装配线平衡设计中节拍扰化的遗传算法.pdfVIP

装配线平衡设计中节拍优化的遗传算法1 朱烁2 赵道致 摘要：装配线早柱‘没计中节拍的计算方法属于混合整数非线性规划问题．己 知仨息少，参数复杂，，口以用一般的优化方法进行求解。本文试偿用多层遗传算法 进硝求解，取得了较为崭枣的效果． 美麓词：装配线 线效率 遗传算法 种群 节拍 1 gl言 装配线平衡是装配线设计研究的主要内容之一。影响装配线均衡的关键所在是节 拍的确定．合理的节拍设置能极大地提高装配线工作效率。因而，寻找一种节拍优 化设计方法便成为装配线平衡系统设计的一个首要任务。 ：I传统的节拍启发式箅法中，需先将全部工序时问之和分解成质数，再用质数的 所有组合的乘积来决定书拍。尽管这种算法具有一定的应用效果，但由于依靠质数 的组台来决定节拍，因而算法就存在着许多难以克服的缺点，如当装配线的工序数 较多时，确定节拍的计算鸯很大，并且很难找到全局最优解。 优化的过程，主要包j5两个方面的内容：一是寻求性能的改进；二是最终寻求到 最优或较优解。这两个内存实际上一个是过程．一个是目的。在设计优化算法时， 人们：厦常只注意该算法是否收效，即能否找到最优值，而忽略了中间过程。这种观 点实际上是受微积分中优比概念的影响。然而对于实际问题。往往事先并不知道其 最优J』fi，此时，用算法是爵收敛至最优点来判断其性能显然是不可行的。这时t只 能通过与其它方法的比较轻判断某一优化算法的性能。因此．对于更广泛的优化问 题来说，定义优化模型应更强调性能改进，也就是说能否更快地达到令人满意的性 能。丽获得最优解比寻找性能改进要次要一些，这点对于复杂系统来说更为明显。 传统的节拍算法最大甑缺点是计算效率低。对于～个实际问题，常常由于过大的 搜索j!闯两不可能将所有的状态点都搜索到，它对于中等规模和适度复杂的闯题也 常常二’：能为力。因而我们征研究装配线平衡的优化算法当中，对节排的优化提出了 一个新的解法，即用遗传算法解决节拍的优化问题，在实际的应用当中取得了显著 的效果。 2节拍优化的遗传算法研究 遗传算法与通常的优化尊法有许多的不同，它主要是通过对参数空间编码，并 973¨；宝 1本项E{为天津自然基金资助礤l==l。项目号 。天津删工学院管理系讲师，女，37 1鹋 通过随机选取来引导搜索过程向更好的方向发展。它的优点是鲁棒性能较好。与其 他的方法相比，其主要的差别可归纳为： (1)遗传算法是对参数的编码进行操作，而不是对参数本身： (2)遗传算法是从许多初始点开始并行操作，而不是从一个点开始．因而可以有 效地防止搜索过程收敛于局部最优解，而且育较大的可能求得全局最优解： (3)遗传算法通过目标函数采计算适配值，而不需要其他的推导和附属信息，从 而对问题的依赖性较小； (4)遗传算法使用概率的随机规则，而不是确定性规则： f5)遗传算法在解空间内不是盲目地穷举或完全随机测试，磁是一种启发式搜 索，其搜索效率往往优于其他方法： (6)遗传算法对于待寻优的函数基本无限制，它既不要求函数连续，更不要求可 微，既可是数学解析式表达的显函数，又可是映射矩阵，甚至是神经网络等隐函数， 因而应用范围较广； (7)遗传算法具有著行计算的特点，因而可通过规模并行计算来提高计算逋度： (8)遗传算法更适合大规模复杂问题的优化。 3遗传算法的基本擐作 遗传算法的操作步骤可分为： (1)确定目标函数： (2)确定初始种群的取值范围， (3)产生初始种群； (4)复制； (5)交叉： (6)变异。 具体的算法流程图如图l所示。 4改避的遗传算法 4．1算法流程分析 由于在实际问题当中，信息量过大、数据复杂、需要加快寻优速度。因此，可 以将大量的数据分割成若干基因模式，它们的遗传过程具有相对的独立性和封闭性， 使得进化方向略有差异，这样就保证了搜索的亢分性及收敛结果的全局性。在遗传f}拿 过程中，备子群之间又以一定的比翠定期地进行优良个体的迁移，即将每个子群中蛀 优秀的几个个体轮流送到其他子群中，从而使得各子群能共享优良的基因模式，从而 防止某些子群向局部最优方向收敛