熱軋生產(chǎn)計劃與負(fù)荷分配的多目標(biāo)群智能算法研究.pdf_第1頁
已閱讀1頁,還剩128頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、近年來,隨著鋼鐵行業(yè)競爭的日益加劇,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)過程中的關(guān)鍵工序之一,其中存在兩個重要的優(yōu)化問題:熱軋生產(chǎn)計劃與負(fù)荷分配。優(yōu)化熱軋生產(chǎn)計劃對提高生產(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)計劃與負(fù)荷分配的優(yōu)化方法具有重要的現(xiàn)實意義。
   熱軋生產(chǎn)計劃與負(fù)荷分配本質(zhì)上屬于多目標(biāo)優(yōu)化問題,以往文獻大都通過加權(quán)法將其轉(zhuǎn)化為單

2、目標(biāo)優(yōu)化問題,然后使用單目標(biāo)優(yōu)化算法求解,存在的問題是目標(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)群智能算法來優(yōu)化熱軋生產(chǎn)計劃與負(fù)荷分配問題,不僅避免了目標(biāo)權(quán)重的選擇,且算法一次運行便可產(chǎn)生多個Pareto最優(yōu)解,給決策者帶來了更大的決策自由度。
   針對熱軋生產(chǎn)計劃與負(fù)荷分配問題,首先設(shè)計了一種基于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,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機制,該算法框架利用Maximin適應(yīng)度函數(shù)具有的“識別”非支配解與“獎勵”分散解、“懲罰”聚集解的特性,在對其改進的基礎(chǔ)上,使用Maximin適應(yīng)度函數(shù)進行了適應(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,同時通過引入一個二維數(shù)組存儲Min適應(yīng)度,使得該算法框架的計算復(fù)雜度降低為O(mN2),體現(xiàn)了“

4、以空間換取時間”的思想。
   針對熱軋生產(chǎn)計劃優(yōu)化問題,本文將其歸結(jié)為多目標(biāo)獎金收集車輛路徑問題(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)計了熱軋生產(chǎn)計劃的多目標(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,使收集的獎金盡可能多(即盡可能處理優(yōu)先級高的板坯),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解作為最終的生產(chǎn)計劃。
   針對熱軋負(fù)荷分配問題,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)驗負(fù)荷分配方法更好

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論