[发明专利]一种多目标优化的炼焦煤料的制备过程的优化调度方法

权利要求书

1.一种多目标优化的炼焦煤料的制备过程的优化调度方法，其特征在于：通过确定多目标优化的炼焦煤料的制备过程的调度模型和优化目标，并使用基于改进的“教”与“学”的优化算法的优化调度方法对优化目标进行优化；其中调度模型根据每台设备所加工煤料的最大完工时间及能量损耗约束而建立，同时第一优化目标为最小化最大完工时间f₁＝C_max(π)，第二个优化目标为最小化总能量损耗f₂＝TEC：

min{f₁,f₂}＝min{C_max(π),TEC}

TEC＝E_b+E_u

C_jⁱ_，m＝PST_jⁱ+TP_jⁱ，i＝1，...，n

L_j^i-1_,jⁱ＝ML_j^i-1_,jⁱ_,m+TP_j^i-1-TP_jⁱ,i＝1,...,n

其中，生产车间设备数为m，煤料品种数为n，每种煤料i∈(1,...,n)需要在设备满足工件加工约束时加工；煤料的加工时间与加工设备有关，任何设备l∈(1,...,m)同一时刻只能加工一种煤料；设备在加工不同煤料时，需要设置时间，设置时间依赖于煤料间的加工顺序π＝[j¹,j²,...,jⁿ]，即π＝[j¹,j²,...,jⁿ]为待加工的n种煤料的排列，jⁿ∈(1,2,....,n)表示某一煤料jⁿ的排序；C_jⁱ_，m为煤料jⁱ在最后一台设备上的总完工时间，C_jⁱ_，l为煤料jⁱ在设备l上的完工时间；E_b为设备运转时的基本能量损耗，E_u为设备空闲时段的能量损耗；PST_jⁱ为煤料jⁱ在第一台设备的开始加工时间，TP_jⁱ为煤料jⁱ在所有设备上的总加工时间；ML_j^i-1_,jⁱ_,l为煤料j^i-1和jⁱ在设备l上的最小延迟，则ML_j^i-1_,jⁱ_,m为煤料j^i-1和jⁱ在最后一台设备上的最小延迟，AT_jⁱ为煤料jⁱ的到达时间，L_j^i-1_,jⁱ为煤料j^i-1和jⁱ在第一台设备上的开始加工时间之差且L_j⁰_,j¹＝0；P_jⁱ_,l为煤料jⁱ在设备l上的加工时间且P_j⁰_,l＝0，ST_j^i-1_,jⁱ_,l为煤料j^i-1与jⁱ之间在设备l上的序相关设置时间且ST_j⁰_,j¹_,l＝0；X_jⁱ_,l为当设备加工煤料时为1，否则为0；PW_jⁱ_,l为煤料jⁱ在设备l上的功率损耗；E_l为设备关闭到开启的能量损耗，T₀为机器空闲时间，T_off-on为设备关闭到开启需要的时间；

所述改进的“教”与“学”的优化算法的优化调度方法的具体步骤如下：

Step1、编码方式：采用基于随机键编码方式对煤料加工工序排序进行实数编码，然后利用最大顺序值规则建立实数编码和整数编码之间的一一映射关系，进而实现从实数编码X＝[x¹,x²,...,xⁿ]向煤料加工工序π＝[j¹,j²,...,jⁿ]排序的转换；

step2、种群初始化：采用随机方式初始化种群，随机生成popsize个个体，构成种群规模为popsize的初始种群，同时选择当代种群中“非支配解”作为第一代的“历史非支配解”；

step3、教师阶段：按照拥挤距离将种群最好的t个学员也就是当前迭代下的t个最优解看成教师，即并分别进行Insert操作；除教师之外的其它学员学习前的实数编码值X_old,p通过自适应教学因子学习方法进行更新，得到学习后的实数编码值X_new,p；再根据最大顺序值规则重新排序；其中，k∈(1,2,...t)；

step4、更新种群阶段：学员根据教师阶段前后的成绩进行对比：如果学习前后的两种成绩不能互为非支配解，则成绩差的被好的替代；如果学习前后的两种成绩互为非支配解，则随机选择一个作为下一代新个体；

step5、学员阶段：学员随机的与其他学员进行相互学习，并根据教师的意见不断的自我学习来获取更多的知识；然后，根据最大顺序值规则重新排序；

step6、更新种群阶段：每个学员根据学员阶段学习前后的成绩进行对比：如果学习前后的两种成绩不能互为非支配解，则成绩差的被好的替代；如果学习前后的两种成绩互为非支配解，则随机选择一个作为下一代新个体；接着更新非支配解，再根据拥挤距离选择t个教师；

成绩差的将被好的替代；

step7、终止条件：设定终止条件的最大迭代次数，如果满足，则输出“非支配解”；否则转至step3，反复迭代，直到满足终止条件；

所述自适应教学因子学习方法，具体为：X_new,p＝X_old,p+Difference；其中，X_old,p和X_new,p分别表示第p个学员学习前和学习后的值，r_p为第p个学员选取的0...1之间的随机数，为第k个教师的教学因子，且X_worst为最差解集中所有解的平均值。

2.根据权利要求1所述的多目标优化的炼焦煤料的制备过程的优化调度方法，其特征在于：所述学员随机的与其他学员进行相互学习，并根据教师的意见不断的自我学习来获取更多的知识，具体为：如果f(X_new,u)＜f(X_new,s)，X_new,u＝X_old,u+r_u·(X_new,u-X_new,s)+r_u·(X_{teacher_ave}-X_old,u)；否则，X_new,u＝X_old,u+r_u·(X_new,s-X_new,u)+r_u·(X_{teacher_ave}-X_old,u)；其中，X_new,u、X_new,s分别为随机选取的一名学员u、s学习后的值，r_u为学员u选取的0...1之间的随机数，X_{teacher_ave}为选取的t个教师的水平的平均值，f(X_new,u)和f(X_new,s)为两个学员的目标函数值。