1.一种基于 飞行的粒子群算法的生产计划优化方法，其特征是：包括以下步骤：步骤1：建立生产计划模型；

步骤2：初始化参数，该参数包括种群的粒子数N、维度d、学习因子c1和c2、迭代次数ger、初始概率P0、结束概率P1、初始惯性权重ω0和结束惯性权重ω1；

步骤3：初始化粒子的位置，并将粒子的个体最优位置pid设置为当前位置；

步骤4：计算各个粒子的目标函数值，如果fit(xid)优于fit(pid)，则更新pid为xid的当前值，否则pid不变；

其中，fit(xid)和fit(pid)分别为目标函数在xid和pid的适应度值，xid为粒子在当前迭代中第d维的值，pid为粒子在当前迭代过程中第d维的个体最优值；

步骤5：如果fit(xid)优于fit(pgd)，则更新pgd为xid的当前值，否则pgd不变；

其中，fit(pgd)为目标函数在当前全局最优点的适应度值；

步骤6：进行粒子位置更新；

步骤7：判断是否达到最大迭代次数/达到目标函数的收敛精度，若是，则结束，输出结果；若否，返回步骤4。

2.根据权利要求1所述的一种基于 飞行的粒子群算法的生产计划优化方法，其特征是：所述的目标函数如下：式中，n表示生产调度周期，N表示周期集合，s表示产品，S表示产品集合，α,β,γ,δ分别表示所对应种类产品生产费用单价、运输费用单价、短缺费用单价及贮存费用单价，分别表示在调度周期n内产品s的生产量、运输量、短缺量和贮存量。

3.根据权利要求2所述的一种基于 飞行的粒子群算法的生产计划优化方法，其特征是：所述生产计划模型如下：式中， 表示生产调度周期n-1内，产品s的贮存量， 表示调度周期n内产品s的客户订单量， 为产品s的最大生产量。

4.根据权利要求1所述的一种基于 飞行的粒子群算法的间歇式生产计划优化方法，其特征是：所述步骤6中采用加入 飞行的位置更新公式和基本粒子群位置更新公式中的一种位置更新公式对粒子位置进行更新。

5.根据权利要求4所述的一种基于 飞行的粒子群算法的生产计划优化方法，其特征是：所述采用加入 飞行的位置更新公式进行粒子位置更新的概率为P，采用基本粒子群位置更新公式进行粒子位置更新的概率为1-P。概率P的公式如下：式中，P0和P1分别为开始和结束时的概率值，i为当前的迭代次数，ger为总迭代次数。

6.根据权利要求4或5所述的一种基于 飞行的粒子群算法的生产计划优化方法，其特征是：所述加入 飞行的位置更新公式如下：式中，c1和c2是学习因子，为常数；r1和r2为[0,1]内均匀分布的随机数； 和 分别是粒子在第k+1次和第k迭代中第d维的位置，两者均有上下限， 是粒子pi在第k次迭代中第d维的个体最优位置，pgd是种群的第d维的全局最优位置，ω为惯性权重，α0为系数，常取α0＝0.01， 为点乘积，Levy(β)为随机搜索路径，表示服从参数为β的莱维分布，Levy(β)～|t|-β,0＜β≤3。

7.根据权利要求6所述的一种基于 飞行的粒子群算法的生产计划优化方法，其特征是：采用Mantegna对莱维分布进行模拟，表达式如下：式中，μ,v为正态分布，定义μ～N(0,σ2)，v～N(0,1)；

式中，

式中，Γ(·)为Gamma函数，常取β＝1.5。

8.根据权利要求6所述的一种基于 飞行的粒子群算法的生产计划优化方法，其特征是：所述惯性权重ω随着迭代次数增加逐渐减小，其公式如下：式中，ω0和ω1分别为初始和最终的惯性权重值，i为当前的迭代次数，ger为总迭代次数。