System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及生产车间智能优化调度领域,特别涉及一种pcb组装车间多目标批量流调度问题的优化方法。
技术介绍
1、随着制造业向数字化、智能化的转型升级,pcb制造业蓬勃发展。作为智能电子设备的必要组件,pcb组装车间在智能制造产业中扮演着至关重要的角色。在多品种小批量定制化生产环境下,面对交期短、子问题耦合等特征,研究pcb组装车间调度问题能够有效提高企业的生产效率与竞争力,具有重要的理论和现实意义。目前的研究文献主要集中在表面贴装机工序的优化,传统的smt单工序的研究无法满足生产现实需求,急需研究整个pcb组装车间的调度优化问题,以提高生产效率、降低能耗、减少成本。pcb组装车间是一种典型的混合流水车间,包括刷锡膏、元件贴片、回流焊和视觉检测四个主要工序。相对于传统的单件流生产方式,批量流生产方式有利于优化生产计划和调度安排,减少生产过程中的等待时间和交期风险。同时,批量流生产方式还有利于质量控制和过程改进,因为在相同的工艺流程下,能更容易地监控和调整生产参数,提高产品质量的一致性。在混合流水车间中,批量流生产方式的优势进一步得到发挥。通过对不同工序的生产批次进行合理安排和调度,最大限度地发挥批量流生产方式的优势,提高整个车间的生产效率和资源利用率。因此,研究批量流在混合流水车间的应用具有重要的意义,有助于进一步优化车间生产过程,提高企业的竞争力和经济效益。
技术实现思路
1、本专利技术的目的在于,提供一种pcb组装车间多目标批量流调度问题的优化方法。本专利技术可以快速求解混合流
2、本专利技术的技术方案:一种pcb组装车间多目标批量流调度问题的优化方法,如图1所示,包括阶段一和阶段二:
3、阶段一,先初始化表面贴装工序参数,再通过启发式规则i-ect确定pcb订单在smt工序的加工时间矩阵;
4、阶段二,确定包括订单分批、订单排序和批次分配的问题描述与目标界定,生成蜘蛛猴优化算法的初始种群;基于贡献值法选择领导者,改善蜘蛛猴优化算法解的分布性;根据种群的进化状态选择不同的个体更新方法,实现蜘蛛猴优化算法探索和开发能力之间的平衡;采用基于q-learning的参数调整方法,实现蜘蛛猴优化算法参数的自适应调整;
5、以此通过两阶段的改进蜘蛛猴优化算法实现对pcb组装车间多目标批量流调度问题的优化求解。
6、上述的pcb组装车间多目标批量流调度问题的优化方法,所述阶段一中,通过启发式规则i-ect计算pcb订单在smt工序的加工时间矩阵包括如下步骤:
7、步骤1:确定阶段一的问题描述与目标界定:pcb订单需要使用m台smt机器对tc种类型的共计n个元件进行贴片加工,决策内容是确定n个元件在m台机器上的分配和贴片顺序,最小化加工时间cmax,表示为加工时间矩阵;此外,假设每台表面贴装机近似于不相关并行机;每台smm有一个进料器,每个进料器中可防止多个进料槽,每个进料槽只能放置一种类型的元件;相同的元件允许被分配到装配线上的多台机器,且不存在优先级限制;smm加工过程中不考虑故障因素。
8、步骤2:按照下述的启发式规则i-ect生成单个pcb订单在smt工序的调度方案;
9、步骤2.1:初始化机器i的完工时间mci∈{1,2,…,m}=0,未安排元件集合components={1,2,…,n},元件ji,机器i上元件集合当前机器i上已安排元件ai;
10、步骤2.2:若结束,输出解信息;否则,机器i=1,转步骤3.3;
11、步骤2.3:若i≤m,转步骤3.5;否则,转步骤3.4;
12、步骤2.4:选择机器i*满足将元件分配到机器i*上,机器i*上最后分配的元件转步骤3.2;
13、步骤2.5:若机器i未安排元件,选择元件ji∈cemponents,满足转步骤3.3;否则,转步骤3.6;
14、步骤2.6:选择ji∈components满足转步骤3.3;
15、步骤3:将启发式规则i-ect生成的调度方案进行解码,计算出各种pcb订单在smt工序上的加工时间矩阵;
16、步骤3.1:初始化:机器i加工一个pcb的总时间sdpi∈{1,2,…,m}=0,机器i上连续贴片的最大pcb数量cni∈{1,2,…,m}=0,机器i上加工一个pcb机头的总移动距离dti∈{1,2,…,m}=0,i=1,装配线元件顺序索引pi=1,机器i上第pi和第pi+1个加工的元件为和k*是机器i上加工的第pi个元件的类型
17、步骤3.2:若i≤m,转步骤3.3,否则,转步骤3.6;
18、步骤3.3:若pi≤ci,转步骤3.4,否则,转步骤3.5;
19、步骤3.4:若pi=1,则pi=pi+1;若pi=ci,则pi=pi+1;若pi≠1且pi≠ni,dti=pi=pi+1,转步骤2.3.3;
