CN105427054A - 一种基于蚁群优化的瓷器煅烧工艺的加工调度方法 - Google Patents

Abstract

本发明公开一种基于蚁群优化算法的瓷器煅烧工艺的调度方法，面向大批量瓷器生产过程中的煅烧环节，采用蚁群算法的编码解码机制和优化策略，获得瓷器生产的分批生产方案，从而大幅度提升产效率并降低生产成本。本发明同时给出了JSP环境下的程序开发方案，使得在面对不同实际问题时，能够高效率的实现算法从而获得生产方案。

Description

一种基于蚁群优化的瓷器煅烧工艺的加工调度方法

技术领域

本发明属于陶瓷煅烧领域，具体地说是一种基于蚁群优化的瓷器煅烧工艺的加工调度方法。

背景技术

我国早在6000多年以前的新石器时代就产生了制陶技艺，特别是黄河流域出现了龙口文化、马家窑文化、仰韶文化。我国陶瓷工艺发展至今，技术改进巨大，对能源的消耗和环境的污染也越来越恶劣。陶瓷行业一直被国家环保部门公认为是高能耗、高污染行业，惩罚性税收达69.7％，很多企业在都在减少能耗上面临着巨大的危机。陶瓷工艺的主要能耗产生在煅烧阶段，煅烧是将形状体积大小不一的瓷坯放在窑(气窑、电窑)里，于空气中进行高温(800摄氏度以上)的、长时间(15小时以上)的持续热处理过程。在这个过程中，窑的容量一定，而每个瓷坯的体积大小不定，不同的分批方案可以得到不同的煅烧时间，以往企业大多没有找到一个合理的分批方案，因此导致瓷器煅烧中产生了较大的能耗，煅烧成本居高不下，煅烧时间长，加工效率也低，无形中增加了企业的生产成本，也对环境造成了不小的污染。

发明内容

本发明是为了克服现有技术存在的不足之处，提供一种基于蚁群优化的瓷器煅烧工艺的加工调度方法，以期能缩短煅烧时间，提高煅烧效率，从而降低制造成本，节约能源消耗，并减少环境污染。

本发明为解决技术问题采用如下技术方案：

本发明一种基于蚁群优化的瓷器煅烧工艺的加工调度方法的特点是按如下步骤进行：

步骤1、将瓷器煅烧工艺中的所有瓷坯记为集合H＝{h₁,h₂,…,h_y,…,h_n}；h_y表示第y个瓷坯；则第i个瓷坯的尺寸记为s_i；第y个瓷坯的加工时间记为t_y；1≤y≤n；将瓷器煅烧工艺中的窑炉尺寸记为S；将同一时刻加入窑炉中进行煅烧的所有瓷坯记为一个批次；

步骤2、将所述瓷坯集合H中的尺寸相同的瓷坯分为一类，并按照加工时间将同一类中的瓷坯进行降序排序，从而获得a个分类；记为W＝{w₁,w₂,…,w_z,…,w_a}，w_z表示第z个分类；所述第z个分类w_z中的瓷坯总数记为f_z；

步骤3、初始化蚁群算法的各个参数，包括：m表示第m只蚂蚁，并初始化m＝1；M表示蚂蚁总数、L表示迭代次数，并初始化L＝1；L_max表示最大迭代次数；

步骤4、定义变量为k，并初始化k＝1；定义第y个瓷坯的标识符为flag_y，并初始化flag_y＝0；

步骤5、创建第L次迭代的第m只蚂蚁的第k个批次和与其对应的第k个候选表并使得第L次迭代的第m只蚂蚁能将所述n个瓷坯分配到不同个批次中进行煅烧；并计算第L次迭代的第m只蚂蚁分配完有批次进行煅烧的煅烧时间之和

