迈向敏捷反馈：一种适应性强的、基于图灵理论的多目标协同进化算法，用于在设备故障情况下优化炼钢-连续铸造的重新调度过程

《Swarm and Evolutionary Computation》：Move towards agile feedback: An adaptive Turing-enhanced multi-objective co-evolutionary algorithm for rescheduling optimization steelmaking-continuous casting under equipment failures

设备故障导致连续铸钢调度动态性增强，传统优化方法适应性不足。本文提出自适应图灵增强多目标协同进化算法ATE-MOEA，构建主从种群协同优化框架，创新双向知识迁移机制与动态图灵模式突变策略，实现全局探索与局部开发的动态平衡。实验表明该算法在16个真实场景中收敛速度提升95%-99%，计算时间减少90%-93%，超体积指标显著优于基准方法。

　　

林关|王亚林|刘晨亮|谭旭杰|张玉杰

中南大学自动化学院，中国湖南长沙410083

摘要

在工业生产过程中，设备故障时常发生，尤其是在炼钢和连铸（SCC）等工艺中，这带来了高度动态且约束严格的重新调度优化问题。现有的优化方法在面对突发设备故障时往往无法提供可靠的性能，导致生产效率下降和能源消耗增加。为了解决这些问题，本文提出了一种自适应图灵增强型多目标进化算法（ATE-MOEA），用于SCC重新调度优化，以提高优化的鲁棒性和响应性。首先，设计了一种新的多种群共进化框架，通过进化辅助种群来简化优化问题。然后，提出了一种基于编码方案的双向知识传递机制，以增强原始种群与辅助种群之间的协作。此外，还结合了一种自适应图灵模式驱动的变异策略，在多目标搜索过程中平衡全局探索和局部利用。最后，在16个真实世界的SCC调度场景中进行的全面比较实验表明，ATE-MOEA在大多数测试案例中均显著优于代表性基准方法，收敛指标提高了95-99%，计算时间减少了90-93%，并且解决方案的多样性也得到了显著提升。

引言

生产计划和调度在工业过程中起着至关重要的作用[[1], [2], [3]]。它们不仅确保了生产流程的连续性，还直接影响资源利用效率以及系统应对和控制意外中断的能力[4,5]。作为制造系统的核心组成部分，生产调度对于实现灵活、智能和高效的操作控制至关重要。以钢铁制造过程为例，炼钢-连铸（SCC）过程是炼钢和轧钢之间的关键环节[6,7]。其调度效率和稳定性直接影响能源消耗、产品质量和经济性能[8]。

与一般的混合流水线调度问题[9,10]不同，现实世界中的SCC过程经常面临设备老化、维护活动或意外故障等问题，这些问题可能导致原始的静态调度计划失效。因此，在设备故障情况下快速高效地生成高质量的重新调度方案仍然是钢铁制造中的一个主要挑战。

现有研究已经探讨了SCC系统中的静态和动态调度问题，采用了启发式规则、数学优化和进化算法等方法。然而，这些方法在处理随机设备故障的不可预测性和多目标冲突的复杂性时仍存在显著局限性。为了克服这些挑战，本文提出了一种自适应图灵增强型多目标共进化算法（ATE-MOEA），专门用于设备故障情况下的SCC过程重新调度优化，旨在解决SCC调度场景中的动态多目标优化问题。本研究的主要创新包括：

(1)

提出了一种新的多种群共进化框架，用于处理设备故障下的复杂重新调度问题。该框架将受设备故障影响的任务视为简化问题，并进化出一个专门的种群来辅助优化原始的重新调度问题。

(2)

设计了一种双向知识传递机制，以指导两个共进化种群之间的互动。该机制实现了高质量个体的传递，并在原始种群和简化种群之间应用了考虑时间间隔的插入策略，从而提高了共进化的效果。

(3)

提出了一种改进的自适应图灵模式驱动的进化算法。通过在变异过程中动态调整条件参数，该算法有效平衡了全局探索和局部利用。

(4)

在16个真实世界的工业案例中进行了全面比较。实验结果表明，所提出的ATE-MOEA为钢铁制造中的智能调度和动态干扰响应提供了一种可行的算法解决方案和决策支持框架。

与依赖静态假设、简单规则启发式或适应性有限的常规进化算法的现有SCC重新调度方法不同，我们的方法结合了多种群共进化架构和自适应图灵增强型多目标进化策略，以应对设备故障的不可预测性和不规则性。这种组合不仅提高了动态响应性，保持了种群多样性，还实现了原始问题和简化问题之间的目标协作，这是以往SCC调度研究中未曾报道的能力。

本文的其余部分安排如下：第二节介绍相关文献综述并讨论研究空白。第三节提出了设备故障下炼钢-连铸重新调度的问题表述和数学建模。第四节描述了所提算法的创新组件和实现过程。第五节进行了实验研究并进行了分析。最后，第六节总结了本研究。

节选内容

设备故障下的重新调度

近年来，随着SCC调度问题研究的不断进步，重新调度技术受到了越来越多的关注，尤其是在涉及动态中断的实际场景中[11,12]，例如紧急订单插入[13]和设备故障。与广泛研究的静态调度问题[14]不同，重新调度需要及时响应真实的工业干扰，并在多个冲突目标之间进行有效协调

问题描述

SCC过程是钢铁制造的核心阶段，通常包括三个子过程：炼钢、精炼和连铸。根据通过精炼炉的类型和数量，该过程可以进一步分为单精炼、双精炼和多精炼模式。

图1展示了SCC过程的示意图。其中，BOF表示基本氧气炉（Basic Oxygen Furnace），RH、LF和VD代表不同类型的精炼设备

提出的方法

SCC过程中的设备故障会引发突然的中断，使静态调度计划失效。简单地重新调度所有任务往往会导致过多的调整和漫长的计算时间。为了解决这一挑战，我们基于双种群共进化框架开发了一种自适应图灵增强型多目标进化算法（ATE-MOEA）。其核心思想是将重新调度问题分解为两个互补的部分：（1）原始问题种群

实验结果与分析

本研究使用的测试数据集来自[51]，来源于实际的SCC生产过程。该数据集包含多个任务、不同的处理阶段和设备约束，有效反映了现实世界SCC操作的复杂性，同时保持了良好的可扩展性和可重构性。这些特性使其成为评估多目标调度算法的合适基准。在本研究中，数据集已经

结论与未来工作

本文提出了一种自适应图灵增强型多目标共进化算法（ATE-MOEA），用于设备故障下的SCC过程重新调度优化。主要贡献包括：（1）在多种群共进化框架内提出了一种新的自适应图灵模式变异策略，能够在设备故障发生时实现快速重新调度。（2）设计了一种双向知识传递机制，以增强主要种群和辅助种群之间的信息共享

CRediT作者贡献声明

林关：撰写——原始草稿，方法论。王亚林：撰写——审阅与编辑，资金获取。刘晨亮：撰写——审阅与编辑，验证，方法论。谭旭杰：可视化，方法论。张玉杰：可视化。