CN103839114A - 炼钢车间时序计划自动编制*** - Google Patents

Abstract

本发明公开了一种炼钢车间时序计划自动编制***，包括工艺参数设置模块、***参数设置模块、时序计划需求设置模块、需求数据预处理模块、时序计划自动编制模块以及时序计划显示模块；所述工艺参数设置模块主要负责提供各种参数设置功能，***参数设置模块主要包括模型参数和算法参数，时序计划需求设置模块从ERP下载批量计划，并存入本地数据库，同时提供批量计划编辑功能，所述时序计划需求预处理模块是将所述时序计划需求设置模块和所述时序计划自动编制模块间的桥梁，主要负责从时序计划需求设置模块提取批量浇次计划、衔接信息和钢种连浇许可信息，所述时序计划显示模块显示所述时序计划自动编制模块计算得出的时序计划结果甘特图。

Description

炼钢车间时序计划自动编制***

技术领域

本发明属于钢铁生产工艺及信息技术领域，涉及到运筹学建模和智能优化算法，尤其涉及到一种炼钢车间时序计划自动编制方法及***。

背景技术

伴随中国经济的腾飞，炼钢-连铸一体化生产工艺在我国钢铁企业中得到长足的发展。作为“软实力”的炼钢-连铸生产优化控制成为在当前钢铁行业产能严重过剩的严峻形势下钢铁企业节能增效的迫切需要。

文献“A production scheduling system at the stahllinz GMBH.Seoul:ProcInt1Conf onCPC-93in Steel Plant,1993:342～350”中论述到，炼钢车间生产优化控制涉及到两类计划：一类属于批量组合计划，另一类是生产调度计划（即时序计划）。钢铁企业一般采用面向订单的生产模式。为了迎合市场需求，钢铁企业的产品具有“批量小，品种多，产量大”的特点。炼钢车间生产计划以客户订单为原始数据，经过生产目标质量计划设计和生产目标计划设计，将其转换为生产合同计划。炼钢批量组合计划以生产合同计划为输入条件进行组织编排。由于合同计划是多品种、小批量的，而炼钢车间组织生产必须以固定批量（如一炉）进行冶炼，另外连铸机的起停需要调整时间和调整费用，组织生产时希望尽可能地让更多的炉次在同一连铸机上连续浇铸，以降低成本。因此，炼钢车间生产批量计划包括两种类型：一种是炉次计划，另一种是浇次计划。将生产合同根据固定批量进行拆分和合并形成了炉次计划。而浇次计划则是将多个炉次计划安排到同一连铸机上进行连续浇铸。

炼钢车间时序计划是在批量计划的基础上，以炉次为最小计划单位，以某一评价函数为目标的一类多工件、多工序、多机的混合job-shop问题，其目的是输出批量计划内的每一浇次的每一炉次在生产过程中的各道工序上的哪一个设备上开始处理和结束处理的全过程的时序图。该问题被证明为NP-Hard问题，迄今为止没有找到一个有效算法进行求解。

目前钢厂中ERP普遍集成了炉次计划和浇次计划编排功能。已有相关专利如一种炼钢-连铸炉次批量计划自动编制方法及***（公开号“CN101303588A”）主要实现了以合同板坯为输入快速生成炼钢-连铸生产中的炉次计划；一种炼钢-连铸中间包批量计划方法和***（公开号“CN1885328”）主要实现了以炉次为输入形成连铸机上中间包生产的浇次计划。由于国外炼钢车间计划研究起步早，目前已有完整的炉次计划、浇次计划和炉次时序计划编排方法。然而，国内钢厂中炉次时序计划仍然主要依靠调度人员根据炼钢班次计划进行人工编排。炼钢班次计划是ERP下达的每个班次时间内需要冶炼的炼钢-连铸浇次计划。由于钢种品类众多，各种约束条件复杂，尤其是在炉机多对多混合对应的复杂生产工艺情形下，人工编排难度大，不能从全局统筹调度，科学性差。

炉次时序计划编排问题，利用传统精确算法无法进行求解，必须寻求有效的近似算法进行处理。随着人工智能的发展，智能优化方法被广泛应用于工程技术领域。与传统的优化方法不同，智能优化方法通过模拟和学习人工智能，能有效的克服了NP-Hard问题求解结果不收敛或者容易陷入局部最优点等难题。目前学术界已有采用遗传算法、模拟退火算法、蚁群算法、神经网络和禁忌搜索算法等NP-Hard问题的实例。智能优化算法在解决大规模NP-Hard优化问题，具有无可比拟的优越性，但是在应用到具体炼钢车间时序计划编排问题时，其搜索效率仍有待提高以满足生产需求。

发明内容

有鉴于此，本发明要解决的技术问题在于提供一种炼钢车间时序计划自动编制方法及***。该方法是执行于计算机的时序计划自动编制方法，该方法以当前批量计划的所有浇次计划为原始数据，全局优化，制定各浇次内的炉次时序计划，提高了计划编制水平和科学性；同时考虑批量衔接，关联相邻批量计划的炉次时序计划，解决了时序计划中的衔接问题；缩短了优化过程运行时间。

为解决上述技术问题，本发明的技术方案是这样实现的：一种炼钢车间时序计划自动编制***，所述***包括工艺参数设置模块、***参数设置模块、时序计划需求设置模块、需求数据预处理模块、时序计划自动编制模块以及时序计划显示模块；所述工艺参数设置模块主要负责提供各种参数设置功能，***参数设置模块主要包括模型参数和算法参数，时序计划需求设置模块从ERP下载批量计划，并存入本地数据库，同时提供批量计划编辑功能，所述时序计划需求预处理模块是将所述时序计划需求设置模块和所述时序计划自动编制模块间的桥梁，主要负责从时序计划需求设置模块提取批量浇次计划、衔接信息和钢种连浇许可信息，所述时序计划显示模块显示所述时序计划自动编制模块计算得出的时序计划结果甘特图。

进一步，所述模型参数和算法参数的具体实现步骤包括：炼钢车间时序计划的工艺约束、定义使用的变量和参数定义、炼钢车间时序计划的模型构造以及炼钢车间时序计划的优化算法。

进一步，所述连铸车间是时序进化的模型构造是在各种约束条件的前提下，确定每一炉次在各道工序上的开始时刻、结束时刻和加工设备，在一定时间窗内完成指定的炼钢批量计划，同时追求某些指标的最优化；该模型构造包括目标选取、模型表达和模型处理。

进一步，所述模型处理包括决策变量取值范围和约束处理，所述决策变量需要进行优化的变量包括断浇浇次的开始时刻，开浇时刻的可行域由最早开浇时刻和最晚开浇时刻确定，最早开浇时刻计算方法为：

首先判断当前浇次是否为所在连铸机上的第一浇次，若是，则当前浇次的最早开始时刻为：

$\max (\min ({\mathrm{at}}_{k,s}+\underset{k^{\′}=k}{\overset{k^{\′}=K-1}{\mathrm{\Σ}}}({\mathrm{pt}}_{i,1,k^{\′}}+{\mathrm{tt}}_{k^{\′},{\underset{\‾}{k}}^{\′}})),{\mathrm{at}}_{K,s}+{\mathrm{RT}}_i)$

若否，则令当前浇次i所在连铸机上的前一浇次为i′,当前浇次i的最早开始时刻为

其中min(st_i′,1,K)表示浇次i′的最早开始时刻；

最晚开浇时刻计算方法为：首先判断当前浇次i是否为所在连铸机上的最后一个浇次；

若是，则当前浇次的最晚开浇时刻为 $\mathrm{TWD}+\mathrm{Maxlh}\×{\mathrm{pt}}_{i,J_i,K}-\underset{j\∈{\mathrm{\Ω}}_i}{\mathrm{\Σ}}{\mathrm{pt}}_{i,j,K};$

