基于改進蟻群算法的色紡企業生產調度方法

摘 要：針對目前色紡企業在色紡紗品種多、訂單批量小、色紡工藝變化大的情況下，人工生產易出現調度困難和效果差的問題，提出一種采用改進蟻群算法的色紡企業生產調度方法。基于實際生產條件和要求，建立了色紡細紗工序生產調度模型，以訂單交期積分規則評分、細紗機等待翻改的停臺時間、最大完工時間和訂單超期總數為目標，考慮了細紗機接續生產紗線品種相似度，并改進了蟻群算法，以色紡企業不同規模細紗機和訂單量的生產調度問題進行仿真實驗，證明了該方法的有效性和魯棒性。研究表明，此改進蟻群算法生產調度效果優于人工調度方法，能夠滿足色紡企業實際場景下生產調度的需要。

關鍵詞：色紡企業；生產調度；多目標優化；改進蟻群算法

中圖分類號：TS111.8

文獻標志碼：A

文章編號：1009-265X（2025）02-0130-10

色紡產業作為紡織行業的一個分支，整體工藝流程與傳統紡織基本相同，但色紡行業其自身具有品種多、批量小、變化大、交期緊湊的特點，同時色紡紗生產包含配色打樣流程，一個車間要同時生產不同顏色、不同混紡比的多種色紡紗，因此，色紡工藝流程復雜，與傳統紡織有差異。在色紡企業中，生產調度優化生產資源分配，是提高色紡企業競爭力的有效措施。其中，細紗作為色紡紗生產的成紗工序，該工序的生產調度直接影響到色紡企業紗線的產量和效益。通過優化細紗生產調度，能夠有效減少細紗車間機器空閑時間，提高訂單準時交付率。當前色紡企業的細紗工序主要通過技術人員依據經驗，按照倒排法、正排法，對數十個品種進行生產調度。但該方法存在工作量大、響應速度慢和出錯概率高等缺陷，致使企業生產效率降低和產品超期交付率增加，而通過計算機輔助生產調度可以有效彌補人工調度的缺點。

當前，在計算機輔助生產調度領域，通常對問題的需求和約束進行數理建模，求解最優化解集，獲得最佳生產調度方案。在數理建模方面，Chen等^［1］使用線性規劃，將紡織機械的定時維修作為約束，建立了紡織織造生產調度模型。Hsu等^［2］將整個色紡生產調度問題分解為紡紗-織造-染色建立混合整數模型，但約束有一定的局限性。Wang等^［3］將織造調度問題轉化為染色體的進化求解過程，建立織造調度模型。孟碩等^［4］采用主進化遺傳算法求解織造生產調度問題，以織機類型為約束，構建一個并行織造生產調度模型。董平軍等^［5］考慮了工人熟練度和工序間的差異性會對加工效率有影響，建立了考慮員工學習—遺忘效應的服裝縫制車間生產調度模型。周亞勤等^［6］采用對緊急訂單拆分的規則，構建了綜合考慮織造車間因素的生產調度模型。Avgerinos等^［7］考慮了工作分割、序列和機器設置時間因素，建立了適用于大規模紡織織布過程生產調度模型。在求解最優化解集方面，元啟發式算法具有構造簡單、收斂速度快和搜索最優解能力穩定等顯著優點，通常用于求解最優化解集問題^［8］。Sun等^［9-11］采用遺傳算法解決了針織、紡紗和紡織品批量染色的生產調度問題；馮影等^［12］和Zhang等^［13］通過粒子群算法解決了關于環錠紡和紡織品染色中污水排放的生產調度問題；He等^［14］采用基于改進蟻群算法解決了多目標、具有柔性約束的并行機織造生產調度問題。在上述研究中，一方面，許多學者在數理建模時主要考慮了機器設置時間、工作序列和生產時間因素，對本色環錠紡和織造生產調度問題進行建模。然而，色紡企業具有品種多、批量小、變化大、交期緊湊的特點，上述的紡紗生產調度模型無法解決色紡企業的生產調度問題，因此需要對不同顏色紗線的訂單同時進行生產調度。另一方面，色紡企業的產品差異性大，規格種類繁多，致使色紡企業生產調度問題的解集空間大，上述優化方法面臨求解效率低和精度不足等問題。

