CN111222799B - 一种基于改进粒子群算法的装配序列规划方法 - Google Patents
一种基于改进粒子群算法的装配序列规划方法 Download PDFInfo
- Publication number
- CN111222799B CN111222799B CN202010030756.6A CN202010030756A CN111222799B CN 111222799 B CN111222799 B CN 111222799B CN 202010030756 A CN202010030756 A CN 202010030756A CN 111222799 B CN111222799 B CN 111222799B
- Authority
- CN
- China
- Prior art keywords
- particle
- assembly
- optimization
- value
- global
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 72
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000008569 process Effects 0.000 claims abstract description 14
- 230000008859 change Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims 1
- 230000002068 genetic effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- 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
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Feedback Control In General (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Manufacturing & Machinery (AREA)
Abstract
本发明公开了一种基于改进粒子群算法的装配序列规划方法，本方法考虑装配问题求解过程中，粒子群算法容易陷入局部优化，出现多个优化解，但实际可行优化解效率较低，因此，根据迭代过程中全局最优值的实际更新情况，改进标准粒子群算法中的w参数，以前后两次的全局最优最优值的变化与否为基础，通过对w参数的自适应调整，提高算法的收敛精度和全局搜索能力。将传统标准的w固定模式改进为在考虑全局最优值的变化情况下，以迭代次数为变量的非连续性变化的可调节参数模式，可以有效提高粒子群算法的收敛准确性和全局搜索能力，较好地解决在装配序列规划问题中出现的可行解效率较低的问题。
Description
技术领域
本发明涉及一种装配序列规划方法，基于标准粒子群算法的优化原理，通过对原有粒子群算法进行重新定义与改进，适用于装配体序列规划等多目标优化问题。
背景技术
装配序列规划严重影响着产品生产的实际效率和经济成本，是数字化装配过程中重要环节之一，目前，国内外的学者对其进行了大量研究，随着群体智能的广泛应用，遗传算法，蛙跳算法，蚁群算法、模因算法、粒子群算法等都成功应用在该领域，但是由于装配问题优化属于离散型问题，在求解前期，需要大量的算法调试工作，例如在遗传算法中的选择因子、交叉因子、变异因子、操作指数等，蚁群算法中的信息素参数等，因此，借助粒子群算法的优势，考虑对粒子群算法进行改进，用来求解装配序列规划问题。
发明内容
现有的装配序列规划方法主要分为两大类：精确计算方法和启发式方法.精确计算方法如树搜索或图搜索方法等。采用割集算法，能确保全局最优解的产生，然而对零件数目较多的复杂产品，将会出现装配序列组合爆炸问题，使该方法求解难度增大，很难得到理想结果。因此，结合粒子群算法具有编程结构简单、调制参数较少、收敛速度较快等优势，将粒子群算法应用在装配序列规划问题上，考虑粒子群算法在迭代过程中容易出现局部最优等现象，对标准粒子群算法进行改进，避免陷入局部最优结果，提高算法优化结果。由于装配求解问题是离散型整数求解问题，因此对粒子群算法中的位置、速度以及适应度函数等进行重新定义。
一种基于改进粒子群算法的装配序列规划方法，该方法的实现过程如下：
1)利用三维软件绘制装配体的三维模型图，得到三维实体模型。
2)结合等计算机语言对相应三维设计软件进行二次开发，根据三维软件绘制的实体模型，得到装配体零部件之间的装配关系矩阵。
3)以得到的装配关系矩阵为评价标准，设计装配序列优化的适应度函数f。
4)每一个粒子的空间位置代表装配优化的一个解，设置粒子群数目为m,即在算法优化装配问题时有m个空间解在同时进行优化，设置最大迭代次数K，学习因子c1,c2，c3以及粒子的搜索空间，即装配体的零件数目d。
5)考虑到装配序列优化问题的优化解为离散型的整数，即对粒子的位置与速度进行重新定义，对d个零件位置、速度进行随机序排序设置，保证每个粒子的空间位置是包含所有零部件序号但又随机分布的向量。
6)计算每个粒子的评价函数值，设置当前粒子位置为历史最优位置pi，即m个装配序列的潜在优化解，带入评价函数f，得到每个粒子历史最优适应度值fi，即每个粒子的装配序列优化解对应的评价函数值大小；通过比较不同粒子之间fi的大小，更新种群最优适应度值fg，其中fg对应的粒子空间位置即当前装配序列的最优解。
7)在粒子群迭代过程中，根据当前全局最优值的变化与否，对当前全局最优值进行上下浮动并调整当前惯性权重的大小。
8)根据速度公式和位置公式，更新对各粒子的位置和速度以及粒子个体最优值fi和全局最优值fg。
9)判断粒子迭代次数是否达到最大迭代次数，若没达到，转步骤6。
10)输出最优结果fg，以及全局最优值fg对应的粒子空间位置，得到最终装配序列优化结果，算法优化结束。
11)步骤7的具体自定义为：
其中，Δ为全局最优值的浮动变量，t为当前迭代次数，T为设置的最大迭代次数，为当前粒子群的全局最优值，/>是上一次粒子群的全局最优值，rand为0到1之间的随机值，ω为粒子群在不断迭代过程中的惯性权重，ω1为设置的固定权重，ωt为根据全局最优值变化情况，以迭代次数不断变化的动态调整惯性权重，ω0是ωt的最大值。
装配序列规划问题是多维的，离散型的，因此，在得到可行的优化解之前，需要做大量的调整工作，例如修改参数大小，调整迭代次数等，并不能确保每一次的优化解为可行解，求解效率较低，因此，针对粒子群算法在求解装配问题时的迭代情况，对全局最优值进行数值上的上下浮动与惯性权重进行的调整，尽可能保障了迭代过程中全局最优值的实时变化，防止了算法过程中出现的局部优化问题，可有效地避免了操作人员在进行优化求解时的重复操作，提高实际可行解的求解效率。
附图说明
图1改进后粒子群算法流程图
具体实施方式
以下结合附图，及实施例对本发明的具体方法进行说明
本发明方法主要是考虑装配问题求解过程中，粒子群算法容易陷入局部优化，出现多个优化解，但实际可行优化解效率较低，因此，根据迭代过程中全局最优值的实际更新情况，改进标准粒子群算法中的w参数，以前后两次的全局最优最优值的变化与否为基础，通过对w参数的自适应调整，提高算法的收敛精度和全局搜索能力。以往的参数可调节函数是呈连续变化的趋势，或者在未考虑实际迭代过程的情况下，呈非线性变化的趋势。本文的主要思想是将传统标准的w固定模式改进为在考虑全局最优值的变化情况下，以迭代次数为变量的非连续性变化的可调节参数模式，可以有效提高粒子群算法的收敛准确性和全局搜索能力，较好地解决在装配序列规划问题中出现的可行解效率较低的问题。结合图1，具体的实施步骤如下：
1)根据零部件的二维装配体设计图，利用三维软件NX、ProE等绘制装配体的三维图。
2)结合Visual Studio或C语言等计算机语言对相应三维设计软件进行二次开发，得到装配体零部件之间的支撑矩阵、连接矩阵、干涉矩阵。
3)以支撑矩阵，连接矩阵，干涉矩阵为评价标准，设计装配序列优化的适应度函数f。
4)假设装配体内有d个零部件，在d维搜索空间内，存在m个粒子，第i个粒子的速度和位置可分别表示为的d维向量，/>的d维向量，其中，每个粒子的位置对应为一组优化解。
5)计算每个粒子自身适应度值，设置当前粒子位置为历史最优位置pi，得到自身历史最优适应度值fi，所有粒子中的最优值对应的位置为种群最优位置pg，得到种群最优适应度值fg。
6)在粒子群迭代过程中，判断当前全局最优值相对之前全局最优值是否有数值大小上的变动，若有变化则对当前全局最优值进行随机的上下浮动，并对惯性权重进行上下浮动。
7)在粒子群迭代过程中，判断当前全局最优值相对之前全局最优值是否有数值大小上的变动，若有变化则对当前全局最优值进行随机的上下浮动，并对惯性权重进行上下浮动。
全局最优值
惯性权重
8)根据速度方程
vi+1(k+1)＝w*vi(k)+c1*(pbesti-xi(k))+c2*(gbest-xi(k))更新各粒子的速度，位置方程xi(k+1)＝xi(k)+vi(k+1)更新各粒子的位置
9)判断各粒子的位置和速度是否达到边界状态，若超出边界状态，则以边界大小代替粒子的位置或速度。
10)判断粒子迭代次数是否达到最大迭代次数，若没达到，转步骤5。
11)输出最优结果fg，以及全局最优值fg对应的粒子空间位置，得到最终装配序列优化结果，算法优化结束。
Claims (1)
1.一种基于改进粒子群算法的装配序列规划方法，其特征在于：该方法的实现过程如下：
1)利用三维软件绘制装配体的三维模型图，得到三维实体模型；
2)结合等计算机语言对相应三维设计软件进行二次开发，根据三维软件绘制的实体模型，得到装配体零部件之间的装配关系矩阵；
3)以得到的装配关系矩阵为评价标准，设计装配序列优化的适应度函数f；
4)每一个粒子的空间位置代表装配优化的一个解，设置粒子群数目为m,即在算法优化装配问题时有m个空间解在同时进行优化，设置最大迭代次数K，学习因子c1,c2，c3以及粒子的搜索空间，即装配体的零件数目d；
5)考虑到装配序列优化问题的优化解为离散型的整数，即对粒子的位置与速度进行重新定义，对d个零件位置、速度进行随机序排序设置，保证每个粒子的空间位置是包含所有零部件序号但又随机分布的向量；
6)计算每个粒子的评价函数值，设置当前粒子位置为历史最优位置pi，即m个装配序列的潜在优化解，带入评价函数f，得到每个粒子历史最优适应度值fi，即每个粒子的装配序列优化解对应的评价函数值大小；通过比较不同粒子之间fi的大小，更新种群最优适应度值fg，其中fg对应的粒子空间位置即当前装配序列的最优解；
7)在粒子群迭代过程中，根据当前全局最优值的变化与否，对当前全局最优值进行上下浮动并调整当前惯性权重的大小；
8)根据速度公式和位置公式，更新对各粒子的位置和速度以及粒子个体最优值fi和全局最优值fg；
9)判断粒子迭代次数是否达到最大迭代次数，若没达到，转步骤6；
10)输出最优结果fg，以及全局最优值fg对应的粒子空间位置，得到最终装配序列优化结果，算法优化结束；
步骤7的具体自定义为：
其中，Δ为全局最优值的浮动变量，t为当前迭代次数，T为设置的最大迭代次数，为当前粒子群的全局最优值，/>是上一次粒子群的全局最优值，rand为0到1之间的随机值，ω为粒子群在不断迭代过程中的惯性权重，ω1为设置的固定权重，ωt为根据全局最优值变化情况，以迭代次数不断变化的动态调整惯性权重，ω0是ωt的最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010030756.6A CN111222799B (zh) | 2020-01-13 | 2020-01-13 | 一种基于改进粒子群算法的装配序列规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010030756.6A CN111222799B (zh) | 2020-01-13 | 2020-01-13 | 一种基于改进粒子群算法的装配序列规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111222799A CN111222799A (zh) | 2020-06-02 |
| CN111222799B true CN111222799B (zh) | 2023-10-27 |
Family
ID=70825994
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010030756.6A Active CN111222799B (zh) | 2020-01-13 | 2020-01-13 | 一种基于改进粒子群算法的装配序列规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111222799B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112734291B (zh) * | 2021-01-26 | 2022-06-21 | 福州大学 | 基于树搜索的桁架装配序列规划方法 |
| CN113962447B (zh) * | 2021-10-08 | 2024-05-28 | 哈尔滨工业大学（威海） | 基于改进粒子群算法的复杂设备批量长期维修计划优化方法 |
| CN113985739B (zh) * | 2021-11-17 | 2024-01-26 | 江苏科技大学 | 一种基于改进智能水滴算法的装配序列优化方法 |
| CN116992758A (zh) * | 2023-07-17 | 2023-11-03 | 江苏科技大学 | 一种基于机器学习的复杂机械智能装配方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942599A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 一种基于优胜劣汰、步步选择的粒子群优化方法 |
| CN108133258A (zh) * | 2016-12-01 | 2018-06-08 | 南京理工大学 | 一种混合全局优化方法 |
-
2020
- 2020-01-13 CN CN202010030756.6A patent/CN111222799B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103942599A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 一种基于优胜劣汰、步步选择的粒子群优化方法 |
| CN108133258A (zh) * | 2016-12-01 | 2018-06-08 | 南京理工大学 | 一种混合全局优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于改进粒子群算法的车间作业排序的优化及仿真研究;黄慧;南京航空航天大学硕士学位论文;全文 * |
| 基于自适应变异粒子群优化算法的产品装配序列规划;陈海彬 等;组合机床与自动化加工技术(第7期);153-156 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111222799A (zh) | 2020-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222799B (zh) | 一种基于改进粒子群算法的装配序列规划方法 | |
| Cao et al. | Design of fractional order controllers based on particle swarm optimization | |
| Pham et al. | Comparative study of derivative free optimization algorithms | |
| CN110888317A (zh) | 一种pid控制器参数智能优化方法 | |
| Branch | Optimal design of LQR weighting matrices based on intelligent optimization methods | |
| CN107272403A (zh) | 一种基于改进粒子群算法的pid控制器参数整定算法 | |
| CN109696827A (zh) | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 | |
| CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
| CN111898212B (zh) | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 | |
| CN105608295B (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
| CN111242271A (zh) | 一种基于改进惯性权重粒子群算法的装配序列规划方法 | |
| JP2010134863A (ja) | 制御対象の制御入力決定手段 | |
| CN112636368B (zh) | 针对多源多区域互联电力系统的自动发电控制方法 | |
| CN114545766A (zh) | 一种麻雀搜索算法优化的bp神经网络pid控制方法 | |
| CN110399697B (zh) | 基于改进遗传学习粒子群算法的飞行器的控制分配方法 | |
| CN105976018A (zh) | 用于结构健康监测传感器优化布设的离散鸽群算法 | |
| CN114995390A (zh) | 一种基于动态自适应参数调整的蜉蝣算法的移动机器人路径规划方法 | |
| Liu et al. | Illustration design model with clustering optimization genetic algorithm | |
| CN107871034A (zh) | 基于变尺度教与学算法的公差分配多目标优化设计方法 | |
| CN108710748B (zh) | 一种平面四杆机构轨迹设计的果蝇优化方法 | |
| CN113852098A (zh) | 一种基于多目标蜻蜓算法的自动发电控制调度方法 | |
| CN110888323A (zh) | 一种用于切换系统智能优化的控制方法 | |
| CN116402209A (zh) | 基于改进神经网络模型的三峡水库坝前来漂量预测方法 | |
| Wang et al. | Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm | |
| CN113722853A (zh) | 一种面向智能计算的群智能进化式优化方法 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhao Yongsheng Inventor after: Hou Yuqing Inventor after: Cai Ligang Inventor after: Wang Jianhua Inventor before: Cai Ligang Inventor before: Hou Yuqing Inventor before: Zhao Yongsheng Inventor before: Wang Jianhua |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |