CN108629509B - 高铁车轴用钢平行连铸机生产调度方法及系统 - Google Patents

Abstract

本发明实施例涉及一种高铁车轴用钢平行连铸机生产调度方法及系统，该方法包括：初始化多个调度方案，每个调度方案表征各个平行机将要加工的待加工工件；以每个调度方案为人工鱼，确定每个人工鱼的适应度值；对各个人工鱼组成的人工鱼群执行觅食行为；对经觅食行为后的人工鱼群执行自适应差分进化操作，确定更新后的人工鱼；对包含更新后的人工鱼的人工鱼群，依次执行聚群行为和追尾行为；判断是否满足人工鱼群算法的终止条件；将满足人工鱼群算法的终止条件时的最优人工鱼，确定为最优调度方案。本发明采用差分进化算法和自适应参数设计策略，可以提高解决所研究的平行机生产调度问题的效率。

Description

高铁车轴用钢平行连铸机生产调度方法及系统

技术领域

本发明实施例涉及软件技术领域，具体涉及一种高铁车轴用钢平行连铸机生产调度方法及系统。

背景技术

“十一五”以来，高端装备制造产业已经逐渐成为战略性新兴产业发展的重要支撑，其中关键基础零部件和基础制造装备是产品升级的关键环节。本专利以高铁车轴用特殊钢连铸过程优化为目标，设计了全新智能算法以提高特殊钢制造效率。特殊钢材料通常需要在多台连铸机上生产，每台连铸机可连续加工多类特殊钢材。结晶器是连铸机设备中的关键设备，稳定性直接影响到制品的质量，而不同种类特殊钢冷所需结晶器尺寸不同，这使得特殊钢生产过程中存在多个结晶器更换时间，即需要考虑各品种特殊钢之间的生产安排问题，以提高整个生产线的生产效率。

然而，在进行发明创造的过程中发明人发现，现有技术存在以下缺陷：

在以往的研究中，常常忽略因氧化物夹杂而导致结晶器冷却效率降低，或将不同类工件简化为同类工件制造，不考虑产品换模时间。没有针对平行机制造环境下带有换模时间和恶化效应的多种类工件制造问题的解决方案。此外，传统的学者和工程技术人员主要从同类工件成组加工角度考虑生产调度过程优化，直接分配成组工件到机器上。而在实际环境中，制造企业按照订单需求确定工件加工起始时间，同组工件可能会分配到不同的机器上进行加工。所以，在工件排产中，将以工件为单位分配到平行机上加工，并按照工件种类及工件加工时间进行调度。相关技术也未提供适用于实际环境的解决方案。

除此之外，在研究方法上，人工鱼群算法作为一种强适应性群智能算法被广泛应用于各类优化问题解决方案中，但因其是基于鱼群揽食的仿生行为，在算法运行后期易陷入局部最优。

发明内容

本发明实施例提供了一种高铁车轴用钢平行连铸机生产调度方法及系统，用以解决上述至少一个技术问题。

第一方面，本发明实施例提供一种高铁车轴用钢平行连铸机生产调度方法，包括：

S1、设定人工鱼群算法和自适应差分进化算法初始参数，包括步长step_max＝0.3，step_min＝0，视域visual_max＝0.6，visual_min＝0，拥挤度系数δ＝0.618，最大尝试次数trytime，最优解不变代数h＝0，变异算子取[0.1，1.0]之间的随机数，交叉算子取[0，1]之间的随机数，当前迭代次数t＝1，最大迭代次数t_max，全局最优解g_best；

S2、初始化种群，考虑共有Q条人工鱼，第i条人工鱼可表示为向量

i＝1，2，...，Q，其中

为[0，1]之间的实数，经过编码修正操作表示第d个工件所属的加工平行机；第i条人工鱼的属性可表示为

表示第i条人工鱼在第d维上的类别属性，

F为工件的种类总数，Rand(1，F)为取[1，F]之间的随机整数；

S3、执行解码操作，实现连续编码至离散问题的转化；

S4、计算适应度，更新全局最优解；

S5、执行觅食行为；

S6、执行变异算子；

S7、执行交叉算子；

S8、执行聚群行为；

S9、执行追尾行为；

S10、令t＝t+1，判断t＜t_max是否成立，若成立，执行步骤S11；否则，结束搜索，输出最优调度方案；

S11、更新visual_i，Step_i，迭代次数加一，返回步骤S4。

第二方面，本发明实施例提供一种高铁车轴用钢平行连铸机生产调度系统，包括：

处理单元，用于执行以下步骤：

S1、设定人工鱼群算法和自适应差分进化算法初始参数，包括步长step_max＝0.3，step_min＝0，视域visual_max＝0.6，visual_min＝0，拥挤度系数δ＝0.618，最大尝试次数trytime，最优解不变代数h＝0，变异算子取[0.1，1.0]之间的随机数，交叉算子取[0，1]之间的随机数，当前迭代次数t＝1，最大迭代次数t_max，全局最优解g_best；

S2、初始化种群，考虑共有Q条人工鱼，第i条人工鱼可表示为向量

其中

为[0，1]之间的实数，经过编码修正操作表示第d个工件所属的加工平行机；第i条人工鱼的属性可表示为

表示第i条人工鱼在第d维上的类别属性，

F为工件的种类总数，Rand(1，F)为取[1，F]之间的随机整数；

S3、执行解码操作，实现连续编码至离散问题的转化；

S4、计算适应度，更新全局最优解；

S5、执行觅食行为；

S6、执行变异算子；

S7、执行交叉算子；

S8、执行聚群行为；

S9、执行追尾行为；

S10、令t＝t+1，判断t＜t_max是否成立，若成立，执行步骤S11；否则，结束搜索；

S11、更新visual_i，Step_i，迭代次数加一，返回步骤S4；

输出单元，用于在所述处理单元结束搜索时，输出最优调度方案。

本发明针对平行机制造环境下带有换模时间和恶化效应的多种类工件制造问题，在已有的人工鱼群算法基础上，为最小化制造跨度时间构建自适应差分进化和人工鱼群算法，采用差分进化算法和自适应参数设计策略，可以提高解决所研究的平行机生产调度问题的效率。

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是本发明实施例提供的一种高铁车轴用钢平行连铸机生产调度方法流程图；

图2是本发明实施例提供的一种高铁车轴用钢平行连铸机生产调度系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例针对带有换模时间的多类型工件平行机生产调度问题，其中工件加工时间为工件开始加工时间的线性函数，以最小化制造加工跨度时间C_max为目标，确定工件在各平行机上的分配情况、平行机上各类工件的加工序列以及每一工件类别中工件的加工序列。本发明旨在针对所研究调度问题性质，设计基于自适应差分进化和人工鱼群算法的混合算法，在合理时间内高效解决该优化问题，提高制造企业生产效率，降低生产资源消耗。

为便于理解，下面首先对本发明实施例要解决问题进行详细说明，具体来说：

解决优化目标是最小化最大加工时间跨度的带有换模时间的多类型工件平行机调度问题。该问题描述如下：有F种工件将被分配到m台具有相同加工能力的制造设备上加工，每台设备每次只能处理一件工件，不同类工件依次加工需要更换模具，换模时间为固定值s。假设给定一组待加工工件J＝{j₁，j₂，j₃，...，j_n}，每个工件具有不同的加工时间，由p_ii(I＝1，2，...m，j＝1，2，...n)表示，该问题可分两步解决：

