基于遗传算法的制造订单多任务资源配置系统

周奇慧

(上海飞机设计研究院，上海 201206)

随着网络信息和科学技术的发展，制造行业的管理和运营模式发生了翻天覆地的变化[1]。面对日渐激烈的市场竞争，制造企业有大量的订单需要在同时段完成[2-3]，但受到资金、资源、管理等多方面的限制，制造企业的智能化变革进度较慢[4]。目前，大多数制造企业面对多项制造订单时，仍旧采用人工方式进行资源调配，效率低、成本高，工期延误、生产秩序混乱、客户投诉等问题频发，严重影响制造企业的生产效率和资源利用率[5]。因此需要将科学技术和先进的管理理念相融合，设计可靠、高效的制造订单多任务资源配置系统，以提升制造企业的市场竞争力。对此，国内一些学者提出了智能化制造管理技术，如张成吉等[6]和魏圆圆等[7]分别基于ISO15693协议与WebGIS设计制造业管理系统，实现对订单生产进度的实时监测,保证制造计划的顺利执行，但系统扩展性较差，且系统结构复杂，实施成本较高。

本文提出的基于遗传算法的制造订单多任务资源配置系统，通过数据层、执行层和界面层的相互协作，实现多个制造订单任务的协调管理。在面对多任务需求时，利用遗传算法对多任务目标进行分析，确定任务排序并进行调配，满足了制造业的需求，当多项制造业务同时进行时，生产线不空转、不停用，降低了制造厂商的生产成本。

1 制造订单多任务资源配置系统

制造企业通常会在同一时间接到多个制造订单，同时生产数十个产品，而各个产品的要求不同，对于生产线的协调控制要求较高，因此需要设计存储容量大、反应快速的制造订单多任务资源配置系统。

1.1 系统整体结构

选择Oracle数据库，在B/S架构模式的基础上[8-9]，设计制造订单多任务资源配置系统，将制造订单以电子化的方式进行流转，快速而有效地利用信息共享功能协调制造订单多任务的资源配置工作，提高制造企业的生产效率。该系统由数据层、执行层和界面层构成。

1)数据层：以Oracle Database 12数据库服务器为核心，完成数据的基本操作，执行层通过数据库访问接口能够访问制造订单数据库中的数据。

2)执行层：该层作为数据层和界面层之间的桥梁，可以实现系统的全部业务功能。数据采集模块利用RFID设备采集制造订单生产过程和设备状态数据，并将采集结果保存至Primavera P6模块的P6数据库中；Primavera P6模块的多任务资源配置单元使用基于遗传算法的多任务资源配置方法，将满足制造订单任务要求的生产资源从备选资源中选取出来[10]；IIS服务器内集成三维CAD与PDM，具有提供产品CAD图纸、产品信息查看以及图纸更新等功能。

3)界面层：搭建制造订单多任务协同调控的网络环境，通过流程化的管理方式，将多个制造订单涉及的生产流程等进行展示，员工对制造订单进行多任务的远程调配管理。

1.2 三维CAD与PDM集成框架

根据制造订单多任务的生产需求，利用三维技术进行可视化分析处理，将多任务生产的产品信息导入，生成三维CAD，以丰富、直观、生动的形式表现制造订单产品细节，以便于在制造前随时调整产品的制造工序等，提高制造效率和准确度[11]。三维CAD与PDM集成框架利用组件调度程序统一控制不同接口，主要包括三维CAD通用集成接口、数据模型转换接口以及基于PDM数据模型的处理逻辑接口。三维CAD通用集成接口对共有特征的获取，可利用三维CAD对相应集成组件进行特征采集，并将所得特征存储至CAD数据模型，格式为XML文件[12-13]；通过数据模型转换接口能够将初始CAD数据变成标准XML信息；基于PDM数据模型的处理逻辑接口涵盖PDM内三维数据模型通用处理逻辑，用于存储PDM。当使用者完成相应三维CAD集成组件的注册时，其调用可通过PDM采用集成框架组件调度程序实现[14]，并将编辑或查看请求传输给CAD。三维CAD与PDM集成框架如图1所示。

