卷煙生產(chǎn)計劃排產(chǎn)模型建立與優(yōu)化

金 劍，金 釗，祁躍東 JIN Jian,JIN Zhao,QIYuedong

1.紅塔集團玉溪卷煙廠，云南 玉溪 653100

2.云南大學(xué) 信息學(xué)院，昆明 650091

1.Hongta Group Yuxi Cigarette Factory,Yuxi,Yunnan 653100,China

2.School of Information Science,Yunnan University,Kunming 650091,China

1 引言

盡管很多卷煙企業(yè)采用了ERP軟件的排產(chǎn)調(diào)度模塊，但核心算法與軟件受制于人，卷煙詳細排產(chǎn)主要采用人工根據(jù)經(jīng)驗進行各卷煙牌號的排產(chǎn)，排產(chǎn)方案的優(yōu)劣取決于人工經(jīng)驗，ERP的模塊更多是作為一種生排程優(yōu)化功能。隨著卷煙“一點控制、多點生產(chǎn)”的協(xié)同制造格局快速形成，產(chǎn)品需求小批量、多牌號發(fā)展及各種生產(chǎn)工藝約束限制，這種模式影響卷煙生產(chǎn)排產(chǎn)效率和快速反應(yīng)能力的提高，難以對制造資源進行全面優(yōu)化配置，妨礙了對生產(chǎn)運作過程的優(yōu)化[1-3]。

由于生產(chǎn)排程問題本身屬于NP難問題，尋求最優(yōu)解比較困難[3]。卷煙生產(chǎn)排產(chǎn)不僅要處理錯綜復(fù)雜的約束條件，還要從“無窮”多種滿足約束的可行方案中找到優(yōu)化排程方案，這是ERP計劃模塊面對的真正瓶頸問題，其中的關(guān)鍵在于算法。因此，迫切需要開展卷煙生產(chǎn)排產(chǎn)調(diào)度優(yōu)化技術(shù)研究。

圖1 卷煙生產(chǎn)流程

卷煙生產(chǎn)包括了離散式模型，如卷包機組排產(chǎn)，主要是解決多機組，多資源的優(yōu)化調(diào)度問題；流程式模型，如制絲線生產(chǎn)，主要是解決順序優(yōu)化問題；多點生產(chǎn)組是解決成本優(yōu)化問題[2-3]。因此需要建立各環(huán)節(jié)的排產(chǎn)數(shù)學(xué)模型，開發(fā)煙草行業(yè)高級計劃排程算法，在給定約束：設(shè)備資源、生產(chǎn)任務(wù)訂單、工藝要求、生產(chǎn)成本、運輸成本等約束條件下，快速對卷煙生產(chǎn)計劃進行優(yōu)化，實現(xiàn)各種優(yōu)化目標如：總生產(chǎn)成本最低、庫存最少、完工時間最短、換牌次數(shù)最少、提高設(shè)備運行效率、平衡設(shè)備負荷，以達到產(chǎn)能均衡的目的；以實現(xiàn)敏捷制造、精益化生產(chǎn)[4-7]。

2 卷煙生產(chǎn)排產(chǎn)優(yōu)化流程分析與設(shè)計

2.1 卷煙生產(chǎn)簡介

香煙的生產(chǎn)是一個復(fù)雜的工藝流程，其生產(chǎn)線包括了諸多環(huán)節(jié)。從工藝上，可以將整個生產(chǎn)線抽象為兩個相對獨立的環(huán)節(jié)：制絲和卷接。它們中間存在一個緩存區(qū)，即儲柜，用來存儲半成品煙絲，制絲通過加絲機對卷包進行煙絲供應(yīng)。生產(chǎn)出的卷煙封箱后存入成品高架庫，供銷售發(fā)貨。某生產(chǎn)點基本生產(chǎn)流程如圖1所示。

其余各點生產(chǎn)流程基本類似，區(qū)別在于卷包設(shè)備機型、數(shù)量存在差異；同時各生產(chǎn)點生產(chǎn)成本、運輸成本存在差異。

