周亞勤， 王 攀， 張 朋， 張 潔

(東華大學(xué) 機(jī)械工程學(xué)院， 上海 201620)

緯編織造車間生產(chǎn)具有以下特點(diǎn):針織緯編面料種類繁多，工藝多樣；面向訂單生產(chǎn)，客戶訂單數(shù)量大小不一，交貨期十分嚴(yán)格；設(shè)備加工工藝柔性，織造車間有多類型緯編機(jī)，同類型設(shè)備具有多臺(tái)，可加工一定工藝范圍內(nèi)的多種產(chǎn)品類型，且加工不同產(chǎn)品時(shí)，設(shè)備的產(chǎn)能不同；織造設(shè)備在加工不同產(chǎn)品類型時(shí)，需更換設(shè)備機(jī)架和針筒，改機(jī)時(shí)間長(zhǎng)。綜合以上分析，可將織造車間生產(chǎn)調(diào)度問題抽象成面向訂單生產(chǎn)的考慮設(shè)備產(chǎn)能和改機(jī)時(shí)間的非等同并行機(jī)調(diào)度問題。研究這類生產(chǎn)調(diào)度模型和方法具有一定的理論意義和工程應(yīng)用價(jià)值，優(yōu)化的織造車間生產(chǎn)調(diào)度方案可大大減少設(shè)備改機(jī)時(shí)間，提高生產(chǎn)效率，保證產(chǎn)品交貨期。

在非等同并行機(jī)調(diào)度問題上，國內(nèi)外學(xué)者進(jìn)行了大量的探索與研究，并取得了許多成果。Maria等[1]考慮設(shè)備的準(zhǔn)備時(shí)間、容量約束以及作業(yè)分批屬性等，構(gòu)建了非等同并行機(jī)調(diào)度模型，并設(shè)計(jì)了融入啟發(fā)式規(guī)則的粒子群算法進(jìn)行求解。Jose等[2]考慮設(shè)備容量以及訂單交貨期等約束，建立了具有準(zhǔn)備時(shí)間的批處理機(jī)調(diào)度模型，結(jié)合具有最佳擬合的啟發(fā)式算法，取得了很好的優(yōu)化效果。Suhaimi等[3]以最小化加權(quán)時(shí)間為優(yōu)化目標(biāo)，考慮設(shè)備的輔助加工時(shí)間約束，采用拉格朗日松弛算法進(jìn)行研究。趙晴瑤[4]建立了帶準(zhǔn)備時(shí)間序列的不相關(guān)并行機(jī)調(diào)度模型，并基于改進(jìn)果蠅優(yōu)化算法對(duì)該問題進(jìn)行求解。周亞勤等[5]綜合考慮批量和輔助時(shí)間等實(shí)際生產(chǎn)工況，提出一種生物免疫算法對(duì)該調(diào)度模型進(jìn)行了優(yōu)化求解。

盡管調(diào)度問題在不同領(lǐng)域取得了不錯(cuò)的進(jìn)展，但在針織領(lǐng)域織造車間的研究較少。王靜安等[6]對(duì)以往織造車間生產(chǎn)模型進(jìn)行改進(jìn)，提出了一種更加實(shí)用的織造車間織機(jī)調(diào)度優(yōu)化模型，并采用遺傳算法進(jìn)行求解，但并未考慮設(shè)備加工特性約束。孫延[7]構(gòu)建了織造排產(chǎn)與調(diào)度的數(shù)學(xué)模型，并將所提出的蟻群算法應(yīng)用于紡織企業(yè)織造車間，但未結(jié)合具體生產(chǎn)實(shí)例進(jìn)行仿真分析。孟朔等[8]構(gòu)建了以滿足訂單交貨期為主優(yōu)化目標(biāo)、最小化訂單產(chǎn)品翻改等為次優(yōu)化目標(biāo)的織機(jī)調(diào)度模型，并結(jié)合改進(jìn)的非支配遺傳算法求解該調(diào)度問題。Yilmaz等[9]考慮了依賴于序列相關(guān)的設(shè)置時(shí)間、作業(yè)分批屬性以及機(jī)器加工特性等約束，構(gòu)建了單一優(yōu)化目標(biāo)的大規(guī)?？棛C(jī)調(diào)度模型，并將其所提出的改進(jìn)遺傳算法應(yīng)用于該調(diào)度問題中，得到了較好的優(yōu)化結(jié)果。

