熱軋生產(chǎn)計(jì)劃與負(fù)荷分配的多目標(biāo)群智能算法研究.pdf

1、近年來(lái)，隨著鋼鐵行業(yè)競(jìng)爭(zhēng)的日益加劇，降低生產(chǎn)成本、提高產(chǎn)品質(zhì)量成為鋼鐵企業(yè)追求的目標(biāo)。熱軋是鋼鐵生產(chǎn)過(guò)程中的關(guān)鍵工序之一，其中存在兩個(gè)重要的優(yōu)化問(wèn)題:熱軋生產(chǎn)計(jì)劃與負(fù)荷分配。優(yōu)化熱軋生產(chǎn)計(jì)劃對(duì)提高生產(chǎn)效率、降低生產(chǎn)成本有著重要的意義，而優(yōu)化熱軋負(fù)荷分配則是提高產(chǎn)品質(zhì)量的重要途徑。因此，研究熱軋生產(chǎn)計(jì)劃與負(fù)荷分配的優(yōu)化方法具有重要的現(xiàn)實(shí)意義。
　　 熱軋生產(chǎn)計(jì)劃與負(fù)荷分配本質(zhì)上屬于多目標(biāo)優(yōu)化問(wèn)題，以往文獻(xiàn)大都通過(guò)加權(quán)法將其轉(zhuǎn)化為單

2、目標(biāo)優(yōu)化問(wèn)題，然后使用單目標(biāo)優(yōu)化算法求解，存在的問(wèn)題是目標(biāo)權(quán)重往往很難確定，特別是在目標(biāo)數(shù)量級(jí)不一致的情形下。鑒于單目標(biāo)優(yōu)化方法的局限性，本文使用多目標(biāo)群智能算法來(lái)優(yōu)化熱軋生產(chǎn)計(jì)劃與負(fù)荷分配問(wèn)題，不僅避免了目標(biāo)權(quán)重的選擇，且算法一次運(yùn)行便可產(chǎn)生多個(gè)Pareto最優(yōu)解，給決策者帶來(lái)了更大的決策自由度。
　　 針對(duì)熱軋生產(chǎn)計(jì)劃與負(fù)荷分配問(wèn)題，首先設(shè)計(jì)了一種基于Maximin適應(yīng)度函數(shù)的多目標(biāo)群智能算法框架，其基本思想是在保證優(yōu)化性能

3、的同時(shí)，盡量降低算法復(fù)雜度。在多目標(biāo)群智能算法中，適應(yīng)度分配、精英保留、多樣性保留是最重要的三個(gè)機(jī)制，該算法框架利用Maximin適應(yīng)度函數(shù)具有的“識(shí)別”非支配解與“獎(jiǎng)勵(lì)”分散解、“懲罰”聚集解的特性，在對(duì)其改進(jìn)的基礎(chǔ)上，使用Maximin適應(yīng)度函數(shù)進(jìn)行了適應(yīng)度分配、精英保留與多樣性保留，并提出了一種混合多樣性保留策略，提高了算法的多樣性能，同時(shí)通過(guò)引入一個(gè)二維數(shù)組存儲(chǔ)Min適應(yīng)度，使得該算法框架的計(jì)算復(fù)雜度降低為O（mN2），體現(xiàn)了“

4、以空間換取時(shí)間”的思想。
　　 針對(duì)熱軋生產(chǎn)計(jì)劃優(yōu)化問(wèn)題，本文將其歸結(jié)為多目標(biāo)獎(jiǎng)金收集車輛路徑問(wèn)題(PCVRP)模型，該模型兼具板坯選擇與排程的功能。在此基礎(chǔ)上提出了一種Pareto最大最小螞蟻系統(tǒng)算法(P-MMAS)來(lái)優(yōu)化該模型。P-MMAS在最大最小螞蟻系統(tǒng)算法的基礎(chǔ)上，重新設(shè)計(jì)了狀態(tài)轉(zhuǎn)移策略、信息素更新策略、局部搜索策略及信息素平滑機(jī)制，并使用基于Maximin適應(yīng)度函數(shù)的多目標(biāo)群智能算法框架進(jìn)行適應(yīng)度分配、精英保留與多樣

5、性保留。在此基礎(chǔ)上，設(shè)計(jì)了熱軋生產(chǎn)計(jì)劃的多目標(biāo)優(yōu)化方法:首先在滿足軋制規(guī)程約束的基礎(chǔ)上，使用P-MMAS算法在最小化相鄰板坯間跳躍懲罰的同時(shí)，使收集的獎(jiǎng)金盡可能多（即盡可能處理優(yōu)先級(jí)高的板坯），由此得到一組非支配解;然后使用TOPSIS多目標(biāo)決策方法選擇其中的一個(gè)解作為最終的生產(chǎn)計(jì)劃。
　　 針對(duì)熱軋負(fù)荷分配問(wèn)題，本文建立了綜合考慮軋制力裕量均衡、軋輥磨損控制與板形控制等因素的多目標(biāo)優(yōu)化模型，并提出了一種基于局部搜索的多目標(biāo)粒子

6、群算法(LS-MOPSO)進(jìn)行優(yōu)化。該算法在多目標(biāo)優(yōu)化中引入局部搜索策略，通過(guò)構(gòu)造局部搜索聚合函數(shù)，并使用數(shù)學(xué)規(guī)劃方法求解以加速算法收斂到Pareto最優(yōu)解。此外，使用基于Maximin適應(yīng)度函數(shù)的多目標(biāo)群智能算法框架進(jìn)行適應(yīng)度分配、精英保留與多樣性保留。為避免粒子群算法早熟收斂，算法中引入了高斯變異算子。最后，為處理負(fù)荷分配優(yōu)化模型中的約束條件，提出了一種有效的約束處理方法。研究表明使用LS-MOPSO不僅能獲得比經(jīng)驗(yàn)負(fù)荷分配方法更好