CN107807518A - 一种化工生产原料蒸馏过程的多目标优化调度方法 - Google Patents
一种化工生产原料蒸馏过程的多目标优化调度方法 Download PDFInfo
- Publication number
- CN107807518A CN107807518A CN201710788575.8A CN201710788575A CN107807518A CN 107807518 A CN107807518 A CN 107807518A CN 201710788575 A CN201710788575 A CN 201710788575A CN 107807518 A CN107807518 A CN 107807518A
- Authority
- CN
- China
- Prior art keywords
- raw material
- distillation
- population
- raw materials
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 239000002994 raw material Substances 0.000 title claims abstract description 86
- 238000004519 manufacturing process Methods 0.000 title abstract description 5
- 239000000126 substance Substances 0.000 title abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000004821 distillation Methods 0.000 claims description 74
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012824 chemical production Methods 0.000 claims description 16
- 238000010438 heat treatment Methods 0.000 claims description 15
- 238000005265 energy consumption Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003912 environmental pollution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Vaporization, Distillation, Condensation, Sublimation, And Cold Traps (AREA)
Abstract
本发明涉及一种化工生产原料蒸馏过程的多目标优化调度方法,方法为:通过确定原料蒸馏过程调度模型和优化目标,并使用基于贝叶斯的分布估计算法的优化调度目标进行优化。本发明提出了最小化最大完工时间和最小化总能量消耗的指标下化工生产中原料蒸馏过程中的调度模型和调度方法,使得化工生产中原料蒸馏过程的表达清晰准确,调度方法合理有效,采用三维矩阵作为贝叶斯推断的概率模型,使得概率模型的更新和采用操作的复杂度降低,能够学习到工序之间的关系;根据问题的规模,设计了符合该问题的局部搜索,增强了算法的搜索能力。
Description
技术领域
本发明涉及一种化工生产原料蒸馏过程的多目标优化调度方法,属于化工生产过程智能优化调度技术的领域。
背景技术
随着环境污染、生态破坏、资源能源日趋匮乏已经成为人类社会面临的严峻挑战,解决这些全球性社会问题,实现可持续发展已经逐渐成为制造业关注的焦点。为此,针对近年来产生的一系列能源损耗和环境污染问题,许多国家对工业节能减排的要求更高。化工生产是流程工业最重要的组成部分,在化工生产中的基本操作有:过滤、萃取、蒸馏、结晶等,蒸馏操作往往是不可或缺的一个部分。蒸馏是速度和质量将直接影响后续的操作,对整个系统结构的优化升级具有重要的意义。因此,对化工生产中的原料的蒸馏过程的优化调度具有重要的研究价值。
对原料进行蒸馏需要根据原料的性质进行加热操作,进而得到符合工艺要求的半成品,以便后续的加工。不同的原料含量不同,且不同元素的沸点不同,需要在多台蒸馏设备上加热,且要按照一定的顺序进行加热。调度目标是找到一个合理的原料蒸馏顺序,使得待蒸馏的原料的完成时间最小、设备的能量消耗最小。业已证明,该过程属于多目标绿色作业车间调度问题,是NP难(NP-Hard)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。
由于蒸馏过程调度问题属于NP-hard问题,传统的数学规划方法和启发式构造性无法保证解的优化质量。
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化工生产中原料蒸馏过程的多目标优化调度问题的近似最优解的问题,提供了一种化工生产原料蒸馏过程的多目标优化调度方法。
