本申请属于智能制造领域，具体涉及一种基于ga-ts混合算法的车间排产方法。
背景技术：
目前很多企业还是使用静态排产方法，虽然也能让生产车间正常运转，但是排产的计划一旦确定下来，一般都是按照计划生产，不能对资源进行有效地配置，对于机器故障等事件难以应对，会出现调度不及时的情况，导致车间生产效率低下。
而动态调度是把整个制造系统看作是一个动态过程，要求整个系统对于一些动态事情，比如工件到达的不确定性、机器故障等进行实时响应，具有很好的灵活性，但是也增加了整个系统的复杂性和排产的难度。
现有的物联网技术相对成熟，通过lo-ra无线模块，可以定时将车间的数据传输到云端的服务器，服务器对于这些进行分析处理，并做出相应响应。现有技术中为了应用排产的复杂性，采用各式算法来实现自动排产，例如遗传算法(geneticalgorithm简称ga)、禁忌搜索算法(tabusearch这里简称ts)等等，
但是现有的自动排产方法使用的算法单一，并且直接使用算法时会受算法本身的缺陷而影响排产效果，例如：
遗传算法将问题的求解简化为“染色体”的生存过程，染色体通过选择、交叉、变异的过程进行迭代。最终收敛到“最适应环境”的个体，该个体为当前种群的最优个体，即所求问题的最优解。遗传算法是一种基于种群的并行搜索算法，全局搜索能力比较强，但局部搜索能力比较差，同时容易出现早熟收敛现象。
禁忌搜索算法是一种基于单一个体的搜索算法，通过对已知解的记忆，将这些解存储下来，这样就可以接受更多的解，从而避免陷入局部搜索。虽然禁忌搜索算法的局部搜索能力比较强，但它全局搜索能力较弱，使得算法很容易陷入局部最优解。另外，它对初始解的依赖程度很大，一个好的初始解可提高算法的搜索效率，而一个坏的初始解不易搜索到解空间内更优的解，从而降低算法的搜索效率。
因此，现有技术中提供的自动排产方法低，在企业中的应用效果差。
技术实现要素：
本申请的目的在于提供一种基于ga-ts混合算法的车间排产方法，能够根据车间情况得到最佳的排产方案，保证生产效率的同时确保车间生产的稳定性。
为实现上述目的，本申请所采取的技术方案为：
一种基于ga-ts混合算法的车间排产方法，所述基于ga-ts混合算法的车间排产方法，包括：
步骤s1、定时采集车间中设备的运行状态参数、设备的维修记录以及过程类数据；
步骤s2、使用ga-ts混合算法进行车间排产，包括以下步骤：
步骤s2.1、初始化ga算法获得种群，该种群中包含多个个体，每个个体即为一个排产方案；
步骤s2.2、构建基于生产效率和稳定性的适应度函数；
步骤s2.3、判断是否满足ga算法的停止准则，若满足则输出最优的排产方案，若不满足则继续执行；
步骤s2.4、利用所构建的适应度函数计算种群中个体的适应度；
步骤s2.5、采用结合最佳个体保留和锦标赛选择的方法选择种群中的个体；
步骤s2.6、利用双点交叉方式对选择的个体执行交叉操作得到子代个体；
步骤s2.7、对选择的个体执行变异操作，得到子代个体；
步骤s2.8、对所得子代个体使用ts算法进行改善，将得到的子代个体作为ts算法的初始解，可行解的迁移方案作为ts算法的领域，更新种群；
步骤s2.9、获取最新种群中以及最优个体，并重新步骤s2.3；
步骤s3、根据输出的最优排产方案，生成排产甘特图，调整车间资源；
步骤s4、激活发生器，所述发生器根据步骤s1中采集的设备的运行状态参数、设备的维修记录以及过程类数据对车间进行监听，若所述发生器触发，则重新执行步骤s2，否则维持当前排产方案。
作为优选，所述构建基于生产效率和稳定性的适应度函数，包括：
假设初始时刻有n个原始工件，初始时刻以后有m个新工件到达车间，其中有z台加工工件工序的运行设备，采用i，i′，j，j′和k表示原始工件、新到达工件、原始工件的工序、新到达工件的工序以及设备的索序号，每个工件包含oij道工序，其中，i＝1,2,…,n，j＝1,2,…,ni，ni表示工件i的工序数量，同理，o′i′j′道工序中，i′＝1,2,…,m，j′＝1,2,…,mi′，mi′表示工件i′的工序数量；
