内容

为解决上述问题，本发明提出一种利用遗传算法实现车间生产排产的方法及系统，能优化排产方法，实现动态响应，使排产方案贴近总装产线实际，从而提高生产效率。

本发明的技术方案如下：

方案一：一种基于遗传算法的车间排产方法，包括：

步骤S1：基于已标注订单数据构建并训练决策树模型，将待生产订单数据输入训练好的决策树模型得到待生产订单的优先级；已标注订单数据包括所述订单的特征参数和预先通过优先级评价标准确定的所述订单的优先级；待生产订单数据包括所述订单的特征参数；

步骤S21：输入遗传算法运行的最大迭代次数，各待生产订单中包含的需要生产的产品序号和数量，生产各产品需要完成的工序，待生产订单的优先级，各产线中各工序所需时间，以及换线所需时间；随机生成满足预先设置的约束条件的初代种群编码方案；

步骤S22：对当前种群编码方案进行解码，得到包含各产线上生产的工序序列及其完成时刻的矩阵F；

步骤S23：基于解码后的矩阵F计算种群中各编码方案的适应度；所述适应度与待生产订单的订单优先级、待生产订单的完成时刻以及产线均衡程度相关；所述待生产订单的完成时刻是指矩阵F中该订单的最后一道工序的完成时刻；

步骤S24：采用最优保留法选择需要变异的编码方案，并对所述编码方案进行变异操作；所述最优保留法是指当前群体中适应度排在前列的M1个编码方案不参与变异，并与经变异操作后得到的编码方案共同作为下一代种群；

步骤S25：判断是否达到最大迭代次数，若是，进入S26，否则，回到S22；

步骤S26：输出迭代完成后的最终种群编码方案；

步骤S3：对最终种群编码方案进行解码，并得到包含各产线上生产的工序序列及其完成时刻的矩阵F；计算最终种群编码方案的适应度，并选择适应度排在前列的M2 个编码方案；通过图形界面将M2个编码方案对应的矩阵F所对应的排产计划呈现给排产人员进行选择；

在上方法中，对于不同种产品的同种工序，同一条产线的生产时间相同；对于同种工序，不同产线的生产时间不完全一致；每条产线只能生产特定的某几道工序，且工序的加工时间已知；每种产品的加工工序顺序固定；当且仅当某一产线没有连续生产某一产品的相邻工序时需要换线；同一产品不同工序之间的换线时间以及同一条产线生产不同产品之间的换线时间视为等同。

作一种优选方案，所述步骤S1具体包括：

S11、将已标注订单数据中的特征参数进行预处理；所述特征参数包括产品序号、产品数量、产品利润、交付日期、客户合作次数、客户市值；

S12、将预处理后的已标注订单数据分为训练集和测试集；

S13、采用所述训练集训练决策树分类器，构建用于订单优先级确定的决策树模型；

S14、使用所述测试集判断所述决策树模型的训练效果，不断调整决策树的属性参数，直到优先级预测值与实际值的均方误差小于预设值；所述属性参数包含最大深度和叶最小样本数；

S15、将待生产订单数据输入训练好的决策树模型，得到待生产订单的优先级。

作一种优选方案，所述步骤S11中的预处理包括：

删去所述特征参数中的产品序号；

将所述特征参数中的交付日期与当前日期作差得到订单剩余可处理天数，并用剩余可处理天数作为新的特征参数替换交付日期；

对所述特征参数中的产品数量、产品利润、剩余可处理天数、客户合作次数和客户市值进行归一化处理。

作一种优选方案，所述步骤S21中的约束条件包括：

1)对于产线的约束：对于某一条固定的产线，其完成工序i_j这一单位任务的时刻减去该轮生产的完成时间应该晚于上轮生产结束的时刻加上可能存在的换线时间t_ex；且仅在该产线生产同一种产品的两道相邻工序时这两道工序之间不存在换线时间t_ex，其余情况下均需考虑换线时间t_ex；表示如下：

时刻对应的工序i_j属于产品r_p，时刻对应的工序i_j-1属于产品r_q；

其中：

2)对于产品的约束：对于某一固定的产品，其某道工序生产完成的时刻减去完成该道工序所花费的时间应晚于相应紧前工序生产完成的时刻；表示如下：

其中，时刻和分别对应的工序i_j和i_j-1属于产品r_p，i_j-1表示产品r_p的工序i_j的紧前工序，表示产品r_p的个数；

所述单位任务是指完成一种产品的一道工序为一个单位任务，其中，完成是指完成全数该种产品的该道工序；

所述一轮生产是指当一条产线完成一个单位任务时，则称该条产线完成了一轮生产；

所述紧前工序是指某种产品的某道工序的前一个工序为该产品该道工序的紧前工序。

作一种优选方案，所述步骤S21中，编码方案如下：

首先将所有需要完成的单位任务排列:单位任务按对应产品的产品序号的升序排列，产品序号相同时，按该产品工序顺序的升序排列；

然后用一个两行的矩阵表示排产方案：第d列对应第d个单位任务，第一行的值为完成该单位任务的产线编号，第二行的值为该单位任务在该产线上的生产次序；

所述步骤S22中，解码方案如下：

结合所需生产产品及其生产工序表，将各产线执行的工序按顺序排列好；

在满足所述约束条件下，求解各的最小值，得到包含各产线工序序列及其完成时刻的矩阵F；所述矩阵F表示如下：

其中，表示第i条产线上第j道工序结束的时刻；矩阵的行数为产线数量，记为m；矩阵的列数由执行工序最多的产线决定，列数为其执行的工序总数，记为L；若第i条产线在第g道工序结束后不再工作，则

