一种用于纺织服装工业互联网中的订单分配方法与流程

1.本发明涉及资源调度技术领域中纺织工业互联网技术领域，具体涉及一种以纺织服装工业互联网平台为背景的订单分配方法，为平台制定合理的制造资源调度计划提供了依据。


背景技术：

2.随着新一轮科技革命和产业变革的不断深入，利用数字技术对传统制造企业进行全方位、全角度、全链条的改造，深化制造业数字化转型是我国推动制造业由大变强和转型升级的关键举措，可以为企业发展注入新活力。在数字化背景下，纺织服装行业也面临着重大的组织变革，优化组织结构，提高经营效率和效益是纺织服装行业数字化转型的重点。工业互联网作为数字化转型的一个基石，平台中集成了企业上下游及各类同等生产能力的数家工厂进行实时连接与智能交互。
3.生产制造是供应链中重要的一环，根据平台中工厂的各项指标对其进行生产订单的分配任务显得尤为重要。订单安排的合理程度直接影响着平台的资源利用率，同时也在一定程度上决定着平台的经济效益和市场占有率。在纺织服装工业互联网平台中，客户提供订单，平台负责组织工厂进行订单的加工生产，不同种类的多个工厂完成各子订单的原料加工。订单分配由平台完成，目前主要依靠手工方式，很难满足平台大量服装订单的生产需求。面对大批量订单到来的情况下，怎样安排订单在不同工厂之间的合理分配，使平台既能够按时完成生产又能实现利润最大化，是目前纺织服装工业互联网平台面临的一大难题和挑战。


技术实现要素：

4.本发明克服了现有技术的不足，提供一种用于纺织服装工业互联网中的订单分配方法；通过启发式算法解决工业互联网中的订单分配问题，实现提高平台制造效率以及产品准时交货率、提升客户满意度的效果。
5.为达到上述目的，本发明采用的技术方案为：一种用于纺织服装工业互联网中的订单分配方法，包括以下步骤；
6.步骤s1，m个订单，其中，m选自大于等于1的整数；将订单进行拆解，每个订单中的服装能拆分的基本单元为若干种产品，每种产品的数量为m个；
7.步骤s2，在纺织服装工业互联网平台中存在n个工厂，其中，n选自大于等于1的整数，每个工厂对不同种的产品的生产均有不同的生产参数，所述生产参数包括报价、固定成本、最大生产量以及交货延迟率的一种或多种；针对工厂的生产参数及订单分配的优化目标；确定模型的约束条件或/和目标函数；
8.步骤s3，将m个订单通过设定的遗传算法分配给n个工厂。
9.具体的，从加工习惯角度出发，服装可拆分的基本单元应为上衣和裤子。因此拆分后订单的生产任务主要包含两种产品，即m件上装和m条下装。
10.具体的，模型的约束条件是包括订单分配的原则，订单分配的原则是使订单能够按期交货，且使平台内的工厂负荷均衡化，以实现相对最优的订单分配目标。
11.本发明一个较佳实施例中，步骤s2中，根据实际的订单生产需求，选择优化目标，以工厂的生产参数及遗传算法的特征通过目标函数设置适应度函数，并计算个体适应度，通过遗传算法中的选择操作、交叉操作、变异操作中的一种或多种进行种群的迭代，当满足终止条件后，输出选择的最佳的订单分配方案。
12.本发明一个较佳实施例中，设置的所述遗传算法包括以下步骤；
13.步骤a，已知平台中有n个工厂，m个订单，每个订单中包含若干种产品；每个基因位置对应0到m中的n
‑
1个切分点，将订单分为n个区间，解码之后得到每个工厂获得的产品订单数量，订单分配染色体的长度为2(n
‑
1)；
14.步骤b，确定适应度函数，适应度函数用于评估订单分配染色体编码是否被遗传到下一代的评估函数中，所述适应度函数是执行遗传算法优胜劣汰的依据；适应度大的订单分配染色体中订单切分点编码染色体优先遗传到下一代；通过目标函数或/和适应度函数结合变量建立订单优化模型；
15.步骤c，依次通过遗传算法中的选择操作、交叉操作、变异操作进行种群的迭代，当满足终止条件后，输出选择的最佳的订单分配方案；
16.步骤d，终止条件；步骤d，终止条件；当算法实际的迭代次数大于或等于预先设置的最大迭代次数后，算法停止运行，此时得到的最优解，即多个订单分配方案中的纺织服装工业互联网平台所需的相对最优的订单分配方案。
17.本发明一个较佳实施例中，步骤a中，dp
i
表示第i个切分点位置，i＝1,2,...,n
‑
1，则dp＝[dp1，dp2，...，dp
i
，...，dp
n
‑1]表示一条订单分配染色体中的订单切分点编码染色体；订单分配染色体中的订单切分点解码染色体得到对应的各工厂的订单数量为[dp1，dp2‑
dp1，...，dp
i
‑
dp
i
‑1，...，m
‑
dp
n
‑1]。
[0018]
