一种纺织面料染色过程的优化调度方法
【技术领域】
[0001] 本发明涉及一种纺织面料染色过程的优化调度方法，属于化工生产过程智能优化 调度技术领域。
【背景技术】
[0002] 随着全球经济的持续快速增长，流程工业的发展程度已成为衡量国家工业水平的 重要指标。纺织面料生产是流程工业最重要的组成部分之一。通过对纺织面料进行相应的 物理和化学加工，进而实现面料价值的升值。在纺织面料生产过程中，染色操作应用的场合 相当广。染色过程常用于最终面料产品的输出，面料染色的处理的速度和质量将直接对产 品的质量产生重要影响，对整个系统结构的优化升级具有重要意义。因此，纺织面料生产中 染色过程的优化调度具有重要研究价值。
[0003] 对面料进行染色是常见的操作，由于面料的理化性质存在差异，有些面料经过一 次染色即可完成加工，而有些面料需要进行二次或多次染色操作才能完成加工；同时，为 了防止产品间的交叉污染，每台染色设备在加工完一种面料后，需要一定的设置时间进行 清洗和调整，才能继续加工另外一种面料，而设置时间取决于面料之间的加工顺序；此外， 实际染色操作的加工（设备）单元往往由多台异构的并行设备构成，这些设备的加工能力 不尽相同，面料需根据自身的理化性质、体积、质量等因素选择合适的设备进行加工。该 过程就是典型的异构并行机调度问题。与其他生产调度问题一样，异构并行机调度问题 的优化指标主要包括最大完工时间、拖期产品数、平均流经时间等，其中以最大完工时间 (makespan或C max)使用最为广泛。异构并行机调度问题属于NP-Complete问题，其解空间 随问题规模的增大呈指数增长。因此，对异构并行机调度问题求解算法的研究具有较高的 实际和理论价值，可为相关化工生产优化系统的设计提供切实指导。
[0004] 由于面料染色过程调度问题属NP完全范畴，传统的数学规划方法和启发式构 造性方法无法保证解的优化质量。因此，本发明设计了一种基于遗传-分布估计算法 (Genetic Algorithm-Estimation of Distribution Algorithm, GA-EDA)的优化调度方法， 可在较短时间内获得纺织面料染色过程调度问题的近似最优解。
【发明内容】
[0005] 本发明提供了一种纺织面料染色过程的优化调度方法，以用于解决在较短时间内 获得化工生产中面料染色过程调度问题的近似最优解的问题。
[0006] 本发明纺织面料染色过程的优化调度方法是这样实现的：
[0007] 首先通过确定面料染色过程调度模型和优化目标，并使用基于遗传-分布估计算 法GA-EDA的优化调度方法对优化目标进行优化；其中调度模型依据每台染色设备上所加 工面料的最大完工时间来建立，同时优化目标为最小化最大完工时间为C_: ^ ⑴ CN 105159242 A 仇叱卞> 2/8 页
[0008]
[0009] (V)
[0010] (3)
[0011] (4)
[0012] (5)
[0013] 设产品集合为N，生产设备集合为M，其中工件或产品数为n，设备数为m。每种产品 j (j e (1，···，η))需要Stgj道加工工序，St = Stg1U Stg2U ... U Stgn表示所有产品的工 序数所构成的集合，同种产品的不同工序需要按先后顺序加工；所有工序只能由集合M中 满足加工约束的设备加工；产品的加工时间与加工设备有关，任何设备i(i e (1，···，!!〇) 同一时刻只能加工一种产品；不同产品间带序相关设置时间，设置时间依赖于加工顺序，同 种产品间的设置时间为0。
[0014] 4
;为所有产品的总工序数，：π = [ JT D JT 2,…，JT TS] (JT (1，… ，n)，j = 1，…，TS)为待加工的η个广品或工件的基于工序的排列（该排列中的广品从左 往右根据一定规则和加工约束分配到各台设备上加工），T1为第i台设备上加工的工序总 数
为第i台设备 上所加工工件的基于工序的排列，朽为的加工时间
之间的设置时间
， 当k > 1且；^> =<;>时
为?f)的开始加工时间
的前一次加工所用的设备号（k = 1，…，T1，当是首次加工时
