e-works数字化企业网  »  文章频道  »  管理信息化  »  MES

橡胶行业硫化工序制造执行系统的研究与设计(3)

2011/1/17    来源:万方数据    作者:王辉      
关键字:MES  制造执行系统  橡胶行业  
本文首先对现代制造执行系统的功能结构与模型进行了详细论述,立足于MES系统的功能模型并结合橡胶行业硫化工序的特殊重要性,提出了硫化工序制造执行系统的所对应设计的关键技术。结合企业的生产实际,对橡胶行业硫化工序进行建模分析,详细论述了基于订单划分组批策略下的生产模型,以此作为该行业硫化工序MES系统的模型对象,设计了MES系统的生产调度子系统,并对该子系统所采用基于隔离小生境策略的改进粒子群算法进行了原理上的分析和功能步骤说明。

第四章 MES系统生产调度算法的研究与设计

    生产调度功能是MES系统的最重要的组成部分之一,是整个车间生产智能化、科学化的基础,是承接ERP层和PCS层信息流的重要中继。生产调度功能的实现在很大程度上依靠生产调度算法,算法性能的好坏直接影响排产结果的优劣,因而,生产调度算法是MES系统的一个“智能核心”,也是MES理论系统研究的重点与难点。

    粒子群算法的研究与分析

    粒子群优化算法就是对群体行为的模拟。群鸟的搜索区域对应于设计变量的变化范围,食物对应于适应度函数的最优解。在粒子群优化算法中,每个优化问题的潜在解都是搜索空间的一只鸟,我们称为粒子,它们的初始值为一组随机数。所有的粒子都有函数决定其适应值,并且每个粒子都有一个速度决定其飞行方向和距离,然后粒子都将追随最优粒子在解空间进行搜索。在迭代开始后,每一个粒子都根据两个“极值"来更新自己。第一,就是粒子本身所找到的最优解,我们称它为个体极值(pbest)。第二,就是整个粒子群体目前找到的最优解,我们称为全局极值(gbest)。

    在PSO模型中,每个优化问题的解都是搜索空间中一个“粒子"的状态。每个粒子都有一个由被优化函数决定的适应值(fitness value),同时还有一个速度决定它们的飞行的方向和距离。粒子根据自身及同伴的飞行经验进行动态调整,也可以说是通过追踪两个位置来更新自身。一个是粒子本身所找到的最优解pbest,即个体最好位置;另一个是整个种群当前找到的最优解gbest,即全局最好位型。

    粒子群算法的算子功能分析

    PSO算法是一类进化算法,它主要通过速度的修改完成进化和搜索,不存在直接的操作算子。为了讨论方便,这里以GA中的算子为参照对PSO算法的操作进行类比性分析。在PSO算法递推方程中,粒子群的个体极值p胁和群体极值g是通过比较各粒子的适应值而得到,因此PSO算法存在隐性的弱选择操作。

    该操作根据适应值找出当前较好的解,并与其它粒子共享该信息,引导所有粒子向相对较好的区域搜索。它与GA选择算子的区别是它对种群的多样性影响不大,因为该算法只是通过选择求出当前群体的个体极值P。删和群体极值g触,但并不借此修改或筛选粒子,因此PSO的弱选择算子对群体多样性影响不大。PSO算法中粒子的速度在继承原有速度的基础上,根据当前粒子与个体极值p胁和群体极值,的偏差来随机地修正下一代粒子的速度。所有粒子在该偏差的修正下向较优区域搜索。在机理上它类似于GA中的交叉操作,即通过组合现有的较好解来实现解空间的搜索,以生成更好的侯选解。在不断对当前粒子的速度进行更新的过程中,只有当生成的新解优于原有的个体极值或群体极值时才进行极值的更新操作,否则原有的极值不改变,即个体极值和群体极值不会出现“退化”现象。因此,它不会破坏已有的较好解,这正是粒子群算法在优化多峰函数时性能较好的关键原因之一。

