CN108959783B - 一种智能车间的布局仿真优化方法及装置 - Google Patents
一种智能车间的布局仿真优化方法及装置 Download PDFInfo
- Publication number
- CN108959783B CN108959783B CN201810745276.0A CN201810745276A CN108959783B CN 108959783 B CN108959783 B CN 108959783B CN 201810745276 A CN201810745276 A CN 201810745276A CN 108959783 B CN108959783 B CN 108959783B
- Authority
- CN
- China
- Prior art keywords
- parameter
- product
- time
- current
- chromosome
- 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.)
- Expired - Fee Related
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 claims abstract description 70
- 238000010845 search algorithm Methods 0.000 claims abstract description 20
- 238000005094 computer simulation Methods 0.000 claims abstract description 14
- 210000000349 chromosome Anatomy 0.000 claims description 80
- 230000002068 genetic effect Effects 0.000 claims description 29
- 230000032258 transport Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 108090000623 proteins and genes Proteins 0.000 claims description 26
- 238000010353 genetic engineering Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 4
- 238000004043 dyeing Methods 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000010429 evolutionary process Effects 0.000 abstract description 4
- 238000013178 mathematical model Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 26
- 241000196324 Embryophyta Species 0.000 description 16
- 239000004744 fabric Substances 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能车间的布局仿真优化方法及装置,该方法包括:根据智能车间的初始参数、布局模型及对应的约束条件,获取当前布局参数;利用当前布局参数对智能车间的布局进行仿真建模,获取智能车间的当前仿真模型及对应的当前性能指标;根据当前性能指标,利用预设的智能搜索算法对当前布局参数进行局部调优,获取最优布局参数;本发明通过仿真计算数学模型难以准确描述的性能指标,可以确定对智能车间的布局对性能指标的影响;通过利用预设的智能搜索算法对当前布局参数进行局部调优,获取调优过程中最优的布局参数,进一步减少仿真优化的迭代次数,提高布局参数的优化效率,减少了智能车间的运输成本,从而降低了智能车间的生产成本。
Description
技术领域
本发明涉及生产车间或制造系统规划布局领域,特别涉及一种智能车间的布局仿真优化方法及装置。
背景技术
车间设备布局规划是制造系统设计的重要环节,良好的车间布局可以提高企业整体效益,降低高达50%的生产运营费用。智能车间中大都是定制化的生产定单,意味着产品品种繁多、定单随机到达、不同产品之间存在工艺差异等;同时这类智能车间还包含自动化加工单元和自动化物流储运系统。经历了资源配置阶段后,智能车间的加工能力与物料储运能力已经初步达到平衡的状态。这时物料储运系统的布局结构、各个加工单元的位置,相应的上料与下料口的位置,以及存储单元的位置等,会对如制品平均运输时间的性能指标产生很大的影响,从而影响智能车间的运输成本。
现有技术中,传统的智能车间布局方法以综合物流强度最小为优化目标,即优化AGV(Automatic Guided Vehicle,自动导向车)负载路径总长度,在约束条件中并未考虑如制品平均运输时间和智能车间平均生产周期等性能指标,隐含假定了智能车间布局不会影响性能指标,或认为物流强度与性能指标强相关。因此,如何在智能车间的布局过程中对性能指标进行优化,减少智能车间的运输成本,从而降低智能车间的生产成本,是现今急需解决的问题。
发明内容
本发明的目的是提供一种智能车间的布局仿真优化方法及装置,以利用智能搜索算法对性能指标进行快速调优,提高了性能指标的优化速度,减少了智能车间的运输成本,从而降低了智能车间的生产成本。
为解决上述技术问题,本发明提供一种智能车间的布局仿真优化方法,包括:
根据智能车间的初始参数、布局模型及对应的约束条件,获取当前布局参数;其中,所述初始参数包括所述智能车间的几何参数和产品及工艺参数;
利用所述当前布局参数对所述智能车间的布局进行仿真建模,获取所述智能车间的当前仿真模型及对应的当前性能指标;其中,所述当前性能指标包括制品平均运输时间、制品运输等待时间、制品平均拥堵时间、制品平均绕道距离、智能车间平均产出率和智能车间平均生产周期中至少一项;
根据所述当前性能指标,利用预设的智能搜索算法对所述当前布局参数进行局部调优,获取最优布局参数;其中,所述最优布局参数满足所述布局模型对应的约束条件。
可选的,当所述智能搜索算法为遗传算法时,所述根据所述当前性能指标,利用预设的智能搜索算法对所述当前布局参数进行局部调优,获取最优布局参数,包括:
将所述当前性能指标代入到所述遗传算法的适应度函数,计算获取当前适应度;
判断是否满足所述遗传算法的预设结束条件;
若是,则将数值最小或最大的所述当前适应度对应的当前布局参数作为所述最优布局参数;
若否,则对由所述当前布局参数组成的染色体进行遗传操作,获取下一布局参数,并将所述下一布局参数作为所述当前布局参数,执行所述利用所述当前布局参数对所述智能车间的布局进行仿真建模,获取所述智能车间的当前仿真模型及对应的当前性能指标的步骤。
可选的,所述布局模型具体为:
所述布局模型对应的约束条件具体为:
P(X,Y,Z|Π,Δ)≥0,以使全部单元和全部路段均在所述几何参数中车间布局区域内,各个单元的位置彼此不重叠,每个单元的位置与每条路段的位置彼此不重叠,每个单元至少有一个边对应的路段平行,每个单元的上料口和/或下料口的位置必须在其与路段接壤的边上;
其中,Xn为所述几何参数中车间布局区域内的第n个单元的位置向量;Ym为所述几何参数中车间布局区域内的第m条路段的位置向量;Zn为所述几何参数中车间布局区域内的第n个单元的入料口和/或出料口的位置向量;Π为所述几何参数中自动导向车路经网络的拓扑结构,Δ为所述产品及工艺参数,ξ为随机元,Q(·)为所述智能车间的运输成本,E{·}为随机函数的数学期望,P(·)为多个块状单元和/或路段的顶点坐标之间的相互限制关系式。
可选的,当所述当前性能指标包括所述制品平均运输时间、所述制品运输等待时间、所述制品平均拥堵时间、所述制品平均绕道距离、所述智能车间平均产出率和所述智能车间平均生产周期时,所述适应度函数具体为:
Fitness=o·p·q·r·s[C1·chg(Tt)+C2·chg(Wt)+C3·chg(Bt)+C4·Rd·W];
其中,C1、C2、C3和C4分别为单位运输成本、单位等待时间成本、单位阻塞时间成本和单位绕道成本,chg()为将时间转换为数量的函数,W为制品的平均重量,o、p、q、r和s均为所述适应度函数对应的约束条件判定系数,
Tt为所述制品平均运输时间,Ltijk为第i次仿真中,第j个制品在整个生产周期内,第k次装载至自动导向车的时刻;Utijk为第i次仿真中,第j个制品在整个生产周期内,第k次从自动导向车卸载的时刻;Wt为所述制品运输等待时间,Etijk为第i次仿真中,第j个制品进入第k次装载所对应装载点缓存区的时刻;Bt为所述制品平均拥堵时间,Stijk为第i次仿真中,在整个生产周期内自动导向车装载第j个制品第k次因拥堵导致停车的时刻;Rtijk为第i次仿真中,自动导向车装载第j个制品第k次拥堵后重新启动的时刻;Rd为所述制品平均绕道距离,Odijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸的原计划路线距离;Rdijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸因拥堵而绕道后的实际路线距离;Tr为所述智能车间平均产出率,Tril为第i次仿真中,第l类制品的产出率;Ft为所述智能车间平均生产周期,Ftil为第i次仿真中,第l类制品的生产周期;T1、T2、T3和T4分别为预先设置的制品平均运输时间阈值、制品运输等待时间阈值、智能车间平均产出率阈值和智能车间平均生产周期阈值。
可选的,所述对由所述当前布局参数组成的染色体进行遗传操作,包括:
利用所述当前布局参数中的单元的位置向量、路段的位置向量和单元的入料口和/或出料口的位置向量组成所述染色体;其中,所述染色体的前段为所述单元的位置向量,所述染色体的中段为所述路段的位置向量,所述染色体的后段为所述单元的入料口和/或出料口的位置向量,每个位置向量对应所述染色体中的一个基因,所述染色体的基因顺序与对应的位置向量编号顺序相对应;
利用预设选择算子对所述染色体进行选择;其中,所述预设选择算子为Pi为第i次仿真的选择概率,Fi为第i次仿真的适应度;
利用预设交叉算子对被选择的染色体的基因进行交叉,使被选择的染色体的前段、中段和后段分别进行内部交叉,且在相同类型单元之间、相同方向路段之间、入料口与入料口之间和出料口与出料口之间交叉;
利用预设变异算子,按预设概率对交叉后的染色体或未选择的染色体的前段、中段或后段中的一个基因进行变异。
此外,本发明还提供了一种智能车间的布局仿真优化装置,包括:
第一获取模块,用于根据智能车间的初始参数、布局模型及对应的约束条件,获取当前布局参数;其中,所述初始参数包括所述智能车间的几何参数和产品及工艺参数;
第二获取模块,用于利用所述当前布局参数对所述智能车间的布局进行仿真建模,获取所述智能车间的当前仿真模型及对应的当前性能指标;其中,所述当前性能指标包括制品平均运输时间、制品运输等待时间、制品平均拥堵时间、制品平均绕道距离、智能车间平均产出率和智能车间平均生产周期中至少一项;
调优模块,用于根据所述当前性能指标,利用预设的智能搜索算法对所述当前布局参数进行局部调优,获取最优布局参数;其中,所述最优布局参数满足所述布局模型对应的约束条件。
可选的,当所述智能搜索算法为遗传算法时,所述调优模块,包括:
计算获取单元,用于将所述当前性能指标代入到所述遗传算法的适应度函数,计算获取当前适应度;
判断单元,用于判断是否满足所述遗传算法的预设结束条件;若是,则将数值最小或最大的所述当前适应度对应的当前布局参数作为所述最优布局参数;
遗传单元,用于若不满足所述预设结束条件,则对由所述当前布局参数组成的染色体进行遗传操作,获取下一布局参数,并将所述下一布局参数作为所述当前布局参数,向所述第二获取模块发送启动信号。
可选的,所述第一获取模块,包括:
获取单元,用于根据智能车间的初始参数、和P(X,Y,Z|Π,Δ)≥0,获取所述当前布局参数;
其中,Xn为所述几何参数中车间布局区域内的第n个单元的位置向量;Ym为所述几何参数中车间布局区域内的第m条路段的位置向量;Zn为所述几何参数中车间布局区域内的第n个单元的入料口和/或出料口的位置向量;Π为所述几何参数中自动导向车路经网络的拓扑结构,Δ为所述产品及工艺参数,ξ为随机元,Q(·)为所述智能车间的运输成本,E{·}为随机函数的数学期望,P(·)为多个块状单元和/或路段的顶点坐标之间的相互限制关系式。
可选的,当所述当前性能指标包括所述制品平均运输时间、所述制品运输等待时间、所述制品平均拥堵时间、所述制品平均绕道距离、所述智能车间平均产出率和所述智能车间平均生产周期时,所述计算获取单元,包括:
计算获取子单元,用于将所述当前性能指标代入Fitness=o·p·q·r·s[C1·chg(Tt)+C2·chg(Wt)+C3·chg(Bt)+C4·Rd·W],计算获取所述当前适应度;
其中,C1、C2、C3和C4分别为单位运输成本、单位等待时间成本、单位阻塞时间成本和单位绕道成本,chg()为将时间转换为数量的函数,W为制品的平均重量,o、p、q、r和s均为所述适应度函数对应的约束条件判定系数,
Tt为所述制品平均运输时间,Ltijk为第i次仿真中,第j个制品在整个生产周期内,第k次装载至自动导向车的时刻;Utijk为第i次仿真中,第j个制品在整个生产周期内,第k次从自动导向车卸载的时刻;Wt为所述制品运输等待时间,Etijk为第i次仿真中,第j个制品进入第k次装载所对应装载点缓存区的时刻;Bt为所述制品平均拥堵时间,Stijk为第i次仿真中,在整个生产周期内自动导向车装载第j个制品第k次因拥堵导致停车的时刻;Rtijk为第i次仿真中,自动导向车装载第j个制品第k次拥堵后重新启动的时刻;Rd为所述制品平均绕道距离,Odijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸的原计划路线距离;Rdijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸因拥堵而绕道后的实际路线距离;Tr为所述智能车间平均产出率,Tril为第i次仿真中,第l类制品的产出率;Ft为所述智能车间平均生产周期,Ftil为第i次仿真中,第l类制品的生产周期;T1、T2、T3和T4分别为预先设置的制品平均运输时间阈值、制品运输等待时间阈值、智能车间平均产出率阈值和智能车间平均生产周期阈值。
