CN108241347B - 一种复杂流程工业超结构优化调度方法 - Google Patents
一种复杂流程工业超结构优化调度方法 Download PDFInfo
- Publication number
- CN108241347B CN108241347B CN201711456937.XA CN201711456937A CN108241347B CN 108241347 B CN108241347 B CN 108241347B CN 201711456937 A CN201711456937 A CN 201711456937A CN 108241347 B CN108241347 B CN 108241347B
- Authority
- CN
- China
- Prior art keywords
- superstructure
- scheduling
- algorithm
- generation algorithm
- industrial production
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 180
- 230000008569 process Effects 0.000 title claims abstract description 155
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 106
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 238000002910 structure generation Methods 0.000 claims abstract description 19
- 238000009776 industrial production Methods 0.000 claims description 32
- 239000002994 raw material Substances 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 230000007717 exclusion Effects 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 24
- 230000008901 benefit Effects 0.000 abstract description 6
- 239000000463 material Substances 0.000 description 44
- 238000010586 diagram Methods 0.000 description 25
- 230000015572 biosynthetic process Effects 0.000 description 18
- 238000003786 synthesis reaction Methods 0.000 description 18
- 238000005457 optimization Methods 0.000 description 14
- 239000000126 substance Substances 0.000 description 10
- 238000013507 mapping Methods 0.000 description 7
- 238000010977 unit operation Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 3
- 239000005977 Ethylene Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 239000000543 intermediate Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013386 optimize process Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- -1 or simply Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 1
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种复杂流程工业超结构优化调度方法,针对复杂流程工业调度问题的时间与操作的实际约束,使用超结构输入生成算法将复杂流程工业流程的实际调度需求转化为最大结构生成算法的输入,再运用最大结构生成算法、子结构生成算法以及加速分枝定界算法进行分析和优化,能够准确提供复杂流程工业调度的严格解析模型,给出了效益分析的关键约束,从而确保了复杂流程工业的优化调度保持一致性和完备性。
Description
技术领域
本发明涉及流程工业生产调度技术领域,尤其涉及一种复杂流程工业超结构优化调度方法。
背景技术
在能源价格不断上升,环境问题日益突出的今天,研究和优化流程工业,特别是能耗巨大的化工、冶金等流程工业就显得尤为迫切。同时,由于流程工业往往是连续生产居多,涉及的装备较多,过程也比较复杂,本身维度较高,再加上调度问题所带来的时间维度,利用传统方法难以实现有效的量化分析。
