不确定性下的批处理调度，以最大程度地减少能耗和拖延：热处理应用

本文探讨了在不确定性环境下，为降低能耗和拖延，实现批处理调度优化的热处理应用场景。在制造行业，热处理作为一项高能耗的过程，例如，在热轧作业之前对钢锭加热，可占到整个过程能量消耗的70%（2-2.4GJ/吨）。因此，在此过程中存在着显著的节能潜力。 文章中提出了一个新颖的多目标模型，该模型针对能源密集型的生产过程，如热处理，旨在最小化能源消耗和总加权拖延时间。在这个模型中，需要考虑每个工件的到达时间以及天然气加热值、处理时间、到期日期等固有不确定性。通过使用模糊逻辑来表征这些不确定性，并在寻找帕累托前沿时解释目标的支配性，采用了非支配排序遗传算法进行优化。 热处理过程中加热部分的能量消耗占总能耗的很大比例，因此对加热效率的优化是实现节能目标的关键。通过制定有效的生产调度方案，可以在不牺牲生产效率的同时，减少能源消耗和时间延迟。在制造调度中，已经有不少研究针对提高能源效率、考虑峰值负载、碳足迹和使用时段电价（TOU）及实时电价（RTP）等问题。 一些工作旨在同时优化与能源相关的生产效率目标。例如，Liu在研究中考虑了碳排放和总拖延时间的批量调度问题，而Luo等人研究了电能消耗。在这些研究中，通过模型和算法对不同的调度方案进行优化，以求达到最佳的生产和能源效率。 本研究通过一个预先的热处理（如浸泡）过程来展示所提方法的应用，该过程发生在热轧作业之前。通过讨论模型在不同参数设定下的帕累托最优性能，验证了所提出模型的有效性。 本研究的主要创新点在于引入了模糊逻辑来处理不确定性，并采用非支配排序遗传算法来求解多目标优化问题。模糊逻辑的使用使得调度模型能够处理模糊或不精确的数据，并通过模糊化方法将不确定性转化为可处理的形式，使模型能够对实际生产中遇到的不确定因素进行有效的建模和处理。 从技术角度来说，研究体现了对能源密集型工业生产过程中能耗的深刻理解，强调了在生产和调度决策中考虑不确定性的重要性，并展示了一种结合模糊逻辑和遗传算法来解决能源效率和生产效率问题的方法。此外，研究也指出了如何在实际操作中实施节能生产调度的可能性，以及如何通过技术手段达成生产过程中的环境和经济双重目标。