一种工业领域的配料比例优化方法与流程

1.本发明涉及工业技术领域，更具体地说，特别涉及一种工业领域的配料比例优化方法。


背景技术：

2.工业企业为节省资源并达到产品质量要求，如何更加科学准确地指导工业生产越来越受到企业的重视，因此，基于优化方法寻找最优配方可以有效地指导工业生产配方并优化资源配置。
3.本发明涉及工业领域，其发展现状如下：现阶段传统企业配方输出完全基于配方工程师的经验，根据配方工程师的历史经验来确定生产配方，由于计算量较大，配方工程师无法兼顾质量与成本。
4.为了完成配方优化，业界普遍采用如下方法：基于线性求解算法来完成配方的寻找。
5.然而该方法虽然有很多优点：简单易行，但仍然存在很多不足：性能较差，且很难找到最优比例，这些不足的产生原因如下：受到原料质量误差和工艺误差等原因，工业生产不存在真正的线性场景，同时当原料的种类增加后，整体复杂度会指数级上升，无法寻找到满足要求的配方。


技术实现要素：

6.本发明的目的在于提供一种通过将配方优化问题进行分层，组合优化和比例优化进行解耦，可以更好地适配简单线性场景及复杂非线性场景，在满足优化要求的条件下缩小了问题规模，提高了优化的效率的工业领域的配料比例优化方法。
7.为了达到上述目的，本发明采用的技术方案如下：一种工业领域的配料比例优化方法，其特征在于，方法包括以下步骤：s1、确定总的原材料数量和种类，确定单组原料的约束条件；s2、以最小化混合原料的成本价格为优化目标，采用组合优化方法求解配料的选择和比例；s3、组合优化层：基于组合优化的思想，将问题规模进行缩减，得到初始原料组合解；s4、比例优化层：将组合优化生成的原料组合，基于混合遗传和退火策略进行求解，多次迭代判断是否满足条件后，得到最终可行配方解。
8.优选地，所述步骤s2具体步骤为：配置完成之后，需要分析比例优化问题的优化目标和约束条件，完成问题建模；求解时的优化目标为：最小化混合原料的成本价格，假设原料的成本价为cj，其配比为rj，即：
；优化问题的约束条件基于实际要求来确定，并将约束条件分类并量化，假设关于配比的约束函数为，对应的约束条件范围即：。
9.优选地，所述步骤s3的具体步骤为：s31、维度缩减：直接从x种原料中选y种原料，其中，将原料按照进行排序，然后按照划分为n组，按照原料价格从高到底进行排序；从每一组原料中随机选取一种（选取后将该原料从该原料组中删除），则构成由n种原料构成的组合；重复m次，则可以得到m个包含n种原料种类的初始组合；s32、原料组合求解：根据步骤s2中算法进行求解，建模后的问题带入常规优化算法中求解完成后可以得到m个满足要求的解配方，这些解配方是不同组合内的最优解，作为最终解计算的初始值以求得全局最优解。
10.优选地，所述步骤s4中混合遗传和退火策略的实现分为如下步骤：s41、排序操作：将m个配方组合按照适应度从小到大进行排序，然后对排序好的配方进行两两交叉操作；s42、交叉操作：交叉算子采用单点交叉的方式，即对两个配方，随机地选取配方中的某一种原料进行交换得到两种新的配方；s43、退火策略：当一对配方进行交叉后进行比例优化，得到子代配方后按照退火策略判断是否接受新组合，如果子代配方的价格小于父代配方价格，则使用子代配方替代父代配方，否则根据metropolis准则判断是否子代配方替代父代配方，基于混合遗传和退火策略即可完成比例优化的求解，比例优化问题已在步骤s2中完成建模，同样的可以基于常规优化算法即可求解，将建模后的问题带入常规优化方法中求解完成后可以得到子配方，每次迭代可以得到单次迭代的最优解，多次迭代满足终止条件后即可得到全局最优解。
11.优选地，所述步骤s32及步骤s43中常规优化算法可以选择常见的元启发式算法，包括但不限于遗传算法(genetic algorithm，ga)、粒子群算法(particle swarm optimization，pso)、蚁群算法(ant colony optimization，aco)和模拟退火算法(simulated annealing，sa)。
12.优选地，所述步骤s41中m个配方组合按照价格适应度从小到大进行排序。
13.优选地，所述步骤s1中约束条件可以为原料数量约束、库存约束、产品质量约束和原料比例范围约束中任意一种。
14.与现有技术相比，本发明的优点在于：通过将配方优化问题进行分层，组合优化和比例优化进行解耦，提出了组合优化层和比例优化层级联的方法，可以更好地适配简单线性场景及复杂非线性场景，在满足优化要求的条件下缩小了问题规模，与传统方案相比，可以有效提高工业领域配方优化效果，提高优化效率。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
16.图1是本发明一种工业领域的配料比例优化方法的流程图；图2是本发明实施例中原料分组示意图；图3是本发明实施例中分组抽样示意图。
具体实施方式
17.下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
18.本发明的实施例基于本发明的主要思想，以某企业产品质量预测为场景，实现了完整的解决方案。
19.参阅图1所示，本实施例具体实施步骤如下：（一）优化方法的配置。
20.假设可用的原料总数x约为300种，本文所述的工业比例优化方法在使用前需要进行如下配置：1)该客户由于生产设备限制，需要将目标原料数量范围区间设置为[5, 8]：2)将单组原料数量n设置为10。
[0021]
3)根据计算方式配置分组数量m为=304)具体配置可以json配置文件来实现，配置文件的具体内容如下：{
ꢀꢀꢀ
"p_q": 100,
ꢀꢀꢀ
"m": 10,
ꢀꢀꢀ
"n": 30}（二）问题抽象求解时的优化目标为：最小化混合原料的成本价格，假设原料的成本价为，其配方为，即：约束条件可以考虑如下：1）原料数量约束客户生产条件要求输出配方的原料数量为5-8种2）库存约束配方输出时需要考虑产品库存，库存不够时使用其他产品。
[0022]
3）产品质量约束
工业比例优化时需要满足产品质量要求约束。此处不做赘述。
[0023]
4）原料比例范围约束本实施例中由于生产设备精度要求，各原料的比例最小需要为5%，最大需要为35%，将该约束构造为函数，即可实现优化。
[0024]
（三）组合优化层a)维度缩减假设需要直接从300种原料中选5-8种原料。直接进行选择则存在种可能的情况，求解复杂度极高，无法得到结果会比较困难。基于提出的配方优化方法可以很好地解决这个问题。
[0025]
将原料按照价格进行排序，然后按照价格从上到下划分为10组，每组包含30种原料，划分后的原料如图2原料分组示意图所示。
[0026]
从每一组原料中随机选取一种（选取后可以将该原料从该原料组中删除），则构成由30个由10种原料构成的配方，如图3分组抽样示意图所示。
[0027]
b)初始解求解对30个配方基于遗传算法分别进行初始解求解，选取满足要求的配方方案，即可得到组合优化层的最优初始解组合。
[0028]
（四）比例优化层经过上述过程得到初始解配方后，基于下述方式对配方进行组合优化。
[0029]
1）排序选择将30种配方按照价格从小到大进行排序，然后对排序好的配方进行两两交叉操作。
[0030]
2）交叉算子交叉算子采用单点交叉的方式，即对两个配方，随机地选取配方中的某一种原料进行交换得到两种新的配方。
[0031]
3）退火策略当一对配方进行交叉后，如果得到的子代配方的价格小于父代配方价格，则使用子代配方替代父代配方，否则根据metropolis准则判断是否子代配方替代父代配方。
[0032]
4）并行化由于得到配方后需要对每个配方进行比例计算，而比例优化所需时间较长，如果采用串行的方式进行计算则所需时间很长。
[0033]
因此，在配方优化的每一个迭代步需对配方优化进行并行化。如果对个体的配方优化计算可以并行化，则算法最终运行时间为迭代步数*单个配方优化时间。如果单个配方优化需要15s，混合遗传和模拟退火算法迭代20步，则配方优化整个过程大概需要5分钟。
[0034]
优选地，可以设置比例优化的迭代次数为300，则经过300次迭代后即可得到满足要求的最优配方。
[0035]
虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。