一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法
【專利摘要】本發(fā)明公開了一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法。首先建立模糊時間調(diào)度拆卸過程模型，推導(dǎo)模糊邊界和可拆卸約束條件。然后對所有零件在工位上的拆卸順序和每道拆卸工序的工位序號進行混合編碼，最后，采用改進遺傳算法來優(yōu)化，得到最小的時間和成本。本發(fā)明解決了模糊時間下復(fù)雜裝備并行拆卸路徑生成和拆卸工位調(diào)度優(yōu)化問題，縮短了拆卸過程時間并降低拆卸成本，提高了生產(chǎn)效率，并在優(yōu)化求解中引入高斯函數(shù)提高變異操作質(zhì)量，加快了收斂速度，得到了更優(yōu)的結(jié)果。
【專利說明】
一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及機械工程領(lǐng)域、計算機應(yīng)用技術(shù)領(lǐng)域。更具體地，涉及一種基于混合模 糊模型的并行調(diào)度拆卸路徑生成方法。
【背景技術(shù)】
[0002] 隨著環(huán)境保護需求的矛盾在生產(chǎn)生活中日益凸顯，產(chǎn)品的拆卸、回收和重用成為 我們面臨的一個重要課題。因為維修、檢測以及回收再利用的需要，產(chǎn)品在生命周期內(nèi)不可 避免的面臨拆卸問題。復(fù)雜產(chǎn)品所含零部件數(shù)量多，裝配關(guān)系也較為多樣化和復(fù)雜化，往往 需要多個工位以及大量人力的協(xié)同配合作業(yè)，因此，并行拆卸能夠提高拆卸加工效率，優(yōu)化 資源配置。
[0003] 目前，很多國內(nèi)外學(xué)者在這方面進行了深入的研究。Li et al.等提出了一種面向 維修的智能拆卸路徑規(guī)劃方法，通過拆卸約束圖，可以推理出所有帶拆卸零部件可能的拆 卸操作，并通過遺傳算法得到所有拆卸操作組合的順序;Ayyuce Aydemir-Karadag等解決 了具有并行工位的拆卸線平衡多目標(biāo)優(yōu)化問題，提出了一種新的遺傳算法求解該多目標(biāo)優(yōu) 化問題，將拆卸流水線平衡和設(shè)計成本通過運用AND/OR圖同時進行優(yōu)化;Jeremy L.Rickli 等提出了一種遺傳算法解決基于拆卸成本、回收再處理成本、收益和環(huán)境影響的局部拆卸 路徑優(yōu)化問題。在國內(nèi)，劉檢華等（申請?zhí)?01310173004.5)提出了一種選擇拆卸路徑規(guī)劃 方法及裝置，用于解決現(xiàn)有技術(shù)中對選擇拆卸路徑規(guī)劃方法存在自動化程度不高和通用性 差的問題;曹巖等（申請?zhí)?01310671532.3)提出了一種基于人工神經(jīng)網(wǎng)絡(luò)和虛擬裝配的裝 配時間評價方法，旨在解決產(chǎn)品裝配周期長、成本高，而且效果還差的問題。宋守許等提出 了一種基于約束滿足問題的產(chǎn)品拆卸路徑規(guī)劃，給出了基于約束滿足問題的產(chǎn)品拆卸路徑 規(guī)劃求解流程和算法;張秀芬等提出了一種基于模糊粗糙集的并行拆卸路徑規(guī)劃方法，建 立并行拆卸模糊粗糙集映射模型生成最佳路徑。
[0004] 綜上所述，現(xiàn)在國內(nèi)外對于拆卸路徑的研究主要集中在拆卸路徑生成方法及其優(yōu) 化算法方面。但是現(xiàn)有的研究鮮有將并行拆卸工位調(diào)度與拆卸路徑生成進行混合編碼求 解，因此容易造成算法求解中僅得到局部最優(yōu)的情況。而且關(guān)于不確定的研究多集中于產(chǎn) 品拆卸質(zhì)量狀態(tài)和廣品拆卸能力的不確定，或者是不確定的規(guī)劃路徑，鮮有研究每道拆卸 工序加工時間的不確定，即時間的模糊性，因此容易造成最終結(jié)果的偏差。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于提供了一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法， 旨在解決實際情況下，拆卸加工過程受到多種不確定性因素的影響，每一道拆卸工序的加 工時間在一定的范圍內(nèi)波動而不是精確數(shù)值以及復(fù)雜機械裝備在實際拆卸過程中通常在 多個工位上協(xié)同進行即是并行拆卸的問題。
