섬유 생산 스케줄러가 주문하려면 어떻게 해야 하나요?

이전 세대의 생산에서는 생산 일정 조정이 전술적인 문제일 뿐만 아니라 기업의 경쟁력을 높이기 위한 전략이 되었습니다. 모든 기업의 작업장 작업 일정 관리 문제에는 고유한 특성이 있으며 이는 일정 관리 분야에서 해결해야 할 중요한 문제입니다. 따라서 생산스케줄링 문제에 대한 연구는 상대적으로 많고, 생산스케줄링 분야의 모델링 방법, 알고리즘 솔루션 및 기타 문제에 대한 연구도 많지만 비제조업, 특히 섬유산업의 생산에 대해서는 스케줄링 문제에 대한 연구는 아직 상대적으로 적습니다. 이 논문은 섬유 회사의 생산 작업장 일정, 특히 여러 배치의 병렬 전체 세트의 일정 문제를 연구합니다. 이 일정 문제를 위해 유전자 알고리즘이 설계되고 예제를 통해 시뮬레이션됩니다. 유전자 알고리즘은 섬유 기업의 생산 일정 관리에 있어 생산 비용을 절감하고 기업 효율성을 높이는 역할을 할 수 있습니다. 키워드: 생산 스케줄링, 플로우-숍 스케줄링, 병렬 기계 스케줄링, CLC 번호: TP301.6 문서 식별 코드: 섬유 기업 작업장 생산 스케줄링 방법 및 유전자 알고리즘 연구 및 구현 생산 작업장 작업 스케줄링 문제는 다음과 같습니다. 제품 제조 자원을 합리적으로 활용하고 기업의 경제적 이익을 향상시키려는 목적을 달성하기 위해 제품 제조 자원을 합리적으로 할당하는 데 필요합니다. 워크샵 생산 스케줄링은 기업의 생산 및 운영 활동에서 매우 중요한 위치를 차지합니다. 생산 스케줄링 시스템은 CIMS, ERP 및 기타 시스템의 중요한 구성 요소이므로 학계와 업계에서 광범위한 관심을 받았습니다. 그 연구는 이론적, 실천적 중요성이 높다. 생산 일정 문제는 일반적으로 다음과 같이 설명할 수 있습니다. 특정 분해 가능한 작업, 특정 제약 조건 하에서 제품 제조 시간 또는 비용을 얻기 위해 자원을 배열하는 방법, 처리 시간 및 해당 구성 요소(작업)의 순서 등 성과 지표가 최적입니다. . 생산 일정 문제는 주로 워크샵 계획 및 일정 관리에 중점을 둡니다. 많은 학자들이 많은 연구를 수행하고 많은 연구 결과를 생산했습니다. 제조시스템의 생산스케줄링은 분해 가능한 작업(예: 제품제조)을 목표로 하며, 제약사항(납기일, 공정경로, 자원상황 등)을 최대한 만족시키면서 생산지시를 발령하여 그 구성을 어떻게 구성할지 모색한다. 제품 제조 시간이나 비용의 최적화를 얻기 위해 부품(작업)에 사용되는 리소스, 처리 시간 및 처리 순서가 가능합니다. 이론적 연구에서는 생산 일정 문제를 종종 순서 문제 또는 자원 할당 문제라고 부릅니다[1]. 위에서 볼 수 있듯이 특정 산업 분야에서 생산 작업장 일정 문제를 적용하는 것에 대한 연구 문제가 있습니다. 이는 고도로 표적화되어 있고 그 연구는 긍정적인 의미를 갖고 있으며, 가장 적절한 분석 방법은 유전자 알고리즘을 사용하는 것입니다. 유전 알고리즘(GA)은 새로운 병렬 최적화 검색 방법입니다. 생물학적 집단의 진화 과정을 집단으로 모사한 초기 솔루션을 바탕으로 선택, 교차, 돌연변이 등의 유전적 연산을 통해 최적의 솔루션을 찾는 최적화 알고리즘입니다. Li Guofu(1998) [2]는 Job-shop 부품 정렬 문제 검색을 최적화하기 위해 유전자 알고리즘을 사용했으며, 인구 규모를 줄이고 계산 속도를 높이며 최적화 결과를 향상시키는 데 도움이 되는 몇 가지 새로운 아이디어를 알고리즘에 도입했습니다. . 1 섬유회사 작업장의 생산과정 섬유회사의 생산업무 과정은 대략적으로 주문받기->제품디자인->구매계획->생산계획->염색->방적->직물->회색직물로 설명할 수 있다. 검사->연구수리->재검사->보관->염색가공->조리->완제품검사->완제품입고->완제품포장->박스포장->배송등. 직조는 사내에서 제작되거나 아웃소싱됩니다. 구체적으로, 섬유회사는 주문을 받은 후 사전 분석을 통해 구체적인 생산 단계를 확인할 수 있다.

