CN112435095A - 一种纸箱生产车间订单生产管理装置 - Google Patents

Abstract

本发明公开了一种纸箱生产车间订单生产管理装置，由设置模块、获取模块、存储模块、建模模块、计算模块和输出模块组成。通过设置模块对基础参数文件进行设置，并存入存储模块；通过获取模块接收订单信息，并存入存储模块；接收生成指令后，通过建模模块读取订单数据和基础参数文件，根据相应算法形成数学模型；在计算模块中，调用优化算法，获取排产结果，并通过输出模块转发到各个生产机器和生产管理平台。通过本申请，解决了纸箱生产车间订单管理效率低、考虑不全面的问题，实现了订单管理处理的准确与高效。

Description

一种纸箱生产车间订单生产管理装置

技术领域

本发明涉及一种纸箱生产车间订单管理装置，属于纸箱生产管理领域。

背景技术

纸箱生产过程中，存在着纸箱品种多、批量小、涉及工序多和自动化程度低，工序与工序之间衔接不够紧密等特点，订单在由工序之间的传递过程中，需要管理者对订单进行重新分配，这大大降低了生产效率。并且在这个过程中，管理者很难从整体生产过程中考虑全局最优，生产效益相对较低，这导致生产订单排产存在较大的优化空间。

随着网络购物的不断扩大，对于纸箱的需求越来越大，订单越来越多，特别是更加趋于小批量、多种类。这对于生产的管理提出了新的要求，不仅要对生产设备进行更新，加快生产速度，而且对于订单生产的合理规划也提出了更高的要求。

发明内容

为了克服目前纸箱生产车间订单生产管理的不足，本发明提供了一种纸箱生产车间订单生产管理装置，在满足生产机器生产能力和订单生产要求的约束条件下，达到批量订单生产时间总体最小的最优生产目标，从而提高总体的生产效率，降低生产成本，本发明提供了一种纸箱生产车间订单生产管理装置。

本发明解决其技术问题所采用的技术方案是：一种纸箱生产车间订单生产管理装置，所述装置在接到订单信息后，根据各工序设备具体情况的预先设定以及订单的工艺要求、数量和交期等数据进行建模，并计算出最小化最大生产时间的最优订单排序，并将结果发送各个生产机器，进行生产；它主要由设置模块、获取模块、存储模块、建模模块、计算模块和输出模块等组成。其中，

设置模块：设置基础参数，包括增减生产机器和生产机器参数设置。当车间增加或减少生产机器时，增加或删除生产机器的类型、所属工序、编号、纸箱型号相应车速等信息。

获取模块：接收订单信息、相应订单原材料库存信息和车间内各生产机器的生产情况实时信息。

建模模块：根据获取模块获取的信息和设置模块设置的信息构建订单排产模型。

计算模块：应用混合粒子群算法对订单排产模型进行求解。

存储模块：存储设置模块设置的信息、获取模块获取的信息以及计算模块求解的信息。

输出模块：将计算模块求解的信息通过提取，形成管理信息和生产机器信息，分别发送到管理部门和相应生产机器。

进一步地，建模模块中，所述根据获取模块获取的信息和设置模块设置的信息构建订单排产的模型通过以下步骤实现：

(2.1)根据订单信息，确定原料充足的可排产订单，以实际生产需要确定需要排产的订单，进行重新编号{J₁,J₂,…,J_n}，J为订单标识，n为当次排产订单数量；

(2.2)根据订单中工艺流程提取订单的工序，以及工序涉及的生产机器。并根据订单中产品尺寸的大小和订单数量，提取相应生产机器的车速和准备时间，计算相应订单在相应生产机器生产所需时间t_i,j,k，t_i,j,k为第i个订单在第j道工序第k个机器上加工所用的时间；

(2.3)根据工艺流程提取订单生产机器的信息，形成机器分配向量{M_1,1,M_1,2,...,M_i,j}表示第i个订单的第j道工序的生产机器编号。生成所有排产订单的工序向量{O_1,1,O_1,2,...,O_i,j}表示第i个订单的第j道工序；

