CN111539575B - 一种基于遗传算法的飞机装配测量场布局方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的飞机装配测量场布局方法，包括以下步骤：建立基于0‑1规划的装配测量场布局模型；通过遗传算法求解装配测量场布局模型，得到测量场优化布局。本发明通过建立基于0‑1规划的测量场布局优化模型，再利用遗传算法求解，实现测量场布局的智能优化，为高精度测量定向点打下了基础。利用0‑1规划建立测量场布局优化模型，使得复杂测量场的布局问题变得表述清晰、简洁且便于求解；再利用遗传算法求解模型，高效、便捷。

Description

一种基于遗传算法的飞机装配测量场布局方法

技术领域

本发明属于定位点测量技术领域，具体涉及一种基于遗传算法的飞机装配测量场布局方法。

背景技术

随着我国航空事业的发展，对新型号飞机的精度要求越来越高。在飞机数字化装配过程中，所有测量结果都需要通过地面基准点(ERS)转移到全局坐标系下，因此ERS点的精度直接影响到飞机装配的整体精度，明究多路激光跟踪仪的高精度测量技术，利用高精度测边数据，组网交会测量并结合平差理论结算坐标提高测量精度，但飞机部件装配现场的工装布置环境复杂，众多基准点分布其中，严重的视线遮挡使得地面基准点(ERS)的选择非常困难。

发明内容

本发明针对现有技术中的不足，提供一种基于遗传算法的飞机装配测量场布局方法，优化测量场布局，为高精度测量打下基础。

为实现上述目的，本发明采用以下技术方案：

一种基于遗传算法的飞机装配测量场布局方法，包括以下步骤：

建立基于0-1规划的装配测量场布局模型；

通过遗传算法求解装配测量场布局模型，得到测量场优化布局。

为优化上述技术方案，采取的具体措施还包括：

进一步地，上述建立基于0-1规划的装配测量场布局模型具体包括以下步骤：

将装配测量场外边界分割为m个小区域σ_i，其中，i＝1，2…，m；

在每个小区域σ_i内任取一点，作为待定测站点，建立光路可达网路图；

根据光路可达网路途获取定向点可视范围内的所有待定测站点和待定测站点可视范围的所有定向点；

根据待定测站点和定向点建立0-1规划的目标函数。

进一步地，上述建立光路可达网路图还包括在光路可达性较差的ERS点和TB点附近设置待定辅助点。

进一步地，上述建立光路可达网路图还包括以下步骤：

步骤一：定义所有待定测站点为顶点集V₁，定义所有定向点为顶点集V₂；

步骤二：在顶点集V₁和顶点集V₂中任取两点u∈V₁和v∈V₂,,考察u,v，即若u,v在三维数模中光路可达,则在u,v之间连一条边；若u,v在三维数模中光路不可达，则u,v不连边；

步骤三：重复所述步骤二，直到顶点集V₁和顶点集V₂中所有的点完成考察，得到光路可达网路图。

进一步地，上述建立0-1规划的目标函数为：

min t,

其中，F_j表示定向点j的可视范围内的待定测站点集合，j∈J＝{1，2…，n}；F_i为待定测站点i的可视范围的定向点集合，i∈I＝{1，2…，m}；所述i,i′相邻为沿着测量场外边界，若两个站点i,i′之间没有其它测站点，则称i,i′相邻。

进一步地，上述通过遗传算法求解装配测量场布局模型包括以下步骤：

步骤四：定义x_i表示第i段位置是否设置测站，当第i段设置测站时,x_i＝1；当第i段不设置测站时,x_i＝0，令X＝(x₁，x₂，…，x_m)^T为整数规划的可行解，即满足0-1规划的目标函数约束条件的可行解；

设置进化代数计数器t＝0和最大进化代数T，在可行域中随机生成M个个体作为初始群体P(0)，即一组初始0-1可行解，所述可行域为所有可行解构成的集合；

步骤五：计算群体P(t)中各个个体的适应度，得到目标函数值；

步骤六：针对群体P(t)进行选择运算、交叉运算和变异运算，得到下一代群体P(t+1)，并计算群体P(t+1)中各个个体的适应度，得到目标函数值

步骤七：重复步骤六，直到进化代数计数器t＝T，执行下一步；

步骤八：输出使得目标函数值最小的个体作为最优解。

进一步地，上述选择运算、交叉运算和变异运算具体为：

所述选择运算包括设个体i的适应度为f_i,个体i被选的概率为

所述交叉运算包括设定交叉算子概率，并根据交叉算子概率选择两个个体i进行基因互换；

所述变异运算包括设定概率阈值q₀＝0.02,随机生成和为1的概率序列q₁，q₂，…，q_m，当概率序列中的个体概率小于0.02时，改变该个体对应的分量，当概率序列中的个体概率大于0.02时，不改变该个体对应的分量。

