装配序列规划的一种改进蚁群算法

在当前的基于蚁群算法的装配／拆卸序列规划研究中,装配／拆卸序列都是在假设整个产品中 各个零件处于失重的情况下生成的,没有考虑零件稳定性,导致生成的序列不能完全反映工程情况。针 对这个问题,提出了使用扩展支撑矩阵来判断稳定性的思想;对蚁群算法的转移概率表达式、成本函数 及信息素更新表达式进行了相应的改进,建立了装配序列规划问题一种改进蚁群算法。实例仿真实验结 果表明:改进蚁群算法较之于已有的蚁群算法和遗传算法更为高效,所得到的解更具有工程意义。     

基于蚁群算法的选择性拆卸序列规划研究

为提高选择性拆卸序列规划的效率,提出了基于蚁群算法的选择性拆卸序列规划方法.建立混合优先关系图,表达了产品各零部件间的几何约束关系和拆卸过程中的稳定性影响.针对拆卸目标件,基于混合优先关系图获取拆卸零件集合,保证准确、快速地拆卸目标零件.运用动态候选集合策略限制蚁群的搜索空间,构建了能快速求解的目标件拆卸序列规划方法.最后通过实例验证了所构建方法的有效性和可行性.该方法充分考虑装配过程中的几何关系约束和装配过程中稳定性的影响,使所得解更具有实际指导意义.     

位姿空间方法在装配规划中的应用

描述了位姿空间方法在装配路径规划和装配序列规划中的应用。用具有位置分量和方向分量的特征元素描述物体,和方向分量相互匹配的特征元素对计算物体间Ｃ－空间障碍,由零件在产品装配模型中的几何约束生成局部拆卸方向和全局拆卸方向,构造并搜索产品分解树生成装配序列,在考虑拆卸方向前提下运用位姿空间方法,以目标的可见性测试和改进的具有动态栅格和动态步和的Ａ＾＊算法,推导当前装配（拆卸）零件在固定姿态下由装配起点到     

基于蚁群算法的装配序列生成策略

用有向图模型描述零件之间的优先关系,构建了装配关系矩阵.基于该矩阵,将蚁群算法用于生成可行、优化的装配序列,并对算法进行了改造:设计了满足优先关系的“可行转移范围”,直接在优先关系的指导下构造序列;提出了信息素惩罚蒸发策略,对不可行解进行惩罚,帮助“蚁群”避开无效序列;根据装配序列规划的特点,对信息素的释放策略进行了改进.最后通过实例验证了算法的实用性.     

基于蚁群算法的改进装配序列规划方法

机械产品的装配序列直接影响到产品质量和成本,装配序列规划是产品设计的重要内容.为快速实现产品装配序列规划,根据零部件间的装配优先关系,提出了一种改进的装配序列规划方法,并基于蚁群算法予以实现.该方法充分考虑装配过程中的几何约束关系,并引入稳定性、装配经验等因素的影响,以稳定性、装配经验、装配工具和方向的改变次数为影响因子构建优化目标评价体系,使所得解更具有实际指导意义.在求解过程中,根据几何约束关系运用动态候选集合策略限制蚁群的搜索空间,提高了搜索效率;考虑稳定性因素的影响改进了蚁群的状态转移规则,同时引入局部-全局信息素更新规则,保证了蚁群获得最优或近优解.最后,通过实例研究验证了算法的可行性和高效性.     

机电装配体拆卸序列的自动生成及组合优化

为研究废弃装配体的拆卸序列优化，首先提出了建立装配体的干涉——自由矩阵，作为描述其结构的教学模型．其次，提出“拆卸楔”概念和算法，据此计算各个零件从装配体上可以拆卸下来的方向和次序．最后，鉴于遗传计算的未熟早敛问题，提出建立Tabu搜索与遗传算法的组合优化算法．通过把Tabu搜索的集中与分散策略引入遗传算法，可期望获得更加健壮的搜索行为。另外，关于初始拆卸序列群体，提出1种新的自动生成的算法．实例验证表明，用这种组合优化方法解决装配体拆卸序列的优化问题，所生成的可行拆卸序列在适应度函数值、数量、分布范围等方面均优于单纯的由遗传算法生成的结果，这种方法是通用的，可用于解决更加复杂的拆卸问题。     

机电装配体拆卸序列的自动生成及组合优化

为研究废弃装配体的拆卸序列优化，首先提出了建立装配体的干涉——自由矩阵，作为描述其结构的数学模型.其次，提出“拆卸楔”概念和算法，据此计算各个零件从装配体上可以拆卸下来的方向和次序.最后，鉴于遗传计算的未熟早敛问题，提出建立Tabu搜索与遗传算法的组合优化算法.通过把Tabu搜索的集中与分散策略引入遗传算法，可期望获得更加健壮的搜索行为.另外，关于初始拆卸序列群体，提出1种新的自动生成的算法.实例验证表明，用这种组合优化方法解决装配体拆卸序列的优化问题，所生成的可行拆卸序列在适应度函数值、数量、分布范围等方面均优于单纯的由遗传算法生成的结果.这种方法是通用的，可用于解决更加复杂的拆卸问题.     

