本發(fā)明屬于供應(yīng)鏈領(lǐng)域，具體地說(shuō)是一種基于蟻群優(yōu)化的生產(chǎn)配送調(diào)度方法。

背景技術(shù)：
在當(dāng)前市場(chǎng)環(huán)境下，制造型企業(yè)的核心競(jìng)爭(zhēng)力不再是簡(jiǎn)單的制造能力，而是供應(yīng)鏈運(yùn)作能力，制造企業(yè)需要將采購(gòu)、生產(chǎn)和配送環(huán)節(jié)進(jìn)行全局控制，將生產(chǎn)系統(tǒng)和物流系統(tǒng)進(jìn)行聯(lián)合優(yōu)化，才能獲得總體經(jīng)濟(jì)效益的最大化，提升企業(yè)的競(jìng)爭(zhēng)力。聯(lián)合調(diào)度便是一類面向供應(yīng)鏈的優(yōu)化方法，采用精確調(diào)度的范式，設(shè)計(jì)供應(yīng)鏈上各環(huán)節(jié)的聯(lián)合調(diào)度方案，實(shí)現(xiàn)企業(yè)總體經(jīng)濟(jì)效益的優(yōu)化，從而提升企業(yè)的服務(wù)水平。目前對(duì)聯(lián)合調(diào)度問(wèn)題的研究都集中在傳統(tǒng)生產(chǎn)模式下，在這類生產(chǎn)模式中，一臺(tái)設(shè)備可以同時(shí)處理一個(gè)作業(yè)或者一批固定數(shù)量的作業(yè)，但在現(xiàn)實(shí)工業(yè)中，差異分批生產(chǎn)模式兼具這兩種生產(chǎn)模式的性質(zhì)，且比這兩類更為復(fù)雜，應(yīng)用更廣泛。而且傳統(tǒng)的調(diào)度方法大多只一味地考慮如何降低生產(chǎn)成本，并沒(méi)有考慮如何使生產(chǎn)配送聯(lián)合調(diào)度的總成本最小，因此并不能適應(yīng)當(dāng)下的生產(chǎn)需求。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明是為了克服現(xiàn)有技術(shù)存在的不足之處，提供一種基于蟻群優(yōu)化的生產(chǎn)配送調(diào)度方法，以期能實(shí)現(xiàn)企業(yè)總體經(jīng)濟(jì)效益的優(yōu)化，從而能降低企業(yè)成本，提升企業(yè)的服務(wù)效率。本發(fā)明為解決技術(shù)問(wèn)題采用如下技術(shù)方案：本發(fā)明一種基于蟻群優(yōu)化的生產(chǎn)配送調(diào)度方法的特點(diǎn)是按如下步驟進(jìn)行：步驟1、假設(shè)存在n個(gè)批需要進(jìn)行生產(chǎn)和配送，生產(chǎn)各個(gè)批的設(shè)備容積記為B；配送各個(gè)批的車輛容積記為V；由所述n個(gè)批構(gòu)成一個(gè)批集合，記為U＝{b1,b2,…,bk,…,bn}，bk表示第k個(gè)批；且將第k個(gè)批bk的尺寸記為Sk；將第k個(gè)批bk的生產(chǎn)時(shí)間記為Tk；將加入同一輛車中進(jìn)行配送的所有批記為一個(gè)組；1≤k≤n；步驟2、將所述批集合U中的尺寸相同的批分為一類，從而獲得a個(gè)分類；記為W＝{w1,w2,…,wz,…,wa}，wz表示第z個(gè)分類；所述第z個(gè)分類wz中的批總數(shù)記為fz；步驟3、初始化蟻群算法的各個(gè)參數(shù)，包括：m表示第m只螞蟻，并初始化m＝1；M表示螞蟻總數(shù)、L表示迭代次數(shù)，并初始化L＝1；Lmax表示最大迭代次數(shù)；步驟4、定義變量為l，并初始化l＝1；定義第k個(gè)批bk的標(biāo)識(shí)符為flagk，并初始化flagk＝0；步驟5、創(chuàng)建第L次迭代的第m只螞蟻的第l個(gè)組和與其對(duì)應(yīng)的第l個(gè)候選表并使得第L次迭代的第m只螞蟻能將所述n個(gè)批分配到不同個(gè)組中進(jìn)行配送；并第L次迭代的第m只螞蟻對(duì)所有批次完成分組所使用的車輛總數(shù)步驟6、將m+1賦值給m，并返回步驟5執(zhí)行，直到m＝M為止，從而獲得第L次迭代的所有M只螞蟻對(duì)所有批次完成分組所使用的車輛總數(shù)集合步驟7、從所述車輛總數(shù)集合中選取最小值作為第L次迭代的局部最優(yōu)解，記為πL；步驟8、利用式(1)更新第L次迭代的第i個(gè)候選批bi′和第j個(gè)已加入到第l個(gè)組中的候選批bj′之間的信息素從而獲得第L+1次迭代的信息素式(1)中，ρ表示信息素的蒸發(fā)速率；mij(L)表示第L次迭代中第i個(gè)候選批bi′和第j個(gè)已加入到第l個(gè)組中的候選批bj′被分到同一組的次數(shù)；并有：步驟9、利用式(3)和式(4)判斷是否滿足信息素濃度限定區(qū)間[τmin,τmax]，若滿足，則保留第L+1次迭代的信息素并執(zhí)行步驟11；否則，執(zhí)行步驟10：式(3)和式(4)中，π*表示當(dāng)前已獲得的所有局部最優(yōu)解中的最小值；步驟10、若則將賦值給若則將賦值給步驟11；將L+1賦值給L，判斷L＜Lmax是否成立，若成立，返回步驟4執(zhí)行，否則完成Lmax次迭代，并獲得全局最優(yōu)解πbest，即為L(zhǎng)max次迭代中的所有局部最優(yōu)解的最小值；以全局最優(yōu)解πbest所對(duì)應(yīng)的配送方案作為最優(yōu)配送方案；步驟12、將最優(yōu)配送方案中每一組中的批按照生產(chǎn)時(shí)間進(jìn)行降序排序，獲得的排序結(jié)果作為批生產(chǎn)的次序，從而獲得最優(yōu)生產(chǎn)和配送聯(lián)合調(diào)度方案。本發(fā)明所述的基于蟻群優(yōu)化的瓷器煅燒工藝的生產(chǎn)調(diào)度方法的特點(diǎn)也在于，所述步驟5中，第L次迭代的第m只螞蟻是按如下步驟將所述n個(gè)批分配到不同組中進(jìn)行配送：步驟5.1、定義變量f；步驟5.2、初始化z＝1；步驟5.3、初始化f＝1；步驟5.4、判斷所述第z個(gè)分類wz中選出第f個(gè)批的標(biāo)識(shí)符flagf是否為1；若為1，則表示第f個(gè)批已經(jīng)完成分組，并執(zhí)行步驟5.5；否則，將第z個(gè)分類wz中選出第f個(gè)批加入到所述第l個(gè)候選表中，并執(zhí)行步驟5.6；步驟5.5、將f+1賦值給f，并返回步驟5.4執(zhí)行，直到f＝fz為止后，執(zhí)行步驟5.6；步驟5.6、將z+1賦值給z，并返回步驟5.3執(zhí)行；直到z＝a為止后，從而獲得待更新的第l個(gè)候選表記所述待更新的第l個(gè)候選表中的候選批為{b1′,b2′,…,b′i,…,ba′}；1≤i≤a；步驟5.7、從所述待更新的候選表中選擇尺寸最大的批bkey′作為關(guān)鍵批加入到所述第l個(gè)組并將關(guān)鍵批bkey′的標(biāo)識(shí)符flag′key置為1；然后從候選表中刪除關(guān)鍵批bkey′；步驟5.8、利用式(5)獲得第m只螞蟻將所述待