En la generación anterior de producción, la programación de la producción no era sólo una cuestión táctica, sino que se ha convertido en una estrategia para mejorar la competitividad de las empresas. El problema de programación del trabajo en el taller de cada empresa tiene sus propias características, lo cual es un tema importante que debe resolverse en el campo de la programación. Por lo tanto, aunque hay relativamente muchos estudios sobre problemas de programación de la producción, y también hay muchos estudios sobre métodos de modelado, soluciones algorítmicas y otras cuestiones en el campo de la programación de la producción, pero para la producción en industrias no manufactureras, especialmente en la industria textil, Todavía hay relativamente pocos estudios sobre problemas de programación. Este artículo estudia la programación del taller de producción de una empresa textil, especialmente el problema de programación de múltiples lotes de juegos completos de equipos paralelos. Se diseña un algoritmo genético para este problema de programación y se simula con un ejemplo. Los algoritmos genéticos pueden contribuir a ahorrar costos de producción y mejorar la eficiencia corporativa en la programación de la producción de las empresas textiles. Palabras clave: programación de producción; programación de taller de flujo; programación de máquinas paralelas; algoritmo genético Número CLC: TP301.6 Código de identificación del documento: Métodos de programación de producción de un taller de empresas textiles e investigación e implementación de algoritmos genéticos El problema de programación de trabajos del taller de producción se basa en Es necesario asignar racionalmente los recursos de fabricación de productos, a fin de lograr el propósito de utilizar racionalmente los recursos de fabricación de productos y mejorar los beneficios económicos de la empresa. La programación de producción del taller ocupa una posición muy importante en las actividades operativas y de producción empresarial. El sistema de programación de producción también es un componente importante de CIMS, ERP y otros sistemas, por lo que ha recibido una amplia atención por parte de la academia y la industria. Su investigación tiene una gran importancia teórica y práctica. El problema de programación de la producción generalmente se puede describir como: para un determinado trabajo descomponible, bajo ciertas restricciones, cómo organizar los recursos, el tiempo de procesamiento y la secuencia de sus componentes (operaciones) para obtener el tiempo o costo de fabricación del producto, etc. Los indicadores de desempeño son óptimos. . Los problemas de programación de producción se centran principalmente en la planificación y programación del taller. Muchos académicos han investigado mucho y han producido muchos resultados de investigación. La programación de producción del sistema de fabricación está dirigida a un trabajo descomponible (como la fabricación de productos) y explora cómo organizar su composición mediante la emisión de instrucciones de producción mientras se satisfacen las restricciones (como la fecha de entrega, la ruta del proceso, la situación de los recursos) tanto como sea posible. posible Qué recursos se utilizan para las piezas (operaciones), su tiempo de procesamiento y la secuencia de procesamiento para obtener la optimización del tiempo o costo de fabricación del producto. En la investigación teórica, los problemas de programación de la producción a menudo se denominan problemas de secuenciación o problemas de asignación de recursos [1]. De lo anterior se puede ver que existen problemas de investigación sobre la aplicación de problemas de programación de talleres de producción en industrias específicas. Es muy específico y su investigación tiene una importancia positiva, y el método de análisis más apropiado es el uso de algoritmo genético. El algoritmo genético (GA) es un nuevo método de búsqueda de optimización paralela. Es un algoritmo de optimización que imita el proceso de evolución de grupos biológicos dado un conjunto de soluciones iniciales como grupo, busca la solución óptima mediante operaciones genéticas como selección, intersección y mutación. Li Guofu (1998) [2] utilizó un algoritmo genético para optimizar la búsqueda del problema de clasificación de piezas del taller e introdujo algunas ideas nuevas en el algoritmo para ayudar a reducir el tamaño de la población, aumentar la velocidad de cálculo y mejorar los resultados de optimización. . 1 El proceso de producción del taller de la empresa textil El proceso comercial de producción de la empresa textil se puede describir a grandes rasgos como: recepción de pedidos-》diseño de producto-》plan de compras-》plan de producción-》teñido-》hilado-》tejido-》tejido gris inspección-》estudio de reparación-》 Reinspección -> Almacenamiento -> Teñido y Acabado -> Cocción -> Inspección de Producto Terminado -> Almacenamiento de Producto Terminado -> Embalaje de Producto Terminado -> Embalaje -> Envío, etc. Entre ellos, teñido, hilado y El tejido se realiza internamente o se subcontrata. En concreto, tras recibir el pedido, la empresa textil puede confirmar los pasos concretos de producción mediante el análisis previo.