对于订单而言，最大完成时间越小说明排产方案的时间性能越好，因此最大完成时间的目标函数为makespan函数最小化，即：
其中，f1为最大完成时间的目标函数，cijk表示工序oij在设备k上的完工时间，c′i′j′k表示工序o′i′j′在设备k上的完工时间；
另外，考虑车间生产的稳定性，采用工件的平均转换时间作为指标，即：
其中，f2为调度惩罚函数，其中tijk表示工件i从j工序到k工序转换所用的时间，若工件i保持工序不变，则转换时间为零；
得到当前时刻下所有工件的完成时间，如下：
f＝ω1f1 ω2f2
其中，f为当前时刻下所有工件的完成时间，ω1，ω2分别为makespan函数和调度惩罚函数的权重值；
则建立适应度函数如下：
其中，e为适应度函数，适应度越高的个体越容易遗传到下一代，适应度最大的个体即为最优个体。
作为优选，构建适应度函数的约束条件如下：
对于每个工件，每道工序都必须有预先确定的顺序；对于工序的先后约束，每道工序只能在前序工序加工完成之后才能开始加工：
chlk′-phlk′ m(1-a)≥cijk
c′h′l′k′-p′h′l′k′ m(1-a)≥c′i′j′k
其中，chlk′表示工序ohl在设备k′上的完工时间，phlk′表示工序ohl在设备k′上的加工时间，c′i′j′k′表示工序o′i′j′在设备k′上的完工时间，p′h′l′k′表示工序o′i′j′在设备k′上的加工时间，a为0～1之间的变量；
并且定义m的约束条件为大于所有工件的加工时间之和减去最大加工时间，m表示为：
其中，pijk表示工序oij在设备k上的加工时间，p′i′j′k′表示工序o′i′j′在设备k′上的加工时间。
作为优选，所述对所得子代个体使用ts算法进行改善，将得到的子代个体作为ts算法的初始解，可行解的迁移方案作为ts算法的领域，更新种群，包括：
1)初始化ts算法，将ga算法的子代个体作为初始解；
2)判断ts算法是否满足收敛准则，如果满足则结束算法，输出最新种群，否则继续执形；
3)由初始解产生邻域解，确定候选解；
4)判断特赦准则是否满足，如果满足则将满足特赦原则的解作为当前解，并且采用当前解对应的方案替换最早进入禁忌表的对象，更新最优状态，并重新执行步骤2)；否则继续执行；
5)判断候选解的禁忌属性；
6)将非禁忌对象对应的最佳解作为当前解，并且采用当前解对应的方案替换最早进入禁忌表的对象；
7)重新执行步骤2)。
作为优选，所述特赦准则如下：
若移动一个工序后产生的解优于目前的最优解，但该工序是被禁忌的，则此时允许该工序移动；如果出现下列情况，即所有的工序移动都被禁忌，同时不存在优于目前为止的最优解的解，此时从被禁忌的移动工序中随机选取一个工序，对被选取的工序进行特赦，即允许这一工序进行移动。
作为优选，所述发生器的监听过程如下：
1)判断是否已经满足预设的重调度时间点，未满足则执行步骤2)，满足则执行步骤5)；
2)根据步骤s1中采集的数据，判断是否有新工件进入等待工件队列，若无新工件进入则执行步骤3)，否则执行步骤4)；
3)根据步骤s1中采集的数据，判断车间中的设备数量是否发生改变，若设备数量发生改变则执行步骤5)，否则返回执行步骤2)；
4)根据步骤s1中采集的数据，判断等待工件队列中的等待工件数量是否超过预设队列长度，若超过则执行步骤5，否则返回执行步骤2)；
5)重新构建适应度函数，并执行步骤s2。
