CN117474283A - 基于混合遗传算法的服装车间裁床分配优化方法 - Google Patents

Abstract

本发明属于服装制造技术领域，具体涉及一种基于混合遗传算法的服装车间裁床分配优化方法；所述方法包括获取服装车间裁床系统的生产数据，并转换为标准算例格式；采用双层编码模块进行编码，生成服装订单的工序方案和服装订单在每一工序的拆分方案；采用双层解码模块进行解码，生成服装订单的排程方案；根据服装订单的排程方案，计算最大加工时长、额外损耗时间和任务超时时间；在种群中选择这三个时间按比例最小的排程方案，通过选择、交叉、变异和局部搜索算法进行种群迭代，获得最优排程方案；根据最优排程方案获得设备任务甘特图，并根据设备任务甘特图执行裁床分配任务。本发明能够更快获得更优秀的排程方案。

Description

基于混合遗传算法的服装车间裁床分配优化方法

技术领域

本发明属于服装制造技术领域，具体涉及一种基于混合遗传算法的服装车间裁床分配优化方法。

背景技术

传统服装车间中的裁床分配通常由人工制定计划，根据经验和直觉进行决策。这种方法存在许多问题，包括：

主观性：传统方法依赖于人工决策，因此容易受到个人主观意见的影响。不同人员可能会根据不同的标准和偏好做出不同的决策，导致计划的不一致性和不稳定性。

时间消耗：手动制定裁床分配计划需要大量的时间和人力。人工计划师需要考虑各种约束条件，如订单量、设备可用性、工期等，这是一项繁琐而复杂的任务，容易出现错误和失误。

低效性：传统方法往往无法找到最优解，导致裁床分配不够高效。由于人工计划的局限性，可能无法充分考虑到不同订单的优先级、任务切换损耗、订单交付时间等因素，从而浪费了资源并降低了生产效率。

缺乏灵活性：当面对订单变更或生产线调整时，传统方法通常需要重新制定计划。这种过程耗时且容易出现错误，导致生产延迟和客户不满。

综上所述，传统服装车间中裁床分配问题存在诸多问题和缺点，需要一种更高效、准确、灵活的方法来解决。服装车间制作问题属于批量柔性作业车间调度问题(FJSP-LS)，为此，公布号为CN 116540650 A的专利提供了一种基于改进遗传算法的服装车间流水线编制优化方法，这种方法包括：首先计算理论节拍，利用学习曲线确定实际生产节拍分配；通过随机拓扑排序生成工序染色体种群，根据工序与设备分配机制和拆分机制建立与工序染色体种群一一映射的编制方案染色体种群；采用约束调整方法改进交叉和变异操作；反复迭代最终输出流水线编制。然而该方案存在以下几个技术问题：

1、该方案并未公开如何实现同一作业的第二道(及以上)工序开始加工时间的计算，无法解决多工序情况的裁床分配问题；

2、该方案并未公开约束调整方法所涉及的具体排程约束规则，导致不能适应性提高遗传算法局部搜索的能力；同时，该技术在初始化染色体与编制方案时采用随机拓扑排序的方式，并不能让遗传算法在最开始获得优质的种群；导致获取最优的裁床分配方案时间可能更长；

3、该方案没有将设备维修、非工作日等因素考虑排程方案中，无法反映实际的生产场景。

发明内容

为了克服上述现有技术的不足，本发明提出基于混合遗传算法的服装车间裁床分配优化方法：在拆分方案时提供了新的解决思路；FJSP-LS问题在多工序情况下，同一作业的第二道(及以上)工序开始加工时间如何计算；提出一种局部搜索方法，提高遗传算法搜索到最优解的概率；初始化染色体时提出多种调度规则，增加种群的多样性和优质性；考虑设备有限工作能力(如设备维修、设备保养、非工作日等情况)，使得排程结果更接近实际生产。

本发明的一种基于混合遗传算法的服装车间裁床分配优化方法，所述方法包括：

获取服装车间裁床系统的生产数据，并将所述生产数据转换为标准算例格式；

采用双层编码模块对标准算例格式的生产数据进行编码，生成服装订单的工序方案和服装订单在每一工序的拆分方案；

采用双层解码模块对服装订单的工序方案和服装订单在每一工序中采用的拆分方案分别进行解码，生成服装订单的排程方案；

根据服装订单的排程方案，计算最大加工时长、额外损耗时间和任务超时时间；在种群中选择这三个时间按比例最小的排程方案，通过选择、交叉、变异和局部搜索算法进行种群迭代，获得最优排程方案；

