[发明专利]一种啤酒生产调度优化方法

摘要

本发明涉及涉及一种啤酒工业生产调度优化方法。目前，啤酒生产企业生产调度仍然依靠人工经验的方法来确定，虽然基本可以满足生产的要求，但是原料消耗高、设备利用率低、清酒等中间产品存储量常常无法控制。本发明步骤是：获取获取啤酒生产设备的性能指标；根据生产计划确定生产调度目标；根据设备性能指标以及生产调度目标建立基于离散时间表达的啤酒调度生产模型；利用自适应协同优化算法的方法对啤酒生产调度模型进行优化，最终求解生产调度方案。本发明具有开放性、鲁棒性、全局收敛性、高效性以及优化结果精确可靠等特点。

主权项

一种啤酒生产调度优化方法，其特征在于，该方法具体包括以下的步骤：步骤1：获取啤酒生产设备的加工时间、加工能力上下限、存储容量上限、以及作业产出/消耗比例系数，这些设备性能指标通过设备商或者通过生产过程中统计获取；啤酒生产设备包括糊化锅、糖化锅、过滤槽、煮沸锅和发酵罐；步骤2：根据市场需求以及啤酒企业的生产计划确定生产调度目标，即各类型啤酒的成品需求量、以及所需总调度时段T；确定生产目标的同时确定当前各设备生产状态以及已有存储量；步骤3：通过步骤1与步骤2获得的设备性能指标以及生产调度目标建立基于离散时间表达的啤酒调度生产模型，确定约束条件与目标函数；①设备分配约束条件：ΣlXlit≤1,∀i∈I,l∈L,t∈T]]>ΣlΣtt+τli-1Xlit-1≤M(1-Xlit),∀i∈I,l∈L,t∈T]]>式中：0/1变量Xlit表示在调度时段t是否在设备i上开始任务l，I为加工设备合集，L为设备的任务合集，一种啤酒类型就代表一种任务，T为调度时段的合集，τli为设备i处理任务l的所需时间，M为大于10000的整数；②设备加工能力约束条件：Xlit·υlin≤Blit≤Xlit·υliu]]>式中：变量Blit表示在调度时段t设备i对应任务l的加工量，与依次表示设备i对应任务l的最小加工量与最大加工量，为保证啤酒设备生产效率以及能源使用率，不低于的80％；③存储容量约束条件：0≤SIjt≤stju]]>式中：变量SIjt表示调度时间段t末物料j的库存量，为物料j的存储容量上限；④物料平衡约束条件：SIjt=SIjt-1+Σlθjl·ΣlBli(t-τli)-Σlθ‾jl·ΣiBlit]]>式中：θjl为任务l产出物料j的比例系数，为任务l消耗物料j的比例系数；⑤优化目标函数：啤酒工业生产调度的主要目的是在完成指定各啤酒类型需求生产量的前提下使在制品最少，即各时间段各物料j的库存量最小，故设定以下目标函数作为评估模型：minf=ΣtΣjSIjt+Σl(Wl-θj′lBli′t′)2]]>式中：Wl表示任务l的需求产量，j'表示各任务最末工序的物料，i'表示最末工序设备，t'表示最后一个时间段；步骤4：利用自适应协同优化算法的方法对啤酒生产调度模型进行优化，最终求解生产调度方案；具体步骤如下：①对啤酒生产调度模型进行分解生成学科级与系统级模型：以单日生产调度为单位划分为各学科级模型，生产调度总日数即为学科级个数，具体模型如下：minFx(Xk)=ω1kfk+ω2kJk,k=1,2,...,ns.t.gk(Xk)≤0]]>式中：Fk(Xk)表示学科级模型目标函数，fk表示子学科目标函数，即为步骤3‑⑤所列出的优化目标函数；Jk表示一致性约束由系统级分配；k表示各学科级，n由学科级个数决定；s.t.gk(Xk)≤0表示所有约束，即为步骤3‑①、步骤3‑②、步骤3‑③、步骤3‑④所列出的等式与不等式约束；其中ω1k,ω2k为自适应加权因子：ω1k=1-cρk(m)ω2k=cρk(m),(0≤c<1)]]>其中c为一常数，为协同不一致性因子由步骤4‑③求得；系统级模型具体如下：minF(Z)s.t.Jk(w)=Σq=1sk(wq-ykq*)2≤ϵkZ={z,w},k=1,2,...,n]]>式中：F(Z)表示系统级目标函数，变量w表示耦合变量的集合、变量z表示非耦合变量的集合；在啤酒工业生产调度中，耦合变量即为单日最末时段加工量Bli't'，其余变量为非耦合变量；sk表示第k个子学科耦合设计变量的个数，wq表示表示第q个耦合变量，表示第k个子学科的第q个耦合设计变量的优化结果；εk表示动态松弛因子由步骤4‑③求得；②设置系统级初始点，即耦合变量w与非耦合变量z，初始变量设为零；③计算协同不一致性因子以及动态松弛因子εk：ρk(m)=||w*(m-1)-yk*(m)||,k=1,2,...,n]]>w*(m‑1)表示第m‑1次迭代后系统级最优设计点，代表第m次迭代后第k个学科的最优设计点；d(m)=max||yk*(m)-yq*(m)||,k,q=1,2,...,n]]>λk(m)=b(1-aρk(m)),0≤a≤1,0.5≤b≤1]]>ϵk=(λk(m)d(m))2]]>在第m次迭代，定义学科间最大不一致性d(m)，代表第m次迭代后第q个耦合设计变量的最优点；以作为先验信息得到第m次迭代中的a、b为常数；④将步骤4‑③中计算所得的协同不一致性因子带入步骤4‑①中所得的各学科级模型，并进行优化求解，求解算法使用成熟稳定的分枝定界法；⑤将步骤4‑③中计算所得的动态松弛因子εk带入步骤4‑①所得的系统级模型，同时将步骤4‑④中所得的学科级最优设计点传递至系统级中；得到系统级优化方程后进行求解，求解算法同样使用分枝定界法；⑥求解协同不一致性因子均值ρk(m)‾=Σkρk(m)n]]>其中n为学科级个数；对求得的协同不一致性因子均值进行判断，若则转至步骤4‑⑦，否则继续循环进行步骤4‑③～步骤4‑⑥；D为常数；⑦修改步骤4‑①中的模型为带松弛因子的标准协同优化算法继续优化，去除学科级目标函数fk以及动态松弛因子εk；修改后的模型如下：系统级：{minF(Z)s.t.Jk(w)=Σq=1sk(wq-ykq*)2≤ϵZ={z,w},k=1,2,...,n]]>学科级：{minFk(Xk)=Jks.t.gk(Xk)≤0,k=1,2,...,n]]>其中ε为常数取0.0001；将修改好的模型迭代求解，求解方法与步骤4‑④、步骤4‑⑤步相同；⑧将两次迭代间系统级目标函数的值进行对比，若则满足收敛条件停止求解，F(Z)m表示第m次迭代后系统级目标函数值，此时求得的各学科级最优解即为啤酒工业生产调度方案；其中e为常数取值为10‑6。