基于先驗算法的服裝生產流水線設計優化

摘 要： 針對服裝生產線員工變動頻繁、技能熟練度不一致以及設備布局受限等造成的流水線部件逆流和不平衡問題，提出了一種基于先驗算法的服裝生產工序組合關聯規則挖掘方法，以優化流水線設計。根據服裝工藝和生產特點提出了工序編碼方法，通過改進Apriori算法來挖掘用于流水排布的生產工序關聯規則，建立了以逆流情況和流水線平衡為約束的評判指標，通過工序內容與評判指標進行流水線優化排布。結果表明：優化后的流水線完全避免了零部件在路徑上的傳遞損失，流水線的排布效率提高了20%，線內工位平均均衡比相較于原有產線提高了20%，排布內容更切合工廠生產實際環境和經驗要求。使用該方法挖掘工序關聯組合具有較好的可靠性，工序組合的應用有利于提升流水線排布的實際意義。

關鍵詞： 服裝生產；工序組合；關聯規則；流水線；Apriori算法

中圖分類號： TS941.19

文獻標志碼： A

文章編號： 1673-3851 （2024） 05-0337-10

引文格式：盛玥曦，侯玨，楊陽，等. 基于先驗算法的服裝生產流水線設計優化［J］. 浙江理工大學學報（自然科學），2024，51（3）：337-346.

Reference Format： SHENG Yuexi， HOU Jue， YANG Yang， et al. Optimization of garment production line design based on the Apriori algorithm［J］. Journal of Zhejiang Sci-Tech University，2024，51（3）：337-346.

Optimization of garment production line design based on the Apriori algorithm

SHENG Yuexia， HOU Juea，b， YANG Yanga，b， LIU Zhengb，c，d

（a.School of Fashion Design amp; Engineering; b.Zhejiang Provincial Engineering Laboratory of Clothing Digital" Technology;

c.International Institute of Fashion Technology; d.Key Laboratory of Silk Culture Heritage and Products Design Digital

Technology， Ministry of Culture and Tourism， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract：" Aiming at the problems of countercurrent and unbalance of assembly line components caused by frequent staff changes， inconsistent skill proficiency and limited equipment layout in garment production line， a method of mining association rules for garment production process combination based on the Apriori algorithm was proposed to optimize assembly line design. Based on the clothing process and production characteristics， a process coding method was developed， Apriori algorithm was improved to mine the production process association rules used for flow arrangement， and an evaluation index constrained by countercurrent situation and pipeline balance was proposed. The optimization and layout of the assembly line were carried out by process content and evaluation index. The experimental data show that the optimized assembly line completely avoids the transmission loss of parts in the path， the layout efficiency of the assembly line is increased by 20%， the average balance of workstations on the production line is increased by 20% compared to the original production line， and the layout content is more in line with the actual production environment and experience requirements of the factory. To sum up， the mining process association combination using the method has good reliability， and the application of process combinations is of practical significance to improving the assembly line layout.

Key words：" clothing production; process combination; association rules; assembly line; Apriori algorithm

0 引 言

流水線排布方法的選擇是決定服裝生產效率的重要因素［1］。大部分服裝生產企業存在勞動力不足，基礎資源短缺的現狀［2］，其中：勞動力的缺乏包括線上工作人員的缺乏以及流水線排布人員的缺乏［3］，基礎資源短缺主要體現在生產機器的數量限制。上述生產現狀導致服裝生產整體技術水平不高、管理方法粗放［4］，工位工人無法熟練完成作業內容，流水線排布過于依賴管理人員經驗的問題產生。實際生產時流水線內部件倒流問題頻發，運行平衡程度低，生產效率不佳。

