專利名稱：煉鋼連鑄生產(chǎn)工藝中的組爐次方法
技術(shù)領(lǐng)域：
本發(fā)明涉及冶金自動化生產(chǎn)領(lǐng)域，涉及到一種基于序列倒置改進離散粒子群算法 和準旅行商問題模型的煉鋼連鑄生產(chǎn)工藝中的組爐次方法。
背景技術(shù)：
鋼鐵工業(yè)是國民經(jīng)濟的重要基礎(chǔ)產(chǎn)業(yè)，而我國又是世界上最大的鋼材生產(chǎn)大國。 然而，由于鋼鐵工業(yè)是高能源行業(yè)，近幾年，能源價格飛漲，如何節(jié)約能源，越來越引起鋼鐵 界的重視。為了降低因燃料價格上漲而引起的燃料費用的增加，世界各國的鋼鐵企業(yè)都進 行生產(chǎn)設(shè)備的改造、生產(chǎn)技術(shù)的革新。我國加入WTO以后，鋼鐵企業(yè)面臨一系列嚴峻的挑戰(zhàn)，為了提升其核心競爭力和 持續(xù)發(fā)展的后動力，需要解決好降低成本，提高質(zhì)量和投資決策等問題。其中生產(chǎn)計劃與調(diào) 度是生產(chǎn)管理的關(guān)鍵。由于流程工業(yè)生產(chǎn)計劃與調(diào)度問題具有大規(guī)模、多目標、復(fù)雜約束和 動態(tài)不確定等特征，常規(guī)的建模和優(yōu)化方法難以直接運用，而采用人工調(diào)度方法又難以實 現(xiàn)資源合理調(diào)配和作業(yè)優(yōu)化排序，因此，探討適合流程工業(yè)生產(chǎn)計劃與調(diào)度的建模優(yōu)化和 有效的求解方法成為急待解決的關(guān)鍵理論問題。爐次計劃屬于煉鋼-連鑄段的生產(chǎn)批量計劃。煉鋼的一個爐次最多可以冶煉幾十 噸至上百噸的鋼材。鋼鐵產(chǎn)品在生產(chǎn)過程中根據(jù)化學成分的不同可以劃分為多個鋼級序 列，每個鋼級序列又可以再細化為不同的鋼級。只有同一鋼級序列的板坯才允許安排在同 一爐次中生產(chǎn)，而且一個爐次只能生產(chǎn)一種鋼級的鋼水，如果出現(xiàn)板坯鋼級不同的情況，只 能按照較高的鋼級生產(chǎn)鋼水。如果板坯不滿一爐仍按一爐生產(chǎn)，多余部分稱為無委材。在煉鋼連鑄生產(chǎn)階段，由于中間合同(熱軋板坯)或最終合同(如熱軋帶鋼)的需求 在鋼級、規(guī)格、物理特性、交貨期等諸因素之間存在一定差別，根據(jù)煉鋼工藝的要求和組成 同一爐次的合同的特性限制，需要將合同進行組合，形成不同的爐次計劃，使得每一爐次內(nèi) 在保證最低冶煉爐容要求下，合同之間的交貨期差異最少，具有最大的成材率，最低的生產(chǎn) 成本和最少的無委材。授權(quán)公告號為CN100337773c的中國發(fā)明專利，公開了一種煉鋼連鑄生產(chǎn)工藝中 的組連澆批次的方法。其核心是從寬度已經(jīng)確定的板坯中選出接收批次要求的流向的板坯 進行組爐，建立爐次優(yōu)化模型，并采用粒子群算法求解。授權(quán)公告號為CN101377789B的中國發(fā)明專利，公開了一種煉鋼生產(chǎn)工藝中的板 坯組爐方法。其核心是采用雙層結(jié)構(gòu)的遺傳編碼方式對函數(shù)優(yōu)化，確定待組爐板坯的優(yōu)化 寬度，根據(jù)確定的板坯寬度組爐。上述2項中國發(fā)明專利，在進行板坯組爐時，均采用直接求解方法，在其求解時存 在大量不可行解，且在組爐時，需預(yù)先根據(jù)組爐板坯重量算出組爐爐次數(shù)。

