基于蚁群算法的飞机定检原位工作流程优化

首次将蚁群算法(ACO)应用于飞机定检原位工作流程优化中。在建立原位工作流程优化模型的基础上,借鉴最优-最差蚂蚁系统的思想改进信息素更新机制,并采用改进的精英策略和变异特征对基本蚁群算法进行改进。实例仿真表明,改进蚁群算法在全局搜索能力和收敛速度上较基本蚁群算法有明显提高,克服了基本蚁群算法搜索时间长、容易早熟的不足。优化后原位工作完成时间较优化前缩短2.27%,验证了ACO在解决定检工作流程优化问题上的适用性。

基于遗传算法的飞机定检原位工作流程优化

首次运用遗传算法优化飞机定检原位工作流程。针对原位工作流程约束条件多、组合优化困难的问题,建立了原位工作流程优化模型,根据工序约束条件的特点,提出了一种初始化种群的新方法,保证了初始种群中所有个体都满足工序约束条件,改进了基本遗传算法并运用其求解。仿真结果验证了算法的适用性及改进的有效性。

基于遗传退火算法的飞机定检原位工作流程优化

将遗传算法(GA)应用于飞机定检原位工作流程优化中。首先,建立原位工作流程优化模型;其次,提出"排序调整法"来保证个体对应解符合工序约束;最后采用精英选择算子。模拟退火算子和自适应机制对基本遗传算法(SGA)进行改进。仿真结果表明,改进遗传算法在最优解搜索能力上较SGA有明显提高,克服了其容易"早熟"的不足;优化后原位工作完成时间较优化前缩短19.78%,验证了GA在解决定检工作流程优化问题上的适用性。