[发明专利]一种虚拟样机拆卸序列规划方法

权利要求书

1.虚拟样机拆卸序列规划方法。其特征是对虚拟样机拆卸序列规划建模和求解。

2.根据权利要求1所述的虚拟样机拆卸序列规划方法，其特征是装备选择性拆卸建模。本技术利用拆卸约束图来描述产品零部件之间的拆卸约束关系，从而建立产品拆卸模型。该拆卸模型由节点集V、无向边集E和有向边集R组成，记为：DG＝{V，E，R}。

3.根据权利要求1所述的虚拟样机拆卸序列规划方法，其特征是选择性拆卸优化模型。本技术以拆卸危险度为代价函数，主要考虑最少重新定向次数和最少工具更换次数两个因素，这两个因素在一定程度上也反映了整个拆卸操作流程的复杂程度。代价函数可定义为

4.根据权利要求1所述的虚拟样机拆卸序列规划方法，其特征是基于蚁群算法的选择性拆卸序列优化求解。利用蚁群算法可以很好的解决拆卸序列长度变化的优化问题，而且蚂蚁根据信息素和目标零件的指导，能较快的找到最优目标拆卸序列。其特征是(1)拆卸零件选择概率。假设连接蚂蚁上一次到达的节点和本次要到达的节点的轨迹为(i，j)，蚂蚁转移概率与该轨迹上的信息素浓度τ_ij(t)和零件j的可见度η_ij(t)有关，定义蚂蚁的转移概率为：

Pijk(t)=[τij(t)]α·[ηij(t)]β·[λij(t)]-1Σj∈αi(k,t)([τij(t)]α·[ηij(t)]β·[λij(t)]-1),j∈αi(k,t);0,otherwise.]]>

(3)信息素的更新。随着时间的推移，蚂蚁在走过的轨迹上留下信息素，同时该路径上先前留下的信息素将逐渐减弱，所以需要对路径上的信息素进行更新，以引导后来的蚂蚁走向最优。本技术采用两次信息素更新：局部信息素更新和全局信息素更新。蚂蚁由零件i选择零件j后，轨迹(i，j)上的信息素会逐渐挥发，局部信息素更新方式如下：

τ_ij(t)＝(1-γ)·τ_ij(t)+γ·τ₀

所有蚂蚁完成一条完整的拆卸路径以后，轨迹(i，j)上的信息素由所有蚂蚁共同更新，全局信息素更新方式如下：

τij(t+Δt)=(1-ρ)·τij(t)+Σk=0M-1Δτijk(t)]]>

其中Δτ_ij^k(t)为第k只蚂蚁经过轨迹(i，j)的信息素增量，

其中，q为信息素增量调整值。

5.根据权利要求1所述的虚拟样机拆卸序列规划方法，其特征是具体求解步骤：

步骤1.初始化蚁群算法参数α、β、ρ、M，目标拆卸零件为Tv，将蚂蚁按循环顺序分布在初始可拆卸零件上；产生与Tv有连接约束关系和非连接优先关系的零件，并放入列表C中。

步骤2.判断Tv是否可拆卸，如果可拆卸，则算法结束，最优拆卸序列为S＝{Tv}；否则，转步骤3。

步骤3.设置循环次数t＝0，初始化轨迹浓度τ_ij(t)＝τ0。

步骤4.设置蚂蚁k＝0，轨迹浓度增量Δτ_ij(t)＝0。

步骤5.得到蚂蚁k的初始位置v_k，若v_k∈C，则将v_k放入S_k，使S_k＝{v_k}，同时将v_k从C中删除，转步骤7；否则转步骤6。

步骤6.把与C中零件有连接约束关系和非连接优先关系的零件放入列表C中，转步骤5。

步骤7.判断Tv是否可拆卸，如果可拆卸，更新信息增量Δτ^k_ij(t)，转步骤10；否则转步骤8。

步骤8.在C中产生一个可拆卸零件集合α_i(k，t)。

步骤9.若α_i(k，t)为空，则把与C中零件有连接约束关系和非连接优先关系的零件再放入C中，转步骤8；否则，以概率选择下一个可拆卸零件j，更新τ_ij(t)，将零件j放入S_k中，同时将其从C中删除，转步骤7。

步骤10.若k＜M-1，则k++，转步骤5；否则更新τ_ij(t)，转步骤11。

步骤11.若t＜T-1，则t++，并清空所有的S_k(k＝0，1，…，M-1)，转步骤4；否则得到M只蚂蚁的最优拆卸序列，计算结束。