發(fā)明內(nèi)容
本發(fā)明的目的是為了克服上述現(xiàn)有技術(shù)的缺陷，而提供一種煉鋼連鑄生產(chǎn)工藝中的組爐次方法。組爐次計劃編制是多變量多約束大規(guī)?；旌险麛?shù)規(guī)劃問題，可以通過最優(yōu)化方法 求解。最優(yōu)化方法是尋求問題最優(yōu)解的方法，包括傳統(tǒng)優(yōu)化算法、智能優(yōu)化算法和基于規(guī)則 的啟發(fā)式算法。傳統(tǒng)算法又分為解析法和數(shù)值法等。對于目標函數(shù)及約束條件具有簡單而 明確的數(shù)學解析表達式的最優(yōu)化問題，通常可采用解析法來解決，其求解方法是先按照函 數(shù)極值的必要條件，用數(shù)學分析方法(多采用求導(dǎo)數(shù)方法)求出其解析解，再按照充分條件 或問題的實際意義間接地確定最優(yōu)解；對于目標函數(shù)較為復(fù)雜或無明確的數(shù)學表達或無法 用解析法求解的最優(yōu)化問題，可采用數(shù)值解法來解決。數(shù)值解法的基本思想，就是用直接搜 索的方法經(jīng)過一系列的迭化使之逐步接近最優(yōu)解。傳統(tǒng)優(yōu)化算法具有計算效率高、可靠性強等優(yōu)點，但在求解復(fù)雜、困難的優(yōu)化問題 時有很大的局限性。傳統(tǒng)優(yōu)化算法一般要求目標函數(shù)是連續(xù)可微的，解域是凸集等條件，而 且處理非確定性信息的能力較差。這些弱點使傳統(tǒng)優(yōu)化方法在解決許多實際問題時受到了 限制。智能優(yōu)化算法的發(fā)展為解決復(fù)雜、困難優(yōu)化問題提供了新的途徑。智能優(yōu)化算法 主要包括神經(jīng)網(wǎng)絡(luò)方法、遺傳算法、模擬退火算法、免疫算法、禁忌搜索算法、蟻群算法、粒 子群算法等。智能優(yōu)化算法具有通用性，可以找到最優(yōu)解，但不一定能確保找到可行解，而基于 規(guī)則的啟發(fā)式算法運行速度快，能確保有可行解，但不一定能找到最優(yōu)解。單純采用智能優(yōu) 化算法或啟發(fā)式算法很難找到最優(yōu)組爐方案。本發(fā)明提出了把組爐模型轉(zhuǎn)化為準旅行商問 題的方法，較好地解決了智能優(yōu)化算法求解組爐計劃時存在大量不可行解的問題。而且，采 用本發(fā)明，無須預(yù)先知道爐次數(shù)量。本發(fā)明通過離散粒子群優(yōu)化算法的優(yōu)化搜索和基于啟發(fā)式規(guī)則的個體譯碼，確保 算法能找到最優(yōu)可行解。本發(fā)明基于序列倒置算子，通過當前粒子向全局最優(yōu)粒子學習、局部最優(yōu)子粒子 群中粒子和隨機粒子的學習，大大加快了算法收斂速度和全局尋優(yōu)能力。本發(fā)明采用的技術(shù)方案依次包括以下步驟
1)建立本地數(shù)據(jù)庫，進行合同收池；
2)從池中選出待組爐板坯，建立爐次計劃模型；
3)把爐次計劃模型轉(zhuǎn)化為準旅行商問題；
4)基于智能優(yōu)化算法對爐次計劃準旅行商問題模型進行求解，找出最優(yōu)爐次計劃；
5)根據(jù)確定的最優(yōu)爐次計劃進行板坯組爐。在上述技術(shù)方案中所述1)步驟中的進行合同收池，是指從給定的生產(chǎn)合同中， 按照交貨期優(yōu)先級選出滿足日生產(chǎn)能力的合同板坯；
