CN111242271A - 一种基于改进惯性权重粒子群算法的装配序列规划方法 - Google Patents

一种基于改进惯性权重粒子群算法的装配序列规划方法 Download PDF

Info

Publication number
CN111242271A
CN111242271A CN202010030748.1A CN202010030748A CN111242271A CN 111242271 A CN111242271 A CN 111242271A CN 202010030748 A CN202010030748 A CN 202010030748A CN 111242271 A CN111242271 A CN 111242271A
Authority
CN
China
Prior art keywords
particle
assembly
iteration times
assembly sequence
particle swarm
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.)
Pending
Application number
CN202010030748.1A
Other languages
English (en)
Inventor
蔡力钢
侯玉晴
赵永胜
王建华
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202010030748.1A priority Critical patent/CN111242271A/zh
Publication of CN111242271A publication Critical patent/CN111242271A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (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

本发明公开了一种基于改进惯性权重粒子群算法的装配序列规划方法，本方法主要是考虑装配问题求解过程中，粒子群算法的求解效率较低，因此，为了更好地更新粒子群的空间位置，本方法将传统标准的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，得到较好的优化可行解。

Description

一种基于改进惯性权重粒子群算法的装配序列规划方法
技术领域
本发明涉及一种装配序列规划方法，通过对粒子群算法的认识和理解，根据装配序列规划的实际问题，对标准粒子群算法进行重新定义与改进，用于求解装配体序列规划等多目标优化问题。
背景技术
在装配序列优化领域，传统的以人的经验为主导的装配方式已逐渐向群体智能算法求解的方式转变。在针对简单装配产品的装配规划时，即针对小批量、多品种的生成模式,产品装配序列规划以装配关联图为基础,描述具体的装配信息模型,结合割集算法的技术，设计并实现产品的虚拟装配序列规划,在复杂产品装配的背景下，为求解复杂产品的装配序列,通过给定产品的三维模型,建立产品的干涉矩阵、接触矩阵和工具列表表达产品的基本装配信息，利用群里智能算法，例如蚁群算法等，重新定义算法中的某些变量，设置基本参数，通过优化算法的多次迭代，最终得到装配序列规划的可行解。
发明内容
装配是产品全生命周期内的一个重要的环节,同样的一组零部件由不同的小组分别负责装配,所呈现的效率往往不同。产品的装配序列通常由设计工程师根据经验确定,不过随着零件数量的增加,可行装配序列的数量呈指数的增长，产品生产效率较低，经济成本增加，因此，为了更好的提高产品生产效率，本发明以群体智能算法思想为基础，以标准粒子群算法为理论依据，进行了改进，改进的主要思想是根据粒子群迭代次数进行区间划分，对惯性权重w进行自定义，采用非连续性变化的参数调节模式，并针对装配序列的离散化，重新对粒子群中的位置。速度等进行重新定义。
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)根据迭代次数，对迭代次数进行划分，以100为区间单位，划分为三个区间范围，具体分别是(0,100)，(100，200)，其他。在相应的划分范围内，以迭代次数为变量，对惯性权重w进行自适应调整处理，在三个阶段内w函数分别以sigmoid函数、二次函数、线性函数为基础进行改进。
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：
w1＝1/(1+exp(k/K))k＜＝100
w2＝k2*(1/3.125*105)-k*(3/2.5*103)+0.7 100＜k＜＝200
w3＝0.7+k/(5*K)其他
其中，k为当前迭代次数，K为设置的最大迭代次数，
装配序列规划问题由于是多目标问题，在求解过程中，容易出现局部优化等现象，使得求解效率降低，通过对惯性权重的重新改进，以迭代次数为变量，根据迭代次数的不同层次划分，对不同迭代区间内的惯性权重w进行不同规律的变化，增强了粒子状态的多样性，提高了装配序列问题求解的可行性。
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，粒子群算法的求解效率较低，因此，为了更好地更新粒子群的空间位置，本文将传统标准的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，得到较好的优化可行解。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
Figure BDA0002364200780000031
的d维向量，
Figure BDA0002364200780000032
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。
6)根据迭代次数，对迭代次数进行划分，以100为区间单位，划分为三个区间范围，具体分别是(0,100)，(100，200)，其他。在相应的划分范围内，以迭代次数为变量，对惯性权重w进行自适应调整处理，在三个阶段内w函数分别以sigmoid函数、二次函数、线性函数为基础进行改进。
w1＝1/(1+exp(k/K))k＜＝100
w2＝k2*(1/3.125*105)-k*(3/2.5*103)+0.7 100＜k＜＝200
w3＝0.7+k/(5*K)其他
7)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
8)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。
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5。
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 (2)

1.一种基于改进惯性权重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)根据迭代次数，对迭代次数进行划分，以100为区间单位，划分为三个区间范围，具体分别是(0,100)，(100，200)，其他；在相应的划分范围内，以迭代次数为变量，对惯性权重w进行自适应调整处理，在三个阶段内w函数分别以sigmoid函数、二次函数、线性函数为基础进行改进；
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。
2.根据权利要求1所述的一种基于改进惯性权重粒子群算法的装配序列规划方法，其特征在于：步骤7的具体自定义为：
w1＝1/(1+exp(k/K)) k＜＝100
w2＝k2*(1/3.125*105)-k*(3/2.5*103)+0.7 100＜k＜＝200
w3＝0.7+k/(5*K) 其他
其中，k为当前迭代次数，K为设置的最大迭代次数。
CN202010030748.1A 2020-01-13 2020-01-13 一种基于改进惯性权重粒子群算法的装配序列规划方法 Pending CN111242271A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010030748.1A CN111242271A (zh) 2020-01-13 2020-01-13 一种基于改进惯性权重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
CN202010030748.1A CN111242271A (zh) 2020-01-13 2020-01-13 一种基于改进惯性权重粒子群算法的装配序列规划方法

Publications (1)

Publication Number Publication Date
CN111242271A true CN111242271A (zh) 2020-06-05

Family

ID=70873042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010030748.1A Pending CN111242271A (zh) 2020-01-13 2020-01-13 一种基于改进惯性权重粒子群算法的装配序列规划方法

Country Status (1)

Country Link
CN (1) CN111242271A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113985739A (zh) * 2021-11-17 2022-01-28 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
CN114037145A (zh) * 2021-11-05 2022-02-11 河北师范大学 一种网络安全态势预测方法及系统
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150046129A1 (en) * 2013-08-07 2015-02-12 Axis Ab Method and system for selecting position and orientation for a monitoring camera
CN104794278A (zh) * 2015-04-21 2015-07-22 西安电子科技大学 一种产品装配序列的优化方法
CN107945045A (zh) * 2017-11-29 2018-04-20 沈阳工业大学 一种基于粒子群遗传算法的再制造装配过程的选配方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150046129A1 (en) * 2013-08-07 2015-02-12 Axis Ab Method and system for selecting position and orientation for a monitoring camera
CN104794278A (zh) * 2015-04-21 2015-07-22 西安电子科技大学 一种产品装配序列的优化方法
CN107945045A (zh) * 2017-11-29 2018-04-20 沈阳工业大学 一种基于粒子群遗传算法的再制造装配过程的选配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨颖颖等，: "惯性权重自适应计算的粒子群优化算法", 《滁州学院学报》 *
陈海彬等: "基于自适应变异粒子群优化算法的产品装配序列规划", 《组合机床与自动化加工技术》 *
顾明亮等: "基于动态调整惯性权重的混合粒子群算法", 《计算机与现代化》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114037145A (zh) * 2021-11-05 2022-02-11 河北师范大学 一种网络安全态势预测方法及系统
CN114037145B (zh) * 2021-11-05 2022-10-28 河北师范大学 一种网络安全态势预测方法及系统
CN113985739A (zh) * 2021-11-17 2022-01-28 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
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

Similar Documents

Publication Publication Date Title
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
CN111222799B (zh) 一种基于改进粒子群算法的装配序列规划方法
Fleming et al. Many-objective optimization: An engineering design perspective
Obayashi et al. Multi-objective design exploration for aerodynamic configurations
Okabe et al. Voronoi-based estimation of distribution algorithm for multi-objective optimization
Li et al. Surprisingly popular-based adaptive memetic algorithm for energy-efficient distributed flexible job shop scheduling
Han et al. Ant colony optimization for assembly sequence planning based on parameters optimization
Yamazaki et al. Design method of material handling systems for lean automation—Integrating equipment for reducing wasted waiting time
CN113281993B (zh) 一种贪心k-均值自组织神经网络多机器人路径规划方法
CN112936286B (zh) 一种多柔性机械臂系统自适应一致性追踪控制方法及系统
CN110084355A (zh) 大量相互作用粒子运动仿真系统的网格尺度寻优方法
CN112231966A (zh) 一种基于数字孪生的协作机器人可装配性预测系统及方法
Wu et al. Many-objective brain storm optimization algorithm
Huang et al. Competitive and cooperative-based strength Pareto evolutionary algorithm for green distributed heterogeneous flow shop scheduling
CN108710748A (zh) 一种平面四杆机构轨迹设计的果蝇优化方法
Liu et al. Research summary of intelligent optimization algorithm for warehouse AGV path planning
Liu et al. Robotic arm trajectory optimization based on multiverse algorithm
Wang et al. Negative Gradient Differential Biogeography-based Optimization for Mobile Robot Path Planning
CN114531665B (zh) 一种基于莱维飞行的无线传感器网络节点分簇方法及系统
CN113282089B (zh) 高温场景中的移动机器人全局路径规划方法
CN113188243B (zh) 一种空调能耗的综合预测方法及系统
CN103617206A (zh) 基于自适应小生境的遗传聚类方法
Wang et al. Improved Particle Swarm Optimization Algorithm Based on Gaussian-Grid Search Method.
CN113011516A (zh) 基于图拓扑的三维网格模型分类方法、装置和存储介质
Jin et al. WOA-AGA algorithm design for robot path planning

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

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

CB03 Change of inventor or designer information
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200605

WD01 Invention patent application deemed withdrawn after publication