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．     

基于遗传算法与Tabu搜索的拆卸序列优化算法

为研究废弃装配体的拆卸序列优化,首先提出了建立装配体的干涉-自由矩阵,作为描述其结构的数学模型．其次,运用遗传算法原理,提出面向装配体拆卸序列自动生成及优化的计算模型．依据初始输入的若干拆卸序列和其它控制参数,由程序搜寻几何上可行的最佳拆卸序列．这里是以装配体在拆卸过程中具有最少的换向次数为优化目标．最后,鉴于遗传计算的未熟早敛问题,提出建立Tabu搜索与遗传算法的组合优化算法．通过把Tabu搜索的集中与分散策略引入遗传算法,可望获得更加健壮的搜索行为．大量的实例验证表明,用这种方法解决装配体拆卸序列的优化问题,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...     

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。     

基于模拟退火粒子群优化算法的拆卸序列规划

文章将模拟退火粒子群优化算法应用于拆卸序列规划求解过程,基于拆卸约束图构建了产品结构表达模型,将拆卸过程相关信息赋予拆卸约束图的节点与边,定义了判断拆卸序列优劣的适应度函数,将算法与模型进行了映射;最后以某款料理机主机体为例,运用模拟退火粒子群优化算法求解其拆卸序列,并与单一粒子群优化算法相比较,验证了该算法的有效性.     

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.     

基于层次网络进行拆卸序列规划

分析了产品拆卸研究所需要的信息,从产品三维模型中提取产品的相关信息,并根据需要,可以补充部分信息,从而建立了产品拆卸的不完全有向层次网络图模型。研究了零部件的拆卸路线。在三维环境下,基于面向对象技术,研究了零部件拆卸时的移动路线。优化拆卸序列和目标拆卸序列。分别给出了拆卸序列和目标拆卸序列评价的指标体系,利用模糊层次分析法和逼近理想解法,得到最优的拆卸序列和目标拆卸序列。     

基于模块化的拆卸模型及拆卸序列规划研究

为解决拆卸序列规划过程中的组合爆炸问题,提出了产品的基于模块化的拆卸回收模型,对零部件之间的约束关系进行定义;提出了基于约束关系矩阵的拆卸序列规划方法,降低了拆卸模型的复杂度,提高了搜索的效率.最后,通过一个实例验证了该方法的合理性和有效性.     

基于遗传算法的产品拆卸线平衡问题研究

对废旧产品进行回收再利用,是节约资源和保护环境的有效方式.产品拆卸是实现废旧产品回收再利用的重要手段,是实现产品生命周期完整性的必要环节.本文针对产品拆卸线的特点,构建了拆卸线平衡问题的多目标优化模型,并运用遗传算法对模型进行求解.本文的模型及方法可以为废旧产品的回收拆卸提供理论指导.     

基于改进遗传算法的神经网络优化

针对在神经网络应用中,存在结构设计及权值训练算法的不足,提出一种新的基于混合编码方案的遗传算法.在算法中设计了用遗传算法全局优化神经网络拓扑结构和网络权值的新的编码方案,改进了适应度函数的设计和采用自适应的交叉和变异方法.试验结果表明本算法能有效地对神经网络的权值和结构同时优化,提高了训练效率.     

一种改进的混合遗传传算法

从约束最优化问题的混合遗传算法出发,针对混合遗传算法不足,提出有利方向概念,并用之对变异算子加以改进,同时用模拟退火思想对罚因子加以改进,用改进后的算法进行仿真试验,试验结果表明改进后的算法有效 .     

基于免疫遗传算法的装配顺序优化

采用装配角度、装配方向、装配稳定性和重定位次数4个指标构建装配顺序优化模型,并用疫苗自动获取的免疫遗传算法(IGABVAU)求解.提出4种免疫疫苗用于提升算法运行效率,其中KP和NL型疫苗由人工指定,BP和NT型疫苗在算法运行中自动获取.船舶工段装配实验结果表明,该算法具有较快的收敛速度.进一步研究发现,免疫疫苗的质量会影响疫苗自动获取的免疫遗传算法收敛速度,人工指定的KP和NL型疫苗可以提高初始种群的质量,自动获取的BP和NT型疫苗可以为装配顺序的进化提供方向.     

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.     

基于遗传算法的序列比对方法

为有效解决大尺度基因组序列的比对分析,提出了一种基于遗传算法的序列比对方法。该算法通过对序列比对问题进行编码,将其转换成了搜索空间中的一个优化问题。实验结果表明,这种新的比对算法是有效的,它在占用少量内存的情况下可以获得近似于Need lem an-W unsch算法结果的最优解。     

基于改进伪并行遗传算法的函数优化

针对遗传算法早熟和收敛速度慢的问题,在已有的伪并行遗传算法基础上对遗传操作进行改进。采用3个测试函数对改进的算法进行验证,结果表明改进的算法在函数的平均适应度值、平均运行代数、收敛概率等方面都取得了较好的结果。     

基于事例推理的装配顺序规划中的遗传算法改进设计

针对基于事例推理(CBR)的装配顺序推理的特点,建立了相应的遗传算法模型.通过大量的算法实验,分析比较了传统进化、阶段进化和自适应进化策略的优劣,以及算法参数对推理效率和推理质量的影响.在此基础上,设计了改进的遗传算法.最后的实例分析验证了该算法的有效性.     

基于模拟退火遗传算法的多序列比对方法

针对MSA问题提出了将遗传算法与模拟退火算法结合在一起的混合算法.该算法充分发挥了遗传算法和模拟退火算法的优越性,可提高求解多序列比对MSA问题的计算精度和计算速度,整个算法模拟了自然界进化的周期性,较好的解决了群体的多样性和收敛深度的矛盾.实验表明,该方法算法是有效的.