CN106875071A - 一种自适应遗传算法的车间设备多目标优化布局方法 - Google Patents

一种自适应遗传算法的车间设备多目标优化布局方法 Download PDF

Info

Publication number
CN106875071A
CN106875071A CN201710207922.3A CN201710207922A CN106875071A CN 106875071 A CN106875071 A CN 106875071A CN 201710207922 A CN201710207922 A CN 201710207922A CN 106875071 A CN106875071 A CN 106875071A
Authority
CN
China
Prior art keywords
equipment
optimization
chromosome
max
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710207922.3A
Other languages
English (en)
Inventor
翟敬梅
申宽
张铁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN201710207922.3A priority Critical patent/CN106875071A/zh
Publication of CN106875071A publication Critical patent/CN106875071A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于自适应遗传算法的车间设备多目标优化布局方法，包括步骤：(1) 建立车间设备多行直线布局的数学模型，即将车间和待布局设备简化为矩形，将设备优化布局问题转化为组合优化的数学模型；(2)确定若干优化目标及约束条件，采用加权法将若干优化目标统一为单一评价函数；(3) 采用基于Logistic曲线的自适应遗传算法求解评价函数较优解；(4)对所得较优解进行适当调整，得到满足优化目标的设备布局最优解。本发明采取自适应遗传算法求解设备布局多目标优化问题，编码方式简单容易操作，交叉、变异概率根据个体适应度值的大小可以按照Logistic曲线规律实时调整，以此实现布局最优化。

