基于蚁群退火混合算法的机加车间设备布局优化研究
发布时间：2021-03-04 19:47
制造系统设备布局设计为IE研究领域中的重要研究内容之一。合理的系统布局设计不仅可以直接影响到到工厂的生产效率,而且与厂房的利用率、设备的使用寿命、生产活动的安全性,有着直接或者间接关系。其中最直接的影响是企业的成本。在我国,传统的设备布局有很大一部分以设计者的经验和直觉为主。该方式缺乏科学理论的分析与定量化的计算,直接导致布局成本高、生产周期长。因此制造系统设备布局是否合理是直接影响企业经济效益的关键性因素之一。在本文的研究中,首先对制造系统车间设备布局问题进行了详细的研究和分析。对制造系统车间设备布局问题等相关概念进行简要的概述。本文研究分析了多品种小批量生产车间物流复杂造成成本虚高的特点。在着重分析多行设施布局模型的优化目标以及约束条件的基础之上,建立了以物料搬运成本和设备位置重置成本最小化为优化目标的车间设备多行布局的混合整数规划数学模型,并将物流顺逆程度考虑在内,提出以ACO和SA算法为基础的改进的ACOSA算法设计。并给出了详细的算法设计以及求解步骤,并通过MATLAB进行算法实现。通过实例分析某机加车间,将该套理论应用到某机械加工厂一车间布局问题上,结合该车间布局现状,产品...
【文章来源】：沈阳工业大学辽宁省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
物流顺逆系数Fig.3.4Logisticscoefficients
23第4章基于ACOSA的车间设备布局算法设计4.1基本蚁群算法意大利学者DorigoM等人于1991年首先提出，基本蚁群算法（AntColonyOptimizationAlgorithm，ACO），ACO是一种模拟蚂蚁觅食行为的模拟优化算法。ACO首先使用在解决TSP问题上。在之后研究中，学者们陆续的又系统研究了蚁群算法的基本原理和数学模型，在近几年的应用研究中，蚊群算法被应用于图形着色问题、加工车间调度问题、二次分配问题、车辆路径问题等一系列NP-Hard问题[53-56]。科学家在研究中发现，蚂蚁视力较弱，几乎没有视力，却能够在黑暗的环境中找到食物，蚂蚁一旦找到了食物，就会有一大群蚂蚁出动搬运，不管地形多么复杂，食物距离多么遥远，蚂蚁几乎总能找到一条最优路线。那么它们是怎么做到的？研究发现蚂蚁觅食时每只蚂蚁刚开始都会随机的选择一条路线，并分泌信息素，也就是记号。随着若干只蚂蚁找到了食物，也留下了若干条搬运道路的信息。最后，短路径里的蚂蚁信息素总是比长路径上的信息素要多。因为路越短，相同时间段内蚂蚁的往返的次数就越高，信息留下的就越多，因此其他蚂蚁就会向信息素最多的最短的路径移动聚集。蚂蚁们不停重复这个过程，最终总能找到一条最优路径，如图4.1所示。图4.1蚂蚁寻找食物过程Fig.4.1Antssearchingfoodprocess基本蚁群算法包括两个部分：状态转移和信息素更新。（1）状态转移。状态转移公式[54]如下：(())(())(())(())()k,,,,0kikijsjijijjallowedPijij=其他（4.1）沈阳工业大学硕士学位论文
第4章基于ACOSA的车间设备布局算法设计274.2基本模拟退火算法模拟退火算法（Simulatedannealing,SA）是一种通用概率演算法，用来在一个大的搜寻空间内找问题的最优解。该算法模拟了金属锻烧退火的过程。在热力学上，退火过程指物体逐渐降温的物理过程。如下图4.5所示，左图物体处于非晶体状态。将物体加温至充分高（中图），再让其徐徐冷却，也就退火（右图）。加温时，物体内能增大，物体内部粒子随着温度升高变得活泼无序，而慢慢冷却冷却过程中粒子逐渐趋于有序，最后降温到常温时达到基态，内能变为最小（此时物体以晶体形态呈现）。缓缓的降温，能够使得物体内部粒子在每一温度时，能够有足够时间找到安顿位置，逐渐地，到最后达到基态，粒子达到最稳定状态。这就是退火过程[14、53]。图4.5物体降温过程Fig.4.5ObjectcoolingprocessSA包含两个部分即Metropolis准则和退火过程。（1）Metropolis准则[53]在陷入局部最优解的时候能够以一定的概率跳脱出来，这就是Metropolis准则，该准则是SA的基矗在1953年由Metropolis提出的重要性采样方法，即以概率的形式来接受新状态，抛弃完全确定规则，其特点及优点是计算量较低，能够在一定程度上简化运算过程。Metropolis准则常表示为：10exp0EPEEkT=（4.4）上式中，k为Boltzmann常数，由上式可知P和T正相关。当温度T越高，P就越大，反之，当温度越低，P就越校因为退火的过程是温度逐渐下降的过程，所以总是小于0，因此E/kT0，所以P的函数取值范围是（0,1）。随着温度T的降低，P会逐渐降低。将一次向较差解的转移的过程看做一次温度跳脱过程，以概率P来接受这样的转移过程。既在用SA求解组合优化问题时，目标函数值F就是E，温度T演化成控制参数t，即得到求解组