图1 三维CAD与PDM集成框架

1.3 基于遗传算法的多任务资源配置方法

由于市场竞争日益激烈，制造企业为了进一步控制成本，提高经济效益，在生产中会尽量安排多种产品同时生产，合理调整工序，以避免生产线空转或停工，实现生产效率最大化。面对多项生产任务，需要根据不同产品的生产要求进行资源配置，为此在Primavera P6模块中，应用基于遗传算法的多任务资源配置方法，将满足制造多任务要求的生产资源从备选资源中选出来，实现多任务资源配置，从而实现制造成本的降低。

产品生产需要的资源包括原材料和加工设备、人员及配套设备。订单的完成过程包含多个环节，可按环节将生产任务划分为几个子任务，根据不同的子任务确定所需的制造资源，以工期最短为目标构建模型，实现对制造资源更好的管理，进而实现资源优化配置。

1)数学模型构建。

将工期最短作为目标，构建式(1)所示的制造业多任务资源配置数学模型：

(1)

式中：i为制造订单任务序号，i=1,2,…,n，n为总任务数量；j为制造订单中各个子任务序号，j=1,2,…,oi，oi为次序为i的制造订单任务的子任务个数；t为生产时段序号，t=1,2,…,T；k为所需生产资源序号，k=1,2,…,mij，mij为子任务的待选生产资源个数；xijk为子任务选择资源k的决策变量，如果选择，则其值为1，如果未选择，则其值为0；STij和FTij分别为子任务制造工序周期的开始时间和结束时间；Pij为全部子任务工序组成的集合；FTioi为子任务完成工序的用时，max{FTioi}为全部任务的总工期。通过构建此模型，规划资源配置，使得多任务的订单尽量在交货期内完工。

2)基于遗传算法的模型求解。

该算法的编码方式采用基于制造订单子任务与待选生产资源的双层整数编码方式。将制造订单任务顺次编码为1,2,…,n。根据制造订单总任务及子任务对生产资源的需求量，利用遗传算法对资源配置进行求解，在最短工期内完成制造订单，实现最低的生产成本。

在遗传算法中，染色体第一层的各基因值分别与各制造任务相匹配，某基因位代表的子任务可通过该基因值呈现于染色体内的频率获得[15]。如果用[1 2 2 1 1 2]代表染色体第一层基因串编码，则其代表的制造任务用[A11A21A22A12A13A23]描述。

将生产资源顺次编码为1,2,…,m，m为总资源数量，根据任务次序，染色体第二层的各基因位分别与各子任务相匹配，基因值分别与子任务的资源一一对应。制造任务用A1和A2描述，相应的子任务个数分别为2和4，使用[2 3 1 3 2 2]代表染色体第二层基因串编码，其描述的两个制造任务的子任务分别用[A11A12]、[A21A22A23A24]描述，与此制造任务关联程度最高的生产资源分别为[2 3]、[1 3 2 2]。

通过制造任务序号描述子任务的形式随机产生染色体第一层子任务的初始种群，利用制造任务对应的工序段的制造时间的资源编号产生染色体第二层资源的初始种群。此时，已经实现了制造任务编码、工序编码、生产资源编码。初始化种群，保证染色体的随机性和合法性，当出现不满足工期最短这一约束条件的个体时，重新初始化，直至满足约束条件。

该算法搜索计算时，以适应度函数计算值为基础完成全局查找，获得满足要求的染色体，并且保留个体基因信息(即制造任务编码、生产资源编码、工序编码)。在染色体解码时，可以根据编码反推该染色体对应的制造任务信息、生产资源信息和工序信息，进而利用适应度函数进行评估。

在遗传算法中，常出现收敛度和个体分散度较低的现象，为此本文选择算子以轮盘赌方法结合精英保留方案作为实现方式，轮盘的扇区面积决定种群里个体的选择概率，其计算式如式(2)：

(2)

式中：N为种群规模；f(vk)为个体适应值；vk为第k个个体。

交叉算子以多点交叉方法作为实现方式，产生合法染色体的效率较高。变异算子以自适应的插入变异方法作为实现方式，从父代染色体里选择一个基因位，在其前面或者后面插入变异算子。

