CN106094751A - 一种原料的调度方法及装置 - Google Patents

Abstract

本发明提供了一种原料的调度方法及装置，该方法包括建立原料不确定调度模型；对原料不确定调度模型进行确定化处理，得到确定的带约束的多目标调度模型；对确定的带约束的多目标调度模型进行求解，得到原料调度信息，根据原料调度信息执行对混匀过程中原料的调度。通过建立原料不确定调度模型可以准确地描述实际生产过程，通过确定化和带变异的CMOSTA算法可以求取准确度很高的原料调度信息，原料调度信息可执行性很强，根据该原料调度信息执行原料的调度，可以大大提高生产效率，以及提高产品的质量。

Description

一种原料的调度方法及装置

技术领域

本发明涉及物料调度技术领域，尤其涉及一种原料的调度方法及装置。

背景技术

目前，炼铁厂在炼铁过程中，需要根据炼铁混匀过程的需求制定出原料调度方案，通过调度方案对炼铁原料进行调度，以此提高炼铁效率及保证钢铁的质量。

当前，在制定原料调度方案时，技术人员根据上级部门下达的原料的计划指标、各矿物原料的总下料量以及生产工艺约束来设定堆配比方案，并根据以往的配料经验计算出各混匀料堆所用物料种类及相应的配比，从而确定出原料的配料方案，以满足各车间对各混匀料堆的基本要求，并通过生成的炼铁混匀原料成分情况调整原料的基本配料方案，当在生产过程中执行该原料的配料方案时，如果某个混匀料堆的某个成分的指标不符合要求时，技术人员则根据以往的配比经验，调整该料堆中该成分的含量，并调整其它各料堆相应的配比以满足生产中原料的配比要求，最后根据调整的数据对原料的配比方案进行修改，并根据修改后的原料的配比方案执行生产过程中原料的堆配比。

由于炼铁混匀过程所需的原料种类很多，确定原料的调度方案需要很多的人工干预，通过技术人员的经验确定原料的配料方案时，无法考虑来料时间的不确定性，如此，导致确定出的调度方案中的原料的配比数据与实际炼铁的配比需求之间存在很大的误差，生产效率低且炼铁质量差。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种原料的调度方法及装置。

依据本发明的一个方面，提供了一种原料的调度方法，所述方法包括：

建立原料不确定调度模型；

对所述原料不确定调度模型进行确定化处理，得到确定的带约束的多目标调度模型；

对所述确定的带约束的多目标调度模型进行求解，得到原料调度信息；

根据所述原料调度信息执行对混匀过程中原料的调度。

可选地，所述建立原料不确定调度模型，包括：

获取混匀过程的配料基本信息；

采用三角模糊数，建立异常调度对应的惩罚函数；

根据所述配料基本信息和所述异常调度对应的惩罚函数，确定混匀过程中的目标函数；

确定混匀过程中各种原料的约束条件；

根据所述目标函数和所述约束条件建立原料不确定调度模型，所述原料不确定调度模型如下式(1)所示，

$f_1\left(X\right)=\min C_1\left(x\right)=\min \{\underset{j=1}{\overset{n}{\Σ}}\[\underset{i=1}{\overset{m}{\Σ}}{x}_{i,j}\·C_{i,1}\]+\tilde{f}\left(X\right)\}$

$\begin{array}{c}{f}_2\left(X\right)=\min C_2\left(x\right)\\ =\min \{\underset{i=1}{\overset{m}{\Σ}}\[x_{i,j}\·C_{i,2}\·{\tilde{E}}_i+x_{i,j}\·C_{i,2}\·({\tilde{E}}_i-1)+\mathrm{...}+x_{i,j}\·C_{i,2}\]+\tilde{f}\left(X\right)\}\\ =\min \{\frac{1}{2}\underset{i=1}{\overset{m}{\Σ}}\[x_{i,j}\·C_{i,2}\·{\tilde{E}}_i\·({\tilde{E}}_i+1)\]+\tilde{f}\left(X\right)\}\end{array}$

$s.t.\left\{\begin{array}{c}|Q_{\mathrm{\τ},j}-A_{\mathrm{\τ},j}|\≤q_{\mathrm{\τ},j},\mathrm{\τ}=1,2,\mathrm{...},T,j=1,2,\mathrm{...},n\\ \underset{j=1}{\overset{n}{\Σ}}{x}_{i,j}\left(t\right)\≤s_i\left(t\right),i=1,2,\mathrm{...},m\\ |b_j-D_j|\≤p_j,j=1,2,\mathrm{...},n\\ x_{1,j}>0,j=1,2,\mathrm{...},n\\ x_{i,j}\≥0,i=2,3,\mathrm{...},m,j=1,2,\mathrm{...},n\end{array}\right.---\left(1\right)$

式(1)中，为异常调度对应的惩罚函数；x_i,j为决策变量，代表第j堆中所需第i种原料的相应下料量；C_i,1为第i中原料的采购价格；C₁(x)为生产成本，代表完成堆计划所需原料的总花费，f₁(X)为目标函数，代表最小的生产成本；m表示原料数；n表示堆数；

C_i,2为第i种原料每吨每天所需的保存费用，为额外的存储成本，C₂(x)为总存储成本，代表完成堆计划期间所有原料存储所消耗的费用，f₂(X)为目标函数，代表最小的总存储成本；

s.t.为各种原料的约束条件，Q_τ,j为所配第j堆混合料堆中第τ种化学成分的含量指标，A_τ,j为计划第j堆混合料堆中第τ种化学成分的含量指标，q_τ,j为计划第j堆混合料堆中第τ种化学成分含量指标的最大波动范围，s_i(t)为第i种原料当前的库存量，b_j为配比第j堆所堆堆重，D_j为计划中第j堆的标准堆重，p_j为计划中相对应D_j指标的最大波动范围，x_1,j为特殊物料在j堆中掺配量；x_i,j为第j堆所需第i种原料相应的下料量。

可选地，所述对所述原料不确定调度模型进行确定化处理，得到确定的带约束的多目标调度模型，包括：

通过模糊模拟技术对所述原料不确定调度模型中每个含有模糊函数方程的目标函数进行处理，得到所述目标函数确定的输入输出样本集；

对所述确定的输入输出数据样本集进行训练，得到确定的带约束的多目标调度模型。

可选地，所述通过模糊模拟技术对所述原料不确定调度模型中每个含有模糊函数方程的目标函数进行处理，得到所述目标函数对应的确定的输入输出样本集，包括：

将每个目标函数中的惩罚函数表示为预设的模糊函数方程表示式，所述预设的模糊函数方程表示式如下式(2)所示，

$\tilde{y}=g_{fuzzy}(X,\widetilde{\mathrm{\θ}})---\left(2\right)$

式(2)中，为目标函数中惩罚函数对应的模糊函数，表示与X和的函数关系，X为一组决策变量，表示原料的下料量，为三角模糊数表示的函数参数；

获取三角模糊数的隶属度函数；

确定目标函数的一组决策变量X^l，对所述三角模糊数在所述三角模糊数的隶属度函数内抽样，得到的一系列抽样值K为抽样数；

根据所述决策变量X^l和每个抽样值通过公式(2)得到K个确定的输出并求取K个的平均值，得到目标函数对应于决策变量X^l的确定输出值

根据所述目标函数输出值的计算方法，计算N次，得到N组输入数据X^l(l＝1,2,...,N)和对应的N组输出数据将所述N组输入数据和对应的所述N组输出数据确定为目标函数确定的输入输出样本集。

可选地，所述对所述确定的输入输出数据样本集进行训练，得到确定的带约束的多目标模型，包括：

将所述确定的输入输出数据样本集排列为训练数据集样本；

对所述训练数据集样本，通过状态转移算法STA训练神经元网络学习过程的权重向量，逼近所述不确定调度模型中对应的目标函数，得到确定的生产成本函数和/存储成本函数；

根据训练后得到的所述确定的生产成本函数和存储成本函数建立确定的带约束的多目标调度模型。

可选地，所述对所述确定的带约束的多目标调度模型进行求解，得到原料调度信息，包括：

初始化设置CMOSTA算法的相关参数、Pareto最优搜索解集种群P_S、Pareto非劣解集种群P_B、最大迭代次数Gmax，最大个体违约程度值ε以及水平截集p_c；

