一种基于混合模糊模型的并行调度拆卸路径生成方法
【专利摘要】本发明公开了一种基于混合模糊模型的并行调度拆卸路径生成方法。首先建立模糊时间调度拆卸过程模型，推导模糊边界和可拆卸约束条件。然后对所有零件在工位上的拆卸顺序和每道拆卸工序的工位序号进行混合编码，最后，采用改进遗传算法来优化，得到最小的时间和成本。本发明解决了模糊时间下复杂装备并行拆卸路径生成和拆卸工位调度优化问题，缩短了拆卸过程时间并降低拆卸成本，提高了生产效率，并在优化求解中引入高斯函数提高变异操作质量，加快了收敛速度，得到了更优的结果。
【专利说明】
一种基于混合模糊模型的并行调度拆卸路径生成方法
技术领域
[0001] 本发明涉及机械工程领域、计算机应用技术领域。更具体地，涉及一种基于混合模 糊模型的并行调度拆卸路径生成方法。
【背景技术】
[0002] 随着环境保护需求的矛盾在生产生活中日益凸显，产品的拆卸、回收和重用成为 我们面临的一个重要课题。因为维修、检测以及回收再利用的需要，产品在生命周期内不可 避免的面临拆卸问题。复杂产品所含零部件数量多，装配关系也较为多样化和复杂化，往往 需要多个工位以及大量人力的协同配合作业，因此，并行拆卸能够提高拆卸加工效率，优化 资源配置。
[0003] 目前，很多国内外学者在这方面进行了深入的研究。Li et al.等提出了一种面向 维修的智能拆卸路径规划方法，通过拆卸约束图，可以推理出所有带拆卸零部件可能的拆 卸操作，并通过遗传算法得到所有拆卸操作组合的顺序;Ayyuce Aydemir-Karadag等解决 了具有并行工位的拆卸线平衡多目标优化问题，提出了一种新的遗传算法求解该多目标优 化问题，将拆卸流水线平衡和设计成本通过运用AND/OR图同时进行优化;Jeremy L.Rickli 等提出了一种遗传算法解决基于拆卸成本、回收再处理成本、收益和环境影响的局部拆卸 路径优化问题。在国内，刘检华等（申请号201310173004.5)提出了一种选择拆卸路径规划 方法及装置，用于解决现有技术中对选择拆卸路径规划方法存在自动化程度不高和通用性 差的问题;曹岩等（申请号201310671532.3)提出了一种基于人工神经网络和虚拟装配的装 配时间评价方法，旨在解决产品装配周期长、成本高，而且效果还差的问题。宋守许等提出 了一种基于约束满足问题的产品拆卸路径规划，给出了基于约束满足问题的产品拆卸路径 规划求解流程和算法;张秀芬等提出了一种基于模糊粗糙集的并行拆卸路径规划方法，建 立并行拆卸模糊粗糙集映射模型生成最佳路径。
[0004] 综上所述，现在国内外对于拆卸路径的研究主要集中在拆卸路径生成方法及其优 化算法方面。但是现有的研究鲜有将并行拆卸工位调度与拆卸路径生成进行混合编码求 解，因此容易造成算法求解中仅得到局部最优的情况。而且关于不确定的研究多集中于产 品拆卸质量状态和广品拆卸能力的不确定，或者是不确定的规划路径，鲜有研究每道拆卸 工序加工时间的不确定，即时间的模糊性，因此容易造成最终结果的偏差。
【发明内容】
[0005] 本发明的目的在于提供了一种基于混合模糊模型的并行调度拆卸路径生成方法， 旨在解决实际情况下，拆卸加工过程受到多种不确定性因素的影响，每一道拆卸工序的加 工时间在一定的范围内波动而不是精确数值以及复杂机械装备在实际拆卸过程中通常在 多个工位上协同进行即是并行拆卸的问题。
[0006] 本发明实施例是米用技术方案是：
[0007] 步骤一，对于一个包括L个组件的产品，以组件为单位进行拆卸，具体是要将组件 拆分为零部件，组件通过不同的工序在不同的工位上依次完成拆卸，每个工位对应于多道 工序，拆卸工序中的模糊完成时间和模糊拆卸成本采用三角模糊函数集合表示计算，并进 行归一化处理；
[0008] 所述步骤一种，采用三角模糊函数集合表示拆卸工序的模糊完成时间和模糊拆卸成 本。任意两个三角模糊函数的基本运算法则定义如下:如果βΜ，β|Ι)，/；=(&., 是两个三角模糊模糊函数，其中aL, aM, aH, bL, bM, tm均为量值，这、《分别表不由aL, aM, aH,和 bL,bM，bH构成的矩阵：
[0009] 加法运算十6 = (? +4,? +l\f，aH +6h);
[0010] 减法运算：5=(气-\，??Η -):，
[0011] 乘法运算:石 ? <5 = (? a，~· tk 乂
[0012] 除法运算:??/? = /\，/?，/?):
[0013] 三角模糊函数茂的倒数运算：1诏=(l/< 1/?, 1/?L);
[0014] 取大运算:5 V 6 = (4 V αΜ V \,，??Η V
[0015] 取小运算:?? λ 5 =(气 λ aM a 1?, αΗ. Λly.
