一种辐射环境下的零件遥控维护装配序列规划方法.pdf

《一种辐射环境下的零件遥控维护装配序列规划方法.pdf》由会员分享，可在线阅读，更多相关《一种辐射环境下的零件遥控维护装配序列规划方法.pdf（15页珍藏版）》请在专利查询网上搜索。

1、(10)申请公布号 (43)申请公布日 (21)申请号 201410731129.X (22)申请日 2014.12.05 G06F 19/00(2011.01) (71)申请人 东莞理工学院 地址 523000 广东省东莞市松山湖科技产业 园区大学路 1 号 申请人 孙振忠 郭建文 陈海彬 (72)发明人 孙振忠 郭建文 陈海彬 王松 汤泓 张智聪 (54) 发明名称 一种辐射环境下的零件遥控维护装配序列规 划方法 (57) 摘要 本发明涉及一种以粒子群算法为基础的装配 序列规划方法， 尤指一种基于自适应变异粒子群 优化算法并对算法作出改进的一种辐射环境下的 零件遥控维护装配序列规划方法， 。

2、所述的装配序 列规划方法主要包括 5 个步骤 ： 1） 首先建立干涉 矩阵， 然后建立零件的增强邻接矩阵和支撑矩阵 ； 2） 建立装配工具集合的装配序列 ； 3） 通过装配序 列的几何可行性判定可行装配方向 ； 4） 基于步骤 1-3 建立的评价指标， 建立目标函数 ； 5） 重定义粒 子的位置和速度、 位置与速度的更新操作的算法 ； 6） 进行装配序列规划 ； 本发明克服了粒子群算法 在装配序列规划中的不足， 利用装配序列规划的 离散性特点， 对粒子的位置和速度等进行重定义， 能有效提高装配序列规划的效率和质量。 (51)Int.Cl. (19)中华人民共和国国家知识产权局 (12)发明专利。

3、申请 权利要求书2页 说明书8页 附图4页 (10)申请公布号 CN 104376227 A (43)申请公布日 2015.02.25 CN 104376227 A 1/2 页 2 1. 一种辐射环境下的零件遥控维护装配序列规划方法， 所述的零件安装在辐射环境 内， 并通过遥控维护实现零件装配， 其特征在于， 所述装配序列规划方法基于自适应变异粒 子群优化算法， 装配序列规划方法主要包括以下步骤 ： 步骤 1、 首先建立干涉矩阵， 描述总装配体中待装配零件在笛卡尔坐标系 x、 y、 z 方向上与其他零件的干涉关系， 然后建立零件的增强邻接矩阵和支撑矩阵量化表示装配操 作的稳定性 ； 步骤 2、。

4、 建立装配序列 AP=（P1， P2， Pk， Pk+1， Pn） 为装配工具的集合， 从装配工 具集取得可行的装配工具， 再根据可行装配工具的数量计算在更换工具过程中的装配工具 的改变次数， 并推算装配序列中的对装配工具更换次数最少的改变次数 ； 步骤 3、 通过所述装配序列 AP=（P1， P2， Pk， Pk+1， Pn） 的几何可行性判定可行装 配方向， 并推算出装配序列中的对装配方向更换次数最少的改变次数 ； 步骤 4、 基于步骤 1-3 建立的评价指标， 建立目标函数 ； 步骤 5、 基于自适应变异粒子群优化算法， 将算法应用于离散空间， 首先重定义粒子的 位置和速度， 以及重定义。

5、位置与速度的更新操作的算法， 然后建立可行的装配序列矩阵， 最 后确定初始个体最优序列和初始全局最优序列并从中找出最优序列 ； 步骤 6、 进行装配序列规划， 步骤包括 ： 包括 1） 粒子初始化 ； 2） 初始适应度计算 ； 3） 惯 性权重计算 ； 4） 粒子更新 ； 5） 适应度更新 ； 6） 多样性因子更新 ； 7） 全局最优装配零件序列 变异 ； 8） 如果当前迭代次数小于最大迭代次数， 转到步骤 3） ， 否则进行下一步 ； 9） 输出最优 序列。 2. 根据权利要求 1 所述的一种辐射环境下的零件遥控维护装配序列规划方法， 其特征 在于 ： 所述的干涉矩阵为 A， 用 P 表示零。

