CN110989542B - 一种用于烟草打叶复烤生产的排产方法及系统 - Google Patents

Abstract

本发明涉及一种用于烟草打叶复烤生产的排产方法及系统，属于烟草打叶复烤生产技术领域。本发明提出了烟草打叶复烤生产过程的调度模型和优化排产的目标，同时利用基于探路者算法的排产方法可在短时间内获得批次生产排产问题的近似最优解；同时，调度模型可以根据具体情况设置缓冲区的大小，使得打叶复烤生产过程的调度模型更加清晰准确、贴合实际；本发明所提排产方法合理有效，可以有效地提高打叶复烤工厂的生产效率，实现其生产过程的智能化。

Description

一种用于烟草打叶复烤生产的排产方法及系统

技术领域

本发明属于烟草打叶复烤生产技术领域，具体涉及一种用于烟草打叶复烤生产的排产方法及系统。

背景技术

制造业是国民经济的基础工业部门，是决定国家发展水平的最基本因素之一。新一代人工智能作为引领未来科技创新发展的变革性技术，成为世界主要发达国家提升国家竞争力和维护国家安全的重大战略。目前，制造业大体沿着两个方向发展：一是传统制造技术的发展。二是借助计算机和自动化科学的制造技术与系统的发展。

烟草生产是我国税收的主要来源之一，对我国经济发展有着至关重要的影响。国家对烟草行业的重视，将其作为两化融合的积极探索者，对智能制造的研究和发展投入了大量资源，使得烟草行业在技术及软硬件配置方面明显领先于其他行业。复烤是卷烟加工的一个重要环节，是烟叶从农产品转变为工业原料的一个整理和准备。传统的复烤工艺是烟叶在复烤厂复烤，卷烟厂在制丝时去除烟梗。而打叶复烤是先对烟叶去梗，然后分别对叶片和烟梗进行复烤，卷烟厂以叶片和烟梗为原料，不再设置打叶去梗工序而直接掺配混合。目前，我国大多数复烤厂进行了打叶复烤改造，传统的复烤方式正在逐渐消失。

随着智能制造地进一步发展与推进，神经网络和模糊控制技术等先进的计算机智能方法应用于生产过程的调度排产等，实现制造过程智能化。生产过程的排产旨在尽可能满足生产约束的条件下，实现车间作业和加工工序的合理安排，达到某些性能指标的最优化。所以，对于烟草打叶复烤生产过程的排产能够有效缩短烟草的生产周期，促进复烤厂的精益生产，扩大烟草企业的经济效益。但是即使是在软硬件水平较高的烟草企业，目前仍处于凭借专职调度员的经验进行排产，然而随着打叶复烤生产自动化水平的进一步提高，经验往往存在一定的误导和偏差。因此如何克服现有技术的不足是目前烟草打叶复烤生产技术领域亟需解决的问题。

发明内容

本发明的目的是为了解决现有技术的不足，提供一种用于烟草打叶复烤生产的排产方法及系统。本发明将实际的打叶复烤生产过程建立为调度模型，并提出了一种基于探路者算法的调度方法，对打叶复烤的生产进行合理的排产，实现生产过程的智能化，可以在极短时间内解决烟草打叶复烤生产过程的排产。

为实现上述目的，本发明采用的技术方案如下：

一种用于烟草打叶复烤生产的排产方法，包括如下步骤：

步骤(1)，根据工艺和工厂情况令原烟进行打叶复烤需要经过m个工序；所有的原烟打叶复烤生产需分为n个生产批次，之后将打叶复烤的实际生产过程建立为有限缓冲区流水车间的调度模型，同时将排产的目标确定为最小化最大完工时间，即Min f＝C_max(π)；

