基于Tabu搜索与遗传算法研究拆卸序列优化

针对废弃装配体的拆卸序列优化,提出建立描述装配体结构的干涉一自由矩阵以及“拆卸楔”的概念和算法,据此计算各个零件从装配体上可以拆卸下来的方向和次序．鉴于遗传计算过程中,其邻域往往过早地收敛于局部优化点上,于是将Tabu搜索组合到遗传算法之中．实例验证表明,用这种组合优化方法解决装配体拆卸序列优化问题,所生成的可行拆卸序列在适应度函数值、数量、分布范围等方面均优于单纯的由遗传算法生成的结果．     

基于改进遗传算法的拆卸序列优化研究

针对复杂机械装配关键系统的拆卸序列优化问题,建立了拆卸序列规划模型,提出了一种改进的双种群遗传算法.通过拆卸混合图的表达拆卸序列信息,在改进的遗传算法中利用优先约束矩阵生成TOP序列种群,以拆卸时间最少为优化目标对拆卸序列进行优化.某企业生产的装载机变速箱的再制造拆卸序列优化,进一步验证了该算法的有效性和可行性.     

一种新的装配序列规划方法研究

在新的装配序列规划方法中，采用多色集合建立了装配信息模型，把装配约束关系分为定位关系、阻碍拆卸关系和联接关系，建立了装配约束关系方程——定位方程、阻碍拆卸方程和联接关系方程，用数学方程表示零件的装配约束条件，同时提出了求取零件装配序列的算法．与传统的装配序列规划方法相比，基于多色集合理论的装配序列规划方法通过装配约束关系方程，提前排除了不合理的装配序列，因此避免了由约束信息膨胀产生的组合爆炸．     

一种复合算法的装配序列规划方法

针对复杂产品装配规划的组合爆炸和盲目搜索难题,提出一种复合算法解决装配序列规划问题的方法。复合算法首先采取多色集合形式化推理获取足够数量的可行装配序列,并将可行装配序列作为遗传算法的初始种群;然后,通过遗传算法和蚁群算法将人的模糊知识融入规划过程中求精确解;最后,通过实例验证了复合算法的可行性。     

基于多种群遗传算法的废旧手机拆卸序列规划

为解决废旧智能手机对环境的污染问题，高效率求解废旧智能手机完全拆卸序列最优方案，文章针对废旧手机完全拆卸提出一种多种群遗传算法。根据废旧智能手机的连接特点，建立废旧智能手机拆卸混合图模型，并利用该模型描述约束关系，同时考虑紧固件的连接关系；提出一种拆卸可行性评估方法，建立拆卸时间、拆卸利润、拆卸能耗等多目标优化数学模型，并利用多种群遗传算法进行优化分析；以“小米5”手机为例验证提出算法的可行性，并分析多目标不同权重系数对生成结果的影响。结果表明：与人工经验拆卸相比，优化后拆卸手机成本利润提高0.303 5元/台，拆卸时间缩短30 s/台，拆卸人工能耗减少0.272 J;多种群比单种群收敛速度更快；相较于并行拆解，废旧智能手机等小型精密电子产品更适合于串行序列拆解。     

基于二叉树的装配体数据

在计算机辅助设计装配体设计中，必须建立一个有效合理的装配体数据结构。本文从装配体拆卸出发，构建了一个装配体的二叉树结构模型。通过对该结构的后序遍历，自动生成装配序列，能有效地描述装配体。     

基于混合循环算法的复杂装配体装配序列智能规划

针对单一算法无法实现复杂装配体装配序列智能规划以及缺乏深度人机交互而导致的改进效果不佳等问题,提出一种混合循环算法.该算法以遗传算法为主体,利用干涉矩阵和接触矩阵调整随机生成的装配序列,以装配方向及工具的统一性构建适应度函数;其次结合模拟退火算法,在迭代前加入退火操作,利用Metropolis准则接受交叉和变异后的个体序列;引入粒子群算法的跟踪极值思想,直接选择个体最优和群体最优序列与后代交叉;最后结合虚拟现实技术建立装配模拟平台,从装配稳定性及工具操作空间两个维度进一步优化序列.基于该方法以汽车后桥总成装配序列规划为例进行验证,表明所得装配序列符合实际生产,该方法切实有效.     

多目标拆卸序列优化问题的分散搜索算法

针对拆卸序列优化问题以最小拆卸时间和最大拆卸收益为优化目标建立了多目标优化数学模型.应用线性加权方法将多目标优化问题转换为单目标优化问题,并提出了一种改进的分散搜索优化算法.算法采用保持优先关系的交叉过程(PPX)作为子集解的组合算子,通过局域搜索算子改进组合算子产生的新解.引用数值算例对模型和算法进行了验证,结果表明该模型及算法求解多目标拆卸序列优化问题有效.     

