CN103489031A - 一种化工生产中原料蒸发过程的优化调度方法 - Google Patents

一种化工生产中原料蒸发过程的优化调度方法 Download PDF

Info

Publication number
CN103489031A
CN103489031A CN201310404146.8A CN201310404146A CN103489031A CN 103489031 A CN103489031 A CN 103489031A CN 201310404146 A CN201310404146 A CN 201310404146A CN 103489031 A CN103489031 A CN 103489031A
Authority
CN
China
Prior art keywords
raw material
population
scheduling
raw
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201310404146.8A
Other languages
English (en)
Inventor
钱斌
李作成
胡蓉
罗蓉娟
历莉
李子辉
张桂莲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201310404146.8A priority Critical patent/CN103489031A/zh
Publication of CN103489031A publication Critical patent/CN103489031A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Feedback Control In General (AREA)

Abstract

本发明涉及一种化工生产中原料蒸发过程的优化调度方法，属于化工生产过程智能优化调度技术领域。本发明通过确定原料蒸发过程调度模型和优化目标，并使用基于自适应分布估计算法的优化调度方法对优化目标进行优化；其中调度模型依据每台蒸发设备上所加工原料的最早完工时间来建立，优化目标为最小化最早完工时间。本发明使得化工生产中原料蒸发过程的表达清晰准确；使得EDA算法具有自适应学习能力；使得EDA可以有效克服对学习速率较敏感和依赖的不足；有利于充分利用优秀个体的信息来指导搜索方向，进而使得算法的搜索宽度和深度得到合理平衡，可有效提高解的质量。