為了解決流水線平衡問題，學者提出了多種改進方法。梁會芹等［5］使用自適應遺傳算法提高搜索效率，解決了流水線平衡程度低下問題；黃珍珍等［6］采用拓撲方法和遺傳算法建立自動優化模型，實現流水線平衡再優化；閆亦農等［7］改進了粒子群優化，開發服裝生產流水線編制軟件，實現智能化編制；朱江龍等［8］基于NSGA-Ⅱ多目標算法提供多種服裝生產編制效率較高的編排參考方案；Yemane等［9］結合手動線平衡技術與計算機模擬建模以找到最佳生產方案；Sime等［10］將ARENA仿真軟件用于建模和仿真評估了不同的“假設”場景以重新配置裝配線。上述改進方法有效提高了流水線運行平衡效率，然而大多數生產廠的工作人員和機器資源受限，需要較多資源的流水排布受到制約。陳莎等［11］構建混合生產線平衡優化模型；鄭路等［12］建立混合生產模塊化排序與工序分配的聯合優化模型，李雪霞等［13］采用智能化縫制單元；Bongomin等［14］使用排序位置權重技術來提高生產效率并減少工位數量。這些優化方法提高了流水線平衡效率并節省了部分資源，但在優化的前提條件上忽略了實際生產作業人員技術限制，使優化在應用受到制約。孫影慧等［15］通過對生產工序排布重組優化流水線，建立了生產流水線仿真模型；葛敬瑋等［16］通過工序標準化作業管理提高了流水線反應速度和生產效率。然而實際生產并非嚴格遵循生產部件在線內的線性轉移的約束條件，使優化后的排布方案難以復現。

基于上述現狀，為了使流水線優化后的方案更好地適應服裝實際生產方式和環境，本文提出了一種基于先驗算法的服裝生產工序組合關聯規則挖掘方法以優化流水線排布設計。首先，通過制定工序編碼規則并改進Apriori算法模型得到生產工序組合；然后，將已挖掘出關聯工序的組合內容應用于流水線的重新排布；最后，將結果在路徑損失率、排布效率和工位作業均衡比這三個指標上進行對比，同時結合實際生產情況對比重新排布和參考排布結果。

1 研究方法

1.1 基于改進Apriori算法的生產工序關聯構建

關聯規則挖掘技術是數據挖掘常用的方法，用于發現數據集中項集之間的相關關系，包括Apriori算法、FP-Growth算法和Eclat算法［17］。關于服裝生產工序的數據集較為稀疏且相對較小，而FP-Growth算法和Eclat算法適用于大規模數據集且在數據集稀疏或項集較大時實現相對復雜，故此次實驗使用Apriori算法。Apriori算法利用逐層搜索迭代明確數據庫項集的關系并構建規則，設項集I={I1，I2，I3， …，Id}是數據中所有項的集合，事務（TID） T={T1，T2，T3， …，Tn}是所有事務的集合，每個事務Tn包含的項集都是I的子集。事務與項集的關系如表1事務內容例表所示。

采用Apriori算法挖掘關聯規，因迭代搜索過程中多次掃描數據集而生成大量冗雜中間項集，影響計算效率和降低挖掘結果的指向性［18］。Belhassena等［19］提出將大量數據管理到不同的分布式索引中，并對索引中的每個點實現頻繁挖掘算法以提升挖掘效率。本文先分析目標服裝的具體工藝內容，后篩選與該工藝相關的關鍵詞條并生成相應項集。將篩選后項集應用于Apriori算法，以減小數據集的規模，使生成結果復雜性得到顯著降低。

本文提出的服裝生產工序組合Apriori改進算法基本框架如圖1所示，首先通過搜索數據庫獲取與目標服裝的工藝特點相關的數據，然后遍歷篩選項集生成關于工序內容的候選頻繁項集1。計算每個候選頻繁項集1中各工序的支持度，支持度表示每個工序內容項集在整個數據集中的出現頻率［20］，是篩選頻繁項集的重要條件［21］。將計算得到的支持度與預先設置的最小支持度進行對比，其取值影響生成頻繁項集的數量，小于最小支持度閾值的工序內容項集將被去除［22］。判斷剩余的項集是否為空，成立則生成關聯規則；不成立時，繼續挖掘生成n+1項工序內容頻繁項集。通過置信度和支持度衡量關聯規則是否有實際意義和價值，置信度表示項集A發生前提下B發生的頻率［23］，提升度表示項集A的出現對項集B的出現有多大程度的影響。

