智能技術在生產調度及優化排產中的運用

殷倩

摘要：在智能技術蓬勃發展的過程中，基于智能控制理論的遺傳算法既具有非線性特點，也可并行處理，有利于生產調度的科學開展，也可對生產線排產調度進行優化。基于此，文章將從生產工藝及排產流程的闡述入手，通過優化調度問題模型的分析，進一步提出遺傳算法這種智能技術在生產調度及優化排產中的具體運用。

Abstract： In the process of the vigorous development of intelligent technology， genetic algorithm based on intelligent control theory has nonlinear characteristics， but also can be parallel processing， which is conducive to scientific development of production scheduling， but also can optimize the production line scheduling. Based on this， the paper will start from the production process and scheduling process， through the analysis of optimization scheduling problem model， and further put forward the specific application of genetic algorithm in the intelligent technology of production scheduling and optimization scheduling.

關鍵詞：智能技術;生產調度;優化排產;遺傳算法

Key words： intelligent technology;production scheduling;optimizing production scheduling;genetic algorithm

中圖分類號：TF087? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1674-957X（2021）20-0044-02

0? 引言

生產制造領域當中，通常是采用生產調度的方式降低生產等待期、縮短產品生產周期，從而達到設備利用率提高的目的。生產線工作效率的高低是關乎企業經濟及社會效益的重要因素。然而部分生產企業由于缺乏優化調度的理念，只是憑借以往的工作經驗開展生產調度，不僅會延長生產時間，還會降低生產效率，甚至會因部分零件的缺失而出現生產中斷現象，既難以提高設備利用率，也會降低產品生產質量。為此，構建生產線優化調度模型，對其計算方法進行優化具有重要意義。

1? 生產排產流程分析

本某汽車生產企業的沖壓車間共有三條生產線，靜態優化排產時，要具備三方面條件：一是所有生產設備均可正常使用;二是有充足的生產原料;三是具備足夠的產品存儲空間。在明確排產條件后，可對車間的排產計劃進行分析，從而確定具體的排產流程。該生產企業的焊接車間作為沖壓車間的后續加工單位，是其排產系統計劃的重要影響因素，需要以其某一生產周期所采用的焊接規劃為基礎，結合產品庫存情況，分析出該生產周期內所需生產的工件數量，生產第j種工件時，去除安全庫存后庫存量以Lj為代表，需求工件數量以Rj為代表，則其預計生產數量的計算公式為：（1）

上式表明，在Rj比Lj數值更大的情況下，說明此種工件數量不足，此時此種工件屬于缺件時期之內。該車間所應用的工件生產方式不同，或是資源種類情況不一，預計生產數量也會發生變化。此時，需要明確最小包裝材料的數量Q，確定最小生產量Mj，在這兩個數據基礎上進行生產數量的規范統計，生產數量規范計算公式為：

在計算出規范后的生產數量之后，還要結合生產線的實際生產能力進行生產計劃的排出，并應于生產實踐當中持續性采用人工方式進行排產計劃的調整，從而確保焊接車間加工需求的有效滿足。

2? 調度問題模型的優化分析

排產的優化需要利用優化計算方法來進行，優化計算開展前，應先收集生產所需的各種信息，統計與整合所有生產參數，并利用數據預處理方式進行矩陣P以及向量d的計算，并將這兩項數據作為輸入數據，之后方可進行優化計算。其中向量d是指各個工件生產所需的最長時間，Tj表示缺件時刻，Ts代表的是生產啟動時刻，可通過以下公式計算各個分量：（3）

之后可以向量d為依據進行生產序劃的具體明確，以確保dj-1始終小于dj。按照此種排列方式可進一步明確生產工件的最早交貨期限調度情況，這屬于最優化的調度方式。矩陣以P為代表，其是指各條生產線上加工各個工件所需的具體時間，矩陣式為：，其中各個Pij代表的是第i條生產線上的第j個工件的加工時間，沖壓節拍以t表示，t′表示的是在此生產線上進行此批工件加工時，加工第一個工件所需的時間，t″表示的是準備所需的時間，因而可根據這一矩陣，計算出具體的Pij數值：

此式當中，N′的具體數值可通過式（1）及式（2）計算得出，并且表示各工件加工準備時間的t″是一致的，并且需確保Pij與dj的單位統一，均應以s作為二者的單位。可以矩陣及向量這兩個數值為基礎展開優化計算，可實現計算模型的構建，可在最長生產線的時間范圍之內，進行向量X的確定，從而確保三條生產線的生產任務完成所需的總體時間為最小值，具體計算公式如下：

在公式（6）當中，Ai表示的是集合，代表的是第i條生產線之上全部工件號j的集合;Sj代表的是此條生產線加工任務的完成時間;Cj代表的是第j種工件加工完成的時間，這一時間應比最長生產時間dj更長。需要對向量x的具體數值進行明確，即■，這個式中的各個■應在{1，2，3}三個數據中選取，這便是指生產線的具體編號。