第k个订单的完成时刻T_k为矩阵F中该订单的最后一道工序的完成时刻，其中， k＝1,2,...,num，num为订单总数。

作一种优选方案，所述步骤S23具体包括：

所述订单的优先级S_k由步骤S1得到；

所述订单的完成时刻T_k及各产线的总工作时间Q_i由解码后的矩阵F获得；

所述产线均衡程度表示各条产线的总工作时间尽可能相近；所述产线的均衡程度用方差表示，具体计算方法如下：

各条产线的总工作时间为Q₁,Q₂,...,Q_m，m为产线数量；对其进行归一化处理,将数据范围压缩到[0，1]之间，得到：

并将归一化的数据Q₁',Q₂',...,Q_m'视为总工作时间，则总工作时间的平均值EC为：

方差为:

由此，得到适应度函数如下：

排产计划的适应度数值越大，表明排产计划越优。

作一种优选方案，所述步骤S24中的变异操作包括：设置每种变异发生的概率，按照变异途径发生变异；所述变异途径包括以下两种：

1)随机地选取一条产线，在满足约束条件下，对其调整单位任务的排列次序；

2)随机选取两条产线i₁、i₂，将产线i₁上的单位任务j₁移动到产线i₂上的单位任务j₂处，其中，产线i₁上生产次序大于j₁的单位任务的生产次序依次前移一位，产线i₂上工序号大于j₂的单位任务的生产次序依次后移一位在满足约束的条件下j₁,j₂随机选取，且移动后仍能满足产线加工工序的基本要求。

作一种优选方案，所述步骤S3中的图形界面包括文字、表格和甘特图中的任意一种或多种，其中：

所述表格又包括两类：

1)从产线的角度考虑得到第一表格，以产线为行，单位任务为列，每一行顺序填上所加工的工序和产品；

2)从产品的角度出发得到第二表格，以产品种类为行，产线序号为列，每一行顺序填上对应的产线和所加工的工序；

所述文字又包括两类：

1)从产线的角度描述，格式如下：产线x依次加工产品y1的工序z1，产品y2的工序z2，……，遍历第一表格的每一行，对每一行生成上述格式的文字描述；

2)从产品的角度描述，格式如下：产品y的加工顺序为在产线x1上加工工序z1，在产线x2上加工工序z2，……，所有工序完成后产品y生产完成，遍历第二表格的每一行，对每一行生成上述格式的文字描述；

所述甘特图：对于一种排产计划，为每条产线生成一个甘特图，甘特图的行依顺序为安排的工序和产品，列为时间顺序。

作一种优选方案，本方法还包括：

当厂家对确定订单优先级的评价标准发生改变时，在所述步骤S1中利用新的训练集重新训练决策树模型，直到均方误差小于预设值；

当排产需求发生变更或者发生物料不足发生时，调整排产计划编码方案的约束条件，重新迭代生成新的排产计划；

当排产系统生成的排产计划不满足需求时，根据排产人员的意见，修改决策树参数和遗传算法参数；所述决策树参数包括最大深度和叶最小样本数，所述遗传算法参数包括迭代次数和变异概率。

方案二：一种基于遗传算法的车间排产系统，包括：订单处理模块、方案生成模块和结果整合模块；

所述订单处理模块被构造为：基于已标注订单数据构建并训练决策树模型，将待生产订单数据输入训练好的决策树模型得到待生产订单的优先级；已标注订单数据包括所述订单的特征参数和预先通过优先级评价标准确定的所述订单的优先级；待生产订单数据包括所述订单的特征参数；

所述方案生成模块被构造为：通过输入的遗传算法运行的最大迭代次数、各待生产订单中包含的需要生产的产品序号和数量、生产各产品需要完成的工序、待生产订单的优先级、各产线中各工序所需时间以及换线所需时间随机生成满足预先设置的约束条件的初代种群编码方案；对当前种群编码方案进行解码，得到包含各产线上生产的工序序列及其完成时刻的矩阵F；基于解码后的矩阵F计算种群中各编码方案的适应度；所述适应度与待生产订单的订单优先级、待生产订单的完成时刻以及产线均衡程度相关；所述待生产订单的完成时刻是指矩阵F中该订单的最后一道工序的完成时刻；采用最优保留法选择需要变异的编码方案，并对所述编码方案进行变异操作；所述最优保留法是指当前群体中适应度排在前列的M1个编码方案不参与变异，并与经变异操作后得到的编码方案共同作为下一代种群；判断是否达到最大迭代次数，若是，则输出迭代完成后的最终种群编码方案，否则，继续迭代计算；