    PSO算法速度的更新主要由三部分组成:先前速度、“认识部分"和“社会部分,即W+vⅡ使粒子保持一种原有的飞行惯性;部分使粒子具有飞向自身最好位置的趋向;全局最优点的趋向。当粒子与全局最优点相差较远,则粒子具有较强的飞向全局最优的趋向,因此在算法运行初期几乎所有的粒子都明显地飞向当前的全局最优点。当粒子比较靠近当前全局最优区域后,三部分的效果取得平衡,则粒子表现出更多地在一定邻域范围内进行随机探索。PSO算法中粒子的速度在两个极值的修正下沿着梯度方向变化,从而使得算法对函数优化具有较高的效率,收敛速度较其它进化算法快。该算法主要依赖于w木1,耐项对解实现调节,由于基本PSO中参数,是恒定的,缺乏调节机制,其调节能力不及GA的交叉变异算予灵活,使得PSO搜索到解的精度不高。PSO算法初始种群是随机产生的,在速度和位置上均具有较大的随机性,而第一部分恰是继承粒子先前的信息。因此,PSO算法的速度更新方程是三部分的结合,实现搜索的平衡,使其具有更强的解空间搜索能力。

    粒子群算法的特点

    各类群集智能算法的仿生对象和机理是有差异的,它们的搜索过程可分为进化和学习两类。其中,进化是模仿自然界生物内部基因的演化过程,包括基因的复制、变异以及选择等过程;而学习是模仿动物行为的过程,如蚂蚁、鸟群以及鱼群觅食的行为。因此,从严格意义上讲,遗传算法是一种基于进化的优化算法,而蚁群、粒子群以及鱼群等群集智能优化则是一种基于学习机制的优化算法。群集智能优化算法是一种“领域搜索”结构,其实质是属于一种广义的邻域搜索算。在该理论框架的指导下,可以通过选择算法的搜索机制和搜索方式,设计算法的领域函数或操作算子、控制参数的修改准则以及算法的终止准则来构造性能优良的搜索算法。群集智能优化算法是基于概率分布的优化机制实现概率意义下的全局搜索,它们采用了并行搜索方式以多点同时或交叉优化,来取得较好的优化性能,但计算和存储量较大。

    PSO算法是群集智能优化算法的一种,它的优点主要表现在以下几点:

    1、PSO算法是建立在复杂系统的研究基础之上,低层次的元素通过简单的组织在高层次形成复杂的结构,从而表现出智能的特征用来解决复杂的优化问题,它表现出自组织性、自适应性、自学习性、并行性以及突现性;并且该算法鲁棒性较强,对基本PSO算法模型稍加修改或与多种启发式算法结合,便可改善算法的性能,解决其它问题。

    2、PSO算法是基于适应度概率计算的随机搜索进化算法。该算法根据粒子速度来决定搜索路径,沿着梯度方向搜索,搜索速度快;搜索过程是随机的,具有避免陷入局部最优以收敛于全局最优解的能力:采用实数编码,可直接取目标函数本身作为适应度函数,根据目标函数值进行迭代搜索;各粒子具有记忆性,使得领域算子不能破坏已搜索到的较优解。

    3、PSO算法对优化对象的性状无任何要求,即不要求被优化函数连续、可导或其它辅助知识等,只需要影响搜索方向的目标函数和相应的适应度函数;并且该算法需要调节的参数不多。

    PSO算法的弱点表现为以下几点:

    1、PSO算法中所有的粒子都向最优解的方向搜索,所有粒子趋向同一,失去了解的多样性,使得后期的收敛速度明显变慢,同时算法收敛到一定精度时,算法无法继续优化。

    2、缺乏完备的计算搜索效率及时空复杂度理论评价体系;算法的理论基础还很薄弱,算法参数的选择主要还是凭经验选取。对于PSO算法解决离散的调度问题,发表的成果比较少。针对PSO算法的优缺点,本文扬长避短,提出适应于解决连续优化问题及其离散调度问题的改进型PSO算法。

责任编辑:袁琴桃
本文为授权转载文章,任何人未经原授权方同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