本申请提供的基于ga-ts混合算法的车间排产方法，通过将ga算法和ts算法相结合，先利用ga算法较强的全局搜索能力得到一个较优的解，为ts算法提供一个好的初始解，然后利用禁忌搜索局部搜索能力强的特点，加快了搜索的效率。并且将makespan函数和调度惩罚函数相结合，不仅考虑了生产效率，还综合考虑了车间稳定性，实现企业效率最大化。而且对ga算法与ts算法融合的同时，加入发生器，不仅能保证完成工件的效率，还能保持车间正常生产的稳定性，并且还能应对突发情况并妥善处理。
附图说明
图1为本申请的基于ga-ts混合算法的车间排产方法的流程图；
图2为本申请的ga-ts混合算法的流程图；
图3为本申请的发生器的监听流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是在于限制本申请。
其中一个实施例中，提供了一种基于ga-ts混合算法的车间排产方法，用于根据车间情况计算出最佳的排产方案，以提高车间的资源利用率，提高车间生产效率。
如图1所示，实施例的基于ga-ts混合算法的车间排产方法，包括：
步骤s1、定时采集车间中设备的运行状态参数、设备的维修记录以及过程类数据。
采集数据时可预先在设备上安装传感器，通过lo-ra无线模块，将传感器采集的数据上传至云端服务器，以便于实时捕捉车间情况。
在车间应用的情况下，一般设置所采集的设备的运行状态参数包括但不限于：设备运行的温度、油压、加速度、运行模式、停机次数等；设备的维修记录包括但不限于：设备的故障原因、维修时长等；过程类数据包括但不限于：订单的实际开始加工时间、预计结束时间机上产品当前工序和当前进度等。
步骤s2、使用ga-ts混合算法进行车间排产，如图2所示，包括以下步骤：
步骤s2.1、初始化ga算法获得种群，该种群中包含多个个体，每个个体即为一个排产方案。在初始化ga算法时，需设置各参数，迭代次数，种群大小，交叉概率，变异概率，并将每个初始解编码为染色体，每个染色体的长度等于当前调度周期内所有的工序之和，每个基因仍然采用工件i的索引表示，每个工件i在此染色体出现ni次，则ni表示工件i的工序数量。
步骤s2.2、构建基于生产效率和稳定性的适应度函数，在一实施例中提供的构建过程如下：
假设初始时刻有n个原始工件，初始时刻以后有m个新工件到达车间，其中有z台加工工件工序的运行设备，采用i，i′，j，j′和k表示原始工件、新到达工件、原始工件的工序、新到达工件的工序以及设备的索序号，每个工件包含oij道工序，其中，i＝1,2,…,n，j＝1,2,…,ni，ni表示工件i的工序数量，同理，o′i′j′道工序中，i′＝1,2,…,m，j′＝1,2,…,mi′，mi′表示工件i′的工序数量。
对于订单而言，最大完成时间越小说明排产方案的时间性能越好，即生产效率高，因此最大完成时间的目标函数为makespan函数最小化，即：
其中，f1为最大完成时间的目标函数，cijk表示工序oij在设备k上的完工时间，c′i′j′k表示工序o′i′j′在设备k上的完工时间。
另外，考虑车间生产的稳定性，采用工件的平均转换时间作为指标，即：
其中，f2为调度惩罚函数，其中tijk表示工件i从j工序到k工序转换所用的时间，若工件i保持工序不变，则转换时间为零。
得到当前时刻下所有工件的完成时间，如下：
f＝ω1f1 ω2f2
其中，f为当前时刻下所有工件的完成时间，ω1，ω2分别为makespan函数和调度惩罚函数的权重值，并且设置ω1>0，ω2>0。
则建立适应度函数如下：
其中，e为适应度函数，适应度越高的个体越容易遗传到下一代，适应度最大的个体即为最优个体。
由于作业车间动态问题的复杂性，实际环境中工序之间还要满足一定的工艺要求和技术要求，故构建适应度函数的约束条件如下：
对于每个工件，每道工序都必须有预先确定的顺序；对于工序的先后约束，每道工序只能在前序工序加工完成之后才能开始加工：
chlk′-phlk′ m(1-a)≥cijk
c′h′l′k′-p′h′l′k′ m(1-a)≥c′i′j′k
其中，chlk′表示工序ohl在设备k′上的完工时间，phlk′表示工序ohl在设备k′上的加工时间，c′i′j′k′表示工序o′i′j′在设备k′上的完工时间，p′h′l′k′表示工序o′i′j′在设备k′上的加工时间，a为0～1之间的变量。
并且为了适应动态环境，定义m的约束条件为大于所有工件的加工时间之和减去最大加工时间，m表示为：
其中，pijk表示工序oij在设备k上的加工时间，p′i′j′k′表示工序o′i′j′在设备k′上的加工时间。
步骤s2.3、判断是否满足ga算法的停止准则，若满足则输出最优的排产方案，若不满足则继续执行。
步骤s2.4、利用所构建的适应度函数计算种群中个体的适应度。
步骤s2.5、采用结合最佳个体保留和锦标赛选择的方法选择种群中的个体。
进化过程中由于选择等因素影响而在种群中出现的均匀收敛于单一个体的趋势称之为遗传漂移，这种现象在遗传进化中不能避免，但是应用适当的选择方法可降低遗传漂移现象。
本实施例采用最佳个体保留和锦标赛选择两种方法结合的方式，可筛选出当前最合适的个体，降低遗传漂移现象。最佳个体保留方法是将父代种群中最优的pr×popsize(pr表示选择概率，popsize表示种群规模)个体直接复制到下一代中。锦标赛选择是从种群中随机抽取两个个体，如果随机值(随机值为0～1之间随机产生)小于给定概率值r(r是一个参数，一般取0.8)，则选择较优的一个，否则选择较劣的个体。
步骤s2.6、利用双点交叉方式对选择的个体执行交叉操作得到子代个体。在执行交叉操作时，从种群中随机选出两个体p1和p2，在两个父体个体中随机选择两个不同的点，并交换两个点之间的子串，得到两个新的个体s1和s1。
步骤s2.7、对选择的个体执行变异操作，得到子代个体；变异操作是为了改善算法的局部搜索能力，本实施例采用插入式变异操作，即从染色体中随机选取一道工序随机插入到另一道工序的前面，同时保留工件工序所分配的设备不变，确保子代是可行解。
步骤s2.8、对所得子代个体使用ts算法进行改善，将得到的子代个体作为ts算法的初始解，可行解的迁移方案作为ts算法的领域，更新种群。在一实施例中，ts算法执行的具体步骤如下：
1)初始化ts算法，将ga算法的子代个体作为初始解。
2)判断ts算法是否满足收敛准则，如果满足则结束算法，输出最新种群，否则继续执形。
3)由初始解产生邻域解，确定候选解。
4)判断特赦准则是否满足，如果满足则将满足特赦原则的解作为当前解，并且采用当前解对应的方案替换最早进入禁忌表的对象，更新最优状态，并重新执行步骤2)；否则继续执行。
5)判断候选解的禁忌属性。
6)将非禁忌对象对应的最佳解作为当前解，并且采用当前解对应的方案替换最早进入禁忌表的对象。
7)重新执行步骤2)。
并且设置特赦准则为：若移动一个工序后产生的解优于目前的最优解，但该工序是被禁忌的，则此时允许该工序移动；如果出现下列情况，即所有的工序移动都被禁忌，同时不存在优于目前为止的最优解的解，此时从被禁忌的移动工序中随机选取一个工序，对被选取的工序进行特赦，即允许这一工序进行移动。
ts算法以ga算法的子代最优初始解，利用禁忌搜索局部搜索能力强的特点，加快了搜索的效率。
步骤s2.9、获取最新种群中以及最优个体，并重新步骤s2.3。
步骤s3、根据输出的最优排产方案，生成排产甘特图，调整车间资源。
步骤s4、激活发生器，所述发生器根据步骤s1中采集的设备的运行状态参数、设备的维修记录以及过程类数据对车间进行监听，若所述发生器触发，则重新执行步骤s2，否则维持当前排产方案。
为了保证车间生产的连续性，在每个重调度时刻点产生一个新的调度方案，执行该调度方案直至下一个调度点。一般两个调度点时间间隔较长，发生突发事件比如设备故障时难以调节，故本实施例的车间排产方法中加入了发生器，以应对突发事件的响应，得到针对突发事件的最优排产方案，降低车间损失。
在一实施例中，如图3所示，设置发生器的监听过程如下：
1)判断是否已经满足预设的重调度时间点，未满足则执行步骤2)，即监听事件，满足则执行步骤5)。
2)根据步骤s1中采集的数据，判断是否有新工件进入等待工件队列，若无新工件进入则执行步骤3)，否则执行步骤4)。
3)根据步骤s1中采集的数据，判断车间中的设备数量是否发生改变，若设备数量发生改变则执行步骤5)，否则返回执行步骤2)。
4)根据步骤s1中采集的数据，判断等待工件队列中的等待工件数量是否超过预设队列长度，若超过则执行步骤5，否则返回执行步骤2)。
5)更新问题，即重新构建适应度函数，并执行步骤s2。
发生器定时监听车间情况，若工件或设备产生突变时，更新适应度函数，并重新执行ga-ts算法，以保证及时输出针对突发情况的最佳排产方案，提高排产应对能力，降低企业损失。
本实施例采用最优解保持策略，使优秀个体不易被破坏，避免了遗传算法中存在的早熟问题，加快了优化的速度。并且通过对遗传是遗传算法与禁忌搜索算法的融合，先用遗传算法对初始群体进行全局搜索，使得群体中的个体达到比较稳定的状态时，再对群体中所有个体采用禁忌搜索算法进行局部搜索，这样既可以提高群体的质量，还能减少迭代次数，进而减少计算时间。同时将makespan函数和调度惩罚函数相结合，不仅考虑了生产效率，还综合考虑了车间稳定性，实现企业效率最大化。而且增加了发生器，用于监测整个车间的运作情况，一旦发生设备故障、排队工件超过预设值等情况，能马上做出动态响应，保证车间的生产效率。
另外，本实施例将采集的数据保存至云端服务器，同时也可以将每次输出的排产方案保存至云端服务器，增强可追溯性，方便后续进行数据比对，以及对排产方案再次优化。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
1.一种基于ga-ts混合算法的车间排产方法，其特征在于，所述基于ga-ts混合算法的车间排产方法，包括：
步骤s1、定时采集车间中设备的运行状态参数、设备的维修记录以及过程类数据；
步骤s2、使用ga-ts混合算法进行车间排产，包括以下步骤：
步骤s2.1、初始化ga算法获得种群，该种群中包含多个个体，每个个体即为一个排产方案；
步骤s2.2、构建基于生产效率和稳定性的适应度函数；
步骤s2.3、判断是否满足ga算法的停止准则，若满足则输出最优的排产方案，若不满足则继续执行；
步骤s2.4、利用所构建的适应度函数计算种群中个体的适应度；
步骤s2.5、采用结合最佳个体保留和锦标赛选择的方法选择种群中的个体；
步骤s2.6、利用双点交叉方式对选择的个体执行交叉操作得到子代个体；
步骤s2.7、对选择的个体执行变异操作，得到子代个体；
步骤s2.8、对所得子代个体使用ts算法进行改善，将得到的子代个体作为ts算法的初始解，可行解的迁移方案作为ts算法的领域，更新种群；
步骤s2.9、获取最新种群中以及最优个体，并重新步骤s2.3；
步骤s3、根据输出的最优排产方案，生成排产甘特图，调整车间资源；
步骤s4、激活发生器，所述发生器根据步骤s1中采集的设备的运行状态参数、设备的维修记录以及过程类数据对车间进行监听，若所述发生器触发，则重新执行步骤s2，否则维持当前排产方案。
2.如权利要求1所述的基于ga-ts混合算法的车间排产方法，其特征在于，所述构建基于生产效率和稳定性的适应度函数，包括：
假设初始时刻有n个原始工件，初始时刻以后有m个新工件到达车间，其中有z台加工工件工序的运行设备，采用i，i′，j，j′和k表示原始工件、新到达工件、原始工件的工序、新到达工件的工序以及设备的索序号，每个工件包含oij道工序，其中，i＝1，2，...，n，j＝1，2，...，ni，ni表示工件i的工序数量，同理，o′i′j′道工序中，i′＝1，2，...，m，j′＝1，2，...，mi′，mi′表示工件i′的工序数量；