針對色紡企業的生產調度問題的特殊性，本文擬構建一個新型的色紡細紗工序生產調度模型，該模型適用于色紡紗生產調度解集范圍大、約束條件復雜等情況。同時，本文還提出一種改進蟻群算法求解該模型，并以色紡企業不同規模細紗機和訂單量的生產調度問題進行仿真實驗，以期為色紡企業實際場景下生產調度提供參考。

1 色紡細紗工序生產調度模型

1.1 問題描述

在色紡企業細紗車間，工作人員需要同時處理多個小批量品種訂單，在多臺生產進度各不相同的并行細紗機進行生產調度。當對一個訂單進行生產調度時，它包含4個特征：紗線品種、產品重量（G）、交期時間（D）和配色比。其中，產品重量與機器容量（M）是色紡企業對訂單進行劈單和生產調度的依據。色紡企業生產調度符合流水車間調度的特點，所以該生產調度問題可以建模為具有阻塞約束的混合流水車間調度問題。建模規則如下：若色紡企業中訂單數為n，細紗工序有k1臺細紗機器，翻改機臺人員的班組數為r；每個訂單在每道工序僅生產一次；當機臺需要翻改時，僅當存在空閑人員的班組，機臺才能進行翻改，否則，需要進行停機等待。

針對色紡企業實際的生產調度要求，假設在開始時所有訂單和機器都是可調度、可用的；不考慮生產過程機器發生故障和維護的情況；色紡紗的紡紗工序采用條混工藝進行生產；訂單上機生產后，均服從經驗數據進行生產，即排除色紡生產過程中所有人為和非人為意外因素，能夠精確地預測生產用時。

1.2 優化目標

色紡企業的訂單生產完工時間應該小于且臨近訂單的交貨期限，避免訂單完工時間過早，造成訂單庫存堆積。在建立色紡細紗工序生產調度問題的優化模型中，提出了一種訂單完工時間積分評分規則，如圖1所示。情況1為訂單在交貨期限前完成生產，情況2和情況3都為訂單生產超期，情況2是訂單的部分生產時間超期，情況3是訂單量全部生產

時間超期，情況1－3對應懲罰函數的適應度值見圖1。圖1中，Sik1為訂單i在第k1臺細紗機的開始生產時間；Cik1訂單i在第k1臺細紗機的完工時間；Ds為第s訂單的交貨日期；Ii為第i個批訂單的交期積分規則評分值（i=1， 2， 3，…，Qs，其中Qs為訂單s的劈單數）；G（t）為訂單剩余數量的函數；Q（t）與時間相關的遞增函數；b為一個常數函數。

色紡企業生產調度計劃的目標是增加產品準時交付率、減少細紗機停臺時間和提高細紗機利用率，結合企業實際需求，設立目標函數為最小訂單交期積分規則評分、細紗機等待翻改的停臺時間、最小最大完工時間和超期總數。

F0=min∑ns=1∑Qsi=1Ii（1）

Ii=

∫^Ds-Cik10σ（t）dt， TSlt;DS

∫^Δs0Gsiφ（t）dt+∫^Cik1-DsΔs（Gsi+vi（Δs）-vit）φ（t）dt，TSgt;DS，Tmik1gt;Ds

∫^Cik1-Ds0（Gsi-vi（Ds-Sik1））φ（t）dt，TSgt;DS，Tmik1lt;Ds（2）

F1=min∑ns=1∑Qsi=1Wi（t）（3）

Wi（Tmik2）=Mti（4）

∑mk=1max（Mk1（Tmik2+Mti））≤Nr（5）

F2=min（T1，T2，…，Ts）（6）

F3=∑ns=1（Xs）（7）

式中：F0為最小訂單交期積分規則評分，s為訂單的索引（s=1，2，3，…，n，其中n為訂單數）；Ii為第i個批訂單的交期積分規則評分值（i=1，2，3，…，Qs，其中Qs為訂單s的劈單數）；Δs為Tmik1與Ds的差值；Sik1為訂單j在第k1臺細紗機的開始生產時間；Cik1訂單i在第k1臺細紗機的完工時間；F1為最小細紗機等待翻改停臺時間；Wi（Tmik2）和Mti為在Tmik2時刻第i批訂單在細紗工序造成細紗機等待翻改停臺時間；Mk1（Tmik2+Mti）為第k1臺機器在Tmik2+Mti時刻屬于等待翻改時間或者處于翻改時間，Mk1（t）=1，否則，Mk1（t）=0；F2為最小最大完工時間；Ts為第s訂單的完工時間，完工時間包括訂單在細紗機紡紗時間及等待安排訂單上機生產的總時間；F3為訂單超期總數；Xs為訂單超期決策變量，若Tslt;Ds時，Xs=0否則，Xs=1。

式（2）為對應訂單完工時間于不同情況下按照積分懲罰規則的計算公式。情況1為訂單沒有超期的積分懲罰規則的計算公式；情況2為訂單完工時間和訂單開始生產時間大于訂單交期時間的積分懲罰規則計算公式；情況3為訂單完工時間大于交期時間，但是訂單開始生產時間小于訂單交期時間的積分懲罰規則計算公式。式（4）為訂單在某時刻細紗機器進行上機翻改時，翻改人員不足造成機器停臺的時間，同時該翻改停臺時間需要滿足式（5）。

1.3 約束條件

1.3.1 生產約束

色紡企業紡紗生產過程會發生“攔單”現象。這一現象發生在色紡紗生產過程的常規抽檢中，當發現生產的紗線與訂單樣品存在差異，需要停止對應生產設備，避免生產的產品不符合標準。

發生上述紗線的成因可概況為兩點：在生產過程中，由于細紗機在更換生產的紗線品種時，工人對機器清理不干凈；或相鄰的生產機器之間，由于生產紗線品種顏色差異過大，各種顏色纖維相互沾色。當發生攔單時，需要對被攔下的訂單和計劃生產的訂單重新進行生產調度。因此，企業中不同品種和數量的訂單會安排不同區域和數量的細紗機進行生產，相鄰機器生產訂單和接續生產訂單紗線顏色差異限制在一定范圍θ，顏色差異值為細紗機接續生產訂單紗線HSV的歐幾里得值，如式（8）所示：

Y^ijk1=1，x^ijk1=‖HSVi-HSVj‖lt;θ

0，x^ijk1=‖HSVi-HSVj‖gt;θ（8）

式中：x^ijk1計算機臺接續生產訂單i，j和相鄰的機臺同時生產訂單之間的歐幾里值；HSVi是訂單i對應HSV色立體模型的顏色值^［15］。Y^ijk1為決策變量，訂單j與所對應上機第k1臺細紗機所紡的紗線支數相同，且接續上機訂單配色顏色差異小，如式（9）所示：

∑Qsi=1Y^ijk1=Qs （k1=1，2，…，m；s=1，2，…，n）（9）

1.3.2 機器容量約束

在色紡企業，工作人員對訂單劈單，安排多臺細紗機共同生產，避免某些訂單生產時間過長，造成細紗機發生半制品堆積，影響企業的產品準時交付率。訂單需要劈單處理后進行生產，劈單量和訂單劈單數的計算如式（10）和（11）所示：

Qslt;1pDs（10）

GsQslt;Ms（11）

式中：Gs為訂單s的訂單量；Vs為訂單s在細紗機的生產時間；Ms為細紗機的最大可容納訂單s品種紗線的粗紗量。

1.3.3 完工時間約束

色紡生產調度的基本依據是細紗工序生產時間，按照前一個訂單生產結束才能開始生產下一個訂單，如式（12）—（14）所示：

Sjk1≥（Cik1+Wj）Y^ijk1（12）

Li≤Gsigsi×Md≤Li+1（13）

Cjk1≥Sjk1+Vjk1+∑Lj+1lj=1，lj∈NΔt1（14）

式中：Sik1為訂單j在第k1臺細紗機的開始生產時間；Cik1訂單i在第k1臺細紗機的完工時間；Vjk1為訂單j在第k1臺細紗機的生產時間；Lj為訂單j在細紗工序落紗次數；gsj是訂單劈單后的訂單量；Md為細紗機的錠數；Δt1是細紗機的落紗時間。