从当前种群出发，开始当前迭代操作，对所述确定的带约束的多目标调度模型采用CMOSTA搜索策略，得到新的种群；

判断所述新的种群是否陷入局部最优，若是，对所述种群参数采用变异操作进行种群更新，所述局部最优为当前的Pareto非劣解集种群P_s与上一轮迭代得到的Pareto非劣解集种群P_s相等时的状态；

判断当前迭代次数是否达到最大迭代次数Gmax，若没达到，将所有中间种群置空，对CMOSTA搜索中得到的Pareto最优搜索解集种群P_S和Pareto非劣解集种群P_B执行新一轮迭代操作，即重新搜索新种群并判断是否需要种群更新；若达到，则输出Pareto非劣解集种群P_B作为搜索结果的非劣最优解集；

通过TOPSIS(Technique for Order Preference by Similarity to an IdealSolution，逼近理想解排序法)从所述搜索结果输出的非劣最优解集中选取一组非劣解，将选取的所述一组非劣解确定为原料调度信息。

依据本发明的另一个方面，提供了一种原料的调度装置，所述装置包括：

建立模块，用于建立原料不确定调度模型；

处理模块，用于对所述原料不确定调度模型进行确定化处理，得到确定的带约束的多目标调度模型；

计算模块，用于对所述确定的带约束的多目标调度模型进行求解，得到原料调度信息；

执行模块，用于根据所述原料调度信息执行对混匀过程中原料的调度。

可选地，所述建立模块包括：

获取单元，用于获取混匀过程的配料基本信息；

第一建立单元，用于采用三角模糊数，建立异常调度对应的惩罚函数；

第一确定单元，根据所述配料基本信息和所述异常调度对应的惩罚函数，确定混匀过程中的目标函数；

第二确定单元，用于确定混匀过程中各种原料的约束条件；

第二建立单元，用于根据所述目标函数和所述约束条件建立原料不确定调度模型，所述原料不确定调度模型如下式(1)所示，

$f_1\left(X\right)=\min C_1\left(x\right)=\min \{\underset{j=1}{\overset{n}{\Σ}}\[\underset{i=1}{\overset{m}{\Σ}}{x}_{i,j}\·C_{i,1}\]+\tilde{f}\left(X\right)\}$

$\begin{array}{c}{f}_2\left(X\right)=\min C_2\left(x\right)\\ =\min \{\underset{i=1}{\overset{m}{\Σ}}\[x_{i,j}\·C_{i,2}\·{\tilde{E}}_i+x_{i,j}\·C_{i,2}\·({\tilde{E}}_i-1)+\mathrm{...}+x_{i,j}\·C_{i,2}\]+\tilde{f}\left(X\right)\}\\ =\min \{\frac{1}{2}\underset{i=1}{\overset{m}{\Σ}}\[x_{i,j}\·C_{i,2}\·{\tilde{E}}_i\·({\tilde{E}}_i+1)\]+\tilde{f}\left(X\right)\}\end{array}$

$s.t.\left\{\begin{array}{c}|Q_{\mathrm{\τ},j}-A_{\mathrm{\τ},j}|\≤q_{\mathrm{\τ},j},\mathrm{\τ}=1,2,\mathrm{...},T,j=1,2,\mathrm{...},n\\ \underset{j=1}{\overset{n}{\Σ}}{x}_{i,j}\left(t\right)\≤s_i\left(t\right),i=1,2,\mathrm{...},m\\ |b_j-D_j|\≤p_j,j=1,2,\mathrm{...},n\\ x_{1,j}>0,j=1,2,\mathrm{...},n\\ x_{i,j}\≥0,i=2,3,\mathrm{...},m,j=1,2,\mathrm{...},n\end{array}\right.---\left(1\right)$

式(1)中，为异常调度对应的惩罚函数；x_i,j为决策变量，代表第j堆中所需第i种原料的相应下料量；C_i,1为第i中原料的采购价格；C₁(x)为生产成本，代表完成堆计划所需原料的总花费，f₁(X)为目标函数，代表最小的生产成本；m表示原料数；n表示堆数；

C_i,2为第i种原料每吨每天所需的保存费用，为额外的存储成本，C₂(x)为总存储成本，代表完成堆计划期间所有原料存储所消耗的费用，f₂(X)为目标函数，代表最小的总存储成本；

s.t.为各种原料的约束条件，Q_τ,j为所配第j堆混合料堆中第τ种化学成分的含量指标，A_τ,j为计划第j堆混合料堆中第τ种化学成分的含量指标，q_τ,j为计划第j堆混合料堆中第τ种化学成分含量指标的最大波动范围，s_i(t)为第i种原料当前的库存量，b_j为配比第j堆所堆堆重，D_j为计划中第j堆的标准堆重，p_j为计划中相对应D_j指标的最大波动范围，x_1,j为特殊物料在j堆中掺配量；x_i,j为第j堆所需第i种原料相应的下料量。

可选地，所述处理模块包括：

处理单元，用于通过模糊模拟技术对所述原料不确定调度模型中每个含有模糊函数方程的目标函数进行处理，得到所述目标函数确定的输入输出样本集；

训练单元，用于对所述确定的输入输出数据样本集进行训练，得到确定的带约束的多目标调度模型。

可选地，所述计算模块包括：

设置单元，用于初始化设置CMOSTA算法的相关参数、Pareto最优搜索解集种群P_S、Pareto非劣解集种群P_B、最大迭代次数Gmax，最大个体违约程度值ε以及水平截集p_c；

搜索单元，从当前种群出发，开始当前迭代操作，对所述确定的带约束的多目标模型采用CMOSTA搜索策略，得到新的种群；

更新单元，用于判断所述新的种群是否陷入局部最优，若是，对所述种群采用变异操作进行种群更新，所述局部最优为当前的Pareto非劣解集种群P_s与上一轮迭代得到的Pareto非劣解集种群P_s相等时的状态；

迭代判断单元，用于判断搜索单元和更新单元是否需要迭代进行，若当前迭代次数没达到最大迭代次数Gmax，则重新启动搜索单元和更新单元；若达到，则迭代过程终止，输出Pareto非劣解集种群P_B作为搜索结果的非劣最优解集；

选取单元，用于通过TOPSIS(Technique for Order Preference by Similarityto an Ideal Solution，逼近理想解排序法)法从所述搜索结果输出的非劣最优解集中选取一组非劣解，将选取的所述一组非劣解确定为原料调度信息。

本发明提供的原料的调度方法及装置，实现建立的原料不确定调度模型，可以准确地描述实际生产过程，通过确定化和带变异的CMOSTA算法可以求取准确度很高的原料调度信息，原料调度信息可执行性很强，根据该原料调度信息执行原料的调度，可以大大提高生产效率，以及提高产品的质量。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1是本发明一种实施方式的一种原料的调度方法的流程图；

图2是本发明一种实施方式的建立原料不确定调度模型的流程图；

图3是本发明一种实施方式的三角模糊数的隶属度函数图形；

图4是本发明一种实施方式的对确定的带约束的多目标调度模型进行求解的流程图；

图5是本发明一种实施方式的获取新的种群的流程图；

图6是本发明一种实施方式的一种原料的调度装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。

本发明实施例提供的原料的调度方法，针对原料场混匀过程中某些原料种类、到达时间等不确定性问题，对不确定条件下约束优化问题进行建模，对模型确定化处理后，并利用带变异的CMOSTA(Constrained Multi-Objective State Transition Algorithm，约束多目标状态转移算法)算法对建立的模型求解，得到准确度很高的原料的调度信息，根据该原料的调度信息执行生产过程中的原料调度，具体过程如下。

图1是本发明一种实施方式的一种原料的调度方法的流程图，参照图1，该方法包括以下S101-S104步骤。

步骤S101:建立原料不确定调度模型。

在本发明实施例中，上述原料可以是炼铁所需的原料，建立上述原料不确定模型，可以真实反映出炼铁所需的原料种类、品位、库存量、来料时间及配料时间的范围，其中，在建立上述原料不确定调度模型时，具体可通过以下S1011-S1015步骤来完成，如图2所示。

步骤S1011:获取混匀过程的配料基本信息。

上述获取混匀过程的配料基本信息时，首先针对原料场混匀过程的实际问题，分析现场工况，包括分析现场混匀所需的原料种类，计划内混匀料堆数，每种原料各个化学成分含量，每种原料的采购价格，每种原料计划内进料量，计划内混匀料堆中各个化学成分含量指标，根据分析结果建立原料分析表，该原料分析表示意性地如表1所示。

表1

建立上述原料分析表后，可以通过该原料分析表及实际生产需求，确定出计划内购买原料的种类、每种原料的成分指标、每种原料的购买量、每种原料的来料时间，每种原料的不确定配料时间、混匀料堆的每种物料含量范围、各个混匀料堆应堆重范围、每堆物料特殊物料使用信息及堆料场库存信息，最终生成混匀过程的配料基本信息。

上述计划可以是周计划、月计划、季度计划或年计划，具体可根据实际生产的需求确定，为了便于清楚地说明本发明实施例提供的数据，无特殊说明的情况下，上述计划均指月计划。

在原料的调度过程中，异常调度原料都会对生产过程产生影响，以至带来额外的损失，因此，需要在调度原料时考虑异常调度的情况。其中，异常调度主要包括提前调度或拖延调度。

步骤S1012:采用三角模糊数，建立异常调度对应的惩罚函数。

在建立异常调度对应的惩罚函数前，由于混匀过程中存在来料时间的不确定性，因此，引入三角模糊数，描述原料不确定调度模型中所有的模糊函数方程的不确定参数。

假设，用三角模糊数“A＝(a₁，a_M，a₂)”来表示生产过程中原料的不确定参数，则A对应的隶属度函数为

$u\left(x\right)=\left\{\begin{array}{cc}\frac{x-a_1}{a_M-a_1},& a_1\&le;x<a_M\\ \frac{x-a_2}{a_M-a_2},& a_M\&le;x<a_2\\ 0,& other\end{array}\right.---\left(3\right)$

上述三角模糊数对应的隶属度函数图形如图3所示。

在建立异常调度对应的惩罚函数时，首先需要确定提前来料的惩罚费用权重，延迟来料的惩罚费用权重，以及确定提前来料的惩罚费用，延迟来料的惩罚费用；然后根据提前来料的惩罚费用权重、延迟来料的惩罚费用权重、提前来料的惩罚费用、延迟来料的惩罚费用建立异常调度对应的惩罚函数惩罚函数如下式(4)所示，

$\tilde{f}\left(x\right)=\underset{i=1}{\overset{m}{\&Sigma;}}(w_1{\tilde{E}}_i+w_2{\tilde{T}}_i)---\left(4\right)$

式(4)中，w₁为提前来料的惩罚费用权重，w₂为延迟来料的惩罚费用权重，为需额外提供的存储成本；为需额外提供的生产成本。其中，定义区间[e_i,t_i]为原料i(i＝1,2,...,m)的交货期窗口，其中e_i为原料i的最早交货期，t_i为原料i的最晚交货期；用三角模糊变量表示原料i(i＝1,2,...,m)的配料时间,依次为原料i(i＝1,2,...,m)的最早配料时间、最可能配料时间以及最晚配料时间；若称原料i提前，保证了原料在其交货期窗口内完工，但需提供额外的存储成本 若称原料i滞后，影响了正常的原料堆料过程，则需提供不可估量损失成本

在保证炼铁效率以及钢铁质量的前提下，控制炼铁成本也是制定原料调度方案所必需考虑的关键指标。根据炼铁厂对成本控制的要求，可以确定出炼铁过程的目标函数。

步骤S1013:根据所述配料基本信息和所述异常调度对应的惩罚函数，确定混匀过程中的目标函数。

上述目标函数主要指调度物料所花费的成本控制函数，在本发明中，优选地，上述目标函数主要指调度物料所花费的生产成本函数和/或存储成本函数。

在实际混匀过程中，由于各种原料参数受到生产条件的影响，因此，在建立原料的调度方案时需要考虑各种原料的约束条件。

步骤S1014:确定混匀过程中各种原料的约束条件。

在确定混匀过程中各种原料的约束条件时，需要确定出混匀过程中的原料的成分约束条件、堆重约束条件、库存约束条件及特殊原料约束条件，每种约束条件的具体的确定过程如下。

根据混匀过程中每种原料的下料量和每种原料中各化学成分的含量，计算混匀料堆中每种物料的成分含量，要求配完以后的每一个混匀料堆任何一个时刻的成分都必须满足指标要求，确定出原料的成分约束条件，原料的成分约束条件如下式(5)所示；

$Q_{cpn,j}=\frac{\underset{i=1}{\overset{m}{\&Sigma;}}\&lsqb;x_{i,j}*a_{i\_cpn}\&rsqb;}{\underset{i=1}{\overset{m}{\&Sigma;}}{x}_{i,j}}\&times;100\%\&le;A_{cpn}\&PlusMinus;q_1---\left(5\right)$

式(5)中，Q_cpn,j为第j堆混匀料中某个化学成分所占的百分比，a_{i_cpn}(i＝1,2,…,m)为第i种原料中某种化学成分的含量；x_i,j为第j堆所需第i种原料相应的下料量；A_cpn为计划中某种原料中某种化学成分的含量指标；q₁为计划中某种原料的某种化学成分含量指标的最大波动范围；表示第j堆混匀料中某种化学成分的总含量；表示第j堆混匀料的总堆重。

上述混匀料堆中通常包括铁、硅、钙、硫及磷等化学成分，当混匀料堆中铁比、硅比、钙比、硫比及磷比等达到炼铁所需的比例要求时，生产出的钢铁才可以满足质量要求。

在实际炼铁过程中，受原料场空间的限制，各混匀料堆堆重也受到一定限制。根据原料场物料容量，计算原料场各堆物料的堆重范围，可以确定出堆重约束条件，堆重物料约束条件如式(6)所示；

b_j≤D_j±p_j,即|b_j-D_j|≤p_j，j＝1,2,...,n (6)

式(6)中，为实际第j堆所堆堆重，D_j为计划中第j堆的标准堆重，p_j为计划中相对应D_j指标的最大波动范围。

根据原料场各原料所需最大用量和各堆中所需每种原料的下料量，计算每种原料当前的库存量，确定出库存约束条件，库存约束条件如下式(7)所示；

$\underset{j=1}{\overset{n}{\&Sigma;}}{x}_{i,j}\left(t\right)\&le;s_i\left(t\right),i=1,2,...,m---\left(7\right)$

式(7)中，x_i,j为决策变量，代表第j堆中所需第i种原料的下料量，s_i(t)为第i种原料当前的库存量。

统计可重复利用的烧结物料，确定出特殊原料约束条件，假设只有第一种物料为特殊原料，则特殊原料约束条件如式(8)所示；

返矿的约束条件是x_1,j＞0，其余x_i,j≥0,i＝2,3,...,m (8)

对于一个实际的混匀堆料过程，考虑到一些过程参数同样受到生产工艺条件的约束的情况，因此，根据上述确定出的原料的各种约束条件可以生成该原料不确定调度模型的约束条件，如式(9)所示；

$s.t.\left\{\begin{array}{c}|Q_{\mathrm{\&tau;},j}-A_{\mathrm{\&tau;},j}|\&le;q_{\mathrm{\&tau;},j},\mathrm{\&tau;}=1,2,\mathrm{...},T,j=1,2,\mathrm{...},n\\ \underset{j=1}{\overset{n}{\&Sigma;}}{x}_{i,j}\left(t\right)\&le;s_i\left(t\right),i=1,2,\mathrm{...},m\\ |b_j-D_j|\&le;p_j,j=1,2,\mathrm{...},n\\ x_{1,j}>0,j=1,2,\mathrm{...},n\\ x_{i,j}\&GreaterEqual;0,i=2,3,\mathrm{...},m,j=1,2,\mathrm{...},n\end{array}\right.---\left(9\right)$

式(9)中，Q_τ,j为所配第j堆混合料堆中第τ种化学成分的含量指标，A_τ,j为计划第j堆混合料堆中第τ种化学成分的含量指标，q_τ,j为计划第j堆混合料堆中第τ种化学成分含量指标的最大波动范围，s_i(t)为第i种原料当前的库存量，b_j为配比第j堆所堆堆重，D_j为计划中第j堆的标准堆重，p_j为计划中相对应D_j指标的最大波动范围，x_1,j为特殊物料在j堆中掺配量；x_i,j为第j堆所需第i种原料相应的下料量；m表示原料数；n表示堆数。

上述特殊原料约束条件用以维持返矿平衡，提高资源的有效利用率，从而保证炼铁资源的合理利用。通过上述原料的成分约束条件、上述堆重约束条件、上述库存约束条件及上述特殊原料约束条件，可以真实反映出原料场各堆物料的堆重范围，每堆料堆中各个化学成分的比例范围以及每种原料的库存可用量，如此，在生产过程中，可以根据各个原料的约束条件及时填充原料，避免料堆无料、出现生产中断的情况，从而可以提高产品的生产效率和产品质量。

步骤S1015:根据目标函数和约束条件建立原料不确定调度模型，原料不确定调度模型如式(1)所示，

$f_1\left(X\right)=\min C_1\left(x\right)=\min \{\underset{j=1}{\overset{n}{\&Sigma;}}\&lsqb;\underset{i=1}{\overset{m}{\&Sigma;}}{x}_{i,j}\&CenterDot;C_{i,1}\&rsqb;+\tilde{f}\left(X\right)\}$

$\begin{array}{c}{f}_2\left(X\right)=\min C_2\left(x\right)\\ =\min \{\underset{i=1}{\overset{m}{\&Sigma;}}\&lsqb;x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;{\tilde{E}}_i+x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;({\tilde{E}}_i-1)+\mathrm{...}+x_{i,j}\&CenterDot;C_{i,2}\&rsqb;+\tilde{f}\left(X\right)\}\\ =\min \{\frac{1}{2}\underset{i=1}{\overset{m}{\&Sigma;}}\&lsqb;x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;{\tilde{E}}_i\&CenterDot;({\tilde{E}}_i+1)\&rsqb;+\tilde{f}\left(X\right)\}\end{array}$

$s.t.\left\{\begin{array}{c}|Q_{\mathrm{\&tau;},j}-A_{\mathrm{\&tau;},j}|\&le;q_{\mathrm{\&tau;},j},\mathrm{\&tau;}=1,2,\mathrm{...},T,j=1,2,\mathrm{...},n\\ \underset{j=1}{\overset{n}{\&Sigma;}}{x}_{i,j}\left(t\right)\&le;s_i\left(t\right),i=1,2,\mathrm{...},m\\ |b_j-D_j|\&le;p_j,j=1,2,\mathrm{...},n\\ x_{1,j}>0,j=1,2,\mathrm{...},n\\ x_{i,j}\&GreaterEqual;0,i=2,3,\mathrm{...},m,j=1,2,\mathrm{...},n\end{array}\right.---\left(1\right)$

式(1)中，为异常调度对应的惩罚函数；x_i,j为决策变量，代表第j堆中所需第i种原料的相应下料量；C_i,1为第i中原料的采购价格；C₁(x)为生产成本，代表完成堆计划所需原料的总花费，f₁(X)为目标函数，代表最小的生产成本；m表示原料数；n表示堆数；

C_i,2为第i种原料每吨每天所需的保存费用，为额外的存储成本，C₂(x)为总存储成本，代表完成堆计划期间所有原料存储所消耗的费用，f₂(X)为目标函数，代表最小的总存储成本；

s.t.为各种原料的约束条件。

在实际炼铁过程中，由于炼铁所需的含铁原料来料时间存在不确定性，导致根据上述原料不确定调度模型难以进行原料的调度，因此，需要通过以下S102及S103步骤确定出原料的调度信息，以使根据该原料的调度信息可以准确地执行炼铁过程中原料的调度。

步骤S102:对原料不确定调度模型进行确定化处理，得到确定的带约束的多目标调度模型。

上述对原料不确定调度模型进行确定化处理时，具体可通过以下S1021-S1022步骤进行确定化。

步骤S1021：通过模糊模拟技术对原料不确定调度模型中每个含有模糊函数方程的目标函数进行处理，得到目标函数确定的输入输出样本集。

当上述建立的原料不确定调度模型包括的目标函数为f₁(X)及f₂(X)时，由于异常调度对应的惩罚函数中存在不确定参数，即是不确定配料时间的函数，因此是一个不确定函数，当采用三角模糊数表示中存在的不确定参数时，得到的是一个关于三角模糊数的模糊函数方程，从而目标函数f₁(X)及f₂(X)是含有模糊函数方程的不确定函数。

在本发明实施中，通过模糊模拟技术对原料不确定调度模型中每个含有模糊函数方程的目标函数进行处理，得到目标函数确定的输入输出样本集时，具体可通过以下过程进行处理。

第一步：将每个目标函数中的惩罚函数表示为预设的模糊函数方程表示式，预设的模糊函数方程表示式如下式(2)所示，

$\tilde{y}=g_{fuzzy}(X,\widetilde{\mathrm{\&theta;}})---\left(2\right)$

式(2)中，为目标函数中惩罚函数对应的模糊函数，表示与X和的函数关系，X为一组决策变量，表示原料的下料量，为三角模糊数表示的函数参数；

第二步：获取三角模糊数的隶属度函数；

第三步：确定目标函数的一组决策变量X^l，对三角模糊数在三角模糊数的隶属度函数内抽样，得到的一系列抽样值K为抽样数；

第四步：根据决策变量X^l和每个抽样值通过公式(2)得到K个确定的输出并求取K个的平均值，得到目标函数对应于决策变量X^l的确定输出值

第五步：通过上述第三步和第四步的提供的方法，根据目标函数输出值的计算方法，计算N次，得到N组输入数据X^l(l＝1,2,...,N)和对应的N组输出数据将N组输入数据和对应的N组输出数据确定为目标函数确定的输入输出样本集。

当通过以上方法确定出目标函数对应的确定的输入输出样本集后，根据该确定的输入输出样本集，通过以下S1022步骤得到确定的带约束的多目标调度模型，以使对该确定的带约束的多目标调度模型求解后，得到确定的、符合实际的调度要求的原料的调度信息。

步骤S1022：对确定的输入输出数据样本集进行训练，得到确定的带约束的多目标调度模型。

在本发明实施例提供的原料的调度方法中，可以通过多层前向神经元网络对上述确定的输入输出数据样本集进行训练，该多层前向神经元网络具有可以逼近连续非线性函数的优点，从而使得训练得到的数据与实际混匀过程中需要的数据之间的误差大大减小，提高训练后得到的数据的准确性。

在通过多层前向神经元网络对上述确定的输入输出数据样本集进行训练时，首先，将确定的输入输出数据样本集排列为训练数据集样本{(X_i,Y_i)i＝1,2,...,N}，设置该原料的不确定调度模型对应的多层前向神经元网络，包括设置输入神经元个数、隐层神经元个数、输出神经元个数、预设的最小误差值；然后，对训练数据集样本，通过STA(StateTransition Algorithm，状态转移算法)算法根据式(10)训练神经元网络学习过程的权重向量，直至实际输出矩阵H(X,W)在允许误差内接近其训练数据集样本Y，从而得到极小化误差函数Err(W)，从而逼近原料不确定调度模型中对应的目标函数，得到确定的生产成本函数和存储成本函数；最后，根据训练后得到的确定的生产成本函数和存储成本函数得到确定的带约束的多目标调度模型。

$Err\left(W\right)=\frac{1}{2}\underset{i=1}{\overset{N}{\&Sigma;}}\left|\right|H(X_i,W)-Y_i\left|\right|---\left(10\right)$

式(10)中，W为训练权重向量，Y_i(i＝1,2,…,N)训练数据集输出样本向量，X_i(i＝1,2,…,N)训练数据集输入样本向量。

当训练后得到的权重向量符合一定要求时，通过上述训练后得到的生产成本函数计算出的生产成本与实际生产成本之间的误差会大大减小，以及通过上述训练后得到的存储成本函数计算出的存储成本与实际存储成本之间的误差会大大减小，如此，对训练后得到的确定的带约束的多目标调度模型进行求解后，得到的原料调度信息准确度很高，该原料调度信息具有很强的可执行性，从而可以大大提高生产效率，以及提高产品质量。

步骤S103:对确定的带约束的多目标调度模型进行求解，得到原料调度信息；

在本发明实施例提供的原料的调度方法中，上述原料调度信息包括原料的配比信息以及相应的处理措施等。其中，配比信息包括每个车间每堆的配料时间、配料种类、配料量、每种原料中的掺配量等，处理措施规定了调度任务，以及异常调度的处理等，通过上述原料调度信息可以对生产中原料的配比及成本进行控制。上述对确定的带约束的多目标调度模型进行求解，得到原料调度信息，参见图4，具体可通过以下S1031-S1037步骤进行求解。