(2.4)根据设置模块设置的基础参数和步骤(2.1)、(2.2)计算信息，生成模型的约束条件和目标函数提取出模型需要的数据。得到所需模型，数学模型的描述如下：

s.t. S_i,1≥0， i＝1,2,...,n

C_i,j≤S_i,j+1, i＝1,2,...,n；j＝1,2,...,n_i-1

其中符号说明如下：

i代表订单数量；

j代表工序数；

k代表生产机器数；

r代表一台生产机器上的相应工序数；

S_i,j代表工序O_i,j加工开始时间；

C_i,j代表工序O_i,j加工结束时间；

x_i,j,k代表订单J_i在O_i,j工序的M_k机器上加工；

y_i,j,k,r代表订单J_i在O_i,j工序的M_k机器上的第r工序加工；

代表机器M_k上第r个工序开始时间；

q_k代表机器M_k上加工的工序数；

L是正的常数。

第一个约束式子为对任意订单J_i，加工准备时间从零时刻开始，起开始时间大于等于零，部分纸箱生产设备生产前需要调试，调试好后立刻可以开始加工。第二个约束式子表明生产工序开始时间和结束时间之间的关系。第三个约束式子表明只有相应工序O_i,j完工后，下一道工序O_i,j+1才会开始加工。第四个约束式子和第五个约束式子表明对任意一个工序O_i,j，它只能被一台机器加工，这需要纸箱订单数量设置不可过大。第六个约束式子表明只有一台机器M_k上的第r道工序加工完成后，其上的第r+1道工序才会开始加工。第七个约束式子和第八个约束式子表明S_i,j和

之间的关系，当且仅当O_i,j是机器M_k上第r个加工的工序时，

进一步地，计算模块中，所述应用混合粒子群算法对订单排产模型进行求解通过以下步骤来实现：

(3.1)初始化算法参数，由工序序列向量和机器分配向量共同表示一个粒子i，初始化工序序列向量和机器分配向量。粒子群规模大小为N₁，PSO算法所要求的最大的迭代参数为T₁，惯性的权重w，相应的加速度常数c₁和c₂，判断停滞的参数E，禁忌搜索算法迭代的最大次数是T₂，候选集大小N₂，禁忌长度L；

(3.2)令PSO算法的迭代计数t₁等于零0，停滞e等于0，根据设置参数和工艺流程随机初始化N₁个粒子的机器分配向量，根据步骤(3.5)得到工序序列向量；

(3.3)算得每个粒子i的适应度fit_i,i＝1,2,…,N，适应度为粒子对应的排产方案即工序序列向量和机器分配向量对应的完工时间

适应度fit＝C，sj_i为第i个订单的完工时间；

(3.4)初始化pbest和gbest：对每个粒子i，令pbest_i＝fit_i,i＝1,2,…,N。令

pbest为粒子群最优解，gbest为全局最优解；

(3.5)令t＝t+1，根据

式对粒子进行移动；其中c₁，c₂代表加速因子，r₁，r₂是0-1之间的随机数，t为当期迭代数，操作

表示

以概率a和向量b进行交叉，p_i ⁰和p_g ⁰为两个随机初始的符合工序生产的机器分配向量。即通过设置与机器分配向量一样长度的决策向量，向量元素取值为0或1，以一定概率对原有机器分配向量进行交叉操作，然后按照工序靠前优先和操作时长较长优先的原则，对相应生产机器的订单生产顺序进行排列，进而得到工序序列向量；

(3.6)评价粒子i的适应度fit_i,i＝1,2,…,N；

(3.7)更新pbest：对每个粒子i，对fit_i和pbest_i进行比较，如果fit_i＞pbest_i，就让pbest_i＝fit_i，否则保持pbest_i不变；

(3.8)更新gbest：如果

就让

令e＝0，否则令e＝e+1；

(3.9).如果e≥E，就进行禁忌搜索算法，用gbest对应的粒子作为禁忌搜索算法的初始解，用搜索结果替换该粒子，更新该粒子对应的pbest，并对gbest进行更新，让e＝0，从剩下的N₁-1个粒子中随机抽取70％的粒子，然后随机初始化。否则转至步骤(3.10)；

(3.10)如果t＜T₁，就回到步骤(3.5)，否则结束。

进一步地，所述步骤(3.3)包括一下子步骤：

(3.3.1)初始化：设每个订单可操作的时间为

设每个生产机器可使用的时间为

令index＝0；

(3.3.2)确定当前处理工序：令index＝index+1，取工序序列向量中第index个元素O_i,j为当前处理的工序，根据生产机器的分配向量确定当前的生产机器M_k；

(3.3.3)确定工序O_i,j的开始时间和完成时间：工序O_i,j只能在同一订单的前一道工序和同一订单的前一生产机器均完成后执行。故操作的O_i,j开始时间和结束时间分别为S_i,j＝max(sj_i,sm_k)，C_i,j＝S_i,j+t_i,j,k；

(3.3.4)更新sj_i和sm_k：确定O_i,j的开始和结束时间，更新订单J_i的可操作时间和机器M_k的可使用时间，令sj_i＝C_i,j，sm_k＝C_i,j；

(3.3.5)若

则跳至(3.3.2)步，否则计算相应排产方案订单完工时间

令适应度值fit＝C。

进一步地，所述步骤(3.5)包括以下子步骤：

(3.5.1)按照工序J较小优先，生产耗时较长优先的原则，生产机器的生产顺序进行排列；

(3.5.2)初始化两个向量pv和mv分别对订单所在工序和生产机器生产序列进行标识，长度与工序序列向量相等，初始状态下，向量pv表示O_i,1(i＝1,2,...,n)所在的位置为1，其余为0。mv为各生产机器上第一个执行的订单的位置为1，其余为0；

(3.5.3)随机选取一个pv和mv都是1的工序O_i,j，有机器分配向量确定执行它的生产机器M_k；

(3.5.4)更新工序O_i,j的开始时间、结束时间、和机器M_k的时间集，订单的可执行时间和订单的可执行时间；更新pv向量，令工序O_i,j+1对应元素为1，M_k生产机器上工序O_i,j下一道工序元素的位置设为1：

(3.5.5)重复(3.5.3)-(3.5.4)，直到所有操作被计算出来：最后根据开始时间确定工序序列向量。

本发明的有益效果是，本发明通过设置模块对基础参数文件进行设置，并存入存储模块；通过获取模块接收订单信息，并存入存储模块；接收生成指令后，通过建模模块读取订单数据和基础参数文件，根据相应算法形成数学模型；在计算模块中，调用优化算法，获取排产结果，并通过输出模块转发到各个生产机器和生产管理平台。通过本申请，解决了纸箱生产车间订单管理效率低、考虑不全面的问题，实现了订单管理处理的准确与高效。

附图说明

图1是本发明装置结构图；

图2是本发明计算模块的算法流程图。

具体实施方式

下面根据附图1具体说明本发明装置为一种纸箱生产车间订单生产管理装置。

下面结合实例对本发明作进一步详细说明，但本发明的实施方式不限于此实施例。

以下结合具体实施例对本发明的实现进行详细的描述。

纸箱生产车间为柔性流水车间，纸箱生产过程依次包括瓦楞纸箱生产线、装裱、模切、钉箱、粘箱和打包，其中钉箱和粘箱为同一工序。同一机器同一时间只能加工一道工序，各订单之间加工先后顺序不固定。每一个订单根据其相应工艺要求不同确定生产工序。

