石化生產(chǎn)過程批決策及批調(diào)度問題研究.pdf

1、當(dāng)前全球經(jīng)濟(jì)的競(jìng)爭(zhēng)日趨激烈，如何科學(xué)地提高生產(chǎn)效率、快速反映不斷變化的市場(chǎng)需求等對(duì)于石化企業(yè)的生存和發(fā)展至關(guān)重要，成為企業(yè)贏得市場(chǎng)競(jìng)爭(zhēng)的關(guān)鍵因素。石化企業(yè)生產(chǎn)組織的科學(xué)管理是提高企業(yè)核心競(jìng)爭(zhēng)力的有效途徑之一，而生產(chǎn)計(jì)劃與調(diào)度是生產(chǎn)作業(yè)管理的關(guān)鍵，只有科學(xué)有效地制定和執(zhí)行生產(chǎn)計(jì)劃與調(diào)度方案，才能縮短生產(chǎn)周期，減少資源和能源消耗，降低生產(chǎn)成本，提高產(chǎn)品質(zhì)量。
　　本文以石化工業(yè)的批處理生產(chǎn)過程為背景，研究了生產(chǎn)計(jì)劃與調(diào)度的建模與近似求

2、解方法。對(duì)并行機(jī)調(diào)度，研究了基于連續(xù)時(shí)間的建模方法。針對(duì)石化生產(chǎn)的分批決策問題和批組決策問題，分別提出了改進(jìn)的連續(xù)粒子群算法與離散粒子群算法。針對(duì)單機(jī)集成批調(diào)度問題，提出了粒子群算法與人工免疫算法的混合算法;對(duì)并行機(jī)集成批調(diào)度問題，提出粒子群算法與差分進(jìn)化算法的混合算法;針對(duì)多階段的批流集成批調(diào)度問題，提出了基于序優(yōu)化的離散粒子群算法。研究?jī)?nèi)容概述如下:
　　1)針對(duì)勻速并行機(jī)調(diào)度問題，研究了基于連續(xù)時(shí)間的建模方法。在建模過程中，

3、預(yù)先給定各處理設(shè)備上的時(shí)間槽數(shù)目，利用0-1變量將加工任務(wù)分配到各設(shè)備的時(shí)間槽中，再通過引入連續(xù)變量定義各個(gè)時(shí)間槽的調(diào)度時(shí)間表。根據(jù)分配變量下標(biāo)的不同定義方法，通過變換空時(shí)間槽在時(shí)間軸上的位置，分別提出了基于3-索引和2-索引的混合整數(shù)規(guī)劃模型。為了提高模型的求解效率，采用兩種啟發(fā)式方法近似計(jì)算各設(shè)備上所需的時(shí)間槽數(shù)目，并提出兩類啟發(fā)式模型。通過實(shí)驗(yàn)比較了上面建立的混合整數(shù)線性規(guī)劃模型之間的優(yōu)勢(shì)和缺點(diǎn)。
　　2)以石化工業(yè)生產(chǎn)中具

4、有分叉、聚合、循環(huán)和多進(jìn)多出等多種復(fù)雜物流形式的批處理過程為背景，研究了一類分批決策生產(chǎn)計(jì)劃問題。石化生產(chǎn)分批決策問題是指在滿足生產(chǎn)工藝約束的條件下如何確定各加工任務(wù)的批量大小及批次數(shù)目，以實(shí)現(xiàn)優(yōu)化某種生產(chǎn)指標(biāo)的目標(biāo)。該類問題的難點(diǎn)在于工藝約束十分復(fù)雜，包括產(chǎn)品輸出的柔性分配、有限中間產(chǎn)品存儲(chǔ)策略、易變質(zhì)的中間化學(xué)品以及多種復(fù)雜的物流形式。為了降低問題的求解難度，首先對(duì)問題最優(yōu)解的性質(zhì)進(jìn)行分析。基于該問題最優(yōu)解的結(jié)構(gòu)與性質(zhì)，提出一種改進(jìn)

5、的連續(xù)粒子群算法求解該問題。為了解決分批決策問題中的大量復(fù)雜工藝約束，算法中引入一種新的約束處理機(jī)制，包括前向修復(fù)策略和基于約束適應(yīng)值方法，加速了種群向問題可行解區(qū)域的收斂過程。在粒子群算法中還嵌入了針對(duì)全局最好粒子的局部搜索策略，進(jìn)一步改進(jìn)了算法的性能。算法在小規(guī)模的測(cè)試集合中，獲得所有測(cè)試實(shí)例的最優(yōu)解;在大規(guī)模的測(cè)試集合中，算法與優(yōu)化軟件CPLEX獲得的目標(biāo)函數(shù)下界值的偏差均在5％以內(nèi)。
　　3)針對(duì)石化批決策問題中的批組生產(chǎn)

6、計(jì)劃問題，研究了一類具有固定批量類型的批組決策問題。批組決策問題是指在滿足資源和庫存等方面約束條件下確定各生產(chǎn)設(shè)備上連續(xù)生產(chǎn)隸屬相同產(chǎn)品類型的多個(gè)批量的集合，以實(shí)現(xiàn)優(yōu)化某種生產(chǎn)指標(biāo)的目標(biāo)。該問題的特點(diǎn)是設(shè)備的生產(chǎn)能力隨著時(shí)間周期發(fā)生變化，批組間切換的調(diào)整時(shí)間和費(fèi)用與產(chǎn)品類型相關(guān)，并且不允許在兩個(gè)相鄰的時(shí)間周期內(nèi)生產(chǎn)相同的產(chǎn)品。針對(duì)該問題，提出一種改進(jìn)的離散粒子群算法。基于對(duì)最優(yōu)解性質(zhì)的分析過程，設(shè)計(jì)一種基于“產(chǎn)品類型-時(shí)間周期”的二進(jìn)制

7、離散粒子編碼方法，并提出一種前向啟發(fā)式算法確定各批組的大小。算法對(duì)粒子的速度給出新的定義，構(gòu)造了一種新穎的移動(dòng)策略定義粒子的位置更新過程。為了避免算法種群陷入局部最優(yōu)點(diǎn)，在算法中引入一種粒子速度和位置的擾動(dòng)策略，有效增加了種群的多樣性。通過對(duì)大量不同規(guī)模的算例進(jìn)行實(shí)驗(yàn)，與商用優(yōu)化軟件的計(jì)算結(jié)果進(jìn)行比較，驗(yàn)證了算法的有效性。
　　4)以單臺(tái)處理機(jī)的批處理過程為背景，研究了一類具有可變的批量大小、相同的批量處理時(shí)間、與批量加工順序無關(guān)

8、的設(shè)備調(diào)整費(fèi)用等特征的集成批調(diào)度問題。以最小化客戶合同的拖期費(fèi)用和批量的設(shè)備調(diào)整費(fèi)用為目標(biāo)，對(duì)該問題建立非線性混合整數(shù)規(guī)劃模型。提出一種改進(jìn)的粒子群算法與人工免疫算法的混合算法框架對(duì)其進(jìn)行求解。將粒子編碼為各種產(chǎn)品類型的分批方案，通過設(shè)計(jì)啟發(fā)式算法確定分批方案中各批量的調(diào)度時(shí)間表，即批調(diào)度決策。為了保證算法始終在可行區(qū)域內(nèi)搜索，設(shè)計(jì)了對(duì)不可行粒子的修復(fù)策略。在粒子種群進(jìn)化過程中嵌入人工免疫算法的優(yōu)化機(jī)制，較好地避免了種群在進(jìn)化后期容易陷

9、入局部最優(yōu)點(diǎn)的現(xiàn)象。針對(duì)不同參數(shù)結(jié)構(gòu)算例的實(shí)驗(yàn)結(jié)果表明，提出的算法性能優(yōu)于遺傳算法和未引入人工免疫算法優(yōu)化機(jī)制的標(biāo)準(zhǔn)粒子群算法。
　　5)在并行機(jī)的生產(chǎn)環(huán)境下，研究了一類具有批量大小和處理時(shí)間可變、設(shè)備生產(chǎn)能力有限和設(shè)備處理柔性等特點(diǎn)的集成批調(diào)度問題。以最小化makespan為目標(biāo)，建立混合整數(shù)線性規(guī)劃數(shù)學(xué)模型?；趯?duì)該問題最優(yōu)解性質(zhì)的分析，設(shè)計(jì)了粒子的編碼和譯碼方法，提出一種改進(jìn)的粒子群優(yōu)化算法對(duì)其進(jìn)行求解。針對(duì)種群進(jìn)化過程中出

10、現(xiàn)的不可行粒子，采用一種基于比例的修復(fù)策略將其修正為可行粒子。為了改進(jìn)算法種群的解質(zhì)量，還將差分進(jìn)化算法的優(yōu)化過程與粒子群算法相結(jié)合。對(duì)隨機(jī)測(cè)試實(shí)例的實(shí)驗(yàn)結(jié)果表明，嵌入差分進(jìn)化算法的混合粒子群算法明顯優(yōu)于標(biāo)準(zhǔn)的粒子群算法。
　　6)以產(chǎn)品裝配生產(chǎn)線為背景，研究了帶有多工件批流的多階段集成批調(diào)度問題。為了提高算法的求解效率，提出一種基于序優(yōu)化的離散粒子群混合算法求解該問題?；旌纤惴ú捎眯騼?yōu)化算法作為主框架，粒子群算法作為一個(gè)子程序嵌

11、入到序優(yōu)化算法的整體框架中，以尋找足夠滿意解為目標(biāo)進(jìn)行迭代搜索，有效減少了適應(yīng)函數(shù)的評(píng)價(jià)次數(shù)。算法采用實(shí)值編碼方法，將粒子表示為所有待加工工件的一種可行排列，并提出一種啟發(fā)式算法求解每個(gè)工件的單工件批流問題，依次將工件排列中各個(gè)工件安排到兩個(gè)階段的生產(chǎn)過程中。為了改進(jìn)初始種群的解質(zhì)量并增加種群的多樣性，提出構(gòu)造式的啟發(fā)式和隨機(jī)啟發(fā)式兩種方法產(chǎn)生初始種群。通過與該問題的文獻(xiàn)中報(bào)道的最好算法相比，平均解間隙值縮小了1.42％，與問題目標(biāo)函數(shù)