背景技術(shù)：

1、本發(fā)明涉及基于自適應(yīng)模擬遺傳算法的精益生產(chǎn)多目標(biāo)優(yōu)化智控方法的技術(shù)領(lǐng)域，具體是一種基于自適應(yīng)模擬算法在精益產(chǎn)品生產(chǎn)中多目標(biāo)優(yōu)化智能控制方法。

2、現(xiàn)有單一的群智能算法是基于生物進(jìn)化啟發(fā)理論支撐的單一的遺傳算法(ga)、粒子群優(yōu)化算法(pso)等，由于后期收斂速度慢、早熟易陷入局部尋優(yōu)，優(yōu)化精度不理想，想通過多種方法混合的模式，分割-并列選擇-合并操作，克服收斂效率低、易陷入局部尋優(yōu)，提升多目標(biāo)優(yōu)化精度。針對傳統(tǒng)粗放生產(chǎn)：靠過量添加維生素a、e、b2、谷氨酸、絲氨酸、轉(zhuǎn)化酶，非法用羥甲基腎上腺素、有性激素、促性腺激素、玉米赤霉醇(雌激素)、催眠鎮(zhèn)靜藥(安定、安眠酮)，以及重金屬粉末催長的生產(chǎn)的產(chǎn)品，其重金屬化學(xué)藥物及抗生素嚴(yán)重超標(biāo)；生產(chǎn)廢棄物鋅含量超標(biāo)300倍，硝態(tài)氨、重金屬殘留對環(huán)境污染，這一生活必須產(chǎn)品的使用嚴(yán)重危及人們身心健康的問題。迫切需要開發(fā)精益產(chǎn)品生產(chǎn)中多目標(biāo)尋優(yōu)的智控系統(tǒng)。對生產(chǎn)精準(zhǔn)投料、生產(chǎn)環(huán)境的溫濕度、及二氧化碳(co2)、氨氣(nh3)、硫化氫(h2s)氣體濃度多目標(biāo)控制最小化應(yīng)用于精益產(chǎn)品生產(chǎn)的最優(yōu)集成環(huán)境中，避免了數(shù)據(jù)集控非線性、時變性、飽和性的復(fù)雜態(tài)，既能解決傳統(tǒng)生產(chǎn)效率不高，又能提升精益產(chǎn)品內(nèi)在質(zhì)量的集成控制瓶頸問題。因此，針對上述問題提出基于自適應(yīng)模擬遺傳算法的精益生產(chǎn)多目標(biāo)優(yōu)化智控方法

技術(shù)實(shí)現(xiàn)思路

1、為了彌補(bǔ)現(xiàn)有技術(shù)的不足，解決因而它呈非線性多目標(biāo)優(yōu)化所隱含的復(fù)雜性，對多目標(biāo)變量頻繁調(diào)控和產(chǎn)品生產(chǎn)的對象相對獨(dú)立的物理空間集成環(huán)境的智能控制、多模態(tài)復(fù)雜信息不能有效并行分布式優(yōu)化處理任務(wù)；導(dǎo)致自動生產(chǎn)管控系統(tǒng)反饋時延較大，精益產(chǎn)品生產(chǎn)的投料與產(chǎn)出比率不高，人機(jī)干預(yù)操控效益不高的問題，本發(fā)明提出基于自適應(yīng)模擬遺傳算法的精益生產(chǎn)多目標(biāo)優(yōu)化智控方法。

2、本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：本發(fā)明所述的基于自適應(yīng)模擬遺傳算法的精益生產(chǎn)多目標(biāo)優(yōu)化智控方法，該技術(shù)方法包括以下步驟：

3、第一步：構(gòu)建滿足約束條件下，v-min向量極小化，使向量型的目標(biāo)函數(shù)f(x)＝[f1(x),f2(x),…,fn(x)]t中的各個子目標(biāo)函數(shù)都盡可能地達(dá)到極小化、精益生產(chǎn)多目標(biāo)優(yōu)化問題：

