CN104077630A - 一种模拟人体细胞演化的复杂作业车间布局方法 - Google Patents

Abstract

一种模拟人体细胞演化的复杂作业车间布局方法，具体步骤如下：步骤1.多目标布局函数的确定，车间布局的目标函数表示为：步骤2人体细胞演化模拟设计，包括：细胞机模型设计、差分智能细胞算法、动态差分智能细胞算法。

Description

一种模拟人体细胞演化的复杂作业车间布局方法

技术领域

本发明涉及一种复杂作业车间布局方法。 

背景技术

随着产业升级、整合、集群的持续推进，制造系统日趋复杂。高效企业物流系统已成为现代制造业构成的关键要素之一。企业物流的核心是车间物流，车间物流主要涉及两个方面：布局和调度，两者相互耦合。车间布局不但要满足单纯的几何约束条件，更重要的是要满足物流关系、功能关系以及某些特定约束关系等定性定量条件，并与车间调度密切关联。车间布局问题是高维的、非线性的NP完全问题。 

目前各地产业规划布局已初步完成，应对新一轮的产业大调整，企业面临二次发展问题，在未来几年诸多企业将整体或部分搬迁至规划中的新厂房，同时受到全球性经济疲软、产品市场竞争激烈和土地使用成本高昂的影响，企业希望通过新厂房布局优化设计和老厂房布局调整解决原有车间布局不合理、物流迂回、在制品多、浪费严重、调度混乱等问题。 

土地集约利用是低碳经济和绿色经济的核心要素。在当前日益稀缺的土地资源背景下，为寻求最佳占空比、最少在制品、最小物流搬运费用，如何有效进行一类典型的复杂制造作业车间布局设计与优化已成为目前国内制造业迫切需要解决的问题。 

该车间布局方法特点：对象为复杂作业的车间布局的复杂问题，能随着产品加工工艺的变化而调整优化车间布局，该方法具有建模的精准性和自适应性，能较好解决车间布局这个高维、非线性的NP问题。 

发明内容

本发明要克服现有技术的上述缺点，针对目前复杂作业车间特点，一种模拟人体细胞演化的复杂作业车间布局方法。 

目前复杂作业车间特点：多品种、中大批量、任务型生产和流水型生产高度集成；加工批量和转运批量动态化、制造资源呈现多样性和动态性、不同产品的加工路线差异可能会很大且非线性；生产物流的复杂性主要体现在贯穿于系统中的“供需关系”的不确定性、环境的不确定性以及过多的随机扰动，导致其车间布局必须具备良好的柔性和可拓展性。 

对复杂作业车间布局的原型特征进行分析和研究，重点描述车间场地的制约性、混合生产方式的协同性、不同产品非线性加工工艺差异性及加工批量的动态性、设备类型及数量的多样性、物流路径及搬运费用的集约性、生产计划的扰动性等原型局部和局部细节。鉴于复杂作业车间布局原型特征的复杂性及集成约束的动态性，其建模、求解及实践应用主要模拟人体细胞特征及演化方法对车间布局进行建模及求解；同时兼顾外部扰动f_ed(t)等，其流程框架如图1所示。 

一种模拟人体细胞演化的复杂作业车间布局方法，具体步骤如下： 

步骤1.多目标布局函数的确定 

复杂作业制造企业规模越来越大，而土地资源越来越紧张，同时受到全球性经济疲软和产品市场竞争激烈的影响，企业希望通过新厂房布局优化设计和老厂房布局调整解决原有车间布局不合理、降低土地、设备和物流成本，同时保证布局有足够的柔性和可拓展性以应对环境的不确定性以及过多的随机扰动，提出复杂作业车间布局的目标函数； 