上述对带约束的多目标模型优化求解前，需要对多目标和多约束进行处理。首先将上述确定的带约束的多目标调度模型中的约束条件转化为一个违约程度函数具体可通过以下步骤转化。

第一步：将确定的带约束的多目标调度模型中的等式约束条件，通过式(11)将其转化为不等式约束条件。

|h_i(X)|-μ≤0，i＝p+1,p+2,...,q (11)

式(11)中，|h_i(X)|为确定性函数的等式约束条件，X为决策变量，μ通常取一个较小的正数，代表等式约束能够接受的偏离范围。

第二步：将某一个体对第i个约束条件的违约程度定义为G_i(X)，该G_i(X)如式(12)所示，

$G_i\left(X\right)=\left\{\begin{array}{cc}\max \{0,g_i\left(X\right)\},& i=1,2,\mathrm{...},p\\ \max \{0,|h_i\left(X\right)|-\mathrm{\&mu;}\},& i=p+1,p+2,\mathrm{...},q\end{array}\right.---\left(12\right)$

式(12)中，G_i(X)为第i个约束条件的违约程度，g_i(X)表示模型中的不等式约束，i为第i个约束条件，第1～p个约束条件为不等式约束条件，第p+1～q个约束条件为等式约束，X为决策变量。

第三步：将某一个体对所有约束条件的违约程度定义为该个体违反约束条件的程度，同时由于各约束条件的类型不同，因而具有不同的量纲和特性，需对每一约束条件的违约程度进行标准化处理，得到标准化违约程度该如式(13)所示，

$\stackrel{\&OverBar;}{G}\left(X\right)=\frac{1}{q}\underset{i=1}{\overset{q}{\&Sigma;}}\frac{G_i\left(X\right)}{G_{i\_max}}---\left(13\right)$

式(13)中，q为约束条件个数，X为决策变量，G_i(X)为第i个约束条件的违约程度，G_{i_max}为第i个约束条件的最大违约程度。

当得到标准化违约程度函数后，将违约程度函数和确定的带约束的多目标调度模型中的确定性函数进行融合，得到融合函数F(X)。该融合函数F(X)如式(14)所示，

$\min F\left(X\right)=min\&lsqb;f_1^{\&prime;}\left(X\right),f_2^{\&prime;}\left(X\right),\stackrel{\&OverBar;}{G}\left(X\right)\&rsqb;---\left(14\right)$

式(14)中，f₁′(X)为确定的生产成本函数，f₂′(X)为确定的存储成本函数，为标准化违约程度。

得到融合函数F(X)后，通过基于带变异的CMOSTA(约束多目标状态转移算法)算法对该融合函数求解，得到原料调度信息。

步骤S1031:初始化设置CMOSTA算法的相关参数、Pareto最优搜索解集种群P_S、Pareto非劣解集种群P_B、最大迭代次数Gmax，最大个体违约程度值ε以及水平截集p_c。

上述设置CMOSTA算法的相关参数，包括设置STA的搜索种群参数、扩展因子α、转移因子β、扩展因子γ和平移因子δ的值；上述设置Pareto最优搜索解集种群P_S以及Pareto非劣解集种群P_B，包括设置种群个数SE、随机初始化并均匀产生数目为num存放Pareto最优搜索解集种群P_S，同时初始化搜索中间种群为空，且设置Pareto非劣解集种群P_B＝P_S；设置水平截集p_c>0。

步骤S1032:从当前种群出发，开始当前迭代操作，对带约束的多目标模型采用CMOSTA搜索策略，得到新的种群。

当设置好上述参数后，具体可通过执行以下S10321-S10323步骤得到新的种群，如图5所示。

步骤S10321：对种群P_S中的每个个体执行状态转移操作，得到中间种群P_M1。

在本发明实施例中，在对种群P_S中的每个个体执行状态转移操作，时，即依次进行扩展操作、旋转操作和转移操作，将三次操作中非劣等级排序为1的个体放入中间种群P_M1中，得到中间种群P_M1。

步骤S10322:对种群P_B和得到的中间种群P_M1进行融合，以及进行Pareto非劣等级排序，得到新的种群P_M。

当将种群P_S中的所有个体都进行状态转移操作后，得到中间种群P_M1，对P_M1和P_B进行融合，形成初始的新种群P_M；利用训练好的融合函数F(X)检验初始的新种群P_M的可行性，将得到的可行解进行Pareto非劣等级排序后放入中间种群P_I中，将不可行解进行违约程度升序排序后放入中间种群P_J中，将排序后的P_I和P_J融合得到新种群P_M，其中，P_M＝[P_I,P_J]。

在本发明实施例中，更新种群参数时，利用训练好的神经元网络检验搜索种群的可行性。其中，对P_M中的个体，即为可行解，用Pareto非劣等级排序可行解P_I；对P_M中的个体，即为不可行解，用违约程度排序不可行解P_J。此时，在F(X)所得的可行解种群P_I和不可行解种群P_J个体中，最优解的选取采取以下准则进行选取：

当两个个体和都可行时，将适应值F(X)比较小的个体作为最优个体；当两个个体和都不可行时，将违约程度值比较小的个体作为最优个体；当可行且不可行时，如果且将个体作为最优个体，如果或将个体作为最优个体。

步骤S10323:根据新的种群P_M对种群参数进行更新。

更新种群参数时，主要更新非劣解集种群P_B、最优解搜索集种群P_S以及最大个体违约程度值ε。在对种群P_S和P_B进行赋值时，将P_M中排在前num个个体赋予P_S，即P_S＝P_M(1：num)；种群P_M中非劣等级为1的个体集P_M1放入到P_B中，即P_B＝P_M1。同时对最大个体违约程度值ε做自适应调整。

在本发明实施例中，为了将不可行解的比例保持在一个固定的水平p_c，根据得到中间种群P_M以及自适应调整公式对最大个体违约程度值ε自适应调整，其中，自适应调整公式如下式(15)所示，

${\mathrm{\&epsiv;}}^{\&prime;}=\left\{\begin{array}{cc}1.2*\mathrm{\&epsiv;},& p_k<p_c;\\ 0.8*\mathrm{\&epsiv;},& p_k>p_c;\\ \mathrm{\&epsiv;},& Other;\end{array}\right.---\left(15\right)$

式(15)中，p_k为每进化K代后不可行解在群体中所占比例的平均值，p_c为水平截集，ε为最大个体违约程度值，Other为除p_k＜p_c以及除p_k＞p_c外的情况，ε'为自适应调整后的最大个体违约程度值。

上述p_k可通过以下式(16)计算出，

$p_k=\left(\underset{i=k*K+1}{\overset{k*K+K}{\&Sigma;}}{N}_i\right)/(K\&times;num),k=0,1,...,n---\left(16\right)$

式(16)中，N_i表示第i代群体中不可行解数量；num是迭代搜索中个体数量。

步骤S1033:判断新的种群是否陷入局部最优，若陷入局部最优，则执行以下S1034步骤，若没有陷入局部最优，则执行以下S1035步骤，其中，局部最优为当前的Pareto非劣解集种群P_s与上一轮迭代得到的Pareto非劣解集种群P_s相等时的状态。

在本发明实施例中，首先判断迭代次数k是否为50的整数倍且P_S中的第k代P_S和第k-1代P_S是否相等，若是，则说明迭代陷入局部最优。

步骤S1034：执行全局更新策略，对种群采用变异操作进行种群更新，即执行最优解更新公式，得到变异后的父代中种群P_S。上述最优解更新公式如下(17)式所示，

x_k＝x_k+rand(0,1)×(x_best-x_k-1) (17)

式(17)中，x_k为第k代种群，x_k-1为第k-1代种群，rand(0,1)为在(0,1)范围内的随机数，x_best为第k-1代种群中的最优种群。

步骤S1035:判断当前迭代次数是否达到最大迭代次数Gmax，若没达到，将所有中间种群置空，则执行以上步骤S1032，对CMOSTA搜索中得到的Pareto最优搜索解集种群P_S和Pareto非劣解集种群P_B执行新一轮迭代操作，即重新搜索新种群并判断是否需要种群更新；若达到，则执行以下S1036步骤。

