一種原料的調度方法及裝置的制造方法

文檔序號：10723931閱讀：538來源：國(guo)知局

一種原料的調度方法及裝置的制造方法
【專利摘要】本發明提供了一種原料的調度方法及裝置，該方法包括建立原料不確定調度模型；對原料不確定調度模型進行確定化處理，得到確定的帶約束的多目標調度模型；對確定的帶約束的多目標調度模型進行求解，得到原料調度信息，根據原料調度信息執行對混勻過程中原料的調度。通過建立原料不確定調度模型可以準確地描述實際生產過程，通過確定化和帶變異的CMOSTA算法可以求取準確度很高的原料調度信息，原料調度信息可執行性很強，根據該原料調度信息執行原料的調度，可以大大提高生產效率，以及提高產品的質量。
【專利說明】
一種原料的調度方法及裝置
技術領域
[0001] 本發明涉及物料調度技術領域，尤其涉及一種原料的調度方法及裝置。
【背景技術】
[0002] 目前，煉鐵廠在煉鐵過程中，需要根據煉鐵混勻過程的需求制定出原料調度方案，通過調度方案對煉鐵原料進行調度，以此提高煉鐵效率及保證鋼鐵的質量。
[0003] 當前，在制定原料調度方案時，技術人員根據上級部門下達的原料的計劃指標、各礦物原料的總下料量以及生產工藝約束來設定堆配比方案，并根據以往的配料經驗計算出各混勻料堆所用物料種類及相應的配比，從而確定出原料的配料方案，以滿足各車間對各混勻料堆的基本要求，并通過生成的煉鐵混勻原料成分情況調整原料的基本配料方案，當在生產過程中執行該原料的配料方案時，如果某個混勻料堆的某個成分的指標不符合要求時，技術人員則根據以往的配比經驗，調整該料堆中該成分的含量，并調整其它各料堆相應的配比以滿足生產中原料的配比要求，最后根據調整的數據對原料的配比方案進行修改，并根據修改后的原料的配比方案執行生產過程中原料的堆配比。
[0004] 由于煉鐵混勻過程所需的原料種類很多，確定原料的調度方案需要很多的人工干預，通過技術人員的經驗確定原料的配料方案時，無法考慮來料時間的不確定性，如此，導致確定出的調度方案中的原料的配比數據與實際煉鐵的配比需求之間存在很大的誤差，生產效率低且煉鐵質量差。

【發明內容】

[0005] 鑒于上述問題，提出了本發明以便提供一種克服上述問題或者至少部分地解決上述問題的一種原料的調度方法及裝置。
[0006] 依據本發明的一個方面，提供了一種原料的調度方法，所述方法包括：
[0007] 建立原料不確定調度模型；
[0008] 對所述原料不確定調度模型進行確定化處理，得到確定的帶約束的多目標調度模型；
[0009] 對所述確定的帶約束的多目標調度模型進行求解，得到原料調度信息；
[0010] 根據所述原料調度信息執行對混勻過程中原料的調度。
[0011] 可選地，所述建立原料不確定調度模型，包括：
[0012] 獲取混勻過程的配料基本信息；
[0013] 采用三角模糊數，建立異常調度對應的懲罰函數；
[0014] 根據所述配料基本信息和所述異常調度對應的懲罰函數，確定混勻過程中的目標函數；
[0015] 確定混勻過程中各種原料的約束條件；
[0016] 根據所述目標函數和所述約束條件建立原料不確定調度模型，所述原料不確定調度模型如下式(1)所示，
[0020] 式（1)中，/U_)為異常調度對應的懲罰函數;xu為決策變量，代表第j堆中所需第 i種原料的相應下料量;C1;1為第i中原料的采購價格;&(x)為生產成本，代表完成堆計劃所需原料的總花費，fi(X)為目標函數，代表最小的生產成本;m表示原料數;η表示堆數；
[0021] Ci>2為第i種原料每噸每天所需的保存費用，_為額外的存儲成本，C2(x)為總存儲成本，代表完成堆計劃期間所有原料存儲所消耗的費用，f 2(X)為目標函數，代表最小的總存儲成本；
[0022] s.t.為各種原料的約束條件，Qy為所配第j堆混合料堆中第τ種化學成分的含量指標，Ay為計劃第j堆混合料堆中第τ種化學成分的含量指標，qy為計劃第j堆混合料堆中第τ種化學成分含量指標的最大波動范圍， Sl(t)為第i種原料當前的庫存量，h為配比第j堆所堆堆重，D」為計劃中第j堆的標準堆重，為計劃中相對應仏指標的最大波動范圍， X1>J為特殊物料在j堆中摻配量;為第j堆所需第i種原料相應的下料量。
[0023] 可選地，所述對所述原料不確定調度模型進行確定化處理，得到確定的帶約束的多目標調度模型，包括：
[0024] 通過模糊模擬技術對所述原料不確定調度模型中每個含有模糊函數方程的目標函數進行處理，得到所述目標函數確定的輸入輸出樣本集；
[0025] 對所述確定的輸入輸出數據樣本集進行訓練，得到確定的帶約束的多目標調度模型。
[0026] 可選地，所述通過模糊模擬技術對所述原料不確定調度模型中每個含有模糊函數方程的目標函數進行處理，得到所述目標函數對應的確定的輸入輸出樣本集，包括：
[0027] 將每個目標函數中的懲罰函數表示為預設的模糊函數方程表示式，所述預設的模糊函數方程表示式如下式(2)所示，
[0028] ,n(X，4) (2)
[0029] 式⑵中，多為目標函數中懲罰函數對應的模糊函數，紅,"__,04表示，與父和#的函數關系，X為一組決策變量，表示原料的下料量，#為三角模糊數表示的函數參數；
[0030] 獲取三角模糊數的隸屬度函數；
[0031] 確定目標函數的一組決策變量X1，對所述三角模糊數在所述三角模糊數的隸屬度函數內抽樣，得到I的一系列抽樣值取& = 1，2,...，/〇，1(為抽樣數；
[0032] 根據所述決策變量X1和每個抽樣值0，通過公式（2)得到K個確定的輸出乂〇 = 1,2,...，夂），并求取1(個){〇 = 1,2，...，[)的平均值，得到目標函數對應于決策變量父1 的確定輸出值/;
[0033] 根據所述目標函數輸出值尹的計算方法，計算N次，得到N組輸入數據XHlil， 2，. . .，N)和對應的N組輸出數據蘆（/ = 1,2,...,TV )，將所述N組輸入數據和對應的所述N組輸出數據確定為目標函數確定的輸入輸出樣本集。
[0034] 可選地，所述對所述確定的輸入輸出數據樣本集進行訓練，得到確定的帶約束的多目標模型，包括：
[0035]將所述確定的輸入輸出數據樣本集排列為訓練數據集樣本；
[0036]對所述訓練數據集樣本，通過狀態轉移算法STA訓練神經元網絡學習過程的權重向量，逼近所述不確定調度模型中對應的目標函數，得到確定的生產成本函數和/存儲成本函數；
[0037] 根據訓練后得到的所述確定的生產成本函數和存儲成本函數建立確定的帶約束的多目標調度模型。
[0038] 可選地，所述對所述確定的帶約束的多目標調度模型進行求解，得到原料調度信息，包括：
