基于多目标粒子群算法的多智能体制造过程优化方法技术

本发明专利技术公开了基于多目标粒子群算法的多智能体制造过程优化方法，包括：针对流程工业的制造过程，构建基于多智能体的制造过程优化模型，包括两层结构，其中，上层结构为总控Agent和用来存放算法和数据信息的池Agent，下层结构为原料Agent、设备Agent、管理Agent以及废料Agent，每一个智能Agent会基于自身的通信模块与其他的Agent进行信息的交互；将Agent作为多目标粒子群算法中的粒子，赋予Agent种群进化的能力，针对基于多智能体的制造过程优化模型建立相应的数据模型，利用多目标粒子群算法进行求解，获得有效解集。化后的成本整体低于实际所耗费的成本，所以经过优化的非劣解集可以作为实际生产中的参考，以此来提高流程作业制造的低耗、高产、高质以及降低所需成本。

【技术实现步骤摘要】
基于多目标粒子群算法的多智能体制造过程优化方法
本公开涉及过程控制
，特别是涉及基于多目标粒子群算法的多智能体制造过程优化方法。
技术介绍
流程工业主要包括化工、水泥、造纸等行业，在我国的工业生产中占有重要的地位，流程工业的制造过程是连续进行的，不能中断，并且制造过程的顺序是固定不变的，其管理特点是要保证连续供料和确保每个生产环节在工作期间必须正常运行。由于不同的产品或者是同一产品的多批次产品生产之间存在时间及资源共享，从而容易发生冲突，为了解决此类问题，必须对生产过程中的各类资源进行合理的分配，以此来保证产品的生产流程不被中断。因此流程工业的系统控制及制造过程的优化也更加的复杂，这就导致增加了我们对于制造过程中的原料、温度等影响生产成本及产品合格率的因素的控制难度。同时，为了满足制造过程中的各个目标的要求，比如既要保证产品的质量又要尽可能的减少作业时间以达到最小生产成本的要求。为了解决这类问题，基于启发式的多目标优化技术得到了很大的发展，经过大量的科学研究表明，该技术比传统的方法更加的实用和有效。用的比较多的主要有:ACO(蚁群算法)，NSGA(遗传算法)，PAES(Pareto存档进化策略算法),PSO(粒子群算法)。其中PSO算法是一种模拟社会行为、基于群体智能的进化技术，它有着自己特有的搜索机制，并且便于实现、收敛能力强，所以在制造业领域得到了较好的发展。基于上述分析，如何利用多Agent对流程工业进行建模及利用多目标粒子群算法对模型优化是本申请所主要解决的技术问题。
技术实现思路
为了解决现有技术的不足，本公开的实施例子提供了基于多目标粒子群算法的多智能体制造过程优化方法，在PSO算法的基础上进行了改进，使其直接作用于多目标的优化上。为了实现上述目的，本申请采用以下技术方案：基于多目标粒子群算法的多智能体制造过程优化方法，包括：针对流程工业的制造过程，构建基于多智能体的制造过程优化模型，包括两层结构，其中，上层结构为总控Agent和用来存放算法和数据信息的池Agent，下层结构为原料Agent、设备Agent、管理Agent以及废料Agent，每一个智能Agent会基于自身的通信模块与其他的Agent进行信息的交互；将Agent作为多目标粒子群算法中的粒子，赋予Agent种群进化的能力，针对基于多智能体的制造过程优化模型建立相应的数据模型，利用多目标粒子群算法进行求解，获得有效解集。作为本申请的进一步的技术方案，总控Agent负责整个制造过程的资源的协调，它位于制造模型的上层，同时记录着下层Agent的动态，及时的根据得到的信息进行制造过程的调整，在对多种不同生产方案进行优化分析时，从池Agent中取出相应的算法，然后根据算法的优化结果进行生产指导；原料Agent存储着生产不同产品所需的不用的物料的特性以及各种配比信息；设备Agent是实际生产中的机器设备，记录有机器的温度、压力、窑速和风力，以保证生产过程中原料和机器的利用率；管理Agent用来收集设备Agent和原料Agent交互过来的信息，同时把它反馈给上层的总控Agent；废料Agent则负责对生产剩余物料进行二次利用，降低对环境的污染。作为本申请的进一步的技术方案，针对水泥制造的其中一个阶段即“两磨一烧”配比混合阶段进行数学模型的建立：具体函数如下：minH(x)＝(f1(x),f2(x))T(3)公式(1)的目的就是使误差h1(x)尽可能的最小，依此来提高水泥性能，M1表示加入的添加剂的数量，Nk为满足标准含量时所需要投入的添加剂的用量，nk(x)为达到所需水泥性能指标最小范围所需的添加剂的用量，其中所有矿物的含量以及当前水泥的硬化程度耐久性等均有具体制造过程中的检测仪得出；公式(2)为所需的总成本，需要优化得到成本h2(x)最小值，，M2为所需添加剂的数量，gt为第t中添加剂的加入量，pt为每种添加剂的单价；公式(3)为以上两个目标的整合。作为本申请的进一步的技术方案，利用多目标粒子群算法进行求解，首先进行初始化，设置粒子群的大小，初始位置，初始速度，计算各个粒子的目标函数，找到各个粒子的当前个体极值，找到整个粒子群的当前全局最优解，更新各个粒子的速度和位置，判断是否达到终止条件，若是，则输出最优解，否则，重新计算各个粒子的目标函数，直至达到终止条件。作为本申请的进一步的技术方案，利用多目标粒子群算法进行求解，获得有效解集的具体过程为：步骤1：设置粒子的群体规模Z，并且随机的给定种群中包含粒子的位置xi和速度vi以及迭代次数t，同时设定算法的终止条件；步骤2：将非劣解加入到外部存档集中，用公式(1)和公式(2)分别求出种群内每个粒子的适应度的值；步骤3：当迭代次数小于给定的迭代次数t时，重复进行步骤4—7，反之，算法结束；步骤4：根据存档中的粒子的适应度值选取全局极值按照公式(3)更新各个粒子的位置，同时再一次求出所含粒子的适应值；步骤5：重复步骤2的过程，并且根据支配关系去除相对而言较为不符合条件的解，然后形成下一次迭代的外部档案；步骤6：假定目前选取的粒子的历史最佳的极值不如当前位置好，那么就用当前最新的粒子当最佳极值，反之，则保持目前的状态不变；步骤7：若种群中的随机的一个粒子的位置要比先前选取的整个种群的最佳极值要好的话，那么采取如同步骤6的处理方式，用此位置来替换掉先前选取的位置极值步骤8：在迭代结束后，得到的外部存档集中的粒子则为整个算法的有效解集。作为本申请的进一步的技术方案，所述步骤4中，同时对于粒子速度的更新公式可分为三个部分：一是“惯性部分”，代表了对自身运动状态的一中保持，公式描述为：w*vi，其中w代表了权重，vi为当前粒子的速度；二是“个体认识部分”，源自于自己个体经验，可理解为粒子当前位置与自己最好位置之间的距离。公式描述为：c1r1(hi(t)-xi(t))；三是“全局认识”部分，来源于群体中其他优秀粒子的经验，可理解为粒子i当前位置与群体最好位置之间的距离，公式描述为：c2v2(ki(t)-xi(t))；采用以上三个描述公式之和来对粒子的速度进行更新；xi(t+1)＝vi(t+1)+xi(t)(4)其中w为惯性权重，采用动态权重设定规则，规定最大权重为0.9，最小权重为0.4，在试验过程中会动态随机的选取0.4—0.9之间的值来进行计算，c1c2为非负的常数，同样我们在试验过程中给定值为2，r1r2为0—1之间的随机数。本公开的实施例子还公开了基于多目标粒子群算法的多智能体制造过程优化系统，包括：基于多智能体的制造过程优化模型构建单元，针对流程工业的制造过程，构建基于多智能体的制造过程优化模型，包括两层结构，其中，上层结构为总控Agent和用来存放算法和数据信息的池Agent，下层结构为原料Agent、设备Agent、管理Agent以及废料Agent，每一个智能Agent会基于自身的通信模块与其他的Agent进行信息的交互；多目标粒子群算法求解单元，将Agent作为多目标粒子群算法中的粒子，赋予Agent种群进化的能力，针对基于多智能体的制造过程优化模型建立相应的数据模型，利用多目标粒子群算法进行求解，获得有效解集。作为本申请的进一步的技术方案，所述多目标粒子群算法求解单元中，利用本文档来自技高网...

【技术保护点】
1.基于多目标粒子群算法的多智能体制造过程优化方法，其特征是，包括：针对流程工业的制造过程，构建基于多智能体的制造过程优化模型，包括两层结构，其中，上层结构为总控Agent和用来存放算法和数据信息的池Agent，下层结构为原料Agent、设备Agent、管理Agent以及废料Agent，每一个智能Agent会基于自身的通信模块与其他的Agent进行信息的交互；将Agent作为多目标粒子群算法中的粒子，赋予Agent种群进化的能力，针对基于多智能体的制造过程优化模型建立相应的数据模型，利用多目标粒子群算法进行求解，获得有效解集。

【技术特征摘要】
1.基于多目标粒子群算法的多智能体制造过程优化方法，其特征是，包括：针对流程工业的制造过程，构建基于多智能体的制造过程优化模型，包括两层结构，其中，上层结构为总控Agent和用来存放算法和数据信息的池Agent，下层结构为原料Agent、设备Agent、管理Agent以及废料Agent，每一个智能Agent会基于自身的通信模块与其他的Agent进行信息的交互；将Agent作为多目标粒子群算法中的粒子，赋予Agent种群进化的能力，针对基于多智能体的制造过程优化模型建立相应的数据模型，利用多目标粒子群算法进行求解，获得有效解集。2.如权利要求1所述的基于多目标粒子群算法的多智能体制造过程优化方法，其特征是，总控Agent负责整个制造过程的资源的协调，它位于制造模型的上层，同时记录着下层Agent的动态，及时的根据得到的信息进行制造过程的调整，在对多种不同生产方案进行优化分析时，从池Agent中取出相应的算法，然后根据算法的优化结果进行生产指导；原料Agent存储着生产不同产品所需的不用的物料的特性以及各种配比信息；设备Agent是实际生产中的机器设备，记录有机器的温度、压力、窑速和风力，以保证生产过程中原料和机器的利用率；管理Agent用来收集设备Agent和原料Agent交互过来的信息，同时把它反馈给上层的总控Agent；废料Agent则负责对生产剩余物料进行二次利用，降低对环境的污染。3.如权利要求1所述的基于多目标粒子群算法的多智能体制造过程优化方法，其特征是，针对水泥制造的其中一个阶段即“两磨一烧”配比混合阶段进行数学模型的建立：具体函数如下：minH(x)＝(f1(x),f2(x))T(3)公式(1)的目的就是使误差h1(x)尽可能的最小，依此来提高水泥性能，M1表示加入的添加剂的数量，Nk为满足标准含量时所需要投入的添加剂的用量，nk(x)为达到所需水泥性能指标最小范围所需的添加剂的用量，其中所有矿物的含量以及当前水泥的硬化程度耐久性等均有具体制造过程中的检测仪得出；公式(2)为所需的总成本，需要优化得到成本h2(x)最小值，，M2为所需添加剂的数量，gt为第t中添加剂的加入量，pt为每种添加剂的单价；公式(3)为以上两个目标的整合。4.如权利要求1所述的基于多目标粒子群算法的多智能体制造过程优化方法，其特征是，利用多目标粒子群算法进行求解，首先进行初始化，设置粒子群的大小，初始位置，初始速度，计算各个粒子的目标函数，找到各个粒子的当前个体极值，找到整个粒子群的当前全局最优解，更新各个粒子的速度和位置，判断是否达到终止条件，若是，则输出最优解，否则，重新计算各个粒子的目标函数，直至达到终止条件。5.如权利要求3所述的基于多目标粒子群算法的多智能体制造过程优化方法，其特征是，利用多目标粒子群算法进行求解，获得有效解集的具体过程为：步骤1：设置粒子的群体规模Z，并且随机的给定种群中包含粒子的位置xi和速度vi以及迭代次数t，同时设定算法的终止条件；步骤2：将非劣解加入到外部存档集中，用公式(1)和公式(2)分别求出种群内每个粒子的适应度的值；步骤3：当迭代次数小于给定的迭代次数t时，重复进行步骤4—7，反之，算法结束；步骤4：根据存档中的粒子的适应度值选取全局极值Xigb按照公...

【专利技术属性】
技术研发人员：姜雪松，李东旺，尉秀梅，韩佳蓉，李志鹏，姚帅帅，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：山东,37