CN111428148B - 一种适于制造过程规划的智能优化算法推荐方法 - Google Patents
一种适于制造过程规划的智能优化算法推荐方法 Download PDFInfo
- Publication number
- CN111428148B CN111428148B CN202010222636.6A CN202010222636A CN111428148B CN 111428148 B CN111428148 B CN 111428148B CN 202010222636 A CN202010222636 A CN 202010222636A CN 111428148 B CN111428148 B CN 111428148B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- model
- problem model
- intelligent optimization
- calculating
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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—Systems or methods specially adapted for 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
Abstract
本发明公开了一种适于制造过程规划的智能优化算法推荐方法,该方法适用于产品制造过程规划问题与算法的选择匹配,包括步骤:智能优化算法评分转化,完成智能优化算法对问题模型的求解效果的评分;相近问题模型筛选,完成与待求问题模型相近模型的筛选,并将算法对这些筛选出的模型的评分组成“模型‑算法评分矩阵”;协同过滤推荐算法,以“模型‑算法评分矩阵”作为输入,完成算法对模型的预测评分,输出适用于待求问题的算法推荐列表。本发明能够在无专家知识的条件下实现制造过程规划问题与算法的选择匹配,提高制造过程规划问题的求解效率。
Description
技术领域
本发明属于电子工程和计算机科学领域,具体涉及一种适于制造过程规划的智能优化算法推荐方法。
背景技术
产品制造过程规划中存在多种优化问题,包括车间调度、材料选择、刀具选择、工艺规划、设备选用以及资源分配等,此类问题大多都是NP-hard问题,常采用智能优化算法求解。随着产品制造的发展,问题规模越来越大,愈发复杂。针对新的特定问题,用智能优化算法求解的一般做法是进行新算法的设计,但这个方法耗时费力,并且新算法的移植性差,利用率低;更普遍的做法是选取现有的智能优化算法解决问题,这个方法常常存在算法选择不当,得不到最优结果的问题。不同算法在不同的问题模型中的适用效果并不相同,面对一个新的问题模型,往往面临着算法匹配选择的难题,即从现有的多种智能优化算法中选择最适用于当前问题模型的算法。为避免设计新算法费时耗力的问题,同时得到较优的求解结果,如何在新的问题模型求解前选择其最有效适用的算法是值得思考的。
发明内容
为了解决上述问题,本发明基于协同推荐的思想,建立问题模型和智能优化算法间的二元关系。利用已有的求解结果和相似性关系挖掘问题模型潜在的可有效适用的算法。为此,本发明公开了一种适于制造过程规划的智能优化算法推荐方法,该方法适用于产品制造过程规划问题与算法的选择匹配,能够在无专家知识的条件下实现制造过程规划问题与算法的选择匹配,提高制造过程规划问题的求解效率。
提供一种适于制造过程规划的智能优化算法推荐方法,该方法涵盖了智能优化算法评分转化模块设计、相近问题模型模块设计和协同过滤推荐算法模块设计,能够在无专家知识的条件下实现制造过程规划问题与算法的选择匹配,提高制造过程规划问题的求解效率。
本发明解决其技术问题是采取以下技术方案实现的:
一种适于制造过程规划的智能优化算法推荐方法,适用于产品制造过程规划问题与算法的选择匹配,包括如下步骤:
步骤(1)智能优化算法评分转化,进行智能优化算法对问题模型的求解效果的评分,具体实现如下:
①建立问题模型库和智能优化算法库:问题模型库中包括制造过程规划问题模型、多个典型复杂函数和待求问题模型,并根据求解需要统一问题参数,包括求解变量、问题维度;
所述的智能优化算法库包含多个智能优化算法,并对算法的初始化、编码、种群更新过程统一接口;
初始的问题模型库包括3种制造过程规划方面的问题模型,分别是:
考虑工件排序顺序,以完工时间为评价指标的流水车间调度问题;
综合考虑产品功能指标、产品能耗、产品成本三个指标的材料选择问题;
考虑加工工艺选择和物理资源配置,以生产能耗和生产时间为评价指标的工艺规划问题;
所述问题模型库能够根据使用需求进行增删,并且能够在使用过程中不断积累补充新的模型;
