CN112188825B - 一种基于蝙蝠算法的多头贴片机贴装效率优化方法及系统 - Google Patents

Abstract

本发明公开了一种基于蝙蝠算法的多头贴片机贴装效率优化方法及系统，S1：构建贴片机贴装的主体编码和隐层编码；S2：对主体编码采用随机整数编码方式初始化一组序列，得到初始化种群；S3：构建适应度函数，计算得到初始化种群中每个蝙蝠的适应度值，得到最优蝙蝠位置；S4：采用汉明距离调整速度更新，将第i只蝙蝠在t次迭代时的速度

与当前最优蝙蝠位置相联系；S5：通过位置更新计算当前蝙蝠位置，该当前蝙蝠位置作为局部最优的路径；S6：对主体编码进行变异，循环步骤S2至S5，得到贴片机贴装的全局最优路径，以优化贴片机贴装效率；通过本申请提升了求解贴装过程优化问题的计算效率和求解精度。

Description

一种基于蝙蝠算法的多头贴片机贴装效率优化方法及系统

技术领域

本发明涉及贴片装置技术领域，尤其涉及一种基于蝙蝠算法的多头贴片机贴装效率优化方法及系统。

背景技术

贴片机广泛应用于印刷电路板的装配生产线中，一条SMT生产线的生产速度是由贴片机来决定的，因此贴片机是整个生产线的核心技术部分，对贴片机的元器件贴装工艺进行优化、缩短贴装时间有着十分重要的现实意义和工程价值。在实际生产过程中，若贴装时间过长将导致丝印在PCB板上焊膏失效，从而使再流焊接的效果变差，并严重影响产品质量。

目前关于多头拱架式贴片机贴装效率问题的算法应用大致分成两大类，一种是启发式算法，另一种是群智能优化算法。一般而言，群智能优化算法与启发式算法相比具有更好的求解质量，但采用常规的如遗传算法、蚂蚁算法等群智能优化算法求解，通常存在个体编程长度冗长的情况，导致计算效率低和最优解精度差的缺陷，随着元件数量的增加，计算量会成指数级增长，由此引起的缺陷将表现得更加突出，这使得仅使用群智能优化算法求解上述问题受到了一定限制。另一方面，群智能优化算法所解决问题的规模通常被限制在有限的结点数范围之内，这使得在实际应用中问题的最优解常常无法得到。而对于启发式算法来说，问题的规模一般没有限制，但该算法在大多数的情况下得不到最优解，只能是近似最优解。

另一方面，遗传算法作为常用的群智能优化算法用于解决贴装优化问题的方法，但在实际应用中，遗传算法会有如下方面的不足：在遗传算法中，交叉算子通过模拟自然界生物的杂交过程对个体进行交叉操作，不断产生新个体、增加种群的多样性、扩大寻优范围，从而使得遗传算法具有较强的搜索能力，可是交叉算子在遗传算法扩展求解空间，并达到全局最优的过程中发挥着至关重要的作用。正是由于交叉算子对遗传算法的性能如此重要，交叉算子的设计和实现与所研究的问题密切相关。

在实际的应该过程中，采用常用的整数交叉算子有PMX(Partial-MappedCrossover)、OX(Order Crossover)、PBX(Position-based Crossover)、OBX(Order-BasedCrossover)和CX(Cycle Crossover)等，通过对比测试发现使用这几类交叉算子时，存在搜索能力改善不显著，收敛速度较慢，对解的破坏性大，难以达到预期的优化效果不足。这就导致工作人员会将大量时间花费在算法的改善，难以有更多的精力关注在实际的应用场景，在一定程度上偏移了工作重点。

发明内容

基于背景技术存在的技术问题，为了提升求解贴装过程优化问题的计算效率和求解精度，本发明以蝙蝠算法作为贴装效率优化的主要算法，并结合启发式算法进一步提升求解贴装过程优化问题的计算效率和求解精度。

一种基于蝙蝠算法的多头贴片机贴装效率优化方法，包括：

S1：构建贴片机贴装的主体编码和隐层编码，所述主体编码包括送料槽分配和元件贴装序列，所述隐层编码包括贴装头分配和贴装头吸取顺序；

S2：对主体编码采用随机整数编码方式初始化一组序列，得到初始化种群；

S3：以贴装头完成贴装过程移动的总运动距离最短和贴装头最小吸取次数为目标建立贴片机贴装的适应度函数，计算得到初始化种群中每个蝙蝠的适应度值，得到最优蝙蝠位置；

S4：采用汉明距离调整速度更新，将第i只蝙蝠在t次迭代时的速度

与当前最优蝙蝠位置相联系；

S5：通过位置更新计算当前蝙蝠位置，该当前蝙蝠位置作为局部最优的路径；

S6：对主体编码进行变异，循环步骤S2至S5，得到贴片机贴装的全局最优路径，以优化贴片机贴装效率。

进一步地，所述隐层编码利用启发式算法计算得到，具体步骤如下：

S11：设定单次吸取元件组所在的送料槽编号序列为S＝{s₁,s₂,…,s_k}(k≤H，H表示贴装头总数)；

S12：对送料槽编号序列S按照由小到大的准则排序，得到S′＝sort(S)；

S13：将S′拆分为(max(S′)-min(S′)+1)个长度的数组，对送料槽中是否有元件进行标记；

S14：初始化滑动窗口，其长度为贴装头总数H，且每个子窗口可存储；

S15：移动滑动窗口并依次扫描数组元数，记录当前滑动窗口下有元件的送料槽总数；

S16：当扫描结束后，选择送料槽总数中的最大记录数，作为第一次吸取，记录吸取的送料槽，并将该滑动窗口位置设置为不可存储状态，将相应的数组元素更新设置为空；

S17：重复步骤S14～S16，直至所有数组元素均为0；

S18：输出对应贴装头吸取的元件类型和贴装头吸取顺序信息，所述贴装头吸取顺序信息包括贴装头吸取次数、吸取送料槽ID、贴装头分配、贴装头吸取顺序、贴装头吸取的开始位置和结束位置。

进一步地，所述适应度函数的模型如下：

其中，w＝C×Δd为权重系数，C为常数，Δd为相邻贴转头间距，D为取贴循环总数，p_i为在i次贴装循环中，贴装头吸取完元件组的次数，w权重系数，l_0,1为贴装头从初始位置移动到第1个待吸取元件所在的送料槽移动的距离，

为在i次取贴循环中，贴装头在送料槽上吸取该组所有元件共移动的距离，

为在i次取贴循环中，贴装头在PCB上贴装完成该组元件共移动的距离，

为第i次取贴循环到第i+1次取贴循环中，贴装头移动的距离。

进一步地，在步骤S4：采用汉明距离调整速度更新，将第i只蝙蝠在t次迭代时的速度

与当前最优蝙蝠位置相联系中，汉明距离具体为：基于汉明距离所得到的每一个解是长度固定的一维数组，不同解之间特征为在长度相同的条件下，相对应位置的节点部分不同数目。

进一步地，在步骤S5：通过位置更新计算当前蝙蝠位置，该当前蝙蝠位置作为局部最优的路径，具体包括：

S51：计算当前蝙蝠个体与最优蝙蝠个体之间的汉明距离，所述最优蝙蝠个体是通过适应度函数计算得到的最优蝙蝠；

S52：根据汉明距离计算当前蝙蝠速度；

S53：若当前蝙蝠速度小于主体编码长度一半，通过2-opt位置更新公式更新当前蝙蝠的位置x_i；

S54：若当前蝙蝠速度大于等于主体编码长度一半，通过2-swap位置更新公式更新当前蝙蝠的位置x_i。

进一步地，在步骤S4中，当前蝙蝠x_i在第t次迭代中，受最优蝙蝠x_best吸引而获得的速度v^t _i为：

在步骤S53中，2-opt位置对应的公式：

在步骤S54中，2-swap位置对应的公式：

其中，HammingDistance表示汉明距离，Random表示随机数，即速度

为从1到两者汉明距离之间的随机数，

为当前蝙蝠x_i在第t+1次迭代的速度，

为蝙蝠x_i在第t+1次迭代中的位置。

进一步地，在S6：对主体编码进行变异，循环步骤S1至S5，得到贴片机贴装的全局最优路径，以优化贴片机贴装效率中，包括：

S61：预设变异机制的变异算子，所述变异算子包括翻转、插入和偏移；

S62：通过变异算子对当前蝙蝠进行变异处理，得到变异后的蝙蝠；

S63：若产生的随机数rand满足rand＞R_i，采用变异后的蝙蝠位置更新变异前对应的蝙蝠位置；

S64：若变异前蝙蝠位置的适应度优于变异后蝙蝠位置的适应度且rand＜R_i，接受当前变异前的蝙蝠位置，更新R_i和A_i，其中R_i表示脉冲发射速率和A_i表示脉冲发射响度；