1.2 服裝生產工序編碼方法

在服裝生產領域，工序的命名標準化程度低導致實際生產中出現復雜凌亂的描述。大量存在著微小差異文本但實際工作內容相同，或者描述相似但工藝細節存在較大差異的問題。若直接采用生產線的描述構建模型會產生巨量的項集，為了解決這個問題，需要對工序的內容進行分類和統一編碼。服裝生產工序通常包括所需的作業機器、縫紉動作以及被縫紉的對象部件信息。本文將工序的編碼分為如下3個部分9個字節：

a）機器編碼：占工序代碼的第1個字節，用于表示執行工序所需的縫紉機器內容。

b）動作編碼：占工序代碼的第2—5字節，分為主要動作和同步或次要動作兩部分。此編碼表示執行工序的縫紉動作，包括了一或兩個動作在工序執行中的順序和方式。例如“單針夾緝大小袖叉連緝轉”中的“夾緝”和“緝轉”“手工翻上領兩角連修剪兩角”中的“翻”和“修剪”。

c）部件編碼：占工序代碼的第6—9字節，分為主要部件和同位部件或副部件兩部分。此編碼表示工序所涉及的服裝部件，包括了一或兩個在工序中操作部件。例如“單針合袖底縫連走定橡筋”中的“袖底縫”和“橡筋”“單針量定洗嘜個及時間嘜”中的“洗嘜”和“時間嘜”。若工序內僅包含一個動作或一個部件，無描述字節內容將用“00”代替，以確保編碼的一致性和完整性。工序內容編碼并列詞根圖解如圖2所示。

以“單針平上袖”工序內容為例，其編碼后的工序代碼為“1os00sl00”，部分工序編碼內容如表2所示。

1.3 流水線優化評判指標

大多數服裝生產流水線物流傳輸是槽流，生產中部件可以橫向或斜向移動，工位安排在槽的兩側方便拿放部件，但容易忽略部件的流向約束，實際生產線工位布局如圖3（a）所示。服裝單件流生產布局圖解如圖3（b）所示，U形布局使生產部件單向流動線性運行，更易約束傳遞方向。基于實際流水線的流向、布局和存在的問題，本文提出了更貼合運行流暢度的評判標準——“路徑損失率”指標。現有大部分排布方法部件將路徑傳遞歸納進排布約束內容中，保證此參數在流水線指標中的通用性和適用性。圖3（a）中生產部件跟隨中間槽流動，而工位在槽兩側，根據傳遞動作習慣，將由后往正前方或對角線的斜前方的一個工位傳遞的動作定義為損失一個單位，逆向跨位傳遞的損失單位由跨越的工位數決定。計算路徑損失率Rl具體公式如下參考式（1）：

Rl/%=srS×100（1）

其中：S為工單步驟總數，位；sr為工單中的倒流步驟數，位。其中需注意的是由于傳遞到最后的工位表明所有工序任務已結束，故工單步驟總數應減去最后工位的工作內容。

考慮到服裝流水線為人工排布，排布效率的評價指標較為模糊。為了清晰表示排布效率，本文將需考慮的目標工序量作為排布效率的判斷依據，計算排布效率Ea具體公式如下參考式（2）：

Ea/%=ΔNN×100（2）

其中：N為工單需排布的總工序數，個；ΔN為將組合工序看作一個新個體后需排布的工序的減少量。

流水線運行平衡是判斷運行效率的依據，工位作業均衡比是基于流水線平衡提出的進一步對比指標，是精確到工位平衡的對比。與基本流水線平衡計算的定義和計算方法一致，保證了測量單位一致性和數據收集一致性。本文將工位分配工序的工作總時間與流水線總的平衡時間進行比對，通過均衡比判斷優化的結果，計算工位作業均衡比B具體公式如下參考式（3）：

