[發明專利]一種應用于車間計劃投產的多保真仿真優化方法及設備

有效

• 申請號: 202010245660.1
• 申請日: 2020-03-31
• 公開（公告）號: CN111445079B
• 公開（公告）日: 2022-07-05
• 發明（設計）人: 岳磊;管在林;張正敏;王創劍;周洋;田亞娟
• 申請（專利權）人: 華中科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/04;G06N3/12
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 尚威;李智

1.一種應用于車間計劃投產的多保真仿真優化方法，其特征在于，該方法具體包括以下步驟：

步驟1、建立實際生產系統投產問題的高保真仿真模型與低保真仿真模型，高保真仿真模型運行方案X獲得的運行結果記為h(X)，低保真仿真模型運行方案x獲得的運行結果記為l(x)；

步驟2、使用低保真仿真模型進行GA搜索，從而對具體投產問題進行低保真大致解空間搜索，獲得低保真搜索解空間集；

步驟3、將步驟2的低保真搜索解空間集按照解的優劣進行重排序；

步驟4、從重排序后的解空間集中抽樣形成最佳抽樣子集；

步驟5、使用高保真模型運行最佳抽樣子集N_j并選出最佳方案，獲得最佳投產計劃；

所述步驟1包括如下子步驟：

步驟1.1：根據實際生產系統的生產運作與工藝流程特征建立真實場景的高保真仿真模型，并根據生產實際在高保真仿真模型中設置運行過程中的調度規則及相關參數；

步驟1.2：對實際生產系統的生產運作與工藝流程特征進行簡化，保留系統中瓶頸問題的建模，其他非關鍵工序與資源使用無限產能替代，獲得低保真仿真模型；將低保真仿真模型中的調度規則與相關參數設置成與高保真仿真模型相同；

所述步驟2包括如下子步驟：

步驟2.1：設置低保真搜索總預算數量M_max，GA種群數量P，初始化進化代數為r＝0；

步驟2.2：生成初始種群的解決方案集{x_r1，x_r2，...，x_rp}，x_rp表示第r代進化得到的第p個解決方案；使用低保真仿真模型運行并得到解集{l(x_r1)，l(x_r2)，...，l(x_rp)}，l(x_rp)是x_rp對應的低保真仿真解；

步驟2.3：設置進化代數為r＝r+1；解集{l(x_r1)，l(x_r2)，...，l(x_rp)}使用精英選擇規則選取交叉種群1，然后將解集{l(x_r1)，l(x_r2)，...，l(x_rp)}順序打亂，使用精英選擇規則選取交叉種群2，使用交叉種群1和交叉種群2進行遺傳進化，獲得新的方案解集x_r＝{x_r1，x_r2，...，x_rp}；

步驟2.4：判斷低保真搜索預算是否已經用完，即判斷是否有r*P＜M_max，如果不等式成立，重復步驟2.3，否則轉到步驟2.5；

步驟2.5：將進化過程中的所有方案收集起來形成低保真搜索方案集{x₁，x₂，...，x_r，...，x_M}，M是解的總數量，并獲得對應的低保真搜索解空間集{l(x₁)，l(x₂)，...，l(x_r)，...，l(x_M)}；

步驟2.3中的精英選擇規則如下：順次挑選種群中未被挑選的兩個個體，將兩個個體的結果進行比較，選擇出更好的個體，直到種群中所有的個體均被挑選過；

步驟2.3中的遺傳進化方法如下：使用遺傳算法中的染色體交叉和變異思想，使用兩點交叉的方式將兩個方案進行交叉操作，實現全局搜索，使用單點變異方式將兩個方案進行變異操作，實現鄰域搜索；

步驟3包括如下子步驟：

步驟3.1：序數轉換

將低保真搜索解空間集{l(x₁)，l(x₂)，...，l(x_M)}根據解的大小進行排序，形成結果由好到次的序數轉換后的解空間集{l(x_OT1)，l(x_OT2)，...，l(x_OTM)}；

步驟3.2：將序數轉換后的解空間集{l(x_OT1)，l(x_OT2)，...，l(x_OTM)}均勻分為K個子集Θ_j，j＝1，...，K，則每個子集Θ_j中包含N個解，M＝N*K；

步驟4中采用如下最佳抽樣策略進行抽樣：

步驟4.1：設置高保真搜索預算N_max，初始樣本數量N₀和總增量樣本數Δ；設置進化代數為r＝0；

步驟4.2：在每個子集Θ_j中隨機選擇個樣本并通過高保真仿真模型運行得到一共K組運行結果；

步驟4.3：如果則跳轉到步驟4.5，否則增加Δ個預算，根據公式和計算獲得每個子集新的預算結果j，b，l＝1，...，K；每個子集新增的預算數量為δ_b，j表示子集Θ_b和Θ_j之間的平均差，δ_b，l表示子集Θ_b和Θ_l之間的平均差，σ_j表示Θ_j的標準差，σ_l表示Θ_l的標準差，σ_b表示Θ_b的標準差，N_l表示分配給Θ_l的高保真度評估預算的數量；

步驟4.4：從子集Θ_j中繼續隨機選擇N_rj個樣本，分別為每個增加N_rj個樣本；設置進化代數為r＝r+1，重復步驟4.3；

步驟4.5：獲得每個子集Θ_j對應的最佳抽樣子集N_j。