CN112651482B - 基于混合粒子群算法的混流装配线排序方法及系统 - Google Patents
基于混合粒子群算法的混流装配线排序方法及系统 Download PDFInfo
- Publication number
- CN112651482B CN112651482B CN202011510330.7A CN202011510330A CN112651482B CN 112651482 B CN112651482 B CN 112651482B CN 202011510330 A CN202011510330 A CN 202011510330A CN 112651482 B CN112651482 B CN 112651482B
- Authority
- CN
- China
- Prior art keywords
- product
- particle
- population
- production
- particles
- 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.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 219
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims description 104
- 238000012545 processing Methods 0.000 claims description 53
- 238000005457 optimization Methods 0.000 claims description 25
- 238000002922 simulated annealing Methods 0.000 claims description 23
- 230000007423 decrease Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 239000000470 constituent Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000003252 repetitive effect Effects 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000000712 assembly Effects 0.000 claims description 2
- 238000000429 assembly Methods 0.000 claims description 2
- 238000003754 machining Methods 0.000 claims 1
- 239000000047 product Substances 0.000 description 75
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multi-Process Working Machines And Systems (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于混合粒子群算法的混流装配线排序方法及系统，首先生成一个种群，随机产生粒子初始空间位置，并进行算法初始化设置。然后粒子走一步，更新粒子当前位置与当前速度。并根据当前位置计算所述问题的目标值。根据多目标帕累托最优解集的定义，找出当前种群中的最优粒子。粒子走一步后用温度下降系数更新当前温度。若当前温度大于终止温度，粒子继续走一步，重复以上过程；否则以种群中的最优粒子所在空间位置为所述问题的最优解，算法结束。本发明解决了运用现有方法所得的调度方案目标值较差，效率低下的问题。
Description
技术领域
本发明属于车间生产调度技术领域，涉及一种混流装配线生产排序的方法及系统，具体涉及一种基于混合粒子群算法的混流装配线排序方法及系统。
背景技术
随着生产模式的不断发展和科学技术的广泛应用，个性化的消费趋势使传统刚性生产线面临严峻挑战，促使制造企业必须转向多品种、小批量的柔性生产模式，从而适应多元的市场需求。柔性化的生产方式增加制造过程的管理、调度难度。如何制定合理的生产计划和作业计划，提高交货满意度、提升产品质量，实现精益生产，是制造企业必须解决的关键问题之一。
混流装配生产是现代企业普遍采用的生产方式，运作方式是根据产品装配工艺的标准，零部件以固定的生产节拍依次通过各个装配工作站，直至完成成品下线的过程。混流装配线排序属于组合优化问题，已被证明是NP难题，传统的数学解析方法如分支定界法、动态规划法等很难求解。近年来，粒子群优化算法的出现及不断发展，为解决此问题提供了全新的思路。粒子群优化算法隐含的并行性、群体性，处理NP难题有显著优势。
发明内容
本发明的目的在于提供一种混流装配生产线的排序方法及系统，解决运用现有方法所得的调度方案目标值较差，效率低下的问题。
本发明的方法所采用的技术方案是：一种基于混合粒子群算法的混流装配线排序方法，其特征在于，包括以下步骤：
步骤1：混合粒子群算法初始化设置，包括粒子群算法与模拟退火算法两部分初始化设置；
所述粒子群算法初始化设置包括设置种群规模，粒子初始空间位置；
设混流装配线有J个工位，每个工位区间是封闭的，Lj表示工位j的区间长度，1≦j≦J；装配线以恒定速率Vc移动，且每隔长度W投放一个工件；采用最小生产循环(MinimalProduction Set,MPS)模式，即整个生产是由一系列重复MPS组成。设共用M种产品，生产总量分别是：D1，D2，…，Dm，…，DM；则一个MPS中各产品的生产量记作：d1，d2，…，dm，…，dM＝(D1/h，D2/h，…，Dm/h…，DM/h)，其中，h是D1，D2，…，DM的最大公约数，也是MPS循环次数。
首先产生由n个粒子Xi组成的种群P＝{X1…Xi…Xn}，其中1≤i≤n，n为种群规模；种群的粒子Xi的初始空间位置随机产生，满足最小生产循环MPS中产品数量约束；粒子Xi初始速度设置为0，粒子Xi个体历史最优解设置为初始位置；
所述模拟退火算法初始化设置包括初始温度T0，温度下降系数α，终止温度Tend设置；
步骤2：令当前温度Tn＝T0，粒子Xi当前速度Vn＝0，粒子Xi当前位置Zn等于初始位置Z0，Zn＝Z0；令粒子Xi个体历史最优解Zpbest与种群全局最优解Zgbest等于Z0；
步骤3：种群中粒子Xi移动一步，计算粒子Xi移动后的速度Vn+1与空间位置Zn+1；
步骤4：计算Xi移动后空间位置Zn+1的三个目标值，包括目标值f1，为期望超载时间；目标值f2，为零部件消耗波动率；目标值f3，为产品切换次数；
步骤5：获得当前种群中的最优粒子；
在步骤4计算出的三个目标值的基础上，依据多目标优化问题中非支配解集概念，找出当前种群中的最优粒子；多目标优化问题的解若多于一个，则是一个解集合，在该集合中的最优粒子的三个目标值不受其它粒子支配；
步骤6：采用模拟退火算法，运用Metropolis准则更新粒子个体历史最优解Zpbest；
步骤7：设置粒子全局最优解Zgbest；
将步骤5最优粒子所在空间位置作为种群粒子的全局最优解；种群中各粒子的全局最优解从中随机选取；
步骤8：种群粒子移动一步后更新温度T，令Tn+1＝αTn；
步骤9：判断更新后温度Tn+1是否小于终止温度Tend；若更新后的温度Tn+1小于设定终止温度Tend，则执行步骤10；否则回转执行步骤3；
步骤10：经步骤5得当前种群中的最优粒子的空间位置，即所求最小化多目标问题的最优解集，以此调度混流装配生产线排产顺序，使三个排产目标f1，f2，f3最小化，从而获得最优混流装配线的排产顺序。
本发明的系统所采用的技术方案是：一种基于混合粒子群算法的混流装配线排序系统，其特征在于：包括以下模块；
模块一，用于混合粒子群算法初始化设置，包括粒子群算法与模拟退火算法两部分初始化设置；
所述粒子群算法初始化设置包括设置种群规模，粒子初始空间位置；
设混流装配线有J个工位，每个工位区间是封闭的，Lj表示工位j的区间长度，1≦j≦J；装配线以恒定速率Vc移动，且每隔长度W投放一个工件；采用最小生产循环(MinimalProduction Set,MPS)模式，即整个生产是由一系列重复MPS组成。设共用M种产品，生产总量分别是：D1，D2，…，Dm，…，DM；则一个MPS中各产品的生产量记作：d1，d2，…，dm，…，dM＝(D1/h，D2/h，…，Dm/h…，DM/h)，其中，h是D1，D2，…，DM的最大公约数，也是MPS循环次数。
首先产生由n个粒子Xi组成的种群P＝{X1…Xi…Xn}，其中1≤i≤n，n为种群规模；种群的粒子Xi的初始空间位置随机产生，满足最小生产循环MPS中产品数量约束；粒子Xi初始速度设置为0，粒子Xi个体历史最优解设置为初始位置；
所述模拟退火算法初始化设置包括初始温度T0，温度下降系数α，终止温度Tend设置；
模块二，用于令当前温度Tn＝T0，粒子Xi当前速度Vn＝0，粒子Xi当前位置Zn等于初始位置Z0，Zn＝Z0；令粒子Xi个体历史最优解Zpbest与种群全局最优解Zgbest等于Z0；
模块三，用于种群中粒子Xi移动一步，计算粒子Xi移动后的速度Vn+1与空间位置Zn+1；
模块四，计算Xi移动后空间位置Zn+1的三个目标值，包括目标值f1，为期望超载时间；目标值f2，为零部件消耗波动率；目标值f3，为产品切换次数；
模块五，用于获得当前种群中的最优粒子；
在计算出的三个目标值的基础上，依据多目标优化问题中非支配解集概念，找出当前种群中的最优粒子；多目标优化问题的解若多于一个，则是一个解集合，在该集合中的最优粒子的三个目标值不受其它粒子支配；
模块六，用于采用模拟退火算法，运用Metropolis准则更新粒子个体历史最优解Zpbest；
模块七，用于设置粒子全局最优解Zgbest；
将最优粒子所在空间位置作为种群粒子的全局最优解；种群中各粒子的全局最优解从中随机选取；
模块八，用于种群粒子移动一步后更新温度T，令Tn+1＝αTn；
模块九，用于判断更新后温度Tn+1是否小于终止温度Tend；若更新后的温度Tn+1小于设定终止温度Tend，则执行步骤10；否则回转执行模块三；
模块十，用于根据当前种群中的最优粒子的空间位置，即所求最小化多目标问题的最优解集，以此调度混流装配生产线排产顺序，使三个排产目标f1，f2，f3最小化，从而获得最优混流装配线的排产顺序。
本发明解决了运用现有方法所得的调度方案目标值较差，效率低下的问题。粒子群优化算法应用于离散问题时，会产生连续解。本发明提出了一种如何将连续解调整为离散解的方法。在粒子群算法中引入模拟退火算法，种群各代温度等比例下降。算法早期，温度较高，粒子活动频繁，收敛速度较慢，趋向全局搜索。随着温度的下降，算法逐渐收敛。算法后期，温度很低，粒子活动迟滞，趋向局部搜索，算法加速收敛。通过实例验证，与著名的多目标遗传算法NSGA-Ⅲ对比，证实了本发明在求解多目标混流装配线排序问题，无论在最优解的数量和质量上均有显著优势。
附图说明
图1为本发明整体实施过程图；
图2为混流装配线生产作业图；
图3为粒子位置调整示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
传统粒子群优化算法是适用于连续问题的优化求解。而混流装配排序属于组合优化问题，基于离散空间搜索最优解，因此传统粒子群优化算法不能直接应用于混流装配排序。本发明在粒子群优化算法中，提出了一种从连续空间转换到离散空间的方法，以适应混流装配排序的求解。
大量的统计数据表明，混流装配线产品在各工作站生产时间是随机变化的，服从正态分布。本发明以最小化期望超载时间、最小化零部件消耗波动率和最小化产品切换次数为优化目标，提出一种粒子群算法与模拟退火算法相结合的优化算法求解。
请见图1，本发明提供的一种基于混合粒子群算法的混流装配线排序方法，包括以下步骤：
步骤1：混合粒子群算法初始化设置，包括粒子群算法与模拟退火算法两部分初始化设置；
其中粒子群算法初始化设置包括设置种群规模，粒子初始空间位置；
设混流装配线有J个工位，工位j的区间长度是Lj而且是封闭的，1≦j≦J；装配线以恒定速率Vc移动，且每隔长度W投放一个工件；设共用M种产品，生产总量分别是：D1，D2，…，Dm，…，DM；则一个最小生产循环MPS中各产品的生产量记作：d1，d2，…，dm，…，dM＝(D1/h，D2/h，…，Dm/h…，DM/h)，其中，h是D1，D2，…，DM的最大公约数，dm是产品m在一个MPS循环中的生产数量；循环执行h次最小生产循环MPS生产，即可完成产品m的生产总量Dm；
首先产生由n个粒子Xi组成的种群P＝{X1…Xi…Xn}，其中1≤i≤n，n为种群规模；种群的粒子Xi的初始空间位置随机产生，满足最小生产循环MPS中产品数量约束；设A，B，C三种产品的MPS生产量为(3，1，2)，产品A生产数量3个，产品B生产数量1个，产品B生产数量2个。随机产生投产顺序为ACBAAC，其在某个工位的生产过程如图2所示。在该序列中，A出现3次，B出现1次，C出现2次，满足MPS中产品数量约束。再用数字1表示产品A，数字2表示产品B，数字3表示产品C。粒子Xi初始空间位置用数字表示为132113；粒子Xi初始速度设置为0，粒子Xi个体历史最优解设置为初始位置；
其中，模拟退火算法初始化设置包括初始温度T0，温度下降系数α，终止温度Tend设置；
步骤2：令当前温度Tn＝T0，粒子Xi当前速度Vn＝0，粒子Xi当前位置Zn等于初始位置Z0，Zn＝Z0；令粒子Xi个体历史最优解Zpbest与种群全局最优解Zgbest等于Z0；
步骤3：种群中粒子Xi移动一步，计算粒子Xi移动后的速度Vn+1与空间位置Zn+1；
标准粒子群算法可以用如下公式表示为：
其中，w表示惯性权重，c1与c2是加速因子，c1与c2平衡全局搜索与局部搜索，但这方面的影响弱于惯性权重w；Zpbest表示粒子个体历史最优解，是粒子目前搜索出的最好位置；Zgbest表示种群全局最优解，是目前种群搜索出的最优位置；r1与r2是0到1之间的随机数，反映出粒子搜索的随机性。n是种群目前的迭代次数。Zn与Zn+1分别表示粒子当前位置与移动一步后的位置。Vn表示粒子当前移动速度；Vn+1表示粒子移动一步后的速度；Zn+1通过当前位置Zn与更新后的速度Vn+1相加得到。参数Tn与T0分别为当前温度和初始温度。
惯性权重w对粒子群算法搜索性能有重要影响：w值过大则粒子倾向于探索新的区域，不容易收敛。w值过小则加速收敛，易陷入局部最优；在惯性权重w的变化中引入模拟退火思想，惯性权重w的值与当前温度有关，惯性权重随着温度的下降而逐渐递减。
由式(1)(2)可知粒子群算法公式的表达是基于连续空间的，而混流装配排序是离散问题。粒子移动一步后即产生类似如图3所示的连续解，必须调整为离散值，使粒子群算法适应混流装配排序问题。具体调整过程如图3所示：从左至右依次取值：第1次取出的3取代连续解中的最大值3.6，第2次取出的3取代连续解中的次大值2.3，直至最后取出的1取代最小值0.6。
步骤4：计步骤4：计算Xi移动后空间位置Zn+1的三个目标值，包括目标值f1，为期望超载时间；目标值f2，为零部件消耗波动率；目标值f3，为产品切换次数；
在粒子群优化算法中，粒子在搜索空间的位置即对应所求问题的解。在粒子空间位置确定后，就可依照如下公式计算三个目标值。
(1)f1：期望超载时间；
Minimize：
Subject to:
式(4)是所求目标的数学表达式，其中Uij是超载时间，Z(i+1，j)/Vc是开始时间。本发明构建了加工时间服从正态分布的混流装配线生产排序模型，在模型中产品在工位的加工时间是服从正态分布的随机变量，tjm表示产品在工位的平均加工时间；Zij表示位于产品加工序列第i位的产品在工位j的初始加工位置；Uij表示位于产品加工序列第i位的产品在工位j的超载时间，I表示加工序列总位数；式(5)表达了产品加工序列的任意位置有且只有一个产品；式(6)说明了在一个MPS循环中产品m的产量为dm；式(7)表达了序列i+1的产品在工位j的初始加工位置，其值与前一个产品序列i的产品在工位j的生产情况紧密相关。m型产品在工位j的装配操作时间记为tjm；W表示产品投放间距。式(8)表示产品序列i的产品在工位j加工的超载时间，与初始加工位置有关；产品的加工顺序用数学变量表示为xim，式(9)表达xim的值与生产序列有关若处于第i位的产品是型号m产品，则xim等于1，否则为0；式(10)指出第一个投放的产品在所有工位的初始加工位置均为0，且任意产品在全部工位的初始加工位置是大于或等于0；式(11)说明了任意产品在全部工位的超载时间是大于或等于0。
本发明基于蒙特卡洛模拟计算期望超载时间，具体过程为：首先依据概率随机产生零件加工时间的样本，然后以此样本计算出超载时间；重复这个过程n次，计算出超载时间的平均值；当n大于阈值时，n次模拟测试结果x1，x2，…，xn的算术平均值等于期望值μ；
(2)f2:零部件消耗波动率；
设混流装配线共有M种产品，由K种零部件组成。产品与零部件数量的对应关系如表1所示。在装配线上生产时，产品m所需要部件k的数量用nmk表示。
表1产品与零部件关系
Minimize：
Subject to:
其中，xik表示排产序列中从第1到第i个产品完成装配所要的零部件k的数量；Nk表示一个生产循环中需要的零部件k的总数量，dm表示一个生产循环中产品m的总数量，bmk表示产品m的需要零部件k的装配数量。
(3)f3:产品切换次数；
Minimize：
Subject to:
其中，I表示加工序列总位数；(16)式与式(17)确保投产序列的可行性，即每次投放一个产品；式(18)表达MPS循环运行时的切换联接；式(19)指出产品切换次数与加工数量之间的关系；式(20)表达投放序列中相邻产品之间的关系：若产品m处于序列中第i位，而产品r处于序列中第(i+1)位，则ximr等于1，否则为0。ximr表示产品m与产品r是否分别在投产序列中的第i位及i+1位。如果是，ximr＝1，如果不是，ximr＝0。举个例子：若投产顺序是32213，则x132＝1，因为产品3是第1位投产(条件1)，产品2是第2位投产(条件2)。而x212＝0，因为第2位投产的是2，不是1(条件1)。产品2是第3位投产(条件2).两个条件都要满足，才等于1，否则等于0。
步骤5：获得当前种群中的最优粒子；
在步骤4计算出的三个目标值的基础上，依据多目标优化问题中非支配解集概念，找出当前种群中的最优粒子。通常，多目标优化问题的解往往多于一个，是一个解集合。在该集合中的最优粒子的三个目标值不受其它粒子支配。
步骤6：引入模拟退火算法，运用Metropolis准则更新粒子个体历史最优解Zpbest；
(a)若粒子移动后位置Zn+1的三个目标值优于个体历史最优解Zpbest，则令Zpbest＝Zn+1；否则执行(b)。
(b)用Zn+1更新Zpbest的概率为exp(-⊿/Tn)；
Metropolis准则中差值⊿计算方法为：
其中，f1(zn+1)表示：粒子移动一步后所在空间位置zn+1对应的目标值f1：期望超载时间。f2(zn+1)表示：粒子移动一步后所在空间位置zn+1对应的目标值f2：零部件消耗波动率。f3(zn+1)表示：粒子个体历史最优所在空间位置zn+1对应的目标值f3：产品切换次数。f1(zpbest)表示：粒子个体历史最优所在空间位置zpbest对应的目标值f1：期望超载时间。f2(zpbest)表示：粒子个体历史最优所在空间位置zpbest对应的目标值f2：零部件消耗波动率。f3(zpbest)表示：粒子个体历史最优所在空间位置zpbest对应的目标值f3：产品切换次数。
步骤7：设置粒子全局最优解Zgbest；
将步骤5最优粒子所在空间位置作为种群粒子的全局最优解；种群中各粒子的全局最优解从中随机选取；
步骤8：种群粒子移动一步后更新温度T，令Tn+1＝αTn；
本实施例中，粒子移动一步后产生了连续解，本发明提供了一种将连续解调整为离散解的方法，使粒子群算法能够适应混流装配线排序问题求解。
步骤9：判断更新后温度Tn+1是否小于终止温度Tend.；若更新后的温度Tn+1小于设定终止温度Tend，则执行步骤9；否则回转执行步骤3；
步骤10：在粒子群算法中，粒子空间位置映射为所求问题的一个解。经步骤5可得当前种群中的最优粒子的空间位置，即所求最小化多目标问题的最优解集。以此调度混流装配生产线排产顺序，可以使三个排产目标f1，f2，f3最小化，从而获得最优混流装配线的排产顺序。
本发明还提供了一种基于混合粒子群算法的混流装配线排序系统，包括以下模块；
模块一，用于混合粒子群算法初始化设置，包括粒子群算法与模拟退火算法两部分初始化设置；
粒子群算法初始化设置包括设置种群规模，粒子初始空间位置；
设混流装配线有J个工位，每个工位区间是封闭的，Lj表示工位j的区间长度，1≦j≦J；装配线以恒定速率Vc移动，且每隔长度W投放一个工件；采用最小生产循环(MinimalProduction Set,MPS)模式，即整个生产是由一系列重复MPS组成。设共用M种产品，生产总量分别是：D1，D2，…，Dm，…，DM；则一个MPS中各产品的生产量记作：d1，d2，…，dm，…，dM＝(D1/h，D2/h，…，Dm/h…，DM/h)，其中，h是D1，D2，…，DM的最大公约数，也是MPS循环次数。
首先产生由n个粒子Xi组成的种群P＝{X1…Xi…Xn}，其中1≤i≤n，n为种群规模；种群的粒子Xi的初始空间位置随机产生，满足最小生产循环MPS中产品数量约束；粒子Xi初始速度设置为0，粒子Xi个体历史最优解设置为初始位置；
模拟退火算法初始化设置包括初始温度T0，温度下降系数α，终止温度Tend设置；
模块二，用于令当前温度Tn＝T0，粒子Xi当前速度Vn＝0，粒子Xi当前位置Zn等于初始位置Z0，Zn＝Z0；令粒子Xi个体历史最优解Zpbest与种群全局最优解Zgbest等于Z0；
模块三，用于种群中粒子Xi移动一步，计算粒子Xi移动后的速度Vn+1与空间位置Zn+1；
模块四，计算Xi移动后空间位置Zn+1的三个目标值，包括目标值f1，为期望超载时间；目标值f2，为零部件消耗波动率；目标值f3，为产品切换次数；
模块五，用于获得当前种群中的最优粒子；
在计算出的三个目标值的基础上，依据多目标优化问题中非支配解集概念，找出当前种群中的最优粒子；多目标优化问题的解若多于一个，则是一个解集合，在该集合中的最优粒子的三个目标值不受其它粒子支配；
模块六，用于采用模拟退火算法，运用Metropolis准则更新粒子个体历史最优解Zpbest；
模块七，用于设置粒子全局最优解Zgbest；
将最优粒子所在空间位置作为种群粒子的全局最优解；种群中各粒子的全局最优解从中随机选取；
模块八，用于种群粒子移动一步后更新温度T，令Tn+1＝αTn；
模块九，用于判断更新后温度Tn+1是否小于终止温度Tend；若更新后的温度Tn+1小于设定终止温度Tend，则执行步骤10；否则回转执行模块三；
模块十，用于根据当前种群中的最优粒子的空间位置，即所求最小化多目标问题的最优解集，以此调度混流装配生产线排产顺序，使三个排产目标f1，f2，f3最小化，从而获得最优混流装配线的排产顺序。
为验证本发明的性能，本实施例以某企业混流装配生产线实例数据进行测试。该混流装配生产线有7个工位，产品在工位上的平均加工时间、均方差及各工位长度如表2所示。产品与零部件的装配关系如表3所示。由于产品的加工时间是正态分布的随机变量，通过模拟随机产生加工时间均方差，即产生一个范围在[u/8，u/4]的随机数。装配线移动速度Vc＝10mm/s。投放间距W＝625mm。装配生产线生产ABCD四种产品，且产量为(3、2、4、2)。算法采用VC编程，运行平台Windows 10，硬件配置CPU为2.0G。
表2各工作站作业时间表(单位：s)
表3产品－部件装配关系
本发明与著名的多目标遗传算法NSGA-Ⅲ进行了对比验证，经过算法灵敏性试验，确定两种算法相关参数为：对于NSGA-Ⅲ算法：种群大小为300，迭代次数1000，交叉概率Pc＝0.75，变异概率Pm＝0.25。对于本发明方法：种群大小为300，T0＝250，Tend＝0.1，α＝0.995，c1＝0.2，c2＝0.5。采用上述参数算法运行结果如表4和表5所示。
表4 NSGA-Ⅲ非支配解集
表5本发明方法非支配解集
从表4可以看出NSGA-Ⅲ最终解为13个，而表5本发明最终解为17个。这表明本发明能够搜索到更多的非支配解。通过比较表4与表5目标值f1，f2，f3的优劣，计算结果表明表5的解均不被表4的解支配，结果证实了本发明的有效性。
本发明构建了加工时间服从正态分布的加工模型，并应用蒙特卡洛模拟方法求解期望超载时间。本发明综合了粒子群算法与模拟退火算法的特征：在粒子惯性权重与个体历史最优解的更新中引入模拟退火算法：粒子惯性权重设计成与温度有关的系数；根据Metropolis准则更新粒子个体历史最优解。这些措施有效完善了算法的搜索机制，增强了算法搜索最优解的能力，提升了算法的性能。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种基于混合粒子群算法的混流装配线排序方法，其特征在于，包括以下步骤：
步骤1：混合粒子群算法初始化设置，包括粒子群算法与模拟退火算法两部分初始化设置；
所述粒子群算法初始化设置包括设置种群规模，粒子初始空间位置；
设混流装配线有J个工位，每个工位区间是封闭的，Lj表示工位j的区间长度，1≦j≦J；装配线以恒定速率Vc移动，且每隔长度W投放一个工件；采用最小生产循环(MinimalProduction Set,MPS)模式，即整个生产是由一系列重复MPS组成；设共用M种产品，生产总量分别是：D1，D2，…，Dm，…，DM；则一个MPS中各产品的生产量记作：d1，d2，…，dm，…，dM＝(D1/h，D2/h，…，Dm/h…，DM/h)，其中，h是D1，D2，…，DM的最大公约数，也是MPS循环次数；
首先产生由n个粒子Xi组成的种群P＝{X1…Xi…Xn}，其中1≤i≤n，n为种群规模；种群的粒子Xi的初始空间位置随机产生，满足最小生产循环MPS中产品数量约束；粒子Xi初始速度设置为0，粒子Xi个体历史最优解设置为初始位置；
所述模拟退火算法初始化设置包括初始温度T0，温度下降系数α，终止温度Tend设置；
步骤2：令当前温度Tn＝T0，粒子Xi当前速度Vn＝0，粒子Xi当前位置Zn等于初始位置Z0，Zn＝Z0；令粒子Xi个体历史最优解Zpbest与种群全局最优解Zgbest等于Z0；
步骤3：种群中粒子Xi移动一步，计算粒子Xi移动后的速度Vn+1与空间位置Zn+1；
步骤4：计算Xi移动后空间位置Zn+1的三个目标值，包括目标值f1，为期望超载时间；目标值f2，为零部件消耗波动率；目标值f3，为产品切换次数；
其中，构建加工时间服从正态分布的混流装配线生产排序模型，在模型中，产品在工位的加工时间是一个随机变量，并以目标值f1期望超载时间为优化目标；
Minimize：
Subject to:
式(4)是所求目标的数学表达式，其中Uij是超载时间，Z(i+1，j)/Vc是开始时间；tjm表示产品m在工位j的加工时间，是一个随机变量，是一个变化的值；Zij表示位于产品加工序列第i位的产品在工位j的初始加工位置；Uij表示位于产品加工序列第i位的产品在工位j的超载时间，I表示加工序列总位数；式(5)表达了产品加工序列的任意位置有且只有一个产品；式(6)说明了在一个MPS循环中产品m的产量为dm；式(7)表达了序列i+1的产品在工位j的初始加工位置，其值与前一个产品序列i的产品在工位j的生产情况紧密相关；m型产品在工位j的装配操作时间记为tjm；W表示产品投放间距；式(8)表示产品序列i的产品在工位j加工的超载时间，与初始加工位置有关；产品的加工顺序用数学变量表示为xim，式(9)表达xim的值与生产序列有关；若处于第i位的产品是型号m产品，则xim等于1，否则为0；式(10)指出第一个投放的产品在所有工位的初始加工位置均为0，且任意产品在全部工位的初始加工位置是大于或等于0；式(11)说明了任意产品在全部工位的超载时间是大于或等于0；
其中，基于蒙特卡洛模拟计算期望超载时间；具体过程为：首先依据概率随机产生零件加工时间的样本，然后以此样本计算出超载时间；重复这个过程n次，计算出超载时间的平均值；当n大于阈值时，n次模拟测试结果x1，x2，…，xn的算术平均值等于期望值μ；
步骤5：获得当前种群中的最优粒子；
在步骤4计算出的三个目标值的基础上，依据多目标优化问题中非支配解集概念，找出当前种群中的最优粒子；多目标优化问题的解若多于一个，则是一个解集合，在该集合中的最优粒子的三个目标值不受其它粒子支配；
步骤6：采用模拟退火算法，运用Metropolis准则更新粒子个体历史最优解Zpbest；
步骤7：设置粒子全局最优解Zgbest；
将步骤5最优粒子所在空间位置作为种群粒子的全局最优解；种群中各粒子的全局最优解从中随机选取；
步骤8：种群粒子移动一步后更新温度T，令Tn+1＝αTn；
步骤9：判断更新后温度Tn+1是否小于终止温度Tend；若更新后的温度Tn+1小于设定终止温度Tend，则执行步骤10；否则回转执行步骤3；
步骤10：经步骤5得当前种群中的最优粒子的空间位置，即所求最小化多目标问题的最优解集，以此调度混流装配生产线排产顺序，使三个排产目标f1，f2，f3最小化，从而获得最优混流装配线的排产顺序。
2.根据权利要求1所述的基于混合粒子群算法的混流装配线排序方法，其特征在于：步骤3中，标准粒子群算法可以用如下公式表示为：
其中，w表示惯性权重，c1与c2是加速因子；Zpbest表示粒子个体历史最优解，是粒子目前搜索出的最好位置；Zgbest表示种群全局最优解，是目前种群搜索出的最优位置；r1与r2是0到1之间的随机数；n是种群目前的迭代次数；Zn与Zn+1分别表示粒子当前位置与移动一步后的位置；Vn表示粒子当前移动速度；Vn+1表示粒子移动一步后的速度；Zn+1通过当前位置Zn与更新后的速度Vn+1相加得到；参数Tn与T0分别为当前温度和初始温度。
3.根据权利要求1所述的基于混合粒子群算法的混流装配线排序方法，其特征在于：步骤4中，设混流装配线共有M种产品，由K种零部件组成，则零部件消耗波动率目标值f2：
Minimize：
Subject to:
其中，xik表示排产序列中从第1到第i个产品完成装配所要的零部件k的数量，I表示加工序列总位数；Nk表示一个生产循环中需要的零部件k的总数量，dm表示一个生产循环中产品m的总数量，bmk表示产品m的需要零部件k的装配数量。
4.根据权利要求1所述的基于混合粒子群算法的混流装配线排序方法，其特征在于，步骤3中，产品切换次数目标值f3：
Minimize：
Subject to:
其中，I表示加工序列总位数；(16)式与式(17)确保投产序列的可行性，即每次投放一个产品；式(18)表达MPS循环运行时的切换联接；式(19)指出产品切换次数与加工数量之间的关系；ximr表示产品m与产品r是否分别在投产序列中的第i位及i+1位，式(20)表达投放序列中相邻产品之间的关系：若产品m处于序列中第i位，而产品r处于序列中第(i+1)位，则ximr等于1，否则为0。
5.根据权利要求1所述的基于混合粒子群算法的混流装配线排序方法，其特征在于，步骤6的具体实现包括以下子步骤：
(a)若粒子移动后位置Zn+1的三个目标值优于个体历史最优解Zpbest，则令Zpbest＝Zn+1；否则执行(b)；
(b)用Zn+1更新Zpbest的概率为exp(-⊿/Tn)；
Metropolis准则中差值⊿计算方法为：
其中，f1(zn+1)表示粒子移动一步后所在空间位置zn+1对应的目标值f1，f2(zn+1)表示粒子移动一步后所在空间位置zn+1对应的目标值f2，f3(zn+1)表示粒子个体历史最优所在空间位置zn+1对应的目标值f3；f1(zpbest)表示粒子个体历史最优所在空间位置zpbest对应的目标值f1，f2(zpbest)表示粒子个体历史最优所在空间位置zpbest对应的目标值f2，f3(zpbest)表示粒子个体历史最优所在空间位置zpbest对应的目标值f3。
6.一种基于混合粒子群算法的混流装配线排序系统，其特征在于：包括以下模块；
模块一，用于混合粒子群算法初始化设置，包括粒子群算法与模拟退火算法两部分初始化设置；
所述粒子群算法初始化设置包括设置种群规模，粒子初始空间位置；
设混流装配线有J个工位，每个工位区间是封闭的，Lj表示工位j的区间长度，1≦j≦J；装配线以恒定速率Vc移动，且每隔长度W投放一个工件；采用最小生产循环(MinimalProduction Set,MPS)模式，即整个生产是由一系列重复MPS组成；设共用M种产品，生产总量分别是：D1，D2，…，Dm，…，DM；则一个MPS中各产品的生产量记作：d1，d2，…，dm，…，dM＝(D1/h，D2/h，…，Dm/h…，DM/h)，其中，h是D1，D2，…，DM的最大公约数，也是MPS循环次数；
首先产生由n个粒子Xi组成的种群P＝{X1…Xi…Xn}，其中1≤i≤n，n为种群规模；种群的粒子Xi的初始空间位置随机产生，满足最小生产循环MPS中产品数量约束；粒子Xi初始速度设置为0，粒子Xi个体历史最优解设置为初始位置；
所述模拟退火算法初始化设置包括初始温度T0，温度下降系数α，终止温度Tend设置；
模块二，用于令当前温度Tn＝T0，粒子Xi当前速度Vn＝0，粒子Xi当前位置Zn等于初始位置Z0，Zn＝Z0；令粒子Xi个体历史最优解Zpbest与种群全局最优解Zgbest等于Z0；
模块三，用于种群中粒子Xi移动一步，计算粒子Xi移动后的速度Vn+1与空间位置Zn+1；
模块四，计算Xi移动后空间位置Zn+1的三个目标值，包括目标值f1，为期望超载时间；目标值f2，为零部件消耗波动率；目标值f3，为产品切换次数；
其中，构建加工时间服从正态分布的混流装配线生产排序模型，在模型中，产品在工位的加工时间是一个随机变量，并以目标值f1期望超载时间为优化目标；
Minimize：
Subject to:
式(4)是所求目标的数学表达式，其中Uij是超载时间，Z(i+1，j)/Vc是开始时间；tjm表示产品m在工位j的加工时间，是一个随机变量，是一个变化的值；Zij表示位于产品加工序列第i位的产品在工位j的初始加工位置；Uij表示位于产品加工序列第i位的产品在工位j的超载时间，I表示加工序列总位数；式(5)表达了产品加工序列的任意位置有且只有一个产品；式(6)说明了在一个MPS循环中产品m的产量为dm；式(7)表达了序列i+1的产品在工位j的初始加工位置，其值与前一个产品序列i的产品在工位j的生产情况紧密相关；m型产品在工位j的装配操作时间记为tjm；W表示产品投放间距；式(8)表示产品序列i的产品在工位j加工的超载时间，与初始加工位置有关；产品的加工顺序用数学变量表示为xim，式(9)表达xim的值与生产序列有关；若处于第i位的产品是型号m产品，则xim等于1，否则为0；式(10)指出第一个投放的产品在所有工位的初始加工位置均为0，且任意产品在全部工位的初始加工位置是大于或等于0；式(11)说明了任意产品在全部工位的超载时间是大于或等于0；
其中，基于蒙特卡洛模拟计算期望超载时间；具体过程为：首先依据概率随机产生零件加工时间的样本，然后以此样本计算出超载时间；重复这个过程n次，计算出超载时间的平均值；当n大于阈值时，n次模拟测试结果x1，x2，…，xn的算术平均值等于期望值μ；
模块五，用于获得当前种群中的最优粒子；
在计算出的三个目标值的基础上，依据多目标优化问题中非支配解集概念，找出当前种群中的最优粒子；多目标优化问题的解若多于一个，则是一个解集合，在该集合中的最优粒子的三个目标值不受其它粒子支配；
模块六，用于采用模拟退火算法，运用Metropolis准则更新粒子个体历史最优解Zpbest；
模块七，用于设置粒子全局最优解Zgbest；
将最优粒子所在空间位置作为种群粒子的全局最优解；种群中各粒子的全局最优解从中随机选取；
模块八，用于种群粒子移动一步后更新温度T，令Tn+1＝αTn；
模块九，用于判断更新后温度Tn+1是否小于终止温度Tend；若更新后的温度Tn+1小于设定终止温度Tend，则执行步骤10；否则回转执行模块三；
模块十，用于根据当前种群中的最优粒子的空间位置，即所求最小化多目标问题的最优解集，以此调度混流装配生产线排产顺序，使三个排产目标f1，f2，f3最小化，从而获得最优混流装配线的排产顺序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011510330.7A CN112651482B (zh) | 2020-12-19 | 2020-12-19 | 基于混合粒子群算法的混流装配线排序方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011510330.7A CN112651482B (zh) | 2020-12-19 | 2020-12-19 | 基于混合粒子群算法的混流装配线排序方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112651482A CN112651482A (zh) | 2021-04-13 |
| CN112651482B true CN112651482B (zh) | 2024-01-23 |
Family
ID=75355172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011510330.7A Active CN112651482B (zh) | 2020-12-19 | 2020-12-19 | 基于混合粒子群算法的混流装配线排序方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651482B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703113A (zh) * | 2023-06-27 | 2023-09-05 | 中航机载系统共性技术有限公司 | 一种高维多目标柔性产线排产方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222268A (zh) * | 2011-06-02 | 2011-10-19 | 西安电子科技大学 | 基于多种群混合粒子群算法的流水车间调度方法 |
| CN105203106A (zh) * | 2015-08-17 | 2015-12-30 | 湖北工业大学 | 一种基于模拟退火粒子群算法的wMPS网络布局优化方法 |
| CN108053119A (zh) * | 2017-12-15 | 2018-05-18 | 兰州理工大学 | 一种求解零等待流水车间调度问题的改进粒子群优化算法 |
| CN108629478A (zh) * | 2018-03-15 | 2018-10-09 | 浙江工业大学 | 一种基于模拟退火粒子群混合算法的服装剪裁分床方法 |
| CN108764449A (zh) * | 2018-05-18 | 2018-11-06 | 九江学院 | 一种改进粒子群算法求解白车身焊接装配线平衡问题的方法 |
| CN110738365A (zh) * | 2019-10-09 | 2020-01-31 | 湖北工业大学 | 一种基于粒子群算法的柔性作业车间生产调度方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060212279A1 (en) * | 2005-01-31 | 2006-09-21 | The Board of Trustees of the University of Illinois and | Methods for efficient solution set optimization |
-
2020
- 2020-12-19 CN CN202011510330.7A patent/CN112651482B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102222268A (zh) * | 2011-06-02 | 2011-10-19 | 西安电子科技大学 | 基于多种群混合粒子群算法的流水车间调度方法 |
| CN105203106A (zh) * | 2015-08-17 | 2015-12-30 | 湖北工业大学 | 一种基于模拟退火粒子群算法的wMPS网络布局优化方法 |
| CN108053119A (zh) * | 2017-12-15 | 2018-05-18 | 兰州理工大学 | 一种求解零等待流水车间调度问题的改进粒子群优化算法 |
| CN108629478A (zh) * | 2018-03-15 | 2018-10-09 | 浙江工业大学 | 一种基于模拟退火粒子群混合算法的服装剪裁分床方法 |
| CN108764449A (zh) * | 2018-05-18 | 2018-11-06 | 九江学院 | 一种改进粒子群算法求解白车身焊接装配线平衡问题的方法 |
| CN110738365A (zh) * | 2019-10-09 | 2020-01-31 | 湖北工业大学 | 一种基于粒子群算法的柔性作业车间生产调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于混合粒子群算法求解多目标混流装配线排序;刘炜琪;刘琼;张超勇;邵新宇;;计算机集成制造系统(第12期);正文第1-4节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651482A (zh) | 2021-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508488B (zh) | 基于遗传算法优化bp神经网络的喷丸成形工艺参数预测方法 | |
| CN109190857B (zh) | 一种基于多目标资源受限项目调度模型的优化算法 | |
| CN110378462B (zh) | 求解带准备时间置换流水车间调度问题的改进eda算法 | |
| CN101872444B (zh) | 一种结合中期修正策略的间歇过程批到批优化方法 | |
| CN110163409B (zh) | 一种应用于置换流水车间的卷积神经网络调度方法 | |
| CN113544599A (zh) | 执行过程并优化在该过程中使用的控制信号的方法 | |
| CN112651482B (zh) | 基于混合粒子群算法的混流装配线排序方法及系统 | |
| CN110674598A (zh) | 一种基于支持向量机和粒子群算法的注塑工艺优化方法 | |
| CN109472105B (zh) | 半导体产品良率上限分析方法 | |
| CN112433507B (zh) | 基于lso-lssvm的五轴数控机床热误差综合建模方法 | |
| CN111898867A (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
| CN109325613B (zh) | 用平行序贯极限学习机对静态电压稳定裕度在线预测方法 | |
| CN112907150A (zh) | 一种基于遗传算法的生产排程方法 | |
| CN112288139A (zh) | 基于混沌时间序列的空调能耗预测方法、系统及存储介质 | |
| CN116151451A (zh) | 基于三重强化学习的电池制造能力可变权组合预测方法 | |
| CN103106331A (zh) | 基于降维和增量式极限学习机的光刻线宽智能预测方法 | |
| CN101114312A (zh) | 基于遗传神经网络技术设计assel轧辊辊型的方法 | |
| Rajkumar et al. | A hybrid algorithm for multi-objective optimization of minimizing makespan and total flow time in permutation flow shop scheduling problems | |
| CN113779803A (zh) | 一种基于动态容差的加工装配交互方法 | |
| CN117556532A (zh) | 一种新型涡轮盘预旋系统多元件匹配的优化方法 | |
| Hassoun | On improving the predictability of cycle time in an NVM fab by correct segmentation of the process | |
| CN111445079B (zh) | 一种应用于车间计划投产的多保真仿真优化方法及设备 | |
| Gao et al. | Flow shop scheduling with variable processing times based on differential shuffled frog leaping algorithm | |
| Ponnambalam et al. | Discrete particle swarm optimization algorithm for flowshop scheduling | |
| Zhang et al. | Parallel Optimization of the Balancing and Sequencing for Mixed-model Assembly Lines |
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 |