CN109740817B - 基于改进人工蜂群算法的车间设施布局优化方法 - Google Patents
基于改进人工蜂群算法的车间设施布局优化方法 Download PDFInfo
- Publication number
- CN109740817B CN109740817B CN201811653309.5A CN201811653309A CN109740817B CN 109740817 B CN109740817 B CN 109740817B CN 201811653309 A CN201811653309 A CN 201811653309A CN 109740817 B CN109740817 B CN 109740817B
- Authority
- CN
- China
- Prior art keywords
- food source
- population
- workshop
- units
- colony algorithm
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工蜂群算法的车间设施布局优化方法，该优化方法以车间内单元间总物流矩为优化目标，建立数学模型和约束条件；对基本人工蜂群算法进行离散化处理，采用基于随机搜索的局部搜索方法，并融合次序交叉操作和锦标赛选择机制。通过仿真实验证明，本发明的优化方法能够在较短时间内得到全局最优解，减少了加工单元之间的搬运费用，从而实现对车间设施布局的最优化设计。
Description
技术领域
本发明涉及车间设施布局技术，具体涉及一种基于改进人工蜂群算法的车间设施布局优化方法。
背景技术
车间设施布局优化是指在已经确定的车间内部空间约束条件下，将生产系统内所使用的各种资源包括：人、机、法、料、环、测进行合理地组织和布置，以到某种设计指标的最优化。车间设施布局优化问题本质上是一种组合优化问题，一般属于NP难问题，一般的数学手段并不能够得到好的求解效果。
人工蜂群优化算法是一种群智能优化算法，其本质为模拟蜜蜂群体寻找优良食物源的仿生智能计算方法。该算法具有初始控制参数少、收敛速度和精度较高等优点。但设计之初是应用于解决多维多模态优化问题，而非求解组合优化问题。
因此，如何对算法进行改进以适应车间设施布局优化问题的求解是目前较大的技术难点。
发明内容
本发明的目的在于提供一种基于改进人工蜂群算法的车间设施布局优化方法，该方法对基本人工蜂群算法进行离散化处理，采用基于随机搜索的局部搜索方法，并融合次序交叉操作和锦标赛选择机制，进而实现对车间设施布局的最优化设计。
实现本发明目的的技术方案为：一种基于改进人工蜂群算法的车间设施布局优化方法，包括以下步骤：
步骤1，车间设施布局优化问题本质为组合优化问题，对人工蜂群算法离散化处理，采用序号编码方式进行编码，并将加工单元均简化为矩形，建立目标函数的数学模型，确定其约束条件；
步骤2，初始化种群阶段：设定种群控制参数，包括种群数目SN、交叉概率pc以及阈值Limit，应用随机方法产生初始化的种群，将种群中的最优解存储至外部集合；
步骤3，采蜜蜂阶段：采蜜蜂对种群中的每一个食物源进行局部搜索，对新食物源和原有食物源进行比较，优质的食物源将会被保留，更新外部集合；
步骤4，观察蜂阶段：观察蜂采用锦标赛机制选择一个食物源，判断是否进行交叉操作，如果进行交叉操作，则将种群内一个食物源与锦标赛机制产生的食物源进行交叉操作，保留优质的食物源，如果不进行交叉操作，则观察蜂对锦标赛机制产生的食物源进行局部搜索，保留优质食物源，重复以上操作SN次，更新外部集合；
步骤5，侦查蜂阶段：判断每个食物源是否大于阈值Limit，如果大于阈值Limit，则随机产生一个食物源，更新外部集合；
步骤6，判断是否满足停止准则，如满足，则导出外部集合，否则，转到步骤3。
与现有技术相比，本发明的显著优点为：本发明设计了一种基于人工蜂群算法的车间设施布局优化方法，对基本人工蜂群算法进行离散化处理，采用基于随机搜索的局部搜索方法，并融合次序交叉操作和锦标赛选择机制；通过仿真实验证明，改进算法能够在较短时间内得到全局最优解，减少了加工单元之间的搬运费用，从而实现对车间设施布局的最优化设计。
附图说明
图1为本发明的改进人工蜂群算法流程图。
图2为本发明的基于随机搜索的局部搜索方法示意图。
图3为本发明的次序交叉方法示意图。
图4为本发明实施例的优化后的某机加车间设施布局图。
图5为本发明实施例的算法运行迭代曲线图。
具体实施方式
本发明的一种基于改进人工蜂群算法的车间设施布局优化方法，其步骤为：
步骤1：车间设施布局优化问题本质为组合优化问题，对人工蜂群算法离散化处理，采用序号编码方式进行编码，并将加工单元均简化为矩形，建立目标函数的数学模型，确定其约束条件；
步骤2：初始化种群阶段：设定种群控制参数，包括种群数目SN、交叉概率pc以及阈值Limit，应用随机方法产生初始化的种群，将种群中的最优解存储至外部集合(外部集合用于存储最优解)；
步骤3：采蜜蜂阶段：采蜜蜂对种群中的每一个食物源进行局部搜索，对新食物源和原有食物源进行比较，优质的食物源将会被保留，更新外部集合；
步骤4：观察蜂阶段：观察蜂采用锦标赛机制选择一个食物源，判断是否进行交叉操作，如果进行交叉操作，则将种群内一个食物源与锦标赛机制产生的食物源进行交叉操作，保留优质的食物源，如果不进行交叉操作，则观察蜂对锦标赛机制产生的食物源进行局部搜索，保留优质食物源，重复以上操作SN次，更新外部集合；
步骤5：侦查蜂阶段：判断每个食物源是否大于阈值Limit，如果大于阈值Limit，则随机产生一个食物源，更新外部集合；
步骤6：判断是否满足停止准则，如满足，则导出外部集合，否则，转到步骤3。改进人工蜂群算法流程图如图1所示。
进一步的，步骤1中，改进算法采用的序号编码方式为：
{(ms(1),ms(2),…ms(M)),(Δs(1),Δs(2),…,Δs(n))}
其中，上式各项所表达的含义如下：ms(j)表示第j个位置的加工单元；ms(1),ms(2),…ms(M)为加工单元m1,m2,…mM的一个全排列；Δs(j)表示加工单元ms(j)和ms(j-1)之间的净距离。
进一步的，步骤1中，优化目标是车间内单元间物流搬运总费用最小。工程中一般采用物流矩的方法表示单元间物流搬运费用，每两个加工单元间的物流矩由单元间物流量、单位距离单位物流量搬运费用以及两单元之间距离，这三者的乘积组成。该目标函数的数学模型如下：
其中，W表示车间内单元间的总物流矩；N表示车间加工零件类型的总数量；M表示车间单元总数量；i，j，k均为整数，且满足j≠k，1≤j,k≤M；
表示零件i在加工单元j与k之间的物流量，一般用重量或体积表示；Dj,k表示加工单元j与k之间的距离，对于单行布局问题Dj,k＝|xj-xk|，xj和xk分别表示加工单元j和k中心的x轴坐标，对于多行布局问题Dj,k＝|xj-xk|+|yj-yk|，xj和yj分别表示加工单元j中心的x轴坐标和y轴坐标，
表示零件i在加工单元j与k之间单位距离上单位物流量的搬运费用。
进一步的，步骤1中，数学模型的约束条件包括行(x)方向约束和列(y)方向约束。行方向约束：(1)某个加工单位仅能在某一行中布置，且仅能出现一次；(2)同一行内确保两相邻加工单元间不存在干涉和重叠，也就是相邻加工单元间最小间距约束。列方向约束：(1)同一行内各加工单元y坐标相同；(2)保证设备在y方向上不出现干涉与重叠，相邻行之间最小间距约束。
进一步的，步骤3中，局部搜索采用基于随机搜索的局部搜索方法，具体如图2所示。该方法计算步骤为：
(1)在初始解的编码内选择3个位置，并生成3个位置排序的所有局部解；
(2)在生成的所有局部解中选择最优的局部解。
进一步的，步骤4中，锦标赛选择机制是从种群中选择n个解相比较，将优质的解与需要交叉的解进行交叉操作。
进一步的，步骤4中，交叉操作采用次序交叉方法，具体如图3所示。该方法操作步骤为：
(1)从种群中随机选择两个个体，并随机生成交叉点；
(2)子代个体1复制父代个体1交叉点左侧的编码；
(3)删除父代个体2中已被父代个体1包含的编码；
(4)按照从左到右的顺序将父代个体2中剩余的编码复制到子代个体1交叉点右侧区域，产生子代个体1；
(5)重复相同的步骤生成子代个体2。
下面结合实施例和附图对本发明作进一步说明。
实施例
某机械制造企业需要对机加车间进行设施布局设计。加工零件有15种，加工单元有8个，8个单元分别进行8个不同的加工工序，8个工序分别用A至H表示。为了满足车间加工零件产量的需求，需要计算出各个加工单元内设备的数量。在单元内加工设备确定后，单元所占的面积大小也就可以确定。该机加车间可以简化为单行设备布局问题，各个加工单元的宽度方向也是一致的，因此长度方向的物流运输距离就可以表示零件加工的物流运输距离。在该机加车间布局设计过程中，加工单元之间的物流量以及单元距离单元物流量费用，按照单位值进行计算，加工单元之间的净距离是固定值。各个加工单元长度方向数值在表1给出，零件加工工艺流程在表2给出。
表1各个加工单元之间的长度方向距离
| 加工单元 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 长度方向距离/mm | 8801 | 13142 | 2000 | 5200 | 7400 | 4928 | 6839 | 1684 |
表2零件加工艺流程
在对物流量和物流运输距离进行计算时，加工开始前从物料库运输至各个加工单元和加工完成后从加工单元运输至成品库，这两部分也是重要的组成部分，必须要考虑在内。根据物料库大小和摆放位置，物料库距离第一个加工单元的起始距离为2284mm，单元之间间隔距离为1000mm。在初始条件确定后，算法的所有代码在MATLAB R2012a平台进行编写，其中参数设置为种群数目100，最大迭代次数100，阈值15，交叉概率0.8。程序运行结束后，得到该机加车间的设施布局，布局具体如图4所示，算法运行的迭代曲线如图5所示。对程序重复运行10次，得到的布局结果均相同，且运行时间均小于1s，证明改进人工蜂群算法能够在较短时间内得到理想的优化效果。
Claims (5)
1.一种基于改进人工蜂群算法的车间设施布局优化方法，其特征在于，包括以下步骤：
步骤1，车间设施布局优化问题本质为组合优化问题，对人工蜂群算法离散化处理，采用序号编码方式进行编码，并将加工单元均简化为矩形，建立目标函数的数学模型，确定其约束条件；优化目标是车间内单元间物流搬运总费用最小，采用物流矩的方法表示单元间物流搬运费用，每两个加工单元间的物流矩由单元间物流量、单位距离单位物流量搬运费用以及两单元之间距离，这三者的乘积组成，目标函数的数学模型如下：
其中，W为车间内单元间的总物流矩；N为车间加工零件类型的总数量；M为车间单元总数量；i，j，k均为整数，且满足j≠k，1≤j,k≤M；
为零件i在加工单元j与k之间的物流量；Dj,k为加工单元j与k之间的距离，对于单行布局问题Dj,k＝|xj-xk|，xj和xk分别为加工单元j和k中心的x轴坐标，对于多行布局问题Dj,k＝|xj-xk|+|yj-yk|，xj和yj分别为加工单元j中心的x轴坐标和y轴坐标，
为零件i在加工单元j与k之间单位距离上单位物流量的搬运费用；
步骤2，初始化种群阶段：设定种群控制参数，包括种群数目SN、交叉概率pc以及阈值Limit，应用随机方法产生初始化的种群，将种群中的最优解存储至外部集合；
步骤3，采蜜蜂阶段：采蜜蜂对种群中的每一个食物源进行局部搜索，对新食物源和原有食物源进行比较，优质的食物源将会被保留，更新外部集合；
步骤4，观察蜂阶段：观察蜂采用锦标赛机制选择一个食物源，判断是否进行交叉操作，如果进行交叉操作，则将种群内一个食物源与锦标赛机制产生的食物源进行交叉操作，保留优质的食物源，如果不进行交叉操作，则观察蜂对锦标赛机制产生的食物源进行局部搜索，保留优质食物源，重复以上操作SN次，更新外部集合；交叉操作采用次序交叉方法，该方法操作步骤为：
(1)从种群中随机选择两个个体，并随机生成交叉点；
(2)子代个体1复制父代个体1交叉点左侧的编码；
(3)删除父代个体2中已被父代个体1包含的编码；
(4)按照从左到右的顺序将父代个体2中剩余的编码复制到子代个体1交叉点右侧区域，产生子代个体1；
(5)重复相同的步骤生成子代个体2；
步骤5，侦查蜂阶段：判断每个食物源是否大于阈值Limit，如果大于阈值Limit，则随机产生一个食物源，更新外部集合；
步骤6，判断是否满足停止准则，如满足，则导出外部集合，否则，转到步骤3。
2.根据权利要求1所述的基于改进人工蜂群算法的车间设施布局优化方法，其特征在于，所述步骤1中，采用的序号编码方式为：
{(ms(1),ms(2),…ms(M)),(Δs(1),Δs(2),…,Δs(n))}
其中，ms(j)为第j个位置的加工单元；ms(1),ms(2),…ms(M)为加工单元m1,m2,…mM的一个全排列；Δs(j)为加工单元ms(j)和ms(j-1)之间的净距离。
3.根据权利要求1所述的基于改进人工蜂群算法的车间设施布局优化方法，其特征在于，所述步骤1中，数学模型的约束条件包括行方向约束和列方向约束；行方向约束：(1)某个加工单位仅能在某一行中布置，且仅能出现一次；(2)同一行内确保两相邻加工单元间不存在干涉和重叠，也就是相邻加工单元间最小间距约束；列方向约束：(1)同一行内各加工单元y坐标相同；(2)保证设备在y方向上不出现干涉与重叠，相邻行之间最小间距约束。
4.根据权利要求1所述的基于改进人工蜂群算法的车间设施布局优化方法，其特征在于，所述步骤3中，局部搜索采用基于随机搜索的局部搜索方法，该方法计算步骤为：
(1)在初始解的编码内选择3个位置，并生成3个位置排序的所有局部解；
(2)在生成的所有局部解中选择最优的局部解。
5.根据权利要求1所述的基于改进人工蜂群算法的车间设施布局优化方法，其特征在于，所述步骤4中，锦标赛选择机制是从种群中选择n个解相比较，将优质的解与需要交叉的解进行交叉操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811653309.5A CN109740817B (zh) | 2018-12-30 | 2018-12-30 | 基于改进人工蜂群算法的车间设施布局优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811653309.5A CN109740817B (zh) | 2018-12-30 | 2018-12-30 | 基于改进人工蜂群算法的车间设施布局优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109740817A CN109740817A (zh) | 2019-05-10 |
| CN109740817B true CN109740817B (zh) | 2020-07-31 |
Family
ID=66363011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811653309.5A Active CN109740817B (zh) | 2018-12-30 | 2018-12-30 | 基于改进人工蜂群算法的车间设施布局优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109740817B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570018B (zh) * | 2019-08-13 | 2020-09-08 | 广东工业大学 | 一种定制生产车间的规划设计方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102411306B (zh) * | 2011-11-17 | 2014-12-17 | 浙江工业大学 | 一种基于蜂社会自组织模型的混流装配生产调度控制方法 |