20、步骤3.5:转步骤3.2;
21、步骤3.6:
22、前述的pcb组装车间多目标批量流调度问题的优化方法,所述阶段二中,两阶段的改进蜘蛛猴优化算法的实施包括如下步骤;
23、s1、获取加工时间矩阵;
24、s2、初始化蜘蛛猴优化算法的初始种群p0,其规模为popsize;
25、s3:对种群中的每个蜘蛛猴个体smh(其中h=1,2,…,n)进行解码,最大完工时间cmax、总拖期时间(total tardiness time,tt)与总能耗(total energy consumption,tec);
26、s4:对种群个体进行快速非支配排序,确定pareto解集a,并更新外部pareto解集a*;
27、s5:判断是否满足终止条件,即迭代次数t>maxgen是否成立?若是,结束;否则,转下一步骤;
28、s6:对种群个体进行随机分组,利用贡献值法对pareto解集a中的蜘蛛猴个体,计算其贡献值,确定局部领导者(local leader,ll)与全局领导者(global leader,gl),转下一步骤;
29、s7:判断种群迭代次数t≤maxgen*pt是否成立?若是,转下一步骤;若否,转步骤s9;
30、s8:根据q-learning法自适应调整的算法参数,执行局部领导者llp和全局领导者glp更新阶段,运用“交叉”操作对各个组内种群个体和整个种群个体进行更新,转步骤s10;
31、s9:根据q-learning法自适应调整的算法参数,并根据种群进化相邻两代交叉的差熵区分种群是收敛或停滞状态,分别执行“交叉+交叉”操作或“变异+邻域搜索”操作对各个组内种群个体和整个种群个体进行更新,转步骤s10;
32、s10:执行全局领导者学习阶段,判断全局领导者是否有更新;若是,转下一步骤;否则,转步骤s13;
3本文档来自技高网...
【技术保护点】
1.一种PCB组装车间多目标批量流调度问题的优化方法,其特征在于:包括阶段一和阶段二:
2.根据权利要求1所述的PCB组装车间多目标批量流调度问题的优化方法,其特征在于:所述阶段一中,通过启发式规则I-ECT计算PCB订单在SMT工序的加工时间矩阵包括如下步骤:
3.根据权利要求1所述的PCB组装车间多目标批量流调度问题的优化方法,其特征在于:所述阶段二中,两阶段的改进蜘蛛猴优化算法的实施包括如下步骤;
4.根据权利要求3所述的PCB组装车间多目标批量流调度问题的优化方法,其特征在于:步骤S2中,所述蜘蛛猴优化算法的初始种群生成方法具体如下:
5.根据权利要求3所述的PCB组装车间多目标批量流调度问题的优化方法,其特征在于:步骤S3中,所述的解码按下述步骤进行:
6.根据利要求3所述的PCB组装车间多目标批量流调度问题的优化方法,其特征在于:步骤S6中,所述基于贡献值法计算Pareto解集A中蜘蛛猴个体SMh的贡献值,确定局部领导者与全局领导者包括如下步骤:
7.根据利要求1所述的PCB组装车间多目标批量流调
8.根据权利要求3所述的PCB组装车间多目标批量流调度问题的优化方法,其特征在于:步骤S8和S9中,所述种群个体更新的“交叉”操作如下:
9.根据权利要求3所述的PCB组装车间多目标批量流调度问题的优化方法,其特征在于,步骤S9,所述种群个体更新的“变异+领域搜索”操作如下:
10.根据权利要求3所述的PCB组装车间多目标批量流调度问题的优化方法,其特征在于,步骤S12中,所述种群个体更新的“交叉+邻域搜索”操作如下:
...【技术特征摘要】
1.一种pcb组装车间多目标批量流调度问题的优化方法,其特征在于:包括阶段一和阶段二:
2.根据权利要求1所述的pcb组装车间多目标批量流调度问题的优化方法,其特征在于:所述阶段一中,通过启发式规则i-ect计算pcb订单在smt工序的加工时间矩阵包括如下步骤:
3.根据权利要求1所述的pcb组装车间多目标批量流调度问题的优化方法,其特征在于:所述阶段二中,两阶段的改进蜘蛛猴优化算法的实施包括如下步骤;
4.根据权利要求3所述的pcb组装车间多目标批量流调度问题的优化方法,其特征在于:步骤s2中,所述蜘蛛猴优化算法的初始种群生成方法具体如下:
5.根据权利要求3所述的pcb组装车间多目标批量流调度问题的优化方法,其特征在于:步骤s3中,所述的解码按下述步骤进行:
6.根据利要求3所述的pcb组装车间多目标批量流调度问题的优化方法,其特征在于:步骤s6中...
【专利技术属性】
技术研发人员:陈亚绒,贾比尔,杜金浩,徐隆隆,穆达萨尔拉夫,
申请(专利权)人:温州大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。