CN104503382B - 一种制药化工生产中原料结晶过程的优化调度方法 - Google Patents

Abstract

本发明涉及一种制药化工生产中原料结晶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结晶过程调度模型和优化目标，并使用基于贝叶斯网络的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结晶机器上所加工原料的最大完工时间来建立，优化目标为最小化最大完工时间。本发明使得化工生产中原料结晶过程的表达清晰准确，调度方法合理有效；使得算法的寻优能力得到增强。

Description

一种制药化工生产中原料结晶过程的优化调度方法

技术领域

本发明涉及一种制药化工生产中原料结晶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

随着全球经济的持续快速增长，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，其中结晶操作应用的场合相当广。结晶过程常用于原料的初步处理和最终产品的输出，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，化工生产中原料结晶过程的优化调度具有重要研究价值。

对原材料进行结晶是常见的化工操作，由于原材料的理化性质存在差异，有些原材料经过一次结晶即可完成加工，而有些原材料需要进行二次或多次结晶操作才能完成加工；同时，为了防止产品间的交叉污染，每台机器在加工完一种原材料后，需要一定的设置时间进行清洗和调整，才能继续加工另外一种原材料，而设置时间取决于原材料之间的加工顺序；此外，实际结晶操作的加工(机器)单元往往由多台异构的并行机器构成，这些机器的加工能力不尽相同，原材料需根据自身的理化性质、体积、质量等因素选择合适的机器进行加工。该过程就是典型的异构并行机调度问题。与其他生产调度问题一样，异构并行机调度问题的优化指标主要包括最大完工时间、拖期产品数、平均流经时间等，其中以最大完工时间(makespan或C_max)使用最为广泛。异构并行机调度问题属于NP-Complete问题，其解空间随问题规模的增大呈指数增长。因此，对异构并行机调度问题求解算法的研究具有较高的实际和理论价值，可为相关化工生产优化系统的设计提供切实指导。

由于原料结晶过程调度问题属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贝叶斯网络的分布估计算法(bayesian statistical inference-based estimation of distribution algorithm ,BEDA)的优化调度方法对优化目标进行优化，可在较短时间内获得制药化工生产中原料结晶过程的优化调度方法的近似最优解。

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制药化工生产中原料结晶过程调度问题的近似最优解的问题，提供了一种制药化工生产中原料结晶过程的优化调度方法。

本发明的技术方案是：一种制药化工生产中原料结晶过程的优化调度方法，通过确定原料结晶过程调度模型和优化目标，并使用基于贝叶斯网络的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结晶机器上所加工原料的最大完工时间来建立，优化目标为最小化最大完工时间：

C_max＝max(C_i＝F_i+t_i) i∈D

Σ_i∈D x_ijk＝1 j∈D,(j,k|k＝M_i＝M_j)

Σ_j∈D x_ijk＝1 i∈D,(i,k|k＝M_i＝M_j)

F_i+t_i+S_ij≤F_j+B(1-x_ijk) (i,j)∈D,(i,j,k|k＝M_i＝M_j)

F_i+t_i≤F_j i,j∈S_ij

k∈M

i∈D,(i,k|k＝M_i)

其中，B表示一个正数且大于模型中的任意一个变量值；D表示所有有效的操作序列；M_j表示操作j对应的加工机器；x_ijk表示是在机器k上的操作j正好在操作i后边时x_ijk＝1，否则等于0；t_j表示操作j对应的加工时间；F_j表示操作j的开始时间；C_j表示操作j的完成时间；R_k表示在机器k上的虚拟操作；S_ij表示操作i在操作j后加工时机器上的设置时间；π为待结晶的原料排序；操作表示的是第l种原料的第m个结晶阶段在机器k上的加工；调度的目标为在所有待结晶的原料排序的集合Π中找到一个π^*，使得最大完工时间最小。

所述基于贝叶斯网络的分布估计算法的优化调度方法的具体步骤如下：

Step1、编码方式：以待加工原料排序进行编码π＝[π₁,π₂,...,π_TS]；其中TS表示所有产品的总工序数；

Step2、种群的初始化：利用步骤Step1中的编码方式，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，同时选择当代中种群中的“最优个体”作为第一代的“历史最优个体”；其中，gen＝1；