本发明的技术方案是:一种化工生产原料蒸馏过程的多目标优化调度方法,通过确定原料蒸馏过程调度模型和优化目标,并使用基于贝叶斯的分布估计算法的优化调度目标进行优化;其中调度模型依据每台蒸馏设备上所加工的原料的最大完工时间和机器能量消耗来建立,以最小化最大完成时间Cmax(π)和最小化总能量消耗TECmax(π)为目标函数:
Min(f1,f2)=Min(Cmax,TECmax)
其中,待蒸馏的原料种数为n,蒸馏设备数为m,每一种原料由m道工序组成,每一种原料的每一道工序对应唯一的一台蒸馏设备,故有n×m道工序,即排序由n×m道工序组成;同一时刻同一个蒸馏设备只能加工一种原料,每一种原料同一时刻只能在一台蒸馏设备上加工,每一次的加工不能被中断,同一种原料的工序之间存在先后的约束关系;设备空闲时间段大于等于设备开启和关闭的时候段,即满足条件:Tidle,k(πj)≥Topen,k+Toff,k时,则让蒸馏设备在空闲时段停止工作;π=[π1,π2,...,πn×m]为待蒸馏原料加工的顺序,πj∈(1,2,....,n),j∈{1,2,...,n×m}表示某一原料πj的工序;T(πj,k)为原料πj在蒸馏设备k上的加热时间,C(πj)表示原料πj的最后一道工序的完成时间,Pwork,k(πj)为蒸馏设备k加热原料πj的加热功率,Eopen,k为蒸馏设备k的启动时的能量损耗,Pidle,k表示蒸馏设备k的空转功率,Topen,k为蒸馏设备k的启动时间,Toff,k为蒸馏设备k的关闭时间,Tidle,k(πj)为蒸馏设备k加热完原料πj的空转时间段。
所述基于贝叶斯的分布估计算法的优化调度方法的具体步骤如下:
Step1、编码方式及概率矩阵初始化:以待加工的原料排序进行编码π=[π1,π2,...,πn×m];每一种原料的每一个工序构成一个结点,已知前一位置的工序,根据条件概率推断出下一位置的工序,生成初始概率矩阵;其中,其中n表示待蒸馏的原料种数,m表示蒸馏设备数,n×m表示工序总数;条件概率根据相邻结点间的权重获得,初始化阶段将所有权重的值赋值为1,表示每一个工序都有相同的概率被选择;
Step2、种群初始化:在不违反工序之间约束的条件下,采用随机方式初始化种群,产生popsize个个体,每一个个体与其它的popsize-1个体进行比较,将两个性能指标最小的个体选择出来,构成非支配解集,其它没有被选择出来的个体,被该非支配解集支配,设置进化代数gen=0;
Step3、构造贝叶斯概率矩阵:遍历非支配解集中的每一个解,将两两相邻的工序之间的权重值加1,增大两个工序之间的概率,对概率矩阵进行归一化,令gen=gen+1;
Step4、生成新种群:在不违反工序之间的约束的前提下,利用轮盘赌的方法对条件概率矩阵反复采用,生成新的种群;
Step5、局部搜索:对新的种群的每一个个体进行局部搜索,随机选择三种方法Insert、Interchange、Inverse中的一种生成新的个体,若生成的新解比种群中的优秀,则替换种群中个体,否则不进行替换;并更新非支配解集;
Step6、终止条件:设定终止条件的最大进化代数genmax,如果满足终止条件,则输出非支配解集,否则转至步骤Step3,一直进化下去,直到满足终止条件。
所述种群规模popsize设置为100。
本发明的有益效果是:本发明提出了最小化最大完工时间和最小化总能量消耗的指标下化工生产中原料蒸馏过程中的调度模型和调度方法,使得化工生产中原料蒸馏过程的表达清晰准确,调度方法合理有效,采用三维矩阵作为贝叶斯推断的概率模型,使得概率模型的更新和采用操作的复杂度降低,能够学习到工序之间的关系;根据问题的规模,设计了符合该问题的局部搜索,增强了算法的搜索能力。本发明所提出的基于贝叶斯的分布估计算法调度方法可以有效解决原料蒸馏过程的调度问题。
附图说明
图1为本发明的整体流程图;
图2为本发明中问题规模为3×2解的表达示意图;
图3为本发明的条件概率模型示意图;
图4为本发明的Insert操作示意图;
图5为本发明的Interchange操作示意图;
图6为本发明的Inverse操作示意图。
具体实施方式
实施例1:如图1-6所示,一种化工生产原料蒸馏过程的多目标优化调度方法,通过确定原料蒸馏过程调度模型和优化目标,并使用基于贝叶斯的分布估计算法的优化调度目标进行优化;其中调度模型依据每台蒸馏设备上所加工的原料的最大完工时间和机器能量消耗来建立,以最小化最大完成时间Cmax(π)和最小化总能量消耗TECmax(π)为目标函数:
Min(f1,f2)=Min(Cmax,TECmax)
其中,待蒸馏的原料种数为n,蒸馏设备数为m,每一种原料由m道工序组成,每一种原料的每一道工序对应唯一的一台蒸馏设备,故有n×m道工序,即排序由n×m道工序组成;同一时刻同一个蒸馏设备只能加工一种原料,每一种原料同一时刻只能在一台蒸馏设备上加工,每一次的加工不能被中断,同一种原料的工序之间存在先后的约束关系;设备空闲时间段大于等于设备开启和关闭的时候段,即满足条件:Tidle,k(πj)≥Topen,k+Toff,k时,则让蒸馏设备在空闲时段停止工作;π=[π1,π2,...,πn×m]为待蒸馏原料加工的顺序,πj∈(1,2,....,n),j∈{1,2,...,n×m}表示某一原料πj的工序;T(πj,k)为原料πj在蒸馏设备k上的加热时间,C(πj)表示原料πj的最后一道工序的完成时间,Pwork,k(πj)为蒸馏设备k加热原料πj的加热功率,Eopen,k为蒸馏设备k的启动时的能量损耗,Pidle,k表示蒸馏设备k的空转功率,Topen,k为蒸馏设备k的启动时间,Toff,k为蒸馏设备k的关闭时间,Tidle,k(πj)为蒸馏设备k加热完原料πj的空转时间段。
