CN115587656A - 一种物流自动分拣系统合流端多控制参数优化方法 - Google Patents

Abstract

本发明具体涉及一种物流自动分拣系统合流端多控制参数优化方法，属于自动化物流分拣系统技术领域。本发明依据物流自动分拣系统实际运行工况，综合考虑虚拟视窗控制方式、收集带式输送机运行速度、虚拟视窗长度及同时开放注入带式输送机数量等控制参数对物流自动分拣系统合流效率的影响，构建物流自动分拣系统合流端多控制参数优化问题模型；提出求解该模型的仿真优化框架；设计多目标自适应并行狼群算法对模型进行求解，并获得最优解集，为决策者提供多种优化方案。本发明根据通用物流自动分拣系统合流端实际运行工况建立仿真优化模型，所提方法贴合生产实际，能够有效缩短货物合流平均等待时间，降低系统能耗，提高物流自动分拣系统运行效率。

Description

一种物流自动分拣系统合流端多控制参数优化方法

技术领域

本发明涉及一种物流自动分拣系统合流端多控制参数优化方法，属于自动化物流分拣系统技术领域。

背景技术

物流自动分拣系统作为快速、准确的拣选作业工具之一，其应用范围日益广泛，逐渐代替人工拣选作业。目前我国在医药、烟草、军工、快递等拣选密集型的配送中心已大量采用物流自动分拣技术，如自动存取系统、旋转货架自动拣选系统、组合式自动分拣系统、带有预分拣功能的并行自动分拣系统等。与一般的人工拣选系统相比，物流自动分拣系统可以连续进行货物分拣，且具有分拣点多、差错率低、作业无人化等巨大优势。而伴随着商品经济的飞速发展，企业对物流自动分拣系统的性能需求也在不断提升。因此，探究如何更好的对物流自动分拣系统进行控制，优化其控制参数，确保分拣作业过程中作业效率、系统能耗等性能指标最优，已成为物流自动分拣系统相关领域的研究热点。

物流自动分拣系统的组成较为复杂，由各种类型的传输设备、信息采集系统、自动分拣管理系统以及控制系统等组成。其中分拣作业大致可分为合流、分拣信息输入、分流和装运4个流程，各流程的作业效率都将对整个物流自动分拣系统的整体运行效率产生影响。目前，众多学者就分拣信息输入阶段的信息系统管理、分流阶段的控制策略、装运阶段的管理策略等进行了研究，但缺少对合流阶段影响货物合流效率的研究。因此，针对物流自动分拣系统运行过程中货物合流等待时间长、系统能耗高等问题，本发明提出一种物流自动分拣系统合流端多控制参数优化方法，综合考虑虚拟视窗控制方式、收集带式输送机运行速度、虚拟视窗长度及同时开放注入带式输送机数量等控制参数对物流自动分拣系统合流效率的影响，多方面综合优化物流自动分拣系统合流端的作业效率。

发明内容

本发明的目的是针对现有物流自动分拣系统研究所存在的不足，提出一种物流自动分拣系统合流端多控制参数优化方法，以满足不同货物流量情况下物流自动分拣系统合流端控制参数设置及多目标优化的需求。

本发明的技术方案是：首先建立物流自动分拣系统合流端多控制参数优化问题模型；然后构建求解该问题模型的仿真优化框架；最后设计多目标自适应并行狼群算法进行求解；

物流自动分拣系统合流端多控制参数优化问题模型建立的依据是虚拟视窗技术及虚拟视窗控制方式、收集带式输送机运行速度、虚拟视窗长度及同时开放注入带式输送机数量等控制参数对物流自动分拣系统合流效率的影响；该问题模型描述如下：

以各注入至收集带式输送机上货物的平均等待时间最短为原则，建立第一优化目标如下：

式中，F₁表示各注入至收集带式输送机上货物的平均等待时间；i∈{1,2,…,l}，表示注入带式输送机编号，l表示注入带式输送机的最大编号；k_i∈{1,2,…,x_i}，表示注入带式输送机i上的货物编号，x_i表示注入带式输送机i上的最大货物编号；

