基于蚁群优化算法的目标拆卸序列规划
基于改进蚁群算法的测试序列优化算法
基于改进蚁群算法的测试序列优化算法近几年,伴随着中国铁路运行控制系统的高速发展,稳定性与安全性的提高已经成为CTCS-3列控系统发展的焦点。
为提高CTCS-3系统的可靠性并保证其顺利开通运行,必须在其投入正式使用前进行大量测试,以避免不必要的损失。
进行CTCS-3列控系统现场测试需要消耗大量的人力财力,系统测试周期也相对较长,而且完全由人工做出测试案例和测试序列可能会出现一些漏洞和缺陷。
因此,为了确保CTCS-3列控系统行为功能正确性,提高测试效率,基于模型自动化测试方法已成为备受关注的新型自动化测试方法。
这篇论文主要采用了改进蚁群算法(M-ACA)和老鼠迷宫算法,对基于CPN模型的测试案例和测试序列自动生成方法进行深入的研究。
选择了RBC切换、自动过分相、注册与启动、注销四个功能场景为例,结合RBC测试平台对所提出的方法进行了科学的验证和详尽的阐述。
论文的主要工作如下：1.针对本文研究对象CTCS-3列控系统测试的国内国外研究现状进行综述,指出本文所要研究的问题和意义。
2.对于论文中涉及到的相关概念进行了必要简介,包括测试方法的研究、传统算法的分析,然后,介绍了CPN相关概念和建模工具CPN Tools。
3.提出了改进蚁群算法的基本原理和方法,并结合流程图详述了测试案例和测试序列生成及优化的过程。
同时,对于建立CPN模型的过程进行了详细的解释,且通过状态空间可达图详述了生成优化序列的过程并展示了生成的结果。
4.根据本文所提出的改进蚁群算法,利用C++语言编写了测试序列生成软件,该软件主要包括需求模块、测试模块、运行模块、结果模块。
通过运行该软件得出的优化结果,与利用序列优选算法(SPS)和传统深度优先搜索算法(DFS)生成的测试序列结果进行对比,最终证明了改进蚁群算法的优越性。
为了满足实际运行需求,加入了故障、并行测试的思想,且分别编写了基于故障的测试序列生成工具和并行测试序列生成工具,并对相应生成的测试序列结果进行了分析比对。
蚁群算法的基本原理
蚁群算法的基本原理蚁群算法 (Ant Colony Optimization, ACO) 是一种基于群体智能的优化算法，模拟了蚂蚁在寻找食物时候的行为，被广泛应用于求解组合优化问题、路径规划等领域。
蚁群算法的基本思路蚁群算法的基本思路是通过模拟蚂蚁在寻找食物的过程中释放信息素来获取全局最优解。
具体过程如下：1.初始化信息素: 首先，需要在所有可行解的路径上放置一些信息素。
在开始时，信息素值可以选择为等量的值或一些默认值。
2.蚁群搜索: 一开始，所有的蚂蚁都分别随机选择一个节点作为起点，并开始在网络中搜索。
蚂蚁行动的过程中，会根据路径上信息素浓度的大小来选择下一步的方向。
同时，每只蚂蚁都会记录其所经过的路径和信息素值。
3.信息素更新: 每只蚂蚁到达终点之后，计算其所经过路径的费用，然后根据一定的规则更新路径上的信息素。
较优的路径上将会添加更多的信息素，使下一次蚂蚁选择该路径的概率更大。
4.重复搜索: 重复上面的步骤，直到满足一个停止条件为止。
一种常见的停止条件是达到预定的迭代次数。
蚁群算法的优势蚁群算法在解决组合优化问题时，具有以下的优势：1.全局优化能力极强: 因为每只蚂蚁都只关注自己所经过的路径上的信息素值，所以可以同时搜索并更新多个路径，从而有可能找到全局最优解。
2.能够避免陷入局部最优: 蚁群算法可以通过信息素的挥发、说长存、信息素值的启发式更新等手段来避免陷入局部最优解。
3.易于扩展和并行化: 蚁群算法通常是一种并行的算法，可以很轻松地应用于分布式计算环境中。
蚁群算法的应用蚁群算法在解决组合优化问题、路径规划、调度等方面有着广泛的应用，如下所示：1.旅行商问题: 蚁群算法可以用于解决旅行商问题。
2.线性规划问题: 蚁群算法可以用于求解线性规划问题。
3.路径规划问题: 蚁群算法可以用于车辆路径规划问题。
4.调度问题: 蚁群算法可以用于作业车间调度问题。
蚁群算法是一种基于群体智能的优化算法，模拟了蚂蚁在寻找食物时候的行为。
基于遗传-粒子群混合优化算法的拆卸序列规划方法研究
第３８卷第３期２０２１年３月机㊀㊀电㊀㊀工㊀㊀程ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇＶｏｌ.３８Ｎｏ.３Ｍａｒ.２０２１收稿日期:２０２０－０７－０６基金项目:国家工信部民用飞机科研专项资助项目(ＭＪＺ－２０１７－Ｙ－８１)作者简介:王玉鑫(１９８３－)ꎬ女ꎬ辽宁沈阳人ꎬ讲师ꎬ主要从事航空维修工程分析等方面的研究ꎮＥ￣ｍａｉｌ:ｙｕｘｉｎｗａｎｇ＿２００９＠１２６.ｃｏｍＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００１－４５５１.２０２１.０３.０１１基于遗传￣粒子群混合优化算法的拆卸序列规划方法研究∗王玉鑫ꎬ任㊀帅(中国民航大学航空工程学院ꎬ天津３００３００)摘要:为确保使产品具有良好的维修性ꎬ针对现有拆卸序列规划方法存在无法高效得到最优解ꎬ甚至得不到最优解的问题ꎬ对拆卸序列规划问题特征进行了研究ꎮ确定了适用于拆卸任务排序的编码规则ꎬ设计了一种分层次的拆卸优先图ꎬ用分层次约束矩阵保证了拆卸中的优先约束ꎬ建立了随机序列合规化处理方法ꎻ定义了适用于此问题的遗传算法交叉算子和变异算子ꎬ结合全局搜索能力较好的遗传算法与局部搜索能力较好的粒子群算法ꎬ提出了适用于拆卸序列规划的遗传￣粒子群算法ꎻ最后ꎬ以液压泵为例ꎬ建立了其拆卸模型ꎬ在ＭＡＴＬＡＢ软件上进行了算例验证ꎬ并与文献中不同算法对此问题的求解结果进行了对比和分析ꎮ研究结果表明:此算法最优解适应度㊁得到最优解的迭代次数及运行时间均低于以往算法ꎬ即可以更加高效得出适应度值更优的拆卸序列ꎬ显示其有效性及优越性ꎮ关键词:混合优化算法ꎻ拆卸序列规划ꎻ全局搜索ꎻ约束优化问题ꎻ液压泵中图分类号:ＴＨ１７ꎻＴＰ３０１.６㊀㊀㊀㊀文献标识码:Ａ文章编号:１００１－４５５１(２０２１)０３－０３３７－０６ＤｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｈｙｂｒｉｄｇｅｎｅｔｉｃｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍＷＡＮＧＹｕ￣ｘｉｎꎬＲＥＮＳｈｕａｉ(ＣｏｌｌｅｇｅｏｆＡｅｒｏｎａｕｔｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬＣｉｖｉｌＡｖｉａｔｉｏｎＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａꎬＴｉａｎｊｉｎ３００３００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｃａｎｎｏｔｂｅｏｂｔａｉｎｅｄｅｆｆｉｃｉｅｎｔｌｙｏｒｅｖｅｎｃａｎｎｏｔｂｅｇｏｔｔｈｒｏｕｇｈｔｈｅｅｘｉｓｔｉｎｇｄｉｓａｓ￣ｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇｍｅｔｈｏｄꎬａｋｉｎｄｏｆｈｉｅｒａｒｃｈｉｃａｌｄｉｓａｓｓｅｍｂｌｙｐｒｉｏｒｉｔｙｄｉａｇｒａｍｗａｓｄｅｓｉｇｎｅｄꎬａｎｄｈｉｅｒａｒｃｈｉｃａｌｃｏｎｓｔｒａｉｎｔｍａｔｒｉｘｗａｓｕｓｅｄｔｏｅｎｓｕｒｅｔｈｅｐｒｉｏｒｉｔｙｃｏｎｓｔｒａｉｎｔｓꎬｔｈｅｎｔｈｅｍｅｔｈｏｄｏｆｒａｎｄｏｍｓｅｑｕｅｎｃｅｃｏｍｐｌｉａｎｃｅｗａｓｅｓｔａｂｌｉｓｈｅｄｂｙｓｔｕｄｙｉｎｇｔｈｅｐｒｏｂｌｅｍｏｆｄｉｓａｓｓｅｍ￣ｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇｆｅａｔｕｒｅｓａｎｄｄｅｔｅｒｍｉｎｉｎｇｓｕｉｔａｂｌｅｅｎｃｏｄｉｎｇｒｕｌｅｓｆｏｒｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅ.Ｔｈｅｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｃｒｏｓｓｏｖｅｒｏｐｅｒａｔｏｒａｎｄｍｕｔａｔｉｏｎｏｐｅｒａｔｏｒｓｕｉｔａｂｌｅｆｏｒｔｈｉｓｐｒｏｂｌｅｍｗｅｒｅｄｅｆｉｎｅｄꎬａｎｄｔｈｅｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ￣ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎｗｈｉｃｈｉｓｓｕｉｔａｂｌｅｆｏｒｄｉｓ￣ａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇｗａｓｐｒｏｐｏｓｅｄｂｙｃｏｍｂｉｎｉｎｇｔｈｅｇｌｏｂａｌｓｅａｒｃｈａｂｉｌｉｔｙｏｆｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｗｉｔｈｔｈｅｌｏｃａｌｓｅａｒｃｈａｂｉｌｉｔｙｏｆｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ.Ｔｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｏｐｔｉｍａｌｓｏｌｕｔｉｏｎｆｉｔｎｅｓｓꎬｉｔｅｒａｔｉｏｎｔｉｍｅｓａｎｄｒｕｎｎｉｎｇｔｉｍｅｏｆｔｈｅａｌｇｏｒｉｔｈｍａｒｅｌｏｗｅｒｔｈａｎｔｈｏｓｅｏｆｐｒｅｖｉｏｕｓａｌｇｏｒｉｔｈｍｓꎬｔｈａｔｉｓꎬｔｈｅｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｗｉｔｈｂｅｔｔｅｒｆｉｔｎｅｓｓｖａｌｕｅｃａｎｂｅｏｂｔａｉｎｅｄｍｏｒｅｅｆｆｉｃｉｅｎｔｌｙꎬｗｈｉｃｈｓｈｏｗｓｉｔｓｅｆ￣ｆｅｃｔｉｖｅｎｅｓｓａｎｄｓｕｐｅｒｉｏｒｉｔｙ.Ｋｅｙｗｏｒｄｓ:ｈｙｂｒｉｄｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍꎻｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇꎻｇｌｏｂａｌｓｅａｒｃｈꎻｃｏｎｓｔｒａｉｎｔｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍꎻｈｙｄｒａｕｌｉｃｐｕｍｐ０㊀引㊀言为确保使产品具有良好的维修性ꎬ并且保证新产品在投入运营后ꎬ可以正确地使用和维修ꎬ制造商应开发并提供正确㊁合理㊁详尽㊁便于使用的新产品运行文件ꎬ后勤保障分析国际程序规范(Ｓ３０００Ｌ)明确要求产品在设计阶段应该考虑在运营阶段和报废阶段的拆解ꎬ这要求在技术出版物中必须有相关拆解流程ꎬ即需要进行拆卸序列规划(ｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇꎬＤＳＰ)ꎮ进行拆卸序列规划在设计阶段有助于提高产品的维修性ꎬ且可对技术出版物进行有效验证ꎻ在运营阶段或报废阶段也可以有效地在工程中提高工作效率ꎬ降低维修成本ꎮ拆卸序列规划的目的是生成零件或者部件的拆卸顺序ꎬ以使得在维修工作中达到决策者的 最佳目标 ꎬ此最佳目标一般指拆卸成本最小㊁拆卸收益最大㊁对环境污染最小等要求ꎬ其好坏程度对于产品维修活动的有效性和经济性有着直接的影响[１]ꎮＤＳＰ问题本质上可以抽象为一个排列组合的优化问题ꎬ随着产品零件数量的增加ꎬ拆卸序列的数量会呈指数型增长ꎬ即组合爆炸现象[２]ꎮ因此ꎬＤＳＰ问题的求解将会是ＤＳＰ问题的关键ꎮ对此ꎬ国内外大量学者对其进行了深入研究ꎬ比如蚁群算法[３￣５]㊁人工蜂群算法[６ꎬ７]㊁遗传蝙蝠算法[８]等ꎮ蚁群算法经改进后具有良好的收敛性ꎻ人工蜂群算法起步较晚ꎬ在该问题的应用也较少ꎬ其同样可在保证种群多样性的前提下实现算法的快速收敛ꎻ虽鲜有人将蝙蝠算法用于拆卸序列规划问题ꎬ但经改进的遗传蝙蝠算法的收敛性和收敛速度也优于遗传算法(ＧＡ)ꎮＴＳＥＮＧＹＪ[９]等提出了一种基于粒子群算法(ＰＳＯ)的闭环装配与拆卸序列规划的绿色装配序列规划模型ꎬ但是未考虑在通过粒子群迭代后的序列优先关系ꎻ同样地ꎬ张秀芬[１０]在通过粒子群算法对拆卸序列进行寻优中也未考虑新一代的序列是否满足拆卸优先约束ꎻ在后续研究中ꎬ张济涛等[１１]提出了基于量子遗传算法的拆卸序列规划模型ꎬ对该问题进行改进ꎬ其结论为迭代次数减少ꎬ可较快得出最优解ꎻ然而其方法在每次迭代之后对所得出序列进行检验ꎬ若序列满足优先约束ꎬ则进入下一步ꎬ否则重新进行迭代ꎮ本质上看ꎬ迭代次数要远高于其所得次数ꎬ其迭代次数的减少并不可靠ꎮ因此ꎬ以上研究虽然可以有效地得出较优的拆解序列ꎬ但是在其算法的迭代过程中或是未考虑优先约束ꎬ或是迭代速度过慢ꎮ基于此ꎬ为提高拆卸序列规划的效率ꎬ在工程中更快㊁更精准地得出最优解ꎬ本文根据产品零件的装配约束关系ꎬ通过拆解优先图来表达拆解对象ꎬ并提出一种基于遗传￣粒子群混合优化算法(ＧＡ￣ＰＳＯ)ꎻ最后以液压泵作为算例ꎬ来验证算法的可行性及优越性ꎮ１㊀产品拆卸优先图建模１.１㊀拆卸优先图建立本文所涉及的拆卸序列规划主要是完全拆卸ꎬ其目标函数一般为时间最短ꎬ所以选用较简单的拆卸优先图进行表达ꎬ若为选择性拆卸则不适用ꎮ拆卸优先图可以简单有效地表达产品的拆卸优先约束关系[１２]ꎬ拆卸优先图如图１所示ꎮ图１㊀拆卸优先图图１中ꎬＡ㊁Ｂ㊁Ｃ㊁Ｄ㊁Ｅ㊁Ｆ分别表示该产品的组成构件ꎬ有向箭头代表约束关系ꎬ表示各部件优先约束关系ꎬ如ＦңＡ表示在拆卸Ａ之前ꎬ必须先拆卸Ｆꎮ不同于之前研究的表达ꎬ本文所采用的拆解优先图使用分层表达ꎬＡ为第０层ꎬＢ㊁Ｃ为第一层ꎬＤ为第二层ꎬＥ为第三层ꎬＦ为第四层ꎮ分层表达便于对序列进行 合规化处理 ꎬ 合规化处理 即为对随机序列进行处理使其满足优先约束ꎮ１.２㊀模型的数学描述ＤＳＰ为离散组合优化问题ꎬ基于拆卸优先图模型ꎬ可将此问题描述为:产品可拆卸单元为Ｎ个ꎬ每次仅能拆卸其中一个ꎬ所求序列应该满足拆卸优先关系ꎬ并且每个顶点都需遍历且只能遍历一次ꎮＡ－Ｆ按１－６进行排列ꎬ拆卸优先矩阵Ｒ如下式所示:Ｒ＝００００００１０００００００００００２２０００００３３３００４００４４０æèçççççççöø÷÷÷÷÷÷÷(１)其中ꎬＲｒｃ 矩阵Ｒ的第ｒ行第ｃ列位置的数值ꎬＲｒｃ＝０㊀表示零件ｒ对零件ｃ无约束或后于ｃ拆卸１㊀表示在拆卸ｃ之前必须先拆卸ｒꎬ且ｒ为第１层零件２㊀表示在拆卸ｃ之前必须先拆卸ｒꎬ且ｒ为第２层零件３㊀表示在拆卸ｃ之前必须先拆卸ｒꎬ且ｒ为第３层零件４㊀表示在拆卸ｃ之前必须先拆卸ｒꎬ且ｒ为第４层零件ìîíïïïïïï４即为拆卸优先矩阵层数ꎮ通过搜索优先矩阵可以将随机序列进行合规化处理ꎬ合规化处理流程图如图２所示ꎮ８３３ 机㊀㊀电㊀㊀工㊀㊀程第３８卷图２㊀合规化处理流程图㊀㊀Ｍ 拆卸优先矩阵层数对于完全拆卸序列规划ꎬ其总拆卸操作时间一致ꎬ由于总时间＝总拆卸操作时间＋操作换向时间＋变换工具时间ꎬ则可以将目标函数看作换向次数及工具变换次数的函数ꎮ该目标函数即可作为算法中的适应度函数ꎮ(１)拆卸工具变换次数如下式所示:Ｕ＝ðＳ－１ｃ＝１ｕ(ｃꎬＳ)(２)式中:Ｕ 拆卸工具变换次数ꎻｕ(ｃꎬＳ) 某序列Ｓ中ꎬ第ｃ个操作到第ｃ＋１个操作的拆卸工具变化信息ꎬｕ(ｃꎬＳ)＝０拆卸工具不变１拆卸工具转变{ꎻ(２)拆卸方向变换次数如下式所示:Ｈ＝ðＳ－１ｃ＝１ｈ(ｃꎬＳ)(３)式中:Ｈ 拆卸方向变换次数ꎻｈ(ｃꎬＳ) 某序列Ｓ中ꎬ第ｃ个操作到第ｃ＋１个操作的拆卸方向变化信息ꎬｈ(ｃꎬＳ)＝０拆卸方向不变１拆卸方向转变{ꎮ２㊀ＧＡ￣ＰＳＯ混合优化算法２.１㊀算法原理及模型映射２.１.１㊀算法１㊀(粒子群算法)粒子群算法采用群体进化ꎬ通过适应度函数评价每个粒子的好坏ꎬ模拟鸟群飞行觅食行为ꎬ集体协作寻找最优解ꎮ将鸟群作为一个粒子群ꎬ每只鸟作为Ｇ维空间的一个粒子ꎬ其代表问题的一个可行解ꎬ具有位置和速度两个属性ꎮ粒子位置坐标即为解向量ꎬ可通过适应度函数对其进行评价ꎬ各粒子可以通过自身所经历的位置㊁最佳位置和全局最佳位置提供的信息ꎬ在解空间内不断更新ꎬ寻找最优解[１３]ꎮ个体最优解为粒子本身所经历的最佳位置ꎬ全局最优解为种群所经历的最佳位置ꎮ传统的连续性寻优规则一般如下:Ｇ维空间粒子ｉ的信息可表示为:位置信息如下:ｘｉ＝(ｘｉ１ꎬｘｉ２ꎬ ꎬｘｉＧ)(４)速度信息如下:ｖｉ＝(ｖｉ１ꎬｖｉ２ꎬ ꎬｖｉＧ)(５)根据个体最优解和全局最优解进化ꎬ速度更新如下:ｖｋ＋１ｉｄ＝ｖｋｉｄ＋ｃ１∗ｒａｎｄｋ１∗(ｐｂｅｓｔｋｉｄ－ｘｋｉｄ)＋ｃ２∗ｒａｎｄｋ２∗(ｇｂｅｓｔｋｄ－ｘｋｉｄ)(６)位置更新如:ｘｋ＋１ｉｄ＝ｘｋｉｄ＋ｖｋ＋１ｉｄ(７)式中:ｖｋｉｄ 第ｉ个粒子在第ｋ代第ｄ维的速度ꎻｘｋｉｄ 第ｉ个粒子在第ｋ代第ｄ维的位置ꎻｃ１ꎬｃ２ 加速系数ꎻｒａｎｄ１ꎬｒａｎｄ２ [０ꎬ１]的随机数ꎻｐｂｅｓｔｋｉｄ 粒子ｉ在第ｄ维的个体极值点ꎻｇｂｅｓｔｋｄ 全局极值点ꎮ２.１.２㊀算法２㊀(遗传算法)解决拆卸序列规划问题可直接采用零件或者操作编号进行编码ꎬ通过选择算子对各染色体进行选择以得到父代染色体ꎬ再通过交叉㊁变异算子[１４￣１６]ꎮ对种群染色体进行迭代寻找最优解ꎮ传统的遗传算法中ꎬ选择算子一般选用轮盘赌选择法ꎮ具体方法为将每个粒子被选择的概率设定为该粒子的适应度所占种群总适应度的大小ꎬ若适应度越小越好ꎬ则通过各个粒子适应度与种群总适应度的差值之间的比值来确定ꎮ例如:３个粒子适应度为１㊁４㊁５ꎬ则总适应度为１０ꎬ３个粒子被选择概率的比值为９ʒ６ʒ５ꎬ三者被选择的概率分别为０.４５㊁０.３㊁０.２５ꎮ交叉算子一般是随机确定一个或几个交叉点的位置ꎬ然后将两个染色体的基因进行交换ꎬ从而选择两个新的个体ꎮ变异算子一般是随机选择某染色体的某个位置ꎬ在其可变范围内进行按一定规则随机变化ꎮ２.２㊀遗传￣粒子群混合优化算法粒子群算法多适用于连续组合优化问题[１７]ꎬ通过ＰＳＯ求解ＤＳＰ这种离散问题ꎬ需通过以下方法将其进行对应ꎮ在产品模型基础上ꎬ产生多个粒子ꎬ每个粒子由１￣Ｎ的自然数组成ꎬ即可构成一个粒子群:９３３ 第３期王玉鑫ꎬ等:基于遗传￣粒子群混合优化算法的拆卸序列规划方法研究(１)粒子的位置:对应拆卸序列ꎻ(２)粒子的速度:前人将速度取值空间定为０ꎬ１来代表至下一代粒子元素是否发生变动ꎮ但是ꎬ通过此方式进行粒子的移动会产生不合规的粒子ꎬ需要再对粒子进行合规划处理ꎮ因此ꎬ本文取消粒子群中的速度概念ꎻ(３)粒子的适应度:对应拆卸成本函数ꎬ其值越小ꎬ序列越佳ꎮ遗传算法在求解ＤＳＰ问题时同样需要进行改进ꎬ传统的交叉㊁变异算子可能导致从原本合规的父代染色体得到不合规的子代染色体ꎮ因此ꎬ要重新设计交叉及变异算子:(１)交叉是ＧＡ更新和探索解空间的关键操作ꎮ传统的交叉算子可能会导致序列错误ꎬ比如ＦＥＤＢＡＣ与ＦＥＣＤＢＡ在第３个点交叉则产生ＦＥＣＢＡＣ与ＦＥＤ￣ＤＢＡꎮ为保证基因的完整性ꎬ将使用优先选择交叉方式进行交叉[１８]ꎬ优先保存交叉算子如图３所示ꎮ图３㊀优先保存交叉算子Ｆ１ 父代１ꎻＦ２ 父代２ꎻＣ１ 子代掩码ꎬＣ２ 子代步骤如下:①随机生成序列Ｃ１ꎬ该序列为１－２的随机排列ꎬ长度与染色体长度相同ꎻ②Ｃ１中第一个数字是１ꎬ则Ｃ２第一个基因从Ｆ１的第一个基因提取ꎬ并删除Ｆ１与Ｆ２中的该基因ꎻ③第二个数字是２ꎬ则Ｃ２从父代２的第一个染色体提取ꎬ并删除Ｆ１与Ｆ２的该基因ꎻ④重复以上步骤即可得出新染色体Ｃ２ꎻ(２)变异算子ꎮ不同于传统变异算子ꎬ变异算子不能简单地选取任意两点进行置换ꎬ原因是交换后的染色体可能不能满足优先约束ꎬ合规化处理后可能与变异前相同ꎬ变异无效ꎮ对其进行改进ꎬ任取两点将两点间所有基因倒序排列ꎬ再经过合规化处理后变异有效的概率较高ꎮ由于粒子群算法种群中一旦产生相对较优的粒子ꎬ则粒子都会朝着该粒子进化ꎬ若该粒子并非全局最优ꎬ且全局最优的方向与此粒子的方向相反ꎬ则粒子将无法找到全局最优解ꎬ使得其局部搜索能力较强ꎮ在对求解质量要求不高时ꎬ该算法可高效求得高质量的解ꎬ但并非最优解ꎮ因此ꎬ随着ＰＳＯ算法的不断更新迭代ꎬ种群多样性必然减少ꎬ易陷入局部最优ꎬ从而得到局部最优解ꎮ另外ꎬ拆卸序列规划问题是离散型数值寻优问题ꎬ且其序列顺序已被约束ꎬ这容易导致初始种群本身很可能已散落在局部最优解附近ꎬ以致无法寻找到全局最优解ꎬ从而得不出最优序列ꎮ遗传算法通过变异可提高其全局搜索性ꎬ将遗传算法与粒子群算法进行结合ꎬ可以增强粒子群算法的全局搜索能力ꎮ因此ꎬ本研究提出了ＧＡ￣ＰＳＯ混合的优化算法ꎮ遗传￣粒子群混合优化算法流程图如图４所示ꎮ图４㊀遗传￣粒子群混合算法流程图步骤一:设定算法基本参数ꎬ如种群数量ꎬ交叉㊁变异概率ꎬ粒子维度ꎬ约束矩阵ꎬ各零件拆卸的操作方向及工具信息ꎬ生成初始种群ꎻ步骤二:对初始种群进行合规化处理ꎻ步骤三:计算适应度ꎬ找出个体和全局最优ꎻ步骤四:判断是否满足终止条件ꎬ条件一般设定为迭代次数或者达到所要求的适应度值ꎬ若达到终止条件则结束迭代ꎬ未达到则进行步骤五ꎻ步骤五:各个粒子先后与个体最优解和全局最优解进行优先保存交叉操作ꎬ得到新的子代ꎻ步骤六:对每条染色体随机选取两点ꎬ将其间基因倒序排列ꎬ得到变异后新的子代ꎻ步骤七:对变异后的染色体再进行合规化处理ꎬ返回步骤三ꎮ本文所提的混合算法主要是从用遗传算法来模拟粒子群算法的角度出发ꎬ重构遗传算法交叉及变异算子ꎮ从宏观上来看ꎬ其行为是粒子群算法ꎻ从微观来看ꎬ其行为是遗传算法ꎬ从而构成遗传￣粒子群混合算法ꎮ０４３ 机㊀㊀电㊀㊀工㊀㊀程第３８卷３㊀算例验证及分析本文所用适用于产品拆卸序列规划的ＧＡ￣ＰＳＯ混合优化算法由ＭＡＴＬＡＢ(Ｒ２０１８Ａ)编程实现ꎬ电脑配置为:Ｉｎｔｅｒ(Ｒ)Ｃｏｒｅ(ＴＭ)ｉ７￣４７１０ＭＱＣＰＵ＠２.５ＧＨｚꎬ在Ｗｉｎｄｏｗｓ８系统下运行ꎬ算法参数主要有粒子长度ｌｅｎｃｈｒｏｍꎬ种群数量ｓｗａｒｍｓｉｚｅꎬ最大迭代次数ｍａｘｇｅｎ和约束矩阵Ｒꎮ以文献[１９]中的液压泵为例ꎬ笔者对该产品进行分析ꎮ该液压泵模型包括２０个最小拆卸单位ꎮ液压泵拆卸优先图模型如图５所示ꎮ图５㊀液压泵拆卸优先图液压泵拆卸单元信息表如表１所示ꎮ表１㊀液压泵拆卸单元信息表编号名称拆卸工具拆卸方向１内六角螺钉１内六角扳手１＋ｙ２前端盖螺丝刀＋ｙ３密封圈１手＋ｙ４油封手＋ｙ５滚动轴承拉马－ｙ６齿轮轴手＋ｙ７挡圈尖嘴钳＋ｚ８键螺丝刀＋ｚ９左壳体螺丝刀＋ｙ１０滚动轴承螺丝刀－ｙ１１外出轮拉马－ｙ１２内齿圈手－ｙ１３滚动轴承螺丝刀＋ｙ１４密封圈２手＋ｙ１５定位销拔销器－ｙ１６右壳体螺丝刀－ｙ１７密封圈手＋ｙ１８后端盖螺丝刀－ｙ１９内六角螺钉１内六角扳手１－ｙ２０内六角螺钉２内六角扳手２－ｙ㊀㊀算法训练过程如图６所示ꎮ图６㊀算法训练过程㊀㊀各算法结果对比如表２所示ꎮ表２㊀各算法结果对比算法名称迭代次数工具变换次数拆卸方向变换次数运行时间/ｓ最优序列蚁群算法６００１０１１４.４３１ꎬ１９ꎬ１８ꎬ１７ꎬ２０ꎬ１６ꎬ２ꎬ１４ꎬ３ꎬ４ꎬ１２ꎬ１５ꎬ１１ꎬ８ꎬ１０ꎬ１３ꎬ９ꎬ６ꎬ７ꎬ５粒子群算法３００９１２１.８１１ꎬ１９ꎬ２０ꎬ１８ꎬ２ꎬ１７ꎬ４ꎬ３ꎬ１６ꎬ１２ꎬ１１ꎬ１５ꎬ８ꎬ１０ꎬ１３ꎬ１４ꎬ６ꎬ７ꎬ５ꎬ９遗传算法４００１０１１２.８４１ꎬ１９ꎬ２０ꎬ１８ꎬ２ꎬ１７ꎬ４ꎬ１６ꎬ１２ꎬ１４ꎬ３ꎬ１５ꎬ１ꎬ８ꎬ１０ꎬ９ꎬ１３ꎬ６ꎬ７ꎬ５改进人工蜂群算法３００８１２１.８３１ꎬ１９ꎬ２０ꎬ１８ꎬ２ꎬ１７ꎬ４ꎬ３ꎬ１６ꎬ１２ꎬ１１ꎬ１５ꎬ８ꎬ１０ꎬ１３ꎬ１４ꎬ６ꎬ９ꎬ７ꎬ５ＧＡ￣ＰＳＯ５１２５１.６９２０ꎬ１９ꎬ１８ꎬ１６ꎬ１１ꎬ１２ꎬ８ꎬ１０ꎬ９ꎬ１３ꎬ６ꎬ１７ꎬ１４ꎬ１ꎬ２ꎬ４ꎬ３ꎬ７ꎬ５ꎬ１５㊀㊀由表２可知:５种算法均能得到近似最优解ꎬ但ＧＡ￣ＰＳＯ算法更为优异:蚁群算法㊁粒子群算法㊁遗传算法㊁改进人工蜂群算法所得最优解适应度分别为２１㊁２１㊁２１㊁２０ꎮ与以上４种算法相比ꎬ一方面ꎬＧＡ￣ＰＳＯ算法所得最优解适应度为１７ꎬ其解更优ꎻ另一方面ꎬ对比迭代次数与运行时间ꎬＧＡ￣ＰＳＯ的迭代次数远远小于以上几种算法ꎬ且运行时间与以上算法相比较短ꎮ综上所述ꎬ本文提出的ＧＡ￣ＰＳＯ算法与其他算法相比更具优越性ꎮ４㊀结束语ＤＳＰ问题作为维修前所必须解决的问题ꎬ组合优化极具挑战性ꎮ其一是由于其在进行排列中ꎬ存在着１４３ 第３期王玉鑫ꎬ等:基于遗传￣粒子群混合优化算法的拆卸序列规划方法研究优先约束ꎬ使得模型的建立和算法的实现更加困难ꎻ其二是随着装配体可拆卸零件数量的增长ꎬ其排列组合将呈爆炸式增长ꎬ所以在建立模型和其求解算法时ꎬ要充分考虑这一现象ꎮ本文通过拆卸优先图建立拆卸模型ꎬ并采用约束矩阵将模型表达为数学形式ꎬ不同于之前的研究ꎬ无需不断对约束矩阵进行迭代更新ꎬ将其作为约束运用于后续算法ꎬ可以方便地对序列进行合规调整ꎻ运用优先保存交叉方式和倒序式变异ꎬ对遗传算法进行了优化ꎬ再将遗传算法与粒子群算法相结合ꎬ改进了粒子群算法的易陷入局部最优的缺点ꎮ最后ꎬ笔者以液压泵作为算例ꎬ验证算法的可行性及优越性ꎬ结果证明了其具有较好的全局搜索能力以及较快的收敛速度ꎮ在今后的研究中ꎬ笔者将着手大型装备的多人协作拆卸序列规则ꎻ同时ꎬ此算法只适用于单人完全拆卸ꎬ笔者会在将来的研究中做进一步完善ꎮ参考文献(Ｒｅｆｅｒｅｎｃｅｓ):[１]㊀ＺＨＡＮＧＮꎬＬＩＵＺꎬＱＩＵＣꎬｅｔａｌ.Ｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇｕｓｉｎｇａｆａｓｔａｎｄｅｆｆｅｃｔｉｖｅｐｒｅｃｅｄｅｎｃｅ￣ｂａｓｅｄｄｉｓａｓ￣ｓｅｍｂｌｙｓｕｂｓｅｔ￣ｇｅｎｅｒａｔｉｏｎｍｅｔｈｏｄ[Ｊ].ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩｎｓｔｉｔｕｔｉｏｎｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｓꎬＰａｒｔＢ:ＪｏｕｒｎａｌｏｆＥｎｇｉｎｅｅｒｉｎｇＭａｎｕｆａｃｔｕｒｅꎬ２０２０ꎬ２３４(３):５１３￣５２６. [２]㊀刘志峰ꎬ杨德军ꎬ顾国刚.基于模拟退火粒子群优化算法的拆卸序列规划[Ｊ].合肥工业大学学报:自然科学版ꎬ２０１１ꎬ３４(２):１６１￣１６５ꎬ１７９.[３]㊀章小红ꎬ李世其ꎬ王峻峰ꎬ等.基于蚁群算法的单目标选择性拆卸序列规划研究[Ｊ].计算机集成制造系统ꎬ２００７ꎬ１３(６):１１０９￣１１１４.[４]㊀ＷＡＮＧＷＬꎬＳＨＩＸＪ.Ｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇｂａｓｅｄｏｎｐｏｉｓｏｎｉｎｇａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ[Ｊ].ＫｅｙＥｎｇｉｎｅｅｒ￣ｉｎｇＭａｔｅｒｉａｌｓꎬ２０１４ꎬ５７２(１):３４０￣３４３.[５]㊀邓明星ꎬ王菊梅ꎬ唐秋华ꎬ等.基于蚁群算法的选择性拆卸序列规划研究[Ｊ].武汉大学学报:工学版ꎬ２０１８ꎬ５１(３):２５７￣２６１ꎬ２６７.[６]㊀ＬＩＵＪꎬＺＨＯＵＺꎬＰＨＡＭＤＴꎬｅｔａｌ.Ｒｏｂｏｔｉｃｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇｕｓｉｎｇｅｎｈａｎｃｅｄｄｉｓｃｒｅｔｅｂｅｅｓａｌｇｏｒｉｔｈｍｉｎｒｅｍａｎｕｆａｃｔｕｒｉｎｇ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＰｒｏｄｕｃｔｉｏｎＲｅｓｅａｒｃｈꎬ２０１８ꎬ５６(９):３１３４￣３１５１.[７]㊀宋守许ꎬ张文胜ꎬ张㊀雷.基于改进人工蜂群算法的产品拆卸序列规划[Ｊ].中国机械工程ꎬ２０１６ꎬ２７(１７):２３８４￣２３９０.[８]㊀ＪＩＡＯＱＬꎬＸＵＤ.Ａｄｉｓｃｒｅｔｅｂａｔａｌｇｏｒｉｔｈｍｆｏｒｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇ[Ｊ].ＪｏｕｒｎａｌｏｆＳｈａｎｇｈａｉＪｉａｏｔｏｎｇＵ￣ｎｉｖｅｒｓｉｔｙ(Ｓｃｉｅｎｃｅ)ꎬ２０１８ꎬ２３(２):２７６￣２８５. [９]㊀ＴＳＥＮＧＹＪꎬＹＵＦＹꎬＨＵＡＮＧＦＹ.Ａｇｒｅｅｎａｓｓｅｍｂｌｙｓｅ￣ｑｕｅｎｃｅｐｌａｎｎｉｎｇｍｏｄｅｌｗｉｔｈａｃｌｏｓｅｄ￣ｌｏｏｐａｓｓｅｍｂｌｙａｎｄｄｉｓ￣ａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇｕｓｉｎｇａｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａ￣ｔｉｏｎｍｅｔｈｏｄ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｄｖａｎｃｅｄＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙꎬ２０１１ꎬ５７(９￣１２):１１８３￣１１９７. [１０]㊀张秀芬ꎬ张树有.基于粒子群算法的产品拆卸序列规划方法[Ｊ].计算机集成制造系统ꎬ２００９ꎬ１５(３):５０８￣５１４. [１１]㊀张济涛ꎬ樊静波ꎬ高㊀亮.基于量子遗传算法的拆卸序列规划[Ｊ].现代制造工程ꎬ２０１５ꎬ３８(４):１１０￣１１５. [１２]㊀任亚平.废旧产品拆解序列规划问题建模与优化研究[Ｄ].武汉:华中科技大学机械科学与工程学院ꎬ２０１９. [１３]㊀刘福才ꎬ贾亚飞ꎬ任丽娜.基于混沌粒子群优化算法的异结构混沌反同步自抗扰控制[Ｊ].物理学报ꎬ２０１３ꎬ６２(１２):９８￣１０５.[１４]㊀ＷＡＮＧＨꎬＸＩＡＮＧＤꎬＤＵＡＮＧＨ.Ａｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｆｏｒｐｒｏｄｕｃｔｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇ[Ｊ].Ｎｅｕｒｏｃｏｍ￣ｐｕｔｉｎｇꎬ２００８ꎬ７１(１３￣１５):２７２０￣２７２６.[１５]㊀ＲＥＮＹꎬＺＨＡＮＧＣꎬＺＨＡＯＦꎬｅｔａｌ.Ａｎａｓｙｎｃｈｒｏｎｏｕｓｐａｒａｌｌｅｌｄｉｓａｓｓｅｍｂｌｙｐｌａｎｎｉｎｇｂａｓｅｄｏｎｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ[Ｊ].ＥｕｒｏｐｅａｎＪｏｕｒｎａｌｏｆＯｐｅｒａｔｉｏｎａｌＲｅｓｅａｒｃｈꎬ２０１８ꎬ２６９(２):６４７￣６６０.[１６]㊀ＴＩＡＮＹＴꎬＺＨＡＮＧＸＦꎬＬＩＵＺＨꎬｅｔａｌ.Ｐｒｏｄｕｃｔｃｏｏｐｅｒ￣ａｔｉｖｅｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅａｎｄｔａｓｋｐｌａｎｎｉｎｇｂａｓｅｄｏｎｇｅ￣ｎｅｔｉｃａｌｇｏｒｉｔｈｍ[Ｊ].ＴｈｅＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｄ￣ｖａｎｃｅｄＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙꎬ２０１９ꎬ１０５(５￣６):２１０３￣２１２０.[１７]㊀ＰＲＡＤＥＥＰＭＯＮＴＧꎬＳＲＩＤＨＡＲＡＮＲꎬＰＡＮＩＣＫＥＲＶＶ.Ｄｅｖｅｌｏｐｍｅｎｔｏｆｍｏｄｉｆｉｅｄｄｉｓｃｒｅｔｅｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａ￣ｔｉｏｎａｌｇｏｒｉｔｈｍｆｏｒｑｕａｄｒａｔｉｃａｓｓｉｇｎｍｅｎｔｐｒｏｂｌｅｍｓ[Ｊ].Ｉｎ￣ｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＩｎｄｕｓｔｒｉａｌＥｎｇｉｎｅｅｒｉｎｇＣｏｍｐｕｔａ￣ｔｉｏｎｓꎬ２０１８ꎬ９(４):４９１￣５０８.[１８]㊀ＷＡＮＧＨꎬＸＩＡＮＧＤꎬＲＯＮＧＹꎬｅｔａｌ.Ｉｎｔｅｌｌｉｇｅｎｔｄｉｓａｓ￣ｓｅｍｂｌｙｐｌａｎｎｉｎｇ:ａｒｅｖｉｅｗｏｎｉｔｓｆｕｎｄａｍｅｎｔａｌｍｅｔｈｏｄｏｌｏｇｙ[Ｊ].ＡｓｓｅｍｂｌｙＡｕｔｏｍａｔｉｏｎꎬ２０１３ꎬ３３(１):７８￣８５. [１９]㊀张文胜.基于改进人工蜂群算法的机电产品并行拆卸序列规划研究[Ｄ].合肥:合肥工业大学机械工程学院ꎬ２０１７.[编辑:雷㊀敏]本文引用格式:王玉鑫ꎬ任㊀帅.基于遗传￣粒子群混合优化算法的拆卸序列规划方法研究[Ｊ].机电工程ꎬ２０２１ꎬ３８(３):３３７－３４２.ＷＡＮＧＹｕ￣ｘｉｎꎬＲＥＮＳｈｕａｉ.Ｄｉｓａｓｓｅｍｂｌｙｓｅｑｕｅｎｃｅｐｌａｎｎｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｈｙｂｒｉｄｇｅｎｅｔｉｃｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍ[Ｊ].ＪｏｕｒｎａｌｏｆＭｅｃｈａｎｉｃａｌ＆ＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬ２０２１ꎬ３８(３):３３７－３４２.«机电工程»杂志:ｈｔｔｐ://ｗｗｗ.ｍｅｅｍ.ｃｏｍ.ｃｎ ２４３ 机㊀㊀电㊀㊀工㊀㊀程第３８卷。
多目标优化中基于多策略蚁群算法的研究
多目标优化中基于多策略蚁群算法的研究随着现代科技不断发展，人们对于优化问题的解决方案越来越重视。
优化问题是现代科学、工程等领域中一个重要的研究方向，其目的在于找到最优的解决方案。
然而，现实问题的复杂性往往导致解决方案不止一个，并且在权衡多重限制的情况下产生的多个解决方案并不一定相同。
这就需要多目标优化的方法来解决这样的问题，而蚁群算法是多目标优化问题中的重要算法之一。
蚁群算法最初是基于实际观察到的蚂蚁生物行为而生的，该算法模仿了蚂蚁在食物寻求中的集群行为，并通过模拟这种行为来寻找问题的解决方案。
在蚁群算法中，虚拟的"蚂蚁"会在解决方案空间中搜索并不断交流，通过信息素感知和沉淀来更新搜索路径，最终找到最优解。
然而，传统的蚁群算法并不能适用于多目标优化问题。
多目标优化问题的特点往往是相互矛盾的多个目标函数，如在设计一款汽车时，一方面要追求高速度和性能，但是另一方面还要兼顾低燃料消耗和环保减排。
针对这样的情况，我们需要一种新的蚁群算法模型——基于多策略蚁群算法。
多策略蚁群算法结合了传统的蚁群算法和多策略决策的方法，通过在搜索过程中使用多个策略来解决多目标优化问题。
具体来说，多策略蚁群算法会在搜索过程中更新和选择相应的策略方案，而不是一味地选择单一策略运算。
这种方法能够让解决方案更加均衡和多样，更加符合多目标优化问题的特点。
多策略蚁群算法中的策略有很多种，比如多目标参数控制策略、快速非支配排序策略、最短路径选择策略、局部搜索策略等。
不同的策略针对不同的多目标优化问题具有不同的优缺点，使用多个策略进行比较和综合能够得到更优解。
例如，在汽车设计问题中，对于速度和性能这两个目标函数，可以使用多目标参数控制策略和最短路径选择策略来解决，通过控制和更新参数，同时指导路径的选择能够找到相对更优的设计方案。
总的来说，基于多策略蚁群算法的多目标优化方法是一种有效的解决方案，能够满足多目标优化问题的特点，使得解决方案更加稳定和多样。
基于改进蚁群算法的维修拆卸序列规划
近 年来 ，已经 有很 多学 者对 拆 卸序列 规划 方法 进行 了研 究 ，
常用 基 于图 的方法 ＿。拆 卸序 列 规划 的 目的是减 少产 品的拆 卸 ２ ］ 时 ｆ ￣ 拆 卸 复杂度 ，实 际上 是一个 组 合优 化 问题 ，属 于离 散最 ＨＨ ］ 优化 范 畴 。 ａ ｅ 等 【以序 列 成本 最低 为 目标 ， 于 产 品的拆 Ｌ ｍｂ ｒ ３ ｔ 】 基
中图 分 类 号 ：Ｔ ３ １ Ｐ ０． ６
文 献 标 志 码 ：Ａ
０ 引言
在产 品 的寿 命 周期 内，维 修成 本 远大 于生产 装 配和 报 废拆 卸 成本 ， 随着产 品性 能 不断提 高 ，系 统 日益 复杂 ，设 备安 装 空 间 更趋 紧张 ，故 障诊 断 时 间不断缩 短 ，使 得维 修拆 装 时 间在维 修作 业 中所 占比例越 来越 大 。在 制约 维修 效率 的因素 中 ，拆卸 序列 影 响极 大 ，其规 划工 作 的研 究一 直是 拆卸 研 究领 域 的一个 重要 内容 。 ”
