蚁群算法在装配线平衡问题中的应用
?２０?ＣｏｍｐｕｔｅｒＥｒａＮｏ．１２２００８
蚁群算法在装配线平衡问题中的应用
陈建行。张其松
（同济大学电子与信息工程学院，上海２０００９２）
摘要：在双边装配线中，工人在装配线的两边进行作业装配。在一些大型产品（如汽车、卡车等）的装配过程中，一些作业必须在某一特定的边进行。为解决混合型双边装配线的第一类平衡问题，文章提出了一种改进的蚁群算法。在该算法中。针对混合型双边装配线平衡问题的具体特点，给出了蚂蚁分配方案的生成策略，计算出了作业的分配方案。最后，通过实例的计算，验证了算法的有效性。
关键词：装配线平衡；混合型双边装配线；蚁群算法１人工智能
０引言
流水线装配是当今装备制造业广泛采用的装配方式，它强调生产过程的节奏性、连续性、专业化、平行作业和按比例生产，达到经济、均衡的效果。装配线的平衡过程就是实现一种劳动生产率、设备利用率和满足市场需求三者之间的平衡的过程。装配线平衡问题（ＡｓｓｅｍｂｌｙＬｉｎｅＢａｌａｎｃｉｎｇＰｒｏｂｌｅｍ即ＡＬＢＰ）是生产线规划过程中—个最重要和最基本的问题。
ＡＬＢＰ属于典型的ＮＰ－ｈａｒｄ问题ｌｌｌ，其复杂度随作业数的增加呈几何级数增长，难以在合理的时间得到完全的解决。因此，该问题在工业和学术上都引起了广泛的关注。目前，—般采用启发式算法来解决ＡＬＢＰ问题１２］，但是大部分研究都是针对单边装配线或者单一型双边装配线，混合型双边装配线的研究很少。对于混合型双边装配线的第一类平衡问题，即给定节拍时间寻求工作站数最少的分配方案，本文提出了一种改进的蚁群算法，取得了令人满意的结果。
１装配线及其平衡问题
装配线是一种很重要的制造系统，是一种技术。装配线将产品的装配过程划分为一个—个的操作单元，这些操作单元之问有一定的先后顺序约束关系，在满足这些约束的前提下，将这些操作单元分配到不同的工作站，每个工作站负责装配的一部分。
装配线平衡问题（ＡｓｓｅｍｂｌｙＬｉｎｅＢａｌａｎｃｉｎｇＰｒｏｂｌｅｍ即ＡＬＢＰ）ｌａｌ就是在工艺条件约束下，按流水线节拍将所有装配工序进行组合、合理调整，使每个工位（也称工作站）分配的负荷量尽量充足和均衡，各工作站的未工作时间（空闲时间）最少。
装配线平衡问题一般可以分为两类：
（１）第一类装配线平衡问题：给定装配线的节拍，求最小工位数；
（２）第二类装配线平衡问题：给定装配线的最小工位数，使装配线的节拍最小。
第一类求解装配线平衡问题主要用于装配线的没计与安装阶段，主要考虑生产能力满足市场需求，系统投资少和装配线的效率高这类目标。
２混合型双边装配线平衡问题的描述［２－－６１
装配线有单边（只使用一边）和双边（左侧和右侧Ｉ—Ｊ时使
用）之分。双边装配线中，在装配线的两侧并行完成同一产品的
不同工序，一对面对面的工位称为成对工位，其中一个称为另一个的伴随工位。在实际生产中，大型产品（如汽车、卡车等）的装配很多时候往往采用双边装配。双边装配线较单边装配线有许多优点，比如，减少了操作人数、缩短了生产时Ｉ＇ａＪ、降低了工具ｉ殳备成本和物料输送成本。
在混合型双边装配线中，工作站对一批某种产品的几种相
似型号进行混合装配。每种型号有其自己的作业优先关系，但
是由于型号之ｌ＇日Ｊ的相似性，可以把所有作业合并成一个优先
图，称为组合优先图。所渭混合型双边装配线的第一类平衡问
题，就是把所有作业按顺序分配到装配线两边的每个工位上
去，使得工作站数最少。
假设计划生产周期为Ｐ，有Ｍ种型号的产品。型号ｍ的需
Ｍ
求量为Ｄ。，那么装配线的工作节拍Ｃ＝Ｐ／艺Ｄ。，型号ｍ所占比
ｆ归ｌ
Ｍ
重Ｅｌｍ＝Ｄｒａ／∑ＤＤ。混合型双边装配线平衡问题的数学模型如下：ｐ＝ｌ
ＭＫＲＮ
ｑＣ轴）
一＝乞。乞乞（一乞～。轴）（１）
ＲＫ
∑∑）（１Ｉ出：１（，Ｋｉ＝１Ｋ，Ｎ）
艺乞）（１Ｉ出＝１（，，）（２）ｂ＝Ｌｋ＝ｌ
∑ＸｅＬ＝１，（ｉ∈ＳＬ）
ｋ＝ｌ
Ｋ
∑Ｘ醐＝１，（１∈ｓ。）
１１
１一
乞乞ｘ轴ｎ＋（ｋ一１）ｃ】＋ｍａ）ｃ‰卜
ｂ＝Ｌｋ＝ｌ”ｏ
ＲＫ
∑ｘｅｂＩＴｉ＋（ｋ一１）ｃ】≤ｏ（．－１，Ｋ，Ｎ；ｊＥｓｉ）
万方数据
计算机时代２００８年第１２期?２ｌ?
