随着两化融合的快速发展,钢铁行业的生产模式逐渐向智能化方向转变,但一些细节上的智能性和优化效果还不够明显,基于人工经验的实施方案在时间代价上损耗较大。如高速工具钢棒线材热连轧的换辊次数优化问题,目前普遍采用基于专家经验的生产模式。然而,由于高速工具钢具有特殊的生产工艺,包括单次换辊时间长、轧制过程复杂、消耗成本高、对机器运载要求严格等特点,基于人工经验的换辊次数优化方法,将引发生产时间长、人工成本高、生产效率低等问题。该课题针对高速工具钢棒线材热连轧换辊次数优化问题,研究了一种多约束的数学模型构建方法和基于混合蚁群算法的换辊次数优化算法,并采用某特钢生产线的实际数据,仿真验证了方法的有效性。本文的主要创新性工作包括:(1)针对具体的高速工具钢棒线材热连轧换辊次数优化问题,进行分析与描述,提出了一种适用于该问题的数学模型,给出了该数学模型的目标函数和约束条件。(2)在具体分析了蚁群算法、遗传算法的优缺点和运行模式的基础上,提出了一种与数学模型相结合的混合蚁群算法,不仅保留了样本的多样性,还提高了算法的收敛速度,加快了搜索进程。(3)采用河北某钢厂的实际生产数据与生产环境,对所提出的方法进行了仿真验证。结果表明,相对于单模型的遗传算法和蚁群算法,采用混合蚁群算法求解问题模型,高速工具钢棒线材热连轧的换辊次数得到了优化,换辊次数明显减少,运行速度也得到提升。在实际生产过程中,对企业有一定的参考价值。