本发明的有益效果是：

本发明提供的一种基于遗传算法的飞机装配测量场布局方法通过建立基于0-1规划的测量场布局优化模型，再利用遗传算法求解，实现测量场布局的智能优化，为高精度测量定向点打下了基础。利用0-1规划建立测量场布局优化模型，使得复杂测量场的布局问题变得表述清晰、简洁且便于求解；再利用遗传算法求解模型，高效、便捷。

附图说明

图1为本发明的方法流程示意图。

图2为本发明的飞机测量场结构示意图。

图3为本发明的测量场分割示意图。

图4为本发明的遗传算法实施流程示意图。

具体实施方式

现在结合附图1-4对本发明作进一步详细的说明。

需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

如图1和图2所示，在本发明的其中一个实施例中，一种基于遗传算法的飞机装配测量场布局方法，包括以下步骤：

建立基于0-1规划的装配测量场布局模型；

通过遗传算法求解装配测量场布局模型，得到测量场优化布局。

在本实施例中，首先建立基于0-1规划的测量场布局优化模型，使得负责的装配测量场问题表述清晰、简洁，便于求解；再利用遗传算法求解，实现测量场布局的智能优化，高效、便捷，能降低人工的工作强度，最终极大提高测量精度。

如图1和图3所示，在本发明的其中一个实施例中，建立基于0-1规划的装配测量场布局模型具体包括以下步骤：

将装配测量场外边界分割为m个小区域σ_i，其中，i＝1，2…，m；

在每个小区域σ_i内任取一点，作为待定测站点，建立光路可达网路图，建立光路可达网路图还包括以下步骤：

步骤一：定义所有待定测站点为顶点集V₁，定义所有定向点为顶点集V₂；

步骤二：在顶点集V₁和顶点集V₂中任取两点u∈V₁和v∈V₂,,考察u,v，即若u,v在三维数模中光路可达,则在u,v之间连一条边；若u,v在三维数模中光路不可达，则u,v不连边；

步骤三：重复所述步骤二，直到顶点集V₁和顶点集V₂中所有的点完成考察，得到光路可达网路图。

根据光路可达网路途获取定向点可视范围内的所有待定测站点和待定测站点可视范围的所有定向点；

根据待定测站点和定向点建立0-1规划的目标函数，建立0-1规划的目标函数为：

min t,

其中，F_j表示定向点j的可视范围内的待定测站点集合，j∈J＝{1，2…，n}；F_i为待定测站点i的可视范围的定向点集合，i∈I＝{1，2…，m}；所述i,i′相邻为沿着测量场外边界，若两个站点i,i′之间没有其它测站点，则称i,i′相邻。

在本实施例中，采用0-1线性规划建立测量场布局优化模型，充分考虑定向点的光路可达性，根据公共基准点遵循的原则设置0-1规划的目标函数的约束条件，即

①公共基准点应尽量覆盖当前站位被测物体的换算范围，尽量做到均匀分布。公共基准点覆盖所有换算范围，以确保达到最佳精度定位；

②任2个公共基准点不应该和激光跟踪仪同处一条直线上。同处一条直线的公共基准点不利于拟合坐标系最佳转换关系，容易引进误差而不易被发现；

③与相邻站位要有3个以上相同的公共基准点。这是由于2台激光跟踪仪测量坐标系之间的转换，要至少测量3个相同的公共基准点才能完成。

在本发明的其中一个实施例中，上述建立光路可达网路图还包括在光路可达性较差的ERS点和TB点附近设置待定辅助点。

如图4所示，在本发明的其中一个实施例中，通过遗传算法求解装配测量场布局模型包括以下步骤：

步骤四：定义x_i表示第i段位置是否设置测站，当第i段设置测站时,x_i＝1；当第i段不设置测站时,x_i＝0，令X＝(x₁，x₂，...，x_m)^T为整数规划的可行解，即满足0-1规划的目标函数约束条件的可行解；

设置进化代数计数器t＝0和最大进化代数T，在可行域中随机生成M个个体作为初始群体P(0)，即一组初始0-1可行解，所述可行域为所有可行解构成的集合；

步骤五：计算群体P(t)中各个个体的适应度，得到目标函数值；

步骤六：针对群体P(t)进行选择运算、交叉运算和变异运算，得到下一代群体P(t+1)，并计算群体P(t+1)中各个个体的适应度，得到目标函数值

步骤七：重复步骤六，直到进化代数计数器t＝T，执行下一步；

步骤八：输出使得目标函数值最小的个体作为最优解。

进一步地，上述选择运算、交叉运算和变异运算具体为：

所述选择运算包括设个体i的适应度为f_i,个体i被选的概率为

所述交叉运算包括设定交叉算子概率，并根据交叉算子概率选择两个个体i进行基因互换；

所述变异运算包括设定概率阈值q₀＝0.02,随机生成和为1的概率序列q₁，q₂，…，q_m，当概率序列中的个体概率小于0.02时，改变该个体对应的分量，当概率序列中的个体概率大于0.02时，不改变该个体对应的分量。

本发明的有益效果是：

本发明提供的一种基于遗传算法的飞机装配测量场布局方法通过建立基于0-1规划的测量场布局优化模型，再利用遗传算法求解，实现测量场布局的智能优化，为高精度测量定向点打下了基础。利用0-1规划建立测量场布局优化模型，使得复杂测量场的布局问题变得表述清晰、简洁且便于求解；再利用遗传算法求解模型，高效、便捷。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (2)

1.一种基于遗传算法的飞机装配测量场布局方法，其特征在于，包括以下步骤：

建立基于0-1规划的装配测量场布局模型；

通过遗传算法求解装配测量场布局模型，得到测量场优化布局；

所述建立基于0-1规划的装配测量场布局模型具体包括以下步骤：

将装配测量场外边界分割为m个小区域σ_i，其中，i＝1，2…，m；

在每个小区域σ_i内任取一点，作为待定测站点，建立光路可达网路图；

根据光路可达网路图获取定向点可视范围内的所有待定测站点和待定测站点可视范围的所有定向点；

根据待定测站点和定向点建立0-1规划的目标函数；

所述建立光路可达网路图还包括在光路可达性较差的ERS点和TB点附近设置待定辅助点；

所述建立光路可达网路图还包括以下步骤：

步骤一：定义所有待定测站点为顶点集V₁，定义所有定向点为顶点集V₂；

步骤二：在顶点集V₁和顶点集V₂中任取两点u∈V₁和v∈V₂,考察u，v，即若u，v在三维数模中光路可达,则在u，v之间连一条边；若u，v在三维数模中光路不可达，则u，v不连边；

步骤三：重复所述步骤二，直到顶点集V₁和顶点集V₂中所有的点完成考察，得到光路可达网路图；

所述建立0-1规划的目标函数为：

mint，

其中，F_j表示定向点j的可视范围内的待定测站点集合，j∈J＝{1，2…，n}；F_i为待定测站点i的可视范围的定向点集合，i∈I＝{1，2…，m}；所述i，i′相邻且沿着测量场外边界，若两个站点i，i′之间没有其它测站点，则称i，i′相邻；

所述通过遗传算法求解装配测量场布局模型包括以下步骤：

步骤四：定义x_i表示第i段位置是否设置测站点，当第i段设置测站点时,x_i＝1；当第i段不设置测站点时,x_i＝0，令X＝(x₁，x₂，…，x_m)^T为整数规划的可行解，即满足0-1规划的目标函数约束条件的可行解；

设置进化代数计数器t＝0和最大进化代数T，在可行域中随机生成M个个体作为初始群体P(0)，即一组初始0-1可行解，所述可行域为所有可行解构成的集合；

步骤五：计算群体P(t)中各个个体的适应度，得到目标函数值；

步骤六：针对群体P(t)进行选择运算、交叉运算和变异运算，得到下一代群体P(t+1)，并计算群体P(t+1)中各个个体的适应度，得到目标函数值；

步骤七：重复步骤六，直到进化代数计数器t＝T，执行下一步；

步骤八：输出使得目标函数值最小的个体作为最优解。

2.根据权利要求1所述的基于遗传算法的飞机装配测量场布局方法，其特征在于，所述选择运算、交叉运算和变异运算具体为：

所述选择运算包括设个体i的适应度为f_i,个体i被选的概率为

所述交叉运算包括设定交叉算子概率，并根据交叉算子概率选择两个个体i进行基因互换；

所述变异运算包括设定概率阈值q₀＝0.02,随机生成和为1的概率序列q₁，q₂，…，q_m，当概率序列中的个体概率小于0.02时，改变该个体对应的分量，当概率序列中的个体概率大于0.02时，不改变该个体对应的分量。

Images