Description

一种化工生产中原料蒸发过程的优化调度方法
技术领域
本发明涉及一种化工生产中原料蒸发过程的优化调度方法，属于化工生产过程智能优化调度技术领域。
背景技术
随着全球经济的快速增长，流程工业的发展程度已成为衡量国家工业水平的重要指标。化工生产是流程工业最重要的组成部分之一，化工生产通过对原材料进行相应的物理和化学加工，进而实现原材料价值的升值。在化工生产中，主要包括过滤、萃取、结晶和蒸发等基本操作，其中蒸发操作应用的场合最广。蒸发过程常用于原料的初步处理中，根据文献调研，大约有90%左右的化工原料初步处理都需要使用蒸发操作，原料的处理的速度和质量将直接对后续的深加工产生重要影响，对整个系统结构的优化升级具有重要意义。因此，化工生产中原料蒸发过程的优化调度具有重要研究价值。
在化工原料蒸发过程中，需根据原料的性质使用并行间歇蒸发设备对原料进行加热操作，进而得到符合工艺要求的待加工半成品，以便进行后续工序的深加工。不同原材料可以在多台蒸发设备中的任意一台上加工，而每台蒸发设备在加工完一种原材料后，需要一定的转换时间进行清洗和调整，才能继续加工另外一种原材料，同时转换时间取决于原材料之间的加工顺序，调度目标是找到一个合理的加工顺序，使得最早完工时间（makespan）极小化。该过程调度属于带序相关转换时间的并行机调度问题。业已证明，该问题属于NP (Non-Polynomia1)完全问题，无法在多项式时间内求得精确解，求解规模随问题的增大呈指数增长，在理论和应用上均具有较高研究价值。
由于原料蒸发过程调度问题属NP完全范畴，传统的数学规划方法和启发式构造性方法无法保证解的优化质量。因此，本发明设计了一种基于自适应分布估计算法（Adaptive Estimation of Distribution Algorithm，AEDA）的优化调度方法，可在较短时间内获得化工生产中原料蒸发过程调度问题的近似最优解。
发明内容
本发明所要解决的技术问题是在较短时间内获得化工生产中原料蒸发过程调度问题的近似最优解的问题，提供了一种化工生产中原料蒸发过程的优化调度方法。
本发明的技术方案是：一种化工生产中原料蒸发过程的优化调度方法，通过确定原料蒸发过程调度模型和优化目标，并使用基于自适应分布估计算法的优化调度方法对优化目标进行优化；其中调度模型依据每台蒸发设备上所加工原料的最早完工时间来建立，优化目标为最小化最早完工时间C max ： 
Figure 2013104041468100002DEST_PATH_IMAGE002
Figure 2013104041468100002DEST_PATH_IMAGE004
Figure 2013104041468100002DEST_PATH_IMAGE006
式中：
Figure 2013104041468100002DEST_PATH_IMAGE008
表示第j台蒸发设备上加工的第i种原料和第i+1种原料的开始加工时间之差，T j 为第j台蒸发设备上加工的原料总数，P(i,j)为第j台蒸发设备上加工第i种原料的加工时间，
Figure 2013104041468100002DEST_PATH_IMAGE010
为设备j上原料i与i-1之间的转换时间，i=1,…,n，j=1,…,m，n表示待加工的原料总数，m表示蒸发设备的数量，
Figure DEST_PATH_IMAGE012
表示待蒸发的原料排序；调度的目标为在所有待蒸发的原料排序的集合
Figure DEST_PATH_IMAGE014
中找到一个
Figure DEST_PATH_IMAGE016
，使得最早完工时间
Figure DEST_PATH_IMAGE018
最小。
所述优化调度方法的具体步骤如下：
A、编码方式：以待加工原料排序进行编码；其中n表示待加工的原料的总数；
B、种群和概率矩阵的初始化：种群规模为M，采用随机方法产生初始化种群，直至初始解的数量达到种群规模的要求；采用n×n阶的概率矩阵作为算法的概率模型： 
Figure DEST_PATH_IMAGE022
式中：gen表示算法运行代数，初始化时gen=1；元素
Figure DEST_PATH_IMAGE024
表示原料排序编码
Figure 161218DEST_PATH_IMAGE020
中的第j个元素
Figure DEST_PATH_IMAGE026
取值为i的概率，均取值为1/n；第j列中的所有元素
Figure DEST_PATH_IMAGE030
满足
Figure DEST_PATH_IMAGE032
；n为待加工原料总数；
C、通过自适应调节策略计算学习速率：首先将当前为止得到的迭代过程中的解所获得的改进的次数之和N i 及当前总的迭代次数N t 作除，得到改进比IT，然后根据IT与所设阈值IT 0之间的关系计算学习速率LR：
Figure DEST_PATH_IMAGE034
式中：LR_max为学习速率的最大值取值为0.1；LR_min为学习速率的最小值取值为0.02；
D、使用双精英个体协同合作策略，构造当前采样概率矩阵：采用两个概率矩阵
Figure DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE038
积累优势个体的历史信息，两个概率矩阵分别使用当代种群的双精英个体进行更新；双精英个体相互合作构造采样概率矩阵M sample (gen)：
Figure DEST_PATH_IMAGE040
E、采样产生新的种群：采用轮盘赌的方式对M sample (gen)进行采样并产生新一代种群；
F、终止条件：设定终止条件的最大迭代次数为200，如果满足，则输出“最优个体”；否则转至步骤C，反复迭代，直到满足终止条件。
所述种群规模设置为50。
所述改进比IT的阈值IT 0设置为0.1。 
本发明的工作原理是：
步骤1：建立PSR过程调度模型和优化目标。
调度模型依据每台蒸发设备上所加工原料的最早完工时间来建立，优化目标为最小化最早完工时间C max ： 
Figure 321548DEST_PATH_IMAGE002
Figure 349547DEST_PATH_IMAGE004
Figure DEST_PATH_IMAGE042
Figure 468812DEST_PATH_IMAGE006
式中：
Figure 596168DEST_PATH_IMAGE008
表示第j台蒸发设备上加工的第i种原料和第i+1种原料的开始加工时间之差，T j 为第j台蒸发设备上加工的原料总数，P(i,j)为第j台蒸发设备上加工第i种原料的加工时间，
Figure 495991DEST_PATH_IMAGE010
为设备j上原料i与i-1之间的转换时间，i=1,…,n，j=1,…,m，n表示待加工的原料总数，m表示蒸发设备的数量，表示待蒸发的原料排序；调度的目标为在所有待蒸发的原料排序的集合
Figure 301453DEST_PATH_IMAGE014
中找到一个
Figure 599711DEST_PATH_IMAGE016
，使得最早完工时间
Figure 986830DEST_PATH_IMAGE018
最小；其中，前2式为任意原料的排序
Figure 294314DEST_PATH_IMAGE012
对应的最早完工时间计算公式，后2式表示在所有蒸发原料排序的集合
Figure 184910DEST_PATH_IMAGE014
中找到最优排序
Figure 919648DEST_PATH_IMAGE016
，使得
Figure 528483DEST_PATH_IMAGE018
最小。
步骤2：解的表达。
编码是指建立反映问题解空间结构和特征的编码排列，智能算法通过操作编码排列实现迭代寻优。解码是指通过利用特定的单元选择规则，结合编码排列合理安排每台设备上的原料排序，进而形成可行的调度方法。对于调度问题，经典的编码方式主要包括基于机器的编码，基于工件的编码和基于随机键的编码等。针对化工生产中原料和蒸发设备的特征，本发明提出基于原料排序编码。
譬如，对于n=6和m=3的一个问题（对于n个待加工的原料，可以通过m台设备中的任意一台完成），则对于一个解
Figure DEST_PATH_IMAGE044
就是问题的一个编码排列，同时也是问题的一个可行解，这种编码方式建立了编码排列到问题可行解的一一映射关系，简单直观，且容易实现。
步骤3：种群和概率矩阵的初始化。
种群规模为M，采用随机方法产生初始化种群，直至初始解的数量达到种群规模的要求；采用n×n阶的概率矩阵作为算法的概率模型：  
Figure 639659DEST_PATH_IMAGE022
式中：gen表示算法运行代数，初始化时gen=1；元素表示原料排序编码
Figure 553050DEST_PATH_IMAGE020
中的第j个元素取值为i的概率，
Figure 298469DEST_PATH_IMAGE028
均取值为1/n；第j列中的所有元素
Figure 101340DEST_PATH_IMAGE030
满足；n为待加工原料总数；                                     
步骤4：通过自适应调节策略计算学习速率。
在变量无关的EDA中，学习速率对算法性能的影响较为明显。首先，较小的学习速率有利于种群多样性水平的保持，进而算法可获得较好的搜索宽度，但收敛速度会变慢，甚至不收敛，导致算法的搜索深度难以得到保证；其次，较大的学习速率可以加快算法的收敛速度，算法将具有较好的搜索深度，但算法很容易陷入局部最优，进而造成早熟收敛，使得算法的搜索宽度无法保持。鉴于EDA对学习速率较为敏感，本发明提出了学习速率的自适应调节策略，该策略可使算法在搜索宽度和深度之间找到合理的平衡点，进而有效地提高EDA的性能。
设N i 为当前为止EDA迭代过程中的解所获得的改进的次数之和，N t 为当前总的迭代次数，定义IT为改进比，则IT的表达式为：
Figure DEST_PATH_IMAGE046
在EDA中，在进化初始阶段选择较大的学习速率可以增大搜索的深度和力度，进而加快算法的收敛；第进化中间和末尾阶段，选择较小的学习速率可以提高搜索的宽度和精度，提高种群多样性水平，可以有效防止早熟收敛。设LR_max和LR_min分别为学习速率的最大值和最小值，IT 0为改进比IT的阈值，则学习速率LR按照其表达式做自适应调节：
Figure 761308DEST_PATH_IMAGE034
当进化代数足够大时，由于
Figure DEST_PATH_IMAGE048
，所以通过上式可以实现LR在LR_max和LR_min之间实现动态自适应调节。可以克服学习速率的选择对算法性能的影响，有效克服了EDA对学习速率取值较敏感和依赖的不足。
步骤5：使用双精英个体协同合作策略，构造当前采样概率矩阵。
双精英个体协同进化方式可以分为竞争和合作两种方式，双精英个体是指种群中的适应度值最高的前2个个体。在传统的单概率模型EDA中，随着算法的迭代，概率矩阵的某些元素会逐步收敛于0或1，这时即使减小学习速率也很难跳出局部最优，进而导致解的质量不够理想。由于双精英个体均携带有种群进化过程中所积累优良信息，采用基于双精英个体的双概率模型协同进化策略，可增加概率模型所积累的历史信息量，再通过双概率模型的合作融合构造采样概率矩阵，可以有效克服传统EDA概率矩阵的某些元素过早向0或1收敛的不足，进而有效地提高了种群的多样性，使算法能充分利用优秀个体的信息来指导搜索方向。
在基于双精英个体协同进化的EDA中，首先，采用两个概率矩阵
Figure 948707DEST_PATH_IMAGE036
和
Figure 871664DEST_PATH_IMAGE038
积累优势个体的历史信息，两个概率矩阵分别使用当代种群的双精英个体进行更新；在更新概率矩阵时，使用算法搜索的历史最优个体，进而可以提高算法全局搜索的力度和效率。设
Figure DEST_PATH_IMAGE050
= [
Figure DEST_PATH_IMAGE052
]是第
Figure DEST_PATH_IMAGE054
代种群中当代局部最优个体，
Figure DEST_PATH_IMAGE056
是学习速率，则概率矩阵
Figure DEST_PATH_IMAGE058
可采用如下步骤更新：
步骤5.1：设
Figure DEST_PATH_IMAGE060
，
Figure DEST_PATH_IMAGE062
，其中，j=1,…,n；
步骤5.2：归一化处理：
Figure DEST_PATH_IMAGE064
，其中w,j=1,…,n。
然后，双精英个体相互合作构造采样概率矩阵M sample (gen)，进而通过对M sample (gen)的采样产生子代种群，双精英个体合作方式体现在M sample (gen)的构造上，其方法构造如下：
Figure 929225DEST_PATH_IMAGE040
步骤6：采样产生新的种群。
对概率矩阵进行采样，进而生成新的种群，是EDA进化的重要步骤，合理的采样方法既要能够准确反映概率矩阵的信息，又要带有一定的随机性，本发明采用比例选择法对概率矩阵进行采样。
步骤7：判断是否输出优化结果。
如达到设定的最大迭代次数200，则输出“最优个体”；否则，令gen=gen+1，返回步骤4。
本发明的有益效果是：提出了最小化最早完工指标下得化工生产中原料蒸发过程的调度模型和调度方法，使得化工生产中原料蒸发过程的表达清晰准确，调度方法合理有效；采用两维概率矩阵作为AEDA算法的概率模型，使得概率模型的更新和采样操作的复杂度大幅度降低；设计了具有自适应学习能力的改进策略，可以有效克服了EDA对学习速率较敏感和依赖的不足，进而使得算法的搜索宽度和深度得到合理平衡；提出了基于双精英个体的协同进化策略，使算法能充分利用优秀个体的信息来指导搜索方向。本发明所提出的基于自适应分布估计算法的优化调度方法可以有效化工生产中原料蒸发过程调度问题。
附图说明
图1为本发明的整体流程图；
图2为本发明中改进比IT变化规律图；
图3为本发明中双精英个体协同进化示意图。
具体实施方式
实施例1：如图1-3所示，一种化工生产中原料蒸发过程的优化调度方法，通过确定原料蒸发过程调度模型和优化目标，并使用基于自适应分布估计算法的优化调度方法对优化目标进行优化；其中调度模型依据每台蒸发设备上所加工原料的最早完工时间来建立，优化目标为最小化最早完工时间C max ： 
Figure 937632DEST_PATH_IMAGE002
Figure 991039DEST_PATH_IMAGE004
Figure 768502DEST_PATH_IMAGE006
式中：表示第j台蒸发设备上加工的第i种原料和第i+1种原料的开始加工时间之差，T j 为第j台蒸发设备上加工的原料总数，P(i,j)为第j台蒸发设备上加工第i种原料的加工时间，
Figure 479286DEST_PATH_IMAGE010
为设备j上原料i与i-1之间的转换时间，i=1,…,n，j=1,…,m，n表示待加工的原料总数，m表示蒸发设备的数量，表示待蒸发的原料排序；调度的目标为在所有待蒸发的原料排序的集合
Figure 968353DEST_PATH_IMAGE014
中找到一个
Figure 619915DEST_PATH_IMAGE016
，使得最早完工时间
Figure 602914DEST_PATH_IMAGE018
最小。
所述优化调度方法的具体步骤如下：
A、编码方式：以待加工原料排序进行编码
Figure 998123DEST_PATH_IMAGE020
；其中n表示待加工的原料的总数；
B、种群和概率矩阵的初始化：种群规模为M，采用随机方法产生初始化种群，直至初始解的数量达到种群规模的要求；采用n×n阶的概率矩阵作为算法的概率模型： 
Figure 484600DEST_PATH_IMAGE022
式中：gen表示算法运行代数，初始化时gen=1；元素
Figure 572641DEST_PATH_IMAGE024
表示原料排序编码
Figure 797865DEST_PATH_IMAGE020
中的第j个元素
Figure 996766DEST_PATH_IMAGE026
取值为i的概率，
Figure 337748DEST_PATH_IMAGE028
均取值为1/n；第j列中的所有元素
Figure 534374DEST_PATH_IMAGE030
满足；n为待加工原料总数；
C、通过自适应调节策略计算学习速率：首先将当前为止得到的迭代过程中的解所获得的改进的次数之和N i 及当前总的迭代次数N t 作除，得到改进比IT，然后根据IT与所设阈值IT 0之间的关系计算学习速率LR：
Figure 963399DEST_PATH_IMAGE034
式中：LR_max为学习速率的最大值取值为0.1；LR_min为学习速率的最小值取值为0.02；
D、使用双精英个体协同合作策略，构造当前采样概率矩阵：采用两个概率矩阵
Figure 486784DEST_PATH_IMAGE036
和
Figure 854311DEST_PATH_IMAGE038
积累优势个体的历史信息，两个概率矩阵分别使用当代种群的双精英个体进行更新；双精英个体相互合作构造采样概率矩阵M sample (gen)：
Figure 830358DEST_PATH_IMAGE040
E、采样产生新的种群：采用轮盘赌的方式对M sample (gen)进行采样产生新一代种群；
F、终止条件：设定终止条件的最大迭代次数为200，如果满足，则输出“最优个体”；否则转至步骤C，反复迭代，直到满足终止条件。
所述种群规模设置为50。
所述改进比IT的阈值IT 0设置为0.1。
表1给出了不同问题规模情况下所求得的目标函数值：
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种化工生产中原料蒸发过程的优化调度方法，其特征在于：通过确定原料蒸发过程调度模型和优化目标，并使用基于自适应分布估计算法的优化调度方法对优化目标进行优化；其中调度模型依据每台蒸发设备上所加工原料的最早完工时间来建立，优化目标为最小化最早完工时间C max ： 
Figure 152162DEST_PATH_IMAGE003
式中：
Figure 427285DEST_PATH_IMAGE004
表示第j台蒸发设备上加工的第i种原料和第i+1种原料的开始加工时间之差，T j 为第j台蒸发设备上加工的原料总数，P(i,j)为第j台蒸发设备上加工第i种原料的加工时间，
Figure 5510DEST_PATH_IMAGE005
为设备j上原料i与i-1之间的转换时间，i=1,…,n，j=1,…,m，n表示待加工的原料总数，m表示蒸发设备的数量，
Figure 340676DEST_PATH_IMAGE006
表示待蒸发的原料排序；调度的目标为在所有待蒸发的原料排序的集合
Figure 7281DEST_PATH_IMAGE007
中找到一个
Figure 86095DEST_PATH_IMAGE008
，使得最早完工时间
Figure 521756DEST_PATH_IMAGE009
最小。
2.根据权利要求1所述的化工生产中原料蒸发过程的优化调度方法，其特征在于：所述优化调度方法的具体步骤如下：
A、编码方式：以待加工原料排序进行编码；其中n表示待加工的原料的总数；
B、种群和概率矩阵的初始化：种群规模为M，采用随机方法产生初始化种群，直至初始解的数量达到种群规模的要求；采用n×n阶的概率矩阵作为算法的概率模型： 
Figure 181724DEST_PATH_IMAGE011
式中：gen表示算法运行代数，初始化时gen=1；元素
Figure 64229DEST_PATH_IMAGE012
表示原料排序编码
Figure 354397DEST_PATH_IMAGE010
中的第j个元素
Figure 296945DEST_PATH_IMAGE013
取值为i的概率，
Figure 672562DEST_PATH_IMAGE014
均取值为1/n；第j列中的所有元素
Figure 93179DEST_PATH_IMAGE015
满足
Figure 565749DEST_PATH_IMAGE016
；n为待加工原料总数；
C、通过自适应调节策略计算学习速率：首先将当前为止得到的迭代过程中的解所获得的改进的次数之和N i 及当前总的迭代次数N t 作除，得到改进比IT，然后根据IT与所设阈值IT 0之间的关系计算学习速率LR：
Figure 616882DEST_PATH_IMAGE017
式中：LR_max为学习速率的最大值取值为0.1；LR_min为学习速率的最小值取值为0.02；
D、使用双精英个体协同合作策略，构造当前采样概率矩阵：采用两个概率矩阵
Figure 542112DEST_PATH_IMAGE018
和积累优势个体的历史信息，两个概率矩阵分别使用当代种群的双精英个体进行更新；双精英个体相互合作构造采样概率矩阵M sample (gen)：
Figure 765600DEST_PATH_IMAGE020
E、采样产生新的种群：采用轮盘赌的方式对M sample (gen)进行采样产生新一代种群；
F、终止条件：设定终止条件的最大迭代次数为200，如果满足，则输出“最优个体”；否则转至步骤C，反复迭代，直到满足终止条件。
3.根据权利要求1或2所述的化工生产中原料蒸发过程的优化调度方法，其特征在于：所述种群规模设置为50。
4.根据权利要求1或2所述的化工生产中原料蒸发过程的优化调度方法，其特征在于：所述改进比IT的阈值IT 0设置为0.1。
CN201310404146.8A 2013-09-09 2013-09-09 一种化工生产中原料蒸发过程的优化调度方法 Pending CN103489031A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310404146.8A CN103489031A (zh) 2013-09-09 2013-09-09 一种化工生产中原料蒸发过程的优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310404146.8A CN103489031A (zh) 2013-09-09 2013-09-09 一种化工生产中原料蒸发过程的优化调度方法

Publications (1)

Publication Number Publication Date
CN103489031A true CN103489031A (zh) 2014-01-01

Family

ID=49829236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310404146.8A Pending CN103489031A (zh) 2013-09-09 2013-09-09 一种化工生产中原料蒸发过程的优化调度方法

Country Status (1)

Country Link
CN (1) CN103489031A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408528A (zh) * 2014-11-20 2015-03-11 昆明理工大学 一种化工生产中原料浸取过程的优化调度方法
CN104503381A (zh) * 2014-11-20 2015-04-08 昆明理工大学 一种手机的生产装配过程的优化调度方法
CN104503382A (zh) * 2014-11-20 2015-04-08 昆明理工大学 一种制药化工生产中原料结晶过程的优化调度方法
CN104700157A (zh) * 2015-02-03 2015-06-10 北京理工大学 一种考虑运输能力受限的跨单元工件生产路径搜索方法
CN107807518A (zh) * 2017-09-05 2018-03-16 昆明理工大学 一种化工生产原料蒸馏过程的多目标优化调度方法
CN108681313A (zh) * 2018-05-18 2018-10-19 昆明理工大学 一种汽车生产制造中车体模块生产过程的优化调度方法
CN109011675A (zh) * 2018-07-06 2018-12-18 昆明理工大学 一种化工原料精馏过程的优化调度方法
CN113343367A (zh) * 2021-07-08 2021-09-03 中国人民解放军海军航空大学航空作战勤务学院 基于eda算法的舰船航空弹药转运调度优化方法和装置

