应用于贴片机贴装顺序优化遗传算法比较与改进.docVIP

应用于贴片机贴装顺序优化遗传算法比较与改进 　　摘 要： 元件贴装顺序优化是决定贴片机生产效率的关键问题，传统的解决贴装顺序优化问题的方法有遗传算法，蚁群算法，SS（伞布搜索法）等。使用较多的还是遗传算法。遗传算法中包含选择算子、交叉算子、变异算子，且编程思想简单，但容易出现局部最优，过早收敛等情况。在此，通过对遗传算法在贴装顺序优化应用的结果比较找到一种更适合的遗传算法，使之拥有较快的收敛速度和全局优化性。 关键词： 元件贴装顺序优化； 贴片机； 遗传算法； 交叉算子 中图分类号： TN919?34； TP202.7 文献标识码： A 文章编号： 1004?373X（2014）06?0129?03 0 引 言 随着电子产品装配技术日新月异的发展，表面组装技术（SMT），这一集电子元器件、组装装备和焊接技术为一体的综合性技术得到了越来越广泛的应用[1]。表面组装生产线的使用，加快了电子产品的生产效益，增强了产品的可靠性，与此同时大大降低了生产成本，使得电子产品装配较之手工装配发生了质的飞跃。为进一步地提高贴片机的性能，其关键因素之一就是提高贴片机的效率：即贴片机送料器的位置分配优化和元器件的贴装优化。 这里假设送料器位置固定，来解决元器件的贴装优化问题。对于单台贴片机而言，这个问题都属于NP?Hard 问题，一般被规划为旅行商问题（ Traveling Salesman Problem，TSP）[2]， 已有一些学者成功地用传统的遗传算法（GA）解决。但是，由于贴片机的发展， 它的结构已经变得更为复杂，其头数已多达12头， 甚至更多，解决贴装顺序优化问题的方法近年来主要有：遗传算法、蚁群算法、伞布搜索法以及差分算法。遗传算法是进化算法，主要通过选择变异和交叉算子完成；蚁群算法是基于图论的算法，通过信息素选择交换信息；伞布搜索法属于比较新的应用于贴装顺序优化的算法，目前国内的研究报道少之又少，国外尚未有关此算法在贴装优化方面的研究应用；差分算法是在遗传算法的基础上增加了迁徙进化过程，使算法拥有更好的全局性，但较之遗传算法编程思想比较麻烦。所以本文只讨论遗传算法的应用，并对其进行改进，使贴装优化不仅编程简便且拥有较好的全局性和收敛性。 1 遗传算法的基本原理 20世纪50—60年代，一些科学家独立开展了旨在可以成为工程问题优化工具的进化系统的研究。80年代以后，经过相关领域专家学者的交流和共同努力，遗传算法、ES、EP走向融合，构成了进化计算的思想和主要算法形式[3]。由于其不受搜索空间的限制性假设的约束，不必要求诸如连续性、倒数存在和单峰等假设，以及其固有的并行性，遗传算法在最优化、机器学习和并行处理领域得到了越来越广泛的应用。遗传算法GA把问题的解表示成 “染色体”，在执行遗传算法之前，给出一群“染色体”，即假设解。然后把这些假设解放置于问题的“环境”中，按照适者生存的原则，较适应环境的“染色体”被挑选出来进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。 2 贴片机的工作过程及数学模型 无论是全自动贴片机还是手动贴片机，无论是高速贴片机还是中低速贴片机，它的总体结构均有类似之处。图1是一种通用贴片机的内部结构示意图，所示为12个吸嘴，其工作过程：PCB由传送带入口送入，传送带将PCB送到工作位置停板，定位针进行夹紧，通过相机识别MARK点对PCB板完成定位后，PCB板固定，贴装头吸取元件通过x/y轴及R轴和Z轴的移动以一定的压力把元件贴装在有粘性的已经印刷焊锡的焊盘上，即吸取?位移?定位?放置功能[4]，贴装头不断地重复这样的贴装循环，直到所有元件贴装完毕即完成贴装。贴片机贴装路径优化问题描述如下：已知印制板上各个元器件的装配位置，寻求一个贴片机头遍历这些装配位置的路径，寻求开销最小。 该问题与经典的TSP问题有相似之处，即都是遍历整个集合，求最小值问题。不同的是，贴片机贴装要分批进行，如一个4吸嘴的贴片头一个贴装循环内只能贴装4个元器件，一次循环结束后贴片头要返回工料站进行取料再开始下一个循环。所以整体来说，贴片机的贴装优化并不属于TSP问题。贴片机贴装时间需包括：取料时间、贴装时间、循环间吸取原料的时间及弃料抛料时间等。整个贴片机的贴装过程是一个比较复杂的过程，为使模型的建立稍微简单些，必须牺牲掉一些不必要的环节，故参照文献[5]做以下假设： （1） 假设供料器位置为原点； （2） 将整个贴装过程中只做一次的动作例如PCB MARK点的定位省略； （3） 假设每次贴片式贴装头在x，y方向运动的时间均大于其贴装头的旋转对中时间；