基于改進NSGAII算法的渦流紡車間調度方法

摘 要：為應對渦流紡車間生產向小批量多品種生產模式轉變的發展趨勢，對渦流紡車間生產調度進行研究。通過分析金華某渦流紡企業訂單生產情況，建立了以最小化最大完成時間、最小化逾期損失和最小化改機次數為目標的渦流紡生產調度模型。為避免NSGAII陷入早熟收斂的情況，提出一種改進的NSGAII算法（INSGAII_SAA）對渦流紡車間調度模型求解。利用啟發式規則初始化種群、自適應選擇交叉變異算子以及融合模擬退火算法（SAA）的方法，有效降低解空間的冗余程度，提高求解效率并得到全局最優解。另外，使用NSGAII、SAA、INSGAII_SAA、MOSAA以及MOPSO求解，對比該渦流紡企業訂單數據來驗證求解模型和改進算法的有效性，結果表明：相較于NSGAII，所提出的INSGAII_SAA最大完成時間平均減少了8.7%、逾期損失平均減少59.89%、改機次數平均減少34.91%，具有較好的調度效果。研究方法能較好地實現渦流紡生產科學調度，有效降低企業生產管理成本。

關鍵詞：渦流紡；紡紗車間；生產調度；多目標優化；改進NSGAII

中圖分類號：TS111.8

文獻標志碼：A

文章編號：1009-265X（2025）02-0118-12

隨著中國經濟社會發展，消費者對紡織品的要求越來越高，市場需求多樣化特征顯著。面對多樣化的市場需求，渦流紡生產從產品種類單一逐漸向小批量多品種生產模式轉變^［1］。小批量、多品種的渦流紡生產模式具有多約束、多目標的特點，屬于NP-hard問題^［2］，是一種并行機調度問題。目前大多數渦流紡企業仍依靠人工方式安排車間生產，這一方式可能會制約小批量多品種模式的生產效率。

目前雖已有不少學者針對傳統紡紗生產調度問題進行研究，但對于渦流紡車間調度問題研究較少。潘欣明等^［3］針對小批量多品種的色紡生產人工調度困難的問題，建立了一個色紡細紗工序生產調度模型，提出了一種改進蟻群算法用于該模型求解；Ma等^［4］研究資源節約型的紡織生產模式，使用粒子群算法解決了具有資源節約問題的綜合生產調度問題；Krishnamoorthy等^［5］使用LSPM-WC算法解決了紡紗生產中AVG運行效率低的問題。上述研究通過改進已有單目標算法，實現對傳統紗線生產調度模型求解且達到理想效果。高詠珊等^［6］為提高細紗車間自動接頭小車的調度效率，建立了以細紗生產產量最大化為目標函數的細紗接頭調度模型并使用改進的遺傳算法進行求解；章國政^［7］為提高紡紗車間生產效率，建立了以訂單準時交付、車間總紡紗時間最短并且翻改品種次數最少為目標的優化模型并使用遺傳算法進行求解；董平軍等^［8］針對縫制車間訂單批量小需求個性化高的問題構建考慮員工學習—遺忘效應的混合流水分批調度模型，并設計了一種非支配遺傳算法對模型求解；周亞勤等^［9］構建了考慮織造車間多因素的生產調度模型，并使用改進遺傳算法求解；Li等^［10］采用遺傳算法解決了紡紗和紡織品批量染色生產調度問題。上述研究通過對多目標優化的遺傳算法進行改進，實現了多目標智能算法在紡織企業的應用，但主要是針對傳統環錠紡或織造的生產過程的研究，并不適用于求解渦流紡生產調度問題。渦流紡企業面對小批量多品種的訂單需求，常難以得到科學合理的調度方案。

本文對渦流紡車間生產調度進行研究，通過分析金華某渦流紡企業訂單生產情況，建立以最小化最大完成時間、最小化逾期損失和最小化改機次數為目標的渦流紡生產調度模型，提出一種改進的NSGAII算法（Fusion of SAA algorithm to improve NSGAII，INSGAII_SAA），通過建立啟發式規則初始化種群，降低初始種群冗余程度，并引入自適應選擇交叉變異算子機制以及融合SAA提高算法的局部搜索和全局搜索能力，避免求解過程陷入早熟收斂并獲得最優的調度方案，最后通過企業實際訂單數據仿真實驗，驗證改進算法的可行性。

