一种基于改进遗传算法的选煤厂智能排产方法

技术领域

本发明涉及信息技术领域，尤其涉及一种基于改进遗传算法的选煤厂智能排产方法。

背景技术

在我国的煤炭行业中，选煤工作是十分重要的环节。在这一环节中，主要是对原煤进行深加工处理，以获取品质更高的煤炭产品，在生产产品煤过程中，如何综合考虑科学制定生产计划以达到生产效率最大化和利益最大化成为选煤工作需要解决的关键问题之一。选煤厂的选煤工作系统主要分为原煤系统和洗选系统两大工作系统。在原煤系统中经过破碎站破碎后的煤炭经由不同传送带运送至规定的毛煤仓中；在洗选系统中特定皮带从指定的毛煤仓中获取毛煤后经过分级筛、脱水筛、浅槽分选机、矸石脱介筛、离心机、刮板机等设备后分类进入不同规格的产品仓中。

智能排产就是根据生产现场的生产资源配合系统编制和下发的生产计划以及生产过程中实时采集到的库存等情况，综合得出一个满足实际情况的生产效率最大化的生产方案，以解决人工经验排产计划考虑不足的问题，为选煤排产提供科学的指导。常用来解决排产问题的智能算法有蚁群算法、模拟退火算法、神经网络算法、粒子群算法和遗传算法等。解决复杂的车间排产优化问题需要用到智能算法，而遗传算法(Genetic Algorithm，简称“GA”)不依赖于问题的具体领域，对所求解的问题具有很强的鲁棒性，它提供了一种求解复杂问题的通用框架。

而上述方法存在以下不足：首先，由于车间排产问题收敛性难以保证，从而造成算法的求解效率低、过早收敛等问题，最终难以达到理想的优化目标。其次，复杂车间排产问题生成的染色体编码长度过长，使用遗传算法随机生成的染色体绝大部分不符合约束，若使用穷举法生成染色体，耗费时间会呈现指数倍增长，将无法进行后续的迭代步骤。再次，由于遗传算法中的复制、交叉操作对于探索种群之外的解空间能力有限，而在变异概率比较小的情况下个体发生朝向种群多样性方向变异的可能性也很低，难以保证种群的多样性。

发明内容

本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于改进遗传算法的选煤厂智能排产方法，用以解决选煤厂智能排产优化的问题。

本发明是通过以下技术方案予以实现：

一种基于改进遗传算法的选煤厂智能排产方法，包括如下步骤：

S1.获取选煤厂的历史数据、实时数据及参数，并整理成一个可供调用的数据模块，所述历史数据、实时数据分别包括生产数据和设备数据；

S2.确定输入数据和参数，考虑选煤厂生产指标最大化，以小时为单位，建立混合0-1整数规划模型；

S3.根据生产过程中的约束条件对原煤系统和洗选系统运行过程进行优化求解；

S4.根据生产逻辑关系生成具有一定特征的染色体编码，将问题空间转化成遗传空间；

S5.生成在解空间范围内的父代种群，通过选择、交叉、变异操作，经过迭代后寻找到所述解空间内的最优个体；

S6.对所述最优个体的染色体编码进行解码，完成选煤厂选煤排产计划的优化。

根据上述技术方案，优选地，在步骤S1中，所述生产数据和设备数据包括：原煤系统中破碎站编号与皮带编号及毛煤仓的关系和数量；洗选系统中毛煤仓与皮带、皮带与产品仓、产品仓与煤种之间的关系和数量。

根据上述技术方案，优选地，步骤S3包括：在确定好原煤系统目标函数后，根据生产过程中的约束条件建立破碎站的约束方程；在确定好洗选系统目标函数后，根据生产过程中的约束条件建立洗选系统中的约束方程。

根据上述技术方案，优选地，步骤S4包括：以现场工艺要求和约束条件为生产逻辑初始化父代种群，父代的染色体均采用高维的0-1型染色体编码，所述染色体上的每个基因位代表一条煤流路径一个时间段内的开闭状态，在决策变量中引入0-1变量。

根据上述技术方案，优选地，步骤S4还包括：构建以约束方程为解空间边界条件的淘汰算子，约束个体生成的范围空间。

根据上述技术方案，优选地，步骤S5包括：生成在解空间范围内的父代种群，根据适应度函数，选择出一定数量的优秀个体；选择出的所述优秀个体的种群进行交叉、变异操作；生成的个体经过淘汰算子的检验，经过多轮迭代后，获取所述解空间内的最优个体。