更新的第l個(gè)候選表中第i個(gè)候選批bi′加入到第l個(gè)組的候選概率從而獲得第m只螞蟻將所有候選批加入到第l個(gè)組的候選概率集合式(5)中，α為信息素的權(quán)重，β為啟發(fā)式信息的權(quán)重；θil表示第i個(gè)候選批bi′能加入到第l個(gè)組中配送的期望度；ηil表示將第i個(gè)候選批bi′能加入到第l個(gè)組配送的啟發(fā)式信息；并有：式(6)中，τij表示第L次迭代的第i個(gè)候選批bi′和第j個(gè)已加入到第l個(gè)組中的候選批bj′之間的信息素，1≤i≠j≤a；Si表示第i個(gè)候選批b′i的尺寸；步驟5.9、從所述候選概率集合中選出最大候選概率所對(duì)應(yīng)的最大候選批，記為b′max；則所述最大候選批b′max的尺寸記為smax；步驟5.10、將所述最大候選批b′max加入到所述第l個(gè)組并將最大候選批b′max的標(biāo)識(shí)符flag′max置為1；步驟5.11、將所述車輛容積V減去所述最大候選批b′max的尺寸smax，獲得剩余車輛容積，記為步驟5.12、根據(jù)所述剩余車輛容積從所述待更新的第l個(gè)候選表中刪除尺寸大于所述剩余車輛容積的候選批；從而獲得更新的第l個(gè)候選表步驟5.13、獲得所述最大候選批b′max所對(duì)應(yīng)的分類，記為wmax；步驟5.14、判斷所述最大候選批b′max在所對(duì)應(yīng)的分類wmax中是否為第fz個(gè)批；若是，則從更新的第l個(gè)候選表中刪除所述最大候選批b′max；否則，從更新的第l個(gè)候選表中刪除所述最大候選批b′max，并將所述最大候選批b′max所對(duì)應(yīng)的分類wmax中第fmax+1個(gè)批加入到所述更新的第l個(gè)候選表中，從而獲得再次更新的第l個(gè)候選表步驟5.15、以所述再次更新的第l個(gè)候選表作為待更新的第l個(gè)候選表并返回步驟5.8順序執(zhí)行，直到待更新的第l個(gè)候選表為空為止，即將第L次迭代的第m只螞蟻的第l個(gè)組加滿；從而獲得第L次迭代的第m只螞蟻的第l個(gè)組的配送方案；步驟5.16、判斷n個(gè)批的標(biāo)識(shí)符是否都為1，若都為1，則表示完成第L次迭代的第m只螞蟻對(duì)所述n個(gè)批的分配；并將l賦值給否則，將l+1賦值給l，并返回步驟5順序執(zhí)行。與已有技術(shù)相比，本發(fā)明有益效果體現(xiàn)在：1、本發(fā)明在典型的差異分批制造模式下，研究制造企業(yè)的生產(chǎn)、配送兩階段聯(lián)合調(diào)度問(wèn)題，通過(guò)采用改進(jìn)的蟻群算法，在差異分批制造模式下，首先針對(duì)已分批的產(chǎn)品進(jìn)行分類，然后提出基于批尺寸分類的候選表，通過(guò)為每一個(gè)螞蟻建立候選表的方法，得出每一個(gè)螞蟻的分組方案；再利用信息素更新規(guī)則，更新信息素，實(shí)現(xiàn)了多次迭代，最終獲得最優(yōu)解；相比于的其它方法；蟻群算法在時(shí)間有效性和結(jié)果的優(yōu)化程度上，是一種性能更好的優(yōu)化制造跨度的近似算法；解決了現(xiàn)實(shí)工業(yè)中作業(yè)分批生產(chǎn)、分組配送的問(wèn)題，使得所獲得的最優(yōu)解實(shí)現(xiàn)了企業(yè)總體經(jīng)濟(jì)效益的優(yōu)化，降低了能耗，節(jié)省了成本，提升了企業(yè)的服務(wù)水平。