CN107544246A

CN107544246A - 一种多目标优化的炼焦煤料的制备过程的优化调度方法

Info

Publication number: CN107544246A
Application number: CN201710788587.0A
Authority: CN
Inventors: 钱斌; 杜傲然; 胡蓉
Original assignee: Kunming University of Science and Technology
Current assignee: Kunming University of Science and Technology
Priority date: 2017-09-05
Filing date: 2017-09-05
Publication date: 2018-01-05
Anticipated expiration: 2037-09-05
Also published as: CN107544246B

Abstract

本发明涉及一种多目标优化的炼焦煤料的制备过程的优化调度方法，属于生产车间智能优化调度技术领域。本发明通过确定多目标优化的炼焦煤料的制备过程的调度模型和优化目标，并使用基于改进的“教”与“学”的优化算法的优化调度方法对优化目标进行优化。本发明通过在算法的教师阶段，对成绩最好的几个学员或问题解进行Insert操作来提高教学水平从而提高种群整体质量；同时，改进教学因子，提出一种自适应的教学因子，在搜索过程中对学员的能力进行自适应的调整，使其能够动态自适应的调整改进的“教”与“学”的优化算法的全局搜索性能；本发明所提出的基于改进的“教”与“学”的优化调度方法可以有效解决炼焦煤料中制备过程调度问题。

Description

一种多目标优化的炼焦煤料的制备过程的优化调度方法

技术领域

本发明涉及一种多目标优化的炼焦煤料的制备过程的优化调度方法，属于生产车间智能优化调度技术领域。

背景技术

随着国内外经济的快速发展，企业对钢铁的需求量日益增大，钢铁行业逐渐成为我国支柱型产业，从而带动了煤炭行业的快速发展。我国正向着炼焦强国转型，但是，煤炭产业是能源密集型产业，因此，如何提高能源利用率，减少能源浪费是产业一个亟待解决的问题。在炼焦工艺中，主要包括备煤、炼焦、煤气净化及其公辅设施等基本操作，其中备煤操作是炼制优质焦炭的关键，所以，必须对备煤操作给予足够的重视。

备煤也叫炼焦煤料的制备，是将煤矿运来的各种精煤(或低灰分原煤)制备成符合炼焦要求的煤料。一般包括：卸煤、贮存和混匀、配合、粉碎和混合，并将制备好的煤料送到焦炉贮煤塔。为了完成以上工艺任务，车间内的装备有卸车设备、贮煤场倒运设备、配煤设备和粉碎设备等。在我国某些严寒地区为了便于卸煤设有解冻库，某些多雨地区为了防止煤料过湿还设有煤的干燥设备。所以，本发明考虑严寒或多雨因素，有五个工艺阶段，需要在5台不同机器上完成。在整个炼焦过程中，煤料的制备工艺过程是炼焦的关键，同时也占据主要时间。因此，对多目标的炼焦煤料的制备过程进行合理的调度，是缩短生产周期，提高炼焦系统产能的关键。在炼焦煤料的制备过程中，不同煤料在不同设备无等待连续不断加工，同时，每台备煤设备在加工完一种煤料后，为了防止各种煤之间的交叉污染，需要一定的设置时间进行清洁和调整，才能继续加工另外一种煤料，同时设置时间取决于煤料之间的加工顺序；此外，如果一台设备准备加工一种煤料而这种煤料还没有释放，那么这台设备就要等到这种煤料到达释放时间才可以工作。该过程属于多目标带序相关设置时间和释放时间的零等待流水车间绿色调度问题。业已证明该问题是NP(Non-Polynomial)完全问题，无法在多项式时间内求得精确解，其解空间随着问题规模的增大呈指数增长，所以具有较高的理论和学术价值。