根据上述技术方案，优选地，步骤S6包括：对所述最优个体的染色体编码进行解码，画出排产甘特图，将遗传空间转化回问题空间；获取优化后的原煤系统和洗选系统的排产甘特图表。

本发明的有益效果是：

本发明根据工业现场的真实输入数据和工业参数进行建模求解，此方法在缩短求解时间的前提下仍然能获得求解空间内相对更加良好的结果。由于工业生产数据量庞大，生成的染色体编码维度很高，为了降低数据维度过高带来的影响，在生成染色体编码的时候将现场生产过程中的工艺问题和约束加入到生成染色体的逻辑中，一定程度上降低生成染色体编码时的随机性和可能性。在变异环节增加了变异的方向性，使得每轮迭代都能以比较大的概率扩展种群优良个体，变异扰动操作增加了解空间的探索能力，使得算法突破局部最优解的能力进一步增强。

附图说明

图1为选煤厂生产系统示意图。

图2为本发明改进遗传算法的流程图。

图3为本发明基于改进遗传算法的选煤厂智能排产方法的流程图。

图4为本发明原煤系统排产优化效果对比图。

图5(a)为洗选一系统排产优化效果对比图，图5(b)为洗选二系统排产优化效果对比图，图5(c)为洗选三系统排产优化效果对比图。

具体实施方式

为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于发明保护的范围。

由附图1所示的原煤系统和洗选系统的示意图中可以看出，选煤厂原煤系统含有5个破碎站和12个不同规格的毛煤仓；洗选系统又划分为三个独立的洗选子系统，分别拥有9个、3个和4个产品仓。原煤系统由5个破碎站，每个破碎站有多条煤流路径将破碎后的原煤输送进毛煤仓，其中某些皮带如CM21承担着不同煤流路径的运输任务，要求这类皮带上的煤流路径不可以同时开启；根据现场生产工艺要求，每个破碎站只可以同时启动一条进毛煤仓的煤流路径。洗选系统中多条皮带从不同毛煤仓中取出毛煤，经过分级筛、脱水筛、浅槽分选机、矸石脱介筛、离心机、刮板机等设备后分类进入不同规格的产品仓中，其中存在一些皮带承担不同煤流路径的运输情况，部分此类皮带上的煤流路径不可以在同一时刻开启，针对一些运输量较大的皮带，需要考虑皮带的运输能力上限。不同规格的毛煤仓和产品仓的存储量上限也各不相同，存储的煤种也各不相同。由于原煤系统和洗选系统组成的选煤网络纷繁复杂，各种设备间存在种种约束情况，单依靠人工经验排产不容易将所有生产要素考虑到位，单纯依靠人工排产达到的效果也往往不如采用智能算法优化排产的效果好，这也是采用改进遗传算法求解选煤厂排产的原因所在。

如图2-3所示，本发明包括如下步骤：

S1.获取选煤厂的历史数据、实时数据及参数，并整理成一个可供调用的数据模块，所述历史数据、实时数据分别包括生产数据和设备数据。其中生产数据和设备数据包括：原煤系统中破碎站编号与皮带编号及毛煤仓的关系和数量；洗选系统中毛煤仓与皮带、皮带与产品仓、产品仓与煤种之间的关系和数量。

S2.确定输入数据和参数，考虑选煤厂生产指标最大化，以小时为单位，建立混合0-1整数规划模型。

考虑到模型的通用性，模型设计有输入和参数两类数据。其中输入数据为设备生产运行时，由调用系统通过读取相关系统获得的计划、实时数据等内容，这些输入数据会影响下一时刻的排产可能性。输入数据包括：日产量计划、排产时间段、检修计划、毛煤仓当前库存和产品仓当前库存等数据。参数主要是生产过程中固定的数据，用于实现厂级的生产拓扑的快速建模，参数数据主要包括：破碎站数量、洗选系统数量、毛煤仓数量和产品仓数量。输出决策变量x

建立混合0-1整数规划模型：模型考虑整个选煤厂选煤量指标最大化，以小时为单位，对原煤系统和洗选系统整体考虑。其中目标函数考虑原煤系统生产毛煤量最大化和洗选系统各个独立子系统洗选量最大化，构建原煤系统中破碎站目标函数如下：

