基于分解协调机制的生产调度混合建模和迭代优化方法研究

本项目以钢铁、石化、印染、半导体芯片生产等具有大规模、复杂约束，强不确定特性的复杂工业过程为背景，结合工程实际需要，研究基于数据和模型混合建模方法和迭代优化调度算法分析和设计。将大规模复杂问题按时域分解为若干调度子问题，通过仿真数据进行神经网络动态规划逼近局部调度决策对全局调度性能的影响性能指标，建立带终端惩罚调度子问题，进行系统稳定性分析，提出修改分枝定界算法，设计保证全局性能不断改善的滚动迭代调度策略。为提高基于数据迭代寻优算法的实时性，选择瓶颈指标作为数据模型关键调度性能指标，从全局优化角度实现对数据模型的简化，设计基于瓶颈指标数据建模的迭代分解调度算法。针对紧急订单情况，设计基于预测机制的滚动迭代分解调度方法，满足市场需求动态变化，为提高企业效益和市场竞争力为目标的生产调度提供简单有效的理论和方法。

大规模复杂生产调度模型合理简化和高效寻优算法是目前实际工业应用和调度理论研究面临的一个具有挑战性的难题。本项目以大规模、复杂约束，强不确定特性的复杂工业过程为背景，结合工程实际需要，开展了基于数据的简化调度建模和基于分解协调的迭代优化调度理论方法和应用研究，完成了研究计划要点：1）基于模型和数据的混合建模方法研究；2）基于混合建模的迭代分解调度方法和性能分析；3）动态不确定环境下基于预测机制的滚动迭代分解方法。项目组进行了广泛深入的理论与应用研究，取得了一些前沿性的成果，共发表了12篇论文，授权发明专利3项，参与编写论著1本。. 本项目针对难以机理建模的复杂生产过程，开展了基于瓶颈特征的混合建模研究。采用神经元动态规划方法和仿真技术建立不同调度时刻下局部调度决策对整个生产过程全局调度性能指标的影响，获得终端费用惩罚的近似值。借鉴滚动时域控制稳定性分析和优化算法设计的思想，考虑局部目标和全局目标一致性，对滚动机制下基于终端费用惩罚子模型的分解迭代算法进行稳定性分析，为基于数据建模和基于数据和模型混合建模下优化调度稳定性设计提供理论保障，并给出全局性能不断改善的迭代分解调度算法。在此基础上，针对动态不确定环境提出了基于预测机制的滚动迭代分解方法。采用预测机制和启发式智能方法建立具有全局优化性能的调度预测模型，用于估计全局性能的瓶颈特征向量。将大规模复杂生产调度问题进行动态时域分解，形成各阶段预测子问题并滚动优化求解。. 本项目从全局优化的角度对问题进行模型简化，并在理论分析下指导迭代调度算法设计，改善全局解的质量，将为复杂制造生产调度方法设计提供理论基础。