2、本發(fā)明通過(guò)對(duì)每一次迭代得到的最優(yōu)解進(jìn)行信息素更新，解決了搜索過(guò)程過(guò)快的集中到這個(gè)解周圍的問(wèn)題；如果僅僅是對(duì)自第一次迭代以來(lái)得到的最優(yōu)解進(jìn)行更新，很可能導(dǎo)致算法收斂過(guò)早；而每一次迭代的最優(yōu)解在每一次迭代過(guò)后會(huì)有很大差異，所以更新每一次迭代的最優(yōu)解，能夠使更多解的信息素增強(qiáng)，從而得到更加優(yōu)化的解。3.本發(fā)明采用候選表策略來(lái)尋找最優(yōu)解；在傳統(tǒng)的蟻群算法中，只要是體積小于車輛容積的作業(yè)，都可以選進(jìn)候選表，所以可行解的數(shù)量龐大；但是在實(shí)際裝車過(guò)程中，很多批尺寸大小是一樣的，如果將體積大小相同的批歸為一類，批的類別數(shù)量絕對(duì)不會(huì)超過(guò)批的總數(shù)量，相同尺寸的瓷坯批越多，候選表的批個(gè)數(shù)越少，這樣就減少了可行解的數(shù)量，有效降低了求解時(shí)間。附圖說(shuō)明圖1為本發(fā)明生產(chǎn)配送跨度示意圖。具體實(shí)施方式本實(shí)施例中，一種基于蟻群優(yōu)化的生產(chǎn)配送調(diào)度方法，是針對(duì)體積和生產(chǎn)時(shí)間有差異的生產(chǎn)配送聯(lián)合調(diào)度問(wèn)題進(jìn)行建模，然后通過(guò)一種改進(jìn)蟻群算法進(jìn)行求解，從而得到一套生產(chǎn)配送調(diào)度的優(yōu)化方案，以此大大降低目標(biāo)位制造企業(yè)的總運(yùn)作成本，提高企業(yè)運(yùn)作效率；同時(shí)針對(duì)具體問(wèn)題，給出了實(shí)用的程序開(kāi)發(fā)方案，使企業(yè)能高效率的獲得適合其的最優(yōu)調(diào)度方案。具體的說(shuō)，是按如下步驟進(jìn)行：步驟1、假設(shè)存在n個(gè)批需要進(jìn)行生產(chǎn)和配送，生產(chǎn)各個(gè)批的設(shè)備容積記為B；配送各個(gè)批的車輛容積記為V；由n個(gè)批構(gòu)成一個(gè)批集合，記為U＝{b1,b2,…,bk,…,bn}，bk表示第k個(gè)批；且將第k個(gè)批bk的尺寸記為Sk；將第k個(gè)批bk的生產(chǎn)時(shí)間記為Tk；將加入同一輛車中進(jìn)行配送的所有批記為一個(gè)組；1≤k≤n；步驟2、將批集合U中的尺寸相同的批分為一類，從而獲得a個(gè)分類；記為W＝{w1,w2,…,wz,…,wa}，wz表示第z個(gè)分類；第z個(gè)分類wz中的批總數(shù)記為fz；在傳統(tǒng)的蟻群算法中，只要是體積小于設(shè)備容量的作業(yè)，都可以選進(jìn)候選表，所以可行解的數(shù)量龐大。但是在實(shí)際陶瓷煅燒過(guò)程中，很多陶瓷的體積大小是一樣的，如果將體積大小相同的瓷坯歸為一類，瓷坯的類別數(shù)量絕對(duì)不會(huì)超過(guò)瓷坯的總數(shù)量，相同尺寸的瓷坯越多，候選表的瓷坯個(gè)數(shù)越少，這樣就可以減少可行解的數(shù)量，能夠有效降低求解時(shí)間。步驟3、初始化蟻群算法的各個(gè)參數(shù)，包括：m表示第m只螞蟻，并初始化m＝1；M表示螞蟻總數(shù)、L表示迭代次數(shù)，并初始化L＝1；Lmax表示最大迭代次數(shù)；步驟4、定義變量為l，并初始化l＝1；定義第k個(gè)批bk的標(biāo)識(shí)符為flagk，并初始化flagk＝0；步驟5、創(chuàng)建第L次迭代的第m只螞蟻的第l個(gè)組和與其對(duì)應(yīng)的第l個(gè)候選表并使得第L次迭代的第m只螞蟻能將n個(gè)批分配到不同個(gè)組中進(jìn)行配送；并第L次迭代的第m只螞蟻對(duì)所有批次完成分組所使用的車輛總數(shù)步驟5.1、定義變量f；步驟5.2、初始化z＝1；步驟5.3、初始化f＝1；步驟5.4、判斷第z個(gè)分類wz中選出第f個(gè)批的標(biāo)識(shí)符flagf是否為1；若為1，則表示第f個(gè)批已經(jīng)完成分組，并執(zhí)行步驟5.5；否則，將第z個(gè)分類wz中選出第f個(gè)批加入到第l個(gè)候選表中，并執(zhí)行步驟5.6；步驟5.5、將f+1賦值給f，并返回步驟5.4執(zhí)行，直到f＝fz為止后，執(zhí)行步驟5.6；步驟5.6、將z+1賦值給z，并返回步驟5.3執(zhí)行；直到z＝a為止后，從而獲得待更新的第l個(gè)候選表記待更新的第l個(gè)候選表中的候選批為{b1′,b2′,…,b′i,…,ba′}；1≤i≤a；步驟5.7、從待更新的候選表中選擇尺寸最大的批bkey′作為關(guān)鍵批加入到第l個(gè)組并將關(guān)鍵批bkey′的標(biāo)識(shí)符flag′key置為1；然后從候選表中刪除關(guān)鍵批bkey′；步驟5.8、利用式(1)獲得第m只螞蟻將待更新的第l個(gè)候選表中第i個(gè)候選批bi′加入到第l個(gè)組的候選概率從而獲得第m只螞蟻將所有候選批加入到第l個(gè)組的候選概率集合式(1)中，α為信息素的權(quán)重，β為啟發(fā)式信息的權(quán)重；θil表示第i個(gè)候選批bi′能加入到第l個(gè)組中配送的期望度，信息素τij(L)表示第i個(gè)候選批bi′和第j個(gè)候選批bj′被安排在同一組中的期望度。由于批數(shù)目和作業(yè)所在組號(hào)不確定，因此不能直接使用信息素τij(L)，故定義變量θil對(duì)信息素進(jìn)行間接利用；ηil表示將第i個(gè)候選批bi′能加入到第l個(gè)組配送的啟發(fā)式信息；并有：式(2)中，τij表示第L次迭代的第i個(gè)候選批bi′和第j個(gè)已加入到第l個(gè)組中的候選批bj′之間的信息素，1≤i≠j≤a；Si表示第i個(gè)候選批b′i的尺寸；步驟5.9、從候選概率集合中選出最大候選概率所對(duì)應(yīng)的最大候選批，記為b′max；則最大候選批b′max的尺寸記為smax；步驟5.10、將最大候選批b′max加入到第l個(gè)組并將最大候選批b′max的標(biāo)識(shí)符flag′max置為1；步驟5.11、將車輛容積V減去最大候選批b′max的尺寸smax，獲得剩余車輛容積，記為步驟5.12、根據(jù)剩余車輛容積從待更新的第l個(gè)候選表中刪除尺寸大于剩余車輛容積的候選批；從而獲得更新的第l個(gè)候選表步驟5.13、獲得最大候選批b′max所對(duì)應(yīng)的分類，記為wmax；步驟5.14、判斷最大候選批b′max在所對(duì)應(yīng)的分類wmax中是否為第fz個(gè)批；若是，則從更新的第l個(gè)候選表中刪除最大候選批b′max；否則，從更新的第l個(gè)候選表中刪除最大候選批b′max，并將最大候選批b′max所對(duì)應(yīng)的分類wmax中第fmax+1個(gè)批加入到更新的第l個(gè)候選表中，從而獲得再次更新的第l個(gè)候選表步驟5.15、以再次更新的第l個(gè)候選表作為待更新的第l個(gè)候選表并返回步驟5.8順序執(zhí)行，直到待更新的第l個(gè)候選表為空為止，即將第L次迭代的第m只螞蟻的第l個(gè)組加滿；從而獲得第L次迭代的第m只螞蟻的第l個(gè)組的配送方案；步驟5.16、判斷n個(gè)批的標(biāo)識(shí)符是否都為1，若都為1，則表示完成第L次迭代的第m只螞蟻對(duì)n個(gè)批的分配；并將l賦值給否則，將l+1賦值給l，并返回步驟5順序執(zhí)行。在更新的第l個(gè)候選表中，如果第i個(gè)候選批bi′和第j個(gè)候選批bj′滿足Si＜Sj且SiTi＞SjTj，選擇第i個(gè)候選批bi′加入當(dāng)前組比選擇第j個(gè)候選批bj′能減少更多的空閑空間，并且選擇第i個(gè)候選批bi′后當(dāng)前組的剩余容量更大，第l個(gè)候選表中可選批數(shù)也更多，故選擇第i個(gè)候選批bi′加入當(dāng)前組更優(yōu)。步驟6、將m+1賦值給m，并返回步驟5執(zhí)行，直到m＝M為止，從而獲得第L次迭代的所有M只螞蟻對(duì)所有批次完成分組所使用的車輛總數(shù)集合步驟7、從車輛總數(shù)集合中選取最小值作為第L次迭代的局部最優(yōu)解，記為πL；步驟8、利用式(4)更新第L次迭代的第i個(gè)候選批bi′和第j個(gè)已加入到第l個(gè)組中的候選批bj′之間的信息素從而獲得第L+1次迭代的信息素式(4)中，ρ表示信息素的蒸發(fā)速率；mij(L)表示第L次迭代中第i個(gè)候選批bi′和第j個(gè)已加入到第l個(gè)組中的候選批bj′被分到同一組的次數(shù)；并有：如果僅僅是對(duì)自第一次迭代以來(lái)得到的最優(yōu)解進(jìn)行更新，很可能導(dǎo)致搜索過(guò)程過(guò)快的集中到這個(gè)解周圍，使算法收斂過(guò)早；而每一次迭代的最優(yōu)解在每一次迭代過(guò)后會(huì)有很大差異，所以更新每一次迭代的最優(yōu)解，能夠使更多解的信息素增強(qiáng)。也可以采用輪換策略進(jìn)行更新，即對(duì)每一次迭代得到的最優(yōu)解進(jìn)行信息素更新，然后每經(jīng)過(guò)相應(yīng)次迭代，對(duì)自第一次以來(lái)得到的最優(yōu)解經(jīng)行一次信息素的更新。步驟9、利用式(6)和式(7)判斷是否滿足信息素濃度限定區(qū)間[τmin,τmax]，若滿足，則保留第L+1次迭代的信息素并執(zhí)行步驟11；否則，執(zhí)行步驟10：式(6)和式(7)中，π*表示當(dāng)前已獲得的所有局部最優(yōu)解中的最小值；步驟10、若則將賦值給若則將賦值給蟻群算法將信息素的濃度限定在間，以減少可行解的信息素之間的差異。步驟11；將L+1賦值給L，判斷L＜Lmax是否成立，若成立，返回步驟4執(zhí)行，否則完成Lmax次迭代，并獲得全局最優(yōu)解πbest，即為L(zhǎng)max次迭代中的所有局部最優(yōu)解的最小值；以全局最優(yōu)解πbest所對(duì)應(yīng)的配送方案作為最優(yōu)配送方案，分批和配送過(guò)程如圖1所示；步驟12、將最優(yōu)配送方案中每一組中的批按照生產(chǎn)時(shí)間進(jìn)行降序排序，獲得的排序結(jié)果作為批生產(chǎn)的次序，從而獲得最優(yōu)生產(chǎn)和配送聯(lián)合調(diào)度方案。