∑ｘ。ｋＬｎ＋（Ｉ‘一１）ｃ】一Ｅｘ＂ｒｒ，＋（ｋ一１）ｃ］－－－－－ｏ（ｉ，ｊＥＳｃ）（５）ｐ１●扣１
ＲＫ
ｌ’１’ｎ
Ｉ乞艺ｋｎ＋（ｂ１）ｃ】＋ｍａ）（‰卜
∑∑‰ｎ＋（ｋ－１）ｃ】≤ｏ，０＝１，Ｋ，Ｎ；ｊｓＩ）
ｂ＝Ｌｋ＝１
１ＲＫ
ｌ萎∑‰ｎ＋（ｋ－１）Ｃ］ｋ＝ｌ＋哗‰卜
ｌ吐’’ｍ’
ＲＫ
∑∑ｘＭＴ，＋（ｋ－１）Ｃ］。＜Ｏ，（．－１，Ｋ，Ｎｊ岳ｓｉ）
ｆＮ
ＩＣ一∑ｋｘ袖≥ｏ，（ｍ＝１，ＫＭ；ｋ＝ｌ。ＫＫ；ｂ＝Ｌ，Ｒ）
｛ｂ１
ｆｘ晒－ｒ，＋ｍａｘ‰））≤ｃ，（．－１，ＫＮ；ｋ＝ｌ，ＫＫ；ｂ＝Ｌ，Ｒ）
（６）
乞ｋ（ｘ，Ｉ（Ｌ＋ｘｉ炯）一乞ｋ（ｘｊＩ（Ｌ＋ｘｉ岍）＝０（ｉ，ｊ∈ｚＰ）（８）ｋ＝ｌｋ一１
ＫＫ
乞ｋ（ｘｉＩ‘Ｌ＋ｘ撤Ｒ）一乞ｋ（ｘｊｌ‘Ｌ＋ｘｉｋＲ）≠ｏ（ｉ，ｊ∈ｚＮ）（９）ｋ＝ｌｋ＝ｌ
兰旦
ｓ＝∑∑‰㈣ｋ＝ｌｂ＝Ｌ
其中，Ｎ为所有型号组合优先图的作业数，ｋ为ｍ型号上作业ｉ的作业时Ｉ＇ａＪ；Ｋ为装配线的长度，并认为每个位置ｋ都有左右两个工作站；如果作业ｉ被分配到位置ｋ的ｂ边（ｂ＝Ｌ为左边，ｂ＝Ｒ为右边）。ｘ矿ｌ，否则ｘ岫＝（）。式（１）是目标函数，最小化整个装Ｉ鸵线的空闲时间Ｔ。；式（２）是分配约束，确保每项作业分配到惟一的一个工作站中；式（３）是边约束，确保正确地将作业分配到特定边，ＳＬ，Ｓ。分别为需要分配到左边和右边的作业集合；式（４）是优先约束，Ｔ；为作业ｉ的开始时刻，且ｏ≤Ｔ－＜ｃ，Ｓ；为作业ｉ的后续作业集合；式（５）是Ｉ对步约束，确保同步作业同时在装配线两边执行，ｓ。为Ｉ司步作业集合；式（６）是分离约束，确保没有优先和旧步关系的作业被正确分配；式（７）是容量约束，确保每个工作站的容量不会被超过；式（８）和（９）是分区约束。保证和防止不Ｉ司作业分配到相Ｉ司的工作站，ＺＰ为必须分配到相Ｉ一上作站的作业集合，ＺＮ为不能分配到相同工作站的作业集合；式ｏ【如睦计算工作站的总数ｓ，如果位置ｋ的ｂ边分配了作业，ｙ。＝１，否则ｙｌｄ）。
３求解装配线平衡问题的蚁群算法
蚁群算法（ＡｎｔＣｏｌｏｎｙＯｐｔｉｍｉｚａｔｉｏｎａｌｇｏｄｔｈｍ，ＡＣＯ）（ｎ是由意大利学者Ｍ．Ｄｏｒｉｇｏ等人在２０世纪９０年代初，通过模拟自然界中蚂蚁集体觅食的行为而提出的一种基于种群的启发式仿生类算法。蚁群算法将所研究的ｌ’ｕ】题抽象为节点模型，不同的节点对应问题中的不同实物。人工蚂蚁在节点图中根据转移概率的大小随机游走，每完成一次周游，就构成问题的一个完整解，通过信息素的正反馈作用，最后收敛到最优解。
上述方法建立的数学模型很复杂，要找到最优解也很困难，所以本文利用蚁群优化算法在寻优方面的优势来解决装配线平衡问题１８－１０１。３．１分配方案的生成策略
由于ＡＬＢＰ任务问优先顺序关系约束的存在，问题变得复杂化而难以求解。我们采用候选任务集方法，直接在可选作业列表中进行作业的选择分配．减少问题搜索空间，从而提高了搜索速度。—个作业是可选作业，必须满足边约束、优先约束、Ｉ司步约束、分离约束、容量约束和分区约束。
单只蚂蚁ＡＬＢＰ解的构造…ｌ，即分配方案生成策略。为通过逐步添加可供分配的作业而生成完整的可行分配方案。将蚂蚁某时刻的所有可选作业集合称为该时刻的候选作业集，记为ＮＩ。解的构造过程如下：①在尚未分配的作业集合中，根据优先顺序关系和节拍时Ｉ．日Ｊ，构建当前可供分配的作业集，即候选作业集Ｎｉ；②若Ｎ；为非空集合，则按没定的规则从集合Ｎｉ中选出一项作业，分配至当前工作站；③重复①和②，直到Ｎ；变为空集，若还剩有尚未分配完的任务，则开启一个新的工作站；④重复①～③，直到全部任务分配完毕，即求得了一个解。其求解流程如图１所示。蚂蚁使用伪随机比率选择规则来分配任务，每构造一步解，候选任务集Ｎ。作相应更新。采用该分配方案生成策略，可行分配方案集里总是存在着最优分配方案。
图１装配线平衡问题的解的构造策略
３＿２算法实现
ＡＬＢＰ可用图Ｇ＝－（Ｃ，Ｌ）来表示，其中ｃ是ＡＬＢＰ中作业和工作站位置的集合，Ｌ为作业与工作站位置之间的连接所构成的集合。将作业分配到各工作站的过程，可以看成是一群蚂蚁在信息素轨迹和局部启发式信息的指引下沿着图Ｇ移动，同时蚂蚁的移动会受到一些条件的约束，从而确保蚂蚁在移动过程中找到合适的解。
在算法中，两只人工蚂蚁一左一右，同时工作，合作来构造—个解决方案。通过目标函数，来判断每个可行方案的质量。当产生一个解决方案之后，蚂蚁对根据方案的质量释放一定量的信息素。作业执行的顺序决定了信息素轨迹，如果作业Ｊ紧随作业ｉ之后被执行，那么一定量的信息素在作业ｉ与作业ｊ之间被释放。蚂蚁对通过信息素轨迹来构造解决方案。在每个蚂蚁对进行完这个过程后，最优的解决方案将会得到更新。
ＡＬＢＰ的蚁群算法实现的框架描述如下：
ＰｒｏｃｅｄｕｒｅＡＬＢＰ的蚁群算法
万方数据
．２２．Ｃｏｍｐｕｔｅｒ
ＥｒａＮｏ．１２２００８
设置参数。
初始化信息素。
Ｗｈｉｌｅ（不满足结束条件）
Ｆｏｒ蚁群中的每个蚂蚁对
Ｆｏｒ每个解构造步（直到构造出完整的可行解）
妈蚁按信息素及启发式信息的指引构造一步问题的解：
进行信息素局部更新。
Ｅｎｄｆｏｒ
Ｅｎｄｆｏｒ
进行全局信息素更新；
保存当前最优解；
Ｅｎｄｗｈｉｌｅ
Ｅｎｄｐｒｏｃｅｄｕｒｅ
４计算实例
对于混合型双边ＡＬＢＰ蚁群算法的有效性，本文使用三个
例子Ｐ９，Ｐ１２和Ｐ２４（其中的任务数分别为９，１２，２４）进行了验
证。Ｐ９，Ｐ１２，Ｐ２４的组合优先图如图２（ａ）、（ｂ）和（ｃ）所示。
（ａ）
（３ｔＬ）
，＾、
１
＼√
（７．Ｌ），＾、２
（７，Ｒ）／．、
３
（４，Ｌ）／一、
５＼√（３．Ｅ）／’、
６＼√（４．Ｒ）／一、
７
（５．Ｒ）（５，Ｒ）（９．Ｒ）９，Ｅ
（ｃ）
图２Ｐ９，Ｐ１２，Ｐ２４的组合优先图
我们利用Ｍａｔｌａｂ进行多次仿真实验，得到了作业的最佳分配方案，求出了最少的工作站数。实验结果与理论最优值进行对比，其结果如表ｌ。可以看到，ＩＸ）、Ｐ１２和Ｐ２４，算法在给定的节拍时间下都可以得到与理论值一致的最优结果。
５结束语
本文针对混合型双边ＡＬＢＰ提出了一种改进的蚁群算法，其特点在于：结合具体问题，建立蚂蚁分配方案的生成策略，在任务和任务分配序列的位置之间释放信息素，并采用信息素总合规则进行更有效的信息素累积。采用候选任务集方法，减少了问题搜索空间，从而提高ｒ搜索速度。实验结果表明，该算法取得了很好的求解效果。
表１算法结果与理论最优值比较
问题节拍时｜’日Ｊ所得丁作站数理论最小丁作站数
Ｐ９５４４
６３３
Ｐ１２５６６
６５５
Ｐ２４２２７７
今后可将算法拓展应用到更为贴近现实的ＡＬＢＰ，如ｕ型线、人工装配和自动装配混合的装配线、动态环境中存在各种随机因素情况下的ＡＬＢＰ等。
参考文献：
【１ｌＳｃｈｏｌｌＡ．Ｂａｌａｎｃｉｎｇａｎｄｓｓｅｑｕｅｎｃｉｎｇｏｆａｓｓｅｍｂｌｙｌｉｎｅｓ［Ｍ１．２ｎｄｅｄ．Ｈｅｉｄｅｌｂｅｒｇ，Ｇｅｒｍａｎｙ：Ｐｈｙｓｉｃａ－Ｖｅｄａｇ，１９９９：３４－３５
【２１２ＰｏｎｎａｍｂａｌａｍＳＧ，ＡｒａｖｉｎｄａｎＰ，ＭｏｇｉｌｅｅｓｗａｍａｉｄｕＧ．Ａｃｏｍｐａｒａｔｉｖｅｅｖａｌｕａｔｉｏｎｏｆａｓｓｅｍｂｌｙｌｉｎｅｂａｌａｎｃｉｎｇｈｅｕｒｉｓｔｉｃｓ｜Ｊ】．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡ■ｖａｎｃｅｄＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙ，１９９９．１５（８）：５７７－５８６
｜３】ＤｒｉｓｃｏｌＪ，ＴｈｉｌａｋａｗａｒｄａｎａＤ．ＴｈｅｄｅｆｉｎｉｔｉｏｎｏｆａｓｓｅｍｂｂｌｉｎｅｂａｌａｎｃｉｎｇｄｉｆｆｉｃｕｌｔｙａｎｄｅｖａｌｕａｔｉｏｎｏｆｂａｌａｎｃｉｎｇｓｏｌｕｔｉｏｎｑｕａｌｉｔｙｉＪ］．ＲｏｂｏｔｉｃｓａｎｄＣｏｍｐｕｔｅｒＩｎｔｅｇｒａｔｅｄＭａｎｕｆａｃｔｕｒｉｎｇ，２００１．１７：８１－８６
【４ＪＢａｒｔｈｏｌｄｉＪ．Ｂａｌａｎｃｉｎｇｔｗｏ—ｓｉｄｅｄａｓｓｅｍ吣ｌｉｎｅｓ：Ａｃａｓｅｓｔｕｄｙ［ＪＩ．ＩｎｔｅｍａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＰｒｏｄｕｃｔｉｏｎＲｅｓｅａｒｃｈ，１９９３．３１：２４４７～２４６１．
【５ｌＬｅｅＴａｅＯｋ，ＫｉｍＹｅｏｎｇｈｏ，ＫｉｍＹｅｏＫｅｕｎ．Ｔｗｏ－ｓｉｄｅｄａｓｓｅｍｂｌｙｌｉｎｅｂａｌａｎｃｉｎｇｔｏｍａｘｉｍｉｚｅｗｏｒｋｒｅｌａｔｅｄｎｅｓｓ
ａｎｄｓｌａｃｋｎｅｓｓ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ＆ＩｎｄｕｓｔｒｉａｌＥｎｇｉｎｅｅｒｉｎｇ，２００１．４０：
２７３－２９２
【６１皮兽忠，范秀簟，严曹琪．用基于作业序列的遗传算法露解摹配线平衡问题∽．机械科学与技术，２００３．２２（１）：３５－３８
【７】吴启迪，／ｉｔ竹．智能蚁群算珐反应用【ＭＩ．上海科技教育出版社，２００４．ｆ８】ＤｏｒｉｇｏＭ，ＢｌｕｍＣ．Ａｎｔｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎｔｈｅｏｒｙ：ｓｕｒｖｑ，ｌＪＩ．ＴｈｅｏｒｅｔｉｃａｌＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２００５．３４４（２—３）：２４３—２７８
【９１汪薏，吴启迪．蚁群算法在瞳续空间寻优问题求解中应用ＩＪ】控制与决采。２００３．１８（１）：４５－４８
【１０】ＭｅｒｋｌｅＤ，ＭｉｄｄｅｎｄｏｒｆＭ．Ａｎｔｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎｗｉｔｈｇｌｏｂａｌｐｈｅｒｏｍｏｎｅｅｖａｌｕａｔｉｏｎｆｏｒｓｃｈｅｄｕｌｉｎｇａｓｉｎｇｌｅｍａｃｈｉｎｅ凹．ＡｐｐｌｉｅｄＩｎｔｅｌｌｉｇｅｎｃｅ，２００３．１８｛１）：１０５－１１１
１１１ｌＶｉｋｌｎｎｈｏ，Ｓｉｍａｒｉａ．ＡＮＴＢＡＬ：Ａｎａｎｔｃｏｌｏｎｙｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｍｈｍｆｏｒｂａｂｎｃｉｎｇｍｉｘｅｄ－ｍｏｄｅｌａｓｓｅｍｂｌｙｌｉｎｅｓｗｉｔｈｐａｒａｌｌｅｌｗｏｒｋｓｔａｔｉｏｎｓ［ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＰｒｏｄｕｃｔｉｏｎＲｅｓｅａｒｃｈ，２００６?４４：２９１～３０３圆
默３只堇嚣
基匕哭。星哭憎
耋（发。发ｍ
万方数据
最新21装配生产线任务平衡问题的遗传算法MATLAB源代码汇总
21装配生产线任务平衡问题的遗传算法 M A T L A B源代码
装配生产线任务平衡问题的遗传算法MATLAB源代码下面的源码实现了装配生产线任务平衡优化问题（ALB问题）的遗传算法，算法主要参考下面这篇文献，并对其进行了改进。陈永卿,潘刚,李平.基于混合遗传算法的装配线平衡[J].机电工程,2008,25(4):60-62.。 function [BestX,BestY,BestZ,AllFarm,LC1,LC2,LC3,LC4,LC5]=GSAALB(M,N,Pm,Pd,K,t0, alpha,TaskP,TaskT,TaskV,RT,RV) % GreenSim团队——专业级算法设计&代写程序 % 欢迎访问GreenSim团队主页→https://www.360docs.net/doc/7d6581614.html,/greensim %% 装配生产线任务平衡问题的遗传算法 %% 输入参数列表 % M------------遗传算法进化代数 % N------------种群规模，取偶数 % Pm-----------变异概率调节参数 % Pd-----------变异程度调节参数，0 大连理工大学 研究生必修课 作业 课程名称：现代物流管理 研究生姓名：徐静学号：21511149 作业成绩： 任课教师(签名) 交作业日时间：2016 年6 月1日 蚁群算法在TSP问题上的应用 摘要蚁群算法是受现实蚂蚁群体行为启发而得出的一类仿生算法。本文以解决TSP问题为基础,系统地介绍了蚁群算法从诞生到成熟过程中几个代表性的算法。在阐述算法基本思想的前提下，着重论述算法的创新之处。 关键词蚁群算法，TSP问题，蚁群优化 1引言 蚁群算法也称作蚁群优化(Ant Colony Optimization，ACO)，最早是由Dorigo及其研究同伴所提出，用于求解诸如旅行商问题之类的组合优化问题。自然界蚂蚁在其经过的路径上会留下某种生物信息物质(信息素)，该物质会吸引蚁群中的其它成员再次选择该段路径；食物与巢穴之前较短的路径容易积累较多的信息素，因而使得更多的蚂蚁选择走该段路径，最终几乎所有的蚂蚁都集中在最短路径上完成食物的搬运。Dorigo等从此现象中抽象出路径选择和信息素积累的数学模型，作为蚁群算法的核心，并通过对蚂蚁寻找最短路径的计算机模拟，实现了对TSP问题的求解。自此，蚁群算法越来越多地被用于求解其它的组合优化问题，也被推广到工业工程上应用。 蚁群算法特点是并发性、鲁棒性、正反馈性等。在蚁群算法求解问题的过程中，利用蚁群在问题空间中同时构造问题的多个解体现了算法的并发性。蚁群不会因为单个蚂蚁寻找到较差的解或者因为问题空间发生改变而使得算法丧失作用，这体现了算法的鲁棒性。在蚂蚁构造问题解的过程中，以蚁群觅食行为为例，会在经过的解路径上释放信息素，而解空间中获得信息素越多的路径，对蚂蚁的吸引力就越大，使更多的蚂蚁经过该路径并进一步在上面释放信息素，这体现了算法的正反馈性。 TSP问题代表一类组合优化问题，在实际工程中有许多应用，如计算机联网、电子地图、交通诱导、电气布线、VLSI单元布局、ATM分组交换网等。鉴于其重要的工程与理论价值，TSP常作为算法性能研究的典型算例。求其最优解的代价是指数级的，因此对其近似解的研究一直是算法设计的一个重要课题。 TSP问题是典型的NP完全问题，许多算验证法及算法效率测试都以TSP问题为基础。在蚁群算法研究中，第一个蚁群算法，蚂蚁系统,就是在TSP问题的基础上提出来的。而后，依据TSP问题，又提出了蚁群算法系列中具有代表性的蚁群系统、最大——最小蚂蚁系统。 本文以TSP问题为基础,对蚁群算法的基本问题及典型的蚁群算法进行了综述。涉及到算法的基本问题、算法描述、算法改进及意义。