Description

一种自适应遗传算法的车间设备多目标优化布局方法
技术领域
本发明涉及车间设备多目标优化布局的方法，尤其涉及一种自适应遗传算法的车间设备多目标优化布局方法，既包括对车间设备多行直线布局方式的数学建模以及多目标优化问题的解决方法，也包括自适应遗传算法求解该数学模型的具体过程，以及对较优解进行适当调整从而获得布局最优解。
背景技术
设备布局问题(facility layout problem，FLP)是指在一定限制条件下(如车间面积形状、物流方式等)，将生产设备在给定空间内布局，使目标函数(如物流费用、面积使用率等)得到优化。
目前，设备布局采用数学分析法建立的模型主要包括二次分配模型、二次集合覆盖模型、线性整数规划模型、混合整数规划模型等。其中，二次分配模型(quadraticassignment problem，QAP)描述n个设施和n个地点，要求给每个设施分配到一个位置，并使设施之间的总流量(或费用)最小。
QAP模型的最优求解算法，可以归为分支定界法和割平面法两类。这两种算法都需要较多的计算时间和较大的存储空间，随着布局规模的扩大，最优算法因“组合爆炸”问题已不再适用，目前研究者多采用元启发式算法求次优解。其中，遗传算法因其全局性并行搜索的特点，被广泛运用于QAP求解；但遗传算法的参数选择对结果影响较大，而自适应遗传算法可以根据个体自身的优劣程度实时调整参数大小，从而提高算法效率。
发明内容
为解决生产车间设备的优化布局问题，本发明提供一种多行直线布局的数学建模方法，确定两个优化目标及约束条件，并采用自适应遗传算法进行求解，对获得的较优解进行分析并适当调整，得到满足优化目标的最优布局。
本发明通过如下技术方案实现：
一种基于自适应遗传算法的车间设备多目标优化布局方法，包括步骤：
(1)建立车间设备多行直线布局的数学模型，即将车间和待布局设备简化为矩形，将设备优化布局问题转化为组合优化的数学模型；
(2)确定若干优化目标及约束条件，采用加权法将若干优化目标统一为单一评价函数；
(3)采用基于Logistic曲线的自适应遗传算法求解评价函数较优解；
(4)对所得较优解进行适当调整，对除最长行以外的其他行设备之间的净间距进行适当调整，进一步减小设备之间的物流距离和包络矩形面积，得到满足优化目标的设备布局最优解。
进一步地，所述的步骤(1)具体包括：
(11)为分别计算，对多行直线布局做出假设，包括：所有设备形状均为其包络矩形，忽略其细节形状及高度；同一行设备的中心点位于一条直线上，沿X轴正方向依次排列；零件加工工艺确定；各行之间有物流通道，与X轴平行，宽度WP为定值；
(12)得到设备序列s中各台设备i的包络矩形沿X轴、Y轴尺寸分别为Ai、Bi，通过查阅技术文档得到各设备周边留出最小安全距离Hi，用于安装、操作、维修、工件缓冲区，相邻摆放的两个设备i、j之间的最小距离Hij＝Hi+Hj,,净间距为0；
(13)在车间长度L的约束下，当一个设备序列s确定后，采取自动换行策略，求得该序列s在每行上的设备分布及设备中心点的X、Y坐标值。
进一步地，所述的步骤(13)具体包括：
(131)该序列在每行上的设备分布及设备中心点X轴坐标值可按如下公式递推计算：
xs(1)＝Hs(1)+As(1)/2
xs(i)＝xs(i-1)+Hs(i-1)s(i)+(As(i-1)+As(i))/2，i＝2,3,…,n
当xs(j)+As(j)/2+Hs(j)>L时，将设备s(j)移至下一行第1位，并按照上式继续计算设备s(j)、s(j+1)的X轴坐标值；
(132)令hi＝Hi+Bi/2，各行设备的中心点Y轴坐标值可按如下公式确定：y1＝max{hs(1),hs(2),…,hs(m)}，其中，s(1)、s(2)、…、s(m)为排在第1行的设备；y2＝y1+max{hs(1),hs(2),…,hs(m)}+WP+max{hs(m+1),hs(m+2),…,hs(r)}，其中，s(m+1)、s(m+2)、…、s(r)为排在第2行的设备，WP为物流通道宽度，以此类推，直至求出最后一行设备的中心点Y轴坐标值。
进一步地，所述的步骤(2)具体包括：
(21)确定优化目标，包括尽可能小的物流费用和尽可能大的面积利用率；
(22)根据QAP模型可知，求得物流费用：
式中，n为设备数量；i、j为设备编号；pij为设备i、j之间的访问次数，可对加工工艺进行统计得出；dij为设备i、j之间的物流距离，dij＝|xi-xj|+|yi-yj|；qij为设备i、j之间单位距离上的物流费用，根据生产实际确定，如果运输方式、工件型号相同，加工过程中工件形态质量变化不大，可视为定值；
求得面积利用率：
η＝St/S，
式中，即所有设备的矩形面积之和，设备确定之后为定值；S＝(xmax-xmin)(ymax-ymin)，即包络所有设备的最小矩形面积，xmax＝max{xi+Ai/2}，xmin＝min{xi-Ai/2}，ymax＝max{yi+Bi/2}，ymin＝min{yi-Bi/2}，因此，面积利用率最大问题可转化为布局的包络矩形面积最小问题，即求Smin；
(23)采用加权法将上述两个优化目标构造为一个单一评价函数并求解：
U＝w1F/Fmin+w2S/Smin
