化，有利于產 生優化解。
[0149] (2)變異操作：
[0150] 1)各鑄機開澆時間編碼變異:增加或減少一個隨機擾動
[0151] BP： =4+β
[0152] β為[a，b]之間的隨機量，[a，b]為人工設定的較小擾動區間，具體可根據生產實際 要求設定，以避免多次變異后鑄機開澆時間大幅偏離預定開澆時間，<為變異前鑄機開澆 時間，^為變異后鑄機開澆時間。
[0153] 2)爐次生產路徑編碼采取基本位變異，即隨機指定某些基因位（除對應于連鑄工 序的基因位)進行變異。對于爐次i的染色體子串執行變異操作時，其對應于工序j的基因位 值S變異成該工序上其它設備€的變異概率P (j)為：
[0155] j+Ι為同一爐次的工藝路徑中工序j的緊后工序。
[0156] p(j)值大小取決于變異后子代染色體中工序j_l設備kH對應于工序j設備#的加 工權重值ω[(/ -1為α €)]和工序j設備€對應于工序j +1設備k j+i的加工權重值 + 。對P(j)值的非零判斷可以效核變異后的新染色體是否合法。同時，P (j)值越大，則該部分編碼以較大概率向設備匹配狀態更佳的加工路徑演化，有利于解的更 優化。
[0157] 本發明中，加工權重值函數以及其他變量中（例如)采用 的自變量雖然有的形式不同，但是具體的計算方法一致。具體都按照本發明的準則確定。
[0158] 第五步:控制器根據得到的最優解進行煉鋼-連鑄生產的作業計劃編制，并對生產 運行系統實施有效控制。
[0159] 在本發明的一種優選實施方式中，混合遺傳算法中不計算目標函數的最小值，而 是計算適應度函數的最大值，適應度函數采用如下形式：
[0161] Z為模型目標函數值，Cmax為一足夠大正數，例如Cmax大于z。
[0162] 在本發明的一個優選實施方式中，以某煉鋼廠的生產調度計劃編制實例進行了算 法的檢驗和應用測試。該煉鋼廠有轉爐煉鋼-LF精煉-RH精煉-連鑄四個主要生產工序，其生 產流程簡圖如圖3所示。統計生產實績數據得到了各鋼種在各工序上加工時間和設備間運 輸時間的分布規律。依據現實生產中某段時間的澆次計劃進行仿真實驗，如表1所示。遺傳 算法參數設置為:種群大小200，進化代數100，交叉概率P。為0.8，變異概率P m為0.01。經過多 次實驗，混合遺傳算法均能在50s內得到優化的生產作業計劃，如圖4所示。
[0163] 表1澆次計劃
[0165] 圖5為計劃內各爐次（1 < i < 40)從轉爐出鋼至連鑄機開始澆鑄的流程作業時間的 仿真計算值與生產實績的比較，包括結合本發明設備選擇優先級策略的混合遺傳算法 (Hybrid Genetic Algorithm，HGA)仿真計算值，與未結合本發明設備選擇優先級策略的基 本遺傳算法(Simple Genetic Algorithm，SGA)仿真計算值，以及生產實績值的比較。表2給 出了仿真計算與生產實績的流程作業時間的統計平均值，由比較可知HGA和SGA的計算值均 優于生產實績，且HGA優化效果更為明顯。這是因為現實生產中并未對生產計劃進行優化， 造成了現實生產中爐次往往有更長的運輸距離及較長的等待時間。同時，圖5還顯示出作業 時間的仿真計算值HGA方法較SGA方法要更趨于平穩，原因是由于在未經優化的SGA遺傳操 作中，設備選擇的隨機性更大，造成了個別爐次加工任務的生產路徑更為復雜且不盡合理， 從而增加了全流程作業時間。
[0166] 表2仿真計算與生產實績的流程作業時間的統計平均值
[0168] 在現實生產中，選擇不同的加工路徑會對運輸環節產生不同的影響，如設備匹配 較差的加工路徑通常具有更長的運輸距離或者更復雜的運輸中轉環節，物流更容易在途中 因等待而導致較大的溫降。因此可以用工序間設備匹配率來衡量物流在運輸環節能否順暢 運行。
[0169] 相鄰工序間設備匹配率的計算公式為：
[0171] 其中設備匹配指爐次選擇緊后工序上任務加工權重值《[(」-1，1^-1)，0，1^)]最 大的設備生產，gP?[(j-l，kH)，（j，kj)] = l。
