CN112346422B - 双蚁群智能对抗竞争实现机组作业调度方法 - Google Patents
双蚁群智能对抗竞争实现机组作业调度方法 Download PDFInfo
- Publication number
- CN112346422B CN112346422B CN202011263105.8A CN202011263105A CN112346422B CN 112346422 B CN112346422 B CN 112346422B CN 202011263105 A CN202011263105 A CN 202011263105A CN 112346422 B CN112346422 B CN 112346422B
- Authority
- CN
- China
- Prior art keywords
- steel coil
- ant colony
- value
- pheromone
- double
- 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 96
- 238000010977 unit operation Methods 0.000 title claims abstract description 13
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 156
- 239000010959 steel Substances 0.000 claims abstract description 156
- 239000003016 pheromone Substances 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 63
- 238000004519 manufacturing process Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 43
- 238000005097 cold rolling Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000008859 change Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000002441 reversible effect Effects 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 abstract description 13
- 239000010960 cold rolled steel Substances 0.000 abstract description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 7
- 230000009191 jumping Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- WJXSXWBOZMVFPJ-NENRSDFPSA-N N-[(2R,3R,4R,5S,6R)-4,5-dihydroxy-6-methoxy-2,4-dimethyloxan-3-yl]-N-methylacetamide Chemical compound CO[C@@H]1O[C@H](C)[C@@H](N(C)C(C)=O)[C@@](C)(O)[C@@H]1O WJXSXWBOZMVFPJ-NENRSDFPSA-N 0.000 description 1
- 241000718541 Tetragastris balsamifera Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000004148 unit process 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
- 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
- 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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种双蚁群智能对抗竞争实现机组作业调度方法,以冷轧企业生产数据和生产工艺为基础,建立了基于前后钢卷跳变的多目标约束模型,提出了双蚁群对抗竞争算法。通过综合考虑前后钢卷宽度前宽后窄的变化约束、厚度的平缓跳变约束,根据排产前期和后期蚁群算法的信息素和启发值的概率分布特征,在不同的搜索阶段,本算法采用不同的搜索策略,对于双蚁群都可达的钢卷节点,由双蚁群对抗选择待排产钢卷,并适时调整信息素和启发值,引导蚁群求解。通过在搜索过程中引入双蚁群对抗抢夺节点机制,提高蚁群节点搜索能力,更有利于建立合理的冷轧钢卷轧制顺序。
Description
技术领域
本发明公开涉及冷轧机组作业排产的技术领域,尤其涉及一种双蚁群智能对抗竞争实现机组作业调度方法。
背景技术
冷轧薄板产品种类丰富,可用于汽车制造、食品包装、家电外壳、医疗包装等,为与市场相适应,大型冷轧薄板企业的生产过程,已经是典型的多品种、小批量、多批次连续共线生产。冷轧机组是整个冷轧薄板生产企业的瓶颈,除特殊产品外,几乎所有的产品都需要经过该机组,其生产状况将直接影响整个企业的生产效率、成本和质量,机组的生产作业计划几乎等同于冷轧企业的全流程生产计划,采用合适的方法,编制合理、可行的机组批量作业计划是提高整个企业生产能力和产品质量的有效方法。
针对冷轧生产过程中冷轧机组作业调度排产的问题,现有技术方案,是建立以满足工艺约束为基础的线性或者非线性的多目标模型、或者单目标模型,主要存在不足之处在于:模型中直接以最小化前后钢卷参数差异的欧氏距离、绝对值距离为目标,对于各参数跳变幅度差异对目标的影响考虑较少;单纯计算前后钢卷各参数前后跳变的工艺约束,没有同时考虑排产后钢卷序列各参数平滑变化的要求;对于钢卷不同参数之间的偶合关系考虑不周;忽略各子目标的非线性。算法实现中,主要问题有:多采用遗传算法、强化学习、模糊算法等,算法求解过程中,对于各待排产钢卷各参数对求解过程的引导作用利用不足;对于群智能搜索类的算法,已经搜索过的节点,设置禁忌表,虽然减少了当次搜索过程算法重复搜索同一节点的可能性,减小了搜索范围,但是却会增加搜索的轮次,而且与优秀的现场操作员人工排产中搜索、调整同步进行的方法不一致。
因此,如何研发一种新型合理的冷轧机组作业排产方法,成为人们亟待解决的问题。
发明内容
鉴于此,本发明提供了一种双蚁群智能对抗竞争实现机组作业调度方法,以解决以往排产方法不合理的问题。
本发明提供的技术方案,具体为,一种双蚁群智能对抗竞争实现机组作业调度方法,该方法包括如下步骤:
S1:获取各待排产钢卷的宽度指标、入口厚度指标以及出口厚度指标,并将所述宽度指标、入口厚度指标以及出口厚度指标进行归一化处理后,备用;
S2:依据跳跃指标的欧氏距离,将待排产钢卷按照最近邻原则进行排序;
S3:依据当前待排产钢卷的排序以及目标函数F,计算获得目标函数值;
S4:采用双蚁群对抗竞争算法,搜索当前排序下的可到达钢卷集合,确定节点,并获得新的待排产钢卷排序,其中,对于双蚁群可以同时到达的钢卷节点,采用对抗竞争策略争夺该钢卷节点;
S5:重复步骤S3、S4,直至计算的目标函数值与上一目标函数值的差值小于阈值,停止循环,输出对应待排产钢卷的排序,即为最终的排产结果;
所述目标函数F具体为:
其中,wl表示指标参数重要程度的权重,V表示指标参数的数量,且
f(δl)表示钢卷厚度跳跃的方差;
N表示待排产钢卷总数;
f(wk)表示前后钢卷宽度差的负双曲正切函数,且取值范围是(-1,1)。
优选,步骤S4采用双蚁群对抗竞争算法,搜索当前排序下的可到达钢卷集合,确定节点,并获得新的待排产钢卷排序,其中,对于双蚁群可以同时到达的钢卷节点,采用对抗竞争策略争夺该钢卷节点,具体为:
S401:根据冷轧机组的工艺约束,形成两个独立同步搜索蚁群,选择宽度最大的两个钢卷分别作为a、b子计划的起始点,各自建立a和b子计划;
S402:在当前钢卷排序的基础上,计算相邻钢卷两个阶段的启发值,分别建立启发值矩阵和信息素的初值矩阵;
S403:当信息素值形成的信息熵大于等于r时,在启发值矩阵中按照J1进行全矩阵搜索,并依据搜索结果,更新信息素矩阵;
S404:建立总禁忌表L、蚁群a禁忌表La、蚁群b的禁忌表Lb,选择本节点最近邻的空间节点作为搜索邻域,建立待选择列表,按照J2进行节点选择,当两蚁群相遇时,按双蚁群对抗竞争的方式,抢夺对方节点,抢夺成功后,更新总禁忌表、本蚁群和对手蚁群禁忌表;
S405:重复步骤S402~S403,完成搜索过程,形成新的待排产钢卷排序;
其中,r是依据参数分布设计的处于[0,1]中的阈值变量;
J1为利用钢卷宽度、入口厚度和出口厚度参数确定的启发值选择路径的规则;
J2为采用综合信息素和启发值的随机概率搜索钢卷的规则。
进一步优选,所述冷轧机组的工艺约束,具体如下:
Gw-≤(wi-wj)≤Gw+i,j∈Na或i,j∈Nb;
ws-min{w1,w2,...,ws-1}≤|Gw-|;
|ci-cj|≤Gc i,j∈Na或i,j∈Nb;
|gi-gj|≤Gg i,j∈Na或i,j∈Nb;
Na∩Nb=φ;
Na∪Nb=Ω;
其中,Gw-和Gw+分别表示钢卷宽度跳跃的反向最大值和正向最大值,Gc和Gg分别表示钢卷入口厚度和出口厚度的变化要求,c和g分别表示钢卷的入口厚度和出口厚度,ws表示第s次搜索时所选择钢卷的宽度,φ表示两个蚁群所建立的钢卷集合不能重复,Ω表示待排产钢卷的集合。
进一步优选,所述信息素矩阵的更新式为:
τij(t+1)=(1-ρ)τij(t)+ρΔτij(t+1);
其中,
τij(t+1)表示(t+1)次搜索时在路径i到j的信息素值;
τij(t)表示t次搜索时路径i到j的信息素值;
Δτij(t+1)表示t次搜索后,路径(i,j)之间改变的信息素值;
ρ表示蒸发系数;U表示具体的信息素更新值;wi和wj表示前后钢卷的宽度;Cbs表示按最近邻规则,单纯考虑宽度变化得到的目标值。
进一步优选,所述钢卷厚度跳跃的方差f(δl)具体为:
Na表示子计划a中排入钢卷的数量;
Nb表示子计划b中钢卷的数量;
进一步优选,所述前后钢卷宽度差的负双曲正切函数f(wk)具体为:
依据蚁群信息素分布的信息熵,选择对应的选择路径规则进行搜索,确定当前排序下的钢卷节点,并获得新的待排产钢卷排序。
进一步优选,所述J1的表达式为:
L是j可访问的集;
s是工艺约束序号;
V是工艺约束个数;
δi和δj是钢卷i和钢卷j的入口厚度值或出口厚度值;
wi和wj分别是钢卷i和钢卷j的宽度值。
进一步优选,所述J2的表达式为:
且/>
α、β分别是信息素与启发值重要性参数;
ws表示搜索过程中工艺目标的侧重程度;
τij(t)表示t时刻边(i,j)之间的信息素值;
s是工艺约束序号;
V是工艺约束个数。
进一步优选,所述信息素值形成的信息熵,具体如下:
其中,
本发明提供的双蚁群智能对抗竞争实现机组作业调度方法,以冷轧企业生产数据和生产工艺为基础,建立了基于前后钢卷跳变的多目标约束模型,提出了双蚁群对抗竞争算法。通过综合考虑前后钢卷宽度前宽后窄的变化约束、厚度的平缓跳变约束,根据排产前期和后期蚁群算法的信息素和启发值的概率分布特征,在不同的搜索阶段,本算法采用不同的搜索策略,对于双蚁群都可达的钢卷节点,由双蚁群对抗选择待排产钢卷,并适时调整信息素和启发值,引导蚁群求解。通过在搜索过程中引入双蚁群对抗抢夺节点机制,提高蚁群节点搜索能力,更有利于建立合理的冷轧钢卷轧制顺序。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明的公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为冷轧机组作业计划示意图;
图2为归一化后钢卷参数的分布图;
图3为双蚁群算法局部搜索的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的方法的例子。
本实施方案以冷轧生产数据和生产工艺为基础,建立了基于前后钢卷跳变的多目标约束模型,提出了双蚁群对抗竞争算法。通过综合考虑前后钢卷宽度前宽后窄的变化约束、厚度的平缓跳变约束,根据排产前期和后期蚁群算法的信息素和启发值的概率分布特征,在不同的搜索阶段,本算法采用不同的搜索策略,对于双蚁群都可达的钢卷节点,由双蚁群对抗选择待排产钢卷,并适时调整信息素和启发值,引导蚁群求解。通过在搜索过程中引入双蚁群对抗抢夺节点机制,提高蚁群节点搜索能力,更有利于建立合理的冷轧钢卷轧制顺序。
本实施方案建立了排产序列前后钢卷入口厚度、出口厚度和宽度跳跃的多目标非线性模型,具体如下:
式中,f(δl)是厚度跳跃的方差,既反映宽度跳变的差异性,又可以反映前后钢卷跳跃变化的幅度;f(wk)是宽度变化的目标,是前后钢卷宽度差的负双曲正切函数,既可以反映宽度变化的要求,又使其值在(-1,1)之间,方便计算;wl表示指标参数重要程度的权重,V表示指标参数的数量,且N表示待排产钢卷总数。
本实施方案将冷轧机组的批量作业调度问题归结为双旅行商竞争问题,综合考虑机组工艺要求和加工能力限制的生产批量、机组前后钢卷厚度跳跃、机组出口厚度跳跃等工艺要求,建立了冷轧机组调度的多目标求解模型,提出了双蚁群竞争算法(Double AntColony Competition,DACC)。根据不同的生产阶段,两个蚁群同步搜索节点,自适应选择确定性搜索策略和随机搜索策略,动态调整算法中钢卷节点搜索参数,并竞争最优节点,同步建立冷轧生产作业计划。基于冷轧机组的实际生产数据进行仿真验证,表明,所提出的模型和算法,可以解决机组作业编制问题,减少前后衔接钢卷违反工艺要求的情况。
由于生产过程受到多个技术指标的限制,轧制过程违反工艺约束将造成冷轧产品重量减少、生产能力下降等问题。冷轧机组的主要工艺约束如下:
(1)由于轧辊加工能力和质量要求的限制,进入轧机的钢卷按其特性组成生产批量,批量的规模受到轧辊生产能力的约束;
(2)轧机对单一品种产品持续加工能力有限制,同时,换辊过程会导致冷轧过程的停顿,降低生产效率,工艺要求每个作业计划的批量的加工过程中完成一次换轧辊过程;
(3)根据(2)的要求,大规模的合同需要完成拆分、过小批量的合同需要完成组批;
(4)为避免在轧制的成品的边缘出现轧辊压痕,影响质量,在两次换辊时间间隔内前后衔接钢卷的轧制顺序尽量保证先宽后窄。由于轧机后有切边工序,可以允许20mm以内的先窄后宽反向跳变;
(5)前后衔接待轧钢卷的厚度在轧机的入口和出口平滑变化,减少钢卷的厚度跳跃幅度,降低控制难度。
根据上述的工艺要求,每次组批过程包含两个子计划,设为a和b。其中,子计划a中的首个钢卷可以根据生产需要,选择满足衔接上一批量最后钢卷的工艺要求的钢卷,也可以选择本次批量的最宽钢卷,选择本批量最宽钢卷作为子计划b的首个钢卷,a、b子计划中的钢卷各自在宽度上形成前宽后窄的形式,具体参见图1。
由于宽度跳跃要求前后衔接的钢卷符合尽可能前宽后窄的要求,并且钢卷的宽度的跳变范围较大,可以达到-20mm~200mm,也要尽可能的变化平缓,减少大幅度的跳变,采用宽度跳变的方差作为控制目标。同时,为降低轧辊控制难度和减少损伤,入口厚度和出口厚度也要求平缓变化。
以F表示冷轧机组批量作业模型的目标函数:
式(1)中,wl表示指标参数重要程度的权重,V表示指标参数的数量,本实施方案中V=3,N表示钢卷总数。
其中,表示宽度跳跃、入口厚度跳跃和出口厚度跳跃三个子目标组成的跳跃变化目标函数,实现前后排产后的前后衔接钢卷参数平缓变化;