由于炼焦煤料的制备过程调度问题属于NP完全范畴，传统的数学规划方法和启发式构造方法无法保证解的优化质量。

发明内容

本发明提供了一种多目标优化的炼焦煤料的制备过程的优化调度方法，以用于解决在较短时间内获得多目标优化的炼焦煤料的制备过程优化调度问题的近似最优解的问题。

本发明的技术方案是：一种多目标优化的炼焦煤料的制备过程的优化调度方法，通过确定多目标优化的炼焦煤料的制备过程的调度模型和优化目标，并使用基于改进的“教”与“学”的优化算法的优化调度方法对优化目标进行优化；其中调度模型根据每台设备所加工煤料的最大完工时间及能量损耗约束而建立，同时第一优化目标为最小化最大完工时间f₁＝Cmax(π)，第二个优化目标为最小化总能量损耗f₂＝TEC：

min{f1,f2}＝min{C_max(π),TEC}

TEC＝Eb+E_u

C_j ⁱ _,m＝PST_j ⁱ+TP_j ⁱ,i＝1,...,n

L_j ^i-1 _,j ⁱ＝ML_j ^i-1 _,j ⁱ _,m+TP_j ^i-1-TP_j ⁱ,i＝1,...,n

其中，生产车间设备数为m，煤料品种数为n，每种煤料i∈(1,...,n)需要在设备满足工件加工约束时加工；煤料的加工时间与加工设备有关，任何设备l∈(1,...,m)同一时刻只能加工一种煤料；设备在加工不同煤料时，需要设置时间，设置时间依赖于煤料间的加工顺序π＝[j¹,j²,...,jⁿ]，即π＝[j¹,j²,...,jⁿ]为待加工的n种煤料的排列，jⁿ∈(1,2,....,n)表示某一煤料jⁿ的排序；C_j ⁱ _,m为煤料jⁱ在最后一台设备上的总完工时间，C_j ⁱ _,l为煤料jⁱ在设备l上的完工时间；E_b为设备运转时的基本能量损耗，E_u为设备空闲时段的能量损耗；PST_j ⁱ为煤料jⁱ在第一台设备的开始加工时间，TP_j ⁱ为煤料jⁱ在所有设备上的总加工时间；ML_j ^i-1 _,j ⁱ _,l为煤料j^i-1和jⁱ在设备l上的最小延迟，则ML_j ^i-1 _,j ⁱ _,m为煤料j^i-1和jⁱ在最后一台设备上的最小延迟，AT_j ⁱ为煤料jⁱ的到达时间，L_j ^i-1 _,j ⁱ为煤料j^i-1和jⁱ在第一台设备上的开始加工时间之差且L_j ⁰ _,j ¹＝0；P_j ⁱ _,l为煤料jⁱ在设备l上的加工时间且P_j ⁰ _,l＝0，ST_j ^i-1 _,j ⁱ _,l为煤料j^i-1与jⁱ之间在设备l上的序相关设置时间且ST_j ⁰ _,j ¹ _,l＝0；X_j ⁱ _,l为当设备加工煤料时为1，否则为0；PW_j ⁱ _,l为煤料jⁱ在设备l上的功率损耗；E_l为设备关闭到开启的能量损耗，T₀为机器空闲时间，T_off-on为设备关闭到开启需要的时间。

所述改进的“教”与“学”的优化算法的优化调度方法的具体步骤如下：

Step1、编码方式：采用基于随机键编码方式对煤料加工工序排序进行实数编码，然后利用最大顺序值规则建立实数编码和整数编码之间的一一映射关系，进而实现从实数编码向煤料加工工序排序的转换；

step2、种群初始化：采用随机方式初始化种群，随机生成popsize个个体，构成种群规模为popsize的初始种群，同时选择当代种群中“非支配解”作为第一代的“历史非支配解”；

step3、教师阶段：按照拥挤距离将种群最好的t个学员也就是当前迭代下的t个最优解看成教师，即并分别进行Insert操作；除教师之外的其它学员学习前的实数编码值X_old,p通过自适应教学因子学习方法进行更新，得到学习后的实数编码值X_new,p；再根据最大顺序值规则重新排序；其中，k∈(1,2,...t)；

step4、更新种群阶段：学员根据教师阶段前后的成绩进行对比：如果学习前后的两种成绩不能互为非支配解，则成绩差的被好的替代；如果学习前后的两种成绩互为非支配解，则随机选择一个作为下一代新个体；

step5、学员阶段：学员随机的与其他学员进行相互学习，并根据教师的意见不断的自我学习来获取更多的知识；然后，根据最大顺序值规则重新排序；

step6、更新种群阶段：每个学员根据学员阶段学习前后的成绩进行对比：如果学习前后的两种成绩不能互为非支配解，则成绩差的被好的替代；如果学习前后的两种成绩互为非支配解，则随机选择一个作为下一代新个体；接着更新非支配解，再根据拥挤距离选择t个教师；

step7、终止条件：设定终止条件的最大迭代次数，如果满足，则输出“非支配解”；否则转至step3，反复迭代，直到满足终止条件。

所述自适应教学因子学习方法，具体为：X_new,p＝X_old,p+Difference；其中，X_old,p和X_new,p分别表示第p个学员学习前和学习后的值，r_p为第p个学员选取的0...1之间的随机数，为第k个教师的教学因子，且X_worst为最差解集中所有解的平均值。

所述学员随机的与其他学员进行相互学习，并根据教师的意见不断的自我学习来获取更多的知识，具体为：如果f(X_new,u)＜f(X_new,s)，X_new,u＝X_old,u+r_u·(X_new,u-X_new,s)+r_u·(X_{teacher_ave}-X_old,u)；否则，X_new,u＝X_old,u+r_u·(X_new,s-X_new,u)+r_u·(X_{teacher_ave}-X_old,u)；其中，X_new,u、X_new,s分别为随机选取的一名学员u、s学习后的值，r_u为学员u选取的0...1之间的随机数，X_{teacher_ave}为选取的t个教师的水平的平均值，和f(X_new,s)为两个学员的目标函数值。

本发明的有益效果是：本发明通过在算法的教师阶段，对成绩最好的几个学员或问题解进行Insert操作来提高教学水平从而提高种群整体质量；同时，改进教学因子，提出一种自适应的教学因子，在搜索过程中对学员的能力进行自适应的调整，使其能够动态自适应的调整改进的“教”与“学”的优化算法的全局搜索性能。本发明所提出的基于改进的“教”与“学”的优化调度方法可以有效炼焦煤料中制备过程调度问题。

附图说明

图1设备数m＝3，煤料品种数n＝3的带序相关设置时间零等待流水车间调度问题模型；

图2为本发明的炼焦煤料的制备过程示意图；

图3为本发明的算法流程图；

图4为本发明中问题规模为3×3解的表达示意图；

图5为本发明的“Insert”操作示意图。

具体实施方式

实施例1：如图1-5所示，一种多目标优化的炼焦煤料的制备过程的优化调度方法，通过确定多目标优化的炼焦煤料的制备过程的调度模型和优化目标，并使用基于改进的“教”与“学”的优化算法的优化调度方法对优化目标进行优化；其中调度模型根据每台设备所加工煤料的最大完工时间及能量损耗约束而建立，同时第一优化目标为最小化最大完工时间f₁＝Cmax(π)，第二个优化目标为最小化总能量损耗f₂＝TEC：

min{f₁,f₂}＝min{C_max(π),TEC}

TEC＝E_b+E_u

C_j ⁱ _,m＝PST_j ⁱ+TP_j ⁱ,i＝1,...,n

L_j ^i-1 _,j ⁱ＝ML_j ^i-1 _,j ⁱ _,m+TP_j ^i-1-TP_j ⁱ,i＝1,...,n

其中，生产车间设备数为m(如图2，展现了5台设备，相当于按照加工顺序的煤料需要按照1到m的设备顺序进行加工，设备的顺序是固定的，都是1，2，3...m的顺序加工。)，煤料品种数为n，每种煤料i∈(1,...,n)需要在设备满足工件加工约束时加工；煤料的加工时间与加工设备有关，任何设备l∈(1,...,m)同一时刻只能加工一种煤料；设备在加工不同煤料时，需要设置时间，设置时间依赖于煤料间的加工顺序π＝[j¹,j²,...,jⁿ]，即π＝[j¹,j²,...,jⁿ]为待加工的n种煤料的排列，jⁿ∈(1,2,....,n)表示某一煤料jⁿ的排序；C_j ⁱ _,m为煤料jⁱ在最后一台设备上的总完工时间，C_j ⁱ _,l为煤料jⁱ在设备l上的完工时间；E_b为设备运转时的基本能量损耗，E_u为设备空闲时段的能量损耗；PST_j ⁱ为煤料jⁱ在第一台设备的开始加工时间，TP_j ⁱ为煤料jⁱ在所有设备上的总加工时间；ML_j ^i-1 _,j ⁱ _,l为煤料j^i-1和jⁱ在设备l上的最小延迟，则ML_j ^i-1 _,j ⁱ _,m为煤料j^i-1和jⁱ在最后一台设备上的最小延迟，AT_j ⁱ为煤料jⁱ的到达时间，L_j ^i-1 _,j ⁱ为煤料j^i-1和jⁱ在第一台设备上的开始加工时间之差且L_j ⁰ _,j ¹＝0；P_j ⁱ _,l为煤料jⁱ在设备l上的加工时间且P_j ⁰ _,l＝0，ST_j ^i-1 _,j ⁱ _,l为煤料j^i-1与jⁱ之间在设备l上的序相关设置时间且ST_j ⁰ _,j ¹ _,l＝0；X_j ⁱ _,l为当设备加工煤料时为1，否则为0；PW_j ⁱ _,l为煤料jⁱ在设备l上的功率损耗；E_l为设备关闭到开启的能量损耗，T₀为机器空闲时间，T_off-on为设备关闭到开启需要的时间。

进一步地，可以设置所述改进的“教”与“学”的优化算法的优化调度方法的具体步骤如下：

进一步地，可以设置所述自适应教学因子学习方法，具体为：X_new,p＝X_old,p+Difference；其中，X_old,p和X_new,p分别表示第p个学员学习前和学习后的值，r_p为第p个学员选取的0...1之间的随机数，为第k个教师的教学因子，且X_worst为最差解集中所有解的平均值。

进一步地，可以设置所述学员随机的与其他学员进行相互学习，并根据教师的意见不断的自我学习来获取更多的知识，具体为：如果f(X_new,u)＜f(X_new,s)，X_new,u＝X_old,u+r_u·(X_new,u-X_new,s)+r_u·(X_{teacher_ave}-X_old,u)；否则，X_new,u＝X_old,u+r_u·(X_new,s-X_new,u)+r_u·(X_{teacher_ave}-X_old,u)；其中，X_new,u、X_new,s分别为随机选取的一名学员u、s学习后的值，r_u为学员u选取的0...1之间的随机数，X_{teacher_ave}为选取的t个教师的水平的平均值，f(X_new,u)和f(X_new,s)为两个学员的目标函数值。

实施例2：如图1-5所示，一种多目标优化的炼焦煤料的制备过程的优化调度方法，通过确定多目标优化的炼焦煤料的制备过程的调度模型和优化目标，并使用基于改进的“教”与“学”的优化算法的优化调度方法对优化目标进行优化；其中调度模型根据每台设备所加工煤料的最大完工时间及能量损耗约束而建立，同时第一优化目标为最小化最大完工时间f1＝C_max(π)，第二个优化目标为最小化总能量损耗f2＝TEC。

