用户名 密码
今天是:星期二, 2018年1月16日
 
关于学会 >> 学会简介 >> 学会章程 >> 组织机构 >> 历史回顾 学会活动 >> 会议通知 >> 会议新闻 行业信息 >> 公告中心 >> 行业动态 >> 政策法规 纺织科技 >> 产品技术 >> 设备仪器 >> 工艺流程 科技人才 >> 培训教育 >> 人才交流 >> 专家风采 科学普及会员服务 >> 服务指南 >> 入会申请 >> 为您服务 战略规划 >> 行业准入 >> 发展规划
 您现在的位置:广东省纺织工程学会 >> 正文

基于订单的服装企业生产排期算法研究与实现

时间:2013/5/13  来源:广东省纺织工程学会  阅读:2416次

索剑
(惠州学院计算机科学系,广东惠州 516007)

摘  要: 针对面向订单生产的服装企业群,以集中式SCM的观点划分供应链角色,在分析订单驱动的工艺流程基础上,建立了加工商协调生产的排期模型。考虑订单重要性、筛选加工商,利用遗传算法加以实现,最后给出了具体实例分析。

关键词: APS;供应链;订单;遗传算法;服装企业

Research and Implementation of order-based Production Plan Algorithm of Garment Enterprise

SUO Jian
(Department of compute science, Huizhou University, Huizhou 516007)

【Abstract】 Point to the build to order enterprise cluster, divide role partition of supply chain through concentrated SCM. On the basis of analysis the BTO process flows, a coordinating production scheduling model is presented in this paper. Considering the importance of order and producer selection, it was implemented through genetic algorithm. At last, an application example of the method was illustrated.

【Key words】APS;supply chain;orders;genetic algorithm;garment enterprise

1 引言

  制造业在经历了MRP、ERP等企业内部生产精度管理系统之后,开始着力于解决企业之间供应链集成和优化的问题,APS(Advanced Planning and Scheduling)应运而生。最初的生产计划与排程主要解决车间多工序、多资源的优化调度及顺序优化问题,而目前的APS试图在分析企业及企业间众多的约束条件的基础上,产生优化的生产计划[1]。近几年,国内外有不少这方面的研究。例如文献[2]提出供应链管理通过协调供应链节点企业之间的生产、库存、运输和销售活动,实现高效、快速反应市场需求的目的;文献[3]以混合整数线性规划地方法分析了面向多制造商加工环境的集成生产计划模型,并以汽车生产为例作了阐述;文献[4]建立了面向多制造商的有限生产能力的批量决策数学规划模型,并利用基于拉格朗日松弛的启发式搜索规则对模型进行求解等等。

  在实际应用中,APS运作协调的研究还存在一些问题:

  (1)传统的APS的研究主要集中在单业务的优化与协调,如需求计划、分销计划和生产计划等,而对企业间的集成计划研究较少;

  (2)在订单驱动的供应链运作模式中,还需要考虑多个工艺链条的如何满足订单要求问题;

  (3)这一类的优化与协调问题大多属于数学上的NP问题,针对现实应用还有不同的模型抽象和解决方法的问题。

  本文以服装企业为例,根据工艺建立供应链中各角色建立排期模型,面向订单解决生产排期问题,并用改进的遗传算法进行求解。

2 面向订单的服装企业模型分析

  为了更快更好的应对市场的需求,服装行业的生产过程进一步细分,出现了大批根据工艺分工外包的加工商,这些加工商专注某一(组)工艺细节,通过和面向订单的企业进行物流沟通完成生产。以集中控制模式供应链[5]的角度来看,我们根据不同的职能将用户分为三种角色:核心企业、客户、加工商。客户提供订单,核心企业负责组织加工商进行订单生产,不同种类的多个加工商完成各种序列工艺的原料加工。生产排期由核心企业完成,目前主要依靠手工方式,很难满足企业的大量产品的生产。

  如下为精简后的丝光棉生产流程,纱线、坯布、成品布和成衣为产品形态,M1、M2和M3为织造、后整和制衣工艺的加工商类别。加工模型定义如下图所示,一次排产有多张订单,不同订单的交货期各不相同,每个订单包含很多订单项(即成品款式各码的加工数量),根据实际情况一张订单的某个工艺在一个加工商内完成,进行每个工艺之前选择加工商。

  经过调研和分析,根据生产企业的实际运作情况,确定如下排期原则:影响生产排期的因素很多,甚至有些因素是无法预计的,确定在合同期完成订单生产是排期考虑的首要目标,因此寻找的目标是适合的排期方案;适合的方案有很多,尽可能找到较优排期方案。

3 排期模型的分析

3.1订单模型

  前已叙及,生产排期的基本单位是订单。订单的重要度、订单完成时间、每个订单在某一加工商中所花费的时间都是影响排期的重要因素。若设:Fmn为第m类的第n个加工商,Speedmn:Fmn的平均生产速度,Processmn为Fmn生产订单Irc的时间,Endmn为加工商Fmn结束时间,则有:

  

