并行设计中耦合任务集割裂规划的新方法

耦合任务集的割裂规划有助于并行设计过程的组织管理,以加快设计过程收敛和减少产品开发时间。割裂规划方法研究旨在提高割裂规划的有效性。针对现有割裂规划方法的不足,本文提出了一套从构造到割裂数字双指标耦合任务集的系统化新方法：用敏感度与可变度双指标表征任务间依赖关系,用基于层次结构法的两两比较技术数字化双指标耦合任务集;用基于次序指标的算法割裂数字耦合任务集。最后,用汽车车门并行设计的实例对方法进行了验证。实践表明,该方法不仅能有效地保证并行设计过程的尽快收敛,而且具有一定的科学性系统民生,简单易用,具有实际的推广应用价值。     

并行设计耦合任务集的识别方法

并行设计中强调多种知识的有效集成，耦合任务是一组具有相互依赖关系的任务的集合，它正反映了这种知识集成的要求，它对设计时间和质量均有着关键的影响。通过对耦合任务集的识别可以为合理分配设计资源、在效规划设计过程、科学组建集成开发队伍提供参考。本文在建立设计过程图的基础上提出了识别耦合任务集的有效方法。     

基于遗传算法的多设计任务规划研究

在满足产品设计周期的条件下,以完成所有设计任务的时间最短为规划目标,提出并构建了一种面向多设计任务的规划模型。在该规划模型中,设计节点的并发性和任务设计的并行性被考虑。针对该任务规划模型的解算,则采用遗传算法(GeneticAlgorithm,GA)实现。最后,采用具体的实例来验证该任务规划模型及算法的可行性。     

基于模糊理论的并行耦合设计任务工期优化

针对耦合设计任务执行工期的不确定性,应用模糊理论,并结合并行耦合迭代模型,建立并行耦合设计任务模糊工期模型。采用相离度和质心相结合的排序方法求解该模型,得到每次迭代返工的关键任务,通过对关键任务投入更多资源来实现设计任务工期的优化。以某飞行器的开发过程为例,验证了该方法的有效性。     

并行设计混合迭代过程规划的遗传算法

产品并行设计是一个非常复杂的迭代过程,模拟设计迭代过程,在得到设计资源许可的前提下进行优化调度,缩短产品上市时间已成为当前研究的一个重点.提出的混合迭代设计过程调度的优化模型由设计分析模型和设计规划模型组成.设计分析模型根据混合迭代思想,分析计算迭代过程的时间和费用;设计规划模型采用非标准的遗传算法,用变长度的、多基因段式染色体表示重复迭代的设计过程,寻求最优设计方案.通过型钢产品开发设计过程的模拟仿真算例,验证了模型的有效性.     

基于聚类分析的大容量耦合设计任务规划的研究

针对大容量耦合设计任务采用串行执行方式会导致设计项目开发周期冗长、规划方案数量庞大这一问题,通过对聚类分析对象的特点与耦合设计任务的特点进行分析比较,阐述了聚类分析用于缩短耦合任务执行周期和减少其规划方案数量的可行性,进而提出了一种基于聚类分析的大容量耦合设计任务规划的新方法,以获得耦合设计任务的最佳执行顺序及最短执行时间。以某机械手的研发过程为例,验证了该方法的有效性。     

基于内部迭代的耦合任务集求解方法

针对并行迭代模型中的工作转移矩阵模型存在的缺陷,从任务迭代时间、信息传递的不完备特性以及迭代次数的有限性等方面进行了修正,建立了改进的并行迭代模型,进而结合遗传算法,求解多阶段模式下耦合集的最优执行工期和成本。用该模型求解两个产品开发过程的耦合任务集,验证了其有效性,并进一步分析了影响耦合集工期和成本的因素。     

基于遗传算法并行迭代模型任务执行阶段数的寻优

针对二阶段并行迭代模型存在阶段数较少、任务分布方式单一的缺陷,通过对二阶段并行迭代时间模型进行扩展,确定多阶段并行迭代总时间模型,运用遗传算法研究多阶段并行迭代模型中任务执行的最优阶段数,使产品开发总执行时间最短。以某电动汽车的开发过程为例,验证了该方法的有效性,为产品开发提供了理论参考。     

并行设计任务调度的遗传算法研究

在满足时序、资源许可的前提下优化调度产品并行设计过程,缩短产品上市时间已成为当前研究的一个重点.针对并行设计特点建立了设计任务调度的目标函数,提出了一种遗传算法.该算法用矩阵式染色体表示设计任务与设计单元之间的调度关系,采用突变机制来解决进化过程停滞问题,提高算法的搜索能力,找出全局最优解.算例应用结果验证了算法的有效性、科学性和实用性.     

基于遗传算法的深海集矿车避障路径规划方法

本文主要研究和利用遗传算法实现深海集矿车避障路径规划的方法。将连续的路径离散化，并用随机数模拟各路径种群。把二维的路径转化为一维，生成简单的路径基因，提出了物理意义明确的适应函数和相应的变异算子，从而引导遗传算法快速收敛于最优解。实验仿真表明，该算法能够快速、稳定的搜寻到所需的最佳路径。     

基于遗传算法的二阶段迭代模型任务分布方案寻优

针对利用启发式方法求解二阶段迭代模型的最优任务分布方案容易陷入局部最优解的问题,根据二阶段迭代模型中各任务的分布特点,引入具有自适应全局优化特性的遗传算法求解出二阶段迭代模型的最优任务分布方案,从而减少任务执行的时间成本。以某汽车发动机的开发为例,分别应用基于启发式方法和基于遗传算法方法进行求解寻优,通过比较说明了后者的有效性。     

基于分布估计算法的并行拆卸序列规划研究

针对目前并行拆卸效率低的问题,对产品的拆卸模型的构建方法、编码与解码以及分布估计算法进行了研究,提出了一种基于分布估计算法的并行拆卸序列的规划方法。通过构建层次拆卸任务图,表达了零件间的拆卸优先关系,并存储了层次拆卸任务图的邻接矩阵;以邻接矩阵为依据,采用自然数编码方法进行了编码,并运用了扫描解码方法进行解码;建立了合适的分布估计算法的概率模型和更新方法,以最小化拆卸完工时间为优化目标,通过不断迭代获取了并行拆卸的最优解,通过实例验证了算法的正确性。研究结果表明:该方法在求解的质量和效率之间取得了很好的平衡。     

基于遗传算法的产品并行设计总体决策方法研究

在并行工程环境下产品开发的总体决策方案是多个成员的决策子方案的组合。本文研究了并行设计中方案总体决策的特点 ,利用人们对事物的主观感觉量和客观刺激量之间的关系 ,给出衔接测度的定义和计算方法。提出了基于遗传算法的总体决策优化模型。最后给出了一个典型算例 ,以说明该算法和模型在并行设计方案总体决策中的有效性     

基于耦合机制的并行设计环境理论与方法

为了能够真实反映多重耦合及描述耦合过程的动态演变,设计了协同任务类型。提出了减少瓶颈问题的消息主动汇报机制和任务两层调度策略,以及提高多智能体系统设计合法性、灵活性的体系结构原型和自然语言通信功能的思想及方法。实现了可视化的多智能体系统集成开发环境。应用结果表明,借助集成开发环境进行多智能体系统和并行程序开发减少了用户在通信和管理方面的设计工作量,可有效提高开发效率和系统的健壮性。     

基于机器学习的多策略并行遗传算法

为了改善遗传算法的性能,提出一种基于机器学习的多策略并行遗传算法,使用机器学习方法改善遗传算法性能.首先,利用并行思想加速遗传算法进化过程,使用K均值聚类算法将初始种群划分为多个簇,然后将相似个体均匀分配给不同的子种群,保证子种群的多样性和均匀性;同时,在进化过程中,使子种群间相互通信,使用优秀个体替换其他种群中的较差个体,提升种群整体质量.然后,引入能自主感知环境的强化学习,实现遗传算法中重要参数交叉概率的自学习,使交叉概率根据经验适应进化过程.最后,通过函数实例测试验证了基于机器学习的多策略并行遗传算法的优越性和稳定性.     

基于设计结构矩阵的任务规划新方法

针对产品开发项目中存在的资源约束问题,提出了基于设计结构矩阵的任务规划方法.使用设计结构矩阵中的划分、联合运算将任务划分成不同的层次；通过不断调整规划方案,得到资源约束下的项目最短执行工期,避免了其他算法所需的编码、交叉等操作,具有简单、直观、易于计算机实现等特点.通过求解某电子产品开发项目的任务规划问题,验证了该方法的可行性和有效性.     

基于遗传算法的并行生产调度的研究

应用退火算法对遗传算法进行了改进,克服了遗传算法自身的很多缺点,提出了一种基于改进遗传算法的并行生产调度的方法。提出了一种利用利润加权生成遗传算法初始种群染色体的方法,保证了初始种群染色体的质量。实际应用中,该方法取得了良好的效果。     

基于并行遗传算法的微电网控制方法研究

微电网快速普及背景下，如何对微电网进行高效控制成为电力从业人员重点关注的问题。鉴于此，引入并行遗传算法技术，构建微电网最优控制模型，确定微电网控制约束条件，并以此为基础设计微电网最优控制软件，借助该软件实现对于微电网的有效控制。     

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.