遗传算法在装配线平衡中的应用（行业资料）.docVIP

遗传算法在装配线平衡中的应用（行业资料） 文档信息 ： 文档作为关于“行业资料”中“毕业资料”的参考范文，为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文7121字，doc格式，可编辑。质优实惠，欢迎下载！ 目录 TOC \o 1-9 \h \z \u 目录 1 正文 2 文1：遗传算法在装配线平衡中的应用 2 1遗传算法 3 2装配线平衡的遗传算法设计 3 2.1装配线平衡的数学模型 4 2.2装配线平衡的算法设计 4 2.3编码 4 2.4初始化 4 2.5解码及适应度计算 5 2.6选择 6 2.7交叉 6 2.8变异 7 3实例分析 7 4结论 7 文2：六西格玛管理在装配线平衡中运用的综述 8 1 前言 8 2 国内外研究现状 9 3 国内外研究现状评述 11 3.针对各影响因子进行权重等级的判定，确定关键影响因子。 12 5.构建平衡控制流程，确保优化效果的持久性与稳定性。 12 《企业科技与发展》 12 参考文摘引言： 13 原创性声明（模板） 13 正文 遗传算法在装配线平衡中的应用（行业资料） 文1：遗传算法在装配线平衡中的应用 0引言 装配线平衡是将基本的作业元素分配到工作站，满足特定的目标和约束条件。从实质上看，装配线平衡问题就是组合优化问题，但这个问题由产品设计工艺和制造过程技术所决定的作业元素之间的先后关系而变得异常复杂。在实际生产中，由于装配线的柔性增加，很多情况都可能导致生产线不能顺畅的运行，从而造成暂时性不平衡现象发生，而且装配生产线的平衡程度不仅直接反应了装配生产线的效率，而且影响产品的质量，劳动强度大的工人为了赶上装配线的运行节拍，常常忽视了产品质量。据美国有关资料统计，即使在美国这样工业发达的国家，在工业装配生产中平均要有5％～10％的装配时间是浪费在平衡延迟中。从装配线产生之日起，其平衡问题就一直受到人们的重视[1]。现代关于此类问题的解决方案大致可以分为四类：①数学规划方法，包括线性规划，非线性规划，多目标规划，动态规划等；②基于规则调度，此类方法是给不同的操作根据潜在的生产瓶颈分配不同的权重以达到优化目的。③启发式方法，如模拟退火发、遗传算法、禁忌搜索算法、噪声算法等；④人工智能算法，如专家系统、神经网络等[2][3]。面对大规模的装配线平衡，解决此类问题的主要趋势是采用启发式。但一些启发式搜索方法在逼近最优解或次优解的搜索中，不断地有倒退过程，搜索效率低，还易产生“组合爆炸”现象[4]。鉴于此，本文主要采用改进的遗传算法来解决这个NP-hard问题。 1遗传算法 遗传算法（GA）是J.Holland于1975年受生物进化论的启发而提出的。GA的提出一定程度上解决了传统的基于符号处理机制的人工智能方法在知识表示、信息处理和解决组合爆炸等方面所遇到的困难，其自组织、自适应、自学习和群体进化能力使其适合于大规模复杂优化问题。GA是一种通用的优化算法，它对优化设计的限制较少，由于它的进化特性，它在解的搜索中，不需要了解解的内在性质，可以处理任意形式的目标函数和约束，无论是线性的还是非线性的，离散的还是连续的，甚至是混合的搜索空间；它的另一个显著优点就是能够有效地进行概率意义下的全局搜索，而且能够以较大的概率求得全局最优解。 对于装配线平衡问题来说，标准的遗传算法的操作算子可能产生早熟收敛或收敛缓慢等缺点，甚至由于算子的不可行而无法得出可行解。这也是遗传算法在实际应用遇到的最大障碍，鉴于此本文采取基于可行序列的非标准遗传算子，保证算子的可行性，并采取最有保留策略，避免最优解丢失或算法退化。 2装配线平衡的遗传算法设计 装配线平衡问题的一般提法是：给定产品装配作业表（包括各项装配作业、作业时间及其先后关系）或者直接给出装配作业先后关系图，优化某一特定的目标函数。一般可以分以下几类：①生产节拍C给定，在满足生产线约束条件的前提下最小化工作站；②工作站数量给定，在满足生产线约束条件的前提下最小化生产节拍，使节拍与工作站负荷之差最小；③生产节拍给定，最大化分配同一工位的操作相关性。 2.1装配线平衡的数学模型 本文主要对上述提及的第二类装配线问题进行研究，即已知工作站数量，最小化生产节拍，使节拍与工作站负荷之差最小。目标值设定为负荷方差（WorkloadVariance），最小节拍CT等于最优方案中的最大工位时间。 2.2装配线平衡的算法设计 改算法采用的是基于可行序列的遗传算法来求解装配线平衡问题，无论是初始种群的产生还是遗传算子的构造，都是直接从作业元素之间的顺序关系出发，从而保证它搜索的所有作业序列以及相应的作业分配方案都