制造系統(tǒng)設(shè)備布局設(shè)計(jì)為IE研究領(lǐng)域中的重要研究?jī)?nèi)容之一。合理的系統(tǒng)布局設(shè)計(jì)不僅可以直接影響到到工廠的生產(chǎn)效率,而且與廠房的利用率、設(shè)備的使用壽命、生產(chǎn)活動(dòng)的安全性,有著直接或者間接關(guān)系。其中最直接的影響是企業(yè)的成本。在我國,傳統(tǒng)的設(shè)備布局有很大一部分以設(shè)計(jì)者的經(jīng)驗(yàn)和直覺為主。該方式缺乏科學(xué)理論的分析與定量化的計(jì)算,直接導(dǎo)致布局成本高、生產(chǎn)周期長(zhǎng)。因此制造系統(tǒng)設(shè)備布局是否合理是直接影響企業(yè)經(jīng)濟(jì)效益的關(guān)鍵性因素之一。在本文的研究中,首先對(duì)制造系統(tǒng)車間設(shè)備布局問題進(jìn)行了詳細(xì)的研究和分析。對(duì)制造系統(tǒng)車間設(shè)備布局問題等相關(guān)概念進(jìn)行簡(jiǎn)要的概述。本文研究分析了多品種小批量生產(chǎn)車間物流復(fù)雜造成成本虛高的特點(diǎn)。在著重分析多行設(shè)施布局模型的優(yōu)化目標(biāo)以及約束條件的基礎(chǔ)之上,建立了以物料搬運(yùn)成本和設(shè)備位置重置成本最小化為優(yōu)化目標(biāo)的車間設(shè)備多行布局的混合整數(shù)規(guī)劃數(shù)學(xué)模型,并將物流順逆程度考慮在內(nèi),提出以ACO和SA算法為基礎(chǔ)的改進(jìn)的ACOSA算法設(shè)計(jì)。并給出了詳細(xì)的算法設(shè)計(jì)以及求解步驟,并通過MATLAB進(jìn)行算法實(shí)現(xiàn)。通過實(shí)例分析某機(jī)加車間,將該套理論應(yīng)用到某機(jī)械加工廠一車間布局問題上,結(jié)合該車間布局現(xiàn)狀,產(chǎn)品... 

【文章來源】：沈陽工業(yè)大學(xué)遼寧省

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

物流順逆系數(shù)Fig.3.4Logisticscoefficients

23第4章基于ACOSA的車間設(shè)備布局算法設(shè)計(jì)4.1基本蟻群算法意大利學(xué)者DorigoM等人于1991年首先提出，基本蟻群算法（AntColonyOptimizationAlgorithm，ACO），ACO是一種模擬螞蟻覓食行為的模擬優(yōu)化算法。ACO首先使用在解決TSP問題上。在之后研究中，學(xué)者們陸續(xù)的又系統(tǒng)研究了蟻群算法的基本原理和數(shù)學(xué)模型，在近幾年的應(yīng)用研究中，蚊群算法被應(yīng)用于圖形著色問題、加工車間調(diào)度問題、二次分配問題、車輛路徑問題等一系列NP-Hard問題[53-56]�？茖W(xué)家在研究中發(fā)現(xiàn)，螞蟻視力較弱，幾乎沒有視力，卻能夠在黑暗的環(huán)境中找到食物，螞蟻一旦找到了食物，就會(huì)有一大群螞蟻出動(dòng)搬運(yùn)，不管地形多么復(fù)雜，食物距離多么遙遠(yuǎn)，螞蟻幾乎總能找到一條最優(yōu)路線。那么它們是怎么做到的？研究發(fā)現(xiàn)螞蟻覓食時(shí)每只螞蟻剛開始都會(huì)隨機(jī)的選擇一條路線，并分泌信息素，也就是記號(hào)。隨著若干只螞蟻找到了食物，也留下了若干條搬運(yùn)道路的信息。最后，短路徑里的螞蟻信息素總是比長(zhǎng)路徑上的信息素要多。因?yàn)槁吩蕉�，相同時(shí)間段內(nèi)螞蟻的往返的次數(shù)就越高，信息留下的就越多，因此其他螞蟻就會(huì)向信息素最多的最短的路徑移動(dòng)聚集。螞蟻們不停重復(fù)這個(gè)過程，最終總能找到一條最優(yōu)路徑，如圖4.1所示。圖4.1螞蟻尋找食物過程Fig.4.1Antssearchingfoodprocess基本蟻群算法包括兩個(gè)部分：狀態(tài)轉(zhuǎn)移和信息素更新。（1）狀態(tài)轉(zhuǎn)移。狀態(tài)轉(zhuǎn)移公式[54]如下：(())(())(())(())()k,,,,0kikijsjijijjallowedPijij=其他（4.1）沈陽工業(yè)大學(xué)碩士學(xué)位論文

第4章基于ACOSA的車間設(shè)備布局算法設(shè)計(jì)274.2基本模擬退火算法模擬退火算法（Simulatedannealing,SA）是一種通用概率演算法，用來在一個(gè)大的搜尋空間內(nèi)找問題的最優(yōu)解。該算法模擬了金屬鍛燒退火的過程。在熱力學(xué)上，退火過程指物體逐漸降溫的物理過程。如下圖4.5所示，左圖物體處于非晶體狀態(tài)。將物體加溫至充分高（中圖），再讓其徐徐冷卻，也就退火（右圖）。加溫時(shí)，物體內(nèi)能增大，物體內(nèi)部粒子隨著溫度升高變得活潑無序，而慢慢冷卻冷卻過程中粒子逐漸趨于有序，最后降溫到常溫時(shí)達(dá)到基態(tài)，內(nèi)能變?yōu)樽钚。ù藭r(shí)物體以晶體形態(tài)呈現(xiàn)）。緩緩的降溫，能夠使得物體內(nèi)部粒子在每一溫度時(shí)，能夠有足夠時(shí)間找到安頓位置，逐漸地，到最后達(dá)到基態(tài)，粒子達(dá)到最穩(wěn)定狀態(tài)。這就是退火過程[14、53]。圖4.5物體降溫過程Fig.4.5ObjectcoolingprocessSA包含兩個(gè)部分即Metropolis準(zhǔn)則和退火過程。（1）Metropolis準(zhǔn)則[53]在陷入局部最優(yōu)解的時(shí)候能夠以一定的概率跳脫出來，這就是Metropolis準(zhǔn)則，該準(zhǔn)則是SA的基矗在1953年由Metropolis提出的重要性采樣方法，即以概率的形式來接受新狀態(tài)，拋棄完全確定規(guī)則，其特點(diǎn)及優(yōu)點(diǎn)是計(jì)算量較低，能夠在一定程度上簡(jiǎn)化運(yùn)算過程。Metropolis準(zhǔn)則常表示為：10exp0EPEEkT=（4.4）上式中，k為Boltzmann常數(shù)，由上式可知P和T正相關(guān)。當(dāng)溫度T越高，P就越大，反之，當(dāng)溫度越低，P就越校因?yàn)橥嘶鸬倪^程是溫度逐漸下降的過程，所以總是小于0，因此E/kT0，所以P的函數(shù)取值范圍是（0,1）。隨著溫度T的降低，P會(huì)逐漸降低。將一次向較差解的轉(zhuǎn)移的過程看做一次溫度跳脫過程，以概率P來接受這樣的轉(zhuǎn)移過程。既在用SA求解組合優(yōu)化問題時(shí)，目標(biāo)函數(shù)值F就是E，溫度T演化成控制參數(shù)t，即得到求解組


本文編號(hào)：3063807