• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于遺傳算法的RGV動態(tài)調(diào)度模型

    2019-05-16 12:54:18焦安康鄒文忠胡濤
    神州·中旬刊 2019年5期
    關(guān)鍵詞:遺傳算法

    焦安康 鄒文忠 胡濤

    摘要:根據(jù)RGV的指令選取方式,將當(dāng)前狀態(tài)下的局部最優(yōu)路徑與動態(tài)優(yōu)化方案相結(jié)合,建立最優(yōu)路徑調(diào)度模型,再對遺傳算法中變異的方式進行改進,調(diào)整個體適應(yīng)性評估函數(shù),對最優(yōu)子代選取的方式進行改變,得到兩道工序下動態(tài)調(diào)度模型。

    關(guān)鍵詞:RGV動態(tài)調(diào)度模型;遺傳算法;動態(tài)優(yōu)化

    1 問題一的模型建立與求解

    1.1模型Ⅰ的建立

    本文利用遺傳算法對最優(yōu)路徑分析,使用到當(dāng)前所有已知信息,不僅能考慮當(dāng)前的最優(yōu)路徑,還能顧及到之后已知的八步的路徑選取,使RGV移動的指令收斂到全局最優(yōu)路徑。

    Step1 利用遺傳算法建立模型

    對RGV的調(diào)度進行個體與基因的模擬,個體的基因被定義為一個信號處理序列的排列。

    Step2 建立動態(tài)調(diào)度模型

    模擬RGV動態(tài)調(diào)度時的指令預(yù)測范圍,選取step1中所得個體基因的最小單位,即第一個基因片段,視為動態(tài)情況下的全局最優(yōu)解。

    Step3 得到完整的個體基因

    不斷重復(fù)step2,更新個體每一段基因的全局最優(yōu)基因,最終得到個體的最優(yōu)完整基因。

    1.2 問題一算法的求解

    Step1 對CNC進行處理:將CNC進行編碼,且對8臺CNC進行無序排列,得到一個CNC隊列,該隊列即為模型Ⅰ中種群的初始條件。

    Step2:本算法所有的指令,都是建立在模型Ⅰ中遺傳算法選取最優(yōu)解的基礎(chǔ)上的,得到假想的種RGV移動作業(yè)路徑。

    選取初始種群:從種隊列中隨機選出100種隊列,作為初始種群。

    進行基因的變異:,將該100種隊列復(fù)制2次。第一份復(fù)制得到的100種隊列中每組隊列隨機選取兩對CNC進行位置交換。第二份復(fù)制得到的隊列,隨機選取相鄰兩個的CNC隨機插入到隊列中其他位置。

    評估個體的適應(yīng)性:計算每組隊列情況的RGV執(zhí)行指令所需總時間記為Mi。

    再將Mi (i=1,2…300)進行升序排列,選取前100個Mk (k=1,2…300),作為下一子代。

    對子代重復(fù)上述操作,得到新的子代。循環(huán)繁殖30代之后,輸出最終子代中用時最少的隊列,即認為是最優(yōu)路徑。

    Step3對step2中所得的最優(yōu)路徑,只保留其第一步選擇,視為智能加工系統(tǒng)對RGV當(dāng)前狀態(tài)調(diào)度的指令。

    Step4 在完成step3對其下達的指令后,重復(fù)step2、3得到下一步所需要執(zhí)行的指令。

    在對step2、3進行操作的過程中,對RGV執(zhí)行每一步指令所需的時間進行求和,記為變量Q。直到智能加工系統(tǒng)連續(xù)作業(yè)8小時后,RGV回到初始位置,結(jié)束物料加工工作,計算總加工物料件數(shù)。

    2 問題二的模型與求解

    2.1 模型II的建立

    Step1 利用遺傳算法建立模型

    對問題一中模型Ⅰ的遺傳算法模型進行修改:

    先編碼模擬第一道工序的基因,再編碼其所對應(yīng)的第二道工序的基因,接著編碼下一段第一道工序的基因,依次下去,直至編碼完8段基因。

    個體適應(yīng)性評估的標(biāo)準,同模型Ⅰ,但改變了計算編碼基因段時間的方式。

    Step2 建立動態(tài)調(diào)度模型

    按照step1篩選出的基因也為當(dāng)前最優(yōu)基因片段,故選取step1中所得個體基因的最小單位。

    Step3 得到完整的個體基因

    不斷重復(fù)step1、2,從而不斷更新個體每一段基因的全局最優(yōu)基因,最終得到個體的最優(yōu)完整基因。

    2.2 問題二算法的求解

    Step2 遍歷加工第一,二道工序的CNC的排列位置

    對加工第一,二道工序的CNC的個數(shù)分k1=k2、k1>k2、k1

    Step3 對以上每一種CNC的順序情況進行如下操作:

    依據(jù)物料加工需分工序的規(guī)則,得到種RGV移動作業(yè)路徑。

    選取初始種群:從種隊列中隨機選出100種隊列,作為初始種群。

    再進行基因的變異,同模型Ⅰ。

    對子代重復(fù)上述操作,得到新的子代。循環(huán)繁殖30代之后,輸出最終子代中用時最少的隊列。

    Step3對step2中所得的最優(yōu)路徑,將第一道工序與其對應(yīng)的第二道工序的指令進行捆綁,只保留其第一步捆綁的選擇,視為智能加工系統(tǒng)對RGV調(diào)度的下兩步指令。

    Step4 在重復(fù)step3得到下一步執(zhí)行的指令。

    在對step3進行操作的過程中,對RGV執(zhí)行所有指令所需的時間進行求和,記為變量Q。直到加工系統(tǒng)連續(xù)作業(yè)8小時后,結(jié)束工作,計算總加工物料件數(shù),得到最優(yōu)路徑。

    3 模型的誤差分析

    在本模型中,利用遺傳算法選取局部最優(yōu)解時,初始種群與子代繁殖的有限性,并沒有取出所有可能的解來得到全局最優(yōu)解,所以會產(chǎn)生一定的誤差,得到的最優(yōu)解可能收斂到局部最優(yōu)解,非全局最優(yōu)解。遺傳算法的實現(xiàn)有許多參數(shù),如交叉率和變異率,會對結(jié)果有影響。

    參考文獻:

    [1]吳焱明,劉永強,張棟,趙韓.基于遺傳算法的RGV動態(tài)調(diào)度研究[J].合肥:合肥工業(yè)大學(xué),2012:20-23.

    猜你喜歡
    遺傳算法
    基于遺傳算法的模糊控制在過熱汽溫控制系統(tǒng)優(yōu)化中的應(yīng)用
    電子制作(2019年16期)2019-09-27 09:34:44
    遺傳算法對CMAC與PID并行勵磁控制的優(yōu)化
    基于自適應(yīng)遺傳算法的CSAMT一維反演
    基于遺傳算法的建筑物沉降回歸分析
    一種基于遺傳算法的聚類分析方法在DNA序列比較中的應(yīng)用
    基于遺傳算法和LS-SVM的財務(wù)危機預(yù)測
    遺傳算法識別模型在水污染源辨識中的應(yīng)用
    協(xié)同進化在遺傳算法中的應(yīng)用研究
    軟件發(fā)布規(guī)劃的遺傳算法實現(xiàn)與解釋
    基于改進的遺傳算法的模糊聚類算法
    肥城市| 彭州市| 抚远县| 阿坝| 桐柏县| 南漳县| 小金县| 珠海市| 巴青县| 余江县| 昌江| 威信县| 纳雍县| 南澳县| 剑阁县| 遂川县| 普格县| 大厂| 东平县| 交城县| 昌乐县| 临湘市| 保亭| 泰顺县| 菏泽市| 平山县| 华安县| 得荣县| 读书| 开封市| 新营市| 繁昌县| 彩票| 榆中县| 调兵山市| 泰顺县| 太谷县| 中宁县| 宁海县| 五华县| 青海省|