CN116451936A - 一种基于遗传算法的排程方法、***和存储介质 - Google Patents

Abstract

本发明公开的一种基于遗传算法的排程方法、***和存储介质，以遗传算法为基础，针对医药制造行业的订单和药品生产工序的特点，通过对种群筛选和基因设计等步骤来消除药企柔性作业车间调度问题的各类限制，从而简化生产计划排程的难度和工作量，实现以高效通用的方式输出优质的生产计划排程数据。

Description

一种基于遗传算法的排程方法、***和存储介质

技术领域

本发明涉及智能工厂技术领域，尤其涉及一种基于遗传算法的排程方法、***和存储介质。

背景技术

医药生产往往会需要同时生产多种类型的药品，它们的制造工艺流程不同，反应在生产上就是使用机器的种类、顺序和时间长短不同。同时由于它们来自不同的订单，每个订单的数量、交货时间也存在较大差异。因此在实际的生产过程中，需要将多个订单拆分成一道道工序，分配到不同的机器上，根据交货时间调整对应订单的优先级以确保能在交货期前完成订单，从而保证整个生产进行的效率都能有最大化。如果依靠人工排出一个可行的生产计划将会是一个巨大的工作量，且难以保证生产效率，导致企业无法发挥最大产能。

发明内容

本发明针对现有技术中的不足，提供了一种基于遗传算法的排程方法，包括如下步骤：

S1，接收后端业务层封装的生产项目计划信息后执行排程，所述生产项目计划信息包括但不限于订单数量、订单配置列表、设备数量、计划时间段、和机器出勤列表中的一个或多个；

S2，对所述生产项目计划信息进行分析，遍历嵌套结构后平铺填充结果组成任务数为宽且所有订单中最大工序数为长度的二维数组，并将该二维数组作为索引来遍历平铺所有结构信息得到数据组；

S3，进行初始化种群，将每个个体的两个二维数组分别代表工序顺序和工序所选择的加工机器，每个个体的染色体代表一种分配和排序的解，在两组基础信息染色体外引入机器出勤时间列表数组，对订单中的机器出勤列表信息进行解析，把时间分块化并标记可用工作时间段与机器假期；

S4，对所有个体的染色体进行解码，根据订单计划所需时间来计算，得出的结果大小就能代表当前解法的优劣即个体的适应度。

优选的，所述步骤S4包括：

S41，遍历染色体总工序数组，取出当前工序所属订单并标记当前工序在所属订单的工序位置，从解析数据中取出并行标记；

S42，根据所属订单和工序位置在第i个工件第j道工序对应的索引上的位置、以及加工机器染色体对应值，从解析获得数据即第i道工序在第j台机器上的时间中取出工序所选机器编号和所需加工时间；

S43，根据工序并行标记、订单开始时间以及前置工序信息计算获取当前工序开始时间，根据时间判断逾期及优先级评分；

S44，将开始时间和所需时间映射到所选机器出勤时间列表，根据是否可中断情况在时间块上检索最近工作时间段并填充和更新出勤时间列表，组装当前工序排程信息并统计适应度，输出当前解码结果。

优选的，所述步骤S44还包括：

获取当前输出的解码结果，通过比较适应度来决定是否替换数据库中存储的当前最优解，同时累计未产生最优解迭代次数，如已完成设定迭代次数则将当前最优解作为本次排程的最优解输出。

优选的，所述机器出勤列表包括机器工作周期、对应机器的工作时间段和假期配置。

优选的，所述步骤S1包括：当需要当前机器加工时先判断机器当前是否处于可用状态，若该机器处于占用状态则获取当前进行中的任务工序进度信息，并根据所述任务工序进度计算占用时间并重新调整机器出勤列表。