表示注入带式输送机i上第k_i个货物注入收集带式输送机的等待时间；

以物流自动分拣系统的分拣设备和输送设备的总能耗最低为原则，建立第二优化目标如下：

式中，F₂表示物流自动分拣系统的分拣设备和输送设备的总能耗；a∈{1,2,…,m}，表示物流自动分拣系统的分拣设备编号，m表示物流自动分拣系统的最大分拣设备编号；E_a表示物流自动分拣系统分拣设备a的能耗；b∈{1,2,…,n}，表示物流自动分拣系统的输送设备编号，n表示物流自动分拣系统的最大输送设备编号；E_b表示物流自动分拣系统输送设备b的能耗；

同时还需要满足如下约束条件：

式中，

表示注入带式输送机i上第k_i个货物的长度；

表示注入带式输送机i上第k_i个货物的宽度；

表示注入带式输送机i上第k_i个货物的高度；

表示注入带式输送机i上第k_i个货物允许的最大体积；

式中，

表示注入带式输送机i上第k_i个货物的重量；G_max表示货物允许的最大重量；

式中，

表示注入带式输送机i可同时服务的货物数量；

式中，

表示系统中需分拣的第一个货物的到达时间；T_start表示仿真模型设定的开始时间；

式中，

表示系统中需分拣的最后一个货物的到达时间；T_end表示仿真模型设定的结束时间；

式中，

表示货物k_i实际注入的虚拟视窗；

表示货物k_i实际申请的虚拟视窗；

N_W-e≠0；式中，N_W-e表示系统中空虚拟视窗的数量；

式中，

表示每一个虚拟视窗可同时服务的货物数量；

L_Wmin≤L_W≤L_Wmax；式中，L_W表示虚拟视窗W的长度；L_Wmin表示虚拟视窗W允许的最小长度；L_Wmax表示虚拟视窗W允许的最大长度；

M_W∈{1,2,…,h}；式中，M_W∈{1,2,…,h}，表示虚拟视窗W的控制方式集合，h表示虚拟视窗W的控制方式集合中最后一个元素；

N_min≤N_i≤N_max；式中，N_i表示同时开放的注入带式输送机数量；N_min表示允许同时开放的最小注入带式输送机数量；N_max表示允许同时开放的最大注入带式输送机数量；

v_bmin≤v_b≤v_bmax；式中，v_b表示物流自动分拣系统中输送设备的运行速度；v_bmin表示物流自动分拣系统中输送设备允许的最小运行速度；v_bmax表示物流自动分拣系统中输送设备允许的最大运行速度；

所述求解该问题模型的仿真优化框架具体描述为：

该框架由初始化、仿真优化和数据处理三个模块构成；初始化模块对所建模型的输送设备参数、控制参数、货物信息和算法参数等进行初始化操作，并生成初始种群；然后将初始种群反馈给仿真优化模块的算法模型，由算法模型控制仿真模型进行寻优迭代；最后由数据处理模块对仿真优化模块得到的数据进行统计、评估，若满足算法终止条件，则输出优化解集，并对优化解集解码后生成优化方案供决策者选择；若不满足算法终止条件，则更新种群编码并反馈给仿真优化模块继续进行寻优迭代；

所述多目标自适应并行狼群求解算法具体描述为：

Step1：初始化种群；

Step2：结合随机方式和反向学习策略生成最初种群和反向种群，计算各最初个体和反向个体的目标适应度值，并评估目标适应度值以确定初始种群；

Step3：将初始种群依据其目标适应度值进行Pareto非支配排序，同等级个体计算拥挤度，淘汰多余个体，并将非支配个体暂存在外部空间Ψ₁中；

Step4：对非支配个体执行狼群分类机制；

Step5：依据探狼游走机制和头狼召唤机制对分类后的探狼个体和猛狼个体并行执行局部邻域搜索机制和启发式保优策略，并计算游走后种群和召唤后种群的目标适应度值；

Step6：依据猛狼围攻机制对探狼游走后的探狼个体和头狼召唤后的猛狼个体共同执行全局邻域搜索机制和启发式保优策略，计算围攻后种群的目标适应度值，并将围攻后种群暂存在外部空间Ψ₂中；

Step7：由外部空间Ψ₁和外部空间Ψ₂中的种群组成新种群，对新种群依据对应目标适应度值进行Pareto非支配排序，同等级个体计算拥挤度，淘汰多余个体；

Step8：判断是否满足终止条件，若满足，则进入Step9；若不满足，则返回Step4继续迭代；

Step9：输出Pareto前沿，算法终止。

本发明的有益效果是：

1、本发明在建立物流自动分拣系统合流端多控制参数优化问题模型时综合考虑多个控制参数对物流自动分拣系统合流效率的影响，相较于考虑单一影响因素的优化方法，其适用性更好；

2、本发明所提求解问题模型的仿真优化框架能够根据不同的输入参数满足各类物流自动分拣系统合流需求，具有良好的鲁棒性；

3、本发明所建物流自动分拣系统合流端多控制参数优化问题模型针对通用物流自动分拣系统合流端实际运行工况建立，具有较好的实用性和通用性，能够广泛应用于各行业相关系统；

4、本发明所提多目标自适应并行狼群算法针对模型特点进行适应性调整和改进，能够获得较好的最优解集。

附图说明

图1为本发明的整体流程图；

图2为本发明所提求解问题模型的仿真优化框架结构图；

图3为本发明所提多目标自适应并行狼群算法流程图；

图4为本发明所提物流自动分拣系统合流端多控制参数优化问题示意图；

图5为本发明所提多目标自适应并行狼群算法初始化编码示意图。

具体实施方式

实施例1：如图1-5所示，一种物流自动分拣系统合流端多控制参数优化方法，首先建立物流自动分拣系统合流端多控制参数优化问题模型；然后构建求解该问题模型的仿真优化框架；最后设计多目标自适应并行狼群算法进行求解；

物流自动分拣系统合流端多控制参数优化问题模型建立的依据是虚拟视窗技术及虚拟视窗控制方式、收集带式输送机运行速度、虚拟视窗长度及同时开放注入带式输送机数量等控制参数对物流自动分拣系统合流效率的影响；该问题模型描述如下：

以各注入至收集带式输送机上货物的平均等待时间最短为原则，建立第一优化目标如下：

式中，F₁表示各注入至收集带式输送机上货物的平均等待时间；i∈{1,2,…,l}，表示注入带式输送机编号，l表示注入带式输送机的最大编号；k_i∈{1,2,…,x_i}，表示注入带式输送机i上的货物编号，x_i表示注入带式输送机i上的最大货物编号；

表示注入带式输送机i上第k_i个货物注入收集带式输送机的等待时间；

以物流自动分拣系统的分拣设备和输送设备的总能耗最低为原则，建立第二优化目标如下：

式中，F₂表示物流自动分拣系统的分拣设备和输送设备的总能耗；a∈{1,2,…,m}，表示物流自动分拣系统的分拣设备编号，m表示物流自动分拣系统的最大分拣设备编号；E_a表示物流自动分拣系统分拣设备a的能耗；b∈{1,2,…,n}，表示物流自动分拣系统的输送设备编号，n表示物流自动分拣系统的最大输送设备编号；E_b表示物流自动分拣系统输送设备b的能耗；

