CN114841025A - 一种关于产品设计变更的路径规划方法 - Google Patents

一种关于产品设计变更的路径规划方法 Download PDF

Info

Publication number
CN114841025A
CN114841025A CN202210462895.5A CN202210462895A CN114841025A CN 114841025 A CN114841025 A CN 114841025A CN 202210462895 A CN202210462895 A CN 202210462895A CN 114841025 A CN114841025 A CN 114841025A
Authority
CN
China
Prior art keywords
change
value
library
transition
pheromone
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.)
Pending
Application number
CN202210462895.5A
Other languages
English (en)
Inventor
张雷
倪静
苏金
郑雨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210462895.5A priority Critical patent/CN114841025A/zh
Publication of CN114841025A publication Critical patent/CN114841025A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/22—Design optimisation, verification or simulation using Petri net models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

本发明公开了一种关于产品设计变更的路径规划方法，包括如下步骤：步骤一：根据产品质量特性变更传播的动态过程，对优化过程涉及的概念进行定义说明；步骤二：路径优化算法原理及相关描述；步骤三：对算法的状态转移规则进行描述；步骤四：针对蚁群算法的信息素全局更新策略进行介绍；步骤五：对信息素的限制进行相关介绍和说明；步骤六：由以上步骤确定出最优变更传播路径优化流程。本发明基于Petri网融合蚁群算法能够快速有效地为产品质量特性设计变更的传播路径问题提供最优解或近似最优解，能够极大地改善采用传统的蚁群算法预测的传播路径准确性不高的现象。