若否，则首先计算当前浇次所在连铸机上的最后一个浇次的最后一个炉次的处理时间，记为

然后统计当前浇次的后续断浇后连铸机恢复再生产能力需要的时间之和,记为

再计算当前浇次所在连铸机上的后续浇次的总浇铸时间，记为pt_allfc。最后利用公式：

$\mathrm{TWD}+\mathrm{Maxlh}\×{\mathrm{pt}}_{\mathrm{last},J_{\mathrm{last}},K}-\underset{i\∈\mathrm{allfc}}{\mathrm{\Σ}}{\mathrm{RT}}_i-{\mathrm{pt}}_{\mathrm{allfc}}-\underset{j\∈{\mathrm{\Ω}}_i}{\mathrm{\Σ}}{\mathrm{pt}}_{i,j,K}$

计算得出该当前浇次的最晚开浇时刻。

进一步，所述约束包括有同一设备只有在前一炉次计划加工完毕之后才能开始下一炉次计划的时刻，其加工公式为罚函数：

$\begin{array}{c}{p}_h=\mathrm{\Σ}\max \{0,{\mathrm{et}}_{i,j,k}+{\mathrm{ast}}_{i,j,k}-{\mathrm{st}}_{i^{\′},j^{\′},k}\}\\ \∀i,i^{\′}\∈\mathrm{\Θ},j\∈{\mathrm{\Ω}}_i,j^{\′}\∈{\mathrm{\Ω}}_{i^{\′}},s_{i,j,k}=s_{i^{\′},j^{\′},k},{\mathrm{st}}_{i^{\′},j^{\′},k}>{\mathrm{st}}_{i,j,k}\end{array}$

约束还包括有表示同一炉次的相邻工序之间，紧后工序须在前一工序处理完毕之后才能开始时刻，加工公式为：

$p_{\mathrm{mc}}=\mathrm{\Σ}\max \{0,\mathrm{MCI}-|{\mathrm{st}}_{i,j,k}-{\mathrm{st}}_{i^{\′},j^{\′},k}\left|\right\}$

$\∀i,i^{\′}\∈\mathrm{\Θ},j,j^{\′}\∈{\mathrm{\Ω}}_i,s_{i,j,k}\≠s_{i^{\′},j^{\′},k},$ k为转炉工序

模型中的其他约束条件，函数转化为以下形式：

$\begin{array}{c}f\left(X\right)=\min (\max \left(c_f{\mathrm{et}}_{i,j,K}\right)+\underset{i\∈\mathrm{\Θ}}{\mathrm{\Σ}}\underset{j\∈{\mathrm{\Ω}}_i}{\mathrm{\Σ}}\underset{k\∈{\mathrm{\Φ}}_{i,j}}{\mathrm{\Σ}}{c}_{\mathrm{wt}}{\mathrm{wt}}_{i,j,k}+c\left(X\right))\\ c\left(X\right)=c_h{p}_h+c_{\mathrm{mc}}{p}_{\mathrm{mc}}\end{array}$

其中，c(X)表示模型惩罚，c_hp_h表示炉次冲突惩罚；c_mcp_mc表示兑铁时刻冲突惩罚。

进一步，所述炼钢车间时序为了确定各个浇次的开浇时刻，采用述遗传、模拟退火混合智能算法，该算法的包括以下步骤：

步骤1：加载***参数模块设置的参数；

步骤2：设定初始温度模拟退火起始温度T=T_max;

步骤3：初始化种群，种群大小表示为N;

步骤4：并行计算各个体的适应度和冲突值；

步骤5：按适应度从大到小，对所有个体进行排序；

步骤6：从种群中选择最优的m个个体，即排序后的前m个个体，将其按序号两两配对，利用并行计算，进行交叉、变异操作，产生新个体；

步骤7：使用步骤6产生的m个新个体，替换原种群中的m个最差的个体；

步骤8：对种群中的所有个体同时进行模拟退火搜索，

步骤9：进行降温操作，T=αT，其中α为降温系数；

步骤10：若温度T≤T_min,则转至步骤12；

步骤11：判断优化结果是否满足停止准则。停止准则为：若存在冲突值为0的最优解，且最优解的适应度重复出现一定次数；若不满足停止准则，则转至步骤5；

步骤12：输出最优解。最优解的确定方式为：搜索解集合中冲突为0的所有解，并按适应度由大到小排序，选择其中适应度最大的解作为最优解；若不存在冲突为0的解，则选择冲突值最小的所有解中适应度最大的解作为最优解。

7、如权利要求6所述的炼钢车间时序计划自动编制***，其特征是，所述步骤8中模拟退火搜索过程具体步骤如下：

步骤1：使用符号i表示个体染色体的基因序号，即决策变量序号，并令i=1;

步骤2：计算第i个决策变量扰动后的新解X′,计算新解对应的目标函数f(X′)和冲突值c(X′)，扰动方法为：向量X中的决策变量x_i使用邻域函数产生新的值x_i'，与其他决策变量共同组成新解X'，邻域函数如下：

$x^{\′}=\left\{\begin{array}{cc}x+r\×\mathrm{scale}\×(x_{\max }-x)& \mathrm{flag}=1\\ x+r\×\mathrm{scale}\×(x_{\min }-x)& \mathrm{flag}=-1\end{array}\right.$

$\mathrm{scale}=\frac{T-T_{\min }}{T_{\max }-T_{\min }}$

其中r为0～1间的随机数，x_min、x_max分别为x的上下限，flag表示变化方向，flag为1和-1的概率相同。scale为自适应邻域因子，随温度降低而减小；

步骤3：计算X'和X对应的目标函数之差，Δf=f(X')-f(X)，若Δf<0或e^(-Δf/T)≥random(0,1)，则接受新解；否则转至步骤4；

步骤4：操作下一决策变量，i=i+1；

步骤5：若遍历完所有决策变量，则将决策变量值编码成二进制串，更新该个体的染色体，结束；否则转至步骤2。

本发明达到的技术效果如下：本发明提供了一种炼钢车间时序计划自动编制方法及***。该方法是执行于计算机的时序计划自动编制方法，该方法以当前批量计划的所有浇次计划为原始数据，全局优化，制定各浇次内的炉次时序计划，提高了计划编制水平和科学性；同时考虑批量衔接，关联相邻批量计划的炉次时序计划，解决了时序计划中的衔接问题；并提出了基于并行计算的遗传、模拟退火混合算法，提高了模型优化搜索质量，同时充分利用多核CPU运算能力，缩短了优化过程运行时间。

