CN112200489A - 有色金属冶炼产供销一体优化系统、方法、装置 - Google Patents
有色金属冶炼产供销一体优化系统、方法、装置 Download PDFInfo
- Publication number
- CN112200489A CN112200489A CN202011195230.XA CN202011195230A CN112200489A CN 112200489 A CN112200489 A CN 112200489A CN 202011195230 A CN202011195230 A CN 202011195230A CN 112200489 A CN112200489 A CN 112200489A
- Authority
- CN
- China
- Prior art keywords
- model
- decision
- data
- module
- smelting
- 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 97
- 238000003723 Smelting Methods 0.000 title claims abstract description 86
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 title claims abstract description 75
- 239000002184 metal Substances 0.000 title claims abstract description 37
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 44
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 5
- 239000002994 raw material Substances 0.000 claims description 63
- 239000000047 product Substances 0.000 claims description 48
- 239000013067 intermediate product Substances 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 30
- 239000000463 material Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 14
- 239000004615 ingredient Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000012432 intermediate storage Methods 0.000 claims description 4
- 238000009472 formulation Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 27
- 239000003795 chemical substances by application Substances 0.000 description 16
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013068 supply chain management Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012840 feeding operation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 150000002736 metal compounds Chemical class 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000009856 non-ferrous metallurgy Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001698 pyrogenic effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明属于协同制造、智能制造领域,具体涉及一种有色金属冶炼产供销一体优化系统、方法、装置,旨在解决有色金属冶炼产销决策效率低、准确度差的问题。本系统包括模型构建模块,配置为采用数据驱动的方法构建有色冶炼企业的历史运营数据对应的单元模型;数据仿真模块,配置为将各单元模型按冶炼流程进行逻辑连接,并通过DEVS离散事件模型进行仿真,生成仿真数据;代理模型生成模块,配置为将历史运营数据与仿真数据进行合并,并构建成本目标函数及决策变量的约束条件的代理模型;决策优化模块,配置为通过进化算法对代理模型进行优化;所述最优决策输出模块,配置为生成最优决策。本发明提高了有色金属冶炼的产销决策效率以及准确度。
Description
技术领域
本发明属于协同制造、智能制造领域,具体涉及一种有色金属冶炼产供销一体优化系统、方法、装置。
背景技术
有色金属冶炼是经过火法或者湿法工艺从含有多种金属的矿石原料中获取一定纯度的金属单质或者金属化合物的生产过程。有色金属冶炼的矿石原料产地多、构成复杂,为了保持冶炼过程的稳定和高效,必须综合考虑原料的品味、构成、物流和价格等因素进行原料采购,优化原料配比满足企业特定的冶炼工艺和装备要求,兼顾产品的市场需求,通过降低原料成本、稳定产品质量、提高生产效率,合理安排产品库存等手段达成理想的技术经济指标。
原料成本占有色金属冶炼总成本的90%以上,包括原料的采购成本、物流成本和库存成本。冶炼不同矿石原料时的能源消耗、生产工艺调整过程、设备维修维护成本、生产效率等方面也存在较大差异。原料是决定生产过程技术经济指标的主要因素,平衡原料采购与生产之间的成本,是产供销一体优化的关键。根据企业的工艺和装备实际的技术经济性能,综合考虑矿石原料的采购与生产计划编制,特别是通过优化原料的种类、数量、订单提前时间、优化配料、合理编制生产计划来实现以供应链优化为核心的协同制造,是提高有色冶炼企业产销决策效率和准确度的重要技术手段。