本发明一个较佳实施例中，步骤b中，使用变量建立订单优化模型；
[0019]
包括参数或/和相关参数，所述参数包括i、j、y
i
、x
ij
、a
ij
中的一种或多种；所述相关参数包括p
ij
、f
i
、b
ij
、d
ij
、al
i
、au
i
中的一种或多种；
[0020]
i是工厂序号，i取自于不大于n的自然数；此时的n是工厂的总数量；
[0021]
j是订单序号，j取自于不大于m的自然数；此时的m是订单的数量；
[0022]
y
i
是0
‑
1的变量，平台选择工厂i负责订单的生产时，y
i
＝1；否则，y
i
＝0；
[0023]
x
ij
是0
‑
1变量，工厂i生产订单j时，x
ij
＝1；否则，x
ij
＝0；
[0024]
a
ij
是工厂i生产订单j的任务量；
[0025]
相关参数；
[0026]
p
ij
是工厂i对订单j的单位生产报价；
[0027]
f
i
是工厂i的生产总固定成本；
[0028]
b
ij
是工厂i生产订单j的生产能力，即最大生产量；
[0029]
d
ij
是工厂i对订单j的交货延迟率；
[0030]
al
i
是候选工厂i可接受的最低订单数量；
[0031]
au
i
是候选工厂i可接受的最高订单数量；
[0032]
或/和，以最小化成本为优化目标，即最小化生产过程中工厂的固定成本与产品成
本总和，得目标函数
[0033]
适应度函数如下
[0034]
其中，f表示个体的目标函数值；f
max
为到目前为止进化过程中出现的最大目标函数值；即适应度大的染色体优先遗传到下一代；
[0035]
或/和，在目标函数的基础上，将约束条件设置在建立订单优化模型中，约束条件包括b
ij
、d
ij
、al
i
、au
i
中的一种或多种。
[0036]
本发明一个较佳实施例中，交叉操作中的交叉是遗传算法中最重要的算子，用于散播订单分配染色体中的订单切分点编码染色体中优秀的订单切分点基因或订单切分点基因片断；交叉算子根据交叉概率为种群中的每组参与交叉操作的两条订单分配染色体选择任意组合点，并且为了保证每个工厂分配到的订单数量不为负，即防止产生不合格的订单分配染色体中的订单切分点编码染色体，种群中的每组参与交叉操作的两条订单分配染色体的组合点在交叉过程中保持位于前位的订单切分点基因的数值必须小于位于后面的订单切分点基因的数值；组合点后的订单分配染色体中的订单切分点编码染色体至少部分相互交换，产生两个新的订单分配染色体。
[0037]
本发明一个较佳实施例中，变异操作中的变异是在交叉操作后被各自应用到每个订单分配染色体的订单切分点编码染色体，有助于将搜索过程扩展到整个解空间；所述变异操作以小变异概率随机变换订单分配染色体的订单切分点编码染色体中的每个订单切分点基因；变异时按照初始化中重新对订单分配染色体的订单切分点编码染色体赋值的方法进行随机赋值，产生新的订单分配染色体的订单切分点编码染色体；所述变异操作采用取代变异，即随机选取订单分配染色体的订单切分点编码染色体上的一个订单切分点基因位置，然后随机产生一个不大于交叉点解码后所对应工厂的最大生产能力的非负整数，替代位置上原本的订单切分点基因。
[0038]
本发明一个较佳实施例中，选择操作通过选择算子会决定哪些订单分配染色体的订单切分点编码染色体被选中进行下一代种群中新的订单分配染色体的订单切分点编码染色体的更迭计算；选择算子能采用轮盘赌选择法、随机遍历抽样法、锦标赛选择法中的一种或多种。
[0039]
本发明一个较佳实施例中，轮盘赌选择法，偏移量越小被选择的概率越大，能够加速算法的收敛；采用的轮盘赌选择法；定义更迭次数为种群规模，种群规模为z，在轮盘赌选择法中，为了防止遗传算法陷入局部最优解，z取值为100～200中的整数，则订单分配染色体c被选择的概率为其中，fitness
c
为订单分配染色体c的适应度函数值，此时的种群规模z为种群总数。
[0040]
本发明一个较佳实施例中，一种用于纺织服装工业互联网中的订单分配系统，计算机中设置有由用于纺织服装工业互联网中的订单分配方法建立的订单分配模型。
[0041]
本发明解决了背景技术中存在的缺陷，本发明的有益效果：
[0042]
本发明提供一种基于订单分配的遗传算法，对所有进入平台的企业进行制造能力建模，通过分析纺织服装工业互联网平台的参数及约束，制定合理的目标函数，最终给出实际生产且综合性能相对最优的订单分配方案。
附图说明
[0043]
下面结合附图和实施例对本发明进一步说明。
[0044]
图1是本发明优选实施例中解码后每个工厂获得的订单数。
[0045]
图2是本发明优选实施例中订单分配染色体编码实例；
[0046]
图3是本发明优选实施例中一种用于纺织服装工业互联网中的采用遗传算法得出的订单分配方法的流程图。
具体实施方式
[0047]
现在结合附图和实施例对本发明作进一步详细的说明，这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
[0048]
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、底、顶等)，则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0049]
实施例一
[0050]
如图3所示，一种用于纺织服装工业互联网中的订单分配方法，包括以下步骤；
[0051]
步骤s1，m个订单，其中，m选自大于等于1的整数；将订单进行拆解，每个订单中的服装能拆分的基本单元为若干种产品，每种产品的数量为m个。
[0052]
具体的，从加工习惯角度出发，服装可拆分的基本单元应为上装和下装。因此拆分后订单的生产任务主要包含两种产品，即m件上装和m条下装。
[0053]
步骤s2，在纺织服装工业互联网平台中存在n个工厂，其中，n选自大于等于1的整数，每个工厂对不同种的产品的生产均有不同的生产参数，所述生产参数包括报价、固定成本、最大生产量以及交货延迟率的一种或多种；针对工厂的生产参数及订单分配的优化目标，确定模型的约束条件及目标函数。
[0054]
步骤s3，将m个订单通过设定的遗传算法分配给n个工厂。具体的，订单分配的原则是使订单能够按期交货，且使平台内的工厂负荷均衡化，以实现相对最优的订单分配目标。
[0055]
进一步的，步骤s2中，根据实际的订单生产需求，选择优化目标，以工厂的生产参数及遗传算法的特征通过目标函数设置适应度函数，并计算个体适应度；步骤s3中，通过遗传算法中的选择操作、交叉操作、变异操作中的一种或多种进行种群的迭代，当满足终止条件后，输出选择的最佳的订单分配方案。具体的，优化目标包括最小化订单成本。种群指代
的是染色体的集合，且在遗传算法的不同阶段或步骤中，即遗传算法中不同更迭次数后的染色体的集合会进行更新。
[0056]
进一步的，设置所述遗传算法包括以下步骤；
[0057]
步骤a，已知平台中有n个工厂，m个订单，每个订单中包含若干种产品；每个基因位置对应0到m中的n
‑
1个切分点，将订单分为n个区间，解码之后得到每个工厂获得的产品订单数量，订单分配染色体的长度为2(n
‑
1)。
[0058]
dp
i
表示第i个切分点位置，i＝1,2,...,n
‑
1，则dp＝[dp1，dp2，...，dp
i
，...，dp
n
‑1]表示一条订单切分点解码染色体；订单切分点解码染色体得到对应的各工厂的订单数量为[dp1，dp2‑
dp1，...，dp
i
‑
dp
i
‑1，...，m
‑
dp
n
‑1]。
[0059]
例如，在具体实施例中，m个订单为200时，将订单分成上装和下装。图2中的上装的切分点位35、77、144。图2的下装的切分点为3、54、172。每一组上装切分点和下装切分点组成一个工厂的订单切分点。将图2中切分点染色体的编码实例，经过解码后形成图1中切分点染色体的解码实例，得出对应不同的工厂分配的订单数量；即图1中的上装的切分点位35、42、67、56。图1的下装的切分点为3、51、118、28。每一组上装订单数和下装订单数组成一个工厂的整体订单信息。
[0060]
步骤b，确定适应度函数，适应度函数用于评估订单分配染色体的订单切分点编码染色体是否被遗传到下一代的评估函数中，所述适应度函数是执行遗传算法优胜劣汰的依据；适应度大的订单分配染色体的订单切分点编码染色体优先遗传到下一代；通过目标函数或/和适应度函数结合变量建立订单优化模型。
[0061]
使用变量建立订单优化模型；包括参数或/和相关参数，所述参数包括i、j、y
i
、x
ij
、a
ij
中的一种或多种；所述相关参数包括p
ij
、f
i
、b
ij
、d
ij
、al
i
、au
i
中的一种或多种；
[0062]
i是工厂序号，i取自于不大于n的自然数；此时的n是工厂的总数量；
[0063]
j是订单序号，j取自于不大于m的自然数；此时的m是订单的数量；
[0064]
y
i
是0
‑
1的变量，平台选择工厂i负责订单的生产时，y
i
＝1；否则，y
i
＝0；
[0065]
x
ij
是0
‑
1变量，工厂i生产订单j时，x
ij
＝1；否则，x
ij
＝0；
[0066]
a
ij
是工厂i生产订单j的任务量；
