CN106650999B - 一种啤酒生产调度优化方法 - Google Patents

一种啤酒生产调度优化方法 Download PDF

Info

Publication number
CN106650999B
CN106650999B CN201610950569.3A CN201610950569A CN106650999B CN 106650999 B CN106650999 B CN 106650999B CN 201610950569 A CN201610950569 A CN 201610950569A CN 106650999 B CN106650999 B CN 106650999B
Authority
CN
China
Prior art keywords
production
beer
scheduling
variable
model
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.)
Active
Application number
CN201610950569.3A
Other languages
English (en)
Other versions
CN106650999A (zh
Inventor
郑松
朱枫
葛铭
郑小青
魏江
葛文锋
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.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
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 Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN201610950569.3A priority Critical patent/CN106650999B/zh
Publication of CN106650999A publication Critical patent/CN106650999A/zh
Application granted granted Critical
Publication of CN106650999B publication Critical patent/CN106650999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及涉及一种啤酒工业生产调度优化方法。目前，啤酒生产企业生产调度仍然依靠人工经验的方法来确定，虽然基本可以满足生产的要求，但是原料消耗高、设备利用率低、清酒等中间产品存储量常常无法控制。本发明步骤是：获取获取啤酒生产设备的性能指标；根据生产计划确定生产调度目标；根据设备性能指标以及生产调度目标建立基于离散时间表达的啤酒调度生产模型；利用自适应协同优化算法的方法对啤酒生产调度模型进行优化，最终求解生产调度方案。本发明具有开放性、鲁棒性、全局收敛性、高效性以及优化结果精确可靠等特点。

Description

一种啤酒生产调度优化方法
技术领域
本发明属于信息与控制技术领域，涉及到自动化技术，特别是涉及一种啤酒工业生产调度优化方法。
背景技术
流程工业生产调度问题是化工、食品、材料、制药等领域中的一个重要研究内容。生产调度是企业管理的重要组成部分，随着科学技术的迅速发展，生产调度越来越受到流程企业的重视。流程工业生产调度是以流程企业经营效益为目标，协调生产、存储、销售、运输等各个环节，追求整体平衡，并以市场的需求变化为依据，及时的对生产活动进行调整，保证流程企业生产活动顺利的运行。啤酒行业同样需要合理的调度生产，在满足市场订单需求的前提下确定设备生产计划，充分利用糖化锅，糊化锅，过滤槽，发酵罐等设备的加工能力，使生产效率最大化，同时不产生过多的清酒库存造成浪费。
目前，啤酒生产企业生产调度仍然依靠人工经验的方法来确定，虽然基本可以满足生产的要求，但是原料消耗高、设备利用率低、清酒等中间产品存储量常常无法控制。人工安排调度也存在着计算难度大耗时耗力的问题，往往调度方案产生后已经过一段时间，调度的实时性十分差。因此对啤酒生产调度进行优化对提高企业生产效率、降低产品成本具有重要意义。啤酒生产调度优化是一个含多极值点的流程工业优化问题。迄今为止，流程工业生产调度优化问题多采用混合整型的离散时间模型，并以传统数学优化方法进行优化，如单纯形法、共轭梯度法、几何平均分析法、分枝定界法等。由于这些优化方法缺乏对大规模模型的求解能力，因而要求解如啤酒工业这类具有大量离散时间跨度的复杂数学形式的优化问题，十分困难。
发明内容
本发明的目标是针对啤酒生产调度优化中的一些难题，提出一种具有应对大规模离散时间模型的计算能力以及全局优化能力的调度优化方法，该优化方法具有开放性、鲁棒性、全局收敛性、高效性以及优化结果精确可靠等特点。
本发明的技术方案是将啤酒工业连续的流程工业调度问题转变成基于离散时间表达的混合整数优化问题，然后采用自适应的协同优化算法改善算法寻优性能，缩短计算时间，最终确立了一种啤酒生产调度优化方法。
本发明的具体步骤是：
步骤1：获取啤酒生产设备的加工时间、加工能力上下限、存储容量上限、以及作业产出/消耗比例系数，这些设备性能指标通过设备商或者通过生产过程中统计获取；啤酒生产设备包括糊化锅、糖化锅、过滤槽、煮沸锅和发酵罐；
步骤2：根据市场需求以及啤酒企业的生产计划确定生产调度目标，即各类型啤酒的成品需求量、以及所需总调度时段T。确定生产目标的同时确定当前各设备生产状态以及已有存储量。
步骤3：通过步骤1与步骤2获得的设备性能指标以及生产调度目标建立基于离散时间表达的啤酒调度生产模型，确定约束条件与目标函数。
①设备分配约束条件：
Figure BDA0001141978480000021
Figure BDA0001141978480000022
式中：0/1变量Xlit表示在调度时段t是否在设备i上开始任务l，I为加工设备合集，L为设备的任务合集，一种啤酒类型就代表一种任务，T为调度时段的合集，τli为设备i处理任务l的所需时间，M为大于10000的整数。
②设备加工能力约束条件：
Figure BDA0001141978480000023
式中：变量Blit表示在调度时段t设备i对应任务l的加工量，
Figure BDA0001141978480000024
与
Figure BDA0001141978480000025
依次表示设备i对应任务l的最小加工量与最大加工量，为保证啤酒设备生产效率以及能源使用率，
Figure BDA0001141978480000026
不可低于
Figure BDA0001141978480000027
的80％；
③存储容量约束条件：
Figure BDA0001141978480000028
式中：变量SIjt表示调度时间段t末物料j的库存量，
Figure BDA0001141978480000029
为物料j的存储容量上限。
④物料平衡约束条件：
Figure BDA00011419784800000210
式中：θjl为任务l产出物料j的比例系数，
Figure BDA00011419784800000211
为任务l消耗物料j的比例系数。
⑤优化目标函数：
啤酒工业生产调度的主要目的是在完成指定各啤酒类型需求生产量的前提下使在制品最少，即各时间段各物料j的库存量最小，以此提高生产效率，减少原料浪费。故设定以下目标函数作为评估模型：
Figure BDA00011419784800000212
式中：Wl表示任务l的需求产量，j'表示各任务最末工序的物料(即清酒)，i'表示最末工序设备，t'表示最后一个时间段。
步骤4：利用自适应协同优化算法的方法对啤酒生产调度模型进行优化，最终求解生产调度方案。具体步骤如下：
①对啤酒生产调度模型进行分解生成学科级与系统级模型：
以单日生产调度为单位划分为各学科级模型，生产调度总日数即为学科级个数，具体模型如下：
Figure BDA0001141978480000031
式中：Fk(Xk)表示学科级模型目标函数，fk表示子学科目标函数，即为步骤3-⑤所列出的优化目标函数。Jk表示一致性约束由系统级分配。k表示各学科级，n由学科级个数决定。s.t.gk(Xk)≤0表示所有约束，即为步骤3-①、步骤3-②、步骤3-③、步骤3-④所列出的等式与不等式约束。其中ω1k,ω2k为自适应加权因子：
Figure BDA0001141978480000032
其中c为一常数，
Figure BDA00011419784800000311
为协同不一致性因子由步骤4-③求得。
系统级模型具体如下：
Figure BDA0001141978480000033
式中：F(Z)表示系统级目标函数，变量w表示耦合变量的集合、变量z表示非耦合变量的集合。在啤酒工业生产调度中，耦合变量即为单日最末时段加工量Bli't'，其余变量为非耦合变量。sk表示第k个子学科耦合设计变量的个数，wq表示表示第q个耦合变量，
Figure BDA0001141978480000034
表示第k个子学科的第q个耦合设计变量的优化结果。εk表示动态松弛因子由步骤4-③求得。
②设置系统级初始点，即耦合变量w与非耦合变量z，初始变量设为零；
③计算协同不一致性因子
Figure BDA0001141978480000035
以及动态松弛因子εk：
Figure BDA0001141978480000036
w*(m-1)表示第m-1次迭代后系统级最优设计点，
Figure BDA0001141978480000037
代表第m次迭代后第k个学科的最优设计点；
Figure BDA0001141978480000038
Figure BDA0001141978480000039
Figure BDA00011419784800000310
在第m次迭代，定义学科间最大不一致性d(m)，
Figure BDA0001141978480000041
代表第m次迭代后第q个耦合设计变量的最优点；以
Figure BDA0001141978480000042
作为先验信息得到第m次迭代中的
Figure BDA0001141978480000043
a、b为常数。
④将步骤4-③中计算所得的协同不一致性因子
Figure BDA0001141978480000044
带入步骤4-①中所得的各学科级模型，并进行优化求解，求解算法使用成熟稳定的分枝定界法。
⑤将步骤4-③中计算所得的动态松弛因子εk带入步骤4-①所得的系统级模型，同时将步骤4-④中所得的学科级最优设计点
Figure BDA0001141978480000045
传递至系统级中。得到系统级优化方程后进行求解，求解算法同样使用分枝定界法。
⑥求解协同不一致性因子均值
Figure BDA0001141978480000046
Figure BDA0001141978480000047
其中n为学科级个数。
对求得的协同不一致性因子均值
Figure BDA0001141978480000048
进行判断，若
Figure BDA0001141978480000049
