CN110826775A - 一种用于减速器的并行拆卸序列规划方法及系统 - Google Patents

一种用于减速器的并行拆卸序列规划方法及系统 Download PDF

Info

Publication number
CN110826775A
CN110826775A CN201911010616.6A CN201911010616A CN110826775A CN 110826775 A CN110826775 A CN 110826775A CN 201911010616 A CN201911010616 A CN 201911010616A CN 110826775 A CN110826775 A CN 110826775A
Authority
CN
China
Prior art keywords
population
disassembly
particle
particles
parallel
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.)
Granted
Application number
CN201911010616.6A
Other languages
English (en)
Other versions
CN110826775B (zh
Inventor
杨艳芳
杨秒
李波
张晓澍
王奇
王锐
柏强
舒亮
李莎莎
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201911010616.6A priority Critical patent/CN110826775B/zh
Publication of CN110826775A publication Critical patent/CN110826775A/zh
Application granted granted Critical
Publication of CN110826775B publication Critical patent/CN110826775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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"
    • 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]

Landscapes

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

Abstract

本发明公开了一种用于减速器的并行拆卸序列规划方法，属于机械设备拆卸技术领域，解决了并行拆卸的计算负担较大、拆卸序列规划的全局收敛性能较差的问题。一种用于减速器的并行拆卸序列规划方法，包括以下步骤：通过建立减速器对应的拆卸Petri网，对粒子的位置、粒子的速度进行编码，构建粒子的适度值函数和种群多样性函数；获得初始化种群，将初始种群的迭代方式设定为吸引；计算出种群中各粒子的适应度，获取种群的局部最优、最差点和全局最优、最差点；更新粒子速度和位置；当种群满足迭代结束条件时，输出全局最优点；将输出的全局最优点，转化为对应的减速器并行拆卸序列。降低了拆卸序列规划的计算负担，提升了拆卸序列规划的全局收敛性能。