1)设备投资成本P₁

机器设备成本是布置中要考虑的一个重要因素，特别是复杂作业车间，其周期性多阶段生产的特点容易造成机器设备的过量配置； 

2)在制品库存量P₂

要控制加工过程中各个工序间在制品量，在确保生产稳定、产能最大化的基础上实现工序间在制品库存最小，是生产过程的最优状态； 

3)物流量距P₃

物流搬运费用最小化是传统布置评价目标；复杂作业车间生产的产品多、工艺路线较多、交叉较为频繁，所以要根据不同产品组合选择合理的生产工艺路线以减少其交叉，同时考虑搬运距离以达到总物流量距最小；在实施过程中要避免盲目追求物料传输费用最小，要统筹兼顾车间设备布局的整体规划； 

4)车间占空比P₄

车间占空比主要包含车间面积利用率和空间利用率。面积利用率指在一定车间的面积上，充分合理的利用车间面积，科学安排生产线，合理布置各道生产工序，实现各道工序之间的无缝隙连接，在满足生产需要的同时减少了土地成本，使投资效益最大化；空间利用率在一定车间的空间上，充分合理的利用车间空间，科学安排工装夹具及桁车等装备，高效利用空间可有效提升面积利用率，在一定程度上，面积和空间利用率相互影响； 

5)车间布局的可拓展性P₅

制造环境的不确定性将导致制造企业频繁地改变车间布局，实现对车间进行参数化布局和动态调度，特别同时存在多种生产组织模式的复杂车间尤为突出，车间布局的可拓展性对于适应当前激烈市场竞争的环境下尤为重要； 

6)其他布局参数P₆

除上述定量目标参数(P₁‐P₅)，还有一些定性布置目标，如：动线合理性、物料搬运活性系数水平及车间自动化水平等，也是车间布局过程中所要考虑的重要因素，已转换为集成布置动态约束的弱约束表征； 

对上述参数进行归一加权处理，车间布局的目标函数可表示为： 

式中α,β,χ,δ,φ,为相对系数。 

为Pareto解的展示方便，把上述公式变换为： 

W₁＝αP₁+βP₂+χP₃     (2) 

W₂＝δ(1-P₄)+φ(1-P₅)    (3) 

$\mathrm{Min}\left(\mathrm{Op}\right)=\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{W}_i---\left(5\right)$

其中W₁为直接费用，W₂为重要因素，W₃为其他因素。 

步骤2人体细胞演化模拟设计 

2.1细胞机模型 

细胞机是D维空间中一组细胞单元组成的阵列,每个细胞单元处于状态空间中的某种状态，各细胞单元下一时刻的转移状态根据相应的邻域函数规则(确定领域范围及其到转移状态的映射)和各时间阶的领域状态配置(确定领域中细胞单元的状态)进行更新。 

为细胞单元的D维空间地址索引值，为细胞机的邻域半径；为空间结构(其中为模n_i的整数集)；Z_q为状态空间：细胞机中细胞单元的状态取值范围；为邻域函数规则；B为边界条件。 

细胞机初始拓扑形态固有的机理缺欠和“混沌边缘”属性使其在模拟车间布局的时候缺乏足够的流动性(人工智能交互)，细胞机与车间布局系统相关属性对比如表1所示； 

表1细胞机与车间布局系统相关属性对比 

基于车间布局要素实体建立对应细胞，将种群个体安排在二维的环形网格，将Agent机制引入二维细胞模型空间，定义、封装并扩展作业层和扰动层细胞为具有自主性的智能型细胞。通过上述属性比对和细胞封装，使部分细胞具有自主性的智能细胞； 

采用二维细胞机作为建模的工具，即D＝2。模型中根据不同实体的几何属性将细胞分成 多类，不同类型的细胞所占据的网格数目不同；设备实体，根据需要可以是一台独立的生产设备，也可以是一个包括数台机器的生产单元，或是一条装配线；实体格点之间的联线代表可能的物流路径和工艺路径，这样构成一个二维不规则网络；实体以其功能、容量和状态等属性而体现其作用，当某一实体及其关联对象的属性状态满足作业活动要求时作业发生，系统物流“涌现”于作业网络中各个实体发生的作业活动的自组织相互作用之中； 

