[发明专利]一种基于改进遗传算法的电气装备制造资源优化配置方法

权利要求书

1.本发明提出一种基于改进遗传算法的电气装备制造资源优化配置方法，其特征在于，包括2个步骤

步骤1，任务分解与重组：

基于最小粒度划分将待生产的产品拆分成不同的构件，然后利用成组技术，将同种构件组合在一起组成新的任务，不同构件归为不同任务；

步骤2，资源优化配置：

为各项任务分配生产资源，构建总时间、总成本最小化的多目标优化模型，通过遗传算法求解最优解或次优解。

2.如权利要求书1中所述一种基于改进遗传算法的电气装备制造资源优化配置方法，其特征在于，

步骤1，任务分解与重组；

具体实施过程如下：

1.1获取生产计划，从企业中已有的生产过程协同管理平台导出要进行的生产产品属性信息；

1.2根据1.1中获取的产品的属性信息，将生产任务拆分成粒度最小的构件；

1.3对1.2步骤拆分之后的构件进行组合，将同一构件重新归为同一子任务，不同构件归为不同的子任务；

1.4根据1.3步骤组合结果，生成新的工厂车间生产任务清单并保存至生产过程协同管理平台。

3.如权利要求书1中所述一种基于改进遗传算法的电气装备制造资源优化配置方法，其特征在于，

步骤2，资源优化配置；

首先初始化解空间，交叉变异得到子代种群，将父代种群和新产生的子代种群合，计算当前种群中个体的Patora等级及排序，计算拥挤度，与设定阈值比较从而淘汰不适应当前种群环境的解，当出现进化十代而没有比较明显的提升时，说明算法已经收敛到一个稳定的解，此时可以输出计算得到的资源配置方案；

具体实施过程如下：

2.1从生产过程协同管理平台获取重组之后的生产任务清单；

2.2从生产过程协同管理平台获取所有生产车间的机床属性信息、刀具属性信息、夹具属性信息、量具属性信息，包括使用成本、功率、所在车间等，这些是为后续步骤计算时间、成本等提供相关的数据；

2.3从生产过程协同管理平台获取目前各种生产资源的数目、使用情况、生产状态等信息；

2.4计算单件产品的生产时间：

假设企业计划生产N种产品，通过模块分解与重组得到m种通用构件及n种特定构件；那么，

产品k,k∈(1,N)的生产时间为：

其中，代表产品k的构件i最长的可能生产时间(这里主要考虑到任务重组之后，通用构件会集中生产，但是实际生产时还是会存在一个生产的先后顺序问题，我们这里取一个最大时间作为所有产品该构件的生产时间)，代表构件i生产过程中需要的资源调配时间，代表构件i生产过程中需要的装配时间；

2.5计算所有产品总的生产时间T

2.6计算单件产品的生产成本

产品k,k∈(1,N)的生产成本为：

其中，代表构件i生产过程中需要的制造成本，代表构件i生产过程中需要的资源调配成本，代表构件i生产过程中需要的装配成本；

2.7计算所有产品总的生产成本C

2.8构建多目标最小化的优化函数

为了使总生产时间、总生产成本最小化，我们构建多目标优化函数：

F＝min(T,C) (5)

2.9对需要优化配置的生产资源进行信息编码

为了方便进行遗传算法的搜索，需要将待优化的资源信息编码成为染色体的基因信息；目前，比较常用的是两种编码方式：实数编码和二进制编码；实数编码能够表示的更大范围的数据，适合复杂场景下的寻优问题，所以本文这里将选用一个多层的实数编码进行染色体信息编码；

染色体中将存放构件信息、机床信息、刀具信息、夹具信息、量具信息，整体长度为2∑_ik_ij_ic_ig_iq_i,其中，k_i代表产品k的i构件,j_i代表构件i分配的机床，c_i代表构件i分配到的刀具，g_i代表构件i分配到的夹具，q_i代表构件i分配到的量具；

2.10初始化解空间

遗传算法的初代解可以通过随机生成的P个染色体串来代表，其中每个染色体代表一个个体，所有染色体构成了一个初代种群，并以此为进化的起点开始最优解的求解；

2.11交叉变异

随机选择两个当前种群中的个体，在其染色体的前∑_ik_ij_ic_ig_iq_i位随机选择交叉位置进行交叉操作；随机选择变异个体，选择变异位置a和位置b，最后把个体位置a和位置b对应的编码信息调换，得到变异个体；

2.12父代子代种群合并

这里采用精英策略，将2.11步骤中交叉、变异生成的子代种群和父代种群同时保留下来，为了将父代中优良个体保存下来；

2.13快速非支配排序

2.13.1Pareto支配关系定义

在处理多目标最小化优化问题时，有M个目标分量f_i(x),i＝1...M,这里是T和C,任意给定两个决策变量X_a，X_b，如果有以下两个条件成立，则称X_a支配X_b；

a.对于都有f_i(X_a)≤f_i(X_b)成立

b.使得f_i(X_a)＜f_i(X_b)成立

如果一个决策变量，不存在其他决策变量能够支配它，那么就称决策变量为非支配解；

2.13.1 Pareto等级定义

在一组解中，非支配解Pareto定义为1，将非支配解从解的集合中删除，剩下解的Pareto等级定义为2，依次类推，可以得到该解集合中所有解的Pareto等级；

2.13.2快速非支配排序

a.对解空间中的每个个体p，计算被支配数及支配解；

b.将被支配数为0的个体分入Pateto等级1的集合F1；

c.将集合F1中所有个体的除当前个体外，被支配数为0的支配解分到集合F2；

d.重复步骤c,将当前种群所有个体进行等级划分；

2.14计算拥挤度

为了使计算得到的解能够均匀分布在的我们的目标解空间中，我们引入一个拥挤度的指标n_d：

a.初始时，n_d＝0；

b.循环遍历每个目标函数f_m，这里是T和C:

为个体目标函数值f_m的最大值，为个体目标函数值f_m的最小值，然后对该等级的个体进行排序，将排序之后的两个边界的拥挤度T_d和H_d置为∞，最后计算

其中，f_m(p+1)是该个体p排序后后一位的目标函数值；

2.15选择

对经过步骤2.13、2.14快速非支配排序及拥挤度计算后的解空间中的个体，根据期望值SOTA(最初可以按照之前生产方式下计算总时间、总成本),将当前种群中的解能够达到期望值SOTA的80％效果以上的保留，其余删除，得到选择操作之后的新的解空间；

2.16计算当前解空间中最优分配方案

计算2.15中得到的解空间中的所有分配方案，将最优分配方案保存，并更新期望值SOTA；

2.17进化终止条件

通过比较最近10代得到的分配方案的结果，如果效果提升小于0.1％，说明算法已经收敛，可以将目前结果作为最优解或次优解输出资源分配方案；否则，继续执行步骤2.11。