[发明专利]基于混合算法的熔炼车间生产和运输协同优化方法及系统

说明书

本发明提供一种基于混合算法的熔炼车间生产和运输协同优化方法及系统，涉及车间调度优化技术领域。本发明针对熔炼车间的生产和运输协同优化问题，提出了基于BRKGA算法和TSA算法的混合算法。首先基于随机键的编码方式将航空部件编号和实数编码一一对应，确定部件的熔炼和运输顺序，其次利用模具箱载满原则，从而计算所有部件从0到运输到下一阶段前的跨度，并由此计算Tc。然后，依据BRKGA算法的基本思想，随机初始化染色体种群，通过种群分类、基于TSA算法的交叉和变异操作，不断对染色体种群进行迭代更新，最终求得近似最优解。本技术方案使得求解过程更加高效准确，提高了企业的生产效率，降低企业能源消耗。

技术领域

本发明涉及熔炼车间优化调度技术领域，具体涉及一种基于混合算法的熔炼车间生产和运输协同优化方法及系统。

背景技术

熔炼车间为带有真空感应熔炼炉的生产车间，其熔炼对象一般为航天航空等高端宇航装备亟需的特殊钢和合金等材料。熔炼车间的流程可以概括为给料、熔炼、浇铸、冷却、运输等环节，如何针对该流程提出合理的多级作业的联动优化调度方案，不仅可以提高企业生产效率，还能降低企业能源消耗，对于企业意义重大。

目前，对于熔炼车间的多级作业的联动优化调度方案，一般都是根据实际生产需要，设定一个目标函数，然后利用相关算法(如遗传算法等)对熔炼车间的流程进行优化，从而获得最终优化结果，并按照这个优化结果执行生产调度。

然而，目前在对熔炼车间的多级作业的联动优化调度方案进行求解时，所运用的算法存在一定的缺陷，导致优化调度结果求解效率低，或者求解结果不够准确。例如，偏随机键遗传算法(Biasedrandom-key genetic algorithm，BRKGA)，虽然能够在一定程度上避免算法过早地收敛，但其并没有引入最优解的导向功能，在一定程度上影响了算法的收敛速度；而树种算法(Tree-seed algorithm，TSA)，其虽然能够有效地控制算法的搜索方向，但算法在运行后期难以避免会陷入局部最优的困境。基于此，本发明拟提出一种基于混合算法的熔炼车间生产和运输协同优化调度方法，以解决现有熔炼车间在多级作业联动优化调度时存在优化调度结果求解效率低且不准确的问题。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于混合算法的熔炼车间生产和运输协同优化方法及系统，解决了现有熔炼车间的多级作业联动优化调度技术存在优化调度结果求解效率低且不准确的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，本发明首先提出了一种基于混合算法的熔炼车间生产和运输协同优化方法，所述方法包括：

S1、初始化BRKGA算法和TSA算法的相关参数以及种群；所述相关参数包括BRKGA算法的种群规模N、精英个体比例α、变异个体比例β、变异概率δ，基于TSA算法的迭代算子中树种产生比例γ，搜索趋势控制参数ST，算法运行过程中产生新解的最大个数Mit；航空部件当前批次数k＝1；第k批航空部件的开始熔炼时间start_k＝0；熔炼车间共需要处理的航空部件的个数n；载有模具的冷却室最多可以同时放置的模具的个数m；第l个航空部件的模具大小s_l，其中，l＝1,2,...,n；熔炼炉内坩埚容量V；单位尺寸的冷却时间p_l，其中，l＝1,2,...,n；单位时间内熔炼车间的能耗c；

S2、计算当前种群内各个染色体的适应度函数值，并将适应度函数值最好的α个个体划分为精英个体组，剩余个体划分为非精英个体组；

S3、保留所述精英个体，并对所述非精英个体组执行基于TSA算法的交叉操作；

S4、计算更新后种群内各个染色体的适应度函数值，并将更新后适应度函数值处于倒数βN个的所述更新后非精英个体组执行基于TSA算法的变异操作；