(1)步骤1，分配工件到m台平行处理机上；

(2)步骤2，按照工件类型对每台平行处理机上的工件进行分类，计算最大完工时间。

基于此，本发明的一个实施例提供了一种高铁车轴用钢平行连铸机生产调度方法，如图1所示，包括：

S1、设定人工鱼群算法和自适应差分进化算法初始参数，包括步长step_max＝0.3，step_min＝0，视域visual_max＝0.6，visual_min＝0，拥挤度系数δ＝0.618，最大尝试次数trytime，最优解不变代数h＝0，变异算子取[0.1，1.0]之间的随机数，交叉算子取[0，1]之间的随机数，当前迭代次数t＝1，最大迭代次数t_max，全局最优解g_best；

S2、初始化种群，考虑共有Q条人工鱼，第i条人工鱼可表示为向量

其中

为[0，1]之间的实数，经过编码修正操作表示第d个工件所属的加工平行机；第i条人工鱼的属性可表示为

表示第i条人工鱼在第d维上的类别属性，

F为工件的种类总数，Rand(1，F)为取[1，F]之间的随机整数；

S3、执行解码操作，实现连续编码至离散问题的转化；

S4、计算适应度，更新全局最优解；

S5、执行觅食行为；

S6、执行变异算子；

S7、执行交叉算子；

S8、执行聚群行为；

S9、执行追尾行为；

S10、令t＝t+1，判断t＜t_max是否成立，若成立，执行步骤S11；否则，结束搜索，输出最优调度方案；

S11、更新visual_i，Step_i，迭代次数加一，返回步骤S4。

本发明针对平行机制造环境下带有换模时间和恶化效应的多种类工件制造问题，在已有的人工鱼群算法基础上，为最小化制造跨度时间构建自适应差分进化和人工鱼群算法，采用差分进化算法和自适应参数设计策略，可以提高解决所研究的平行机生产调度问题的效率。