步骤S1036:输出Pareto非劣解集种群P_B作为搜索结果的非劣最优解集；

步骤S1037：通过TOPSIS法从搜索结果输出的非劣最优解集中选取一组非劣解，将选取的一组非劣解确定为原料调度信息。

步骤S104:根据原料调度信息执行对混匀过程中原料的调度。

上述确定出的原料调度信息与实际中原料的调度之间的误差很小，原料调度信息的准确度很高，根据该原料调度信息执行原料的调度，可以大大提高生产效率，以及提高产品的质量。

本发明实施例提供的原料的调度方法，通过建立的原料不确定调度模型可以准确地描述实际生产过程，通过确定化和带变异的CMOSTA算法可以求取准确度很高的原料调度信息，原料调度信息可执行性很强，根据该原料调度信息执行原料的调度，可以大大提高生产效率，以及提高产品的质量。

图6是本发明一种实施方式的一种原料的调度装置的示意图，参照图6，该装置包括：

建立模块S1，用于建立原料不确定调度模型；

处理模块S2，用于对原料不确定调度模型进行确定化处理，得到确定的带约束的多目标调度模型；

计算模块S3，用于对确定的带约束的多目标调度模型进行求解，得到原料调度信息；

执行模块S4，用于根据原料调度信息执行对混匀过程中原料的调度。

在本发明实施例中，由于混匀过程中存在来料时间的不确定性，因此，引入三角模糊数来描述原料场混匀过程堆计划原料不确定调度模型中的不确定参数，从而建立以各混匀堆的最小生产成本和/或最小存储成本为目标的原料的不确定调度模型。

在本发明实施例中，上述原料可以是炼铁所需的原料，建立上述原料不确定模型，可以真实反映出出炼铁所需的原料种类、品位、库存量、来料时间及配料时间的范围，其中，上述建立模块S1在建立上述原料不确定调度模型时，具体可通过以下获取单元、第一建立单元、第一确定单元和第二确定单元来建立。

上述建立模块S1包括获取单元、第一建立单元、第一确定单元、第二确定单元和第二建立单元。

获取单元，用于获取混匀过程的配料基本信息；

上述获取单元获取混匀过程的配料基本信息时，首先针对原料场混匀过程的实际问题，分析现场工况，其中包括分析现场混匀所需的原料种类，计划内混匀料堆数，每种原料各个化学成分含量，每种原料的采购价格，每种原料计划内进料量，计划内混匀料堆中各个化学成分含量指标，根据分析结果建立原料分析表，该原料分析表与上述实施例中提供的一种原料调度方法中的原料分析表相同，在此不再赘述。获取单元建立上述原料分析表后，可以通过该原料分析表及实际生产的需求，确定出计划内购买原料的种类、每种原料的成分指标、每种原料的购买量、每种原料的来料时间，每种原料的不确定配料时间、混匀料堆的每种物料含量范围、各个混匀料堆应堆重范围、每堆物料特殊物料使用信息及堆料场库存信息，生成混匀过程的配料基本信息。

上述计划可以是周计划、月计划、季度计划或年计划，具体可根据实际生产的需求确定，为了便于清楚地说明本发明实施例提供的数据，无特殊说明的情况下，上述计划均指月计划。

在原料的调度过程中，异常调度原料都会对生产过程产生影响，以至带来额外的损失，因此，需要在调度原料时考虑异常调度的情况。其中，异常调度主要包括提前调度或拖延调度。

第一建立单元，用于采用三角模糊数建立异常调度对应的惩罚函数；

上述第一建立单元可通过上述实施例一种炼铁原料的调度方法中提供的惩罚函数的建立方法，建立异常调度对应的惩罚函数，在此不再赘述。

在保证炼铁效率以及钢铁质量的前提下，控制炼铁成本也是制定原料调度方案所必需考虑的关键指标。根据炼铁厂对成本控制的要求，通过以下第一确定单元可以确定出炼铁过程的目标函数。

第一确定单元，根据所述配料基本信息和所述异常调度对应的惩罚函数，确定混匀过程中的目标函数。

上述目标函数主要指调度物料所花费的成本控制函数，在本发明中，优选地，上述目标函数主要指调度物料所花费的生成成本函数和/或存储成本函数。

在实际混匀过程中，由于各种原料参数受到生产条件的影响，因此，在建立原料的调度方案时需要考虑各种原料的约束条件。

第二确定单元，用于确定混匀过程中各种原料的约束条件；

上述第二确定单元，在确定混匀过程中各种原料的约束条件时，需要确定出混匀过程中的原料的成分约束条件、堆重约束条件、库存约束条件及特殊原料约束条件，每种约束条件的具体确定过程，可通过上述一种原料的调度方法中提供的约束条件的确定方法来确定，在此不再赘述。

在本发明实施例提供的原料的调度装置中，通过上述原料的成分约束条件、上述堆重约束条件、上述库存约束条件及上述特殊原料约束条件，可以真实反映出原料场各堆物料的堆重范围，每堆料堆中各个化学成分的比例范围以及每种原料的库存可用量，如此，在生产过程中，可以根据各个原料的约束条件及时填充原料，避免料堆无料、出现生产中断的情况，从而可以提高产品的生产效率和产品质量。

第二建立单元，用于根据所述目标函数和所述约束条件建立原料不确定调度模型，原料不确定调度模型如下式(1)所示，

$f_1\left(X\right)=\min C_1\left(x\right)=\min \{\underset{j=1}{\overset{n}{\&Sigma;}}\&lsqb;\underset{i=1}{\overset{m}{\&Sigma;}}{x}_{i,j}\&CenterDot;C_{i,1}\&rsqb;+\tilde{f}\left(X\right)\}$

$\begin{array}{c}{f}_2\left(X\right)=\min C_2\left(x\right)\\ =\min \{\underset{i=1}{\overset{m}{\&Sigma;}}\&lsqb;x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;{\tilde{E}}_i+x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;({\tilde{E}}_i-1)+\mathrm{...}+x_{i,j}\&CenterDot;C_{i,2}\&rsqb;+\tilde{f}\left(X\right)\}\\ =\min \{\frac{1}{2}\underset{i=1}{\overset{m}{\&Sigma;}}\&lsqb;x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;{\tilde{E}}_i\&CenterDot;({\tilde{E}}_i+1)\&rsqb;+\tilde{f}\left(X\right)\}\end{array}$

$s.t.\left\{\begin{array}{c}|Q_{\mathrm{\&tau;},j}-A_{\mathrm{\&tau;},j}|\&le;q_{\mathrm{\&tau;},j},\mathrm{\&tau;}=1,2,\mathrm{...},T,j=1,2,\mathrm{...},n\\ \underset{j=1}{\overset{n}{\&Sigma;}}{x}_{i,j}\left(t\right)\&le;s_i\left(t\right),i=1,2,\mathrm{...},m\\ |b_j-D_j|\&le;p_j,j=1,2,\mathrm{...},n\\ x_{1,j}>0,j=1,2,\mathrm{...},n\\ x_{i,j}\&GreaterEqual;0,i=2,3,\mathrm{...},m,j=1,2,\mathrm{...},n\end{array}\right.---\left(1\right)$

式(1)中，为异常调度对应的惩罚函数；x_i,j为决策变量，代表第j堆中所需第i种原料的相应下料量；C_i,1为第i中原料的采购价格；C₁(x)为生产成本，代表完成堆计划所需原料的总花费，f₁(X)为目标函数，代表最小的生产成本；m表示原料数；n表示堆数；

C_i,2为第i种原料每吨每天所需的保存费用，为额外的存储成本，C₂(x)为总存储成本，代表完成堆计划期间所有原料存储所消耗的费用，f₂(X)为目标函数，代表最小的总存储成本；

s.t.为各种原料的约束条件，Q_τ,j为所配第j堆混合料堆中第τ种化学成分的含量指标，A_τ,j为计划第j堆混合料堆中第τ种化学成分的含量指标，q_τ,j为计划第j堆混合料堆中第τ种化学成分含量指标的最大波动范围，s_i(t)为第i种原料当前的库存量，b_j为配比第j堆所堆堆重，D_j为计划中第j堆的标准堆重，p_j为计划中相对应D_j指标的最大波动范围，x_1,j为特殊物料在j堆中掺配量；x_i,j为第j堆所需第i种原料相应的下料量。

