基于SLP和遗传算法工厂布局仿真及应用.docVIP

基于SLP和遗传算法工厂布局仿真及应用 　　摘 要：文章应用eM-plant仿真平台，用SLP方法得到各个部门的综合相互关系，采用遗传算法求解具体的平面布置方案，并通过仿真软件高效的输出可视的布局结果，探讨了目标函数的建立，SLP方法和遗传算法的结合方法，计算机工厂布局实现过程。 　　关键词：SLP；遗产算法；工厂布局 　　中图分类号：TH181 文献标识码：A 文章编号：1006-8937（2015）11-0065-02 　　工厂布局就是要在固定的场所内，确定要布局对象的位置。如文献[1]中定义的，工厂布局的目标是在满足以下两个条件的基础上物流费用最小，一是部门面积需要，二是部门位置限制，并满足一定约束，如部门不能重叠，一些必须固定位置或不能放置在特定区域等。布局的优劣直接影响生产效率、在制品库存、运营成本、交付周期、客户响应等。实现计算机布局，是一个涉及信息处理、图形学、人工智能、参数化设计、优化等领域的组合优化问题。本文应用eM-plant仿真平台，结和SLP方法遗传算法，实现计算机快速工厂布局。 　　1 SLP方法和遗传算法结合 　　系统布置设计方法（Systematic Layout Planning，SLP）是一种工厂布局普遍使用的方法，但是使用SLP方法完成面积相关图和位置相关图过程中，调整起来比较麻烦，需要不断的修改和反复调整原来的方案，并且人为主观因素对于多目标之间的矛盾处理方式的差异，使得同种方法和条件下的设计结果输出大相径庭。 　　当作业单元个数增加时，求解复杂性呈指数级增长，即使计算机，也无法在能够接受的时间内求解到最优布局方案。人工智能技术的发展，使得设施布局在有效时间内求得满意解得以实现，它采用并行处理方式，运行后得出多个可行解，使布局方案更加丰富，提供更多的选择方案，并且还可以跳出局部最优解的局限，更大范围内寻求更优解。经不断的论证和发展，遗传算法在布局领域得到广泛的应用。 　　SLP是一种条理清晰，逻辑性强的布局设计方法。该方法能够将影响布局的多方面因素考虑进来，而遗传算法是一种能够快速寻优求解的方法。将两种方法结合起来，用经典的系统布置设计求得综合相互关系表之后，采用遗传算法求解具体的平面布置方案，以高效率获得可视的满意的设计结果，弥补传统SLP设计过程中调整繁琐，易受主观影响，结果不稳定等缺点。既可以将多种因素考虑全面，又可以快速得到优化的结果。[2] 　　2 计算机工厂布局的应用 　　2.1 建立目标函数 　　对已知布局空间，并且知道各区域的长宽面积尺寸，以及各区域之间的物流搬运量，布局的目标为总物流搬运量最小，总的作业空间最小的问题[3]。可以建立如下目标函数，并作为遗传算法的适用度函数。 　　（i=1，2，……n；j=1，2……n） 　　F=min？撞ni=1？撞nj=1WijDij （i=1，2，……n；j=1，2……n） 　　Dij=xi-xj+yi-yj （i=1，2，……n；j=1，2……n） 　　公式中 　　F：成本数值； 　　Dij：区域之间的距离； 　　Wij两区域之间的物料搬运量； 　　n：设备的总数量； 　　2.2 基于eM-Plant工厂布局实现 　　某公司车间长度为60.5 m，宽为43.5 m。车间划分为9个区域，布局时，从作业空间的左上角开始布置，从左到右，当所布局的设备宽度加起来超出作业空间宽度时，则另起一行继续布局，直到所有的设备全部布局完为止。各区域的长宽要求见表1。 　　根据SLP方法，将物流量关系转化为0～4等级，将非物流量关系也转化为0～4等级，根据1：1的加权系数，得到的综合相互关系见表2。 　　在eM-Plant软件中，将综合相互关系，替代遗传算法的物流量数据；将车间长宽尺寸和各区域尺寸约束数据输入；设置优化问题为求适应度函数的最小值；本文中，9个位置分别对应9个区域，其中7、8、9三个位置已经建成，需要保持固定位置不变，仿真软件中，输入固定位置约束，区域4设置在位置7，区域7设置在位置8，区域8设置在位置9；遗传代数设置为30，初始种群设置为10个染色体；遗传操作选择PMX，运行遗传算法，得出布局排序优化结果，如图1所示。 　　遗传算法收敛图如图2所示，本文适应度函数收敛于第20代，最优适应度值：843.5。 　　遗传序列：初始序列：1 2 3 4 5 6 7 8 9； 　　最优序列：2 3 1 6 5 9 4 7 8。 　　3 结 语 　　本文运用SLP方法，综合考虑区域间的联系，将区域间的物流和非物流关系，加权成综合关系。 　　将SLP跟遗传算法有效的结合起来，即利用了SLP高度系统化的思想，又避免了手动繁琐的迭代绘图，同时考虑了生产布局中固定位置的区域，利用eM-Plant软件