1.一种基于遗传算法的机械加工车间智能排产优化方法，其特征在于，所述方法包括以下步骤：
步骤1，针对车间调度任务，构建柔性作业车间调度问题数学模型；
步骤2，利用改进的遗传算法求解所述数学模型，获得并输出最优的机械加工车间智能排产优化方案；
步骤3，判断车间调度任务是否更新，若是则返回执行步骤1。
2.根据权利要求1所述的基于遗传算法的机械加工车间智能排产优化方法，其特征在于，步骤1中所述柔性作业车间调度问题数学模型为：
式中，cmax表示所有工序最后的完工时间，即优化目标；ci表示第i个加工零件的最后完工时间，n表示加工零件的数量。
3.根据权利要求2所述的基于遗传算法的机械加工车间智能排产优化方法，其特征在于，步骤1中所述柔性作业车间调度问题数学模型的约束条件包括：
(a)零件按照事先确定好的工艺路线依次进行加工：
sij+xijktijk≤cij,i＝1,2…,n,j＝1,2,…,oi,k＝1,2,…,m
式中，sij表示工序oij开始加工时间，cij表示工序oij完成加工时间，xijk表示标志数1或0，tijk表示工序oij在机器mk上的加工时间，oi表示第i个加工零件需要的加工工序数量，m表示加工机器的数量；
(b)一台机器在某一个时刻点，只可以加工一个零件的某一道工序：
sij+tijk≤saq+y(1-yijaqk),i,a＝1,2…,n,k＝1,2,…,m，j,q＝1,2…,oi
式中，y为一个正数，yijaqk表示标志数1或0，saq第a个零件执行加工工序q的开始加工时间；
(c)一道工序在某一时刻点，只可以在其中某一台可用机器上加工：
式中，xijk表示标志数1或0。
4.根据权利要求3所述的基于遗传算法的机械加工车间智能排产优化方法，其特征在于，步骤2所述利用改进的遗传算法求解所述数学模型，获得并输出最优的机械加工车间智能排产优化方案，具体过程包括：
步骤2-1，构建初始条件矩阵；
采用一个n×m的矩阵表示每台机器对不同加工零件的加工时间：
矩阵pt的每一行代表一个加工零件，共有n个待加工零件；矩阵pt的每一列对应一台加工机器，矩阵中元素ptij表示第j台加工机器生产第i个待加工零件的生产时间；若第j台加工机器并不参与第i个待加工零件的加工，则ptij＝0；
另采用一个n×m的矩阵表示每个待加工零件的加工工序：
矩阵ms的每一行仍代表一个加工零件，共有n个待加工零件；矩阵ms的每一列对应零件的加工次序，矩阵中元素msij表示第i个待加工零件的第j步工序的加工机器，msij∈[1,2,…,m]，若某台机器并不参与第i个零件的加工，则该机器可在第i行的任意位置出现；
步骤2-2，构建初始种群；
设序列a＝(a1,a2,…,am×n)，其中ai∈(0,1,2,…,m×n-1)且ai≠aj，则初始种群序列可表示为a＝(a1,a2,…,ai,…am×n)，其中ai＝aimodn，ai表示加工零件的序号，ai值出现的次数代表该加工零件被加工的次数，整个序列代表对所有零件的加工顺序；
以随机生成的方式产生若干初始种群序列，构成初始种群pa＝(a1,a2,…,ap)，其中p为设置的初始种群序列数；
步骤2-3，对种群序列进行交叉变异；
步骤2-4，构建适应度函数，求取种群个体的适应度值：
式中，fitnessi表示第i个个体的适应度值，第cimax表示第i个个体的cmax，p表示当前种群；
步骤2-5，基于序列即个体的适应度值，利用轮盘法选取下一代基因序列；
步骤2-6，判断迭代次数是否达到预设阈值，若是，从最终的基因序列中随机选择一个个体输出，作为最优的机械加工车间智能排产优化方案，否则返回步骤2-3。
5.根据权利要求4所述的基于遗传算法的机械加工车间智能排产优化方法，其特征在于，步骤2-3中所述交叉变异包括：
(a)序列交叉
采用双点交叉的方式生成下一代基因序列，具体过程包括：
从pa中随机挑选两个序列pa[x]，pa[y]作为下一代基因序列的父序列，分别生成对应的下一代基因序列child_1、child_2：
child_1＝pa[x]
child_2＝pa[y]
随机选取两个交换点，对换child_1、child_2序列中两个交换点之间的序列，实现双点交叉；
(b)序列修复
对于双点交叉后的两个序列，若其中一个序列中代表某机器加工的数值出现的次数大于待加工零件数量，另一个序列中对应的代表某机器加工的数值出现的次数小于待加工零件数量，对两个序列的序列值进行对换，使得两个序列中代表某机器加工的数值出现的次数等于待加工零件数量；
(c)序列突变
随机选取下一代基因序列中某两个位置的序列值进行对换：
child[randompoint_1]＝child[randompoint_2]
式中，child[randompoint_1]、child[randompoint_2]分别表示下一代基因序列中randompoint_1、randompoint_2位置处的序列值。
6.一种基于遗传算法的机械加工车间智能排产优化系统，其特征在于，所述系统包括：
模型构建模块，用于针对车间调度任务，构建柔性作业车间调度问题数学模型；
求解模块，用于利用改进的遗传算法求解所述数学模型，获得并输出最优的机械加工车间智能排产优化方案；
判别模块，用于判断任务是否更新，若是则返回执行模型构建模块。
7.根据权利要求5所述的基于遗传算法的机械加工车间智能排产优化系统，其特征在于，所述求解模块包括依次执行的：
第一构建模块，用于构建初始条件矩阵；
采用一个n×m的矩阵表示每台机器对不同加工零件的加工时间：
矩阵pt的每一行代表一个加工零件，共有n个待加工零件；矩阵pt的每一列对应一台加工机器，矩阵中元素ptij表示第j台加工机器生产第i个待加工零件的生产时间；若第j台加工机器并不参与第i个待加工零件的加工，则ptij＝0；
另采用一个n×m的矩阵表示每个待加工零件的加工工序：
矩阵ms的每一行仍代表一个加工零件，共有n个待加工零件；矩阵ms的每一列对应零件的加工次序，矩阵中元素msij表示第i个待加工零件的第j步工序的加工机器，msij∈[1,2,…,m]，若第j台机器并不参与第i个零件的加工，则可将第j台机器的序号插入到第i行的任意位置；
第二构建模块，用于构建初始种群；
设序列a＝(a1,a2,…,am×n)，其中ai∈(0,1,2,…,m×n-1)且ai≠aj，则初始种群序列可表示为a＝(a1,a2,…,ai,…am×n)，其中ai＝aimodn，ai表示加工零件的序号，ai值出现的次数代表该加工零件被加工的次数，整个序列代表对所有零件的加工顺序；
以随机生成的方式产生若干初始种群序列，构成初始种群pa＝(a1,a2,…,ap)，其中p为设置的初始种群序列数；
交叉变异单元，用于对种群序列进行交叉变异；
适应度函数构建单元，用于构建适应度函数：
式中，fitnessi表示第i个个体的适应度值，第cimax表示第i个个体的cmax，p表示当前种群；
筛选单元，用于基于序列即个体的适应度值，利用轮盘法选取下一代基因序列；
判别单元，用于判断迭代次数是否达到预设阈值，若是，从最终的基因序列中随机选择一个个体输出，作为最优的机械加工车间智能排产优化方案，否则返回执行交叉变异单元。