构建描述复杂作业车间布局的细胞机抽象，描述其状态空间、空间结构、边界条件及领域函数规则，根据原型特征与集成布局动态约束设定格点属性并抽象出细胞机自演化机制；将Agent机制引入二维细胞模型空间，定义、封装并扩展作业层和扰动层细胞为具有自主性的智能型细胞，充分利用Agent具有的自治特性，解决复杂作业车间布局的动态性问题； 

2.2差分智能细胞算法 

2.2.1差分演化策略 

1)根据差分演化策略构建选择、交叉、变异(实体细胞平移、旋转、合并、交换等)； 

2)如果子代支配当前个体，或者子代和当前个体都处于非支配地位，且子代个体优于当前个体，则子代个体代替当前个体，同时将该非支配的个体存放到信息文档中； 

3)对这些信息文档存放好的个体性能优劣进行排序，若非支配个体超过了规定的容量，则将其中性能最劣的个体删除； 

4)在迭代过程中考虑车间调度关键指标(按时交货率、工件质量、设备稼动率、工件总流动时间和延期总工件数)； 

5)在每代结束时，从信息文档中选一些个体代替相同数量的原始种群中的个体，使信息文档中的非支配个体在保持多样性的同时，能朝着Pareto最优前端的方向不断逼近。 

2.2.2适应度函数选择及智能细胞机更新 

采用脑模型联接控制器的混合遗传算法对目标函数进行学习，自适应调节，使得车间布局多目标优化的过程具有智能化和自适应性，将目标函数适当改变作为适应度函数： 

$F\left(x_j\right)=\frac{1}{\underset{i=1}{\overset{3}{\mathrm{\Σ}}}{\mathrm{\λ}}_i{W}_i\left(x_j\right)}---\left(6\right)$

在训练学习中，要设置误差上限ε，若|F(x_j)-F₀(x_j)|≤ε，那么该学习是有效的；若|F(x_j)-F₀(x_j)|>ε，则应重新进行学习，直至符合误差要求为止； 

设定修正算子和终止条件，同时使细胞种群不断进行更新操作，依据停止规则决定是否循环，最终寻找车间布局方案； 

2.3动态差分智能细胞算法 

由于复杂作业车间特性，多品种、中大批量、任务型生产和流水型生产高度集成；加工批量和转运批量动态化、制造资源呈现多样性和动态性、不同产品的加工路线差异可能会很大且非线性；系统中的“供需关系”的不确定性、环境的不确定性以及过多的随机订单扰动； 

要解决该类车间布局问题，其布局应具备良好的柔性和可拓展性，加入动态变量f_ed(t)，若外部环境扰动超过某一数量时，则启动车间布局重新优化；动态差分智能细胞机算法流程如图2所示。 

$f_{\mathrm{ed}}\left(t\right)=\left\{\begin{array}{cc}1& \mathrm{ed}\&GreaterEqual;a\\ 0& \mathrm{ed}<a\end{array}\right.---\left(7\right)$

其中a为外界环境扰动率。 

本发明的优点是：1、用人体细胞演化机制解决复杂作业车间布局问题，尤其适用于解决复杂对象的布局问题(如具有多品种、中大批量、任务型生产和流水型生产高度集成等特点的复杂车间布局)；2、在细胞机的基础上引入差分策略，提高物理模型的准确性；3、引入动态变量f_ed(t)，使得布局方法能适应外部环境变化，使物理模型具有自适应性。 

附图说明

图1是本发明的流程框架 

图2是本发明的动态差分智能细胞机算法流程 

图3是本发明的车间布局拓扑示意图 

具体实施方式

参照附图 

一种模拟人体细胞演化的复杂作业车间布局方法，具体步骤如下： 

步骤1.多目标布局函数的确定 

复杂作业制造企业规模越来越大，而土地资源越来越紧张，同时受到全球性经济疲软和产品市场竞争激烈的影响，企业希望通过新厂房布局优化设计和老厂房布局调整解决原有车间布局不合理、降低土地、设备和物流成本，同时保证布局有足够的柔性和可拓展性以应对环境的不确定性以及过多的随机扰动，提出复杂作业车间布局的目标函数； 

