zcdsj
/
factory
5
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity
factory/优化算法切入点分析.md

7.6 KiB
Raw Blame History

factory 项目优化算法切入点分析

目的：盘点 factory（玻纤/玻璃管制品生产管理系统）中可以引入运筹学/优化算法的环节， 作为学习与逐步改造的路线图。 结论先说：当前系统几乎全是 CRUD + 简单规则，尚无真正意义上的优化算法； 但多个环节的业务模型已铺好地基，只差把"平均分摊/手工填报"换成"求最优"。

一、优化点总览（按投入产出比排序）

优先级 环节 当前实现 可引入算法 主要落点
★★★ 生产排产调度 总量除天数/工段数，平均分摊 多机调度 / FJSP / CP-SAT apps/pm/services.py:157
★★★ 安全库存补货 字段已备但只做预警，采购纯手工 (s,S) / EOQ / MILP apps/mtm/models.py:101、apps/pum
★★ 合批/批次合并决策 追溯完善，合批时机靠人工 凑批/批量合并优化 apps/wpm/models.py:667,876
★★ 装箱/配载 Pack 模型预留但未启用 bin-packing / 配载 apps/inm/models.py:140,195
★ 人员-工段指派排班 班次静态查表，考勤手工 指派问题 / min-cost flow apps/mtm/models.py:149、apps/hrm
★ 一维下料/切割 仅数量层"切分工序"，无几何排样 cutting-stock（需确认定尺需求） apps/mtm/models.py:22

二、逐项详解

1. 生产排产调度 ★★★（最核心，最值得动）

当前怎么做（apps/pm/services.py:157 PmService.schedue_mtasks）：

  • 排到天：task_count_day = math.ceil(count / rela_days) —— 总量除以天数，平摊。
  • 排到工段：base_demand = count // mgroups_count，余数依次 +1 —— 均分到同工序的多个工段。
  • 留了明确的坑：同一工序有多个工段时，to_day 模式直接报错"工段存在多个"（services.py:243）， 注释写着"先平均分配"（services.py:240）。

差在哪：

  • Mtask 有 priority（优先级 10/20/30，pm/models.py:40）、start_date/end_date（交期）。
  • Route 有 hour_work（工时）、out_rate（出材率）、div_number（切分数）。
  • 工艺是完整的 DAG（mtm/models.py:480 Route.validate_dag，BFS 可达 + DFS 环检测）。
  • 以上字段排产逻辑几乎都没用：平摊既不看产能、不看交期、不看各工段现有负载。
  • 相关：cal_x_task_count()（services.py:17）做 BOM/工艺 DAG 逆向物料需求展开（类 MRP 反算）， 多路线时同样是"平均分配需求"（services.py:51）。

能上什么算法：

  • 入门：带约束的负载均衡指派（填那个"多工段平均分配"的坑）——把 N 件产品分到 M 个工段， 让各工段完工时间最均衡。LPT 贪心 / 多机调度，几十行搞定。
  • 进阶：有限产能排程（FJSP，柔性作业车间调度）——考虑交期、优先级、工段日产能上限。 用 OR-Tools 的 CP-SAT 建模是这个领域最标准的练手项目。

落点：apps/pm/services.py:240 与 :356 的"平均分配"分支。

缺口提示：目前只有 hour_work（单工序工时），没有设备/工段日产能上限模型， 排产不校验产能——要做有限能力排程需先补一个产能字段/表。

2. 安全库存补货 + 采购联动 ★★★（字段已备而未用，最"干净"的起步点）

当前：

  • Material 上已有 count_safe（下限）、count_safe_upper（上限）、 week_esitimate_consume（周消耗预估）三个字段（apps/mtm/models.py:101-103）。
  • 但只用来做低库存筛选预警（apps/mtm/filters.py:40，过滤 count <= count_safe）。
  • 采购计划是各部门纯手工填报（apps/pum/models.py:103 PuPlanItem，注释"因为各部门填写"）。
  • count_safe_upper 和 week_esitimate_consume 已备但排产/采购都未消费。