  

  另设置两个判断参数,其中Duer为订单的合同期,

  

  

  对各种重要度涉及到的几个因素分别赋予权值 且满足:

  根据大量数据分析以及服装企业特点,确定企业规模、一年内贸易额、一月内贸易额和企业信用度四个因子,并依据经验值赋予权值,则得到客户重要度:

  

  同理取客户重要度、订单总数量、订单总金额以及合同期为因子,则得到订单重要度计算模型:

  

  取订单重要度、订单项数量和订单项总金额为因子,则得到订单项重要度计算模型:

  

3.2 加工商模型

  不同的加工商每天有不同的工作时间,为了统一生产的连续性,采用平均生产速度进行分析,即加工商一天的最大产能下的平均每小时产能。设Currentm为开始选择m类的加工商的当前时间,Speedmn为平均生产速度、Arrangemn为已经安排的订单量, Startmn为加工商开始生产订单项 的时间,则有如下关系:

  

  若设Remainmn为剩余产能,Allmn为总产能,则有:

  Allmn=Arrangemn + Remainmn

  需要注意的是,不同类别加工商面向的原料是不同的,考虑到工艺流程的连续性,成衣(件)、纱线(公斤)、坯布(公斤)和成品布(公斤)等原材料根据经验值进行转换。

3.3 排期的满足条件

  若设ENDmn为供应商Fmn生产订单Irc最长订单项的时间,则有:

  

  满足Endirc≤Duer即为合适。

4 排期算法的设计与实现

  采取遗传算法来实现生产排期的求解,可用染色体的编码方法表示排产结果,将约束条件加入目标函数中,进行全空间解的搜索,并将搜索重点集中于性能高的部分,从而提高效率且不易陷入极小局部求解,容易实现并行寻优。

4.1染色体编码方法

  定义5种类型基因原子,分别表示订单项、制造加工商、后整加工商、制衣加工商和订单的生产时间,其中加工商是从筛选过的加工商中选择,以此根据哪个订单项在每类的加工商上进行加工及所用工时,进行相关匹配,构成一个基因,再根据订单项的排序形成染色体。

4.2适度函数

  适应度是衡量种群中个体的优劣标志,它是执行遗传算法“优胜劣汰”的依据。在遗传算法中以个体的适应度大小来确定该个体被遗传到下一代的概率,个体的适应度越大,该个体被遗传到下一代的概率越大;反之越小。

4.3遗传算子的选用

  采用比例选择法,其过程为:利用蒙特卡洛方法来确定每个染色体的生存概率,即令第i个染色体适应度为fi,其值设为加工时间,被选择的概率为:Duer/Endirc,i=1,2,……irc,选择算子从群体中按某一概率成对选择个体,某个体i被选择的概率Pi与其适应度值fi成正比。考虑到每个基因都有一个加工时间,这里染色体的适应度为基因最大的Pi=fi,然后采用轮盘赌(Roulette Wheel)模型进行选择。

  交叉运算方法是对2个相互配对的染色体以交叉概率Pc相互交换其部分基因,从而形成2个新的个体。用加工商对交换来进行变异操作,即随机选取两个同类但不同编号的加工商,交换其相对位置。

4.4对遗传算法的改进

  根据具体生产情况,为了使算法更有效率,在以下几方面作了相应的调整:

  (1) 生成初始种群:在生成初始种群之前,先求出客户重要度,然后计算出订单重要度以及订单项重要度,然后对订单项根据重要度进行排序,然后以此为优先级生成初始种群,这样生成出来的种群本身与最终目标的距离相对于随机产生的种群要近一些,可以提高得到最终结果的速度。

  (2)筛选加工商:在选择加工商的时候如果不加以筛选,会明显降低算法的效率,筛选的时候必须满足每一类的最小剩余产能大于最小订单项货量以及每类的总体剩余产能总和大于总的订货量,经过筛选的加工商候选集,大大简化了订单项对加工商的选择难度,这时只需要计算订单项在加工商候选集中的企业生产时间,提高了求解的效率。

  (3) 确定适合度函数:本文以订单项的生产总时间Endirc作为订单遗传算法的适应度大小的度量。对于每个订单项i,应该满足Endirc≤Duer。生产总时间Endirc越小,说明适应度值越高。这样就可以保证制定出来的计划能够保证所有订单能在合同期内完成。

5 示例与分析

  在对服装企业销售、生产、物料管理的等业务工作分析的基础上,我们设计完成了基于服装企业供应链管理的ASP(Application Service Provider)平台,用于管理角色及其之间订单、物料、生产等各项数据的交换,本算法是ASP平台生产模块排期的核心,其任务就是解决核心企业用怎样的方式将怎样的订单按照需要的工艺序列安排给哪些供应商,以达到合同期内完成订单的目的。

5.1订单优先级的确定

  这里从ASP平台中抽取实例数据进行分析。设有如下情况,两个客户C1和C2,C1有两个订单O1和O2,其中O1有三个订单项分别为I1,I2和I3;O2有订单项I4和I5;C2有两个订单O3和O4,分别有一个订单项I6和I7。订单情况如表5-1所示。