우선 원래 재고에 주문에 맞는 회색 원단이 있는지 확인하고, 그렇다면 요구 사항을 충족하기 위해 염색, 가공 등 필요한 개선 작업을 수행하고, 그렇지 않은 경우 재고가 있는지 확인하고 디자인합니다. 그렇지 않은 경우, 생산 공정 시트를 만들기 위해 미세 양모부터 시작하여 필요한 특정 미세 양모 원료를 확인하고 방사가 완료된 후 원료를 방사기로 보내야 합니다. 주문 요구 사항에 따라 염색 및 합판이 필요한지 확인하십시오. 공동 재고는 일반적으로 두 번 이상일 수 있지만 여기서는 주로 대부분의 주문 요구 사항에 의존하며 기본적으로 공동 재고가 한 번 미만입니다. 한 번 이상 원료를 분리하여 문제를 해결할 수 있습니다. 전체 생산 프로세스 흐름도를 나열할 때 아웃바운드와 인바운드 프로세스를 고려하지 않았습니다. 이후 설정에서는 각 프로세스의 준비 시간과 완료 시간을 늘려 이러한 인바운드 및 아웃바운드 프로세스를 대체했습니다. 이전에 연구한 섬유기업의 생산 문제를 통해 우리는 몇 가지 특징을 얻을 수 있습니다: ① 모든 생산은 주문에 의해 이루어집니다. ② 각 생산 공정에는 여러 장비가 있습니다. ③ 일부 공정은 생략될 수 있습니다. ④각 설정의 처리 경로는 기본적으로 동일합니다. 위의 요소를 고려하면 하이브리드 Flow-Shop 스케줄링 문제와 다소 유사하다는 것을 알 수 있습니다. 이를 바탕으로 Linglong Textile Co., Ltd.의 생산 스케줄링 요구 사항에 맞게 필요한 수정을 할 수 있습니다. 시뮬레이션 결과를 통해 해당 수학적 최적화 모델이 효과적으로 주문 생산을 배열하고 회사가 더 높은 경제적 이익을 달성할 수 있게 되었습니다. 2 섬유 기업의 작업장 생산 모델 확립 유전자 알고리즘은 흐름 상점 일정 문제를 해결하는 데 성공적으로 사용되었습니다. [4]: ​​Ishibuchi H.는 퍼지 배송 시간 하에서 흐름 작업장 일정 문제를 연구했으며, Huang Yuchun 등은 유전자 알고리즘을 결합했습니다. Flow-shop 스케줄링 문제를 해결하기 위한 REAS 경험적 규칙 Harry Pang과 Zheng Binglin은 다단계 하이브리드 Flow-shop 스케줄링 문제에 대한 유전 알고리즘 솔루션 방법을 제안했습니다. Zhang Jihui 등은 지식에 대한 GA 기반 기계 학습 알고리즘을 제안했습니다. 