一种基于两层嵌套结构的调度优化方法技术

本发明专利技术涉及一种嵌套结构的调度优化方法，属于工业自动化技术领域。对于大多数制造企业生产调度中存在的混合整数非线性规划(Mixed Integral Non-Linear Programming,MINLP)问题，采用“嵌套优化”的算法结构，利用多个解的不断更新进行全局搜索，不依靠解空间的梯度信息，增加构造一个可行性粗糙判定模型，在解评价之前首先粗糙但快速地判定解的可行性，从而确保以较高的概率获得调度模型的真实满意解，计算量小，而且寻优过程简单，应用范围广。

【技术实现步骤摘要】
-种基于两层嵌套结构的调度优化方法
本专利技术涉及，适用于解决生产调度遇到的 混合整数非线性规划（Mixed Integral Non-Linear Programming，以下简称MINLP)问题， 属于工业生产自动化
。
技术介绍
随着制造业生产规模日益扩大，生产工艺日趋复杂，市场竞争日趋激烈，生产调度 是一个提高企业管理水平、获取更大的经济效益的重要工具。一般化的生产调度问题是针 对可分解的生产流程，在满足约束条件的情况下，如何安排各分解流程所占用的原料资源、 加工控制变量、加工时间及先后顺序，以实现生产效益（对生产成本、产品质量的综合评 价）的最大化。调度优化问题与一般的优化问题相似，但也存在新特点，如问题规模大、生 产过程的描述复杂，约束条件和目标函数难以处理等。调度优化问题的数学模型主要采用 数学规划描述法描述，即用离散变量表示排列顺序、生产方案选择等离散决策状态，用连续 变量表示连续操作条件，用代数等式或不等式描述目标函数和约束条件，因此问题被抽象 化为MINLP模型，这样的描述方式直观、易懂，同时有利于衡量模型的复杂度。 两层优化方法是一类特殊的求解MINLP问题的算法，它利用优化变量的类型特 点，采用两层结构求解。两层优化算法可分为区间逼近算法和嵌套优化算法。前者通 过迭代求解一系列MILP主问题和NLP子问题获取原MINLP优化问题的下边界和上边界，直 至两个边界的区间差小于设定的范围，因此称为区间逼近算法。后者针对每个固定的离 散变量候选解，将模型简化为一个NLP模型，因此可将NLP优化作为离散变量取值已确定情 况下的子优化问题，将子优化问题得到的最优值作为对离散变量解的评价，视为离散变量 的寻优依据。这样，将原MINLP优化问题转化为外层MIP模型和内层NLP模型的嵌套优化 问题，因此称为嵌套优化算法。如何提高求解效率是嵌套优化算法面临的主要问题， 因为外层组合优化过程中的每一个离散变量候选解，都对应一个内层NLP优化问题。若要 求取这些NLP模型的最优值，需要耗费大量的求解时间，目前大多数嵌套优化算法均采 用随机-精确的两层结构，因为当内层NLP模型为凸优化问题时，精确搜索算法在求解效 率上比随机搜索算法具有明显的优势。
技术实现思路
本专利技术的目的是提出，该方法对于大多数 制造企业生产调度中存在的MINLP问题，能确保以较高的概率获得调度模型的真实满意 解，计算量小，而且寻优过程简单，应用范围广。 本专利技术提出的嵌套结构的调度优化方法，包括以下步骤： 步骤1)初始化参数： 设置外层GA算法和内层PSO算法的参数，包括种群大小Ns，Nf，PSO速度更新加权 系数ω，φρ，cj5g，GA交叉概率p。和变异概率pm，最大迭代步数夂 步骤2)概率择优阶段； 步骤2. 1设置外层优化迭代步数ks= 0,初始化离散变量候选解8(1，1^)，··· ,s (ns, ks), ···, s (Ns, ks)； 步骤2.2如果外层优化迭代步数匕未超过乂_%对于8(113，1〇(11 3=1，...，\)对 应的NsANLP优化子模型min/VF ·/(/， I,，利用内层优化算法（PS0算法）迭代计算 至步,并记录历史优化数据咐/>U#,夕认川咐々（心=1，…，kT)> 步骤2. 3针对S (ns，ks) (ns= 1，· · ·，N s)，利用其历史最小惩罚值PU/) (& =1,..·,Κ〗Μ)和可行性粗糙判定模型估计//(〇〇)|s(s,- s>，进而确定S(ns，ks)的可行性，即 确定r UiVtsI ; 步骤2. 4如果s(ns，ks)不可行，保留//(I)UsM作为粗糙惩罚值》'L (M_S);如果 8(1上）可行，用内层优化算法邮0算法）迭代优化子模型》训厂,..,/(/，外、.、.,./,,个:^^ 步，记录历史优化数据=1，...，<D)，利用粗糙评价模型估计4°°)Um- s)，保 留估计值^^ WUw作为粗糙评价值? ; 步骤2. 5根据获得的粗糙评价值和粗糙惩罚值，利用外层优化算法（GA算法）和 可行性规则法更新粗糙保优集合炉； 在该步骤中，根据离散变量候选解的可行性粗糙判定模型，快速获取对应离散变 量组合s的粗糙惩罚值F(T)L和可行性估计N s，进而判断是否继续对s实施评价；若可 行，则进一步实施粗糙评价获取粗糙评价值￥〇〇) Is，基于以上评价结果，外层随机优化算法 通过求解以下组合优化问题： 本文档来自技高网...

【技术保护点】
一种嵌套结构的调度优化方法，其特征在于该方法包括以下步骤：步骤1)初始化参数：设置外层GA算法和内层PSO算法的参数，包括种群大小Ns,Nf，PSO速度更新加权系数ω,φp,φg，GA交叉概率pc和变异概率pm，最大迭代步数Ks，步骤2)概率择优阶段；步骤2.1设置外层优化迭代步数ks＝0，初始化离散变量候选解s(1,ks),…,s(ns,ks),…,s(Ns,ks)；步骤2.2如果外层优化迭代步数ks未超过对于s(ns,ks)(ns＝1,...,Ns)对应的Ns个NLP优化子模型利用内层优化算法(PSO算法)迭代计算至步，并记录历史优化数据步骤2.3针对s(ns,ks)(ns＝1,...,Ns)，利用其历史最小惩罚值和可行性粗糙判定模型估计进而确定s(ns,ks)的可行性，即确定步骤2.4如果s(ns,ks)不可行，保留作为粗糙惩罚值如果s(ns,ks)可行，用内层优化算法(PSO算法)迭代优化子模型至步，记录历史优化数据利用粗糙评价模型估计保留估计值作为粗糙评价值步骤2.5根据获得的粗糙评价值和粗糙惩罚值，利用外层优化算法(GA算法)和可行性规则法更新粗糙保优集合在该步骤中，根据离散变量候选解的可行性粗糙判定模型，快速获取对应离散变量组合s的粗糙惩罚值和可行性估计进而判断是否继续对s实施评价；若可行，则进一步实施粗糙评价获取粗糙评价值基于以上评价结果，外层随机优化算法通过求解以下组合优化问题：(6)通过外层随机优化算法获取前个估计最优且可行的离散变量候选解，即                                  (7) 且将其保存在粗糙保优集合中。通过可行性规则法，在粗糙评价条件下来执行外层随 机优化算法的保优更新操作；步骤2.6外层优化迭代步数ks＝ks+1，如果外层优化迭代步数ks小于返回步骤2.2，如果外层优化迭代步数ks超过则进入步骤3)；步骤3)精确评价阶段：求解s(ns,Ks)(ns＝1,...,Ns)对应的Ns个NLP优化子模型利用内层优化算法(PSO算法)迭代计算至步，获取精确评价值和对应的最优连续变量解步骤4)确定最终满意解：比较各NLP优化子模型的精确评价值根据如下可行性规则法取其中最优的一组作为调度模型的满意解：且                                 (8) 其中，最终满意解为其中...

【技术特征摘要】
1. 一种嵌套结构的调度优化方法，其特征在于该方法包括以下步骤： 步骤1)初始化参数： 设置外层GA算法和内层PSO算法的参数，包括种群大小Ns，Nf，PSO速度更新加权系数ω，Φρ，Φ8,GA交叉概率pc和变异概率pm，最大迭代步数 步骤2)概率择优阶段； 步骤2. 1设置外层优化迭代步数匕=0,初始化离散变量候选解s(l，ks)^··,s(ns,ks),···,s(Ns,ks)； 步骤2. 2如果外层优化迭代步数ks未超过Amax，对于s(ns，ks) (ns= 1，. ..，Ns)对应 的凡个1?优化子模型训11/^./(/.|、._.、,,,4；)，利用内层优化算法（ ?5〇算法）迭代计算至 步，并记录历史优化数据啦/)1，〇，尸'(々/)U?s,i-j(*/ = 步骤2. 3针对S(ns，ks) (ns= 1，. . .，Ns)，利用其历史最小惩罚值P'(h) (心=1,...,^：广)和可行性粗糙判定模型估计//(Co)Uvitsi，进而确定s(ns，ks)的可行性，即确 定叫柄； 步骤2. 4如果s(ns，ks)不可行，保留P'(Co)Us&作为粗糙惩罚值声' ;如果s(ns，ks) 可行，用内层优化算法（PS0算法）迭代优化子模型,个:〇,记录历 史优化数据<&) |s(sA) (& = 1,...,尤广），利用粗糙评价模型估计e(〇〇) ，保留估计值 ，°°)U?作为粗糙评价值?|s(a,; 步骤2. 5根据获得的粗糙评价值和粗糙惩罚值，利用外层优化算法（GA算法）和可行 性规则法更新粗糙保优集合Sg; 在该步骤中，根据离散变量候选解的可行性粗糙判定模型，快速获取对应离散变量组 合s的粗糙惩罚值FK)L和可行性估计卩Is，进而判断是否继续对s实施评价；若可行，则 进一步实施粗糙评价获取粗糙评价值外《)L，基于以上评价结果，外层随机优化算法通过 求解以下组合优化问题： min(t<〇c)L) (6)通过外层随机优化算法获取前个估计最优且可行的离散变量候选解，即将其保存在粗糙保优集合#中。通过可行性规则法，在粗糙评价条件下来执行外层随 机优化算法的保优更新操作； 步骤2. 6外层优化迭代步数ks=ks+l，如果外层优化迭代步数k/j、于Imax，返回步骤 2. 2,如果外层优化迭代步数ks超过Amax，则进入步骤3); 步骤3)精确评价阶段： 求解s(ns，Ks) (ns= 1，. . .，Ns)对应的凡个NLP优化子模型min,..:,..J(/J) ，利 用内层优化算法（PSO算法）迭代计算至步，获取精确评价值和对应的最优连 续变量解/Uy, (,=1，.·…V、）； 步骤4)确定最终满意解： 比较各NLP优化子模型的精确评价值^ = 1，·..，Λ《），根据如下可行性规则法 取其中最优的一组作为调度模型的满意解：最终满意解为'=私·d，/g= 乂 ls(G，夂，) ，其中（7 =argmin:;lLka)。2.如权利要求1所述的一种基于两层嵌套结构的调度优化方法，其特征在于：所述步 骤2. 2)中，内层优化的关键步骤是利用可行性粗糙判定模型和粗糙评价模型进行解的筛 选和评价，本质上是对惩罚值和评价值的收敛结果进行预测，即利用有限步数迭代得到的 数值信息（内层优化历史数据）来估计无穷步迭代计算后获得的精确收敛值，具体实现手 段是，以负幂函数曲线拟合惩罚值（评价值）的迭代下降过程，来获得最终的收敛结果，具 体步骤如下： A. 1内层优化历史数据的获取 内层优化历史数据的获取过程，是内层优化算法迭代计算的过程。本发明采用粒 子群优化算法（PSO算法）求解min/:p/(/j)!、=s，种群中任一个体f的代价定义为 /(/) =./(/DU,，算法计算过程为： 19) 当卜 <心时，重复如下过程： 20) 对种群中任何一个粒子 21) 获得/(^)的适应值/(/(--)) =/(/,QU， 22) 如果/(/(&,&))小于第乂个粒子的历史最好个体/Kn,.)的适应值/〇;(&))， 更新 /?(& )为 /?(?,) =/(?p&)， 23) 如果/(/(，,左,)）小于整个种群迭代获得的历史最好个体茗的适应值/(贫），更 新发为贫= /〇,,女,）， 24) 生成随机数rjPrg，其中/;^~(7(0，1)， 25) 更新速度V = H'. V +么..〇(h, ) - /(,, ~)) +么· .(贫-/〇,,卜)）， 26) 更亲if位置/(?,,A：,...

【专利技术属性】
技术研发人员：江永亨，付骁鑫，王京春，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11