则转至步骤4-⑦，否则继续循环进行步骤4-③～步骤4-⑥。D为常数。
⑦修改步骤4-①中的模型为带松弛因子的标准协同优化算法继续优化，去除学科级目标函数fk以及动态松弛因子εk。修改后的模型如下：
系统级：
Figure BDA00011419784800000410
学科级：
Figure BDA00011419784800000411
其中ε为常数取0.0001。
将修改好的模型迭代求解，求解方法与第步骤4-④⑤步相同。
⑧将两次迭代间系统级目标函数的值进行对比，若
Figure BDA00011419784800000412
则满足收敛条件停止求解，F(Z)m表示第m次迭代后系统级目标函数值，此时求得的各学科级最优解即为啤酒工业生产调度方案。其中e为常数取值为10-6。
与现有技术相比，本发明的有益效果是取代了传统依靠人工经验进行啤酒生产调度的方法，减少了在调度计划中投入的人力与时间，同时产生的调度方案精确有效，提高了啤酒工业设备利用率，降低了原料消耗，减少了中间产品的存储量。本优化方法具有开放性、鲁棒性、全局收敛性、高效性以及优化结果精确可靠的特点，尤其对于大规模离散时间模型有很强的求解能力。
具体实施方式
一种啤酒生产调度优化方法，该方法具体包括以下步骤：
步骤1：获取啤酒生产设备的加工时间、加工能力上下限、存储容量上限、以及作业产出/消耗比例系数，这些设备性能指标通过设备商或者通过生产过程中统计获取；啤酒生产设备包括糊化锅、糖化锅、过滤槽、煮沸锅和发酵罐；
步骤2：根据市场需求以及啤酒企业的生产计划确定生产调度目标，即各类型啤酒的成品需求量、以及所需总调度时段T。确定生产目标的同时确定当前各设备生产状态以及已有存储量。
步骤3：通过步骤1与步骤2获得的设备性能指标以及生产调度目标建立基于离散时间表达的啤酒调度生产模型，确定约束条件与目标函数。
①设备分配约束条件：
Figure BDA0001141978480000051
Figure BDA0001141978480000052
式中：0/1变量Xlit表示在调度时段t是否在设备i上开始任务l，I为加工设备合集，L为设备的任务合集，一种啤酒类型就代表一种任务，T为调度时段的合集，τli为设备i处理任务l的所需时间，M为大于10000的整数。
②设备加工能力约束条件：
Figure BDA0001141978480000053
式中：变量Blit表示在调度时段t设备i对应任务l的加工量，
Figure BDA0001141978480000054
与
Figure BDA0001141978480000055
依次表示设备i对应任务l的最小加工量与最大加工量，为保证啤酒设备生产效率以及能源使用率，
Figure BDA0001141978480000056
不可低于
Figure BDA0001141978480000057
的80％；
③存储容量约束条件：
Figure BDA0001141978480000058
式中：变量SIjt表示调度时间段t末物料j的库存量，
Figure BDA0001141978480000059
为物料j的存储容量上限。
④物料平衡约束条件：
Figure BDA00011419784800000510
式中：θjl为任务l产出物料j的比例系数，
Figure BDA00011419784800000511
为任务l消耗物料j的比例系数。
⑤优化目标函数：
啤酒工业生产调度的主要目的是在完成指定各啤酒类型需求生产量的前提下使在制品最少，即各时间段各物料j的库存量最小，以此提高生产效率，减少原料浪费。故设定以下目标函数作为评估模型：
Figure BDA0001141978480000061
式中：Wl表示任务l的需求产量，j'表示各任务最末工序的物料(即清酒)，i'表示最末工序设备，t'表示最后一个时间段。
步骤4：利用自适应协同优化算法的方法对啤酒生产调度模型进行优化，最终求解生产调度方案。具体步骤如下：
①对啤酒生产调度模型进行分解生成学科级与系统级模型：
以单日生产调度为单位划分为各学科级模型，生产调度总日数即为学科级个数，具体模型如下：
Figure BDA0001141978480000062
式中：Fk(Xk)表示学科级模型目标函数，fk表示子学科目标函数，即为步骤3-⑤所列出的优化目标函数。Jk表示一致性约束由系统级分配。k表示各学科级，n由学科级个数决定。s.t.gk(Xk)≤0表示所有约束，即为步骤3-①、步骤3-②、步骤3-③、步骤3-④所列出的等式与不等式约束。其中ω1k,ω2k为自适应加权因子：
Figure BDA0001141978480000063
其中c为一常数，
Figure BDA0001141978480000064
为协同不一致性因子由步骤4-③求得。
系统级模型具体如下：
Figure BDA0001141978480000065
式中：F(Z)表示系统级目标函数，变量w表示耦合变量的集合、变量z表示非耦合变量的集合。在啤酒工业生产调度中，耦合变量即为单日最末时段加工量Bli't'，其余变量为非耦合变量。sk表示第k个子学科耦合设计变量的个数，wq表示表示第q个耦合变量，
Figure BDA0001141978480000066
表示第k个子学科的第q个耦合设计变量的优化结果。εk表示动态松弛因子由步骤4-③求得。
②设置系统级初始点，即耦合变量w与非耦合变量z，初始变量设为零；
③计算协同不一致性因子
Figure BDA0001141978480000067
以及动态松弛因子εk：
Figure BDA0001141978480000068
w*(m-1)表示第m-1次迭代后系统级最优设计点，
Figure BDA0001141978480000071
代表第m次迭代后第k个学科的最优设计点；
Figure BDA0001141978480000072
Figure BDA0001141978480000073
Figure BDA0001141978480000074
在第m次迭代，定义学科间最大不一致性d(m)，
Figure BDA0001141978480000075
代表第m次迭代后第q个耦合设计变量的最优点；以
Figure BDA0001141978480000076
作为先验信息得到第m次迭代中的
Figure BDA0001141978480000077
a、b为常数。
④将步骤4-③中计算所得的协同不一致性因子
Figure BDA0001141978480000078
带入步骤4-①中所得的各学科级模型，并进行优化求解，求解算法使用成熟稳定的分枝定界法。
⑤将步骤4-③中计算所得的动态松弛因子εk带入步骤4-①所得的系统级模型，同时将步骤4-④中所得的学科级最优设计点
Figure BDA0001141978480000079
传递至系统级中。得到系统级优化方程后进行求解，求解算法同样使用分枝定界法。
⑥求解协同不一致性因子均值
Figure BDA00011419784800000710
Figure BDA00011419784800000711
其中n为学科级个数。
对求得的协同不一致性因子均值
Figure BDA00011419784800000712
进行判断，若
Figure BDA00011419784800000713
则转至步骤4-⑦，否则继续循环进行步骤4-③～步骤4-⑥。D为常数。
⑦修改步骤4-①中的模型为带松弛因子的标准协同优化算法继续优化，去除学科级目标函数fk以及动态松弛因子εk。修改后的模型如下：
系统级：
Figure BDA00011419784800000714
学科级：
Figure BDA00011419784800000715
其中ε为常数取0.0001。
将修改好的模型迭代求解，求解方法与第步骤4-④⑤步相同。
⑧将两次迭代间系统级目标函数的值进行对比，若
Figure BDA00011419784800000716
则满足收敛条件停止求解，F(Z)m表示第m次迭代后系统级目标函数值，此时求得的各学科级最优解即为啤酒工业生产调度方案。其中e为常数取值为10-6。