w1、w2为加权因子，根据实际工程中对于物流和面积各自的侧重程度来确定，要满足加权条件w1+w2＝1；Fmin、Smin是按单目标优化求出的F、S最优值，F、S分别除以它们的最优值，既消除量纲，又能反映它们偏离最优值的程度。
进一步地，步骤(2)中，所述的约束条件具体包括：所有设备不超出车间长、宽范围，即：max{xi+Ai/2+Hi}≤L、max{yj+Bj/2+Hj}≤W；存在物流关系的两台设备不得跨行布置。
进一步地，所述的步骤(3)具体包括：
(31)进行染色体编码，根据序列中每个设备的X、Y坐标值及单一评价函数U所得的适应度函数随机生成m个序列作为算法的初始种群A；
(32)选择，采取随机联赛选择方式，联赛规模为N，从A中得到包含M条染色体的群体As；
(33)交叉，交叉算子选用部分映射交叉(PMX)方式，将As中的染色体两两配对，按照自适应交叉概率决定是否交叉，交叉后得到子代群体Ac；
(34)变异，变异算子采用邻域技术，将As、Ac中的每条染色体都按照自适应变异概率决定是否变异，并得到变异的群体Am；
(35)进化及终止，将群体As、Ac、Am中的每个个体按照适应度值大小排序，选取前m个个体作为当前进化的结果更新群体A，然后进行下一次进化，最后以进化代数T作为终止条件得到评价函数较优解。
进一步地，所述的步骤(31)具体包括：
(311)采用顺序编码方式，给n个设备各指定一个1～n之间的整数编号，以1～n的一个排列作为1条染色体来代表一个设备序列；
(312)接着求出该序列每个设备的X、Y坐标值，再根据所得的单一评价函数U，适应度函数设为f＝1/U；
(313)随机生成m个序列，作为算法的初始种群A。
进一步地，所述的步骤(32)具体包括：
(321)从A中随机选取N条染色体，比较它们的适应度函数值大小，将其中最大的保留进入下一代群体；
(322)重复上述过程M次，得到包含M条染色体的群体As
进一步地，所述的步骤(33)具体包括：
(331)选择交叉位置，交换两个父代染色体对应位置的编号，对交叉位置以外的重复编号按交叉时建立的映射关系逐一替换，确保交叉产生的子代染色体的合法性，即不含重复编号；
(332)将As中的染色体两两配对，按照自适应交叉概率决定是否交叉，交叉后得到子代群体Ac，所述自适应交叉概率：
式中：pcmax、pcmin为设定的交叉概率的上、下限，fˊ为两条配对染色体中较大的适应度值，favg为当代群体的平均适应度值，fmax为当代群体的最大适应度值，a为常数。
具体而言，所述的步骤(34)具体包括：
(341)对需要变异的染色体，随机选择3个基因位；
(342)再互换它们的位置得到该染色体的一个邻域，选择邻域中适应度函数值最大的作为变异成果；
(343)为增加新染色体的数量，将As、Ac中的每条染色体都按照自适应变异概率决定是否变异，并得到变异的群体Am，所述自适应变异概率：
式中：pmmax、pmmin为设定的变异概率的上、下限，f为当前染色体的适应度值。
本发明的工作原理是：
将车间设备多行直线布局问题转化为组合优化的数学模型，并确定多个优化目标，用加权法将多个优化目标统一为一个评价函数，利用基于Logistic曲线的自适应遗传算法求该函数较优解，再对较优解进行适当调整(改变个别设备之间的净间距，其余净间距仍为0)，得到满足优化目标的最优解。
相对于现有技术，本发明具有如下优点：
(1)在设备多行直线布局的数学建模上，某些文献认为应在设备之间加上净间距，其大小采取初始随机生成、后续算法优化的办法确定，这给布局带来了较大的随意性，增加了运算量，并且结果变动较大。本发明在建模时假定净间距为0，设备之间的距离仅为Hij；采用自适应遗传算法得到较优布局之后，对除最长行外的其他行设备进行适当调整，以此实现布局最优化。
(2)本发明采取自适应遗传算法求解设备布局多目标优化问题，编码方式简单容易操作，交叉、变异概率根据个体适应度值的大小可以按照Logistic曲线规律实时调整，在进化各阶段均有不同侧重，在个体多样性和后期收敛性等方面具有优势。
附图说明
图1是本发明实施例的车间设备多行直线布局示意图；
图2是本发明实施例的部分映射交叉；
图3是本发明实施例的变异产生的邻域；
图4是本发明实施例的车间设备优化布局示意图；
图5是本发明实施例的车间设备调整后的优化布局示意图。
具体实施方式
为进一步理解本发明，下面结合附图和实施例对本发明做进一步说明，但是需要说明的是，本发明要求保护的范围并不局限于实施例表述的范围。
实施例
基于自适应遗传算法的车间设备多目标优化布局方法，包括步骤：
(1)建立车间设备多行直线布局的数学模型，即将车间和待布局设备简化为矩形，将设备优化布局问题转化为组合优化的数学模型。
具体而言，所述的步骤(1)具体包括：
(11)为分别计算，对多行直线布局做出假设(如图1所示)，包括：所有设备形状均为其包络矩形，忽略其细节形状及高度；同一行设备的中心点位于一条直线上，沿X轴正方向依次排列；零件加工工艺确定；各行之间有物流通道，与X轴平行，宽度WP为定值，本实施例中，生产车间长宽为22m×22m，待布局设备数n＝9，物流通道宽度WP＝2m，各设备尺寸及其完成的工序如表1所示：
表1某生产车间加工设备的尺寸及完成工序