所述步驟2)中的建立爐次計劃模型必須考慮組成同一爐的板坯在鋼級，鋼級序列，板 坯寬度，交貨期，優(yōu)先級等方面的差異費用，無委材的懲罰費用和未組爐板坯的懲罰費用；
所述步驟3)中的模型轉(zhuǎn)換方法在于把爐次計劃模型轉(zhuǎn)化為一準旅行商問題，進而采用 離散粒子群優(yōu)化算法求解，以消除不可行解。所述步驟4)中的智能優(yōu)化算法為基于序列倒置的改進離散粒子群優(yōu)化算法，其具 體做法依次包括如下步驟3a)讀入板坯數(shù)據(jù)；
3b)設(shè)置種群規(guī)模M，迭代總次數(shù)Ng，學習選擇概率pi、代數(shù)閾值Ng、局部最優(yōu)子群比
rl ；
3c)根據(jù)種群大小隨機產(chǎn)生粒子并計算其適應(yīng)度值。初始化，設(shè)置迭代次數(shù)i=l ； 3d)求每個粒子的局部極值pbest，并求出種群的全局極值gbest，根據(jù)rl值和pbest 排序確定局部最優(yōu)子群；
3e)判斷迭代次數(shù)是否大于迭代總次數(shù)，如是，則進入步驟3k)； 3f)產(chǎn)生一個(0 1)間隨機數(shù)rd，如果rd<pl，且當前運行代數(shù)g<Ng，則隨機選擇一個 粒子作為學習對象；如果rd<pl，且g>Ng，則選擇全局最優(yōu)粒子作為學習對象；如果rd>pl， 則隨機從局部最優(yōu)子群中選擇一個粒子作為學習對象；
3g)產(chǎn)生一個(0 1)間隨機數(shù)rp，如果rp〈選擇概率p，則第二個節(jié)點從當前粒子中 隨機選出，子序列進行倒置；如果rp>p，則由步驟3f)確定的學習對象中選擇第二個節(jié)點， 并進行子序列倒置；
3h)對當前粒子按變異概率進行變異操作；
3i)計算該粒子適應(yīng)度值，如果該值大于序列倒置前適應(yīng)度值，則更新當前粒子； 3j)迭代次數(shù)i=i+l，轉(zhuǎn)到步驟3d)； 3k)輸出種群的全局最優(yōu)解。在上述離散粒子群優(yōu)化算法中
所述的步驟3c)和步驟3i)中計算粒子適應(yīng)度值的裝置為基于準旅行商問題模型的啟 發(fā)式譯碼裝置，其譯碼方法依次包括以下步驟為
4a)板坯數(shù)slab=l，爐次數(shù)Charge=I ；爐次中存放第一塊板坯；
4b)板坯數(shù)slab=slab+l，slab〉總板坯數(shù)Numslab嗎，如是，轉(zhuǎn)到步驟4i)
4c)讀入一個新板坯；
4d)判斷是否屬于同一類型板坯，如否則進入步驟4h)；
4e)判斷超出爐容嗎，如否則進入步驟4h)；
4f)與前述同一爐次板坯寬度兼容嗎，如不兼容，則進入步驟4h)；
4g)該板坯放入第charge爐中，進入步驟4b)；
4h) Charge=charge+1，該板坯放入該爐次中，進入步驟4b)；
4i)適應(yīng)度 Hiinfit=O ；
4j)計算每一爐次的適應(yīng)度值f (chargei)，主要由組成同一爐的板坯在鋼級，鋼級序 列，板坯寬度，交貨期方面的差異懲罰費用和無委材的懲罰費用組成，如該值小于本爐次中 各板坯未組爐懲罰值P (charge)，則保留該爐次，minfit=minfit+f (charge)，否則取消該爐 次，置該爐中板坯為未組爐板坯；
4k)在適應(yīng)度值minfit上為未組爐板坯根據(jù)優(yōu)先級加懲罰費用，并返回適應(yīng)度值 minfit。所述離散粒子群優(yōu)化算法的步驟3g)中采用的交叉裝置為基于序列倒置的交叉 裝置，具體操作下面以9塊板坯為例來描述板坯序列的交叉過程
假設(shè)當前板坯序列為(2，3，9，4，1，5，8，6，7)，任意設(shè)定一個0和1之間的隨機數(shù)，第一 塊板坯為3，如果任意隨機數(shù)小于選擇概率p，則第二塊板坯從當前序列中隨機選出，設(shè)所選第二塊板坯為8，子序列進行倒置后，當前板坯序列為(2，3，8，5，1，4，9，6，7 )。如果任意 隨機數(shù)大于選擇概率P，則由種群中另外一個任意選定的板坯序列決定第二個城市。設(shè)任 意選定的另外一個板坯序列為(1，6，4，3，5，7，9，2，8)，在該板坯序列中板坯3之后的板坯 為5，板坯5就是第二塊板坯，子序列進行倒置，當前板坯序列為(2，3，5，1，4，9，8，6，7 )，如 果選定的第二塊板坯在當前粒子中已經(jīng)與第一塊板坯相鄰，則終止當前序列的交叉過程。本發(fā)明具有以下優(yōu)點
1)在采用本技術(shù)之前，基本上采用手工排計劃，時刻的準確性很差，設(shè)備利用率較低， 而且排出的計劃有很大的局限性，直接影響產(chǎn)量和設(shè)備壽命；并且重排一次計劃需要很長 的時間。采用本發(fā)明后，排一次計劃只要數(shù)秒鐘，時間可以精確到秒，設(shè)備利用率大大提高， 產(chǎn)量得到了明顯的提高。2)本發(fā)明通過把爐次模型轉(zhuǎn)化為準旅行商問題，有效地消除了常用智能優(yōu)化算法 的產(chǎn)生不可行的問題。3)本發(fā)明通過把爐次模型轉(zhuǎn)化為準旅行商問題，通過基于模型的啟發(fā)式規(guī)則譯 碼，在安排組爐計劃時，無需預(yù)先確定待安排爐次數(shù)。


圖1是爐次計劃直接求解方法編碼方式示意圖2爐次計劃轉(zhuǎn)化為準旅行商問題模型表示示意圖；圖中所示廣13是板坯號； 圖3基于離散粒子群優(yōu)化算法的最優(yōu)爐次計劃求解流程圖；圖中Y表示是； 圖4粒子啟發(fā)式譯碼算法流程圖，圖中Y表示是，N表示否。
具體實施例方式下面結(jié)合附圖詳細說明本發(fā)明。這些附圖均為簡化的示意圖，僅以示意方式說明 本發(fā)明的基本結(jié)構(gòu)，因此其僅顯示與本發(fā)明有關(guān)的構(gòu)成。工廠在接到一批訂單后，必須首先經(jīng)過質(zhì)量和生產(chǎn)設(shè)計，把訂單變成可生產(chǎn)合同， 再通過合同收池，即從給定的生產(chǎn)合同中，按照交貨期優(yōu)先級選出滿足日生產(chǎn)能力的合同 板坯，導(dǎo)入本地數(shù)據(jù)庫；
經(jīng)過材料設(shè)計得到的成百上千塊板坯，進行板坯組爐的步驟是 首先必須從池中選出待組爐板坯，建立爐次計劃模型，爐次計劃模型主要考慮各爐次 同一爐中板坯在鋼級，鋼級序列，板坯寬度，交貨期，優(yōu)先級方面的差異費用和未組爐板坯 和無委材的附加懲罰費用。在進行爐次計劃求解時，為消除智能優(yōu)化算法求解時存在大量不可行解的情況， 本發(fā)明采用圖2所示的準旅行商問題模型描述，而不采用圖1所示的直接求解編碼方式。在進行最優(yōu)爐次計劃求解時，本發(fā)明采用的智能優(yōu)化算法為基于序列倒置的改進 離散粒子群優(yōu)化算法，參見圖3具體描述為
3a、讀入板坯數(shù)據(jù)；
3b、設(shè)置種群規(guī)模M，迭代總次數(shù)Ng，學習選擇概率pi、代數(shù)閾值Ng、局部最優(yōu)子群比 rl ；種群規(guī)模M，迭代總次數(shù)Ng可根據(jù)需要設(shè)定，太小易陷入局部最優(yōu)，太大則計算時間太 長，一般M取100-200，Ng取500-1000。引入pl，Ng的目的在于避免粒子只是單一的向具有全局極值的粒子學習而陷入局部極值。Pl不能設(shè)置過小，以保證種群多樣性，避免陷入局 部極值，Pl也不能設(shè)置過大，一般在0. 5以下，優(yōu)選為0. 3。Ng的引入是為了使粒子僅在算 法后期才向具有全局極值粒子學習，一般要在算法總運行代數(shù)的一半以上，優(yōu)選為0. 8。局 部最優(yōu)子群比rl不能過小，以避免陷入局部極值，pi也不能設(shè)置過大，一般在0. 4以下，優(yōu) 選為0. 3。3c、根據(jù)種群大小隨機產(chǎn)生粒子并計算其適應(yīng)度值。初始化，設(shè)置迭代次數(shù)i=l ； 3d、求每個粒子的局部極值pbest，并求出種群的全局極值gbest，根據(jù)rl值和pbest
排序確定局部最優(yōu)子群；
3e、判斷迭代次數(shù)是否大于迭代總次數(shù)，如是，則進入步驟3k ； 3f、產(chǎn)生一個(0 1)間隨機數(shù)rd，如果rd<pl，且當前運行代數(shù)g<Ng，則隨機選擇一個 粒子作為學習對象；如果rd<pl，且g>Ng，則選擇全局最優(yōu)粒子作為學習對象；如果rd>pl， 則隨機從局部最優(yōu)子群中選擇一個粒子作為學習對象；
3g、產(chǎn)生一個(0 1)間隨機數(shù)rp，如果rp<選擇概率p，則第二個節(jié)點從當前粒子中 隨機選出，子序列進行倒置；如果rp>p，則由步驟3f確定的學習對象中選擇第二個節(jié)點，并 進行子序列倒置；
3h、對當前粒子按變異概率進行變異操作；變異概率一般取0. 85-0. 99，優(yōu)選為0. 9。3i、計算該粒子適應(yīng)度值，如果該值大于序列倒置前適應(yīng)度值，則更新當前粒子； 3j、迭代次數(shù)i=i+l，轉(zhuǎn)到步驟3d ；
3k、輸出種群的全局最優(yōu)解。進一步，所述基于序列倒置的改進離散粒子群優(yōu)化算法智能優(yōu)化算法中的步驟3c 和步驟3i中計算粒子適應(yīng)度值的裝置為基于準旅行商問題模型的啟發(fā)式譯碼裝置，參見 圖4，其譯碼方法的具體步驟是
4a、板坯數(shù)slab=l，爐次數(shù)Charge=I ；爐次中存放第一塊板坯；
4b、板坯數(shù)slab=slab+l，slab〉總板坯數(shù)Numslab嗎，如是，轉(zhuǎn)到步驟4i ；
4c、讀入一個新板坯；
4d、判斷是否屬于同一類型板坯，如否則進入步驟4h ；
4e、判斷超出爐容嗎，如否則進入步驟4h ；
4f、與前述同一爐次板坯寬度兼容嗎，如不兼容，則進入步驟4h ；
4g、該板坯放入第charge爐中，進入步驟4b ；
4h、Charge=charge+l，該板坯放入該爐次中，進入步驟4b ；
4i、適應(yīng)度值minfit=0 ；
4j、計算每一爐次的適應(yīng)度值f (charge)，主要由組成同一爐的板坯在鋼級，鋼級序列， 板坯寬度，交貨期方面的差異懲罰費用和無委材的懲罰費用組成，如該值小于本爐次中各 板坯未組爐懲罰值P(charge)，則保留該爐次，minfit=minfit+f (charge)，否則取消該爐 次，置該爐中板坯為未組爐板坯；