Step3、邻域生成：利用Insert的方法生成当前种群中“最优个体”的邻域；

Step4、条件概率矩阵的更新机制：将精英个体描绘在贝叶斯网络上，每出现一次节点N_α,β(α∈1,...,TS,β∈1,...,n)到节点N_α+1,β′(α∈1,...,TS,β′∈1,...,n)的情况，便在该有向弧的权重上加一；接着根据之前选择的精英个体构造的网络，生成条件概率矩阵；其中用于构建条件概率矩阵的精英个体是由从该代种群及“最优个体”的邻域中适配值最好的前e％个优质个体构成，n表示原料数；

Step5、产生新种群：根据轮盘赌的方法对条件概率矩阵采样形成新种群pop_candi(gen)中的个体；

Step6、更新“历史最优个体”：对比“历史最优个体”与新种群中的“最优个体”的适配值，选择适配值较小的个体更新“历史最优个体”；

Step7、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“历史最优个体”；否则转至步骤Step3，反复迭代，直到满足终止条件。

所述种群规模设置为50，e％＝0.6，交叉概率为0.7。

本发明的工作原理是：

步骤1：建立结晶过程调度模型和优化目标。

调度模型依据每台结晶机器上所加工原料的最大完工时间来建立，优化目标为最小化最大完工时间C_max：

C_max＝max(C_i＝F_i+t_i) i∈D

Σ_i∈D x_ijk＝1 j∈D,(j,k|k＝M_i＝M_j)

Σ_j∈D x_ijk＝1 i∈D,(i,k|k＝M_i＝M_j)

F_i+t_i+S_ij≤F_j+B(1-x_ijk) (i,j)∈D,(i,j,k|k＝M_i＝M_j)

F_i+t_i≤F_j i,j∈S_ij

k∈M

i∈D,(i,k|k＝M_i)

式中：B表示一个很大的正数；D表示所有有效的操作序列；M_j表示操作j对应的加工机器；x_ijk表示是在机器k上的操作j正好在操作i后边时x_ijk＝1，否则等于0；t_j表示操作j对应的加工时间；F_j表示操作j的开始时间；C_j表示操作j的完成时间；R_k表示在机器k上的虚拟操作；S_ij表示操作i在操作j后加工时机器上的设置时间；操作表示的是第l种原料的第m个结晶阶段在机器k上的加工。设π为待结晶的原料排序；调度的目标为在所有待结晶的原料排序的集合Π中找到一个π^*，使得最大完工时间最小。

步骤2：解的表达。

编码是指建立反映结晶操作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机器上的原料排序，进而形成可行的调度方案。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结晶机器的特征，本发明提出基于原料总工序数的排序编码。

譬如，对于n＝4的一个问题(对于n个待加工的原料数)，则对于一个解π＝[2,4,3,1,4,3,4,4,1,3]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：种群的初始化。

令gen＝1，利用步骤2中的编码方式，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。选择当代中种群中的“最优个体”作为第一代的“历史最优个体”。

步骤4：邻域生成：

利用Insert的方法生成当前种群中“最优个体”的邻域。

步骤5：条件概率矩阵的更新机制。

将精英个体描绘在贝叶斯网络上，每出现一次节点N_α,β(α∈1,...,TS,β∈1,...,n)到节点N_α+1,β′(α∈1,...,TS,β′∈1,...,n)的情况，便在该有向弧的权重上加一；接着根据之前选择的精英个体构造的网络，生成条件概率矩阵；其中用于构建条件概率矩阵的精英个体是由从该代种群及“最优个体”的邻域中适配值最好的前e％个优质个体构成，n表示原料数；

步骤6：产生新种群。

新种群pop_candi(gen)中的个体根据轮盘赌的方法对条件概率矩阵采样形成。

步骤7：更新历史最优个体。

对比“历史最优个体”与新种群中的“最优个体”的适配值，更新“历史最优个体”。

步骤8：设定终止条件的最大迭代次数为200。如达到设定的最大迭代次数200，则输出“历史最优个体”；否则，令gen＝gen+1，返回步骤4。

本发明的有益效果是：

1、提出了最小化最大完工指标下的制药化工生产中原料结晶过程的优化调度方法，使得化工生产中原料结晶过程的表达清晰准确，调度方法合理有效；

2、通过贝叶斯与EDA的结合，使得BEDA具有全局与局部搜索能力；使得BEDA可以有效克服在局部搜索上的不足；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，使得算法的寻优能力得到增强。

3、提出的基于BEDA的优化调度方法可以有效解决制药化工生产中原料结晶过程调度问题。

附图说明

图1为本发明的整体流程图；

图2为本发明中“Insert”操作示意图；

图3为本发明中贝叶斯网络示意图。

具体实施方式

实施例1：如图1-3所示，一种制药化工生产中原料结晶过程的优化调度方法，通过确定原料结晶过程调度模型和优化目标，并使用基于贝叶斯网络的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结晶机器上所加工原料的最大完工时间来建立，优化目标为最小化最大完工时间：

C_max＝max(C_i＝F_i+t_i) i∈D

Σ_i∈D x_ijk＝1 j∈D,(j,k|k＝M_i＝M_j)

Σ_j∈D x_ijk＝1 i∈D,(i,k|k＝M_i＝M_j)

F_i+t_i+S_ij≤F_j+B(1-x_ijk) (i,j)∈D,(i,j,k|k＝M_i＝M_j)

F_i+t_i≤F_j i,j∈S_ij

k∈M

i∈D,(i,k|k＝M_i)

其中，B表示一个正数且大于模型中的任意一个变量值；D表示所有有效的操作序列；M_j表示操作j对应的加工机器；x_ijk表示是在机器k上的操作j正好在操作i后边时x_ijk＝1，否则等于0；t_j表示操作j对应的加工时间；F_j表示操作j的开始时间；C_j表示操作j的完成时间；R_k表示在机器k上的虚拟操作；S_ij表示操作i在操作j后加工时机器上的设置时间；π为待结晶的原料排序；操作表示的是第l种原料的第m个结晶阶段在机器k上的加工；调度的目标为在所有待结晶的原料排序的集合Π中找到一个π^*，使得最大完工时间最小。

所述基于贝叶斯网络的分布估计算法的优化调度方法的具体步骤如下：

Step1、编码方式：以待加工原料排序进行编码π＝[π₁,π₂,...,π_TS]；其中TS表示所有产品的总工序数；

Step2、种群的初始化：利用步骤Step1中的编码方式，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，同时选择当代中种群中的“最优个体”作为第一代的“历史最优个体”；其中，gen＝1；

Step3、邻域生成：利用Insert的方法生成当前种群中“最优个体”的邻域；

Step4、条件概率矩阵的更新机制：将精英个体描绘在贝叶斯网络上，每出现一次节点N_α,β(α∈1,...,TS,β∈1,...,n)到节点N_α+1,β′(α∈1,...,TS,β′∈1,...,n)的情况，便在该有向弧的权重上加一；接着根据之前选择的精英个体构造的网络，生成条件概率矩阵；其中用于构建条件概率矩阵的精英个体是由从该代种群及“最优个体”的邻域中适配值最好的前e％个优质个体构成，n表示原料数；

Step5、产生新种群：根据轮盘赌的方法对条件概率矩阵采样形成新种群pop_candi(gen)中的个体；

Step6、更新“历史最优个体”：对比“历史最优个体”与新种群中的“最优个体”的适配值，选择适配值较小的个体更新“历史最优个体”；

Step7、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“历史最优个体”；否则转至步骤Step3，反复迭代，直到满足终止条件。

实施例2：如图1-3所示，一种制药化工生产中原料结晶过程的优化调度方法，通过确定原料结晶过程调度模型和优化目标，并使用基于贝叶斯网络的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结晶机器上所加工原料的最大完工时间来建立，优化目标为最小化最大完工时间：

C_max＝max(C_i＝F_i+t_i) i∈D

Σ_i∈D x_ijk＝1 j∈D,(j,k|k＝M_i＝M_j)

Σ_j∈D x_ijk＝1 i∈D,(i,k|k＝M_i＝M_j)

F_i+t_i+S_ij≤F_j+B(1-x_ijk) (i,j)∈D,(i,j,k|k＝M_i＝M_j)

F_i+t_i≤F_j i,j∈S_ij

k∈M

i∈D,(i,k|k＝M_i)

其中，B表示一个正数且大于模型中的任意一个变量值；D表示所有有效的操作序列；M_j表示操作j对应的加工机器；x_ijk表示是在机器k上的操作j正好在操作i后边时x_ijk＝1，否则等于0；t_j表示操作j对应的加工时间；F_j表示操作j的开始时间；C_j表示操作j的完成时间；R_k表示在机器k上的虚拟操作；S_ij表示操作i在操作j后加工时机器上的设置时间；π为待结晶的原料排序；操作表示的是第l种原料的第m个结晶阶段在机器k上的加工；调度的目标为在所有待结晶的原料排序的集合Π中找到一个π^*，使得最大完工时间最小。

