CN111461911A - 一种基于混合nsga-ii的加工工件虚拟单元构建方法 - Google Patents
一种基于混合nsga-ii的加工工件虚拟单元构建方法 Download PDFInfo
- Publication number
- CN111461911A CN111461911A CN202010053427.3A CN202010053427A CN111461911A CN 111461911 A CN111461911 A CN 111461911A CN 202010053427 A CN202010053427 A CN 202010053427A CN 111461911 A CN111461911 A CN 111461911A
- Authority
- CN
- China
- Prior art keywords
- chromosome
- individual
- dominant
- genes
- population
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 51
- 238000010276 construction Methods 0.000 claims abstract description 21
- 210000000349 chromosome Anatomy 0.000 claims description 121
- 108090000623 proteins and genes Proteins 0.000 claims description 103
- 230000008569 process Effects 0.000 claims description 46
- 230000013011 mating Effects 0.000 claims description 39
- 230000035772 mutation Effects 0.000 claims description 20
- 238000004519 manufacturing process Methods 0.000 claims description 16
- 238000012216 screening Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000003754 machining Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Genetics & Genomics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
- General Factory Administration (AREA)
Abstract
本发明属于虚拟单元构建领域,并具体公开了一种基于混合NSGA‑II的加工工件虚拟单元构建方法。所述方法包括:参数定义和初始化,生成种群规模为Y的初始种群y,计算初始种群y中各个个体的适应度值,以形成交配池,根据定义的混合NSGA‑II模型的参数,将交配池中的个体进行交叉和变异,得到子代种群y*,根据Lévy flight搜索策略对子代种群y*中的个体进行随机搜索,得到更新子代种群y**,并以此输出虚拟单元构建中的多个目标函数的最优解。本发明能够根据设定的多个目标来搜寻多个虚拟单元中与加工工件最优加工匹配度最优的虚拟单元,并根据该虚拟单元为工件加工匹配生产条件。
Description
技术领域
本发明属于虚拟单元构建技术领域,更具体地,涉及一种基于混合NSGA-II的加工工件虚拟单元构建方法。
背景技术
随着产品需求多样化时代的到来,制造企业面临着产品种类需求增多、顾客个性化需求不断提高、产品交货期不断缩短等问题的挑战,在此背景下,虚拟单元制造已成为现代制造企业的主要生产方式之一。而虚拟单元构建作为实现虚拟单元制造的第一步,它对制造企业能否及时响应顾客的需求起着决定性作用,因此对于该问题的研究就显得尤为重要。除此之外,在企业现实的生产制造过程中,往往不仅仅考虑一个目标,而是将多个目标综合考虑。在很多情况下,虚拟单元构建都是一个复杂多目标优化过程,其优化的目标可以为零件族相似性最大、加工成本最少、设备负荷最均衡等。因此,目前多目标虚拟单元构建已经成为学者和企业研究的热点问题之一。
NSGA-II是目前最流行的多目标进化优化算法之一,它具有运行速度快、解集收敛性好等优点,也是其它多目标优化算法的性能评价基准之一。然而,其应用在工件加工虚拟单元构建中时,由于NSGA-II算法设计的个体适应度值分配机制和个体选择机制,父代和子代合并种群中的重复个体会被赋予相同适应度值而可能被一起选择进入下一代种群,因此新种群中总会存在一部分重复个体,这使得算法在目标空间中的搜索效率降低。并且这种个体重复的现象不会随着算法运行时间的增长而消失,算法最终输出解集中仍会存在一定数量的个体在目标空间中是相同的,这导致算法解集的分布性变差,即工件加工虚拟单元构建不够优化,在工件加工匹配生产条件,出现了重复、质量不理想的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于混合NSGA-II的加工工件虚拟单元构建方法,通过将构建多个工件加工过程的虚拟单元,并结合混合NSGA-II算法和Lévy flight搜索策略,使得本发明方法能够根据设定的多个目标来搜寻多个虚拟单元中与加工工件最优加工匹配度最优的虚拟单元,并根据该虚拟单元为工件加工匹配生产条件,以及解决传统NSGA-II算法中虚拟单元中总是存在一些重复加工条件参数,而导致虚拟单元构建中参数搜索效率低、解空间分布性差、解质量不理想的问题。
为实现上述目的,本发明提出了一种基于混合NSGA-II的加工工件虚拟单元构建方法,包括以下步骤:
S1根据工件加工中的生产条件,构建加工工件的Y个虚拟单元,并对构成各个虚拟单元的参数进行定义和初始化,然后根据虚拟单元的参数对混合NSGA-II模型进行参数定义和初始化;
S2根据步骤S1的参数定义,将所述Y个虚拟单元定义为种群规模为Y的初始种群y,每个虚拟单元构成所述始种群y的个体,每个虚拟单元的参数构成个体的染色体,其中,Y为大于0的整数;
S3根据需要设定工件加工中的多个目标函数,并以此计算初始种群y中各个个体的适应度值,根据该适应度值获取初始种群y中各个个体的非支配排序等级,根据所述非支配排序等级以及各个个体的拥挤度选择交配个体,形成交配池;
S4根据定义的混合NSGA-II模型的参数,将构成交配池中个体的染色体的基因进行交叉和变异,得到子代种群y*;
S5根据Lévy flight搜索策略对子代种群y*中个体的基因进行随机搜索,调整构成子代种群y*中的的染色体的基因,得到更新子代种群y**;
S6将初始种群y与更新子代种群y**合并成中间种群,根据虚拟单元构建中的多个目标函数计算中间种群中各个个体的非支配排序等级,并根据该非支配排序等级以及各个个体的拥挤度对中间种群中的个体进行排序,以此生成包含N个解的Pareto前沿,并根据设定的迭代终止条件输出虚拟单元构建中的多个目标函数的Pareto最优解,即为工件加工的最优虚拟单元,并根据该虚拟单元为工件加工匹配生产条件。
作为进一步优选的,步骤S1中,所述混合NSGA-II模型的参数包括种群的规模、迭代终止条件、构成个体的基因的交叉概率、构成个体染色体的基因的变异概率、Lévyflight搜索策略中随机搜索概率值;所述虚拟单元的参数包括工件类型、工艺路径、机器类型、虚拟单元、加工时间。
作为进一步优选的,步骤S2中,根据所述虚拟单元的参数定义构成初始种群y的每个个体的显性染色体和隐性染色体,其中,在将交配池中的交配个体进行交叉和变异过程中,隐性染色体不会主动进行交叉与变异过程。
作为进一步优选的,步骤S2中,各个工件选择的虚拟单元组成单元层,并将该单元层定义为单元层显性染色体,每个虚拟单元构成该单元层显性染色体的基因;各个工件选择的工艺路径索引组成路径层,并将该路径层定义为路径层显性染色体,每个工艺路径索引构成路径层显性染色体的基因;各个工件选择的工艺路径索引对应于一条工艺路径,由一系列机器来表示,所有工件的工艺路径所对应的机器组成了机器层,并将该机器层定义为机器层隐性染色体,每个机器构成该机器层隐性染色体的基因;所有工件在各机器上的加工时间组成了时间层,并将时间层定义为时间层隐性染色体,每个加工时间构成该时间层隐性染色体的基因。
作为进一步优选的,步骤S3具体包括以下步骤:
首先,根据虚拟单元构建中的多个目标函数计算初始种群y中各个个体的适应度值;
然后,根据各个个体的适应度值对个体划分非支配排序等级,其中划分为同一等级的各个个体的为非支配关系,其非支配等级相同;
接着,采用二进制锦标赛对初始种群y中各个个体进行筛选,其中,对于非支配等级不同的,选择非支配等级小的个体加入到交配池中;对于非支配等级相同的,比较个体的拥挤度,选择拥挤度大的个体加入到交配池中,否则,随机选取一个个体加入到交配池中,直至达到交配池的容量。
作为进一步优选的,步骤S4中,将交配池中个体的染色体的基因进行交叉具体包括以下步骤:随机选取构成两个个体的某个相同显性染色体的一段或几段相同位置的基因段进行互换,从而得到两个新的个体;
将交配池中个体的染色体的基因进行变异具体包括以下步骤:随机选择其他参数替换构成个体的某个显性染色体的一段或几段基因段,从而得到新个体。
作为进一步优选的,在将交配池中个体的染色体的基因进行交叉过程中,若互换的对象为路径层显性染色体,则交换的路径层显性染色体基因段所对应的机器层隐性染色体和时间层隐性染色体基因段需跟随路径层显性染色体基因段一起进行交换;
将交配池中个体的染色体的基因进行变异的过程中,若变异的对象为路径层显性染色体,则变异的路径层显性染色体基因段所对应的机器层隐性染色体和时间层隐性染色体基因段需跟随路径层显性染色体基因段一起进行变异。