在实际炼铁过程中，由于炼铁所需的含铁原料来料时间存在不确定性，导致根据上述原料不确定调度模型难以进行原料的调度，因此，需要通过上述处理模块S2确定出原料的调度信息，以使根据该原料的调度信息可以准确执行炼铁过程中原料的调度。

上述处理模块S2包括处理单元和训练单元。

处理单元，用于通过模糊模拟技术对原料不确定调度模型中每个含有模糊函数方程的目标函数进行处理，得到目标函数确定的输入输出样本集。

在本发明实施例中，由于混匀过程中存在来料时间的不确定性，因此，上述处理单元在确定输入值后，通过三角模糊数的隶属度函数对不确定参数进行抽样，并根据基于抽样得到的抽样值，得到目标函数确定的输出样本值。具体的确定过程与上述实施例一种炼铁原料的调度方法中提供的确定过程类同，在此不再赘述。

当通过上述处理单元处理得到目标函数对应的确定的输入输出样本集后，根据该确定的输入输出样本集，通过以下训练单元得到确定的带约束的多目标调度模型，以使对该确定的带约束的多目标调度模型求解后，得到确定的、符合实际的调度要求的原料的调度信息。

训练单元，用于对确定的输入输出数据样本集进行训练，得到确定的带约束的多目标调度模型。

上述训练单元，可通过上述实施例一种原料的调度方法中提供的训练方法，对确定的输入输出数据样本集进行训练，具体的训练过程在此不再赘述。

当上述处理模块确定出确定的带约束的多目标调度模型后，可通过以下计算模块得到原料调度信息。

上述计算模块S3包括设置单元、搜索单元、更新单元、迭代判断单元和选取单元。

设置单元，用于初始化设置CMOSTA算法的相关参数、Pareto最优搜索解集种群P_s、Pareto非劣解集种群P_B、最大迭代次数Gmax，最大个体违约程度值ε以及水平截集p_c；

搜索单元，用于从当前种群出发，开始当前迭代操作，对带约束的多目标优化模型采用CMOSTA搜索策略，得到新的种群；

更新单元，用于判断新的种群是否陷入局部最优，若是，对种群采用变异操作进行种群更新，局部最优为当前的Pareto非劣解集种群P_s与上一轮迭代得到的Pareto非劣解集种群P_s相等时的状态；

迭代判断单元，用于判断搜索单元和更新单元是否需要迭代进行，若当前迭代次数没达到最大迭代次数Gmax，则重新启动搜索单元和更新单元；若达到，则迭代过程终止，输出Pareto非劣解集种群P_B作为搜索结果的非劣最优解集；

选取单元，用于通过TOPSIS(Technique for Order Preference by Similarityto an Ideal Solution，逼近理想解排序法)法从搜索结果输出的非劣最优解集中选取一组非劣解，将选取的一组非劣解确定为原料调度信息。

在本发明实施例中，上述设置单元可通过上述实施例一种原料的调度方法中提供的设置方法设置上述各种参数；上述搜索单元，可通过上述实施例一种原料的调度方法中提供的搜索方法，得到新的种群；上述更新单元，可通过上述实施例一种原料的调度方法中提供的判断准则，判断是否需要用变异操作对种群更新；上述迭代判断单元，可通过上述实施例一种原料的调度方法中提供的迭代终止判断准则，判断是否迭代终止；上述选取单元，可通过上述实施例一种原料的调度方法中提供的选取方法，从搜索结果输出的非劣最优解集中选取一组非劣解，将选取的一组非劣解确定为原料调度信息，在此均不再赘述。

当上述选取单元将选取的一组非劣解确定为原料调度信息，该原料调度信息与实际中原料的调度之间的误差很小，原料调度信息的准确度很高，上述执行模块S4根据该原料调度信息执行原料的调度，可以大大提高生产效率，以及提高产品的质量。

综上所述，本实施例提供了一种原料的调度方法及装置，通过建立的原料不确定调度模型可以准确地描述实际生产过程，通过确定化和带变异的CMOSTA算法可以求取准确度很高的原料调度信息，原料调度信息可执行性很强，根据该原料调度信息执行原料的调度，可以大大提高生产效率，以及提高产品的质量。

本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (10)

1.一种原料的调度方法，其特征在于，所述方法包括：

建立原料不确定调度模型；

对所述原料不确定调度模型进行确定化处理，得到确定的带约束的多目标调度模型；

对所述确定的带约束的多目标调度模型进行求解，得到原料调度信息；

根据所述原料调度信息执行对混匀过程中原料的调度。

2.根据权利要求1所述方法，其特征在于，所述建立原料不确定调度模型，包括：

获取混匀过程的配料基本信息；

采用三角模糊数，建立异常调度对应的惩罚函数；

根据所述配料基本信息和所述异常调度对应的惩罚函数，确定混匀过程中的目标函数；

确定混匀过程中各种原料的约束条件；

根据所述目标函数和所述约束条件建立原料不确定调度模型，所述原料不确定调度模型如下式(1)所示，

$f_1\left(X\right)={\mathrm{minC}}_1\left(x\right)=\min \{\underset{j=1}{\overset{n}{\&Sigma;}}\&lsqb;\underset{i=1}{\overset{m}{\&Sigma;}}{x}_{i,j}\&CenterDot;C_{i,1}\&rsqb;+\tilde{f}\left(X\right)\}$

$\begin{array}{c}{f}_2\left(X\right)=\min C_2\left(x\right)\\ =\min \left\{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\&lsqb;x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;{\tilde{E}}_i+x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;\left({\tilde{E}}_i-1\right)+...+x_{i,j}\&CenterDot;C_{i,2}\&rsqb;+\tilde{f}\left(X\right)\right\}\\ =\min \left\{\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\&lsqb;x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;{\tilde{E}}_i\&CenterDot;\left({\tilde{E}}_i-1\right)\&rsqb;+\tilde{f}\left(X\right)\right\}\end{array}$

$s.t.\left\{\begin{array}{c}|Q_{\mathrm{\&tau;},j}-A_{\mathrm{\&tau;},j}|\&le;q_{\mathrm{\&tau;},j},\mathrm{\&tau;}=1,2,...,T,j=1,2,...,n\\ \underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_{i,j}\left(t\right)\&le;s_i\left(t\right),i=1,2,...,m\\ |b_j-D_j|\&le;p_j,j=1,2,...,n\\ x_{1,j}>0,j=1,2,...,n\\ x_{i,j}\&GreaterEqual;0,i=2,3,...,m,j=1,2,...,n\end{array}\right.---\left(1\right)$

式(1)中，为异常调度对应的惩罚函数；x_i,j为决策变量，代表第j堆中所需第i种原料的相应下料量；C_i,1为第i中原料的采购价格；C₁(x)为生产成本，代表完成堆计划所需原料的总花费；f₁(X)为目标函数，代表最小的生产成本；m表示原料数；n表示堆数；

C_i,2为第i种原料每吨每天所需的保存费用，为额外的存储成本，C₂(x)为总存储成本，代表完成堆计划期间所有原料存储所消耗的费用，f₂(X)为目标函数，代表最小的总存储成本；

s.t.为各种原料的约束条件，Q_τ,j为所配第j堆混合料堆中第τ种化学成分的含量指标，A_τ,j为计划第j堆混合料堆中第τ种化学成分的含量指标，q_τ,j为计划第j堆混合料堆中第τ种化学成分含量指标的最大波动范围，s_i(t)为第i种原料当前的库存量，b_j为配比第j堆所堆堆重，D_j为计划中第j堆的标准堆重，p_j为计划中相对应D_j指标的最大波动范围，x_1,j为特殊物料在j堆中掺配量；x_i,j为第j堆所需第i种原料相应的下料量。

3.根据权利要求1所述方法，其特征在于，所述对所述原料不确定调度模型进行确定化处理，得到确定的带约束的多目标调度模型，包括：

通过模糊模拟技术对所述原料不确定调度模型中每个含有模糊函数方程的目标函数进行处理，得到所述目标函数确定的输入输出样本集；

对所述确定的输入输出数据样本集进行训练，得到确定的带约束的多目标调度模型。

4.根据权利要求3所述方法，其特征在于，所述通过模糊模拟技术对所述原料不确定调度模型中每个含有模糊函数方程的目标函数进行处理，得到所述目标函数对应的确定的输入输出样本集，包括：

将每个目标函数中的惩罚函数表示为预设的模糊函数方程表示式，所述预设的模糊函数方程表示式如下式(2)所示，

$\tilde{y}=g_{fuzzy}(X,\widetilde{\mathrm{\&theta;}})---\left(2\right)$

式(2)中，为目标函数中惩罚函数对应的模糊函数，表示与X和的函数关系，X为一组决策变量，表示原料的下料量，为三角模糊数表示的函数参数；

获取三角模糊数的隶属度函数；

确定目标函数的一组决策变量X^l，对所述三角模糊数在所述三角模糊数的隶属度函数内抽样，得到的一系列抽样值K为抽样数；

根据所述决策变量X^l和每个抽样值通过公式(2)得到K个确定的输出并求取K个的平均值，得到目标函数对应于决策变量X^l的确定输出值

根据所述目标函数输出值的计算方法，计算N次，得到N组输入数据X^l(l＝1,2,...,N)和对应的N组输出数据将所述N组输入数据和对应的所述N组输出数据确定为目标函数确定的输入输出样本集。

5.根据权利要求3所述的方法，其特征在于，所述对所述确定的输入输出数据样本集进行训练，得到确定的带约束的多目标模型，包括：

将所述确定的输入输出数据样本集排列为训练数据集样本；

对所述训练数据集样本，通过状态转移算法STA训练神经元网络学习过程的权重向量，逼近所述原料不确定调度模型中对应的目标函数，得到确定的生产成本函数和/存储成本函数；

根据训练后得到的所述确定的生产成本函数和存储成本函数建立确定的带约束的多目标调度模型。

6.根据权利要求1所述的方法，其特征在于，所述对所述确定的带约束的多目标调度模型进行求解，得到原料调度信息，包括：

初始化设置CMOSTA算法的相关参数、Pareto最优搜索解集种群P_S、Pareto非劣解集种群P_B、最大迭代次数Gmax，最大个体违约程度值ε以及水平截集p_c；

从当前种群出发，开始当前迭代操作，对所述确定的带约束的多目标调度模型采用CMOSTA搜索策略，得到新的种群；

判断所述新的种群是否陷入局部最优，若是，对所述种群采用变异操作进行种群更新，所述局部最优为当前的Pareto非劣解集种群P_s与上一轮迭代得到的Pareto非劣解集种群P_s相等时的状态；

判断当前迭代次数是否达到最大迭代次数Gmax，若没达到，将所有中间种群置空，对CMOSTA搜索中得到的Pareto最优搜索解集种群P_S和Pareto非劣解集种群P_B执行新一轮迭代操作，即重新搜索新种群并判断是否需要种群更新；若达到，则输出Pareto非劣解集种群P_B作为搜索结果的非劣最优解集；

通过TOPSIS(Technique for Order Preference by Similarity to an IdealSolution，逼近理想解排序法)从所述搜索结果输出的非劣最优解集中选取一组非劣解，将选取的所述一组非劣解确定为原料调度信息。

7.一种原料的调度装置，其特征在于，所述装置包括：

建立模块，用于建立原料不确定调度模型；

处理模块，用于对所述原料不确定调度模型进行确定化处理，得到确定的带约束的多目标调度模型；

计算模块，用于对所述确定的带约束的多目标调度模型进行求解，得到原料调度信息；

执行模块，用于根据所述原料调度信息执行对混匀过程中原料的调度。

8.根据权利要求7所述装置，其特征在于，所述建立模块包括：

获取单元，用于获取混匀过程的配料基本信息；

第一建立单元，用于采用三角模糊数，建立异常调度对应的惩罚函数；

第一确定单元，根据所述配料基本信息和所述异常调度对应的惩罚函数，确定混匀过程中的目标函数；

第二确定单元，用于确定混匀过程中各种原料的约束条件；

第二建立单元，用于根据所述目标函数和所述约束条件建立原料不确定调度模型，所述原料不确定调度模型如下式(1)所示，

$f_1\left(X\right)={\mathrm{minC}}_1\left(x\right)=\min \{\underset{j=1}{\overset{n}{\&Sigma;}}\&lsqb;\underset{i=1}{\overset{m}{\&Sigma;}}{x}_{i,j}\&CenterDot;C_{i,1}\&rsqb;+\tilde{f}\left(X\right)\}$

$\begin{array}{c}{f}_2\left(X\right)=\min C_2\left(x\right)\\ =\min \left\{\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\&lsqb;x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;{\tilde{E}}_i+x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;\left({\tilde{E}}_i-1\right)+...+x_{i,j}\&CenterDot;C_{i,2}\&rsqb;+\tilde{f}\left(X\right)\right\}\\ =\min \left\{\frac{1}{2}\underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\&lsqb;x_{i,j}\&CenterDot;C_{i,2}\&CenterDot;{\tilde{E}}_i\&CenterDot;\left({\tilde{E}}_i-1\right)\&rsqb;+\tilde{f}\left(X\right)\right\}\end{array}$

$s.t.\left\{\begin{array}{c}|Q_{\mathrm{\&tau;},j}-A_{\mathrm{\&tau;},j}|\&le;q_{\mathrm{\&tau;},j},\mathrm{\&tau;}=1,2,...,T,j=1,2,...,n\\ \underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_{i,j}\left(t\right)\&le;s_i\left(t\right),i=1,2,...,m\\ |b_j-D_j|\&le;p_j,j=1,2,...,n\\ x_{1,j}>0,j=1,2,...,n\\ x_{i,j}\&GreaterEqual;0,i=2,3,...,m,j=1,2,...,n\end{array}\right.---\left(1\right)$

式(1)中，为异常调度对应的惩罚函数；x_i，j为决策变量，代表第j堆中所需第i种原料的相应下料量；C_i,1为第i中原料的采购价格；C₁(x)为生产成本，代表完成堆计划所需原料的总花费，f₁(X)为目标函数，代表最小的生产成本；m表示原料数；n表示堆数；

C_i,2为第i种原料每吨每天所需的保存费用，为额外的存储成本，C₂(x)为总存储成本，代表完成堆计划期间所有原料存储所消耗的费用，f₂(X)为目标函数，代表最小的总存储成本；

s.t.为各种原料的约束条件，Q_τ,j为所配第j堆混合料堆中第τ种化学成分的含量指标，A_τ,j为计划第j堆混合料堆中第τ种化学成分的含量指标，q_τ,j为计划第j堆混合料堆中第τ种化学成分含量指标的最大波动范围，s_i(t)为第i种原料当前的库存量，b_j为配比第j堆所堆堆重，D_j为计划中第j堆的标准堆重，p_j为计划中相对应D_j指标的最大波动范围，x_1,j为特殊物料在j堆中掺配量；x_i,j为第j堆所需第i种原料相应的下料量。

9.根据权利要求7所述装置，其特征在于，所述处理模块包括：

处理单元，用于通过模糊模拟技术对所述原料不确定调度模型中每个含有模糊函数方程的目标函数进行处理，得到所述目标函数确定的输入输出样本集；

训练单元，用于对所述确定的输入输出数据样本集进行训练，得到确定的带约束的多目标调度模型。

10.根据权利要求7所述的装置，其特征在于，所述计算模块包括：

设置单元，用于初始化设置CMOSTA算法的相关参数、Pareto最优搜索解集种群P_S、Pareto非劣解集种群P_B、最大迭代次数Gmax，最大个体违约程度值ε以及水平截集p_c；

搜索单元，用于从当前种群出发，开始当前迭代操作，对所述确定的带约束的多目标模型采用CMOSTA搜索策略，得到新的种群；

更新单元，用于判断所述新的种群是否陷入局部最优，若是，对所述种群采用变异操作进行种群更新，所述局部最优为当前的Pareto非劣解集种群P_s与上一轮迭代得到的Pareto非劣解集种群P_s相等时的状态；

迭代判断单元，用于判断搜索单元和更新单元是否需要迭代进行，若当前迭代次数没达到最大迭代次数Gmax，则重新启动搜索单元和更新单元；若达到，则迭代过程终止，输出Pareto非劣解集种群P_B作为搜索结果的非劣最优解集；

选取单元，用于通过逼近理想解排序法TOPSIS法从所述搜索结果输出的非劣最优解集中选取一组非劣解，将选取的所述一组非劣解确定为原料调度信息。