式中N为破碎站数量，T为时间段数量(以1小时为单位)，m为煤流路径的编号，M

洗选子系统的目标函数如下：

式中N为皮带数量，T为时间段数量(以1小时为单位)，m为煤流路径的编号，E

S3.根据生产过程中的约束条件对原煤系统和洗选系统运行过程进行优化求解。

在确定好原煤系统目标函数后，根据生产过程中的约束条件建立破碎站的约束方程。首先约束每个毛煤仓的存储量时刻处于毛煤仓仓储容量上限内，公式如下所示：

式中m为煤流路径编号，t为时间段编号；a

约束原煤系统中单个破碎站同一时刻只能开启一条煤流路径，公式如下所示：

约束多个煤流路径共用皮带时，单次只允许单条煤流路径开启，也即控制共用皮带的煤流路径在同一时刻处于开启状态的个数不大于1，公式如下所示：

式中m

计划数据中会有检修或者停机备用等相关安排，以下公式用来约束破碎站停机备用。

在确定好洗选系统目标函数后，根据生产过程中的约束条件建立洗选系统中的约束方程。约束产品仓仓储量时刻处于允许容量上限内，公式如下所示：

式中E

洗选系统煤流路径存在共用皮带的约束，受现场生产工艺要求，部分皮带上的多条煤流路径同一时刻最多有规定个处于开启状态；部分煤流路径存在互斥情况，不可以同时开启。公式如下所示：

式中M

限定部分承担较多运输任务的皮带的运输能力上限，间接限制这类皮带上煤流路径同时开启的数量。产品煤进入产品仓的方式有直落和皮带两种方式，这两类运输方式在单位时间内的输送量也有明确限制。公式如下所示：

式中D

S4.根据现场工艺要求和约束条件为生产逻辑关系，生成具有一定特征的染色体编码，将问题空间转化成遗传空间。

其中染色体上的每个基因位代表一条煤流路径一个时间段内的开闭状态，在决策变量中引入0-1变量。由于生产现场煤流路径有几十条，每一条煤流路径又分为多个时间段，造成每一条染色体编码长度都在几百位，染色体编码形如x＝[x

此外，构建以约束方程为解空间边界条件的淘汰算子，约束个体生成的范围空间，每个新生个体都需要经过淘汰算子的检验，以确保种群中的个体均被限定在解空间中，不符合约束的个体则被淘汰。

将种群中各个体的目标函数值归一化，适应度值如下：

S5.生成在解空间范围内的父代种群，通过选择、交叉、变异操作，经过迭代后寻找到所述解空间内的最优个体。

具体地，生成在解空间范围内的父代种群，根据适应度函数，采用轮盘赌的方式选择出一定数量的优秀个体，其中适应度值的大小与被选中的概率呈正相关。选择出的所述优秀个体的种群进行交叉、变异操作，在变异操作中，为了增加优势个体，本方法会选择出优秀个体和劣势个体，逐一对比两类个体在每一个基因位的异同，让需要突变的新个体在基因位不同点上增加向优势个体方向突变的概率，而在基因位相同点处降低突变概率，这一操作目的是给变异增加一定的方向性的基础上还能尽可能限制变异后的个体在解空间范围内。增加变异扰动，增加解空间范围内寻优能力，突破局部最优解限制。经过选择、交叉、变异后生成的个体经过淘汰算子的检验，进一步确保新一代种群是符合约束的解集，经过多轮迭代后，获取所述解空间内的最优个体。

S6.对最优个体的染色体编码进行解码，画出排产甘特图，将遗传空间转化回问题空间，获取优化后的原煤系统和洗选系统的排产甘特图表，完成选煤厂选煤排产计划的优化。

图4、图5(a)(b)(c)分别是原煤系统和洗选系统三个子系统排产优化效果对比图，图中将本文方法与传统的遗传算法进行对比。虚线代表未改进的遗传算法效果，可见本文方法在突破局部最优解，迭代速度和寻找全局最优解方面均比未改进的遗传算法具有优势。

本发明采用真实的工业生产数据，模型设计有输入数据和参数两类数据，首先根据煤流路径的开启和闭合状态引入0-1型决策变量，建立混合0-1整数规划模型。随后将模型空间转化至遗传空间，以现场工艺要求和约束条件为生成逻辑初始化父代种群，构建以约束方程为解空间边界条件的淘汰算子，约束个体生成的空间，经过淘汰算子检验的候选个体加入到新一代种群中；最终种群经过选择、交叉、“贪心策略”变异和变异扰动等操作后生成新一代种群，经过种群迭代直到寻找到整体最优解。这种智能排产方法可以为整个选煤过程的各个系统制定合理的日可执行排产方案，为选煤排产提供科学合理的指导。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。