单位：m
根据表1统计出设备之间的访问次数：
假定零件在加工时损失的质量不大，设备i、j之间单位距离上的物流费用qij可视为定值，不妨设其为1。多目标优化的权重取w1＝w2＝0.5；
(12)得到设备序列s中各台设备i的包络矩形沿X轴、Y轴尺寸分别为Ai、Bi，通过查阅技术文档得到各设备周边留出最小安全距离Hi，用于安装、操作、维修、工件缓冲区，相邻摆放的两个设备i、j之间的最小距离Hij＝Hi+Hj,,净间距为0；
(13)在车间长度L的约束下，当一个设备序列s确定后，采取自动换行策略，求得该序列s在每行上的设备分布及设备中心点的X、Y坐标值。
具体而言，所述的步骤(13)具体包括：
(131)该序列在每行上的设备分布及设备中心点X轴坐标值可按如下公式递推计算：
xs(1)＝Hs(1)+As(1)/2 (1)
xs(i)＝xs(i-1)+Hs(i-1)s(i)+(As(i-1)+As(i))/2，i＝2,3,…,n (2)
当xs(j)+As(j)/2+Hs(j)>L时，将设备s(j)移至下一行第1位，并按照式(1)、式(2)继续计算设备s(j)、s(j+1)的X轴坐标值；
(132)令hi＝Hi+Bi/2，各行设备的中心点Y轴坐标值可按如下公式确定：y1＝max{hs(1),hs(2),…,hs(m)}，其中，s(1)、s(2)、…、s(m)为排在第1行的设备；y2＝y1+max{hs(1),hs(2),…,hs(m)}+WP+max{hs(m+1),hs(m+2),…,hs(r)}，其中，s(m+1)、s(m+2)、…、s(r)为排在第2行的设备，WP为物流通道宽度，以此类推，直至求出最后一行设备的中心点Y轴坐标值。
(2)确定若干优化目标及约束条件，采用加权法将若干优化目标统一为单一评价函数。
具体而言，所述的步骤(2)具体包括：
(21)确定优化目标，包括尽可能小的物流费用和尽可能大的面积利用率；
(22)根据QAP模型可知，求得物流费用：
式中，n为设备数量；i、j为设备编号；pij为设备i、j之间的访问次数，可对加工工艺进行统计得出；dij为设备i、j之间的物流距离，dij＝|xi-xj|+|yi-yj|；qij为设备i、j之间单位距离上的物流费用，根据生产实际确定，如果运输方式、工件型号相同，加工过程中工件形态质量变化不大，可视为定值，如设其为1，求出最小物流费用Fmin＝92.4950；
求得面积利用率：
η＝St/S，
式中，即所有设备的矩形面积之和，设备确定之后为定值；S＝(xmax-xmin)(ymax-ymin)，即包络所有设备的最小矩形面积，xmax＝max{xi+Ai/2}，xmin＝min{xi-Ai/2}，ymax＝max{yi+Bi/2}，ymin＝min{yi-Bi/2}，因此，面积利用率最大问题可转化为布局的包络矩形面积最小问题，即求Smin＝248.3125；
(23)采用加权法将上述两个优化目标构造为一个单一评价函数并求解：
U＝w1F/Fmin+w2S/Smin (3)
w1、w2为加权因子，均为0.5，根据实际工程中对于物流和面积各自的侧重程度来确定，要满足加权条件w1+w2＝1；Fmin、Smin是按单目标优化求出的F、S最优值，F、S分别除以它们的最优值，既消除量纲，又能反映它们偏离最优值的程度。
另外，步骤(2)中，所述的约束条件具体包括：所有设备不超出车间长、宽范围，即：max{xi+Ai/2+Hi}≤L、max{yj+Bj/2+Hj}≤W；存在物流关系的两台设备不得跨行布置。
(3)采用基于Logistic曲线的自适应遗传算法求解评价函数较优解。
具体而言，所述的步骤(3)具体包括：
(31)进行染色体编码，根据序列中每个设备的X、Y坐标值及单一评价函数U所得的适应度函数随机生成m＝100个序列作为算法的初始种群A；
(32)选择，采取随机联赛选择方式，联赛规模为N＝2，从A中得到包含M＝50条染色体的群体As；
(33)交叉，交叉算子选用部分映射交叉(PMX)方式(如图2所示)，将As中的染色体两两配对，按照自适应交叉概率决定是否交叉，交叉后得到子代群体Ac；
(34)变异，变异算子采用邻域技术(如图3所示)，将As、Ac中的每条染色体都按照自适应变异概率决定是否变异，并得到变异的群体Am；
(35)进化及终止，将群体As、Ac、Am中的每个个体按照适应度值大小排序，选取前m个个体作为当前进化的结果(更新群体A)，然后进行下一次进化，本实施例以进化代数T＝300作为终止条件得一个评价函数较优解为[M6 M5 M7 M1 M9 M8 M4 M2 M3]，此时物流费用F＝95.6850、布局包络矩形面积S＝263.1464，图4为最优布局示意图(矩形内数字为设备代号，矩形外数字为该设备完成的工序)，表2为各设备中心点坐标。第1行与第3行的设备均没有物流关系，满足约束条件。
表2各设备中心点坐标
具体而言，所述的步骤(31)具体包括：
(311)采用顺序编码方式，给n个设备各指定一个1～n之间的整数编号，以1～n的一个排列作为1条染色体来代表一个设备序列；
(312)接着求出该序列每个设备的X、Y坐标值，再根据所得的单一评价函数U，适应度函数设为f＝1/U；