B/%=Ti/1TP/NW×100（3）

其中：TP為產品生產的額定工時，s；NW為已知的工人數，個；Ti為工位i的工作額定工時，s。

上述3個新指標適用于不同實例比較內容，不針對特定情景，有一定通用性。

2 生產工序組合算法分析與求解

2.1 實際生產排布分析

本文實驗數據來源于嘉興某上市公司的服裝生產線，選擇的目標對象具體款式和生產流程如圖4"" 和圖5所示。文中后續排布應用實驗中的工序內容均為圖5襯衫工序流程的工序內容。襯衫前衣身設有公主線切縫，后衣身設有育克，領子為三夾領，袖子設有袖中線切縫，明門襟，底擺，袖口處采用包邊工藝。

通過在合作工廠進行調研發現，實際流水排布存在明顯倒流和平衡程度不高的情況，但實際工廠并沒有采用其他基于單件流提出的更優的排布方法，其原因有如下：

a）部件的流動非嚴格的單件流模式。由圖3（a）—（b）的布局圖可得流水線實際生產中部件流動方式是跟槽橫向或斜向傳遞，而嚴格的單件流布局是“U”形流動，在布局上方向單一，使實際生產的布局更容易出現部件倒流現象。

b）工作人員熟練度受限。工序在工位上分配受限是現有流水排布方法不適用于大部分生產廠的重要原因。產品設計的復雜性和風格快速變化使生產人員無法跟上生產流程，對生產力有一定的影響［24］。這讓實際工廠工作分配存在指向性，過于依賴熟練工、高水平工人和對廠內人員熟悉的相關人員，且工廠內工作人員頻繁變動導致部分工位無法保證作業熟練度。

c）工作機器資源受限。工位的機器分配也是現有理想排布方法不適用的原因。工廠由于資金、場地等約束，特種作業機器數量有限，且單工位分配工作機器過多既不符合實際布置，不能保證作業人員能熟練使用每臺機器。

上述原因造成了實際生產流水線效果較差的現狀，本文提出了通過發現隱藏規律得到關聯工序的方法，以針對流水線問題作出有效決策。

2.2 實驗模型參數設置

為了驗證關聯規則模型的有效性，本文選擇服裝生產過程中極為常見且典型的“平裝袖”做法。選取合作服裝生產廠嘉欣絲綢2021年12月至2023年3月共170種服裝生產內容的工單工序數據進行預處理。該數據集包含關于所有工單的工位工序記錄共2217條。實際生產每個工位實際工作量有限，需限制最大項集數目。實驗設置最大的項集長度為3，意為工序關聯結果內包括至少兩條，至多3條。為了約束最大項集數目標，此時需要適當提高最小支持度閾值；且最終目標需要少而精的工序組合，故需提高算法的搜索精度以得到更為可靠關聯規則結果，此時需要適當提高置信度閾值。通過反復實驗調整和評估，最終設置參數閾值，其中支持度為0.130，置信度為0.80，在此參數下觀察算法運行的結果與實際組合情況相符。

2.3 工序組合模型求解

由于工廠生產的服裝款式不斷更新，因此生產工序數據庫有較強的即時更新性，生產布局對應不同的服裝款式具有其獨特性。優化模型的主要目標是在更新性較強的數據庫中提高搜索精度和效率，以減少大量冗余的中間項集，便找到對應生產所需的工序組合。篩選包括“平裝袖（sl00、slm0，sd00，sd0f，sn00， …）”編碼的數據，在實驗模型中遍歷生成有關此工藝的工序內容頻繁項集，最終挖掘出的工序間關聯結果如表3所示。