[0039]初始化設置CM0STA算法的相關參數、Pareto最優搜索解集種群Ps、Pareto非劣解集種群Pb、最大迭代次數Gmax，最大個體違約程度值ε以及水平截集pc;
[0040] 從當前種群出發，開始當前迭代操作，對所述確定的帶約束的多目標調度模型采用CM0STA搜索策略，得到新的種群；
[0041] 判斷所述新的種群是否陷入局部最優，若是，對所述種群參數采用變異操作進行種群更新，所述局部最優為當前的Pareto非劣解集種群Ps與上一輪迭代得到的Pareto非劣解集種群P s相等時的狀態；
[0042] 判斷當前迭代次數是否達到最大迭代次數Gmax，若沒達到，將所有中間種群置空，對CM0STA搜索中得到的Pareto最優搜索解集種群Ps和Pareto非劣解集種群P B執行新一輪迭代操作，即重新搜索新種群并判斷是否需要種群更新;若達到，則輸出Pareto非劣解集種群 Pb作為搜索結果的非劣最優解集；
[0043] 通過T0PSIS(Technique for Order Preference by Similarity to an Ideal Solution，逼近理想解排序法)從所述搜索結果輸出的非劣最優解集中選取一組非劣解，將選取的所述一組非劣解確定為原料調度信息。
[0044] 依據本發明的另一個方面，提供了一種原料的調度裝置，所述裝置包括：
[0045] 建立模塊，用于建立原料不確定調度模型；
[0046]處理模塊，用于對所述原料不確定調度模型進行確定化處理，得到確定的帶約束的多目標調度模型；
[0047]計算模塊，用于對所述確定的帶約束的多目標調度模型進行求解，得到原料調度信息；
[0048] 執行模塊，用于根據所述原料調度信息執行對混勻過程中原料的調度。
[0049] 可選地，所述建立模塊包括：
[0050] 獲取單元，用于獲取混勻過程的配料基本信息；
[0051 ]第一建立單元，用于采用三角模糊數，建立異常調度對應的懲罰函數；
[0052]第一確定單元，根據所述配料基本信息和所述異常調度對應的懲罰函數，確定混勻過程中的目標函數；
[0053]第二確定單元，用于確定混勻過程中各種原料的約束條件；
[0054]第二建立單元，用于根據所述目標函數和所述約束條件建立原料不確定調度模型，所述原料不確定調度模型如下式(1)所示，
[0058] 式（1)中，/(尤)為異常調度對應的懲罰函數;Xi,j為決策變量，代表第j堆中所需第 i種原料的相應下料量;C1;1為第i中原料的采購價格;&(x)為生產成本，代表完成堆計劃所需原料的總花費，fi(X)為目標函數，代表最小的生產成本;m表示原料數;η表示堆數；
[0059] Ci,2為第i種原料每噸每天所需的保存費用，爲為額外的存儲成本，C2(x)為總存儲成本，代表完成堆計劃期間所有原料存儲所消耗的費用，f 2(X)為目標函數，代表最小的總存儲成本；
[0060] S.t.為各種原料的約束條件，Qy為所配第j堆混合料堆中第τ種化學成分的含量指標，Ay為計劃第j堆混合料堆中第τ種化學成分的含量指標，qy為計劃第j堆混合料堆中第τ種化學成分含量指標的最大波動范圍， Sl(t)為第i種原料當前的庫存量，h為配比第j堆所堆堆重，D」為計劃中第j堆的標準堆重，為計劃中相對應仏指標的最大波動范圍， X1>J為特殊物料在j堆中摻配量;為第j堆所需第i種原料相應的下料量。
[0061 ] 可選地，所述處理模塊包括：
[0062]處理單元，用于通過模糊模擬技術對所述原料不確定調度模型中每個含有模糊函數方程的目標函數進行處理，得到所述目標函數確定的輸入輸出樣本集；
[0063]訓練單元，用于對所述確定的輸入輸出數據樣本集進行訓練，得到確定的帶約束的多目標調度模型。
[0064]可選地，所述計算模塊包括：
[0065]設置單元，用于初始化設置CM0STA算法的相關參數、Pareto最優搜索解集種群Ps、 Pareto非劣解集種群Pb、最大迭代次數Gmax，最大個體違約程度值ε以及水平截集pc;
[0066] 搜索單元，從當前種群出發，開始當前迭代操作，對所述確定的帶約束的多目標模型采用CM0STA搜索策略，得到新的種群；
[0067] 更新單元，用于判斷所述新的種群是否陷入局部最優，若是，對所述種群采用變異操作進行種群更新，所述局部最優為當前的Pareto非劣解集種群P s與上一輪迭代得到的 Pareto非劣解集種群Ps相等時的狀態；
[0068] 迭代判斷單元，用于判斷搜索單元和更新單元是否需要迭代進行，若當前迭代次數沒達到最大迭代次數Gmax，則重新啟動搜索單元和更新單元;若達到，則迭代過程終止，輸出Pareto非劣解集種群Pb作為搜索結果的非劣最優解集；
[0069] 選取單元，用于通過T0PSIS(Technique for Order Preference by Similarity to an Ideal Solution，逼近理想解排序法)法從所述搜索結果輸出的非劣最優解集中選取一組非劣解，將選取的所述一組非劣解確定為原料調度信息。
[0070] 本發明提供的原料的調度方法及裝置，實現建立的原料不確定調度模型，可以準確地描述實際生產過程，通過確定化和帶變異的CM0STA算法可以求取準確度很高的原料調度信息，原料調度信息可執行性很強，根據該原料調度信息執行原料的調度，可以大大提高生產效率，以及提高產品的質量。
【附圖說明】
[0071] 通過閱讀下文優選實施方式的詳細描述，各種其他的優點和益處對于本領域普通技術人員將變得清楚明了。附圖僅用于示出優選實施方式的目的，而并不認為是對本發明的限制。而且在整個附圖中，用相同的參考符號表示相同的部件。在附圖中：
[0072] 圖1是本發明一種實施方式的一種原料的調度方法的流程圖；
[0073] 圖2是本發明一種實施方式的建立原料不確定調度模型的流程圖；
[0074] 圖3是本發明一種實施方式的三角模糊數的隸屬度函數圖形；
[0075] 圖4是本發明一種實施方式的對確定的帶約束的多目標調度模型進行求解的流程圖；
[0076] 圖5是本發明一種實施方式的獲取新的種群的流程圖；
[0077] 圖6是本發明一種實施方式的一種原料的調度裝置的結構示意圖。
【具體實施方式】
[0078] 下面結合附圖和實施例對本發明的實施方式作進一步詳細描述。以下實施例用于說明本發明，但不能用來限制本發明的范圍。
[0079] 本發明實施例提供的原料的調度方法，針對原料場混勻過程中某些原料種類、到達時間等不確定性問題，對不確定條件下約束優化問題進行建模，對模型確定化處理后，并利用帶變異的CM0STA(Constrained Multi-Objective State Transition Algorithm，約束多目標狀態轉移算法)算法對建立的模型求解，得到準確度很高的原料的調度信息，根據該原料的調度信息執行生產過程中的原料調度，具體過程如下。
[0080]圖1是本發明一種實施方式的一種原料的調度方法的流程圖，參照圖1，該方法包括以下S101-S104步驟。
[0081 ]步驟S101:建立原料不確定調度模型。
[0082]在本發明實施例中，上述原料可以是煉鐵所需的原料，建立上述原料不確定模型，可以真實反映出煉鐵所需的原料種類、品位、庫存量、來料時間及配料時間的范圍，其中，在建立上述原料不確定調度模型時，具體可通過以下S1011-S1015步驟來完成，如圖2所示。 [0083]步驟S1011:獲取混勻過程的配料基本信息。
[0084] 上述獲取混勻過程的配料基本信息時，首先針對原料場混勻過程的實際問題，分析現場工況，包括分析現場混勻所需的原料種類，計劃內混勻料堆數，每種原料各個化學成分含量，每種原料的采購價格，每種原料計劃內進料量，計劃內混勻料堆中各個化學成分含量指標，根據分析結果建立原料分析表，該原料分析表示意性地如表1所示。
[0085] 表 1
[0087] 建立上述原料分析表后，可以通過該原料分析表及實際生產需求，確定出計劃內購買原料的種類、每種原料的成分指標、每種原料的購買量、每種原料的來料時間，每種原料的不確定配料時間、混勻料堆的每種物料含量范圍、各個混勻料堆應堆重范圍、每堆物料特殊物料使用信息及堆料場庫存信息，最終生成混勻過程的配料基本信息。
[0088] 上述計劃可以是周計劃、月計劃、季度計劃或年計劃，具體可根據實際生產的需求確定，為了便于清楚地說明本發明實施例提供的數據，無特殊說明的情況下，上述計劃均指月計劃。
[0089] 在原料的調度過程中，異常調度原料都會對生產過程產生影響，以至帶來額外的損失，因此，需要在調度原料時考慮異常調度的情況。其中，異常調度主要包括提前調度或拖延調度。
[0090] 步驟S1012:采用三角模糊數，建立異常調度對應的懲罰函數。
[0091]在建立異常調度對應的懲罰函數前，由于混勻過程中存在來料時間的不確定性，因此，引入三角模糊數，描述原料不確定調度模型中所有的模糊函數方程的不確定參數。 [0092]假設，用三角模糊數1=( &1，&[?，&2)"來表示生產過程中原料的不確定參數，則八對應的隸屬度函數為
[0094]上述三角模糊數對應的隸屬度函數圖形如圖3所示。
[0095]在建立異常調度對應的懲罰函數時，首先需要確定提前來料的懲罰費用權重，延遲來料的懲罰費用權重，以及確定提前來料的懲罰費用，延遲來料的懲罰費用;然后根據提前來料的懲罰費用權重、延遲來料的懲罰費用權重、提前來料的懲罰費用、延遲來料的懲罰費用建立異常調度對應的懲罰函數/〇〇,懲罰函數如下式(4)所示，
[0097] 式(4)中，《:為提前來料的懲罰費用權重，w2為延遲來料的懲罰費用權重，式為需額外提供的存儲成本為需額外提供的生產成本。其中，定義區間[e^U]為原料i(i = l， 2，...，m)的交貨期窗口，其中ei為原料i的最早交貨期為原料i的最晚交貨期；用三角模糊變量(? 表示原料i(i = l，2,…，m)的配料時間，Cf，，0/依次為原料 i(i = l，2, . . .，m)的最早配料時間、最可能配料時間以及最晚配料時間；若$ 稱原料i 提前，保證了原料在其交貨期窗口內完工，但需提供額外的存儲成本尾，焉]ηκυφ,Α-Γ,}; 若G</,，稱原料i滯后，影響了正常的原料堆料過程，則需提供不可估量損失成本?；, % = maxio, ^ - Ο. }0
[0098] 在保證煉鐵效率以及鋼鐵質量的前提下，控制煉鐵成本也是制定原料調度方案所必需考慮的關鍵指標。根據煉鐵廠對成本控制的要求，可以確定出煉鐵過程的目標函數。 [0099]步驟S1013:根據所述配料基本信息和所述異常調度對應的懲罰函數，確定混勻過程中的目標函數。
[0100] 上述目標函數主要指調度物料所花費的成本控制函數，在本發明中，優選地，上述目標函數主要指調度物料所花費的生產成本函數和/或存儲成本函數。
[0101] 在實際混勻過程中，由于各種原料參數受到生產條件的影響，因此，在建立原料的調度方案時需要考慮各種原料的約束條件。
[0102] 步驟S1014:確定混勻過程中各種原料的約束條件。
[0103] 在確定混勻過程中各種原料的約束條件時，需要確定出混勻過程中的原料的成分約束條件、堆重約束條件、庫存約束條件及特殊原料約束條件，每種約束條件的具體的確定過程如下。
[0104]根據混勻過程中每種原料的下料量和每種原料中各化學成分的含量，計算混勻料堆中每種物料的成分含量，要求配完以后的每一個混勻料堆任何一個時刻的成分都必須滿足指標要求，確定出原料的成分約束條件，原料的成分約束條件如下式(5)所示；
[0106] 式(5)中，QCPm為第j堆混勻料中某個化學成分所占的百分比，ai_cpn(i = l，2,…， m)為第i種原料中某種化學成分的含量;Xu為第j堆所需第i種原料相應的下料量;為計劃中某種原料中某種化學成分的含量指標 ;qi為計劃中某種原料的某種化學成分含量指標的最大波動范圍
表示第j堆混勻料中某種化學成分的總含量；
表示第j 堆混勻料的總堆重。
[0107] 上述混勻料堆中通常包括鐵、硅、鈣、硫及磷等化學成分，當混勻料堆中鐵比、硅比、鈣比、硫比及磷比等達到煉鐵所需的比例要求時，生產出的鋼鐵才可以滿足質量要求。
[0108] 在實際煉鐵過程中，受原料場空間的限制，各混勻料堆堆重也受到一定限制。根據原料場物料容量，計算原料場各堆物料的堆重范圍，可以確定出堆重約束條件，堆重物料約束條件如式(6)所示；
[0109] bj彡Dj土pj，即 |bj-Dj | 彡pj，j = l，2, · · ·，n (6)
[0110]
為實際第j堆所堆堆重，Dj為計劃中第j堆的標準堆重，pj為計劃中相對應Dj指標的最大波動范圍。
[0111] 根據原料場各原料所需最大用量和各堆中所需每種原料的下料量，計算每種原料當前的庫存量，確定出庫存約束條件，庫存約束條件如下式(7)所示；
[0113] 式(7)中，xu為決策變量，代表第j堆中所需第i種原料的下料量，Sl(t)為第i種原料當前的庫存量。
[0114] 統計可重復利用的燒結物料，確定出特殊原料約束條件，假設只有第一種物料為特殊原料，則特殊原料約束條件如式(8)所示；
[0115] 返礦的約束條件是xi,j>0,其余Xi,j彡0，i = 2,3, · · ·，m (8)
[0116] 對于一個實際的混勻堆料過程，考慮到一些過程參數同樣受到生產工藝條件的約束的情況，因此，根據上述確定出的原料的各種約束條件可以生成該原料不確定調度模型的約束條件，如式(9)所示；
[0118] 式(9)中，Qy為所配第j堆混合料堆中第τ種化學成分的含量指標，Ay為計劃第j 堆混合料堆中第τ種化學成分的含量指標，qy為計劃第j堆混合料堆中第τ種化學成分含量指標的最大波動范圍，Sl(t)為第i種原料當前的庫存量，h為配比第j堆所堆堆重，D」為計劃中第j堆的標準堆重，Pj為計劃中相對應Dj指標的最大波動范圍，XI, j為特殊物料在j堆中摻配量;xu為第j堆所需第i種原料相應的下料量;m表示原料數;η表示堆數。
[0119] 上述特殊原料約束條件用以維持返礦平衡，提高資源的有效利用率，從而保證煉鐵資源的合理利用。通過上述原料的成分約束條件、上述堆重約束條件、上述庫存約束條件及上述特殊原料約束條件，可以真實反映出原料場各堆物料的堆重范圍，每堆料堆中各個化學成分的比例范圍以及每種原料的庫存可用量，如此，在生產過程中，可以根據各個原料的約束條件及時填充原料，避免料堆無料、出現生產中斷的情況，從而可以提高產品的生產效率和產品質量。
[0120] 步驟S1015:根據目標函數和約束條件建立原料不確定調度模型，原料不確定調度模型如式(1)所示，
[0124] 式（1)中，/(I)為異常調度對應的懲罰函數;Xu為決策變量，代表第j堆中所需第 i種原料的相應下料量;C1;1為第i中原料的采購價格;&(x)為生產成本，代表完成堆計劃所需原料的總花費，fi(X)為目標函數，代表最小的生產成本;m表示原料數;η表示堆數；
[0125] Ci,2為第i種原料每噸每天所需的保存費用，我為額外的存儲成本，C2(x)為總存儲成本，代表完成堆計劃期間所有原料存儲所消耗的費用，f 2(X)為目標函數，代表最小的總存儲成本；
[0126] s.t.為各種原料的約束條件。
[0127] 在實際煉鐵過程中，由于煉鐵所需的含鐵原料來料時間存在不確定性，導致根據上述原料不確定調度模型難以進行原料的調度，因此，需要通過以下S102及S103步驟確定出原料的調度信息，以使根據該原料的調度信息可以準確地執行煉鐵過程中原料的調度。
[0128] 步驟S102:對原料不確定調度模型進行確定化處理，得到確定的帶約束的多目標調度模型。
[0129] 上述對原料不確定調度模型進行確定化處理時，具體可通過以下S1021-S1022步驟進行確定化。
[0130] 步驟S1021:通過模糊模擬技術對原料不確定調度模型中每個含有模糊函數方程的目標函數進行處理，得到目標函數確定的輸入輸出樣本集。
[0131] 當上述建立的原料不確定調度模型包括的目標函數為fKX)及f2(X)時，由于異常調度對應的懲罰函數Λ幻中存在不確定參數，即/(幻是不確定配料時間的函數，因此 /(X)是一個不確定函數，當采用三角模糊數表示/(X)中存在的不確定參數時，得到的 /(Υ)是一個關于三角模糊數的模糊函數方程，從而目標函數心0)及f 2(X)是含有模糊函數方程的不確定函數。
[0132] 在本發明實施中，通過模糊模擬技術對原料不確定調度模型中每個含有模糊函數方程的目標函數進行處理，得到目標函數確定的輸入輸出樣本集時，具體可通過以下過程進行處理。
[0133] 第一步:將每個目標函數中的懲罰函數表示為預設的模糊函數方程表示式，預設的模糊函數方程表示式如下式(2)所示，
[0134] (2)
[0135] 式(2)中，羅為目標函數中懲罰函數對應的模糊函數，心__,.1>，0表示夕與父和盧的函數關系，X為一組決策變量，表示原料的下料量，#為三角模糊數表示的函數參數；
[0136] 第二步:獲取三角模糊數的隸屬度函數；
[0137] 第三步：確定目標函數的一組決策變量X1，對三角模糊數在三角模糊數的隸屬度函數內抽樣，得到#的一系列抽樣值劣0=1,2,... 5[)，K為抽樣數；
[0138] 第四步：根據決策變量X1和每個抽樣值貧，通過公式（2)得到Κ個確定的輸出（々=1,2,...,/〇，并求取1(個.以々=1,2,...,《）的平均值，得到目標函數對應于決策變量父 1 的確定輸出值;^ ;
[0139] 第五步:通過上述第三步和第四步的提供的方法，根據目標函數輸出值歹的計算方法，計算N次，得至IjN組輸入數據X1 (1 = 1，2，. . .，N)和對應的N組輸出數據文（/ = 1,2,...,iV )，將N組輸入數據和對應的N組輸出數據確定為目標函數確定的輸入輸出樣本集。
[0140] 當通過以上方法確定出目標函數對應的確定的輸入輸出樣本集后，根據該確定的輸入輸出樣本集，通過以下S1022步驟得到確定的帶約束的多目標調度模型，以使對該確定的帶約束的多目標調度模型求解后，得到確定的、符合實際的調度要求的原料的調度信息。
[0141] 步驟S1022:對確定的輸入輸出數據樣本集進行訓練，得到確定的帶約束的多目標調度模型。
[0142] 在本發明實施例提供的原料的調度方法中，可以通過多層前向神經元網絡對上述確定的輸入輸出數據樣本集進行訓練，該多層前向神經元網絡具有可以逼近連續非線性函數的優點，從而使得訓練得到的數據與實際混勻過程中需要的數據之間的誤差大大減小，提高訓練后得到的數據的準確性。
[0143] 在通過多層前向神經元網絡對上述確定的輸入輸出數據樣本集進行訓練時，首先，將確定的輸入輸出數據樣本集排列為訓練數據集樣本{(&丨)1 = 1，2，...，《，設置該原料的不確定調度模型對應的多層前向神經元網絡，包括設置輸入神經元個數、隱層神經元個數、輸出神經元個數、預設的最小誤差值;然后，對訓練數據集樣本，通過STA(State Transition Algorithm，狀態轉移算法)算法根據式（10)訓練神經元網絡學習過程的權重向量，直至實際輸出矩陣H(X，W)在允許誤差內接近其訓練數據集樣本Y，從而得到極小化誤差函數Err(W)，從而逼近原料不確定調度模型中對應的目標函數，得到確定的生產成本函數和存儲成本函數;最后，根據訓練后得到的確定的生產成本函數和存儲成本函數得到確定的帶約束的多目標調度模型。
[0145]式（10)中，W為訓練權重向量，Yi (i = 1，2，…，N)訓練數據集輸出樣本向量，Xi (i = 1，2，…，N)訓練數據集輸入樣本向量。
[0146] 當訓練后得到的權重向量符合一定要求時，通過上述訓練后得到的生產成本函數計算出的生產成本與實際生產成本之間的誤差會大大減小，以及通過上述訓練后得到的存儲成本函數計算出的存儲成本與實際存儲成本之間的誤差會大大減小，如此，對訓練后得到的確定的帶約束的多目標調度模型進行求解后，得到的原料調度信息準確度很高，該原料調度?目息具有很強的可執彳丁性，從而可以大大提尚生廣效率，以及提尚廣品質量。
[0147] 步驟S103:對確定的帶約束的多目標調度模型進行求解，得到原料調度信息；