2.2 卷煙排產(chǎn)遞階優(yōu)化流程設(shè)計

為適應(yīng)市場對產(chǎn)品需求的快速變化，根據(jù)實際卷煙生產(chǎn)計劃業(yè)務(wù)，采用分層遞階設(shè)計相應(yīng)的優(yōu)化流程。通過市場定單需求與銷售預(yù)測，形成月度銷售進度計劃；根據(jù)月度銷售計劃制定周滾動生產(chǎn)計劃，經(jīng)過優(yōu)化分解處理為各個生產(chǎn)點生產(chǎn)計劃；各生產(chǎn)點利用詳細排產(chǎn)模型自動生成生產(chǎn)進度計劃。在構(gòu)建排產(chǎn)模型時，從上至下地考慮各個層次的目標函數(shù)和約束條件，較高層次的任務(wù)分配模型優(yōu)化結(jié)果作為下一層各生產(chǎn)點的約束。同時，較低層次各生產(chǎn)點的實際生產(chǎn)情況實時反饋給上一層，用以調(diào)整上層計劃。以此更好地預(yù)測和指導(dǎo)生產(chǎn)，響應(yīng)市場需求。根據(jù)上述步驟，把整個生產(chǎn)計劃優(yōu)化模型分成兩個層次。詳細流程如圖2所示。

（1）需求分配模型：根據(jù)集團銷售計劃部門制定的月總生產(chǎn)計劃，分解為周滾動計劃，考慮各生產(chǎn)點生產(chǎn)能力、生產(chǎn)運輸成本、工藝約束，進行成本的優(yōu)化。對總生產(chǎn)計劃進行分解，利用生產(chǎn)點需求分配模型自動將周計劃分解為各生產(chǎn)點的任務(wù)列表-各牌號的卷煙計劃箱數(shù)。

（2）各生產(chǎn)點的生產(chǎn)排程模型：根據(jù)上一層模型分配到每個生產(chǎn)點的需求計劃，考慮各點的設(shè)備資源，工藝約束，對卷接環(huán)節(jié)進行排產(chǎn)，優(yōu)化出每日生產(chǎn)進度計劃，即每天各加絲機上生產(chǎn)某種品牌香煙的箱數(shù)，再通過加絲機與間接機組的配置關(guān)系，把加絲機任務(wù)按機組能力進行分解，得到每個機組的派工單。

制絲環(huán)節(jié)優(yōu)化模型：根據(jù)卷接環(huán)節(jié)優(yōu)化結(jié)果和儲絲柜調(diào)度計劃，在滿足卷包環(huán)節(jié)銜接需求的約束下，根據(jù)卷煙加絲機計劃，對多條制絲線進行批次任務(wù)分配、排序優(yōu)化，給出絲線各工序段的排產(chǎn)工單。

流程需要考慮的方面如下：

（1）為了更好適應(yīng)市場需求變化，企業(yè)需要制定靈敏度更高的生產(chǎn)計劃，在月度計劃的基礎(chǔ)上制定周滾動生產(chǎn)計劃，周滾動計劃可以根據(jù)當前周計劃的執(zhí)行情況和銷售需求的變化來修正下周的計劃，并逐期向前移動。通過周滾動計劃動態(tài)編制方法，將銷售需求、生產(chǎn)執(zhí)行反饋隨時間的變化納入到計劃的動態(tài)調(diào)整中，在保留計劃應(yīng)有的嚴肅性的同時增加了計劃的靈活性[2]。

（2）在生產(chǎn)點詳細排產(chǎn)中，不同生產(chǎn)點存在不同的卷包機型，其性能工藝要求各不相同，需要保證設(shè)備任務(wù)負荷的均衡性、生產(chǎn)的連續(xù)性，盡快完成訂單生產(chǎn)任務(wù)，避免拖期損失等。

（3）多點任務(wù)分配與各點詳細排產(chǎn)銜接：由于成本考慮、工藝要求、質(zhì)量追溯，卷煙生產(chǎn)采用了批量投產(chǎn)，每臺卷接設(shè)備必須連續(xù)生產(chǎn)一定批量卷煙，才能進行換牌號或結(jié)束，也就是按批次生產(chǎn)。因此需要把上層優(yōu)化后的任務(wù)列表進行批次轉(zhuǎn)化，把各牌號的卷煙需求箱數(shù)除以投產(chǎn)批量轉(zhuǎn)化為批數(shù)，超出計劃的部分作為在制品。

（4）生產(chǎn)優(yōu)化約束：生產(chǎn)計劃的約束是多方面的，對卷煙企業(yè)來說，制定生產(chǎn)計劃時要考慮的制約因素主要包括：周滾動需求計劃、生產(chǎn)能力、庫存水平、工藝限制。而生產(chǎn)原料、輔料供應(yīng)，通常不成為制約因素。在進行卷煙生產(chǎn)計劃的優(yōu)化時，必須對各種約束進行考慮，方案必滿足各種實際生產(chǎn)限制。

圖2 卷煙多點生產(chǎn)排產(chǎn)優(yōu)化總體流程

3 卷煙生產(chǎn)優(yōu)化建模

在考慮資源約束時，可以選擇各個環(huán)節(jié)的瓶頸資源作為約束條件，這樣就能使整個建模過程得到合理的簡化。在構(gòu)建和求解模型中，對總體流程的多點任務(wù)分配和生產(chǎn)點詳細排產(chǎn)環(huán)節(jié)分別建立排產(chǎn)數(shù)學(xué)模型。

3.1 卷煙多點生產(chǎn)任務(wù)分配模型

多點任務(wù)分配模型主要是根據(jù)對周滾動計劃任務(wù)進行分解，生成各個生產(chǎn)點生產(chǎn)計劃，即已知n個品種香煙在一個周期內(nèi)的需求計劃，現(xiàn)在有m個生產(chǎn)點分別能生產(chǎn)n種香煙中的某些品種，其生產(chǎn)、運輸成本各不相同，在滿足各生產(chǎn)點生產(chǎn)能力限制的前提下，將總的計劃合理分配到各個生產(chǎn)點。根據(jù)企業(yè)的實際需求，在構(gòu)建模型時考慮了以下因素：（1）優(yōu)化目標：使總的生產(chǎn)成本最低、庫存最小。（2）約束條件：①各生產(chǎn)點每天的總生產(chǎn)量不能超過該生產(chǎn)點當天的力限制；②任何品種在所有生產(chǎn)點的產(chǎn)量總和，要能滿足周期內(nèi)該品種的需求。用數(shù)學(xué)語言描述如下：

xij生產(chǎn)點i生產(chǎn)品種j香煙的數(shù)量，單位：箱。 f(xij)生產(chǎn)點i生產(chǎn)品種j香煙的生產(chǎn)成本函數(shù)，若i生產(chǎn)點不能生產(chǎn)品種j，則為∞，單位：元。nli生產(chǎn)點i在周期內(nèi)的生產(chǎn)能力上限，單位：箱。xqj品種j香煙在周期內(nèi)的需求量，單位：箱。ci第i個生產(chǎn)點的運輸成本系數(shù)，單位：元。 yij生產(chǎn)點i品種j的在制品庫存，單位：箱。

圖3 卷煙生產(chǎn)短期成本函數(shù)曲線

四個生產(chǎn)點的產(chǎn)量成本函數(shù) f(xij)，如圖3所示，橫軸為產(chǎn)量，縱軸為生產(chǎn)成本，即短期總成本隨產(chǎn)量變化的關(guān)系。曲線的形狀取決于生產(chǎn)要素的邊際報酬。

由于四個廠的生產(chǎn)設(shè)備、工藝、管理水平存在差異，因此成本函數(shù)各異；同時各卷煙牌號生產(chǎn)成本系數(shù)也各不相同。因此需要根據(jù)各個生產(chǎn)點生產(chǎn)不同品種香煙的生產(chǎn)成本函數(shù)、卷煙綜合運輸成本進行優(yōu)化，同時要考慮牌號生產(chǎn)點的限制。