附图说明

图1为本发明***的时序计划需求设置模块流程图，

图2为本发明***的时序计划需求预处理模块流程图，

图3为本发明***的炼钢车间时序计划自动编制方法整体流程图，

图4为基于规则的排程方法中的“双严”计算流程图，

图5为基于规则的排程方法中的加工设备指定流程图，

图6为基于规则的排程方法中的冲突消解策略流程图，

图7为冲突消解策略中的最大提前/推迟时间计算流程图，

图8为冲突消解策略中的炉次开始时刻推迟运算流程图，

图9为冲突消解策略中的炉次开始时刻提前运算流程图，

图10为冲突消解策略中的炉次开始时刻提前/推迟量分配流程图，

图11为冲突消解策略中的炉次开始时刻计算流程图，

图12为本发明***的炼钢车间计划模型的目标函数计算过程流程图，

图13为本发明***的混合智能优化算法流程图，

图14为本发明***的混合智能优化算法中的模拟退火流程图，

图15为本发明***的工序信息设置界面，

图16为本发明***的工艺路线设置界面，

图17为本发明***的钢种大类设置界面，

图18为本发明***的钢种明细设置界面，

图19为本发明***的工序流程时间设置界面，

图20为本发明***的工序间运输时间和最大间隔设置界面，

图21为本发明***的典型拉速设置界面，

图22为本发明***的浇铸要求设置界面，

图23为本发明***的***参数设置界面，

图24为本实例中的批量计划设置界面及数据，

图25为本实例中的交接信息设置界面及数据，

图26为本实例中的连浇许可设置界面及数据，

图27为本发明的时序计划显示界面及本实例的当前班次时序计划甘特图，

图28为本实例的班次衔接时序计划视图。

具体实施方式

本发明是基于钢铁企业的ERP平台的炼钢车间时序计划自动编制***，该***从钢铁企业ERP平台下载炼钢批量计划数据，将其保存在本***自身的独立数据库中，可对原始数据进行操作维护，保证了该***与ERP平台的相对独立。***需求的硬件配置为个人计算机（推荐具有多核处理器的计算机）和计算机网络（以太网卡或拨号网络所需调制解调器）。***软件包含MicrosoftSQLServer2005数据库，同钢铁企业ERP平台的接口，前端UI界面，数据预处理模块和基于炼钢车间时序计划模型的并行混合智能算法。本发明的软件包括以下六大类模块：工艺参数设置模块、***参数设置模块、时序计划需求设置模块、需求数据预处理模块时序计划自动编制模块以及时序计划显示模块，具体如下：

1）工艺参数设置模块：主要负责提供各种参数设置功能。它包括以下子模块：工序信息设置模块，即设置工序信息表；

钢种大类设置模块，即设置钢种大类表；

钢种明细设置模块，即设置钢种明细表；

工艺路线设置模块，即设置工艺路线及该路线包含的工序；

工序流程时间设置模块，即设置工序流程表。工序流程时间与钢种大类相关；

相邻工序间运输时间设置模块，即设置运输时间表；

工序间节奏要求设置模块，即设置工序间节奏要求表，由于炼钢车间加工的工件是高温的钢水（贴水），工序间传递时会随时间增长发生温降，因此工艺路线上的相邻工序间存在时间节奏要求；

连铸机典型拉速设置模块，即设置典型拉速表，典型拉速与钢种大类和浇铸断面有关；

连铸机浇铸时间计算公式参数设置，即设置浇铸时间公式参数表，查询连铸机典型拉速设置模块中设置的典型拉速，根据浇铸时间公式，即可计算出连铸机上每一炉次的浇铸时长；

连铸机工艺约束设置，即设置连铸机工艺约束表，约束包括调整时间、最大连浇炉数等。

2)***参数设置模块：即设置***参数表，***参数主要包括模型参数和算法参数。炼钢车间时序计划模型是一个多目标复杂约束的数学规划模型，目标函数中的权重参数直接影响到算法得出的计划结果，另外求解模型使用的智能混合算法中也存在算法参数，如搜索次数、种群大小等对对求解过程和结果有一定影响。在实际应用本***时，可以在该模块中对参数进行设置和调整，观察实际运行效果，选择效果较好情况对应的参数组合作为***参数的默认值。

3)时序计划需求设置模块：主要负责从ERP下载批量计划，并存入本地数据库，同时提供批量计划编辑功能。并包含衔接信息设置功能和钢种连浇许可设置功能。该模块逻辑流程如图1所示。

4)时序计划需求预处理模块：该模块是时序计划需求设置模块和时序计划自动编制模块间的桥梁，主要负责从时序计划需求设置模块提取批量浇次计划、衔接信息和钢种连浇许可信息，同时连铸机工艺约束模块设置的工艺约束等条件，判断同一连铸机上的各浇次是否连浇以及浇次是否需要拆分，最终形成优化模型需要的浇次表，该模块的逻辑流程图如图2所示。

5)时序计划自动编制模块：该模块使用工艺参数设置模块设置的各种工艺参数、***参数设置模块设置的模型参数和算法参数，以及计划设置模块设置的批量计划、衔接信息和钢种连浇许可信息，基于本发明提出的数学规划模型和遗传-模拟退火混合算法，计算出时序计划结果。根据需要调整以上各参数，重新运行该模块，可以得出新解，直到满足现场需求为止。

6)时序计划显示模块：显示时序计划自动编制模块计算得出的时序计划结果甘特图。

本发明炼钢车间时序计划自动编制方法如图3所示，包括以下步骤：

1)设置工艺参数。具体包括：

设置工序信息。包括工序名称、工序编码和该工序拥有的设备数量；

设置钢种大类。即维护钢种大类表，包括钢种大类号，英文名称和中文名称；

设置钢种明细。即维护钢种明细表，包括钢种牌号和所属钢种大类号；

设置工艺路线。即设置炼钢车间生产工艺中使用到的各条工艺路线，包括路线编号，路线名，以及该路线包含的工序；

设置工序流程时间。即维护工序流程时间表，包括工序编号，钢种大类号，辅助时间，处理时间；

设置相邻工序间运输时间。包括工序编号，下一工序编号和运输时间；

设置工序间节奏要求。包括工序编号，当前工序开始前最大等待时间，上道工序处理结束与当前工序开始处理之间最大间隔时间。

设置连铸机典型拉速。包括：钢种编号，厚度，最小宽度，最大宽度和拉速。

设置连铸机浇铸时间公式参数。根据实际工艺设置不同组别的参数，计算首炉浇铸周期以及其余炉次浇注周期。包括：连铸机编号，标准大包重量，中包量，钢水密度，修正值和周期类型。其中周期类型为首炉或者其余。

设置连铸机工艺约束。包括钢种大类号，调整时间和最大连浇炉数。

2)设置***参数。首次运行，可以直接按照默认***参数运行，也可以调整***参数后再执行模型运算。

3)设置时序计划编排需求。首先，选择计划日期，批量号（如班次号）查询批量计划，调度人员可以根据现场需求对批量计划进行调整，批量计划包括:序号，连铸机编号，厚度，宽度，炉数，重量，钢种牌号等；然后设置衔接信息，即炼钢车间时序计划模型的起始条件，衔接信息包括：各工序上的每一设备的完工时刻，连铸机上完工前浇铸的钢种、宽度、厚度以及连铸机连铸连续浇铸炉数；最后设置加载各个连铸机上的相邻浇次的钢种组合，并设置是否允许连浇。

4)对时序计划需求进行预处理，形成含有连浇信息的浇次表。

5)基于时序计划模型和智能优化算法，自动生成炼钢车间时序计划。

6)通过时序计划显示模块查看以甘特图形式呈现的炼钢车间时序计划。

本发明中的炼钢车间时序计划的数学模型和优化算法的具体技术方案如下：

1.炼钢车间时序计划的工艺约束

本发明根据炼钢车间生产工艺和生产组织工作存在的限制条件，提出了炼钢车间时序计划编制的工艺约束，主要包括：

（1）同属一个大类的钢种，工艺路线相同，即钢种大类决定钢种的工艺路线，所属不同钢种大类的钢种，工艺路线可能不同；

（2）同一炉次的相邻工序之间，紧后工序须在前一工序处理完毕之后才能开始；

（3）同一设备只有在前一炉次计划加工完毕之后才能开始下一炉次计划的加工；

（4）同一台连铸机必须在一定炉次范围内连续浇铸，不能超出最大连浇炉数；

（5）连铸机断浇后，需要一定的调整时间获得再生产能力；

（6）两个转炉不能同时兑铁，必须保持一定时间间隔；

（7）每一连铸机上，允许一定量的炉次的浇铸顺延到下一批量计划时间窗内完成。

另外，约定各道生产工序中加工设备无差别，吊车和钢包车等运输工具的能力充足，运输环节不作为主要工序考虑，但是运输时间计入运输时间，且相邻工序间的运输时间与设备布局无关；