本发明还公开了一种基于遗传算法的排程***，包括：信息获取模块，用于接收后端业务层封装的生产项目计划信息后执行排程，所述生产项目计划信息包括但不限于订单数量、订单配置列表、设备数量、计划时间段、和机器出勤列表中的一个或多个；分析模块，用于对所述生产项目计划信息进行分析，遍历嵌套结构后平铺填充结果组成任务数为宽且所有订单中最大工序数为长度的二维数组，并将该二维数组作为索引来遍历平铺所有结构信息得到数据组；初始化模块，用于进行初始化种群，将每个个体的两个二维数组分别代表工序顺序和工序所选择的加工机器，每个个体的染色体代表一种分配和排序的解，在两组基础信息染色体外引入机器出勤时间列表数组，对订单中的机器出勤列表信息进行解析，把时间分块化并标记可用工作时间段与机器假期；解码模块，用于对所有个体的染色体进行解码，根据订单计划所需时间来计算，得出的结果大小就能代表当前解法的优劣即个体的适应度。

优选的，所述解码模块包括：位置获取模块，用于遍历染色体总工序数组，取出当前工序所属订单并标记当前工序在所属订单的工序位置，从解析数据中取出并行标记；提取模块，用于根据所属订单和工序位置在第i个工件第j道工序对应的索引上的位置、以及加工机器染色体对应值，从解析获得数据即第i道工序在第j台机器上的时间中取出工序所选机器编号和所需加工时间；评估模块，用于根据工序并行标记、订单开始时间以及前置工序信息计算获取当前工序开始时间，根据时间判断逾期及优先级评分；输出模块，用于将开始时间和所需时间映射到所选机器出勤时间列表，根据是否可中断情况在时间块上检索最近工作时间段并填充和更新出勤时间列表，组装当前工序排程信息并统计适应度，输出当前解码结果。

优选的，所述输出模块还被配置为获取当前输出的解码结果，通过比较适应度来决定是否替换数据库中存储的当前最优解，同时累计未产生最优解迭代次数，如已完成设定迭代次数则将当前最优解作为本次排程的最优解输出。

本发明还公开了一种基于遗传算法的排程装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述各方法的步骤。

本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述各方法的步骤。

本发明公开的基于遗传算法的排程方法、***和存储介质，以遗传算法为基础，针对医药制造行业的订单和药品生产工序的特点，通过对种群筛选和基因设计等步骤来消除药企柔性作业车间调度问题的各类限制，结合生产订单和生产资源来通过智能算法快速给出高效的订单生产排序和生产资源分配方案，从而简化生产计划排程的难度和工作量，实现以高效通用的方式输出优质的生产计划排程数据。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本实施例公开的基于遗传算法的排程方法的流程示意图。

图2为本实施例公开的排程引擎入口数据结构示意图。

图3为本实施例公开的步骤S2处理后的数据结构示意图。

图4为本实施例公开的步骤S4的具体流程示意图。

图5为本实施例公开的基于遗传算法的排程***的结构框图。

图6为本实施例公开的解码模块的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。

除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“一个”或者“一”等类似词语也不表示数量限制，而是表示存在至少一个。

目前医药生产往往会需要同时生产多种类型的药品，它们的制造工艺流程不同，反应在生产上就是使用机器的种类、顺序和时间长短不同，而具有相同功能种类的机器在效率上也有会有所差异。另外他们来自不同的订单，每个订单的数量、交货时间也存在较大差异。因此我们在实际的生产过程中，需要将多个订单拆分成一道道工序，分配到不同的机器上，根据交货时间调整对应订单的优先级以确保能在交货期前完成订单，同时保证整个生产进行的效率都能有最大化。例如a个订单，每个订单对应b种工序，每个工序有c台机器可以选择，对应选择的机器又可能出现d种加工时间的情况；因此每增加一个订单或者每新增一台可用机器，对整个分配复杂度都是超指数级增长的。如果依靠人工排出一个可行的生产计划将会是一个巨大的工作量，也难以保证生产效率。基于以上问题，我们需要根据生产数据以一种高效通用的方式输出优质的生产计划。如附图1所示，本实施例公开了一种基于遗传算法的排程方法，该排程方法包括如下步骤。

步骤S1，接收后端业务层封装的生产项目计划信息后执行排程，所述生产项目计划信息包括但不限于订单数量、订单配置列表、设备数量、计划时间段、和机器出勤列表中的一个或多个。

在实际生产中，制造业柔性作业车间调度需要考虑多种情况，例如同一订单在相同时间内只能被某一设备加工一道工序，订单的工艺路线在加工过程中不变，不同订单独立且加工顺序无优先级。在实际生产过程中，例如阿莫西林生产时为了提高效率会采用并行工序，二氧化硅、羧甲淀粉钠和硬脂酸镁的过筛可以同时进行，那生产阿莫西林在相同时间内就需要被三台机器加工三种过筛工序。多个生产订单交集时可以允许并行的工序有先后。而为了多个订单整体生产效率可以调整并行工序的生产顺序，对交互期更早和更重要的订单可以设置优先级，并根据实际情况来安排并行的加工工艺路线和订单间的优先情况。另外工序在设备上加工过程中不允许出现中断，不同生产订单因为原料存储采购等不能同时准备好，机器占用等原因，开工时间不可能每次都同时开始，同时在实际生产上会需要对机器进行检修等。

该排程方法可以作为服务端的一个排程引擎模块，用以处理生产业务***中设定的生产项目，该引擎模块需要接收后端业务层封装的生产项目信息，以此生成可渲染的生产计划排程数据。具体的，后端业务层在接收到排程信息请求后，将生产处方相关的基础信息，转化为排程软件中的排程引擎所需要数据，用于排程引擎完成对生产计划的排程工作，后台组装好生产项目数据调用引擎执行排程，引擎入口数据结构如附图2所示。该数据处理步骤可包括如下内容。

步骤S11，在接收到用户发起的排程订单信息后，识别获取其中计划生产的药品信息和订单配置信息，根据药品信息在生产管理***中查询该药品处方中的各生产工序，其中药品生产工序中包括但不限于投入物料、产出物料、参与设备信息、和工序单位用时。其中该订单配置信息包括但不限于订单总数、订单开始时间、订单结束时间、订单优先级和工序配置列表，所述工序配置列表包括但不限于工序可选设备数、工序是否与前一工序并行、前置工序列表、后续工序列表和工序可选设备配置列表。

在本实施例中，该步骤还包括如何确认订单的优先级：获取所述排程订单的委托用户，在生产数据库中查询所述委托用户的用户等级，根据用户等级来确认第一类优先级。获取该排程订单的审批过程记录，在所述审批过程记录中搜索最高审批人员等级，根据所述最高审批人员等级来确认第二类优先级。获取所述排程订单中的药品数量并根据订单的开始时间和结束时间来计算订单生产周期，根据所述药品数量和订单生产周期来计算获得该订单的药品生产率，查询生产数据库中相同或相近似药品的历史生产率，根据订单的药品生产率是否低于所述历史生产率的设定比例，在将该订单优先级赋予第三类优先级。将第一类优先级、第二类优先级、和第三类优先级中的等级最高者作为该订单优先级。从而在充分考虑订单用户类型、审批历史和订单所要求的工期后综合确认该订单的优先级。

在本实施例中，还通过下述步骤来补充设备配置列表：根据药品信息在生产管理***中查询该药品处方中的各生产工序，并提取生产工序中记录的设定设备信息。核验工厂生产设备列表中是否存在所述设定设备信息，若不存在则在工厂生产设备列表中查询与所述设定设备具有相同工作属性的设备作为替代参与设备并录入参与设备信息中。

步骤S12，根据所述药品处方中记录的物料投放顺序生成有向链表，所述链表各结点分别与药品生产工序对应且录入有对应工序的投入物料、产出物料、参与设备信息以及本工序单位用时。

步骤S13，获取链表各节点内所包含的所有投入物料、产出物料信息，将所述有向链表转化为工序树结构，所述工序树结构各叶节点对应配置为一投入物料或产出物料。最终在将工序树、订单配置信息、和所选排程模式提交至排程引擎后，该排程引擎根据工序树中的工序顺序、参与设备状态以及订单量进行排程。

在本实施例中，该步骤S1还包括：当需要当前机器加工时先判断机器当前是否处于可用状态，若该机器处于占用状态则获取当前进行中的任务工序进度信息，并根据所述任务工序进度计算占用时间并重新调整机器出勤列表。其中机器出勤列表包括机器工作周期、对应机器的工作时间段和假期配置。

步骤S2，对所述生产项目计划信息进行分析，遍历嵌套结构后平铺填充结果组成任务数为宽且所有订单中最大工序数为长度的二维数组，并将该二维数组作为索引来遍历平铺所有结构信息得到数据组。具体的，排程引擎根据信息扁平化处理遍历嵌套结构平铺填充结果组成任务数为宽，所有订单中最大工序数为长度的二维数组，并以此作为索引，遍历平铺所有结构信息得到如附图3所示的数据结构。

步骤S3，进行初始化种群，将每个个体的两个二维数组分别代表工序顺序和工序所选择的加工机器，每个个体的染色体代表一种分配和排序的解，在两组基础信息染色体外引入机器出勤时间列表数组，对订单中的机器出勤列表信息进行解析，把时间分块化并标记可用工作时间段与机器假期。

在本实施例中，将所有的工序按随机生成一种分配排序，并对应工序选取随机可用机器进行加工的的过程称为初始化种群。每个个体一个二维数组代表工序顺序，一个代表工序所选择的加工机器，在遗传算法中把这两组数据称为染色体，每个个体的染色体就代表一种分配和排序的解。同时为解决并行工序机器中断问题，引擎在两组基础信息染色体外引入机器出勤时间列表数组，根据订单机器配置信息解析，把时间分块化，标记工作时间段与假期。当需要当前机器加工时先判断机器当前是否在可用状态，并按占用时间重新调整机器出勤列表。因为迭代过程有巨大的计算费用过高，过大的种群规模进行迭代会消耗大量时间，较小的种群规模又不能覆盖到最优解，所以在种群初始化阶段，引擎采取生成10倍迭代种群规模的个体，并对其进行适应度计算，只留下头部迭代规模大小的个体作为初始种群。

在迭代进化过程中，为防止种群收缩在不正确的区间，引擎设置了干扰操作，即在一定迭代次数后都没有得到过新的最优解时，引擎会生成部分新种群来替换当前迭代种群的末尾部分，以此来抵抗算法结果的过早收敛。

迭代的进化首先通过精英选择和锦标赛选择两种方式来选择优秀的个体进行进化。引擎模拟了染色体的交叉和变异方式。引擎选取种群相近的两个个体进行交叉，随机采用基于工作的交叉和基于操作的交叉方式，交叉的实现即随机选取父染色体的部分排序，剩下的用母染色体进行填充获得子染色体。变异则是在当前个体的染色体内部，取随机两点进行基因位置交换，生成新染色体。所有个体的染色体都相当与一种解法的简化编码，最终要想评价解法的优劣则需要对其解码，然后根据计划所需时间来计算，得出的结果大小就能代表当前解法的优劣即个体的适应度。

步骤S4，对所有个体的染色体进行解码，根据订单计划所需时间来计算，得出的结果大小就能代表当前解法的优劣即个体的适应度。具体的，基于解析扁平化数据和染色体，如附图4所示，该步骤S4可以包括如下内容。

步骤S41，遍历染色体总工序数组，取出当前工序所属订单并标记当前工序在所属订单的工序位置，从解析数据中取出并行标记。即遍历染色体总工序数组，取出当前工序所属订单A。并标记当前工序在所属订单的工序位置p；从解析数据取出并行标记。

步骤S42，根据所属订单和工序位置在第i个工件第j道工序对应的索引上的位置、以及加工机器染色体对应值，从解析获得数据即第i道工序在第j台机器上的时间中取出工序所选机器编号和所需加工时间。

具体的，根据A，p在第i个工件第j道工序对应的index定位，并根据加工机器染色体对应值从解析数据即第i道工序在第j台机器上的时间中取出工序所选机器编号和所需加工时间。

步骤S43，根据工序并行标记、订单开始时间以及前置工序信息计算获取当前工序开始时间，根据时间判断逾期及优先级评分。

步骤S44，将开始时间和所需时间映射到所选机器出勤时间列表，根据是否可中断情况在时间块上检索最近工作时间段并填充和更新出勤时间列表，组装当前工序排程信息并统计适应度，输出当前解码结果。其中，该步骤还可以包括：获取当前输出的解码结果，通过比较适应度来决定是否替换数据库中存储的当前最优解，同时累计未产生最优解迭代次数，如已完成设定迭代次数则将当前最优解作为本次排程的最优解输出。

本实施例公开的基于遗传算法的排程方法，以遗传算法为基础，针对医药制造行业的订单和药品生产工序的特点，通过对种群筛选和基因设计等步骤来消除药企柔性作业车间调度问题的各类限制，结合生产订单和生产资源来通过智能算法快速给出高效的订单生产排序和生产资源分配方案，从而简化生产计划排程的难度和工作量，实现以高效通用的方式输出优质的生产计划排程数据。

在另一实施例中，如附图5所示，还公开了一种基于遗传算法的排程***，包括：信息获取模块1，用于接收后端业务层封装的生产项目计划信息后执行排程，所述生产项目计划信息包括但不限于订单数量、订单配置列表、设备数量、计划时间段、和机器出勤列表中的一个或多个。分析模块2，用于对所述生产项目计划信息进行分析，遍历嵌套结构后平铺填充结果组成任务数为宽且所有订单中最大工序数为长度的二维数组，并将该二维数组作为索引来遍历平铺所有结构信息得到数据组。初始化模块3，用于进行初始化种群，将每个个体的两个二维数组分别代表工序顺序和工序所选择的加工机器，每个个体的染色体代表一种分配和排序的解，在两组基础信息染色体外引入机器出勤时间列表数组，对订单中的机器出勤列表信息进行解析，把时间分块化并标记可用工作时间段与机器假期。解码模块4，用于对所有个体的染色体进行解码，根据订单计划所需时间来计算，得出的结果大小就能代表当前解法的优劣即个体的适应度。

在本实施例中，如附图6所示，解码模块4包括：位置获取模块41，用于遍历染色体总工序数组，取出当前工序所属订单并标记当前工序在所属订单的工序位置，从解析数据中取出并行标记；提取模块42，用于根据所属订单和工序位置在第i个工件第j道工序对应的索引上的位置、以及加工机器染色体对应值，从解析获得数据即第i道工序在第j台机器上的时间中取出工序所选机器编号和所需加工时间；评估模块43，用于根据工序并行标记、订单开始时间以及前置工序信息计算获取当前工序开始时间，根据时间判断逾期及优先级评分；输出模块44，用于将开始时间和所需时间映射到所选机器出勤时间列表，根据是否可中断情况在时间块上检索最近工作时间段并填充和更新出勤时间列表，组装当前工序排程信息并统计适应度，输出当前解码结果。

在本实施例中，该输出模块还被配置为获取当前输出的解码结果，通过比较适应度来决定是否替换数据库中存储的当前最优解，同时累计未产生最优解迭代次数，如已完成设定迭代次数则将当前最优解作为本次排程的最优解输出。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的基于遗传算法的排程***而言，由于其与实施例公开的对基于遗传算法的排程方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

在另一些实施例中，还提供了一种基于遗传算法的排程装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述各实施例中描述的基于遗传算法的排程方法的各个步骤。

其中基于遗传算法的排程装置可包括但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是基于遗传算法的排程装置的示例，并不构成对基于遗传算法的排程装置设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述基于遗传算法的排程装置设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于遗传算法的排程装置设备的控制中心，利用各种接口和线路连接整个基于遗传算法的排程装置设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于遗传算法的排程装置设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序等此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡，安全数字卡，闪存卡、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

所述基于遗传算法的排程装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个基于遗传算法的排程方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

总之，以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所作的均等变化与修饰，皆应属本发明专利的涵盖范围。

Claims (10)

1.一种基于遗传算法的排程方法，其特征在于，包括如下步骤：

S1，接收后端业务层封装的生产项目计划信息后执行排程，所述生产项目计划信息包括但不限于订单数量、订单配置列表、设备数量、计划时间段、和机器出勤列表中的一个或多个；

S2，对所述生产项目计划信息进行分析，遍历嵌套结构后平铺填充结果组成任务数为宽且所有订单中最大工序数为长度的二维数组，并将该二维数组作为索引来遍历平铺所有结构信息得到数据组；

S3，进行初始化种群，将每个个体的两个二维数组分别代表工序顺序和工序所选择的加工机器，每个个体的染色体代表一种分配和排序的解，在两组基础信息染色体外引入机器出勤时间列表数组，对订单中的机器出勤列表信息进行解析，把时间分块化并标记可用工作时间段与机器假期；