进一步地,可以设置所述基于贝叶斯的分布估计算法的优化调度方法的具体步骤如下:
Step1、编码方式及概率矩阵初始化:以待加工的原料排序进行编码π=[π1,π2,...,πn×m];每一种原料的每一个工序构成一个结点,已知前一位置的工序,根据条件概率推断出下一位置的工序,生成初始概率矩阵;其中,其中n表示待蒸馏的原料种数,m表示蒸馏设备数,n×m表示工序总数;条件概率根据相邻结点间的权重获得,初始化阶段将所有权重的值赋值为1,表示每一个工序都有相同的概率被选择;
Step2、种群初始化:在不违反工序之间约束的条件下,采用随机方式初始化种群,产生popsize个个体,每一个个体与其它的popsize-1个体进行比较,将两个性能指标最小的个体选择出来,构成非支配解集,其它没有被选择出来的个体,被该非支配解集支配,设置进化代数gen=0;
Step3、构造贝叶斯概率矩阵:遍历非支配解集中的每一个解,将两两相邻的工序之间的权重值加1,增大两个工序之间的概率,对概率矩阵进行归一化,令gen=gen+1;
Step4、生成新种群:在不违反工序之间的约束的前提下,利用轮盘赌的方法对条件概率矩阵反复采用,生成新的种群;
Step5、局部搜索:对新的种群的每一个个体进行局部搜索,随机选择三种方法Insert、Interchange、Inverse中的一种生成新的个体,若生成的新解比种群中的优秀,则替换种群中个体,否则不进行替换;并更新非支配解集;
Step6、终止条件:设定终止条件的最大进化代数genmax,如果满足终止条件,则输出非支配解集,否则转至步骤Step3,一直进化下去,直到满足终止条件。
进一步地,可以设置所述种群规模popsize设置为100。
实施例2:如图1-6所示,一种化工生产原料蒸馏过程的多目标优化调度方法,通过确定原料蒸馏过程调度模型和优化目标,并使用基于贝叶斯的分布估计算法的优化调度目标进行优化;其中调度模型依据每台蒸馏设备上所加工的原料的最大完工时间和机器能量消耗来建立,以最小化最大完成时间Cmax(π)和最小化总能量消耗TECmax(π)为目标函数。
所述基于贝叶斯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:以待加工的原料排序进行编码π=[π1,π2,...,πn×m];其中n表示待蒸馏的原料种数,m表示蒸馏设备数,所以,需要有n×m为总的工序数,譬如有3×2的数据,表示有3种原料,2种蒸馏设备,其中的一种排序是[3,1,3,2,2,1],一号位置的3表示第三种原料的第一道工序,二号位置的1表示第二种原料的第一道工序,三号位置的3表示第三组原料的第二道工序,原料种类的重复次数表示第几道工序;编码是将问题的解用一种码来表示,是指建立反映问题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。解码是指通过结合原料的排序,进而生成可行的调度方案。针对化工生产中原料和蒸馏设备的特征,本发明提出基于原料工序的编码;
概率矩阵初始化:每一种原料的每一个工序构成一个结点,相邻结点间的权重值赋值为1,表示每一个工序都有相同的概率被选择,让生成的解具有分散性,不至于拥挤,避免算法早熟、收敛,故能生成初始化的概率矩阵;
Step2、种群初始化:采用随机方式初始化种群,产生popsize个个体,并构成非支配解集。且设置进化代数gen=0;
Step3、构造贝叶斯概率矩阵:遍历非支配解集中的每一个解,将两两相邻的工序之间的权重值加1,增大两个工序之间的概率,学习非支配解集中工序之间的关系,对概率矩阵进行归一化,令gen=gen+1;
Step4、生成新种群:在不违反工序之间的约束的前提下,利用轮盘赌的方法对条件概率矩阵反复采用,生成新的种群popnew(gen);
Step5、局部搜索:对新种群的每一个个体进行局部搜索,随机选择三种方法中的一种Insert、Interchange、Inverse生成新的一个个体,若新生成的新个体的解比该种群中的个体优秀,则替换该种群中个体(即新旧替换),否则不进行替换,并更新非支配解集;
Step6、终止条件:设定终止条件的最大进化代数为200,如果满足终止条件:gen>200,则输出非支配解集,否则转至Step3,一直进化下去,直到满足终止条件。
具体对比实验如下:
采用随机生成的测试数据,进一步对该算法进行验证,设有5种原料,3台蒸馏设备,所需参数如表1、表2所示。
表1 实例的工序时间,对应设备、工序对应设备功率
表2 蒸馏设备对应的各种参数
对于上述实例,使用该算法对该实例进行求解,每一次运行200代,且运行20次,每20次为一组,共有5组,运行的结果如表3所示。
表3 实例仿真结果
组数 | 1 | 2 | 3 | 4 | 5 |
非支配解集数量 | 1 | 1 | 1 | 1 | 1 |