6、件， 装配体由 n 个零件 P1， P2， Pn 组成， 设干涉 矩阵的元素 Iijx、 Iijy和 Iijz为零件 Pi沿 +x、 +y 和 +z 方向上装配时与零件 Pj的干涉情况， 则干涉矩阵 A 表示为 ： A=， 而 Iijx的取值表示为 ： Iijx= ， 设序列 AP=（P1， P2， Pi-1） 为已装配好的零件序列， Pi为待装配零件， 则零件 Pi的可 行装配方向的判定公式为 ： +D= ， -D= ， D 可以为 x、 y 或 z， 分别判断零件在笛卡尔坐标系的六个方向上的装配干涉情况， 若公 式的结果不为0， 则发生干涉， 该装配序列不可行， 装配序列中不可行操作的次数。

7、nf越小， 则 权 利 要 求 书 CN 104376227 A 2 2/2 页 3 该装配序列的装配可行性越好。 3. 根据权利要求 1 所述的一种辐射环境下的零件遥控维护装配序列规划方法， 其特征 在于 ： 所述步骤 1 建立的邻接矩阵为 C=( Cij)n*n， 支撑矩阵为 S=( Sij)n*n。 4. 根据权利要求 3 所述的一种辐射环境下的零件遥控维护装配序列规划方法， 其特征 在于 ： 在所述的步骤 1 建立的邻接矩阵和支撑矩阵中， 零件 Pi和零件 Pj之间的连接类型用 元素 Cij表示， 当 Pi和 Pj稳定连接时 Cij=2 ； 接触连接时 Cij=1 ； 未连接时 Cij。

8、=0 ； 以元素 Sij表 示零件 Pi和零件 Pj之间的支撑关系， 当 Pi对 Pj稳定支撑时， Sij=1， 否则 Sij=0。 5. 根据权利要求 4 所述的一种辐射环境下的零件遥控维护装配序列规划方法， 其特 征在于 ： 在所述的邻接矩阵和支撑矩阵中， 若存在 Cij=2， j 1,i-1， 则该装配操作稳 定 ； 若 Cij=0， 则该装配操作不稳定 ； 若 Cij=1 或 Cij=0, 则判断 Sij的取值， 若存在 Sij=1， j1,i-1， 则该装配操作稳定， 否则该装配操作不稳定， 装配序列中不稳定操作的次数ns 越小， 则该装配序列的装配稳定性越好。 6. 根据权利要求 。

9、1 所述的一种辐射环境下的零件遥控维护装配序列规划方法， 其特 征在于， 从所述步骤 2 建立的装配序列 （P1， P2， Pk， Pk+1， Pn） 中取得任一零件 Pi的 可行装配工具 AT(Pi) ； 若存在 ， 则装配零件 Pk+1时无需改变装配工具 ； 若 且 ， 则装配零件 Pk+1时需要改变一次装配工具 ； 推算出任 一装配序列的装配工具的最少改变次数 nt。 7. 根据权利要求 1 所述的一种辐射环境下的零件遥控维护装配序列规划方法， 其特征 在于， 在所述步骤 3 中， 通过建立的装配序列 （P1， P2， Pk， Pk+1， Pn） 的几何可行性判 定任一零件 Pi的可行装。

10、配方向 AD(Pi)， 若 ， 则在装配 P1， P2， ， Pk时无需改变装 配方向 ； 若 ， 且 ， 则在装配零件Pk+1时须改变装配方向一次， 推出任一 装配序列的装配方向的最少改变次数 nd。 8. 根据权利要求 1 所述的一种辐射环境下的零件遥控维护装配序列规划方法， 其特征 在于， 所述步骤 4 建立的目标函数如下 ： f=cfnf+csns+ctnt+cdnd， cf、 cs、 ct和cd分别为不可行操作的次数nf、 不稳定操作的次数ns、 装配工具的最少改变 次数 nt和装配方向的最少改变次数 nd的权重系数， 其中、 cf比 cs、 ct、 cd大。 权 利 要 求 书 C。