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104408528A (zh) * 2014-11-20 2015-03-11 昆明理工大学 一种化工生产中原料浸取过程的优化调度方法
CN104503381A (zh) * 2014-11-20 2015-04-08 昆明理工大学 一种手机的生产装配过程的优化调度方法
CN104503382A (zh) * 2014-11-20 2015-04-08 昆明理工大学 一种制药化工生产中原料结晶过程的优化调度方法
CN104503382B (zh) * 2014-11-20 2017-07-25 昆明理工大学 一种制药化工生产中原料结晶过程的优化调度方法
CN104700157A (zh) * 2015-02-03 2015-06-10 北京理工大学 一种考虑运输能力受限的跨单元工件生产路径搜索方法
CN104700157B (zh) * 2015-02-03 2018-10-09 北京理工大学 一种考虑运输能力受限的跨单元工件生产路径搜索方法
CN107807518A (zh) * 2017-09-05 2018-03-16 昆明理工大学 一种化工生产原料蒸馏过程的多目标优化调度方法
CN107807518B (zh) * 2017-09-05 2020-09-25 昆明理工大学 一种化工生产原料蒸馏过程的多目标优化调度方法
CN108681313A (zh) * 2018-05-18 2018-10-19 昆明理工大学 一种汽车生产制造中车体模块生产过程的优化调度方法
CN109011675A (zh) * 2018-07-06 2018-12-18 昆明理工大学 一种化工原料精馏过程的优化调度方法
CN113343367A (zh) * 2021-07-08 2021-09-03 中国人民解放军海军航空大学航空作战勤务学院 基于eda算法的舰船航空弹药转运调度优化方法和装置

Similar Documents

Publication Publication Date Title
CN103489031A (zh) 一种化工生产中原料蒸发过程的优化调度方法
CN107301473B (zh) 基于改进遗传算法的同类平行机批调度方法及系统
CN104009494B (zh) 一种环境经济发电调度方法
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
CN107168267A (zh) 基于改进粒子群与启发式策略的生产排产方法及系统
CN105487496B (zh) 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法
CN103592852A (zh) 基于粒子群膜算法的pid控制器优化设计方法
CN104408528A (zh) 一种化工生产中原料浸取过程的优化调度方法
CN101630380A (zh) 基于多种群进化机制的作业车间调度方法
CN108710970B (zh) 一种巨型梯级水电系统的多目标调度并行降维方法
CN105652791A (zh) 订单驱动的离散制造过程能耗优化方法
CN106855957A (zh) 基于相似日和最小二乘支持向量机的工厂母线负荷预测
CN107275801A (zh) 一种l型阵列天线的基于获得性遗传的阵元排布方法
CN106610651A (zh) 一种混合遗传算法求解多目标柔性作业车间调度问题
Shang et al. Production scheduling optimization method based on hybrid particle swarm optimization algorithm
CN105260787A (zh) 一种基于遗传算法的分拣作业均衡调度方法
CN104536387B (zh) 一种液晶电视机的生产装配过程的优化调度方法
CN104503381B (zh) 一种手机的生产装配过程的优化调度方法
CN102945510B (zh) 一种求解复杂资源受限项目调度问题的有效方法
CN104035327A (zh) 一种啤酒糖化过程的生产调度优化方法
CN113848904B (zh) 一种基于惩罚能耗优化多移动机器人任务分配的方法
CN106124718A (zh) 多策略人工蜂群优化的水体溶解氧浓度预测方法
CN105334824A (zh) 基于nsga-ⅱ算法的铝电解生产优化方法
CN104503382A (zh) 一种制药化工生产中原料结晶过程的优化调度方法
CN106934485A (zh) 基于遗传算法的一种新型一维排演下料方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20140101