作为进一步优选的,步骤S5中,根据Lévy flight搜索策略,采用局部调整算子与全局调整算子对子代种群y*中个体的染色体的基因进行随机搜索得到更新子代种群y**。
作为进一步优选的,步骤S5具体包括以下步骤:Lévy flight搜索策略根据子代种群y*的规模生成随机数a,若该随机数a大于Lévy flight搜索策略中随机搜索概率值,则采用全局调整算子进行全局搜索,否则,采用局部调整算子进行局部搜索,调整构成子代种群y*中个体的染色体的基因段,得到更新子代种群y**。
作为进一步优选的,若采用全局调整算子进行全局搜索,则给定一个输入参数s,将长度为L的染色体划分为n段,其中前(n-1)段均包含s个基因且满足s*(n-1)<L≤s*n;若第n段的基因个数为s,则从n段基因组中随机选取2段进行互换;否则,从前(n-1)段的基因中随机选取2段进行互换;
若采用局部调整算子进行局部搜索,则给定一个输入参数s,将长度为L的染色体划分为n段,其中前(n-1)段均包含s个基因且满足s*(n-1)<L≤s*n;对前(n-1)段中的每一段基因,随机选取2个基因进行互换;若第n段的基因个数大于或等于2,则随机选取2个基因进行互换,否则不进行操作。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
1.本发明通过将构建多个工件加工过程的虚拟单元,并结合混合NSGA-II算法和Lévy flight搜索策略,使得本发明方法能够根据设定的多个目标来搜寻多个虚拟单元中与加工工件最优加工匹配度最优的虚拟单元。本发明在NSGA-II算法中引入Lévy flight搜索策略来对种群中的重复个体进行随机搜索,并通过比较适应度函数决定新个体是否取代原有重复个体,可以增强算法的搜索能力,增加虚拟单元构成的多样性,提升算法解集的分布性;将混合Lévy flight搜索策略的NSGA-II算法用于虚拟单元构建多目标优化,能够为决策者提供更好的优化方案。
2.本发明将Lévy flight搜索策略引入到NSGA-II算法中,提高了算法的局部搜索和全局搜索能力,使得算法能够在保留优质解的同时降低同一个体被重复选择进入下一代种群的概率,增强了种群的多样性,有效避免算法陷入局部最优。与传统的NSGA-II算法相比,在求解多目标虚拟单元构建问题上,带Lévy flight搜索策略的NSGA-II算法在算法收敛性、运行速度、非支配解个数以及解集均匀性上均有较大提升。
附图说明
图1为本发明实施例涉及的一种基于混合NSGA-II的加工工件虚拟单元构建方法的流程图;
图2为本发明实施例涉及的NSGA-II算法的个体编码结构示意图;
图3为本发明实施例涉及的NSGA-II算法的二进制锦标赛方法的流程图;
图4为本发明实施例涉及的NSGA-II算法的交叉操作示意图;
图5为本发明实施例涉及的NSGA-II算法的变异操作示意图;
图6为本发明实施例涉及的Lévy flight搜索策略的局部调整算子示意图;
图7为本发明实施例涉及的Lévy flight搜索策略的全局调整算子示意图。
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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明针对工件可放置于多个虚拟单元中进行加工的情况,其中,虚拟单元中包括的机器能够加工就分配到这个虚拟单元的工件的所有工序(可能有部分工序跨单元加工),所有虚拟单元就构成了问题的解,从而通过多目标优化的方法,为加工工件匹配最优的虚拟单元。具体而言,如图1所示,本发明的优化方法包括:
S1根据工件加工中的生产条件,构建加工工件的Y个虚拟单元,并对构成各个虚拟单元的参数进行定义和初始化,然后根据虚拟单元的参数对混合NSGA-II模型进行参数定义和初始化。
步骤S1中,所述混合NSGA-II模型的参数包括种群规模、迭代终止条件、交叉概率、变异概率、Lévy flight搜索策略中随机搜索概率值;所述虚拟单元的参数包括工件类型、工艺路径、机器类型、虚拟单元、加工时间。
S2根据步骤S1的参数定义,将所述Y个虚拟单元定义为种群规模为Y的初始种群y,每个虚拟单元构成所述始种群y的个体,每个虚拟单元的参数构成个体的染色体,其中,Y为大于0的整数。
步骤S2中,每个虚拟单元的参数的构成个体的染色体,每个参数的具体数据构成染色体的基因。根据所述虚拟单元的参数定义构成初始种群y的每个个体的显性染色体和隐性染色体,其中,在将交配池中的交配个体进行交叉和变异过程中,隐性染色体不会主动进行交叉与变异过程。
如图2所示,各个工件选择的虚拟单元组成单元层,并将该单元层定义为单元层显性染色体,各个工件选择的工艺路径索引组成路径层,并将该路径层定义为路径层显性染色体,各个工件选择的工艺路径索引对应于一条工艺路径,由一系列机台来表示,所有工件的工艺路径组成了机器层,并将该机器层定义为机器层隐性染色体,所有工件在各机台上的加工时间组成了时间层,并将时间层定义为时间层隐性染色体。具体而言,步骤S2中,各个工件选择的虚拟单元组成单元层,并将该单元层定义为单元层显性染色体,每个虚拟单元构成该单元层显性染色体的基因;各个工件选择的工艺路径索引组成路径层,并将该路径层定义为路径层显性染色体,每个工艺路径索引构成路径层显性染色体的基因;各个工件选择的工艺路径索引对应于一条工艺路径,由一系列机器来表示,所有工件的工艺路径所对应的机器组成了机器层,并将该机器层定义为机器层隐性染色体,每个机器构成该机器层隐性染色体的基因;所有工件在各机器上的加工时间组成了时间层,并将时间层定义为时间层隐性染色体,每个加工时间构成该时间层隐性染色体的基因。
S3根据需要设定工件加工中的多个目标函数,并以此计算初始种群y中各个个体的适应度值,根据该适应度值获取初始种群y中各个个体的非支配排序等级,根据所述非支配排序等级以及各个个体的拥挤度选择交配个体,形成交配池;
如图3所示,首首先,根据虚拟单元构建中的多个目标函数计算初始种群y中各个个体的适应度值。其中,目标函数可根据加工工件的类型、加工路径的长短、加工时间的长短以及加工机器的限制来设定,其他的使用与优化工件加工的条件也可作为目标函数。
然后,根据各个个体的适应度值对个体划分非支配排序等级,其中划分为同一等级的各个个体的为非支配关系,其非支配等级相同;
接着,采用二进制锦标赛对初始种群y中各个个体进行筛选,其中,对于非支配等级不同的,选择非支配等级小的个体加入到交配池中;对于非支配等级相同的,比较个体的拥挤度,选择拥挤度大的个体加入到交配池中,否则,随机选取一个个体加入到交配池中,直至达到交配池的容量。
S4根据定义的混合NSGA-II模型的参数,将构成交配池中个体的染色体的基因进行交叉和变异,得到子代种群y*。
将交配池中的个体进行交叉具体包括以下步骤:随机选取构成两个个体的某个相同显性染色体的一段或几段相同位置的基因段进行互换,从而得到两个新的个体;将交配池中的个体进行变异具体包括以下步骤:随机选择其他参数替换构成个体的某个显性染色体的一段或几段基因段,从而得到新个体。
在将交配池中的个体进行交叉过程中,若互换的对象为路径层显性染色体,则交换的路径层显性染色体基因段所对应的机器层隐性染色体和时间层隐性染色体基因段需随着路径层显性染色体基因段一起进行交换;将交配池中的个体进行变异的过程中,若变异的对象为路径层显性染色体,则变异的路径层显性染色体基因段所对应的机器层隐性染色体和时间层隐性染色体基因段需随着路径层显性染色体基因段一起进行变异。
S5根据Lévy flight搜索策略对子代种群y*中个体的基因进行随机搜索,调整构成子代种群y*中的的染色体的基因,得到更新子代种群y**。
具体而言,Lévy flight搜索策略根据子代种群y*的规模生成随机数a,若该随机数a大于Lévy flight搜索策略中随机搜索概率值,则采用全局调整算子进行全局搜索,否则,采用局部调整算子进行局部搜索,调整构成子代种群y*中的个体的基因段,得到更新子代种群y**。
其中,随机数a产生方法在编程中,采用rand函数或者其他函数,随机生成[0,1]之内的随机数。
若采用全局调整算子进行全局搜索,则给定一个输入参数s,根据该输入参数将长度为L的染色体划分为n段,其中前(n-1)段均包含s个基因且满足s*(n-1)<L≤s*n;若第n段的基因个数为s,则从n段基因组中随机选取2段进行互换;否则,从前(n-1)段的基因中随机选取2段进行互换;若采用局部调整算子进行局部搜索,则给定一个输入参数s,将长度为L的染色体划分为n段,其中前(n-1)段均包含s个基因且满足s*(n-1)<L≤s*n;对前(n-1)段中的每一段基因,随机选取2个基因进行互换;若第n段的基因个数大于或等于2,则随机选取2个基因进行互换,否则不进行操作。
S6将初始种群y与更新子代种群y**合并成中间种群,根据虚拟单元构建中的多个目标函数计算中间种群中各个个体的非支配排序等级,并根据该非支配排序等级以及各个个体的拥挤度对中间种群中的个体进行排序,以此生成包含N个解的Pareto前沿,并根据设定的迭代终止条件输出虚拟单元构建中的多个目标函数的Pareto最优解,即为工件加工的最优虚拟单元,并根据该虚拟单元为工件加工匹配生产条件。
其中,多个目标函数可根据工件加工中生产条件来进行设定,如可根据工件加工路径最短、加工机器的限制、加工时间最短或者其他来进行限定,以此来选择最适合工件加工的虚拟单元,从而为工件加工匹配最优的生产条件。
实施例1
如图1所示,基于带Lévy flight搜索策略的NSGA-II的虚拟单元构建的多目标优化方法包括以下步骤:
步骤1、定义及初始化参数;
步骤2、产生初始种群y,其种群规模为Y;
步骤3、为每个个体计算适应度值;
步骤4、根据非支配排序和拥挤度采用二进制锦标赛方法选择个体,形成交配池;
步骤5、通过交叉和变异产生子代种群y*;
步骤6、根据Lévy flight搜索策略进行随机搜索(包括局部搜索和全局搜索);
步骤7、根据更新策略更新子代种群y*;
步骤8、将父代种群y与子代种群y*合并成中间种群,其种群规模为2Y;
步骤9、根据非支配排序与拥挤度对中间种群进行排序;
步骤10、产生包含N个解的Pareto前沿;
步骤11、判断是否满足迭代终止条件,若满足则转步骤12,;否则转步骤3;
步骤12、输出最终的Pareto解。
进一步地,步骤1不仅要对NSGA-II算法的参数如种群规模、迭代次数、交叉概率、变异概率、Lévy flight随机搜索概率等参数进行定义以及初始化,还需要对虚拟单元构建问题的工件类型、工艺路径、机器类型、虚拟单元、加工时间等多个参数进行定义以及数据初始化。
如图2所示,步骤2所涉及的个体编码方案为,采用两条显性染色体(单元层和路径层)分别表示每种工件所分配的单元Ci和每个工件路径索引Ri,采用两条隐性染色体(机器层和时间层)分别表示对应类别工件的工艺路径Mi和每道工序的加工时间Ti,其中,隐性染色体不会主动进行交叉和变异等进化过程。
如图3所示,步骤4所涉及的二进制锦标赛选择方法可以描述为,从分层后的种群中随机挑选两个个体进行比较,如果非支配排序值不同,则优先选择值小的个体;否则再比较它们的拥挤度,优先选择拥挤度大的个体;重复该过程直至达到交配池容量。
如图4所示,步骤5采用的交叉方法为,只对两条显性染色体分别进行交叉策略的设计。其中,对单元层染色体,随机选择两个父代3个连续位置的基因进行互换;对路径层染色体,随机选择两个父代2个连续位置的基因进行互换;两个父代的机器层和时间层染色体则跟随路径层染色体发生相应位置的基因互换。
如图5所示,步骤5采用的变异方法为,只对两条显性染色体分别进行变异策略的设计。其中,对单元层染色体,随机选择父代的某一位基因,将其替换成该基因对应工件的其它可选虚拟单元;对路径层染色体,随机选择父代的某一位基因,将其替换成该基因对应工件的其它可选加工路径;父代的机器层和时间层染色体则跟随路径层染色体将相同位置的基因分别替换为更改后路径下的对应工件的工艺路径和每道工序的加工时间。
步骤6所涉及的Lévy flight搜索策略为,采用局部调整算子与全局调整算子对重复个体进行随机搜索。定义随机搜索概率RaR(一般RaR>0.65),生成随机数a(0≤a≤1),若a≤RaR,则进行局部搜索,否则进行全局搜索。如图6所示,局部调整算子为,给定一个输入参数s,将长度为L的染色体划分为n段,其中前(n-1)段均包含s个基因且满足s*(n-1)<L≤s*n;对前(n-1)段中的每一段,随机选取2个基因进行互换;若第n段的基因个数大于或等于2,则随机选取2个基因进行互换,否则不进行操作。如图7所示,全局调整算子为,给定一个输入参数s,将长度为L的染色体划分为n段,其中前(n-1)段均包含s个基因且满足s*(n-1)<L≤s*n;若第n段的基因个数为s,则从n段基因组中随机选取2段进行互换;否则,从前(n-1)段中随机选取2段进行互换。
步骤7所涉及的更新策略为,比较随机搜索前后的个体适应度值,选择较优的个体来更新子代种群y*。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于混合NSGA-II的加工工件虚拟单元构建方法,其特征在于,包括以下步骤:
S1根据工件加工中的生产条件,构建加工工件的Y个虚拟单元,并对构成各个虚拟单元的参数进行定义和初始化,然后根据虚拟单元的参数对混合NSGA-II模型进行参数定义和初始化;
S2根据步骤S1的参数定义,将所述Y个虚拟单元定义为种群规模为Y的初始种群y,每个虚拟单元构成所述始种群y的个体,每个虚拟单元的参数构成个体的染色体,其中,Y为大于0的整数;
S3根据需要设定工件加工中的多个目标函数,并以此计算初始种群y中各个个体的适应度值,根据该适应度值获取初始种群y中各个个体的非支配排序等级,根据所述非支配排序等级以及各个个体的拥挤度选择交配个体,形成交配池;
S4根据定义的混合NSGA-II模型的参数,将构成交配池中个体的染色体的基因进行交叉和变异,得到子代种群y*;
S5根据Lévy flight搜索策略对子代种群y*中个体的基因进行随机搜索,调整构成子代种群y*中的的染色体的基因,得到更新子代种群y**;
S6将初始种群y与更新子代种群y**合并成中间种群,根据虚拟单元构建中的多个目标函数计算中间种群中各个个体的非支配排序等级,并根据该非支配排序等级以及各个个体的拥挤度对中间种群中的个体进行排序,以此生成包含N个解的Pareto前沿,并根据设定的迭代终止条件输出虚拟单元构建中的多个目标函数的Pareto最优解,即为工件加工的最优虚拟单元,并根据该虚拟单元为工件加工匹配生产条件。
2.根据权利要求1所述的一种基于混合NSGA-II的加工工件虚拟单元构建方法,其特征在于,步骤S1中,所述混合NSGA-II模型的参数包括种群的规模、迭代终止条件、构成个体的基因的交叉概率、构成个体染色体的基因的变异概率、Lévy flight搜索策略中随机搜索概率值;所述虚拟单元的参数包括工件类型、工艺路径、机器类型、虚拟单元、加工时间。
3.根据权利要求2所述的一种基于混合NSGA-II的加工工件虚拟单元构建方法,其特征在于,步骤S2中,根据所述虚拟单元的参数定义构成初始种群y的每个个体的显性染色体和隐性染色体,其中,在将交配池中的交配个体进行交叉和变异过程中,隐性染色体不会主动进行交叉与变异过程。
4.根据权利要求3所述的一种基于混合NSGA-II的加工工件虚拟单元构建方法,其特征在于,步骤S2中,各个工件选择的虚拟单元组成单元层,并将该单元层定义为单元层显性染色体,每个虚拟单元构成该单元层显性染色体的基因;各个工件选择的工艺路径索引组成路径层,并将该路径层定义为路径层显性染色体,每个工艺路径索引构成路径层显性染色体的基因;各个工件选择的工艺路径索引对应于一条工艺路径,由一系列机器来表示,所有工件的工艺路径所对应的机器组成了机器层,并将该机器层定义为机器层隐性染色体,每个机器构成该机器层隐性染色体的基因;所有工件在各机器上的加工时间组成了时间层,并将时间层定义为时间层隐性染色体,每个加工时间构成该时间层隐性染色体的基因。
5.根据权利要求1所述的一种基于混合NSGA-II的加工工件虚拟单元构建方法,其特征在于,步骤S3具体包括以下步骤:
首先,根据虚拟单元构建中的多个目标函数计算初始种群y中各个个体的适应度值;
然后,根据各个个体的适应度值对个体划分非支配排序等级,其中划分为同一等级的各个个体的为非支配关系,其非支配等级相同;
接着,采用二进制锦标赛对初始种群y中各个个体进行筛选,其中,对于非支配等级不同的,选择非支配等级小的个体加入到交配池中;对于非支配等级相同的,比较个体的拥挤度,选择拥挤度大的个体加入到交配池中,否则,随机选取一个个体加入到交配池中,直至达到交配池的容量。
6.根据权利要求3所述的一种基于混合NSGA-II的加工工件虚拟单元构建方法,其特征在于,步骤S4中,将交配池中个体的染色体的基因进行交叉具体包括以下步骤:随机选取构成两个个体的某个相同显性染色体的一段或几段相同位置的基因段进行互换,从而得到两个新的个体;
将交配池中个体的染色体的基因进行变异具体包括以下步骤:随机选择其他参数替换构成个体的某个显性染色体的一段或几段基因段,从而得到新个体。
7.根据权利要求6所述的一种基于混合NSGA-II的加工工件虚拟单元构建方法,其特征在于,在将交配池中个体的染色体的基因进行交叉过程中,若互换的对象为路径层显性染色体,则交换的路径层显性染色体基因段所对应的机器层隐性染色体和时间层隐性染色体基因段需跟随路径层显性染色体基因段一起进行交换;
将交配池中个体的染色体的基因进行变异的过程中,若变异的对象为路径层显性染色体,则变异的路径层显性染色体基因段所对应的机器层隐性染色体和时间层隐性染色体基因段需跟随路径层显性染色体基因段一起进行变异。
8.根据权利要求2所述的一种基于混合NSGA-II的加工工件虚拟单元构建方法,其特征在于,步骤S5中,根据Lévy flight搜索策略,采用局部调整算子与全局调整算子对子代种群y*中个体的染色体的基因进行随机搜索得到更新子代种群y**。
9.根据权利要求8所述的一种基于混合NSGA-II的加工工件虚拟单元构建方法,其特征在于,步骤S5具体包括以下步骤:Lévy flight搜索策略根据子代种群y*的规模生成随机数a,若该随机数a大于Lévy flight搜索策略中随机搜索概率值,则采用全局调整算子进行全局搜索,否则,采用局部调整算子进行局部搜索,调整构成子代种群y*中个体的染色体的基因段,得到更新子代种群y**。
10.根据权利要求9所述的一种基于混合NSGA-II的加工工件虚拟单元构建方法,其特征在于,若采用全局调整算子进行全局搜索,则给定一个输入参数s,将长度为L的染色体划分为n段,其中前(n-1)段均包含s个基因且满足s*(n-1)<L≤s*n;若第n段的基因个数为s,则从n段基因组中随机选取2段进行互换;否则,从前(n-1)段的基因中随机选取2段进行互换;
若采用局部调整算子进行局部搜索,则给定一个输入参数s,将长度为L的染色体划分为n段,其中前(n-1)段均包含s个基因且满足s*(n-1)<L≤s*n;对前(n-1)段中的每一段基因,随机选取2个基因进行互换;若第n段的基因个数大于或等于2,则随机选取2个基因进行互换,否则不进行操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053427.3A CN111461911B (zh) | 2020-01-17 | 2020-01-17 | 一种基于混合nsga-ii的加工工件虚拟单元构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010053427.3A CN111461911B (zh) | 2020-01-17 | 2020-01-17 | 一种基于混合nsga-ii的加工工件虚拟单元构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461911A true CN111461911A (zh) | 2020-07-28 |
CN111461911B CN111461911B (zh) | 2022-08-16 |
Family
ID=71680192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010053427.3A Active CN111461911B (zh) | 2020-01-17 | 2020-01-17 | 一种基于混合nsga-ii的加工工件虚拟单元构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461911B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985834A (zh) * | 2020-08-28 | 2020-11-24 | 华中科技大学 | 一种基于深度优先搜索的纸卷分切方法及其应用 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007066787A1 (ja) * | 2005-12-05 | 2007-06-14 | National University Corporation Nagoya University | ハイブリッドgaによる複数パラメータの最適化方法、パターンマッチングによるデータ解析方法、放射線回折データに基づく物質構造の推定方法、ならびに関連するプログラム、記録媒体および各種装置 |
CN104936186A (zh) * | 2015-07-21 | 2015-09-23 | 桂林电子科技大学 | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 |
WO2016169286A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
CN109472362A (zh) * | 2018-10-29 | 2019-03-15 | 武汉理工大学 | 一种基于可变任务窗的agv动态调度方法及装置 |
CN110046777A (zh) * | 2018-01-17 | 2019-07-23 | 北京理工大学 | 一种柔性作业车间持续重构调度方法及装置 |
CN110633494A (zh) * | 2019-08-08 | 2019-12-31 | 哈尔滨理工大学 | 一种基于NSGA-Ⅱ算法的Swiss整流器多目标优化设计方法 |
-
2020
- 2020-01-17 CN CN202010053427.3A patent/CN111461911B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007066787A1 (ja) * | 2005-12-05 | 2007-06-14 | National University Corporation Nagoya University | ハイブリッドgaによる複数パラメータの最適化方法、パターンマッチングによるデータ解析方法、放射線回折データに基づく物質構造の推定方法、ならびに関連するプログラム、記録媒体および各種装置 |
WO2016169286A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
CN104936186A (zh) * | 2015-07-21 | 2015-09-23 | 桂林电子科技大学 | 基于布谷鸟搜索算法的认知无线电网络频谱分配方法 |
CN110046777A (zh) * | 2018-01-17 | 2019-07-23 | 北京理工大学 | 一种柔性作业车间持续重构调度方法及装置 |
CN109472362A (zh) * | 2018-10-29 | 2019-03-15 | 武汉理工大学 | 一种基于可变任务窗的agv动态调度方法及装置 |
CN110633494A (zh) * | 2019-08-08 | 2019-12-31 | 哈尔滨理工大学 | 一种基于NSGA-Ⅱ算法的Swiss整流器多目标优化设计方法 |
Non-Patent Citations (11)
Title |
---|
YUCHEN ZHANG: "PDG-PIO: Predicting Disease-genes Based on Pigeon-inspired Optimization", 《IEEE XPLORE》 * |
付强等: "引入萤火虫行为和Levy飞行的粒子群优化算法", 《计算机应用》 * |
张松: "水文模型单目标优化和水库群调度多目标决策方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
张烈平等: "基于蚁群算法优化的布谷鸟搜索算法", 《 微电子学与计算机》 * |
李煜等: "《群智能优化算法及应用》", 31 October 2019, 北京:中国经济出版社 * |
杨兴林等: "基于多目标多约束的跨企业制造单元构建策略应用研究", 《制造业自动化》 * |
王艳: "改进的萤火虫算法及其应用研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
秦小燕: "多目标柔性作业车间调度问题研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
赵永成等: "双链遗传算法在作业车间调度中的应用", 《大连铁道学院学报》 * |
辛斌: "《面向复杂优化问题求解的智能优化方法》", 30 November 2017 * |
陈湘州等: "一种改进的整数编码遗传算法在车辆路径优化问题中的应用", 《南方冶金学院学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111985834A (zh) * | 2020-08-28 | 2020-11-24 | 华中科技大学 | 一种基于深度优先搜索的纸卷分切方法及其应用 |
CN111985834B (zh) * | 2020-08-28 | 2022-06-14 | 华中科技大学 | 一种基于深度优先搜索的纸卷分切方法及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN111461911B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107203590B (zh) | 基于改进nsga-ii的个性化电影推荐方法 | |
CN111967654A (zh) | 一种基于混合遗传算法求解柔性作业车间调度的方法 | |
CN112926896A (zh) | 一种用于卷烟制丝生产的排产方法 | |
CN110909787A (zh) | 基于聚类的进化算法进行多目标批调度优化的方法和系统 | |
CN113569483A (zh) | 基于人工蜂群算法求解多目标柔性作业车间调度的方法 | |
CN115796510A (zh) | 一种基于改进的变邻域遗传算法的多目标柔性作业车间调度方法 | |
CN111191343A (zh) | 一种基于随机排序学习的多模多目标差分演化算法 | |
CN111369000A (zh) | 一种基于分解的高维多目标进化方法 | |
CN117075545A (zh) | 一种多目标柔性作业车间调度方法、电子设备、介质 | |
CN114862090A (zh) | 基于改进多目标遗传算法的车间调度方法和系统 | |
CN111461911B (zh) | 一种基于混合nsga-ii的加工工件虚拟单元构建方法 | |
CN115481727A (zh) | 一种基于进化计算的意图识别神经网络生成与优化方法 | |
CN114065896A (zh) | 基于邻域调整和角度选择策略的多目标分解进化算法 | |
CN114021934A (zh) | 基于改进spea2求解车间节能调度问题的方法 | |
CN114240091A (zh) | 一种基于自适应分层策略的柔性作业车间调度方法 | |
CN117764025A (zh) | 通过种群优化算法的集成电路设计方法 | |
CN116739254A (zh) | 一种水面无人集群多目标快速分配方法 | |
CN115167294A (zh) | 一种差异化订单齐套交付的多目标并行机调度方法 | |
CN113792494A (zh) | 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法 | |
CN115034070A (zh) | 一种基于多目标优化和vikor方法的复杂机械产品的选择装配优化和决策方法 | |
CN113011767B (zh) | 一种多目标柔性作业车间调度用混合遗传方法 | |
CN115310654A (zh) | 基于强化学习-非支配排序遗传算法的作业车间调度方法 | |
CN114237166A (zh) | 基于改进spea2算法求解多转速节能调度问题的方法 | |
CN114330940A (zh) | 用于pcb电镀任务排序问题的多目标混合蜘蛛猴优化方法 | |
CN117745390B (zh) | 多种群遗传算法的多目标模糊供应链配置优化方法和系统 |
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 |