En primer lugar, primero confirme si el inventario original tiene telas grises que coincidan con el pedido. De ser así, simplemente realice las mejoras necesarias, como teñido y acabado, para cumplir con los requisitos; de lo contrario, verifique si hay hilo en stock y diseñe el proceso de producción; De lo contrario, debemos comenzar con la lana fina para hacer la hoja del proceso de producción, confirmar las materias primas de lana fina específicas requeridas y enviar las materias primas a la máquina de hilar para hilar una vez finalizado el hilado, de acuerdo con el pedido. requisitos, vea si se requieren teñido y plegado, y el stock conjunto generalmente puede ser más de una vez, pero aquí nos basamos principalmente en las necesidades de la mayoría de los pedidos, básicamente el stock conjunto es menos de una vez. Una vez, las materias primas se pueden separar para resolver el problema. Cuando enumeramos el diagrama de flujo del proceso de producción completo, no consideramos el proceso de salida y entrada. En las configuraciones posteriores, reemplazamos este proceso de entrada y salida aumentando el tiempo de preparación y finalización de cada proceso. A través de los problemas de producción de las empresas textiles estudiados anteriormente, podemos obtener algunas características: ① Toda la producción se basa en pedidos ② Cada proceso de producción tiene múltiples equipos ③ Se pueden omitir algunos procesos; ④La ruta del proceso de cada configuración es básicamente la misma. Teniendo en cuenta los factores anteriores, podemos ver que es algo similar a un problema de programación híbrido Flow-Shop. Sobre esta base, podemos realizar las modificaciones necesarias para adaptarnos a los requisitos de programación de producción de Linglong Textile Co., Ltd. Se estableció un modelo de optimización matemática correspondiente. Los resultados de la simulación organizaron efectivamente la producción de pedidos y permitieron a la empresa lograr mayores beneficios económicos. 2 Establecimiento de un modelo de producción en taller de empresas textiles El algoritmo genético se ha utilizado con éxito para resolver problemas de programación de taller de flujo [4]: Ishibuchi H. estudió el problema de programación de taller de flujo bajo un tiempo de entrega difuso, Huang Yuchun et al. Reglas heurísticas de REAS para resolver el problema de programación de Flow-shop Harry Pang y Zheng Binglin propusieron un método de solución de algoritmo genético para el problema de programación de Flow-shop híbrido de múltiples etapas. Zhang Jihui et al propusieron un algoritmo de aprendizaje automático para el conocimiento. adquisición en programación dinámica. El problema de programación del taller de flujo generalmente se puede describir como n piezas de trabajo que se procesarán en m máquinas. Cada pieza de trabajo debe pasar por dos procesos. Cada proceso requiere una máquina diferente. El orden de procesamiento de n piezas de trabajo en m máquinas es el mismo. Se da el tiempo de procesamiento de la pieza de trabajo en la máquina. El objetivo del problema es determinar la secuencia de procesamiento óptima de n piezas de trabajo en cada máquina para minimizar el tiempo de proceso. Después de que la empresa textil recibe el pedido, el cliente presenta la demanda de productos específicos, y la programación de operaciones grupales del taller de la línea de ensamblaje que utilizamos debe poder confirmar el lote específico de materias primas requeridas en el proceso de producción. Por lo tanto, el pedido se genera en una hoja de proceso de producto específica, se obtienen las materias primas necesarias para todos los pedidos, se determina la configuración de la materia prima de cada pedido y todo se divide en lotes específicos para la producción. Es decir, los mismos requerimientos de producción se dividen en lotes específicos. Por supuesto, la cantidad de cada lote tiene un valor máximo. Este papel toma el valor máximo que se puede establecer como unidad mínima del producto que se necesita producir. en cada lote. Si un lote es menor que un lote, también lo implementaremos como un solo lote. La programación de operaciones grupales del taller de flujo textil se puede describir de la siguiente manera: Las materias primas de N lotes de productos se preparan para ser procesadas en M (más de 2) conjuntos de equipos. Cada lote de materias primas debe pasar por estos M conjuntos. de equipo a su vez, es decir, configuramos el correspondiente Para un conjunto de equipos, como un taller de hilatura, asumimos que el proceso de un lote de materias primas que necesitan ser hiladas ingresando al taller para hilatura significa que esto. El lote de materias primas es procesado por todo el equipo de hilatura. Según la similitud del procesamiento de materias primas, se pueden dividir en grupos b, entre ellos, el número de lotes de materias primas en el grupo i es, y el j-ésimo lote de materias primas en el grupo i está marcado para el lote de materias primas; su tiempo de procesamiento en el k-ésimo conjunto de equipos es en En cualquier conjunto de equipos, si los lotes de materias primas procesados uno tras otro no pertenecen al mismo grupo, deben restablecerse. Para considerar la operación de materias primas dentro y fuera del almacén en el proceso de producción específico, así como el tiempo de preparación del equipo, establecemos uniformemente el tiempo de preparación del lote de materias primas en este conjunto de equipos, por lo que el tiempo de preparación del k-ésimo conjunto de equipos del grupo i Sí, el contenido que se estudiará en este capítulo es: reagrupar estas operaciones de acuerdo con ciertas reglas, ordenar las operaciones dentro del grupo, ordenar las operaciones entre grupos y organizar las reagrupadas y clasificó lotes de productos en M conjuntos de equipos para satisfacer la función objetivo: tiempo total de proceso.
El modelo matemático es el siguiente: representa el tiempo de proceso del i-ésimo grupo (i=1,2,…,b Luego es igual a la suma del tiempo de finalización de cada lote de materias primas en el i-). ésimo grupo. Se supone que el j-ésimo lote de materias primas del i-ésimo grupo está en el El tiempo de finalización en el k conjunto de equipos indica el momento en que el j-ésimo lote de materias primas del i-ésimo grupo. El grupo se procesa en el k-ésimo conjunto de equipos e indica el tiempo de preparación del i-ésimo grupo de materias primas en el k-ésimo conjunto de equipos. El tiempo total del proceso F es igual a la suma de los tiempos de finalización de cada grupo, es decir: (1) Tomando el tiempo total del proceso como meta de optimización, la función objetivo se puede expresar de la siguiente manera: (2) Finalmente, el modelo se obtiene: (3) 3 Modelo de producción de taller de empresa textil Implementación del algoritmo genético Todo el trabajo de implementación del algoritmo genético incluye codificación, función de aptitud, operaciones genéticas (cruce y mutación), método de selección y parámetros de control. 3.1 Codificación La codificación es el principal problema a resolver al aplicar algoritmos genéticos, y también es un paso clave al diseñar algoritmos genéticos. En el taller textil, la producción se divide según lotes. Podemos completar cada lote de producción como una tarea, es decir, el primer lote se establece como tarea 1, el segundo lote se establece como tarea 2,..., y así sucesivamente. . Dado que durante el procesamiento podemos ver que algunos lotes de productos no son necesarios en el proceso de impresión y teñido, los dividimos en dos grupos, 3, 5, 8 y 10 son un grupo, y 1, 2, 4, 6, 7, 9, 11 y 12 son otro grupo para el cálculo de simulación. Podemos obtener la codificación como 1, 2, 4, 6, 7, 9, 11, 12, 3, 5, 8, 10, lo que garantiza que la codificación sea más razonable. 3.2 Evaluación de la función de aptitud El algoritmo genético sigue el principio de supervivencia del más apto en la naturaleza. Básicamente, no utiliza información externa en la búsqueda, sino que utiliza la aptitud para representar las fortalezas y debilidades del individuo como base para las operaciones del algoritmo genético. Los individuos con mayor aptitud física tienen una mayor probabilidad de pasar a la siguiente generación; los individuos con menor aptitud física tienen menos posibilidades de pasar a la siguiente generación. La función que mide la aptitud individual se llama función de aptitud. La función de aptitud es el estándar utilizado para distinguir la calidad de los individuos en el grupo. Es la fuerza impulsora del proceso de evolución del algoritmo y la única base para la selección natural. En aplicaciones específicas, el diseño de la función de aptitud debe combinarse con los requisitos de resolución del problema en sí. Los problemas de optimización se pueden dividir en dos categorías principales. Una es encontrar el valor máximo global de la función objetivo. La idea más natural para este tipo de problema es utilizar la función objetivo como función de aptitud. Sin embargo, muchos problemas de optimización buscan el mínimo global de la función objetivo, mientras que los algoritmos genéticos requieren que la función de fitness tome un valor positivo, y cuanto mayor sea el fitness, mejor será el individuo. Por lo tanto, cuando se utiliza la función objetivo de un problema como medida de aptitud individual en muchas ocasiones, la función objetivo debe transformarse en una forma de valor máximo y se debe garantizar que la función de aptitud no sea negativa. Generalmente se pueden utilizar los siguientes métodos para la conversión: 3.3 Operación genética La operación genética es una operación que simula la herencia genética de los organismos biológicos en la naturaleza. Es una operación individual a nivel grupal. Su función es lograr la supervivencia del más apto. lograr la adaptación al medio y la evolución natural [4-5]. En los algoritmos genéticos se suelen utilizar tres operadores genéticos básicos: selección, cruce y mutación. El proceso de selección es esencialmente un proceso de supervivencia del más apto y de supervivencia del más apto. Mediante la selección se puede formar una nueva generación de cromosomas, de modo que los individuos con buena adaptabilidad tengan más oportunidades de ser retenidos y aquellos con poca adaptabilidad sean eliminados. El cruce es la operación central que determina la convergencia de GA y es la operación genética más importante. Opera en dos cromosomas al mismo tiempo y combina las características de los dos para producir nueva descendencia. Veamos la operación de cruce en el ejemplo textil: los dos individuos padres son 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 A, Intercambio B Después de hacer coincidir el área, 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 y luego reemplace 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 Implementación del caso del modelo de producción del taller de la empresa textil Zhejiang Linglong En el proceso de producción real, debido a diferencias en las necesidades del cliente , algunos lotes de Productos pueden omitir ciertos procesos.
Entonces, si se pueden omitir algunos procesos al procesar un lote de productos, establecemos el tiempo del lote de productos en estos procesos en 0. Al mismo tiempo, considerando que Linglong Textile Company utiliza medio día como unidad de tiempo en el proceso de producción específico, asumimos que medio día se establece en 1 en nuestra simulación. Al mismo tiempo, considerando el tiempo de proceso durante operaciones específicas, cuando el tiempo de preparación es inferior a medio día, también se calcula como medio día, y cuando el tiempo de procesamiento es inferior a medio día, también se calcula como mediodía. Para satisfacer el modelo de fórmula (3) tanto como sea posible, requerimos los dos supuestos siguientes: ① El espacio de inventario de la empresa es infinito. Bajo esta condición, no es necesario considerar el costo de almacenar el producto terminado cuando el. El pedido se ha completado con antelación y el cliente aún no ha recogido la mercancía. A juzgar por la situación real de Huamao, esta condición se puede cumplir. ② Independientemente de los retrasos, en el proceso de trabajo real de Linglong Textile, el vendedor debe pasar la revisión del despachador antes de decidir si firma un pedido con el cliente. El despachador predecirá la fecha de entrega en función de la situación de producción real actual. Cada sucursal de fábrica, si el valor previsto excede el tiempo de entrega requerido por el cliente, el vendedor no podrá firmar el pedido. Por lo tanto, no es necesario tener en cuenta los retrasos al modelar. Utilice el algoritmo genético anterior para resolver la orden de producción con un tamaño de lote de 12. Los parámetros se establecen en: tamaño de la población n=50, =0,7, =0,01 Primero, se generan 50 individuos iniciales para formar la población inicial. , se puede obtener la mejor solución y el mejor número de iteraciones. Referencias: [1] Li Qiqiang. Toma de decisiones inteligente y programación de procesos de producción [D]. Departamento de Control, Universidad de Zhejiang, 1998. [2] Un método de clasificación de Job Shop basado en un algoritmo genético [J]. de la Universidad de Ningbo [Edición de ciencia y tecnología], 1998, 11(3), 47. [3] Holsapple C.W., Varghese S. J. Ramakrishnan P. Un programador híbrido basado en genética para generar programaciones estáticas en contextos de fabricación flexibles IEEE Trans on Systems,. man and Cybernetics, 1993, 23(4),953. [4] Dai Xiaohui, Li Minqiang, Kou Jisong. Descripción general de la investigación de la teoría de algoritmos genéticos [J]. [5] Taller de Wu Yungao basado en métodos de programación de algoritmos genéticos y sus aplicaciones [D]. Universidad Tecnológica de Zhejiang ● Correo electrónico de envío: gpjs2006@126.com ● Número de teléfono editorial: 0371-65529998, 65528998. -1004, Manhattan Plaza, No. 305 Jinshui Road, ciudad de Zhengzhou, provincia de Henan Buzón (450008)
Acéptelo, ¡gracias!