一种考虑熔炉和砂型大小的铸造车间生产计划优化方法与流程

本发明涉及铸造企业在制定车间生产计划时进行优化方法研究技术领域，具体为一种考虑熔炉和砂型大小的铸造车间生产计划优化方法。

背景技术：

对于铸造企业而言，高柔性与高灵活性的生产计划是后续加工制造、装配、销售的基础，在整个产品的全生命周期中处于至关重要的地位。目前，单一的依赖经验来制定的生产计划很难满足实际的需求，同时在实际的生产过程中会遇到多类型扰动事件的产生，因此怎样以现代计算机技术为基础，结合企业实际生产加工特点，构建符合自身需求与发展的生产计划优化方法是众多专家学者研究的重点。

目前，有学者已经提出了一些生产计划优化方法的相关研究方法，例如kim等(kim,s.,uzsoy,r.modelingandanalysisofintegratedplanningofproductionandengineeringprocessimprovement[j].ieeetransactionsonsemiconductormanufacturing,2013,26(3):414-422.doi:10.1109/tsm.2013.2261099.)通过确定多功能生产加工中心中工作负载与吞吐量之间存在的非线性关系来制定生产计划综合优化模型，但未考虑不同产品之间相关生产活动的彼此影响；guo等(guo,z.x.,wong,w.k.,li,z.,ren,p.modelingandparetooptimizationofmulti-objectiveorderschedulingproblemsinproductionplanning[j].computers&industrialengineering,2013,64(4):972-986.doi:10.1016/j.cie.2013.01.006.)提出基于pareto优化理论和nsga-ⅱ优化过程的多目标订单生产计划优化模型，但未考虑临时订单、物料短缺是情况对生产计划的影响；yu等(yu,c.,ji,y.,qi,g.,etal.group-basedproductionschedulingformake-to-orderproduction[j].journalofintelligentmanufacturing,2015,26(3):585-600.doi:10.1007/s10845-013-0817-z)提出了group-based的生产调度优化方法，即以订单组为调度单位、以部分组为调度对象、以最小化完工时间为优化目标，但模型中订单组的大小对于调度性能有着很大的影响。上述这些方法在对于铸造企业的生产计划优化而言，铸造熔炉和砂型大小的限制，对于铸造企业生产优化并不适用，而且没有考虑延期交货引起的惩罚成本、以及加工设备闲置时占用成本，因而对于生产计划的柔性、有效性和可行性评估不够全面，这直接降低了生产计划实施时的执行效率，对待加工任务的按时完工造成影响。

技术实现要素：

本发明的目的在于提供一种考虑熔炉和砂型大小的铸造车间生产计划优化方法，通过构建基于总利润最大化原则制定生产计划优化目标函数，且结合熔炉大小和砂型大小来设定约束条件；同时针对传统遗传算法，设定双阶段遗传因子，以pagerank算法作为种群初始化方法搭建改进的遗传算法；并用改进的遗传算法对优化目标进行求解，从而为实际的生产计划制定与优化提供方法指导，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种考虑熔炉和砂型大小的铸造车间生产计划优化方法，包括如下步骤：

s1：获取包括熔炉大小cpu-melting、砂型大小cpu-modeling、待加工任务ptp_i、铸件工艺出品率rti、单位原材料成本rj、单位加工工艺成本pcic、单位延期成本dti、单位占用成本op在内的生产计划基本参数作为优化模型输入量；

s2：建立生产计划优化模型，包括总成本函数和约束条件：

s3：利用pagerank算法对传统遗传算法的种群初始化方法进行改进，即改进策略1，同时结合进化过程中的双阶段遗传因子，提高算法的求解速度和求解质量，即改进策略2；

s4：以步骤s1中的各项参数作为算法基本输入，利用步骤s3中改进的遗传算法对s2中的目标函数进行求解，其中算法的适应度函数如下：

上式中，ot代表制定生产计划是待加工任务的总合同金额，maxpr为最大利润率，mci表示待加工任务i的原材料成本，pci表示待加工任务i的工序成本，ocp表示加工设备p的占用成本，dci表示待加工任务i的延迟惩罚成本。

优选的，所述步骤s2中总成本函数的关系式如下：

上式中mci表示待加工任务i的原材料成本，pci表示待加工任务i的工序成本，ocp表示加工设备p的占用成本，dci表示待加工任务i的延迟惩罚成本，表示对应的权重值，且

优选的，所述步骤s2中约束条件为：

sum(wi)≤cpu-modeling、sum(wij)≤cpu-melting

上式中wi为待加工任务i所需砂型体积，wij为待加工任务i所需原材料熔炉体积。

优选的，所述步骤s3中pagerank算法如下：

式中：prq为待加工任务的关联性重要度；δ为阻尼系数，且0＜δ＜1；nq'j为待加工任务所需原材料的总量；uj为原材料单位价值；tq'pc为待加工任务工序在加工单元上加工时所耗费的总时间；uc为加工单元加工单位价值。

优选的，所述步骤s3中改进策略2求解过程采用面向算法不同计算阶段的两组不同遗传算子，引入决策变量v1，v2来控制不同遗传因子的选取，其中v1代表出现连续相同的适应度值的算法迭代数，v2代表生产计划制定后的最小利润率。

与现有技术相比，本发明的有益效果是：

本考虑熔炉和砂型大小的铸造车间生产计划优化方法，通过构建基于总利润最大化原则制定生产计划优化目标函数，且结合熔炉大小和砂型大小来设定约束条件；同时针对传统遗传算法，设定双阶段遗传因子，以pagerank算法作为种群初始化方法搭建改进的遗传算法；并用改进的遗传算法对优化目标进行求解，从而为实际的生产计划制定与优化提供方法指导，在实际的生产计划制定时，全面考虑了熔炉大小、砂型大小的限制，保证了生产计划的切实可行性；可以更好的提高算法的求解速度与求解质量，能够实现对生产计划与实际加工过程地更好控制。