表示控制钢卷宽度的反向跳变的目标,根据企业实际的工艺约束,宽度跳跃指标的重要性高于厚度跳跃指标,因此各指标权重设置,宽度w>入口厚度w>出口厚度w,并且/>
式(2)fal和fbl分别表示子计划a和子计划b中前后钢卷i和j指标l∈{宽度差,入口厚度差,出口厚度差}的均值。
式(3)表示子计划a和子计划b中前后钢卷i和j指标l的方差,即可以衡量钢卷跳跃的激烈程度;k是指标差值的序号;Na与Nb分别表示子计划a与子计划b钢卷的集合。δl表示工艺参数l,wi钢卷i的宽度。表示子计划a中第k个前后钢卷的l参数的差,/>表示子计划b中第k个前后钢卷的l参数的差,Ω表示待排产钢卷的集合,Na表示a子计划中所排入的钢卷数量,Nb表示b子计划中所排入的钢卷数量。
式(4)表示前后钢卷宽度差的负双曲正切函数,取值范围是(-1,1),控制式(1)中第二个式子的取值幅度。
约束调节:
Gw-≤(wi-wj)≤Gw+ i,j∈Na或i,j∈Nb; (5)
ws-min{w1,w2,...,ws-1}≤|Gw-|; (6)
|ci-cj|≤Gc i,j∈Na或i,j∈Nb; (7)
|gi-gj|≤Gg i,j∈Na或i,j∈Nb; (8)
Na∩Nb=φ; (9)
Na∪Nb=Ω; (10)
其中,Gw-和Gw+分别表示钢卷宽度跳跃的反向最大值和正向最大值,Gc和Gg分别表示钢卷入口厚度和出口厚度的变化要求,c和g分别表示钢卷的入口厚度和出口厚度,ws表示第s次搜索时所选择钢卷的宽度,φ表示两个蚁群所建立的钢卷集合不能重复,式(5)同一子计划中前后钢卷宽度变化约束。为保证钢卷宽度总体按持续变窄的趋势变化,采用式(6),使子计划a或b中的后续钢卷出现由窄到宽的反向宽度跳变时,与已经排入该计划中最小宽度钢卷的宽度差不大于反向跳变工艺要求。式(7)表示同一个子计划中前后衔接钢卷进入轧机时厚度变化的工艺要求,(8)表示同一子计划中前后衔接钢卷轧制出口厚度变化的工艺要求,式(9)表示子计划合同选择范围,一个钢卷只能属于一个子计划,钢卷不能重复选择,式(10)表示,如果没有特殊情况,不能遗漏任何钢卷。
蚁群算法是利用搜索过程中信息的正反馈实现启发式搜索的群智能优化方法,算法的搜索过程可以对蚁群导入工艺约束,通过对搜索参数进行控制和修正,调整信息素与启发值参数进行控制,获得理好的搜索方向,在解决多目标优化、柔性调度等问题时,蚁群算法具有明显的求解能力。
本实施方案根据冷轧钢卷轧制过程的工艺要求、钢卷的参数,将问题归结为双旅行商竞争问题,建立双蚁群对抗竞争算法(Double Ant-Colony AdversarialCompetition,DAAC)。
冷轧机组的待轧钢卷,参数分布量纲并不一致,参见图2,显示某一轧制批次钢卷的宽度指标、入口厚度指标和出口厚度指标分布。宽度范围一般处于700mm~1050mm之间,入口厚度处于1.8~2.6mm之间,出口厚度处于0.15mm~0.4mm之间,三个参数量纲不同,差距明显,直接进行算法计算,会放大宽度数据的作用,而使其他指标无效,为此需要进行钢卷特征归一化处理。
式(11)完成各个参数的归一化,钢卷i的参数归一化的结果,钢卷i的参数/>原值,/>表示参数/>的最小值,/>表示参数/>的最大值。
依据钢卷特征建立生产调度钢卷蚁群信息素和启发值的初始矩阵。根据冷轧机组的工艺约束,形成两个独立同步搜索蚁群,选择宽度最大的两个钢卷分别作为a、b子计划的起始点,各自建立a和b子计划。算法执行的初期,各节点信息素的初始值相同,信息素不参与搜索过程,仅通过各节点固有特性构建启发值实现节点选择,根据排产子目标,引导蚁群初期搜索方向,加快搜索速度,形成初排产计划,同时根据排产结果,调整各节点的初始信息素值。算法执行的第二阶段,随着节点间信息素值的差距不断扩大,扩大搜索空间,并优化排产结果,使用信息素和启发值,建立搜索概率。第二阶段中,两个蚁群在有交集的可探索邻域内,两个蚁群待选择节点相遇时,采用对抗竞争方式,即,依对抗概率和局部当前最优目标值,互相抢夺已经被对方蚁群占据的节点,以抢夺后是否保持当前最优作为是否进行蚁群对抗抢夺该节点的标准,即,要保证蚁群得到的节点是本蚁群的最合适解,完成搜索过程。
图3显示了两个蚁群同步搜索时的局部搜索情况。图中两个菱形节点,表示蚁群a与蚁群b的当前节点;菱形节点直接连线的节点,表示两个当前节点可搜索领域内的下一个待选择节点,即两个蚁群各自的待搜索邻域;方形节点,是两个蚁群都可以搜索到的对抗竞争节点,包括:已经属于a或者b蚁群但可以被另一蚁群访问的节点。
根据蚁群搜索的不同时期,其信息素值分布不同,以信息素值形成的信息熵作为判断依据,自适应地确定算法执行阶段和搜索策略。当算法的蚂蚁k位于节点i,待选择节点j,算法搜索规则如下:
算法执行第一阶段:
算法执行第二阶段:
其中,