图1为现有技术提供的乙烯生产流程图。如图1所示,传统的流程工业的能效分析和优化方法主要来源于对于数据的挖掘和分析,但是单纯从数据角度,求解过程无法考虑过程的可行域,给出的操作分析和优化操作指导无法确定可行性。基于过程图理论产生的严格超结构模型虽然能够有效的解决过程超结构建模的分析和优化问题,但是过程图理论的主要应用领域是过程合成领域,直接应用于建立复杂流程工业调度超结构模型具有一定的制约和难度。
发明内容
为解决上述问题,本发明提供一种复杂流程工业超结构优化调度方法,至少部分解决上述技术问题。
为此,本发明提供一种复杂流程工业超结构优化调度方法,包括:
获得流程工业的实际生产数据;
根据所述实际生产数据形成超结构输入生成算法;
根据最大结构生成算法和所述超结构输入生成算法获得流程工业生产调度的超结构;
根据子结构生成算法和所述超结构获得流程工业生产调度所有过程的可行子结构;
根据加速分枝定界算法和所述可行子结构获得流程工业生产调度的所有可行子结构之中的最优结构和次优结构。
可选的,还包括:
使用约束公式和过程图算法对流程工业生产调度进行约束转换,所述约束公式为
其中,raw alow和raw aup表示流程工业生产调度之中的a原料供应的下限与上限,∑raw ai表示流程工业生产调度之中a原料的所有投入,表示流程工业生产调度之中的假想节点的上限,Nfeed和Nequipment表示流程工业生产调度之中涉及的原料种类总量与设备总量。
可选的,所述根据最大结构生成算法和所述超结构输入生成算法获得流程工业生产调度的超结构的步骤包括:
使用潜在决策节点表示过程状态和操作所需要的时间资源;
将流程工业之中的设备和操作划分为有积累效应和无积累效应进行区别处理;
使用互斥操作单元的超结构输入生成算法在实际生产过程之中同一时间多次使用同一设备;
形成流程工业生产调度的超结构。
可选的,所述根据子结构生成算法和所述超结构获得流程工业生产调度所有过程的可行子结构的步骤包括:
根据集合论对于所述超结构之路不符合过程知识的部分进行剪枝,以去除所述超结构之中不符合产生过程内在要求的解;
根据集合论对于剪枝之后的超结构进行分解,以获得产生产物的所有过程的可行子结构。
本发明具有下述有益效果:
本发明提供的复杂流程工业超结构优化调度方法包括:获得流程工业的实际生产数据;根据所述实际生产数据形成超结构输入生成算法;根据最大结构生成算法和所述超结构输入生成算法获得流程工业生产调度的超结构;根据子结构生成算法和所述超结构获得流程工业生产调度所有过程的可行子结构;根据加速分枝定界算法和所述可行子结构获得流程工业生产调度的所有可行子结构之中的最优结构和次优结构。
本发明提供的技术方案针对复杂流程工业调度问题的时间与操作的实际约束,使用超结构输入生成算法将复杂流程工业流程的实际调度需求转化为最大结构生成算法的输入,再运用最大结构生成算法、子结构生成算法、加速分枝定界算法进行分析和优化,能够准确提供复杂流程工业调度的严格解析模型,给出了效益分析的关键约束,从而确保了复杂流程工业的优化调度保持一致性和完备性。
附图说明
图1为现有技术提供的乙烯生产流程图;
图2为本发明实施例一提供的算法流程图;
图3为本发明实施例一提供的复杂流程工业超结构优化调度方法的流程图;
图4为本发明实施例一提供的调度实例示意图;
图5为本发明实施例一提供的超结构示意图;
图6为本发明实施例一提供的可行子结构示意图;
图7为本发明实施例一提供的运行结果示意图;
图8为本发明实施例一提供的调度模拟示意图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的复杂流程工业超结构优化调度方法进行详细描述。
实施例一
图2为本发明实施例一提供的算法流程图,图3为本发明实施例一提供的复杂流程工业超结构优化调度方法的流程图。如图2和图3所示,本实施例提供的复杂流程工业超结构优化调度方法包括:获得流程工业的实际生产数据;根据所述实际生产数据形成超结构输入生成算法(Superstructure Input Generation,SIG);根据最大结构生成算法(Maximal Structure Generation,MSG)和所述超结构输入生成算法(SuperstructureInput Generation,SIG)获得流程工业生产调度的超结构;根据子结构生成算法(SolutionStructure Generation,SSG)和所述超结构获得流程工业生产调度所有过程的可行子结构;根据加速分枝定界算法(Accelerated Branch&Bound,ABB)和所述可行子结构获得流程工业生产调度的所有可行子结构之中的最优结构和次优结构。本实施例提供的技术方案针对复杂流程工业调度问题的时间与操作的实际约束,使用超结构输入生成算法将复杂流程工业流程的实际调度需求转化为最大结构生成算法的输入,再运用最大结构生成算法、子结构生成算法、加速分枝定界算法进行分析和优化,能够准确提供复杂流程工业调度的严格解析模型,给出了效益分析的关键约束,从而确保了复杂流程工业的优化调度保持一致性和完备性。