能上什么算法：

  • (s, S) 再订货点 / EOQ 经济订货批量——字段都齐了，直接算"什么时候补、补多少最省"。 运筹学入门第一课，最适合起步。
  • 进阶：多物料需求汇总 + 供应商分批下单优化（MILP）。

落点：新增一个 service，消费 count_safe_upper + week_esitimate_consume + 在途量。 改动面最小、最独立，适合作为第一个完整跑通的 POC。

3. 合批 / 批次合并决策 ★★（追溯完善，决策靠人工）

  • 拆合批追溯系统已很重：Handover（wpm/models.py:667，含分批/合批类型）、 BatchSt（:786）、BatchLog（:876，split/merge DAG）、直通率回溯脚本 apps/wpm/scripts/batch_gxerp.py（480+ 行）。
  • 但"谁跟谁合、合多少"完全是现场操作工触发，无自动合批决策。
  • 可做凑批/合批批量优化（把零散小批凑成满批，减少批次数/换型）。业务耦合深，建议靠后。

4. 装箱 / 配载 ★★（一块空地）

  • inm.Pack 装箱模型建了但字段注释写着"暂时不用"（apps/inm/models.py:195）。
  • 发货由 MIO 记录（type='sale_out'），无按订单/车辆的配载组合逻辑。
  • 经典 bin-packing / 装箱问题，从零引入的好场景；但业务还没启用，属"锦上添花"。

5. 人员-工段指派排班 ★（班次静态查表）

  • 班次/班组是静态主数据（Shift mtm/models.py:149、Srule :161、Team :168）。
  • Mgroup.get_shift()（:209）只是按打卡时间查表匹配（含跨天夜班判断）， 考勤靠手工登记（apps/hrm/serializers.py:288）。
  • 无"把人/班组最优指派到工段/工序"的逻辑。经典指派问题（匈牙利算法 / min-cost flow）， 但需求不明确，优先级低。

6. 一维下料 / 切割 ★（需确认业务）

  • 工序有 PRO_DIV=20 切分 / PRO_MERGE=30 合并（apps/mtm/models.py:22）， 排产反算里按 div_number 做数量换算（pm/services.py:62）。
  • 这是数量层面的切分，不是几何排样（没有"原料长度→切割方案最小余料"的 cutting-stock 模型）。
  • 若产品有定尺切割需求，才是引入一维/二维下料优化的场景——需先确认。

三、建议的学习路线

目标：边练算法边给系统带来真实价值。建议顺序：

阶段 做什么 学到的算法 难度
起步 #2 安全库存自动补货 (s,S) / EOQ、贪心 ⭐ 改动独立、立竿见影
进阶 #1 把"多工段平均分配"改成负载均衡 LPT 贪心、多机调度 ⭐⭐ 有现成坑可填
登顶 #1 用 OR-Tools CP-SAT 做有限产能排程 约束规划、FJSP ⭐⭐⭐ 行业标准练手项目

工具推荐：Google OR-Tools（CP-SAT 求解器），Python 生态里做排产/装箱/指派最主流的库，中文资料多。

四、关键文件索引

  • 排产核心：apps/pm/services.py:17（MRP反算）、:116（订单→大任务）、:157（大任务→小任务）
  • 任务模型：apps/pm/models.py:19（Utask）、:71（Mtask，含 priority）
  • 工艺 DAG：apps/mtm/models.py:294（RoutePack）、:480（validate_dag）
  • 工序/路线：apps/mtm/models.py:12（Process）、:422（Route）
  • 安全库存：apps/mtm/models.py:101-103、apps/mtm/filters.py:40、apps/mtm/views.py:86
  • 采购：apps/pum/models.py:32（PuPlan）、:101（PuPlanItem）
  • 拆合批：apps/wpm/models.py:667,786,876；脚本 apps/wpm/scripts/batch_gxerp.py
  • 装箱：apps/inm/models.py:140,193,195
  • 排班/班次：apps/mtm/models.py:149,161,209、apps/hrm/models.py:147