所述结果整合模块被构造为：对最终种群编码方案进行解码，并得到包含各产线上生产的工序序列及其完成时刻的矩阵F；计算最终种群编码方案的适应度，并选择适应度排在前列的M2个编码方案；通过图形界面将M2个编码方案对应的矩阵F所对应的排产计划呈现给排产人员进行选择；

其中，对于不同种产品的同种工序，同一条产线的生产时间相同；对于同种工序，不同产线的生产时间不完全一致；每条产线只能生产特定的某几道工序，且工序的加工时间已知；每种产品的加工工序顺序固定；当且仅当某一产线没有连续生产某一产品的相邻工序时需要换线；同一产品不同工序之间的换线时间以及同一条产线生产不同产品之间的换线时间视为等同。

进一步的，上述基于遗传算法的车间排产系统中包括的订单处理模块、方案生成模块和结果整合模块的具体特征还可对应于方案一所述的各种优选方案同，具体参见实施例部分，此处不再赘述。

有益效果:

(1)本发明以工序要求、产线的硬件配置等为约束条件，以按时交付、产量最大化为目标解决动态排产问题的数学模型，工作人员输入关于订单、物料情况的已知条件，该程序根据上游传输的数据实时进行动态重排，保证车间始终执行效率最高的作业排程方案。

(2)基于构建好的决策树模型，根据产品种类、产品数量、客户公司市值、历史合作次数和交付日期等订单特征参数对订单进行分类，自动生产订单生产的优先级。同时，还考虑多条产线、多品种工件同时工作、以及实际可能出现的换线操作等情况，进行均衡合理的分配，更能贴近产线实际情况，达到按时交付且尽量多的产出目标，实现企业效益最大化。

(3)本发明对排产计划建立了多元评价体系，除了产出目标最大化以外，还考虑了产线的生产负荷程度以及订单优先级，该评价体系更贴近厂家生产实际。

(4)本发明采用文字、表格、甘特图三种形式呈现排产计划，便于排产人员选择，生产人员也更易理解，降低了沟通成本。

(5)本发明还可实现静动态结合，先根据排产计划进行最初的静态排产，后实时监控整个产线的运作情况，一旦检测到相关扰动因素，即根据收集到的相关数据调整订单的相关参数，重新生成排产方案，进行全方位的重调度，使工厂高效运行。

附图说明

图1：基于遗传算法的车间排产系统的构成框架示意图；

图2：基于遗传算法的车间排产系统的算法流程图；

图3：输出的甘特图示意。

具体实施方式

本发明公开一种基于遗传算法的车间排产系统，包括三个部分，即：订单处理模块，基于遗传算法的编、解码方案生成模块，以及结果整合模块三个功能模块。模块执行的具体流程以及模块间的交互关系，如果图1系统框架图所示，对各个模块具体介绍如下：

第一部分、订单处理模块

输入：已标注订单数据、待标注订单数据(即待生产订单数据)；

输出：决策树预测出的订单的优先级。

已标注订单数据标注的内容包括特征feature和标签label两部分；待标注订单数据标注的内容包括特征feature部分。需要说明的是，本发明中，每个订单只对应一种待生产的产品。其中：特征feature主要包含产品序号ID、产品数量quantity、产品利润profit、交付日期deadline、客户合作次数co-times、客户市值market-value等参数；标签label 主要包含优先级priority。

订单处理模块的具体处理步骤如下：

S11、导入已标注订单数据到确定订单优先级的Python程序中，进入步骤S12进行数据预处理。

S12、数据的预处理主要包括以下几个方面：

a)考虑到订单特征中的产品序号与订单优先级无相关性，删去(drop)该特征；

b)使用datetime库，处理订单特征中的交付日期，与当前日期作差data.deadline-today，得到该订单剩余可处理天数。用剩余可处理天数替换交付日期，作为订单的新特征；

c)对各特征数据进行归一化(Normalization)处理，即令 data＝(data-min(data))/(max(data)-min(data))。处理对象包括：产品数量 quantity、产品利润profit、剩余可处理天数、客户合作次数co-times和客户市值 market-value。

数据预处理完后进入步骤S13。

S13、使用sklearn库中的train_test_split函数，按照7:3的比例，将经过预处理的已标注订单数据分为训练集和测试集。

S14、使用sklearn库中的决策树分类器(DecisionTreeClassifier，以下简写为clf，分类依据(criterion)选用基尼系数(gini))在步骤S13中分出的训练集上训练(clf.fit(Xtrain, ytrain))用于订单优先级确定的决策树模型。

S15、使用决策树模型预测(clf.predict(Xtest))测试集。

本系统将订单优先级设置为{1,2,3,4,5}五个级别，由于优先级预测值与实际值越接近，决策树模型性能越好，采用均方误差(mean_squared_error，简写为mse)作为损失函数来评估模型的性能。

