多目标优化的求解方法与发展

本文首先介绍了传统多目标优化求解方法和改进;对遗传算法,模糊优化,神经网络等算法在多目标优化中的应用做了介绍;最后介绍了满意度.     

制造过程的智能多目标优化方法

采用神经网络和专家系统相结合的方法实现带宽容分层约束的制造过程的多目标优化。该方法利用Ｂｏｌｔｚｍａｎｎ机神经网络求解各层次的多目标优化问题,同时利用专家系统控制优化进程。通过实例证明了该方法优化求解的有效性。     

多目标的供应链集成优化及数值仿真

针对供应链设计中的供应链优化这个关键问题,建立了一个多目标的供应链集成优化模型。该模型将供应链三个层次的优化内容集成在一起进行优化,采用成本、柔性、客户服务水平以及向用户承诺的产品交付时间四个度量指标。针对多目标优化模型,提出了一种改进的多群体遗传算法。最后,利用一个具体实例进行了数值仿真。     

基于多目标遗传算法优化板料拉深成形工艺参数

利用人工神经网络构建了板料拉深成形的目标函数模型,建立了板料拉深成形工艺参数和性能评价指标之间的映射关系.以多种工艺参数(压边力、摩擦因数等)作为优化变量,多种成形缺陷(起皱、破裂等)作为优化目标,结合多目标遗传算法和数值模拟,建立了板料拉深成形工艺参数的优化设计模型,大大提高了优化的效率.以油底壳下盖为例,对其拉深成形工艺参数进行了优化,通过对优化结果进行数值模拟可以看出,该优化参数完全避免了各种缺陷的产生,这说明该优化算法具有较好的优化结果.     

基于智能计算方法的AGV制造车间调度问题研究现状

基于智能制造车间物流系统中AGV的复杂动态调度问题,阐述了智能计算方法在复杂调度技术方面及其在智能制造车间AGV调度的研究应用.对群智能计算、遗传算法、人工神经网络等常见智能计算方法的特性及调度问题应用进行分析.针对群智能计算方法重点探究了粒子群算法、蚁群算法及人工蜂群算法在制造业AGV调度中的应用;结合遗传算法与柔性制造系统生产理念总结了AGV调度研究现状;在人工神经网络方法上,介绍了基于深度学习、强化学习有关的AGV调度问题研究及特点.基于智能计算方法各自计算特点对其在制造车间AGV调度应用进行了探讨,总结了智能计算方法在制造车间关于AGV智能调度的研究的发展趋势,方便未来AGV车间调度系统的技术研究选择合适的算法.     

基于智能计算方法的AGV制造车间调度问题研究现状

基于智能制造车间物流系统中AGV的复杂动态调度问题,阐述了智能计算方法在复杂调度技术方面及其在智能制造车间AGV调度的研究应用.对群智能计算、遗传算法、人工神经网络等常见智能计算方法的特性及调度问题应用进行分析.针对群智能计算方法重点探究了粒子群算法、蚁群算法及人工蜂群算法在制造业AGV调度中的应用;结合遗传算法与柔性制造系统生产理念总结了AGV调度研究现状;在人工神经网络方法上,介绍了基于深度学习、强化学习有关的AGV调度问题研究及特点.基于智能计算方法各自计算特点对其在制造车间AGV调度应用进行了探讨,总结了智能计算方法在制造车间关于AGV智能调度的研究的发展趋势,方便未来AGV车间调度系统的技术研究选择合适的算法.     

制造过程的智能多目标优化方法

采用神经网络和专家系统相结合的方法实现带宽容分层约束的制造过程的多目标优化。该方法利用Ｂｏｌｔｚｍａｎｎ机神经网络求解各层次的多目标优化问题,同时利用专家系统控制优化进程。通过实例证明了该方法优化求解的有效性。     

面向绿色设计的材料选择多目标优化决策

为解决绿色设计中材料选择的多目标优化问题,提出一种将神经网络与遗传算法集成的求解决策模型。该模型以材料的力学性能、工艺性能、经济属性和生命周期的环境属性等为优化目标,利用人工神经网络进行系统建模,并为遗传算法找到适应度函数及求得目标函数值的方法,进而利用遗传算法进行多目标优化。采用生态指数方法定量分析材料在其生命周期内对环境的影响。以某个电冰箱壳体材料的选择为例,证明该多目标决策模型对绿色设计中的材料选择有重要指导作用。     

基于并行多目标遗传算法的制造伙伴优化研究

建立了制造伙伴优化的数学模型,并指出该模型属于复杂的多目标、多选择、多约束背包问题,提出了并行多目标妥协遗传算法进行求解:算法采用基于排列的编码方式,由多个子种群独立进化并定期交换最佳个体,适应度计算采用自适应权重方法及基于距离度量的妥协方法,并通过适应度共享保持种族多样性,最终求得决策者可接受的妥协解。     

基于量子粒群优化算法的智能电网多目标优化规划研究

主要分析了量子粒群改进算法(QPSO),并介绍了其在输电网网架规划中的应用,研究结果证明,该算法对于智能电网的多目标优化是有效的。     

车身覆盖件冲压工艺多目标优化系统的集成与应用

采用有限元分析技术和优化技术,以实现车身覆盖件的冲压工艺多目标优化。定义了材料、工艺和几何3类主要设计变量,其交集为最佳设计变量空间。针对覆盖件的整体成形性,建立破裂、起皱和变形不足3类目标函数,采用增量有限元和全量有限元的整合策略,求解目标函数值。与其他算法相比,基于帕累托法的多目标遗传算法能求解最佳解空间的所有解,完全满足不同成形性之间的权衡需要。最后,以车身发动机罩外板为例,验证了该优化系统的应用。     

基于多目标遗传算法的炼焦生产过程优化控制

针对某钢铁企业实际炼焦生产过程的优化控制问题,提出一种多目标分层优化控制策略.首先采用主成分分析、灰色关联分析及改进前馈神经网络方法,建立综合生产目标与局部优化目标的关联模型,将综合生产目标映射为局部优化目标.然后建立以焦炭产量最大、焦炉能耗最小为优化目标,焦炭质量与工艺要求为约束条件,局部优化目标为决策变量的多目标优化模型.通过多目标遗传算法求解多目标优化问题,获得局部优化目标值.最后将局部优化目标作为各子过程控制系统的设定值及优化调度系统的决策参数,来动态调整过程操作参数,实现企业期望的综合生产目标.实际运行结果表明,提出的优化控制策略取得了较好的应用效果.     

智能注射成形中工艺参数的多目标自学习优化

注射成形工艺参数是保障产品质量的关键因素。传统试错法严重依赖工艺人员的试模经验,随着注射成形工艺广泛应用于电子、航空航天等国家战略领域,产品的高端化对工艺参数智能化设置水平提出更高的要求。由于成形产品存在多方面的质量要求,且不同质量指标间可能相互制约,因此亟需一种工艺参数多目标智能优化方法,以获得不同优化目标间的帕累托最优。已有学者利用智能优化方法,如非支配排序遗传算法等,对多目标优化问题进行求解,但是此类方法需大量样本数据对质量-参数关系进行建模,存在试验次数多、且对不同材料及模具的适应性较差等问题。为解决上述问题,提出一种注射成形工艺参数多目标自学习优化方法,在优化过程中实时计算并更新各个工艺参数的梯度,并由不同质量指标的多梯度下降算法对多个目标函数进行优化,在优化过程中实现各工艺参数对产品质量影响程度的自主学习,省去了采集大量数据来建立多个质量模型的过程,实现了注射成形工艺参数的高效智能优化。在基准测试函数实验中,所提方法的优化结果与理论解的相对误差小于2%。同时数值仿真与注射成形实验结果表明,所提方法能高效获得多个优化目标的帕累托最优。     

Parameter optimization of a multi-response process for lead frame manufacturing by employing artificial neural networks

This study proposes an effective means of applying a neural network approach to parameter optimization for a multi-response problem. No matter what type of experimental designs are being employed, the proposed approach can be directly applied. In addition, the design factors with level settings or with continuous values can be also solved with the proposed approach. Not only can parameter optimization be achieved, but the effects of the control factors reacting on a multi-response system can also be simultaneously determined. An illustrative example given courtesy of a lead frame manufacturer in Taiwan is employed to demonstrate the effectiveness of the proposed approach .     

基于遗传退火算法的装配线设计多目标优化方法

针对混装配线设计这一有约束的多目标优化问题,建立了数学模型。将基于Pareto的解的分级方法与Lp-范数形式的非线性机制相组合,构建了基于遗传退火算法多目标优化方法。重点阐述了个体编码、染色体检修、多目标处理机制等关键技术。设计了算法流程图,并开发了优化程序。该方法克服了加权和方法的不足,用模拟退火改善了遗传算法全局寻优性能。计算实例表明,随着迭代次数的增加,每代的非受控点逐渐收敛于Pareto最优边界,是一种混装线设计多目标优化的新方法。     

基于计算智能技术的产品敏捷开发系统研究

提出一个基于计算明技术的产品敏捷开发系统,分析了其中的关键技术。     

基于多目标遗传算法的板料拉深成形工艺参数优化设计

以多种工艺参数(压边力、摩擦因数等)作为优化变量,多种成形缺陷(起皱、破裂等)作为优化目标,结合多目标遗传算法和数值模拟,建立了板料拉深成形工艺参数的优化设计模型。为了减少数值模拟的次数,利用人工神经网络建立了各种工艺参数和模拟结果之间的映射关系,大大提高了优化的效率。以汽车消声器为例,对其拉深成形工艺参数进行了优化,通过对优化结果进行数值模拟可以看出,该优化参数完全避免了各种缺陷的产生,这说明该优化算法具有较好的优化结果。     

Optimization of multi-objective integrated process planning and scheduling problem using a priority based optimization algorithm

For increasing the overall performance of modern manufacturing systems, effective integration of process planning and scheduling functions has been an important area of consideration among researchers. Owing to the complexity of handling process planning and scheduling simultaneously, most of the research work has been limited to solving the integrated process planning and scheduling (IPPS) problem for a single objective function. As there are many conflicting objectives when dealing with process planning and scheduling, real world problems cannot be fully captured considering only a single objective for optimization. Therefore considering multi-objective IPPS (MOIPPS) problem is inevitable. Unfortunately, only a handful of research papers are available on solving MOIPPS problem. In this paper, an optimization algorithm for solving MOIPPS problem is presented. The proposed algorithm uses a set of dispatching rules coupled with priority assignment to optimize the IPPS problem for various objectives like makespan, total machine load, total tardiness, etc. A fixed sized external archive coupled with a crowding distance mechanism is used to store and maintain the non-dominated solutions. To compare the results with other algorithms, a C-matric based method has been used. Instances from four recent papers have been solved to demonstrate the effectiveness of the proposed algorithm. The experimental results show that the proposed method is an efficient approach for solving the MOIPPS problem.