在具体实施时，步骤步骤S4中计算适应度，包括：

步骤1、将每个平行机处的工件按照工件所属工件类别分类；

步骤2、定义变量l，t_l，并初始化l＝1，t_l＝0；

步骤3、计算平行机上第l类工件的完工时间t_l；

步骤4、判断l≤F，若满足，则l＝l+1，返回步骤3，否则执行步骤5；

步骤5、按照t_l递减的序列对每类工件依次加工；

步骤6、定义变量C_e，e，并初始化C_e＝0，e＝1；

步骤7、依次将第e台平行机的完工时间赋给C_e；

步骤8、判断条件e≤m是否满足，若满足，则返回步骤7；否则获得每台平行机的完工时间集合C＝{C₁，...，C_e，...，C_m}；其中，m为平行机总台数；

步骤9、令C_max＝max_l≤e≤m(C_e)，并令fit(X_i)＝C_max，得到人工鱼AF_i的适应度值。

在具体实施时，所述步骤S11中更新visual_i，Step_i包括：

步骤1、获得当前鱼群全局最优适应度函数；若比较上一代，全局最优解改变，则h＝0，否则h＝h+1；

步骤2、更新

其中，g_total表示鱼群总迭代代数，g代表当前迭代代数，

代表以

为均值，以e^h为方差的高斯随机数，e表示自然对数；

步骤3、更新

β＝0.15；

步骤4、判断visual_i≤visual_max，step_i≤step_max是否成立，若成立，则输出visual_i，step_i，否则执行步骤5；

步骤5、取r＝Rand(0，1)，令visual_i＝visual_max*r，step_i＝step_max*r，输出visual_i，step_i。

在具体实施时，所述步骤S3中解码操作包括：

步骤1、通过平均分布确定[0，1]之间的m+1个flag，{flag₀，flag₂，...，flag_m}，m为平行机总台数，flag₀＝0，flag_m＝1；

步骤2、获得人工鱼群中每个个体的状态向量

步骤3、判断

是否成立，若成立，则令

否则d＝d+1；

步骤4、判断d＝n是否成立，若成立，则修正过程完成，否则令f＝f+1，返回步骤3。

本发明的有益效果如下：

1、本发明为优化目标为最小化最大完工时间的带有换模时间的多类型工件平行机调度问题设计了新的元启发式算法，以有效降低高端装备基础零件制造企业的加工时间和制造资源成本；先根据编码对所有工件进行生产序列分配；再结合差分进化算法交叉、变异行为对鱼群的揽食规律优化求解，实现算法的不断优化，最终求得问题的最优解或者近似最优解。基于自适应差分进化和人工鱼群算法不仅具有人工鱼群算法对于初值不敏感，搜索能力强的特性，更引入差分进化的原理，以降低算法后期搜索的盲目性，提高算法效率和稳定性；该算法能有效解决带有换模时间的多类型工件平行机调度问题，有利于提高制造企业生产效益，降低生产成本。

2、由于该问题的优化特性是离散的，与原始人工鱼群算法和自适应差分进化算法的连续优化策略不同，故本专利通过解码策略将该问题转化为连续优化问题，保证了整个优化算法的有效性。

3、本发明在人工鱼群算法的觅食行为中融合差分进化的交叉，变异操作，既提高了种群搜索的随机性，保证搜索质量，又提高了搜索的目的性，避免陷入局部最优，使算法过早收敛。

基于同样的发明构思，本发明又一实施例提供了一种高铁车轴用钢平行连铸机生产调度系统，如图2所示，包括：

处理单元201，用于执行以下步骤：

S1、设定人工鱼群算法和自适应差分进化算法初始参数，包括步长step_max＝0.3，step_min＝0，视域visual_max＝0.6，visual_min＝0，拥挤度系数δ＝0.618，最大尝试次数trytime，最优解不变代数h＝0，变异算子取[0.1，1.0]之间的随机数，交叉算子取[0，1]之间的随机数，当前迭代次数t＝1，最大迭代次数t_max，全局最优解g_best；

