基于粒子群法的车间布局优化应用研究.docVIP

基于粒子群算法的车间布局优化应用研究 李建荣，廖达雄，陈冰，王刚 (西北工业大学 机电学院，陕西 西安 710072) 摘要：研究了某机加车间零件生产工艺路线，以典型加工工艺为主要参考，构建车间设备最优布局数学模型。应用基于分工合作的粒子群优化算法，在粒子群搜索的不同阶段给予粒子不同的惯性权值，对模型进行计算求解，提高算法的搜索及收敛效率。通过车间典型加工工艺与设备实例模型，验证了基于粒子群优化算法对车间设备布局优化求解的可行性及有效性。 关键词：典型工艺；设备布局优化；粒子群优化算法 中图分类号：TP39文献标识码：A 制造系统布局设计是制造企业信息化技术研究和实践的一个重要领域。长期以来，制造系统的布局设计一直被作为制造企业中非常关键和非常困难的设计任务之一。车间生产线布局是影响制造企业及其产品竞争力的一个重要因素，是制造资源管理的一个重要组成部分。 设备布局问题是一个典型的多目标复杂优化问题。在布局设计过程中，提高车间面积利用率，增加车间的设备冗余能力 对于解决设备布局问题，合理地确定设备的布置位置是关键。对设备位置优化设计，多采用优化算法进行优化计算。本文采用粒子群优化算法对设备布局问题进行优化求解，根据车间典型零件生产工艺对设备布局问题建立数学模型，编程进行求解、计算、验证。 粒子群优化算法(Particle Swarm Optimization, PSO)是一种的进化计算技术，是由Kennedy和Eberhart在研究鸟类和鱼类的群体行为的基础上于1995年提出的一种智能算法[1]，其主要思想是通过粒子的协作来使群体达到最优。与，PSO是基于迭代的优化方法系统初始化为一组随机解，通过迭代计算搜寻最优值，粒子在解空间最优的粒子进行搜索，最终进化到全局最优。典型的生产线布局类型主要包括：线性单行布局、性多行布局、环形布局、U形布局、蛇形布局等。其中，环形布局、U 对于单行设备布局问题建模，首先对某机加车间生产工艺计划进行分析，将有协同关系的设备划分为若干布局单元，对单元内的设备建立布局约束模型。首先要考虑车间主要零件加工工艺对设备布局的约束影响，例如对数控镗床这样的精加工设备，其加工时间周期较长，容易出现排队等待。因此布局模型中必须对该设备预留较大的缓冲区，在优化处理中体现在对该设备的长度进行放大；另外，还应考虑车间现场因素对布局的影响，例如对于有辅助设施的设备的放置应做特殊对待，以避免工艺流程中的物流搬运干涉。 综合上述约束条件，可以得到车间单元布局优化函数为：(1) 式中：cij为设备i和设备j之间单位距离的物流费用；fij为物料在设备i和设备j之间的运输次数。 该问题就是求在几何约束下布局优化函数的最小值。考虑到布局约束，由于是单行布局模型，首先，相邻设备之间有最小距离约束，以保证设备之间不出现干涉或重叠；其次，设备在X方向(2)(3) 式中Si 为设备i的长度。 确定了单元布局模型及布局约束，然后就应用优化算法对布局问题进行优化求解[2]。本文采用一种基于分工合作的粒子群优化算法对所述模型进行优化计算。 2 基于分工合作的粒子群算法 2.1 基本粒子群算法 粒子群优化算法是由Kennedy和Eberhartpbest和全局极值gbest)来更新速度与位置。在D维目标搜索空间中，粒子群第i个粒子在第d维的位置为xid，其飞行速度为vid，该粒子当前搜索到的最优位置为pid(pBest)，整个粒子群当前的最优位置为pgd(gBest)。速度与位置更新公式如下：(4)(5) 式中：rand()为[0,1]范围内变化的随机数；c1和c2为加速系数。 标准PSO算法在迭代前期收敛速度很快，但是到后期收敛速度明显变慢，甚至停滞。因此Shi等[3]在标准PSO的基础上提出了惯性权值的概念，并对基本算法中粒子的速度更新公式进行了修正：(6) 惯性权值可以控制算法的搜索能力，使其有扩展搜索空间的趋势，获得较好的求解效果。惯性权值ω对于粒子群的搜索范围有影响：ω值取得越小，则粒子搜索范围越小，可以在自身附近小范围内精确搜索；ω值越大，则粒子搜索范围越大，可以搜索更远的位置，避免陷入局部最优。 2.2 基于分工合作的粒子群算法 惯性权值的引入可以保持粒子的运动惯性，改善算法效果，但如果参数ω的取值不适合，也不能得到好的结果。而且确定的惯性权值会使某些粒子不能跳出局部最优，导致优化失败。因此，可以采用分工合作的思想，对不同性能的粒子分配不同的任务：给性能较好的粒子以较小的ω值，使其能在小范围内精确搜索，避免其跳过最优位置；而对性能较差的粒子，则给予较大的ω值，使其在较大范围内进行搜索，寻找更优位置。这种做法考虑到了不同粒子间的差异，可以明显提高优化效率[4]。 具体做法是当粒子群迭代到第t代时，找出当前粒子群的适合度范围[FL,F