可选的,所述遗传单元,包括:
染色体编码子单元,用于利用所述当前布局参数中的单元的位置向量、路段的位置向量和单元的入料口和/或出料口的位置向量组成所述染色体;其中,所述染色体的前段为所述单元的位置向量,所述染色体的中段为所述路段的位置向量,所述染色体的后段为所述单元的入料口和/或出料口的位置向量,每个位置向量对应所述染色体中的一个基因,所述染色体的基因顺序与对应的位置向量编号顺序相对应;
选择子单元,用于利用预设选择算子对所述染色体进行选择;其中,所述预设选择算子为Pi为第i次仿真的选择概率,Fi为第i次仿真的适应度;
交叉子单元,用于利用预设交叉算子对被选择的染色体的基因进行交叉,使被选择的染色体的前段、中段和后段分别进行内部交叉,且在相同类型单元之间、相同方向路段之间、入料口与入料口之间和出料口与出料口之间交叉;
变异子单元,用于利用预设变异算子,按预设概率对交叉后的染色体或未选择的染色体的前段、中段或后段中的一个基因进行变异。
本发明所提供的一种智能车间的布局仿真优化方法,包括:根据智能车间的初始参数、布局模型及对应的约束条件,获取当前布局参数;其中,初始参数包括智能车间的几何参数和产品及工艺参数;利用当前布局参数对智能车间的布局进行仿真建模,获取智能车间的当前仿真模型及对应的当前性能指标;其中,当前性能指标包括制品平均运输时间、制品运输等待时间、制品平均拥堵时间、制品平均绕道距离、智能车间平均产出率和智能车间平均生产周期中至少一项;根据当前性能指标,利用预设的智能搜索算法对当前布局参数进行局部调优,获取最优布局参数;其中,最优布局参数满足布局模型对应的约束条件;
可见,本发明通过利用当前布局参数对智能车间的布局进行仿真建模,获取智能车间的当前仿真模型及对应的当前性能指标,可以仿真计算数学模型难以准确描述的性能指标,确定对智能车间的布局对性能指标的影响;通过利用预设的智能搜索算法对当前布局参数进行局部调优,获取调优过程中最优的布局参数,可以进一步减少仿真优化的迭代次数,提高了布局参数的优化效率,减少了智能车间的运输成本,从而降低了智能车间的生产成本。此外,本发明还提供了一种智能车间的布局仿真优化装置,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种智能车间的布局仿真优化方法的流程图;
图2为本发明实施例所提供的另一种智能车间的布局仿真优化方法的仿真模型的示意图;
图3为本发明实施例所提供的另一种智能车间的布局仿真优化方法的流程图;
图4为本发明实施例所提供的另一种智能车间的布局仿真优化方法的示意图;
图5为本发明实施例所提供的一种智能车间的布局仿真优化装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例所提供的一种智能车间的布局仿真优化方法的流程图。该方法可以包括:
步骤101:根据智能车间的初始参数、布局模型及对应的约束条件,获取当前布局参数;其中,初始参数包括智能车间的几何参数和产品及工艺参数。
可以理解的是,本步骤中的当前布局参数可以为对智能车间的布局进行仿真建模所需的初始布局参数(初始布局方案),对于当前布局参数的具体内容,可以由设计人员根据实用场景和用户需求自行设置,只要在步骤102中可以通过当前布局参数,获取对应的智能车间的仿真模型,及该仿真模型的性能指标,本实施例对此不作任何限制。
需要说明的是,本步骤中的布局模型及对应的约束条件,可以由设计人员自行设置,可以选用如以综合物流强度最小为优化目标的布局模型的现有布局模型,也可以进一步选用以最小化运输成本为优化目标的布局模型,以使包含自动导向车的负载、空载和等待运输成本的智能车间的总运输成本最小化,进一步减少智能车间的运输成本。本实施例对此不做任何限制。
具体的,以最小化运输成本为优化目标的布局模型可以如下所示:
对应的,如上述布局模型对应的约束条件,可以仅包括以下5类几何形状与位置的约束条件:①各个单元(存储区域和加工单元等)的位置彼此不能重叠;②每个单元的位置与每条路段的位置彼此不能重叠;③每个单元至少有一个边与某条路段平行;④每个单元上料与下料口的位置必须在其与路段接壤的边上;⑤所有布局对象(单元和路段)都必须在车间的范围内。如可以将每个布局对象均看作矩形块,用4个顶点坐标表示,第n个单元的位置向量可以为Xn={x11,x12,x21,x22,x31,x32,x41,x42},上述布局模型对应的约束条件可以为P(X,Y,Z|Π,Δ)≥0,以使全部单元和全部路段均在所述几何参数中车间布局区域内,各个单元的位置彼此不重叠,每个单元的位置与每条路段的位置彼此不重叠,每个单元至少有一个边对应的路段平行,每个单元的上料口和/或下料口的位置必须在其与路段接壤的边上其中,P(·)为多个块状布局对象(单元或路段)的顶点坐标之间的相互限制关系式。
其中,Xn为几何参数中车间布局区域内的第n个单元的位置向量;Ym为几何参数中车间布局区域内的第m条路段的位置向量;Zn为几何参数中车间布局区域内的第n个单元的入料口和/或出料口的位置向量;Π为几何参数中自动导向车路经网络的拓扑结构,Δ为产品及工艺参数,ξ为随机元,Q(·)为智能车间的运输成本,E{·}为随机函数的数学期望,P(·)为多个块状单元和/或路段的顶点坐标之间的相互限制关系式。
可以理解的是,上述以最小化运输成本为优化目标的布局模型及对应的约束条件,并未考虑智能车间的性能指标约束,为性能指标优化问题进行了适当松弛,求解后可获得性能指标优化问题的最优解的一个下界,由于该下界已经较接近最优解,可以作为智能车间的最初布局方案。
步骤102:利用当前布局参数对智能车间的布局进行仿真建模,获取智能车间的当前仿真模型及对应的当前性能指标;其中,当前性能指标包括制品平均运输时间、制品运输等待时间、制品平均拥堵时间、制品平均绕道距离、智能车间平均产出率和智能车间平均生产周期中至少一项。
可以理解的是,本步骤的目的可以为通过对当前布局参数(布局方案)进行仿真建模,获取当前仿真模型及对应的当前性能指标,以确定当前布局参数对当前性能指标的影响,从而通过调整当前布局参数对应调整当前性能指标。具体的,对于利用当前布局参数对智能车间的布局进行仿真建模的具体方式,可以由设计人员根据实用场景和用户需求自行设置,如可以先利用当前布局参数生成如图2所示的当前仿真模型,再将智能车间的初始参数或当前布局参数中如工件类参数和调度策略等为被布局模型描述的细节加入到当前仿真模型,以获取当前仿真模型对应的当前性能指标。本实施例对此不做任何限制。
也就是说,本步骤中的当前仿真模型不仅可以近似符合智能车间的订单随机到达,包含:定制工件的描述、订单到达时间的描述、可选工艺路径的描述;也可以近似符合智能车间的生产设备的能力描述;还可以近似符合该智能车间的生产调度方法或规则的模拟方法。
