一种基于遗传算法的装配序列优化方法

基于遗传算法建立了装配序列生成模型,对装配序列进行优化生成。为提高优化效率,该算法将装配方向作为已知数据给出,并引入子装配体进行分层规划。最后,以蜗轮减速器装拆序列规划为实例验证该方法的有效性。     

基于混合算法的反射面天线面板装配序列规划

为了改善反射面天线面板的装配变形,从装配工艺入手,基于蚁群算法和遗传算法,结合传统的天线反射面装配方法,提出一种天线装配序列规划的混合算法。该算法利用蚁群算法快速得到初始种群,随后使用遗传算法对初始种群进行优化,根据所得优化解生成蚁群算法中路径上的信息素,通过加速蚁群算法最优解信息的积累来更快地得到最优解;同时,建立反射面装配的有限元仿真模型,利用该模型及时对得到的最优解(即装配序列)进行面向装配过程的面板装配变形动态仿真,将仿真结果返回算法中,进一步校正算法并得到最优解。以某工程抛物面天线的面板装配为例,验证了所提混合算法的正确性。     

基于粒子群算法的装配公差优化分配

装配公差分配是产品公差设计的重要组成部分.目前装配公差优化分配主要使用遗传算法.为了提高收敛速度,避免早熟收敛,提出了基于粒子群算法的装配公差优化分配方法.采用了基于实数的编码表示方法,以装配公差分配的优化目标函数作为评价函数,利用罚常数将约束条件并入评价函数中.一个实例的优化结果表明所提方法的收敛性、稳定性和算法效率均优于基于遗传算法的方法.     

改进遗传算法的飞机结构件装配序列优化研究

为获取最佳的装配序列,提高飞机装配效率,扩展装配序列多样性,设计改进遗传算法的飞机结构件装配序列优化方法,以此作为飞机结构件装配序列优化的评价指标并设计对应的约束条件。依据评价指标及对应的约束条件,建立装配序列优化的目标函数;利用改进遗传算法求解目标函数的解。实验证明：该方法可有效优化装配序列,提高装配效率;在同种群容量时,该方法获取的可行装配序列数量较多,即装配序列多样性较佳,且收敛速度较快。     

一种反射面天线面板装配优化方法

为提高大型反射面天线形面装配精度及装配效率,提出一种反射面天线面板装配优化方法。该方法从装配工艺入手,基于传统遗传算法的思想,建立了天线装配序列规划的遗传算法数学模型,其适应度函数包含了对装配变形、装配周期及装配人工消耗等方面的评价,考虑到装配精度和装配过程中的功耗,为相应的项赋予权重使其达到多目标优化的目的;同时,建立了天线装配的有限元仿真模型,对遗传算法得到的装配序列结果进行了面向装配过程的面板装配变形动态仿真,并将仿真结果反馈于装配序列规划模型的评价中,及时对遗传算法所求得最优解作出准确评估。以某工程9 m圆抛物面天线的面板装配为例,讨论了不同目标函数时的算法结果和仿真结果,分别求得了精度最高的装配序列、经济度最好的装配序列,以及考虑同时提高装配精度和增强经济度的装配序列。从而证明了所建立的反射面装配遗传算法数学模型的正确性及所提天线装配序列规划方法的高效性。     

基于混合蛙跳算法的复杂产品装配序列规划

为提高机械产品的装配效率,提出一种基于混合蛙跳算法的产品装配序列规划方法。该方法针对混合蛙跳算法中各个模因组内的最优样本容易出现趋同性的现象,引入遗传算法,提出最优样本的差异性控制策略,以改善种群的差异性。建立了以装配操作稳定性、惩罚函数、装配方向改变次数和装配工具改变次数为装配序列评价指标的适应度函数模型。以一个装配体实例分析该算法的特性,验证了改进混合蛙跳算法的可行性和稳定性,并将该算法与标准混合蛙跳算法和遗传算法相比较,证明了改进混合蛙跳算法更有效。     

汽车总装线的配置问题研究

本文围绕汽车总装线的装配问题,构建了以极小化生产成本为目标,以颜色等各个属性上的装配要求为约束条件的优化模型,并设计了基于贪心算法和遗传算法的新型混合算法,在matlab软件下编程求解,得到最优装配顺序。     

基于遗传算法的产品装配序列规划研究

为解决产品实际装配过程装配序列规划的问题,建立了描述装配过程中零部件间装配关系的几何干涉关系矩阵。设计了以装配换向次数、装配工具更换次数、装配体稳定性和基础件位置为目标函数的遗传算法,并改进了该遗传算法相应的交叉算子、变异算子和适应度函数,以确保算法的有效性。在初始种群生成时,输入由DELMIA软件虚拟拆卸得到的几何可行装配序列,改善种群的组成成份。将该遗传算法应用于某链轮的装配序列规划中,验证了该算法的有效性。     

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。     

基于遗传模拟退火融合算法的船舶分段装配序列优化

针对复杂船舶分段装配序列规划问题,提出基于遗传模拟退火算法的分段装配序列规划求解方法,综合考虑分段装配中的工艺约束和几何约束,建立以分段装配所需时间和消耗成本为优化目标的问题模型,并为模型求解设计了遗传模拟退火融合算法,将模拟退火算法的局部搜索能力与遗传算法的快速全局搜索能力相结合,达到快速收敛到全局最优解的目的.通过实例验证了该算法的有效性.     

