CN113554187B - 基于vns-sma算法的主动力设备送修方法及系统 - Google Patents
基于vns-sma算法的主动力设备送修方法及系统 Download PDFInfo
- Publication number
- CN113554187B CN113554187B CN202110651399.XA CN202110651399A CN113554187B CN 113554187 B CN113554187 B CN 113554187B CN 202110651399 A CN202110651399 A CN 202110651399A CN 113554187 B CN113554187 B CN 113554187B
- Authority
- CN
- China
- Prior art keywords
- power equipment
- main power
- neighborhood
- parts
- repair
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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]
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于VNS‑SMA算法的主动力设备送修方法及系统,涉及主动力设备零部件维修技术领域。本发明考虑主动力设备零部件之间存在结构耦合,主动力设备零部件之间的结构依赖,经济依赖以及拆卸操作均会影响主动力设备零部件额定寿命的真实维修情况。在解决主动力设备零部件送修策略研究问题时,本发明的技术方案同时考虑了主动力设备零部件之间由于存在结构耦合而产生的多种影响主动力设备零部件送修策略的因素,然后以最小化维修总成本作为目标函数,并将改进参数的SMA算法和VNS算法进行结合,用来求解最优的主动力设备的送修策略,最终快速、准确地求解出结果,降低了企业送修主动力设备的成本,减少了企业的停机损失。
Description
技术邻域
本发明涉及主动力设备零部件维修技术领域,具体涉及一种基于VNS-SMA算法的主动力设备送修方法及系统。
背景技术
一些应用于各种大型制造行业的主动力设备(例如,船舶发动机等)由于价格昂贵、具有特殊性,且替代品存储价格昂贵等诸多原因,其维护和保养显得尤为重要,所以如何减少这些主动力设备的维修次数和送修总成本受到专家越来越深入的研究,其意义重大。
在以往研究主动力设备维修问题时,维修时机往往是根据主动力设备零部件的寿命提前给定的,然后将其作为制定维修计划的一种约束条件,而这种固定周期的送修方式实际上并不完全符合现实中主动力设备零部件送修的真实情况;其次,以往的主动力设备零部件在维修时,也很少会同时考虑主动力设备零部件之间的经济依赖、结构依赖,以及拆卸操作等因素对主动力设备零部件维修的影响,而这些因素在实际中是完全有可能同时存在的;再者,如果综合考虑多种影响因素时,利用传统的主动力设备零部件送修策略研究模型求解大规模问题时,会存在找不到最优解的问题。
由此可见,现有的主动力设备零部件送修策略研究技术并未同时、全面考虑影响主动力设备零部件维修的多种因素,且求解模型无法获取精准的送修策略求解结果。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于VNS-SMA算法的主动力设备送修方法及系统,解决了现有的主动力设备零部件送修策略研究技术存在无法在同时考虑多个影响因素时获得精准送修策略求解结果的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
第一方面,本发明首先提出一种基于VNS-SMA算法的主动力设备送修方法,所述方法包括:
S1、初始化算法的输入参数和执行参数,所述输入参数包括主动力设备的额定使用循环转数T,第i个主动力设备零部件的额定使用循环转数Llim,i,第i个主动力设备零部件拆卸成本eit,第i个主动力设备零部件最小维护成本Fi,第i个主动力设备零部件更换成本pi,第i个主动力设备零部件之间的连接关系第i个主动力设备零部件的形状参数αi,第i个主动力设备零部件尺寸参数βi,关于第i个主动力设备零部件自身特性的系数ki,主动力设备零部件之间的连接强度值Sit;所述执行参数包括邻域结构Nk,k=1,...,kmax,局部搜索序列集合Nl,l=1,...,lmax,当前邻域次序为k=1,局部搜索次数l=1;其中,i=1,2,...,n,n表示主动力设备零部件的总个数;
S3、改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’;
S4、获取主动力设备送修时零部件的更换策略,并基于所述更换策略计算邻域结构Nk中各个解的适应度值f(x),并基于各个解的适应度值f(x)在邻域集合Nl里对解x’进行局部搜索,得到局部最优解x”;
S5、如果f(x”)≤f(x')成立,则将x”赋值给x',l=1,转S4;否则,令l=l+1,如果l≤lmax成立则转S4,否则,转S6。
S6、如果f(x')≤f(x)成立,则将x'赋值给x,k=1,转S3,否则令k=k+1,如果k≤kmax成立,转S3,否则,转S7;
S7、算法执行结束并输出x解的目标函数值f(x)和主动力设备零部件的维修策略。
优选的,S3中所述改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’包括:
S31、将黏菌优化算法中的参数vc改进成一个从1减少到0的非线性降低的参数以改进黏菌优化算法;改进后的所述参数vc用公式表示为:
S32、将改进后的黏菌优化算法中的黏菌位置更新公式引入到变邻域搜索算法的邻域动作当中,以设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作;
S33、按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作,并从初始解x的第k个邻域结构Nk中得到解x’。
优选的,所述按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作包括:
随机生成一个随机数r,0≤r≤1,如果r<p,执行所述第一种邻域动作;如果r≥p,执行所述第二种邻域动作,其中,
p的函数表达式为:p=tanh|S(Nk)-DF|;
第一种邻域动作:Xnew=s+vb*(W*XA(NK)-XB(NK));
第二种邻域动作:Xnew=vc*X(NK);
其中,vb参数取值范围是[-a,a];Nk表示在第k个邻域结构;x表示当前搜索到的最优的解;X(Nk)表示搜索到的当前解;XA(Nk)和XB(Nk)表示在当前邻域结构k中随机选取的两个解;W表示位置更新系数;
