CN109426920A - 一种考虑预测订单和实际订单的企业生产计划优化方法 - Google Patents

Abstract

本发明公开了一种考虑预测订单和实际订单的企业生产计划优化方法，包括下列步骤：(1)获取历史订单任务相关数据，进行数据分类，作为订单任务预测的输入；(2)构建基于改进时间序列的订单任务预测模型；(3)结合预测订单任务数据和实际订单任务数据，制定相应的生产计划优化目标函数；(4)建立基于传统人工蜂群算法和Tabu Search算法的混合优化算法，对步骤3中的优化目标函数进行优化求解，优化结果即为生产计划明细，指导实际生产活动的开展与实施。通过本发明将生产计划优化分成两阶段，更准确的实现了纺织机械制造企业生产计划的制定与实施，从而能够为相应的中小型制造企业的生产计划优化提供有效指导。

Description

一种考虑预测订单和实际订单的企业生产计划优化方法

技术领域

本发明涉及纺织机械制造企业在制定车间生产计划时进行优化方法研究技 术领域，具体为一种考虑预测订单和实际订单的企业生产计划优化方法。

背景技术

对于纺织机械制造而言，生产计划是在安排订单生产任务时必不可少的参考 依据，它对整个企业内部、企业和企业之间的生产活动的合理安排起着指导作用。 纺织机械制造企业作为传统制造企业，其生产活动的复杂性、多样性非常明显， 随着市场经济体制的不断变化以及现代计算机信息技术的不断发展，这种复杂性 和多样性变得越来越突出，使得企业的生产活动的稳定性在不断降低，企业间的 竞争格局也在不断的发生变化。由于纺织机械制造企业的订单产品个性化突出、 订单任务量季节性明显、订单交货期短等因素，使得纺织机械制造企业对于制定 合理、有效的生产计划的要求更高。

目前，有学者已经提出了一些生产计划优化方法的相关研究方法，例如付立 坤等(付立坤，乔佩利.基于自适应分布式搜索的供应链协调优化算法[J].哈尔 滨理工大学学报，2015,20(2)：80-84.)在多阶段多项目约束生产批量问题模型 的基础上，利用拉格朗日松弛算法分解整个供应链的生产计划问题，并采用自适 应分布式算法实现多级供应链批量生产问题的协调优化，但该方法在求解类似纺 机企业中生产计划NP问题时耗时较长；在研究和分析了关于按单制造(MTO) 和按库存制造(MTS)两种制造模式的生产计划和监控需求后，Beemsterboer等 (Beemsterboer,B.,Land,M.,Teunter,R.Hybrid MTO-MTSproduction planning:An explorative study[J].European Journal of OperationalResearch,2016,248(2):453-461. doi:10.1016/j.ejor2015.07.037.)构建了面向集成MTO和MTS的混合制造模式下马 尔科夫生产计划优化模型，但该模型无法有效处理多个MTO和MTS之间的交货 期变化引起的机器配置问题；在一个高度自动化的制造环境中存在多种加工类型 的二级制造车间，Choi等(Choi,Y.-C.,&Xirouchakis,P.A productionplanning in highly automated manufacturing system considering multipleprocess plans with different energy requirements[J].International Journal OfAdvanced Manufacturing Technology,2014,70(5-8):853-867.doi:10.1007/s00170-013-5306-1.)针对协调总生产计 划与二级生产计划之间的能源消耗和物料分配问题，提出以总能源消耗、库存成 本和延期交货惩罚之和的最小化作为优化目标，但该模型中缺少对能量消耗的考 虑；Mardan等(Mardan,E.,Amalnik,M.S.,Rabbani,M.An integratedemergency ordering and production planning optimization model with demand andyield uncertainty [J].International Journal Of Production Research,2015,53(20):6023-6039.doi: 10.1080/00207543.2015.1008109.)针对生产制造过程中出现的紧急订单问题，提出 将紧急订单计划和原生产计划进行柔性集成，并建立双阶段生产计划决策制定机 制，将供应商划分为常规和特殊两部分，前者是针对原生产计划，后者主要针对紧急订单计划，但未明确提出集成模型中的各部分权重具体值的确定方法。

上述这些方法在纺织机械制造企业的生产计划优化中存在一定缺陷，由于纺 织机械制造企业的订单交货期通常较短(基本为一周)、造成生产计划周期缩短， 且产品制造模式为小批量多品种制造，同时订单任务具有明显的季节性特点，因 此有必要将历史订单数据进行有效分析和处理，得到合理的预测任务数据，并以 现有的生产计划优化理论为基础，构建基于时间和成本的多目标生产计划优化模 型。

发明内容

本发明的目的在于提供一种考虑预测订单和实际订单的企业生产计划优化 方法，采用分层优化的思想来应对纺织机械制造企业的生产计划实际制定问题， 第一层为订单任务预测层，改进了传统时间序列预测方法并对企业订单任务进行 有效预测；第二层主生产计划层，结合企业预测订单任务，当前企业内部以及企 业之间的多种生产制造资源进行优化分析和建模，从而为实际的生产计划制定与 优化提供方法指导，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种考虑预测订单和实际订单的企业生产计划优化方法，包括两层优化：

第一层优化为订单任务预测层优化，通过对历史订单任务的相关数据信息进 行收集、处理与分析，为订单任务预测模型提供输入，以改进的时间序列预测方 法为优化求解算法，输出为相应的预测订单任务数据信息；

第二层优化为生产计划层优化，将第一层优化得到的结果与实际的订单任务 集合，为生产计划优化模型提供输入，以混合的人工蜂群算法和Tabu Search算 法为优化求解算法，输出为相应的生产计划优化结果明细。

优选的，所述第一层订单任务预测层中的预测模型基于以下假设条件：

(1)预测模型只适用于一定周期范围内，即T∈[T^l,T^u]，且源数据中包含的 产品属于同一类型、不同规格的；

(2)纺织机械产品的季节性相比较其他三种属性较为明显，求解模型中不 再单独考虑而是将其作为一个整体考虑，即

其中，T为预测周期，T^l为预测周期开始时刻，T^u为预测周期结束时刻，为在t时刻趋势性因素对订单任务预测结果造成的影响因子，为在t时刻循环 性因素对订单任务预测结果造成的影响因子，为在t时刻随机性因素对订单任 务预测结果造成的影响因子，表示在t时刻季节性因素对订单任务预测结果造 成的影响因子。

优选的，所述订单任务预测模型的具体步骤如下：

S1：参数设定，根据初始值，构建订单量初始矩阵如下：

S2：求解按照四项位移平均法对矩阵N进行转化，得到：

按照居中平均法对N'进行转化，得到：

根据公式S＝N/N”得到：

采用平均值法，求解四个季节性影响因子：

判断是否等于4，如果等于，则保持不变，否则需要采用修正系数法， 即：

S3：求解根据公式可求得：

S4：求解回归方程，根据步骤S3得到的数据，将矩阵转化为一维序列，即：

为了更好的体现，将t值进行序列化，上述序列修正为：

O_f＝{O₁,O₂,...,O_t',...,O_t*4},t'＝{1,2,...,t*4}

S5：利用Eviews9.0对上述O_f序列进行自相关和偏相关分析，构建自回归移 动平均模型ARMA(p,q)，并确定p，q值：

S6：根据步骤S5中确定的ARMA(p,q)，求解预测值R^t。

优选的，所述第二层生产计划优化层以第一层预测结果和实际订单任务作为 优化模型的输入，其内容包括：

(1)定义相关数学符号：

(2)建立优化模型的目标函数：min(F_CoTime,F_MeanTime,F_cost)，其中，最小化最大 完工时间：

F_CoTime＝Min(max{AcCo_i}),1i n；AcCo_i＝Co_ijk,1i n,j＝o,1k m

最小化平均完工时间：

最小化加工成本，其中加工成本主要包含加工工序成本C_p、运输成本C_t和延 期惩罚成本C_d，总成本F_cost：

Delay_i＝Ceil((AcCo_i-PlCo_i)/60)

(3)约束条件：

(4)将人工蜂群算法与Tabu Search算法相混合，对模型进行求解分析，得 到的输出即为生产优化层的有效输出结果；具体步骤如下：

S1：编码和解码，HABC中采用基于工序的编码方式，每一个近似最优解的 染色体中都包含有完成所有加工工序的编码基因，每一个基因是以待加工任务的 符号(i，Job_i)表示，且i出现的次数为N_i；