通过研究总结了蚁群算法的发展历程和实现思想。 ２００７年第２期空间电子技术收稿日期：２００６－０４－０３；收修改稿日期：２００６－０４－３０ 粒子群算法和蚁群算法的结合及其在 组合优化中的应用 张长春苏昕易克初 （西安电子科技大学综合业务网国家重点实验室，西安７１００７１） 摘要文章首次提出了一种用于求解组合优化问题的ＰＡＡＡ算法。该算法有效地 结合了粒子群算法和蚁群算法的优点，先利用粒子群算法的随机性、快速性、全局性得到初始信息素分布（即粗搜索），再利用蚁群算法的并行性、正反馈性、求解精度高等优点求精确解（即细搜索）。将文中提出的算法用于经典ＴＳＰ问题的求解，仿真结果表明ＰＡＡＡ算法兼有两种算法的优点，同时抛弃了各自的缺点。该算法在时间效率上优于蚁群算法，在求精效率上优于粒子群算法，是综合了两种算法长处的一种新的启发式算法，达到时间性能和优化性能上的双赢，获得了非常好的效果。 主题词蚁群算法粒子群算法旅行商问题ＰＡＡＡ ０引言 近年来对生物启发式计算（Ｂｉｏ－ｉｎｓｐｉｒｅｄＣｏｍｐｕｔｉｎｇ）的研究，越来越引起众多学者的关注和兴 趣，产生了神经网络、 遗传算法、模拟退火、粒子群算法、蚁群算法等许多用于解决复杂优化问题的新方法。然而，面对各种问题的特殊性和复杂性，每种算法都表现出了自身的优势和缺陷，都存在时间性能和优化性能不能兼得的矛盾。粒子群优化（ＰａｒｔｉｃｌｅＳｗａｒｍＯｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）算法［１，２］是由Ｅｂｅｒｈａｒｔ和Ｋｅｎｎｅｄｙ于１９９５年提出的一种全局优化算法，该算法源于对鸟群觅食行为的模拟。它的优势在于：（１）算法简洁，可调参数少，易于实现；（２）随机初始化种群，具有较强的全局搜索能力，类似于遗传算法；（３）利用评价函数衡量个体的优劣程度，搜索速度快；（４）具有较强的可扩展性。其缺点是：不能充分利用系统中的反馈信息，求解组合优化问题的能力不强。 蚁群算法［３，４］（ＡｎｔＣｏｌｏｎｙＯｐｔｉｍｉｚａｔｉｏｎ，ＡＣＯ）是由意大利学者Ｍ．Ｄｏｒｉｇｏ，Ｖ．Ｍａｎｉｅｚｚｏ和Ａ．Ｃｏｌｏｒｎｉ 于２０世纪９０年代初提出的一种新型的智能优化算法，已经被应用到ＴＳＰ问题［５，６］、二次分配问题、工件调度问题、图着色问题等许多经典组合优化问题中，取得了很好的效果。它的优点是：（１）采用一种正反馈机制，通过信息素的不断更新，达到最终收敛于最优路径上的目的；（２）是一种分布式的优化方法，易于并行实现；（３）是一种全局优化的方法，不仅可用于求解单目标优化问题，而且可用于求解多目标优化问题；（４）适合于求解离散优化问题；（５）鲁棒性强。但由于在算法的初始阶段信息素匮乏，所以求解速度较慢。 文章将粒子群算法和蚁群算法有机地结合，提出了ＰＡＡＡ算法。它利用粒子群算法的较强的全局搜索能力生成信息素分布，再利用蚁群算法的正反馈机制求问题的精确解，汲取各自的优势，以达空间电子技术ＳＰＡＣＥＥＬＥＣＴＲＯＮＩＣＴＥＣＨＮＯＬＯＧＹ７６ 蚁群算法的改进与应用 摘要：蚁群算法是一种仿生优化算法，其本质是一个复杂的智能系统，它具有较强的鲁棒性、优良的分布式计算机制和易于与其他方法结合等优点。但是现在蚁群算法还是存在着缺点和不足,需要我们进一歩改进,如：搜索时间长、容易出现搜索停滞现象、数学基础还不完整。本文首先说明蚁群算法的基本思想,阐述了蚁群算法的原始模型及其特点，其次讨论如何利用遗传算法选取蚁群算法的参数，然后结合对边缘检测的蚁群算法具体实现过程进行研究分析，最后对本论文所做的工作进行全面总结,提出不足之处,并展望了今后要继续研究学习的工作内容。 关键词：蚁群算法;边缘检测;阈值;信息素;遗传算法; 1 前言 蚁群算法是近年来提出的一种群体智能仿生优化算法，是受到自然界中真实的蚂蚁群寻觅食物过程的启发而发现的。蚂蚁之所以能够找到蚁穴到食物之间的最短路径是因为它们的个体之间通过一种化学物质来传递信息，蚁群算法正是利用了真实蚁群的这种行为特征，解决了在离散系统中存在的一些寻优问题。该算法起源于意大利学者 Dorigo M 等人于 1991 年首先提出的一种基于种群寻优的启发式搜索算法，经观察发现，蚂蚁在寻找食物的过程中其自身能够将一种化学物质遗留在它们所经过的路径上，这种化学物质被学者们称为信息素。这种信息素能够沉积在路径表面，并且可以随着时间慢慢的挥发。在蚂蚁寻觅食物的过程中，蚂蚁会向着积累信息素多的方向移动，这样下去最终所有蚂蚁都会选择最短路径。该算法首先用于求解著名的旅行商问题（Traveling Salesman Problem，简称 TSP）并获得了较好的效果，随后该算法被用于求解组合优化、函数优化、系统辨识、机器人路径规划、数据挖掘、网络路由等问题。 尽管目前对 ACO 的研究刚刚起步，一些思想尚处于萌芽时期，但人们已隐隐约约认识到，人类诞生于大自然，解决问题的灵感似乎也应该来自大自然，因此越来越多人开始关注和研究 ACO，初步的研究结果已显示出该算法在求解复杂优化问题（特别是离散优化问题）方面的优越性。虽然 ACO 的严格理论基础尚未奠定，国内外的有关研究仍停留在实验探索阶段，但从当前的应用效果来看，这种自然生物的新型系统寻优思想无疑具有十分光明的前景。但该算法存在收敛速度慢且容易出现停滞现象的缺点，这是因为并不是所有的候选解都是最优解，而候选解却影响了蚂蚁的判断以及在蚂蚁群体中，单个蚂蚁的运动没有固定的规则，是随机的，蚂蚁与蚂蚁之间通过信息素来交换信息，但是对于较大规模的优化问题，这个信息传递和搜索过程比较繁琐，难以在较短的时间内找到一个最优的解。 由于依靠经验来选择蚁群参数存在复杂性和随机性,因此本文最后讨论如何利用遗传算法选取蚁群算法的参数。遗传算法得到的蚁群参数减少了人工选参的不确定性以及盲目性。 2 基本蚁群算法 2.1 蚁群算法基本原理 根据仿生学家的研究结果表明,单只蚂蚁不能找到从巢穴到食物源的最短路 径,而大量蚂蚁之间通过相互适应与协作组成的群体则可以,蚂蚁是没有视觉的,但是是通过蚂蚁在它经过的路径上留下一种彼此可以识别的物质,叫信息素,来相互传递信息,达到协作的。蚂蚁在搜索食物源的过程中,在所经过的路径上留下信息素,同时又可以感知并根据信息素的浓度来选择下一条路径,一条路径上的浓度越浓,蚂蚁选择该条路径的概率越大,并留下信息素使这条路径上的浓度加强,这样会有更多的蚂蚁选择次路径。相反,信息素浓度少的路 蚁群算法在车辆路径问题中的应用 摘要 蚁群算法（Ant Colony Optimization, ACO）是意大利学者M.Dorigo等人通过模拟蚁群觅食行为提出的一种基于种群的模拟进化算法。通过介绍蚁群觅食过程中基于信息素（pheromone）的最短路径的搜索策略，给出了基于MATLAB 的蚁群算法在车辆路径问题（Vehicle Routing Problem, VRP）中的应用。蚁群算法采用分布式并行计算机制，易于其他方法结合，而且具有较强的鲁棒性，但搜索时间长，容易陷入局部最优解。针对蚁群算法存在的过早收敛问题，加入2—opt方法对问题求解进行了局部优化，计算机仿真结果表明，这种混合型蚁群算法对求解车辆路径问题有较好的改进效果。 