3.2 加絲機詳細排程模型

根據(jù)卷煙生產(chǎn)流程，生產(chǎn)點詳細排產(chǎn)模式可以描述為：有m臺加絲機，要加工n個批次的卷煙。每個批次可以在某些加絲機上生產(chǎn)，用一道工序加工完成；每個牌號卷煙在不同加絲機上的加工時間一定，且各不相同。詳細排產(chǎn)目標是把n個批次的卷煙安排到特定時間段、特定機組資源組合上，使最大完工時間最短。該問題在Makespan指標下已被證明是NP完全問題，所有分配方案為mn種[8]。令t(k,i,j)為第k個牌號第i批卷煙在機器 j上的加工時間，假設(shè)牌號k的批次i在機器 j上加工，則 x(k，i，j)=1，否則x(k，i，j)=0，則可定義廣義加工時間為 x(k，i，j)t(k，i，j)。同時考慮同一臺加絲機上加工不同牌號之間的換牌時間和首批準備時間，則機器 j的Makespan指標取決于該機器加工批次的數(shù)量、加工時間和換牌次數(shù)。為減少換牌次數(shù)，同牌號批次在加絲機上連續(xù)生產(chǎn)。機器 j上的完工時間為：

其中t(k-1，k，j)為牌號k在機器 j的換牌時間，p為卷煙的牌號數(shù)量，ts為機器 j首次生產(chǎn)準備時間，y(k，j)=1表示牌號k在 j上加工。進而整個加工過程的最大完工時間和相應(yīng)的調(diào)度指標分別為：

4 解決方案（兩階段優(yōu)化）

由于模型目標函數(shù)非線性，約束條件多，解空間巨大，經(jīng)典常規(guī)算法不能獲得滿意的解，因此需要采用智能算法來求解。遺傳算法GA是一種模擬生物進化過程的隨機搜索算法，將問題的求解表示成一群“染色體”，并將它們置于問題的環(huán)境中，根據(jù)“適者生存”的原則，從中選擇適應(yīng)環(huán)境的“染色體”進行復(fù)制，通過交叉、變異等操作產(chǎn)生新一代更適應(yīng)環(huán)境的“染色體”群，通過不斷進化，最后收斂到一個最適應(yīng)環(huán)境的個體上，即為問題的最優(yōu)解。適合于大規(guī)模復(fù)雜的生產(chǎn)任務(wù)分配問題[8-9]。

4.1 多點任務(wù)分配遺傳混合算法設(shè)計

針對多點非線性成本優(yōu)化問題的特點，業(yè)界普遍采用遺傳算法進行求解[5-9]，遺傳算法具有快速隨機的全局搜索能力，能夠在短時間內(nèi)為優(yōu)化問題提供近優(yōu)解，且毋需太多的問題域知識，并自然地適合并行實現(xiàn)，其自適應(yīng)性和自學(xué)習(xí)性特別適合于求解現(xiàn)實中具有大規(guī)模狀態(tài)空間的優(yōu)化問題。但其存在迭代停滯的問題，當?shù)揭欢ù?，即達到近優(yōu)解時往往會做無用的冗余迭代，無法到達最優(yōu)解。換句話說，遺傳算法容易陷入到次優(yōu)解[10-11]。

因此，單獨使用遺傳算法難以滿足多點非線性成本最優(yōu)的要求。而模式搜索具有很強的細搜索能力[10-11]，易于發(fā)現(xiàn)局部最優(yōu)解，但是其全局搜索結(jié)果的最優(yōu)性在很大程度上依賴于初始點的選擇。遺傳算法強于全局近優(yōu)搜索而弱于局部細搜索，模式搜索強于局部細搜索而弱于選擇接近最優(yōu)的初始點。本文采用遺傳算法“投放”模式搜索到近優(yōu)點，而模式搜索從近優(yōu)點開始細搜索最優(yōu)點的想法。提出了一種混合遺傳算法-模式搜索的最優(yōu)化方法：該方法是首先通過GA算法進行全局范圍的優(yōu)化，在此基礎(chǔ)上使用局部尋優(yōu)精度好的模式搜索法。GA進化后得到全局近優(yōu)個體，模式搜索以此遺傳近優(yōu)個體作為初始值，進行快速局部最優(yōu)搜索，改善遺傳算法局部尋優(yōu)精度較差的固有缺陷，兩種算法取長補短。該算法流程如圖4所示。