3? 以遺傳算法為基礎的調度優化計算分析

3.1 編解碼方式的確定與種群的初始化設計? 利用智能技術進行生產調度的優化是當前最佳的優化方法，而其中遺傳算法又是最為可行的技術之一。編碼方式選擇方面，應以實數或符號作為編碼，可以上述公式當中的（5）式或（6）式中所要計算的向量X作為編碼，這一編碼的位數由n代表，且各個編碼均應從三個生產線的編號中選取。編碼與解碼一一對應時，便完成了一組調度方案的設計。解碼之時，可在第xj條生產線的生產隊列當中進行第j種工件的生產即可。獲取母體時，既可以貪心算法為依據，也可利用啟發式算法進行解碼獲取，并將之作為母體，在這一母體基礎上進行隨機性且高概率的變異，經過多種變異之后可形成種群，再從中篩選出適應值最高的個體，以其作為下一代的計算基礎，以確保得到的輸出結果為最優值。

3.2 適應度的計算? 適應度計算時，共有兩種方式可以選擇，一是禁止超期策略執行方法，在執行時策略之時，所有無法滿足公式（6）中條件cj≤dj的個體的適應值均是0，應對這部分個體做淘汰處理，此種適應度計算方式可防止出現無效解，然而卻對種群多樣性產生了一定限制。二是靈活性超期控制方法，若在整體任務完成時間方面，某組解的結果始終較為理想，即便其存在少部分超期現象也可忽略。f1（Xk）代表的是Xk這一染色體編碼對應解的總體超期時間，而Xk總完成時間則用表示f2（Xk），最大值估計由fmax代表，那么在適應值不為負值的條件下，則可根據如下公式通過第一種計算方法計算出適應值：

利用第二種方法計算適應值的具體公式如下：

上式中，參數？琢代表對總超期時間的重視程度，而參數？茁表示對總完成時間的重視度。若？琢遠遠大于？茁時，說明超期控制嚴格度良好，若？琢為較大的正數，在f1（Xk）>0條件能夠滿足的前提下，？琢f（Xk）>fmax是始終成立的，若？茁=1時，則可對公式（8）進行簡化，可利用式（7）進行計算。

按照下列步驟可完成f1與f2的同步計算：

第一步：設定初始值，其中

第二步：

第三步：

第四步：

第五步：若jn，則進入第六步;

第六步：

第七步：將計算得出的結果輸出，整個適應值計算過程即可結束。

3.3 算子選擇、交叉及變異的進化

可利用具備尺度變功的比例進行算子的選擇。可利用整體退火方式進行算子選擇，在條件下，其對應尺度的比例選擇公式如下：

在此式當中，T代表的是退火溫度，而n（Xv）表示的是種群當中個體Xv的總重復次數。若已知給定種群，的情況下，可根據公式（9），以選出的一個體作為母體進行單點交叉，之后按照兩個個體在基因前后所處的位置劃分成兩個部分，后半部分用已知概率Pc進行交換，從而獲得兩個與之前不同的個體。再均勻性變異新個體，利用相對較小的概率Pm，采用隨機數分布方式于其取值范圍內替代原有基因值。之后反復進行上述操作，直至得出種群數符合要求的新種群，利用上代最大適應值個體，采用強制性方法，以概率1進入到新種群當中進行最低適應度個體的替換，由此便可強化對最優解產生的保護效果。

4? 仿真結果分析

分別利用貪心算法或啟發式算法、遺傳算法對生產周期內需要加工生產的45種零件的排產進行分析計算之后，可得到具體的仿真結果。在仿真軟件應用時，需要將工作時間輸入其中，還要利用其他生產參數，根據仿真結果分析得知，遺傳算法比另外兩種算法的優化效果更為理想，因而此種智能技術在生產調度及優化排產中具有極高的應用優勢。

5? 結語

文章根據某生產企業的生產排產情況進行了相關模型的建立，而后利用基于遺傳算法的優化計算方式優化其生產調度，并采用軟件仿真的方式驗證了優化結果，總結出在生產調度優化方面遺傳算法的利用效果最佳，可將之應用于實際生產實際當中，可為現場生產調度以及排產的優化起到有效的指導作用。

參考文獻：

[1]武照云，張毓蘭，原富林，等.基于排樣優化與車間調度的糧機裝備智能制造平臺研究[J].河南工業大學學報：自然科學版，2019，40（1）：89-93.

[2]楊春江.煉鋼連鑄混合智能優化調度方法及應用[J].中小企業管理與科技（中旬刊），2019（6）：200-201.

[3]張貴軍，丁情，王柳靜，等.柔性車間生產排產調度優化方法[J].計算機科學，2018，45（2）：269-275.