结果(小时,千瓦) | (3,19) | (3,19) | (3,19) | (3,19) | (3,19) |
所述种群规模设置为100。
本发明所提出的基于贝叶斯的分布估计算法调度方法可以有效解决原料蒸馏过程的调度问题。
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)
1.一种化工生产原料蒸馏过程的多目标优化调度方法,其特征在于:通过确定原料蒸馏过程调度模型和优化目标,并使用基于贝叶斯的分布估计算法的优化调度目标进行优化;其中调度模型依据每台蒸馏设备上所加工的原料的最大完工时间和机器能量消耗来建立,以最小化最大完成时间Cmax(π)和最小化总能量消耗TECmax(π)为目标函数:
Min(f1,f2)=Min(Cmax,TECmax)
<mrow>
<msub>
<mi>C</mi>
<mi>max</mi>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<mn>1</mn>
<mo>&le;</mo>
<msub>
<mi>&pi;</mi>
<mi>j</mi>
</msub>
<mo>&le;</mo>
<mi>n</mi>
</mrow>
</munder>
<mo>{</mo>
<msub>
<mi>C</mi>
<msub>
<mi>&pi;</mi>
<mi>j</mi>
</msub>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<msub>
<mi>TEC</mi>
<mi>max</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&pi;</mi>
<mo>)</mo>
</mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<mi>T</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>&pi;</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mo>)</mo>
<mo>*</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>w</mi>
<mi>o</mi>
<mi>r</mi>
<mi>k</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>(</mo>
<msub>
<mi>&pi;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>E</mi>
<mrow>
<mi>o</mi>
<mi>p</mi>
<mi>e</mi>
<mi>n</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>P</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
<mi>l</mi>
<mi>e</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>*</mo>
<msub>
<mi>T</mi>
<mrow>
<mi>i</mi>
<mi>d</mi>
<mi>l</mi>
<mi>e</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>(</mo>
<msub>
<mi>&pi;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
其中,待蒸馏的原料种数为n,蒸馏设备数为m,每一种原料由m道工序组成,每一种原料的每一道工序对应唯一的一台蒸馏设备,故有n×m道工序,即排序由n×m道工序组成;同一时刻同一个蒸馏设备只能加工一种原料,每一种原料同一时刻只能在一台蒸馏设备上加工,每一次的加工不能被中断,同一种原料的工序之间存在先后的约束关系;设备空闲时间段大于等于设备开启和关闭的时候段,即满足条件:Tidle,k(πj)≥Topen,k+Toff,k时,则让蒸馏设备在空闲时段停止工作;π=[π1,π2,...,πn×m]为待蒸馏原料加工的顺序,πj∈(1,2,....,n),j∈{1,2,...,n×m}表示某一原料πj的工序;T(πj,k)为原料πj在蒸馏设备k上的加热时间,C(πj)表示原料πj的最后一道工序的完成时间,Pwork,k(πj)为蒸馏设备k加热原料πj的加热功率,Eopen,k为蒸馏设备k的启动时的能量损耗,Pidle,k表示蒸馏设备k的空转功率,Topen,k为蒸馏设备k的启动时间,Toff,k为蒸馏设备k的关闭时间,Tidle,k(πj)为蒸馏设备k加热完原料πj的空转时间段。
2.根据权利要求1所述的化工生产原料蒸馏过程的多目标优化调度方法,其特征在于:所述基于贝叶斯的分布估计算法的优化调度方法的具体步骤如下:
Step1、编码方式及概率矩阵初始化:以待加工的原料排序进行编码π=[π1,π2,...,πn×m];每一种原料的每一个工序构成一个结点,已知前一位置的工序,根据条件概率推断出下一位置的工序,生成初始概率矩阵;其中,其中n表示待蒸馏的原料种数,m表示蒸馏设备数,n×m表示工序总数;条件概率根据相邻结点间的权重获得,初始化阶段将所有权重的值赋值为1,表示每一个工序都有相同的概率被选择;
Step2、种群初始化:在不违反工序之间约束的条件下,采用随机方式初始化种群,产生popsize个个体,每一个个体与其它的popsize-1个体进行比较,将两个性能指标最小的个体选择出来,构成非支配解集,其它没有被选择出来的个体,被该非支配解集支配,设置进化代数gen=0;
Step3、构造贝叶斯概率矩阵:遍历非支配解集中的每一个解,将两两相邻的工序之间的权重值加1,增大两个工序之间的概率,对概率矩阵进行归一化,令gen=gen+1;
Step4、生成新种群:在不违反工序之间的约束的前提下,利用轮盘赌的方法对条件概率矩阵反复采用,生成新的种群;
Step5、局部搜索:对新的种群的每一个个体进行局部搜索,随机选择三种方法Insert、Interchange、Inverse中的一种生成新的个体,若生成的新解比种群中的优秀,则替换种群中个体,否则不进行替换;并更新非支配解集;
Step6、终止条件:设定终止条件的最大进化代数genmax,如果满足终止条件,则输出非支配解集,否则转至步骤Step3,一直进化下去,直到满足终止条件。
3.根据权利要求1或2所述的化工生产原料蒸馏过程的多目标优化调度方法,其特征在于:所述种群规模popsize设置为100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710788575.8A CN107807518B (zh) | 2017-09-05 | 2017-09-05 | 一种化工生产原料蒸馏过程的多目标优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710788575.8A CN107807518B (zh) | 2017-09-05 | 2017-09-05 | 一种化工生产原料蒸馏过程的多目标优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107807518A true CN107807518A (zh) | 2018-03-16 |
CN107807518B CN107807518B (zh) | 2020-09-25 |
Family
ID=61569854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710788575.8A Active CN107807518B (zh) | 2017-09-05 | 2017-09-05 | 一种化工生产原料蒸馏过程的多目标优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107807518B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109011675A (zh) * | 2018-07-06 | 2018-12-18 | 昆明理工大学 | 一种化工原料精馏过程的优化调度方法 |
CN110021308A (zh) * | 2019-05-16 | 2019-07-16 | 北京百度网讯科技有限公司 | 语音情绪识别方法、装置、计算机设备和存储介质 |
CN110490372A (zh) * | 2019-07-26 | 2019-11-22 | 华中农业大学 | 一种求解大规模车间作业调度问题的混合分布式进化方法 |
CN110728031A (zh) * | 2019-09-20 | 2020-01-24 | 北京化工大学 | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 |
CN112329981A (zh) * | 2020-09-27 | 2021-02-05 | 广州明珞装备股份有限公司 | 一种工位优化点确定方法、系统、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101670184A (zh) * | 2009-10-13 | 2010-03-17 | 北京和隆优化控制技术有限公司 | 蒸发装置产量、质量、能耗多目标协调优化控制系统 |
CN101807265A (zh) * | 2008-09-30 | 2010-08-18 | 洛克威尔自动控制技术股份有限公司 | 机器选择、集成和使用的动态多目标优化的系统和方法 |
CN102737351A (zh) * | 2012-06-15 | 2012-10-17 | 广东电网公司电力科学研究院 | 燃气-蒸汽联合循环发电机组多目标多约束优化调度方法 |
CN103425743A (zh) * | 2013-07-17 | 2013-12-04 | 上海金自天正信息技术有限公司 | 基于贝叶斯神经网络算法的蒸汽管网预测系统 |