根据最优排程方案获得设备任务甘特图，并根据设备任务甘特图执行裁床分配任务。

本发明的优点在于：

(1)本发明在混合遗传算法的种群初始化阶段，采用了三种生成方法得到OS染色体：订单量少的先安排生产、订单可以最早加工的先安排生产以及随机安排生产，可以更快获得优秀的排程方案。

(2)本发明在解码部分，将设备维修时间、历史任务和非工作日情况考虑进去，使得获得的生产方案更加接近实际生产情况。将加工订单任务的开始时间考虑进去，可以获得生产时间更短的排程方案。同时，这个方法也适用于动态插单情况。

(3)本发明提出局部搜索算法，通过判断拆分批量数与可以使用的设备总数的关系，来选择增加拆分批量数或者减少拆分批量数，可以加快LS染色体的遍历过程，同时也可以增加方案的多样性，避免遗传算法出现局部最优解的情况。

附图说明

提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。

其中：

图1是本发明实施例的基于混合遗传算法的服装车间裁床分配优化方法流程图；

图2是本发明实施例的设备的实际工作日历示意图；

图3是本发明实施例的设备选择策略示意图；

图4是本发明实施例的不考虑额外损耗时间下的设备工作表示意图；

图5是本发明实施例的考虑额外损耗时间下的设备工作表示意图；

图6是本发明实施例的考虑实际工作日历下的设备工作表示意图。

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，都属于本发明保护的范围。

图1是本发明实施例的基于混合遗传算法的服装车间裁床分配优化方法流程图，如图1所示，所述方法包括：

101、获取服装车间裁床系统的生产数据，并将所述生产数据转换为标准算例格式；

在本发明实施例中，所述服装车间裁床系统的生产数据主要包括服装订单数据和机器设备数据。

所述服装订单数据包括：订单编号，订单总量，订单需要进行的工序，物料属性，工艺属性，位置属性，品类属性，订单开始加工时间，订单建议结束时间等。其中，订单的建议结束时间只是作为排程结果好坏的参考，可能会出现计划订单完工时间超出建议结束时间的情况，这时候需要人为进行一些操作，比如：与客户协调交付时间、手动调整部分订单排程等。

所述机器设备数据包括：机器编号，机器名称，机器可以加工的工序、工艺、品类、物料，机器的位置属性，机器切换工序、工艺、品类、物料的损耗表以及机器和任务的位置损耗，机器的工作日历，机器的工作效率，不考虑机器休息情况下的空余时间表。

本实施例将上述服装订单数据和机器设备数据按照表格形式形成标准算例，每个标准算例中可以包含上述信息。

102、采用双层编码模块对标准算例格式的生产数据进行编码，生成服装订单的工序方案和服装订单在每一工序的拆分方案；

在本实施例中，需要选择合适的算法参数，进入种群初始化阶段，种群初始化阶段涉及的参数包括初始化种群规模，最大迭代次数，选择比例pr，交叉率pc，变异率pm等，后续步骤将在这些初始化数据的限制下，进行迭代优化。

由于传统遗传算法包括编码、解码、选择、交叉、变异等阶段，以下将以这个阶段对本发明的优化方法进行介绍，对于本发明的编码阶段，由于本实施例考虑服装订单的工序方案和每一工序的拆分方案，因此采用了双层编码机制进行处理，其中，双层编码机制的第一部分是基于工序排序的编码OS，第二部分是基于订单工序数、订单总量、订单每道工序可使用的机器数量的拆分方案编码LS。