(313)随机生成m＝100个序列，作为算法的初始种群A。
具体而言，所述的步骤(32)具体包括：
(321)从A中随机选取N条染色体，比较它们的适应度函数值大小，将其中最大的保留进入下一代群体；
(322)重复上述过程M＝50次，得到包含50条染色体的群体As
具体而言，所述的步骤(33)具体包括：
(331)选择交叉位置(图2中带框编号)，交换两个父代染色体对应位置的编号，对交叉位置以外的重复编号(图2中带下划线编号)按交叉时建立的映射关系逐一替换，确保交叉产生的子代染色体的合法性，即不含重复编号；
(332)将As中的染色体两两配对，按照自适应交叉概率决定是否交叉，交叉后得到子代群体Ac，所述自适应交叉概率：
式中：pcmax、pcmin为设定的交叉概率的上、下限，取pcmax＝0.95、pcmin＝0.55，fˊ为两条配对染色体中较大的适应度值，favg为当代群体的平均适应度值，fmax为当代群体的最大适应度值，常数a＝9.903。
具体而言，所述的步骤(34)具体包括：
(341)对需要变异的染色体，随机选择3个基因位(图3中带框编号)；
(342)再互换它们的位置得到该染色体的一个邻域，选择邻域中适应度函数值最大的作为变异成果；
(343)为增加新染色体的数量，将As、Ac中的每条染色体都按照自适应变异概率决定是否变异，并得到变异的群体Am，所述自适应变异概率：
式中：pmmax、pmmin为设定的变异概率的上、下限，取pmmax＝0.15、pmmin＝0.05，f为当前染色体的适应度值。
(4)对所得较优解进行适当调整，对除最长行以外的其他行设备之间的净间距进行适当调整，进一步减小设备之间的物流距离和包络矩形面积，得到满足优化目标的设备布局最优解。分析图4可知，第3行中M2、M3分别与第2行中M1、M8有物流关系，第1行中M5、M7分别与第2行中M9、M8有物流关系。因此，对布局进一步调整如下：(1)M2、M4互换位置，且使M2与M1的中心点对齐；(2)M6、M5、M7整体右移，使M7与M8的中心点对齐(A7<A8，M7不会出界)。调整之后中心点坐标如表3所示，图5为调整后的布局示意图。经计算，调整后布局物流费用F＝89.3800、布局包络矩形面积S＝256.1104，物流费用和占地面积都有所下降。两处调整，实际上是加大了M2与M8、M6与车间边缘的净间距，其余设备间的净间距依然为0，确保了布局的紧凑性。
表3调整后各设备中心点坐标
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于自适应遗传算法的车间设备多目标优化布局方法，其特征在于，包括步骤：
(1)建立车间设备多行直线布局的数学模型，即将车间和待布局设备简化为矩形，将设备优化布局问题转化为组合优化的数学模型；
(2)确定若干优化目标及约束条件，采用加权法将若干优化目标统一为单一评价函数；
(3)采用基于Logistic曲线的自适应遗传算法求解评价函数较优解；
(4)对所得较优解进行适当调整，对除最长行以外的其他行设备之间的净间距进行适当调整，进一步减小设备之间的物流距离和包络矩形面积，得到满足优化目标的设备布局最优解。
2.根据权利要求1所述的车间设备多目标优化布局方法，其特征在于，所述的步骤(1)具体包括：
(11)为分别计算，对多行直线布局做出假设，包括：所有设备形状均为其包络矩形，忽略其细节形状及高度；同一行设备的中心点位于一条直线上，沿X轴正方向依次排列；零件加工工艺确定；各行之间有物流通道，与X轴平行，宽度WP为定值；
(12)得到设备序列s中各台设备i的包络矩形沿X轴、Y轴尺寸分别为Ai、Bi，通过查阅技术文档得到各设备周边留出最小安全距离Hi，用于安装、操作、维修、工件缓冲区，相邻摆放的两个设备i、j之间的最小距离Hij＝Hi+Hj,,净间距为0；
(13)在车间长度L的约束下，当一个设备序列s确定后，采取自动换行策略，求得该序列s在每行上的设备分布及设备中心点的X、Y坐标值。
3.根据权利要求2所述的车间设备多目标优化布局方法，其特征在于，所述的步骤(13)具体包括：
(131)该序列在每行上的设备分布及设备中心点X轴坐标值可按如下公式递推计算：
xs(1)＝Hs(1)+As(1)/2
xs(i)＝xs(i-1)+Hs(i-1)s(i)+(As(i-1)+As(i))/2，i＝2,3,…,n
当xs(j)+As(j)/2+Hs(j)>L时，将设备s(j)移至下一行第1位，并按照上式继续计算设备s(j)、s(j+1)的X轴坐标值；
(132)令hi＝Hi+Bi/2，各行设备的中心点Y轴坐标值可按如下公式确定：y1＝max{hs(1),hs(2),…,hs(m)}，其中，s(1)、s(2)、…、s(m)为排在第1行的设备；y2＝y1+max{hs(1),hs(2),…,hs(m)}+WP+max{hs(m+1),hs(m+2),…,hs(r)}，其中，s(m+1)、s(m+2)、…、s(r)为排在第2行的设备，WP为物流通道宽度，以此类推，直至求出最后一行设备的中心点Y轴坐标值。
4.根据权利要求1所述的车间设备多目标优化布局方法，其特征在于，所述的步骤(2)具体包括：
(21)确定优化目标，包括尽可能小的物流费用和尽可能大的面积利用率；