S65：更新全局最优的蝙蝠个体位置；

S66：选择全局最优蝙蝠变异产生的新蝙蝠个体，替换适应度差的蝙蝠个体；

S67：以下一个蝙蝠作为当前蝙蝠，重复步骤S62至S66，直至达到设定的最大迭代次数，得到贴片机贴装的全局最优路径。

一种基于蝙蝠算法的多头贴片机贴装效率优化系统，包括编码构建模块、初始化模块、适应度模型建立模块、速度更新模块、位置更新模块和变异模块；

编码构建模块用于构建贴片机贴装的主体编码和隐层编码，所述主体编码包括送料槽分配和元件贴装序列，所述隐层编码包括贴装头分配和贴装头吸取顺序，进入初始化模块；

初始化模块用于对主体编码采用随机整数编码方式初始化一组序列，得到初始化种群，进入适应度模型建立模块；

适应度模型建立模块用于以贴装头完成贴装过程移动的总运动距离最短和贴装头最小吸取次数为目标建立贴片机贴装的适应度函数，计算得到初始化种群中每个蝙蝠的适应度值，得到最优蝙蝠位置，进入更新模块；

速度更新模块用于采用汉明距离调整速度更新，将第i只蝙蝠在t次迭代时的速度

与当前最优蝙蝠位置相联系；

位置更新模块用于通过位置更新计算当前蝙蝠的下一个迭代位置，该迭代位置作为局部最优的路径；

变异模块用于对主体编码进行变异，循环进入初始化模块，得到贴片机贴装的全局最优路径，以优化贴片机贴装效率。

本发明提供的一种基于蝙蝠算法的多头贴片机贴装效率优化方法及系统的优点在于：本发明结构中提供的一种基于蝙蝠算法的多头贴片机贴装效率优化方法及系统，将编码分为贴装主体编码和隐层编码，避免了编码的冗长，提高了整体计算效率；采用了性能优的启发式算法产生高质量的初始解，可以得到最优解在一个特定的区间内，然后再通过蝙蝠算法进一步优化，可以得到最优解在特定区间的取值，提高了最终得到最优解的精确度；蝙蝠算法采用2-opt或2-swap位置更新公式，实现了离散蝙蝠算法与领域局部搜索算子配合起来一同寻优，使算法寻优能力更高，收敛更快。选择蝙蝠算法作为贴装效率优化的主要算法，蝙蝠算法参数设置少和实现方法简便，可更好地关注贴装优化问题本身，而不是实现算法的优化方面。

附图说明

图1为本发明的步骤流程示意图；

图2为元件最小吸取次数计算的示意图；

图3为求解贴装优化问题的整数编码示意图；

图4为考虑贴装头间距时的移动距离计算示意图；

图5为基于2-opt和2-swap位置更新公式的优化示意图；

图6为翻转变异示意图；

图7为插入变异示意图；

图8为偏移变异示意图；

图9为多头拱架式贴装优化的离散蝙蝠算法一实施例的框架流程图。

具体实施方式

下面，通过具体实施例对本发明的技术方案进行详细说明，在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。

如图1至9所示，一种基于蝙蝠算法的多头贴片机贴装效率优化方法，包括步骤S1至S6：

S1：构建贴片机贴装的主体编码和隐层编码，所述主体编码包括送料槽分配和元件贴装序列，所述隐层编码包括贴装头分配和贴装头吸取顺序，

隐层编码利用启发式算法计算得到；隐层编码的设置大大减少了编码长度，一定程度上提高了计算效率。

在求解贴装过程优化问题中，提出了编码主体由送料槽分配和贴装顺序两部分组成，如图3所示为求解贴装优化问题的整数编码示意图，其中第一部分送料槽分配方案编码，该部分编码长度为送料槽总数L，序列编号表示送料槽编号，对应元素表示元件类型，表示该送料槽编号下可按照元件类型的原料，当元素值为-1时，则表示该送料槽编号下未安装原料；第二部分为元件贴装顺序编码，该部分编码长度为待贴装元件总数n，序列编号表示元件编号，故编码总长度为(L+n)。