[0172] 本發明對引入優先級策略的混合遺傳算法(HGA)和未引入優先級策略的基本遺傳 算法(SGA)，在相同的輸入條件下分別進行了 10次仿真實驗，其中對轉爐-LF間設備匹配率 nB〇F-lf、lf-cc間設備匹配率nLF-re和終解適應度函數值y E的比較結果如表3所示。
[0173] 表3仿真實驗結果對比
[0174]
[0175] 對比實驗結果，最終解的適應度函數平均值相當，因而兩種遺傳算法在減少鋼水 等待時間和保證準時生產上的優化性能相當。但是，由于未引入設備選擇優先級策略的簡 單遺傳算法在遺傳過程中，生產設備的選擇具有更大的隨機性，因而各項性能指標值的變 化幅度較大，并且在工序間設備匹配率上相比較低。而引入設備選擇優先級策略的混合遺 傳操作，在進化過程中，染色體以較大概率向著設備匹配關系更好的生產路徑演變，最終解 的設備匹配率比簡單遺傳算法平均高出15%，解的合理性更優。
[0176] 本發明從有利于煉鋼連鑄生產調度計劃可有效執行的角度，針對現實生產中存在 的設備選擇和作業時間的不確定性問題，提出了基于設備選擇優先級策略的煉鋼連鑄調度 計劃制定的建模方法，以及相應的混合遺傳求解算法。模型采用了作業時間分布函數的隨 機變量取值方法來描述生產作業時間的不確定性;并提出了用任務可執行設備的加工權重 賦值來對現實生產中加工設備間匹配關系進行量化描述以解決設備選擇的不確定性問題； 同時將設備選擇優先級策略引入遺傳算法的遺傳操作中形成混合遺傳算法進行模型的優 化求解。通過生成可行解、再進行解的優化的分步決策方式搜索解空間，能夠便捷得到優化 的可執行的煉鋼連鑄調度計劃。針對某煉鋼廠煉鋼連鑄調度計劃的編制實例的仿真計算， 結果表明了所提出的優先級策略混合遺傳算法具有優化爐次加工路徑、縮短流程作業時 間、提高設備匹配率的效果，驗證了模型和算法的有效性。進一步的研究將立足于把該算法 擴展到現實生產擾動下的煉鋼連鑄動態調度問題領域，以更好適應復雜生產的需求。
[0177] 在本說明書的描述中，參考術語"一個實施例"、"一些實施例"、"示例"、"具體示 例"、或"一些示例"等的描述意指結合該實施例或示例描述的具體特征、結構、材料或者特 點包含于本發明的至少一個實施例或示例中。在本說明書中，對上述術語的示意性表述不 一定指的是相同的實施例或示例。而且，描述的具體特征、結構、材料或者特點可以在任何 的一個或多個實施例或示例中以合適的方式結合。
[0178]盡管已經示出和描述了本發明的實施例，本領域的普通技術人員可以理解:在不 脫離本發明的原理和宗旨的情況下可以對這些實施例進行多種變化、修改、替換和變型，本 發明的范圍由權利要求及其等同物限定。
【主權項】
1. 一種利用優先級策略混合遺傳算法的煉鋼連鑄生產調度方法，其特征在于，包括如 下步驟： S1，煉鋼連鑄調度控制器分別與煉鋼廠的MES數據庫及MES客戶端系統連接并獲取煉鋼 廠的MES數據庫及MES客戶端系統中的煉鋼連鑄計劃數據； S2，建立生產調度計劃目標函數，所述目標函數為： min Z二aiXfi+a2Xf2 其中，αι為鑄機偏離預定開誘時間所產生的懲罰費用系數，Q2為爐次在生產中等待時間 所產生的懲罰費用系數;αι和02皆為算法可調參數。 fi表示各連鑄機偏離預定開誘時間量的總和，f2表示各誘次內的所有爐次在生產過程 中等待時間的總和，具體表示為：其中，L為連鑄機的數量;Tq為第q臺連鑄機預定的開誘時間；tq為第q臺連鑄機實際的開 誘時間，即 N為爐次總數，i為加工爐次，Μ為工序總數，Qj為爐次i在工序j上可用設備的集合， 是為爐次i在工序j-1設備kw和工序j設備k這間的運輸時間；工序W為工 序j的緊前工序，設備kw為設備的緊前設備； Kj為工序j上所有設備集合，為爐次i在工序j設備kj上作業前的等待 時間； 為爐次i在工序j設備上k苗日工的開始時間；為爐次i在緊前工序j-1設備 kj-i上的開始時間；為爐次i在緊前工序j-1設備kw上的結束時間；為爐次 i在緊前工序j-1設備kj-i上的加工時間； S3，建立約束條件集，所述約束條件集包括如下約束條件之一或任意組合:各誘次內爐 次的連誘約束條