关键词：蚁群算法、组合优化、车辆路径问题、2-opt方法 1.车辆路径问题 车辆路径问题（VRP）来源于交通运输，1959年由Dantzig 提出，它是组合优化问题中一个典型的NP-hard问题。最初用于研究亚特兰大炼油厂向各个加油站投送汽油的运输路径优化问题，并迅速成为运筹学和组合优化领域的前沿和研究热点。 车路优化问题如下： 已知有一批客户，各客户点的位置坐标和货物需求已知，供应商具有若干可供派送的车辆，运载能力给定，每辆车都是从起点出发，完成若干客户点的运送任务后再回到起点。现要求以最少的车辆数和最少的车辆总行程来完成货物的派送任务。 2、蚁群系统基本原理 在蚂蚁群找到食物时，它们总能找到一条从食物到蚁穴之间的最短路径。因为蚂蚁在寻找食物时会在路途上释放一种特殊的信息素。当它们碰到一个还没有走过的路口时，会随机地挑选一条路径前行。与此同时释放出与路径长度有关的信息素。路径越长，释放的激素浓度越低。当后面的蚂蚁再次碰到这个路口时，会选择激素浓度较高的路径走。这样形成了一个正反馈，最优路径上的激素浓度越来越高，而其他的路径上激素浓度却会随时间的流逝而消减。最终整个蚁群会找出最优路径。在整个寻找过程中，整个蚁群通过相互留下的信息素作用交换着路径信息，最终找到最优路径。 3、基本蚁群算法求解车辆路径问题 求解VRP问题的蚂蚁算法中，每只蚂蚁是一个独立的用 于构造路线的过程，若干蚂蚁过程之间通过信息素值来交换信 流水生产线平衡实例分析-(I) (2012-07-31 09:11:09) 转载▼ 标签： 分类：咨询事业 教育 生产线平衡就是对生产的全部工序进行均衡化，调整作业负荷，以使各作业时间尽可能相近的技术手段与方法。它是生产流程设计及作业标准化中最重要的方法。生产线平衡的目的是通过平衡生产线使现场更加容易理解“一个流”的必要性及生产作业控制的方法。 玩具小车生产线平衡实例 某J型玩具小车要在一个传送带上组装，每天需生产500辆。每天的生产时间为420分。表0-1列出了J型小车的装配步骤及其定额时间，请根据节拍和作业次序的限制，求使工作站数量最少的生产线平衡方式。 1.绘制装配生产线的流程图 图6-1 给出了表6-1中的次序关系（表示作业次序关系，箭头长度无实际意义）。 表6-1 J型小车的装配步骤及其时间 作业时间（秒）描述必须提前的作业 A45安装后轴支架，拧紧4个螺母— B11插入后轴A C9拧紧后轴支架螺栓B D50安装前轴，用手拧紧4个螺母— E15拧紧前轴螺栓D F12安装1#后车轮，拧紧轮轴盖C G12安装2#后车轮，拧紧轮轴盖C H12安装1#前车轮，拧紧轮轴盖E I12安装2#前车轮，拧紧轮轴盖E J8安装前轴上的车把手，拧紧螺栓和螺钉F，G，H，I K9上紧全部螺栓和螺钉 合计195 图6-1 J型小车的流程图 2.计算节拍 3.工作站最小值（理论上） 4.选择作业分配规则 研究表明，对于特定的问题有些规则会优于其他规则。一般来说，首先安排有许多后续作业或者持续时间很长的作业，因为它们会限制装配生产线平衡的实现。这种情况下，我们选用如下规则： 规则一：按后续作业数量最多规则优先安排作业； 精心整理§7综合举例 例7.1求解非线性方程组 其LINGO代码如下： model: x^2+y^2=2; 2*x^2+x+y^2+y=4; end 计算的部分结果为 Feasiblesolutionfoundatiteration:0 VariableValue !工作站集合; STATION/1..4/; TXS(TASK,STATION):X; !X是派生集合TXS的一个属性。如果X（I，K）＝1，则表示第I个任务 指派给第K个工作站完成; ENDSETS DATA: !任务ABCDEFGHIJK的完成时间估计如下; T=4511950151212121289; ENDDATA !当任务超过15个时，模型的求解将变得很慢; !每一个作业必须指派到一个工作站，即满足约束①; @FOR(TASK(I):@SUM(STATION(K):X(I,K))=1); !对于每一个存在优先关系的作业对来说，前者对应的工作站I必须小于后者对应的工作站J，即满足约束②; @FOR(PRED(I,J):@SUM(STATION(K):K*X(J,K)-K*X(I,K))>=0); !对于每一个工作站来说，其花费时间必须不大于装配线周期; @FOR(STATION(K): @SUM(TXS(I,K):T(I)*X(I,K))<=CYCTIME); !目标函数是最小化转配线周期; MIN=CYCTIME; !指定X(I,J)为0/1变量; @FOR(TXS:@BIN(X)); END 计算的部分结果为 Globaloptimalsolutionfoundatiteration:1255 X(G,3)0.00000012.00000 X(G,4)1.0000000.000000 X(H,1)0.0000000.000000 X(H,2)0.0000000.000000 X(H,3)1.00000012.00000 X(H,4)0.0000000.000000 X(I,1)0.0000000.000000 X(I,2)0.0000000.000000 X(I,3)1.00000012.00000 X(I,4)0.0000000.000000 X(J,1)0.0000000.000000 X(J,2)0.0000000.000000 X(J,3)0.0000008.000000 X(J,4)1.0000000.000000 蚁群算法原理及在TSP 中的应用 1 蚁群算法（ACA ）原理 1.1 基本蚁群算法的数学模型 以求解平面上一个n 阶旅行商问题(Traveling Salesman Problem ，TSP)为例来说明蚁群算法ACA （Ant Colony Algorithm ）的基本原理。对于其他问题，可以对此模型稍作修改便可应用。TSP 问题就是给定一组城市，求一条遍历所有城市的最短回路问题。 设()i b t 表示t 时刻位于元素i 的蚂蚁数目，()ij t τ为t 时刻路径(,)i j 上的信息量，n 表示TSP 规模，m 为蚁群的总数目，则1()n i i m b t ==∑；{(),}ij i i t c c C τΓ=?是t 时刻集合C 中元素(城市)两两连接ij t 上残留信息量的集合。在初始时刻各条路径上信息量相等，并设 (0)ij const τ=，基本蚁群算法的寻优是通过有向图 (,,)g C L =Γ实现的。 蚂蚁(1,2,...,)k k m =在运动过程中，根据各条路径上的信息量决定其转移方向。这里用禁忌表(1,2,...,)k tabu k m =来记录蚂蚁k 当前所走过的城市，集合随着 k tabu 进化过程作动态调整。在搜索过程中，蚂蚁根据各条路径上的信息量及路 径的启发信息来计算状态转移概率。()k ij p t 表示在t 时刻蚂蚁k 由元素(城市)i 转移 到元素(城市)j 的状态转移概率。 ()*()()*()()0k ij ij k k ij ij ij s allowed t t j allowed t t p t αβ αβτητη??????????? ∈?????