CN103489031A (zh) * | 2013-09-09 | 2014-01-01 | 昆明理工大学 | 一种化工生产中原料蒸发过程的优化调度方法 |
CN104408528A (zh) * | 2014-11-20 | 2015-03-11 | 昆明理工大学 | 一种化工生产中原料浸取过程的优化调度方法 |
CN104503382A (zh) * | 2014-11-20 | 2015-04-08 | 昆明理工大学 | 一种制药化工生产中原料结晶过程的优化调度方法 |
CN105159242A (zh) * | 2015-07-28 | 2015-12-16 | 昆明理工大学 | 一种纺织面料染色过程的优化调度方法 |
US20160231993A1 (en) * | 2015-02-06 | 2016-08-11 | Petroleo Brasileiro S.A. - Petrobras | System and optimization method for oil programming in a refinery through linear genetic programming and grammar-oriented programming, and readable storage medium |
-
2017
- 2017-09-05 CN CN201710788575.8A patent/CN107807518B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807265A (zh) * | 2008-09-30 | 2010-08-18 | 洛克威尔自动控制技术股份有限公司 | 机器选择、集成和使用的动态多目标优化的系统和方法 |
CN101670184A (zh) * | 2009-10-13 | 2010-03-17 | 北京和隆优化控制技术有限公司 | 蒸发装置产量、质量、能耗多目标协调优化控制系统 |
CN102737351A (zh) * | 2012-06-15 | 2012-10-17 | 广东电网公司电力科学研究院 | 燃气-蒸汽联合循环发电机组多目标多约束优化调度方法 |
CN103425743A (zh) * | 2013-07-17 | 2013-12-04 | 上海金自天正信息技术有限公司 | 基于贝叶斯神经网络算法的蒸汽管网预测系统 |
CN103489031A (zh) * | 2013-09-09 | 2014-01-01 | 昆明理工大学 | 一种化工生产中原料蒸发过程的优化调度方法 |
CN104408528A (zh) * | 2014-11-20 | 2015-03-11 | 昆明理工大学 | 一种化工生产中原料浸取过程的优化调度方法 |
CN104503382A (zh) * | 2014-11-20 | 2015-04-08 | 昆明理工大学 | 一种制药化工生产中原料结晶过程的优化调度方法 |
US20160231993A1 (en) * | 2015-02-06 | 2016-08-11 | Petroleo Brasileiro S.A. - Petrobras | System and optimization method for oil programming in a refinery through linear genetic programming and grammar-oriented programming, and readable storage medium |
CN105159242A (zh) * | 2015-07-28 | 2015-12-16 | 昆明理工大学 | 一种纺织面料染色过程的优化调度方法 |
Non-Patent Citations (1)
Title |
---|
马泉 等: "柴油加氢双塔分馏系统模拟与多目标优化", 《计算机与应用化学》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109011675A (zh) * | 2018-07-06 | 2018-12-18 | 昆明理工大学 | 一种化工原料精馏过程的优化调度方法 |
CN110021308A (zh) * | 2019-05-16 | 2019-07-16 | 北京百度网讯科技有限公司 | 语音情绪识别方法、装置、计算机设备和存储介质 |
CN110021308B (zh) * | 2019-05-16 | 2021-05-18 | 北京百度网讯科技有限公司 | 语音情绪识别方法、装置、计算机设备和存储介质 |
CN110490372A (zh) * | 2019-07-26 | 2019-11-22 | 华中农业大学 | 一种求解大规模车间作业调度问题的混合分布式进化方法 |
CN110490372B (zh) * | 2019-07-26 | 2022-03-01 | 华中农业大学 | 一种求解大规模车间作业调度问题的混合分布式进化方法 |
CN110728031A (zh) * | 2019-09-20 | 2020-01-24 | 北京化工大学 | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 |