(22)根据QAP模型可知，求得物流费用：
式中，n为设备数量；i、j为设备编号；pij为设备i、j之间的访问次数，可对加工工艺进行统计得出；dij为设备i、j之间的物流距离，dij＝|xi-xj|+|yi-yj|；qij为设备i、j之间单位距离上的物流费用，根据生产实际确定，如果运输方式、工件型号相同，加工过程中工件形态质量变化不大，可视为定值；
求得面积利用率：
η＝St/S，
式中，即所有设备的矩形面积之和，设备确定之后为定值；S＝(xmax-xmin)(ymax-ymin)，即包络所有设备的最小矩形面积，xmax＝max{xi+Ai/2}，xmin＝min{xi-Ai/2}，ymax＝max{yi+Bi/2}，ymin＝min{yi-Bi/2}，因此，面积利用率最大问题可转化为布局的包络矩形面积最小问题，即求Smin；
(23)采用加权法将上述两个优化目标构造为一个单一评价函数并求解：
U＝w1F/Fmin+w2S/Smin
w1、w2为加权因子，根据实际工程中对于物流和面积各自的侧重程度来确定，要满足加权条件w1+w2＝1；Fmin、Smin是按单目标优化求出的F、S最优值，F、S分别除以它们的最优值，既消除量纲，又能反映它们偏离最优值的程度。
5.根据权利要求1所述的车间设备多目标优化布局方法，其特征在于：步骤(2)中，所述的约束条件具体包括：所有设备不超出车间长、宽范围，即：max{xi+Ai/2+Hi}≤L、max{yj+Bj/2+Hj}≤W；存在物流关系的两台设备不得跨行布置。
6.根据权利要求1所述的车间设备多目标优化布局方法，其特征在于，所述的步骤(3)具体包括：
(31)进行染色体编码，根据序列中每个设备的X、Y坐标值及单一评价函数U所得的适应度函数随机生成m个序列作为算法的初始种群A；
(32)选择，采取随机联赛选择方式，联赛规模为N，从A中得到包含M条染色体的群体As；
(33)交叉，交叉算子选用部分映射交叉方式，将As中的染色体两两配对，按照自适应交叉概率决定是否交叉，交叉后得到子代群体Ac；
(34)变异，变异算子采用邻域技术，将As、Ac中的每条染色体都按照自适应变异概率决定是否变异，并得到变异的群体Am；
(35)进化及终止，将群体As、Ac、Am中的每个个体按照适应度值大小排序，选取前m个个体作为当前进化的结果(更新群体A)，然后进行下一次进化，最后以进化代数T作为终止条件得到评价函数较优解。
7.根据权利要求6所述的车间设备多目标优化布局方法，其特征在于：所述的步骤(31)具体包括：
(311)采用顺序编码方式，给n个设备各指定一个1～n之间的整数编号，以1～n的一个排列作为1条染色体来代表一个设备序列；
(312)接着求出该序列每个设备的X、Y坐标值，再根据所得的单一评价函数U，适应度函数设为f＝1/U；
(313)随机生成m个序列，作为算法的初始种群A。
8.根据权利要求6所述的车间设备多目标优化布局方法，其特征在于，所述的步骤(32)具体包括：
(321)从A中随机选取N条染色体，比较它们的适应度函数值大小，将其中最大的保留进入下一代群体；
(322)重复上述过程M次，得到包含M条染色体的群体As。
9.根据权利要求6所述的车间设备多目标优化布局方法，其特征在于，所述的步骤(33)具体包括：
(331)选择交叉位置，交换两个父代染色体对应位置的编号，对交叉位置以外的重复编号按交叉时建立的映射关系逐一替换，确保交叉产生的子代染色体的合法性，即不含重复编号；
(332)将As中的染色体两两配对，按照自适应交叉概率决定是否交叉，交叉后得到子代群体Ac，所述自适应交叉概率：
式中：pcmax、pcmin为设定的交叉概率的上、下限，fˊ为两条配对染色体中较大的适应度值，favg为当代群体的平均适应度值，fmax为当代群体的最大适应度值，a为常数。
10.根据权利要求6所述的车间设备多目标优化布局方法，其特征在于，所述的步骤(34)具体包括：
(341)对需要变异的染色体，随机选择3个基因位；
(342)再互换它们的位置得到该染色体的一个邻域，选择邻域中适应度函数值最大的作为变异成果；
(343)为增加新染色体的数量，将As、Ac中的每条染色体都按照自适应变异概率决定是否变异，并得到变异的群体Am，所述自适应变异概率：
式中：pmmax、pmmin为设定的变异概率的上、下限，f为当前染色体的适应度值。
CN201710207922.3A 2017-03-31 2017-03-31 一种自适应遗传算法的车间设备多目标优化布局方法 Pending CN106875071A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710207922.3A CN106875071A (zh) 2017-03-31 2017-03-31 一种自适应遗传算法的车间设备多目标优化布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710207922.3A CN106875071A (zh) 2017-03-31 2017-03-31 一种自适应遗传算法的车间设备多目标优化布局方法

Publications (1)

Publication Number Publication Date
CN106875071A true CN106875071A (zh) 2017-06-20

Family

ID=59159797

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710207922.3A Pending CN106875071A (zh) 2017-03-31 2017-03-31 一种自适应遗传算法的车间设备多目标优化布局方法

Country Status (1)

Country Link
CN (1) CN106875071A (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107396421A (zh) * 2017-08-11 2017-11-24 深圳市益鑫智能科技有限公司 一种高效的无线传感器网络路径优化系统
CN108171359A (zh) * 2017-11-29 2018-06-15 安徽四创电子股份有限公司 一种方舱布局的最优化方法
CN108564232A (zh) * 2018-05-04 2018-09-21 西北工业大学 一种基于遗传算法的飞机部件装配车间总体布局优化方法
CN108573114A (zh) * 2018-05-09 2018-09-25 西南交通大学 一种基于多种群遗传算法的车间多目标优化总体布局方法
CN108596403A (zh) * 2018-05-09 2018-09-28 西南交通大学 一种车间多行布局的建模和求解方法
CN108898299A (zh) * 2018-06-20 2018-11-27 重庆大学 一种基于可用度评价的串行生产线缓冲区容量配置方法
CN108959783A (zh) * 2018-07-09 2018-12-07 广东工业大学 一种智能车间的布局仿真优化方法及装置
CN108959801A (zh) * 2018-07-20 2018-12-07 国通广达（北京）技术有限公司 一种综合管廊断面优化方法及系统
CN109460859A (zh) * 2018-10-18 2019-03-12 上海海事大学 一种车间布局优化方法
CN109828476A (zh) * 2018-11-12 2019-05-31 中航通飞研究院有限公司 一种机载设备柜内部设备自动布置仿真方法
CN109917754A (zh) * 2019-03-14 2019-06-21 湘潭大学 一种基于多种群分布估计算法的机器人装配单元多目标布局优化方法
CN109992899A (zh) * 2019-04-08 2019-07-09 中国人民解放军陆军防化学院 一种基于改进的slp和遗传算法的洗消站装备设施布局方法
CN110069880A (zh) * 2019-04-30 2019-07-30 西安交通大学 一种基于仿真的多目标设备布局和生产排程协同优化方法
CN110348126A (zh) * 2019-07-12 2019-10-18 中冶赛迪重庆信息技术有限公司 钢厂原料堆位布局优化方法、系统、设备及存储介质
CN110675055A (zh) * 2019-09-23 2020-01-10 广东工业大学 一种自动化生产线建模与布局规划方法及系统
CN110705872A (zh) * 2019-09-30 2020-01-17 北京工业大学 一种复合型并行加工的生产物流调度分析方法
CN110851962A (zh) * 2019-10-23 2020-02-28 上海船舶工艺研究所(中国船舶工业集团公司第十一研究所) 一种数字化车间布局优化方法
CN111539575A (zh) * 2020-04-29 2020-08-14 南京航空航天大学 一种基于遗传算法的飞机装配测量场布局方法
CN112699548A (zh) * 2020-12-25 2021-04-23 珠海格力电器股份有限公司 电控箱布局方案的生成方法、装置和电子设备
CN112989529A (zh) * 2021-02-05 2021-06-18 河北农业大学 一种基于遗传算法的鸡舍温度传感器布置优化方法
CN113190885A (zh) * 2021-03-12 2021-07-30 西安理工大学 一种工业流水线车间布局规划方法
CN113935556A (zh) * 2021-12-16 2022-01-14 中船重工(武汉)凌久高科有限公司 一种基于dna遗传算法的温度传感器优化布置方法
CN114862986A (zh) * 2022-05-24 2022-08-05 中国人民解放军战略支援部队信息工程大学 一种矩形Cartogram生成方法
CN114881400A (zh) * 2022-03-24 2022-08-09 武汉敏声新技术有限公司 一种baw滤波器自动布局方法及相关设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102777878A (zh) * 2012-07-06 2012-11-14 广东电网公司电力科学研究院 一种基于改进遗传算法的超超临界机组主汽温pid控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102777878A (zh) * 2012-07-06 2012-11-14 广东电网公司电力科学研究院 一种基于改进遗传算法的超超临界机组主汽温pid控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐明明 等: "LO 型曲线的自适应遗传算法研究", 《计算机技术与应用》 *
徐立云 等: "生产车间布局多目标优化及其仿真分析", 《机械设计与研究》 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107396421A (zh) * 2017-08-11 2017-11-24 深圳市益鑫智能科技有限公司 一种高效的无线传感器网络路径优化系统
CN108171359A (zh) * 2017-11-29 2018-06-15 安徽四创电子股份有限公司 一种方舱布局的最优化方法
CN108171359B (zh) * 2017-11-29 2021-11-23 安徽四创电子股份有限公司 一种方舱布局的最优化方法
CN108564232A (zh) * 2018-05-04 2018-09-21 西北工业大学 一种基于遗传算法的飞机部件装配车间总体布局优化方法
CN108573114A (zh) * 2018-05-09 2018-09-25 西南交通大学 一种基于多种群遗传算法的车间多目标优化总体布局方法
CN108596403A (zh) * 2018-05-09 2018-09-28 西南交通大学 一种车间多行布局的建模和求解方法
CN108898299A (zh) * 2018-06-20 2018-11-27 重庆大学 一种基于可用度评价的串行生产线缓冲区容量配置方法
CN108959783A (zh) * 2018-07-09 2018-12-07 广东工业大学 一种智能车间的布局仿真优化方法及装置
CN108959783B (zh) * 2018-07-09 2019-05-24 广东工业大学 一种智能车间的布局仿真优化方法及装置
CN108959801A (zh) * 2018-07-20 2018-12-07 国通广达（北京）技术有限公司 一种综合管廊断面优化方法及系统
CN109460859A (zh) * 2018-10-18 2019-03-12 上海海事大学 一种车间布局优化方法
CN109828476A (zh) * 2018-11-12 2019-05-31 中航通飞研究院有限公司 一种机载设备柜内部设备自动布置仿真方法
CN109828476B (zh) * 2018-11-12 2022-06-07 中航通飞华南飞机工业有限公司 一种机载设备柜内部设备自动布置仿真方法
CN109917754A (zh) * 2019-03-14 2019-06-21 湘潭大学 一种基于多种群分布估计算法的机器人装配单元多目标布局优化方法
CN109992899A (zh) * 2019-04-08 2019-07-09 中国人民解放军陆军防化学院 一种基于改进的slp和遗传算法的洗消站装备设施布局方法
CN109992899B (zh) * 2019-04-08 2023-04-14 中国人民解放军陆军防化学院 一种基于改进的slp和遗传算法的洗消站装备设施布局方法
CN110069880A (zh) * 2019-04-30 2019-07-30 西安交通大学 一种基于仿真的多目标设备布局和生产排程协同优化方法
CN110069880B (zh) * 2019-04-30 2021-04-20 西安交通大学 一种基于仿真的多目标设备布局和生产排程协同优化方法
CN110348126A (zh) * 2019-07-12 2019-10-18 中冶赛迪重庆信息技术有限公司 钢厂原料堆位布局优化方法、系统、设备及存储介质
CN110348126B (zh) * 2019-07-12 2023-10-24 中冶赛迪信息技术(重庆)有限公司 钢厂原料堆位布局优化方法、系统、设备及存储介质
CN110675055A (zh) * 2019-09-23 2020-01-10 广东工业大学 一种自动化生产线建模与布局规划方法及系统
CN110705872A (zh) * 2019-09-30 2020-01-17 北京工业大学 一种复合型并行加工的生产物流调度分析方法
CN110851962B (zh) * 2019-10-23 2023-04-07 上海船舶工艺研究所(中国船舶集团有限公司第十一研究所) 一种数字化车间布局优化方法
CN110851962A (zh) * 2019-10-23 2020-02-28 上海船舶工艺研究所(中国船舶工业集团公司第十一研究所) 一种数字化车间布局优化方法
CN111539575A (zh) * 2020-04-29 2020-08-14 南京航空航天大学 一种基于遗传算法的飞机装配测量场布局方法
CN112699548A (zh) * 2020-12-25 2021-04-23 珠海格力电器股份有限公司 电控箱布局方案的生成方法、装置和电子设备
CN112989529A (zh) * 2021-02-05 2021-06-18 河北农业大学 一种基于遗传算法的鸡舍温度传感器布置优化方法
CN112989529B (zh) * 2021-02-05 2024-01-30 河北农业大学 一种基于遗传算法的鸡舍温度传感器布置优化方法
CN113190885A (zh) * 2021-03-12 2021-07-30 西安理工大学 一种工业流水线车间布局规划方法
CN113935556A (zh) * 2021-12-16 2022-01-14 中船重工(武汉)凌久高科有限公司 一种基于dna遗传算法的温度传感器优化布置方法
CN114881400A (zh) * 2022-03-24 2022-08-09 武汉敏声新技术有限公司 一种baw滤波器自动布局方法及相关设备
CN114881400B (zh) * 2022-03-24 2023-08-25 武汉敏声新技术有限公司 一种baw滤波器自动布局方法及相关设备
CN114862986A (zh) * 2022-05-24 2022-08-05 中国人民解放军战略支援部队信息工程大学 一种矩形Cartogram生成方法