同时还需要满足如下约束条件：

式中，

表示注入带式输送机i上第k_i个货物的长度；

表示注入带式输送机i上第k_i个货物的宽度；

表示注入带式输送机i上第k_i个货物的高度；

表示注入带式输送机i上第k_i个货物允许的最大体积；该式确保货物的体积符合物流自动分拣系统分拣和输送要求；

式中，

表示注入带式输送机i上第k_i个货物的重量；G_max表示货物允许的最大重量；该式确保货物的重量符合物流自动分拣系统分拣和输送要求；

式中，

表示注入带式输送机i可同时服务的货物数量；该式确保每个注入带式输送机只可同时服务一个货物；

式中，

表示系统中需分拣的第一个货物的到达时间；T_start表示仿真模型设定的开始时间；该式确保仿真模型设定的开始时间小于系统中需分拣的第一个货物的到达时间；

式中，

表示系统中需分拣的最后一个货物的到达时间；T_end表示仿真模型设定的结束时间；该式确保仿真模型设定的结束时间大于系统中需分拣的最后一个货物的到达时间；

式中，

表示货物k_i实际注入的虚拟视窗；

表示货物k_i实际申请的虚拟视窗；该式确保货物实际注入的虚拟视窗与所申请的虚拟视窗相匹配；

N_W-e≠0；式中，N_W-e表示系统中空虚拟视窗的数量；该式确保货物一定能申请到视窗；

式中，

表示每一个虚拟视窗可同时服务的货物数量；该式确保每一个虚拟视窗至多可注入一个货物；

L_Wmin≤L_W≤L_Wmax；式中，L_W表示虚拟视窗W的长度；L_Wmin表示虚拟视窗W允许的最小长度；L_Wmax表示虚拟视窗W允许的最大长度；该式确保虚拟视窗的长度符合物流自动分拣系统实际设计要求；

M_W∈{1,2,…,h}；式中，M_W∈{1,2,…,h}，表示虚拟视窗W的控制方式集合，h表示虚拟视窗W的控制方式集合中最后一个元素；该式确保虚拟视窗控制方式在模型设定的虚拟视窗控制方式集合内选择；

N_min≤N_i≤N_max；式中，N_i表示同时开放的注入带式输送机数量；N_min表示允许同时开放的最小注入带式输送机数量；N_max表示允许同时开放的最大注入带式输送机数量；该式确保同时开放的注入带式输送机数量符合物流自动分拣系统实际设计要求；

v_bmin≤v_b≤v_bmax；式中，v_b表示物流自动分拣系统中输送设备的运行速度；v_bmin表示物流自动分拣系统中输送设备允许的最小运行速度；v_bmax表示物流自动分拣系统中输送设备允许的最大运行速度；该式确保物流自动分拣系统中输送设备的运行速度符合物流自动分拣系统实际设计要求；

本发明考虑的关键控制参数具体描述为：

(1)虚拟视窗控制方式：M_W

本发明根据物流自动分拣系统实际设计约束构建的虚拟视窗控制方式如下：

①.指定虚拟视窗控制方式；

②.混合指定、随机虚拟视窗控制方式；

③.随机虚拟视窗控制方式。

(2)收集带式输送机运行速度：v_b

(3)虚拟视窗长度：L_W

(4)同时开放注入带式输送机数量：N_i

所述求解该问题模型的仿真优化框架具体描述为：

该框架由初始化、仿真优化和数据处理三个模块构成；初始化模块对所建模型的输送设备参数、控制参数、货物信息和算法参数等进行初始化操作，并生成初始种群；然后将初始种群反馈给仿真优化模块的算法模型，由算法模型控制仿真模型进行寻优迭代；最后由数据处理模块对仿真优化模块得到的数据进行统计、评估，若满足算法终止条件，则输出优化解集，并对优化解集解码后生成优化方案供决策者选择；若不满足算法终止条件，则更新种群编码并反馈给仿真优化模块继续进行寻优迭代；

所述多目标自适应并行狼群求解算法具体描述为：

根据本发明所建物流自动分拣系统合流端多控制参数优化问题模型，本发明所提多目标自适应并行狼群算法对狼群个体的编码、初始种群生成方式及狼群智能行为机制等进行设计，并通过Pareto非支配排序进行寻优迭代以获得最优解集；该多目标自适应并行狼群算法包括如下步骤：