=????? ??? ∑若否则 (1) 式中，{}k k allowed C tabuk =-表示蚂蚁k 下一步允许选择的城市；α为信息启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过程中所积累的信息在蚂蚁运动时所起作用，其值越大，则该蚂蚁越倾向于选择其他蚂蚁经过的路径，蚂蚁之间协作性越强；β为期望启发式因子，表示能见度的相对重要性，反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的重视程度，其值越大，则该状态转移概率越接近于贪心规则；()ij t η为启发函数，其表达式如下： 1 ()ij ij t d η= (2) %% 蚁群算法求函数极值 % 初始化 clear all; %清除所有变量 close all; %清图 clc; %清屏 m = 20; %蚂蚁个数 G = 200; %最大迭代次数 Rho = 0.9; %信息素蒸发系数 P0 = 0.2; %转移概率常数 XMAX = 7; %搜素变量x最大值 XMIN = 1; %搜素变量x最小值 YMAX = 7; %搜素变量y最大值 YMIN = 1; %搜素变量y最小值 %% 随机设置蚂蚁初始位置 for i = 1:m X(i,1) = (XMIN +(XMAX-XMIN)*rand); X(i,2) = (YMIN +(YMAX-YMIN)*rand); Tau(i) = func(X(i,1),X(i,2)); end step = 0.1; for NC = 1:G lamda = 1/NC; [Tau_best,BestIndex] = max(Tau); % 计算状态转移概率 for i = 1:m P(NC,i) =(Tau(BestIndex)-Tau(i))/Tau(BestIndex); end % 位置更新 for i = 1:m %局部搜素 if P(NC,i) < P0 temp1 = X(i,1)+(2*rand-1)*step*lamda; temp2 = X(i,2)+(2*rand-1)*step*lamda; else %全局搜索 temp1 = X(i,1)+(XMAX-XMIN)*(rand-0.5); temp2 = X(i,2)+(YMAX-YMIN)*(rand-0.5); end % 边界处理 if temp1 < XMIN temp1 = XMIN; end if temp1 > XMAX temp1 = XMAX; (此文档为word格式，下载后您可任意编辑修改！) 1 引言 1.1 选题背景 随着社会经济的快速发展，科技的日益进步，市场竞争也变得越来越激烈，怎样提升企业的竞争力成为管理者重点关注的问题。 制造业是企业所有与制造有关的生产组织的总称。中国作为21世纪世界最大的生产工厂，越来越多的国际企业选择来中国建厂，不光带来了先进的生产技术，也引入了更为先进的管理理念。因此，在竞争日益激烈的当今社会，只有不断寻求新的突破和运营低成本化，才能使企业长盛不衰。而生产线作为制造型企业最基本的生产单位，其生产水平的高低往往决定着公司生产能力的大小。做好企业生产线的改进建设，也就成为制造业企业的重中之重。而作为改善企业生产状况、提高企业生产效率、提升企业竞争力的最佳工具——工业工程，也必将成为企业摆脱困境，走向辉煌的必经之路。 石家庄格力小家电有限公司作为一个新兴的小家电生产企业，虽然是格力电器旗下的一个全新品牌，却并未占据特别高的市场份额，在急速发展的市场经济背景下，企业若想如计划般的成为有很强竞争力的独立品牌，必须进行改革，因此，企业迫切需要引入工业工程等先进生产管理理论及方法，来助其提高市场竞争力。 基于以上背景，本课题利用工业工程的知识对石家庄格力小家电有限公司总装厂的电风扇装配生产线进行改善，以提高生产效率，提高企业竞争力。1.2 课题研究的内容和意义 装配线平衡就是在一定的生产工艺的约束下，按流水线的各个生产节拍将所有装配工序进行有效的组合、合理的调整，从而使各个工位的负荷量充足且均衡，各工位的空闲时间最少。石家庄格力小家电公司的装配线由二十几个工位组成，采用直线型布局，流水线的最大好处就是有着很高的连续性和协调性。由于每个工位的工作不同，因此节拍也不相同，使得物料在流水线上分布不均匀，又由于瓶颈环节的存在，以致其他环节便会出现等待的浪费，从而影响整条生产线的效率,因此，进行装配线的平衡改善是非常有必要的。 画装配工序先后顺序图 装配线的平衡 N :装配线的工位数 C : 节拍 : 第i 项任务的作业 时间 4）装配线平衡的步骤： a .确定装配线的节拍 节拍c = 计划起有效工作时间/计划期产量 注意：有效工作时间除去必要的停歇；产量包含不合格品。 b . 计算装配线需要的最少工位数 N = [产品装配总作业时间/节拍] = [ ] c . 组织工位 向每一个工位分配任务时必须满足下列条件： 保证人物之间的顺序关系； 每个工位分配的任务作业之和不能大于节拍； 各工位的单件作业时间应尽量相等或接近节拍； 使工位数尽量少 后续任务数多的工作优先安排；加工时间长的工作优先安排。 d .计算装配线的负荷系数 ηη-=?=∑ 1BD C N t i B D为装配线平衡损失系数 一装配线计划每小时装配200件，每小时工作时间为50分钟，下表是各个工序及关系。求 （1）画出装配工序顺序图 （2）计算装配线的节拍 （3）计算每小时装配200件的最小工序数 （4）进行装配线平衡，使时间损失率最小 装配线工序及作业时间 工序作业时间紧前工序 a0.2- b0.05- c0.15- d0.06- e0.03a,b f0.08c,d g0.12e,f h0.05- i0.05- j0.12h,i k0.15j L0.08k 解答： （1）画图略 （2）节拍 C=50/200=0.25(分钟/件) （3）最小工作地数 N=[工序作业时间之和/节拍]= [（0.2+0.05+0.15+0.06+0.03+0.08+0.12+0.05+0.05+0.12+0.15+0. 08)/0.25]=5 (4)平衡结果：(a,b),(c,d,e),(f,g),(h,i),(j),(k,L). 效率=83% 蚁群算法在物流系统优化中的应用 ——配送中心选址问题 LOGO https://www.360docs.net/doc/7d6581614.html, 框架 蚁群算法概述 蚁群算法模型 物流系统中配送中心选择问题 蚁群算法应用与物流配送中心选址 算法举例 蚁群算法简介 ?蚁群算法(Ant Algorithm简称AA)是近年来刚刚诞生的随机优化方法，它是一种源于大自然的新的仿生类算法。由意大利学者Dorigo最早提出，蚂蚁算法主要是通过蚂蚁群体之间的信息传递而达到寻优的目的，最初又称蚁群优化方法(Ant Colony Optimization简称ACO)。由于模拟仿真中使用了人工蚂蚁的概念，因此亦称蚂蚁系统(Ant System，简称AS)。 