本发明涉及生产订单分配、大数据分析或计算机应用技术领域，尤其涉及一种基于免疫算法的生产订单分配云处理方法。
背景技术：
现代制造业中，生产订单的量较大，而客户往往要求生产商在一定成本下，短期内生产出符合质量标准的产品。单个生产商难以在短期内完成生产量较大的订单，促使同区域内生产同类产品的制造企业相互协作、共享资源，一起完成生产量较大的订单，以使企业获得更多的收益。如何快速合理地将生产量较大的订单分配给不同的生产商，是制造企业合作的前提和基础，而且也是不同企业之间进行合作的一个接口，对增加成员企业之间的透明度起着重要作用。客户选择多个不同厂商生产时，如何在满足生产质量合格的条件下，使得生产成本最少，所用时间最少，是本领域技术人员致力于解决的难题。
免疫算法(immunealgorithm)是受生物免疫系统启发，在免疫学理论基础上发展起来的一种新兴的智能计算方法。免疫算法实现了类似于生物免疫系统的抗原识别、细胞分化、记忆和自我调节的功能，具有良好的系统应答性和自主性，对干扰具有较强维持系统自平衡能力；利用免疫系统的多样性产生和维持机制来保持群体的多样性，克服了一般寻优过程尤其是多峰函数寻优过程中难处理的“早熟”问题，最终求得全局最优解。免疫算法将模型的一个解看做一个个体，对个体的评价是通过计算亲和度得到的，个体的选择也是以亲和度为基础进行的。个体的亲和度包括抗体与抗原之间的亲和度和抗体与抗体之间的亲和度，它反映了真实的免疫系统的多样性，因此免疫算法对个体的评价更加全面，其个体选择方式也更为合理，所以免疫算法适合对复杂模型进行最优解的求解。
云处理技术是分布式计算技术的一种，其最基本的概念，是通过网络将庞大的计算处理程序自动分拆成无数个较小的子程序，再传送给由多部服务器所组成的庞大系统经计算分析之后将处理结果回传给用户。通过这项技术，云处理技术服务提供者可以在数秒之内，达成处理数以千万计甚至亿计的信息，达到和“超级计算机”同样强大效能的网络服务。云计算技术在网络服务中已经随处可见，例如搜寻引擎、网络信箱等，使用者只要输入简单指令便能得到大量信息。发展中的云计算不仅只做资料搜寻、分析的功能，未来如分析dna结构、基因图定序、解析癌症细胞等数据量比较大的复杂数据计算分析，都可以通过这项技术轻易达成。
本发明致力于结合免疫算法和云处理技术，对生产订单进行合理分配，达到在满足生产质量合格的条件下，使得生产成本最少、所用时间最少的效果。
技术实现要素：
本发明要解决的技术问题是在客户选择多个不同厂商生产时，如何对生产订单进行合理分配，达到在满足生产质量合格的条件下，使得生产成本最少、所用时间最少的效果。
为了解决上述技术问题，本发明的技术方案是提供一种基于免疫算法的生产订单分配云处理方法，其特征在于：该方法由以下3个步骤组成：
步骤1：分析生产商的生产能力，将生产能力数量化，用具体的数学表达式表示生产商的生产能力；
步骤2：对生产订单进行数据分析，根据不同需求，提取关键数据代表一个生产订单整体，基于关键数据建立选择最优生产商的数学模型；
步骤3：利用免疫算法对所述选择最优生产商的数学模型进行求解。
优选地，所述步骤1中，生产能力的数学表达方式包括：设计生产能力、查定生产能力、计划生产能力。
更优选地，所述计划生产能力是企业计划期内根据现有的生产组织条件和技术水平因素所能够实现的生产能力；生产商的计划生产能力决定于设备的数量及质量、员工的数量及技术水平。
进一步地，所述生产商的计划生产能力的数学表达方式包括：生产商在现有的设备和员工的条件下，一天可以生产产品质量可以达到某个等级的某类产品的数量、平均每生产一个产品的成本。
优选地，所述步骤2中，在生产制造业的生产订单中，关键数据包括：客户规定的生产期限、生产的产品个数、需要达到的质量等级和生产成本。