S2：种群初始化方法，种群初始化采用基于随机初始化方法和聚类分组轮盘 赌方法相结合的方式，一方面通过随机产生的染色体基因保证了初始种群个体的 多样性，另一方面利用聚类分组轮盘赌策略来保证初始种群的合法性、有效性；

S3：适应度函数，适应度函数F如公式所示：

F(x)＝W_CoTime*F_CoTime(x)'+W_MeanTime*F_MeanTime(x)'+W_Cost*F_Cost(x)'

S4：交叉算子，选择基于随机待加工任务的顺序交叉的方式。

与现有技术相比，本发明的有益效果是：

本考虑预测订单和实际订单的企业生产计划优化方法，由于在当前企业实际 的生产计划制定时，大多只考虑已签订订单任务数据信息，忽略历史订单任务的 可挖掘价值，本发明全面考虑了这些数据信息，采用分层优化的思想来应对纺织 机械制造企业的生产计划实际制定问题，将纺织机械制造企业生产计划优化模型 总体分为两层，第一层为订单任务预测层，通过分析历史订单数据，改进了传统 时间序列预测方法并对企业订单任务进行有效预测；第二层主生产计划层，即模 拟排产层，以当前实际订单任务为基础，结合企业预测订单任务，当前企业内部 以及企业之间的多种生产制造资源进行优化分析和建模，从而为实际的生产计划 制定与优化提供方法指导，保证了生产计划制定的合理性和可行性；此外，本发 明中采用混合人工蜂群算法和Tabu Search算法，可以更好的提高算法的求解速 度与求解质量，因此能够实现对生产计划与实际加工过程地更好控制。

附图说明

图1为本发明的流程方框图；

图2为本发明中混合人工蜂群算法和Tabu Search算法求解基本流程图；

图3为本发明基于传统时间序列预测方法的预测模型图；

图4为本发明基于改进时间序列预测方法的预测模型图；

图5为本发明不同算法的收敛曲线对比图；

图6为本发明生产计划优化结果甘特示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全 部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳 动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

本发明实施例中：一种考虑预测订单和实际订单的企业生产计划优化方法， 包括两层优化：

第一层优化为订单任务预测层优化，通过对历史订单任务的相关数据信息进 行收集、处理与分析，为订单任务预测模型提供输入，以改进的时间序列预测方 法为优化求解算法，输出为相应的预测订单任务数据信息；其中，第一层订单任 务预测层中的预测模型基于以下假设条件：

(1)预测模型只适用于一定周期范围内，即T∈[T^l,T^u]，且源数据中包含的 产品属于同一类型、不同规格的；

(2)纺织机械产品的季节性相比较其他三种属性较为明显，求解模型中不 再单独考虑而是将其作为一个整体考虑，即

其中，T为预测周期，T^l为预测周期开始时刻，T^u为预测周期结束时刻，为在t时刻趋势性因素对订单任务预测结果造成的影响因子，为在t时刻循环 性因素对订单任务预测结果造成的影响因子，为在t时刻随机性因素对订单任 务预测结果造成的影响因子，表示在t时刻季节性因素对订单任务预测结果造 成的影响因子；订单任务预测模型的具体步骤如下：

第一步：参数设定，根据初始值，构建订单量初始矩阵如下：

第二步：求解按照四项位移平均法对矩阵N进行转化，得到：

按照居中平均法对N'进行转化，得到：

根据公式S＝N/N”得到：

采用平均值法，求解四个季节性影响因子：

判断是否等于4，如果等于，则保持不变，否则需要采用修正系数法， 即：

第三步：求解根据公式可求得：

第四步：求解回归方程，根据步骤三得到的数据，将矩阵转化为一维序列， 即：

为了更好的体现，将t值进行序列化，上述序列修正为：

O_f＝{O₁,O₂,...,O_t',...,O_t*4},t'＝{1,2,...,t*4}

第五步：利用Eviews9.0对上述O_f序列进行自相关和偏相关分析，构建自回 归移动平均模型ARMA(p,q)，并确定p，q值：

第六步：根据步骤五中确定的ARMA(p,q)，求解预测值R^t

第二层优化为生产计划层优化，将第一层优化得到的结果与实际的订单任务 集合，为生产计划优化模型提供输入，以混合的人工蜂群算法和Tabu Search算 法为优化求解算法，输出为相应的生产计划优化结果明细。