蚁群觅食图1 ?How do I incorporate my LOGO and URL to a slide that will apply to all the other slides? –On the [View]menu, point to [Master],and then click [Slide Master]or [Notes Master].Change images to the one you like, then it will apply to all the other slides. [ Image information in product ] ?Image : www.wizdata.co.kr ?Note to customers : This image has been licensed to be used within this PowerPoint template only. You may not extract the image for any other use. I 装配生产线平衡的研究 摘要 随着快速多变的市场需求及企业的发展,在流水线生产的模式下,如何提高生产线的整体效率,减少工序间的在制品,以及追求同步化生产越来越受到重视,企业生产中通常用平衡率这一量化的指标来评价一条流水线平衡性的高低.它在某种程度上决定着企业设备的利用率,并限制着生产线生产能力的提高。 论文通过对装配生产线平衡的研究,结合自身企业产品的特点,对现有生产进行了改善,说明了现有工业工程技术在生产线平衡改善中的作用。首先,本文叙述了生产线平衡理论及评价方式,及影响线平衡的要素,同时根据工业工程基础理论定义了改善生产线平衡的方式。对于本文所讨论的机种N 机型,针对其线平衡率不高的问题,通过分析现状,找出了问题所在：工时量测不合理；有明显的瓶颈站位存在；人机利用率较差；作业工序安排不当。然后根据生产线平衡的步骤及方法,运用了统计分析的x-σ管制方法,及学习曲线的理论,重新确定了工时；并按照工序节拍均衡的原则,通过对工业工程理论中ECRS及人机操作分析方法的运用,调整了工序内容,使各工序节拍趋于一致,且精减了部分站位,节省了人力,设备成本,并使生产能力得到了提高。 论文的运用方法： 1.结合统计制程管中的x-σ管制方法,来对工时量测进行计算。 2.运用学习曲线,结合实际生产状况,适时进行工时改善,降低生产线工时,提高了人均产出。 3.运用人机操作分析法,调整测试站位的工时及人机分配。 关键词：生产线平衡,工序节拍,人机操作分析,x-σ管制,学习曲线 RESEARCH ON THE ASSEMBLY PRODUCTION LINE BALANCE ABSTRACT To meet the variable requirement of the market,it becomes more andmore important to improve the efficiency of production line,decrease thestorage of half-goods and attain equalization for the pipelines.It is an popularindex for the company to make the assessment on a pipeline,and it is alsoaffect the line capability. Through studying on the theory of the assembly line balance andcombining the the characteristic of the the real production line,we find it ishelpful to practice the industry engineering technology.First,this paper hasrecounted the theory of the pipeline balance and of how to make evaluationfor it.Then by the theory,the paper defined the detail methods to improve theline balance.For the model of N which is one of the most important productsin our company,we found some problems on the pipeline by analyzing thesituation：unreasonable measurement for cycle time；obvious neckstation；low efficiency for the use of man-machine；improper arrangementfor the operation. By steps and methods of assembly line balance,the paper practice thestatistic method of x-σcontrol and the study-curve,so new man-hour wasmade.Then following ECRS(Eliminate,Combine,Rearrange,Simplify) principle of IE and man-machine the method,we adjusted operation contentand make the operation cycle reach unanimity.During the improvement,wealso made the cost down for some stations,operators,machines and increasedthe production capacity of line greatly. Theory practice in the paper： 1.To measure the man-hour with x-σmethod. 2.Through study-curve,improve the man-hour. 3.To use man-machine method and adjust the allocation ofoperator and machine. KEY WORDS：production line balance,operation cycle,man-machine operation analysis,x-σcontrol,study-curve 装配生产线任务平衡问题的遗传算法MATLAB源代码 下面的源码实现了装配生产线任务平衡优化问题（ALB问题）的遗传算法，算法主要参考下面这篇文献，并对其进行了改进。陈永卿,潘刚,李平.基于混合遗传算法的装配线平衡[J].机电工程,2008,25(4):60-62.。 