所述的有限缓冲区流水车间的调度模型如下：

D_π(1),1＝P_π(1),1

D_π(1),j＝D_π(1),j-1+P_π(1),j,j＝2,3,…,m

D_π(i),1＝D_π(i-1),1+P_π(i),1,i＝2,3,…,B₁+1

D_π(i),j＝max{D_π(i-1),j,D_π(i),j-1}+P_π(i),j,i＝2,3,…,B_j+1,j＝2,3,…,m-1

D_π(i),m＝max{D_π(i-1),m,D_π(i),m-1}+P_π(i),m,i＝2,3,…,n

所述的排产的目标函数为：

C_max(π)＝D_π(n)，m；

其中，π＝{π₁,π₂,...,π_n}为打叶复烤生产过程排产的一个排列顺序，π_i为排列顺序π中第i批进入生产线的原烟，D_π(i),j表示生产批次π_i离开工序j所在机器的时刻，且P_π(i),j对应完成该工艺所需要的时间；B_j是工艺j与工艺j+1间缓冲区的大小；

步骤(2)，采用探路者算法对排产的目标函数进行求解，以得到的近似最优解进行排产。

进一步，优选的是，所述的m个工序包括回潮、切尖解把、振筛、润叶、打叶、烤片、定量和打包。

进一步，优选的是，所述的探路者算法包括如下步骤：

Step1、设置相应参数：

设置烟草的批次数n、工序数m，算法的种群规模P_size和最大迭代次数gen_max；

Step2、编码方式及种群位置初始化：

探路者算法中的个体分为探路者和跟随者，每个个体的初始位置均为n维的实数向量X_j；由于打叶复烤生产批次的排产是排列模型，所以需要通过LOV(Largest-order-value)规则将位置向量转化对应的排列模型；其具体方法是：随机生成P_size个范围为[B_min,B_max]的n维的位置向量X_j＝[X₁,X₂,…,X_n]；然后将X₁，X₂，…，X_n按照降序的方式排序，得到中间序列

表示对应实数X_j在降序排列X₁，X₂，…，X_n中的序号；最后根据

得到排列顺序π_j＝[π₁,π₂,…,π_n]；

Step3、挑选探路者：

将目标值C_max(π)最小的个体挑选为探路者X^P，其他的则为跟随者X^F；

Step4、种群更新：

先对探路者的位置进行更新，探路者在位置更新后，对新位置的局部进行探索：从X^P(gen)所对应的排列顺序中的最后一个批次依次向前交换两个批次的位置，得到n-1个排列并评价其所对应为目标值，选择最优值并将其排列通过RLOV规则转换为对应的位置，替换为探路者X^P(gen)的新位置；之后对跟随者的位置进行更新；跟随者进行位置更新后，若新位置的目标值优于原位置的目标值则移动，否则停留在原位置；

Step5、重新选择探路者：

重新计算所有种群个体的目标值，挑选目标值最小所对应的个体为新的探路者；

Step6、判断是否继续迭代：

判断是否达到设定的终止条件最大迭代次数gen_max，如果满足，则进入Step7；否则跳转至Step4，直到满足终止条件；

Step7、输出最优排列：

将最后一代探路者

对应的排列顺序作为排产的目标函数的近似最优解输出。

进一步，优选的是，步骤(4)的具体方法为：

Step4.1、探路者的位置更新：

探路者的位置先更新：

式中，

为当代探路者的位置，

为上一代探路者的位置；D为步长因子；r为[0,1]内的随机数；u在区间[-2,2]服从均匀分布；gen为当前迭代的次数；

Step4.2、探路者的局部探索：

探路者在位置更新后，对新位置的局部进行探索：从X^P(gen)所对应的排列顺序中的最后一个批次依次向前交换两个批次的位置，得到n-1个排列并评价其所对应为目标值，选择最优值并将其排列通过RLOV规则转换为对应的位置，替换为探路者X^P(gen)的新位置；

Step4.3、跟随者的位置更新：

跟随者位置更新的方式为：

式中，

均为当种群中的跟随者；跟随者

是种群中随机选中的个体，用来表示跟随者之间的影响，其影响因子为r₁，为区间(0,1)内的随机数；R代表其对位置更新的跟随者

的影响因子，其大小受跟随者

与探路者X^P间目标值的差值有关，d为范围定值，即差值大于定值d时影响因子较小，小于等于d时影响因子较大；

跟随者进行位置更新后，若新位置的目标值优于原位置的目标值则移动，否则停留在原位置。

进一步，优选的是，种群规模P_size为100，向量的范围[B_min,B_max]＝[1,10]，步长因子D＝2，范围定值d＝200，最大迭代次数gen_max＝300。