Step1：初始化种群；

在编码方式上本发明提出混合整实数单链编码，第Ⅰ段表示虚拟视窗控制方式，从虚拟视窗控制方式集合中选取；第Ⅱ段表示收集带式输送机运行速度(单位：m·s^-1)，从实数[v_jmin,v_jmax]中取值；第Ⅲ段表示虚拟视窗长度(单位：m)，从实数[L_Wmin,L_Wmax]中取值；第Ⅳ段表示同时开放注入带式输送机数量(单位：个)，从整数[N_min,N_max]中取值；因种群中每个个体的适应度值通过仿真获得而非函数，为便于确定多目标自适应并行狼群算法在寻优过程中各种群中个体是否需更新，在编码中增加两个编码位，即第Ⅴ段和第Ⅵ段编码，分别表示两个优化目标F₁和F₂的适应度值；同时，考虑到多目标自适应并行狼群算法在迭代过程中，当前代与前一代种群之间可能会有一部分个体是相同的，尤其在迭代后期算法收敛时，当前代与前一代种群中个体间的差异更小；因此，在编码时增加第Ⅶ段编码，将其定义为标识位，从二进制数0或1中取值；若当前代与前一代种群中有相同个体，则无需启动该个体的再次仿真，缩短该部分时间将有效提高仿真优化效率，目标适应度值从前一代种群中对应个体的对应编码位取值即可，将标识位置为1；若无相同个体，则置标识位为0；由笛卡尔乘积理论，由于四种控制参数之间的独立性，每个个体都要存在以上四种控制参数，且每个控制参数只能存在对应控制参数集合中的一种；

Step2：结合随机方式和反向学习策略生成最初种群和反向种群，计算各最初个体和反向个体的目标适应度值，并评估目标适应度值以确定初始种群；

Step3：将初始种群依据其目标适应度值进行Pareto非支配排序，同等级个体计算拥挤度，淘汰多余个体，并将非支配个体暂存在外部空间Ψ₁中；

Step4：对非支配个体执行狼群分类机制；

选择Pareto前沿面上F₁最小的一个个体定义为第一个头狼个体；选择Pareto前沿面上除第一个头狼个体外F₂最小的一个个体定义为第二个头狼个体，若同时出现多个F₁或F₂最小，则随机选择其中一个；其次，按照探狼比例因子β随机选择[y/(β+1),y/β]之间的整数S_num作为探狼个体数，其中y表示当代种群的个体总数；剩余的个体定义为猛狼个体；

Step5：依据探狼游走机制和头狼召唤机制对分类后的探狼个体和猛狼个体并行执行局部邻域搜索机制和启发式保优策略，并计算游走后种群和召唤后种群的目标适应度值；

在游走机制中引入自适应游走概率机制，由下式确定其游走概率；

式中，P_m表示自适应游走概率；

分别表示游走前期和后期的游走概率，d表示当前迭代次数，d_max表示最大迭代次数；

由探狼个体执行游走机制，引入自适应局部邻域搜索机制和启发式保优策略；随机选择游走概率内各探狼个体的一个编码位按照对应编码方式随机生成一个与原编码不同的编码，计算游走后各探狼个体的目标适应度值；该机制中若头狼个体更新，则将原头狼个体视为探狼个体；

由猛狼个体执行召唤机制，由于在围猎过程中各猛狼个体要迅速向头狼个体靠拢，因此在召唤机制中对猛狼个体执行自适应局部邻域搜索机制和启发式保优策略；各猛狼个体与随机一个头狼个体的所有编码位进行比较，将猛狼个体的随机两个编码位替换为头狼个体的对应编码，并计算各猛狼个体召唤后的目标适应度值；该机制中若头狼个体更新，则将原头狼个体视为猛狼个体；