本实施例提供的过程图理论及其MSG算法、SSG算法、ABB算法依赖于图论理论和集合论,上述理论以过程系统的结构为核心,可对结构进行严格的数学分析。该方法一般是借助图形来描述和表达网络,随后则是借助自然的数学语言或逻辑工具,为获得的过程合成图网络结构建立数学模型。传统图在表达流程结构时,通常用“●”表示M型节点,“-”表示O型节点,“→”表示弧,可分为一元图或二元图,前者是由一类点组成,后者是由两类点组成。无论一元图还是二元图都无法唯一确切地表达过程网络。
过程图通过将顶点分为两类并且同一类的顶点之间不能相连,将操作单元作为节点可以有效地构建复杂的过程网络:一类顶点为操作单元集O,另一类为物料集m;操作单元O的集合就是物料集合的两个子集组成的集合对。通过定义(m,o)可以构建复杂的过程网络,网络中的节点是m∪o的元素。
本实施例提供的MSG也称严格超结构,是过程合成问题的所有能实现的结构组合集合,是过程合成中的最大的结构,也是包含全部能实现的结构组合的最简单结构。SSG准确的生成过程合成问题的各个可行结构,而且仅生成可行结构。
在过程合成中,如果能列举出所有可行的网络结构,并且能使用适当的定量方法评估它们的优劣,就可以选择出最优的网络流程结构。对于加速分枝定界算法,一方面可以借助分枝定界算法(branch&bound,BB)求解混合整数非线性规划(Mixed integernonlinear programming,MINLP)问题,但是不脱离MSG产生的超结构,而且算法会自动排列寻优的过程结构;另一方面可以极大的缩小研究范围,不需要对复杂的MINLP模型进行求解就可以找到最优和次优的流程结构。
为适当地表达并实现过程结构,过程图就必须满足一组组合特性。可行的过程结构的基础组合特性,可以表达成一组公理。以下为这些特性引出的一组公理:
(S1)每一个产品都出现在结构网络中。
(S2)如果不是结构操作单元的任何输出,则表现在结构中的材料一定为原料。
(S3)在合成问题中,需要指明每一个在结构中的操作单元。
(S4)任何在结构中的操作单元至少有一条路径到产品。
(S5)如果材料属于结构,它至少必须是从结构中的一个操作单元输入或输出的。
图4为本发明实施例一提供的调度实例示意图。如图4所示,本实施例通过过程图得到相关的超结构,再将该超结构应用于典型的复杂流程工业过程中,可准确提取过程中的连接信息,并且可以同时得到最优和次优解。本实施例提供的复杂流程工业调度的超结构建模方法分为四部分:前置生成、MSG、SSG、ABB。
针对复杂的流程工业过程,本实施例使用潜在决策节点表示过程状态和操作所需要的时间资源,解决了过程合成算法应用于过程调度问题时所出现的时间资源及其一致性冲突的问题。
本实施例将流程工业之中的设备和操作划分为有积累效应和无积累效应进行区别处理,解决了流程工业过程中不同类别设备应用同一建模工具的适应性问题。
最后,本实施例使用互斥操作单元的超结构输入生成算法,从而解决了实际生产过程中同一时间不能多次使用同一设备的约束,有效地解决了SSG算法求解过程中可能出现的时间一致性的冲突。
本实施例提供的SIG算法的目的是将过程图转化为可用于MSG算法的输入,包含P、M、R以及O四个集合。SIG算法的适用范围包括两个范围:一种是无累积效应的单原料系统生产链,另一种是有累积效应的单原料生产链。本实施例提供的SIG算法包括如下步骤:
第一步:求取粒径
Cycle1=[T/tllow] (1)
Cycle2=[T/tup] (2)
Cycle=max{Cycle1,Cycle2} (3)
其中,T:调度研究总周期;
tlow:设备考虑的最短周期;
tup:设备考虑的最长周期;
max:表示取最大值;
Cycle:调度采用的计算周期。Cycle1、Cycle2分别为调度周期的上限和下限。
第二步:生成供应链
R=M且Cycle=0
P=M,Cycle=Max{Cycle1,Cycle2}
其中,M:该操作的进料、中间产物、产物的集合;
R:当粒径为0时,原料既为进料;P:当粒径为最大值时,原料既为产物;
Oi:从1到Cycle周期内,原料储存供应产生的操作单元集合;
m_t_i:第t个周期输入的物料量;
m_t_r:物料m第t个周期物料剩余量;
i:表示输入;
r:表示剩余量。
(1)在第一种情况下:
当Cycle=0时,
当Cycle>1时,
其中,O:在无累积效应的单原料系统生产链中产生的操作单元;
Oi:原料储存累积操作单元;
Or:原料生成中间物以及产物所产生的操作单元Om=({m,m_t_i},{real_product}),(real_product指产品),第m操作单元输入是m和m_t_i,输出是real_product;On=({m’,m_t_i},{real_product}),第n操作单元输入是m’和m_t_i,输出是real_product。
(2)在第二种情况下:
当Cycle=1时,
当Cycle>1时,
其中,Oj=({m_t,m_t_i},{m_t+1}),第j操作单元的输入是m_t和m_t_i,输出是m_t+1;Ok=({m’_t,m_t_i},{m_t+1}),第k操作单元的输入是m’_t和m_t_i,输出是m_t+1;Ow=({m_Cycle,m_Cycle_r},{real product}),第w操作单元的输入是m_Cycle和m_Cycle_r,输出是real product;Ou=({m’_Cycle,m_Cycle_r},{real product}),第u操作单元的输入是m’_Cycle和m_Cycle_r;m_t:第t周期的物料;m_t_i:第t周期i物料的累积量;输出是real_product。
本实施例生成的P、M、R、O集合需要经过MSG算法的处理以便加快处理速度和保证所求解的合理性。设定M集合为所有物质的有限集合,或者简称为参与过程系统综合的物质的有限集合,它可能是一组名称或者这些材料的特征向量。
该集合M的精确描述,即内容可以变化取决于所需的精度或细节水平。涉及由集合M表示的材料的综合问题可以由三元组(P,R,O)表示。P表示产品集合,R表示原料集合,O表示操作单元,三者都不为空集。M、P、R、O之间的数学关系为:
其中,是幂集,为所有子集的集合,x是笛卡尔乘积,表示形成两组元素对的集合。也就是说,O是M两个子集对的集合,如果(α,β)是O的一个元素,那么α表示进入操作单元(α,β)的输入材料集合,β是操作单元(α,β)的输出材料集合,α的每一个元素代表进入操作单元的输入流的一个材料,它独立于α中的其他材料。
同样地,β的每一个元素代表流出操作单元的输出流的一个材料,它独立于β中的其他材料。α和β可以有共同的元素,这种情况代表操作单元的简单回收。
对于综合问题,假定产品不能是原料,即有
本实施例给定两个有限集m和o满足:
本实施例定义过程图为有限集对(m,o),过程图的顶点是以下元素:
V=m∪o (13)
其中,属于集合m的顶点是M型的顶点,属于集合o的那些是
O型的顶点图形的弧线是以下元素:
A=A1∪A2 (14)
A1={(x,y)|y=(α,β)∈oandx∈α} (15)
A2={(y,x)|y=(α,β)∈oandx∈β} (16)
其中,A1或A2是给出弧的作为初始点和终点的顶点对。根据表达式A1,如果y是α和β组成的顶点对(α,β)中o的元素,则(x,y)是图的弧,x是a的元素。顶点x是初始点,顶点y是该弧的终点。
在表达式A1和表达式A2中,x表示M型的顶点;y为O型的顶点;α和β为M型的顶点集合。表达式A1中的每个弧都是从M型的顶点到O型的顶点,并且A2中的每个弧都是从O型的顶点到M型的顶点。
如果满足以下公式,本实施例将过程图(m,o)定义为组合可行或作为合成问题(P,R,O)的解的结构:
(S3)每一个单元操作都需要在过程网络中定义,o∈O;
μ(P,R,O)=∪σ∈s(P,R,O)σ (17)
图5为本发明实施例一提供的超结构示意图。如图5所示,在最大结构图中,每个弧或顶点属于至少一个解决方案结构,每个解决方案结构是一个子图。因此,综合问题的数学模型应该基于最大结构,这种模型的复杂度很小。
自然地,最大结构不能从其定义的算法上直接确定,过程结构及其数学分析特征提供了开发用于生成最大结构的有效算法的必要框架。
定理1:
如果σ1∈S(P,R,O)&σ2∈S(P,R,O) (18)
那么σ1∪σ2∈S(P,R,O) (19)
其中,S(P,R,O)为解集合结构。上述理论也可以通过如下定理2进行表达:
定理2:
μ(P,R,O)∈S(P,R,O) (20)
设定
Ψ-(o′)=∪(α,β)∈o′α (21)
Ψ+(o′)=∪(α,β)∈o′α (22)
则有
Ψ(o′)=Ψ-(o′)∪Ψ+(o′) (23)
在这些映射中,Ψ-产生过程结构的物料集合,每个都是在操作单元集合O中发现作为至少一个操作单元的入口,Ψ+产生过程结构的物料集合,每一种物料都可以在操作单元集合单元o’的出口处找到。Ψ是物料集合,每一种物料都可以在操作单元集合单元o’的出口或者入口处找。
定理4
设定
则有
本实施例中,产生了一组过程结构的操作单元,每个操作单元生产一些在集合m′中出现的物料作为其出口物质,产生一组操作单元,每个操作单元消耗在集合m′中出现的一些物料作为其入口,表示一组操作单元,每个操作单元生产或消耗在集合m′中找到的一些材料。
Pidgin Algol算法有两个主要部分:剔除部分和组合部分,在剔除部分(步骤stl,st2,st3和循环1p4),不属于最大结构的物料和操作单元被直接和部分排除。在组合部分(步骤st6,st8和循环1p7),利用剔除后的物料集和操作单元集来合成最大结构。在(P,R,O)的最大结构合成过程中,利用步骤stl和步骤st2排除生成原材料的操作单元。由步骤st3定义的集合仅包含被操作单元消耗的物料,不包含由操作单元生成的物料。但是这并不能确保这些物料都是过程合成问题的原料。
通过循环1p4的操作,利用公理(S2)对物料集M和操作单元集进行检验,使得物料集仅包含原料。本实施例利用步骤coy检验是否满足公理(S1),即每个产物是否都能在过程结构中被生成。如果不能满足这个条件,则过程合成问题最大结构将不存在。另外,在循环1p7中,利用公理(S4)由操作单元集逐步构建最大结构。由于在算法中仅仅考虑过程合成系统确定的操作单元,所以公理(S3)会自动满足。通过第八步的映射操作后,就可以确定最大结构包含的物料集,因此第八步保证最大结构能满足公理(S5)。
本实施例提供的技术方案针对复杂流程工业调度问题的时间与操作的实际约束,使用超结构输入生成算法将复杂流程工业流程的实际调度需求转化为最大结构生成算法的输入,再运用最大结构生成算法、子结构生成算法、加速分枝定界算法进行分析和优化,能够准确提供复杂流程工业调度的严格解析模型,给出了效益分析的关键约束,从而确保了复杂流程工业的优化调度保持一致性和完备性。