本文結(jié)合緯編織造車間生產(chǎn)實(shí)際需求，綜合考慮訂單可拆分特性、產(chǎn)品特定加工設(shè)備組、設(shè)備不同產(chǎn)品間改機(jī)時(shí)間等約束，構(gòu)建織造車間生產(chǎn)調(diào)度優(yōu)化模型，設(shè)計(jì)基于改進(jìn)遺傳算法的織造車間生產(chǎn)調(diào)度方法，實(shí)現(xiàn)考慮產(chǎn)品加工時(shí)間富裕度的訂單拆分，考慮工藝相似性的產(chǎn)品加工設(shè)備選擇和設(shè)備加工任務(wù)優(yōu)化排序，使得織造車間加工任務(wù)的總完工時(shí)間最短和總拖期時(shí)間最小。

1 織造車間生產(chǎn)調(diào)度模型的建立

1.1 問題描述

緯編織造車間在某個(gè)調(diào)度周期內(nèi)，共接收到客戶確認(rèn)過的訂單k個(gè)，每個(gè)訂單中均包含多種產(chǎn)品，且每種產(chǎn)品的數(shù)量大小以及交貨期存在著差異。現(xiàn)車間共配備有m臺(tái)生產(chǎn)設(shè)備，每個(gè)訂單產(chǎn)品均可在1臺(tái)或多臺(tái)設(shè)備上進(jìn)行生產(chǎn)，生產(chǎn)時(shí)間會(huì)隨著所選設(shè)備而變化。同時(shí)，設(shè)備前后生產(chǎn)不同面料類型的訂單任務(wù)時(shí)，需要一定的改機(jī)時(shí)間，因此，織造車間的調(diào)度問題在于如何將不同的客戶產(chǎn)品合理地安排在設(shè)備上進(jìn)行生產(chǎn)，并使產(chǎn)品總完工時(shí)間和拖期時(shí)間最小等性能指標(biāo)達(dá)到最優(yōu)。

1.2 模型假設(shè)

織造車間生產(chǎn)調(diào)度模型需要滿足如下基本假設(shè)。

1)調(diào)度開始(0時(shí)刻),所有機(jī)器都處于可用狀態(tài)，所有訂單任務(wù)均處于可加工狀態(tài)。

2)紗線原料充足且滿足訂單產(chǎn)品的生產(chǎn)需求。

3)不考慮設(shè)備的故障以及動(dòng)態(tài)插單、取消訂單等擾動(dòng)問題。

4)設(shè)備可生產(chǎn)的產(chǎn)品種類以及其對(duì)應(yīng)的產(chǎn)能均已知。

5)不考慮產(chǎn)品的庫存以及運(yùn)輸成本等。

6)經(jīng)訂單預(yù)處理后的訂單任務(wù)均只包含1種產(chǎn)品，且同一設(shè)備在同一時(shí)間僅能生產(chǎn)1個(gè)訂單任務(wù)。

7)某一訂單任務(wù)只要開始加工就不允許停止，直到該任務(wù)完成加工為止。

8)車間的其他與生產(chǎn)相關(guān)的信息均已知。

1.3 目標(biāo)函數(shù)與約束條件

結(jié)合實(shí)際生產(chǎn)情況，織造車間生產(chǎn)調(diào)度模型需綜合考慮訂單可拆分特性、產(chǎn)品特定加工設(shè)備組、設(shè)備不同產(chǎn)品間改機(jī)時(shí)間、設(shè)備產(chǎn)能、交貨期等約束，以產(chǎn)品完工總時(shí)間和總拖期時(shí)間最小為目標(biāo)，以實(shí)現(xiàn)產(chǎn)品按期交貨。