4、

5、式中，x∈x，表示n個決策向量在x決策單元里，表示目標(biāo)函數(shù)滿足n×m方體r矩陣空間的約束條件下、從x到f(x)多目標(biāo)優(yōu)化的映射關(guān)系；構(gòu)建算法分析項(xiàng)目是否有多目標(biāo)優(yōu)化取得最小值條件，按子目標(biāo)函數(shù)的均分為一些子群體，相對應(yīng)分配一個子目標(biāo)函數(shù)，各自在相應(yīng)的子群體中獨(dú)立地運(yùn)算選擇出各自一些適應(yīng)度高的個體組成一個新的子群體，將所有新生成的子群體合并成一個完整的群體，然后在這個群體中進(jìn)行交叉和變異系列運(yùn)算，生成下一代的完整群體，依此不斷地進(jìn)行“分割-并列選擇-合并”操作，最終可求出多目標(biāo)優(yōu)化問題的帕累托最優(yōu)解。

6、第二步：v-minf(x)能多目標(biāo)尋得最小值時，不止一個最小值存在的情況，創(chuàng)建應(yīng)用的目標(biāo)函數(shù)集如下:

7、

8、集成基于自適應(yīng)模擬算法的精益生產(chǎn)多目標(biāo)優(yōu)化智控方法來支撐智能運(yùn)算管控，輸出最終的多目標(biāo)精益產(chǎn)品生產(chǎn)智能控制最小值；d(h)為目標(biāo)增重量，b(h)為消耗物料的重量，f1(x)第1個目標(biāo)函數(shù)尋優(yōu)取得極小值，則分母是精益產(chǎn)品生產(chǎn)中產(chǎn)品質(zhì)量增長的重量比上物料投入重量獲得最大值，表明單位投料可得較多的產(chǎn)品質(zhì)量；σ、ρ為該溫度及適宜空氣下目標(biāo)增重和消耗物料的影響系數(shù)，h＝1,2…v，v為采樣時間；hset為溫度設(shè)定值，hi為系統(tǒng)輸出溫度值，i＝1,2,…,w，w為采樣次數(shù)，f2(x)為計(jì)算機(jī)系統(tǒng)智能控制目標(biāo)函數(shù)尋優(yōu)取得極小值。該適應(yīng)度函數(shù)綜合考慮了系統(tǒng)的上升時間、超調(diào)量和穩(wěn)態(tài)誤差等多個性能指標(biāo)。同理kset、nset、sset分別為二氧化碳、氨氣、硫化氫濃度計(jì)算模型設(shè)定值，ki、ni、si為分別二氧化碳/氨氣/硫化氫濃度為優(yōu)化控制的計(jì)算機(jī)系統(tǒng)輸出值,j＝1,2,…q，q為二氧化碳的采樣次數(shù)；t＝1,2,…,m,m為氨氣采樣次數(shù)；p＝1,2,…,r,r為硫化氫濃度采樣次數(shù),f3(x)、f4(x)、f5(x)分別為二氧化化碳、氨氣、硫化氫的濃度的各目標(biāo)函數(shù)尋優(yōu)取得極小值。

9、優(yōu)選的，第三步：逐步集成模糊自適應(yīng)模擬遺傳算法是才能取得多目標(biāo)優(yōu)化最小值解；針對現(xiàn)有的自適應(yīng)遺傳算法的弊端，改進(jìn)交叉率pd和變異率pe的計(jì)算方式、克服早期較簡單計(jì)算pd和pe、優(yōu)良個體傾向不改變自身狀態(tài)算法無法跳出局部尋優(yōu)缺陷；當(dāng)fitave與fitmax，二者越接近，算法越趨于收斂；當(dāng)fitave/fitmax>a，且0.5<a<1，a→0.5時，越易判定個體集中；(fitmax-fitmin)越趨近于0時種群集中，算法局部最優(yōu)解的可能性越大，反之則更分散；fitmin/fitmax>b且0<b<1時；b越趨近于0，越易判斷個體集中；當(dāng)fitace/fitmax>a且fitmin/fitmax>b時，判斷群體為集中，此時交叉率pd和變異率pe根據(jù)群體的集中程度進(jìn)行自適應(yīng)變化，使算法自行調(diào)整為自然選擇機(jī)制；不滿足此條件時，判斷為群體分散；改進(jìn)后的交叉率pd和變異率pe的值計(jì)算公式如下：

10、

11、

12、

13、式中fitmax、fitmin、fitave分別為適應(yīng)度最大值、最小值、平均值，c為目標(biāo)函數(shù)界限的保守估計(jì)值、c>0，f(x)為目標(biāo)函數(shù)，k1、k2表示均為自適應(yīng)控制參數(shù)，在(0，1)區(qū)間內(nèi)取固定值；改進(jìn)自適應(yīng)遺傳算法(iaga)初期，個體較分散，變異概率較低，可以保證種群向全局最優(yōu)解收斂；當(dāng)種群個體趨于集中時，采用的較大變異率(pe)，使得算法在增大種群多樣性、保證種群進(jìn)化的同時增強(qiáng)了算法的局部搜索能力。

14、優(yōu)選的，第四步：完善適應(yīng)度尺度變換、解決比例選擇策略存在易選取“超級個體”造成早熟收斂及影響算法收斂速度的缺陷，計(jì)算適應(yīng)度的變換f′(xi)如下：

15、

16、其中，當(dāng)z→1，不同個體間的新適應(yīng)度差距比原適應(yīng)度差距小，降低了超級個體的選擇概率，增加了其他個體的選擇概率，有利于保持群體多樣性。當(dāng)z的下降趨勢變緩，能更好的保持進(jìn)化前期的群體多樣性；當(dāng)z快速趨近于0，可更有效的提升f′(xi)的選擇靈敏度，增加優(yōu)秀個體被選擇的概率，促進(jìn)算法加速收斂；式中，f′(xi)為適應(yīng)度變換、也叫變換后的適應(yīng)度，fitmax、fitmin、fitave分別為種群適應(yīng)度最大值、最小值、平均值，它們的計(jì)算與第三步的計(jì)算相同，本發(fā)明是解決目標(biāo)函數(shù)最小化問題:fit(xi)是適應(yīng)函數(shù)＝負(fù)的目標(biāo)函數(shù)；g表示當(dāng)前進(jìn)化代數(shù)，g表示總進(jìn)化代數(shù)，a取值為6，t為模擬退火方法的溫度，為衰減系數(shù)。

17、優(yōu)選的，第五步：公共種群對優(yōu)秀個體進(jìn)行交叉操作結(jié)束后所有個體按照局部搜索策略進(jìn)行搜索，按下式更新適應(yīng)度:

18、fit(xi)＝fit(xi)+ω(1-kλ)(fm(xi)-fitmax)

19、式中，ω表示進(jìn)化潛能的權(quán)重，k表示溫度衰減系數(shù)，λ表示新解搜索次數(shù)，fm(xi)表示染色體xi經(jīng)局部搜索后的最優(yōu)解；fitmax為種群適應(yīng)度最大值、它的計(jì)算與第三步的計(jì)算相同；本發(fā)明是解決目標(biāo)函數(shù)最小化問題：上式右邊f(xié)it(xi)是適應(yīng)度函數(shù)＝負(fù)的目標(biāo)函數(shù)；通過更新適應(yīng)度能探索個體周圍的解空間，選擇種群大的小數(shù)目的染色體進(jìn)入下一代,挖掘具有進(jìn)化潛能的個體及發(fā)現(xiàn)新解；既豐富群體多樣性維持種群的搜索范圍，又使其他優(yōu)秀個體進(jìn)行交叉有希望產(chǎn)生更加優(yōu)良的新個體。

20、優(yōu)選的，第六步：種群通過搜索鄰域結(jié)構(gòu)來加強(qiáng)算法的局部尋優(yōu)能力，鄰域結(jié)構(gòu)計(jì)算如下：

21、

22、當(dāng)個體進(jìn)行局部搜索時，表現(xiàn)型變化而自身的基因型不變；若存在多個使當(dāng)前個體優(yōu)于全局最優(yōu)解的鄰域結(jié)構(gòu)，選擇接受率最大的鄰域結(jié)構(gòu)產(chǎn)生新解進(jìn)入下一跳；每一跳的鄰域結(jié)構(gòu)被確定產(chǎn)生新解代替當(dāng)前解時，則個體經(jīng)局部搜索發(fā)現(xiàn)優(yōu)于全局最優(yōu)解的解時，確定該個體具有進(jìn)化潛能較大，能通過進(jìn)化搜索到全局最優(yōu)的概率也越大，調(diào)整有進(jìn)化潛能個體的適應(yīng)度，使其有更大幾率進(jìn)入下一代；pi(max)，pi(min)分別表示決策變量pi定義域的上下界,i＝1,2,…,μ，μ為決策變量維數(shù)(即問題維度)，li表示1到μ維決策變量的鄰域結(jié)構(gòu)問題，l表示基因長度，δ為搜索空間的范圍系數(shù)，θ是控制鄰域結(jié)構(gòu)大小的系數(shù)。當(dāng)μ＝1時，函數(shù)f(pi)的基因長度為l的染色體所代表的二進(jìn)制編碼串可以將決策變量pi的定義域[pi(min)，pj(max)]離散為2l-1個均勻區(qū)域。其中每個區(qū)域都有一個鄰域結(jié)構(gòu)，即長度為l(pi)的線段；當(dāng)μ＝2時任務(wù)函數(shù)f(pi，pi+1)表示決策變量pi與pi+1的定義域分別被離散為2l-1個均勻區(qū)域，解空間內(nèi)共有(2l-1)2個鄰域結(jié)構(gòu)，當(dāng)中每個鄰域結(jié)構(gòu)的面積為l(pi)×l(pi+1)的平面矩陣。以此類推，k維求解問題包含(2l-1)k個鄰域結(jié)構(gòu)，每個鄰域結(jié)構(gòu)表示體積為的k維立方體，由此方式將求解問題所指的目標(biāo)解空間與算法的搜索空間建立起一一對應(yīng)的關(guān)系。

23、優(yōu)選的，第七步：種群進(jìn)化過程中若處于停滯或者陷入局部最優(yōu)解，應(yīng)當(dāng)根據(jù)種群進(jìn)化情況更換進(jìn)化策略，本發(fā)明設(shè)計(jì)最優(yōu)解維持不變的進(jìn)化代數(shù)rf來衡量種群的進(jìn)化狀態(tài)，并以下式計(jì)算種群變換策略的概率：

24、

25、種群變換策略的概率公式充分解析了進(jìn)化代數(shù)不變時ped隨停滯代數(shù)變換的規(guī)律，揭示了非線性的概率能夠更合理的控制種群變換進(jìn)化策略；rt是當(dāng)前進(jìn)化代數(shù)(也表示種群停滯的代數(shù))，r是總進(jìn)化代數(shù)，β是控制參數(shù)，本案中取值為6，rmax為最大停滯代數(shù)。

26、優(yōu)選的，第八步：要使自適應(yīng)模擬算法在精益產(chǎn)品生產(chǎn)多目標(biāo)控制中發(fā)揮較好的作用，改進(jìn)蒙特卡洛模擬算法并機(jī)融合到整個算法當(dāng)中，為解決實(shí)際應(yīng)用中復(fù)雜的參數(shù)優(yōu)化問題，增強(qiáng)算法對數(shù)據(jù)結(jié)構(gòu)參數(shù)的辨識能力，把復(fù)雜問題的尋求解空間均衡和參數(shù)優(yōu)化轉(zhuǎn)化為有約束的非線性規(guī)劃問題：

27、min?f(x)x∈en

28、s.t.gi(x)≥0i＝1,2,…,m

29、aj≤xi≤bjj＝1,2,…,n

30、用蒙特卡洛模擬在估計(jì)的區(qū)域{(x1,x2…xn)|xj∈[aj,bj],j＝1,2,…,n}內(nèi)隨機(jī)取若干實(shí)驗(yàn)點(diǎn)集，然后從實(shí)驗(yàn)點(diǎn)集中找出可行點(diǎn)解集，再從可行點(diǎn)解集中選擇最小滿足條件的解集；

31、試驗(yàn)點(diǎn)集的第j個分量xj服從[aj,bj]內(nèi)的均勻分布；即：

32、xi＝aj+s(bj-aj),j＝1,2,…,n

33、s為一個[0,1]均勻分布的隨機(jī)數(shù)；設(shè)：p:試驗(yàn)占總數(shù)；maxp:最大試驗(yàn)點(diǎn)總數(shù)；k：可行點(diǎn)集總數(shù)；maxk:最大可行點(diǎn)集數(shù)；x*:迭代產(chǎn)生的最優(yōu)點(diǎn)集；q:迭代產(chǎn)生的最優(yōu)可行解極小值f(x*)，其初始值為計(jì)算機(jī)所能表示的最大實(shí)驗(yàn)數(shù)；先產(chǎn)生一個隨機(jī)數(shù)作為初始試驗(yàn)點(diǎn)集，以后則將上一個試驗(yàn)點(diǎn)的第j個分量隨機(jī)產(chǎn)生，即xi＝aj+s(bj-aj)，其它分量不變而產(chǎn)生一個新的試驗(yàn)點(diǎn)；這樣，每產(chǎn)生一個新試驗(yàn)點(diǎn)的只需要一個新的隨機(jī)分量；當(dāng)k>maxk或p>maxp時迭代結(jié)束。