1 渦流紡紗生產流程分析

與傳統紡紗車間相比，渦流紡車間具有工藝流程短、制成率高、原料損耗低^［11］等特點。為研究渦流紡車間小批量多品種生產調度，本文以金華某渦流紡企業生產車間為研究對象，展示了其渦流紡紗生產工藝路線，如圖1所示。

紡紗生產中，紗線生產效率是紡紗企業生產技術管理的綜合表現，可以代表企業的管理水平和生產能力，而熟條加工為成品紗線的效率高低對整個紗線生產影響較大，因此本文主要研究由熟條到成品紗線這一關鍵工序的調度問題。生產調度流程如圖2所示。

2 渦流紡車間調度優化模型

2.1 模型定義與假設

為簡化渦流紡紗生產車間調度模型，便于描述，對模型進行以下定義與假設：

1）n個生產批次，批次G∈｛1，2，3…，n｝。t種紗線，紗線品種P∈｛1，2，3…，t｝，屬于紗線P的訂單數為nP，∑tP=1nP=n，即按不同訂單中的紗線品種將訂單拆分為若干批次，且每批次只有一種紗線。

2）有z臺相同的渦流紡紗機，設備m∈｛1，2，3，…，z｝。每臺渦流紡紗機均可對紗線P生產加工，加工時一臺渦流紡紗機同一時刻只能加工一種紗線，加工時間只與紗線品種有關。

3）同一臺紡紗設備上，只有在上一批次加工任務完成后才能進行下一批次生產，即只有在設備空閑且設備狀態良好的情況下才能接受新的加工任務，在加工過程中不允許中斷。

4）用于紡紗生產的原料供給充足，不影響正常生產。

5）初始零時刻，所有紡紗設備均無故障，處于空閑且可正常使用狀態。

6）相鄰工序間的準備時間忽略不計。

7）初始時刻，所有待加工的熟條條筒數量充足，因此不會因為熟條不足影響渦流紡紗設備的正常生產。

8）訂單優先級規定，每個訂單根據合同約定的逾期懲罰確定生產優先級，訂單被拆分為若干個生產批次后，其對應的生產批次將繼承該訂單的優先級。

2.2 多目標優化模型

2.2.1 約束條件

為更好地還原實際生產場景，為優化模型建立以下約束條件：

1）改機約束

設備m上的加工任務i完成后，繼續下一加工任務i+1時，若兩次加工的產品品種相同，不需要進行改機操作，決策變量為0；若兩次加工產品品種不同，此時應進行改機操作，決策變量為1。

GPm，i=0，Pm，i=Pm，i+1

1，Pm，i≠Pm，i+1（1）

式中：m表示加工設備編號；i表示設備m 加工任務中的生產順序編號；Pm，i表示在設備m上加工順序為i的產品品種。

gm，i+1=cm，i， GPm，i=0

jm，i+1，且jm，i+1≥cm，i，GPm，i=1（2）

gm，i+1表示在設備m上生產加工順序為i+1的任務前的改機完成時刻。若設備m不需要進行改機操作，此時gm，i+1為cm，i，cm，i為加工順序為i的任務加工完成時刻；若設備m需要進行改機操作，此時gm，i+1為jm，i+1，jm，i+1為改機完成時刻。

2）加工順序約束

對于需要先后在同一臺設備加工的任務須滿足如下約束：

cm，i+1-Tm，i+1≥max｛cm，i，gm，i+1｝（3）

式中：m為設備編號，cm，i+1和Tm，i+1分別為加工順序為i+1生產任務在設備m加工完成時刻和在設備m上加工時長。

3）訂單完成時間約束

該約束表示訂單完成時間不小于訂單中所有紗線完成生產所用時間。

Ck≥∑zm=1∑vmi=1∑rk=1（Tm，i+T′m，i）Xm，iPm，kRi，k（4）

式中：Tm，i表示在加工設備m上加工紗線i需要的時間；T′m，i+1表示設備m上紗線i完成加工時已用的改機時間；Xm，i表示紗線i是否在設備m上加工；Pm，k表示訂單k是否在設備m上生產；Ri，k紗線i是否屬于訂單k；Ck為訂單k完成時間。