1.3.1 優(yōu)化目標(biāo)

織造車間生產(chǎn)調(diào)度以產(chǎn)品完工總時(shí)間最小和拖期時(shí)間最小為目標(biāo)，建立優(yōu)化目標(biāo)函數(shù)如式(1)和式(2)所示。

(1)

(2)

式中：f1表示最小化最大完工時(shí)間;PTj表示設(shè)備j上的總加工時(shí)間;GTj表示設(shè)備j上的改機(jī)總時(shí)間;f2表示最小化總拖期時(shí)間;βi為客戶重要度系數(shù)，其取值范圍為[1,10]；ETij表示第i個(gè)訂單任務(wù)在第j臺(tái)設(shè)備上的加工結(jié)束時(shí)間；Di為第i個(gè)訂單任務(wù)的交貨期時(shí)間；Xij為決策變量，當(dāng)訂單任務(wù)i在設(shè)備j上生產(chǎn)時(shí)，則Xij=1,否則Xij=0。

1.3.2 約束條件

織造車間生產(chǎn)調(diào)度模型滿足如下約束條件。

1) 交貨期約束為

ETij≤Di

(3)

(4)

式中：Ue表示產(chǎn)品e的交貨期松弛度；De表示產(chǎn)品e的交貨期；Temax表示產(chǎn)品e在可加工設(shè)備集合Ωe上所需生產(chǎn)時(shí)間的最大值。

2)訂單拆分?jǐn)?shù)量約束為

(5)

式中：δe表示產(chǎn)品e的拆分?jǐn)?shù)量；Qe表示產(chǎn)品e的數(shù)量；Ceavg表示可加工產(chǎn)品e的設(shè)備集合平均日產(chǎn)能；T表示計(jì)劃周期時(shí)間；[]表示取整,且k≥1(取整數(shù))。

3) 加工唯一性約束為

(6)

4)加工時(shí)間約束為

ST(i+1)j-STij≥PTij

(7)

ETij+GTjii′Yjii′=STi′j

(8)

式中：STij表示第i個(gè)訂單任務(wù)在第j臺(tái)設(shè)備上的加工開始時(shí)間；PTij表示第i個(gè)訂單任務(wù)在第j臺(tái)設(shè)備上的加工時(shí)間；GTjii′表示設(shè)備j先后加工訂單任務(wù)i與訂單任務(wù)i′時(shí)所需的改機(jī)時(shí)間；Yjii′為決策變量，當(dāng)?shù)趈臺(tái)設(shè)備前后分配的訂單任務(wù)的面料類型不同時(shí),Yjii′=1，否則Yjii′=0。

5) 改機(jī)約束為

GTjii′=GTjii′Yjii′

(9)

6) 設(shè)備產(chǎn)能約束為

(10)

式中：Qi表示第i個(gè)訂單任務(wù)數(shù)量；Qij表示第i個(gè)訂單任務(wù)在第j臺(tái)設(shè)備上加工時(shí)，設(shè)備所對(duì)應(yīng)的產(chǎn)能。