[0016] 比较运算:将??=(?/?_， αΜ, %ι)和= (bL，bM，bH)定义比较运算，如表1所示：
[0017] 表1比较运算准则
[0018]
[0019] 其中，aL和bi^_E.和I^的下限，aM和bM是S和S,的均值，aH和tm是Sand.4的上限，>、< 分别为模糊函数中的大于和小于符号。
[0020]本发明由此形成获得以下参数的模型：
[0021 ] 组件集合AP:AP={api…api…apd，L表示组件的总数，i表示组件的序数；
[0022] 产品工序集合0P:0P= {ορι…opi…〇pl};
[0023]第i个组件的工序集合opi:opi= {opi,i …opi,j …opi,w(i)};
[0024] 工位集合ST:ST= {sti …stk …stN};
[0025] 第K个工位上的工序集合S0P:S0k={s〇k,i…s〇k,h…s〇k,NU(k)}，NU(k)表示每个 工位完成工序个数的函数；
[0026] 上述参数具体如表2所示：
[0027] 表2模糊时间调度拆卸过程模型参数
[0028]
[0029] 本发明构建模糊时间调度拆卸过程模型的目的是平衡拆卸时间和拆卸成本。
[0030] 因为时间不能用三角模糊函数精确的表示，从历史记录上，根据拆卸工序的最长 时间、平均时间、最短时间来分配上限，中间值以及下限，因此本发明作出模糊时间调度拆 卸过程模型构建了以下四个前提条件。
[0031 ]表3模糊时间调度拆卸过程模型构建的四个前提条件
[0032]
[0033] 步骤二：以步骤一获得的所有组件的模糊完成时间和模糊拆卸成本作为优化目标 值，为了提高模型计算效率，对归一化后的模糊完成时间和模糊拆卸成本进行加权求和，建 立模糊时间调度拆卸过程模型，并通过模糊物元矩阵求解获得加权的权值；
[0034] 步骤三，由模糊时间调度拆卸过程模型生成各条模糊时间拆卸路径，采用遗传算 法优化求解获得最优化拆卸路径和最短拆卸时间、最小拆卸成本，完成对并行调度拆卸路 径生成。
[0035] 所述的模糊时间调度拆卸过程模型中，每个工位在同一时间只能作业一个组件的 一道拆卸工序而且每一个组件的每一道拆卸工序不能中断，工位之间和工序之间均相互独 立，不同工序没有优先级排序。且本发明对于设置工位的时间和移动零件的时间忽略不计。
[0036] 并行拆卸过程中，所述步骤一中，拆卸工序中的总模糊完成时间T和总模糊拆卸成 本C分别采用以下公式表示：
[0037]
[0038]
[0039] 其中，f = t(stk，s〇k,h)表示第k个工位上第h道工序的模糊完成时间函数，g = c (stk，s〇k,h)表示第k个工位上第h道工序的模糊拆卸成本函数，k表示工位的序号，N表示工 位的总数，h表示工序的序号，NU(k)表示第k个工位上的工序总数的函数，stk表示第k个工 位，s〇k, h表示第k个工位上的第h道工序；
[0040] 因为时间和成本表达量级上存在较大的差异，再采用线性归一化函数，对于每个 模糊完成时间和每个模糊拆卸成本均采用以下公式进行统一归一化处理：
[0041]
[0042] 其中，X表示归一化后的值，Xmin表示所有模糊完成时间或者模糊拆卸成本的最小 值，Xmin表示所有模糊完成时间或者模糊拆卸成本的最大值。
[0043] 所述模糊时间调度拆卸过程模型采用以下公式表示：
[0044]
[0045]
[0046] 其中，W(i)表示第i个组件完全拆卸需要完成的工序个数，i表述组件的序号，f和ε 分别代表模糊完成时间和模糊拆卸成本的权重。
[0047] 所述模糊时间调度拆卸过程模型中的模糊完成时间权重货和模糊拆卸成本权重ε 采用以下方式的模糊物元矩阵进行求解：
[0048] a)建立拥有1个样本、两项评价指标的复合模糊物元矩阵办,2:
[0049]
[0050] 其中，Ti表示第1个组件完全拆卸需要的模糊时间，&表述第1个组件完全拆卸需要 的模糊拆卸成本；
[0051] b)采用越小越优的变换模式，引入从优方式将复合模糊物元矩阵变换为隶属度矩 阵，其变换公式为：
[0052]
[0053]其中，表示第j个组件的第i项评价指标的从优隶属度，Aw表示第j个组件的第 i项评价指标的量值；
[0054] c)得到关联系数矩阵取作为隶属度矩阵^为：
[0055]
[0056] 其中，瓦;表示隶属度矩阵，取为关联系数矩阵，μ1;1为第1个组件的第一项评价指标 的从优隶属度，μι, 2表示第1个组件的第二项评价指标的从优隶属度；
[0057] 以1表示每个评价指标的权重复合物元，以Rk表示由两个关联度组成的关联度复 合模糊物元，并采用以下公式加权平均集中处理：
[0058] Rk = Rw0^
[0059] 其中，每个评价指标的权重复合物元Rw表示为1=(1: JshWi代表第一项评价指标 即模糊拆卸时间的权重复合物元，W2代表第二项评价指标即模糊拆卸成本的权重复合物 元，θ表示运算符，则获得两个关联度组成的关联度复合模糊物元Rk:
[0060]
[0061] 其中，1^、1(2分别表示关联度值；
[0062] 将上述求出的关联度值进行排序，采用以下公式从两个关联度值即仏、1(2中找出关 联度值的最大值K'
[0063] K*=max(KiK2)
[0064] 根据关联度值心、1(2采用以下公式计算获得模型的完成时间权重f和拆卸成本权 重ε :
[0065]
[0066] 最终形成的模糊时间调度拆卸过程模型表达为：[0067] 当 Ki^K2，
[0068]
[0069]
[0070]
[0071]
[0072]所述步骤三具体是以单个工位或单道工序的编码信息作为一个基因，以单条并行 调度拆卸路径作为染色体，形成以通过模糊时间调度拆卸过程模型生成的所有并行调度拆 卸路径作为的种群，采用以下步骤进行具体处理：
[0073] 1)由已获得的拆卸需求下的工序和工位混合编码作为并行调度拆卸路径，混合编 码的前半段表示所有待拆卸组件的工序信息，后半段表示与前半段每一道工序基因对应的 工位信息；
[0074] 2)根据优化目标建立适应度函数，对适应度赋初值；
[0075] 3)对种群进行选择操作、交叉操作和变异操作，得到最优化拆卸路径和最短模糊 拆卸时间、最小模糊拆卸成本。
[0076]所述步骤2)适应度值函数为：
[0077]
[0078] 其中，切和ε分别代表模糊完成时间和模糊拆卸成本的权重，η和m分别代表组件的 总数和工序的总数，t代表时间，c代表成本，代表第i个组件的第j道工序完成拆卸的模 糊拆卸时间，Ci,j代表第i个组件的第j道工序的模糊拆卸成本。
[0079] 适应度值是算法选择子代个体的评判标准。通常情况下，所有拆卸加工工序的总 的完成时间可以直接计算得到精确值，记为fitness = q/ZT，ZT指所有零部件的拆卸完成时 间，适应度值值越小，说明该染色体越好。但是实际生产中往往时间不是唯一的考虑因素， 成本会在方案决策中发挥重要的影响。所以本发明方法中，考虑实际情况，将成本引入到拆 卸路径生成的选优过程中，在适应度值公式f itness = q/ZT中加入拆卸成本，ZT指所有组件 拆卸的完成时间。
[0080] 所述步骤3)中种群进行选择操作是采用轮盘赌方法依次选择适应度较好的并行 调度拆卸路径到下一代的群体中直到计算序数达到迭代次数阈值，每个并行调度拆卸路径 被选中的概率pi (i)为：
[0081]
[0082] 其中，？；[1：11688(；0 = 1/；1^1：11688(；0，；[表述组件的序号，11表示组件的个数11， Fitness (i)表示适应度值f itness (i)的倒数，f itness (i)表示第i个组件的适应度值；
