CN116933485A - 一种遗传贪心组合算法的装配序列规划方法 - Google Patents

一种遗传贪心组合算法的装配序列规划方法 Download PDF

Info

Publication number
CN116933485A
CN116933485A CN202310661227.XA CN202310661227A CN116933485A CN 116933485 A CN116933485 A CN 116933485A CN 202310661227 A CN202310661227 A CN 202310661227A CN 116933485 A CN116933485 A CN 116933485A
Authority
CN
China
Prior art keywords
assembly
greedy
sequence
population
genetic
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
CN202310661227.XA
Other languages
English (en)
Inventor
刘昆
万鑫
邱伟健
俞同强
王加夏
路越
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.)
Jiangsu University of Science and Technology
Original Assignee
Jiangsu University of Science and 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 Jiangsu University of Science and Technology filed Critical Jiangsu University of Science and Technology
Priority to CN202310661227.XA priority Critical patent/CN116933485A/zh
Publication of CN116933485A publication Critical patent/CN116933485A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种遗传贪心组合算法的装配序列规划方法，具体包括：S1，生成初代种群；S2，设计出适应度函数计算公式，并计算种群个体的适应度函数值；S3，保留每一代种群中适应度最高的装配序列；S4，设计贪心准则，从种群中依据贪心准则进行选择；S5，依据贪心准则生成新一代的种群；S6，判断是否达到迭代次数，若达到迭代次数则终止循环；若没有达到则执行S2；S7，根据最终收敛的适应度函数值，去掉低于最高适应度函数值的序列，只保留等于最高适应度函数值的序列；S8，输出多个独特最优解序列。本发明解决了传统遗传算法解决复杂问题陷入局部最优、收敛速度慢、并只能收敛到唯一最优解的问题。

