[發(fā)明專利]基于混合算法的熔煉車間生產(chǎn)和運輸協(xié)同優(yōu)化方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110759993.0
• 申請日: 2021-07-05
• 公開（公告）號: CN113657642B
• 公開（公告）日: 2023-09-01
• 發(fā)明（設(shè)計）人: 孔敏;李菊;譚衛(wèi)民;張廷龍;朱兵
• 申請（專利權(quán)）人: 安徽師范大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/006;G06N3/126
• 代理公司: 北京久誠知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11542
• 代理人: 翟麗紅

本發(fā)明提供一種基于混合算法的熔煉車間生產(chǎn)和運輸協(xié)同優(yōu)化方法及系統(tǒng)，涉及車間調(diào)度優(yōu)化技術(shù)領(lǐng)域。本發(fā)明針對熔煉車間的生產(chǎn)和運輸協(xié)同優(yōu)化問題，提出了基于BRKGA算法和TSA算法的混合算法。首先基于隨機鍵的編碼方式將航空部件編號和實數(shù)編碼一一對應(yīng)，確定部件的熔煉和運輸順序，其次利用模具箱載滿原則，從而計算所有部件從0到運輸?shù)较乱浑A段前的跨度，并由此計算Tc。然后，依據(jù)BRKGA算法的基本思想，隨機初始化染色體種群，通過種群分類、基于TSA算法的交叉和變異操作，不斷對染色體種群進行迭代更新，最終求得近似最優(yōu)解。本技術(shù)方案使得求解過程更加高效準(zhǔn)確，提高了企業(yè)的生產(chǎn)效率，降低企業(yè)能源消耗。

技術(shù)領(lǐng)域

本發(fā)明涉及熔煉車間優(yōu)化調(diào)度技術(shù)領(lǐng)域，具體涉及一種基于混合算法的熔煉車間生產(chǎn)和運輸協(xié)同優(yōu)化方法及系統(tǒng)。

背景技術(shù)

熔煉車間為帶有真空感應(yīng)熔煉爐的生產(chǎn)車間，其熔煉對象一般為航天航空等高端宇航裝備亟需的特殊鋼和合金等材料。熔煉車間的流程可以概括為給料、熔煉、澆鑄、冷卻、運輸?shù)拳h(huán)節(jié)，如何針對該流程提出合理的多級作業(yè)的聯(lián)動優(yōu)化調(diào)度方案，不僅可以提高企業(yè)生產(chǎn)效率，還能降低企業(yè)能源消耗，對于企業(yè)意義重大。

目前，對于熔煉車間的多級作業(yè)的聯(lián)動優(yōu)化調(diào)度方案，一般都是根據(jù)實際生產(chǎn)需要，設(shè)定一個目標(biāo)函數(shù)，然后利用相關(guān)算法(如遺傳算法等)對熔煉車間的流程進行優(yōu)化，從而獲得最終優(yōu)化結(jié)果，并按照這個優(yōu)化結(jié)果執(zhí)行生產(chǎn)調(diào)度。

然而，目前在對熔煉車間的多級作業(yè)的聯(lián)動優(yōu)化調(diào)度方案進行求解時，所運用的算法存在一定的缺陷，導(dǎo)致優(yōu)化調(diào)度結(jié)果求解效率低，或者求解結(jié)果不夠準(zhǔn)確。例如，偏隨機鍵遺傳算法(Biasedrandom-key?genetic?algorithm，BRKGA)，雖然能夠在一定程度上避免算法過早地收斂，但其并沒有引入最優(yōu)解的導(dǎo)向功能，在一定程度上影響了算法的收斂速度；而樹種算法(Tree-seed?algorithm，TSA)，其雖然能夠有效地控制算法的搜索方向，但算法在運行后期難以避免會陷入局部最優(yōu)的困境。基于此，本發(fā)明擬提出一種基于混合算法的熔煉車間生產(chǎn)和運輸協(xié)同優(yōu)化調(diào)度方法，以解決現(xiàn)有熔煉車間在多級作業(yè)聯(lián)動優(yōu)化調(diào)度時存在優(yōu)化調(diào)度結(jié)果求解效率低且不準(zhǔn)確的問題。

發(fā)明內(nèi)容

(一)解決的技術(shù)問題

針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于混合算法的熔煉車間生產(chǎn)和運輸協(xié)同優(yōu)化方法及系統(tǒng)，解決了現(xiàn)有熔煉車間的多級作業(yè)聯(lián)動優(yōu)化調(diào)度技術(shù)存在優(yōu)化調(diào)度結(jié)果求解效率低且不準(zhǔn)確的問題。

(二)技術(shù)方案

為實現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實現(xiàn)：

第一方面，本發(fā)明首先提出了一種基于混合算法的熔煉車間生產(chǎn)和運輸協(xié)同優(yōu)化方法，所述方法包括：

S1、初始化BRKGA算法和TSA算法的相關(guān)參數(shù)以及種群；所述相關(guān)參數(shù)包括BRKGA算法的種群規(guī)模N、精英個體比例α、變異個體比例β、變異概率δ，基于TSA算法的迭代算子中樹種產(chǎn)生比例γ，搜索趨勢控制參數(shù)ST，算法運行過程中產(chǎn)生新解的最大個數(shù)Mit；航空部件當(dāng)前批次數(shù)k＝1；第k批航空部件的開始熔煉時間start_k＝0；熔煉車間共需要處理的航空部件的個數(shù)n；載有模具的冷卻室最多可以同時放置的模具的個數(shù)m；第l個航空部件的模具大小s_l，其中，l＝1,2,...,n；熔煉爐內(nèi)坩堝容量V；單位尺寸的冷卻時間p_l，其中，l＝1,2,...,n；單位時間內(nèi)熔煉車間的能耗c；

S2、計算當(dāng)前種群內(nèi)各個染色體的適應(yīng)度函數(shù)值，并將適應(yīng)度函數(shù)值最好的α個個體劃分為精英個體組，剩余個體劃分為非精英個體組；

S3、保留所述精英個體，并對所述非精英個體組執(zhí)行基于TSA算法的交叉操作；

S4、計算更新后種群內(nèi)各個染色體的適應(yīng)度函數(shù)值，并將更新后適應(yīng)度函數(shù)值處于倒數(shù)βN個的所述更新后非精英個體組執(zhí)行基于TSA算法的變異操作；