不断调整决策树的最大深度(max_depth)、叶最小样本数(min_samples_leaf)等属性训练模型，直到均方误差mse＜0.1。进入步骤S16。

S16、使用训练好的决策树模型预测(clf.predict(data))待标注订单的优先级，输出结果。

结果的形式即各待生产订单的优先级，数据范围为{1,2,3,4,5}。

需要说明的是，已标注订单数据的优先级可由排产人员根据已知的评价标准进行标定，而其中的评价标准可公司需求进行相应调整。

第二部分、基于遗传算法的方案生成模块

为便于结合实施例来说明基于遗传算法的编码方案生成模块，首先定义符号如表1 所示：

表1

为便于阐述，此处再对一些表述做出解释，如表2所示：

表2

在APS排产中，有如下基本假设：

(1)对于不同种产品的同种工序，同一条产线的生产时间相同；

(2)对于同种工序，不同产线的生产时间不一定相同；

(3)每条产线只能生产特定的某几道工序，且工序的加工时间已知；

(4)每种产品的生产有固定的工序要求，生产中不可打乱工序的顺序，即每种产品的加工工序顺序固定；

(5)当且仅当某一产线没有连续生产某一产品的相邻工序时需要换线；

(6)考虑到换线时间的差异较小，为便于处理，同一产品不同工序之间的换线时间以及同一条产线生产不同产品之间的换线时间一律视为等同。

实施例一：

结合图2所示，实施例一是基于遗传算法的方案生成模块的主体步骤，实施例二至例四用于实施例一的补充说明，具体包括：

输入:

1、遗传算法运行的最大迭代次数N；

2、各待生产订单中包含的需要生产的产品序号、数量、生产每种产品需要完成的工序，以及各待生产订单的优先级(由订单处理模块输出)；

3、各产线中各工序所需时间；

4、换线所需时间t_ex。

输出:遗传算法迭代完成后的最终种群编码方案。

基于遗传算法的方案生成的具体实施步骤包括：

S21、在满足约束条件的情况下，随机生成初代种群的编码方案(排产方案)，进入步骤S22。关于编码方案的说明，详见实施例二。

若在遗传算法初代种群或变异操作生成的排产方案中，某一条产线或某一种产品不满足约束条件，则视为不符合约束条件的排产方案。

此处约束条件对应基本假设中的(3)、(4)，有如下内涵：

a)对于产线的约束：

对于某一条固定的产线，其完成工序i_j这一单位任务的时刻减去该轮生产的完成时间应该晚于上轮生产结束的时刻加上可能存在的换线时间。仅在该产线生产同一种产品的两道相邻工序时这两道工序之间不存在换线时间，其余情况下均需考虑换线时间。其中时刻对应的工序i_j属于产品r_p，时刻对应的工序i_j-1属于产品r_q。

其中：

b)对于产品的约束：

对于某一固定的产品而言，其某道工序生产完成的时刻减去完成该道工序所花费的时间应该晚于相应紧前工序生产完成的时刻。即：

其中，时刻和分别对应的工序i_j和i_j-1属于产品r_p，i_j-1表示产品r_p的工序i_j的紧前工序。

S22、将当前种群的各编码方案进行解码，得到表示各产线上生产的工序序列及其完成时刻的矩阵F，然后进入步骤S23。关于编码方案解码的说明，详见实施例三。

在矩阵F中，用T_k表示第k个订单完成时刻，其中，k表示订单编号,k＝1,2,...,num(num为订单总数)；各订单对应的优先级分别为S₁,S₂,...,S_k,...,S_mun，其完成时刻分别为T₁,T₂,...,T_num。第k个订单的完成时刻T_k为矩阵F中该订单的最后一道工序的完成时刻。第i条产线的总工作时间为Q_i， 表示第i条产线第j道工序的完成时间。

S23、基于解码后的矩阵F，计算各编码方案的适应度：

适应度的计算主要考虑以下三个方面：1)各个订单的优先级；2)各个订单的完工时间；3)各条产线的均衡程度。其中，各个订单的优先级由订单处理模块得到；各个订单的完成时刻T_k及各产线的总工作时间Q_i由步骤S22得到。

本发明中用方差表示各产线的均衡程度。各条产线的总工作时间Q₁,Q₂,...,Q_m，对其进行归一化(Normalization)处理,将数据范围压缩到[0，1]之间，得到：

并将它们视为总工作时间Q₁',Q₂',...,Q_m'，则总工作时间的平均值EC为：

方差为:

本发明中，优先级越高的(即S_k值越大的)订单越早完成，排产计划越优；各条产线任务量越均衡(方差DC越小)，排产计划越优。综上考虑，得到适应度函数如下：

其中，对方差DC加1，避免分母为零。

排产方案的适应度数值越大，表明排产方案越优。适应度计算完毕，进入步骤S24。

S24、基于最优保留法进行选择需要变异的编码方案，并进行变异操作。

对当前种群适应度排在前5的编码方案个体不进行变异操作，直接保留作为下一代的个体；对剩下的个体，在满足步骤S21中的约束条件下，按0.7的概率按照以下两种途径发生变异，得到下一代个体，每种变异发生的概率为0.35。两种变异操作如下：

a)随机地选取一条产线，调整其上单位任务的排列次序，由此得到新的编码方案。例如，将产线i的单位任务排列{B,C,A,D}调整为{A,C,D,B}。需要说明的是，这里的工序是不同产品的工序，因此可以调整顺序。需要说明的是，如果是同一个产品，其生产工序不能调整，这一点已经加入开头的约束条件中。自然地，为满足约束条件，其他产线上的各个单位任务的开工时刻会有相应的变化。

b)随机选取两条产线，记为i₁,i₂。将产线i₁上的第j₁个单位任务移动到产线i₂上的第j₂个单位任务处(此处的移动满足产线能够加工工序的基本要求)，由此得到新的编码方案。j₁,j₂在满足前述约束条件的情况下随机选取，产线i₁上生产次序大于j₁的单位任务的生产次序依次前移一位，产线i₂上工序号大于j₂的单位任务的生产次序依次后移一位。具体可见实施例四中的例子。

以上两种变异操作更具体的说明详见实施例四。

S25、判断是否达到最大迭代次数N：若是，则进入步骤S26，否则，回到步骤S22。

S26、将迭代完成后的最终种群编码方案输出到结果整合模块，其形式为编码矩阵。

实施例二：

此处针对实施例一中步骤S21所涉及的编码方案，给出编码方案的具体实例：

首先将所有需要完成的单位任务排列:单位任务按对应产品的序号的升序排列；产品序号相同时，按该产品工序顺序的升序排列。记单位任务的总数为J。

接着用一个两行的矩阵表示排产方案，第d列对应第d个单位任务，第一行的值为完成该单位任务的产线编号，第二行的值为该单位任务在该产线上的生产次序。该矩阵与排产计划一一对应，即从该矩阵即可看出排产计划是什么。

下面举例说明编码方案：

所需生产产品及其生产工序如下表3所示：

表3

产品序号	工序种类及其顺序
		r<sub>1</sub>	A->B->D
r<sub>2</sub>	B->A->D
		r<sub>3</sub>	A->B->D->A->C

产线可完成的工序如下表4：

表4

产线编号	可生产的工序
		1	A,C
2	A,B
		3	B,D

则按照单位任务的排序方式，例如，第1个任务表示产品r₁的第1道工序A，第8 个任务表示产品r₃的第2道工序B。

若产线1依次加工顺序为：产品r₁的第1道工序、产品r₃的第4道工序、产品r₂的第2道工序、产品r₃的第5道工序；产线2依次加工产品r₃的第1道工序、产品r₂的第 2道工序、产品r₁的第3道工序、产品r₃的第2道工序；产线3依次加工产品r₁的第3 道工序、产品r₂的第3道工序、产品r₃的第3道工序。

从而得到，所有需要完成的单位任务对应的编码矩阵(即编码方案)如下：

实施例三：

此处针对实施例一中步骤S22所涉及的对编码方案(即编码矩阵E)的解码，得到包含产线上生产的工序序列及其完成时刻的矩阵F。现结合具体实例说明。

结合所需生产产品及其生产工序表，得到各产线上生产的工序序列。根据得到的工序序列，在满足S21中对产品和产线的约束条件下求解各的最小值。求解结果用包含产线上生产的工序序列及其完成时刻的矩阵F表示，矩阵中各元素记录的是完成时刻，如果k道工序之后该产线就不工作了，那么该行后面元素的值都是最后一道工序完工时刻。

对编码矩阵E进行解码得到矩阵F，转换过程如下：

a)先将各产线执行的工序按顺序排好。若i_j是一道需要完成的工序，则初始化为-1。反之，若在i_j之前，第i条产线已经工作完毕，则初始化为0，进入步骤b)。

b)接着从开始依次遍历到每次遍历按以下方式进行：

考虑若则跳过；若则令若则考虑该产品的前一道工序完成情况，假设该产品前一道工序的完成时刻为若则考虑得到后，若t＝i，s＝j-1，则(对应不换线的情况，t_ij表示该工序的完成时间),否则(对应换线的情况)。

由此得到矩阵F，表示为：

其中，表示第i条产线上第j道工序结束的时刻，矩阵的列数由执行工序最多的产线决定，列数为其执行的工序总数，记为L，矩阵的行数为产线数量，记为m。若第i条产线在第g道工序结束后不再工作，则

实施例四：

此处针对实施例一中步骤S25所涉及的变异操作。现结合具体实例说明变异过程及变异后编码的变化。

当进行第一种变异操作时，只需改变编码矩阵E的第二行；

以实施例二中的生产方案为例，变异操作前编码矩阵E为：

在变异过程中，将产线1上的单位任务排列顺序由：“r₁的第一道工序→产品r₃的第四道工序→产品r₂的第二道工序→产品r₃的第五道工序”,变为：“r₃的第四道工序→产品r₁的第一道工序→产品r₃的第五道工序→产品r₂的第二道工序”。

则编码矩阵E相应地变为：

当进行第二种变异操作时，矩阵第二行随着第一行的改变而改变。

如实施例二中的矩阵:

变为：

第三部分、结果整合模块

输入：

a)遗传算法迭代完成后的最终种群编码方案，即编码矩阵E，示例如下：

b)所需生产产品及其生产工序表格，示例如表5：

表5

产品序号	工序种类以及顺序
		r<sub>1</sub>	A->B->D
r<sub>2</sub>	B->A->D
		r<sub>3</sub>	A->B->D->A->C

c)各条产线生产各个产品的各道工序所需时间；

d)候选排产计划数量Y个，预设为5。

输出：供排产人员选择的以表格、文字、甘特图三种形式呈现的Y种排产计划。

以下是结果整合模块的具体实施步骤：

S31、从遗传算法迭代后的最终种群中，依据适应度将个体进行排序，选择适应度排在前Y的子代，进入步骤S32。

S32、将被选中的子代解码(过程详见实施例二)，得到各产线上生产的工序序列及其完成时刻的矩阵F。矩阵F与排产计划一一对应，由此得到具体的排产计划，进入步骤S33。

S33、分别以表格、文字、甘特图的方式(具体生成方式附下)，将排产计划呈现在图形界面中，供排产人员选择。

以下为结果整合模块的具体实施步骤，承接基于遗传算法的方案生成模块的实施例一。其中，表格、文字、甘特图的具体生成及表现形式如下：

(1)表格：依侧重点不同，一个排产计划生成两张表格，一张从产线的角度考虑，以产线为行，单位任务为列，每一行顺序填上所加工的工序和产品，如下表6：

表6

另一张由上表进一步转化而来，从产品的角度出发，以产品种类为行，产线序号为列，每一行顺序填上对应的产线和所加工的工序，如下表7：

表7

(2)文字：文字由表格形式的输出转化而来，故这里分两种：

从产线的角度描述，格式如下：

产线x依次加工产品y1的工序z1，产品y2的工序z2，……

遍历表1的每一行，对每一行生成上述格式的一段话，例如第一行：产线1依次加工产品1的工序A，产品3的工序C，产品2的工序A，产品3的工序A.

从产品的角度描述，格式如下：

产品y的加工顺序为在产线x1上加工工序z1，在产线x2上加工工序z2，……，所有工序完成后产品y生产完成，遍历表2的每一行，对每一行生成上述格式的一段话，例如第一行：产品1的加工顺序为在产线1上加工工序A，在产线2上加工工序B，在产线3上加工工序D，所有工序完成后产品1生产完成

(3)甘特图：对于一种排产计划，为每条产线都可生成一个甘特图(如图3所示)。甘特图的行依顺序为安排的工序和产品，列为时间顺序，每一个甘特图可由表6其中一行生成。

本发明公开的上述基于遗传算法的车间排产系统是动态可调的，各个模块可以根据需要进行相应的调整，主要包括：

当厂家对订单优先级的评价标准改变时，订单处理模块，会利用新的训练集重新训练决策树模型，直到均方误差mse＜0.1。

当排产需求发生变更或者发生物料不足等突发状况时，本排产系统能调整排产计划编码方案的约束条件，遗传算法重新迭代生成新的排产计划。

当排产系统生成的排产计划较差时，能结合排产人员的意见，修改决策树参数(最大深度、叶最小样本数)和遗传算法参数(迭代次数、变异概率)，从而提高排产系统生成计划的参考价值。

进一步，实施例中还公开一种与上述系统相对应的基于遗传算法的车间排产方法，主要包括订单处理步骤，基于遗传算法的编、解码方案生成步骤，以及结果整合步骤。各步骤的具体内容可参见相应模块所执行的具体流程，此处不再赘述。

综上可见，本发明属于车间排产计划管理技术领域，涉及到遗传算法和计算机仿真在高级计划排程中的应用。本发明首先对排产方案进行编码，并通过遗传算法找到较优的排产方案，通过计算机仿真得到实际生产的效果并进一步对遗传算法的参数进行调整。在使用遗传算法参与决策的过程中，综合考虑生产效率、产线整体均衡、多目标优化以及可能的突发事件等因素，本发明有利于提高生产效率，实现产线均衡，有助于实现企业效益最大化。

Claims (10)

1.一种基于遗传算法的车间排产方法，其特征在于，包括：

步骤S1：基于已标注订单数据构建并训练决策树模型，将待生产订单数据输入训练好的决策树模型得到待生产订单的优先级；已标注订单数据包括所述订单的特征参数和预先通过优先级评价标准确定的所述订单的优先级；待生产订单数据包括所述订单的特征参数；

步骤S21：输入遗传算法运行的最大迭代次数，各待生产订单中包含的需要生产的产品序号和数量，生产各产品需要完成的工序，待生产订单的优先级，各产线中各工序所需时间，以及换线所需时间；随机生成满足预先设置的约束条件的初代种群编码方案；

步骤S22：对当前种群编码方案进行解码，得到包含各产线上生产的工序序列及其完成时刻的矩阵F；

步骤S23：基于解码后的矩阵F计算种群中各编码方案的适应度；所述适应度与待生产订单的订单优先级、待生产订单的完成时刻以及产线均衡程度相关；所述待生产订单的完成时刻是指矩阵F中该订单的最后一道工序的完成时刻；

