老铁们，今天聊个接地气的话题——钢铁行业的排产计划。你可能会想，这跟咱们普通IT人有啥关系？别急，我保证用大白话讲清楚，你听完就能拿去跟客户吹牛。
钢铁厂的生产调度，说白了就是“先轧哪卷钢，后轧哪卷钢”的问题。听着简单？实际上一团乱麻：订单几百个，规格五花八门，设备有检修，交货期有先后，连换辊道都要考虑成本。以前老师傅靠经验排，排完一份计划要几个小时，还经常被销售骂“急单插不进去”。后来我们搞智能调度，用遗传算法把这活儿接了过来。
遗传算法是啥？就像“随机生娃+优胜劣汰”
你千万别被“遗传算法”四个字吓住。它其实就是模拟生物进化：先随机生成一堆排产方案（相当于一群“个体”），然后给每个方案打分（比如成本低、交期准的分就高），接着把高分方案“配对生孩子”，生的孩子会继承父母的优点，偶尔还“变异”一下。这样一代代迭代下去，最后出来的方案就越来越优。
打个比方：你让一群猴子随机敲键盘，敲出来的字肯定乱糟糟。但如果你要求“必须打出莎士比亚”，然后每次都保留离目标最近的几只猴子，让它们“交配”产生新猴子，再让新猴子继续敲……理论上几亿年后能打出名著。遗传算法就是干这事的，只不过我们不用等几亿年，钢厂里跑几百代就够用了。
具体怎么用在排产上？
我拿一个真实项目举例：某热轧厂，每天要排产80多个订单，钢种不同、宽度不同、交货期不同，还得考虑换辊次数（换一次辊耽误半小时，一次成本上万元）。我们用遗传算法，步骤如下：
第一步：把方案“数字化”
每个订单就是一个“基因”，多个订单按顺序排成一串，就是一条“染色体”。比如“订单A→订单B→订单C”就是不方案。随机生成几百个这种顺序串，作为第一代“家长”。
第二步：设计“评分规则”
这是最关键的，得告诉算法什么是好方案。我们定了几个指标：交货期延误时间越短越好、换辊次数越少越好、设备利用率越高越好。每个指标乘上权重，算出总分。比如罚分制：延误一天扣10分，换一次辊扣5分，总分越低越好。
第三步：让方案“生孩子”
挑出总分最低的（也就是最好的）前20%方案，让它们两两配对。比如方案1是A-B-C-D，方案2是D-C-B-A，配对时随机选个“切点”，把前半段从方案1拿来，后半段从方案2拿来，拼成新方案A-B-B-A——但注意！订单不能重复，所以得增加“修复”步骤，把重复的替换成缺失的。
第四步：偶尔“变异”
新方案生成后，以很小的概率随机交换两个订单的位置，或者插入一个虚拟的“换辊”标记。这能避免所有方案都陷入一个局部最优解，比如全排成A-B-C顺序。
第五步：循环迭代
用新方案替代旧方案，重复第二步到第四步，跑上几百代。通常跑个100代左右，总分就收敛了，出来的方案比老师傅手工排的能少换3-5次辊，延误时间缩短30%以上。
真实场景中的坑
你以为遗传算法是万能的？实操中踩了不少坑：
- 评分权重难定：有一次客户说“交期最重要”，结果算法把所有订单都按最早交期排，换辊次数暴增，产线调度员骂娘。后来我们改成“交期权重0.6，换辊权重0.4”，反复试了5版才满意。
- 收敛太快：有时候算法跑几十代就稳了，但那个最优解其实是个“小水坑”，不是“大海”。我们通过增大变异率、让随机初始化的个体更多样化来解决。
- 实时性要求：钢厂排产是日计划，每天跑一次，每次算10分钟以内都行。但如果是车间里的秒级动态调整，遗传算法就太慢了，得换成贪心算法。
说人话总结
遗传算法在钢铁排产里的价值，就是帮你从几万种可能中快速找到“够好”的方案，不追求理论最优，只追求实际能用。它不像深度学习那么玄乎，也不像穷举那么暴力。做IT的同行，如果想给钢铁客户展示技术实力，不妨从这个切入点入手——见效快，故事也好讲。
更多关于钢铁行业智能调度、遗传算法落地的具体方案，可以访问 itfangan.com，那里有一整套从仿真到上线的实战案例，比你闭门造车强多了。