所述优化调度方法的具体步骤如下：

Step1、编码方式：采用基于随机键编码方式对煤料加工工序排序进行实数编码，然后利用LOV规则建立实数编码和整数编码之间的一一映射关系，进而实现从实数编码X_p＝[x_p,1,x_p,2,x_p,3]向煤料加工工序π_p＝{j_p,1,j_p,2,j_p,3}排序的转换，工件的排序由下列公式计算获得：

为了更好的理解LOV规则，表1给出了一个简单的例子。

表1编码实例

step2、种群初始化：本实施例的种群数popsize设置为200，那么，采用随机方式初始化种群，随机生成200个个体，构成种群规模为200的初始种群，同时选择当代种群中“非支配解”作为第一代的“历史非支配解”；(智能算法通过解的编码来实现迭代寻优。寻找一个煤料加工工序排序和实数编码之间恰当的映射是很有必要的，这也为实现解码提供便利，同时可以形成可行调度。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。针对多目标优化的炼焦煤料的制备的特征，本发明提出基于随机键的编码；标准的“教”与“学”的优化算法中个体是以实数串表示的，本发明采用基于随机键编码方式对煤料加工工序排序进行实数编码，然后利用LOV规则建立实数编码和整数编码之间的一一映射关系，进而实现从实数编码向煤料加工工序排序的转换。)

step3、教师阶段：本阶段通过教师的努力并给学员传播知识来提高班级的平均成绩。在本多目标发明中，按照拥挤距离把整个种群最好的三个学员也就是当前迭代下的三个最优解看成教师，即其中k为教师的数量，k∈(1,..,3)，进行Insert操作(如图5所示)来提高种群整体质量；除教师之外的其它学员学习前的实数编码值X_old,p通过自适应教学因子学习方法进行更新，得到学习后的实数编码值X_new,p；再根据最大顺序值规则重新排序；其中，k∈(1,2,...t)；

X_new,p＝X_old,p+Difference；其中，X_old,p和X_new,p分别表示第p个学员学习前和学习后的值，所有教师与班级平均值之间的差异第k个教师与班级平均值之间的差异r_p为第p个学员选取的0...1之间的随机数，为第k个教师的教学因子，且X_worst为最差解集中所有解的平均值(因为教师是最有经验的人，同时也是在一个学科中知识渊博的人，教师的职责是使平均成绩提高，尽量向自己靠拢，本发明将最差解集中所有解的平均值作为班级平均值，这样可以更大幅度的提高班级的整体水平，即Mean＝X_worst。)。

step5、学员阶段：学员通过教师知识的传播和学员之间的互相讨论学习提升知识水平，学员随机与其他学员进行相互学习，如果其他学员能力更出众，那么这个学员就会学到新的知识，同时，学员也可以根据教师的意见不断的自我学习来获取更多的知识，然后，根据LOV规则生成新个体；

具体为：如果f(X_new,u)＜f(X_new,s)，X_new,u＝X_old,u+r_u·(X_new,u-X_new,s)+r_u·(X_{teacher_ave}-X_old,u)；否则，X_new,u＝X_old,u+r_u·(X_new,s-X_new,u)+r_u·(X_{teacher_ave}-X_old,u)；其中，X_new,u、X_new,s分别为随机选取的一名学员u、s学习后的值，r_u为学员u选取的0...1之间的随机数，X_{teacher_ave}为选取的t个教师的水平的平均值，f(X_new,u)和f(X_new,s)为两个学员的目标函数值。

step6、更新种群阶段：每个学员根据学员阶段学习前后的成绩进行对比：如果学习前后的两种成绩不能互为非支配解，则成绩差的被好的替代；如果学习前后的两种成绩互为非支配解，则随机选择一个作为下一代新个体；接着更新非支配解，再根据拥挤距离选择3个教师；

step7、终止条件：设定终止条件的最大迭代次数为300，如果满足，则输出“非支配解”；否则转至step3，反复迭代，直到满足终止条件。

具体的对比实验如下：

多目标算法与单一目标的求解算法不同，需要有权衡多个目标函数的性能指标。本发明提出如下性能比较方程，假设最后输出的非支配解集为S＝S₁∪S₂∪…∪S_n，共n个非支配解集，那么：