本实施例提供的MSG算法的计算结果是一个包含所有解的超结构总图,在实际运用时需要从这个总图中分解出多个解决方案,这一步将由SSG算法来完成。决策映射(decision-mapping),它在数学上是直接用于发展和描述过程合成的算法,该技术可以表达任意类型与尺寸的过程网络与结构。
图6为本发明实施例一提供的可行子结构示意图。如图6所示,伴随着对过程图和决策映射关系的仔细研究,设定过程图(m,o)是过程图(M,O)的一个特殊子映射,那么并且假设m=mat(o),m为操作单元o的所有输入和输出物质。该算法准确的生成过程合成问题的各个可行结构,而且仅生成可行结构。SSG循环的生成可行结构的决策映射,在生成可行结构过程中,如果SSG的第一个参数集合P是空的,那么SSG的第三个参数表示一个可行结构。因此,根据SSG生成的单个可行的过程结构,还能直接表达过程合成问题的数学表达的标准分离形式DNF(disjunctivenormal form),该形式可以作为根据逻辑公式的合成方法的输入状态。另外,MSG和SSG作为基础算法,可产生过程合成高效的AAB算法。
本实施例根据SSG求出的解决方案作为求解域进行寻优的算法称为加速分枝定界算法。分枝定界算法是用于求解线性和非线性整型规划的确定性方法之一。对线性和凸非线性问题,该方法可以保证计算结果为最优解。当分枝定界算法应用于一般的MILP问题时,设定一部分整型变量是二进制变量,即0或1。而将另一些变量的二进制约束松弛为“0与1之间的任意值”,所形成的方法称为MILP问题的LP松弛(LP relaxation)。求解这个LP松弛是分枝定界算法的第一步。
如果得到所有离散变量都有整型值,则求解结束。如果得到一个或多个离散变量含有小数值,就选择其中一个变量,令其值分别固定为0和1进行分支,从而创建两个LP子问题。如果这些子问题中的任何一个具有全整型解,则该子问题的求解结束。
若该整型解优于迄今为止所找到的最优值,则用该值替换原最优值。如果所有的子问题都是不可行的,则终止此问题的求解,寻找另一个含有小数的变量,并重复上述步骤。
加速分枝定界算法与传统的分支定界法具有明显的不同。在求解过程合成的混合整数规划模型方面,一般的分枝定界算法是无效的,因为它生成过多的自由变量,没有充分利用过程系统的结构特点。
对于超结构优化的过程合成问题,借助最大结构,即严格超结构,加速分枝定界算法明智的利用过程合成的结构特点,它仅显示有可行的组合结构构成的最大结构的组合。完全不像一般的超结构,最大结构可以从算法上组建,并不包含任何多余的流程结构。在加速分枝定界算法中,涉及组建最大结构的分支,仅使用那些在最大结构中存在的操作单元和物料。接着,对带有一定产量的任意操作单元的尺寸优化,自然操作单元控制方程的连续变量涉及操作单元的尺寸,这是独立于合成优化的。
本实施例的符号命名:
A:过程图中弧的集合
d-:一个顶点的入度
(m,o):过程图
m,M:物料集合
o,O:操作单元集合
P:产品集合
(P,R,O):综合问题中定义的产品集合P,原料集合R,操作单元集合O
R:(P,R,O)原料集合
S(P,R,O):综合问题(P,R,O)解决方案的集合
V:过程图中的顶点集合
[yi,yj]:过程图路线
α,β:物料集合
(α,β)操作单元
μ(P,R,O):综合问题(P,R,O)的最大的结构
σ:解决方案结构
Ψ,Ψ-,Ψ+:操作单元集合到物料集合的结构映射
在本实施例提供的技术方案之中,根据输入的进料集R、产品集P、操作集O等输入集,经过MSG算法可以得到该过程反应的超结构,再经过SSG算法求解,得到该过程的所有可行解。这些可行解之中,由于目标函数的差异,尤其对于复杂流程的调度来说,需要找到最优解或者是近优解,这需要对这些可行解进一步寻优。
加速分枝定界算法可以借助分枝定界算法求解混合整数非线性规划问题,而且该算法可以自动排列寻优的过程结构,极大的缩小研究范围,不需要对复杂的MINLP模型求解,就可以快速找到最优和次优的流程结构。
本实施例通过一个包含两装置(裂解炉)两进料系统的裂解炉组进行说明。本实施例提供的技术方案针对复杂流程工业调度问题的时间与操作的实际约束,使用超结构输入生成算法将复杂流程工业流程的实际调度需求转化为最大结构生成算法的输入,再运用最大结构生成算法、子结构生成算法、加速分枝定界算法进行分析和优化,能够准确提供复杂流程工业调度的严格解析模型,给出了效益分析的关键约束,从而确保了复杂流程工业的优化调度保持一致性和完备性。
本实施例设置初始输入为
Minput=N,H,A,B,M,E
Rinput=N,H,A,B
Pinput=M,E
Oinput=(N,A;M,E),(N,B;M,E),(H,A;M,E),(H,B;M,E)
其中,Minput:表示输入的原料和产品的集合;
Rinput:表示输入的原料集合,有四种原料,N,H为两种裂解原料,A和B实际为裂解炉,此处作为一种原料输入;
Pinput:表示输出的产品,M表示丙烯,E表示乙烯;
Oinput:表示操作反应,(N,A;M,E)表示N和A物质经过操作反应生成M和E物质,其他操作反应与此类似。
经过本实施例提供的前置程序转换,输入为
P集合:
[N_4_r,M,E,H_4_r]
m集合:
[N_1_r,N_2_r,N_3_r,A_2,A_3,B_2,B_3,H_1_r,H_2_r,H_3_r,N_1_i,N_2_i,N_3_i,A_1,B_1,H_1_i,H_2_i,H_3_i,N_4_r,M,E,H_4_r]
R集合:
[N_1_i,N_2_i,N_3_i,A_1,B_1,H_1_i,H_2_i,H_3_i]
O集合:
{({N_1_i},{N_1_r}),({N_1_r,N_2_i},{N_2_r}),({N_2_r,N_3_i},{N_3_r}),({N_3_r},{N_4_r}),({N_1_i,A_1},{A_2}),({A_2,N_2_r},{A_3}),({N_3_r,A_3},{M,E}),({A_1,H_1_i},{A_2}),({A_2,H_2_r},{A_3}),({A_3,H_3_r},{M,E}),({N_1_i,B_1},{B_2}),({B_2,N_2_r},{B_3}),({B_3,N_3_r},{M,E}),({B_1,H_1_i},{B_2}),({B_2,H_2_r},{B_3}),({B_3,H_3_r},{M,E}),({H_1_i},{H_1_r}),({H_1_r,H_2_i},{H_2_r}),({H_2_r,H_3_i},{H_3_r}),({H_3_r},{H_4_r})}
OP##0:{N_1_i},{N_1_r}
OP##1:{N_1_r,N_2_i},{N_2_r}
OP##2:{N_2_r,N_3_i},{N_3_r}
OP##3:{N_3_r},{N_4_r}
OP##4:{N_1_i,A_1},{A_2}
OP##5:{A_2,N_2_r},{A_3}
OP##6:{N_3_r,A_3},{M,E}
OP##7:{A_1,H_1_i},{A_2}
OP##8:{A_2,H_2_r},{A_3}
OP##9:{A_3,H_3_r},{M,E}
OP##10:{N_1_i,B_1},{B_2}
OP##11:{B_2,N_2 r},{B_3}
OP##12:{B_3,N_3_r},{M,E}
OP##13:{B_1,H_1_i},{B_2}
OP##14:{B_2,H_2_r},{B_3}
OP##15:{B_3,H_3_r},{M,E}
OP##16:{H_1_i},{H_1_r}
OP##17:{H_1_r,H_2_i},{H_2_r}
OP##18:{H_2_r,H_3_i},{H_3_r}
OP##19:{H_3_r},{H_4_r}
Mutual exclusions:5,8;6,9;7,10;11,14;12,15;13,16;
其中,字符含义如下:
P集合、m集合、R集合、O集合中物质或者材料的首字母为Minput中的元素(共有六个元素);
数字代表反应阶段(共有1、2、3、4四个阶段);
i表示输入,r表示剩余。
例如,H_4_r表示H物质在第4阶段的剩余量,N_2_i表示N物质在第2阶段作为原料输入。
另外,Mutual exclusions:表示互斥,两种进料路径不能共存。
图7为本发明实施例一提供的运行结果示意图,图8为本发明实施例一提供的调度模拟示意图。如图7和图8所示,MSG输入上述内容,经过MSG和SSG运算,获得783个调度方案。经过进一步分析,展示所示的部分调度方案。ABB算法可以获得所有可行结构之中的最优结构和次优结构。表1示出了部分次优解收益数据和对应的生产数据。
表1优化后的净收益次优解的生产数据
本实施例提供的复杂流程工业超结构优化调度方法包括:获得流程工业的实际生产数据;根据所述实际生产数据形成超结构输入生成算法;根据最大结构生成算法和所述超结构输入生成算法获得流程工业生产调度的超结构;根据子结构生成算法和所述超结构获得流程工业生产调度所有过程的可行子结构;根据加速分枝定界算法和所述可行子结构获得流程工业生产调度的所有可行子结构之中的最优结构和次优结构。本实施例提供的技术方案针对复杂流程工业调度问题的时间与操作的实际约束,使用超结构输入生成算法将复杂流程工业流程的实际调度需求转化为最大结构生成算法的输入,再运用最大结构生成算法、子结构生成算法、加速分枝定界算法进行分析和优化,能够准确提供复杂流程工业调度的严格解析模型,给出了效益分析的关键约束,从而确保了复杂流程工业的优化调度保持一致性和完备性。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (3)
1.一种复杂流程工业超结构优化调度方法,其特征在于,包括:
获得流程工业的实际生产数据;
根据所述实际生产数据形成超结构输入生成算法;
根据最大结构生成算法和所述超结构输入生成算法获得流程工业生产调度的超结构;
根据子结构生成算法和所述超结构获得流程工业生产调度所有过程的可行子结构;
根据加速分枝定界算法和所述可行子结构获得流程工业生产调度的所有可行子结构之中的最优结构和次优结构;
所述根据最大结构生成算法和所述超结构输入生成算法获得流程工业生产调度的超结构的步骤包括:
使用潜在决策节点表示过程状态和操作所需要的时间资源;
将流程工业之中的设备和操作划分为有积累效应和无积累效应进行区别处理;
使用互斥操作单元的超结构输入生成算法在实际生产过程之中同一时间多次使用同一设备;
形成流程工业生产调度的超结构。
3.根据权利要求1所述的复杂流程工业超结构优化调度方法,其特征在于,所述根据子结构生成算法和所述超结构获得流程工业生产调度所有过程的可行子结构的步骤包括:
根据集合论对于所述超结构之路不符合过程知识的部分进行剪枝,以去除所述超结构之中不符合产生过程内在要求的解;
根据集合论对于剪枝之后的超结构进行分解,以获得产生产物的所有过程的可行子结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711456937.XA CN108241347B (zh) | 2017-12-27 | 2017-12-27 | 一种复杂流程工业超结构优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711456937.XA CN108241347B (zh) | 2017-12-27 | 2017-12-27 | 一种复杂流程工业超结构优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108241347A CN108241347A (zh) | 2018-07-03 |
CN108241347B true CN108241347B (zh) | 2020-05-19 |
Family
ID=62701265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711456937.XA Active CN108241347B (zh) | 2017-12-27 | 2017-12-27 | 一种复杂流程工业超结构优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108241347B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05159069A (ja) * | 1991-12-03 | 1993-06-25 | Y Ii C:Kk | グラフ作成表示装置 |
CN102708406A (zh) * | 2012-05-10 | 2012-10-03 | 湖北省电力公司 | 一种基于多目标遗传算法的调度图优化方法 |
CN107066770A (zh) * | 2017-06-12 | 2017-08-18 | 华东理工大学 | 基于gpu加速的工业装置蒸汽系统在线优化方法 |
-
2017
- 2017-12-27 CN CN201711456937.XA patent/CN108241347B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05159069A (ja) * | 1991-12-03 | 1993-06-25 | Y Ii C:Kk | グラフ作成表示装置 |
CN102708406A (zh) * | 2012-05-10 | 2012-10-03 | 湖北省电力公司 | 一种基于多目标遗传算法的调度图优化方法 |
CN107066770A (zh) * | 2017-06-12 | 2017-08-18 | 华东理工大学 | 基于gpu加速的工业装置蒸汽系统在线优化方法 |
Non-Patent Citations (2)
Title |
---|
P-graph approach to optimal operational adjustment in polygeneration plants under conditions of process inoperability;Raymond R. Tan;《Applied Energy》;20140918;正文第2节 * |
工业系统超结构模型应用研究进展;曹健等;《化工学报》;20170331;第68卷(第3期);正文第1.1.3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN108241347A (zh) | 2018-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Hyper-heuristic coevolution of machine assignment and job sequencing rules for multi-objective dynamic flexible job shop scheduling | |
Liu et al. | A multi-MILP model collaborative optimization method for integrated process planning and scheduling problem | |
Mousavi et al. | Bi-objective scheduling for the re-entrant hybrid flow shop with learning effect and setup times | |
CN108241347B (zh) | 一种复杂流程工业超结构优化调度方法 | |
Wang et al. | A Novel Collaborative Evolutionary Algorithm with Two-Population for Multi-Objective Flexible Job Shop Scheduling. | |