2 模型的求解

2.1 訂單拆分

由于緯編生產(chǎn)企業(yè)接收到的訂單具有產(chǎn)品種類繁多、生產(chǎn)工藝復(fù)雜、多客戶以及交貨期嚴(yán)格等特點(diǎn)，不合理的調(diào)度方案易導(dǎo)致車間訂單的堆積以及設(shè)備改機(jī)次數(shù)的增多，嚴(yán)重時(shí)甚至造成訂單拖期?？紤]到車間設(shè)備產(chǎn)能的限制，車間生產(chǎn)要素分配不均易造成設(shè)備產(chǎn)能的浪費(fèi)以及降低車間生產(chǎn)效率，針對(duì)不同客戶重要度的差異，針織企業(yè)會(huì)優(yōu)先安排重要度高的客戶的產(chǎn)品進(jìn)行生產(chǎn)。同時(shí)為最大限度地保證完成該計(jì)劃周期內(nèi)的所有訂單，企業(yè)計(jì)劃人員會(huì)對(duì)重要客戶交貨期緊張的訂單進(jìn)行拆分處理，從而保證產(chǎn)品交貨期內(nèi)的加工時(shí)間富裕度，具體的預(yù)處理操作過程如下。

第1步:將該計(jì)劃周期內(nèi)不同客戶的訂單組成訂單產(chǎn)品集合N1。

第2步:將N1中產(chǎn)品按客戶重要程度以及交貨期進(jìn)行排序，并按照式(4)對(duì)每個(gè)產(chǎn)品的交貨期松弛度進(jìn)行計(jì)算。

第3步:對(duì)于交貨期松馳度小于0且客戶等級(jí)大于8的產(chǎn)品，按照式(5)進(jìn)行等量拆分，并優(yōu)先安排生產(chǎn)。

第4步:將經(jīng)過預(yù)處理操作后的訂單產(chǎn)品建立訂單任務(wù)序列，用于織造車間生產(chǎn)調(diào)度。

2.2 訂單任務(wù)設(shè)備選擇

設(shè)備選擇是指為經(jīng)過訂單拆分后的訂單任務(wù)選擇合適的加工設(shè)備的過程。本文基于產(chǎn)品加工工藝的相似性，設(shè)計(jì)啟發(fā)式規(guī)則為每個(gè)訂單任務(wù)進(jìn)行設(shè)備選擇，從而使設(shè)備的利用率均衡以及減少訂單的拖期時(shí)間，其主要規(guī)則如下。

規(guī)則1:訂單任務(wù)選擇可加工設(shè)備集合中分配有相同面料類型訂單任務(wù)的設(shè)備集合，并在該設(shè)備集合中選擇該訂單任務(wù)加入時(shí)交貨期松弛度最大的設(shè)備。如果該訂單任務(wù)分配到的設(shè)備集合上的交貨期松弛度均小于0，則轉(zhuǎn)到規(guī)則2。

規(guī)則2:訂單任務(wù)在可加工設(shè)備集合中選擇該訂單任務(wù)加入時(shí)所造成拖期時(shí)間最短的設(shè)備進(jìn)行加工。

2.3 訂單任務(wù)優(yōu)化排序

遺傳算法是基于染色體群的具有并行搜索能力的算法，已廣泛應(yīng)用于織造車間的生產(chǎn)調(diào)度中[6,8-9]，本文將采用遺傳算法進(jìn)行設(shè)備上訂單任務(wù)排序的優(yōu)化求解，并針對(duì)傳統(tǒng)遺傳算法局部搜索能力弱以及收斂速度慢等缺陷，提出改進(jìn)遺傳算法對(duì)訂單優(yōu)化排序問題進(jìn)行求解，得到更加優(yōu)化的排序結(jié)果。改進(jìn)遺傳算法的流程圖如圖1所示。

圖1 改進(jìn)遺傳算法流程圖

1)編碼。本文對(duì)訂單任務(wù)及設(shè)備采取雙層實(shí)數(shù)編碼形式，上層為訂單任務(wù)編碼，是訂單拆分后形成的所有訂單任務(wù)的排列；下層為設(shè)備編碼，根據(jù)訂單任務(wù)設(shè)備選擇規(guī)則，為上層的各訂單任務(wù)選擇設(shè)備，或者在訂單任務(wù)可加工設(shè)備中任選一臺(tái)設(shè)備，形成第2層設(shè)備編碼，同設(shè)備上任務(wù)的加工順序遵循第1層的排列順序。例如，上層訂單任務(wù)編碼為164872935，下層設(shè)備編碼為143322114，則設(shè)備1上的訂單任務(wù)加工順序?yàn)?，9，3。