1)设备投资成本P₁

机器设备成本是布置中要考虑的一个重要因素，特别是复杂作业车间，其周期性多阶段生产的特点容易造成机器设备的过量配置； 

2)在制品库存量P₂

要控制加工过程中各个工序间在制品量，在确保生产稳定、产能最大化的基础上实现工序间在制品库存最小，是生产过程的最优状态； 

3)物流量距P₃

物流搬运费用最小化是传统布置评价目标；复杂作业车间生产的产品多、工艺路线较多、交叉较为频繁，所以要根据不同产品组合选择合理的生产工艺路线以减少其交叉，同时考虑搬运距离以达到总物流量距最小；在实施过程中要避免盲目追求物料传输费用最小，要统筹兼顾车间设备布局的整体规划； 

4)车间占空比P₄

车间占空比主要包含车间面积利用率和空间利用率。面积利用率指在一定车间的面积上，充分合理的利用车间面积，科学安排生产线，合理布置各道生产工序，实现各道工序之间的无缝隙连接，在满足生产需要的同时减少了土地成本，使投资效益最大化；空间利用率在一定车间的空间上，充分合理的利用车间空间，科学安排工装夹具及桁车等装备，高效利用空间可有效提升面积利用率，在一定程度上，面积和空间利用率相互影响。； 

5)车间布局的可拓展性P₅

制造环境的不确定性将导致制造企业频繁地改变车间布局，实现对车间进行参数化布局和动态调度，特别同时存在多种生产组织模式的复杂车间尤为突出，车间布局的可拓展性对于适应当前激烈市场竞争的环境下尤为重要； 

6)其他布局参数P₆

除上述定量目标参数(P₁‐P₅)，还有一些定性布置目标，如：动线合理性、物料搬运活性系数水平及车间自动化水平等，也是车间布局过程中所要考虑的重要因素，已转换为集成布置动态约束的弱约束表征； 

对上述参数进行归一加权处理，车间布局的目标函数可表示为： 

式中α,β,χ,δ,φ,为相对系数。 

为Pareto解的展示方便，把上述公式变换为： 

W₁＝αP₁+βP₂+χP₃    (2) 

W₂＝δ(1-P₄)+φ(1-P₅)    (3) 

$\mathrm{Min}\left(\mathrm{Op}\right)=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i{W}_i---\left(5\right)$

其中W₁为直接费用，W₂为重要因素，W₃为其他因素。 

步骤2人体细胞演化模拟设计 

2.1细胞机模型 

细胞机是D维空间中一组细胞单元组成的阵列,每个细胞单元处于状态空间中的某种状态，各细胞单元下一时刻的转移状态根据相应的邻域函数规则(确定领域范围及其到转移状态的映射)和各时间阶的领域状态配置(确定领域中细胞单元的状态)进行更新。 

为细胞单元的D维空间地址索引值，为细胞机的邻域半径；为空间结构(其中为模n_i的整数集)；Z_q为状态空间：细胞机中细胞单元的状态取值范围；为邻域函数规则；B为边界条件。 

细胞机初始拓扑形态固有的机理缺欠和“混沌边缘”属性使其在模拟车间布局的时候缺乏足够的流动性(人工智能交互)，细胞机与车间布局系统相关属性对比如表1所示； 

表1细胞机与车间布局系统相关属性对比 

基于车间布局要素实体建立对应细胞，将种群个体安排在二维的环形网格，将Agent机制引入二维细胞模型空间，定义、封装并扩展作业层和扰动层细胞为具有自主性的智能型细胞。通过上述属性比对和细胞封装，使部分细胞具有自主性的智能细胞； 

采用二维细胞机作为建模的工具，即D＝2。模型中根据不同实体的几何属性将细胞分成多类，不同类型的细胞所占据的网格数目不同；设备实体，根据需要可以是一台独立的生产设备，也可以是一个包括数台机器的生产单元，或是一条装配线；实体格点之间的联线代表可能的物流路径和工艺路径，这样构成一个二维不规则网络；实体以其功能、容量和状态等属性而体现其作用，当某一实体及其关联对象的属性状态满足作业活动要求时作业发生，系统物流“涌现”于作业网络中各个实体发生的作业活动的自组织相互作用之中； 

