(河南财经政法大学)
摘要:随着智能技术在加工作业中的普及,我们针对RGV的三种具体情况,采用了遗传算法、蚁群算法及Pareto法结合的多目标加权算法建立相应的动态调度模型,以便得出RGV的优化策略。通过结合实际,我们对三种情况分别进行仿真检验以实现系统工作的高效性,并根据不同的算法,深入分析了八小时内RGV的具体动态调度方案。
关键词:动态调度;遗传算法;蚁群算法;Pareto最优;多目标加权算法
一、引言
智能加工系统是由1条RGV直线轨道等设备构成,它能自由完成上下料以及清洗等作业任务。我们侧重于讨论一道和两道工序的作业情况,并且对于物料在加工过程中出现故障的情形分别讨论。首先根据RGV三种不同的工作情况建立不同的算法,从而得到相应动态调整模型和相应的求解方法;随后根据实际情况检验建立的模型,以此检验模型的实用性和算法的有效性。
二、模型建立与求解
2.1 对任务一的分析
2.1.1 基于遗传算法下的一道RGV工序调度模型
由于RGV可以连续在规定时间T内不停地工作,因此需要对RGV的操作给出最优安排。首先在随机产生初始种群N后,计算出每一个体的目标函数值,选出适应性最好的染色体来传递给下一代,如下式:
为了更好地适用于蚁群动态调度算法,我们将RGV工作原理进行了简化,假设每一个RGV在来回一次并停下等待时,下一个新的RGV继续运作。总的RGV个数为有限多个,可设为共有z个。
若用信息素反映RGV在此过程中可达到的优化程度,则Gmn表示第n个CNC对工序m的信息量。当RGV完成一次上下料后需要等待一个最接近完成的CNC运作结束时,调整该Gmn的值,其中CNC完成当前工序为C,不完成为0。
由图2-4可知,平均距离最终稳定在90以上,最短距离经路(上接268页)
径不到90,两者均达到最优;由适应度进化曲线可知适应度由90.4降低至89.4,适应度降低不明显,信息素能做到及时补充以使其下降不明显。说明我们采用的此模型能很好的解决两道工序动态调度问题,以此在短时间内生产更多物料,提高生产线运行效率。
2.2.2基于Pareto及多目标加权算法的机器故障调度仿真检验
由于在一道工序下,我们需要满足Di需根据取出AiBi(i=1,2,3)的最小值中的目标函数,因此依据生产、交换以及生产和交换的最优条件分别为MRT1=MRT2,MRS1=MRS2,MRS=MRT。得到维修时间及维修个数的帕累托最优状态。
此外,无量纲化后的两变量有相交,更加印证了该模型的适应性与有效性,根据帕累托效应,说明在一道工序下的机器故障可以根据最优维修个数与维修时间的结合达到在规定时间内最优加工情况。
(2)两道工序下的仿真检验
根据大数定律可知,在数据较多时往往会呈现出一定的规律,且当其重复多次时,随机事件频率与概率基本相等。
我们现以两道工序中的第一组数据为例,根据Di第二道工序下维修个数=Z21为八小时内两道程序下第一组的加工物料数*1%(故障发生概率),得到在规定时间内机器发生故障数为三个。因此根据以上原理,在随机数表中产生了依据两道工序的三组不同的数据,如下表2-3所示:
可以发现在不同情况下,第一道工序与第二道工序的相交点即为多目标变量的最优情况,因此可以说明多目标加权算法与Pareto结合的调度效果良好,体现了系统的有效性。
三、模型评价
遗传算法适用于求解复杂的优化问题,调用模型条件要求低,不需要过多的辅助信息,但其依赖初始种群的选择,算法的潜在能力还没有得到充分发挥;蚁群算法便于和其他算法结合但计算量大;Pareto最优条件下的多目标加权算法便于将复杂问题简单化但在实际生活中可能会存在误差。
参考文献
[1]王小平,曹立明.遗传算法-理论,应用与软件实现[M].西安:西安交通大学出版社,2002.
[2]朱福珍,黄树成.蚁群动态算法在混流车间作业调度的应用[J]. 邢台职业技术学 院学报,2013.30(5):88-91
论文作者:高怡佳 宋森岚 肖茜
论文发表刊物:《知识-力量》2019年7月上
论文发表时间:2019/4/4
标签:算法论文; 工序论文; 最优论文; 模型论文; 两道论文; 目标论文; 动态论文; 《知识-力量》2019年7月上论文;