其中,maxT表示邻域结构Nk内的最大迭代次数;rand表示[0,1]区间内的随机值;bF(Nk)表示在当前邻域结构X(Nk)中获得的最优适应度;ωF(Nk)表示在当前邻域结构Nk中获得的最差适应度;S(Nk)表示算法当前搜索到的解X(Nk)的适应度。
优选的,S4中所述获取主动力设备送修时零部件的更换策略包括,获取第j次送修需要更换的主动力设备零部件的集合Gj和第j次送修无需更换的主动力设备零部件的集合Ga,具体过程包括:
第一步:分别创建Ga和Gj两个集合,将主动力设备的n个零部件依次加入到Ga集合中;
第二步:找到Ga集合中第一个主动力设备零部件的下标i的值;
第四步:若成立,则将下标为i的主动力设备零部件加入到Gj中,同时在Ga中将此主动力设备零部件去除,返回第二步;若不成立,则令i=i+1,如果Ga不存在下标为i的主动力设备零部件,则再令i=i+1,重复此操作直至找到主动力设备零部件并确定其下标值i,返回第三步;如果i>n,则转第五步;
第五步:获取第j次送修需要更换的主动力设备零部件的集合Gj和第j次送修无需更换的主动力设备零部件的集合Ga;
其中,Llim,i表示第i个主动力设备零部件的额定使用循环转数;x′ij表示主动力设备第j次送修前第i零部件的循环转数;表示是主动力设备第j次送修时的目标循环转数;表示第j次送修时拆卸其他零部件对第i个零部件造成的寿命损失。
优选的,S4中所述适应度值f(x)计算公式为:
f(x)=f1+f2+f3
其中,f1表示在主动力设备全寿命周期内所有主动力设备零部件的更换成本;f2表示所有主动力设备零部件在主动力设备全寿命周期内的非预期故障的最小维护成本;f3表示送修主动力设备时主动力设备零部件的拆卸成本;m指的是主动力设备的送修次数;n指的是主动力设备的主动力设备零部件数;rij=0表示第i个主动力设备零部件不需要更换,rij=1表示第i个主动力设备零部件需要更换;pi表示第i个主动力设备零部件的更换成本;表示第i个主动力设备零部件在主动力设备各个运行周期内的故障次数;/>表示第i个主动力设备第j次送修所拆卸零部件的连接关系的集合;eit表示第i个主动力设备零部件拆卸成本。
第二方面,本发明还提出了一种基于VNS-SMA算法的主动力设备送修系统,所述系统包括:
处理单元,所述处理单元用于执行以下步骤:
S1、初始化算法的输入参数和执行参数,所述输入参数包括主动力设备的额定使用循环转数T,第i个主动力设备零部件的额定使用循环转数Llim,i,第i个主动力设备零部件拆卸成本eit,第i个主动力设备零部件最小维护成本Fi,第i个主动力设备零部件更换成本pi,第i个主动力设备零部件之间的连接关系第i个主动力设备零部件的形状参数αi,第i个主动力设备零部件尺寸参数βi,关于第i个主动力设备零部件自身特性的系数ki,主动力设备零部件之间的连接强度值Sit;所述执行参数包括邻域结构Nk,k=1,...,kmax,局部搜索序列集合Nl,l=1,...,lmax,当前邻域次序为k=1,局部搜索次数l=1;其中,i=1,2,...,n,n表示主动力设备零部件的总个数;
S3、改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’;
S4、获取主动力设备送修时零部件的更换策略,并基于所述更换策略计算邻域结构Nk中各个解的适应度值f(x),并基于各个解的适应度值f(x)在邻域集合Nl里对解x’进行局部搜索,得到局部最优解x”;
S5、如果f(x”)≤f(x')成立,则将x”赋值给x',l=1,转S4;否则,令l=l+1,如果l≤lmax成立则转S4,否则,转S6。
S6、如果f(x')≤f(x)成立,则将x'赋值给x,k=1,转S3,否则令k=k+1,如果k≤kmax成立,转S3,否则,转S7;
S7、算法执行结束;
输出单元,所述输出单元用于输出x解的目标函数值f(x)和主动力设备零部件的维修策略。
优选的,所述处理单元在执行S3时,所述改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’包括:
S31、将黏菌优化算法中的参数vc改进成一个从1减少到0的非线性降低的参数以改进黏菌优化算法;改进后的所述参数vc用公式可表示为:
S32、将改进后的黏菌优化算法中的黏菌位置更新公式引入到变邻域搜索算法的邻域动作当中,以设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作;
S33、按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作,并从初始解x的第k个邻域结构Nk中得到解x’,
优选的,所述处理单元在执行S3时,所述按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作包括:
随机生成一个随机数r,0≤r≤1,如果r<p,执行所述第一种邻域动作;如果r≥p,执行所述第二种邻域动作,其中,
p的函数表达式为:p=tanh|S(Nk)-DF|;
第一种邻域动作:Xnew=s+vb*(W*XA(NK)-XB(NK));
第二种邻域动作:Xnew=vc*X(NK);
其中,vb参数取值范围是[-a,a];Nk表示在第k个邻域结构;x表示当前搜索到的最优的解;X(Nk)表示搜索到的当前解;XA(Nk)和XB(Nk)表示在当前邻域结构k中随机选取的两个解,W表示位置更新系数;
其中,maxT表示邻域结构Nk内的最大迭代次数;rand表示[0,1]区间内的随机值;bF(Nk)表示在当前邻域结构X(Nk)中获得的最优适应度;ωF(Nk)表示在当前邻域结构Nk中获得的最差适应度;S(Nk)表示算法当前搜索到的解X(Nk)的适应度。
优选的,所述处理单元在执行S4时,所述获取主动力设备送修时零部件的更换策略包括,获取第j次送修需要更换的主动力设备零部件的集合Gj和第j次送修无需更换的主动力设备零部件的集合Ga,具体过程包括:
第一步:分别创建Ga和Gj两个集合,将主动力设备的n个零部件依次加入到Ga集合中;
第二步:找到Ga集合中第一个主动力设备零部件的下标i的值;
第四步:若成立,则将下标为i的主动力设备零部件加入到Gj中,同时在Ga中将此主动力设备零部件去除,返回第二步;若不成立,则令i=i+1,如果Ga不存在下标为i的主动力设备零部件,则再令i=i+1,重复此操作直至找到主动力设备零部件并确定其下标值i,返回第三步;如果i>n,则转第五步;
第五步:获取第j次送修需要更换的主动力设备零部件的集合Gj和第j次送修无需更换的主动力设备零部件的集合Ga;
其中,Llim,i表示第i个主动力设备零部件的额定使用循环转数;x′ij表示主动力设备第j次送修前第i零部件的循环转数;表示是主动力设备第j次送修时的目标循环转数;表示第j次送修时拆卸其他零部件对第i个零部件造成的寿命损失。
优选的,所述处理单元在执行S4时,所述适应度值f(x)计算公式为:
f(x)=f1+f2+f3
其中,f1表示在主动力设备全寿命周期内所有主动力设备零部件的更换成本;f2表示所有主动力设备零部件在主动力设备全寿命周期内的非预期故障的最小维护成本;f3表示送修主动力设备时主动力设备零部件的拆卸成本;m指的是主动力设备的送修次数;n指的是主动力设备的主动力设备零部件数;rij=0表示第i个主动力设备零部件不需要更换,rij=1表示第i个主动力设备零部件需要更换;pi表示第i个主动力设备零部件的更换成本;表示第i个主动力设备零部件在主动力设备各个运行周期内的故障次数;/>表示第i个主动力设备第j次送修所拆卸零部件的连接关系的集合;eit表示第i个主动力设备零部件拆卸成本。
(三)有益效果
本发明提供了一种基于VNS-SMA算法的主动力设备送修方法及系统。与现有技术相比,具备以下有益效果:
本发明的技术方案考虑了结构耦合的主动力设备零部件送修的真实情况,同时、全面考虑影响主动力设备零部件维修的多种因素,将维修时机作为决策的一部分,和每次送修需要维修哪些零部件一起决策,并将改进后的SMA算法与VNS算法进行结合以快速、准确求解主动力设备零部件的送修策略,从而有效解决了现有主动力设备零部件送修策略研究技术存在无法在同时考虑多个影响因素时获得精准送修策略求解结果的问题,降低了企业送修主动力设备的成本,并减少了企业的停机损失,为企业设备的运行与维护决策提供了有力的支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本邻域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中基于VNS-SMA算法的主动力设备送修方法流程图;
图2为本发明实施例中SMA算法参数改进前后对比图;
图3为本发明实施例中获取主动力设备零部件更换情况流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本邻域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种基于VNS-SMA算法的主动力设备送修方法及系统,解决了现有的主动力设备送修策略研究技术存在无法在同时考虑多个影响因素时获得精准送修策略求解结果的问题,实现了获得更满足真实维修情况的主动力设备送修策略的目的。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明考虑主动力设备零部件之间存在结构耦合,所以主动力设备零部件之间的结构依赖,经济依赖以及拆卸操作会影响主动力设备零部件额定寿命的真实维修情况。在解决主动力设备零部件送修策略研究问题时,本发明的技术方案同时考虑了主动力设备零部件之间由于存在结构耦合而产生的多种影响主动力设备零部件送修策略的因素,然后以最小化维修总成本作为目标函数,并将改进参数的黏菌优化算法(Slime mouldalgorithm,SMA)和变邻域搜索算法(Variable Neighborhood Search,VNS)进行结合,用来求解最优的主动力设备的送修策略。最终快速、准确地求解出结果,降低了企业送修主动力设备的成本,减少了企业的停机损失。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
主动力设备由很多小的零部件构成,其总寿命固定。随着主动力设备使用寿命增加,零部件的使用寿命也会增加,且增加的幅度一致,主动力设备作为一个总的送修目标,但是具体送修是送修主动力设备的各个零部件,所以选修主动力设备的零部件涉及到主动力设备的维修目标分解。
拆卸依赖,是指由于各个主动力设备零部件之间连接复杂且存在结构耦合,所以在拆卸一个零部件时需要先拆卸另一个零部件,定义为拆卸依赖,而这个额外拆卸是有成本的,定义为经济依赖。
考虑主动力设备零部件之间具有结构依赖,经济依赖,以及拆卸操作等,这些因素均会影响主动力设备零部件额定寿命,本发明的技术方案以最小化主动力设备送修总成本为目标研究主动力设备的送修时机策略,减少机器的停机成本,降低主动力设备送修的总成本。给定包含n个主动力设备零部件的主动力设备集合J=≤{J1,J2,....,Jn},这n个主动力设备零部件之间具有结构耦合,拆卸某个主动力设备零部件会对与其相连的其它主动力设备零部件的额定寿命造成损失,同时考虑到随着主动力设备零部件运行时间的增加,会导致主动力设备零部件非预期故障次数不断增加,增加维修成本,所以需要选择适当的时机对主动力设备进行维修。本技术方案根据主动力设备真实维修情况,假设:
(1)对于主动力设备零部件的非预期故障的维修是最小限度的,不改变主动力设备零部件的循环转数和额定寿命;
(2)所有主动力设备零部件在主动力设备的循环转数t=T0,也就是主动力设备第一次送修时已准备就绪,并且在主动力设备循环转数t=T0时,主动力设备零部件的循环转数x′i1已知;
(3)主动力设备零部件在某次送修时可以选择更换也可以不更换时,考虑到主动力设备零部件价格昂贵,选择不更换。
实施例1:
第一方面,本发明首先提出了一种基于VNS-SMA算法的主动力设备送修方法,该方法包括:
S1、初始化算法的输入参数和执行参数,所述输入参数包括主动力设备的额定使用循环转数T,第i个主动力设备零部件的额定使用循环转数Llim,i,第i个主动力设备零部件拆卸成本eit,第i个主动力设备零部件最小维护成本Fi,第i个主动力设备零部件更换成本pi,第i个主动力设备零部件之间的连接关系第i个主动力设备零部件的形状参数αi,第i个主动力设备零部件尺寸参数βi,关于第i个主动力设备零部件自身特性的系数ki,主动力设备零部件之间的连接强度值Sit;所述执行参数包括邻域结构Nk,k=1,...,kmax,局部搜索序列集合Nl,l=1,...,lmax,当前邻域次序为k=1,局部搜索次数l=1;其中,i=1,2,...,n,n表示主动力设备零部件的总个数;
S3、改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’;
S4、获取主动力设备送修时零部件的更换策略,并基于所述更换策略计算邻域结构Nk中各个解的适应度值f(x),并基于各个解的适应度值f(x)在邻域集合Nl里对解x’进行局部搜索,得到局部最优解x”;
S5、如果f(x”)≤f(x')成立,则将x”赋值给x',l=1,转S4;否则,令l=l+1,如果l≤lmax成立则转S4,否则,转S6。
S6、如果f(x')≤f(x)成立,则将x'赋值给x,k=1,转S3,否则令k=k+1,如果k≤kmax成立,转S3,否则,转S7;
S7、算法执行结束并输出x解的目标函数值f(x)和主动力设备零部件的维修策略。