綜合算法的基本步驟是：

圖4 GA+PS混合算法流程

（1）設(shè)定算法各項控制參數(shù)，問題的解顯然取決于生產(chǎn)點i生產(chǎn)品種j香煙的數(shù)量xij的取值，只要確定了每個基因xij，即由公式（1）計算分配方案的成本性能指標，作為進化搜索的驅(qū)動力。直接采用n×m矩陣實數(shù)編碼表示分配方案，基于矩陣進行算子操作。這種編碼解直觀、易于操作。隨機生成初始分配種群。

（2）根據(jù)適應(yīng)度評價種群。根據(jù)式（1）～式（3）計算種群中每種分配的目標函數(shù)值和適應(yīng)度值。

（3）遺傳算子操作。通過選擇、交叉、變異和替換等操作生成新的種群。

（4）判斷條件：滿足遺傳進化停止條件，從最終的種群中挑出最優(yōu)解，轉(zhuǎn)到（5），否則轉(zhuǎn)入（2）。

（5）把最優(yōu)個體作為模式搜索的起始點，進行迭代運算，初始點R0=GA最優(yōu)解。

（6）根據(jù)模式確定搜索方向，計算出網(wǎng)格Rn，計算目標函數(shù) f(Rn)。

（7）對網(wǎng)格進行表決，f(Rn)＜f(R0)網(wǎng)格點的目標函數(shù)值小于當前點的函數(shù)值，表決成功，該點作為下次迭代的當前點R0=Rn，同時增大網(wǎng)格尺寸。否則當前點保持不變，收縮網(wǎng)格尺寸。

（8）然后繼續(xù)迭代，判斷網(wǎng)格尺寸δ＜ε截止誤差容限，如是，則停止搜索。

（9）判斷是否再繼續(xù)遺傳算法，如繼續(xù)，則把模式搜索最優(yōu)解加入GA種群。

4.2 加絲機詳細排產(chǎn)遺傳算法策略

針對生產(chǎn)點詳細卷煙排產(chǎn)，進行如下轉(zhuǎn)換設(shè)置：（1）獲取優(yōu)化后的生產(chǎn)點卷煙生產(chǎn)箱數(shù)計劃，按卷煙牌號進行批次拆分，得到不同牌號卷煙的對應(yīng)批次任務(wù)；（2）根據(jù)卷包機組生產(chǎn)能力及配置關(guān)系，計算出加絲機的整體能力；（3）對卷煙牌號的生產(chǎn)機型限制、牌號優(yōu)先級進行設(shè)定。

該并行機器調(diào)度問題的GA算法主要策略如下：

（1）編碼：問題的解顯然取決于 x(k，i，j)的取值，由于矩陣編碼涉及的基因太多，存在大量的冗余信息，不便于遺傳操作的設(shè)計，因此采用自然數(shù)編碼來解決這個問題。即由n個取值為[1，m]之間整數(shù)的基因kj構(gòu)成染色體[k1k2…kn]，記為X，每個基因代表該批次加工的加絲機號。進而由公式（4）～（6）計算染色體調(diào)度方案的Makespan性能。

（2）遺傳算子操作：將最大流程時間的倒數(shù)作為適應(yīng)度函數(shù)；采用輪盤賭進行選擇；采用次序交叉；變異采用翻轉(zhuǎn)變異。為了實現(xiàn)GA算法在保持種群多樣性的同時，保證算法的收斂性。在進化后期，采用自適應(yīng)算法，使交叉與變異隨適應(yīng)度自動改變。

（3）規(guī)則約束：由于卷煙生產(chǎn)存在著許多的規(guī)則要求和工藝限制，在排產(chǎn)時必須予以考慮：①加工的品牌盡量由高到低，即同一臺加絲機上品牌高的優(yōu)先生產(chǎn)；②某規(guī)格必須嚴格限定在某些加絲機上。因此需要在遺傳算法設(shè)計中考慮各種規(guī)則和限制。首先在編碼時對受限的牌號的編碼取值范圍進行限定，排除不能生產(chǎn)該牌號的加絲機編碼；然后在個體解碼過程中，對加絲機分配任務(wù)進行優(yōu)先級排序。保證進化操作過程中不出現(xiàn)非法染色體。

