《不确定环境下再制造加工车间生产调度优化方法.doc》由会员分享，可在线阅读，更多相关《不确定环境下再制造加工车间生产调度优化方法.doc（8页珍藏版）》请在三一文库上搜索。
1、不确定环境下再制造加工车间生产调度优化方法再制造加工作为现代工业领域发展的一种趋势，它是实现循环生产的有效途径。依据当前工业领域发展现状来看，本文结合现有的制造加工经验，技术人员在对其加工时间进行描述时采用的是模糊随机变量，这一变量是和再制造废旧件特性相一致的，并由此进一步强化了模糊随机机会约束规划的基础性作用，在此基础上建立了具体的调度模型，并采取了一种具有混合性质的智能算法，以促进再制造加工车间生产调度的优化和完善。 1 再制造加工车间的调度问题模型分析 对于调度问题模型的分析，需要先对模糊随机变量有所了解，在本文所分析的不确定环境之下，它对于制造加工时间的描述时以随机变量和模糊变量为主的
2、，而在这两个变量中，需要对两个变量的分布函数予以确定，对于随机变量来说，它的分布函数确定需要立足于大量数据基础上对其进行科学统计来实现，保证函数的科学性和准确性，而在模糊变量的分布函数确定上则相对较为简单，它的隶属度函数可以由相关人员依据之前的经验来确定，但需要注意的是，在很多情况下，需要对两个变量结合并具体应用，相反，如果只是选择其中的一个如果以单一的随机变量或者是模糊变量进行描述的话，描述的准确性会降低。 1.1 生产调度中的问题分析 对于生产调度中的问题分析，可以设想在一个再制造加工车间中共有生产机器设备m台，待加工废旧零件n个，每一个加工工件中都包含有多个工序，对于这些工序的顺序排列需
3、要在事前给予设定，在每个加工机器上进行一种加工工序，而且工序加工的时间也是依据损伤的程度来决定的。在确保了工序顺序的约束和交货期约束的基础上，生产调度的优化目标就可以归结为是在最小化的预定置信水平下的最大完工时间悲观值。那么这种模型需要具备有以下几方面假设条件： 第一，在多个工序加工作用下完成工件加工再制造，不同的工序加工也要在特定的机器设备上进行，第二， 在同一时间内只能对一个工件进行加工处理；第三，加工工序一旦开始就不能中途停止，需要持续不间断完成；第四，只要是初始时刻，工序加工都可以进行；第五，机器之间的相互运送时间是可以省去的。 1.2 参数描述 在再制造加工过程中，会不可避免的涉及到
4、诸多不确定因素。通过对不同工件的加工时间的历史数据信息进行分析可知，对于工件加工时间在自身估计值上下波动特性的表示可以在对模糊数据的利用过程中实现，并且这一过程也是相当准确的。除此之外，以传统生产流程作为参考来进行对比分析，可以知道在再制造加工车间中，需要进行加工处理的废旧件的损伤程度主要是由具体加工时间的决定性条件，通常情况下，对于具体损伤的程度反映可以以损伤面积大小、损伤位置以及属性等来进行合理划分，进而区别出具体的损伤级别，等级越低损伤程度就越轻。基于此，就可以采用三角离散模糊随机变量PTkij（）来对再制造加工车间中待加工废旧零件加工时间进行表示，具体公式表示如下： 1.3 生产调度的
5、模型 通过上述分析可知，每一个加工工件在加工过程中所需要的时间实质上是一种模糊随机变量，在这个变量下，我们可以知道加工工序的开始和技术时间具体指，而这个所确定的时间值也是模糊随机变量的一种，这就导致了调度模型和确定周的调度模型两者就会有较大的差异，在具体分析时就可以将其描述为是模糊随机机会约束规划模型。假设x为决策矢量，是模糊随机矢量，f（x，）就是目标函数，gj（x，）就是约束函数j=1、2、p。 2 调度模型求解方面的分析 2.1 模糊随机模拟 该模拟指的是以模糊随机系统作为中心，并按照要求从中抽取样本的计算机处理技术，样本抽取的具体依据是以模糊随机分布特征为准，严格按照随机分布特征来有目
6、的性的进行抽取。需要注意的是，在该模型之中，它所涉及到的关于模糊随机变量的具体运算有很多，这种繁多性就需要实现模糊随机技术和仿真试验手段两者的有机结合。它的具体计算流程如下： 按照概率分布Pr，从样本空间中随机采取样本； 采用模糊模拟计算，k=Crf（k）0，k取值为1、2、3，N； N是aN的整数部分，N=ceil（aN）； 返回序列k中的第N个的最大元素。 给出了置信水平和，采用模糊随机模拟技术可以计算得到临界值f。它的计算流程是： 按照概率分布Pr，从样本空间中随机采取样本； 通过模糊模拟计算，fk=inffk|Ctf（n）fk； N是N的整数部分，也就是N=ceil（N）。 2.2 对