卸与 或 图 ，提 出了基 于数 学线 性规 划 的产 品近 似最 优 拆卸序 列
确 定 方法 。Ｍｏ ｒ 等＿针对 简 单机 械产 品 的回 收拆 卸 ，构 建 了 ｏｅ ４ ］ 拆 卸 Ｐ ｔ 嘲模 型 ，提 出了拆 卸与 或 图和拆 卸 Ｐ ｔ 网的相 互转 ｅｉ ｒ ｅｉ ｒ
换方 法 ，存此 基础 上 构建 优先 矩 阵 ，进 行 拆卸 序列 规划 。随着
供 定性 与定 量相 集成 的分 析手 段等 优势 ，存拆 卸 序列 规划 中得 到 广泛应 用 。本 文通过 建立 的拆 卸 Ｐｔ 网模型 ，准确 表达 了拆 ｅｉ ｒ 卸 优先 约束 关 系， 以及 由拆卸 操作 引起 的约 束状 态变 化 ，这 样 就 将 机 载 设备 的拆 卸 序 列 问题 转 化 为 模 型 的变 迁触 发顺 序 问
蚁群算法在优化问题中的应用
蚁群算法在优化问题中的应用蚁群算法（Ant Colony Optimization，简称ACO）是一种模拟蚁群寻找食物的行为，应用于求解优化问题的自适应启发式算法。
自1990年首次提出以来，蚁群算法已经被广泛应用于诸如旅行商问题、调度问题、路径规划等各种优化问题中。
本文将面对蚁群算法的原理、模型和应用于实际问题中的案例进行探讨。
1. 原理蚁群算法的实现依赖于大量蚂蚁的协同合作。
蚂蚁之间能够通过一种称为信息素的化学物质相互通信，这种物质主要起到标记路径的作用。
当蚂蚁在探索路径时，如果某一路径上的信息素浓度较高，它们就会倾向于选择该路径，并在其上释放更多的信息素，使得这条路径更易于被其他蚂蚁选择。
随着时间的推移，信息素会逐渐蒸发，低浓度的信息素会消失。
这样，优良的路径将得到更多的标记，成为更有吸引力的路径，代表更优的解决方案。
2. 模型蚁群算法的模型包含三个部分：蚂蚁的移动行为、信息素更新策略和路径规划策略。
蚂蚁的移动行为：每个蚂蚁在搜索过程中，会按照一定的规则进行移动。
首先，在搜索过程中每只蚂蚁都具有一个起点和一个终点。
然后，每只蚂蚁根据概率选取下一步移动的目标位置，概率由信息素浓度和路径长度等因素影响。
最后，蚂蚁到达终点之后会根据距离和所经历的路径浓度计算出路径的适应度，再将该适应度反馈给整个蚁群。
信息素更新策略：当蚂蚁经过一段路径时，它会在路径上留下一些信息素。
这些信息素的浓度将影响其他蚂蚁在下一轮搜索时选择路径的概率。
为了使搜索过程更加高效，这些信息素的浓度应该根据一定的规则进行更新。
在蚁群算法中，有两种更新策略：全局更新和局部更新。
全局更新指，当所有蚂蚁完成一次迭代之后根据已经获得的适应度来更新信息素。
局部更新指，当某只蚂蚁在搜索过程中经过某条路径时，会根据该蚂蚁在该路径上的适应度更新信息素浓度。
这两种更新策略可以结合在一起，使蚁群算法更为高效。
路径规划策略：在路径规划策略中，蚁群算法通常有两种模式：最短路径模式和最优路径模式。
蚁群优化算法及其应用研究
蚁群优化算法及其应用研究
蚁群优化算法（Ant Colony Optimization，简称ACO）是一种新兴的基于密度信息的群智能优化技术，是一种由多只蚂蚁理性行为协同搜索最优解的复杂优化算法。
该算法在处理多种组合优化问题时具有不错的实用价值，例如旅行商问题、仓库搬运问题、背包问题以及路径覆盖问题等。
蚁群优化算法的原理是根据蚂蚁以递增的概率在各解的集合中搜索，并把解的可能性尽可能地重新分布在蚂蚁搜索的道路中，借以达到找出最优解的效果。
这种重新分布的过程是依据蚂蚁之间的认知，逐渐地形成一个信息流，来用来帮助每只蚂蚁按照可行的最优路径继续搜索；当蚁群迭代到收敛时，系统便放出少量蚂蚁，用以把形成的信息流引导到最佳的全局极值。
ACO是一种强大的机器学习技术，并在广泛的工程领域有过良好的实现，包括：计算机视觉、机器人规划、认知计算、网络优化、交通模拟、复杂生态系统模拟、计算机辅助设计、工作流程优化、数据挖掘和机器人轨迹规划等。
在这些方面，ACO算法应用范围十分广泛，其优势体现在算法复杂度低；有效控制最优解搜索的扩散和收敛；足够的并发执行性能，以及支持任意异构的设备系统；以及更高的稳定性和可靠性，提高了解决复杂问题的能力。
蚁群优化算法技术介绍
目录
• 蚁群优化算法概述 • 蚁群优化算法的基本原理 • 蚁群优化算法的实现过程 • 蚁群优化算法的改进与优化 • 蚁群优化算法的案例分析
01 蚁群优化算法概述
定义与原理
定义
蚁群优化算法是一种模拟自然界 中蚂蚁觅食行为的仿生优化算法 。
原理
通过模拟蚂蚁的信息素传递过程 ，利用正反馈机制寻找最优解。
算法特点
分布式计算
蚁群算法中的蚂蚁可以并行地搜索解空间，提高了算法的搜索效 率。
鲁棒性
对初始解和参数选择不敏感，能在多变的搜索空间中寻找到最优 解。
易于实现
算法实现简单，可扩展性强，适用于解决复杂优化问题。
应用领域
路径规划
任务调度
用于解决车辆路径规划、 物流配送等问题。
应用于多核处理器任务 调度、云计算资源分配
蚂蚁的移动规则
随机选择
蚂蚁在移动时，会根据当前位置和目标位置之间的路径上信息素浓度随机选择 下一个移动的节点。
避免重复
为了避免重复访问同一个节点，蚂蚁会根据一定的概率选择新的节点，这个概 率与路径上的信息素浓度成正比。
蚂蚁之间的协作机制
共享信息
蚂蚁通过释放和感知信息素来共享彼此的路径信息和状态，从而在群体中形成一 种协作效应。
网络路由问题求解
总结词
蚁群优化算法在网络路由问题求解中具有较好的应用 效果，能够优化网络路由和提高网络性能。
详细描述
网络路由问题是一个重要的网络通信问题，旨在根据 网络拓扑结构和通信需求，选择最优的路由路径和转 发策略，以实现数据包的可靠传输和网络性能的提升 。蚁群优化算法通过模拟蚂蚁的行为，利用信息素传 递机制来指导搜索过程，能够有效地解决网络路由问 题，优化网络路由和提高网络性能。
求解多目标拆卸线平衡问题的一种蚁群算法_朱兴涛
一种求解存 在 拆 卸 失 败 的 Ｄ 其目标是最小 Ｌ Ｂ Ｐ， 化 有 缺 陷 零 件 的 影 响。 文 献 ［ 采用改进的 ３］ ／ 目标是最大化 ＡＮ Ｄ Ｏ Ｒ 图规划拆卸线平衡方案 ， 回收利润 。 文献 ［ 采用整数规划和线性规划方 ４］ 法对拆卸线问题进行优化 ， 其目标是最大化利润 。 上述文献均基于 单 个 目 标 ， 而很多实际的拆卸线 且这些目标有时不易协 问题考虑的是多 个 目 标 ， 甚至是矛盾的 ， 因此有必要发展多目标优化问 调， 题的求解方法 。 蚁群算法在求解组合优化问题方
— — 朱兴涛 张则强 朱勋梦等 求解多目标拆卸线平衡问题的一种蚁群算法 —
求解多目标拆卸线平衡问题的一种蚁群算法
朱兴涛１ 张则强１ 朱勋梦２ 胡俊逸３
西南交通大学 ， 成都 ， 云南师范大学 ０ ０ ９ ２ 南车戚墅堰机车车辆工艺研究所有限公司 ， 常州 ， ２ １ ３ ０ １ １ ３．
０ 引言
资源短缺和环境恶化已成为全人类共同面对 的难题 。 这促进了各国新的和更为严格的环境立 法， 受公众环境意 识 的 提 高 及 生 产 者 责 任 延 伸 制 的推行等诸多因 素 影 响 ， 越来越多的制造商开始 重视回收和 再 制 造 废 旧 产 品 。 与 此 同 时 ， 由此带 来的经济效益也推动了更多制造商的投入 。 拆卸在产品回 收 中 具 有 重 要 作 用 ， 引起了学 术界和工业 界 的 关 注 。 近 年 来 ， 国内外学者就拆 卸线 平 衡 问 题 （ ｒ ｏ ｂ ｄ ｉ ｓ ａ ｓ ｓ ｅ ｍ ｂ ｌ ｌ ｉ ｎ ｅ ｂ ａ ｌ ａ ｎ ｃ ｉ ｎ － ｙ ｇ ｐ 进 行 了 研 究。 文 献 ［ 首先提出 ｌ ｅ ｍ， Ｄ Ｌ Ｂ Ｐ） １］ ， ， Ｄ Ｌ Ｂ Ｐ 分析了拆卸线 的 复 杂 性 针 对 拆 卸 线 的 具 ］ 体特点 ， 提出了一种启发式方法 。 文献 ［ 提出了 ２
改进的蚁群算法在路线规划中的应用
改进的蚁群算法在路线规划中的应用一、引言随着社会的发展和人们的生活水平的提高，人口迁移和城市交通的增长成为城市规划和交通管理的一大难题。
为了解决这个问题，科学家们通过研究各种算法，发现了一种非常有用的算法——蚁群算法，它可以应用于路线规划和交通问题中，并取得了很好的效果。
二、蚁群算法概述蚁群算法是一种基于自组织和群体智能的优化算法，被广泛应用于路线规划和交通问题中。
它的基本原理是模拟蚂蚁寻找食物的行为，通过观察和学习，用启发式信息来指导寻找最优解。
一般来说，蚁群算法包括以下三个步骤。
1.初始化：建立模型，维护蚂蚁群，用随机数初始化各种参数。
2.随机构造解决方案：蚂蚁在解决问题时，每个蚂蚁在时间 t都会选择一条路径进行探索。
蚂蚁通过信息素的激发和前人的足迹来选择路径。
信息素是一种在树形网络上随时间变化的虚拟物质，蚂蚁通过它来获取信息。
3.更新信息素：一系列的解决策略被选择，并且信息素中的强度值将被更新。
强信息素路径将被选择再次强化，而弱信息素路径将逐渐消失。
三、改进的蚁群算法改进的蚁群算法是一种优化版本的蚁群算法，它针对传统蚁群算法中的问题进行改进。
1.引入更多的因素：传统的蚁群算法中，只考虑了信息素和蚂蚁的距离，而改进的蚁群算法还考虑了其他因素，例如交通状况、天气、是否有红绿灯等，以提高算法的精度。
2.引入深度学习：改进的蚁群算法还可以通过引入深度学习的方法，对蚁群算法进行加强。
四、改进的蚁群算法在路线规划中的应用改进的蚁群算法可以应用于路线规划和交通问题中。
在路线规划中，改进的蚁群算法可以帮助人们选择最佳的路线，避免堵车和拥堵的情况，保证人们能够在最短的时间内到达目的地。
下面我们以一位旅行者的路线规划为例，来解释改进的蚁群算法对路线规划的帮助。
假设旅行者想要从 A 地出发，经过B 地和C 地到达目的地 D。
不同的路径会有不同的路况，而改进的蚁群算法可以根据距离、交通状况和其他因素来选择最佳路径，从而达到最短的行程时间。
基于蚁群算法的产品拆卸序列规划方法
ｅ ｔ ｂ ｉｈｅ ａ ｅ ｎ ｈ ｃ ａ ａ ｔｒｓｉ ｏ ｄ ｓ ｓ ｅ ｓａ ｌ ｓ ｄ ｂ ｓ ｄ ｏ ｔ ｅ ｈ ｒ ｃ ｅ ｉｔｃ ｆ ｉａ ｓ ｍｂｌ Ａｌ ｈ ｆ ａ ｉ ｌ ｄｓ ｓｅ ｌ ｓ ｑ ｎ ｅ ｓ ｎ ｅ ｒ ｄ ｙ． ｌ ｅ ｅ ｓｂ ｅ ｉａ ｓ ｍｂ ｙ ｅ ｕｅ ｃ ｉ ｉｆ ｒ ｅ ｔ ｔ ｏ ｇ ｇ ｏ ｔｙ ｎ ｅ ｅ ｃ ｍｅ ｈ ｄ． Ｗ ｅ ｏ ｓ ｉｕ ｅ ｈ ｔ ｒ ｅ ｆ ｎｃｉ ｎ ｎ ｃ ｎｓｒ ｃ ｔ ａ ｃ ｌｎ ｈｒ ｕ ｈ ｅ ｍｅ ｒ ｉ ｆ ｒ ｎ ｅ ｔｏ ｃ ｎ ｔｔ ｔ ｔ ｅ ａ ｇ ｔ ｕ ｔｏ ａ ｄ ｏ ｔｕ ｔ ｈｅ ｎｔ ｏｏ ｙ
ｄ ｓ ｒｂ ｓ ｔ ｍ ａ ｉ ｇ ｏ ａ ｔ ｎｄ ｏ — ｏ ｔ ｃ ｐ ｉｒｔ ｒ ｌｔ ｓ ｐ ａ ｏ ｇ ｏ ｔｔ ｔｎ ｃ ｍ ｐ ｎ ｎｔ ， ｉ ｅ ｃ ｉ ｅ ｈｅ ｔｎ ｃ ｎｔｃ ａ ｎ ｎ ｃ ｎ ａ ｔ ｒｏ ｉｙ ｅａ ｉ ｈｉｓ ｍ ｎ ｃ ｎｓ ｉｕ ｉｇ ｏ ｏｎ ｏｅ ｓ ｓ
ａｇ ｒｔ ｍ ｗ ｈ ｃ ｓ ｔ ｌ ｏ ｉｈ ｉｈ ｕｉ ｄｉａ ｓ ｍ ｂ ｙ ｅ ｅ ｅ ｌｎ ｎ ｓｓｅ ｌ ｓ ｑｕ ｎｃ ｐ ａ ｎｉ ｇ， ｄ ｓｇ ｔ ｅ ｅ ｒ ｈ ｐ ｃ ｗ ｈｉｈ ｓ ｔｓ ｙ ｏ ａ ｔ ｅ ｉｎ ｈ ｓ ａ ｃ ｓ ａ ｅ ｃ ａ ｉｆ ｃ ｎｔ ｃ ｒ ｌｔｏ ｈｉ ｓ ａ ｎ ｎ ｃ ｎ ａ ｔ ｅ ａ ｉｎｓ ｐ ｎｄ ｏ — ｏ ｔ ｃ ｐｒｏ ｉｙ ｅａ ｉ ｎ ｈ ｐ ｉ ｔ ｏ ｔ ｉ ｔ ｅ ｐ ｉ ｉａ ｉ ｏ ｎｅ ｒ ｐ ｉ ｉａ ｉｎ ｉｒｔ ｒ ｌｔｏ ｓ ｉ ｓ ｓ ｏ ｂ ａ ｎ ｈ ｏ ｔｍ ｚ ｔ ｏｎ ｒ ａ ｏ ｔｍ ｚ ｔｏ ｄ ｓ ｓ ｅ ｂｌ ｅ ｕ ｎｃ ｉａ ｓ ｍ ｙ ｓ ｑ ｅ ｅ．Ｆｉ ａ ｌ ｎｌ ｙ，ａ ｃ ｓ ｓｉｌｓ ｒ ｔ ｄ ｔ ｆｅ ｔｖ ｎ ｓ ｎ ａｉ ｉｙ ｏ ｈｅｓ ｒ ｔ ｇ ａ ｅ ｉ ｌ ｔ ａｅ ｈｅｅ ｆ ｃ ｉｅ ｅ ｓａ ｄ ｖ ｌｄ ｔ ｆ ｔ ｔ ａ ｅ ｙ． ｕ
基于蚁群算法的移动机器人路径规划
汇报人：文小库 2023-12-21
目录
• 引言 • 基于蚁群算法的路径规划模型 • 移动机器人路径规划算法实现 • 实验结果与分析 • 结论与展望
01
引言
研究背景与意义
01
移动机器人路径规划问题
随着机器人技术的不断发展，移动机器人在许多领域得到广泛应用。路
径规划是移动机器人自主导航的核心问题，需要寻找从起点到目标点的
05
结论与展望
研究成果总结
蚁群算法的优化
通过实验验证，蚁群算法可以有 效优化移动机器人的路径规划问 题，在复杂的地图环境中寻找最
短路径。
算法鲁棒性
蚁群算法具有较好的鲁棒性，对于 不同复杂度的地图和任务需求，都 能提供较为满意的解决方案。
实时性
蚁群算法能够在短时间内给出路径 规划结果，满足移动机器人实时决 策的需求。
04
实验结果与分析
实验环境搭建与数据采集
实验环境
在实验室环境中，搭建了一个10m x 10m的地图，其中包含障碍物和目标 点。
数据采集
通过移动机器人搭载的传感器采集地 图数据、障碍物位置、距离等信息。
算法性能对比实验
01
02
03
对比算法
将蚁群算法与常见的路径 规划算法（如Dijkstra算 法、A*算法等）进行对比 。
实验过程
在相同的实验环境下，分 别使用不同的算法进行路 径规划，并记录规划时间 和路径长度等指标。
结果分析
通过对比实验结果，分析 蚁群算法在路径规划中的 性能表现。
不同场景下的路径规划结果展示
场景一
地图中存在多个障碍物，需要规划出一条从 起点到终点的最短路径。
基于蚁群算法的多目标优化研究
基于蚁群算法的多目标优化研究1. 引言随着社会经济的发展和科技的进步，越来越多的问题需要考虑多个目标因素，而单一的优化方法常常无法达到最优解。
此时，多目标优化就成为了一项重要的研究内容。
多目标优化是指在存在多个目标函数的情况下，寻求一种最佳的解决方案，该方案可以使所有目标函数达到最优状态。
2. 多目标优化的困难之处多目标优化问题存在以下困难：（1）目标函数之间的相互制约和矛盾，即不存在一个解能够同时使得所有目标函数达到最小值或最大值。
因此，在多目标优化中要寻找一种折中的方式，使得所有目标都得到一定的满足。
（2）搜索空间巨大，对计算资源和时间有很高的要求。
常用的单目标优化算法如遗传算法、粒子群算法等，并不能直接应用于多目标优化问题。
因此需要寻找一种特别的算法。
3. 多目标优化算法的分类多目标优化算法常见的有以下几种：（1）加权法：将目标函数通过线性加权的方式转化为单一的优化目标函数，但是难以确定权值的选择。
（2）约束法：通过增加约束条件限制解的可行性。
虽然能够得到可行性解，但是约束条件的提出需要较强的领域知识支持。
（3）进化算法：基于自然进化的思想，如遗传算法、粒子群算法等。
因为其搜索空间大，局部非常优秀，被广泛应用。
（4）蚁群算法：基于蚁群的觅食行为提出的一种算法，具有强适应性和鲁棒性，因而被广泛应用。
4. 基于蚁群算法的多目标优化蚁群算法是一种模拟蚂蚁觅食行为的算法。
在蚁群算法中，蚂蚁按照信息素浓度和轨迹长度等因素选择路径。
可以通过不同的参数设置使得算法更适用于多目标优化问题。
（1）基本原理在蚁群算法中，最常见的方式是为每个目标函数分配一只蚂蚁。
每只蚂蚁根据已访问过的路径上的信息素来选择下一步的行动，路径信息素表示了上一次得到的最优解。
具体而言，某只蚂蚁遍历路径的顺序是：选择某个位置之前，它需要考虑该位置的信息素和距离，其中信息素的重要性要比距离的重要性高。
通过不断迭代产生越来越好的解。
（2）多目标优化过程多目标优化过程中，要求在不与其他优化目标发生冲突的情况下，蚂蚁从搜索空间中找到尽可能多的解。
蚁群算法的基本原理与改进
蚁群算法的基本原理与改进蚁群算法是一种模拟蚂蚁群体行为的启发式算法，通过模拟蚂蚁在寻找食物和归巢过程中的行为，来解决优化问题。
蚂蚁在移动的过程中，通过信息素的释放和感知，实现了全局信息传递和局部信息更新。
蚁群算法基于这种行为特性，通过模拟蚂蚁在解空间中的过程，找到问题的最优解。
1.初始化一群蚂蚁在问题的解空间中随机选择一个起点。
2.每只蚂蚁根据问题的特性和上一次的行走经验，利用概率选择下一步要行走的方向。
3.每只蚂蚁根据选择的方向进行移动，并释放一定量的信息素到路径上。
4.蚁群中的每只蚂蚁根据选择的方向和移动的结果，更新自己的经验和信息素矩阵。
5.重复步骤2-4，直到达到停止条件。
1.路径选择策略的改进：蚂蚁选择下一步行走方向的概率通常根据路径上的信息素浓度和启发式信息来计算，可以根据具体问题的特性，采用不同的路径选择策略，如轮盘赌选择、最大值选择等，来提升算法的能力。
2.信息素更新策略的改进：信息素释放和更新对算法的性能起到重要影响。
可以通过引入一定的衰减因子，控制信息素的挥发速率，降低过快的信息素挥发过程；同时，可以通过引入信息素增强/衰减机制，根据蚂蚁经验和当前信息素浓度调整信息素的更新速率，以提升算法的收敛速度和稳定性。
3.多种启发式信息的融合：在算法中，蚂蚁根据启发信息来选择下一步行走方向。
可以采用多种启发式信息，并将它们进行适当的融合，以增加算法对问题的能力。
4.并行计算和局部：蚁群算法由于全局信息传递的特性，容易陷入局部最优解。
可以通过引入并行计算和局部机制，增加算法的广度和多样性，提升算法的全局能力。
5.参数的自适应调节：蚁群算法中存在一些参数，如信息素释放量、信息素衰减因子等，合理的参数设置对算法的性能至关重要。
可以考虑通过自适应调节参数的方法，如基于概率或规则的自适应机制，自适应地调节参数值，以提高算法的效果。
总而言之，蚁群算法通过模拟蚂蚁的行为特性，实现了全局信息传递和局部信息更新，并通过适当的改进措施，提升了算法的能力和收敛速度。
基于蚁群算法的装配序列规划策略研究