本发明同时提供一种用于烟草打叶复烤生产的排产系统，包括：

模型构建模块，用于将打叶复烤的实际生产过程建立为所述的有限缓冲区流水车间的调度模型，同时将排产的目标确定为最小化最大完工时间；

第一处理模块，用于采用探路者算法对排产的目标函数进行求解；

排产控制模块，用于根据第一处理模块的求解结果控制排产。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如上述烟草打叶复烤生产的排产方法的步骤。

本发明另外提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述烟草打叶复烤生产的排产方法的步骤。

本发明与现有技术相比，其有益效果为：

本发明提出了烟草打叶复烤生产过程的调度模型和优化排产的目标，同时利用基于探路者算法的排产方法可在短时间内获得批次生产排产问题的近似最优解；同时，调度模型可以根据具体情况设置缓冲区的大小，使得打叶复烤生产过程的调度模型更加清晰准确、贴合实际；本发明所提排产方法合理有效，可以有效地提高打叶复烤工厂的生产效率，实现其生产过程的智能化。

现有的排产技术主要是打野复烤厂的调度员，依据其工作经验进行排产，如按照最小时间法，即按照每个批次的总加工时间从小到大进行生产，或在此基础上适当的调整，且排产的时间至少需要5分钟左右，而通过本发明系统及方法不仅能避免人工排产产生的偏差，还能大大减少排产时间，易于推广应用。

附图说明

图1为本发明优化排产的流程图；

图2为位置向量由LOV规则转化为排列顺序示意图；

图3为排列顺序由RLOV规则转化为位置向量示意图；

图4为本发明的局部探索示意图；

图5是本发明用于烟草打叶复烤生产的排产系统的结构示意图；

图6为本发明电子设备结构示意图。

具体实施方式

下面结合实施例对本发明作进一步的详细描述。

本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。

实施例1

如图1-4所示，首先，根据原烟进行打叶复烤需要经过的工艺流程将其归m个工序，其主要工序包括回潮、切尖解把、振筛、润叶、打叶、烤片、定量、打包等工序；原烟由于品种的不同会形成生产批次，即可以将所有的原烟打叶复烤生产归为n个生产批次，批次中原烟重量的不同使各批次完成各工艺流程所需要的时间也不同；此外，由于打叶复烤厂均为整套的自动化生产线，各工序间的缓冲区是有限的；据此，打叶复烤的实际生产过程可以建立为有限缓冲区流水车间的调度模型，同时将排产的目标确定为最小化最大完工时间：

D_π(1),1＝P_π(1),1

D_π(1),j＝D_π(1),j-1+P_π(1),j,j＝2,3,…,m

D_π(i),1＝D_π(i-1),1+P_π(i),1,i＝2,3,…,B₁+1

D_π(i),j＝max{D_π(i-1),j,D_π(i),j-1}+P_π(i),j,i＝2,3,…,B_j+1,j＝2,3,…,m-1

D_π(i),m＝max{D_π(i-1),m,D_π(i),m-1}+P_π(i),m,i＝2,3,…,n

C_max(π)＝D_π(n)，m

式中，需要进行加工的原烟批次有n批，经过的加工工艺流程数为m，π＝{π₁,π₂,...,π_n}为打叶复烤生产过程排产的一个排列顺序，π_i为排列顺序π中第i批进入生产线的原烟，D_π(i),j表示生产批次π_i离开工艺流程操作j所在机器的时刻，且P_π(i),j对应完成该工艺所需要的时间；此外，B_j是工艺j与工艺j+1间缓冲区的大小，缓冲区的大小与打叶复烤车间的设计与建设有关，因此B_j的大小有所不同；如B₁＝1，表示工序1与工序2之间的缓冲区可以存放1批烟草。同时，复烤厂生产的过程中存在着以下约束：任一批次任一加工工艺一旦开始后不允许中断也不允许抢占加工；每个工艺对应机器在同一时刻只能生产一个批次的烟草；同一批次的烟草同一时刻只能被执行一种工艺；某一批次在完成当前工艺需要进入下一工艺时，若下一工艺对应机器处于忙碌状态，则该批次烟草进入缓冲区，若缓冲已满，则会被阻塞在该工艺上。本次排产的目标为在所有批次排列顺序的集合中找到一个π，使得最大完工时间C_max(π)最小。

