CN114217580B - 基于改进型差分进化算法的功能性纤维生产排产方法 - Google Patents
基于改进型差分进化算法的功能性纤维生产排产方法 Download PDFInfo
- Publication number
- CN114217580B CN114217580B CN202111477528.4A CN202111477528A CN114217580B CN 114217580 B CN114217580 B CN 114217580B CN 202111477528 A CN202111477528 A CN 202111477528A CN 114217580 B CN114217580 B CN 114217580B
- Authority
- CN
- China
- Prior art keywords
- functional
- module
- fiber
- differential evolution
- evolution algorithm
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000007380 fibre production Methods 0.000 title claims abstract description 15
- 239000000835 fiber Substances 0.000 claims abstract description 140
- 238000004519 manufacturing process Methods 0.000 claims abstract description 92
- 238000005516 engineering process Methods 0.000 claims abstract description 27
- 238000013461 design Methods 0.000 claims abstract description 15
- 230000035772 mutation Effects 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 230000004048 modification Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 9
- 238000006116 polymerization reaction Methods 0.000 description 9
- 125000002091 cationic group Chemical group 0.000 description 7
- 208000012886 Vertigo Diseases 0.000 description 6
- 238000007334 copolymerization reaction Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000009987 spinning Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000004952 Polyamide Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011065 in-situ storage Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 229920002647 polyamide Polymers 0.000 description 4
- 229920006149 polyester-amide block copolymer Polymers 0.000 description 4
- 230000002195 synergetic effect Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 3
- 238000012704 multi-component copolymerization Methods 0.000 description 3
- 230000000844 anti-bacterial effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004043 dyeing Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000009401 outcrossing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 206010027336 Menstruation delayed Diseases 0.000 description 1
- 238000012644 addition polymerization Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 150000001768 cations Chemical class 0.000 description 1
- 230000011748 cell maturation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 239000002657 fibrous material Substances 0.000 description 1
- 239000013538 functional additive Substances 0.000 description 1