Description

一种遗传贪心组合算法的装配序列规划方法
技术领域
本发明涉及一种装配序列规划方法，通过对遗传算法与贪心算法的认识和理解，根据装配序列规划的实际问题，将两种算法的优点进行组合，设计出遗传贪心组合优化算法，用于求解多优化目标、复杂程度高、多个独特最优解的装配序列规划问题。
背景技术
装配序列规划是一种满足空间几何关系、物理关系以及机械条件约束的优化问题，需要在避免零部件间的互相干涉的同时，尽可能地减少资源与时间的浪费。当产品包含的零部件过多时，装配序列规划将变得更加复杂，装配序列的数量将会出现“组合爆炸”，从而变为一个复杂的NP-hard问题。在如此严苛的条件下，为了能够生成最优装配序列，基于智能优化算法的智能装配技术应运而生，这些智能优化算法主要有：遗传算法、模拟退火算法和智能水滴算法等。
传统的智能优化算法算法在求解复杂的多约束多优化目标的船舶舱室装配序列规划问题时，往往会陷入局部最优，这是因为产品零部件数量众多、约束条件多、装配更加复杂、解的搜索空间更大。并且传统的智能优化算法往往只能优化出唯一的最优解用于装配序列的规划，但在工厂实际装配过程中，可能遇到其它突发情况需要调整装配序列，这时传统智能优化算法求解出的唯一最优解将不适用于实际装配。
因此现有技术需要一种在解决复杂的多约束多优化目标的船舶舱室装配序列规划问题时不陷入局部最优的方法，来解决传统遗传算法在舱室装配序列规划时陷入局部最优的情况。并且需要一种可求解出多个独特最优解的优化算法来提供多个最优装配序列供装配时进行选择。
发明内容
发明目的：本发明提供了一种遗传贪心组合算法的装配序列规划方法，该方法将遗传算法与贪心算法的优点综合考虑，根据装配体的约束条件，设计出贪心准则进行选择，提高了计算效率，并且可以求解出多个独特最优解。为后续装配序列规划提供一种新的思路。
技术方案：为了解决上述问题，本发明提出了一种遗传贪心组合算法的装配序列规划方法。包括如下步骤：
S1：设定初始种群大小、交叉概率、基因组变异概率，通过随机数生成初代种群，生成的种群作为父代种群。
S2：分析装配体的约束关系，设计出适应度函数求解公式，根据适应度函数计算公式计算种群个体的适应度函数值。
S3：保留每一代种群中适应度最高的装配序列到Unique_Best列表中。
S4：从种群中依据贪心准则进行选择。
S5：依据贪心准则生成新一代的种群。
S6：是否达到迭代次数，若达到则终止循环。若没有达到则执行S2。
S7：根据最终收敛的最高适应度函数值，去掉Unique_Best中低于最高适应度函数值的序列，只保留等于最高适应度函数值的序列。
S8：输出Unique_Best，则Unique_Best中的序列为多个独特最优解。
进一步的，步骤S1具体包括：设定种群大小为200，交叉概率为0.6，变异概率为0.2。通过随机数来生成满足种群规模的装配序列作为父代，进行下一步的操作。
进一步的，步骤S2具体包括：装配体的约束关系为装配体的换向次数，装配工具更换次数，装配体连接关系，装配体的几何约束。
进一步的，根据装配体的约束关系，设计适应度函数值计算公式如公式(1)所示。
式中，C为装配序列的换向次数，装配每换向一次C值加一，C越小越好、T为装配工具的改变次数，装配工具每更换一次T值加一，T越小越好、S为装配序列的连接稳定关系，相邻零部件之间接触关系越稳定，S值越大，S越大越好、ω1,ω2,ω3,为权重系数，ω1+ω2+ω3＝1，ω1＝0.3,ω2＝0.3,ω3＝0.4、当装配序列满足几何约束条件时，取(a)式，当装配体不满足几何约束条件时取(b)式，Fitness为装配序列的适应度函值。
进一步的，S的计算公式为(2)(3)所示，Si,j表示相邻零件的连接关系。
其中，装配体的连接关系S可由公式(2)与公式(3)可知，其反映出装配体的稳定性，在一装配序列中，若相邻装配模块不存在接触关系，则Si,j＝0，若装配模块存在接触连接关系时Si,j＝1，若装配模块存在稳定连接关系时Si,j＝2，稳定连接关系包括焊接连接，螺栓连接等。装配体的连接稳定性影响到装配体的操作可靠性与安全性。S值越大装配序列的稳定性越好，0≤S≤2n-2。
进一步的，步骤S3具体包括：Unique_Best列表中保留每一代中适应度函数值最高的个体，后续对其进行筛选进行多个最优解的建立。
进一步的，步骤S4具体包括：装配序列规划问题为求解整体最优解的问题。而贪心法通常先考虑问题的一个整体最优解，使其从贪心选择开始。作出贪心选择后，原问题简化为规模较小的类似子问题，再用数学归纳法证明，通过每一步贪心选择，最终可得到问题的整体最优解。用贪心法求解的问题一般有两个最重要的性质：最优子结构性质和贪心选择性质。
a.最优子结构性质：一个问题能够分解成各个子问题来解决，通过各个子问题的最优解能递推到原问题的最优解。那么原问题的最优解一定包含各个子问题的最优解，则称此问题具有最优子结构性质，也称此问题满足最优性原理。问题的最优子结构性质是该问题可以用贪心法求解的关键特征。
b.贪心选择性质：所谓贪心选择性质是指问题的整体最优解可以通过一系列局部最优的选择，即通过贪心选择来得到。贪心法通常以自顶向下的方式作出一系列的贪心选择其中每次所做的选择，可以依赖于以前的选择，但不依赖于将来所做的选择。
在使用遗传算法求解过程中，每一代种群中求解最优装配序列可视为一个子问题，而所有代数中求解出的最优装配序列可以递推出总的最优装配序列，所以使用遗传算法处理装配序列问题时具有最优子结构性质。求解装配序列规划问题是一个多目标优化问题，需要设置一定的约束条件进行优化，本发明包括多个约束条件，可使用约束条件来制定贪心选择方法。所以满足贪心算法求解问题时两个重要性质，将两种算法进行组合求解。
进一步的，步骤S5具体包括：依据贪心准则生成新一代的种群。贪心准则选择结束后，选择出装配序列是种群中为适应度最高的少部分个体进入到下一代。若贪心准则选择出来的装配序列数量，满足进入下一代进化的种群数量，则直接进入下一代。如果不满足，需要对其进行以下操作，分为两种情况：
情况1：此代种群中没有符合贪心准则的装配序列。则执行以下步骤，使其进入到下一代循环：1.将目前最优装配序列加入到新一代种群中；2.将目前最优装配序列作为父代交叉变异生成种群2/3数量的个体；3.随机生成剩余数量个体。执行此种方法的目的：1.保留最优序列到下一代，可保证算法运行迄今为止得到的最优个体不会丢失或被交叉变异破坏；2.最优装配序列交叉变异生成种群2/3数量的个体，可大量增加最优序列交叉变异到更优序列的概率，也可增加新一代种群中优良解的数量；3.随机生成剩余数量个体可以扩大最优解的搜索空间，使其有更大几率跳出局部最优。
情况2：此代种群存在部分符合贪心准则的装配序列。先将贪心准则选择出的序列加入到新一代种群中，再参考遗传算法中锦标赛算法的选择策略，随机从贪心准则选择的序列中，选择作为繁殖后代的双亲，根据交叉变异的概率，执行交叉变异操作。使其加入新一代种群中，直到新种群规模满足新一代种群规模为止。
进一步的，情况2中的交叉变异操作为：根据交叉概率生成随机数，进行判断，若处于交叉概率0.6内，则交叉产生新的两个染色体。根据变异概率随机数，进行判断，若处于变异概率0.2内，进行反转变异产生新的染色体。
进一步的，步骤S6具体包括：判断当前的代数是否达到迭代次数，若达到则终止循环。若没有达到则执行S2继续进行迭代。
进一步的，步骤S7具体包括：根据迭代结束收敛的最高适应度函数值，去掉Unique_Best中低于最高适应度函数值的序列，只保留等于最高适应度函数值的序列。建立多个独特最优解。
进一步的，步骤S8具体包括：Unique_Best列表中存放多个独特的最优解，输出列表Unique_Best，则规划出多个独特最优的装配序列。
一种遗传贪心组合算法的装配序列规划方法，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现所述的一种遗传贪心组合算法的装配序列规划方法。
有益效果：本发明提出的一种遗传贪心组合算法的装配序列规划方法，将遗传算法与贪心算法的优点综合考虑，根据装配体的约束条件，设计出贪心准则进行选择操作，使遗传算法与贪心算法最大限度发挥出自身的优点，提高了计算效率，加快了算法的收敛速度，降底了制造成本，更好的解决装配序列规划问题。
附图说明
图1为本发明实例的一种遗传贪心组合优化算法装配序列规划方法整体流程示意图；
图2为本发明实例的贪心准则选择过程流程图；
图3为本发明实例的求解最优装配序列收敛过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作更进一步的说明。
一种遗传贪心组合优化算法装配序列规划方法如图1所示包括如下步骤：
S1：设定初始种群大小、交叉概率、基因组变异概率，通过随机数生成初代种群，生成的种群作为父代种群。
在遗传贪心组合算法中，首先将零部件采用实数编码中十进制方式进行编码，每个数字编码代表对应的零部件。设有N个零部件，则编码长度为N。交叉操作采用两点交叉的方式，变异操作采用对变异点的基因值进行反转来实现。设定每一代的种群大小为200，交叉率为0.6，变异率为0.2。设装配体中的零件数量为15个，根据种群大小，通过随机数来生成200个装配序列。
S2：分析装配体的约束关系，设计出适应度函数求解公式，根据适应度函数计算公式计算种群个体的适应度函数值。
分析装配体的各个组成部分、构件间的连接方式、连接类型、需要用到的工具对零件进行变化，对装配体的装配换向次数、装配工具改变次数、装配体的连接关系、装配体的几何约束信息进行表示与定义。根据以上约束条件，设计出适应度函数计算公式，对种群中的每个个体计算其适应度函数值。
S3：保留每一代种群中适应度最高的装配序列到Unique_Best列表中。
对每一代种群中每个个体计算其适应度函数值，根据计算结果，保留适应度函数值最高的个体。本实施例中迭代200次，则在Unique_Best列表中保留200个适应度函数最高的装配序列。
S4：从种群中依据贪心准则进行选择。
贪心准则的选择过程流程图如图2所示，当遗传算法生成新一代种群后，执行以下贪心准则，选择出符合贪心准则的装配序列。贪心准则以约束条件为基础进行建立。
(1)选择出满足几何约束的装配序列；
(2)在(1)选择出的序列中选择装配换向次数较少的装配序列，既C越小越好，可根据装配体的实际情况，设定阈值。若C小于一定数量的换向次数，则进行选择；
(3)在(1)、(2)选择出的序列中选择装配工具更换次数较少的装配序列，既T越小越好，可根据装配体的实际情况，设定阈值。若T小于一定数量的工具更换次数，则进行选择；
(4)在(1)、(2)、(3)选择出的序列中选择装配序列接触关系较为稳定的装配序列，既S越大越好，可根据装配体的实际情况，设定阈值。若S大于一定量级则进行选择；
S5：依据贪心准则生成新一代的种群。
对贪心准则选择出装配序列的数量进行统计。若选择出的装配序列数量等于种群数量200，则直接进入下一代迭代。如果小于种群数量200，则分为两种情况进行处理：
情况1：贪心准则选择出0个装配序列。将目前适应度函数值最高的装配序列加入到新一代种群中；再将目前适应度函数值最高的装配序列作为父代依据交叉变异概率生成种群2/3数量的装配序列；最后随机生成剩余数量个体，使种群数量达到200。
情况2：贪心准则选择出装配序列的数量大于0但小于种群数量200。先将贪心准则选择出的装配序列加入到新一代种群中，再参考遗传算法中锦标赛算法的选择策略，随机从贪心准则选择的序列中，选择作为繁殖后代的双亲，根据交叉变异的概率，执行交叉变异操作。生产的新装配序列，使其加入新一代种群中，直到新种群规模达到200。
而交叉变异操作具体为：将两个装配序列为一对进行选择操作，根据交叉概率生成[0,1]内的随机数，进行判断，若处于交叉概率0.6内，则对两个父代染色体进行两点交叉，交换两个染色体两点内的编码，产生新的两个染色体。再根据变异概率生成[0,1]内的随机数，进行判断，若处于变异概率0.2内，根据基本位变异，对新的染色体进行变异点内的反转操作，产生两个新的染色体。
S6：是否达到迭代次数，若达到则终止循环。若没有达到则执行S2。
判断当前的代数是否达到迭代次数200，若迭代次数等于200，则迭代结束，执行S7。若迭代次数小于200，则执行S2，继续迭代，知道达到迭代次数。
S7：根据最终收敛的最高适应度函数值，去掉Unique_Best中低于最高适应度函数值的序列，只保留等于最高适应度函数值的序列。
当迭代次数达到200时，迭代结束。最高适应度函数值最终收敛到最优结果，对列表Unique_Best进行筛选，去掉低于最高适应度函数值的装配序列，保留等于最高适应度函数值的序列，则保留的装配序列为多个独特最优解。
S8：输出Unique_Best，则Unique_Best中的序列为多个独特最优解。
本实施例根据装配体的信息，使用本发明进行求解。得到多个独特最优解如表1所示。图3为算法收敛图。结果表明，使用本发明求得的最高适应度函数值为0.1157。本发明收敛速度快，搜索空间大，不易陷入局部最优，并且可以得到多个独特最优解。
表1遗传贪心组合算法求解1次结果
在本实施例中，采用本申请的一种遗传贪心组合算法的装配序列规划方法，更加适用于装配序列规划，因为采用贪心准则进行选择操作，提高了算法的收敛速度，而规划出多个独特最优解，在开始生产时提供多个选择，不仅可以更好利用制造资源，而且可以通过减少等待时间来减少总装配时间。
本发明公开了一种遗传贪心组合算法的装配序列规划方法，解决了传统遗传算法解决复杂问题陷入局部最优、收敛速度慢、并只能收敛到唯一最优解的问题。相比于传统遗传算法，遗传贪心组合算法搜索的解空间进一步扩大，更快跳出局部最优，并加快了收敛速度，生成更适用于装配序列规划的多个独特最优解。遗传贪心组合算法将遗传算法与贪心算法的优点综合考虑，根据约束条件，设计出贪心准则进行选择操作，提高了计算效率，加快了算法的收敛速度，使遗传算法与贪心算法最大限度发挥出自身的优点，用于解决装配序列规划问题。
以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。便于本技术领域的普通技术人员能够理解和应用本发明。本行业的技术人员应该了解，本发明不受上述实施例的限制，可对此进行各种修改，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (10)

1.一种遗传贪心组合算法的装配序列规划方法，其特征在于，具体包括：
S1，设定初始种群大小、交叉概率、基因组变异概率，通过随机数生成初代种群；
S2，根据装配体的约束关系，设计出适应度函数计算公式，并计算种群个体的适应度函数值；
S3，保留每一代种群中适应度最高的装配序列到Unique_Best列表中，后续对其进行筛选进行多个最优解的建立；
S4，设计贪心准则，将遗传算法与贪心算法进行结合，从种群中依据贪心准则进行选择；
S5，依据贪心准则生成新一代的种群；
S6，判断是否达到迭代次数，若达到迭代次数则终止循环；若没有达到则执行S2；
S7，根据最终收敛的适应度函数值，去掉列表Unique_Best中低于最高适应度函数值的序列，只保留等于最高适应度函数值的序列；
S8，输出Unique_Best，则Unique_Best中的序列为多个独特最优解。
2.根据权利要求1所述的一种遗传贪心组合算法的装配序列规划方法，其特征在于，所述步骤S1中：设定种群大小为200，交叉概率为0.6，变异概率为0.2；根据随机数生成初代种群。
3.根据权利要求1所述的一种遗传贪心组合算法的装配序列规划方法，其特征在于，所述步骤S2中：装配体的换向次数，装配工具更换次数，装配体连接关系，装配体的几何约束作为约束关系；
根据装配体的约束关系，设计适应度函数值计算公式如公式(1)所示。
C为装配序列的换向次数，装配每换向一次C值加一，C越小越好、T为装配工具的改变次数，装配工具每更换一次T值加一，T越小越好；S为装配序列的连接稳定关系，相邻零部件之间接触关系越稳定，S值越大越好；ω1、ω2、ω3为权重系数，ω1+ω2+ω3＝1，当装配序列满足几何约束条件时，取(a)式，当装配体不满足几何约束条件时取(b)式，Fitness为装配序列的适应度函值。
4.根据权利要求3所述的零部件之间的接触关系，其特征在于，S的计算公式为(2)(3)所示，Si,j表示相邻零件的连接关系。
其中，装配体的连接关系S可由公式(2)与公式(3)可知，其反映出装配体的稳定性，在一装配序列中，若相邻装配模块不存在接触关系，则Si,j＝0，若装配模块存在接触连接关系时Si,j＝1，若装配模块存在稳定连接关系时Si,j＝2，稳定连接关系包括焊接连接，螺栓连接；装配体的连接稳定性影响到装配体的操作可靠性与安全性；S值越大装配序列的稳定性越好，0≤S≤2n-2。
5.根据权利要求1所述的一种遗传贪心组合算法的装配序列规划方法，其特征在于，所述步骤S3中：设立Unique_Best列表，用于保留每一代种群中适应度最高的装配序列，后续对其进行筛选，用于多个最优解的建立。
6.根据权利要求1所述的一种遗传贪心组合算法的装配序列规划方法，其特征在于，所述步骤S4中：装配序列规划问题为求解整体最优解的问题，而贪心法通常先考虑问题的一个整体最优解，使其从贪心选择开始；作出贪心选择后，原问题简化为规模较小的类似子问题，再用数学归纳法证明，通过每一步贪心选择，最终可得到问题的整体最优解。
7.根据权利要求3所述的一种遗传贪心组合算法的装配序列规划方法，其特征在于，当遗传算法生成新一代种群后，执行以下贪心准则，选择出符合贪心准则的装配序列；贪心准则以约束条件为基础进行建立；
(1)选择出满足几何约束的装配序列；
(2)在(1)选择出的序列中选择装配换向次数较少的装配序列，既C越小越好，可根据装配体的实际情况，设定阈值；若C小于一定数量的换向次数，则进行选择；
(3)在(1)、(2)选择出的序列中选择装配工具更换次数较少的装配序列，既T越小越好，可根据装配体的实际情况，设定阈值；若T小于一定数量的工具更换次数，则进行选择；
(4)在(1)、(2)、(3)选择出的序列中选择装配序列接触关系较为稳定的装配序列，既S越大越好，可根据装配体的实际情况，设定阈值；若S大于一定量级则进行选择。
8.根据权利要求1所述的一种遗传贪心组合算法的装配序列规划方法，其特征在于，所述步骤S5中：依据贪心准则选择新一代的种群；贪心准则选择结束后，选择出装配序列是种群中为适应度最高的少部分个体进入到下一代；若贪心准则选择出来的装配序列数量，满足进入下一代进化的种群数量，则直接进入下一代；如果不满足，需要对其进行以下操作，分为两种情况：情况1：此代种群中没有符合贪心准则的装配序列，则执行以下步骤，使其进入到下一代循环：1.将目前最优装配序列加入到新一代种群中；2.将目前最优装配序列作为父代交叉变异生成种群2/3数量的个体；3.随机生成剩余数量个体；情况2：此代种群存在部分符合贪心准则的装配序列；先将贪心准则选择出的序列加入到新一代种群中，再参考遗传算法中锦标赛算法的选择策略，随机从贪心准则选择的序列中，选择作为繁殖后代的双亲，根据交叉变异的概率，执行交叉变异操作；使其加入新一代种群中，直到新种群规模满足新一代种群规模为止；
交叉变异操作为：根据交叉概率生成随机数，进行判断，若处于交叉概率0.6内，则交叉产生新的两个染色体；根据变异概率随机数，进行判断，若处于变异概率0.2内，进行反转变异产生新的染色体。
9.根据权利要求1所述的一种遗传贪心组合算法的装配序列规划方法，其特征在于，所述步骤S7中：根据迭代结束收敛的最高适应度函数值，去掉Unique_Best中低于最高适应度函数值的序列，只保留等于最高适应度函数值的序列，建立多个独特最优解。
10.一种遗传贪心组合算法的装配序列规划方法，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1-9任一项所述的一种遗传贪心组合算法的装配序列规划方法。
CN202310661227.XA 2023-06-06 2023-06-06 一种遗传贪心组合算法的装配序列规划方法 Pending CN116933485A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310661227.XA CN116933485A (zh) 2023-06-06 2023-06-06 一种遗传贪心组合算法的装配序列规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310661227.XA CN116933485A (zh) 2023-06-06 2023-06-06 一种遗传贪心组合算法的装配序列规划方法

Publications (1)

Publication Number Publication Date
CN116933485A true CN116933485A (zh) 2023-10-24

Family

ID=88391552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310661227.XA Pending CN116933485A (zh) 2023-06-06 2023-06-06 一种遗传贪心组合算法的装配序列规划方法

Country Status (1)

Country Link
CN (1) CN116933485A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151947A (zh) * 2023-10-31 2023-12-01 沈阳卡得智能科技有限公司 一种基于贪心算法的智能排课方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151947A (zh) * 2023-10-31 2023-12-01 沈阳卡得智能科技有限公司 一种基于贪心算法的智能排课方法及系统
CN117151947B (zh) * 2023-10-31 2024-01-30 沈阳卡得智能科技有限公司 一种基于贪心算法的智能排课方法及系统

Similar Documents

Publication Publication Date Title
CN108320057B (zh) 一种基于有限制稳定配对策略的柔性作业车间调度方法
CN116933485A (zh) 一种遗传贪心组合算法的装配序列规划方法
CN111832725B (zh) 一种基于改进遗传算法的多机器人多任务分配方法及装置
Hua et al. Improved genetic algorithm based on time windows decomposition for solving resource-constrained project scheduling problem
CN115271568B (zh) 基于强化学习-群体进化混合算法的双边拆解线设计方法
CN115391385A (zh) 一种基于蚁群遗传动态融合算法的数据库查询优化方法
CN112232602A (zh) 一种大规模节点的物流配送路径优化方法及系统
Fakhrzad et al. A new multi-objective job shop scheduling with setup times using a hybrid genetic algorithm
CN117075545A (zh) 一种多目标柔性作业车间调度方法、电子设备、介质
CN117852825B (zh) 基于深度学习的含中心资源柔性制造系统的无死锁调度方法
CN109978365B (zh) 一种基于动态工序偏序关系表的复杂产品综合调度方法
CN107577918A (zh) 基于遗传算法和隐马尔可夫模型的CpG岛识别方法、装置
CN116985146B (zh) 退役电子产品的机器人并行拆解规划方法
CN116401037B (zh) 一种基于遗传算法的多任务调度方法和系统
CN117556532A (zh) 一种新型涡轮盘预旋系统多元件匹配的优化方法
CN113741482B (zh) 一种基于异步遗传算法的多智能体路径规划方法
CN116341860A (zh) 一种基于改进nsga-ⅱ算法的车辆调度优化方法
CN101866388B (zh) 一种dna计算编码系统及其方法
CN111412795A (zh) 测试点设置方案生成方法及装置
CN109559782A (zh) 一种基于多目标遗传算法的dna序列编码方法
CN115222253A (zh) 一种基于混沌局部搜索遗传算法的电力故障任务调度方法
CN114707808A (zh) 一种基于动态根节点工序集的逆序设备网络综合调度方法
Wu et al. Design and application of workshop production scheduling strategy based on manufacturing big data
CN118014316B (zh) 基于无性遗传算法的阻塞流水车间调度方法及电子设备
CN117610867A (zh) 一种无人集群多传感器任务分配调度优化方法与装置

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