论文部分内容阅读
近年来,随着钢铁行业竞争的日益加剧,降低生产成本、提高产品质量成为钢铁企业追求的目标。热轧是钢铁生产过程中的关键工序之一,其中存在两个重要的优化问题:热轧生产计划与负荷分配。优化热轧生产计划对提高生产效率、降低生产成本有着重要的意义,而优化热轧负荷分配则是提高产品质量的重要途径。因此,研究热轧生产计划与负荷分配的优化方法具有重要的现实意义。热轧生产计划与负荷分配本质上属于多目标优化问题,以往文献大都通过加权法将其转化为单目标优化问题,然后使用单目标优化算法求解,存在的问题是目标权重往往很难确定,特别是在目标数量级不一致的情形下。鉴于单目标优化方法的局限性,本文使用多目标群智能算法来优化热轧生产计划与负荷分配问题,不仅避免了目标权重的选择,且算法一次运行便可产生多个Pareto最优解,给决策者带来了更大的决策自由度。针对热轧生产计划与负荷分配问题,首先设计了一种基于Maximin适应度函数的多目标群智能算法框架,其基本思想是在保证优化性能的同时,尽量降低算法复杂度。在多目标群智能算法中,适应度分配、精英保留、多样性保留是最重要的三个机制,该算法框架利用Maximin适应度函数具有的“识别”非支配解与“奖励”分散解、“惩罚”聚集解的特性,在对其改进的基础上,使用Maximin适应度函数进行了适应度分配、精英保留与多样性保留,并提出了一种混合多样性保留策略,提高了算法的多样性能,同时通过引入一个二维数组存储Min适应度,使得该算法框架的计算复杂度降低为O(mN2),体现了“以空间换取时间”的思想。针对热轧生产计划优化问题,本文将其归结为多目标奖金收集车辆路径问题(PCVRP)模型,该模型兼具板坯选择与排程的功能。在此基础上提出了一种Pareto最大最小蚂蚁系统算法(P-MMAS)来优化该模型。P-MMAS在最大最小蚂蚁系统算法的基础上,重新设计了状态转移策略、信息素更新策略、局部搜索策略及信息素平滑机制,并使用基于Maximin适应度函数的多目标群智能算法框架进行适应度分配、精英保留与多样性保留。在此基础上,设计了热轧生产计划的多目标优化方法:首先在满足轧制规程约束的基础上,使用P-MMAS算法在最小化相邻板坯间跳跃惩罚的同时,使收集的奖金尽可能多(即尽可能处理优先级高的板坯),由此得到一组非支配解;然后使用TOPSIS多目标决策方法选择其中的一个解作为最终的生产计划。针对热轧负荷分配问题,本文建立了综合考虑轧制力裕量均衡、轧辊磨损控制与板形控制等因素的多目标优化模型,并提出了一种基于局部搜索的多目标粒子群算法(LS-MOPSO)进行优化。该算法在多目标优化中引入局部搜索策略,通过构造局部搜索聚合函数,并使用数学规划方法求解以加速算法收敛到Pareto最优解。此外,使用基于Maximin适应度函数的多目标群智能算法框架进行适应度分配、精英保留与多样性保留。为避免粒子群算法早熟收敛,算法中引入了高斯变异算子。最后,为处理负荷分配优化模型中的约束条件,提出了一种有效的约束处理方法。研究表明使用LS-MOPSO不仅能获得比经验负荷分配方法更好的解,而且还能揭示负荷分配模型不同目标间的矛盾关系,体现了热轧负荷分配多目标优化方法的优越性,也验证了LS-MOPSO算法解决实际问题的有效性。