构建描述复杂作业车间布局的细胞机抽象，描述其状态空间、空间结构、边界条件及领域函数规则，根据原型特征与集成布局动态约束设定格点属性并抽象出细胞机自演化机制；将Agent机制引入二维细胞模型空间，定义、封装并扩展作业层和扰动层细胞为具有自主性的智能型细胞，充分利用Agent具有的自治特性，解决复杂作业车间布局的动态性问题； 

2.2差分智能细胞算法 

2.2.1差分演化策略 

1)根据差分演化策略构建选择、交叉、变异(实体细胞平移、旋转、合并、交换等)； 

2)如果子代支配当前个体，或者子代和当前个体都处于非支配地位，且子代个体优于当前个体，则子代个体代替当前个体，同时将该非支配的个体存放到信息文档中； 

3)对这些信息文档存放好的个体性能优劣进行排序，若非支配个体超过了规定的容量，则将其中性能最劣的个体删除； 

4)在迭代过程中考虑车间调度关键指标(按时交货率、工件质量、设备稼动率、工件总流动时间和延期总工件数)； 

5)在每代结束时，从信息文档中选一些个体代替相同数量的原始种群中的个体，使信息文档中的非支配个体在保持多样性的同时，能朝着Pareto最优前端的方向不断逼近。 

2.2.2适应度函数选择及智能细胞机更新 

采用脑模型联接控制器的混合遗传算法对目标函数进行学习，自适应调节，使得车间布局多目标优化的过程具有智能化和自适应性，将目标函数适当改变作为适应度函数： 

$F\left(x_j\right)=\frac{1}{\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i{W}_i\left(x_j\right)}---\left(6\right)$

在训练学习中，要设置误差上限ε，若|F(x_j)-F₀(x_j)|≤ε，那么该学习是有效的；若|F(x_j)-F₀(x_j)|>ε，则应重新进行学习，直至符合误差要求为止； 

设定修正算子和终止条件，同时使细胞种群不断进行更新操作，依据停止规则决定是否循环，最终寻找车间布局方案； 

2.3动态差分智能细胞算法 

由于复杂作业车间特性，多品种、中大批量、任务型生产和流水型生产高度集成；加工批量和转运批量动态化、制造资源呈现多样性和动态性、不同产品的加工路线差异可能会很大且非线性；系统中的“供需关系”的不确定性、环境的不确定性以及过多的随机订单扰动； 

要解决该类车间布局问题，其布局应具备良好的柔性和可拓展性，加入动态变量f_ed(t)，若外部环境扰动超过某一数量时，则启动车间布局重新优化；动态差分智能细胞机算法流程如图2所示。 

$f_{\mathrm{ed}}\left(t\right)=\left\{\begin{array}{cc}1& \mathrm{ed}\&GreaterEqual;a\\ 0& \mathrm{ed}<a\end{array}\right.---\left(7\right)$

其中a为外界环境扰动率。 

具体实例 

以出口为主的某家电制造企业为例，截止2013年底，生产的吸尘器产品共有12大类116种，且产品品种还在不断增加；每大类产品生产所需零部件差异较大，其工艺路线各不相同，如生产相关注塑件的模具达632套；每类产品产量多的达到18.9万只/月，少的也有1.6万只/月。公司目前有三个综合生产车间，每个车间面积均为15000平米(200米×75米)，每个车间均包含机加工、注塑、焊接、热处理、抛光、镭雕、预装、零部件装配、总装、车间配送仓库、模具仓库、在制品缓冲等区域。车间布局按经验排布，后多次调整，但由于其高度混合生产模式的复杂性和根据订单需要经常增加新生产单元、新设备或关停部分旧生产单元、旧设备，目前布局情况不理想。车间物流动线长且迂回，物料配送不及时，在制品大量积压，生产浪费现状严重，总体订单按期交货率不到50％。以综合生产车间1为例，其基本情况如表2所示。 

表2吸尘器生产车间基本情况 

将车间布局问题的解空间映射成一定的代码串，以便各种选择操作。为简化模型，作业单位按纵从左到右，自下而上的顺序排列。假设L_i，W_i为作业单位i的长度和宽度；D_x(i,j)，D_y(i,j)为布局中相邻作业单位i和j之间纵向必须保留的间隔，它与作业单位对的相互关系程度有关；布局拓扑示意如图3所示(以8个作业单位为例)。作业单位主要包含离散作业设备、流水作业设备和特殊作业设备。 

根据企业相关数据和车间布局几点说明，按照DEACA算法流程(图2)进行求解和仿真。 

1.多目标布局函数的确定 

根据企业实际情况，确定其多目标布局函数。 

$\mathrm{Min}\left(\mathrm{Op}\right)=\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i{W}_i$

其中W₁为直接费用，W₂为重要因素，W₃为其他因素。 

2差分智能细胞算法 

2.1细胞机模型 

采用二维细胞机作为建模的工具。模型中根据不同实体的几何属性将细胞分成多类，不同类型的细胞所占据的网格数目不同。如设备实体，根据需要可以是一台独立的生产设备，也可以是一个包括数台机器的生产单元，或是一条装配线。实体格点之间的联线代表可能的物流路径和工艺路径，这样构成一个二维不规则网络。实体以其功能、容量和状态等属性而体现其作用，当某一实体及其关联对象的属性状态满足作业活动要求时作业发生，系统物流“涌现”于作业网络中各个实体发生的作业活动的自组织相互作用之中。 

构建描述复杂作业车间布局的细胞机抽象，描述其状态空间、空间结构、边界条件及领域函数规则，根据原型特征与集成布局动态约束设定格点属性并抽象出细胞机自演化机制；将Agent机制引入二维细胞模型空间，定义、封装并扩展作业层和扰动层细胞为具有自主性的智能型细胞，充分利用Agent具有的自治特性，解决复杂作业车间布局的动态性问题。 

2.2差分智能细胞算法 

2.2.1差分演化策略 

1)根据差分演化策略构建选择、交叉、变异(实体细胞平移、旋转、合并、交换等)； 

2)如果子代支配当前个体，或者子代和当前个体都处于非支配地位，且子代个体优于当前个体，则子代个体代替当前个体，同时将该非支配的个体存放到信息文档中； 

3)对这些信息文档存放好的个体性能优劣进行排序，若非支配个体超过了规定的容量，则将其中性能最劣的个体删除； 

4)在迭代过程中考虑车间调度关键指标(按时交货率、工件质量、设备稼动率、工件总流动时间和延期总工件数)； 

5)在每代结束时，从信息文档中选一些个体代替相同数量的原始种群中的个体，使信息文档中的非支配个体在保持多样性的同时，能朝着Pareto最优前端的方向不断逼近。 

2.2.2适应度函数及智能细胞机更新 

采用脑模型联接控制器的混合遗传算法对目标函数进行学习，自适应调节，使得车间布局多目标优化的过程具有智能化和自适应性，将目标函数适当改变作为适应度函数： 

$F\left(x_j\right)=\frac{1}{\underset{i=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i{W}_i\left(x_j\right)}$

在训练学习中，要设置误差上限ε，若|F(x_j)-F₀(x_j)|≤ε，那么该学习是有效的；若|F(x_j)-F₀(x_j)|>ε，则应重新进行学习，直至符合误差要求为止。 

设定修正算子和终止条件，同时使细胞种群不断进行更新操作，依据停止规则决定是否循环，最终寻找车间布局方案。 

2.3动态差分智能细胞算法 

由于复杂作业车间特性，多品种、中大批量、任务型生产和流水型生产高度集成；加工批量和转运批量动态化、制造资源呈现多样性和动态性、不同产品的加工路线差异可能会很大且非线性；系统中的“供需关系”的不确定性、环境的不确定性以及过多的随机订单扰动。要解决该类车间布局问题，其布局应具备良好的柔性和可拓展性，加入动态变量f_ed(t)，若外部环境扰动超过某一数量时，则启动车间布局重新优化。 

通过10余家企业的典型复杂车间布局数据的调研和分析，公式(7)中的外界环境扰动率a达到15％时，车间原有布局就不能很好的适应当前生产的需要，需重新进行更新、调整和优化。在第一次车间布局优化算法时，流水作业区设备作为一个整体进行布局，一次布局完成后，应用模拟人体细胞演化算法进行二次布局，得到最终布局优化结果。 

应用该算法对该车间进行优化布局仿真，优化后车间平面布置图限于篇幅未列出，优化后结果如表3所示。 

表3吸尘器生产车间优化后情况 

Claims (1)

1.一种模拟人体细胞演化的复杂作业车间布局方法，具体步骤如下： 

步骤1.多目标布局函数的确定； 

复杂作业制造企业规模越来越大，而土地资源越来越紧张，同时受到全球性经济疲软和产品市场竞争激烈的影响，企业希望通过新厂房布局优化设计和老厂房布局调整解决原有车间布局不合理、降低土地、设备和物流成本，同时保证布局有足够的柔性和可拓展性以应对环境的不确定性以及过多的随机扰动，提出复杂作业车间布局的目标函数； 

1)设备投资成本P₁

机器设备成本是布置中要考虑的一个重要因素，特别是复杂作业车间，其周期性多阶段生产的特点容易造成机器设备的过量配置； 

2)在制品库存量P₂

要控制加工过程中各个工序间在制品量，在确保生产稳定、产能最大化的基础上实现工序间在制品库存最小，是生产过程的最优状态； 

3)物流量距P₃

物流搬运费用最小化是传统布置评价目标；复杂作业车间生产的产品多、工艺路线较多、交叉较为频繁，所以要根据不同产品组合选择合理的生产工艺路线以减少其交叉，同时考虑搬运距离以达到总物流量距最小；在实施过程中要避免盲目追求物料传输费用最小，要统筹兼顾车间设备布局的整体规划； 

4)车间占空比P₄

车间占空比主要包含车间面积利用率和空间利用率。面积利用率指在一定车间的面积上，充分合理的利用车间面积，科学安排生产线，合理布置各道生产工序，实现各道工序之间的无缝隙连接，在满足生产需要的同时减少了土地成本，使投资效益最大化；空间利用率在一定车间的空间上，充分合理的利用车间空间，科学安排工装夹具及桁车等装备，高效利用空间可有效提升面积利用率，在一定程度上，面积和空间利用率相互影响； 

5)车间布局的可拓展性P₅

制造环境的不确定性将导致制造企业频繁地改变车间布局，实现对车间进行参数化布局和动态调度，特别同时存在多种生产组织模式的复杂车间尤为突出，车间布局的可拓展性对于适应当前激烈市场竞争的环境下尤为重要； 

6)其他布局参数P₆

除上述定量目标参数(P₁-P₅)，还有一些定性布置目标，如：动线合理性、物料搬运活性系数水平及车间自动化水平等，也是车间布局过程中所要考虑的重要因素，已转换为集成布置动态约束的弱约束表征； 

对上述参数进行归一加权处理，车间布局的目标函数可表示为： 

式中α,β,χ,δ,φ,为相对系数。 

为Pareto解的展示方便，把上述公式变换为： 

W₁＝αP₁+βP₂+χP₃    (2) 

W₂＝δ(1-P₄)+φ(1-P₅)    (3) 

其中W₁为直接费用，W₂为重要因素，W₃为其他因素。 

步骤2人体细胞演化模拟设计； 

2.1细胞机模型 

细胞机是D维空间中一组细胞单元组成的阵列,每个细胞单元处于状态空间中的某种状态，各细胞单元下一时刻的转移状态根据相应的邻域函数规则(确定领域范围及其到转移状态的映射)和各时间阶的领域状态配置(确定领域中细胞单元的状态)进行更新。 