동적 스케줄링에서 획득. Flow-Shop 스케줄링 문제는 일반적으로 n개의 공작물이 m개의 기계에서 처리되는 것으로 설명할 수 있습니다. 각 공작물은 두 개의 프로세스를 거쳐야 합니다. 각 프로세스에는 m개의 기계에서 n개의 공작물을 처리하는 순서가 동일합니다. 기계의 공작물 처리 시간이 제공됩니다. 문제의 목표는 각 기계에서 n개의 공작물의 최적 처리 순서를 결정하여 처리 시간을 최소화하는 것입니다. 섬유 회사가 주문을 받은 후 고객은 특정 제품에 대한 수요를 제시하고 우리가 사용하는 조립 라인 작업장의 그룹 작업 일정을 통해 생산 공정에 필요한 특정 원자재 배치를 확인할 수 있어야 합니다. 따라서 주문은 특정 제품 프로세스 시트로 생성되고 모든 주문에 필요한 원자재가 확보되며 각 주문의 원자재 구성이 결정되고 모든 것이 생산을 위해 특정 배치로 나뉩니다. 즉, 동일한 생산 요구 사항이 특정 배치로 구분됩니다. 물론 각 배치의 수량에는 최대 값이 있습니다. 본 논문에서는 생산해야 하는 제품의 최소 단위로 설정할 수 있는 최대 값을 사용합니다. 각 배치에서. 배치가 하나의 배치보다 작은 경우에도 하나의 배치로 구현합니다. 직물 흐름 작업장의 그룹 작업 일정은 다음과 같이 설명할 수 있습니다. N개 제품 배치의 원자재는 M(2개 이상) 세트의 장비에서 처리되도록 준비됩니다. 각 원자재 배치는 이러한 M 세트를 통과해야 합니다. 즉, 방적 작업장과 같은 해당 A 세트의 장비를 설정하면 방적 작업장에 방적해야 하는 원자재 배치 프로세스가 배치를 의미한다고 가정합니다. 원료의 전체 회전 장비 세트에 의해 처리됩니다. 원료 처리의 유사성에 따라 그룹 b로 나눌 수 있습니다. 그룹 i의 원료 배치 수는 그룹 i의 j번째 원료 배치로 표시됩니다. k번째 장비 세트의 처리 시간은 다음과 같습니다. 어떤 장비 세트에서 차례로 처리된 원자재 배치가 동일한 그룹에 속하지 않으면 재설정해야 합니다. 특정 생산 공정에서 창고 안팎의 원자재 운영과 장비 준비 시간을 고려하기 위해 이 장비 세트에서 원자재 배치 준비 시간을 균일하게 설정합니다. 그룹 i의 k번째 장비 세트에 대한 준비 시간 예, 이 장에서 학습할 내용은 다음과 같습니다. 특정 규칙에 따라 이러한 작업을 재그룹화하고, 그룹 내에서 작업을 정렬하고, 그룹 간 작업을 정렬하고, 재그룹화된 작업을 정렬합니다. 목적 함수 - 총 처리 시간을 만족시키기 위해 M 세트의 장비에 순서대로 제품 배치를 정렬합니다.

수학적 모델은 다음과 같습니다. i번째 그룹의 처리 시간(i=1,2,…,b)을 나타냅니다. 그러면 이는 i번째 그룹의 각 원자재 배치 완료 시간의 합과 같습니다. i 번째 그룹의 j 번째 원자재 배치는 k 세트의 장비 완료 시간을 나타냅니다. 번째 그룹은 k번째 장비 세트에서 처리되며, k번째 장비 세트에서 i번째 그룹의 원자재 준비 시간을 나타냅니다. 총 처리 시간 F는 각 그룹의 완료 시간의 합과 같습니다. 즉, (1) 총 처리 시간을 최적화 목표로 삼아 목적 함수는 다음과 같이 표현할 수 있습니다. (2) 마지막으로 모델은 (3) 3 방직 기업 작업장 생산 모델 유전 알고리즘 구현 유전 알고리즘 구현의 모든 작업에는 코딩, 적합 기능, 유전 연산(교차 및 돌연변이), 선택 방법 및 제어 매개변수가 포함됩니다. 3.1 코딩(Coding) 코딩은 유전알고리즘을 적용할 때 해결해야 할 일차적인 문제이자, 유전알고리즘을 설계할 때 중요한 단계이기도 하다. 직물 작업장에서는 생산이 배치에 따라 나누어집니다. 각 생산 배치를 작업으로 완료할 수 있습니다. 즉, 첫 번째 배치는 작업 1로 설정되고 두 번째 배치는 작업 2로 설정됩니다. . 가공 중에 날염 및 염색 과정에서 일부 제품 배치가 필요하지 않음을 알 수 있으므로 이를 두 그룹으로 나눕니다. 3, 5, 8, 10은 하나의 그룹이고 1, 2, 4, 6은 7, 9, 11, 12는 시뮬레이션 계산을 위한 또 다른 그룹입니다. 인코딩을 1, 2, 4, 6, 7, 9, 11, 12, 3, 5, 8, 10으로 얻을 수 있으므로 인코딩이 더 합리적입니다. 3.2 적합도 기능 평가 유전자 알고리즘은 자연계의 적자생존 원리를 따르며 기본적으로 검색 시 외부 정보를 사용하지 않고 개인의 강점과 약점을 나타내는 적합도를 유전자 알고리즘 작동의 기반으로 삼는다. 적합도가 높은 개인은 다음 세대로 유전될 확률이 더 높고, 적합도가 낮은 개인은 다음 세대로 유전될 확률이 더 낮습니다. 개인의 적합성을 측정하는 함수를 적합도 함수라고 한다. 적합도 함수는 집단 내 개인의 질을 구별하는 데 사용되는 기준이며, 알고리즘 진화 과정의 원동력이자 자연 선택의 유일한 기초이다. 특정 애플리케이션에서는 피트니스 기능의 설계가 문제 자체를 해결하기 위한 요구 사항과 결합되어야 합니다. 최적화 문제는 두 가지 주요 범주로 나눌 수 있습니다. 하나는 목적 함수의 전역 최대값을 찾는 것입니다. 이러한 유형의 문제에 대한 가장 자연스러운 아이디어는 목적 함수를 적합도 함수로 사용하는 것입니다. 그러나 많은 최적화 문제는 목적 함수의 전역 최소값을 찾는 반면, 유전 알고리즘은 적합도 함수가 양수 값을 취하도록 요구하며 적합도가 높을수록 개인이 더 좋습니다. 따라서 문제의 목적함수를 개인의 적합성 척도로 사용하는 경우가 많아 목적함수를 최대값 형태로 변환하고 적합도 함수가 음이 아님을 보장해야 한다. 일반적으로 다음과 같은 방법을 변환에 사용할 수 있습니다. 3.3 유전 조작 유전 조작은 자연에 존재하는 생물학적 유기체의 유전적 유전을 시뮬레이션하는 조작이며, 그 기능은 집단 수준에서 개인의 생존을 달성하는 것입니다. 환경에 대한 적응과 자연적 진화를 이룬다 [4-5] . 일반적으로 유전 알고리즘에는 선택, 교배, 돌연변이라는 세 가지 기본 유전 연산자가 사용됩니다. 선택 과정은 본질적으로 적자 생존과 적자 생존의 과정입니다. 선택을 통해 새로운 세대의 염색체가 형성될 수 있으므로 적응력이 좋은 개체는 유지될 기회가 더 많고 적응력이 낮은 개체는 도태됩니다. 교차(Crossover)는 GA의 수렴을 결정하는 핵심 작용으로 가장 중요한 유전적 작용으로 두 개의 염색체에 동시에 작용하여 두 염색체의 특성을 결합하여 새로운 자손을 낳는다. 직물 예에서 교차 작업을 살펴보겠습니다. 두 부모 개체는 A= 1 2 3︱4 5 6︱7 8 9 10 11 12 B= 4 10 6︱7 11 12︱5 3 2 1 8 9 A입니다. B 교환 면적을 맞춘 후 A'= 1 2 3︱7 11 12︱7 8 9 10 11 12 B'= 4 10 6︱4 5 6︱5 3 2 1 8 9 A”= 1 2 3 ︱7 11 12 ︱4 8 9 10 5 6 B”= 7 10 12︱4 5 6︱11 3 2 1 8 9 4 Zhejiang Linglong Textile Enterprise Workshop 생산 모델 사례 구현 실제 생산 과정에서 고객 요구의 차이로 인해 , 일부 배치 제품은 특정 프로세스를 건너뛸 수 있습니다.