  根据规则,得到订单项的生产顺序为:I3→I2→I1→I4→I6→I5→I7。

表5-1  订单情况

客户

客户C1

客户C2

客户重要度

3

4

订单

订单O1

订单O2

订单O3

订单O4,

合同期(天)

19

19

19

19

订单重要度

3

4

2

3

订单项

I1

I2

I3

I4

I5

I6

I7

订单项订货数

300

530

600

300

460

150

200

订单项金额

3300

8600

9800

3300

3300

3300

1500

订单项重要度

15.89

17.50

18.98

14.66

13.29

13.80

10.23

优先级

3

2

1

4

6

5

7

5.2筛选加工商

  每类的加工商都有一个标志flat,这个表示是经过筛选算法得到的,并且将其设为0或1,0表示不可以在这个加工厂加工,1表示可以在在这个加工商里加工,加工商的筛选的时候,需要对单位进行转化。

  现有织造类加工商如表5-2,候选加工商集为:{ M11、M12、M13、M14、M15、M18}。

表5-2  织造类加工商情况

厂名

已经排产

剩余产能

Flat

M11

1100

7000

1

M12

2000

3890

1

M13

200

9800

1

M14

1800

6000

1

M15

1200

4000

1

M16

7700

300

0

M17

11000

0

0

M18

5000

3000

1

  同理,后整类候选加工商集为:{ M26、M27、M28、M29、M210、M211};制衣类候选加工商集为:{ M31、M32、M33、M35、M36、M37、M39、M310、M311 、M312}。

5.3初始化

  上面所述情况的染色体结构如表5-3所示,第一排的染色体指明订单项,对每一个订单项匹配一个随机从候选加工商集中选择的组合,每一个订单项可以从可能替换的组合中选择一个加工商,第五排指明生产时间,当订单的订单项生产小于生存概率可以选择其他加工商。

表5-3  染色体

染  色  体

I1

I2

I3

I4

I5

I6

I7

M11

M12

M11

M13

M15

M18

M14

M26

M27

M28

M211

M29

M210

M210

M31

M31

M32

M33

M310

M311

M312

10.9

11.2

13.9

13.2

16.7

12.4

11.2

5.4求解结果及分析

  当染色体被基因工序合并或修整,如杂交或变异,会影响个别基因的加工的时间,但是总体并没有超过合同期,染色体可以给我们最好的加工商选择和订单项生产顺序。

  GA计算的参数设置为:交叉概率Pc取0.7,变异概率Pm取0.01,种群数量和最大终止代数如表5-4所示。

表5-4  求解结果

种群数量

代数

订单最后完成总时间(天)

O1

O2

O3

O4

50

100

13.4

14.6

10.2

17.2

100

500

13.7

14.2

10.2

17.4

150

1000

13.4

14.7

10.2

16.9

300

1500

13.2

14.5

10.1

17.3

500

3000

13.2

14.1

10.0

17.3

  从结果中可以看出,若终止条件是100代,所有订单都在合同期内得到了完成,求解效率较高并已符合要求。随着种群数量和最大代数的增加,结果越趋于合理;从实际生产情况来看,由于订单完成总时间的粒度较大,可以认为订单完成天数并没有随种群数量和最大终止代数的调整有较大变化,这里求得是适合的解,因而可以取最小代数作为结果。

6 结束语

  文章在建立了服装企业面向订单的生产排期模型基础上,用遗传算法实现了解决方案。这里做几点说明:虽然实例中是三个工艺流程,但是可以随着用户的需要扩充;由于每个供应商的能力最后被表示成为生产速度,物流时间可以取经验值然后转换为生产速度,因而物流可以被看作一个工艺在模型中出现;系统目前已经部属运行,效果良好。

参考文献:

[1]谭辉, 张洪伟, 朱丽. APS系统中基于改进的遗传算法的分布式排产研究 [J]. 计算机应用研究, 2005, 6(6):76-79.

[2]Marjolein van Eck. Advanced Planning and Scheduling [D]. Amster-dam, the Netherlands: Mathematics and Computer Science Depart-ment in University Amsterdam, 2003.

[3]M.G.Gnoni, R.Iavagnilio, G..Mossa,et. Production planning of a multi-site manufacturing system by hybrid modeling: A case study from the automatic industry [J]. International Journal of Production Economics, 2003, 85:251-262.

[4]Young Hae Lee, Sook Han Kim. Production-distribution planning in supply chain considering capacity constraints[J]. Computers & Industrial Engineering, 2002, 43:169-190.

[5]姬小利,基于APS和契约设计的供应链协调关键技术研究[D]. 南京: 南京航空航天大学, 2005.


 

分享到: 0
相关文章
(暂无!)
联系我们网站地图用户等级︱广告宣传本站声明
Copyright©2010 All Rights Reserved.
广东省纺织工程学会 版权所有 未经授权许可不得复制或转载
粤ICP备12005053号-2