CN113052494A

CN113052494A - 基于蚁群优化算法的组串选配技术

Info

Publication number: CN113052494A
Application number: CN202110424628.4A
Authority: CN
Inventors: 邱修林; 叶磊; 杨余旺; 王吟吟; 张保良; 张宛俭; 马金海
Original assignee: Nanjing University of Science and Technology
Current assignee: Nanjing University of Science and Technology
Priority date: 2021-04-20
Filing date: 2021-04-20
Publication date: 2021-06-29

Abstract

本发明公开了一种基于蚁群优化算法的组串选配技术，该技术主要解决人工选配存在直接安全隐患；装配效率低；装配质量一致性得不到保障等问题。本发明通过分析零部件尺寸及重量关系，确定特制零部件的尺寸、形状、位置等几何参数的允许变动量，针对选配模型的特殊性，采用基于相似度的蚁群聚类算法实现组串选配技术。主要步骤有：根据当前选配盘上配件的重量(横坐标)和长度(纵坐标)，产生一个分布图；求解K个分组的思路转换为对该图中的点进行聚类，基于蚁群聚类算法得出分类；以类为单位，在每一类中寻找合适的组件，寻找方法可以是先找某一类的重心点，然后再以此重心点开始向外扩张寻找符合条件的M个组串；通过数据统计分析，结合选配历史形成预测，提高下一轮的选配效率。

Description

基于蚁群优化算法的组串选配技术

技术领域

本发明涉及装配生产线中的选配技术，尤其涉及基于蚁群优化算法的装配生产线中组串选配技术。

背景技术

组串选配作为装配环节的重要手段，已经有许多国内外学者进行了研究。组串选配技术针对多质量特性的零件装配，将不同零件按照质量特性进行分组，采用蚁群算法，寻找组件装配间隙变化最小的装配方案。

但是现有的选配优化算法主要是针对大批量制造模式下的分组选配，研究分组策略上的最优化。选配需要对一定数量且没有库存备件的螺柱，螺孔，螺母等零配件进行一对一配对。目前组串装配环节都是由人工操作完成，没有采用选配技术，先进行试装，出现问题后再采用换装、再挑选装配等辅助手段，主要存在的问题有：人工火工品装配，存在直接安全隐患；装配效率低；装配质量一致性得不到保障等。

本发明基于蚁群优化算法提出组串选配技术，通过分析零部件尺寸及重量关系，确定特制零部件的尺寸、形状、位置等几何参数的允许变动量，针对选配模型的特殊性，采用基于相似度的蚁群聚类算法实现组串选配技术。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于蚁群优化算法的组串选配技术，该技术从N个子组串中，寻找K个符合尺寸匹配条件的分组(N>M)，所以该问题的求解空间是2^N。装配过程中仓库内待装配配件的重量和长度参数指标应符合二维正态分布：N(u₁,u₂,δ₁,δ₂,ρ)。其中均值u₁,u₂，方差δ₁,δ₂虽然未知，但数据系统可以借助流水线上的传感器读数，通过分析实时获取到。

一种基于蚁群优化算法的组串选配技术，求解K个分组的思路转换为对零配件尺寸及重量参数进行聚类：根据蚁群聚类算法，在每一类中寻找合适的组件，寻找方法可以是先找某一类的重心点，然后再以此重心点开始向外扩张寻找符合条件的M个组串。

本发明为解决上述技术问题采用以下技术方案：

一种基于蚁群优化算法的组串选配技术，其数学描述为：当前选配盘上有N个子dan串，并且每个子dan串可编号为1,2,…,N，符合装配要求(即重量差和长度差)的分组可能有K组：{a₁,a₂,…,a_l1},{b₁,b₂,…,b_l2},{c₁,c₂,…,c_l3},….,{k₁,k₂,…,k_lk}，注意一个子dan串编号可能会被选到多个分组中，并且分组K的值最小为1(此时表示选配盘所有子dan串都可成为一组)，K最大为N(表示选配盘所有子dan串两两均差异较大，彼此之间均不符合要求)。

根据数学描述，组串选配步骤为：

步骤1：根据当前选配盘上配件的重量(横坐标)和长度(纵坐标)，产生一个分布图；

步骤2：求解K个分组的思路转换为对该图中的点进行聚类，基于蚁群聚类算法得出分类；

步骤3：以类为单位，在每一类中寻找合适的组件，寻找方法可以是先找某一类的重心点，然后再以此重心点开始向外扩张寻找符合条件的M个组串；

步骤4：通过数据统计分析，结合选配历史形成预测，提高下一轮的选配效率。

一种基于蚁群优化算法的组串选配技术，蚁群算法执行步骤为：

步骤1：初始化种群，蚂蚁随机出生于任一节点；

步骤2：所有蚂蚁开始访问其他所有节点，最终返回起始节点，此时在访问路径上留下信息素；

步骤3：判断最优路径是否满足问题需求，满足则输出结果并停止运行，不满足则继续运行，执行步骤4；

步骤4：从本次运行和往期存留的信息素中选取较好的部分信息素予以保留，其他较差的信息素删除；

步骤5：将删除的信息素加入禁忌表，转第2步骤。

一种基于蚁群优化算法的组串选配技术，其构建相似度矩阵的策略为：余弦相似度来计算数据项间的距离，其定义如下：

其中e_i，e_j表示两个不同的数据项，e_ik，e_jk表示不同数据项在k维度的值，n表示数据项的维度数。

然后对余弦距离标准化，形成相似矩阵(Similarity Matrix)。该矩阵是一个N×N的对称矩阵，表示N个数据项两两之间的相似度，形如：

其中，d_ij是数据项i和对象j之间余弦距离的标准化表示。当数据项i和数据项j越相似，其值越接近0；相反，两个数据项越不同，其值越接近1。

再以相似矩阵为基础，以列为单位，按照相似度从高到地的顺序进行排序，形成相似度序列矩阵，如公式所示：

其中函数f(x)是以矩阵x为参数的快速排序函数，s_ij表示与第i个数据项相似度排序第j个的数据项的序号，s_ij∈(1 ... n)。数据项与该数据项的相似度最高，因此[s₁₁ s₁₂... s_n1]＝[1 2 ... n]。

一种基于蚁群优化算法的组串选配技术，其概率转换函数为：

其中c为常数。

Sigmoid函数是一种非线性单调函数，同时在零点时导数最大，这样极大的区分出了在数据相似度很接近时捡起或者放下的概率。

这样，蚂蚁的捡起和放下概率可以由以下公式(3.5)和(3.6)计算得出：

p_p＝1-Sigmoid(f(e_i))

p_d＝Sigmoid(f(e_i))

其中f(e_i)是数据项e_i的相似函数。

一种基于蚁群优化算法的组串选配技术，依据相似度矩阵提高蚂蚁移动的目的性和关联数据的目的性，降低蚂蚁随机移动和随机关联导致的时间的浪费，从而提高聚类的效率。

据相似度移动算法的伪代码如下所示：

对于每一个蚂蚁，如果它在当前背负着数据项并需要移动数据时，按照序列遍历搜索相似矩阵序列，并判断是否搜索到的数据序列是否在邻域中。如果在则将数据移动到该数据项附近并返回，否则继续进入下一次循环，直达找到为止。

按照相似度序列矩阵找到和当前数据项最不相似的数据项并映射到该蚂蚁，伪代码如下所示：

本算法是按照相似度序列矩阵的反向来遍历搜索矩阵。由于相似度矩阵是按照相似度从小到大的顺序排列，所以反向则是按照从大到小的顺序排列。然后判断当前数据项o_k是否被占用。如果没有被占用，则将蚂蚁和该数据项关联并返回当前的序列，否则继续循环。

附图说明

图1是本发明基于蚁群聚类算法流程；

图2是本发明基于蚁群优化选配系统功能模型图；

图3是本发明数据项领域范围；

图4是本发明蚁群聚类算法并行实现。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

1)如图1所示为蚁群聚类算法流程，在将实际场景中的模型映射到数据分析中时，首先要解决数据之间相似度或者距离的定义问题，即利用任何可用的范数在数据y_a和y_b之间定义一个可以表示数据间距离或者相似度的d(e_i，e_j)。对于之际的应用中，最常见的时选择两个向量间的欧几里德距离作为相似度的度量，所以相似度可以表示为：

其中，e_i表示数据点i，m是数据项的维度。

在LF模型中，将蚂蚁的尸体建模为需要聚类的数据项，蚂蚁建模为在环境中随机移动的代理，蚂蚁移动的平面建模为一个具有边界条件的二维网格。

首先，将N个数据项随机地映射到一个M×M的二维平面中，并将E只蚂蚁分散到数据平面中并为每只蚂蚁e_i关联一个数据项，即形成蚂蚁到数据项映射：

F：E→N

其中E是蚂蚁集合，N是数据项集合，F是蚂蚁到数据项的随机映射函数。

再计算出当前数据项与邻域内其它数据项的相似度f(e_i)，按照公式计算相似度：

其中α是自定义的参数，用来调节蚂蚁间的相似度。V定义了蚂蚁的移动速度，v_max代表了最大速度，V随机分布在[1，v_max]中。s是自定义的蚂蚁的搜索长度。Neigh_s×s(r)代表位置r的周围s×s面积。d(e_i，e_j)是e_i和e_j之间的距离。

当蚂蚁处于空载状态需要拾起数据项时，按照公式计算拾起概率p_p：

当蚂蚁处于负载状态需要放下数据项时，按照公式计算放下概率p_d：

其中f(e_i)是e_i的相似函数，k₁和k₂是阙值常值。

2)如图2所示为基于蚁群优化选配系统功能模型图，主体功能由装配数据管理模块、选配计算模块和性能预测模块三个部分组成。装配数据管理模块记录了系统运行所需和产生的全部数据，包括四类数据：通过装配人员定义的零件属性信息和产品表信息；来自装配生产线的零件库存信息和装配履历表数据；来自性能预测模块的预测结果数据以及训练所得的预测模型；来自选配计算模块的选配方案列表。

选配计算模块通过调用装配数据管理模块获得零件库存信息、零件属性信息和产品表信息，并根据装配人员定义的公差约束信息、选配任务和相应的参数设置，再通过调用性能预测模型，便可以进行性能预测与公差分组相结合的选配计算工作，计算所得的选配方案传递给装配数据管理模块，以供装配生产线使用。

性能预测模块调用装配数据管理模块记录的装配履历表数据、零件属性信息和产品表信息，便可以根据装配人员定制的训练任务进行预测模型的训练，训练得到的预测模型传递给装配数据管理模块进行储存；根据装配人员定制的预测任务和预测参数，便可以调用预测模型计算得出性能预测结果，预测结果将会传递给装配数据管理模块，供装配人员参考以指导零件的调整。

3)如图3所示为数据项领域范围，在蚂蚁移动数据项时，首先根据公式下确定当前数据项的邻域，

N(ant_i)＝N(x_i，y_i)＝{x mod w(n)，y mod h(n)||x-x_i|≤S_x，|y-y_i|≤S_y}

其中ant_i表示第i只蚂蚁，位于(x_i，y_i)，S_x和S_y分别代表该蚂蚁水平和竖直方向的邻域的范围。

然后确定邻域中的数据项，即e_i∈N(ant_i)，再按照相似度序列矩阵找出邻域中相似度最高的数据项，将当前数据项移动到该数据项附近。

4)如图4所示为蚁群聚类算法并行实现，蚁群聚类算法由于将数据和相似度矩阵同时存储在内存中，处理小数据集尚可，但是难以处理大数量级的数据。仅仅纵向地扩展计算机内存或磁盘等性能来扩展算法处理的数据量也是不现实的，所以有必要对蚁群聚类算法进行横向的扩展，即对算法进行并行化设计。

本发明设计一种多子蚁群并行交互式策略，将原来的串行算法中的单个蚁群切分为p个子蚁群，每个子蚁群分配一个节点。每个子蚁群维护自己的局部的位置矩阵，在此基础上进行独立的聚类操作。由于在每个节点独立地执行聚类操作，简单地将聚类结果进行拼接只能是局部优化的结果。所以子蚁群迭代完成后，根据通过既定的交互策略对各自的局部位置进行广播，更新全局的位置信息后再次进行聚类操作，最终获得全局最优的聚类结果。

由于位置矩阵是一个全局的矩阵，需要同时为多个tasks所共享。基于Spark的broadcast和accumulator函数实现位置矩阵的分发和累加功能不仅方便地实现全局矩阵的分发和累加功能，还可以减少节点间交互产生的数据带宽。首先master节点生成一个空的CoordinateMatrix并为每个数据随机生成一个位置坐标保存在该矩阵中。然后通过broadcast函数分发该矩阵，每个节点根据本节点的数据选取对应节点的位置信息。

每个节点根据相似度矩阵，结合现在的广播得到的位置矩阵的单独进行蚁群聚类操作。每个节点包括一个迭代过程，其中每次迭代过程都会更新本地局部的位置矩阵。由于broadcast广播的矩阵副本是只读的，所以在迭代完成后，通过accumulator将位置矩阵进行累加形成新的全局位置矩阵。

在累加的过程中，如果有位置被重复占用，则在该位置邻域随机生成一个位置放置该数据。位置信息更新完成后，再broadcast全局位置矩阵，然后进入下一次迭代过程，直到迭代次数结束。最终得到一个位置矩阵，就是数据的聚类结果。

本发明创造的主要保护技术点：

(1)适应于装配生产线中基于蚁群优化算法的组串选配技术。

(2)组串选配步骤，包含求解K个分组的思路转换为对该图中的点进行聚类，基于蚁群聚类算法得出分类的方法。

(3)构建相似度矩阵的策略，含数据项间距离、相似度序列矩阵的定义。

(4)依据相似度矩阵提高蚂蚁移动的目的性和关联数据的目的性，降低蚂蚁随机移动和随机关联导致的时间的浪费，从而提高聚类效率的方法。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于蚁群优化算法的组串选配技术，其特征在于，组串选配步骤为：

2.如权利要求1，蚁群算法的执行步骤为：

步骤1：初始化种群，蚂蚁随机出生于任一节点；

步骤5：将删除的信息素加入禁忌表，转第2步骤。

3.如权利要求2，蚁群算法中余弦相似度来计算数据项间的距离，其定义如下：

4.如权利要求3，对余弦距离标准化，形成相似矩阵(SimilarityMatrix)。该矩阵是一个N×N的对称矩阵，表示N个数据项两两之间的相似度，形如：

其中，d_ij是数据项i和对象j之间余弦距离的标准化表示。

5.如权利要求4，形成相似度序列矩阵，如公式所示：

其中函数f(x)是以矩阵x为参数的快速排序函数，s_ij表示与第i个数据项相似度排序第j个的数据项的序号,s_ij∈(1 ... n)。数据项与该数据项的相似度最高，因此[s₁₁ s₁₂ ...s_n1]＝[1 2 ... n]。

6.如权利要求1，一种基于蚁群优化算法的组串选配技术，其概率转换函数为：

其中c为常数。