S2、初始化种群，考虑共有Q条人工鱼，第i条人工鱼可表示为向量

其中

为[0，1]之间的实数，经过编码修正操作表示第d个工件所属的加工平行机；第i条人工鱼的属性可表示为

表示第i条人工鱼在第d维上的类别属性，

F为工件的种类总数，Rand(1，F)为取[1，F]之间的随机整数；

S3、执行解码操作，实现连续编码至离散问题的转化；

S4、计算适应度，更新全局最优解；

S5、执行觅食行为；

S6、执行变异算子；

S7、执行交叉算子；

S8、执行聚群行为；

S9、执行追尾行为；

S10、令t＝t+1，判断t＜t_max是否成立，若成立，执行步骤S11；否则，结束搜索；

S11、更新visual_i，Step_i，迭代次数加一，返回步骤S4；

输出单元202，用于在所述处理单元结束搜索时，输出最优调度方案。

可选地，处理单元201执行步骤S4中计算适应度，可以包括：

步骤1、将每个平行机处的工件按照工件所属工件类别分类；

步骤2、定义变量l，t_l，并初始化l＝1，t_l＝0；

步骤3、计算平行机上第l类工件的完工时间t_l；

步骤4、判断l≤F，若满足，则l＝l+1，返回步骤3，否则执行步骤5；

步骤5、按照t_l递减的序列对每类工件依次加工；

步骤6、定义变量C_e，e，并初始化C_e＝0，e＝1；

步骤7、依次将第e台平行机的完工时间赋给C_e；

步骤8、判断条件e≤m是否满足，若满足，则返回步骤7；否则获得每台平行机的完工时间集合C＝{C₁，...，C_e，...，C_m}；其中，m为平行机总台数；

步骤9、令C_max＝max_1≤e≤m(C_e)，并令fit(X_i)＝C_max，得到人工鱼AF_i的适应度值。

可选地，处理单元201执行所述步骤S11中更新visual_i，Step_i可以包括：

步骤1、获得当前鱼群全局最优适应度函数；若比较上一代，全局最优解改变，则h＝0，否则h＝h+1；

步骤2、更新

其中，g_total表示鱼群总迭代代数，g代表当前迭代代数，

代表以

为均值，以e^h为方差的高斯随机数，e表示自然对数；

步骤3、更新

β＝0.15；

步骤4、判断visual_i≤visual_max，step_i≤step_max是否成立，若成立，则输出visual_i，step_i，否则执行步骤5；

步骤5、取r＝Rand(0，1)，令visual_i＝visual_max*r，step_i＝step_max*r，输出visual_i，step_i。

可选地，处理单元201执行所述步骤S3中解码操作可以包括：

步骤1、通过平均分布确定[0，1]之间的m+1个flag，{flag₀，flag₂，...，flag_m}，m为平行机总台数，flag₀＝0，flag_m＝1；

步骤2、获得人工鱼群中每个个体的状态向量

步骤3、判断

是否成立，若成立，则令

否则d＝d+1；

步骤4、判断d＝n是否成立，若成立，则修正过程完成，否则令f＝f+1，返回步骤3。

由于本实施例所介绍的高铁车轴用钢平行连铸机生产调度系统为可以执行本发明实施例中的高铁车轴用钢平行连铸机生产调度方法的系统，故而基于本发明实施例中所介绍的高铁车轴用钢平行连铸机生产调度方法，本领域所属技术人员能够了解本实施例的高铁车轴用钢平行连铸机生产调度系统的具体实施方式以及其各种变化形式，所以在此对于该高铁车轴用钢平行连铸机生产调度系统如何实现本发明实施例中的高铁车轴用钢平行连铸机生产调度方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中高铁车轴用钢平行连铸机生产调度方法所采用的系统，都属于本申请所欲保护的范围。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本公开的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

Claims (4)

1.一种高铁车轴用钢平行连铸机生产调度方法，其特征在于，包括：

S1、设定人工鱼群算法和自适应差分进化算法初始参数，包括步长step_max＝0.3，step_min＝0，视域visual_max＝0.6，visual_min＝0，拥挤度系数δ＝0.618，最大尝试次数trytime，最优解不变代数h＝0，变异算子取[0.1，1.0]之间的随机数，交叉算子取[0，1]之间的随机数，当前迭代次数t＝1，最大迭代次数t_max，全局最优解g_best；

S2、初始化种群，考虑共有Q条人工鱼，第i条人工鱼可表示为向量

其中

为[0，1]之间的实数，经过编码修正操作表示第d个工件所属的加工平行机；第i条人工鱼的属性可表示为

表示第i条人工鱼在第d维上的类别属性，

F为工件的种类总数，Rand(1，F)为取[1，F]之间的随机整数；

S3、执行解码操作，实现连续编码至离散问题的转化；

S4、计算适应度，更新全局最优解；

S5、执行觅食行为；

S6、执行变异算子；

S7、执行交叉算子；

S8、执行聚群行为；

S9、执行追尾行为；

S10、令t＝t+1，判断t＜t_max是否成立，若成立，执行步骤S11；否则，结束搜索，输出最优调度方案；

S11、更新visual_i，Step_i，迭代次数加一，返回步骤S4；

其中，所述步骤S4中计算适应度包括：

步骤1、将每个平行机处的工件按照工件所属工件类别分类；

步骤2、定义变量l，t_l，并初始化l＝1，t_l＝0；

步骤3、计算平行机上第l类工件的完工时间t_l；

步骤4、判断l≤F，若满足，则l＝l+1，返回步骤3，否则执行步骤5；

步骤5、按照t_l递减的序列对每类工件依次加工；

步骤6、定义变量C_e，e，并初始化C_e＝0，e＝1；

步骤7、依次将第e台平行机的完工时间赋给C_e；

步骤8、判断条件e≤m是否满足，若满足，则返回步骤7；否则获得每台平行机的完工时间集合C＝{C₁，...，C_e，...，C_m}；其中，m为平行机总台数；

步骤9、令C_max＝max_i≤e≤m(C_e)，并令fit(X_i)＝C_max，得到人工鱼AF_i的适应度值。

2.根据权利要求1所述的方法，其特征在于，所述步骤S11中更新visual_i，Step_i包括：

步骤1、获得当前鱼群全局最优适应度函数；若比较上一代，全局最优解改变，则h＝0，否则h＝h+1；

步骤2、更新

其中，g_total表示鱼群总迭代代数，g代表当前迭代代数，

代表以

为均值，以e^h为方差的高斯随机数，e表示自然对数；

步骤3、更新

β＝0.15；

步骤4、判断visual_i≤visual_max，step_i≤step_max是否成立，若成立，则输出visual_i，step_i，否则执行步骤5；

步骤5、取r＝Rand(0，1)，令visual_i＝visual_max*r，step_i＝step_max*r，输出visual_i，step_i。

3.根据权利要求1所述的方法，其特征在于，所述步骤S3中解码操作包括：

步骤1、通过平均分布确定[0，1]之间的m+1个flag，{flag₀，flag₂，...，flag_m}，m为平行机总台数，flag₀＝0，flag_m＝1；

步骤2、获得人工鱼群中每个个体的状态向量

步骤3、判断

是否成立，若成立，则令

否则d＝d+1；

步骤4、判断d＝n是否成立，若成立，则修正过程完成，否则令f＝f+1，返回步骤3。

4.一种高铁车轴用钢平行连铸机生产调度系统，其特征在于，包括：

处理单元，用于执行以下步骤：

S1、设定人工鱼群算法和自适应差分进化算法初始参数，包括步长step_max＝0.3，step_min＝0，视域visual_max＝0.6，visual_min＝0，拥挤度系数δ＝0.618，最大尝试次数trytime，最优解不变代数h＝0，变异算子取[0.1，1.0]之间的随机数，交叉算子取[0，1]之间的随机数，当前迭代次数t＝1，最大迭代次数t_max，全局最优解g_best；

S2、初始化种群，考虑共有Q条人工鱼，第i条人工鱼可表示为向量

其中

为[0，1]之间的实数，经过编码修正操作表示第d个工件所属的加工平行机；第i条人工鱼的属性可表示为

表示第i条人工鱼在第d维上的类别属性，

F为工件的种类总数，Rand(1，F)为取[1，F]之间的随机整数；

S3、执行解码操作，实现连续编码至离散问题的转化；

S4、计算适应度，更新全局最优解；

S5、执行觅食行为；

S6、执行变异算子；

S7、执行交叉算子；

S8、执行聚群行为；

S9、执行追尾行为；

S10、令t＝t+1，判断t＜t_max是否成立，若成立，执行步骤S11；否则，结束搜索；

S11、更新visual_i，Step_i，迭代次数加一，返回步骤S4；

输出单元，用于在所述处理单元结束搜索时，输出最优调度方案；

其中，所述步骤S4中计算适应度包括：

步骤1、将每个平行机处的工件按照工件所属工件类别分类；

步骤2、定义变量l，t_l，并初始化l＝1，t_l＝0；

步骤3、计算平行机上第l类工件的完工时间t_l；

步骤4、判断l≤F，若满足，则l＝l+1，返回步骤3，否则执行步骤5；

步骤5、按照t_l递减的序列对每类工件依次加工；

步骤6、定义变量C_e，e，并初始化C_e＝0，e＝1；

步骤7、依次将第e台平行机的完工时间赋给C_e；

步骤8、判断条件e≤m是否满足，若满足，则返回步骤7；否则获得每台平行机的完工时间集合C＝{C₁，...，C_e，...，C_m}；其中，m为平行机总台数；

步骤9、令C_max＝max_1≤e≤m(C_e)，并令fit(X_i)＝C_max，得到人工鱼AF_i的适应度值。

Images