利用混合图对模块化拆卸进行建模的研究

拆卸序列规划是面向拆卸回收设计研究的重点之一,生成有效可行的拆卸序列是问题的关键,而序列的生成又与拆卸模型的建立密切相关.产品拆卸模型主要有基于图论的无向图、有向图、与或图和Petri网.在传统的拆卸序列规划过程中,随着产品零件数目的增加,会造成组合爆炸问题.为解决该问题,提出了一种利用混合图对模块化拆卸的建模方法.这种方法,既吸收了混合图的观点,又渗透合并了模块化的思想.最终通过一个实例验证了该方法的有效性和合理性.     

基于遗传算法的自动装配顺序规划

笔者对自动装配顺序规划问题建立一种改进的遗传算法（Genetic Algorithms)。建立了装配体各零件间的可行装配方向元组,用于判断无干涉装配序列;提出5种合适的遗传算子,并以装配方向的改变次数作为装配顺序的适应值;采用一种适应值修改方案来避免算法过早收敛。算例表明,本文建立的装配顺序规划的遗传算法,能快速自动产生出满意的装配顺序方案。     

引入适应值曲面结构的小生境遗传算法初探

遗传算法是一种有效的全局优化算法 ,但存在收敛速度慢和早熟收敛的缺陷。本文提出了具有适应值曲面结构自学习能力的多区域并行局部搜索算子PLS和受控交叉算子GC ,定性地分析了它们的作用机制。引入适应性PLS和GC的改进遗传算法在不增加计算开销的前提下 ,其全局收敛速度和可靠性显著地优于标准遗传算法 ,并具有良好的鲁棒性和稳定性     

一维全局最优问题的改进遗传算法

遗传算法是一种借鉴自然界生物自然选择和自然遗传机制的高度并行、随机及自适应的搜索算法,该算法对一般的全局最优有良好的鲁棒性。但是,对非线性较强的函数,简单的遗传算法的收敛速度较慢,稳定性差。本文提出了一种新操作：一点交换和两点交换相结合、普通变异和大变异相结合的操作。理论证明和数值计算结果表明,该算法是有效的。     

基于遗传算法的网格结构优化方法

为了加快遗传泊进化过程,提出了基于遗传算法和满应力准则进行网格结构优化的杂交算法,杂交算法能大幅度地减少单纯采用遗传算法进行网格结构优化的解空间,其结果表明杂交算法能明显地加快遗传算法的收敛进程。     

多目标优化的遗传算法及其实现

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域．多目标优化问题求解已成为遗传算法的一个重要研究方向,而基于Pareto最优概念的多目标遗传算法则是当前遗传算法的研究热点．本文对遗传算法的理论基础进行分析,包括模式定理等,讨论用遗传算法来解决多目标优化问题的方法并给出其实现,介绍遗传算法的各种改进措施,并指出遗传算法的发展动向．     

基于正交设计法的遗传算法

将正交设计法和遗传算法相结合，既保留了遗传算法本身的优点，又可以较好地解决遗传算法在达到全局最优解前收敛慢的问题。该算法能有效地求解函数优化问题。     

基于蟑螂算法的产品拆卸序列规划

文章为研究废弃产品的拆卸序列规划,首先建立了产品拆卸模型混合图,描述零部件之间的连接关系和优先关系,推导出可拆卸性条件;其次,通过几何推理生成产品可行的初始拆卸序列,建立目标函数并构建适合拆卸序列规划的蟑螂算法;依据初始拆卸序列和其他控制参数,结合蟑螂算法对拆卸序列进行优化得到最优解;最后,通过实例验证了该方法的可行性...     

用改进的遗传算法求解中国旅行商问题

遗传算法是基于生物进化原理的普适性全局优化算法，针对一类ＮＰ完全的组合优化问题－旅行商问题，提出用交换算子操作和模拟退火思想对遗传算法进行改进，显著提高了算法的优化效率，到目前为止，中国旅行商问题的最优解是１５４２６ｋｍ，使用改进的遗传算法，仅利用城市间的距离信息求解中国诱行商问题，得到了１５４０９ｋｍ的更优结果。     

PSO和GA的混合算法解分形插值反演问题

在分形插值拟合反演问题中,垂直比例因子的选取将影响到插值拟合的精度,提出了一种整合粒子群优化算法和遗传算法选择和交叉操作的混合算法（HPSOCS）来求分形插值的逆问题最优解,通过混合算法对weierstrass函数进行实验仿真并与粒子群优化算法比较,结果表明混合算法具有更好的优化性能,实现了分形插值函数与实际函数的更好拟合．     

遗传算法在工程项目资源优化中的应用

GA是一种源自生物界自然选择和自然遗传机制的随机化搜索方法,群体搜索策略和信息遗传的特点使其在组合优化中表现出其它传统方法所不能比拟的性能。将GA应用于工程项目的资源优化中,解决资源平衡和资源有限问题,避免了繁琐的推断过程,同时还能得到除最优解外的几个次最优的解决方案。