[0148] 在本發明實施例提供的原料的調度方法中，上述原料調度信息包括原料的配比信息以及相應的處理措施等。其中，配比信息包括每個車間每堆的配料時間、配料種類、配料量、每種原料中的摻配量等，處理措施規定了調度任務，以及異常調度的處理等，通過上述原料調度信息可以對生產中原料的配比及成本進行控制。上述對確定的帶約束的多目標調度模型進行求解，得到原料調度信息，參見圖4,具體可通過以下S1031-S1037步驟進行求解。
[0149] 上述對帶約束的多目標模型優化求解前，需要對多目標和多約束進行處理。首先將上述確定的帶約束的多目標調度模型中的約束條件轉化為一個違約程度函數療，具體可通過以下步驟轉化。
[0150] 第一步:將確定的帶約束的多目標調度模型中的等式約束條件，通過式（11)將其轉化為不等式約束條件。
[0151] hi(X) |-μ^0,? = ρ+1,ρ+2, . . . ,q (11)
[0152] 式（11)中，|hi(X) I為確定性函數的等式約束條件，X為決策變量，μ通常取一個較小的正數，代表等式約束能夠接受的偏離范圍。
[0153]第二步:將某一個體對第i個約束條件的違約程度定義為Gi(X)，該Gi(X)如式（12) 所示，
[0155] 式（12)中，Gi(X)為第i個約束條件的違約程度，gi(X)表示模型中的不等式約束，i 為第i個約束條件，第1~p個約束條件為不等式約束條件，第p+1~q個約束條件為等式約束，X為決策變量。
[0156] 第三步:將某一個體對所有約束條件的違約程度定義為該個體違反約束條件的程度，同時由于各約束條件的類型不同，因而具有不同的量綱和特性，需對每一約束條件的違約程度進行標準化處理，得到標準化違約程度泛(XL該&U )如式(13)所示，
[0158] 式（13)中，q為約束條件個數，X為決策變量，Gi(X)為第i個約束條件的違約程度， Gi_max為第i個約束條件的最大違約程度。
[0159] 當得到標準化違約程度函數后，將違約程度函數)和確定的帶約束的多目標調度模型中的確定性函數進行融合，得到融合函數F(X)。該融合函數F(X)如式（14)所示，
[0161] 式（14)中，f/ (X)為確定的生產成本函數，f21X)為確定的存儲成本函數，可義)為標準化違約程度。
[0162] 得到融合函數F(X)后，通過基于帶變異的CM0STA(約束多目標狀態轉移算法)算法對該融合函數求解，得到原料調度信息。
[0163] 步驟S1031:初始化設置CM0STA算法的相關參數、Pareto最優搜索解集種群Ps、 Pareto非劣解集種群Pb、最大迭代次數Gmax，最大個體違約程度值ε以及水平截集pc。
[0164] 上述設置CM0STA算法的相關參數，包括設置STA的搜索種群參數、擴展因子α、轉移因子β、擴展因子γ和平移因子S的值;上述設置Pareto最優搜索解集種群Ps以及Pareto非劣解集種群Pb，包括設置種群個數SE、隨機初始化并均勻產生數目為num存放Pareto最優搜索解集種群Ps，同時初始化搜索中間種群為空，且設置Pareto非劣解集種群P B = Ps;設置水平截集pc>〇。
[0165] 步驟S1032:從當前種群出發，開始當前迭代操作，對帶約束的多目標模型采用 CM0STA搜索策略，得到新的種群。
[0166] 當設置好上述參數后，具體可通過執行以下S10321-S10323步驟得到新的種群，如圖5所示。
[0167] 步驟S10321:對種群Ps中的每個個體執行狀態轉移操作，得到中間種群PM1。
[0168] 在本發明實施例中，在對種群Ps中的每個個體執行狀態轉移操作，時，即依次進行擴展操作、旋轉操作和轉移操作，將三次操作中非劣等級排序為1的個體放入中間種群Pmi 中，得到中間種群Pmi。
[0169] 步驟S10322:對種群PB和得到的中間種群?(《進行融合，以及進行Pareto非劣等級排序，得到新的種群Pm。
[0170] 當將種群Ps中的所有個體都進行狀態轉移操作后，得到中間種群PM1，對PM1和Pb進行融合，形成初始的新種群Pm;利用訓練好的融合函數F(X)檢驗初始的新種群Pm的可行性，將得到的可行解進行Pareto非劣等級排序后放入中間種群，將不可行解進行違約程度升序排序后放入中間種群Pj中，將排序后的Pi和Pj融合得到新種群Pm，其中，Pm= [Pi，Pj]。
[0171] 在本發明實施例中，更新種群參數時，利用訓練好的神經元網絡檢驗搜索種群的可行性。其中，對Pm中&(.〇 = 0的個體，即為可行解，用Pareto非劣等級排序可行解PI;對PM中 ?(.Λ^>?的個體，即為不可行解，用違約程度排序不可行解巧。此時，在F(X)所得的可行解種群PdP不可行解種群Pj個體中，最優解的選取采取以下準則進行選取：
[0172] 當兩個個體1和1'都可行時，將適應值F(X)比較小的個體作為最優個體；當兩個個體f和都不可行時，將違約程度值比較小的個體作為最優個體；當f可行且不可行時，如果浮@，且，將f'個體作為最優個體，如果或，將i個體作為最優個體。
[0173] 步驟S10323:根據新的種群Pm對種群參數進行更新。
[0174]更新種群參數時，主要更新非劣解集種群PB、最優解搜索集種群Ps以及最大個體違約程度值ε。在對種群Ps和Pb進行賦值時，將Pm中排在前num個個體賦予Ps，即Ps = Pm( 1 :num); 種群Pm中非劣等級為1的個體集Pmi放入到Pb中，即Pb = Pmi。同時對最大個體違約程度值ε做自適應調整。
[0175]在本發明實施例中，為了將不可行解的比例保持在一個固定的水平pc，根據得到中間種群Pm以及自適應調整公式對最大個體違約程度值ε自適應調整，其中，自適應調整公式如下式(15)所示，
[0177] 式（15)中，pk為每進化Κ代后不可行解在群體中所占比例的平均值，pc為水平截集， ε為最大個體違約程度值，Other為除pk<p。以及除pk>p。外的情況，ε '為自適應調整后的最大個體違約程度值。
[0178] 上述pk可通過以下式（16)計算出，
[0180] 式(16)中，Ni表示第i代群體中不可行解數量;num是迭代搜索中個體數量。
[0181] 步驟S1033:判斷新的種群是否陷入局部最優，若陷入局部最優，則執行以下S1034 步驟，若沒有陷入局部最優，則執行以下S1035步驟，其中，局部最優為當前的Pareto非劣解集種群P s與上一輪迭代得到的Pareto非劣解集種群Ps相等時的狀態。
[0182]在本發明實施例中，首先判斷迭代次數k是否為50的整數倍且Ps中的第k代Ps和第 k-Ι代Ps是否相等，若是，則說明迭代陷入局部最優。
[0183] 步驟S1034:執行全局更新策略，對種群采用變異操作進行種群更新，即執行最優解更新公式，得到變異后的父代中種群Ps。上述最優解更新公式如下（17)式所示，
[0184] xk = xk+rand(0,1) X (xbest-xk-1) (17)
[0185] 式（17)中，xk為第k代種群，xh為第k-1代種群，rand(0，l)為在(0，1)范圍內的隨機數， Xbe3St為第k-Ι代種群中的最優種群。
[0186]步驟S1035:判斷當前迭代次數是否達到最大迭代次數Gmax，若沒達到，將所有中間種群置空，則執行以上步驟S1032，對CM0STA搜索中得到的Pareto最優搜索解集種群Ps和 Pareto非劣解集種群P B執行新一輪迭代操作，即重新搜索新種群并判斷是否需要種群更新;若達到，則執行以下S1036步驟。
[0187]步驟S1036:輸出Pareto非劣解集種群PB作為搜索結果的非劣最優解集；
[0188]步驟S1037:通過T0PSIS法從搜索結果輸出的非劣最優解集中選取一組非劣解，將選取的一組非劣解確定為原料調度信息。
[0189] 步驟S104:根據原料調度信息執行對混勻過程中原料的調度。
[0190] 上述確定出的原料調度信息與實際中原料的調度之間的誤差很小，原料調度信息的準確度很高，根據該原料調度信息執行原料的調度，可以大大提高生產效率，以及提高產品的質量。
[0191] 本發明實施例提供的原料的調度方法，通過建立的原料不確定調度模型可以準確地描述實際生產過程，通過確定化和帶變異的CM0STA算法可以求取準確度很高的原料調度信息，原料調度信息可執行性很強，根據該原料調度信息執行原料的調度，可以大大提高生廣效率，以及提尚廣品的質量。
[0192] 圖6是本發明一種實施方式的一種原料的調度裝置的示意圖，參照圖6,該裝置包括：
[0193] 建立模塊S1，用于建立原料不確定調度模型；
[0194] 處理模塊S2,用于對原料不確定調度模型進行確定化處理，得到確定的帶約束的多目標調度模型；
[0195] 計算模塊S3,用于對確定的帶約束的多目標調度模型進行求解，得到原料調度信息；
[0196] 執行模塊S4,用于根據原料調度信息執行對混勻過程中原料的調度。
[0197] 在本發明實施例中，由于混勻過程中存在來料時間的不確定性，因此，引入三角模糊數來描述原料場混勻過程堆計劃原料不確定調度模型中的不確定參數，從而建立以各混勻堆的最小生產成本和/或最小存儲成本為目標的原料的不確定調度模型。
[0198] 在本發明實施例中，上述原料可以是煉鐵所需的原料，建立上述原料不確定模型，可以真實反映出出煉鐵所需的原料種類、品位、庫存量、來料時間及配料時間的范圍，其中，上述建立模塊S1在建立上述原料不確定調度模型時，具體可通過以下獲取單元、第一建立單元、第一確定單元和第二確定單元來建立。
[0199] 上述建立模塊S1包括獲取單元、第一建立單元、第一確定單元、第二確定單元和第二建立單元。
[0200] 獲取單元，用于獲取混勻過程的配料基本信息；
[0201] 上述獲取單元獲取混勻過程的配料基本信息時，首先針對原料場混勻過程的實際問題，分析現場工況，其中包括分析現場混勻所需的原料種類，計劃內混勻料堆數，每種原料各個化學成分含量，每種原料的采購價格，每種原料計劃內進料量，計劃內混勻料堆中各個化學成分含量指標，根據分析結果建立原料分析表，該原料分析表與上述實施例中提供的一種原料調度方法中的原料分析表相同，在此不再贅述。獲取單元建立上述原料分析表后，可以通過該原料分析表及實際生產的需求，確定出計劃內購買原料的種類、每種原料的成分指標、每種原料的購買量、每種原料的來料時間，每種原料的不確定配料時間、混勾料堆的每種物料含量范圍、各個混勻料堆應堆重范圍、每堆物料特殊物料使用信息及堆料場庫存信息，生成混勻過程的配料基本信息。
[0202] 上述計劃可以是周計劃、月計劃、季度計劃或年計劃，具體可根據實際生產的需求確定，為了便于清楚地說明本發明實施例提供的數據，無特殊說明的情況下，上述計劃均指月計劃。
[0203] 在原料的調度過程中，異常調度原料都會對生產過程產生影響，以至帶來額外的損失，因此，需要在調度原料時考慮異常調度的情況。其中，異常調度主要包括提前調度或拖延調度。
[0204] 第一建立單元，用于采用三角模糊數建立異常調度對應的懲罰函數；
[0205] 上述第一建立單元可通過上述實施例一種煉鐵原料的調度方法中提供的懲罰函數的建立方法，建立異常調度對應的懲罰函數，在此不再贅述。
[0206] 在保證煉鐵效率以及鋼鐵質量的前提下，控制煉鐵成本也是制定原料調度方案所必需考慮的關鍵指標。根據煉鐵廠對成本控制的要求，通過以下第一確定單元可以確定出煉鐵過程的目標函數。
[0207] 第一確定單元，根據所述配料基本信息和所述異常調度對應的懲罰函數，確定混勻過程中的目標函數。
[0208] 上述目標函數主要指調度物料所花費的成本控制函數，在本發明中，優選地，上述目標函數主要指調度物料所花費的生成成本函數和/或存儲成本函數。
[0209] 在實際混勻過程中，由于各種原料參數受到生產條件的影響，因此，在建立原料的調度方案時需要考慮各種原料的約束條件。
[0210] 第二確定單元，用于確定混勻過程中各種原料的約束條件；
[0211 ]上述第二確定單元，在確定混勾過程中各種原料的約束條件時，需要確定出混勾過程中的原料的成分約束條件、堆重約束條件、庫存約束條件及特殊原料約束條件，每種約束條件的具體確定過程，可通過上述一種原料的調度方法中提供的約束條件的確定方法來確定，在此不再贅述。
[0212] 在本發明實施例提供的原料的調度裝置中，通過上述原料的成分約束條件、上述堆重約束條件、上述庫存約束條件及上述特殊原料約束條件，可以真實反映出原料場各堆物料的堆重范圍，每堆料堆中各個化學成分的比例范圍以及每種原料的庫存可用量，如此，在生產過程中，可以根據各個原料的約束條件及時填充原料，避免料堆無料、出現生產中斷的情況，從而可以提尚廣品的生廣效率和廣品質量。
[0213] 第二建立單元，用于根據所述目標函數和所述約束條件建立原料不確定調度模型，原料不確定調度模型如下式(1)所示，
[0217] 式（1)中，/pQ為異常調度對應的懲罰函數;xu為決策變量，代表第j堆中所需第 i種原料的相應下料量;C1;1為第i中原料的采購價格;&(x)為生產成本，代表完成堆計劃所需原料的總花費，fi(X)為目標函數，代表最小的生產成本;m表示原料數;η表示堆數；
[0218] C1>2為第i種原料每噸每天所需的保存費用，爲為額外的存儲成本，C2(x)為總存儲成本，代表完成堆計劃期間所有原料存儲所消耗的費用，f 2(X)為目標函數，代表最小的總存儲成本；
[0219] s.t.為各種原料的約束條件，Qy為所配第j堆混合料堆中第τ種化學成分的含量指標，Ay為計劃第j堆混合料堆中第τ種化學成分的含量指標，qy為計劃第j堆混合料堆中第τ種化學成分含量指標的最大波動范圍， Sl(t)為第i種原料當前的庫存量，h為配比第j堆所堆堆重，D」為計劃中第j堆的標準堆重，為計劃中相對應仏指標的最大波動范圍， X1>J為特殊物料在j堆中摻配量;為第j堆所需第i種原料相應的下料量。
[0220] 在實際煉鐵過程中，由于煉鐵所需的含鐵原料來料時間存在不確定性，導致根據上述原料不確定調度模型難以進行原料的調度，因此，需要通過上述處理模塊S2確定出原料的調度信息，以使根據該原料的調度信息可以準確執行煉鐵過程中原料的調度。
[0221] 上述處理模塊S2包括處理單元和訓練單元。
[0222] 處理單元，用于通過模糊模擬技術對原料不確定調度模型中每個含有模糊函數方程的目標函數進行處理，得到目標函數確定的輸入輸出樣本集。
[0223] 在本發明實施例中，由于混勻過程中存在來料時間的不確定性，因此，上述處理單元在確定輸入值后，通過三角模糊數的隸屬度函數對不確定參數進行抽樣，并根據基于抽樣得到的抽樣值，得到目標函數確定的輸出樣本值。具體的確定過程與上述實施例一種煉鐵原料的調度方法中提供的確定過程類同，在此不再贅述。
[0224]當通過上述處理單元處理得到目標函數對應的確定的輸入輸出樣本集后，根據該確定的輸入輸出樣本集，通過以下訓練單元得到確定的帶約束的多目標調度模型，以使對該確定的帶約束的多目標調度模型求解后，得到確定的、符合實際的調度要求的原料的調度信息。
[0225] 訓練單元，用于對確定的輸入輸出數據樣本集進行訓練，得到確定的帶約束的多目標調度模型。
[0226] 上述訓練單元，可通過上述實施例一種原料的調度方法中提供的訓練方法，對確定的輸入輸出數據樣本集進行訓練，具體的訓練過程在此不再贅述。
[0227] 當上述處理模塊確定出確定的帶約束的多目標調度模型后，可通過以下計算模塊得到原料調度信息。
[0228] 上述計算模塊S3包括設置單元、搜索單元、更新單元、迭代判斷單元和選取單元。 [0229]設置單元，用于初始化設置CM0STA算法的相關參數、Pareto最優搜索解集種群P s、 Pareto非劣解集種群Pb、最大迭代次數Gmax，最大個體違約程度值ε以及水平截集pc;
[0230] 搜索單元，用于從當前種群出發，開始當前迭代操作，對帶約束的多目標優化模型采用CM0STA搜索策略，得到新的種群；
[0231] 更新單元，用于判斷新的種群是否陷入局部最優，若是，對種群采用變異操作進行種群更新，局部最優為當前的Pareto非劣解集種群P s與上一輪迭代得到的Pareto非劣解集種群Ps相等時的狀態；
[0232] 迭代判斷單元，用于判斷搜索單元和更新單元是否需要迭代進行，若當前迭代次數沒達到最大迭代次數Gmax，則重新啟動搜索單元和更新單元;若達到，則迭代過程終止，輸出Pareto非劣解集種群Pb作為搜索結果的非劣最優解集；
[0233] 選取單元，用于通過T0PSIS(Technique for Order Preference by Similarity to an Ideal Solution，逼近理想解排序法)法從搜索結果輸出的非劣最優解集中選取一組非劣解，將選取的一組非劣解確定為原料調度信息。
[0234] 在本發明實施例中，上述設置單元可通過上述實施例一種原料的調度方法中提供的設置方法設置上述各種參數;上述搜索單元，可通過上述實施例一種原料的調度方法中提供的搜索方法，得到新的種群;上述更新單元，可通過上述實施例一種原料的調度方法中提供的判斷準則，判斷是否需要用變異操作對種群更新;上述迭代判斷單元，可通過上述實施例一種原料的調度方法中提供的迭代終止判斷準則，判斷是否迭代終止;上述選取單元，可通過上述實施例一種原料的調度方法中提供的選取方法，從搜索結果輸出的非劣最優解集中選取一組非劣解，將選取的一組非劣解確定為原料調度信息，在此均不再贅述。
[0235] 當上述選取單元將選取的一組非劣解確定為原料調度信息，該原料調度信息與實際中原料的調度之間的誤差很小，原料調度信息的準確度很高，上述執行模塊S4根據該原料調度?目息執彳丁原料的調度，可以大大提尚生廣效率，以及提尚廣品的質量。
[0236] 綜上所述，本實施例提供了一種原料的調度方法及裝置，通過建立的原料不確定調度模型可以準確地描述實際生產過程，通過確定化和帶變異的CM0STA算法可以求取準確度很高的原料調度信息，原料調度信息可執行性很強，根據該原料調度信息執行原料的調度，可以大大提尚生廣效率，以及提尚廣品的質量。
[0237] 本發明的實施例是為了示例和描述起見而給出的，而并不是無遺漏的或者將本發明限于所公開的形式。很多修改和變化對于本領域的普通技術人員而言是顯而易見的。選擇和描述實施例是為了更好說明本發明的原理和實際應用，并且使本領域的普通技術人員能夠理解本發明從而設計適于特定用途的帶有各種修改的各種實施例。
【主權項】
1. 一種原料的調度方法，其特征在于，所述方法包括：建立原料不確定調度模型；對所述原料不確定調度模型進行確定化處理，得到確定的帶約束的多目標調度模型；對所述確定的帶約束的多目標調度模型進行求解，得到原料調度信息；根據所述原料調度信息執行對混勻過程中原料的調度。2. 根據權利要求1所述方法，其特征在于，所述建立原料不確定調度模型，包括：獲取混勻過程的配料基本信息；采用Ξ角模糊數，建立異常調度對應的懲罰函數；根據所述配料基本信息和所述異常調度對應的懲罰函數，確定混勻過程中的目標函數；確定混勻過程中各種原料的約束條件；根據所述目標函數和所述約束條件建立原料不確定調度模型，所述原料不確定調度模型如下式(1)所示，式(1)中，./'(.V)為異常調度對應的懲罰函數;XI,功決策變量，代表第j堆中所需第i種原料的相應下料量;Cl,1為第i中原料的采購價格;Ci(x)為生產成本，代表完成堆計劃所需原料的總花費;fi(X)為目標函數，代表最小的生產成本;m表示原料數;η表示堆數； Cl,2為第i種原料每噸每天所需的保存費用，4為額外的存儲成本，C2(X)為總存儲成本，代表完成堆計劃期間所有原料存儲所消耗的費用，f2(X)為目標函數，代表最小的總存儲成本； s.t.為各種原料的約束條件，為所配第j堆混合料堆中第τ種化學成分的含量指標， At,j為計劃第j堆混合料堆中第τ種化學成分的含量指標，為計劃第j堆混合料堆中第τ種化學成分含量指標的最大波動范圍，Si(t)為第i種原料當前的庫存量，bj為配比第j堆所堆堆重，Dj為計劃中第j堆的標準堆重，為計劃中相對應町指標的最大波動范圍，XU為特殊物料在j堆中滲配量;XI,J為第j堆所需第i種原料相應的下料量。3. 根據權利要求1所述方法，其特征在于，所述對所述原料不確定調度模型進行確定化處理，得到確定的帶約束的多目標調度模型，包括：通過模糊模擬技術對所述原料不確定調度模型中每個含有模糊函數方程的目標函數進行處理，得到所述目標函數確定的輸入輸出樣本集；對所述確定的輸入輸出數據樣本集進行訓練，得到確定的帶約束的多目標調度模型。