需要说明的是,本步骤中当前仿真模型对应的当前性能指标,可以为衡量当前布局参数的布局方案对应智能车间的生产系统的不同性能的指标,对于当前性能指标的数量,可以由设计人员根据实用场景和用户需求自行设置,如可以包括制品平均运输时间、制品运输等待时间、制品平均拥堵时间、制品平均绕道距离、智能车间平均产出率和智能车间平均生产周期;也可以包括上述任意一种或多种;还可以包括其他指标。本实施例对此不做任何限制。
具体的,制品平均运输时间可以为在当前的布局方案下,所有制品经自动导向车运输时间的平均值,其计算式可以如下:
上式中,Tt为制品平均运输时间,Ltijk为第i次仿真中,第j个制品在整个生产周期内,第k次装载至自动导向车的时刻;Utijk为第i次仿真中,第j个制品在整个生产周期内,第k次从自动导向车卸载的时刻。
制品运输等待时间可以为在当前的布局方案下,所有制品在装置点缓存区等待时间的平均值,其计算式可以如下:
上式中,Wt为制品运输等待时间,Etijk为第i次仿真中,第j个制品进入第k次装载所对应装载点缓存区的时刻。
制品平均拥堵时间可以为在当前的布局方案下,所有制品在运输过程中,自动导向车拥堵时间的平均值,其计算式可以如下:
上式中,Bt为制品平均拥堵时间,Stijk为第i次仿真中,在整个生产周期内自动导向车装载第j个制品第k次因拥堵导致停车的时刻;Rtijk为第i次仿真中,自动导向车装载第j个制品第k次拥堵后重新启动的时刻。
制品平均绕道距离可以为在当前的布局方案下,所有制品在运输过程中,自动导向车因堵塞而改变运输路线所增加的运输距离的平均值,其计算式可以如下:
上式中,Rd为制品平均绕道距离,Odijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸的原计划路线距离;Rdijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸因拥堵而绕道后的实际路线距离。
智能车间平均产出率可以为在当前的布局方案下,智能车间的产出率的平均值,其计算式可以如下:
上式中,Tr为智能车间平均产出率,Tril为第i次仿真中,第l类制品的产出率。
智能车间平均生产周期可以为在当前的布局方案下,智能车间的生产周期的平均值,其计算式可以如下:
上式中,Ft为智能车间平均生产周期,Ftil为第i次仿真中,第l类制品的生产周期。
步骤103:根据当前性能指标,利用预设的智能搜索算法对当前布局参数进行局部调优,获取最优布局参数;其中,最优布局参数满足布局模型对应的约束条件。
可以理解的是,本步骤的目的可以为通过利用智能搜索算法对当前布局参数(布局方案)进行局部调优,从而对当前布局参数对应的当前性能指标进行调优,以减少仿真优化的迭代次数。对于智能算法的具体选择,可以由设计人员自行设置,如可以选择遗传算法。只要可以保证调优后的布局参数满足布局模型对应的约束条件,本实施例对此不做任何限制。
具体的,当利用预设的遗传算法对当前布局参数进行局部调优时,可以如图3所示,包括:
步骤201:将当前性能指标代入到遗传算法的适应度函数,计算获取当前适应度。
其中,本步骤中遗传算法的适应度函数可以由设计人员根据实用场景和用户需求自行设置,如可以根据当前性能指标的具体内容对应进行设置,本实施例对此不做任何限制。
具体的,当前性能指标包括制品平均运输时间、制品运输等待时间、制品平均拥堵时间、制品平均绕道距离、智能车间平均产出率和智能车间平均生产周期时,本步骤中的适应度函数可以如下:
Fitness=o·p·q·r·s[C1·chg(Tt)+C2·chg(Wt)+C3·chg(Bt)+C4·Rd·W]
其中,C1、C2、C3和C4分别为单位运输成本、单位等待时间成本、单位阻塞时间成本和单位绕道成本,chg()为将时间转换为数量的函数,W为制品的平均重量,o、p、q、r和s均为适应度函数对应的约束条件判定系数,
T1、T2、T3和T4分别为预先设置的制品平均运输时间阈值、制品运输等待时间阈值、智能车间平均产出率阈值和智能车间平均生产周期阈值。
需要说明的是,对于T1、T2、T3和T4的具体数值,可以由设计人员根据实用场景和用户需求自行设置,可以为设计人员或用户自行输入设置的数值,也可以为步骤101中智能车间的初始参数包含的数值,本实施例对此不做任何限制。
步骤202:判断是否满足遗传算法的预设结束条件;若否,则进入步骤203;若是,则进入步骤204。
其中,本步骤中遗传算法的预设结束条件,可以由设计人员自行设置,如可以为当前性能指标对应的迭代次数达到预设迭代次数;也可以为当前适应度达到预设适应度范围,即当前适应度小于预设适应度或当前适应度大于预设适应度。本实施例对此不做任何限制。
步骤203:对由当前布局参数组成的染色体进行遗传操作,获取下一布局参数,并将下一布局参数作为当前布局参数,进入步骤102。
可以理解的是,本步骤的目的可以为在不满足预设结束条件的情况下,通过对当前布局参数组成的染色体进行遗传操作,对当前布局参数进行局部调优。对应的,本步骤中的下一布局参数可以为当前布局参数进行局部调优后的获取的布局参数。
需要说明的是,对于本步骤中由当前布局参数组成的染色体的具体结构,即遗传算法的具体编码规则,可以由设计人员自行设置,如对当前布局参数(布局方案)进行微调时,可以只局部调整单元的位置、路段的位置及单元内P/D口(入料口和出料口)的位置,且单元、路段及P/D口的数量保持不变,可以利用当前布局参数中的单元的位置向量、路段的位置向量和单元的入料口和/或出料口的位置向量组成染色体;其中,染色体的前段为单元的位置向量,染色体的中段为路段的位置向量,染色体的后段为单元的入料口和/或出料口的位置向量,每个位置向量对应染色体中的一个基因,染色体的基因顺序与对应的位置向量编号顺序相对应。本实施例对此不做任何限制。
对应的,对于本步骤中对由当前布局参数组成的染色体进行遗传操作的具体过程,可以由设计人员自行设置,如采用上述染色体编码方式,对当前布局参数(布局方案)进行微调时,可以只局部调整单元的位置、路段的位置及单元内P/D口(入料口和出料口)的位置,且单元、路段及P/D口的数量保持不变时,如图4所示,可以先利用预设选择算子对染色体进行选择;再利用预设交叉算子对被选择的染色体的基因进行交叉,使被选择的染色体的前段、中段和后段分别进行内部交叉,且在相同类型单元之间、相同方向路段之间、入料口与入料口之间和出料口与出料口之间交叉;最后利用预设变异算子,按预设概率对交叉后的染色体或未选择的染色体的前段、中段或后段中的一个基因进行变异。本实施例对此不做任何限制。
具体的,利用预设变异算子,可以按预设概率仅对交叉后的染色体的前段、中段或后段中的一个基因进行变异;也可以按预设概率对交叉后的染色体或未选择的染色体的前段、中段或后段中的一个基因进行变异,本实施例对此不做任何限制。对于上述预设选择算子、预设交叉算子和预设变异算子的具体设置,可以由设计人员根据实用场景和用户需求自行设置,本实施例对此同样不做任何限制。如预设选择算子可以根据适应度函数对应进行设置,采用的Fitness=o·p·q·r·s[C1·chg(Tt)+C2·chg(Wt)+C3·chg(Bt)+C4·Rd·W]这一适应度函数时,预设选择算子对应的选择策略可以为适应度越小,被选择的概率越大,预设选择算子可以如下:
上式中,Pi为第i次仿真的选择概率,Fi为第i次仿真的适应度。
可以理解的是,本步骤中的下一布局参数可以为对由当前布局参数组成的染色体进行遗传操作后,获取的当前布局参数调优后的布局参数。本步骤通过将下一布局参数作为当前布局参数并进入步骤102,可以继续对调优后的布局参数进行仿真建模及调优直至达到预设结束条件。
步骤204:将数值最小或最大的当前适应度对应的当前布局参数作为最优布局参数。
可以理解的是,本步骤中的最优布局参数可以为通过遗传算法计算得到的全部布局参数中对应的当前适应度最小或最大的一个布局参数。本步骤通过将数值最小或最大的当前适应度对应的当前布局参数作为最优布局参数,可以确定对初始的布局参数调优后最终得到的最优的布局参数,以利用最优布局参数对智能车间进行布局。
需要说明的是,对于本步骤中最优布局参数的具体选择,可以根据遗传算法中的适应度函数对应进行设置,如遗传算法中的适应度函数采用步骤201描述的Fitness=o·p·q·r·s[C1·chg(Tt)+C2·chg(Wt)+C3·chg(Bt)+C4·Rd·W]这一适应度函数时,即适应度函数计算出的适应度越小,越满足性能指标要求,则本步骤可以为将数值最小的当前适应度对应的当前布局参数作为最优布局参数,本实施例对此不做任何限制。
对应的,对于本步骤中选择最优布局参数的具体方式,可以由设计人员自行设置,如保存全部布局参数及各自对应的适应度时,本步骤可以选择数值最小或最大的适应度对应的布局参数作为最优布局参数;如仅保存一个数值最小或最大的适应度及对应的布局参数时,本步骤可以直接将保存的布局参数作为最优布局参数,即可以在每次获取当前适应度后,判断当前适应度是否优于已保存的适应度,若是,则保存当前适应度及对应的布局参数并删除之前保存的适应度及对应的布局参数。本实施例对此不做任何限制。
本实施例中,本发明实施例通过利用当前布局参数对智能车间的布局进行仿真建模,获取智能车间的当前仿真模型及对应的当前性能指标,可以仿真计算数学模型难以准确描述的性能指标,确定对智能车间的布局对性能指标的影响;通过利用预设的智能搜索算法对当前布局参数进行局部调优,获取调优过程中最优的布局参数,可以进一步减少仿真优化的迭代次数,提高了布局参数的优化效率,减少了智能车间的运输成本,从而降低了智能车间的生产成本。
请参考图5,图5为本发明实施例所提供的一种智能车间的布局仿真优化装置的结构图。该装置,可以包括:
第一获取模块100,用于根据智能车间的初始参数、布局模型及对应的约束条件,获取当前布局参数;其中,初始参数包括智能车间的几何参数和产品及工艺参数;
第二获取模块200,用于利用当前布局参数对智能车间的布局进行仿真建模,获取智能车间的当前仿真模型及对应的当前性能指标;其中,当前性能指标包括制品平均运输时间、制品运输等待时间、制品平均拥堵时间、制品平均绕道距离、智能车间平均产出率和智能车间平均生产周期中至少一项;
调优模块300,用于根据当前性能指标,利用预设的智能搜索算法对当前布局参数进行局部调优,获取最优布局参数;其中,最优布局参数满足布局模型对应的约束条件。
可选的,当智能搜索算法为遗传算法时,调优模块300,可以包括:
计算获取单元,用于将当前性能指标代入到遗传算法的适应度函数,计算获取当前适应度;
判断单元,用于判断是否满足遗传算法的预设结束条件;若是,则将数值最小或最大的当前适应度对应的当前布局参数作为最优布局参数;
遗传单元,用于若不满足预设结束条件,则对由当前布局参数组成的染色体进行遗传操作,获取下一布局参数,并将下一布局参数作为当前布局参数,向第二获取模块发送启动信号。
可选的,第一获取模块100,可以包括:
获取单元,用于根据智能车间的初始参数、和P(X,Y,Z|Π,Δ)≥0,获取当前布局参数;
其中,Xn为几何参数中车间布局区域内的第n个单元的位置向量;Ym为几何参数中车间布局区域内的第m条路段的位置向量;Zn为几何参数中车间布局区域内的第n个单元的入料口和/或出料口的位置向量;Π为几何参数中自动导向车路经网络的拓扑结构,Δ为产品及工艺参数,ξ为随机元,Q(·)为智能车间的运输成本,E{·}为随机函数的数学期望,P(·)为多个块状单元和/或路段的顶点坐标之间的相互限制关系式。
可选的,当前性能指标包括制品平均运输时间、制品运输等待时间、制品平均拥堵时间、制品平均绕道距离、智能车间平均产出率和智能车间平均生产周期时,计算获取单元,可以包括:
计算获取子单元,用于将当前性能指标代入Fitness=o·p·q·r·s[C1·chg(Tt)+C2·chg(Wt)+C3·chg(Bt)+C4·Rd·W],计算获取当前适应度;
其中,C1、C2、C3和C4分别为单位运输成本、单位等待时间成本、单位阻塞时间成本和单位绕道成本,chg()为将时间转换为数量的函数,W为制品的平均重量,o、p、q、r和s均为适应度函数对应的约束条件判定系数,
Tt为制品平均运输时间,Ltijk为第i次仿真中,第j个制品在整个生产周期内,第k次装载至自动导向车的时刻;Utijk为第i次仿真中,第j个制品在整个生产周期内,第k次从自动导向车卸载的时刻;Wt为制品运输等待时间,Etijk为第i次仿真中,第j个制品进入第k次装载所对应装载点缓存区的时刻;Bt为制品平均拥堵时间,Stijk为第i次仿真中,在整个生产周期内自动导向车装载第j个制品第k次因拥堵导致停车的时刻;Rtijk为第i次仿真中,自动导向车装载第j个制品第k次拥堵后重新启动的时刻;Rd为制品平均绕道距离,Odijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸的原计划路线距离;Rdijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸因拥堵而绕道后的实际路线距离;Tr为智能车间平均产出率,Tril为第i次仿真中,第l类制品的产出率;Ft为智能车间平均生产周期,Ftil为第i次仿真中,第l类制品的生产周期;T1、T2、T3和T4分别为预先设置的制品平均运输时间阈值、制品运输等待时间阈值、智能车间平均产出率阈值和智能车间平均生产周期阈值。
可选的,遗传单元,可以包括:
染色体编码子单元,用于利用当前布局参数中的单元的位置向量、路段的位置向量和单元的入料口和/或出料口的位置向量组成染色体;其中,染色体的前段为单元的位置向量,染色体的中段为路段的位置向量,染色体的后段为单元的入料口和/或出料口的位置向量,每个位置向量对应染色体中的一个基因,染色体的基因顺序与对应的位置向量编号顺序相对应;
选择子单元,用于利用预设选择算子对染色体进行选择;其中,预设选择算子为Pi为第i次仿真的选择概率,Fi为第i次仿真的适应度;
交叉子单元,用于利用预设交叉算子对被选择的染色体的基因进行交叉,使被选择的染色体的前段、中段和后段分别进行内部交叉,且在相同类型单元之间、相同方向路段之间、入料口与入料口之间和出料口与出料口之间交叉;
