含机器人的作业车间双资源智能优化调度.pdf含机器人的作业车间双资源智能优化调度pdf,含机器人的作

文件名称: 含机器人的作业车间双资源智能优化调度.pdf

所属分类: 其它

开发工具:

文件大小: 204kb

下载次数: 0

上传时间: 2019-10-11

提供者: weixin_********

下载 (204kb)

不能下载？报告错误

详细说明：含机器人的作业车间双资源智能优化调度pdf,含机器人的作业车间双资源智能优化调度344 机器人 2002年7月进制编号,如第二个类型工件的三道工序的编号分码都是“2”,由于工件的加工工序是确定不变的,因别是“21”,“22”和“23”.在染色体编码中,给所有同此首先出现的“2”代表“21”,第二次出现的“2”代表工件的工序指定相同的符号,即工件编号,根据它“22,第二次出现的“2代表“23”.很容易看出染色们在给定染色体中岀现的先后顺序就可以斫认是第体的任意排列总能产生可行调度,而且可以肯定这几道工序如表3所示.工序“21”,“22和“23的编种编码方式一定含有最优调度表3调度的染色休基因型 Tablc 3 Geno typc of chrom osomc for scheduling 工序 21 31 322223 3312 43 编码 2 3 在该编码中,不包含机器人信息,这样可以使染(O;)的理想时刻色体的交叉和变异容易操作,节省大量的计算机运 L(k,2)-—机器人在机床k上完成安装工件算时间.在文献[9]的双資源调度中,将工人的加(O;)的理想时刻; 信息也放入编码中,一方面编形式复杂;另一方面 u(k,1)—一机器人在札床k上开始拆卸工件使得交叉和变异变得非常困难,在出现不合理染色(O;)的理想时刻体后,修复过程要考虑工序和工人两方面的因素,操 u(k,2)-一机器人在机床k上完成拆卸上件作规则十分繁杂,耗费大量运算时间这里,机器人(0)的理想时刻信息将在以下的解杩算法中体现、它枚大地简化了解码算法过程交叉和变异操作 Step1:计算所有工序的理想可被加工启始时 3.2解码算法描述刻先说明在文中出现的标号设Mk=0,Pn=0.R=(0,0),Tn=0 工件号(i=1.2,灬,n); k-机床号(k= 17 n and :i) 一工人号(=1,2,…,d) Step2:如果在集合工序中还有未被调度的工 M:-一可以使用机床k的时刻(机床k在此刻,从集合中取出此刻排在第一位尚未被调度的工开始空闲 S te P 可以使用工人k的时刻(工人在此刻否则,设 m makespan=max(F)( 开始空闲); Step 3: L (k, 1)=m axf Mk, Pu, Til R一一机器人r工作时间区间集合; T(k,2)=1(k,1)+T O;--L件讠的第j道上序如果(L(k,1),L(k,2)∈R,则调整L(k,1) Ti-一工件i的第i道工序可被加工的时刻; 和L(k,2) 丿,一-工件i的总工序号; LI(k,1)=L(k,2)+t U(k,2)=L(k,1)-U1 t-一在机床k上加工工序O的所需时间; 如果(u(k,1),u(k,2)∈R,则调整U(k,1)和L L:-一工件i的第j道工序的安装时问 U--工件i的第j道工序的拆卸吋间 f1k=U(k,2) 在机床k上完成工件i的第j道工序的 Step4设En=min(fam) 时刻如果J,则F-E E:--工件i的第j道工序的最早完工时刻; 否则,计算T产=Tm+(E-Ta1),(h F;--工件i的完工时刻; (i-D) S--一和调度方案中所有未被调度的工序集 Step5:设M=li,P=E; 把(L(k,1),L(k,2))和(u(k,1),u(k,2) 1.(k,1)—一机器人在机床k上开始安装工件并入相应的集合R 第24卷第4期孙志峻等:含杋器人的作业车间双资源智能优化调度 345 Step6:检査集合S中是否还有未被调度的L.用随机两点交叉操作,两个父代产生一个子代序;如果还有,则转step2.否则, m akespan(生产般这样操作很容易产生不合理的染色体基因型.这周期)-mx(F 里,采用了一种非常好的交叉操作方式),不仅可以在每代中,该算法将机床和机器人分配给各工完全避免不合理的染色体基因型的产生,而且在操序,并确保与机器人的工作时间没有干涉作时间上也大大缩短.最后,将两个父代与一个子代 3.3选择、交叉和变异染色体比较,选择最好的两个染色休放入种群中选择阶段山两部分组成: 变异操作在本问题中,相对而言比较简单.在随 (1)适值标定.采用线性标定法,f=(a 机选择的染色体内随札交换两个基因,形成个新 m akespan)*b,由于目标是寻求最小的生产周期,为的染色体即可了便于概率选择,所以在公式中用一个较大的正整 4仿真结果与分析( Sim ulation and conclu 数a减去生产周期,其结果乘以常数b,是为了能更好地产生指定的数个后代 sions) (2)确定染色体的期望值,并将期望值转化为本问题的评价指标是寻求最短生产周期,因而后代个数采用 H olland正比选择法生成生存概率,采用的分派规则是sPT( Shortest process in g 即P,=ff,然后,用Bkr提出的随机通用采 Time).使用的一些算法参数是:种群个数是50.交样法只旋转一次转轮而得到后代数. 叉率是0.6,变异率是0.01.适值计算用参数为:a 交叉操作是遗传算法山关键的一步,它可以将 =35,b=2. 山遗传算法获得的最佳调度图显示在图1和图父代的良好基因通过信息互换,而产生史好的子代然而.众所周知,对于调度和旅行商问题,交叉操作 2中是最棘手的难题.考虑到染色体基因型的实际意义, 时间机床 32 41 ;": AAht出 31 13 43 达代次数的间图1遗传算法曲线图图2调度 Gantt图 Curve graph us ing gcnc tic algorithm Fig 2 Gantt g raph for schedule 图1是遗传算法的收敛过稈.从图中可以看出,明积床设备,用两个字符标识的方框代表一道工序目标函数的最小值(nin)随着群体的进化在减小,最例如,第台机床加工的第道工序是“31”,“3”表后收敛于极值的速度较快.群体中目标函数的平均示该工件是第三个类型的工件;“1”表示这是该工件值(mean)也随着群体的进化逐渐诚小,并趋向目标的第道工序,从横坐标上同样可以查出加工该工函数的最小值序的启始和完毕时刻.在该工序的前后有两条被涂图2显示了工序与机宋和机器人的分配关系,黑的细方框,它表示∫相关的机器人为该工序上下其间还标明了机器人为每道工序服务的时间.图中料的时间横坐标表明了这批工件加工的时间历程,纵坐标表 (下转第357页)

(系统自动生成,下载前可以参看下载内容)