改进布谷鸟算法在装配序列规划中的应用研究

针对装配序列规划问题,建立考虑装配序列的几何可行性、稳定性、聚合性、重定向性的装配关系模型以及基于适应度函数的装配序列优化数学模型。提出一种改进布谷鸟算法对装配序列规划问题进行求解,采用随机键和最小位置规则的方法设计基于零件编号、装配方向、装配工具的3层编码方案;设计基于最小装配成本的初始化策略与随机初始化策略相结合的混合种群初始化策略,提高种群质量;改进种群进化和搜索方式,将种群分为3个子群,并分别采用自适应步长飞行、标准步长飞行和交叉、变异的方式进行种群更新,提高算法的收敛速度和求解精度。最后通过实例应用及与其他算法的比较,验证了所提出的改进布谷鸟算法在求解装配序列规划问题上的有效性和优越性。

A Discrete Bat Algorithm for Disassembly Sequence Planning

Based on the bat algorithm(BA), this paper proposes a discrete BA(DBA) approach to optimize the disassembly sequence planning(DSP) problem, for the purpose of obtaining an optimum disassembly sequence(ODS) of a product with a high degree of automation and guiding maintenance operation. The BA for solving continuous problems is introduced, and combining with mathematical formulations, the BA is reformed to be the DBA for DSP problems. The fitness function model(FFM) is built to evaluate the quality of disassembly sequences. The optimization performance of the DBA is tested and verified by an application case, and the DBA is compared with the genetic algorithm(GA), particle swarm optimization(PSO) algorithm and differential mutation BA(DMBA). Numerical experiments show that the proposed DBA has a better optimization capability and provides more accurate solutions than the other three algorithms.

基于拆卸法的SA-GA混合算法的装配规划研究

针对虚拟系统中的机械产品装配序列规划问题,为了提高产品装配效率,在传统的拆卸法基础上,对模拟退火算法(Simulated-annealing Algorithm,SA)和遗传算法(Genetic Algorithms,GA)进行算法研究和改进,提出两者的混合算法融合策略,有效避免了装配规划中的组合爆炸现象发生。基于拆卸干涉矩阵和接触矩阵判断序列的可行性,量化序列评价因素从而建立序列评价体系,以寻找最优目标函数为目标,利用混合算法进行迭代。以减速器为实例,验证该混合算法在装配序列规划研究中的可行性。并同单一算法进行比较,验证该混合算法的有效性,可以提升36.6%的收敛速率。

基于萤火虫算法的装配序列规划研究

将应用于连续空间优化的萤火虫算法扩展到装配序列规划领域。针对装配序列规划问题的特点,重新定义萤火虫算法的各种相关操作,提出面向装配序列规划问题的离散萤火虫算法。建立装配体的十进制干涉矩阵,提高干涉矩阵的输入效率。建立考虑装配序列稳定性、装配方向改变次数以及装配工具变换次数三个评价指标的适应度函数。在适应度函数构造方面,对传统的装配序列规划研究进行改进,提出更加完善的装配序列稳定性量化方式以及更加合理的装配工具变换次数求解算法。以一个典型的、包含19个零部件的机械臂装配实例分析该算法的特性,验证萤火虫算法的可行性和可靠性;并将萤火虫算法与在装配序列规划领域应用最广泛的遗传算法进行比较,试验证明萤火虫算法更有效。

基于改进萤火虫算法的装配序列规划方法

针对装配序列规划问题的特点,重新定义了应用于连续空间优化的萤火虫算法的各种相关操作,并对萤火虫算法的迭代规则进行了改进,提出了面向装配序列规划问题的改进型离散萤火虫算法。将改进型离散萤火虫算法和标准型离散萤火虫算法的实验结果进行了比较,同时也将改进型离散萤火虫算法与在装配规划领域应用最广泛的遗传算法进行了比较,验证了改进型离散萤火虫算法的优越性。在适应度函数构造方面,对传统的装配序列规划研究进行了改进,提出了装配序列工具—零件干涉次数评价指标,并通过实例验证了该评价指标的可行性和合理性。

基于改进遗传编程的并行装配序列规划

针对遗传算法只能生成线性装配解的局限,提出采用遗传编程来求解并行装配序列规划问题的方法。对传统的遗传编程算法进行改进,由于各零件间只有装配的动作,删除了遗传编程符号集内容,只保留了终端集;对遗传编程算法中有关算子及参数进行了设计与改进,使算法最终能够处理并行装配序列规划问题。该方法使用树型解结构代替串型解结构,转变了装配方式,提高了零件的装配效率和自动化装配水平。结合生产实际需求,给出了一种新的装配适应度衡量因子———装配总重,结合其他传统适应度衡量因子,共同评判装配解的优劣。

