[发明专利]基于混合蚁群算法的多目标优化产品配置方法

说明书

技术领域

本发明涉及一种基于混合蚁群算法的多目标优化产品配置方法，属于大规模定制模式下生产计划柔性规划调度领域，主要针对多目标优化问题。

背景技术

目前，对产品配置的研究方向主要是针对模型的表示以及算法的求解展开，其常用算法主要采用智能优化算法求解，其中的代表有人工鱼群算法、遗传算法、人工免疫算法、运用判定树和最小冲突修改算法等。

以上方法在一般配置问题上可以较为满意地快速求解，但是仍存在部分不足：

广义：从多目标优化的产品配置的特点来定义

1、仅仅是针对产品的结构模型和功能模块，以模型的相似度为分类依据，大都只以最小生产成本为目标的算法。然而在大规模定制模式下，企业的产品配置应涉及到整个产品的生命周期，应将库存成本、客户满意度、动态空余生产能力、动态生产质量等一系列新的优化目的和约束纳入考量范围。

2、传统的产品配置方案并未引入按时间基准调度的机制，只是在遇到紧急订单时，一味地将紧急订单作为最优先目标进行完成，而不对其合理性进行分析。

3、现阶段的产品配置方案主要针对是单一产品在企业内的生产过程的配置方式，没有体现生产阶段的衔接问题。

狭义：从算法本身结构组成进行讨论

1、现有的一般智能优化算法主要采用单种寻找方式或是单种信息素算法，功能较为单一，主要模拟了实际信息搜索系统的一部分。而事实上，在真实的生活中任何复杂系统都是有组织的、有分工的，不同的搜索路径都有不同的信息素调控机制。

2、将产品配置算法作为一个系统来研究其重要的一个特性是自组织，这是所有的智能优化算法的一个共同特征。反馈在系统学上的定义为影响系统将来行为的现在行为。最优路径上信息素的堆积，作为正反馈使算法朝最优方向前进，然而实际自然界中的路径结点都有其固有的饱和度，容易造成结点的生产拥塞。

3、当搜索空间加大时，由于搜索结点呈数量级上升，系统搜索的重复性大大提高，搜索效率明显下降。

4、在多目标优化问题的前提下，依靠结构模型和功能模块的特点，虽然限制了一定的无效配置的产生，然而系统的收敛性仍然较差，产品容易产生大量的可行配置，需要人工进行再次优化。

本发明在基于以上研究的基础上，对于大规模定制生产模式下求解多目标优化问题(multi objective optimization problem，MOP)，研究了一种含多蚁群、多信息素的混合多态蚁群算法(polymorphic ant colony algorithm，PACA)。并提出网格划分策略，研究了时序约束条件下的混合蚁群算法。建立了相关的多目标矩阵和多目标约束，并提出了合适的混合蚁群算法步骤。

发明内容

本发明的目的是为了解决上述技术问题，提供一种基于混合蚁群算法的多目标优化产品配置方法，以期实现对订单产品的更优化的处置方式，更大地利用现有资源。

本发明采取的技术方案是：

一种基于混合蚁群算法的多目标优化产品配置方法，包括如下步骤：

(1)根据客户产品订单的不同情况，把各订单分成多个生产阶段；

(2)得到各订单的生产结点，确定各订单的生产时刻，计算该订单产品在该订单的生产时刻的生产成本；

(3)确定各订单是否安排生产；

(4)确定需要生产的订单的调度方案；

(5)输出调度方案，安排生产。

进一步，所述第(2)步是通过以下算法来确定参数的：

通过量化订单的数学模型，提供：

目标函数：

模型约束：