function [BestX,BestY,BestZ,AllFarm,LC1,LC2,LC3,LC4,LC5]=GSAALB(M,N,Pm,Pd,K,t0,alpha,Tas kP,TaskT,TaskV,RT,RV) % GreenSim团队——专业级算法设计&代写程序 % 欢迎访问GreenSim团队主页→https://www.360docs.net/doc/7d6581614.html,/greensim %% 装配生产线任务平衡问题的遗传算法 %% 输入参数列表 % M------------遗传算法进化代数 % N------------种群规模，取偶数 % Pm-----------变异概率调节参数 % Pd-----------变异程度调节参数，0 目录 摘要 (1) ABSTRACT (2) 1 绪论 (3) 1.1论文选题的背景及意义 (3) 1.2国内外研究现状 (3) 1.3研究思路及主要内容 (4) 2 生产线平衡的基本原理 (5) 2.1生产线平衡的目的和原则 (5) 2.2生产线平衡要满足的约束条件 (5) 2.3影响生产线平衡的主要因素 (5) 2.3.1标准作业指导书的制定对生产线平衡的影响 (5) 2.3.2 排线对生产线平衡的影响 (6) 2.3.3员工责任心对生产线平衡的影响 (6) 2.4生产线平衡问题的方法研究 (6) 2.4.1程序分析 (6) 2.4.2 操作分析 (7) 2.4.3动作分析 (9) 3 F公司整车流水线的情况概述 (10) 3.1F公司概况 (10) 3.2F公司装配生产线平衡的情况概述 (10) 3.2.1F公司电动车生产流程现状 (10) 3.2.2F公司电动车生产中存在的关键问题 (11) 4 F公司整车流水线平衡的解决方案 (12) 4.1F公司整车流水线平衡整改方案 (12) 4.2整车线与吊挂方案对比 (14) 5 结论 (16) 致谢..........................................................................................错误！未定义书签。参考文献. (17) 摘要 在流水线生产模式下，如何提高生产线的整体效率，减少工序间的在制品，决定着企业设备、人员的利用率，并限制着生产线生产能力的提高。目前，生产线平衡问题已被认为是生产流程设计及作业标准化过程中关键的一环。制造业的生产多半是在进行细分化之后的多工序流水化连续作业生产线，此时由于分工作业，简化了作业难度，使作业熟练度提高了，从而提高了作业效率。然而，经过了这样的作业细分化之后，各工序的作业时间在理论上、实践上都不能完全相同，这就势必存在工序间作业负荷不均衡的现象。 F公司在装配生产线中就经常遇到这种问题，作业负荷不平衡给F公司造成无谓的工时损失，还造成大量的工序堆积，严重时会造成生产线的中止。在市场需求越来越大的今天，F公司研究改善生产线就迫在眉睫。实现均衡生产不仅有利于保证设备、人力的负荷平衡，从而提高设备和工时的利用率，同时还有利于建立正常的生产秩序和管理秩序，保证产品质量和安全生产；均衡生产还有利于节约物资消耗，减少在制品数量，加速流动资金周转，从而降低生产成本。在均衡生产的基础上实现“单元生产(cell production)”，也提高了企业生产应变能力，对应市场变化实现柔性生产系统；通过平衡生产线，可以综合运用程序分析、操作分析、动作分析、Lay out 分析、时间分析等传统工业工程手法，能提高全员的综合素质。总之，现代生产企业在大力提倡现代工业工程应用时，不要忽视基础工业工程方法在企业中所起的事半功倍的作用。 关键词：生产线平衡作业效率现代工业工程作业细分 装配线的平衡 一、流水生产的基本概念 一）、流水生产的特点 二）、流水生产线的种类 三）、流水生产的组织 二、装配线的平衡 一、流水生产的基本概念 流水生产——是劳动对象按照一定的工艺过程、规定的顺序和速度，连续不断地通过各个工作地进行加工，完成工序作业的一种生产过程组织形式。 流水生产是将高度的对象专业化的生产组织和劳动对象的平行移动方式有机地结合起来。流水生产的主要特点是： 1，各工作地按照劳动对象的加工顺序排列。 2．每个工作地固定地完成一道和少数几道工序，工作地的专业化程度高。 3．流水线上各工序的加工时间之间成相等或整数倍数关系。 4，按照一定的节拍进行生产。 流水生产线的种类 1．按流水线的连续程度 ——连续流水线和间断流水线 2．按在流水线上加工对象的数目 ——单一对象流水线和多对象流水线 3．按流水线上的劳动对象是否移动 ——制件固定流水线和制件移动流水线 4．按流水线的节拍 ——强制节拍流水线和自由节拍流水线 5，按流水线的机械化程度 ——手工流水线和机械化流水线 组织流水生产的条件 组织流水生产需要具各一定条件，这些条件主要有： 1），产品结构和工艺要相对稳定。 2）．产品、零件和部件的产量要大，足以保证工作地的正常负荷。在产品品种多，产量不大的企业中，组织流水生产时，可通过成组工艺来增大同种零件的产量 三、装配线平衡 （一）、为什么要进行生产线平衡? 浪费时间资源 忙闲不均，引起矛盾 浪费人 （二）生产线平衡的目的 物流快速﹐缩短生周期 减少或消除物料或半成品周转场所 消除生产瓶颈﹐提高作业效率 提升工作士气﹐改善作业秩序 稳定产品质量 （三）装配线平衡的技巧 1、如何消除瓶颈 1）作业分割——将此作业的一部分分割出来移至工时较短的作业工序。 2）利用或改良工具﹑机器——将手工改为工具；或半自动或全自动机器；或在原有工具；夹具做改善；自可提升产量﹐缩短作业工时。 3）提高作业者的技能——运用工作教导，提升作业者的技能 4 ）调换作业者——调换效率较高或熟练作业人 5 ）增加作业者——上面几项都做了﹐还未达到理想﹐可能就得考虑增加工序人手了。 2、如何改善作业方法 1）改善四要法(ECRS) “剔除”( Eliminate )不必要的动作 “合并”(Combine) 微少的动作 “重排”(Rearrange )作业工序或动作 “简化”(Simplify )复杂的效率动作 2) 改善有妨碍的布置或环境 3. 应注意的问题 生产线的管理人员﹐如对改善技法缺乏了解﹐如出现不平衡的状态时﹐习惯用人员增补来弥补﹐这是一个不动脑筋的做法﹐不足为取。 除了上面介绍的技法以外﹐也可以对材料﹑零件包括设计方法来检讨﹐有否缩短工时的方法。 生产线补进新手时﹐因新手对工作不熟悉﹐熟练不足。在配置上尤其要注意﹐会造成很大的不平衡使产量大幅度下降﹐或对新手造成异常的工作压力。 一般加工或装配线对新手的熟练标准如下： 工作时间熟练度 1个月50% 2个月70% 3个月90% 4个月或以上100% （四）装配线设计与平衡方法 （1）确定装配流水线节拍。 （2）计算装配线上需要的最少工作地数。 （3）组织工作地。 （4）计算工作地时间损失系数/ 装配线的效率。蚁群算法应用
粒子群算法和蚁群算法的结合及其在组合优化中的应用
蚁群算法
蚁群算法在车辆路径问题中的应用
产线平衡案例分析
装配线平衡模型
蚁群算法原理及在TSP中的应用(附程序)
蚁群算法
装配线平衡设计
画装配工序先后顺序图 及装配线平衡
蚁群算法原理与应用讲解
对装配生产线平衡的研究
装配生产线任务平衡问题的遗传算法MATLAB源代码
装配生产线平衡问题的研究
装配线平衡重点