步骤S24：采用最优保留法选择需要变异的编码方案，并对所述编码方案进行变异操作；所述最优保留法是指当前群体中适应度排在前列的M1个编码方案不参与变异，并与经变异操作后得到的编码方案共同作为下一代种群；

步骤S25：判断是否达到最大迭代次数，若是，进入S26，否则，回到S22；

步骤S26：输出迭代完成后的最终种群编码方案；

步骤S3：对最终种群编码方案进行解码，并得到包含各产线上生产的工序序列及其完成时刻的矩阵F；计算最终种群编码方案的适应度，并选择适应度排在前列的M2个编码方案；通过图形界面将M2个编码方案对应的矩阵F所对应的排产计划呈现给排产人员进行选择；

在上方法中，对于不同种产品的同种工序，同一条产线的生产时间相同；对于同种工序，不同产线的生产时间不完全一致；每条产线只能生产特定的某几道工序，且工序的加工时间已知；每种产品的加工工序顺序固定；当且仅当某一产线没有连续生产某一产品的相邻工序时需要换线；同一产品不同工序之间的换线时间以及同一条产线生产不同产品之间的换线时间视为等同。

2.如权利要求1所述的车间排产方法，其特征在于，所述步骤S1具体包括：

S11、将已标注订单数据中的特征参数进行预处理；所述特征参数包括产品序号、产品数量、产品利润、交付日期、客户合作次数、客户市值；

S12、将预处理后的已标注订单数据分为训练集和测试集；

S13、采用所述训练集训练决策树分类器，构建用于订单优先级确定的决策树模型；

S14、使用所述测试集判断所述决策树模型的训练效果，不断调整决策树的属性参数，直到优先级预测值与实际值的均方误差小于预设值；所述属性参数包含最大深度和叶最小样本数；

S15、将待生产订单数据输入训练好的决策树模型，得到待生产订单的优先级。

3.如权利要求2所述的车间排产方法，其特征在于，所述步骤S11中的预处理包括：删去所述特征参数中的产品序号；

将所述特征参数中的交付日期与当前日期作差得到订单剩余可处理天数，并用剩余可处理天数作为新的特征参数替换交付日期；

对所述特征参数中的产品数量、产品利润、剩余可处理天数、客户合作次数和客户市值进行归一化处理。

4.如权利要求1所述的车间排产方法，其特征在于，所述步骤S21中的约束条件包括：1)对于产线的约束：对于某一条固定的产线，其完成工序i_j这一单位任务的时刻减去该轮生产的完成时间应该晚于上轮生产结束的时刻加上可能存在的换线时间t_ex；且仅在该产线生产同一种产品的两道相邻工序时这两道工序之间不存在换线时间t_ex，其余情况下均需考虑换线时间t_ex；表示如下：

时刻对应的工序i_j属于产品r_p，时刻对应的工序i_j-1属于产品r_q；

其中：

2)对于产品的约束：对于某一固定的产品，其某道工序生产完成的时刻减去完成该道工序所花费的时间应晚于相应紧前工序生产完成的时刻；表示如下：

其中，时刻和分别对应的工序i_j和i_j-1属于产品r_p，i_j-1表示产品r_p的工序i_j的紧前工序，表示产品r_p的个数；

所述单位任务是指完成一种产品的一道工序为一个单位任务，其中，完成是指完成全数该种产品的该道工序；

所述一轮生产是指当一条产线完成一个单位任务时，则称该条产线完成了一轮生产；

所述紧前工序是指某种产品的某道工序的前一个工序为该产品该道工序的紧前工序。

5.如权利要求4所述的车间排产方法，其特征在于，

所述步骤S21中，编码方案如下：

首先将所有需要完成的单位任务排列:单位任务按对应产品的产品序号的升序排列，产品序号相同时，按该产品工序顺序的升序排列；

然后用一个两行的矩阵表示排产方案：第d列对应第d个单位任务，第一行的值为完成该单位任务的产线编号，第二行的值为该单位任务在该产线上的生产次序；

所述步骤S22中，解码方案如下：

结合所需生产产品及其生产工序表，将各产线执行的工序按顺序排列好；

在满足所述约束条件下，求解各的最小值，得到包含各产线工序序列及其完成时刻的矩阵F；所述矩阵F表示如下：

其中，表示第i条产线上第j道工序结束的时刻；矩阵的行数为产线数量，记为m；

矩阵的列数由执行工序最多的产线决定，列数为其执行的工序总数，记为L；若第i条产线在第g道工序结束后不再工作，则

第k个订单的完成时刻T_k为矩阵F中该订单的最后一道工序的完成时刻，其中，k＝1,2,...,num，num为订单总数。

6.如权利要求1所述的车间排产方法，其特征在于，所述步骤S23具体包括：

所述订单的优先级S_k由步骤S1得到；

所述订单的完成时刻T_k及各产线的总工作时间Q_i由解码后的矩阵F获得；

所述产线均衡程度表示各条产线的总工作时间尽可能相近；所述产线的均衡程度用方差表示，具体计算方法如下：

各条产线的总工作时间为Q₁,Q₂,...,Q_m，m为产线数量；对其进行归一化处理,将数据范围压缩到[0，1]之间，得到：

并将归一化的数据Q₁',Q₂',...,Q_m'视为总工作时间，则总工作时间的平均值EC为：

方差为:

由此，得到适应度函数如下：

排产计划的适应度数值越大，表明排产计划越优。

7.如权利要求1所述的车间排产方法，其特征在于，所述步骤S24中的变异操作包括：设置每种变异发生的概率，按照变异途径发生变异；所述变异途径包括以下两种：

1)随机地选取一条产线，在满足约束条件下，对其调整单位任务的排列次序；

2)随机选取两条产线i₁、i₂，将产线i₁上的单位任务j₁移动到产线i₂上的单位任务j₂处，其中，产线i₁上生产次序大于j₁的单位任务的生产次序依次前移一位，产线i₂上工序号大于j₂的单位任务的生产次序依次后移一位在满足约束的条件下j₁,j₂随机选取，且移动后仍能满足产线加工工序的基本要求。

8.如权利要求1所述的车间排产方法，其特征在于，所述步骤S3中的图形界面包括文字、表格和甘特图中的任意一种或多种，其中：

所述表格又包括两类：

1)从产线的角度考虑得到第一表格，以产线为行，单位任务为列，每一行顺序填上所加工的工序和产品；

2)从产品的角度出发得到第二表格，以产品种类为行，产线序号为列，每一行顺序填上对应的产线和所加工的工序；

所述文字又包括两类：

1)从产线的角度描述，格式如下：产线x依次加工产品y1的工序z1，产品y2的工序z2，……，遍历第一表格的每一行，对每一行生成上述格式的文字描述；

2)从产品的角度描述，格式如下：产品y的加工顺序为在产线x1上加工工序z1，在产线x2上加工工序z2，……，所有工序完成后产品y生产完成，遍历第二表格的每一行，对每一行生成上述格式的文字描述；

所述甘特图：对于一种排产计划，为每条产线生成一个甘特图，甘特图的行依顺序为安排的工序和产品，列为时间顺序。

9.如权利要求1所述的车间排产方法，其特征在于，还包括：

当厂家对确定订单优先级的评价标准发生改变时，在所述步骤S1中利用新的训练集重新训练决策树模型，直到均方误差小于预设值；

当排产需求发生变更或者发生物料不足发生时，调整排产计划编码方案的约束条件，重新迭代生成新的排产计划；

当排产系统生成的排产计划不满足需求时，根据排产人员的意见，修改决策树参数和遗传算法参数；所述决策树参数包括最大深度和叶最小样本数，所述遗传算法参数包括迭代次数和变异概率。

10.一种基于遗传算法的车间排产系统，其特征在于，包括：订单处理模块、方案生成模块和结果整合模块；

所述订单处理模块被构造为：基于已标注订单数据构建并训练决策树模型，将待生产订单数据输入训练好的决策树模型得到待生产订单的优先级；已标注订单数据包括所述订单的特征参数和预先通过优先级评价标准确定的所述订单的优先级；待生产订单数据包括所述订单的特征参数；

所述方案生成模块被构造为：通过输入的遗传算法运行的最大迭代次数、各待生产订单中包含的需要生产的产品序号和数量、生产各产品需要完成的工序、待生产订单的优先级、各产线中各工序所需时间以及换线所需时间随机生成满足预先设置的约束条件的初代种群编码方案；对当前种群编码方案进行解码，得到包含各产线上生产的工序序列及其完成时刻的矩阵F；基于解码后的矩阵F计算种群中各编码方案的适应度；所述适应度与待生产订单的订单优先级、待生产订单的完成时刻以及产线均衡程度相关；所述待生产订单的完成时刻是指矩阵F中该订单的最后一道工序的完成时刻；采用最优保留法选择需要变异的编码方案，并对所述编码方案进行变异操作；所述最优保留法是指当前群体中适应度排在前列的M1个编码方案不参与变异，并与经变异操作后得到的编码方案共同作为下一代种群；判断是否达到最大迭代次数，若是，则输出迭代完成后的最终种群编码方案，否则，继续迭代计算；所述结果整合模块被构造为：对最终种群编码方案进行解码，并得到包含各产线上生产的工序序列及其完成时刻的矩阵F；计算最终种群编码方案的适应度，并选择适应度排在前列的M2个编码方案；通过图形界面将M2个编码方案对应的矩阵F所对应的排产计划呈现给排产人员进行选择；

其中，对于不同种产品的同种工序，同一条产线的生产时间相同；对于同种工序，不同产线的生产时间不完全一致；每条产线只能生产特定的某几道工序，且工序的加工时间已知；每种产品的加工工序顺序固定；当且仅当某一产线没有连续生产某一产品的相邻工序时需要换线；同一产品不同工序之间的换线时间以及同一条产线生产不同产品之间的换线时间视为等同。