11、N 104376227 A 3 1/8 页 4 一种辐射环境下的零件遥控维护装配序列规划方法 技术领域 0001 本发明涉及一种以粒子群算法为基础的装配序列规划方法， 尤指一种基于自适应 变异粒子群优化算法并对算法作出改进的一种辐射环境下的零件遥控维护装配序列规划 方法。 背景技术 0002 核电站或高能物理装置等辐射装备在特定环境中进行零件的装配时， 特定环境一 般为放射性辐射环境， 而参与装配的关键部件由于在辐射环境中进行辐射装配的难度较高 导致发生故障的可能性提高， 若关键部件发生故障， 轻则造成的非计划停机， 重则引起严重 核污染和核事故 ； 在辐射环境中对零件遥控维护的操作时， 设备。

12、维护操作人员在远离维护 现场的安全区域， 并在辐射设备内采用机械手开展维护工作， 以此操作可降低维护工作人 员受辐照程度和疲劳程度， 保证核能装备的正常进行 ； 因辐射装备的组成较为复杂， 使得在 进行维护时零件的装配和拆卸操作复杂， 因此需要对零件装配的维护过程进行预先规划， 传统的装配序列规划主要通过经验设计和实物验证的方式进行。 0003 一般而言， 运用基于经验的装配序列规划方法对于结构复杂的设备需耗费大量的 人力、 效率低下， 且无法在设计阶段得出反映零件装配的可行性， 同时建造试验平台的方式 成本高、 周期长 ； 为改进装配序列规划方法， 近年来科学研究将虚拟维护规划应用在计算 机。

13、上， 从而建立虚拟现实的规划环境， 为遥控维护装配序列规划提供有效经验， 但是， 遥控 维护装配序列规划的实现不仅需要在虚拟规划环境上满足条件要求， 而且需要满足装配时 间、 装配费用、 装配可靠性等条件的需求， 从中确定最优方案。 0004 近年来， 研究人员相继应用遗传算法、 蚁群算法、 模拟退火算法、 人工神经网络、 粒 子群算法等智能优化算法来解决组合爆炸的问题， 然而， 当算法的种群规模较小或初始种 群的整体质量较差即初始可行装配序列比例较少时， 遗传算法的收敛速度就会很慢， 不容 易得到理想的装配序列 ； 由于模拟退火算法对解空间的拓展不够好， 不容易搜索到最有效 的区域， 所以搜。

14、索效率低， 而且还存在种群多样性较差， 难以得到最优装配序列的缺点 ； 人 工神经网络算法缺乏全局搜索能力 ； 蚁群算法在搜索后期存在容易出现停滞现象的缺点 ； 相对于其它智能算法， 粒子群算法是解决装配序列规划的较优方法， 但粒子群算法却存在 早熟收敛的不足。 发明内容 0005 为解决上述问题， 本发明旨在公开一种以粒子群算法为基础的装配序列规划方 法， 尤指一种基于自适应变异粒子群优化算法并对算法作出改进的一种辐射环境下的零件 遥控维护装配序列规划方法。 0006 为实现上述目的， 本发明采用的技术方案是 ： 一种辐射环境下的零件遥控维护装 配序列规划方法， 所述的零件安装在辐射环境内，。

15、 并通过遥控维护实现零件装配， 其特征在 于， 所述装配序列规划方法基于自适应变异粒子群优化算法， 装配序列规划方法主要包括 说 明 书 CN 104376227 A 4 2/8 页 5 以下步骤 ： 步骤 1、 首先建立干涉矩阵， 描述总装配体中待装配零件在笛卡尔坐标系 x、 y、 z 方向上与其他零件的干涉关系， 然后建立零件的增强邻接矩阵和支撑矩阵量化表示装配操 作的稳定性 ； 步骤 2、 建立装配序列 AP=（P1， P2， Pk， Pk+1， Pn） 为装配工具的集合， 从装配工 具集取得可行的装配工具， 再根据可行装配工具的数量计算在更换工具过程中的装配工具 的改变次数， 并推算装。

16、配序列中的对装配工具更换次数最少的改变次数 ； 步骤 3、 通过所述装配序列 AP=（P1， P2， Pk， Pk+1， Pn） 的几何可行性判定可行装 配方向， 并推算出装配序列中的对装配方向更换次数最少的改变次数 ； 步骤 4、 基于步骤 1-3 建立的评价指标， 建立目标函数 ； 步骤 5、 基于自适应变异粒子群优化算法， 将算法应用于离散空间， 首先重定义粒子的 位置和速度， 以及重定义位置与速度的更新操作的算法， 然后建立可行的装配序列矩阵， 最 后确定初始个体最优序列和初始全局最优序列并从中找出最优序列 ； 步骤 6、 进行装配序列规划， 步骤包括 ： 包括 1） 粒子初始化 ； 。