2）符号定义

为了便于描述，下文中使用的变量和参数定义如下：

h——某一炉次序号；

i——浇次序号，共有I个浇次；

j——第i个浇次中的炉次序号；

k——处理工序编号，共有K道工序；

——工序k的紧前工序；

——工序k的紧后工序；

s_k——第k道工序的设备编号；

J_i——第i个浇次中的炉次总数；

S_k——第k道工序的设备总数；

Θ——浇次集合Θ={i|i∈[1,I],i∈Z};

Ω_i——第i个浇次的炉次集合Ω_i={j|j∈[1,J_i],j∈Z}；

Φ——全部工序集合,Φ={k|k∈[1,K],k∈Z};

Φ_h——炉次h经过的加工工序集合；

Φ_i,j——第i个浇次中的第j个炉次经过的加工工序集合；

at_k,s——工序k的设备s的可用时刻；

st_h,k——炉次h在工序k上的开始时刻；

st_i,j,k——第i个浇次中的第j个炉次在工序k上的作业开始时刻；

et_i,j,k——第i个浇次中的第j个炉次在工序k上的作业结束时刻；

pt_i,j,k——第i个浇次中的第j个炉次在工序k上的处理时间；

ast_i,j,k——第i个浇次中的第j个炉次在工序k上的辅助时间；

wt_i,j,k——第i个浇次中的第j个炉次在工序k前的等待时间；

tt_k,k′——第k道工序到第k′道工序的运输时间；

s_i,j,k——第i个浇次中的第j个炉次在工序k上使用的设备编号；

m1——钢包装入量；

m2——中包装入量；

v——典型拉速；

ρ——钢液密度；

a——铸坯宽度；

b——铸坯厚度；

σ——修正值；

td_h,k——炉次h在工序k上的推迟时间；

ta_h,k——炉次h在工序k上的提前时间；

maxtd_h,k——炉次h在工序k上允许的最大推迟时间；

maxta_h,k——炉次h在工序k上允许的最大提前时间；

c_h,h′,k——炉次h与炉次h′在工序k上的冲突值；

c_f——单位完成时间造成的费用；

c_wt——单位等待时间造成的费用；

c_h——炉次间冲突产生的单位时间惩罚费用；

c_mc——兑铁冲突产生的单位时间惩罚费用；

RT_i——连铸机浇铸浇次i完成后断浇至恢复再生产能力需要的时间；

——工序k上加工完成到工序k上开始加工的最大间隔；

MCI——转炉间的兑铁开始时刻最小间隔；

T——退火过程当前温度；

T_min——退火过程温度下限；

T_max——退火过程温度上限；

TWD——批量计划时间窗；

Maxlh——最大允许顺延浇铸炉次；

3）炼钢车间时序计划的模型构造

炼钢车间时序计划问题本质上是在各种约束条件的前提下，确定每一炉次在各道工序上的开始时刻、结束时刻和加工设备，在一定时间窗内完成指定的炼钢批量计划，同时追求某些指标的最优化。

3.1目标选取

本模型中选取的优化目标包括：最小化最大完工时间，最小化等待时间之和；

3.2模型表达

$f\left(X\right)=\min (\max \left(c_f{\mathrm{et}}_{i,j,k}\right)+\underset{i\&Element;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}\underset{k\&Element;{\mathrm{\&Phi;}}_{i,j}}{\mathrm{\&Sigma;}}{c}_{\mathrm{wt}}{\mathrm{wt}}_{i,j,k})---\left(1\right)$

s.t.

${\mathrm{st}}_{i^{\&prime;},j^{\&prime;},k}\&GreaterEqual;{\mathrm{et}}_{i,j,k}+{\mathrm{ast}}_{i^{\&prime;},j^{\&prime;},k}\&ForAll;i,i^{\&prime;}\&Element;\mathrm{\&Theta;},j\&Element;{\mathrm{\&Omega;}}_i,j^{\&prime;}\&Element;{\mathrm{\&Omega;}}_{i^{\&prime;}},s_{i,j,k}=s_{i^{\&prime;},j^{\&prime;},k},{\mathrm{st}}_{i^{\&prime;},j^{\&prime;},k}>{\mathrm{st}}_{i,j,k}---\left(2\right)$

${\mathrm{st}}_{i,j,k}\&GreaterEqual;{\mathrm{et}}_{i,j,\stackrel{\&OverBar;}{k}}---\left(3\right)$

$|{\mathrm{st}}_{i,j,k}-{\mathrm{st}}_{i^{\&prime;},j^{\&prime;},k}|\&GreaterEqual;\mathrm{NCI}\&ForAll;i,i^{\&prime;}\&Element;\mathrm{\&Theta;},j,j^{\&prime;}\&Element;{\mathrm{\&Omega;}}_i,s_{i,j,k}\&NotEqual;s_{i^{\&prime;},j^{\&prime;},k},$ k为转炉工序   (4)

et_i,j,k=st_i,j,k+pt_i,j,k   (5)

${\mathrm{st}}_{i,j,k}={\mathrm{et}}_{i,j,\stackrel{\&OverBar;}{k}}+{\mathrm{tt}}_{\stackrel{\&OverBar;}{k},k}+{\mathrm{wt}}_{i,j,k}---\left(6\right)$

st_i,j+1,K=st_i,j,K+pt_i,j,K+ast_i,j,K   (7)

${\mathrm{pt}}_{i,j,K}=\left\{\begin{array}{cc}\frac{m1-m2}{v\&times;a\&times;b\&times;\mathrm{\&rho;}}+\mathrm{\&sigma;}& j=1\\ \frac{m1}{v\&times;a\&times;b\&times;\mathrm{\&rho;}}& j>1,j\&Element;{\mathrm{\&Omega;}}_1\end{array}\right.---\left(8\right)$

i,i'∈Θ,j∈Ω_i,j'∈Ω_i'k∈Φ   (9)

决策变量

X=(st_i,1,K,st_i+1,1,K,...,st_I，1,K)   (10)

模型中，目标函数的第一项，即max(c_fet_i,j,K)为最大完成时间；目标函数的第二项，即

为所有炉次在其工艺路线上的等待时间之和；约束（2）表示同一设备只有在前一炉次计划加工完毕之后才能开始下一炉次计划的加工；约束（3）表示同一炉次的相邻工序之间，紧后工序须在前一工序处理完毕之后才能开始；约束（4）表示转炉不能同时兑铁，各转炉兑铁开始时刻必须保持一定间隔；约束（5）表示炉次的处理完成时间为加工开始时刻与处理时间之和；约束（6）表示每一炉次在其工艺路线上，某道工序的开始时刻等于上道工序结束时刻与运输时间、本道工序前的等待时间之和；约束（7）表示，连铸机上的同一浇次中，炉次的开始时刻等于上一炉次的开始时刻、处理时间与辅助时间之和；式（8）定义了各浇次的每一炉次的浇铸处理时间；约束（9）定义了变量的取值范围；式（10）表示决策变量为所有浇次的开浇时刻。

3.3模型处理

模型中的浇次可以分成两种，一种是连浇的浇次，另一种是断浇的浇次。连浇的浇次的开始时刻即为上一浇次的结束时刻，因此在进行优化计算时，连浇的浇次的开始时刻不作为优化变量，需要进行优化的变量只包括断浇浇次的开始时刻，开浇时刻的可行域由最早开浇时刻和最晚开浇时刻确定。

最早开浇时刻计算方法为：判断当前浇次是否为所在连铸机上的第一浇次。若是，则当前浇次的最早开始时刻为：

$\max (\min ({\mathrm{at}}_{k,s}+\underset{k^{\&prime;}=k}{\overset{k^{\&prime;}=K-1}{\mathrm{\&Sigma;}}}({\mathrm{pt}}_{i,1,k^{\&prime;}}+{\mathrm{tt}}_{k^{\&prime;},{\underset{\&OverBar;}{k}}^{\&prime;}})),{\mathrm{at}}_{K,s}+{\mathrm{RT}}_i)$

若否，则令当前浇次i所在连铸机上的前一浇次为i′,当前浇次i的最早开始时刻为其中min(st_i′,1,K)表示浇次i′的最早开始时刻。

最晚开浇时刻计算方法为：判断当前浇次i是否为所在连铸机上的最后一个浇次。若是，则当前浇次的最晚开浇时刻为若否，则首先计算当前浇次所在连铸机上的最后一个浇次的最后一个炉次的处理时间，记为

然后统计当前浇次的后续断浇后连铸机恢复再生产能力需要的时间之和,记为再计算当前浇次所在连铸机上的后续浇次的总浇铸时间，记为pt_allfc。最后利用公式

$\mathrm{TWD}+\mathrm{Maxlh}\&times;{\mathrm{pt}}_{\mathrm{last},J_{\mathrm{last}},K}-\underset{i\&Element;\mathrm{allfc}}{\mathrm{\&Sigma;}}{\mathrm{RT}}_i-{\mathrm{pt}}_{\mathrm{allfc}}-\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}{\mathrm{pt}}_{i,j,K}$

计算得出该当前浇次的最晚开浇时刻。

约束处理

模型中约束众多，可行初始解难以确定。将约束（2）（3）转化成罚函数形式，如公式（11）（12）所示。

$\begin{array}{c}{p}_h=\mathrm{\&Sigma;}\max \{0,{\mathrm{et}}_{i,j,k}+{\mathrm{ast}}_{i,j,k}-{\mathrm{st}}_{i^{\&prime;},j^{\&prime;},k}\}\\ \&ForAll;i,i^{\&prime;}\&Element;\mathrm{\&Theta;},j\&Element;{\mathrm{\&Omega;}}_i,j^{\&prime;}\&Element;{\mathrm{\&Omega;}}_{i^{\&prime;}},s_{i,j,k}=s_{i^{\&prime;},j^{\&prime;},k},{\mathrm{st}}_{i^{\&prime;},j^{\&prime;},k}>{\mathrm{st}}_{i,j,k}\end{array}---\left(11\right)$

$p_{\mathrm{mc}}=\mathrm{\&Sigma;}\max \{0,\mathrm{MCI}-|{\mathrm{st}}_{i,j,k}-{\mathrm{st}}_{i^{\&prime;},j^{\&prime;},k}\left|\right\}$

                                                (12)

$\&ForAll;i,i^{\&prime;}\&Element;\mathrm{\&Theta;},j,j^{\&prime;}\&Element;{\mathrm{\&Omega;}}_i,s_{i,j,k}\&NotEqual;s_{i^{\&prime;},j^{\&prime;},k},$ k为转炉工序

模型中的其他约束条件使用下文中将要提出的“基于规则的排产方法”进行处理，这样原目标函数转化为下的形式：

$f\left(X\right)=\min (\max \left(c_f{\mathrm{et}}_{i,j,k}\right)+\underset{i\&Element;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}\underset{k\&Element;{\mathrm{\&Phi;}}_{i,j}}{\mathrm{\&Sigma;}}{c}_{\mathrm{wt}}{\mathrm{wt}}_{i,j,k}+c\left(X\right))---\left(13\right)$

c(X)＝c_hp_h+c_mcp_mc   ---(14)

其中，c(X)表示模型惩罚（冲突值），式（14）中第一项，即c_hp_h表示炉次冲突惩罚；第二项，即c_mcp_mc表示兑铁时刻冲突惩罚。

炼钢车间时序计划的优化算法

炼钢车间时序计划需要确定各炉次在其工艺路线上的每一道工序上的开始时刻和结束时刻。假设有3个浇次，每个浇次有10个炉次，3道工序，每道工序有3台设备，3个浇次均经过3道工序，则有180个变量需要确定。因此无法直接利用智能算法进行求解。

本发明中使用一种基于规则的排产方法，以作为决策变量的各个浇次的开浇时刻为已知条件，根据工艺约束条件制定启发规则，确定炼钢车间浇次批量计划中各个炉次在各道工序上的开始时刻和使用的加工设备，得到炼钢车间时序计划。

为了确定各个浇次的开浇时刻，本发明结合了遗传算法的广度搜索能力和模拟退火算法的局部搜索优势，提出了一种遗传-模拟退火智能算法，对决策变量进行搜索，然后利用基于规则的排产方法确定炼钢时序计划，计算目标函数，得出一组决策变量近似最优解作为炼钢车间时序计划中各个浇次的开浇时刻，最后根据各个浇次的开浇时刻利用基于规则的排产方法得出最终的炼钢车间时序计划。

3.1基于规则的排产方法

本发明中使用的基于规则的排产方法包括三个步骤：“双严”计算，加工设备指定和冲突消解。

3.1.1“双严”计算

“双严”计算是以每一浇次内各炉次严格连浇、炉次在其工艺路线上的相邻工序间严格无等待为前提条件，通过各浇次的开浇时刻，计算各浇次内的每一炉次在其工艺路线上的各道工序上的开始时刻和结束时刻。如图4所示，其基本原理是：以各浇次的开浇时刻为起点，根据炼钢-连铸工艺中的严格连续浇铸的约束条件，利用公式(5),(8),(15)可以计算各浇次中后续炉次在连铸工序的开始时刻。

${\mathrm{st}}_{i,j+1,K}={\mathrm{et}}_{i,j,k}\&ForAll;i\&Element;\mathrm{\&Theta;},j,j+1\&Element;{\mathrm{\&Omega;}}_i---\left(15\right)$

${\mathrm{st}}_{i,j,\stackrel{\&OverBar;}{k}}={\mathrm{st}}_{i,j,k}-{\mathrm{tt}}_{\stackrel{\&OverBar;}{k},k}-{\mathrm{pt}}_{i,j,\stackrel{\&OverBar;}{k}}\&ForAll;i\&Element;\mathrm{\&Theta;},j\&Element;{\mathrm{\&Omega;}}_i,k,\stackrel{\&OverBar;}{k}\&Element;{\mathrm{\&Omega;}}_{i,j}---\left(16\right)$

然后根据相邻工序间严格无等待的约束条件，利用公式(16)可以逆推得出各炉次在当前工序的紧前工序上的开始时刻，依次逆推，计算得到各炉次在所有工序上的开始时刻。

3.1.2加工设备指定

加工设备指定是指对于某个工序存在多个并行处理设备的情况，需要将炉次指定到合理的处理设备上进行加工。本模型中的加工设备指定原理为：首先，选取连铸紧前工序为当前工序。选择所有经过当前工序的炉次集合，按照在该工序上的开始时刻由小到大进行排序。从前往后选取排序后炉次集合中的各个炉次，依次使用最早可用设备规则、利用率均衡规则和最小编号规则，来分配合适的加工设备。然后，选择当前工序的紧前工序作为新的当前工序，依次类推。如图5所示。

设备指派中的最早可用设备规则是指选择在当前炉次的所有可加工设备中可用时间最早的设备。利用率均衡规则是指在满足最早可用设备规则的所有设备中，计算各设备上已分配的炉数，选择已分配炉数最少的设备。最小编号规则，是指在满足利用率均衡规则的所有设备中，选择设备编号最小的设备作为当前炉次的加工设备。

