法NSGA-II的求解詳細流程圖，由圖2可知，步驟400的具體流程包括：
[0096] 步驟401:初始化，輸入鋼鐵企業煉鋼-連鑄工廠的工序、設備參數，以及生產計劃 和鋼種信息，設置NSGA-II算法相關參數；
[0097] 步驟402:隨機產生指定數目的染色體，構成初始種群P(0);
[0098] 步驟403:針對初始種群中每條染色體，即每組給定的澆次開澆時刻向量，依次進 行時間分配、設備指派和沖突消解，然后計算其適應度值；
[00"]步驟404:按改進的Pareto支配關系對初始種群P(0)中的個體進行排序；
[0100]步驟405:采用聯賽選擇機制任選父代種群P(t)中的2個個體進行隨機配對，執行 多點交叉和多項式變異操作，生成子代個體；
[0101]步驟406:將子代個體加入子代種群Q (t)中去，并重復步驟405，直至子代種群被填 滿；
[0102] 步驟407:將父代種群P(t)和子代種群Q(t)并入臨時種群R(t)中；
[0103] 步驟408:針對臨時種群R(t)中每條染色體，依次進行時間分配、設備指派和沖突 消解，然后計算其適應度值；
[0104] 步驟409:依據邊界集和偏序集的構造方法，構造臨時種群R(t)的邊界集和偏序 集；
[0105] 步驟410:按照由偏序集確定的次序，依次選取臨時種群R (t)中個體加入下一代種 群P(t+1)中，直至填滿；
[0106] 步驟411:用P(t+1)替換P(t)，作為下一次進化計算中交叉和變異操作的父代種 群；
[0107] 步驟412:判斷是否達最大進化代數，或者種群中已出現與設備沖突時間對應的適 應度值f2為〇的個體且多代不進化，是，則執行步驟413，否則進化代數加1，并轉步驟405繼 續執行；
[0108] 步驟413:輸出優化結果，算法結束。
[0109] 步驟400中應用NSGA-II求解得到的煉鋼-連鑄生產時間計劃是一組設備沖突時間 均為0的解，這些解都是可行解和近優解，可以作為煉鋼-連鑄生產調度人員的決策依據，他 們可以結合自身經驗從中選取合適的解作為現場生產指導之用，進而提高整個煉鋼-連鑄 工廠的生產順行效率。
[0110] 本領域普通技術人員還可以理解，實現上述實施例方法中的全部或部分步驟是可 以通過程序來指令相關的硬件來完成，所述的程序可以存儲于計算機可讀取存儲介質中， 所述的存儲介質，包括ROM/RAM、磁盤、光盤等。
[0111] 以上所述僅為本發明的較佳實施例而已，并不用以限制本發明，凡在本發明的精 神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護范圍之內。
【主權項】
1. 一種基于NSGA-Π 的煉鋼連鑄生產調度的多目標優化方法，其特征在于，所述方法包 括： 步驟100，將煉鋼-連鑄生產調度的約束優化問題轉化為包含兩個目標的多目標優化問 題，第一目標為最小化全廠完工時間與所有爐次等待時間之和，第二目標為最小化設備沖 突時間之和； 步驟200，建立相應的煉鋼-連鑄生產智能調度的多目標優化模型，所述多目標優化模 型W最小化第一和第二目標函數值為特征； 步驟300，定義進化種群中個體的支配關系； 步驟400,采用多目標進化算法NSGA-n對所述步驟200中得到的所述煉鋼-連鑄生產智 能調度的多目標優化模型進行求解。2. 如權利要求1所述的方法，其特征在于，所述步驟100之前還包括:獲取鋼鐵企業煉 鋼-連鑄工廠的工序布置和設備配置，W及煉鋼-連鑄工廠所有冶煉鋼種的生產工藝的信 息，接收上級信息系統下發的生產批量計劃。3. 如權利要求1所述的方法，其特征在于，所述步驟200中建立的所述煉鋼-連鑄生產智 能調度的多目標優化模型為：其中，式（1)為目標函數集，其中：fi表示全廠完工時間與所有爐次等待時間之和;f2表 示設備沖突時間之和，$表示為各誘次的開誘時刻構成的優化變量； i表示誘次編號，共有I個誘次，i = l，2,…，I;j表示爐次編號，第i個誘次中包含的爐次 數為Ji，j = 1，2，…，Ji ; k表示工序編號，共有K道工序，連鑄工序編號為k=K，kl、kr和k。分別 為轉爐、真空精煉和連鑄工序的編號； Θ表示全部誘次的集合，Θ = {i I i e [ 1，I ]}; Φ1表示第i個誘次中的爐次集合，Φ1 = {j jE[l，Ji]};W表示全部處理工序的集合，Ψ =化|ke[l，K]}; (i，j，k)表示序號組合，用于唯一標識第i個誘次中的第j個爐次在第k道工序的處理操 作；表示序號組合，用于唯一標識與第i個誘次中的第j個爐次在第k道工序使用同一 設備的緊前爐次的處理操作，對應第個誘次中第j個爐次的第k道工序； x(i，j，k)表不（i , j ,k)的開始時刻;y(i , j ,k)表不為（i , j ,k)指定的設備序號；tif(i , j , k)表示（i，j，k)開始處理之前的等待時間，真空和連鑄工序處理開始前兩處的等待時間分 別為tw( i，j，kr)和tw( i，j，kc); C"(*,)表示爐次在真空精煉工序的等待時間上限；C化）表示爐次在連鑄工序的等待 時間上限；tp(i，j，k)表示（i，j，k)的處理時間；tt(i，j，k)表示第i個誘次中的第j個爐次在 工序k和后工序之間的運輸時間。4. 如權利要求3所述的方法，其特征在于，其中，fi,i表示全廠完工時間;fi,2表示所有爐次等待時間。5. 如權利要求1所述的方法，其特征在于，所述步驟300中定義進化種群中個體的支配 關系的策略包括： 對于任意兩個個體，第二目標函數值較小的個體占優； 若兩個個體具有相等的第二目標函數值，第一目標函數值較小的個體占優； 對于第一和第二目標函數值均相等的個體，聚集距離大的個體占優。6. 如權利要求1所述的方法，其特征在于，所述步驟400中采用多目標進化算法NSGA-II 求解步驟200中得到的煉鋼-連鑄生產智能調度的多目標優化模型時，優化變量為各誘次的 開誘時刻構成的向量，構成種群的染色體由與誘次開誘時刻對應的基因拼接而成，每條染 色體都有與第一和第二目標函數值對應的適應度值。7. 如權利要求6所述的方法，其特征在于，所述步驟400包括： 步驟401:初始化，輸入鋼鐵企業煉鋼-連鑄工廠的工序、設備參數，W及生產計劃和鋼 種信息，設置NSGA-II算法相關參數； 步驟402:隨機產生指定數目的染色體，構成初始種群P(0); 步驟403:針對初始種群中每條所述染色體，依次進行時間分配、設備指派和沖突消解， 計算其適應度值； 步驟404:按改進的Pareto支配關系對所述初始種群P(0)中的個體進行排序； 步驟405:采用聯賽選擇機制任選父代種群P(t)中的2個個體進行隨機配對，執行多點 交叉和多項式變異操作，生成子代個體； 步驟406:將所述子代個體加入子代種群Q(t)中去，并重復所述步驟405，直至所述子代 種群被填滿； 步驟407:將所述父代種群P(t)和所述子代種群Q(t)并入臨時種群R(t)中； 步驟408:針對所述臨時種群R(t)中每條染色體，依次進行時間分配、設備指派和沖突 消解，計算其適應度值； 步驟409:依據邊界集和偏序集的構造方法，構造所述臨時種群R(t)的邊界集和偏序 集； 步驟410:按照由偏序集確定的次序，依次選取所述臨時種群R(t)中個體加入下一代種 群P(t+1)中，直至填滿； 步驟411:用P(t+1)替換P(t)，作為下一次進化計算中交叉和變異操作的父代種群； 步驟412:判斷是否達最大進化代數，或者種群中已出現與設備沖突時間對應的適應度 值f 2為0的個體且多代不進化，是，則執行步驟413，否則進化代數加1，并轉步驟405繼續執 行； 步驟413:輸出優化結果，算法結束。
【專利摘要】本發明適用于煉鋼-連鑄生產工藝領域，提供了一種基于NSGA-II的煉鋼連鑄生產調度的多目標優化方法，包括：將煉鋼-連鑄生產調度的約束優化問題轉化為包含兩個目標的多目標優化問題，第一目標為最小化全廠完工時間與所有爐次等待時間之和，第二目標為最小化設備沖突時間之和；建立相應的煉鋼-連鑄生產智能調度的多目標優化模型，多目標優化模型以最小化第一和第二目標函數值為特征；定義進化種群中個體的支配關系；采用多目標進化算法NSGA-II對多目標優化模型進行求解。通過將煉鋼-連鑄生產調度這一復雜的約束優化問題轉化為包含兩個目標的多目標優化問題，松弛了傳統方法求解時難以滿足的約束，在減少迭代計算負荷的同時，提高了運算收斂的可能性。
【IPC分類】G06Q50/04, G06Q10/06, G06Q10/04
【公開號】CN105550771
【申請號】CN201510905910
【發明人】曾亮
【申請人】中冶南方工程技術有限公司
【公開日】2016年5月4日
【申請日】2015年12月9日