Description

一种用于减速器的并行拆卸序列规划方法及系统
技术领域
本发明涉及机械设备拆卸技术领域，尤其是涉及一种用于减速器的并行拆卸序列规划方法及系统。
背景技术
拆卸序列规划是按照机械设备的结构原理，特征约束关系等信息，推理出符合逻辑的拆卸序列，并依照拆卸时间、能源成本消耗等因素筛选出最优或近似最优的拆卸序列的过程，拆卸序列规划对于大重型设备、贵重设备、有毒金属设备等设备的回收、维修、报废和再制造等应用领域具有重要的意义。
依据机械设备拆卸过程的拆卸逻辑过程，拆卸可以分为串行拆卸与并行拆卸，其中串行拆卸在拆卸过程中，各个拆卸操作逐一进行，并行拆卸在操作过程中，一个或多个拆卸操作可以同时进行；复杂设备的拆卸序列规划需要更多的时间和成本等，往往需要使用并行拆卸方法，以达到提高效率和降低成本的目的。
传统的方法存在的问题包括：(1)用于描述拆卸优先约束关系的传统方法是基于矩阵的方法，这在用于零部件多、约束条件复杂的复杂设备时会导致较大的计算负担；(2)并行拆卸序列规划的编码方式效率低下，传统的方法需要使用多种且多维变量进行编码，这同样会导致计算负担；(3)传统用于拆卸序列规划的算法仍然存在全局收敛性能有待提升的现状，这会使得问题求解效率与求解质量存在一定的优化空间。
发明内容
本发明的目的在于至少克服上述一种技术不足，提出一种用于减速器的并行拆卸序列规划方法及系统。
一方面，本发明提供了一种用于减速器的并行拆卸序列规划方法，包括以下步骤：
步骤S1、建立减速器对应的拆卸Petri网DPN，对粒子的位置、粒子的速度进行编码，并构建粒子的适度值函数和种群多样性函数；
步骤S2、获取粒子的先决变迁集及初始标识集，对粒子种群进行初始化，以获得初始化种群，并将初始种群的迭代方式设定为吸引；
步骤S3、由所述粒子的适度值函数，计算出种群中各粒子的适应度，获取种群的局部最优、最差点和全局最优、最差点；
步骤S4、根据种群的迭代方式，更新粒子速度和位置；
步骤S5、根据种群多样性函数计算种群多样性指标，根据所述种群多样性指标，判断种群是否早熟，若早熟，则更变迭代方式为排斥，判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则执行步骤S3，
若未早熟，则判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则执行步骤S3；
步骤S6、将输出的全局最优点，转化为对应的减速器并行拆卸序列。
进一步地，所述拆卸Petri网DPN的元素，具体包括，库所集、变迁集、方向弧集、弧上的权重、标识集、先决变迁集、拆卸时间集、拆卸过程中能同时工作的最大工作人员数量。
进一步地，所述对粒子的位置、粒子的速度进行编码，具体包括，
以粒子位置表示减速器的拆卸序列，并以拆卸步骤引索向量来表示减速器的拆卸序列，则所述拆卸序列为
Figure BDA0002244103040000023
其中，xij的数值代表变迁tj所在的拆卸步骤，且满足xij属于正整数集N*；为所述拆卸序列中的每个元素设定更新速度，所述粒度的速度为
Figure BDA0002244103040000024
vij的数值代表并行拆卸序列中变迁tj的对应拆卸步骤xij的更变规则，vij属于实数集R。
进一步地，所述用于减速器的并行拆卸序列规划方法还包括，以粒子速度进行粒子位置更新，具体包括，将Vi取整，通过公式，
Figure BDA0002244103040000021
对所述拆卸序列的各元素进行更新，其中，ximax表示拆卸序列Xi中元素的最大值；xi′j为拆卸序列Xi中的第j维元素xij在被更新后的拆卸步骤引索。
进一步地，所述构建粒子的适度值函数，具体包括，将时间作为适度值，加入优先惩罚因子和并行度惩罚因子，构建粒子的适度值函数，
Figure BDA0002244103040000022
其中，O代表最大拆卸步骤数，且满足0<O<n；dtij指代在第i个拆卸步骤中的第 j个拆卸操作的时间消耗，δ1和δ2分别为优先约束惩罚因子和并行度惩罚因子，Pd(i)是第i个拆卸步骤中违反拆卸优先性的拆卸操作数量，Pl(i)是该拆卸步骤中拆卸操作数量大于并行度的值，r为第i个拆卸步骤中的拆卸操作个数，1≤r<n。
进一步地，所述构建种群多样性函数，具体包括，根据搜索空间最大对角线长度、种群大小及粒子维度，构建种群多样性函数
Figure BDA0002244103040000031
其中，L是搜索空间最大对角线长度；P是种群大小；N是粒子维度；Sij是第i 个粒子的j维分量；
Figure BDA0002244103040000032
是所有粒子的j维分量均值，其中S代表每个变迁的拆卸步骤引索。
进一步地，所述对粒子种群进行初始化，以获得初始化种群，具体包括，
新建初始种群、并行拆卸序列、可拆卸变迁集以及拆卸步骤，并判断可拆卸变迁集的变迁个数是否为正，若是，则重新建立可拆卸变迁集、拆卸步骤，若否，则将并行拆卸序列转变为所述Xi，并判断粒子数是否达到初始种群目标数量，若到达，则输出初始种群IP，若未达到，则粒子数自加，然后重新进行并行拆卸序列、可拆卸变迁集及拆卸步骤的建立，直至判断粒子数达到初始种群目标数量。
进一步地，所述根据种群的迭代方式，更新粒子速度和位置，具体包括，若种群的迭代方式为吸引，则，通过公式，
Figure BDA0002244103040000033
更新粒子速度和位置，否则，通过公式
Figure BDA0002244103040000035
Figure BDA0002244103040000036
更新粒子速度和位置，其中，ω为惯性因子，c1和c2分别为局部和全局学习因子，r1和r2是均匀分布在(0,1)区间的随机数，Bid和Bgd分别是当前局部和全局最优位置，Wid和Wgd分别是局部和全局最差位置，
Figure BDA0002244103040000037
为第i个粒子第t次迭代过程中的速度，
Figure BDA0002244103040000038
为第i个粒子第t次迭代过程中的位置。
进一步地，所述用于减速器的并行拆卸序列规划方法，还包括，在判断种群是否满足迭代结束条件之前，判断种群是否脱离早熟，若是，则更变迭代方式为吸引，否则不更变迭代方式。
另一方面，本发明还提供了一种根据上述任一技术方案所述的用于减速器的并行拆卸序列规划方法的系统，其特征在于，包括拆卸Petri网及粒子决策变量编码模块、粒子函数构建模块、种群初始化模块、种群最优及最差点获取模块、粒子速度及位置更新模块和全局最优点输出模块；
所述拆卸Petri网及粒子决策变量构建模块，用于建立减速器对应的拆卸Petri网DPN，对粒子的位置、粒子的速度进行编码；
所述粒子函数构建模块，用于构建粒子的适度值函数和种群多样性函数；
所述种群初始化模块，用于获取粒子的先决变迁集及初始标识集，对粒子种群进行初始化，以获得初始化种群，并将初始种群的迭代方式设定为吸引；
所述种群最优及最差点获取模块，用于由所述粒子的适度值函数，计算出种群中各粒子的适应度，获取种群的局部最优、最差点和全局最优、最差点；
所述粒子速度及位置更新模块，用于根据种群的迭代方式，更新粒子速度和位置；
所述全局最优点输出模块，用于根据种群多样性函数计算种群多样性指标，根据所述种群多样性指标，判断种群是否早熟，若早熟，则更变迭代方式为排斥，判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则使种群最优及最差点获取模块和粒子速度及位置更新模块执行其功能，
若未早熟，则判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则使种群最优及最差点获取模块和粒子速度及位置更新模块执行其功能；
所述全局最优点输出模块，还用于将输出的全局最优点，转化为对应的减速器并行拆卸序列。
与现有技术相比，本发明的有益效果包括：
通过建立减速器对应的拆卸Petri网DPN，对粒子的位置、粒子的速度进行编码，并构建粒子的适度值函数和种群多样性函数；获取粒子的先决变迁集及初始标识集，对粒子种群进行初始化，以获得初始化种群，并将初始种群的迭代方式设定为吸引；由所述粒子的适度值函数，计算出种群中各粒子的适应度，获取种群的局部最优、最差点和全局最优、最差点；根据种群的迭代方式，更新粒子速度和位置；当种群满足迭代结束条件时，输出全局最优点；将输出的全局最优点，转化为对应的减速器并行拆卸序列；降低了并行拆卸序列规划的计算负担，提升了并行拆卸序列规划的全局收敛性能。
附图说明
图1为本发明实施例1所述的用于减速器的并行拆卸序列规划方法的流程示意图；
图2为本发明实施例1所述的减速器爆炸图；
图3为本发明实施例1所述的拆卸Petri网DPN；
图4为本发明实施例1所述的同步器结构图；
图5为本发明实施例1所述的获得初始化种群的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例1
本发明的实施例提供了一种用于减速器的并行拆卸序列规划方法，其流程示意图，如图1所示，包括以下步骤：
步骤S1、建立减速器对应的拆卸Petri网DPN，对粒子的位置、粒子的速度进行编码，并构建粒子的适度值函数和种群多样性函数；
步骤S2、获取粒子的先决变迁集PT及初始标识集M0，对粒子种群进行初始化，以获得初始化种群，并将初始种群的迭代方式设定为吸引；
步骤S3、由所述粒子的适度值函数，计算出种群中各粒子的适应度，获取种群的局部最优、最差点和全局最优、最差点；
步骤S4、根据种群的迭代方式，更新粒子速度和位置；
步骤S5、根据种群多样性函数计算种群多样性指标，根据所述种群多样性指标，判断种群是否早熟，若早熟，则更变迭代方式为排斥，判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则执行步骤S3，
若未早熟，则判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则执行步骤S3；
步骤S6、将输出的全局最优点，转化为对应的减速器并行拆卸序列。
需要说明的是，拆卸序列规划的首要步骤是依据拆卸优先关系，进行拆卸可行性的分析，通过建立拆卸Petri网模型以描述拆卸优先关系，并对拆卸可行性进行说明，且避免了基于矩阵的方法所带来的不利影响；种群包括正常、早熟、脱离早熟三种状态。
优选的，所述拆卸Petri网DPN的元素，具体包括，库所集、变迁集、方向弧集、弧上的权重、标识集、先决变迁集、拆卸时间集、拆卸过程中能同时工作的最大工作人员数量。
一个具体实施例中，减速器爆炸图，如图2所示，针对减速器设备的结构特征及构造原理，搭建了如图3所示的拆卸Petri网DPN，该DPN＝(P,T,F,W,M,PT,TM,DOP)，其中该网络集合中各元素的具体描述分别为，
P＝{pi|i＝1,2,…,m}是库所集，其中，pi代表设备所处的状态；
T＝{tj|j＝1,2,…,n}是变迁集，其中，tj代表一个机械零件的拆卸操作，n是拆卸操作的总数量；
F＝{fj|j＝1,2,…,n}是方向弧集，其中，fj代表拆卸操作与状态之间的过渡流；
W＝{wj|j＝1,2,…,n}是弧上的权重，完成库所的过渡需要满足该库所的前集弧的权重值之和等于1，即完成同步器的所有先决变迁的发生；图3中，未标注权重值均为1，
M＝{mj|j＝1,2,…,n}是标识集，表示了拆卸变迁的状态，为各个拆卸过程的可行性分析做准备，随着拆卸的进行，M中的各个元素会发生相应变化，且满足：
Figure 1
PT＝{ptj}:T→{tj}(j＝1,2,…,n)是先决变迁集，ptj表示tj的所有先决变迁的集合，先决变迁的定义如下所述：
若变迁tj1与tj2满足
Figure BDA0002244103040000062
tj1∈T1∧tj2∈T2则称tj，即如图4所示的同步器结构图，则称tj2是tj1的先决变迁，记作tj2∈ptj1；
TM＝{tmj|j＝1,2,…,m}是拆卸时间集，其中，tmj表示变迁tj所消耗的时间；
DOP表示在并行拆卸过程中能同时工作的最大工作人员数量。
DPN变迁详情表，如表1所示，
表1
Figure BDA0002244103040000071
搭建好DPN结构图之后，进行拆卸序列规划时即可进行拆卸可行性分析，以实现对拆卸优先关系的描述，即需要满足条件，即，优先于某拆卸变迁的变迁均已发生，由此依照DPN中的标识与先决变迁集合，可以获取各个拆卸变迁的拆卸可行性；该条件也可用如下公式进行表述：
Figure BDA0002244103040000072
对拆卸序列的进行优化求解，首要任务是针对问题的决策变量进行编码，所述决策变量包括粒子的位置、粒子的速度；
优选的，所述对粒子的位置、粒子的速度进行编码，具体包括，
以粒子位置表示减速器的拆卸序列，并以拆卸步骤引索向量来表示减速器的拆卸序列，则所述拆卸序列为
Figure BDA0002244103040000073
(拆卸序列表达式)，其中，xij的数值代表变迁tj所在的拆卸步骤，且满足xij属于正整数集N*；为所述拆卸序列中的每个元素设定更新速度，所述粒度的速度为
Figure BDA0002244103040000074
vij的数值代表并行拆卸序列中变迁tj的对应拆卸步骤xij的更变规则，vij属于实数集R。
优选的，所述用于减速器的并行拆卸序列规划方法还包括，以粒子速度进行粒子位置更新，具体包括，将Vi取整，通过公式，
Figure BDA0002244103040000081
对所述拆卸序列的各元素进行更新，其中，ximax表示拆卸序列Xi中元素的最大值；xi′j为拆卸序列Xi中的第j维元素xij在被更新后的拆卸步骤引索。
在拆卸序列优化求解过程中，目标函数是最短时间，但只将时间作为适度值会最终求出不可行序列，包括优先性不可行和并行度不可行；因此将优先惩罚因子和并行度惩罚因子加入适度值函数，使粒子逃离不可行拆卸序列。
优选的，所述构建粒子的适度值函数，具体包括，将时间作为适度值，加入优先惩罚因子和并行度惩罚因子，构建粒子的适度值函数，
Figure BDA0002244103040000082
其中，O代表最大拆卸步骤数，且满足0<O<n；dtij指代在第i个拆卸步骤中的第 j个拆卸操作的时间消耗，δ1和δ2分别为优先约束惩罚因子和并行度惩罚因子，Pd(i)是第i个拆卸步骤中违反拆卸优先性的拆卸操作数量，Pl(i)是该拆卸步骤中拆卸操作数量大于并行度的值，r为第i个拆卸步骤中的拆卸操作个数，1≤r<n。
具体实施时，依据种群多样性改变其迭代模式；
优选的，所述构建种群多样性函数，具体包括，根据搜索空间最大对角线长度、种群大小及粒子维度，构建种群多样性函数
Figure BDA0002244103040000083
其中，L是搜索空间最大对角线长度；P是种群大小；N是粒子维度；Sij是第i 个粒子的j维分量；
Figure BDA0002244103040000084
所有粒子的j维分量均值，其中S代表每个变迁的拆卸步骤引索。
当DS(P)低于下阈值dslow时，表示种群较为集中，称之为发生了早熟，需改变搜寻模式为排斥，以增加种群的多样性；当DS(P)高于上阈值dshigh时，表示种群较为分散，称之为脱离了早熟，需改变迭代模式为吸引，以实现寻优；
在进行拆卸序列寻优之前，需要对粒子种群进行初始化工作；
优选的，所述对粒子种群进行初始化，以获得初始化种群，具体包括，
新建初始种群、并行拆卸序列、可拆卸变迁集以及拆卸步骤，并判断可拆卸变迁集的变迁个数是否为正，若是，则重新建立可拆卸变迁集、拆卸步骤，若否，则将并行拆卸序列转变为所述Xi，并判断粒子数是否达到初始种群目标数量，若到达，则输出初始种群IP，若未达到，则粒子数自加，然后重新进行并行拆卸序列、可拆卸变迁集及拆卸步骤的建立，直至判断粒子数达到初始种群目标数量。
一个具体实施例中，获得初始化种群的流程示意图，如图5所示，包括以下步骤：
获取粒子的先决变迁集及初始标识集；
新建初始种群
Figure BDA0002244103040000091
Figure BDA0002244103040000092
为空集，其作为容纳初始拆卸序列的集合；
新建一个并行拆卸序列
Figure BDA0002244103040000093
其可以容纳一个或多个拆卸步骤，且在各拆卸步骤中可以包括一个或多个拆卸操作；
新建可拆卸变迁集
Figure BDA0002244103040000094
其可以容纳一个或多个拆卸操作；依据PT和M，并通过公式(1)获取所有可拆卸操作，并列入RTS；
新建拆卸步骤且其可以容纳一个或多个拆卸操作；判断RTS中变迁的个数nt是否大于DOP；若是，则随机在RTS中选取1～DOP个拆卸操作逐一列入DS中；否则将RTS中所有拆卸操作逐一列入DS；DS中各变迁元素的标识值m均更变为0，将DS 列入PDS，作为拆卸序列中的下一个拆卸步骤；依据PT和M，更新可拆卸变迁集RTS；
判断nt是否为正，若是，则重新建立可拆卸变迁集及拆卸步骤，否则，依据拆卸序列表达式将PDS转变为粒子位置矩阵Xi，并列入IP；
然后，判断粒子数是否达到初始种群目标数量Ps，若是，则输出 IP＝{Xi|i＝1,2,...,Ps}，结束算法流程；否则，则粒子数Pn自加；重新进行并行拆卸序列、可拆卸变迁集及拆卸步骤的建立，直至判断粒子数达到初始种群目标数量。
在获取了初始种群后，通过基于并行拆卸序列规划的细菌趋化算法，以在高效率且高质量的条件下搜寻优化的并行拆卸序列，在拆卸序列规划过程中，各个粒子依据其自身和全局的最优/最差位置来进行迭代搜寻，令
Figure BDA0002244103040000096
为第i个粒子第t次迭代过程中的速度，
Figure BDA0002244103040000097
为第i个粒子第t次迭代过程中的位置，基于并行拆卸序列规划的细菌趋化算法如下：
Figure BDA0002244103040000098
Figure BDA0002244103040000099
Figure BDA00022441030400000910
方程(2)～(4)中，ω为惯性因子；c1和c2分别为局部和全局学习因子；r1和r2是均匀分布在(0,1)区间的随机数，Bid和Bgd分别是当前局部和全局最优位置；Wid和Wgd分别是局部和全局最差位置，此外，方程(2)～(4)中各变量的计算如下所示，
Xi±Xj＝V＝[xi1±xj1 xi2±xj2 ... xin±xjn] (5)
k×Vi＝V＝[kvi1 kvi2 ... kvin] (6)
Vi±Vj＝V＝[vi1±vj1 vi2±vj2 ... vin±vjn] (7)
优选的，所述根据种群的迭代方式，更新粒子速度和位置，具体包括，若种群的迭代方式为吸引，则，通过公式，
Figure BDA0002244103040000101
Figure BDA0002244103040000102
更新粒子速度和位置，否则，通过公式
Figure BDA0002244103040000103
Figure BDA0002244103040000104
更新粒子速度和位置，其中，ω为惯性因子，c1和c2分别为局部和全局学习因子，r1和r2是均匀分布在(0,1)区间的随机数，Bid和Bgd分别是当前局部和全局最优位置，Wid和Wgd分别是局部和全局最差位置，
Figure BDA0002244103040000105
为第i个粒子第t次迭代过程中的速度，为第i个粒子第t次迭代过程中的位置。
优选的，所述用于减速器的并行拆卸序列规划方法，在判断种群是否满足迭代结束条件之前，判断种群是否脱离早熟，若是，则更变迭代方式为吸引，否则不更变迭代方式。
一个具体实施例中，将设定初始种群大小为Ps＝50，惩罚因子δ1＝δ2＝5，惯性系数ω从0.9到0.3线性递减，全局和局部学习因子c1＝c2＝2，多样性上阈值dshigh＝0.1，多样性下阈值dslow＝0.001，并将并行度分别设定为2、3和4，为该减速器进行了拆卸序列的最优化求解；在并行度分别为2、3和4的条件(即操作工数量分别为2、3和4) 下，求得的并行拆卸序列分别为：{(48),(1,35),(5,49),(12,37),(11,4),(2),(43,10),(7),(34, 8),(33,9),(46,6),(39),(42,47),(32,3),(28,16),(30,25),(31),(26,29),(41,44),(19,27),(38,13),(45,24 ),(40,18),(21,14),(22,36),(23,15),(17,20)}，
{(35,12,48),(49,1,37),(43,11,34),(32,42,46),(5,28,16), (39,40),(14,10,13),(4,8),(30,38,25),(7,2,36),(15,17,19),(6,24,20),(9,3,31),(26,21,22),(29,27,23 ),(44,45,18)}，
{(35,1,48,12),(49,37,5),(34,6,10),(8,33,43),(9,42,32,11),(46,2,39,41),(7,3,47,40), (28,16),(25,13),(30,21,14),(23,29,4,22),(38,45,44,31),(19,36,24),(26,15,20,18),(27,17)}，其拆卸时间分别为81.5、62.1和57.3秒。
实施例2
本发明实施例提供一种根据上述任一实施例所述的用于减速器的并行拆卸序列规划方法的系统，其特征在于，包括拆卸Petri网及粒子决策变量编码模块、粒子函数构建模块、种群初始化模块、种群最优及最差点获取模块、粒子速度及位置更新模块和全局最优点输出模块；
所述拆卸Petri网及粒子决策变量构建模块，用于建立减速器对应的拆卸Petri网DPN，对粒子的位置、粒子的速度进行编码；
所述粒子函数构建模块，用于构建粒子的适度值函数和种群多样性函数；
所述种群初始化模块，用于获取粒子的先决变迁集及初始标识集，对粒子种群进行初始化，以获得初始化种群，并将初始种群的迭代方式设定为吸引；
所述种群最优及最差点获取模块，用于由所述粒子的适度值函数，计算出种群中各粒子的适应度，获取种群的局部最优、最差点和全局最优、最差点；
所述粒子速度及位置更新模块，用于根据种群的迭代方式，更新粒子速度和位置；
所述全局最优点输出模块，用于根据种群多样性函数计算种群多样性指标，根据所述种群多样性指标，判断种群是否早熟，若早熟，则更变迭代方式为排斥，判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则使种群最优及最差点获取模块和粒子速度及位置更新模块执行其功能，
若未早熟，则判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则使种群最优及最差点获取模块和粒子速度及位置更新模块执行其功能；
所述全局最优点输出模块，还用于将输出的全局最优点，转化为对应的减速器并行拆卸序列。
需要说明的是，上述实施例1和实施例2未重复描述之处可相互借鉴。
本发明公开了一种用于减速器的并行拆卸序列规划方法及系统，通过建立减速器对应的拆卸Petri网DPN，对粒子的位置、粒子的速度进行编码，并构建粒子的适度值函数和种群多样性函数；获取粒子的先决变迁集及初始标识集，对粒子种群进行初始化，以获得初始化种群，并将初始种群的迭代方式设定为吸引；由所述粒子的适度值函数，计算出种群中各粒子的适应度，获取种群的局部最优、最差点和全局最优、最差点；根据种群的迭代方式，更新粒子速度和位置；当种群满足迭代结束条件时，输出全局最优点；将输出的全局最优点，转化为对应的减速器并行拆卸序列；降低了并行拆卸序列规划的计算负担，提升了并行拆卸序列规划的全局收敛性能。
具体的，通过搭建拆卸Petri网模型，以在对拆卸过程进行建模并实现拆卸可行性分析的前提下，避免了矩阵计算；将先决变迁关系等，嵌入了拆卸Petri网，简化了部件之间约束优先关系的描述，有效的解决了搭建复杂设备的拆卸模型困难的问题；
拆卸序列求解过程中通过拆卸步骤引索向量，以简化拆卸的编码过程，从而提高序列规划过程的效率及质量；
针对并行拆卸序列规划中事件离散的特点，通过基于并行拆卸序列规划的细菌趋化算法的趋化操作，以实现序列规划过程中全局收敛性能的提升，并实现了并行拆卸序列的智能规划。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (10)

1.一种用于减速器的并行拆卸序列规划方法，其特征在于，包括以下步骤：
步骤S1、建立减速器对应的拆卸Petri网DPN，对粒子的位置、粒子的速度进行编码，并构建粒子的适度值函数和种群多样性函数；
步骤S2、获取粒子的先决变迁集及初始标识集，对粒子种群进行初始化，以获得初始化种群，并将初始种群的迭代方式设定为吸引；
步骤S3、由所述粒子的适度值函数，计算出种群中各粒子的适应度，获取种群的局部最优、最差点和全局最优、最差点；
步骤S4、根据种群的迭代方式，更新粒子速度和位置；
步骤S5、根据种群多样性函数计算种群多样性指标，根据所述种群多样性指标，判断种群是否早熟，若早熟，则更变迭代方式为排斥，判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则执行步骤S3，
若未早熟，则判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则执行步骤S3；
步骤S6、将输出的全局最优点，转化为对应的减速器并行拆卸序列。
2.根据权利要求1所述的用于减速器的并行拆卸序列规划方法，其特征在于，所述拆卸Petri网DPN的元素，具体包括，库所集、变迁集、方向弧集、弧上的权重、标识集、先决变迁集、拆卸时间集、拆卸过程中能同时工作的最大工作人员数量。
3.根据权利要求1所述的用于减速器的并行拆卸序列规划方法，其特征在于，所述对粒子的位置、粒子的速度进行编码，具体包括，
以粒子位置表示减速器的拆卸序列，并以拆卸步骤引索向量来表示减速器的拆卸序列，则所述拆卸序列为其中，xij的数值代表变迁tj所在的拆卸步骤，且满足xij属于正整数集N；为所述拆卸序列中的每个元素设定更新速度，所述粒度的速度为
Figure FDA0002244103030000012
vij的数值代表并行拆卸序列中变迁tj的对应拆卸步骤xij的更变规则，vij属于实数集R。
4.根据权利要求3所述的用于减速器的并行拆卸序列规划方法，其特征在于，还包括，以粒子速度进行粒子位置更新，具体包括，将Vi取整，通过公式，
Figure FDA0002244103030000021
对所述拆卸序列的各元素进行更新，其中，ximax表示拆卸序列Xi中元素的最大值；xi′j为拆卸序列Xi中的第j维元素xij在被更新后的拆卸步骤引索。
5.根据权利要求4所述的用于减速器的并行拆卸序列规划方法，其特征在于，所述构建粒子的适度值函数，具体包括，将时间作为适度值，加入优先惩罚因子和并行度惩罚因子，构建粒子的适度值函数，
Figure FDA0002244103030000022
其中，O代表最大拆卸步骤数，且满足0<O<n；dtij指代在第i个拆卸步骤中的第j个拆卸操作的时间消耗，δ1和δ2分别为优先约束惩罚因子和并行度惩罚因子，Pd(i)是第i个拆卸步骤中违反拆卸优先性的拆卸操作数量，Pl(i)是该拆卸步骤中拆卸操作数量大于并行度的值，r为第i个拆卸步骤中的拆卸操作个数，1≤r<n。
6.根据权利要求1所述的用于减速器的并行拆卸序列规划方法，其特征在于，所述构建种群多样性函数，具体包括，根据搜索空间最大对角线长度、种群大小及粒子维度，构建种群多样性函数
Figure FDA0002244103030000023
其中，L是搜索空间最大对角线长度；P是种群大小；N是粒子维度；Sij是第i个粒子的j维分量；
Figure FDA0002244103030000024
是所有粒子的j维分量均值，其中S代表每个变迁的拆卸步骤引索。
7.根据权利要求3所述的用于减速器的并行拆卸序列规划方法，其特征在于，所述对粒子种群进行初始化，以获得初始化种群，具体包括，
新建初始种群、并行拆卸序列、可拆卸变迁集以及拆卸步骤，并判断可拆卸变迁集的变迁个数是否为正，若是，则重新建立可拆卸变迁集、拆卸步骤，若否，则将并行拆卸序列转变为所述Xi，并判断粒子数是否达到初始种群目标数量，若到达，则输出初始种群IP，若未达到，则粒子数自加，然后重新进行并行拆卸序列、可拆卸变迁集及拆卸步骤的建立，直至判断粒子数达到初始种群目标数量。
8.根据权利要求3所述的用于减速器的并行拆卸序列规划方法，其特征在于，所述根据种群的迭代方式，更新粒子速度和位置，具体包括，若种群的迭代方式为吸引，则，通过公式，
Figure FDA0002244103030000031
Figure FDA0002244103030000032
更新粒子速度和位置，否则，通过公式
Figure FDA0002244103030000034
更新粒子速度和位置，其中，ω为惯性因子，c1和c2分别为局部和全局学习因子，r1和r2是均匀分布在(0,1)区间的随机数，Bid和Bgd分别是当前局部和全局最优位置，Wid和Wgd分别是局部和全局最差位置，
Figure FDA0002244103030000035
为第i个粒子第t次迭代过程中的速度，
Figure FDA0002244103030000036
为第i个粒子第t次迭代过程中的位置。
9.根据权利要求1所述的用于减速器的并行拆卸序列规划方法，其特征在于，还包括，在判断种群是否满足迭代结束条件之前，判断种群是否脱离早熟，若是，则更变迭代方式为吸引，否则不更变迭代方式。
10.一种根据权利要求1～9任一所述的用于减速器的并行拆卸序列规划方法的系统，其特征在于，包括拆卸Petri网及粒子决策变量编码模块、粒子函数构建模块、种群初始化模块、种群最优及最差点获取模块、粒子速度及位置更新模块和全局最优点输出模块；
所述拆卸Petri网及粒子决策变量构建模块，用于建立减速器对应的拆卸Petri网DPN，对粒子的位置、粒子的速度进行编码；
所述粒子函数构建模块，用于构建粒子的适度值函数和种群多样性函数；
所述种群初始化模块，用于获取粒子的先决变迁集及初始标识集，对粒子种群进行初始化，以获得初始化种群，并将初始种群的迭代方式设定为吸引；
所述种群最优及最差点获取模块，用于由所述粒子的适度值函数，计算出种群中各粒子的适应度，获取种群的局部最优、最差点和全局最优、最差点；
所述粒子速度及位置更新模块，用于根据种群的迭代方式，更新粒子速度和位置；
所述全局最优点输出模块，用于根据种群多样性函数计算种群多样性指标，根据所述种群多样性指标，判断种群是否早熟，若早熟，则更变迭代方式为排斥，判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则使种群最优及最差点获取模块和粒子速度及位置更新模块执行其功能，
若未早熟，则判断种群是否满足迭代结束条件，若满足，输出全局最优点，若不满足，则使种群最优及最差点获取模块和粒子速度及位置更新模块执行其功能；
所述全局最优点输出模块，还用于将输出的全局最优点，转化为对应的减速器并行拆卸序列。
CN201911010616.6A 2019-10-23 2019-10-23 一种用于减速器的并行拆卸序列规划方法及系统 Active CN110826775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911010616.6A CN110826775B (zh) 2019-10-23 2019-10-23 一种用于减速器的并行拆卸序列规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911010616.6A CN110826775B (zh) 2019-10-23 2019-10-23 一种用于减速器的并行拆卸序列规划方法及系统

Publications (2)

Publication Number Publication Date
CN110826775A true CN110826775A (zh) 2020-02-21
CN110826775B CN110826775B (zh) 2023-04-18

Family

ID=69550168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911010616.6A Active CN110826775B (zh) 2019-10-23 2019-10-23 一种用于减速器的并行拆卸序列规划方法及系统

Country Status (1)

Country Link
CN (1) CN110826775B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743566A (zh) * 2021-08-17 2021-12-03 北京梧桐车联科技有限责任公司 产品拆卸序列优化方法、装置、计算机设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200264A (zh) * 2014-09-25 2014-12-10 国家电网公司 一种包括独立全局搜索的两阶段粒子群优化算法
CN107317338A (zh) * 2017-08-30 2017-11-03 广东工业大学 一种电力系统的最优潮流计算方法及装置
EP3422261A1 (en) * 2017-03-10 2019-01-02 Dongguan University of Technology Global optimization, searching and machine learning method based on lamarck acquired genetic principle
CN109814509A (zh) * 2019-01-31 2019-05-28 合肥工业大学 一种面向低碳高效的并行拆卸线平衡优化方法
CN110334943A (zh) * 2019-07-04 2019-10-15 武汉理工大学 交互式虚拟拆卸教学方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200264A (zh) * 2014-09-25 2014-12-10 国家电网公司 一种包括独立全局搜索的两阶段粒子群优化算法
EP3422261A1 (en) * 2017-03-10 2019-01-02 Dongguan University of Technology Global optimization, searching and machine learning method based on lamarck acquired genetic principle
CN107317338A (zh) * 2017-08-30 2017-11-03 广东工业大学 一种电力系统的最优潮流计算方法及装置
CN109814509A (zh) * 2019-01-31 2019-05-28 合肥工业大学 一种面向低碳高效的并行拆卸线平衡优化方法
CN110334943A (zh) * 2019-07-04 2019-10-15 武汉理工大学 交互式虚拟拆卸教学方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743566A (zh) * 2021-08-17 2021-12-03 北京梧桐车联科技有限责任公司 产品拆卸序列优化方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
CN110826775B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN109039942B (zh) 一种基于深度强化学习的网络负载均衡系统及均衡方法
Zang et al. Metalight: Value-based meta-reinforcement learning for traffic signal control
CN106990792B (zh) 混合引力搜索算法的多无人机协同时序耦合任务分配方法
CN111191934B (zh) 一种基于强化学习策略的多目标云工作流调度方法
CN110852448A (zh) 一种基于多智能体强化学习的合作型智能体的学习方法
CN107808210B (zh) 面向复杂产品拆卸再生拆卸方案及再生方案集成决策方法
Liu et al. Provably efficient black-box action poisoning attacks against reinforcement learning
CN112216273A (zh) 一种针对语音关键词分类网络的对抗样本攻击方法
CN110826775B (zh) 一种用于减速器的并行拆卸序列规划方法及系统
CN114800510B (zh) 考虑产品零件失效特征的工业机器人拆解序列规划方法
CN112348155A (zh) 一种模糊神经网络模型的优化方法及系统
CN112862088A (zh) 一种基于流水线环形参数通信的分布式深度学习方法
CN115115052A (zh) 一种基于遗传算法的神经网络自适应分布式并行训练方法
CN113962362A (zh) 强化学习模型训练方法、决策方法、装置、设备及介质
CN112732436A (zh) 一种多核处理器-单图形处理器的深度强化学习加速方法
Tian et al. A dynamic job-shop scheduling model based on deep learning.
CN110163255B (zh) 一种基于密度峰值的数据流聚类方法及装置
CN116027753A (zh) 一种多目标混合流水车间调度方法及系统
CN116756918A (zh) 基于模糊时间的锂电池梯次利用拆卸线多目标优化数学模型建立及求解方法
CN114124554B (zh) 一种虚拟网络服务链吞吐量预测方法
CN111352650A (zh) 一种基于insga-ii的软件模块化多目标优化方法及系统
Zhang et al. Solving multi-class traffic assignment problem with genetic algorithm
CN112306859B (zh) 一种改进的软件自适应测试方法
CN110048945B (zh) 一种节点移动性分簇方法及系统
CN113821323A (zh) 一种面向混合部署数据中心场景的离线作业任务调度算法

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