改进SLP和遗传算法结合的车间设备布局优化

针对加工多种类产品,且具有固定入口和出口的生产车间,运用改进的SLP和遗传算法相结合的方法进行车间设备布局的优化,从而减少人员、物料的移动成本,提高车间利用率和企业的核心竞争力。首先,在对生产车间的物流进行详细分析的基础上,利用改进的SLP理论确定生产车间设备布局的初步方案。然后,把SLP形成的初步方案作为遗传算法的初始种群的部分染色体,利用改进的遗传算法实现对案例车间设备布局的优化。运用改进的SLP和遗传算法相结合的方法进行车间设备布局的优化,弥补了SLP过于依赖经验、约束过多的缺点,同时,提高了遗传算法的选优能力,减少了随机性所引起的误差,在选出最好个体的同时保证了种群的多样性,使最终的布局方案更具实用价值。

基于遗传算法的车间设备布局设计

车间设备布局问题具有非线性、NP难等特性,无法运用传统方法求得最优解.运用遗传算法突出的寻优能力,在单行布局的基础上,采用自动换行技术对车间设备进行多行设备布局,优化车间设备布局效果,运用PMX交叉操作和邻域搜索技术的变异操作提高遗传算法的全局和局部搜索能力.通过实例验证了此方法的可行性和有效性.

基于遗传算法的车间设备布局优化

对某车间设备布局问题进行数学建模,建立以车间物流成本最小为目标的车间布局优化模型。应用遗传算法设计求解优化模型,根据SLP方法得到的初始布局方案建立初始种群,对该初始种群进行编码、选择、交叉和变异操作,得到最终车间设备布局。基于此,以上海海事大学工程训练中心机械加工车间为案例进行设备布局优化,完成车间物流分析,应用遗传算法对车间进行求解,并通过Matlab软件进行编程运算,得出车间的最优解。

基于差分元胞多目标遗传算法的车间布局优化

以物料搬运费用最小和车间设备占地面积利用率最大为目标,建立了车间设备布局多目标优化设计模型。针对常用多目标算法不能很好求解该模型的问题,提出一种差分元胞多目标遗传算法。该算法在经典元胞多目标遗传算法的基础上引入差分演化策略,从而集成了元胞算法多样性好和差分演化策略在解决复杂问题时收敛性强、覆盖范围广的特点。分别运用该算法、经典元胞多目标遗传算法和NSGAII对测试函数及车间设备布局模型进行计算,通过数据和性能比较分析表明,针对多约束、多变量、非线性的模型,新算法具有良好的收敛性、分布性和扩展性,能有效解决相关生产实践问题。

基于混合遗传算法的制造车间布局设计

生产车间的布局问题是一个NP难问题,常规方法难以求解。针对这一问题,首先根据车间布局设计的最小费用原则,建立了生产系统设备布局的数学优化模型;接着,将遗传算法与模拟退火算法相结合组成混合遗传-模拟退火(GA-SA)算法,并将其引入到车间设备布局问题中,完成了算法操作设计;最后,给出了一个10区域车间布局算例。结果表明:该算法有较强的全局和局部搜索能力,能有效改善遗传算法过早收敛的问题,是优化车间设备布局的一个有效方法。

基于SEGA算法的区段式车间系统协同布局优化

针对区段式车间设备布局与搬运路径协同优化建模涉及的参数变量复杂、约束多等问题,研究车间系统协同优化建模与求解方法。分析区段式车间系统特征和工艺流程,提出考虑装卸点位置的重载和空载搬运距离计算方法;采用多点离散分布描述产品需求的不确定性,以AGV重载和空载运行总成本最小为目标,建立设备布局与AGV路径规划协同优化模型;结合适应度函数线性尺度变换、精英锦标赛选择等策略,设计基于双链染色体编码的增强精英保留遗传算法。实例研究表明,提出的协同优化模型和求解算法能有效解决区段式车间系统布局规划问题。

基于改进遗传算法的航天大型零件车间布局优化

当生产车间设备数目较多(超过15个设备)的情况下使用传统的方法不能有效解决。针对该问题以物流运输费用最小和车间面积利用率最大为原则,建立数学模型。使用模拟退火算法中的并行性和遗传算法中收敛速度快的特点结合完成算法设计,即通过模拟退火算法和遗传算法的交替使用,避免遗传算法陷入局部最优,又能迅速得到最佳结果。实例化到16工位大型零件车间。结果表明该算法具有很快的收敛速度和较好结果,改善了遗传算法过早收敛和模拟退火算法收敛较慢的缺点,是一个行之有效的方法。