[0006] 本發(fā)明實施例是米用技術(shù)方案是：
[0007] 步驟一，對于一個包括L個組件的產(chǎn)品，以組件為單位進行拆卸，具體是要將組件 拆分為零部件，組件通過不同的工序在不同的工位上依次完成拆卸，每個工位對應(yīng)于多道 工序，拆卸工序中的模糊完成時間和模糊拆卸成本采用三角模糊函數(shù)集合表示計算，并進 行歸一化處理；
[0008] 所述步驟一種，采用三角模糊函數(shù)集合表示拆卸工序的模糊完成時間和模糊拆卸成 本。任意兩個三角模糊函數(shù)的基本運算法則定義如下:如果βΜ，β|Ι)，/；=(&., 是兩個三角模糊模糊函數(shù)，其中aL, aM, aH, bL, bM, tm均為量值，這、《分別表不由aL, aM, aH,和 bL,bM，bH構(gòu)成的矩陣：
[0009] 加法運算十6 = (? +4,? +l\f，aH +6h);
[0010] 減法運算：5=(氣-\，??Η -):，
[0011] 乘法運算:石 ? <5 = (? a，~· tk 乂
[0012] 除法運算:??/? = /\，/?，/?):
[0013] 三角模糊函數(shù)茂的倒數(shù)運算：1詔=(l/< 1/?, 1/?L);
[0014] 取大運算:5 V 6 = (4 V αΜ V \,，??Η V
[0015] 取小運算:?? λ 5 =(氣 λ aM a 1?, αΗ. Λly.
[0016] 比較運算:將??=(?/?_， αΜ, %ι)和= (bL，bM，bH)定義比較運算，如表1所示：
[0017] 表1比較運算準(zhǔn)則
[0018]
[0019] 其中，aL和bi^_E.和I^的下限，aM和bM是S和S,的均值，aH和tm是Sand.4的上限，>、< 分別為模糊函數(shù)中的大于和小于符號。
[0020]本發(fā)明由此形成獲得以下參數(shù)的模型：
[0021 ] 組件集合AP:AP={api…api…apd，L表示組件的總數(shù)，i表示組件的序數(shù)；
[0022] 產(chǎn)品工序集合0P:0P= {ορι…opi…〇pl};
[0023]第i個組件的工序集合opi:opi= {opi,i …opi,j …opi,w(i)};
[0024] 工位集合ST:ST= {sti …stk …stN};
[0025] 第K個工位上的工序集合S0P:S0k={s〇k,i…s〇k,h…s〇k,NU(k)}，NU(k)表示每個 工位完成工序個數(shù)的函數(shù)；
[0026] 上述參數(shù)具體如表2所示：
[0027] 表2模糊時間調(diào)度拆卸過程模型參數(shù)
[0028]
[0029] 本發(fā)明構(gòu)建模糊時間調(diào)度拆卸過程模型的目的是平衡拆卸時間和拆卸成本。
[0030] 因為時間不能用三角模糊函數(shù)精確的表示，從歷史記錄上，根據(jù)拆卸工序的最長 時間、平均時間、最短時間來分配上限，中間值以及下限，因此本發(fā)明作出模糊時間調(diào)度拆 卸過程模型構(gòu)建了以下四個前提條件。
[0031 ]表3模糊時間調(diào)度拆卸過程模型構(gòu)建的四個前提條件
[0032]
[0033] 步驟二：以步驟一獲得的所有組件的模糊完成時間和模糊拆卸成本作為優(yōu)化目標(biāo) 值，為了提高模型計算效率，對歸一化后的模糊完成時間和模糊拆卸成本進行加權(quán)求和，建 立模糊時間調(diào)度拆卸過程模型，并通過模糊物元矩陣求解獲得加權(quán)的權(quán)值；
[0034] 步驟三，由模糊時間調(diào)度拆卸過程模型生成各條模糊時間拆卸路徑，采用遺傳算 法優(yōu)化求解獲得最優(yōu)化拆卸路徑和最短拆卸時間、最小拆卸成本，完成對并行調(diào)度拆卸路 徑生成。
[0035] 所述的模糊時間調(diào)度拆卸過程模型中，每個工位在同一時間只能作業(yè)一個組件的 一道拆卸工序而且每一個組件的每一道拆卸工序不能中斷，工位之間和工序之間均相互獨 立，不同工序沒有優(yōu)先級排序。且本發(fā)明對于設(shè)置工位的時間和移動零件的時間忽略不計。