S4，对所有个体的染色体进行解码，根据订单计划所需时间来计算，得出的结果大小就能代表当前解法的优劣即个体的适应度。

2.根据权利要求1所述的基于遗传算法的排程方法，其特征在于，所述步骤S4包括：

S41，遍历染色体总工序数组，取出当前工序所属订单并标记当前工序在所属订单的工序位置，从解析数据中取出并行标记；

S42，根据所属订单和工序位置在第i个工件第j道工序对应的索引上的位置、以及加工机器染色体对应值，从解析获得数据即第i道工序在第j台机器上的时间中取出工序所选机器编号和所需加工时间；

S43，根据工序并行标记、订单开始时间以及前置工序信息计算获取当前工序开始时间，根据时间判断逾期及优先级评分；

S44，将开始时间和所需时间映射到所选机器出勤时间列表，根据是否可中断情况在时间块上检索最近工作时间段并填充和更新出勤时间列表，组装当前工序排程信息并统计适应度，输出当前解码结果。

3.根据权利要求2所述的基于遗传算法的排程方法，其特征在于，所述步骤S44还包括：

获取当前输出的解码结果，通过比较适应度来决定是否替换数据库中存储的当前最优解，同时累计未产生最优解迭代次数，如已完成设定迭代次数则将当前最优解作为本次排程的最优解输出。

4.根据权利要求3所述的基于遗传算法的排程方法，其特征在于：所述机器出勤列表包括机器工作周期、对应机器的工作时间段和假期配置。

5.根据权利要求4所述的基于遗传算法的排程方法，其特征在于，所述步骤S1包括：当需要当前机器加工时先判断机器当前是否处于可用状态，若该机器处于占用状态则获取当前进行中的任务工序进度信息，并根据所述任务工序进度计算占用时间并重新调整机器出勤列表。

6.一种基于遗传算法的排程***，其特征在于，包括：

信息获取模块，用于接收后端业务层封装的生产项目计划信息后执行排程，所述生产项目计划信息包括但不限于订单数量、订单配置列表、设备数量、计划时间段、和机器出勤列表中的一个或多个；

分析模块，用于对所述生产项目计划信息进行分析，遍历嵌套结构后平铺填充结果组成任务数为宽且所有订单中最大工序数为长度的二维数组，并将该二维数组作为索引来遍历平铺所有结构信息得到数据组；

初始化模块，用于进行初始化种群，将每个个体的两个二维数组分别代表工序顺序和工序所选择的加工机器，每个个体的染色体代表一种分配和排序的解，在两组基础信息染色体外引入机器出勤时间列表数组，对订单中的机器出勤列表信息进行解析，把时间分块化并标记可用工作时间段与机器假期；

解码模块，用于对所有个体的染色体进行解码，根据订单计划所需时间来计算，得出的结果大小就能代表当前解法的优劣即个体的适应度。

7.根据权利要求6所述的基于遗传算法的排程***，其特征在于，所述解码模块包括：

位置获取模块，用于遍历染色体总工序数组，取出当前工序所属订单并标记当前工序在所属订单的工序位置，从解析数据中取出并行标记；

提取模块，用于根据所属订单和工序位置在第i个工件第j道工序对应的索引上的位置、以及加工机器染色体对应值，从解析获得数据即第i道工序在第j台机器上的时间中取出工序所选机器编号和所需加工时间；

评估模块，用于根据工序并行标记、订单开始时间以及前置工序信息计算获取当前工序开始时间，根据时间判断逾期及优先级评分；

输出模块，用于将开始时间和所需时间映射到所选机器出勤时间列表，根据是否可中断情况在时间块上检索最近工作时间段并填充和更新出勤时间列表，组装当前工序排程信息并统计适应度，输出当前解码结果。

8.根据权利要求7所述的基于遗传算法的排程***，其特征在于，所述输出模块还被配置为获取当前输出的解码结果，通过比较适应度来决定是否替换数据库中存储的当前最优解，同时累计未产生最优解迭代次数，如已完成设定迭代次数则将当前最优解作为本次排程的最优解输出。

9.一种基于遗传算法的排程装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-5任一所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-5任一所述方法的步骤。