变异子单元,用于利用预设变异算子,按预设概率对交叉后的染色体或未选择的染色体的前段、中段或后段中的一个基因进行变异。
本实施例中,本发明实施例通过第二获取模块200利用当前布局参数对智能车间的布局进行仿真建模,获取智能车间的当前仿真模型及对应的当前性能指标,可以仿真计算数学模型难以准确描述的性能指标,确定对智能车间的布局对性能指标的影响;通过调优模块300利用预设的智能搜索算法对当前布局参数进行局部调优,获取调优过程中最优的布局参数,可以进一步减少仿真优化的迭代次数,提高了布局参数的优化效率,减少了智能车间的运输成本,从而降低了智能车间的生产成本。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的智能车间的布局仿真优化方法及装置进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (4)
1.一种智能车间的布局仿真优化方法,其特征在于,包括:
根据智能车间的初始参数、布局模型及对应的约束条件,获取当前布局参数;其中,所述初始参数包括所述智能车间的几何参数和产品及工艺参数;
利用所述当前布局参数对所述智能车间的布局进行仿真建模,获取所述智能车间的当前仿真模型及对应的当前性能指标;其中,所述当前性能指标包括制品平均运输时间、制品运输等待时间、制品平均拥堵时间、制品平均绕道距离、智能车间平均产出率和智能车间平均生产周期中至少一项;
根据所述当前性能指标,利用预设的智能搜索算法对所述当前布局参数进行局部调优,获取最优布局参数;其中,所述最优布局参数满足所述布局模型对应的约束条件;
当所述智能搜索算法为遗传算法时,所述根据所述当前性能指标,利用预设的智能搜索算法对所述当前布局参数进行局部调优,获取最优布局参数,包括:
将所述当前性能指标代入到所述遗传算法的适应度函数,计算获取当前适应度;
判断是否满足所述遗传算法的预设结束条件;
若是,则将数值最小或最大的所述当前适应度对应的当前布局参数作为所述最优布局参数;
若否,则对由所述当前布局参数组成的染色体进行遗传操作,获取下一布局参数,并将所述下一布局参数作为所述当前布局参数,执行所述利用所述当前布局参数对所述智能车间的布局进行仿真建模,获取所述智能车间的当前仿真模型及对应的当前性能指标的步骤;
所述布局模型具体为:
所述布局模型对应的空间几何约束条件具体为:
P(X,Y,Z|Π,Δ)≥0,以使全部单元和全部路段均在所述几何参数中车间布局区域内,各个单元的位置彼此不重叠,每个单元的位置与每条路段的位置彼此不重叠,每个单元至少有一个边与某条路段平行,每个单元的上料口和/或下料口的位置必须在其与路段接壤的边上;
其中,Xn为所述几何参数中车间布局区域内的第n个单元的位置向量;Ym为所述几何参数中车间布局区域内的第m条路段的位置向量;Zn为所述几何参数中车间布局区域内的第n个单元的入料口和/或出料口的位置向量;Π为所述几何参数中自动导向车路经网络的拓扑结构,Δ为所述产品及工艺参数,ξ为随机元,Q(·)为所述智能车间的运输成本,P(·)为多个块状单元和/或路段的顶点坐标之间的相互限制关系式;
当所述当前性能指标包括所述制品平均运输时间、所述制品运输等待时间、所述制品平均拥堵时间、所述制品平均绕道距离、所述智能车间平均产出率和所述智能车间平均生产周期时,所述适应度函数具体为:
Fitness=o·p·q·r·s[C1·chg(Tt)+C2·chg(Wt)+C3·chg(Bt)+C4·Rd·W];
其中,C1、C2、C3和C4分别为单位运输成本、单位等待时间成本、单位阻塞时间成本和单位绕道成本,chg()为将时间转换为数量的函数,W为制品的平均重量,o、p、q、r和s均为所述适应度函数对应的约束条件判定系数,
Tt为所述制品平均运输时间,Ltijk为第i次仿真中,第j个制品在整个生产周期内,第k次装载至自动导向车的时刻;Utijk为第i次仿真中,第j个制品在整个生产周期内,第k次从自动导向车卸载的时刻;Wt为所述制品运输等待时间,Etijk为第i次仿真中,第j个制品进入第k次装载所对应装载点缓存区的时刻;Bt为所述制品平均拥堵时间,Stijk为第i次仿真中,在整个生产周期内自动导向车装载第j个制品第k次因拥堵导致停车的时刻;Rtijk为第i次仿真中,自动导向车装载第j个制品第k次拥堵后重新启动的时刻;Rd为所述制品平均绕道距离,Odijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸的原计划路线距离;Rdijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸因拥堵而绕道后的实际路线距离;Tr为所述智能车间平均产出率,Tril为第i次仿真中,第l类制品的产出率;Ft为所述智能车间平均生产周期,Ftil为第i次仿真中,第l类制品的生产周期;T1、T2、T3和T4分别为预先设置的制品平均运输时间阈值、制品运输等待时间阈值、智能车间平均产出率阈值和智能车间平均生产周期阈值。
2.根据权利要求1所述的智能车间的布局仿真优化方法,其特征在于,所述对由所述当前布局参数组成的染色体进行遗传操作,包括:
利用所述当前布局参数中的单元的位置向量、路段的位置向量和单元的入料口和/或出料口的位置向量组成所述染色体;其中,所述染色体的前段为所述单元的位置向量,所述染色体的中段为所述路段的位置向量,所述染色体的后段为所述单元的入料口和/或出料口的位置向量,每个位置向量对应所述染色体中的一个基因,所述染色体的基因顺序与对应的位置向量编号顺序相对应;
利用预设选择算子对所述染色体进行选择;其中,所述预设选择算子为Pi为第i次仿真的选择概率,Fi为第i次仿真的适应度;
利用预设交叉算子对被选择的染色体的基因进行交叉,使被选择的染色体的前段、中段和后段分别进行内部交叉,且在相同类型单元之间、相同方向路段之间、入料口与入料口之间和出料口与出料口之间交叉;
利用预设变异算子,按预设概率对交叉后的染色体或未选择的染色体的前段、中段或后段中的一个基因进行变异。
3.一种智能车间的布局仿真优化装置,其特征在于,包括:
第一获取模块,用于根据智能车间的初始参数、布局模型及对应的约束条件,获取当前布局参数;其中,所述初始参数包括所述智能车间的几何参数和产品及工艺参数;
第二获取模块,用于利用所述当前布局参数对所述智能车间的布局进行仿真建模,获取所述智能车间的当前仿真模型及对应的当前性能指标;其中,所述当前性能指标包括制品平均运输时间、制品运输等待时间、制品平均拥堵时间、制品平均绕道距离、智能车间平均产出率和智能车间平均生产周期中至少一项;
调优模块,用于根据所述当前性能指标,利用预设的智能搜索算法对所述当前布局参数进行局部调优,获取最优布局参数;其中,所述最优布局参数满足所述布局模型对应的约束条件;
当所述智能搜索算法为遗传算法时,所述调优模块,包括:
计算获取单元,用于将所述当前性能指标代入到所述遗传算法的适应度函数,计算获取当前适应度;
