[发明专利]基于多目标粒子群算法的多智能体制造过程优化方法

说明书

本发明公开了基于多目标粒子群算法的多智能体制造过程优化方法，包括：针对流程工业的制造过程，构建基于多智能体的制造过程优化模型，包括两层结构，其中，上层结构为总控Agent和用来存放算法和数据信息的池Agent，下层结构为原料Agent、设备Agent、管理Agent以及废料Agent，每一个智能Agent会基于自身的通信模块与其他的Agent进行信息的交互；将Agent作为多目标粒子群算法中的粒子，赋予Agent种群进化的能力，针对基于多智能体的制造过程优化模型建立相应的数据模型，利用多目标粒子群算法进行求解，获得有效解集。化后的成本整体低于实际所耗费的成本，所以经过优化的非劣解集可以作为实际生产中的参考，以此来提高流程作业制造的低耗、高产、高质以及降低所需成本。

技术领域

本公开涉及过程控制技术领域，特别是涉及基于多目标粒子群算法的多智能体制造过程优化方法。

背景技术

流程工业主要包括化工、水泥、造纸等行业，在我国的工业生产中占有重要的地位，流程工业的制造过程是连续进行的，不能中断，并且制造过程的顺序是固定不变的，其管理特点是要保证连续供料和确保每个生产环节在工作期间必须正常运行。

由于不同的产品或者是同一产品的多批次产品生产之间存在时间及资源共享，从而容易发生冲突，为了解决此类问题，必须对生产过程中的各类资源进行合理的分配，以此来保证产品的生产流程不被中断。因此流程工业的系统控制及制造过程的优化也更加的复杂，这就导致增加了我们对于制造过程中的原料、温度等影响生产成本及产品合格率的因素的控制难度。同时，为了满足制造过程中的各个目标的要求，比如既要保证产品的质量又要尽可能的减少作业时间以达到最小生产成本的要求。

为了解决这类问题，基于启发式的多目标优化技术得到了很大的发展，经过大量的科学研究表明，该技术比传统的方法更加的实用和有效。用的比较多的主要有:ACO(蚁群算法)，NSGA(遗传算法)，PAES(Pareto存档进化策略算法),PSO(粒子群算法)。其中PSO算法是一种模拟社会行为、基于群体智能的进化技术，它有着自己特有的搜索机制，并且便于实现、收敛能力强，所以在制造业领域得到了较好的发展。

基于上述分析，如何利用多Agent对流程工业进行建模及利用多目标粒子群算法对模型优化是本申请所主要解决的技术问题。

发明内容

为了解决现有技术的不足，本公开的实施例子提供了基于多目标粒子群算法的多智能体制造过程优化方法，在PSO算法的基础上进行了改进，使其直接作用于多目标的优化上。

为了实现上述目的，本申请采用以下技术方案：

基于多目标粒子群算法的多智能体制造过程优化方法，包括：

针对流程工业的制造过程，构建基于多智能体的制造过程优化模型，包括两层结构，其中，上层结构为总控Agent和用来存放算法和数据信息的池Agent，下层结构为原料Agent、设备Agent、管理Agent以及废料Agent，每一个智能Agent会基于自身的通信模块与其他的Agent进行信息的交互；

将Agent作为多目标粒子群算法中的粒子，赋予Agent种群进化的能力，针对基于多智能体的制造过程优化模型建立相应的数据模型，利用多目标粒子群算法进行求解，获得有效解集。

作为本申请的进一步的技术方案，总控Agent负责整个制造过程的资源的协调，它位于制造模型的上层，同时记录着下层Agent的动态，及时的根据得到的信息进行制造过程的调整，在对多种不同生产方案进行优化分析时，从池Agent中取出相应的算法，然后根据算法的优化结果进行生产指导；

原料Agent存储着生产不同产品所需的不用的物料的特性以及各种配比信息；

设备Agent是实际生产中的机器设备，记录有机器的温度、压力、窑速和风力，以保证生产过程中原料和机器的利用率；