它表示解集S_n在S中不受其它解集支配所占比例，其中，分子中的y∈x表示解x被解y支配，则将解集S_n中的被y支配的解x剔除，分母表示非支配解集S_n的个数。显然，R_NDS(S_n)的值越大，表示该算法就越有优势。

表2给出了本发明提出的改进的“教”与“学”优化算法(MTLBO)与传统“教”与“学”优化算法(TLBO)的比较结果，R_ND S_T，R_ND S_M分别表示两种不同方法下的R_NDS(S_n)值，由表2可以看出，在相同时间内，且每一个算法运算20次，MTLBO的R_NDS(S_n)在任何规模中都比TLBO的大。本发明提出的方法可得到优于经典TLBO方法的结果，故可用于有效求解多目标优化的炼焦煤料的制备过程的调度问题。

表2实施例的两个算法对比结果

本发明又选择其他五组测试数据进行算法对比，即：问题规模n×m分别是：10×5，20×5，30×10，50×10，70×20；结果如表3所示：

表3不同问题规模下两个算法对比结果

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

1.一种多目标优化的炼焦煤料的制备过程的优化调度方法，其特征在于：通过确定多目标优化的炼焦煤料的制备过程的调度模型和优化目标，并使用基于改进的“教”与“学”的优化算法的优化调度方法对优化目标进行优化；其中调度模型根据每台设备所加工煤料的最大完工时间及能量损耗约束而建立，同时第一优化目标为最小化最大完工时间f₁＝C_max(π)，第二个优化目标为最小化总能量损耗f₂＝TEC：

min{f₁,f₂}＝min{C_max(π),TEC}

<mrow> <msub> <mi>C</mi> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>&pi;</mi> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msub> <mi>C</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>m</mi> </mrow> </msub> </mrow>

TEC＝E_b+E_u

C_j ⁱ _，m＝PST_j ⁱ+TP_j ⁱ，i＝1，...，n

L_j ^i-1 _,j ⁱ＝ML_j ^i-1 _,j ⁱ _,m+TP_j ^i-1-TP_j ⁱ,i＝1,...,n

<mrow> <msub> <mi>E</mi> <mi>b</mi> </msub> <mo>=</mo> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <msub> <mi>X</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>&CenterDot;</mo> <msub> <mi>PW</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>&CenterDot;</mo> <msub> <mi>P</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> </mrow>

<mrow> <msub> <mi>E</mi> <mi>u</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mtable> <mtr> <mtd> <mrow> <msub> <mi>E</mi> <mi>l</mi> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mo>(</mo> <mo>(</mo> <mrow> <msub> <mi>C</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> </mrow> <mo>)</mo> <mo>-</mo> <msub> <mi>C</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>)</mo> <mo>&GreaterEqual;</mo> <mi>max</mi> <mo>{</mo> <msub> <mi>E</mi> <mi>l</mi> </msub> <mo>/</mo> <msub> <mi>PW</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>T</mi> <mrow> <mi>o</mi> <mi>f</mi> <mi>f</mi> <mo>-</mo> <mi>o</mi> <mi>n</mi> </mrow> </msub> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </msubsup> <msubsup> <mo>&Sigma;</mo> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>m</mi> </msubsup> <mrow> <mo>(</mo> <mo>(</mo> <mrow> <msub> <mi>C</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>P</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> </mrow> <mo>)</mo> <mo>-</mo> <msub> <mi>C</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>&CenterDot;</mo> <msub> <mi>X</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>&CenterDot;</mo> <msub> <mi>PW</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>,</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>T</mi> <mn>0</mn> </msub> <mo><</mo> <mi>min</mi> <mo>{</mo> <msub> <mi>E</mi> <mi>l</mi> </msub> <mo>/</mo> <msub> <mi>PW</mi> <mi>j</mi> </msub> <msub> <msup> <mrow></mrow> <mi>i</mi> </msup> <mrow> <mo>,</mo> <mi>l</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>R</mi> <mrow> <mi>o</mi> <mi>f</mi> <mi>f</mi> <mo>-</mo> <mi>o</mi> <mi>n</mi> </mrow> </msub> <mo>}</mo> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> </mtable> </mfenced> </mrow>