Step6：依据猛狼围攻机制对探狼游走后的探狼个体和头狼召唤后的猛狼个体共同执行全局邻域搜索机制和启发式保优策略，计算围攻后种群的目标适应度值，并将围攻后种群暂存在外部空间Ψ₂中；

由探狼游走后的所有探狼个体和头狼召唤后的所有猛狼个体共同执行围攻机制；引入自适应全局邻域搜索机制和启发式保优策略，各探狼个体与随机一个头狼个体的编码位进行比较，各猛狼个体与另外一个头狼个体的编码位进行比较，将随机两个编码与对应头狼个体对应编码位的不同编码交换，并计算围攻后种群的目标适应度值；

Step7：由外部空间Ψ₁和外部空间Ψ₂中的种群组成新种群，对新种群依据对应目标适应度值进行Pareto非支配排序，同等级个体计算拥挤度，淘汰多余个体；

Step8：判断是否满足终止条件，若满足，则进入Step9；若不满足，则返回Step4继续迭代；

Step9：输出Pareto前沿，算法终止；

问题设置：以设计有两条收集带式输送机、输送机左右两侧各有10个注入带式输送机的物流自动分拣系统为研究对象；进行为期5天、货物总量为43265个的分拣任务；虚拟视窗控制方式M_W由指定虚拟视窗控制方式、随机虚拟视窗控制方式和混合指定、随机虚拟视窗控制方式组成；收集带式输送机运行速度v_b在[0.6,1.5]之间取值，单位：m/s；虚拟视窗长度L_W在[1.5,3.0]之间取值，单位：m；同时开放注入带式输送机数量N_i在[10,20]之间取值，单位：个；

算法参数设置：算法参数设置由正交实验确定，其中种群规模y＝70，探狼比例因子β＝3，探狼游走前期和后期的游走概率

最大迭代次数d_max＝200；

表1给出5天规模下本方法所求得的Pareto解集；

表1 5天规模下求得的Pareto解集

目标值	1	2	3	4	5	6	7
								F<sub>1</sub>	1.386	1.427	1.635	2.006	2.097	2.163	2.241
F<sub>2</sub>	3488.16	3206.15	3202.06	3189.28	3153.93	3144.97	3142.36

以上结合附图对本发明的具体实施方式进行详细说明，但是本发明并不限于上述实施方式，在本领域技术人员具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (1)

1.一种物流自动分拣系统合流端多控制参数优化方法，其特征在于：首先建立物流自动分拣系统合流端多控制参数优化问题模型；然后构建求解该问题模型的仿真优化框架；最后设计多目标自适应并行狼群算法进行求解；

物流自动分拣系统合流端多控制参数优化问题模型建立的依据是虚拟视窗技术及虚拟视窗控制方式、收集带式输送机运行速度、虚拟视窗长度及同时开放注入带式输送机数量等控制参数对物流自动分拣系统合流效率的影响；该问题模型描述如下：

以各注入至收集带式输送机上货物的平均等待时间最短为原则，建立第一优化目标如下：

式中，F₁表示各注入至收集带式输送机上货物的平均等待时间；i∈{1,2,…,l}，表示注入带式输送机编号，l表示注入带式输送机的最大编号；k_i∈{1,2,…,x_i}，表示注入带式输送机i上的货物编号，x_i表示注入带式输送机i上的最大货物编号；

表示注入带式输送机i上第k_i个货物注入收集带式输送机的等待时间；

以物流自动分拣系统的分拣设备和输送设备的总能耗最低为原则，建立第二优化目标如下：

式中，F₂表示物流自动分拣系统的分拣设备和输送设备的总能耗；a∈{1,2,…,m}，表示物流自动分拣系统的分拣设备编号，m表示物流自动分拣系统的最大分拣设备编号；E_a表示物流自动分拣系统分拣设备a的能耗；b∈{1,2,…,n}，表示物流自动分拣系统的输送设备编号，n表示物流自动分拣系统的最大输送设备编号；E_b表示物流自动分拣系统输送设备b的能耗；