优选地，所述步骤3具体包含以下内容：
步骤3-1：设最优解为m个生产商，m为正整数；对所有的备选生产商进行编号，则求得的最优解为m个生产商的编号；在免疫算法中，m个生产商的编号看作是一个抗体，多个抗体组成了抗体群；在没有预先设置m的值时，寻找m的值使得模型得到最优解；
步骤3-2：设置m的初始值为m1，则在所有的生产商中选择m1个生产商进行订单分配，m1个生产商的编号是一个抗体，抗体代表一个可行解；
步骤3-3：免疫算法要求在抗体群中寻找一个最优抗体，因此需要产生初始抗体群；随机产生s1个抗体并从中选取s2个抗体构成记忆库，s1个抗体和记忆库中的s2个抗体共同组成了一个抗体数为s的抗体群，其中，s＝s1+s2，s1、s2为随机选取的整数；抗体群即为模型的s组可行解，每一组是m个生产商的编号；
步骤3-4：对步骤3-3所述的抗体群中的各个抗体进行评价；在免疫算法中，通过比较抗体与抗原的亲和度和抗体浓度对个体进行评价，此处，亲和度的值即步骤2所述关键数据的值，抗体浓度即抗体与抗体群中的其它抗体的相似度；综合亲和度和浓度评价抗体优秀程度，得出繁殖概率p，形成父代群体；将初始群体按期望繁殖率p进行降序排列，并取前s1个个体构成父代群体，同时取前s2个个体存入记忆库中；
步骤3-5：判断步骤3-4得到的父代群体的记忆库中的最优个体是否满足模型最优解，若满足则终止求解，否则对父代群中的抗体进行选择、交叉、变异操作得到新群体，再从记忆库中取出记忆的个体，共同构成新一代群体，然后转步骤3-4，迭代执行；若仍然没有达到满意的最优解，则转步骤3-2，重新设置m的初始值，直到寻找到模型的最优解。
本发明提供的方法克服了现有技术的不足，可以在客户选择多个不同厂商生产时，对生产订单进行合理分配，达到在满足生产质量合格的条件下，使得生产成本最少、所用时间最少的效果；且本发明方法计算结果准确，计算速度快，有助于提高生产效率。
附图说明
图1为本实施例提供的基于免疫算法的生产订单分配云处理方法流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。
本发明涉及一种基于免疫算法的生产订单分配云处理方法，包括分析生产商的生产能力、生产订单的数据分析并建立选择生产商的数学模型、用免疫算法对选择最优生产商的数学模型求解。结合具体的生产制造行业，分析生产商的生产能力，将生产能力量化，用具体的数据表达生产商的生产能力；对生产订单进行数据分析，提取关键的数据变量，建立选择最优生产商的数学模型；利用免疫算法对建立的选择最优生产商的数学模型进行求解，求得应该将订单分配给具体哪些生产商。具体步骤如下：
步骤1：结合具体的生产制造行业，分析生产商的生产能力，将生产能力量化，用具体的数学表达式表示生产商的生产能力。
生产能力是反映企业所拥有的加工能力的一个技术参数，它也可以反映企业的生产规模，是反映企业生产可能性的一个重要指标。生产能力有多种不同的表达方式，包括：设计生产能力、查定生产能力和计划生产能力等。其中，计划生产能力也称为现实能力，是企业计划期内根据现有的生产组织条件和技术水平等因素所能够实现的生产能力。在生产制造企业中，生产商的计划生产能力决定于设备的数量及质量、员工的数量及技术水平。
在生产订单分配方法中，使用生产商的计划生产能力最能体现生产商规定期限内的生产规模。假设生产商在现有的设备和员工的条件下，一天可以生产产品质量可以达到b等级的a产品n个，平均每生产一个产品的成本为l元；a产品即生产商生产的具体产品类别如饭盒、纸箱或热水壶等，b等级即生产商以现有的技术水平生产的产品可以达到的质量等级；n个即生产商一天可以生产n个a产品，n为整数。l元即生产一个产品，所花费的物力和人力的总成本。
步骤2：对生产订单进行数据分析，并建立选择最优生产商的数学模型。
对生产订单的数据进行分析，提取关键数据代表一个生产订单整体。在生产制造业的生产订单中，关键数据有客户规定的生产期限、生产的产品个数及需要达到的质量等级和生产成本。不同的客户对生产订单的需求不同，客户可能期望在最短的时间内生产所需的产品，也可能期望生产所花费的生产总成本最小，也可能期望规定的时间期限和花费的生产总成本达到最优时，占一定的比例权重。
根据客户的不同需求，建立选择最优生产商的数学模型。本实施例以使得客户的生产总成本最优为例，建立选择最优生产商的数学模型。假设客户要求在d天内生产a产品n个并且产品质量等级达到b等级。选择m个生产商进行订单分配，每天生产的产品个数分别为n1、n2、...、nm，每生产一个产品所花费的成本分别为l1、l2、...、lm(单位为元)，因此花费的总成本y为：
y＝(n1*l1+n2*l2+…+nm*lm)*d，
且(n1+n2+…+nm)*d≥n。
步骤3：使用免疫算法对选择最优生产商的数学模型进行求解。
使用免疫算法对步骤2中的数学模型
y＝(n1*l1+l2*p2+...+nm*lm)*d
(n1+n2+…+nm)*d≥n
求最优解。具体如下：
步骤3-1：设最优解为m个生产商，使得生产花费的总成本最小。对所有的备选生产商进行编号，则求得的最优解为m个生产商的编号。在免疫算法中，m个生产商的编号看作是一个抗体，多个抗体组成了抗体群。客户可以设置m的值，若客户没有设置m的值，应该寻找m的值使得模型得到最优解。
步骤3-2：此处以客户没有设置m的值为例，求解模型的最优解。设置m的初始值，如设置m的初始值为5，则选择5个生产商进行订单分配。5个生产商的编号是一个抗体，如考虑包含31个备选生产商的问题，从中选取5个作为订单分配的生产商。抗体[2，7，15，21，29]代表一个可行解。它表示编号2，7，15，21，29的生产商被选为订单分配的生产商。
步骤3-3：免疫算法要求在抗体群中寻找一个最优抗体，因此需要产生初始抗体群。随机产生s1个抗体并从中选取s2个抗体构成记忆库，s1个抗体和记忆库中的s2个抗体共同组成了一个抗体数为s的抗体群，其中s＝s1+s2。抗体群即为模型的s组可行解，每一组是m个生产商的编号。
步骤3-4：对步骤3-3抗体群中的各个抗体进行评价。在免疫算法中通过比较抗体与抗原的亲和度(即适应度值计算)和抗体浓度对个体进行评价，此处亲和度的值即y的值，抗体浓度即抗体与抗体群中的其它抗体的相似度。综合亲和度和浓度评价抗体优秀程度，得出繁殖概率p形成父代群体。将初始群体按期望繁殖率p进行降序排列，并取前s1个个体构成父代群体(抗体群)，同时取前s2个个体存入记忆库中。
步骤3-5：判断步骤3-4得到的父代群体的记忆库中的最优个体是否满足模型最优解，若满足，则终止求解；否则对父代群中的抗体进行选择、交叉、变异操作得到新群体，再从记忆库中取出记忆的个体，共同构成新一代群体，然后转去执行步骤3-4，迭代执行j次。若仍然没有达到满意的最优解，则转去执行步骤3-2，重新设置m的初始值，直到寻找到模型的最优解。
试验表明，本发明提供的方法求解结果准确，计算效率高。
以上所述，仅为本发明的较佳实施例，并非对本发明任何形式上和实质上的限制，应当指出，对于本技术领域的普通技术人员，在不脱离本发明方法的前提下，还将可以做出若干改进和补充，这些改进和补充也应视为本发明的保护范围。凡熟悉本专业的技术人员，在不脱离本发明的精神和范围的情况下，当可利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时，凡依据本发明的实质技术对上述实施例所作的任何等同变化的更动、修饰与演变，均仍属于本发明的技术方案的范围内。