[发明专利]一种模拟人体细胞演化的复杂作业车间布局方法

权利要求书

1.一种模拟人体细胞演化的复杂作业车间布局方法，具体步骤如下： 

步骤1.多目标布局函数的确定； 

复杂作业制造企业规模越来越大，而土地资源越来越紧张，同时受到全球性经济疲软和产品市场竞争激烈的影响，企业希望通过新厂房布局优化设计和老厂房布局调整解决原有车间布局不合理、降低土地、设备和物流成本，同时保证布局有足够的柔性和可拓展性以应对环境的不确定性以及过多的随机扰动，提出复杂作业车间布局的目标函数； 

1)设备投资成本P₁

机器设备成本是布置中要考虑的一个重要因素，特别是复杂作业车间，其周期性多阶段生产的特点容易造成机器设备的过量配置； 

2)在制品库存量P₂

要控制加工过程中各个工序间在制品量，在确保生产稳定、产能最大化的基础上实现工序间在制品库存最小，是生产过程的最优状态； 

3)物流量距P₃

物流搬运费用最小化是传统布置评价目标；复杂作业车间生产的产品多、工艺路线较多、交叉较为频繁，所以要根据不同产品组合选择合理的生产工艺路线以减少其交叉，同时考虑搬运距离以达到总物流量距最小；在实施过程中要避免盲目追求物料传输费用最小，要统筹兼顾车间设备布局的整体规划； 

4)车间占空比P₄

车间占空比主要包含车间面积利用率和空间利用率。面积利用率指在一定车间的面积上，充分合理的利用车间面积，科学安排生产线，合理布置各道生产工序，实现各道工序之间的无缝隙连接，在满足生产需要的同时减少了土地成本，使投资效益最大化；空间利用率在一定车间的空间上，充分合理的利用车间空间，科学安排工装夹具及桁车等装备，高效利用空间可有效提升面积利用率，在一定程度上，面积和空间利用率相互影响； 

5)车间布局的可拓展性P₅

制造环境的不确定性将导致制造企业频繁地改变车间布局，实现对车间进行参数化布局和动态调度，特别同时存在多种生产组织模式的复杂车间尤为突出，车间布局的可拓展性对于适应当前激烈市场竞争的环境下尤为重要； 

6)其他布局参数P₆

除上述定量目标参数(P₁-P₅)，还有一些定性布置目标，如：动线合理性、物料搬运活性系数水平及车间自动化水平等，也是车间布局过程中所要考虑的重要因素，已转换为集成布置动态约束的弱约束表征； 

对上述参数进行归一加权处理，车间布局的目标函数可表示为： 

式中α,β,χ,δ,φ,为相对系数。 

为Pareto解的展示方便，把上述公式变换为： 

W₁＝αP₁+βP₂+χP₃    (2) 

W₂＝δ(1-P₄)+φ(1-P₅)    (3) 

其中W₁为直接费用，W₂为重要因素，W₃为其他因素。 

步骤2人体细胞演化模拟设计； 

2.1细胞机模型 

细胞机是D维空间中一组细胞单元组成的阵列,每个细胞单元处于状态空间中的某种状态，各细胞单元下一时刻的转移状态根据相应的邻域函数规则(确定领域范围及其到转移状态的映射)和各时间阶的领域状态配置(确定领域中细胞单元的状态)进行更新。 

为细胞单元的D维空间地址索引值，为细胞机的邻域半径；为空间结构(其中为模n_i的整数集)；Z_q为状态空间：细胞机中细胞单元的状态取值范围；为邻域函数规则；B为边界条件。 

细胞机初始拓扑形态固有的机理缺欠和“混沌边缘”属性使其在模拟车间布局的时候缺乏足够的流动性(人工智能交互)，细胞机与车间布局系统相关属性对比如表1所示； 

表1细胞机与车间布局系统相关属性对比 

基于车间布局要素实体建立对应细胞，将种群个体安排在二维的环形网格，将Agent机制引入二维细胞模型空间，定义、封装并扩展作业层和扰动层细胞为具有自主性的智能型细胞。通过上述属性比对和细胞封装，使部分细胞具有自主性的智能细胞； 

采用二维细胞机作为建模的工具，即D＝2。模型中根据不同实体的几何属性将细胞分成多类，不同类型的细胞所占据的网格数目不同；设备实体，根据需要可以是一台独立的生产设备，也可以是一个包括数台机器的生产单元，或是一条装配线；实体格点之间的联线代表可能的物流路径和工艺路径，这样构成一个二维不规则网络；实体以其功能、容量和状态等属性而体现其作用，当某一实体及其关联对象的属性状态满足作业活动要求时作业发生，系统物流“涌现”于作业网络中各个实体发生的作业活动的自组织相互作用之中； 

构建描述复杂作业车间布局的细胞机抽象，描述其状态空间、空间结构、边界条件及领域函数规则，根据原型特征与集成布局动态约束设定格点属性并抽象 出细胞机自演化机制；将Agent机制引入二维细胞模型空间，定义、封装并扩展作业层和扰动层细胞为具有自主性的智能型细胞，充分利用Agent具有的自治特性，解决复杂作业车间布局的动态性问题； 

2.2差分智能细胞算法 

2.2.1差分演化策略 

1)根据差分演化策略构建选择、交叉、变异(实体细胞平移、旋转、合并、交换等)； 

2)如果子代支配当前个体，或者子代和当前个体都处于非支配地位，且子代个体优于当前个体，则子代个体代替当前个体，同时将该非支配的个体存放到信息文档中； 

3)对这些信息文档存放好的个体性能优劣进行排序，若非支配个体超过了规定的容量，则将其中性能最劣的个体删除； 

4)在迭代过程中考虑车间调度关键指标(按时交货率、工件质量、设备稼动率、工件总流动时间和延期总工件数)； 

5)在每代结束时，从信息文档中选一些个体代替相同数量的原始种群中的个体，使信息文档中的非支配个体在保持多样性的同时，能朝着Pareto最优前端的方向不断逼近； 

2.2.2适应度函数选择及智能细胞机更新 

采用脑模型联接控制器的混合遗传算法对目标函数进行学习，自适应调节，使得车间布局多目标优化的过程具有智能化和自适应性，将目标函数适当改变作为适应度函数： 

在训练学习中，要设置误差上限ε，若|F(x_j)-F₀(x_j)|≤ε，那么该学习是有效的；若|F(x_j)-F₀(x_j)|>ε，则应重新进行学习，直至符合误差要求为止； 

设定修正算子和终止条件，同时使细胞种群不断进行更新操作，依据停止规则决定是否循环，最终寻找车间布局方案； 

2.3动态差分智能细胞算法 

由于复杂作业车间特性，多品种、中大批量、任务型生产和流水型生产高度集成；加工批量和转运批量动态化、制造资源呈现多样性和动态性、不同产品的加工路线差异可能会很大且非线性；系统中的“供需关系”的不确定性、环境的不确定性以及过多的随机订单扰动； 

要解决该类车间布局问题，其布局应具备良好的柔性和可拓展性，加入动态变量f_ed(t)，若外部环境扰动超过某一数量时，则启动车间布局重新优化； 

其中a为外界环境扰动率。