论文部分内容阅读
钢铁行业是中国国民经济的基础产业，钢铁企业能否稳定健康的发展，关系着整个国家经济的持续和协调发展。随着经济全球化的兴起和消费者需求的改变，钢铁企业需要通过先进的管理方式来改造和提升传统生产模式与生产工艺，建设资源节约和环境低污染的新型产业，在市场的不断变化中满足客户需求，提高客户服务水平，从而提高钢铁企业的市场竞争力。此外，随着原材料、人力成本的不断上升，如何提高设备的利用率，降低生产成本成为钢铁企业提高经济效益的重要考虑因素。为了达到上述目标，有效的生产计划管理模式及其生产计划体系起着重要的作用。 为了确保设备利用率，在市场需求不足时，需要根据预测生产成品或半成品应对未来的需求，这是基于MTS(Make to Stock)的生产方式，MTS具有交货提前期短，充分利用产能等优点。但是钢铁市场对产品多品种、小批量和个性化的需求越来越频繁，钢铁企业又需要采取MTO(Make to Order)的生产方式，按照订单组织生产，达到满足客户多样性需求并降低库存的目的。所以，为了协调市场个性化、快速响应需求与充分利用设备之间矛盾，既保证内部生产的经济性，又提升市场服务水平，企业需要兼顾MTO和MTS两种生产模式，建立一种MTO-MTS混合策略，这成为钢铁企业发展的必然趋势。 本学位论文作为国家自然科学基金项目(71171126)的研究子课题，对MTO-MTS混合模式下钢铁企业生产管理体系中的相关生产计划与调度问题展开创新性研究。在MTO-MTS混合生产模式下，根据时间跨度的不同，钢铁企业的生产计划管理体系主要包括长期计划层、合同计划层、生产调度层三个层面。本文的研究正是围绕这三个层面展开，主要解决以下问题: 1)在长期计划层面上，作为下游企业的材料供应商，钢铁企业应该如何在下游企业需求不确定的情况下，制定年度综合生产计划，优化配置自身产能，决定企业要生产哪种产品及生产多少，这是钢铁企业在战略层需要考虑的关键问题。 2)在合同计划层面上，如何将MTO和MTS两种生产模式进行有效结合，同时考虑库存与生产，把MTS阶段产生的多级库存与MTO阶段所对应的多工序生产进行合理协同，使合同集在库存与生产之间优化配置，是钢铁企业在MTO-MTS生产计划体系的战术层需要解决重点和难点问题。 3)在生产调度层面上，作为MTO与MTS两种生产模式转换点的板坯库，对于衔接上下游工序，控制整个生产过程的节奏都发挥着重要作用。那么，如何优化在制品库存配置，生成合理的板坯入库决策和库内运输方案是钢铁企业在具体作业层面上值得考虑的一个问题。 以上问题属于生产计划与调度研究领域，具有大规模，多目标，复杂约束等特征，它们能否顺利解决是影响MTO-MTS混合生产模式能否有效的在钢铁企业中发挥作用的关键，是极其富有挑战的科研任务。本文将最优化建模理论和智能优化方法引入钢铁企业的生产计划与调度问题，具体采用PSO算法，多目标优化理论和多Agent技术，以及与问题相契合的多种改进策略等对问题进行求解，拓展了智能优化方法的应用领域。 论文的主要贡献包括: 1)基于供应商早期介入(Early Vendor Involvement，EVI)的合作模式，建立企业年度综合生产计划优化模型，利用粒子群算法求解，设计启发式非可行解修复规则，实现钢铁企业的产能优化配置。 本文在多产品，多工序和多下游加工企业环境下，研究钢铁企业年度综合生产计划的编制问题。基于核心企业“先期介入(EVI)”下游企业的合作模式和产销平衡原则，考虑工序产能约束，产品最小计划量约束和下游企业需求范围约束等，以最大化核心企业的产能利用、企业利润以及下游企业的利润率为目标建立数学模型，在下游企业需求不确定的情况下，优化企业产能配置。采用PSO算法求解，设计启发式规则，根据产品在核心企业的销售利润以及售出产品为下游企业带来的利润修复非可行解。通过实验验证了模型和算法的有效性，合理的将MTO-MTS混合管理的思想延伸至下游企业。 2)基于多级库存匹配和多工序生产联合优化模型，研究钢铁企业的合同计划编制问题，设计重匹配协同策略和局部搜索策略改进粒子群(PSO based onRematch and Local Search Mechanisms，PSOReMLS)算法，增强了算法的全局搜索能力和局部精化能力。 在MTO-MTS混合生产模式下，合理协调生产和库存是合同计划需要解决的关键问题。本文将多级库存匹配引入合同计划，同时考虑半成品库存、成品库存和多工序生产，以最小化合同的库存匹配费用、提前/拖期惩罚、交期惩罚、产能均衡惩罚和合同取消惩罚为目标建立联合优化数学模型。构造了PSOReMLS算法，采用重匹配协同策略提高搜索空间的全局性，进一步采用局部搜索策略提高粒子群算法的求解性能。通过仿真实验确定相关参数，采用某著名钢厂的多组算例分析了多级库存匹配策略对库存管理与生产计划的协调作用，验证了算法的有效性。 3)基于板坯入库决策问题，建立多目标优化模型，设计了多种群协同粒子群优化(Multi-objective Population Cooperative Particle Swarm Optimization,MOPCPSO)算法求解，增强了粒子群算法在多目标入库决策问题求解中的应用效果。 针对钢铁企业板坯入库决策问题，基于出库次序A型约束，分散性约束以及垛位限高约束等，构建了以板坯综合匹配度，垛位利用度和库存均衡度为目标函数的多目标入库决策优化模型。由于传统加权系数法在权重赋予时容易受到决策者主观偏好的影响，本文提出一种多目标种群协同粒子群优化算法(MOPCPSO)，并设计局部搜索策略提高外部归档集中Pareto解的多样性，同时利用Pareto最优解改进粒子速度更新方式，以达到多种群协同优化的目的。仿真实验证明，本算法可以更好的解决多目标板坯入库优化问题。 4)针对板坯库内协同运输问题建立数学模型，构建板坯库内运输调度的多Agent系统(The Multi-Agent System of Slab Location/Discharge)，设计评价函数协调Agent之间的冲突，提高系统的并行性和自适应能力。 针对在制品（以板坯为例）库存的库内运输协同调度问题，以最小化板坯出/入库总运输时间为目标，建立数学模型;设计一个无主控的多Agent系统，以统一的结构封装任务和资源，同时考虑板坯入库作业和出库作业两种调度任务，提出在Agent之间建立投标/仲裁机制，设计评价函数协调Agent之间的资源冲突，提高系统的柔性、并行性和自适应能力。通过仿真实验，将出/入库协同作业与完全出库和完全入库作业相比较，验证了本文方法和系统的有效性。 综上所述，本文围绕MTO-MTS混合模式下钢铁企业生产管理中的计划与调度问题展开创新性研究工作，利用PSO算法，多目标优化理论和多Agent技术等对年度综合生产计划，合同计划和在制品库存调度问题进行深入研究，促进了智能优化算法与生产调度问题的融合，拓展了智能优化方法在最优化问题上的应用领域，为后续相关研究提供了有价值的参考。