- 239000007970 homogeneous dispersion Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229920000728 polyester Polymers 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 238000012546 transfer 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]
- G05B19/41885—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
-
- 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
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于改进型差分进化算法的功能性纤维生产排产方法,包括:功能性添加设计模块和智能化排产模块;功能性添加设计模块由订单指定纤维子模块、新型专家系统子模块和最佳功能性添加技术子模块组成;功能性添加设计模块的输入是一个或多个订单指定生产的不同品种的功能性纤维的规格和数量,输出是每种所述功能性纤维对应的一个以上的最佳功能性添加技术路径的编号;智能化排产模块由待生产纤维子模块、改进型差分进化算法子模块和智能化排产报表子模块组成;本发明利用新型专家系统决策功能性纤维的添加技术,使得功能性添加更合理高效,而且利用改进型差分进化算法优化排产,使得该生产排产方法更智能化,最终可实现企业效益最大化。
Description
技术领域
本发明属于智能生产技术领域,具体涉及一种基于改进型差分进化算法的功能性聚酯、聚酰胺纤维智能化生产排产方法。
背景技术
化纤行业是我国重要的支柱产业,也是我国重要的出口创汇行业,在国民经济中占有重要地位。在智能制造工业4.0的大背景下,国内的化纤企业在生产过程自动化、数字化等信息建设方面,取得了一定的成绩。但是,化纤企业在生产排产上的发展仍处于初级阶段,对订单生产状态、机台状态、产量等缺少实时跟踪导致生产应变力差;各种生产计划的表单不可追溯使得生产信息的时效性和共享性较差。特别地,化纤材料开始朝功能性差别化方向发展,这使得功能性添加技术也成为计划排产不可或缺的一部分。
因此,制定更加智能全面的生产排产极为重要。事实上,生产排产是一个极为复杂的问题,具有高度的随机性、离散性、多目标性和多约束性。传统的方法只是进行常规的计划和仅凭经验排产,耗时长且很难达到最优的方案,当出现突发事件时不能及时准确地修正计划。因此在当前大规模的制造产业中,以人为经验的排产策略会逐渐退出现代企业的发展模型,取而代之的是利用一些智能优化算法,制定更加快速准确、灵活性强的排产策略。
在智能优化算法中,以差分进化算法为代表的启发式算法在实际工业中应用广泛。差分进化算法通过模拟生态自然机制,采用了种群个体间的差分信息生成适应性更好的新种群,以此寻求全局最优解,其具有控制参数少、原理相对简单、易于理解和实现的特点,以及可靠性高、鲁棒性强等特点,因此在生产排产优化问题上,具有较大的应用潜力。然而差分进化算法自身也有一定的局限性,易导致局部最优陷入“早熟”。
发明内容
为了解决现有技术中存在的问题,本发明以差分进化算法为主要手段,改进其变异方式和交叉概率以防止陷入局部最优,并立足于功能性聚酯、聚酰胺纤维行业排产过程,设计了一种基于改进型差分进化算法(Differential Evolution Algorithm)的功能性聚酯、聚酰胺纤维生产排产方法,从而实现功能性聚酯、聚酰胺纤维排产过程的智能化与数字化,提高生产线的柔性制造能力,大大提高产品生产效率,减少产品的库存量和存放周期,提高企业资金流转率。
为了达到上述目的,本发明采用的技术方案如下:
基于改进型差分进化算法的功能性纤维生产排产方法,包括:功能性添加设计模块和智能化排产模块;
功能性添加设计模块由订单指定纤维子模块、新型专家系统子模块和最佳功能性添加技术子模块组成;功能性添加设计模块的输入是一个或多个订单指定生产的不同品种的功能性纤维的规格和数量,然后通过新型专家系统中由大数据分析及专家经验构建的功能性纤维添加技术知识库,输出是每种所述功能性纤维对应的一个以上的最佳功能性添加技术路径的编号;
所述新型专家系统子模块中包括新型专家系统,所述新型专家系统是含有功能性纤维添加技术知识库的专家系统;
新型专家系统是改进的专家系统;专家系统是由人机交互界面、推理机(默认是正向推理)、数据库和知识库(知识库用来存放专家提供的知识)组成的一种交互式可靠的计算机决策系统;专家系统的基本工作流程是:用户通过人机界面回答系统的提问,推理机将用户输入的数据与知识库中各个规则的条件进行匹配,并把被匹配规则的结论存放到综合数据库中;最后,人机交互界面将得出最终结论呈现给用户(即展示推理机的结果);其中,问题求解过程是通过知识库中的知识来模拟专家的思维方式,因此,知识库中知识的质量和数量决定着专家系统的质量水平;一般来说,专家系统中的知识库与专家系统程序是相互独立的,用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能;
所述改进是指对专家系统中的知识库进行改进,得到的功能性纤维添加技术知识库;
所述功能性纤维添加技术知识库由传统的产生式规则以及神经网络计算得到的新规则共同组成;
“功能性纤维添加技术”是“知识库”的一个前缀;通常:“知识库”仅仅由“专家经验”组成,专家经验会被提取为一定的逻辑规则,所以“产生式规则”构成的知识库就是专家经验构成的知识库;“基于神经网络算法计算得到的知识”也就是用神经网络实时分析传统的产生式规则,提取得到的数据中潜在的规则;