如图1所示了本发明提供的一种纸箱生产车间订单生产管理装置，具体模块组成如下：

设置模块1，设置基础参数，包括增减生产机器和生产机器参数设置。当车间增加或减少生产机器时，增加或删除生产机器的类型、所属工序、编号、纸箱型号相应车速等信息；

获取模块2，接收订单信息、相应订单原材料库存信息和车间内各生产机器的生产情况实时信息；

订单信息如下所列：

订单编号	工艺流程	面积	数量

建模模块3，根据订单信息和设置模块设置的数据，构建订单排产的模型；

计算模块4，应用混合粒子群算法对订单排产模型进行求解；

存储模块5，将设置模块、获取模块以及计算模块所得结果存入存储模块，以备使用和查询；

输出模块6，将计算结果通过提取，形成总体信息和生产机器信息，分别发送到管理部门和相应生产机器。

进一步对于设置模块1，其设置内容具体如下：

机器集：{M₁，M₂,…,M_m},与所属工序对应，以及相应机器在相应纸箱尺寸的车速。

根据经验对各个机器设置相应初始时间。例如：

工序集：{O_i,1，O_i,2,…,O_i,n},表示第i个订单的工序，同一工艺的订单，工序已经确定。

例如：

其中所述的建模模块3，包括生产机器确定处理、生产机器信息提取处理、约束条件确定、目标函数确定。其实现步骤包括：

(2.1)根据订单信息，确定原料充足的可排产订单，以实际生产需要确定需要排产的订单，进行重新编号{J₁,J₂,…,J_n}，J为订单标识，n为当次排产订单数量；

(2.2)根据订单中工艺流程提取订单的工序，以及工序涉及的生产机器。并根据订单中产品尺寸的大小和订单数量，提取相应生产机器的车速和准备时间，计算相应订单在相应生产机器生产所需时间t_i,j,k，t_i,j,k为第i个订单在第j道工序第k个机器上加工所用的时间；

(2.3)根据工艺流程提取订单生产机器的信息，形成机器分配向量{M_1,1,M_1,2,...,M_i,j}表示第i个订单的第j道工序的生产机器编号。生成所有排产订单的工序向量{O_1,1,O_1,2,...,O_i,j}表示第i个订单的第j道工序；

(2.4)根据预设参数和(2.1)、(2.2)计算信息，生成模型的约束条件和目标函数提取出模型需要的数据。得到所需模型，数学模型的描述如下：

s.t. S_i,1≥0， i＝1,2,...,n

C_i,j≤S_i,j+1, i＝1,2,...,n；j＝1,2,...,n_i-1

其中符号说明如下：

i代表订单数量；

j代表工序数；

k代表生产机器数；

r代表一台生产机器上的相应工序数；

S_i,j代表工序O_i,j加工开始时间；

C_i,j代表工序O_i,j加工结束时间；

x_i,j,k代表订单J_i在O_i,j工序的M_k机器上加工；

y_i,j,k,r代表订单J_i在O_i,j工序的M_k机器上的第r工序加工；

表示机器M_k上第r个工序开始时间；

q_k表示机器M_k上加工的工序数；

L是正的常数。

第一个约束式子为对任意订单J_i，加工准备时间从零时刻开始，起开始时间大于等于零，部分纸箱生产设备生产前需要调试，调试好后立刻可以开始加工。第二个约束式子表明生产工序开始时间和结束时间之间的关系。第三个约束式子表明只有相应工序O_i,j完工后，下一道工序O_i,j+1才会开始加工。第四个约束式子和第五个约束式子表明对任意一个工序O_i,j，它只能被一台机器加工，这需要纸箱订单数量设置不可过大。第六个约束式子表明只有一台机器M_k上的第r道工序加工完成后，其上的第r+1道工序才会开始加工。第七个约束式子和第八个约束式子表明S_i,j和

之间的关系，当且仅当O_i,j是机器M_k上第r个加工的工序时，

所述的计算模块4，其特征为对粒子群算法进行改进，实现了混合粒子群算法；同时，向算法中加入了禁忌搜索环节，以避免局部最优，提高算法效率，从而最终实现了混合粒子群算法。流程图如图2所示，步骤如下：

(3.1)初始化算法参数，由工序序列向量和机器分配向量共同表示一个粒子i，初始化工序序列向量和机器分配向量。粒子群规模大小为N₁，PSO算法所要求的最大的迭代参数为T₁，惯性的权重w，相应的加速度常数c₁和c₂，判断停滞的参数E，禁忌搜索算法迭代的最大次数是T₂，候选集大小N₂，禁忌长度L；