17、2） 初始适应度计算 ； 3） 惯 性权重计算 ； 4） 粒子更新 ； 5） 适应度更新 ； 6） 多样性因子更新 ； 7） 全局最优装配零件序列 变异 ； 8） 如果当前迭代次数小于最大迭代次数， 转到步骤 3） ， 否则进行下一步 ； 9） 输出最优 序列。 0007 所述的干涉矩阵为 A， 用 P 表示零件， 装配体由 n 个零件 P1， P2， Pn 组成， 设 干涉矩阵的元素 Iijx、 Iijy和 Iijz为零件 Pi沿 +x、 +y 和 +z 方向上装配时与零件 Pj的干涉情 况， 则干涉矩阵 A 表示为 ： A=， 而 Iijx的取值表示为 ： Iijx= ， 设序列 AP=（。

18、P1， P2， Pi-1） 为已装配好的零件序列， Pi为待装配零件， 则零件 Pi的可 行装配方向的判定公式为 ： +D= ， -D= ， D 可以为 x、 y 或 z， 分别判断零件在笛卡尔坐标系的六个方向上的装配干涉情况， 若公 式的结果不为0， 则发生干涉， 该装配序列不可行， 装配序列中不可行操作的次数nf越小， 则 该装配序列的装配可行性越好。 0008 所述步骤 1 建立的邻接矩阵为 C=( Cij)n*n， 支撑矩阵为 S=( Sij)n*n。 0009 在所述的步骤1建立的邻接矩阵和支撑矩阵中， 零件Pi和零件Pj之间的连接类型 用元素 Cij表示， 当 Pi和 Pj稳定连接。

19、时 Cij=2 ； 接触连接时 Cij=1 ； 未连接时 Cij=0 ； 以元素 Sij 说 明 书 CN 104376227 A 5 3/8 页 6 表示零件 Pi和零件 Pj之间的支撑关系， 当 Pi对 Pj稳定支撑时， Sij=1， 否则 Sij=0。 0010 在所述的邻接矩阵和支撑矩阵中， 若存在 Cij=2， j 1,i-1， 则该装配操作稳 定 ； 若 Cij=0， 则该装配操作不稳定 ； 若 Cij=1 或 Cij=0, 则判断 Sij的取值， 若存在 Sij=1， j1,i-1， 则该装配操作稳定， 否则该装配操作不稳定， 装配序列中不稳定操作的次数ns 越小， 则该装配序列。

20、的装配稳定性越好。 0011 从所述步骤 2 建立的装配序列 AP=（P1， P2， Pk， Pk+1， Pn） 中取得任一零件 Pi的可行装配工具 AT(Pi) ； 若存在 ， 则装配零件 Pk+1时无需改变装配工具 ； 若 且 ， 则装配零件 Pk+1时需要改变一次装配工具 ； 推算出 任一装配序列的装配工具的最少改变次数 nt。 0012 在所述步骤 3 中， 通过建立的装配序列 （P1， P2， Pk， Pk+1， Pn） 的几何可行性 判定任一零件 Pi的可行装配方向 AD(Pi)， 若 ， 则在装配 P1， P2， Pk时无需改变 装配方向 ； 若， 且， 则在装配零件Pk+1时须。

21、改变装配方向一次， 推出任一 装配序列的装配方向的最少改变次数 nd。 0013 所述步骤 4 建立的目标函数如下 ： f=cfnf+csns+ctnt+cdnd， cf、 cs、 ct和cd分别为不可行操作的次数nf、 不稳定操作的次数ns、 装配工具的最少改变 次数 nt和装配方向的最少改变次数 nd的权重系数， 其中、 cf比 cs、 ct、 cd大。 0014 本发明的有益效果体现在 ： 本发明以自适应变异粒子群优化算法为基础， 并克服 了粒子群算法在装配序列规划中的不足， 利用装配序列规划的离散性特点， 对粒子的位置 和速度， 以及重定义位置与速度的更新操作做出重定义， 同时引入了遗。

