打磨工序排产是多品种单件小批量砂型铸造企业在工人技能水平不同、铸件打磨要求各异等复杂约束条件下,制定最优打磨任务分配方案的决策过程,是铸造企业生产计划的关键一环。打磨工序排产可抽象为并行机调度问题,全体打磨工人构成并行且独立的加工环境,复杂约束下的并行机调度问题属于NP-Hard难题,精确算法难以在可接受时间内获得最优解。针对该问题,现有人工排产模式存在耗时费力、任务分配不均衡、任务要求与工人技能水平不匹配、排产效果不稳定等突出问题,导致企业资源配置不合理、生产效率低下、铸件在部分工人处积压。为此,本文提出一种智能算法辅助排产模式,研究了基于改进遗传算法的铸造企业打磨工序并行机调度数学建模及求解算法,对标准遗传算法提出多个改进策略,并通过不同规模的仿真实验和实际排产效果对比验证了所提出的改进遗传算法的优良性能和智能算法辅助排产模式的显著优势。本文主要研究内容如下:首先,构建了打磨工序智能排产模型。第一步,建立一种打磨工资系数计算方案,根据铸件的类型、重量、材质、表面粗糙度要求、酸洗要求确定一个打磨工资系数,以量化单个铸件的打磨工作量,为打磨任务分配的均衡性提供依据。第二步,利用自然语言推理机制和三角模糊数确定打磨加工用时。第三步,构建以最小化打磨工资系数之和的差异、最小化最大完工时间、最小化工人技能水平与打磨任务要求不匹配程度为优化目标的整数规划数学模型,为打磨工序排产计划求解提供模型基础。其次,提出了基于改进遗传算法的打磨工序并行机调度求解方案。第一步,根据铸件表面粗糙度要求等级和打磨工人的技能等级,对铸件和工人进行划分和组合,生成不同的调度任务子集。第二步,提出改进的遗传算法,采用该算法求解各个任务数据集,得到最优的打磨任务排产方案。遗传算法的改进策略主要包括:采用启发式解码规则优化初始解的质量;设计精英选择算子提高全局搜索能力;使用海明交叉算子防止近亲相交;在变异算子中嵌入禁忌搜索算法增加局部搜索能力等。最后,进行了算法改进策略对比测试、多个算法性能对比测试和实际排产效果验证。第一步,将标准遗传算法与不同的改进策略组合,构成多个遗传算法变体,对比测试各个变体在求解不同规模仿真实验时的性能指标;第二步,对比测试改进遗传算法和其它四种典型算法在求解不同规模仿真实验时的性能指标;第三步,对比分析某典型铸造企业在不同时间段内,智能算法辅助排产模式和人工排产模式的实际排产效果。改进策略对比实验显示,在相对百分比偏差这一指标上,所提出的四种改进策略对标准遗传算法的优化率分别为:6.6%、22.9%、23.2%、55.6%,总体优化率达到72.8%。多算法对比实验显示,改进遗传算法在收敛速度、求解精确度、求解速度和稳定性等方面均显著优于其它四种算法。实际排产结果显示,相对于人工排产模式,改进遗传算法辅助排产模式的排产用时从平均7分钟降至2.5秒,在打磨系数之和的标准差、最大完成时间、平均匹配系数三个指标上的平均优化率分别达到93.5%、33.6%、41.9%,有效实现了打磨排产的高效性、稳定性以及排产方案的均衡性和匹配性。