[0083] 所述步骤3)中种群进行交叉操作具体是采用整数交叉法，从种群中随机选择两条 并行调度拆卸路径，选取两条并行调度拆卸路径各自的前1^=1 位，k表示拆卸路径中 组件的总个数，i表示第i个拆卸组件，m表示组件，i e (1，2，…，k)，!1^表示拆卸工序；
[0084] 然后随机选择交叉位置进行交叉，再对并行调度拆卸路径中的工序或者工位的编 码进行调整:两条并行调度拆卸路径中遇到工序或者工位的编码相互重复冗余处，则该处 的编码调整为交叉前的编码。
[0085] 因为本发明采用的并行调度拆卸路径作为染色体，其编码形式为整数，所以采用 整数交叉法。
[0086] 所述种群进行变异操作包括:首先利用变异算子从所有并行调度拆卸路径中随机 选取已变异的并行调度拆卸路径:对于前半段编码，将其中变异位置的工序编码与该工序 对应的工位编码进行反转处理;对于后半段编码，随机选择两个变异位置，第一个变异位置 的工位编码通过基于高斯分布的变异方法进行高斯变异，第二个变异位置的工位编码为满 足模型约束条件而进行补全变化量。
[0087] 第一个变异位置的工位编码进行高斯变异具体是：
[0088] 采用以下公式表示的高斯分布的概率密度函数：
[0089]
[0090] 其中，σ为高斯分布的方差，μ为期望值，X表示。。表示。。。，
[0091]高斯变异时父代个体向子代个体变异采用以下公式：
[0092] yl=yt~[yk>iN(s，a)]
[0093] 式中，表示第k个工位编码的子代(变异后），yk表示第k个工位编码的父代(变异 前），Ν(μ，〇)表示期望值为μ、方差为〇的高斯高斯变量，U表示向下取整的运算符，为了取得 最理想的效果，期望值取μ = 〇,方差σ随高斯变异的迭代次数变化s(t)为：
[0094] ：σ(/) = 1-〇.9χ^
[0095] 其中，g为当代遗传代数，G为总遗传代数，t表示迭代次数。
[0096] 本发明的并行调度指的是在多工位上同时进行工序作业，完成产品组件的拆卸， 提尚拆卸效率。
[0097]本发明的有益效果是：
[0098]本发明引入模糊数学理论，用三角模糊数而不是使用精确的数值表示每一零部件 在某一工位上的拆卸时间。
[0099] 本发明的并行拆卸路径规划缩短了拆卸过程时间并降低拆卸成本，提高了生产效 率。在优化求解过程中，对遗传算法进行改进，引入高斯函数提高变异操作质量，以加快算 法的收敛速度并得到更优的结果。
【附图说明】
[0100] 图1是实施例1种群进行交叉和变异的例子。
[0101 ]图2是实施例2液压机爆炸图及主要部件。
[0102] 图中：1.立柱;2.上横梁;3.油缸;4.冲压滑块;5.压边滑块;6.工作台；7.下横梁。
[0103] 图3是实施例2在不同初始突变概率下，算法在迭代150次后的结果，其中（a部分） 初始突变概率为〇. 6，（b部分)初始突变概率为0.3，（c部分)初始突变概率为0.1。
[0104] 图4是实施例2的七个部件在9个工位下并行拆卸的模糊时间分配。
[0105] 图5是实施例2的七个部件在9个工位下最佳并行拆卸路径的成本。
[0106] 图6是本发明和快速增长随机数算法的变化趋势，其中图6(a)、6(c)和6(e)为使用 本方法的结果，图6(b)、6(d)和6(f)为使用快速增长随机数算法的结果。
【具体实施方式】
[0107] 下面结合附图和实施例对本发明作进一步说明。
[0108] 本发明首先建立模糊时间调度拆卸过程模型，推导模糊边界和可拆卸约束条件。 然后对所有零件在工位上的拆卸顺序和每道拆卸工序的工位序号进行混合编码，最后，采 用改进遗传算法来优化，得到最小的时间和成本。
[0109] 本发明的实施例如下：
[0110] 实施例1
[0111] 实施例1是对于步骤三的具体实施例：
[0112] 1)拆卸需求下的工序和工位混合编码