智能优化算法库同样能够在使用过程中根据需求进行增删和修改;
②计算算法对问题模型的结果参数:利用智能优化算法库中的算法对问题库中的模型进行求解,得到智能优化算法i求解问题模型p的结果参数Pi,结果参数Pi=最优值/运行时间;
③评分转化:根据评分公式:得到智能优化算法i对问题模型p的评分rpi;其中,是n次测试得到的n个结果参数中的最小值,是n次测试得到的n个结果参数中的最大值,为向上取整;通过上述公式计算,将测试所得的结果参数转化为{1,2,3,4,5}内的评分值;
步骤(2)相近问题模型筛选计算,具体实现如下:
①问题模型相似度计算:根据模型相似度度量公式:计算问题模型p和问题模型q之间的相似度ωpq;其中,为同时对待求问题模型p和问题模型库中除p外其余问题模型评分的算法集合,rpi表示算法i对问题模型p求解结果的评分,rqi表示算法i对问题模型q求解结果的评分;
③将智能优化算法对这些筛选出的模型的评分组成“模型-算法评分矩阵”,不要求所有的算法对筛选出的模型一一进行测试,所以未测试的模型-算法对的评分设定为0,填入矩阵对应位置,即评分矩阵中的元素均在{0,1,2,3,4,5}集合范围中;
步骤(3)设计协同过滤推荐算法,具体实现如下:
①算法相似度计算:根据算法相似度度量公式:
计算智能优化算法i和j之间的相似度ωij;其中,Tij为算法i和算法j均完成求解评分的问题模型集,rpi表示算法i对问题模型p求解结果的评分,rpj表示算法j对问题模型p求解结果的评分,表示问题模型p得到的所有求解评分的平均值;
③推荐结果序列生成:将预测评分从高到底排序,得到针对特定问题模型的智能优化算法推荐结果序列。
进一步的,所述复杂函数包括14个典型复杂函数,分别是:Spere,Schwefel_p221,Schwefel_p222,Schwefel_p12,Rosenbrock,Step,Ellipse,Noise quadric,Rotatedexpanded scaffer f6,High conditioned elliptic,2D minima,Tablet,Diffpower,Rastrigin,这些函数最优值均为0。
进一步的,初始智能优化算法库包:基本遗传算法GA,基本粒子群算法PSO,自适应粒子群算法1APSO-1,自适应粒子群算法4APSO-4,带压缩因子的粒子群算法CPSO,差分进化算法1DE-1,差分进化算法2DE-2,差分进化算法3DE-3,差分进化算法4DE-4,差分进化算法5DE-5,改进型自适应遗传算法EAGA,贪婪随机自适应搜索GRASP,萤火虫算法FA,分布估算法PBLIC,变领域搜索算法VNS,蝙蝠算法BATA,协方差矩阵进化算法CMA-ES,杜鹃搜索算法CSA,和声搜索算法HS,迭代局部搜索算法ILS。
另一方面,本发明还提出一种适于制造过程规划的智能优化算法推荐系统,适用于产品制造过程规划问题与算法的选择匹配,包括:
(1)智能优化算法评分转化模块,用于进行智能优化算法对问题模型的求解效果的评分,具体实现如下:
①建立问题模型库和智能优化算法库:问题模型库中包括制造过程规划问题模型、多个典型复杂函数和待求问题模型,并根据求解需要统一问题参数,包括求解变量、问题维度;
所述的智能优化算法库包含多个智能优化算法,并对算法的初始化、编码、种群更新过程统一接口;
初始的问题模型库包括3种制造过程规划方面的问题模型,分别是:
考虑工件排序顺序,以完工时间为评价指标的流水车间调度问题;
综合考虑产品功能指标、产品能耗、产品成本三个指标的材料选择问题;
考虑加工工艺选择和物理资源配置,以生产能耗和生产时间为评价指标的工艺规划问题;
所述问题模型库能够根据使用需求进行增删,并且能够在使用过程中不断积累补充新的模型;
智能优化算法库同样能够在使用过程中根据需求进行增删和修改;
②计算算法对问题模型的结果参数:利用智能优化算法库中的算法对问题库中的模型进行求解,得到智能优化算法i求解问题模型p的结果参数Pi,结果参数Pi=最优值/运行时间;
③评分转化:根据评分公式:得到智能优化算法i对问题模型p的评分rpi;其中,是n次测试得到的n个结果参数中的最小值,是n次测试得到的n个结果参数中的最大值,为向上取整;通过上述公式计算,将测试所得的结果参数转化为{1,2,3,4,5}内的评分值;
(2)相近问题模型筛选计算模块,具体实现如下:
①问题模型相似度计算:根据模型相似度度量公式:计算问题模型p和问题模型q之间的相似度ωpq;其中,为同时对待求问题模型p和问题模型库中除p外其余问题模型评分的算法集合,rpi表示算法i对问题模型p求解结果的评分,rqi表示算法i对问题模型q求解结果的评分;
③将智能优化算法对这些筛选出的模型的评分组成“模型-算法评分矩阵”,不要求所有的算法对筛选出的模型一一进行测试,所以未测试的模型-算法对的评分设定为0,填入矩阵对应位置,即评分矩阵中的元素均在{0,1,2,3,4,5}集合范围中;
(3)协同过滤推荐算法模块,具体实现如下:
①算法相似度计算:根据算法相似度度量公式:
计算智能优化算法i和j之间的相似度ωij;其中,Tij为算法i和算法j均完成求解评分的问题模型集,rpi表示算法i对问题模型p求解结果的评分,rpj表示算法j对问题模型p求解结果的评分,表示问题模型p得到的所有求解评分的平均值;
③推荐结果序列生成:将预测评分从高到底排序,得到针对特定问题模型的智能优化算法推荐结果序列。
本发明与现有技术相比的优点在于:
(1)将协同过滤推荐思想应用于智能优化算法的选择上,可在无专家知识的条件下实现问题模型与算法的选择匹配,有效解决产品制造过程规划问题;
(2)基于问题模型相似度计算而筛选出相似度较高的问题模型,并对其进行算法相似度的计算和评分预测,增强了算法相似度计算中对模型特征信息的体现,提高推荐结果的准确性。
附图说明
图1为本发明的方法流程框图。
具体实施方式
下面结合附图对本发明做进一步详细的描述。
本发明涉及一种适于制造过程规划的智能优化算法推荐方法,适用于产品制造过程规划问题与算法的选择匹配。当前的产品制造过程规划领域中所面临的问题的规模越来越大,模型愈发复杂,求解时算法选取的合适与否直接影响求解效率和求解结果。若对问题模型运用现有算法依次进行测试来寻求最优算法,需要耗费大量的人力和时间成本,所以在新的问题模型求解前选择其最有效适用的算法对于提升问题求解效率具有重要的意义。本发明公开的方法包括智能优化算法评分转化模块设计、相近问题模型筛选模块设计和协同过滤推荐算法模块设计,能够在无专家知识的条件下实现制造过程规划问题与算法的选择匹配,提高制造过程规划问题的求解效率。
本发明的结构框图如图1所示,具体实施方式如下:
(1)图1中的1表示智能优化算法评分转化模块,该模块完成智能优化算法对问题模型的求解效果的评分,具体实现如下:
①建立问题模型库和智能优化算法库:问题模型库中包含常见的制造过程规划问题模型、一系列标准的典型复杂函数和待求问题模型,并根据求解需要统一了求解变量、问题维度等问题参数;智能优化算法库包含一系列典型的智能优化算法,并对算法的初始化、编码、种群更新等过程统一接口。
问题模型库可根据使用需求进行增删,并且可以在使用过程中不断积累补充新的模型。初始问题模型库包含3个制造过程规划方面的问题模型,分别是:
考虑工件排序顺序,以完工时间为评价指标的流水车间调度问题;
综合考虑产品功能指标、产品能耗、产品成本三个指标的材料选择问题;
考虑加工工艺选择和物理资源配置,以生产能耗和生产时间为评价指标的工艺规划问题。
14个典型复杂函数分别是:Spere,Schwefel_p221,Schwefel_p222,Schwefel_p12,Rosenbrock,Step,Ellipse,Noise quadric,Rotated expanded scaffer f6,Highconditioned elliptic,2D minima,Tablet,Diffpower,Rastrigin。这些函数均是测试智能优化算法常用的典型复杂函数,其最优值均为0。
智能优化算法库同样可以在使用过程中根据需求进行增删和修改。初始智能优化算法库包含20个常用算法,分别是:GA(基本遗传算法),PSO(基本粒子群算法),APSO-1(自适应粒子群算法1),APSO-4(自适应粒子群算法4),CPSO(带压缩因子的粒子群算法),DE-1(差分进化算法1),DE-2(差分进化算法2),DE-3(差分进化算法3),DE-4(差分进化算法4),DE-5(差分进化算法5),EAGA(改进型自适应遗传算法),GRASP(贪婪随机自适应搜索),FA(萤火虫算法),PBLIC(分布估算法),VNS(变领域搜索算法),BATA(蝙蝠算法),CMA-ES(协方差矩阵进化算法),CSA(杜鹃搜索算法),HS(和声搜索算法),ILS(迭代局部搜索算法)。
②计算算法对模型的结果参数:利用算法库中的算法对问题库中的模型进行求解,得到智能优化算法i求解问题模型p的结果参数Pi(结果参数Pi=最优值/运行时间,也可根据实际需求对结果参数重新进行定义)。
③评分转化:根据评分公式,得到智能优化算法i对问题模型p的评分rpi。
评分公式如下:
(2)图1中的2表示相近问题模型筛选模块,具体实现如下:
①问题模型相似度计算:根据定义的相似度度量标准,计算问题模型p和问题模型q之间的相似度ωpq。
其中,rpi表示算法i对问题模型p求解结果的评分,rqi表示算法i对问题模型q求解结果的评分。
③将算法对这些筛选出的模型的评分组成“模型-算法评分矩阵”。
设算法库中的智能优化算法共m种,则可得到k×m阶的评分矩阵,本方法中并不要求所有的算法对筛选出的模型一一进行测试,所以未测试的模型-算法对的评分设定为0,填入矩阵对应位置,即评分矩阵中的元素均在{0,1,2,3,4,5}集合范围中。
(3)图1中的3表示协同过滤推荐算法模块,具体实现如下:
①算法相似度计算:根据定义的相似度度量标准,计算智能优化算法i和j之间的相似度ωij。
采用余弦相似度方法进行算法相似度计算,同时由于问题模型间的评分的方差要明显大于算法间的评分方差,所以计算时选取问题模型均值中心化的标准,定义Tij为算法i和算法j均完成求解评分的问题模型集,则计算公式如下:
定义Np为已对问题模型p进行评分的算法集,问题模型p对算法i的预测评分可以通过对算法集Np中算法的评分进行加权平均运算得到,公式如下:
其中,ωij表示算法i和算法j之间的相似度,rpj表示问题模型p对算法j的评分。
③推荐结果序列生成:将②中计算的预测评分从高到低排序,得到针对特定问题模型的智能优化算法推荐结果序列。
根据本发明的一个实施例,以流水车间调度问题为例:
工件g在机器h上的加工时间是已知的,记为tg,h,设G={g1,g2,···,gn}是所有工件的一个排序,T(gi,h)为工件gi在机器h上的加工完成时间,各工件在每台机器上的加工完成时间可以按照下面的公式计算:
完工时间makespan定义为第n个工件gn在最后一台机器上的加工完成时间:
makespan=T(gn,m)
此问题的目标是寻找一个工件排序顺序,使其对应的值为最小,所以选择以makespan作为问题模型函数进行算法求解,最优解为求得的最小值。
选取置换流水车间调度问题中非常著名的Taillard标准算例中的9组算例作为问题模型实例对所提出的推荐方法进行测试,其中,工件数和机器数取值分别为n={20,50,100},m={5,10,20}。
对9个算例与20种智能优化算法分别进行10次交叉测试,取10次结果的平均值,得到各个算例在不同智能优化算法下的平均最优值与平均运行时间。表1-9为测试结果,其中“n-m”表示n个工件,m个机器的算例。
表1车间调度问题(20-5)测试结果表
表2车间调度问题(20-10)测试结果表
表3车间调度问题(20-20)测试结果表
表4车间调度问题(50-5)测试结果表
表5车间调度问题(50-10)测试结果表
表6车间调度问题(50-20)测试结果表
表7车间调度问题(100-5)测试结果表
表8车间调度问题(100-10)测试结果表
表9车间调度问题(100-20)测试结果表
根据评分转化公式及以上测试结果,得到车间调度问题与智能优化算法之间的评分表,如表10所示。
表10车间调度问题-智能优化算法评分表
同理,选择材料选择问题中的4个算例(零件总数分别为20,30,40,50)和工艺规划问题中的4个算例(特征数分别为5,10,20,40)作为问题模型,并计算其与智能优化算法之间的评分表。至此,完成初始数据的准备工作。
以车间调度问题100-10作为待测试的问题模型,根据问题相似度公式在由9个车间调度问题算例、4个材料选择问题算例和4个工艺规划问题算例组成的问题模型库中从高到低选取k个与待测试问题模型相似度高的问题模型,不妨取k=8,则筛选出的问题模型为库中其余8个车间调度问题。
在算法库中随机选取6种算法,其对车间调度问题100-10的评分作为测试的已知数据,剩余14种算法对车间调度问题100-10的评分作为未知数据,得到的评分矩阵如表11所示。
表11评分矩阵
基于评分矩阵,根据算法相似度公式计算算法间的相似度,进而根据预测评分公式,计算算法库中的算法对测试问题模型(车间调度问题100-10)的预测评分,预测评分从高到低排序,得到针对测试问题模型的智能优化算法推荐结果序列。
基于表8数据计算各个算法对测试问题模型(车间调度问题100-10)的实测评分,按照从高到低的顺序排列,得到针对测试问题模型的智能优化算法标准参考序列。
计算推荐结果序列中符合标准参考序列排名顺序的算法数量K,以正确率Accuracy=K/N(N为序列中算法总数)作为评价推荐结果优劣性的指标。经过试验,随机选取6种算法对车间调度问题100-10的评分作为测试的已知数据时,平均正确率为0.9333,且正确率随着已知数据数量的增加而提高,可以验证所提出的推荐方法的正确性和准确性。
综上所述,本发明公开了一种适于制造过程规划的智能优化算法推荐方法,包括智能优化算法评分转化模块设计、相近问题模型筛选模块设计和协同过滤推荐算法模块设计,能够在无专家知识的条件下实现制造过程规划问题与算法的选择匹配,提高制造过程规划问题的求解效率。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种适于制造过程规划的智能优化算法推荐方法,适用于产品制造过程规划问题与算法的选择匹配,其特征在于,包括如下步骤:
步骤(1)智能优化算法评分转化,进行智能优化算法对问题模型的求解效果的评分,具体实现如下:
①建立问题模型库和智能优化算法库:问题模型库中包括制造过程规划问题模型、多个典型复杂函数和待求问题模型,并根据求解需要统一问题参数,包括求解变量、问题维度;
所述的智能优化算法库包含多个智能优化算法,并对算法的初始化、编码、种群更新过程统一接口;
初始的问题模型库包括3种制造过程规划方面的问题模型,分别是:
考虑工件排序顺序,以完工时间为评价指标的流水车间调度问题;
综合考虑产品功能指标、产品能耗、产品成本三个指标的材料选择问题;
考虑加工工艺选择和物理资源配置,以生产能耗和生产时间为评价指标的工艺规划问题;
所述问题模型库能够根据使用需求进行增删,并且能够在使用过程中不断积累补充新的模型;
智能优化算法库同样能够在使用过程中根据需求进行增删和修改;
②计算算法对问题模型的结果参数:利用智能优化算法库中的算法对问题库中的模型进行求解,得到智能优化算法i求解问题模型p的结果参数Pi,结果参数Pi=最优值/运行时间;
③评分转化:根据评分公式:得到智能优化算法i对问题模型p的评分rpi;其中,是n次测试得到的n个结果参数中的最小值,是n次测试得到的n个结果参数中的最大值,为向上取整;通过上述公式计算,将测试所得的结果参数转化为{1,2,3,4,5}内的评分值;
步骤(2)相近问题模型筛选计算,具体实现如下:
①问题模型相似度计算:根据模型相似度度量公式:计算问题模型p和问题模型q之间的相似度ωpq;其中,为同时对待求问题模型p和问题模型库中除p外其余问题模型评分的算法集合,rpi表示算法i对问题模型p求解结果的评分,rqi表示算法i对问题模型q求解结果的评分;
②问题模型筛选:设待求问题模型为p*,则根据步骤①中计算的问题模型相似度数值ωp*q,筛选出包括待求问题模型p*在内的k个相似度大于预定阈值的问题模型;
③将智能优化算法对这些筛选出的模型的评分组成“模型-算法评分矩阵”,不要求所有的算法对筛选出的模型一一进行测试,所以未测试的模型-算法对的评分设定为0,填入矩阵对应位置,即评分矩阵中的元素均在{0,1,2,3,4,5}集合范围中;
步骤(3)设计协同过滤推荐算法,具体实现如下:
①算法相似度计算:根据算法相似度度量公式:
计算智能优化算法i和j之间的相似度ωij;其中,Tij为算法i和算法j均完成求解评分的问题模型集,rpi表示算法i对问题模型p求解结果的评分,rpj表示算法j对问题模型p求解结果的评分,表示问题模型p得到的所有求解评分的平均值;
③推荐结果序列生成:将预测评分从高到底排序,得到针对特定问题模型的智能优化算法推荐结果序列。
2.如权利要求1所述的一种适于制造过程规划的智能优化算法推荐方法,其特征在于:
所述复杂函数包括14个典型复杂函数,分别是:Spere,Schwefel_p221,Schwefel_p222,Schwefel_p12,Rosenbrock,Step,Ellipse,Noise quadric,Rotated expandedscaffer f6,High conditioned elliptic,2D minima,Tablet,Diff power,Rastrigin,这些函数最优值均为0。
3.一种适于制造过程规划的智能优化算法推荐系统,适用于产品制造过程规划问题与算法的选择匹配,其特征在于包括:
(1)智能优化算法评分转化模块,用于进行智能优化算法对问题模型的求解效果的评分,具体实现如下:
①建立问题模型库和智能优化算法库:问题模型库中包括制造过程规划问题模型、多个典型复杂函数和待求问题模型,并根据求解需要统一问题参数,包括求解变量、问题维度;
所述的智能优化算法库包含多个智能优化算法,并对算法的初始化、编码、种群更新过程统一接口;
初始的问题模型库包括3种制造过程规划方面的问题模型,分别是:
考虑工件排序顺序,以完工时间为评价指标的流水车间调度问题;
综合考虑产品功能指标、产品能耗、产品成本三个指标的材料选择问题;
考虑加工工艺选择和物理资源配置,以生产能耗和生产时间为评价指标的工艺规划问题;
所述问题模型库能够根据使用需求进行增删,并且能够在使用过程中不断积累补充新的模型;
智能优化算法库同样能够在使用过程中根据需求进行增删和修改;
②计算算法对问题模型的结果参数:利用智能优化算法库中的算法对问题库中的模型进行求解,得到智能优化算法i求解问题模型p的结果参数Pi,结果参数Pi=最优值/运行时间;
③评分转化:根据评分公式:得到智能优化算法i对问题模型p的评分rpi;其中,是n次测试得到的n个结果参数中的最小值,是n次测试得到的n个结果参数中的最大值,为向上取整;通过上述公式计算,将测试所得的结果参数转化为{1,2,3,4,5}内的评分值;
(2)相近问题模型筛选计算模块,具体实现如下:
①问题模型相似度计算:根据模型相似度度量公式:计算问题模型p和问题模型q之间的相似度ωpq;其中,为同时对待求问题模型p和问题模型库中除p外其余问题模型评分的算法集合,rpi表示算法i对问题模型p求解结果的评分,rqi表示算法i对问题模型q求解结果的评分;
②问题模型筛选:设待求问题模型为p*,则根据步骤①中计算的问题模型相似度数值ωp*q,筛选出包括待求问题模型p*在内的k个相似度大于预定阈值的问题模型;
③将智能优化算法对这些筛选出的模型的评分组成“模型-算法评分矩阵”,不要求所有的算法对筛选出的模型一一进行测试,所以未测试的模型-算法对的评分设定为0,填入矩阵对应位置,即评分矩阵中的元素均在{0,1,2,3,4,5}集合范围中;
(3)协同过滤推荐算法模块,具体实现如下:
①算法相似度计算:根据算法相似度度量公式:
计算智能优化算法i和j之间的相似度ωij;其中,Tij为算法i和算法j均完成求解评分的问题模型集,rpi表示算法i对问题模型p求解结果的评分,rpj表示算法j对问题模型p求解结果的评分,表示问题模型p得到的所有求解评分的平均值;
③推荐结果序列生成:将预测评分从高到底排序,得到针对特定问题模型的智能优化算法推荐结果序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010222636.6A CN111428148B (zh) | 2020-03-26 | 2020-03-26 | 一种适于制造过程规划的智能优化算法推荐方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010222636.6A CN111428148B (zh) | 2020-03-26 | 2020-03-26 | 一种适于制造过程规划的智能优化算法推荐方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111428148A CN111428148A (zh) | 2020-07-17 |
CN111428148B true CN111428148B (zh) | 2021-11-05 |
Family
ID=71551687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010222636.6A Expired - Fee Related CN111428148B (zh) | 2020-03-26 | 2020-03-26 | 一种适于制造过程规划的智能优化算法推荐方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111428148B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638443B (zh) * | 2022-05-19 | 2022-08-23 | 安徽数智建造研究院有限公司 | 一种基于改进遗传算法的施工设备智能选型及调配方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005054982A2 (en) * | 2003-11-28 | 2005-06-16 | Manyworlds, Inc. | Adaptive recombinant systems |
CN102624870A (zh) * | 2012-02-01 | 2012-08-01 | 北京航空航天大学 | 基于智能优化算法的云制造计算资源可重构配置方法 |
CN107590623A (zh) * | 2016-07-07 | 2018-01-16 | 袁宏斌 | 一种考虑地域物流服务能力的云制造服务组合优选方法 |
CN108153918A (zh) * | 2018-02-05 | 2018-06-12 | 北京工业大学 | 基于自适应正交交叉的多目标优化算法的个性化电影推荐方法 |
-
2020
- 2020-03-26 CN CN202010222636.6A patent/CN111428148B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2005054982A2 (en) * | 2003-11-28 | 2005-06-16 | Manyworlds, Inc. | Adaptive recombinant systems |
CN102624870A (zh) * | 2012-02-01 | 2012-08-01 | 北京航空航天大学 | 基于智能优化算法的云制造计算资源可重构配置方法 |
CN107590623A (zh) * | 2016-07-07 | 2018-01-16 | 袁宏斌 | 一种考虑地域物流服务能力的云制造服务组合优选方法 |
CN108153918A (zh) * | 2018-02-05 | 2018-06-12 | 北京工业大学 | 基于自适应正交交叉的多目标优化算法的个性化电影推荐方法 |
Non-Patent Citations (1)
Title |
---|
面向产品装配序列规划的智能优化算法库;敬石开等;《计算机辅助设计与图形学学报》;20100930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111428148A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Multiobjective evolutionary algorithms: A survey of the state of the art | |
CN105446979B (zh) | 数据挖掘方法和节点 | |
CN110991739A (zh) | 一种行业电量需求预测模型的构建方法及预测方法 | |
CN102393839A (zh) | 并行数据处理系统及方法 | |
CN116402002B (zh) | 一种用于芯片布局问题的多目标分层强化学习方法 | |
CN109727637B (zh) | 基于混合蛙跳算法识别关键蛋白质的方法 | |
CN108304975A (zh) | 一种数据预测系统及方法 | |
Qian et al. | A multi-objective evolutionary algorithm based on adaptive clustering for energy-aware batch scheduling problem | |
CN110414627A (zh) | 一种模型的训练方法及相关设备 | |
CN103700030A (zh) | 基于灰色粗糙集的电网建设项目后评价指标赋权方法 | |
CN111428148B (zh) | 一种适于制造过程规划的智能优化算法推荐方法 | |
CN112184412A (zh) | 一种信用评分卡模型的建模方法、装置、介质及电子设备 | |
CN113962477A (zh) | 一种产业电量关联聚集预测方法、装置、设备及存储介质 | |
CN113032367A (zh) | 面向动态负载场景的大数据系统跨层配置参数协同调优方法和系统 | |
Ismaeel et al. | An efficient workload clustering framework for large-scale data centers | |
Napalkova et al. | Multi-objective stochastic simulation-based optimisation applied to supply chain planning | |
AU2013390812A1 (en) | Attribute importance determination | |
CN105678430A (zh) | 基于邻近项目Slope One算法的用户改进推荐方法 | |
CN114862243A (zh) | 用于辅助决策的数据处理方法和装置 | |
Gupta et al. | Flow shop scheduling decisions through Techniques for Order Preference by Similarity to an Ideal Solution (TOPSIS) | |
Yu et al. | Supplier evaluation analysis based on AHP-entropy-TOPSIS method | |
Osei-Bryson et al. | Overview on cluster analysis | |
CN112308340A (zh) | 电力数据处理方法及装置 | |
Zaabar et al. | A two-phase part family formation model to optimize resource planning: a case study in the electronics industry | |
CN112070200A (zh) | 一种谐波群优化方法及其应用 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211105 |