附图说明

图1为本发明的流程方框图；

图2为本发明中改进的遗传算法求解基本流程图；

图3为本发明改进遗传算法中个体编码与解码示意图；

图4为本发明应用改进遗传算法求解得到的近似最优解对应的生产计划优化明细甘特图；

图5为本发明改进遗传算法与相关算法的收敛曲线对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

本发明实施例中：一种考虑熔炉和砂型大小的铸造车间生产计划优化方法，包括如下步骤：

第一步：获取包括熔炉大小cpu-melting、砂型大小cpu-modeling、待加工任务ptp_i、铸件工艺出品率rti、单位原材料成本rj、单位加工工艺成本pcic、单位延期成本dti、单位占用成本op在内的生产计划基本参数作为优化模型输入量；

第二步：建立生产计划优化模型，包括总成本函数和约束条件：其中，总成本函数的关系式如下：

上式中mci表示待加工任务i的原材料成本，pci表示待加工任务i的工序成本，ocp表示加工设备p的占用成本，dci表示待加工任务i的延迟惩罚成本，表示对应的权重值，且

约束条件为：

sum(wi)≤cpu-modeling、sum(wij)≤cpu-melting

上式中wi为待加工任务i所需砂型体积，wij为待加工任务i所需原材料熔炉体积；

第三步：利用pagerank算法对传统遗传算法的种群初始化方法进行改进，即改进策略1，同时结合进化过程中的双阶段遗传因子，提高算法的求解速度和求解质量，即改进策略2；其中，pagerank算法如下：

式中：prq为待加工任务的关联性重要度；δ为阻尼系数，且0＜δ＜1；nq'j为待加工任务所需原材料的总量；uj为原材料单位价值；tq'pc为待加工任务工序在加工单元上加工时所耗费的总时间；uc为加工单元加工单位价值；

改进策略2求解过程采用面向算法不同计算阶段的两组不同遗传算子，引入决策变量v1，v2来控制不同遗传因子的选取，其中v1代表出现连续相同的适应度值的算法迭代数，v2代表生产计划制定后的最小利润率；

第四步：以步骤一中的各项参数作为算法基本输入，利用步骤三中改进的遗传算法对步骤二中的目标函数进行求解，其中算法的适应度函数如下：

上式中ot代表制定生产计划是待加工任务的总合同金额，maxpr为最大利润率。

参阅图1-5，基于上述实施例一，提供如下的具体实施例二：

如图1中所示，本发明描述了一种以熔炉和砂型大小参数、待加工任务相关参数、改进遗传算法相关参数等作为输入量，以最大利润率为优化目标的铸造企业生产计划优化方法。

图2为改进遗传算法的求解基本流程图，具体步骤为：

第一步：构建待加工任务关键信息矩阵，包括如表1所示的待加工任务基本信息和表2所对应的工艺基本信息；设定算法求解基本参数，如表3所示：

表1待加工任务

表2待加工任务工艺明细

表3算法基本参数

第二步：染色体的编码与解码；其中本实例采用十进制编码方式来进行编码，包括待加工任务编码、加工工序编码、原材料类型编码、加工单元编码、决策变量编码等等，解码方式如图3所示；

第三步：初始种群获取；基于pga的基本思想，求解各初始个体之间的关联性重要度值(prq)，如下公式所示：根据值的大小对个体进行排序，得到排序后的初始化种群个体：

式中：prq为待加工任务的关联性重要度；δ为阻尼系数，且0＜δ＜1；nq'j为待加工任务所需原材料的总量；uj为原材料单位价值；tq'pc为待加工任务工序在加工单元上加工时所耗费的总时间；uc为加工单元加工单位价值；

第四步：适应度函数的设定；由于在制定待加工任务生产计划时，待加工任务的总金额是已知的，且是定值，所以为了实现iga在求解过程中的标准化，将待加工利润率作为算法的适应度目标函数，其值越大则算法的求解性能越好，具体计算公式如下：

mindo＝min(tcc)＝min(wgo*oc)+min(wgd*dc)+min(wgm*mc)+min(wgp*pc)

其中：mindo是在满足假设条件下的待加工任务总成本，maxpr代表最大利润率，ot表示签订待加工任务的总金额，根据公式中的不同权重系数，上述公式可以用公式表示：

因此适应度值越大，代表个体优先级越高，即可以当作近似最优解；如表4所示为求解结果明细，图4为近似最优解对应的生产计划甘特图，图5为相关算法的收敛曲线对比图，从图中可以看出改进的遗传算法在求解基于熔炉和砂型大小的铸造车间生产计划时是有效的、可行的。表4求解结果明细：

综上所述，本考虑熔炉和砂型大小的铸造车间生产计划优化方法，通过构建基于总利润最大化原则制定生产计划优化目标函数，且结合熔炉大小和砂型大小来设定约束条件；同时针对传统遗传算法，设定双阶段遗传因子，以pagerank算法作为种群初始化方法搭建改进的遗传算法；并用改进的遗传算法对优化目标进行求解，从而为实际的生产计划制定与优化提供方法指导，在实际的生产计划制定时，全面考虑了熔炉大小、砂型大小的限制，保证了生产计划的切实可行性；可以更好的提高算法的求解速度与求解质量，能够实现对生产计划与实际加工过程地更好控制。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。