따라서 일괄 제품을 처리할 때 일부 프로세스를 생략할 수 있는 경우 해당 프로세스의 제품 일괄 처리 시간을 0으로 설정합니다. 동시에 Linglong Textile Company가 특정 생산 과정에서 반나절을 시간 단위로 사용하는 것을 고려하여 시뮬레이션에서는 반나절을 1로 설정했다고 가정합니다. 동시에, 특정 작업 중 처리 시간을 고려하여 준비 시간이 반나절 미만인 경우에도 반일로 계산하고, 처리 시간이 반나절 미만인 경우에도 다음과 같이 계산합니다. 반나절. 식 (3)의 모형을 최대한 만족시키기 위해서는 다음 두 가지 가정이 필요하다. ① 기업의 재고 공간은 무한하다. 이 조건에서는 완제품 보관 비용을 고려할 필요가 없다. 주문이 사전에 완료되었으며 고객이 아직 상품을 픽업하지 않은 경우. 화마오의 실제 상황으로 볼 때 이 조건은 충족될 수 있다. ② 지연 여부에 관계없이 Linglong Textile의 실제 작업 과정에서 영업 사원은 고객과의 주문 체결 여부를 결정하기 전에 파견자의 검토를 통과해야 하며 현재 실제 생산 상황을 기반으로 배송 날짜를 예측합니다. 각 지점 공장. 예측 값이 고객이 요구하는 배송 시간을 초과하는 경우 영업 사원은 주문에 서명할 수 없습니다. 따라서 모델링 시 지연을 고려할 필요가 없습니다. 위의 유전 알고리즘을 사용하여 배치 크기가 12인 생산 순서를 해결합니다. 매개변수는 인구 크기 n=50, =0.7, =0.01로 설정됩니다. 먼저 계산을 통해 초기 개체수 50개를 생성합니다. , 최상의 솔루션과 최상의 솔루션을 얻을 수 있습니다. 반복 횟수입니다. 참고문헌: [1] Li Qiqiang. 생산 공정의 지능적인 의사결정 및 일정 수립 [D], 절강대학교, 1998. [2] Li Guofu, 유전자 알고리즘 기반의 분류 방법 [J]. of Ningbo University [ Science and Technology Edition], 1998, 11(3), 47. [3] Holsapple C.W., Varghese S. J. Ramakrishnan P. 유연한 제조 환경에서 정적 일정을 생성하기 위한 유전학 기반 하이브리드 스케줄러 IEEE Trans on Systems, man and Cybernetics, 1993, 23(4), 953. [4] Dai Xiaohui, Li Minqiang, Kou Jisong. 유전자 알고리즘 이론 연구 개요 [J], 2000, 15(3): 263-269. [5] 우융가오(Wu Yungao) 유전 알고리즘 스케줄링 방법 및 응용 [D] ● 제출 이메일: gpjs2006@126.com ● 편집 전화번호: 0371-65529998, 65528998 ● 주소: 3-3 -1004, Manhattan Plaza, No. 305 Jinshui Road, Zhengzhou City, Henan Province 우편함(450008)

받아주세요, 감사합니다!