[发明专利]一种混流装配线平衡优化调度方法

说明书

本发明公开了一种混流装配线平衡优化调度方法，该优化方法以工位数、工位间加权平均负荷均衡以及各产品在工位间负荷均衡为优化目标，建立数学模型和约束条件。对蚁群算法进行改进，建立可行解生成策略，设计启发式信息和信息素更新计算方法，嵌入多目标优化方法。针对装配时间为模糊时间的问题，采用相应的模糊数运算进行求解。通过仿真实验证明，改进算法能够得到全局最优解，进而完成混流装配线平衡的最优化设计。

技术领域

本发明属于混流装配生产技术领域，具体涉及一种混流装配线平衡优化调度方法。

背景技术

单一品种装配线是指仅能够生产一种类型产品的装配生产线，混流装配线是指装配生产线可以完成不同种类产品的装配任务。多种类装配线也可完成不同种类产品的装配任务，两类装配线的不同之处在于多种类装配线使用轮番生产的方法，在确定时间间隔内装配线上首先装配同一种类产品，然后再装配另一类产品，循环往复进行装配生产，直到所有需要装配的产品全部装配完成。混流装配线平衡问题是将工序分配至相应的工位，优质的工序分配方案能够减少生产线建设成本，提高生产效率，以达到某种设计指标的最优化。现有技术中装配时间大多为确定时间，而针对装配时间为模糊时间情况，现在的技术中涉及较少。混流装配线平衡问题是组合优化问题，属于是NP难问题，一般的数学手段很难得到较好的优化结果。

蚁群算法(Ant Colony Optimization,ACO)是受蚂蚁觅食的行为过程的启发而提出的一种仿生算法。在食物源与洞穴之间存在多种路径，每种路径分别代表一种可行解，蚂蚁通过信息素和启发式信息的引导，逐渐搜寻出洞穴和食物源之间的最短路径，进而完成搜索过程。蚁群算法适合求解离散的组合优化问题。

目前的技术难点：1)如何针对装配时间为模糊时间情况，建立目标函数的数学模型，并计算目标函数值；2)如何使改进蚁群算法以适应混流装配线平衡问题和多目标优化问题的求解；3)如何设计启发式信息和信息素更新计算方法，使改进算法能够得到全局最优解。

发明内容

针对上述背景技术中存在的问题，本发明公开了一种多目标混流装配线平衡优化方法，该优化方法以工位数、工位间加权平均负荷均衡以及各产品在工位间负荷均衡为优化目标，建立数学模型和约束条件。对蚁群算法进行改进，建立可行解生成策略，设计启发式信息和信息素更新计算方法，改进算法能够得到全局最优解，进而完成混流装配线平衡的最优化设计。

本发明的目的在于提供一种多目标混流装配线平衡优化方法，该方法对蚁群算法进行改进，建立可行解生成策略，设计启发式信息计算和信息素更新方法，嵌入多目标优化方法。针对装配时间为模糊时间的问题，采用相应的模糊数运算进行求解，进而完成混流装配线平衡的最优化设计。

实现本发明目的的技术方案为：一种混流装配线平衡优化调度方法，所述调度方法包括以下步骤：

步骤1：建立混流装配线中工位数、装配时间、工序以及其他所需考虑因素的蚁群算法模型，采用相应的模糊数运算进行求解，确定所述算法模型的约束条件和优化目标；

步骤2：初始化种群控制参数，所述控制参数包括种群数目、信息素权重、启发式信息权重、信息素挥发系数、信息素强度、迭代总次数，建立外部Pareto解集；

步骤3：针对种群内每一个蚂蚁，建立可选工序集；

步骤4：判断可选工序分配集是否为空，如果为空，则表示全部工序分配完成，计算该分配方案的目标函数值；进行信息素更新，将种群的非支配解存储至外部Pareto解集中；如果不为空，则进行步骤5；

步骤5：计算启发式信息和转移概率，所述启发式信息用于引导蚂蚁寻找最优解，使用轮盘赌选择策略在可分配工序集中选择一个工序进行分配；

步骤6：判断当前工位内工序是否已满，如果已满，则建立新工位，将工序分配至新工位；如果不满，将工序分配至当前工位，更新可分配工序集，进行步骤4；