可见,本发明的技术方案考虑了结构耦合的主动力设备零部件送修的真实情况,同时、全面考虑影响主动力设备零部件维修的多种因素,将维修时机作为决策的一部分,和每次送修需要维修哪些零部件一起决策,并将改进过后的SMA算法与VNS算法进行结合以快速、准确求解主动力设备零部件的送修策略,从而有效解决了现有主动力设备零部件送修策略研究技术存在无法在同时考虑多个影响因素时获得精准送修策略求解结果的问题,降低了企业送修主动力设备的成本,并减少了企业的停机损失,为企业设备的运行与维护决策提供了有力的支持。
下面以船舶主动力设备(即船舶发动机)送修过程为例,结合对具体步骤的解释,来详细说明本发明一个实施例的实现过程。
图1是本发明一种基于VNS-SMA算法的主动力设备送修方法的流程图,参见图1,基于VNS-SMA算法的主动力设备送修方法具体过程包括:
S1、初始化算法的输入参数和执行参数,所述输入参数包括主动力设备的额定使用循环转数T,第i个主动力设备零部件的额定使用循环转数Llim,i,第i个主动力设备零部件拆卸成本eit,第i个主动力设备零部件最小维护成本Fi,第i个主动力设备零部件更换成本pi,第i个主动力设备零部件之间的连接关系第i个主动力设备零部件的形状参数αi,第i个主动力设备零部件尺寸参数βi,关于第i个主动力设备零部件自身特性的系数ki,主动力设备零部件之间的连接强度值Sit;所述执行参数包括邻域结构Nk,k=1,...,kmax,局部搜索序列集合Nl,l=1,...,lmax,当前邻域次序为k=1,局部搜索次数l=1;其中,i=1,2,...,n,n表示主动力设备零部件的总个数。
S2、定义一个初始解x,x解定义为其中,m为发动机的总送修次数,/>是发动机第j次送修时的目标循环转数,也就是期望发动机在下一阶段的循环转数。其中,/>Cri,min为每次发动机送修最小的目标循环转数,也就是每两次送修期间发动机要运行的最小循环转数,Cri,max为每次发动机送修最大的目标循环转数。
S3、定义邻域动作,并对初始解x进行shaking操作,从初始解x的第k个邻域结构Nk中得到解x’。
1)在VNS算法中引入SMA算法中的黏菌位置更新公式。考虑到VNS算法运行的结果取决于邻域结构的设计,所以如何设计邻域动作对算法的运行结果至关重要,因此在本发明中,将黏菌觅食过程中的位置更新公式引入到VNS算法中的邻域动作中。
将黏菌优化算法中的黏菌位置更新公式引入到变邻域搜索算法的邻域动作当中,随机产生一个0-1之间的随机数r,根据随机数r的大小选择不同的黏菌位置更新公式。在原始的黏菌优化算法中,参数vc从1线性减少到0,随着迭代次数的增加,vc的值不断下降,邻域动作Xnew=vc*X(t)会导致Xnew的值向当前解X(t)靠拢,因此算法的全局搜索能力降低了,整个算法容易陷入局部最优解,而降低了寻找更优解的可能性。因此,本发明中在将黏菌位置更新公式引入到变邻域搜索算法的邻域动作当中时,对黏菌优化算法的参数进行改进,参见图2,将黏菌优化算法中的参数vc设置成一个从1减少到0的非线性降低的参数,用公式可表示为:
这样,参数vc在算法进行邻域搜索的前期衰减的较为缓慢,可以增加算法在前期的全局搜索能力,有助于优化目标解,在算法迭代的后期vc会加速衰减,保证算法的收敛。
以下为目标解的两种邻域动作:
第一种邻域动作:Xnew=s+vb*(W*XA(NK)-XB(NK));
第二种邻域动作:Xnew=vc*X(NK);
其中,vb参数取值范围是[-a,a],参数vc经过改进从1非线性减小到0。Nk表示在第k个邻域结构,x表示当前搜索到的最优的解,X(Nk)表示搜索到的当前解,XA(Nk)和XB(Nk)表示在当前邻域结构k中随机选取的两个解,W表示位置更新系数。参数a的函数表达式为:
其中,maxT表示邻域结构Nk内的最大迭代次数,W表示位置更新系数,它的表达式为:
rand表示[0,1]区间内的随机值,bF(Nk)表示在当前邻域结构X(Nk)中获得的最优位置更新系数适应度,ωF(Nk)表示在当前邻域结构Nk中获得的最差位置更新系数适应度,S(Nk)表示算法当前搜索到的解X(Nk)的位置更新系数适应度。
随机生成一个r,r为0到1的值,如果r<p,执行第一种邻域动作,如果r≥p,执行第二种邻域动作,其中p的函数表达式为:
p=tanh|S(Nk)-DF|
2)按照上述两种邻域动作,对初始解x进行shaking操作,并从初始解x的第k个邻域结构Nk中得到解x’。
S4、在邻域集合Nl里对解x’进行局部搜索,得到局部最优解x”。
1)计算邻域结构Nk中各个解的适应度值f(x)。在计算各个解的适应度值f(x)时,适应度的计算公式为:
f(x)=f1+f2+f3
其中:
f1表示在发动机全寿命周期内所有发动机零部件的更换成本;f2表示所有发动机零部件在发动机全寿命周期内的非预期故障的最小维护成本;f3表示送修发动机时发动机零部件的拆卸成本。
具体的,适应度函数的计算步骤如下:
步骤2:按解码的规则读取决策变量。
因为主发动机零部件之间具有结构耦合,发动机零部件的使用循环会受到其他发动机零部件拆卸的影响,因此要根据需要拆卸的发动机零部件来判断其他发动机零部件是否达到更换的标准,参见图3,具体的算法流程规则如下:
第二步:找到Ga集合中第一个发动机零部件的下标i的值。
其中,Llim,i表示第i个主动力设备零部件的额定使用循环转数;x′ij表示发动机第j次送修前第i个发动机零部件的循环转数;表示是发动机第j次送修时的目标循环转数;表示第j次送修时拆卸其他零部件对第i个零部件造成的寿命损失。
第四步:若成立,则将下标为i的发动机零部件加入到Gj中,同时在Ga中将此发动机零部件去除,返回第二步;若不成立,则令i=i+1,如果Ga不存在下标为i的发动机零部件,则再令i=i+1,重复此操作直至找到发动机零部件并确定其下标值i,返回第三步。如果i>n,则转第五步。
第五步:此时Gj中的发动机零部件为第j次送修需要更换的发动机零部件,Ga中的发动机零部件为第j送修无需更换的发动机零部件。
用公式表示发动机零部件的更换情况为:
其中,rij=0表示第i个发动机零部件不需要更换;rij=1表示第i个发动机零部件需要更换;x′i1表示发动机第1次送修前第i个发动机零部件的循环转数,为已知;x′ij表示发动机第j次送修前第i个发动机零部件的循环转数。
其中,m指的是发动机的送修次数,n指的是发动机的发动机零部件数;pi表示第i个发动机零部件的更换成本。
步骤4:计算每次送修完各个发动机零部件的循环转数:
其中,rij=0表示第i个发动机零部件不需要更换;rij=1表示第i个发动机零部件需要更换。
步骤5:计算各个发动机零部件在发动机各个运行周期内的故障次数。
其中,t是第i个发动机零部件的循环转数;αi是第i个发动机零部件的形状参数;βi是第i个发动机零部件的比例参数;
则各个发动机零部件在发动机各个运行周期内的故障次数可用公式表示为:
步骤6:计算所有发动机零部件在发动机全寿命周期内的非预期故障的最小维护成本。
发动机零部件每次故障都需要进行最小限度的维护,第i个发动机零部件最小维护的成本为Fi,最小维护只能保证发动机零部件继续运行,不会改变发动机零部件的运行转数,则发动机所有发动机零部件在发动机全寿命周期内的非预期故障的最小维护成本用公式可表示为:
步骤7:计算送修发动机时发动机零部件的拆卸成本。
计算送修发动机时发动机零部件的拆卸成本用公式表示为:
其中,m指的是发动机的送修次数,n指的是发动机的发动机零部件数;eit表示第i个发动机零部件拆卸成本。
步骤8:计算发动机送修时的总维修成本,并以此作为算法的适应度函数。
将发动机全寿命周期内所有发动机零部件的更换成本,所有发动机零部件在发动机全寿命周期内的非预期故障的最小维护成本,送修发动机时发动机零部件的拆卸成本相加,则得到发动机送修时的总维修成本,以该总维修成本作为适应度函数值,用公式表示为:
f(x)=f1+f2+f3
本发明拟解决考虑结构依赖的发动机零部件维修和发动机的送修时机选择的发动机零部件送修策略问题,通过对具有不同额定寿命的发动机零部件的维修情况进行决策和对发动机的维修时机进行决策,最小化发动机送修总成本,即求f(x)的最小值。
S5、如果f(x”)<f(x'),令x'=x”,l=1,转S4;否则l=l+1,如果l≤lmax,S4,否则,转S6。
每个邻域的最优解和最差解通过其邻域的不断变换来更新位置信息。
S6、如果f(x')<f(x),则将x'赋值给x,k=1,转S3,否则令k=k+1,如果k≤kmax,转S3,否则,转S7。
更新全局最优解x和邻域结构,判断k≤kmax是否成立,若成立,转回S3,否则执行S7。
S7、输出x解的目标函数值f(x)。
输出x解的值。以及x解对应的目标函数值f(x),其中f(x)表示发动机零部件维修总成本的最小值,x解则对应表示在发动机零部件维修总成本取最小值时发动机零部件的维修策略,例如,发动机零部件的送修时机,发动机零部件的更换情况等。
至此,则完成了本发明一种基于VNS-SMA算法的主动力设备送修方法的全部过程。
实施例2:
第二方面,本发明还提供了一种基于VNS-SMA算法的主动力设备送修系统,该系统包括:
处理单元,所述处理单元用于执行以下步骤:
S1、初始化算法的输入参数和执行参数,所述输入参数包括主动力设备的额定使用循环转数T,第i个主动力设备零部件的额定使用循环转数Llim,i,第i个主动力设备零部件拆卸成本eit,第i个主动力设备零部件最小维护成本Fi,第i个主动力设备零部件更换成本pi,第i个主动力设备零部件之间的连接关系第i个主动力设备零部件的形状参数αi,第i个主动力设备零部件尺寸参数βi,关于第i个主动力设备零部件自身特性的系数ki,主动力设备零部件之间的连接强度值Sit;所述执行参数包括邻域结构Nk,k=1,...,kmax,局部搜索序列集合Nl,l=1,...,lmax,当前邻域次序为k=1,局部搜索次数l=1;其中,i=1,2,...,n,n表示主动力设备零部件的总个数;
S3、改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’;
S4、获取主动力设备送修时零部件的更换策略,并基于所述更换策略计算邻域结构Nk中各个解的适应度值f(x),并基于各个解的适应度值f(x)在邻域集合Nl里对解x’进行局部搜索,得到局部最优解x”;
S5、如果f(x”)≤f(x')成立,则将x”赋值给x',l=1,转S4;否则,令l=l+1,如果l≤lmax成立则转S4,否则,转S6。
S6、如果f(x')≤f(x)成立,则将x'赋值给x,k=1,转S3,否则令k=k+1,如果k≤kmax成立,转S3,否则,转S7;
S7、算法执行结束;
输出单元,所述输出单元用于输出x解的目标函数值f(x)和主动力设备零部件的维修策略。
可选的,所述处理单元在执行S3时,所述改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’包括:
S31、将黏菌优化算法中的参数vc改进成一个从1减少到0的非线性降低的参数以改进黏菌优化算法;改进后的所述参数vc用公式可表示为:
S32、将改进后的黏菌优化算法中的黏菌位置更新公式引入到变邻域搜索算法的邻域动作当中,以设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作;
S33、按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作,并从初始解x的第k个邻域结构Nk中得到解x’,
可选的,所述处理单元在执行S3时,所述按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作包括:
随机生成一个随机数r,0≤r≤1,如果r<p,执行所述第一种邻域动作;如果r≥p,执行所述第二种邻域动作,其中,
p的函数表达式为:p=tanh|S(Nk)-DF|;
第一种邻域动作:Xnew=s+vb*(W*XA(NK)-XB(NK));
第二种邻域动作:Xnew=vc*X(NK);
其中,vb参数取值范围是[-a,a];Nk表示在第k个邻域结构;x表示当前搜索到的最优的解;X(Nk)表示搜索到的当前解;XA(Nk)和XB(Nk)表示在当前邻域结构k中随机选取的两个解,W表示位置更新系数;
其中,maxT表示邻域结构Nk内的最大迭代次数;rand表示[0,1]区间内的随机值;bF(Nk)表示在当前邻域结构X(Nk)中获得的最优适应度;ωF(Nk)表示在当前邻域结构Nk中获得的最差适应度;S(Nk)表示算法当前搜索到的解X(Nk)的适应度。
可选的,所述处理单元在执行S4时,所述获取主动力设备送修时零部件的更换策略包括,获取第j次送修需要更换的主动力设备零部件的集合Gj和第j次送修无需更换的主动力设备零部件的集合Ga,具体过程包括:
第一步:分别创建Ga和Gj两个集合,将主动力设备的n个零部件依次加入到Ga集合中;
第二步:找到Ga集合中第一个主动力设备零部件的下标i的值;
第四步:若成立,则将下标为i的主动力设备零部件加入到Gj中,同时在Ga中将此主动力设备零部件去除,返回第二步;若不成立,则令i=i+1,如果Ga不存在下标为i的主动力设备零部件,则再令i=i+1,重复此操作直至找到主动力设备零部件并确定其下标值i,返回第三步;如果i>n,则转第五步;
第五步:获取第j次送修需要更换的主动力设备零部件的集合Gj和第j次送修无需更换的主动力设备零部件的集合Ga;
其中,Llim,i表示第i个主动力设备零部件的额定使用循环转数;x′ij表示主动力设备第j次送修前第i零部件的循环转数;表示是主动力设备第j次送修时的目标循环转数;表示第j次送修时拆卸其他零部件对第i个零部件造成的寿命损失。
可选的,所述处理单元在执行S4时,所述适应度值f(x)计算公式为:
f(x)=f1+f2+f3
其中,f1表示在主动力设备全寿命周期内所有主动力设备零部件的更换成本;f2表示所有主动力设备零部件在主动力设备全寿命周期内的非预期故障的最小维护成本;f3表示送修主动力设备时主动力设备零部件的拆卸成本;m指的是主动力设备的送修次数;n指的是主动力设备的主动力设备零部件数;rij=0表示第i个主动力设备零部件不需要更换,rij=1表示第i个主动力设备零部件需要更换;pi表示第i个主动力设备零部件的更换成本;表示第i个主动力设备零部件在主动力设备各个运行周期内的故障次数;/>表示第i个主动力设备第j次送修所拆卸零部件的连接关系的集合;eit表示第i个主动力设备零部件拆卸成本。
可理解的是,本发明实施例提供的基于VNS-SMA算法的主动力设备零部件送修系统与上述基于VNS-SMA算法的主动力设备零部件送修方法相对应,其有关内容的解释、举例、有益效果等部分可以参照基于VNS-SMA算法的主动力设备零部件送修方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
1、本发明的技术方案考虑了结构耦合的主动力设备送修的真实情况,同时、全面考虑影响主动力设备维修的多种因素,并将改进过后的SMA算法与VNS算法进行结合以快速、准确求解主动力设备的送修策略,从而有效解决了现有主动力设备送修策略研究技术存在无法在同时考虑多个影响因素时获得精准送修策略求解结果的问题,降低了企业送修主动力设备的成本,并减少了企业的停机损失,为企业设备的运行与维护决策提供了有力的支持;
2、本发明在设置变邻域搜索算法的邻域动作时,引入黏菌优化算法的黏菌位置更新公式,同时将黏菌优化算法中参数vc设置成一个从1减少到0的非线性降低的参数,使得算法进行邻域搜索的前期衰减较为缓慢,可以增加算法在前期的全局搜索能力,有助于优化目标解,在算法迭代的后期会加速衰减,保证算法的收敛,从而增强了变邻域搜索算法的搜索能力,不仅提高了算法搜索的效率与前期搜索的多样性,也增加了算法在末期的收敛能力。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本邻域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (2)
1.一种基于VNS-SMA算法的主动力设备送修方法,其特征在于,所述方法包括:
S1、初始化算法的输入参数和执行参数,所述输入参数包括主动力设备的额定使用循环转数T,第i个主动力设备零部件的额定使用循环转数Llim,i,第i个主动力设备零部件拆卸成本eit,第i个主动力设备零部件最小维护成本Fi,第i个主动力设备零部件更换成本pi,第i个主动力设备零部件之间的连接关系第i个主动力设备零部件的形状参数αi,第i个主动力设备零部件尺寸参数βi,关于第i个主动力设备零部件自身特性的系数ki,主动力设备零部件之间的连接强度值Sit;所述执行参数包括邻域结构Nk,k=1,...,kmax,局部搜索序列集合Nl,l=1,...,lmax,当前邻域次序为k=1,局部搜索次数l=1;其中,i=1,2,...,n,n表示主动力设备零部件的总个数;
S3、改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’;
S4、获取主动力设备送修时零部件的更换策略,并基于所述更换策略计算邻域结构Nk中各个解的适应度值f(x),并基于各个解的适应度值f(x)在邻域集合Nl里对解x’进行局部搜索,得到局部最优解x”;
S5、如果f(x”)≤f(x')成立,则将x”赋值给x',l=1,转S4;否则,令l=l+1,如果l≤lmax成立则转S4,否则,转S6;
S6、如果f(x')≤f(x)成立,则将x'赋值给x,k=1,转S3,否则令k=k+1,如果k≤kmax成立,转S3,否则,转S7;
S7、算法执行结束并输出x解的目标函数值f(x)和主动力设备零部件的维修策略;
S3中所述改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’包括:
S31、将黏菌优化算法中的参数vc改进成一个从1减少到0的非线性降低的参数以改进黏菌优化算法;改进后的所述参数vc用公式表示为:
S32、将改进后的黏菌优化算法中的黏菌位置更新公式引入到变邻域搜索算法的邻域动作当中,以设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作;
S33、按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作,并从初始解x的第k个邻域结构Nk中得到解x’;
所述按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作包括:
随机生成一个随机数r,0≤r≤1,如果r<p,执行所述第一种邻域动作;如果r≥p,执行所述第二种邻域动作,其中,
p的函数表达式为:p=tanh|S(Nk)-DF|;
第一种邻域动作:Xnew=s+vb*(W*XA(NK)-XB(NK));
第二种邻域动作:Xnew=vc*X(NK);
其中,vb参数取值范围是[-a,a];
Nk表示在第k个邻域结构;
x表示当前搜索到的最优的解;
X(Nk)表示搜索到的当前解;
XA(Nk)和XB(Nk)表示在当前邻域结构k中随机选取的两个解;W表示位置更新系数;
其中,maxT表示邻域结构Nk内的最大迭代次数;
rand表示[0,1]区间内的随机值;
bF(Nk)表示在当前邻域结构X(Nk)中获得的最优适应度;
ωF(Nk)表示在当前邻域结构Nk中获得的最差适应度;
S(Nk)表示算法当前搜索到的解X(Nk)的适应度;
S4中所述获取主动力设备送修时零部件的更换策略包括,获取第j次送修需要更换的主动力设备零部件的集合Gj和第j次送修无需更换的主动力设备零部件的集合Ga,具体过程包括:
第一步:分别创建Ga和Gj两个集合,将主动力设备的n个零部件依次加入到Ga集合中;
第二步:找到Ga集合中第一个主动力设备零部件的下标i的值;
第四步:若成立,则将下标为i的主动力设备零部件加入到Gj中,同时在Ga中将此主动力设备零部件去除,返回第二步;若不成立,则令i=i+1,如果Ga不存在下标为i的主动力设备零部件,则再令i=i+1,重复此操作直至找到主动力设备零部件并确定其下标值i,返回第三步;如果i>n,则转第五步;
第五步:获取第j次送修需要更换的主动力设备零部件的集合Gj和第j次送修无需更换的主动力设备零部件的集合Ga;
其中,Llim,i表示第i个主动力设备零部件的额定使用循环转数;
x′ij表示主动力设备第j次送修前第i零部件的循环转数;
S4中所述适应度值f(x)计算公式为:
f(x)=f1+f2+f3
其中,f1表示在主动力设备全寿命周期内所有主动力设备零部件的更换成本;
f2表示所有主动力设备零部件在主动力设备全寿命周期内的非预期故障的最小维护成本;
f3表示送修主动力设备时主动力设备零部件的拆卸成本;
m指的是主动力设备的送修次数;
n指的是主动力设备的主动力设备零部件数;
rij=0表示第i个主动力设备零部件不需要更换,rij=1表示第i个主动力设备零部件需要更换;
pi表示第i个主动力设备零部件的更换成本;
eit表示第i个主动力设备零部件拆卸成本。
2.一种基于VNS-SMA算法的主动力设备送修系统,其特征在于,所述系统包括:
处理单元,所述处理单元用于执行以下步骤:
S1、初始化算法的输入参数和执行参数,所述输入参数包括主动力设备的额定使用循环转数T,第i个主动力设备零部件的额定使用循环转数Llim,i,第i个主动力设备零部件拆卸成本eit,第i个主动力设备零部件最小维护成本Fi,第i个主动力设备零部件更换成本pi,第i个主动力设备零部件之间的连接关系第i个主动力设备零部件的形状参数αi,第i个主动力设备零部件尺寸参数βi,关于第i个主动力设备零部件自身特性的系数ki,主动力设备零部件之间的连接强度值Sit;所述执行参数包括邻域结构Nk,k=1,...,kmax,局部搜索序列集合Nl,l=1,...,lmax,当前邻域次序为k=1,局部搜索次数l=1;其中,i=1,2,...,n,n表示主动力设备零部件的总个数;
S3、改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’;
S4、获取主动力设备送修时零部件的更换策略,并基于所述更换策略计算邻域结构Nk中各个解的适应度值f(x),并基于各个解的适应度值f(x)在邻域集合Nl里对解x’进行局部搜索,得到局部最优解x”;
S5、如果f(x”)≤f(x')成立,则将x”赋值给x',l=1,转S4;否则,令l=l+1,如果l≤lmax成立则转S4,否则,转S6;
S6、如果f(x')≤f(x)成立,则将x'赋值给x,k=1,转S3,否则令k=k+1,如果k≤kmax成立,转S3,否则,转S7;
S7、算法执行结束;
输出单元,所述输出单元用于输出x解的目标函数值f(x)和主动力设备零部件的维修策略;
所述处理单元在执行S3时,所述改进黏菌优化算法中的参数vc按照非线性规律降低,然后基于改进后的黏菌优化算法设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作,并按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作以获取解x’包括:
S31、将黏菌优化算法中的参数vc改进成一个从1减少到0的非线性降低的参数以改进黏菌优化算法;改进后的所述参数vc用公式可表示为:
S32、将改进后的黏菌优化算法中的黏菌位置更新公式引入到变邻域搜索算法的邻域动作当中,以设定变邻域搜索算法的邻域动作为第一种邻域动作和第二种邻域动作;
S33、按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作,并从初始解x的第k个邻域结构Nk中得到解x’;
所述处理单元在执行S3时,所述按照所述第一种邻域动作或所述第二种邻域动作对所述初始解x进行shaking操作包括:
随机生成一个随机数r,0≤r≤1,如果r<p,执行所述第一种邻域动作;如果r≥p,执行所述第二种邻域动作,其中,
p的函数表达式为:p=tanh|S(Nk)-DF|;
第一种邻域动作:Xnew=s+vb*(W*XA(NK)-XB(NK));
第二种邻域动作:Xnew=vc*X(NK);
其中,vb参数取值范围是[-a,a];
Nk表示在第k个邻域结构;
x表示当前搜索到的最优的解;
X(Nk)表示搜索到的当前解;
XA(Nk)和XB(Nk)表示在当前邻域结构k中随机选取的两个解,W表示位置更新系数;
其中,maxT表示邻域结构Nk内的最大迭代次数,
rand表示[0,1]区间内的随机值;
bF(Nk)表示在当前邻域结构X(Nk)中获得的最优适应度;
ωF(Nk)表示在当前邻域结构Nk中获得的最差适应度;
S(Nk)表示算法当前搜索到的解X(Nk)的适应度;
所述处理单元在执行S4时,所述获取主动力设备送修时零部件的更换策略包括,获取第j次送修需要更换的主动力设备零部件的集合Gj和第j次送修无需更换的主动力设备零部件的集合Ga,具体过程包括:
第一步:分别创建Ga和Gj两个集合,将主动力设备的n个零部件依次加入到Ga集合中;
第二步:找到Ga集合中第一个主动力设备零部件的下标i的值;
第四步:若成立,则将下标为i的主动力设备零部件加入到Gj中,同时在Ga中将此主动力设备零部件去除,返回第二步;若不成立,则令i=i+1,如果Ga不存在下标为i的主动力设备零部件,则再令i=i+1,重复此操作直至找到主动力设备零部件并确定其下标值i,返回第三步;如果i>n,则转第五步;
第五步:获取第j次送修需要更换的主动力设备零部件的集合Gj和第j次送修无需更换的主动力设备零部件的集合Ga;
其中,Llim,i表示第i个主动力设备零部件的额定使用循环转数;
x′ij表示主动力设备第j次送修前第i零部件的循环转数;
所述处理单元在执行S4时,所述适应度值f(x)计算公式为:
f(x)=f1+f2+f3
其中,f1表示在主动力设备全寿命周期内所有主动力设备零部件的更换成本;
f2表示所有主动力设备零部件在主动力设备全寿命周期内的非预期故障的最小维护成本;
f3表示送修主动力设备时主动力设备零部件的拆卸成本;
m指的是主动力设备的送修次数;
n指的是主动力设备的主动力设备零部件数;
rij=0表示第i个主动力设备零部件不需要更换,rij=1表示第i个主动力设备零部件需要更换;
pi表示第i个主动力设备零部件的更换成本;
eit表示第i个主动力设备零部件拆卸成本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110651399.XA CN113554187B (zh) | 2021-06-10 | 2021-06-10 | 基于vns-sma算法的主动力设备送修方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110651399.XA CN113554187B (zh) | 2021-06-10 | 2021-06-10 | 基于vns-sma算法的主动力设备送修方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113554187A CN113554187A (zh) | 2021-10-26 |
CN113554187B true CN113554187B (zh) | 2023-07-04 |
Family
ID=78130528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110651399.XA Active CN113554187B (zh) | 2021-06-10 | 2021-06-10 | 基于vns-sma算法的主动力设备送修方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113554187B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450498A (zh) * | 2017-09-11 | 2017-12-08 | 合肥工业大学 | 基于改进人工蜂群算法的生产调度方法及系统 |
CN107590603A (zh) * | 2017-09-11 | 2018-01-16 | 合肥工业大学 | 基于改进变邻域搜索和差分进化算法的调度方法及系统 |
CN110288131A (zh) * | 2019-06-04 | 2019-09-27 | 三峡大学 | 基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法 |
AU2020104119A4 (en) * | 2020-12-16 | 2021-03-04 | Chandra Pal, Vipin DR | A unified approach to modelling and control of time-delay systems |
CN112507627A (zh) * | 2021-01-08 | 2021-03-16 | 曹嘉译 | 基于混沌黏菌算法的多元非线性函数求解方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9306834B2 (en) * | 2010-09-16 | 2016-04-05 | Nec Corporation | Path finding system, computer, control method, and program |
-
2021
- 2021-06-10 CN CN202110651399.XA patent/CN113554187B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107450498A (zh) * | 2017-09-11 | 2017-12-08 | 合肥工业大学 | 基于改进人工蜂群算法的生产调度方法及系统 |
CN107590603A (zh) * | 2017-09-11 | 2018-01-16 | 合肥工业大学 | 基于改进变邻域搜索和差分进化算法的调度方法及系统 |
CN110288131A (zh) * | 2019-06-04 | 2019-09-27 | 三峡大学 | 基于黏菌觅食行为的交通网络脆弱性问题仿生优化方法 |
AU2020104119A4 (en) * | 2020-12-16 | 2021-03-04 | Chandra Pal, Vipin DR | A unified approach to modelling and control of time-delay systems |
CN112507627A (zh) * | 2021-01-08 | 2021-03-16 | 曹嘉译 | 基于混沌黏菌算法的多元非线性函数求解方法 |
Non-Patent Citations (4)
Title |
---|
A Physarum-Inspired Approach to Optimal Supply Chain Network Design at Minimum Total Cost with Demand Satisfaction;Xiaoge Zhang等;arXiv;全文 * |
制造企业物流黏菌导航寻优算法与应用;黄海格;中国优秀硕士学位论文全文数据库;全文 * |
基于遗传算法的民用航空发动机送修方案决策研究;赵洪利;陈铎文;张智华;;航空动力学报(第08期);全文 * |
面向协同制造过程考虑工件恶化的供应链生产调度问题研究;陆少军;中国博士学位论文全文数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113554187A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053119B (zh) | 一种求解零等待流水车间调度问题的改进粒子群优化方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN114492675B (zh) | 一种电容式电压互感器故障原因智能诊断方法 | |
CN105976421B (zh) | 一种渲染程序的在线优化方法 | |
CN113741886B (zh) | 一种基于图的语句级程序修复方法及系统 | |
CN114912826A (zh) | 一种基于多层深度强化学习的柔性作业车间调度方法 | |
CN116090344A (zh) | 一种适用于大变量数的多级叶轮优化方法及相关装置 | |
CN113554187B (zh) | 基于vns-sma算法的主动力设备送修方法及系统 | |
CN113468044B (zh) | 一种基于改进的灰色预测演化算法的测试用例生成方法 | |
CN111931990B (zh) | 基于优化最小二乘支持向量机的电力负荷预测方法 | |
CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
CN116933657A (zh) | 一种复杂型面加工参数特征提取方法、系统、设备及介质 | |
CN115326397B (zh) | 建立曲轴轴承磨损程度预测模型及预测方法和相关装置 | |
US11003823B2 (en) | Re-design of analog circuits | |
CN114064472B (zh) | 基于代码表示的软件缺陷自动修复加速方法 | |
CN113590748B (zh) | 基于迭代网络组合的情感分类持续学习方法及存储介质 | |
CN112926147B (zh) | 含缺陷加筋柱壳的后验优化设计方法 | |
CN112306859B (zh) | 一种改进的软件自适应测试方法 | |
CN113344317A (zh) | 一种基于双深度时序差分神经网络的紧密协作型供应链任务调度方法 | |
CN111932021A (zh) | 一种再制造系统调度方法 | |
CN115222107A (zh) | 一种可重入混合流水车间调度问题的优化方法及装置 | |
CN112965722B (zh) | 一种Verilog-A模型的优化方法、电子设备及计算机可读存储介质 | |
CN117057255B (zh) | 一种用于数字孪生模型在线同步的预训练模型获取方法 | |
CN117093338A (zh) | 一种基于代理模型和遗传算法的cnn算子间调度方法 | |
CN115600658A (zh) | 一种应用于图神经网络训练的采样方法及采样加速装置 |
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 |