[0036] 并行拆卸過程中，所述步驟一中，拆卸工序中的總模糊完成時間T和總模糊拆卸成 本C分別采用以下公式表示：
[0037]
[0038]
[0039] 其中，f = t(stk，s〇k,h)表示第k個工位上第h道工序的模糊完成時間函數(shù)，g = c (stk，s〇k,h)表示第k個工位上第h道工序的模糊拆卸成本函數(shù)，k表示工位的序號，N表示工 位的總數(shù)，h表示工序的序號，NU(k)表示第k個工位上的工序總數(shù)的函數(shù)，stk表示第k個工 位，s〇k, h表示第k個工位上的第h道工序；
[0040] 因為時間和成本表達量級上存在較大的差異，再采用線性歸一化函數(shù)，對于每個 模糊完成時間和每個模糊拆卸成本均采用以下公式進行統(tǒng)一歸一化處理：
[0041]
[0042] 其中，X表示歸一化后的值，Xmin表示所有模糊完成時間或者模糊拆卸成本的最小 值，Xmin表示所有模糊完成時間或者模糊拆卸成本的最大值。
[0043] 所述模糊時間調(diào)度拆卸過程模型采用以下公式表示：
[0044]
[0045]
[0046] 其中，W(i)表示第i個組件完全拆卸需要完成的工序個數(shù)，i表述組件的序號，f和ε 分別代表模糊完成時間和模糊拆卸成本的權(quán)重。
[0047] 所述模糊時間調(diào)度拆卸過程模型中的模糊完成時間權(quán)重貨和模糊拆卸成本權(quán)重ε 采用以下方式的模糊物元矩陣進行求解：
[0048] a)建立擁有1個樣本、兩項評價指標(biāo)的復(fù)合模糊物元矩陣辦,2:
[0049]
[0050] 其中，Ti表示第1個組件完全拆卸需要的模糊時間，&表述第1個組件完全拆卸需要 的模糊拆卸成本；
[0051] b)采用越小越優(yōu)的變換模式，引入從優(yōu)方式將復(fù)合模糊物元矩陣變換為隸屬度矩 陣，其變換公式為：
[0052]
[0053]其中，表示第j個組件的第i項評價指標(biāo)的從優(yōu)隸屬度，Aw表示第j個組件的第 i項評價指標(biāo)的量值；
[0054] c)得到關(guān)聯(lián)系數(shù)矩陣取作為隸屬度矩陣^為：
[0055]
[0056] 其中，瓦;表示隸屬度矩陣，取為關(guān)聯(lián)系數(shù)矩陣，μ1;1為第1個組件的第一項評價指標(biāo) 的從優(yōu)隸屬度，μι, 2表示第1個組件的第二項評價指標(biāo)的從優(yōu)隸屬度；
[0057] 以1表示每個評價指標(biāo)的權(quán)重復(fù)合物元，以Rk表示由兩個關(guān)聯(lián)度組成的關(guān)聯(lián)度復(fù) 合模糊物元，并采用以下公式加權(quán)平均集中處理：
[0058] Rk = Rw0^
[0059] 其中，每個評價指標(biāo)的權(quán)重復(fù)合物元Rw表示為1=(1: JshWi代表第一項評價指標(biāo) 即模糊拆卸時間的權(quán)重復(fù)合物元，W2代表第二項評價指標(biāo)即模糊拆卸成本的權(quán)重復(fù)合物 元，θ表示運算符，則獲得兩個關(guān)聯(lián)度組成的關(guān)聯(lián)度復(fù)合模糊物元Rk:
[0060]
[0061] 其中，1^、1(2分別表示關(guān)聯(lián)度值；
[0062] 將上述求出的關(guān)聯(lián)度值進行排序，采用以下公式從兩個關(guān)聯(lián)度值即仏、1(2中找出關(guān) 聯(lián)度值的最大值K'
[0063] K*=max(KiK2)
[0064] 根據(jù)關(guān)聯(lián)度值心、1(2采用以下公式計算獲得模型的完成時間權(quán)重f和拆卸成本權(quán) 重ε :
[0065]
[0066] 最終形成的模糊時間調(diào)度拆卸過程模型表達為：[0067] 當(dāng) Ki^K2，
[0068]
[0069]
[0070]
[0071]
[0072]所述步驟三具體是以單個工位或單道工序的編碼信息作為一個基因，以單條并行 調(diào)度拆卸路徑作為染色體，形成以通過模糊時間調(diào)度拆卸過程模型生成的所有并行調(diào)度拆 卸路徑作為的種群，采用以下步驟進行具體處理：
[0073] 1)由已獲得的拆卸需求下的工序和工位混合編碼作為并行調(diào)度拆卸路徑，混合編 碼的前半段表示所有待拆卸組件的工序信息，后半段表示與前半段每一道工序基因?qū)?yīng)的 工位信息；
[0074] 2)根據(jù)優(yōu)化目標(biāo)建立適應(yīng)度函數(shù)，對適應(yīng)度賦初值；
[0075] 3)對種群進行選擇操作、交叉操作和變異操作，得到最優(yōu)化拆卸路徑和最短模糊 拆卸時間、最小模糊拆卸成本。
[0076]所述步驟2)適應(yīng)度值函數(shù)為：
[0077]
[0078] 其中，切和ε分別代表模糊完成時間和模糊拆卸成本的權(quán)重，η和m分別代表組件的 總數(shù)和工序的總數(shù)，t代表時間，c代表成本，代表第i個組件的第j道工序完成拆卸的模 糊拆卸時間，Ci,j代表第i個組件的第j道工序的模糊拆卸成本。
[0079] 適應(yīng)度值是算法選擇子代個體的評判標(biāo)準(zhǔn)。通常情況下，所有拆卸加工工序的總 的完成時間可以直接計算得到精確值，記為fitness = q/ZT，ZT指所有零部件的拆卸完成時 間，適應(yīng)度值值越小，說明該染色體越好。但是實際生產(chǎn)中往往時間不是唯一的考慮因素， 成本會在方案決策中發(fā)揮重要的影響。所以本發(fā)明方法中，考慮實際情況，將成本引入到拆 卸路徑生成的選優(yōu)過程中，在適應(yīng)度值公式f itness = q/ZT中加入拆卸成本，ZT指所有組件 拆卸的完成時間。
[0080] 所述步驟3)中種群進行選擇操作是采用輪盤賭方法依次選擇適應(yīng)度較好的并行 調(diào)度拆卸路徑到下一代的群體中直到計算序數(shù)達到迭代次數(shù)閾值，每個并行調(diào)度拆卸路徑 被選中的概率pi (i)為：
[0081]
[0082] 其中，？；[1：11688(；0 = 1/；1^1：11688(；0，；[表述組件的序號，11表示組件的個數(shù)11， Fitness (i)表示適應(yīng)度值f itness (i)的倒數(shù)，f itness (i)表示第i個組件的適應(yīng)度值；
[0083] 所述步驟3)中種群進行交叉操作具體是采用整數(shù)交叉法，從種群中隨機選擇兩條 并行調(diào)度拆卸路徑，選取兩條并行調(diào)度拆卸路徑各自的前1^=1 位，k表示拆卸路徑中 組件的總個數(shù)，i表示第i個拆卸組件，m表示組件，i e (1，2，…，k)，!1^表示拆卸工序；
[0084] 然后隨機選擇交叉位置進行交叉，再對并行調(diào)度拆卸路徑中的工序或者工位的編 碼進行調(diào)整:兩條并行調(diào)度拆卸路徑中遇到工序或者工位的編碼相互重復(fù)冗余處，則該處 的編碼調(diào)整為交叉前的編碼。
[0085] 因為本發(fā)明采用的并行調(diào)度拆卸路徑作為染色體，其編碼形式為整數(shù)，所以采用 整數(shù)交叉法。
[0086] 所述種群進行變異操作包括:首先利用變異算子從所有并行調(diào)度拆卸路徑中隨機 選取已變異的并行調(diào)度拆卸路徑:對于前半段編碼，將其中變異位置的工序編碼與該工序 對應(yīng)的工位編碼進行反轉(zhuǎn)處理;對于后半段編碼，隨機選擇兩個變異位置，第一個變異位置 的工位編碼通過基于高斯分布的變異方法進行高斯變異，第二個變異位置的工位編碼為滿 足模型約束條件而進行補全變化量。
[0087] 第一個變異位置的工位編碼進行高斯變異具體是：
[0088] 采用以下公式表示的高斯分布的概率密度函數(shù)：
[0089]
[0090] 其中，σ為高斯分布的方差，μ為期望值，X表示。。表示。。。，
[0091]高斯變異時父代個體向子代個體變異采用以下公式：
[0092] yl=yt~[yk>iN(s，a)]
[0093] 式中，表示第k個工位編碼的子代(變異后），yk表示第k個工位編碼的父代(變異 前），Ν(μ，〇)表示期望值為μ、方差為〇的高斯高斯變量，U表示向下取整的運算符，為了取得 最理想的效果，期望值取μ = 〇,方差σ隨高斯變異的迭代次數(shù)變化s(t)為：
[0094] ：σ(/) = 1-〇.9χ^
[0095] 其中，g為當(dāng)代遺傳代數(shù)，G為總遺傳代數(shù)，t表示迭代次數(shù)。
[0096] 本發(fā)明的并行調(diào)度指的是在多工位上同時進行工序作業(yè)，完成產(chǎn)品組件的拆卸， 提尚拆卸效率。
[0097]本發(fā)明的有益效果是：
[0098]本發(fā)明引入模糊數(shù)學(xué)理論，用三角模糊數(shù)而不是使用精確的數(shù)值表示每一零部件 在某一工位上的拆卸時間。
[0099] 本發(fā)明的并行拆卸路徑規(guī)劃縮短了拆卸過程時間并降低拆卸成本，提高了生產(chǎn)效 率。在優(yōu)化求解過程中，對遺傳算法進行改進，引入高斯函數(shù)提高變異操作質(zhì)量，以加快算 法的收斂速度并得到更優(yōu)的結(jié)果。
【附圖說明】
[0100] 圖1是實施例1種群進行交叉和變異的例子。
[0101 ]圖2是實施例2液壓機爆炸圖及主要部件。
[0102] 圖中：1.立柱;2.上橫梁;3.油缸;4.沖壓滑塊;5.壓邊滑塊;6.工作臺；7.下橫梁。
[0103] 圖3是實施例2在不同初始突變概率下，算法在迭代150次后的結(jié)果，其中（a部分） 初始突變概率為〇. 6，（b部分)初始突變概率為0.3，（c部分)初始突變概率為0.1。
[0104] 圖4是實施例2的七個部件在9個工位下并行拆卸的模糊時間分配。
[0105] 圖5是實施例2的七個部件在9個工位下最佳并行拆卸路徑的成本。
[0106] 圖6是本發(fā)明和快速增長隨機數(shù)算法的變化趨勢，其中圖6(a)、6(c)和6(e)為使用 本方法的結(jié)果，圖6(b)、6(d)和6(f)為使用快速增長隨機數(shù)算法的結(jié)果。
【具體實施方式】
[0107] 下面結(jié)合附圖和實施例對本發(fā)明作進一步說明。
[0108] 本發(fā)明首先建立模糊時間調(diào)度拆卸過程模型，推導(dǎo)模糊邊界和可拆卸約束條件。 然后對所有零件在工位上的拆卸順序和每道拆卸工序的工位序號進行混合編碼，最后，采 用改進遺傳算法來優(yōu)化，得到最小的時間和成本。
[0109] 本發(fā)明的實施例如下：
[0110] 實施例1
[0111] 實施例1是對于步驟三的具體實施例：
[0112] 1)拆卸需求下的工序和工位混合編碼
[0113] 對于拆卸的工序和工位的混合編碼舉例來說，比如某個體的編碼為：1，3，4，2，4， 1，3,2，1，4，1，2|2,5,3,3，1，4,2,5,4,2，1，5,其工序及工位信息如表4所示，其中包含了 4個 零部件和5個工位。零部件和工位之間的對應(yīng)關(guān)系表于表5所示：
[0114]表4某混合編碼個體工序及工位信息分解表
[0115]
[0116] 表5零部件和工位之間的對應(yīng)關(guān)系
[0117]
[0118] 2)根據(jù)優(yōu)化目標(biāo)建立適應(yīng)度函數(shù)，對適應(yīng)度賦初值；
[0119] 3)對種群進行選擇操作、交叉操作和變異操作。
[0120] 種群選擇
[0121] 采用輪盤賭方法選擇適應(yīng)度較好的染色體到下一代的群體中。由此，適應(yīng)度值越 大的個體被選中的概率越高，以此保證了進化始終朝著結(jié)果最優(yōu)化的方向。
[0122]種群交叉
[0123] 例如，圖1一條染色體與極值進行交叉操作，選取交叉位置為6。
[0124] 交叉后進行調(diào)整，交叉后的個體的信息可能會出現(xiàn)重復(fù)或者殘缺，某些零部件的 供需可能會出現(xiàn)缺失（如例子中的零部件3,4)，某些零部件的工序會出現(xiàn)冗余（如零部件 1)。按照交叉前的工位，方法中將缺失的信息添加到個體后半段基因。
[0125] 種群變異
[0126] 變異算子首先從種群中隨機選取變異個體，個體前半段編碼采用選擇變異位置 posl和pos2,例如分別取2和7,把個體中posl和pos2的拆卸工序以及對應(yīng)的工位序號進行 反轉(zhuǎn)。