步骤6、将m+1赋值给m，并返回步骤5执行，直到m＝M为止，从而获得第L次迭代的所有M只蚂蚁的所有批次的煅烧时间之和集合

步骤7、从所述煅烧时间之和集合中选取最小值作为第L次迭代的局部最优解，记为π_L；

步骤8、利用式(1)更新第L次迭代的第i个候选瓷坯h′_i和第j个已加入到第k个批次中的候选瓷坯h′_j之间的信息素τ_ij(L)，从而获得第L+1次迭代的信息素τ_ij(L+1)：

${\mathrm{\τ}}_{ij}(L+1)=(1-\mathrm{\ρ}){\mathrm{\τ}}_{ij}\left(L\right)+m_{ij}\left(L\right)\▿{\mathrm{\τ}}_{ij}---\left(1\right)$

式(1)中，ρ表示信息素的蒸发速率；m_ij(L)表示第L次迭代中第i个候选瓷坯h′_i和第j个已加入到第k个批次中的候选瓷坯h′_j被分到同一批次的次数；并有：

步骤9、利用式(3)和式(4)判断τ_ij(L+1)是否满足信息素浓度限定区间[τ_min,τ_max]，若满足，则保留第L+1次迭代的信息素τ_ij(L+1)，并执行步骤11；否则，执行步骤10：

${\mathrm{\τ}}_{max}\≤\frac{1}{(1-\mathrm{\ρ})f\left({\mathrm{\π}}^{*}\right)}---\left(3\right)$

${\mathrm{\τ}}_{\min }=\frac{{\mathrm{\τ}}_{max}(1-\sqrt[a]{0.05})}{(a/2-1)\sqrt[a]{0.05}}---\left(4\right)$

式(3)和式(4)中，π^*表示当前已获得的所有局部最优解中的最小值；

步骤10、若τ_ij(L+1)≥τ_max，则将τ_max赋值给τ_ij(L+1)；若τ_ij(L+1)≤τ_min，则将τ_min赋值给τ_ij(L+1)；

步骤11；将L+1赋值给L，判断L＜L_max是否成立，若成立，返回步骤4执行，否则完成L_max次迭代，并获得全局最优解π_best，即为L_max次迭代中的所有局部最优解的最小值；以全局最优解π_best所对应的加工方案作为最优加工调度方案。

本发明所述的基于蚁群优化的瓷器煅烧工艺的加工调度方法的特点也在于，所述步骤5中，第L次迭代的第m只蚂蚁是按如下步骤将所述n个瓷坯分配到不同批次中进行煅烧：

步骤5.1、定义变量f；

步骤5.2、初始化z＝1；

步骤5.3、初始化f＝1；

步骤5.4、判断所述第z个分类w_z中选出第f个瓷坯的标识符flag_f是否为1；若为1，则表示第f个瓷坯已经煅烧，并执行步骤5.5；否则，将第z个分类w_z中选出第f个瓷坯加入到所述第k个候选表中，并执行步骤5.6；

步骤5.5、将f+1赋值给f，并返回步骤5.4执行，直到f＝f_z为止后，执行步骤5.6；

步骤5.6、将z+1赋值给z，并返回步骤5.3执行；直到z＝a为止后，从而获得待更新的第k个候选表记所述待更新的第k个候选表中的候选瓷坯为{h′₁,h′₂,…,h′_i,…,h′_a}；1≤i≤a；

步骤5.7、从所述待更新的候选表中选择加工时间最长的瓷坯h′_key作为关键瓷坯加入到所述第k个批次并将关键瓷坯h′_key的标识符flag′_key置为1；然后从候选表中删除关键瓷坯h′_key；

步骤5.8、利用式(5)获得第m只蚂蚁将所述待更新的第k个候选表中第i个候选瓷坯h′_i加入到第k个批次的候选概率从而获得第m只蚂蚁将所有候选瓷坯加入到第k个批次的候选概率集合

$P_{ik}^m=\{\begin{array}{cc}\frac{{\mathrm{\θ}}_{ik}^{\mathrm{\α}}{\mathrm{\η}}_{ik}^{\mathrm{\β}}}{{\Σ}_{h_i^{\′}\∈X_k^{\′\left(L\right)\left(m\right)}}{\mathrm{\θ}}_{ik}^{\mathrm{\α}}{\mathrm{\η}}_{ik}^{\mathrm{\β}}}& h_i^{\′}\∈X_k^{\′\left(L\right)\left(m\right)}\\ 0& else\end{array}---\left(5\right)$

式(5)中，α为信息素的权重，β为启发式信息的权重；θ_ik表示第i个候选瓷坯h′_i能加入到第k个批次中煅烧的期望度；η_ik表示将第i个候选瓷坯h′_i能加入到第k个批次煅烧的启发式信息；并有：

${\mathrm{\θ}}_{ik}=\frac{1}{\left|C_k^{\left(L\right)\left(m\right)}\right|}{\Σ}_{j\∈C_k^{\left(L\right)\left(m\right)}}{\mathrm{\τ}}_{ij}\left(L\right)---\left(6\right)$

${\mathrm{\η}}_{ik}=\frac{1}{1+\left|T_k^{\left(L\right)\left(m\right)}-t_i\right|}---\left(7\right)$

式(6)中，τ_ij表示第L次迭代的第i个候选瓷坯h′_i和第j个已加入到第k个批次中的候选瓷坯h′_j之间的信息素，1≤i≠j≤a；

式(7)中，表示第k个批次的煅烧时间；t_i表示第i个候选瓷坯h′_i的加工时间；

步骤5.9、从所述候选概率集合中选出候选概率最大的所对应的最大候选瓷坯，记为h′_max；则所述最大候选瓷坯h′_max的尺寸，记为s_max；

步骤5.10、将所述最大候选瓷坯h′_max加入到所述第k个批次并将最大候选瓷坯h′_max的标识符flag′_max置为1；

步骤5.11、获得所述最大候选瓷坯h′_max所对应的分类，记为w_max；

步骤5.12、判断所述最大候选瓷坯h′_max在所对应的分类w_max中是否为第f_z个瓷器；若是，则从第k个候选表中删除所述最大候选瓷坯h′_max，并将所述对应的分类w_max删除；否则，从第k个候选表中删除所述最大候选瓷坯h′_max，并将所述最大候选瓷坯h′_max所对应的分类w_max中第f_max+1个瓷器加入到所述更新的第k个候选表中，从而获得更新的第k个候选表

步骤5.13、将所述窑炉尺寸S减去所述最大候选瓷坯h′_max的尺寸s_max，获得剩余煅烧尺寸，记为

步骤5.14、根据所述剩余煅烧尺寸从所述更新的第k个候选表中删除尺寸大于所述剩余煅烧尺寸的候选瓷坯；从而获得再次更新的第k个候选表

步骤5.15、以所述再次更新的第k个候选表作为待更新的第k个候选表并返回步骤5.8顺序执行，直到第k个候选表为空为止，即将第L次迭代的第m只蚂蚁的第k个批次加满；从而获得第L次迭代的第m只蚂蚁的第k个批次的加工方案；

步骤5.16、将已加满的第L次迭代的第m只蚂蚁的第k个批次进行煅烧；并以所述第k个批次中加工时间最长的候选瓷坯作为所述第k个批次的煅烧时间

步骤5.17、将k+1赋值给k，并返回步骤5顺序执行，直到n瓷坯的标识符都为1为止，从而完成第L次迭代的第m只蚂蚁对所述n个瓷坯的分配。

与已有技术相比，本发明有益效果体现在：

1、本发明通过改进的蚁群算法，在差异分批制造模式下，首先针对煅烧瓷坯进行分类，然后提出基于作业尺寸分类的候选表，通过为每一个蚂蚁建立候选表的方法，得出每一个蚂蚁的分批方案；再利用信息素更新规则，更新信息素，实现多次迭代，最终获得最优解；最优解大大的减少了瓷坯煅烧时间，提高了作业效率，降低了能耗，节省了生产成本。

2、本发明通过对每一次迭代得到的最优解进行信息素更新，解决了搜索过程过快的集中到这个解周围的问题；如果仅仅是对自第一次迭代以来得到的最优解进行更新，很可能导致算法收敛过早；而每一次迭代的最优解在每一次迭代过后会有很大差异，所以更新每一次迭代的最优解，能够使更多解的信息素增强，从而得到了更加优化的解。

3.本发明采用候选表策略来寻找最优解；在传统的蚁群算法中，只要是体积小于设备容量的作业，都可以选进候选表，所以可行解的数量庞大；但是在实际陶瓷煅烧过程中，很多陶瓷的体积大小是一样的，如果将体积大小相同的瓷坯归为一类，瓷坯的类别数量绝对不会超过瓷坯的总数量，相同尺寸的瓷坯越多，候选表的瓷坯个数越少，这样就可以减少可行解的数量，能够有效降低求解时间。

附图说明

图1为本发明分批示意图。

具体实施方式

本实施例中，一种基于蚁群优化的瓷器煅烧工艺的加工调度方法，面向大批量瓷器生产过程中的煅烧环节，采用蚁群算法的编码解码机制和优化策略，获得瓷器生产的分批生产方案，从而大幅度提升产效率并降低生产成本，同时给出了JSP环境下的程序开发方案，使得在面对不同实际问题时，能够高效率的实现算法从而获得生产方案；具体的说，是按如下步骤进行：

步骤1、将瓷器煅烧工艺中的所有瓷坯记为集合H＝{h₁,h₂,…,h_y,…,h_n}；h_y表示第y个瓷坯；则第i个瓷坯的尺寸记为s_i；第y个瓷坯的加工时间记为t_y；1≤y≤n；将瓷器煅烧工艺中的窑炉尺寸记为S；将同一时刻加入窑炉中进行煅烧的所有瓷坯记为一个批次；

步骤2、将瓷坯集合H中的尺寸相同的瓷坯分为一类，并按照加工时间将同一类中的瓷坯进行降序排序，从而获得a个分类；记为W＝{w₁,w₂,…,w_z,…,w_a}，w_z表示第z个分类；第z个分类w_z中的瓷坯总数记为f_z；在传统的蚁群算法中，只要是体积小于设备容量的作业，都可以选进候选表，所以可行解的数量庞大。但是在实际陶瓷煅烧过程中，很多陶瓷的体积大小是一样的，如果将体积大小相同的瓷坯归为一类，瓷坯的类别数量绝对不会超过瓷坯的总数量，相同尺寸的瓷坯越多，候选表的瓷坯个数越少，这样就可以减少可行解的数量，能够有效降低求解时间。

步骤3、初始化蚁群算法的各个参数，包括：m表示第m只蚂蚁，并初始化m＝1；M表示蚂蚁总数、L表示迭代次数，并初始化L＝1；L_max表示最大迭代次数；

步骤4、定义变量为k，并初始化k＝1；定义第y个瓷坯的标识符为flag_y，并初始化flag_y＝0；

步骤5、创建第L次迭代的第m只蚂蚁的第k个批次和与其对应的第k个候选表并使得第L次迭代的第m只蚂蚁能将n个瓷坯分配到不同个批次中进行煅烧；并计算第L次迭代的第m只蚂蚁分配完有批次进行煅烧的煅烧时间之和

步骤5.1、定义变量f；

步骤5.2、初始化z＝1；

步骤5.3、初始化f＝1；

步骤5.4、判断第z个分类w_z中选出第f个瓷坯的标识符flag_f是否为1；若为1，则表示第f个瓷坯已经煅烧，并执行步骤5.5；否则，将第z个分类w_z中选出第f个瓷坯加入到第k个候选表中，并执行步骤5.6；

步骤5.5、将f+1赋值给f，并返回步骤5.4执行，直到f＝f_z为止后，执行步骤5.6；

步骤5.6、将z+1赋值给z，并返回步骤5.3执行；直到z＝a为止后，从而获得待更新的第k个候选表记待更新的第k个候选表中的候选瓷坯为{h′₁,h′₂,…,h′_i,…,h′_a}；1≤i≤a；

步骤5.7、从待更新的候选表中选择加工时间最长的瓷坯h′_key作为关键瓷坯加入到第k个批次并将关键瓷坯h′_key的标识符flag′_key置为1；然后从候选表中删除关键瓷坯h′_key；

步骤5.8、利用式(1)获得第m只蚂蚁将待更新的第k个候选表中第i个候选瓷坯h′_i加入到第k个批次的候选概率从而获得第m只蚂蚁将所有候选瓷坯加入到第k个批次的候选概率集合

$P_{ik}^m=\{\begin{array}{cc}\frac{{\mathrm{\θ}}_{ik}^{\mathrm{\α}}{\mathrm{\η}}_{ik}^{\mathrm{\β}}}{{\Σ}_{h_i^{\′}\∈X_k^{\′\left(L\right)\left(m\right)}}{\mathrm{\θ}}_{ik}^{\mathrm{\α}}{\mathrm{\η}}_{ik}^{\mathrm{\β}}}& h_i^{\′}\∈X_k^{\′\left(L\right)\left(m\right)}\\ 0& else\end{array}---\left(1\right)$

式(1)中，α为信息素的权重，β为启发式信息的权重；θ_ik表示第i个候选瓷坯h′_i能加入到第k个批次中煅烧的期望度；信息素τ_ij(L)表示第i个候选瓷坯h′_i和第j个候选瓷坯h′_j被安排在同一批中的期望度。由于瓷坯数目和瓷坯所在批号不确定，因此不能直接使用信息素τ_ij(L)，故定义变量θ_ik对信息素进行间接利用；η_ik表示将第i个候选瓷坯h′_i能加入到第k个批次煅烧的启发式信息；并有：

${\mathrm{\θ}}_{ik}=\frac{1}{\left|C_k^{\left(L\right)\left(m\right)}\right|}{\Σ}_{j\∈C_k^{\left(L\right)\left(m\right)}}{\mathrm{\τ}}_{ij}\left(L\right)---\left(2\right)$

${\mathrm{\η}}_{ik}=\frac{1}{1+\left|T_k^{\left(L\right)\left(m\right)}{t}_i\right|}---\left(3\right)$

式(2)中，τ_ij表示第L次迭代的第i个候选瓷坯h′_i和第j个已加入到第k个批次中的候选瓷坯h′_j之间的信息素，1≤i≠j≤a；

式(3)中，表示第k个批次的煅烧时间；t_i表示第i个候选瓷坯h′_i的加工时间；

步骤5.9、从候选概率集合中选出候选概率最大的所对应的最大候选瓷坯，记为h′_max；则最大候选瓷坯h′_max的尺寸，记为s_max；

步骤5.10、将最大候选瓷坯h′_max加入到第k个批次并将最大候选瓷坯h′_max的标识符flag′_max置为1；

步骤5.11、获得最大候选瓷坯h′_max所对应的分类，记为w_max；

步骤5.12、判断最大候选瓷坯h′_max在所对应的分类w_max中是否为第f_z个瓷器；若是，则从第k个候选表中删除最大候选瓷坯h′_max，并将对应的分类w_max删除；否则，从第k个候选表中删除最大候选瓷坯h′_max，并将最大候选瓷坯h′_max所对应的分类w_max中第f_max+1个瓷器加入到更新的第k个候选表中，从而获得更新的第k个候选表