绪论的存在及其强度，并以此指导自己的运动方向，蚂蚁倾向于朝着信息素浓度高的方向移动。
因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某条路径越短，蚂蚁往返的频率就越高，留下的信息素也越多，后来者选择该路径的概率就越大。
经过一段时间，最近的路径往往留下最浓的信息素，绝大多数蚂蚁也将选择这条路径，如图１—２所示。
蚂蚁算法就是模拟蚁群的协作行为，并用于求解旅行商问题Ⅲ，１００１、指派问题（ＡｓｓｉｇｎｍｅｎｔＰｒｏｂｌｅｍ）［１０７】、Ｊｏｂ－－Ｓｈｏｐ调度问题Ｌｌ啷Ｊ，取得了理想的结果。
蚁群算法逐渐引起了研究人员的注意，随后又发展了Ａｎｔｑ【啪１、ＡｎｔＲａｎｋｌｌｌ们、ＭＭＡＳ！…１、ＧＢＡＳ［１１２，１１３１等算法变形，并用于解决一些组合优化问题。
ａ）初始状态ｂ）结果状态ａ）ＩｎｉｔｉａｌＳｔａｔｕｓｂ）ＲｅｓｕｌｔＳｔａｔｕｓ幽１－２蚁群算法原理示意图Ｆｉｇ．１—２Ｉｌｌｕｓｔｒａｔｉｏｎｏｆｔｈｅｍｅｔｈｏｄｏｆａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ为了模拟蚁群的自然行为，蚁群算法由以下几个要点构成：问题模型、信息素、人工蚁群、概率选择规则、迭代、解评价、信息素积累与蒸发规则等。
其中问题模型是组合优化问题的数学模型，代表着该问题的解空间，由一系列解元素构成，如ＴＳＰ问题中由城市和道路构成的“地图”；信息素可以理解为分布式的数字化运行信息，分布于各个解元素（如ＴＳＰ问题的道路）上，信息素越浓，该解元素成为最终解的一部分的概率越高；人工蚁群则是一系列的智能体（Ａｇｅｎｔ），它们根据问题特点、信息索浓度，各自一步步的根据概率选择规则选择分立的解元素，构造出自己的个体解；所有蚂蚁完成一次解的构造过错称哈尔滨上业大学Ｔ学博十学位论文例如，在图２－８中，Ｂａｓｅ—ｐ１和Ｐｌ一优，可以得出Ｂａｓｅ－－ｐ２。
同理，还可以导出Ｂａｓｅ－－ｐ３…．、Ｂａｓｅ—ｐ。
、．．．、Ｐ。
－２一ｐ。
等。
正是这些隐含的导出优先关系，使得图２－８中的有向边完全确定了其中各零件的先后次序。
基于改进蚁群算法的智能小车路径规划方法
２０２０ 年 １２ 月
太
原
科
技
大
学
学
报
ＪＯＵＲＮＡＬ ＯＦ ＴＡＩＹＵＡＮ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＳＣＩＥＮＣＥ ＡＮＤ ＴＥＣＨＮＯＬＯＧＹ
Ｖｏｌ. ４１ Ｎｏ. ６
Ｄｅｃ. ２０２０
的改进蚁群算法ꎮ 该方法首先采用不均匀分配初
际路径搜索中能对外界做出动态响应ꎮ
始信息素原则ꎬ避免经典蚁群算法蚂蚁走回路的问
网络算法
法
[５]
[２]
ꎬ 遗传算法
[３]
ꎬ 粒子群 算 法
[４]
等ꎬ其中由意大利学者 Ｄｏｒｉｇｏ 等人提出的蚁群
基于蚁群算法的路径规划典型的工作有:游晓
明等人
[６]
提出动态搜索诱导算子ꎬ有效提高优化解
X
蚁 ｋ 所经过的路径的长度ꎮ
[ τ ｉｊ ( ｔ ) ] α [ η ｉｊ ( ｔ ) ]
ｑꎬ称为初始信息素ꎻ然后蚂蚁根据启发信息随机选
择位置向目标点移动ꎬ启发信息定义为:
η ｉｊ ＝
１
ꎬｊ ∈ ａｌｌｏｗ ｋ
ｄ ｉꎬｊ
其中:ｄ( ｉꎬｊ) 表示 ｉ 与 ｊ 点之间的欧氏距离ꎮ ａｌ￣
ｌｏｗ ｋ 表示当前蚂蚁 ｋ 可以选择的下一个目标点的
集合ꎮ
３) 所有蚂蚁完成一次迭代后对该路径上残余
进行全局动态路径规划的仿真实验ꎬ实验结果证明本方法具有实时性与高效性ꎮ
关键词:蚁群算法ꎻ智能小车ꎻ路径规划ꎻ信息素
中图分类号:ＴＰ３９１ 文献标志码: Ａ ｄｏｉ:１０. ３９６９ / ｊ. ｉｓｓｎ. １６７３ － ２０５７. ２０２０. ０６. ００７
路径规划一直是智能机器领域的研究热点ꎬ其
基于多目标蚁群算法的复杂设备拆卸序列规划
基于多目标蚁群算法的复杂设备拆卸序列规划史永胜;王思琦【摘要】针对复杂设备转化成混合图信息模型后面临的组合爆炸和搜索爆炸问题,提出了一种改进的Louvain算法,对其模型进行社团化处理.将拆卸工具、拆卸方向改变次数以及拆卸时间作为优化目标,构造了基于多目标蚁群算法搜索社团划分可行解;并得出由多个Pareto解构成的平衡解集.最后结合直升机旋翼,利用所提方法进行算法验证;对比未被社团化处理的多目标蚁群算法而得出的拆卸序列,在算法运行效率上提升了17.2% ;且复杂设备中紧密度越小零件占比越多时,运行效率越高;对比单目标蚁群算法社团化后得出的拆卸序列,在迭代次数相同的条件下,更易得到较高效率的解.实验结果表明,在实际拆卸序列规划问题上,该方法为方案设定人员提供了更合理高效的选择.%Aiming at the issue of the combinatorial explosion and search explosion problem after the complex equipment was transformed into mixed graph information mode, an improved Louvain algorithm based on community way was proposed.The disassembly tools, number of demolition direction change as well as the disassembly time has been regarded as the optimization target, and multi-objective ant colony algorithm search feasible solution has been established and obtained several Pareto optimal solution of the set.Finally, combined with examples of heli-copter rotor, compared with the demolition sequence which was obtained without matched processing, the efficiency of the algorithm has been enhanced by 17.2% under the proposed method.And a higher proportion of the smaller parts in the complex equipment, the higher the operating efficiency.A high efficient solution can be obtained more easilyat the same conditions of the iteration compared to the demolition sequence which is obtained by community single-objective ant colony algorithm.The theoretical analysis and simulation results indicated that the proposed method provides a more efficient and reasonable choice for the programmer In the issue of actual planning demoli-tion sequence.【期刊名称】《科学技术与工程》【年(卷),期】2018(018)015【总页数】6页(P254-259)【关键词】拆卸序列规划;Lovain算法;社团划分;多目标优化;ACO算法【作者】史永胜;王思琦【作者单位】中国民航大学航空工程学院,天津300300;中国民航大学航空工程学院,天津300300【正文语种】中文【中图分类】TH122交互式拆卸作为虚拟维修重要技术之一，成为国内外研究的热点，而拆卸序列规划(disassembly sequence planning， DSP)是产品维修作业重要的组成部分[1]；但随着设备复杂程度的加大，拆卸零件个数的增多，传统拆卸方法易出现搜索爆炸和组合爆炸问题，从而严重影响到拆卸的效率[2]。
基于蚁群优化算法的目标拆卸序列规划
基于蚁群优化算法的目标拆卸序列规划
薛俊芳;邱长华;向东
【期刊名称】《计算机辅助设计与图形学学报》
【年(卷),期】2007(019)006
【摘要】为了能够以较高的效率求解出产品中目标零件的拆卸方案,基于产品中零件间的拆卸优先约束关系,提出并建立目标零件的拆卸层次信息图模型,将目标零件的拆卸序列规划问题转化为对该图模型中具备最优值的路径的搜索和寻优问题.同时,提出一种改进蚁群优化算法,以实现对目标零件拆卸层次信息图的构建和对拆卸方案的搜索与寻优.最后通过实例验证了该方法的可行性和计算效率.
