本發(fā)明屬于供應鏈領域，具體地說是一種基于蟻群優(yōu)化的生產配送調度方法。

背景技術：
在當前市場環(huán)境下，制造型企業(yè)的核心競爭力不再是簡單的制造能力，而是供應鏈運作能力，制造企業(yè)需要將采購、生產和配送環(huán)節(jié)進行全局控制，將生產系統和物流系統進行聯合優(yōu)化，才能獲得總體經濟效益的最大化，提升企業(yè)的競爭力。聯合調度便是一類面向供應鏈的優(yōu)化方法，采用精確調度的范式，設計供應鏈上各環(huán)節(jié)的聯合調度方案，實現企業(yè)總體經濟效益的優(yōu)化，從而提升企業(yè)的服務水平。目前對聯合調度問題的研究都集中在傳統生產模式下，在這類生產模式中，一臺設備可以同時處理一個作業(yè)或者一批固定數量的作業(yè)，但在現實工業(yè)中，差異分批生產模式兼具這兩種生產模式的性質，且比這兩類更為復雜，應用更廣泛。而且傳統的調度方法大多只一味地考慮如何降低生產成本，并沒有考慮如何使生產配送聯合調度的總成本最小，因此并不能適應當下的生產需求。

技術實現要素：
本發(fā)明是為了克服現有技術存在的不足之處，提供一種基于蟻群優(yōu)化的生產配送調度方法，以期能實現企業(yè)總體經濟效益的優(yōu)化，從而能降低企業(yè)成本，提升企業(yè)的服務效率。本發(fā)明為解決技術問題采用如下技術方案：本發(fā)明一種基于蟻群優(yōu)化的生產配送調度方法的特點是按如下步驟進行：步驟1、假設存在n個批需要進行生產和配送，生產各個批的設備容積記為B；配送各個批的車輛容積記為V；由所述n個批構成一個批集合，記為U＝{b1,b2,…,bk,…,bn}，bk表示第k個批；且將第k個批bk的尺寸記為Sk；將第k個批bk的生產時間記為Tk；將加入同一輛車中進行配送的所有批記為一個組；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個分類；記為W＝{w1,w2,…,wz,…,wa}，wz表示第z個分類；所述第z個分類wz中的批總數記為fz；步驟3、初始化蟻群算法的各個參數，包括：m表示第m只螞蟻，并初始化m＝1；M表示螞蟻總數、L表示迭代次數，并初始化L＝1；Lmax表示最大迭代次數；步驟4、定義變量為l，并初始化l＝1；定義第k個批bk的標識符為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個組和與其對應的第l個候選表并使得第L次迭代的第m只螞蟻能將所述n個批分配到不同個組中進行配送；并第L次迭代的第m只螞蟻對所有批次完成分組所使用的車輛總數步驟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只螞蟻對所有批次完成分組所使用的車輛總數集合步驟7、從所述車輛總數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個候選批bi′和第j個已加入到第l個組中的候選批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個候選批bi′和第j個已加入到第l個組中的候選批bj′被分到同一組的次數；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Lmax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所對應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時間進行降序排序，獲得的排序結果作為批生產的次序，從而獲得最優(yōu)生產和配送聯合調度方案。本發(fā)明所述的基于蟻群優(yōu)化的瓷器煅燒工藝的生產調度方法的特點也在于，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個批分配到不同組中進行配送：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個分類wz中選出第f個批的標識符flagf是否為1；若為1，則表示第f個批已經完成分組，并執(zhí)行步驟5.5；否則，將第z個分類wz中選出第f個批加入到所述第l個候選表中，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個候選表記所述待更新的第l個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′作為關鍵批加入到所述第l個組并將關鍵批bkey′的標識符flag′key置為1；然后從候選表中刪除關鍵批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個候選表中第i個候選批bi′加入到第l個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個組的候選概率集合式(5)中，α為信息素的權重，β為啟發(fā)式信息的權重；θil表示第i個候選批bi′能加入到第l個組中配送的期望度；ηil表示將第i個候選批bi′能加入到第l個組配送的啟發(fā)式信息；并有：式(6)中，τij表示第L次迭代的第i個候選批bi′和第j個已加入到第l個組中的候選批bj′之間的信息素