由于對數據庫進行了初始篩選，使得數據庫原始項目數精簡，數據樣本由原有的兩千多項減少至187項，極大減少了算法的搜索時間；算法的迭代次數也隨數據庫內容的稀疏性降低有了一定程度的減少。由表3可得最終挖掘出的關聯工序內容有明確指向性，沒有其他與工作任務無關的干擾選項，只針對“平裝袖”這一工藝的工序內容而非未篩選前包含的數據庫內雜亂的頻繁項集。由表3可知，工序（3ol00sc00，los00sloo）、（1os00sd0f，5ol00sd0f）是實驗得出的關于平裝袖的關聯工序組合，其支持度為0.455、0.182，置信度為0.80、0.90，提升度為2.2、5.5。提升度數值大于1，表明在所篩選的數據庫內若工序3ol00sc00和工序los00sloo均存在，則工序3ol00sc00在某一工位的出現會對工序los00sloo在同一工位出現概率有極大提升，投射出的現實意義為這2個工序在一個工作工位上的組合性更高。通過將實驗結果和實際未在數據集內的2023年4—6月的部分工單內容進行比對，目標組合結果與實際排布內容吻合度達80%，切合實際流水排布的習慣。同時將實驗結果予以工廠流水線作業人員進行人工審核有效性，結果表明關聯規則分析結果與排布人員的排布習慣相似，與相關作業人員的工作內容也基本吻合。

3 工序組合在流水線排布的應用實例

3.1 實例對象編碼篩選

根據選定襯衫款式得到組合工序關聯對象，此次應用分別對平上袖（sl00、slm0，sd00，sd0f，sn00， …）、后復式（bf00，bf0f）、三夾領（3c00，3cb0，3co0， …）、門里襟（mj00，ml00，lj00，ljt0， …）、前刀片（prff，prfd）、拉筒袖口（sk00）、下擺（db00，db0f）、嘜頭（zm00，cm00，zc00）和拼縫（pm00，pm0f）工藝內容的命名特征在數據庫內進行項集篩選。

3.2 實例生產工序組合應用

組合工序在排布中的應用主要有兩方面，一是為了使排布結果與實際工作習慣更加切合，二是為了減少排布對象數量以提高排布效率。為了實現上述目標，此次實例應用采用關聯規則兩次篩選的試驗方法。第一次篩選得到強關聯工序組合內容，為流水線排布奠定實際工序組合基礎；第二次篩選得到較強關聯工序組合，給后續流水線排布提供實際參考。通過兩次篩選找到與工作習慣切合的目標，并減少排布工序數量。進行兩次關聯工序組合搜索要求進一步調參，第一次運行仍使用支持度為0.130、置信度為0.80的參數；第二次需要找到包含更多項的較大型項集，相應設定較低的最小支持度，參數調整支持度為0.100、置信度為0.60。通過降低閾值得到更全面的關聯規則，最終挖掘得到的關聯規則拓展內容如表4所示，其中因參數調整得到的拓展組合內容為表中5，6兩組。工序“3ol00sc00、los00sloo”同時出現在同一工位時工序“1pt00scsf”出現的可能性為68%，且提升度＞1，表明工序“3ol00sc00、los00sloo”的同時出現對“1pt00scsf”出現在同一工位的可能性有一定提升。通過參數閾值的調整，同時出現了除強關聯工序外置信度與提升度稍低但也具有參考意義的結果。

最終得到此案例的所有工序組合內容如表5，包含了8組實例對象工藝工序相關組合內容應用于后續排布。通過調整最小支持度得到的稍強關聯規則是基于實際情況的拓展搜索，挖掘出現頻率僅次于強關聯規則的內容，能較為有效地減少排布工作以提高效率。

3.3 實例應用結果及分析

以上文的組合工序為基礎，將組合應用于流水線優化排布。過程中控制各工序節拍浮動范圍，作業工序嚴格遵循生產的前后關系和工位實際工作要求。同時根據相關參考文獻［4］和文獻［5］提出的流水線優化排布方法，本文也將嘉欣絲綢的生產實例對象進行了重新排布，得到了參考1、2工序安排。表6為優化前后工位工序內容表，內包含了本文實驗優化后排布、參考排布和實際生產排布下每個工位的工作工序內容和是否存在倒流工序內容。圖6為三組工位工作時間及均衡比對照圖，將表6各個工位的工作總時間和均衡比進行計算，后將本文實驗優化后的工時和均衡比數據分別與參考排布和工廠實際排布情況進行比對，得到圖6（a）—（b），圖6（c）—（d），圖6（e）—（f）三組關于工位工時和工位均衡比的對比圖。

