遗传算法(GA)解决在同制造环境下设施布置问题.docVIP

附件C：译文 遗传算法(GA)解决在不同制造环境下设施布置问题 摘要 此论文描述的是遗传算法(GA)解决是在制造系统设计中产生最优设施布局而使物料搬运成本最低.此论文认为GA在不同的物料流形式在流水线:流水线(单线)多品种,多线布置,半圆形布置,环路布置,相比其它方法具有量化特性且更有效.结果显示GA在解决设施规划问题中是一个有效的工具。 关键字:设施规划;GA;组合最优化;物料流 1.引言 有效的设施布置设计减少产品制造周期,增加产量.因此提高了工厂总的生产率.在制造系统中主要布置类型有按流程布置,流水线布置,单线,多线,半圆形,环形布置.在图1中列出了这些不同的布置形式.在图中每一个方格表示相应编号设备的位置序号。单线设施规划问题在制造不同产量和不同工艺的产品时被考虑到。选择不同的特定的布置方式由从设备到设备的不同的搬运方式来决定。 图1 不同的布置方式 选择一类的，是受多项因素影响，即有多少机器，可用空间，相似的和物料系统的使用。有许多类型的物料搬运设备，其中包括：自动导引车输送机系统机器人等。在选用何种是重要的。 在布局设计某一个特定的是最小成本。问题属于非多项式（NP）。问题的复杂性指数增加可能。 这项提出了一种遗传算法（ GA ）的方式，以确定最佳的布局为不同的物流系统。优化模型介绍研究布置的不同形式的流的环境。该方法的利用数值另一个实例用于。结果表明，提供了一种有效的来解决问题。 该设施问题M个设备安排到N个设备布置点。在制造过程中，流从一台一，直至所有工序完成。解决设备布局问题总系统的成本。物料搬运成本，生产生产路线成本表机器/。是用于的目标函数： i与设备j的物料流量（） 为设备i与设备j的单位物料流成本（） 为设备i与设备j的直线距离（） 为物料搬运系统总成本 定义物料搬运系统总成本： C= （1） 3.遗传算法(GA) 3.1 背景 在早期研究设施问题认为来解决是通过二次分配问题（用设施问题，采用隐枚举的方法，如和约束办法，或其运筹学技术。只有当问题的规模很小在合理的时间内获得精确解最佳方法 遗传算法（GA）在最近的文献遗传算法是一种随机搜索技术（Goldberg,1989;Michalewicz, 1992它从及进化理论（ azerooni ,Luonge ＆ bhary ,1995; Tavakkoli Shayan ,1997; Venugopal ＆ arendran ,1992 Zhang, Zhu, Luo, 1997）可以解空间利用的概念近年来，遗传算法解决设施问题提出创新的(Al-Hakim, 2000; Gau Meller,1999; Hamamoto, 1999; Islier, 1998; Rajasekharan,Peters, Yang, 1998) 。GA以一组随机的原始解集合开始，这个集合被称作种群。种群的个体被称作染色体，种群的染色体预先根据物料搬运系统成本确定的函数。染色体形成连续迭代被称为代，在每一代中种群内染色体经过交叉和变异，创造了新的一代。这种经过交叉的染色体形成的新染色体的杂交过程被称为突变，杂交是个过程， 随机生成一个初始种群规模为P的染色体集合； 根据物料搬运系统的成本方程评估群体的每一个染色体； 确定一个平均合适的种群； 在原种群利用优胜劣汰的法则淘汰最差个体，留住最优染色体复制到下一代的种群中去。为了计算的有效性和经济性，种群中染色体总数保持不变，统计平均染色体的行为包括那些被淘汰那些被复制到下一代作为标准，被删除的染色体的值P（k）基本要大于1.5倍的新群体（新染色体和被复制的染色体组成的新种群）的平均值； 运用Monte Carlo选择技术从现有群体选择父代染色体，这是用于随机交叉和变异的父代染色体； 统计在原种群基础上运用交叉和变异的操作产生新染色体的的概率（分别为Pc和Pm），原种群剩下的优质染色体的概率； 检查是否达到与预先设定的停止搜索的准则，满足准则就停止搜索，否则就进行下一次循环，产生新的一代，继续第2步。GA的寻优流程在图2中表示。 3.2编码制度 GA技术的需要一个（染色体）在文中，整个生产/部门划分成n网格，每个网格代表了一台的位置。在这项研究中，某种形式图3不同各类生产布局不同的例子，其编码的染色体代表可能的例流水作业九/部门，生产流线包含五工作站，多线系统包含六点，一个环式8台机器位置代表一个空3.3选择操作 选择操作是从种群中选择父代染色体，Monte Carlo的选择技术被应用其中。父代染色体选择流程如下： 根据公式（1）； 区间内选择任一随机数值为n； 返回第一代具有合适值种群元素，增加合适值到第一代种群元素中，使得种群大于或等于n； 第二代种群重复第三步并检查新产生的染色体元素是否和第一代