[0113] 对于拆卸的工序和工位的混合编码举例来说，比如某个体的编码为：1，3，4，2，4， 1，3,2，1，4，1，2|2,5,3,3，1，4,2,5,4,2，1，5,其工序及工位信息如表4所示，其中包含了 4个 零部件和5个工位。零部件和工位之间的对应关系表于表5所示：
[0114]表4某混合编码个体工序及工位信息分解表
[0115]
[0116] 表5零部件和工位之间的对应关系
[0117]
[0118] 2)根据优化目标建立适应度函数，对适应度赋初值；
[0119] 3)对种群进行选择操作、交叉操作和变异操作。
[0120] 种群选择
[0121] 采用轮盘赌方法选择适应度较好的染色体到下一代的群体中。由此，适应度值越 大的个体被选中的概率越高，以此保证了进化始终朝着结果最优化的方向。
[0122]种群交叉
[0123] 例如，图1一条染色体与极值进行交叉操作，选取交叉位置为6。
[0124] 交叉后进行调整，交叉后的个体的信息可能会出现重复或者残缺，某些零部件的 供需可能会出现缺失（如例子中的零部件3,4)，某些零部件的工序会出现冗余（如零部件 1)。按照交叉前的工位，方法中将缺失的信息添加到个体后半段基因。
[0125] 种群变异
[0126] 变异算子首先从种群中随机选取变异个体，个体前半段编码采用选择变异位置 posl和pos2,例如分别取2和7,把个体中posl和pos2的拆卸工序以及对应的工位序号进行 反转。
[0127] 对于个体后半段编码，引入基于高斯分布的变异方法，对于随机选择的两个变异 位置p〇s3和pos4,将第一个位置的基因进行高斯变异，第二个位置为满足模型约束条件而 补全变化量。例如某个体变异位 ?〇81 = 2，卩〇82 = 7，卩〇83 = 3，和卩〇84 = 7，总遗传代数为10， 当前遗传代数为8，结果如图1所示。
[0128] 例如图1中，对于第二个变异位置的工位编码进行补全变化量具体为:个体变异位 置为3和7，总遗传代数为10，当前遗传代数为8，则有σ = 〇. 28。则有pos3变异后基因为4，由 于P〇s3变异后个体后半段基因缺少了工位5,不满足约束条件，所以位置7的基因变异为5， 则变异过程和结果为：
[0129]
[0130]从而得到最优化拆卸路径和最短拆卸时间、最小拆卸成本。
[0131] 实施例2
[0132] 实施例2具体结合某型号液压机拆卸过程进行实施例的具体说明，具体步骤如下：
[0133] 步骤一，将某型号液压机拆卸过程进行总结。液压机爆炸图如图2,该型号液压机 共包含7主要结构部件1.立柱;2.上横梁;3.油缸;4.冲压滑块;5.压边滑块;6.工作台；7.下 横梁。所有拆卸工序在10个可选工位上完成，每个零部件的拆卸工序小于等于6道。
[0134] 步骤二，根据某拆卸车间历史数据，给定所有零部件拆卸工序对应可选工位表，如 表6所示：
[0135] 表6每个工序对应可选工位
[0136]
[0137] 步骤三，根据拆卸车间历史数据，给定工序在对应工位上拆卸时间的三角模糊数 集，如表7所示：
[0138] 表7工序在对应工位上拆卸时间的三角模糊数集
[0139]
[0140] 步骤四，根据拆卸车间历史数据，每个工序需要花费的成本，如表8所示：
[0141] 表8每个工序的成本
[0142]
[0143] 步骤五，基于遗传算法的模糊时间拆卸路径优化求解。
[0144] 算法的基本参数为:种群数目为40，交叉概率设定为0.8，变异概率设定为0.6，代 沟值为0.9。图3a到3c显示此方法在最初的变异概率是0.6，0.3和0.1的时候迭代150次后的 结果。图4和5表示了在迭代次数为50次的时候所得到的最佳拆卸路径。
[0145] 实施例2结果：
[0146] 本发明方法中实施例与快速增长随机树算法在采用相同的原始数据输入，在分别 迭代50、100和150次得到的运行结果和运行时间的结果比较如表格9所示。
[0147] 表9算法结果之间的比较
[0148]
[0149] 从表9可看出，本发明方法中得到的最优解均优于快速搜索随机数算法的解，并且 运行时间短语快速搜索随机数算法。本发明与常规快速增长随机数算法的比较如图6(a)~ 图6 (f)所示，图中可见本发明算法具有更快的收敛速度。
【主权项】
1. 一种基于混合模糊模型的并行调度拆卸路径生成方法，其特征在于包括W下步骤： 步骤一，对于一个包括L个组件的产品，W组件为单位进行拆卸，组件通过不同的工序 在不同的工位上依次完成拆卸，拆卸工序中的模糊完成时间和模糊拆卸成本采用Ξ角模糊 函数集合表示计算，并进行归一化处理； 步骤二步骤一获得的所有组件的模糊完成时间和模糊拆卸成本作为优化目标值， 对归一化后的模糊完成时间和模糊拆卸成本进行加权求和，建立模糊时间调度拆卸过程模 型，并通过模糊物元矩阵求解获得加权的权值； 步骤Ξ，由模糊时间调度拆卸过程模型生成各条模糊时间拆卸路径，采用遗传算法优 化求解获得最优化拆卸路径和最短拆卸时间、最小拆卸成本，完成对并行调度拆卸路径生 成。2. 根据权利要求1所述的一种基于混合模糊模型的并行调度拆卸路径生成方法，其特 征在于:所述的模糊时间调度拆卸过程模型中，每个工位在同一时间只能作业一个组件的 一道拆卸工序而且每一个组件的每一道拆卸工序不能中断，工位之间和工序之间均相互独 立，不同工序没有优先级排序。3. 根据权利要求1所述的一种基于混合模糊模型的并行调度拆卸路径生成方法，其特 征在于:所述步骤一中，拆卸工序中的总模糊完成时间T和总模糊拆卸成本C分别采用W下 公式表示：其中，f = t(stk，s〇k,h)表示第k个工位上第h道工序的模糊完成时间函数，g = c(stk， sok.h)表示第k个工位上第h道工序的模糊拆卸成本函数，k表示工位的序号，N表示工位的总 数，h表示工序的序号，NU(k)表示第k个工位上的工序总数的函数，stk表示第k个工位，sok.h 表示第k个工位上的第h道工序； 对于每个模糊完成时间和每个模糊拆卸成本均采用W下公式进行统一归一化处理：其中，X表示归一化后的值，Xmin表示所有模糊完成时间或者模糊拆卸成本的最小值， Xmin表示所有模糊完成时间或者模糊拆卸成本的最大值。4. 根据权利要求1所述的一种基于混合模糊模型的并行调度拆卸路径生成方法，其特 征在于:所述模糊时间调度拆卸过程模型采用W下公式表示：其中，W(i)表示第i个组件完全拆卸需要完成的工序个数，i表述组件的序号，f和ε分别 代表模糊完成时间和模糊拆卸成本的权重。5.根据权利要求4所述的一种基于混合模糊模型的并行调度拆卸路径生成方法，其特 征在于:所述模糊时间调度拆卸过程模型中的模糊完成时间权重??和模糊拆卸成本权重ε采 用W下方式的模糊物元矩阵进行求解： a) 建立拥有1个样本、两项评价指标的复合模糊物元矩阵化,2:其中，Τι表示第1个组件完全拆卸需要的模糊时间，Cl表述第1个组件完全拆卸需要的模 糊拆卸成本； b) 引入从优方式将复合模糊物元矩阵变换为隶属度矩阵，其变换公式为：其中，表示第j个组件的第i项评价指标的从优隶属度，Ay表示第j个组件的第i项 评价指标的量值； C)得到关联系数矩阵化作为隶属度矩阵^为：其中，马；表示隶属度矩阵，化为关联系数矩阵，μι,1为第1个组件的第一项评价指标的从 优隶属度，μι, 2表示第1个组件的第二项评价指标的从优隶属度； WRw表示每个评价指标的权重复合物元，WRk表示由两个关联度组成的关联度复合模 糊物元，并采用W下公式加权平均集中处理： 化=Rw曰化 其中，每个评价指标的权重复合物元Rw表示为Rw=(Wi，W2)，Wl代表第一项评价指标即模 糊拆卸时间的权重复合物元，W2代表第二项评价指标即模糊拆卸成本的权重复合物元，〇 表示运算符，则获得两个关联度组成的关联度复合模糊物元化：其中，Κι、Κ2分别表示关联度值； 将上述求出的关联度值进行排序，采用W下公式从两个关联度值即Κι、Κ2中找出关联度 值的最大值 K*=max 化化 2) 根据关联度值Κι、Κ2采用W下公式计算获得模型的完成时间权重f和拆卸成本权重ε:6. 