22、传算法中的变异算 子使得装配序列规划的算法不会过早收敛， 算法的早熟收敛现象得到极大改善， 即能有效 提高装配序列规划的效率和质量。 附图说明 0015 图 1 是本发明具体实施方式的柱塞泵的三维实体模型图。 0016 图 2 是本发明具体实施方式的柱塞泵的装配优化模型相关信息表。 0017 图 3 是本发明具体实施方式的全局最优装配序列表。 0018 图 4 是本发明具体实施方式的最优适应度和平均适应度均值的统计图表。 0019 图 5 是本发明具体实施方式的最优适应度和平均适应度的统计图表。 0020 图 6 是本发明具体实施方式的试验结果对比表。 0021 图 7 是本发明具体实施方式的。

23、种群多样性对比的统计图表。 0022 图 8 是本发明具体实施方式的算法收敛速度对比的统计图表。 0023 图 9 是本发明具体实施方式的变异算子试验结果表。 具体实施方式 0024 下面结合附图详细说明本发明的具体实施方式 ： 一种辐射环境下的零件遥控维护装配序列规划方法， 所述的零件安装在辐射环境内， 说 明 书 CN 104376227 A 6 4/8 页 7 并通过遥控维护实现零件装配， 其特征在于， 所述装配序列规划方法基于自适应变异粒子 群优化算法， 装配序列规划方法主要包括以下步骤 ： 步骤 1、 首先建立干涉矩阵， 描述总装配体中待装配零件在笛卡尔坐标系 x、 y、 z 方向上。

24、与其他零件的干涉关系， 从而判断装配序列的可行性 ； 所述的干涉矩阵为 A， 用 P 表示零件， 装配体由 n 个零件 P1， P2， Pn 组成， 设干涉 矩阵的元素 Iijx、 Iijy和 Iijz为零件 Pi沿 +x、 +y 和 +z 方向上装配时与零件 Pj的干涉情况， 则干涉矩阵 A 表示为 ： A= （1） ， 而 Iijx的取值表示为 ： Iijx= （2） ， 同理， 可得 Iijy 与 Iijz 的取值 ； 设序列 AP=（P1， P2， Pi-1） 为已装配好的零件序列， Pi为待装配零件， 则零件 Pi的可 行装配方向的判定公式为 ： +D= （3） ， -D= （4） 。

25、， D 可以为 x、 y 或 z， 分别判断零件在笛卡尔坐标系的六个方向上的装配干涉情况， 若公 式的结果不为0， 则发生干涉， 该装配序列不可行， 装配序列中不可行操作的次数nf越小， 则 该装配序列的装配可行性越好 ； 然后建立零件的增强邻接矩阵和支撑矩阵量化表示装配操作的稳定性， 所述步骤 1 建 立的邻接矩阵为 C=( Cij)n*n， 支撑矩阵为 S=( Sij)n*n； 在建立的邻接矩阵和支撑矩阵中， 零件Pi和零件Pj之间的连接类型用元素Cij表示， 当 Pi和 Pj稳定连接时 Cij=2 ； 接触连接时 Cij=1 ； 未连接时 Cij=0 ； 以元素 Sij表示零件 Pi和零。

26、件 Pj之间的支撑关系， 当 Pi对 Pj稳定支撑时， Sij=1， 否则 Sij=0 ； 在所述的邻接矩阵和支撑矩阵中， 若存在 Cij=2， j 1,i-1， 则该装配操作稳 定 ； 若 Cij=0， 则该装配操作不稳定 ； 若 Cij=1 或 Cij=0, 则判断 Sij的取值， 若存在 Sij=1， j1,i-1， 则该装配操作稳定， 否则该装配操作不稳定， 装配序列中不稳定操作的次数ns 越小， 则该装配序列的装配稳定性越好。 0025 步骤 2、 建立装配序列 AP=（P1， P2， Pk， Pk+1， Pn）为装配工具的集合， 从 装配工具集取得可行的装配工具， 再根据可行装配工。

27、具的数量计算在更换工具过程中的 装配工具的改变次数， 并推算装配序列中的对装配工具更换次数最少的改变次数 ； 从装 配序列 AP=P1， P2， Pk， Pk+1， Pn 中取得任一零件 Pi的可行装配工具 AT(Pi) ； 若存 在 ， 则装配零件 Pk+1时无需改变装配工具 ； 若 且 说 明 书 CN 104376227 A 7 5/8 页 8 ， 则装配零件 Pk+1时需要改变一次装配工具 ； 推算出任一装配序列的装 配工具的最少改变次数 nt。 0026 步骤 3、 通过所述装配序列 AP=（P1， P2， ， Pk， Pk+1， ， Pn） 的几何可行性判定可行 装配方向， 并推算。