本发明所提出基于探路者算法的调度排产方法具体为：

Step1、设置相应参数：

打野复烤厂由于空间架构和部分工艺的不同，工艺间缓冲区的大小有所不同，本发明所提优化方法需要在此设置缓冲区的大小；此外，探路者算法在求解过程中存在种群的迭代，因此还需设置种群的规模P_size和迭代的最大次数gen_max。

Step2、编码方式及种群位置初始化：

探路者算法中的个体分为探路者和跟随者，每个个体的初始位置均为n维的实数向量X_j；由于打叶复烤生产批次的排产是排列模型，所以需要通过LOV(Largest-order-value)规则将位置向量转化对应的排列模型；其具体操作是：随机生成P_size个范围为[B_min,B_max]的n维的位置向量X_j＝[X₁,X₂,…,X_n]；然后将X₁，X₂，…，X_n按照降序的方式排序，得到中间序列

表示对应实数X_j在降序排列X₁，X₂，…，X_n中的序号；最后根据

得到排列顺序π_j＝[π₁,π₂,…,π_n]；

举例说明：批次数为6的排产时，实数向量X＝[3.64,5.41,6.88,4.55,1.32,7.58]，其中间序列

则最终的排列顺序为π＝[6,3,2,4,1,5]，表示批次6最最先进入生产线，其次是批次3，以此类推。

Step3、挑选探路者：

种群在更替的过程中存在位置的优劣性，因此可以对种群中的每个个体根据其目标值C_max(π)进行评价，并将目标值最小的个体挑选为探路者X^P，其他的则为跟随者X^F。

Step4、种群更新：

Step4.1、探路者的位置更新：

由于种群中的个体存在跟随者和探路者，因此在种群更新的过程中，其方式也有不同。探路者为种群探索方向的引导者，因此种群中的探路者的位置先更新：

式中，

为当代探路者的位置，

为上一代探路者的位置；D为步长因子，其大小为定值；r为[0,1]内的随机数；u在区间[-2,2]服从均匀分布，控制着随机运动的大小和方向；gen为当前迭代的次数，gen_max为运行代数的最大值。

Step4.2、探路者的局部探索：

探路者在位置更新后，会对新位置的局部进行探索：从X^P(gen)所对应的排列顺序中的最后一个批次依次向前交换两个批次的位置，得到n-1个排列并评价其所对应为目标值，选择最优值并将其排列通过RLOV(Reverse largest-order-value)规则转换为对应的位置，替换为探路者X^P(gen)的新位置。

如图4所示，探路者对应的排列为π＝[6,3,2,4，1,5]，依次将批次5与其他批次交换位置，得到π₁～π₅，并从中选择目标值最小的排列赋值为探路者的排列，并用RLOV规则转为相应的位置向量。

Step4.3、跟随者的位置更新：

跟随者位置更新的方式为：

式中，

均为当种群中的跟随者；在种群中随机选择某个跟随者

且R代表其对位置更新的跟随者

的影响因子，与两者之间的目标值差有关，即在范围大于定值d时影响因子较小，小于等于d时影响因子较大；其他的参数与探路者的参数相同，随机运动A的大小与迭代的次数有关。

跟随者进行位置更新后，其新位置有可能劣于原位置。因此在更新后，若新位置的目标优于原位置则移动，即

否则停留在原位置。

Step5、重新选择探路者：

种群中所有的个体位置更新完成后，其位置对应的目标比将发生变化。因此，重新评价所有种群个体的目标，挑选最优目标值所对应的个体为新的探路者。

Step6、判断是否继续迭代：

判断是否达到设定的终止条件最大迭代次数gen_max，如果满足，则进入Step7；否则跳转至Step4，直到满足终止条件。

Step7、输出最优排列：

将最后一代探路者

对应的排列顺序作为问题的近似最优解输出给用户。

如图5所示，一种用于烟草打叶复烤生产的排产系统，包括：

模型构建模块101，用于将打叶复烤的实际生产过程建立为所述的有限缓冲区流水车间的调度模型，同时将排产的目标确定为最小化最大完工时间；

第一处理模块102，用于采用探路者算法对排产的目标函数进行求解；

排产控制模块103，用于根据第一处理模块的求解结果控制排产。

在本发明实施例中，模型构建模块101将打叶复烤的实际生产过程建立为所述的有限缓冲区流水车间的调度模型，同时将排产的目标确定为最小化最大完工时间；之后，第一处理模块102采用探路者算法对排产的目标函数进行求解；最后，排产控制模块103根据第一处理模块的求解结果控制排产。

