对遗传算法下服装生产流水线平衡的研究

2022-01-09王亚男

轻纺工业与技术 2021年12期

王亚男

（衡水学院数学与计算机学院，河北衡水 053000）

0 引言

工业流水线生产主要是对于劳动力的专业化和组织方式的进一步开拓和发展,它是劳动力分工比较细、生产效率相对更高的组织方法。但是据了解，目前市场上大部分的服装公司普遍存在着由于生产流水线的编制效率相对较低，生产周期较长，导致企业的生产效率不高、生产组织达不到预期的情况。因此，在服装的生产过程中,服装企业要高度重视起缝纫机和车间的流水线均衡性这一重要且关键的部分。

1 服装流水线均衡生产的基本程序与原则分析

1.1 基本程序

第一，要按照各项指标的既定要求，对生产的进度以及生产能力负荷进度进行妥善安排，保证负荷的均衡与饱满；第二，深入分析和精准划分成衣款式，对各项工序的生产量和时间进行计算，进而调整和优化加工的程序；第三，以成衣款式的具体要求计算出平均节拍，并对流水线上需要的作业人数做好估算；第四，随时监督生产工序中是否存在资源浪费的情况，结合实际生产情况考虑要不要合并工序来缩短时间、提高效率，如需缩短则要进一步考虑加工地点的实际需求[1]；第五，对每一道工序的负荷情况进行检验，如出现负荷不均的情况，则需要进一步改进生产工艺和设备。

1.2 生产线设置原则

1.2.1 便于管理

在实际生产过程中，随时都有可能发生各种各样的问题，服装企业在安排设置生产线时要充分考虑到这一点，秉承便于管理的原则，合理设置生产线，确保出现的问题都能够在最短的时间内得到有效解决。

1.2.2 生产平衡原则

生产线的平衡至关重要，其具体需要对各项工序的作业时间进行科学合理的安排，要实现平衡与协调生产。

1.2.3 质量控制原则

在生产线上面，有些问题是可以及时解决掉的，没有必要等待返修，因此，要强化质量控制，要求作业人员始终坚持质量第一的原则，不可产生松懈或者忽略的心理。

2 关于遗传算法的简要阐述

关于遗传算法的独特性，具体体现在以下几个方面：第一，遗传算法并不是单个求解，而是从问题解的串集开始进行搜索，这与传统优化算法相比便呈现出很大的优势，其成功摆脱了传统优化算法容易陷入局部搜索最优解的弊端。遗传算法是从全局择优，覆盖范围比较广；第二，遗传算法评估的是搜索空间中的多个解，其可以对群体当中的众多个体同步进行处理，这样一来便在很大程度上提高了算法本身的实践价值，而且也减少了局部最优解风险的发生概率；第三，遗传算法评估个体使用的是适应度函数值，其可以对定义域任意进行设定，不需要再浪费精力去搜索空间知识和辅助信息即可进行计算；第四，遗传算法有着很强大的自适应性、自学习性以及自组织性。遗传算法可自行组织搜索进化过程中的信息资源，对适应性强的个体进行准确挑选，并因此获得更强的基因结构，以更好地适应环境；第五，遗传算法采用的是概率变迁规则来确定方向[2]。

3 遗传算法在衬衫生产工艺流水线中的应用分析

3.1 问题描述

女式衬衫的缝纫流程是相对复杂的，一般包括41道工序，并且这41 道工序必须要依次进行，不可跳过或者调换。假设将这41 道工序分别交给41 个人（Wi（i=1，……，41））来负责完成，每一个人负责完成一道工序。因为这41 人当中每一个人都有自己的特点,而且他们在做一道工序时所需要花费的时间也不尽相同,因此，最先考虑的便是如何合理安排这41 个人，确保每一道工序完成之后的结果可以高效融合在一起。

图1 是每一道工序准备和生产的时间顺序（Ji 代表的是第i 道工序）。

图1 缝纫工序图

已知按照既定要求，在其中完成每一道主要工序的实际标准工作时间都已经给定，其中ST=[41,30,54,83,06,58,46,57,56,34,13,71,98,30,94,76,65,43,30,34,5547,67,44,36,65,58,64,33,85,75,54,95,05,53,43,48]分钟,代表的是完成每一道工序的标准时间，且工人i完成一个一道工序j 所需要耗费的时间,由如下方法确定：

服装企业在使用（1）式进行计算时也要注意到其中存在着非常多的可变因素，而且可行解空间太过庞大，如果选择借助这种普通的数学计算方式，将很难保证任务完成的高效性和准确度[3]。

3.2 遗传算法的应用

从理论层面来解释，遗传算法指的是建立在适者生存理念基础之上的一种兼具随机性、强适应能力以及高度并行的优化算法，诸如复制、交叉和变异等等。最终得到的结果是历经环境磨砺之后最适应环境的个体，那么，将其转化到数学领域当中，得到的问题的答案便是问题的满意解和最优解。遗传算法的特征体现在隐含并行性与全局解空间搜索两个方面，其主要步骤如下。

随机产生一组初始个体,构成初始种群,并评价每一个体的适配值。

根据既定的收敛准则对结果进行判断，如果结果能够满足要求，则可继续输出；如果结果不能满足要求，那么则需要执行如下步骤。

依照适配值的大小用一定的方式来执行复制操作。

按交叉概率Pc 执行交叉操作。

按变异概率Pm 执行变异操作。

返回步骤：随机产生一组初始个体,构成初始种群,并评价每一个体的适配值。

3.3 基于遗传算法的生产调度

服装企业生产流水线上的调度工作得以顺利开展的依据是初始化种族。何为初始化种族，其就是问题优化的初始可行解。转化到服装企业的生产流水线上就是工人都设置上自然数编码，形成字符串，也就是遗传算法中的染色体。然后字符串按照1 到41 的顺序依次进行排列，代表的便是1 到41 号工人，同时也是1 到41 号工序。

3.3.1 初始化种群

在初始化种群当中，遗传算法的搜索空间是比较小的，这必然会影响到最优解的寻找效率，但是如果将N 值限定过大，那么搜索空间就会因此变得非常大，寻找最优解的速度也会受到影响。因此，服装企业在利用遗传算法来解决问题时，要注意N 值的确定问题。在这里，我们根据牛顿下山法将N 值确定为60，在这样的一个范围里去寻找最优解。

3.3.2 复制

复制秉承的是优胜劣汰的原则，即把父代最科学有效的个体信息传给子代，让子代能够在现有群体当中继续寻求最优，这样一来，整个进程的优化速度将会实现大幅度提升。在实现过程当中，一般处于保护最优个体的目的，会强制性禁止其出现交叉或者变异等操作，直接进入到下一代[4]。

3.3.3 交叉

何为交叉，即调度问题当中的有效解P1 和P2，按照科学的方式交换了彼此的子串，形成了C1 和C2 两个新个体，这样的过程便叫做交叉[4]。其过程是：随机产生的一个P1 和长度相同的二进制串L，对P1 和L进行比较，如果L 当中的位是1，那么P1 当中的位数字应该填入C1 的对应位。如果L 当中的位是0，那么则需要取出P1 中的对应位数字，并且按照P2 中的数字排列顺序将其分别填入大C1 当中。

3.3.4 变异

变异操作可增加种群的多样性，降低Pm 的发生概率。本研究所选取的Pm=0.003。一般情况下服装企业多会选择利用逆变变异法来完成变异操作，即随机逆向调换染色体当中基因传的位置。