为4'u)的前一次加工在设备
1中从左往右的位置（k= 1，…，T1，当;r/("是首次加工时
，优化 的目标为在所有产品排序的集合Π 中找到一个π %使得最早完工时间Cniax(Ji)最小；
[0015] 其中，式⑴至式⑶为最早完工时间Cniax(Ji)的计算公式，式⑷和式（5)表示 在所有产品排序的集合Π 中找到最优排序π %使得Cniax(Ji)最小。调度的目标为在所有 待染色的面料排序的集合Π 中找到一个π %使得最大完工时间Cniax(Ji)最小。
[0016] 所述基于遗传-分布估计算法的优化调度方法的具体步骤如下：
[0017] St印1、编码方式：以待染色的面料排序进行编码31 = [JI1, 31 2，···，JIts];其中 TS表不所有广品的总工序数；
[0018] St印2、概率矩阵和种群的初始化：
[0019] St印2. 1 :初始化概率矩阵：首先需要构造用于训练的初始概率模型或矩阵 Pcifi (gen) = [PiJnxTs，初始化的POTi (gen)所有基因位上的等位基因的概率取值相等，即Pu =1/n (i = 1，. . .，n, j = 1，. . .，TS)，初始化的概率矩阵POTi (gen = 1)的形式如式（6)所 示，其中gen表示种群进化的代数；
[0020] (6)
[0021] Step2. 2 :初始化种群：GA-EDA采用随机方式初始化种群，即算法随机产生 popsize个个体，构成种群规模为popsize的初始种群Pop randi (gen = 1);
[0022] Step3、概率矩阵的更新机制：GA-EDA使用历史最优个体更新概率矩阵，设
为种群在第gen代的历史最优个体，LR是 学习速率，则概率矩阵Pniatoix (gen)采用如下步骤更新：
[0023] St 印 3. 1 :设
[0024] Step3. 2 :概率归一化：
，其中，w = 1，· ·，n，j = I,. . . , TS0
[0025] Step4、产生新种群：
[0026] Step4. I :产生候选种群：候选种群popcandi (gen)由两部分构成：（1)候选种群 P〇Pcandi (gen)中e%的个体根据轮盘赌的方法对EDA概率矩阵Pmattix(gen)采样形成；（2)其 余g%的个体由上一代种群Pop randi (gen-Ι)中适配值最好的前g%的个体构成；
[0027] Step4. 2 :产生新种群：通过对popcandi (gen)顺序执行GA的遗传操作，形成新种群
[0028] St印5、终止条件：设定终止条件的最大迭代次数为200,如果满足，则输出"最优 个体"；否则转至St印3,反复迭代，直到满足终止条件。
[0029] 所述种群规模设置为popsize = 50，学习速率LR = 0· 1，e% = 0· 6, g% = 0· 4。
[0030] 本发明的有益效果是：
[0031] 本发明提出了最小化最大完工指标下的化工生产中面料染色过程的调度模型和 调度方法，使得化工生产中面料染色过程的表达清晰准确，调度方法合理有效；采用基于 GA的训练操作方法得到初始化的概率矩阵，提高了概率模型在算法进化初期的有效信息积 累量；通过GA与EDA的结合，使得GA-EDA具有全局与局部搜索能力；使得EDA可以有效克 服在局部搜索上的不足；有利于充分利用优秀个体的信息来指导搜索方向，进而使得算法 的搜索宽度和深度得到合理平衡，使得算法的寻优能力得到增强；
[0032] 本发明所提出的基于GA-EDA的优化调度方案可以有效化工生产中面料染色过程 调度问题。
【附图说明】
[0033] 图1为本发明中的流程图。
【具体实施方式】
[0034] 实施例1 :如图1所示，一种纺织面料染色过程的优化调度方法，首先通过确定面 料染色过程调度模型和优化目标，并使用基于遗传-分布估计算法GA-EDA的优化调度方法 对优化目标进行优化；其中调度模型依据每台染色设备上所加工面料的最大完工时间来建 立，同时优化目标为最小化最大完工时间为C max: