《基于改进遗传算法的可重构装配线排序方法.pdf》由会员分享，可在线阅读，更多相关《基于改进遗传算法的可重构装配线排序方法.pdf（15页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN102323952A43申请公布日20120118CN102323952ACN102323952A21申请号201110266842822申请日20110909G06F17/30200601G06N3/1220060171申请人河海大学常州校区地址213022江苏省常州市新北区晋陵北路200号72发明人苑明海许焕敏纪爱敏74专利代理机构常州市科谊专利代理事务所32225代理人孙彬54发明名称基于改进遗传算法的可重构装配线排序方法57摘要本发明公开了基于改进遗传算法的可重构装配线排序方法，根据可重构装配生产线的一个最小生产循环确定种群规模，以一个染色体为所有任务的全排列为标准进。
2、行基因编码；计算个体的最小化可重构装配线的空闲和未完工作业量、均匀化零部件使用速率和最小化生产调整费用；进行分级操作，执行PARETO优化解集过滤操作，计算各等级的适应度，按适应度进行遗传操作，执行精英保留策略，通过判断是否收敛或达到预先设定的最大迭代数得到PARETO最优解集和对应的目标函数值。本发明综合考虑影响可重构装配线优化排序的三个主要因素，在遗传操作中综合多种技术，保证了群体的多样性，避免了算法早熟，增强了算法全局寻优能力。51INTCL19中华人民共和国国家知识产权局12发明专利申请权利要求书3页说明书11页CN102323962A1/3页21一种基于改进遗传算法的可重构装配线排序。
3、方法，其特征在于包括以下步骤根据可重构装配生产线的一个最小生产循环确定种群规模，以一个染色体为所有任务的全排列为标准进行基因编码；计算个体的最小化可重构装配线的空闲和未完工作业量、均匀化零部件使用速率和最小化生产调整费用；进行分级操作采用群体排序技术，在PARETO最优解中对群体进行分级，通过比较步骤中的数值，提取出当前种群中所有非劣解个体，构成当前的非劣解集，并将其划分为同一同级，赋予等级1，然后将这些个体从种群中剥离出来，在剩余个体中找出新的非劣解，并赋予其等级为2；重复上述过程，直到种群中所有个体都被分类为止；执行PARETO优化解集过滤操作，将等级为1的个体保存在PARETO过滤器中，。
4、同时剔除劣解；若个体个数超出了设定的PARETO个数，则剔除相似解；否则进入步骤；计算各等级的适应度，为群体的规模数，为群体的分级数，为第级的群体规模，为第级的适应度；按适应度进行遗传操作对初始种群的个体采用交叉概率和变异概率的自适应重构策略，根据种群个体特征自动调整交叉和变异的概率，实现自适应；执行精英保留策略；判断是否收敛或达到预先设定的最大迭代数；若是，则输出PARETO最优解集和对应的目标函数值；否则，重复步骤至步骤。2根据权利要求1所述的基于改进遗传算法的可重构装配线排序方法，其特征在于所述第步中，计算最小化可重构装配线的空闲和未完工作业量目标函数为其约束式为STABCDE；其中，约。
5、束式A表示在排序过程中，同一个时间内，一个工作站只有一种产品，式B表示能保证一种产品的一个最小生产循环；式C在一个排序过程中，装配工人在工作站装配权利要求书CN102323952ACN102323962A2/3页3产品时的位置；式D表示工作站在装配第个产品的未完工作业量；式E中表示一个布尔变量，如果在排序过程中的第产品的类型为，则其值为1，否则为0；计算均匀化零部件使用速率的目标函数为其约束式为STFGHI目标函数式表示排序结果应使不同生产级上的每一个零部件的实际使用速率（）和理想使用速率（）之间的差别最小；在一个生产循环中需要装配的产品数量总和；可重构装配线上的模型数；装配线上需要的零部件种。
6、类总数；产品型数的标号；生产排序中子装配的标号；排序位置的标号；零部件的理想使用速率；在一个循环中产品型号的数量；生产产品型号所需要的零部件的数量；在可重构装配线排序中，前位置总共消耗的零部件的总和；式F表示在排序过程中，同一个时间内，一个工作站只有一种产品，式G表示能保证一种产品的一个最小生产循环；计算最小化生产调整费用的目标函数为STJKOP权利要求书CN102323952ACN102323962A3/3页4Q其中，表示在工作站装配模型由转变为时的调整费用，式J为位置约束，保证排序过程中，一个位置只能分配一种产品，式K和式O确保排序重复循环时，维持原来的排序方式；式P表明所有的要求应满足最。
7、小生产循环。3根据权利要求1所述的基于改进遗传算法的可重构装配线排序方法，其特征在于所述第步中，如果该个体被占优，则将其作为劣解剔除；采用共享函数的小生境技术,剔除相似度近的解。4根据权利要求1所述的基于改进遗传算法的可重构装配线排序方法，其特征在于所述第步中，精英保留策略的具体方法为将父代与变异后的子代合并，组成新种群，然后对根据所有个体的适应度值进行排序和基于小生境技术的共享函数惩罚，根据排序级别和共享后适应度大小，选取与原始规模相等的较好的个体组成新的父代，进行下一轮的选择、交叉和变异。权利要求书CN102323952ACN102323962A1/11页5基于改进遗传算法的可重构装配线排。
8、序方法技术领域0001本发明涉及一种基于改进遗传算法可重构装配线的优化排序方法，并可以此安排生产，属于生产线自动控制与信息技术领域。背景技术0002目前，大型的装配线制造系统面向多品种产品的装配过程，对系统的柔性与重构能力要求不断提高。可重构装配线（RECONFIGURABLEASSEMBLYLINE,RAL）作为可重构制造系统的一个有机组成部分，是将可重构制造的理念应用于装配线系统中，构造局部模块自动化生产和全局柔性化生产的生产组织模式，使生产线系统既具有柔性和快速响应能力，又具有可重构能力。目前，对于这类生产线的排序方法的发明专利还未检索到。0003可重构装配线排序的目的是要使装配产品以小。
9、批量的形式不断生产，实现产品的混流、快速生产。经过对现有技术的文献检索发现，现有文献大多是对装配线排序的单个目标进行优化，如均匀零部件的消耗率、最小化传送带的停止时间、负荷均衡化等，或者通过加权方法将多目标问题转化为单目标问题。但是，对于可重构装配线而言，单纯优化某一目标，很难满足生产实际需求。此外，采用加权和的方法将多目标转化为单目标问题，目标指标之间的权重难以准确评定，且会出现不同量纲相加现象，很容易导致局部最优解，因此需要对影响可重构装配线排序的多目标进行综合优化。同时，可重构装配线的多目标优化排序是一类典型的NPHARD（NONDETERMINISTICPOLYNOMIAL非确定性多项。
10、式难题）。数学规划方法无法在多项式时间内解决这个问题。多目标遗传算法为解决这个问题提供了很好的途径，但是由于可重构装配线排序具有动态随机性、多约束性及多目标性的特点，增加了排序问题的复杂性和难度，使得多目标适应度函数较难选取。发明内容0004本发明的目的是针对现有技术的不足，提出一种基于改进遗传算法的可重构装配线排序方法，使其解决背景技术中存在的不足，适应可重构装配线的生产排序，从而可以得到比现有各种排序方法更适应的优化方法，能大大提高生产效率及减少重构费用。0005实现本发明目的的技术方案是一种基于改进遗传算法的可重构装配线排序方法，包括以下步骤根据可重构装配生产线的一个最小生产循环确定种群。
11、规模，以一个染色体为所有任务的全排列为标准进行基因编码；种群的规模（大小）也就是种群中个体的数目。0006计算个体的最小化可重构装配线的空闲和未完工作业量、均匀化零部件使用速率和最小化生产调整费用；计算最小化可重构装配线的空闲和未完工作业量目标函数为说明书CN102323952ACN102323962A2/11页6其约束式为STABCDE；其中，约束式A表示在排序过程中，同一个时间内，一个工作站只有一种产品，式B表示能保证一种产品的一个最小生产循环；式C在一个排序过程中，装配工人在工作站装配产品时的位置；式D表示工作站在装配第个产品的未完工作业量；式E中表示一个布尔变量，如果在排序过程中的第产。
12、品的类型为，则其值为1，否则为0；计算均匀化零部件使用速率的目标函数为其约束式为STFGHI目标函数式表示排序结果应使不同生产级上的每一个零部件的实际使用速率（）和理想使用速率（）之间的差别最小；在一个生产循环中需要装配的产品数量总和；可重构装配线上的模型数；装配线上需要的零部件种类总数；产品型数的标号；生产排序中子装配的标号；排序位置的标号；零部件的理想使用速率；在一个循环中产品型号的数量；生产产品型号所需要的零部件的数量；在可重构装配线排序中，前位置总共消耗的零部件的总和；式F表示在排序过程中，同一个时间内，一个工作站只有一种产品，式G表示能保证一说明书CN102323952ACN1023。
13、23962A3/11页7种产品的一个最小生产循环；计算最小化生产调整费用的目标函数为STJKOPQ其中，表示在工作站装配模型由转变为时的调整费用，式J为位置约束，保证排序过程中，一个位置只能分配一种产品，式K和式O确保排序重复循环时，维持原来的排序方式；式P表明所有的要求应满足最小生产循环。0007进行分级操作采用群体排序技术，在PARETO最优解中对群体进行分级，通过比较步骤中的数值，提取出当前种群中所有非劣解个体，构成当前的非劣解集，并将其划分为同一同级，赋予等级1，然后将这些个体从种群中剥离出来，在剩余个体中找出新的非劣解，并赋予其等级为2；重复上述过程，直到种群中所有个体都被分类为止；。
14、执行PARETO优化解集过滤操作，将等级为1的个体保存在PARETO过滤器中，如果该个体被占优，则将其作为劣解剔除；若个体个数超出了设定的PARETO个数，则采用共享函数的小生境技术剔除相似解；否则进入步骤；计算各等级的适应度，为群体的规模数，为群体的分级数，为第级的群体规模，为第级的适应度；按适应度进行遗传操作对初始种群的个体采用交叉概率和变异概率的自适应重构策略，根据种群个体特征自动调整交叉和变异的概率，实现自适应；执行精英保留策略；具体方法为将父代与变异后的子代合并，组成新种群，然后对根据所有个体的适应度值进行排序和基于小生境技术的共享函数惩罚，根据排序级别和共享后适应度大小，选取与原始。
15、规模相等的较好的个体组成新的父代，进行下一轮的选择、交叉和变异。0008判断是否收敛或达到预先设定的最大迭代数；若是，则输出PARETO最优解集和说明书CN102323952ACN102323962A4/11页8对应的目标函数值；否则，重复步骤至步骤。0009采用了上述技术方案后，本发明具有积极的效果有（1）可重构装配线的排序必须要体现负荷均衡、生产平顺化和生产成本低的思想，本发明综合考虑了影响可重构装配线优化排序的三个主要因素，即最小化空闲和未完工作业量、均衡零部件的使用速率及装配线重构成本，建立了可重构装配线多目标优化排序的数学模型，提出了一种基于PARETO（帕累托法则）多目标遗传算法的。
16、可重构装配线优化排序方法，该方法既适合于市场动态供货需求，保证各装配点消耗零件均衡，同时又考虑了整个装配线的负荷平衡及重构成本。0010（2）本发明在遗传操作中综合运用了群体排序技术、小生境技术、PARETO解集过滤器及精英保留策略，并采用了交叉概率和变异概率的自适应重构策略，保证了群体的多样性，避免了算法早熟，增强了算法全局寻优能力。0011具体实施方式0012基于改进遗传算法的可重构装配线排序方法，包括以下步骤根据可重构装配生产线的一个最小生产循环确定种群规模，以一个染色体为所有任务的全排列为标准进行基因编码；在遗传算法中，染色体带有特征的个体的集合称为种群，初始种群就是指在遗传操作开始时。
17、染色体带有特征的个体的集合，借鉴这以原理，本发明中，染色体采用字符作为基因的编码方式，不同的初始种群的对应于不同的排序形式。0013计算个体的最小化可重构装配线的空闲和未完工作业量、均匀化零部件使用速率和最小化生产调整费用；（1）采用最小化空闲和未完工作业量作为可重构装配线负荷均衡的目标函数，由于传送带的传送速度均匀，所以作业量的大小可以通过装配距离来表示，定义如下定义1空闲作业量在完成一个产品加工后，由于下一投入产品尚未到达，装配工在回到工作站起点等待产品到达的时间段内所能够完成的作业量，称为空闲作业量。0014定义2未完工作业量由于产品过早投入装配线，装配工不能在本工作站内完成产品的加工，。
18、只能通过线外的辅助工人来完成工作量，称为未完工作业量最小化可重构装配线的空闲和未完工作业量，有利于整个装配线的稳定运行，均衡工人的劳动强度，计算最小化可重构装配线的空闲和未完工作业量目标函数为其约束式为STABC说明书CN102323952ACN102323962A5/11页9DE；其中，约束式A表示在排序过程中，同一个时间内，一个工作站只有一种产品，式B表示能保证一种产品的一个最小生产循环（批量制造的产品在可重构生产线上，对不同产品的单位数量及生产顺序循环进行排序生产，称为一个最小生产循环MINIMALPRODUCTIONSET，MPS；式C在一个排序过程中，装配工人在工作站装配产品时的位置。
19、；式D表示工作站在装配第个产品的未完工作业量；式E中表示一个布尔变量，如果在排序过程中的第产品的类型为，则其值为1，否则为0；（2）在可重构装配线排序问题中，零部件使用速率均匀化应作为一个重要目标，尽可能使所有的子装配和部件生产的变化率小，以保障生产平顺化的实施，从而最终达到准时化的生产目标，计算均匀化零部件使用速率的目标函数为其约束式为STFGHI目标函数式表示排序结果应使不同生产级上的每一个零部件的实际使用速率（）和理想使用速率（）之间的差别最小；在一个生产循环中需要装配的产品数量总和；可重构装配线上的模型数；装配线上需要的零部件种类总数；产品型数的标号；生产排序中子装配的标号；排序位置的。
20、标号；零部件的理想使用速率；在一个循环中产品型号的数量；生产产品型号所需要的零部件的数量；在可重构装配线排序中，前位置总共消耗的零部件的总和；式F表示在排序过程中，同一个时间内，一个工作站只有一种产品，式G表示能保证一种产品的一个最小生产循环；（3）在可重构装配线排序中，不同的排序顺序往往会对生产过程中设备、夹具、刀具、工说明书CN102323952ACN102323962A6/11页10装等做出不同的调整，有时甚至要重构整个装配线，由此造成的生产调整的费用是不同的。为了减少总生产成本，应将最小化生产调整费用作为一个排序目标来考虑，计算最小化生产调整费用的目标函数为STJKOPQ其中，表示在工。
21、作站装配模型由转变为时的调整费用，式J为位置约束，保证排序过程中，一个位置只能分配一种产品，式K和式O确保排序重复循环时，维持原来的排序方式；式P表明所有的要求应满足最小生产循环。0015进行分级操作采用群体排序技术，在PARETO最优解中对群体进行分级，通过比较步骤中的数值，提取出当前种群中所有非劣解个体，构成当前的非劣解集，并将其划分为同一同级，赋予等级1，然后将这些个体从种群中剥离出来，在剩余个体中找出新的非劣解，并赋予其等级为2；重复上述过程，直到种群中所有个体都被分类为止；执行PARETO优化解集过滤操作，将等级为1的个体保存在PARETO过滤器中，如果该个体被占优，存在两个向量，和。
22、当且仅当且至少使得成立，那么称向量优于向量，表示为，则将其作为劣解剔除；若个体个数超出了设定的PARETO个数，则采用共享函数的小生境技术剔除相似解；否则进入步骤；多目标优化问题可以表述为下面形式ST式中为目标函数的个数，为约束条件的数量，为决策变量，表示决策空间的可行区域。单目标优化问题可能存在唯一的最优解，而多目标优化问题通常具有多个甚至无穷多个解，其最优解集通常为一个集合，集合中的解表示了在目标函数空间的折中与调和的结果。说明书CN102323952ACN102323962A7/11页11如果对于一个解向量，当且仅当不存在，使得向量优于，那么称为多目标问题的PARETO非劣解（也称最优解。
23、），集合称为多目标问题的PARETO最优解集，PARETO最优解集在目标空间中的像为多目标优化问题的PARETO前沿，也称非劣前沿。求解多自标优化问题，一方面要求获得的解是PARETO最优解；另一方面要求获得的PARETO最优解集均匀分布。为了避免未成熟收敛和获得均匀分布且范围最广的PARETO最优解集，如何保持种群的多样性是多目标优化遗传算法的另一关键技术。步骤中基于种群的PARETO的分级方法能满足多目标优化问题的第一个要求，然而，其本身不能满足第二个要求。在许多目标优化遗传算法中，由于随机选择过程可能会导致种群多样性的丢失，这种现象被称为遗传漂移现象。通过遗传飘移现象，单目标优化遗传算法。
24、在遗传操作过程中利用较优个体能够搜索到更优个体，有其独特的意义，但在多目标优化过程中一旦出现这种现象可能会使种群的多样性丢失,适应度共享技术有利于维护种群的多样性。小生境技术是通过反映个体之间相似程度的共享函数来重新调整个体的适应度值，然后由遗传算子实现小生境的进化环境。适应度共享是最常用的一种小生境技术。种群个体间相似程度越高，共享函数值越大，反之，则越小。0016本发明即采用适应度共享技术的遗传算法，如果某个个体的周围存在其它个体则该个体的适应度减少。因此，一个位于拥挤区域的个体产生的后代就更少。采用这种方法，能获得种群的一个均匀分布的PARETO最优解集。设在第个非劣前沿有个解，其适应度。
25、为，对于每个解，适应度共享过程如下STEP1计算解与第个非劣前沿的解之间的归一化欧式距离，其中，和分别表示第K个目标的最大和最小函数值，和分别为个体和个体在第个目标的函数值。0017将距离与一个预先设定的小生境半径进行比较，计算共享函数值为式中，小生境的半径，其中为获得的PARETO最优解数目，通常取固定值，为目标数量，是个体和个体之间的归一化欧氏距离。0018，如果，返回STEP1，并计算；否则，计算第个解的小生境数目为说明书CN102323952ACN102323962A8/11页12STEP4通过施加共享函数惩罚后的第个非劣前沿第个解的共享适应度可表示为。0019上述过程继续直到，计算得。
26、到解相对应的共享适应度。然后，找出第个非劣前沿中所有的最小值，并设定一个非劣前沿的适应度为，其中，是一个小的正数。0020通过共享函数来调整适应度，可以控制少数个体的过度增长，形成了小生境的进化环境，达到了维护种群的多样性，防止过早收敛的目的。0021计算各等级的适应度，为群体的规模数，为群体的分级数，为第级的群体规模，为第级的适应度；式中为群体的规模数，为群体的分级数，为第级的群体规模，为第的适应度。由式适应度的计算式可见，具有相同级别的点也具有同样的适应度值和下代的选择概率，从而保证了群体能收敛到非劣解的集合。0022按适应度进行遗传操作对初始种群的个体采用交叉概率和变异概率的自适应重构策。
27、略，根据种群个体特征自动调整交叉和变异的概率，实现自适应；具体步骤如下1）选择算子选择是对染色体的选择，同一级的染色体具有相同的选择概率。本实施例采用轮盘赌的选择方法，对个体进行选择。00232）交叉算子交叉的目的是为了能够在下一代产生新的个体，采用如下的两点部分交叉重组方法，按照一定的交叉概率PC进行。0024首先，随机在种群染色体中选择一个交配区域，如两父染色体及交配区域选定为P1AC|BACC|AABP2BC|AACC|BAA将P2交配区域与P1交配区域互换，即得到子代染色体P1AC|AACC|AABP2BC|BACC|BAA3）变异算子每一代种群以机率进行变异，变异操作发生后，用随机的。
28、方法产生对换的两基因的码位，对两码位基因进行对换。00254）交叉、变异概率的确定建立交叉概率和变异概率的自适应重构策略。通过控制参数的设定，自适应的和说明书CN102323952ACN102323962A9/11页13能够提供相对于某个解的最优和，从而根据种群个体特征自动调整交叉和变异的概率，实现自适应，有效防止了遗传算法的早熟并且提高了（GA，GENETICALGORITHM，遗传算法）。0026执行精英保留策略；具体方法为将父代与变异后的子代合并，组成新种群，然后对根据所有个体的适应度值进行排序和基于小生境技术的共享函数惩罚，根据排序级别和共享后适应度大小，选取与原始规模相等的较好的个体。
29、组成新的父代，进行下一轮的选择、交叉和变异。0027判断是否收敛或达到预先设定的最大迭代数；若是，则输出PARETO最优解集和对应的目标函数值；否则，重复步骤至步骤。0028根据前述方法，采用VISUALC编写算法程序，以某企业的一条可重构装配线为例进行仿真试验，该装配线生产四种类型的产品，分别设为A,B,C,D，取一个最小生产循环MPS为（4,4,3,2），各产品的物料单及所需求的子装配零件数如表1所示，四种产品有七个工作站来完成，各工作站长度及装配时间如表2，不同类型产品转换时的调整费用可用矩阵来表示，装配线传送带的速度为1个单位，生产线节拍为65时间单位，算法参数设为种群规模80，交叉和。
30、变异概率系数040，005，060，05，终止迭代数为100。采用发明提出的多目标函数及PARETO遗传算法对该装配线进行排序优化。所求出的PARETO非劣解集如表3所示。0029表1各类型产品得物料单和需求的子装配数表2装配时间及工作站长度表说明书CN102323952ACN102323962A10/11页14表3PARETO非劣解集非劣解排序顺序空闲和未完工作业量零部件使用速率生产调整费用1ABDDBAABBCCCA3751210435202ABBCCAACDABBD3782204633233ACBBAABBACCDD3714215036194ACCABBCDAADBB3925193058。
31、195ACDDBBAACBBCA3644220368186ADDABBACCACBB3741211225217BAACCBDBDBAAC3862194025208BACCBDBAACDBA3877191848239BBAACCDABCBAD37852100242210BDBBACCDAABAC37742052152311CABDDBAABBCAC38351928222212CBAACDBAABCBD38082005212413DBBCABACCDBAA370521365822为了保证试验效果的可靠性，在相同的设置参数的条件下，取不同最小生产循环MPS，采用矢量评价遗传算法VECTOREVALU。
32、ATEDGENETICALGORITHM，VEGA、置位PARETO遗传算法NICHEDPARETOGENETICALGORITHM，NPGA和非受支配排序遗传算法NONDOMINATEDSORTINGGENETICALGORITHM，NSGA和本发明的算法分别重复进行25次对比试验。得到的对比结果如表4所示，在一定的取值范围内，随机更换产品的品种及比例，每组数据进行多次计算。根据表4统计结果可以表明本章的算法优于NSGA、NPGA和VEGA。0030表4本发明算法与其它算法结果对比说明书CN102323952ACN102323962A11/11页15以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。说明书CN102323952A。