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)濟的競爭日趨激烈，如何科學(xué)地提高生產(chǎn)效率、快速反映不斷變化的市場需求等對于石化企業(yè)的生存和發(fā)展至關(guān)重要，成為企業(yè)贏得市場競爭的關(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)核心競爭力的有效途徑之一，而生產(chǎn)計劃與調(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)計劃與調(diào)度的建模與近似求

2、解方法。對并行機調(diào)度，研究了基于連續(xù)時間的建模方法。針對石化生產(chǎn)的分批決策問題和批組決策問題，分別提出了改進的連續(xù)粒子群算法與離散粒子群算法。針對單機集成批調(diào)度問題，提出了粒子群算法與人工免疫算法的混合算法;對并行機集成批調(diào)度問題，提出粒子群算法與差分進化算法的混合算法;針對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。研究內(nèi)容概述如下:
　　1)針對勻速并行機調(diào)度問題，研究了基于連續(xù)時間的建模方法。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)備的時間槽中，再通過引入連續(xù)變量定義各個時間槽的調(diào)度時間表。根據(jù)分配變量下標(biāo)的不同定義方法，通過變換空時間槽在時間軸上的位置，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)式方法近似計算各設(shè)備上所需的時間槽數(shù)目，并提出兩類啟發(fā)式模型。通過實驗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)勢和缺點。
　　2)以石化工業(yè)生產(chǎn)中具

4、有分叉、聚合、循環(huán)和多進多出等多種復(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，以實現(xiàn)優(yōu)化某種生產(chǎn)指標(biāo)的目標(biāo)。該類問題的難點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，首先對問題最優(yōu)解的性質(zhì)進行分析。基于該問題最優(yōu)解的結(jié)構(gòu)與性質(zhì)，提出一種改進

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全局最好粒子的局部搜索策略，進一步改進了算法的性能。算法在小規(guī)模的測試集合中，獲得所有測試實例的最優(yōu)解;在大規(guī)模的測試集合中，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)針對石化批決策問題中的批組生產(chǎn)

6、計劃問題，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)品類型的多個批量的集合，以實現(xiàn)優(yōu)化某種生產(chǎn)指標(biāo)的目標(biāo)。該問題的特點是設(shè)備的生產(chǎn)能力隨著時間周期發(fā)生變化，批組間切換的調(diào)整時間和費用與產(chǎn)品類型相關(guān)，并且不允許在兩個相鄰的時間周期內(nèi)生產(chǎn)相同的產(chǎn)品。針對該問題，提出一種改進的離散粒子群算法。基于對最優(yōu)解性質(zhì)的分析過程，設(shè)計一種基于“產(chǎn)品類型-時間周期”的二進制

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。算法對粒子的速度給出新的定義，構(gòu)造了一種新穎的移動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，在算法中引入一種粒子速度和位置的擾動策略，有效增加了種群的多樣性。通過對大量不同規(guī)模的算例進行實驗，與商用優(yōu)化軟件的計算結(jié)果進行比較，驗證了算法的有效性。
　　4)以單臺處理機的批處理過程為背景，研究了一類具有可變的批量大小、相同的批量處理時間、與批量加工順序無關(guān)

8、的設(shè)備調(diào)整費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用和批量的設(shè)備調(diào)整費用為目標(biāo)，對該問題建立非線性混合整數(shù)規(guī)劃模型。提出一種改進的粒子群算法與人工免疫算法的混合算法框架對其進行求解。將粒子編碼為各種產(chǎn)品類型的分批方案，通過設(shè)計啟發(fā)式算法確定分批方案中各批量的調(diào)度時間表，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)計了對不可行粒子的修復(fù)策略。在粒子種群進化過程中嵌入人工免疫算法的優(yōu)化機制，較好地避免了種群在進化后期容易陷

9、入局部最優(yōu)點的現(xiàn)象。針對不同參數(shù)結(jié)構(gòu)算例的實驗結(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)化機制的標(biāo)準(zhǔn)粒子群算法。
　　5)在并行機的生產(chǎn)環(huán)境下，研究了一類具有批量大小和處理時間可變、設(shè)備生產(chǎn)能力有限和設(shè)備處理柔性等特點的集成批調(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υ搯栴}最優(yōu)解性質(zhì)的分析，設(shè)計了粒子的編碼和譯碼方法，提出一種改進的粒子群優(yōu)化算法對其進行求解。針對種群進化過程中出

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。為了改進算法種群的解質(zhì)量，還將差分進化算法的優(yōu)化過程與粒子群算法相結(jié)合。對隨機測試實例的實驗結(jié)果表明，嵌入差分進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)進行迭代搜索，有效減少了適應(yīng)函數(shù)的評價次數(shù)。算法采用實值編碼方法，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)式算法求解每個工件的單工件批流問題，依次將工件排列中各個工件安排到兩個階段的生產(chǎn)過程中。為了改進初始種群的解質(zhì)量并增加種群的多樣性，提出構(gòu)造式的啟發(fā)式和隨機啟發(fā)式兩種方法產(chǎn)生初始種群。通過與該問題的文獻中報道的最好算法相比，平均解間隙值縮小了1.42％，與問題目標(biāo)函數(shù)