【总页数】6页(P742-747)
【作者】薛俊芳;邱长华;向东
【作者单位】哈尔滨工程大学机电工程学院,哈尔滨,150001;内蒙古工业大学机械学院,呼和浩特,010051;哈尔滨工程大学机电工程学院,哈尔滨,150001;清华大学精密仪器与机械学系,北京,100084
【正文语种】中文
【中图分类】TH12
【相关文献】
1.基于蚁群算法的单目标选择性拆卸序列规划研究 [J], 章小红;李世其;王峻峰;李勋
2.基于改进蚁群算法的维修拆卸序列规划 [J], 夏坚
3.基于可拆卸性分析和图方法的目标拆卸序列规划 [J], 蔡凯骏;张梅军;胡江南;赵鸿飞;宋伟
4.基于多目标蚁群算法的复杂设备拆卸序列规划 [J], 史永胜;王思琦
5.基于蚁群算法的废旧手机目标拆卸序列规划研究 [J], 王晓东;刘广阔;李鸿瑞;孙华栋;符永高;李林
因版权原因，仅展示原文概要，查看原文内容请购买。
基于Pareto蚁群算法的拆卸线平衡多目标优化
基于Pareto蚁群算法的拆卸线平衡多目标优化丁力平;谭建荣;冯毅雄;高一聪【期刊名称】《计算机集成制造系统》【年(卷),期】2009(015)007【摘要】为提高产晶拆卸效率,针对拆卸线平衡问题建立了数学模型.该模型以最小拆卸线闲置率、负荷均衡和最小拆卸成本为优化目标.结合拆卸线平衡问题的具体特点,提出了一种改进的基于Pareto解集的多目标蚁群优化算法.算法采用小生境技术,引导蚂蚁搜索到分布良好的Pareto最优解集,并以被支配度和分散度为个体评价规则.实验测试结果表明了该算法的可行性.最后,结合企业生产实际,给出了所提模型与算法的具体应用.【总页数】9页(P1406-1413,1429)【作者】丁力平;谭建荣;冯毅雄;高一聪【作者单位】浙江大学CAD&CG国家重点实验室,浙江,杭州,310027;浙江大学CAD&CG国家重点实验室,浙江,杭州,310027;浙江大学CAD&CG国家重点实验室,浙江,杭州,310027;浙江大学CAD&CG国家重点实验室,浙江,杭州,310027【正文语种】中文【中图分类】TH122【相关文献】1.多目标U型拆卸线平衡问题的Pareto蚁群遗传算法 [J], 张则强;汪开普;朱立夏;程文明2.多目标拆卸线平衡问题的Pareto人工鱼群算法 [J], 汪开普;张则强;毛丽丽;李六柯3.模糊作业时间的拆卸线平衡Pareto多目标优化 [J], 汪开普;张则强;邹宾森;毛丽丽4.多目标斗链式混流拆卸线平衡的Pareto花朵授粉算法 [J], 曾艳清; 张则强; 张颖; 刘思璐; 李云鹏5.基于Pareto解集蚁群算法的拆卸序列规划 [J], 邢宇飞;王成恩;柳强因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａｂ ｔａ ｔ ｓｒ ｃ
Ｔｏ ｔ ｃ ｅ ｓ ｌｃ ｉ ｅ ｄｉａ ｓ ｍｂ ｙ ｓ ｑ ｎｃ ｌｎｎ ｎ ｒ ｂｌｍ ｆｉｉ ｎ ｌ ａ ｋｌ ｅｅ ｔｖ ｓ ｓｅ ｌ ｅ ｕｅ ｅ ｐａ ｉ ｇ ｐ ｏ ｅ ｅ ｆｃｅ ｔｙ，ｄｉａ ｓ ｍｂｙ ｈｉｒ ｒ ｈ ｓ ｓ ｅ ｌ ｅ ａ ｃ ｙ
Ｊ ｎ ，２ ０ ｕｅ ０７
基 于蚁 群优 化 算 法 的 目标 拆 卸序 列规 划
薛俊芳 。 邱长华 向 东 ¨ 。
。（ 尔 滨 工 程 大学 机 电工 程 学 院 哈 尔 滨 １ ０ ０ ） 哈 ５ ０ １
’ 内蒙 古 工 业 大 学 机卸 层 次 信 息 图模 型 ， 目标 零 件 的 拆 卸 序 列 规 划 问 题 转 化 为 对 该 图 模 型 中 具 备 最 优 值 的 路 径 将 的搜 索 和 寻 优 问 题 ． 时 ， 出一 种 改进 蚁 群 优 化 算 法 ， 实 现 对 目标 零 件 拆 卸 层 次 信 息 图 的 构 建 和 对 拆 卸 方 案 的 同 提 以
ｃ ｎ ｔ ａｎ ｓ；ａ ｏｏ ｐ ｉ ｉａ ｉｎ ａｇ ｒｔ ｍ ｏ ｓｒｉｔ ｎｔｃ ｌｎｙ ｏ ｔｍ ｚ ｔｏ ｌ ｏ ｉｈ
维普资讯
第 １ ９卷
第 ６期
计算 机辅 助设计 与 图形 学学 报
Ｊ ＯＵＲＮＡＬ ０Ｆ Ｃ ＯＭＰＵＴＥ ＡＩ Ｒ— ＤＥＤ ＤＥＳ ＧＮ ＆ ＣＯＭ Ｐ Ｉ ＵＴＥＲ ＧＲＡＰＨＩ Ｓ Ｃ
ｖ０ ． ９．ＮＯ． １１ ６
２０ ０ ７年 ６月
Ｋ ｙ ｏｄ ｓ ｅｔ ｅ ｉ ｓｅ ｌ ｓｑｅｃ ｐ ｎ ｉ ； ｉ ｓ ｍｂ ｉ ａ ｌ ｆ ｍ ｔ ｎｇａｈ ｐｅｅｅｃ ｅ ｒｓ ｅ ｃｖ ｓ ｓ ｙ ｅｕｎｅ ｌ ｎ ｇ ｄ ａｓ ｌ ｈｅ ｒａ ｉ ｏ ａ ｏ ｒｐ ； ｒ ｄｎｅ ｗ ｌ ｉ ｄ ａ ｍｂ ａ ｎ ｓ ｅ ｙ ｒ ｃｙ ｎ ｒ ｉ ｃ
Ａｌ ｏ ｉｈ ｇ ｒｔ ｍ
Ｘｕ ｕ ｆｎ 。 Ｑｉ ｈ ｎ ｈ ａ） Ｘｉｎ ｎ 。 ｅＪ ｎａ ｇ ， ） ｕＣ ａ ｇ ｕ ａ ｇＤｏ ｇ ）
（ ｏｌ ｅ ｆＥＺ ０ 抽ｎ Ｃ ｌ ｇ ｅ ｏ Ｐ ｍＰ ｍＺ ｇ ｎ ｅｉｇ，Ｈ ｒｉ ｇ ｎ ｅｉｇ Ｕｎｖ ｒｉ “ｒ Ｅｎ ｉｅｒｎ ａ ｂ ｎＥｎ ｉｅｒｎ ｉｅｓ ｙ，Ｈａ ｂ ｎ １ ０ ０ ） ｔ ｒ ｉ ５ ０ １ （ ｏ ｌ ｅ ｆＭｅｈ ｎ ｃ ｌ ｇ ｎ ｅｉ ｇ，Ｉ ｎ ｒ ｎ ｏｉ ｎ ｖ ｒ ｔ Ｃ ｌ ｇ ｅ ｏ ｃａ ｉ ａ Ｅｎ ｉｅｒｎ ｎ ｅ Ｍｏ ｇ ｌ Ｕ ｉｅ ｓ ｙｏ ｅｈ ｏｏ ｙ，Ｈ ｈ ｏ ０ ０ ５ ） ａ ｉ ｆＴ ｃ ｎ ｌ ｇ ｏ ｈ ｔ １ ０ １ ’ Ｄ ｐ ｒｍｅ ｔ ｆＰ ｅｉ ｏ ｎ ｔｕ ｎ ｓ ｎ ｃ ａ ｏ ｇ （ ｅａｔ ｎ ｏ ｒ ｓ ｎ Ｉ ｓｒ ｍｅ ｔ ａ ｄ Ｍｅｈ ｎ ｌ ｙ，Ｔ ｉｇ ｕ ｉｅｓ ｙ， ｅ ｉｇ １ ０ ８ ） ｃｉ ｏ ｓｎ ｈ ａ Ｕｎｖ ｒｉ Ｂ ｉ ｎ ０ ０ ４ ｔ ｊ
ｉｆｒ ｔ ｎｇａ ｈ （ ＨＩ ｎｏｍａｉ ｒｐ Ｄ Ｇ）ｂｓｄｏ ｒｃｄ ｎｅｃｎｔ ｉｔ ｉ ｐｅｅｔｄ ｆ ｓ ｙ ｈ ｒｂｅ ｆ ｅ ｃｉｅ ｏ ａｅ ｎ ｐｅｅ ｅ ｃ ｏ ｓｒ ｎｓ ｓ ｒｓｎｅ ｉ ｔ ．Ｔ ｅｐｏ ｌｍ ｏ ｌ ｔ ａ ｒｌ ｓｅ ｖ
ｄｉａ ｓ ｍｂ ｙ ｓ ｑ ｅ ｃ ａ ｎｉ ｇ ｉ ｒ ｎｓｏ ｍ ｅ ｎ ｏ ｔ ｔｏ ｅ ｒ ｈｉ ｐｔｍａ ａ ｈｓｉ ｈ ａ ｈ．Ａｎ ｉ ｓ ｓ ｅ ｌ ｅ ｕ ｎ ｅｐｌｎ ｎ ｓｔ ａ ｆ ｒ ｄ ｉ ｔ ｈａ ｆｓ ａ ｃ ｎｇｏ ｉ ｌｐ ｔ ｎ ｔ ｅｇｒ ｐ ｍｐｒ ｖ ｄ ｏ ｅ ａ ｔ ｃ ｌｎ ｐ ｉ ｚ ｔｏ ｌ ｏ ｉｈｍ ｓｐ ｅ ｅ ｔ ｄ ｔ ｉ ｈ ｎ ｏｏ ｙ ｏ ｔｍｉａ ｉｎ ａｇ ｒｔ ｉ ｒ ｓ ｎ ｅ ｏ ｂｕ ｌ ｔ ｅ ＤＨＩ ａ ｄ ｓ ａ ｃ ｈｅｏ ｉ ｌｓ ｌ ｔｏ ｓ．Ｆｉ ａ ｌ ｄ Ｇ ｎ ｅ ｒ ｈ ｔ ｐｔｍａ ｏ ｕ ｉｎ ｎ ｌｙ， ａ ｘａ ｎ ｅ ｍｐｌ ｓｕ ｅ ｏ ｖ ｒｆ ｈ ｅ ｓｂ ｌ ｙ ａ ｄ ｃ ｌｕ ａ ｉ ｇ ｅｆｃｅ ｙ ｏ ｈ ｒ ｐ ｓ ｄ ｍｅ ｈ ｄ． ｅ ｉ ｓ ｄ ｔ ｅ ｉｙ ｔ ｅ ｆ ａ ｉ ｉ ｔ ｎ ａ ｃ ｌｔｎ ｆｉｉｎｃ ｆｔ ｅ ｐ ｏ ｏ ｅ ｔ ｏ ｉ
搜 索 与 寻 优 ． 后 通 过 实 例 验 证 了该 方 法 的 可 行 性 和 计 算 效 率 ． 最
关 键 词 目标 拆 卸 序 列 规 划 ； 拆卸 层 次 信息 图 ； 先 约 束 ； 群 优 化 算 法 优 蚁
中图 法 分 类 号 Ｔ ２ Ｈ１
Ｐｌ ｎ ｎｇ ｏ ｅｅ ｔｖ ｓ ｓ ｅ ｂ ｙ Ｓ ｑｕ ｎｃ ｓ ｄ ｏ ｔ ａ ｎｉ ｆ Ｓ ｌ ｃ ｉ ｅ Ｄｉａ ｓ ｍ ｌ ｅ ｅ ｅ Ｂａ ｅ ｎ Ａｎ Ｃｏ ｏ ｙ Ｏ ｐ ｉ ｉ ａ ｉ ｎ ｌｎ ｔｍ ｚ ｔｏ
００５） １ ０ １
（ 华 大 学 精密 仪 器与 机 械 学 系 北 京 １ ０ ８ ） 清 ０ ０４
（ ｕｊ ｎａ ｇ ｓ ｇ ｕ ．ｒ ．ｎ ｘ ｅ ｆｎ ＠ｔｉ ｈ ａ ｏｇ ｃ ） ｕ ｎ
摘 要
为 了 能 够 以 较 高 的 效 率 求 解 出 产 品 中 目标 零 件 的 拆 卸 方 案 ， 于产 品 中零 件 间 的 拆 卸 优 先 约 束 关 系 ， 出 基 提