Kadam et al. | Solving resource-constrained project scheduling problem by genetic algorithm | |
Ausaf et al. | Optimization of multi-objective integrated process planning and scheduling problem using a priority based optimization algorithm | |
Taghavifard | Scheduling cellular manufacturing systems using ACO and GA | |
Ramezanian et al. | A mathematical programming model for flow shop scheduling problems for considering just in time production | |
Svancara et al. | Optimization of HMLV manufacturing systems using genetic algorithm and simulation. | |
Lee et al. | A sequential search framework for selecting weights of dispatching rules in manufacturing systems | |
Saeidi | A Multi-objective Mathematical Model for Job Scheduling on Parallel Machines Using NSGA-II | |
Ausaf et al. | Optimization algorithms for integrated process planning and scheduling problem-A survey | |
Kalantari et al. | An effective multi-population based hybrid genetic algorithm for job shop scheduling problem | |
Hening et al. | Cell loading and manpower allocation with fuzzy multiple objectives in synchronised manufacturing cells | |
TAVAKKOLI et al. | Genetic and Memetic Algorithms for Sequencing a New JIT Mixed-Model Assembly Line | |
Huo et al. | A Benders’ Decomposition Algorithm for Balancing and Sequencing of the Mixed-Model Multi-Manned Assembly Lines | |
Beheshtinia et al. | Reference group genetic algorithm for flexible job shop scheduling problem with multiple objective functions | |
Chinnusamy et al. | A comprehensive survey of flexible manufacturing system scheduling using Petri nets | |
Kiraly et al. | Optimal design of multi-purpose batch chemical plants | |
Hakim et al. | Performance Comparison of Three Hybridization Categories to Solve Multi-Objective Flow Shop Scheduling Problem | |
CN108073784A (zh) | 一种基于过程图的乙烯原料优化调度方案的求解方法 | |
Kazemi et al. | The multi-factory two-stage assembly scheduling problem | |
Paprocka et al. | Searching for a Method of Basic Schedules Generation which influences over the Performance of Predictive and Reactive Schedules | |
Ryu et al. | Minimizing maximum completion time in a no-wait two-stage flexible flow shop |
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 |