[发明专利]一种多目标优化的混合作业车间布局方法有效
申请号: | 201710310640.6 | 申请日: | 2017-05-05 |
公开(公告)号: | CN107908805B | 公开(公告)日: | 2021-03-26 |
发明(设计)人: | 王亚良;曹海涛;钱其晶;金寿松 | 申请(专利权)人: | 浙江工业大学 |
主分类号: | G06F30/20 | 分类号: | G06F30/20;G06F111/06 |
代理公司: | 杭州之江专利事务所(普通合伙) 33216 | 代理人: | 林蜀 |
地址: | 310014 浙江省杭*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 多目标 优化 混合 作业 车间 布局 方法 | ||
1.一种多目标优化的混合作业车间布局方法,其特征在于具体步骤如下:
步骤1:构建多目标混合作业车间布局模型
1.1构建多目标函数
在布局时假设车间和作业单元均为矩形结构,车间大小和作业单元大小均已知,车间的长度为a,宽度为b;作业单元i的长度为Li,宽度为Wi;
1)物料搬运成本最小
式中:n为布局的作业单元数目;cij为作业单元i到作业单元j的物料搬运成本;fij为作业单元i到作业单元j的总物料搬运件数;dij为作业单元i到作业单元j的物料搬运距离;
2)作业单元移动成本最小
式中:dio表示作业单元i前后移动的曼哈顿距离,即dio=|xi-xi_o|+|yi-yi_o|,xi为作业单元i移动后的x坐标值,xi_o为作业单元i移动前的x坐标值,yi为作业单元i移动后的y坐标值,yi_o为作业单元i移动前的y坐标值;mi表示作业单元i的移动成本;
3)作业单元包络矩形面积最小
min F3=L×W (3)
式中:L为包络所有作业单元矩形的长度,W为包络所有作业单元矩形的宽度;
4)作业单元非物流关系最大化
最大化优化目标可以转换成最小化优化目标,故:
式中:Z是一个较大的正数,保证F4为正数即可;aij为作业单元间的非物流关系邻接度值,bij为作业单元间的非物流关系邻接度因子;
考虑到第一个优化目标和第二个优化目标单位一致,因此,上述四个目标可以转化为三个优化目标,即:
1.2约束条件
1)间距约束:任意两个作业单元在x轴方向或者y轴方向上至少有一个方向保留一定间距,即满足(6)式或者(7)式中的一个即可;其中(xi,yi)为作业单元i在车间位置,(Li,Wi)为作业单元i的长度和宽度;其中(xj,yj)为作业单元j在车间位置,(Lj,Wj)为作业单元j的长度和宽度;
hmin为作业单元间横向最小距离,vmin为作业单元间纵向最小距离;
2)边界约束:各个作业单元在车间布局时,不能超出车间;
3)特定约束:指大型混合作业车间中的特殊作业单元需满足的一些特定条件,在布局时对该单元进行预置;
Ps={(xi,yi)|xi=xs,yi=ys} (10)
(xs,ys)为特殊作业单元Ps的预定位置;
1.3作业单元间的距离
当两个作业单元之间无其他障碍单元时,其曼哈顿距离为:
dij=|xi-xj|+|yi-yj| (11)
当作业单元之间有其他作业单元挡道时,对曼哈顿距离进行修正:
作业单元k是物料搬运路线上的障碍物,d1、d2、d3、d4为四条可选路径;其中(xk,yk)为作业单元k在车间的位置,(Lk,Wk)为作业单元k的长度和宽度;
步骤2 基于动态差分元胞多目标遗传算法(DDECell)的车间布局优化步骤:
2.1随机生成初始种群
采用实数制编码生成初始种群为:[(U1,…,Un),(x1,…xn),(y1,…yn)];
其中Un表示第n个作业单元;xn和yn表示第n个作业单元的坐标;(U1,…,Un)是n个作业单元的全排列;
2.2选择父本
基于秩与拥挤距离,从当前个体的Moore型邻居结构中,通过二元锦标赛选出当前个体的两个父本:当两个邻居个体的秩不同时,选择秩小的邻居个体作为当前个体的父本;当两个邻居个体的秩相同时,则选择拥挤距离大的个体作为当前个体的父本;
2.3变异交叉
设种群规模为N,d为解空间的维数,父本由当前个体和两个邻居构成,xr1、xr2、xr3为三个父本,vi为xr1经过变异后得到的变异向量,ui是交叉操作后获得的向量;F为介于[0,1]间的缩放因子;randi[j]为[0,1]之间均匀分布的随机数,randi∈[n+1,n+2,…,d],CR为介于[0,1]的交叉常量;
vi[j]=xr1[j]+F(xr2[j]-xr3[j]),i∈[1,N],j∈[n+1,d] (13)
vi[j]、xr1[j]、xr2[j]、xr3[j]、ui[j]分别为vi、xr1、xr2、xr3,ui的第j维决策变量;
当abs(xr2[j]-xr3[j])小于某个值时,采用动态变异:
vi[j]=xr1[j]+(2rand(1)-1)S (15)
其中S=α(xr1[j]-u-xr1[j]-l)是变异步长,xr1[j]-u、xr1[j]-l分别为xr1第j维决策变量的最大值与最小值;α是用于控制变异步长大小的系数;
2.4子代评估
计算子代的目标函数值;如果子代支配当前个体,或者子代与当前个体互不支配,但子代的拥挤距离大于当前个体的拥挤距离,则将子代替换当前个体;同时将这个子代加入外部文档;一旦非支配个体的数量超出了外部文档的规模,则将拥挤距离最小的个体删除;
2.5重复步骤2.2~2.4,完成网格中所有个体的进化操作;
2.6种群更新:
在每一代进化结束后,从外部文档选一些个体代替相同数量的二维环形网格中的个体;继续进化,直至满足进化的终止条件。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学,未经浙江工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201710310640.6/1.html,转载请声明来源钻瓜专利网。
- 上一篇:物料图片色彩分类检索方法
- 下一篇:一种结构特征层次化的疲劳表情识别方法