同时还需要满足如下约束条件：

式中，

表示注入带式输送机i上第k_i个货物的长度；

表示注入带式输送机i上第k_i个货物的宽度；

表示注入带式输送机i上第k_i个货物的高度；

表示注入带式输送机i上第k_i个货物允许的最大体积；

式中，

表示注入带式输送机i上第k_i个货物的重量；G_max表示货物允许的最大重量；

式中，

表示注入带式输送机i可同时服务的货物数量；

式中，

表示系统中需分拣的第一个货物的到达时间；T_start表示仿真模型设定的开始时间；

式中，

表示系统中需分拣的最后一个货物的到达时间；T_end表示仿真模型设定的结束时间；

式中，

表示货物k_i实际注入的虚拟视窗；

表示货物k_i实际申请的虚拟视窗；

N_W-e≠0；式中，N_W-e表示系统中空虚拟视窗的数量；

式中，

表示每一个虚拟视窗可同时服务的货物数量；

L_Wmin≤L_W≤L_Wmax；式中，L_W表示虚拟视窗W的长度；L_Wmin表示虚拟视窗W允许的最小长度；L_Wmax表示虚拟视窗W允许的最大长度；

M_W∈{1,2,…,h}；式中，M_W∈{1,2,…,h}，表示虚拟视窗W的控制方式集合，h表示虚拟视窗W的控制方式集合中最后一个元素；

N_min≤N_i≤N_max；式中，N_i表示同时开放的注入带式输送机数量；N_min表示允许同时开放的最小注入带式输送机数量；N_max表示允许同时开放的最大注入带式输送机数量；

v_bmin≤v_b≤v_bmax；式中，v_b表示物流自动分拣系统中输送设备的运行速度；v_bmin表示物流自动分拣系统中输送设备允许的最小运行速度；v_bmax表示物流自动分拣系统中输送设备允许的最大运行速度；

所述求解该问题模型的仿真优化框架具体描述为：

该框架由初始化、仿真优化和数据处理三个模块构成；初始化模块对所建模型的输送设备参数、控制参数、货物信息和算法参数等进行初始化操作，并生成初始种群；然后将初始种群反馈给仿真优化模块的算法模型，由算法模型控制仿真模型进行寻优迭代；最后由数据处理模块对仿真优化模块得到的数据进行统计、评估，若满足算法终止条件，则输出优化解集，并对优化解集解码后生成优化方案供决策者选择；若不满足算法终止条件，则更新种群编码并反馈给仿真优化模块继续进行寻优迭代；

所述多目标自适应并行狼群求解算法具体描述为：

Step1：初始化种群；

Step2：结合随机方式和反向学习策略生成最初种群和反向种群，计算各最初个体和反向个体的目标适应度值，并评估目标适应度值以确定初始种群；

Step3：将初始种群依据其目标适应度值进行Pareto非支配排序，同等级个体计算拥挤度，淘汰多余个体，并将非支配个体暂存在外部空间Ψ₁中；

Step4：对非支配个体执行狼群分类机制；

Step5：依据探狼游走机制和头狼召唤机制对分类后的探狼个体和猛狼个体并行执行局部邻域搜索机制和启发式保优策略，并计算游走后种群和召唤后种群的目标适应度值；

Step6：依据猛狼围攻机制对探狼游走后的探狼个体和头狼召唤后的猛狼个体共同执行全局邻域搜索机制和启发式保优策略，计算围攻后种群的目标适应度值，并将围攻后种群暂存在外部空间Ψ₂中；

Step7：由外部空间Ψ₁和外部空间Ψ₂中的种群组成新种群，对新种群依据对应目标适应度值进行Pareto非支配排序，同等级个体计算拥挤度，淘汰多余个体；

Step8：判断是否满足终止条件，若满足，则进入Step9；若不满足，则返回Step4继续迭代；

Step9：输出Pareto前沿，算法终止。

Images