7、于神经网络的函数逼近分析 对于此内容的分析，按照本文所依据的万能逼近定理，本文就有针对性的选取一个三层RBF神经网络以逼近不确定函数，同时采用PSO算法来实现网络训练。 2.2.1 径向基函数神经网络 从本质上来讲，它可以归属为是前馈神经网络，这种网络在应用中具备有结构简单、逼近能力强等的特点，在实际应用中主要是用来解决对调度模式的准确识别以及自适应滤波等等问题中。此外，它在适用于函数逼近时，它的隐层节点基函数也具有一定的特殊性，它是以非线性激活函数为中心的，除了这方面分析外，RBF还具有很强的径向对称性，在神经元输入方面，如果它的输入和中心值距离越来越远，就表示它的实际激活程度越低，通过调查
8、研究可知，这种神经网络输入层总共有ni个神经元，而在输出层上则是有q+1个神经元。 2.2.2 基于PSO算法的神经网络训练分析 严格来说，PSO算法可以归属为智能搜索算法范畴中，它的基础是群体行为，主要运作是以个体直接协作为主。每一个优化问题的解答在算法中，都可以将其视为是一个粒子存在，它在n维空间中的位置表示为xi=（x1、x2，xn，），飞行速度则表示为vi=（v1，v2，vn），并且每一个粒子都是具有一个直接由被优化目标函数所决定的适应值。这种算法在每一次的迭代过程中，粒子对于自身位置和速度的更新主要是通过跟踪个体和全局的最佳位置来实现的。 2.3 采用GA优化再制造加工调度 在采用P
9、SO算法RBFNN进行训练，并在训练结束后，技术人员可以依据所获得的信息来对需要的最优参数值进行确定。同时还必须要把经过训练后的且训练好的网络直接嵌入到GA，在此过程中还要对染色体进行检查，检查的目的是确保其合理性达到要求。 首先，编码和译码。对于染色体的编码是立足于工序为基础的，与工序密不可分，对于N个废旧件和K个机器的再制造生产调度问题分析，可知它的染色体是由NK个代表工序的基因构成，这其中所有的工件出现的次数至少是K次；而在解码环节，基因的个位数代表的是工件的自身序号，在得到准确解码之后就会生成活动调度解。 其次，初始化。对染色体种群进行初始化，并对其大小、交叉概率、变异概率等进行准确设
10、置。 第三，适应度函数，技术人员把经过训练得到的RBFNN嵌入GA中，可以很方便的根据实际需要直接计算得到染色体的实际输出，输出结束之后根据输出的值来对染色体质量进行划分。 第四，选择。选择的依据是以适应度的值为准，同时在具体过程中还要遵循精英保护策略相结合的原则。 第五，交叉和变异。以POX为基础在父代染色体中随机选取一段位置，与被选中位置内的基因进行交换，并把剩下的基因依据顺序来逐一填入其与位置，这样可以提高染色体表示可行解的全面性。 2.4 混合式算法的基本流程 第一，参数的初始化。参数的初始化一般只需要考虑一下几种即可，即样本数T、模糊随机模拟次数、交货期机会约束以及模糊随机加工时间分
11、布特征等，并由此形成一个仿真平台，发挥其作用。 第二，对PSO算法的参数信息初始化处理，处理内容包括惯性权重函数、最大迭代次数以及群体规模大小等。 第三，依据样本数据采用PSO算法来训练RBF网络，确定网络的函数中心、宽度、隐层节点数以及隐层和输出层之间的连接权重。 第四，对GA参数进行初始化，其中就包含有染色体种群大小、交叉概率、变异概率等等。 第五，在对染色体进行更新操作时，最常见的措施是借助交叉和变异行为实现，还可以在神经网络基础上对染色体可行性进行检测。 第六，通过对训练好的RBF网络的应用，可以得到所有的染色体的自身目标值信息，并在参考这个目标值作用下可以对染色体进行针对性排除和分布。 第七，重复上两个环节操作，直到染色体最优解的输出。 3 结 语 现阶段的工业发展正处于改造升级趋势中，实现工业生产的循环是当前的一个研究方向。再制造加工可以推动工业的循环生产，本文分析了不确定环境下再制造加工的生产调度优化问题，构建了模糊随机机会约束问题模型，提出了一种新的混合智能算法，而且也阐述了这种算法在不确定环境下再制造生产调度优化方面所具有的优势。