步骤5.13、将窑炉尺寸S减去最大候选瓷坯h′_max的尺寸s_max，获得剩余煅烧尺寸，记为如图1所示；

步骤5.14、根据剩余煅烧尺寸从更新的第k个候选表中删除尺寸大于剩余煅烧尺寸的候选瓷坯；从而获得再次更新的第k个候选表

步骤5.15、以再次更新的第k个候选表作为待更新的第k个候选表并返回步骤5.8顺序执行，直到第k个候选表为空为止，即将第L次迭代的第m只蚂蚁的第k个批次加满；从而获得第L次迭代的第m只蚂蚁的第k个批次的加工方案；

步骤5.16、将已加满的第L次迭代的第m只蚂蚁的第k个批次进行煅烧；并以第k个批次中加工时间最长的候选瓷坯作为第k个批次的煅烧时间

步骤5.17、将k+1赋值给k，并返回步骤5顺序执行，直到n瓷坯的标识符都为1为止，从而完成第L次迭代的第m只蚂蚁对n个瓷坯的分配。

在更新的第k个候选表中，如果第i个候选瓷坯h_i′和第j个候选瓷坯h_j′满足s_i＜s_j且s_it_i＞s_jt_j，选择第i个候选瓷坯h_i′加入当前批比选择第j个候选瓷坯h_j′能减少更多的空闲空间，并且选择第i个候选瓷坯h_i′后当前批的剩余容量更大，第k个候选表中可选瓷坯数也更多，故选择第i个候选瓷坯h_i′加入当前批更优。

步骤6、将m+1赋值给m，并返回步骤5执行，直到m＝M为止，从而获得第L次迭代的所有M只蚂蚁的所有批次的煅烧时间之和集合

步骤7、从煅烧时间之和集合中选取最小值作为第L次迭代的局部最优解，记为π_L；

步骤8、利用式(4)更新第L次迭代的第i个候选瓷坯h′_i和第j个已加入到第k个批次中的候选瓷坯h′_j之间的信息素τ_ij(L)，从而获得第L+1次迭代的信息素τ_ij(L+1)：

${\mathrm{\τ}}_{ij}(L+1)=(1-\mathrm{\ρ}){\mathrm{\τ}}_{ij}\left(L\right)+m_{ij}\left(L\right)\▿{\mathrm{\τ}}_{ij}---\left(4\right)$

式(4)中，ρ表示信息素的蒸发速率；m_ij(L)表示第L次迭代中第i个候选瓷坯h′_i和第j个已加入到第k个批次中的候选瓷坯h′_j被分到同一批次的次数；并有：

如果仅仅是对自第一次迭代以来得到的最优解进行更新，很可能导致搜索过程过快的集中到这个解周围，使算法收敛过早；而每一次迭代的最优解在每一次迭代过后会有很大差异，所以更新每一次迭代的最优解，能够使更多解的信息素增强。也可以采用轮换策略进行更新，即对每一次迭代得到的最优解进行信息素更新，然后每经过相应次迭代，对自第一次以来得到的最优解经行一次信息素的更新。

步骤9、利用式(6)和式(7)判断τ_ij(L+1)是否满足信息素浓度限定区间[τ_min,τ_max]，若满足，则保留第L+1次迭代的信息素τ_ij(L+1)，并执行步骤11；否则，执行步骤10：

${\mathrm{\τ}}_{max}\≤\frac{1}{(1-\mathrm{\ρ})f\left({\mathrm{\π}}^{*}\right)}---\left(6\right)$

${\mathrm{\τ}}_{\min }=\frac{{\mathrm{\τ}}_{max}(1-\sqrt[a]{0.05})}{(a/2-1)\sqrt[a]{0.05}}---\left(7\right)$

式(6)和式(7)中，π^*表示当前已获得的所有局部最优解中的最小值；

步骤10、若τ_ij(L+1)≥τ_max，则将τ_max赋值给τ_ij(L+1)；若τ_ij(L+1)≤τ_min，则将τ_min赋值给τ_ij(L+1)；蚁群算法将信息素的浓度限定在[τ_min,τ_max]间，以减少可行解的信息素之间的差异。