2)種群初始化。采用2.2節(jié)啟發(fā)式規(guī)則與隨機(jī)生成相結(jié)合的方式產(chǎn)生初始種群，且2種方法產(chǎn)生初始解的比例均設(shè)置為50%。

3)適應(yīng)度函數(shù)?？紤]到2個(gè)優(yōu)化目標(biāo)時(shí)間量綱的不一致性，故將2個(gè)優(yōu)化目標(biāo)函數(shù)進(jìn)行歸一化處理，然后對(duì)2個(gè)目標(biāo)函數(shù)求和后取倒數(shù)作為適應(yīng)度函數(shù)。定義的適應(yīng)度函數(shù)為

(11)

式中：f表示適應(yīng)度函數(shù)；w1、w2分別為完工時(shí)間和延期時(shí)間的加權(quán)系數(shù)值；af1表示所有個(gè)體最大完工時(shí)間之和的均值；af2表示所有個(gè)體拖期時(shí)間之和的均值。

4)交叉變異?？紤]到設(shè)備生產(chǎn)柔性，即不同訂單任務(wù)可在多臺(tái)設(shè)備上加工生產(chǎn)的特點(diǎn)，本文采用2點(diǎn)交叉[10]以及單點(diǎn)變異[11]的方式，通過隨機(jī)選擇2個(gè)交叉點(diǎn)交換交叉區(qū)間的基因片段以生成子代，然后在子代中隨機(jī)選擇一個(gè)變異點(diǎn)，針對(duì)設(shè)備層進(jìn)行單點(diǎn)變異。

5)局部搜索策略。為提高遺傳算法的局部搜索能力，本文采取以下3種鄰域結(jié)構(gòu)操作方法在當(dāng)前最優(yōu)染色體上進(jìn)行局部搜索，以尋找更優(yōu)個(gè)體。插入操作：首先在最優(yōu)解染色體上隨機(jī)選取2個(gè)基因位置R1與R2(R1

6)算法關(guān)鍵參數(shù)的選取。由于遺傳算子中交叉概率Pc和變異概率Pm對(duì)算法的運(yùn)行效率影響較大，若采用固定的交叉概率和變異概率則易使算法陷入局部最優(yōu)，為加快算法的收斂速度以及避免算法陷入局部最優(yōu)，本文采用改進(jìn)的自適應(yīng)交叉概率以及變異概率。自適應(yīng)交叉概率與自適應(yīng)變異概率的設(shè)置如下式所示。

(12)

式中：Pc_max、Pc_mid、Pc_min分別表示最大、中等以及最小的交叉概率;fmax、favg、fmin分別表示當(dāng)前種群中所有個(gè)體的最高適應(yīng)度值、平均適應(yīng)度值以及最低適應(yīng)度值;fc表示進(jìn)入交配池中的2個(gè)個(gè)體中適應(yīng)度值較大的個(gè)體。

(13)

式中：Pm_max、Pm_mid、Pm_min分別表示最大、中等以及最小的變異概率;fm表示要進(jìn)行變異操作個(gè)體的適應(yīng)度值。

3 實(shí)驗(yàn)驗(yàn)證

3.1 案例背景

以上海某針織企業(yè)緯編生產(chǎn)車間的實(shí)際生產(chǎn)情況為背景進(jìn)行案例測(cè)試，其中車間設(shè)備信息如表1所示，訂單信息如表2所示。

表1 車間設(shè)備信息(節(jié)選)

表2 車間訂單信息(節(jié)選)