4k、在適應(yīng)度值minfit上為未組爐板坯根據(jù)優(yōu)先級加懲罰費用，并返回適應(yīng)度值 minfit。所述的離散粒群優(yōu)化算法中的步驟3g中采用的交叉裝置為基于序列倒置的交叉 裝置，具體操作以下面9塊板坯為例來描述板坯序列的交叉過程假設(shè)當前板坯序列為(2，3，9，4，1，5，8，6，7)，任意設(shè)定一個(Tl之間的隨機數(shù)，第一塊 板坯為3，如果任意隨機數(shù)小于選擇概率p，則第二塊板坯從當前序列中隨機選出，設(shè)所選 第二塊板坯為8，子序列進行倒置后，當前板坯序列為(2，3，8，5，1，4，9，6，7 )。如果任意隨 機數(shù)大于選擇概率P，則由種群中另外一個任意選定的板坯序列決定第二個城市。設(shè)任意選 定的另外一個板坯序列為(1，6，4，3，5，7，9，2，8)，在該板坯序列中板坯3之后的板坯為5， 板坯5就是第二塊板坯，子序列進行倒置，當前板坯序列為(2，3，5，1，4，9，8，6，7 )，如果選 定的第二塊板坯在當前粒子中已經(jīng)與第一塊板坯相鄰，則終止?；谛蛄械怪酶倪M離散粒子群算法所得種群的全局最優(yōu)解即為最優(yōu)組爐結(jié)果，所 得板坯序列的譯碼結(jié)果即為最優(yōu)組爐計劃。上述實施例只為說明本發(fā)明的技術(shù)構(gòu)思及特點，其目的在于讓熟悉此項技術(shù)的人 士能夠了解本發(fā)明的內(nèi)容并加以實施，并不能以此限制本發(fā)明的保護范圍，凡根據(jù)本發(fā)明 精神實質(zhì)所作的等效變化或修飾，都應(yīng)涵蓋在本發(fā)明的保護范圍內(nèi)。
權(quán)利要求
1.一種煉鋼連鑄生產(chǎn)工藝中的組爐次方法，包括建立本地數(shù)據(jù)庫，進行合同收池，其特 征在于該方法依次包括以下步驟1)建立本地數(shù)據(jù)庫，進行合同收池；2)從池中選出待組爐板坯，建立爐次計劃模型；3)把爐次計劃模型轉(zhuǎn)化為準旅行商問題；4)基于智能優(yōu)化算法對爐次計劃準旅行商問題模型進行求解，找出最優(yōu)爐次計劃；5)根據(jù)確定的最優(yōu)爐次計劃進行板坯組爐。
2.根據(jù)權(quán)利要求1所述的一種煉鋼連鑄生產(chǎn)工藝中的組爐次方法，其特征在于，所述 步驟2)建立爐次計劃模型必須考慮組成同一爐的板坯在鋼級，鋼級序列，板坯寬度，交貨 期，優(yōu)先級等方面的差異費用，無委材的懲罰費用和未組爐板坯的懲罰費用。
3.根據(jù)權(quán)利要求1所述一種煉鋼連鑄生產(chǎn)工藝中的組爐次方法，其特征在于，所述步 驟4)基于智能優(yōu)化算法對爐次計劃準旅行商問題模型進行求解的智能優(yōu)化算法為基于序 列倒置的改進離散粒子群優(yōu)化算法，依次包括如下步驟3a)讀入板坯數(shù)據(jù)；3b)設(shè)置種群規(guī)模，迭代總次數(shù)，學習選擇概率、代數(shù)閾值、局部最優(yōu)子群比； 3c)根據(jù)種群大小隨機產(chǎn)生粒子并計算其適應(yīng)度值，初始化，置迭代次數(shù)為一； 3d)求每個粒子的個體極值，并求出種群的全局極值，根據(jù)局部最優(yōu)子群比和局部最優(yōu) 值排序確定局部最優(yōu)子群；3e)判斷迭代次數(shù)是否大于迭代總次數(shù)，如是，則進入步驟3k)； 3f)產(chǎn)生一個(Tl間隨機數(shù)，如果該值小于學習選擇概率，且當前運行代數(shù)小于代數(shù)閾 