基于离散萤火虫算法的自由曲面测量序列规划

为了解决接触式测量序列规划问题,建立了该问题的等效旅行商模型,并利用萤火虫算法对该模型进行求解。对萤火虫算法进行了离散化操作,提出一种新的萤火虫距离表征方法适用于测量序列规划问题,同时对离散萤火虫算法迭代规则和随机搜索方式进行改进,得到一种改进型离散萤火虫算法;建立了综合路径长度、路径光滑度和触头旋转距离三个评价指标的适应度函数,并以叶片型零件为例,进行了离散萤火虫算法和改进型离散萤火虫算法对比实验,验证了改进型离散萤火虫算法的有效性以及适应度函数的合理性;最后以另一自由曲面零件为例,将改进型离散萤火虫算法和遗传算法进行对比,结果表明了改进型离散萤火虫算法的优越性。

基于关联函数的复杂产品装配序列规划方法

针对复杂产品装配序列规划时出现组合爆炸的问题,将粒子群算法应用于求解复杂产品装配序列规划。基于可拓集合理论中关联函数的概念,提出了一种装配关联函数,由此结合各种联接关系的装配难易度构建装配联接函数。以发光二极管分拣机电极模块为例,说明了装配联接函数的计算方法。将装配联接函数、产品装配可行性和装配稳定性作为评价标准,构造装配序列规划的多目标模型。应用该方法,采用整数编码方式,对发光二极管分拣机进行了装配序列规划,并将粒子群算法与遗传算法进行对比分析,结果显示了粒子群算法的优越性。

面向装配序列规划的模因算法研究

针对遗传算法在求解装配序列规划问题中收敛速度慢、产生重复解等问题,提出一种基于模因算法的装配序列规划方法。将模因算法中全局搜索与局部搜索相结合动态更新种群的策略引入,采用装配优先约束矩阵和干涉矩阵建立装配规划模型,并以装配单元之间的相异性之和构建适应度函数。在非干涉解空间中进行全局搜索,获得装配规划方案,再通过二叉树中序遍历调序算法将较优方案转化为可行解。通过交叉操作和变异操作后,在可行解空间内进行局部搜索,获得较优解。通过典型柱塞油泵装配规划验证了该算法的可行性和可靠性;并将其与遗传算法进行比较,证明其更有效。

基于遗传算法的装配序列规划

在数字化产品预装配研究中,装配序列规划是核心。采用遗传算法生成和评价装配序列,为提高遗传算法解决装配序列时的效率,采用矩阵编码,并选择和设计了相应的遗传算子。通过对各遗传算子性质的分析,证明了该方法的可行性。并用Microsoft Visual C++6.0开发了装配序列系统并举例验证了此系统。

基于帝国主义和遗传混合算法的装配序列规划研究

根据复杂产品的序列规划特点,为提高求解效率,提出了面向序列规划的混合算法。利用遗传算法和帝国主义竞争算法各自的优点,将二者有机联合,以重定向次数、装配工具改变次数以及装配类型变化次数为约束条件来构造目标函数,提出最小装配成本概念。以一个包含8个零件的装配体实例进行MATLAB仿真试验,分析混合算法特性,并将混合算法与单独的帝国主义竞争算法和遗传算法进行比较。试验证明该混合算法在求解效率上明显优于单独的智能算法,且求得的序列更加符合实际的装配需求。

遗传帝国竞争混合算法在装配序列规划中的研究与应用

为了提高复杂产品的装配效率,对遗传帝国竞争混合算法进行了研究与改进,给出了混合算法的融合策略,以解决虚拟装配中的装配序列规划问题。建立考虑装配序列可行性、装配序列稳定性、装配重定向性以及装配聚合性四个评价指标的适应度函数,以适应度函数值最低为目标利用混合算法进行迭代。以某乘用车后桥减速器为实例进行试验,验证了混合算法在求解装配序列规划问题的可行性,并同单一的遗传算法、帝国竞争算法及粒子群算法进行比较,验证了混合算法在求解装配序列规划问题上的优越性。

基于改进协同遗传算法的有效载荷系统功能序列规划方法

针对传统回溯算法在求解基于知识模型的有效载荷系统功能序列规划问题中搜索效率低的问题,提出一种基于"择劣变异"(Worst Individual Mutation,WIM)策略的协同遗传算法(Co-evolutionary Genetic Algorithm,CGA)的改进算法WIM-CGA。该算法在遗传过程中采用双路线进化方案,即"择优实施标准遗传过程,择劣实施变异操作",达到提高求解精确度及搜索效率的目的。仿真结果表明,同等测试条件下,当功能规模为50,约束密度为1.0时,WIM-CGA算法在限定时间内最优解的平均精确度比优化的回溯算法提高了54.15%,比CGA算法提高了6.18%,且当所得解的精确度大于90%时,WIM-CGA算法比CGA算法的迭代次数减少了65.79%,耗时降低了48.97%,显著提高了功能序列规划的效率。

基于配合节点序列的航天产品装配序列规划

不同于通常基于零部件的序列规划,提出用配合节点序列表征装配序列的方法。构建配合节点模型,并基于此构建装配序列模型及其代价函数。使用模拟退火算法对目标空间中装配序列进行寻优。以某航天产品的装配为例进行验证。结果表明该方法合理有效。