28、出装配序列中的对装配方向更换次数最少的改变次数 ； 通过建立的装配 序列 AP=P1， P2， ， Pk， Pk+1， ， Pn 的几何可行性判定任一零件 Pi的可行装配方向 AD(Pi)， ， 则在装配 P1， P2， ， Pk时无需改变装配方向 ； 若 ， 且 ， 则在装配零件 Pk+1时须改变装配方向一次， 推出任一装配序列的装配方向的最少改变次数 nd。 0027 步骤 4、 基于步骤 1-3 建立的评价指标， 建立目标函数 ； 目标函数如下 ： f=cfnf+csns+ctnt+cdnd （5） ， cf、 cs、 ct和cd分别为不可行操作的次数nf、 不稳定操作的次数ns、 装配。

29、工具的最少改变 次数 nt和装配方向的最少改变次数 nd的权重系数， 其中、 cf比 cs、 ct、 cd大 ； 目标函数作为 算法的适应度函数， 目标函数的数值越低， 适应度值就越高。 0028 步骤 5、 基于自适应变异粒子群优化算法， 将算法应用于离散空间， 首先重定义粒 子的位置和速度， 以及重定义位置与速度的更新操作的算法， 然后建立可行的装配序列矩 阵， 最后确定初始个体最优序列和初始全局最优序列并从中找出最优序列 ： 定义 1） 粒子的位置 ： 每个粒子的位置向量对应一条装配序列 ； 第 i 个粒子的位置向量 表示为 Pi=， 表示设备的装配过程是按照零件 P1， P2， Pn的。

30、顺序进行的， 其中， n 为设备的零件数目 ； 定义 2） 粒子的速度 ： 将置换算子作为粒子的速度变量， 速度变量的作用是调整装配序 列中零件的顺序， 记为 VOS ； 第 i 个粒子的速度向量表示为 VOSi=， 速度算子 VO（x， y） 的作用是将装配序列中的第 x 个零件与第 y 个零件交换位置， 产生一个 新的装配序列 ； 定义 3） 位置与速度的加法 ： 一个粒子的位置向量加上其速度向量结果是一个新的位 置向量， 公式表示为 Pi VOSi=Pi+1，“” 表示速度向量作用于装配序列 ； 定义4） 位置间的减法 ： 两个位置向量相减结果是一个速度向量， 设ps= ， pk=，减 。

31、法 用 公 式 表 示 为 PsPk=VOSs,k，其 中 VOSs,k=； VOSs,k 按照以下规则取值 ： For i =1 to n-1 If ， Elseif， and Pk= 若 P1=(1， 2， 3， 4， 5， 6)， P2=(5， 3， 1， 4， 6， 2)， 则有 P2P1=(1,5)， (2,3)， (3,5)， (0,0)， (5,6) ； 定义 5） 速度的数乘 ： 设一粒子的速度向量为 VOS1=和系数 C， C 0， 1， 定义速度向量与系数的数乘为 ： C VOS1=VOS2 ， 说 明 书 CN 104376227 A 8 6/8 页 9 其中 VOS2=。

32、 ， VOS2按照以下规则取值 ： For i=1 to n-1 其中r是一个 0 到 1 之间均匀分布的随机数 ； 定义 6） 速度的加法 ： 按照先后顺序分别与粒子位置向量相加， 两个速度向量相加的结 果为一个新速度向量， 再用新旧位置向量相减就可得到所求速度向量 ； 公式表示为 P1 VOS1 VOS2=( P1 VOS1) VOS2 = P2， VOS1 VOS2= VOS3=P2P1； 通过以上重定义， 求解离散空间模型 ASP 问题的粒子位置与速度更新公式如下 ： VOSk+1= VOSk c1 ( gBestPk) c2 ( pBestPk)（6） Pk+1=Pk VOSk+1（。

33、7） 步骤 6、 进行装配序列规划， 步骤包括 ： 1） 粒子初始化 ： ASP 问题的解为一可行的装配序列矩阵 AS， 同时 AS 又由装配零件序列 AP、 装配方向序列 AD 和装配工具序列 AT 组成， 随机初始化产生 AP 序列， 由其确定最优 AD 和 AT 序列 ； 2） 初始适应度计算 ： 根据式 （5） 可以直接计算各粒子的适应度函数值， 并确定初始个 体最优序列和初始全局最优序列 ； 3） 惯性权重计算 ： 惯性权重 按照下式 （8） 取值 ： =m*Cdt+n （8） 其中， 0， 1， 取 m=0.6， n=0.3， Cdt为目标距离因子， 其按照下式 （9） 取值 ： 。

34、（9） 其中， fgb 为目前找到的全局最优装配序列适应度函数值， fd 为全局最优装配序列期 望适应度函数值 ； 4） 粒子更新 ： 装配零件序列 AP 根据式 （6） 和式 （7） 更新， 而装配方向序列 AD 和装配工 具序列 AT 则由更新后的 AP 序列得到， AD 和 AT 序列为更新后的 AP 序列的最优序列 ； 5） 适应度更新 ： 由公式 （5） 更新粒子群的适应度值， 并更新各粒子的个体最优序列和 全局最优序列 ； 6） 多样性因子更新 ： 采用种群适应度值的标准方差 作为衡量种群多样性的指标， 其 按照下式取值 ： （10） 其中， n 是粒子群的粒子数， fi是第 i 。

35、个粒子的适应度， fa为粒子群的平均适应度 ： （11） 7） 全局最优装配零件序列变异 ： 为了避免算法过早收敛而陷入局部最优， 将引入变异 算子使得目前为止找到的全局最优装配零件序列gBest发生变异(即随机更改某几个零件 装配的顺序 )， 变异概率 Pm计算公式如下 ： （12） 说 明 书 CN 104376227 A 9 7/8 页 10 其中， k 0.1， 0.3， d为种群收敛临界标准差， 其取值与实际问题有关， 一般远小 于 的最大值， fd为期望最优适应度， i 为当前迭代次数， run 为最大迭代次数 ； 当满足上 述变异条件， 而且满足 fgb cf， 则同时将随机生成。

36、的新种群替换旧种群 ； 8） 如果当前迭代次数小于最大迭代次数， irun， 转到步骤 3） ， 否则进行下一步 ； 9） 输出找到的最优序列 gBest。 0029 如附图 1 为柱塞泵， 以柱塞泵为例进行试验 ： 如附图 2， 为柱塞泵的装配优化模型相关信息， 仿真实验环境 ： 2.0GHz PC， 2GB 内存， Windows 7 系统， Matlab R2013a ； 参数设置 ： cf=5， cs=0.5， ct=0.2， cd=0.3， c1=0.5， c2=0.5， d=0.1， fd=2.1， k=0.2， sizepop=100， run=600 ； 其中， AMPSO 采。

37、用的变异算子是将算法目前 找到的全局最优粒子变换为一个随机粒子 ； 通过多次试验分析， 全局最优适应度值为 2.1， 但全局最优装配序列有多个， 如附图 3 为其中一个 ； 如附图 4， 为 50 次试验各代平均适应度和最优适应度的平均值变化趋势 ； 50 次试验中有多次获得全局最优适应度值 2.1， 如附图 5， 为其中一次试验的各代最优适应度 和平均适应度的变化趋势 ； 如附图 4， 在 50 次试验中， 第 0 代平均适应度均值为 26.9501， 而最优适应度均值为 12.558， 可见初始随机生成的装配序列整体质量较差， 且存在较多的不可行装配序列， 但在 算法结束的时候平均和最优适。

38、应度均值都能得到较好的结果， 说明该算法对初始装配序列 的质量要求不高， 对装配序列是否可行没有依赖 ； 如附图 4， 最优适应均值和平均适应度均 值都在随着迭代次数的增加而稳步下降， 但是在当前迭代步数内还没有完全重合， 算法的 稳定性还有待进一步加强 ； 如附图 5， 平均适应度值并不像最优适应度值那样稳步下降， 而 是发生了多次局部跳跃增大的现象， 原因是当前种群多样性较弱， 陷入了局部最优， 根据变 异机制， 发生了变异， 种群得到了更新， 增强了种群的多样性， 导致一些不可行和比当前序 列更差的装配序列的产生， 从而导致平均适应度出现局部跳跃增大的现象 ； 从最优适应度 和平均适应度。

