CN110378579A - 用于汽车涂装车间的按色分批方法 - Google Patents

Abstract

本发明公开了一种用于汽车涂装车间的按色分批方法，其主要思想为保持序列中白车身的物理位置不变，在不改变序列中原始订单需求的约束下，在同类型车身之间调整颜色属性，目标是使得序列中喷涂颜色的切换次数最少。本发明包含的基于蚁群优化的启发式算法和滚动求解方法可以快速有效求解不同规模的按色分批问题，显著降低原始序列中的颜色切换次数。另外，本发明提供的按色分批方法无需采用自动存取系统或线性缓冲区等硬件设施，而是通过在同类型白车身之间进行订单调整来实现按色分批，因而不仅可以节约车间占地面积，而且能够免去高昂的设备设施构建和运营成本。

Description

用于汽车涂装车间的按色分批方法

技术领域

本发明属于混合型装配线生产计划与调度领域，特别涉及一种汽车涂装车间的按色分批方法。

背景技术

混合型装配线是一种在一条流水线上同时加工不同类型产品混合排列的柔性生产系统。在汽车装配厂中，混合型装配线上的车辆依次经过车身、涂装、和总装三个车间完成加工装配。这三个车间对于产品投产序列具有不同的偏好和要求。对于涂装车间，如果相邻两辆车所需颜色不同，在喷涂后一辆车之前则需要将喷枪清洗干净并换上指定颜色的面漆。这个过程会增加水和涂料的消耗用量，并导致生产节拍的增加。因此，涂装车间对于投产序列的要求是尽量减少产品序列中的颜色切换次数(即将车辆按颜色分批)。然而，混合型装配线通常采用的两个排序目标(最小化工作负荷过载或物料消耗平准化)中并未考虑涂装车间的需求。因此在实际中常常需要在进入涂装车间前对白车身序列进行调整，以实现车辆按色分批。

在生产实践中，通常采用的按色分批方法是将白车身与其对应的客户订单绑定，借助于自动存取系统、线性缓冲区等设备设施实现白车身在序列中物理位置的调整。另一种方法是保持序列中白车身位置不变，仅调整车身对应订单的颜色属性。与前者相比，该方法不需要借助于自动存取系统或线性缓冲区等硬件设施，因而能够节约车间占地面积以及高昂的设备设施建设运营成本。

发明内容

发明目的：本发明提供了一种汽车涂装车间的按色分批方法，解决了在涂装车间前无需借助硬件设施实现对白车身序列进行调整的问题。

技术方案：本发明所提供的用于汽车涂装车间的按色分批方法，采用基于蚁群优化的启发式算法和针对大规模按色分批问题的滚动求解方法。保持序列中白车身的物理位置不变，在不改变序列中原始订单需求的约束下，在同类型车身之间调整颜色属性以减少序列中喷涂颜色的切换次数。

发明分为两个部分：一种基于蚁群优化的启发式算法和一种针对大规模按色分批问题的滚动求解方法。

所述基于蚁群优化的启发式算法包括以下步骤：

(1)获取车辆序列信息；

(2)初始化蚁群优化算法的参数；

(3)蚂蚁为白车身分配颜色；

(4)局部信息素更新；

(5)判断是否对所有白车身完成颜色分配，如果尚未完成，返回步骤(3)；

(6)评价本次迭代的最优解，视情况更新全局最优解；

(7)全局信息素更新；

(8)判断是否达到最大迭代次数，如果是，则输出全局最优解，否则返回步骤(3)。

其中，步骤(1)中获取的车辆序列信息具体包括以下步骤：

(1-1)车辆的数量S；

(1-2)车身类型集合J，用j表示其中元素；

(1-3)订单的颜色集合I，用i表示其中元素；

(1-4)序列的车身类型排列信息，用y_js表示，如果序列中第s辆车的车身类型为j，y_js取值为1，否则为0；

(1-5)序列的订单信息，用d_ij表示车身类型为j颜色为i的车辆订单数。

步骤(2)中参数包括：

(2-1)最大迭代次数t_max；

(2-2)迭代计数t，在初始时刻t＝1；

(2-3)蚂蚁的数量K；

(2-4)颜色u和v之间的信息素累计值τ_uv，在初始时刻令τ_uv＝τ₀；

(2-5)取值在[0,1]之间的参数q₀；

(2-6)信息素值局部挥发比例参数ρ_l(0<ρ_l<1)；

(2-7)信息素值全局挥发比例参数ρ_g(0<ρ_g<1)；

(2-8)需要分配颜色的白车身在序列中的位置s，在初始时刻s＝1。

步骤(3)中，在蚂蚁为白车身分配颜色时不能违反订单需求，即假设当前第s辆白车身的车型为j(即y_js＝1)，蚂蚁k(k＝1,2,…,K)选择的颜色v必须满足d_vj>0。将所有满足该条件的颜色v用集合表示；

