基于乌鸦搜索算法的装备并行拆卸任务规划
发布时间：2021-02-08 19:10
针对装备维修性试验验证过程中拆卸任务难以有效规划的问题,提出了一种基于乌鸦搜索算法的装备并行拆卸任务规划方法。分析了拆卸任务的流程关系,建立了拆卸任务流程关系的数学模型。将维修时间作为评价并行拆卸任务规划结果的适应度函数模型,结合乌鸦搜索算法的计算步骤,引入遗传算法的交叉操作方式和变异操作方式,实现了对乌鸦搜索算法的离散化处理,满足了装备并行拆卸任务规划问题的求解需求。实例应用结果表明:相比遗传算法,乌鸦搜索算法的寻优能力和搜索能力更优,适用于装备并行拆卸任务规划工程实践。
【文章来源】：火力与指挥控制. 2020,45(01)北大核心
【文章页数】：5 页
【部分图文】：
图4个体交叉操作过程示意图
（总第45-）任务编号拆卸时间任务编号拆卸时间A3L2B5M5.5C8N4D6O2E6P6F7.5Q2G7.5R6.5H8S2I7T4J6U2K4V2徐达，等：基于乌鸦搜索算法的装备并行拆卸任务规划卸任务2和1无论谁先拆卸，都不影响I1内部的流程关系，则I1经变异操作后产生的个体I赞1为53142，并记这种变异操作方式的函数表达式为：（14）式中，a和b为位置互换的两个拆卸任务。4.3CSA离散化处理至此，在建立交叉、变异操作函数的基础上，则当r1＞P时，式（8）的离散化处理方法为：（15）式中，B为阈值。当r1≤P时，式（9）的离散化处理方法为：（16）式（11）的离散化处理方法为：（17）至此，面向PDTP问题的CSA的迭代计算流程如图5所示。图5面向PDTP问题的CSA5应用实例以维修任务“某型装备动力舱吊舱”为例，该维修任务共包含22项拆卸任务，各拆卸任务的拆卸时间如表1所示。表1各拆卸任务的拆卸时间（单位：min）篇幅所限，本文不再给出流程关系矩阵S，仅给出维修任务的流程关系图，如图6所示。图6中虚线框1和2中的拆卸任务对于各自虚线框外的拆卸任务具有相同的流程关系，如拆卸任务A同虚线框1中所有的拆卸任务为串行拆卸关系。图6动力舱吊舱流程关系图由图6可以看出，拆卸任务间的并行拆卸关系较多，合理规划拆卸任务的空间较大。令D=4和5，J1为动态算子，a=J，b=K，N=10，M=100，P=0.1，fl=2，B=1。则CSA求取的适应度函数值变化情况分别如图7和下页图8所示。图7D=4时，适应度函数值收敛曲线·103·0103
（总第45-）任务编号拆卸时间任务编号拆卸时间A3L2B5M5.5C8N4D6O2E6P6F7.5Q2G7.5R6.5H8S2I7T4J6U2K4V2徐达，等：基于乌鸦搜索算法的装备并行拆卸任务规划卸任务2和1无论谁先拆卸，都不影响I1内部的流程关系，则I1经变异操作后产生的个体I赞1为53142，并记这种变异操作方式的函数表达式为：（14）式中，a和b为位置互换的两个拆卸任务。4.3CSA离散化处理至此，在建立交叉、变异操作函数的基础上，则当r1＞P时，式（8）的离散化处理方法为：（15）式中，B为阈值。当r1≤P时，式（9）的离散化处理方法为：（16）式（11）的离散化处理方法为：（17）至此，面向PDTP问题的CSA的迭代计算流程如图5所示。图5面向PDTP问题的CSA5应用实例以维修任务“某型装备动力舱吊舱”为例，该维修任务共包含22项拆卸任务，各拆卸任务的拆卸时间如表1所示。表1各拆卸任务的拆卸时间（单位：min）篇幅所限，本文不再给出流程关系矩阵S，仅给出维修任务的流程关系图，如图6所示。图6中虚线框1和2中的拆卸任务对于各自虚线框外的拆卸任务具有相同的流程关系，如拆卸任务A同虚线框1中所有的拆卸任务为串行拆卸关系。图6动力舱吊舱流程关系图由图6可以看出，拆卸任务间的并行拆卸关系较多，合理规划拆卸任务的空间较大。令D=4和5，J1为动态算子，a=J，b=K，N=10，M=100，P=0.1，fl=2，B=1。则CSA求取的适应度函数值变化情况分别如图7和下页图8所示。图7D=4时，适应度函数值收敛曲线·103·0103
【参考文献】：
期刊论文
[1]维修性试验验前信息融合方法[J]. 苗佳雨,闫鹏程,连光耀,张西山. 火力与指挥控制. 2017(08)
[2]面向多人同时作业的拆卸序列规划[J]. 蔡凯骏,张伟明,张梅军,季立,赵鸿飞. 计算机集成制造系统. 2016(12)
[3]基于花朵授粉算法的产品拆卸序列规划[J]. 焦庆龙,徐达,李闯. 计算机集成制造系统. 2016(12)
[4]支持复杂产品并行拆卸序列规划的遗传算法[J]. 张秀芬,蔚刚,王磊,萨日娜. 计算机辅助设计与图形学学报. 2015(07)
[5]基于萤火虫算法的装配序列规划研究[J]. 曾冰,李明富,张翼,马建华. 机械工程学报. 2013(11)
硕士论文
[1]基于改进人工蜂群算法的机电产品并行拆卸序列规划研究[D]. 张文胜.合肥工业大学 2017
[2]基于遗传算法的拆卸序列规划研究[D]. 韩建升.华中科技大学 2007
本文编号：3024395
【文章来源】：火力与指挥控制. 2020,45(01)北大核心
【文章页数】：5 页
【部分图文】：
图4个体交叉操作过程示意图
（总第45-）任务编号拆卸时间任务编号拆卸时间A3L2B5M5.5C8N4D6O2E6P6F7.5Q2G7.5R6.5H8S2I7T4J6U2K4V2徐达，等：基于乌鸦搜索算法的装备并行拆卸任务规划卸任务2和1无论谁先拆卸，都不影响I1内部的流程关系，则I1经变异操作后产生的个体I赞1为53142，并记这种变异操作方式的函数表达式为：（14）式中，a和b为位置互换的两个拆卸任务。4.3CSA离散化处理至此，在建立交叉、变异操作函数的基础上，则当r1＞P时，式（8）的离散化处理方法为：（15）式中，B为阈值。当r1≤P时，式（9）的离散化处理方法为：（16）式（11）的离散化处理方法为：（17）至此，面向PDTP问题的CSA的迭代计算流程如图5所示。图5面向PDTP问题的CSA5应用实例以维修任务“某型装备动力舱吊舱”为例，该维修任务共包含22项拆卸任务，各拆卸任务的拆卸时间如表1所示。表1各拆卸任务的拆卸时间（单位：min）篇幅所限，本文不再给出流程关系矩阵S，仅给出维修任务的流程关系图，如图6所示。图6中虚线框1和2中的拆卸任务对于各自虚线框外的拆卸任务具有相同的流程关系，如拆卸任务A同虚线框1中所有的拆卸任务为串行拆卸关系。图6动力舱吊舱流程关系图由图6可以看出，拆卸任务间的并行拆卸关系较多，合理规划拆卸任务的空间较大。令D=4和5，J1为动态算子，a=J，b=K，N=10，M=100，P=0.1，fl=2，B=1。则CSA求取的适应度函数值变化情况分别如图7和下页图8所示。图7D=4时，适应度函数值收敛曲线·103·0103
（总第45-）任务编号拆卸时间任务编号拆卸时间A3L2B5M5.5C8N4D6O2E6P6F7.5Q2G7.5R6.5H8S2I7T4J6U2K4V2徐达，等：基于乌鸦搜索算法的装备并行拆卸任务规划卸任务2和1无论谁先拆卸，都不影响I1内部的流程关系，则I1经变异操作后产生的个体I赞1为53142，并记这种变异操作方式的函数表达式为：（14）式中，a和b为位置互换的两个拆卸任务。4.3CSA离散化处理至此，在建立交叉、变异操作函数的基础上，则当r1＞P时，式（8）的离散化处理方法为：（15）式中，B为阈值。当r1≤P时，式（9）的离散化处理方法为：（16）式（11）的离散化处理方法为：（17）至此，面向PDTP问题的CSA的迭代计算流程如图5所示。图5面向PDTP问题的CSA5应用实例以维修任务“某型装备动力舱吊舱”为例，该维修任务共包含22项拆卸任务，各拆卸任务的拆卸时间如表1所示。表1各拆卸任务的拆卸时间（单位：min）篇幅所限，本文不再给出流程关系矩阵S，仅给出维修任务的流程关系图，如图6所示。图6中虚线框1和2中的拆卸任务对于各自虚线框外的拆卸任务具有相同的流程关系，如拆卸任务A同虚线框1中所有的拆卸任务为串行拆卸关系。图6动力舱吊舱流程关系图由图6可以看出，拆卸任务间的并行拆卸关系较多，合理规划拆卸任务的空间较大。令D=4和5，J1为动态算子，a=J，b=K，N=10，M=100，P=0.1，fl=2，B=1。则CSA求取的适应度函数值变化情况分别如图7和下页图8所示。图7D=4时，适应度函数值收敛曲线·103·0103
【参考文献】：
期刊论文
[1]维修性试验验前信息融合方法[J]. 苗佳雨,闫鹏程,连光耀,张西山. 火力与指挥控制. 2017(08)
[2]面向多人同时作业的拆卸序列规划[J]. 蔡凯骏,张伟明,张梅军,季立,赵鸿飞. 计算机集成制造系统. 2016(12)
[3]基于花朵授粉算法的产品拆卸序列规划[J]. 焦庆龙,徐达,李闯. 计算机集成制造系统. 2016(12)
[4]支持复杂产品并行拆卸序列规划的遗传算法[J]. 张秀芬,蔚刚,王磊,萨日娜. 计算机辅助设计与图形学学报. 2015(07)
[5]基于萤火虫算法的装配序列规划研究[J]. 曾冰,李明富,张翼,马建华. 机械工程学报. 2013(11)
硕士论文
[1]基于改进人工蜂群算法的机电产品并行拆卸序列规划研究[D]. 张文胜.合肥工业大学 2017
[2]基于遗传算法的拆卸序列规划研究[D]. 韩建升.华中科技大学 2007
本文编号：3024395
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3024395.html