(3.2)令PSO算法的迭代计数t₁等于零0，停滞e等于0，根据设置参数和工艺流程随机初始化N₁个粒子的机器分配向量，根据步骤(3.5)得到工序序列向量；

(3.3)算得每个粒子i的适应度fit_i,i＝1,2,…,N，适应度为粒子对应的排产方案即工序序列向量和机器分配向量对应的完工时间

适应度fit＝C，sj_i为第i个订单的完工时间；

(3.4)初始化pbest和gbest：对每个粒子i，令pbest_i＝fit_i,i＝1,2,…,N。令

pbest为粒子群最优解，gbest为全局最优解；

(3.5)令t＝t+1，根据

式对粒子进行移动；其中c₁，c₂代表加速因子，r₁，r₂是0-1之间的随机数，t为当期迭代数，操作

表示

以概率a和向量b进行交叉，p_i ⁰和p_g ⁰为两个随机初始的符合工序生产的机器分配向量。即通过设置与机器分配向量一样长度的决策向量，向量元素取值为0或1，以一定概率对原有机器分配向量进行交叉操作，然后按照工序靠前优先和操作时长较长优先的原则，对相应生产机器的订单生产顺序进行排列，进而得到工序序列向量；

(3.6)评价粒子i的适应度fit_i,i＝1,2,…,N；

(3.7)更新pbest：对每个粒子i，对fit_i和pbest_i进行比较，如果fit_i＞pbest_i，就让pbest_i＝fit_i，否则保持pbest_i不变；

(3.8)更新gbest：如果

就让

令e＝0，否则令e＝e+1；

(3.9).如果e≥E，就进行禁忌搜索算法，用gbest对应的粒子作为禁忌搜索算法的初始解，用搜索结果替换该粒子，更新该粒子对应的pbest，并对gbest进行更新，让e＝0，从剩下的N₁-1个粒子中随机抽取70％的粒子，然后随机初始化。否则转至步骤(3.10)；

(3.10)如果t＜T₁，就回到步骤(3.5)，否则结束。

针对于步骤(3.3)所述，要求出适应度fit，具体步骤如下：

(3.3.1)初始化：设每个订单可操作的时间为

设每个生产机器可使用的时间为

令index＝0；

(3.3.2)确定当前处理工序：令index＝index+1，取工序序列向量中第index个元素O_i,j为当前处理的工序，根据生产机器的分配向量确定当前的生产机器M_k；

(3.3.3)确定工序O_i,j的开始时间和完成时间：工序O_i,j只能在同一订单的前一道工序和同一订单的前一生产机器均完成后执行。故操作的O_i,j开始时间和结束时间分别为S_i,j＝max(sj_i,sm_k)，C_i,j＝S_i,j+t_i,j,k；

(3.3.4)更新sj_i和sm_k：确定O_i,j的开始和结束时间，更新订单J_i的可操作时间和机器M_k的可使用时间，令sj_i＝C_i,j，sm_k＝C_i,j；

(3.3.5)若

则跳至(3.3.2)步，否则计算相应排产方案订单完工时间

令适应度值fit＝C。

其中针对于步骤(3.5)所述，由机器分配向量求得工序序列向量，具体步骤如下：

(3.5.1)按照工序J较小优先，生产耗时较长优先的原则，生产机器的生产顺序进行排列；

(3.5.2)初始化两个向量pv和mv分别对订单所在工序和生产机器生产序列进行标识，长度与工序序列向量相等，初始状态下，向量pv表示O_i,1(i＝1,2,...,n)所在的位置为1，其余为0。mv为各生产机器上第一个执行的订单的位置为1，其余为0；

(3.5.3)随机选取一个pv和mv都是1的工序O_i,j，有机器分配向量确定执行它的生产机器M_k；

(3.5.4)更新工序O_i,j的开始时间、结束时间、和机器M_k的时间集，订单的可执行时间和订单的可执行时间；更新pv向量，令工序O_i,j+1对应元素为1，M_k生产机器上工序O_i,j下一道工序的元素位置设为1；

(3.5.5)重复(3.5.3)-(3.5.4)步，直到所有操作被计算出来：最后根据开始时间确定工序序列向量。

以上步骤结束后，管理部门获得生产订单排产结果，形成相应的甘特图，各个生产机器获得相应生产机器订单生产顺序。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种纸箱生产车间订单生产管理装置，所述装置在接到订单信息后，根据各工序设备具体情况的预先设定以及订单的工艺要求、数量和交期等数据进行建模，并计算出最小化最大生产时间的最优订单排序，并将结果发送各个生产机器，进行生产。其特征在于：它主要由设置模块、获取模块、存储模块、建模模块、计算模块和输出模块等组成。其中，

设置模块：设置基础参数，包括增减生产机器和生产机器参数设置。当车间增加或减少生产机器时，增加或删除生产机器的类型、所属工序、编号、纸箱型号相应车速等信息。

获取模块：接收订单信息、相应订单原材料库存信息和车间内各生产机器的生产情况实时信息。

建模模块：根据获取模块获取的信息和设置模块设置的信息构建订单排产模型。

计算模块：应用混合粒子群算法对订单排产模型进行求解。

存储模块：存储设置模块设置的信息、获取模块获取的信息以及计算模块求解的信息。

输出模块：将计算模块求解的信息通过提取，形成管理信息和生产机器信息，分别发送到管理部门和相应生产机器。

2.根据权利要求1所述的一种纸箱生产车间订单生产管理装置，其特征在于，建模模块中，所述根据获取模块获取的信息和设置模块设置的信息构建订单排产的模型通过以下步骤实现：

(2.1)根据订单信息，确定原料充足的可排产订单，以实际生产需要确定需要排产的订单，进行重新编号{J₁,J₂,…,J_n}，J为订单标识，n为当次排产订单数量；

(2.2)根据订单中工艺流程提取订单的工序，以及工序涉及的生产机器。并根据订单中产品尺寸的大小和订单数量，提取相应生产机器的车速和准备时间，计算相应订单在相应生产机器生产所需时间t_i,j,k，t_i,j,k为第i个订单在第j道工序第k个机器上加工所用的时间；

(2.3)根据工艺流程提取订单生产机器的信息，形成机器分配向量{M_1,1,M_1,2,...,M_i,j}表示第i个订单的第j道工序的生产机器编号。生成所有排产订单的工序向量{O_1,1,O_1,2,...,O_i,j}表示第i个订单的第j道工序；

(2.4)根据设置模块设置的基础参数和步骤(2.1)、(2.2)计算信息，生成模型的约束条件和目标函数提取出模型需要的数据。得到所需模型，数学模型的描述如下：

s.t. S_i,1≥0， i＝1,2,...,n

C_i,j≤S_i,j+1, i＝1,2,...,n；j＝1,2,...,n_i-1

其中符号说明如下：

i代表订单数量；

j代表工序数；

k代表生产机器数；

r代表一台生产机器上的相应工序数；

S_i,j代表工序O_i,j加工开始时间；

C_i,j代表工序O_i,j加工结束时间；

x_i,j,k代表订单J_i在O_i,j工序的M_k机器上加工；

y_i,j,k,r代表订单J_i在O_i,j工序的M_k机器上的第r工序加工；

代表机器M_k上第r个工序开始时间；

q_k代表机器M_k上加工的工序数；

L是正的常数。

第一个约束式子为对任意订单J_i，加工准备时间从零时刻开始，起开始时间大于等于零，部分纸箱生产设备生产前需要调试，调试好后立刻可以开始加工。第二个约束式子表明生产工序开始时间和结束时间之间的关系。第三个约束式子表明只有相应工序O_i,j完工后，下一道工序O_i,j+1才会开始加工。第四个约束式子和第五个约束式子表明对任意一个工序O_i,j，它只能被一台机器加工，这需要纸箱订单数量设置不可过大。第六个约束式子表明只有一台机器M_k上的第r道工序加工完成后，其上的第r+1道工序才会开始加工。第七个约束式子和第八个约束式子表明S_i,j和

之间的关系，当且仅当O_i,j是机器M_k上第r个加工的工序时，

3.根据权利要求1所述的所述一种纸箱生产车间订单生产管理装置，其特征在于，计算模块中，所述应用混合粒子群算法对订单排产模型进行求解通过以下步骤来实现：

(3.1)初始化算法参数，由工序序列向量和机器分配向量共同表示一个粒子i，初始化工序序列向量和机器分配向量。粒子群规模大小为N₁，PSO算法所要求的最大的迭代参数为T₁，惯性的权重w，相应的加速度常数c₁和c₂，判断停滞的参数E，禁忌搜索算法迭代的最大次数是T₂，候选集大小N₂，禁忌长度L；

(3.2)令PSO算法的迭代计数t₁等于零0，停滞e等于0，根据设置参数和工艺流程随机初始化N₁个粒子的机器分配向量，根据步骤(3.5)得到工序序列向量；

(3.3)算得每个粒子i的适应度fit_i,i＝1,2,…,N，适应度为粒子对应的排产方案即工序序列向量和机器分配向量对应的完工时间

适应度fit＝C，sj_i为第i个订单的完工时间；

(3.4)初始化pbest和gbest：对每个粒子i，令pbest_i＝fit_i,i＝1,2,…,N。令

pbest为粒子群最优解，gbest为全局最优解；

(3.5)令t＝t+1，根据

式对粒子进行移动；其中c₁，c₂代表加速因子，r₁，r₂是0-1之间的随机数，t为当期迭代数，操作

表示

以概率a和向量b进行交叉，p_i ⁰和p_g ⁰为两个随机初始的符合工序生产的机器分配向量。即通过设置与机器分配向量一样长度的决策向量，向量元素取值为0或1，以一定概率对原有机器分配向量进行交叉操作，然后按照工序靠前优先和操作时长较长优先的原则，对相应生产机器的订单生产顺序进行排列，进而得到工序序列向量；

(3.6)评价粒子i的适应度fit_i,i＝1,2,…,N；

(3.7)更新pbest：对每个粒子i，对fit_i和pbest_i进行比较，如果fit_i＞pbest_i，就让pbest_i＝fit_i，否则保持pbest_i不变；

(3.8)更新gbest：如果

就让

令e＝0，否则令e＝e+1；

(3.9).如果e≥E，就进行禁忌搜索算法，用gbest对应的粒子作为禁忌搜索算法的初始解，用搜索结果替换该粒子，更新该粒子对应的pbest，并对gbest进行更新，让e＝0，从剩下的N₁-1个粒子中随机抽取70％的粒子，然后随机初始化。否则转至步骤(3.10)；

(3.10)如果t＜T₁，就回到步骤(3.5)，否则结束。

4.根据权利要求3所述的一种纸箱生产车间订单生产管理装置，所述步骤(3.3)包括一下子步骤：

(3.3.1)初始化：设每个订单可操作的时间为

设每个生产机器可使用的时间为

令index＝0；

(3.3.2)确定当前处理工序：令index＝index+1，取工序序列向量中第index个元素O_i,j为当前处理的工序，根据生产机器的分配向量确定当前的生产机器M_k；

(3.3.3)确定工序O_i,j的开始时间和完成时间：工序O_i,j只能在同一订单的前一道工序和同一订单的前一生产机器均完成后执行。故操作的O_i,j开始时间和结束时间分别为S_i,j＝max(sj_i,sm_k)，C_i,j＝S_i,j+t_i,j,k；

(3.3.4)更新sj_i和sm_k：确定O_i,j的开始和结束时间，更新订单J_i的可操作时间和机器M_k的可使用时间，令sj_i＝C_i,j，sm_k＝C_i,j；

(3.3.5)若

则跳至(3.3.2)步，否则计算相应排产方案订单完工时间

令适应度值fit＝C。

5.根据权利要求3所述的所述一种纸箱生产车间订单生产管理装置，所述步骤(3.5)包括以下子步骤：

(3.5.1)按照工序J较小优先，生产耗时较长优先的原则，生产机器的生产顺序进行排列；

(3.5.2)初始化两个向量pv和mv分别对订单所在工序和生产机器生产序列进行标识，长度与工序序列向量相等，初始状态下，向量pv表示O_i,1(i＝1,2,...,n)所在的位置为1，其余为0。mv为各生产机器上第一个执行的订单的位置为1，其余为0；

(3.5.3)随机选取一个pv和mv都是1的工序O_i,j，有机器分配向量确定执行它的生产机器M_k；

(3.5.4)更新工序O_i,j的开始时间、结束时间、和机器M_k的时间集，订单的可执行时间和订单的可执行时间；更新pv向量，令工序O_i,j+1对应元素为1，M_k生产机器上工序O_i,j下一道工序元素的位置设为1：

(3.5.5)重复(3.5.3)-(3.5.4)，直到所有操作被计算出来：最后根据开始时间确定工序序列向量。

Images