將優化后的流水排布與實際排布內容進行比對，由表6實際工位工序安排內容可得，工廠實際排布中工序3、4、5、6、10、14、15、16、34、37均為倒流，路徑損失共13步，路徑損失率為29%。表6中優化和參考1、2的工位工序安排內容在排布過程中嚴格限制了流向，路徑損失均為0。由于在實驗過程中同時考慮了其他可能性的組合內容，使排布結果有更多的組合內容供以備選，給路徑優化和效率提升提供了更大空間，在排布效率上使用了8組工序組合，使排布目標對象減少了9個，排布效率提高了20%。由表6中的工位工序分配內容可得由實驗得到的表5的組合工序內容在參考1、2的排布中并未全部實現，將經驗性工序組合分開排布會造成工序分配至熟練度較低工位上，從而造成時間的隱性浪費。由于優化排布過程結合工序組合在工位機器數量，工序分配上都做了符合實際生產的約束，故上述關于參考排布1、2的工序、機器的分配問題均未出現。

由圖6（e）—（f）可知優化后的流水線平衡和工位均衡比相較于實際生產得到了明顯提升，將每個工位的優化后均衡比與實際生產均衡比以1為參照目標進行差值平均，優化后的工位平均均衡比相較于實際提升了20%。由圖6（a）—（b）、圖6（c）—（d）可得，與參考排布工序1、2相比優化后整體的平衡度稍顯不足，但結合組合工序內容后在流水線工序的整體分配上更切合實際生產情況。由表6的工位工序安排內容可得參考1、2流水線所需生產機器分別為22和23臺，優化后線內機器為17臺，在對基礎資源的要求較為嚴苛的實際情況下機器數的優化能較好減少成本支出。且表6中例如參考1工位工序安排中工位1所需的燙臺、單針機、刀車、五線包縫機和參考2工位工序安排中工位1所用的燙臺、單針機、五線包縫機在實際情況下不會讓同一個工人操作，體現其工位機器的布置去實際化的現象；優化后線內工位所需機器均為1到2臺，避免了一個工位作業機器過多。

綜上所述，由結果對比實際和參考排布內容的提升性和有效性可得，采用基于Apriori算法挖掘生產工序關聯規則以輔助實際生產流水線排布的方法有實際意義。

4 結 論

本文提出了改進Apriori算法挖掘服裝生產工序關聯規則的方法，結合實際生產作業情況將工序組合應用于流水線優化排布，解決現有文獻的排布方法部分工廠不適用的問題，對生產工廠的流水排布工作提供決策支持和更切合實際、可行的建議，更好地適應當下行業發展。本文所得主要結論如下：

a）生產工序編碼方法的提出有效改善了因相似名稱而產生混淆的情況，提高了工序內容的可搜索性和查找性。

b）對工序項集進行篩選以優化關聯規則，有效提升關聯規則搜索的指向性。將工序組合應用于流水線排布，有效提高排布效率，路徑損失和工位作業均衡比的指標，降低了排布成本。

c）實驗將工作經驗性內容通過關聯規則搜索轉化為實際參考依據，使流水線排布更迎合工廠運行和工人操作習慣，解決服裝生產排布內容和實際對應生產環境架空的流水排布問題，將生產經驗和生產環境納入約束條件，使生產排布有現實和科學依據。

參考文獻：

［1］Chutima P. A comprehensive review of robotic assembly line balancing problem［J］. Journal of Intelligent Manufacturing， 2022， 33（1）： 1-34.

［2］楊燕. 服裝生產精益化管理的優化方案分析［J］. 化纖與紡織技術， 2022， 51（9）： 85-87.

［3］馮晨月， 畢研偉， 潘力. 服裝生產線平衡優化方法研究與展望［J］. 化纖與紡織技術， 2023， 52（1）： 58-60.

［4］許棟樑.基于精益生產理論的服裝流水線優化研究［J］.北京服裝學院學報：自然科學版，2017，37（4）：68-75.

［5］梁會芹， 費樹岷. 自適應遺傳算法在服裝生產流水線平衡問題中的應用［J］. 工業控制計算機， 2009， 22（11）： 57-59.

［6］黃珍珍， 莫碧賢， 溫李紅. 基于遺傳算法及仿真技術的服裝生產流水線平衡［J］. 紡織學報， 2020， 41（7）： 154-159.

［7］閆亦農， 劉立枝， 雒彬鈺，等. 基于粒子群算法的服裝生產流水線編制［J］. 紡織學報， 2018， 39（10）： 120-124.

［8］朱江龍， 肖愛民， 王成佐，等， 基于NSGA-Ⅱ多目標算法的服裝生產流水線平衡［J］. 毛紡科技， 2022， 50（12）： 63-69.

［9］Yemane A， Gebremicheal G， Meraha T， et al. Productivity improvement through line balancing by using simulation modeling［J］. Journal of Optimization in Industrial Engineering， 2020， 13（1）： 153-165.

［10］Sime H， Jana P， Panghal D. Feasibility of using simulation technique for line balancing in apparel industry［J］. Procedia Manufacturing， 2019， 30： 300-307.

［11］陳莎， 修毅， 李雪飛. 基于遺傳算法的服裝大規模定制生產線平衡優化［J］. 紡織學報， 2022， 43（12）： 144-150，159.

［12］鄭路， 顏偉雄， 胡覺亮，等. 基于模塊化的服裝混合流水線平衡優化［J］. 紡織學報， 2022， 43（4）： 140-146.

［13］李雪霞， 張志斌， 褚建立. 基于智能化縫制單元的服裝柔性生產線的構建［J］. 毛紡科技， 2020， 48（10）： 77-80.

［14］Bongomin O， Mwasiagi J I， Nganyi E O， et al.Improvement of garment assembly line efficiency using line balancing technique［J］. Engineering Reports， 2020， 2（4）： e12157.

［15］孫影慧， 杜勁松. 服裝單件生產流水線仿真優化［J］. 東華大學學報： 自然科學版， 2019， 45（2）： 236-242.

［16］葛敬瑋， 王文靜， 祖倚丹. 小型服裝企業快速反應生產流水線應用研究［J］. 天津紡織科技， 2022（1）： 28-31.

［17］Heaton J. Comparing dataset characteristics that favor the Apriori， Eclat or FP-Growth frequent itemset mining algorithms［C］∥SoutheastCon 2016. Norfolk： IEEE， 2016： 1-7.

［18］李瑞， 李浩然. 關聯規則的Apriori算法改進［J］. 信息與計算機（理論版）， 2015（9）： 32-33.

［19］Belhassena A， Wang H Z. Trajectory big data processing based on frequent activity［J］. Tsinghua Science and Technology， 2019， 24（3）： 317-332.

［20］葉福蘭. 基于改進的FP-growth算法的高校課程關聯度實證研究［J］. 科技和產業， 2020， 20（4）： 186-190.

［21］王振武. 數據挖掘算法原理與實現［M］. 北京： 清華大學出版社， 2017， 35-37.

［22］Cong Y. Research on data association rules mining method based on improved apriori algorithm［C］∥2020 International Conference on Big Data amp; Artificial Intelligence amp; Software Engineering （ICBASE）. Bangkok：IEEE， 2020： 373-376.

［23］黃莉婷， 蘇川集. 白話機器學習算法［M］. 北京： 人民郵電出版社， 2019： 36-40.

［24］Abtew M A， Kumari A， Babu A， et al. Statistical analysis of standard allowed minute on sewing efficiency in apparel industry［J］. Autex Research Journal， 2020， 20（4）： 359-365.

（責任編輯：張會巍）