所述基于贝叶斯网络的分布估计算法的优化调度方法的具体步骤如下：

Step1、编码方式：以待加工原料排序进行编码π＝[π₁,π₂,...,π_TS]；其中TS表示所有产品的总工序数；

Step2、种群的初始化：利用步骤Step1中的编码方式，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，同时选择当代中种群中的“最优个体”作为第一代的“历史最优个体”；其中，gen＝1；

Step3、邻域生成：利用Insert的方法生成当前种群中“最优个体”的邻域；

Step4、条件概率矩阵的更新机制：将精英个体描绘在贝叶斯网络上，每出现一次节点N_α,β(α∈1,...,TS,β∈1,...,n)到节点N_α+1,β′(α∈1,...,TS,β′∈1,...,n)的情况，便在该有向弧的权重上加一；接着根据之前选择的精英个体构造的网络，生成条件概率矩阵；其中用于构建条件概率矩阵的精英个体是由从该代种群及“最优个体”的邻域中适配值最好的前e％个优质个体构成，n表示原料数；

Step5、产生新种群：根据轮盘赌的方法对条件概率矩阵采样形成新种群pop_candi(gen)中的个体；

Step6、更新“历史最优个体”：对比“历史最优个体”与新种群中的“最优个体”的适配值，选择适配值较小的个体更新“历史最优个体”；

Step7、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“历史最优个体”；否则转至步骤Step3，反复迭代，直到满足终止条件。

所述种群规模设置为50，e％＝0.6，交叉概率为0.7，B取值为10000，

具体的对比实验如下：

采用国内某制药化工企业生产中结晶过程的实际生产数据，进一步对BEDA(如图1)的性能进行了验证。该企业在生产中需要通过结晶的方式对制药原料进行提纯处理，现有5种组份不同的原料(即纯度、杂质类型等不同)，4台不同类型的结晶机器(即容量、结晶方式等不同)，用于生产5个批次的药品。在对5种原料进行结晶操作时，需考虑如下因素：(1)、5种原料的纯度和杂质类型不同，使得每种原料所需要的结晶提纯次数不同；(2)、不同原料的体积不同，故需要根据机器容量选取机器；(3)、在结晶过程中，原料产品的纯度不断提高，使得同种原料在不同结晶阶段的溶剂选择、结晶温度、搅拌方式都有所不同，所以对于同种产品的不同结晶阶段所需的机器不同；(4)、为了防止原料批次间污染，每台机器在加工完一种原材料后，需要一定的设置时间进行清洗和调整，才能继续加工另外一种原材料；(5)、原料的加工时间t_lm(k)(表示第l种原料(表中“产品”)的第m个结晶阶段(表中“阶段”)在机器k(表中“M₁/M₂/M₃/M₄”)上的加工时间)取决于原料所处的结晶阶段和所选择的机器，因此每种原料在各个结晶阶段所需的加工时间不同。5种原料的工序数集合π＝[1,2,5,3,4,5,2,3,5,4,4,3,5]，原料的加工约束如表1所示：

表1 实例的加工约束

在表1的工序加工约束下，各工序在相应机器上的加工时间(单位为小时)，以及不同产品间的设置时间(单位为小时)如表2和表3所示。

表2 实例的设置时间

表3 实例的工序加工时间

对于上述实例，使用BEDA对该实例进行求解。运行200代，独立运行20次，每次的运行结果如表4所示。

表4 实例仿真结果

运行代数	1	2	3	4	5	6	7	8	9	10
											BEDA	33	31	32	31	31	33	31	34	31	31
运行代数	11	12	13	14	15	16	17	18	19	20
											BEDA	31	31	31	32	31	33	31	31	35	31

由表4的实例仿真结果可知，对于本发明所考虑的C_max指标，该BEDA算法在求解化工企业生产结晶过程优化时具有有效性与鲁棒性。

实施例3：如图1-3所示，一种制药化工生产中原料结晶过程的优化调度方法，通过确定原料结晶过程调度模型和优化目标，并使用基于贝叶斯网络的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结晶机器上所加工原料的最大完工时间来建立，优化目标为最小化最大完工时间：

C_max＝max(C_i＝F_i+t_i) i∈D

Σ_i∈D x_ijk＝1 j∈D,(j,k|k＝M_i＝M_j)

Σ_j∈D x_ijk＝1 i∈D,(i,k|k＝M_i＝M_j)

