[发明专利]一种基于人工蜂群算法的炼钢连铸调度方法

权利要求书

1.一种基于人工蜂群算法的炼钢连铸调度方法，简称为ABCMA，其特征在于，在保证种群多样性的前提下加快了种群的收敛速度，从而实现了在较短时间内产生理想的工件排序，进而指导炼钢连铸过程中的混合流水车间调度，包括以下步骤：

步骤1)设置炼钢连铸调度过程中的相关参数；

所述的相关参数包括需要加工的全部工件数目、铸件个数、每个阶段的机器数目；每个铸件包含的工件数目、铸件在第三个加工阶段所属的连铸机编号以及每个连铸机上的铸件排序；工件在每个阶段的加工时间、工件在不同阶段的传送时间、铸件的建立时间；

步骤2)对实际的炼钢连铸调度过程进行分析，其包括炼钢-精炼-连铸三个加工阶段；考虑不同约束条件对调度结果的影响，建立炼钢连铸调度过程中需要优化的目标函数，依据目标函数和各种约束条件，建立炼钢连铸调度的数学模型；

所述的炼钢连铸调度过程中需要优化的目标函数包括：工件逗留时间惩罚、第三个加工阶段铸件提前开始惩罚、第三个加工阶段铸件拖后开始惩罚；

所述的炼钢连铸调度的数学模型即综合目标函数和约束条件所得，目标函数为工件逗留时间、铸件提前/拖后执行造成的惩罚乘以惩罚系数之后的总和；所述的约束条件包括：工件在不同加工阶段之间的转换时间约束、第三个加工阶段铸件的建立时间约束、第三个加工阶段每个铸件上所有工件的连续加工约束、某一时刻一台机器只能加工一个工件并且一个工件只能在一台机器上进行加工的约束；

步骤3)根据得到的数学模型，初始化ABCMA参数，并初始化种群；

步骤4)采用ABCMA为种群中的个体产生子代个体，并采用排序值将子代个体进行离散化得到包含所有工件编号的排序；确定每台机器上的工件排序，结合炼钢连铸调度过程中的约束条件，确定每个工件在不同阶段的开始时间、完成时间，并以此来计算目标函数值；根据目标函数值，采用贪婪选择方法对种群中的个体进行更新；

所述的ABCMA包括以下步骤：

4.1)在决策空间中随机选择NP个个体构成初始种群，个体表示一个包含所有工件的排序，x_i，j是的第j个工件编号，初始化种群最大迭代次数maxcycle，蜜源舍弃参数limit，JADE算法相关参数q，c，μ_F，μ_CR，以及存档集合当前代数cycle＝0；其中，

F_i是JADE中个体的缩放因子，CR_i是JADE中个体的交叉控制参数，q用于确定种群中最好的前[q*NP]个个体，q∈(0,1]，[q*NP]是对q*NP进行四舍五入取整，c用于控制F_i和CR_i的自适应程度，μ_F和μ_CR分别为F_i和CR_i的自适应参数；

4.2)计算种群中个体的目标函数值

4.3)判断迭代次数是否达到maxcycle，若已达到则停止迭代，输出具有最小目标函数值的个体及其对应的目标函数值；否则转4.4)；

4.4)按照公式(1)(2)更新个体的CR_i值；

CR_i＝randn_i(μ_CR,0.1) (1)

μ_CR＝(1-c)*μ_CR+c*mean_A(S_CR) (2)

其中，randn_i(μ_CR,0.1)表示以μ_CR为均值、以0.1为标准差的正态分布函数；S_CR是当前代中所有成功的CR_i的集合，mean_A(·)是算术平均值；

4.5)按照公式(3)(4)更新个体的F_i值；

F_i＝randc_i(μ_F,0.1) (3)

μ_F＝(1-c)*μ_F+c*mean_L(S_F) (4)

其中，randc_i(μ_F,0.1)表示以μ_F为位置参数、以0.1为规模参数的柯西分布；S_F是当前代中所有成功的F_i的集合；mean_L(·)是莱默平均值，通过公式(5)获得：

4.6)利用公式(6)对种群中的个体进行变异操作，得到变异向量

其中，是从当前种群最好的前[q*NP]个个体中随机选择的一个个体，q∈(0,1]，[q*NP]是对q*NP进行四舍五入取整，是从当前种群中随机选出的不同于的个体，是从存档集合中随机选出的不同于和的个体；

4.7)对和采用JADE的交叉算子产生试验向量所用交叉算子为公式(7)所示的二项式交叉；

其中，j_rand是在[1,n]之间随机选择的整数，n是问题总维度，rand(0,1)是在[0,1]之间均匀分布的随机数，由于j_rand的存在能够保证不同于

4.8)计算试验向量对应的目标函数值采用贪婪选择方法对个体进行更新：若则否则保持不变；

4.9)如果替换了则将存储至集合A，将F_i和CR_i分别存储至S_F和S_CR，并且limit保持不变；否则limit＝limit+1；

4.10)如果集合A中的个体数大于NP，个体数记为|A|，则随机删除(|A|-NP)个个体；

4.11)利用公式(8)计算每个个体对应的概率p_i；

其中，是个体的目标函数值，代表了第i个食物源的花蜜量，NP是食物源的数目，也是种群中的个体数目；

4.12)依照概率p_i选择个体，利用公式(9)为选择的个体产生子代个体；

v_i,j＝x_i,j+rand(-1,1)(x_i,j-x_k,j) (9)

其中，k表示任意一个不同于i的个体编号，j∈[1,n]表示第j个维度，n是问题总维度，rand(-1,1)表示在[-1,1]之间均匀分布的随机数；

4.13)计算的目标函数值采用贪婪选择方法对个体进行更新：若则否则保持不变；

4.14)如果替换了则将存储至集合A，并且limit保持不变，否则limit＝limit+1；

4.15)如果集合A中的个体数即|A|大于NP，则随机删除(|A|-NP)个个体；

4.16)若某个个体的limit值达到了设定的上限，则将该个体删除，如果达到上限的个体有多个，则随机删除其中一个，并采用公式(10)产生一个新的个体：

v_i,j＝x_min,j+rand(0,1)(x_max,j-x_min,j) (10)

其中，j∈[1,n]表示第j个维度，n是问题总维度，x_max,j和x_min,j分别是第j维的上下限，rand(0,1)表示在[0,1]之间均匀分布的随机数；

4.17)记录具有最小目标函数值的个体及其对应的目标函数值，cycle＝cycle+1，并转至4.3)；

在上述过程中，4.4)-4.10)为雇佣蜂阶段，4.11)-4.15)为观察蜂阶段，4.16)为侦查蜂阶段；

步骤5)判断是否满足停止条件，若满足，结束运行并记录具有最小目标函数值的个体及其对应的目标函数值；否则转到步骤4)。