上述J为路径选择规则;J1表示在信息素还没有实现一定的随机概率分布时,利用钢卷宽度、入口厚度和出口厚度参数确定的启发值选择路径的规则;J2是信息素的随机性增大到一定值时,采用综合信息素和启发值的随机概率搜索钢卷;r是依据参数分布设计的处于[0,1]中的阈值变量;q(t)表示蚁群信息素分布的信息熵,实现J1、J2的选择控制。因宽度正反跳变时,宽度跳变的工艺要求不同,R是宽度跳变的启发值修正量,保证目标值中不引入错误的值。α,β分别是信息素与启发值重要性参数,一般情况下,α=1,β=2~5。表示t时刻,从i钢卷起始,蚂蚁k的可搜索节点集合。V是工艺约束个数,本实施方案中V=3,式中的V-1表示不考虑宽度跳跃时的目标个数。s是工艺约束序号,式(14)和式(16)中指入口厚度跳跃和出口厚度跳跃。δi和δj是钢卷i和钢卷j的入口厚度或者出口厚度值,w是钢卷i或者j的宽度值。pijk表示第k个蚂蚁从钢卷i选择后续钢卷j的概率。ws表示搜索过程中工艺目标的侧重程度,通过调整ws,控制算法对不同工艺目标的侧向性。pijk是第k个蚂蚁选择路径(i,j)的随机比例概率;ηij(t)是t时刻,目标下边(i,j)上的启发式信息。τij(t)表示t时刻边(i,j))之间的信息素值,初始值:τij(0)=Cbs,Cbs是按最近邻规则排序得到的前后钢卷宽度跳跃目标值。
式(12)是路径选择规则,式(13)是信息素值形成的信息熵,初始时各节点间信息素初始值相等,此时如果按信息素计算蚁群搜索概率相等,熵值最大。初始时,按J1搜索节点,充分利用启发值,快速建立钢卷顺序;随着迭代过程使各路径信息素值不断变化,各路径沉积的信息素不再是相同值,整个蚁群路径选择过程的随机性减小,使熵变小,算法按J2的概率随机搜索。式(14)和式(16)分别是第一和第二阶段搜索时的启发值,厚度跳跃启发值呈高斯分布,宽度跳跃由于正反跳变的工艺要求差异,呈不完全规则的高斯分布。(15)是利用J1进行搜索时的搜索概率,式(17)是按J2搜索时的搜索概率,式(18)是按照J2求解时,启发值中各参数指标的重要程序限制。
是否进行节点对抗抢夺,决定于节点跳跃违规目标和平稳变化目标。
节点跳跃违规目标:
平稳变化目标:
其中,F2(t)≤F2(t-1)。
式(19)是违反工艺指标的目标,其中的M是当前已经完成的搜索过程中,总的指标测试次数,R是抢夺节点后,总的违规次数。式(20)是t次搜索时,当前本蚁群抢夺节点后的各跳跃指标的方差,要求抢夺节点后,方差不大于抢夺前,即,抢夺后,不会降低本蚁群钢卷平稳跳跃目标值。
为防止出现循环抢夺,已经经历两次对抗抢夺的节点,加入总禁忌表,将不允许再次抢夺。
为促进排产过程前后衔接的钢卷满足工艺,主要是满足宽度由宽到窄的变化趋势,而厚度变化要求在启发值ηij(t)中已经有所体现,因此,利用信息素更新过程,区别对待宽到窄、不变和窄到宽三种跳变情况,根据实际过程,全局更新不同的信息素值。
τij(t+1)=(1-ρ)τij(t)+ρΔτij(t+1); (21)
τij(t+1)表示(t+1)次搜索时在路径i到j的信息素值,τij(t)表示第t次搜索时路径i到j的信息素值,Δτij(t+1)表示第t次搜索后,路径(i,j)之间改变的信息素值,ρ是蒸发系数,U是具体的信息素更新值,wi和wj为前后钢卷的宽度,Cbs表示按最近邻规则,单纯考虑宽度变化得到的目标值。
式(21)是信息素更新式,式(22)表示信息素按当次搜索最优解更新。式(23)是式(20)的具体取值。根据机组工艺要求,前后衔接钢卷前宽后窄时,更新的信息素值在(1/Cbs,2/Cbs)范围内,前窄后宽的反向跃变时,更新的信息素值在(0,1/Cbs)范围内,当前后相同时,取最近邻值,促使超出宽度变化反向跳变工艺约束时,该路径上的信息素不增加只减少。
每次获得的钢卷排序,均需经过双蚁群对抗竞争搜索,具体的过程如下:
步骤1:在当前钢卷排序基础上,计算相邻钢卷的两个阶段的启发值和/>建立启发值矩阵,建立信息素的初值矩阵;
步骤2:第一阶段的搜索过程,在启发值矩阵中按J1进行全矩阵搜索,提高搜索速度,减少不必要的计算;
步骤3:在步骤:2的搜索结果基础上,更新信息素矩阵;
步骤4:进入第二阶段时,建立总禁忌表L、蚁群a禁忌表La、蚁群b的禁忌表Lb。选择本节点最近邻的空间节点作为搜索领域,建立待选择列表,基于式(17)的J2进行节点选择。两蚁群相遇时,按双蚁群对抗竞争的方式,抢夺对方节点,抢夺成功后,更新总禁忌表、本蚁群和对手蚁群禁忌表。
步骤6:重复步骤1~4,完成搜索过程,形成排产结果,即钢卷的排序。
本实施方案提出的模型和算法,依据三个子目标在排产过程中的作用和要求,设置不同的目标计算式,并加入宽度反向跳变目标;算法计算过程,依据目标值计算过程中的变化,根据计算结果的信息熵引导使用、调整启发值和信息素值形成搜索概率。与简单多目标分阶段蚁群优化算法(MASA)、单亲遗传算法(PGA)相比较,由于模型更加符合前后钢卷平滑跳变的工艺要求,算法搜索过程考虑因素更为全面,使得排产结果违反工艺的次数更少,特别是在对于冷轧生产影响最大的宽度跳跃方面,本实施方案提供的方法效果更为明显,可以更好地满足生产的实际要求。
本实施方案针对冷轧机组作业计划编制问题,以连续轧制衔接钢卷的宽度跳跃、入口厚度和出口厚度跳跃平缓变化以及宽度上前宽后窄的工艺约束为目标,建立了以反正切函数为子目标值的冷轧排产多目标批量作业计划模型,并提出了双阶段适时计算启发值和信息素值的双蚁群对抗竞争算法。本实施方案建立均衡考虑排产目标模型、搜索参数与概率适时调整,蚁群搜索过程中,加入蚁群对抗竞争,抢夺已分配节点,利用实际生产数据进行仿真,可以满足冷轧机组作业的编制要求。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述的内容,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种双蚁群智能对抗竞争实现机组作业调度方法,其特征在于,包括如下步骤:
S1:获取各待排产钢卷的宽度指标、入口厚度指标以及出口厚度指标,并将所述宽度指标、入口厚度指标以及出口厚度指标进行归一化处理后,备用;
S2:依据跳跃指标的欧氏距离,将待排产钢卷按照最近邻原则进行排序;
S3:依据当前待排产钢卷的排序以及目标函数F,计算获得目标函数值;
S4:采用双蚁群对抗竞争算法,搜索当前排序下的可到达钢卷集合,确定节点,并获得新的待排产钢卷排序,其中,对于双蚁群可以同时到达的钢卷节点,采用对抗竞争策略争夺该钢卷节点;
S5:重复步骤S3、S4,直至计算的目标函数值与上一目标函数值的差值小于阈值,停止循环,输出对应待排产钢卷的排序,即为最终的排产结果;
所述目标函数F具体为:
其中,wl表示指标参数重要程度的权重,V表示指标参数的数量,且
f(δl)表示钢卷厚度跳跃的方差;
N表示待排产钢卷总数;
f(wk)表示前后钢卷宽度差的负双曲正切函数,且取值范围是(-1,1);
步骤S4采用双蚁群对抗竞争算法,搜索当前排序下的可到达钢卷集合,确定节点,并获得新的待排产钢卷排序,其中,对于双蚁群可以同时到达的钢卷节点,采用对抗竞争策略争夺该钢卷节点,具体为:
S401:根据冷轧机组的工艺约束,形成两个独立同步搜索蚁群,选择宽度最大的两个钢卷分别作为a、b子计划的起始点,各自建立a和b子计划;
S402:在当前钢卷排序的基础上,计算相邻钢卷两个阶段的启发值,分别建立启发值矩阵和信息素的初值矩阵;
S403:当信息素值形成的信息熵大于等于r时,在启发值矩阵中按照J1进行全矩阵搜索,并依据搜索结果,更新信息素矩阵;
S404:建立总禁忌表L、蚁群a禁忌表La、蚁群b的禁忌表Lb,选择本节点最近邻的空间节点作为搜索邻域,建立待选择列表,按照J2进行节点选择,当两蚁群相遇时,按双蚁群对抗竞争的方式,抢夺对方节点,抢夺成功后,更新总禁忌表、本蚁群和对手蚁群禁忌表;
S405:重复步骤S402~S403,完成搜索过程,形成新的待排产钢卷排序;
其中,r是依据参数分布设计的处于[0,1]中的阈值变量;
J1为利用钢卷宽度、入口厚度和出口厚度参数确定的启发值选择路径的规则;
J2为采用综合信息素和启发值的随机概率搜索钢卷的规则。
2.根据权利要求1所述双蚁群智能对抗竞争实现机组作业调度方法,其特征在于,所述冷轧机组的工艺约束,具体如下:
Gw-≤(wi-wj)≤Gw+ i,j∈Na或i,j∈Nb;
ws-min{w1,w2,...,ws-1}≤|Gw-|;
|ci-cj|≤Gc i,j∈Na或i,j∈Nb;
|gi-gj|≤Gg i,j∈Na或i,j∈Nb;
Na∩Nb=φ;
Na∪Nb=Ω;
其中,Gw-和Gw+分别表示钢卷宽度跳跃的反向最大值和正向最大值,Gc和Gg分别表示钢卷入口厚度和出口厚度的变化要求,c和g分别表示钢卷的入口厚度和出口厚度,ws表示第s次搜索时所选择钢卷的宽度,φ表示两个蚁群所建立的钢卷集合不能重复,Ω表示待排产钢卷的集合。
3.根据权利要求1所述双蚁群智能对抗竞争实现机组作业调度方法,其特征在于,所述信息素矩阵的更新式为:
τij(t+1)=(1-ρ)τij(t)+ρΔτij(t+1);
其中,
τij(t+1)表示(t+1)次搜索时在路径i到j的信息素值;
τij(t)表示t次搜索时路径i到j的信息素值;
Δτij(t+1)表示t次搜索后,路径(i,j)之间改变的信息素值;
ρ表示蒸发系数;U表示具体的信息素更新值;wi和wj表示前后钢卷的宽度;Cbs表示按最近邻规则,单纯考虑宽度变化得到的目标值。
4.根据权利要求1所述双蚁群智能对抗竞争实现机组作业调度方法,其特征在于,所述钢卷厚度跳跃的方差f(δl)具体为:
Na表示子计划a中排入钢卷的数量;
Nb表示子计划b中钢卷的数量;
5.根据权利要求1所述双蚁群智能对抗竞争实现机组作业调度方法,其特征在于,所述前后钢卷宽度差的负双曲正切函数f(wk)具体为:
依据蚁群信息素分布的信息熵,选择对应的选择路径规则进行搜索,确定当前排序下的钢卷节点,并获得新的待排产钢卷排序。
6.根据权利要求1所述双蚁群智能对抗竞争实现机组作业调度方法,其特征在于,所述J1的表达式为:
L是j可访问的集;
s是工艺约束序号;
V是工艺约束个数;
δi和δj是钢卷i和钢卷j的入口厚度值或出口厚度值;
wi和wj分别是钢卷i和钢卷j的宽度值。
7.根据权利要求1所述双蚁群智能对抗竞争实现机组作业调度方法,其特征在于,所述J2的表达式为:
且/>
α、β分别是信息素与启发值重要性参数;
ws表示搜索过程中工艺目标的侧重程度;
τij(t)表示t时刻边(i,j)之间的信息素值;
s是工艺约束序号;
V是工艺约束个数。
8.根据权利要求1所述双蚁群智能对抗竞争实现机组作业调度方法,其特征在于,所述信息素值形成的信息熵,具体如下:
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011263105.8A CN112346422B (zh) | 2020-11-12 | 2020-11-12 | 双蚁群智能对抗竞争实现机组作业调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011263105.8A CN112346422B (zh) | 2020-11-12 | 2020-11-12 | 双蚁群智能对抗竞争实现机组作业调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112346422A CN112346422A (zh) | 2021-02-09 |
CN112346422B true CN112346422B (zh) | 2023-10-20 |
Family
ID=74362665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011263105.8A Active CN112346422B (zh) | 2020-11-12 | 2020-11-12 | 双蚁群智能对抗竞争实现机组作业调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112346422B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3065376A1 (en) * | 2015-03-02 | 2016-09-07 | Harris Corporation | Cross-layer correlation in secure cognitive network |
CN106705970A (zh) * | 2016-11-21 | 2017-05-24 | 中国航空无线电电子研究所 | 一种基于蚁群算法的多无人机协同路径规划方法 |
CN107358333A (zh) * | 2017-05-24 | 2017-11-17 | 湖北工业大学 | 基于熵的多蚁群人车竞争‑协作疏散优化方法 |
CN109214498A (zh) * | 2018-07-10 | 2019-01-15 | 昆明理工大学 | 基于搜索集中度和动态信息素更新的蚁群算法优化方法 |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
WO2019135703A1 (en) * | 2018-01-08 | 2019-07-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Process placement in a cloud environment based on automatically optimized placement policies and process execution profiles |
CN110768745A (zh) * | 2018-07-27 | 2020-02-07 | 深圳市白麓嵩天科技有限责任公司 | 一种禁忌搜索人工蜂群算法下的干扰决策方法 |
CN111366169A (zh) * | 2020-04-09 | 2020-07-03 | 湖南工学院 | 一种确定性移动机器人路径规划方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060161405A1 (en) * | 2004-06-04 | 2006-07-20 | Munirajan Vignesh K | Methods for locating targets and simmulating mine detection via a cognitive, swarm intelligence-based approach |
US20060212279A1 (en) * | 2005-01-31 | 2006-09-21 | The Board of Trustees of the University of Illinois and | Methods for efficient solution set optimization |
US8160847B2 (en) * | 2007-07-07 | 2012-04-17 | Neal Solomon | Hybrid multi-layer artificial immune system |
-
2020
- 2020-11-12 CN CN202011263105.8A patent/CN112346422B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3065376A1 (en) * | 2015-03-02 | 2016-09-07 | Harris Corporation | Cross-layer correlation in secure cognitive network |
CN106705970A (zh) * | 2016-11-21 | 2017-05-24 | 中国航空无线电电子研究所 | 一种基于蚁群算法的多无人机协同路径规划方法 |
CN107358333A (zh) * | 2017-05-24 | 2017-11-17 | 湖北工业大学 | 基于熵的多蚁群人车竞争‑协作疏散优化方法 |
CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
WO2019135703A1 (en) * | 2018-01-08 | 2019-07-11 | Telefonaktiebolaget Lm Ericsson (Publ) | Process placement in a cloud environment based on automatically optimized placement policies and process execution profiles |
CN109214498A (zh) * | 2018-07-10 | 2019-01-15 | 昆明理工大学 | 基于搜索集中度和动态信息素更新的蚁群算法优化方法 |
CN110768745A (zh) * | 2018-07-27 | 2020-02-07 | 深圳市白麓嵩天科技有限责任公司 | 一种禁忌搜索人工蜂群算法下的干扰决策方法 |
CN111366169A (zh) * | 2020-04-09 | 2020-07-03 | 湖南工学院 | 一种确定性移动机器人路径规划方法 |
Non-Patent Citations (5)
Title |
---|
动态调度策略与竞争机制融合的蚁群优化算法;张海南 等;《微电子学与计算机》;第36卷(第7期);第36-42页 * |
基于搜索集中度和动态信息素更新的蚁群算法;王晓婷 等;《电子测量技术》;第42卷(第9期);第35-39页 * |
基于群体的深度强化学习超参数自适应方法研究;周银达;《中国优秀硕士学位论文全文数据库 基础科学辑》(第08期);第A002-363页 * |
基于蚁群算法的RBF神经网络算法研究;何亮亮;《中国优秀硕士学位论文全文数据库 信息科技辑》(第02期);第I140-148页 * |
基于蚁群算法的多机器人协作机制研究;冯睿;《中国优秀硕士学位论文全文数据库 信息科技辑》(第08期);第I140-173页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112346422A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022000924A1 (zh) | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 | |
CN107168267A (zh) | 基于改进粒子群与启发式策略的生产排产方法及系统 | |
CN114021290B (zh) | 一种基于数据驱动和机理模型融合的板带钢凸度预测方法 | |
CN101391268B (zh) | 一种钢板控轧控冷过程温度制度的逆向优化方法 | |
CN112749776B (zh) | 一种基于改进混合遗传算法的作业车间调度方法 | |
CN108279647B (zh) | 一种两阶段装配流水车间调度方法 | |
CN109772893B (zh) | 最大化轧辊利用的多热轧单元批量计划优化方法及控制系统 | |
CN112346422B (zh) | 双蚁群智能对抗竞争实现机组作业调度方法 | |
CN113065631A (zh) | 一种基于改进竞争群算法的参数优化方法 | |
CN113033086A (zh) | 一种改进的约束多目标优化问题求解方法 | |
CN115249113A (zh) | 一种带准备时间分布式零等待流水车间调度方法与系统 | |
CN106845696A (zh) | 一种智能优化水资源配置方法 | |
CN110490446A (zh) | 一种基于改进遗传算法的模块化工艺重组方法 | |
CN114386843A (zh) | 一种基于改进深度强化学习算法的柔性车间调度方法 | |
CN112528524A (zh) | 一种混流装配线平衡优化调度方法 | |
CN116307440B (zh) | 一种基于强化学习的多目标权重学习的车间调度方法及其装置和应用 | |
Tsourveloudis et al. | Work-in-process scheduling by evolutionary tuned fuzzy controllers | |
CN116307214A (zh) | 一种基于nsga-ii算法的自动配棉方法及相关装置 | |
CN116050514A (zh) | 一种基于深度q网络改进的多目标进化算法 | |
CN112731888B (zh) | 一种批量流混合流水车间调度问题的改进候鸟优化方法 | |
CN111814861B (zh) | 一种基于双自学习模型的在线冷却控制方法 | |
CN110989522A (zh) | 一种面向多钢卷的连退生产过程工艺参数优化设定方法 | |
CN114037361A (zh) | 一种用于分布式作业车间调度的超启发式差分进化方法 | |
CN113485278A (zh) | 优化两生产指标的柔性作业车间调度多目标分布估计方法 | |
CN113361713A (zh) | 一种基于自适应的轧机产线轧制力控制方法 |
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 |