针对此类问题,传统处理方法是建立一个生产运营过程的解析模型并作为一个复杂的约束优化问题来求解。然而,生产过程大量确定性和随机性的影响因素、多变的工况以及人为的各种基于知识的生产干预操作使得建立解析模型虽然理论上可行,但在实际操作中难以实现。因此,本发明提出了一种有色金属冶炼产供销一体优化系统。
发明内容
为了解决现有技术中的上述问题,即为了解决有色金属冶炼产销决策效率低、准确度差的问题,本发明第一方面,提出了一种有色金属冶炼产供销一体优化系统,该系统包括:模型构建模块、数据仿真模块、代理模型生成模块、决策优化模块、最优决策输出模块;
所述模型构建模块,配置为采用数据驱动的方法构建有色冶炼企业的历史运营数据对应的单元模型;
所述数据仿真模块,配置为将各单元模型按冶炼工艺流程进行逻辑连接,作为运营模型;基于采样获取的决策变量,结合设定的仿真参数及外部离散事件,通过DEVS离散事件模型对所述运营模型进行仿真,生成有色冶炼企业的运营仿真数据;所述决策变量包括采购量、采购的时间点、物料处理量、原料配料方案、新增产品产量;
所述代理模型生成模块,配置为将历史运营数据与运营仿真数据进行合并,构建运营数据集合,并采用非参数建模方法构建成本目标函数及决策变量的约束条件的代理模型;
所述决策优化模块,配置为基于所述运营数据集合中的运营数据,通过进化算法对所述代理模型进行优化,获取优化后的决策变量;
所述最优决策输出模块,配置为通过所述DEVS离散事件模型得到优化后的决策变量对应的运营仿真数据,并增入所述运营数据集合;循环执行所述决策优化模块,直至达到设定的优化次数或者决策变量的变化幅度小于设定的变化阈值,将此时决策优化模块得到的决策变量作为最优决策进行输出。
在一些优选的实施方式中,所述单元模型包括市场需求模型、供应商模型、原料库存模型、配料模型、冶炼加工模型、中间存储及产品库存模型。
在一些优选的实施方式中,所述成本目标函数基于采购成本Jc、原料库存成本Jy、生产成本Jp、产品库存成本Jw、中间产品库存成本Jz构建;
所述成本目标函数J为:min J=Jc+Jy+Jp+Jw+Jz;
其中,Qi、Pi、Wi、表示第i种(i∈{1 … n})原料的采购量、价格、初始库存、库存成本,Ti表示采购的时间点,n表示原料的种类,TL表示仿真时间长度,h(k)、r(k)、Cw、uz(k)、ez(k)、Cz表示第k步仿真的新增产品量、销售产品量、库存成本、新增中间产品量、消耗中间产品量、中间产品库存成本,表示第z个中间产品初始库存,H0表示产品的初始库存,S为冶炼单元总数,Gi(k)表示第i种原料在第k步仿真的物料处理量,Gs(k)表示第s个冶炼单元在第k步仿真的物料处理量,表示采用配料方案P的第s个冶炼单元的生产成本,xi(k)表示第i种原料的配料比例。
在一些优选的实施方式中,所述决策变量的约束条件包括:采购量上下限约束、冶炼单元产能约束、物料平衡约束、配料组分含量约束、原料库存量约束、产品库存量约束、中间产品库存量约束;
所述产品库存量约束为:Hmin≤H0+h(k)-r(k)≤Hmax,Ti≤k≤TL;
其中,表示第i种原料采购量的上下限, 表示第s个单元生产处理能力上下限,Gs、Gs+1表示第s、s+1个冶炼单元的处理量,表示第p个配方中第kj个原料占比的上下限,和表示存储第i种原料的仓储量下限和上限,Hmin和Hmax表示产品库存的上下限,Umin和Umax表示中间产品库存量的上下限。
在一些优选的实施方式中,所述代理模型为多项式非参数估计算法模型、径向基函数神经网络模型、克里金近似算法模型中的任一种。
在一些优选的实施方式中,所述外部离散事件包括设备启停、间歇进料、设备故障、工艺调整、物料数量和质量波动、出料、检化验。
在一些优选的实施方式中,所述模型构建模块、数据仿真模块之间还包括模型校验模块;
所述模型校验模块,配置为获取单元模型的输出与有色冶炼企业实际的运营数据之间的差值,若所述差值大于设定阈值,则在单元模型层级上启动模型修正,直至所述差值小于等于设定阈值;所述模型修正为对构成单元模型的基本要素进行修正;所述基本元素包括模型结构、模型参数。
本发明的第二方面,提出了一种有色金属冶炼产供销一体优化方法,该方法包括以下步骤:
步骤A10,采用数据驱动的方法构建有色冶炼企业的历史运营数据对应的单元模型;
步骤A20,将各单元模型按冶炼工艺流程进行逻辑连接,作为运营模型;基于采样获取的决策变量,结合设定的仿真参数及外部离散事件,通过DEVS离散事件模型对所述运营模型进行仿真,生成有色冶炼企业的运营仿真数据;所述决策变量包括采购量、采购的时间点、物料处理量、原料配料方案、新增产品产量;
步骤A30,将历史运营数据与运营仿真数据进行合并,构建运营数据集合,并采用非参数建模方法构建成本目标函数及决策变量的约束条件的代理模型;
步骤A40,基于所述运营数据集合中的运营数据,通过进化算法对所述代理模型进行优化,获取优化后的决策变量;
步骤S50,通过所述DEVS离散事件模型得到优化后的决策变量对应的运营仿真数据,并增入所述运营数据集合;循环执行步骤A40,直至达到设定的优化次数或者决策变量的变化幅度小于设定的变化阈值,将此时步骤A40得到的决策变量作为最优决策进行输出。
本发明的第三方面,提出了一种存储装置,其中存储有多条程序,所述程序适用于由处理器加载并执行以实现上述的有色金属冶炼产供销一体优化方法。
本发明的第四方面,提出了一种处理装置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;所述程序适用于由处理器加载并执行以实现上述的有色金属冶炼产供销一体优化方法。
本发明的有益效果:
本发明提高了有色金属冶炼的产销决策效率以及准确度。
(1)本发明根据有色冶炼企业的历史运营数据,通过数据驱动的方法构建单元模型,并将单元模型组合成企业运营模型,并和离散事件仿真方法结合,实现确定性或者随机性因素影响下的企业产供销运营分析与优化决策,辅助改善运营管理,提高了有色金属冶炼的产销决策的准确度。
(2)采用非参数建模的方法建立目标函数和设定决策变量的约束条件的代理模型。针对代理模型使用进化计算类的方法实现决策优化问题的求解,减少基于运营模型的仿真计算量,降低计算量并缩短优化时间,加速优化收敛过程,提升了产销决策效率。
附图说明
通过阅读参照以下附图所做的对非限制性实施例所做的详细描述,本申请的其他特征、目的和优点将会变得更明显。
图1是本发明一种实施例的有色金属冶炼产供销一体优化系统的框架示意图;
图2是本发明一种实施例的有色金属冶炼产供销一体优化方法的流程示意图;