CN110728031B (zh) * | 2019-09-20 | 2021-06-22 | 北京化工大学 | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 |
CN112329981A (zh) * | 2020-09-27 | 2021-02-05 | 广州明珞装备股份有限公司 | 一种工位优化点确定方法、系统、装置及存储介质 |
CN112329981B (zh) * | 2020-09-27 | 2023-10-20 | 广州明珞装备股份有限公司 | 一种工位优化点确定方法、系统、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107807518B (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107807518B (zh) | 一种化工生产原料蒸馏过程的多目标优化调度方法 | |
Mou et al. | A machine learning approach for energy-efficient intelligent transportation scheduling problem in a real-world dynamic circumstances | |
Liu et al. | Solving distributed and flexible job-shop scheduling problems for a real-world fastener manufacturer | |
CN104408528A (zh) | 一种化工生产中原料浸取过程的优化调度方法 | |
CN105740953B (zh) | 一种基于实数编码量子进化算法的不规则排样方法 | |
CN114565239B (zh) | 用于产业园区的综合低碳能源调度方法及系统 | |
CN112286152B (zh) | 具有批量交付约束的分布式流水车间调度方法及系统 | |
Li et al. | Improved gray wolf optimizer for distributed flexible job shop scheduling problem | |
CN112381343A (zh) | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 | |
CN111369000A (zh) | 一种基于分解的高维多目标进化方法 | |
CN115933568A (zh) | 一种多目标分布式混合流水车间调度方法 | |
CN104537425B (zh) | 一种汽车空调出风口的生产装配过程的优化调度方法 | |
CN104503382B (zh) | 一种制药化工生产中原料结晶过程的优化调度方法 | |
CN116985146B (zh) | 退役电子产品的机器人并行拆解规划方法 | |
CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
CN111027760B (zh) | 一种基于最小二乘向量机的电力负荷预测方法 | |
CN115907399A (zh) | 一种面向电子产品的离散制造柔性生产的智能调度方法 | |
Chen et al. | Algorithm based on improved genetic algorithm for job shop scheduling problem | |
CN115018180A (zh) | 一种锡工艺品原料节能配送与加工的超启发式调度方法、系统 | |
CN110689216B (zh) | 一种基于混合果蝇算法的机器人装配单元混合产品jit节能生产优化方法 | |
Ri et al. | Firefly algorithm hybridized with genetic algorithm for multi-objective integrated process planning and scheduling | |
Chen et al. | Research on hybrid flow-shop scheduling based on improved genetic algorithm | |
Su et al. | Optimization of Maximum Completion Time of Polymerization Section Based on Improved Estimation of Distribution Algorithm | |
Song et al. | RESEARCH ON FLOW SHOP SCHEDULING METHOD BASED ON CO-EVOLUTIONARY ALGORITHM | |
CN117726119A (zh) | 一种解决分布式混合流水车间组调度的图仿生学习方法 |
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 |