一種卷煙輔料智能要料方法

摘" 要：為保障車間機組生產的輔料供給，需要研究供應鏈管理中以需求拉動生產的模式，用車間機臺的生產計劃拉動輔料配盤供應，使得輔料配盤供應能夠準確、及時地供給到車間機臺。該問題是輔料供應鏈管理系統的核心問題，而關鍵就在于輔料供應鏈管理系統對輔料的協同調度能力。該文通過對輔料供應鏈協同管理模型的建立與數字仿真，使用改進食肉植物算法建立模型，以單據為驅動實現輔料智能協同管理，滿足輔料配盤精確及時供應的需求，最大限度地利用輔料物流資源，節約物流成本，減少人工工作量。

關鍵詞：輔料;配盤;高架庫;食肉植物算法;智能物流

中圖分類號：TS452" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2025）11-0028-05

Abstract： In order to ensure the supply of auxiliary materials produced by workshop units， it is necessary to study the demand-driven production model in supply chain management， and use the production plan of workshop machines to drive the supply of auxiliary materials， so that the supply of auxiliary materials can be accurately and timely supplied to workshop machines. This issue is the core issue of the accessory supply chain management system， and the key lies in the accessory supply chain management system's collaborative scheduling ability for accessories. Through the establishment and digital simulation of the collaborative management model of the accessory supply chain， this paper uses the improved carnivorous plant algorithm to establish the model. Intelligent collaborative management of accessories is realized driven by documents， which meets the need for accurate and timely supply of accessories and makes maximum use of accessories logistics resources， saves logistics costs， and reduces manual workload.

Keywords： excipient; plate matching; elevated warehouse; carnivorous plant algorithm; intelligent logistics

在卷煙生產領域，輔料管理至關重要。然而傳統管理方式已難以滿足精細化生產需求，尤其是輔料供應環節，其流程復雜，物料流向多樣，若管理不善，易影響生產連續性。因此，本文構建了一種卷煙輔料智能要料方法，通過引入改進的食肉植物算法，優化輔料管理，實現輔料供應的智能化升級。

1" 相關概念

1.1" 智能要料計劃模型

輔料入庫區可簡單分為輔料卸貨區、輔料配盤區、輔料高架庫3部分。輔料卸貨區將貨車上運輸來的單品種輔料堆碼到托盤上，形成實托盤，運送至輔料配盤區。能直接供機組使用的輔料直接進入輔料平衡高架庫存放。需配盤的輔料根據生產實際情況有2種操作方式，一是當場完成配盤并進入輔料平衡高架庫，二是先進入輔料一級高架庫暫存，需要配盤時再抽調出庫完成配盤，最后進入輔料平衡高架庫。當高架庫中的空貨位數量為0時，即使當天需要入高架庫的輔料還未配盤完畢，配盤區也不繼續配盤，剩余輔料以零散的形式暫存在配盤區（表1）。

以配盤區每天工作結束后每種輔料的庫存量Pkij最小為優化目標，建立單目標優化模型如下

輔料配盤過程中各個環節輸出信息的函數表達如下。

1）配盤區調撥出庫單（即輔料立庫的入庫單），包括配盤編號，配盤托盤數量。具體計算公式如下

2）配盤區調撥入庫單，包括物料編碼、物料數量。

配盤區第i天需要調撥入庫的輔料數量等于配盤區第i天需要出庫的輔料數量減去第i-1天配盤區庫存的輔料數量，具體表達如下

3）輔料一級庫的調撥出庫單，包括物料編碼、物料數量。

輔料一級庫第i天需要調撥出庫的輔料數量由配盤區第i天需要配盤入庫的輔料數量決定，當一級庫第i-1天的輔料庫存不足以滿足調撥需求時，由第i天臨時調撥進行補足，三者之間的關系表達如下

4）每天調撥任務完成后一級庫的庫存信息，包括物料編碼、物料數量，表達式如下

5）每天調撥任務完成后配盤區的庫存信息，包括物料編碼、物料數量。配盤區每天配盤的數量不超過該天高架庫中的空貨位數量，當達到配盤數量上限時（空貨位數），剩下的輔料即使還能滿足配盤標準，也不繼續進行配盤，而是以零散的形式庫存在配盤區，所以配盤區不存在庫存的托盤。配盤區輔料庫存具體計算公式如下

