一种基于遗传算法的装配序列规划新方法_韩晓东

合集下载

基于遗传算法的装配线平衡问题研究

基于遗传算法的装配线平衡问题研究
Va l ue Eng i ne e r i ng
・1 2 3・
基 于遗传算 法的装 配线平衡 问题 研 究
As s e mb l y Li n e Ba l a n c i n g Pr o b l e m Re s e a r c h Ba s e d o n Ge n e ic t Al g o r i t h m
a l g o r i t h m.T h e lg a o i r hm t b a s e d o n f e a s i b l e o p e r a t i n g s e q u e n c e s p r o d u c e i n i t i a l p o p u l a t i o n ,a n d t h u s c o n s t r u c t e d c r o s s o v e r a n d mu t a t i o n o p e r a t o r , t o e n s u r e f u t u r e g e n e r a t i o n s p o p u l a t i o n s a r e v i a b l e s o l u t i o n s ; An d mu l i t p l e - p o p u l a t i o n g e n e i t c a l g o r i h m t b oa r d e n s t h e s c o p e o f t h e s e a r c h s p a c e ,S O i t c a n a v o i d l o c l a o p t i mi z a i t o n , a l s o e n h a n c e he t e f i c i e n c y o f a l g o i r hms t .F i n a l l y a n i l l u s t r a t i v e e x a mp l e i s g i v e n t o t e s t i f y

基于遗传算法的装配线平衡_宋华明

基于遗传算法的装配线平衡_宋华明
一家玩具厂生产一种j型手推车5图3给出了产品装配作业先后关系图型推车装配作业先后关系图预测市场每日需求量d500辆每天的有效工时按7小时计算则每天生产时间ap420分钟可以计算出装配一辆整车需要的时间为ap42060504秒d500使用cc语言开发了基于遗传算法的装配线平衡系统albpi
第 20 卷第 1 期 (总第 109期 ) 系 统 工 程 V o l. 20, No. 1 2002 年 1 月 Sy stems Engi neering Jan. , 2002 文章编号 : 1001-4098( 2002) 01-008705
收稿日期 : 2001-09-12 基金项目 : 国防科技预研基金资助项目 ( 98 J18. 1. 3. BQ 02) 作者简介 : 宋 华明 ( 1968-) , 男 , 南京 理工大 学经济 管理学 院博 士研究 生 , 研 究方 向: 现 代先进 生产 模式与 技术 ; 韩玉 启 ( 1945-) ,男 ,南京理工大学经济管理学院教授 ,博士生导师 ,研究方向 : 现代企业管理与先进制造系统 。
3. 9 变异算子
为了保证操作算子的可行性 ,文中采用移位变异法 。 任意选择一个个体 ,任意选择一个基因 ( 作业元素 )进行变 异 。 将进行变异的基因插入不违反先后关系的任 意一个位置 。 随机选取了第 5个基因 ( 作业元素 6)进行变异 , 则作业元素 6 在不违反先后关系的条件下 ,可 以插在第 4 个基 因 ( 作业元素 3)的后面和第 10个基因 (作业元素 10) 的前面的任意一个基因位置上 。
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 。 装配作业先后关系图 ( 图 3)通常用圆圈和箭线来表 示 ,圆圈 内数字表示装配作业元素代号 ,圆圈上方数字代表作 业时间 ,箭 线表示先后关系 。 装配 线平衡问题有多种 类型 ,文 章对单一型装配线中给定装配线节拍 ,最大化装配线效率 ( 等价于最小化平衡延迟 )目标求解 。

基于混沌混合算法的装配序列规划

基于混沌混合算法的装配序列规划

基于混沌混合算法的装配序列规划徐周波;肖鹏;古天龙;宁黎华【期刊名称】《计算机集成制造系统》【年(卷),期】2015(021)012【摘要】针对遗传算法在求解装配序列规划问题中速度慢、产生重复解等问题,提出一种将蚂蚁算法、混沌算法和遗传算法结合,加入动态更新种群数目这一策略的新方法.利用拆卸干涉矩阵获取零件之间的信息,建立评优指标的信息矩阵.算法前期采用蚂蚁算法进行局部搜索,后期运用混沌—遗传算法进行全局搜索.在全局搜索中,采用Logistic映射生成子代装配序列以避免产生重复解,并设置一定的比例筛选搜索结果,动态更新种群数目.为进一步提高序列优劣的区分度,将装配工具的运用次数与装配方向的改变次数合并为连贯性,同时引入辅助工具这一指标.以齿轮油泵为例,将所提算法与蚂蚁算法、遗传算法和混合算法进行比较,从适应度值、运行时间和收敛速度方面进行分析,验证了该算法的有效性.【总页数】9页(P3200-3208)【作者】徐周波;肖鹏;古天龙;宁黎华【作者单位】桂林电子科技大学广西可信软件重点实验室,广西桂林541004;桂林电子科技大学广西可信软件重点实验室,广西桂林541004;桂林电子科技大学广西可信软件重点实验室,广西桂林541004;桂林电子科技大学广西可信软件重点实验室,广西桂林541004【正文语种】中文【中图分类】TP391【相关文献】1.基于帝国主义和遗传混合算法的装配序列规划研究 [J], 曲倩雯;杨志宏;李娜2.基于局域线性法和卡尔曼滤波的强混沌背景下正弦信号恢复的混合算法 [J], 苏理云;孙唤唤;李晨龙3.基于混合算法的反射面天线面板装配序列规划 [J], 王豆;邵晓东;刘焕玲;葛晓波4.基于遗传混沌粒子群混合算法的船舶动力定位推力分配研究 [J], 李新想;王锡淮;肖健梅5.基于混沌粒子群算法的柔性线缆装配序列规划技术 [J], 杨啸东;刘检华;马江涛;赵瑛峰;吕乃静因版权原因,仅展示原文概要,查看原文内容请购买。

基于改进遗传算法的汽车装配生产线平衡问题

基于改进遗传算法的汽车装配生产线平衡问题

汇报人:2023-12-01contents •引言•汽车装配生产线平衡问题概述•基于遗传算法的汽车装配生产线平衡问题求解•基于改进遗传算法的汽车装配生产线平衡问题求解目录contents•基于改进遗传算法的汽车装配生产线平衡问题的应用案例目录•结论与展望•参考文献01引言03基于改进遗传算法的解决方案01汽车装配生产线平衡问题的重要性02传统解决方法的局限性研究背景与意义国内外研究现状存在的问题和不足研究现状与问题研究内容与方法研究内容介绍本研究的主题和主要研究内容,包括对汽车装配生产线平衡问题的定义、特点和分类,以及基于改进遗传算法的解决方案的详细阐述。

研究方法介绍本研究采用的研究方法和技术路线,包括对遗传算法的改进、数据采集和分析、模型构建和验证等环节的详细说明。

02汽车装配生产线平衡问题概述定义约束条件生产线平衡问题的定义与约束条件数学模型变量与约束目标函数生产线平衡问题的数学模型生产线平衡问题是一个NP难问题,传统的求解方法包括启发式算法、分枝定界法、遗传算法等。

遗传算法作为一种高效的优化算法,在求解复杂、非线性、离散的生产线平衡问题时具有优势。

遗传算法遗传算法是一种基于生物进化原理的优化算法,通过模拟自然选择和遗传机制,不断迭代优化种群中的个体,以获得最优解。

在求解生产线平衡问题时,遗传算法可以针对不同的生产线类型、规模和约束条件,设计适应的编码方式、适应度函数和遗传操作方法。

求解方法生产线平衡问题的求解方法VS03基于遗传算法的汽车装配生产线平衡问题求解1)初始化种群;2)计算适应度函数;3)选择操作;4)交叉操作;5)变异操作;6)迭代更新种群直至达到终止条件。

遗传算法的基本原理与实现过程遗传算法的实现过程遗传算法的基本原理基于遗传算法的求解流程1)定义问题参数和约束条件;2)构建染色体编码方案;3)初始化种群;4)计算适应度函数;5)选择、交叉、变异操作;6)更新种群直至达到终止条件;7)输出最优解。

基于遗传算法的飞机装配序列规划优化方法

基于遗传算法的飞机装配序列规划优化方法

法;文献[s]则采用了多维基因编码方法。[王|三王三E互三叵王|三王碉E王习三王三田 组成染色体;文献[5]采用十进制的编码表I !!:!二!
示方法,并提出了分段基因编码的表示方;
:!:!=!
l‘l
!!:!=!
卜;
似专家系统的知识库进行判别;文献[7]使 用装配成本作为判别指标;文献[8]采用了包括装配 稳定性在内的多重指标对装配序列进行判别。
0引言
装配序列规划问题本质上是一个NP难题,很 难得到一个满足装配要求的装配序列。常用的装配
序列规划方法是基于图论的割集算法,其最大的弊 端是当装配体中的零件数增加时,序列数呈指数增 加,内部计算过程耗时,甚至有可能因出现过多无用 的结果而产生图爆炸问题,因此这种算法只适用于
收稿日期 2004—11 23;修订151期:2005—11 19。Received 23 Nov 2004}acceptedl9 Nov 2005. 基金项目 国家863/CIMS主题资助项目(2003AA411220);西北工业大学青年教师创新基盒资助项目。Foundation item:Project supported by
问题的求解中得到了成功应用。遗传算法研究的重 点在于初始种群的生成、编码规则以及适应度函数 的制定等内容。生成初始种群的方法有:文献[1]建 议从给定的解空间中随机地抽取解,构成初始种群; 文献E2]通过用户给定的方式产生初始种群;文献 [3]通过随机产生的方式生成初始种群;文献[4]采 用了用户给定与随机生成相结合的方式。在编码方 面,文献[2]和文献[4]采用二进制表示的基因编码
万方数据
第2期
李原等:基于遗传算法的飞机装配序列规划优化方法
零件数量较少的装配件。
∈{Actionl,Action2,…,Action。),代表该零件的装

用基于作业序列的遗传算法求解装配线平衡问题_皮兴忠

用基于作业序列的遗传算法求解装配线平衡问题_皮兴忠
通过作业序列来寻找最小工位数, 适合采用 GA 算法。 作业序列是作业序号的一个向量, 可以直接用于 GA 的编 码, 一个作业序列就是一条染色体。作业序列也可以直接进 行交叉和变异操作。ALB 问题本身是一个 N P2H ard 问题, 采用 GA , 可以充分利用其并行搜索能力, 能够较快地找到 较优的解。
收稿日期: 2001 11 19 基金项目: 国家自然科学基金项目 (59889505) 资助 作者简介: 皮兴忠 (1974- ) , 男 (汉) , 湖南, 博士研究生
E2m ail: ano p i@ ho tm ail. com
© 1994-2010 China Academic Journal Electronic Publishing House. All rights reserved.
ALB 问题由于其求解目标不同, 可以区别为两类子问 题, 分别称为ALB 和ALB 。在满足单元作业之间的 顺序关系和工位的最大作业时间不超过给定 CT 的前提 下, 将单元作业分配给各工位, 使所需的工位数最小, 这是 ALB 问题。ALB 问题是在满足上述顺序关系和给定
工位数的前提下, 分配单元作业, 使工位的最大作业时间 (即 CT ) 最小。 (本文仅局限于讨论 ALB 问题。)
(上海交通大学 C IM 研究所, 上海 200030)
摘 要: 给出了一个用于求解装配线平衡问题的基于作业序列的遗传算法。该算法只在可行作业序列子空间进行搜 索, 具有极高的搜索效率, 同时又保留了一般遗传算法的并行和随机搜索能力。 实例验证, 结果较优。 关 键 词: 装配线平衡问题; 遗传算法; 单元作业; 作业序列 中图分类号: TH 391. 9 文献标识码: A
对 ALB 问题, 本文提出了相应的 GA 算法, 设计了专 门的交叉算子和变异算子, 以及评价和选择策略。该 GA 是 基于作业序列构建的, 只在可行作业序列子空间中进行搜 索, 具有高效率, 并且保证所有可行序列都有可能被搜索 到。它首先要生成由多个可行序列组成的初始群体, 将初始 群体作为父群体; 对父群体中的各个体进行评价和选择, 然 后对被选中的个体进行交叉和变异操作, 生成下一代群体; 将下一代群体作为父群体, 并重复上述进化过程预定次数。 该 GA 将输出整个搜索过程中目标函数值最大的个体作为 最优作业序列。 其实现框图见图 2。

基于免疫遗传算法的装配序列规划

装配重定 向性 , 稳定联接 性 , 配工具更 换次数 是装配 装
评 价 常 常 需要 考 虑 的 指标 , 除此 之 外 , 配 支撑 性 对 于装 配 装 评 价 的效 果也 有 影 响 , 该 也 考 虑进 来 。本 文 也 选 用 这 些 作 应 为装 配 优 化指 标 。
的多样性 ; 采用接种关联约束疫苗、 静态联接疫苗方法, 了算法衷解可行优解的能 力 加快了 敛速度 以莱控制器为实例, 提高 收
验证 了该方 法的优越 性 。


关键词 : 装配序 列 免 疫遗传 算法 矢量距
疫 苗接 种
l ¨
- -
As e by S q e c sPln n Ba e n t s m l e u n e a nig s d o heI m ll m ReGe ei Al o ihm n tc g rt
是 装 配 稳 定联 接 次 数 , 稳 定 支 撑 联 接 次 数 , 装 配 工 具 y是 是 更换次数。
它所要满足 的约束条件为 : 1装 配 可 行性 值 要 为 0 )

∑ () 52 / () 一2 5/ 一O
() 2
()序列 中第 i : 个零件的干涉可行性值 。 ()序 列 中第 i : 个零 件 在 k方 向 的干 涉 累 计 值 , 围 k范 为1 , ~6分别代表 了+X、 +y、 +Z、 一X、 一y、 6个方 向。 一Z 该值通过干涉矩 阵计算得到 。 ]
ZHA Xu z o g HUANG o g a O e h n , Z a nn
Ab ta t sr c :An i r v d i mp o e mmu e e i ag rt m sa p id t ov hep o e o lw er h s e da d g ti e sbea s rh r neg n t loih wa p l Os l et r blm fso sa c p e n et fa il n we a d c e ng i pi zn se l e u n e. co itn ewe ec o e Oi p o ep uain’ iest W hl n c aig v c ieo ne t n c n no t miiga s mb ys q e c s Ve t rdsa c r h s dt r v op lt m o Sdv riy; i io ultn acn f e Con ci o — o sr i s wa v i bef re ha cn h o v r e c ped. e o t iig e a tant sa al l o n n ig t ec n e g n es e Th p i zn x mpl fa c n r l rs o h d a tg ft lo tm. a m eo o tol h wn t ea v a eo heag r h e n i Ke wo d :s e by squ n e ,i u eg n t lo ih ,v co sa c y r s a sm l e e c s mm n e e i ag rt m c e trditn e,v c iain acn to

基于粒子群遗传算法的航天产品装配顺序优化方法

基于粒子群遗传算法的航天产品装配顺序优化方法张丹;左敦稳;焦光明;薛善良;李建平【期刊名称】《兵工学报》【年(卷),期】2010(031)009【摘要】航天产品的装配顺序优化(ASPFAP)具有多目标和非线性的特点,针对传统算法在该问题求解上的不足,将粒子群算法和遗传算法结合起来(PSO-GA),提出一种新的面向航天产品的装配顺序优化方法.使用优先约束关联模型(APCRM)来描述零件间的优先约束关系和关联关系;研究了粒子群遗传算法的基因组、染色体以及粒子的编码表达方法;综合考虑装配连续性、装配资源和仪器设备的影响,提出了有工程意义的适应度函数的表达式;根据APCRM生成随机的可行初始装配序列,并利用粒子群算法重构遗传算法的交叉算子对装配顺序进行优化.实例表明该方法有较好的收敛性和稳定性,优化结果具有实际工程意义.【总页数】7页(P1228-1234)【作者】张丹;左敦稳;焦光明;薛善良;李建平【作者单位】南京航空航天大学,机电学院,江苏,南京,210016;南京航空航天大学,机电学院,江苏,南京,210016;南京航空航天大学,机电学院,江苏,南京,210016;南京晨光集团有限责任公司,江苏,南京,210006;南京航空航天大学,机电学院,江苏,南京,210016;南京晨光集团有限责任公司,江苏,南京,210006【正文语种】中文【中图分类】TP391.9【相关文献】1.一种基于粒子群优化方法的改进量子遗传算法及应用 [J], 周殊;潘炜;罗斌;张伟利;丁莹2.基于改进遗传算法的航天测试资源配置优化方法研究 [J], 同江;蔡远文;李岩;程龙3.基于改进自适应遗传算法的层合板铺层顺序优化方法 [J], 王佩艳;赵晨;耿小亮;岳珠峰4.一种混合粒子群优化遗传算法的高分影像特征优化方法 [J], 唐晓娜; 张和生5.基于混合粒子群算法的复杂机械产品装配质量控制阈优化方法 [J], 王小巧;刘明周;葛茂根;马靖;刘从虎因版权原因,仅展示原文概要,查看原文内容请购买。

《工业机器人轨迹规划算法的研究与实现》

《工业机器人轨迹规划算法的研究与实现》一、引言随着工业自动化技术的飞速发展,工业机器人已成为现代制造业不可或缺的重要工具。

轨迹规划作为机器人运动控制的核心技术之一,对于提高机器人的工作效率、精度和灵活性具有重要意义。

本文旨在研究工业机器人轨迹规划算法,探讨其实现方法,并分析其在工业领域的应用前景。

二、工业机器人轨迹规划算法概述工业机器人轨迹规划是指根据任务需求,为机器人规划出一条从起始点到目标点的最优路径。

这一过程涉及到机器人的运动学、动力学以及环境因素等多方面因素。

常见的轨迹规划算法包括插补法、优化法、学习法等。

1. 插补法插补法是一种基于数学模型的轨迹规划方法,通过在关键点之间插入适当的中间点,形成平滑的轨迹。

插补法具有计算简单、实时性好的特点,适用于对精度要求不高的场景。

2. 优化法优化法是一种以优化目标函数为手段的轨迹规划方法。

它通过考虑机器人的运动学、动力学约束以及任务需求,建立优化模型,并采用相应的优化算法求解。

优化法可以获得更优的轨迹,提高机器人的工作效率和精度。

3. 学习法学习法是一种基于机器学习技术的轨迹规划方法。

它通过学习历史数据和经验知识,自主生成适应新任务的轨迹。

学习法具有较高的自适应性和智能性,适用于复杂多变的工业环境。

三、工业机器人轨迹规划算法的实现实现工业机器人轨迹规划算法需要综合考虑机器人的运动学模型、动力学模型以及任务需求等因素。

下面以优化法为例,介绍轨迹规划算法的实现过程。

1. 建立优化模型根据任务需求和机器人的运动学、动力学约束,建立优化模型。

优化模型通常包括目标函数和约束条件两部分。

目标函数用于描述轨迹的优劣,如时间最短、能耗最低等;约束条件用于描述机器人的运动学、动力学约束以及安全要求等。

2. 选择优化算法根据优化模型的特点和需求,选择合适的优化算法进行求解。

常用的优化算法包括梯度下降法、遗传算法、模拟退火算法等。

在选择优化算法时,需要考虑算法的收敛速度、求解精度以及计算复杂度等因素。

基于遗传算法的拆卸序列规划研究

,. 、
f, 0 无拆 卸工 具变 换
( ) I有 卸 具 换 。 =£ 拆 工 变 , ,
r (仲表 示序 列 W 中前 i 零 件 拆卸 时 的拆 卸 ri ) , 个
工具 变换 之和 啦 i Nhomakorabea[囱

r ( = ti ) ri ) t, , (W
f =2
() 3 基础件 的选择 。基础件作为最后拆卸 的零 件, 对其优先选择 , 可以缩小搜索空间。但是基础件 仍然参与联接矩阵与干涉矩阵的生成 ,会对拆卸产
生约 束作 用 。 12 联 接矩 阵 .
序列规划的效率及实用价值 ,本文依据关联矩 阵和
产品是通过零件 以一定 的装配关 系联接而成的 干涉矩阵 , 产生满足几何约束 、 且经初次优化的装配 具有稳定结构 的装配体。本文主要讨论两类基本 约 序列 。 其后 , 应用遗传算法优化上述初次优化的装配 束关系 : 接触关系与可拆卸联接关系。
序列 , 以得 到满足 生产 实 际的拆 卸序 列规划 。
收 稿 日期 : 0 2 0 — 2 2 1— 2 0
设装 配体 P由 Ⅳ个 零件组 成 , 用
基金项 目:十一五 ” “ 国家科技 支撑计划 “ 中国高速列车关键技术研究及装备研制 ” 目 “ 性基础及 系统集成化技术 ” 题子任 项 之 共 课 务“ 数字化工艺制造模 型和数据库” 2 0 B G 2 0— O — ) ( 09 A l A l G 13 作者 简介 : 奥 (9 9 ) 男 , 刘 18 一 , 湖北孝感人 , 士研究 生 , 硕 主要研究方 向为虚 拟仿真制造技 术 ; 通讯 作者 : 周重 威( 9 1 ) 17 一 , 男 , 江宁波人 , 浙 工学学士 , 主要研究方 向为机械制造技术 。
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

———————————————— 收稿日期:2008-04-02基金项目:国家自然科学基金资助项目(10576027)作者简介:韩晓东(1983-),甘肃甘谷人,硕士,主要研究方向为虚拟装配、人工智能;常伟杰(1981-),山东菏泽人,硕士,主要研究方向一种基于遗传算法的装配序列规划新方法韩晓东,常伟杰(西南科技大学 制造科学与工程学院,四川 绵阳 621010)摘要:装配序列规划的实质是NP 组合优化问题,应用遗传算法来解决装配序列规划问题可以得到较好的结果。

但是使用传统的遗传算法则收敛速度较慢,通过应用Boltzman 变比技术来调整遗传算法在不同时期的选择压力,则可以较好的改善遗传算法的收敛速度较慢的问题。

因此提出了一种应用Boltzman 变比技术的遗传算法来解决装配序列规划问题的方法。

通过使用精英选择技术,保证上一代种群中的最优个体能够顺利的进入到下一代中,以防止种群中优良个体的丢失。

并提出了一种基于简化关联图来生成遗传算法初始种群染色体的新方法,该方法结合人工输入的方法,可以保证了初始种群染色体的质量。

根据装配序列规划问题的特点,设计了具有针对性的杂交算子和变异算子。

在实际应用中,该方法取得了良好的效果。

关键词:装配序列规划;Boltzman 变比技术;精英选择技术;遗传算法;简化关联图中图分类号:TP391 文献标识码:A 文章编号:1006-0316(2008)08-0005-04A new assembly sequence planning method based on the genetic algorithmHAN Xiao-dong ,CHANG Wei-jie(Manufacture institute ,Southwest University of Science and Technology ,Mianyang 621010,China)Abstract :The ASP’s substance was combination and optimizing of NP, solving the problem of ASP with genetic algorithm could create a better result. But if traditional genetic algorithm was adopted the convergence rate would be slow, while if the technology of boltzman variational proportion was adopted to regulate genetic algorithm’s pressure in different periods, the problem of slow convergence rate would be improved greatly. Therefore this paper presented the method to settle the problem of ASP with the technology of boltzman variational proportion. The technology of choosing celebrity ensured that the best individual of the last generation could come into the next generation so as to prevent the excellent individual in population from missing. And this article exhibited a new method to create the chromosome of Genetic algorithm’s initializing generation with simplified association diagram. The method and manual input could guarantee the initializing generation’s quality. According to ASP’s specialty, cross and variant operator was presented. In real application, the method got a good effect.Key words :assembly sequence planning ;Boltzman variational proportion ;choosing celebrity ;genetic algorithm ;simplified association diagram.装配序列规划(ASP )是虚拟装配中的关键技术之一。

装配序列规划主要研究的是装配序列的生产与几何可行性分析。

装配序列规划在本质上是一个NP 组合优化问题。

计算机辅助装配序列的研究是从20世纪80年代开始的。

目前常见的装配序列规划算法主要有装配优先约束法,装配割集法,基于层次图的配合条件法,网络表示装配序列路径,基于知识的装配序列规划方法等。

20世纪90年代以来人们开始将现代优化计算方法如:遗传算法、模拟退火等应用到装配序列规划中来,其中遗传算法再装配序列规划中的应用最为广泛,而且也取得了一定的成果,但是也存在着很多的不足。

Bonneville 等率先提出将遗传算法用于装配序列规划研究,但他们的算法效果严重受初始迭代值的影响,而且要求初始序列都是有效的。

Sebaaly M F 提出的遗传算法,虽然不要求初始解可行,但启动算法的准备工作费时。

南京理工大学的周开俊等人也对遗传算法和模拟退火算法在装配序列规划中的应用提出了一些方法,但还是还不是很成熟,实际效果也不是很理想。

由于装配工艺所具有的复杂性、随机性、模糊性和离散性等特点,要设计出一个通用的装配序列建立方法是非常困难和复杂的工作,因此目前还没有成熟的系统的理论方法,也没见较实用的应用软件工具[1~3]。

鉴于此,提出了一种基于改进的人机交互式的遗传算法装配序列规划的求解方法。

其中将简化的装配关联图作为初始装配序列生成和装配序列评价的重要依据,并在遗传算法初始种群中允许用户输入有效的装配序列,从而提高了初始种群的染色体的质量并且增加了染色体来源的多样性,提高遗传算法的效率。

1 装配模型的建立1.1装配信息的获取装配信息的获取方式有自动推理和人工输入两种方法。

采用自动推理和人工输入相结合的交互式输入方法。

首先从零件的CAD几何模型中利用特征造型中配合面的配合特征或实体造型中的体素之间的配合信息,自动推理生成配合零件之间的配合面,配合方向,链接关系以及障碍关系。

然后对一些使用自动推理很复杂而且难于实现的特征信息,利用交互式用户界面输入装配序列优先约束关系等几何信息和非几何信息。

从而提高信息获取的效率与质量,保证装配序列规划的信息需求。

几何信息和配合约束关系的获取主要靠自动推理获得,而非几何信息的获得则主要靠人工输入的方式获得。

1.2简化的装配关联图装配关联图是一种常用的获取装配信息的方法,它是由节点和连接点的边所构成的无向图。

各个节点代表装配体的各个零件,节点之间的连接边代表各个零件之间的装配链接关系[4]。

这里根据需要将各零件之间的装配链接关系简化为个零件之间的接触关系,即节点之间的连接只代表两个零件是相互接触的,这种简化的装配关联图的主要作用是为遗传算法提供各个零件之间的接触关系。

下面以一个单缸引擎组件为例来简要说明这种简化关联图对装配体的表达方法。

如图1所示,单缸引擎组件由6个零件组成分别是①气缸头、②连杆、③连杆底盖、④引擎缸体、⑤曲柄轴、⑥缸体底座。

通过零件之间的接触关系,可以得到单缸引擎组件的简化配合关联图如图2所示。

图1单缸引擎组件图图2单缸引擎组件简化关联图可以将装配关联图用N×N的关联矩阵表示,N 为零件个数,行和列的序号表示零件的编号。

若两个零件之间有接触关系,则在相应位置处的值为1,其余情况为0,则上面的单缸引擎组件关联图用关联矩阵表示为:010100101010010010100011011101000110⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦可见该关联矩阵为一对称矩阵。

2适应性函数的建立在遗传算法中,适应性函数的好与坏直接影响着遗传算法的效果,但是所建立的适应性函数又不可太过于复杂,否则就不具有实际的可操作性。

所以应该根据对装配序列的可行性和装配序列的优劣性的影响程度的高低,选择其中影响程度最大的而且信息容易获取的几个方面来建立装配评价函数。

影响装配难度的特征主要有表征零件位置、体积、材料等性能的物理特征,表征零件尺寸、形状公差、方位等的几何特征,以及表征零件间的连接、配合关系的拓扑特征等。

这里主要以装配方向数,稳定性与几何可行性这三个方面作为主要的衡量指标来建立目标函数。

2.1装配方向数装配过程中,零件具有装配方向数越少,则越312456靠后装配越困难[5]。

且其装配难度随着装配方向数的减少,成几何级数递增。

因此,装配方向较少的零件应置于装配序列的前端。

对每个零件按其装配方向的数量y 规定其 ()10120.22415y f y n y y ≤≤⎧⎪=×<≤⎨⎪≥⎩2.2 装配体的稳定性装配体的稳定性是指某一装配操作所涉及的两个子装配体在重力和建立装配所需力的作用下,保持各自内部装配关系的能力。

装配体的稳定性直接影响到装配操作的可靠性、夹具和工具的复杂性。

通过关联矩阵可以得到装配体的连接关系,然后累加装配序列相邻零件的连接关系,如果两零件之间存在连接关系则加1,如果两零件之间没有连接则加0,即直接加上对应关联矩阵的值即可。

最后的到的值用V 表示,显然,0≤V ≤2N -2,其中N 为装配体中零件的总数。

则可用下式来评价装配体的 稳定性:22222N Vf N −−=−。

2.3 几何可行性几何可行性指的是拆卸过程中不应发生干涉,指的是装配体的可拆性,可以用3(1)2N N f M −=−来评价装配序列的几何可行性,其中N 为零件个数,M 为在装配序列A i 中发生的干涉次数。

2.4 适应性函数通过以上对装配方向数、装配体的稳定性和几何可行性的分析,可用()112233i F A f f f ωωω=++来表示。

其中1ω、2ω和3ω分别为1f 、2f 和3f 的权重。

通过试验,取1ω=0.1、2ω=0.4和3ω=0.5时效果较为理想。

相关文档
最新文档