图3是本发明一种实施例的有色金属冶炼产供销一体优化的平台结构示意图;
图4是本发明一种实施例的基于代理模型的产供销一体优化的简略流程示意图;
图5是本发明一种实施例的适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合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。
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
本发明的有色金属冶炼产供销一体优化系统,如图1所示,包括:模型构建模块、数据仿真模块、代理模型生成模块、决策优化模块最优决策输出模块;
所述模型构建模块,配置为采用数据驱动的方法构建有色冶炼企业的历史运营数据对应的单元模型;
所述数据仿真模块,配置为将各单元模型按冶炼工艺流程进行逻辑连接,作为运营模型;基于采样获取的决策变量,结合设定的仿真参数及外部离散事件,通过DEVS离散事件模型对所述运营模型进行仿真,生成有色冶炼企业的运营仿真数据;所述决策变量包括采购量、采购的时间点、物料处理量、原料配料方案、新增产品产量;
所述代理模型生成模块,配置为将历史运营数据与运营仿真数据进行合并,构建运营数据集合,并采用非参数建模方法构建成本目标函数及决策变量的约束条件的代理模型;
所述决策优化模块,配置为基于所述运营数据集合中的运营数据,通过进化算法对所述代理模型进行优化,获取优化后的决策变量;
所述最优决策输出模块,配置为通过所述DEVS离散事件模型得到优化后的决策变量对应的运营仿真数据,并增入所述运营数据集合;循环执行所述决策优化模块,直至达到设定的优化次数或者决策变量的变化幅度小于设定的变化阈值,将此时决策优化模块得到的决策变量作为最优决策进行输出。
为了更清晰地对本发明有色金属冶炼产供销一体优化系统进行说明,下面结合附图对本发明系统一种实施例中各步骤进行展开详述。
本发明建立有色金属冶炼单元模型并将单元模型组合为企业运营模型;创建一个计算机平台环境(以下简称“平台”),如图3所示,在该平台环境下利用数据库和通信技术,从过程控制系统PCS、制造执行系统MES、企业资源计划系统ERP、供应链管理系统SCM以及办公管理系统OA等软件系统中采集和存储企业历史运营数据和实时过程数据,调用和运行模型软件载体,读取模型所需输入数据;采用离散事件仿真(DEVS)技术对企业运营模型进行仿真,实现与实际物理过程同步的有色金属随时间演进规律的软件载体,进而产生企业运营技术经济数据,获取供应链采购和生产计划决策下的综合技术和经济指标,并存储到平台数据库;基于企业运营仿真获得的企业运营技术经济数据,采用非参数方法建立代理模型和进化计算方法,实现以综合经济效益最大或者综合成本最低为目标的产供销一体决策优化。
本发明包括以下模块,如图1所示:模型构建模块100、模型校验模块200、数据仿真模块300、代理模型生成模块400、决策优化模块500、最优决策输出模块600;
所述模型构建模块100,配置为采用数据驱动的方法构建有色冶炼企业的历史运营数据对应的单元模型;
在本实施例中,构建包括但不限于市场需求、供应商、原料库存、配料、冶炼加工、中间存储以及产品库存等在内的单元模型。单元模型在实际的时间尺度下描述产供销物理对象的功能响应、估计技术经济指标。模型是一个包括算法程序、历史数据、过程实时数据、机理和知识在内的整体,是平台的组成部分,与平台环境在数据、调用和显示等方面集成一体。模型采用独立的软件模块编制,模型参数和模型相关的知识库存储于平台数据库中。
其中,市场需求模型,用于确定新增主产品产量,即通过数据驱动的方法基于市场历史需求数据预测(采用LSTM深度神经网络模型进行预测)未来指定时间范围内的产品需求总量,包括市场需求预测、基于知识的新增产量计划。通过预测产品需求量,结合当期库存,结合产量计划知识库自动确定计划新增产量。
供应商模型,用于响应原料采购需求,包括订单处理时间、供应能力、原料检验数据、供货价格、物流时间、付款方式等。供应商模型中的参数来自于实际的供应商信息采集和管理系统。将商务流程和物流时间集成到模型中,体现实际的采购行为特征。
原料库存模型,用于维护原料存储信息并产生成本输出,包括存储单元的数量、编号、容积、存料量、存料检验数据、原料供货商、进料操作准备时间、出料操作准备时间;实际进料速率、实际出料速率;定义对应的状态数据以及状态转换规则,体现实际的物料存储操作特征。
配料模型,用于确定不同原料之间的比例,包括原料选择空间、配合料的采购成本,配料工艺知识库,经过模型计算输出配料方案、配料成本和配料方案的可持续时间。定义对应的状态数据以及状态转换规则,体现实际的配料操作特征。
冶炼加工模型,用于计算指定原料下的冶炼加工过程的技术经济指标,包括处理能力上下限、产出计算、生产效率、能源成本、质量指标、装备维修维护成本等。冶炼模型是一个统称,在具体的有色冶炼工艺流程中,冶炼加工模型是该流程中的各个加工工序或者单元装置的模型。冶炼加工模型基于存储在平台数据库中的历史生产数据,通过数据驱动的方法获得。定义对应的状态数据以及状态转换规则,体现实际的冶炼加工过程特征。
中间存储模型,用于维护中间产品库存信息并产生库存成本输出。包括当前中间产品库存、新增中间产品库存量、出库中间产品量、中间产品在库累计时间、库存成本。定义对应的状态数据以及状态转换规则,体现中间产品存储操作特征。
产品库存模型,用于维护产品库存信息并产生库存成本输出。包括当前产品库存、新增产品库存量、出库产品量产品、产品在库累计时间、库存成本。定义对应的状态数据以及状态转换规则,体现产品存储操作特征。
所述模型校验模块200,配置为获取单元模型的输出与有色冶炼企业实际的运营数据之间的差值序列的统计特征,如果未通过校验,则在单元模型层级上启动模型修正,直至通过校验。
在本实施例中,通过单元模型输出与企业实际数据之间的差值序列的统计特征进行校验。如果未通过校验,则在单元模型层级上启动模型修正,直至通过校验。模型修正涉及模型结构、模型参数、知识库等构成单元模型的基本要素。
所述数据仿真模块300,配置为将各单元模型按冶炼工艺流程进行逻辑连接,作为运营模型;基于采样获取的决策变量,结合设定的仿真参数及外部离散事件,通过DEVS离散事件模型对所述运营模型进行仿真,生成有色冶炼企业的运营仿真数据;
在本实施例中,将校验后的单元模型按照冶炼工艺流程(以铜冶炼流程为例,流程由采购、仓储、上料、熔炼、吹炼、精炼、连铸、粗铜仓储、电解、阴极铜仓储、销售等单元构成)进行逻辑连接,组合成有色冶炼企业的运营模型。