本文编号：3063807
【文章来源】：沈阳工业大学辽宁省
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
物流顺逆系数Fig.3.4Logisticscoefficients
23第4章基于ACOSA的车间设备布局算法设计4.1基本蚁群算法意大利学者DorigoM等人于1991年首先提出，基本蚁群算法（AntColonyOptimizationAlgorithm，ACO），ACO是一种模拟蚂蚁觅食行为的模拟优化算法。ACO首先使用在解决TSP问题上。在之后研究中，学者们陆续的又系统研究了蚁群算法的基本原理和数学模型，在近几年的应用研究中，蚊群算法被应用于图形着色问题、加工车间调度问题、二次分配问题、车辆路径问题等一系列NP-Hard问题[53-56]。科学家在研究中发现，蚂蚁视力较弱，几乎没有视力，却能够在黑暗的环境中找到食物，蚂蚁一旦找到了食物，就会有一大群蚂蚁出动搬运，不管地形多么复杂，食物距离多么遥远，蚂蚁几乎总能找到一条最优路线。那么它们是怎么做到的？研究发现蚂蚁觅食时每只蚂蚁刚开始都会随机的选择一条路线，并分泌信息素，也就是记号。随着若干只蚂蚁找到了食物，也留下了若干条搬运道路的信息。最后，短路径里的蚂蚁信息素总是比长路径上的信息素要多。因为路越短，相同时间段内蚂蚁的往返的次数就越高，信息留下的就越多，因此其他蚂蚁就会向信息素最多的最短的路径移动聚集。蚂蚁们不停重复这个过程，最终总能找到一条最优路径，如图4.1所示。图4.1蚂蚁寻找食物过程Fig.4.1Antssearchingfoodprocess基本蚁群算法包括两个部分：状态转移和信息素更新。（1）状态转移。状态转移公式[54]如下：(())(())(())(())()k,,,,0kikijsjijijjallowedPijij=其他（4.1）沈阳工业大学硕士学位论文
第4章基于ACOSA的车间设备布局算法设计274.2基本模拟退火算法模拟退火算法（Simulatedannealing,SA）是一种通用概率演算法，用来在一个大的搜寻空间内找问题的最优解。该算法模拟了金属锻烧退火的过程。在热力学上，退火过程指物体逐渐降温的物理过程。如下图4.5所示，左图物体处于非晶体状态。将物体加温至充分高（中图），再让其徐徐冷却，也就退火（右图）。加温时，物体内能增大，物体内部粒子随着温度升高变得活泼无序，而慢慢冷却冷却过程中粒子逐渐趋于有序，最后降温到常温时达到基态，内能变为最小（此时物体以晶体形态呈现）。缓缓的降温，能够使得物体内部粒子在每一温度时，能够有足够时间找到安顿位置，逐渐地，到最后达到基态，粒子达到最稳定状态。这就是退火过程[14、53]。图4.5物体降温过程Fig.4.5ObjectcoolingprocessSA包含两个部分即Metropolis准则和退火过程。（1）Metropolis准则[53]在陷入局部最优解的时候能够以一定的概率跳脱出来，这就是Metropolis准则，该准则是SA的基矗在1953年由Metropolis提出的重要性采样方法，即以概率的形式来接受新状态，抛弃完全确定规则，其特点及优点是计算量较低，能够在一定程度上简化运算过程。Metropolis准则常表示为：10exp0EPEEkT=（4.4）上式中，k为Boltzmann常数，由上式可知P和T正相关。当温度T越高，P就越大，反之，当温度越低，P就越校因为退火的过程是温度逐渐下降的过程，所以总是小于0，因此E/kT0，所以P的函数取值范围是（0,1）。随着温度T的降低，P会逐渐降低。将一次向较差解的转移的过程看做一次温度跳脱过程，以概率P来接受这样的转移过程。既在用SA求解组合优化问题时，目标函数值F就是E，温度T演化成控制参数t，即得到求解组
本文编号：3063807
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3063807.html
