多目标拆卸线平衡问题的改进粒子群算法研究

发布时间：2017-05-16 09:12

  本文关键词：多目标拆卸线平衡问题的改进粒子群算法研究，由笔耕文化传播整理发布。

【摘要】：近年来,随着废旧机械、电子产品等固体废弃物对环境造成的污染和资源浪费等问题异常严峻。国家“十二五”规划也将环境保护列入发展中的重要课题,废旧产品拆卸产业化的格局不断形成和扩大。拆卸线平衡问题的研究对于经济的可持续发展和环境保护都有重要意义。根据实际的拆卸线问题,介绍了拆卸线平衡问题数学模型,在零件优先关系约束和拆卸线节拍时间的限制下对拆卸线平衡问题进行多目标优化的建模。论文研究主要基于完全拆卸问题,提出研究优化目标为：最小化工作站数、平衡各个工作站的空闲时间、优先考虑拆卸需求高的零件、最小拆卸方向的改变次数、优先拆卸危害程度高的零件这几个目标。 1.在基于前面的学者利用基本粒子群算法研究拆卸线平衡问题的基础上,提出多种改进粒子群算法,旨在提高基本粒子群算法在解决离散的拆卸线平衡问题的求解能力。这些算法的改进措施主要体现在：基于连续型粒子群算法的改进和基于离散粒子群算法的改进。基于连续型的粒子群算法主要体现在对种群邻居粒子的动态构建的DNMPSO,种群粒子的全局学习对象为距离自身拓扑距离最近的粒子；基于离散粒子群算法的改进主要体现在混合引入遗传算法中的交叉和变异操作,将粒子群算法的“全局学习”和“个体学习”广义为与相应的粒子路径进行交叉和变异操作；根据粒子种群聚集程度进行调整的种群进化策略,动态地循序地对粒子种群进行进化和基于种群社会化的多种群粒子群算法,以增强种群的多样性。 2.在解决多目标优化问题时提出基于工程实际偏好的赋权法和Pareto算法。其中Pareto算法包括两种：基于小生境技术和基于表现型共享技术。两种Pareto算法中引入了外部档案和非劣解集的概念,通过种群中解集的被支配程度筛选每次迭代产生的多目标可行解。 根据实际的拆卸线平衡问题进行粒子群算法的改进措施,从连续型和离散型两个方向的改进,提高了粒子群算法在拆卸线平衡问题中的搜索性能；对于多目标优化问题研究,通过赋权重值和Pareto算法两个不同的方向对多个目标进行处理,能够有效地解决多目标拆卸线的优化问题。 本文受国家自然科学基金项目(51205328)的支持。
【关键词】：拆卸线平衡问题 多目标 改进粒子群算法 基本粒子群算法 Pareto
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH186;TP18
【目录】：

• 摘要6-7
• Abstract7-12
• 第1章 绪论12-20
• 1.1 课题的研究意义12-13
• 1.2 国内外现状分析13-16
• 1.2.1 拆卸线平衡问题及总体研究现状概述13-14
• 1.2.2 国内外研究现状14-16
• 1.3 课题研究目标、研究内容、解决的关键问题16-17
• 1.4 采取的研究方法、技术路线17-18
• 1.5 论文结构和主要内容18-20
• 第2章 多目标拆卸线平衡问题的概念和数学模型20-28
• 2.1 拆卸线平衡的概念20-22
• 2.2 拆卸线平衡的目标函数及其数学模型22-26
• 2.2.1 拆卸线的零件优先关系22-23
• 2.2.2 拆卸线平衡问题的目标函数23-26
• 2.3 拆卸线可行拆卸解的构造26-27
• 2.3.1 构造拆卸线可行解26
• 2.3.2 拆卸线可行解的解码26-27
• 2.4 本章小结27-28
• 第3章 多种改进粒子群算法描述28-44
• 3.1 改进的粒子群优化算法28-29
• 3.1.1 基本粒子群算法28
• 3.1.2 基本粒子群算法模型分析28-29
• 3.2 粒子群算法的几种改进方式29-30
• 3.3 基于种群拓扑结构的粒子群算法30-33
• 3.3.1 粒子种群的广义邻居拓扑结构30-31
• 3.3.2 粒子动态邻居的构建31
• 3.3.3 变异操作31-33
• 3.4 混合遗传算法的改进粒子群算法33-36
• 3.4.1 遗传算法34-35
• 3.4.2 混合遗传算法的改进粒子群算法的具体实现步骤35-36
• 3.5 自适应粒子群算法36-39
• 3.5.1 动态自适应粒子群算法实现步骤38-39
• 3.6 社会粒子群算法39-43
• 3.6.1 社会粒子群算法介绍40-41
• 3.6.2 算法实现步骤41-43
• 3.7 本章小结43-44
• 第4章 多目标优化的求解方法44-51
• 4.1 多目标优化问题44-45
• 4.2 基于小生境技术的多目标Pareto算法45-48
• 4.2.1 小生境技术中外部档案解集更新和筛选46-47
• 4.2.2 基于小生境技术的Pareto解集的筛选47-48
• 4.3 基于表现型共享的多目标Pareto算法48-49
• 4.3.1 基于表现型共享的适应度函数48-49
• 4.3.2 算法实现步骤49
• 4.4 本章小结49-51
• 第5章 改进粒子群算法在多目标拆卸线平衡问题的应用51-79
• 5.1 几种典型的拆卸线平衡问题的案例51-66
• 5.1.1 一个零件数目为8的部件的拆卸51-52
• 5.1.2 一个零件数目为10的个人PC机的拆卸52-53
• 5.1.3 一个零件数目为52的工业缝纫机高速电子套结机的拆卸53-57
• 5.1.4 一个零件数目为18的声音辨识器单元的拆卸57-60
• 5.1.5 一个零件数目为34的发动机的拆卸60-64
• 5.1.6 19个基准拆卸案例的计算分析64-66
• 5.2 多种改进粒子群算法与基本粒子群在几个算例中的优化比较66-69
• 5.3 带变异操作的广义动态邻居学习的粒子群算法在拆卸线平衡中的应用69-72
• 5.3.1 DNMPSO算法在拆卸线平衡问题中实现步骤69-70
• 5.3.2 DNMPSO算法在拆卸线平衡问题的运行结果分析70-72
• 5.4 多目标混合遗传算法的粒子群算法的应用72-74
• 5.4.1 多目标混合遗传算法的粒子群算法(MO-GAPSO)实现步骤72-73
• 5.4.2 多目标混合遗传算法的粒子群算法(MO-GAPSO)实际案例应用分析73-74
• 5.5 动态自适应粒子群算法在多目标拆卸线平衡问题中的应用74-77
• 5.5.1 动态自适应表现型共享的多目标粒子群算法的实现步骤74-75
• 5.5.2 动态自适应表现型共享的多目标粒子群算法应用实例75-77
• 5.6 本章小结77-79
• 结论与展望79-81
• 结论79-80
• 展望80-81
• 致谢81-82
• 参考文献82-85
• 攻读硕士学位期间发表的论文及科研成果85

【参考文献】

中国期刊全文数据库 前10条

1 黄敏;陈国龙;郭文忠;;基于表现型共享的多目标粒子群算法研究[J];福州大学学报(自然科学版);2007年03期

2 林献坤;李爱平;陈炳森;;混合粒子群算法在混流装配线优化调度中的应用[J];工业工程与管理;2006年01期

3 刘志峰;杨德军;顾国刚;;基于模拟退火粒子群优化算法的拆卸序列规划[J];合肥工业大学学报(自然科学版);2011年02期

4 吴昊;左洪福;;基于改进遗传算法的选择性拆卸序列规划[J];航空学报;2009年05期

5 赵忠;刘贵华;;基于遗传算法的产品拆卸线平衡问题研究[J];河南科学;2011年06期

6 任子晖;王坚;;一种动态改变惯性权重的自适应粒子群算法[J];计算机科学;2009年02期

7 黄平;于金杨;元泳泉;;一种改进的小生境多目标粒子群优化算法[J];计算机工程;2011年18期

8 王峻峰;李世其;刘继红;;面向绿色制造的产品选择拆卸技术研究[J];计算机集成制造系统;2007年06期

9 张秀芬;张树有;;基于粒子群算法的产品拆卸序列规划方法[J];计算机集成制造系统;2009年03期

10 丁力平;谭建荣;冯毅雄;高一聪;;基于Pareto蚁群算法的拆卸线平衡多目标优化[J];计算机集成制造系统;2009年07期

  本文关键词：多目标拆卸线平衡问题的改进粒子群算法研究，，由笔耕文化传播整理发布。

本文编号：370414