具体的，所述采用双层编码模块对标准算例格式的生产数据进行编码，生成服装订单的工序方案和服装订单在每一工序的拆分方案包括按照订单量少的先安排生产，采用工序排序(Operations Sequences，OS)编码方式生成种群中第一比例的OS染色体，按照订单最早加工的先安排生产，采用OS编码方式生成种群中第二比例的OS染色体；按照随机的方式安排生产，采用OS编码方式生成种群中剩余比例的OS染色体；当可以选择的设备数量小于3时，随机生成从1到5之间的拆分批量数；当可以选择的设备数量等于或大于3时，随机生成从1到订单每道工序可使用的设备数量之间的拆分批量数；按照拆分批量数，采用LS编码方式生成种群中的LS染色体。其中，OS编码方式和LS编码方式都是实数编码方式，对此本发明就不再详细介绍。

本实施例以如下标准算例为例，该标准算例中的设备数量为10，订单数量为4，订单的信息如表1所示：

表1订单信息

表1的第一列表示订单编号为0的订单，订单总量为1000，表示这一个订单需要制作1000件衣服，最早加工时间为第0天，这个订单在裁床阶段有两道工序需要完成，分别是工序0和工序2，可以加工订单0的工序0的设备总数为3，可以加工订单0的工序2的设备总数为5，且每一件衣服必须完成了工序0再开始工序2。订单0没有工序1，即不需要进行工序1.第二列表示订单编号1的订单总量为500，最早加工时间为第2天，有两道工序需要完成，分别是工序0和工序1，可以加工工序0的设备总数为8，可以加工工序1的设备总数为5.

在本实施例中，初始化种群规模为50，最大迭代次数为20，选择比例pr为0.3，交叉率pc为0.8，变异率pm为0.05。

OS编码方式：4个订单分别记为0至3，如果OS染色体为0213，表示订单编号0最先安排加工，然后是订单编号2的安排加工，以此类推。使用方式一生成种群中百分之二十的个体，即订单量少的先安排生产，获得的OS染色体为1302；使用方式二生成种群中百分之二十的个体，即订单可以最早加工的先安排生产，获得的OS染色体为2301；剩下的个体采用随机方式生成。

LS编码方式：针对每个订单的每道工序生成对应的拆分方案，当可以选择的机器数小于3时，随机生成一个从1到5的随机数，否则拆分数是1和订单每道工序可使用的机器数量之间的随机数。按照上面的规则，生成一个表1的LS染色体LS1＝[[2,3]，[5,6],[3],[1,5]]，其中LS1[0]＝[2,3]，表示订单0的第一道工序(对应工序0)，需要将1000拆分成2批次，那么每一批次需要加工500件；订单0的第二道工序(对应工序2)，需要将1000拆分成3批次，其中2个批次加工量为333件，一个批次加工量为334件。

103、采用双层解码模块对服装订单的工序方案和服装订单在每一工序中采用的拆分方案分别进行解码，生成服装订单的排程方案；

在本实施例中，排产时，由于订单的一个子批量必须在一台机器连续加工，因此首先根据不考虑机器休息情况下的空余时间表进行生产排班，然后根据机器的历史工作日历将时间推移。例如，某设备的实际工作日历T2如图2所示。

其中，黑色部分表示设备休息日或者维修，阴影部分表示设备当日存在历史任务，获取设备的两张时间表格。一张是只考虑历史任务的时间表格T1＝[[0,1],[3,14]]，由于14后面已经没有提供详细的工作日历，在算法中可以将T1的最后一个时间设为9999，获得T1＝[[0,1],[3,9999]]，这说明第1天至第2天，和第4天以后都可以安排任务。设备的实际工作日历为T2＝[[0,1],[3,4],[7,11],[14,9999]]，按照T1安排排好任务以后，可以根据T2进行时间调整；T1只包含历史任务的时间窗口，T2包含了历史任务、设备维修时间和非工作日的时间窗口，显然T1的时间跨度大于T2的时间跨度。在考虑当前子批量在设备上的处理时间时，且子批量只能选择在一台设备上连续加工。此时，使用时间窗口T1判断子批量是否能在设备上的某个时间窗口上连续加工，根据时间窗口T2调整设备上任务的开始时间和结束时间。可以使得获得的服装订单的工序方案和服装订单在每一工序中采用的拆分方案更接近实际的生产情况。

在本实施例中，同样以表1的订单信息为例，假设OS染色体为0213，LS染色体为[[2,3]，[5,6],[3],[1,5]]。遍历OS染色体，然后遍历对应的工序数，再遍历对应订单的子批数。比如OS染色体的第一位为0，然后订单0一共有两道工序0和2，开始安排加工工序0的设备。工序0将要拆分成2批，依次计算出加工这2批的设备和开始时间。对每一批都需要遍历所有可以选择的设备，计算出每台设备最早可以加工当前任务的时间，选择所有设备中可以最早加工当前任务的那一台，然后计算出任务的加工时间，记录当前子批量每一件衣服的完工时间和所在位置(即加工设备的位置)，更新所选设备的空余时间表T1，直到将所有子批量安排完毕为止。

然后安排加工工序2的设备。工序2将要拆分成11批，里面所有衣服都有工序0的完工时间和所在位置。依次计算出加工这11批的设备和开始时间。重复工序0的步骤。

选择设备的策略：根据设备的空余工作时间表T1选择。假设订单0的第二道工序可以使用的设备为设备0至设备2，这三台设备的工作情况如图3所示。其中设备0加工订单0的第一个批次的第一道工序(工序0)，加工量为500，加工时间5。设备2加工订单0的第二个批次的第一道工序(工序0)，加工量为500，加工时间5。0假设通过计算订单0的第二道工序的第一个批次可以开始的最早加工时间为1，总加工时间为4。设备1在时间1可以加工，但是由于存在历史任务，从1开始不能连续加工，因此按照选择策略，这里从时间5开始加工。

104、根据服装订单的排程方案，计算最大加工时长、额外损耗时间和任务超时时间；在种群中选择这三个时间按比例最小的排程方案，通过选择、交叉、变异和局部搜索算法进行种群迭代，获得最优排程方案；

在本发明实施例所涉及的排产系统中，排产结果具有以下优先级：订单延期时间最少>机器切换任务损耗时间最少>任务完成时间最少。订单延期时间是指完成时间超出需求时间的超出部分时间总和，对应任务超时时间；机器切换任务损耗时间是指任务在当前机器加工时会因为物理位置原因产生损耗时间、与机器的上一个任务因为工序、工艺、品类、物料属性的不同产生的损耗时间，所有的损耗时间总和即对应额外损失时间；任务完成时间是指完成所有任务的最终时间，对应最大加工时长，需要对最大加工时长、额外损耗时间和任务超时时间这三个时间进行按比例求和，得到一个最优的方案。由于优先级是订单延期时间最少>机器切换任务损耗时间最少>任务完成时间最少，所以任务超时时间、额外损耗时间、最大加工时长对应的比例将会依次减小，例如任务超时时间的比例为0.5，额外损耗时间的比例为0.3，最大加工时长的比例为0.2，通过这种方式来计算每个排程方案对应的总时间，总时间最小的即为当前轮次的最优排程方案。

其中，所述额外损耗时间的计算方式包括根据任务与任务之间的工序属性、工艺要求、品类属性、物料属性计算损耗时间，以及根据设备与订单之间的位置计算搬运时间；根据所述损耗时间和所述搬运时间，计算出额外损耗时间。

部分设备的工作安排如图4所示，这时候没有考虑额外损耗时间。考虑设备的历史工作时间窗口T1和额外损耗时间(包括搬运时间和损耗时间)，如图5所示，可以看见设备3加工订单0的第二个批次的第二道工序会产生搬运时间，因此开始加工时间往后推移一个搬运时间，订单2的第一个批次的第一道工序在设备3上面加工会产生一个搬运时间，和与订单0的第二道工序相关的损耗时间。设备1上加工订单0的第一批次的第二道工序与历史任务之间会产生损耗时间，但是与设备之间不产生搬运时间，说明两者在同一地方。最后考虑设备的实际工作时间窗口T2，获得设备工作表3，如图6所示。

在本发明实施例中，根据解码的排程方案，计算方案的最大加工时长、损耗时间和搬运时间，然后在种群中选择这三个时间按比例最小的排程方案。下面通过选择、交叉、变异和局部搜索算法进行种群迭代，获得最优排程方案。

选择操作：对OS染色体和LS染色体均采取的是精英选择法和锦标赛选择法结合的方式。

交叉操作：对OS染色体采用基于工序交叉的方法，对LS染色体采用两点交叉法和多点交叉法。

变异操作：对OS染色体采用了交换变异法和翻转变异法，对LS步骤染色体采用了基于约束规则的交换变异法和翻转变异法以及局部搜索方法。基于约束规则的交换变异法和翻转变异法是对LS染色体进行变异操作以后还需要检测LS染色体是否符合规则，如果不符合则需要按照编码模块中的方式重置。

LS染色体的局部搜索方法：

随机选取一个订单的一道工序，设定c＝0。

当拆分批量为1时，说明当前订单没有被拆分，然后设定一个变化值a,拆分批量数每次增加a，然后进入解码模块，计算出变化后方案的最大加工时长、额外时间损耗和任务超时时间，按照一定比例得到一个总时长，若这个总时长大于原方案，则保留原方案，否则替换原方案，然后继续将拆分批量数增加a，一直到拆分批量数超过当前工序可以使用的机器总数为止。此时，c＝1。

当拆分批量方案为可以使用的机器总数，而且c＝0时，拆分批量数每次减少a,然后进入解码模块，计算出变化后方案的最大加工时长、额外时间损耗和任务超时时间，按照一定比例得到一个总时长，若这个总时长大于原方案，则保留原方案，否则替换原案，然后继续将拆分批量数增加a，一直到拆分批量数小于1为止。此时，c＝1。

当拆分批量方案处于1到可以使用的机器总数之间，而且c＝0时，随机选择增加拆分批量数或者减少拆分批量数。如果选择增加拆分批量数，按照上面说的方法增加拆分批量数，以获得更好的方案。如果选择减少拆分批量数，按照上面说的方法减少拆分批量数，以获得更好的方案。

当可以选择的设备数在1至10之间时，a＝1；当可以选择的设备数超过10时，a＝3×ceiling，其中ceiling表示可以选择的设备数/10后向上取整的数，比如11/10时，ceiling＝2；10/10时，ceiling＝1；29/10时，ceiling＝3。

可以理解的是，上述精英选择法、锦标赛选择法、两点交叉法、多点交叉法、交换变异法和翻转变异法都是较为常见的算法，本发明对此不作具体的限定，本领域技术人员能够根据实际情况进行相应的处理。

105、根据最优排程方案获得设备任务甘特图，并根据设备任务甘特图执行裁床分配任务。

其中，甘特图(Gantt chart)又称为横道图、条状图(Bar chart)，通过条状图来显示项目、进度和其他时间相关的系统进展的内在关系随着时间进展的情况。本实施例通过甘特图来展示服装车间裁床分配任务，利用甘特图来执行相应的调度优化，提升了服装车间中裁床分配效率。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于混合遗传算法的服装车间裁床分配优化方法，其特征在于，所述方法包括：

获取服装车间裁床系统的生产数据，并将所述生产数据转换为标准算例格式；

采用双层编码模块对标准算例格式的生产数据进行编码，生成服装订单的工序方案和服装订单在每一工序的拆分方案；

采用双层解码模块对服装订单的工序方案和服装订单在每一工序中采用的拆分方案分别进行解码，生成服装订单的排程方案；

根据服装订单的排程方案，计算最大加工时长、额外损耗时间和任务超时时间；在种群中选择这三个时间按比例最小的排程方案，通过选择、交叉、变异和局部搜索算法进行种群迭代，获得最优排程方案；

根据最优排程方案获得设备任务甘特图，并根据设备任务甘特图执行裁床分配任务。

2.根据权利要求1所述的一种基于混合遗传算法的服装车间裁床分配优化方法，其特征在于，所述采用双层编码模块对标准算例格式的生产数据进行编码，生成服装订单的工序方案和服装订单在每一工序的拆分方案包括按照订单量少的先安排生产，采用OS编码方式生成种群中第一比例的OS染色体，按照订单最早加工的先安排生产，采用OS编码方式生成种群中第二比例的OS染色体；按照随机的方式安排生产，采用OS编码方式生成种群中剩余比例的OS染色体；当可以选择的设备数量小于3时，随机生成从1到5之间的拆分批量数；当可以选择的设备数量等于或大于3时，随机生成从1到订单每道工序可使用的设备数量之间的拆分批量数；按照拆分批量数，采用LS编码方式生成种群中的LS染色体。

3.根据权利要求1所述的一种基于混合遗传算法的服装车间裁床分配优化方法，其特征在于，采用双层解码模块对服装订单的工序方案和服装订单在每一工序中采用的拆分方案分别进行解码，生成服装订单的排程方案包括遍历每个OS染色体对应的工序数量，再遍历对应LS染色体的子批量数，依次计算出加工每一工序的每一子批量可以选择的设备，获取子批量在每台可选择设备上的最早加工时间和处理时间，计算出每台设备最早可以加工当前任务的时间；根据设备的历史工作日历T1选择所有可以选择的设备中最早加工当前任务的设备；计算出任务的加工时间，记录当前子批量每一件服装订单的完成时间和所在位置，更新所选设备的历史工作日历T1，根据设备的实际工作日历T2，调整任务的开始时间和结束时间，直到将所有子批量安排完毕，生成服装订单的排程方案；其中，所述设备的历史工作日历为只包含历史任务的时间窗口，所述设备的实际工作日历为包含历史任务、设备维修时间和非工作日的时间窗口。

4.根据权利要求1所述的一种基于混合遗传算法的服装车间裁床分配优化方法，其特征在于，所述额外损耗时间的计算方式包括根据任务与任务之间的工序属性、工艺要求、品类属性、物料属性计算损耗时间，以及根据设备与订单之间的位置计算搬运时间；根据所述损耗时间和所述搬运时间，计算出额外损耗时间。

5.根据权利要求1所述的一种基于混合遗传算法的服装车间裁床分配优化方法，其特征在于，通过选择、交叉、变异和局部搜索算法进行种群迭代包括：

选择操作：对OS染色体、LS染色体均采用精英选择法和锦标赛选择法结合的方式；

交叉操作：对OS染色体采用基于工序交叉的方法，对LS染色体采用两点交叉法和多点交叉法；

变异操作：对OS染色体采用交换变异法和翻转变异法，对LS染色体采用了基于约束规则的交换变异法和翻转变异法；

局部搜索算法：对LS染色体采用局部搜索算法。

6.根据权利要求5所述的一种基于混合遗传算法的服装车间裁床分配优化方法，其特征在于，所述基于约束规则的交换变异法和翻转变异法是对LS染色体采用交换变异法和翻转变异法处理后，检测LS染色体是否符合规则，如果符合规则，则不对LS染色体进行变换；如果不符合规则，则需要按照编码模块中的方式重置LS染色体。

7.根据权利要求1或5所述的一种基于混合遗传算法的服装车间裁床分配优化方法，其特征在于，所述LS染色体的局部搜索方法包括：

随机选取一个OS染色体也即是一个服装订单的一道工序，设定控制变量c＝0；

当LS染色体的拆分批量数为1时，拆分批量数每次增加a，然后进入解码模块，计算出变化后拆分方案的最大加工时长、额外时间损耗和任务超时时间，按照一定比例得到一个总时长，若这个总时长大于原拆分方案的总时长，则保留原拆分方案，否则替换原拆分方案，然后继续将拆分批量数增加a，一直到拆分批量数超过当前工序可以使用的设备总数为止，此时，c＝1；

当LS染色体的拆分批量数为可以使用的设备总数，而且c＝0时，拆分批量数每次减少a，然后进入解码模块，计算出变化后拆分方案的最大加工时长、额外时间损耗和任务超时时间，按照一定比例得到一个总时长，若这个总时长大于原拆分方案，则保留原拆分方案，否则替换原拆分方案，然后继续将拆分批量数增加a，一直到拆分批量数小于1为止，此时，c＝1；

当LS染色体的拆分批量数处于1到可以使用的设备总数之间，而且c＝0时，随机选择增加拆分批量数或者减少拆分批量数；如果选择增加拆分批量数，拆分批量数每次增加a，以获得更好的方案；如果选择减少拆分批量数，拆分批量数每次减少a，以获得更好的方案。

8.根据权利要求7所述的一种基于混合遗传算法的服装车间裁床分配优化方法，其特征在于，拆分批量数的变化数量的取值包括：

当可以选择的设备数在1至10之间时，a＝1；

当可以选择的设备数超过10时，a＝3×ceiling，其中ceiling表示可以选择的设备数/10后向上取整的数。