在设定仿真参数的基础上,设定运营过程中需要模拟的偶发事件(外部离散事件),各个单元模型接收外部离散事件输入,产生内部状态并依据规则进行状态的转换,输出离散事件并触发关联单元模型,即通过DEVS离散事件模型对所述运营模型进行仿真,生成有色冶炼企业运营仿真数据,存储到平台数据库。离散事件包括设备启停、间歇进料、设备故障、工艺调整、物料数量和质量波动、出料、检化验等在实际生产过程中发生的并影响生产过程的各种因素。
运营模型和仿真在离散事件模型(DEVS)仿真环境中运行。运营模型的编码实现与具体的DEVS环境支持条件相关。平台可以与DEVS集成在一起或者通过中间组件的方式与DEVS交换数据。
其中,本发明的仿真基本参数包括且不限于:仿真时间长度为TL,仿真时间步长为Ts,原料种类为n,在仿真时间范围内第i种原料(i∈{1…n})的采购量、价格、库存成本和初始库存分别为Qi、Pi、和Wi,采购的时间点为Ti(0≤Ti≤TL)(在多次采购的情况下可设定多个采购时间点),参与配料的原料种类为m,令kj∈{1 … n},j=1,2,…m,配料过程第kj种物料的比例为每组形成一个配料方案 Z是配方序号,第k步仿真的配料比例表示为采用配料方案P的第s个冶炼单元的处理量是Gs,生产成本为其中s∈{1 … S}(S为冶炼单元总数),其在第k步仿真的原料消耗量(即物料处理量)为Gs(k),原料消耗量反映了整个冶炼流程的生产负荷,产品的初始库存为H0,设第k步仿真的新增产品量为h(k),(计划)销售产品量为r(k),产品库存成本为Cw。第z(z∈{1 … Z})个中间产品初始库存设第k步仿真的新增中间产品量为uz(k),消耗中间产品量为ez(k),中间产品库存成本为Cz。
运营模型输入(即决策变量)包括且不限于:采购量Q(i∈{1…n}),采购的时间点为Ti(0≤Ti≤TL),物料处理量序列Gs(k)(s∈{1…S},Ti≤k≤TL),原料配料方案Fp(p=1,2,…Z),新增产品产量序列h(k)(Ti≤k≤TL)。
运营模型输出包括且不限于:采购成本Jc,原料库存成本Jm,生产成本Jp、产品库存成本Jw和中间产品库存成本Jz。
最后,基于仿真数据分析决策变量或者模拟的偶发事件作用下的企业运营情况和对应的技术经济指标(包括但不限于生产成本、销售收入、经济效益等);将分析结果存入平台数据库。
所述代理模型生成模块400,配置为将历史运营数据与运营仿真数据进行合并,构建运营数据集合,并采用非参数建模方法构建成本目标函数及决策变量的约束条件的代理模型;
在本实施例中,将历史运营数据和运营仿真数据合并形成“运营数据集合”。基于“运营数据集合”采用数据驱动的方式实现“目标函数和约束条件代理模型的估计”,后续的优化计算以代理模型展开,避免直接的运营仿真计算,减少基于运营模型的仿真计算量,加速优化收敛过程,缩短优化时间。
本发明中,采用非参数建模的方法建立成本目标函数和部分复杂约束条件(即决策变量的约束条件)的代理模型(简单约束条件直接计算即可),使用代理模型表达数据集中数据点对应的输入输出函数关系。代理模型可以为多项式非参数估计算法模型、径向基函数神经网络玩模型、克里金近似算法模型中的任一种。
其中,产供销一体优化的主要目标是在特定产量的前提下,采购和生产成本最低。目标函数由以下成本目标构成,包括但不限于如下目标函数:采购成本目标函数Jc、原料库存成本目标函数Jy、生产成本目标函数Jp、产品库存成本目标函数Jw、中间产品库存成本目标函数Jz;具体如公式(1)(2)(3)(4)(5)所示:
产供销一体优化的主要约束条件主要包括但不限于这些内容:供应商供应量范围(采购量的上下限)、各个生产单元产能上下限、上下游工序物料平衡约束、原料配比成分的波动范围等。具体的约束为:采购量上下限约束、冶炼单元产能约束、物料平衡约束、配料组分含量约束、原料库存量约束、产品库存量约束、中间产品库存量约束;如式(6)(7)(8)(9)(10)(11)所示:
Gs+1=D(Gs)(此处以串行工序为例,可以推广到带有多输入和内部循环的生产流程)(8)
Hmin≤H0+h(k)-r(k)≤Hmax,0≤k≤TL (11)
其中,表示第i种原料采购量的上下限, 表示第s个单元生产处理能力上下限,Gs、Gs+1表示第s、s+1个冶炼单元的处理量,表示第p个配方中第kj个原料占比的上下限,和表示存储第i种原料的仓储量下限和上限,Hmin和Hmax表示产品库存的上下限,Umin和Umax表示中间产品库存量的上下限。
所述决策优化模块500,配置为基于所述运营数据集合中的运营数据,通过进化算法对所述代理模型进行优化,获取优化后的决策变量;
在本实施例中,基于代理模型,优先选用粒子群算法等进化算法实施“进化算法寻优”,优化目标函数,获得优化后的决策变量。
所述决策优化模块600,配置为通过所述DEVS离散事件模型得到优化后的决策变量对应的运营仿真数据,并增入所述运营数据集合;循环执行所述决策优化模块,直至达到设定的优化次数或者决策变量的变化幅度小于设定的变化阈值,将此时决策优化模块得到的决策变量作为最优决策进行输出。
在本实施例中,如图4所示,针对所获得的优化后的决策变量进行“运营仿真计算”即通过DEVS离散事件模型进行仿真,获得优化后的决策变量对应的运营数据,避免代理模型偏差导致的估计误差。采用迭代优化次数上限(设定的优化次数)或者决策变量的变化幅度(前后两次的变化幅度或者设定优化次数内的变化幅度)小于下限阈值(设定的变化阈值)判定“是否达到优化终止条件”,如果满足,则给出将此时决策优化模块400输出的决策变量作为最优决策进行输出,否则将优化后的决策变量对应的运营仿真数据加入到“决策数据集合”中,跳转决策优化模块400,进入下一轮优化,直至得到最优决策。
本发明第二实施例的一种有色金属冶炼产供销一体优化方法,如图2所示,包括以下步骤:
步骤A10,采用数据驱动的方法构建有色冶炼企业的历史运营数据对应的单元模型;
步骤A20,将各单元模型按冶炼工艺流程进行逻辑连接,作为运营模型;基于采样获取的决策变量,结合设定的仿真参数及外部离散事件,通过DEVS离散事件模型对所述运营模型进行仿真,生成有色冶炼企业的运营仿真数据;所述决策变量包括采购量、采购的时间点、物料处理量、原料配料方案、新增产品产量;
步骤A30,将历史运营数据与运营仿真数据进行合并,构建运营数据集合,并采用非参数建模方法构建成本目标函数及决策变量的约束条件的代理模型;
步骤A40,基于所述运营数据集合中的运营数据,通过进化算法对所述代理模型进行优化,获取优化后的决策变量;