34、優(yōu)選的，第九步：要使基于自適應(yīng)模擬算法的精益生產(chǎn)多目標(biāo)優(yōu)化智制方法能充分發(fā)揮作用，將局部尋優(yōu)搜索策略流程、改進(jìn)后的蒙特卡洛模擬流程、同改進(jìn)后的遺傳算法流程有機(jī)融合，集成本發(fā)明的技術(shù)核心；多目標(biāo)優(yōu)化的自適應(yīng)模擬遺傳算法，有效解決精益產(chǎn)品生產(chǎn)中多目標(biāo)優(yōu)化智能控制任務(wù)。

35、優(yōu)選的，第十步，本發(fā)明在asga算法的運(yùn)行過程中，對所求解問題的實(shí)際決策變量并不是直接進(jìn)行操作，而是對表示可行解的個體編碼施加各種遺傳操作來達(dá)到優(yōu)化的目的；精益生產(chǎn)的產(chǎn)品內(nèi)在質(zhì)量提升和數(shù)量增長對集控環(huán)境依賴程度非常高，在優(yōu)化控制的計(jì)算機(jī)系統(tǒng)中，要優(yōu)化的精益生產(chǎn)集控環(huán)境的參數(shù)是溫度、及co2、nh3、h2s的濃度設(shè)定值，要求達(dá)到一定的精度，故采用二進(jìn)制編碼方法，各參數(shù)與二進(jìn)制編碼的映射關(guān)系為：

36、hi＝himin+binar/2l(himax-himin)

37、ki＝kimin+binar/2l(kimax-kimin)

38、ni＝nimin+binar/2l(nimax-nimin)

39、si＝simin+binar/2l(niamx-bimin)

40、其中hi為要設(shè)定的溫度，[himin,himax]為溫度的變化范圍，binar為一個2l長的二進(jìn)制串所表示的二進(jìn)制整數(shù)。同理ki為要設(shè)定的二氧化碳濃度，[kimin,kimax]為二氧化碳濃度的最小和最大的變化范圍，ni為要設(shè)定的氨氣濃度，[nimin,nimax]為氨氣濃度的最小和最大的變化范圍；si為硫化氫要設(shè)定的濃度，[simin,simax]為硫化氫濃度的最小和最大的變化范圍；binar和2l均同上。

41、本發(fā)明的有益之處在于：

42、1.本發(fā)明對分布式問題求解隱含無智能主體通過合作潛能開發(fā)表現(xiàn)出來的計(jì)算智能，在沒有集中控制且不提供全局模型的前提下、為尋找復(fù)雜的分布式問題的優(yōu)化求解方案提供了技術(shù)支撐，對復(fù)雜信息的態(tài)勢感知和多目標(biāo)優(yōu)化控制應(yīng)用潛能發(fā)揮至關(guān)重要。

43、2.本發(fā)明克服了現(xiàn)有的遺傳算法、蟻群算法、粒子群算法、模擬退火、爬山算法等單一的群智能算法使用易陷入局部尋優(yōu)，自學(xué)習(xí)/自組織/自適應(yīng)能力弱的缺陷，除更能解決非線性、復(fù)雜的、多目標(biāo)并存且常規(guī)優(yōu)化算法難解決的瓶頸問題外，還有以下優(yōu)勢：

44、(1)在多目標(biāo)值優(yōu)化精度，迭代效率等方面優(yōu)越一個量級或兩個量級。

45、(2)針對分布式、并行處理、及求解離散問題能力強(qiáng)。

46、(3)全局搜索、系統(tǒng)辨析、模型擴(kuò)展能力強(qiáng)。

47、(4)廣普性更好，相信在今后的工作中，對多目標(biāo)優(yōu)化、分布式智能系統(tǒng)建模、多模態(tài)信息處理、機(jī)器人控制、決策支持以及仿真等方面，能充分發(fā)揮強(qiáng)大的生命力。