，1≤i≠j≤a；Si表示第i個候選批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應的最大候選批，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個組并將最大候選批b′max的標識符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、根據所述剩余車輛容積從所述待更新的第l個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個候選表步驟5.13、獲得所述最大候選批b′max所對應的分類，記為wmax；步驟5.14、判斷所述最大候選批b′max在所對應的分類wmax中是否為第fz個批；若是，則從更新的第l個候選表中刪除所述最大候選批b′max；否則，從更新的第l個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所對應的分類wmax中第fmax+1個批加入到所述更新的第l個候選表中，從而獲得再次更新的第l個候選表步驟5.15、以所述再次更新的第l個候選表作為待更新的第l個候選表并返回步驟5.8順序執(zhí)行，直到待更新的第l個候選表為空為止，即將第L次迭代的第m只螞蟻的第l個組加滿；從而獲得第L次迭代的第m只螞蟻的第l個組的配送方案；步驟5.16、判斷n個批的標識符是否都為1，若都為1，則表示完成第L次迭代的第m只螞蟻對所述n個批的分配；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。與已有技術相比，本發(fā)明有益效果體現在：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、配送兩階段聯合調度問題，通過采用改進的蟻群算法，在差異分批制造模式下，首先針對已分批的產品進行分類，然后提出基于批尺寸分類的候選表，通過為每一個螞蟻建立候選表的方法，得出每一個螞蟻的分組方案；再利用信息素更新規(guī)則，更新信息素，實現了多次迭代，最終獲得最優(yōu)解；相比于的其它方法；蟻群算法在時間有效性和結果的優(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；解決了現實工業(yè)中作業(yè)分批生產、分組配送的問題，使得所獲得的最優(yōu)解實現了企業(yè)總體經濟效益的優(yōu)化，降低了能耗，節(jié)省了成本，提升了企業(yè)的服務水平。2、本發(fā)明通過對每一次迭代得到的最優(yōu)解進行信息素更新，解決了搜索過程過快的集中到這個解周圍的問題；如果僅僅是對自第一次迭代以來得到的最優(yōu)解進行更新，很可能導致算法收斂過早；而每一次迭代的最優(yōu)解在每一次迭代過后會有很大差異，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，從而得到更加優(yōu)化的解。3.本發(fā)明采用候選表策略來尋找最優(yōu)解；在傳統的蟻群算法中，只要是體積小于車輛容積的作業(yè)，都可以選進候選表，所以可行解的數量龐大；但是在實際裝車過程中，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，批的類別數量絕對不會超過批的總數量，相同尺寸的瓷坯批越多，候選表的批個數越少，這樣就減少了可行解的數量，有效降低了求解時間。附圖說明圖1為本發(fā)明生產配送跨度示意圖。具體實施方式本實施例中，一種基于蟻群優(yōu)化的生產配送調度方法，是針對體積和生產時間有差異的生產配送聯合調度問題進行建模，然后通過一種改進蟻群算法進行求解，從而得到一套生產配送調度的優(yōu)化方案，以此大大降低目標位制造企業(yè)的總運作成本，提高企業(yè)運作效率；同時針對具體問題，給出了實用的程序開發(fā)方案，使企業(yè)能高效率的獲得適合其的最優(yōu)調度方案。具體的說，是按如下步驟進行：步驟1、假設存在n個批需要進行生產和配送，生產各個批的設備容積記為B；配送各個批的車輛容積記為V；由n個批構成一個批集合，記為U＝{b1,b2,…,bk,…,bn}，bk表示第k個批；且將第k個批bk的尺寸記為Sk；將第k個批bk的生產時間記為Tk；將加入同一輛車中進行配送的所有批記為一個組；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個分類；記為W＝{w1,w2,…,wz,…,wa}，wz表示第z個分類；第z個分類wz中的批總數記為fz；在傳統的蟻群算法中，只要是體積小于設備容量的作業(yè)，都可以選進候選表，所以可行解的數量龐大。但是在實際陶瓷煅燒過程中，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，瓷坯的類別數量絕對不會超過瓷坯的總數量，相同尺寸的瓷坯越多，候選表的瓷坯個數越少，這樣就可以減少可行解的數量，能夠有效降低求解時間。步驟3、初始化蟻群算法的各個參數，包括：m表示第m只螞蟻，并初始化m＝1；M表示螞蟻總數、L表示迭代次數，并初始化L＝1；Lmax表示最大迭代次數；步驟4、定義變量為l，并初始化l＝1；定義第k個批bk的標識符為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個組和與其對應的第l個候選表并使得第L次迭代的第m只螞蟻能將n個批分配到不同個組中進行配送；并第L次迭代的第m只螞蟻對所有批次完成分組所使用的車輛總數步驟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個分類wz中選出第f個批的標識符flagf是否為1；若為1，則表示第f個批已經完成分組，并執(zhí)行步驟5.5；否則，將第z個分類wz中選出第f個批加入到第l個候選表中，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個候選表記待更新的第l個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′作為關鍵批加入到第l個組并將關鍵批bkey′的標識符flag′key置為1；然后從候選表中刪除關鍵批bkey′；步驟5.8、利用式(1)獲得第m只螞蟻將待更新的第l個候選表中第i個候選批bi′加入到第l個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個組的候選概率集合式(1)中，α為信息素的權重，β為啟發(fā)式信息的權重；θil表示第i個候選批bi′能加入到第l個組中配送的期望度，信息素τij(L)表示第i個候選批bi′和第j個候選批bj′被安排在同一組中的期望度。由于批數目和作業(yè)所在組號不確定，因此不能直接使用信息素τij(L)，故定義變量θil對信息素進行間接利用；ηil表示將第i個候選批bi′能加入到第l個組配送的啟發(fā)式信息；并有：式(2)中，τij表示第L次迭代的第i個候選批bi′和第j個已加入到第l個組中的候選批bj′之間的信息素，1≤i≠j≤a；Si表示第i個候選批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應的最大候選批，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個組并將最大候選批b′max的標識符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、根據剩余車輛容積從待更新的第l個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個候選表步驟5.13、獲得最大候選批b′max所對應的分類，記為wmax；步驟5.14、判斷最大候選批b′max在所對應的分類wmax中是否為第fz個批；若是，則從更新的第l個候選表中刪除最大候選批b′max；否則，從更新的第l個候選表中刪除最大候選批b′max，并將最大候選批b′max所對應的分類wmax中第fmax+1個批加入到更新的第l個候選表中，從而獲得再次更新的第l個候選表步驟5.15、以再次更新的第l個候選表作為待更新的第l個候選表并返回步驟5.8順序執(zhí)行，直到待更新的第l個候選表為空為止，即將第L次迭代的第m只螞蟻的第l個組加滿；從而獲得第L次迭代的第m只螞蟻的第l個組的配送方案；步驟5.16、判斷n個批的標識符是否都為1，若都為1，則表示完成第L次迭代的第m只螞蟻對n個批的分配；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個候選表中，如果第i個候選批bi′和第j個候選批bj′滿足Si＜Sj且SiTi＞SjTj，選擇第i個候選批bi′加入當前組比選擇第j個候選批bj′能減少更多的空閑空間，并且選擇第i個候選批bi′后當前組的剩余容量更大，第l個候選表中可選批數也更多，故選擇第i個候選批bi′加入當前組更優(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只螞蟻對所有批次完成分組所使用的車輛總數集合步驟7、從車輛總數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個候選批bi′和第j個已加入到第l個組中的候選批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個候選批bi′和第j個已加入到第l個組中的候選批bj′被分到同一組的次數；并有：如果僅僅是對自第一次迭代以來得到的最優(yōu)解進行更新，很可能導致搜索過程過快的集中到這個解周圍，使算法收斂過早；而每一次迭代的最優(yōu)解在每一次迭代過后會有很大差異，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。也可以采用輪換策略進行更新，即對每一次迭代得到的最優(yōu)解進行信息素更新，然后每經過相應次迭代，對自第一次以來得到的最優(yōu)解經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Lmax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所對應的配送方案作為最優(yōu)配送方案，分批和配送過程如圖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時間進行降序排序，獲得的排序結果作為批生產的次序，從而獲得最優(yōu)生產和配送聯合調度方案。