步骤11；将L+1赋值给L，判断L＜L_max是否成立，若成立，返回步骤4执行，否则完成L_max次迭代，并获得全局最优解π_best，即为L_max次迭代中的所有局部最优解的最小值；以全局最优解π_best所对应的加工方案作为最优加工调度方案。

Claims (2)

1.一种基于蚁群优化的瓷器煅烧工艺的加工调度方法，其特征是按如下步骤进行：

步骤1、将瓷器煅烧工艺中的所有瓷坯记为集合H＝{h₁,h₂,…,h_y,…,h_n}；h_y表示第y个瓷坯；则第i个瓷坯的尺寸记为s_i；第y个瓷坯的加工时间记为t_y；1≤y≤n；将瓷器煅烧工艺中的窑炉尺寸记为S；将同一时刻加入窑炉中进行煅烧的所有瓷坯记为一个批次；

步骤2、将所述瓷坯集合H中的尺寸相同的瓷坯分为一类，并按照加工时间将同一类中的瓷坯进行降序排序，从而获得a个分类；记为W＝{w₁,w₂,…,w_z,…,w_a}，w_z表示第z个分类；所述第z个分类w_z中的瓷坯总数记为f_z；

步骤3、初始化蚁群算法的各个参数，包括：m表示第m只蚂蚁，并初始化m＝1；M表示蚂蚁总数、L表示迭代次数，并初始化L＝1；L_max表示最大迭代次数；

步骤4、定义变量为k，并初始化k＝1；定义第y个瓷坯的标识符为flag_y，并初始化flag_y＝0；

步骤5、创建第L次迭代的第m只蚂蚁的第k个批次和与其对应的第k个候选表并使得第L次迭代的第m只蚂蚁能将所述n个瓷坯分配到不同个批次中进行煅烧；并计算第L次迭代的第m只蚂蚁分配完有批次进行煅烧的煅烧时间之和

步骤6、将m+1赋值给m，并返回步骤5执行，直到m＝M为止，从而获得第L次迭代的所有M只蚂蚁的所有批次的煅烧时间之和集合

步骤7、从所述煅烧时间之和集合中选取最小值作为第L次迭代的局部最优解，记为π_L；

步骤8、利用式(1)更新第L次迭代的第i个候选瓷坯h′_i和第j个已加入到第k个批次中的候选瓷坯h′_j之间的信息素τ_ij(L)，从而获得第L+1次迭代的信息素τ_ij(L+1)：

τ_ij(L+1)＝(1-ρ)τ_ij(L)+m_ij(L)▽τ_ij(1)

式(1)中，ρ表示信息素的蒸发速率；m_ij(L)表示第L次迭代中第i个候选瓷坯h′_i和第j个已加入到第k个批次中的候选瓷坯h′_j被分到同一批次的次数；并有：

步骤9、利用式(3)和式(4)判断τ_ij(L+1)是否满足信息素浓度限定区间[τ_min,τ_max]，若满足，则保留第L+1次迭代的信息素τ_ij(L+1)，并执行步骤11；否则，执行步骤10：

式(3)和式(4)中，π^*表示当前已获得的所有局部最优解中的最小值；

步骤10、若τ_ij(L+1)≥τ_max，则将τ_max赋值给τ_ij(L+1)；若τ_ij(L+1)≤τ_min，则将τ_min赋值给τ_ij(L+1)；

步骤11；将L+1赋值给L，判断L＜L_max是否成立，若成立，返回步骤4执行，否则完成L_max次迭代，并获得全局最优解π_best，即为L_max次迭代中的所有局部最优解的最小值；以全局最优解π_best所对应的加工方案作为最优加工调度方案。

2.根据权利要求1所述的基于蚁群优化的瓷器煅烧工艺的加工调度方法，其特征是，所述步骤5中，第L次迭代的第m只蚂蚁是按如下步骤将所述n个瓷坯分配到不同批次中进行煅烧：

步骤5.1、定义变量f；

步骤5.2、初始化z＝1；

步骤5.3、初始化f＝1；

步骤5.4、判断所述第z个分类w_z中选出第f个瓷坯的标识符flag_f是否为1；若为1，则表示第f个瓷坯已经煅烧，并执行步骤5.5；否则，将第z个分类w_z中选出第f个瓷坯加入到所述第k个候选表中，并执行步骤5.6；

步骤5.5、将f+1赋值给f，并返回步骤5.4执行，直到f＝f_z为止后，执行步骤5.6；

步骤5.6、将z+1赋值给z，并返回步骤5.3执行；直到z＝a为止后，从而获得待更新的第k个候选表记所述待更新的第k个候选表中的候选瓷坯为{h′₁,h′₂,…,h′_i,…,h′_a}；1≤i≤a；

步骤5.7、从所述待更新的候选表中选择加工时间最长的瓷坯h′_key作为关键瓷坯加入到所述第k个批次并将关键瓷坯h′_key的标识符flag′_key置为1；然后从候选表中删除关键瓷坯h′_key；

步骤5.8、利用式(5)获得第m只蚂蚁将所述待更新的第k个候选表中第i个候选瓷坯h′_i加入到第k个批次的候选概率从而获得第m只蚂蚁将所有候选瓷坯加入到第k个批次的候选概率集合

式(5)中，α为信息素的权重，β为启发式信息的权重；θ_ik表示第i个候选瓷坯h′_i能加入到第k个批次中煅烧的期望度；η_ik表示将第i个候选瓷坯h′_i能加入到第k个批次煅烧的启发式信息；并有：

式(6)中，τ_ij表示第L次迭代的第i个候选瓷坯h′_i和第j个已加入到第k个批次中的候选瓷坯h′_j之间的信息素，1≤i≠j≤a；

式(7)中，表示第k个批次的煅烧时间；t_i表示第i个候选瓷坯h′_i的加工时间；

步骤5.9、从所述候选概率集合中选出候选概率最大的所对应的最大候选瓷坯，记为h′_max；则所述最大候选瓷坯h′_max的尺寸，记为s_max；

步骤5.10、将所述最大候选瓷坯h′_max加入到所述第k个批次并将最大候选瓷坯h′_max的标识符flag′_max置为1；

步骤5.11、获得所述最大候选瓷坯h′_max所对应的分类，记为w_max；

步骤5.12、判断所述最大候选瓷坯h′_max在所对应的分类w_max中是否为第f_z个瓷器；若是，则从第k个候选表中删除所述最大候选瓷坯h′_max，并将所述对应的分类w_max删除；否则，从第k个候选表中删除所述最大候选瓷坯h′_max，并将所述最大候选瓷坯h′_max所对应的分类w_max中第f_max+1个瓷器加入到所述更新的第k个候选表中，从而获得更新的第k个候选表

步骤5.13、将所述窑炉尺寸S减去所述最大候选瓷坯h′_max的尺寸s_max，获得剩余煅烧尺寸，记为

步骤5.14、根据所述剩余煅烧尺寸从所述更新的第k个候选表中删除尺寸大于所述剩余煅烧尺寸的候选瓷坯；从而获得再次更新的第k个候选表

步骤5.15、以所述再次更新的第k个候选表作为待更新的第k个候选表并返回步骤5.8顺序执行，直到第k个候选表为空为止，即将第L次迭代的第m只蚂蚁的第k个批次加满；从而获得第L次迭代的第m只蚂蚁的第k个批次的加工方案；

步骤5.16、将已加满的第L次迭代的第m只蚂蚁的第k个批次进行煅烧；并以所述第k个批次中加工时间最长的候选瓷坯作为所述第k个批次的煅烧时间

步骤5.17、将k+1赋值给k，并返回步骤5顺序执行，直到n瓷坯的标识符都为1为止，从而完成第L次迭代的第m只蚂蚁对所述n个瓷坯的分配。