Claims (1)

1.一种啤酒生产调度优化方法，其特征在于，该方法具体包括以下的步骤：
步骤1：获取啤酒生产设备的加工时间、加工能力上下限、存储容量上限、以及作业产出/消耗比例系数，这些设备性能指标通过设备商或者通过生产过程中统计获取；啤酒生产设备包括糊化锅、糖化锅、过滤槽、煮沸锅和发酵罐；
步骤2：根据市场需求以及啤酒企业的生产计划确定生产调度目标，即各类型啤酒的成品需求量、以及所需总调度时段T；确定生产目标的同时确定当前各设备生产状态以及已有存储量；
步骤3：通过步骤1与步骤2获得的设备性能指标以及生产调度目标建立基于离散时间表达的啤酒调度生产模型，确定约束条件与目标函数；
①设备分配约束条件：
Figure FDA0002614834920000011
Figure FDA0002614834920000012
式中：0/1变量Xlit表示在调度时段t是否在设备i上开始任务l，I为加工设备合集，L为设备的任务合集，一种啤酒类型就代表一种任务，T为调度时段的合集，τli为设备i处理任务l的所需时间，M为大于10000的整数；
②设备加工能力约束条件：
Figure FDA0002614834920000013
式中：变量Blit表示在调度时段t设备i对应任务l的加工量，
Figure FDA0002614834920000014
与
Figure FDA0002614834920000015
依次表示设备i对应任务l的最小加工量与最大加工量，为保证啤酒设备生产效率以及能源使用率，
Figure FDA0002614834920000016
不低于
Figure FDA0002614834920000017
的80％；
③存储容量约束条件：
Figure FDA0002614834920000018
式中：变量SIjt表示调度时间段t末物料j的库存量，
Figure FDA0002614834920000019
为物料j的存储容量上限；
④物料平衡约束条件：
Figure FDA00026148349200000110
式中：θjl为任务l产出物料j的比例系数，
Figure FDA0002614834920000021
为任务l消耗物料j的比例系数；
⑤优化目标函数：
啤酒工业生产调度的主要目的是在完成指定各啤酒类型需求生产量的前提下使在制品最少，即各时间段各物料j的库存量最小，故设定以下目标函数作为评估模型：
Figure FDA0002614834920000022
式中：Wl表示任务l的需求产量，j'表示各任务最末工序的物料，i'表示最末工序设备，t'表示最后一个时间段；
步骤4：利用自适应协同优化算法的方法对啤酒生产调度模型进行优化，最终求解生产调度方案；具体步骤如下：
①对啤酒生产调度模型进行分解生成学科级与系统级模型：
以单日生产调度为单位划分为各学科级模型，生产调度总日数即为学科级个数，具体模型如下：
Figure FDA0002614834920000023
式中：Fk(Xk)表示学科级模型目标函数，fk表示子学科目标函数，即为步骤3-⑤所列出的优化目标函数；Jk表示一致性约束由系统级分配；k表示各学科级，n由学科级个数决定；s.t.gk(Xk)≤0表示所有约束，即为步骤3-①、步骤3-②、步骤3-③、步骤3-④所列出的等式与不等式约束；其中ω1k,ω2k为自适应加权因子：
Figure FDA0002614834920000024
其中c为一常数，
Figure FDA0002614834920000025
为协同不一致性因子由步骤4-③求得；
系统级模型具体如下：
Figure FDA0002614834920000026
式中：F(Z)表示系统级目标函数，变量w表示耦合变量的集合、变量z表示非耦合变量的集合；在啤酒工业生产调度中，耦合变量即为单日最末时段加工量Bli't'，其余变量为非耦合变量；sk表示第k个子学科耦合设计变量的个数，wq表示第q个耦合变量，
Figure FDA0002614834920000027
表示第k个子学科的第q个耦合设计变量的优化结果；εk表示动态松弛因子由步骤4-③求得；
②设置系统级初始点，即耦合变量w与非耦合变量z，初始变量设为零；
③计算协同不一致性因子
Figure FDA0002614834920000031
以及动态松弛因子εk：
Figure FDA0002614834920000032
w*(m-1)表示第m-1次迭代后系统级最优设计点，
Figure FDA0002614834920000033
代表第m次迭代后第k个学科的最优设计点；
Figure FDA0002614834920000034
Figure FDA0002614834920000035
Figure FDA0002614834920000036
在第m次迭代，定义学科间最大不一致性d(m)，
Figure FDA0002614834920000037
代表第m次迭代后第q个耦合设计变量的最优点；以
Figure FDA0002614834920000038
作为先验信息得到第m次迭代中的
Figure FDA0002614834920000039
a、b为常数；
④将步骤4-③中计算所得的协同不一致性因子
Figure FDA00026148349200000310
带入步骤4-①中所得的各学科级模型，并进行优化求解，求解算法使用成熟稳定的分枝定界法；
⑤将步骤4-③中计算所得的动态松弛因子εk带入步骤4-①所得的系统级模型，同时将步骤4-④中所得的学科级最优设计点
Figure FDA00026148349200000311
传递至系统级中；得到系统级优化方程后进行求解，求解算法同样使用分枝定界法；
⑥求解协同不一致性因子均值
Figure FDA00026148349200000312
Figure FDA00026148349200000313
其中n为学科级个数；
对求得的协同不一致性因子均值
Figure FDA00026148349200000314
进行判断，若
Figure FDA00026148349200000315
则转至步骤4-⑦，否则继续循环进行步骤4-③～步骤4-⑥；D为常数；
⑦修改步骤4-①中的模型为带松弛因子的标准协同优化算法继续优化，去除学科级目标函数fk以及动态松弛因子εk；修改后的模型如下：
系统级：
Figure FDA00026148349200000316
学科级：
Figure FDA0002614834920000041
其中ε为常数取0.0001；
将修改好的模型迭代求解，求解方法与步骤4-④、步骤4-⑤步相同；
⑧将两次迭代间系统级目标函数的值进行对比，若
Figure FDA0002614834920000042
则满足收敛条件停止求解，F(Z)m表示第m次迭代后系统级目标函数值，此时求得的各学科级最优解即为啤酒工业生产调度方案；其中e为常数取值为10-6。
CN201610950569.3A 2016-10-25 2016-10-25 一种啤酒生产调度优化方法 Active CN106650999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610950569.3A CN106650999B (zh) 2016-10-25 2016-10-25 一种啤酒生产调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610950569.3A CN106650999B (zh) 2016-10-25 2016-10-25 一种啤酒生产调度优化方法