| CN103544547B (zh) * | 2013-11-02 | 2016-08-17 | 南京航空航天大学 | 一种基于离散化全局分布搜索的可信服务组合方法 |
| CN105629735B (zh) * | 2016-02-22 | 2018-12-07 | 南京航空航天大学 | 一种航空发动机在线自适应最优pid控制器设计方法 |
-
2018
- 2018-12-30 CN CN201811653309.5A patent/CN109740817B/zh active Active
Non-Patent Citations (1)
| Title |
|---|
| "A Bee Colony Optimization Algorithm to Job Shop Scheduling";Chin Soon Chong 等;《Proceedings of the 2006 Winter Simulation Conference》;20061206;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109740817A (zh) | 2019-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107862411B (zh) | 一种大规模柔性作业车间调度优化方法 | |
| CN107784380B (zh) | 一种巡检最短路径的优化方法及优化系统 | |
| CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
| WO2016169286A1 (zh) | 一种离散制造系统的车间布局方法 | |
| CN109460859B (zh) | 一种车间布局优化方法 | |
| Pérez et al. | Analysis of new niching genetic algorithms for finding multiple solutions in the job shop scheduling | |
| CN110082136B (zh) | 基于云遗传算法优化支持向量机的旋转机械故障诊断方法 | |
| CN110163409B (zh) | 一种应用于置换流水车间的卷积神经网络调度方法 | |
| CN112084632B (zh) | 一种结合人机工程的五金数字生产线布局优化方法 | |
| CN113601306B (zh) | 基于一维分割网络的充电设施箱体焊缝打磨方法 | |
| CN112232545B (zh) | 基于模拟退火算法的agv任务调度方法 | |
| CN112084704A (zh) | 柔性车间的多工艺路线与布局联合优化方法 | |
| CN109740817B (zh) | 基于改进人工蜂群算法的车间设施布局优化方法 | |
| CN112987665B (zh) | 一种基于强化学习的流水车间调度方法 | |
| CN107798429B (zh) | 一种基于协同昂贵优化算法定位供水管网污染源的方法 | |
| CN117369378A (zh) | 基于蒙特卡洛树搜索算法的混流制造车间调度方法及系统 | |
| Wang | Optimal scheduling of flow shop based on genetic algorithm | |
| Martinez-Soto et al. | Fuzzy logic controllers optimization using genetic algorithms and particle swarm optimization | |
| CN109543896B (zh) | 一种基于绝对值和函数最小化与粒子群优化的车间设备双行布局方法 | |
| CN110674931A (zh) | 一种基于权重重要性的全连接神经网络优化方法和装置 | |
| CN114415615B (zh) | 不确定需求下混流装配线平衡分配方法及装置 | |
| CN113792494B (zh) | 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法 | |
| Ali et al. | Balancing search direction in cultural algorithm for enhanced global numerical optimization | |
| CN108717289B (zh) | 一种流水线布局优化方法 | |
| CN112766584B (zh) | 基于离散云进化算法的设备优化布局方法 |
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 |