为细胞单元的D维空间地址索引值，为细胞机的邻域半径；为空间结构(其中为模n_i的整数集)；Z_q为状态空间：细胞机中细胞单元的状态取值范围；为邻域函数规则；B为边界条件。 

细胞机初始拓扑形态固有的机理缺欠和“混沌边缘”属性使其在模拟车间布局的时候缺乏足够的流动性(人工智能交互)，细胞机与车间布局系统相关属性对比如表1所示； 

表1细胞机与车间布局系统相关属性对比 

基于车间布局要素实体建立对应细胞，将种群个体安排在二维的环形网格，将Agent机制引入二维细胞模型空间，定义、封装并扩展作业层和扰动层细胞为具有自主性的智能型细胞。通过上述属性比对和细胞封装，使部分细胞具有自主性的智能细胞； 

采用二维细胞机作为建模的工具，即D＝2。模型中根据不同实体的几何属性将细胞分成多类，不同类型的细胞所占据的网格数目不同；设备实体，根据需要可以是一台独立的生产设备，也可以是一个包括数台机器的生产单元，或是一条装配线；实体格点之间的联线代表可能的物流路径和工艺路径，这样构成一个二维不规则网络；实体以其功能、容量和状态等属性而体现其作用，当某一实体及其关联对象的属性状态满足作业活动要求时作业发生，系统物流“涌现”于作业网络中各个实体发生的作业活动的自组织相互作用之中； 

构建描述复杂作业车间布局的细胞机抽象，描述其状态空间、空间结构、边界条件及领域函数规则，根据原型特征与集成布局动态约束设定格点属性并抽象 出细胞机自演化机制；将Agent机制引入二维细胞模型空间，定义、封装并扩展作业层和扰动层细胞为具有自主性的智能型细胞，充分利用Agent具有的自治特性，解决复杂作业车间布局的动态性问题； 

2.2差分智能细胞算法 

2.2.1差分演化策略 

1)根据差分演化策略构建选择、交叉、变异(实体细胞平移、旋转、合并、交换等)； 

2)如果子代支配当前个体，或者子代和当前个体都处于非支配地位，且子代个体优于当前个体，则子代个体代替当前个体，同时将该非支配的个体存放到信息文档中； 

3)对这些信息文档存放好的个体性能优劣进行排序，若非支配个体超过了规定的容量，则将其中性能最劣的个体删除； 

4)在迭代过程中考虑车间调度关键指标(按时交货率、工件质量、设备稼动率、工件总流动时间和延期总工件数)； 

5)在每代结束时，从信息文档中选一些个体代替相同数量的原始种群中的个体，使信息文档中的非支配个体在保持多样性的同时，能朝着Pareto最优前端的方向不断逼近； 

2.2.2适应度函数选择及智能细胞机更新 

采用脑模型联接控制器的混合遗传算法对目标函数进行学习，自适应调节，使得车间布局多目标优化的过程具有智能化和自适应性，将目标函数适当改变作为适应度函数： 

在训练学习中，要设置误差上限ε，若|F(x_j)-F₀(x_j)|≤ε，那么该学习是有效的；若|F(x_j)-F₀(x_j)|>ε，则应重新进行学习，直至符合误差要求为止； 

设定修正算子和终止条件，同时使细胞种群不断进行更新操作，依据停止规则决定是否循环，最终寻找车间布局方案； 

2.3动态差分智能细胞算法 

由于复杂作业车间特性，多品种、中大批量、任务型生产和流水型生产高度集成；加工批量和转运批量动态化、制造资源呈现多样性和动态性、不同产品的加工路线差异可能会很大且非线性；系统中的“供需关系”的不确定性、环境的不确定性以及过多的随机订单扰动； 

要解决该类车间布局问题，其布局应具备良好的柔性和可拓展性，加入动态变量f_ed(t)，若外部环境扰动超过某一数量时，则启动车间布局重新优化； 

其中a为外界环境扰动率。