第二层生产计划优化层以第一层预测结果和实际订单任务作为优化模型的 输入，其内容包括：

(1)定义相关数学符号：

(2)建立优化模型的目标函数：min(F_CoTime,F_MeanTime,F_cost)，其中，最小化最大 完工时间：

F_CoTime＝Min(max{AcCo_i}),1i n；AcCo_i＝Co_ijk,1i n,j＝o,1k m

最小化平均完工时间：

最小化加工成本，其中加工成本主要包含加工工序成本C_p、运输成本C_t和延 期惩罚成本C_d，总成本F_cost：

Delay_i＝Ceil((AcCo_i-PlCo_i)/60)

(3)约束条件：

(4)将人工蜂群算法与TabuSearch算法相混合，对模型进行求解分析，得 到的输出即为生产优化层的有效输出结果；具体步骤如下：

第一步：编码和解码，HABC中采用基于工序的编码方式，每一个近似最优 解的染色体中都包含有完成所有加工工序的编码基因，每一个基因是以待加工任 务的符号(i，Job_i)表示，且i出现的次数为N_i；

第二步：种群初始化方法，种群初始化采用基于随机初始化方法和聚类分组 轮盘赌方法相结合的方式，一方面通过随机产生的染色体基因保证了初始种群个 体的多样性，另一方面利用聚类分组轮盘赌策略来保证初始种群的合法性、有效 性；

第三步：适应度函数，适应度函数F如公式所示：

F(x)＝W_CoTime*F_CoTime(x)'+W_MeanTime*F_MeanTime(x)'+W_Cost*F_Cost(x)'

第四步：交叉算子，选择基于随机待加工任务的顺序交叉的方式。

参阅图1-6，基于上述实施例一，提供如下的具体实施例二：

如图1中所示，一种考虑预测订单和实际订单的企业生产计划优化方法流程 方框图：

1、订单任务预测层：将企业管理人员提供的从2010年到2015年间的销售订 单数据作为源数据，如表1所示，其中黑色字体表示唯一值，“*”代表重复省略 项：

表1订单任务数据

利用Eviews9.0进行时间系列模型构建，如图3所示为利用中传统时间序列 预测方法对纺织机械制造企业的销售订单进行季节性预测得到预测模型为ARMA(5,7)，如图4所示为利用改进时间序列预测方法对纺织机械制造企业的销 售订单进行季节性预测得到预测模型为ARMA(5,6)，通过对比图3和图4得知，改 进后的时间序列预测模型的准确性更高；根据预测模型得出2016年的季度销售 订单预测值为(77.9746，80.5368，87.0927，76.8973)，与2016年的实际订单量(77， 79，86，81)的差异较小，同时依据图4中左边趋势图得知，预测模型曲线与实 际值曲线间存在较小差异，满足纺织机械制造企业订单预测需求。

2、生产计划优化层

(1)优化目标函数：

最大完工时间目标：所有待加工任务的完工时间不尽相同，最大完工时间是 指从零时刻开始，到所有待加工任务中的最后一道工序的完成时刻之间的时间 段，所以最小化最大完工时间目标函数如公式所示：

F_CoTime＝Min(max{AcCo_i}),1i n、AcCo_i＝Co_ijk,1i n,j＝o,1k m

平均完工时间目标：所有待加工任务在零时刻都是准备好的，由于在调度计 划制定时不同加工任务存在不同的加工工艺路线，所以对于同一个待加工任务而 言，其平均完工时间是所有加工任务从零时刻开始到完成时刻之间耗费时间之和 的平均值，其目标函数公式如所示：

加工成本目标：加工成本主要包含加工工序成本C_p、运输成本C_t和延期惩罚 成本C_d，总成本F_cost如公式所示：

Delay_i＝Ceil((AcCo_i-PlCo_i)/60)

(2)模型约束条件

权重值约束：权重值是为了合理配置不同子目标函数对总目标函数造成的影 响，因此各权重值之和应为“1”，如公式所示：

W_cost+W_MeanTime+W_CoTime＝1

待加工工艺约束：对于同一待加工任务包含至少一种工艺路线，每个工艺路 线一旦确定就固定不变，且工艺路线中对应的工序顺序也是固定的，因此需要满 足工序加工先后进行，即：

同时应保证在同一时刻某一待加工任务只有一道工序处在被加工状态，即：

加工设备约束：对于某一加工设备，在同一时刻只能加工某一待加工任务中 的一道工序，即：

其他约束：

(3)混合人工蜂群算法与TabuSearch算法求解，具体步骤为：

第一步：编码和解码，采用基于工序的编码方式，每一个近似最优解的染色 体中都包含有完成所有加工工序的编码基因，每一个基因是以待加工任务的符号 (i，Job_i)表示，且i出现的次数为N_i；

第二步：种群初始化方法种群初始化采用基于随机初始化方法和聚类分组轮 盘赌方法相结合的方式，一方面通过随机产生的染色体基因保证了初始种群个体 的多样性，另一方面利用聚类分组轮盘赌策略来保证初始种群的合法性、有效性；

第三步：适应度函数，适应度函数F如公式所示：

F(x)＝W_CoTime*F_CoTime(x)'+W_MeanTime*F_MeanTime(x)'+W_Cost*F_Cost(x)'

第四步：交叉算子，选择基于随机待加工任务的顺序交叉的方式；

第五步：雇佣蜂阶段，雇佣蜂的主要任务是完成解空间内的各项搜寻任务， 论文利用基于TS的局部搜索方法来完成搜寻任务。首先随机选择一个食物源X_i； 同时根据基于TS的局部搜索策略生产一个新的食物源再计算食物源X_i和 的适应度值，如果好于X_i，则用替换X_i，否则X_i不更新；

第六步：跟随蜂阶段，跟随蜂会评估每一个雇佣蜂所提供的食物源的价值， 即适应度值，根据适应度值的优劣以及跟随概率P_onlooker来决定是否去开发当前食 物源X_i，如果去开采当前食物源，则跟随蜂就会变成雇佣蜂，将开始去完成新的 开采任务，否则将保持不变；

第七步：侦查蜂阶段，在食物源的开采过程中，如果经过局部的全面搜索后 没有更好的食物源X_i，雇佣蜂在返回蜂巢时会携带食物源信息，在反馈完信息后， 可以选择转化为侦查蜂去搜寻新的食物源也可以待在蜂巢转化为跟随蜂， 等待新的食物源信息，即此时需要更新食物源，以进入下一代的搜寻；

第八步：以第一层预测数据和实际订单任务数据作为输入，混合算法和其他 算法分别对其进行求解，得到的收敛曲线图如图5所示，其中Tabu Search(E₁), GATS(E₂)，PSO(E₃)ABC(E₄)，HABC(E₅)，从曲线可以看出提出的混合 人工蜂群算法与Tabu Search算法具有更好的求解速度和求解质量，图6所示为生 产计划优化结果的甘特图。

综上所述，本考虑预测订单和实际订单的企业生产计划优化方法，由于在当 前企业实际的生产计划制定时，大多只考虑已签订订单任务数据信息，忽略历史 订单任务的可挖掘价值，本发明全面考虑了这些数据信息，采用分层优化的思想 来应对纺织机械制造企业的生产计划实际制定问题，将纺织机械制造企业生产计 划优化模型总体分为两层，第一层为订单任务预测层，通过分析历史订单数据， 改进了传统时间序列预测方法并对企业订单任务进行有效预测；第二层主生产计 划层，即模拟排产层，以当前实际订单任务为基础，结合企业预测订单任务，当 前企业内部以及企业之间的多种生产制造资源进行优化分析和建模，从而为实际 的生产计划制定与优化提供方法指导，保证了生产计划制定的合理性和可行性； 此外，本发明中采用混合人工蜂群算法和Tabu Search算法，可以更好的提高算法的求解速度与求解质量，因此能够实现对生产计划与实际加工过程地更好控 制。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限 于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明 的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之 内。

Claims (4)

1.一种企业生产计划优化方法，其特征在于，包括两层优化：

A1，对历史订单任务的相关数据信息进行收集、处理与分析，将其输入至订单任务预测模型，以改进的时间序列预测方法获取相应的预测订单任务数据信息；

A2，将步骤A1中获取得到的预测订单任务数据信息与实际的订单任务集合，为生产计划优化模型提供输入，以混合的人工蜂群算法和Tabu Search算法为优化求解算法，输出得到相应的生产计划优化结果明细。

2.如权利要求1所述的一种考虑预测订单和实际订单的企业生产计划优化方法，其特征在于，所述第一层订单任务预测层中的预测模型基于以下假设条件：

(1)预测模型只适用于一定周期范围内，即T∈[T^l,T^u]，且源数据中包含的产品属于同一类型、不同规格的；

(2)纺织机械产品的季节性相比较其他三种属性较为明显，求解模型中不再单独考虑T_f ^t，Cy_f ^t，R_f ^t，而是将其作为一个整体考虑，即R^t＝F^t(T_f,S_f,Cy_f,R_f)＝T_f ^t*S_f ^t*Cy_f ^t*R_f ^t；

其中，T为预测周期，T^l为预测周期开始时刻，T^u为预测周期结束时刻，为在t时刻趋势性因素对订单任务预测结果造成的影响因子，为在t时刻循环性因素对订单任务预测结果造成的影响因子，为在t时刻随机性因素对订单任务预测结果造成的影响因子，S_f ^t表示在t时刻季节性因素对订单任务预测结果造成的影响因子。

3.如权利要求2所述的一种企业生产计划优化方法，其特征在于，所述订单任务预测模型的具体步骤如下：

S1：参数设定，根据初始值，构建订单量初始矩阵如下：

S2：求解S_f ^t，按照四项位移平均法对矩阵N进行转化，得到：

按照居中平均法对N'进行转化，得到：

根据公式S＝N/N”得到：

采用平均值法，求解四个季节性影响因子：

判断是否等于4，如果等于，则保持不变，否则需要采用修正系数法，即：

S3：求解O_f ^t，根据公式可求得：

S4：求解回归方程，根据步骤S3得到的数据，将矩阵转化为一维序列，即：

为了更好的体现，将t值进行序列化，上述序列修正为：

O_f＝O₁,O₂,...,O_t',...,O_t*4,t'＝{1,2,...,t*4}；

S5：利用Eviews9.0对上述O_f序列进行自相关和偏相关分析，构建自回归移动平均模型ARMA(p,q)，并确定p，q值：

S6：根据步骤S5中确定的ARMA(p,q)，求解预测值R^t。

4.如权利要求1所述的一种企业生产计划优化方法，其特征在于，所述第二层生产计划优化层以第一层预测结果和实际订单任务作为优化模型的输入，其内容包括：

(1)定义相关数学符号：

(2)建立优化模型的目标函数：min(F_CoTime,F_MeanTime,F_cost)，其中，最小化最大完工时间：

F_CoTime＝Min(max{AcCo_i}),1≤i≤n；AcCo_i＝Co_ijk,1≤i≤n,j＝o,1≤k≤m；

最小化平均完工时间：

最小化加工成本，其中加工成本主要包含加工工序成本C_p、运输成本C_t和延期惩罚成本C_d，总成本F_cost：

F_cost＝C_p+C_t+C_d、

Delay_i＝Ceil((AcCo_i-PlCo_i)/60)；

(3)约束条件：

W_cost+W_MeanTime+W_CoTime＝1、

(4)将人工蜂群算法与Tabu Search算法相混合，对模型进行求解分析，得到的输出即为生产优化层的有效输出结果；具体步骤如下：

S1：编码和解码，HABC中采用基于工序的编码方式，每一个近似最优解的染色体中都包含有完成所有加工工序的编码基因，每一个基因是以待加工任务的符号(i，Job_i)表示，且i出现的次数为N_i；

S2：种群初始化方法，种群初始化采用基于随机初始化方法和聚类分组轮盘赌方法相结合的方式，一方面通过随机产生的染色体基因保证了初始种群个体的多样性，另一方面利用聚类分组轮盘赌策略来保证初始种群的合法性、有效性；

S3：适应度函数，适应度函数F如公式所示：

F(x)＝WC_oTime*F_CoTime(x)'+W_MeanTime*F_MeanTime(x)'+W_Cost*F_Cost(x)'；

S4：交叉算子，选择基于随机待加工任务的顺序交叉的方式。