[0127] 對于個體后半段編碼，引入基于高斯分布的變異方法，對于隨機選擇的兩個變異 位置p〇s3和pos4,將第一個位置的基因進行高斯變異，第二個位置為滿足模型約束條件而 補全變化量。例如某個體變異位 ?〇81 = 2，卩〇82 = 7，卩〇83 = 3，和卩〇84 = 7，總遺傳代數(shù)為10， 當(dāng)前遺傳代數(shù)為8，結(jié)果如圖1所示。
[0128] 例如圖1中，對于第二個變異位置的工位編碼進行補全變化量具體為:個體變異位 置為3和7，總遺傳代數(shù)為10，當(dāng)前遺傳代數(shù)為8，則有σ = 〇. 28。則有pos3變異后基因為4，由 于P〇s3變異后個體后半段基因缺少了工位5,不滿足約束條件，所以位置7的基因變異為5， 則變異過程和結(jié)果為：
[0129]
[0130]從而得到最優(yōu)化拆卸路徑和最短拆卸時間、最小拆卸成本。
[0131] 實施例2
[0132] 實施例2具體結(jié)合某型號液壓機拆卸過程進行實施例的具體說明，具體步驟如下：
[0133] 步驟一，將某型號液壓機拆卸過程進行總結(jié)。液壓機爆炸圖如圖2,該型號液壓機 共包含7主要結(jié)構(gòu)部件1.立柱;2.上橫梁;3.油缸;4.沖壓滑塊;5.壓邊滑塊;6.工作臺；7.下 橫梁。所有拆卸工序在10個可選工位上完成，每個零部件的拆卸工序小于等于6道。
[0134] 步驟二，根據(jù)某拆卸車間歷史數(shù)據(jù)，給定所有零部件拆卸工序?qū)?yīng)可選工位表，如 表6所示：
[0135] 表6每個工序?qū)?yīng)可選工位
[0136]
[0137] 步驟三，根據(jù)拆卸車間歷史數(shù)據(jù)，給定工序在對應(yīng)工位上拆卸時間的三角模糊數(shù) 集，如表7所示：
[0138] 表7工序在對應(yīng)工位上拆卸時間的三角模糊數(shù)集
[0139]
[0140] 步驟四，根據(jù)拆卸車間歷史數(shù)據(jù)，每個工序需要花費的成本，如表8所示：
[0141] 表8每個工序的成本
[0142]
[0143] 步驟五，基于遺傳算法的模糊時間拆卸路徑優(yōu)化求解。
[0144] 算法的基本參數(shù)為:種群數(shù)目為40，交叉概率設(shè)定為0.8，變異概率設(shè)定為0.6，代 溝值為0.9。圖3a到3c顯示此方法在最初的變異概率是0.6，0.3和0.1的時候迭代150次后的 結(jié)果。圖4和5表示了在迭代次數(shù)為50次的時候所得到的最佳拆卸路徑。
[0145] 實施例2結(jié)果：
[0146] 本發(fā)明方法中實施例與快速增長隨機樹算法在采用相同的原始數(shù)據(jù)輸入，在分別 迭代50、100和150次得到的運行結(jié)果和運行時間的結(jié)果比較如表格9所示。
[0147] 表9算法結(jié)果之間的比較
[0148]
[0149] 從表9可看出，本發(fā)明方法中得到的最優(yōu)解均優(yōu)于快速搜索隨機數(shù)算法的解，并且 運行時間短語快速搜索隨機數(shù)算法。本發(fā)明與常規(guī)快速增長隨機數(shù)算法的比較如圖6(a)~ 圖6 (f)所示，圖中可見本發(fā)明算法具有更快的收斂速度。
【主權(quán)項】
1. 一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法，其特征在于包括W下步驟： 步驟一，對于一個包括L個組件的產(chǎn)品，W組件為單位進行拆卸，組件通過不同的工序 在不同的工位上依次完成拆卸，拆卸工序中的模糊完成時間和模糊拆卸成本采用Ξ角模糊 函數(shù)集合表示計算，并進行歸一化處理； 步驟二步驟一獲得的所有組件的模糊完成時間和模糊拆卸成本作為優(yōu)化目標(biāo)值， 對歸一化后的模糊完成時間和模糊拆卸成本進行加權(quán)求和，建立模糊時間調(diào)度拆卸過程模 型，并通過模糊物元矩陣求解獲得加權(quán)的權(quán)值； 步驟Ξ，由模糊時間調(diào)度拆卸過程模型生成各條模糊時間拆卸路徑，采用遺傳算法優(yōu) 化求解獲得最優(yōu)化拆卸路徑和最短拆卸時間、最小拆卸成本，完成對并行調(diào)度拆卸路徑生 成。2. 根據(jù)權(quán)利要求1所述的一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法，其特 征在于:所述的模糊時間調(diào)度拆卸過程模型中，每個工位在同一時間只能作業(yè)一個組件的 一道拆卸工序而且每一個組件的每一道拆卸工序不能中斷，工位之間和工序之間均相互獨 立，不同工序沒有優(yōu)先級排序。3. 根據(jù)權(quán)利要求1所述的一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法，其特 征在于:所述步驟一中，拆卸工序中的總模糊完成時間T和總模糊拆卸成本C分別采用W下 公式表示：其中，f = t(stk，s〇k,h)表示第k個工位上第h道工序的模糊完成時間函數(shù)，g = c(stk， sok.h)表示第k個工位上第h道工序的模糊拆卸成本函數(shù)，k表示工位的序號，N表示工位的總 數(shù)，h表示工序的序號，NU(k)表示第k個工位上的工序總數(shù)的函數(shù)，stk表示第k個工位，sok.h 表示第k個工位上的第h道工序； 對于每個模糊完成時間和每個模糊拆卸成本均采用W下公式進行統(tǒng)一歸一化處理：其中，X表示歸一化后的值，Xmin表示所有模糊完成時間或者模糊拆卸成本的最小值， Xmin表示所有模糊完成時間或者模糊拆卸成本的最大值。4. 根據(jù)權(quán)利要求1所述的一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法，其特 征在于:所述模糊時間調(diào)度拆卸過程模型采用W下公式表示：其中，W(i)表示第i個組件完全拆卸需要完成的工序個數(shù)，i表述組件的序號，f和ε分別 代表模糊完成時間和模糊拆卸成本的權(quán)重。5.根據(jù)權(quán)利要求4所述的一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法，其特 征在于:所述模糊時間調(diào)度拆卸過程模型中的模糊完成時間權(quán)重??和模糊拆卸成本權(quán)重ε采 用W下方式的模糊物元矩陣進行求解： a) 建立擁有1個樣本、兩項評價指標(biāo)的復(fù)合模糊物元矩陣化,2:其中，Τι表示第1個組件完全拆卸需要的模糊時間，Cl表述第1個組件完全拆卸需要的模 糊拆卸成本； b) 引入從優(yōu)方式將復(fù)合模糊物元矩陣變換為隸屬度矩陣，其變換公式為：其中，表示第j個組件的第i項評價指標(biāo)的從優(yōu)隸屬度，Ay表示第j個組件的第i項 評價指標(biāo)的量值； C)得到關(guān)聯(lián)系數(shù)矩陣化作為隸屬度矩陣^為：其中，馬；表示隸屬度矩陣，化為關(guān)聯(lián)系數(shù)矩陣，μι,1為第1個組件的第一項評價指標(biāo)的從 優(yōu)隸屬度，μι, 2表示第1個組件的第二項評價指標(biāo)的從優(yōu)隸屬度； WRw表示每個評價指標(biāo)的權(quán)重復(fù)合物元，WRk表示由兩個關(guān)聯(lián)度組成的關(guān)聯(lián)度復(fù)合模 糊物元，并采用W下公式加權(quán)平均集中處理： 化=Rw曰化 其中，每個評價指標(biāo)的權(quán)重復(fù)合物元Rw表示為Rw=(Wi，W2)，Wl代表第一項評價指標(biāo)即模 糊拆卸時間的權(quán)重復(fù)合物元，W2代表第二項評價指標(biāo)即模糊拆卸成本的權(quán)重復(fù)合物元，〇 表示運算符，則獲得兩個關(guān)聯(lián)度組成的關(guān)聯(lián)度復(fù)合模糊物元化：其中，Κι、Κ2分別表示關(guān)聯(lián)度值； 將上述求出的關(guān)聯(lián)度值進行排序，采用W下公式從兩個關(guān)聯(lián)度值即Κι、Κ2中找出關(guān)聯(lián)度 值的最大值 K*=max 化化 2) 根據(jù)關(guān)聯(lián)度值Κι、Κ2采用W下公式計算獲得模型的完成時間權(quán)重f和拆卸成本權(quán)重ε:6. 