3.2 仿真結(jié)果對(duì)比及分析

本文改進(jìn)遺傳算法的求解方法采用C#語言編程實(shí)現(xiàn)，程序運(yùn)行環(huán)境為visual studio 2013，CPU為AMD Ryzen5 PRO 2 500 U @2 GHz，內(nèi)存為8 GB，Windows 10操作系統(tǒng)。取該求解方法的初始種群規(guī)模為80，算法的交叉概率Pc_max=0.9，Pc_mid=0.65，Pc_min=0.35；變異概率Pm_max=0.1，Pm_mid=0.05，Pm_min=0.01，最大迭代次數(shù)取150，變鄰域搜索次數(shù)取80，閾值θ取8。

1)訂單拆分結(jié)果分析。訂單拆分?jǐn)?shù)量的大小對(duì)本文提出的算法搜索效率影響較大，過大或過小都不利于算法搜索效率的提高。為確定不同訂單合理的拆分?jǐn)?shù)量，分別取式(5)中k的大小為{1，2，3，4，5，6}，算法運(yùn)行20次得到的目標(biāo)函數(shù)值和設(shè)備的平均改機(jī)次數(shù)(同一設(shè)備在生產(chǎn)不同類型的產(chǎn)品時(shí)，需要進(jìn)行的機(jī)器調(diào)整次數(shù))如表3所示?？芍?，當(dāng)k取3時(shí)，目標(biāo)函數(shù)值最優(yōu)，且設(shè)備的改機(jī)次數(shù)較少，綜合考慮目標(biāo)函數(shù)值和設(shè)備改機(jī)次數(shù)，選取k值為3。

表3 不同k值對(duì)優(yōu)化結(jié)果的影響

2)初始解對(duì)比實(shí)驗(yàn)。本節(jié)以經(jīng)過訂單預(yù)處理操作后形成的40個(gè)訂單任務(wù)為實(shí)際案例，進(jìn)行25次迭代實(shí)驗(yàn)，對(duì)比隨機(jī)規(guī)則、文獻(xiàn)[12]的啟發(fā)式規(guī)則以及本文提出的車間啟發(fā)式規(guī)則，產(chǎn)生初始解的質(zhì)量如圖2所示?？梢缘贸?，本文提出的車間啟發(fā)式規(guī)則,在迭代過程中所產(chǎn)生的初始解平均值的質(zhì)量明顯優(yōu)于其他2種方法，該方法不僅保證了種群的多樣性(隨機(jī)規(guī)則)，且改善了初始解的質(zhì)量(車間啟發(fā)式規(guī)則)。

圖2 初始解結(jié)果對(duì)比圖

3)算法收斂性分析。圖3示出改進(jìn)遺傳算法在求解這40個(gè)訂單任務(wù)案例時(shí)的收斂曲線。由圖可知，算法具有快速收斂的特性，且在進(jìn)化初期適應(yīng)度值迅速增加，最后算法大概在迭代次數(shù)為55時(shí)趨于穩(wěn)定，并收斂至一穩(wěn)定的最優(yōu)值。圖4示出算法部分調(diào)度結(jié)果甘特圖?？芍?，最大完工時(shí)間為26 d左右，且僅有2個(gè)訂單任務(wù)拖期，拖期僅為1 d，同時(shí)是不重要客戶的訂單任務(wù)，而企業(yè)以前采用Excel表格進(jìn)行訂單任務(wù)機(jī)臺(tái)預(yù)排時(shí)，訂單任務(wù)的總完工時(shí)間平均為32 d左右，采用本文算法生產(chǎn)效率可提高18%，由此可以驗(yàn)證本文所提算法對(duì)于求解該調(diào)度問題的有效性。

圖3 種群迭代變化圖

圖4 部分調(diào)度結(jié)果甘特圖

為對(duì)本文所提出的改進(jìn)遺傳算法性能進(jìn)行測(cè)試，利用不同規(guī)模下的算例進(jìn)行仿真實(shí)驗(yàn)。算例由設(shè)備類型、設(shè)備數(shù)量以及訂單任務(wù)數(shù)量3部分組成，如：4*5*20表示4種不同類型的設(shè)備，5臺(tái)設(shè)備以及20個(gè)訂單任務(wù)，并以訂單任務(wù)數(shù)為20、30,以及設(shè)備數(shù)為4、5、6組成正交試驗(yàn),生成了6組不同的算例，然后分別采用遺傳算法(GA)、自適應(yīng)遺傳算法(SAGA)、變鄰域遺傳算法(VGA)以及改進(jìn)的遺傳算法(IGA)對(duì)算例進(jìn)行求解。其中，GA未加入任何改進(jìn)策略，SAGA去掉了變鄰域搜索策略，VGA則采用固定的交叉及變異概率。

考慮到不同算法的隨機(jī)性，對(duì)算例分別運(yùn)行15次，得到目標(biāo)函數(shù)值的最優(yōu)適應(yīng)度值解(best)、平均適應(yīng)度值解(avg)以及算法的平均收斂代數(shù)，求解結(jié)果如表4所示。由對(duì)比結(jié)果分析可得，SAGA相較于GA在最優(yōu)值尋優(yōu)方面提升不大，但SAGA求解的平均適應(yīng)度值較GA有較大的提升，最大提升程度為10.07%，表明SAGA算法求解結(jié)果更具穩(wěn)定性。同時(shí)VGA算法相較于GA算法在最優(yōu)值以及平均值方面均有很大提升，這表明VGA算法具有很好的局部尋優(yōu)能力。IGA算法求解的最優(yōu)適應(yīng)度值以及平均適應(yīng)度值均優(yōu)于其他3種算法，在最優(yōu)適應(yīng)度值方面分別平均提升40.4%、37.7%、4.1%，在平均適應(yīng)度值方面分別平均提升65.5%、50.5%、4.5%。從求解穩(wěn)定性方面來看，本文提出的IGA算法求解質(zhì)量不會(huì)隨著案例規(guī)模的變化而有較大的波動(dòng)性，這表明IGA算法在求解織造車間調(diào)度問題上具有很好的穩(wěn)定性。從算法收斂性的角度來看，本文提出的IGA算法相比于其他3種算法平均早25代左右收斂至最優(yōu)值，由此可以得出在相同迭代次數(shù)的前提下，IGA算法具有更好的優(yōu)化能力以及收斂能力，同時(shí)驗(yàn)證了本文所提改進(jìn)策略的有效性。

表4 不同算法仿真結(jié)果對(duì)比

4 結(jié) 論

本文圍繞針織企業(yè)織造車間調(diào)度問題展開研究，構(gòu)建了考慮訂單拆分特性的織造車間多目標(biāo)調(diào)度優(yōu)化模型，提出“訂單拆分-設(shè)備選擇-任務(wù)排序”的織造車間調(diào)度方法，并通過企業(yè)的實(shí)際生產(chǎn)案例進(jìn)行案例仿真，通過訂單拆分結(jié)果分析、種群初始解對(duì)比實(shí)驗(yàn)和算法與其他算法進(jìn)行比較，得出本文提出的訂單拆分規(guī)則和任務(wù)設(shè)備選擇規(guī)則可以改善算法初始解的質(zhì)量，提出的改進(jìn)遺傳算法具有很好的收斂性。結(jié)果表明，本文提出的方法相較于人工排產(chǎn)具有較大的優(yōu)越性，且改進(jìn)遺傳算法在性能上優(yōu)于其他算法，能有效指導(dǎo)織造車間生產(chǎn)排程。

考慮到企業(yè)車間在實(shí)際生產(chǎn)過程中的不穩(wěn)定性，緊急插單、設(shè)備故障以及原材料延期等擾動(dòng)事件的發(fā)生使車間生產(chǎn)變得更為復(fù)雜，如何進(jìn)一步完善模型，以及考慮各種擾動(dòng)事件發(fā)生下對(duì)織造車間動(dòng)態(tài)調(diào)度問題的研究是下一步重要的研究方向。