步骤S50,通过所述DEVS离散事件模型得到优化后的决策变量对应的运营仿真数据,并增入所述运营数据集合;循环执行步骤A40,直至达到设定的优化次数或者决策变量的变化幅度小于设定的变化阈值,将此时步骤A40得到的决策变量作为最优决策进行输出。
所述技术领域的技术人员可以清楚的了解到,为描述的方便和简洁,上述描述的系统的具体的工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的有色金属冶炼产供销一体优化系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本发明第三实施例的一种存储装置,其中存储有多条程序,所述程序适用于由处理器加载并实现上述的有色金属冶炼产供销一体优化方法。
本发明第四实施例的一种处理装置,包括处理器、存储装置;处理器,适于执行各条程序;存储装置,适于存储多条程序;所述程序适于由处理器加载并执行以实现上述的有色金属冶炼产供销一体优化方法。
所述技术领域的技术人员可以清楚的了解到,未描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实例中的对应过程,在此不再赘述。
下面参考图5,其示出了适于用来实现本申请方法、系统、装置实施例的服务器的计算机系统的结构示意图。图5示出的服务器仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图5所示,计算机系统包括中央处理单元(CPU,Central Processing Unit)501,其可以根据存储在只读存储器(ROM,Read Only Memory)502中的程序或者从存储部分508加载到随机访问存储器(RAM,Random Access Memory)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有系统操作所需的各种程序和数据。CPU501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O,Input/Output)接口505也连接至总线504。
以下部件连接至I/O接口505:包括键盘、鼠标等的输入部分506;包括诸如阴极射线管(CRT,Cathode Ray Tube)、液晶显示器(LCD,Liquid Crystal Display)等以及扬声器等的输出部分507;包括硬盘等的存储部分508;以及包括诸如LAN(局域网,Local AreaNetwork)卡、调制解调器等的网络接口卡的通讯部分509。通讯部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器510上,以便于从其上读出的计算机程序根据需要被安装入存储部分508。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通讯部分509从网络上被下载和安装,和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU501执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种有色金属冶炼产供销一体优化系统,其特征在于,该系统包括:模型构建模块、数据仿真模块、代理模型生成模块、决策优化模块、最优决策输出模块;
所述模型构建模块,配置为采用数据驱动的方法构建有色冶炼企业的历史运营数据对应的单元模型;
所述数据仿真模块,配置为将各单元模型按冶炼工艺流程进行逻辑连接,作为运营模型;基于采样获取的决策变量,结合设定的仿真参数及外部离散事件,通过DEVS离散事件模型对所述运营模型进行仿真,生成有色冶炼企业的运营仿真数据;所述决策变量包括采购量、采购的时间点、物料处理量、原料配料方案、新增产品产量;
所述代理模型生成模块,配置为将历史运营数据与运营仿真数据进行合并,构建运营数据集合,并采用非参数建模方法构建成本目标函数及决策变量的约束条件的代理模型;
所述决策优化模块,配置为基于所述运营数据集合中的运营数据,通过进化算法对所述代理模型进行优化,获取优化后的决策变量;
所述最优决策输出模块,配置为通过所述DEVS离散事件模型得到优化后的决策变量对应的运营仿真数据,并增入所述运营数据集合;循环执行所述决策优化模块,直至达到设定的优化次数或者决策变量的变化幅度小于设定的变化阈值,将此时决策优化模块得到的决策变量作为最优决策进行输出。
2.根据权利要求1所述的有色金属冶炼产供销一体优化系统,其特征在于,所述单元模型包括市场需求模型、供应商模型、原料库存模型、配料模型、冶炼加工模型、中间存储及产品库存模型。
3.根据权利要求1所述的有色金属冶炼产供销一体优化系统,其特征在于,所述成本目标函数基于采购成本Jc、原料库存成本Jy、生产成本Jp、产品库存成本Jw、中间产品库存成本Jz构建;
所述成本目标函数J为:min J=Jc+Jy+Jp+Jw+Jz;
4.根据权利要求3所述的有色金属冶炼产供销一体优化系统,其特征在于,所述决策变量的约束条件包括:采购量上下限约束、冶炼单元产能约束、物料平衡约束、配料组分含量约束、原料库存量约束、产品库存量约束、中间产品库存量约束;
物料平衡约束:Gs+1=D(Gs);
产品库存量约束:Hmin≤H0+h(k)-r(k)≤Hmax,0≤k≤TL;
5.根据权利要求4中所述的有色金属冶炼产供销一体优化系统,其特征在于,所述代理模型为多项式非参数估计算法模型、径向基函数神经网络模型、克里金近似算法模型中的任一种。
6.根据权利要求1所述的有色金属冶炼产供销一体优化系统,其特征在于,所述外部离散事件包括设备启停、间歇进料、设备故障、工艺调整、物料数量和质量波动、出料、检化验。
7.根据权利要求2所述的有色金属冶炼产供销一体优化系统,其特征在于,所述模型构建模块、数据仿真模块之间还包括模型校验模块;
所述模型校验模块,配置为获取单元模型的输出与有色冶炼企业实际的运营数据之间的差值,若所述差值大于设定阈值,则在单元模型层级上启动模型修正,直至所述差值小于等于设定阈值;所述模型修正为对构成单元模型的基本要素进行修正;所述基本元素包括模型结构、模型参数。
8.一种有色金属冶炼产供销一体优化方法,其特征在于,该方法包括以下步骤:
步骤A10,采用数据驱动的方法构建有色冶炼企业的历史运营数据对应的单元模型;