Publications (2)

Publication Number Publication Date
CN106650999A CN106650999A (zh) 2017-05-10
CN106650999B true CN106650999B (zh) 2020-12-01

Family

ID=58820592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610950569.3A Active CN106650999B (zh) 2016-10-25 2016-10-25 一种啤酒生产调度优化方法

Country Status (1)

Country Link
CN (1) CN106650999B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805325B (zh) * 2018-04-11 2022-03-01 杭州电子科技大学 一种生产计划与调度集成优化方法
CN109034457B (zh) * 2018-06-28 2022-03-25 杭州电子科技大学 一种燃煤电厂污染物低成本协同脱除建模及优化方法
CN110766253B (zh) * 2018-07-27 2023-04-18 宝山钢铁股份有限公司 炼钢连铸计划物流流向设定的炼钢量分配控制方法
CN109815439B (zh) * 2018-12-28 2022-11-25 杭州电子科技大学 一种减速器设计协同优化方法
CN110109430B (zh) * 2019-04-30 2020-09-22 杭州电子科技大学 一种间歇式啤酒发酵装置优化控制系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1359066A (zh) * 2002-01-16 2002-07-17 西安交通大学 基于拉氏松弛的生产系统调度子问题序贯更新法
WO2005103847A1 (en) * 2004-04-27 2005-11-03 Abb Research Ltd Scheduling of industrial production processess
CN101894326A (zh) * 2010-07-14 2010-11-24 清华大学 一种典型非层次耦合系统多学科多目标协同优化方法
CN104035327A (zh) * 2014-05-30 2014-09-10 杭州电子科技大学 一种啤酒糖化过程的生产调度优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1359066A (zh) * 2002-01-16 2002-07-17 西安交通大学 基于拉氏松弛的生产系统调度子问题序贯更新法
WO2005103847A1 (en) * 2004-04-27 2005-11-03 Abb Research Ltd Scheduling of industrial production processess
CN101894326A (zh) * 2010-07-14 2010-11-24 清华大学 一种典型非层次耦合系统多学科多目标协同优化方法
CN104035327A (zh) * 2014-05-30 2014-09-10 杭州电子科技大学 一种啤酒糖化过程的生产调度优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
啤酒生产调度数学模型及其优化;郑松等;《控制理论与应用》;20110415;第28卷(第4期);第519-524页 *
啤酒生产过程优化和综合自动化若干关键技术研究;郑松;《中国博士学位论文全文数据库》;20080430;全文 *

Also Published As

Publication number Publication date
CN106650999A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106650999B (zh) 一种啤酒生产调度优化方法
Liu Modelling and parameter identification for a nonlinear time-delay system in microbial batch fermentation
CN109242188B (zh) 一种钢铁煤气系统长期区间预测及其结构学习方法
WO2020199665A1 (zh) 一种多目标原油调合在线优化方法
CN111340306A (zh) 一种面向智能制造的机床设备优化方法
CN109647899A (zh) 一种带钢热轧精轧过程中多规格轧件电耗预报方法
CN101396617A (zh) 工业分馏系统负荷配置在线优化方法
CN105117801B (zh) 基于智能算法的轮胎成型-硫化生产能耗实时优化方法
Shang et al. Production scheduling optimization method based on hybrid particle swarm optimization algorithm
CN116777051A (zh) 一种浸渍活性炭生产方法
Pan et al. Near‐optimal control of a stochastic vegetation‐water system with reaction diffusion
CN114742422A (zh) 一种考虑低碳排放约束的原油调度优化方法及装置
Tao et al. Enhancing wood resource efficiency through spatial agglomeration: Insights from China's wood-processing industry
CN102269988A (zh) 一种流程工业生产调度的管道分流点系数的优化确定方法
CN104008429B (zh) 一种航空发动机装配任务优先度排序方法
Xinping et al. Grey Relational Analysis and Forecast of Demand for Scrap Steel.
CN110298456A (zh) 集群系统中设备维护排程方法及装置
Tang et al. The Impact of Environmental Regulation on Agricultural Ecological Efficiency from the Perspective of High-Quality Agricultural Development: Based on Evidence from 30 Provinces in China
CN110826909B (zh) 一种基于规则集的工作流执行方法
CN104200336A (zh) 一种基于综合能耗判断的企业原料平衡方法
Ritschel et al. Economic optimal control of a U-loop bioreactor using simultaneous collocation-based approaches
Zheng Financial management innovation of electric power enterprises based on robotic process automation
CN102184486A (zh) 离散型制造业生产能力平衡方法
CN114004384A (zh) 一种项目进度偏差预警方法及装置
Zachariah et al. Receding Horizon Planning-an Introduction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant