基于粒子群算法的车间布局优化应用研究

(5页)

'基于粒子群算法的车间布局优化应用研究'
基于粒子群算法的车间布局优化应用研究李建荣,廖达雄,陈冰,王刚(西北工业大学机电学院,陕西西安710072)摘要:研究了某机加车间家件生产工艺路线,以典型加工工艺为主要参考,构建车间设备最优布 局数学模型。应用屋于分工合作的粒子群优化算法,在粒子群搜索的不同阶段给予粒子不同的 惯性权值,对模型进行计算求解,提高算法的搜索及收敛效率。通过车间典型加工工艺与设备实 例模型,验证了基于粒子群优化算法对车间设备布局优化求解的可行性及有效性。关键词:典型工艺;设备布局优化;粒子群优化算法中图分类号:TP39 文献标识码:A 文章编号:1672 - 1616( 2011)03- 0006 - 04收稿日期:2020-09-25基金项目:国家高技术研究发展计划(2009AA04Z122)作者筒介:老建荣(1984-),男,甘肃定西人,西北工业大学硕上研究生,主要研究方向为数字化设计与制造。制造系统布局设计是制造企业信息化技术研 究和实践的一个重要领域。长期以来,制造系统的 布局设计一直被视为制造企业中非常关键和非常 困难的设计任务之一。车间生产线布局是影响制 造企业及其产品竞争力的一个重要因素,是制造资 源管理的一个重要组成部分。车间设备布局问题是一个典型的多目标复杂 优化问题,屈于NP完全问题。在布局规划和设计 过程中,最终目的是要提高车间面积利用率,增加 车间的设备冗余能力。要达到这样的目的,苜先要 合理设计物流路径,使得车间物流畅通,同时要合 理安排辆助设施,提高物流效率以减少费用。对于解决设备布局问题,合理地确定设备的布 置位置是关键。对设备位置优化设计,多采用优化 算法进行优化计算。本文采用粒子群优化算法对 设备布局问题进行优化求解,根据车间典电零件生 产工艺对设备布局问题建立数学模型,编程进行求 解、计算、验证。粒子群优化算法(Particle Swarm Optimiza- ticn, PSO)是一种高效的进化计算技术,是由 Kennedy和Eberhart在研究鸟类和做类的群体行 为的基础上于1995年提出的一种智能算法⑴,'其 主要思想是通过粒子的协作來使群体达到最优。 与其他进化算法类似,PSO也是一种基于迭代的 优化方法。系统初始化为一组随机解,通过迭代计 算搜寻最优血,粒子在解空间里为寻找最优的粒子 进行搜索,最终进化到全局最优。1问题描述及数学模型建立根据设备布局模式,制造系统布局主要分为3 类:(1)生产线布局,如流水生产线;(2)功能布局, 即机群式布局;(3)单元式布局,即将机床设备根据 工艺计划划分为若干子单元,从而减少和改善物流 量。当前许多现代化工厂大都采用单元式布局。 对于单元式设备布局建模可分为2步:第一步是单 元构建,将车间设备依据工艺分为子单元,首先对 这些子单元在车间平面进行优化布局;第二步就是 将单元内的设备抽象为基本线性模型,从而对单元 内设备进行布局设计。典型的生产线布局类型主要包括:线性单行布 局、线性多行布局、环形布局、U形布局、蛇形布局 等。其中,环形布局、U形布局和蛇形布局都可以 看作是线性单行布局的变形,对这几种类型的设备 布局优化设计问题都可以通过线性单行布局模型 来解决。在广泛采用的单元式车间布局中,单个加 工单元大多是采用环形、U形或者蛇形布局方案, 因此本文就以典型的单行环形设备布局模型为例, 对车间加工单元设备排布进行优化求解。对于单行设备布局问题建模,首先对某机加车 间生产工艺计划进行分析,将有协同关系的设备划 分为若干布局单元,对单元内的设备建立布局约束 模型。首先要考虑车间主要零件加工工艺对设备 布局的约束影响,例如对数控铿床这样的精加工设 备,其加工时间周期较长,容易出现排队等待。因 此布局模型中必须对该设备预留较大的缓冲区,在 优化处理中体现在对该设备的长度进行放大;另 外,还应考虑车间现场因素对布局的影响,例如对 于有辅助设施的设备的放置应做特殊对待,以避免 工艺流程中的物流搬运干涉。综合上述约束条件,可以得到车间单元布局优 化函数为:0(X) = ? S I 召一切(1) 式中:印为设备,和设备j之间单位距离的物流费 用;〃为物料在设备i和设备j之间的运输次数。该问题就是求在几何约束下布局优化函数的 最小值。考虑到布局约束,由于是单行布局模型, 因此只考虑第一行的设备。首先,相邻设备之间有 最小距离约束dF“,以保证设备之间不岀现干涉或 重叠;其次,设备在X方向的布置总长度不超过单 元长度H。约束描述为:I Xi - Xj A ' 2 ' + dFjj (2)琴―一切+逬弘)WH (3) 式中Si为设备i的长度。确定了单元布局模型及布局约束后,就可应用 优化算法对布局问题进行优化求解⑵。本文采用 一种基于分工合作的粒子群优化算法对所述模型 进行优化计算。2基于分工合作的粒子群算法2.1基本粒子群算法粒子群优化算法是由Kennedy和Eberhart于 1995年提出的一种群智能算法,算法模拟鸟群飞 行觅食的行为,通过鸟群之间的集体协作使群体达 到最优。在基本的PSO算法中,每个解都是搜索 空间中的一个粒子,所有的粒子都有一个被优化的 函数决定的适应值,并且有一个速度决定它们飞翔 的方向和速率,所有粒子追随当前的最优粒子在解 空间中搜索。算法首先初始化一群随机粒子,然后 通过迭代找到最优解。在每一次迭代中,粒子通过 跟踪2个极值(即个体极值pbest和全局极值 妙糜)来更新速度与位置。在D维目标搜索空间 中,粒子群第i个粒子在第d维的位置为九/,其飞 行速度为em,该粒子当前搜索到的最优位置为 如(pBm),整个粒子群当前的最优位置为 Rd(gBeQ。速度与位置更新公式如下:如+1 =如 + G X rand() X (如-如)+C2 X rand() X (加 + 如) (4)攵诃+1 =九+叫1 (5)式中:rand()为[0,1]范围内变化的随机数;门和 C为加速系数。标准PSO算法在迭代前期收敛速度很快,但 是到后期收敛速度明显变慢,甚至停滞。因此Shi 等⑶在标准PSO的基础上提出了惯性权值的概 念,并对基本算法中粒子的速度更新公式进行了修 正:Vid+1 = 3 ?卩辺 + Cl X rand() X (p込一工运)+ c2 X rand() X + (6)惯性权值可以控制算法的搜索能力,使其有扩 展搜索空间的趋势,获得较好的求解效果。惯性权 值?对于粒子群的搜索范围有影响2值取得越 小,则粒子搜索范围越小,可以在自身附近小范围 内精确搜索2值越大,则粒子搜索范围越大,可以 搜索更远的位置,避免陷入局部最优。2.2基于分工合作的粒子群算法惯性权值的引人可以保持粒子的运动惯性,改 善算法效果,但如果参数⑷的取值不适合,也不能 得到好的结果,而且确定的惯性权值会使某些粒子 不能跳出局部最优,导致优化失败。因此,可以采用 分工合作的思想,对不同性能的粒子分配不同的任 务:给性能:玫牧W右越闲〉3值,使其能在小 范围内精确搜索,避免其跳过最优位置;而对性能 较差的粒
关 键 词:
基于 粒子 算法 车间 布局 优化 应用 研究
 剑锋文库所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
关于本文
本文标题:基于粒子群算法的车间布局优化应用研究
链接地址: //www.wenku365.com/p-43768379.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服点击这里,给剑锋文库发消息,QQ:1290478887 - 联系我们

本站为“文档C2C交易模式”,即用户上传的文档直接卖给(下载)用户,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有【成交的100%(原创)】。本站是网络服务平台方,若您的权利被侵害,侵权客服QQ:1290478887 欢迎举报。

1290478887@qq.com 2017-2027 //www.wenku365.com 网站版权所有

粤ICP备19057495号 

收起
展开