本发明实施例提供的一种用于烟草打叶复烤生产的排产系统，该系统能对烟草打叶复烤生产进行快速排产，易于推广应用。

本发明实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。

图6为本发明实施例提供的电子设备结构示意图，参照图6，该电子设备可以包括：处理器(processor)201、通信接口(Communications Interface)202、存储器(memory)203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令，以执行如下方法：将打叶复烤的实际生产过程建立为所述的有限缓冲区流水车间的调度模型，同时将排产的目标确定为最小化最大完工时间；采用探路者算法对排产的目标函数进行求解；根据求解结果控制排产。

另外，上述的存储器203中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的用于烟草打叶复烤生产的排产方法，例如包括将打叶复烤的实际生产过程建立为所述的有限缓冲区流水车间的调度模型，同时将排产的目标确定为最小化最大完工时间；采用探路者算法对排产的目标函数进行求解；根据求解结果控制排产。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

应用实例

具体设置：固定工艺数m＝10，对应的工艺流程分别是拆包、回潮、切尖解把、振筛、润叶、打叶、滚筛、烤片、定量、打包；所述种群规模P_size为100，向量的范围[B_min,B_max]＝[1,10]，步长因子D＝2，范围定值d＝200，最大迭代次数gen_max＝300。结果如表1。

表1给出了各工艺间缓冲区大小为1时，基于探路者算法的优化排产方法在求解不同规模(批次数数不同)烟草打叶复烤生产过程排产的运行结果，通过求解时间可以看出，本发明所提方法可在短时间在得到近似最优解。

表2(单位：min)

表2为表1中10个批次在对应10个工序中的加工时间，通常10个批次的排列可能有10！种可能，调度员通常按照批次的总加工时间最小形成生产排列，则表2的排列为[6,4,8,10,3,5,7,9,1,2]，该排列的最大完工时间为868min，而算法求解的排列为[1,10,8,7,3,2,9,6,4,5]，其最大完工时间为792min，明显小于人工调度的排列。因此，本发明所述的优化排产方法能够有效提高生产效率。此外，算法求解的时间不到1秒，而调度员求解时间是算法求解的上百甚至上千倍。

以上显示和描述了本发明的本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种用于烟草打叶复烤生产的排产方法，其特征在于，包括如下步骤：

步骤(1)，令原烟进行打叶复烤需要经过m个工序；所有的原烟打叶复烤生产需分为n个生产批次，之后将打叶复烤的实际生产过程建立为有限缓冲区流水车间的调度模型，同时将排产的目标确定为最小化最大完工时间，即Min f＝C_max(π)；

所述的有限缓冲区流水车间的调度模型如下：

D_π(1),1＝P_π(1),1

D_π(1),j＝D_π(1),j-1+P_π(1),j,j＝2,3,L,m

D_π(i),1＝D_π(i-1),1+P_π(i),1,i＝2,3,L,B₁+1

D_π(i),j＝max{D_π(i-1),j,D_π(i),j-1}+P_π(i),j,i＝2,3,L,B_j+1,j＝2,3,L,m-1

D_π(i),m＝max{D_π(i-1),m,D_π(i),m-1}+P_π(i),m,i＝2,3,L,n

所述的排产的目标函数为：

C_max(π)＝D_π(n)，m；

其中，π＝{π₁,π₂,...,π_n}为打叶复烤生产过程排产的一个排列顺序，π_i为排列顺序π中第i批进入生产线的原烟，D_π(i),j表示生产批次π_i离开工序j所在机器的时刻，且P_π(i),j对应完成该工艺所需要的时间；B_j是工艺j与工艺j+1间缓冲区的大小；

所述的m个工序包括回潮、切尖解把、振筛、润叶、打叶、烤片、定量和打包；

步骤(2)，采用探路者算法对排产的目标函数进行求解，以得到的近似最优解进行排产；

所述的探路者算法包括如下步骤：

Step1、设置相应参数：

设置烟草的批次数n、工序数m，算法的种群规模P_size和最大迭代次数gen_max；

Step2、编码方式及种群位置初始化：

探路者算法中的个体分为探路者和跟随者，每个个体的初始位置均为n维的实数向量X_j；由于打叶复烤生产批次的排产是排列模型，所以需要通过LOV(Largest-order-value)规则将位置向量转化对应的排列模型；其具体方法是：随机生成P_size个范围为[B_min,B_max]的n维的位置向量X_j＝[X₁,X₂,L,X_n]；然后将X₁，X₂，…，X_n按照降序的方式排序，得到中间序列

表示对应实数X_j在降序排列X₁,X₂,...,X_n中的序号；最后根据

得到排列顺序π_j＝[π₁,π₂,L,π_n]；

Step3、挑选探路者：

将目标值C_max(π)最小的个体挑选为探路者X^P，其他的则为跟随者X^F；

Step4、种群更新：

先对探路者的位置进行更新，探路者在位置更新后，对新位置的局部进行探索：从X^P(gen)所对应的排列顺序中的最后一个批次依次向前交换两个批次的位置，得到n-1个排列并评价其所对应为目标值，选择最优值并将其排列通过RLOV规则转换为对应的位置，替换为探路者X^P(gen)的新位置；之后对跟随者的位置进行更新；跟随者进行位置更新后，若新位置的目标值优于原位置的目标值则移动，否则停留在原位置；

具体方法为：

Step4.1、探路者的位置更新：

探路者的位置先更新：

式中，

为当代探路者的位置，

为上一代探路者的位置；D为步长因子；r为[0,1]内的随机数；u在区间[-2,2]服从均匀分布；gen为当前迭代的次数；

Step4.2、探路者的局部探索：

探路者在位置更新后，对新位置的局部进行探索：从X^P(gen)所对应的排列顺序中的最后一个批次依次向前交换两个批次的位置，得到n-1个排列并评价其所对应为目标值，选择最优值并将其排列通过RLOV规则转换为对应的位置，替换为探路者X^P(gen)的新位置；

Step4.3、跟随者的位置更新：

跟随者位置更新的方式为：

式中，

均为当种群中的跟随者；跟随者

是种群中随机选中的个体，用来表示跟随者之间的影响，其影响因子为r₁，为区间(0,1)内的随机数；R代表其对位置更新的跟随者

的影响因子，其大小受跟随者

与探路者X^P间目标值的差值有关，d为范围定值，即差值大于定值d时影响因子较小，小于等于d时影响因子较大；

跟随者进行位置更新后，若新位置的目标值优于原位置的目标值则移动，否则停留在原位置；

Step5、重新选择探路者：

重新计算所有种群个体的目标值，挑选目标值最小所对应的个体为新的探路者；

Step6、判断是否继续迭代：

判断是否达到设定的终止条件最大迭代次数gen_max，如果满足，则进入Step7；否则跳转至Step4，直到满足终止条件；

Step7、输出最优排列：

将最后一代探路者

对应的排列顺序作为排产的目标函数的近似最优解输出。

2.根据权利要求1所述的用于烟草打叶复烤生产的排产方法，其特征在于：种群规模P_size为100，向量的范围[B_min,B_max]＝[1,10]，步长因子D＝2，范围定值d＝200，最大迭代次数gen_max＝300。

3.一种实现如权利要求1所述的用于烟草打叶复烤生产的排产方法的系统，其特征在于，包括：

模型构建模块，用于将打叶复烤的实际生产过程建立为权利要求1所述的有限缓冲区流水车间的调度模型，同时将排产的目标确定为最小化最大完工时间；

第一处理模块，用于采用探路者算法对排产的目标函数进行求解；

排产控制模块，用于根据第一处理模块的求解结果控制排产。

4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至2任一项所述烟草打叶复烤生产的排产方法的步骤。

5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一项所述烟草打叶复烤生产的排产方法的步骤。

Images