装配体拆卸序列的自动生成及优化研究

废弃装配体的拆卸序列优化问题是目前绿色制造的研究重点之一。提出建立装配体的干涉一自由矩阵、“拆卸楔”概念和算法，据此计算各个零件从装配体上可以拆卸下来的方向和次序。依据遗传算法原理，提出面向装配体拆卸序列自动生成及优化的计算模型。在此基础上，依据初始输入的若干拆卸序列和其它控制参数，由程序搜寻几何上可行的最佳拆卸序列。这里是以装配体在拆卸过程中具有最少的换向次数为优化目标。通过一系列的实例验证，证明了此方法切实可行。     

基于改进蚁群算法的设备拆卸序列规划及系统仿真

针对复杂设备拆解面临的组合爆炸与搜索爆炸使用传统的方法难以解决的问题,基于设备装配体装配信息进行建模并给出设备零部件之间干涉矩阵及连接矩阵求解方法。以拆解设备的拆卸方向与拆卸工具的改变次数最少为优化目标,构造优化函数模型,用改进蚁群算法对拆卸序列进行优化求解。以常用设备油泵为例,对拆卸序列进行求解,最终得出满足优化目标的拆卸序列。并应用于油泵的拆装仿真,将其拆解过程置于开发的在线系统平台,可实时在线观看学习。     

基于特征的三维装配尺寸／公差链生成研究

针对目前基于特征的尺寸／公差链生成主要集中于二维的情况，本文进行了三维装配尺寸／公差链生成的研究。基于特征的尺寸工程语义的表达以及基于特征自由度变动的三维公差信息的表示，给出了三维尺寸／公差信息的公差图存储结构；在分析零件配合关系及建立装配特征关联矩阵的基础上，提出了根据产品装配特征和指定封闭环信息的装配尺寸／公差链自动生成算法，该算法考虑到零件特征配合的方向性，可以简化装配尺寸／公差链自动生成的复杂度；通过实例验证了所提出的算法，证明有效。     

动态环境下基于改进蚁群算法的机器人路径规划研究

针对动态复杂条件下的移动机器人路径规划问题,根据全局静态环境先验知识,提出一种改进蚁群算法。在经典蚁群算法的基础上通过调整转移概率,限定信息素强度的上下界,并引入相关策略解决死锁问题,可以避免初期规划的盲目性,增加解的多样性,提高算法的全局搜索能力,进一步减小算法早熟的可能性。在规划过程中,根据动态障碍物运行方向的变化与否,提出了相应的碰撞避免策略,并针对环境突发状况引入Follow_wall行为进行改进。仿真实验证明,该算法优于经典蚁群算法,可有效地指导移动机器人避免环境中的动态障碍物,获取无碰最优或次优路径,并能更好地适应环境的变化。     

航空货站自动化存取系统作业调度优化

为从作业调度角度提高航空货站自动化存取系统运作效率,在分析双板作业和防冲突避让对指令序列完工时间影响的基础上,以指令序列完工时间最短为优化目标,建立了航空货站自动化存取系统调度优化模型,并设计了一种改进的蚁群算法对模型进行求解.为避免算法在搜索过程中陷入局部最优,在引入权重信息素和随机扰动策略的基础上,提出了具有变异率的状态转移参数,用于在寻优过程中决定蚂蚁的移动方向.仿真结果表明:改进的蚁群算法较基本蚁群算法和遗传算法具有更好的全局搜索能力和求解精度,所提出的调度优化方法获得的指令序列完工时间较先到先服务调度策略有至少37%的改进.     

模糊系统结合蚁群算法的金具温升建模

为了得到准确可靠的阀厅连接金具温升模型,运用模糊系统结合蚁群算法的方法进行建模。在分析基本蚁群算法与梯度下降法优缺点的基础上,将两种方法结合形成改进蚁群算法,即在基本蚁群算法基础上应用梯度下降算法。通过试验得到的训练数据分别用基本蚁群算法、梯度下降算法、改进蚁群算法训练模糊系统,改进蚁群算法的收敛效果优于其他两种方法;通过试验得到的测试数据对4种方法所得的模型进行测试,由改进蚁群算法训练模糊系统所得模型的测试效果是最好的。结果表明,若能通过试验得到足量训练数据,用改进蚁群算法训练模糊系统的方法对阀厅连接金具的温升进行建模是可行的。     

分段蚁群算法在运输调度问题中的应用

在基本蚁群算法的基础上提出了分段蚁群算法,通过改进选择策略和信息素更新机制以求解一类运输调度问题,实验证明结果理想.     

基于双向收敛蚁群算法在车间作业调度上的应用

合理搭配车间中生产环节的各种资源,减少零部件的准备工作,可以提高设备使用率与生产效率。提出双向收敛蚁群算法,并通过实例跟基本蚁群算法相比较,实验结果证明采用双向收敛蚁群算法可以提高搜索过程的挥发系数,加快收敛速度。     

基于改进蚁群的BP神经网络WSN数据融合算法

为了保证无线传感器网络（WSN）在深井中能有效地工作,提出了一种改进蚁群的反向传播（BP）神经网络WSN数据融合算法（IFA-IACOBP）.通过规划蚂蚁运动方向和引入节点剩余能量对蚁群算法启发因子进行改进,优化蚂蚁下一跳节点选择概率,利用改进后的蚁群算法对BP神经网络进行优化,引入井下WSN数据融合,数据经两级融合处理后,能去除大部分冗余信息.仿真实验结果表明,IFA-IACOBP算法能有效减少网络数据通信量,提高数据实时性,降低网络能耗,延长网络寿命.     

移动机器人路径规划蚁群算法及其收敛性分析

移动机器人的路径规划是按照某一性能指标搜索一条从起点到目标点的最优或次最优的无碰撞路径.将蚁群算法用于移动机器人的路径规划,阐述了移动机器人路径规划蚁群算法的基本原理,指出蚁群算法的迭代过程是马尔科夫过程,分析了蚁群算法的收敛性,提出了改善蚁群算法收敛性的途径.仿真结果表明:该算法能够在较短的时间内规划出较优的路径,且该算法有效可行.