为得到最小工期，需要将染色体个体最大解当作过滤依据，由此转化后染色体的适应度函数为：

f(s)=P(vk)/F(s)

(3)

式中：f(s)为转化后染色体的适应度；s为染色体个体；F(s)为完成制造任务的时间。式(3)所得结果值越大，个体任务用时越少，适应力越强。适应度达到最大值的情况下，s的制造任务目标工期为F(s)，即为所需要的工期最优解。迭代运算后，s染色体解码后对应的生产资源信息即为最优资源配置方案。

2 结果分析

以某市车辆装备制造集团公司为研究对象，该公司主营摩托车齿轮生产，有多条生产线、共享设备、原材料等制造资源，为了尽可能地利用生产资源，多项生产任务协同进行。本文随机选择其中8项摩托车齿轮生产任务进行多任务资源配置测试，生产任务详情见表1。

根据表1，设定制造任务编号为1,2，…，8，制造资源包括不同类型的钢、生产设备(机床、刀具等)、生产员工等，编号为1,2，…，15。遗传算法的参数设置为：最大迭代次数500，群体规模200，交叉概率0.85，变异概率0.06。

不同运行次数下，比较正常情况、任务需求改变和生产机器故障3种状态的适应度值进化曲线，如图2所示，以验证本文系统所用遗传算法的求解能力。从图2可以看出，正常状态的适应度值进化曲线在迭代次数达到100时收敛于最优解。当任务需求改变或生产机器故障时，适应度值曲线仍能快速收敛，表明本文系统所用遗传算法具有优良的求解能力，受外界因素影响较小，可极大地提升制造订单多任务配置水平。

图2 不同状态的适应度值进化曲线

对传统手动多任务资源配置和本文系统的多任务资源配置效果进行比较，某月前10天的任务决策师的日工作量结果如图3所示。从图3可以看出，当手动进行多任务资源配置时，任务决策师的日工作量均保持在7～8 h；当使用本文系统进行多任务资源配置时，任务决策师的日工作量降低了73%左右。由此可知，本文系统的多任务资源配置效果较优异，对提升多任务资源配置效率和减轻工作人员的工作压力具有显著效果。

图3 多任务资源配置效果

使用本文系统完成表1中的生产任务，具体完成情况如图4所示。从图4可以看出，使用本文系统完成8个齿轮生产任务时，各生产成本均控制在最大生产成本以下，且各齿轮合格数量均超出设定的最小合格数量，其中有超过一半的齿轮合格率达到100%。以上结果表明，本文系统具有较理想的制造生产资源控制效果，可确保生产任务符合计划标准。

图4 各生产任务的完成情况

测试不同生产任务数量下本文系统的负载均衡性，使用期望处理时间的标准差对该指标进行衡量，结果如图5所示。分析图5可以看出，随着生产任务量的增加，本文系统的负载均衡性缓慢上升，并在生产任务量达到700个时逐渐趋于平稳，由此可知，本文系统具有良好的负载均衡性，对大规模制造订单多任务的资源配置水平较高，应用前景广阔。

图5 本文系统的负载均衡结果

综上，本文设计的基于遗传算法的制造订单多任务资源配置系统，能够有效地完成对多任务下制造资源配置的运算，不仅收敛速度较快，得到的最优配置结果较为稳定，且通过验证资源配置的任务量发现，设计的算法能够大大降低资源配置的工作量，且对制造任务生产质量控制效果较好。

3 结束语

为高效管理制造生产过程，提高制造企业的市场竞争力，本文设计了基于遗传算法的制造订单多任务资源配置系统。通过构建系统的总体框架和设计三维CAD与PDM集成，利用遗传算法进行多项制造订单任务的调配，实现制造订单的多任务资源智能管理。该系统具有良好的模型求解能力和多任务资源配置效果，在确保制造订单任务高质量的同时，能将制造成本控制在规定范围内，且对大规模制造任务的管理水平较高，具有一定的应用价值。