4）設備資源約束

使用的加工設備數量不超過車間設備總數：

M≥∑zi=1mi（5）

2.2.2 目標函數

為滿足渦流紡車間調度需求，提高渦流紡紗車間生產效率，本文為渦流紡紗車間調度問題建立了3個目標函數，分別為最小化最大完成時間、最小化逾期損失、最小化改機次數。

2.2.2.1 最小化最大完成時間

最大完成時間是指某個訂單中的最后一批紗線生產完成的時間，是企業生產效率高低的重要參考指標，因此將最小化最大完成時間作為目標函數，如式 （6）：

f1=min（max1≤i≤r（Ci））（6）

式中：r為訂單總數；Ci為訂單i完成時間，f1為最大完成時間。

2.2.2.2 最小化逾期損失

紡紗企業的訂單量直接受到市場供需關系的影響^［12］，當市場對產品的需求大于產品供應時，即使車間各生產設備滿負荷運行也無法避免出現訂單逾期交付的情況。因此，為能夠更好符合實際生產場景和反映逾期損失與逾期時間的關系，本文建立了兩者的系數關系。Ci - Di為訂單i超出合同約定日期Di的時間；hi為訂單i的權重值，可根據約定的逾期懲罰設置。訂單i的逾期損失用hi·（Ci - Di）表示；f2為訂單逾期損失。

f2=min（∑ni=1hi·（Ci-Di）），Ci≥Di（7）

2.2.2.3 最小化改機次數

減少設備改機次數能夠提高紡紗生產效率，降低不利影響發生的概率，因此將最小化改機次數作為優化目標之一。

f3=min（∑zm=1∑vmi=1GPm，i）（8）

式中：z為車間設備總數；i為設備m待加工任務中的順序編號；vm為設備m上加工產品品種數量；GPm，i為設備m在生產完成加工順序為i的任務后是否繼續生產相同品種產品；f3為設備改機次數。

2.2.3 評價函數

由于渦流紡車間調度問題具有多個優化目標且實際生產過程中各目標無法同時達到最理想狀態，因此設立總體優化目標評價函數如式 （9）：

F=αf1+βf2+δf3（9）

式中：F為評價函數，f1、f2、f3分別為上述目標函數，α、β、δ為各目標函數權重值。

3 改進NSGAII算法

NSGAII算法（Non-Dominated Sorting Genetic Algorithm II）是一種有效的用于解決多目標優化問題的進化算法^［13］，但算法求解過程對參數較為敏感，若解空間范圍較大，也可能會出現早熟而陷入局部最優的情況，為此本文針對渦流紡車間調度問題提出一種改進的NSGAII（INSGAII_SAA）。

3.1 INSGAII_SAA流程圖

INSGAII_SAA流程如圖3所示。

INSGAII_SAA執行步驟如下：

1）初始化算法參數并通過啟發式規則生成初始種群。設置最大迭代次數、交叉和變異概率以及SAA各參數并。

2）計算種群適應度值，保留最優帕累托解集。

3）使用精英保留策略對種群進行選擇。

4）對染色體進行交叉變異操作。校正并修復進化后的染色體編碼，防止產生不可行解，合并父代與子代種群。

5）對結果中擁擠距離最大的個體進行SAA局部搜索，得到非支配集合Pareto_best和支配集合Pareto1，用Pareto_best代替原種群中支配等級最低的個體。

6）將Pareto1與原Pareto合并，更新當前種群的Pareto集合。

7）判斷是否達到終止條件。達到最大迭代次數則輸出最優解，否則，繼續執行步驟2）至步驟6）。

3.2 INSGAII_SAA

3.2.1 啟發式初始化種群

初始種群的質量影響著算法的性能^［14］。為了降低初始種群冗余程度，提高算法運行效率和解的質量，本文為初始化種群建立以下啟發式規則。

規則1：加工順序優先規則。根據不同交期時間安排加工順序，交期時間最近則最先安排生產。當交期時間相同或相近時，根據訂單的權重值安排生產順序，權重值越大越優先生產。

規則2：設備選擇優先規則。記錄各設備換品種次數，并設置閾值，在設備改機次數較多的情況下，優先選擇改機次數較少的生產設備，以均衡各設備改機次數。

染色體由訂單、紗線品種、加工設備和加工順序4部分組成。其中訂單部分與紗線品種部分關聯生成，例如訂單1包含紗線1數量為2噸、紗線2數量為1噸、紗線3數量為2噸，交付時間為3天；訂單2包含紗線2數量為2噸、紗線3數量為1噸、紗線4數量為2噸，交付時間為2天，如圖4所示。染色體長度等于各訂單紗線需求數量之和。

在訂單—品種關聯編碼完成后，為各品種的紗線選擇生產設備并確定各品種紗線加工順序。圖5為加工設備與加工順序編碼。

3.2.2 自適應選擇交叉變異算子

不同的交叉變異算子具有不同的全局搜索和局部搜索能力^［15］。本文根據渦流紡車間調度問題特點，通過對交叉和變異算子選擇概率的動態調整，使算法能夠根據當前種群的適應度情況，自適應選擇合適的交叉變異算子。對適應度較低的個體提高其選擇全局搜索能力較強的算子的概率，以增加種群多樣性，防止出現早熟現象；對適應度較高的個體，則提高其選擇局部搜索能力較強的交叉變異算子的概率，提高收斂效率。最后通過輪盤賭的方式選擇算子對染色體進行交叉變異操作。

式 （10）為交叉算子選擇概率自適應調整函數，式 （11）為變異算子選擇概率自適應調整函數。

p″ci=p′ci+0.1×（Fi—FA/FM-FA），Fi≥FA

p″ci=p′ci-0.1×（FA-Fi/FM-FA），Filt;FA（10）

p″mi=p′mi+0.1×（Fi—FA/FM-FA），Fi≥FA

p″mi=p′mi-0.1×（FA-Fi/FM-FA），Filt;FA（11）

式中：p″ci為調整后的交叉算子選擇概率，p′ci為初始交叉算子選擇概率，p″mi為調整后的變異算子選擇概率，p′mi為初始變異算子選擇概率，Fi為個體i的適應度，FM為種群最大適應度，FA為種群平均適應度。對調整后的算子選擇概率歸一化處理，如式 （12）。

pci=p″ci∑ni=1p″ci，pmi=p″mi∑ki=1p″mi（12）

式中：pci、pmi分別為第i個交叉算子和第i個變異算子被選擇的概率，n、k分別為交叉算子和變異算子的個數。

3.2.2.1 自適應選擇交叉算子

1）加工設備基因段交叉操作

對適應度較低的個體，增加均勻交叉算子被選擇的概率，對設備基因段進行交叉操作。隨機產生一組與基因段長度相等的二進制串，根據二進制串中1所對應位置的基因進行交叉操作。對適應度較高的個體，增強保留父代特性的能力，增加單點交叉算子被選擇的概率，隨機選擇一個基因位，交換兩父代染色體該基因位后方的等位基因獲得子代染色體。

2）加工順序基因段交叉操作

為防止基因段中產生重復加工順序而造成求解錯誤，采用OX交叉方式對加工順序基因段進行交叉操作，即隨機選擇兩個基因位，復制兩基因位之間的基因到子代染色體，其他基因依次從另一條父代染色體中獲取。

3.2.2.2 自適應選擇變異算子

基因變異操作是防止遺傳算法陷入局部最優并提高收斂效率的重要步驟^［16］。對加工設備基因段和加工順序基因段分別進行如下變異操作：

1）加工設備基因段

使用隨機變異的方式對加工設備基因段進行變異操作。隨機選擇一個或多個基因位，將對應基因位的設備編號替換為可用于加工該產品的設備集中的其他設備編號。

2）加工順序基因段

對適應度較低的個體，為增強變異操作對父代染色體的變動，增加全局搜索能力較強的倒序變異算子被選擇的概率，對基因段進行變異操作。對適應度較高的個體，增加局部搜索能力較強的交換變異算子被選擇的概率，降低對父代染色體的變動，從而使NSGAII_SAA擁有更強的局部搜索能力。