其中，生产车间设备数为m，煤料品种数为n，每种煤料i∈(1,...,n)需要在设备满足工件加工约束时加工；煤料的加工时间与加工设备有关，任何设备l∈(1,...,m)同一时刻只能加工一种煤料；设备在加工不同煤料时，需要设置时间，设置时间依赖于煤料间的加工顺序π＝[j¹,j²,...,jⁿ]，即π＝[j¹,j²,...,jⁿ]为待加工的n种煤料的排列，jⁿ∈(1,2,....,n)表示某一煤料jⁿ的排序；C_j ⁱ _,m为煤料jⁱ在最后一台设备上的总完工时间，C_j ⁱ _,l为煤料jⁱ在设备l上的完工时间；E_b为设备运转时的基本能量损耗，E_u为设备空闲时段的能量损耗；PST_j ⁱ为煤料jⁱ在第一台设备的开始加工时间，TP_j ⁱ为煤料jⁱ在所有设备上的总加工时间；ML_j ⁱ ^-1 _,j ⁱ _,l为煤料j^i-1和jⁱ在设备l上的最小延迟，则ML_j ^i-1 _,j ⁱ _,m为煤料j^i-1和jⁱ在最后一台设备上的最小延迟，AT_j ⁱ为煤料jⁱ的到达时间，L_j ^i-1 _,j ⁱ为煤料j^i-1和jⁱ在第一台设备上的开始加工时间之差且L_j ⁰ _,j ¹＝0；P_j ⁱ _,l为煤料jⁱ在设备l上的加工时间且P_j ⁰ _,l＝0，ST_j ^i-1 _,j ⁱ _,l为煤料j^i-1与jⁱ之间在设备l上的序相关设置时间且ST_j ⁰ _,j ¹ _,l＝0；X_j ⁱ _,l为当设备加工煤料时为1，否则为0；PW_j ⁱ _,l为煤料jⁱ在设备l上的功率损耗；E_l为设备关闭到开启的能量损耗，T₀为机器空闲时间，T_off-on为设备关闭到开启需要的时间。

2.根据权利要求1所述的多目标优化的炼焦煤料的制备过程的优化调度方法，其特征在于：所述改进的“教”与“学”的优化算法的优化调度方法的具体步骤如下：

成绩差的将被好的替代；

3.根据权利要求2所述的多目标优化的炼焦煤料的制备过程的优化调度方法，其特征在于：所述自适应教学因子学习方法，具体为：X_new,p＝X_old,p+Difference；其中，X_old,p和X_new,p分别表示第p个学员学习前和学习后的值，r_p为第p个学员选取的0...1之间的随机数，为第k个教师的教学因子，且X_worst为最差解集中所有解的平均值。

4.根据权利要求2所述的多目标优化的炼焦煤料的制备过程的优化调度方法，其特征在于：所述学员随机的与其他学员进行相互学习，并根据教师的意见不断的自我学习来获取更多的知识，具体为：如果f(X_new,u)＜f(X_new,s)，X_new,u＝X_old,u+r_u·(X_new,u-X_new,s)+r_u·(X_{teacher_ave}-X_old,u)；否则，X_new,u＝X_old,u+r_u·(X_new,s-X_new,u)+r_u·(X_{teacher_ave}-X_old,u)；其中，X_new,u、X_new,s分别为随机选取的一名学员u、s学习后的值，r_u为学员u选取的0...1之间的随机数，X_{teacher_ave}为选取的t个教师的水平的平均值，f(X_new,u)和f(X_new,s)为两个学员的目标函数值。