步骤A20,将各单元模型按冶炼工艺流程进行逻辑连接,作为运营模型;基于采样获取的决策变量,结合设定的仿真参数及外部离散事件,通过DEVS离散事件模型对所述运营模型进行仿真,生成有色冶炼企业的运营仿真数据;所述决策变量包括采购量、采购的时间点、物料处理量、原料配料方案、新增产品产量;
步骤A30,将历史运营数据与运营仿真数据进行合并,构建运营数据集合,并采用非参数建模方法构建成本目标函数及决策变量的约束条件的代理模型;
步骤A40,基于所述运营数据集合中的运营数据,通过进化算法对所述代理模型进行优化,获取优化后的决策变量;
步骤S50,通过所述DEVS离散事件模型得到优化后的决策变量对应的运营仿真数据,并增入所述运营数据集合;循环执行步骤A40,直至达到设定的优化次数或者决策变量的变化幅度小于设定的变化阈值,将此时步骤A40得到的决策变量作为最优决策进行输出。
9.一种存储装置,其中存储有多条程序,其特征在于,所述程序适用于由处理器加载并执行以实现权利要求8所述的有色金属冶炼产供销一体优化方法。
10.一种处理装置,包括处理器、存储装置;处理器,适用于执行各条程序;存储装置,适用于存储多条程序;其特征在于,所述程序适用于由处理器加载并执行以实现权利要求8所述的有色金属冶炼产供销一体优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011195230.XA CN112200489B (zh) | 2020-10-30 | 2020-10-30 | 有色金属冶炼产供销一体优化系统、方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011195230.XA CN112200489B (zh) | 2020-10-30 | 2020-10-30 | 有色金属冶炼产供销一体优化系统、方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112200489A true CN112200489A (zh) | 2021-01-08 |
CN112200489B CN112200489B (zh) | 2023-06-23 |
Family
ID=74012219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011195230.XA Active CN112200489B (zh) | 2020-10-30 | 2020-10-30 | 有色金属冶炼产供销一体优化系统、方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200489B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343556A (zh) * | 2021-05-07 | 2021-09-03 | 青岛蓝智现代服务业数字工程技术研究中心 | 一种供应链优化系统 |
CN113536046A (zh) * | 2021-06-25 | 2021-10-22 | 浙江中控技术股份有限公司 | 供应链计划服务优化方法、系统、电子设备及存储介质 |
CN117649107A (zh) * | 2024-01-29 | 2024-03-05 | 上海朋熙半导体有限公司 | 自动决策节点创建方法、装置、系统及可读介质 |
CN117726080A (zh) * | 2024-02-05 | 2024-03-19 | 南京迅集科技有限公司 | 多源异构数据驱动的智能制造决策系统及方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040230404A1 (en) * | 2002-08-19 | 2004-11-18 | Messmer Richard Paul | System and method for optimizing simulation of a discrete event process using business system data |
US20100114554A1 (en) * | 2008-11-05 | 2010-05-06 | Accenture Global Services Gmbh | Predictive modeling |
US20100138368A1 (en) * | 2008-12-03 | 2010-06-03 | Schlumberger Technology Corporation | Methods and systems for self-improving reasoning tools |
CN102622655A (zh) * | 2012-03-28 | 2012-08-01 | 浙江大学 | 一种应用于炼油厂的非线性生产计划优化方法 |
CN104484751A (zh) * | 2014-12-12 | 2015-04-01 | 中国科学院自动化研究所 | 一种生产计划与资源配置动态优化方法及装置 |
US20150262095A1 (en) * | 2014-03-12 | 2015-09-17 | Bahwan CyberTek Private Limited | Intelligent Decision Synchronization in Real Time for both Discrete and Continuous Process Industries |
CN105447585A (zh) * | 2014-08-23 | 2016-03-30 | 沈阳东大自动化有限公司 | 一种选矿生产全流程综合生产指标优化决策系统 |
CN106022563A (zh) * | 2016-03-04 | 2016-10-12 | 浙江大学 | 一种基于石化企业的抗干扰原油调度方法 |
CN107464025A (zh) * | 2017-08-25 | 2017-12-12 | 智脑智能科技(苏州)有限公司 | 基于大数据的供应链需求预测与智能决策方法 |
CN107516149A (zh) * | 2017-08-25 | 2017-12-26 | 智脑智能科技(苏州)有限公司 | 企业供应链管理系统 |
CN108171422A (zh) * | 2017-12-28 | 2018-06-15 | 鞍钢集团自动化有限公司 | 一种钢铁智能工厂的平台构建方法 |
CN108491997A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院空间应用工程与技术中心 | 一种复杂任务的规划方法及系统 |
CN109102161A (zh) * | 2018-07-19 | 2018-12-28 | 青岛萨纳斯智能科技股份有限公司 | 一种智慧生产制造管理方法 |
US20200167647A1 (en) * | 2018-11-28 | 2020-05-28 | Exxonmobil Research And Engineering Company | Surrogate model for a chemical production process |
CN111210144A (zh) * | 2020-01-02 | 2020-05-29 | 南方电网科学研究院有限责任公司 | 一种面向电力现货市场的发电风险管理方法及系统 |
-
2020
- 2020-10-30 CN CN202011195230.XA patent/CN112200489B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040230404A1 (en) * | 2002-08-19 | 2004-11-18 | Messmer Richard Paul | System and method for optimizing simulation of a discrete event process using business system data |
US20100114554A1 (en) * | 2008-11-05 | 2010-05-06 | Accenture Global Services Gmbh | Predictive modeling |
US20100138368A1 (en) * | 2008-12-03 | 2010-06-03 | Schlumberger Technology Corporation | Methods and systems for self-improving reasoning tools |
CN102622655A (zh) * | 2012-03-28 | 2012-08-01 | 浙江大学 | 一种应用于炼油厂的非线性生产计划优化方法 |
US20150262095A1 (en) * | 2014-03-12 | 2015-09-17 | Bahwan CyberTek Private Limited | Intelligent Decision Synchronization in Real Time for both Discrete and Continuous Process Industries |
CN105447585A (zh) * | 2014-08-23 | 2016-03-30 | 沈阳东大自动化有限公司 | 一种选矿生产全流程综合生产指标优化决策系统 |
CN104484751A (zh) * | 2014-12-12 | 2015-04-01 | 中国科学院自动化研究所 | 一种生产计划与资源配置动态优化方法及装置 |
CN106022563A (zh) * | 2016-03-04 | 2016-10-12 | 浙江大学 | 一种基于石化企业的抗干扰原油调度方法 |
CN107464025A (zh) * | 2017-08-25 | 2017-12-12 | 智脑智能科技(苏州)有限公司 | 基于大数据的供应链需求预测与智能决策方法 |
CN107516149A (zh) * | 2017-08-25 | 2017-12-26 | 智脑智能科技(苏州)有限公司 | 企业供应链管理系统 |
CN108171422A (zh) * | 2017-12-28 | 2018-06-15 | 鞍钢集团自动化有限公司 | 一种钢铁智能工厂的平台构建方法 |
CN108491997A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院空间应用工程与技术中心 | 一种复杂任务的规划方法及系统 |
CN109102161A (zh) * | 2018-07-19 | 2018-12-28 | 青岛萨纳斯智能科技股份有限公司 | 一种智慧生产制造管理方法 |
US20200167647A1 (en) * | 2018-11-28 | 2020-05-28 | Exxonmobil Research And Engineering Company | Surrogate model for a chemical production process |
CN111210144A (zh) * | 2020-01-02 | 2020-05-29 | 南方电网科学研究院有限责任公司 | 一种面向电力现货市场的发电风险管理方法及系统 |
Non-Patent Citations (4)
Title |
---|
HUANG JS 等: "optimal inventory control with sequential online auction in agriculture supply chain:an agent based simulation optimisation approach", 《INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH》, vol. 56, no. 06, pages 2322 - 2338 * |
张文国等: "ERP环境下企业产供销一体化决策支持系统的研究与设计", 《2003年中国控制与决策学术年会论文集》, pages 236 - 238 * |
李亚宁等: "基于PCR-多案例融合的焦化烟气脱硝过程指标优化设定", 《化工学报》, no. 03, pages 998 - 1007 * |
王凌等: "基于代理模型和遗传算法的仿真优化研究", 《控制与决策》, no. 06, pages 626 - 630 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343556A (zh) * | 2021-05-07 | 2021-09-03 | 青岛蓝智现代服务业数字工程技术研究中心 | 一种供应链优化系统 |
CN113536046A (zh) * | 2021-06-25 | 2021-10-22 | 浙江中控技术股份有限公司 | 供应链计划服务优化方法、系统、电子设备及存储介质 |
CN113536046B (zh) * | 2021-06-25 | 2023-10-10 | 浙江中控技术股份有限公司 | 供应链计划服务优化方法、系统、电子设备及存储介质 |
CN117649107A (zh) * | 2024-01-29 | 2024-03-05 | 上海朋熙半导体有限公司 | 自动决策节点创建方法、装置、系统及可读介质 |
CN117649107B (zh) * | 2024-01-29 | 2024-05-14 | 上海朋熙半导体有限公司 | 自动决策节点创建方法、装置、系统及可读介质 |
CN117726080A (zh) * | 2024-02-05 | 2024-03-19 | 南京迅集科技有限公司 | 多源异构数据驱动的智能制造决策系统及方法 |
CN117726080B (zh) * | 2024-02-05 | 2024-04-26 | 南京迅集科技有限公司 | 多源异构数据驱动的智能制造决策系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112200489B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112200489B (zh) | 有色金属冶炼产供销一体优化系统、方法、装置 | |
CN113099729B (zh) | 生产调度的深度强化学习 | |
Pinto et al. | Adaptive learning in agents behaviour: A framework for electricity markets simulation | |
Maiti et al. | Fuzzy inventory model with two warehouses under possibility constraints | |
CN106408341A (zh) | 货品销量的预测方法及装置、电子设备 | |
Anwar et al. | Modeling investment decisions from heterogeneous firms under imperfect information and risk in wholesale electricity markets | |
JP7486507B2 (ja) | インベントリの管理および最適化のための強化学習システムおよび強化学習方法 | |
CN113159835A (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
CN114581012A (zh) | 一种基于供应链管理的库存调整方法及系统 | |
das Chagas Moura et al. | Analysis of extended warranties for medical equipment: A Stackelberg game model using priority queues | |
Babic et al. | An analysis of power trading agent competition 2014 | |
CN112613997A (zh) | 货币基金的组合投资预测方法和预测装置 | |
Li et al. | A population-growth model for multiple generations of technology products | |
Silva et al. | A hybrid bi-objective optimization approach for joint determination of safety stock and safety time buffers in multi-item single-stage industrial supply chains | |
CN114444782A (zh) | 企业资产的管理方法、装置、存储介质及计算机设备 | |
US20180260902A1 (en) | System and method for determining an optimal stopping time | |
Jain et al. | A Multi-Agent based simulator for strategic bidding in day-ahead energy market | |
Cavone et al. | A game-theoretical design technique for multi-stage supply chains under uncertainty | |
US20220292559A1 (en) | Order-receiving-side negotiation device, order-receiving-side negotiation method, and order-receiving-side negotiation program | |
CN116248520A (zh) | 一种网络平台制造服务协作优化的基准测试方法及系统 | |
CN114282881A (zh) | 折旧测算方法、装置、存储介质及计算机设备 | |
CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
Pinto et al. | Multi-agent negotiation for coalition formation and management in electricity markets | |
Manco et al. | Risker: Platform implementation of complex system model for financial risk management in energy markets | |
Maknickiene et al. | Investigation of Prediction Capabilities using RNN Ensembles. |
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 |