在色紡紗過程中，當一個品種完工，擋車工人需要對細紗機進行翻改，因此，需要確保機器翻改時，擋車工人處于閑置狀態，如式（15）所示：

∑mk1=1max（Mk1（Tmik2+Wi（Tmik2）））≤Nr（15）

式中：Tmik2為在對訂單i細紗工序生產調度時，最快了機細紗機k2的了機時刻；Mk1（t）為第k1臺機器在t時刻屬于等待翻改時間或者處于翻改時間，Mk1（t）=1，否則，Mk1（t）=0；Nr為細紗工序機器翻改班組數。

2 改進蟻群算法解決具有阻塞約束色紡細紗工序生產調度模型

色紡紗不同細度不同顏色、不同細度相同顏色的紡紗工藝參數變化大。在細紗工序生產時，不同品種的訂單不能共用相同的粗紗進行生產，每個訂單對應的半制品粗紗均需要重新配色生產，而本色環錠紡可共用相同的半制品粗紗進行生產。蟻群算法在解決NP-hard和動態最短路問題方面具有優越性^［16-17］。該算法的解構建機制處理約束條件較簡單，但存在計算量大、收斂速度慢和容易陷入局部最優的問題。針對色紡企業訂單品種多、色紡工藝復雜、模型的復雜度高和約束條件較多的特點，設計一種改進蟻群算法對模型進行求解。

2.1 改進蟻群算法

算法的整個流程圖如圖2所示，在螞蟻構造色紡細紗工序生產調度模型最優解中，將細紗工序作為虛擬地域模塊，將訂單作為螞蟻移動的節點，將每道工序的并行機器當作虛擬節點。首先對蟻群和路徑信息素進行初始化，然后根據候選表策略和偽隨機比例轉移規則選擇每道工序生產的訂單和細紗機。在一只螞蟻在每個虛擬地域模塊完成一個循環后，獲得每個訂單在每道工序的第k1臺并行機器生產的順序。根據訂單信息和細紗機信息，可以得到每個訂單的完工時間、順序、訂單完工時積分評分值和細紗工序總的停臺翻改時間。在所有螞蟻完成一次迭代之后，比較各個螞蟻的目標函數值，選擇最優路徑。如果選取的最優解中存在訂單超期，排除該最優解，重新選取最優解。經過幾次迭代達到最大迭代次數，輸出全局最優解。

2.2 采用候選表策略的偽隨機比例狀態轉移規則

傳統蟻群系統（Ant colony system， ACS）是一種構造式隨機算法，在每次選擇下一個節點時，需要考慮所有可選擇的節點，致使狀態轉移規則的計算量大^［18］。為了提高蟻群系統的搜索效率，特別是對于色紡企業這種較大規模的生產調度問題，提出了一種候選表策略。候選表是包含相似訂單選取概率的解集，能夠根據當前節點的細紗機器的上機順序、前一道工序各訂單的完工時間、訂單的紗線支數和顏色族，計算相同紗線支數和顏色族的選取概率，如果候選表中還有未訪問過的訂單，螞蟻就會按照偽隨機狀態轉移規則從候選表中選取一個訂單，如式（16）所示：

j∈partfirst，" ‖HSVki-HSVkj‖lt;θ

alloweds，其他（16）

式中：partfirst為訂單的紗線支數和顏色族統計相同紗線支數和相近顏色族的訂單的集合。

2.3 啟發信息素

在色紡企業生產調度問題中，約束既有硬性約束又有柔性約束，傳統蟻群系統的期望計算公式顯然已不再適用該問題。因此，在細紗工序引入c^k1ij（訂單超期預測值）和a^k1ij（機器接續上機訂單紗線顏色族的適應度得分），細紗工序以每個訂單的交期積分規則評分和細紗機等待翻改的停臺時長的指數函數值作為路徑長度，如式（17）—（19）所示：

φij=λe^Ij+ωe^Wje^Ij+Wj+（1-λ-ω）a^k1ij（17）

c^k1ij=Dsvj-Cjk1vjgsjDsgt;Cjk1（18）

a^k1ij=e^{-‖HSVi-HSVj‖}（19）

式中：φij表示從訂單i到訂單j的螞蟻轉移期望程度；gsj為訂單j品種紗線單管紗的重量；c^k1ij代表螞蟻從訂單i到訂單j的訂單超期預測程度；a^k1ij為訂單i與訂單j紗線顏色相似值；τ， λ， ω表示權重系數。

在整個選擇過程中，實際上是為每臺細紗機選擇達到生產條件訂單的粗紗。每次選好訂單后，比較各個細紗機的了機時間，選擇最早了機時間的細紗機為螞蟻下一個生產調度的對象，如式（20）所示：

ki1=min（Ttk2）（20）

式中：kj1為生產訂單i最早了機并行機器的索引（k2=1，2，…，m）。

2.4 自適應信息素更新

在算法執行的早期階段，某些路徑的選擇概率會越來越小，為了避免算法過早停滯，設置兩個閾值E和K控制螞蟻信息素的釋放。如果迭代次數k是小于1/4倍的最大迭代次數，只允許全局最優的螞蟻才可以釋放信息素，使螞蟻具有更強的開發能力，否則采用局部信息素更新^［18］；如果連續迭代K次后，目標函數F0、F1和F2的值沒有改進，將在全局路徑上重新初始化信息素、蟻群數和采取全局信息素更新。K的值也通常是最大迭代次數的三十分之一，這有助于促進解的多樣性，避免過早陷入局部最優解。

2.5 最大最小蟻群系統

在算法的循環迭代過程中，總是強調最優路徑的發展，即在迭代過程中全局最優的螞蟻才被允許釋放信息素。然而，這使某些路徑的信息素濃度增長過快，導致所有的螞蟻搜索相同的路徑，使算法在早期停滯。為此，引入最大最小蟻群系統，設置了信息素濃度的最大值和最小值［τmin，τmax］，當信息素濃度超過最大值τmax，則將其設置為τmax；當信息素濃度小于最小值τmin，則將其設置為τmin^［19］。路徑的信息素濃度被控制在一個動態范圍內，以防止特定路徑信息素過度疊加，避免算法過早收斂到局部最優。

信息素的最大值和最小值設置如公式（21）和（22）所示：

τmax（t）=3-3p+2ρ22（1-ρ）×e^-L（t）（21）

τmin（t）=τmax（t）σ（22）

式中：L（t）為第t次迭代的最優路徑；ρ為信息素揮發系數；σ為一個服從二項分布的隨機數。

3 實驗與討論

3.1 實驗細節

色紡企業的細紗車間由96臺EJM128K細紗機組成，把機器按照紗線的支數，分為紡織高支數和低支數品種紗線的細紗機。表1是由0到7隨機數μ1和μ2自由組合的數組對應64種色紡紗顏色的HSV值，用于查找訂單顏色HSV值。表2表示每個訂單的詳細信息，它包含了紗線品種、顏色、訂單量、交期時間和編碼，例如23031620，其中2303表示訂單的生產日期是2023年3月，16表示訂單顏色在HSV表格的索引，20表示訂單紗線的支數。表3表示生產不同支數紗線的機器參數，它包含了生產不同品種紗線的細紗機錠子轉速、捻度和細紗機的產量。

本實驗將64個訂單按照式（10），劈成276個子訂單，在96臺細紗機進行生產調度。對算法的參數設置，算法參數默認選擇的蟻群大小為N=100，迭代次數為G=300，信息素因子α=2.0，啟發式信息因子β=2.0，揮發因子ρ=0.5，最大信息素濃度為τmax=6.0，最小信息素濃度為τmax=0.01^［20］。

3.2 參數選取

在蟻群算法的實現過程中，需要設置信息素因子、啟發式信息因子和信息素的揮發系數等多個參數，更好的參數組合可以提高算法的全局搜索能力和收斂速度。信息素因子和啟發式信息因子能夠顯著影響路徑選擇概率，通過信息素揮發系數能進一步優化信息素的作用效果。為此，首先通過使用不同的α和β值，得到目標函數F0（訂單交期積分評分適應度值）在其不同組合下的值，結果如表4所示。

揮發系數ρ可以用來調整算法的探索度和集中度，當α=2.0和β=3.0時，研究不同ρ值下的目標函數值。當ρ=0.75時，各個目標函數F0、F1、F2和F3值較好，其中，雖然目標函數F0不是最優的，但與最優值差別較小。在色紡企業的生產調度問題中，F1值與色紡企業的實際產量有關，應盡可能地減小細紗機器停滯時間，提高色紡企業的生產效益。因此，設置ρ=0.75是相對合理，結果如表5。

蟻群算法在求解中，參數選取為：種群大小N=100，信息素因子α=2.0，啟發式因子β=3.0，揮發系數ρ=0.75，迭代閾值迭代次數為300。每個目標函數的值如圖4所示，圖中F0-ACS、F1-ACS、F2-ACS和F3-ACS分別代表：采用傳統蟻群算法確定的訂單交期積分評分適應度值、細紗機等待翻改停臺時間、細紗機最大完工時間和訂單超期數。在采取改進措施后，設置τmax=6.0，τmin=0.15。目標函數值的變化如圖4所示，圖中F0-AMMACS、F1-AMMACS、F2-AMMACS和F3-AMMACS分別代表：采用改進后的蟻群算法確定的訂單交期積分評分適應度值、細紗機等待翻改停臺時間、細紗機最大完工時間和訂單超期數。

從圖3可以看出，改進蟻群算法加快了目標函數的收斂速度，對于優化目標函數F0、F1、F2和F3，在初始迭代時優化效果好。這主要由于候選表策略使螞蟻初始構造的解偏好，提高了螞蟻構造最優解的能力，同時在進行迭代時采用全局信息素更新規則，提高螞蟻的全局搜索能力，促進了解的多樣性。然而，隨著迭代的進行，精英個體逐漸被挑選出來，尋找最優解的速度不斷加快。對于每個目標函數值，訂單交期積分評分適應度值減少了56.43%，細紗機等待翻改停臺時間減少了15.33%，訂單最大完工時間減少了2.24%。此外，由圖4中可知，采用改進蟻群算法后，求解出的最優解優于傳統蟻群算法，同時，大部分目標函數收斂較快。其中，雖然細紗機最大完工時間的目標函數收斂較慢，考慮到兩者差距較小且改進蟻群算法求得最優解較好，可認為，改進蟻群算法在總體上優于傳統蟻群算法。綜上所述，改進蟻群算法具有明顯的效果，提高了算法的全局搜索能力，提高了算法性能。

為了驗證算法的穩定性，采用改進蟻群算法求解不同數量訂單和不同規模細紗車間的色紡企業生產調度問題。其中，訂單數分別為31、43和52，對應劈單數分別為122、186和225，分別在48、72、96臺細紗機的細紗車間環境下，組合成不同調度規模的9組色紡企業生產調度問題，如表6所示。其中，在訂單數量較多、交貨期緊湊并且可調度的細紗機臺不足的情況下，存在部分訂單一定超期的現象，如表6中第4組和第9組色紡企業生產調度問題。而改進蟻群算法可確保求解出超期訂單數最少、各個目標函數值最優的生產調度方案。綜上所述，改進蟻群算法可以解決色紡企業不同規模細紗機和訂單量的生產調度問題，具有良好的魯棒性。

3.3 方法比較

為了驗證算法的有效性，采用傳統蟻群算法、人工調度方法與改進蟻群算法進行比較，由圖5所示。元啟發式算法相較于人工調度有一定優勢。改進蟻群算法相比人工生產調度方法，在各個優化目標上得到了較好的提升。其中，訂單交期積分評分適應度值減少了83.77%，最大完工時間縮短了11.33%，細紗機等待翻改停臺時間減少了40.9%。雖然傳統蟻群算法也能得一定的優化結果，但是會保留訂單超期的生產調度方案，這是由于該算法采用局部信息素更新策略，增強了某些路徑的信息素濃度，陷入局部最優解。

4 結論

本文為解決目前色紡企業多品種色紡紗的生產調度問題，建立了一個考慮接續生產訂單顏色相似度因素的細紗工序模型，并改進了傳統蟻群算法，通過對色紡企業不同規模細紗機和訂單量的生產調度問題進行仿真實驗，得到以下結論：

a）色紡細紗工序生產調度模型與其他模型相比，考慮了色紡紗的顏色品種和生產紗線需要翻改停臺時間。通過設計顏色品種分級策略和機器阻塞約束，有效提高了模型的適應性。

b）改進蟻群算法與人工調度方法相比，優化了訂單交期積分評分適應度值、細紗機等待翻改的停臺時間、最大完工時間和訂單的超期數，減少了工廠訂單產品在庫存和生產中的半制品堆積。

c）改進的蟻群算法在各個目標函數優化上，相比其他方法，均得到較好的提升，其中，改進蟻群算法的訂單交期積分評分適應度值降低了83.77%，最大完工時間縮短了11.33%，細紗機等待翻改停臺時間縮短了40.9%。該方法可以保證在訂單不超期前提下，獲得問題的最優解。實驗驗證了該方法的有效性和魯棒性。

參考文獻：

［1］CHEN W J. Scheduling with dependent setups and main-tenance in a textile company［J］. Computers amp; Industrial Engineering， 2009， 57（3）： 867-873.

［2］HSU H M， HSIUNG Y， CHEN Y Z， et al. A GA methodology for the scheduling of yarn-dyed textile produc-tion［J］. Expert Systems with Applications， 2009， 36（10）： 12095-12103.

［3］WANG J A， PAN R， GAO W， et al. An automatic scheduling method for weaving enterprises based on genetic algorithm［J］. The Journal of the Textile Institute， 2015， 106（12）： 1377-1387.

［4］孟朔， 潘如如， 高衛東， 等.采用主目標進化遺傳算法的織造排程研究［J］. 紡織學報， 2019， 40（8）： 169-174.

MENG Shuo， PAN Ruru， GAO Weidong， et al. Research on weaving scheduling using main objective evolutionary genetic algorithm［J］. Journal of Textile Research， 2019， 40（8）： 169-174.

［5］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.

［6］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.

［7］AVGERINOS I， MOURTOS I， VATIKIOTIS S， et al. Scheduling unrelated machines with job splitting， setup resources and sequence dependency［J］. International Journal of Production Research， 2023， 61（16）： 5502-5524.

［8］WEN X， LIAN X， QIAN Y， et al. Dynamic scheduling method for integrated process planning and scheduling problem with machine fault［J］. Robotics and Computer-Integrated Manufacturing， 2022， 77： 102334.

［9］SUN L， SHI W， WANG J， et al. Research on production scheduling technology in knitting workshop based on improved genetic algorithm［J］. Applied Sciences， 2023， 13（9）： 5701.

［10］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.

［11］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 Engineering， 2022， 172： 108608.

［12］馮影， 費樹岷. 紡織企業Flow-Shop調度問題的研究與實現［J］. 自動化應用， 2011（12）： 3-4.

FENG Ying， FEI Shumin. Research and implement of flow-shop scheduling problem in textile enterprise［J］. Automation Application， 2011（12）： 3-4.

［13］ZHANG R， CHANG P C， SONG S， et al. Local search enhanced multi-objective PSO algorithm for scheduling textile production processes with environmental considera-tions［J］. Applied Soft Computing， 2017， 61： 447-467.

［14］HE W， MENG S， WANG J， et al. Weaving scheduling based on an improved ant colony algorithm［J］. Textile Research Journal， 2021， 91（5/6）： 543-554.

［15］李娟娟. 基于數控混色紡紗的HSV色立體構建及其彩色紗顏色預測［D］. 無錫： 江南大學， 2023.

LI Juanjuan. HSV Color Stereo Construction and Color Yarn Color Predictionbased on Numerical Control Color Blending Spinning［D］. Wuxi： Jiangnan University， 2023.

［16］邢書寶， 延秀娟， 白宗文. 基于蟻群算法改進的皮革市場物流配送路徑規劃設計［J］. 皮革科學與工程， 2021， 31（6）： 94.

XING Shubao， YAN Xiujuan， BAI Zongwen. Design of improved leather market logistics distribution path planning based on ant colony algorithm［J］. Leather Science and Engineering， 2021， 31（6）： 94.

［17］LUO Q， WANG H， ZHENG Y， et al. Research on path planning of mobile robot based on improved ant colony algorithm［J］. Neural Computing and Applications， 2020， 32（6）： 1555-1566.

［18］YU J， YOU X， LIU S. Dynamic reproductive ant colony algorithm based on piecewise clustering［J］. Applied Intelligence， 2021， 51（12）： 8680-8700.

［19］ZHOU Y， LIU X， HU S， et al. Combining max-min ant system with effective local search for solving the maximum set k-covering problem［J］. Knowledge-Based Systems， 2022， 239： 108000.

［20］STTZLE T， HOOS H H. MAX-MIN ant system［J］. Future Generation Computer Systems， 2000， 16（8）： 889-914.

Research on production scheduling method of colored textile enterprise

based on improve ant colony algorithm

PAN Xinming¹， WANG Jingan¹， QIU Zijun¹， GAO Weidong^1，2

（1.College of Textile Science and Engineering， Jiangnan University， Wuxi 214000， China；

2.Jiangnan University （Shaoxing） Industrial Technology Research Institute， Shaoxing 312000， China）

Abstract：

As a branch of textile industry， the color textile enterpriseshas the characteristics of multi-variety， small batch， great variety and short delivery time.There are differences in production scheduling between colored spun yarns and natural yarns. The workshop needs to simultaneously produce colored spun yarns of different colors and different blending ratios.Moreover， each type of colored yarn requires different semi-finished raw materials for each production process. it is difficult to respond quickly and high error probability. However， traditional manual production scheduling involves a large workload making it difficult to respond quickly and resulting in a high probability of errors.To address this issue first a production scheduling model for colored spinning processes was constructed by taking into account factors such as machine downtime order variety and color sequences.The objective functions are minimizing the score of order delivery time based on a calculus rule， minimizing the downtime of ring spinning machines waiting for changes， minimizing the maximum completion time， and minimizing the total number of overdue orders.Since the colored spinning workshop produces colored spun yarns of different colors simultaneously， various issues of fiber cross-contamination occur. The production scheduling model for colored spun yarn enterprises introduces a flexible constraint on the similarity of yarn types in successive production orders on ring spinning machines， thereby avoiding the occurrence of order blocking situations.

Due to the large solution set range and complex constraints of the model as well as the high computations and tendency of traditional ant colony algorithms to fall into local optimal solutions in solving large-scale scheduling problems this paper proposed an improved ant colony algorithm incorporating candidate list strategy adaptive pheromone updating and a max-min ant system to solve the model. The algorithm parameters were selected using the grid search method， with the pheromone factor α=2.0， the heuristic information factor β=3.0， the evaporation factor ρ=0.75， the maximum pheromone concentration τmax=6.0， and the minimum pheromone concentration τmin=0.15. At the same time the improved ant colony algorithm could solve the production scheduling problems of different-sized colored spun yarn enterprises with good robustness. The improved ant colony algorithm outperformed other methods in terms of scheduling objectives without order delays. Compared to manual scheduling the proposed method reduced the order delivery time score fitness value by 83.77% decreased the downtime for spinning machines waiting for retrofitting by 40.9% and lowered the maximum completion time by 11.33%.

Keywords：

color textile enterprises; production scheduling; multi-objective optimization; improve ant colony algorithm