根據(jù)權(quán)利要求1所述的一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法，其特 征在于:所述步驟Ξ具體是W單個工位或單道工序的編碼信息作為一個基因，W單條并行 調(diào)度拆卸路徑作為染色體，形成W通過模糊時間調(diào)度拆卸過程模型生成的所有并行調(diào)度拆 卸路徑作為的種群，采用W下步驟進行具體處理： 1) 由已獲得的拆卸需求下的工序和工位混合編碼作為并行調(diào)度拆卸路徑，混合編碼的 前半段表示所有待拆卸組件的工序信息，后半段表示與前半段每一道工序基因?qū)?yīng)的工位 ?目息； 2) 根據(jù)優(yōu)化目標(biāo)建立適應(yīng)度函數(shù)，對適應(yīng)度賦初值； 3) 對種群進行選擇操作、交叉操作和變異操作，得到最優(yōu)化拆卸路徑和最短模糊拆卸 時間、最小模糊拆卸成本。7. 根據(jù)權(quán)利要求6所述的一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法，其特 征在于:所述步驟2)適應(yīng)度值函數(shù)為：其中，資和ε分別代表模糊完成時間和模糊拆卸成本的權(quán)重，η和m分別代表組件的總數(shù) 和工序的總數(shù)，t代表時間，C代表成本，ti,j代表第i個組件的第j道工序完成拆卸的模糊拆 卸時間，Ci,j代表第i個組件的第j道工序的模糊拆卸成本。8. 根據(jù)權(quán)利要求6所述的一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法，其特 征在于:所述步驟3)中種群進行選擇操作是采用輪盤賭方法依次選擇并行調(diào)度拆卸路徑到 下一代的群體中直到計算序數(shù)達到迭代次數(shù)闊值，每個并行調(diào)度拆卸路徑被選中的概率pi ω為;其中，F(xiàn)itness(i) = l/fitness(i)，i表述組件的序號，η表示組件的個數(shù)n，F(xiàn)itness(i) 表示適應(yīng)度值f itness (i)的倒數(shù)，f itness (i)表示第i個組件的適應(yīng)度值。9. 根據(jù)權(quán)利要求6所述的一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法，其特 征在于:所述步驟3)中種群進行交叉操作具體是采用整數(shù)交叉法，從種群中隨機選擇兩條 并行調(diào)度拆卸路徑，選取兩條并行調(diào)度拆卸路徑各自的前位，k表示拆卸路徑中 組件的總個數(shù)，i表示第i個拆卸組件，m表示組件，i e (1,2，···，k)，mj表示拆卸工序； 然后隨機選擇交叉位置進行交叉，再對并行調(diào)度拆卸路徑中的工序或者工位的編碼進 行調(diào)整:兩條并行調(diào)度拆卸路徑中遇到工序或者工位的編碼相互重復(fù)冗余處，則該處的編 碼調(diào)整為交叉前的編碼。10.根據(jù)權(quán)利要求6所述的一種基于混合模糊模型的并行調(diào)度拆卸路徑生成方法，其特 征在于:所述種群進行變異操作包括： 首先利用變異算子從所有并行調(diào)度拆卸路徑中隨機選取已變異的并行調(diào)度拆卸路徑： 對于前半段編碼，將其中變異位置的工序編碼與該工序?qū)?yīng)的工位編碼進行反轉(zhuǎn)處理； 對于后半段編碼，隨機選擇兩個變異位置，第一個變異位置的工位編碼通過基于高斯 分布的變異方法進行高斯變異，第二個變異位置的工位編碼進行補全變化量： 高斯變異采用W下公式表示的高斯分布的概率密度函數(shù)：其中，σ為高斯分布的方差，μ為期望值，X表示。。。，e表示。。。， 高斯變異時父代個體向子代個體變異采用W下公式： 乂 =乃--LAxW(Ai，CT)_ 式中，/k表示第k個工位編碼的子代(變異后），yk表示第k個工位編碼的父代(變異前）， Ν(μ，〇)表示期望值為μ、方差為0的高斯高斯變量，U表示向下取整的運算符，期望值取μ = 0,方差σ隨高斯變異的迭代次數(shù)變化〇(t)為：其中，g為當(dāng)代遺傳代數(shù)，G為總遺傳代數(shù)，t表示迭代次數(shù)。
【文檔編號】G06F17/50GK105975701SQ201610307304
【公開日】2016年9月28日
【申請日】2016年5月10日
【發(fā)明人】馮毅雄, 盧潤潔, 張志峰
【申請人】浙江大學(xué)