4. 根據權利要求3所述方法，其特征在于，所述通過模糊模擬技術對所述原料不確定調度模型中每個含有模糊函數方程的目標函數進行處理，得到所述目標函數對應的確定的輸入輸出樣本集，包括：將每個目標函數中的懲罰函數表示為預設的模糊函數方程表示式，所述預設的模糊函數方程表示式如下式(2)所示， (X，浸）（2) 式(2)中，夫為目標函數中懲罰函數對應的模糊函數，表示，與乂和易的函數關系，X為一組決策變量，表示原料的下料量，#為Ξ角模糊數表示的函數參數；獲取Ξ角模糊數的隸屬度函數；確定目標函數的一組決策變量χ?，對所述Ξ角模糊數在所述Ξ角模糊數的隸屬度函數內抽樣，得到I的一系列抽樣值線二1，2，...乂），Κ為抽樣數；根據所述決策變量Χ?和每個抽樣值邊，通過公式（2)得到Κ個確定的輸出乂（& = ]，2,...，/〇，并求取1(個乂（&二1，2，".，。的平均值，得到目標函數對應于決策變量乂1 的確定輸出值戶；根據所述目標函數輸出值V的計算方法，計算Ν次，得到腺且輸入數據χ?(1 = 1，2,.. .，Ν) 和對應的Ν組輸出數據戶(/ = 1，2，,..，Λ〇,將所述Ν組輸入數據和對應的所述Ν組輸出數據確定為目標函數確定的輸入輸出樣本集。5. 根據權利要求3所述的方法，其特征在于，所述對所述確定的輸入輸出數據樣本集進行訓練，得到確定的帶約束的多目標模型，包括：將所述確定的輸入輸出數據樣本集排列為訓練數據集樣本；對所述訓練數據集樣本，通過狀態轉移算法STA訓練神經元網絡學習過程的權重向量，逼近所述原料不確定調度模型中對應的目標函數，得到確定的生產成本函數和/存儲成本函數；根據訓練后得到的所述確定的生產成本函數和存儲成本函數建立確定的帶約束的多目標調度模型。6. 根據權利要求1所述的方法，其特征在于，所述對所述確定的帶約束的多目標調度模型進行求解，得到原料調度信息，包括：初始化設置CMOSTA算法的相關參數、Pareto最優捜索解集種群Ps、Pareto非劣解集種群時、最大迭代次數Gmax，最大個體違約程度值εΚ及水平截集Pc; 從當前種群出發，開始當前迭代操作，對所述確定的帶約束的多目標調度模型采用 CMOSTA捜索策略，得到新的種群；判斷所述新的種群是否陷入局部最優，若是，對所述種群采用變異操作進行種群更新，所述局部最優為當前的化reto非劣解集種群Ps與上一輪迭代得到的化reto非劣解集種群Ps 相等時的狀態；判斷當前迭代次數是否達到最大迭代次數Gmax，若沒達到，將所有中間種群置空，對 CMOSTA捜索中得到的化reto最優捜索解集種群Ps和化reto非劣解集種群Pb執行新一輪迭代操作，即重新捜索新種群并判斷是否需要種群更新;若達到，則輸出化reto非劣解集種群Pb 作為捜索結果的非劣最優解集；通過TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution,逼近理想解排序法)從所述捜索結果輸出的非劣最優解集中選取一組非劣解，將選取的所述一組非劣解確定為原料調度信息。7. -種原料的調度裝置，其特征在于，所述裝置包括：建立模塊，用于建立原料不確定調度模型；處理模塊，用于對所述原料不確定調度模型進行確定化處理，得到確定的帶約束的多目標調度模型；計算模塊，用于對所述確定的帶約束的多目標調度模型進行求解，得到原料調度信息；執行模塊，用于根據所述原料調度信息執行對混勻過程中原料的調度。8. 根據權利要求7所述裝置，其特征在于，所述建立模塊包括：獲取單元，用于獲取混勻過程的配料基本信息；第一建立單元，用于采用Ξ角模糊數，建立異常調度對應的懲罰函數；第一確定單元，根據所述配料基本信息和所述異常調度對應的懲罰函數，確定混勻過程中的目標函數；第二確定單元，用于確定混勻過程中各種原料的約束條件；第二建立單元，用于根據所述目標函數和所述約束條件建立原料不確定調度模型，所述原料不確定調度模型如下式(1)所示，式（1)中，ΛΧ)為異常調度對應的懲罰函數;xiu為決策變量，代表第j堆中所需第i種原料的相應下料量;Cl,1為第i中原料的采購價格;Ci(x)為生產成本，代表完成堆計劃所需原料的總花費，fi(X)為目標函數，代表最小的生產成本;m表示原料數;η表示堆數； Cl,2為第i種原料每噸每天所需的保存費用，巧為額外的存儲成本，C2(x)為總存儲成本，代表完成堆計劃期間所有原料存儲所消耗的費用，f2(X)為目標函數，代表最小的總存儲成本； s.t.為各種原料的約束條件，為所配第j堆混合料堆中第τ種化學成分的含量指標， At,j為計劃第j堆混合料堆中第τ種化學成分的含量指標，為計劃第j堆混合料堆中第τ種化學成分含量指標的最大波動范圍，Si(t)為第i種原料當前的庫存量，bj為配比第j堆所堆堆重，Dj為計劃中第j堆的標準堆重，為計劃中相對應町指標的最大波動范圍，XU為特殊物料在j堆中滲配量;XI,J為第j堆所需第i種原料相應的下料量。9. 根據權利要求7所述裝置，其特征在于，所述處理模塊包括：處理單元，用于通過模糊模擬技術對所述原料不確定調度模型中每個含有模糊函數方程的目標函數進行處理，得到所述目標函數確定的輸入輸出樣本集；訓練單元，用于對所述確定的輸入輸出數據樣本集進行訓練，得到確定的帶約束的多目標調度模型。10. 根據權利要求7所述的裝置，其特征在于，所述計算模塊包括：設置單元，用于初始化設置CMOSTA算法的相關參數、Pareto最優捜索解集種群Ps、化reto非劣解集種群Pb、最大迭代次數Gmax，最大個體違約程度值εΚ及水平截集Pc; 捜索單元，用于從當前種群出發，開始當前迭代操作，對所述確定的帶約束的多目標模型采用CMOSTA捜索策略，得到新的種群；更新單元，用于判斷所述新的種群是否陷入局部最優，若是，對所述種群采用變異操作進行種群更新，所述局部最優為當前的化reto非劣解集種群Ps與上一輪迭代得到的化reto 非劣解集種群Ps相等時的狀態；迭代判斷單元，用于判斷捜索單元和更新單元是否需要迭代進行，若當前迭代次數沒達到最大迭代次數Gmax，則重新啟動捜索單元和更新單元;若達到，則迭代過程終止，輸出化reto非劣解集種群Pb作為捜索結果的非劣最優解集；選取單元，用于通過逼近理想解排序法T0PSIS法從所述捜索結果輸出的非劣最優解集中選取一組非劣解，將選取的所述一組非劣解確定為原料調度信息。
【文檔編號】G05B19/418GK106094751SQ201610453502
【公開日】2016年11月9日
【申請日】2016年6月21日
【發明人】王雅琳, 孫克楠, 何海明, 陳曉方, 曹躍, 孫備, 桂衛華
【申請人】中南大學

完整全部詳細技(ji)術資料下載