智能化排产模块由待生产纤维子模块、改进型差分进化算法子模块和智能化排产报表子模块组成;各子模块的功能为:待生产纤维子模块主要用于统计分析出各种功能性纤维的待生产数量和规格;改进型差分进化算法子模块主要用于根据待生产功能性纤维的品种数量和最佳功能性添加路径,以节约时间和成本为主要目标,构建新型差分进化算法,优化不同功能性纤维品种的生产顺序及对应的生产产线;智能化排产报表子模块用于输出差分进化优化模型得到的排产报表,用于指导生产;智能化排产模块具体包括如下处理步骤:
(1)将订单指定纤维子模块中的数据Q输入待生产纤维子模块中,并查询库存纤维子模块中的相应的功能性纤维的库存数量,若相应的功能性纤维的库存数量<数据Q中对应的功能性纤维的数量,则计算出该功能性纤维的待生产数量,进入下一步;反之,则直接配送,无需再生产;
所述库存纤维子模块用于存储库存中现有的功能纤维品种、规格及数量;
(2)将与数据Q中对应的各种功能性纤维的待生产数量及其对应的一个以上的最佳功能性添加技术路径的编号(由最佳功能性添加技术子模块中输出)输入改进型差分进化算法子模块中,输出每种待生产功能性纤维的生产顺序及对应的生产产线;
(3)将每种功能性纤维品种的生产顺序及对应的生产产线输入智能化排产报表子模块,并由智能化排产报表子模块输出文字性排产报表;
步骤(2)中,所述改进型差分进化算法子模块中包含输入编码、改进型差分进化算法模型计算和输出结果解码;
输入编码是指将某条生产线上生产的不同纤维品种的顺序编码为一个排序序列;
所述改进型差分进化算法模型是在差分进化算法计算步骤的基础上进行改进得到;所述差分进化算法计算步骤包括:初始化、适应度值评估、变异、交叉和选择,然后迭代;
所述改进型差分进化算法模型的输入为输入编码的输出,即为排序序列所对应向量的集合(集合,就是所有生产线对应的向量,向量的集合,可以写成矩阵的形式);
所述改进型差分进化算法模型的约束条件为步骤(2)中每种功能性纤维的待生产数量及其对应的一个以上的最佳功能性添加技术路径的编号;
所述改进型差分进化算法模型的终止条件为初始化时设置的最大迭代次数;
所述改进型差分进化算法模型的输出为每种待生产功能性纤维的生产顺序及对应的生产产线的最优组合;
所述改进是指所述变异为利用改进型多策略变异算子对种群中随机选取的个体进行变异操作;且所述交叉为利用改进型自适应交叉概率对所述变异得到的变异个体进行交叉操作;
所述改进型差分进化算法的流程如下:
S1.初始化,包括随机生成父代种群、种群规模和最大迭代次数;
随机生成父代种群是指:由编码后的纤维品种随机排列产生父代种群(不需要再验证每个个体的可行性);其中,P为父代种群,g为进化代数(若g=0,则表示初始种群),/>表示第g代种群中的第1个个体,/>表示第g代种群中的第2个个体,/>表示第g代种群中的第Np个个体,Np表示种群规模;
S2.对父代种群中每个个体,根据其编码规则(即输入编码的输出)计算生产时间和对应的总目标函数值;并计算每个个体的适应度值;
S21:已知各条生产线的可排产时间段(如聚合1线2线;纺丝1线2线等)以及各生产环节(包括聚合环节、熔体输送环节、纺丝环节)的作业时长,并且针对每个环节,根据设备故障率计算出该环节可用产线的优先级;
S22:计算各个体对应目标函数值,具体如下:
以最小化完工时间作为目标;约束条件主要包括:指定功能性添加技术只能在某一条或几条生产线上操作,具体依据每家企业实际情况来定;
S23:计算每个目标个体(目标个体就是初始化以后的每个可能解)的适应度值,标定(就是一个大小比较,将当前的目标个体计算得到的适应度值,和原始未变异交叉的个体比较)出当前最优的目标个体及最优适应度值;
S3.利用改进型多策略变异算子,对种群中随机选取的个体进行变异操作;
S4.利用具有改进型自适应交叉概率的交叉算子,对步骤S3得到的变异个体进行交叉操作;
S5.在步骤S4得到的试验个体中选择较好的个体(较好的个体,就是指适应度高的个体,通过比较适应度值得到),将其保留至下一代;
S6.重复步骤S2~S5,直至种群进化到最大迭代次数时,输出最优个体。
作为优选的技术方案:
如上所述的基于改进型差分进化算法的功能性纤维生产排产方法,所述利用改进型多策略变异算子对种群中随机选取的个体进行变异操作的步骤如下:
(1)变异操作1:
其中,表示第g+1代种群中的第i个变异个体的第j维元素;/>分别表示第g代种群中随机(random)选取的两个个体的第j维元素,所述两个分别标号为r1、r2;表示第g代种群中最优个体的第j维元素;F为变异因子;G为最大迭代次数;
(2)变异操作2:
其中,各符号定义同上,表示第g代种群中随机选取的三个个体中的第3个个体的第j维元素,第三个标号为r3;
(3)变异操作3:
2G/3<g≤G;
其中,上述3个变异操作中的变异因子F均采用现有的动态变异因子,具体表述如下:
F=(lng)/G。
由上式可知,变异因子F随着迭代次数的增加以对数型的方式下降,可增加变异过程的多样性,从而增强算法的搜索能力;
上述多策略变异操作为本发明对差分进化算法的第一处改进,在迭代的初期(0≤g≤G/3)、中期(G/3<g≤2G/3)和后期(2G/3<g≤G;),分别采用不同的变异策略,有利于防止陷入局部最优。
如上所述的基于改进型差分进化算法的功能性纤维生产排产方法,所述改进型自适应交叉概率是指基于自适应的交叉概率,采用二项式型交叉策略进行交叉,其具体表述如下:
其中,表示第g+1代种群中第i个试验个体的第j维元素,/>表示第g代种群中的第i个变异个体的第j维元素,/>表示第g代种群中的第i个个体的第j维元素,randb(0,1)表示随机产生0到1之间的小数,rnbr(j)表示随机产生l到N之间的整数,/>为自适应交叉概率,其具体表述如下:
其中,表示第g代种群中第i个个体的交叉概率;/>和/>分别表示第g代迭代中交叉概率的上限(upper)和下限(lower),一般/>(一般直接设定,经验值);fi g表示第g代种群中第i个个体的适应度值;/>和/>分别表示第g代种群中最优和最差个体的适应度值,/>表示第g代种群中每个目标个体适应度值的平均值;适应度值的最大、最小、平均值均可直接得到或计算个平均值得到。
上述自适应交叉概率为本发明对差分进化算法的第二处改进。交叉概率:是一个固定值,改进后的自适应交叉概率是一个动态的概率值。
如上所述的基于改进型差分进化算法的功能性纤维生产排产方法,功能性添加设计模块具体包括如下步骤:
(1)将数据Q输入订单指定纤维子模块进行存储;
数据Q为一个或多个订单指定生产的不同品种的功能性纤维的规格和数量;
一个或多个订单指定生产的不同品种的功能性纤维是指:例如,同时收到两个订单,一个要求微消光功能性纤维、一个要求阳离子可染功能性纤维;又或者只收到一个订单,指定要抗紫外功能性纤维和抗菌功能性纤维;
(2)将订单指定纤维子模块中的数据Q输入新型专家系统子模块,并输出一个以上的最佳功能性添加技术路径;
(3)将所述一个以上的最佳功能性添加技术路径输入最佳功能性添加技术子模块中进行编号,并输出每种功能性纤维对应的一个以上的最佳功能性添加技术路径的编号;
如上所述的基于改进型差分进化算法的功能性纤维生产排产方法,传统的产生式规则是指采集到的化纤界专家的理论知识、车间技术工的操作经验;所述神经网络计算得到的新规则是指结合数据库中的化纤生产车间的实时生产数据,利用人工神经网络计算出的潜在功能性添加技术规则,对知识库进行实时更新,且所述人工神经网络的计算公式如下:
Y=θ(∑H·V+c);
其中,X表示从数据库选取的部分数据(对于神经网络而言,输入的数据数量和维度,本就是不确定的随机的)构成的向量;H为隐藏层输出值;Y为神经网络输出的数字表示的知识规则;W、V和b、c分别为神经网络的权重向量和偏置项;和θ均为激活函数,可选择如:sigmoid函数、tanh函数、relu函数等激活函数。
如上所述的基于改进型差分进化算法的功能性纤维生产排产方法,所述差分进化算法中的选择采用“贪婪原则”,其具体表述如下:
其中,为第g+1代种群中的第i个变异个体的第j维元素/>的适应度值;为第g代种群中的第i个个体的第j维元素/>的适应度值。
本发明的原理如下:
本发明的变异算子是分段式变异,改进了原来的单一式的变异算子,在算法进化的初、中、后期分别采用不同的变异策略。变异初期,最优个体和随机个体交流,引导变异往最优方向发展;变异中期,随机个体之间互相交流,改善了种群的内在多样性,增强了全局搜索能力;变异后期,随机个体与最优个体交流,有利于提高收敛速度。分段式变异策略,增加了变异的多样性,预防了种群进化陷入局部最优。如图6所示,以ZDT5函数为测试函数,图中Im-DE表示改进型DE差分进化算法,改进型差分进化算法在迭代20000次后,收敛于ZDT函数的全局最优解,未陷入局部最优。
本发明的交叉概率是自适应交叉概率,改进了原来的固定式交叉概率(通常为一个常量)。交叉概率决定着变异后的个体能够进入选择操作的数量。当个体适应度值小于等于平均值时,直接利用交叉概率下限值进行交叉;当个体适应度值大于平均值时,采用较大的动态交叉概率,使得种群更新主要依赖于变异过程,能够增加种群的多样性,从而有利于全局搜索。
有益效果:
(1)本发明利用新型专家系统决策功能性纤维的添加技术,使得功能性添加更合理高效;
(2)本发明利用改进型差分进化算法优化排产,使得该生产排产方法更智能化,最终可实现企业效益最大化。
附图说明
图1为基于改进型差分进化算法的功能性纤维智能化生产排产方法的示意图;
图2为新型专家系统的示意图;
图3为功能性纤维添加技术知识库的示意图;
图4是以微消光、阳离子可染为例的功能性添加技术路线的编码示意图;
图5为改进型差分进化算法的流程示意图;
图6为改进型差分进化算法在测试函数上的结果图。
具体实施方式
下面结合具体实施方式,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
基于改进型差分进化算法的功能性纤维生产排产方法,如图1所示,包括:功能性添加设计模块和智能化排产模块;
功能性添加设计模块由订单指定纤维子模块、新型专家系统子模块和最佳功能性添加技术子模块组成;
功能性添加设计模块具体包括如下步骤:
(1)将数据Q输入订单指定纤维子模块进行存储;
数据Q为一个或多个订单指定生产的不同品种的功能性纤维的规格和数量;
一个或多个订单指定生产的不同品种的功能性纤维是指:例如,同时收到两个订单,一个要求微消光功能性纤维、一个要求阳离子可染功能性纤维;又或者只收到一个订单,指定要抗紫外功能性纤维和抗菌功能性纤维;
如:微消光功能性纤维,规格为75d/144f,数量为1吨;阳离子可染功能性纤维,规格为150d/144f,数量为0.8吨;
(2)将订单指定纤维子模块中的数据Q输入新型专家系统子模块,并输出一个以上的最佳功能性添加技术路径;
一个以上的最佳功能性添加技术路径是指:例如,见图3,抗紫外的功能性纤维,仅能通过“在线添加-聚酯多点多元在线添加与均质分散技术”这一种技术实现,而阳离子可染的功能性纤维,可以通过5种功能性添加技术实现,具体见图3和图4;
如:微消光功能性纤维可在聚合阶段通过共聚手段实现,可采用的共聚手段有微量添加协同改性技术、多组分原位聚合技术、多元共聚改性技术;阳离子可染功能性纤维可在聚合阶段通过共聚手段实现,可采用的共聚手段有微量添加协同改性技术、多组分原位聚合技术、多元共聚改性技术,也可在后纺阶段通过加弹/混纤后道手段实现,可采用的加弹/混纤手段有异收缩混纤丝制备技术、低温染色技术;
如图2所示,所述新型专家系统子模块中包括新型专家系统,所述新型专家系统是含有功能性纤维添加技术知识库的专家系统;