根据s取值，蚂蚁进行颜色分配时有两种情况：

(3-1)如果s＝1，蚂蚁k从中随机挑选一个颜色；

(3-2)如果s>1，首先计算所有可以被选择的颜色与上一辆白车身的颜色u之间的综合启发式信息强度H_uv：

其中，add_v表示将颜色v排在颜色u后面造成的新增颜色切换次数，当颜色u和v不同时，add_v取值为1，反之为0；pot_v是指从当前位置开始能连续为后续白车身分配颜色v的最大数量；α,β,和γ表示信息素τ_uv和两种可见性指标add_v及pot_v的相对重要性；

蚂蚁k在其路径搜索过程中选择下一个颜色v时所遵循的选择规则公式为：

其中q是在[0,1]之间服从均匀分布的随机数，q₀是位于[0,1]之间的参数，V是根据概率选择的随机变量。

步骤(4)中，当所有蚂蚁为序列中第s辆白车身完成颜色分配后并移动到下一辆白车身时，s增加1；并且每只蚂蚁所经过路径上每一对相邻颜色u和v之间的信息素发生局部更新，依据的公式为：

τ_uv＝(1-ρl)τ_uv+ρ_lτ₀

其中ρ_l表示信息素的局部挥发比例；τ₀是信息素的初始值。

步骤(5)中，当s<S时，循环步骤(3)和(4)，直到蚂蚁为所有的白车身完成颜色分配。

步骤(6)中，如果本次迭代的最优解比目前找到的最优解Seq^*更好，将本次迭代的最优解更新为Seq^*，否则保持Seq^*不变。

步骤(7)中，Seq^*序列中每对相邻两种颜色u和v之间的信息素值发生更新：

τ_uv＝(1-ρ_g)τ_uv+ρ_gΔτ_uv

其中ρ_g表示信息素的全局挥发比例；Δτ_uv的计算公式为Δτ_uv＝1/CC^*，其中CC^*为Seq^*序列中的颜色切换次数。

步骤(8)中，如果迭代计数t已经到最大迭代次数t_max，则输出Seq^*；否则将s置为1，将t增加1，回到步骤(3)，进行新一轮迭代。

所述针对大规模按色分批问题的滚动求解方法包括以下步骤：

(a)获取原始序列中车辆数T；

(b)初始化规划周期h；

(c)对序列中未确定颜色的前h辆白车身，使用蚁群算法求解，并为序列前端x辆颜色相同的车辆确定喷涂颜色；

(d)重复步骤(c)，直到原始序列的全部白车身已确定喷涂颜色。

其中，在步骤(c)中，对蚁群算法增加两个修改：

(c-1)如果当前规划周期内第一辆白车身的候选集中存在前一个规划周期内最后一辆车所分配的颜色，则默认将该颜色分配给这辆白车身；

(c-2)如果一次迭代中有多个目标值相同的解，则选择第一个颜色区块最长的颜色序列为本次迭代的最优解。

有益效果：1、本发明提供的适用于汽车涂装车间的按色分批方法无需采用自动存取系统或线性缓冲区等硬件设施，而是通过在同类型白车身之间进行订单调整来实现按色分批，即在保持白车身序列和车辆订单需求不变的约束下，在同类型白车身之间重新分配颜色属性，目标是使得序列中的颜色切换次数最少。该方法不仅可以节约车间占地面积，而且能够免去高昂的设备设施构建和运营成本；2、对于中小规模问题，发明提供的蚁群优化算法可以快速获得良好的按色分批方案，显著降低原始序列中的颜色切换次数。数值试验结果体现了该算法求解中小规模问题的有效性和先进性；3、针对大规模按色分批问题，发明提出了基于改进蚁群算法的滚动求解方法，可大幅减少原始序列中的颜色切换次数。数值试验结果体现了该方法求解大规模实际问题的可行性和先进性。

附图说明

图1是本发明中蚁群优化算法的流程图；

图2是本发明中针对大规模按色分批问题的滚动求解方法示意图。

具体实施方式

本发明一实施例所述的一种基于蚁群优化的启发式算法，用于在不改变白车身序列的情况下通过订单颜色的重新分配实现车辆按色分批的目标。算法的总体思路为：将序列的颜色切换次数定义为序列的长度，为该问题寻求最优解则等同于寻找长度最短的颜色序列。求解过程中，一定数量的人工蚂蚁分别从前往后依次访问原始车辆序列中的每一个白车身，同时在每一站为当前位置的白车身分配颜色。访问结束后，这些蚂蚁沿途所构建的颜色序列就是车辆序列的喷涂方案。算法的流程如图1所示，其具体实施步骤如下：

步骤一、获取车辆序列信息，包括：

(1)车辆的数量S；

(2)车身类型集合J，用j表示其中元素；

(3)订单的颜色集合I，用i表示其中元素；

(4)序列的车身类型排列信息，用y_js表示，如果序列中第s辆车的车身类型为j，y_js取值为1，否则为0；

(5)序列的订单信息，用d_ij表示车身类型为j颜色为i的车辆订单数。

步骤二、初始化蚁群算法的相关参数，包括：

(1)最大迭代次数t_max；

(2)迭代计数t，在初始时刻t＝1；

(3)蚂蚁的数量K；

(4)颜色u和v之间的信息素累计值τ_uv，在初始时刻令τ_uv＝τ₀；

(5)取值在[0,1]之间的参数q₀；

(6)信息素值局部挥发比例参数ρ_l(0<ρ_l<1)；

(7)信息素值全局挥发比例参数ρ_g(0<ρ_g<1)；

(8)需要分配颜色的白车身在序列中的位置s，在初始时刻s＝1。

步骤三、每只蚂蚁k(k＝1,2,…,K)在不违反订单需求的情况下为序列第s辆白车身选择颜色，以此构建颜色序列。假设第s辆白车身的车型为j(y_js＝1)，蚂蚁k选择的颜色v必须满足d_vj>0。为表述方便，将所有满足该条件的颜色v用集合表示。根据s取值，蚂蚁进行颜色分配时有两种情况：

(1)如果s＝1，蚂蚁k从中随机挑选一个颜色。这是为了在算法初始时刻增加解的多样性；

(2)如果s>1，首先计算所有可以被选择的颜色与上一辆白车身的颜色u之间的综合启发式信息强度H_uv，算法中考虑了两个与待选颜色v相关的可见性指标：一个是将颜色v排在颜色u后面造成的新增颜色切换次数(add_v)；另一个是反映颜色v的潜力值(pot_v)。当颜色u和v不同时，add_v取值为1；反之为0。pot_v是指从当前位置开始能连续为后续白车身分配颜色v的最大数量。H_uv的计算公式为：

其中α,β,和γ表示信息素和两种可见性指标的相对重要性。

蚂蚁k在其路径搜索过程中选择下一个颜色v时所遵循的选择规则公式为：

其中q是在[0,1]之间服从均匀分布的随机数，V是根据概率选择的随机变量。

步骤四、当所有蚂蚁为序列中第s辆白车身完成颜色分配后并移动到下一辆白车身时，s增加1。并且每只蚂蚁所经过路径上每一对相邻颜色u和v之间的信息素发生局部更新，依据的公式为：

τ_uv＝(1-ρ_l)τ_uv+ρ_lτ₀

其中ρ_l是信息素的局部挥发比例；τ₀是信息素的初始值。信息素的局部更新是为了避免过多蚂蚁进行同样的颜色选择，也是为了鼓励后续颜色分配的多样性。

步骤五、当s<S时，循环步骤三和四，直到蚂蚁为所有的白车身完成颜色分配。

步骤六、评价本次迭代的最优解，如果比目前找到的最优解Seq^*更好(即本次迭代最优解的颜色切换次数更少)，将本次迭代的最优解更新为Seq^*。否则保持Seq^*不变。

步骤七、对于Seq^*序列中每对相邻两种颜色u和v之间的信息素值进行全局更新：

τ_uv＝(1-ρ_g)τ_uv+ρ_gΔτ_uv

其中ρ_g是信息素的全局挥发比例；Δτ_uv的计算公式为Δτ_uv＝1/CC^*，其中CC^*为Seq^*序列中的颜色切换次数。全局信息素更新的目的是强化目前最优序列沿途的信息素。

步骤八、判断迭代计数t是否达到最大迭代次数t_max，如果已达到，则输出全局最优解Seq^*。否则将s置为1，将迭代计数t增加1，回到步骤三，进行新一轮迭代。

实施例：

本发明采用Microsoft Visual Studio中的C++语言编制可执行的程序，其效果通过一组数值试验进行说明。示例中序列参数包括车辆数(S)、车身类型数、和颜色数。每个参数组合下40个随机生成的原始序列经过本发明的算法求解前后的平均结果(即颜色切换次数)如表1所示。结果表明，发明提出的蚁群优化算法可在较短时间内显著降低原始序列中的颜色切换次数，具有良好的按色分批效果。

表1蚁群算法的求解效果

另外，本发明还提供了一种针对大规模按色分批问题的滚动求解方法。该方法的思路是将大规模问题分解为一系列小的子问题，然后分别对这些子问题依次采用本发明中提出的蚁群算法进行求解。结合图2具体介绍滚动求解的实施步骤：

步骤一、获取原始序列中车辆数T，此处T可以取一个汽车装配厂在一天或一个班次内的产出；

步骤二、初始化规划周期h(即每次求解的车辆数)。在实际生产中，一次按色分批问题求解的车辆数h取决于车身和涂装车间之间的可利用面积。一般而言，h远小于T。

步骤三、对序列中未确定颜色的前h辆白车身，使用发明第一部分提出的蚁群算法求解，并为序列前端x辆颜色相同的车确定喷涂颜色。

步骤四、重复步骤三，直到原始序列的全部白车身已确定喷涂颜色。

如图2所示，在这种方法中，每次都对规划周期内的所有车辆进行求解，但是只有排在最前面的x辆同色白车身的颜色被最终确定下来。剩余的h–x辆车身加上原始序列中后续的x辆车身组合成为下一个规划周期的考虑对象。需要指出的是，此处x的值取决于每个小规模子问题的求解，因此是个变量。

考虑到车辆序列的整体连续性，在应用本发明提出的蚁群算法时需加入两个修改：

1)如果当前规划周期内第一辆白车身的候选集中存在前一个规划周期内最后一辆车所分配的颜色，则默认将该颜色分配给这辆白车身；

2)如果一次迭代中有多个目标值相同的解，则选择第一个颜色区块最长(即第一次发生颜色切换的位置最靠后)的颜色序列为本次迭代的最优解。

实施例：

下面用一组数值试验说明滚动求解的效果，不失一般性，假设原始序列有500辆车，考虑车身类型数和颜色数量均有两个水平。每一个参数组合下包括20个随机生成的算例。采用Microsoft Visual Studio中的C++语言编制可执行的程序，使用修改的蚁群算法对这些算例进行滚动求解，对于每一个子问题使用的规划周期h为30。表2列出了滚动求解前后的平均颜色切换次数。结果表明滚动求解使得序列中的颜色切换次数下降了48.3-67.0％，具有良好的按色分批效果。

表2滚动求解的实施效果

Claims (10)

1.一种用于汽车涂装车间的按色分批方法，其特征在于：采用基于蚁群优化的启发式算法和针对大规模按色分批问题的滚动求解方法。

2.根据权利要求1所述的用于汽车涂装车间的按色分批方法，其特征在于，所述基于蚁群优化的启发式算法包括以下步骤：

(1)获取车辆序列信息；

(2)初始化蚁群优化算法的参数；

(3)蚂蚁为白车身分配颜色；

(4)局部信息素更新；

(5)判断是否对所有白车身完成颜色分配，如果尚未完成，返回步骤(3)；

(6)评价本次迭代的最优解，视情况更新全局最优解；

(7)全局信息素更新；

(8)判断是否达到最大迭代次数，如果是，则输出全局最优解，否则返回步骤(3)。

3.根据权利要求2所述的用于汽车涂装车间的按色分批方法，其特征在于，步骤(1)中获取的车辆序列信息具体包括以下步骤：

(1-1)车辆的数量S；

(1-2)车身类型集合J，用j表示其中元素；

(1-3)订单的颜色集合I，用i表示其中元素；

(1-4)序列的车身类型排列信息，用y_js表示，如果序列中第s辆车的车身类型为j，y_js取值为1，否则为0；

(1-5)序列的订单信息，用d_ij表示车身类型为j颜色为i的车辆订单数。

4.根据权利要求2所述的用于汽车涂装车间的按色分批方法，其特征在于，步骤(2)中参数包括：

(2-1)最大迭代次数t_max；

(2-2)迭代计数t，在初始时刻t＝1；

(2-3)蚂蚁的数量K；

(2-4)颜色u和v之间的信息素累计值τ_uv，在初始时刻令τ_uv＝τ₀；

(2-5)取值在[0,1]之间的参数q₀；

(2-6)信息素值局部挥发比例参数ρ_l(0<ρ_l<1)；

(2-7)信息素值全局挥发比例参数ρ_g(0<ρ_g<1)；

(2-8)需要分配颜色的白车身在序列中的位置s，在初始时刻s＝1。

5.根据权利要求2所述的用于汽车涂装车间的按色分批方法，其特征在于：步骤(3)中，在蚂蚁为白车身分配颜色时不能违反订单需求，即假设当前第s辆白车身的车型为j(即y_js＝1)，蚂蚁k(k＝1，2，...，K)选择的颜色v必须满足d_vj＞0；将所有满足该条件的颜色v用集合表示；

根据s取值，蚂蚁进行颜色分配时有两种情况：

(3-1)如果s＝1，蚂蚁k从中随机挑选一个颜色；

(3-2)如果s＞1，首先计算所有可以被选择的颜色与上一辆白车身的颜色u之间的综合启发式信息强度H_uv：

其中，add_v表示将颜色v排在颜色u后面造成的新增颜色切换次数，当颜色u和v不同时，add_v取值为1，反之为0；pot_v是指从当前位置开始能连续为后续白车身分配颜色v的最大数量；α，β，和γ表示信息素τ_uv和两种可见性指标qdd_v及pot_v的相对重要性；

蚂蚁k在其路径搜索过程中选择下一个颜色v时所遵循的选择规则公式为：

其中q是在[0，1]之间服从均匀分布的随机数，q₀是位于[0，1]之间的参数，V是根据概率选择的随机变量。

6.根据权利要求2所述的用于汽车涂装车间的按色分批方法，其特征在于：步骤(4)中，当所有蚂蚁为序列中第s辆白车身完成颜色分配后并移动到下一辆白车身时，s增加1；并且每只蚂蚁所经过路径上每一对相邻颜色u和v之间的信息素发生局部更新，依据的公式为：

τ_uv＝(1-ρ_l)τ_uv+P_lτ₀

其中ρ_l表示信息素的局部挥发比例；τ₀是信息素的初始值。

7.根据权利要求2所述的用于汽车涂装车间的按色分批方法，其特征在于：步骤(6)中，如果本次迭代的最优解比目前找到的最优解Seq^*更好，将本次迭代的最优解更新为Seq^*，否则保持Seq^*不变。

8.根据权利要求2所述的用于汽车涂装车间的按色分批方法，其特征在于：步骤(7)中，Seq^*序列中每对相邻两种颜色u和v之间的信息素值发生更新：

τ_uv＝(1-ρ_g)τ_uv+ρ_g△τ_uv

其中ρ_g表示信息素的全局挥发比例；Δτ_uv的计算公式为Δτ_uv＝1/CC^*，其中CC^*为Seq^*序列中的颜色切换次数。

9.根据权利要求1所述的用于汽车涂装车间的按色分批方法，其特征在于，所述针对大规模按色分批问题的滚动求解方法包括以下步骤：

(a)获取原始序列中车辆数T；

(b)初始化规划周期h；

(c)对序列中未确定颜色的前h辆白车身，使用蚁群算法求解，并为序列前端x辆颜色相同的车辆确定喷涂颜色；

(d)重复步骤(c)，直到原始序列的全部白车身已确定喷涂颜色。

10.根据权利要求9所述的用于汽车涂装车间的按色分批方法，其特征在于，在步骤(c)中，对蚁群算法增加两个修改：

(c-1)如果当前规划周期内第一辆白车身的候选集中存在前一个规划周期内最后一辆车所分配的颜色，则默认将该颜色分配给这辆白车身；

(c-2)如果一次迭代中有多个目标值相同的解，则选择第一个颜色区块最长的颜色序列为本次迭代的最优解。