Description

一种关于产品设计变更的路径规划方法
技术领域
本发明涉及产品设计技术领域，具体为一种关于产品设计变更的路径规划方法。
背景技术
变更传播最优路径的初始数据依赖设计人员经验，主观性较强；最后得到的可行传播路径数量较多，仍然需要进行筛选，效率低；针对多个变更源时的传播路径问题研究较少，且采用传统的算法预测的传播路径准确性不高。
发明内容
本发明的目的在于提供一种关于产品设计变更的路径规划方法，以解决上述背景技术中提出针对多个变更源时的传播路径问题研究较少，且采用传统的算法预测的传播路径准确性不高的问题。
为实现上述目的，本发明提供如下技术方案：一种关于产品设计变更的路径规划方法，包括如下步骤：
步骤一：根据产品质量特性变更传播的动态过程，对优化过程涉及的概念进行定义说明；
步骤二：路径优化算法原理及相关描述；
步骤三：对算法的状态转移规则进行描述；
步骤四：针对蚁群算法的信息素全局更新策略进行介绍；
步骤五：对信息素的限制进行相关介绍和说明；
步骤六：由以上步骤确定出最优变更传播路径优化流程；
优选的，所述步骤一中，产品质量特性的变更传播强度I；
该强度表示起始变更质量特性经过过渡质量特性传播到目标质量特性并最终对目标质量特性产生的影响；
变更传播强度I可以使用两个变量来建模，即变更影响IRij和变更可能性PRij；
变更影响IRij被定义为“一个质量特性发起变更的初始变更代价”；
变更可能性PRij被定义“一个质量特性发起的变更将导致另一个与之存在链接关系的质量特性发生变更的可能性”；
下述变更可能性由质量特性扩展Petri网模型的变迁置信度来表示；变更影响由库所真实度值表示，记录在库所里的托肯中并携带；
若从质量特性pi传播至pj需要经过y步，则：
Iij＝IR(r,pi)×PR(pi,p1)×PR(p1,p2)×…×PR(py-1,pj)
其中，IR(r,pi)表示由于设计变更r在质量特性pi中引发的变更影响；
在扩展Petri网模型中，质量特性关联准则即变迁是位于库所中托肯进行传播行为的媒介；
变更传播影响值I由两个变量决定：库所的真实度α和变迁规则的置信度f；
库所真实度α的确立如下：
定义发起库所的真实度表示为变更源特性的变更代价即：α(pn)＝Ec(n)；
在进行变更分析时，有必要获得关于变更特性的变更范围、变更代价等基本信息；
发起库所pi的变更代价Ec(i)的表达式为：
Figure BDA0003622643580000021
上式中
Figure BDA0003622643580000022
表示变更范围的上限；Vi表示库所pi的当前取值；Ei表示库所pi的变更代价基数，取值范围在1～10之间；Ui表示库所pi的变更基数，为不同量纲的质量特性变更提供可比性；
变迁规则的置信度f的相关计算如下：
引入灰色综合关联分析法(Grey Comprehensive Relational Analysis,GCRA)；
基于GCRA的置信度评估步骤如下：
S101、准备序列参数：
给定质量特性vi的序列值H′i和质量特性的序列值H′j(j＝1,2,…,J)，每个质量特性会有K种取值；J+1个特性序列可由矩阵表示：
H′＝[H′i,H′1,H′2,…H′J]K×(J+1)
其中J是指同一组数据中质量特性的个数，K是指同一个质量特性的不同组的数据个数；
除了序列值H′i之外的序列值可表示为：
H′j＝[h′j(1),h′j(2),…,h′j(K)]T
S102、规范化：
由于复杂产品的质量单位可能处于不同的维度，为了保证分析结果的准确性，因此对数据进行归一化处理很有必要；
同一个质量特性数据不同组数据分别除以第一组的数据，计算公式如下：
Figure BDA0003622643580000031
S103、计算质量特性pi和pj的相似性δij：
基于上式计算质量特性的相似因子δij，计算公式如下：
Figure BDA0003622643580000032
在上式中如果质量特性序列H′i与其关联序列H′j在区间[k,k+1]内正相关，λ＝1，否则，λ＝-1；
S104、计算质量特性pi和pj的相近性Sij：
Figure BDA0003622643580000041
fi(x)和fj(x)分别为质量特性序列Hi和其关联序列Hj在区间[k,k+1]内的函数；
S105、计算质量特性pi和pj综合关联度fij(即pi向pj转化的变迁置信度)：
Figure BDA0003622643580000042
优选的，在步骤二中，通过运用扩展Petri网建模后，利用人工蚁群模拟发起库所中的动托肯从扩展Petri网模型的初始标识到最终标识途中所走的变迁序列；
序列的变更传播强度可由下式计算得到：
Figure BDA0003622643580000043
上步得到变更传播强度后，通过蚁群不断地迭代求出最优传播序列；
在变更开始时，将Petri网模型中的所有变迁上设置相等信息素浓度c，设置一个虚拟库所；
将Popsize×IteLim只蚂蚁(动托肯)放置在该虚拟库所内；
动托肯根据Petri网的使能激发规则进行移动；
当动托肯移动过程中遇到“或”结构时根据本文提出算法的状态转移规则选择移动方向，当动托肯遇到“与”结构时，选择多个输入动托肯中携带较大I值到达变迁内，其余的动托肯回溯直到再次遇到可实施的变迁；
动托肯在移动过程中库所、变迁以及动、静托肯携带信息的变化的讨论如下：
库所的变化：
初始状态下，所有变迁中的信息素浓度均设置c；
当变迁触发时；
若只有一个输入库所则直接将此库所中的动托肯作为自己的输出托肯转移给下一个输出库所；
若存在多个输入库所的“与”结构，选择多个输入动托肯中携带较大I值到达变迁内，其余的动托肯回溯直到再次遇到可实施的变迁；
托肯的变化：
初始状态下，发起库所中的所有动托肯的访问序列都为空且携带的变更强度值I0也为0；
当变迁触发时；
输入库所中的静托肯将本库所记录的I值传递给动库所让其继续搜索，即TokenDi＝TokenSi，当动托肯到达变迁时，会检查变迁索引号是否存在自身结构的序列表中；
若存在，则需要删除该变迁索引号之后的序列，更新I值并记录；
若不存在，则说明第一次经过该变迁，将变迁索引号和变更可能性加入到动托肯的序列表结构中并更新I值；
当动托肯来到输出库所内时，更新输出库所的I值，需要将动托肯携带的I值与输入库所的静托肯记录的I值进行比较；
判断规则如下式所示：
Figure BDA0003622643580000051
优选的，在步骤三中，首先将所有蚂蚁(动托肯)放置在虚拟库所p0处，蚂蚁从虚拟库所通过状态转移规则从向量中选择一个可以激发的变迁；
然后根据Petri网状态方程式求出蚂蚁下一个输入库所，并将当前库所记录再禁忌表中；
EPACO的概率状态转换：
Figure BDA0003622643580000061
其中，Fk是记录蚂蚁(动托肯)经过的地方并阻止蚂蚁访问同一库所的禁忌列表；ζij是变迁的约束测试因子(如果满足目标函数的约束(fn≥λ))，则ζij＝1，否则ζij＝0)；s代表是当前运行的是第s代蚂蚁(动托肯)，ηij(s)为启发式信息，ηij(t)＝1/Iij，Iij表示蚂蚁从库所pi移动到pj的变更传播强度。其他参数说明与传统ACO中的参数一致。
优选的，在步骤四中，为了控制信息素的挥发速度，在全局更新改进中引入参数ρ；
改进的更新策略如下所示：
τij(s+1)＝(1-ρ)·τij(s)+ρ·τij(s,s+1)
Figure BDA0003622643580000062
Figure BDA0003622643580000063
优选的，所述EPACO的一个关键特征是增加了信息素约束条件(τmin,τmax)，旨在对信息素中的个别极端现象进行排除；
信息素限值根据整个路径信息素平均值、信息素最小值和信息素最大值进行调整；
如果某条路径在一定的时间内没有被访问，则信息素浓度将为0，保证了所有路径被搜索的平均概率：
Figure BDA0003622643580000071
当迭代中的信息素值小于设置的信息素值下限时，信息素值将被分配到下限；
当它大于设置的信息素值上限时，信息素值将被分配到上限，提供的条件如下：
Figure BDA0003622643580000072
其中τavg是信息素平均值；τmin是信息素密度的下限；τmax是信息素密度的上限；min(s)是第s次迭代中的最小信息素值；max(s)是第s次迭代中的最大信息素值；γ是一个常数，0.5<γ<1.0；kc是一个常数，0.01<kc<0.1；
限制信息素水平上限的目的是防止蚂蚁受到极端信息素的影响，这可能会降低蚂蚁的探索性，使其陷入局部最优；
信息素的下限增加了蚂蚁的探索，并帮助它们探索更大的范围。
优选的，在步骤6中，设置了路径的虚拟起点p0，蚂蚁按照Petri网变迁运行过程进行移动；
EPACO的步骤如下所示：
步骤1：初始化参数；
步骤2：在虚拟起点(p0)释放蚂蚁，然后随机移动到致病库所；
步骤3：每个蚂蚁采用轮盘赌算子根据概率状态变迁到达下一个库所，并根据约束测试因子删除不符合约束条件(公式2.3)的路径，如果移动的路径满足约束条件，就执行步骤4；如果不满足就回溯到虚拟起点；
步骤4：检查是否所有蚂蚁都完成了路径，如果是，则转至步骤5；否则，请转至步骤3；
步骤5：计算当代蚂蚁所走路径的目标值并更新禁忌列表；
步骤6；对路径上的信息素进行局部更新；
步骤7：根据设定的信息素值更新全局信息素，并保留最优路径；
步骤8：检查最优解是否保持不变或达到最大迭代次数，如果是，则转至步骤9；否则，请转至步骤3；
步骤9：停止算法并输出最优解。
与现有技术相比，本发明的有益效果是：本发明基于Petri网融合蚁群算法能够快速有效地为产品质量特性设计变更的传播路径问题提供最优解或近似最优解，能够极大地改善采用传统的蚁群算法预测的传播路径准确性不高的现象。
附图说明
图1为本发明EPACO求解的传播路径图；
图2为本发明EPACO算法曲线收敛图；
图3为本发明EPACO的流程图；
图4为本发明算法的参数设置图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，本领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。
请参阅图1-4，本发明提供一种技术方案：一种关于产品设计变更的路径规划方法，包括如下步骤：
步骤一：根据产品质量特性变更传播的动态过程，对优化过程涉及的概念进行定义说明；
步骤二：路径优化算法原理及相关描述；
步骤三：对算法的状态转移规则进行描述；
步骤四：针对蚁群算法的信息素全局更新策略进行介绍；
步骤五：对信息素的限制进行相关介绍和说明；
步骤六：由以上步骤确定出最优变更传播路径优化流程。
优选的，所述步骤一中，产品质量特性的变更传播强度I：
该强度表示起始变更质量特性经过过渡质量特性传播到目标质量特性并最终对目标质量特性产生的影响；
变更传播强度I可以使用两个变量来建模，即变更影响IRij和变更可能性PRij；
变更影响IRij被定义为“一个质量特性发起变更的初始变更代价”；
变更可能性PRij被定义“一个质量特性发起的变更将导致另一个与之存在链接关系的质量特性发生变更的可能性”；
下述变更可能性由质量特性扩展Petri网模型的变迁置信度来表示；变更影响由库所真实度值表示，记录在库所里的托肯中并携带；
若从质量特性pi传播至pj需要经过y步，则：
Iij＝IR(r,pi)×PR(pi,p1)×PR(p1,p2)×…×PR(py-1,pj)
其中，IR(r,pi)表示由于设计变更r在质量特性pi中引发的变更影响；
在扩展Petri网模型中，质量特性关联准则即变迁是位于库所中托肯进行传播行为的媒介；
变更传播影响值I由两个变量决定：库所的真实度α和变迁规则的置信度f；
库所真实度α的确立如下：
定义发起库所的真实度表示为变更源特性的变更代价即：α(pn)＝Ec(n)；
在进行变更分析时，有必要获得关于变更特性的变更范围、变更代价等基本信息；
发起库所pi的变更代价Ec(i)的表达式为：
Figure BDA0003622643580000101
上式中
Figure BDA0003622643580000102
表示变更范围的上限；Vi表示库所pi的当前取值；Ei表示库所pi的变更代价基数，取值范围在1～10之间；Ui表示库所pi的变更基数，为不同量纲的质量特性变更提供可比性；
变迁规则的置信度f的相关计算如下：
引入灰色综合关联分析法(Grey Comprehensive Relational Analysis,GCRA)；
基于GCRA的置信度评估步骤如下：
S101、准备序列参数：
给定质量特性vi的序列值Hi′和质量特性的序列值H′j(j＝1,2,…,J)，每个质量特性会有K种取值；J+1个特性序列可由矩阵表示：
H′＝[H′i,H′1,H′2,…H′J]K×(J+1)
其中J是指同一组数据中质量特性的个数，K是指同一个质量特性的不同组的数据个数；
除了序列值H′i之外的序列值可表示为：
H′j＝[h′j(1),h′j(2),…,h′j(K)]T
S102、规范化：
由于复杂产品的质量单位可能处于不同的维度，为了保证分析结果的准确性，因此对数据进行归一化处理很有必要；
同一个质量特性数据不同组数据分别除以第一组的数据，计算公式如下：
Figure BDA0003622643580000111
S103、计算质量特性pi和pj的相似性δij：
基于上式计算质量特性的相似因子δij，计算公式如下：
Figure BDA0003622643580000112
在上式中如果质量特性序列H′i与其关联序列H′j在区间[k,k+1]内正相关，λ＝1，否则，λ＝-1；
S104、计算质量特性pi和pj的相近性Sij：
Figure BDA0003622643580000113
fi(x)和fj(x)分别为质量特性序列Hi和其关联序列Hj在区间[k,k+1]内的函数；
S105、计算质量特性pi和pj综合关联度fij(即pi向pj转化的变迁置信度)：
Figure BDA0003622643580000114
优选的，在步骤二中，通过运用扩展Petri网建模后，利用人工蚁群模拟发起库所中的动托肯从扩展Petri网模型的初始标识到最终标识途中所走的变迁序列；
序列的变更传播强度可由下式计算得到：
Figure BDA0003622643580000115
上步得到变更传播强度后，通过蚁群不断地迭代求出最优传播序列；
在变更开始时，将Petri网模型中的所有变迁上设置相等信息素浓度c，设置一个虚拟库所；
将Popsize×IteLim只蚂蚁(动托肯)放置在该虚拟库所内；
动托肯根据Petri网的使能激发规则进行移动；
当动托肯移动过程中遇到“或”结构时根据本文提出算法的状态转移规则选择移动方向，当动托肯遇到“与”结构时，选择多个输入动托肯中携带较大I值到达变迁内，其余的动托肯回溯直到再次遇到可实施的变迁；
动托肯在移动过程中库所、变迁以及动、静托肯携带信息的变化的讨论如下：
库所的变化：
初始状态下，所有变迁中的信息素浓度均设置c；
当变迁触发时；
若只有一个输入库所则直接将此库所中的动托肯作为自己的输出托肯转移给下一个输出库所；
若存在多个输入库所的“与”结构，选择多个输入动托肯中携带较大I值到达变迁内，其余的动托肯回溯直到再次遇到可实施的变迁；
托肯的变化：
初始状态下，发起库所中的所有动托肯的访问序列都为空且携带的变更强度值I0也为0；
当变迁触发时；
输入库所中的静托肯将本库所记录的I值传递给动库所让其继续搜索，即TokenDi＝TokenSi，当动托肯到达变迁时，会检查变迁索引号是否存在自身结构的序列表中；
若存在，则需要删除该变迁索引号之后的序列，更新I值并记录；
若不存在，则说明第一次经过该变迁，将变迁索引号和变更可能性加入到动托肯的序列表结构中并更新I值；
当动托肯来到输出库所内时，更新输出库所的I值，需要将动托肯携带的I值与输入库所的静托肯记录的I值进行比较；
判断规则如下式所示：
Figure BDA0003622643580000131
优选的，在步骤三中，首先将所有蚂蚁(动托肯)放置在虚拟库所p0处，蚂蚁从虚拟库所通过状态转移规则从向量中选择一个可以激发的变迁；
然后根据Petri网状态方程式求出蚂蚁下一个输入库所，并将当前库所记录再禁忌表中；
EPACO的概率状态转换：
Figure BDA0003622643580000132
其中，Fk是记录蚂蚁(动托肯)经过的地方并阻止蚂蚁访问同一库所的禁忌列表；ζij是变迁的约束测试因子(如果满足目标函数的约束(fn≥λ))，则ζij＝1，否则ζij＝0)；s代表是当前运行的是第s代蚂蚁(动托肯)，ηij(s)为启发式信息，ηij(t)＝1/Iij，Iij表示蚂蚁从库所pi移动到pj的变更传播强度。其他参数说明与传统ACO中的参数一致。
优选的，在步骤四中，为了控制信息素的挥发速度，在全局更新改进中引入参数ρ；
改进的更新策略如下所示：
τij(s+1)＝(1-ρ)·τij(s)+ρ·τij(s,s+1)
Figure BDA0003622643580000141
Figure BDA0003622643580000142
优选的，所述EPACO的一个关键特征是增加了信息素约束条件(τmin,τmax)，旨在对信息素中的个别极端现象进行排除；
信息素限值根据整个路径信息素平均值、信息素最小值和信息素最大值进行调整；
如果某条路径在一定的时间内没有被访问，则信息素浓度将为0，保证了所有路径被搜索的平均概率：
Figure BDA0003622643580000143
当迭代中的信息素值小于设置的信息素值下限时，信息素值将被分配到下限；
当它大于设置的信息素值上限时，信息素值将被分配到上限，提供的条件如下：
Figure BDA0003622643580000144
其中τavg是信息素平均值；τmin是信息素密度的下限；τmax是信息素密度的上限；min(s)是第s次迭代中的最小信息素值；max(s)是第s次迭代中的最大信息素值；γ是一个常数，0.5<γ<1.0；kc是一个常数，0.01<kc<0.1；
限制信息素水平上限的目的是防止蚂蚁受到极端信息素的影响，这可能会降低蚂蚁的探索性，使其陷入局部最优；
信息素的下限增加了蚂蚁的探索，并帮助它们探索更大的范围。
优选的，在步骤6中，设置了路径的虚拟起点p0，蚂蚁按照Petri网变迁运行过程进行移动；
EPACO的流程图如图3所示；
EPACO的步骤如下所示：
步骤1：初始化参数；
步骤2：在虚拟起点(p0)释放蚂蚁，然后随机移动到致病库所；
步骤3：每个蚂蚁采用轮盘赌算子根据概率状态变迁到达下一个库所，并根据约束测试因子删除不符合约束条件(公式2.3)的路径，如果移动的路径满足约束条件，就执行步骤4；如果不满足就回溯到虚拟起点；
步骤4：检查是否所有蚂蚁都完成了路径，如果是，则转至步骤5；否则，请转至步骤3；
步骤5：计算当代蚂蚁所走路径的目标值并更新禁忌列表；
步骤6；对路径上的信息素进行局部更新；
步骤7：根据设定的信息素值更新全局信息素，并保留最优路径；
步骤8：检查最优解是否保持不变或达到最大迭代次数，如果是，则转至步骤9；否则，请转至步骤3；
步骤9：停止算法并输出最优解。
关于算法的参数设置如图4所示；
根据图4的参数设置，结合步骤一至步骤六，在MATLAB中设置库所坐标点和虚拟节点(p0)；
输入参数分别为变迁规则的置信度、表示库所与库所之间关联关系的邻接矩阵以及初始状态下含有托肯的库所真实度；
运行结果如图1所示：
蓝线表示可能的传播路径，红线表示变更传播强度最小的路径即最优路径；
本发明改进的EPACO算法是对变迁激发过程中不满足变迁阈值的路径进行删除，而传统ACO仍会对搜索不满足约束条件的路径，求解效率较低；
根据图1中的红色路径为p7→p16→p20→p25→p26，目标函数值为1.9656；
按照设置好的各种参数，为了避免实验结果中出现意外数据，将算法设置为连续循环运行20次；
运行结果如图2所示：
不同的颜色的线条分别代表每一次运行的算法收敛曲线；
收敛图中的横坐标表示迭代次数，纵坐标表示目标函数值。
将本发明提出的EPACO算法与传统ACO算法在同样环境参数下进行仿真测试和对比分析，仿真结果表明本章所提出的EPACO算法在质量特性的变更传播路径规划求解结果上和收敛性能上均有很好的表现，证明了本文算法的可行新和优越性。
综上所述：本发明基于Petri网融合蚁群算法能够快速有效地为产品质量特性设计变更的传播路径问题提供最优解或近似最优解，能够极大地改善采用传统的蚁群算法预测的传播路径准确性不高的现象。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种关于产品设计变更的路径规划方法，其特征在于：包括如下步骤：
步骤一：根据产品质量特性变更传播的动态过程，对优化过程涉及的概念进行定义说明；
步骤二：路径优化算法原理及相关描述；
步骤三：对算法的状态转移规则进行描述；
步骤四：针对蚁群算法的信息素全局更新策略进行介绍；
步骤五：对信息素的限制进行相关介绍和说明；
步骤六：由以上步骤确定出最优变更传播路径优化流程。
2.根据权利要求1所述的一种关于产品设计变更的路径规划方法，其特征在于：所述步骤一中，产品质量特性的变更传播强度I：
该强度表示起始变更质量特性经过过渡质量特性传播到目标质量特性并最终对目标质量特性产生的影响；
变更传播强度I可以使用两个变量来建模，即变更影响IRij和变更可能性PRij；
变更影响IRij被定义为“一个质量特性发起变更的初始变更代价”；
变更可能性PRij被定义“一个质量特性发起的变更将导致另一个与之存在链接关系的质量特性发生变更的可能性”；
下述变更可能性由质量特性扩展Petri网模型的变迁置信度来表示；变更影响由库所真实度值表示，记录在库所里的托肯中并携带；
若从质量特性pi传播至pj需要经过y步，则：
Iij＝IR(r,pi)×PR(pi,p1)×PR(p1,p2)×…×PR(py-1,pj)
其中，IR(r,pi)表示由于设计变更r在质量特性pi中引发的变更影响；
在扩展Petri网模型中，质量特性关联准则即变迁是位于库所中托肯进行传播行为的媒介；
变更传播影响值I由两个变量决定：库所的真实度α和变迁规则的置信度f；
库所真实度α的确立如下：
定义发起库所的真实度表示为变更源特性的变更代价即：α(pn)＝Ec(n)；
在进行变更分析时，有必要获得关于变更特性的变更范围、变更代价等基本信息；
发起库所pi的变更代价Ec(i)的表达式为：
Figure FDA0003622643570000021
上式中
Figure FDA0003622643570000022
表示变更范围的上限；Vi表示库所pi的当前取值；Ei表示库所pi的变更代价基数，取值范围在1～10之间；Ui表示库所pi的变更基数，为不同量纲的质量特性变更提供可比性；
变迁规则的置信度f的相关计算如下：
引入灰色综合关联分析法(Grey Comprehensive Relational Analysis,GCRA)；
基于GCRA的置信度评估步骤如下：
S101、准备序列参数：
给定质量特性vi的序列值H′i和质量特性的序列值H′j(j＝1,2,…,J)，每个质量特性会有K种取值；J+1个特性序列可由矩阵表示：
H′＝[H′i,H′1,H′2,…H′J]K×(J+1)
其中J是指同一组数据中质量特性的个数，K是指同一个质量特性的不同组的数据个数；
除了序列值H′i之外的序列值可表示为：
H′j＝[h′j(1),h′j(2),…,h′j(K)]T
S102、规范化：
由于复杂产品的质量单位可能处于不同的维度，为了保证分析结果的准确性，因此对数据进行归一化处理很有必要；
同一个质量特性数据不同组数据分别除以第一组的数据，计算公式如下：
Figure FDA0003622643570000031
S103、计算质量特性pi和pj的相似性δij：
基于上式计算质量特性的相似因子δij，计算公式如下：
Figure FDA0003622643570000032
在上式中如果质量特性序列H′i与其关联序列H′j在区间[k,k+1]内正相关，λ＝1，否则，λ＝-1；
S104、计算质量特性pi和pj的相近性Sij：
Figure FDA0003622643570000033
fi(x)和fj(x)分别为质量特性序列Hi和其关联序列Hj在区间[k,k+1]内的函数；
S105、计算质量特性pi和pj综合关联度fij(即pi向pj转化的变迁置信度)：
Figure FDA0003622643570000034
3.根据权利要求1所述的一种关于产品设计变更的路径规划方法，其特征在于：在步骤二中，通过运用扩展Petri网建模后，利用人工蚁群模拟发起库所中的动托肯从扩展Petri网模型的初始标识到最终标识途中所走的变迁序列；
序列的变更传播强度可由下式计算得到：
Figure FDA0003622643570000041
上步得到变更传播强度后，通过蚁群不断地迭代求出最优传播序列；
在变更开始时，将Petri网模型中的所有变迁上设置相等信息素浓度c，设置一个虚拟库所；
将Popsize×IteLim只蚂蚁(动托肯)放置在该虚拟库所内；
动托肯根据Petri网的使能激发规则进行移动；
当动托肯移动过程中遇到“或”结构时根据本文提出算法的状态转移规则选择移动方向，当动托肯遇到“与”结构时，选择多个输入动托肯中携带较大I值到达变迁内，其余的动托肯回溯直到再次遇到可实施的变迁；
动托肯在移动过程中库所、变迁以及动、静托肯携带信息的变化的讨论如下：
库所的变化：
初始状态下，所有变迁中的信息素浓度均设置c；
当变迁触发时；
若只有一个输入库所则直接将此库所中的动托肯作为自己的输出托肯转移给下一个输出库所；
若存在多个输入库所的“与”结构，选择多个输入动托肯中携带较大I值到达变迁内，其余的动托肯回溯直到再次遇到可实施的变迁；
托肯的变化：
初始状态下，发起库所中的所有动托肯的访问序列都为空且携带的变更强度值I0也为0；
当变迁触发时；
输入库所中的静托肯将本库所记录的I值传递给动库所让其继续搜索，即TokenDi＝TokenSi，当动托肯到达变迁时，会检查变迁索引号是否存在自身结构的序列表中；
若存在，则需要删除该变迁索引号之后的序列，更新I值并记录；
若不存在，则说明第一次经过该变迁，将变迁索引号和变更可能性加入到动托肯的序列表结构中并更新I值；
当动托肯来到输出库所内时，更新输出库所的I值，需要将动托肯携带的I值与输入库所的静托肯记录的I值进行比较；
判断规则如下式所示：
Figure FDA0003622643570000051
4.根据权利要求1所述的一种关于产品设计变更的路径规划方法，其特征在于：在步骤三中，首先将所有蚂蚁(动托肯)放置在虚拟库所p0处，蚂蚁从虚拟库所通过状态转移规则从向量中选择一个可以激发的变迁；
然后根据Petri网状态方程式求出蚂蚁下一个输入库所，并将当前库所记录再禁忌表中；
EPACO的概率状态转换：
Figure FDA0003622643570000052
其中，Fk是记录蚂蚁(动托肯)经过的地方并阻止蚂蚁访问同一库所的禁忌列表；ζij是变迁的约束测试因子(如果满足目标函数的约束(fn≥λ))，则ζij＝1，否则ζij＝0)；s代表是当前运行的是第s代蚂蚁(动托肯)，ηij(s)为启发式信息，ηij(t)＝1/Iij，Iij表示蚂蚁从库所pi移动到pj的变更传播强度。其他参数说明与传统ACO中的参数一致。
5.根据权利要求1所述的一种关于产品设计变更的路径规划方法，其特征在于：在步骤四中，为了控制信息素的挥发速度，在全局更新改进中引入参数ρ；
改进的更新策略如下所示：
τij(s+1)＝(1-ρ)·τij(s)+ρ·τij(s,s+1)
Figure FDA0003622643570000061
Figure FDA0003622643570000062
6.根据权利要求4所述的一种关于产品设计变更的路径规划方法，其特征在于：所述EPACO的一个关键特征是增加了信息素约束条件(τmin,τmax)，旨在对信息素中的个别极端现象进行排除；
信息素限值根据整个路径信息素平均值、信息素最小值和信息素最大值进行调整；
如果某条路径在一定的时间内没有被访问，则信息素浓度将为0，保证了所有路径被搜索的平均概率：
Figure FDA0003622643570000063
当迭代中的信息素值小于设置的信息素值下限时，信息素值将被分配到下限；
当它大于设置的信息素值上限时，信息素值将被分配到上限，提供的条件如下：
Figure FDA0003622643570000071
其中τavg是信息素平均值；τmin是信息素密度的下限；τmax是信息素密度的上限；min(s)是第s次迭代中的最小信息素值；max(s)是第s次迭代中的最大信息素值；γ是一个常数，0.5<γ<1.0；kc是一个常数，0.01<kc<0.1；
限制信息素水平上限的目的是防止蚂蚁受到极端信息素的影响，这可能会降低蚂蚁的探索性，使其陷入局部最优；
信息素的下限增加了蚂蚁的探索，并帮助它们探索更大的范围。
7.根据权利要求1所述的一种关于产品设计变更的路径规划方法，其特征在于：在步骤6中，设置了路径的虚拟起点p0，蚂蚁按照Petri网变迁运行过程进行移动；
EPACO的步骤如下所示：
步骤1：初始化参数；
步骤2：在虚拟起点(p0)释放蚂蚁，然后随机移动到致病库所；
步骤3：每个蚂蚁采用轮盘赌算子根据概率状态变迁到达下一个库所，并根据约束测试因子删除不符合约束条件的路径，如果移动的路径满足约束条件，就执行步骤4；如果不满足就回溯到虚拟起点；
步骤4：检查是否所有蚂蚁都完成了路径，如果是，则转至步骤5；否则，请转至步骤3；
步骤5：计算当代蚂蚁所走路径的目标值并更新禁忌列表；
步骤6；对路径上的信息素进行局部更新；
步骤7：根据设定的信息素值更新全局信息素，并保留最优路径；
步骤8：检查最优解是否保持不变或达到最大迭代次数，如果是，则转至步骤9；否则，请转至步骤3；
步骤9：停止算法并输出最优解。
CN202210462895.5A 2022-04-28 2022-04-28 一种关于产品设计变更的路径规划方法 Pending CN114841025A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210462895.5A CN114841025A (zh) 2022-04-28 2022-04-28 一种关于产品设计变更的路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210462895.5A CN114841025A (zh) 2022-04-28 2022-04-28 一种关于产品设计变更的路径规划方法

Publications (1)

Publication Number Publication Date
CN114841025A true CN114841025A (zh) 2022-08-02

Family

ID=82567135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210462895.5A Pending CN114841025A (zh) 2022-04-28 2022-04-28 一种关于产品设计变更的路径规划方法

Country Status (1)

Country Link
CN (1) CN114841025A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451577A (zh) * 2023-04-11 2023-07-18 中国矿业大学 融合强化学习和差分进化的产品变更路径多目标优选方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451577A (zh) * 2023-04-11 2023-07-18 中国矿业大学 融合强化学习和差分进化的产品变更路径多目标优选方法
CN116451577B (zh) * 2023-04-11 2024-04-02 中国矿业大学 融合强化学习和差分进化的产品变更路径多目标优选方法

Similar Documents

Publication Publication Date Title
CN112382082A (zh) 一种拥堵区域交通运行状态预测方法及系统
CN111611274A (zh) 一种数据库查询优化方法和系统
CN109948865A (zh) 一种tsp问题路径规划方法
CN113537580B (zh) 一种基于自适应图学习的公共交通客流预测方法及系统
CN116242383B (zh) 一种基于增强哈里斯鹰算法的无人车路径规划方法
CN114841025A (zh) 一种关于产品设计变更的路径规划方法
CN109063759A (zh) 一种应用于图片多属性预测的神经网络结构搜索方法
CN109951392B (zh) 一种基于深度学习的中大型网络智能路由选择方法
Wang et al. Scene mover: Automatic move planning for scene arrangement by deep reinforcement learning
CN115270506B (zh) 一种人群沿楼梯上行的通行时间预测方法及系统
CN110428015A (zh) 一种模型的训练方法及相关设备
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN109190787B (zh) 水下潜航器的双重粒子群多监测点访问路径规划方法
Wang et al. Fitness-distance balance with functional weights: A new selection method for evolutionary algorithms
CN112819212B (zh) 一种基于等效路阻分析和考虑消防栓动态可用性的路径规划方法
Ashlock et al. Representation in evolutionary computation
CN106203696A (zh) 一种基于符号的混合装配序列生成方法
CN108683534A (zh) 一种面向社区发现的网络薄弱节点搜索方法
CN111507499B (zh) 预测用模型的构建方法、测试方法、装置及系统
CN117406713A (zh) 基于改进水波优化算法的多目标点路径规划方法
CN112052140A (zh) 一种基于模糊Petri网的信息系统安全态势评估方法
CN114861368B (zh) 一种基于近端策略的铁路纵断面设计学习模型的构建方法
CN115983105A (zh) 基于深度学习加权决策的Occam反演拉格朗日乘子优化方法
CN114444697A (zh) 一种基于知识图谱的常识缺失信息多跳推理方法
CN114722546A (zh) 供水管网布设路径的规划方法、装置、设备及存储介质

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