3.2.3 融合SAA局部搜索

SAA具有搜索效率高的特點^［17］。利用SAA對Pareto1集合中擁擠距離最大的個體進行局部搜索得到更優解，同時，使用Akram等^［18］提出的逆線性降溫函數并采用均勻分布與指數分布的組合作為差解的接受準則。具體步驟如下：

1）初始化SAA參數，設置初始溫度T、降溫系數及最低溫度Tmin等，并對Pareto集合中擁擠距離最大的個體進行SAA搜索。

2）通過擾動產生新解。若產生的新解嚴格支配原解或者與原解存在弱支配關系則將新解集保存至Pareto_best中；若新解完全支配于原解，則以一定概率接受新解，并將接受的新解存入Pareto1中，若不滿足接受概率則不接受新解，然后進行降溫操作。

3）判斷T gt;Tmin，若成立則跳轉到2），否則SAA結束，輸出Pareto_best和Pareto1。

4 實驗驗證

為驗證渦流紡車間調度模型以及改進算法的有效性，選取金華某渦流紡紗廠訂單數據（見表1）進行算法驗證。使用NSGAII、SAA和INSGAII_SAA計算結果對比驗證。

本文實驗環境為：64位Windows11操作系統，IntelCorei5—1155G7CPU，16GB內存；編程語言為Matlab；編譯器版本為MatlabR2018b。

4.1 改進方法分析

4.1.1 啟發式初始化種群結果對比

在NSGAII的基礎上增加啟發式規則初始" 化種群，記為INSGAII_SAA（1）。圖6為NSGAII和INSGAII_SAA（1）迭代對比圖，從圖6可知，增加啟發式規則后，初始種群的冗余度低于原始算法。

圖7為NSGAII和INSGAII_SAA（1）求解得到的目標函數值分布情況。從圖7可知，在原始NSGAII中添加啟發式規則初始化種群后，得到的目標值總體上小于原始算法得到的目標值。說明加入啟發式規則在一定程度上改善了算法的解集分布。

4.1.2 自適應選擇交叉變異算子結果對比

在INSGAII_SAA（1）基礎上引入自適應選擇交叉變異算子機制，記為INSGAII_SAA（2）。圖8為INSGAII_SAA（1）與INSGAII_SAA（2）迭代對比圖，從圖8可知，在INSGAII_SAA（1）基礎上為算子增加自適應機制后，算法的收斂效率和搜索能力有所提升。

圖9為INSGAII_SAA（1）和INSGAII_SAA（2）求解結果比較圖。從圖9可知，INSGAII_SAA（2）的求解結果相較于INSGAII_SAA（1），解集分布更為集中。這表明，為交叉變異算子添加自適應選擇機制可以進一步改善求解結果的分布情況。

4.1.3 融合SAA結果對比

在INSGAII_SAA（2）的基礎上融合SAA，構成完整的INSGAII_SAA。圖10為INSGAII_SAA（2）與INSGAII_SAA迭代對比圖，從圖10可知，融合SAA后，INSGAII_SAA具有更優秀的搜索能力。

圖11為INSGAII_SAA和INSGAII_SAA（2）的計算結果對比。從圖11中可知，INSGAII_SAA的解集分布總體優于INSGAII_SAA（2）的解集分布，表明通過整合SAA后的改進算法有更優秀的局部搜索能力，可以得到更優的解集。

4.1.4 Pareto前沿分布對比

圖12為NSGAII和INSGAII_SAA迭代過程中Pareto解集分布對比圖，種群大小和最大迭代次數均為100。由于傳統的SAA并未涉及Pareto解集，故不作對比。

如圖12所示，INSGAII_SAA所得的Pareto解集在解空間的分布情況優于INSGAII解集，說明INSGAII_SAA具有更優秀的全局搜索能力和求解效果。

4.2 案例求解對比

圖13是使用SAA、NSGAII、INSGAII_SAA、MOSAA以及MOPSO對案例中訂單樣本求解100次的結果分布圖。因實際生產中訂單逾期造成的損失較大，改機操作消耗的人力物力較高，故式 （9）中α、β、δ分別取0.1、0.5、0.4。為便于對比，在求解結果中，依次根據β、δ、α數值大小選擇最優個體。

從圖13可以看出，本文提出的INSGAII_SAA求解結果均優于所選對比算法所得結果。

表2為各組訂單目標函數值對比結果，其中B、W、A分別代表最優值、最差值和平均值。

通過圖6—圖13可以看出，NSGAII_SAA初始種群冗余度低于原始算法。在迭代過程中，自適應選擇算子和SAA的使用使得改進算法具有更強的全局搜索和局部搜索能力。由表2可知，對于第1組和第4組結果可知，NSGAII_SAA相較于原始NSGAII，f1（最大完成時間）平均減少約8.7%，f2（逾期損失）平均降低約59.89%，f3（改機次數）平均減少約34.91%，NSGAII_SAA相較于SAA，求解結果中f1（最大完成時間）平均減少約19.18%，f2（逾期損失）平均降低約80.45%，f3（改機次數）平均減少約44.92%。當算法具有較好的搜索能力時，可避免產生逾期損失，由第2組和第3組結果可知，改進算法擁有更優秀的搜索能力，不易陷入局部最優的情況。

4.3 調度結果

圖14為各組訂單的最優調度甘特圖，0代表改機操作。從圖14可知，NSGAII_SAA調度結果在保證逾期損失最小的同時，訂單完成時間較為均衡，且有效控制了改機次數。表3為訂單調度方案的實際交付日期及逾期損失，調度結果符合實際生產預期。

5 結論

本文著眼于渦流紡生產由品種單一化的生產模式向小批量多品種的生產模式發展趨勢，對小批量多品種的渦流紡生產調度問題進行研究，建立了包含多目標的渦流紡車間調度模型，并基于NSGAII提出了INSGAII_SAA，再通過對渦流紡企業實際訂單信息進行模擬計算，得到以下結論：

a）與所選對比算法相比，INSGAII_SAA具有更好的全局搜索能力和局部搜索能力。在對比算法陷入局部最優時，INSGAII_SAA能夠跳出局部最優并對解空間進行高效搜索，獲得全局最優解集。

b）與原始算法NSAGII和SAA相比，INSGAII_SAA所得調度方案各目標值更優。相較于NSGAII，INSGAII_SAA的最大完成時間平均減少了8.82%、逾期損失平均減少59.89%、改機次數平均減少20.60%；相較于SAA，INSGAII_SAA的最大完成時間平均減少了19.18%、逾期損失平均減少80.45%、改機次數平均減少44.92%。

c）在保證逾期損失最小的情況下，INSGAII_SAA有效縮短了訂單完成時間，并減少了改機操作次數，適用于求解渦流紡小批量多品種生產模式的調度問題。

本文結合渦流紡的生產發展趨勢，為小批量多品種生產模式提供了一種更加科學的調度方法。然而，為便于理論驗證，本文忽略了因紡紗原料供應以及運輸過程所消耗的人工成本。另外，本文也未考慮實際生產中緊急插單等特殊情況對調度方法的影響，這種緊急插單情況下的渦流紡車間重調度問題值得進一步研究。

參考文獻：

［1］付佳琦，楊瑞華.噴氣渦流紡紗技術進程與展望［J］.棉紡織技術，2024，52（10）：92-96.

FU Jiaqi， YANG Ruihua. Progress and prospect of air jet vortex spinning technology［J］. Cotton Textile Technology， 2024， 52（10）： 92-96.

［2］KOMAKI M， MALAKOOTI B. General variable neighbor-hood search algorithm to minimize makespan of the distri-buted no-wait flow shop scheduling problem［J］. Produc-tion Engineering， 2017， 11（3）： 315-329.

［3］潘欣明， 王靜安， 邱子峻， 等. 基于改進蟻群算法的色紡企業生產調度方法［J/OL］.現代紡織技術，2024：1-12［2024-10-23］.http：//kns.cnki.net/kcms/detail/33.1249.TS.20240624.0930.002.html.

PAN Xinming， WANG Jing'an，QIU Zijun， et al. Research on production scheduling method of colored textile enter-prise based on improve ant colony algorithm［J］. Advanced Textile Technology， 2024：1-12［2024-10-23］.http：//kns.cnki.net/kcms/detail/33.1249.TS.20240624.0930.002.html.

［4］MA H， SUN C， WANG J， et al. Multisystem optimization for an integrated production scheduling with resource saving problem in textile printing and dyeing［J］. Complexity， 2020， 2020： 8853735.

［5］KRISHNAMOORTHY P， SATHEESH N， SUDHA D， et al. Effective scheduling of multi-load automated guided vehicle in spinning mill： a case study［J］. IEEE Access， 2023， 11： 9389-9402.

［6］高詠珊， 張蘇道， 孔維健， 等. 基于遺傳算法的細紗接頭調度策略［J］. 上海紡織科技， 2022， 50（7）： 19-22.

GAO Yongshan， ZHANG Sudao， KONG Weijian， et al. Scheduling strategy of spinning joint based on genetic algorithm［J］. Shanghai Textile Science amp; Technology， 2022， 50（7）： 19-22.

［7］章國政. 基于遺傳算法的紡紗車間計劃調度優化策略研究［J］. 紡織報告， 2021， 40（2）： 36-39.

ZHANG Guozheng. Research on optimal strategy of spinning workshop planning scheduling based on genetic algorithm［J］. Textile Reports， 2021， 40（2）： 36-39.

［8］董平軍， 俞佳安. 考慮學習—遺忘效應的服裝縫制車間生產調度模型［J］. 現代紡織技術， 2023， 31（3）： 81-91.

DONG Pingjun， YU Jia'an. Production scheduling model of garment sewing workshop with learning and forgetting effects［J］. Advanced Textile Technology， 2023， 31（3）： 81-91.

［9］周亞勤， 王攀， 張朋， 等. 緯編織造車間生產調度方法研究［J］. 紡織學報， 2021， 42（4）： 170-176.

ZHOU Yaqin， WANG Pan， ZHANG Peng， et al. Research on production scheduling method for weft knitting workshops［J］. Journal of Textile Research， 2021， 42（4）： 170-176.

［10］LI K， ZHANG H， CHU C， et al. A bi-objective evolutionary algorithm for minimizing maximum lateness and total pollution cost on non-identical parallel batch processing machines［J］. Computers amp; Industrial Eng-ineering， 2022， 172： 108608.

［11］劉建林， 汪軍， 鄒專勇. 870 EX型渦流紡紗機優勢分析及應用［J］. 紡織器材， 2024， 51（1）： 24-26.

LIU Jianlin， WANG Jun， ZOU Zhuanyong. Advantages analysis and application of 870 EX vortex spinning machine［J］. Textile Accessories， 2024， 51（1）： 24-26.

［12］雷鈞杰， 沈春婭， 胡旭東， 等. 基于NSGAII和神經網絡的織造車間大規模調度［J］. 紡織學報， 2023， 44（11）： 208-215.

LEI Junjie， SHEN Chunya， HU Xudong， et al. Large-scale scheduling of weaving workshop based on NSGAII and neural network［J］. Journal of Textile Research， 2023， 44（11）： 208-215.

［13］EIBEN A E， SMIT S K. Parameter tuning for configuring and analyzing evolutionary algorithms［J］. Swarm and Evolutionary Computation， 2011， 1（1）： 19-31.

［14］WANG H， FU Y， HUANG M， et al. A NSGA-II based memetic algorithm for multiobjective parallel flowshop scheduling problem［J］. Computers amp; Industrial Eng-ineering， 2017， 113： 185-194.

［15］黃學文， 陳紹芬， 周闐玉， 等. 求解柔性作業車間調度的遺傳算法綜述［J］. 計算機集成制造系統， 2022， 28（2）： 536-551.

HUANG Xuewen， CHEN Shaofen， ZHOU Tianyu， et al. Survey on genetic algorithms for solving flexible job-shop scheduling problem［J］. Computer Integrated Manufactu-ring Systems， 2022， 28（2）： 536-551.

［16］牟健慧， 段培永， 高亮， 等. 基于混合遺傳算法求解分布式流水車間逆調度問題［J］. 機械工程學報， 2022， 58（6）： 295-308.