[0067]
相关参数；
[0068]
p
ij
是工厂i对订单j的单位生产报价；
[0069]
f
i
是工厂i的生产总固定成本；
[0070]
b
ij
是工厂i生产订单j的生产能力，即最大生产量；
[0071]
d
ij
是工厂i对订单j的交货延迟率；
[0072]
al
i
是候选工厂i可接受的最低订单数量；
[0073]
au
i
是候选工厂i可接受的最高订单数量。
[0074]
以最小化成本为优化目标，即最小化生产过程中工厂的固定成本与产品成本总和，得目标函数
[0075]
适应度函数
[0076]
其中，f表示个体的目标函数值；f
max
为到目前为止进化过程中出现的最大目标函数值；即适应度大的染色体优先遗传到下一代。
[0077]
进一步的，在目标函数的基础上，将约束条件设置在建立订单优化模型中，约束条件包括b
ij
、d
ij
、al
i
、au
i
中的一种或多种。进一步的，本实施例中，约束条件为；条件a1，公式为b
ij
≥a
ij
；即保证了满足工厂产能负荷，对每种产品，在阶段内工厂都有能力限制(最大生产量≥生产供应量)。条件b1，公式为a
ij
≥0，y
i
＝0或1，x
ij
＝0或1；表明各决策变量的取值范围，分别为生产量非负约束及0
‑
1变量约束。条件c1，公式为a
ij
∈[al
i
，au
i
]；即保证了分配给工厂i的订单数量在其可接受的范围之内。条件d1，公式为即保证达到一定比例的产品准时交付(准时交货率不小于90％)。
[0078]
步骤c，依次通过遗传算法中的选择操作、交叉操作、变异操作进行种群的迭代，当满足终止条件后，输出选择的最佳的订单分配方案。
[0079]
交叉操作中的交叉是遗传算法中最重要的算子，用于散播订单分配染色体的订单切分点编码染色体中优秀的订单切分点基因或订单切分点基因片断；交叉算子根据交叉概率为种群中的每组参与交叉操作的两条订单分配染色体的订单切分点编码染色体选择任意组合点，并且为了保证每个工厂分配到的订单数量不为负，即防止产生不合格的订单分配染色体的订单切分点编码染色体，种群中的每组参与交叉操作的两条订单分配染色体的订单切分点编码染色体的组合点在交叉过程中保持位于前位的订单切分点基因的数值必须小于位于后面的订单切分点基因的数值；组合点后的订单分配染色体的订单切分点编码染色体至少部分相互交换，产生两个新的订单分配染色体的订单切分点编码染色体。
[0080]
变异操作中的变异是在交叉操作后被各自应用到每个订单分配染色体的订单切分点编码染色体，有助于将搜索过程扩展到整个解空间；所述变异操作以小变异概率随机变换订单分配染色体的订单切分点编码染色体中的每个订单切分点基因；变异时按照初始化中重新对订单分配染色体的赋值的方法进行随机赋值，产生新的订单分配染色体的订单切分点编码染色体；所述变异操作采用取代变异，即随机选取订单分配染色体的订单切分点编码染色体上的一个订单切分点基因位置，然后随机产生一个不大于交叉点解码后所对应工厂的最大生产能力的非负整数，替代位置上原本的订单切分点基因。
[0081]
选择操作通过选择算子会决定哪些订单分配染色体的订单切分点编码染色体被选中进行下一代种群中新的订单分配染色体的更迭计算；选择算子能采用轮盘赌选择法、随机遍历抽样法、锦标赛选择法中的一种或多种。本实施例采用的是轮盘赌选择法，轮盘赌选择法中偏移量越小被选择的概率越大，能够加速算法的收敛；采用轮盘赌选择法；定义更迭次数为种群规模，种群规模为z，在轮盘赌选择法中，为了防止遗传算法陷入局部最优解，z取值为100～200中的整数，则订单分配染色体c被选择的概率为其中，fitness
c
为订单分配染色体c的适应度函数值，此时的种群规模z为种群总数。
[0082]
步骤d，终止条件；当算法实际的迭代次数大于或等于预先设置的最大迭代次数后，算法停止运行，此时得到的最优解，即多个订单分配方案中的纺织服装工业互联网平台所需的相对最优的订单分配方案。
[0083]
实施例二
[0084]
一种用于纺织服装工业互联网中的订单分配系统，计算机中设置有由所述的用于纺织服装工业互联网中的订单分配方法建立的订单分配模型。
[0085]
工作原理：对所有进入平台的企业进行制造能力建模，通过分析纺织服装工业互联网平台的参数及约束，制定合理的目标函数，最终给出实际生产且综合性能相对最优的订单分配方案。
[0086]
以上依据本发明的理想实施例为启示，通过上述的说明内容，相关人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定技术性范围。