车身复杂曲线匹配优化问题研究

在汽车白车身的过程中，往往会遇到两个具有复杂曲面轮廓的三维零件的匹配校园优化问题，为此提出了一种新的解决三维曲线空间匹配位置优化的优化算法，通过构造适当的优化具有目标函数，提高优化求解的收敛速度，增强该算法的实用性和灵活性。最后讨论了该遗传算法的具体结构和改进的算法。     

New Optimal Method for Complicated Assembly Curves Fitting

The optimisation fitting problems between two 3D parts with complicated profiles are the key focus in the problem of "body-in-white" (BIW) assembly for cars, which causes many assembly fitting issues. The paper present a novel algorithm based on a genetic algorithm (GA) to solve such assembly problems and treats it as a two-space curves-fitting problem. The analytical model of the global optimal fitting position of two space curves is discussed, and the mathematical optimal functions for 2D and 3D curves are set up separately. The global research procedure based on the genetic algorithm is described in detail, and some improved ways for GA in constrained optimisation are also discussed in the paper.     

多目标模糊优化方法及其在可靠性设计中的应用

在基于模糊机会约束规划理论基础上,对多目标模糊优化方进行研究,通过模糊模拟求解模糊目标函数的理想极大值和极小值,建立了多目标优化问题的模糊机会约束规划模型,并给出了基于模糊模拟的遗传算法求解方法.通过对一个无约束处理的常规双目标模糊可靠性优化问题实例求解,验证了多目标模糊模拟遗传算法的有效性,并指出该算法的优点在于能较好处理多目标优化问题的分目标量纲不同及其函数值之间差距较大的情况.     

结合机械设计约束处理的差分进化算法

针对机械设计中的约束优化问题,提出了改进约束处理的自适应罚函数法。结合一般机械约束优化问题维数不高和差分进化算法简单、高效的特点,应用差分进化算法容易求得机械约束优化问题的全局最优解。给出了2个机械约束优化的数值实例,与已有的文献结果比较,表明新方法处理机械约束优化问题稳健且有效。     

基于惩罚和修复策略的约束优化遗传算法

约束优化问题中最难以解决的就是约束处理问题,将惩罚函数法与修复策略相结合应用于非线性约束优化遗传算法之中,使得约束优化问题在惩罚函数和修复算子的协同作用下收敛于全局最优,有效避免了迭代过程中大量非可行解的产生,解决了在遗传算法约束优化问题中单独使用惩罚和修复方法时一些难以解决的问题。基于随机方向法构造的修复算子作用效果显著,采用多个测试函数对算法进行检验,均能较好地收敛于可行域中的最优解,验证了算法的可靠性。     

管控一体柔性装配线平衡问题研究

针对影响管控一体柔性装配线平衡因素的复杂性与多样性问题,提出一种基于实时分析工序装配柔性因子的管控策略和改进型遗传算法的优化处理方法。首先综合权衡管控一体柔性装配线不平衡的各类因素,为装配工序建立装配次数-预期时间函数与平衡模型;其次在管控决策台对平衡状态实时分析的基础上,构建了基于改进型遗传算法的优化处理模型,并给出基于动态工位分割算法和动态交叉、变异概率的算法改进步骤。     

基于混合遗传算法的混合装配线排序问题研究

为使混合装配线有效运作,研究了混合装配线的生产排序问题。以装配线上各种零部件消耗速率均匀化和最小生产循环周期最短为优化目标,描述了多目标排序问题,并建立了优化模型。针对基本遗传算法在求解排序问题时的早熟收敛问题,提出一种改进混合遗传算法。该算法借助模拟退火算法思想对适应度尺度进行调整,使遗传进化初期削弱种群中个体适应度差异,而在遗传进化后期强化种群中个体适应度差异,以提高对最优解的搜索能力。同时,根据个体适应度自动调整遗传操作参数,既保存了种群中的优良个体,又不失个体的多样性。最后通过案例分析验证了算法的有效性。     

Stochastic U-line balancing using genetic algorithms

The advantages of U-type lines are very well known in industry. They offer improved productivity and quality, and are considered as one of the better techniques in implementing just-in-time (JIT) systems. There is a growing interest in the literature to organize traditional assembly lines as U-lines for improved performance. U-type assembly line balancing is an extension of the traditional line balancing problem, in which tasks can be assigned from both sides of the precedence diagram. Although there are many studies in the literature for the design of traditional straight assembly lines, the work on U-type lines is limited. Moreover, in most of the previous studies, task times are assumed to be deterministic. In this paper, a new multiple-rule-based genetic algorithm (GA) is proposed for balancing U-type assembly lines with stochastic task times.     

Product family assembly line balancing based on an improved genetic algorithm

Product family assembly line (PFAL) is a mixed-model assembly line on which a family of similar products can be assembled at the same time. Aiming at the balance problem of PFAL, a balancing model for PFAL is established, and simultaneously an improved dual-population genetic algorithm is proposed. Firstly, through the characteristic analysis of PFAL, the tasks on PFAL are divided into three categories, namely the common, optional, and personality tasks. In addition, the correlation between the tasks is mainly considered. In the improved genetic algorithm, minimizing the number of stations, minimizing the load indexes between stations and within each station, and maximizing task-related degree are used as optimization objectives. In the initialization process, a method based on a TOP sorting algorithm is adopted for generating chromosomes. Furthermore, a new decoding algorithm is proposed to make up for the lack of the traditional decoding method, and individuals in the two populations are exchanged. Therefore, the search speed of the algorithm is accelerated, which shows good performance through classic tested problems. Finally, the effectiveness and feasibility of the method were validated by optimizing assembly line balancing of loaders.