5 卷煙排產(chǎn)實例分析

5.1 問題實例

現(xiàn)有8個牌號卷煙牌號在一個周期內(nèi)的需求量，如表1所示，要將生產(chǎn)任務(wù)合理分配到4個生產(chǎn)點進行生產(chǎn)。

表1 卷煙生產(chǎn)需求表 箱

表2給出了各生產(chǎn)點不同牌號卷煙的生產(chǎn)成本系數(shù)，考慮了人工成本、機器損耗、物料供應(yīng)成本等在內(nèi)的綜合生產(chǎn)成本系數(shù)（注：“--”表示該生產(chǎn)點工藝上不具備生產(chǎn)某品種香煙的能力）；最后一行是生產(chǎn)點的物流運輸成本系數(shù)/箱。

表2 各生產(chǎn)點不同牌號卷煙成本系數(shù)

表3給出各個生產(chǎn)點每周期的最大生產(chǎn)能力；表4是各生產(chǎn)點各牌號卷煙的在制品庫存。

表3 各個生產(chǎn)點每天的最大生產(chǎn)能力（箱·周－1）

表4 各個生產(chǎn)點在制品數(shù)量 箱

目標是在滿足周需求計劃，各點生產(chǎn)能力限制的前提下使總成本最低，在制品庫存最少。

生產(chǎn)點詳細排產(chǎn)以6個加絲機單元為例，每個加絲機連接不同數(shù)量、型號的卷包機，共30臺卷包機。目標是確定批次任務(wù)在加絲機單元的分配，考慮工藝路徑約束，使最大生產(chǎn)流程時間最短。

各牌號卷煙批次不同設(shè)備加工時間如表5所示。為方便起見，規(guī)定設(shè)備不同牌號中途切換時間都相同，為30 min。首個牌號開始生產(chǎn)的準備時間為15 min。

表5 煙絲工序加工時間表（h：mm)

5.2 程序運行結(jié)果分析

針對多點任務(wù)分配，設(shè)置算法參數(shù)：模式搜索表決方法采用GPSPositiveBasisNp1模式由N+1個向量組成，最大迭代次數(shù)400；遺傳算法種群數(shù)量30，變異方法為自適應(yīng)可行變異，交叉為啟發(fā)式交叉，進化30代無改進則停止。

優(yōu)化結(jié)果見表6，各牌號卷煙生產(chǎn)量加上庫存滿足了周需求；各點生產(chǎn)總量小于生產(chǎn)能力限制；各點生產(chǎn)的牌號滿足了工藝限制。該方案的總生產(chǎn)成本482 986.18，實數(shù)編碼小數(shù)點向上取整。

表6 各生產(chǎn)點一周內(nèi)的任務(wù)計劃 箱

圖5 混合算法進化過程

混合算法進化過程如圖5所示，上圖為遺傳算法最佳適應(yīng)度進化圖；下圖為模式搜索最佳目標函數(shù)迭代圖。當GA進化到150代時收斂、停滯，而模式搜索在此基礎(chǔ)上進一步搜索，迭代200代后，得到了更好的成本優(yōu)化指標，該混合算法改善了在單獨使用遺傳算法會出現(xiàn)的迭代停滯問題，或在單獨使用模式搜索法難以選擇搜索初始點的問題。

以生產(chǎn)點2分配的卷煙任務(wù)為例，轉(zhuǎn)換成生產(chǎn)批數(shù)，共75批各牌號卷煙。可用的加絲機限制如表7所示。

表7 卷煙生產(chǎn)訂單表

加絲機上的牌號優(yōu)先級為（P8、P7、P6、P5、P4、P3、P2、P1）。種群規(guī)模m=20；遺傳運算的終止進化代數(shù)T=20；保留最佳個體。

優(yōu)化結(jié)果如圖6所示，圖中不同顏色代表不同批次卷煙，該圖直觀地給出了不同牌號批次卷煙任務(wù)在b1～b6加絲機上的分配方案。通過窗口，可以精確地查看每一牌號批次生產(chǎn)任務(wù)詳細排產(chǎn)信息；同時從圖上可以反映出工廠日歷對生產(chǎn)的影響，工作日歷每天6：00—20：00，下方藍色塊表示生產(chǎn)周期內(nèi)排班休息時間。這為生產(chǎn)提供了有價值的精確參考。可以看出好的排產(chǎn)方案，使所有設(shè)備的工作效率提高，設(shè)備負荷均勻，因此如何對各牌號卷煙排產(chǎn)是提高設(shè)備總體效率的關(guān)鍵。

圖6 卷煙批次排產(chǎn)甘特圖

該算法以較小的時間代價，通過1 380次計算，得到了任務(wù)分配方案，獲得了近優(yōu)的滿意結(jié)果，總完成時間在20代第10個體獲得最優(yōu)值：2 d19 h57 min；優(yōu)化耗時：1 min15 s，換牌次數(shù)：32次，證明了算法的有效性。從圖7的進化適應(yīng)度圖譜，可以看出算法收斂性。

6 結(jié)束語

針對卷煙多點生產(chǎn)任務(wù)分配與單生產(chǎn)點詳細排產(chǎn)優(yōu)化實際問題，提出了一種混合遺傳算法和模式搜索的優(yōu)化模型進行求解。綜合遺傳算法強于全局求近優(yōu)的能力，和模式搜索強于局部求最優(yōu)的能力，有效解決了卷煙排產(chǎn)優(yōu)化的復(fù)雜性，獲得優(yōu)化、可行的排產(chǎn)方案，降低卷煙多點生產(chǎn)成本、縮短生產(chǎn)完工時間。通過改進遺傳算法為現(xiàn)有ERP卷煙排產(chǎn)功能的完善提供有益的參考。同時還需要對排產(chǎn)優(yōu)化算法與ERP系統(tǒng)訂單管理模式的集成進行相應(yīng)的研究，更好地發(fā)揮各自相應(yīng)的作用，為生產(chǎn)資源的優(yōu)化配置奠定基礎(chǔ)。

圖7 遺傳算法收斂曲線

[1]郝雨.煙草企業(yè)生產(chǎn)排程模型的建立與優(yōu)化[D].武漢：華中科技大學(xué)，2008.

[2]周文軍.三維一體生產(chǎn)調(diào)度方法及其在卷煙制絲過程中的應(yīng)用[D].長沙：湖南大學(xué)，2009.

[3]孫潔香.基于仿真的面向煙草行業(yè)制絲排產(chǎn)方法研究與實現(xiàn)[D].北京：北京機械工業(yè)自動化研究所，2009.

[4]鄧燦勇.常德卷煙廠MES系統(tǒng)設(shè)計及高級排產(chǎn)方法研究[D].長沙：中南大學(xué)，2010.

[5]王愛民.煙草卷包作業(yè)動態(tài)調(diào)度技術(shù)[J].計算機集成制造系統(tǒng)，2010（3）：603-606.

[6]陳志剛.卷煙廠制絲線自動排產(chǎn)系統(tǒng)設(shè)計[J].制造業(yè)信息化，2009（11）：105-107.

[7]謝五峰.基于西門子平臺的卷包排產(chǎn)子系統(tǒng)的研究[J].企業(yè)管理與信息化，2006（1）：5-11.

[8]王萬良.生產(chǎn)調(diào)度智能算法及其應(yīng)用[M].北京：科學(xué)出版社，2007.

[9]姚麗麗.煙草排產(chǎn)中嵌入規(guī)則的遺傳算法應(yīng)用研究[J].制造業(yè)信息化，2011（4）：89-91.

[10]Mitchell T M.Machine learning[M].New York：McGraw-Hill，1997：179-193.

[11]Russell S J，Norvig P.Artificial intelligence：a modern approach[M].2nd ed.[S.l.]：Pearson Education，Inc.，2003：712-793.