对于订单而言，最大完成时间越小说明排产方案的时间性能越好，因此最大完成时间的目标函数为makespan函数最小化，即：
其中，f1为最大完成时间的目标函数，cijk表示工序oij在设备k上的完工时间，c′i′j′k表示工序o′i′j′在设备k上的完工时间；
另外，考虑车间生产的稳定性，采用工件的平均转换时间作为指标，即：
其中，f2为调度惩罚函数，其中tijk表示工件i从j工序到k工序转换所用的时间，若工件i保持工序不变，则转换时间为零；
得到当前时刻下所有工件的完成时间，如下：
f＝ω1f1 ω2f2
其中，f为当前时刻下所有工件的完成时间，ω1，ω2分别为makespan函数和调度惩罚函数的权重值；
则建立适应度函数如下：
其中，e为适应度函数，适应度越高的个体越容易遗传到下一代，适应度最大的个体即为最优个体。
3.如权利要求2所述的基于ga-ts混合算法的车间排产方法，其特征在于，构建适应度函数的约束条件如下：
对于每个工件，每道工序都必须有预先确定的顺序；对于工序的先后约束，每道工序只能在前序工序加工完成之后才能开始加工：
chlk′-phlk′ m(1-a)≥cijk
c′h′l′k′-p′h′l′k′ m(1-a)≥c′i′j′k
其中，chlk′表示工序ohl在设备k′上的完工时间，phlk′表示工序ohl在设备k′上的加工时间，c′i′j′k′表示工序o′i′j′在设备k′上的完工时间，p′h′l′k′表示工序o′i′j′在设备k′上的加工时间，a为0～1之间的变量；
并且定义m的约束条件为大于所有工件的加工时间之和减去最大加工时间，m表示为：
其中，pijk表示工序oij在设备k上的加工时间，p′i′j′k′表示工序o′i′j′在设备k′上的加工时间。
4.如权利要求1所述的基于ga-ts混合算法的车间排产方法，其特征在于，所述对所得子代个体使用ts算法进行改善，将得到的子代个体作为ts算法的初始解，可行解的迁移方案作为ts算法的领域，更新种群，包括：
1)初始化ts算法，将ga算法的子代个体作为初始解；
2)判断ts算法是否满足收敛准则，如果满足则结束算法，输出最新种群，否则继续执形；
3)由初始解产生邻域解，确定候选解；
4)判断特赦准则是否满足，如果满足则将满足特赦原则的解作为当前解，并且采用当前解对应的方案替换最早进入禁忌表的对象，更新最优状态，并重新执行步骤2)；否则继续执行；
5)判断候选解的禁忌属性；
6)将非禁忌对象对应的最佳解作为当前解，并且采用当前解对应的方案替换最早进入禁忌表的对象；
7)重新执行步骤2)。
5.如权利要求4所述的基于ga-ts混合算法的车间排产方法，其特征在于，所述特赦准则如下：
若移动一个工序后产生的解优于目前的最优解，但该工序是被禁忌的，则此时允许该工序移动；如果出现下列情况，即所有的工序移动都被禁忌，同时不存在优于目前为止的最优解的解，此时从被禁忌的移动工序中随机选取一个工序，对被选取的工序进行特赦，即允许这一工序进行移动。
6.如权利要求4所述的基于ga-ts混合算法的车间排产方法，其特征在于，所述发生器的监听过程如下：
1)判断是否已经满足预设的重调度时间点，未满足则执行步骤2)，满足则执行步骤5)；
2)根据步骤s1中采集的数据，判断是否有新工件进入等待工件队列，若无新工件进入则执行步骤3)，否则执行步骤4)；
3)根据步骤s1中采集的数据，判断车间中的设备数量是否发生改变，若设备数量发生改变则执行步骤5)，否则返回执行步骤2)；
4)根据步骤s1中采集的数据，判断等待工件队列中的等待工件数量是否超过预设队列长度，若超过则执行步骤5，否则返回执行步骤2)；
5)重新构建适应度函数，并执行步骤s2。
技术总结