判断单元,用于判断是否满足所述遗传算法的预设结束条件;若是,则将数值最小或最大的所述当前适应度对应的当前布局参数作为所述最优布局参数;
遗传单元,用于若不满足所述预设结束条件,则对由所述当前布局参数组成的染色体进行遗传操作,获取下一布局参数,并将所述下一布局参数作为所述当前布局参数,向所述第二获取模块发送启动信号;
所述第一获取模块,包括:
获取单元,用于根据智能车间的初始参数、和P(X,Y,Z|Π,Δ)≥0,获取所述当前布局参数;
布局模型具体为:
其中,Xn为所述几何参数中车间布局区域内的第n个单元的位置向量;Ym为所述几何参数中车间布局区域内的第m条路段的位置向量;Zn为所述几何参数中车间布局区域内的第n个单元的入料口和/或出料口的位置向量;Π为所述几何参数中自动导向车路经网络的拓扑结构,Δ为所述产品及工艺参数,ξ为随机元,Q(·)为所述智能车间的运输成本,P(·)为多个块状单元和/或路段的顶点坐标之间的相互限制关系式;
当所述当前性能指标包括所述制品平均运输时间、所述制品运输等待时间、所述制品平均拥堵时间、所述制品平均绕道距离、所述智能车间平均产出率和所述智能车间平均生产周期时,所述计算获取单元,包括:
计算获取子单元,用于将所述当前性能指标代入Fitness=o·p·q·r·s[C1·chg(Tt)+C2·chg(Wt)+C3·chg(Bt)+C4·Rd·W],计算获取所述当前适应度;
其中,C1、C2、C3和C4分别为单位运输成本、单位等待时间成本、单位阻塞时间成本和单位绕道成本,chg()为将时间转换为数量的函数,W为制品的平均重量,o、p、q、r和s均为所述适应度函数对应的约束条件判定系数,
Tt为所述制品平均运输时间,Ltijk为第i次仿真中,第j个制品在整个生产周期内,第k次装载至自动导向车的时刻;Utijk为第i次仿真中,第j个制品在整个生产周期内,第k次从自动导向车卸载的时刻;Wt为所述制品运输等待时间,Etijk为第i次仿真中,第j个制品进入第k次装载所对应装载点缓存区的时刻;Bt为所述制品平均拥堵时间,Stijk为第i次仿真中,在整个生产周期内自动导向车装载第j个制品第k次因拥堵导致停车的时刻;Rtijk为第i次仿真中,自动导向车装载第j个制品第k次拥堵后重新启动的时刻;Rd为所述制品平均绕道距离,Odijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸的原计划路线距离;Rdijk为第i次仿真中,第j个在制品在整个生产周期内,自动导向车第k次装卸因拥堵而绕道后的实际路线距离;Tr为所述智能车间平均产出率,Tril为第i次仿真中,第l类制品的产出率;Ft为所述智能车间平均生产周期,Ftil为第i次仿真中,第l类制品的生产周期;T1、T2、T3和T4分别为预先设置的制品平均运输时间阈值、制品运输等待时间阈值、智能车间平均产出率阈值和智能车间平均生产周期阈值。
4.根据权利要求3所述的智能车间的布局仿真优化装置,其特征在于,所述遗传单元,包括:
染色体编码子单元,用于利用所述当前布局参数中的单元的位置向量、路段的位置向量和单元的入料口和/或出料口的位置向量组成所述染色体;其中,所述染色体的前段为所述单元的位置向量,所述染色体的中段为所述路段的位置向量,所述染色体的后段为所述单元的入料口和/或出料口的位置向量,每个位置向量对应所述染色体中的一个基因,所述染色体的基因顺序与对应的位置向量编号顺序相对应;
选择子单元,用于利用预设选择算子对所述染色体进行选择;其中,所述预设选择算子为Pi为第i次仿真的选择概率,Fi为第i次仿真的适应度;
交叉子单元,用于利用预设交叉算子对被选择的染色体的基因进行交叉,使被选择的染色体的前段、中段和后段分别进行内部交叉,且在相同类型单元之间、相同方向路段之间、入料口与入料口之间和出料口与出料口之间交叉;
变异子单元,用于利用预设变异算子,按预设概率对交叉后的染色体或未选择的染色体的前段、中段或后段中的一个基因进行变异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810745276.0A CN108959783B (zh) | 2018-07-09 | 2018-07-09 | 一种智能车间的布局仿真优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810745276.0A CN108959783B (zh) | 2018-07-09 | 2018-07-09 | 一种智能车间的布局仿真优化方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108959783A CN108959783A (zh) | 2018-12-07 |
CN108959783B true CN108959783B (zh) | 2019-05-24 |
Family
ID=64482506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810745276.0A Expired - Fee Related CN108959783B (zh) | 2018-07-09 | 2018-07-09 | 一种智能车间的布局仿真优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959783B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110750825B (zh) * | 2019-09-27 | 2023-04-07 | 贝壳技术有限公司 | 一种室内家居布置方法、装置、电子设备和存储介质 |
CN113988377B (zh) * | 2021-09-30 | 2023-06-27 | 东方电气集团东方电机有限公司 | 一种智能车间agv充电站位置优化布置方法 |
WO2024045099A1 (zh) * | 2022-08-31 | 2024-03-07 | 西门子股份公司 | 用于生成车间布局的方法、设备、介质和产品 |
CN115577865B (zh) * | 2022-12-08 | 2023-05-16 | 中国电子工程设计院有限公司 | 一种用于制剂工艺的生产房间布局优化方法及装置 |
CN116362407B (zh) * | 2023-04-06 | 2024-01-16 | 湘南学院 | 一种考虑制造系统运行性能的设施布局优化方法 |
CN116702302B (zh) * | 2023-08-04 | 2023-10-31 | 中国电子工程设计院有限公司 | 一种用于半导体生产线的布局寻优方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
CN104808627A (zh) * | 2015-04-20 | 2015-07-29 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
CN106875071A (zh) * | 2017-03-31 | 2017-06-20 | 华南理工大学 | 一种自适应遗传算法的车间设备多目标优化布局方法 |
CN107392497A (zh) * | 2017-08-08 | 2017-11-24 | 大连交通大学 | 一种基于改进遗传算法的车间调度系统及调度方法 |
CN107908805A (zh) * | 2017-05-05 | 2018-04-13 | 浙江工业大学 | 一种多目标优化的混合作业车间布局方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203850A (zh) * | 2016-07-15 | 2016-12-07 | 武汉理工大学 | 一种智能车间管理系统 |
-
2018
- 2018-07-09 CN CN201810745276.0A patent/CN108959783B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870647A (zh) * | 2014-03-14 | 2014-06-18 | 西安工业大学 | 一种基于遗传算法的作业车间调度建模的方法 |
CN104808627A (zh) * | 2015-04-20 | 2015-07-29 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
CN106875071A (zh) * | 2017-03-31 | 2017-06-20 | 华南理工大学 | 一种自适应遗传算法的车间设备多目标优化布局方法 |
CN107908805A (zh) * | 2017-05-05 | 2018-04-13 | 浙江工业大学 | 一种多目标优化的混合作业车间布局方法 |
CN107392497A (zh) * | 2017-08-08 | 2017-11-24 | 大连交通大学 | 一种基于改进遗传算法的车间调度系统及调度方法 |
Non-Patent Citations (2)
Title |
---|
基于多模型的层次式车间布局研究与系统开发;陈春鹏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170715;第2017年卷(第07期);第I138-174页 |
基于遗传算法的车间设备布局问题研究;曹战;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20080515;第2008年卷(第05期);第C029-85页的第3.4节、第四章和第5.3.5节 |
Also Published As
Publication number | Publication date |
---|---|
CN108959783A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959783B (zh) | 一种智能车间的布局仿真优化方法及装置 | |
Li et al. | Tasks assigning and sequencing of multiple AGVs based on an improved harmony search algorithm | |
CN109375601A (zh) | 基于数据驱动建模与仿真优化的流水线规划方法及设备 | |
CN102222412B (zh) | 一种引入空域容量的航路汇聚点布局优化方法 | |
CN109002902A (zh) | 分区域多阶段生鲜农产品动态车辆路径优化方法 | |
Tang et al. | Research on equipment configuration optimization of AGV unmanned warehouse | |
CN104933490A (zh) | 一种考虑社会车辆的土石坝工程的土石方调配优化方法 | |
CN106846842A (zh) | 基于多时段控制方案的城市干道协调控制优化方法 | |
CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
CN105373909A (zh) | 一种基于仿真软件的物流配送中心选址方法 | |
Zou et al. | An effective discrete artificial bee colony algorithm for scheduling an automatic-guided-vehicle in a linear manufacturing workshop | |
CN114548861A (zh) | 基于数字孪生的仓库管理方法 | |
Du et al. | Research on multi-load AGV path planning of weaving workshop based on time priority | |
CN104077630A (zh) | 一种模拟人体细胞演化的复杂作业车间布局方法 | |
CN108932366A (zh) | 煤炭码头卸车生产仿真智能调度方法及系统 | |
CN110276488A (zh) | 一种基于分块矩阵和模糊运输时间的车辆路径优化方法 | |
CN112801484B (zh) | 一种考虑配料误差的物料配送调度方法和系统 | |
Yin et al. | Scheduling quay cranes and shuttle vehicles simultaneously with limited apron buffer capacity | |
JP4377792B2 (ja) | 配車計画作成装置、配車計画作成方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
CN108959782B (zh) | 一种智能车间的布局优化方法、装置及设备 | |
CN112084580B (zh) | 基于回归分析和满意度函数法的agv系统优化配置方法 | |
CN106094751A (zh) | 一种原料的调度方法及装置 | |
Yuan et al. | Quantum behaved particle swarm optimization of inbound process in an automated warehouse | |
CN105139161B (zh) | 一种基于Petri网的虚拟企业建模与调度方法 | |
Burkard et al. | Vehicle routing in an automated warehouse: Analysis and optimization |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190524 Termination date: 20210709 |
|
CF01 | Termination of patent right due to non-payment of annual fee |