1.2" 約束條件

約束條件1：第i天入高架庫的托盤數小于等于第i-1天工作結束后高架庫的空貨位數。

約束條件2：第i天一級庫的出庫量要小于第i-1天工作結束后一級庫的庫存量。

約束條件3：第i天輔料j的調撥數量大于等于配盤區輔料j的入庫量大于等于一級庫種輔料j的出庫數量。

約束條件4：臨時調撥的物料量小于等于當天送達的物料量。

約束條件5：在第i天的任務中用不同配盤標準進行配盤的輔料j的數量之和不能超過該天輔料j的總數量。

2" 輔料配盤優化模型的算法流程

通過對已有研究的分析對比，發現食肉植物算法（CPA）在解決輔料調撥問題方面具有較好的適應性，求解性能較優，因此，本課題中采用此種算法進行問題求解。雖然CPA在求解該類問題時具有較好的可行性與適應性，但以往的研究表明，他們在求解穩定性、尋優范圍等方面仍存在不足。

為了彌補這些不足，對標準的CPA算法進行了改進，通過引入柯西變異策略、自學習策略、融合CPA和MA（蜉蝣算法，Mayfly algorithm）的更新策略設計了改進食肉植物算法（ICPA）求解輔料調撥優化模型，以實現更快尋優、更準求解的目的。ICPA算法的流程圖如下，其中輸入參數為一級庫到貨記錄（物料種類、物料數量、入庫日期）、庫存信息（包括輔料一級庫、輔料配盤區、輔料立庫）、生產計劃、成品BOM、配盤信息（配盤編號、輔料種類、物料數量）、出入庫能力、庫存保障時間，預設迭代次數M為300次（圖1）。

將相關物理量輸入后，設置算法的相關參數取值即圖1中的①應該包含種群數、學習因子和慣性權重等參數取值情況。

根據近3天的生產計劃確定立庫中需要補充的物資種類及數量，即需要從一級庫調撥的貨物，假設存在N種配盤方式，令A=[1，1，1，0，0，…，1]，A是1×N的矩陣，列索引號表示配盤標準，“1”表示采用對應列索引號的標準進行配盤，即A表示采用第1、2、3、…、N中配盤標準進行配盤。按照上述方式進行編碼，生成②中的初始可行解。

在圖1的③中根據一級庫調撥物資和配盤標準計算滿足物資調撥需求情況下配盤區的庫存。計算初始解的目標函數值后，找出初始狀態下的局部最優解，即圖中的④。不斷迭代，每次迭代都需要按照一定的迭代機制更新種群位置，如圖1中的⑤，其中在圖1中提到的算法對應的迭代機制是采用無質量的粒子代替鳥，并讓粒子擁有位置和速度2個屬性，然后根據自身已經找到的距離食物最近的解和參考整個共享于整個集群中找到的最近的解去改變自己的飛行方向，最后可發現，整個集群大致向同一個方向聚集。而這個地方是距離食物最近的區域，條件好的話就會找到食物，即找到最優解。

3" 仿真實驗設計

本實驗過程中擬使用的相關數據有：2022年2月底高架庫庫存，2022年3月份高架庫入庫數據、配盤標準、采購入庫單、物料收發匯總表-一級庫庫存。

如圖2所示，已知庫存量、生產計劃需求量、配盤標準等數據，求解輔料調撥過程中各環節的出入庫方案，具體步驟如下。

步驟1：計算要滿足第i天的生產計劃需要從配盤區調入到高架庫中的輔料j的數量。根據需要調入的輔料種類及數量選擇配盤標準;根據配盤標準計算配盤的托盤數以及配盤區剩余的輔料種類和數量。

步驟2：計算要滿足第i天的生產計劃需要調入到配盤區的輔料j的數量。根據配盤區i-1天的輔料庫存量及第i天需要從配盤區調入到高架庫中輔料數量計算配盤區的調入量。

步驟3：計算要滿足第i天的生產計劃需要從一級庫調入到配盤區的輔料j的數量。根據配盤區i-1天的輔料庫存量及第i天需要從配盤區調入到高架庫中輔料數量計算配盤區的調入量。

4" 結束語

本文提出了一種基于改進食肉植物算法的卷煙輔料智能要料方法，可以提高輔料要料的智能化，實現對卷煙輔料需求量的精確預測與智能化調配，并以單據為驅動實現了輔料供應鏈的智能化協同管理。

參考文獻：

[1] 邵書音，羅志雪，湯圣楠，等.卷煙工廠物料數字化管理模型與應用[J].現代信息科技，2020，4（22）：144-148.

[2] 黃文珍.卷煙工業企業成品及輔料庫柔性化倉儲方案設計[J].今日自動化，2021（9）：88-89.

[3] 劉丁銓，高俊濤.基于食肉植物算法的狀態序列搜索[J].計算機系統應用，2023，32（3）：232-237.