新型专家系统是改进的专家系统;专家系统是由人机交互界面、推理机(默认是正向推理)、数据库和知识库(知识库用来存放专家提供的知识)组成的一种交互式可靠的计算机决策系统;专家系统的基本工作流程是:用户通过人机界面回答系统的提问,推理机将用户输入的数据与知识库中各个规则的条件进行匹配,并把被匹配规则的结论存放到综合数据库中;最后,人机交互界面将得出最终结论呈现给用户(即展示推理机的结果);其中,问题求解过程是通过知识库中的知识来模拟专家的思维方式,因此,知识库中知识的质量和数量决定着专家系统的质量水平;一般来说,专家系统中的知识库与专家系统程序是相互独立的,用户可以通过改变、完善知识库中的知识内容来提高专家系统的性能;
所述改进是指对专家系统中的知识库进行改进,得到的功能性纤维添加技术知识库;
所述功能性纤维添加技术知识库由传统的产生式规则以及神经网络计算得到的新规则共同组成;“功能性纤维添加技术”是“知识库”的一个前缀;通常:“知识库”仅仅由“专家经验”组成,专家经验会被提取为一定的逻辑规则,所以“产生式规则”构成的知识库就是专家经验构成的知识库;“基于神经网络算法计算得到的知识”也就是用神经网络实时分析传统的产生式规则,提取得到的数据中潜在的规则;功能性纤维添加技术知识库,其主要添加环节(图3中的第二竖栏)主要包括但不限于:聚合环节的均质添加和共聚改性、纺丝环节的截面异形化、以及后加工环节的加弹和后道混纤等添加技术;各添加技术的核心(图3中的第三竖栏)主要包括但不限于:微量添加协同改性、多组分原位聚合、多元共聚改性、喷丝板设计、纺丝组件模块化互换、纺丝低阻尼挤出技术等;
其中,传统的产生式规则是指采集到的化纤界专家的理论知识、车间技术工的操作经验;所述神经网络计算得到的新规则是指结合数据库中的化纤生产车间的实时生产数据,利用人工神经网络计算出的潜在功能性添加技术规则,对知识库进行实时更新,且所述人工神经网络的计算公式如下:
Y=θ(∑H·V+c);
其中,X表示从数据库选取的部分数据(对于神经网络而言,输入的数据数量和维度,本就是不确定的随机的)构成的向量;H为隐藏层输出值;Y为神经网络输出的数字表示的知识规则;W、V和b、c分别为神经网络的权重向量和偏置项;和θ均为激活函数。
(3)将所述一个以上的最佳功能性添加技术路径输入最佳功能性添加技术子模块中进行编号,并输出每种功能性纤维对应的一个以上的最佳功能性添加技术路径的编号;
编号,是指根据顺序进行编号,例如,如图4所示,第一栏是大写的字母,代表不同的功能性纤维品种,自上而下顺序,分别为A、B、C...,第二栏是数字,代表不同的添加位置,自上而下顺序,分别为1、2、3...,第三栏是小写的字母,在每个小模块中按自上而下的顺序,分别为a、b、c...;如上述两种功能性纤维的编码具体如图4所示,其中第一位码为大写字母,具体表示不同的功能性纤维,如微消光即为B,阳离子可染即为C;第二位码为数字,具体表示不同的添加阶段,如共聚即为2,加弹/混纤后道即为5;第三位码为小写字母,具体表示功能性添加技术,如2之后的a表示微量添加协同改性技术,2之后的b表示多组分原位聚合技术,...,5之后的a表示异收缩混纤丝制备技术,5之后的b表示低温染色技术等;则输出功能性添加技术路径的编码,如:B2a,C5b等。
智能化排产模块由待生产纤维子模块、改进型差分进化算法子模块和智能化排产报表子模块组成;智能化排产模块具体包括如下处理步骤:
(1)将订单指定纤维子模块中的数据Q输入待生产纤维子模块中,并查询库存纤维子模块中的相应的功能性纤维的库存数量,若相应的功能性纤维的库存数量<数据Q中对应的功能性纤维的数量,则计算出该功能性纤维的待生产数量,进入下一步;反之,则直接配送,无需再生产;
所述库存纤维子模块用于存储库存中现有的功能纤维品种、规格及数量;
(2)将与数据Q中对应的各种功能性纤维的待生产数量及其对应的一个以上的最佳功能性添加技术路径的编号(由最佳功能性添加技术子模块中输出)输入改进型差分进化算法子模块中,输出每种待生产功能性纤维的生产顺序及对应的生产产线;
(3)将每种功能性纤维品种的生产顺序及对应的生产产线输入智能化排产报表子模块,并由智能化排产报表子模块输出文字性排产报表;
所述排产报表为文字表述形式,举例为:第一条生产线生产功能性纤维品种1和功能性纤维品种3,分别需要15分钟和11分钟;第二条生产线生产功能性纤维品种5,需要16分钟;第三条生产线生产功能性纤维品种2,4和6,分别需要17,20和16分钟(对于不同的企业,某条生产线上生产哪个品种的纤维需要多少时间,都是已知的);
步骤(2)中,所述改进型差分进化算法子模块中包含输入编码、改进型差分进化算法模型计算和输出结果解码;
输入编码是指将某条生产线上生产的不同纤维品种的顺序编码为一个排序序列;
比如说:采用基于生产顺序的编码方法,将排产编码为某条生产线上生产不同纤维品种的一个排序序列,具体而言,对于m=3条产线、n=6个纤维品种的生产排产问题,每个DE个体是一个3*6维的矩阵,矩阵中的每一维是指每条产线上生产的纤维品种,而且可以根据该DE个体的解码得到一个可行的排产方案,例如:DE矩阵第一行的个体向量为[110010],则表明产线1生产纤维品种号为1,2,5;
如图5所示,所述改进型差分进化算法模型是在差分进化算法计算步骤的基础上进行改进得到;所述差分进化算法计算步骤包括:初始化、适应度值评估、变异、交叉和选择,然后迭代;
所述改进型差分进化算法模型的输入为输入编码的输出,即为排序序列所对应向量的集合(集合,就是所有生产线对应的向量,向量的集合,可以写成矩阵的形式);
所述改进型差分进化算法模型的约束条件为步骤(2)中每种功能性纤维的待生产数量及其对应的一个以上的最佳功能性添加技术路径的编号;
所述改进型差分进化算法模型的终止条件为初始化时设置的最大迭代次数;
所述改进型差分进化算法模型的输出为每种待生产功能性纤维的生产顺序及对应的生产产线的最优组合;
所述改进是指所述变异为利用改进型多策略变异算子对种群中随机选取的个体进行变异操作;且所述交叉为利用改进型自适应交叉概率对所述变异得到的变异个体进行交叉操作;
所述利用改进型多策略变异算子对种群中随机选取的个体进行变异操作的步骤如下:
(1)变异操作1:
其中,表示第g+1代种群中的第i个变异个体的第j维元素;/>分别表示第g代种群中随机(random)选取的两个个体的第j维元素,所述两个分别标号为r1、r2;表示第g代种群中最优个体的第j维元素;F为变异因子;G为最大迭代次数;
(2)变异操作2:
其中,各符号定义同上,表示第g代种群中随机选取的三个个体中的第3个个体的第j维元素,第三个标号为r3;
(3)变异操作3:
其中,上述3个变异操作中的变异因子F均采用现有的动态变异因子,具体表述如下:
F=(lng)/G。
由上式可知,变异因子F随着迭代次数的增加以对数型的方式下降,可增加变异过程的多样性,从而增强算法的搜索能力;
上述多策略变异操作为本发明对差分进化算法的第一处改进,在迭代的初期(0≤g≤G/3)、中期(G/3<g≤2G/3)和后期(2G/3<g≤G;),分别采用不同的变异策略,有利于防止陷入局部最优。
所述改进型自适应交叉概率是指基于自适应的交叉概率,采用二项式型交叉策略进行交叉,其具体表述如下:
其中,表示第g+1代种群中第i个试验个体的第j维元素,/>表示第g代种群中的第i个变异个体的第j维元素/>表示第g代种群中的第i个个体的第j维元素,randb(0,1)表示随机产生0到1之间的小数,rnbr(j)表示随机产生1到N之间的整数,/>为自适应交叉概率,其具体表述如下:
其中,表示第g代种群中第i个个体的交叉概率;/>和/>分别表示第g代迭代中交叉概率的上限(upper)和下限(lower),一般/>(一般直接设定,经验值);fi g表示第g代种群中第i个个体的适应度值;/>和/>分别表示第g代种群中最优和最差个体的适应度值,/>表示第g代种群中每个目标个体适应度值的平均值;
所述差分进化算法中的选择采用“贪婪原则”,其具体表述如下:
其中,为第g+1代种群中的第i个变异个体的第j维元素/>的适应度值;为第g代种群中的第i个个体的第j维元素/>的适应度值。
为了实践本发明基于改进型差分进化算法的功能性纤维生产排产方法中的改进型差分进化算法子模块,设置上述方法中:
S1初始化:设置种群规模Np为10,最大迭代次数G为50,随机生成父代种群 以/>为例,根据编码规则,其表示形式如下:
的每一行表示每一条生产线上分别生产的品种,1表示生产,0表示不生产,位置表示品种号,是随机生成的,根据种群规模Np=10,应随机生成10个上述形式的矩阵;
S2计算每个个体的总目标函数,及适应度值:
S21已知各条生产线可排产时间及各品种在该生产线上的生产时长T,如下:
根据生产实际的设备故障等情况,假设各产线的优先级一样;
S22计算各个体对应的目标函数值,具体如下:
目标函数为:Obj=min x*T,即最小化完工时间,如上述为105分钟;约束条件为:每种功能性纤维的待生产数量及其对应的一个以上的最佳功能性添加技术路径的编号;
S23计算各个体对应的适应度值,规定适应度函数f=-Obj,即完工时间越小,适应度值越高;
S3-S5变异、交叉、选择、迭代,根据规则由计算机编程实现;
S6迭代50次后,输出最优个体
其对应的目标函数值为95分钟,优于原始的105分钟。
Claims (6)
1.基于改进型差分进化算法的功能性纤维生产排产方法,其特征在于,包括:功能性添加设计模块和智能化排产模块;
功能性添加设计模块由订单指定纤维子模块、新型专家系统子模块和最佳功能性添加技术子模块组成;功能性添加设计模块的输入是一个或多个订单指定生产的不同品种的功能性纤维的规格和数量,输出是每种所述功能性纤维对应的一个以上的最佳功能性添加技术路径的编号;
所述新型专家系统子模块中包括新型专家系统,所述新型专家系统是含有功能性纤维添加技术知识库的专家系统;
所述功能性纤维添加技术知识库由传统的产生式规则以及神经网络计算得到的规则共同组成;
智能化排产模块由待生产纤维子模块、改进型差分进化算法子模块和智能化排产报表子模块组成;智能化排产模块具体包括如下处理步骤:
(1)将订单指定纤维子模块中的数据Q输入待生产纤维子模块中,并查询库存纤维子模块中的相应的功能性纤维的库存数量,若相应的功能性纤维的库存数量<数据Q中对应的功能性纤维的数量,则计算出该功能性纤维的待生产数量,进入下一步;反之,则直接配送,无需再生产;
所述库存纤维子模块用于存储库存中现有的功能纤维品种、规格及数量;
(2)将与数据Q中对应的各种功能性纤维的待生产数量及其对应的一个以上的最佳功能性添加技术路径的编号输入改进型差分进化算法子模块中,输出每种待生产功能性纤维的生产顺序及对应的生产产线;
(3)将每种功能性纤维品种的生产顺序及对应的生产产线输入智能化排产报表子模块,并由智能化排产报表子模块输出文字性排产报表;
步骤(2)中,所述改进型差分进化算法子模块中包含输入编码、改进型差分进化算法模型计算和输出结果解码;
输入编码是指将某条生产线上生产的不同纤维品种的顺序编码为一个排序序列;
所述改进型差分进化算法模型是在差分进化算法计算步骤的基础上进行改进得到;所述差分进化算法计算步骤包括:初始化、适应度值评估、变异、交叉和选择,然后迭代;
所述改进型差分进化算法模型的输入为输入编码的输出;
所述改进型差分进化算法模型的约束条件为步骤(2)中每种功能性纤维的待生产数量及其对应的一个以上的最佳功能性添加技术路径的编号;
所述改进型差分进化算法模型的终止条件为初始化时设置的最大迭代次数;