3.1.3冲突消解

在设备指派之后，分配到加工设备上的炉次之间可能存在作业时间的冲突。尤其是在炼钢计划负荷重的情况下，冲突会很严重。需要利用工艺过程中的缓冲环节，对炉次的开始时刻进行调整，以消除冲突。冲突消解的完整过程如图6所示，具体步骤如下：

步骤1：输入“双严”计算和指定加工设备后的炉次表；

步骤2：对各设备上的炉次集合按其在本设备所在工序上的开始时刻从小到大进行排序，使用如下所示的冲突计算公式：

min(et_i,j,k,et_i′,j′,k)-max(st_i,j,k,st_i′,j′,k)j≠j′

计算各道工序上炉次冲突（即时间重叠区域大小）之和，选择冲突最严重的瓶颈工序k；

步骤3：令s_k=1；

步骤4：利用如下公式：

${\max \mathrm{td}}_{h,k}=\underset{k^{\&prime;}\&le;k\&cap;k^{\&prime;}\&Element;{\mathrm{\&Phi;}}_h}{\mathrm{\&Sigma;}}{\mathrm{Interval}}_{k^{\&prime;},\stackrel{\&OverBar;}{k^{\&prime;}}}-{\mathrm{tt}}_{\stackrel{\&OverBar;}{k^{\&prime;}},k^{\&prime;}},$

${\max \mathrm{ta}}_{h,k}=\underset{k^{\&prime;}>k\&cap;k^{\&prime;}\&Element;{\mathrm{\&Phi;}}_h}{\mathrm{\&Sigma;}}{\mathrm{Interval}}_{k^{\&prime;},\stackrel{\&OverBar;}{k^{\&prime;}}}-{\mathrm{tt}}_{\stackrel{\&OverBar;}{k^{\&prime;}},k^{\&prime;}}$

分别计算设备s_k上的所有炉次的最大推迟时间maxtd_h,k和最大提前时间maxta_h,k,如图7所示；

步骤5：对设备s_k上的所有炉次，进行炉次开始时刻推迟运算；

步骤6：对设备s_k上的所有炉次，进行炉次开始时刻提前运算；

步骤7：提前/推迟量分配，即将步骤5、6得到的推迟/提前量分配到相应的缓冲工序；

步骤8：炉次开始时刻计算，即计算设备s_k上的各个炉次在各道工序上的开始时刻；

步骤9：令s_k=s_k+1，若s_k>S_k,则结束；否则转到步骤4；

其中，步骤5的处理流程如图8所示，具体步骤如下：

Step1：从第一个炉次开始，令h=1；

Step2：计算炉次h和炉次h+1间的冲突c_h,h+1,k;

Step3：若c_h,h+1,k>0,则利用如下公式计算炉次h+1在工序k上需要推迟的时间；

td_h+1,k=min(c_h,h+1,k,maxtd_h+1,k)

Step4:计算炉次h+1推迟之后，炉次h和炉次h+1间的冲突计算公式如下：

c_h,h+1,k=c_h,h+1,k-td_h+1,k

Step5：令炉次h=h+1;

Step6：若遍历完所有炉次，即h+1>H(H为设备s_k上的所有炉次总数)，则处理结束；否则转到Step2.

其中，步骤6的处理流程如图9所示，具体步骤如下：

Step1：从最后一个炉次开始，即h=H;

Step2：计算炉次h和h-1间的冲突c_h-1,h,k;

Step3：若c_h-1,h,k>0,则利用如下公式计算炉次h-1在工序k上最终需要推迟的时间，否则转至Step6；

td_h-1,k=max(0,td_h-1,k-c_h-1,h,k)

Step4：计算炉次h-1推迟时间调整后，炉次h和h-1间的冲突，计算公式如下：

c_h-1,h,k=max(0,c_h-1,h,k-td_h-1,k)

Step5：若c_h-1,h,k>0，则利用如下公式计算炉次h-1在工序k上需要提前的时间，以及计算炉次h-1提前之后的冲突值c_h-1,h,k；否则，转至Step6；

ta_h-1,k=min(c_h-1,h,k,maxta_h-1,k)

c_h-1,h,k=c_h-1,h,k-ta_h-1,k

Step6：往前推，即h=h-1；

Step7：若h>1，则转至Step2;否则，流程结束。

其中，步骤7的处理流程如图10所示，具体步骤如下：

Step1：按照开始时间从小到大的顺序，从第一个炉次开始，即h=1；

Step2：令td_h,k′=td_h,k，若炉次h在工序k上的推迟时间td_h,k′≤0，则转至Step3；否则，搜索炉次h的工艺路线上工序k及其之前的工序，标记为k′;若工序k′有缓冲能力，即 ${\mathrm{Interval}}_{k^{\&prime;},\stackrel{\&OverBar;}{k^{\&prime;}}}-{\mathrm{tt}}_{\stackrel{\&OverBar;}{k^{\&prime;}},k^{\&prime;}}>0,$ 则利用公式

$w{t}_{h,k^{\&prime;}}=\mathrm{Min}({{\mathrm{td}}_{h,k}}^{\&prime;},{\mathrm{Interval}}_{k^{\&prime;},\stackrel{\&OverBar;}{k^{\&prime;}}}-{\mathrm{tt}}_{\stackrel{\&OverBar;}{k^{\&prime;}},k^{\&prime;}})k^{\&prime;}\&Element;{\mathrm{\&Phi;}}_h$

计算炉次h在工序k′前的等待时间，同时更新td_h,k′,td_h,k′=td_h,k′-wt_h,k′;否则继续搜索工序k′的紧前工序，即令重复上述过程，直到td_h,k′=0为止；

Step3：令ta_h,k′=ta_h,k若炉次h在工序k上的提前时间ta_h,k′≤0，则转至Step4；否则，搜索炉次h的工艺路线上工序k之后的工序k′;若工序k′有缓冲能力，即

则利用公式

${\mathrm{wt}}_{h,k^{\&prime;}}=\mathrm{Min}({{\mathrm{ta}}_{h,k}}^{\&prime;},{\mathrm{Interval}}_{k^{\&prime;},\stackrel{\&OverBar;}{k^{\&prime;}}}-t{t}_{\stackrel{\&OverBar;}{k^{\&prime;}},k^{\&prime;}})k^{\&prime;}\&Element;{\mathrm{\&Phi;}}_h$

计算炉次h在工序k′前的等待时间，同时更新ta_h,k′,ta_h,k′=ta_h,k′-wt_h,k′;否则继续搜索工序k′的紧后工序，即令

重复上述过程，直到ta_h,k′=0为止；

Step4：处理下一炉次，即h=h+1，若h<H，则转至Step2;否则流程结束。

其中，步骤8的处理流程如图11所示，具体步骤如下：

Step1：计算工序k上的设备s_k上的所有炉次的开始时刻，计算公式如下所示：

st_h,k=st_h,k+(td_h,k-ta_h,k)

Step2：计算使用工序k上的设备s_k的所有炉次在其工艺路线上的工序k之前的各工序上的开始时刻，计算公式如下：

Step3：计算使用工序k上的设备s_k的所有炉次在其工艺路线上的工序k之后的各工序上的开始时刻（连铸工序除外），计算公式如下：

${\mathrm{st}}_{h,k^{\&prime;}}={\mathrm{st}}_{h,\stackrel{\&OverBar;}{k^{\&prime;}}}+{\mathrm{pt}}_{h,\stackrel{\&OverBar;}{k^{\&prime;}}}+{\mathrm{tt}}_{\stackrel{\&OverBar;}{k^{\&prime;}},k^{\&prime;}}+{\mathrm{wt}}_{h,k^{\&prime;}}$

3.2目标函数计算流程

目标函数的计算是以决策变量为输入，确定所有浇次的开浇时刻，然后根据基于规则的推理，制定各浇次的各个炉次的时序计划，最后根据目标函数公式(13)进行计算。目标函数计算流程如图12所示，具体步骤如下：

步骤1：输入决策变量，结合衔接设置和连浇许可设置确定的其他开浇时刻，得到所有浇次的开始时刻；

步骤2：通过“双严计算”得到所有炉次在各工序上的开始时刻；

步骤3：加工设备指定，为每一炉次指定其工艺路线上的各道工序的具体加工设备；

步骤4：冲突消解；经过2、3计算后的炉次表，往往存在冲突，需要对炉次的开始时刻进行微调，以消解冲突，最终确定每一炉次在各道工序的开始时刻；

步骤5：确定了炉次的开始时刻和加工设备后，便能使用目标函数计算公式计算目标函数值。

3.3遗传、模拟退火混合智能算法

由3.2节可知，目标函数的计算是优化过程最主要的耗时环节，为了在保证优化质量的同时，缩短优化时间。本发明提出了一种基于CPU并行计算的遗传、模拟退火混合智能算法，结合了遗传算法和模拟算法各自的优势，提高算法搜索性能，同时基于多核CPU并行运算，缩短算法运行时间。遗传-模拟退火混合智能算法的流程如图13所示，具体步骤如下：

步骤1：加载***参数模块设置的参数，包括：种群规模、交叉发生的概率、变异发生的概率、选中最优个体数、模拟退火起始温度、模拟退火终止温度、降温系数；

步骤2：设定初始温度模拟退火起始温度T=T_max;

步骤3：初始化种群，种群大小表示为N;

步骤4：并行计算各个体的适应度和冲突值，由于本发明中的目标函数属于最小化形式，而个体适应度越大越好，因此设定适应度为fitness(X)=-f(X);

步骤5：按适应度从大到小，对所有个体进行排序；

步骤6：从种群中选择最优的m个个体，即排序后的前m个个体，将其按序号两两配对，利用并行计算，进行交叉、变异操作，产生新个体；

步骤7：使用步骤6产生的m个新个体，替换原种群中的m个最差的个体；

步骤8：对种群中的所有个体同时进行模拟退火搜索，

步骤9：进行降温操作，T=αT，其中α为降温系数；

步骤10：若温度T≤T_min,则转至步骤12；

步骤11：判断优化结果是否满足停止准则。停止准则为：若存在冲突值为0的最优解，且最优解的适应度重复出现一定次数；若不满足停止准则，则转至步骤5；

步骤12：输出最优解。最优解的确定方式为：搜索解集合中冲突为0的所有解，并按适应度由大到小排序，选择其中适应度最大的解作为最优解；若不存在冲突为0的解，则选择冲突值最小的所有解中适应度最大的解作为最优解；

其中步骤8中模拟退火搜索过程如图14所示，具体步骤如下：

Step1：使用符号i表示个体染色体的基因序号，即决策变量序号，并令i=1;

Step2：计算第i个决策变量扰动后的新解X′,计算新解对应的目标函数f(X′)和冲突值c(X′)。扰动方法为：向量X中的决策变量x_i使用邻域函数产生新的值x_i'，与其他决策变量共同组成新解X'，邻域函数如下：

$x^{\&prime;}=\left\{\begin{array}{cc}x+r\&times;\mathrm{scale}\&times;(x_{\max }-x)& \mathrm{flag}=1\\ x+r\&times;\mathrm{scale}\&times;(x_{\min }-x)& \mathrm{flag}=-1\end{array}\right.$

$\mathrm{scale}=\frac{T-T_{\min }}{T_{\max }-T_{\min }}$

其中r为0～1间的随机数，x_min、x_max分别为x的上下限，flag表示变化方向，flag为1和-1的概率相同。scale为自适应邻域因子，随温度降低而减小；

Step3：计算X'和X对应的目标函数之差，Δf=f(X')-f(X)，若Δf<0或e^(-Δf/T)≥random(0,1)，则接受新解；否则转至Step4；

Step4：操作下一决策变量，i=i+1；

Step5：若遍历完所有决策变量，则将决策变量值编码成二进制串，更新该个体的染色体，结束；否则转至Step2。

本发明的炼钢车间时序计划自动编制***是基于钢铁企业的ERP平台，同时又拥有自身数据库、用户界面和基于数学模型的混合智能优化算法的独立***。该***拥有的功能模块包括：工艺参数设置模块，***参数设置模块，时序计划需求设置模块，需求数据预处理模块，时序计划自动编制模块，时序计划显示模块。

以某钢铁公司炼钢车间的实际生产数据为例，该公司炼钢车间按照ERP下达的每天的三个班次的浇次批量计划组织生产，第一班从0：00～8：00，第二班从8：00～16：00，第三班从16：00～24：00。使用本发明的方法进行炼钢车间时序计划自动编制，主要按如下步骤：

（1）设置工序信息，如图15所示；

（2）设置工艺路线，如图16所示；

（3）设置钢种大类信息，如图17所示；

（4）设置钢种明细信息，如图18所示；

（5）设置工序流程时间，如图19所示；

（6）设置相邻工序间运输时间和最大间隔，如图20所示；

（7）设置典型拉速，如图21所示；

（8）设置连铸机浇铸要求，如图22所示；

（9）设置***参数，如图23所示；

（10）查询批量计划，对批量计划进行调整修改，如图24所示；

（11）设置交接信息，如图25所示；

（12）设置钢种连浇许可；如图26所示；

（13）启动优化，基于炼钢车间时序计划自动编制模型和优化算法，自动生成炼钢车间时序计划；

（14）查看计算结果，如图27所示，甘特图中，时序块中内容的“i-j”表示“浇次号-炉次号”。可以通过时序计划显示模块，查看当前班次时序计划结果，上一班次时序计划，以及同时显示两个班次时序计划的班次衔接视图，如图28所示为班次衔接视图；

（15）若计划人员对于优化结果满意，则可以点击保存，写入本地数据库；否则可以调整批量计划、交接信息、钢种连浇许可，以及相关***参数等设置，然后启动优化，直到得到满意结果为止。

实验证明，采用本发明的模型和优化算法能迅速得出时序计划甘特图，既完成了当前班次批量计划需求，又提供了班次（批量计划）衔接视图，方便调度人员组织交接班。由本发明提供的炼钢时序计划模型和混合智能优化算法得出的时序计划结果能很好地满足时序计划编制的需求。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (7)

1.一种炼钢车间时序计划自动编制***，其特征是，所述***包括工艺参数设置模块、***参数设置模块、时序计划需求设置模块、需求数据预处理模块、时序计划自动编制模块以及时序计划显示模块；所述工艺参数设置模块主要负责提供各种参数设置功能，***参数设置模块主要包括模型参数和算法参数，时序计划需求设置模块从ERP下载批量计划，并存入本地数据库，同时提供批量计划编辑功能，所述时序计划需求预处理模块是将所述时序计划需求设置模块和所述时序计划自动编制模块间的桥梁，主要负责从时序计划需求设置模块提取批量浇次计划、衔接信息和钢种连浇许可信息，所述时序计划显示模块显示所述时序计划自动编制模块计算得出的时序计划结果甘特图。

2.如权利要求1所述的炼钢车间时序计划自动编制***，其特征是，所述模型参数和算法参数的具体实现步骤包括：炼钢车间时序计划的工艺约束、定义使用的变量和参数定义、炼钢车间时序计划的模型构造以及炼钢车间时序计划的优化算法。

3.如权利要求2所述的炼钢车间时序计划自动编制***，其特征是，所述连铸车间是时序进化的模型构造是在各种约束条件的前提下，确定每一炉次在各道工序上的开始时刻、结束时刻和加工设备，在一定时间窗内完成指定的炼钢批量计划，同时追求某些指标的最优化；该模型构造包括目标选取、模型表达和模型处理。

4.如权利要求3所述的炼钢车间时序计划自动编制***，其特征是，所述模型处理包括决策变量取值范围和约束处理，所述决策变量需要进行优化的变量包括断浇浇次的开始时刻，开浇时刻的可行域由最早开浇时刻和最晚开浇时刻确定，最早开浇时刻计算方法为：

首先判断当前浇次是否为所在连铸机上的第一浇次，若是，则当前浇次的最早开始时刻为：

$\max (\min ({\mathrm{at}}_{k,s}+\underset{k^{\&prime;}=k}{\overset{k^{\&prime;}=K-1}{\mathrm{\&Sigma;}}}({\mathrm{pt}}_{i,1,k^{\&prime;}}+{\mathrm{tt}}_{k^{\&prime;},{\underset{\&OverBar;}{k}}^{\&prime;}})),{\mathrm{at}}_{K,s}+{\mathrm{RT}}_i)$

若否，则令当前浇次i所在连铸机上的前一浇次为i′,当前浇次i的最早开始时刻为

其中min(st_i′,1,K)表示浇次i′的最早开始时刻；

最晚开浇时刻计算方法为：首先判断当前浇次i是否为所在连铸机上的最后一个浇次；

若是，则当前浇次的最晚开浇时刻为 $\mathrm{TWD}+\mathrm{Maxlh}\&times;{\mathrm{pt}}_{i,J_i,K}-\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}{\mathrm{pt}}_{i,j,K};$

若否，则首先计算当前浇次所在连铸机上的最后一个浇次的最后一个炉次的处理时间，记为

然后统计当前浇次的后续断浇后连铸机恢复再生产能力需要的时间之和,记为

再计算当前浇次所在连铸机上的后续浇次的总浇铸时间，记为pt_allfc。最后利用公式：

$\mathrm{TWD}+\mathrm{Maxlh}\&times;{\mathrm{pt}}_{\mathrm{last},J_{\mathrm{last}},K}-\underset{i\&Element;\mathrm{allfc}}{\mathrm{\&Sigma;}}{\mathrm{RT}}_i-{\mathrm{pt}}_{\mathrm{allfc}}-\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}{\mathrm{pt}}_{i,j,K}$

计算得出该当前浇次的最晚开浇时刻。

5.如权利要求3所述的炼钢车间时序计划自动编制***，其特征是，所述约束包括有同一设备只有在前一炉次计划加工完毕之后才能开始下一炉次计划的时刻，其加工公式为罚函数：

$\begin{array}{c}{p}_h=\mathrm{\&Sigma;}\max \{0,{\mathrm{et}}_{i,j,k}+{\mathrm{ast}}_{i,j,k}-{\mathrm{st}}_{i^{\&prime;},j^{\&prime;},k}\}\\ \&ForAll;i,i^{\&prime;}\&Element;\mathrm{\&Theta;},j\&Element;{\mathrm{\&Omega;}}_i,j^{\&prime;}\&Element;{\mathrm{\&Omega;}}_{i^{\&prime;}},s_{i,j,k}=s_{i^{\&prime;},j^{\&prime;},k},{\mathrm{st}}_{i^{\&prime;},j^{\&prime;},k}>{\mathrm{st}}_{i,j,k}\end{array}$

约束还包括有表示同一炉次的相邻工序之间，紧后工序须在前一工序处理完毕之后才能开始时刻，加工公式为：

$p_{\mathrm{mc}}=\mathrm{\&Sigma;}\max \{0,\mathrm{MCI}-|{\mathrm{st}}_{i,j,k}-{\mathrm{st}}_{i^{\&prime;},j^{\&prime;},k}\left|\right\}$

$\&ForAll;i,i^{\&prime;}\&Element;\mathrm{\&Theta;},j,j^{\&prime;}\&Element;{\mathrm{\&Omega;}}_i,s_{i,j,k}\&NotEqual;s_{i^{\&prime;},j^{\&prime;},k},$ k为转炉工序

模型中的其他约束条件，函数转化为以下形式：

$\begin{array}{c}f\left(X\right)=\min (\max \left(c_f{\mathrm{et}}_{i,j,K}\right)+\underset{i\&Element;\mathrm{\&Theta;}}{\mathrm{\&Sigma;}}\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}\underset{k\&Element;{\mathrm{\&Phi;}}_{i,j}}{\mathrm{\&Sigma;}}{c}_{\mathrm{wt}}{\mathrm{wt}}_{i,j,k}+c\left(X\right))\\ c\left(X\right)=c_h{p}_h+c_{\mathrm{mc}}{p}_{\mathrm{mc}}\end{array}$

其中，c(X)表示模型惩罚，c_hp_h表示炉次冲突惩罚；c_mcp_mc表示兑铁时刻冲突惩罚。

6.如权利要求1所述的炼钢车间时序计划自动编制***，其特征是，所述炼钢车间时序为了确定各个浇次的开浇时刻，采用述遗传、模拟退火混合智能算法，该算法的包括以下步骤：

步骤1：加载***参数模块设置的参数；

步骤2：设定初始温度模拟退火起始温度T=T_max;

步骤3：初始化种群，种群大小表示为N;

步骤4：并行计算各个体的适应度和冲突值；

步骤5：按适应度从大到小，对所有个体进行排序；

步骤6：从种群中选择最优的m个个体，即排序后的前m个个体，将其按序号两两配对，利用并行计算，进行交叉、变异操作，产生新个体；

步骤7：使用步骤6产生的m个新个体，替换原种群中的m个最差的个体；

步骤8：对种群中的所有个体同时进行模拟退火搜索，

步骤9：进行降温操作，T=αT，其中α为降温系数；

步骤10：若温度T≤T_min,则转至步骤12；

步骤11：判断优化结果是否满足停止准则。停止准则为：若存在冲突值为0的最优解，且最优解的适应度重复出现一定次数；若不满足停止准则，则转至步骤5；

步骤12：输出最优解。最优解的确定方式为：搜索解集合中冲突为0的所有解，并按适应度由大到小排序，选择其中适应度最大的解作为最优解；若不存在冲突为0的解，则选择冲突值最小的所有解中适应度最大的解作为最优解。

7.如权利要求6所述的炼钢车间时序计划自动编制***，其特征是，所述步骤8中模拟退火搜索过程具体步骤如下：

步骤1：使用符号i表示个体染色体的基因序号，即决策变量序号，并令i=1;

步骤2：计算第i个决策变量扰动后的新解X′,计算新解对应的目标函数f(X′)和冲突值c(X′)，扰动方法为：向量X中的决策变量x_i使用邻域函数产生新的值x_i'，与其他决策变量共同组成新解X'，邻域函数如下：

$x^{\&prime;}=\left\{\begin{array}{cc}x+r\&times;\mathrm{scale}\&times;(x_{\max }-x)& \mathrm{flag}=1\\ x+r\&times;\mathrm{scale}\&times;(x_{\min }-x)& \mathrm{flag}=-1\end{array}\right.$

$\mathrm{scale}=\frac{T-T_{\min }}{T_{\max }-T_{\min }}$

其中r为0～1间的随机数，x_min、x_max分别为x的上下限，flag表示变化方向，flag为1和-1的概率相同。scale为自适应邻域因子，随温度降低而减小；

步骤3：计算X'和X对应的目标函数之差，Δf=f(X')-f(X)，若Δf<0或e^(-Δf/T)≥random(0,1)，则接受新解；否则转至步骤4；

步骤4：操作下一决策变量，i=i+1；

步骤5：若遍历完所有决策变量，则将决策变量值编码成二进制串，更新该个体的染色体，结束；否则转至步骤2。

Images