F_i+t_i+S_ij≤F_j+B(1-x_ijk) (i,j)∈D,(i,j,k|k＝M_i＝M_j)

F_i+t_i≤F_j i,j∈S_ij

k∈M

i∈D,(i,k|k＝M_i)

其中，B表示一个正数且大于模型中的任意一个变量值；D表示所有有效的操作序列；M_j表示操作j对应的加工机器；x_ijk表示是在机器k上的操作j正好在操作i后边时xi_jk＝1，否则等于0；t_j表示操作j对应的加工时间；F_j表示操作j的开始时间；C_j表示操作j的完成时间；R_k表示在机器k上的虚拟操作；S_ij表示操作i在操作j后加工时机器上的设置时间；π为待结晶的原料排序；操作表示的是第l种原料的第m个结晶阶段在机器k上的加工；调度的目标为在所有待结晶的原料排序的集合Π中找到一个π^*，使得最大完工时间最小。

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 (3)

1.一种制药化工生产中原料结晶过程的优化调度方法，其特征在于：通过确定原料结晶过程调度模型和优化目标，并使用基于贝叶斯网络的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结晶机器上所加工原料的最大完工时间来建立，优化目标为最小化最大完工时间：

C_max＝max(C_i＝F_i+t_i) i∈D

∑_i∈D x_ijk＝1 j∈D,(j,k|k＝M_i＝M_j)

Σ_j∈D x_ijk＝1 i∈D,(i,k|k＝M_i＝M_j)

F_i+t_i+S_ij≤F_j+B(1-x_ijk) (i,j)∈D,(i,j,k|k＝M_i＝M_j)

F_i+t_i≤F_j i,j∈S_ij

$\begin{array}{cc}{t}_{R_k}=0& k\∈M\end{array}$

$\begin{array}{cc}{S}_{R_{k}i}=0,S_{{\mathrm{iR}}_k}=0& i\∈D,(i,k|k=M_i)\end{array}$

其中，B表示一个正数且大于模型中的任意一个变量值；D表示所有有效的操作序列；M_j表示操作j对应的加工机器；x_ijk表示是在机器k上的操作j正好在操作i后边时x_ijk＝1，否则等于0；t_j表示操作j对应的加工时间；F_j表示操作j的开始时间；C_j表示操作j的完成时间；R_k表示在机器k上的虚拟操作；S_ij表示操作i在操作j后加工时机器上的设置时间；π为待结晶的原料排序；操作表示的是第l种原料的第m个结晶阶段在机器k上的加工；调度的目标为在所有待结晶的原料排序的集合Π中找到一个π^*，使得最大完工时间最小；C_max表示最小化最大完工时间，π^*表示的是对应最小化最大完工时间的一个序列。

2.根据权利要求1所述的制药化工生产中原料结晶过程的优化调度方法，其特征在于：所述基于贝叶斯网络的分布估计算法的优化调度方法的具体步骤如下：

Step1、编码方式：以待加工原料排序进行编码π＝[π₁,π₂,...,π_TS]；其中TS表示所有产品的总工序数；

Step2、种群的初始化：利用步骤Step1中的编码方式，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，同时选择当代中种群中的“最优个体”作为第一代的“历史最优个体”；其中，gen＝1，gen表示的是迭代次数；

Step3、邻域生成：利用Insert的方法生成当前种群中“最优个体”的邻域；

Step4、条件概率矩阵的更新机制：将精英个体描绘在贝叶斯网络上，每出现一次节点N_α,β(α∈1,...,TS,β∈1,...,n)到节点N_α+1,β′(α∈1,...,TS,β′∈1,...,n)的情况，便在有向弧的权重上加一；接着根据之前选择的精英个体构造的网络，生成条件概率矩阵；其中用于构建条件概率矩阵的精英个体是由从对应代种群及“最优个体”的邻域中适配值最好的前e％个优质个体构成，n表示原料数，e％表示精英个体所占种群的比例；

Step5、产生新种群：根据轮盘赌的方法对条件概率矩阵采样形成新种群pop_candi(gen)中的个体；

Step6、更新“历史最优个体”：对比“历史最优个体”与新种群中的“最优个体”的适配值，选择适配值较小的个体更新“历史最优个体”；

Step7、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“历史最优个体”；否则转至步骤Step3，反复迭代，直到满足终止条件。

3.根据权利要求2所述的制药化工生产中原料结晶过程的优化调度方法，其特征在于：所述种群规模设置为50，e％＝0.6，交叉概率为0.7。