Similar Documents

Publication Publication Date Title
CN106875071A (zh) 一种自适应遗传算法的车间设备多目标优化布局方法
CN107977740A (zh) 一种现场运维智能调度方法
Dhillon et al. Economic-emission load dispatch using binary successive approximation-based evolutionary search
CN112084632B (zh) 一种结合人机工程的五金数字生产线布局优化方法
CN110851962B (zh) 一种数字化车间布局优化方法
CN106651628B (zh) 基于图论的区域冷热电综合能源优化配置方法及装置
CN110162041A (zh) 一种基于自适应遗传算法的机器人路径规划方法
Hardiansyah et al. Solving economic load dispatch problem using particle swarm optimization technique
CN109728603A (zh) 有源配电网分布式电源分区就地电压控制策略整定方法
CN108122079A (zh) 火电厂负荷分配的计算方法、系统及存储介质
Srinivas et al. Sensitivity analysis to determine the parameters of genetic algorithm for machine layout
CN117391641B (zh) 一种生发剂生产流程管理方法及系统
CN109193807B (zh) 一种电力系统经济调度方法及系统
CN108090650A (zh) 一种基于遗传算法的排案优化方法
CN105976054A (zh) 一种计量器具仓储系统的货位优化方法
CN109917754B (zh) 一种基于多种群分布估计算法的机器人装配单元多目标布局优化方法
CN106339817A (zh) 一种多区域动态经济调度方法及系统
CN110826798A (zh) 一种储能系统定容选址方法
Turgut et al. Quadratic approximation–based hybrid Artificial Cooperative Search algorithm for economic emission load dispatch problems
CN114648232A (zh) 基于改进黑猩猩优化算法的云端化资源柔性作业调度方法
Sundaram et al. Solution of combined economic emission dispatch problem with valve-point effect using hybrid NSGA II-MOPSO
CN105427058A (zh) 一种基于遗传算法的发动机测试线工位分配优化方法
CN112699548A (zh) 电控箱布局方案的生成方法、装置和电子设备
CN110516807A (zh) 半导体产品良品率极值计算方法及其极值计算系统
Reddy et al. Elitist-mutated multi-objective particle swarm optimization for engineering design

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170620

WD01 Invention patent application deemed withdrawn after publication