S2：对主体编码采用随机整数编码方式初始化一组序列，得到初始化种群；

对送料槽编号与贴装元件编号采用随机整数编码方式初始化一组序列，得到初始化种群。

S3：以贴装头完成贴装过程移动的总运动距离最短和贴装头最小吸取次数为目标建立贴片机贴装的适应度函数，计算得到初始化种群中每个蝙蝠的适应度值，得到最优蝙蝠位置；

在计算贴装头贴循环移动距离时，考虑到贴装头间距对每次移动的位置坐标进行修正，如图4所示，计算距离的方法是采用欧式距离，其次，考虑到同吸次数对路径的影响。因此适应度函数模型为：

其中，w＝C×Δd为权重系数，C为常数，Δd为相邻贴转头间距，D为取贴循环总数，p_i为在i次贴装循环中，贴装头吸取完元件组的次数，w权重系数，l_0,1为贴装头从初始位置移动到第1个待吸取元件所在的送料槽移动的距离，

为在i次取贴循环中，贴装头在送料槽上吸取该组所有元件共移动的距离，

为在i次取贴循环中，贴装头在PCB上贴装完成该组元件共移动的距离，

为第i次取贴循环到第i+1次取贴循环中，贴装头移动的距离。

S4：采用汉明距离调整速度更新，将第i只蝙蝠在t次迭代时的速度

与当前最优蝙蝠的位置相联系；

定义在基于汉明距离的蝙蝠算法中，蝙蝠x_i在第t次迭代中，受最优蝙蝠x_best吸引而获得的速度为：

其中，HammingDistance表示汉明距离，Random表示随机数，即速度

为从1到两者汉明距离之间的随机数。

S5：通过位置更新计算当前蝙蝠位置，该当前蝙蝠位置作为局部最优的路径；位置更新具体包括如下步骤S51至S54：

S51：计算当前蝙蝠个体与最优蝙蝠个体之间的汉明距离，所述最优蝙蝠个体是通过适应度函数计算得到的最优蝙蝠；

S52：根据汉明距离计算当前蝙蝠速度；

S53：若当前蝙蝠速度小于主体编码长度一半，通过2-opt位置更新公式更新当前蝙蝠的位置x_i；2-opt位置更新公式如下：

S54：若当前蝙蝠速度大于等于主体编码长度一半，通过2-swap位置更新公式更新当前蝙蝠的位置x_i。2-swap位置更新公式如下：

其中对于公式(3)和(4)，

为当前蝙蝠x_i在第t+1次迭代的速度，

为蝙蝠x_i在第t+1次迭代中的位置；因此蝙蝠i在t+1此迭代的位置取决于其的速度

以及在t次迭代时的位置

2-swap位置更新公式不容易破坏元件组，效果更好。

S6：对主体编码进行变异，循环步骤S2至S5，得到贴片机贴装的全局最优路径，以优化贴片机贴装效率。

经过步骤S1中S5得到的可行解编码具有良好的“编码块”的特点，但该动态路径片段可能只是局部最优的路径，为解决可能造成的局部最优，引入变异机制。变异机制仅对送料槽分配编码段变异、或仅对元件贴装顺序编码段变异、或同时送料槽分配编码段和元件贴装顺序编码段同时发送变异情况，且分别对各基因段采用变异机制，以达到优化送料槽分配和贴装顺序优化的目的。

因此步骤S6具体包括如下步骤：S61：预设变异机制的变异算子，所述变异算子包括翻转、插入和偏移；

S62：通过变异算子对当前蝙蝠进行变异处理，得到变异后的蝙蝠；

S63：若产生的随机数rand满足rand＞R_i，采用变异后的蝙蝠位置更新变异前对应的蝙蝠位置；

当rand＝R_i时，也采用变异后的蝙蝠位置更新变异前对应的蝙蝠位置。

S64：若变异前蝙蝠位置的适应度优于变异后蝙蝠位置的适应度且rand＜R_i，接受当前变异前的蝙蝠位置，更新R_i和A_i，其中R_i表示脉冲发射速率和A_i表示脉冲发射响度；

S65：更新全局最优的蝙蝠个体位置；

S66：选择全局最优蝙蝠变异产生的新蝙蝠个体，替换适应度差的蝙蝠个体；

S67：以下一个蝙蝠作为当前蝙蝠，重复步骤S62至S66，直至达到设定的最大迭代次数，得到贴片机贴装的全局最优路径。

此申请所指的蝙蝠对应于贴装路径所求取得到的不同解，通过适应性好的蝙蝠个体不断替代适应性差的蝙蝠个体，循环迭代，得到最优的蝙蝠个体，此蝙蝠个体即对应所需的最优解，即得到最优的贴装路径。

进一步的，在S1中计算隐层编码(贴装头分配和贴装头吸取顺序)信息的启发式算法基本原理是：针对多贴装头吸取指定送料槽编号中元件时，设计了一种元件最少吸取次数算法，当贴装头同时吸取多个元件情况下，会大大减少吸取动作时间和吸取移动时间，将大幅度提高贴装效率。启发式算法的具体步骤如S11至S17：

S11：设定单次吸取元件组所在的送料槽编号序列为S＝{s₁,s₂,…,s_k}(k≤H，H表示贴装头总数)；

S12：对送料槽编号序列S按照由小到大的准则排序，得到S′＝sort(S)；

S13：将S′拆分为(max(S′)-min(S′)+1)个长度的数组，对送料槽中是否有元件进行标记；用不同数值元素表示否有元件，如以1表示含有元件，0表示为空。

S14：初始化滑动窗口，其长度为贴装头总数H，且每个子窗口可存储；

S15：移动滑动窗口并依次扫描数组元数，记录当前滑动窗口下有元件的送料槽总数；

记录当前滑动窗口下有元件的送料槽总数即对应于记录当前窗口下的元素为1的总数。

S16：当扫描结束后，选择送料槽总数中的最大记录数，作为第一次吸取，记录吸取的送料槽，并将该滑动窗口位置设置为不可存储状态，将相应的数组元素更新设置为空；空对应数字0；

S17：重复步骤S14～S16，直至所有数组元素均为0；

S18：输出对应贴装头吸取的元件类型和贴装头吸取顺序信息，所述贴装头吸取顺序信息包括贴装头吸取次数、吸取送料槽ID、贴装头分配、贴装头吸取顺序、贴装头吸取的开始位置和结束位置。

为了更加详细的描述步骤S11至S18的流程，如图2所示，假设贴装头总数为5，单次吸取送料槽编号序列为S＝{5,7,3,8,9}，首先将S进行由小到大的排序得到S′＝{3,5,7,8,9}；再将S′转换为长度为7的数组，该数组各位置的元素为Sary＝{1,0,1,0,1,1,1}，其中1表示该位置含有元件；初始化滑动窗口长度为5，滑动窗口依次查询元素1最多的位置，在开始位置查询到滑动窗口下有3个元件，表示可同时吸取3个元件，滑动窗口到数组位置5，当前窗口下有4个元件，结束查询。可见，当窗口在数组位置5时，吸取的元件数目最多。

因此，贴装头的吸取信息包括以下几个参数：①贴装头吸取次数为2，②贴装头吸取送料槽编号的对应关系为：{H1→5，H2→3，H3→7，H4→8,H5→9}，③贴装头吸取顺序对应关系为：{H1→1，H2→2，H3→1，H4→1，H5→1}，④根据贴装头吸取顺序，贴装头吸取的开始位置和结束位置。在关于计算适应度函数需要该贴装头信息计算适应度值。

进一步的，在S3中计算式适应度值的具体步骤是：首先，计算元件吸取的信息，即根据主体编码中的送料器分配和元件贴装序列，按照取贴循环组，利用上述步骤S11至S18的最少吸取次数算法计算可得到吸取次数、吸取送料槽ID、贴装头分配、吸取顺序和吸取的开始位置与结束位置，在结合主体编码中的元件贴装序列，计算一组取贴循环中贴装头移动距离，以此类推，累积得到适应度值。

进一步的，在S4中采用汉明距离重新定义v_i的方法是在贴装顺序问题中，每一个解是长度固定的一维数组，不同解之间特征为在长度相同的条件下，相对应位置的节点部分不同数目。以8个元件的贴装顺序问题为例，设有两个可行解x₁＝[1 3 4 6 2 5 8 7]和x₂＝[1 7 4 6 3 5 2 8]，则两个解之间的汉明距离为4。若将两个解视为两只蝙蝠，其中一只蝙蝠向另一只蝙蝠飞行需要4个单位汉明距离即可达到，即汉明距离4，记为HammingDistance(x₁,x₂)＝4。

进一步的，在步骤S53和S54中的2-opt或2-swap位置更新公式均属于局部搜索的一种，在每一次迭代的种群中个，每个蝙蝠检查与其相邻蝙蝠的x_i，并选择最佳的一个作为当前的移动目标，蝙蝠i在执行2-opt或2-swap位置更新公式后，选择了一个最佳的位置进行移动。

如图5所示，2-opt和2-swap位置更新公式的实现示意图。具体的，2-opt位置更新公式是对于给定的初始元件贴装顺序，通过每次交换2条边来改进当前路径，假设(i,i+1)和(j,j+1)是当前路径的两条边，2-opt运算后得到两条新边(i,j+1)和(j,i+1)，并对原来i+1和j之间的路径进行翻转，就得到了新的解。

2-swap位置更新公式是对一条线路中的两个顶点进行交换，形成新的线路。实现的流程是：对于给定的初始元件贴装顺序，通过每次交换2个顶点，但不改变初始元件贴装顺序的原有顶点顺序，从而得到新的解。

进一步的，在S6中采用的变异算子有①翻转：随机选择编码中的2个顶点，将顶点之间的序列进行翻转，其过程如图6所示；②插入：随机选择一个顶点和插入位置，将该顶点移动到插入位置，形成新的编码，其过程如图7所示；③偏移：随机选择一个顶点和随机长度，将随机长度片段移动到新的位置，其过程如图8所示。

根据步骤S1至S6，贴装过程优化问题是典型的离散优化问题，在计算贴片机贴装过程优化问题时，仅采用蝙蝠算法求解会存在计算效率低和最优解精度差的情况，随着贴装元件数量的增加，计算量成指数级增长，由此引起的缺陷将表现得更加突出。因此本申请综合使用了离散蝙蝠算法和邻域算法等技术，通过对经典的蝙蝠算法中蝙蝠位置和速度更新的变法方式及算法中相关操作进行重新定义，使其离散化；极大的提高了多头拱架式贴片机的贴装过程优化速度，解决了现有的贴装优化方法计算效率低和精度差等问题。

综上所述，如图9所示，贴片机的贴装优化方法一实施例如下：

S100：构建贴片机贴装的主体编码和隐层编码，并基于启发式算法对主体编码进行种群初始化处理，得到初始化种群；

S200：计算每个蝙蝠的适应度，通过适应度比较得到最优的蝙蝠位置并暂存；

S300：计算当前蝙蝠和最优蝙蝠之间的汉明距离，并通过汉明距离计算当前蝙蝠速度；

S400：判断所获取的速度是否小于主体编码长度一半，若是，则进入步骤S500，若否，则进入步骤S600；

根据速度判断采用2-opt或2-swap位置更新公式更新当前蝙蝠的位置x_i；

S500：通过2-opt位置更新公式更新当前蝙蝠的位置x_i；

S600：通过2-swap位置更新公式更新当前蝙蝠的位置x_i；

S700：采用变异机制对当前蝙蝠进行变异操作；

S800：若rand>R_i，使用变异后的蝙蝠更新原蝙蝠位置；

S900：若原蝙蝠位置的适应度更优且rand<A_i，接受当前的原蝙蝠位置，更新R_i和A_i；

S110：更新全局最优的蝙蝠位置；

S120：选择最优蝙蝠变异产生新的蝙蝠个体，替换适应度差的蝙蝠；

S130：重复步骤S200～S120，是直到达到最大迭代次数，得到贴片机贴装的最优路径。

一种基于蝙蝠算法的多头贴片机贴装效率优化系统，其特征在于，包括编码构建模块、初始化模块、适应度模型建立模块、速度更新模块、位置更新模块和变异模块；

编码构建模块用于构建贴片机贴装的主体编码和隐层编码，所述主体编码包括送料槽分配和元件贴装序列，所述隐层编码包括贴装头分配和贴装头吸取顺序，进入初始化模块；

初始化模块用于对主体编码采用随机整数编码方式初始化一组序列，得到初始化种群，进入适应度模型建立模块；

适应度模型建立模块用于以贴装头完成贴装过程移动的总运动距离最短和贴装头最小吸取次数为目标建立贴片机贴装的适应度函数，计算得到初始化种群中每个蝙蝠的适应度值，得到最优蝙蝠位置，进入更新模块；

速度更新模块用于采用汉明距离调整速度更新，将第i只蝙蝠在t次迭代时的速度

与当前最优蝙蝠位置相联系；

位置更新模块用于通过位置更新计算当前蝙蝠的下一个迭代位置，该迭代位置作为局部最优的路径；

变异模块用于对主体编码进行变异，循环进入初始化模块，得到贴片机贴装的全局最优路径，以优化贴片机贴装效率。

与现有技术相比，本发明有以下技术优点：

本申请选择蝙蝠算法作为贴装效率优化的主要算法，蝙蝠算法参数设置少和实现方法简便，可更好地关注贴装优化问题本身，而不是实现算法的优化方面，将编码分为贴装主体编码和隐层编码，避免了编码的冗长，提高了整体计算效率；采用了性能优的启发式算法产生高质量的初始解，可以得到最优解在一个特定的区间内，然后再通过蝙蝠算法进一步优化，可以得到最优解在特定区间的取值，提高了最终得到最优解的精确度；蝙蝠算法速度判断采用了2-opt或2-swap位置更新公式蝙蝠的位置，实现了离散蝙蝠算法与领域局部搜索算子配合起来一同寻优，使算法寻优能力更高，收敛更快。

本发明实施方案的方案综合使用了离散蝙蝠算法和邻域局部搜索算子等技术，通过合理的建模和设计，极大的提高了多头拱架式贴片机的贴装过程优化速度，解决了现有的贴装优化方法计算效率低和精度差等问题。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于蝙蝠算法的多头贴片机贴装效率优化方法，其特征在于，包括：

S1：构建贴片机贴装的主体编码和隐层编码，所述主体编码包括送料槽分配和元件贴装序列，所述隐层编码包括贴装头分配和贴装头吸取顺序；

S2：对主体编码采用随机整数编码方式初始化一组序列，得到初始化种群；

S3：以贴装头完成贴装过程移动的总运动距离最短和贴装头最小吸取次数为目标建立贴片机贴装的适应度函数，计算得到初始化种群中每个蝙蝠的适应度值，得到最优蝙蝠位置；

S4：采用汉明距离调整速度更新，将第i只蝙蝠在t次迭代时的速度

与当前最优蝙蝠位置相联系；

S5：通过位置更新计算当前蝙蝠位置，该当前蝙蝠位置作为局部最优的路径；

S6：对主体编码进行变异，循环步骤S2至S5，直至达到设定的最大迭代次数，得到贴片机贴装的全局最优路径，以优化贴片机贴装效率；

所述隐层编码利用启发式算法计算得到，具体步骤如下：

S11：设定单次吸取元件组所在的送料槽编号序列为S＝{s₁,s₂,...,s_k}其中，k≤H，H表示贴装头总数；

S12：对送料槽编号序列S按照由小到大的准则排序，得到S′＝sort(S)；

S13：将S′拆分为(max(S′)-min(S′)+1)个长度的数组，对送料槽中是否有元件进行标记；

S14：初始化滑动窗口，其长度为贴装头总数H，且每个子窗口可存储；

S15：移动滑动窗口并依次扫描数组元数，记录当前滑动窗口下有元件的送料槽总数；

S16：当扫描结束后，选择送料槽总数中的最大记录数，作为第一次吸取，记录吸取的送料槽，并将该滑动窗口位置设置为不可存储状态，将相应的数组元素更新为0；

S17：重复步骤S14～S16，直至所有数组元素均为0；

S18：输出对应贴装头吸取的元件类型和贴装头吸取顺序信息，所述贴装头吸取顺序信息包括贴装头吸取次数、吸取送料槽ID、贴装头分配、贴装头吸取顺序、贴装头吸取的开始位置和结束位置。

2.根据权利要求1所述的基于蝙蝠算法的多头贴片机贴装效率优化方法，其特征在于，所述适应度函数的模型如下：

其中，w＝C×Δd为权重系数，C为常数，Δd为相邻贴转头间距，D为取贴循环总数，p_i为在i次贴装循环中，贴装头吸取完元件组的次数，w权重系数，l_0,1为贴装头从初始位置移动到第1个待吸取元件所在的送料槽移动的距离，

为在i次取贴循环中，贴装头在送料槽上吸取该组所有元件共移动的距离，

为在i次取贴循环中，贴装头在PCB上贴装完成该组所有元件共移动的距离，

为第i次取贴循环到第i+1次取贴循环中，贴装头移动的距离。

3.根据权利要求1所述的基于蝙蝠算法的多头贴片机贴装效率优化方法，其特征在于，在步骤S5：通过位置更新计算当前蝙蝠位置，该当前蝙蝠位置作为局部最优的路径，具体包括：

S51：计算当前蝙蝠个体与最优蝙蝠个体之间的汉明距离，所述最优蝙蝠个体是通过适应度函数计算得到的最优蝙蝠；

S52：根据汉明距离计算当前蝙蝠速度；

S53：若当前蝙蝠速度小于主体编码长度一半，通过2-opt位置更新公式更新当前蝙蝠的位置x_i；

S54：若当前蝙蝠速度大于等于主体编码长度一半，通过2-swap位置更新公式更新当前蝙蝠的位置x_i。

4.根据权利要求3所述的基于蝙蝠算法的多头贴片机贴装效率优化方法，其特征在于，在步骤S4中，当前蝙蝠x_i在第t次迭代中，受最优蝙蝠x_best吸引而获得的速度v^t _i为：

在步骤S53中，2-opt位置对应的公式：

在步骤S54中，2-swap位置对应的公式：

其中，HammingDistance表示汉明距离，Random表示随机数，即速度v^t _i为从1到两者汉明距离之间的随机数，

为当前蝙蝠x_i在第t+1次迭代的速度，

为蝙蝠x_i在第t+1次迭代中的位置。

5.根据权利要求1-4任一所述的基于蝙蝠算法的多头贴片机贴装效率优化方法，其特征在于，在S6：对主体编码进行变异，循环步骤S2至S5，得到贴片机贴装的全局最优路径，以优化贴片机贴装效率中，包括：

S61：预设变异机制的变异算子，所述变异算子包括翻转、插入和偏移；

S62：通过变异算子对当前蝙蝠进行变异处理，得到变异后的蝙蝠；

S63：若产生的随机数rand满足rand＞R_i，采用变异后的蝙蝠位置更新变异前对应的蝙蝠位置；

S64：若变异前蝙蝠位置的适应度优于变异后蝙蝠位置的适应度且rand＜R_i，接受当前变异前的蝙蝠位置，更新R_i和A_i，其中R_i表示脉冲发射速率和A_i表示脉冲发射响度；

S65：更新全局最优的蝙蝠个体位置；

S66：选择全局最优蝙蝠变异产生的新蝙蝠个体，替换适应度差的蝙蝠个体；

S67：以下一个蝙蝠作为当前蝙蝠，重复步骤S62至S66，直至达到设定的最大迭代次数，得到贴片机贴装的全局最优路径。

6.一种基于蝙蝠算法的多头贴片机贴装效率优化系统，其特征在于，包括编码构建模块、初始化模块、适应度模型建立模块、速度更新模块、位置更新模块和变异模块；

编码构建模块用于构建贴片机贴装的主体编码和隐层编码，所述主体编码包括送料槽分配和元件贴装序列，所述隐层编码包括贴装头分配和贴装头吸取顺序，进入初始化模块；

初始化模块用于对主体编码采用随机整数编码方式初始化一组序列，得到初始化种群，进入适应度模型建立模块；

适应度模型建立模块用于以贴装头完成贴装过程移动的总运动距离最短和贴装头最小吸取次数为目标建立贴片机贴装的适应度函数，计算得到初始化种群中每个蝙蝠的适应度值，得到最优蝙蝠位置，进入更新模块；

速度更新模块用于采用汉明距离调整速度更新，将第i只蝙蝠在t次迭代时的速度

与当前最优蝙蝠位置相联系；

位置更新模块用于通过位置更新计算当前蝙蝠的下一个迭代位置，该迭代位置作为局部最优的路径；

变异模块用于对主体编码进行变异，循环进入初始化模块，得到贴片机贴装的全局最优路径，以优化贴片机贴装效率；

所述隐层编码利用启发式算法计算得到，具体步骤如下：

S11：设定单次吸取元件组所在的送料槽编号序列为S＝{s₁,s₂,...,s_k}其中，k≤H，H表示贴装头总数；

S12：对送料槽编号序列S按照由小到大的准则排序，得到S′＝sort(S)；

S13：将S′拆分为(max(S′)-min(S′)+1)个长度的数组，对送料槽中是否有元件进行标记；

S14：初始化滑动窗口，其长度为贴装头总数H，且每个子窗口可存储；

S15：移动滑动窗口并依次扫描数组元数，记录当前滑动窗口下有元件的送料槽总数；

S16：当扫描结束后，选择送料槽总数中的最大记录数，作为第一次吸取，记录吸取的送料槽，并将该滑动窗口位置设置为不可存储状态，将相应的数组元素更新为0；

S17：重复步骤S14～S16，直至所有数组元素均为0；

S18：输出对应贴装头吸取的元件类型和贴装头吸取顺序信息，所述贴装头吸取顺序信息包括贴装头吸取次数、吸取送料槽ID、贴装头分配、贴装头吸取顺序、贴装头吸取的开始位置和结束位置。

Images