聚类分析结合BP神经网络的钢坯库堆垛问题算法

在考虑了钢坯库实际堆垛的基础上,设计了一种将订单K-means聚类分析后通过BP神经网络生成入库计划的算法。该算法主要分为2个阶段,首先通过K-means聚类将轧制计划中的合同按照轧制出厂日期等条件形成类别;然后通过BP神经网络算法生成入库计划。利用钢厂实际生产数据对本算法进行验证。结果表明,本算法能够有效地减少倒垛次数,提高垛位空间利用率。

考虑库存信息的钢管批量计划优化算法

在考虑库存信息的基础上对钢管批量计划优化问题进行研究,建立了批量计划轧制位置与垛位钢坯多对多关系的批量计划模型,实现对倒垛次数的优化。结合问题特征,设计了一种基于钢坯连续倒垛的两阶段批量计划优化算法:第1阶段,确定当前最优钢坯,进而搜索同垛位上的下层钢坯,匹配最佳的连续轧制钢坯;第2阶段,针对每个轧制位置搜索垛位上的连续轧制钢坯,改进第1阶段的解。通过基于实际生产数据的实验验证,相对经典启发式算法,倒垛次数显著降低,算法和模型是可行且有效的。

考虑倒垛因素的轧制计划编制方法

在给定粗轧制计划的基础上考虑钢坯库倒垛优化,编制详细的轧制计划;建立以最小化轧制计划内钢坯出库总倒垛次数与轧制单元之间切换机架次数为目标的多目标整数规划模型;针对模型特征,设计一种基于钢坯匹配的单亲遗传算法.通过基于实际生产数据的实验验证,相对于传统的手工计算方法,所提出的算法在优化倒垛次数和切换机架次数上平均提升20%,算法和模型是可行且有效的.