MU Jianhui， DUAN Peiyong， GAO Liang， et al. Hybrid genetic algorithm for distributed flow shop inverse sche-duling problem［J］. Journal of Mechanical Engineering， 2022， 58（6）： 295-308.

［17］沈春婭， 方遼遼， 彭來湖， 等. 基于自適應模擬退火算法的整經準備車間排產模型［J］. 紡織學報， 2024， 45（3）： 81-86.

SHEN Chunya， FANG Liaoliao， PENG Laihu， et al. Production scheduling of warping department based on adaptive simulated annealing algorithm［J］. Journal of Textile Research， 2024， 45（3）： 81-86.

［18］AKRAM K， KAMAL K， ZEB A. Fast simulated annealing hybridized with quenching for solving job shop scheduling problem［J］. Applied Soft Computing， 2016， 49： 510-523.

A vortex spinning workshop scheduling method based on improved NSGAII algorithm

LUO Laibing1，" FANG" Liaoliao1，" SHEN" Chunya2，" SHI" Luhong2，" HU" Xudong1

（1.Key Laboratory of Modern Textile Machinery amp; Technology of Zhejiang Province， Zhejiang Sci-Tech

University， Hangzhou 310018， China; 2.Zhejiang Kangli Automation Technology Co.， Ltd.， Shaoxing 312500， China）

Abstract：

To cope with the challenge of gradually changing production of vortex spinning in the textile industry from the traditional single large-volume mode to the small-volume and multi-variety mode， a new scheduling method is proposed in this paper. The method is based on analyzing the order production of a vortex spinning enterprise in Jinhua， and by this method， the article constructs a multi-objective optimization model with the objectives of minimizing the maximum completion time， minimizing the overdue loss and minimizing the number of changeover times. The article also solves the model by the proposed INSGAII_SAA algorithm. The research focuses on improving the production scheduling efficiency to cope with diversified market demands and helping enterprises to reduce the comprehensive cost of production management.

In this paper， firstly， through the analysis of the vortex spinning production process， the vortex spinning scheduling optimization model under the small batch and multi-species mode is established. The model comprehensively considers several production constraints， such as equipment availability， the number of change machines， order priority， etc.， to ensure the practical applicability of the model. On this basis， this paper proposes the INSGAII_SAA algorithm， which aims to improve the efficiency and effectiveness of the solution by avoiding the algorithm from falling into problems such as premature convergence. In terms of algorithm improvement， this paper mainly has three major innovations. Firstly， heuristic rules are used to initialize the population to reduce the redundancy of the initial solution space and improve the quality of the population. Secondly， the mechanism of adaptive selection of the cross-mutation operator is introduced. The traditional cross-mutation operation has a trade-off between local search and global search ability， while in this paper， by dynamically adjusting the selection probability of the cross-mutation operator， the algorithm is able to adaptively select the appropriate operator， which improves the algorithm's local and global search ability while guaranteeing the diversity of the population. Thirdly， this paper incorporates the simulated annealing algorithm （SAA）to locally search the individual with the largest crowding distance to further optimize the algorithm's solving ability and effectively avoid the solution set from falling into the local optimum. To verify the effectiveness of the improved algorithm， this paper selects the order data of a vortex spinning enterprise in Jinhua for experiments. The results show that the proposed INSGAII_SAA algorithm outperforms NSGAII in several performance indicators. INSGAII_SAA reduces the maximum completion time by about 8.7% on average， reduces the overdue loss by about 59.89% on average， and reduces the number of changeover times by about 34.91% on average compared to the original NSGAII.

The improved algorithm proposed in this paper shows good results in the experiments， but there are still some limitations. First of all， the production interruption problem that may be caused by factors such as insufficient supply of raw materials or equipment failure is not considered in the model construction process of this paper. In addition， situations such as order insertion or emergency orders that may occur in actual production are also not taken into account in the model. In future research， the scheduling model can be further optimized for these problems to improve the robustness of the model and the adaptability of the algorithm.

Keywords：

vortex spinning; spinning workshop; production scheduling; multi-objective optimization; improving NSGAII