值，則隨機選擇一個粒子作為學習對象；如果該值小于學習選擇概率，而當前運行代數(shù)小于 代數(shù)閾值，則選擇全局最優(yōu)粒子作為學習對象；反之，如果該值大于學習選擇概率，則隨機 從局部最優(yōu)子群中選擇一個粒子作為學習對象；3g)產(chǎn)生一個(Tl間隨機數(shù)，如果該值小于選擇概率，則第二個節(jié)點從當前粒子中隨機 選出，子序列進行倒置；反之，則由步驟3f)確定的學習對象中選擇第二個節(jié)點，并進行子 序列倒置；3h)對當前粒子按變異概率進行變異操作；3i)計算該粒子適應(yīng)度值，如果該值大于序列倒置前適應(yīng)度值，則更新當前粒子； 3j)迭代次數(shù)加一，轉(zhuǎn)到步驟3d)； 3k)輸出種群的全局最優(yōu)解。
4.根據(jù)權(quán)利要求3所述的一種煉鋼連鑄生產(chǎn)工藝中的組爐次方法，其特征在于對所述 的步驟3c)和步驟3i)中計算粒子適應(yīng)度值的裝置為基于準旅行商問題模型的啟發(fā)式譯碼 裝置，該方式無需預(yù)先知道爐次數(shù)，其譯碼方法依次包括以下步驟4a)板坯數(shù)置為一，爐次數(shù)置為一；爐次中存放第一塊板坯； 4b)板坯數(shù)加一，板坯數(shù)大于板坯總數(shù)嗎，如是，轉(zhuǎn)到步驟4i) 4c)讀入一個新板坯；4d)判斷是否屬于同一類型板坯，如否則進入步驟4h)； 4e)判斷超出爐容嗎，如否則進入步驟4h)； 4f)與前述同一爐次板坯寬度兼容嗎，如不兼容，則進入步驟4h)；4g)該板坯放入該爐次中，進入步驟4b)；4h)爐次數(shù)加一，該板坯放入該爐次中，進入步驟4b)；4i)總適應(yīng)度值置0;4j)計算每一爐次的適應(yīng)度值，主要由組成同一爐的板坯在鋼級，鋼級序列，板坯寬度， 交貨期方面的差異懲罰費用和無委材的懲罰費用組成，如該值小于本爐次中各板坯未組爐 懲罰值，則保留該爐次，總適應(yīng)度值上加上本爐次適應(yīng)度值，否則取消該爐次，置該爐中板 坯為未組爐板坯；4k)在總適應(yīng)度值上為未組爐板坯根據(jù)優(yōu)先級加懲罰值，并返回總適應(yīng)度值。
5.根據(jù)權(quán)利要求3所述一種煉鋼連鑄生產(chǎn)工藝中的組爐次方法，其特征在于，對所述 的步驟3g)中采用的交叉裝置為基于序列倒置的交叉裝置。
全文摘要
本發(fā)明所公開的是一種煉鋼連鑄生產(chǎn)工藝中的組爐次方法，以其依次包括如下步驟建立本地數(shù)據(jù)庫，進行合同收池；從池中選出待組爐板坯，建立爐次計劃模型；把爐次計劃模型轉(zhuǎn)化為準旅行商問題；基于智能優(yōu)化算法對爐次計劃準旅行商問題模型進行求解，找出最優(yōu)爐次計劃；根據(jù)確定的最優(yōu)爐次計劃進行板坯組爐為主要特征。根據(jù)本方法組爐在安排組爐計劃時，無需預(yù)先確定待安排爐次數(shù)；采用本發(fā)明排一次計劃只要數(shù)秒鐘，時間可以精確到秒，設(shè)備利用率大大提高，煉鋼連鑄產(chǎn)量得到了明顯的提高。
文檔編號G06F17/50GK102117359SQ201010614840
公開日2011年7月6日 申請日期2010年12月30日 優(yōu)先權(quán)日2010年12月30日
發(fā)明者孫寧, 楊啟文, 沈繼冬, 薛云燦, 黃國銘 申請人:河海大學常州校區(qū)