所述改进型差分进化算法模型的输出为每种待生产功能性纤维的生产顺序及对应的生产产线的最优组合;
所述改进是指所述变异为利用改进型多策略变异算子对种群中随机选取的个体进行变异操作;且所述交叉为利用改进型自适应交叉概率对所述变异得到的变异个体进行交叉操作。
2.根据权利要求1所述的基于改进型差分进化算法的功能性纤维生产排产方法,其特征在于,所述利用改进型多策略变异算子对种群中随机选取的个体进行变异操作的步骤如下:
(1)变异操作1:
其中,表示第g+1代种群中的第i个变异个体的第j维元素;/>分别表示第g代种群中随机选取的两个个体的第j维元素,所述两个个体分别标号为r1、r2;/>表示第g代种群中最优个体的第j维元素;F为变异因子;G为最大迭代次数;
(2)变异操作2:
其中,表示第g代种群中随机选取的三个个体中的第3个个体的第j维元素,第三个个体标号为r3;
(3)变异操作3:
其中,上述3个变异操作中的变异因子F的具体表述如下:
F=(lng)/G。
3.根据权利要求2所述的基于改进型差分进化算法的功能性纤维生产排产方法,其特征在于,所述改进型自适应交叉概率是指基于自适应的交叉概率,采用二项式型交叉策略进行交叉,其具体表述如下:
其中,表示第g+1代种群中第i个试验个体的第j维元素,/>表示第g代种群中的第i个变异个体的第j维元素,/>表示第g代种群中的第i个个体的第j维元素,randb(0,1)表示随机产生0到1之间的小数,rnbr(j)表示随机产生1到N之间的整数,/>为自适应交叉概率,其具体表述如下:
其中,表示第g代种群中第i个个体的交叉概率;/>和/>分别表示第g代迭代中交叉概率的上限和下限,fi g表示第g代种群中第i个个体的适应度值;/>和/>分别表示第g代种群中最优和最差个体的适应度值,/>表示第g代种群中每个目标个体适应度值的平均值。
4.根据权利要求1所述的基于改进型差分进化算法的功能性纤维生产排产方法,其特征在于,功能性添加设计模块具体包括如下步骤:
(1)将数据Q输入订单指定纤维子模块进行存储;
数据Q为一个或多个订单指定生产的不同品种的功能性纤维的规格和数量;
(2)将订单指定纤维子模块中的数据Q输入新型专家系统子模块,并输出一个以上的最佳功能性添加技术路径;
(3)将所述一个以上的最佳功能性添加技术路径输入最佳功能性添加技术子模块中进行编号,并输出每种功能性纤维对应的一个以上的最佳功能性添加技术路径的编号。
5.根据权利要求1所述的基于改进型差分进化算法的功能性纤维生产排产方法,其特征在于,传统的产生式规则是指采集到的化纤界专家的理论知识、车间技术工的操作经验;所述神经网络计算得到的新规则是指结合数据库中的化纤生产车间的实时生产数据,利用人工神经网络计算出的潜在功能性添加技术规则,且所述人工神经网络的计算公式如下:
Y=θ(ΣH·V+c);
其中,X表示从数据库选取的部分数据构成的向量;H为隐藏层输出值;Y为神经网络输出的数字表示的知识规则;W、V和b、c分别为神经网络的权重向量和偏置项;和θ均为激活函数。
6.根据权利要求3所述的基于改进型差分进化算法的功能性纤维生产排产方法,其特征在于,所述差分进化算法中的选择采用“贪婪原则”,其具体表述如下:
其中,为第g+1代种群中的第i个变异个体的第j维元素/>的适应度值;
为第g代种群中的第i个个体的第j维元素/>的适应度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111477528.4A CN114217580B (zh) | 2021-12-06 | 2021-12-06 | 基于改进型差分进化算法的功能性纤维生产排产方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111477528.4A CN114217580B (zh) | 2021-12-06 | 2021-12-06 | 基于改进型差分进化算法的功能性纤维生产排产方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114217580A CN114217580A (zh) | 2022-03-22 |
CN114217580B true CN114217580B (zh) | 2024-04-19 |
Family
ID=80699817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111477528.4A Active CN114217580B (zh) | 2021-12-06 | 2021-12-06 | 基于改进型差分进化算法的功能性纤维生产排产方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114217580B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432992B (zh) * | 2023-06-15 | 2023-08-22 | 合肥工业大学 | T梁车间设备资源配置、生产优化方法、系统和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
CN109598416A (zh) * | 2018-11-13 | 2019-04-09 | 中国航天系统科学与工程研究院 | 一种复材车间的动态排产系统及排产方法 |
CN110490446A (zh) * | 2019-08-13 | 2019-11-22 | 河南科技大学 | 一种基于改进遗传算法的模块化工艺重组方法 |
CN110929930A (zh) * | 2019-11-20 | 2020-03-27 | 上海海事大学 | 一种船用曲轴生产线排产调度优化方法 |
CN112132546A (zh) * | 2020-09-25 | 2020-12-25 | 杉数科技(北京)有限公司 | 一种对生产进行排程的方法及装置 |
CN113240307A (zh) * | 2021-05-24 | 2021-08-10 | 上海电力大学 | 一种基于改进差分进化算法的电力系统经济调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107590603B (zh) * | 2017-09-11 | 2018-11-13 | 合肥工业大学 | 基于改进变邻域搜索和差分进化算法的调度方法及系统 |
-
2021
- 2021-12-06 CN CN202111477528.4A patent/CN114217580B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
CN109598416A (zh) * | 2018-11-13 | 2019-04-09 | 中国航天系统科学与工程研究院 | 一种复材车间的动态排产系统及排产方法 |
CN110490446A (zh) * | 2019-08-13 | 2019-11-22 | 河南科技大学 | 一种基于改进遗传算法的模块化工艺重组方法 |
CN110929930A (zh) * | 2019-11-20 | 2020-03-27 | 上海海事大学 | 一种船用曲轴生产线排产调度优化方法 |
CN112132546A (zh) * | 2020-09-25 | 2020-12-25 | 杉数科技(北京)有限公司 | 一种对生产进行排程的方法及装置 |
CN113240307A (zh) * | 2021-05-24 | 2021-08-10 | 上海电力大学 | 一种基于改进差分进化算法的电力系统经济调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114217580A (zh) | 2022-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Koehn | Combining genetic algorithms and neural networks: The encoding problem | |
CN101901425A (zh) | 一种基于多种群协同进化的柔性作业车间调度方法 | |
Sun et al. | Hybrid genetic algorithm with variable neighborhood search for flexible job shop scheduling problem in a machining system | |
CN102331966A (zh) | 面向路径的软件测试数据进化生成系统 | |
CN106933200A (zh) | 基于遗传算法的解决柔性作业车间调度问题的控制方法 | |
CN101706883B (zh) | 数据挖掘方法和装置 | |
CN114217580B (zh) | 基于改进型差分进化算法的功能性纤维生产排产方法 | |
CN108460463A (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN116560313A (zh) | 一种多目标柔性作业车间问题的遗传算法优化调度方法 | |
CN111680452A (zh) | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 | |
CN102708047A (zh) | 数据流测试用例生成方法 | |
CN112053037A (zh) | 一种柔性pcb车间调度优化方法和系统 | |
CN112990584B (zh) | 一种基于深度强化学习的自动生产决策系统及方法 | |
CN112148446B (zh) | 一种用于多技能资源受限项目调度的进化策略方法 | |
CN109102203A (zh) | 一种基于多串染色体遗传算法的目标分配优化方法 | |
CN113705098A (zh) | 一种基于pca和ga-bp网络的风道加热器建模方法 | |
Alba et al. | Genetic algorithms as heuristics for optimizing ANN design | |
CN103279796A (zh) | 一种优化遗传算法进化质量的方法 | |
CN109919688B (zh) | 一种考虑市场因素的电子烟产品线规划方法 | |
CN109711004B (zh) | 一种光纤折射率大数据预测方法 | |
Cao et al. | Hybrid estimation of distribution based on knowledge transfer for flexible job-shop scheduling problem | |
Li et al. | A Self-Adjusting Search Domain Method-Based Genetic Algorithm for Solving Flexible Job Shop Scheduling Problem | |
CN107563516A (zh) | 一种对模糊规则及隶属度函数的混合编码方法 | |
CN113741482B (zh) | 一种基于异步遗传算法的多智能体路径规划方法 | |
CN112734286A (zh) | 一种基于多策略深度强化学习的车间调度方法 |
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 |