根据权利要求1所述的一种基于混合模糊模型的并行调度拆卸路径生成方法，其特 征在于:所述步骤Ξ具体是W单个工位或单道工序的编码信息作为一个基因，W单条并行 调度拆卸路径作为染色体，形成W通过模糊时间调度拆卸过程模型生成的所有并行调度拆 卸路径作为的种群，采用W下步骤进行具体处理： 1) 由已获得的拆卸需求下的工序和工位混合编码作为并行调度拆卸路径，混合编码的 前半段表示所有待拆卸组件的工序信息，后半段表示与前半段每一道工序基因对应的工位 ?目息； 2) 根据优化目标建立适应度函数，对适应度赋初值； 3) 对种群进行选择操作、交叉操作和变异操作，得到最优化拆卸路径和最短模糊拆卸 时间、最小模糊拆卸成本。7. 根据权利要求6所述的一种基于混合模糊模型的并行调度拆卸路径生成方法，其特 征在于:所述步骤2)适应度值函数为：其中，资和ε分别代表模糊完成时间和模糊拆卸成本的权重，η和m分别代表组件的总数 和工序的总数，t代表时间，C代表成本，ti,j代表第i个组件的第j道工序完成拆卸的模糊拆 卸时间，Ci,j代表第i个组件的第j道工序的模糊拆卸成本。8. 根据权利要求6所述的一种基于混合模糊模型的并行调度拆卸路径生成方法，其特 征在于:所述步骤3)中种群进行选择操作是采用轮盘赌方法依次选择并行调度拆卸路径到 下一代的群体中直到计算序数达到迭代次数阔值，每个并行调度拆卸路径被选中的概率pi ω为;其中，Fitness(i) = l/fitness(i)，i表述组件的序号，η表示组件的个数n，Fitness(i) 表示适应度值f itness (i)的倒数，f itness (i)表示第i个组件的适应度值。9. 根据权利要求6所述的一种基于混合模糊模型的并行调度拆卸路径生成方法，其特 征在于:所述步骤3)中种群进行交叉操作具体是采用整数交叉法，从种群中随机选择两条 并行调度拆卸路径，选取两条并行调度拆卸路径各自的前位，k表示拆卸路径中 组件的总个数，i表示第i个拆卸组件，m表示组件，i e (1,2，···，k)，mj表示拆卸工序； 然后随机选择交叉位置进行交叉，再对并行调度拆卸路径中的工序或者工位的编码进 行调整:两条并行调度拆卸路径中遇到工序或者工位的编码相互重复冗余处，则该处的编 码调整为交叉前的编码。10.根据权利要求6所述的一种基于混合模糊模型的并行调度拆卸路径生成方法，其特 征在于:所述种群进行变异操作包括： 首先利用变异算子从所有并行调度拆卸路径中随机选取已变异的并行调度拆卸路径： 对于前半段编码，将其中变异位置的工序编码与该工序对应的工位编码进行反转处理； 对于后半段编码，随机选择两个变异位置，第一个变异位置的工位编码通过基于高斯 分布的变异方法进行高斯变异，第二个变异位置的工位编码进行补全变化量： 高斯变异采用W下公式表示的高斯分布的概率密度函数：其中，σ为高斯分布的方差，μ为期望值，X表示。。。，e表示。。。， 高斯变异时父代个体向子代个体变异采用W下公式： 乂 =乃--LAxW(Ai，CT)_ 式中，/k表示第k个工位编码的子代(变异后），yk表示第k个工位编码的父代(变异前）， Ν(μ，〇)表示期望值为μ、方差为0的高斯高斯变量，U表示向下取整的运算符，期望值取μ = 0,方差σ随高斯变异的迭代次数变化〇(t)为：其中，g为当代遗传代数，G为总遗传代数，t表示迭代次数。
【文档编号】G06F17/50GK105975701SQ201610307304
【公开日】2016年9月28日
【申请日】2016年5月10日
【发明人】冯毅雄, 卢润洁, 张志峰
【申请人】浙江大学