[發明專利]一種基于改進離散教與學算法的熱處理爐次計劃求解方法

在審

• 申請號: 201810879229.5
• 申請日: 2018-08-03
• 公開（公告）號: CN109255152A
• 公開（公告）日: 2019-01-22
• 發明（設計）人: 周建新;計效園;張明珠;葉虎;殷亞軍;沈旭;武博
• 申請（專利權）人: 華中科技大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/00
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 周磊;曹葆青

1.一種基于改進離散教與學算法的熱處理爐次計劃求解方法，其特征在于，包括以下步驟：

1)建立熱處理爐次計劃的數學模型；

2)從待制定熱處理爐次計劃的鑄件集合中產生不同的鑄件候選集合；

3)通過在教與學算法中引入歷史種群和交叉算子來獲得改進離散教與學算法，采用該改進離散教與學算法求解步驟1)中的數學模型，從而獲得每個鑄件候選集合的爐次計劃，選取最優的爐次計劃作為最終爐次計劃，該最終爐次計劃對應的鑄件為已計劃鑄件；

4)判斷當前制定計劃的爐次數是否達到設定的爐次數，如果是，則結束爐次制定計劃，如果否，則進入步驟5)；

5)從鑄件集合移除已計劃鑄件，并重復步驟2)～步驟4)，獲得所需的多個熱處理爐次計劃。

2.根據權利要求1所述的一種基于改進離散教與學算法的熱處理爐次計劃求解方法，其特征在于，步驟1)中建立的數學模型如下：

約束條件如下：

X_ij≤X_jj (5)

X_ij∈{0,1} (6)

其中，Z為目標函數；

i,j：鑄件的編號值，i＝1,2,...,N，j＝1,2,...,N；

N：待制定熱處理爐次計劃的鑄件集合中的鑄件總數；

P：要計劃的熱處理爐數；

G：熱處理爐的最大容量，單位為千克；

L：熱處理爐的最低裝載量，單位為千克；

g_i：鑄件i的重量，單位為千克；

T_i：鑄件i距離交貨期的剩余時間，單位為天；

p：熱處理爐的單位容量未利用造成的費用；

C_ij：鑄件i與鑄件j之間不匹配造成的費用；

C_i′：鑄件i的交貨期延遲費用；

決策變量：

3.根據權利要求1所述的一種基于改進離散教與學算法的熱處理爐次計劃求解方法，其特征在于，步驟2)中，產生不同的鑄件候選集合的步驟如下：

2.1)對待制定熱處理爐次計劃的鑄件集合中，按照鑄件熱處理冷卻方式分類，記每個類別的鑄件集合為S_n,n＝1,2,3...M，M為類別總數；

2.2)選取一個鑄件集合S_n，獲得其包含鑄件的熱處理工藝溫度分布范圍[l_i,h_i]，記鑄件集合S_n中鑄件的熱處理工藝溫度最大差額為d_n，設定溫度起始點為t＝l_i+d_n/2，溫度步長為s；

2.3)對于鑄件集合S_n，生成一個可能鑄件候選集合，其溫度范圍為[t-d_n/2,t+d_n/2]；

2.4)判斷該可能鑄件候選集合的t+d_n/2>h_i是否成立，若否，將其作為一個鑄件候選集合，令t＝t+s并返回到步驟3)，若是，則進入步驟5)；

2.5)遍歷所有的鑄件集合，從而獲得不同的鑄件候選集合。

4.根據權利要求1所述的一種基于改進離散教與學算法的熱處理爐次計劃求解方法，其特征在于，步驟3)中，改進的離散教與學算法對鑄件候選集合進行爐次計劃的具體求解過程如下：

3.1)確定算法參數：設置學生數量NP，迭代次數G和每個學生的向量維度D，并且D等于鑄件候選集合中鑄件數；

3.2)初始化學生種群P和歷史種群hP，其中，X_i為種群P中第i個學生，i＝1,2,3,…,NP，X_i的每個元素記為X_i,j，j＝1,2,3,…,D，hX_i為種群hP中第i個學生，hX_i的每個元素記為hX_i,j，初始化迭代期t＝0；

3.3)進入教學階段：評估當前學生種群P，選取學生最優者作為老師X_teacher，然后計算學生種群P的平均個體X_mean，該平均個體X_mean為班級中學習成績最接近平均成績的學生；

然后基于位置的交叉對X_teacher和X_mean進行交叉，選擇X_mean的子代作為差異個體Diff_mean：

Diff_mean＝PBX(X_mean,X_teacher) (7)

其中，PBX為基于位置的交叉；

對于種群P中各個學生X_i，利用部分映射交叉或兩點次序交叉，通過學生X_i與差異個體Diff_mean計算出新個體newX_i，新個體new₁X_i為交叉子代中的較優者；每個學生X_i作為一個個體，評估新個體new₁X_i，如果新個體new₁X_i優于當前個體，則使用新個體new₁X_i替換當前個體，即：

其中，PMX為部分映射交叉，TP為兩點次序交叉；

3.4)進入自反饋學習階段：評估當前個體X_i與其對應的歷史個體hX_i，如果當前個體X_i優于歷史個體hX_i，利用部分映射交叉或兩點次序交叉，通過當前個體X_i與歷史個體hX_i計算出新個體new₂X_i，新個體new₂X_i為交叉子代中的較優者；當新個體優于當前個體時，用新個體new₂X_i替換當前個體，即：

3.5)進入學習階段：對于每個個體X_i，隨機選擇一個不同的個體X_k作為其學習伙伴，其中k≠i，利用部分映射交叉或兩點次序交叉，通過個體X_i與個體X_k計算出新個體new₃X_i：當新個體new₃X_i優于當前個體時，用新個體更新當前個體，即：

3.6)進入交叉與變異階段，通過隨機打亂歷史種群hP的個體順序產生亂序的歷史種群rhP，然后歷史種群和當前種群通過基于位置的交叉生成新種群：

newX_i＝PBX(X_i,rhX_i)i＝1,2,…,NP (11)

其中，PBX為基于位置的交叉，rhX_i為種群rhP中第i個學生；

對新種群中的各個個體分別進行評估，如果優于當前個體，新種群中個體將替換當前個體；

最后，按如下方式更新歷史種群：

3.7)更新全局最優解，并令t＝t+1，并重復步驟3)～步驟6)，直到t達到最大迭代次數；

將最后得到數學模型中目標函數的最優解作為該鑄件候選集合的爐次計劃。