39、曲线最终重合可知， 种群经过多次变异之后最终收敛。 0030 将 AMPSO 算法与遗传算法 (GA) 和 PSO 算法相比较， 现仍然采用上述的相同实例进 行装配序列规划， PC 环境和程序运行平台不变， 算法的参数设置不变， 其中 GA 算法的交叉 概率取为 0.8， 变异概率为 0.1， PSO 算法的惯性权重取值为 0.6 ； 现比较三种算法分别在种 群规模为 20、 50 和 100 情况下的性能。 0031 如附图6， 无论种群规模取20、 50或者100时， 在重复运行程序50次以后， AMPSO和 PSO 算法都能得到较多的可行装配序列， 但是在种群规模较小的情况下， 遗传算法。

40、将会得到 较少的可行装配序列， 而种群规模的增大将会加大其得到可行装配序列的个数 ； 在相同种 群规模下， AMPSO 和 PSO 算法找到的最优装配序列比 GA 好， 其适应度函数值较小 ； 在三种不 同种群规模下， GA 始终没有找到全局最优解 （其适应度函数值为 2.1） ， 而 PSO 和 AMPSO 算 法可以有效的找到全局最优解， 并且， AMPSO 算法找到全局最优解的个数要明显多于 PSO， 这说明 AMPSO 算法有着最强的寻找全局最优解的能力 ； 在运行时间上， AMPSO 和 PSO 算法要 略多于 GA。 0032 以适应度函数值的标准方差为衡量种群多样性的指标， 比较。

41、三种算法的种群适应 度函数值得标准差均值随着迭代次数增加的变化情况， 三种算法在种群规模为 100， 重复运 行 50 次情况的下种群多样性对比曲线， 如附图 7， 遗传算法的多样性一直没有太大变化， 这 说 明 书 CN 104376227 A 10 8/8 页 11 说明其收敛速度慢， 而算法迭代次数的前部分AMPSO有着比PSO更快的收敛速度， 但是在后 期其波动较大， 这是由于 AMPSO 算法加入了变异因子， 当种群陷入局部最优势， 根据变异机 制， 种群发生了变异， 改善了种群的多样性， 从而加大了算法收敛到全局最优解的概率， 从 全局看， AMPSO 和 PSO 算法的种群多样性。

42、都稳步下降。 0033 为了验证所加入的各优化措施的实际贡献， 各通过 50 次试验， 在自适应变异粒子 群优化算法基础上去除变异机制， 保留自适应惯性权重取值机制， 从而形成自适应变异粒 子群优化算法 (APSO)， 比较算法的种群多样性 ； 如附图 8， APSO 算法一直保持着比 PSO 算法更低的适应度函数值标准差均值， 即 APSO 算法的种群多样性降低速度快于 PSO 算法， 这表明 APSO 算法与 PSO 算法相比， 有着更快地 收敛速度。 0034 如附图 9， 为验证变异算子的作用， 将基本粒子群优化算法加上变异算子形成变异 粒子群优化算法 (MPSO) 并与 APSO 算。

43、法作比较， 得出试验结果。 0035 如附图 5 结合附图 7 中 PSO 算法的性能， 由于加入了变异算子， MPSO 算法寻找到 全局最优装配序列 ( 适应度函数值为 2.1) 的次数比 PSO 和 APSO 都大大增加， 由此可知， 变 异算子有利于增强算法寻找全局最优解的能力。 0036 以上所述， 仅是本发明的较佳实施例， 并非对本发明的技术范围作任何限制， 本行 业的技术人员， 在本技术方案的启迪下， 可以做出一些变形与修改， 凡是依据本发明的技术 实质对以上的实施例所作的任何修改、 等同变化与修饰， 均仍属于本发明技术方案的范围 内。 说 明 书 CN 104376227 A 11 1/4 页 12 图 1 图 2 图 3 说 明 书 附 图 CN 104376227 A 12 2/4 页 13 图 4 图 5 说 明 书 附 图 CN 104376227 A 13 3/4 页 14 图 6 图 7 说 明 书 附 图 CN 104376227 A 14 4/4 页 15 图 8 图 9 说 明 书 附 图 CN 104376227 A 15 。